CN103310457A - 一种基于抛物线修正凸包的肺实质分割方法 - Google Patents
一种基于抛物线修正凸包的肺实质分割方法 Download PDFInfo
- Publication number
- CN103310457A CN103310457A CN2013102413841A CN201310241384A CN103310457A CN 103310457 A CN103310457 A CN 103310457A CN 2013102413841 A CN2013102413841 A CN 2013102413841A CN 201310241384 A CN201310241384 A CN 201310241384A CN 103310457 A CN103310457 A CN 103310457A
- Authority
- CN
- China
- Prior art keywords
- point
- pulmonary parenchyma
- lung
- para
- lung parenchyma
- 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
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于抛物线修正凸包的肺实质分割方法,依次进行粗提取肺实质轮廓图像、肺实质外轮廓修复、肺实质内部边缘修复,其特征在于:肺实质外轮廓修复通过以下步骤实现:步骤1:将肺实质轮廓图像边缘轮廓中的点进行排序;步骤2:对步骤1的点建立边缘堆栈,得到边缘点集P={p0,p1,…pn}(n≥3);步骤3:将点集P中的相邻两点连成线段,将线段长度由大到小排序,根据线段长度和位置查找肺结节所对应肺叶轮廓缺失部分的线段pdpd+1;步骤4:利用抛物线修正线段pdpd+1,得到肺实质边缘轮廓。
Description
技术领域
本发明涉及医学图像处理领域,尤其是一种基于抛物线修正凸包的肺实质分割方法。
背景技术
随着计算机断层扫描(Computer Tomography,CT)技术和计算机图像处理技术的发展,计算机辅助诊断系统(Computer-Aided Detection)为准确、快速、自动的分析和处理CT图像数据提供了新的手段,有助于提高医生诊断的敏感性和特异性。在针对肺部疾病的计算机辅助诊断的研究中,肺实质的分割可以排除CT图像中无关因素(如胸廓、心脏、检查床等)的影响、减少不必要的计算,分割的准确与否是影响肺部疾病的定量分析、肺结节的检测和肺功能评估的关键环节。
在CT图像中,由于结节等病变部位的密度与心脏及胸廓等软组织的密度极为接近,故传统的基于阈值的分割方法,虽然能有效地提取出肺实质,却常常会丢失如结节等病变部位的细节信息。而结节又是肺部医学影像的一个重要的影像征,是医生进行诊断的重要依据。现有的成像技术还无法确切的区分出结节和胸廓这样密度相似的软组织,要解决这个问题只能依赖图像分割算法。然而肺部结节的形状、大小及位置都存在极大地差异,故需要设计一个有效、强大的分割算法,提取出包含肺结节等病变部位的完整的肺实质。
针对这一问题,现有的算法多是先利用阈值分割、区域增长等方法得到CT图像中肺实质的大致区域,然后对分割结果进行修正,以弥补因各种病变造成的肺实质的缺失部分。现有的修正算法主要有:Armato S.G.等提出的滚球算法,该方法用一个半径为R的球在提取出来的肺区边缘上沿某个方向滚动,在球内的点通过判断是否互为八连通域来判断是否需要修复边缘,但是圆球半径R会对修复结果造成很大的影响,同时R值的选取通常都是根据经验选择,降低了算法的适用性,且常常出现过补的现象。Hu S.等提出的数学形态学方法对肺实质进行分割,该方法计算复杂度高且会影响到边缘的准确度。Bollotti R.等人选用粘性带(Glued Elastic Band,GEB)算法对肺部边界进行修补,模仿力学原理把弯曲半径较小的凹陷部分包含在所需区域内,而弯曲半径较大的部分仍然排除在外,但此方法计算复杂,修复结果也要受到采样步长的影响。此外,Kanazawa K等人提出基于曲率的方法,根据在肺实质的缺失部分会有较大的曲率变化,设定曲率阈值并对缺失部分予以修正,但肺部边界上的曲率很容易受到噪声的影响,且计算量大。王晶利用端点检测的方法,但仅针对非过小或过大(<4mm或>3mm)的结节。袁克虹等人提出基于计算局部凸包的方法对原始的肺轮廓进行修正,将原来被错误排除的肺结节重新包括进来,能够有效修正肺内高密度结节和血管造成的初始边缘错误,但由于需要设置多个参数,对结节大小的自动适应性较差,并且由于凸包算法的自身特点并不适合做肺叶内边缘结节的检测(内边缘有较多的自然生理凹陷,如血管、心脏),很难取得良好的分割效果,以直线为修复结果不能将结节完全包括在边缘内部。
发明内容
本发明目的在于提供一种基于抛物线修正凸包的肺实质分割方法,针对含有边缘型肺结节的CT图像,可以将由肺结节引起的肺叶边缘缺失部分得到有效修补。
实现本发明目的技术方案:
一种基于抛物线修正凸包的肺实质分割方法,依次进行粗提取肺实质轮廓图像、肺实质外轮廓修复、肺实质内部边缘修复,其特征在于:肺实质外轮廓修复通过以下步骤实现:
步骤1:将肺实质轮廓图像边缘轮廓中的点进行排序;
步骤2:对步骤1的点建立边缘堆栈,得到用于经典Graham二维凸包算法的点集P={p0,p1,…pn}(n≥3);
步骤3:将点集P中的相邻两点连成线段,将线段长度由大到小排序,根据线段长度和位置查找肺结节所对应肺叶轮廓缺失部分的线段pdpd+1;
步骤4:利用抛物线修正线段pdpd+1,得到肺实质边缘轮廓。
步骤4中,以pd为端点,计算pdpd-1、pdpd-2、…、pdpd-m(1≤m≤n),直到满足条件
计算经过pd-m、pd+1和pd三点的抛物线,利用该抛物线对线段pdpd+1进行修正。
步骤1中,取横坐标或纵坐标最小的点为p0,p0与其他的所有点连接,得到n-1个向量,分别计算每个向量与竖直向下方向的夹角,按夹角由小到大的顺序对各点进行排序,得到点p0、p1、p2、…pn。
步骤2中,将p0、p1、p2点依次入栈,根据左转条件依次判断其余各点是否可以入栈,将符合条件的点入栈,所说的左转条件为:
xmyn-xnym>0
式中,(xm,ym)、(xn,yn)分别为点pm和点pn的坐标,m≥3,n>m。
本发明具有的有益效果:
本发明针对具有边缘型肺结节的肺部CT图像,利用计算机几何学中的经典凸包算法进行肺实质外部边缘的修复,并在经典算法的基础上进行改进,采用抛物线的形式进行边界点的连接,利用这样的连接方式使得由肺结节引起的肺叶边缘缺失部分得到很好的修补,更接近肺部边缘的实际轮廓形状,相比于传统的直线连接方式,更能够满足医生对图像分割的需要,从而有效解决边缘型肺结节难以正确分割的问题。本发明同时还可以解决传统分割方法当缺失部分较大造成所补肺叶边缘严重变形的问题,还可修正传统分割方法将肺叶轮廓的自然凹陷部分误判定为内部的点的错误。
附图说明
图1为本发明基于抛物线修正凸包的肺实质分割方法的流程图;
图2为将肺实质轮廓图像边缘轮廓中的点进行排序示意图;
图3为用经典Graham二维凸包算法对肺实质轮廓图像进行处理的结果图;
图4为利用抛物线对肺实质边缘进行修复的结果图;
图5为肺实质轮廓粗提取中间步骤及结果图像;
图6为利用抛物线修正凸包的肺实质修补结果图像;
图7为最终分割结果图像。
具体实施方式
本实施例中,利用来自医院的符合DICOM3.0标准的临床胸部CT图像数据,共200张,且均有着不同程度的病变。图像尺寸为440*440,层数为100~120,层厚为2mm。首先采用阈值法进行粗略的分割,得到二值图像;然后运用区域生长及连通域的判断除去背景,得到肺实质的掩膜图形;利用边缘跟踪算法得到肺实质的轮廓;分离左右肺叶,利用改进的二维凸包算法以抛物线修正边缘的缺失部分;再次运用区域生长及数学形态学运算,除去心脏部分,得到最终的掩膜图像;将掩膜图像与原图像进行数学运算,即可得到完整的肺实质。
一、肺实质轮廓的粗提取
(1)二值化。首先,将CT原始图像转换为256色阶的灰度图像,如图5(a)所示,采用全局固定阈值进行CT图像的预分割。通过对大量肺部CT图像进行分析,选定阈值为170,得到如图5(b)所示的二值图像。
(2)生成粗略的掩膜图像。选取图像的中心点为种子点进行区域生长,除去检查床等的干扰,如图5(c)所示;对图像中黑色像素点进行连通区域标记,面积最大的连通区域是CT图像的背景,将其置为白色,即得初步的掩膜,如图5(d)所示;将初步的掩膜与原CT图像相加,得到图5(e)所示;再次利用阈值分割及形态学运算去除图中低密度的气管,得到粗略的肺实质掩膜图像,如图5(f)所示。
(3)分离左右肺叶。左右肺叶的粘连通常只会出现在图像的上半部分,为减少计算时间和计算量,对图像的上1/3进行行扫描,统计每一行边缘点数,若边缘点数小于4时,认为该行左右肺连接在一起。此时,对y轴上半部分进行投影积分,找出积分值最小的一列,再将此列,以及此列的左右四列的像素值取反,实现分离左右肺,如图5(g)所示。
(4)生成左右肺叶的边缘轮廓。利用边界跟踪算法,得到左右肺叶的轮廓,如图5(h)所示。
二、基于抛物线修正凸包的肺实质外轮廓修复
如图1所示,肺实质外轮廓修复通过以下步骤实现:
步骤1:将肺实质轮廓图像边缘轮廓中的点进行排序;如图2所示,取横坐标(或纵坐标)最小的点为p0,p0与其他的所有点连接,得到n-1个向量,分别计算每个向量与竖直向下方向的夹角,按夹角由小到大的顺序标记向量 即按夹角由小到大的顺序对各点进行排序,得到点p0、p1、p2、…pn。
步骤2:对步骤1的点建立边缘堆栈,得到用于经典Graham二维凸包算法的点集P={p0,p1,…pn}(n≥3);将p0、p1、p2点依次入栈,根据左转条件依次判断其余各点是否可以入栈,将符合条件的点入栈,将不满足条件的舍弃,所说的左转条件为:
xmyn-xnym>0
式中,(xm,ym)、(xn,yn)分别为点pm和点pn的坐标,m≥3,n>m。
此时,对堆栈中的点按经典Graham二维凸包算法中排序的方式重新编号,即得到有序点集P(以下处理均以右肺叶为例)
P={p0,p1,…pn}(n≥3)
步骤3:用经典Graham二维凸包算法对肺实质轮廓图像进行处理;将肺叶的左右轮廓分别视为一个点集,利用此二维凸包算法分别处理,结果如图3所示。从图3中可见,由结节引起的肺叶的外边缘缺失部分得到了修补,但是所补是直线段,不符合肺叶外边缘是弧线的特点,尤其是当缺失部分较大时,会造成所补肺叶边缘严重变形;同时,由于二维凸包的固有特点,会将肺叶轮廓的自然凹陷部分判定为内部的点。针对以上缺陷,对用于肺叶轮廓修正的二维凸包算法进行抛物线修正,而进行修正的先决条件就是找到因结节引起肺轮廓缺失的线段。
将点集P中的相邻两点连成线段,将线段长度由大到小排序,根据线段长度和位置查找肺结节所对应的线段pdpd+1。计算点集中相邻两点的线段长;并对这些线段按长度由大到小进行排序,分析图3可知,凸包法所生成的线段至少有一条,即图3中papa+1,即由肺上叶尖端pa+1和下叶pa的连线。肺叶轮廓自然凹陷的部分主要有两段,由肋骨前端的弯曲引起的肺上叶凹陷,由胸椎弯曲引起的肺下叶凹陷,凸包算法对这两部分凹陷生成的连接线段为pbpb+1和pcpc+1;pdpd+1是由结节引起的肺叶轮廓缺失部分的连线。其他的点均是肺叶外轮廓且满足凸边形的条件,会保留在凸包的边缘点集中,相邻两点的线段长度即为两相邻像素的长度。进一步分析这四条线段,只有线段pdpd+1是修正肺叶轮廓缺失部分的连线,利用如下方法排除另外三条线段,即找出线段pdpd+1。
①找出所有线段中最长的,即为papa+1;
②pbpb+1和pcpc+1应有一定的长度,并且pb点接近肺上叶尖端pa+1,pc+1点接近肺下叶点pa,利用阈值判断接近程度,本实施例中,设定阈值为20。
步骤4:利用抛物线修正因结节引起肺轮廓缺失的线段pdpd+1。找出线段pdpd+1后,以pd为端点,计算pdpd-1、pdpd-2、…、pdpd-m(1≤m≤n),直到满足条件
记下点pd-m以及pd+1和pd的坐标,计算过此三点的抛物线,并将线段pdpd+1修改为(抛物线的一部分),如图4中线段m所示,其中,n指向的线段为用直线修补的结果,可以看出弧线能接近肺实质本身的轮廓形状,是较为好的边界修补曲线。将此图像提取边缘后填充作为掩膜图像,与原图像及去掉气管的掩膜图像做加法运算即可得到肺部图像,如图6所示。
三、肺实质内部边缘修复
(1)针对右肺叶中线段pbpb+1与原有凹陷边界形成的区域,计算出线段pbpb+1的中点,并读取该点的灰度值,同时读取papa+1中点的灰度值,将两值进行比较。若灰度值的差小于20,则以该点为种子点进行区域增长,去除凸包错误包围的区域。若灰度值的差大于20,则认为该处不是自然生理凹陷,不进行处理。同理,取线段pcpc+1中点的左下点为种子点。左肺叶亦然。
(2)针对线段papa+1与心脏及气管血管等边缘围成的区域,取线段的中点左侧的点为种子点进行区域生长,为了保留肺内部的血管以及为了避免遗失掉周围型肺癌对应的外周分布的肺结节,对区域生长的结果进行两次腐蚀运算,作为去掉心脏部分的掩膜,与图3生成的掩膜进行加法运算,最后删除由于形态学运算留下的线段papa+1,即得到最终的分割图像,如图7所示。
四、分割结果评价
以医生手工分割结果作为评价标准,利用分割正确率作为评价准则,定义为分割正确图像数与图像总数的比值,其中分割图像的正确与否利用分割的边界点的精确度判断。
假设S表示医生手工分割,M表示某种机器分割;Bs表示医生手工分割提取出的边界点的集合,BM表示某种机器分割方法提取出的边界点的集合。以由左到右逐行扫描的方式,比较Bs和BM中对应点的灰度值,若灰度值不同,则在BM中标记该点,最后统计BM中标记点的个数,并计算此个数与Bs中点的总个数的比值,若比值小于5%,则认为此行用M分割出的图像为正确的。通过对200个数据样本的分割结果进行统计,利用本发明进行分割的平均正确率为94.8%。
Claims (4)
1.一种基于抛物线修正凸包的肺实质分割方法,依次进行粗提取肺实质轮廓图像、肺实质外轮廓修复、肺实质内部边缘修复,其特征在于:肺实质外轮廓修复通过以下步骤实现:
步骤1:将肺实质轮廓图像边缘轮廓中的点进行排序;
步骤2:对步骤1的点建立边缘堆栈,得到用于经典Graham二维凸包算法的点集P={p0,p1,…pn}(n≥3);
步骤3:将点集P中的相邻两点连成线段,将线段长度由大到小排序,根据线段长度和位置查找肺结节所对应肺叶轮廓缺失部分的线段pdpd+1;
步骤4:利用抛物线修正线段pdpd+1,得到肺实质边缘轮廓。
2.根据权利要求1所述的基于抛物线修正凸包的肺实质分割方法,其特征在于:步骤4中,以pd为端点,计算pdpd-1、pdpd-2、…、pdpd-m(1≤m≤n),直到满足条件
计算经过pd-m、pd+1和pd三点的抛物线,利用该抛物线对线段pdpd+1进行修正。
3.根据权利要求2所述的基于抛物线修正凸包的肺实质分割方法,其特征在于:步骤1中,取横坐标或纵坐标最小的点为p0,p0与其他的所有点连接,得到n-1个向量,分别计算每个向量与竖直向下方向的夹角,按夹角由小到大的顺序对各点进行排序,得到点p0、p1、p2、…pn。
4.根据权利要求3所述的基于抛物线修正凸包的肺实质分割方法,其特征在于:步骤2中,将p0、p1、p2点依次入栈,根据左转条件依次判断其余各点是否可以入栈,将符合条件的点入栈,所说的左转条件为:
xmyn-xnym>0
式中,(xm,ym)、(xn,yn)分别为点pm和点pn的坐标,m≥3,n>m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310241384.1A CN103310457B (zh) | 2013-06-18 | 2013-06-18 | 一种基于抛物线修正凸包的肺实质分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310241384.1A CN103310457B (zh) | 2013-06-18 | 2013-06-18 | 一种基于抛物线修正凸包的肺实质分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103310457A true CN103310457A (zh) | 2013-09-18 |
CN103310457B CN103310457B (zh) | 2015-09-30 |
Family
ID=49135634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310241384.1A Expired - Fee Related CN103310457B (zh) | 2013-06-18 | 2013-06-18 | 一种基于抛物线修正凸包的肺实质分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103310457B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230204A (zh) * | 2017-05-24 | 2017-10-03 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
CN107358613A (zh) * | 2017-08-15 | 2017-11-17 | 上海斐讯数据通信技术有限公司 | 肺部区域分割方法及其系统 |
CN108335277A (zh) * | 2018-03-05 | 2018-07-27 | 北京中科嘉宁科技有限公司 | 一种基于双Graham扫描法的图像凹陷修补方法 |
CN108389210A (zh) * | 2018-02-28 | 2018-08-10 | 深圳天琴医疗科技有限公司 | 一种医学图像分割方法及装置 |
CN108648172A (zh) * | 2018-03-30 | 2018-10-12 | 四川元匠科技有限公司 | 一种基于3D-Unet的CT图肺结节检测系统 |
CN109636810A (zh) * | 2018-11-28 | 2019-04-16 | 心医国际数字医疗系统(大连)有限公司 | Ct影像的肺结节分割方法、系统及区域生长方法、分割结束判断方法、切割粘连区域方法 |
CN110503628A (zh) * | 2019-07-15 | 2019-11-26 | 心医国际数字医疗系统(大连)有限公司 | Ct图像的u型区域、长短边的判断方法及肺实质外部轮廓的修复方法 |
CN110782441A (zh) * | 2019-10-22 | 2020-02-11 | 浙江大学 | 一种基于深度学习的dr影像肺结核智能分割与检测方法 |
CN114326290A (zh) * | 2022-01-04 | 2022-04-12 | 华虹半导体(无锡)有限公司 | 光学邻近修正方法 |
CN114931435A (zh) * | 2022-06-02 | 2022-08-23 | 上海市胸科医院 | 三维模型处理方法、装置和电子设备 |
CN116894864A (zh) * | 2023-09-06 | 2023-10-17 | 腾讯科技(深圳)有限公司 | 凸包检测方法、装置、设备及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507201A (zh) * | 2017-09-22 | 2017-12-22 | 深圳天琴医疗科技有限公司 | 一种医学图像分割方法及装置 |
CN110638523B (zh) * | 2019-08-12 | 2021-01-05 | 杭州英库医疗科技有限公司 | 基于圆轨迹曲线轮廓自动切缘的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090016589A1 (en) * | 2007-07-10 | 2009-01-15 | Siemens Medical Solutions Usa, Inc. | Computer-Assisted Detection of Colonic Polyps Using Convex Hull |
CN101556650A (zh) * | 2009-04-01 | 2009-10-14 | 东北大学 | 一种分布式自适应肺结节计算机检测方法及系统 |
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
-
2013
- 2013-06-18 CN CN201310241384.1A patent/CN103310457B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090016589A1 (en) * | 2007-07-10 | 2009-01-15 | Siemens Medical Solutions Usa, Inc. | Computer-Assisted Detection of Colonic Polyps Using Convex Hull |
CN101556650A (zh) * | 2009-04-01 | 2009-10-14 | 东北大学 | 一种分布式自适应肺结节计算机检测方法及系统 |
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
Non-Patent Citations (1)
Title |
---|
JIA GANG ET AL: "Medical Image Semantic Annotation Based on MIL", 《2013 INTERNATIONAL CONFERENCE ON COMPLEX MEDICAL ENGINEERING》, 28 May 2013 (2013-05-28) * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230204B (zh) * | 2017-05-24 | 2019-11-22 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
CN107230204A (zh) * | 2017-05-24 | 2017-10-03 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
CN107358613A (zh) * | 2017-08-15 | 2017-11-17 | 上海斐讯数据通信技术有限公司 | 肺部区域分割方法及其系统 |
CN108389210A (zh) * | 2018-02-28 | 2018-08-10 | 深圳天琴医疗科技有限公司 | 一种医学图像分割方法及装置 |
CN108335277A (zh) * | 2018-03-05 | 2018-07-27 | 北京中科嘉宁科技有限公司 | 一种基于双Graham扫描法的图像凹陷修补方法 |
CN108648172A (zh) * | 2018-03-30 | 2018-10-12 | 四川元匠科技有限公司 | 一种基于3D-Unet的CT图肺结节检测系统 |
CN109636810A (zh) * | 2018-11-28 | 2019-04-16 | 心医国际数字医疗系统(大连)有限公司 | Ct影像的肺结节分割方法、系统及区域生长方法、分割结束判断方法、切割粘连区域方法 |
CN109636810B (zh) * | 2018-11-28 | 2020-11-03 | 心医国际数字医疗系统(大连)有限公司 | Ct影像的肺结节分割方法及系统 |
CN110503628B (zh) * | 2019-07-15 | 2021-06-25 | 心医国际数字医疗系统(大连)有限公司 | Ct图像的u型区域、长短边的判断方法及肺实质外部轮廓的修复方法 |
CN110503628A (zh) * | 2019-07-15 | 2019-11-26 | 心医国际数字医疗系统(大连)有限公司 | Ct图像的u型区域、长短边的判断方法及肺实质外部轮廓的修复方法 |
CN110782441A (zh) * | 2019-10-22 | 2020-02-11 | 浙江大学 | 一种基于深度学习的dr影像肺结核智能分割与检测方法 |
CN114326290A (zh) * | 2022-01-04 | 2022-04-12 | 华虹半导体(无锡)有限公司 | 光学邻近修正方法 |
CN114931435A (zh) * | 2022-06-02 | 2022-08-23 | 上海市胸科医院 | 三维模型处理方法、装置和电子设备 |
CN114931435B (zh) * | 2022-06-02 | 2023-02-17 | 上海市胸科医院 | 三维模型处理方法、装置和电子设备 |
WO2023232129A1 (zh) * | 2022-06-02 | 2023-12-07 | 上海市胸科医院 | 三维模型处理方法、装置和电子设备 |
CN116894864A (zh) * | 2023-09-06 | 2023-10-17 | 腾讯科技(深圳)有限公司 | 凸包检测方法、装置、设备及存储介质 |
CN116894864B (zh) * | 2023-09-06 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 凸包检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103310457B (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103310457B (zh) | 一种基于抛物线修正凸包的肺实质分割方法 | |
Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
CN107369160A (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
CN103824295A (zh) | 一种肺部ct图像中粘连血管型肺结节的分割方法 | |
CN104504737B (zh) | 一种从肺部ct图像获得三维气管树的方法 | |
CN107766874B (zh) | 一种超声容积生物学参数的测量方法及测量系统 | |
CN110796670B (zh) | 一种夹层动脉分割方法及装置 | |
CN105488849B (zh) | 一种基于混合水平集的三维牙齿建模方法 | |
Tu et al. | Automatic measurement algorithm of scoliosis Cobb angle based on deep learning | |
CN104899851A (zh) | 一种分割肺结节图像的方法 | |
CN114757960B (zh) | 一种基于cbct图像的牙齿分割与重建方法及存储介质 | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
CN102831614B (zh) | 基于交互式字典迁移的序列医学图像快速分割方法 | |
CN106909947A (zh) | 基于Mean Shift算法的CT图像金属伪影消除方法及消除系统 | |
Wu et al. | AAR-RT–a system for auto-contouring organs at risk on CT images for radiation therapy planning: principles, design, and large-scale evaluation on head-and-neck and thoracic cancer cases | |
CN104616289A (zh) | 一种3d ct图像中骨组织的移除方法及系统 | |
Gao et al. | Accurate lung segmentation for X-ray CT images | |
CN104933723B (zh) | 基于稀疏表示的舌图像分割方法 | |
CN114037663A (zh) | 一种血管分割方法、装置及计算机可读介质 | |
CN107240128A (zh) | 一种基于轮廓特征的x线片和彩色照片配准方法 | |
CN116051738A (zh) | 基于cta影像的冠状动脉血管模型重构的方法和可读存储介质 | |
Peng et al. | Pulmonary lobe segmentation in CT images based on lung anatomy knowledge | |
Gao et al. | Automatic tooth region separation for dental CT images | |
CN106875377A (zh) | 一种基于高斯曲率流的脊椎特征点自动识别方法 | |
Ukil et al. | Smoothing lung segmentation surfaces in three-dimensional x-ray ct images using anatomic guidance1 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150930 Termination date: 20210618 |
|
CF01 | Termination of patent right due to non-payment of annual fee |