CN104715483A - 肺部ct影像病变组织的自动分割方法 - Google Patents
肺部ct影像病变组织的自动分割方法 Download PDFInfo
- Publication number
- CN104715483A CN104715483A CN201510122955.9A CN201510122955A CN104715483A CN 104715483 A CN104715483 A CN 104715483A CN 201510122955 A CN201510122955 A CN 201510122955A CN 104715483 A CN104715483 A CN 104715483A
- Authority
- CN
- China
- Prior art keywords
- pixel
- pulmonary lesion
- region
- growth
- lung
- 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
- 230000003902 lesion Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 43
- 210000004072 lung Anatomy 0.000 title claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 230000002685 pulmonary effect Effects 0.000 claims description 69
- 230000001575 pathological effect Effects 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 8
- 201000008827 tuberculosis Diseases 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 239000005337 ground glass Substances 0.000 description 6
- 230000003993 interaction Effects 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供的肺部CT影像病变组织的自动分割方法，包括：从肺实质CT影像中通过滑降算法搜索各点邻域梯度最小值，根据邻域梯度最小值获取肺部病变初始生长点的区域，根据肺部病变初始生长点的区域确定初始生长种子点；根据初始生长种子点获取像素灰度约束和生长距离约束，并从像素灰度约束和生长距离约束中由区域生长方法确定肺部病变区域；根据肺部病变区域得到各层肺部病变区域的边界，各层肺部病变区域的边界在中心点根据预设的方向得到所述肺部病变区域中相邻层的边界像素点，通过所述相邻层的边界像素点和所述肺部病变区域的中心点得到平均距离差值，并将超过所述平均距离差值的像素点进行平滑得到肺部病变组织的分割图像。
Description
技术领域
本发明涉及图像分割技术，特别是涉及一种肺部CT影像病变组织的自动分割方法。
背景技术
肺部CT影像病变组织的自动分割是计算机辅助诊断领域研究的一个重要问题，它可以完成肺部病变组织的自动获取，缩短临床诊断时的等待时间，在计算机辅助诊断领域有重要的应用价值。
肺部CT影像病变组织按照病变位置分类可以分为孤立类型、与血管粘连类型以及与胸膜粘连等类型；按照病变种类可以分为磨玻璃影、肺结节和肺肿瘤等类型。其中，磨玻璃影类型是肺部病变中最难以分割的。现有的基于区域生长的肺部病变组织分割算法都需要人工手动获取初始生长种子点，从而造成了不准确性。
发明内容
本发明提供的肺部CT影像病变组织的自动分割方法，可以准确地得到肺部病变组织的分割图像。
根据本发明的一方面，提供一种肺部CT影像病变组织的自动分割方法，包括：
从肺实质CT影像中通过滑降算法搜索各点邻域梯度最小值，根据所述邻域梯度最小值获取肺部病变初始生长点的区域，并且根据所述肺部病变初始生长点的区域确定初始生长种子点；根据所述初始生长种子点获取像素灰度约束和生长距离约束，并从所述像素灰度约束和生长距离约束中确定肺部病变区域；根据所述肺部病变区域通过区域生长方法得到各层肺部病变区域的边界，所述各层肺部病变区域的边界在中心点根据预设的方向得到所述肺部病变区域中相邻层的边界像素点，通过所述相邻层的边界像素点和所述肺部病变区域的中心点得到平均距离差值，并将超过所述平均距离差值的像素点进行平滑得到肺部病变组织的分割图像。
本发明实施例提供的肺部CT影像病变组织的自动分割方法，通过根据初始生长种子点获取像素灰度约束和生长距离约束，并从像素灰度约束和生长距离约束中确定肺部病变区域，并对肺部病变区域进行平滑处理，从而准确地得到肺部病变组织的分割图像。
附图说明
图1为本发明实施例提供的肺部CT影像病变组织的自动分割方法流程图；
图2为本发明实施例提供的实性结节类型和磨玻璃类型的肺部病变组织示意图；
图3为本发明实施例提供的同一个孤立肺结节的不同分割结果示意图；
图4为本发明实施例提供的同一个磨玻璃病变的不同分割结果示意图；
图5为本发明实施例提供的肺部病变分割完成时的人工交互次数结果示意图；
图6为本发明实施例提供的不同选取条件下的初始生长种子点的分割结果示意图。
具体实施方式
本发明的总体构思是，通过根据初始生长种子点获取像素灰度约束和生长距离约束，并从像素灰度约束和生长距离约束中通过区域生长方法确定肺部病变区域，并对肺部病变区域进行平滑处理，从而准确地得到肺部病变组织的分割图像。
下面结合附图对肺部CT影像病变组织的自动分割方法进行详细描述。
图1为本发明实施例提供的肺部CT影像病变组织的自动分割方法流程图。
参照图1，在步骤S101，从肺实质CT影像中通过滑降算法搜索各点邻域梯度最小值，根据所述邻域梯度最小值获取肺部病变初始生长点的区域，并且根据所述肺部病变初始生长点的区域确定初始生长种子点。
这里，初始生长点的区域可以为滑降标记图像的高亮部分。
步骤S101具体过程如下：首先对于肺实质CT影像的每个像素逐一进行邻域最小梯度值计算，搜索其邻域内梯度最小值，并在预先构造梯度栈内按序存储每一个肺实质像素点得到的梯度最小值；其次，对之后每一个像素点得到的最小梯度值，遍历梯度栈与已存储的各梯度最小值相比，得到与其最相似的梯度值作为该点在标记图像上的标记值的一项，并由公式(1)计算其标记图像上的像素标记值：
LSource(i,j)＝GSource(i,j)*p+[SMax(ToboStack,GToboMin(i,j))]2*q (1)
GSource(i,j)为进行搜索的源像素点(i,j)，ToboStack为构造的梯度栈，GToboMin(i,j)为搜索得到的邻域最小梯度值，SMax(ToboStack,GToboMin(i,j))函数表示在梯度栈里搜索与GToboMin(i,j)里最接近的梯度值。LSource(i,j)表示搜索源像素点(i,j)在滑降标记图像里的像素标记值。p、q表示权重用于确定源像素梯度值和梯度栈内计算得到的梯度值在计算LSource(i,j)的比重。
在步骤S102，根据所述初始生长种子点获取像素灰度约束和生长距离约束，并从所述像素灰度约束和生长距离约束通过区域生长方法确定肺部病变区域。
在步骤S103，根据所述肺部病变区域得到各层肺部病变区域的边界，所述各层肺部病变区域的边界在中心点根据预设的方向得到所述肺部病变区域中相邻层的边界像素点，通过所述相邻层的边界像素点和所述肺部病变区域的中心点得到平均距离差值，并将超过所述平均距离差值的像素点进行平滑得到肺部病变组织的分割图像。
这里，根据预设的方向可以每隔2°取一个方向，计算各个方向上每两个相邻层的病变区域边界与图像中心点的距离差值，最后将超过平均差值的像素点通过公式(2)进行平滑。
进一步地，所述根据所述初始生长种子点获取像素灰度约束和生长距离约束包括：
根据所述初始生长种子点的灰度值确定病变组织像素值的阈值，并根据所述病变组织的阈值得到所述像素灰度约束，以及
根据所述肺部病变初始生长点的区域确定所述生长距离约束。
进一步地，从所述像素灰度约束和生长距离约束中通过区域生长方法确定肺部病变区域包括：
从所述像素灰度约束和生长距离约束中通过区域生长方法得到肺病变区域像素点；
对所述肺病变区域的各像素点赋予相应的代数标记；
根据所述代数标记确定所述肺部病变区域。
进一步地，所述方法还包括：
如果所述肺部病变区域生长过程中第一代的像素点的数值与相邻代的肺部病变区域的像素点的数值的差值大于预设的阈值，则将超过所述预设的阈值的肺部病变区域的像素点取消标记。
这里，第一代的像素点是从肺部病变区域生长过程中选取任意一代的像素点。并且将超过所述预设的阈值的肺部病变区域的像素点取消标记后，需要重新获取像素灰度约束和生长距离约束。
进一步地，所述并将超过所述平均距离差值的像素点进行平滑得到肺部病变组织的分割图像包括：
根据公式(2)计算所述肺部病变组织的分割图像：
Dis(bi″)＝Dis(bi')-(Dis(bi')-Avg)*p (2)
其中，Dis(bi″)为所述肺部病变组织的分割图像的距离，Dis(bi')为超过所述平均距离差值的像素点的距离，Avg为平均距离差值，p为超过所述平均距离差值的像素点占所有边界点的比重。
这里，Dis(bi″)具体为经过平滑后的超过所述平均距离差值的像素点与图像中心点的距离。
图2为本发明实施例提供的实性结节类型和磨玻璃类型的肺部病变组织示意图。
参照图2，滑降算法可以从肺实质梯度图像上准确得到肺部病变组织的位置以及形状，其中高亮部分就是肺结节区域。
图3为本发明实施例提供的同一个孤立肺结节的不同分割结果示意图。
参照图3，(a)是通过本发明采用的方法得到的分割结果；(b)是医生A的手动分割结果；(c)是医生B的手动分割结果；(d)是采用水平集算法得到的分割结果；(e)是采用骨架割算法得到的分割结果。
由图3可知，(a)得到的分割结果与(b)、(c)提供的手动分割结果的相似度高于(d)和(e)，在第97层图像上，(d)和(e)都将病变组织上方的血管错误的认为是病变组织。
图4为本发明实施例提供的同一个磨玻璃病变的不同分割结果示意图。
参照图4，(a)是通过本发明采用的方法得到的分割结果；(b)是医生A的手动分割结果；(c)是医生B的手动分割结果；(d)是采用水平集算法得到的分割结果；(e)是采用骨架割算法得到的分割结果。
由图4可知，(a)得到的分割结果与(b)、(c)提供的手动分割结果的相似度高于(d)和(e)，从第159层图像到第160层图像，(d)和(e)都将病下方的血管错误的认为是病变组织。
图5为本发明实施例提供的肺部病变分割完成时的人工交互次数结果示意图。
参照图5，1表示骨架割算法所用的人工参与次数，2表示单点击共生分割算法的人机交互次数，3表示水平集方法的人机交互次数，4表示本发明所用的人工交互次数。
由图5可知，本发明采用的方法所需要手动参与次数为0，而骨架割方法所需要的人机交互次数为3，单点击共生分割方法与水平集算法所需要的人机交互次数为1，由此可知，本发明采用的方法实现了全自动的肺部病变组织的分割。
图6为本发明实施例提供的不同选取条件下的初始生长种子点的分割结果示意图。
通过自动选择的种子点得到的分割结果(TBGA)与通过手动给定的种子点得到的分割结果(MBGA)进行逐像素对比，黑色表示第一次测试得到的分割相似度，灰色表示第二次测试得到分割相似度。
由图6可知，通过自动选择的种子点得到的分割结果(TBGA)与通过手动给定的种子点得到的分割结果(MBGA)平均相似度达到了92.50％，由此可知，本发明采用的方法具有很高的实用价值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种肺部CT影像病变组织的自动分割方法，其特征在于，所述方法包括：
从肺实质CT影像中通过滑降算法搜索各点邻域梯度最小值，根据所述邻域梯度最小值获取肺部病变初始生长点的区域，并且根据所述肺部病变初始生长点的区域确定初始生长种子点；
根据所述初始生长种子点获取像素灰度约束和生长距离约束，并从所述像素灰度约束和生长距离约束中通过区域生长方法确定肺部病变区域；
根据所述肺部病变区域得到各层肺部病变区域的边界，所述各层肺部病变区域的边界在中心点根据预设的方向得到所述肺部病变区域中相邻层的边界像素点，通过所述相邻层的边界像素点和所述肺部病变区域的中心点得到平均距离差值，并将超过所述平均距离差值的像素点进行平滑得到肺部病变组织的分割图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述初始生长种子点获取像素灰度约束和生长距离约束包括：
根据所述初始生长种子点的灰度值确定病变组织像素值的阈值，并根据所述病变组织的阈值得到所述像素灰度约束，以及
根据所述肺部病变初始生长点的区域确定所述生长距离约束。
3.根据权利要求2所述的方法，其特征在于，从所述像素灰度约束和生长距离约束中通过区域生长方法确定肺部病变区域包括：
从所述像素灰度约束和生长距离约束中通过区域生长方法得到肺病变区域像素点；
对所述肺病变区域的各像素点赋予相应的代数标记；
根据所述代数标记确定所述肺部病变区域。
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：
如果所述区域生长中第一代肺部病变区域的像素点的数值与相邻代的肺部病变区域的像素点的数值的差值大于预设的阈值，则将超过所述预设的阈值的肺部病变区域的像素点取消标记。
5.根据权利要求1所述的方法，其特征在于，所述并将超过所述平均距离差值的像素点进行平滑得到肺部病变组织的分割图像包括：
根据下式计算所述肺部病变组织的分割图像的距离：
Dis(bi″)＝Dis(bi′)-(Dis(bi′)-Avg)*p
其中，Dis(bi″)为所述肺部病变组织的分割图像的距离，Dis(bi′)为超过所述平均距离差值的像素点的距离，Avg为平均距离差值，p为超过所述平均距离差值的像素点占所有边界点的比重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510122955.9A CN104715483B (zh) | 2015-03-20 | 2015-03-20 | 肺部ct影像异常区域的自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510122955.9A CN104715483B (zh) | 2015-03-20 | 2015-03-20 | 肺部ct影像异常区域的自动分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104715483A true CN104715483A (zh) | 2015-06-17 |
| CN104715483B CN104715483B (zh) | 2018-05-11 |
Family
ID=53414777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510122955.9A Active CN104715483B (zh) | 2015-03-20 | 2015-03-20 | 肺部ct影像异常区域的自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104715483B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447659A (zh) * | 2016-09-27 | 2017-02-22 | 电子科技大学 | 一种基于多重判定的区域生长检测方法 |
| CN106651842A (zh) * | 2016-12-09 | 2017-05-10 | 江西中科九峰智慧医疗科技有限公司 | 一种ct影像肺结节种子点自动获取和分割方法 |
| CN108460774A (zh) * | 2018-03-29 | 2018-08-28 | 河北北方学院 | 一种肺部医学图像自动分割方法 |
| CN109685771A (zh) * | 2018-12-03 | 2019-04-26 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 一种肺部病灶病变种子点的自动选择算法 |
| CN109766888A (zh) * | 2017-11-09 | 2019-05-17 | 天津理工大学 | 一种具有可控免疫生长域的红外图像目标提取方法 |
| CN109767421A (zh) * | 2018-12-03 | 2019-05-17 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 一种用于区域生长肺肿瘤放疗靶区勾画半自动分割方法 |
| CN110473226A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 图像处理网络的训练方法、计算机设备及可读存储介质 |
| US10559080B2 (en) | 2017-12-27 | 2020-02-11 | International Business Machines Corporation | Adaptive segmentation of lesions in medical images |
| CN115187592A (zh) * | 2022-09-08 | 2022-10-14 | 山东奥洛瑞医疗科技有限公司 | 一种适用于核磁共振图像的图像分割方法 |
| CN115330800A (zh) * | 2022-10-14 | 2022-11-11 | 深圳市亿康医疗技术有限公司 | 基于图像处理的放疗靶区自动分割方法 |
| CN117115186A (zh) * | 2023-10-25 | 2023-11-24 | 高州市人民医院 | 基于区域生长的心血管分割方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101231745A (zh) * | 2007-01-24 | 2008-07-30 | 中国科学院自动化研究所 | 一种对图像初始分割边界进行优化的自动分割方法 |
| US20090092302A1 (en) * | 2007-10-03 | 2009-04-09 | Siemens Medical Solutions Usa. Inc. | System and Method for Robust Segmentation of Pulmonary Nodules of Various Densities |
| CN102068271A (zh) * | 2011-02-22 | 2011-05-25 | 南方医科大学 | 一种基于呼吸相位的胸部或腹部ct图像的回顾性分类方法 |
| CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
-
2015
- 2015-03-20 CN CN201510122955.9A patent/CN104715483B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101231745A (zh) * | 2007-01-24 | 2008-07-30 | 中国科学院自动化研究所 | 一种对图像初始分割边界进行优化的自动分割方法 |
| US20090092302A1 (en) * | 2007-10-03 | 2009-04-09 | Siemens Medical Solutions Usa. Inc. | System and Method for Robust Segmentation of Pulmonary Nodules of Various Densities |
| CN102068271A (zh) * | 2011-02-22 | 2011-05-25 | 南方医科大学 | 一种基于呼吸相位的胸部或腹部ct图像的回顾性分类方法 |
| CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| YUNG-CHIEH LIN ET AL: "Comparison Between Immersion-B ased andToboggan-B ased Watershed Image Segmentation", 《IEEE TRANSACTTONS ON IMAGE PROCRSSING》 * |
| 王磊: "肺部病变计算机辅助检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447659B (zh) * | 2016-09-27 | 2019-04-05 | 电子科技大学 | 一种基于多重判定的区域生长检测方法 |
| CN106447659A (zh) * | 2016-09-27 | 2017-02-22 | 电子科技大学 | 一种基于多重判定的区域生长检测方法 |
| CN106651842A (zh) * | 2016-12-09 | 2017-05-10 | 江西中科九峰智慧医疗科技有限公司 | 一种ct影像肺结节种子点自动获取和分割方法 |
| CN109766888B (zh) * | 2017-11-09 | 2022-12-16 | 天津理工大学 | 一种具有可控免疫生长域的红外图像目标提取方法 |
| CN109766888A (zh) * | 2017-11-09 | 2019-05-17 | 天津理工大学 | 一种具有可控免疫生长域的红外图像目标提取方法 |
| US10559080B2 (en) | 2017-12-27 | 2020-02-11 | International Business Machines Corporation | Adaptive segmentation of lesions in medical images |
| CN108460774A (zh) * | 2018-03-29 | 2018-08-28 | 河北北方学院 | 一种肺部医学图像自动分割方法 |
| CN109767421A (zh) * | 2018-12-03 | 2019-05-17 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 一种用于区域生长肺肿瘤放疗靶区勾画半自动分割方法 |
| CN109685771A (zh) * | 2018-12-03 | 2019-04-26 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 一种肺部病灶病变种子点的自动选择算法 |
| CN110473226A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 图像处理网络的训练方法、计算机设备及可读存储介质 |
| CN115187592A (zh) * | 2022-09-08 | 2022-10-14 | 山东奥洛瑞医疗科技有限公司 | 一种适用于核磁共振图像的图像分割方法 |
| CN115330800A (zh) * | 2022-10-14 | 2022-11-11 | 深圳市亿康医疗技术有限公司 | 基于图像处理的放疗靶区自动分割方法 |
| CN117115186A (zh) * | 2023-10-25 | 2023-11-24 | 高州市人民医院 | 基于区域生长的心血管分割方法 |
| CN117115186B (zh) * | 2023-10-25 | 2024-02-02 | 高州市人民医院 | 基于区域生长的心血管分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104715483B (zh) | 2018-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104715483A (zh) | 肺部ct影像病变组织的自动分割方法 | |
| CN105912874B (zh) | 基于dicom医学图像构建的肝脏三维数据库系统 | |
| CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
| CN103810752B (zh) | 基于医学图像的肝脏分段方法及其肝脏分段系统 | |
| CN100471455C (zh) | 利用拓扑信息从三维图像数据中分割解剖结构的方法 | |
| CN100463655C (zh) | 一种腹部ct图像自动测量装置 | |
| CN106097305B (zh) | 双行程区域生长结合形态学重建的肺部气管树分割方法 | |
| US8473032B2 (en) | Feature-based registration method | |
| CN102968783B (zh) | 从腹部图像数据中自动分割骨骼的方法及系统 | |
| CN103824295A (zh) | 一种肺部ct图像中粘连血管型肺结节的分割方法 | |
| EP3200152A2 (en) | Evaluation of co-registered images of differently stained tissue slices | |
| US9466117B2 (en) | Segmentation highlighter | |
| US20060182341A1 (en) | Method for automatically determining the position and orientation of the left ventricle in 3D image data records of the heart | |
| CN103440665A (zh) | 膝关节软骨图像自动分割方法 | |
| CN103679810A (zh) | 肝部ct图像的三维重建方法 | |
| CN105139377A (zh) | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 | |
| CN103295224B (zh) | 一种基于均值漂移和分水岭的乳腺超声图像自动分割方法 | |
| CN108765388B (zh) | 食道内窥oct图像层次结构的自动分割方法和系统 | |
| CN104933709A (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
| CN107708550A (zh) | 用于检测和测量解剖异常的分段回声结构的表面建模 | |
| EP1894164A2 (en) | Methods for interactive liver disease diagnosis | |
| CN108830852B (zh) | 三维超声肿瘤辅助测量系统及方法 | |
| CN104156935A (zh) | 图像分割装置、图像分割方法和医学图像设备 | |
| US20070055455A1 (en) | Methods for interactive liver disease diagnosis | |
| CN103020969A (zh) | 一种ct图像肝脏分割的处理方法及系统 |
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 |