一、冠脉造影图像序列中血管运动的估计及其进展（论文文献综述）
夏章涛[1]（2020）在《基于电影绘制的血管内超声图像三维重建》文中提出冠状动脉粥样硬化性心脏病,也叫做“冠心病”,严重威胁着人们的生命健康。血管内超声成像设备能够提供冠脉横截面图像,被认为是冠心病诊断的新“金标准”。对血管内超声图像序列进行三维重建,医生能多角度观察血管的空间形态结构及内部斑块分布,从而提高医生对心血管疾病诊断的准确性以及客观性。医学图像的三维重建中,目前在临床中使用最多的是体绘制方法,相比面绘制,其能有效呈现物体内部形态,但受其渲染理论限制,依旧难以达到人眼所见现实世界的真实感。电影绘制是近年来提出的一种新颖的医学图像渲染理论,该技术灵感来自于电影、动画产业。本文基于电影绘制的思想构建血管内超声图像的三维重建模型,并探索其在血管内超声图像上的表现力,并分别从心动周期的分离、血管内超声图像的滤波、光照模型的构建、光线采样算法的优化四个方面进行研究。研究主要工作如下:（1）提出了一种血管内超声图像心动周期的非线性累加分离方法。摒弃传统的心动特征线性加权提取法,构建心动周期的幂级数函数模型,通过多特征非线性累加法拟合,最后进行聚类筛选并验证。该心动函数模型大大提高了心动周期分离的效率与准确度。（2）提出了一种血管内超声图像综合降噪算法。提出在心动周期分离的基础上使用多图像平均滤波和改进的双边滤波,以降低血管图像中的随机噪声和斑点噪声;并在单帧图像进行中值滤波与Frost滤波,最后取平均;结果显示本文综合降噪方法既有多帧图像的共性,又含单帧图像的特异性,明显优于其它算法。（3）设计了一种基于物理光照的电影绘制渲染模型。高度模拟自然光现象,构建光线吸收加反射加散射的渲染模型,并与现临床使用最多的体绘制三维重建方法对比,本文三维重建模型的血管更加逼真且对血管中斑块有更强的表现力。（4）提出了一种高效的光线采样算法。反函数法拟合采样点分布,并在采样接受率中引入梯度比重项,以重点渲染图像的高频区域加快图像收敛,仿真结果表明本文光线采样法在渲染质量与渲染速度上均有明显提升。
郝冬冬[2]（2020）在《面向临床微循环功能评估的造影血管分割及提取方法研究》文中认为目前冠状动脉相关的疾病已成为威胁人类健康的主要疾病之一,呈现高发病率和死亡率。而冠脉微循环功能障碍是诱发这些疾病的重要因素。临床上根据微循环功能障碍的程度来确定治疗过程中的给药策略或者判断是否需要手术等。微循环功能评估是临床治疗的基础,临床医生常通过对冠脉造影图像的定性观察、手动测量或者利用磁共振成像等手段来评估。前者精度不高,后者操作复杂费用昂贵。冠脉造影是常用的冠脉疾病的诊疗手段,通过对冠脉造影图像进行处理和特征分析,用于微循环功能评估对辅助临床治疗具有开创性意义。冠脉造影图像存在对比度低、前景背景遮挡、噪声干扰等问题。当前,从造影图像序列提取出血管的结构和强度信息仍是一项极具挑战的工作。此外,对提取到的造影血管信息进行统计分析进而量化评估微循环功能,是具有开创性的工作。本文旨在通过比较准确地提取带有强度信息的血管结构来评估微循环功能。为了达到上述目的,首先设计了一个新颖的分割算法进行血管分割,得到较为精确的血管掩模;接着利用张量补全算法对血管掩模区域的背景信息进行恢复,得到带有强度信息的血管前景图;提取到血管前景后,进行图像分析,建立微循环功能评价指标。针对血管分割,本文开发了一种基于U-net结构,利用残差学习和通道注意力机制的深度学习造影血管分割算法。该算法能较好实现时空特征提取、特征融合和特征提纯。基于消融实验说明了不同参数配置及算法各模块对分割效果的影响。Dice loss的引入缓解了前景类和背景类像素数量不平衡问题,与主流算法对比验证了提出方法的有效性。在分割得到血管掩模的基础上,利用扭转张量核范数方法,结合t-SVD分解与递归拉格朗日乘子法来求解血管mask区域的背景灰度信息,并从原始造影图像中减除完整的背景层,最终获得带有强度信息的血管前景。为了定量评估冠脉微循环功能,我们开创性的利用带有强度信息的血管前景图像,统计图像特征并建立微循环功能评价指标用于功能分级,在测试集上验证了所提指标的合理性。我们统计了造影剂最大充盈浓度AMGV,心肌区域供血面积占比P,心肌区域造影剂排空时间Ttotal、心肌造影剂最大充盈时间Tmax等指标,并进一步计算得到心肌最大充盈的平均速度Vmax和心肌区域造影剂平均排空速度Vtotal。我们提出的指标评定的微循环分级与医生临床诊断结果的相关性系数为84.33%,并在磁共振CMR指标中得到验证,证明了本文提出的造影血管提取和微循环功能分析的框架的有效性。
李高阳[3]（2020）在《基于全卷积神经网络的冠脉造影图像分割方法研究》文中研究指明随着城市经济的增长和人口老龄化的加快,心血管疾病已经成为人类的第一大死因。冠状动脉血管几何形状的分析在心血管疾病的诊断中有着重要的意义。为了对临床应用做出可靠的判断,需要通过准确、稳健的分割方法对冠状动脉血管树进行提取。本文提出一套基于全卷积神经网络的冠脉造影序列图像分割方法。首先对图像进行预处理,提高样本的质量;然后设计全卷积分割网络VGG-seg,该网络基于VGG-16基础网络,去掉最后的全连接层,并在每个池化层之后进行反卷积,分别输出各层反卷积的结果并进行线性加和,从而对每个像素进行分类。定义损失函数为自适应类平衡交叉熵,以Image Net上的预训练参数初始化网络,利用109例临床冠脉造影序列数据作为训练集对网络进行训练,然后利用40例冠状动脉造影序列作为测试集对模型进行测试;最后通过基于条件随机场的方法对血管边缘进行精细化处理,将冠脉造影图像的所有像素点构建成一个全连接条件随机场,通过最小化一元势能和二元势能,同时考虑像素的位置、灰度等特征,使模型的总能量最小,从而实现对血管断裂、空洞情况的精细化处理,实现冠脉序列图像的精确分割。为了验证分割方法的有效性,本文在测试集数据上通过两种指标对分割方法进行评价,一是分割结果评价指标,包括Dice系数,准确率（Accuracy）、特异性（Specificity）及敏感性（Sensitivity）;二是临床诊断结果评价指标,即将分割的结果细化,进行血管直径检测。用本文所得的结果与医生的标注结果进行对比,在网络性能方面,本文得到的Dice系数为0.89,准确率为98.36%,灵敏度为93.36%,特异性为98.76%,与前人提出的先进方法对比体现出一定的优势。在临床评价指标方面,通过对本文提出的分割方法所得到的结果进行骨架线提取和直径计算,与标注图像的直径对比后得到的绝对误差为0.382,相对误差为0.112,这说明本文的分割方法可以较为精确的恢复血管轮廓。本文提出的基于全卷积神经网络的冠脉造影序列图像分割方法,实现了对冠脉造影序列图像中血管的准确提取,为解决临床上冠脉血管树的提取问题提供了一定的依据。
米亚男[4]（2019）在《血管内光学相干断层扫描与冠脉造影之间配准问题的研究》文中研究表明随着人工智能和数字图像处理技术的快速发展,越来越多的领域将这些技术与传统的应用相结合,以推动其自身的发展。医学影像技术发展至今,也演变出了各种的成像技术,如血管摄影、心血管造影术、电脑断层扫描、乳房摄影术、光学相干断层扫描、核磁共振成像、医学超音波等成像技术。这些成像技术能够直观的反应出人体的病变情况,为医生的诊断和治疗提供非常直观的参考,给人类的健康带来不可磨灭的功劳。在医疗领域中,我们可以通过冠状动脉造影技术呈现出冠状动脉外部的情况,同时采用光学相干断层扫描技术呈现出血管内部的情况。可是光学相干断层扫描获取的腔内信息,无法在冠状动脉造影图像上找出对应的位置。为了达到更好的治疗效果,需要将冠状动脉造影图像与光学相干断层扫描图像进行配准。本论文采用光学相干断层扫描和血管造影术两种成像技术,针对血管内光学相干断层扫描与冠脉造影之间的配准问题展开研究。论文首先从光学角度出发,阐述了光学相干断层扫描技术和冠状动脉造影技术。然后通过算法找寻光学相干断层扫描图像上导丝的标记点,再计算导丝的回拉速度匹配找到冠脉造影图像的对应帧。最后,利用软件平台将研究结果可视化,并针对目前的研究情况,总结展望。该研究的第一个难点,冠脉造影图像上的标记点检测。本文提出了一种基于血管中心线提取--导管找寻--标记点检测的方法。此方法将冠状动脉造影图像的血管中心线和血管内导管的准确检测作为先决条件,这对后续标记点的正确检测起到非常重要的作用。该研究的第二个难点,光学相干断层扫描图像与冠状动脉造影图像的配准。目前使用的方法,是已知导管的回拉速度,结合算法,找到对应于冠状动脉造影图像上标记点坐标的光学相干断层扫描图像帧数。论文中增加了可视化软件开发部分,该软件可以通过界面交互选取目标血管,将通过算法检测到的标记点动态展示,产生了实际应用价值。
杜晨冰,宋爽,艾丹妮,宋红,黄勇,王涌天,杨健[5]（2018）在《血管造影图像序列减影增强技术综述》文中指出基于造影图像序列的血管减影增强技术能够有效地去除图像中大部分非血管结构、成像噪声以及不同结构运动所造成的运动伪影,对实现血管结构识别,提高血管的对比度,并对后续血管结构的分析和医生对疾病的诊疗具有重要意义;同时,该技术可减少对病人的造影剂注射量,具有重要的临床意义。本文基于单视角血管造影图像序列,从血管造影图像减影技术的基本原理,包括基于图像配准和基于层分解的两类减影方法出发,介绍了每个关键步骤的发展现状。同时对血管减影技术的难点进行分析,并对减影增强技术未来的发展趋势予以展望。
鞠云全[6]（2018）在《基于IVUS和CAG图像融合的心血管重建算法研究》文中研究说明血管内超声成像（Intravascular Ultrasound,IVUS）和冠状动脉造影成像（Coronary angiography,CAG）是冠状动脉疾病临床诊断中应用最广泛的两项技术,在冠脉成像辅助诊断中具有极高的地位。IVUS只记录了病变血管内部信息,而CAG只记录了血管的空间结构信息。两种数据融合才能得到更加全面的血管数据,为医生诊断疾病和下一步的研究分析提供更加丰富的资料。冠状动脉血管重建是指将IVUS与CAG两种图像融合,重构出血管的立体结构。主要包括以下几步,IVUS图像的内外膜分割、CAG图像的轮廓提取和配准、血管中心线（导引丝的运动轨迹）的三维重构、IVUS图像和CAG图像的融合（IVUS的定位和定向）。其中,血管三维中心线的重构和图像融合过程中IVUS的定向问题（角度调整）对重建结果的影响非常大。为了进一步地提高重建结果的准确性,提高血管融合重建速度,本文认真分析了血管中心线的重建过程和IVUS定向方案时序（角度调整时序）,并提出了新的算法。血管中心线重建是两种图像融合的基础,经典的血管中心线重建方案是样条曲线拟合空间点的方法。该方法重建出的三维血管中心线在顺滑性和重建速度等方面仍存在不足、有待改善,本文提出了曲面相交的方法来重建血管三维中心线。与样条曲线拟合空间点方法不同,曲面相交方法是先用样条曲线拟合二维平面上中心线上的点,然后再拉成曲面,利用两面相交计算出空间曲线。经典的IVUS在空间中心线上的定向（角度调整）方案是相对角度优先调整的方法,它计算出IVUS间相对角度后,以第一帧IVUS的绝对角度作为全部IVUS的绝对角度来旋转调整所有IVUS的方向。该方法在角度调整的效果和速度方面限于实验环境的要求仍存在不足,本文提出基于重复计算绝对角度的方法,解决了IVUS的定向问题。重复计算绝对角度与经典的相对角度优先调整的方法不同,它通过单独计算每一帧IVUS的绝对角度的方法完成了IVUS的角度调整。本文在提取出CAG血管中心线并用样条曲线拟合以后,利用提出的两种方法重建出血管轮廓,最后通过血管表面拟合完成了血管的融合重建。实验结果表明,本文提出的方法是可行有效的。
靳明新[7]（2018）在《X射线冠脉造影图像序列的血管提取方法研究》文中研究指明X射线冠状动脉造影成像是诊断心血管疾病的重要手段,可用于经皮冠状动脉介入治疗的手术导航和疗效评估。由于X射线的成像机理,冠脉造影图像反映了X射线在投影路径上由人体众多组织造成的衰减之和。因此,由造影剂填充的血管与其他组织结构（包括骨骼,隔膜和肺等）在图像空间上互相重叠,而这些背景结构严重干扰了对心血管的观测和评估,目前,从冠脉造影图像中提取出无背景噪声的清晰血管图像仍然是一个难题。针对该问题,本论文对冠脉造影图像序列的血管提取方法进行了研究。论文针对冠脉造影图像序列提出了三种处理方法。首先,为了提取出血管可视性较高的血管层图像,基于动态冠脉造影图像序列可看作一个低秩背景矩阵和一个稀疏前景矩阵的和,本文通过模拟图像中不同结构的复杂概率分布及加强时空运动一致性,设计了一种新的累进式鲁棒主成分分析算法,能够提取出血管可视性显着增强的血管层。然后,针对血管形状提取,本文设计了一种血管分割算法,将鲁棒主成分分析、类Radon特征提取、自适应阈值分割相结合,从冠脉造影图像序列中分割出完整、准确的血管区域。最后,本文在提取出血管区域掩模的基础上进行血管灰度提取,使用张量补全算法从原始冠脉造影图像序列中恢复出血管区域内的背景结构投影图像,并从原始图像中除去背景层,得到血管形状和灰度都得到准确复原的血管造影图像序列。论文提出的血管提取方法使用临床X射线冠脉造影图像序列和合成造影图像序列进行实验,并和目前主流的一些算法比较。实验结果表明本文提出的血管提取方法对现有方法有所改进,其中累进式鲁棒主成分分析能完整地提取血管层图像,并提高血管可视性,血管分割和张量补全则能够较准确地提取血管的形状和灰度信息。
杨思远[8]（2018）在《基于X射线造影图像的冠脉分割与中心线匹配方法研究》文中认为如今,冠状动脉疾病已经成为了人类健康的主要威胁。在冠心病的诊疗当中,心血管造影图像已成为诊断的金标准,基于造影图像的计算机辅助诊疗系统能够很好的帮助医生诊断病情和制定治疗方案,具有十分重要的研究意义。但是,目前的造影图像处理方法（分割、中心线提取、匹配等）往往需要大量的人工交互操作,限制了其在临床中的应用。本文针对目前造影图像处理方法存在的局限性,重点研究其中的几项关键技术,包括:造影图像匹配与减影、冠脉结构分割、中心线提取与序列帧中心线匹配等,其中本文提出的大部分方法都做到了自动化,能够大幅度减少医生的操作量,为之后的三维重建、血液动力学分析等研究方向打下基础。本文的主要创新性工作包括:（1）提出了一种基于深度特征的造影图像匹配方法。该方法首先搭建孪生卷积神经网络提取造影图像局部特征,针对造影图像匹配数据不足的缺点,网络首先在自然场景图像上进行预训练,然后在少量造影图像上进行微调;其次,利用一种多层次匹配策略结合学习得到的局部特征向量获取造影图像蒙片和盈片之间的稀疏匹配点对;最后,对于未匹配点,搜索其周围特征距离最小的匹配点对,通过随机抽样一致性算法计算仿射变换关系,得出匹配结果。（2）提出了一种基于多通道卷积神经网络的造影图像血管分割方法。该方法首先采用本文的匹配方法将蒙片和盈片进行匹配,并将匹配的子块送入到双通道卷积神经网络进行学习,去除大部分的背景造影并提取大致的血管区域,再通过一些形态学处理获取血管感兴趣区域;最后设计了一种多尺度神经网络对感兴趣区域中的血管进行进一步的判别,实现精细的分割。（3）提出了一种基于拓扑连接的中心线提取与匹配方法。该方法首先对分割图像进行多尺度增强,并利用非极大值抑制获取中心线粗提取结果;其次,建立断桥区域连接概率图,采用最小路径算法修补概率最高的断桥,获取完整中心线拓扑;最后,将中心线转变为拓扑结构,利用上一帧中心线位置信息采用路径搜索策略得出下一帧中所有可能的候选中心线,从中挑选出动态时间规划距离最小的中心线作为最终匹配的中心线。
黄正华[9]（2017）在《动态成像环境下的图像信息处理方法研究》文中进行了进一步梳理高对比度可视化图像是分析并研究图像内在信息的重要保障,而有限长序列图像中的运动参数估计为量化评估目标的运动特性提供给了技术支撑。然而,在弱照明、云朵和背光等环境下,获得的可见光图像和近红外图像整体偏暗,且对比度极低,极大的阻碍了人类视觉系统对图像中各成分的辨识,很难甚至无法检测跟踪这些低质量图像中的目标;而受到成像技术、肌肉组织以及造影剂的浓度、类别和极强毒性的影响,有限长X射线心血管造影图像序列中不仅包含加性高斯白噪声,而且心血管造影图像的对比度极低,这既阻碍了临床医生诊断分析血管疾病,又加大了临床医生和研究者对心血管提取、心血管运动分析以及三维心血管树结构重建等的难度。为此,必须开展旨在提高图像品质和分离有限长图像序列中混合信号的图像信息处理方法,以便构建高效的目标监测与智能分析系统。本论文在国家有关项目支持下,针对动态成像环境下的近红外图像、低对比度彩色图像和有限长X射线心血管图像中出现的若干关键问题进行了研究和探讨,设计图像信息处理方法并分析这些方法的有效性和可靠性,用于支撑我国目标监测识别与智能分析系统的基础研究。本文的工作主要体现在以下几个方面:首先,提出了两种不同类型的图像去噪方法,它们分别是:（1）迭代加权核范数去噪方法。针对核范数近似秩正则化误差过大的问题,提出了一种新的替代函数,将现有的核范数问题转化为迭代加权问题,并采用交替方向迭代得到模型的数值近似解。（2）空间自适应图像去噪方法。针对双域滤波受到梯度因子影响变化较大的问题,根据Hessian矩阵特征值的组合特性,提出了一种空间自适应梯度因子。大量的仿真实验验证了本文提出的两种去噪方法的有效性。进一步的X射线心血管造影图像实验结果表明,提出的两种方法既能够有效地消除图像中的噪声,又能够更多保留毛细血管和血管末梢,为临床医生诊断分析潜在的心血管疾病提供充足的信息。其次,提出了一种新的基于Hessian矩阵的非局部加权滤波方法。针对传统基于Hessian矩阵的增强方法无法解决增强与去噪的逆问题以及无法保持血管结构的问题,本文将非局部加权因子引入到Hessian矩阵中获得降低噪声的特征值,利用新Hessian矩阵的特征组合,结合图像的局部像素统计关系,提出了一种保持血管结构的增强方法。实验结果显示,该方法不仅能够有效地抑制非血管区域和噪声,而且能够保持血管树结构（特别是毛细血管和血管末梢）。再次,提出了两种不同方式获取自适应伽马参数的方法。针对传统伽马参数不能自适应调节图像可视化的问题,本文分别利用全局累积直方图和局部累积直方图对概率密度函数进行校正,接着对它们进行归一化处理,获取归一化概率密度函数的累积直方图并由它们构建自适应伽马参数。实验结果表明,两种不同形式的自适应伽马校正近红外图像增强方法能够有效地提高近红外图像的对比度,并保持其高亮度和结构信息。然后,提出了一种基于Retinex帧波正则化的变分增强方法。其主要思路是利用帧波变换的多尺度结构捕获能力,将其作为反射量的正则化约束条件,更多的保留反射量中的多尺度结构信息。交替方向迭代和分裂Bregman迭代同时被采用正确估计近似照明度和反射量,利于提高低对比度彩色图像的可视化品质。大量的实验结果表明,该方法有效地提高了低对比度彩色图像的亮度、增强了其对比度和保持了其结构信息,从而极大地提升了其可视性。最后,提出了一种多运动参数的时-频域交叉迭代优化分离方法。针对传统傅立叶变换无法准确分离有限长混合信号的问题,本文提出采用时域全局均方误差最小和频域局部均方误差最小准则,对有限长X射线心血管交叉特征点的运动进行分离。大量仿真和真实混合信号分离实验结果表明,提出的方法能够有效地分离短时长心血管交叉特征点的多运动参数,为临床医生定量分析心脏疾病提供技术支撑。
王程[10]（2017）在《心脏介入手术中的血管及导丝跟踪算法研究》文中研究指明心血管疾病正在严重地威胁着人类的健康和生命。基于造影图像的心血管疾病计算机辅助诊疗技术为心血管疾病的量化分析提供了依据。因此血管和导丝中心线结构的准确分割和配准在临床医学中有着重要的意义。本文在分析国内外血管和导丝跟踪算法的基础上,重点完成了血管种子点提取算法和导丝种子点提取算法的研究,并利用提取出的种子点实现了血管及导丝中心线提取算法,最后完成了造影图像序列中血管跟踪算法的仿真分析。本文的创新之处在于提出了一种基于GVF场的血管种子点提取算法和一种基于OAC模型的血管及导丝中心线提取算法;在血管种子点提取算法中,采用鲁棒性和稳定性更强的GVF场作为种子点响应函数的外力场,与传统的基于对称边缘以及局部极值点的种子点提取算法相比,该算法能够提取出更多更准确的种子点;在血管及导丝中心线提取算法中,采用了改进外力场的OAC模型,有效地解决了活动轮廓模型曲线初始化过短的问题。本文主要完成的工作如下:（1）完成了基于GVF场的血管种子点提取算法研究和仿真。该算法利用多尺度滤波算法对造影图像进行预处理,增强管状物结构。根据造影图像的GVF场求得种子点响应函数,从而实现血管种子点的自动提取。同时,实现了一种基于边缘检测的导丝种子点提取算法,利用数学形态学的腐蚀膨胀技术,实现导丝种子点的自动筛选定位。最后对种子点的提取结果进行实验分析。（2）完成了基于OAC模型的血管及导丝中心线提取算法研究与仿真。在中心线初始化过程中,研究实现了一种基于自适应跟踪的中心线初始化算法。并将初始化结果代入基于GVF场的OAC模型形变,得到最终的中心线结果。最后对中心线的提取结果进行实验分析。（3）完成了基于图像配准的血管跟踪算法研究与仿真。算法包含了基于B样条的配准算法和序贯更新的快速优化算法。以Hausdorff距离为相似性测度,通过对B样条控制点的分块求解,完成快速的血管配准,并对配准结果进行实验分析。同时,根据配准结果实现了基于符号语言的血管运动解释,为医生提供定量的血管运动参数。
二、冠脉造影图像序列中血管运动的估计及其进展（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、冠脉造影图像序列中血管运动的估计及其进展（论文提纲范文）
（1）基于电影绘制的血管内超声图像三维重建（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容和组织结构 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文的组织结构 |
| 第2章 IVUS图像的预处理 |
| 2.1 血管内超声技术 |
| 2.1.1 血管内超声成像设备 |
| 2.1.2 血管内超声图像 |
| 2.2 心动周期的非线性累加提取算法 |
| 2.2.1 特征的提取 |
| 2.2.2 特征的非线性组合 |
| 2.2.3 心动函数模型的比较分析 |
| 2.2.4 心动周期的分离 |
| 2.2.5 收缩期图像的拟合与结果分析 |
| 2.3 IVUS图像的综合降噪 |
| 2.3.1 传统降噪算法 |
| 2.3.2 改进的双边滤波算法 |
| 2.3.3 综合降噪方法 |
| 2.3.4 滤波效果与分析 |
| 2.4 本章小结 |
| 第3章 IVUS图像渲染模型的设计与实现 |
| 3.1 IVUS图像的体绘制 |
| 3.1.1 体数据 |
| 3.1.2 体绘制中的光学模型 |
| 3.1.3 光线投射法的原理 |
| 3.1.4 光线投射算法的具体实现 |
| 3.2 基于电影绘制IVUS图像渲染模型的构建 |
| 3.2.1 辐射度理论 |
| 3.2.2 BRDF |
| 3.2.3 光线的吸收 |
| 3.2.4 光线的发射 |
| 3.2.5 光线的外散射 |
| 3.2.6 光线的内散射 |
| 3.2.7 相函数 |
| 3.3 渲染方程 |
| 3.4 渲染模型的对比与分析 |
| 3.5 本章小结 |
| 第4章 光线采样算法的优化 |
| 4.1 光线步进算法 |
| 4.2 蒙特卡洛积分 |
| 4.2.1 蒙特卡洛积分原理 |
| 4.2.2 收敛性分析 |
| 4.2.3 重要性采样 |
| 4.3 光线采样算法的设计 |
| 4.3.1 采样点的确定 |
| 4.3.2 采样点的接收 |
| 4.4 基于梯度因子的采样点接受方法 |
| 4.4.1 梯度比重项 |
| 4.4.2 体梯度的计算 |
| 4.4.3 算法实现 |
| 4.5 光线采样算法的对比分析 |
| 4.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术成果 |
| 致谢 |
（2）面向临床微循环功能评估的造影血管分割及提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 血管分割 |
| 1.2.2 血管灰度提取 |
| 1.2.3 微循环功能临床评估 |
| 1.3 论文的研究内容和主要贡献 |
| 1.4 论文的组织结构 |
| 第二章 基于判别性时空特征学习的序列血管分割 |
| 2.1 基础知识 |
| 2.1.1 U-net网络结构 |
| 2.1.2 残差结构 |
| 2.1.3 通道注意力机制 |
| 2.1.4 分割网络常用的损失函数 |
| 2.1.5 神经网络常用的训练技巧 |
| 2.2 网络结构介绍 |
| 2.2.1 总体概述 |
| 2.2.2 输入设置 |
| 2.2.3 修改后的U-net结构 |
| 2.2.4 3D与2D残差块 |
| 2.2.5 本文的通道注意力模块 |
| 2.2.6 本文中用到的数据增强方法 |
| 2.2.7 损失函数 |
| 2.3 实验验证 |
| 2.3.1 性能评价指标 |
| 2.3.2 实验数据说明 |
| 2.3.3 2D vs 3D分割模型以及有无通道注意力机制的分割效果对比 |
| 2.3.4 交叉熵和Dice loss的对比 |
| 2.3.5 与其他主流分割算法的对比 |
| 2.4 本章总结 |
| 第三章 血管灰度提取及微循环功能评估研究 |
| 3.1 基于t-TNN算法的血管灰度提取的理论基础 |
| 3.1.1 t-TNN算法的背景知识 |
| 3.1.2 问题定义 |
| 3.1.3 问题求解 |
| 3.2 血管灰度提取实验数据及结果 |
| 3.2.1 实验数据介绍及预处理操作 |
| 3.2.2 实验结果 |
| 3.3 微循环功能的评价指标 |
| 3.3.1 临床常用评价指标优缺点 |
| 3.3.2 本文拟建立的微循环评价指标 |
| 3.3.3 本节实验数据标注情况介绍 |
| 3.3.4 实验结果与分析 |
| 3.3.5 指标验证 |
| 3.4 本章总结 |
| 第四章 总结与展望 |
| 4.1 主要工作与创新点 |
| 4.2 后续研究工作 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 附录3 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（3）基于全卷积神经网络的冠脉造影图像分割方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 冠脉血管疾病的临床研究 |
| 1.2.1 冠状动脉血管疾病的成因 |
| 1.2.2 冠状动脉血管疾病的诊断方法 |
| 1.3 冠脉造影序列图像分割的研究意义 |
| 1.3.1 冠脉造影序列图像分割的重要性 |
| 1.3.2 冠脉造影序列图像分割的难点 |
| 1.4 冠脉造影序列图像分割的研究现状 |
| 1.4.1 基于传统方法的冠脉造影图像分割 |
| 1.4.2 基于深度学习方法的冠脉造影图像分割 |
| 1.4.3 现有分割方法存在的问题 |
| 1.5 本研究的创新性与论文内容安排 |
| 第2章 全卷积神经网络冠脉造影序列血管分割方法 |
| 2.1 冠脉造影序列图像预处理 |
| 2.1.1 数据增强 |
| 2.1.2 对比度增强 |
| 2.2 基于深度卷积神经网络的图像分割 |
| 2.2.1 深度卷积神经网络概述 |
| 2.2.2 基于全卷积神经网络的图像分割 |
| 2.3 冠脉造影序列图像分割网络设计 |
| 2.3.1 冠脉造影图像分割网络设计 |
| 2.3.2 冠脉造影图像分割网络训练 |
| 2.4 本章小结 |
| 第3章 基于条件随机场的后处理方法 |
| 3.1 基于条件随机场的轮廓处理方法 |
| 3.1.1 从隐马尔可夫随机场到条件随机场 |
| 3.1.2 条件随机场 |
| 3.2 冠脉造影序列图像分割的后处理 |
| 3.2.1 冠脉造影图像中全连接条件随机场的构建 |
| 3.2.2 冠脉造影图像全连接条件随机场的求解 |
| 3.3 本章小结 |
| 第4章 冠脉造影序列图像分割结果及方法评价 |
| 4.1 材料和方法 |
| 4.1.1 数据来源 |
| 4.1.2 数据采集设备 |
| 4.1.3 数据标定与数据集划分 |
| 4.1.4 数据训练设备 |
| 4.2 分割结果的评价指标 |
| 4.2.1 Dice系数 |
| 4.2.2 准确性、敏感性、特异性的计算 |
| 4.3 临床诊断结果的评价方法 |
| 4.4 结果展示与评价 |
| 4.4.1 分割结果展示与讨论 |
| 4.4.2 分割结果的评价 |
| 4.4.3 临床诊断结果的展示与评价 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（4）血管内光学相干断层扫描与冠脉造影之间配准问题的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究内容及意义 |
| 1.1.1 研究内容 |
| 1.1.2 研究意义 |
| 1.2 研究路线 |
| 1.2.1 国内外研究现状分析 |
| 1.2.2 采取的研究方法及可行性分析 |
| 1.3 本研究的特色与创新之处 |
| 1.4 章节安排 |
| 1.5 本章小结 |
| 第2章 冠状动脉造影技术 |
| 2.1 X射线的发现与特性 |
| 2.2 冠脉造影术简介 |
| 2.2.1 X射线冠脉造影成像原理 |
| 2.2.2 X射线冠脉造影成像的优缺点 |
| 2.2.3 血管造影技术与系统构成 |
| 2.3 血管造影术的新发展 |
| 2.3.1 CT血管造影在心血管疾病诊断中的临床应用 |
| 2.3.2 神经血管造影术进展 |
| 2.4 本章小结 |
| 第3章 OCT技术 |
| 3.1 腔内影像技术 |
| 3.1.1 IVUS技术与OCT技术的介绍 |
| 3.1.2 IVUS技术与OCT技术的比较 |
| 3.2 OCT简介 |
| 3.2.1 OCT成像原理 |
| 3.2.2 OCT的发展与优缺点 |
| 3.3 OCT技术的应用 |
| 3.3.1 光学相干断层扫描在消化道疾病的应用进展 |
| 3.3.2 光学相干断层扫描在眼科临床中的应用进展 |
| 3.3.3 光学相干断层扫描在冠脉介入诊疗领域的应用进展 |
| 3.4 本章小结 |
| 第4章 标记点检测 |
| 4.1 图像增强 |
| 4.2 血管中心线跟踪 |
| 4.2.1 基于Hessian矩阵特征向量的血管中心线获取 |
| 4.2.2 相邻帧血管中心线 |
| 4.2.3 检测导管 |
| 4.3 标记点检测 |
| 4.3.1 首帧标记点检测 |
| 4.3.2 相邻帧标记点检测 |
| 4.4 实验验证与结论 |
| 4.4.1 实验验证 |
| 4.4.2 结果分析 |
| 4.5 本章小结 |
| 第5章 血管内OCT与冠脉造影之间的配准和可视化软件开发 |
| 5.1 血管内OCT与冠脉造影之间的配准 |
| 5.1.1 采取的实现方法 |
| 5.1.2 研究效果与分析 |
| 5.2 可视化软件开发 |
| 5.2.1 硬件环境 |
| 5.2.2 软件环境 |
| 5.2.3 流程设计 |
| 5.2.4 应用效果 |
| 5.3 本章小结 |
| 第6章 总结和展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
（5）血管造影图像序列减影增强技术综述（论文提纲范文）
| 前言 |
| 1 血管减影增强技术的基本原理 |
| 1.1 基于图像配准的减影方法 |
| 1.2 基于层分解的减影方法 |
| 2 血管减影增强技术的关键步骤 |
| 2.1 基于图像配准的减影方法 |
| 2.1.1 控制点的选取 |
| 2.1.2 目标函数的构建 |
| 2.1.3 函数优化 |
| 2.1.4 图像形变 |
| 2.2 基于层分解的减影方法 |
| 2.2.1 图像分层假设 |
| 2.2.2 能量函数的构建 |
| 2.2.3 优化算法设计 |
| 3 血管减影增强技术的难点与展望 |
（6）基于IVUS和CAG图像融合的心血管重建算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 冠状动脉疾病 |
| 1.1.2 冠脉疾病的治疗 |
| 1.1.3 血管内超声技术 |
| 1.1.4 冠状动脉造影技术 |
| 1.2 研究目的和研究意义 |
| 1.3 国内外研究现状 |
| 1.4 论文主要研究内容 |
| 第二章 血管内超声成像和冠脉造影成像原理 |
| 2.1 血管内超声 |
| 2.1.1 血管内超声成像原理 |
| 2.1.2 仪器设备 |
| 2.1.3 血管内超声的临床应用 |
| 2.2 X射线冠脉造影系统 |
| 2.2.1 X射线造影的基本原理 |
| 2.2.2 造影系统的组成和分类 |
| 2.2.3 造影角度 |
| 2.2.4 冠脉造影的临床应用 |
| 2.3 本章小结 |
| 第三章 造影图像血管中心线的三维重建 |
| 3.1 血管造影图像边缘和中心线的提取 |
| 3.1.1 造影图像的预处理 |
| 3.1.2 血管边缘和中心线的提取 |
| 3.1.3 血管边缘和中心线的提取结果 |
| 3.2 血管中心线的三维重建 |
| 3.2.1 B样条曲线 |
| 3.2.2 B样条拟合CAG血管边缘和中心线 |
| 3.2.3 曲面相交重建中心线法 |
| 3.3 本章小结 |
| 第四章 IVUS与 CAG数据的融合 |
| 4.1 IVUS图像的内外膜分割 |
| 4.1.1 IVUS图像预处理 |
| 4.1.2 IVUS图像内外膜分割 |
| 4.1.3 血管内外膜分割 |
| 4.2 IVUS和CAG的融合 |
| 4.2.1 IVUS图像序列在血管中心线上的定位 |
| 4.2.2 IVUS图像序列在血管中心线上的定向 |
| 4.2.3 血管表面拟合 |
| 4.3 本章小结 |
| 第五章 结论与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（7）X射线冠脉造影图像序列的血管提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 冠脉造影图像的血管处理手段 |
| 1.2.2 冠脉造影图像序列的层分离方法现状 |
| 1.3 冠脉造影图像的处理难点 |
| 1.4 本文的研究内容与主要贡献 |
| 1.5 本文的组织结构 |
| 第二章 基于累进式RPCA算法的血管层提取方法研究 |
| 2.1 背景知识 |
| 2.1.1 RPCA算法 |
| 2.1.2 全变分 |
| 2.2 累进式RPCA算法设计 |
| 2.2.1 MoG-RPCA候选前景层检测 |
| 2.2.2 MCR-RPCA进一步血管层提取 |
| 2.3 实验与分析 |
| 2.3.1 实验阐述 |
| 2.3.2 结果展示 |
| 2.3.3 血管可视性量化评估 |
| 2.4 本章小结 |
| 第三章 冠脉造影图像序列的血管分割算法研究 |
| 3.1 作用于X射线衰减数据的RPCA算法设计 |
| 3.1.1 X射线成像原理与对数变换预处理 |
| 3.1.2 RPCA算法 |
| 3.2 类Radon特征提取 |
| 3.3 阈值分割算法 |
| 3.3.1 Otsu全局自适应阈值 |
| 3.3.2 Phansalkar局部自适应阈值 |
| 3.4 血管分割算法的总体设计 |
| 3.5 实验与分析 |
| 3.5.1 实验阐述 |
| 3.5.2 结果展示 |
| 3.5.3 分割精准度量化评估 |
| 3.6 本章小结 |
| 第四章 基于背景补全的血管提取方法研究 |
| 4.1 相关张量理论 |
| 4.1.1 基本概念 |
| 4.1.2 t-SVD |
| 4.1.3 张量补全 |
| 4.2 t-TNN张量补全 |
| 4.3 实验与分析 |
| 4.3.1 算法总述 |
| 4.3.2 实验阐述 |
| 4.3.3 血管提取精确度量化评估 |
| 4.3.4 结果分析与讨论 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（8）基于X射线造影图像的冠脉分割与中心线匹配方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 本文研究的目的和意义 |
| 1.2 课题研究现状和进展 |
| 1.2.1 二维血管分割技术研究现状 |
| 1.2.2 血管中心线提取方法研究现状 |
| 1.2.3 血管匹配方法研究现状 |
| 1.3 本文的研究内容与主要贡献 |
| 1.4 本文的组织结构 |
| 第2章 基于特征学习的造影图像多层次匹配方法 |
| 2.1 方法概述 |
| 2.2 局部特征向量提取 |
| 2.3 多层次特征匹配 |
| 2.3.1 自底向上特征融合 |
| 2.3.2 自顶向下回溯匹配 |
| 2.3.3 稠密插值策略 |
| 2.4 实验与讨论 |
| 2.4.1 实验数据与算法参数 |
| 2.4.2 匹配性能比较 |
| 2.4.3 减影效果比较 |
| 2.5 本章小结 |
| 第3章 基于多通道卷积神经网络的血管分割方法 |
| 3.1 单通道卷积神经网络基准模型 |
| 3.2 多通道卷积神经网络血管分割方法 |
| 3.2.1 基准模型的缺点 |
| 3.2.2 双通道卷积神经网络 |
| 3.2.3 多尺度卷积神经网络 |
| 3.3 实验与讨论 |
| 3.3.1 实验数据与参数选择 |
| 3.3.2 不同神经网络性能比较 |
| 3.3.3 不同种类分割算法性能比较 |
| 3.4 本章小结 |
| 第4章 基于路径搜索的中心线提取与匹配方法 |
| 4.1 中心线粗提取 |
| 4.2 中心线修补 |
| 4.2.1 断桥连接概率图计算 |
| 4.2.2 最优连接路径搜索 |
| 4.3 基于路径搜索和动态时间规整的血管匹配方法 |
| 4.3.1 拓扑建立与路径搜索 |
| 4.3.2 中心线相似度计算 |
| 4.4 实验与讨论 |
| 4.4.1 中心线断裂修复性能评估 |
| 4.4.2 不同算法中心线提取性能比较 |
| 4.4.3 中心线匹配性能比较 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
（9）动态成像环境下的图像信息处理方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要缩略符号对照表 |
| 1 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 动态成像环境下的图像信息处理方法的国内外研究进展 |
| 1.3 本论文的主要工作 |
| 1.4 本论文的课题来源及内容安排 |
| 2 X射线心血管造影图像去噪方法 |
| 2.1 引言 |
| 2.2 基于迭代加权核准则的血管造影图像去噪方法 |
| 2.3 空间自适应血管造影图像去噪方法 |
| 2.4 实验结果与分析 |
| 2.5 本章小结 |
| 3 基于Hessian矩阵的保持血管结构增强方法 |
| 3.1 引言 |
| 3.2 基于Hessian矩阵的保持血管结构增强方法 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 基于累积直方图自适应伽马校正的近红外图像增强方法 |
| 4.1 引言 |
| 4.2 基于累积直方图的自适应伽马校正图像增强方法 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于帧波正则化的低亮度彩色图像增强方法 |
| 5.1 引言 |
| 5.2 低亮度彩色图像增强模型 |
| 5.3 模型优化 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 6 基于结构特征的运动参数自动提取方法 |
| 6.1 引言 |
| 6.2 特征点的多运动参数模型 |
| 6.3 心血管特征点自动提取 |
| 6.4 模型指导的多运动参数分离方法 |
| 6.5 实验结果及分析 |
| 6.6 本章小结 |
| 7 全文总结与展望 |
| 7.1 本文工作总结 |
| 7.2 进一步的研究方向和展望 |
| 致谢 |
| 参考文献 |
| 附录1 文中部分定理及方法的进一步验证与实验 |
| 附录2 攻读博士学位期间的主要研究成果及从事科研课题 |
（10）心脏介入手术中的血管及导丝跟踪算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究的目的和意义 |
| 1.3 国内外发展与研究现状 |
| 1.4 论文的主要工作及章节安排 |
| 第2章 血管及导丝的种子点提取算法研究与仿真 |
| 2.1 种子点提取算法分析 |
| 2.2 造影图像预处理算法研究 |
| 2.2.1 医学图像预处理算法研究与分析 |
| 2.2.2 基于多尺度滤波的预处理算法原理分析与仿真 |
| 2.3 基于GVF场的血管种子点提取算法设计与仿真 |
| 2.4 基于边缘检测的导丝种子点提取算法设计与仿真 |
| 2.5 血管及导丝种子点的提取实验与结果分析 |
| 2.5.1 血管种子点的提取实验与结果分析 |
| 2.5.2 导丝种子点的提取实验与结果分析 |
| 2.6 本章小结 |
| 第3章 基于OAC模型的血管及导丝中心线提取算法研究与仿真 |
| 3.1 中心线提取算法分析 |
| 3.2 基于自适应跟踪的中心线初始化算法设计 |
| 3.2.1 中心线的跟踪方向初始化 |
| 3.2.2 中心线自适应跟踪 |
| 3.2.3 伪中心线的剔除与合并 |
| 3.3 基于OAC模型的中心线提取算法设计 |
| 3.3.1 传统活动轮廓模型的算法分析 |
| 3.3.2 改进型活动轮廓模型-OAC模型算法分析 |
| 3.3.3 基于GVF场的OAC曲线形变算法设计 |
| 3.4 血管及导丝中心线提取的评估原理分析与指标 |
| 3.4.1 血管中心线提取的评估原理分析与指标 |
| 3.4.2 导丝中心线提取的评估原理分析与指标 |
| 3.5 血管及导丝中心线提取实验与结果分析 |
| 3.5.1 血管中心线的提取实验与结果分析 |
| 3.5.2 导丝中心线的提取实验与结果分析 |
| 3.6 本章小结 |
| 第4章 基于图像配准的血管跟踪算法研究与仿真 |
| 4.1 血管跟踪算法分析 |
| 4.2 图像配准算法原理分析 |
| 4.2.1 图像配准的数学模型 |
| 4.2.2 图像配准的流程及分析 |
| 4.3 基于B样条的医学图像配准算法原理与设计 |
| 4.3.1 B样条函数的数学模型 |
| 4.3.2 基于B样条的形变算法原理分析 |
| 4.3.3 基于Hausdorff距离的相似性测度原理分析 |
| 4.3.4 快速的序贯更新计算策略原理分析 |
| 4.4 血管跟踪算法的实验与结果分析 |
| 4.4.1 血管中心线配准算法的结果分析 |
| 4.4.2 基于符号语言的血管运动解释 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 进一步研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 一、攻读学位期间发表的论文 |
| 二、参加的科研项目 |
四、冠脉造影图像序列中血管运动的估计及其进展（论文参考文献）
- [1]基于电影绘制的血管内超声图像三维重建[D]. 夏章涛. 北京工业大学, 2020(06)
- [2]面向临床微循环功能评估的造影血管分割及提取方法研究[D]. 郝冬冬. 上海交通大学, 2020(01)
- [3]基于全卷积神经网络的冠脉造影图像分割方法研究[D]. 李高阳. 哈尔滨工程大学, 2020(05)
- [4]血管内光学相干断层扫描与冠脉造影之间配准问题的研究[D]. 米亚男. 陕西师范大学, 2019(01)
- [5]血管造影图像序列减影增强技术综述[J]. 杜晨冰,宋爽,艾丹妮,宋红,黄勇,王涌天,杨健. 生命科学仪器, 2018(Z1)
- [6]基于IVUS和CAG图像融合的心血管重建算法研究[D]. 鞠云全. 山东财经大学, 2018(03)
- [7]X射线冠脉造影图像序列的血管提取方法研究[D]. 靳明新. 上海交通大学, 2018(02)
- [8]基于X射线造影图像的冠脉分割与中心线匹配方法研究[D]. 杨思远. 北京理工大学, 2018(07)
- [9]动态成像环境下的图像信息处理方法研究[D]. 黄正华. 华中科技大学, 2017(03)
- [10]心脏介入手术中的血管及导丝跟踪算法研究[D]. 王程. 武汉理工大学, 2017(02)