CN103489198A - 从序列mr图像中自动分割脑干区域的方法 - Google Patents
从序列mr图像中自动分割脑干区域的方法 Download PDFInfo
- Publication number
- CN103489198A CN103489198A CN201310496683.XA CN201310496683A CN103489198A CN 103489198 A CN103489198 A CN 103489198A CN 201310496683 A CN201310496683 A CN 201310496683A CN 103489198 A CN103489198 A CN 103489198A
- Authority
- CN
- China
- Prior art keywords
- image
- brain stem
- zone
- segmentation
- sequence
- 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
Links
Images
Abstract
从序列MR图像中自动分割脑干区域的方法。本发明公开了一种对人体颅内MR序列图像中的脑干区域实现连续自动分割,以提供医生对颅内组织的3D模型的重建的技术基础,以便更高效、直观地判断患者的病情的从序列MR图像中自动分割脑干区域的方法,它包括:1)预处理:对所有神经序列MR图像进行灰度聚类处理,把待处理所有MR图像的灰度级聚类为5级灰度图像;2)选定种子点像素,采用基于图像面积增长率的四邻域的区域生长算法获取首张MR图像的脑干区域的轮廓边界;3)利用分块区域生长的方法对当前的MR图像进行粗分割处理;4)采用逻辑判断处理及区域生长的方法对粗分割处理后的MR图像进行细分割处理;5)重复步骤3)和步骤4),直至所有的MR图像分割完毕。
Description
技术领域
本发明是一种适用于医学上对MR序列图像中的特定目标进行自动分割的方法,属于医学图像技术领域,具体来说,涉及一种对人体颅内MR序列图像中的脑干区域实现连续自动分割,以提供医生对颅内组织的3D模型的重建的技术基础,以便更高效、直观地判断患者的病情的从序列MR图像中自动分割脑干区域的方法。
背景技术
图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。图像分割在实际中已得到广泛的应用,例如在计算机视觉、遥感和生物医学图像分析,以及军事、体育、农业工程等领域。概括地说,只需要对图像目标进行提取、测量等都离不开图像分割。
其中,医学图像分割在医学领域也有着重要的应用和良好的发展前景。医生在手术前需要做好充分的准备,特别是与脑部相关的手术,更是需要全面的充分的考虑。现在的医院已经开始在手术之前通过建立病人即将手术区域的3D模型,来进行模拟手术,这样无论是对医生的手术前的熟练程度,还是预估手术中可能出现的问题都有着很大的帮助。
要重建颅内感兴趣结构、组织的三维模型,首先必须把各感兴趣结构、组织分割出来,然后再经三维重建算法得到其模型进行模拟手术或者判断患者病情。过去对于脑干及面听神经等感兴趣区域的分割都是通过手工完成,需要耗费大量的人力物力,分割效率低,分割效果标准不一。
发明内容
针对以上的不足,本发明提供了一种对人体颅内MR序列图像中的脑干区域实现连续自动分割,以提供医生对颅内组织的3D模型的重建的技术基础,以便更高效、直观地判断患者的病情的从序列MR图像中自动分割脑干区域的方法,它包括:1)预处理:对所有神经序列MR图像进行灰度聚类处理;2)选定种子点像素,采用区域生长算法获取首张MR图像的脑干区域的轮廓边界;3)对相邻未处理的MR图像的脑干区域进行分割处理;4)重复步骤3),直至左右的MR图像分割完毕。
为了进一步实现本发明,所述预处理步骤处理所有MR图像的灰度级聚类为5级灰度图像。
为了进一步实现本发明,所述5级灰度图像分别代表底色、高亮的结缔组织与眼球等、骨骼、小脑与脑干等神经组织、其它组织。
为了进一步实现本发明,所述步骤2)采用基于图像面积增长率的四邻域的区域生长算法获取首张MR图像的脑干区域的轮廓边界。
为了进一步实现本发明,所述步骤2)采用人工干预的方法从神经序列MR图像中选取一张脑干区域边缘清晰完整的MR图像作为种子点。
为了进一步实现本发明,所述步骤3)首先利用分块区域生长的方法对当前的MR图像进行粗分割处理,然后采用逻辑判断处理及区域生长的方法对粗分割处理后的MR图像进行细分割处理。
为了进一步实现本发明,所述步骤3)中粗分割处理的具体流程为:a1)读取上一张MR图像边界上每个像素点的坐标;a2)对上一张MR图像的边界每个像素点取mxm邻域小块,m为奇数,在当前MR图像对应的区域以与质心距离最近的点作为种子点进行区域生长分割图像,得到当前MR图像小块区域内的脑干边界;a3)重复步骤a1)和a2),直到上一张MR图像的全部边界点都提取出相应当前MR图像小块区域的脑干边界;a4)将全部小块邻域分割所得图像进行叠加合并,以此得到当前MR图像粗分割处理边界。
为了进一步实现本发明,所述步骤3)中细分割处理的具体流程为:b1)以上一张MR图像的脑干区域的质心作为当前MR图像脑干区域的种子点,进行区域生长分割,根据分割结果判断粗分割的边界是否闭合;b2)如果边界轮廓闭合,则去除粗分割边界中多余的端点,直接以粗分割处理边界所包围区域作为脑干区域,进入步骤b4);b3)如果轮廓不闭合,比较当前MR图像粗分割后的脑干区域面积与上一幅MR图像中的脑干区域面积的大小;若当前MR图像中的脑干区域面积比上一幅MR图像中的脑干区域面积小,则选择两张图片重叠后的内部轮廓所包围区域作为脑干区域;相反,则选择两张图片重叠后的外部轮廓所包围区域作为脑干区域;b4)根据得到的脑干区域在当前MR图像的原始图像上取出对应的区域,此区域外的像素灰度都令为0,在该区域内,再次以质心为种子点进行八邻域区域生长,提取出更为准确的脑干边界轮廓,得到细分割处理脑干边界。
本发明的有益效果:由于手工分割对操作者依赖性较大,所受人的主观影响无法避免,而自动分割所受主观影响较小,结果更为客观,因此,采用本发明对脑干组织的自动分割,无论在速度上还是准确性上都具有较大的优势;另外,本发明通过计算机自动分割脑干区域,不仅可以减少人工的分割工作量,而且能够减少人工的干预度,使分割结果更加标准化。
附图说明
图1为本发明的从序列MR图像中自动分割脑干区域的方法的流程图;
图2为本发明的神经序列MR图像预处理前后对比示意图;
图3为本发明对当前MR图像进行粗分割处理后的各小块区域内的脑干边界示意图;
图4为本发明当前MR图像粗分割处理后边界示意图;
图5为本发明典型断面的切片图像分割结果对比示意图;
图6为本发明各切片脑干组织分割结果的DSI的示意图。
具体实施方式
下面结合附图对本发明进行进一步阐述。
如图1所示,本发明的从序列MR图像中自动分割脑干区域的方法的具体实现流程如下:
一、神经序列MR图像预处理
预处理主要是对所有神经序列MR图像进行灰度聚类处理,采用模糊K均值聚类的方法,K为自然数,把待处理所有MR图像的灰度级聚类为5级灰度图像,分别代表底色、高亮的结缔组织与眼球等、骨骼、小脑与脑干等神经组织和其它组织。
对MR图像进行灰度聚类处理的原理是:模糊聚类分析是非监督模式识别的主要技术之一,其主要通过构建一个隶属度与中心点的目标函数式,寻求合适的隶属度与中心点使得目标函数式最小化,从而求出一个像素属于某一类隶属度。当某一个像素的灰度值靠近某类中心点灰度值时,该像素点被赋予属于此类较高的隶属度,当灰度值远离某类中心点灰度值时则赋予较低的隶属度。通过将某类隶属度高的像素归于相应的类别中,可以获得较为清晰的分类结果。
经过灰度聚类处理的MR图像如图2所示,对选定病例神经序列的全体MR图像进行相同的灰度聚类处理。
二、选定种子点像素,用基于图像面积增长率的四邻域的区域生长算法获取首张MR图像的脑干区域的轮廓边界
本发明引入人工参与的手段对首张MR图像脑干区域分割,首张MR图像的具体分割过程如下:
首先,由医生从神经序列MR图像中选取一张脑干区域边缘相对清晰(越清晰越好)完整的MR图像;然后,医生在脑干区域任意位置用鼠标点击一次,以便选择点击位置的图像的像素作为种子点像素;接着,计算机以医生选定的像素作为种子点,采用区域增长的方法,对脑干区域进行分割,得到首张MR图像的脑干区域边界。
分割的终止条件为:
Si-Si-1<Th (1)
其中,Si表示第i次区域增长迭代,Th是区域增长变化率。
公式(1)表明,当前后两次区域增长的面积差异小于阈值时,将停止增长,实验表明,当阈值Th=0.046时,可以得到比较理想的脑干区域分割结果。
三、对相邻MR图像的脑干区域进行分割处理
将医生选定MR图像脑干区域分割结果图像作为首张MR图像,以分割得到的脑干区域作为基准,对首张MR图像临近的前后2张MR图像进行处理。
1、利用分块区域生长的方法对当前的MR图像进行粗分割处理
由于在多数情况下正常人体的脑干组织不会产生突变,因此在某张MR图像相邻的2张MR图像中脑干区域的质心和边界轮廓存在一定的相似性。根据这个条件,采用已完成脑干区域分割的MR图像脑干区域的边界作为模板,对当前MR图像中的脑干区域采用分块区域生长算法进行分割,步骤如下:
1)读取上一张MR图像边界上每个像素点的坐标;
2)对上一张MR图像的边界每个像素点取mxm(实验证明,取11x11邻域小块效果最佳)邻域小块,m为奇数,在当前MR图像对应的区域以与质心距离最近的点作为种子点进行区域生长分割图像,得到当前MR图像小块区域内的脑干边界,如图3中结果所示;
3)重复步骤1)和2),直到上一张MR图像的全部边界点都提取出相应当前MR图像小块区域的脑干边界;
4)将全部小块邻域分割所得图像进行叠加合并,以此得到当前MR图像粗分割处理边界,结果如图4所示。
2、对粗分割处理后的边界进行细分割处理
针对在少数情况下出现的某些相邻脑干间可能存在突变,通过上面的边界提取与合并未必能得到一个闭合的轮廓,所以必须对不闭合的轮廓进行进一步的细分割处理,本发明采用逻辑判断处理及区域生长的方法对粗分割处理后的MR图像进行细分割处理:
1)以上一张MR图像的脑干区域的质心作为当前MR图像脑干区域的种子点,进行区域生长分割,根据分割结果判断粗分割的边界是否闭合;
2)如果边界轮廓闭合,则去除初始分割(粗分割)边界中多余的端点,直接以粗分割处理边界所包围区域作为脑干区域,进入步骤4);
3)如果轮廓不闭合,比较当前MR图像粗分割后的脑干区域面积与上一幅MR图像中的脑干区域面积的大小;若当前MR图像中的脑干区域面积比上一幅MR图像中的脑干区域面积小,则选择两张图片重叠后的内部轮廓所包围区域作为脑干区域;相反,则选择两张图片重叠后的外部轮廓所包围区域作为脑干区域;
4)根据得到的脑干区域在当前MR图像的原始图像上取出对应的区域,此区域外的像素灰度都令为0,在该区域内,再次以质心为种子点进行八邻域区域生长,提取出更为准确的脑干边界轮廓,得到细分割处理脑干边界。
四、分割结果分析
采用上述方法对给定病例的60张MR图像进行了连续自动分割,图5给出了具有代表性的不同层解剖断面的原始图像、自动分割结果图与手工分割结果图。
为了更好地评价自动分割效果,这里在沿用常规的基于视觉观察、与手工分割结果这一金标准比较进行定性判断的基础上,进一步引入分割相似系数(DSI,dice similarity index)进行分割结果的量化分析[5]:
D(A,B)=2*|AΙ B|/(|A|+|B|)×100% (2)
其中:D(A,B)代表DSI;A表示标准图像,本文中,以医生手工分割的图像作为标准分割结果;B表示待评价的分割结果图像;|AΙ B|表示两幅图的重叠面积;|A|,|B|分别表示两幅图像各自的面积。DSI是一种衡量分割结果与金标准符合程度的量化系数,DSI系数越高说明与标准图像越接近,分割越准确,如果分割结果的DSI系数大于70%,则认为与标准的一致较好,属于有效分割[6]。
观察图5可见,自动分割结果与手工分割结果比较可见,自动分割结果基本涵盖了手工分割结果的整体信息。
图6进一步给出了对60张连续切片中进行脑干分割后计算获得的DSI,由图6可见,各切片分割结果的DSI系数都在80%以上,绝大多数大于85%,说明分割比较有效。由于手工分割对操作者依赖性较大,所受人的主观影响无法避免,而自动分割所受主观影响较小,结果更为客观。而且自动分割60张MR图像所需要的时间在30秒以内,而手工分割60张MR图像的时间在2小时以上。因此,采用该算法对脑干组织的自动分割,无论在速度上还是准确性上都具有较大的优势。
针对目前神经序列MR图像中,脑干区域与小脑区域无明显边界,且不同断层位置的图像中脑干区域面积与形状变化较大的问题,本文引入医生参与选定首张MR图像并手工选定种子点的方法,然后通过区域增长的方式,得到该MR图像脑干区域的准确轮廓;接下来,其余的MR图像都分别基于最近邻一张已经分割完成的MR图像中的脑干边界轮廓点,通过分块区域生长方法自动得到当前MR图像相应脑干区域的边界轮廓,最后实现序列MR图像脑干区域的连续自动分割。实验结果表明,本文所提出方法分割结果与人工分割的结果相似指数(DSI)都在80%以上。分割60张MR图像所需要的时间在30秒以内。这种具有准实时性的分割方法对于快速自动的将脑干区域从神经序列MR图像中分割出来,进而快速构建数字化人脑-脑干立体模型具有重要参考价值。
以上所述仅为本发明的较佳实施方式,本发明并不局限于上述实施方式,在实施过程中可能存在局部微小的结构改动,如果对本发明的各种改动或变型不脱离本发明的精神和范围,且属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变型。
Claims (8)
1.一种从序列MR图像中自动分割脑干区域的方法,其特征在于,它包括:
1)预处理:对所有神经序列MR图像进行灰度聚类处理;
2)选定种子点像素,采用区域生长算法获取首张MR图像的脑干区域的轮廓边界;
3)对相邻未处理的MR图像的脑干区域进行分割处理;
4)重复步骤3),直至所有的MR图像分割完毕。
2.根据权利要求1所述的从序列MR图像中自动分割脑干区域的方法,其特征在于,所述预处理步骤处理所有MR图像的灰度级聚类为5级灰度图像。
3.根据权利要求2所述的从序列MR图像中自动分割脑干区域的方法,其特征在于,所述5级灰度图像分别代表底色、高亮的结缔组织与眼球等、骨骼、小脑与脑干等神经组织、其它组织。
4.根据权利要求1所述的从序列MR图像中自动分割脑干区域的方法,其特征在于,所述步骤2)采用基于图像面积增长率的四邻域的区域生长算法获取首张MR图像的脑干区域的轮廓边界。
5.根据权利要求1所述的从序列MR图像中自动分割脑干区域的方法,其特征在于,所述步骤2)采用人工干预的方法从神经序列MR图像中选取一张脑干区域边缘清晰完整的MR图像作为种子点。
6.根据权利要求1所述的从序列MR图像中自动分割脑干区域的方法,其特征在于,所述步骤3)首先利用分块区域生长的方法对当前的MR图像进行粗分割处理,然后采用逻辑判断处理及区域生长的方法对粗分割处理后的MR图像进行细分割处理。
7.根据权利要求6所述的从序列MR图像中自动分割脑干区域的方法,其特征在于,所述步骤3)中粗分割处理的具体流程为:
a1)读取上一张MR图像边界上每个像素点的坐标;
a2)对上一张MR图像的边界每个像素点取mxm邻域小块,m为奇数,在当前MR图像对应的区域以与质心距离最近的点作为种子点进行区域生长分割图像,得到当前MR图像小块区域内的脑干边界;
a3)重复步骤a1)和a2),直到上一张MR图像的全部边界点都提取出相应当前MR图像小块区域的脑干边界;
a4)将全部小块邻域分割所得图像进行叠加合并,以此得到当前MR图像粗分割处理边界。
8.根据权利要求7所述的从序列MR图像中自动分割脑干区域的方法,其特征在于,所述步骤3)中细分割处理的具体流程为:
b1)以上一张MR图像的脑干区域的质心作为当前MR图像脑干区域的种子点,进行区域生长分割,根据分割结果判断粗分割的边界是否闭合;
b2)如果边界轮廓闭合,则去除粗分割边界中多余的端点,直接以粗分割处理边界所包围区域作为脑干区域,进入步骤b4);
b3)如果轮廓不闭合,比较当前MR图像粗分割后的脑干区域面积与上一幅MR图像中的脑干区域面积的大小;若当前MR图像中的脑干区域面积比上一幅MR图像中的脑干区域面积小,则选择两张图片重叠后的内部轮廓所包围区域作为脑干区域;相反,则选择两张图片重叠后的外部轮廓所包围区域作为脑干区域;
b4)根据得到的脑干区域在当前MR图像的原始图像上取出对应的区域,此区域外的像素灰度都令为0,在该区域内,再次以质心为种子点进行八邻域区域生长,提取出更为准确的脑干边界轮廓,得到细分割处理脑干边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310496683.XA CN103489198A (zh) | 2013-10-21 | 2013-10-21 | 从序列mr图像中自动分割脑干区域的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310496683.XA CN103489198A (zh) | 2013-10-21 | 2013-10-21 | 从序列mr图像中自动分割脑干区域的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103489198A true CN103489198A (zh) | 2014-01-01 |
Family
ID=49829396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310496683.XA Pending CN103489198A (zh) | 2013-10-21 | 2013-10-21 | 从序列mr图像中自动分割脑干区域的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103489198A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463885A (zh) * | 2014-12-18 | 2015-03-25 | 江苏大学 | 一种多发性硬化损伤区域分割方法 |
WO2016086744A1 (en) * | 2014-12-02 | 2016-06-09 | Shanghai United Imaging Healthcare Co., Ltd. | A method and system for image processing |
CN105701795A (zh) * | 2015-12-30 | 2016-06-22 | 中国科学院深圳先进技术研究院 | 一种医学影像中腹部骨骼分割方法及系统 |
CN105741288A (zh) * | 2016-01-29 | 2016-07-06 | 北京正齐口腔医疗技术有限公司 | 牙齿图像的分割方法和装置 |
CN107978370A (zh) * | 2017-11-21 | 2018-05-01 | 上海联影医疗科技有限公司 | 一种控制方法及终端 |
CN108289612A (zh) * | 2015-11-12 | 2018-07-17 | 皇家飞利浦有限公司 | 用于分析脑白质病变的医学仪器 |
CN110610481A (zh) * | 2019-08-06 | 2019-12-24 | 深圳市旭东数字医学影像技术有限公司 | 基于医学图像的脑干自动分割方法及系统 |
CN110717915A (zh) * | 2019-09-25 | 2020-01-21 | 武汉联影智融医疗科技有限公司 | 分割方法、装置、计算机设备和存储介质 |
CN111127404A (zh) * | 2019-12-06 | 2020-05-08 | 广州柏视医疗科技有限公司 | 一种医疗影像轮廓快速提取方法 |
CN111563903A (zh) * | 2020-04-26 | 2020-08-21 | 北京航空航天大学 | 一种基于深度学习的mri全脑组织分割方法 |
CN111627005A (zh) * | 2020-05-25 | 2020-09-04 | 殷晓峰 | 一种基于形状进行骨骼细分的骨折区域识别方法和系统 |
CN112132854A (zh) * | 2020-09-22 | 2020-12-25 | 推想医疗科技股份有限公司 | 图像分割的方法及装置,以及电子设备 |
CN112665618A (zh) * | 2020-12-17 | 2021-04-16 | 安徽中元新材料技术有限公司 | 一种基于形态学的波长敏感模式提取装置及方法 |
CN117808813A (zh) * | 2024-03-01 | 2024-04-02 | 乐恩(北京)医药技术有限公司 | 呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100215238A1 (en) * | 2009-02-23 | 2010-08-26 | Yingli Lu | Method for Automatic Segmentation of Images |
CN103353986A (zh) * | 2013-05-30 | 2013-10-16 | 山东大学 | 一种基于超像素模糊聚类的脑部mr图像分割方法 |
-
2013
- 2013-10-21 CN CN201310496683.XA patent/CN103489198A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100215238A1 (en) * | 2009-02-23 | 2010-08-26 | Yingli Lu | Method for Automatic Segmentation of Images |
CN103353986A (zh) * | 2013-05-30 | 2013-10-16 | 山东大学 | 一种基于超像素模糊聚类的脑部mr图像分割方法 |
Non-Patent Citations (2)
Title |
---|
颜莉蓉 等: "基于变形模型的肝CT序列图像分割", 《三峡大学学报(自然科学版)》 * |
马宝英 等: "基于医学影像数据的图像分割方法研究述评", 《昌吉学院学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11094067B2 (en) | 2014-12-02 | 2021-08-17 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for image processing |
WO2016086744A1 (en) * | 2014-12-02 | 2016-06-09 | Shanghai United Imaging Healthcare Co., Ltd. | A method and system for image processing |
US10181191B2 (en) | 2014-12-02 | 2019-01-15 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for identifying spine or bone regions in computed tomography image sequence |
CN104463885B (zh) * | 2014-12-18 | 2018-01-02 | 江苏大学 | 一种多发性硬化损伤区域分割方法 |
CN104463885A (zh) * | 2014-12-18 | 2015-03-25 | 江苏大学 | 一种多发性硬化损伤区域分割方法 |
CN108289612A (zh) * | 2015-11-12 | 2018-07-17 | 皇家飞利浦有限公司 | 用于分析脑白质病变的医学仪器 |
CN105701795A (zh) * | 2015-12-30 | 2016-06-22 | 中国科学院深圳先进技术研究院 | 一种医学影像中腹部骨骼分割方法及系统 |
CN105741288A (zh) * | 2016-01-29 | 2016-07-06 | 北京正齐口腔医疗技术有限公司 | 牙齿图像的分割方法和装置 |
CN107978370A (zh) * | 2017-11-21 | 2018-05-01 | 上海联影医疗科技有限公司 | 一种控制方法及终端 |
CN110610481A (zh) * | 2019-08-06 | 2019-12-24 | 深圳市旭东数字医学影像技术有限公司 | 基于医学图像的脑干自动分割方法及系统 |
CN110717915A (zh) * | 2019-09-25 | 2020-01-21 | 武汉联影智融医疗科技有限公司 | 分割方法、装置、计算机设备和存储介质 |
CN111127404A (zh) * | 2019-12-06 | 2020-05-08 | 广州柏视医疗科技有限公司 | 一种医疗影像轮廓快速提取方法 |
CN111563903A (zh) * | 2020-04-26 | 2020-08-21 | 北京航空航天大学 | 一种基于深度学习的mri全脑组织分割方法 |
CN111627005A (zh) * | 2020-05-25 | 2020-09-04 | 殷晓峰 | 一种基于形状进行骨骼细分的骨折区域识别方法和系统 |
CN111627005B (zh) * | 2020-05-25 | 2023-02-17 | 殷晓峰 | 一种基于形状进行骨骼细分的骨折区域识别方法和系统 |
CN112132854A (zh) * | 2020-09-22 | 2020-12-25 | 推想医疗科技股份有限公司 | 图像分割的方法及装置,以及电子设备 |
WO2022062770A1 (zh) * | 2020-09-22 | 2022-03-31 | 推想医疗科技股份有限公司 | 图像分割的方法及装置,以及电子设备 |
CN112665618A (zh) * | 2020-12-17 | 2021-04-16 | 安徽中元新材料技术有限公司 | 一种基于形态学的波长敏感模式提取装置及方法 |
CN112665618B (zh) * | 2020-12-17 | 2022-05-17 | 安徽中元新材料技术有限公司 | 一种基于形态学的波长敏感模式提取装置及方法 |
CN117808813A (zh) * | 2024-03-01 | 2024-04-02 | 乐恩(北京)医药技术有限公司 | 呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103489198A (zh) | 从序列mr图像中自动分割脑干区域的方法 | |
Jaleel et al. | Computer aided detection of skin cancer | |
CN106097305B (zh) | 双行程区域生长结合形态学重建的肺部气管树分割方法 | |
CN107590809A (zh) | 肺分割方法及医学成像系统 | |
CN107895364B (zh) | 一种用于虚拟手术术前规划的三维重建系统 | |
CN101238987A (zh) | 一种关于ct脑出血图像的处理方法 | |
CN109493325A (zh) | 基于ct影像的肿瘤异质性分析系统 | |
CN1620990A (zh) | 在ct血管造影术中分割结构的方法及设备 | |
CN105912874A (zh) | 基于dicom医学图像构建的肝脏三维数据库系统 | |
Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
Chen et al. | Pathological lung segmentation in chest CT images based on improved random walker | |
CN105139377A (zh) | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 | |
Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
Chougule et al. | Development of patient specific implants for Minimum Invasive Spine Surgeries (MISS) from non-invasive imaging techniques by reverse engineering and additive manufacturing techniques | |
CN106780491B (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
CN108416793A (zh) | 基于三维相干断层成像图像的脉络膜血管分割方法及系统 | |
CN109934829A (zh) | 一种基于三维图割算法的肝脏分割方法 | |
CN106780492B (zh) | 一种ct骨盆图像的关键帧提取方法 | |
Nardelli et al. | Deep-learning strategy for pulmonary artery-vein classification of non-contrast CT images | |
Borzooie et al. | Modified density-based data clustering for interactive liver segmentation | |
CN104915989A (zh) | 基于ct影像的血管三维分割方法 | |
Xu et al. | RUnT: A network combining residual U-Net and transformer for vertebral edge feature fusion constrained spine CT image segmentation | |
Zhang et al. | Automatic rib segmentation in chest CT volume data | |
Zhou et al. | Automatic segmentation algorithm of femur and tibia based on Vnet-C network | |
Wang et al. | An improved image segmentation method using three-dimensional region growing algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20161130 |
|
C20 | Patent right or utility model deemed to be abandoned or is abandoned |