导读:本文包含了心脏医学图像论文开题报告文献综述及选题提纲参考文献，主要关键词:背景差分,医学图像,重构
心脏医学图像论文文献综述
赵志升,张晓,梁俊花,叶永飞[1]（2015）在《融入背景差分连续重构的心脏医学图像重建》一文中研究指出通过对人体心脏器官的医学图像重建,为实现叁维可视化手术及图像重构提供图像基础。传统的心脏医学图像重建方法采用的是叁维坐标点动态数据采集算法,当测量点相对散乱时无法满足心脏器官重建的准确性要求。提出一种融入背景差分连续重构的心脏医学图像重建方法,进行图像细节纹理的灰度化图像进行提升分离,定义表面渲染的选项,计算二维层状图像纹理特征像素点检测沿幅角方向上模值的极大值点,得到叁维成像的仿真视景图像的质心位置,采用二阶累积泰勒展开算法,对叁维图像模型进行心脏图像的纹理特征提取,实现算法改进。仿真结果得出,采用该算法进行心脏医学图像重建,重建表面的最大误差显着减少,重建精度较高,重建时间减少,在实时性和精确性上性能优越。(本文来源于《科技通报》期刊2015年08期）
甘建红,尹立雪,谢盛华,李文华,卢景[2]（2014）在《基于医学图像分析的心脏流体力学研究现状及趋势》一文中研究指出介绍了当前基于医学图像的心脏流体力学研究方法,并简要分析了基于磁共振成像(MRI)的流体研究方法、基于彩色多普勒超声心脏流体动力学和基于灰阶超声图像的叁种常用分析方法的特点、不足以及算法本质,并指出了基于超声图像运动矢量估计的粒子成像速度(PIV)测量、斑点跟踪和块匹配方法在算法原理本质上的相同之处,都是采用了图像块之间的相关特性。分析表明,在未来基于医学图像的心脏流体力学分析研究中,随着信息技术和传感器技术的发展,将会在心脏流体能量传递过程、流体特征与心脏功能状态以及血液流体与心肌固体运动耦合叁方面迅速展开深层次的研究。(本文来源于《生物医学工程学杂志》期刊2014年03期）
骆功宁[3]（2014）在《基于医学图像的叁维心脏建模研究》一文中研究指出当今，心脏疾病是带给人类困扰最多的疾病之一。心脏疾病具有隐蔽性和紧急性，所以心脏的运行机制以及疾病的产生原因成为研究热点。计算机是心脏研究的重要工具，计算机辅助心脏研究的核心工作就是心脏仿真（仿真正常心脏和病变心脏）。然而，一个准确的叁维心脏解剖模型对心脏各个层次的仿真工作起着举足轻重的作用。为此，本文进行了一种基于标定医学图像构建完整准确心脏模型的几何建模方法研究工作。针对叁维心脏建模中的关键技术，提出了复杂拓扑轮廓线提取方案和完整叁维心脏建模方案。首先，针对图形学领域比较流行的几何建模方法，即Marching cubes算法和轮廓线重建方法展开探索，分析他们各自的优缺点。其次，针对心脏标定医学图像数据集的特点，提出了一种基于B样条曲线拟合技术的轮廓线提取方案，该方案可以为标定心脏医学图像的复杂拓扑轮廓线提供一种矢量化表示。然后，针对提取的轮廓线的歧义问题和标定医学图像数据集的噪声问题，提出了解决方案。并将复杂多类物质叁维重建问题转化为并行处理框架下的两类物质叁维心脏建模问题。同时，本文在模型生成过程中采用了灵活的采样方案，即基于曲率的轮廓线上采样和基于直方图相似度的轮廓线间采样，并将采样点作为最初的叁维心脏模型网格优化的约束，提高了最终叁维心脏模型的准确度。最后，本文针对已经生成的叁维心脏模型，进行了四面网格剖分实验。(本文来源于《哈尔滨工业大学》期刊2014-06-01）
刘长红,徐杜,蒋永平,凌远焕[4]（2010）在《基于机器视觉的心脏医学图像处理研究》一文中研究指出针对医学心脏图像中信息提取过程复杂、信息量大而且信息量处理时间复杂度高,采用机器视觉的方法,提出一种新的心脏图像处理办法,该方法主要通过4个阶段的4个不同算法来处理心脏医学图像。首先采用平滑算法去心脏图像处理,去除噪声;其次采用滤波算法对图像进行分析,找出目标区域;再采用加权增强算法得到目标区域的图像特征,找出图像的基本轮廓;最后采用图像还原算法再建原始心脏图像的彩色图像。实验结果表明,基于机器视觉的心脏医学图像处理算法能够准确提取相关的数据信息,在限定的时间复杂度下得到较好的结果。(本文来源于《计算机与应用化学》期刊2010年07期）
陈丰[5]（2010）在《医学图像分割算法研究及其在心脏分割中的应用》一文中研究指出医学影像分割是计算机辅助诊断和治疗计划制订中一项非常重要的工作,是医学图像处理与分析的一个重要领域,同时也是计算机辅助诊断与治疗的基础。所谓图像分割就是根据某种均匀性或一致性的原则将图像分成若干个有意义的部分,使得每部分都符合某种一致性的要求。近年来随着医学影像获取技术的不断提高,图像的质量越来越好,分辨率越来越高,细节越来越复杂,使得传统分割算法所需要的时间越来越多,通用性也越来越差。如何高效而又精确的在图像中分割出感兴趣的器官成为国际上一个重要且前沿的研究课题。据世界卫生组织统计,心血管疾病已经成为全世界造成人类非意外死亡的第一大杀手。因此,对心血管疾病的早期诊断和治疗变得非常重要。近年来,国际上出现了许多针对人类心脏中某些解剖结构的分割算法,最为常见的便是针对心房、心室的分割。但是对于计算机辅助诊断、治疗和医生的实际需要,常常需要将整个心脏分割出来。这项工作非常具有挑战性,一方面心脏的解剖结构非常复杂,包含心房、心室、冠状动脉、血管、心包以及瓣膜等结构;另一方面心脏的持续跳动使获得医学影像具有变化的相位特性,难以定位和分割。由于医学影像的成像原理,心房、心室在医学影像中非常明显,很容易识别和分割;而心肌等结构则与周围组织在图像灰度上非常接近,并且存在粘连,从而造成了分割的困难。国际上全心脏分割算法还比较少,也比较不成熟,本课题就是致力于对各种常用分割算法进行分析和调研,研究出一个有效的分割算法,将其应用在全心脏分割中实现对整个心脏的完全分割和心脏组织结构包括心房心室和心肌的自分割,满足计算机辅助诊断、治疗和医生的临床需求,具有很大的科研和临床意义。本文的主要工作和创新点如下:1.介绍国际上常用的医学图像分割算法的研究现状,并着重介绍了基于期望最大化算法(EM Method)和基于水平集方法(Level Set Method)的分割算法。2.根据医学图像分割的特点,对期望最大化算法进行改进和优化,并与原始的期望最大化算法做了对比和评价,使之能更好的实现心脏分割这一研究目标。3.提出了基于改进的期望最大化算法和带形状先验模型的水平集方法的混合分割模型,结合了它们各自的优势,并将其应用在医学图像分割,特别是心脏分割领域中。4.实现人体心脏CT和MRI图像的全分割和自解剖结构的分割。在全心脏分割这一分割领域内的难点上,我们提出了使用基于优化的期望最大化算法和带形状先验模型的水平集混合模型,对心脏的CT和MRI图像进行分割。通过在多组试验数据上的大量实验,结合对算法参数的讨论和与金标准的对比分析,并与其他分割方法做了试验对比和评价,验证了算法的鲁棒性和精确性,确定了本方法的临床应用价值。(本文来源于《上海交通大学》期刊2010-01-01）
秦安[6]（2007）在《医学心脏序列图像自动分析研究》一文中研究指出随着人类生活水平的提高和预期寿命的延长，心血管疾病(cardiovascular disease，CVD)成为人类的头号死因。对心血管疾病的早期定量诊断和风险评估对延长人类预期寿命，提高人类的生活质量，起着非常关键的作用。心脏由心电节律控制，房室按顺序收缩、舒展和瓣膜开闭作周期运动。很多现代医学影像设备都能对心脏进行动态成像。近年来，医学影像设备包括磁共振成像(magnetic resonance imaging，MRI)、计算机断层成像(x-ray computer tomography，CT)和超声成像(ultrasonic imaging，US)等，在成像速度、时间和空间分辨率方面快速提高，基本实现了对心脏的3D动态成像。MR心脏成像的主要优点包括：较好的软组织对比度，能够清楚地区别心脏内各种组织、肿瘤和组织变性；进行任意平面成像的能力；无放射性，无需注射或服用示踪剂；对血流具有较高对比度，还能够评价血流的流速、流量，所以MRI心脏成像能准确地显示其解剖、形态、功能、血流、心肌活性等。近几年实时叁维US开始进入临床，叁维US不仅能显示解剖结构的二维断层图像，而且可观察与断面相垂直的前侧和后侧结构的立体形态，对了解各个结构空间非常有效，通过软件辅助在叁维数据选择任意适当的剖切平面，能获取各种结构的全貌，如瓣膜形态、开口面积等；采用用叁维体显示或面显示方法对图像数据做叁维重建显示可以直观展示解剖结构，减少了对超声科医生专业经验的依籁。心脏影像设备的进步带来海量的图像数据，心脏成像通常是空间上的3D成像，在心动周期内随时间动态变化构成所谓4D数据。这使传统在观片灯上观察2D图像的工作方式出现问题。首先，4D数据很难以2D方式直观显示。过去观察静态投影或断层图像辅以空间想象的图像解读方法，面对高维动态心脏医学图像数据时比较困难；其次，只依靠放射医生的主观经验分析很难做到定量、可重复的提取具有临床诊断意义的信息，人际差别、可重复性、工作效率等都限制了现代影像设备在心血管检查临床实践中的充分应用。虽然部分新设备也带有简单的图像分析软件，但是它们一般是利用简单的几何模型，提供传统全局参数粗略估计。开发新的计算机辅助分析工具提取海量医学图像中客观、定量、有临床意义的诊断信息来辅助医生诊断成为必然趋势，而对心脏图像中各种解剖结构尤其是左心室的分割则是心脏医学图像分析在临床应用的重要瓶颈之一。图像分割是图像处理中最重要、基础也是研究内容最为广泛的领域之一，研究者曾提出过基于不同理论框架和不同图像特征的图像分割方法。图像分割技术的成功应用与其处理对象和应用领域密切相关。心脏医学图像有其固有特点，必须结合图像分割理论、具体医学图像特点以及感兴趣的解剖结构来研究有效的心脏医学图像分割算法。本文针对心脏MR和US图像，在计算机辅助心脏医学图像分析方面上做了以下工作：一)提出了一种知识引导下的广义模糊几何动态轮廓线分割算法(generalized fuzzy active contour model，GFACM)，结合基于水平集框架的概率形状模型整合医生手动分割结果形成的训练集引入先验知识，实现了对心脏MR图像左心室内壁的鲁棒分割。从MR心脏叁维动态序列图像中快速精确分割左心室内边界是计算机辅助图像分析和心功能诊断的重要前提步骤。由于心脏快速非刚性运动、软组织低对比度和快速成像序列物理原理等各种原因，心脏MR图像的心室边界比较模糊，动态轮廓线算法算法不能很好的定位心室轮廓边界；一般的基于灰度概率和曲线演化的方法也很难保证分割结果的鲁棒和精确。图像的梯度矢量流(gradient vector flow，GVF)扩大了曲线演化的动态范围，使曲线可以搜索到非凸边界。通过把边缘信息以梯度矢量的形式向外扩散，GVF为动态轮廓线提供更大的形变动态范围。考虑到提取正确地图像边缘信息是计算梯度矢量流的关键，通过对传统的GVF扩散方程通过引入广义模糊算子(generalized fuzzy operator，GFO)算子，改善了噪声环境下几何动态轮廓线的动态范围和准确捕捉目标边界的能力，将改进GVF场引入几何动态轮廓线模型(geometric active contour model，GACM)，改善了边界搜寻动态范围，并且具有较强的抗噪和模糊边界定位的能力。另外，研究表明在分割模型中整合解剖结构和医生经验的先验知识，可以提高分割结果对噪声和模糊边界的鲁棒性，改进计算效率。我们利用人工分割训练集在水平集框架下构建了概率形状模型，将先验知识引导整合到上述曲线演化过程中，成功实现了对MR左心室内壁的鲁棒精确分割。对多套临床心脏MR图像数据的实验结果显示，分割结果和专家手动分割结果的距离在合理范围内。二)提出一种小波多尺度框架下的水平集曲线演化算法，实现了对心脏超声图像左心室内壁的鲁棒分割。由于成像物理特性的原因，US图像的信噪比较低，而且由于斑点噪声(speckle noise)的存在，超声图像的灰度分布被认为是非高斯的，所以传统的基于高斯模型的图像分割方法不能解决心脏超声图像分割问题，而经典动态轮廓线模型是基于图像梯度的，由于超声中弱边界和断裂边界的存在，单纯的基于梯度的曲线演化很容易发生边界泄漏，这是传统基于图像梯度水平集演化的固有缺陷之一。2001年Tony针对这一问题引入基于区域灰度一致性的无边界信息动态轮廓线模型(Active Contour Without Edge)，该模型具有分割结果鲁棒，对曲线初始位置不敏感的优点。但该模型成立的前提是图像区域灰度分布近似符合高斯分布，这个前提在原始超声图像中得不到满足。小波多尺度分析可以同时在时(空)域和频域上进行局部分解，是信号分析发展史上里程碑式的进展，被广泛应用于信号处理、图像分析、模式识别、计算机视觉等研究领域。由于小波基对信号的平滑和降采样的作用，超声小波分解高层的相邻低频系数之间的相关性降低，近似于高斯分布。而且小波分解高层，构成图像主要能量的灰度信息大部分得到了保留，斑点噪声大部分被抑制。这些特点提示可以在小波分解后不同尺度的低频近似图像中采用不同的分割模型，而设计分割结果的尺度间传播，利用低分辨率尺度图像的分割结果来约束高分辨率尺度图像中的曲线演化，从而得到稳健而精确的结果。为了实现在心脏超声图像左心室的鲁棒分割，算法在小波分解最高层采用结合边界信息和区域灰度一致性的分割模型，综合利用区域灰度和边界图像梯度信息，在小波分解最高层的低频近似图像中可以得到比较稳健和精确的分割结果。在最高层得到粗尺度的大致左心室内壁轮廓曲线后，通过尺度间插值得到下一层低频近似图像的初始轮廓。为了继续细化左心室轮廓，必须继续利用当前尺度图像信息来推动曲线演化，但由于当前低频图像不再满足高斯分布，所以不能再用区域灰度的均一性来约束曲线的演化。但边界信息复杂，如果没有进一步的约束，曲线的演化又很容易发生边界泄漏而完全偏离初始轮廓。为了进一步细化和约束曲线的演化，引入不同分辨率下曲线形状的一致性约束，作为对精细尺度图像中曲线继续细化演化的约束，结合曲线尺度问形状约束和边界约束使分割结果在不断细化的同时，不致大幅度偏离粗尺度下得到的初始曲线。基于水平集分割的一个重要的问题是各种演化力权重参数调整。本文算法包含有叁种曲线演化力：分别是区域力，边界力和层间约束力，怎么确定一个合理的权重系数是非常难的问题。通过在演化过程中，动态调节这几种演化力的权重，在演化的初期，应该尽量忠实于图像信息，也就是让基于图像信息的边界和区域的力占较大权重；而随着演化的进行到末期，层问约束力要起重要的作用，防止边界泄漏和大变形，保持层间的形状相似性。总结以上分析，心脏超声图像左心室分割算法的具体步骤如下：a)首先对超声心脏图像做小波分解，得到各层的低频图像。从小波分解的最高层层低频图像开始，利用边界和区域复合约束动态轮廓线模型寻找左心室内边界；b)通过插值将结果向下一尺度低频图像传递，并利用尺度间形状约束和边界约束复合动态轮廓线进一步细化曲线，使其符合局部图像特征，并随着曲线演化动态调整参数；c)向上逐层重复直至原始图像。由于采用了小波多尺度框架和尺度问形状约束，算法具有曲线演化结果稳健鲁棒，不易陷入局部极小和发生边界泄漏等优点，非常适合心脏超声图像噪声高、对比度低和边界灰度梯度不显着的特点。在实际临床叁维超声图像上的实验表明，算法分割结果和人工分割结果的误差在合理范围内。叁)提出一种心脏MR图像内外壁联合分割和时序追踪算法为了计算左心室质量(left ventricle mass，LVM)等重要心功能参数，在得到各层面左心室短轴像的内壁精确分割结果后，还需要对左心室的外壁做分割，外壁的边界和周围的组织在某些位置灰度分布非常接近，如果不加约束很容易发生边界泄漏，本文提出一种灰度和距离双重约束的方法，实现了左心室外壁的鲁棒分割。a)初始化和内壁分割：假设左心室是一个被切割椭球体，选择较小半径和轴长使切割椭球体位于图像中左心室的内部。选择其中某个时刻t_0的叁维图像集I_(：，t_0)，初始化各层面Z_i中的水平集函数，使其所包含曲线为对应层面上的截面圆，用第四章中的改进几何动态轮廓线算法分别在各层图像中进行演化，得到I_(：，t_0)，各层面心室内壁的分割结果。b)心室外壁分割左心室外壁边界有特殊特点，某些方向灰度对比度很好，但某些方向就很微弱或几乎没有区别，不管是采用边界或区域灰度信息都很难区分。所以心室外壁的分割必须结合解剖结构先验信息如到心室内壁最近点的距离，来控制外壁分割曲线的演化。外壁分割以心室内壁分割结果为初始轮廓，曲线演化外力场的设计以较强的向外扩张膨胀外力为主导，用区域均值和曲线到心室内壁最近点的距离作约束，得到合理的心室外壁轮廓。具体方法是计算心室内壁向外邻近一个小环状区域的灰度均值m~e：如果演化曲线上的某点区域灰度不同于聊m~e，那么说明曲线演化达到或超出了心室外壁，应该停止或降低速度；如果外壁上的点离内壁上最近的点距离超过2.5cm，那么根据解剖知识曲线也应该超过了外壁区域，应该改变方向。由于内外壁之间的心肌组织区域灰度比较均一，而且心室内外壁距离一般小于2.5厘米，所以当曲线演化到最大距离之外，或者是局部区域的灰度均值不同于图像中心肌区域的灰度均值时，改变曲线演化方向或降低曲线演化速度。保证心外壁的分割结果满足先验知识的要求。c)时序追踪算法由于左心室内壁的运动在空间和时间上是一个连续的周期过程，所以在分割t_0时刻MR心脏图像各短轴层面上的心室内壁后，为了在时序上追踪内壁的连续运动，本节提出使用时序追踪算法来跟踪同一短轴层面上内壁运动过程。以I_(Z_i△_0)图像心室内壁分割结果为初始轮廓，向同一层面Z_i在不同时刻的图像I_(Z，：)扩展演化，得到I_(Z，：)上所有时刻的心室内壁轮廓。因为同层面的心室壁随时间的变化过程是平滑和渐进的，提出利用时间上相邻的各帧的改进GVF场(的高斯加权平均来得到当前帧的改进GVF场，同时利用该场和图像数据演化曲线，得到时间上相邻各帧I_(Z，：)的心室内轮廓，遍历所有层面Z_i后，再以得到内壁轮廓为起点，得到对应的心室外壁轮廓。四)根据心脏图像左心室内外壁分割结果，实现了心功能量化参数的计算计算机辅助心脏图像分析最终需要表现为具有临床意义的定量心功能参数。结合本文MR心脏图像左心室内壁分割算法和灰度和距离约束下的左心室外壁分割算法，构造心脏的叁维模型，实现了各种量化的心功能参数的计算。(本文来源于《第一军医大学》期刊2007-04-01）
徐镇海[7]（2007）在《基于医学图像的叁维心脏建模及参数分析》一文中研究指出心脏的叁维图像在医学图象分析和处理领域得到了快速的发展，很多学者在心脏建模不断发展的基础上提出了不同的方法来分析心脏形体和参数。目前，基于模型技术已经成为医学图像分析的重要工具，它将基于图像数据的约束和对感兴趣目标的先验知识统一于变分框架下，其应用包括图像去噪、图像分割、图像匹配、运动跟踪等方面。特别地，基于可变模型和统计模型的技术引起了广泛的注意和重视。本文首次在国内基于标准3D-ASM算法实现左心室建模，通过本文，我们看到基于叁维统计模型的技术能改善心脏的诊断效率，比如，鲁棒性、叁维交互性、计算复杂性以及临床诊断结果的确定性。进一步地，我们通过统计模型技术能得到相似的功能参数，而这些参数具有极其重要的临床诊断价值。接着在基于SPECT(单光子发射计算机断层仪)医学图像数据提出了左心室心肌运动的新方法。通过叁维活动形体模型(3D-ASM)算法，我们得到了左心室外心膜和内心膜边界，然后建立一个基于心脏SPECT训练序列具有几何属性和灰度等级的模型。最后，我们选择了心脏收缩、舒张周期(持续时间700ms)的7个相位，分析计算了左心室心肌运动中每个相位的各类基本参数，提出了用Spring弹簧模型分析心肌应力应变，而这些是计算心脏容积、射血分数等最基础的参数，并为医生提供了临床辅助诊断功能。(本文来源于《浙江工业大学》期刊2007-04-01）
刘旭,寿文德,舒先红[8]（2006）在《心脏医学超声图像序列的噪声抑制》一文中研究指出从超声图像噪声的特点出发,利用各向异性扩散滤波技术,实现超声图像的自适应噪声抑制;并将其扩展到时间域图像序列的平滑中,以提高滤波的准确程度.模拟和临床实验表明:该方法可有效实现超声图像中斑点噪声的抑制,并提高图像序列的峰值信噪比;同时对心脏结构特征具有较好的保持和增强效果.(本文来源于《上海交通大学学报》期刊2006年11期）
刘旭,寿文德,舒先红[9]（2005）在《基于统计模型的心脏医学图像运动分析》一文中研究指出采用最小描述长度建立目标函数,通过参数化过程的优化实现标定点的自动对应;并进一步与活动形状模型结合,将其应用到心脏医学图像的运动特征分析中.实验结果表明,该方法可有效提高统计模型的泛化能力,并实现对心室结构的分割和运动跟踪.(本文来源于《上海交通大学学报》期刊2005年08期）
赵衍运,蔡安妮,孙景鳌[10]（2001）在《基于模糊的核医学心脏门控图像左心室边缘自动检测》一文中研究指出提出一种自动检测心脏门控图像左心室边缘的算法 .该算法依据核医学心脏门控图像灰度分布的特点 ,采用模糊增强的方法增强图像的左心室区域 ,利用增强后的图像实现左心室边缘自动检测 .该算法对于左右心室分得不开的核医学心脏门控图像也能正确检测出左心室的边缘(本文来源于《北京邮电大学学报》期刊2001年03期）
心脏医学图像论文开题报告
（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：
介绍了当前基于医学图像的心脏流体力学研究方法,并简要分析了基于磁共振成像(MRI)的流体研究方法、基于彩色多普勒超声心脏流体动力学和基于灰阶超声图像的叁种常用分析方法的特点、不足以及算法本质,并指出了基于超声图像运动矢量估计的粒子成像速度(PIV)测量、斑点跟踪和块匹配方法在算法原理本质上的相同之处,都是采用了图像块之间的相关特性。分析表明,在未来基于医学图像的心脏流体力学分析研究中,随着信息技术和传感器技术的发展,将会在心脏流体能量传递过程、流体特征与心脏功能状态以及血液流体与心肌固体运动耦合叁方面迅速展开深层次的研究。
（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。
心脏医学图像论文参考文献
[1].赵志升,张晓,梁俊花,叶永飞.融入背景差分连续重构的心脏医学图像重建[J].科技通报.2015
[2].甘建红,尹立雪,谢盛华,李文华,卢景.基于医学图像分析的心脏流体力学研究现状及趋势[J].生物医学工程学杂志.2014
[3].骆功宁.基于医学图像的叁维心脏建模研究[D].哈尔滨工业大学.2014
[4].刘长红,徐杜,蒋永平,凌远焕.基于机器视觉的心脏医学图像处理研究[J].计算机与应用化学.2010
[5].陈丰.医学图像分割算法研究及其在心脏分割中的应用[D].上海交通大学.2010
[6].秦安.医学心脏序列图像自动分析研究[D].第一军医大学.2007
[7].徐镇海.基于医学图像的叁维心脏建模及参数分析[D].浙江工业大学.2007
[8].刘旭,寿文德,舒先红.心脏医学超声图像序列的噪声抑制[J].上海交通大学学报.2006
[9].刘旭,寿文德,舒先红.基于统计模型的心脏医学图像运动分析[J].上海交通大学学报.2005
[10].赵衍运,蔡安妮,孙景鳌.基于模糊的核医学心脏门控图像左心室边缘自动检测[J].北京邮电大学学报.2001