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 PDFInfo
- 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
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
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”。
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)
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)
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 |
-
2015
- 2015-07-01 CN CN201510374494.4A patent/CN105046692A/zh active Pending
Patent Citations (3)
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)
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)
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 |