CN104574378A - 一种超声图像分割方法及系统 - Google Patents
一种超声图像分割方法及系统 Download PDFInfo
- Publication number
- CN104574378A CN104574378A CN201410817673.6A CN201410817673A CN104574378A CN 104574378 A CN104574378 A CN 104574378A CN 201410817673 A CN201410817673 A CN 201410817673A CN 104574378 A CN104574378 A CN 104574378A
- Authority
- CN
- China
- Prior art keywords
- phi
- dtri
- ultrasonoscopy
- represent
- div
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 20
- 238000003709 image segmentation Methods 0.000 title claims abstract description 16
- 238000009792 diffusion process Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 238000010521 absorption reaction Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 18
- 230000000694 effects Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明适用于图像处理技术领域,提供了一种超声图像分割方法及系统,所述方法包括:对超声图像进行预处理,所述预处理包括采用各向异性扩散滤波器构造多尺度图像序列去除所述超声图像的斑点噪声;基于形状约束的测地线活动轮廓模型分割预处理后的所述超声图像。通过本发明,可以有效解决现有技术在处理高噪声超声图像时,由于斑点噪声属于高频信息,与边界信息难以区分,轮廓线在演化的过程中容易被噪声所吸附而无法到达物体边界的问题,以及现有技术在图像对比度比较低的边界区域,由于没有足够的吸附力来终止轮廓线的演化,容易产生边界泄漏问题。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种超声图像分割方法及系统。
背景技术
由于超声图像存在众多伪影,如高噪声、低信噪比和亮度不均匀,准确的超声图像分割仍然是一个非常困难的问题。
现有基于活动轮廓模型的超声图像分割方法,其性能主要依赖于它所采用的边界终止函数,该方法在处理超声图像时存在两方面的问题。首先,由于斑点噪声属于高频信息,与边界信息难以区分,轮廓线在演化的过程中容易被噪声所吸附而无法到达物体的边界;其次,在图像对比度比较低的边界区域,由于没有足够的吸附力来终止轮廓线的演化,容易产生边界泄漏问题。
发明内容
鉴于此,本发明实施例提供一种超声图像分割方法及系统,以解决现有技术在处理高噪声、低对比度超声图像时存在的上述问题。
本发明实施例是这样实现的,一种超声图像分割方法,所述方法包括:
对超声图像进行预处理,所述预处理包括采用各向异性扩散滤波器构造多尺度图像序列去除所述超声图像的斑点噪声;
基于形状约束的测地线活动轮廓模型分割预处理后的所述超声图像。
本发明实施例的另一目的在于提供一种超声图像分割系统,所述系统包括:
预处理单元,用于对超声图像进行预处理,所述预处理包括采用各向异性扩散滤波器构造多尺度图像序列去除所述超声图像的斑点噪声;
分割单元,用于基于形状约束的测地线活动轮廓模型分割预处理后的所述超声图像。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例针对超声图像高噪声问题,采用各向异性扩散滤波器构造多尺度图像序列去除超声图像的斑点噪声,使得在去噪的同时还能保留图像的特征信息;针对超声图像对比度低的问题,基于形状约束的测地线活动轮廓模型分割预处理后的述超声图像,即通过不同尺度图像之间边界形状的相似性来约束轮廓线的演化,从而有效避免轮廓线在演化过程中陷入局部最小值或者穿越弱边界而产生泄漏问题。通过本发明实施例能够有效克服超声图像的伪影并准确分割出目标区域,具有较强的易用性和实用性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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是本发明实施例一提供的超声图像分割方法的实现流程图;
图2是本发明实施例一提供的超声图像分割的示例图;
图3是本发明实施例一提供的采用高斯滤波进行超声图像分割的示例图;
图4是本发明实施例一提供的未进行边界相似性约束的超声图像分割的示例图;
图5是本发明实施例二提供的超声图像分割系统的组成结构图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透切理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
图1示出了本发明实施例一提供的超声图像分割方法的实现流程,该方法过程详述如下:
在步骤S101中,对超声图像进行预处理,所述预处理包括采用各向异性扩散滤波器构造多尺度图像序列去除所述超声图像的斑点噪声。
采用线性扩散方法去除噪声的缺点是容易模糊物体的边界,因此本发明实施例采用非线性扩散方法,即使用各向异性扩散滤波器构造多尺度图像序列去除所述超声图像的斑点噪声,其采用的公式如下:
其中,公式(1)的扩散过程由扩散系数c(q)决定。扩散系数 所述扩散系数包含两个函数,第一个函数是扩散阈值该扩散阈值是用来促进或阻止扩散处理的,因此对斑点噪声的去除效果有很重要的影响;第二个函数是ICOV(Instantaneous Coefficient Of Variation)系数 div和分别表示散度操作符和梯度操作符,t表示尺度,I0是预处理前的超声图像,var(R(t))和分别表示尺度t下某匀质区域R像素亮度的方差和均值,Δ表示拉普拉斯操作符,(x,y)表示超声图像中像素点的坐标。
需要说明的是,ICOV系数结合归一化的梯度操作符和归一化的拉普拉斯操作符检测物体的边缘信息,在物体边界或高对比度特征处,ICOV系数的值较大大,而在匀质区域,ICOV系数的值较小。各向异性扩散滤波器能很好地去除斑点噪声并且保留物体的边界,在匀质区域,它的扩散方式是各向同性的,像均值滤波器一样起到平滑作用,而在物体边界处,它的扩散方式是各向异性的,能使物体边界的两侧变得更加黑暗或更加明亮,因而起到增强边界的作用。
在步骤S102中,基于形状约束的测地线活动轮廓模型分割预处理后的所述超声图像。
在本发明实施例中,测地线活动轮廓模型通过最小化下面的能量方程(5)来演化曲线:
其中,C表示曲线,s表示弧长,ds表示单位弧长,L表示轮廓线的长度;g表示边界检测函数,用以控制曲线的演化使其停止在物体的边界。能量函数Egac是一个加权的弧长定义,它包含了物体的边界信息。采用水平集函数φ来表示曲线C,可推导出最小化公式(5)梯度下降流,如下所示:
为了解决现有活动轮廓模型的边界泄漏问题,本发明实施例引入边界形状的相似性来约束轮廓线的演化。在采用各向异性扩散(Speckle Reduce AnisotropicDiffusion,SRAD)滤波器去除噪声的过程中,构建了一个多尺度的图像序列。从现有的超声图像分割中发现,细尺度图像的边界很不规则,且包含很多细节,而粗尺度图像的边界则更加规则和连续,但是不同尺度图像之间边界的形状是相似的,本发明基于此,通过挖掘边界形状信息来提高超声图像分割的精度。
为了定义物体的边界形状,本发明实施例采用欧拉距离来衡量两个轮廓线之间的相似性,如下所示:
其中,C表示当前尺度的轮廓线,表示从上一尺度插值过来的轮廓线,dis表示计算轮廓线间相应两点之间的欧拉距离。两轮廓线越相似,Esimilarity的值越小。
基于上面的分析,本发明实施例提出基于形状约束的测地线活动轮廓模型来分割超声图像,如下所示:
其中,μ,λ1,λ2和ν表示相应项的控制参数,,δ表示Dirac函数;表示惩罚因子,用于防止水平集函数φ偏离符号距离函数,从而不需要采用重新初始化来保证轮廓线的规则性;表示现有的测地线活动轮廓模型,用于演化轮廓线以到达物体的边界;表示边界形状相似性约束,用于防止边界泄漏;νgδ(φ)表示面积约束,用于提高轮廓线的演化速度和减小收敛到局部最小值的风险。
进一步的,本发明实施例还采用从粗糙到精细的策略来分割超声图像。在最粗糙的尺度图像里,因为没有边界形状信息,相似性约束被禁止,由于大部分斑点噪声已被去除,因此很容易从该尺度图像分割出物体的初始轮廓线。之后在细尺度图像(即小于预设尺度的图像)里,继续演化初始轮廓线并使用边界形状相似性约束来避免边界泄漏。通过上述处理,可以从粗糙到精细逐渐得到物体的轮廓线。
本发明实施例提出的超声图像分割方法有以下优点:首先,采用SRAD去除超声图像的斑点噪声,从而可以避免因高斯平滑而导致边界模糊的问题。如图3所示(图3为采用高斯滤波进行超声图像分割的示例图,包含3个尺度,顶行为每一尺度图像的初始轮廓线,底行为每一尺度图像的最终轮廓线),在最粗糙的尺度图像里,边界被严重模糊,轮廓线容易泄露出去,并且很难在细尺度图像中纠正过来。其次,边界形状相似性约束可有效防止边界泄露。如图4所示(图4为未进行边界相似性约束的超声图像分割的示例图),即使从最粗糙的尺度图像里获得了粗略的轮廓线,如果在细尺度图像里不对轮廓线的演化进行约束,则仍然可能会产生边界泄露。只有把SRAD和边界形状相似性约束结合在一个多尺度的框架里才能准确分割出肿瘤的边界,如图2所示(图2为采用本发明技术方案进行超声图像分割的示例图,包含3个尺度(S0、S1和S2),顶行为每一尺度图像的初始轮廓线,底行为每一尺度图像的最终轮廓线,分割过程由粗糙到精细,并且粗尺度图像(即大于预设尺度的图像)的最终轮廓线除了作为下一尺度图像的初始轮廓线还作为一个外部约束来引导轮廓线的演化。
实施例二:
图5示出了本发明实施例二提供的超声图像分割系统的组成结构,为了便于说明,仅示出了与本发明实施例相关的部分。
该超声图像分割系统包括:
预处理单元51,用于对超声图像进行预处理,所述预处理包括采用各向异性扩散滤波器构造多尺度图像序列去除所述超声图像的斑点噪声;
分割单元52,用于基于形状约束的测地线活动轮廓模型分割预处理后的所述超声图像。
进一步的,所述预处理单元51采用如下公式去除所述超声图像的斑点噪声:
其中,扩散系数 扩散阈值 ICOV系数 div和分别表示散度操作符和梯度操作符,t表示尺度,I0是预处理前的超声图像,var(R(t))和分别表示尺度t下某匀质区域R像素亮度的方差和均值,Δ表示拉普拉斯操作符,(x,y)表示超声图像中像素点的坐标。
进一步的,所述分割单元52采用如下公式分割预处理后的所述超声图像:
其中,μ,λ1,λ2和ν表示控制参数,δ表示Dirac函数,表示惩罚因子,表示现有的测地线活动轮廓模型,表示边界形状相似性约束,νgδ(φ)表示面积约束,div和分别表示散度操作符和梯度操作符,Δ表示拉普拉斯操作符,g表示边界检测函数,φ表示水平集函数。
进一步的,所述系统还包括:
相似性计算单元53,用于采用欧拉距离计算轮廓线之间的相似性,其采用的公式如下:
其中,C表示当前尺度的轮廓线,表示从上一尺度插值过来的轮廓线,dis表示计算轮廓线间相应两点之间的欧拉距离,s表示弧长,ds表示单位弧长,L表示轮廓线的长度。
进一步的,所述系统还包括:
约束单元54,用于从最粗糙的尺度图像中分割出物体的初始轮廓线,在小于预设尺度的图像中对所述初始轮廓线进行演化,并对所述演化进行边界形状相似性约束。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
综上所述,通过本发明实施例可以有效解决现有技术在处理高噪声、低对比度超声图像时存在的上述问题,克服超声图像的伪影并准确分割出目标区域,具有较强的易用性和实用性。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,系统或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。
Claims (10)
1.一种超声图像分割方法,其特征在于,所述方法包括:
对超声图像进行预处理,所述预处理包括采用各向异性扩散滤波器构造多尺度图像序列去除所述超声图像的斑点噪声;
基于形状约束的测地线活动轮廓模型分割预处理后的所述超声图像。
2.如权利要求1所述的方法,其特征在于,所述采用各向异性扩散滤波器构造多尺度图像序列去除所述超声图像的斑点噪声,其采用的公式如下:
其中,扩散系数 扩散阈值 ICOV系数 div和分别表示散度操作符和梯度操作符,t表示尺度,I0是预处理前的超声图像,var(R(t))和分别表示尺度t下某匀质区域R像素亮度的方差和均值,Δ表示拉普拉斯操作符,(x,y)表示超声图像中像素点的坐标。
3.如权利要求1所述的方法,其特征在于,所述基于形状约束的测地线活动轮廓模型分割预处理后的所述超声图像,其采用的公式如下:
其中,μ,λ1,λ2和ν表示控制参数,δ表示Dirac函数,表示惩罚因子,表示现有的测地线活动轮廓模型,表示边界形状相似性约束,νgδ(φ)表示面积约束,div和分别表示散度操作符和梯度操作符,Δ表示拉普拉斯操作符,g表示边界检测函数,φ表示水平集函数。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采用欧拉距离计算轮廓线之间的相似性,其采用的公式如下:
其中,C表示当前尺度的轮廓线,表示从上一尺度插值过来的轮廓线,dis表示计算轮廓线间相应两点之间的欧拉距离,s表示弧长,ds表示单位弧长,L表示轮廓线的长度。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
从最粗糙的尺度图像中分割出物体的初始轮廓线,在小于预设尺度的图像中对所述初始轮廓线进行演化,并对所述演化进行边界形状相似性约束。
6.一种超声图像分割系统,其特征在于,所述系统包括:
预处理单元,用于对超声图像进行预处理,所述预处理包括采用各向异性扩散滤波器构造多尺度图像序列去除所述超声图像的斑点噪声;
分割单元,用于基于形状约束的测地线活动轮廓模型分割预处理后的所述超声图像。
7.如权利要求6所述的系统,其特征在于,所述预处理单元采用如下公式去除所述超声图像的斑点噪声:
其中,扩散系数 扩散阈值 ICOV系数 div和分别表示散度操作符和梯度操作符,t表示尺度,I0是预处理前的超声图像,var(R(t))和分别表示尺度t下某匀质区域R像素亮度的方差和均值,Δ表示拉普拉斯操作符,(x,y)表示超声图像中像素点的坐标。
8.如权利要求6所述的系统,其特征在于,所述分割单元采用如下公式分割预处理后的所述超声图像:
其中,μ,λ1,λ2和ν表示控制参数,δ表示Dirac函数,表示惩罚因子,表示现有的测地线活动轮廓模型,表示边界形状相似性约束,νgδ(φ)表示面积约束,div和分别表示散度操作符和梯度操作符,Δ表示拉普拉斯操作符,g表示边界检测函数,φ表示水平集函数。
9.根据权利要求6所述的系统,其特征在于,所述系统还包括:
相似性计算单元,用于采用欧拉距离计算轮廓线之间的相似性,其采用的公式如下:
其中,C表示当前尺度的轮廓线,表示从上一尺度插值过来的轮廓线,dis表示计算轮廓线间相应两点之间的欧拉距离,s表示弧长,ds表示单位弧长,L表示轮廓线的长度。
10.根据权利要求6至9任一项所述的系统,其特征在于,所述系统还包括:
约束单元,用于从最粗糙的尺度图像中分割出物体的初始轮廓线,在小于预设尺度的图像中对所述初始轮廓线进行演化,并对所述演化进行边界形状相似性约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410817673.6A CN104574378A (zh) | 2014-12-24 | 2014-12-24 | 一种超声图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410817673.6A CN104574378A (zh) | 2014-12-24 | 2014-12-24 | 一种超声图像分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104574378A true CN104574378A (zh) | 2015-04-29 |
Family
ID=53090350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410817673.6A Pending CN104574378A (zh) | 2014-12-24 | 2014-12-24 | 一种超声图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104574378A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868580A (zh) * | 2016-04-05 | 2016-08-17 | 西安交通大学 | 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 |
CN106691505A (zh) * | 2016-12-27 | 2017-05-24 | 深圳先进技术研究院 | 一种处理超声影像均匀性和对比度的方法和装置 |
CN111028243A (zh) * | 2019-11-29 | 2020-04-17 | 上海交通大学 | Ct扫描图像的儿童神经母细胞瘤分割方法、系统及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942799A (zh) * | 2014-04-25 | 2014-07-23 | 哈尔滨医科大学 | 一种乳腺超声图像分割方法及系统 |
CN104143193A (zh) * | 2014-08-07 | 2014-11-12 | 深圳市开立科技有限公司 | 一种超声图像中目标对象分割方法、装置及系统 |
-
2014
- 2014-12-24 CN CN201410817673.6A patent/CN104574378A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942799A (zh) * | 2014-04-25 | 2014-07-23 | 哈尔滨医科大学 | 一种乳腺超声图像分割方法及系统 |
CN104143193A (zh) * | 2014-08-07 | 2014-11-12 | 深圳市开立科技有限公司 | 一种超声图像中目标对象分割方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
WEIMING WANG 等: "Multiscale geodesic active contours for ultrasound image segmentation using speckle reducing anisotropic diffusion", 《OPTICS AND LASERS IN ENGINEERING》 * |
严加勇 等: "医学超声图像分割技术的研究及发展趋势", 《北京生物医学工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868580A (zh) * | 2016-04-05 | 2016-08-17 | 西安交通大学 | 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 |
CN105868580B (zh) * | 2016-04-05 | 2018-12-07 | 西安交通大学 | 一种基于面积约束与形状约束的细胞结构三维形貌恢复方法 |
CN106691505A (zh) * | 2016-12-27 | 2017-05-24 | 深圳先进技术研究院 | 一种处理超声影像均匀性和对比度的方法和装置 |
CN111028243A (zh) * | 2019-11-29 | 2020-04-17 | 上海交通大学 | Ct扫描图像的儿童神经母细胞瘤分割方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102592268B (zh) | 一种分割前景图像的方法 | |
CN103745468B (zh) | 一种基于图结构和边界先验的显著性物体检测方法 | |
CN107644217A (zh) | 基于卷积神经网络和相关滤波器的目标跟踪方法 | |
CN103106408B (zh) | 无监督分割的胃部ct图像淋巴结自动辅助检测系统 | |
CN103870818B (zh) | 一种烟雾检测方法和装置 | |
CN104794685A (zh) | 一种实现图像去噪的方法及装置 | |
CN104331869B (zh) | 梯度与曲率相结合的图像平滑方法 | |
CN104899876A (zh) | 一种基于自适应高斯差分的眼底图像血管分割方法 | |
Chen et al. | Pavement crack detection using hessian structure propagation | |
CN103116875A (zh) | 自适应双边滤波图像去噪方法 | |
CN102859551A (zh) | 图像处理装置及图像处理方法 | |
CN105844625A (zh) | 一种融合边缘和区域的活动轮廓图像分割方法 | |
CN104537673A (zh) | 基于多阈值和自适应模糊聚类的红外图像分割方法 | |
CN101982835A (zh) | Sar图像机场道路边缘检测水平集方法 | |
CN104574378A (zh) | 一种超声图像分割方法及系统 | |
CN107292890A (zh) | 一种医学图像分割方法和装置 | |
CN103413323B (zh) | 基于部件级表观模型的物体跟踪方法 | |
CN105989598A (zh) | 基于局部强化主动轮廓模型的眼底图像血管分割方法 | |
CN103679157A (zh) | 一种基于视网膜模型的人脸图像光照处理方法 | |
Niu et al. | Defect attention template generation cycleGAN for weakly supervised surface defect segmentation | |
CN105518717A (zh) | 一种人脸识别方法和装置 | |
CN103593829A (zh) | 基于数学形态学运算的手背静脉显像方法 | |
CN103413332B (zh) | 基于两通道纹理分割主动轮廓模型的图像分割方法 | |
CN111915620A (zh) | 一种ct肋骨分割方法及装置 | |
CN104732530A (zh) | 一种图像边缘的检测方法 |
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: 20150429 |