CN104463862A - 肾脏ct序列图像快速分割方法 - Google Patents
肾脏ct序列图像快速分割方法 Download PDFInfo
- Publication number
- CN104463862A CN104463862A CN201410724640.7A CN201410724640A CN104463862A CN 104463862 A CN104463862 A CN 104463862A CN 201410724640 A CN201410724640 A CN 201410724640A CN 104463862 A CN104463862 A CN 104463862A
- Authority
- CN
- China
- Prior art keywords
- roi
- kidney
- region
- image
- frame
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30084—Kidney; Renal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种肾脏CT序列图像快速分割方法。包含的步骤有:步骤1、对于给定CT图像序列中包含肾脏部分的一张图片,人工确定将肾脏区域与周边区域能够大致区分开来的灰度阈值;步骤2、CT序列图像初始肾脏矩形感兴趣矩形区域ROI获取;步骤3、ROI区域的优化;步骤4、利用GrabCut算法对当前序列图像的ROI区域进行分割;步骤5、利用得到的ROI对序列CT图像进行TLD跟踪,得到更新的ROI;步骤6、依次循环执行步骤3、4、5直至图像序列结束,完成对整个序列图像进行快速准确分割。本发明最大化减小分割操作的处理区域,提高处理速度。为保证精度,这里提出优化ROI的方法,最终得到可靠的分割结果。
Description
技术领域
本发明涉及本发明属于图像处理技术领域,具体涉及一种肾脏CT序列图像快速分割方法。
背景技术
计算机断层成像(Computed Tomography,CT)技术在临床医学中得到了广泛地应用。CT序列图像的肾脏分割是泌尿科医务人员和研究人员面对的一个重要问题。CT图像的肾脏分割有利于医务人员对肾脏部位信息有更加全面的了解,进而对肾脏的健康状况及治疗方案有更为准确的判断,并且肾脏分割是肾脏CT图像的配准、三维建模及可视化的基础。传统的人工图像分割方法,通过利用医务人员经验知识,可以得到较为精确的分割结果。但是,人工分割极度耗时,工作量也成为挑战。
图像处理、机器学习等医学图像理论的发展,使半自动甚至自动分割变为可能,从而极大提高分割的效率。目前,医学图像分割的方法主要包括:阈值分割、活动轮廓、区域生长、图割、基于模型的分割方法等等。但是,由于人体肾脏CT图像自身具有低对比度、边缘模糊及个体差异性大等特点,现有的图像分割方法都存在不同的问题,而且针对不同人体器官的分割效果不同,甚至差异性极大。
例如,图割(Graph Cut)的方法实现过程为认为指定代表前景和背景,利用图论中的最大流/最小割理论,寻找最优分类结果,即为最终的图像分割结果。详见文献:Daniel Freedman and Tao Zhang,“Interactive Graph Cut BasedSegmentation With Shape Priors”,Proceedings of the 2005 IEEE ComputerSociety Conference on Computer Vision and Pattern Recognition,vol.1,pp.755-762,June 2005。由于该方法在处理序列图像中每一副图像都需要人工参与指定前景和背景,极大限制了该方法处理速率。基于自动阈值的方法,得到很好的处理速率,但是由于CT图像一般具有不均匀的特征全局阈值的选取对于处理肾脏CT图像效果不佳,参考文献见:Gao yan and Wang boliang,“Automatic Segmentation of Kidney without using Contrast Medium onAbdominal CT Images”,Proceedings of 2008 3rd International Conferenceon Intelligent System and Knowledge Engineering,vol.1,pp.1242-1246,November 2008。
发明内容
本发明针对现有分割方法分割精度及效率不能兼顾的不足,提出一种肾脏CT序列图像快速分割方法。本方法不仅使得完整精确分割变为可能,而且在分割精度上得到提升,极大的提高了分割效率。
本发明所采用的技术方案是:一种肾脏CT序列图像快速分割方法,该方法包含了下述步骤:
步骤一:对于给定CT图像序列中包含肾脏部分的一张图片,人工确定将肾脏区域与周边区域能够大致区分开来的灰度阈值;
步骤二:CT序列图像初始肾脏矩形感兴趣矩形区域ROI获取:根据已有肾脏CT图片的大小、位置信息,初步确定大致ROI;
步骤三:ROI区域的优化:预判ROI会存在偏差,这里需要进行ROI区域的优化调整,ROI区域利用步骤一中确定的阈值进行阈值化,圆形掩模依次从边框滑动,当掩模中出现亮区,则相应边框向外移动,直到肾脏完全位于ROI区域内;
步骤四:利用GrabCut算法对当前序列图像的ROI区域进行分割;
步骤五:对于当前的ROI作为TLD跟踪算法的输入,在第一次执行跟踪算法时初始化,对检测模块分类器进行训练,在之后的每一张序列图片中,依次执行跟踪、检测、综合、学习模块,并输出综合模块中得到的更新的ROI区域;
步骤六:依次循环执行步骤三、四、五,直至图像序列结束,完成对整个序列图像进行准确分割。
本发明还具有如下技术特征:
1、如上所述步骤一中:选择阈值的标准是将肾脏80%的区域与周边区域区分开来。
2、如上所述步骤三中,ROI区域的优化的过程为:ROI区域利用步骤1中确定的阈值进行阈值化并选取最大连通区域,对于最大连通区域进行ROI圆形掩模M,取半径为r=1/100H,依次从边框滑动,当掩模中出现亮区面积超过掩模面积1/6时,则相应边框向外移动,直到肾脏完全位于ROI区域内;定义矩形边框为L-左边框、U-上边框、R-右边框、D-下边框,矩形由对角线端点坐标(x1,y1),(x2,y2)确定,用{(x1,y1),(x2,y2)}形式表示两对角点形成的矩形,当掩模中出现亮区,则
其中,Δ设定值为r,另外,对于可能的动脉连接肾脏的情况,阈值化无法分离两部分,如果直接进行ROI区域优化,会导致ROI区域扩张过大,后续处理难以进行,为了防止这一结果发生,我们首先对方向ROI边框进行方向标记,对每次边框移动时掩膜所在的位置进行记录,当连续多次的边框移动发生在相同的掩膜位置,则认定为是由条状连接血管造成,ROI区域优化停止。
本发明的有益效果及优点:该方法通过快速自动地目标区域定位,避免了在序列图像分割中人工实时参与的弊端,有效解决了实际应用中人员工作量过大的问题,所以方法易于被推广运用。另外,通过目标区域定位这一方式,初步减小待分割的图像区域,对于分割算法而言,输入的范围的确定,可以使算法实现的运算量减小。另一方面,分割目标在局部范围内较为显著,可以最终分割精度相比与全局分割而言,不仅使得完整精确分割变为可能,而且在分割精度上得到提升,极大的提高了分割效率。
附图说明
图1为肾脏CT序列图像快速分割流程图;
图2为ROI的初始设置示意图;
图3为ROI优化过程示意图;
图4为ROI边框方向标注示意图。
具体实施方式
为了方便理解本发明内容,首先对用到的一些现有技术作简单介绍。
TLD跟踪算法是一种单目标长时间跟踪算法,对跟踪目标存在形状变化的情况有较好的跟踪结果,详见文献:Zdenek Kalal,Krystian Mikolajczyk,andJiri Matas,“Tracking-Learning-Detection,”IEEE Transactions OnPatteen Analysis And Machine Intelligence,vol.34,pp.1409-1422,July2012。在正常肾脏CT医学序列图像中,肾脏的形状变化很大,TLD跟踪算法给准确的跟踪定位设定的区域提供了一种解决办法。
TLD算法由三部分组成:跟踪模块、检测模块和学习模块。算法的运行机制为检测模块和跟踪模块互补的并行处理。首先,跟踪模块假设相邻序列图像之间目标的运动有限,且被跟踪目标是可见的,以此来估计目标的运动。如果目标在图像视野中消失,将造成跟踪失败。检测模块假设每一幅图像都是彼此独立的,并且根据以往检测和学习到的目标模型,对每一帧图片进行全图搜索以定位目标可能出现的区域。学习模块则是根据跟踪模块的所得的结果对检测模块可能产生的错误进行评估,进而根据评估结果生成训练样本,从而对检测模块的目标模型进行更新,同时对跟踪模块的“特征点”进行更新,以此来避免以后出现类似的错误。检测模块包括方差检测模块、分类器集合检测模块、最近邻分类器,而跟踪模块则执行金字塔LK光流跟踪算法。
TLD算法中几个关键定义如下:
定义1:空间相似度是用来描述两个图像之间的相似程度,可以用重叠度来度量,计算方法为两个图像的交集与两者并集的商。一般是通过在原图像中采集较小的图像片如15*15来计算图像片的相似度,用pi、pj表示两图像片,则图像片pi、pj相似度定义为
S(pi,pj)=0.5(NCC(pi,pj)+1)
其中NCC表示归一化的相关系数。
定义2:目标模型用来代表目标和背景的结构。用一系列目标正样本p+和背景负样本p-的集合表示
对于任意图像片p和目标模型M,定义以下相似度度量:
(1)正样本最近邻相似度:
(2)负样本最近邻相似度:
(3)相关相似度: 表示图像片代表目标的可能性
最近邻分类器:对于任意一个图像片p,如果Sγ(p,M)>θNN,则该图像片被分类为正样本,否则分为负样本。而在实际应用中,采用如下策略更新目标模型,定义参数m(p,M)=Sγ(p,M)-θNN,对于图像片p,若m(p,M)=Sγ(p,M)-θNN小于给定阈值λ,则将该图像片添加到目标模型M(正样本库)中。
对于TLD跟踪得到的ROI区域的分割采用GrabCut算法。GrabCut算法是以图割GraphCut算法为基础的一个改进算法。该算法的显著优点是支持不完全的标注,即指定目标框后,用户无需指定前景、背景,算法可以自动确定目标的分割。这样TLD跟踪结果ROI目标框直接应用GrabCut算法,就可以得到肾脏的分割结果。
本发明的分割方法如图1所示,包含如下步骤:
步骤1、对于给定CT图像序列中包含肾脏部分的一张图片,人工确定将肾脏区域与周边区域能够大致区分开来的灰度阈值,。这里由于肾脏区域的灰度范围较大,无法通过阈值化将肾脏区域从周边区域完整的分割出来,因此我们此处选择阈值的标准是将肾脏80%左右的区域与周边区域区分开来即可。
步骤2、用户指定CT序列图像初始肾脏感兴趣矩形区域ROI。用户在肾脏部位顶端部所在的CT图像上用鼠标指定该图像上肾脏所在的区域,初步确定ROI。图2显示的是用户在图像序列的初始位置指定初始ROI。这里定义腹腔大小为W*H,分割过程以右肾为例,左肾分割重复整个流程即可。
步骤3、ROI区域的优化。同一个体的CT序列图像中预判ROI(包含人工指定ROI、下文步骤5中跟踪结果ROI)会存在偏差,这里需要进行ROI区域的优化调整。图3显示的是ROI优化的过程。ROI区域利用步骤1中确定的阈值进行阈值化并选取最大连通区域,对于最大连通区域进行ROI圆形掩模M(根据肾脏CT图像特征,我们取半径为r=1/100H)依次从边框滑动,当掩模中出现亮区面积超过掩模面积1/6时,则相应边框向外移动,直到肾脏完全位于ROI区域内。定义矩形边框为L(左边框)、U(上边框)、R(右边框)、D(下边框),矩形由对角线端点坐标(x1,y1),(x2,y2)确定,用{(x1,y1),(x2,y2)}形式表示两对角点形成的矩形。当掩模中出现亮区,则
其中,Δ设定值为r,这样设定主要是保证在前后两次检测中,亮区里点不会重复检测,同时也保证ROI区域比较精确,尽可能少的包含邻接区域部分。另外,对于可能的动脉连接肾脏的情况,阈值化无法分离两部分,如果直接进行ROI区域优化,会导致ROI区域扩张过大,后续处理难以进行。为了防止这一结果发生,我们首先对方向ROI边框进行方向标记,图4显示的是ROI边框方向标记示意图。对每次边框移动时掩膜所在的位置进行记录,当连续多次(例如6次)的边框移动发生在相同的掩膜位置,则认定为是由条状连接血管造成,ROI区域优化停止。
步骤4、利用GrabCut算法对当前序列图像的ROI区域进行分割,得到精确分割完的肾脏区域。
步骤5、对于得到的ROI作为TLD跟踪算法的输入,在第一次执行跟踪算法时初始化,对检测模块分类器进行训练,具体过程为:通过人工指定的肾脏部分(目标框),首先通过目标框周围区域生成训练正样本集,以及图像剩余部分作为负样本集,以此正、负样本集训练集合分类器与最近分类器。对之后的每一张序列图片,依次执行跟踪、检测、综合、学习模块,并输出综合模块中得到的更新的ROI区域。跟踪部分利用金字塔LK光流法,该方法是通过在目标局部区域均匀分布特征点,通过这些特征点在帧间的改变确定目标的移动。检测部分使图像片依次通过方差分类器、集合分类器和最近邻分类器,得到若全部通过,则认为含有前景目标。方差分类器通过判断检测窗口的方差是否大于目标图像片方差的50%,若大于则进入集合分类器模块;集合分类器是随机森林的树状结构,包含10个基本分类器,检测窗口提取特征后与每个基本分类器比较,得到一个后验概率,通过得到的10个后验概率平均值与阈值比较,如果大于该阈值则判断该窗口里包含前景目标,这样会得到若干窗口,选取概率值较大的不超过100个窗口进入最近邻分类器。最近邻分类器计算图像片与在线目标模型M的相似度,如果相似度大于阈值,则认为含有前景目标。学习模块,先计算跟踪模块的目标图像片与在线模型M的相似度,当大于一定阈值,进行学习过程。学习过程先生成集合分类器和最近邻分类器的训练正、负样本,然后针对训练正、负样本更新集合分类器与最近邻分类器,同时得到更新的在线模型M(正样本库)。此方案中在线模型M更新过程中,阈值λ值反映正样本的波动范围,表征检测的鲁棒性,但该值如果设定过大会影响检测速度和准确性,该值过小容易检测失败。根据实际测试这里根据肾脏CT序列图像的片间间距D(单位:mm)设定λ为:
综合模块是综合跟踪模块的一个跟踪结果和检测模块的多个检测结果,得到相似度最大的目标作为最终跟踪结果的目标,具体实现过程为首先对检测结果进行聚类,在把与跟踪器跟踪结果(目标框)相近的检测结果(目标框)按照一定权值作平均得到最终的结果。
若在此步骤中跟踪失败,则执行步骤2,分割过程继续进行。
步骤6、依次循环执行步骤3、4、5直至图像序列结束,完成对整个序列图像进行快速准确分割。
本方法通过快速自动地目标区域定位,避免了在序列图像分割中人工实时参与的弊端,有效解决了实际应用中人员工作量过大的问题,所以方法易于被推广运用。另外,通过目标区域定位这一方式,初步减小待分割的图像区域,对于分割算法而言,输入的范围的确定,可以使算法实现的运算量减小。另一方面,分割目标在局部范围内较为显著,可以最终分割精度相比与全局分割而言,不仅使得完整精确分割变为可能,而且在分割精度上得到提升,极大的提高了分割效率。
Claims (3)
1.一种肾脏CT序列图像快速分割方法,其特征在于,该方法包含了下述步骤:
步骤一:对于给定CT图像序列中包含肾脏部分的一张图片,人工确定将肾脏区域与周边区域能够大致区分开来的灰度阈值;
步骤二:CT序列图像初始肾脏矩形感兴趣矩形区域ROI获取:根据已有肾脏CT图片的大小、位置信息,初步确定大致ROI;
步骤三:ROI区域的优化:预判ROI会存在偏差,这里需要进行ROI区域的优化调整,ROI区域利用步骤一中确定的阈值进行阈值化,圆形掩模依次从边框滑动,当掩模中出现亮区,则相应边框向外移动,直到肾脏完全位于ROI区域内;
步骤四:利用GrabCut算法对当前序列图像的ROI区域进行分割;
步骤五:对于当前的ROI作为TLD跟踪算法的输入,在第一次执行跟踪算法时初始化,对检测模块分类器进行训练,在之后的每一张序列图片中,依次执行跟踪、检测、综合、学习模块,并输出综合模块中得到的更新的ROI区域;
步骤六:依次循环执行步骤三、四、五,直至图像序列结束,完成对整个序列图像进行准确分割。
2.根据权利要求1所述的一种肾脏CT序列图像快速分割方法,其特征在于,步骤一中:选择阈值的标准是将肾脏80%的区域与周边区域区分开来。
3.根据权利要求1所述的一种肾脏CT序列图像快速分割方法,其特征在于,步骤三中,ROI区域的优化的过程为:ROI区域利用步骤1中确定的阈值进行阈值化并选取最大连通区域,对于最大连通区域进行ROI圆形掩模M,取半径为r=1/100H,依次从边框滑动,当掩模中出现亮区面积超过掩模面积1/6时,则相应边框向外移动,直到肾脏完全位于ROI区域内;定义矩形边框为L-左边框、U-上边框、R-右边框、D-下边框,矩形由对角线端点坐标(x1,y1),(x2,y2)确定,用{(x1,y1),(x2,y2)}形式表示两对角点形成的矩形,当掩模中出现亮区,则
其中,Δ设定值为r,另外,对于动脉连接肾脏的情况,阈值化无法分离两部分,如果直接进行ROI区域优化,会导致ROI区域扩张过大,后续处理难以进行,为了防止这一结果发生,我们首先对方向ROI边框进行方向标记,对每次边框移动时掩膜所在的位置进行记录,当连续多次的边框移动发生在相同的掩膜位置,则认定为是由条状连接血管造成,ROI区域优化停止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410724640.7A CN104463862B (zh) | 2014-11-28 | 2014-11-28 | 肾脏ct序列图像快速分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410724640.7A CN104463862B (zh) | 2014-11-28 | 2014-11-28 | 肾脏ct序列图像快速分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463862A true CN104463862A (zh) | 2015-03-25 |
CN104463862B CN104463862B (zh) | 2017-03-22 |
Family
ID=52909844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410724640.7A Active CN104463862B (zh) | 2014-11-28 | 2014-11-28 | 肾脏ct序列图像快速分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463862B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887009A (zh) * | 2017-01-04 | 2017-06-23 | 努比亚技术有限公司 | 一种实现交互式图像分割的方法、装置及终端 |
CN108320301A (zh) * | 2018-01-26 | 2018-07-24 | 西安电子科技大学 | 一种基于跟踪学习检测的目标跟踪优化方法 |
CN109934829A (zh) * | 2019-03-13 | 2019-06-25 | 安徽紫薇帝星数字科技有限公司 | 一种基于三维图割算法的肝脏分割方法 |
CN110246145A (zh) * | 2019-06-21 | 2019-09-17 | 福州大学 | 一种腹部ct图像的分割方法 |
CN111724391A (zh) * | 2020-05-19 | 2020-09-29 | 浙江工业大学 | 一种基于动态阈值的淋巴癌图像精细分割方法 |
-
2014
- 2014-11-28 CN CN201410724640.7A patent/CN104463862B/zh active Active
Non-Patent Citations (5)
Title |
---|
PAOLA CAMPADELLI 等: "Automatic Abdominal Organ Segmentation from CT images", 《ELECTRONIC LETTERS ON COMPUTER VISION AND IMAGE ANALYSIS》 * |
李嘉刚 等: "GrabCut在人体序列切片图像分割中的应用", 《计算机技术与发展》 * |
李敏敏: "基于TLD模型的目标跟踪方法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
程立英 等: "一种基于TLD改进的视觉跟踪算法", 《科学技术与工程》 * |
黄丽平: "基于多层螺旋CT的肝脏图像分割方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887009A (zh) * | 2017-01-04 | 2017-06-23 | 努比亚技术有限公司 | 一种实现交互式图像分割的方法、装置及终端 |
CN106887009B (zh) * | 2017-01-04 | 2020-01-03 | 深圳市赛维电商股份有限公司 | 一种实现交互式图像分割的方法、装置及终端 |
CN108320301A (zh) * | 2018-01-26 | 2018-07-24 | 西安电子科技大学 | 一种基于跟踪学习检测的目标跟踪优化方法 |
CN108320301B (zh) * | 2018-01-26 | 2022-03-18 | 西安电子科技大学 | 一种基于跟踪学习检测的目标跟踪优化方法 |
CN109934829A (zh) * | 2019-03-13 | 2019-06-25 | 安徽紫薇帝星数字科技有限公司 | 一种基于三维图割算法的肝脏分割方法 |
CN109934829B (zh) * | 2019-03-13 | 2022-02-11 | 安徽紫薇帝星数字科技有限公司 | 一种基于三维图割算法的肝脏分割方法 |
CN110246145A (zh) * | 2019-06-21 | 2019-09-17 | 福州大学 | 一种腹部ct图像的分割方法 |
CN110246145B (zh) * | 2019-06-21 | 2023-02-21 | 福州大学 | 一种腹部ct图像的分割方法 |
CN111724391A (zh) * | 2020-05-19 | 2020-09-29 | 浙江工业大学 | 一种基于动态阈值的淋巴癌图像精细分割方法 |
CN111724391B (zh) * | 2020-05-19 | 2023-04-07 | 浙江工业大学 | 一种基于动态阈值的淋巴癌图像精细分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104463862B (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8538109B2 (en) | Method and system for dynamic pulmonary trunk modeling and intervention planning | |
Al-Bander et al. | Multiscale sequential convolutional neural networks for simultaneous detection of fovea and optic disc | |
Kim et al. | Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images | |
US8023734B2 (en) | 3D general lesion segmentation in CT | |
CN103150723B (zh) | 基于形状和椭圆拟合的胃部ct图像淋巴结检测系统及方法 | |
CN104463862A (zh) | 肾脏ct序列图像快速分割方法 | |
Kitamura et al. | Automatic coronary extraction by supervised detection and shape matching | |
Wang et al. | A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network | |
Rajathi et al. | Varicose ulcer (C6) wound image tissue classification using multidimensional convolutional neural networks | |
Krawczyk et al. | Bones detection in the pelvic area on the basis of YOLO neural network | |
Chitsaz et al. | Medical image segmentation using a multi-agent system approach. | |
Yang et al. | Unsupervised domain adaptation for cross-device OCT lesion detection via learning adaptive features | |
Zhang et al. | Database-guided breast tumor detection and segmentation in 2D ultrasound images | |
Potočnik et al. | Computerized detection and recognition of follicles in ovarian ultrasound images: a review | |
Chen et al. | Automatic ovarian follicle quantification from 3D ultrasound data using global/local context with database guided segmentation | |
Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
CN103914845A (zh) | 基于主动轮廓模型的超声图像分割中获取初始轮廓的方法 | |
Selvathi et al. | Brain region segmentation using convolutional neural network | |
Devasia et al. | Automatic Optic Disc Localization and Segmentation using Swarm Intelligence. | |
CN106372593B (zh) | 一种基于血管收敛的视盘区定位方法 | |
Gordon et al. | Evaluation of uterine cervix segmentations using ground truth from multiple experts | |
Li et al. | Automatic pulmonary vein and left atrium segmentation for TAPVC preoperative evaluation using V-net with grouped attention | |
Zhou et al. | Automatic organ segmentation on torso CT images by using content-based image retrieval | |
Wang et al. | Optic disc detection based on fully convolutional neural network and structured matrix decomposition | |
CN114176602B (zh) | 一种基于深度学习多目标检测同时定位心电p波、qrs波、t波位置的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |