CN105069791B - 一种从肺ct图像中分割出肺结节图像的处理方法 - Google Patents
一种从肺ct图像中分割出肺结节图像的处理方法 Download PDFInfo
- Publication number
- CN105069791B CN105069791B CN201510482790.6A CN201510482790A CN105069791B CN 105069791 B CN105069791 B CN 105069791B CN 201510482790 A CN201510482790 A CN 201510482790A CN 105069791 B CN105069791 B CN 105069791B
- Authority
- CN
- China
- Prior art keywords
- lung
- region
- point
- cut zone
- images
- 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.)
- Active
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
- G06T2207/30—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)
Abstract
一种从肺CT图像中分割出肺结节图像的处理方法,本发明涉及从肺CT图像中分割肺结节的方法。本发明是要解决现有技术难以通过颜色进行区分连接血管的肺结节、分割精度低和鲁棒性差的问题。本发明是通过一、选择当前分割区域;二、判断当前分割区域中的点是否是直线血管上的点或者是否是血管上的拐点;三、删除待删除的点序列中的所有点;四、判断步骤一中所获得的当前分割区域的随机排序列表中下一个未处理的分割区域是否存在;五、将较小的区域从当前分割区域的随机排序列表中删除;六、判断备选分割区域中的是否有点或整个区域被滤除;七、从肺CT图像初步分割区域中分割出肺结节等步骤实现的。本发明应用于分割肺结节领域。
Description
技术领域
本发明涉及分割出肺结节的方法,特别涉及一种从肺CT图像中分割出肺结节图像的处理方法。
背景技术
从肺CT图像中分割肺结节是图像处理技术在医学图像中的重要应用,在计算机辅助诊断中具有重要意义。
目前,对于孤立的肺结节,可以较好地进行分割和检测,而对于连接血管的肺结节(如图2所示),则往往难以进行分割。由于CT图像为灰度图像,肺结节与血管气管等组织在图像上的亮度接近,故难以通过颜色(灰度值)进行区分。目前已存在的算法主要基于统计和梯度变化的思想,主要存在分割精度低,鲁棒性差等问题,不能准确的分离结节与血管。而分割的不精确,会为后续的肺结节检测部分引入问题,进而导致检测失败。
发明内容
本发明的目的是为了解决难以通过颜色(灰度值)进行区分连接血管的肺结节、现有技术存在分割精度低和鲁棒性差的问题,而提出的一种从肺CT图像中分割出肺结节图像的处理方法。
上述的发明目的是通过以下技术方案实现的:
步骤一、将已获得的肺CT图像随机排列成当前分割区域的随机排序列表,在当前分割区域的随机排序列表中选择第一个分割区域作为当前分割区域;
步骤二、判断当前分割区域中的点是否是肺CT图像中的直线血管上的点或者当前分割区域中的点是否是肺CT图像中的血管上的拐点;若当前分割区域中的点是肺CT图像中的直线血管上的点或者是肺CT图像中的血管上的拐点,则将当前分割区域中的点加入待删除的点序列;
步骤三、将待删除的点序列中的所有点从当前分割区域中删除;
步骤四、判断步骤一中所获得的当前分割区域的随机排序列表中下一个未处理的分割区域是否存在;若存在未处理的分割区域,则将未处理的分割区作为当前分割区域,执行步骤二;若不存在未处理的分割区域,则执行步骤五;其中,未处理的分割区域具体为:当前分割区域的随机排序列表中存在的未经过步骤二三处理过的区域;
步骤五、重复步骤一重新建立当前分割区域的随机排序列表,并将较小的区域从重新建立当前分割区域的随机排序列表中删除;其中,较小的区域的大小小于阈值T个像素点;
步骤六、判断备选分割区域中是否有点或整个区域被滤除,若有点或整个区域被滤除,则执行步骤一;若没有点或整个区域被滤除,则执行步骤七;其中,备选分割区域为从重新建立当前分割区域的随机排序列表中删除后所剩余的区域;
步骤七、将步骤五中重新建立的当前分割区域的随机排序列表中均不能通过两种类圆形检测的备选分割区域删除后,剩余的备选区域为从肺CT图像中分割出的肺结节;其中,两种类圆形检测算法包括第一种类圆形检测和第二种类圆形检测。
发明效果
一种从肺CT图像的中进一步分割出肺结节的方法,属于医学图像处理领域,本发明是为了解决初步分割获得的感兴趣区域中肺CT图像中肺结节与血管器官等组织黏连的结节难以分割的问题本发明方法包括:一、选择第一个分割区域作为当前区域;二、对当前分割区域中每一个点做是否在血管上的判断,若是,则加入待删除序列;三、将待删除序列中的所有点从该区域中删除;四、判断下一个未处理的分割区域是否存在。若是,则作为当前分割区域,执行步骤二。若否,则执行步骤五;五、滤除较小区域;六、判断在这次处理中,所有的分割区域是否发生变化。若是,则重新开始一次处理,执行步骤一。若否,则执行步骤七;七、滤除非类圆形区域。故本发明提出的算法利用形状信息可以准确的去除血管,有效分割出结节如图2~图4所示,真实的肺结节与血管相连,且在CT图像上均偏白,仅仅通过颜色信息难以进行准确的分割。然而结节与相连血管的形状是存在差异;因此本发明自动将结节从相连的血管上分离出来。
因此采用本发明提出的肺结节分割方法,可以作为肺结节自动检测系统中,本发明简单易行,可靠性高。
附图说明
图1为具体实施方式一提出的一种从肺CT图像中分割出肺结节图像的处理方法的流程图;
图2是实施例提出的1号结节分割结果示例图;
图3是实施例提出的2号结节分割结果示例图;
图4是实施例提出的3号结节分割结果示例图。
具体实施方式
具体实施方式一:结合图1本实施方式的一种从肺CT图像中分割出肺结节图像的处理方法,具体是按照以下步骤制备的:
步骤一、将已获得的肺CT图像随机排列成当前分割区域的随机排序列表,在当前分割区域的随机排序列表中选择第一个分割区域作为当前分割区域;
步骤二、判断当前分割区域中的点是否是肺CT图像中的直线血管上的点或者当前分割区域中的点是否是肺CT图像中的血管上的拐点;若当前分割区域中的点是肺CT图像中的直线血管上的点或者是肺CT图像中的血管上的拐点,则将当前分割区域中的点加入待删除的点序列;
步骤三、将待删除的点序列中的所有点从当前分割区域中删除;
步骤四、判断步骤一中所获得的当前分割区域的随机排序列表中下一个未处理的分割区域是否存在;若存在未处理的分割区域,则将未处理的分割区作为当前分割区域,执行步骤二;若不存在未处理的分割区域,则执行步骤五;其中,未处理的分割区域具体为:当前分割区域的随机排序列表中存在的未经过步骤二三处理过的区域;
步骤五、重复步骤一重新建立当前分割区域的随机排序列表,并将较小的区域从重新建立当前分割区域的随机排序列表中删除;其中,较小的区域的大小小于阈值T个像素点;
步骤六、判断在这次处理中,当前分割区域的随机排序列表中的所有区域中的备选分割区域是否发生变化即判断备选分割区域中的是否有点或整个区域被滤除,若有点或整个区域被滤除,则执行步骤一;若没有点或整个区域被滤除,则执行步骤七;(备选分割区域有很多,备选分割区域可以列成一个表,当前区域是备选分割区域中的一个)其中,备选分割区域为从重新建立当前分割区域的随机排序列表中删除后所剩余的区域;
步骤七、滤除非类圆形区域,将步骤五中重新建立的当前分割区域的随机排序列表中均不能通过两种类圆形检测的备选分割区域删除后,剩余的备选区域为从肺CT图像中分割出的肺结节;其中,两种类圆形检测算法包括第一种类圆形检测和第二种类圆形检测;非类圆形区域为不能通过两种类圆形检测的备选分割区域。
本实施方式效果
一种从肺CT图像的中进一步分割出肺结节的方法,属于医学图像处理领域,本实施方式是为了解决初步分割获得的感兴趣区域中肺结节与血管器官等组织黏连的问题。本实施方式方法包括:一、选择第一个分割区域作为当前区域;二、对当前分割区域中每一个点做是否在血管上的判断,若是,则加入待删除序列;三、将待删除序列中的所有点从该区域中删除;四、判断下一个未处理的分割区域是否存在。若是,则作为当前分割区域,执行步骤二。若否,则执行步骤五;五、滤除较小区域;六、判断在这次处理中,所有的分割区域是否发生变化。若是,则重新开始一次处理,执行步骤一。若否,则执行步骤七;七、滤除非类圆形区域。故本实施方式提出的算法利用形状信息可以准确的去除血管,分割出结节。如图2~图4所示,真实的肺结节与血管相连,且在CT图像上均偏白,仅仅通过颜色信息难以进行准确的分割。然而结节与相连血管的形状是存在差异;因此本实施方式自动将结节从相连的血管上分离出来。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤二中判断当前分割区域中的点是否是肺CT图像中的直线血管上的点具体为:
在当前区域中选择某一个点,该点所在某一个方向上的长度为l1,与l1垂直的方向上的长度为l2,若l1与l2满足下面的关系,则认为当前分割区域中的点是肺CT图像中的直线血管上的点:
其中,阈值T3取值3~5,f取f(x)=x+2或f(x)=2x+1;某一个方向为水平、竖直、相对于水平方向顺时针倾斜45度方向或相对于水平方向逆时针倾斜45度方向,只要存在某一个方向上的l1和l2满足公式(1),就认为当前分割区域中的点是直线血管上的点。其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:步骤二中判断当前分割区域中的点是否是肺CT图像中的血管上的拐点的方法为:
在当前区域中选择某一个点,,该点所在某一个方向上的长度为l1,而与l1垂直的方向上的长度为l2,若l1与l2满足公式(2),则认为当前分割区域中的点是肺CT图像中的血管上的拐点:
其中,阈值T4和T5取值1~3,阈值T4和T5取值1~3。其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:步骤五中T取值10~20。其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:步骤七中第一种类圆形检测方法为:
(1)对于备选分割区域中任意一个区域中所有边界点的坐标集合为计算坐标的均值:
(2)计算每个边界点到坐标均值的距离Ri:
(3)计算所有距离的归一化方差:
当时,认为备选分割区域中任意一个区域不能通过类圆形检测;
当时,认为备选分割区域中任意一个区域能通过类圆形检测;
其中,阈值T1取值0.6~0.8;为归一化方差。其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:步骤七中第二种类圆形检测方法为:
(1)以备选分割区域中任意一个区域中所有点的集合中的每个点作为圆心,半径为r做圆,当所作圆覆盖所有点中存在不在集合中的点时,半径最终取值ri=r-1,圆的面积为Si,即Sm=max Si;M为备选分割区域中所有点个数;其中,半径r为从1开始逐渐增加即r=1,2,3,...,n;(半径每次增加1,即增加一个像素点)
(2)计算P=Si/M,即圆的面积所占总面积的值;当P<T2时,认为备选分割区域中任意一个区域不能通过类圆形检测;当P≥T2时,认为备选分割区域中任意一个区域能通过类圆形检测;其中,阈值T2取值0.6~0.8。其它步骤及参数与具体实施方式一至五之一相同。
本实施例一种从肺CT图像中分割出肺结节图像的处理方法,具体是按照以下步骤制备的:
步骤一、将已获得的肺CT图像随机排列成当前分割区域的随机排序列表,在当前分割区域的随机排序列表中选择第一个分割区域作为当前分割区域;
步骤二、判断当前分割区域中的点是否是肺CT图像中的直线血管上的点或者当前分割区域中的点是否是肺CT图像中的血管上的拐点;若当前分割区域中的点是肺CT图像中的直线血管上的点或者是肺CT图像中的血管上的拐点,则将当前分割区域中的点加入待删除的点序列;
判断当前分割区域中的点是否是肺CT图像中的直线血管上的点具体为:
在当前区域中选择某一个点,该点所在某一个方向上的长度为l1,与l1垂直的方向上的长度为l2,若l1与l2满足下面的关系,则认为当前分割区域中的点是肺CT图像中的直线血管上的点:
其中,阈值T3取值3,f取f(x)=x+2或f(x)=2x+1;某一个方向为水平、竖直、相对于水平方向顺时针倾斜45度方向或相对于水平方向逆时针倾斜45度方向,只要存在某一个方向上的l1和l2满足公式(1),就认为当前分割区域中的点是直线血管上的点。
判断当前分割区域中的点是否是肺CT图像中的血管上的拐点的方法为:
在当前区域中选择某一个点,,该点所在某一个方向上的长度为l1,而与l1垂直的方向上的长度为l2,若l1与l2满足公式(2),则认为当前分割区域中的点是肺CT图像中的血管上的拐点:
其中,阈值T4和T5取值2,阈值T4和T5取值2。
步骤三、将待删除的点序列中的所有点从当前分割区域中删除;
步骤四、判断步骤一中所获得的当前分割区域的随机排序列表中下一个未处理的分割区域是否存在;若存在未处理的分割区域,则将未处理的分割区作为当前分割区域,执行步骤二;若不存在未处理的分割区域,则执行步骤五;其中,未处理的分割区域具体为:当前分割区域的随机排序列表中存在的未经过步骤二三处理过的区域;
步骤五、重复步骤一重新建立当前分割区域的随机排序列表,并将较小的区域从重新建立当前分割区域的随机排序列表中删除;其中,较小的区域的大小小于阈值20个像素点;
步骤六、判断在这次处理中,当前分割区域的随机排序列表中的所有区域中的备选分割区域是否发生变化即步骤六、判断备选分割区域中是否有点或整个区域被滤除,若有点或整个区域被滤除,则执行步骤一;若没有点或整个区域被滤除,则执行步骤七;其中,备选分割区域为从重新建立当前分割区域的随机排序列表中删除后所剩余的区域;
(备选分割区域有很多,备选分割区域可以列成一个表,当前区域是备选分割区域中的一个)
步骤七、滤除非类圆形区域,将步骤五中重新建立的当前分割区域的随机排序列表中均不能通过两种类圆形检测的备选分割区域删除后,剩余的备选区域为从肺CT图像中分割出的肺结节;其中,两种类圆形检测算法包括第一种类圆形检测和第二种类圆形检测;非类圆形区域为不能通过两种类圆形检测的备选分割区域。
其中,第一种类圆形检测方法为:
(1)对于备选分割区域中任意一个区域中所有边界点的坐标集合为计算坐标的均值:
(2)计算每个边界点到坐标均值的距离Ri:
(3)计算所有距离的归一化方差:
当时,认为备选分割区域中任意一个区域不能通过类圆形检测;
当时,认为备选分割区域中任意一个区域能通过类圆形检测;
其中,阈值T1取值0.6;为归一化方差。
第二种类圆形检测方法为:
(1)以备选分割区域中任意一个区域中所有点的集合中的每个点作为圆心,半径为r做圆,当所作圆覆盖所有点中存在不在集合中的点时,半径最终取值ri=r-1,圆的面积为Si,即Sm=max Si;M为备选分割区域中所有点个数;其中,半径r为从1开始逐渐增加即r=1,2,3,...,n;(半径每次增加1,即增加一个像素点)
(2)计算P=Si/M,即圆的面积所占总面积的值;当P<T2时,认为备选分割区域中任意一个区域不能通过类圆形检测;当P≥T2时,认为备选分割区域中任意一个区域能通过类圆形检测;其中,阈值T2取值0.8。
故本实施例提出的算法利用形状信息可以准确的去除血管,分割出的1号、2号和3号结节。如图2~图4所示,真实的肺结节与血管相连,且在CT图像上均偏白,仅仅通过颜色信息难以进行准确的分割。然而结节与相连血管的形状是存在差异;因此本实施方式自动将结节从相连的血管上分离出来。
Claims (6)
1.一种从肺CT图像中分割出肺结节图像的处理方法,其方法作为计算机程序存储在计算机系统的存储器中,其特征在于一种从肺CT图像中分割出肺结节图像的处理方法包括以下步骤:
步骤一、将已获得的肺CT图像随机排列成当前分割区域的随机排序列表,在当前分割区域的随机排序列表中选择第一个分割区域作为当前分割区域;
步骤二、判断当前分割区域中的点是否是肺CT图像中的直线血管上的点或者当前分割区域中的点是否是肺CT图像中的血管上的拐点;若当前分割区域中的点是肺CT图像中的直线血管上的点或者是肺CT图像中的血管上的拐点,则将当前分割区域中的点加入待删除的点序列;
步骤三、将待删除的点序列中的所有点从当前分割区域中删除;
步骤四、判断步骤一中所获得的当前分割区域的随机排序列表中下一个未处理的分割区域是否存在;若存在未处理的分割区域,则将未处理的分割区作为当前分割区域,执行步骤二;若不存在未处理的分割区域,则执行步骤五;其中,未处理的分割区域具体为:当前分割区域的随机排序列表中存在的未经过步骤二三处理过的区域;
步骤五、重复步骤一重新建立当前分割区域的随机排序列表,并将较小的区域从重新建立当前分割区域的随机排序列表中删除;其中,较小的区域的大小小于阈值T个像素点;
步骤六、判断备选分割区域中是否有点或整个区域被滤除,若有点或整个区域被滤除,则执行步骤一;若没有点或整个区域被滤除,则执行步骤七;其中,备选分割区域为从重新建立当前分割区域的随机排序列表中删除后所剩余的区域;
步骤七、将步骤五中重新建立的当前分割区域的随机排序列表中均不能通过两种类圆形检测的备选分割区域删除后,剩余的备选区域为从肺CT图像中分割出的肺结节;其中,两种类圆形检测算法包括第一种类圆形检测和第二种类圆形检测。
2.根据权利要求1所述的一种从肺CT图像中分割出肺结节图像的处理方法,其特征在于,步骤二中判断当前分割区域中的点是否是肺CT图像中的直线血管上的点具体为:
在当前区域中选择某一个点,该点所在某一个方向上的长度为l1,与l1垂直的方向上的长度为l2,若l1与l2满足下面的关系,则认为当前分割区域中的点是肺CT图像中的直线血管上的点:
其中,阈值T3取值3~5,f取f(x)=x+2或f(x)=2x+1;某一个方向为水平、竖直、相对于水平方向顺时针倾斜45度方向或相对于水平方向逆时针倾斜45度方向。
3.根据权利要求2所述的一种从肺CT图像中分割出肺结节图像的处理方法,其特征在于,步骤二中判断当前分割区域中的点是否是肺CT图像中的血管上的拐点的方法为:
在当前区域中选择某一个点,该点所在某一个方向上的长度为l1,而与l1垂直的方向上的长度为l2,若l1与l2满足公式(2),则认为当前分割区域中的点是肺CT图像中的血管上的拐点:
其中,阈值T4和T5取值1~3。
4.根据权利要求3所述的一种从肺CT图像中分割出肺结节图像的处理方法,其特征在于,步骤五中T取值10~20。
5.根据权利要求4所述的一种从肺CT图像中分割出肺结节图像的处理方法,其特征在于,步骤七中第一种类圆形检测方法为:
(1)对于备选分割区域中任意一个区域中所有边界点的坐标集合为{(xi,yi)|0≤i≤N-1,xi∈Z,yi∈Z},计算坐标的均值:
(2)计算每个边界点到坐标均值的距离Ri:
(3)计算所有距离的归一化方差:
当时,认为备选分割区域中任意一个区域不能通过类圆形检测;
当时,认为备选分割区域中任意一个区域能通过类圆形检测;
其中,阈值T1取值0.6~0.8;为归一化方差。
6.根据权利要求5所述的一种从肺CT图像中分割出肺结节图像的处理方法,其特征在于,步骤七中第二种类圆形检测方法为:
(1)以备选分割区域中任意一个区域中所有点的集合{(xi,yi)|0≤i≤M-1,xi∈Z,yi∈Z}中的每个点作为圆心,半径为r做圆,当所作圆覆盖所有点中存在不在集合{(xi,yi)|0≤i≤M-1,xi∈Z,yi∈Z}中的点时,半径最终取值ri=r-1,圆的面积为Si,即Sm=max Si;M为备选分割区域中所有点个数;其中,半径r为从1开始逐渐增加即r=1,2,3,...,n;
(2)计算P=Si/M,即圆的面积所占总面积的值;当P<T2时,认为备选分割区域中任意一个区域不能通过类圆形检测;当P≥T2时,认为备选分割区域中任意一个区域能通过第二种类圆形检测;其中,阈值T2取值0.6~0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510482790.6A CN105069791B (zh) | 2015-08-07 | 2015-08-07 | 一种从肺ct图像中分割出肺结节图像的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510482790.6A CN105069791B (zh) | 2015-08-07 | 2015-08-07 | 一种从肺ct图像中分割出肺结节图像的处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069791A CN105069791A (zh) | 2015-11-18 |
CN105069791B true CN105069791B (zh) | 2018-09-11 |
Family
ID=54499148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510482790.6A Active CN105069791B (zh) | 2015-08-07 | 2015-08-07 | 一种从肺ct图像中分割出肺结节图像的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069791B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504232B (zh) * | 2016-10-14 | 2019-06-14 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1418353A (zh) * | 2000-01-18 | 2003-05-14 | 芝加哥大学 | 计算机体层摄影扫描中对肺部区域进行自动分割的方法和系统 |
EP1826722A1 (en) * | 2006-02-23 | 2007-08-29 | MeVis GmbH | Computer system and method for processing a digital image |
CN101515365A (zh) * | 2009-03-25 | 2009-08-26 | 沈阳东软医疗系统有限公司 | 一种ct影像中的粘连血管型肺结节自动分割方法 |
CN101853493A (zh) * | 2009-10-21 | 2010-10-06 | 首都医科大学 | 医学图像中结节的多维度纹理提取方法 |
CN101763644B (zh) * | 2010-03-10 | 2011-11-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
CN102542562A (zh) * | 2011-11-23 | 2012-07-04 | 首都医科大学 | 一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法 |
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
- 2015-08-07 CN CN201510482790.6A patent/CN105069791B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1418353A (zh) * | 2000-01-18 | 2003-05-14 | 芝加哥大学 | 计算机体层摄影扫描中对肺部区域进行自动分割的方法和系统 |
EP1826722A1 (en) * | 2006-02-23 | 2007-08-29 | MeVis GmbH | Computer system and method for processing a digital image |
CN101515365A (zh) * | 2009-03-25 | 2009-08-26 | 沈阳东软医疗系统有限公司 | 一种ct影像中的粘连血管型肺结节自动分割方法 |
CN101853493A (zh) * | 2009-10-21 | 2010-10-06 | 首都医科大学 | 医学图像中结节的多维度纹理提取方法 |
CN101763644B (zh) * | 2010-03-10 | 2011-11-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
CN102542562A (zh) * | 2011-11-23 | 2012-07-04 | 首都医科大学 | 一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN105069791A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485183B (zh) | 一种二维码定位方法及系统 | |
CN106204555B (zh) | 一种结合Gbvs模型和相位一致性的视盘定位方法 | |
CN110097542B (zh) | 芯片气泡的检测方法、装置及存储介质 | |
JP7333465B2 (ja) | 網膜血管の動静脈を判別する方法及び装置 | |
WO2020042866A1 (zh) | 线段检测方法、装置、设备和计算机可读存储介质 | |
CN105261021B (zh) | 去除前景检测结果阴影的方法及装置 | |
CN104700420B (zh) | 基于Hough变换的椭圆检测方法、系统和虫卵识别方法 | |
CN110458799A (zh) | 基于肋骨展开图的肋骨骨折自动检测方法 | |
Turetken et al. | Detecting irregular curvilinear structures in gray scale and color imagery using multi-directional oriented flux | |
US9070016B2 (en) | Biometric authentication apparatus, biometric authentication method and recording medium | |
CN108491786A (zh) | 一种基于分级网络和聚类合并的人脸检测方法 | |
CN105068918A (zh) | 一种页面测试方法及装置 | |
CN109635669A (zh) | 图像分类方法、装置及分类模型的训练方法、装置 | |
CN108241859A (zh) | 车牌的校正方法及装置 | |
CN110427909B (zh) | 一种移动端驾驶证检测方法、系统及电子设备和存储介质 | |
CN107292238A (zh) | 基于空间拓扑关系约束和消失点的建筑物轮廓识别方法 | |
CN105069791B (zh) | 一种从肺ct图像中分割出肺结节图像的处理方法 | |
CN114863492A (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN104463175B (zh) | 手指静脉特征匹配方法和装置 | |
Tan et al. | Automatic notch detection in retinal images | |
CN109087347A (zh) | 一种图像处理方法及装置 | |
US20030151054A1 (en) | Method for automatically defining a part model | |
CN106991669B (zh) | 一种基于深度选择性差异的显著性检测方法 | |
CN115690104B (zh) | 一种晶圆裂缝检测方法、装置及存储介质 | |
CN111612738B (zh) | 基于检测直线和线段的菊池花样几何信息提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |