CN105046692A - 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法 - Google Patents

结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法 Download PDF

Info

Publication number
CN105046692A
CN105046692A CN201510374494.4A CN201510374494A CN105046692A CN 105046692 A CN105046692 A CN 105046692A CN 201510374494 A CN201510374494 A CN 201510374494A CN 105046692 A CN105046692 A CN 105046692A
Authority
CN
China
Prior art keywords
glioma
center
image
interest
area
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
Application number
CN201510374494.4A
Other languages
English (en)
Inventor
余锦华
季春红
史之峰
陈亮
汪源源
毛颖
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.)
Fudan University
Original Assignee
Fudan University
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 Fudan University filed Critical Fudan University
Priority to CN201510374494.4A priority Critical patent/CN105046692A/zh
Publication of CN105046692A publication Critical patent/CN105046692A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/30016—Brain
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明属于图像分割技术领域，具体为一种结合感兴趣区域和GrowCut算法的三维全自动脑胶质瘤分割方法。该方法首先扩展Bounding？box算法到3D，并运用其提取包含脑胶质瘤的感兴趣区域VOI，然后利用反射对称算法对VOI进行评估并克服Bounding？box在检测脑胶质瘤横跨正中矢状面时的不足，最后基于准确的VOI对图像中的像素点进行标记，使半自动的2D？GrowCut算法优化成全自动3D分割方法。本方法在准确分割脑胶质瘤的同时，较相同原理的2D分割算法在理论上和实际中都更加迅速，并且比人工分割方法更具便利性和可行性。本发明作为一种图像分割方法，可为脑胶质瘤的临床诊断有力辅助工具。

Description

结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法
技术领域
本发明属于图像分割技术领域，具体涉及一种结合感兴趣区域GrowCut算法的3D自动脑胶质瘤分割方法。
背景技术
脑胶质瘤是中枢神经系统最常见的恶性肿瘤。手术切除联合术后放化疗是目前治疗脑胶质瘤的标准方案。其中手术切除对于脑胶质瘤患者的预后有决定性作用，特别是最大范围的安全切除已经成为世界神经外科的共识。磁共振（MRI）导航能够有效指导脑胶质瘤的手术开展，提高脑胶质瘤的切除程度，特别是T2-Flair序列影像，基于这一部分进行脑肿瘤的分割，对于术前计算肿瘤体积、术后判断肿瘤复发具有重要诊断价值。此外，基因组学研究的进展推动了脑胶质瘤分子病理的发展，基于影像学的分子水平判断有助于指导患者个体化诊疗，利用MRIT2-flair图像进行脑胶质瘤的分割，也是后续配准、特征提取、分类和病理脑图集重建[7]的基础和关键步骤。
由于脑胶质瘤的位置、形状和图像强度多样，且大脑具有复杂的结构，如灰质、白质和脑脊液等，准确和快速的分割成为一个具有挑战性的任务。人工标定脑胶质瘤，需要在连续的横断面图像上进行标注，非常耗时，并且依赖于使用者的经验。现有的半自动的方法，如水平集[7]和对称性分析方法，需要先验的关于脑胶质瘤大体位置的知识。全自动的方法，如部分区域生长、分水岭，是基于半监督替代机制实现准确分割的。基于脑图集的方法，在分割脑胶质瘤横跨正中矢状面时失效。
针对分割的难点以及半自动和自动方法的缺陷，本文提出一种结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割的方法。它不需要关于脑胶质瘤位置的先验知识，即使脑胶质瘤横跨正中矢状面，也能够进行准确分割。
发明内容
本发明的目的是提出一种分割准确、快速的自动分割脑胶质瘤的方法。
本发明提出的自动分割脑胶质瘤的方法，是结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法，具体步骤如下：
1、首先将2DBoundingBox方法拓展到3D，寻找感兴趣区域，用长方体限定脑胶质瘤的大概位置；
2、利用反射对称性检测方法，检验步骤（1）得到的结果，并修正Boundingbox方法在检测脑胶质瘤横跨正中矢状面时的结果，得到更加准确的感兴趣区域；
3、将感兴趣区域用于3DGrowCut方法中，进行种子点的自动设置，通过扩散种子点得到脑胶质瘤的边界。
本发明步骤（1）的具体过程为：
（1）首先利用自动全局阈值的方法检测脑轮廓，并用椭球进行拟合；旋转图像，使椭球的短轴与图像x轴重合，再裁剪椭球外黑色背景区域，使整个大脑图像分为左右两个对称的长方体；
（2）将左右两个长方体分别看作测试图像（I）和参考图像(R)，首先计算z轴方向的得分函数：
(1)
其中，l是沿着z轴方向从上到下的扫描线，T(l)和B(l)是被扫描线分成的上下两个子长方体；P I T(l)是图像I在区域T(l)上的归一化强度直方图，P R T(l),P I B(l),和P R B(l)也有相似的定义，分别是图像R在区域T(l)上的归一化强度直方图，图像I在区域B(l)上的归一化强度直方图，图像R在区域B(l)上的归一化强度直方图；BC代表归一化两个直方图间的Bhattacharya系数，用来测量两者的相似性，定义如下：
(2)
(3)
当两个直方图相同时，BC等于1；当两直方图完全不同时，BC等于0；
找到得分函数的连续区间内的最大和最小值，即对应脑胶质瘤在z轴方向的上下边界面；
（3）对过程（1）中左右两个对称的长方体沿着过程（2）中找到的脑胶质瘤在z轴方向的上下边界进行裁剪，使z轴方向的长度变小，缩小搜索范围，再将两个长方体分别沿着y轴顺时针旋转900，重复步骤过程（2），得到脑胶质瘤在x轴方向的左右边界面；
（4）同过程（3），将得到的两个长方体沿着x轴方向的左右边界面进行裁剪，再沿着x轴方向顺时针旋转900，重复步骤过程（2），得到脑胶质瘤在y轴方向的前后边界面；
经过上述过程，得到3DMR图像上的感兴趣区域，即包含脑胶质瘤的长方体。
本发明步骤（2）所述反射对称性检测方法的具体过程为：
将得到的长方体按最长边的1.5倍进行扩大，在包含最大脑轮廓切片的矩形框内检测其中的对称区域，即脑胶质；设在x，y坐标系统中，f(x,y)是一个在半径为L的圆外值都为0的函数，则2D反射对称的测量定义为:
(4)
其中，对于每个x，计算参数为y的1D函数沿着与y轴平行的从-L到L的分割线的积分；S(f)从0到1变化，其越接近于1则圆内对称性越强；圆形区域的大小和位置由高斯窗决定：
(5)
其中，r代表有效半径；
计算反射对称的最大值，得到最优的圆半径和圆心；计算圆心和Boundingbox中心两者之间的距离，如果距离小于boundingbox最短边长的1/3，则Boundingbox检测的结果则是正确的；否则，用反射对称性结果取代Boundingbox的中心；长方体的六个面相应的用中心加减半径长的距离进行替换，得到包含整个脑胶质瘤的感兴趣区域VOI(volumeofinterest)。
本发明步骤（3）所述3DGrowCut方法的具体过程为：
(1)首先调整不同图像片上脑胶质瘤的中心位置，将感兴趣区域VOI中包含最大脑轮廓的图像作为参考图像I R ，其中心就是感兴趣区域VOI的中心（x_center R ,y_center R, ），则不同片上的脑胶质瘤中心和半径定义如下：
(6)
(7)
(8)
其中，x_center i 和y_center i 是第i片图像上脑胶质瘤中心坐标，(X i ,Y i )和(l xi ,l yi )分别为脑轮廓外接长方形的中心和边长，(X R ,Y R )为图像IR上脑轮廓外接长方形的中心；类似地，(l xR ,l yR )是图像I R 上脑轮廓外接长方形的边长，R是感兴趣区域VOI最小边长的一半；
（2）设置种子点，在每片图像上，以r i 为半径，(x_center i ,y_center i, )为圆心，标记一个值为“+1”的目标圆；同时，将感兴趣区域VOI扩大到1.2倍，面上的点标记为“-1”；脑胶质瘤和外围背景分别标记为椭球和长方体；
（3）扩散种子点，待设置的体素p都包含在体素集P中，采用Moore邻域N(p)，则每个体素p有26个邻域q；未知体素的初始标记和能量设置为0，种子点能量为1，采用迭代的方法，根据种子点能量和邻域的能量，不断更新种子点状态；在第t+1次迭代进程中，标记和能量的更新分别为：
(9)
(10)
其中，C p 、C q 分别是体素p、q的光照强度，、分别是体素p、q在第t次迭代进程中的标记，g(x)是范围在[0,1]的单调下降函数：
(11)
当体素的标记不再变化或者到达最大迭代次数（可设为200到500，一般设为200），迭代停止；最终，脑胶质瘤和背景分别设置为“+1”和“-1”。
本发明采用拓展的Boundingbox算法，并用反射对称性方法对其进行评估和修正，能够准确定位脑胶质瘤位置，克服脑胶质瘤横跨正中矢状面面时检测的困难。将感兴趣区域VOI应用于GrowCut方法，从而自动地分割出脑胶质瘤。提出的3D自动分割方法，相对于手工标记的方法和2D同种原理的自动分割方法，在准确分割的同时具有更快的速度。
附图说明
图1为对模拟图像检测感兴趣区域VOI的结果。模拟了脑胶质瘤位于脑轮廓的右半部分和横跨正中矢状面两种情况（case1，case2），分别对应于图1的第一行和第二行。其中，(a)、(d)是横断面检测结果，(b)、(e)是矢状面检测结果，(c)、(f)是冠状面检测结果。
图2为对图1中模拟图像进行分割的结果。其中，第一行原始模拟图像，第二行为同种原理2D自动分割结果，第三行为本方法3D自动分割的结果。第一、二列为case1的两片分割结果。第三、四列为case2的两片分割结果。
图3为对分割出的结果进行三维重建，其中，(a)case1的模拟脑胶质瘤，(b)2D方法分割case1后重建结果，(c)3D方法分割case1后重建结果，(d)case2的模拟脑胶质瘤，(e)2D方法分割case2后重建结果，(f)3D方法分割case2后重建结果。
图4为对实际MRT2-flair图像检测感兴趣区域VOI的结果。对脑胶质瘤位于脑轮廓右半部分和横跨正中矢状面两种情况（case3，case4）进行处理，分别对应于图4的第一行和第二行。其中，(a)、(d)是横断面检测结果，(b)、(e)是矢状面检测结果，(c)、(f)是冠状面检测结果。
图5为对图4中实际图像进行分割的结果。其中，第一行原始图像，第二行为同种原理2D自动分割结果，第三行为本方法3D自动分割结果。第一、二列为case3的两片分割结果。第三、四列为case4的两片分割结果。
图6为对分割出的结果进行三维重建，其中，(a)手工分割case3后重建结果，(b)2D方法分割case3后重建结果，(c)3D方法分割case3后重建结果，(d)手工分割case4后重建结果，(e)2D方法分割case4后重建结果，(f)3D方法分割case4后重建结果。
具体实施方式
以下是整个算法的具体实现步骤：
(1)首先，读取MR-T2flair图像，对脑图像进行拟合、旋转、剪裁等操作，使分为左右两个对称的长方体。再利用拓展了的Boundingbox方法[1]，检测感兴趣区域。
(2)将反射对称性方法作用到适当放大了的步骤1得到的感兴趣区域，对其进行检测和修正，得到更加准确的感兴趣区域VOI。
(3)根据得到的感兴趣区域VOI，进行种子点标记，通过GrowCut的迭代过程，最终确定体素点的标记，即脑胶质瘤区域标记为“+1”，背景区域标记为“-1”，从而分割出脑胶质瘤。
结果分析，从图1和图4的结果可知，拓展了的3DBoundingbox方法能够准确检测出感兴趣区域，且在脑胶质瘤横跨正中矢状面时依然有效。表2记录了四个案例相应的运行时间，可看到本方法比同原理的2D方法运行时间少。表3对算法的复杂度进行了理论分析，与表二的结果相一致。图2和图3显示了图像片上的分割结果，3D自动分割方法，相较于2D算法和金标准（人工分割结果和模拟的脑胶质瘤），效果相近。图3和图6显示了分割后图像重建的结果，三种方法重建后的脑胶质瘤形状大体相似。表1对重建后结果进行了定量分析。从表中可看到，本发明的算法能够准确的分割出脑胶质瘤区域，分割错误的点数占脑胶质瘤区域总点数较少。
表1定量比较2D同原理分割方法和本发明3D方法的分割结果
。
表2比较2D同原理分割方法和本发明3D方法的运行时间
。
表3理论分析比较原2D和本发明中3DBoundingbox方法的复杂度
。
参考文献
[1]B.N.Saha,N.Ray,R.Greiner,A.Murtha,andH.Zhang,“QuickDetectionofBrainTumorsandEdemas:ABoundingBoxMethodUsingSymmetry,”Comput.Med.Imag.Graphics.36,95-107,(2012).
[2]N.Kiryati,Y.Gofman.“Detectingsymmetryingreylevelimages:Theglobaloptimizationapproach,”InternationalJournalofComputerVision.29,29-45,(1998).
[3]V.Vezhnevets,andV.Konouchine,“GrowCut-InteractiveMulti-LabelN-DImageSegmentationbyCellularAutomata,”Proc.Graphicon.,150-156,(2005).
[4]P.Yang,Y.Wang,X.Peng,etal.,“ManagementandsurvivalratesinpatientswithgliomainChina(2004–2010):aretrospectivestudyfromasingle-institution”,JNeurooncol.113,259–66,(2013).
[5]H.Yan,DW.Parsons,G.Jin,etal.,“IDH1andIDH2mutationsingliomas”,NEnglJMed.360,765–73,(2009).
[6]A.W.Toga,P.M.Thompson,M.S.Mega,K.L.Narr,andR.E.Blanton,“ProbabilisticApproachesforAltlasingNormalandDisease-specificBrainVariability,”AnatomyandEmbryology.204,267-282,(2001).
[7]S.Taheri,S.H.Ong,andV.F.H.Chong,“Level-SetSegmentationofBrianTumorsUsingAThreshold-BasedSpeedFunction,”ImageVisionComput.28,26-37,(2010).
[8]T.M.Hsieh,Y.M.Liu,C.C.Liao,F.Xiao,I.J.Chiang,andJ.M.Wong,“AutomaticSegmentationofMeningiomaFromNon-ContrastedBrainMRIIntergratingFuzzyClusteringandRegionGrowing,”BMCMed.Informat.DecisionMaking.11,54,(2011).
[9]H.Khotanlou,O.Colliot,andI.Bloch,“AutomaticBrainTumorSegmentationUsingSymmetryAnalysisandDeformableModels”,Proc.ICAPR,198-202,(2007)。

Claims (4)

1.结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法，其特征在于具体步骤为：
（1）首先通过计算三维的参考图像和测试图像的归一化直方图，将2DBoundingBox方法[1]拓展到3D，寻找感兴趣区域，用长方体限定脑胶质瘤的大概位置；
（2）利用反射对称性检测方法，检验步骤（1）得到的结果，并修正Boundingbox方法在检测脑胶质瘤横跨正中矢状面时的结果，得到更加准确的感兴趣区域；
（3）将感兴趣区域用于GrowCut方法中，进行种子点的自动设置，把2DGrowCut算法改进为全自动的3DGrowCut方法，通过扩散种子点得到脑胶质瘤的边界。
2.根据权利要求1所述的3DMR大脑图像中感兴趣区域的自动提取方法，其特征在于步骤（1）的具体过程为：
（1）首先利用自动全局阈值的方法检测脑轮廓，并用椭球进行拟合；旋转图像，使椭球的短轴与图像x轴重合，再裁剪椭球外黑色背景区域，使整个大脑图像分为左右两个对称的长方体；
（2）将左右两个长方体分别看作测试图像（I）和参考图像(R)，首先计算z轴方向的得分函数：
(1)
其中，l是沿着z轴方向从上到下的扫描线，T(l)和B(l)是被扫描线分成的上下两个子长方体；P I T(l)是图像I在区域T(l)上的归一化强度直方图，P R T(l),P I B(l),和P R B(l)也有相似的定义，分别是图像R在区域T(l)上的归一化强度直方图，图像I在区域B(l)上的归一化强度直方图，图像R在区域B(l)上的归一化强度直方图；BC代表归一化两个直方图间的Bhattacharya系数，用来测量两者的相似性，定义如下：
(2)
(3)
当两个直方图相同时，BC等于1；当两直方图完全不同时，BC等于0；
找到得分函数的连续区间内的最大和最小值，即对应脑胶质瘤在z轴方向的上下边界面；
（3）对过程（1）中左右两个对称的长方体沿着过程（2）中找到的脑胶质瘤在z轴方向的上下边界进行裁剪，使z轴方向的长度变小，缩小搜索范围，再将两个长方体分别沿着y轴顺时针旋转900，重复步骤过程（2），得到脑胶质瘤在x轴方向的左右边界面；
（4）同过程（3），将得到的两个长方体沿着x轴方向的左右边界面进行裁剪，再沿着x轴方向顺时针旋转900，重复步骤过程（2），得到脑胶质瘤在y轴方向的前后边界面；
经过上述过程，得到3DMR图像上的感兴趣区域，即包含脑胶质瘤的长方体。
3.根据权利要求1所述的3DMR大脑图像中感兴趣区域的自动提取方法，其特征在于步骤（2）所述反射对称性检测方法的具体过程为：
将得到的长方体按最长边的1.5倍进行扩大，在包含最大脑轮廓切片的矩形框内检测其中的对称区域，即脑胶质；设在x，y坐标系统中，f(x,y)是一个在半径为L的圆外值都为0的函数，则2D反射对称的测量定义为:
(4)
其中，对于每个x，计算参数为y的1D函数沿着与y轴平行的从-L到L的分割线的积分；S(f)从0到1变化，其越接近于1则圆内对称性越强；圆形区域的大小和位置由高斯窗决定：
(5)
其中，r代表有效半径；
计算反射对称的最大值，得到最优的圆半径和圆心；计算圆心和Boundingbox中心两者之间的距离，如果距离小于boundingbox最短边长的1/3，则Boundingbox检测的结果则是正确的；否则，用反射对称性结果取代Boundingbox的中心；长方体的六个面相应的用中心加减半径长的距离进行替换，得到包含整个脑胶质瘤的感兴趣区域VOI。
4.根据权利要求1所述的3DMR大脑图像中感兴趣区域的自动提取方法，其特征在于步骤（3）所述3DGrowCut方法的具体过程为：
(1)首先调整不同图像片上脑胶质瘤的中心位置，将VOI中包含最大脑轮廓的图像作为参考图像I R ，其中心就是VOI的中心（x_center R ,y_center R, ），则不同片上的脑胶质瘤中心和半径定义如下：
(6)
(7)
(8)
其中，x_center i 和y_center i 是第i片图像上脑胶质瘤中心坐标，(X i ,Y i )和(l xi ,l yi )分别为脑轮廓外接长方形的中心和边长，(X R ,Y R )为图像IR上脑轮廓外接长方形的中心；类似地，(l xR ,l yR )是图像I R 上脑轮廓外接长方形的边长，R是VOI最小边长的一半；
（2）设置种子点，在每片图像上，以r i 为半径，(x_center i ,y_center i, )为圆心，标记一个值为“+1”的目标圆；同时，将VOI扩大到1.2倍，面上的点标记为“-1”；脑胶质瘤和外围背景分别标记为椭球和长方体；
（3）扩散种子点，待设置的体素p都包含在体素集P中，采用Moore邻域N(p)，则每个体素p有26个邻域q；未知体素的初始标记和能量设置为0，种子点能量为1，采用迭代的方法，根据种子点能量和邻域的能量，不断更新种子点状态；在第t+1次迭代进程中，标记和能量的更新分别为：
(9)
(10)
其中，C p 、C q 分别是体素p、q的光照强度，、分别是体素p、q在第t次迭代进程中的标记，g(x)是范围在[0,1]的单调下降函数：
(11)
当体素的标记不再变化或者到达最大迭代次数，迭代停止，最大迭代次数设为200到500；最终，脑胶质瘤和背景分别设置为“+1”和“-1”。
CN201510374494.4A 2015-07-01 2015-07-01 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法 Pending CN105046692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510374494.4A CN105046692A (zh) 2015-07-01 2015-07-01 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510374494.4A CN105046692A (zh) 2015-07-01 2015-07-01 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法

Publications (1)

Publication Number Publication Date
CN105046692A true CN105046692A (zh) 2015-11-11

Family

ID=54453210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510374494.4A Pending CN105046692A (zh) 2015-07-01 2015-07-01 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法

Country Status (1)

Country Link
CN (1) CN105046692A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683081A (zh) * 2016-12-17 2017-05-17 复旦大学 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统
CN108109140A (zh) * 2017-12-18 2018-06-01 复旦大学 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统
CN108182687A (zh) * 2016-12-08 2018-06-19 复旦大学 一种基于脑肿瘤医学影像的交互式三维分割方法
CN108765483A (zh) * 2018-06-04 2018-11-06 东北大学 一种从脑部ct图像中确定中矢面的方法及系统
CN108961281A (zh) * 2018-03-28 2018-12-07 研靖信息科技（上海）有限公司 一种基于3d体素数据图像的图像分割方法及设备
CN108986107A (zh) * 2018-06-15 2018-12-11 大连理工大学 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法
CN109478321A (zh) * 2016-07-25 2019-03-15 索尼公司 自动3d脑肿瘤分割和分类
CN112200811A (zh) * 2020-10-27 2021-01-08 西北工业大学深圳研究院 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090290776A1 (en) * 2008-05-22 2009-11-26 Siemens Corporate Research, Inc. Automatic Determination Of Field Of View In Cardiac MRI
CN102663762A (zh) * 2012-04-25 2012-09-12 天津大学 医学图像中对称器官的分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090290776A1 (en) * 2008-05-22 2009-11-26 Siemens Corporate Research, Inc. Automatic Determination Of Field Of View In Cardiac MRI
CN101596110A (zh) * 2008-05-22 2009-12-09 西门子共同研究公司 心脏mri中视场的自动确定
CN102663762A (zh) * 2012-04-25 2012-09-12 天津大学 医学图像中对称器官的分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BAIDYA NATH SAHA ET AL.: "Quick detection of brain tumors and edemas:A bounding box method using symmetry", 《COMPUTERIZED MEDICAL IMAGING AND GRAPHICS》 *
HASSAN KHOTANLOU ET AL.: "3D brain tumor segmentation in MRI using fuzzy classification,symmetry analysis and spatially constrained deformable models", 《FUZZY SETS AND SYSTEMS》 *
NAHUM KIRYATI ET AL.: "Detecting Symmetry in Grey Level Image:The Global Optimization Approach", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 *
TOSHIHIKO YAMASAKI ET AL.: "Comparative Study of Interactive Seed Generation for Growcut-Based Fast 3D MRI Segmentation", 《SIGNAL & INFORMATION PROCESSING ASSOCIATION ANNUAL SUMMIT AND CONFERENCE》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109478321A (zh) * 2016-07-25 2019-03-15 索尼公司 自动3d脑肿瘤分割和分类
CN109478321B (zh) * 2016-07-25 2022-04-26 索尼公司 自动3d脑肿瘤分割和分类
CN108182687A (zh) * 2016-12-08 2018-06-19 复旦大学 一种基于脑肿瘤医学影像的交互式三维分割方法
CN106683081A (zh) * 2016-12-17 2017-05-17 复旦大学 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统
CN106683081B (zh) * 2016-12-17 2020-10-30 复旦大学 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统
CN108109140A (zh) * 2017-12-18 2018-06-01 复旦大学 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统
CN108961281A (zh) * 2018-03-28 2018-12-07 研靖信息科技（上海）有限公司 一种基于3d体素数据图像的图像分割方法及设备
CN108765483A (zh) * 2018-06-04 2018-11-06 东北大学 一种从脑部ct图像中确定中矢面的方法及系统
CN108765483B (zh) * 2018-06-04 2021-07-16 东北大学 一种从脑部ct图像中确定中矢面的方法及系统
CN108986107A (zh) * 2018-06-15 2018-12-11 大连理工大学 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法
CN108986107B (zh) * 2018-06-15 2021-09-28 大连理工大学 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法
CN112200811A (zh) * 2020-10-27 2021-01-08 西北工业大学深圳研究院 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法

Similar Documents

Publication Publication Date Title
CN105046692A (zh) 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法
CN103247045B (zh) 一种从多视图中得到人造场景主方向及图像边缘的方法
CN107239742B (zh) 一种仪表指针刻度值计算方法
CN106340044B (zh) 摄像机外参自动标定方法及标定装置
WO2017041396A1 (zh) 一种车道线数据的处理方法、装置、存储介质及设备
CN106890031B (zh) 一种标记物识别及标记点定位方法及手术导航系统
CN110569699A (zh) 对图片进行目标采样的方法及装置
CN110136153B (zh) 一种图像处理方法、设备及存储介质
CN115393272B (zh) 基于深度学习的膝关节髌骨置换三维术前规划系统及方法
US20150317790A1 (en) Systems and methods for semi-automated segmentation of medical images
CN111897906A (zh) 处理地图数据的方法、装置、设备和存储介质
Cordeiro et al. Segmentation of mammography by applying growcut for mass detection
CN113792718A (zh) 深度图中人脸区域定位方法、电子设备及存储介质
CN110503723B (zh) 一种牙列缺损数字模型观测线的确定方法
CN112435252A (zh) 一种战斗部破片穿孔和凹坑检测方法
CN114170284B (zh) 基于主动标志点投射辅助的多视图点云配准方法
CN109636801B (zh) 自动获取her2荧光原位杂交结果的电子设备及介质
CN105354816A (zh) 一种电子元件定位方法及装置
JP6687395B2 (ja) 医用画像処理装置、医用画像処理方法及び医用イメージング装置
KR102255592B1 (ko) 마진 라인의 정밀도 향상을 위한 치과용 ct 영상 처리 방법
CN103208114A (zh) 基于交互式分割的胃部脂肪组织提取方法
US10943350B2 (en) Automated segmentation of histological sections for vasculature quantification
CN111881752A (zh) 一种护栏检测分类方法、装置、电子设备及存储介质
CN103955929B (zh) 图像局部边缘模式与非边缘模式判断方法及判断装置
CN107808160B (zh) 三维建筑物提取方法和装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20151111