CN111047612A - 一种冠状动脉ct血管造影图像分割方法 - Google Patents
一种冠状动脉ct血管造影图像分割方法 Download PDFInfo
- Publication number
- CN111047612A CN111047612A CN201911355636.7A CN201911355636A CN111047612A CN 111047612 A CN111047612 A CN 111047612A CN 201911355636 A CN201911355636 A CN 201911355636A CN 111047612 A CN111047612 A CN 111047612A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- noise
- image
- contour
- generated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010968 computed tomography angiography Methods 0.000 title claims abstract description 19
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 17
- 238000003709 image segmentation Methods 0.000 title claims abstract description 15
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 50
- 238000002583 angiography Methods 0.000 claims abstract description 10
- 239000002872 contrast media Substances 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 2
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000002586 coronary angiography Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
- G06T2207/10121—Fluoroscopy
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开的属血管造影技术领域，具体为一种冠状动脉CT血管造影图像分割方法，该方法如下：步骤一：将造影剂注入到被标记的冠状动脉位置后，通过X光进行射线识别；步骤二：建立血管几何模型；步骤三：获取初步血管图像；步骤四：将步骤一和步骤二产生的血管轮廓进行图像噪声重叠；步骤五：对组合产生的血管轮廓进行显影刷新，通过不同的方法对冠状动脉的二维图进行初步的计算提取，再通过图像噪声重叠得出锐化处理后的血管轮廓，再按照同样的方法得出三维图像下的血管轮廓，该种图像分割方法有效的减少了模糊噪点，且减少了现有技术中的弊端，方便进行图像查看，减少误诊的情况发生。
Description
技术领域
本发明涉及血管造影技术领域，具体为一种冠状动脉CT血管造影图像分割方法。
背景技术
血管造影是一种辅助检查技术，在当代技术发达时期，血管造影技术普遍用于临床各种疾病的诊断与治疗当中，有助于医生及时发现病情，控制病情进展，有效地提高了患者的生存率。血管造影是一种介入检测方法，显影剂被注入血管里，因为X光无法穿透显影剂，血管造影可以准确地反映血管病变的部位和程度。
在通过血管造影技术来对冠状动脉进行显影时，产生的图像会有明显的模糊现象，不方便医护人员对冠状动脉的具体情况进行查看，容易影响对该位置具体的情况判断，严重时可能造成误诊的情况发生。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有冠状动脉血管造影中存在的问题，提出了本发明。
因此，本发明的目的是提供一种冠状动脉CT血管造影图像分割方法，能够对通过血管造影产生的图像进行优化分割，减少模糊，提高图像的清晰度，方便通过图像进行病情诊断。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种冠状动脉CT血管造影图像分割方法，该方法如下：
步骤一：将造影剂注入到被标记的冠状动脉位置后，通过X光进行射线识别，对目标进行提取，获取血管轮廓；
步骤二：建立血管几何模型，区别所有可能影响血管的不期望模式，再通过形态学操作提取亮的线性目标，再通过曲率微分和拉普拉斯滤波提取血管形态；
步骤三：获取初步血管图像，对血管的中线进提取，再利用中为标记并利用分水岭算法得到血管的边界，然后进血管三维结构重建；
步骤四：将步骤一和步骤二产生的血管轮廓进行图像噪声重叠，产生的重叠噪声保存，单向噪声由重叠噪声组合计算连线，并代入到步骤三中三维结构中，得出模糊状态下的血管轮廓；
步骤五：对组合产生的血管轮廓进行显影刷新，再进行边界提取，即可得到分割后的血管造影图像。
作为本发明所述的一种冠状动脉CT血管造影图像分割方法的一种优选方案，其中：所述步骤一中在进行射线识别之前需要对不同方向和大小的血管设计不同的滤波器，滤波器为线性滤波器，图像的提取方法为图像卷积法，血管的轮廓获取还需要与阀值化与连通组成分析相互配合取得。
作为本发明所述的一种冠状动脉CT血管造影图像分割方法的一种优选方案，其中：所述步骤二中算法的性能来源于形态学和微分操作的组合。
作为本发明所述的一种冠状动脉CT血管造影图像分割方法的一种优选方案，其中：所述步骤三中血管中线的获取方法为环形模版跟踪，所述步骤三中血管边界为形态学边界。
作为本发明所述的一种冠状动脉CT血管造影图像分割方法的一种优选方案，其中：所述步骤四中图像噪声重叠的具体方法如下：
步骤一：根据重叠产生的噪声，相同点产生的造成标记为准噪声，不同点产生的噪声标记为辅助噪声；
步骤二：根据辅助噪声的相近位置，进行虚线标注，再将准噪声点之间进行实线连接；
步骤三：根据实线连接的准噪声点，选择辅助噪声产生点的最佳连接点，再将实线与最佳连接点产生的虚线连接，并进行交叉点虚化，得到边界区域；
步骤四：按照此方法将得到的边界区域代入到三维结构中，得到模糊血管轮廓。
作为本发明所述的一种冠状动脉CT血管造影图像分割方法的一种优选方案，其中：所述步骤五中显影刷新具体为对模糊的血管轮廓进行边界区域锐化处理，再对锐化处理产生的轮廓进行数据位置更改，产生多组锐化数据，将多组锐化数据对比得到平均数据，即为提取前的血管轮廓图。
与现有技术相比：在通过血管造影技术来对冠状动脉进行显影时，产生的图像会有明显的模糊现象，不方便医护人员对冠状动脉的具体情况进行查看，容易影响对该位置具体的情况判断，严重时可能造成误诊的情况发生，本申请文件中，通过不同的方法对冠状动脉的二维图进行初步的计算提取，再通过图像噪声重叠得出锐化处理后的血管轮廓，再按照同样的方法得出三维图像下的血管轮廓，该种图像分割方法有效的减少了模糊噪点，且减少了现有技术中的弊端，方便进行图像查看，减少误诊的情况发生。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一种冠状动脉CT血管造影图像分割方法的流程结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种冠状动脉CT血管造影图像分割方法，请参阅图1，该方法如下：
步骤一：将造影剂注入到被标记的冠状动脉位置后，通过X光进行射线识别，对目标进行提取，获取血管轮廓，如果将图像视为图像定义域到灰度范围
的函数，边界在感知上为函数出现明显变化，即梯度较大的地方，因此，一个简单的边缘检测可以定义为：
其中，
表示图像域，/为Λ上的图像，r是图像上的点，p为合适的阈值。
步骤二：建立血管几何模型，区别所有可能影响血管的不期望模式，再通过形态学操作提取亮的线性目标，再通过曲率微分和拉普拉斯滤波提取血管形态；
步骤三：获取初步血管图像，对血管的中线进提取，再利用中为标记并利用分水岭算法得到血管的边界，然后进血管三维结构重建；
步骤四：将步骤一和步骤二产生的血管轮廓进行图像噪声重叠，产生的重叠噪声保存，单向噪声由重叠噪声组合计算连线，并代入到步骤三中三维结构中，得出模糊状态下的血管轮廓，为了减少噪声干扰，可以对图像应用高斯滤波，如下：
步骤五：对组合产生的血管轮廓进行显影刷新，再进行边界提取，即可得到分割后的血管造影图像，显影是在印刷、影印、复印、晒图等行业中，让影像显现的一个过程。显影包括正显影和反转显影。正显影中显影色粉所带电荷的极性，与感光鼓表面静电潜像的电荷极性是相反的，反转显影中感光鼓与色粉电荷极性是相同的，将显影操作应用在造影图像分割中，可以产生的造影图像进行刷新，将多张图像进行快速刷新后，即可得到多个图像的相似边界，边界提取即边缘提取，边缘提取，指数字图像处理中，对于图片轮廓的一个处理。对于边界处，灰度值变化比较剧烈的地方，就定义为边缘。也就是拐点，拐点是指函数发生凹凸性变化的点。二阶导数为零的地方。并不是一阶导数，因为一阶导数为零，表示是极值点。
边缘提取：边缘检测的基本思想首先是利用边缘增强算子，突出图像中的局部边缘，然后定义象素的“边缘强度”，通过设置阈值的方法提取边缘点集。由于噪声和模糊的存在，监测到的边界可能会变宽或在某点处发生间断。因此，边界检测包括两个基本内容：(1)用边缘算子提取出反映灰度变化的边缘点集。(2)在边缘点集合中剔除某些边界点或填补边界间断点，并将这些边缘连接成完整的线。
边缘定义：图像灰度变化率最大的地方(图像灰度值变化最剧烈的地方)。图像灰度在表面法向变化的不连续造成的边缘。一般认为边缘提取是要保留图像的灰度变化剧烈的区域，这从数学上看，最直观的方法就是微分(对于数字图像来说就是差分)，在信号处理的角度来看，也可以说是用高通滤波器，即保留高频信号。
请再次参阅图1，所述步骤一中在进行射线识别之前需要对不同方向和大小的血管设计不同的滤波器，滤波器为线性滤波器，图像的提取方法为图像卷积法，血管的轮廓获取还需要与阀值化与连通组成分析相互配合取得，具体的，在图像处理中，卷积操作指的是使用一个卷积核对图像中的每个像素进行一系列操作。
卷积核(算子)是用来做图像处理时的矩阵,图像处理时也称为掩膜，是与原图像做运算的参数。卷积核通常是一个四方形的网格结构(例如3*3的矩阵或像素区域)，该区域上每个方格都有一个权重值。
使用卷积进行计算时，需要将卷积核的中心放置在要计算的像素上，一次计算核中每个元素和其覆盖的图像像素值的乘积并求和，得到的结构就是该位置的新像素值，通过该方法进行图像的边缘检测并提取。
请再次参阅图1，所述步骤二中算法的性能来源于形态学和微分操作的组合，具体的，形态学是一门建立在格论和拓扑学基础之上的图像分析学科，是数学形态学图像处理的基本理论。其基本的运算包括：腐蚀和膨胀、开运算和闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、Top-hat变换、颗粒分析、流域变换等，微分操作即D控制，是指以微分为控制规律的控制过程和方法。基本控制规律有比例P、微分D、积分I三种。
PID控制是工业生产中最常用的控制方式，即比例-积分-微分控制，PID控制器通过对输入进行一定的比例、积分、微分运算，输出控制量达到一定的控制要求。
PID控制的基本传递函数表示为：
请再次参阅图1，所述步骤三中血管中线的获取方法为环形模版跟踪，所述步骤三中血管边界为形态学边界。
请再次参阅图1，所述步骤四中图像噪声重叠的具体方法如下：
步骤一：根据重叠产生的噪声，相同点产生的造成标记为准噪声，不同点产生的噪声标记为辅助噪声；
步骤二：根据辅助噪声的相近位置，进行虚线标注，再将准噪声点之间进行实线连接；
步骤三：根据实线连接的准噪声点，选择辅助噪声产生点的最佳连接点，再将实线与最佳连接点产生的虚线连接，并进行交叉点虚化，得到边界区域；
步骤四：按照此方法将得到的边界区域代入到三维结构中，得到模糊血管轮廓。
请再次参阅图1，所述步骤五中显影刷新具体为对模糊的血管轮廓进行边界区域锐化处理，再对锐化处理产生的轮廓进行数据位置更改，产生多组锐化数据，将多组锐化数据对比得到平均数据，即为提取前的血管轮廓图。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。
Claims (6)
1.一种冠状动脉CT血管造影图像分割方法，其特征在于：该方法如下：
步骤一：将造影剂注入到被标记的冠状动脉位置后，通过X光进行射线识别，对目标进行提取，获取血管轮廓；
步骤二：建立血管几何模型，区别所有可能影响血管的不期望模式，再通过形态学操作提取亮的线性目标，再通过曲率微分和拉普拉斯滤波提取血管形态；
步骤三：利用分水岭算法得到血管的边界，然后进血管三维结构重建；
步骤四：将步骤一和步骤二产生的血管轮廓进行图像噪声重叠，产生的重叠噪声保存，单向噪声由重叠噪声组合计算连线，并代入到步骤三中三维结构中，得出模糊状态下的血管轮廓；
步骤五：对组合产生的血管轮廓进行显影刷新，再进行边界提取，即可得到分割后的血管造影图像。
2.根据权利要求1所述的一种冠状动脉CT血管造影图像分割方法，其特征在于：所述步骤一中在进行射线识别之前需要对不同方向和大小的血管设计不同的滤波器，滤波器为线性滤波器，图像的提取方法为图像卷积法，血管的轮廓获取还需要与阀值化与连通组成分析相互配合取得。
3.根据权利要求1所述的一种冠状动脉CT血管造影图像分割方法，其特征在于：所述步骤二中算法的性能来源于形态学和微分操作的组合。
4.根据权利要求1所述的一种冠状动脉CT血管造影图像分割方法，其特征在于：所述步骤三中血管中线的获取方法为环形模版跟踪，所述步骤三中血管边界为形态学边界。
5.根据权利要求1所述的一种冠状动脉CT血管造影图像分割方法，其特征在于：所述步骤四中图像噪声重叠的具体方法如下：
步骤一：根据重叠产生的噪声，相同点产生的造成标记为准噪声，不同点产生的噪声标记为辅助噪声；
步骤二：根据辅助噪声的相近位置，进行虚线标注，再将准噪声点之间进行实线连接；
步骤三：根据实线连接的准噪声点，选择辅助噪声产生点的最佳连接点，再将实线与最佳连接点产生的虚线连接，并进行交叉点虚化，得到边界区域；
步骤四：按照此方法将得到的边界区域代入到三维结构中，得到模糊血管轮廓。
6.根据权利要求1所述的一种冠状动脉CT血管造影图像分割方法，其特征在于：所述步骤五中显影刷新具体为对模糊的血管轮廓进行边界区域锐化处理，再对锐化处理产生的轮廓进行数据位置更改，产生多组锐化数据，将多组锐化数据对比得到平均数据，即为提取前的血管轮廓图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911355636.7A CN111047612B (zh) | 2019-12-25 | 2019-12-25 | 一种冠状动脉ct血管造影图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911355636.7A CN111047612B (zh) | 2019-12-25 | 2019-12-25 | 一种冠状动脉ct血管造影图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111047612A true CN111047612A (zh) | 2020-04-21 |
| CN111047612B CN111047612B (zh) | 2023-02-24 |
Family
ID=70239450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911355636.7A Active CN111047612B (zh) | 2019-12-25 | 2019-12-25 | 一种冠状动脉ct血管造影图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111047612B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6842638B1 (en) * | 2001-11-13 | 2005-01-11 | Koninklijke Philips Electronics N.V. | Angiography method and apparatus |
| US20110182492A1 (en) * | 2008-10-10 | 2011-07-28 | Koninklijke Philips Electronics N.V. | Angiographic image acquisition system and method with automatic shutter adaptation for yielding a reduced field of view covering a segmented target structure or lesion for decreasing x-radiation dose in minimally invasive x-ray-guided interventions |
| CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
| CN107392994A (zh) * | 2017-06-30 | 2017-11-24 | 深圳大学 | 冠脉血管的三维重建方法、装置、设备及存储介质 |
| CN107527341A (zh) * | 2017-08-30 | 2017-12-29 | 上海联影医疗科技有限公司 | 血管造影图像的处理方法和*** |
| CN110448319A (zh) * | 2018-05-08 | 2019-11-15 | 博动医学影像科技（上海）有限公司 | 基于造影影像及冠状动脉的血流速度计算方法 |
| CN110490040A (zh) * | 2019-05-30 | 2019-11-22 | 浙江理工大学 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
-
2019
- 2019-12-25 CN CN201911355636.7A patent/CN111047612B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6842638B1 (en) * | 2001-11-13 | 2005-01-11 | Koninklijke Philips Electronics N.V. | Angiography method and apparatus |
| US20110182492A1 (en) * | 2008-10-10 | 2011-07-28 | Koninklijke Philips Electronics N.V. | Angiographic image acquisition system and method with automatic shutter adaptation for yielding a reduced field of view covering a segmented target structure or lesion for decreasing x-radiation dose in minimally invasive x-ray-guided interventions |
| CN104867147A (zh) * | 2015-05-21 | 2015-08-26 | 北京工业大学 | 基于冠状动脉造影图像分割的syntax自动评分方法 |
| CN107392994A (zh) * | 2017-06-30 | 2017-11-24 | 深圳大学 | 冠脉血管的三维重建方法、装置、设备及存储介质 |
| US20190117198A1 (en) * | 2017-06-30 | 2019-04-25 | Shenzhen University | Three-dimensional reconstruction method, apparatus and device and storage medium for coronary vessels |
| CN107527341A (zh) * | 2017-08-30 | 2017-12-29 | 上海联影医疗科技有限公司 | 血管造影图像的处理方法和*** |
| CN110448319A (zh) * | 2018-05-08 | 2019-11-15 | 博动医学影像科技（上海）有限公司 | 基于造影影像及冠状动脉的血流速度计算方法 |
| CN110490040A (zh) * | 2019-05-30 | 2019-11-22 | 浙江理工大学 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张梦璐等: "基于改进活动窄带模型的冠状动脉CT血管造影图像分割", 《中国医学物理学杂志》 * |
| 郭笑妍等: "形状约束下活动轮廓模型冠脉血管图像多尺度分割", 《中国图象图形学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111047612B (zh) | 2023-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shen et al. | An automated lung segmentation approach using bidirectional chain codes to improve nodule detection accuracy | |
| CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像*** | |
| Lee et al. | Efficient liver segmentation using a level-set method with optimal detection of the initial liver boundary from level-set speed images | |
| Sun et al. | Local morphology fitting active contour for automatic vascular segmentation | |
| Zhao et al. | Saliency driven vasculature segmentation with infinite perimeter active contour model | |
| Rad et al. | Morphological region-based initial contour algorithm for level set methods in image segmentation | |
| Bouraoui et al. | 3D segmentation of coronary arteries based on advanced mathematical morphology techniques | |
| Wan et al. | Automated coronary artery tree segmentation in X-ray angiography using improved Hessian based enhancement and statistical region merging | |
| WO2001078005A2 (en) | System and method for three-dimensional image rendering and analysis | |
| Lassen et al. | Lung and lung lobe segmentation methods at Fraunhofer MEVIS | |
| García et al. | Evaluation of texture for classification of abdominal aortic aneurysm after endovascular repair | |
| CN105167798A (zh) | 一种冠状动脉cta影像中提取血管方法 | |
| Dizdaroğlu et al. | Structure-based level set method for automatic retinal vasculature segmentation | |
| Lim et al. | Segmentation of the liver using the deformable contour method on CT images | |
| Macía et al. | Detection of type ii endoleaks in abdominal aortic aneurysms after endovascular repair | |
| Hameeteman et al. | Carotid wall volume quantification from magnetic resonance images using deformable model fitting and learning-based correction of systematic errors | |
| Zhuang et al. | Local fuzzy fractal dimension and its application in medical image processing | |
| Yang et al. | An automated surface determination approach for computed tomography | |
| Kumar et al. | Edge detection of angiogram images using the classical image processing techniques | |
| Nanayakkara et al. | Automatic breast boundary segmentation of mammograms | |
| CN111047612B (zh) | 一种冠状动脉ct血管造影图像分割方法 | |
| Dasgupta et al. | Morphological geodesic active contour based automatic aorta segmentation in thoracic CT images | |
| Ogiela et al. | Automatic segmentation of the carotid artery bifurcation region with a region-growing approach | |
| Subašić et al. | Model-based quantitative AAA image analysis using a priori knowledge | |
| Franchi et al. | A shape-based segmentation algorithm for X-ray digital subtraction angiography images |
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 |