CN101317196A - 用于分割图像中与参考结构相关的结构的方法、系统和计算机程序 - Google Patents

用于分割图像中与参考结构相关的结构的方法、系统和计算机程序 Download PDF

Info

Publication number
CN101317196A
CN101317196A CNA2006800446618A CN200680044661A CN101317196A CN 101317196 A CN101317196 A CN 101317196A CN A2006800446618 A CNA2006800446618 A CN A2006800446618A CN 200680044661 A CN200680044661 A CN 200680044661A CN 101317196 A CN101317196 A CN 101317196A
Authority
CN
China
Prior art keywords
image
reference configuration
cut apart
probabilistic
computer program
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
CNA2006800446618A
Other languages
English (en)
Inventor
C·A·科科斯科
G·凯登布尔格
W·J·尼森
H·汤姆森
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN101317196A publication Critical patent/CN101317196A/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
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30048—Heart; Cardiac

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种用于在图像中描绘与参考结构相关的结构的图像分割方法。为此，存取对参考结构的分割。通过非参数鲁棒估计，使用模型可知不同组织类型的外观特征，所述估计在两个阶段(异常值减少和最终估计)中采用模糊kNN分类器。使用该模型提供用于分割的种子点。图切分方法适于执行对所寻找结构的分割。本发明还涉及用于图像分割的系统和计算机程序。

Description

用于分割图像中与参考结构相关的结构的方法、系统和计算机程序
本发明涉及一种用于描绘与参考结构相关的结构的图像分割方法。
本发明还涉及一种对图像中与参考结构相关的结构进行的图像分割的系统。
本发明还涉及一种用于对图像中与参考结构相关的结构进行图像分割的计算机程序。
从US2003/0069494 A1中已知如开篇段中所述的方法的一个实施例。在已知方法中，对于使用磁共振成像技术获得的二维图像，确定心肌轮廓。根据候选心内膜轮廓的图切分和不存在形状传播(shape propagation)的情况下对候选心外膜轮廓的样条拟合获得心肌轮廓。该已知方法还包括将多个形状约束施加于候选心内膜轮廓和候选心外膜轮廓，以确定心肌轮廓，其中由心脏的多个诊断图像的形状传播确定模板。
已知方法的一个缺点是，为了执行对该结构，尤其是心肌的分割，需要使用先验建立的形状和用于参考结构(心内膜和心外膜)的运动约束来执行精细的微积分，这需要大量的手动操作。
本发明的一个目的是，提供一种用于在图像中分割与参考结构相关的结构的方法，产生更具有鲁棒性的结果。
为此目的，根据本发明的方法包括下列步骤：
-存取参考结构的空间描绘；
-基于先验建立的假设，将表示该结构的模型拟合至参考结构，产生用于分割该结构的初始种子；
-使用概率方法估计结构的外观特征，从而产生该结构的概率图像；基于所述概率图像和所述初始种子分割该结构。
本发明的技术措施基于这样的认识，即提供了尤其是通过自动分割获得的例如心脏左右心室的参考结构的空间描绘，可以例如基于简单的拓扑模型容易地分割相关结构，尤其是心肌。基于解剖信息，例如从解剖图集获得的解剖信息，识别参考结构。根据本发明的方法未使用形状和运动约束，其可应用于二维、三维和四维数据，并且因而与从US2003/0069494A1中已知的方法相比更鲁棒和精确。应当注意的是，US2003/0069494A1和US6757414B1两者都使用了一些概率方法来估计该结构的外观特征；然而，它们的方法相对于异常值(数据中的噪声)而言是不鲁棒的，并且也不适于磁共振成像数据。由于概率方法与以确定性方式指示结构的部分的初始种子的组合，本发明实现了鲁棒性。相反地，根据本发明的方法是较好的，因为其是非参数方法，并且因为其仅仅消除了感兴趣组织的外观特征(图像强度)之间的重叠。
优选地，使用先验建立的假设如同结构和参考结构的空间相互关系，构建拓扑模型。例如，有效的假设可以基于心肌围绕心脏左心室的事实。对于其它器官，例如肺、肾、膀胱和直肠，可以使用其它各种几何上的或空间上的了解(insight)。与在图像分割领域中使用的原本已知的统计训练模型不同，拓扑模型优选不由任何训练数据构建，并且因而不偏向训练组中所表示的种群。还应当注意，获得统计训练模型是耗费大的。另外，由于根据本发明的方法适于应用于三维和四维图像，其提供了在临床实践中用于图像处理的改进工具。
在表示想要分割的结构和参考结构之间的空间相互关系的模型拟合至图像的事件后，人们获得用于所寻找结构的初始种子组。种子点是具有固定标签的点。尤其，这些标签以确定性方式识别所讨论的点是否属于要分割的结构。由概率方法知晓结构的外观特征，由此产生结构的概率图像。该概率图像表示属于该结构的像素的概率值。优选地，使用使用了模糊kNN分类器的非参数鲁棒估计方法。kNN是原本已知的分类算法。想法是，给定训练组和自然数k，将模式(pattern)指定给大多数k最近邻模式所属于的类。模式之间的距离是特征空间中的度量。优选地，使用该算法的“模糊”变量。两个训练组的每一个表示为图像强度的直方图。从要分类的样本开始，等距波(equidistantwave)同时在两个直方图上传播，直到所覆盖的直方图值的总和对于第一次至少为k。通常，所覆盖的直方图值的总和将超过k。允许这样是重要的，因为否则将不清楚应当选择相同距离处的几个可行训练样本中的哪个，来完成该组k最近邻样本。模糊kNN函数可能未较好定义。但是如果所覆盖样本的数量超过k，那么函数值可以被定义为所覆盖样本中前景训练样本与所覆盖样本总数的比率。该基于直方图的方法是快速的，但是在分类器评估上损失了更少的时间，对MR图像中可能出现的每个值计算一次函数值，并且然后当函数实际应用于整个体积时仅进行查找。为避免将偏置引入分类器，对前景和背景抽取相同量的训练样本。应当注意的是，经典kNN在类之间在0和1之间切换一次以上。该性能对于我们的应用而言是不需要的，因为可能在不同类的体素之间将额外的强边缘引入心肌概率图像中。模糊kNN不具有改善该方法的鲁棒性的问题。优选在两个阶段中使用模糊kNN方法，首先消除异常值，而后获得对外观特征的最终估计。可以通过其它原本已知的计算算法实现这两个阶段。
利用概率图像和初始种子，计算结构的分割。优选地，使用从Y.Boykov、M.-P.Jolly在2001年ICVV上发表的“Interactive graph cuts for optimal boundary&region segmentation of objects in N-D images”中已知的方法。更优选地，图切分方法适于根据来自该模型的图像和种子点完全自动地计算左心肌的分割。图切分方法使用基于边缘和区域的标准，这是一种鲁棒方法，因为其发现了全局最优化，而不是局部最优化。优选地，构建特殊图形，由此感兴趣区域中的每个体素由图形中的节点表示。额外地，存在两个特殊节点，称为终端节点。一个终端节点是源节点，表示分割前景。另一个节点为汇聚节点(sink node)，表示背景。每个体素节点都具有边缘，称为n边缘，将体素连接至其邻域。优选地，对于三个空间维度加时间选择八邻域。除了n边缘之外，每个体素节点具有两个t边缘，用于将节点连接至两个终端节点。该图形是流程网络。对于流程网络，具有用于计算使两个终端节点分离的最小割(cut)的有效算法。图切分算法的想法是，是该最小割定义了分割。使两个终端节点分离的该割必须维持每个节点连接至至多一个终端边缘。体素属于仍然连接的终端节点所表示的类。如果没有一个终端边缘被连接，那么两个概率表示最小割。
哪个分割对应于最小割取决于边缘权数的选择。在图切分算法中，使用两种类型的边缘权数来对两种不同的罚函数进行编码。Dp是定义了对点p的类成员的处罚的函数。其采取两个不同的值，一个用于每个可行的标签。Vpq定义了用于将不同的类指定给邻点p和q的处罚。与分离不同点相比，分离相似点应当得到更强烈的处罚。然后罚函数组合成图切分能量函数：
E ( L ) = λ Σ p ∈ P D p ( L p ) + ( 1 - λ ) Σ ( p , q ) ∈ N D pq ( L p , L q )
N是体素的邻域关系，P是体素组。在我们的应用中，仅仅感兴趣心脏区域中的体素是P的部分。如前提及的，我们使用四维八邻域，以使分割沿着图像的所有四个轴都一致，以在存在噪声切片的情况下获得更好的准确性。但是可以使用任意邻域：二维(xy)、三维(xyt或xyz)和四维(xyzt)。
L＝{Lp|p∈P}
L表示对于分割的给定体素返回用于前景的值1和用于背景的值0的函数。λ∈[0；1]是可以用于在类成员最优性和邻域最优性的重要性之间变动的加权因子。
图切分图形中的每个n边缘精确地由该函数的一个V型被加数所表示。每对t边缘精确地由一个D型被加数所表示。λ项被引入罚函数中。计算所有可行的处罚并且在流程图中为它们指定它们各自的权数。因为最小割最小化了边缘权数(处罚)的总和，其(全局地)最小化图切分能量函数。
应当注意的是，除根据本发明的方法属性之外，该方法适于分割二维、三维和四维图像，其可以容易地适应新的成像序列，使其成为用于快速和鲁棒图像分割的通用工具。作为额外的优点，当用于心脏图像时，根据本发明的方法提供了改进的心内膜轮廓，由此还进一步改进了对左心室的分割。
根据本发明的系统包括：
输入装置，用于存取参考结构的空间描绘；
计算装置，用于：
基于先验建立的假设将表示结构的模型拟合至所述参考结构，从而产生用于分割所述结构的初始种子；
使用概率方法来估计所述结构的外观特征，从而产生所述结构的概率图像；
基于所述概率图像和所述初始种子，分割所述结构。
根据本发明的系统允许快速和通用地分割诊断图像中的结构，由此可以在来自不同成像模态的宽范围图像上执行分割，所述成像模态例如超声、X射线、磁共振成像等。根据本发明的系统还可以用于分割各种二维、三维、和四维图像。根据本发明的系统的进一步有利实施例在权利要求6和7中阐述。
根据本发明的计算机程序包括用于使处理器执行下列步骤的指令：
存取参考结构的空间描绘；
基于先验建立的假设将表示结构的模型拟合至所述参考结构，从而产生用于分割所述结构的初始种子；
使用概率方法来估计所述结构的外观特征，从而产生所述结构的概率图像；
基于所述概率图像和所述初始种子，分割所述结构。
根据本发明的计算机程序改进了医院环境中的工作流程，因为在假定结构与参考结构的空间关系已知的情况下，其不需精细的先验建立的模型并且能够用于分割大量各种结构。结构相对于参考结构的范例包括，心肌相对于左右心室，食道相对于肺，直肠相对于膀胱和/或男性前列腺、脊髓相对于椎骨等。由于所使用的模型仅采用了所寻找结构和参考结构之间空间相互关系的假设这一事实，计算机程序可以容易地变换用于不同的解剖区域和不同成像模态。根据本发明的计算机程序的进一步有利实施例在权利要求9和10中阐明。
将参考附图更详细地讨论本发明的这些和其它方面。
图1示出了根据本发明的方法实施例的示意图；
图2示出了根据本发明的系统实施例的示意图；
图3示出了根据本发明的计算机程序的实施例的示意图；
图4以示意性方式示出了依照根据本发明的方法的图像处理结果的实施例。
图1示出了根据本发明的方法实施例的示意图。根据本发明的方法1包括存取参考结构的描绘2的步骤。优选地，所述描绘2从在先图像分割步骤3获得，其中已经应用了合适的图像分割算法以获得图像中参考结构的空间位置。可以先验地或在紧跟步骤2之前执行分割步骤3。优选地，基本上实时地执行所有数据分析，随后执行使用合适的成像设备进行数据采集的步骤5。合适的成像设备的范例包括超声仪器、X射线设备、磁共振成像设备等。一获得了图像中参考结构的描绘，就在步骤4使用模型拟合该图像数据，该模型尤其是图像中想要分割的结构的拓扑模型，由此以高度确定性知道该结构相对于参考结构的空间位置。拟合模型的步骤4之前是存取表示所寻找结构的合适模型的步骤7。优选地，在合适的存储单元9中存储多个合适的拓扑模型9a、9b，每个模型表示特定所寻找的结构，例如心肌、直肠、膀胱、肾脏、脊髓等。在步骤4中一将模型拟合至图像，就获得图像中所寻找结构的初始种子。在根据本发明的方法的步骤6，使用合适的概率方法估计图像中所寻找结构的外观特征，由此产生所寻找结构的概率图像。该概率方法使用对于所寻找结构和参考结构之间空间相互关系的近乎真实的假设，例如心肌围绕左心室的假设来操作。在根据本发明的方法的步骤8，使用在步骤4获得的初始种子和在步骤6获得的概率图像分割所寻找的结构。将参考图4讨论根据本发明的方法的操作范例。
图2示出了根据本发明的系统实施例的示意图。根据本发明的系统10包括计算机12，布置为具有用于存取参考结构的空间描绘11的输入装置14。优选地，所述描绘11存储在合适的存储单元中，并且在预备图像处理步骤期间获得，所述预备图像处理步骤例如进行图像分割以产生所述参考结构的所述描绘的步骤。输入装置14还布置为存取要拟合到图像数据的模型，如参考图1所述的，用于根据本发明的方法获得所寻找结构的初始种子点。由合适的数据采集单元18提供的图像数据15由输入装置存取，并且可以用于通过应用合适的图像分割算法来提供参考结构的所述描绘。根据本发明的系统10还包括计算装置16，布置为用于基于先验建立的假设将表示结构的模型拟合至参考结构，产生用于结构分割的初始种子；用于使用概率方法估计结构的外观特征，产生所述结构的概率图像；以及用于基于所述概率图像和所述初始种子分割结构。优选地，根据本发明的系统还包括显示单元19，布置为至少显示所寻找结构的分割结果19b。更优选地，分割结构19b与参考结构19c的描绘一同呈现，并且使用合适的颜色渐变(color shading)技术重叠在原始图像19数据上。
图3示出了根据本发明的计算机程序的实施例的示意图。根据本发明的计算机程序30，包括第一指令，用于使处理器存取参考结构的描绘32。优选地，计算机程序30包括用于从在先图像分割步骤33获得所述描绘32的指令，其中已经应用了合适的图像分割算法，以使用合适的计算机算法获得图像中参考结构的空间位置。可以先验地或者在紧跟实现指令32之前执行分割步骤33。优选地，基本上实时执行所有数据分析，其后使用操作合适成像设备的合适计算机指令进行数据采集步骤35。合适的成像设备的范例包括超声仪器、X射线设备、磁共振成像设备等。一获得图像中参考结构的描绘，计算机程序30就遵循进一步指令34，由此在步骤34使用模型拟合该图像数据，该模型尤其是在图像中想要分割的结构的拓扑模型，由此以高度确定性知道该结构关于参考结构的空间位置。优选地，拟合模型的指令34之前是存取表示所寻找结构的合适模型的指令37。优选地，在合适的存储单元39中存储多个合适的拓扑模型39a、39b，每个模型表示特定所寻找的结构，例如心肌、直肠、膀胱、肾脏、脊髓等。一遵循指令34将模型拟合至图像，就获得图像中所寻找结构的初始种子。根据本发明的计算机程序的进一步指令36，使处理器使用合适的概率方法估计图像中所寻找结构的外观特征，由此产生所寻找结构的概率图像。该概率方法使用对于所寻找结构和参考结构之间空间相互关系的近乎真实的假设，例如心肌围绕左心室的假设来操作。遵循根据本发明的计算机程序的指令38，使用参考前文所述的图切分方法分割所寻找结构。将参考图4讨论根据本发明的方法的操作范例。
图4以示意性的方式呈现了依照根据本发明的方法的图像处理结果的实施例。数据处理40可以示意性地分成三个步骤。首先，在步骤42，存取图像数据，并且将表示所寻找结构41b和参考结构41a的空间相互关系的模型应用于图像数据。此后，在步骤44，通过应用用于估计所寻找结构的外观特征的概率方法获得所寻找结构43的概率图像。例如，可以使用模糊kNN分类器。在步骤46，执行对所寻找结构的分割，由此组合步骤42和步骤44的结果，产生与对参考结构43b(左心室)的分割相关的对所寻找结构43a(心肌)的分割。已经研究了根据本发明的方法对患者数据的可应用性。为此，11个临床平衡的FFE电影心脏(cine cardiac)MRI数据(图像尺寸256×256×10×20，空间分辨率1.5×1.5×8mm)。对于两个心动时相每个数据组地，将自动分割的心肌体积与放射学家手动执行分割的体积相比；RMS误差为12mL，这可与评判间误差(interrater error)相比。为了分割完整的时间序列，在Inter Xeon 2.4GHz机器(两年老的技术)的一个处理器上，运行时间仅为30-40秒，这示出了根据本发明的图像分割的快速操作。

Claims (10)

1、一种用于描绘与参考结构相关的结构的图像分割方法，包括：
存取所述参考结构的空间描绘；
基于先验建立的假设将表示所述结构的模型拟合至所述参考结构，从而产生用于分割所述结构的初始种子；
对所述结构应用概率方法来估计所述结构的外观特征，从而产生所述结构的概率图像；
基于所述概率图像和所述初始种子，分割所述结构。
2、根据权利要求1所述的方法，其中，所述模型包括拓扑模型。
3、根据权利要求1或2所述的方法，其中，借助于图像分割执行对所述参考结构的空间描绘。
4、根据权利要求3所述的方法，其中，所述参考结构包括心脏的左右心室，并且，所述结构包括心肌。
5、一种用于图像分割的系统(10)，包括：
输入装置(14)，用于存取参考结构的空间描绘；
计算装置(16)，用于：
基于先验建立的假设将表示结构的模型拟合至所述参考结构，从而产生用于分割所述结构的初始种子；
使用概率方法来估计所述结构的外观特征，从而产生所述结构的概率图像；
基于所述概率图像和所述初始种子，分割所述结构。
6、根据权利要求5所述的系统，其中，所述输入装置(14)还布置为用于存取想要分割的图像(15)，所述计算装置还布置为用于分割所述图像中的所述参考结构。
7、根据前述权利要求5或6中任一项所述的系统，其中，所述系统(10)还包括用于至少显示已分割结构(19a、19b、19c)的显示单元(9)和/或布置为用于采集所述图像的数据采集单元(18)。
8、一种计算机程序(30)，包括用于使处理器执行下列步骤的指令：
存取参考结构的空间描绘(32)；
基于先验建立的假设将表示结构的模型拟合至所述参考结构，从而产生用于分割所述结构的初始种子(34)；
使用概率方法来估计所述结构的外观特征，从而产生所述结构的概率图像(36)；
基于所述概率图像和所述初始种子，分割所述结构(38)。
9、根据权利要求8所述的计算机程序，其中，所述计算机程序(30)包括进一步的指令，其布置为使所述处理器执行图像分割(33)，以获得所述参考结构的所述空间描绘。
10、根据权利要求8或权利要求9所述的计算机程序，其中，所述计算机程序包括进一步的指令，其布置为使所述处理器在显示装置上至少显示已分割结构。
CNA2006800446618A 2005-12-01 2006-11-27 用于分割图像中与参考结构相关的结构的方法、系统和计算机程序 Pending CN101317196A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP05111566 2005-12-01
EP05111566.5 2005-12-01

Publications (1)

Publication Number Publication Date
CN101317196A true CN101317196A (zh) 2008-12-03

Family

ID=37836596

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2006800446618A Pending CN101317196A (zh) 2005-12-01 2006-11-27 用于分割图像中与参考结构相关的结构的方法、系统和计算机程序

Country Status (5)

Country Link
US (1) US20080298682A1 (zh)
EP (1) EP1958156A2 (zh)
JP (1) JP2009517163A (zh)
CN (1) CN101317196A (zh)
WO (1) WO2007063476A2 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101840514A (zh) * 2009-03-19 2010-09-22 株式会社理光 图像对象分类装置及方法
CN103140855A (zh) * 2010-07-28 2013-06-05 瓦里安医疗系统公司 基于知识的自动图像分割
CN105009171A (zh) * 2013-03-01 2015-10-28 因派克医药系统有限公司 用于学习增强的基于图谱的自动分割的方法和装置
CN108304588A (zh) * 2018-03-07 2018-07-20 山东师范大学 一种基于k近邻和模糊模式识别的图像检索方法及系统

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8023734B2 (en) * 2007-10-10 2011-09-20 Siemens Aktiengesellschaft 3D general lesion segmentation in CT
US8478012B2 (en) * 2009-09-14 2013-07-02 General Electric Company Methods, apparatus and articles of manufacture to process cardiac images to detect heart motion abnormalities
US9020216B2 (en) 2010-07-28 2015-04-28 Varian Medical Systems, Inc. Knowledge-based automatic image segmentation
KR101616029B1 (ko) 2014-07-25 2016-04-27 삼성전자주식회사 자기 공명 영상 처리 방법 및 방법을 실행하기 위한 장치
KR101652046B1 (ko) 2014-11-03 2016-08-29 삼성전자주식회사 의료 영상 장치 및 의료 영상을 처리하는 방법
JP6626344B2 (ja) * 2015-09-29 2019-12-25 キヤノン株式会社 画像処理装置、画像処理装置の制御方法およびプログラム
CN106651811B (zh) * 2017-01-03 2018-03-16 长沙全度影像科技有限公司 一种亮度通道引导的简单镜头成像模糊去除方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5570430A (en) * 1994-05-31 1996-10-29 University Of Washington Method for determining the contour of an in vivo organ using multiple image frames of the organ
US6249693B1 (en) * 1999-11-01 2001-06-19 General Electric Company Method and apparatus for cardiac analysis using four-dimensional connectivity and image dilation
US6757414B1 (en) * 2000-08-31 2004-06-29 Ge Medical Systems Global Technology Company, Llc Method and apparatus for segmentation of a left ventricular epicardium
US6973212B2 (en) * 2000-09-01 2005-12-06 Siemens Corporate Research, Inc. Graph cuts for binary segmentation of n-dimensional images from object and background seeds
US6961454B2 (en) * 2001-10-04 2005-11-01 Siemens Corporation Research, Inc. System and method for segmenting the left ventricle in a cardiac MR image

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101840514A (zh) * 2009-03-19 2010-09-22 株式会社理光 图像对象分类装置及方法
CN101840514B (zh) * 2009-03-19 2014-12-31 株式会社理光 图像对象分类装置及方法
CN103140855A (zh) * 2010-07-28 2013-06-05 瓦里安医疗系统公司 基于知识的自动图像分割
CN108428233A (zh) * 2010-07-28 2018-08-21 瓦里安医疗系统公司 基于知识的自动图像分割
US11455732B2 (en) 2010-07-28 2022-09-27 Varian Medical Systems, Inc. Knowledge-based automatic image segmentation
CN105009171A (zh) * 2013-03-01 2015-10-28 因派克医药系统有限公司 用于学习增强的基于图谱的自动分割的方法和装置
CN105009171B (zh) * 2013-03-01 2018-04-27 医科达有限公司 用于学习增强的基于图谱的自动分割的方法和装置
CN108304588A (zh) * 2018-03-07 2018-07-20 山东师范大学 一种基于k近邻和模糊模式识别的图像检索方法及系统
CN108304588B (zh) * 2018-03-07 2020-09-29 山东师范大学 一种基于k近邻和模糊模式识别的图像检索方法及系统

Also Published As

Publication number Publication date
EP1958156A2 (en) 2008-08-20
US20080298682A1 (en) 2008-12-04
WO2007063476A3 (en) 2007-11-29
JP2009517163A (ja) 2009-04-30
WO2007063476A2 (en) 2007-06-07

Similar Documents

Publication Publication Date Title
CN101317196A (zh) 用于分割图像中与参考结构相关的结构的方法、系统和计算机程序
CN111539930B (zh) 基于深度学习的动态超声乳腺结节实时分割与识别的方法
CN109615636B (zh) Ct影像的肺叶段分割中的血管树构造方法、装置
Ecabert et al. Automatic model-based segmentation of the heart in CT images
CN100528075C (zh) 分割心脏磁共振图像中左心室的系统和方法
EP1851722B1 (en) Image processing device and method
EP1995690B1 (en) Generating an anatomical model using a rule-based segmentation and classification process
CN100566655C (zh) 用于处理图像以确定图像特性或分析候补的方法
US7672491B2 (en) Systems and methods providing automated decision support and medical imaging
Kim et al. Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images
CN109241967A (zh) 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质
CN103180878B (zh) 用于医学图像的分割的系统
CN105096310B (zh) 利用多通道特征在磁共振图像中分割肝脏的方法和系统
US20140050384A1 (en) Context Driven Image Mining to Generate Image-Based Biomarkers
CN101111865A (zh) 用于在心脏图像中分割左心室的系统和方法
CN107403434B (zh) 基于两阶段聚类的sar图像语义分割方法
CN108364294A (zh) 基于超像素的腹部ct图像多器官分割方法
CN111340812A (zh) 基于深度神经网络的交互式肝脏图像分割方法
CN107708550A (zh) 用于检测和测量解剖异常的分段回声结构的表面建模
Chen et al. Tree-branch-searching multiresolution approach to skeletonization for virtual endoscopy
CN114693933A (zh) 基于生成对抗网络和多尺度特征融合的医学影像分割装置
CN112329871A (zh) 一种基于自校正卷积与通道注意力机制的肺结节检测方法
CN113537357A (zh) 一种基于深度残差网络的甲状腺癌ct影像分类系统
CN105512670A (zh) 基于keca特征降维和聚类的hrct周围神经分割
Yu et al. 3D Medical Image Segmentation based on multi-scale MPU-Net

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20081203