CN111047607B - 一种自动分割冠状动脉的方法 - Google Patents
一种自动分割冠状动脉的方法 Download PDFInfo
- Publication number
- CN111047607B CN111047607B CN201911249107.9A CN201911249107A CN111047607B CN 111047607 B CN111047607 B CN 111047607B CN 201911249107 A CN201911249107 A CN 201911249107A CN 111047607 B CN111047607 B CN 111047607B
- Authority
- CN
- China
- Prior art keywords
- seed
- coronary artery
- point
- growth
- region
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种自动分割冠状动脉的方法,它包括如下步骤:划分冠状动脉区域;在冠状动脉区域,通过Hessian矩阵变换获取区域种子点;对获得的每个种子点进行局部区域自适应生长;根据自适应分数保留构成冠状动脉血管的种子点;保留与升主动脉相连的连通域,去掉非连通域,分割出完整的冠状动脉。本发明根据CT冠状动脉的血管结构特征,采用冠状动脉与背景之间的局部差异性模型,通过在血管区域生长的过程中,计算模型自适应分数来筛选血管,从而实现冠状动脉的完整分割。本发明可以快速地获得较完整的冠状动脉,并有效地减少在分割冠状动脉时过分割或欠分割现象的发生。
Description
技术领域
本发明涉及一种自动分割冠状动脉的方法,属于医学图像处理技术领域。
背景技术
在使用MSCT(Multi-sliceComputed Tomography)冠状动脉造影对冠心病进行筛查的过程中,如何从大量的三维断层体数据中提取和识别出冠状动脉是心血管疾病诊断的关键步骤,是后续三维重建、定量分析等诊断操作的先决条件。但是,由于受到CT造影图像的复杂性及强随机性等客观因素的影响,在医学影像后处理中,心脏冠状动脉的分割一直是一个难点,其主要原因是:1)冠状动脉结构复杂,有很多分支的细小血管;2)冠状动脉灰度不均匀,跟周围组织的对比度低,血管末梢部分的边界较模糊;3)冠状动脉中会含有各种复杂病变;4)心脏的运动伪影会影响冠状动脉的成像。
目前,许多国内外学者都对基于CT图像的血管分割开展研究,方法亦是多种多样,如基于模式识别技术分割血管的方法、基于使用明显的血管模型分割血管的方法、基于追踪的方法分割血管、基于人工智能的方法分割血管。
在CT影像诊断冠心病的临床实际应用中,如何快速、准确地自动提取冠状动脉是提高临床诊断效率的关键,目前,人们对冠状动脉的分割方法仍然存在如下问题:(1)过分割:分割冠状动脉时,获得的冠状动脉和其它心脏组织粘连,产生过分割现象;(2)欠分割:分割冠状动脉时,获得的冠状动脉不完整,例如:冠状动脉分支或者远端细小血管没有被完全分割。
在实际临床应用中,为了弥补过分割、欠分割的缺陷,通常需要进行交互操作,即医生需要反复地选取不同分支上的冠状动脉点,反馈给计算机图像处理***进行分割,且医生需要反复地对分割的结果进行交互式编辑和修改,极大影响了诊断效率。
发明内容
鉴于上述原因,本发明的目的是提供一种自动分割冠状动脉的方法。该方法可帮助临床工作者快速准确地自动分割出冠状动脉结构,减少交互次数,从而极大地提高冠状动脉诊断效率。
为实现上述目的,本发明采用以下技术方案:一种自动分割冠状动脉的方法,它包括如下步骤:S1:划分冠状动脉区域;S2:在冠状动脉区域,通过Hessian矩阵变换获取区域种子点;S3:对获得的每个种子点进行局部区域自适应生长;S4:根据自适应分数保留构成冠状动脉血管的种子点;S5:迭代生长,更新种子点,重复执行步骤S3和S4,保留构成冠状动脉的所有种子点;S6:保留与升主动脉相连的连通域,去掉非连通域,分割出完整的冠状动脉。
进一步地,所述步骤S2中的种子点选取方法为:计算所述步骤S1划分的冠状动脉区域内每个像素点的管状结构相似性值;沿人体的Z方向将冠状动脉区域分成若干段,每段中选取前50个较大管状结构相似性值的、且CT值大于150Hu的像素点作为种子点,构成种子点集合R。
进一步地,所述步骤S3对每一个种子点进行局部区域自适应生长的方法为:
S3.1:获得一个新的种子点,对该种子点及其26邻域进行平均值和方差计算,获得其管状结构相似性均值M1、方差S1和CT均值M2、方差S2,然后计算其管状结构相似性阈值T1和CT阈值T2;
S3.2:根据阈值T1和T2进行3次区域生长,完成该种子点的局部区域自适应生长
S3.2.1:以当前种子点及其26邻域为新的种子点集合R1;
S3.2.2:对种子点集合R1中的每个点进行26邻域区域生长,生长的条件是当前生长点的管状结构相似性值V大于T1并且CT值大于T2,如果满足生长条件则放入生长集合R1中,否则丢弃,直到集合R1中所有的种子点生长完毕;
S3.2.3:重复执行S3.2.2过程3次,完成当前种子点集合R1内所有点的自适应生长;
遍历种子点集合R,更新种子点,重复执行步骤S3.1~S3.2将种子点集合R中的每一个种子点都完成局部区域自适应生长。
进一步地,所述步骤S4根据自适应分数保留构成冠状动脉血管的种子点的方法为:
S4.1:建立血管模型;
S4.2:建立血管与背景的模型;
S4.3:计算种子点的自适应分数S;
其中,k是血管的对比度;r是血管的半径;d2是在半径范围内,所有的点投影到当前点Hessian矩阵方向的距离d的平方;x0是血管上的任意一点,x是以x0为中心,半径r范围内的一点,是Hessian矩阵计算当前x0处的特征向量,||x-x0||是x和x0之间的距离,是向量(x-x0)在单位向量/>上的投影;/>和/>是单位向量与/>属于正交关系;通常γ=8;
S4.4:保留自适应分数大于等于一定阈值的种子点作为构成冠状动脉血管的点。
附图说明
图1是本发明自动分割冠状动脉的方法流程图;
图2是包含左、右冠状动脉的区域;
图3是血管模型和高斯模型对比示意图;
图4是两点之间的距离示意图;
图5是本发明分割的冠状动脉结果图。
具体实施方式
下面结合附图和实施例对本发明的结构及特征进行详细说明。需要说明的是,可以对此处公开的实施例做出各种修改,因此,说明书中公开的实施例不应该视为对本发明的限制,而仅是作为实施例的范例,其目的是使本发明的特征显而易见。
如图1所示,本发明分割冠状动脉的方法包括如下步骤:
S1、划分冠状动脉区域
为减少后续数据处理量以及其它组织的干扰,根据心脏、升主动脉和冠状动脉的生理结构特征(例如位置、形状、大小等),确定包含右冠状动脉(Volume of Interest)VOI1和左冠状动脉VOI2的区域(如图2所示)。
从人体的各器官位置分布可知,包含右冠状动脉VOI1和左冠状动脉VOI2的冠状动脉区域应在心脏区域内,升主动脉区域外,小于整个心脏区域。在划分冠状动脉区域时,包含大部分左右冠状动脉区域即可,这样可以显著的提高运算效率,避免其它非冠状动脉组织的干扰。
冠状动脉所在区域的获取方法可以有很多种,例如获取升主动脉的中心点,以中心点为中心,在心脏的区域范围内,分为左右两个区域,即为冠状动脉大致区域。
S2、在冠状动脉区域,通过Hessian矩阵变换获取区域种子点;
S2.1:在划分的冠状动脉区域内(即VOI1和VOI2区域内),对每个像素点进行Hessian矩阵变换,获得其3个特征值λ1、λ2和λ3,其中,λ1约等于0,λ2和λ3幅值较大且同号,符号由血管的亮度值决定,亮血管为负,暗血管为正。在冠脉血管造影图像中,血管为亮。利用获取到的特征值计算区域内每个像素点的管状结构相似性值V,
其中,λ1、λ2和λ3为Hessian矩阵的特征值,并且|λ1|≥|λ2|≥|λ3|;参数 描述的是线状、盘状和斑状结构等不同形态之间的特征差异;参数α、β、c分别调节RA、RB、S三者之间的权值,一般α、β设置为0.5,c的大小取决于图像的尺度范围,一般取Hessian矩阵最大范数的一半。
S2.2:沿人体的Z方向对VOI1和VOI2区域分成若干段(例如可以每隔3mm~5mm分成一段),对每段获取的每个像素点的管状结构相似性值V进行降序排序,选取前50个较大管状结构相似性值的、且CT值大于150Hu的像素点作为种子点,构成种子点集合R。
S3、对获得的种子点进行局部区域自适应生长;
对获得的VOI1和VOI2区域内的种子点集合R进行遍历,对集合R中的每一个种子点进行局部区域自适应生长,方法如下:
S3.1:获得一个新的种子点,对该种子点及其26邻域进行平均值和方差计算,获得其管状结构相似性均值M1、方差S1和CT均值M2、方差S2,然后计算其管状结构相似性阈值T1和CT阈值T2;
S3.2:根据阈值T1和T2进行3次区域生长,即完成该局部区域自适应生长
S3.2.1:以当前种子点及其26邻域为新的种子点集合R1;
S3.2.2:对种子点集合R1中的每个点进行26邻域区域生长,生长的条件是当前生长点的管状结构相似性值V大于T1并且CT值大于T2,如果满足生长条件则放入生长集合R1中,否则丢弃,直到集合R1中所有的种子点生长完毕;
S3.2.3:重复执行S3.2.2过程3次,完成当前种子点集合R1内所有点的自适应生长;
S4:根据自适应分数保留构成冠状动脉血管的种子点;
在步骤S3中完成自适应生长的种子点可能有冠状动脉区域内的种子点,也可能有其它组织内的种子点,因此需要对冠状动脉区域内的种子点进行筛选,把符合冠状动脉血管结构特点的种子点保留,筛掉其它种子点,具体方法如下:
S4.1:建立血管模型
如图3所示,通常冠状动脉血管模型(图中的实线)符合高斯模型(图中虚线),但是在实际中,因血管有一定的半径,血管模型为:
其中,通常γ=8;r是血管的半径;d2是在半径范围内,所有的点投影到当前点Hessian矩阵方向的距离d的平方。如图4所示,其中,x0是血管上的任意一点,x是以x0为中心,半径r范围内的任意一点,是Hessian矩阵计算当前x0处的特征向量,||x-x0||是x和x0之间的距离,/>是向量(x-x0)在单位向量/>上的投影。
则,血管模型可以表示为:
S4.2:建立血管与背景的模型
考虑到血管背景跟血管相比,CT图像比较暗,并且存在噪声,因此带有血管的背景图像块的模型为:
其中:k是血管的对比度;m是图像背景的对比度;ε(x)是噪声,一般取值为0.001。
S4.3:计算种子点自适应分数
为了找到最佳的图像和血管的对比度,采用非线性最小二乘方程求解如下公式:
S是血管上某一点的自适应分数,半径r是根据当前区域段的半径大小估算的,因此每次生长完一个区域段都会重新计算当前区域段的半径,以便更准确地获得当前区域段每个点的分数。
S4.4:保留自适应分数大于等于一定阈值(例如阈值取值为3)的种子点作为构成冠状动脉血管的点。
S5:迭代生长,更新种子点,重复执行步骤S3和S4,保留构成冠状动脉的所有种子点
每个局部区域段计算完毕后,更新种子点,形成作为下一个局部区域段的种子点集合R1;并且计算更新后的种子点的管状结构相似性阈值T1和CT阈值T2,更新局部区域段的阈值T1和T2,以及血管半径r,不断重复步骤S3和步骤S4的过程,直到没有可生长的局部区域段。
当所有局部区域段生长完毕后,判断管状结构相似性值获得的种子点集合R中的种子点是否已经被生长,如果没有被生长,重复步骤S3和步骤S4的过程,直到所有种子点都生长完毕。
S6:保留连通域,去掉非连通域,分割出完整的冠状动脉
由于左、右冠状动脉是与升主动脉相连接的,因此当区域生长完毕后,保留与升主动脉相连的连通域,去掉非连通域,则冠脉分割完毕,如图5所示。
本发明根据CT冠状动脉的血管结构特征,采用冠状动脉与背景之间的局部差异性模型,通过在血管区域生长的过程中,计算模型自适应分数来筛选血管,从而实现冠状动脉的完整分割。本发明可以快速地获得较完整的冠状动脉,并有效地减少在分割冠状动脉时过分割或欠分割现象的发生。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.一种自动分割冠状动脉的方法,它包括如下步骤:
S1:划分冠状动脉区域;
S2:在冠状动脉区域,通过Hessian矩阵变换获取区域种子点;
计算所述步骤S1划分的冠状动脉区域内每个像素点的管状结构相似性值;沿人体的Z方向将冠状动脉区域分成若干段,每段中选取前50个较大管状结构相似性值的、且CT值大于150Hu的像素点作为种子点,构成种子点集合R;
S3:对获得的每个种子点进行局部区域自适应生长;
S3.1:获得一个新的种子点,对该种子点及其26邻域进行平均值和方差计算,获得其管状结构相似性均值M1、方差S1和CT均值M2、方差S2,然后计算其管状结构相似性阈值T1和CT阈值T2;
S3.2:根据阈值T1和T2进行3次区域生长,完成该种子点的局部区域自适应生长;
S3.2.1:以当前种子点及其26邻域为新的种子点集合R1;
S3.2.2:对种子点集合R1中的每个点进行26邻域区域生长,生长的条件是当前生长点的管状结构相似性值V大于T1并且CT值大于T2,如果满足生长条件则放入生长集合R1中,否则丢弃,直到集合R1中所有的种子点生长完毕;
S3.2.3:重复执行S3.2.2过程3次,完成当前种子点集合R1内所有点的自适应生长;
遍历种子点集合R,更新种子点,重复执行步骤S3.1~S3.2将种子点集合R中的每一个种子点都完成局部区域自适应生长;
S4:根据自适应分数保留构成冠状动脉血管的种子点;
S5:迭代生长,更新种子点,重复执行步骤S3和S4,保留构成冠状动脉的所有种子点;
S6:保留与升主动脉相连的连通域,去掉非连通域,分割出完整的冠状动脉。
2.根据权利要求1所述的自动分割冠状动脉的方法,其特征在于:所述步骤S4根据自适应分数保留构成冠状动脉血管的种子点的方法为:
S4.1:建立血管模型;
S4.2:建立血管与背景的模型;
S4.3:计算种子点的自适应分数S;
考虑到血管背景跟血管相比,CT图像比较暗,并且存在噪声,因此带有血管的背景图像块的模型为:
其中,k是血管的对比度;r是血管的半径;d2是在半径范围内,所有的点投影到当前点Hessian矩阵方向的距离d的平方;x0是血管上的任意一点,x是以x0为中心,半径r范围内的任意一点,是Hessian矩阵计算当前x0处的特征向量,||x-x0||是x和x0之间的距离,是向量(x-x0)在单位向量/>上的投影;/>和/>是单位向量与/>属于正交关系;γ=8;m是图像背景的对比度;ε(x)是噪声,取值为0.001;
S4.4:保留自适应分数大于等于一定阈值的种子点作为构成冠状动脉血管的点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249107.9A CN111047607B (zh) | 2019-12-09 | 2019-12-09 | 一种自动分割冠状动脉的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249107.9A CN111047607B (zh) | 2019-12-09 | 2019-12-09 | 一种自动分割冠状动脉的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047607A CN111047607A (zh) | 2020-04-21 |
CN111047607B true CN111047607B (zh) | 2023-07-11 |
Family
ID=70235133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911249107.9A Active CN111047607B (zh) | 2019-12-09 | 2019-12-09 | 一种自动分割冠状动脉的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047607B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462020B (zh) * | 2020-04-24 | 2023-11-14 | 上海联影医疗科技股份有限公司 | 心脏图像的运动伪影校正方法、***、存储介质和设备 |
CN112308846B (zh) * | 2020-11-04 | 2021-07-13 | 赛诺威盛科技(北京)股份有限公司 | 血管分割方法、装置及电子设备 |
CN112669370B (zh) * | 2021-03-16 | 2021-06-01 | 杭州晟视科技有限公司 | 一种冠状动脉的半径计算方法、终端及存储介质 |
CN113838036B (zh) * | 2021-09-28 | 2023-10-13 | 东北大学 | 一种基于局部聚类和滤波的冠脉分割方法 |
CN114155193B (zh) * | 2021-10-27 | 2022-07-26 | 北京医准智能科技有限公司 | 一种基于特征强化的血管分割方法及装置 |
CN117974692B (zh) * | 2024-03-29 | 2024-06-07 | 贵州毅丹恒瑞医药科技有限公司 | 一种基于区域生长的眼科医学影像处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6754376B1 (en) * | 2000-11-22 | 2004-06-22 | General Electric Company | Method for automatic segmentation of medical images |
CN105118056A (zh) * | 2015-08-13 | 2015-12-02 | 重庆大学 | 基于三维形态学的冠脉血管自动提取方法 |
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
CN110458847A (zh) * | 2019-07-05 | 2019-11-15 | 心医国际数字医疗***(大连)有限公司 | 基于cta影像的自动冠脉分割及中心线提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7711165B2 (en) * | 2005-07-28 | 2010-05-04 | Siemens Medical Solutions Usa, Inc. | System and method for coronary artery segmentation of cardiac CT volumes |
-
2019
- 2019-12-09 CN CN201911249107.9A patent/CN111047607B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6754376B1 (en) * | 2000-11-22 | 2004-06-22 | General Electric Company | Method for automatic segmentation of medical images |
CN105118056A (zh) * | 2015-08-13 | 2015-12-02 | 重庆大学 | 基于三维形态学的冠脉血管自动提取方法 |
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
CN110458847A (zh) * | 2019-07-05 | 2019-11-15 | 心医国际数字医疗***(大连)有限公司 | 基于cta影像的自动冠脉分割及中心线提取方法 |
Non-Patent Citations (2)
Title |
---|
张朝霞 ; 郁道银 ; 李宏霄 ; 陈晓冬 ; 贾忠伟 ; 浦奎 ; 王星 ; .基于LVE和ARG算法的冠状动脉分割.光电子.激光.2010,(第12期),第1-5页. * |
於猛 ; 刘向荣 ; 黄晓阳 ; 陈迎潮 ; .改进区域生长法及其在冠状动脉造影图中的应用.厦门大学学报(自然科学版).2013,(第01期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111047607A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047607B (zh) | 一种自动分割冠状动脉的方法 | |
CN111951277B (zh) | 一种基于cta图像的冠状动脉分割方法 | |
CN107563983B (zh) | 图像处理方法以及医学成像设备 | |
Cousty et al. | Segmentation of 4D cardiac MRI: Automated method based on spatio-temporal watershed cuts | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
CN108765385B (zh) | 一种双源ct冠状动脉自动提取方法 | |
CN115661467B (zh) | 脑血管图像分割方法、装置、电子设备及存储介质 | |
CN110648338B (zh) | 图像分割方法、可读存储介质及图像处理装置 | |
CN109801277B (zh) | 一种图像处理方法及装置、存储介质 | |
Chen et al. | Coronary artery segmentation in cardiac CT angiography using 3D multi-channel U-net | |
Kumar et al. | Image processing in diabetic related causes | |
CN113436203A (zh) | 一种心室膜自动分割方法 | |
CN109410181B (zh) | 一种心脏图像分割方法及装置 | |
Lidayová et al. | Fast vascular skeleton extraction algorithm | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
Dabass et al. | Effectiveness of region growing based segmentation technique for various medical images-a study | |
Bock et al. | Robust vessel segmentation | |
Larralde et al. | Evaluation of a 3D segmentation software for the coronary characterization in multi-slice computed tomography | |
Ma et al. | A novel automatic coronary artery segmentation method based on region growing with annular and spherical sector partition | |
Hoori et al. | Automatic Deep Learning Segmentation and Quantification of Epicardial Adipose Tissue in Non-Contrast Cardiac CT scans | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
CN111093506A (zh) | 运动补偿心脏瓣膜重建 | |
CN110378868B (zh) | 基于ct序列的心包分割方法及从心包序列中心层切片粗略定位心包区域的方法 | |
Anwar et al. | Segmentation of liver tumor for computer aided diagnosis | |
CN109978781A (zh) | 一种基于极值区域检测的血管内超声图像分割方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100176 1st floor, building 8, 11 Kangding street, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Sinovision Technology (Beijing) Co.,Ltd. Address before: 100176 1st floor, building 8, 11 Kangding street, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant before: SAINUO WEISHENG TECHNOLOGY (BEIJING) Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |