CN103440665B - 膝关节软骨图像自动分割方法 - Google Patents
膝关节软骨图像自动分割方法 Download PDFInfo
- Publication number
- CN103440665B CN103440665B CN201310418228.8A CN201310418228A CN103440665B CN 103440665 B CN103440665 B CN 103440665B CN 201310418228 A CN201310418228 A CN 201310418228A CN 103440665 B CN103440665 B CN 103440665B
- Authority
- CN
- China
- Prior art keywords
- pixel
- edge line
- edge
- image
- segmentation
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种膝关节软骨图像自动分割方法，其特征在于：包括基于SVM的边缘定位步骤和基于区域生长法的图像分割步骤，其中：其中基于SVM的边缘定位步骤包括：膝关节MRI图像的采集和转换、自适应Canny边缘检测以及基于SVM软骨边缘分类，基于区域生长法的图像分割步骤主要采用改进的自动选取种子点的区域生长法分割软骨组织。本发明的有益效果为：对膝关节MRI图像进行软骨分割，有效的利用模式识别与边缘检测相结合实现精准定位，再与区域生长法结合充分定位互补，实现待分割区域的内部相似特性和外部差异特性相结合；有效克服了传统分割方法的结果过分割或分割不准确等缺点。
Description
技术领域
本发明涉及图像处理技术，尤其涉及一种基于支持向量机（Support Vector Machine，SVM）和区域生长法的膝关节软骨图像自动分割方法。
背景技术
膝关节是人体全身关节中结构最为复杂又是最易受损伤的关节，其常见病症有关节炎，骨肿瘤等，而这些病症常伴随关节软骨的退化、破坏及形态改变，因此骨关节病的早期诊断非常重要。核磁共振成像作为一种无创的检查方式，已成为评估软骨形态、功能的主要手段。通过MRI成像对关节软骨进行分割进而计算其厚度、体积等参数，可实现软骨的定量评估，为临床医学提供有力的诊断依据，从而采取早期的预防措施和制定后期的治疗方案。目前临床上对软骨组织的分割主要依靠影像医师手动分割或借助图像处理软件半自动完成，不仅耗时长，而且不同人、不同时间的分割结果存在较大差异，因此有必要设计一种准确、快速的全自动膝关节软骨分割算法。
由于MRI膝盖软骨图像本身的形态、纹理均较为复杂，其中髌软骨、股软骨和胫软骨的一侧分别与髌骨、股骨和胫骨相连，两者之间有较为明显的灰度差异，但另外一侧髌软骨和股软骨相连，股软骨和胫软骨相连以及与半月板和韧带相连，其灰度与周边灰度相似，且软骨细长而扁平，分割过程中易受周围复杂纹理形态的影响。并且由于图像序列之间软骨的差异性，导致鲁棒性不好，因此将其软骨分割出来较为困难。
近年来国内外一些学者对膝盖软骨的分割算法主要有Snake模型、Level Set、区域生长法、边缘检测法等，对膝盖软骨的分割取得了一定的效果。但是这些算法研究也有一些局限性：首先，算法需要初始化轮廓且要求很高，每张序列图像中不同形态的软骨都需要大致表征目标轮廓，否则导致过早收敛使分割结果不理想。其次，算法均是对单张医学图像进行分割，对于不同人的不同图像序列分割不稳定。最后，区域生长法在待分割区域内部寻找种子点向周围分割，表征的是内部相似特性，而边缘检测是对区域之间的差异进行划分，表征的是外部差异特性。传统的边缘检测法和区域生长法存在两个问题：
1、由于膝关节图像纹理和形态的复杂性，受到许多非软骨边缘的干扰，传统的边缘检测法检测出的边缘存在许多伪边缘。
2、传统的区域生长法根据相似准则，与领域相似的像素值进行比较，其阈值的设定如果采用同一值，由于不同人的不同序列图像之间存在灰度的差异，会导致过分割或者欠分割。
发明内容
针对上述问题，本发明的目的在于提出一种膝关节软骨图像自动分割方法，采用基于SVM边缘定位来解决边缘检测时的伪边缘问题，同时利用自适应的自动选取种子点的区域生长法对软骨图像进行分割，提高膝盖软骨图像分割的准确度。具体技术方案如下：
一种膝关节软骨图像自动分割方法，其关键在于：包括基于SVM的边缘定位步骤和基于区域生长法的图像分割步骤，其中：
基于SVM的边缘定位步骤包括：
步骤11：获取待分割的膝关节MRI影像，并将其转换为灰度图像；
步骤12：利用自适应Canny算法对步骤11中的灰度图像进行边缘检测；
步骤13：对步骤12中检测出的各条边缘进行特征提取，并构建SVM分类器对提取的特征参数进行边缘定位，分类出软骨边缘和非软骨边缘；
基于区域生长法的图像分割步骤包括：
步骤21：从步骤13所分类出的软骨边缘的5*5邻域内，随机选择一个或多个像素值在245～255范围内的点作为种子点，并设置预设阈值K；
步骤22：以种子点为中心，判断其3*3邻域内的非种子点是否满足相似性准则：max|fxy-m|(x，y∈R)＜K，其中fxy表示坐标位置为（x，y）的非种子点的像素值，x为点的x坐标值，y为点的y坐标值，m表示所有种子点的像素均值，R表示生长区域种子点3*3邻域内各个点的坐标集合；
如果有非种子点满足相似性准则，则将该非种子点合并到种子点集合中，并执行步骤23；
如果没有非种子点满足相似性准则，则进入步骤24；
步骤23：按照更新生长的区域灰度均值并返回步骤22，其中R'表示生长区域各个点的坐标集合；
步骤24：结束生长过程并将生长区域分割出来得到膝关节软骨图像。
本发明利用基于SVM的边缘定位和基于区域生长法的图像分割来对膝关节软骨图像进行分割处理，在边缘定位过程中，先利用经典的Canny算法进行边缘检测，然后利用SVM进行分类处理，从而将检测出的边缘线分为软骨边缘和非软骨边缘，克服传统边缘检测算法出现的伪边缘现象。在区域生长法中，结合膝关节软骨的尺寸特性和颜色特性，先通过像素范围和邻域范围限定软骨边缘线的生长区域范围，通过自适应的自动选取种子点的区域生长法选择出软骨边缘线附近的软骨区域，最后将该区域的图像分割开即得到精准的软骨图像。
作为进一步描述，步骤13中构建SVM分类器的过程中采用了5个人的特征矩阵作为训练集，并需要对训练集和提取的测试集作归一化处理，所述测试集为[N×10]的特征矩阵，其中N为步骤12所检测出的边缘线的条数，每一行中的10个元素分别为一条边缘线所对应的10个特征参数。
再进一步描述，步骤13中每条边缘线提取的特征参数包括:
边缘线上像素点X坐标平均值
边缘线上像素点Y坐标平均值
边缘线上像素点X坐标的方差
边缘线上像素点Y坐标的方差
边缘线上像素点平均灰度值
边缘线上像素点的梯度值均值
边缘线上像素点的灰度值方差
边缘线上5*5邻域像素点的平均灰度值
边缘线上5*5领域像素点的方差均值
边缘线上5*5邻域像素点的灰度值方差
其中L为边缘线上像素点的坐标集合，n为边缘线上的像素点数，L5为边缘线5*5邻域内像素点的坐标集合，n5为边缘线5*5邻域内的像素点数。
结合膝关节软骨的图像特征，在基于区域生长法的图像分割步骤中，所述预设阈值K的取值范围为15～20。
本发明的显著效果是：
（1）本发明利用基于支持向量机的边缘定位与区域生长法对膝关节MRI序列图像进行软骨分割，有效的利用模式识别与边缘检测相结合实现精准定位，再与区域生长法结合充分定位互补，实现待分割区域的内部相似特性和外部差异特性相结合。
（2）有效克服了传统分割方法过分割或欠分割的缺陷，对于不同人不同序列的关节MRI图像的适应性强，稳定性好，分割效果理想，为后续的软骨定量评估和三维重建提供了技术支撑。
附图说明
图1是本发明的方法流程图；
图2为采集的膝关节MRI原始图像的第14层面；
图3为自适应Canny边缘检测与传统Canny边缘检测的结果对比图；
图4为基于SVM分类出的软骨边缘；
图5为传统区域生长法和本发明的分割效果对比图；
图6为本发明与有经验医生手工分割结果的对比图。
具体实施方式
下面结合具体实施例和说明书附图对本发明作进一步说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，一种膝关节软骨图像自动分割方法，包括基于SVM的边缘定位步骤和基于区域生长法的图像分割步骤，其中：
基于SVM的边缘定位步骤包括：
步骤11：获取待分割的膝关节MRI影像，并将其转换为灰度图像；
本实施例所采用一名无关节病史的健康成年男性右膝关节MRI图像作为研究对象，MRI扫描序列为T2-star(TR：825ms，TE：4.42ms，层厚：3.6mm，层数：20，分辨率：384×384)。图像从外至内依次编号为01～20。然后将DICOM格式的序列原始图转换为jpg格式的灰度图像，其中转换后编号为14的jpg格式图像如图2所示，从图2中可以看出，靠近股骨边缘的白色部位为骨软骨，靠近胫骨边缘的白色部位为胫软骨，髌骨与股软骨之间的白色部位为髌软骨。
步骤12：利用自适应Canny算法对步骤11中的灰度图像进行边缘检测；
计算每幅图像序列的梯度幅值和梯度直方图，根据Gonzalez和Woods提出的迭代步骤确定出高梯度区域和低梯度区域的最佳分割阈值t，然后计算高、低梯度区域的均值和方差μ1(t)、μ0(t)、σ1 2和σ0 2，从而计算高阈值τh和低阈值τl。最后运用Canny算子检测每幅图像边缘，效果如图3所示，通过图3（a）、（b）、（c）对比可知，Canny检测阈值过低，则检测出的边缘线数目较多，Canny检测阈值过高，检测出的边缘线数目又太少，本方案采用自适应Canny检测，检测出相对合理的边缘线条数。
本实施例中自适应Canny算法的具体步骤可以参考文献：李二森，张保明，等.自适应Canny边缘检测算法研究，测绘科学，2008年11月，第33卷第6期。
步骤13：对步骤12中检测出的各条边缘进行特征提取，并构建SVM分类器对提取的特征参数进行边缘定位，分类出软骨边缘和非软骨边缘；
本实施例中首先另取5个人的膝关节MRI序列图像（该5人的MRI图像特性与前面介绍的图像基本一致）边缘检测后的边缘进行标记，将软骨边缘标记为1，非软骨边缘标记为0。每个人大约20张层面，每张层面中大约9条边缘线，5个人一共取得1025个样本边缘作为训练集。测试集选用本实验开始介绍的20张层面的膝关节序列图像，共128个样本作为测试集。
接着对训练样本与测试样本的边缘特征进行归一化处理，SVM的核函数选择径向基核函数K(xi，xj)＝exp(-γ||xi-xj||2)，并使用粒子群算法对SVM的惩罚参数C和核参数γ进行优化，然后用训练样本构建二分类SVM分类器。
最后用测试集样本进行分类，得出软骨边缘和非软骨边缘，并只选择显示软骨边缘，如图4所示。
从图4可以看出图4（a）、（b）、（c）分别为层面4、6、15的软骨边缘分类提取情况，其数量和位置相对比较准确。
在实施过程中，所述测试集为[N×10]的特征矩阵，其中N为步骤12所检测出的边缘线的条数，每一行中的10个元素分别为一条边缘线所对应的10个特征参数。
每条边缘线的10个特征参数具体为:
边缘线上像素点X坐标平均值
边缘线上像素点Y坐标平均值
边缘线上像素点X坐标的方差
边缘线上像素点Y坐标的方差
边缘线上像素点平均灰度值
边缘线上像素点的梯度值均值
边缘线上像素点的灰度值方差
边缘线上5*5邻域像素点的平均灰度值
边缘线上5*5领域像素点的方差均值
边缘线上5*5邻域像素点的灰度值方差
其中L为边缘线上像素点的坐标集合，n为边缘线上的像素点数，L5为边缘线5*5邻域内像素点的坐标集合，n5为边缘线5*5邻域内的像素点数。
通过上述方法准确分类出软骨边缘和非软骨边缘后，采用基于区域生长法进行图像分割，具体步骤包括：
步骤21：从步骤13所分类出的软骨边缘的5*5邻域内，随机选择一个或多个像素值在245～255范围内的点作为种子点，并设置预设阈值K，实施过程中，预设阈值K的取值范围为15～20，根据经验分析可知K=18最优；
根据膝关节软骨的狭窄、扁长和弯曲的特性，采用传统区域生长法会导致过分割，因此将软骨边缘作为限定条件在其5*5邻域周围运用改进的区域生长法，其中由于软骨分布于骨表面一定范围内，厚度为1～6mm，则可仅对边缘距离小于8mm（包含一定的非软骨像素）的像素进行区域生长法来分割软骨组织。
步骤22：以种子点为中心，判断其3*3邻域内的非种子点是否满足相似性准则：max|fxy-m|(x，y∈R)＜K，其中fxy表示坐标位置为（x，y）的非种子点的像素值，x为点的x坐标值，y为点的y坐标值，m表示所有种子点的像素均值，R表示生长区域种子点3*3邻域内各个点的坐标集合；
如果有非种子点满足相似性准则，则将该非种子点合并到种子点集合中，并执行步骤23；
如果没有非种子点满足相似性准则，则进入步骤24；
步骤23：按照更新生长的区域灰度均值并返回步骤22，其中R'表示生长区域各个点的坐标集合；
步骤24：结束生长过程并将生长区域分割出来得到膝关节软骨图像，如图5所示。
从图5可以看出，在未进行边缘定位的情况下，如果采用区域生长法进行软骨分割，容易出现过分割和欠分割的情况，如图5（a）所示，而图5（b）所示则是本方法采用边缘定位后的分割效果，分割区域准确度高。
为验证本发明在实施实例中的软骨分割效果，本实验对层面4、6、15序列图像软骨进行分割，并将分割效果与有经验放射医师手工分割结果作对比。从定性上来看，本发明分割出的软骨组织基本与原图软骨相吻合，且基本与手工分割结果一致，如图6所示，图中从左到右以切片4、6、15为例，(a)—(c)为原图，(d)—(f)为有经验放射医师手工分割结果，(g)—(i)为发明的实验结果。从定量上来看，引入Dice’s系数定量比较手工分割与机器分割结果的一致性，Dice’s系数=2×重叠像素数/(手工分割像素数+自动分割像素数)，其值越接近于1说明一致性越好，具体结果参加表1。
表1
表1为层面4、6、15的Dice’s系数，在1～20幅层面图像中，层面1、2、17、18、19、20的软骨组织不存在，因此只对其他层面图像进行分割，其中Dice’s系数最高为0.9154，最低为0.7091，平均值为0.8186，与手工分割结果有较好的一致性。
最后还需说明的是：说明书中表述的像素点的3*3邻域，即以像素点为中心，周围8个邻近点所包括的区域，同理，5*5邻域即以像素点为中心的相邻的24个点所包括的区域。
Claims (2)
1.一种膝关节软骨图像自动分割方法，其特征在于：包括基于SVM的边缘定位步骤和基于区域生长法的图像分割步骤，其中：
基于SVM的边缘定位步骤包括：
步骤11：获取待分割的膝关节MRI影像，并将其转换为灰度图像；
步骤12：利用自适应Canny算法对步骤11中的灰度图像进行边缘检测；
步骤13：对步骤12中检测出的各条边缘进行特征提取，并构建SVM分类器对提取的特征参数进行边缘定位，分类出软骨边缘和非软骨边缘；
基于区域生长法的图像分割步骤包括：
步骤21：从步骤13所分类出的软骨边缘的5*5邻域内，随机选择一个或多个像素值在245～255范围内的点作为种子点，并设置预设阈值K；
步骤22：以种子点为中心，判断其3*3邻域内的非种子点是否满足相似性准则：max|fxy-m|(x,y∈R)＜K，其中fxy表示坐标位置为(x,y)的非种子点的像素值，x为点的x坐标值，y为点的y坐标值，m表示所有种子点的像素均值，R表示生长区域种子点3*3邻域内各个点的坐标集合；
如果有非种子点满足相似性准则，则将该非种子点合并到种子点集合中，并执行步骤23；
如果没有非种子点满足相似性准则，则进入步骤24；
步骤23：按照更新生长的区域灰度均值并返回步骤22，其中R'表示生长区域各个点的坐标集合；
步骤24：结束生长过程并将生长区域分割出来得到膝关节软骨图像；
步骤13中每条边缘线提取的特征参数包括：
边缘线上像素点X坐标平均值
边缘线上像素点Y坐标平均值
边缘线上像素点X坐标的方差
边缘线上像素点Y坐标的方差
边缘线上像素点平均灰度值
边缘线上像素点的梯度值均值
边缘线上像素点的灰度值方差
边缘线上5*5邻域像素点的平均灰度值
边缘线上5*5领域像素点的方差均值
边缘线上5*5邻域像素点的灰度值方差
其中L为边缘线上像素点的坐标集合，n为边缘线上的像素点数，L5为边缘线5*5邻域内像素点的坐标集合，n5为边缘线5*5邻域内的像素点数；
步骤13中构建SVM分类器的过程中采用了5个人的特征矩阵作为训练集，并需要对训练集和提取的测试集作归一化处理，所述测试集为[N×10]的特征矩阵，其中N为步骤12所检测出的边缘线的条数，每一行中的10个元素分别为一条边缘线所对应的10个特征参数。
2.根据权利要求1所述的膝关节软骨图像自动分割方法，其特征在于：所述预设阈值K的取值范围为15～20。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310418228.8A CN103440665B (zh) | 2013-09-13 | 2013-09-13 | 膝关节软骨图像自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310418228.8A CN103440665B (zh) | 2013-09-13 | 2013-09-13 | 膝关节软骨图像自动分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103440665A CN103440665A (zh) | 2013-12-11 |
| CN103440665B true CN103440665B (zh) | 2016-09-14 |
Family
ID=49694358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310418228.8A Expired - Fee Related CN103440665B (zh) | 2013-09-13 | 2013-09-13 | 膝关节软骨图像自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103440665B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854288B (zh) * | 2014-03-11 | 2017-04-19 | 深圳市旭东数字医学影像技术有限公司 | 十字韧带分割的方法及其系统 |
| CN104517315A (zh) * | 2014-12-26 | 2015-04-15 | 彭勇 | 基于交互式区域生长法的双侧输尿管重建方法与系统 |
| CN104809740B (zh) * | 2015-05-26 | 2017-12-08 | 重庆大学 | 基于svm与弹性区域生长的膝软骨图像自动分割方法 |
| CN105225234A (zh) * | 2015-09-18 | 2016-01-06 | 浙江工商大学 | 基于支持向量机mri图像分割的肺部肿瘤识别方法 |
| CN105184799A (zh) * | 2015-09-18 | 2015-12-23 | 浙江工商大学 | 一种改进的无监督脑部肿瘤mri图像分割方法 |
| CN106997589A (zh) * | 2017-04-12 | 2017-08-01 | 上海联影医疗科技有限公司 | 图像处理方法、装置及设备 |
| CN109993750B (zh) * | 2017-12-29 | 2020-12-25 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
| CN111028278A (zh) * | 2018-10-09 | 2020-04-17 | 武汉大学中南医院 | 一种基于断层成像技术提供人体关节数据的方法 |
| CN109528195A (zh) * | 2018-11-08 | 2019-03-29 | 殷晓亮 | 一种mri/ct影像中骨边界和参考骨性标志物识别的方法 |
| CN109741304A (zh) * | 2018-12-25 | 2019-05-10 | 深圳市第二人民医院 | 基于多模态磁共振的自体关节液来源的间充质干细胞修复软骨损伤图像分割方法 |
| CN109741352A (zh) * | 2018-12-25 | 2019-05-10 | 深圳市第二人民医院 | 基于多模态磁共振的软骨损伤修复图像分割方法 |
| CN109512509B (zh) * | 2018-12-27 | 2020-07-03 | 中国科学院深圳先进技术研究院 | 一种机器人的柔顺控制方法、装置及设备 |
| CN109741360B (zh) * | 2019-01-07 | 2022-02-22 | 上海联影医疗科技股份有限公司 | 一种骨关节分割方法、装置、终端及可读介质 |
| CN110246150A (zh) * | 2019-06-14 | 2019-09-17 | 上海联影医疗科技有限公司 | 金属检测方法、装置、设备及存储介质 |
| CN110349168B (zh) * | 2019-07-11 | 2022-11-29 | 东北大学 | 一种股骨头ct影像的分割方法 |
| CN110458853B (zh) * | 2019-08-01 | 2021-02-26 | 北京灵医灵科技有限公司 | 一种医学影像中脚踝韧带分离方法和分离系统 |
| CN110458850B (zh) * | 2019-08-01 | 2020-12-11 | 北京灵医灵科技有限公司 | 一种大关节组织的分割方法和分割系统 |
| CN111354000A (zh) * | 2020-04-22 | 2020-06-30 | 南京汇百图科技有限公司 | 一种三维医学图像中关节软骨组织的自动分割方法 |
| CN111784716A (zh) * | 2020-06-04 | 2020-10-16 | 华中科技大学 | 一种基于超声ct的序列图图像分割方法及系统 |
| CN111931786B (zh) * | 2020-06-23 | 2022-02-01 | 联宝(合肥)电子科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
| CN112381850A (zh) * | 2020-12-04 | 2021-02-19 | 亿嘉和科技股份有限公司 | 柜体表面圆形目标自动分割方法、系统、装置及存储介质 |
| CN117437459B (zh) * | 2023-10-08 | 2024-03-22 | 昆山市第一人民医院 | 基于决策网络实现用户膝关节髌骨软化状态分析方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339659A (zh) * | 2008-08-22 | 2009-01-07 | 北京矿冶研究总院 | 基于规则的区域生长图像分割方法 |
| CN101976445A (zh) * | 2010-11-12 | 2011-02-16 | 西安电子科技大学 | 边缘和区域概率密度差相结合的水平集sar图像分割方法 |
| CN102521911A (zh) * | 2011-12-16 | 2012-06-27 | 尤新革 | 钞票冠字号识别方法 |
| CN102663819A (zh) * | 2012-05-02 | 2012-09-12 | 清华大学深圳研究生院 | 基于超声图像和三维模型的肝脏体积测量方法 |
| CN102830404A (zh) * | 2012-08-28 | 2012-12-19 | 中国人民解放军国防科学技术大学 | 基于距离像的激光成像雷达地面目标识别方法 |
| CN102982238A (zh) * | 2012-11-13 | 2013-03-20 | 深圳市环球博洋机电科技有限公司 | 一种基于ct胶片的三维肾肿瘤手术模拟方法及其平台 |
| CN103186901A (zh) * | 2013-03-29 | 2013-07-03 | 中国人民解放军第三军医大学 | 全自动图像分割方法 |
-
2013
- 2013-09-13 CN CN201310418228.8A patent/CN103440665B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339659A (zh) * | 2008-08-22 | 2009-01-07 | 北京矿冶研究总院 | 基于规则的区域生长图像分割方法 |
| CN101976445A (zh) * | 2010-11-12 | 2011-02-16 | 西安电子科技大学 | 边缘和区域概率密度差相结合的水平集sar图像分割方法 |
| CN102521911A (zh) * | 2011-12-16 | 2012-06-27 | 尤新革 | 钞票冠字号识别方法 |
| CN102663819A (zh) * | 2012-05-02 | 2012-09-12 | 清华大学深圳研究生院 | 基于超声图像和三维模型的肝脏体积测量方法 |
| CN102830404A (zh) * | 2012-08-28 | 2012-12-19 | 中国人民解放军国防科学技术大学 | 基于距离像的激光成像雷达地面目标识别方法 |
| CN102982238A (zh) * | 2012-11-13 | 2013-03-20 | 深圳市环球博洋机电科技有限公司 | 一种基于ct胶片的三维肾肿瘤手术模拟方法及其平台 |
| CN103186901A (zh) * | 2013-03-29 | 2013-07-03 | 中国人民解放军第三军医大学 | 全自动图像分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| Improved region growing method for magnetic resonance images(MRI s) segmentation;E. A. Zanaty;《http://www.sciencepublishinggroup.com/j/ajrs》;20130530;全文 * |
| Region growing: a new approach;S. A. Hojjatoleslami, J. Kittler;《IEEE Transactions on Image Processing》;19981231;第7卷(第7期);全文 * |
| 基于区域的图像分割——区域生长;小大小丑;《http://blog.csdn.net/bagboy_taobao_com/article/details/5666091》;20100611;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103440665A (zh) | 2013-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103440665B (zh) | 膝关节软骨图像自动分割方法 | |
| CN104809740B (zh) | 基于svm与弹性区域生长的膝软骨图像自动分割方法 | |
| KR101883258B1 (ko) | 해부학적 계측점의 검출 방법 | |
| CN106846346B (zh) | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 | |
| Paproki et al. | Automated segmentation and analysis of normal and osteoarthritic knee menisci from magnetic resonance images–data from the Osteoarthritis Initiative | |
| Doran et al. | Breast MRI segmentation for density estimation: Do different methods give the same results and how much do differences matter? | |
| CN106780491B (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
| Swamy et al. | Knee joint articular cartilage segmentation, visualization and quantification using image processing techniques: a review | |
| Włodarczyk et al. | Segmentation of bones in magnetic resonance images of the wrist | |
| Wei et al. | Three-dimensional whole breast segmentation in sagittal and axial breast MRI with dense depth field modeling and localized self-adaptation for chest-wall line detection | |
| CN108961278B (zh) | 基于影像数据的腹壁肌肉分割的方法及其系统 | |
| Fripp et al. | Automatic segmentation of articular cartilage in magnetic resonance images of the knee | |
| Pang et al. | Automatic articular cartilage segmentation based on pattern recognition from knee MRI images | |
| Onal et al. | MRI-based segmentation of pubic bone for evaluation of pelvic organ prolapse | |
| CN106780492B (zh) | 一种ct骨盆图像的关键帧提取方法 | |
| Lee et al. | Segmentation of anterior cruciate ligament in knee MR images using graph cuts with patient-specific shape constraints and label refinement | |
| Saygili et al. | Knee meniscus segmentation and tear detection from MRI: a review | |
| Ridhma et al. | Review of automated segmentation approaches for knee images | |
| Kubicek et al. | Fuzzy algorithm for segmentation of images in extraction of objects from MRI | |
| Włodarczyk et al. | Fast automated segmentation of wrist bones in magnetic resonance images | |
| Wei et al. | Estimation of breast density: An adaptive moment preserving method for segmentation of fibroglandular tissue in breast magnetic resonance images | |
| Devasia et al. | Automatic Optic Disc Localization and Segmentation using Swarm Intelligence. | |
| Özsavaş et al. | Automatic segmentation of anatomical structures from CT scans of thorax for RTP | |
| Pang et al. | On the use of coupled shape priors for segmentation of magnetic resonance images of the knee | |
| CN108670301A (zh) | 一种基于超声影像的脊柱横突定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Yongming Inventor after: Li Fan Inventor after: Wang Pin Inventor after: Liu Qianqian Inventor after: Han Liang Inventor after: Zeng Xiaoping Inventor after: Zou Xue Inventor after: Zhang Sijie Inventor before: Li Yongming Inventor before: Zou Xue Inventor before: Wang Pin Inventor before: Xie Wenbin Inventor before: Lv Yang Inventor before: He Xuan |
|
| COR | Change of bibliographic data | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160914 Termination date: 20170913 |