CN105488781B - 一种基于ct影像肝脏肿瘤病灶的分割方法 - Google Patents
一种基于ct影像肝脏肿瘤病灶的分割方法 Download PDFInfo
- Publication number
- CN105488781B CN105488781B CN201510290963.4A CN201510290963A CN105488781B CN 105488781 B CN105488781 B CN 105488781B CN 201510290963 A CN201510290963 A CN 201510290963A CN 105488781 B CN105488781 B CN 105488781B
- Authority
- CN
- China
- Prior art keywords
- images
- value
- roi
- lesion
- probability
- 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
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明适用于医学图像处理领域,提供了一种基于CT影像肝脏肿瘤病灶的分割方法,包括以下步骤:对初始CT影像图像进行预处理;针对预处理后的CT影像图像,通过交互式方式完成疑似病灶的ROI选择;基于CT值对ROI进行纹理描述,并通过纹理描述子加权计算获得ROI的概率谱;构建大数据先验知识库,确定病灶区概率谱阈值,并基于所述阈值对疑似病灶进行分割;对病灶完成容积统计与量化输出。该方法基于稳定且具有可比性的CT值计算得到多个纹理描述子概率谱,同时,基于先验知识库通过手动分割计算得到纹理描述子概率谱的阈值,可实现CT影像中多区域肝脏肿瘤病灶分割的准确性和时效性。
Description
技术领域
本发明属于医学图像处理领域,尤其涉及一种基于CT影像肝脏肿瘤病灶的分割方法。
背景技术
肝脏是人体内最大的化工厂,承担着消化、解毒、分泌等重要功能。而中国人的肝脏所承受的疾病负担是全世界最重的。原发性肝癌是临床上最常见的恶性肿瘤之一。当下,肝癌在全球的发病率都呈上升趋势。根据世界卫生组织发表的《全球癌症报告2014》显示,中国新增癌症病例高居世界第一位,其中肝癌的新增病例和死亡人数均居世界首位。目前,我国肝癌的发病率约为25.7/10万,成为死亡率仅次于胃癌、肺癌的第三大恶性肿瘤。肝癌的早期诊断已是目前肝癌治疗的重中之重
许多医学成像方法已被应用于肝脏肿瘤病灶的检测中,例如CT、超声、核磁共振、选择性腹腔动脉或肝动脉造影检查、放射性核素肝扫描等。在所有影像检查方式中,CT图像因其具有较高的分辨率而被广泛采用。一般CT图像可检出直径1.0cm左右的微小癌灶,应用动态增强扫描可提高分辨率并有助于鉴别血管瘤,应用CT动态扫描与动脉造影相结合的CT血管造影,可提高小肝癌的检出率。同时CT图像对肝癌手术的方案设计有一定的帮助。
针对肝脏病灶的分割现有多种算法尝试实现,包括在人体肺部分割有效但肝脏分割效果较差的自适应体素生长算法;需要先将肝脏整体进行分割才能完成肿瘤病灶分割的混合假设概率的方法与基于最优阈值的分割方法;会较大地破坏原始图像信息,造成分割结果的失的对比度增强的肝脏肿瘤识别的方法;只能处理简单目标背景图像的Chan-Vese模型水平集分割方法,以上方法均需要部分交互式操作,且不能处理多病灶肿瘤的分割。
发明内容
本发明的目的在于提供一种基于CT影像肝脏肿瘤病灶的分割方法,旨在解决不能准确、快速地实现多病灶肝脏肿瘤分割的问题。
本发明是这样实现的,一种基于CT影像肝脏肿瘤病灶的分割方法,包括以下步骤:
对初始CT影像图像进行预处理;
针对预处理后的CT影像图像,通过交互式方式完成疑似病灶的ROI选择;
基于CT值对ROI进行纹理描述,并通过纹理描述子加权计算获得ROI的概率谱;
构建大数据先验知识库,确定病灶区概率谱阈值,并基于所述阈值对疑似病灶进行分割;
对病灶完成容积统计与量化输出。
本发明提供的基于CT影像肝脏肿瘤病灶的分割方法,基于稳定CT值的方法计算概率谱,基于大数据先验知识库确定病灶区概率谱阈值,并依据获得的所述阈值对疑似病灶进行分割,具有下述优势:
首先,基于稳定且具有可比性的CT值计算得到多个纹理描述子概率谱,提升了CT影像中肝脏肿瘤病灶分割的准确性。同时,所述概率谱的构建,不仅融合了所有特征描述子,且权值可调,更具灵活性,从而显著提高了CT影像肝脏肿瘤病灶分割的时效性,避免了现有聚类分割方法中初始随机化引起失败的风险。
其次,本发明基于CT影像肝脏肿瘤病灶的分割方法,基于先验知识库肝脏肿瘤患者的数据通过手动分割计算得到概率谱的阈值,基于先验知识的阈值分割更有效于已有算法。
此外,本发明算法允许选择多个ROI,可并行化完成分割,使多目标区域分割成为可能。
具体实施方式
为了使本发明要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于CT影像肝脏肿瘤病灶的分割方法,包括以下步骤:
S01.对初始CT影像图像进行预处理;
S02.针对预处理后的CT影像图像,通过交互式方式完成疑似病灶的ROI选择;
S03.基于CT值对ROI进行纹理描述,并通过纹理描述子加权计算获得ROI的概率谱;
S04.构建大数据先验知识库,确定病灶区概率谱阈值,并基于所述阈值对疑似病灶进行分割;
S05.对病灶完成容积统计与量化输出。
具体的,上述步骤S01中,为了提高本发明实施例肝脏肿瘤病灶分割的准确性,在对所述CT影像图像进行分割之前,需要对图像进行相应的预处理以提高分割精度。作为优选实施例,对初始CT影像图像进行预处理,包括图像去噪处理和图像增强处理。
作为进一步优选实施例,采用基于空间域滤波技术的算术均值滤波器实现所述去噪处理。作为具体优选实施例,所述去噪处理的操作方法为:基于空间域滤波技术的算术均值滤波器,令Sxyz表示中心在点(x,y,z)处、大小为m×n×p的矩形子图像窗口的一组坐标,所述算术均值滤波器在Sxyz定义的区域中计算原始图像g(x,y,z)的平均值为:
式中,所述f(x,y,z)为去噪后图像在点(x,y,z)处去噪后的值,所述r、s、t分别表示领域里的某个体素的索引,即它在x、y、z的坐标。
上述优选去噪操作处理,可以使用大小为m×n×p的一个空间滤波器来实现,其所有的系数均优选为1/mnp时,可有效降低噪声。作为本发明一个具体优选实施例,其中,所述m、n、p的取值为m=n=p=3。
本发明实施例,所述CT影像数据采集可选用常规设备、设置常规参数获得。进一步的,优选使用西门子SOMATOM Sensation CT扫描仪;管电压,100kV;管电流,60-120mAs;层厚,10mm;重建间隔,10mm;视场(Field of View,FOV),512×512mm.。
上述步骤S02中,为了提高ROI选择的准确性,本发明实施例针对预处理后的CT影像图像、通过交互式方式完成疑似病灶的ROI选择,可通过手动勾画方式完成ROI的选择,在本发明实施例中,可以勾选多个ROI同时完成后续图像处理。
上述步骤S03中,在CT影像图像中,由于体素的灰度信息会因显示器与后处理方法(如图像增强)而改变,基于灰度值的处理方法具有不可移植性。因此,在本发明实施例中,采用基于CT值的处理方法。
CT值是医学标准格式图像DICOM图像的头文件信息,是一个恒量,不随后续处理方法的影响而改变。但是,只依靠CT值信号并不能完成复杂的肿瘤病灶如肝脏肿瘤的分割。纹理是一种反映图像中同质现象的视觉特征,体现了物体表面共有的内在属性,包含了物体表面结构组织排列的重要信息以及它们与周围环境的联系。而所述肝脏肿瘤病灶区域在CT影像上多表现为粗糙、不均匀、密度较低,与正常组织的细腻质感存在较大差异。有鉴于此,本发明实施例将在CT值的基础上,对ROI的各个纹理算子进行描述并计算概率谱。由于描绘所述肝脏肿瘤病灶区域纹理内容的描绘子可以提供诸如平滑度、粗糙度和规律性等特性的度量。因此,本发明实施例基于CT值对ROI进行纹理描述,优选通过CT值、二阶矩、平滑度度量、一致性度量和平均熵度量五个描述子实现对ROI内体素进行纹理描述。
具体的,作为优选实施例,通过CT值、二阶矩对ROI内体素进行纹理描述的公式为:
m是z的平均CT值,式中,所述z表示CT值的一个随机变量,所述zi代表不同的CT值,所述p(zi)为相应的直方图,其中,i=0,1,2…,L-1,L不同于CT值的数量级L不同于CT值的数量级。本发明实施例所述p(zi)表示的是某一特定的CT值一共有多少个体素,是数量信息。
关于CT值均值的z的第二阶矩为:
二阶矩在纹理描述中特别重要,它是CT值对比度的度量,利用所述二阶矩可以建立相对平滑度的描绘子。作为另一个优选实施例,通过相对平滑度对ROI内体素进行纹理描述的公式为:
其中,R值的大小能够反映所述ROI区域的相对平滑度。具体的,对于较为光滑的区域,所述R值越接近0,表示所述ROI区域的相对平滑度越高;所述R值越接近于1,表示所述ROI区域越粗糙。
作为又一个优选实施例,基于CT值的基础上,通过一致性度量对ROI内体素进行纹理描述的公式为:本发明实施例所述一致性度量U对所有CT值级都相等的图像有最大值(极大一致性),并从最大值开始降低。
作为再一个优选实施例,基于CT值的基础上,通过平均熵度量对ROI内体素进行纹理描述的公式为:所述平均熵度量是可变性的度量,对恒定图像其为零。
通过基于稳定CT值,可以进一步计算获得二阶矩、平滑度度量、一致性度量和平均熵度量描述子的概率谱。
进一步的,本发明实施例可以通过所述纹理描述子加权得到ROI的概率谱。具体的,通过纹理描述子加权计算获得ROI的概率谱的方法为:
对描述子进行归一化到区间[0-1],通过下述加权得到ROI的概率谱图像:
M(zi)=wII(zi)+wRR(zi)+wUU(zi)+wee(zi),
式中,所述M(zi)表示所得到的概率谱图像,所述I(zi)、R(zi)、U(zi)、e(zi)分别表示二阶矩、相对平滑度、一致性度量和平均熵度量的描述子,所述wI、wR、wU、we为权值。作为优选实施例,为了更加准确、全面地表达所述肝脏肿瘤区域的纹理信息,所述wI=0.15,所述wR=0.35,所述wU=0.25,所述we=0.25。
本发明实施例基于稳定且具有可比性的CT值计算得到多个纹理描述子概率谱,使得多个稳定描述子同时描述所述肝脏肿瘤病灶的纹理,从而有效提升了CT影像中肝脏肿瘤病灶分割的准确性。同时,所述概率谱的构建,不仅融合了所有特征描述子,且权值可调,更具灵活性,从而显著提高了CT影像肝脏肿瘤病灶分割的时效性,避免了现有聚类分割方法中初始随机化引起失败的风险。
上述步骤S04中,作为优选实施例,所述基于大数据先验知识库,确定病灶区概率谱阈值,并基于所述阈值对疑似病灶进行分割的方法,包括如下步骤:
S041.提供一个CT影像先验知识库,所述先知数据库的CT影像数据≥200例,完成所述CT影像中病灶的手动分割,并对所述病灶进行提取;
S042.对所述先验知识库中已分割病灶区域,基于CT值对病灶区域进行纹理描述,并通过纹理描述子计算获得不同区域的概率谱;
S043.对先验知识库中获得的概率谱通过加权平均得到阈值T;
S044.对通过纹理描述子计算获得的所述ROI的概率谱进行阈值分割,得到分割图像,其中,所述Seg(zi)为分割后的二值图像,所述z表示CT值的一个随机变量,所述T为阈值,所述M为概率谱值。
具体的,上述步骤S041中,在所述CT影像图像中,所述CT值为恒量,其可比性不受个体差异限制,在不同个体间均具有可比性。因此,本发明实施例为提高CT影像肝脏肿瘤病灶分割的准确性,提供一个CT影像先验知识库。为了进一步提高本发明实施例所述CT影像肝脏肿瘤病灶分割的准确性,所述先知数据库的CT影像数据≥200例。作为具体优选实施例,所述先验知识库中包含有肝脏血管瘤、转移瘤、肝癌患者的数据。为了获得准确数据,所述先验知识库的获得采用手动分割实现,进一步优选由经验丰富的影像科医生完成全部病灶的手动分割,并对病灶进行提取。
上述步骤S042中,为了获得准确的所述纹理描述子数据,对所述先验知识库中已分割病灶区域,需要基于CT值对病灶区域进行纹理描述,并通过纹理描述子计算获得不同区域的概率谱。对于基于CT值对病灶区域进行纹理描述,并通过纹理描述子计算获得不同区域的概率谱的方法,在上述步骤S03中已陈述,在此不再赘述。
上述步骤S043中,对先验知识库中的概率谱通过加权平均得到阈值T。对于对先验知识库中的概率谱通过加权平均得到阈值T的方法,在上述步骤S03中已陈述,在此不再赘述。本发明优选实施例中,所述T=0.64。
上述步骤S044中,对经过步骤S043处理后得到的ROI的概率谱图像进行阈值分割,可以得到分割图像,
其中,Seg(zi)为分割后二值图像,所述T为阈值,所述M为概率谱值。当待分割图像ROI的概率谱≥阈值时,则表明为肿瘤,那么所述CT值置1;当待分割图像ROI的概率谱≤阈值时,则表明不是肿瘤,那么所述CT值置0。通过所述阈值分割,计算所述CT值为1的体素,可以更好地统计下一步肿瘤区域的体素。
本发明实施例基于CT影像肝脏肿瘤病灶的分割方法,基于先验知识库肝脏肿瘤患者的数据通过手动分割计算得到概率谱的阈值,基于先验知识的阈值分割更有效于已有算法,且进一步提高了CT影像肝脏肿瘤病灶分割的准确性。
上述步骤S05中,所述肝脏肿瘤病灶容积作为量化参量,对肝脏疾病严重性的评估具有重要意义。在得到肝脏病灶分割结果后,可统计二值图像上值为1的体素个数,并通过算法自动提取体素的大小,二者相乘,得到肝脏病灶容积大小。
本发明所述实施例可通过MATLAB编程实现。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
本发明实施例提供的基于CT影像肝脏肿瘤病灶的分割方法,基于稳定CT值的方法计算概率谱,基于大数据先验知识库确定病灶区概率谱阈值,并依据获得的所述阈值对疑似病灶进行分割,具有下述优势:
首先,基于稳定且具有可比性的CT值计算得到多个纹理描述子概率谱,使得多个稳定描述子同时描述所述肝脏肿瘤病灶的纹理,从而有效提升了CT影像中肝脏肿瘤病灶分割的准确性。同时,所述概率谱的构建,不仅融合了所有特征描述子,且权值可调,更具灵活性,从而显著提高了CT影像肝脏肿瘤病灶分割的时效性,避免了现有聚类分割方法中初始随机化引起失败的风险。
其次,本发明基于CT影像肝脏肿瘤病灶的分割方法,基于先验知识库肝脏肿瘤患者的数据通过手动分割计算得到概率谱的阈值,基于先验知识的阈值分割更有效于已有算法,且进一步提高了对所述肝脏肿瘤病灶进行分割的准确性。
此外,本发明实施例提供的算法,可以同时选择多个ROI,可并行化完成分割,使多目标区域分割成为可能,从而进一步提高了对所述肝脏肿瘤病灶进行分割的时效性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于CT影像肝脏肿瘤病灶的分割系统,包括:
预处理模块:所述预处理模块用于对初始CT影像图像进行预处理;
ROI选择模块:所述ROI选择模块针对预处理后的CT影像图像,通过交互式方式完成疑似病灶的ROI选择;
纹理描述模块和概率谱计算模块:所述纹理描述模块用于基于CT值对ROI进行纹理描述,概率谱计算模块用于通过纹理描述模块获得的纹理描述子加权计算获得ROI的概率谱,其中,所述基于CT值对ROI进行纹理描述,包括通过CT值、二阶矩、平滑度度量、一致性度量和平均熵度量五个描述子对ROI内体素进行纹理描述;
疑似病灶分割模块:所述疑似病灶分割模块用于构建大数据先验知识库,确定病灶区概率谱阈值,并基于所述阈值对疑似病灶进行分割;
输出模块:所述输出模块用于对病灶完成容积统计与量化输出。
2.如权利要求1所述的一种基于CT影像肝脏肿瘤病灶的分割系统,其特征在于,所述疑似病灶分割模块中,所述构建大数据先验知识库,确定病灶区概率谱阈值,并基于所述阈值对疑似病灶进行分割,包括以下子模块:
分割提取模块:用于提供一个CT影像先验知识库,所述先知数据库的CT影像数据≥200例,完成所述CT影像中病灶的手动分割,并对所述病灶进行提取;
概率谱获取模块:用于对所述先验知识库中已分割病灶区域,基于CT值对病灶区域进行纹理描述,并通过纹理描述子计算获得不同区域的概率谱;
阈值T获取模块:用于对先验知识库中获得的概率谱通过加权平均得到阈值T;
分割图像获取模块:用于对通过纹理描述子计算获得的所述ROI的概率谱进行阈值分割,得到分割图像,其中,所述Seg(zi)为分割后的二值图像,所述zi表示CT值的一个随机变量,所述T为阈值,所述M为概率谱值。
3.如权利要求1所述的一种基于CT影像肝脏肿瘤病灶的分割系统,其特征在于,所述纹理描述模块中,通过CT值、二阶矩对ROI内体素进行纹理描述的公式为:
m是zi的平均CT值,式中,所述zi表示CT值的一个随机变量,所述p(zi)为相应的直方图,其中,i=0,1,2…,L-1,L不同于CT值的数量级;
关于CT值均值的z的第二阶矩为:
4.如权利要求3所述的一种基于CT影像肝脏肿瘤病灶的分割系统,其特征在于,通过相对平滑度对ROI内体素进行纹理描述的公式为:
5.如权利要求3所述的一种基于CT影像肝脏肿瘤病灶的分割系统,其特征在于,通过一致性度量对ROI内体素进行纹理描述的公式为:
6.如权利要求3所述的一种基于CT影像肝脏肿瘤病灶的分割系统,其特征在于,通过平均熵度量对ROI内体素进行纹理描述的公式为:
7.如权利要求1所述的一种基于CT影像肝脏肿瘤病灶的分割系统,其特征在于,所述概率谱计算模块中,通过纹理描述子加权计算获得ROI的概率谱包括:
对描述子进行归一化到区间[0,1],通过下述公式加权得到ROI的概率谱图像:
M(zi)=wIμ2(zi)+wRR(zi)+wUU(zi)+wee(zi),
式中,所述M(zi)表示所得到的概率谱图像,所述μ2(zi)、R(zi)、U(zi)、e(zi)分别表示二阶矩、相对平滑度、一致性度量和平均熵度量的描述子,所述wI、wR、wU、we为权值。
8.如权利要求1所述的一种基于CT影像肝脏肿瘤病灶的分割系统,其特征在于,所述预处理模块中,对初始CT影像图像进行预处理,包括图像去噪处理和图像增强处理。
9.如权利要求8所述的一种基于CT影像肝脏肿瘤病灶的分割系统,其特征在于,所述去噪处理包括:基于空间域滤波技术的算术均值滤波器,令Sxyz表示中心在点(x,y,z)处、大小为m×n×p的矩形子图像窗口的一组坐标,所述算术均值滤波器在Sxyz定义的区域中计算原始图像g(x,y,z)的平均值为:
式中,所述f(x,y,z)为去噪后图像在点(x,y,z)处去噪后的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510290963.4A CN105488781B (zh) | 2015-06-01 | 2015-06-01 | 一种基于ct影像肝脏肿瘤病灶的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510290963.4A CN105488781B (zh) | 2015-06-01 | 2015-06-01 | 一种基于ct影像肝脏肿瘤病灶的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105488781A CN105488781A (zh) | 2016-04-13 |
CN105488781B true CN105488781B (zh) | 2019-04-30 |
Family
ID=55675747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510290963.4A Active CN105488781B (zh) | 2015-06-01 | 2015-06-01 | 一种基于ct影像肝脏肿瘤病灶的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488781B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447046B (zh) * | 2018-02-05 | 2019-07-26 | 龙马智芯(珠海横琴)科技有限公司 | 病灶的检测方法和装置、计算机可读存储介质 |
TWI668666B (zh) * | 2018-02-14 | 2019-08-11 | China Medical University Hospital | 肝癌分群預測模型、其預測系統以及肝癌分群判斷方法 |
CN109377500B (zh) * | 2018-09-18 | 2023-07-25 | 平安科技(深圳)有限公司 | 基于神经网络的图像分割方法及终端设备 |
TWI714025B (zh) * | 2019-03-19 | 2020-12-21 | 緯創資通股份有限公司 | 影像辨識方法及影像辨識裝置 |
CN110111875A (zh) * | 2019-03-19 | 2019-08-09 | 北京缙铖医疗科技有限公司 | 一种mr远程医疗系统 |
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 |
CN111161258B (zh) * | 2019-12-31 | 2023-05-09 | 重庆青信科技有限公司 | 基于能谱曲线统计指纹的能谱ct图像分割方法 |
CN112669925A (zh) * | 2020-12-16 | 2021-04-16 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的报告模板及形成方法 |
CN115440386B (zh) * | 2022-09-30 | 2023-06-20 | 中国医学科学院北京协和医院 | 基于加权多病灶的影像组学特征预测晚期癌症患者免疫治疗效果的方法及设备 |
CN115294125B (zh) * | 2022-10-08 | 2023-03-24 | 江苏南通鼎顺网络科技有限责任公司 | 基于图形识别的肿瘤ct图像处理方法 |
CN116630358B (zh) * | 2023-07-25 | 2023-09-26 | 潍坊医学院附属医院 | 一种脑部肿瘤ct影像的阈值分割方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854287A (zh) * | 2014-03-11 | 2014-06-11 | 深圳市旭东数字医学影像技术有限公司 | 基于磁共振图像的半月板分割的方法及其装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011212078A (ja) * | 2010-03-31 | 2011-10-27 | Hitachi Ltd | 治療計画装置 |
-
2015
- 2015-06-01 CN CN201510290963.4A patent/CN105488781B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854287A (zh) * | 2014-03-11 | 2014-06-11 | 深圳市旭东数字医学影像技术有限公司 | 基于磁共振图像的半月板分割的方法及其装置 |
Non-Patent Citations (2)
Title |
---|
人体肝脏图像处理分割算法研究;孔晓荣;《中国优秀硕士学位论文全文数据库》;20090415(第04期);第8-36页 |
结直肠癌患者肝脏CT图像分类中决策树模型的应用;曹务腾等;《CT理论与应用研究》;20140402;第23卷(第2期);第275-283页 |
Also Published As
Publication number | Publication date |
---|---|
CN105488781A (zh) | 2016-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488781B (zh) | 一种基于ct影像肝脏肿瘤病灶的分割方法 | |
US11710242B2 (en) | Methods and systems for image segmentation | |
Haidekker | Advanced biomedical image analysis | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
US7840046B2 (en) | System and method for detection of breast masses and calcifications using the tomosynthesis projection and reconstructed images | |
Kostis et al. | Three-dimensional segmentation and growth-rate estimation of small pulmonary nodules in helical CT images | |
US20040252870A1 (en) | System and method for three-dimensional image rendering and analysis | |
Bhadoria et al. | Comparison of segmentation tools for multiple modalities in medical imaging | |
Sun et al. | 3D computerized segmentation of lung volume with computed tomography | |
Hopp et al. | 3D ultrasound computer tomography: update from a clinical study | |
Caresio et al. | Quantitative analysis of thyroid tumors vascularity: A comparison between 3‐D contrast‐enhanced ultrasound and 3‐D Power Doppler on benign and malignant thyroid nodules | |
Chen et al. | Real-time freehand 3D ultrasound imaging | |
US9082193B2 (en) | Shape-based image segmentation | |
Tariq et al. | A cross sectional study of tumors using bio-medical imaging modalities | |
Dawood et al. | The importance of contrast enhancement in medical images analysis and diagnosis | |
Dong et al. | An improved supervoxel 3D region growing method based on PET/CT multimodal data for segmentation and reconstruction of GGNs | |
Diciotti et al. | The ${LoG} $ characteristic scale: A consistent measurement of lung nodule size in CT imaging | |
Hopp et al. | Breast tissue characterization by sound speed: correlation with mammograms using a 2D/3D image registration | |
Wu et al. | Automatic segmentation of ultrasound tomography image | |
Pöhlmann et al. | Three-dimensional segmentation of breast masses from digital breast tomosynthesis images | |
Gazi et al. | Temporal subtraction contrast-enhanced dedicated breast CT | |
Ali et al. | Semi-automatic segmentation of subcutaneous tumours from micro-computed tomography images | |
Tashk et al. | An innovative practical automatic segmentation of ultrasound computer tomography images acquired from USCT system | |
Kim | 3D volume extraction of cerebrovascular structure on brain magnetic resonance angiography data sets | |
Cao et al. | An adaptive pulmonary nodule detection algorithm |
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 |