CN109886938A - 一种超声图像血管直径自动测量方法 - Google Patents
一种超声图像血管直径自动测量方法 Download PDFInfo
- Publication number
- CN109886938A CN109886938A CN201910087988.2A CN201910087988A CN109886938A CN 109886938 A CN109886938 A CN 109886938A CN 201910087988 A CN201910087988 A CN 201910087988A CN 109886938 A CN109886938 A CN 109886938A
- Authority
- CN
- China
- Prior art keywords
- ultrasound image
- image
- blood vessel
- vessel diameter
- automatic measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及医学图像分析技术领域,公开了一种超声图像血管直径自动测量方法,包括:获取预处理的超声图像;根据所述获取预处理的超声图像,得到多阈值分割超声图像;根据所述得到多阈值分割超声图像,通过椭圆拟合实现自动测量血管直径大小。通过对超声图像进行增强操作,由于超声图像遍布着大量的噪声颗粒,对增强后的图像进行噪声平滑,然后对平滑后的图像进行多阈值图像分割,并将超声图像按像素灰度值分成四个不同区域,由于血管的形态一般为圆形,病态血管一般呈现椭圆形,分割后的血管区域进行椭圆曲线拟合,整个算法不需要人工干预,实现了超声图像血管直径的自动测量,从而为PICC或CVC手术提供了一种重要的临床辅助诊断技术。
Description
技术领域
本发明涉及医学图像分析技术领域,尤其涉及一种超声图像血管直径自动测量方法。
背景技术
PICC(经外周静脉穿刺中心静脉置管)或CVC(中心静脉导管)作为临床常用输液工具,是一种可经皮肤穿刺并滞留于静脉大血管腔(上腔静脉、下腔静脉、头臂静脉、颈内静脉、锁骨下静脉、髂静脉、股静脉)内进行长期输液的特制硅胶管。手术过程中,导管直径大小选取过大或过小,均会给手术带来不良后果。
为实现能够根据血管直径大小选取合适的导管进行插管,需要借助超声设备对待穿刺部位进行血管区域的成像显示,并依据显示结果的血管直径大小信息选取合适的插管进行手术。传统测量方法需要经验丰富的医生对超声图像血管区域进行手工绘制,受主观因素影响大、绘制耗时且增加了识别难度。超声因具有实时、无损、价格低廉等特点,已成为临床辅助诊断的重要工具之一,因此,超声成像在PICC或CVC穿刺手术中的应用越来越广泛。
目前有采用基于大津分割和形态学处理实现血管管径测量,该方法需先用基于HAAR特征(即线性特征、边缘特征、点特征、对角线特征)和Adaboost(Adaptive boosting)分类器的检测方法将待分割血管区域用方形框标识出来后,将方形中心点作为血管中心点,通过大津阈值分割得到二值化图像,结合形态出处理法获得血管边界,最后直接测量中心点距边界的距离,作为最后血管的半径信息。该方法未考虑噪声对血管边缘的影响,及中心点选取较为随意,计算精度较低。血管区域在图像中表现为低回声,颜色偏暗,使得血管区域与背景区域较难区分开,故须对超声图像进行增强操作。若增强过度则会丢失所需的血管信息;若增强太弱则不能将血管区域与背景区域区分开。
因此,如何自动测量超声图像的血管直径成为亟待解决的技术问题。
发明内容
本发明要解决的技术问题在于如何自动测量超声图像的血管直径。
为此,根据第一方面,本发明实施例公开了一种超声图像血管直径自动测量方法,包括:获取预处理的超声图像;根据所述获取预处理的超声图像,得到多阈值分割超声图像;根据所述得到多阈值分割超声图像,通过椭圆拟合实现自动测量血管直径大小。
可选地,所述获取预处理的超声图像包括:对超声图像进行分数阶微分增强计算;对增强后的超声图像进行去噪操作,获取去噪的超声图像。
可选地,所述对超声图像进行分数阶微分增强计算包括:给出对应的微分增强阶数v,获取超声图像x、y轴方向梯度值;计算超声图像x、y轴方向梯度值均值,获取增强因子进行图像增强。
可选地,所述对增强后的超声图像进行去噪操作,获取去噪的超声图像包括:基于微分增强阶数v,给出扩散阈值k,对超声图像进行各向异性扩散滤波。
可选地,所述根据所述获取预处理的超声图像,得到多阈值分割超声图像包括:利用粒子群优化算法对去噪后的图像按像素点灰度值进行区域划分,将超声图像分成四种灰度值不同区域;将分割后的图像进行二值化处理,灰度值最小的区域设置为0,其余设置为1;利用空洞填充法,获取二值超声图像的中所有连通区域;计算每个连通区域的面积,保留超声图像的面积最大区域;通过边缘检测方法,获取超声图像面积最大区域的边缘并将其显示于原超声图像。
可选地,所述根据所述得到多阈值分割超声图像,通过椭圆拟合实现自动测量血管直径大小包括:利用最小二乘法对分割目标的边缘点进行椭圆拟合;将拟合结果显示在原超声图像上,并根据拟合结果自动计算出血管直径的大小。
根据第二方面,本发明实施例公开了一种超声图像血管直径自动测量装置,其特征在于,包括:图像预处理模块,用于获取预处理的超声图像;图像分割模块,用于根据所述获取预处理的超声图像,得到多阈值分割超声图像;直径测量模块,用于根据所述得到多阈值分割超声图像,通过椭圆拟合实现自动测量血管直径大小。
可选地,所述图像预处理模块包括:图像增强单元,用于对超声图像进行分数阶微分增强计算;图像去噪单元,用于对增强后的超声图像进行去噪操作,获取去噪的超声图像。
根据第三方面,本发明实施例公开了一种计算机装置,包括处理器,处理器用于执行存储器中存储的计算机程序实现上述第一方面任一项的超声图像血管直径自动测量方法。
根据第四方面,本发明实施例公开了一种计算机可读存储介质,其上存储有计算机程序,处理器用于执行存储介质中存储的计算机程序实现上述第一方面任一项的超声图像血管直径自动测量方法。
本发明具有以下有益效果:通过对超声图像进行增强操作,由于超声图像遍布着大量的噪声颗粒,对增强后的图像进行噪声平滑,然后对平滑后的图像进行多阈值图像分割,并将超声图像按像素灰度值分成四个不同区域,由于血管的形态一般为圆形,病态血管一般呈现椭圆形,分割后的血管区域进行椭圆曲线拟合,整个算法不需要人工干预,实现了超声图像血管直径的自动测量,从而为PICC或CVC手术提供了一种重要的临床辅助诊断技术。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本实施例公开的一种超声图像血管直径自动测量方法的流程示意图;
图2是本实施例公开的一种超声图像血管直径自动测量装置的结构示意图;
图3是本实施例公开的一种超声图像血管直径自动测量方法的步骤示意图;
图4是本实施例公开的一种超声图像血管直径自动测量方法的超声图像对比效果图;图4a是原始超声图像;图4b是超声血管标记图像;
图5是本实施例公开的一种超声图像血管直径自动测量方法的分数阶微分增强模板;
图6是本实施例公开的一种超声图像血管直径自动测量方法的基于分数阶微分的各向异性扩散滤波模板;
图7是本实施例公开的一种超声图像血管直径自动测量方法的超声图像预处理结果图;图7a是原始超声图像;图7b是增强后图像;图7c是滤波后图像;
图8是本实施例公开的一种超声图像血管直径自动测量方法的图像分割过程图;图8a是分割阈值分割图像;图8b是二值化图像;图8c是连通区域图像;图8d是获取最大连通区域的边缘图像;图8e是分割后的血管区域图像。
附图标记:步骤S100~S130;210、图像预处理模块;211、图像增强单元;212、图像去噪单元;220、图像分割模块;230、直径测量模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例公开了一种超声图像血管直径自动测量方法,如图1和图3所示,包括:
步骤S110,获取预处理的超声图像;
步骤S120,根据所述获取预处理的超声图像,得到多阈值分割超声图像;
步骤S130,根据所述得到多阈值分割超声图像,通过椭圆拟合实现自动测量血管直径大小。
如图4所示,图4是本实施例公开的一种超声图像血管直径自动测量方法的超声图像对比效果图,图4a是原始超声图像,图4b是超声血管标记图像。
相对于现有技术,本发明实施例公开的方案通过对超声图像进行增强操作,由于超声图像遍布着大量的噪声颗粒,对增强后的图像进行噪声平滑,然后对平滑后的图像进行多阈值图像分割,并将超声图像按像素灰度值分成四个不同区域,由于血管的形态一般为圆形,病态血管一般呈现椭圆形,分割后的血管区域进行椭圆曲线拟合,整个算法不需要人工干预,实现了超声图像血管直径的自动测量,从而为PICC或CVC手术提供了一种重要的临床辅助诊断技术。
在具体实施例中,步骤S110具体的可以包括:
步骤S111,对超声图像进行分数阶微分增强计算;
步骤S112,对增强后的超声图像进行去噪操作,获取去噪的超声图像。
在具体实施例中,步骤S111具体的可以包括:
给出对应的微分增强阶数v,获取超声图像x、y轴方向梯度值;在本实施例中,图像增强采用分数阶微分算法,其Grünwld–Letnikov定义的差分表达式如下:
根据等号右侧各项系数构建增强模板,将中心点定为掩模中心,分别向x、y轴正负方向及对角线方向扩展以使模板具有旋转不变性。如图5所示,图5是本实施例公开的一种超声图像血管直径自动测量方法的分数阶微分增强模板。
计算超声图像x、y轴方向梯度值均值,获取增强因子进行图像增强。x、y轴方向梯度计算公式如下:
得到梯度图像:
F=Gx+Gy
梯度均值:
avg=sum(F(:))/(m*n)
其中,sum表示求和函数,sum(F(:))为图像F各像素点灰度值之和,m、n为图像大小。按上述计算公式得到对应增强因子如下:
在具体实施例中,步骤S112具体的可以包括:基于微分增强阶数v,给出扩散阈值k,对超声图像进行各向异性扩散滤波。在本实施例中,图像去噪采用基于分数阶微分的各向异性扩散滤波算法(FAD算法),该算法的核心思想是在各向异性扩散的基础上引入分数阶微分理论,通过扩散阈值k与微分阶数v之间的相互协作达到图像去噪、保边的目的。各向异性扩散的数学表达式如下:
其中,div为散度算子,▽为图像的梯度,c(|▽I|)为扩散函数,用于检测图像平滑强度,λ通常设置为0.2。扩散函数的表达式如下:
式中,k为扩散阈值。结合分数阶微分理论,得到本发明的滤波模板如图6所示。
通过图像增强和图像去噪处理后,可将血管区域从背景区域中独立出来。图7是本实施例公开的一种超声图像血管直径自动测量方法的超声图像预处理结果图,图7a是原始超声图像,图7b是增强后图像,图7c是滤波后图像。
在具体实施例中,步骤120具体的可以包括:
步骤S121,利用粒子群优化算法对去噪后的图像按像素点灰度值进行区域划分,将超声图像分成四种灰度值不同区域;
步骤S122,将分割后的图像进行二值化处理,灰度值最小的区域设置为0,其余设置为1;
步骤S123,利用空洞填充法,获取二值超声图像的中所有连通区域;
步骤S124,计算每个连通区域的面积,保留超声图像的面积最大区域;
步骤S125,通过边缘检测方法,获取超声图像面积最大区域的边缘并将其显示于原超声图像。
在本实施例中,粒子群优化算法(PSO算法)获取三个最佳分割阈值,PSO算法源于鸟类捕食的行为研究,即在图像中初始化一群粒子,并给予粒子一初始速度和位置。按照适应度函数计算每个粒子的适应度值,这里采用最大类间方差作为适应度函数计算,表达式如下:
式中,为j类发生的概率,为j类的均值,为所有类群的均值。通过上式计算每一粒子的适应度值,得到个体最优值和全局最优值。然后根据速度和位置公式进行进化,公式如下:
式中,Vi t+1为更新的粒子速度,Vi t为当前粒子速度。w为惯性权重系数,通常置为[0.8~1.2]。若w值选取偏大,全局收敛能力强,局部收敛能力弱;若w值选取偏小,全局收敛能力弱,局部收敛能力强。为了提高算法全局收敛能力,将w置为1.2,若大于1.2,则易陷入局部极值。c1、c2为学习因子,也称加速常数。r1、r2为[0~1]间的随机数。
Pi t为个体极值,nPi t为全局极值,为当前粒子位置,为更新的粒子位置。如此循环迭代计算,直至迭代次数达到预先设定的值,结束计算并输出最佳分割阈值。由于血管区域返回的是弱回声信号,故可将滤波后图像中小于最小阈值的点集置1,其余置0,得到二值化图像。然后通过孔洞填充法,去除与边界相连区域,并计算每个连通区域的面积,获取最大连通区域的边缘曲线,将其叠加到原图像中,最终实现超声血管的分割。如图8所示,图8是本实施例公开的一种超声图像血管直径自动测量方法的图像分割过程图;图8a是分割阈值分割图像;图8b是二值化图像;图8c是连通区域图像;图8d是获取最大连通区域的边缘图像;图8e是分割后的血管区域图像。
在具体实施例中,步骤S130具体的可以包括:
步骤S131,利用最小二乘法对分割目标的边缘点进行椭圆拟合;
步骤S132,将拟合结果显示在原超声图像上,并根据拟合结果自动计算出血管直径的大小。
在本实施例中,由于超声图像被大量噪声覆盖,使得最终分割的血管外周毛刺较多,而人体正常血管通常变现为圆形,病态血管表现为椭圆形,所以须对分割后的边缘点集进行椭圆拟合,这里采用最小二乘法。根据拟合结果得到椭圆质心、长短轴的坐标信息及椭圆倾斜角即可计算出血管直径大小。如图4b所示,图4b是超声血管标记图像,为最终拟合的血管。
如图2所示,本发明实施例公开了一种超声图像血管直径自动测量装置,其特征在于,包括:图像预处理模块210,用于获取预处理的超声图像;图像分割模块220,用于根据所述获取预处理的超声图像,得到多阈值分割超声图像;直径测量模块230,用于根据所述得到多阈值分割超声图像,通过椭圆拟合实现自动测量血管直径大小。
可选地,所述图像预处理模块210包括:图像增强单元211,用于对超声图像进行分数阶微分增强计算;图像去噪单元222,用于对增强后的超声图像进行去噪操作,获取去噪的超声图像。
此外,本发明实施例中还提供一种计算机装置,处理器通过执行计算机指令,从而实现以下方法:
获取预处理的超声图像;根据所述获取预处理的超声图像,得到多阈值分割超声图像;根据所述得到多阈值分割超声图像,通过椭圆拟合实现自动测量血管直径大小。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,该存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。计算机处理器用于执行存储介质中存储的计算机程序实现以下方法:
获取预处理的超声图像;根据所述获取预处理的超声图像,得到多阈值分割超声图像;根据所述得到多阈值分割超声图像,通过椭圆拟合实现自动测量血管直径大小。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种超声图像血管直径自动测量方法,其特征在于,包括:
获取预处理的超声图像;
根据所述获取预处理的超声图像,得到多阈值分割超声图像;
根据所述得到多阈值分割超声图像,通过椭圆拟合实现自动测量血管直径大小。
2.根据权利要求1所述的超声图像血管直径自动测量方法,其特征在于,所述获取预处理的超声图像包括:
对超声图像进行分数阶微分增强计算;
对增强后的超声图像进行去噪操作,获取去噪的超声图像。
3.根据权利要求2所述的超声图像血管直径自动测量方法,其特征在于,所述对超声图像进行分数阶微分增强计算包括:
给出对应的微分增强阶数v,获取超声图像x、y轴方向梯度值;
计算超声图像x、y轴方向梯度值均值,获取增强因子进行图像增强。
4.根据权利要求3所述的超声图像血管直径自动测量方法,其特征在于,所述对增强后的超声图像进行去噪操作,获取去噪的超声图像包括:
基于微分增强阶数v,给出扩散阈值k,对超声图像进行各向异性扩散滤波。
5.根据权利要求1所述的超声图像血管直径自动测量方法,其特征在于,所述根据所述获取预处理的超声图像,得到多阈值分割超声图像包括:
利用粒子群优化算法对去噪后的图像按像素点灰度值进行区域划分,将超声图像分成四种灰度值不同区域;
将分割后的图像进行二值化处理,灰度值最小的区域设置为0,其余设置为1;
利用空洞填充法,获取二值超声图像的中所有连通区域;
计算每个连通区域的面积,保留超声图像的面积最大区域;
通过边缘检测方法,获取超声图像面积最大区域的边缘并将其显示于原超声图像。
6.根据权利要求1所述的超声图像血管直径自动测量方法,其特征在于,所述根据所述得到多阈值分割超声图像,通过椭圆拟合实现自动测量血管直径大小包括:
利用最小二乘法对分割目标的边缘点进行椭圆拟合;
将拟合结果显示在原超声图像上,并根据拟合结果自动计算出血管直径的大小。
7.一种超声图像血管直径自动测量装置,其特征在于,包括:
图像预处理模块,用于获取预处理的超声图像;
图像分割模块,用于根据所述获取预处理的超声图像,得到多阈值分割超声图像;
直径测量模块,用于根据所述得到多阈值分割超声图像,通过椭圆拟合实现自动测量血管直径大小。
8.根据权利要求7所述的超声图像血管直径自动测量方法,其特征在于,所述图像预处理模块包括:
图像增强单元,用于对超声图像进行分数阶微分增强计算;
图像去噪单元,用于对增强后的超声图像进行去噪操作,获取去噪的超声图像。
9.一种计算机装置,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序实现如权利要求1-6任一项所述的超声图像血管直径自动测量方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,处理器用于执行存储介质中存储的计算机程序实现如权利要求1-6任意一项所述的超声图像血管直径自动测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910087988.2A CN109886938B (zh) | 2019-01-29 | 2019-01-29 | 一种超声图像血管直径自动测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910087988.2A CN109886938B (zh) | 2019-01-29 | 2019-01-29 | 一种超声图像血管直径自动测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886938A true CN109886938A (zh) | 2019-06-14 |
CN109886938B CN109886938B (zh) | 2023-07-18 |
Family
ID=66927333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910087988.2A Active CN109886938B (zh) | 2019-01-29 | 2019-01-29 | 一种超声图像血管直径自动测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886938B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349203A (zh) * | 2019-07-15 | 2019-10-18 | 深圳市威尔德医疗电子有限公司 | 一种超声设备及其超声图像中血管直径的测量方法 |
CN111388006A (zh) * | 2020-02-21 | 2020-07-10 | 华东师范大学 | 一种下腔静脉超声动态自动化测量***和方法 |
CN112233122A (zh) * | 2019-06-28 | 2021-01-15 | 深圳市理邦精密仪器股份有限公司 | 超声图像中对象提取、测量方法及装置 |
CN112288794A (zh) * | 2020-09-04 | 2021-01-29 | 深圳硅基智能科技有限公司 | 眼底图像的血管管径的测量方法及测量装置 |
CN113344842A (zh) * | 2021-03-24 | 2021-09-03 | 同济大学 | 一种超声图像的血管标注方法 |
CN113469941A (zh) * | 2021-05-27 | 2021-10-01 | 武汉楚精灵医疗科技有限公司 | 一种在超声胆胰管检查中胆胰管宽度的测量方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995030914A1 (en) * | 1994-05-03 | 1995-11-16 | The Trustees Of The University Of Pennsylvania | Post-processing of mri images |
WO2010030159A2 (en) * | 2008-09-10 | 2010-03-18 | Institute Of Technology Petronas Sdn Bhd | A non invasive method for analysing the retina for ocular manifested diseases |
CN101984916A (zh) * | 2010-11-17 | 2011-03-16 | 哈尔滨工程大学 | 基于数字图像处理技术的血管管径测量方法 |
CN102332161A (zh) * | 2011-09-13 | 2012-01-25 | 中国科学院深圳先进技术研究院 | 基于图像的血管内中膜厚度自动提取方法及*** |
CN103164859A (zh) * | 2013-04-11 | 2013-06-19 | 上海理工大学 | 一种血管内超声图像分割方法 |
CN105787924A (zh) * | 2016-02-01 | 2016-07-20 | 首都医科大学 | 一种基于图像分割的脉络膜最大血管直径的测量方法 |
CN107248155A (zh) * | 2017-06-08 | 2017-10-13 | 东北大学 | 一种基于swi图像的脑静脉血管分割方法 |
CN107341459A (zh) * | 2017-06-26 | 2017-11-10 | 华南理工大学 | 一种基于分数阶微积分的人脸检测图像预处理方法 |
CN108154519A (zh) * | 2017-12-25 | 2018-06-12 | 吉林大学 | 眼底图像中血管的分割方法、装置及存储介质 |
CN108186051A (zh) * | 2017-12-26 | 2018-06-22 | 珠海艾博罗生物技术股份有限公司 | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理*** |
-
2019
- 2019-01-29 CN CN201910087988.2A patent/CN109886938B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995030914A1 (en) * | 1994-05-03 | 1995-11-16 | The Trustees Of The University Of Pennsylvania | Post-processing of mri images |
WO2010030159A2 (en) * | 2008-09-10 | 2010-03-18 | Institute Of Technology Petronas Sdn Bhd | A non invasive method for analysing the retina for ocular manifested diseases |
CN101984916A (zh) * | 2010-11-17 | 2011-03-16 | 哈尔滨工程大学 | 基于数字图像处理技术的血管管径测量方法 |
CN102332161A (zh) * | 2011-09-13 | 2012-01-25 | 中国科学院深圳先进技术研究院 | 基于图像的血管内中膜厚度自动提取方法及*** |
CN103164859A (zh) * | 2013-04-11 | 2013-06-19 | 上海理工大学 | 一种血管内超声图像分割方法 |
CN105787924A (zh) * | 2016-02-01 | 2016-07-20 | 首都医科大学 | 一种基于图像分割的脉络膜最大血管直径的测量方法 |
CN107248155A (zh) * | 2017-06-08 | 2017-10-13 | 东北大学 | 一种基于swi图像的脑静脉血管分割方法 |
CN107341459A (zh) * | 2017-06-26 | 2017-11-10 | 华南理工大学 | 一种基于分数阶微积分的人脸检测图像预处理方法 |
CN108154519A (zh) * | 2017-12-25 | 2018-06-12 | 吉林大学 | 眼底图像中血管的分割方法、装置及存储介质 |
CN108186051A (zh) * | 2017-12-26 | 2018-06-22 | 珠海艾博罗生物技术股份有限公司 | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理*** |
Non-Patent Citations (1)
Title |
---|
杨轶林: ""基于椭圆拟合和改进FCM的颈动脉血管分割算法研究"", 《国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233122A (zh) * | 2019-06-28 | 2021-01-15 | 深圳市理邦精密仪器股份有限公司 | 超声图像中对象提取、测量方法及装置 |
CN110349203A (zh) * | 2019-07-15 | 2019-10-18 | 深圳市威尔德医疗电子有限公司 | 一种超声设备及其超声图像中血管直径的测量方法 |
CN111388006A (zh) * | 2020-02-21 | 2020-07-10 | 华东师范大学 | 一种下腔静脉超声动态自动化测量***和方法 |
CN111388006B (zh) * | 2020-02-21 | 2023-03-28 | 华东师范大学 | 一种下腔静脉超声动态自动化测量***和方法 |
CN112288794A (zh) * | 2020-09-04 | 2021-01-29 | 深圳硅基智能科技有限公司 | 眼底图像的血管管径的测量方法及测量装置 |
CN113344842A (zh) * | 2021-03-24 | 2021-09-03 | 同济大学 | 一种超声图像的血管标注方法 |
CN113469941A (zh) * | 2021-05-27 | 2021-10-01 | 武汉楚精灵医疗科技有限公司 | 一种在超声胆胰管检查中胆胰管宽度的测量方法 |
CN113469941B (zh) * | 2021-05-27 | 2022-11-08 | 武汉楚精灵医疗科技有限公司 | 一种在超声胆胰管检查中胆胰管宽度的测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109886938B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886938A (zh) | 一种超声图像血管直径自动测量方法 | |
CN105741251B (zh) | 一种肝脏cta序列图像的血管分割方法 | |
CN112508888B (zh) | 面向医学影像的脑动脉快速自动分割方法及*** | |
CN104899876B (zh) | 一种基于自适应高斯差分的眼底图像血管分割方法 | |
CN115661467B (zh) | 脑血管图像分割方法、装置、电子设备及存储介质 | |
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
CN107680110B (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
CN116236150A (zh) | 基于眼底图像的动静脉血管图像分割方法 | |
CN108510493A (zh) | 医学图像内目标对象的边界定位方法、存储介质及终端 | |
CN109886973B (zh) | 一种血管提取方法、装置及计算机可读存储介质 | |
WO2016159379A1 (ja) | 血管形状構築装置、その方法及びコンピュータソフトウエアプログラム | |
CN117422628B (zh) | 一种心脏血管超声检查数据优化增强方法 | |
CN109785293A (zh) | 一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法 | |
CN109191468B (zh) | 一种血管提取的方法、装置及存储介质 | |
CN109087310A (zh) | 睑板腺纹理区域的分割方法、***、存储介质及智能终端 | |
CN112950737A (zh) | 基于深度学习的眼底荧光造影图像生成方法 | |
CN114708280A (zh) | 一种可适用于多模态的脑血管分割算法 | |
Dizdaroğlu et al. | Structure-based level set method for automatic retinal vasculature segmentation | |
CN113516644B (zh) | 一种血管内光学相干层析成像分支血管识别方法 | |
JP2019515725A (ja) | 網膜画像処理 | |
CN110619633B (zh) | 一种基于多路滤波策略的肝脏图像分割方法 | |
CN110874597A (zh) | 一种眼底图像血管特征提取方法、设备、***和存储介质 | |
CN114757953B (zh) | 医学超声图像识别方法、设备及存储介质 | |
Song et al. | Research on medical image segmentation method | |
CN114170258A (zh) | 图像分割方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |