CN102663749A - 基于相位信息的超声图像病灶分割技术 - Google Patents

基于相位信息的超声图像病灶分割技术 Download PDF

Info

Publication number
CN102663749A
CN102663749A CN2012100860507A CN201210086050A CN102663749A CN 102663749 A CN102663749 A CN 102663749A CN 2012100860507 A CN2012100860507 A CN 2012100860507A CN 201210086050 A CN201210086050 A CN 201210086050A CN 102663749 A CN102663749 A CN 102663749A
Authority
CN
China
Prior art keywords
curve
image
lesion
represent
zero level
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
CN2012100860507A
Other languages
English (en)
Inventor
沈民奋
张琼
孙丽莎
方若宇
廖承福
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.)
Shantou University
Original Assignee
Shantou University
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 Shantou University filed Critical Shantou University
Priority to CN2012100860507A priority Critical patent/CN102663749A/zh
Publication of CN102663749A publication Critical patent/CN102663749A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明属生物医学信号处理领域，具体涉及超声图像病灶自动提取方法。本发明方法具体步骤为：（1）选取目标图像：用户利用鼠标剪裁包括有待处理的病灶的方框图像；（2）初始化零水平集：在裁剪后得到的图像上病灶的周围用鼠标人工初始化零水平集曲线，作为初始曲线轮廓；（3）利用在
Figure 2012100860507100004DEST_PATH_IMAGE001
模型基础上改进的模型对超声图像病灶进行自动分割：绘制迭代之后得到的零水平集曲线，从而得到最终的病灶分割结果。本发明可以实现无人工干预的超声图像病灶边缘提取，能快速地提取出肿瘤病灶区域，而且大大提高了准确性。从而为病灶的识别和计算机辅助诊断奠定良好的技术基础，为广大医生提供了便利。

Description

基于相位信息的超声图像病灶分割技术
技术领域
本发明属生物医学信号处理领域，具体涉及超声图像病灶自动提取方法。
背景技术
图像分割就是把图像中具有特殊涵义的不同区域分隔开来，这些区域使互不相交的每一个区域都满足特定区域的一致性。它是图像处理与图像分析中的一个经典问题。目前针对各种具体问题已经提出了许多不同的图像分割算法，对图像分割的效果也有很好的分析结论。但是由于图像分割问题所面向领域的特殊性，至今尚未得到圆满的、具有普适性的解决方法。
同样，医学超声图像的分割也一直以来是一个非常棘手的问题，因为其固有的斑点噪声使图像变得模糊不清，加之图像本身灰度较暗、对比度较差，从而使分割难度进一步加大。回顾近几年，国内外相继提出了许多超声图像的分割技术，如活动轮廓模型方法，神经网络方法，支持向量机方法以及小波变换方法等。这其中绝大部分是基于图像灰度信息的分割技术。
传统的活动轮廓模型分为参数活动轮廓模型与几何活动轮廓模型。参数活动轮廓模型主要以Kass等人提出的snake模型为代表，由于snake模型存在一些缺陷，比如初始轮廓必须是封闭的曲线，而且须设在目标边缘附近，曲线捕捉范围较小。针对snake模型的缺点，Chenyang Xu 等人于1997年提出了GVF模型即梯度向量流模型，对snake模型进行了改进，从而增大了曲线的捕捉范围和逼近能力。之后不断有人提出针对snake模型的改进方法，但这些方法都不能改变参数活动轮廓模型的固有缺陷，即几何拓扑变化能力差。
相比于参数活动轮廓模型，几何活动轮廓模型具有较强的几何拓扑变化能力，并且计算稳定，分割精度高。由于该模型的良好特性，近几年来，在图像分割领域得到了广泛的应用。几何活动轮廓模型是建立在曲线进化理论和水平集思想的基础之上的。在几何活动轮廓模型中，曲线的移动仅仅在几何尺度下进行，所以轮廓的演变过程与参数化无关。活动曲线的进化利用高维函数的水平截集来间接表示，因此曲线在拓扑学上的变化可以自然而然的得到。在几何活动轮廓模型分割方法中，广泛采用如下边缘检测算子
Figure 2012100860507100002DEST_PATH_IMAGE001
其中，
Figure 2012100860507100002DEST_PATH_IMAGE002
表示原始图像，
Figure 2012100860507100002DEST_PATH_IMAGE003
表示标准差为
Figure 2012100860507100002DEST_PATH_IMAGE004
的高斯核函数。该算子对一般的灰度图像边缘的检测效果较好，但它的一个致命缺陷是受图像的对比度以及亮度的影响较大，对于一幅对比度较低或者亮度较暗的图像来说，检测出的边缘效果并不理想。尤其对于超声图像这种特殊图像，由于其本身具有斑点噪声以及图像比较暗的特点，边缘检测器g则检测不到对比度较差的边缘或者一些细节纹理。而我们知道，图像分割的实质可以归结到对图像的边缘检测上来。因此边缘检测算子的好坏直接影响到图像的最终分割效果理想与否。所以，针对目前的图像分割技术现状，我们迫切需要在超声图像的分割中引入一种性能较佳的边缘检测算子来克服传统边缘检测方法的不足，从而达到理想的分割效果。
发明内容
本发明目的是针对上述分割技术存在的缺陷，提供一种超声图像乳腺肿瘤自动提取方法。
本发明可以实现无人工干预的超声图像病灶边缘提取，不仅能快速地提取出肿瘤病灶区域，而且大大提高了准确性。
本发明是通过以下技术方案实现的，具体分以下步骤进行：
（1）选取目标图像：用户利用鼠标剪裁包括有待处理的病灶的方框图像；
（2）初始化零水平集：在裁剪后得到的图像上病灶的周围用鼠标人工初始化零水平集曲线，作为初始曲线轮廓；
（3）利用在
Figure 2012100860507100002DEST_PATH_IMAGE005
模型基础上改进的模型对超声图像病灶进行自动分割：
3a 计算基于相位一致性的边缘检测算子
Figure 2012100860507100002DEST_PATH_IMAGE006
其中，
Figure 2012100860507100002DEST_PATH_IMAGE007
为图像的相位一致性函数，计算公式如下
Figure 2012100860507100002DEST_PATH_IMAGE009
式中，
Figure 2012100860507100002DEST_PATH_IMAGE010
表示方向，
Figure 2012100860507100002DEST_PATH_IMAGE011
表示小波变换尺度，为各个方向上的权值，为变换幅度，
Figure 2012100860507100002DEST_PATH_IMAGE015
表示相位偏差，
Figure 2012100860507100002DEST_PATH_IMAGE016
为阈值，可以根据具体情况来设定；其中
Figure 2012100860507100002DEST_PATH_IMAGE017
可由如下两个表达式计算得到
上式中
Figure 2012100860507100002DEST_PATH_IMAGE019
表示裁剪后得到的原图像，和分别表示变换尺度为
Figure 2012100860507100002DEST_PATH_IMAGE022
的偶对称小波和奇对称小波，是由原图像
Figure 72992DEST_PATH_IMAGE019
经过
Figure 670196DEST_PATH_IMAGE023
小波变换得到；
3b求取迭代方程：将新的边缘检测算子
Figure 2012100860507100002DEST_PATH_IMAGE024
代入新的模型当中，得到如下方程
Figure 2012100860507100002DEST_PATH_IMAGE025
式中，
Figure 2012100860507100002DEST_PATH_IMAGE026
是正参数，
Figure DEST_PATH_IMAGE027
为水平集曲线，
Figure 2012100860507100002DEST_PATH_IMAGE028
为相位向量，
Figure 2012100860507100002DEST_PATH_IMAGE029
表示梯度，
Figure 2012100860507100002DEST_PATH_IMAGE030
表示旋度；
将上述方程离散化得到如下的迭代方程：
Figure 2012100860507100002DEST_PATH_IMAGE031
式中的
Figure 2012100860507100002DEST_PATH_IMAGE032
表示迭代的时间步长，
Figure 961807DEST_PATH_IMAGE032
的取值应适中，
Figure DEST_PATH_IMAGE033
时
Figure 2012100860507100002DEST_PATH_IMAGE034
表示被初始化的零水平集曲线；
3c 模型更新：将上述方程进行迭代计算，从而更新水平集曲线，使得曲线不断逼近病灶的边缘，直到曲线的能量达到最小化为止；
3d绘制迭代之后得到的零水平集曲线，从而得到最终的病灶分割结果。
本发明与现有技术相比具有以下优点：
1.引入了基于相位一致性的边缘检测算子，提高了病灶的分割准确率，同时增强了噪声抑制的能力；
2.引入边缘定位项，能够更加精确地提取出病灶的边缘。
附图及其说明
图1为本发明的流程图；
图2为本发明引入的新的基于相位一致性的边缘检测算子与传统的边缘检测算子的检测效果比较实验图；
 其中，2-a为一幅临床上的乳腺囊肿病灶超声图像原图；2-b为使用传统的边缘检测算子
Figure 2012100860507100002DEST_PATH_IMAGE035
的检测效果图；2-c为基于相位一致性的边缘检测算子检测效果图；
图3为本发明与原始
Figure 575453DEST_PATH_IMAGE005
模型算法针对超声图像乳腺囊肿提取的对比试验结果图；
其中，3-a为乳腺囊肿原图像，绿色矩形框表示人工初始化的零水平集曲线；3-b为模型的分割结果；3-c为本发明提出的模型的分割结果；
图4为本发明与原始
Figure 985892DEST_PATH_IMAGE005
模型算法针对超声图像乳腺纤维瘤提取的对比试验结果图；
其中，4-a为乳腺纤维瘤原始图像，绿色矩形框表示人工初始化的零水平集曲线；4-b为模型的分割结果；4-c为本发明提出的模型的分割结果。
在几何活动轮廓模型当中，传统的边缘检测算子g是基于灰度信息的边缘检测方法，因此非常容易受到图像灰度特征的影响。研究表明，图像的纹理信息主要由相位信息决定，幅值信息则表示纹理变化的强弱，因此用相位信息来表征图像的纹理特征将会是一种更有效的检测手段。基于相位信息的边缘检测方法不易受图像的对比度以及灰度的影响,很好地避开了灰度边缘检测所遇到的麻烦，因为它是基于小波变换频率域的边缘检测方法，即通过对图像进行小波变换后，计算图像相位的一致性来得到边缘信息，相位一致性越强的地方表明图像的边缘越明显。
 基于相位的边缘检测算子是由Peter Kovesi等人提出来的，表达式如下所示
Figure 2012100860507100002DEST_PATH_IMAGE008
 式中，
Figure 308868DEST_PATH_IMAGE010
表示方向，
Figure 523817DEST_PATH_IMAGE011
表示小波变换尺度，
Figure 643083DEST_PATH_IMAGE013
为各个方向上的权值，
Figure 521171DEST_PATH_IMAGE014
为变换幅度，
Figure 358677DEST_PATH_IMAGE015
表示相位偏差，
Figure 111739DEST_PATH_IMAGE016
为阈值，可以根据具体情况来设定。其中
Figure 351090DEST_PATH_IMAGE017
可由如下两个表达式计算得到
Figure 711664DEST_PATH_IMAGE018
上式中
Figure 724882DEST_PATH_IMAGE019
表示裁剪后得到的原图像，
Figure 281634DEST_PATH_IMAGE020
和
Figure 109913DEST_PATH_IMAGE021
分别表示变换尺度为
Figure 595383DEST_PATH_IMAGE022
的偶对称小波和奇对称小波，是由原图像
Figure 141902DEST_PATH_IMAGE019
经过
Figure 502345DEST_PATH_IMAGE023
小波变换得到。
由
Figure 2012100860507100002DEST_PATH_IMAGE037
我们定义新的边缘检测器为
Figure 2012100860507100002DEST_PATH_IMAGE038
。式中
Figure 139125DEST_PATH_IMAGE039
的取值可根据具体情况设定。但是
Figure 44764DEST_PATH_IMAGE039
取值应适中，不能过大，否则会造成边缘泄露。有关两者边缘检测算子的效果比较将在附图中说明。
鉴于
Figure 327847DEST_PATH_IMAGE036
算子在超声图像的边缘检测方面的优越性，将该算子引入到几何活动轮廓模型当中，对经典的侧地活动轮廓模型进行改进，并在模型中引入了定位项
Figure 2012100860507100002DEST_PATH_IMAGE040
式中，
Figure 665550DEST_PATH_IMAGE026
是正参数，
Figure 655371DEST_PATH_IMAGE027
为水平集曲线，
Figure 731912DEST_PATH_IMAGE028
为相位向量，
Figure 15474DEST_PATH_IMAGE029
表示梯度，
Figure 202873DEST_PATH_IMAGE030
表示旋度。第一项被称为定位项，用于精确定位图像的边缘。第二项和第三项来自经典的侧地活动轮廓模型。
具体的实施方式：
步骤一：选取目标图像。
本发明只需要用户大概确认病灶的位置，即可以利用鼠标在显示的医学图像上划取病灶的大致范围即可，系统便能自动地提出去肿瘤的具体形状和大小等重要信息。
步骤二：初始化零水平集函数，作为后续迭代计算的初始条件。
在裁剪后得到的图像上病灶的周围用鼠标人工初始化零水平集曲线，作为初始曲线轮廓。
步骤三：利用在
Figure 375097DEST_PATH_IMAGE005
模型基础上改进的模型对超声图像病灶进行自动分割。
1）计算基于相位一致性的边缘检测算子
 
Figure 2012100860507100002DEST_PATH_IMAGE041
其中，
Figure 310954DEST_PATH_IMAGE007
为图像的相位一致性函数，计算公式如下
Figure 2012100860507100002DEST_PATH_IMAGE042
 式中，
Figure 319362DEST_PATH_IMAGE010
表示方向，
Figure 559719DEST_PATH_IMAGE011
表示小波变换尺度，
Figure 337182DEST_PATH_IMAGE013
为各个方向上的权值，
Figure 506257DEST_PATH_IMAGE014
为变换幅度，
Figure 736382DEST_PATH_IMAGE015
表示相位偏差，为阈值，可以根据具体情况来设定；其中可由如下两个表达式计算得到
Figure 752376DEST_PATH_IMAGE018
上式中
Figure 735376DEST_PATH_IMAGE019
表示裁剪后得到的原图像，
Figure 317536DEST_PATH_IMAGE020
和
Figure 804012DEST_PATH_IMAGE021
分别表示变换尺度为的偶对称小波和奇对称小波，是由原图像
Figure 785185DEST_PATH_IMAGE019
经过
Figure 984086DEST_PATH_IMAGE023
小波变换得到；
2）求取迭代方程：将新的边缘检测算子
Figure 574336DEST_PATH_IMAGE036
代入新的模型当中，得到如下方程
Figure DEST_PATH_IMAGE043
式中，
Figure 459377DEST_PATH_IMAGE026
是正参数，
Figure 151390DEST_PATH_IMAGE027
为水平集曲线，
Figure 75352DEST_PATH_IMAGE028
为相位向量，
Figure 536421DEST_PATH_IMAGE029
表示梯度，
Figure 654681DEST_PATH_IMAGE030
表示旋度；第一项被称为定位项，用于精确定位图像的边缘，第二项和第三项来自经典的
Figure 568410DEST_PATH_IMAGE005
模型；实验中，我们取
Figure 2012100860507100002DEST_PATH_IMAGE044
；
将上述方程离散化得到如下的迭代方程
Figure DEST_PATH_IMAGE045
式中的
Figure 922162DEST_PATH_IMAGE032
表示迭代的时间步长，
Figure 503316DEST_PATH_IMAGE032
的取值应适中，取较大值的时候，虽然迭代速度快但也容易发生边缘泄露问题；时表示被初始化的零水平集曲线；实验中取
Figure 2012100860507100002DEST_PATH_IMAGE046
；
3）模型更新：将上述方程进行迭代计算，从而更新水平集曲线，使得曲线不断逼近病灶的边缘，直到曲线的能量达到最小化为止；
4) 绘制迭代之后得到的零水平集曲线，从而得到最终的病灶分割结果。
我们用本发明提出的方法模型对两幅真实的乳腺超声图像分别进行病灶提取，并和经典的侧地活动轮廓模型(GAC)做比较，如图3和图4所示。为了进行定量的比较，我们引入相对误分率来做客观的分割效果评价，误分率的定义如下所示
Figure 385232DEST_PATH_IMAGE047
其中，表示的是误分图像的面积，而
Figure 513911DEST_PATH_IMAGE049
表示的是图像的总面积。
不同方法下的误分率比较(迭代次数均为250次)
Figure 2012100860507100002DEST_PATH_IMAGE050
通过分析以上实验数据，可以说明本专利提出的方法在超声图像病灶提取方面具有明显的优越性，较之经典的GAC模型，大大提高了病灶的识别准确率。

Claims (1)

1.一种基于相位信息的超声图像病灶分割技术，按以下步骤进行：
（1）选取目标图像：用户利用鼠标剪裁包括有待处理的病灶的方框图像；
（2）初始化零水平集：在裁剪后得到的图像上病灶的周围用鼠标人工初始化零水平集曲线，作为初始曲线轮廓；
（3）利用在                                                
Figure 790219DEST_PATH_IMAGE001
模型基础上改进的模型对超声图像病灶进行自动分割：
3a 计算基于相位一致性的边缘检测算子
Figure 894310DEST_PATH_IMAGE002
其中，
Figure 611730DEST_PATH_IMAGE003
为图像的相位一致性函数，计算公式如下
Figure 695355DEST_PATH_IMAGE004
式中，表示方向，
Figure 456823DEST_PATH_IMAGE006
表示小波变换尺度，
Figure 661540DEST_PATH_IMAGE008
为各个方向上的权值，
Figure 486538DEST_PATH_IMAGE009
为变换幅度，
Figure 342368DEST_PATH_IMAGE010
表示相位偏差，
Figure 273415DEST_PATH_IMAGE011
为阈值，可以根据具体情况来设定；其中
Figure 716160DEST_PATH_IMAGE012
可由如下两个表达式计算得到
Figure 390855DEST_PATH_IMAGE013
上式中
Figure 101191DEST_PATH_IMAGE014
表示裁剪后得到的原图像，
Figure 468718DEST_PATH_IMAGE015
和分别表示变换尺度为
Figure 673882DEST_PATH_IMAGE017
的偶对称小波和奇对称小波，是由原图像
Figure 441987DEST_PATH_IMAGE014
经过
Figure 777154DEST_PATH_IMAGE018
小波变换得到；
3b求取迭代方程：将新的边缘检测算子
Figure 443758DEST_PATH_IMAGE019
代入新的模型当中，得到如下方程
Figure 210988DEST_PATH_IMAGE020
式中，
Figure 646649DEST_PATH_IMAGE021
是正参数，
Figure 605246DEST_PATH_IMAGE022
为水平集曲线，
Figure 493568DEST_PATH_IMAGE023
为相位向量，表示梯度，表示旋度；
将上述方程离散化得到如下的迭代方程：
Figure 484155DEST_PATH_IMAGE028
式中的
Figure DEST_PATH_IMAGE029
表示迭代的时间步长，
Figure 859773DEST_PATH_IMAGE029
的取值应适中，
Figure 2012100860507100001DEST_PATH_IMAGE030
时
Figure DEST_PATH_IMAGE031
表示被初始化的零水平集曲线；
3c 模型更新：将上述方程进行迭代计算，从而更新水平集曲线，使得曲线不断逼近病灶的边缘，直到曲线的能量达到最小化为止；
3d绘制迭代之后得到的零水平集曲线，从而得到最终的病灶分割结果。
CN2012100860507A 2012-03-28 2012-03-28 基于相位信息的超声图像病灶分割技术 Pending CN102663749A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012100860507A CN102663749A (zh) 2012-03-28 2012-03-28 基于相位信息的超声图像病灶分割技术

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012100860507A CN102663749A (zh) 2012-03-28 2012-03-28 基于相位信息的超声图像病灶分割技术

Publications (1)

Publication Number Publication Date
CN102663749A true CN102663749A (zh) 2012-09-12

Family

ID=46773227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012100860507A Pending CN102663749A (zh) 2012-03-28 2012-03-28 基于相位信息的超声图像病灶分割技术

Country Status (1)

Country Link
CN (1) CN102663749A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593848A (zh) * 2013-11-25 2014-02-19 深圳市恩普电子技术有限公司 超声心脏内膜描迹方法
CN103824306A (zh) * 2014-03-25 2014-05-28 武汉大学 一种基于动力学统计形状模型的超声图像分割方法
CN104091331A (zh) * 2014-06-27 2014-10-08 深圳市开立科技有限公司 一种超声病灶图像的分割方法、装置及系统
CN106570868A (zh) * 2015-10-10 2017-04-19 中国科学院深圳先进技术研究院 基于水平集方法的三维肝脏肿瘤半自动分割方法
CN111127583A (zh) * 2019-11-08 2020-05-08 北京猎豹移动科技有限公司 一种绘制曲线的方法、装置及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070047788A1 (en) * 2005-07-15 2007-03-01 Siemens Corporate Research Inc System and Method For Ultrasound Specific Segmentation Using Speckle Distributions
CN101599174A (zh) * 2009-08-13 2009-12-09 哈尔滨工业大学 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070047788A1 (en) * 2005-07-15 2007-03-01 Siemens Corporate Research Inc System and Method For Ultrasound Specific Segmentation Using Speckle Distributions
CN101599174A (zh) * 2009-08-13 2009-12-09 哈尔滨工业大学 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AHROR BELAID等: "Phase-Based Level Set Segmentation of Ultrasound Images", 《IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE》, vol. 15, no. 1, 31 January 2011 (2011-01-31), pages 138 - 147 *
罗斌等: "基于运动信息和相位一致性的运动目标提取", 《系统仿真学报》, vol. 20, no. 1, 31 January 2008 (2008-01-31), pages 94 - 98 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593848A (zh) * 2013-11-25 2014-02-19 深圳市恩普电子技术有限公司 超声心脏内膜描迹方法
CN103824306A (zh) * 2014-03-25 2014-05-28 武汉大学 一种基于动力学统计形状模型的超声图像分割方法
CN103824306B (zh) * 2014-03-25 2016-09-14 武汉大学 一种基于动力学统计形状模型的超声图像分割方法
CN104091331A (zh) * 2014-06-27 2014-10-08 深圳市开立科技有限公司 一种超声病灶图像的分割方法、装置及系统
CN104091331B (zh) * 2014-06-27 2015-07-29 深圳开立生物医疗科技股份有限公司 一种超声病灶图像分割方法、装置及系统
CN106570868A (zh) * 2015-10-10 2017-04-19 中国科学院深圳先进技术研究院 基于水平集方法的三维肝脏肿瘤半自动分割方法
CN111127583A (zh) * 2019-11-08 2020-05-08 北京猎豹移动科技有限公司 一种绘制曲线的方法、装置及电子设备
CN111127583B (zh) * 2019-11-08 2024-01-12 北京朱比特科技有限公司 一种绘制曲线的方法、装置及电子设备

Similar Documents

Publication Publication Date Title
US20190355117A1 (en) Techniques for Segmentation of Lymph Nodes, Lung Lesions and Other Solid or Part-Solid Objects
CN101706843B (zh) 一种乳腺cr图像交互式读片方法
CN102324021B (zh) 一种基于剪切波变换的红外弱小目标检测方法
Nasor et al. Detection and localization of early-stage multiple brain tumors using a hybrid technique of patch-based processing, k-means clustering and object counting
CN101982835B (zh) Sar图像机场道路边缘检测水平集方法
Guo et al. A novel image edge detection algorithm based on neutrosophic set
CN104732536A (zh) 一种基于改进形态学的亚像素边缘检测方法
CN109009110A (zh) 基于mri影像的腋窝淋巴结转移预测系统
CN102663749A (zh) 基于相位信息的超声图像病灶分割技术
CN101980287B (zh) 一种采用非下采样轮廓波变换的图像边缘检测方法
Zhao et al. Segmentation of ultrasound images of thyroid nodule for assisting fine needle aspiration cytology
CN103714547B (zh) 一种结合边缘区域和互相关的图像配准方法
Mohanapriya et al. Adaptive Image Enhancement Using Hybrid Particle Swarm Optimization and Watershed Segmentation.
CN105719295A (zh) 一种基于三维超体素的颅内出血区域分割方法及系统
Farhi et al. Adaptive stochastic segmentation via energy-convergence for brain tumor in MR images
CN102542556A (zh) 超声图像乳腺肿瘤自动提取方法
CN102737382A (zh) 一种前列腺超声图像自动精确分割方法
CN105261015A (zh) 基于Gabor滤波器的眼底图像血管自动分割方法
Xian et al. A fully automatic breast ultrasound image segmentation approach based on neutro-connectedness
Jolly et al. 3D general lesion segmentation in CT
CN106683159B (zh) 三维盆底超声图像处理方法及系统
CN103065291A (zh) 基于提升小波变换和像素区域相关性的图像融合方法
CN103065299A (zh) 超声图像边缘提取方法和装置
Kaur et al. Curvelet initialized level set cell segmentation for touching cells in low contrast images
Mehena et al. Brain tumor segmentation and extraction of MR images based on improved watershed transform

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

Application publication date: 20120912