CN105261005A - 基于多尺度空间模糊聚类的无监督mri图像分割方法 - Google Patents
基于多尺度空间模糊聚类的无监督mri图像分割方法 Download PDFInfo
- Publication number
- CN105261005A CN105261005A CN201510577621.0A CN201510577621A CN105261005A CN 105261005 A CN105261005 A CN 105261005A CN 201510577621 A CN201510577621 A CN 201510577621A CN 105261005 A CN105261005 A CN 105261005A
- Authority
- CN
- China
- Prior art keywords
- gray level
- level image
- sub
- image
- block
- 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.)
- Granted
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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于多尺度空间模糊聚类的无监督MRI图像分割方法,特点是包括以下步骤:获取一幅待分割的MRI扫描图像,转换成灰度图像,采用模糊聚类算法分析得到初始感兴趣的轮廓;获得感兴趣的灰度图像区域,定义当前灰度图像;采用标记分水岭分割算法对当前灰度图像进行分割,得到多块初步目标区域;定义当前初步目标区域;定义当前子块;将当前子块中的每个像素点的像素值分别作为输入参数输入非线性优化模型中进行优化;将判定优化成功的当前子块定义为保留子块;重复执行前述步骤直至所有初步目标区域均处理完毕,完成对MRI扫描图像的分割;优点是提高了图像分割结果的准确性;有效地去除图像中的噪声;提高了退化图像的鲁棒性。
Description
技术领域
本发明涉及一种图像分割方法,尤其是基于多尺度空间模糊聚类的无监督MRI图像分割方法。
背景技术
多尺度分析是正确认识事物和现象的重要方法之一,目前广泛地用于医学图像分析中。但是目前已有的方法普遍存在计算方法太简单化,在一定条件下容易受到图像对比度与亮度变化的影响,如果使用人员要求得最佳阈值,往往需要进行较大规模的遍历计算并计算出方差,当计算量大时效率会很低。同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,目前以后的方法并不能使图像分割得到满意的结果,虽在一定程度上可以消除噪声的影响,但该方法计算量相当大,难以应用到实时系统。
由于磁共振成像(MagneticResonanceImaging,简称MRI)设备获取的人脑核磁图像受噪声、射频场不均匀性、脑不同组织之间的差异性以及部分容积效应等因素影响,造成人脑核磁图像的均匀性变差,因此仅依靠图像的灰度密度信息给精确的脑图像分类带来了很大困难,如果要得到正确的脑组织分类,首先必须对灰度进行校正。
近年来,一些基于模糊聚类的多尺度空间的图像数据处理技术被陆续提出,该类方法的过程通常是在尺度空间图像序列的每一个尺度层次上直接进行模糊聚类方法,上一尺度层次的分割结果经常作为下一尺度层次的初始状态,由于没有引进有效的不同的尺度层次之间的约束来优化当前尺度层次内的分割,所以分割结果只在最后分割的尺度层次得到优化,因此,这些方法对于退化图像的鲁棒性不是很好。
发明内容
本发明所要解决的技术问题是提供一种图像分割结果较为准确且有效地去除图像中的噪声、提高了退化图像的鲁棒性的基于多尺度空间模糊聚类的无监督MRI图像分割方法。
本发明解决上述技术问题所采用的技术方案为:基于多尺度空间模糊聚类的无监督MRI图像分割方法,包括以下步骤:
①从医院的MRI医学影像设备中获取一幅待分割的MRI扫描图像,然后将该待分割的MRI扫描图像转换成灰度图像,再采用模糊聚类算法对灰度图像进行分析,得到初始感兴趣的轮廓{A1,A2,A3,…,An},其中,A1、A2、A3、…、An表示构成初始感兴趣的轮廓的所有边缘点;
②根据初始感兴趣的轮廓{A1,A2,A3,…,An},经过包络获得灰度图像中的感兴趣区域,根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域,定义该方形区域的宽度为W、高度为H,如果该方形区域的尺寸大小W×H能够被u×u整除,则将该方形区域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,则扩展该方形区域直至其尺寸大小W'×H'恰好能够被u×u整除,其中,W'表示经过扩展的方形区域的宽度,H'表示经过扩展的方形区域的高度,再将经过扩展的方形区域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,W'==W且H'>H,或W'>W且H'==H,或W'>W且H'>H,u取4或5或6;
③采用标记分水岭分割算法对当前灰度图像进行分割,得到经过分割后的多块初步目标区域;
④对获得的所有初步目标区域中当前待处理的一块初步目标区域定义为当前初步目标区域;
⑤从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为u×u的子块,对提取出的所有子块中当前待处理的一个子块定义为当前子块;
⑥将当前子块中的每个像素点的像素值分别作为输入参数输入非线性优化模型中进行优化,该非线性优化模型为:
其中:表示非线性优化模型输出的信噪比,A为固定周期信号的幅度,f0为固定周期信号的频率,t为布朗粒子的运动时间,ψ为固定周期信号的初相位,m、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,s为布朗粒子的运动坐标,α为噪声强度,ξ(t)为均值为0的高斯白噪声;
将当前子块中的每个像素点的像素值分别作为输入参数输入非线性优化模型中进行优化后,由非线性优化模型输出当前子块中的每个像素点的信噪比,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的像素点的信噪比相比,误差小于10%,则判定当前子块优化成功,将优化成功的当前子块定义为保留子块,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判断提取出的所有子块是否全部处理完毕,若全部处理完毕,则得到由所有保留子块形成的最终目标区域,并执行步骤⑧;若有未处理的子块,则将提取出的所有子块中下一个待处理的子块定义为当前子块,返回步骤⑥;
⑧判断获得的所有初步目标区域是否全部处理完毕,若全部处理完毕,则得到当前灰度图像中经过分割后形成的多个最终目标区域,并执行步骤⑨;若有未处理的初步目标区域,则将获得的所有初步目标区域中下一个待处理的初步目标区域定义为当前初步目标区域,返回步骤⑤;
⑨完成对MRI扫描图像的分割过程。
在步骤②中,u=5。
在步骤②中,根据初始感兴趣的轮廓{A1,A2,A3,…,An},经过包络获得感兴趣的灰度图像区域的具体过程为:首先根据初始感兴趣的轮廓的外形选取一个最大范围的方形区域,使其能够被u×u整除,再在感兴趣区域内除已选取的方形区域之外的剩余区域中选取一个最大范围的方形区域,使其能够被u×u整除,重复以上步骤直至所有选取出的方形区域均能够被u×u整除,最后将无法被u×u整除的区域通过空白像素填充直至恰好能够被u×u整除。
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选取一幅具有代表性的MRI扫描图像,该具有代表性的MRI扫描图像的宽度为W,高度为H,然后将该MRI扫描图像转换为灰度图像;
⑥-2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,则扩展该灰度图像直至其尺寸大小恰好能够被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'表示扩展后的灰度图像的宽度,H'表示扩展后的灰度图像的高度,W'==W且H'>H,或W'>W且H'==H,或W'>W且H'>H;
⑥-3手动圈定待处理灰度图像中的每个目标区域;
⑥-4计算得到待处理灰度图像中的每个目标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,本发明的优点在于在实际图像中,首先将待分割的MRI扫描图像转换成灰度图像,使图像分割的结果不容易受到MRI扫描图像本身灰度分布以及噪声干扰等因素的影响,提高了图像分割结果的准确度;采用基于多尺度空间模糊聚类算法对灰度图像进行分析,获得感兴趣的灰度图像区域,并将感兴趣的灰度图像区域划分为互不重叠的子块,采用区域生长法对当前灰度图像进行分割,综合考虑了所有像素,提高了像素分割的准确性,避免了现有分割方法的不足;通过将参数输入非线性优化模型进行优化的非线性扩散技术,可以有效地去除图像中的噪声,最大限度地保护感兴趣的目标;本发明引进了有效的不同的尺度层次之间的约束,优化了当前尺度层次内的分割,分割结果在当前尺度层次就得到优化,因此,提高了退化图像的鲁棒性。
附图说明
图1为本发明的原理框图。
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。
实施例一:基于多尺度空间模糊聚类的无监督MRI图像分割方法,包括以下步骤:
①从医院的MRI医学影像设备中获取一幅待分割的MRI扫描图像,然后将该待分割的MRI扫描图像转换成灰度图像,再采用模糊聚类算法对灰度图像进行分析,得到初始感兴趣的轮廓{A1,A2,A3,…,An},其中,A1、A2、A3、…、An表示构成初始感兴趣的轮廓的所有边缘点(参考《基于模糊聚类的多尺度空间数据挖掘模型及其矿山应用》,上海交通大学学报,第42卷第2期,2008年2月出版);
②根据初始感兴趣的轮廓{A1,A2,A3,…,An},经过包络获得灰度图像中的感兴趣区域,根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域,定义该方形区域的宽度为W、高度为H,如果该方形区域的尺寸大小W×H能够被u×u整除,则将该方形区域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,则扩展该方形区域直至其尺寸大小W'×H'恰好能够被u×u整除,其中,W'表示经过扩展的方形区域的宽度,H'表示经过扩展的方形区域的高度,再将经过扩展的方形区域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,W'==W且H'>H,或W'>W且H'==H,或W'>W且H'>H,u取4或5或6。
根据初始感兴趣的轮廓{A1,A2,A3,…,An},经过包络获得感兴趣的灰度图像区域的具体过程为:首先根据初始感兴趣的轮廓{A1,A2,A3,…,An}的外形选取一个最大范围的方形区域,使其能够被u×u整除,再在感兴趣区域内除已选取的方形区域之外的剩余区域中选取一个最大范围的方形区域,使其能够被u×u整除,重复以上步骤直至所有选取出的方形区域均能够被u×u整除,最后将无法被u×u整除的区域通过空白像素填充直至恰好能够被u×u整除。
③采用标记分水岭分割算法对当前灰度图像进行分割,得到经过分割后的多块初步目标区域。
④对获得的所有初步目标区域中当前待处理的一块初步目标区域定义为当前初步目标区域。
⑤从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为u×u的子块,对提取出的所有子块中当前待处理的一个子块定义为当前子块。
⑥将当前子块中的每个像素点的像素值分别作为输入参数输入非线性优化模型中进行优化,该非线性优化模型为:
其中:表示非线性优化模型输出的信噪比,A为固定周期信号的幅度,f0为固定周期信号的频率,t为布朗粒子的运动时间,ψ为固定周期信号的初相位,m、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,s为布朗粒子的运动坐标,α为噪声强度,ξ(t)为均值为0的高斯白噪声;
将当前子块中的每个像素点的像素值分别作为输入参数输入非线性优化模型中进行优化后,由非线性优化模型输出当前子块中的每个像素点的信噪比,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的像素点的信噪比相比,误差小于10%,则判定当前子块优化成功,将优化成功的当前子块定义为保留子块,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;
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选取一幅具有代表性的MRI扫描图像,该具有代表性的MRI扫描图像的宽度为W,高度为H,然后将该MRI扫描图像转换为灰度图像;
⑥-2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,则扩展该灰度图像直至其尺寸大小恰好能够被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'表示扩展后的灰度图像的宽度,H'表示扩展后的灰度图像的高度,W'==W且H'>H,或W'>W且H'==H,或W'>W且H'>H;
⑥-3手动圈定待处理灰度图像中的每个目标区域;
⑥-4计算得到待处理灰度图像中的每个目标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判断提取出的所有子块是否全部处理完毕,若全部处理完毕,则得到由所有保留子块形成的最终目标区域,并执行步骤⑧;若有未处理的子块,则将提取出的所有子块中下一个待处理的子块定义为当前子块,返回步骤⑥。
⑧判断获得的所有初步目标区域是否全部处理完毕,若全部处理完毕,则得到当前灰度图像中经过分割后形成的多个最终目标区域,并执行步骤⑨;若有未处理的初步目标区域,则将获得的所有初步目标区域中下一个待处理的初步目标区域定义为当前初步目标区域,返回步骤⑤。
⑨完成对MRI扫描图像的分割过程。
实施例二:其余部分与实施例一相同,其不同之处在于u=4。实施例三:其余部分与实施例一相同,其不同之处在于u=6。
Claims (4)
1.基于多尺度空间模糊聚类的无监督MRI图像分割方法,其特征在于包括以下步骤:
①从医院的MRI医学影像设备中获取一幅待分割的MRI扫描图像,然后将该待分割的MRI扫描图像转换成灰度图像,再采用模糊聚类算法对灰度图像进行分析,得到初始感兴趣的轮廓{A1,A2,A3,…,An},其中,A1、A2、A3、…、An表示构成初始感兴趣的轮廓的所有边缘点;
②根据初始感兴趣的轮廓{A1,A2,A3,…,An},经过包络获得灰度图像中的感兴趣区域,根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域,定义该方形区域的宽度为W、高度为H,如果该方形区域的尺寸大小W×H能够被u×u整除,则将该方形区域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,则扩展该方形区域直至其尺寸大小W'×H'恰好能够被u×u整除,其中,W'表示经过扩展的方形区域的宽度,H'表示经过扩展的方形区域的高度,再将经过扩展的方形区域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,W'==W且H'>H,或W'>W且H'==H,或W'>W且H'>H,u取4或5或6;
③采用标记分水岭分割算法对当前灰度图像进行分割,得到经过分割后的多块初步目标区域;
④对获得的所有初步目标区域中当前待处理的一块初步目标区域定义为当前初步目标区域;
⑤从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为u×u的子块,对提取出的所有子块中当前待处理的一个子块定义为当前子块;
⑥将当前子块中的每个像素点的像素值分别作为输入参数输入非线性优化模型中进行优化,该非线性优化模型为:
其中:表示非线性优化模型输出的信噪比,A为固定周期信号的幅度,f0为固定周期信号的频率,t为布朗粒子的运动时间,ψ为固定周期信号的初相位,m、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,s为布朗粒子的运动坐标,α为噪声强度,ξ(t)为均值为0的高斯白噪声;
将当前子块中的每个像素点的像素值分别作为输入参数输入非线性优化模型中进行优化后,由非线性优化模型输出当前子块中的每个像素点的信噪比,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的像素点的信噪比相比,误差小于10%,则判定当前子块优化成功,将优化成功的当前子块定义为保留子块,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判断提取出的所有子块是否全部处理完毕,若全部处理完毕,则得到由所有保留子块形成的最终目标区域,并执行步骤⑧;若有未处理的子块,则将提取出的所有子块中下一个待处理的子块定义为当前子块,返回步骤⑥;
⑧判断获得的所有初步目标区域是否全部处理完毕,若全部处理完毕,则得到当前灰度图像中经过分割后形成的多个最终目标区域,并执行步骤⑨;若有未处理的初步目标区域,则将获得的所有初步目标区域中下一个待处理的初步目标区域定义为当前初步目标区域,返回步骤⑤;
⑨完成对MRI扫描图像的分割过程。
2.根据权利要求1所述的基于多尺度空间模糊聚类的无监督MRI图像分割方法,其特征在于在步骤②中,u=5。
3.根据权利要求1所述的基于多尺度空间模糊聚类的无监督MRI图像分割方法,其特征在于在步骤②中,根据初始感兴趣的轮廓{A1,A2,A3,…,An},经过包络获得感兴趣的灰度图像区域的具体过程为:首先根据初始感兴趣的轮廓的外形选取一个最大范围的方形区域,使其能够被u×u整除,再在感兴趣区域内除已选取的方形区域之外的剩余区域中选取一个最大范围的方形区域,使其能够被u×u整除,重复以上步骤直至所有选取出的方形区域均能够被u×u整除,最后将无法被u×u整除的区域通过空白像素填充直至恰好能够被u×u整除。
4.根据权利要求1所述的基于多尺度空间模糊聚类的无监督MRI图像分割方法,其特征在于步骤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选取一幅具有代表性的MRI扫描图像,该具有代表性的MRI扫描图像的宽度为W,高度为H,然后将该MRI扫描图像转换为灰度图像;
⑥-2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,则扩展该灰度图像直至其尺寸大小恰好能够被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'表示扩展后的灰度图像的宽度,H'表示扩展后的灰度图像的高度,W'==W且H'>H,或W'>W且H'==H,或W'>W且H'>H;
⑥-3手动圈定待处理灰度图像中的每个目标区域;
⑥-4计算得到待处理灰度图像中的每个目标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 |
---|---|---|---|
CN201510577621.0A CN105261005B (zh) | 2015-09-11 | 2015-09-11 | 基于多尺度空间模糊聚类的无监督mri图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510577621.0A CN105261005B (zh) | 2015-09-11 | 2015-09-11 | 基于多尺度空间模糊聚类的无监督mri图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105261005A true CN105261005A (zh) | 2016-01-20 |
CN105261005B CN105261005B (zh) | 2018-07-13 |
Family
ID=55100678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510577621.0A Expired - Fee Related CN105261005B (zh) | 2015-09-11 | 2015-09-11 | 基于多尺度空间模糊聚类的无监督mri图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105261005B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105421A (zh) * | 2019-11-29 | 2020-05-05 | 上海联影智能医疗科技有限公司 | 一种脑白质高信号分割方法、装置、设备及存储介质 |
CN113109869A (zh) * | 2021-03-30 | 2021-07-13 | 成都理工大学 | 一种页岩超声测试波形初至的自动拾取方法 |
CN113657234A (zh) * | 2021-08-10 | 2021-11-16 | 小叶子(北京)科技有限公司 | 图像识别方法、装置、存储介质及电子设备 |
Citations (6)
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 |
CN101551905A (zh) * | 2009-05-08 | 2009-10-07 | 西安电子科技大学 | 基于模糊c均值聚类和空间信息的多尺度纹理图像分割方法 |
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 |
CN103544682A (zh) * | 2013-09-17 | 2014-01-29 | 华中科技大学 | 一种三维超声图像非局部均值滤波方法 |
CN104751477A (zh) * | 2015-04-17 | 2015-07-01 | 薛笑荣 | 基于空间域和频域特征的并行sar图像分类方法 |
-
2015
- 2015-09-11 CN CN201510577621.0A patent/CN105261005B/zh not_active Expired - Fee Related
Patent Citations (6)
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 |
CN101551905A (zh) * | 2009-05-08 | 2009-10-07 | 西安电子科技大学 | 基于模糊c均值聚类和空间信息的多尺度纹理图像分割方法 |
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 |
CN103544682A (zh) * | 2013-09-17 | 2014-01-29 | 华中科技大学 | 一种三维超声图像非局部均值滤波方法 |
CN104751477A (zh) * | 2015-04-17 | 2015-07-01 | 薛笑荣 | 基于空间域和频域特征的并行sar图像分类方法 |
Non-Patent Citations (1)
Title |
---|
XUXIANG TANG等: ""A novel benzene quantitative analysis method using miniaturized metal ionization gas sensor and non-linear bistable dynamic system"", 《BIOENGINEERED》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105421A (zh) * | 2019-11-29 | 2020-05-05 | 上海联影智能医疗科技有限公司 | 一种脑白质高信号分割方法、装置、设备及存储介质 |
CN113109869A (zh) * | 2021-03-30 | 2021-07-13 | 成都理工大学 | 一种页岩超声测试波形初至的自动拾取方法 |
CN113657234A (zh) * | 2021-08-10 | 2021-11-16 | 小叶子(北京)科技有限公司 | 图像识别方法、装置、存储介质及电子设备 |
CN113657234B (zh) * | 2021-08-10 | 2024-04-26 | 小叶子(北京)科技有限公司 | 图像识别方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105261005B (zh) | 2018-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6710373B2 (ja) | 超音波画像診断支援方法、およびシステム | |
US8270696B2 (en) | Image slice segmentation using midpoints of contour anchor points | |
US8983199B2 (en) | Apparatus and method for generating image feature data | |
RU2008129793A (ru) | Способ улучшения последующей обработки изображений с использованием деформируемых сеток | |
CN105261006B (zh) | 基于傅里叶变换的医学图像分割算法 | |
CN105004737A (zh) | 基于自适应改进型梯度信息的水果表面缺陷检测方法 | |
CN107085726A (zh) | 基于多方法去噪和连通区域分析的甲骨拓片单字定位方法 | |
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
CN104463165A (zh) | 一种融合Canny算子与Vibe算法的目标检测方法 | |
CN111091524A (zh) | 基于深度卷积神经网络的前列腺经直肠超声图像分割方法 | |
CN108564561A (zh) | 一种钼靶图像中胸大肌区域自动检测方法 | |
CN105139409B (zh) | 基于蚁群算法的二维图像分割方法 | |
CN105261005A (zh) | 基于多尺度空间模糊聚类的无监督mri图像分割方法 | |
CN106447673A (zh) | 一种非均匀光照条件下的芯片引脚提取方法 | |
CN104881858A (zh) | 一种乳房内增强背景组织的提取方法和装置 | |
CN105139410B (zh) | 使用空间截面投影的脑肿瘤mri图像分割方法 | |
CN112037304A (zh) | 基于swi相位图像的两阶段的边缘增强qsm重建方法 | |
CN117036715A (zh) | 一种基于卷积神经网络的形变区边界自动提取方法 | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 | |
CN105184799A (zh) | 一种改进的无监督脑部肿瘤mri图像分割方法 | |
Saha et al. | A review on various image segmentation techniques for brain tumor detection | |
CN105225234A (zh) | 基于支持向量机mri图像分割的肺部肿瘤识别方法 | |
Kumar et al. | Semiautomatic method for segmenting pedicles in vertebral radiographs | |
CN110335348B (zh) | 一种基于RFR-SSMs的骨盆股骨医学图像建模方法 | |
CN105184798A (zh) | 引入遗传算法的最大类间距离法肺部恶性肿瘤mri识别方法 |
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: 20180713 Termination date: 20180911 |