RU2015120325A - Визуализация перфузии - Google Patents

Визуализация перфузии Download PDF

Info

Publication number
RU2015120325A
RU2015120325A RU2015120325A RU2015120325A RU2015120325A RU 2015120325 A RU2015120325 A RU 2015120325A RU 2015120325 A RU2015120325 A RU 2015120325A RU 2015120325 A RU2015120325 A RU 2015120325A RU 2015120325 A RU2015120325 A RU 2015120325A
Authority
RU
Russia
Prior art keywords
different
voxel
ranges
histogram
activity
Prior art date
Application number
RU2015120325A
Other languages
English (en)
Inventor
Раз КАРМИ
Original Assignee
Конинклейке Филипс Н.В.
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Конинклейке Филипс Н.В. filed Critical Конинклейке Филипс Н.В.
Publication of RU2015120325A publication Critical patent/RU2015120325A/ru

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03Computed tomography [CT]
    • A61B6/032Transmission computed tomography [CT]
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/003D [Three Dimensional] image rendering
    • G06T15/08Volume rendering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/40Image enhancement or restoration using histogram techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00Indexing scheme for image data processing or generation, in general
    • G06T2200/04Indexing scheme for image data processing or generation, in general involving 3D image data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/100764D tomography; Time-sequential 3D tomography
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30024Cell structures in vitro; Tissue sections in vitro
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30061Lung
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30101Blood vessel; Artery; Vein; Vascular
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00Indexing scheme for image generation or computer graphics
    • G06T2210/41Medical
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00Image generation
    • G06T2211/40Computed tomography

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Quality & Reliability (AREA)
  • Vascular Medicine (AREA)
  • Computer Graphics (AREA)
  • Pulmonology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

1. Способ, содержащий следующие этапы:получают набор 4-мерных данных в электронном формате, при этом набор 4-мерных данных включает в себя множество 3-мерных объемов вокселей данных визуализации перфузии с контрастированием для двух или более интервалов времени, и 3-мерные объемы включают в себя данные, представляющие, по меньшей мере, два отличающихся тканевых компонента в одной и той же представляющей интерес области в, по меньшей мере, одном из интервалов времени;формируют отличающуюся точку временной кривой активности для каждого из отличающихся тканевых компонентов для каждого вокселя, оцениваемого для каждого оцениваемого интервала времени; иформируют сигнал, характеризующий отличающуюся карту параметров для каждого из отличающихся тканевых компонентов на основании, по меньшей мере, временных кривых активности.2. Способ по п. 1, дополнительно содержащий следующие этапы:применяют маску к подучастку 3-мерного объема вокруг представляющего интерес вокселя; иформируют гистограмму для вокселя на основании вокселей в пределах маски,при этом временная кривая активности, соответствующая вокселю, формируется на основании гистограммы.3. Способ по п. 2, в котором маска применяет отличающиеся веса к значениям разных вокселей на основании расстояния вокселя до представляющего интерес вокселя.4. Способ по п. 2, дополнительно содержащий следующие этапы:разделяют гистограмму на, по меньшей мере, два отличающихся диапазона, при этом каждый диапазон соответствует отличающемуся тканевому компоненту;вычисляют репрезентативное значение для каждого из, по меньшей мере, двух диапазонов; иопределяют точку временной кривой активности для

Claims (20)

1. Способ, содержащий следующие этапы:
получают набор 4-мерных данных в электронном формате, при этом набор 4-мерных данных включает в себя множество 3-мерных объемов вокселей данных визуализации перфузии с контрастированием для двух или более интервалов времени, и 3-мерные объемы включают в себя данные, представляющие, по меньшей мере, два отличающихся тканевых компонента в одной и той же представляющей интерес области в, по меньшей мере, одном из интервалов времени;
формируют отличающуюся точку временной кривой активности для каждого из отличающихся тканевых компонентов для каждого вокселя, оцениваемого для каждого оцениваемого интервала времени; и
формируют сигнал, характеризующий отличающуюся карту параметров для каждого из отличающихся тканевых компонентов на основании, по меньшей мере, временных кривых активности.
2. Способ по п. 1, дополнительно содержащий следующие этапы:
применяют маску к подучастку 3-мерного объема вокруг представляющего интерес вокселя; и
формируют гистограмму для вокселя на основании вокселей в пределах маски,
при этом временная кривая активности, соответствующая вокселю, формируется на основании гистограммы.
3. Способ по п. 2, в котором маска применяет отличающиеся веса к значениям разных вокселей на основании расстояния вокселя до представляющего интерес вокселя.
4. Способ по п. 2, дополнительно содержащий следующие этапы:
разделяют гистограмму на, по меньшей мере, два отличающихся диапазона, при этом каждый диапазон соответствует отличающемуся тканевому компоненту;
вычисляют репрезентативное значение для каждого из, по меньшей мере, двух диапазонов; и
определяют точку временной кривой активности для каждого из диапазонов для определения, тем самым, временной кривой активности для каждого из отличающихся тканевых компонентов.
5. Способ по п. 4, дополнительно содержащий следующий этап:
определяют временную кривую активности на основании предварительно заданной модели, которая задает вероятность каждого из множества отличающихся паттернов временных кривых активности.
6. Способ по п. 4, дополнительно содержащий следующие этапы:
определяют отношение параметров между отличающимися тканевыми компонентами на основании гистограммы и диапазонов; и
формируют второй сигнал, характеризующий отличающуюся карту отношений для каждого из отличающихся тканевых компонентов на основании отношения параметров.
7. Способ по п. 6, дополнительно содержащий следующие этапы:
сравнивают отношение параметров с предварительно заданными данными, представляющими вероятность отношений параметров между отличающимися компонентами;
проверяют результат сравнения на соответствие предварительно заданным критериям; и
визуально представляют, по меньшей мере, карты параметров в случае соответствия результатов предварительно заданным критериям.
8. Способ по п. 7, дополнительно содержащий следующие этапы:
в случае несоответствия результатов предварительно заданным критериям
модифицируют, по меньшей мере, два диапазона с формированием, по меньшей мере, двух модифицированных диапазонов;
разделяют гистограмму на, по меньшей мере, два модифицированных диапазона;
вычисляют следующее репрезентативное значение для каждого из, по меньшей мере, двух модифицированных диапазонов; и
определяют следующую точку временной кривой активности для каждого из модифицированных диапазонов, для определения, тем самым, следующей временной кривой активности для каждого из отличающихся тканевых компонентов.
9. Способ по п. 8, дополнительно содержащий следующий этап:
повторяют этапы модификации диапазонов, разделения гистограммы на основании модифицированных диапазонов, вычисления следующего репрезентативного значения и определения следующей временной кривой активности, пока не достигают критерия останова.
10. Способ по п. 9, в котором критерий останова включает в себя, по меньшей мере одно из следующего: достигается предварительно заданное число итераций, разность результатов между последовательными итерациями ниже предварительно заданного порога, или истекает предварительно заданный период времени.
11. Система обработки данных, содержащая
генератор гистограмм, сконфигурированный с возможностью формирования гистограммы для каждого вокселя, оцениваемого во множестве 3-мерных объемов вокселей данных визуализации перфузии с контрастированием для двух или более интервалов времени, при этом 3-мерные объемы включают в себя данные, представляющие, по меньшей мере, два отличающихся тканевых компонента в одной и той же представляющей интерес области в, по меньшей мере, одном из интервалов времени;
генератор временных кривых активности, сконфигурированный с возможностью формирования отличающейся точки временной кривой активности для каждого из отличающихся тканевых компонентов для каждого вокселя, оцениваемого для каждого оцениваемого интервала времени; и
генератор карт перфузии, сконфигурированный с возможностью формирования сигнала, характеризующего отличающуюся карту параметров для каждого из отличающихся тканевых компонентов на основании, по меньшей мере, временных кривых активности.
12. Система обработки данных по п. 11, дополнительно содержащая
блок применения масок, сконфигурированный с возможностью
применения маски к подучастку 3-мерного объема вокруг представляющего интерес вокселя, при этом генератор гистограмм формирует соответствующую гистограмму для вокселя на основании вокселей в пределах маски, и временная кривая активности, соответствующая вокселю, формируется на основании гистограммы.
13. Система обработки данных по п. 12, в которой маска применяет отличающиеся веса к значениям разных вокселей на основании расстояния вокселя до представляющего интерес вокселя, при этом веса основаны на, по меньшей мере, каком-то одном из гауссова, двоичного, линейного, экспоненциального или ступенчатого распределений.
14. Система обработки данных по п. 12, дополнительно содержащая
блок оценки гистограмм, сконфигурированный с возможностью разделения каждой из гистограмм на, по меньшей мере, два отличающихся диапазона, при этом каждый диапазон соответствует отличающемуся тканевому компоненту, вычисляет репрезентативное значение для каждого из, по меньшей мере, двух диапазонов и определяет точку временной кривой активности для каждого из диапазонов, для определения, тем самым, временной кривой активности для каждого из отличающихся тканевых компонентов.
15. Система обработки данных по п. 14, в которой временная кривая активности определяется на основании предварительно заданной модели, которая задает вероятность каждого из множества отличающихся паттернов временных кривых активности.
16. Система обработки данных по п. 14, дополнительно содержащая
блок определения параметров, сконфигурированный с возможностью определения отношения параметров между отличающимися тканевыми компонентами на основании гистограмм и диапазонов; и
генератор карт отношений, сконфигурированный с возможностью формирования отличающейся карты отношений для каждого из отличающихся тканевых компонентов на основании отношения параметров.
17. Система обработки данных по п. 16, дополнительно
содержащая
оптимизатор, включающий в себя
анализатор, сконфигурированный с возможностью сравнения отношения параметров с предварительно заданными данными, представляющими вероятность отношений параметров между отличающимися компонентами; и
блок проверки критериев, сконфигурированный с возможностью проверки результата сравнения на соответствие предварительно заданным критериям, и
механизм визуализации, сконфигурированный с возможностью визуального представления, по меньшей мере, карт параметров в случае соответствия результатов предварительно заданным критериям.
18. Система обработки данных по п. 17, в которой в случае несоответствия результатов предварительно заданным критериям, блок оценки гистограмм разделяет гистограмму на, по меньшей мере, два модифицированных диапазона, вычисляет следующее репрезентативное значение для каждого из, по меньшей мере, двух модифицированных диапазонов и определяет следующую точку временной кривой активности для каждого из модифицированных диапазонов, для определения, тем самым, следующей временной кривой активности для каждого из отличающихся тканевых компонентов.
19. Система обработки данных по п. 18, в которой блок оценки гистограмм повторяет этапы модификации диапазонов, разделения гистограммы на основании модифицированных диапазонов, вычисления следующего репрезентативного значения и определения следующей временной кривой активности, пока не достигается критерий останова.
20. Машиночитаемый носитель данных, кодированный одной или более машинно-выполняемыми командами, которые при выполнении процессором компьютерной системы предписывают процессору задание: анализировать характеристики перфузии гетерогенной ткани посредством разделения пространственно переплетенных тканевых компонентов на два или более классов ткани и формирования набора карт перфузии для каждого из отдельных тканевых компонентов.
RU2015120325A 2012-10-31 2013-10-31 Визуализация перфузии RU2015120325A (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201261720475P 2012-10-31 2012-10-31
US61/720,475 2012-10-31
PCT/IB2013/059829 WO2014068520A1 (en) 2012-10-31 2013-10-31 Perfusion imaging

Publications (1)

Publication Number Publication Date
RU2015120325A true RU2015120325A (ru) 2016-12-20

Family

ID=50030347

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2015120325A RU2015120325A (ru) 2012-10-31 2013-10-31 Визуализация перфузии

Country Status (7)

Country Link
US (1) US9478024B2 (ru)
EP (1) EP2915141B1 (ru)
JP (1) JP6645831B2 (ru)
CN (1) CN104769641B (ru)
BR (1) BR112015009354A2 (ru)
RU (1) RU2015120325A (ru)
WO (1) WO2014068520A1 (ru)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9953439B2 (en) * 2014-11-25 2018-04-24 University Of Virginia Patent Foundation Systems and methods for three-dimensional spiral perfusion imaging
RU2599209C1 (ru) * 2015-07-14 2016-10-10 Федеральное государственное бюджетное научное учреждение "Томский Научно-исследовательский институт онкологии (Томский НИИ онкологии) Способ прогнозирования вероятности риска развития недостаточности анастомозов в послеоперационном периоде у больных раком пищевода
US10902619B2 (en) * 2016-10-26 2021-01-26 Duke University Systems and methods for determining quality metrics of an image or images based on an edge gradient profile and characterizing regions of interest in an image or images
US11399779B2 (en) * 2018-05-16 2022-08-02 Case Western Reserve University System-independent quantitative perfusion imaging
JP2022526418A (ja) 2019-04-04 2022-05-24 センターライン バイオメディカル,インコーポレイテッド 解剖学的構造の着目領域をモデリングすること
CN110264565B (zh) * 2019-05-27 2021-07-30 浙江大学 一种基于半峰值概率密度分布的三维重建方法
CN117582208A (zh) 2019-09-18 2024-02-23 拜耳公司 用于确定组织体素的特征的方法、***和计算机可读介质
AU2020347797A1 (en) 2019-09-18 2022-03-31 Bayer Aktiengesellschaft Forecast of MRI images by means of a forecast model trained by supervised learning
CN113616226B (zh) * 2021-09-14 2023-06-23 上海联影医疗科技股份有限公司 一种血管分析方法、***、设备及存储介质

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6692438B2 (en) * 2001-12-18 2004-02-17 Koninklijke Philips Electronics Nv Ultrasonic imaging system and method for displaying tissue perfusion and other parameters varying with time
JP2003210456A (ja) * 2002-01-21 2003-07-29 Toshiba Corp 時系列画像の処理装置
US20030211036A1 (en) 2002-05-07 2003-11-13 Hadassa Degani Method and apparatus for monitoring and quantitatively evaluating tumor perfusion
US6888914B2 (en) * 2002-11-26 2005-05-03 General Electric Company Methods and apparatus for computing volumetric perfusion
US20040218794A1 (en) * 2003-05-01 2004-11-04 Yi-Hsuan Kao Method for processing perfusion images
DE10335663A1 (de) * 2003-08-04 2005-03-10 Siemens Ag Verfahren zur automatischen Kalibrierung von Perfusionsparameterbildern
US8326400B2 (en) * 2004-05-04 2012-12-04 Stiftelsen Universitetsforskning Bergen Method of MR imaging
JP5053606B2 (ja) * 2006-09-22 2012-10-17 株式会社東芝 医用画像診断装置及び医用画像処理装置
US8233965B2 (en) 2007-03-08 2012-07-31 Oslo Universitetssykehus Hf Tumor grading from blood volume maps
GB0705223D0 (en) 2007-03-19 2007-04-25 Univ Sussex Method, apparatus and computer program for analysing medical image data
US7848557B2 (en) * 2007-03-23 2010-12-07 University Of Utah Research Foundation Rapid multi-tracer PET imaging systems and methods
US20080262344A1 (en) 2007-04-23 2008-10-23 Brummett David P Relative value summary perfusion map
DE102007028901B4 (de) * 2007-06-22 2010-07-22 Siemens Ag Verfahren und Vorrichtung zur automatischen Bestimmung von Perfusion mittels einer Magnetresonanzanlage
JP5010375B2 (ja) * 2007-07-18 2012-08-29 株式会社東芝 医用画像診断装置
CN101658428A (zh) * 2008-08-28 2010-03-03 西门子(中国)有限公司 灌注成像技术中对位图进行处理的方法和***
JP2012527324A (ja) 2009-05-19 2012-11-08 エンドラ,インコーポレイテッド 組織を分析するための熱音響システム
CN102473297B (zh) * 2009-06-30 2015-07-15 皇家飞利浦电子股份有限公司 量化灌注分析
CN101756713A (zh) * 2009-09-09 2010-06-30 西安交通大学 超声造影成像、灌注参量估计和灌注参量功能成像及其集成方法
JP5833637B2 (ja) * 2010-05-06 2015-12-16 コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. ダイナミック灌流ctの画像データ位置合わせ
EP2770910B1 (en) * 2011-10-24 2018-05-23 Koninklijke Philips N.V. Perfusion imaging
JP5820549B2 (ja) * 2012-04-17 2015-11-24 コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. 灌流イメージング

Also Published As

Publication number Publication date
CN104769641A (zh) 2015-07-08
EP2915141B1 (en) 2016-12-14
US20160048955A1 (en) 2016-02-18
JP6645831B2 (ja) 2020-02-14
CN104769641B (zh) 2018-01-26
EP2915141A1 (en) 2015-09-09
US9478024B2 (en) 2016-10-25
BR112015009354A2 (pt) 2017-07-04
WO2014068520A1 (en) 2014-05-08
JP2015532872A (ja) 2015-11-16

Similar Documents

Publication Publication Date Title
RU2015120325A (ru) Визуализация перфузии
RU2014121097A (ru) Формирование изображения кровотока
EP2958049A2 (en) Method and apparatus for extracting feature regions from point cloud
CN104954185B (zh) 一种基于深度置信网的云计算负载预测方法
CN106405518A (zh) 一种复杂体制雷达信号等级关联聚类分选方法
RU2012152513A (ru) Совмещение данных изображения для динамической перфузионной компьютерной томографии
KR101661934B1 (ko) 영상 처리 장치 및 방법
CN106056098B (zh) 一种基于类别合并的脉冲信号聚类分选方法
WO2015185696A3 (en) Method of estimating well productivity along a section of a wellbore
CN104346802A (zh) 一种人员离岗监控方法及设备
CN106033643B (zh) 一种数据处理方法及装置
CN112085125A (zh) 基于线性自学习网络的缺失值填补方法、存储介质及***
CN110415260A (zh) 基于字典与bp神经网络的烟雾图像分割与识别方法
CN104915928A (zh) 一种基于本征正交分解的速度场坏矢量识别和修正方法
JP2020535924A5 (ru)
CN106935038A (zh) 一种停车检测***及检测方法
US20220051075A1 (en) Methods and apparatuses for tracking weak signal traces
CN105975772A (zh) 基于概率假设密度滤波的多目标检测前跟踪方法
CN106611021B (zh) 一种数据处理方法和设备
CN102360496B (zh) 基于gmm参数迁移聚类的sar图像分割方法
MX2016006027A (es) Realizacion de modelo de permeabilidad de formacion subterranea.
RU2015134392A (ru) Способ моделирования подземного объема
CN103049913A (zh) 脑部磁共振血管造影数据的分割方法及装置
CN107741204B (zh) 一种用于动态三维测量的条纹增强方法
CN110457812A (zh) 一种复杂目标强电磁散射源的识别方法及***