CN111445473B - 基于血管内超声图像序列多角度重建的血管膜精确分割方法及*** - Google Patents
基于血管内超声图像序列多角度重建的血管膜精确分割方法及*** Download PDFInfo
- Publication number
- CN111445473B CN111445473B CN202010243718.9A CN202010243718A CN111445473B CN 111445473 B CN111445473 B CN 111445473B CN 202010243718 A CN202010243718 A CN 202010243718A CN 111445473 B CN111445473 B CN 111445473B
- Authority
- CN
- China
- Prior art keywords
- intravascular ultrasound
- image
- cross
- segmentation result
- longitudinal axis
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/20068—Projection on vertical or horizontal image axis
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Fuzzy Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种基于血管内超声图像序列多角度重建的血管膜精确分割方法及***,通过对血管内超声横截面图像序列进行重建得到对应的血管内超声纵轴图像,然后采用改进的聚类方法对血管内超声纵轴图像中的血管膜进行初步分割,再根据初步分割结果恢复出横截面图像下的血管膜精确分割结果。本发明能够同时获得血管内超声两种图像模式(即横截面图像模式和纵轴图像模式)的血管膜分割结果,并在一定程度上克服分叉和旁路血管的影响。从横截面视角和纵轴视角综合分析血管状况,并计算定量参数,对血管状况进行更全面的评估,为医生进一步诊断提供参考,具有临床实用价值。
Description
技术领域
本发明涉及的是一种图像处理领域的技术,具体是一种基于血管内超声图像序列多角度重建的血管膜精确分割方法。
背景技术
血管内超声,如图1所示,通过导管技术将超声探头送入血管腔内进行显像,通过血管横截面图像可以观察管腔形态、管壁结构,具有直观、准确等优点,被认为是冠心病诊断的“金标准”,在提高冠状动脉病变的认识和指导介入治疗方面起了非常重要的作用。通过准确分割血管膜(中-外膜和内膜)边界,确定参考管腔和实际管腔,可以计算定量参数(管腔横断面积、管腔面积狭窄等)定量的分析血管状况,判断病变严重程度。
现有的手动分割方法通过手动描绘血管膜(中-外膜和内膜),其效果因人而异且过程耗时,故血管膜自动分割算法值得研究和实现。因为血管内超声直接采集得到的是横截面影像,所以已有的大部分血管膜自动分割算法都直接针对横截面影像进行处理。但是,血管内超声的一个缺陷就是采集的横截面影像仅反映某一横截面的血管状况。直接对横截面影像进行处理,忽略了整个血管内超声影像序列中所包含的血管结构连续性信息。此外,在对横截面影像进行处理时,仅能利用该横截面及临近几个横截面的血管结构信息,因此极易受到血管分叉、伴行旁路血管的影响,降低血管膜分割的准确度。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于血管内超声图像序列多角度重建的血管膜精确分割方法及***,通过引入血管结构连续性,设计了从纵轴模式影像重建出发,对纵轴影像进行血管膜分割后,再恢复横截面影像序列的血管膜分割结果,能够同时获得血管内超声两种图像模式(即横截面图像模式和纵轴图像模式)的血管膜分割结果,从横截面视角和纵轴视角综合分析血管状况,并计算定量参数,对血管状况进行更全面的评估,为医生进一步诊断提供参考,具有临床实用价值。
本发明是通过以下技术方案实现的:
本发明涉及一种基于血管内超声图像序列多角度重建的血管膜精确分割方法,通过对血管内超声横截面图像序列进行重建得到对应的血管内超声纵轴图像,然后采用改进的聚类方法对血管内超声纵轴图像中的血管膜进行初步分割,再根据初步分割结果恢复出横截面图像下的血管膜精确分割结果。
所述的血管内超声横截面图像序列为采集完整的血管内超声横截面图像序列。
所述的重建,通过引入整个横截面影像序列中所包含的血管结构连续性,并通过采样、插值技术,反映到对应的纵轴影像上;具体操作包括:逐帧地对血管内超声横截面图像序列重采样,即通过图像中心的像素点、逐角度、沿直径地采样,再将序列中所有横截面影像同一角度上采样值插值到一起并重建出该角度上对应的纵轴模式影像。
所述的初步分割,通过对重建的血管内超声纵轴图像依次使用模糊聚类得到血管膜粗略分割结果;然后通过形态学滤波器优化得到纵轴血管内超声图像的血管膜初步分割结果作为初始轮廓;再将纵轴影像用于计算外力场,经过若干次迭代的活动轮廓模型优化,得到血管内超声纵轴图像血管膜初步分割结果。
所述的恢复是指:通过重建纵轴影像的逆过程得到横截面影像的血管膜分割结果;再在横截面影像上均匀降采样以减小分叉、伴行旁路血管的干扰;最后将降采样结果圆拟合平滑和活动轮廓模型优化,得到血管内超声横截面图像的血管膜精确分割结果。
本发明涉及一种实现上述方法的***,包括:重建单元、初步分割单元、恢复单元和优化分割单元,其中:重建单元根据完整的血管内超声横截面图像序列经逐帧重采样和插值处理得到对应的血管内超声纵轴图像序列;初步分割单元采用改进的聚类方法对血管内超声纵轴图像进行初步分割并得到分割结果;恢复单元通过逆重建过程从纵轴图像的初步分割结果中提取得到横截面图像下的血管膜初步分割结果;优化分割单元通过降采样、拟合和平滑处理以及活动轮廓模型对横截面图像血管膜初步分割结果进行优化进而得到精确分割结果。
技术效果
本发明整体解决了现有技术横截面影像无法引入血管结构连续性的问题以及纵轴影像中存在干扰的问题。通过重建横截面影像序列得到纵轴影像序列,从而引入血管结构连续性信息,进而在出现血管分叉、伴行旁路血管的干扰时有效弱化血管分叉、伴行旁路血管的影响,实现横截面模式影像和纵轴模式影像及更为有效的血管膜分割结果。
附图说明
图1为血管内超声原理示意图;
图2a为实施例中横截面血管内超声图像,图2b为重建纵轴血管内超声图像结果示例图;
图3a为纵轴影像中伴行旁路血管干扰示例图,图3b为横截面影像中伴行旁路血管干扰及降采样恢复后重建横截面影像血管膜分割结果示例图;
图4为本发明方法流程图;
图中:(a)为横截面血管内超声图像序列,(b)为重建纵轴血管内超声图像,(c)模糊聚类得到血管膜初步分割结果,(d)形态学滤波处理得到血管膜初步分割结果,(e)纵轴血管内超声图像血管膜分割结果,(f)降采样恢复横截面血管内超声图像血管膜分割结果;
图5.1为重建单元示例图,图5.2为恢复单元示例图;
图中:实线为采样(插值)位置,箭头指示采样(插值)方向;
图6为优化分割单元示例图;
图7为公开数据集实施例纵轴血管内超声图像血管膜分割示例图;
图中:虚线代表自动分割结果,实线代表金标准;
图8为公开数据集实施例中横截面血管内超声图像血管膜分割示例图;
图中:虚线代表自动分割结果,实线代表金标准;
图9为自建数据集实施例中纵轴血管内超声图像血管膜;
图中:虚线代表自动分割结果,实线代表金标准;
图10为自建数据集实施例中纵轴血管内超声图像血管膜;
图中:虚线代表自动分割结果,实线代表金标准。
具体实施方式
如图4所示,为本实施例涉及一种基于血管内超声图像序列多角度重建的血管膜精确分割方法,通过对血管内超声横截面图像序列进行重建得到对应的血管内超声纵轴图像,然后采用改进的聚类方法对血管内超声纵轴图像中的血管膜进行初步分割,再根据初步分割结果恢复出横截面图像下的血管膜精确分割结果。
所述的血管内超声横截面图像序列为采集完整的血管内超声横截面图像序列。
所述的重建,通过引入整个横截面影像序列中所包含的血管结构连续性,并通过采样、插值技术,反映到对应的纵轴影像上;具体操作包括:逐帧地对血管内超声横截面图像序列重采样,即通过图像中心的像素点、逐角度、沿直径地采样,再将序列中所有横截面影像同一角度上采样值插值到一起并重建出该角度上对应的纵轴模式影像。
以250帧、大小为384像素×384像素的(横截面)血管内超声图像序列为例进行说明。该图像序列大小为384×384×250,首先将其沿径向(过图像中心即第192行第192列上的像素点,长度为384像素)、逐角度(每1°采样一次,共180次)进行采样,将其转化为极坐标系中的血管内超声图像序列,大小为384×180×250。然后,再将极坐标系中的血管内超声图像序列(如取所有图像的第一列构成0°的纵轴血管内超声图像)逐列地进行插值,得到对应纵轴血管内超声图像序列(大小为384×250×180),如图4所示。
所述的初步分割,通过对重建的血管内超声纵轴图像使用模糊聚类,得到血管膜粗略分割结果;然后通过形态学滤波器优化得到纵轴血管内超声图像的血管膜初步分割结果作为初始轮廓;再将纵轴影像用于计算外力场,经过若干次迭代的活动轮廓模型优化,得到血管内超声纵轴图像血管膜初步分割结果,具体步骤包括:
①对于纵轴血管内超声图像,首先使用模糊聚类,得到粗略的血管膜分割结果,如图4(c)所示。
所述的模糊聚类,即基于划分的聚类算法,使得划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小。其目标函数为:其中:U=[uik]为隶属度矩阵,uik是第k个样本对于第i类的隶属度,dik 2=||xk-vi||2是样本xk与聚类中心(均值)vi的欧氏距离。约束条件为某一个样本对于各个聚类的隶属度之和为1,即:则该聚类问题转化为:
所述的模糊聚类,具体算法步骤为:
i)设定聚类数目c和参数m;
ii)初始化隶属度矩阵U(0),U(0)各列元素之和应为1;
iii)计算新的聚类中心Vj;
iv)计算新的隶属度矩阵U;
v)当满足终止条件||U(k+1)-U(k)||≤e,则停止迭代,否则继续。
②为了减小图4(c)中由于散斑噪声引起的细小干扰,采用直径为9像素的圆形形态学滤波器进行开运算降噪。
由于纵轴血管内超声图像受到的干扰,尤其是来自分叉、旁路血管的干扰,往往是在有限、连续角度内出现,在恢复出(横截面)血管内超声图像的血管膜分割结果时,倘若直接使用全部角度的纵轴血管内超声图像血管膜分割结果来进行恢复得到最终横截面影像血管膜分割结果,势必会产生如图3(b)和图6(a)所示的情况,导致分割失败。为了有效克服这样的情况,本实施例恢复手段为:如图5.2所示,通过重建纵轴影像的逆过程得到横截面影像的血管膜分割结果;如图6所示,再在横截面影像上均匀降采样以减小分叉、旁路血管的干扰;最后将降采样结果圆拟合平滑和活动轮廓模型优化,得到血管内超声横截面图像的血管膜精确分割结果,具体为:在使用全部角度的纵轴血管内超声图像恢复出(横截面)血管内超声图像的血管膜分割结果后,在径向上进行间隔为40°的均匀降采样,再对降采样结果进行圆拟合得到分割结果。为了更好地分割形状不规则的管腔轮廓,在最后引入活动轮廓模型进行优化,得到最终的横截面影像血管膜分割结果。本发明中使用snake模型,迭代次数仅为15次,计算负担非常小。
对本实施例提出的分割方法进行实际血管内超声图像测试。所用数据集包含两部分,第一部分为公开数据集,采集了10位病人共2175帧图像,其中7位病人采集250帧,2位病人采集150帧,1位病人采集125帧,对应血管膜分割的金标准由四位经验丰富的临床医生标注(数据集原有的金标准是由医生每5帧标注一次,共435幅图像含有血管膜标注。余下图像为实施前由志愿者根据已有金标准,在临床医生指导下补充,纵轴影像的金标准是结合原有和补充的金标准生成的),这些图像包含了分叉、旁路血管等典型干扰。所用采集设备为Si5(Volcano公司),配备20MHz Eagle Eye导管。第二部分为上海市复旦大学附属中山医院心内科采集的自建数据集,采集了2位病人共5370帧图像,其中1位病人于不同时期采集共两次,第一次采集3562帧(病人1-1),第二次采集806帧(病人1-2),另一位病人采集1002帧(病人2)。这部分数据仅有对应的中-外膜血管标注,由两位志愿者进行标注并在心内科医生指导下进行多次修改完善。所用采集设备为iLab(Boston Scientific公司),配备40MHzOpticross导管。
基于分割结果和对应金标准计算三个评价指标:霍斯多夫距离(Hausdorffdistance,HD)、杰卡德测度(Jaccard measure index,JM)和面积差异百分比(Percentageof area difference,PAD),来定量评估分割结果与金标准之间的相似程度。
在本实施例中,如图2(b)所示,为基于横截面血管内超声图像序列重建得到的纵轴血管内超声图像图像中的管腔区域清晰可见,能够有效地显示在纵轴方向上的血管状况。如图3和6所示,降采样恢复策略能够有效地减弱分叉和旁路血管带来的干扰。
当采集得到的血管膜超声横截面影像序列过长时,重建得到的纵轴影像尺寸也会增大,从计算耗时的角度考虑,也需要引入一种高效的分割算法。在得到纵轴影像的模糊聚类结果,即血管膜初步分割结果之后,还存在一些如图4(c)所示的细小干扰,需要优化。这些细小干扰面积较小,与外膜结构形成的区域通过面积大小即可有效区分。因此,用合适大小的形态学滤波器进行开运算即可有效去除细小干扰,如图4(d)所示。
如图7、8和9、10所示,为公开数据集和自建数据集的纵轴和横截面血管内超声图像的血管膜分割结果和对应金标准,可以观察到,自动分割结果非常接近于金标准。
从评价指标来看,对于公开数据集,如表1所示,与其他三种已发表的方法相比,中-外膜和内膜分割的评价指标相当或更优。尤其在表2中,对于带有分叉、旁路血管的血管内超声图像,较之其他三种方法,本算法的评价指标均更优。另外,与其他三种方法相比,本算法是同时实现了横截面和纵轴图像的血管膜分割,对于评价整段血管状况而言,较之仅仅实现了横截面图像血管膜分割的其他三种方法,具有较为明显的优势。对于自建数据集,如表3所示,对2位病人的3段长度不一血管内超声图像序列也都实现较为有效的中-外膜分割,说明本方法不易受到序列长度一定程度变化所带来的影响。
从计算耗时来看,如表4所示,较之大部分的其他自动或半自动方法,本算法的计算时间具有优势。
表1.
表2.
表3
表4
综上所述,本实施例基于采集完整的(横截面)血管内超声图像序列,通过图像处理重建得到对应的纵轴血管内超声图像序列。在此基础上,本实施例能够同时实现对纵轴和横截面两种模式的血管内超声图像的血管膜全自动分割,具有较高的自动性、鲁棒性和准确性,尤其对于存在分叉、旁路血管的血管内超声图像,本实施例实现了更优的分割效果。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (6)
1.一种基于血管内超声图像序列多角度重建的血管膜精确分割方法,其特征在于,通过对血管内超声横截面图像序列进行重建得到对应的血管内超声纵轴图像,然后采用改进的聚类方法对血管内超声纵轴图像中的血管膜进行初步分割,再根据初步分割结果恢复出横截面图像下的血管膜精确分割结果;
所述的血管内超声横截面图像序列为采集完整的血管内超声横截面图像序列;
所述的初步分割,通过对重建的血管内超声纵轴图像使用模糊聚类方法,得到血管膜粗略分割结果;然后通过形态学滤波器优化得到纵轴血管内超声图像的血管膜初步分割结果作为初始轮廓;再将纵轴影像用于计算外力场,经过若干次迭代的活动轮廓模型优化,得到血管内超声纵轴图像血管膜初步分割结果,具体步骤包括:
①对于纵轴血管内超声图像,首先使用模糊聚类,得到粗略的血管膜分割结果;
②采用直径为9像素的圆形形态学滤波器进行开运算降噪优化;
所述的模糊聚类,即基于划分的聚类算法,使得划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小,其目标函数为:其中:U=[uik]为隶属度矩阵,uik是第k个样本对于第i类的隶属度,dik 2=||xk-vi||2是样本xk与聚类中心vi的欧氏距离,c是聚类数目,m是参数,约束条件为某一个样本对于各个聚类的隶属度之和为1,即:则该聚类问题转化为:
2.根据权利要求1所述的血管膜精确分割方法,其特征是,所述的重建,通过引入整个横截面影像序列中所包含的血管结构连续性,并通过采样、插值技术,反映到对应的纵轴影像上,具体包括:逐帧地对血管内超声横截面图像序列重采样,即通过图像中心的像素点、逐角度、沿直径地采样,再将序列中所有横截面影像同一角度上采样值插值到一起并重建出该角度上对应的纵轴影像。
3.根据权利要求1所述的血管膜精确分割方法,其特征是,所述的恢复是指:通过重建纵轴影像的逆过程得到横截面影像的血管膜分割结果;再在横截面影像上均匀降采样以减小分叉、旁路血管干扰;最后将降采样结果圆拟合平滑和活动轮廓模型优化,得到血管内超声横截面图像的血管膜精确分割结果。
4.根据权利要求1所述的血管膜精确分割方法,其特征是,所述的模糊聚类,具体算法步骤为:
i)设定聚类数目c和参数m;
ii)初始化隶属度矩阵U(0),U(0)各列元素之和应为1;
iii)计算新的聚类中心Vj;
iv)计算新的隶属度矩阵U;
v)当满足终止条件||U(k+1)-U(k)||≤e,则停止迭代,否则继续。
5.根据权利要求1或3所述的血管膜精确分割方法,其特征是,所述的恢复,具体包括:在使用全部角度的纵轴血管内超声图像恢复出横截面血管内超声图像的血管膜分割结果后,在径向上进行间隔为40°的均匀降采样,再对降采样结果进行圆拟合得到分割结果;最后引入活动轮廓模型进行优化,得到最终的横截面影像血管膜分割结果。
6.一种实现权利要求1-5中任一所述方法的***,包括:重建单元、初步分割单元、恢复单元和优化分割单元,其中:重建单元根据完整的血管内超声横截面图像序列经逐帧重采样处理得到对应的血管内超声纵轴图像,初步分割单元采用改进的聚类方法对血管内超声纵轴图像进行初步分割并得到分割结果;恢复单元通过逆重建过程从纵轴图像的初步分割结果中提取得到横截面图像下的血管膜初步分割结果;优化分割单元通过降采样、拟合和平滑处理以及活动轮廓模型对横截面图像血管膜初步分割结果进行优化进而得到精确分割结果;
所述的初步分割,通过对重建的血管内超声纵轴图像使用模糊聚类方法,得到血管膜粗略分割结果;然后通过形态学滤波器优化得到纵轴血管内超声图像的血管膜初步分割结果作为初始轮廓;再将纵轴影像用于计算外力场,经过若干次迭代的活动轮廓模型优化,得到血管内超声纵轴图像血管膜初步分割结果,具体步骤包括:
①对于纵轴血管内超声图像,首先使用模糊聚类,得到粗略的血管膜分割结果;
②采用直径为9像素的圆形形态学滤波器进行开运算降噪优化;
所述的模糊聚类,即基于划分的聚类算法,使得划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小,其目标函数为:其中:U=[uik]为隶属度矩阵,uik是第k个样本对于第i类的隶属度,dik 2=||xk-vi||2是样本xk与聚类中心vi的欧氏距离,c是聚类数目,m是参数,约束条件为某一个样本对于各个聚类的隶属度之和为1,即:则该聚类问题转化为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010243718.9A CN111445473B (zh) | 2020-03-31 | 2020-03-31 | 基于血管内超声图像序列多角度重建的血管膜精确分割方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010243718.9A CN111445473B (zh) | 2020-03-31 | 2020-03-31 | 基于血管内超声图像序列多角度重建的血管膜精确分割方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445473A CN111445473A (zh) | 2020-07-24 |
CN111445473B true CN111445473B (zh) | 2023-04-28 |
Family
ID=71652595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010243718.9A Active CN111445473B (zh) | 2020-03-31 | 2020-03-31 | 基于血管内超声图像序列多角度重建的血管膜精确分割方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445473B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927212B (zh) * | 2021-03-11 | 2023-10-27 | 上海移视网络科技有限公司 | 基于深度学习的oct心血管斑块自动识别与分析方法 |
CN113902690A (zh) * | 2021-09-24 | 2022-01-07 | 杭州脉流科技有限公司 | 基于血管腔内影像计算血流储备分数的方法、装置、计算设备以及存储介质 |
CN114881948B (zh) * | 2022-04-26 | 2023-05-12 | 青岛埃米博创医疗科技有限公司 | 一种基于蒙特卡洛算法的探索盒子自动生成血管教具方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2449080A1 (en) * | 2003-11-13 | 2005-05-13 | Centre Hospitalier De L'universite De Montreal - Chum | Apparatus and method for intravascular ultrasound image segmentation: a fast-marching method |
CN104376549A (zh) * | 2014-11-20 | 2015-02-25 | 华北电力大学(保定) | 血管内超声与血管内oct图像的融合方法 |
CN108335304A (zh) * | 2018-02-07 | 2018-07-27 | 华侨大学 | 一种腹部ct扫描序列图像的主动脉瘤分割方法 |
CN109166083A (zh) * | 2018-09-03 | 2019-01-08 | 哈尔滨工业大学 | 一种用于去除水下图像气泡噪声的方法 |
CN109345538A (zh) * | 2018-08-30 | 2019-02-15 | 华南理工大学 | 一种基于卷积神经网络的视网膜血管分割方法 |
CN110223271A (zh) * | 2019-04-30 | 2019-09-10 | 深圳市阅影科技有限公司 | 血管图像的自动水平集分割方法及装置 |
CN110889846A (zh) * | 2019-12-03 | 2020-03-17 | 哈尔滨理工大学 | 一种基于fcm的糖尿病视网膜图像视盘分割方法 |
-
2020
- 2020-03-31 CN CN202010243718.9A patent/CN111445473B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2449080A1 (en) * | 2003-11-13 | 2005-05-13 | Centre Hospitalier De L'universite De Montreal - Chum | Apparatus and method for intravascular ultrasound image segmentation: a fast-marching method |
CN104376549A (zh) * | 2014-11-20 | 2015-02-25 | 华北电力大学(保定) | 血管内超声与血管内oct图像的融合方法 |
CN108335304A (zh) * | 2018-02-07 | 2018-07-27 | 华侨大学 | 一种腹部ct扫描序列图像的主动脉瘤分割方法 |
CN109345538A (zh) * | 2018-08-30 | 2019-02-15 | 华南理工大学 | 一种基于卷积神经网络的视网膜血管分割方法 |
CN109166083A (zh) * | 2018-09-03 | 2019-01-08 | 哈尔滨工业大学 | 一种用于去除水下图像气泡噪声的方法 |
CN110223271A (zh) * | 2019-04-30 | 2019-09-10 | 深圳市阅影科技有限公司 | 血管图像的自动水平集分割方法及装置 |
CN110889846A (zh) * | 2019-12-03 | 2020-03-17 | 哈尔滨理工大学 | 一种基于fcm的糖尿病视网膜图像视盘分割方法 |
Non-Patent Citations (2)
Title |
---|
任子晖等.基于Curvelet变换与遗传神经网络的血管分割算法.《计算机应用与软件》.2019,全文. * |
方玉宏等.肾脏结构与功能的光学监测研究进展.《福建师范大学学报》.2018,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111445473A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445473B (zh) | 基于血管内超声图像序列多角度重建的血管膜精确分割方法及*** | |
Pellot et al. | A 3D reconstruction of vascular structures from two X-ray angiograms using an adapted simulated annealing algorithm | |
US7978916B2 (en) | System and method for identifying a vascular border | |
Zhou et al. | The detection and quantification of retinopathy using digital angiograms | |
Schmitt et al. | New methods for the computer-assisted 3-D reconstruction of neurons from confocal image stacks | |
CN110448319B (zh) | 基于造影影像及冠状动脉的血流速度计算方法 | |
Qian et al. | An integrated method for atherosclerotic carotid plaque segmentation in ultrasound image | |
CN113420826B (zh) | 一种肝脏病灶图像处理***及图像处理方法 | |
WO2012126070A1 (en) | Automatic volumetric analysis and 3d registration of cross sectional oct images of a stent in a body vessel | |
CN113470137B (zh) | 基于灰度加权的ivoct图像导丝伪影去除方法 | |
US8934690B2 (en) | Method for processing vascular structure images | |
CN113408647B (zh) | 一种脑小血管结构特征的提取方法 | |
WO2004017823A2 (en) | System and method for identifying a vascular border | |
Maaliw et al. | An enhanced segmentation and deep learning architecture for early diabetic retinopathy detection | |
Hassan et al. | SEADNet: Deep learning driven segmentation and extraction of macular fluids in 3D retinal OCT scans | |
CN113470060B (zh) | 基于ct影像的冠状动脉多角度曲面重建可视化方法 | |
WO2022096867A1 (en) | Image processing of intravascular ultrasound images | |
Acosta-Mesa et al. | Cervical cancer detection using colposcopic images: a temporal approach | |
CN113592802B (zh) | 一种基于超声图像的二尖瓣环位移自动检测*** | |
Subramaniam et al. | Measurement of Intima-Media Thickness Depending on Intima Media Complex Segmentation by Deep Neural Networks | |
CN114343693A (zh) | 一种主动脉夹层诊断方法和装置 | |
CN115249248A (zh) | 基于眼底图像的视网膜动静脉血管直接识别方法和*** | |
Zhan et al. | Recognition of angiographic atherosclerotic plaque development based on deep learning | |
Bhandari et al. | Soft Attention Mechanism Based Network to Extract Blood Vessels From Retinal Image Modality | |
CN117809839B (zh) | 一种预测高血压视网膜病变与相关因素关联分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |