CN105389821B - 一种基于云模型和图割相结合的医学图像分割方法 - Google Patents
一种基于云模型和图割相结合的医学图像分割方法 Download PDFInfo
- Publication number
- CN105389821B CN105389821B CN201510808682.3A CN201510808682A CN105389821B CN 105389821 B CN105389821 B CN 105389821B CN 201510808682 A CN201510808682 A CN 201510808682A CN 105389821 B CN105389821 B CN 105389821B
- Authority
- CN
- China
- Prior art keywords
- cloud
- pixel
- foreground
- segmentation
- background
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
Abstract
本发明请求保护一种基于云模型和图割相结合的医学图像分割方法。该方法首先对图像进行平滑处理,去除噪点;接着利用逆向云变换分别计算出图像前景和背景的云特征值,利用X条件云发生器计算出每个像素对于前景和背景的隶属度;并计算出数据项和光滑项;然后建立能量函数构造相应网络图并用最大流/最小割算法实现医学图像分割;最后判定分割结果是否满足迭代条件,若满足则输出结果,反之,则重新计算当前分割结果前景和背景的云特征值。本发明通过云模型与图割算法的结合,不但保留了图割方法优良的多特征约束融合能力和全局最优性,还引入云模型的模糊性和随机性,以及二者之间关联的不确定性,可以有效地提高医学图像分割的精度。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种基于云模型和图割相结合的医学图像分割方法。
背景技术
近年来,随着计算机断层扫描(computed tomography,CT)、磁共振成像(magneticresonance imaging,MRI)、正电子发射断层成像(positron emission tomography,PET)等新型成像技术及设备的迅猛发展和普及,世界各地的医疗机构每天都会产生海量的医学影响资料,这使得医学影像成为医学技术中发展最快的领域之一。其中基于计算机辅助诊断(CAD)的分割技术是放射科医生进行诊断的一种有力的辅助手段。分割不仅是检查和分析的一个特别重要的处理步骤,同时也是制约医学图像中可视化、配准和融合、重建等技术发展的瓶颈。
目前,国内外诸多学者都致力于各种医学图像分割算法的研究。主要的方法包括基于区域的分割、基于边缘的分割、基于特定理论的分割等。基于区域的分割方法主要有阈值法和区域生长法,阈值分割法按照图像中目标和背景的灰度值差异分为不同的区域,它的速度快,但当目标和背景的灰度值有交错的区域时,则不能精确分割;区域生长法选择种子点,按照不同的生长法则将具有相同性质的像素集合成不同区域,分割结果较好,但方法中种子点选取的差异可能会产生不同的分割结果。基于边缘的分割方法根据各种边缘算子跟踪检测出边缘点构成目标边缘,其对噪声较敏感,所以对噪声较小的图像可取得较好效果。基于特定理论的分割方法包括水平集、小波、遗传算法、形态学算法等理论,它的方法有很多种,从不同的角度可以得到不同的分类结果。医学图像分割的方法多种多样,但由于各自的局限性还没有一个普遍使用的方法。因此,现阶段大多数医学图像的分割方法都采用混合的方法。Hanqing Tan等人使用C-V水平集和数学形态学方法实现图像分割并得到较好结果;Caponetti等人提出了模糊数学形态学,在具有模糊性和不确定性的医学图像上得到成功的应用;Saad等人把Canny边缘滤波和形态学结合对X线胸片进行分割避免了噪音对边缘检测的影响;Than等人结合OTSU和形态学滤波提出了一个初始化分割过程。
虽然这些混合的方法在特定条件下得到的图像分割效果较好,但其通用性较差。其根本原因是目标分组的不确定性,这种不确定性主要表现为模糊性和随机性两个方面。而云模型的思想兼顾了模糊性和随机性,它把自然语言中的随机性和模糊性有机地综合在一起,构成定性和定量相互间的映射。基于图论的分割算法是从数学理论出发对图像进行分割的方法,由于其具有一定的数学基础,具有广泛的应用前景。
发明内容
针对现有技术的不足,本发明的目的是提供一种提高图像分割的精度的方法。。本发明的技术方案如下:一种基于云模型和图割相结合的医学图像分割方法,,其包括以下步骤:
S1、获取并输入医学图像,手动标注前景区域,记为S;未标注的部分默认为背景区域,记为T,之后用高斯滤波对图像前景区域S和背景区域T进行除噪处理得到平滑图像;
S2、首先利用逆向云算法分别将前景区域S和背景区域T的灰度直方图变成一系列底层云,逐步合并各自的底层云,从而得到前景和背景各自的综合云特征值,然后根据X条件云发生器求出每个像素隶属于前景和背景的概率,计算光滑项和数据项,并根据光滑项和数据项构建网络图;
S3、采用最大流/最小割算法对网络图进行求解,获得图像分割结果;
S4、根据分割结果判定是否满足迭代条件,若满足则输出结果,反之,重复执行步骤S2,直至满足迭代条件,输出最终结果。
进一步的,步骤S2所述的逆向云算法包括逆向云发生器、云综合算法和X条件云发生器,逆向云发生器,所述逆向云发生器是实现数值和其语言值之间的不确定性转换的模型,是从定量到定性的映射,它将精确数据转换为定性语言期望Ex、熵En、超熵He表示的概念,并以此来代表这些精确数据所反映的云滴整体;X条件云发生器是从定性到定量表示的过程,是指在已知三个数字特征Ex,、En,、He的前提下,还已知云滴X=X0的条件,其中X0表示像素值。
进一步的,步骤S2根据X条件云发生器求出每个像素隶属于前景和背景的概率,计算数据项,数据项表示像素归属于前景或背景的惩罚,其数学表达式为:
其中Rp(Ip)为像素p分配给前景或背景的惩罚,通过像素p对S/T的隶属度计算得到,表达式为:
Rp(S)=-lnP(Ip|'S')
Rp(T)=-lnP(Ip|'T')
其中Rp(S)表示像素p分配给前景的惩罚,Rp(T)表示像素p分配给背景的惩罚,P(Ip|'S')表示像素p对前景的隶属度,P(Ip|'T')表示像素p对背景的隶属度。
进一步的,步骤S2计算光滑项,光滑项表示像素之间不连续的惩罚,其数学表达式为:
其中B(L)表示光滑项,B<p,q>表示相邻像素p,q之间不连续的惩罚,p,q之间越相似则B<p,q>越大,越不相似则B<p,q>越小,考虑相邻像素对于前景和背景的隶属度信息,B<p,q>的表达式为:
B<p,q>∝exp(-β||(Ip·P(Ip|'S')-Iq·P(Iq|'S'))+(Ip·P(Ip|'T')-Iq·P(Iq|'T'))||2)
其中β表示空间连接像素的标准方差,Iq表示像素q的灰度值,P(Iq|'S')表示像素q对前景的隶属度。
δ(Ip,Iq)表示为判定相邻像素是否光滑的函数,表达式为:
进一步的,步骤S3采用最大流/最小割算法对网络图进行求解,获得图像分割结果;
其中vi表示前景S中的节点,vj表示背景T中的节点,w(vi,vj)表示节点vi和vj之间的权值;
最小割将图片分成A,B两部分构造能量函数,表达式为:
E(L)=λR(L)+B(L)
其中R(L)为数据项,B(L)为光滑项,λ为影响因子。
本发明的优点及有益效果如下:
本发明采用云模型和图割的方法进行医学图像分割,利用逆向云算法和X条件云发生器得出节点之间的关系,建立各边权值,从而构建网络图。该方法对图割中的数据项和光滑项的建立做出修改,使之更好的构建节点之间的关联,提高图像分割的精度。并且将云模型与图割算法相融合,考虑到模糊性和随机性及二者之间的关联性的同时还保证全局最优,有良好的数值鲁棒性,因而相对于传统的医学图像分割方法,具有更好的分割效果。
附图说明
图1是本发明提供优选实施例基于云模型和图割相结合的医学图像分割方法流程图;
图2为逆向云算法;
图3为X条件云发生器;
图4图像与图的对照;
图5网络图;
图6脑膜瘤的医学图像原图;
图7正确的分割结果参考图;
图8基于主动轮廓模型方法分割的结果图;
图9基于水平集方法分割的结果图;
图10本发明方法分割的结果图。
具体实施方式
以下结合附图,对本发明作进一步说明:
如图1所示,本发明的方法流程如图1所示。
本发明涉及了云模型,主要包括逆向云发生器、云综合算法和X条件云发生器。
图2所示的逆向云发生器是实现数值和其语言值之间的不确定性转换的模型,是从定量到定性的映射。它将一定数量的精确数据有效地转换为定性语言期望Ex、熵En、超熵He表示的概念,并以此来代表这些精确数据所反映的云滴整体。
云综合是指将云中距离最近的两朵或几朵底层云进行综合,就可以生成一朵新的高层云。
图3所示的X条件云发生器是从定性到定量表示的过程,是指在已知三个数字特征(Ex,En,He)的前提下,还已知云滴X=X0的条件,其中X0表示像素值。
具体步骤:
步骤S1:输入医学图像及用户标注的前景和背景,对图像用高斯平滑进行除噪处理;首先输入医学图像后,手动标注前景区域,记为S;未标注的部分默认为背景区域,记为T,之后用高斯滤波对图像进行除噪;
步骤S2:建立能量函数及其数据项和光滑项,构造相应网络图;
把图像分割问题与图的最小割相关联如图4所示,首先用加权无向图G=<V,E,W>表示待分割图像,其中图的顶点集合V表示图像的像素,图的边集E表示图像像素之间的关系,图的权值集合W表示图像像素之间关系的程度。如表1所示为网络图如表1所示:
表1网络图
则图像分割的目标转换成通过最大流/最小割定理求取网络图的最小割,即:
其中vi表示前景S中的节点,vj表示背景T中的节点,w(vi,vj)表示节点vi和vj之间的权值。
最小割将图片分成A,B两部分且相似性小,则可构造能量函数,表达式为:
E(L)=λR(L)+B(L)
其中R(L)为数据项,B(L)为光滑项,λ为影响因子。
S21计算数据项
数据项表示像素归属于目标或背景的惩罚,隶属度大则惩罚小,隶属度小则惩罚大,其数学表达式为:
其中Rp(Ip)为像素p分配给前景或背景的惩罚,可通过像素p对S/T的隶属度计算得到,表达式为:
Rp(S)=-lnP(Ip|'S')
Rp(T)=-lnP(Ip|'T')
其中Rp(S)表示像素p分配给前景的惩罚,Rp(T)表示像素p分配给背景的惩罚,P(Ip|'S')表示像素p对前景的隶属度,P(Ip|'T')表示像素p对背景的隶属度。
在数据项中,为了准确计算隶属度,首先利用逆向云算法将前景的灰度直方图变成一系列底层云CS(Exi,Eni,Hei),同理得到背景的一系列底层云CT(Exi,Eni,Hei)(其中Exi/j,Eni/j,Hei/j表示第i/j个云的期望、熵和超熵),然后逐步合并各自的底层云,最后得到一个关于前景的综合云特征值(ExS,EnS,HeS),和一个关于背景的综合云特征值(ExT,EnT,HeT)。
然后根据X条件云发生器可求出每个像素隶属于前景和背景的概率:
P(Ip|'S')=X(ExS,EnS,HeS,Ip)
P(Ip|'T')=X(ExT,EnT,HeT,Ip)
其中Ip表示像素p的灰度值。
S22.计算光滑项
光滑项表示像素之间不连续的惩罚,其数学表达式为:
其中相邻像素p,q之间越相似则B<p,q>越大,越不相似则B<p,q>越小,考虑相邻像素对于前景和背景的隶属度信息,B<p,q>的表达式为:
B<p,q>∝exp(-β||(Ip·P(Ip|'S')-Iq·P(Iq|'S'))+(Ip·P(Ip|'T')-Iq·P(Iq|'T'))||2)δ(Ip,Iq)的表达式为:
S23.构造网络图
图5所示为网络图,数据项和光滑项分别对应着t-link和n-link的权值,对应关系如表2所示:
表2网络图权值
边 | 权 |
{p,s} | Rp(S) |
{p,t} | Rp(T) |
{p,q} | B<p,q> |
根据对应关系则可以做出相应的网络图。
步骤S3:用最大流/最小割算法对网络图进行求解,获得图像分割结果;
这个最小割就是权值和最小的边的集合,这些边的断开恰好可以使前景和背景被分割开,也就是最小割对应于能量的最小化。而最小割和图的最大流是等效的,故可以通过最大流算法来找到网络图的最小割。
步骤S4:图像的迭代分割;
对分割结果判定是否满足迭代条件,若满足则输出结果,反之,重复执行步骤S2,直至满足迭代条件,输出最终结果。迭代条件设为对比本次与上次的分割结果,如果本次分割结果中变化的像素数小于或等于3,则结束迭代过程。
为评估性能,本发明选择医学图像库作为实验图像集。在本次实验中,本发明与两种经典的医学图像分割方法进行比较。
基于主动轮廓模型分割方法:将有关目标形状的先验知识和来自图像的知识融入一个特征提取过程中,适当的初始化后,模型可以自主地收敛于能量极小值状态,达到图像分割的效果。
基于水平集的分割方法:将移动的界面作为零水平集嵌入高一维的水平集函数中,通过最小化某种曲线的能量泛函来确定分割。
选择了3幅医学图像进行图像分割质量的定量评价。如图6所示为脑膜瘤的医学图像原图。实验图像的参考图如图7所示,可以将参考图作为正确的分割结果。为了评估本方法的性能,本发明使用Dice系数来衡量三种方法所得到的分割结果与正确结果之间的相似性。Dice系数的数学表达式如下:
其中Rseg表示三种方法分别得到的实验结果,Rright表示参考图7的正确分割结果。
三种方法:基于主动轮廓模型的分割方法、基于水平集的分割方法、本发明的方法,对原图进行分割的结果分别如图8、图9、图10所示。
实验结果对比如表3所示。
表3dice系数对比表
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (4)
1.一种基于云模型和图割相结合的医学图像分割方法,其特征在于,包括以下步骤:
S1、获取并输入医学图像,手动标注前景区域,记为S;未标注的部分默认为背景区域,记为T,之后用高斯滤波对图像前景区域S和背景区域T进行除噪处理得到平滑图像;
S2、首先利用逆向云算法分别将前景区域S和背景区域T的灰度直方图变成一系列底层云,逐步合并各自的底层云,从而得到前景区域和背景区域各自的综合云特征值,然后根据X条件云发生器求出每个像素隶属于前景区域和背景区域的概率,计算光滑项和数据项,并根据光滑项和数据项构建网络图;步骤S2所述的逆向云算法包括逆向云发生器、云综合算法和X条件云发生器,逆向云发生器,所述逆向云发生器是实现数值和其语言值之间的不确定性转换的模型,是从定量到定性的映射,它将精确数据转换为定性语言期望Ex、熵En、超熵He表示的概念,并以此来代表这些精确数据所反映的云滴整体;X条件云发生器是从定性到定量表示的过程,是指在已知三个数字特征Ex、En、He的前提下,还已知云滴X=X0的条件,其中X0表示像素值;
S3、采用最大流/最小割算法对网络图进行求解,获得图像分割结果;
S4、根据分割结果判定是否满足迭代条件,若满足则输出结果,反之,重复执行步骤S2,直至满足迭代条件,输出最终结果。
2.根据权利要求1所述的一种基于云模型和图割相结合的医学图像分割方法,其特征在于,步骤S2根据X条件云发生器求出每个像素隶属于前景区域和背景区域的概率,计算数据项,数据项表示像素归属于前景区域或背景区域的惩罚,其数学表达式为:
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<mi>P</mi>
</mrow>
</munder>
<msub>
<mi>R</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中Rp(Ip)为像素p分配给前景区域或背景区域的惩罚,Ip表示像素p的灰度值,通过像素p对S/T的隶属度计算得到,表达式为:
Rp(S)=-lnP(Ip|'S')
Rp(T)=-lnP(Ip|'T')
其中Rp(S)表示像素p分配给前景区域的惩罚,Rp(T)表示像素p分配给背景区域的惩罚,P(Ip|'S')表示像素p对前景区域的隶属度,P(Ip|'T')表示像素p对背景区域的隶属度。
3.根据权利要求1或2所述的一种基于云模型和图割相结合的医学图像分割方法,其特征在于,步骤S2计算光滑项,光滑项表示像素之间不连续的惩罚,其数学表达式为:
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>{</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>}</mo>
<mo>&Element;</mo>
<mi>N</mi>
</mrow>
</munder>
<msub>
<mi>B</mi>
<mrow>
<mo><</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>></mo>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中B(L)表示光滑项,B<p,q>表示相邻像素p,q之间不连续的惩罚,p,q之间越相似则B<p,q>越大,越不相似则B<p,q>越小,考虑相邻像素对于前景区域和背景区域的隶属度信息,B<p,q>的表达式为:
B<p,q>∝exp(-β||(Ip·P(Ip|'S')-Iq·P(Iq|'S'))+(Ip·P(Ip|'T')-Iq·P(Iq|'T'))||2)
其中β表示空间连接像素的标准方差,Iq表示像素q的灰度值,P(Iq|'S')表示像素q对前景区域的隶属度,P(Iq|'T')表示像素q对背景区域的隶属度,δ(Ip,Iq)表示为判定相邻像素是否光滑的函数,表达式为:
<mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mi>p</mi>
</msub>
<mo>&NotEqual;</mo>
<msub>
<mi>I</mi>
<mi>q</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
4.根据权利要求1或2所述的一种基于云模型和图割相结合的医学图像分割方法,其特征在于,步骤S3采用最大流/最小割算法对网络图进行求解,获得图像分割结果;
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>c</mi>
<mi>u</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>,</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mi>S</mi>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<mi>T</mi>
</mrow>
</munder>
<mi>w</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中vi表示前景区域S中的节点,vj表示背景区域T中的节点,w(vi,vj)表示节点vi和vj之间的权值,最小割将图片分成A,B两部分构造能量函数,表达式为:
E(L)=λR(L)+B(L)
其中R(L)为数据项,B(L)为光滑项,λ为影响因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510808682.3A CN105389821B (zh) | 2015-11-20 | 2015-11-20 | 一种基于云模型和图割相结合的医学图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510808682.3A CN105389821B (zh) | 2015-11-20 | 2015-11-20 | 一种基于云模型和图割相结合的医学图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105389821A CN105389821A (zh) | 2016-03-09 |
CN105389821B true CN105389821B (zh) | 2018-02-27 |
Family
ID=55422070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510808682.3A Active CN105389821B (zh) | 2015-11-20 | 2015-11-20 | 一种基于云模型和图割相结合的医学图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389821B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898012A (zh) * | 2017-01-19 | 2017-06-27 | 浙江大学 | Ct图像胸腔轮廓自动化检测方法 |
CN108537767A (zh) * | 2017-03-02 | 2018-09-14 | 爱威科技股份有限公司 | 细胞图像分割方法及细胞图像分割装置 |
CN107767388B (zh) * | 2017-11-01 | 2021-02-09 | 重庆邮电大学 | 一种结合云模型和水平集的图像分割方法 |
CN108010021B (zh) * | 2017-11-30 | 2021-12-10 | 上海联影医疗科技股份有限公司 | 一种医学图像处理系统和方法 |
CN108596191B (zh) * | 2018-04-23 | 2021-06-29 | 福建师范大学 | 一种用于具有弱边缘的单一目标提取方法 |
CN111126361B (zh) * | 2019-11-19 | 2022-04-19 | 西安电子科技大学 | 基于半监督学习和特征约束的sar目标鉴别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727657A (zh) * | 2008-10-31 | 2010-06-09 | 李德毅 | 一种基于云模型的图像分割方法 |
CN102163327A (zh) * | 2011-04-22 | 2011-08-24 | 陈宇珂 | 一种医用的心脏ct图像分割方法 |
CN102254189A (zh) * | 2011-08-16 | 2011-11-23 | 武汉大学 | 一种基于云模型的人脸表情识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7660463B2 (en) * | 2004-06-03 | 2010-02-09 | Microsoft Corporation | Foreground extraction using iterated graph cuts |
-
2015
- 2015-11-20 CN CN201510808682.3A patent/CN105389821B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727657A (zh) * | 2008-10-31 | 2010-06-09 | 李德毅 | 一种基于云模型的图像分割方法 |
CN102163327A (zh) * | 2011-04-22 | 2011-08-24 | 陈宇珂 | 一种医用的心脏ct图像分割方法 |
CN102254189A (zh) * | 2011-08-16 | 2011-11-23 | 武汉大学 | 一种基于云模型的人脸表情识别方法 |
Non-Patent Citations (4)
Title |
---|
基于K均值聚类的图割医学图像分割算法;吴永芳 等;《计算机工程》;20110331;第37卷(第5期);正文第2节 * |
基于图割优化的能量最小化模型图像分割方法;兰红 等;《计算机应用研究》;20121130;第29卷(第11期);全文 * |
基于核图割模型的肝脏CT图像肿瘸分割;杨柳 等;《计算机工程》;20140430;第40卷(第3期);全文 * |
正向云模型在图像分割中的应用研究;田淑娟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105389821A (zh) | 2016-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105389821B (zh) | 一种基于云模型和图割相结合的医学图像分割方法 | |
Qin et al. | Superpixel-based and boundary-sensitive convolutional neural network for automated liver segmentation | |
CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
US20190355117A1 (en) | Techniques for Segmentation of Lymph Nodes, Lung Lesions and Other Solid or Part-Solid Objects | |
Roy et al. | Classification of lung image and nodule detection using fuzzy inference system | |
US8411952B2 (en) | Method for segmenting an image using constrained graph partitioning of watershed adjacency graphs | |
Afifi et al. | Liver segmentation approach using graph cuts and iteratively estimated shape and intensity constrains | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
Wu et al. | Fuzzy SLIC: Fuzzy simple linear iterative clustering | |
Malmberg et al. | A graph-based framework for sub-pixel image segmentation | |
CN104933709A (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN110705565A (zh) | 淋巴结肿瘤区域识别方法与装置 | |
Duan et al. | A novel GA-based optimized approach for regional multimodal medical image fusion with superpixel segmentation | |
CN108765409A (zh) | 一种基于ct图像的候选结节的筛选方法 | |
Cao et al. | An automatic breast cancer grading method in histopathological images based on pixel-, object-, and semantic-level features | |
Song et al. | Automatic lung nodule segmentation and intra-nodular heterogeneity image generation | |
Galvão et al. | RISF: recursive iterative spanning forest for superpixel segmentation | |
Rehman et al. | Automatic melanoma detection and segmentation in dermoscopy images using deep RetinaNet and conditional random fields | |
Chen et al. | A generalized asymmetric dual-front model for active contours and image segmentation | |
He et al. | An automated three-dimensional detection and segmentation method for touching cells by integrating concave points clustering and random walker algorithm | |
Kitrungrotsakul et al. | Interactive deep refinement network for medical image segmentation | |
Niethammer et al. | Segmentation with area constraints | |
Gómez et al. | A comparative study of automatic thresholding approaches for 3D x‐ray microtomography of trabecular bone | |
Farag et al. | Robust segmentation of lung tissue in chest CT scanning | |
Dong et al. | An improved supervoxel 3D region growing method based on PET/CT multimodal data for segmentation and reconstruction of GGNs |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191112 Address after: Room 4-19, Pioneering Building, Academician Road, Ningbo High-tech Zone, Zhejiang Province, 315048 Patentee after: NINGBO KINGT SOFTWARE CO., LTD. Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2 Patentee before: Chongqing University of Posts and Telecommunications |
|
TR01 | Transfer of patent right |