CN109816650A - 一种基于二维dsa图像的目标区域识别方法及其系统 - Google Patents
一种基于二维dsa图像的目标区域识别方法及其系统 Download PDFInfo
- Publication number
- CN109816650A CN109816650A CN201910066634.XA CN201910066634A CN109816650A CN 109816650 A CN109816650 A CN 109816650A CN 201910066634 A CN201910066634 A CN 201910066634A CN 109816650 A CN109816650 A CN 109816650A
- Authority
- CN
- China
- Prior art keywords
- image
- target area
- processed
- dsa
- dimentional
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010008 shearing Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000010191 image analysis Methods 0.000 claims 1
- 210000004204 blood vessel Anatomy 0.000 description 25
- 230000006870 function Effects 0.000 description 13
- 238000002583 angiography Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000002872 contrast media Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000007917 intracranial administration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于二维DSA图像的目标区域识别方法，包括：确定二维DSA图像序列中的待处理图像；根据目标区域的预设特征识别所述待处理图像中的潜在目标区域，得到潜在目标区域图像；对所述潜在目标区域图像进行连通域分析，将所述连通域对应的区域作为最终的目标区域。本发明可以更加准确地对图像进行分析，直接得到二维DSA图像序列中每帧图像中目标区域的位置。
Description
技术领域
本发明属于图像处理领域，尤其涉及一种基于二维DSA图像的目标区域识别方法及其系统。
背景技术
随着图像处理技术的日益成熟，图像处理技术在医学影像中的应用也越来越广泛，通过图像处理技术处理医学影像可以对医学影像领域起到很好的积极作用。以血管成像为例，目前对于血管的检测方法主要有磁共振血管成像(MRA)、CT血管造影(CTA)以及数字减影血管造影(DSA)，相对于磁共振血管成像与CT血管造影，数字减影血管造影对于血管的成像效果更加清晰。
DSA(Digital Subtraction Angiography)成像的基本原理是分别对注入对比剂的受检部位和没有注入对比剂的受检部位进行血管造影，对注入对比剂的受检部位的血管造影和没有注入对比剂的受检部位的血管造影进行计算机处理。计算机将两种不同的血管造影图像的数字信息相减，去除骨骼、肌肉和其它软组织，只留下单纯的血管影像的减影图像，通过显示器显示出来。以颅内DSA血管成像为例，对颅内血管进行DSA摄影，需要从某一支入颅血管打入对比剂(可以是造影剂)，大概经过5～8秒，造影剂即可从入颅血管到达血管末端。在造影剂从入颅血管到达血管末端的过程中，拍摄20～30帧数字减影血管造影图像，将拍摄的20～30帧数字减影血管造影图像通过显示器显示出来。
DSA图像只是将颅内血管显示出来，如果工作人员想在DSA图像中直接得到某一区域的位置，显然现有的技术并不能直接对工作人员想要的某一区域的位置进行显示。工作人员需要对拍摄的DSA图像序列中的图像进行观察，但是此种方式存在较大主观性和误差性。
发明内容
为解决以上技术问题，本发明的主要目的在于提供一种基于二维DSA图像的目标区域识别方法及其系统，以解决现有技术中DSA图像序列中的图像并不能直接显示出工作人员所需目标区域的位置，需要相关人员仔细对图像进行观察，从而导致存在较大主观性、误差性的技术问题。
本发明的技术方案是通过以下方式实现的：
一种基于二维DSA图像的目标区域识别方法，包括：
确定二维DSA图像序列中的待处理图像；
根据目标区域的预设特征识别所述待处理图像中的潜在目标区域，得到潜在目标区域图像；
对所述潜在目标区域图像进行连通域分析，将所述连通域对应的区域作为最终的目标区域。
优选地，在根据目标区域的预设特征识别所述待处理图像中的潜在目标区域之前，还包括：
对二维DSA图像序列中目标区域的预设特征进行标记；
将带有目标区域的预设特征标记的二维DSA图像序列输入至神经网络模型，根据带有目标区域的预设特征标记的二维DSA图像序列训练所述神经网络模型，所述神经网络模型包括卷积神经网络模型；
通过所述卷积神经网络模型根据目标区域的预设特征识别所述待处理图像中的潜在目标区域。
优选地，在通过所述卷积神经网络模型根据目标区域的预设特征识别所述待处理图像中的潜在目标区域之前，还包括：对所述待处理图像进行预处理，得到预处理图像，所述预处理具体为：
对所述待处理图像进行图像归一化处理，所述图像归一化处理进一步包括坐标中心化、x-shearing归一化、缩放归一化或旋转归一化；
通过所述卷积神经网络模型根据目标区域的预设特征识别所述预处理图像中的潜在目标区域。
优选地，所述潜在目标区域图像中包括潜在目标区域属于目标区域的概率值。
优选地，对所述潜在目标区域图像进行连通域分析具体包括：
根据所述概率值对所述潜在目标区域图像进行二值化处理，生成二值化图像；
对所述二值化图像进行连通域分析。
优选地，根据所述概率值对所述潜在目标区域图进行二值化处理，生成二值化图像的步骤，具体为：
设定第二预设阈值，对比所述概率值与所述第二预设阈值的大小，根据对比结果生成二值化图像；所述对比结果包括所述概率值大于所述第二预设阈值和所述概率值小于所述第二预设阈值。
优选地，所述选取二维DSA图像序列中的待处理图像，具体为：
依次检测所述二维DSA图像序列中的每帧图像，当第一次检测到的图像中灰度值小于第一预设阈值的像素的数量大于预设数量值时，将该帧图像作为所述待处理图像的第一帧图像；
当最后一次检测到的图像中灰度值小于第一预设阈值的像素的数量小于预设数量值时，将该帧图像作为所述待处理图像的最后一帧图像；
将所述第一帧图像至所述最后一帧图像作为所述待处理图像。
一种基于二维DSA图像的目标区域识别系统，包括：
图像选取模块，用于确定二维DSA图像序列中的待处理图像；
识别模块，用于根据目标区域的预设特征识别所述待处理图像中的潜在目标区域，得到潜在目标区域图像；
再处理模块，用于对所述潜在目标区域图像连通域分析，将所述连通域对应的区域作为最终的目标区域。
优选地，所述图像选取模块，具体用于：
依次检测所述二维DSA图像序列中的每帧图像，当第一次检测到的图像中灰度值小于第一预设阈值的像素的数量大于预设数量值时，将该帧图像作为所述待处理图像的第一帧图像；
当最后一次检测到的图像中灰度值小于第一预设阈值的像素的数量小于预设数量值时，将该帧图像作为所述待处理图像的最后一帧图像；
将所述第一帧图像至所述最后一帧图像的作为所述待处理图像。
优选地，还包括预处理模块，用于对所述待处理图像进行预处理，得到预处理图像；所述预处理包括图像归一化处理，所述图像归一化处理包括坐标中心化、x-shearing归一化、缩放归一化或旋转归一化。
优选地，还包括神经网络训练模块，用于对二维DSA图像序列中目标区域的预设特征进行标记；将带有目标区域的预设特征标记的二维DSA图像序列输入至神经网络模型，根据带有目标区域的预设特征标记的二维DSA图像序列训练所述神经网络模型，所述神经网络模型包括卷积神经网络模型；通过所述卷积神经网络模型根据目标区域的预设特征识别所述预处理图像中的潜在目标区域。
优选地，所述识别模块，具体用于通过所述卷积神经网络模型根据目标区域的预设特征识别所述预处理图像中的潜在目标区域，从而得到潜在目标区域图像。
相比于现有技术，本发明基于二维DSA图像的目标区域识别方法及其系统至少具有以下优点或有益效果：
本发明通过对二维DSA图像序列中选取的若干帧图像进行预处理、识别以及再处理，可以更加准确地对图像进行分析，最终确定图像中连通域即目标区域的位置。通过本发明处理后的二维DSA图像序列可以按照训练完成的卷积神经网络对待处理图像进行处理，直接得出处理结果，即二维DSA图像序列中每帧图像中连通域的位置。从而可以使工作人员更容易、更直接地对图像进行观察。同时，该方法也解决了人工直接对医学影像进行分析时，存在较大主观性、误差性的技术问题。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种图像的识别方法的流程示意图；
图2为本发明实施例提供的一种图像的识别系统的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
结合附图对本发明进行进一步说明。
作为实施例一，如图1所示，为本发明图像的识别方法的流程示意图，该方法主要包括以下步骤：
步骤S100：确定二维DSA图像序列中的待处理图像，二维DSA图像序列中包括多帧图像，从中选取出待处理的图像。该待处理的图像为二维DSA图像序列中出现血管的图像。
步骤S200：对所述待处理图像进行预处理，得到预处理图像。该步骤为对选取的出现血管的待处理图像进行预处理，得到预处理图像。
步骤S300：根据目标区域的预设特征识别所述预处理图像中的潜在目标区域，得到潜在目标区域图像。
步骤S400：对所述潜在目标区域图像进行连通域分析，将所述连通域对应的区域作为最终的目标区域，完成了对所述二维DSA图像序列中选取的待处理图像中目标区域的识别。
实施例一中的步骤实现了对二维DSA图像序列中待处理图像所包含的目标区域的识别。本发明通过对二维DSA图像序列中确定的若干帧图像进行预处理、识别以及再处理，可以更加准确地对图像进行分析，最终确定图像中连通域即目标区域的位置。通过本发明处理后的二维DSA图像序列可以按照训练完成的卷积神经网络对待处理图像进行处理，直接得出处理结果，即二维DSA图像序列中每帧图像中连通域的位置。连通域的位置即为目标区域的位置，从而可以使工作人员更容易、更直接地对图像进行观察，可以从图像中直接得到与预设的目标区域具有相同特征的区域。同时，该方法也解决了人工直接对医学影像进行分析时，存在较大主观性、误差性的技术问题。
本发明还提供了实施例二，该实施例作为较佳实施例，是对实施例一中的方法进行进一步地优化，其中：
步骤S100：确定二维DSA图像序列中的待处理图像的步骤可以有多种方法，以下为本发明例举的两种实施方法，当然该步骤还可以是其他可以实现本发明技术方案的方法。下面分别对两种不同的方法进行详细说明。
方法一：
选取位于二维DSA图像序列中间的半个图像序列，作为待处理图像。整个二维DSA图像序列中包括若干帧图像，二维DSA图像序列的前几帧图像中是没有血管的图像，当血管一般会在二维DSA图像序列的四分之一处出现，在四分之三处消失，因此从二维DSA图像序列的四分之一处的帧至四分之三处的帧作为待处理图像。例如，二维DSA图像序列一共有24帧图像，可以从选取第七帧图像至第十八帧的图像作为待处理图像。
由于二维DSA图像序列的图像总帧数是根据实际情况来确定的，不同部位的二维DSA图像序列的图像总帧数不同。当二维DSA图像序列中图像的总帧数量较大并且在二维DSA图像序列中只有极少数帧的图像出现血管时，即可直接选取出现血管的帧的图像作为待处理图像。例如，二维DSA图像序列一共有32帧图像，只有第28帧至30帧的图像有血管出现，则可以直接选取第28帧图像至第30帧的图像作为待处理图像。
该种方法不需要通过对二维DSA图像序列中的图像进行其他图像处理，即可快速地、直接地对确定二维DSA图像序列中的哪些图像可以作为待处理图像。
方法二：
依次检测所述二维DSA图像序列中的每帧图像，当所述图像中灰度值小于第一预设阈值的像素的数量大于预设数量值时，将该帧图像作为待处理图像的第一帧图像。例如，DSA图像序列中每帧图像的灰度级一般在0-4095之间，图像大小为512*512，第一预设阈值设置为1200，预设数量值设置为1000。从DSA图像序列的第一帧图像开始检测，当检测出某一帧图像中灰度值小于1200的像素的数量大于1000时，则认为该帧图像中有血管出现，将该帧图像作为待处理图像的第一帧图像。
当所述图像中像素小于预设阈值的数量小于预设数量值时，将该帧图像作为待处理图像的最后一帧图像。由于脑部的末端血管靠近颅骨，可以从二维DSA图像序列中最后一帧图像往前检测，将最后一帧能检测到有血管的一帧图像作为待处理图像的最后一帧图像。也可以从第一帧图像开始，顺序检测第一帧图像之后的每帧图像，当检测到图像中像素小于预设阈值的数量小于预设数量值时，将该帧图像作为待处理图像的最后一帧图像。
例如，检测图像中是否有血管的方法同样为当检测出某一帧图像中灰度值小于1200的像素的数量小于1000时，则认为该帧图像中有血管出现，将该帧图像作为待处理图像的最后一帧图像。
将所述第一帧图像至所述最后一帧图像作为所述待处理图像，不管第一帧图像与最后一帧图像之间的中间帧图像中像素小于预设阈值的数量大于还是小于预设数量值，均作为待处理图像。
该方法通过对二维DSA图像序列的每帧图像中像素对应预设阈值的灰度值的数量与预设数量值进行对比，确定每一帧图像是否属于待处理图像。由于在二维DSA图像序列中相邻帧的图像的相似度比较高，所以需要对每帧图像进行检测，该方法可以更准确地确定二维DSA图像序列中的图像是否属于待处理图像，从而提高了确定二维DSA图像序列中的图像是否待处理图像的准确度。
此外，还可以将方法一和方法二进行结合来确定二维DSA图像序列中的待处理图像。例如，可以先通过方法一选取二维DSA图像序列中有血管出现的图像，为了更准确地检测方法一中选取的图像中是否有血管出现或者进一步选取显示血管更清晰的图像，以便确定图像中的目标区域，再通过方法二对通过方法一选取的图像进行检测。通过方法一结合方法二的这种方式确定二维DSA图像序列中的待处理图像，在快速选取待处理图像的基础上，又增加了确定待处理图像的准确度。
还可以通过本说明书中未例举的方法确定二维DSA图像序列中待处理图像，其同样属于本发明的保护范围。
步骤S200：对步骤S100中确定的待处理图像中的每帧图像进行预处理的步骤。
具体可以是对待处理图像中的每帧图像进行图像归一化处理的步骤，图像归一化处理可以是坐标中心化、x-shearing归一化、缩放归一化和旋转归一化中的一种或者多种，将待处理图像处理为符合预处理步骤规定的图像。例如，预处理步骤规定的图像大小为200mm*200mm，像素间距为1mm的图像，如果待处理图像是大小为512mm*512mm,像素间距为0.5mm的图像。经过该步骤中对待处理图像进行归一化处理，可以先对待处理图像进行缩放归一化处理，将待处理图像缩小至大小为256mm*256mm，像素间距为1mm的图像。
然后在将其进行剪裁，将大小为256mm*256mm，像素间距为1mm的图像上下左右各剪裁28个像素，得到的图像即为大小为200mm*200mm，像素间距为1mm的图像。该步骤中得到的图像即为预处理图像，预处理图像中同样包括与待处理图像帧数相同数量的图像。还可以对待处理图像进行坐标中心化、x-shearing归一化、旋转归一化等中的一种或者多种处理，此处不再一一例举，其目的均是为了对图像进行归一化处理，可以更好的确定目标区域。
图像归一化处理通过一系列变换(即利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响)，将待处理的原始图像转换成相应的唯一标准形式(该标准形式图像对平移、旋转、缩放等仿射变换具有不变特性)。
步骤S300：根据目标区域的预设特征识别步骤S200中得到的预处理图像中的潜在目标区域，得到潜在目标区域图像，所述潜在目标区域图像中包括潜在目标区域属于目标区域的概率值。该步骤具体可以是：
先对二维DSA图像序列的目标区域进行预设特征的标记，将带有目标区域的预设特征标记的二维DSA图像序列输入至神经网络模型，根据带有目标区域的预设特征标记的二维DSA图像序列训练所述神经网络模型，目标区域是工作人员之前人工根据二维DSA图像序列判断出来的区域。本技术方案中的二维DSA图像序列同样需要对具有相同特征的图像进行处理，识别出与目标区域预设特征具有相同特征的区域。其中，所述神经网络模型包括卷积神经网络模型，当然还可以是其他可以实现跟本技术方案中神经网络相同功能的神经网络模型。将预处理图像作为神经网络模型的输入，通过神经网络模型得到潜在目标区域图像，通过该神经网络模型得到的潜在目标区域图像的特征与训练该神经网络使用的图像中的目标区域的预设特征相同。训练神经网络使用的图像中均标记有特定的区域或者特征，训练完成的神经网络在输入信息后，按照训练完成的规则输出同样的特定区域或者特征的信息。通过该神经网络模型可以直接得到对预处理图像处理的输出结果，即潜在目标区域图像，该潜在目标区域图像中包括潜在目标区域属于目标区域的概率值，范围在0-1之间。该步骤是对预处理图像中包括的每一帧图像分别进行处理。
步骤S400：根据步骤S300中的概率值对所述潜在目标区域图像进行二值化处理生成二值化图像，对所述二值化图像进行连通域分析，将所述连通域对应的区域作为最终的目标区域，从而完成对所述二维DSA图像序列中选取的待处理图像中目标区域的识别的步骤，具体可以是：
对潜在目标区域图像进行二值化处理，预先设置第二预设阈值，对比所述概率值与所述第二预设阈值的大小，根据对比结果生成二值化图像。所述对比结果包括所述概率值大于所述第二预设阈值和所述概率值小于所述第二预设阈值，并将概率值大于所述第二预设阈值的概率值设置为二值化图像中的1，对应二值化图像中的白或者黑。将概率值小于所述第二预设阈值的概率值设置为二值化图像中的0，对应二值化图像中的黑或者白，从而生成二值化图像。
例如，第二预设阈值为0.8，则将潜在目标区域图像中概率值大于0.8的在二值化图像中设置为1，否则为0。
对得到的二值化图像进行连通域分析，标记所有连通域，可以将二值化图像中的1对应的概率值进行连通域分析，并将1对应的概率值生成的连通域对应的区域作为最终的目标区域。同样该步骤也是分别对潜在目标区域图像中的每帧图像进行再处理。
本发明提供的方法实现了对目标区域的识别，该方法可以通过相应的系统或者装置来完成。
如图2所示，本发明还提供了一种基于二维DSA图像的目标区域识别系统，该系统主要包括：
图像选取模块1，用于选取二维DSA图像序列中的待处理图像。具体地，该模块可以用于选取位于二维DSA图像序列中间的半个图像序列，作为待处理图像。
该模块还可以用于依次检测所述二维DSA图像序列中的每帧图像，当图像中像素小于第一预设阈值的数量大于预设数量值时，将该帧图像作为待处理图像的第一帧图像。当图像中像素小于预设阈值的数量小于预设数量值时，将该帧图像作为待处理图像的最后一帧图像。将第一帧图像至最后一帧图作为待处理图像。
预处理模块2，用于对图像进行预处理，得到预处理图像。具体地，该模块可以用于对所述图像进行图像归一化处理。
神经网络训练模块3，用于将带有预设目标区域特征标记的二维DSA图像序列输入至神经网络模型，根据带有预设目标区域特征标记的二维DSA图像序列训练所述神经网络模型，所述神经网络模型包括卷积神经网络模型。
识别模块4，用于根据目标区域的预设特征识别所述预处理图像中的潜在目标区域，得到潜在目标区域图像；所述潜在目标区域图像中包括潜在目标区域属于目标区域的概率值。
再处理模块5，用于根据所述概率值对所述潜在目标区域图进行二值化处理生成二值化图像，对所述二值化图像进行连通域分析，将所述连通域对应的区域作为最终的目标区域，从而完成对所述二维DSA图像序列中选取的待处理图像中目标区域的识别。
该系统可以实现上述方法中的步骤，达到与其相同的技术效果。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell UniversityProgramming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、AtmelAT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上，仅为本发明较佳的具体实施方式，但发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (12)
1.一种基于二维DSA图像的目标区域识别方法，其特征在于，包括：
确定二维DSA图像序列中的待处理图像；
根据目标区域的预设特征识别所述待处理图像中的潜在目标区域，得到潜在目标区域图像；
对所述潜在目标区域图像进行连通域分析，将所述连通域对应的区域作为最终的目标区域。
2.根据权利要求1所述的目标区域识别方法，其特征在于，在根据目标区域的预设特征识别所述待处理图像中的潜在目标区域之前，还包括：
对二维DSA图像序列中目标区域的预设特征进行标记；
将带有目标区域的预设特征标记的二维DSA图像序列输入至神经网络模型，根据带有目标区域的预设特征标记的二维DSA图像序列训练所述神经网络模型，所述神经网络模型包括卷积神经网络模型；
通过所述卷积神经网络模型根据目标区域的预设特征识别所述待处理图像中的潜在目标区域。
3.根据权利要求2所述的目标区域识别方法，其特征在于，在通过所述卷积神经网络模型根据目标区域的预设特征识别所述待处理图像中的潜在目标区域之前，还包括：对所述待处理图像进行预处理，得到预处理图像，所述预处理具体为：
对所述待处理图像进行图像归一化处理，所述图像归一化处理进一步包括坐标中心化、x-shearing归一化、缩放归一化或旋转归一化；
通过所述卷积神经网络模型根据目标区域的预设特征识别所述预处理图像中的潜在目标区域。
4.根据权利要求3所述的目标区域识别方法，其特征在于，所述潜在目标区域图像中包括潜在目标区域属于目标区域的概率值。
5.根据权利要求4所述的识别方法，其特征在于，对所述潜在目标区域图像进行连通域分析具体包括：
根据所述概率值对所述潜在目标区域图像进行二值化处理，生成二值化图像；
对所述二值化图像进行连通域分析。
6.根据权利要求5所述的目标区域识别方法，其特征在于，根据所述概率值对所述潜在目标区域图进行二值化处理，生成二值化图像的步骤，具体为：
设定第二预设阈值，对比所述概率值与所述第二预设阈值的大小，根据对比结果生成二值化图像；所述对比结果包括所述概率值大于所述第二预设阈值和所述概率值小于所述第二预设阈值。
7.根据权利要求6所述的目标区域识别方法，其特征在于，所述选取二维DSA图像序列中的待处理图像，具体为：
依次检测所述二维DSA图像序列中的每帧图像，当第一次检测到的图像中灰度值小于第一预设阈值的像素的数量大于预设数量值时，将该帧图像作为所述待处理图像的第一帧图像；
当最后一次检测到的图像中灰度值小于第一预设阈值的像素的数量小于预设数量值时，将该帧图像作为所述待处理图像的最后一帧图像；
将所述第一帧图像至所述最后一帧图像作为所述待处理图像。
8.一种基于二维DSA图像的目标区域识别系统，其特征在于，包括：
图像选取模块，用于确定二维DSA图像序列中的待处理图像；
识别模块，用于根据目标区域的预设特征识别所述待处理图像中的潜在目标区域，得到潜在目标区域图像；
再处理模块，用于对所述潜在目标区域图像连通域分析，将所述连通域对应的区域作为最终的目标区域。
9.根据权利要求8所述的目标区域识别系统，其特征在于，所述图像选取模块，具体用于：
依次检测所述二维DSA图像序列中的每帧图像，当第一次检测到的图像中灰度值小于第一预设阈值的像素的数量大于预设数量值时，将该帧图像作为所述待处理图像的第一帧图像；
当最后一次检测到的图像中灰度值小于第一预设阈值的像素的数量小于预设数量值时，将该帧图像作为所述待处理图像的最后一帧图像；
将所述第一帧图像至所述最后一帧图像的作为所述待处理图像。
10.根据权利要求9所述的目标区域识别系统，其特征在于，还包括预处理模块，用于对所述待处理图像进行预处理，得到预处理图像；所述预处理包括图像归一化处理，所述图像归一化处理包括坐标中心化、x-shearing归一化、缩放归一化或旋转归一化。
11.根据权利要求10所述的目标区域识别系统，其特征在于，还包括神经网络训练模块，用于对二维DSA图像序列中目标区域的预设特征进行标记；将带有目标区域的预设特征标记的二维DSA图像序列输入至神经网络模型，根据带有目标区域的预设特征标记的二维DSA图像序列训练所述神经网络模型，所述神经网络模型包括卷积神经网络模型；通过所述卷积神经网络模型根据目标区域的预设特征识别所述预处理图像中的潜在目标区域。
12.根据权利要求11所述的目标区域识别系统，其特征在于，所述识别模块，具体用于通过所述卷积神经网络模型根据目标区域的预设特征识别所述预处理图像中的潜在目标区域，从而得到潜在目标区域图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910066634.XA CN109816650B (zh) | 2019-01-24 | 2019-01-24 | 一种基于二维dsa图像的目标区域识别方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910066634.XA CN109816650B (zh) | 2019-01-24 | 2019-01-24 | 一种基于二维dsa图像的目标区域识别方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109816650A true CN109816650A (zh) | 2019-05-28 |
| CN109816650B CN109816650B (zh) | 2022-11-25 |
Family
ID=66604936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910066634.XA Active CN109816650B (zh) | 2019-01-24 | 2019-01-24 | 一种基于二维dsa图像的目标区域识别方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816650B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503642A (zh) * | 2019-08-23 | 2019-11-26 | 强联智创（北京）科技有限公司 | 一种基于dsa图像的定位方法及系统 |
| CN110517244A (zh) * | 2019-08-23 | 2019-11-29 | 首都医科大学宣武医院 | 一种基于dsa图像的定位方法及系统 |
| CN110634129A (zh) * | 2019-08-23 | 2019-12-31 | 首都医科大学宣武医院 | 一种基于dsa图像的定位方法及系统 |
| CN111062852A (zh) * | 2019-12-16 | 2020-04-24 | 百度国际科技（深圳）有限公司 | 一种地图渲染方法、装置、电子设备及存储介质 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127117A (zh) * | 2007-09-11 | 2008-02-20 | 华中科技大学 | 一种利用序列数字减影血管造影图像分割血管数据的方法 |
| CN103003880A (zh) * | 2010-07-26 | 2013-03-27 | 皇家飞利浦电子股份有限公司 | 为视频确定代表图像 |
| CN103135755A (zh) * | 2011-12-02 | 2013-06-05 | 深圳泰山在线科技有限公司 | 交互系统及方法 |
| CN103385692A (zh) * | 2012-05-07 | 2013-11-13 | 佳能株式会社 | 图像处理设备和图像处理方法 |
| CN105787481A (zh) * | 2016-04-05 | 2016-07-20 | 湖南人文科技学院 | 一种基于目标性潜在区域分析的目标检测算法及其应用 |
| CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
| CN107239727A (zh) * | 2016-12-07 | 2017-10-10 | 北京深鉴智能科技有限公司 | 手势识别方法和系统 |
| CN108052957A (zh) * | 2017-11-07 | 2018-05-18 | 聊城大学 | 一种航天器目标快速识别方法 |
| WO2018095082A1 (zh) * | 2016-11-28 | 2018-05-31 | 江苏东大金智信息系统有限公司 | 一种视频监测中运动目标的快速检测方法 |
| WO2018137612A1 (zh) * | 2017-01-25 | 2018-08-02 | 武汉极目智能技术有限公司 | 一种道路标牌识别方法及系统 |
| CN108596891A (zh) * | 2018-04-23 | 2018-09-28 | 中国计量大学 | 一种面向多种类混合蚕茧的计数方法 |
| CN108899075A (zh) * | 2018-06-28 | 2018-11-27 | 众安信息技术服务有限公司 | 一种基于深度学习的dsa图像检测方法、装置及设备 |
| CN109034266A (zh) * | 2018-08-16 | 2018-12-18 | 新智数字科技有限公司 | 一种目标图像检测方法、装置及系统 |
| CN109044555A (zh) * | 2018-08-30 | 2018-12-21 | 姜润浩 | 介入法建立犬自体血栓栓塞性脑梗死溶栓后颅内出血转化模型及其应用 |
| CN109218833A (zh) * | 2017-06-29 | 2019-01-15 | 深圳泰山体育科技股份有限公司 | 控制电视画面显示的方法和系统 |
| CN109255784A (zh) * | 2018-09-13 | 2019-01-22 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2019
- 2019-01-24 CN CN201910066634.XA patent/CN109816650B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127117A (zh) * | 2007-09-11 | 2008-02-20 | 华中科技大学 | 一种利用序列数字减影血管造影图像分割血管数据的方法 |
| CN103003880A (zh) * | 2010-07-26 | 2013-03-27 | 皇家飞利浦电子股份有限公司 | 为视频确定代表图像 |
| CN103135755A (zh) * | 2011-12-02 | 2013-06-05 | 深圳泰山在线科技有限公司 | 交互系统及方法 |
| CN103385692A (zh) * | 2012-05-07 | 2013-11-13 | 佳能株式会社 | 图像处理设备和图像处理方法 |
| CN105787481A (zh) * | 2016-04-05 | 2016-07-20 | 湖南人文科技学院 | 一种基于目标性潜在区域分析的目标检测算法及其应用 |
| WO2018095082A1 (zh) * | 2016-11-28 | 2018-05-31 | 江苏东大金智信息系统有限公司 | 一种视频监测中运动目标的快速检测方法 |
| CN107239727A (zh) * | 2016-12-07 | 2017-10-10 | 北京深鉴智能科技有限公司 | 手势识别方法和系统 |
| WO2018137612A1 (zh) * | 2017-01-25 | 2018-08-02 | 武汉极目智能技术有限公司 | 一种道路标牌识别方法及系统 |
| CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
| CN109218833A (zh) * | 2017-06-29 | 2019-01-15 | 深圳泰山体育科技股份有限公司 | 控制电视画面显示的方法和系统 |
| CN108052957A (zh) * | 2017-11-07 | 2018-05-18 | 聊城大学 | 一种航天器目标快速识别方法 |
| CN108596891A (zh) * | 2018-04-23 | 2018-09-28 | 中国计量大学 | 一种面向多种类混合蚕茧的计数方法 |
| CN108899075A (zh) * | 2018-06-28 | 2018-11-27 | 众安信息技术服务有限公司 | 一种基于深度学习的dsa图像检测方法、装置及设备 |
| CN109034266A (zh) * | 2018-08-16 | 2018-12-18 | 新智数字科技有限公司 | 一种目标图像检测方法、装置及系统 |
| CN109044555A (zh) * | 2018-08-30 | 2018-12-21 | 姜润浩 | 介入法建立犬自体血栓栓塞性脑梗死溶栓后颅内出血转化模型及其应用 |
| CN109255784A (zh) * | 2018-09-13 | 2019-01-22 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| NISREEN SULAYMAN 等: "Semi-automatic detection and segmentation algorithm of saccular aneurysms in 2D cerebral DSA images", 《THE EGYPTIAN JOURNAL OF RADIOLOGY AND NUCLEAR MEDICINE》 * |
| 徐珊 等: "基于连通域分析的仪表数字区域定位方法研究", 《科研信息化技术与应用》 * |
| 方智文 等: "深度图像的目标潜在区域提取算法", 《信号处理》 * |
| 韩光辉 等: "肺部CT图像病变区域检测方法", 《自动化学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503642A (zh) * | 2019-08-23 | 2019-11-26 | 强联智创（北京）科技有限公司 | 一种基于dsa图像的定位方法及系统 |
| CN110517244A (zh) * | 2019-08-23 | 2019-11-29 | 首都医科大学宣武医院 | 一种基于dsa图像的定位方法及系统 |
| CN110634129A (zh) * | 2019-08-23 | 2019-12-31 | 首都医科大学宣武医院 | 一种基于dsa图像的定位方法及系统 |
| CN110503642B (zh) * | 2019-08-23 | 2021-10-29 | 强联智创（北京）科技有限公司 | 一种基于dsa图像的定位方法及系统 |
| CN111062852A (zh) * | 2019-12-16 | 2020-04-24 | 百度国际科技（深圳）有限公司 | 一种地图渲染方法、装置、电子设备及存储介质 |
| CN111062852B (zh) * | 2019-12-16 | 2023-10-17 | 阿波罗智联(北京)科技有限公司 | 一种地图渲染方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109816650B (zh) | 2022-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Medical sam 2: Segment medical images as video via segment anything model 2 | |
| US10929708B2 (en) | Deep learning network for salient region identification in images | |
| CN110335259B (zh) | 一种医学影像识别方法、装置和存储介质 | |
| CN109101919B (zh) | 用于生成信息的方法和装置 | |
| CN108491823B (zh) | 用于生成人眼识别模型的方法和装置 | |
| CN109816650A (zh) | 一种基于二维dsa图像的目标区域识别方法及其系统 | |
| CN111145173A (zh) | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 | |
| CN110517780A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| RU2513905C2 (ru) | Классификация изображения на основе сегментации изображения | |
| US20230015384A1 (en) | Method, Apparatus, Storage Medium and Processor for Medical Image Auto-segmentation | |
| US12112524B2 (en) | Image augmentation method, electronic device and readable storage medium | |
| CN109583364A (zh) | 图像识别方法及设备 | |
| CN110517242A (zh) | 一种动脉瘤的分析方法及装置 | |
| Labrecque Langlais et al. | Evaluation of stenoses using AI video models applied to coronary angiography | |
| CN113160165A (zh) | 一种血管分割方法、装置以及设备 | |
| CN117576405A (zh) | 舌象语义分割方法、装置、设备及介质 | |
| CN109377504A (zh) | 一种颅内动脉血管图像分割方法及系统 | |
| CN116664513A (zh) | 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 | |
| CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
| CN114782407B (zh) | 基于卷积神经网络的胎儿超声关键切面识别方法及装置 | |
| CN118762032A (zh) | 基于对比学习的多模态医学图像分割方法及设备、介质 | |
| CN110503642A (zh) | 一种基于dsa图像的定位方法及系统 | |
| Li et al. | PS5-Net: a medical image segmentation network with multiscale resolution | |
| CN117522799A (zh) | 一种医学图像分析方法、装置、存储介质及电子设备 | |
| CN109472803A (zh) | 一种颅内动脉血管分割方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |