CN105225231B - 基于病灶容积测量的mri自动图像分割方法 - Google Patents
基于病灶容积测量的mri自动图像分割方法 Download PDFInfo
- Publication number
- CN105225231B CN105225231B CN201510577847.0A CN201510577847A CN105225231B CN 105225231 B CN105225231 B CN 105225231B CN 201510577847 A CN201510577847 A CN 201510577847A CN 105225231 B CN105225231 B CN 105225231B
- Authority
- CN
- China
- Prior art keywords
- gray level
- level image
- image
- current
- sub
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于病灶容积测量的MRI自动图像分割方法,其首先获取待分割的MRI扫描图像的灰度图像;然后对灰度图像进行分不重叠子块处理;接着采用标记分水岭分割算法对灰度图像进行分割,得到多个初步病灶区域;再将每个初步病灶区域对应的每个子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化,得到对应的最终病灶区域;优点是采用标记分水岭分割算法对灰度图像进行初步分割,不仅分割得到的初步病灶区域的准确度高,而且分割效率高;在初步分割后,利用非线性优化模型进行优化,因此只需一次分割再结合优化就能得到准确的病灶区域,分割过程简单,分割效率高,且运算量少,适合大批量图像分割作业。
Description
技术领域
本发明涉及一种图像处理技术,尤其是涉及一种基于病灶容积测量的MRI(Magnetic Resonance Imaging,磁共振成像)自动图像分割方法。
背景技术
多发硬化疾病是中枢神经系统的脱髓鞘疾病,多见于北美及欧洲,估计全世界至少有300~400万患者,占神经系统疾病发病率的6%~10%,近年来日本和中国的报道日趋增多。
磁共振成像是多发硬化疾病临床诊断和治疗唯一的、有效的影像学评价方法。目前,对于经验丰富的放射科医生确定MRI扫描图像中的灰白质病灶通常采用以下两种方法,第一种方法:在MRI扫描图像的连续层面手动圈定病灶的感兴趣区域(ROI,region ofinteresting);第二种方法:在MRI扫描图像分析工作站,使用图像分析软件的模糊聚类技术对多发硬化疾病病人的矢状位的MRI扫描图像进行多通道的(如二通道或三通道或四通道)脑组织分割,具体过程为:首先从每幅MRI扫描图像中分离出不同脑组织和背景(噪声)各自的感兴趣区域(ROI,region ofinteresting);接着采用非线性各向异性散布滤波器(nonlinear anisotropicdiffusion filter)对每幅MRI扫描图像中的不同脑组织和背景(噪声)各自的感兴趣区域进行滤波处理,以消除噪声平滑图像,增强和探测图像中的目标边界;之后对每个滤波处理后的感兴趣区域进行二值化处理,建立对应的模板(mask),再利用该模板从原始的MRI扫描图像中提取出不同结构的大脑结构图;再自动融合所有MRI扫描图像各自对应的大脑结构图,得到一个根据像素值而建立的综合脑分割图像的彩色图;最后采用动态模糊K-均值聚类算法(FKM,Fuzzy K-meansClusteringAlgorithm)对彩色图实施分割。上述两种方法各自存在缺陷,第一种方法的缺陷有:1)由于是手动圈定病灶,因此该方法大多用在比较复杂的场合;2)手动圈定病灶严重依赖操作人员的病灶判断经验,因此并不适合大部分缺乏相关专业知识的操作人员去使用;3)该方法由于采用手动圈定病灶,因此分割效率很低,不适合大批量图像分割作业,严重阻碍了该方法的普及和推广;第二种方法的缺陷有:由于MRI扫描图像中的非脑组织如颅骨、眼球和肌肉等及背景噪声的信号强度与脑组织的信号强度有一定重叠,因此利用动态模糊K-均值聚类算法分割会产生误分现象,而误分会直接影响病例的判断准确性,误判对于病人及家属来说是不可以接受的,也是大部分医患矛盾产生的根源。
发明内容
本发明所要解决的技术问题是提供一种基于病灶容积测量的MRI自动图像分割方法,其分割过程简单,且分割效率高、分割精度高,运算量少。
本发明解决上述技术问题所采用的技术方案为:一种基于病灶容积测量的MRI自动图像分割方法,其特征在于包括以下步骤:
①获取一幅来自医院的MRI医学影像设备的MRI扫描图像作为待分割的MRI扫描图像,然后将待分割的MRI扫描图像转换为灰度图像;
②假设该灰度图像的宽度和高度对应为W×H,那么如果W×H能够被u×u整除,则将该灰度图像定义为当前灰度图像,然后直接将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该灰度图像使其尺寸大小能够被u×u整除,将扩展后的灰度图像定义为当前灰度图像,然后将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的灰度图像的宽度和高度,W'=W且H'>H或W'>W且H'=H或W'>W且H'>H,补充的所有像素点的像素值为0或255;
③采用标记分水岭分割算法对当前灰度图像进行分割,得到当前灰度图像中的多个初步病灶区域;
④将当前灰度图像中当前待处理的初步病灶区域定义为当前初步病灶区域;
⑤从当前灰度图像中提取出与当前初步病灶区域对应的所有尺寸大小为u×u的子块,按序对当前初步病灶区域对应的每个尺寸大小为u×u的子块进行处理,将当前待处理的尺寸大小为u×u的子块定义为当前子块;
⑥将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化,非线性优化模型输出当前子块中的所有像素点各自的信噪比,如果当前子块中的每个像素点的信噪比与事先存储于数据库中的MRI扫描图像的灰度图像中对应像素点的信噪比的误差小于10%,则确定当前子块优化成功,其中,事先存储于数据库中的MRI扫描图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同;
⑦将下一个待处理的尺寸大小为u×u的子块作为当前子块,然后返回步骤⑥继续执行,直至当前初步病灶区域对应的所有尺寸大小为u×u的子块处理完毕,得到对应的最终病灶区域;
⑧将当前灰度图像中下一个待处理的初步病灶区域作为当前初步病灶区域,然后返回步骤⑤继续执行,直至当前灰度图像中的所有初步病灶区域处理完毕,得到当前灰度图像中的多个最终病灶区域,至此完成MRI扫描图像的自动分割。
所述的步骤②中的u×u取5×5。
所述的步骤⑥中的非线性优化模型为其中,表示非线性优化模型输出的信噪比,s为布朗粒子的运动坐标,t为布朗粒子的运动时间,A为固定周期信号的幅度,f0为固定周期信号的频率,ψ为固定周期信号的初相位,m和n均为双稳态势垒实参数,g(t)表示非线性优化模型的输入参数,α为噪声强度,ξ(t)为均值为0的高斯白噪声。
所述的步骤⑥中事先存储于数据库中的MRI扫描图像的灰度图像中的每个像素点的信噪比的具体获取过程为:
⑥-1、选取一幅具有明显病灶的MRI扫描图像,然后将该具有明显病灶的MRI扫描图像转换为灰度图像,其中,该具有明显病灶的MRI扫描图像的来源与步骤①中的MRI扫描图像的来源一致;
⑥-2、假设该灰度图像的宽度和高度对应为W×H,那么如果W×H能够被u×u整除,则将该灰度图像作为待处理灰度图像,然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该灰度图像使其尺寸大小能够被u×u整除,将扩展后的灰度图像作为待处理灰度图像,然后将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的灰度图像的宽度和高度,W'=W且H'>H或W'>W且H'=H或W'>W且H'>H,补充的所有像素点的像素值为0或255;
⑥-3、手动圈定待处理灰度图像中的每个病灶区域;
⑥-4、计算待处理灰度图像中的每个病灶区域对应的每个尺寸大小为u×u的子块中的每个像素点的信噪比。
与现有技术相比,本发明的优点在于:
1)由于标记分水岭分割算法具有分割精度高、效率高、误差小等优势,其对目标物体连接在一起的图像能够取得比较好的分割效果,因此本发明方法采用标记分水岭分割算法对灰度图像进行初步分割,不仅分割得到的初步病灶区域的准确度高,而且分割效率高。
2)本发明方法在初步分割后,利用非线性优化模型进行优化,因此只需一次分割再结合优化就能得到准确的病灶区域,分割过程简单,分割效率高,且运算量少,适合大批量图像分割作业。
3)本发明方法能够实现自动分割,既适用于简单的场合,又适用于复杂的场合。
4)本发明方法不依赖于医生的能力与经验,普通技术水平的医生经过简单操作就可以获取MRI扫描图像分割的目标。
附图说明
图1为本发明方法的总体实现框图;
图2为一幅三维脑部MRI扫描图像;
图3为利用本发明方法对图2所示的三维脑部MRI扫描图像进行处理后的效果图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种基于病灶容积测量的MRI自动图像分割方法,其总体实现框图如图1所示,其包括以下步骤:
①获取一幅来自医院的MRI医学影像设备的MRI扫描图像作为待分割的MRI扫描图像,然后将待分割的MRI扫描图像转换为灰度图像。
②假设该灰度图像的宽度和高度对应为W×H,那么如果W×H能够被u×u整除,则将该灰度图像定义为当前灰度图像,然后直接将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该灰度图像使其尺寸大小能够被u×u整除,将扩展后的灰度图像定义为当前灰度图像,然后将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的灰度图像的宽度和高度,W'=W且H'>H或W'>W且H'=H或W'>W且H'>H,补充的所有像素点的像素值为0或255。
在本实施例中,u×u取5×5。
在本实施例中,扩展灰度图像直接采用现有技术,一般在原始的灰度图像的最右侧补充若干列像素点(原始的灰度图像的宽度不能被u整除,而高度能够被u整除的情况)或在原始的灰度图像的最下侧补充若干行像素点(原始的灰度图像的宽度能够被u整除,而高度不能被u整除的情况)或在原始的灰度图像的最右侧补充若干列像素点且在原始的灰度图像的最下侧补充若干行像素点(原始的灰度图像的宽度不能被u整除且高度也不能被u整除的情况),且补充的所有像素点的像素值为0或255。
③采用现有的标记分水岭分割算法对当前灰度图像进行分割,得到当前灰度图像中的多个初步病灶区域。
标记分水岭分割算法具有分割精度高、效率高、误差小等优势,其对目标物体连接在一起的图像能够取得比较好的分割效果,因此本发明方法采用标记分水岭分割算法对三维脑部MRI扫描图像的灰度图像进行分割处理,能够有效地提高初步病灶区域分割的准确度和分割效率。
④将当前灰度图像中当前待处理的初步病灶区域定义为当前初步病灶区域。
⑤从当前灰度图像中提取出与当前初步病灶区域对应的所有尺寸大小为u×u的子块,按序对当前初步病灶区域对应的每个尺寸大小为u×u的子块进行处理,将当前待处理的尺寸大小为u×u的子块定义为当前子块。
⑥将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化,非线性优化模型输出当前子块中的所有像素点各自的信噪比,如果当前子块中的每个像素点的信噪比与事先存储于数据库中的MRI扫描图像的灰度图像中对应像素点的信噪比的误差小于10%,则确定当前子块优化成功,其中,数据库中存储有多种不同类型的MRI扫描图像(如三维脑部MRI扫描图像、三维胸部MRI扫描图像、三维腿部MRI扫描图像等)的灰度图像中的所有像素点各自的信噪比,事先存储于数据库中的MRI扫描图像与待分割的MRI扫描图像属于同一类型,即若待分割的MRI扫描图像为三维脑部MRI扫描图像,则信噪比比较时的对象为事先存储于数据库中的三维脑部MRI扫描图像,事先存储于数据库中的MRI扫描图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同,同一品牌的磁共振成像设备获取的MRI扫描图像的尺寸大小一般情况下都是相同的,因此在实际实施过程中,可采用同一台磁共振成像设备获取需存储于数据库中的MRI扫描图像及待分割的MRI扫描图像。
在本实施例中,步骤⑥中的非线性优化模型为其中,表示非线性优化模型输出的信噪比,s为布朗粒子的运动坐标,t为布朗粒子的运动时间,A为固定周期信号的幅度,f0为固定周期信号的频率,ψ为固定周期信号的初相位,m和n均为双稳态势垒实参数,g(t)表示非线性优化模型的输入参数,α为噪声强度,ξ(t)为均值为0的高斯白噪声。
在本实施例中,步骤⑥中事先存储于数据库中的MRI扫描图像的灰度图像中的每个像素点的信噪比的具体获取过程为:
⑥-1、选取一幅具有明显病灶的MRI扫描图像,然后将该具有明显病灶的MRI扫描图像转换为灰度图像,其中,该具有明显病灶的MRI扫描图像的来源与步骤①中的MRI扫描图像的来源一致。
⑥-2、假设该灰度图像的宽度和高度对应为W×H,那么如果W×H能够被u×u整除,则将该灰度图像作为待处理灰度图像,然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该灰度图像使其尺寸大小能够被u×u整除,将扩展后的灰度图像作为待处理灰度图像,然后将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的灰度图像的宽度和高度,W'=W且H'>H或W'>W且H'=H或W'>W且H'>H,补充的所有像素点的像素值为0或255。
在本实施例中,u×u取5×5。
⑥-3、手动圈定待处理灰度图像中的每个病灶区域。
⑥-4、采用现有技术人工计算待处理灰度图像中的每个病灶区域对应的每个尺寸大小为u×u的子块中的每个像素点的信噪比。
⑦将下一个待处理的尺寸大小为u×u的子块作为当前子块,然后返回步骤⑥继续执行,直至当前初步病灶区域对应的所有尺寸大小为u×u的子块处理完毕,得到对应的最终病灶区域。
⑧将当前灰度图像中下一个待处理的初步病灶区域作为当前初步病灶区域,然后返回步骤⑤继续执行,直至当前灰度图像中的所有初步病灶区域处理完毕,得到当前灰度图像中的多个最终病灶区域,至此完成MRI扫描图像的自动分割。
为进一步验证本发明方法的可行性和有效性,对本发明方法进行试验。
假设固定周期信号的幅度A=4,固定周期信号的频率f0=1Hz,固定周期信号的初相位ψ=0°,并使噪声强度α的取值区间为[0,400],此时令双稳态势垒实参数n=1,并使双稳态势垒实参数m在区间[1,10]内以步长为0.1进行变化,同时监控非线性优化模型输出的信噪比,当非线性优化模型输出的信噪比曲线产生特征峰并且峰值为最大值时,可以确定m=6.5,此时各项参数为最优化选择。
图2给出了一幅三维脑部MRI扫描图像,利用本发明方法并结合上述各项参数对图2所示的三维脑部MRI扫描图像进行自动分割,得到的分割结果如图3所示。从图3中可以看出,图3能够更加清晰的展现病灶的病情,能够为医生提供更加准确的病理判断依据,这足以说明本发明方法是可行且有效的。
Claims (4)
1.一种基于病灶容积测量的MRI自动图像分割方法,其特征在于包括以下步骤:
①获取一幅来自医院的MRI医学影像设备的MRI扫描图像作为待分割的MRI扫描图像,然后将待分割的MRI扫描图像转换为灰度图像;
②假设该灰度图像的宽度和高度对应为W×H,那么如果W×H能够被u×u整除,则将该灰度图像定义为当前灰度图像,然后直接将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该灰度图像使其尺寸大小能够被u×u整除,将扩展后的灰度图像定义为当前灰度图像,然后将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的灰度图像的宽度和高度,W'=W且H'>H或W'>W且H'=H或W'>W且H'>H,补充的所有像素点的像素值为0或255;
③采用标记分水岭分割算法对当前灰度图像进行分割,得到当前灰度图像中的多个初步病灶区域;
④将当前灰度图像中当前待处理的初步病灶区域定义为当前初步病灶区域;
⑤从当前灰度图像中提取出与当前初步病灶区域对应的所有尺寸大小为u×u的子块,按序对当前初步病灶区域对应的每个尺寸大小为u×u的子块进行处理,将当前待处理的尺寸大小为u×u的子块定义为当前子块;
⑥将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化,非线性优化模型输出当前子块中的所有像素点各自的信噪比,如果当前子块中的每个像素点的信噪比与事先存储于数据库中的MRI扫描图像的灰度图像中对应像素点的信噪比的误差小于10%,则确定当前子块优化成功,其中,事先存储于数据库中的MRI扫描图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同;
⑦将下一个待处理的尺寸大小为u×u的子块作为当前子块,然后返回步骤⑥继续执行,直至当前初步病灶区域对应的所有尺寸大小为u×u的子块处理完毕,得到对应的最终病灶区域;
⑧将当前灰度图像中下一个待处理的初步病灶区域作为当前初步病灶区域,然后返回步骤⑤继续执行,直至当前灰度图像中的所有初步病灶区域处理完毕,得到当前灰度图像中的多个最终病灶区域,至此完成MRI扫描图像的自动分割。
2.根据权利要求1所述的基于病灶容积测量的MRI自动图像分割方法,其特征在于所述的步骤②中的u×u取5×5。
3.根据权利要求1或2所述的基于病灶容积测量的MRI自动图像分割方法,其特征在于所述的步骤⑥中的非线性优化模型为其中,表示非线性优化模型输出的信噪比,s为布朗粒子的运动坐标,t为布朗粒子的运动时间,A为固定周期信号的幅度,f0为固定周期信号的频率,ψ为固定周期信号的初相位,m和n均为双稳态势垒实参数,g(t)表示非线性优化模型的输入参数,α为噪声强度,ξ(t)为均值为0的高斯白噪声。
4.根据权利要求3所述的基于病灶容积测量的MRI自动图像分割方法,其特征在于所述的步骤⑥中事先存储于数据库中的MRI扫描图像的灰度图像中的每个像素点的信噪比的具体获取过程为:
⑥-1、选取一幅具有明显病灶的MRI扫描图像,然后将该具有明显病灶的MRI扫描图像转换为灰度图像,其中,该具有明显病灶的MRI扫描图像的来源与步骤①中的MRI扫描图像的来源一致;
⑥-2、假设该灰度图像的宽度和高度对应为W×H,那么如果W×H能够被u×u整除,则将该灰度图像作为待处理灰度图像,然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该灰度图像使其尺寸大小能够被u×u整除,将扩展后的灰度图像作为待处理灰度图像,然后将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的灰度图像的宽度和高度,W'=W且H'>H或W'>W且H'=H或W'>W且H'>H,补充的所有像素点的像素值为0或255;
⑥-3、手动圈定待处理灰度图像中的每个病灶区域;
⑥-4、计算待处理灰度图像中的每个病灶区域对应的每个尺寸大小为u×u的子块中的每个像素点的信噪比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510577847.0A CN105225231B (zh) | 2015-09-11 | 2015-09-11 | 基于病灶容积测量的mri自动图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510577847.0A CN105225231B (zh) | 2015-09-11 | 2015-09-11 | 基于病灶容积测量的mri自动图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105225231A CN105225231A (zh) | 2016-01-06 |
CN105225231B true CN105225231B (zh) | 2017-11-10 |
Family
ID=54994180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510577847.0A Expired - Fee Related CN105225231B (zh) | 2015-09-11 | 2015-09-11 | 基于病灶容积测量的mri自动图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105225231B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458859B (zh) * | 2019-07-01 | 2023-05-05 | 南开大学 | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 |
CN117640932B (zh) * | 2024-01-25 | 2024-04-26 | 陕西通达伟业医疗供应链管理有限公司 | 用于远程医疗的神经内科图像压缩传输方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757953A (en) * | 1996-02-29 | 1998-05-26 | Eastman Kodak Company | Automated method and system for region decomposition in digital radiographic images |
CN101556693A (zh) * | 2009-03-30 | 2009-10-14 | 西安电子科技大学 | 阈值法标记提取的分水岭sar图像分割方法 |
CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
CN102651124A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于冗余字典稀疏表示和评价指标的图像融合方法 |
-
2015
- 2015-09-11 CN CN201510577847.0A patent/CN105225231B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757953A (en) * | 1996-02-29 | 1998-05-26 | Eastman Kodak Company | Automated method and system for region decomposition in digital radiographic images |
CN101556693A (zh) * | 2009-03-30 | 2009-10-14 | 西安电子科技大学 | 阈值法标记提取的分水岭sar图像分割方法 |
CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
CN102651124A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于冗余字典稀疏表示和评价指标的图像融合方法 |
Non-Patent Citations (2)
Title |
---|
"A novel benzene quantitative analysis method using miniaturized metal ionization gas sensor and non-linear bistable dynamic system";Xuxiang Tang等;《Bioengineered》;20150728;第6卷(第5期);第294-296页 * |
"基于感兴趣区域轮廓的图像分割方法";王燕妮等;《现代电子技术》;20080815;第31卷(第16期);第133-135页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105225231A (zh) | 2016-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859203B (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
CN105513077B (zh) | 一种用于糖尿病性视网膜病变筛查的系统 | |
CN108510473A (zh) | 结合深度可分离卷积与通道加权的fcn视网膜图像血管分割 | |
CN108257134A (zh) | 基于深度学习的鼻咽癌病灶自动分割方法和系统 | |
CN109035255A (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
CN100586371C (zh) | 一种基于磁共振三维肾图的图像处理系统 | |
CN108038860A (zh) | 基于3d全卷积神经网络的脊柱分割方法 | |
CN109146899A (zh) | Ct图像的危及器官分割方法及装置 | |
CN106683090A (zh) | 医学图像中肋骨的定位方法及其系统 | |
US20110103655A1 (en) | Fundus information processing apparatus and fundus information processing method | |
CN109859215A (zh) | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 | |
CN107730507A (zh) | 一种基于深度学习的病变区域自动分割方法 | |
CN107368671A (zh) | 基于大数据深度学习的良性胃炎病理诊断支持系统和方法 | |
CN107507201A (zh) | 一种医学图像分割方法及装置 | |
CN106846346B (zh) | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 | |
JP2023530023A (ja) | 深層学習に基づく脊椎mri映像キーポイント検出方法 | |
CN104545792B (zh) | 眼底图像的动静脉视网膜血管视盘定位方法 | |
CN105139409B (zh) | 基于蚁群算法的二维图像分割方法 | |
CN107358608A (zh) | 基于图像处理技术的骨组织几何形态学参数自动测量装置及方法 | |
CN107669273A (zh) | 磁共振设备扫描系统、扫描方法及计算机可读存储介质 | |
CN107767362A (zh) | 一种基于深度学习的肺癌早筛装置 | |
CN107909588A (zh) | 基于三维全卷积神经网络的mri皮质下分区系统 | |
CN110047068A (zh) | 基于金字塔场景分析网络的mri脑肿瘤分割方法及系统 | |
CN108932720A (zh) | 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 | |
CN107248162A (zh) | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171110 Termination date: 20180911 |