CN114119519A - 一种侧支循环评估方法 - Google Patents
一种侧支循环评估方法 Download PDFInfo
- Publication number
- CN114119519A CN114119519A CN202111353064.6A CN202111353064A CN114119519A CN 114119519 A CN114119519 A CN 114119519A CN 202111353064 A CN202111353064 A CN 202111353064A CN 114119519 A CN114119519 A CN 114119519A
- Authority
- CN
- China
- Prior art keywords
- image
- collateral circulation
- area
- medical image
- registration
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
- G06T7/13—Edge detection
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30016—Brain
-
- 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
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种侧支循环评估方法,包括获取原始医学影像数据,对原始医学影像预处理,去除杂物,对影像进行配准,去骨和进行侧支循环量化评估,在评估过程中,在影像配准、去骨中使用了人工智能的方式实现,在提升侧支循环量化评估质量的过程中,使用机器学习的方式对评估结果进行筛查,提高了评估模型的泛化能力和鲁棒性。
Description
技术领域
本发明涉及一种侧支循环评估方法,尤其涉及一种以人工智能网络为分析推理手段的侧支循环评估方法。
背景技术
侧支是指连接邻近大血管的分支血管结构,存在于大多数组织中。脑侧支循环是指当大脑的供血动脉严重狭窄或闭塞时,血流通过其他血管(包括侧支或新形成的血管吻合)到达缺血区,从而使缺血组织得到不同程度的灌注代偿。侧支循环决定了缺血半暗带、梗死体积大小、脑缺血的时程、严重程度以及血管闭塞后是否发生卒中,是卒中异质性的主要原因,认识及评估侧支循环有助于确立临床决策及判断预后。以单时相CTA(singlephase CTA,sCTA)和多时相CTA(multi-phase CTA,mCTA)为基础。
本发明通过人工智能的方法,对侧支循环进行评分,解决了传统侧支循环评估过程中识别ROI不够准确,进一步导致对侧支循环的评估误差问题。同时,使用机器学习的方法处理血管组织状态和颅内组织状态的结合问题,提高了本发明处理医学图像数据的泛化能力和鲁棒性。
发明内容
本发明提出了一种侧支循环评估方法,包括如下步骤:
S1:获取原始医学影像数据M0;
S2:对原始医学影像M0进行预处理:通过读取所述原始医学影像中的人体轮廓线,获取颅脑顶部至脖颈位置之间的影像M1;
S3:去除所述颅脑顶部至脖颈位置之间影像M1中的杂物部分,得到影像M2;
S4:基于标准CTA模板,对所述影像M2进行配准,得到影像M3;
S5:基于人工智能网络对所述配准后的影像M3进行去骨,得到去骨影像M4;
S6:对所述去骨影像M4进行不同尺度的多次滤波,通过所得的图像横断面映射确定对应尺度的强化血管信号和MCA供血脑组织区域;
S7:基于灰度值,使用去骨影像M4结合所述MCA供血脑组织区域,分别计算RIO的ratio,得出量化的侧支循环评分。
进一步的,所述步骤S2中的预处理包括:
S21:沿对原始医学影像M0的冠状面对颅骨进行投影,获取患者身体左右侧轮廓线;
S22:计算所述身体左右侧轮廓线之间的距离;
S23:读取所述身体左右侧轮廓线之间距离最小值所在位置的坐标作为颈部位置;
S24:保留颈部以上的影像作为所述颅脑顶部至脖颈位置之间的影像M1。
进一步的,所述步骤S3中去除杂物的方法为最大连通法:
在医学影像中,设定一个最小参数阈值,读取大于所述阈值区域中面积最大的区域,所得区域即为最大连通区域,将所述最大连通区域外的内容作为杂物去除。
进一步的,选择CTA影像的CT值作为所述最小阈值,其数值优选为0Hu。
进一步的,所述步骤S4中的配准方法为柔性配准,包括:
S41:在影像M2中标注ROI(感兴趣区域);
S42:以标准CTA模板为基准,遍历所有ROI,进行配准;
S43:选择所有ROI的配准结果中准确度最高的作为最终配准结果,即为M3;
进一步的,所述步骤S42中对每个ROI进行配准的方法包括:
S421:利用U形结构的CNN人工智能网络获得影像M2的参数图;
S422:基于参数图,得到ROI在医学影像横断面上的映射,通过映射关系对ROI进行匹配。
进一步的,所述步骤S5中的去骨步骤包括:
S51:把配准后的影像M3输入训练好的人工智能神经网络,去除颅骨;
S52:基于内部区域的特点,得到颅内组织。
进一步的,在所述步骤S51中使用的人工智能神经网络优选为nnUNet神经网络或3D-UNet神经网络。
进一步的,所述步骤S6中,使用Hessian算法进行滤波。
进一步的,所述步骤S7中,使用随机森林(RF)法基于所述去骨影像M4的左右侧R1、R2和R3,结合所述MCA供血脑组织区域结合后的评分结果进行处理,得出量化的Tan评分结果。
上述侧支循环评估方法,消除了传统侧支循环评估方法对医学影像中ROI分割、识别不准确,从而导致评估误差的现象。同时,使用机器学习对评估结果进行处理,提高了评分预测的准确性,并提高了评估方法的泛化能力和鲁棒性。
附图说明
图1为本发明一个实施例的流程示意图;
图2为本发明一个实施例的数据流示意图。
具体实施方式
本发明提出的一种侧支循环评估方法,能够对CTA影像进行分析,从中分割出血管闭塞的MCA供血区域,综合使用图像校准技术、去骨技术和数据融合技术对CTA影像进行优化处理,并使用机器学习方式处理评估结果,提高了模型的泛化能力和鲁棒性,从而提高了侧支循环的准确性和可靠性。
如图2所示,在本发明的一个实施例中,通过通过读取Dicom标注格式数据提取CTA影像,以人工智能的方法对CTA影像进行处理,以轮廓线最窄处为起算标注,截取CTA影像中的图像数据,经过去除杂质、校准和匹配等处理,提高图像质量后,按照Tan评分的步骤,对图像中的侧支循环进行了评估。
如图1所示,本发明的一个实施例中,先读取Dicom标准格式中包含的CTA影像。在所提取的CTA影像中,从冠状面方向对颅骨进行投影,得到医学影像中的人体左右侧轮廓线。
对所得轮廓线曲线进行两侧距离测算的操作,并取两侧轮廓线曲线距离最小点处的坐标值。本实施例中,由于CTA初始影像即为含有头部的正位人体医学影像,因此按照常规判断,所述两侧轮廓线曲线距离最小点处即为脖颈位置。获取脖颈位置后,对脖颈位置以上的图片做保留,脖颈以下位置剪切后去除。
获得前述脖颈以上图片后,本发明利用最大连通方法去除图像中的其他杂物。选择CT值作为确定最大连通区域的参数。本实施例中,将CT值的阈值设置为0Hu,读取医学影像图片中所有CT值大于0Hu的像素点,并计算所有CT值大于0Hu的图像面积,取面积最大的区域作为取用的图像区域,将所述面积最大区域以外的图像认定为与评估目的无关的杂物并进行去除。
为了提高侧支循环Tan评分的准确度,需要对去除杂物后的颅脑部分医学影像进行配准。本实施例中,选择了柔性网络配准方法。首先,在待配准的颅脑医学影像中对R1、R2、R3进行标注。本发明的并不限定标注的方法,所有现有技术中,可用于ROI标注的技术方案都可用于本发明中对ROI的标注操作。
对R1、R2、R3完成标注后,将带有标注标记的颅脑医学影像输入训练好的CNN网络模型中,基于CNN网络中存储的标准脑区结构图,对输入的医学影像数据进行精确配准,并在配准过程中,识别出MCA供血脑组织区域。本发明并不限定配准过程中所使用的人工智能网络模型种类,所有现有技术中,能够对医学影像进行精确配准的人工智能网络模型均可用于本发明中对ROI的精确配准。
在配准过程中,还能通过多层特征提取,抽象得到颅脑医学影像的结构特征,进而得到变换参数矩阵。在本实施例中,利用了sCTA在横断面上的映射矩阵,确定CTA医学影像中的MCA供血脑组织区域。
由于Tan评分只对脑组织MCA供血区域的血管进行评估,颅骨组织对于Tan评分存在干扰,去除脑骨组织可以提高评估准确性,因此需要对所得CTA医学影像进行去骨操作。在本实施例中,选择训练好的3D-UNet结构的人工智能神经网络进行去骨操作。本发明并不限定去骨过程中所使用的人工智能网络模型种类,所有现有技术中,能够对医学影像进行去骨操作的人工智能网络模型均可用于本发明中对医学影像的去骨。
完成对医学影像的去骨操作后,为了获得更优的评估结果,本实施例中还进行了血管强化操作。即对去骨后的CTA医学影像,基于Hessian算法,进行不同尺度的滤波。本实施例中,通过Hessian滤波,分别得到了直径3mm、1mm和0.5mm的强化血管信号。所述强化血管信号用于在进行Tan评分过程中提高评分的准确性。
完成上述所有操作后,可按照Tan评分的评估步骤,以CTA医学影像中左、右侧R1、R2、R3部位图像的灰度值为依据,结合MCA供血脑组织区域的映射结果,计算量化的Tan评分评估结果。
为了提高评估的准确度,同时提高评估模型的泛化能力和鲁棒性,本发明使用机器学习的方式,对评估结果进行评估校准。在本实施例总,选择使用随机森林方法,通过随机抽样和多数表决机制,对评估结果进行了校准。
以上对本发明所提供的一种侧支循环评估方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,本说明书内容不应理解为对本发明技术方案的限制。
Claims (10)
1.一种侧支循环评估方法,其特征在于,包括如下步骤:
S1:获取原始医学影像数据M0;
S2:对原始医学影像M0进行预处理:通过读取所述原始医学影像中的人体轮廓线,获取颅脑顶部至脖颈位置之间的影像M1;
S3:去除所述颅脑顶部至脖颈位置之间影像M1中的杂物部分,得到影像M2;
S4:基于标准CTA模板,对所述影像M2进行配准,得到影像M3;
S5:基于人工智能网络对所述配准后的影像M3进行去骨,得到去骨影像M4;
S6:对所述去骨影像M4进行不同尺度的多次滤波,通过所得的图像横断面映射确定对应尺度的强化血管信号和MCA供血脑组织区域;
S7:基于灰度值,使用去骨影像M4结合所述MCA供血脑组织区域,分别计算RIO的ratio,得出量化的侧支循环评分。
2.根据权利要求1所述的侧支循环评估方法,其特征在于,所述步骤S2中的预处理包括:
S21:沿对原始医学影像M0的冠状面对颅骨进行投影,获取患者身体左右侧轮廓线;
S22:计算所述身体左右侧轮廓线之间的距离;
S23:读取所述身体左右侧轮廓线之间距离最小值所在位置的坐标作为颈部位置;
S24:保留颈部以上的影像作为所述颅脑顶部至脖颈位置之间的影像M1。
3.根据权利要求1所述的侧支循环评估方法,其特征在于,所述步骤S3中去除杂物的方法为最大连通法:
在医学影像中,设定一个最小参数阈值,读取大于所述阈值区域中面积最大的区域,所得区域即为最大连通区域,将所述最大连通区域外的内容作为杂物去除。
4.根据权利要求3所述的侧支循环评估方法,其特征在于,选择CTA影像的CT值作为所述最小阈值,其数值优选为0Hu。
5.根据权利要求1所述的侧支循环评估方法,其特征在于,所述步骤S4中的配准方法为柔性配准,包括:
S41:在影像M2中标注ROI(感兴趣区域);
S42:以标准CTA模板为基准,遍历所有ROI,进行配准;
S43:选择所有ROI的配准结果中准确度最高的作为最终配准结果,即为M3。
6.根据权利要求5所述的侧支循环评估方法,其特征在于,所述步骤S42中对每个ROI进行配准的方法包括:
S421:利用U形结构的CNN人工智能网络获得影像M2的参数图;
S422:基于参数图,得到ROI在医学影像横断面上的映射,通过映射关系对ROI进行匹配。
7.根据权利要求1所述的侧支循环评估方法,其特征在于,所述步骤S5中的去骨步骤包括:
S51:把配准后的影像M3输入训练好的人工智能神经网络,去除颅骨;
S52:基于内部区域的特点,得到颅内组织。
8.根据权利要求7所述的侧支循环评估方法,其特征在于,在所述步骤S51中使用的人工智能神经网络优选为nnUNet神经网络或3D-UNet神经网络。
9.根据权利要求1所述的侧支循环评估方法,其特征在于,所述步骤S6中,使用Hessian算法进行滤波。
10.根据权利要求1所述的侧支循环评估方法,其特征在于,所述步骤S7中,使用随机森林(RF)法基于所述去骨影像M4的左右侧R1、R2和R3,结合所述MCA供血脑组织区域结合后的评分结果进行处理,得出量化的Tan评分结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111353064.6A CN114119519A (zh) | 2021-11-16 | 2021-11-16 | 一种侧支循环评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111353064.6A CN114119519A (zh) | 2021-11-16 | 2021-11-16 | 一种侧支循环评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114119519A true CN114119519A (zh) | 2022-03-01 |
Family
ID=80395870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111353064.6A Pending CN114119519A (zh) | 2021-11-16 | 2021-11-16 | 一种侧支循环评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119519A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205915A (zh) * | 2023-04-28 | 2023-06-02 | 北京航空航天大学 | 一种基于掩码的大脑年龄评估方法、***及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150034433A (ko) * | 2013-09-26 | 2015-04-03 | 건국대학교 산학협력단 | 다중모드 ct를 이용하여 뇌졸중의 예후를 예측하는 방법 |
CN108257126A (zh) * | 2018-01-25 | 2018-07-06 | 苏州大学 | 三维视网膜oct图像的血管检测和配准方法、设备及应用 |
CN109816672A (zh) * | 2019-02-25 | 2019-05-28 | 数坤(北京)网络科技有限公司 | 一种针对头颈体骨的图像分割获取方法及装置 |
CN110298345A (zh) * | 2019-07-05 | 2019-10-01 | 福州大学 | 一种医学图像数据集的感兴趣区域自动标注方法 |
CN110310283A (zh) * | 2018-10-26 | 2019-10-08 | 北京连心医疗科技有限公司 | 一种ct影像中头部倾斜的自动检测及校正方法 |
CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 |
CN112151179A (zh) * | 2020-09-29 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 影像数据评估方法、装置、设备及存储介质 |
CN112907563A (zh) * | 2021-03-17 | 2021-06-04 | 复旦大学附属华山医院 | 基于深度学习的cta全自动侧枝循环评分方法及*** |
CN113408647A (zh) * | 2021-07-07 | 2021-09-17 | 中国科学院生物物理研究所 | 一种脑小血管结构特征的提取方法 |
-
2021
- 2021-11-16 CN CN202111353064.6A patent/CN114119519A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150034433A (ko) * | 2013-09-26 | 2015-04-03 | 건국대학교 산학협력단 | 다중모드 ct를 이용하여 뇌졸중의 예후를 예측하는 방법 |
CN108257126A (zh) * | 2018-01-25 | 2018-07-06 | 苏州大学 | 三维视网膜oct图像的血管检测和配准方法、设备及应用 |
CN110310283A (zh) * | 2018-10-26 | 2019-10-08 | 北京连心医疗科技有限公司 | 一种ct影像中头部倾斜的自动检测及校正方法 |
CN109816672A (zh) * | 2019-02-25 | 2019-05-28 | 数坤(北京)网络科技有限公司 | 一种针对头颈体骨的图像分割获取方法及装置 |
CN110298345A (zh) * | 2019-07-05 | 2019-10-01 | 福州大学 | 一种医学图像数据集的感兴趣区域自动标注方法 |
CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 |
CN112151179A (zh) * | 2020-09-29 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 影像数据评估方法、装置、设备及存储介质 |
CN112907563A (zh) * | 2021-03-17 | 2021-06-04 | 复旦大学附属华山医院 | 基于深度学习的cta全自动侧枝循环评分方法及*** |
CN113408647A (zh) * | 2021-07-07 | 2021-09-17 | 中国科学院生物物理研究所 | 一种脑小血管结构特征的提取方法 |
Non-Patent Citations (1)
Title |
---|
章新友等: "《医学图形图像处理》", 30 June 2018, 中国中医药出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205915A (zh) * | 2023-04-28 | 2023-06-02 | 北京航空航天大学 | 一种基于掩码的大脑年龄评估方法、***及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161290B (zh) | 一种图像分割模型的构建方法、图像分割方法及*** | |
CN111145206A (zh) | 肝脏图像分割质量评估方法、装置及计算机设备 | |
CN111667458B (zh) | 一种对平扫ct中的早急性脑梗死检测方法及装置 | |
US20150141818A1 (en) | Vascular imaging method and device | |
CN110652312B (zh) | 一种血管cta智能分析***及应用 | |
CN110880366A (zh) | 一种医学影像处理*** | |
CN111950595A (zh) | 肝脏病灶图像处理方法、***、存储介质、程序、终端 | |
CN111738992B (zh) | 肺部病灶区域提取方法、装置、电子设备和存储介质 | |
CN116051826A (zh) | 基于dsa影像连续帧序列的冠脉血管分割方法、计算机设备和可读存储介质 | |
CN114119519A (zh) | 一种侧支循环评估方法 | |
CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及*** | |
CN110246136B (zh) | 一种基于混合算法的血管内超声参数提取方法及*** | |
US11967079B1 (en) | System and method for automatically detecting large vessel occlusion on a computational tomography angiogram | |
CN114066846A (zh) | 一种基于深度学习的ctp非急性闭塞缺血评估方法和*** | |
CN113298773A (zh) | 基于深度学习的心脏视图识别与左心室检测装置、*** | |
CN111091578B (zh) | 一种针对血管医学影像的分割方法 | |
EP4167184A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
CN116245867A (zh) | 一种基于无监督学习的血管斑块和血栓识别方法及*** | |
Oguz et al. | Automated placenta segmentation from 3D ultrasound images | |
US20240104725A1 (en) | Method, apparatus, and recording medium for analyzing coronary plaque tissue through ultrasound image-based deep learning | |
CN112102352B (zh) | 一种dsa图像序列的冠脉运动跟踪方法及装置 | |
WO2023133929A1 (zh) | 一种基于超声的人体组织对称性检测分析方法 | |
CN114343693A (zh) | 一种主动脉夹层诊断方法和装置 | |
KR102349360B1 (ko) | 영상 진단기기를 이용한 특발성 정상압 수두증의 진단 방법 및 시스템 |
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 |