CN111599004B - 一种3d血管成像***、方法及装置 - Google Patents
一种3d血管成像***、方法及装置 Download PDFInfo
- Publication number
- CN111599004B CN111599004B CN202010420181.9A CN202010420181A CN111599004B CN 111599004 B CN111599004 B CN 111599004B CN 202010420181 A CN202010420181 A CN 202010420181A CN 111599004 B CN111599004 B CN 111599004B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- time sequence
- model
- module
- tof
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种3D血管成像***、方法及装置,能快速无创的将人体体表各部位的静脉血管和周围组织情况的以三维的形式显示出来,为临床诊断和治疗中对静脉情况的判断和操作提供有效的依据,包括图像获取模块,所述图像获取模块用以获取人体体表静脉血管的红外黑白图像和体表TOF三维距离点云信息;特征提取模块,所述血管提取模块用以结合TOF三维距离信息提取红外图像中血管的三维时序特征,所述三维时序特征为包括血管长度、宽度、深度及周边组织平面特征的时序序列;三维重建模块,所述三维重建模块根据三维时序特征和TOF三维距离信息生成三维建模的血管图像。
Description
技术领域
本发明涉及医学影像技术领域,具体涉及一种3D血管成像***、方法及装置。
背景技术
红外线静脉显影装置,其原理是通过红外光源、滤光片、CCD摄像机、图像采集卡等,对人体体表静脉血管进行信号采集,但是其一般为固定角度进行信号采集,采集的信号所还原的为二维平面的图片,只能显示静脉血管的平面位置,不能显示血管具体的深度以及和周围组织情况的精准的关系。
发明内容
本发明的目是解决人体体表静脉血管3D重建问题,提供一种3D血管成像***、方法及装置。
为了达到上述目的,本发明一方面提供一种3D血管成像***,包括:
图像获取模块,所述图像获取模块用以获取人体体表静脉血管的红外黑白图像和体表TOF三维距离点云信息;
特征提取模块,所述特征提取模块用以结合TOF三维距离信息提取红外图像中血管的三维时序特征,所述三维时序特征为包括血管长度、宽度、深度及周边组织平面特征的时序序列;
三维重建模块,所述三维重建模块根据三维时序特征和TOF三维距离信息生成三维建模的血管图像。
进一步的,所述特征提取模块包括:
预处理模块,所述预处理模块按TOF点云信息采集的时序状态,对红外黑白图像依次进行分类和预处理,同时标注每个像素点的空间距离信息,所述将预处理后的图像根据分类制作成数据集;
模型创建模块,创建卷积神经网络模型和/或选择现有的模型结构并设置预训练参数;
模型训练模块,基于所述数据集对所述卷积神经网络模型或现有模型结构进行训练、测试及验证后作为所述时序特征识别模型。
进一步的,所述数据集分为训练数据集,测试数据集和验证数据集,所述模型训练模块采用训练数据集进行模型训练,之后采用测试数据集对训练后的模型进行测试,再使用所述验证集对所述模型进行验证,若所述模型时序特征识别要求,则将其作为所述三维时序特征识别模型;若不满足,则修改历史模式参数设置,重新对所述模型进行训练、测试和验证,直至满足时序特征识别要求,将所述模型作为三维时序特征识别模型。
进一步的,所述三维重建模块采用空间重建方法基于TOF点云信息和三维血管特征进行血管三维重建,在重建过程中基于三维时序特征确定各血管的长度、宽度和深度,并根据周边组织平面特征完成血管与周边组织的关系的重建。
另一方面,本发明还提供基于上述***的3D血管成像方法,其特征在于,
建立图像获取模块,所述图像获取模块用以获取人体体表静脉血管的红外黑白图像和体表TOF三维距离点云信息;
建立特征提取模块,所述特征提取模块用以结合TOF三维距离信息提取红外图像中血管的三维时序特征,所述三维时序特征为包括血管长度、宽度、深度及周边组织平面特征的时序序列;
建立三维重建模块,所述三维重建模块根据三维时序特征和TOF三维距离信息生成三维建模的血管图像。
进一步的,在建立所述特征提取模块过程中,包括:
建立预处理模块,所述预处理模块按TOF点云信息采集的时序状态,对红外黑白图像依次进行分类和预处理,同时标注每个红外黑白像素点的空间距离信息,将预处理后的图像根据分类制作成数据集;
建立模型创建模块,创建卷积神经网络模型和/或选择现有的模型结构并设置预训练参数;
建立模型训练模块,基于所述数据集对所述卷积神经网络模型或现有模型结构进行训练、测试及验证后作为所述时序特征识别模型。
进一步的,所述数据集分为训练数据集,测试数据集和验证数据集,所述模型训练模块采用训练数据集进行模型训练,之后采用测试数据集对训练后的模型进行测试,再使用所述验证集对所述模型进行验证,若所述模型时序特征识别要求,则将其作为所述三维时序特征识别模型;若不满足,则修改历史模式参数设置,重新对所述模型进行训练、测试和验证,直至满足时序特征识别要求,将所述模型作为三维时序特征识别模型。
进一步的,在建立所述三维重建模块过程中,还包括:
采用空间重建方法基于三维时序特征和TOF三维距离信息生成三维建模的血管图像,在重建过程中基于三维时序特征确定各血管的长度、宽度和深度,并根据周边组织平面特征完成血管与周边组织的关系的重建。
另一方面,本发明还提供一种血管成像装置,包括:
支架,用以固定病人受检测部位;
红外LED灯,安装于支架上方,用以提供红外线光源;
TOF图像距离传感器,安装于支架上方,用以正面拍摄受检测部位的TOF点云图像;
CCD图像传感器,安装于支架上方,用以正面拍摄受检测部位的二维血管红外图像。
3D成像处理主机,与TOF距离传感器和CCD图像传感器通信连接,用以接收和处理TOF点云信息和二维图像,以完成病人检测部位血管的三维重建。
进一步的,所述3D成像处理主机包括处理器和存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行上述3D血管成像方法中的步骤。
本发明提供一种3D血管成像***、方法及装置,能快速无创的将人体体表各部位的静脉血管和周围组织情况的以三维的形式显示出来,为临床诊断和治疗中对静脉情况的判断和操作提供有效的依据,包括图像获取模块,所述图像获取模块用以获取人体体表静脉血管的TOF图像;特征提取模块,所述血管提取模块用以提取TOF图像中血管的三维时序特征,所述三维时序特征为包括血管长度、宽度、深度及周边组织平面特征的时序序列;三维重建模块,所述三维重建模块根据三维时序特征将二维的TOF血管图像还原成三维建模的血管图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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他的附图。
图1为本发明一个实施例的3D血管成像***的***框架图。
图2为本发明一个实施例的特征提取模块的***框架图。
图3为本发明实施例的一种3D血管成像方法的方法流程图。
图4本发明实施例的血管成像装置的***架构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1为本发明一个实施例的3D血管成像***的***框架图,如图1所示,
本发明一方面提供一种3D血管成像***,包括图像获取模块10,特征提取模块20和三维重建模块30。
具体的,图像获取模块10获取人体体表静脉血管的红外黑白图像和体表TOF三维距离点云信息。其中,红外黑白图像通过CCD图像传感器获取,CCD图像传感器拍摄在红外线光源照射下的检测部位的二维血管红外图像,TOF点云图像通过TOF图像距离传感器获取。
特征提取模块20特征提取模块用以结合TOF三维距离点云信息提取红外图像中血管的三维时序特征,所述三维时序特征为包括血管长度、宽度、深度及周边组织平面特征的时序序列。
具体的,本实施例的TOF三维距离点云信息包括二维血管红外图像每个像素的深度值,该深度值代表了血管与摄像设备的距离。每个像素点的三维坐标均可以通过转换该像素的深度值来获取。通过血管的血管长度、宽度、深度及周边组织平面特征的构建时序序列,经点云预处理与点云配准,将各时序序列拼接到一起构成完整的三维点云模型,即完成血管三维模型的重建。
在本发明的另一个实施例里中,特征提取模块20在提取血管的三维时序特征后,通过机器学习的方式对三维时序特征进行进一步的分类,以精确完成血管三维模型的重建。
具体的,特征提取模块20还包括:预处理模块21,模型创建模块22和模型训练模块23。
预处理模块21按TOF点云信息采集的时序状态,对红外黑白图像依次进行分类和预处理,同时标注每个像素点的空间距离信息,所述将预处理后的图像根据分类制作成数据集。
模型创建模块22用以创建卷积神经网络模型和/或选择现有的模型结构并设置预训练参数;
模型训练模块23,基于所述数据集对所述卷积神经网络模型或现有模型结构进行训练、测试及验证后作为所述时序特征识别模型。
具体的,数据集分为训练数据集,测试数据集和验证数据集,所述模型训练模块采用训练数据集进行模型训练,之后采用测试数据集对训练后的模型进行测试,再使用所述验证集对所述模型进行验证,若所述模型满足时序特征识别要求,则将其作为所述三维时序特征识别模型;若不满足,则修改历史模式参数设置,重新对所述模型进行训练、测试和验证,直至满足时序特征识别要求,将所述模型作为三维时序特征识别模型
三维重建模块30根据三维时序特征将二维的TOF血管图像还原成三维建模的血管图像。
其中,三维重建模块30采用空间重建方法对TOF图像进行血管三维重建,在重建过程中基于三维时序特征确定各血管的长度、宽度和深度,并根据周边组织平面特征完成血管与周边组织的关系的重建。
图3为本发明实施例的一种3D血管成像方法的方法流程图,如图3所示,本实施例提供的一种3D血管成像方法,基于上述3D血管成像***,包括以下步骤:
S100建立图像获取模块,所述图像获取模块用以获取人体体表静脉血管的TOF图像;
S200建立特征提取模块,所述血管提取模块用以提取TOF图像中血管的三维时序特征,所述三维时序特征为包括血管长度、宽度、深度及周边组织平面特征的时序序列;
S300建立三维重建模块,所述三维重建模块根据三维时序特征将二维的TOF血管图像还原成三维建模的血管图像。
进一步的,在建立所述特征提取模块过程中,包括以下步骤:
S201,建立预处理模块,所述预处理模块根据TOF图像采集时的时序状态,对TOF图像依次进行分类和预处理,将预处理后的图像根据分类制作成数据集;
S202,建立模型创建模块,创建卷积神经网络模型和/或选择现有的模型结构并设置预训练参数;
S203,建立模型训练模块,基于所述数据集对所述卷积神经网络模型或现有模型结构进行训练、测试及验证后作为所述时序特征识别模型。
其中,数据集分为训练数据集,测试数据集和验证数据集,所述模型训练模块采用训练数据集进行模型训练,之后采用测试数据集对训练后的模型进行测试,再使用所述验证集对所述模型进行验证,若所述模型满足时序特征识别要求,则将其作为所述三维时序特征识别模型;若不满足,则修改历史模式参数设置,重新对所述模型进行训练、测试和验证,直至满足时序特征识别要求,将所述模型作为三维时序特征识别模型。
具体的,三维重建模块过程中采用空间重建方法对TOF图像进行血管三维重建,在重建过程中基于三维时序特征确定各血管的长度、宽度和深度,并根据周边组织平面特征完成血管与周边组织的关系的重建。
图4本发明实施例的血管成像装置的***架构图。如图4所示,本实施例的血管成像装置基于上述3D血管成像***。包括:支架
另一方面,本发明还提供一种血管成像装置,包括:红外LED灯1a、TOF图像传感器1b、CCD图像传感器1c、支架1d和3D成像处理主机1e。
具体的,支架1d用以固定病人受检测部位。红外LED灯1a安装于支架上方,用以提供红外线光源。TOF图像传感器1b安装于支架上方,用以正面拍摄受检测部位的TOF图像。CCD图像传感器1d安装于支架上方,用以正面拍摄受检测部位的二维图像。3D成像处理主机1e,与TOF图像传感器1b和CCD图像传感器1c通信连接,用以接收和处理TOF图像和二维图像,以完成病人检测部位血管的三维重建。
局特的,3D成像处理主机包括处理器和存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,上述3D血管成像方法中的步骤。本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种3D血管成像***,其特征在于,包括:
图像获取模块,所述图像获取模块用以获取人体体表静脉血管的红外黑白图像和体表TOF三维距离点云信息;
特征提取模块,所述特征提取模块用以结合TOF三维距离点云信息提取红外图像中血管的三维时序特征,所述三维时序特征为包括血管长度、宽度、深度及周边组织平面特征的时序序列;
所述特征提取模块包括:
预处理模块,所述预处理模块按TOF点云信息采集的时序状态,对红外黑白图像依次进行分类和预处理,同时标注每个像素点的空间距离信息,所述将预处理后的图像根据分类制作成数据集;
模型创建模块,创建卷积神经网络模型和/或选择现有的模型结构并设置预训练参数;
模型训练模块,基于所述数据集对所述卷积神经网络模型或现有模型结构进行训练、测试及验证后作为所述时序特征识别模型;
三维重建模块,所述三维重建模块根据三维时序特征和TOF三维距离信息生成三维建模的血管图像。
2.如权利要求1所述的一种3D血管成像***,其特征在于,所述数据集分为训练数据集,测试数据集和验证数据集,所述模型训练模块采用训练数据集进行模型训练,之后采用测试数据集对训练后的模型进行测试,再使用所述验证集对所述模型进行验证,若所述模型满足时序特征识别要求,则将其作为所述三维时序特征识别模型;若不满足,则修改历史模式参数设置,重新对所述模型进行训练、测试和验证,直至满足时序特征识别要求,将所述模型作为三维时序特征识别模型。
3.如权利要求2所述的一种3D血管成像***,其特征在于,所述三维重建模块采用空间重建方法基于TOF点云信息和三维血管特征进行血管三维重建,在重建过程中基于三维时序特征确定各血管的长度、宽度和深度,并根据周边组织平面特征完成血管与周边组织的关系的重建。
4.如权利要求1到3所述任一种***的3D血管成像方法,其特征在于,包括以下步骤:
建立图像获取模块,所述图像获取模块用以获取人体体表静脉血管的红外黑白图像和体表TOF三维距离点云信息;
建立特征提取模块,所述特征提取模块用以结合TOF三维距离信息提取红外图像中血管的三维时序特征,所述三维时序特征为包括血管长度、宽度、深度及周边组织平面特征的时序序列;
建立三维重建模块,所述三维重建模块根据三维时序特征和TOF三维距离信息生成三维建模的血管图像。
5.如权利要求4所述的一种3D血管成像方法,其特征在于,在建立所述特征提取模块过程中,包括:
建立预处理模块,所述预处理模块按TOF点云信息采集的时序状态,对红外黑白图像依次进行分类和预处理,同时标注每个红外黑白像素点的空间距离信息,将预处理后的图像根据分类制作成数据集;
建立模型创建模块,创建卷积神经网络模型和/或选择现有的模型结构并设置预训练参数;
建立模型训练模块,基于所述数据集对所述卷积神经网络模型或现有模型结构进行训练、测试及验证后作为所述时序特征识别模型。
6.如权利要求5所述的一种3D血管成像方法,其特征在于,所述数据集分为训练数据集,测试数据集和验证数据集,所述模型训练模块采用训练数据集进行模型训练,之后采用测试数据集对训练后的模型进行测试,再使用所述验证数据集对所述模型进行验证,若所述模型时序特征识别要求,则将其作为所述三维时序特征识别模型;若不满足,则修改历史模式参数设置,重新对所述模型进行训练、测试和验证,直至满足时序特征识别要求,将所述模型作为三维时序特征识别模型。
7.如权利要求6所述的一种3D血管成像方法,其特征在于,在建立所述三维重建模块过程中,还包括:
采用空间重建方法基于三维时序特征和TOF三维距离信息生成三维建模的血管图像,在重建过程中基于三维时序特征确定各血管的长度、宽度和深度,并根据周边组织平面特征完成血管与周边组织的关系的重建。
8.一种血管成像装置,其特征在于,包括:
支架,用以固定病人受检测部位;
红外LED灯,安装于支架上方,用以提供红外线光源;
TOF图像距离传感器,安装于支架上方,用以正面拍摄受检测部位的TOF点云图像;
CCD图像传感器,安装于支架上方,用以正面拍摄受检测部位的二维血管红外图像;
3D成像处理主机,与TOF距离传感器和CCD图像传感器通信连接,用以接收和处理TOF点云信息和二维图像,以完成病人检测部位血管的三维重建,包括以下步骤:
S100建立图像获取模块,所述图像获取模块用以获取人体体表静脉血管的TOF图像;
S200建立特征提取模块,所述血管提取模块用以提取TOF图像中血管的三维时序特征,所述三维时序特征为包括血管长度、宽度、深度及周边组织平面特征的时序序列;
S300建立三维重建模块,所述三维重建模块根据三维时序特征将二维的TOF血管图像还原成三维建模的血管图像;
其中,在建立所述特征提取模块过程中,包括以下步骤:
S201,建立预处理模块,所述预处理模块根据TOF图像采集时的时序状态,对TOF图像依次进行分类和预处理,将预处理后的图像根据分类制作成数据集;
S202,建立模型创建模块,创建卷积神经网络模型和/或选择现有的模型结构并设置预训练参数;
S203,建立模型训练模块,基于所述数据集对所述卷积神经网络模型或现有模型结构进行训练、测试及验证后作为所述时序特征识别模型。
9.如权利要求8所述的一种装置,其特征在于,所述3D成像处理主机包括处理器和存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求4至7任一项所述的一种3D血管成像方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010420181.9A CN111599004B (zh) | 2020-05-18 | 2020-05-18 | 一种3d血管成像***、方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010420181.9A CN111599004B (zh) | 2020-05-18 | 2020-05-18 | 一种3d血管成像***、方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111599004A CN111599004A (zh) | 2020-08-28 |
CN111599004B true CN111599004B (zh) | 2023-09-12 |
Family
ID=72187289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010420181.9A Active CN111599004B (zh) | 2020-05-18 | 2020-05-18 | 一种3d血管成像***、方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111599004B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114287880A (zh) * | 2021-12-08 | 2022-04-08 | 四川大学华西医院 | 一种基于红外图像处理的动物实验肿瘤早期成瘤监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754388A (zh) * | 2018-12-04 | 2019-05-14 | 众安信息技术服务有限公司 | 一种颈动脉狭窄程度计算方法、装置及存储介质 |
EP3493151A1 (en) * | 2017-11-29 | 2019-06-05 | Koninklijke Philips N.V. | Combination of temporally resolved angiographic images with a spatially resolved angiographic image |
CN111063018A (zh) * | 2019-11-08 | 2020-04-24 | 山东大学 | 一种基于深度学习的血管内超声图像三维重建方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830848B (zh) * | 2018-05-25 | 2022-07-05 | 深圳科亚医疗科技有限公司 | 利用计算机确定血管上的血管状况参数的序列的装置和*** |
-
2020
- 2020-05-18 CN CN202010420181.9A patent/CN111599004B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3493151A1 (en) * | 2017-11-29 | 2019-06-05 | Koninklijke Philips N.V. | Combination of temporally resolved angiographic images with a spatially resolved angiographic image |
CN109754388A (zh) * | 2018-12-04 | 2019-05-14 | 众安信息技术服务有限公司 | 一种颈动脉狭窄程度计算方法、装置及存储介质 |
CN111063018A (zh) * | 2019-11-08 | 2020-04-24 | 山东大学 | 一种基于深度学习的血管内超声图像三维重建方法及*** |
Non-Patent Citations (1)
Title |
---|
基于近红外静脉图像的血管立体定位方案;沈俊杰等;《科技创新与应用》(第22期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111599004A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11443428B2 (en) | Systems and methods for probablistic segmentation in anatomical image processing | |
JP7271000B2 (ja) | パッチガイド方法及びプログラム | |
JP7263324B2 (ja) | 3次元脳地図の生成方法及びプログラム | |
JP6348078B2 (ja) | 分岐構造判定装置、分岐構造判定装置の作動方法および分岐構造判定プログラム | |
CN112561908B (zh) | 乳腺图像病灶匹配方法、装置及存储介质 | |
CN107320124A (zh) | 医学成像***中设定定位片扫描的方法及医学成像*** | |
CN113662573B (zh) | 乳腺病灶定位方法、装置、计算机设备和存储介质 | |
CN107194163A (zh) | 一种显示方法和*** | |
WO2021005613A1 (en) | Chest radiograph image analysis system and a method thereof | |
CN111599004B (zh) | 一种3d血管成像***、方法及装置 | |
CN114202516A (zh) | 一种异物检测方法、装置、电子设备及存储介质 | |
US20220084194A1 (en) | Computer program, processor for endoscope, and information processing method | |
US20200305837A1 (en) | System and method for guided ultrasound imaging | |
CN113012118B (zh) | 图像处理方法以及图像处理装置 | |
CN111161371A (zh) | 成像***和方法 | |
CN114782443A (zh) | 基于数据增强的动脉瘤风险评估的装置和存储介质 | |
CN115578419A (zh) | 运动检测方法、装置、电子设备及存储介质 | |
CN113052930A (zh) | 一种胸部dr双能量数字减影图像生成方法 | |
CN116646079B (zh) | 一种眼科病症辅助诊断方法及装置 | |
CN116523914B (zh) | 一种动脉瘤分类识别装置、方法、设备、存储介质 | |
CN118095391A (zh) | 用于识别医学图像的神经网络的训练方法及*** | |
WO2022157104A1 (en) | Vessel shape | |
CN114332223A (zh) | 掩膜生成方法、图像配准方法、计算机设备及存储介质 | |
CN114332021A (zh) | 伪病理切片生成方法、装置、设备、医疗***及存储介质 | |
CN118397235A (zh) | 一种基于深度学习和增强现实的肾脏自动提取方法及装置 |
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 |