CN103886564A - 一种pet心脏图像中心肌轮廓线分割方法和装置 - Google Patents
一种pet心脏图像中心肌轮廓线分割方法和装置 Download PDFInfo
- Publication number
- CN103886564A CN103886564A CN201310639848.4A CN201310639848A CN103886564A CN 103886564 A CN103886564 A CN 103886564A CN 201310639848 A CN201310639848 A CN 201310639848A CN 103886564 A CN103886564 A CN 103886564A
- Authority
- CN
- China
- Prior art keywords
- curve
- level set
- initial profile
- model
- profile line
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种PET心脏图像中心肌轮廓线分割方法,包括:对接收到的PET心脏图像进行粗分割,得到心肌区域的初始轮廓线;将水平集图像分割模型的函数描述中的曲线长度正则项中的导数阶数α设置为分数阶;使用所述水平集图像分割模型和选取所述初始轮廓线上每一个像素点相邻的至少三个像素点对所述初始轮廓线进行曲线演化计算;将得到的曲线演化计算结果作为所述PET心脏图像中心肌区域的轮廓线,可见,通过将曲线长度正则项中的导数阶数设置为分数阶数,使得在进行曲线演化计算的时候,针对每一个初始轮廓线上的点,均可以选取任意多个相邻像素点作为曲线演化计算的参考,可以显著的提高最终计算获得的心肌区域的边界准确性。
Description
技术领域
本发明涉及医疗器械领域,特别是涉及一种PET心脏图像中心肌轮廓线分割方法和装置。
背景技术
目前,正电子发射型计算机断层成像(Positron Emission ComputedTomography,PET)系统或者PET/CT系统已经在肿瘤、心血管和神经系统领域研究中显示出卓越的性能,其心肌代谢显像可以用来有效确定和鉴别心肌细胞的活性。
在进行心肌代谢显像的过程中,需要在所显示的PET心脏图像中将心肌区域的边界准确的描绘出来,这是根据心肌代谢显像来进行后续处理的必要前提和关键步骤,而且其描绘结果的准确与否会大大影响到后续处理的处理结果的准确性。
目前对PET心脏图像进行心肌区域边界描述的方法主要分为两个步骤,第一个步骤是先通过人工观察的手段,从PET心脏图像中将心肌区域大致确定出来,也就是说通过粗分割获得心肌区域的初始轮廓。第二个步骤现在主要使用的是基于水平集(Level set)的图像分割方法来对第一个步骤获得的初始轮廓的轮廓线进行曲线演化计算,由此获得精确的心肌区域的边界,这种图像分割方法需要使用到水平集图像分割模型来进行函数分析,水平集图像分割模型的函数描述中都包含曲线长度正则项和数据拟合项两个部分,其中曲线长度正则项是用来进行曲线演化计算的,在进行曲线演化计算时,现有技术中能且只能依赖初始轮廓线上每个像素点相邻的固定个数的一个或者两个像素点来进行计算,使得最终获得的心肌区域的边界准确性比较低。
发明内容
为了解决上述技术问题,本发明提供了一种PET心脏图像中心肌轮廓线分割方法和装置,改进计算演化曲线过程中只能获取固定数量相邻像素点作为计算参考的机制,由此提高了最终计算的精度。
本发明实施例公开了如下技术方案:
一种PET心脏图像中心肌轮廓线分割方法,包括:
对接收到的PET心脏图像进行粗分割,得到心肌区域的初始轮廓线;
将水平集图像分割模型的函数描述中的曲线长度正则项中的导数阶数α设置为分数阶;
使用所述水平集图像分割模型和选取所述初始轮廓线上每一个像素点相邻的至少三个像素点对所述初始轮廓线进行曲线演化计算;
将得到的曲线演化计算结果作为所述PET心脏图像中心肌区域的轮廓线。
优选的,
所述水平集图像分割模型包括无边缘的主动轮廓C-V(Chan-Vese)模型或者基于区域可扩展的拟合RSF(Region-Scalable Fitting)模型。
优选的,
所述导数阶数α为大于0小于2且不等于1的有理数、无理数或者复数。
优选的,所述对接收到的PET心脏图像进行粗分割,具体为:
使用迭代阈值法对接收到的PET心脏图像进行粗分割。
优选的,所述使用所述水平集图像分割模型和所述初始轮廓线上每一个像素点相邻的至少三个像素点对所述初始轮廓线进行曲线演化计算,具体为:
当所述曲线演化计算的迭代结果为收敛或迭代次数达到预设次数时,得到的曲线演化计算结果。
一种PET心脏图像中心肌轮廓线分割装置,包括:
初始轮廓线分割单元,用于对接收到的PET心脏图像进行粗分割,得到心肌区域的初始轮廓线;
分数阶设置单元,用于将水平集图像分割模型的函数描述中的曲线长度正则项中的导数阶数α设置为分数阶;
曲线演化计算单元,用于使用所述水平集图像分割模型和选取所述初始轮廓线上每一个像素点相邻的至少三个像素点对所述初始轮廓线进行曲线演化计算;
轮廓线获取单元,用于将得到的曲线演化计算结果作为所述PET心脏图像中心肌区域的轮廓线。
优选的,
所述水平集图像分割模型包括无边缘的主动轮廓C-V(Chan-Vese)模型或者基于区域可扩展的拟合RSF(Region-Scalable Fitting)模型。
优选的,
所述导数阶数α为大于0小于2且不等于1的有理数、无理数或者复数。
优选的,所述初始轮廓线分割单元,具体为:
使用迭代阈值法对接收到的PET心脏图像进行粗分割。
优选的,所述曲线演化计算单元具体为:
当所述曲线演化计算的迭代结果为收敛或迭代次数达到预设次数时,得到的曲线演化计算结果。
由上述技术方案可以看出,通过将水平集图像分割模型的函数描述中的曲线长度正则项中对水平集函数的导数的导数阶数设置为分数阶数,由此使得在使用该水平集图像分割模型对粗分割的心肌区域的初始轮廓线进行曲线演化计算的时候,针对每一个初始轮廓线上的点,均可以选取任意多个相邻像素点作为曲线演化计算的参考,且当选取至少三个相邻像素点的时候,可以显著的提高最终计算获得的心肌区域的边界准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种PET心脏图像中心肌轮廓线分割方法的方法流程图;
图2a为根据C-V模型曲线演化计算所获得的心肌区域轮廓线示意图;
图2b为本发明根据分数阶C-V模型曲线演化计算所获得的心肌区域轮廓线示意图;
图2c为根据RSF模型曲线演化计算所获得的心肌区域轮廓线示意图;
图2d为本发明根据分数阶RSF模型曲线演化计算所获得的心肌区域轮廓线示意图;
图3为本发明一种PET心脏图像中心肌轮廓线分割装置的装置结构图。
具体实施方式
本发明实施例提供了一种PET心脏图像中心肌轮廓线分割方法和装置。一方面,通过将水平集图像分割模型的函数描述中的曲线长度正则项中对水平集函数的导数的导数阶数设置为分数阶数,由此使得在使用该水平集图像分割模型对粗分割的心肌区域的初始轮廓线进行曲线演化计算的时候,针对每一个初始轮廓线上的点,均可以选取任意多个相邻像素点作为曲线演化计算的参考,且当选取至少三个相邻像素点的时候,可以显著的提高最终计算获得的心肌区域的边界准确性。
另一方面,使用迭代阈值法代替原本的人工手段对接收到的PET心脏图像进行粗分割,进一步的提高了获取心肌区域初始轮廓线的效率和精确度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明实施例进行详细描述。
实施例一
本发明的技术方案中,将分数阶微积分理论和水平集的图像分割方法相结合,提出了分数阶水平集图像分割的概念,并构造了两个基于分数阶水平集的图像分割模型,即:分数阶C-V模型和分数阶RSF模型。并利用这两个模型对PET心脏图像进行分割,得到了比传统的基于水平集的图像分割模型更好的分割结果。
请参阅图1,其为本发明一种PET心脏图像中心肌轮廓线分割方法的方法流程图,该方法包括以下步骤:
S101:对接收到的PET心脏图像进行粗分割,得到心肌区域的初始轮廓线;
现有技术中,接收到一张PET心脏图像后,一般是通过人为观察后,先初步划分出心肌区域的大致轮廓,这种粗分割效率低,且划分精度与操作者的工作经验有着直接关系。而在本发明实施例中,除了可以在这种人为划分出初始轮廓线的情况下进行后续曲线演化计算以外,还提出了一种优选的获取心肌区域初始轮廓线的方法,通过对PET心脏图像中的灰度进行分析,使用迭代阈值法对接收到的PET心脏图像进行粗分割,所述迭代阈值法具体为:
步骤一:设置初始阈值T(Theshhold),其中T可以设为该PET心脏图像中图像像素中的最大灰度值和最小灰度值的平均值;设置迭代更新阈值TT,设置迭代终止规则d=|T-TT|<0.5。
步骤二:根据所述初始阈值T将接收到的PET心脏图像分为两个区域R1和R2,划分的规则一般为,R1区域中的可以是灰度值大于等于预设阈值T的所有像素点的集合,则R2区域中的可以是灰度值小于预设阈值T的所有像素点的集合;
步骤三:计算R1中的所有像素点的平均灰度值T1以及R2中的所有像素点的平均灰度值T2;
步骤四:设置迭代更新阈值TT=0.5*(T1+T2),计算d=|T-TT|的值;
步骤五:如果d的值大于等于0.5,则将当前TT的值作为初始阈值T,并重复步骤二至步骤四,逐次迭代直到满足迭代终止规则d=|T-TT|<0.5
由此迭代阈值法获得的心肌区域初始轮廓线相比人工划分的效率更高,而且准确性也会更稳定。
S102:将水平集图像分割模型的函数描述中的曲线长度正则项中的导数阶数α设置为分数阶;
这里需要对设置成分数阶的导数阶数α进行说明,一般来说,对设置的导数阶数的范围不做限定,但是在方便进行计算的前提下,可以将导数阶数α设置在0到2之间,当然不能为整数1,可以是这一范围内的有理数、无理数或者复数。当导数阶数α设置在这一范围中时,可以使得只需要进行相对较少的迭代次数后就可以获得最终的高精确度的计算结果。
本发明实施例中所述的水平集图像分割模型主要是指其曲线长度正则项中包含整数阶导数的水平集图像分割模型,现在最常用的水平集图像分割模型主要包括C-V(Chan-Vese)模型或者可放缩区域拟合RSF(Region-ScalableFitting)模型。
对于C-V模型来说,其函数描述为:
ECV(c1,c2,C)=μ·Length(C)+数据拟合项,
对于RSF模型来说,其函数描述为:
ERSF(f1(X),f2(X),C)=μ·Length(C)+数据拟合项,
其中Length(C)为曲线长度正则项,包含整数阶的导数,当对其应用格林公式并引入水平集函数φ后,得到其对于水平集的公式表达:
其中:
当将其导数阶数α设置为分数阶后,曲线长度正则项具体变为:
Lengthα{φ=0}=∫Ωδε(φ(x,y))|Dαφ(x,y)|dxdy
其中:
Dαφ(x,y)为水平集函数φ(x,y)的α阶导数。
也就是说,将原本的一阶导数下的曲线积分变成了本发明实施例中的曲面积分。现有技术中的属于整数阶梯度。在利用水平集方法进行图像分割中,水平集函数φ(x,y)的整数阶梯度表示的是每个像素点(x,y)的水平集函数φ(x,y)仅仅依赖于其相邻的一个像素点或两个像素点的水平集函数φ(x,y),也就是说水平集函数φ(x,y)的一阶梯度只具有局部性质,或者说,在可以用于参照的像素点个数固定且很少的情况下,对最终的计算结果肯定会造成一定的局限性。而如果将水平集函数的一阶梯度扩展到分数阶梯度(导数)Dαφ(x,y),由于分数阶微分具有“长记忆(long-memory)”的特性,则一个像素点的水平集函数φ(x,y)的分数阶微分并不仅仅依赖于与这个点相邻的一两个像素点的水平集函数φ(x,y),而是与其周围的所有像素点的水平集函数φ(x,y)有关,这里所指的所有像素点可以是涵盖整幅图像的所有像素点的集合,也就是说水平集函数φ(x,y)的分数阶梯度(导数)Dαφ(x,y)具有全局性质,或者说,在可以用于参照的像素点个数涵盖到整张PET心脏图像中的像素点的情况下,对最终的计算结果肯定会更加准确。不过如果参照所有像素点来进行计算的话,会使得计算量过大,即使最终能够获得高精确度的计算结果,但是等待计算结果的时间也会是很长的,故在不对最终的计算精度产生较大影响的情况下,在数值计算中,为了减小计算量,常常将选取用来计算的像素点的技术限制到一定的范围内,在本发明实施例中,设置为至少是初始轮廓线上每一个像素点相邻的至少三个像素点。
S103:使用所述水平集图像分割模型和选取所述初始轮廓线上每一个像素点相邻的至少三个像素点对所述初始轮廓线进行曲线演化计算;
对于曲线演化计算的计算过程,除了曲线演化正则项中的整数阶导数变化为分数阶导数以外,其他的计算过程与现有技术是相同的,在计算具有分数阶导数的水平集图像分割模型的函数描述时,一般当计算结果出现收敛时或者当计算中的迭代次数达到预设次数时,判定这时的计算结果为最终的曲线演化计算结果。一般可以将该预设次数设置为30次迭代次数,当然也可以设置为其他次数,本发明对此不进行限定。
S104:将得到的曲线演化计算结果作为所述PET心脏图像中心肌区域的轮廓线。
接下来将对同一幅PET心脏图像使用现有的水平集图像分割方法以及本发明提出的分数阶图像分割方法进行图像分割,以获取图像中的心肌区域轮廓线,由此更清楚的展示现有技术与本发明技术方案的区别。其中,所用于计算的该PET心脏图像心肌区域的初始轮廓线也均是相同的,即可以是通过人为划分出的,也可以是通过本发明的迭代阈值法计算得到的。
通过针对同一幅PET心脏图像的图像分割的比对后,对于水平集图像分割模型C-V模型和本发明中的分数阶C-V模型来说,分别得到的心肌区域轮廓线如图2a、2b所示,其中图2a为根据C-V模型曲线演化计算所获得的心肌区域轮廓线示意图,图中深色部分的外轮廓线就是通过C-V模型曲线演化计算所获得的心肌区域轮廓线。所述图2b为本发明根据分数阶C-V模型曲线演化计算所获得的心肌区域轮廓线示意图,图中深色部分的外轮廓线就是通过分数阶C-V模型曲线演化计算所获得的心肌区域轮廓线。比对可以看出,以本发明的技术方案所获得的心肌区域轮廓线明显更加精确。
在针对三幅PET心脏图像进行三次分割后,得到下表的计算结果:
可以看出,在使用本发明的技术方案时,分数阶C-V模型从开始到最后获得心肌区域轮廓线所用的迭代次数明显少于现有技术中使用C-V模型分割心脏图像的迭代次数,也就是说,使用本发明的技术方案后,不仅计算精度得到了大幅的提高,而且在计算量上也没有增加,反而大幅减少,进一步提高了计算效率。也就是说,当使用本发明的分数阶图像分割方法时,当将分数阶设置为一个比较合适的、恰当的分数阶次时,就能在得到较好的分割结果的同时,有效的减少曲线演化计算中的迭代次数。
通过针对同一幅PET心脏图像的图像分割的比对后,对于水平集图像分割模型RSF模型和本发明中的分数阶RSF模型来说,分别得到的心肌区域轮廓线如图2c、2d所示,其中图2c为根据RSF模型曲线演化计算所获得的心肌区域轮廓线示意图,图中深色部分的外轮廓线就是通过RSF模型曲线演化计算所获得的心肌区域轮廓线。图2d为本发明根据分数阶RSF模型曲线演化计算所获得的心肌区域轮廓线示意图,图中深色部分的外轮廓线就是通过分数阶RSF模型曲线演化计算所获得的心肌区域轮廓线。比对可以看出,图2c中甚至出现了两部分的心肌区域轮廓线,但是很显然左下角那部分是属于误差计算造成的,所以本发明的技术方案所获得的心肌区域轮廓线明显更加精确。
由本实施例可以看出,通过将水平集图像分割模型的函数描述中的曲线长度正则项中对水平集函数的导数的导数阶数设置为分数阶数,由此使得在使用该水平集图像分割模型对粗分割的心肌区域的初始轮廓线进行曲线演化计算的时候,针对每一个初始轮廓线上的点,均可以选取任意多个相邻像素点作为曲线演化计算的参考,且当选取至少三个相邻像素点的时候,可以显著的提高最终计算获得的心肌区域的边界准确性。
另一方面,使用迭代阈值法代替原本的人工手段对接收到的PET心脏图像进行粗分割,进一步的提高了获取心肌区域初始轮廓线的效率和精确度。
实施例二
与上述一种PET心脏图像中心肌轮廓线分割方法相对应,本发明实施例还提供了一种PET心脏图像中心肌轮廓线分割装置。请参阅图3,其为本发明一种PET心脏图像中心肌轮廓线分割装置的装置结构图,该装置包括初始轮廓线分割单元301、分数阶设置单元302、曲线演化计算单元303和轮廓线获取单元304:
初始轮廓线分割单元301,用于对接收到的PET心脏图像进行粗分割,得到心肌区域的初始轮廓线;
优选的,所述初始轮廓线分割单元,具体为:
使用迭代阈值法对接收到的PET心脏图像进行粗分割。
分数阶设置单元302,用于将水平集图像分割模型的函数描述中的曲线长度正则项中的导数阶数α设置为分数阶;
优选的,所述水平集图像分割模型包括无边缘的主动轮廓C-V(Chan-Vese)模型或者基于区域可扩展的拟合RSF(Region-Scalable Fitting)模型。
优选的,所述导数阶数α为大于0小于2且不等于1的有理数、无理数或者复数。
优选的,所述水平集图像分割模型的函数描述中的曲线长度正则项具体为:
Lengthα{φ=0}=∫Ωδε(φ(x,y))|Dαφ(x,y)|dxdy
其中:
Dαφ(x,y)为水平集函数φ(x,y)的α阶导数。
曲线演化计算单元303,用于使用所述水平集图像分割模型和选取所述初始轮廓线上每一个像素点相邻的至少三个像素点对所述初始轮廓线进行曲线演化计算;
优选的,所述曲线演化计算单元具体为:
当所述曲线演化计算的迭代结果为收敛或迭代次数达到预设次数时,得到的曲线演化计算结果。
轮廓线获取单元304,用于将得到的曲线演化计算结果作为所述PET心脏图像中心肌区域的轮廓线。
由上述实施例可以看出,通过将水平集图像分割模型的函数描述中的曲线长度正则项中对水平集函数的导数的导数阶数设置为分数阶数,由此使得在使用该水平集图像分割模型对粗分割的心肌区域的初始轮廓线进行曲线演化计算的时候,针对每一个初始轮廓线上的点,均可以选取任意多个相邻像素点作为曲线演化计算的参考,且当选取至少三个相邻像素点的时候,可以显著的提高最终计算获得的心肌区域的边界准确性。
另一方面,使用迭代阈值法代替原本的人工手段对接收到的PET心脏图像进行粗分割,进一步的提高了获取心肌区域初始轮廓线的效率和精确度。
需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上对本发明所提供的一种PET心脏图像中心肌轮廓线分割方法和装置进行了详细介绍,本文中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种PET心脏图像中心肌轮廓线分割方法,其特征在于,包括:
对接收到的PET心脏图像进行粗分割,得到心肌区域的初始轮廓线;
将水平集图像分割模型的函数描述中的曲线长度正则项中的导数阶数α设置为分数阶;
使用所述水平集图像分割模型和选取所述初始轮廓线上每一个像素点相邻的至少三个像素点对所述初始轮廓线进行曲线演化计算;
将得到的曲线演化计算结果作为所述PET心脏图像中心肌区域的轮廓线。
2.根据权利要求1所述的方法,其特征在于,
所述水平集图像分割模型包括无边缘的主动轮廓C-V(Chan-Vese)模型或者基于区域可扩展的拟合RSF(Region-Scalable Fitting)模型。
3.根据权利要求1所述的方法,其特征在于,
所述导数阶数α为大于0小于2且不等于1的有理数、无理数或者复数。
4.根据权利要求1所述的方法,其特征在于,所述对接收到的PET心脏图像进行粗分割,具体为:
使用迭代阈值法对接收到的PET心脏图像进行粗分割。
5.根据权利要求1所述的方法,其特征在于,所述使用所述水平集图像分割模型和所述初始轮廓线上每一个像素点相邻的至少三个像素点对所述初始轮廓线进行曲线演化计算,具体为:
当所述曲线演化计算的迭代结果为收敛或迭代次数达到预设次数时,得到的曲线演化计算结果。
6.一种PET心脏图像中心肌轮廓线分割装置,其特征在于,包括:
初始轮廓线分割单元,用于对接收到的PET心脏图像进行粗分割,得到心肌区域的初始轮廓线;
分数阶设置单元,用于将水平集图像分割模型的函数描述中的曲线长度正则项中的导数阶数α设置为分数阶;
曲线演化计算单元,用于使用所述水平集图像分割模型和选取所述初始轮廓线上每一个像素点相邻的至少三个像素点对所述初始轮廓线进行曲线演化计算;
轮廓线获取单元,用于将得到的曲线演化计算结果作为所述PET心脏图像中心肌区域的轮廓线。
7.根据权利要求6所述的装置,其特征在于,
所述水平集图像分割模型包括无边缘的主动轮廓C-V(Chan-Vese)模型或者基于区域可扩展的拟合RSF(Region-Scalable Fitting)模型。
8.根据权利要求6所述的装置,其特征在于,
所述导数阶数α为大于0小于2且不等于1的有理数、无理数或者复数。
9.根据权利要求6所述的装置,其特征在于,所述初始轮廓线分割单元,具体为:
使用迭代阈值法对接收到的PET心脏图像进行粗分割。
10.根据权利要求6所述的装置,其特征在于,所述曲线演化计算单元具体为:
当所述曲线演化计算的迭代结果为收敛或迭代次数达到预设次数时,得到的曲线演化计算结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310639848.4A CN103886564A (zh) | 2013-11-29 | 2013-11-29 | 一种pet心脏图像中心肌轮廓线分割方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310639848.4A CN103886564A (zh) | 2013-11-29 | 2013-11-29 | 一种pet心脏图像中心肌轮廓线分割方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103886564A true CN103886564A (zh) | 2014-06-25 |
Family
ID=50955439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310639848.4A Pending CN103886564A (zh) | 2013-11-29 | 2013-11-29 | 一种pet心脏图像中心肌轮廓线分割方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103886564A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961278A (zh) * | 2018-06-20 | 2018-12-07 | 深圳市旭东数字医学影像技术有限公司 | 基于影像数据的腹壁肌肉分割的方法及其系统 |
CN109523559A (zh) * | 2018-10-15 | 2019-03-26 | 石家庄学院 | 一种基于改进的能量泛函模型的噪声图像分割方法 |
CN111542854A (zh) * | 2017-12-13 | 2020-08-14 | 牛津大学科技创新有限公司 | 用于对心壁的运动进行评分的成像分析 |
WO2021047684A1 (zh) * | 2019-09-09 | 2021-03-18 | 华南理工大学 | 基于主动轮廓和深度学习的模糊边界图像自动分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6718054B1 (en) * | 1999-06-23 | 2004-04-06 | Massachusetts Institute Of Technology | MRA segmentation using active contour models |
CN103337074A (zh) * | 2013-06-18 | 2013-10-02 | 大连理工大学 | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 |
-
2013
- 2013-11-29 CN CN201310639848.4A patent/CN103886564A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6718054B1 (en) * | 1999-06-23 | 2004-04-06 | Massachusetts Institute Of Technology | MRA segmentation using active contour models |
CN103337074A (zh) * | 2013-06-18 | 2013-10-02 | 大连理工大学 | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 |
Non-Patent Citations (3)
Title |
---|
DAN TIAN 等: "A fractional-order regulatory CV model for brain MR image", 《CONTROL AND DECISION CONFERENCE(CCDC),2013 25TH CHINESE》 * |
SIDDALINGASWAMY P. C.等: "Automatic Localization and Boundary Detection of Optic Disc Using Implicit Active Contours", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS》 * |
陈强 等: "带标记线左心室MR图像的自动分割", 《中国图象图形学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111542854A (zh) * | 2017-12-13 | 2020-08-14 | 牛津大学科技创新有限公司 | 用于对心壁的运动进行评分的成像分析 |
CN108961278A (zh) * | 2018-06-20 | 2018-12-07 | 深圳市旭东数字医学影像技术有限公司 | 基于影像数据的腹壁肌肉分割的方法及其系统 |
CN109523559A (zh) * | 2018-10-15 | 2019-03-26 | 石家庄学院 | 一种基于改进的能量泛函模型的噪声图像分割方法 |
WO2021047684A1 (zh) * | 2019-09-09 | 2021-03-18 | 华南理工大学 | 基于主动轮廓和深度学习的模糊边界图像自动分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pahr et al. | From high-resolution CT data to finite element models: development of an integrated modular framework | |
Mehra et al. | Visibility of noisy point cloud data | |
CN110310292B (zh) | 一种手腕部参照骨分割方法 | |
CN100463655C (zh) | 一种腹部ct图像自动测量装置 | |
CN103886564A (zh) | 一种pet心脏图像中心肌轮廓线分割方法和装置 | |
US20140161352A1 (en) | Iterative method for determining a two-dimensional or three-dimensional image on the basis of signals arising from x-ray tomography | |
CN104143190A (zh) | Ct图像中组织的分割方法及系统 | |
US10219688B2 (en) | System and method for the selection of optical coherence tomography slices | |
Kadrmas et al. | Experimental comparison of lesion detectability for four fully-3D PET reconstruction schemes | |
CN103729875A (zh) | 心脏磁共振图像的左心室三维轮廓重建方法和系统 | |
CN106340010A (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
EP1922701B1 (en) | Triangulation method of a surface of a physical object | |
CN111932552A (zh) | 一种主动脉建模的方法及装置 | |
CN113706473A (zh) | 超声图像中病灶区域的长短轴确定方法和超声设备 | |
CN113139948A (zh) | 器官轮廓线质量评估方法、装置及系统 | |
CN109584249B (zh) | 一种基于闭合形式解的三维体数据分割方法 | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
CN113362404B (zh) | 计算机断层扫描的散射校正方法、装置和存储介质 | |
WO2006110399A2 (en) | Estimation of solitary pulmonary nodule diameters with reaction-diffusion segmentation | |
IL307667A (en) | Vocalizetown is effective for deep learning | |
CN114943761A (zh) | 一种fpga中线结构光条纹中心提取方法及装置 | |
CN117274557B (zh) | 三维图像的数据增强方法、装置、电子设备及存储介质 | |
CN112053411A (zh) | 一种pet图像的重建方法及装置 | |
CN116681841B (zh) | 断层重建的质量评估方法及存储介质 | |
Wang et al. | An automated mesh generation algorithm for curved surfaces of ship longitudinal structures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140625 |