CN104484874A - 基于ct造影成像的活体动物下肢血管分割方法 - Google Patents
基于ct造影成像的活体动物下肢血管分割方法 Download PDFInfo
- Publication number
- CN104484874A CN104484874A CN201410729255.1A CN201410729255A CN104484874A CN 104484874 A CN104484874 A CN 104484874A CN 201410729255 A CN201410729255 A CN 201410729255A CN 104484874 A CN104484874 A CN 104484874A
- Authority
- CN
- China
- Prior art keywords
- upsi
- circletimes
- bone
- segmentation
- image
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于CT造影成像的活体实验动物下肢血管分割方法。现有分割方法在小动物下肢血管分割中不适用。本发明得到活体小动物下肢区域的CT成像,去除下肢区域骨骼,进行稀疏加权和多尺度线性滤波,经归一化处理后进行Coarse到Fine血管分割。本发明的活体动物下肢血管分割方法可以完成活体动物下肢血管的全自动分割,并且本发明利用了CT图像的稀疏加权和多尺度线性滤波后的两种图像信息,弥补了传统基于灰度信息或者单一信息分割方法的不足,然后利用Coarse到Fine的分割方法,从而既节省时间,有能有效的完成血管的分割。
Description
技术领域
本发明属于医学影像处理技术领域,具体涉及一种基于CT造影成像的活体动物下肢血管分割方法。
背景技术
血管分割是解决医学影像数据处理问题、协助影像诊断和完善图像配准的关键技术之一。血管分割技术主要分为模式识别技术,包括多尺度方法,基于骨架的方法、区域增长方法、基于山脊的方法、基于微分几何的方法、匹配滤波方法和数学形态学方法;基于模型的方法,包括可变形模型、参数模型和广义圆柱方法;基于跟踪的方法和基于人工智能的方法等。目前这些血管分割技术已经广泛应用于神经血管结构的提取、视网膜血管分割、冠状动脉提取、乳房X射线照片血管提取、人类气道树分割、腹主动脉提取、肝脏血管提取、神经通道分割等。在实验医学领域,鼠类动物的下肢血管是重要的血管干预研究模型。然而,上述图像分割方法仅适用于人体较大的解剖学尺度,并不适用于实验动物尤其是小动物下肢血管的分割。
由于CT血管造影后的动物下肢血管通常对比度较差,并且血管网络复杂,很难采用标记起始点的半自动分割方法,例如基于骨架的方法、区域增长方法、基于山脊的方法、基于微分几何的方法、基于模型的方法和基于跟踪的方法。动物在不同年龄、不同体重间的个体差异也会严重影响其下肢血管的粗细程度,因此以往基于血管粗细先验信息的匹配滤波方法和数学形态学方法通常分割效果不佳。除此之外,血管的CT值分布有很好的聚类特性,然而背景的灰度值分布却非常广泛,其灰度值横跨空气到骨骼灰度,所以人工智能方法例如模糊C均值聚类方法通常会失败。
发明内容
本发明的目的是提供一种基于CT造影成像的活体动物下肢血管分割方法,克服传统CT图像分割方法在实验动物下肢血管分割中不适用的缺陷。
本发明所采用的技术方案是:
基于CT造影成像的活体动物下肢血管分割方法,其特征在于:
由以下步骤实现:
(1)活体动物下肢区域的CT成像:
利用X光探测器采集活体动物下肢区域多个角度的投影数据;
利用滤波反投影方法对投影数据进行重建,得到活体动物下肢区域的CT数据;
(2)骨骼去除:
对重建后的活体动物下肢区域的CT数据进行阈值分割,保证分割后的数据中包括完整的骨密质,所述骨密质为骨骼的外轮廓;
对骨密质做图像填充处理得到骨骼;
逐渐对骨骼进行膨胀处理,使得膨胀后的骨骼在视觉上恰好与CT重建后的骨骼完全重叠;
将膨胀后的骨骼所对应的坐标点置为空气的灰度值,得到活体动物下肢区域骨骼去除的CT图像;
(3)稀疏加权:
(3a)计算骨骼去除的CT图像每个灰度级体素所占体素总数的比例Ql;
其中υ为体素,S(υ)为体素的灰度值,l为灰度级,N为体素总数;
(3b)定义稀疏权重Wl;
Wl=Pl·exp(-α(Ql-Qm)),l=1,...,L;
其中Qm为Ql的中值,α为增强系数,控制着稀疏权重Wl对稀疏(血管)体素的增强程度,同时也控制着Wl对非稀疏(背景)体素的衰减程度;系数其中lm为l的加权平均值,即
(3c)稀疏加权后的图像为SSW(υ);
(4)多尺度线性滤波:
(4a)计算骨骼去除的CT图像每个体素的Hessian矩阵;
其中G(υ)为二维高斯函数,表示卷积,▽2为二阶导数算子;
(4b)根据高斯函数的可分性,将▽2G(υ)分解为其两个一维基函数的乘积,Hessian矩阵H(υ)的计算由两个一维卷积进行简化计算;
(4c)求Hessian矩阵H(υ)的特征值,得到三个特征值分别为λ1,λ2,λ3,,那么线性滤波的结果为V(υ);
其中σ2值为高斯函数的方差,代表线性滤波的尺度;
(4d)选取在不同尺度σ2下最大的线性滤波结果中的最大值V*(υ);
(5)归一化处理
对稀疏加权图像SSW(υ)和线性滤波图像V*(υ)按照下式进行归一化处理;
其中,iυ∈[0,1]和jυ∈[0,1]为归一化处理后的稀疏加权图像和线性滤波图像;
(6)Coarse到Fine血管分割:
(6a)定义分割目标函数F(iυ,jυ);
F(iυ,jυ)=|{(iυ,jυ)∈Ω|(iυ,jυ)∈∧}|-τ|{(iυ,jυ)∈Ω|(iυ,jυ)∈Ω-∧}|;
其中Ω为归一化的SSW(υ)和V*(υ)的全集空间,Λ为血管空间,补集Ω-Λ为背景空间,τ为分割参数,取值越大,表示算法对噪声的敏感性越强;
(6b)定义血管空间Λ;
其中Hn(υ),n=1,...,26为体素υ的26邻居体素;
(6c)采用Coarse到Fine策略求解目标函数F(iυ,jυ)取最大值时的分割结果υseg。
所述步骤(4b)中根据高斯函数的可分性,▽2G(υ)可以分解为其两个一维基函数的乘积,那么Hessian矩阵H(υ)的计算可以由两个一维卷积进行简化计算,按如下步骤进行:
(4b1)计算▽2G(υ)时需要用到的三个基函数;
(4b2)Hessian矩阵H(υ)可以由基函数表示;
(4b3)由两个一维基函数的卷积计算Hessian矩阵H(υ);
所述步骤(6c)中采用Coarse到Fine策略求解最优分割目标函数F(iυ,jυ),按如下步骤进行:
(6c1)分别定义Coarse级别和Fine级别的全集空间Ω的划分函数;
Coarse级别的划分函数为iυ+jυ=R,其中R∈(0,2)为Coarse级别的划分参数;Fine级别的划分函数为
其中
为Fine级别的划分参数;
(6c2)Coarse级别求解F(iυ,jυ);
在R∈(0,2)中求得Coarse级别最优的划分参数R*:
R*=arg maxR∈(0,2)F(iυ,jυ);
(6c3)Fine级别求解F(iυ,jυ);
在中求得Fine级别最优的划分参数
(6c4)输出最优分割结果υseg;
本发明具有以下优点:
1、本发明可以完成活体动物下肢血管的分割,并且利用了CT图像的稀疏加权和多尺度线性滤波后的两种图像信息,弥补了传统基于灰度信息或者单一信息分割方法的不足,可以为活体动物下肢血管的影像定量分析提供技术保障,为血管干预的基础实验研究提供新的方法依据。
2、本发明是一种全自动的分割方法,同时解决了模糊C均值等聚类方法在分割时最优分割阈值与图像的最优分割结果不匹配的问题。
3、本发明利用Coarse到Fine的分割方法,首先Coarse级别的划分函数为线性函数,将二维信息空间进行粗划分,然后Fine级别的划分函数为二次函数,将粗划分的二维信息空间进行细化分,从而既节省时间,有能有效的完成血管的分割。
附图说明
图1为本发明方法流程图。
图2为Coarse级别划分示意图。
图3为Fine级别划分示意图。
具体实施方式
下面结合具体实施方式对本发明进行详细的说明。
本发明所涉及的一种基于CT造影成像的活体动物下肢血管分割方法,首先对活体动物下肢的CT图像分别进行稀疏加权和多尺度线性滤波,然后利用Coarse到Fine血管分割方法完成血管的分割,下面结合具体实施例具体说明本发明的实现方法:
(1)活体小动物下肢区域的CT成像:
尾静脉注射CT造影剂AuroVist-15nm(40mg Au/0.2ml,Nanoprobes,NY)后,将活体小动物固定在CT成像系统的旋转台上,调整X光管、旋转台和X光探测器的位置,保证三者的中心在一条直线上;对活体小动物下肢区域固定后进行不少于360个角度的X光照射,利用X光探测器采集多个角度的投影数据;利用滤波反投影方法对投影数据进行重建,得到活体小动物下肢区域的CT数据。
(2)下肢区域骨骼的去除:
对活体动物下肢区域CT重建后的数据进行阈值分割,保证分割后的数据中包括完整的骨密质,即骨骼的外轮廓;对骨密质做图像填充处理得到骨骼;逐渐对骨骼进行膨胀处理,使得膨胀后的骨骼在视觉上恰好与CT重建后的骨骼完全重叠;将膨胀后的骨骼所对应的坐标点置为空气的灰度值,得到活体动物下肢区域骨骼去除的CT图像。
(3)对活体动物下肢区域骨骼去除的CT图像进行稀疏加权。
(3a)计算骨骼去除的CT图像每个灰度级体素所占体素总数的比例Ql;
其中υ为体素,S(υ)为体素的灰度值,l为灰度级,N为体素总数;
(3b)定义稀疏权重Wl;
Wl=Pl·exp(-α(Ql-Qm)),l=1,...,L;
其中Qm为Ql的中值,α为增强系数,控制着稀疏权重Wl对稀疏(血管)体素的增强程度,同时也控制着Wl对非稀疏(背景)体素的衰减程度;系数其中lm为l的加权平均值,即
(3c)稀疏加权后的图像为SSW(υ);
(4)对活体动物下肢区域骨骼去除的CT图像进行多尺度线性滤波。
(4a)计算骨骼去除的CT图像每个体素的Hessian矩阵;
其中G(υ)为二维高斯函数,表示卷积,▽2为二阶导数算子;
(4b)(4b)根据高斯函数的可分性,将▽2G(υ)分解为其两个一维基函数的乘积,Hessian矩阵H(υ)的计算由两个一维卷积
进行简化计算;其步骤如下:
(4b1)计算▽2G(υ)时需要用到的三个基函数;
(4b2)Hessian矩阵H(υ)可以由基函数表示;
(4b3)由两个一维基函数的卷积计算Hessian矩阵H(υ);
(4c)求Hessian矩阵H(υ)的特征值,得到三个特征值分别为λ1,λ2,λ3,,那么线性滤波的结果为V(υ);
其中σ2值为高斯函数的方差,代表线性滤波的尺度;
(4d)选取在不同尺度σ2下最大的线性滤波结果中的最大值V*(υ);
(5)归一化处理
对稀疏加权图像SSW(υ)和线性滤波图像V*(υ)按照下式进行归一化处理;
其中,iυ∈[0,1]和jυ∈[0,1]为归一化处理后的稀疏加权图像和线性滤波图像;
(6)Coarse到Fine血管分割:
(6a)定义分割目标函数F(iυ,jυ);
F(iυ,jυ)=|{(iυ,jυ)∈Ω|(iυ,jυ)∈∧}|-τ|{(iυ,jυ)∈Ω|(iυ,jυ)∈Ω-∧}|;
其中Ω为归一化的SSW(υ)和V*(υ)的全集空间,Λ为血管空间,补集Ω-Λ为背景空间,τ为分割参数,取值越大,表示算法对噪声的敏感性越强;
(6b)定义血管空间Λ;
其中Hn(υ),n=1,...,26为体素υ的26邻居体素;
(6c)采用Coarse到Fine策略求解目标函数F(iυ,jυ)取最大值时的分割结果υseg。;参照图2,其步骤如下:
(6c1)分别定义Coarse级别和Fine级别的全集空间Ω的划分函数;
Coarse级别的划分函数为iυ+jυ=R,其中R∈(0,2)为Coarse级别的划分参数;Fine级别的划分函数为
其中
为Fine级别的划分参数;
(6c2)Coarse级别求解F(iυ,jυ);
在R∈(0,2)中求得Coarse级别最优的划分参数R*:
R*=arg maxR∈(0,2)F(iυ,jυ);
(6c3)Fine级别求解F(iυ,jυ);
在中求得Fine级别最优的划分参数
(6c4)输出最优分割结果υseg;
本发明的内容不限于实施例所列举,本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换,均为本发明的权利要求所涵盖。
Claims (3)
1.基于CT造影成像的活体动物下肢血管分割方法,其特征在于:
由以下步骤实现:
(1)活体动物下肢区域的CT成像:
利用X光探测器采集活体动物下肢区域多个角度的投影数据;
利用滤波反投影方法对投影数据进行重建,得到活体动物下肢区域的CT数据;
(2)骨骼去除:
对重建后的活体动物下肢区域的CT数据进行阈值分割,保证分割后的数据中包括完整的骨密质,所述骨密质为骨骼的外轮廓;
对骨密质做图像填充处理得到骨骼;
逐渐对骨骼进行膨胀处理,使得膨胀后的骨骼在视觉上恰好与CT重建后的骨骼完全重叠;
将膨胀后的骨骼所对应的坐标点置为空气的灰度值,得到活体动物下肢区域骨骼去除的CT图像;
(3)稀疏加权:
(3a)计算骨骼去除的CT图像每个灰度级体素所占体素总数的比例Ql;
其中υ为体素,S(υ)为体素的灰度值,l为灰度级,N为体素总数;
(3b)定义稀疏权重Wl;
Wl=Pl·exp(-α(Ql-Qm)),l=1,...,L;
其中Qm为Ql的中值,α为增强系数,控制着稀疏权重Wl对稀疏(血管)体素的增强程度,同时也控制着Wl对非稀疏(背景)体素的衰减程度;系数其中lm为l的加权平均值,即
(3c)稀疏加权后的图像为SSW(υ);
(4)多尺度线性滤波:
(4a)计算骨骼去除的CT图像每个体素的Hessian矩阵;
其中G(υ)为二维高斯函数,▽表示卷积,▽2为二阶导数算子;
(4b)根据高斯函数的可分性,将▽2G(υ)分解为其两个一维基函数的乘积,Hessian矩阵H(υ)的计算由两个一维卷积进行简化计算;
(4c)求Hessian矩阵H(υ)的特征值,得到三个特征值分别为λ1,λ2,λ3,,那么线性滤波的结果为V(υ);
其中σ2值为高斯函数的方差,代表线性滤波的尺度;
(4d)选取在不同尺度σ2下最大的线性滤波结果中的最大值V*(υ);
(5)归一化处理
对稀疏加权图像SSW(υ)和线性滤波图像V*(υ)按照下式进行归一化处理;
其中,iυ∈[0,1]和jυ∈[0,1]为归一化处理后的稀疏加权图像和线性滤波图像;
(6)Coarse到Fine血管分割:
(6a)定义分割目标函数F(iυ,jυ);
F(iυ,jυ)=|{(iυ,jυ)∈Ω|(iυ,jυ)∈Λ}|-τ|{(iυ,jυ)∈Ω|(iυ,jυ)∈Ω-Λ}|;
其中Ω为归一化的SSW(υ)和V*(υ)的全集空间,Λ为血管空间,补集Ω-Λ为背景空间,τ为分割参数,取值越大,表示算法对噪声的敏感性越强;
(6b)定义血管空间Λ;
其中Hn(υ),n=1,...,26为体素υ的26邻居体素;
(6c)采用Coarse到Fine策略求解目标函数F(iυ,jυ)取最大值时的分割结果υseg。
2.根据权利要求1所述的基于CT造影成像的活体动物下肢血管分割方法,其特征在于:
所述步骤(4b)中根据高斯函数的可分性,▽2G(υ)可以分解为其两个一维基函数的乘积,那么Hessian矩阵H(υ)的计算可以由两个一维卷积进行简化计算,按如下步骤进行:
(4b1)计算▽2G(υ)时需要用到的三个基函数;
(4b2)Hessian矩阵H(υ)可以由基函数表示;
(4b3)由两个一维基函数的卷积计算Hessian矩阵H(υ);
3.根据权利要求2所述的基于CT造影成像的活体动物下肢血管分割方法,其特征在于:
所述步骤(6c)中采用Coarse到Fine策略求解最优分割目标函数F(iυ,jυ),按如下步骤进行:
(6c1)分别定义Coarse级别和Fine级别的全集空间Ω的划分函数;
Coarse级别的划分函数为iυ+jυ=R,其中R∈(0,2)为Coarse级别的划分参数;Fine级别的划分函数为
其中
为Fine级别的划分参数;
(6c2)Coarse级别求解F(iυ,jυ);
在R∈(0,2)中求得Coarse级别最优的划分参数R*:
R*=arg maxR∈(0,2)F(iυ,jυ);
(6c3)Fine级别求解F(iυ,jυ);
在中求得Fine级别最优的划分参数
(6c4)输出最优分割结果υseg;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410729255.1A CN104484874B (zh) | 2014-12-04 | 2014-12-04 | 基于ct造影成像的活体动物下肢血管分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410729255.1A CN104484874B (zh) | 2014-12-04 | 2014-12-04 | 基于ct造影成像的活体动物下肢血管分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104484874A true CN104484874A (zh) | 2015-04-01 |
CN104484874B CN104484874B (zh) | 2017-03-29 |
Family
ID=52759414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410729255.1A Active CN104484874B (zh) | 2014-12-04 | 2014-12-04 | 基于ct造影成像的活体动物下肢血管分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104484874B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025646A (zh) * | 2017-03-03 | 2017-08-08 | 沈阳东软医疗系统有限公司 | 一种下肢血管提取方法和装置 |
CN108090899A (zh) * | 2017-12-27 | 2018-05-29 | 重庆大学 | 一种血管提取及去噪方法 |
CN112767333A (zh) * | 2021-01-08 | 2021-05-07 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的双下肢血管区域判断方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425186A (zh) * | 2008-11-17 | 2009-05-06 | 华中科技大学 | 一种基于ct图像的肝脏分段方法及其系统 |
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
US20110317922A1 (en) * | 2008-07-29 | 2011-12-29 | Superfish Ltd. | Increasing interest point coverage in an image |
CN102324109A (zh) * | 2011-09-26 | 2012-01-18 | 上海理工大学 | 基于模糊隶属度模型的非实质性肺结节三维分割方法 |
CN102401908A (zh) * | 2010-09-07 | 2012-04-04 | 中国石油天然气集团公司 | 一种利用不同模加权稀疏的抛物拉东变换压制多次波的方法 |
CN102789490A (zh) * | 2012-07-04 | 2012-11-21 | 苏州大学 | 一种数据可视化方法及系统 |
-
2014
- 2014-12-04 CN CN201410729255.1A patent/CN104484874B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110317922A1 (en) * | 2008-07-29 | 2011-12-29 | Superfish Ltd. | Increasing interest point coverage in an image |
CN101425186A (zh) * | 2008-11-17 | 2009-05-06 | 华中科技大学 | 一种基于ct图像的肝脏分段方法及其系统 |
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
CN102401908A (zh) * | 2010-09-07 | 2012-04-04 | 中国石油天然气集团公司 | 一种利用不同模加权稀疏的抛物拉东变换压制多次波的方法 |
CN102324109A (zh) * | 2011-09-26 | 2012-01-18 | 上海理工大学 | 基于模糊隶属度模型的非实质性肺结节三维分割方法 |
CN102789490A (zh) * | 2012-07-04 | 2012-11-21 | 苏州大学 | 一种数据可视化方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025646A (zh) * | 2017-03-03 | 2017-08-08 | 沈阳东软医疗系统有限公司 | 一种下肢血管提取方法和装置 |
CN108090899A (zh) * | 2017-12-27 | 2018-05-29 | 重庆大学 | 一种血管提取及去噪方法 |
CN112767333A (zh) * | 2021-01-08 | 2021-05-07 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的双下肢血管区域判断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104484874B (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545584B (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
CN107622492B (zh) | 肺裂分割方法及系统 | |
US20210106299A1 (en) | Method and system for extracting lower limb vasculature | |
CN106485704B (zh) | 血管中心线的提取方法 | |
Destrieux et al. | Automatic parcellation of human cortical gyri and sulci using standard anatomical nomenclature | |
CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
JP6329697B2 (ja) | 体組織の自動的なセグメンテーションおよび定量化のための方法 | |
US20050244036A1 (en) | Method and apparatus for evaluating regional changes in three-dimensional tomographic images | |
CN102930552B (zh) | 基于对称结构减影的脑肿瘤自动提取方法 | |
US20170273650A1 (en) | Medical image display processing method, medical image display processing device, and program | |
WO2005023086B1 (en) | Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning | |
CN106204562A (zh) | 一种基于fMRI与DTI融合的穹隆白质分割的方法 | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
KR101472558B1 (ko) | 흉부 단층영상에서 폐, 기관지 및 폐혈관 영상을 분할하기 위한 시스템 및 그 방법 | |
CN115830016B (zh) | 医学图像配准模型训练方法及设备 | |
Agarwal et al. | A combination of bias-field corrected fuzzy c-means and level set approach for brain MRI image segmentation | |
CN104484874A (zh) | 基于ct造影成像的活体动物下肢血管分割方法 | |
Paniagua et al. | 3D of brain shape and volume after cranial vault remodeling surgery for craniosynostosis correction in infants | |
Plassard et al. | Automated, open-source segmentation of the Hippocampus and amygdala with the open Vanderbilt archive of the temporal lobe | |
Ghadimi et al. | Segmentation of scalp and skull in neonatal MR images using probabilistic atlas and level set method | |
CN112233058A (zh) | 一种头颈部ct影像中淋巴结检测的方法 | |
Cai et al. | Detection of 3D Arterial Centerline Extraction in Spiral CT Coronary Angiography | |
KR101839764B1 (ko) | 흉부 ct영상을 통해 괴사 세포 영역을 수치화하는 방법 | |
EP3995081A1 (en) | Diagnosis assisting program | |
US20230419591A1 (en) | Method and Apparatus for Evaluating Surgical Corridors in the Skull |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |