[go: up one dir, main page]

CN114170239A - 基于分级搜索的大视场自适应壁滤波方法及系统 - Google Patents

基于分级搜索的大视场自适应壁滤波方法及系统 Download PDF

Info

Publication number
CN114170239A
CN114170239A CN202111334484.XA CN202111334484A CN114170239A CN 114170239 A CN114170239 A CN 114170239A CN 202111334484 A CN202111334484 A CN 202111334484A CN 114170239 A CN114170239 A CN 114170239A
Authority
CN
China
Prior art keywords
window
filtering
blood flow
image
regions
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
Application number
CN202111334484.XA
Other languages
English (en)
Inventor
徐依雯
崔崤峣
焦阳
李昕泽
唐雨嘉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Guoke Angzhuo Medical Technology Co ltd
Original Assignee
Suzhou Guoke Angzhuo Medical Technology Co ltd
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 Suzhou Guoke Angzhuo Medical Technology Co ltd filed Critical Suzhou Guoke Angzhuo Medical Technology Co ltd
Priority to CN202111334484.XA priority Critical patent/CN114170239A/zh
Priority to PCT/CN2021/131481 priority patent/WO2023082304A1/zh
Publication of CN114170239A publication Critical patent/CN114170239A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/06—Measuring blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Hematology (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种基于分级搜索的大视场自适应壁滤波方法及系统，该方法先采用大窗将整幅图像分为若干区域，进行滤波并评估各区域的血流信息含量，将血流信息含量高于阈值的区域提取出来用细化的小窗再进行局部滤波处理，每个小窗根据对应区域的噪声水平采用最优化的特异性滤波参数进行处理，最后进行图像重构，输出完整的壁滤波处理后的超声血流图像。本发明提供的基于分级搜索的大视场自适应壁滤波方法能够适用于大容量数据的高效壁滤波方法，提高了运算效率；本发明的壁滤波方法能够很好的抑制杂波，大大提高了滤波质量。

Description

基于分级搜索的大视场自适应壁滤波方法及系统
技术领域
本发明涉及医学图像处理领域，特别涉及一种基于分级搜索的大视场自适应壁滤波方法及系统。
背景技术
超快超声平面波成像技术能提供高帧频的大视场同步回波数据，为大视场血流图像提供了更多有效原始信息，普通滤波算法在处理大视场数据方面有诸多不足。
现有壁滤波方法大致分三种：(1)传统时间域滤波器每次滤波只能处理单点时间域信息，通过逐点滤波拼凑出二维图像，在大视场图像处理上存在效率低抗干扰力差等问题，速度慢，滤波效果差。(2)新型的奇异值分解滤波器(SVD滤波器，Singular ValueDecompostion)能够一次输入全部原始数据，提高了处理效率，但对整幅图像采取“一刀切”的滤波截止设置，面对大视场图像中非均匀分布的有效信息存在局部过度或欠缺处理。(3)改进的分区域SVD滤波器，将整幅图画分为许多小区域各自进行特异性处理，提高了滤波质量，但牺牲了SVD滤波器高效的优势。
所以，现在需要一种更可靠的方案。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于分级搜索的大视场自适应壁滤波方法及系统。本发明能够综合全域SVD高效和分区域SVD滤波质量高的优点，对整个观察区域可快速获取高质量的血流图像。
为实现上述目的，本发明采用的技术方案是：一种基于分级搜索的大视场自适应壁滤波方法，该方法用于对超声图像进行壁滤波处理，该方法先采用大窗(一级窗)将整幅图像分为若干区域，进行滤波并评估各区域的血流信息含量，将血流信息含量高于阈值的区域提取出来用细化的小窗(二级窗)再进行局部滤波处理，每个小窗根据对应区域的噪声水平采用最优化的特异性滤波参数进行处理，最后进行图像重构，输出完整的壁滤波处理后的超声血流图像。
优选的是，该方法包括以下步骤：
1)获取多帧时间连续的二维平面波超声回波信号，经IQ解调得到大视场连续帧二维平面波解调数据；
2)一级窗评估：对整幅图像以大窗划分为若干区域，同步评估各区域的血流信息含量，将血流信息含量高于阈值的区域提取出来；
3)二级窗细化：计算并设置合适的小窗，将步骤2)提取出来的血流信息含量高于阈值的区域划分成一个个相邻区域之间相互有重叠的小窗；
4)每个小窗独立进行自适应壁滤波处理；
5)图像重构：将各个小窗独立自适应滤波后输出的结果，叠加到全图相应位置，通过统计及加权平均获得归一化图像，输出重构的完整血流图像。
优选的是，单个小窗进行自适应壁滤波处理的步骤为：进行小窗数据时空域重构，得到分解矩阵，通过奇异值分解提取特征值，绘制特征曲线，利用特征曲线计算最优化的滤波参数，采用最优化的滤波参数对该小窗数据进行滤波，重构图像并输出结果。
本发明还提供一种基于分级搜索的大视场自适应壁滤波系统，其包括：
IQ解调模块，其对获取的多帧时间连续的二维平面波超声回波信号进行IQ解调，得到大视场连续帧二维平面波解调数据；
一级窗评估模块，其对整幅图像以大窗划分为若干区域，同步评估各区域的血流信息含量，将血流信息含量高于阈值的区域提取出来；
二级窗细化模块，其计算并设置合适的小窗，将一级窗评估模块提取出来的血流信息含量高于阈值的区域划分成一个个相邻区域之间相互有重叠的小窗；
自适应壁滤波处理模块，其对每个小窗独立进行自适应壁滤波处理；
以及图像重构模块，其将自适应壁滤波处理模块得到的各个小窗独立自适应滤波后输出的结果叠加到全图相应位置，通过统计及加权平均获得归一化图像，输出重构的完整血流图像。
本发明还提供一种存储介质，其上存储有计算机程序，该程序被执行时用于实现如上所述的方法。
本发明还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
本发明的有益效果是：本发明提供的基于分级搜索的大视场自适应壁滤波方法能够适用于大容量数据的高效壁滤波方法，一方面，本发明通过分级搜索策略，只在有需要的部位分配算力，提高了运算效率；另一方面，本发明中滤波小窗虽然重叠，但彼此滤波过程间并无迭代，因此多个独立小窗可通过多线程同步计算，大大节约运算时间；
本发明的壁滤波方法能够很好的抑制杂波，一方面，通过细分滤波区域来降低滤波难度，单次滤波区域缩小使空间域信息相似度提高，有效信息更集中，更容易将杂波信号从中剔除；另一方面，针对每个独立区域的数据特性设计最优化滤波参数，大大提高了滤波质量。
附图说明
图1为本发明的基于分级搜索的大视场自适应壁滤波方法的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
本实施例的一种基于分级搜索的大视场自适应壁滤波方法，该方法用于对超声图像进行壁滤波处理，该方法先采用大窗(一级窗)将整幅图像分为若干区域，进行滤波并评估各区域的血流信息含量，将血流信息含量高于阈值的区域(有效信息丰富、图像复杂)提取出来用细化的小窗(二级窗)再进行局部滤波处理，每个小窗根据对应区域的噪声水平采用最优化的特异性滤波参数进行处理，最后进行图像重构，输出完整的壁滤波处理后的超声血流图像。
参照图1，本实施例中的基于分级搜索的大视场自适应壁滤波方法包括以下步骤：
1)通过阵列超声探头(包括凸阵和线阵)采集多帧时间连续的二维平面波超声回波信号，经IQ解调得到大视场连续帧二维平面波解调数据；
2)一级窗评估：对整幅图像以大窗划分为若干区域，同步评估各区域的血流信息含量，将血流信息含量高于阈值的区域提取出来；
3)二级窗细化：计算并设置合适的小窗，将步骤2)提取出来的血流信息含量高于阈值的区域划分成一个个相邻区域之间相互有重叠的小窗；
4)每个小窗独立进行自适应壁滤波处理：
进行小窗数据时空域重构，得到分解矩阵，通过奇异值分解提取特征值，绘制特征曲线，利用特征曲线计算最优化的滤波参数，采用最优化的滤波参数对该小窗数据进行滤波，重构图像并输出结果。每个小窗的数据独立滤波，由于各窗互不干扰，该过程可同步进行提高处理速度。
5)图像重构：将各个小窗独立自适应滤波后输出的结果，叠加到全图相应位置，通过统计及加权平均获得归一化图像，输出重构的完整血流图像。
本发明适合处理大视场成像带来的大容量数据，能够快速提供高质量血流图像。平面波技术的发展及硬件设备的升级，使高帧频大视场二维同步超声信号采集成为现实，二维同步的声信号携带了大量空间方面的信息，同时高重复频率的连续帧信号又携带了大量时间方面的信息，处理如此大量的数据，需要兼顾速度和滤波质量的壁滤波方法。本发明提供的算法，利用分区域独立自适应滤波保证滤波质量，又因为各区域无迭代过程可通过同步运算节约运算时间，能够快速处理大视场数据提供高质量血流图像。
大视场图像中成像目标分布不均匀性导致其中必然存在有效信息含量高的核心区域(在血流图中表现为血管丰富区域)，和几乎不含有效信息的边缘区域(在血流图中表现为无血流区域)，无区别的小窗搜索算法会在边缘区浪费大量算力。本发明采用分级搜索策略，以粗略搜索确定核心区，再以精确搜索更精准地提取有效信息，可以在保证滤波质量的前提下，大大提高运算效率。
本发明中，各小窗数据进行独立处理，根据特征曲线分析能量分布情况，计算最优化滤波参数，保证对每个小窗进行最优化参数滤波，从而提高了滤波质量。
实施例2
本实施例提供一种基于分级搜索的大视场自适应壁滤波系统，其利用实施例1的方法进行超声图像的壁滤波处理，该系统包括：
IQ解调模块，其对获取的多帧时间连续的二维平面波超声回波信号进行IQ解调，得到大视场连续帧二维平面波解调数据；
一级窗评估模块，其对整幅图像以大窗划分为若干区域，同步评估各区域的血流信息含量，将血流信息含量高于阈值的区域提取出来；
二级窗细化模块，其计算并设置合适的小窗，将一级窗评估模块提取出来的血流信息含量高于阈值的区域划分成一个个相邻区域之间相互有重叠的小窗；
自适应壁滤波处理模块，其对每个小窗独立进行自适应壁滤波处理；
以及图像重构模块，其将自适应壁滤波处理模块得到的各个小窗独立自适应滤波后输出的结果叠加到全图相应位置，通过统计及加权平均获得归一化图像，输出重构的完整血流图像。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被执行时用于实现实施例1的方法。
本实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例1的方法。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

Claims (6)

1.一种基于分级搜索的大视场自适应壁滤波方法，其特征在于，该方法用于对超声图像进行壁滤波处理，该方法先采用大窗将整幅图像分为若干区域，进行滤波并评估各区域的血流信息含量，将血流信息含量高于阈值的区域提取出来用细化的小窗再进行局部滤波处理，每个小窗根据对应区域的噪声水平采用最优化的特异性滤波参数进行处理，最后进行图像重构，输出完整的壁滤波处理后的超声血流图像。
2.根据权利要求1所述的基于分级搜索的大视场自适应壁滤波方法，其特征在于，该方法包括以下步骤：
1)获取多帧时间连续的二维平面波超声回波信号，经IQ解调得到大视场连续帧二维平面波解调数据；
2)一级窗评估：对整幅图像以大窗划分为若干区域，同步评估各区域的血流信息含量，将血流信息含量高于阈值的区域提取出来；
3)二级窗细化：计算并设置合适的小窗，将步骤2)提取出来的血流信息含量高于阈值的区域划分成一个个相邻区域之间相互有重叠的小窗；
4)每个小窗独立进行自适应壁滤波处理；
5)图像重构：将各个小窗独立自适应滤波后输出的结果，叠加到全图相应位置，通过统计及加权平均获得归一化图像，输出重构的完整血流图像。
3.根据权利要求2所述的基于分级搜索的大视场自适应壁滤波方法，其特征在于，单个小窗进行自适应壁滤波处理的步骤为：进行小窗数据时空域重构，得到分解矩阵，通过奇异值分解提取特征值，绘制特征曲线，利用特征曲线计算最优化的滤波参数，采用最优化的滤波参数对该小窗数据进行滤波，重构图像并输出结果。
4.一种基于分级搜索的大视场自适应壁滤波系统，其特征在于，其包括：
IQ解调模块，其对获取的多帧时间连续的二维平面波超声回波信号进行IQ解调，得到大视场连续帧二维平面波解调数据；
一级窗评估模块，其对整幅图像以大窗划分为若干区域，同步评估各区域的血流信息含量，将血流信息含量高于阈值的区域提取出来；
二级窗细化模块，其计算并设置合适的小窗，将一级窗评估模块提取出来的血流信息含量高于阈值的区域划分成一个个相邻区域之间相互有重叠的小窗；
自适应壁滤波处理模块，其对每个小窗独立进行自适应壁滤波处理；
以及图像重构模块，其将自适应壁滤波处理模块得到的各个小窗独立自适应滤波后输出的结果叠加到全图相应位置，通过统计及加权平均获得归一化图像，输出重构的完整血流图像。
5.一种存储介质，其上存储有计算机程序，其特征在于，该程序被执行时用于实现如权利要求1-3中任意一项所述的方法。
6.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-3中任意一项所述的方法。
CN202111334484.XA 2021-11-11 2021-11-11 基于分级搜索的大视场自适应壁滤波方法及系统 Pending CN114170239A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111334484.XA CN114170239A (zh) 2021-11-11 2021-11-11 基于分级搜索的大视场自适应壁滤波方法及系统
PCT/CN2021/131481 WO2023082304A1 (zh) 2021-11-11 2021-11-18 基于分级搜索的大视场自适应壁滤波方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111334484.XA CN114170239A (zh) 2021-11-11 2021-11-11 基于分级搜索的大视场自适应壁滤波方法及系统

Publications (1)

Publication Number Publication Date
CN114170239A true CN114170239A (zh) 2022-03-11

Family

ID=80478861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111334484.XA Pending CN114170239A (zh) 2021-11-11 2021-11-11 基于分级搜索的大视场自适应壁滤波方法及系统

Country Status (2)

Country Link
CN (1) CN114170239A (zh)
WO (1) WO2023082304A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116525073B (zh) * 2023-07-03 2023-09-15 山东第一医科大学第一附属医院(山东省千佛山医院) 一种基于健康体检大数据的数据库智能管理系统
CN116862753B (zh) * 2023-08-24 2025-05-27 深圳为迅科技有限公司 串联滤波结构优化方法、装置及其计算机设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101214157A (zh) * 2007-12-27 2008-07-09 深圳市蓝韵实业有限公司 一种自适应彩色血流壁滤波器及滤波方法
CN105825516A (zh) * 2016-03-25 2016-08-03 上海慧达医疗器械有限公司 一种dicom影像血流分析系统
CN105919625A (zh) * 2016-05-26 2016-09-07 飞依诺科技(苏州)有限公司 脉冲多普勒壁滤波处理方法及处理系统
CN108198184A (zh) * 2018-01-09 2018-06-22 北京理工大学 造影图像中血管分割的方法和系统
CN109767439A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 一种自适应窗口的多尺度差异与双边滤波的目标检测方法
CN111132622A (zh) * 2017-10-27 2020-05-08 爱飞纽医疗机械贸易有限公司 超声成像设备以及使用超声成像设备的杂波滤波方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018144805A1 (en) * 2017-02-03 2018-08-09 Mayo Foundation For Medical Education And Research System and method for accelerated clutter filtering in ultrasound blood flow imaging using randomized ultrasound data
CN111265246B (zh) * 2020-02-17 2023-02-24 东软医疗系统股份有限公司 超声彩色成像处理方法及装置
CN111388011B (zh) * 2020-03-26 2023-02-21 深圳开立生物医疗科技股份有限公司 超声多普勒血流成像方法、装置、设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101214157A (zh) * 2007-12-27 2008-07-09 深圳市蓝韵实业有限公司 一种自适应彩色血流壁滤波器及滤波方法
CN105825516A (zh) * 2016-03-25 2016-08-03 上海慧达医疗器械有限公司 一种dicom影像血流分析系统
CN105919625A (zh) * 2016-05-26 2016-09-07 飞依诺科技(苏州)有限公司 脉冲多普勒壁滤波处理方法及处理系统
CN111132622A (zh) * 2017-10-27 2020-05-08 爱飞纽医疗机械贸易有限公司 超声成像设备以及使用超声成像设备的杂波滤波方法
CN108198184A (zh) * 2018-01-09 2018-06-22 北京理工大学 造影图像中血管分割的方法和系统
CN109767439A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 一种自适应窗口的多尺度差异与双边滤波的目标检测方法

Also Published As

Publication number Publication date
WO2023082304A1 (zh) 2023-05-19

Similar Documents

Publication Publication Date Title
DE102016108737B4 (de) Wissensbasierte Ultraschallbildverbesserung
CN102306377B (zh) 一种超声图像去噪的方法和装置
CN109033945B (zh) 一种基于深度学习的人体轮廓提取方法
CN114170239A (zh) 基于分级搜索的大视场自适应壁滤波方法及系统
CN104103041B (zh) 超声图像混合噪声自适应抑制方法
CN104966272A (zh) 一种水下海参图像处理方法及系统
CN111144318B (zh) 一种水下声呐系统点云数据降噪方法
Shao et al. Optimization of ultrasound information imaging algorithm in cardiovascular disease based on image enhancement
CN104917933A (zh) 基于相位一致性和场景运动估计的微光视频去噪方法
CN111507918B (zh) 一种基于深度学习技术的医学图像增强方法
CN118823175A (zh) 基于多层次表征融合的零样本红外图像着色方法及系统
CN111461999B (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法
CN117671054A (zh) 基于小波多通道评分的有限角ct重建方法、系统及设备
CN106780410B (zh) 一种谐波扫查图像的生成方法及装置
Liu et al. Dual stage MRI image restoration based on blind spot denoising and hybrid attention
CN113223104A (zh) 一种基于因果关系的心脏mr图像插补方法及系统
Zhao et al. Dual generative adversarial network for ultrasound localization microscopy
CN119205966B (zh) 一种基于ct图生成cta图的方法、系统、设备和介质
CN117372262B (zh) 基于噪声迭代估计的自监督图像降噪增强方法及装置
CN115736937B (zh) 一种心电信号去噪方法、装置、电子设备及存储介质
Al-Asad Medical ultrasound image: A pre-processing approach towards reconstruction
Pan et al. Medical image fusion method based on saliency measurement improvement and local structure similarity correction
CN116309593B (zh) 基于数学模型的肝脏穿刺活检b超图像处理方法及系统
Shao et al. Research Article Optimization of Ultrasound Information Imaging Algorithm in Cardiovascular Disease Based on Image Enhancement
Špelič et al. Improved analysis of membrane potential oscillations in the network of cells from islet of langerhans

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