CN104143035A - 一种分割乳腺病灶的方法 - Google Patents

一种分割乳腺病灶的方法 Download PDF

Info

Publication number
CN104143035A
CN104143035A CN201310172570.4A CN201310172570A CN104143035A CN 104143035 A CN104143035 A CN 104143035A CN 201310172570 A CN201310172570 A CN 201310172570A CN 104143035 A CN104143035 A CN 104143035A
Authority
CN
China
Prior art keywords
image
magnetic resonance
mri
threshold
mammary gland
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
Application number
CN201310172570.4A
Other languages
English (en)
Other versions
CN104143035B (zh
Inventor
李华
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201310172570.4A priority Critical patent/CN104143035B/zh
Publication of CN104143035A publication Critical patent/CN104143035A/zh
Application granted granted Critical
Publication of CN104143035B publication Critical patent/CN104143035B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供一种分割乳腺病灶的方法,包括如下步骤:对注射造影剂前的磁共振图像基于椭圆模型进行胸部粗分割,获得第一图像;对所述注射造影剂前、后的磁共振图像配准后进行剪影,在获得的剪影图像上基于所述第一图像提取乳腺部分的剪影图像;对每层乳腺部分的剪影图像进行病灶检测,获得第二图像;在所述第二图像上依次找到三维连通域,依次对每个连通域以重心为种子点在所述剪影图上进行自适应的区域增长,获得分割乳腺可疑病灶后的磁共振图像。本发明提供的分割乳腺病灶方法,能够简单,有效地自动分割可疑病灶,可广泛适用于各种注射造影剂核磁共振成像数据。

Description

一种分割乳腺病灶的方法
技术领域
本发明涉及医学图像处理领域,尤其涉及一种分割乳腺病灶的方法。
背景技术
计算机辅助诊断(Computer Aided Diagnosis,CAD)是指通过影像学、医学图像处理技术以及其它可能的生理、生化手段,结合计算机的分析计算,辅助影像科医师发现病灶,提高诊断的准确率。随着技术的发展,以核磁共振成像、计算机断层扫描为代表的现代高清晰影像设备为临床疾病的诊断提供了极大方便。目前,CAD研究较为成熟的是在乳腺和肺部病变方面;
乳腺癌是女性最常见的癌症之一,是导致女性死亡的第二大癌症杀手。核磁共振成像因其高敏感度而成为辅助医生检测乳腺癌的有效手段。基于核磁共振成像的乳腺病灶分割技术对于医生了解病灶的形态,大小等重要特性扮演着非常重要的角色。
现有技术中,大量乳腺病灶分割的研究都是在用户介入(例如手动提供种子点)的情况下进行的半自动分割技术。有的是基于用户给出的灰度阈值来分析病灶的二维边缘和形态特征;有的在用户给出病灶内一个种子点后进行病灶的三维分割;有的是在用户定义的感兴趣区域内进行病灶分割。然而无论是给出感兴趣区域还是给出病灶内一个种子点,这些用户手动介入的过程都是非常耗时的。一种无需用户介入的全自动病灶分割技术可以节省大量的人力和时间,对乳腺病灶的分析有着非常重大的意义。一种不包括精确分割过程的全自动病灶的检测技术,利用细胞神经网络的方法先对乳腺区域进行划分,然后再对划分好的乳腺区域内利用模板的方法对病灶可进行全自动的检测。然而利用细胞神经网络的方法有时不能准确地划分乳腺区域,高亮度的心脏部分有时会被归入乳腺区域,而且此方法不适用于抑脂的乳腺图像。再者利用模板的检测病灶方法由于模板自身的局限性,可能不适用于边缘增强内部较暗的病灶类型以及其他特殊病灶模态。
发明内容
本发明解决的问题是提供一种分割乳腺病灶的方法,用以解决现有技术中必须在用户手动给出种子点的情况下,高效、准确地自动分割处理一个以上病灶的问题。
为了解决上述技术问题,本发明提供了一种分割乳腺病灶的方法,包括如下步骤:
(1)对注射造影剂前的磁共振图像基于椭圆模型进行胸部粗分割,获得第一图像;
(2)对所述注射造影剂前、后的磁共振图像进行剪影,在获得剪影图像上基于所述第一图像提取乳腺部分的剪影图像;
(3)对每层乳腺部分的剪影图像进行病灶检测,获得第二图像;
(4)在所述第二图像上依次找到三维连通域,依次对每个连通域以重心为种子点在所述剪影图像上进行自适应的区域增长,获得分割后的乳腺可疑病灶的磁共振图像。
进一步地,所述胸部粗分割前进行滤波器去噪处理和闭操作。
进一步地,所述滤波器去噪过程利用中值滤波器、高斯滤波器、高通滤波器、均值滤波器或低通滤波器。
进一步地,所述第一图像的取得包括如下步骤:
(1)对所述注射造影剂前的磁共振图像从上到下逐行进行检测,当检测到连通域的范围达到阈值M时,停止检测并记录行数N′;
(2)以行数N1=N′+n作为椭圆的起始行,以所述注射造影剂前的磁共振图像的最后一行作为椭圆的终止行为行数N2,进行椭圆分割处理;
(3)对椭圆分割后的图像从上到下逐行检测,当测得的灰度值为非零值时,停止检测,记录行数N′1作为乳腺部分的起始行,并记录所述非零值的像素点所在列数L;
(4)对椭圆分割后的图像从下到上逐行检测第L列,当测得的灰度值为非零值时,停止检测,记录行数N′2作为乳腺部分的终止行,以所述起始行N′1和终止行N′2提取所述乳腺部分,获得第一图像;
所述阈值M的取值范围为图像宽度的40~60%,所述行数n取自然数,取值范围为5~20行。
进一步地,所述剪影步骤前对所述注射造影剂前、后的磁共振图像进行配准操作。
进一步地,所述注射造影剂后的磁共振图像为造影剂初始增强的磁共振图像。
进一步地,所述病灶检测的方法包括如下步骤:
(1)对每层乳腺部分的剪影图像根据灰度直方图进行阈值分割;
(2)在阈值分割后的图像上进行检测,若三维连通区域的体积小于阈值b,则去除所述三维连通区域;
(3)在阈值分割后的图像上,依次得到三维连通域,对每个连通域进行二维投影,对所述二维投影进行检测,当满足时,则去除所述三维连通域,获得第二图像;
所述lmax为所述二维投影最长轴的长度,所述S为该连通域二维投影的面积,所述阈值b的取值范围为10~50立方毫米,所述c为倍数,其取值范围为0.9~1.2。
进一步地,所述阈值分割方法包括如下步骤:
(1)对每层乳腺部分的剪影图像计算灰度直方图,根据所述灰度直方图分别定义第k层的高阈值Tk1和低阈值Tk2
(2)若第k层图像的高阈值Tk1<a×Tave,则以高阈值Tk1对该层进行阈值分割;
(3)若第k层图像的高阈值Tk1≥a×Tave,则以低阈值Tk2对该层进行阈值分割;
所述k取自然数,所述阈值Tave为各层剪影图的高阈值平均值,所述a为倍数,取值范围为0.9~1.2。
进一步地,其特征在于,对所述阈值分割后的图像进行滤波器去噪处理。
进一步地,所述连通域检测前进行闭操作。
与现有技术相比,本发明具有以下优点:(1)本发明提出一种分割乳腺病灶的方法,无须用户手动提供种子点,简单、有效且快速,可广泛应用于各种注射造影剂的核磁共振成像数据。(2)稳定性以及鲁棒性强,不仅适用于普通的乳腺核磁共振成像,对于抑脂的乳腺图像也有效。(3)不会因为成像脂肪部分不够饱满而出现乳腺区域分割不准确的情形。(4)对分割后的乳腺区域进行病灶检测不存在模板局限性的问题。(5)可以检测到一个以上的病灶区域。
附图说明
图1所示为本发明一个实施例分割乳腺病灶方法的流程示意图;
图2所示为本发明一个实施例分割乳腺病灶方法的胸部粗分割流程示意图;
图3所示为本发明一个实施例分割乳腺病灶方法的病灶检测的流程示意图;
图4a~图4j为图1实施例所示的各阶段的结果示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
其次,本发明利用示意图进行详细描述,在详述本发明实施例时,为便于说明,所述示意图只是实例,其在此不应限制本发明保护的范围。
为了解决背景技术中的技术问题,本实施例提供了一种分割乳腺病灶的方法。图1所示为本发明一个实施例分割乳腺病灶方法的流程示意图,请参见图1:
首先,执行步骤S11:对注射造影剂前的磁共振图像基于椭圆模型进行胸部粗分割,获得第一图像,所述胸部粗分割步骤用于去除诸如心脏等高亮部分的影像,减少图像处理过程中的数据计算量,同时减少高亮影像部分所导致的假阳性肿块,提高分割乳腺病灶的准确性。
具体地,如图2本发明实施例分割乳腺病灶方法的胸部粗分割流程示意图所示,所述第一图像的取得包括如下步骤:
首先执行步骤S21:对所述注射造影剂前的磁共振图像从上到下逐行进行检测,当检测到连通域的范围达到阈值M时,停止检测并记录行数N′;接着执行步骤S22:以行数N1=N′+n作为椭圆的起始行,以所述注射造影剂前的磁共振图像的最后一行作为椭圆的终止行为行数N2,在所述起始行N1和终止行N2之间进行椭圆分割处理;需要说明的是,两处乳房并不连通,所以乳腺部分连通域的面积小于胸部连通域的面积,可以通过设定阈值M来检测乳腺部分和胸部部分,进行所述胸部的粗分割;所述阈值M的取值范围为所述磁共振图像宽度的40~60%,本实施例中优选阈值M为50%,所述行数n的取值范围为5~20行,以防遗漏乳房与胸部连接边缘的可疑病灶,本实施例优选n为10行。
继续执行步骤S23~S27:在所述椭圆分割处理后的磁共振图像上,从上到下逐行检测,当测得灰度值为非零值时,停止检测,记录行数N′1作为乳腺部分的起始行,同时记录非零值的像素点所在的列数L;接着在所述椭圆分割处理后的磁共振图像上从下到上逐行检测第L列,当测得的灰度值为非零值时,停止检测,记录行数N′2作为乳腺部分的终止行,最后在所述起始行N′1和终止行N′2之间提取所述乳腺部分,去除所述胸部椭圆分割操作后的背景,获得所述第一图像。
需要说明的是,如图4a所示的注射造影剂前的磁共振图像进行胸部粗分割时,首先进行滤波器的去噪处理,用于去除背景噪音,获得如图4b所示去噪后的磁共振图像,所述滤波器去噪处理可以采用中值滤波器、高斯滤波器、高通滤波器、低通滤波器、均值滤波器等对图像进行滤波,本实施例优选中值滤波器,用于去除点状的礁岩噪音;接着进行闭操作,对滤波后的图像进行边缘规则化的填充操作,获得如图4c所示的闭操作后的磁共振图像,以防止图像上出现断层和空洞现象。
接着,执行步骤S12:对所述注射造影剂前、后的磁共振图像进行剪影,获得如图4d所示的剪影图像,接着根据第一图像,在所述剪影图像中提取乳腺部分,获得如图4e所示乳腺部分的剪影图像;所述注射造影剂前、后的磁共振图像进行剪影前,首先进行配准操作。
需要说明的是,本实施例中注射造影剂后的磁共振图像为如图4f所示的造影剂初始增强的磁共振图像,所述造影剂初始增强的磁共振图像为注射造影剂后大约60~70毫秒左右采集到的磁共振图像,以区别其它增强图像造成的正常组织同样变亮而引起的误诊和漏诊。
继续执行步骤S13:对每层乳腺部分的剪影图像进行病灶检测,获得第二图像,用以检测可疑的乳腺病灶并去除血管、小体积噪点等假阳性肿块,提高分割乳腺病灶的准确率。
具体地,如图3本发明一个实施例分割乳腺病灶方法的病灶检测的流程示意图所示,首先执行步骤S31~S33:对每层乳腺部分的剪影图像根据灰度直方图进行阈值分割,首先对每层乳腺部分的剪影图像计算灰度直方图,根据所述灰度直方图分别定义每层图像的高、低阈值,例如第k层的高阈值Tk1和低阈值Tk2;若第k层图像的高阈值Tk1<a×Tave,则以高阈值Tk1对该层进行阈值分割;若第k层图像的高阈值Tk1≥a×Tave,则以低阈值Tk2对该层进行阈值分割,最终获得如图4g所示阈值分割后的磁共振图像。其中,所述k取自然数,阈值Tave为各层乳腺部分剪影图的高阈值平均值,所述a为倍数,其取值范围为0.9~1.2。
具体地,取两层乳腺部分的剪影图像,根据第一层乳腺部分剪影图像的灰度直方图选取保留至少最亮的300个像素点的高阈值T11,设定T11=1000;同样地根据第二层剪影图像的灰度直方图选取保留至少最亮的300个像素点的高阈值T21,设定T21=3000,两层剪影图像的高阈值平均值Tave=1500,取倍数a=1.2,则T11<1.2×Tave,说明第一层剪影图像中比较亮的像素点数较少,含有可疑病灶的可能性较小,因此,以高阈值T11=1000对该层进行阈值分割,而T21≥1.2×Tave,说明该层包含比较亮的像素点数较多,含有病灶的可能性高,因此以该层的低阈值T22对图像进行阈值分割,以尽可能保留潜在病灶的信息,例如第二层剪影图像的低阈值T22=2000进行阈值分割后,可以获得至少最亮的3000个像素点,包含更多的潜在病灶信息,提高检测分割病灶的准确性。
接着执行步骤S34:在阈值分割后的图像上首先进行滤波器去噪处理,获得如图4h所示去噪后的阈值分割图像,接着对所示去噪后的阈值分割图像进行检测,若三维像素点数的体积小于阈值b,则去除所述三维像素点;因病灶具有一定体积,可以通过本步骤排除体积过小的噪音等干扰因素,提高分割病灶的准确性。本实施例中阈值b为经验值,依据图像情况而定,在本实施例中阈值b取10~50立方毫米。
继续执行步骤S35:首先在阈值分割后的图像上,依次得到三维连通域,依次对每个连通域进行二维投影,以防止不同层的血管与肿瘤在二维投影时发生重叠或连接,影响分割结果。接着依次对所述二维投影进行检测,当满足时,则去除所述三维连通域。其中,所述lmax为所述二维投影最长轴的长度,面积S为该连通域的二维投影面积,所述c为倍数,其取值范围为0.9~1.2。本步骤用于去除非圆形假阳性肿块,例如血管等。最后执行步骤S36:通过进行病灶检测,获得第二图像;所述第二图像为如图4i所示的病灶检测后的磁共振图像。
本步骤通过阈值分割、三维像素点的体积大小以及连通域的二维投影面积与最长轴的比较,有效地去除不同形状、大小的假阳性肿块,提高本实施例分割乳腺病灶方法的准确性。
最后执行步骤S14:在所述第二图像上依次找到三维连通域,依次以每个连通域的重心为种子点在所述剪影图像上进行自适应的区域增长,获得如图4j所示的分割病灶后的磁共振图像,以供医生作为辅助医学诊断。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。

Claims (10)

1.一种分割乳腺病灶的方法,其特征在于,包括如下步骤:
(1)对注射造影剂前的磁共振图像基于椭圆模型进行胸部粗分割,获得第一图像;
(2)对所述注射造影剂前、后的磁共振图像进行剪影,在获得的剪影图像上基于所述第一图像提取乳腺部分的剪影图像;
(3)对每层乳腺部分的剪影图像进行病灶检测,获得第二图像;
(4)在所述第二图像上依次找到三维连通域,依次对每个连通域以重心为种子点在所述剪影图像上进行自适应的区域增长,获得分割后的乳腺可疑病灶的磁共振图像。
2.如权利要求1所述的分割乳腺病灶的方法,其特征在于,所述胸部粗分割前进行滤波器去噪处理和闭操作。
3.如权利要求2所述的分割乳腺病灶的方法,其特征在于,所述滤波器去噪处理利用中值滤波器、高斯滤波器、高通滤波器、均值滤波器或低通滤波器。
4.如权利要求1所述的分割乳腺病灶的方法,其特征在于,所述第一图像的取得包括如下步骤:
(1)对所述注射造影剂前的磁共振图像从上到下逐行进行检测,当检测到连通域的范围达到阈值M时,停止检测并记录行数N′;
(2)以行数N1=N′+n作为椭圆的起始行,以所述注射造影剂前的磁共振图像的最后一行作为椭圆的终止行为行数N2,进行椭圆分割处理;
(3)对椭圆分割后的图像从上到下逐行检测,当测得的灰度值为非零值时,停止检测,记录行数N′1作为乳腺部分的起始行,并记录所述非零值的像素点所在的列数L;
(4)对椭圆分割后的图像从下到上逐行检测第L列,当测得的灰度值为非零值时,停止检测,记录行数N′2作为乳腺部分的终止行,以所述起始行N′1和终止行N′2提取所述乳腺部分,获得第一图像;
所述阈值M的取值范围为所述磁共振图像宽度的40~60%,所述行数n取自然数,取值范围为5~20行。
5.如权利要求1所述的分割乳腺病灶的方法,其特征在于,所述剪影步骤前对所述注射造影剂前、后的磁共振图像进行配准操作。
6.如权利要求1~5中任意一项所述的分割乳腺病灶的方法,其特征在于,所述注射造影剂后的磁共振图像为造影剂初始增强的磁共振图像。
7.如权利要求1所述的分割乳腺病灶的方法,其特征在于,所述病灶检测的方法包括如下步骤:
(1)对每层乳腺部分的剪影图像根据灰度直方图进行阈值分割;
(2)在阈值分割后的图像上进行检测,若三维连通区域的体积小于阈值b,则去除所述三维连通区域;
(3)在阈值分割后的图像上,依次得到三维连通域,对每个连通域进行二维投影,对所述二维投影进行检测,当满足时,则去除所述三维连通域,获得第二图像;
所述lmax为所述二维投影最长轴的长度,所述S为该连通域二维投影的面积,所述阈值b的取值范围为10~50立方毫米,所述c为倍数,其取值范围为0.9~1.2。
8.如权利要求7所述的分割乳腺病灶的方法,其特征在于,所述阈值分割方法包括如下步骤:
(1)对每层乳腺部分的剪影图像计算灰度直方图,根据所述灰度直方图分别定义第k层的高阈值Tk1和低阈值Tk2
(2)若第k层图像的高阈值Tk1<a×Tave,则以高阈值Tk1对该层进行阈值分割;
(3)若第k层图像的高阈值Tk1≥a×Tave,则以低阈值Tk2对该层进行阈值分割;
所述k取自然数,所述阈值Tave为各层剪影图的高阈值平均值,所述a为倍数,取值范围为0.9~1.2。
9.如权利要求7或8所述的分割乳腺病灶的方法,其特征在于,对所述阈值分割后的图像进行滤波器去噪处理。
10.如权利要求7所述的分割乳腺病灶的方法,其特征在于,所述连通域检测前进行闭操作。
CN201310172570.4A 2013-05-10 2013-05-10 一种分割乳腺病灶的方法 Active CN104143035B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310172570.4A CN104143035B (zh) 2013-05-10 2013-05-10 一种分割乳腺病灶的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310172570.4A CN104143035B (zh) 2013-05-10 2013-05-10 一种分割乳腺病灶的方法

Publications (2)

Publication Number Publication Date
CN104143035A true CN104143035A (zh) 2014-11-12
CN104143035B CN104143035B (zh) 2016-01-20

Family

ID=51852207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310172570.4A Active CN104143035B (zh) 2013-05-10 2013-05-10 一种分割乳腺病灶的方法

Country Status (1)

Country Link
CN (1) CN104143035B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118056A (zh) * 2015-08-13 2015-12-02 重庆大学 基于三维形态学的冠脉血管自动提取方法
CN105335742A (zh) * 2015-09-02 2016-02-17 清华大学 一种基于鲁棒特征统计的三维区域自适应分割方法
CN109350089A (zh) * 2018-10-25 2019-02-19 杭州医学院 一种基于ct图像的甲状腺区域自动分割方法
CN109740600A (zh) * 2019-01-04 2019-05-10 上海联影医疗科技有限公司 高亮病灶区域的定位方法、装置、计算机设备以及存储介质
CN110490851A (zh) * 2019-02-15 2019-11-22 腾讯科技(深圳)有限公司 基于人工智能的乳腺图像分割方法、装置及系统
CN110648338A (zh) * 2019-09-25 2020-01-03 上海微创医疗器械(集团)有限公司 图像分割方法、可读存储介质及图像处理装置
CN110706241A (zh) * 2019-09-30 2020-01-17 东软医疗系统股份有限公司 一种三维病灶区域提取方法和装置
CN111383328A (zh) * 2020-02-27 2020-07-07 西安交通大学 一种面向乳腺癌病灶的3d可视化方法及系统
CN112686875A (zh) * 2021-01-04 2021-04-20 浙江明峰智能医疗科技有限公司 基于神经网络的pet-ct图像的肿瘤预测方法及计算机可读存储介质
CN116152051A (zh) * 2023-02-27 2023-05-23 上海福柯斯智能科技有限公司 一种x射线图像的分块配准图像剪影方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080101678A1 (en) * 2006-10-25 2008-05-01 Agfa Healthcare Nv Method for Segmenting Digital Medical Image
CN101334895A (zh) * 2008-08-07 2008-12-31 清华大学 一种针对动态增强乳腺磁共振影像序列的影像分割方法
CN102521833A (zh) * 2011-12-08 2012-06-27 东软集团股份有限公司 一种从胸部ct图像中获得气管树的方法及装置
CN102764125A (zh) * 2012-07-20 2012-11-07 华东师范大学 基于磁共振图像人体腹部脂肪体积的半自动量化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080101678A1 (en) * 2006-10-25 2008-05-01 Agfa Healthcare Nv Method for Segmenting Digital Medical Image
CN101334895A (zh) * 2008-08-07 2008-12-31 清华大学 一种针对动态增强乳腺磁共振影像序列的影像分割方法
CN102521833A (zh) * 2011-12-08 2012-06-27 东软集团股份有限公司 一种从胸部ct图像中获得气管树的方法及装置
CN102764125A (zh) * 2012-07-20 2012-11-07 华东师范大学 基于磁共振图像人体腹部脂肪体积的半自动量化方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118056A (zh) * 2015-08-13 2015-12-02 重庆大学 基于三维形态学的冠脉血管自动提取方法
CN105118056B (zh) * 2015-08-13 2017-11-17 重庆大学 基于三维形态学的冠脉血管自动提取方法
CN105335742A (zh) * 2015-09-02 2016-02-17 清华大学 一种基于鲁棒特征统计的三维区域自适应分割方法
CN109350089A (zh) * 2018-10-25 2019-02-19 杭州医学院 一种基于ct图像的甲状腺区域自动分割方法
CN109350089B (zh) * 2018-10-25 2022-03-08 杭州医学院 一种基于ct图像的甲状腺区域自动分割方法
CN109740600B (zh) * 2019-01-04 2020-11-27 上海联影医疗科技股份有限公司 高亮病灶区域的定位方法、装置、计算机设备以及存储介质
CN109740600A (zh) * 2019-01-04 2019-05-10 上海联影医疗科技有限公司 高亮病灶区域的定位方法、装置、计算机设备以及存储介质
CN110490851A (zh) * 2019-02-15 2019-11-22 腾讯科技(深圳)有限公司 基于人工智能的乳腺图像分割方法、装置及系统
US11954864B2 (en) 2019-02-15 2024-04-09 Tencent Technology (Shenzhen) Company Limited Medical image segmentation method, image segmentation method, and related apparatus and system
CN110648338A (zh) * 2019-09-25 2020-01-03 上海微创医疗器械(集团)有限公司 图像分割方法、可读存储介质及图像处理装置
CN110648338B (zh) * 2019-09-25 2023-02-17 上海微创卜算子医疗科技有限公司 图像分割方法、可读存储介质及图像处理装置
CN110706241A (zh) * 2019-09-30 2020-01-17 东软医疗系统股份有限公司 一种三维病灶区域提取方法和装置
CN110706241B (zh) * 2019-09-30 2023-07-04 沈阳智核医疗科技有限公司 一种三维病灶区域提取方法和装置
CN111383328A (zh) * 2020-02-27 2020-07-07 西安交通大学 一种面向乳腺癌病灶的3d可视化方法及系统
CN111383328B (zh) * 2020-02-27 2022-05-20 西安交通大学 一种面向乳腺癌病灶的3d可视化方法及系统
CN112686875A (zh) * 2021-01-04 2021-04-20 浙江明峰智能医疗科技有限公司 基于神经网络的pet-ct图像的肿瘤预测方法及计算机可读存储介质
CN116152051A (zh) * 2023-02-27 2023-05-23 上海福柯斯智能科技有限公司 一种x射线图像的分块配准图像剪影方法和装置
CN116152051B (zh) * 2023-02-27 2023-12-01 上海福柯斯智能科技有限公司 一种x射线图像的分块配准图像剪影方法和装置

Also Published As

Publication number Publication date
CN104143035B (zh) 2016-01-20

Similar Documents

Publication Publication Date Title
CN104143035B (zh) 一种分割乳腺病灶的方法
CN108010021B (zh) 一种医学图像处理系统和方法
Nagi et al. Automated breast profile segmentation for ROI detection using digital mammograms
Joshi et al. Classification of brain cancer using artificial neural network
Charutha et al. An efficient brain tumor detection by integrating modified texture based region growing and cellular automata edge detection
Sreeja et al. An improved feature based image fusion technique for enhancement of liver lesions
CN103942799B (zh) 一种乳腺超声图像分割方法及系统
US20180338740A1 (en) Systems and methods for automated analysis of heterotopic ossification in 3d images
CN103514597A (zh) 图像处理装置
Benson et al. Brain tumor extraction from MRI brain images using marker based watershed algorithm
Deshpande et al. Automatic segmentation, feature extraction and comparison of healthy and stroke cerebral vasculature
Somasundaram et al. Brain segmentation in magnetic resonance human head scans using multi-seeded region growing
Somasundaram et al. Contour-based brain segmentation method for magnetic resonance imaging human head scans
US10002428B2 (en) Method and system for identifying bleeding
CN102419864A (zh) 一种提取脑部ct图像骨骼方法及装置
Shao et al. Application of U-Net and Optimized Clustering in Medical Image Segmentation: A Review.
Khan et al. Automatic segmentation of liver & lesion detection using H-minima transform and connecting component labeling
Nayak et al. Retinal blood vessel segmentation for diabetic retinopathy using multilayered thresholding
Almi'ani et al. Automatic segmentation algorithm for brain MRA images
Myint et al. Effective kidney segmentation using gradient based approach in abdominal CT images
CN112150406A (zh) 一种基于ct影像的气胸致肺萎陷程度精确计算方法
CN116129184A (zh) 多期相病灶分类方法、装置、设备及可读存储介质
Khan et al. Overview of technical elements of liver segmentation
Franchi et al. A shape-based segmentation algorithm for X-ray digital subtraction angiography images
Lui et al. Semiautomatic segmentation of ventilated airspaces in healthy and asthmatic subjects using hyperpolarized 3He MRI

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 201815 Shanghai City, Jiading District Jiading Industrial Zone No. 1180 Building 8 Hing Road

Patentee after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201815 Shanghai City, Jiading District Jiading Industrial Zone No. 1180 Building 8 Hing Road

Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: 201807 2258 Chengbei Road, Jiading District, Shanghai

Patentee after: Shanghai Lianying Medical Technology Co.,Ltd.

Address before: 201815 No. 1180 Xingxian Road, Jiading Industrial Zone, Jiading District, Shanghai

Patentee before: Shanghai Lianying Medical Technology Co.,Ltd.