CN105229701A - 定义感兴趣区域的方法 - Google Patents
定义感兴趣区域的方法 Download PDFInfo
- Publication number
- CN105229701A CN105229701A CN201480029614.0A CN201480029614A CN105229701A CN 105229701 A CN105229701 A CN 105229701A CN 201480029614 A CN201480029614 A CN 201480029614A CN 105229701 A CN105229701 A CN 105229701A
- Authority
- CN
- China
- Prior art keywords
- threshold value
- voxel
- region growing
- algorithm
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
Abstract
用于通过以可变的、增加的阈值连续地应用区域生长算法来定义用于将图像中的特征分段的感兴趣区域的方法,由此避免感兴趣区域的迅速生长。
Description
技术领域
本发明涉及一种定义在图像/体积中、更特别地在医学图像中的感兴趣区域的方法。
背景技术
放射学家和专家为了诊断目的和治疗规划而对不同类型的医学体积数据(CT、MRI、PET、SPECT等)使用体积测量。典型的示例是癌症治疗期间对肿瘤生长的跟进或测量器官的尺寸以规划手术。
为了能够执行这样的测量,需要在图像中将要对其执行测量的特征进行分段。优选地,借助于分段算法来自动地执行该图像分段。
用于图像分段的算法存在且被广泛地使用。
然而,由于不同应用的很多种类(特征尺寸和形状、成像模式、图像治疗等),开发一种能够处理所有要求情况的完全自动化工具是不可行的。
美国专利申请2000/0088644公开了用于在医学图像中定义感兴趣区域的这样的半自动化方法。获得表示图像的体素列表。根据例如强度值之类的变量对体素列表进行排序。配准初始体素的用户选择,并且从排序列表选择至少一个体素群组作为感兴趣区域。
用户交互是基于点击和拖动方法。从用户所点击的图像中的所谓种子点来确定阈值。接下来找到排序列表中的点击点的位置。提取向上直到与所点击的点对应的点的体素的排序列表中的所有体素。同样地,提取和存储直到该点的已被合并到点击点的任何子标签的体素。
可通过点击和拖动鼠标来选择阈值。在描述的实施例中的一个中,使用两个体素(点击点处的体素和释放点处的体素)的位置。具有最高强度的体素被用作上阈值并且另一体素被用作下阈值。只有那两个阈值之间的体素被突出显示为感兴趣区域。
用于基于区域生长算法来识别和分段感兴趣区域的方法常常非常易受迅速生长(即阈值的小的增加可以导致分段的大的扩张)的影响。典型地,这在分段“泄露”到附近特征时发生。例如,对于接近于骨骼的密集肿瘤而言,在某个阈值以上,区域生长连接到骨骼并且将整个骨架分段。该行为是不期望的,因为用户不想使用工具来测量稀疏连接特征,并且此外,该激增导致显著增加的处理时间,从而可能破坏实时反馈。
本发明旨在解决以上所描述的问题。
发明内容
为了克服以上所提及的问题,本发明提供了如在权利要求1中阐述的方法。
用于确定图像上的感兴趣区域的本发明的方法基于从种子点开始对图像应用区域生长算法并且连续地应用变化的(增加的/减小的)阈值的序列。该变化基于视觉反馈由用户来操纵。
为了避免迅速生长,该方法包括以下步骤:将通过针对给定阈值的所述区域生长算法获得的候选感兴趣区域与通过具有所述序列的接下来下阈值和上阈值的所述区域生长算法获得的候选感兴趣区域相比较,并且在所述候选感兴趣区域明显不同时确定迅速区域生长。不同可以基于尺寸、形状、统计等。尺寸的使用是优选的,因为其它参数常常要求更复杂、即更加费时的参数,这将负面地影响实时反馈。
在从属权利要求中阐述了用于本发明的优选实施例的特定特征。
本发明的方法一般地是以计算机程序产品的形式来实现,该计算机程序产品被适配于当在诸如计算机之类的信号处理装置上运行时执行本发明的方法步骤。计算机程序产品通常被存储在诸如DVD之类的计算机可读载体介质中。替换地,该计算机程序产品采取电信号的形式并且可以通过电子通信传送给用户。
根据以下详细描述,本发明的进一步优点和实施例将变得显而易见。
具体实施方式
根据本发明的方法,首先在被耦接到数据处理系统的显示屏上将包括要分段的特征的像素(2D)/体素(3D)表示所表示的图像/体积可视化。
区域生长算法在数据处理系统上运行。
借助于至少一个所识别的种子点和适用阈值的序列以及区域生长算法,获得用于分段操作的结果(即候选感兴趣区域)的序列。为了防止迅速生长,提供了所谓的限制器。该限制器如下面所解释的那样基于预测的生长速率进行操作。
针对其操作,区域生长算法需要种子点以及下阈值和上阈值的输入。该区域生长算法如下工作:
1)针对每个种子点,检索对应的像素/体素,这些是种子像素/体素。
2)将所有种子像素/体素指示为“被包括”在感兴趣区域(ROI)中。
3)将所有种子像素/体素添加到列表。
4)列表中的第一像素/体素从列表去除并且被指示为“活动”像素/体素。
5)评估被连接到“活动”像素/体素且尚未被指示为“被包括”的所有像素/体素:如果像素/体素值在由下阈值和上阈值定义的范围内,则像素/体素被指示为“被包括”并且被添加到列表。
6)重复步骤4和5直到列表为空。
7)一旦列表为空,被指示为“被包括”的所有像素/体素被说成是在ROI内,所有其它的不是。
上面描述的算法是区域生长算法的一个示例,可设想其它类型的区域生长算法,诸如基于应用一般阈值和有序连接成分分析和竞争区域生长的算法。
根据本发明的一个实施例,仅使用单个种子点。首先通过标记要识别的区域的边界内的位置或要分段的特征来识别此种子点的位置。这可以用各种方式来完成,通过输入坐标、点击所显示的图像等。该位置然后被传递到区域生长算法。
接下来,确定初始阈值。这些初始值是基于从种子体素的直接邻域检索的统计信息,例如26连接邻域中的体素的标准偏差。这些值被传递到区域生长算法,该区域生长算法然后被执行并且示出第一初始结果,即第一候选感兴趣区域。
接下来,系统提供标记(例如,滑块、鼠标光标、手势或任何其它输入方法)的移动可以修改阈值以获得更精炼的结果。两个阈值都可以通过在某个方向上移动来增加或减小。为了简化所需交互,在本发明中,通过单个移动来修改两个阈值,使得一个值的增加等于另一个值的类似减小(例如,将鼠标向下拖动减小下阈值并且增加上阈值,这将使得区域生长)。
这种方法对于CT和MRI图像上的应用而言是优选的。对于PET和SPECT图像而言,当将上阈值设定为无穷高并且仅修改下阈值时获得更好的结果。
标记可以是通过鼠标控制来操作的光标。然后用户界面被实现为点击和拖动操作:点击用于设定种子点,拖动用于修改阈值。其它实施方式可包括使用基于触控板的设备上的挤压移动、GUI中的滑块或由适当设备(参考Kinect、LeapMotion等)捕捉的手势。
在标记的移动期间,阈值优选地被连续适配(用后续值来代替某个值)并且被馈送到区域生长算法中。
因此,区域生长算法产生连续改变的区域,即具有增加的或减小的表面和/或体积的生长或收缩区域(取决于是在2D还是3D中应用算法)。
根据本发明的方法,例如通过突出显示所显示的图像的一部分或者通过指示区域的边界或轮廓而在显示屏上将从应用区域生长算法产生的分段区域可视化。
继续改变阈值的操作直到可视化的产生的区域与要分段的特征基本上对应。
该阈值改变操作结束的时刻取决于用户对区域生长算法的可视化结果与要分段特征之间的对应的评定。
最后,使用最终阈值的区域生长算法的结果表示分段特征。
一旦特征被分段,则可对特征应用测量操作。测量操作的示例是基本统计操作,像最小值、最大值和平均值、标准偏差,或几何信息,像体积、最大直径等。
为了克服迅速生长的问题,添加限制器,其操作是基于感兴趣区域的预测的生长速率。
一旦交互式分段开始,则用于每个区域结果的阈值和对应体积在用户的每次修改之前被临时存储。针对每个新的修改,例如基于先前结果的线性拟合来计算预期将对应于新阈值的体积。然后将该预测的体积与结果的实际体积相比较,并且如果后者明显大于第一个,则这是针对迅速生长的指示。根据许多代表性情况(针对不同的应用、模式等)的手动分析,发现因数2-4在大多数情况下产生最佳结果。
为了避免针对小区域的生长的过早停止,仅针对包含最小量的像素/体素的区域激活机制。再次地,基于相同测试情况,将该最小数目选择在100和1000之间。
当检测到迅速增长时,可以忽视新结果和/或可以通知用户。
使用当前阈值来定义所允许的阈值的范围的限制。对基于在所允许的范围外的阈值来重新计算结果的任何请求在本实施例中被取消。这防止用户反复地尝试修改在仅导致迅速生长和因此的无效结果的范围内的阈值。其由此还保持实时反馈,因为迅速生长对计算速度也是不利的。该系统对多种情况是有效的。通过检测和取消将导致迅速生长的任何操作,该限制器极大地扩展了工具的有效性和可用性。
如以上所描述的,本发明的分段方法基于区域生长算法。当这被应用到3D数据时,计算时间可能是相当重要的。因此,为了使至关重要的实时反馈适应于用户,开发了区域生长算法的高效并行实现。该实现基于针对通信和数据共享的消费者-生产者模式。在本发明中,通过允许每个线程同时是消费者和生产者两者来扩展该模式。
可以如下描述该实现:
工作负荷的分布和线程的定义:
-图像/体积被划分成例如相同尺寸的若干块。
-针对每个块,创建包含需要被处理的该块内的所有像素/体素的列表。如果用于块的像素/体素的列表不为空,则需要处理块。初始地,这些列表仅包含被标记为“被包括”的初始种子像素/体素。在处理期间,可向这些列表添加其它像素/体素。
-创建包含需要被处理的所有块的列表。最初,该列表仅仅包含包括初始种子像素/体素中的任何一个的块。在处理期间,可向该列表添加其它块。
-启动许多计算机线程。存在一个主线程和一个或多个从线程。
-每个从线程校验需要被处理的块的列表。如果列表不为空,则从线程从列表去除第一块并且开始对其进行处理。如果块的列表为空,则从线程处于空闲状态并且在固定时间量之后再次地校验块的列表。
-主线程周期性地校验块的列表。如果块的列表为空并且所有从线程空闲,则主线程停止所有从线程并且完成操作。
由从线程进行的一个块的处理:
-每个从线程以与先前在本文中所描述的区域生长类似的方式来处理某个块内的像素/体素的列表,
-将第一像素/体素从列表去除并且将其标记为“活动”像素/体素。这是从线程的“消费者”角色。
-评估被连接到“活动”像素/体素但尚未被指示为“被包括”的所有像素/体素:如果所连接的像素/体素值在由下阈值和上阈值定义的范围内,则所连接的像素/体素被指示为“被包括”并且被添加到所连接的像素/体素所属的块的像素/体素的列表。这意味着对于块的边缘处的像素/体素而言,可将所连接的像素/体素添加到与正在由该从线程处理的那个块不同的块的列表。这是从线程的“生产者”角色。
-重复该过程直到用于当前块的种子像素/体素的列表为空。
为了计算效率,需要被添加到不同块的列表的所连接的像素/体素被首先存储在临时缓冲器中,并且只有当缓冲期满了时或者当从线程已经结束处理当前块时才被写入到该列表。由于区域生长算法的性质,某个块被处理若干次是可能的。
区域生长算法可由于在所获取的图像数据中的噪声而产生有噪声结果。这可导致分段特征中的许多小孔。为了关闭这些孔,用户可能增加阈值。然而,这可能导致比目标特征更大的分段区域,并且因此对分段特征执行的测量可能不正确。
为了解决该问题,在本发明的特定实施例中,一个或多个形态学操作被应用到由区域生长算法获得的结果。
该操作有效地去除了孔并且由此向用户(实时地)提供干净的分段。
这样的形态学操作的示例是膨胀和腐蚀,其使用结构化元素分别地使区域膨胀和收缩。在一个特定实施例中,使用某个尺寸的关闭操作(其是膨胀和腐蚀的组合)来填充各孔。
在另一实施例中,可以通过对图像应用滤波器来减少结果中的噪声。然而,这要求对体积应用预处理操作以及将图像/体积的副本保持在存储器中。为了避免该问题,可以将区域生长器的实现修改成具有在顺排滤波能力。这可以通过扩展用于将体素标记为“被包括”的评估标准来完成。作为仅仅将体素的值与上阈值和下阈值相比较的替代,可以将标准扩展到也评估体素的邻域,例如当至少一半相邻体素的值在阈值内时将体素标记为“被包括”。针对某些参数,可以将该扩展标准示为等同于对被中值滤波器预滤波的图像应用简单的标准。由于该滤波器仅被应用到实际上被考虑用于区域生长的体素,所以其可以比在预处理步骤中将其应用到整个体积明显更快。
已经描述了在一个实施例中通过沿着所显示的图像来移动光标(鼠标移动)来适配阈值。由于应用的很多种类,优选的是自动地确定阈值关于鼠标移动而改变的速率。如果不是,对于许多情况而言,鼠标拖动将是过度灵敏或不够灵敏。特定实施例包括该速率的智能确定,从而使得对于大多数情况而言鼠标拖动灵敏度非常类似。该灵敏度基于显示屏上的图像的尺度和当设定种子点时进行的初始猜测。
另外,初始启动阈值与(一个或多个)种子点的值不相等,而是基于种子点的直接邻域来进行初始猜测。这使从用户要求的努力最小化。
本发明的方法可以用简单的点击和拖动工具、基于触控板的设备的挤压移动或者由适当设备捕捉的手势来实现。要求两个用户输入:种子点和阈值。种子点可以通过点击图像内的某个位置(从其开始进行区域生长的点)来设定,并且可以通过拖动鼠标(和光标)来修改阈值。该拖动将导致增加/减小阈值,这将进而使区域生长或缩凹。
Claims (11)
1.一种通过应用区域生长算法来确定图像或体积中的感兴趣区域的方法,包括步骤
1)以减小下阈值和增加上阈值将所述区域生长算法反复地应用到所述图像或体积以生成许多候选感兴趣区域并且计算对应的体积,
2)针对新组下阈值和上阈值,
-从步骤(1)中获得的结果来预测对应于新组阈值的体积,以生成预测体积,以及
-以所述新组下阈值和上阈值将所述区域生长算法应用到所述图像以生成新的候选感兴趣区域并且计算对应的新体积,
3)将所述预测体积与所述新体积相比较,
4)当所述预测体积与所述新体积之间的差异超过预定因数时检测迅速区域生长并且忽视所述新的候选感兴趣区域。
2.根据权利要求1所述的方法,其中,当迅速区域生长被确定时生成警告。
3.根据权利要求1所述的方法,针对先前应用的阈值使用阈值与分段区域的体积之间的关系的线性内插,基于预测的生长速率来识别所述区域的所述迅速生长。
4.根据权利要求1所述的方法,其中,通过以下步骤来获得所述感兴趣区域
-在被耦接到数据处理系统的显示屏上显示所述图像,
-识别所述感兴趣区域内的所述显示图像上的种子点,
-将所述种子点输入到在所述数据处理系统上运行的区域生长算法中,
-基于种子点的邻域的统计信息,设定用于在所述区域生长算法中使用的阈值的初始值并且计算所述区域生长算法以获得第一候选区域,
-在预定义方向上沿着显示图像移动标记,
-响应于所述移动,增加或减小适用的下阈值和上阈值以获得即时阈值,
-通过将即时阈值反复地输入到所述区域生长算法中并且以输入的即时阈值来覆写在所述区域生长算法中输入的阈值来精炼区域结果,
-将通过将具有所述即时阈值的所述区域生长算法应用到所述图像而获得的区域可视化,
-当通过应用所述区域生长算法而获得的区域基本上与感兴趣区域对应时结束所述标记的移动。
5.根据权利要求4所述的方法,其中,所述区域生长算法具有以下步骤:
1)针对每个种子点,获得对应的种子像素或体素,
2)将所有种子像素或体素识别为“被包括”在感兴趣区域(ROI)中,
3)将所有种子像素或体素添加到列表,
4)列表中的第一像素或体素从列表去除并且被识别为活动像素或体素,
5)评估被连接到活动像素或体素的并且尚未被识别为“被包括”的所有像素或体素:如果像素或体素值在由下阈值和上阈值定义的范围内,则像素或体素被定义为“被包括”并且被添加到列表,
6)重复步骤4和5直到列表为空,
7)一旦列表为空,则被识别为“被包括”的所有像素或体素被视为在ROI内,所有其它的不是。
6.根据权利要求4所述的方法,其中,所述标记的移动被实现为鼠标控制的光标,或者通过基于触控板的设备上的挤压移动而获得或通过手势而获得。
7.根据权利要求1所述的方法,其中,所述区域生长算法的结果经受以下形态学操作中的至少一个:扩张、腐蚀、打开或关闭操作。
8.根据权利要求4所述的方法,其中,通过显示屏上的图像尺寸和种子点的邻域的统计信息来确定对应于所述标记的移动适配所述阈值的速率。
9.根据权利要求1所述的方法,其中,所述图像是医学图像。
10.一种适配于当在计算机上运行时执行前述权利要求中的任一项的方法的计算机程序产品。
11.一种计算机可读介质,包括适配于执行权利要求1-9中的任一项的步骤的计算机可执行程序代码。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP13168875.6A EP2806398A1 (en) | 2013-05-23 | 2013-05-23 | Method of defining a region of interest |
EP13168875.6 | 2013-05-23 | ||
PCT/EP2014/060608 WO2014187935A1 (en) | 2013-05-23 | 2014-05-23 | Method of defining a region of interest |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105229701A true CN105229701A (zh) | 2016-01-06 |
Family
ID=48577497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480029614.0A Pending CN105229701A (zh) | 2013-05-23 | 2014-05-23 | 定义感兴趣区域的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20160148388A1 (zh) |
EP (2) | EP2806398A1 (zh) |
CN (1) | CN105229701A (zh) |
WO (1) | WO2014187935A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117837A (zh) * | 2018-07-26 | 2019-01-01 | 上海鹰瞳医疗科技有限公司 | 感兴趣区域确定方法和设备 |
CN111033290A (zh) * | 2017-07-04 | 2020-04-17 | 皇家飞利浦有限公司 | 傅里叶空间中的磁共振指纹识别 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10636184B2 (en) | 2015-10-14 | 2020-04-28 | Fovia, Inc. | Methods and systems for interactive 3D segmentation |
CN112163608B (zh) * | 2020-09-21 | 2023-02-03 | 天津大学 | 一种基于多粒度语义融合的视觉关系检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070217668A1 (en) * | 2005-09-23 | 2007-09-20 | Lars Bornemann | Method and apparatus of segmenting an object in a data set and of determination of the volume of segmented object |
WO2007119204A2 (en) * | 2006-04-13 | 2007-10-25 | Medicad S.R.L. | Method for processing biomedical images |
WO2012140147A2 (en) * | 2011-04-12 | 2012-10-18 | Dublin City University | Processing ultrasound images |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100503424B1 (ko) * | 2003-09-18 | 2005-07-22 | 한국전자통신연구원 | 다중단면 전산화단층촬영 영상을 이용한 폐결절 자동 검출방법 및 이를 기록한 기록매체 |
US8391593B2 (en) * | 2004-06-09 | 2013-03-05 | Hewlett-Packard Development Company, L.P. | Image processing methods and systems |
US7876938B2 (en) * | 2005-10-06 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for whole body landmark detection, segmentation and change quantification in digital images |
GB2463141B (en) | 2008-09-05 | 2010-12-08 | Siemens Medical Solutions | Methods and apparatus for identifying regions of interest in a medical image |
EP2620909B1 (en) * | 2012-01-24 | 2014-12-24 | General Electric Company | Method, system and computer readable medium for automatic segmentation of a medical image |
CN102622737B (zh) * | 2012-02-29 | 2014-08-27 | 宁波大学 | 一种基于区域生长的显微图像融合方法 |
EP2713337B1 (en) * | 2012-10-01 | 2015-09-09 | Agfa Healthcare | Method of analyzing an image |
US9990712B2 (en) * | 2015-04-08 | 2018-06-05 | Algotec Systems Ltd. | Organ detection and segmentation |
-
2013
- 2013-05-23 EP EP13168875.6A patent/EP2806398A1/en not_active Withdrawn
-
2014
- 2014-05-23 EP EP14725704.2A patent/EP3000099A1/en not_active Withdrawn
- 2014-05-23 US US14/889,177 patent/US20160148388A1/en not_active Abandoned
- 2014-05-23 CN CN201480029614.0A patent/CN105229701A/zh active Pending
- 2014-05-23 WO PCT/EP2014/060608 patent/WO2014187935A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070217668A1 (en) * | 2005-09-23 | 2007-09-20 | Lars Bornemann | Method and apparatus of segmenting an object in a data set and of determination of the volume of segmented object |
WO2007119204A2 (en) * | 2006-04-13 | 2007-10-25 | Medicad S.R.L. | Method for processing biomedical images |
WO2012140147A2 (en) * | 2011-04-12 | 2012-10-18 | Dublin City University | Processing ultrasound images |
Non-Patent Citations (3)
Title |
---|
SUSANNE BOCK ET AL.: "Robust vessel segmentation", 《PROC. OF SPIE》 * |
TOBIAS BOSKAMP ET AL.: "Geometrical and structural analysis of vessel systems in 3D medical image datasets", 《WSPC》 * |
谭建豪等: "《数字图像处理与移动机器人路径规划》", 30 April 2013 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111033290A (zh) * | 2017-07-04 | 2020-04-17 | 皇家飞利浦有限公司 | 傅里叶空间中的磁共振指纹识别 |
CN111033290B (zh) * | 2017-07-04 | 2022-08-02 | 皇家飞利浦有限公司 | 傅里叶空间中的磁共振指纹识别 |
CN109117837A (zh) * | 2018-07-26 | 2019-01-01 | 上海鹰瞳医疗科技有限公司 | 感兴趣区域确定方法和设备 |
CN109117837B (zh) * | 2018-07-26 | 2021-12-07 | 上海鹰瞳医疗科技有限公司 | 感兴趣区域确定方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2014187935A1 (en) | 2014-11-27 |
US20160148388A1 (en) | 2016-05-26 |
EP2806398A1 (en) | 2014-11-26 |
EP3000099A1 (en) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A unified convolutional neural network integrated with conditional random field for pipe defect segmentation | |
US9361702B2 (en) | Image detection method and device | |
WO2017200524A1 (en) | Deep convolutional neural networks for crack detection from image data | |
CN106910204B (zh) | 一种对海面船只自动跟踪识别的方法和系统 | |
CN110930427B (zh) | 一种基于语义轮廓信息的图像分割方法、设备和存储介质 | |
US9626761B2 (en) | Sampling method and image processing apparatus of CS-RANSAC for estimating homography | |
Medina-Carnicer et al. | A novel histogram transformation to improve the performance of thresholding methods in edge detection | |
CN105229701A (zh) | 定义感兴趣区域的方法 | |
CN107274425B (zh) | 一种基于脉冲耦合神经网络的彩色图像分割方法及装置 | |
Nasser et al. | Dominant point detection based on discrete curve structure and applications | |
yuan Wang et al. | PCB welding spot detection with image processing method based on automatic threshold image segmentation algorithm and mathematical morphology | |
CN114741754A (zh) | 一种基于建筑图纸的房间区域识别方法及系统 | |
Wang et al. | Semantic segmentation of sewer pipe defects using deep dilated convolutional neural network | |
Freire Santana et al. | Multispectral image unsupervised segmentation using watershed transformation and cross-entropy minimization in different land use | |
Hong et al. | Sliding window-based probabilistic change detection for remote-sensed images | |
CN112598664B (zh) | 基于视觉显著性的虫粮等级判定方法和装置 | |
Kurlin et al. | A persistence-based approach to automatic detection of line segments in images | |
Dhar et al. | Multi-class Image Segmentation Using Theory of Weak String Energy and Fuzzy Set | |
CN114842178A (zh) | 一种基于电子产品的在线可视化交互系统及方法 | |
WO2024024175A1 (ja) | 判定評価装置、方法、およびプログラム | |
El-Owny | Edge detection in gray level images based on non-shannon entropy | |
He et al. | Deep learning and image preprocessing-based crack repair trace and secondary crack classification detection method for concrete bridges | |
Hu | Logistics vehicle tracking method based on intelligent vision | |
US8660367B1 (en) | Template matching systems, methods, and articles of manufacture | |
Zhu et al. | Deep salient object detection via hierarchical network learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160106 |