CN105957063A - 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 - Google Patents
基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 Download PDFInfo
- Publication number
- CN105957063A CN105957063A CN201610256511.9A CN201610256511A CN105957063A CN 105957063 A CN105957063 A CN 105957063A CN 201610256511 A CN201610256511 A CN 201610256511A CN 105957063 A CN105957063 A CN 105957063A
- Authority
- CN
- China
- Prior art keywords
- image
- liver
- block
- pixel
- training
- 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
- G06T2207/10081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于多尺度加权相似性测度的CT图像肝脏分割方法及系统,能够实现肝脏区域的精确分割。所述方法包括:S101、读取训练图像集和待分割图像;S102、将读取的图像数据进行预处理;S103、在待分割图像中的初始边界,在待分割图像中肝脏边界周围提取超像素;S104、以待分割图像上每个超像素的中心点为中心,选择一定邻域内的所有像素点作为测试块,在训练图像上选取相同位置相同大小的多尺度图像块作为训练块,得到训练块集;S105、计算测试块与训练块集的相似性测度,以此得到待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率;S106、结合先验模型与待分割图像,修改随机游走的图模型权值,实现待分割图像中肝脏的分割。
Description
技术领域
本发明涉及机器学习技术领域,具体涉及一种基于多尺度加权相似性测度的CT图像肝脏分割方法及系统。
背景技术
医学图像分割辅助医生识别病人的内部组织器官及病灶区域,在计算机辅助治疗及手术规划中发挥至关重要的作用。所以,肝脏的自动分割是医生诊治如肝硬化、肝脏肿瘤、肝移植等肝脏疾病的基础。在腹部CT图像中,肝脏与邻近器官的灰度值差异较小,肝脏本身灰度不均匀且其形状各异,自动、精确的分割出肝脏难度较大。所以,临床医生迫切需要一种简单、快速、准确的肝脏分割方法。
现有的肝脏分割方法有:(1)基于阈值的方法。但基于阈值的分割方法较依赖于选取的初始阈值,对于边界模糊的肝脏而言,存在严重的过分割问题;(2)基于形状模型的方法,但基于形状模型的方法难点在于模型的建立,这不仅需要大量的训练集,还需要各形状模型间的对应关系;(3)基于图论的方法,基于图论的方法较为快速、简便,但对于灰度值差异不明显的图像分割效果较差,而且需要用户参与交互;(4)基于学习的方法,基于学习的方法难点在于特征的选择,且学习往往是像素级的,仅仅依赖学习的方法对肝脏的识别率较低。
发明内容
有鉴于此,本发明实施例提供一种基于多尺度加权相似性测度的CT图像肝脏分割方法及系统,能够实现肝脏区域的精确分割。
一方面,本发明实施例提出一种基于多尺度加权相似性测度的CT图像肝脏分割方法,包括:
S101、读取训练图像集和待分割图像,其中,所述训练图像集中的图像和待分割图像为肝脏的CT图像;
S102、将读取的图像数据进行预处理;
S103、通过配准方法将所述训练图像与待分割图像作全局配准得到肝脏在所述待分割图像中的初始边界,并在所述待分割图像中肝脏边界周围提取超像素;
S104、以所述待分割图像上每个超像素的中心点为中心,选择一定邻域内的所有像素点作为测试块,在所述训练图像上选取相同位置相同大小的多尺度图像块作为训练块,得到训练块集;
S105、计算所述测试块与训练块集的相似性测度,以此为权重构建融合目标函数得到所述训练块集对应于所述待分割图像的稀疏加权系数,从而得到所述待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率;
S106、结合先验模型与所述待分割图像,修改随机游走的图模型权值,实现所述待分割图像中肝脏的分割。
另一方面,本发明实施例提出一种基于多尺度加权相似性测度的CT图像肝脏分割系统,包括:
读取模块,用于读取训练图像集和待分割图像,其中,所述训练图像集中的图像和待分割图像为肝脏的CT图像;
预处理模块,用于将读取的图像数据进行预处理;
提取模块,用于通过配准方法将所述训练图像与待分割图像作全局配准得到肝脏在所述待分割图像中的初始边界,并在所述待分割图像中肝脏边界周围提取超像素;
选取模块,用于以所述待分割图像上每个超像素的中心点为中心,选择一定邻域内的所有像素点作为测试块,在所述训练图像上选取相同位置相同大小的多尺度图像块作为训练块,得到训练块集;
计算模块,用于计算所述测试块与训练块集的相似性测度,以此为权重构建融合目标函数得到所述训练块集对应于所述待分割图像的稀疏加权系数,从而得到所述待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率;
分割模块,用于结合先验模型与所述待分割图像,修改随机游走的图模型权值,实现所述待分割图像中肝脏的分割。
本发明实施例提供的基于多尺度加权相似性测度的CT图像肝脏分割方法及系统,通过将训练图像向待分割图像作全局配准得到肝脏在待分割图像中的近似位置,利用训练图像与待分割图像在肝脏边界处局部形态上的相似性,构建融合目标函数,得到待分割图像基于训练图像集融合的稀疏加权系数,进而获得对应的肝脏先验模型,并通过修改随机游走的图模型权值,实现肝脏区域的精确分割,本发明利用相似性测度筛选训练图像,能够减少样本的冗余信息。
附图说明
图1为本发明基于多尺度加权相似性测度的CT图像肝脏分割方法一实施例的流程示意图;
图2为本发明基于多尺度加权相似性测度的CT图像肝脏分割系统一实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例公开一种基于多尺度加权相似性测度的CT图像肝脏分割方法,包括:
S101、读取训练图像集和待分割图像,其中,所述训练图像集中的图像和待分割图像为肝脏的CT图像;
S102、将读取的图像数据进行预处理;
具体的,所述S102,包括:
将读取的图像数据,依次进行去噪、非均匀性校正以及灰度归一化预处理。
在实际应用中,所述去噪方法为各向异性滤波法、线性滤波法、中值滤波法、维纳滤波法、傅里叶变换法、小波变换法、Non-localmeans滤波法、Unbiased Non-local Means滤波法、Foveated non-localmeans滤波法、双边滤波法、基于block-matching and 3D filtering(BM3D)滤波法、Pointwise Shape-Adaptive离散余弦变换滤波法、K-SVD滤波法、Clustering-based sparse representation滤波法或principal component analysis with local pixel grouping滤波法。
图像的各向异性滤波能够较好地考虑图像的局部特性,在保持CT图像细节信息的同时去除强烈的噪声。然后,采用基于梯度分布的方法去除偏差场,实现图像的非均匀校正,获得均匀的图像。利用直方图方法对图像进行灰度归一化。
S103、通过配准方法将所述训练图像与待分割图像作全局配准得到肝脏在所述待分割图像中的初始边界,并在所述待分割图像中肝脏边界周围提取超像素;
对于待分割图像,可以采用基于谱聚类的超像素提取方法,实现测待分割图像的超像素提取。
S104、以所述待分割图像上每个超像素的中心点为中心,选择一定邻域内的所有像素点作为测试块,在所述训练图像上选取相同位置相同大小的多尺度图像块作为训练块,得到训练块集;
所述S104,具体为:
在完成训练图像集与待分割图像间的配准后,可获得待分割图像中肝脏边界的大致区域。以此区域内的每个超像素的中心位置点代表该超像素中具有结构相似性的所有点集,提取肝脏边界大致区域范围内的像素块作为测试块。根据训练图像集与待分割图像的对应关系,提取训练图像中的训练块。
S105、计算所述测试块与训练块集的相似性测度,以此为权重构建融合目标函数得到所述训练块集对应于所述待分割图像的稀疏加权系数,从而得到所述待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率;
所述S105,具体为:
首先,通过提取待分割图像边界的每个超像素区域中心像素点及训练图像相同位置周围的多尺度图像块,计算训练块集与测试块的相似性测度并筛选;然后,以此测度为权重构建融合目标函数,得到训练块集对应于待分割图像的稀疏加权系数,获得训练块集对测试块的稀疏表达;最后,得到肝脏边界周围每个超像素块的肝脏先验模型。
S106、结合先验模型与所述待分割图像,修改随机游走的图模型权值,实现所述待分割图像中肝脏的分割。
本实施例提供的基于多尺度加权相似性测度的CT图像肝脏分割方法,通过将训练图像向待分割图像作全局配准得到肝脏在待分割图像中的近似位置,利用训练图像与待分割图像在肝脏边界处局部形态上的相似性,构建融合目标函数,得到待分割图像基于训练图像集融合的稀疏加权系数,进而获得对应的肝脏先验模型,并通过修改随机游走的图模型权值,实现肝脏区域的精确分割,本发明利用相似性测度筛选训练图像,能够减少样本的冗余信息。
可选地,在本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的另一实施例中,所述非均匀性校正的方法具体为:
对于去噪后的CT图像Ide,计算最优偏差场B'opt,计算公式为其中,所述CT图像Ide可表示为均匀图像V与偏差场B的组合:
Ide=V·B,
I'de=In Ide,V'=In V,B'=In B,P(B'|I'de)为已知I'de的B'的条件概率,P(I'de|B')为已知B'的I'de的条件概率,P(B')为B'的先验概率;
去除所述最优偏差场,得到均匀的图像V。
可选地,在本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的另一实施例中,所述灰度归一化利用直方图方法实现。
可选地,在本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的另一实施例中,所述S103中的配准指分别在所述训练图像和待分割图像中肝脏的肝圆顶、右叶前段、右叶肝尖、右叶后段、莫里森袋、肝门及左叶侧段上手动选择七组特征点对,建立特征点之间的形变关系,利用B样条插值方法计算肝脏的整体形变关系,构建体数据间的形变场,进而将形变场作用到所述训练图像中,从而得到所述训练图像集向待分割图像配准结果,进而得到所述待分割图像中肝脏的近似边界区域。
步骤S103中待分割图像提取超像素具体方法为:在待分割图像中等间隔的初始化K个种子点,计算图像中每个像素点与周围邻近种子点的欧氏距离D:
D=||Yx-Yseed-k||2,
其中,Yx表示像素点x对应的特征向量,Yseed-k表示第k个种子点对应的特征向量,根据所述欧氏距离对所述待分割图像进行超像素划分,其中,所述划分所依据的公式为
其中,πk为第k个聚类,Ck表示最终划分的超像素区域,本发明选取不同个数的K,比如K=500,即待分割图像被划分为500个超像素块左右。根据所述待分割图像的超像素划分结果,提取肝脏边界的区域所在的超像素划分即可获得所述待分割图像中肝脏边界周围的超像素划分。
可选地,在本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的另一实施例中,所述S104中的训练块和测试块选取的方法具体为:
以所述待分割图像上每个超像素的中心点为中心,选择一定邻域内的所有像素点作为测试块,比如3×3、5×5、7×7、9×9、11×11。在所述训练图像上选取相同位置相同大小的图像块作为训练块,得到训练块集。
可选地,在本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的另一实施例中,S105具体为:
对于像素点x的十一邻域图像块n(x),越接近中心像素点的区域,其结构信息越能代表中心点;而其边缘区域,代表中心像素点周围结构信息的能力相对较弱,本发明利用三个不同尺度的高斯卷积核与图像块卷积,获得三个对应的滤波图像块:
其中,F为高斯卷积核,σ为尺度因子,由于大尺度的卷积核去噪声能力强,能平滑图像中的细节,而小尺度的卷积核能较好的保留边缘结构信息,为获得多尺度图像块,在中心像素点三邻域的区域,取小尺度的滤波图像块;在七邻域内的区域,取中等尺度的滤波图像块;七邻域外,取大尺度的滤波图像块,通过组合三个不同尺度的图像块代表图像块中心像素点周围的结构信息,则多尺度图像块n0(x):
其中,σ1<σ2<σ3,
其中,σ1、σ2和σ3为三个尺度因子,G(*)表示中心像素点的*邻域图像块,用三尺度图像块n0(x)代替原始灰度图像块n(x)进行后续处理,对于所述待分割图像肝脏边界的每个超像素区域中心像素点xu,利用前述方法,提取其邻域的多尺度块n0(xu),展开图像块的像素值为向量,记为T,同时提取训练图像集与像素点xu相同位置的周围邻域的Q0个多尺度图像块,记为Q0为训练图像块的数量,训练图像块中心像素点对应的肝脏类别记为当训练图像块中心像素点在肝脏上时对应的肝脏类别的值为1,否则为-1,为有效地利用训练块集β0融合表达测试块α,利用结构相似性剔除与测试块结构差异较大的训练块对算法的干扰,计算α与的相似性测度
式中,和分别表示图像块的亮度和结构属性的相似性,μα、分别表示测试块和训练块的均值,σα、分别表示测试块和训练块的标准差,相似性测度其值越大,则表示训练块与测试块越相似,若此测度小于一定阈值则把此训练块从训练块集β0中剔除,最终获得与测试块α结构相似的新的训练块集β={Xq|q=1,2...Q}及对应的肝脏类别L={Yq∈{-1,1}|q=1,2...Q},其与测试块的相似性测度记为κ={κq|q=1,2...Q},
为计算测试块α的中心像素点xu属于肝脏区域的概率,利用上述方法获得的Q个训练块β={Xq|q=1,2...Q}对测试块α进行稀疏表达,对应的稀疏系数为ξ={ξq|q=1,2...Q},本发明构建基于相似性测度κ对训练块集β作加权融合的目标函数:
其中,ξ为目标函数待优化的融合系数,λ1、λ2为控制参数,目标函数由三部分组成,第一部分通过计算测试块与训练块的加权融合结果的差异最小,使融合参数ξ尽可能的最优;第二部分控制融合参数ξ的稀疏性;第三部分利用训练块与测试块的相似性测度κ,赋予不同的训练块在融合过程中的权重,使融合结果更倾向于与测试块相似性较大的训练块,
对于以像素点xu为中心的十一邻域多尺度测试块n0(xu)及其向量表示T,可由同样大小的三尺度训练块集β={Xq|q=1,2...Q}融合表示,融合系数为ξ,满足:
其中,系数ξq具有稀疏性,即部分系数的值为0,根据上文信息,越接近中心像素点的区域,越能代表中心像素点周围的结构信息,利用新的接近中心区域的图像块更新上述目标函数,通过在训练块集β中,剔除融合参数为0的训练块,选取与测试块结构相似的训练块组建新的训练块集,同时,去除测试块n0(xu)和新的训练块集的最外层区域,即取中心像素点的七邻域:
其中,σ1<σ2,
其中,x代表中心像素点,则获得新的测试块n1(xu)及其展开列向量T1和新的训练块集β1={βq 1|q=1,2...Q1}及对应的肝脏类别L1={Lq 1∈{-1,1}|q=1,2...Q1},相似性测度为κ1={κq 1|q=1,2...Q1},则更新后的目标函数为:
其中,更新后的测试块和训练块集β1能更准确地代表中心像素点周围的结构信息,利用此更新方法,直到图像块只保留其中心的最小尺度区域,获得最终的训练块集βt={βq t|q=1,2...Qt},对应的肝脏类别Lt={Lq t∈{-1,1}|q=1,2...Qt}和融合系数ξt={ξq t|q=1,2...Qt},更新次数为t+1,则测试块的中心像素点xu属于肝脏区域的概率Lu可表示为:
其中,δ(*)为单位脉冲函数,Lu即为像素点xu的肝脏先验概率。
对于所述待分割图像的肝脏边界区域Vu-edge的每个超像素Ck,计算其中心像素点xu-k的肝脏先验概率Lu-k,并把此概率作为该超像素内所有像素点的肝脏先验概率,则计算得到肝脏边界区域Vu-edge中的像素点x属于肝脏区域的概率为:
L(x∈Ck)=Lu-k,
其中,由于所述待分割图像的肝脏边界区域Vu-edge为一个环形区域,对于Vu-edge的内部区域,根据所述待分割图像与训练图像集间的对应关系,可以确定该区域里的像素点均属于肝脏,则该内部区域的像素点属于肝脏的概率为1,同理,对于Vu-edge的外部区域,该区域里的像素点为非肝脏区域的确信点,则该外部区域的像素点属于肝脏的概率为0,则计算获得所述待分割图像对应的肝脏先验模型。
可选地,在本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的另一实施例中,所述S106中结合先验模型与随机游走的图模型权值实现肝脏的分割的具体方法为:
对于所述待分割图像Vu,在其对应的肝脏先验模型中,随机选取一定数量属于肝脏的概率为1的像素点为肝脏区域的种子点;同样选取概率为0的像素点为非肝脏区域的种子点,利用已标记的种子点,通过建立目标函数并求解:
其中,Espatial为目标函数,di为图中索引为i的像素点的度,且为所有连接到索引为i的像素点的边对应的之和,p是N*1维的向量,即代表所述待分割图像中N个像素点最终属于肝脏区域的概率,对于已标记的种子点,其值是已知的,i,j分别为所述待分割图像Vu中的像素vi和vj的索引,eij为两像素点间的相邻关系,为相邻像素点间的权值,M为所述待分割图像的拉普拉斯矩阵,Mij为M中的元素,
由于CT图像自身肝脏周围灰度对比度较小,直接利用随机游走的方法难以分割出肝脏区域,本发明提出在随机游走的方法中,综合CT图像和基于相似加权融合得到的肝脏先验模型信息,即修改原始随机游走目标函数中的权值:
其中,α、β为调整参数,Z(·)为先验概率模型,当相邻的索引分别为i、j的像素点刚好处于肝脏边界时,其对应的灰度值Vu(i)、Vu(j)相近,但是先验概率模型中的Z(i)、Z(j)差值较大,即在分割过程中,索引为i的像素点走向索引为j的像素点的概率较小,从而有效的分割出肝脏边界,
最后判断各个像素点对应的由随机游走方法得到的像素φ(i)值,当其不小于1/2时,像素点的类别被判为1,即属于肝脏区域;否则,属于非肝脏,最终实现肝脏的分割,即:
如图2所示,本实施例公开一种基于多尺度加权相似性测度的CT图像肝脏分割系统,包括:
读取模块1,用于读取训练图像集和待分割图像,其中,所述训练图像集中的图像和待分割图像为肝脏的CT图像;
预处理模块2,用于将读取的图像数据进行预处理;
提取模块3,用于通过配准方法将所述训练图像与待分割图像作全局配准得到肝脏在所述待分割图像中的初始边界,并在所述待分割图像中肝脏边界周围提取超像素;
选取模块4,用于以所述待分割图像上每个超像素的中心点为中心,选择一定邻域内的所有像素点作为测试块,在所述训练图像上选取相同位置相同大小的多尺度图像块作为训练块,得到训练块集;
计算模块5,用于计算所述测试块与训练块集的相似性测度,以此为权重构建融合目标函数得到所述训练块集对应于所述待分割图像的稀疏加权系数,从而得到所述待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率;
分割模块6,用于结合先验模型与所述待分割图像,修改随机游走的图模型权值,实现所述待分割图像中肝脏的分割。
对本发明基于多尺度加权相似性测度的CT图像肝脏分割系统的说明与前述对本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的说明一致,整个过程可参见图2,此处不再赘述。
本实施例提供的基于多尺度加权相似性测度的CT图像肝脏分割系统,通过将训练图像向待分割图像作全局配准得到肝脏在待分割图像中的近似位置,利用训练图像与待分割图像在肝脏边界处局部形态上的相似性,构建融合目标函数,得到待分割图像基于训练图像集融合的稀疏加权系数,进而获得对应的肝脏先验模型,并通过修改随机游走的图模型权值,实现肝脏区域的精确分割,本发明利用相似性测度筛选训练图像,能够减少样本的冗余信息。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于多尺度加权相似性测度的CT图像肝脏分割方法,其特征在于,包括:
S101、读取训练图像集和待分割图像,其中,所述训练图像集中的图像和待分割图像为肝脏的CT图像;
S102、将读取的图像数据进行预处理;
S103、通过配准方法将所述训练图像与待分割图像作全局配准得到肝脏在所述待分割图像中的初始边界,并在所述待分割图像中肝脏边界周围提取超像素;
S104、以所述待分割图像上每个超像素的中心点为中心,选择一定邻域内的所有像素点作为测试块,在所述训练图像上选取相同位置相同大小的多尺度图像块作为训练块,得到训练块集;
S105、计算所述测试块与训练块集的相似性测度,以此为权重构建融合目标函数得到所述训练块集对应于所述待分割图像的稀疏加权系数,从而得到所述待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率;
S106、结合先验模型与所述待分割图像,修改随机游走的图模型权值,实现所述待分割图像中肝脏的分割。
2.根据权利要求1所述的基于多尺度加权相似性测度的CT图像肝脏分割方法,其特征在于,所述S102,包括:
将读取的图像数据,依次进行去噪、非均匀性校正以及灰度归一化预处理。
3.根据权利要求2所述的基于多尺度加权相似性测度的CT图像肝脏分割方法,其特征在于,所述去噪方法为各向异性滤波法、线性滤波法、中值滤波法、维纳滤波法、傅里叶变换法、小波变换法、Non-local means滤波法、Unbiased Non-local Means滤波法、Foveated non-local means滤波法、双边滤波法、基于block-matchingand 3D filtering(BM3D)滤波法、Pointwise Shape-Adaptive离散余弦变换滤波法、K-SVD滤波法、Clustering-based sparse representation滤波法或principal component analysis with local pixel grouping滤波法。
4.根据权利要求2所述的基于多尺度加权相似性测度的CT图像肝脏分割方法,其特征在于,所述非均匀性校正的方法具体为:
对于去噪后的CT图像Ide,计算最优偏差场B'opt,计算公式为其中,所述CT图像Ide可表示为均匀图像V与偏差场B的组合:
Ide=V·B,
I'de=In Ide,V'=In V,B'=In B,P(B'|I'de)为已知I'de的B'的条件概率,P(I'de|B')为已知B'的I'de的条件概率,P(B')为B'的先验概率;
去除所述最优偏差场,得到均匀的图像V。
5.根据权利要求2所述的基于多尺度加权相似性测度的CT图像肝脏分割方法,其特征在于,所述灰度归一化利用直方图方法实现。
6.根据权利要求1所述的基于多尺度加权相似性测度的CT图像肝脏分割方法,其特征在于,所述S103中的配准指分别在所述训练图像和待分割图像中肝脏的肝圆顶、右叶前段、右叶肝尖、右叶后段、莫里森袋、肝门及左叶侧段上手动选择七组特征点对,建立特征点之间的形变关系,利用B样条插值方法计算肝脏的整体形变关系,构建体数据间的形变场,进而将形变场作用到所述训练图像中,从而得到所述训练图像集向待分割图像配准结果,进而得到所述待分割图像中肝脏的近似边界区域。
步骤S103中待分割图像提取超像素具体方法为:在待分割图像中等间隔的初始化K个种子点,计算图像中每个像素点与周围邻近种子点的欧氏距离D:
D=||Yx-Yseed-k||2,
其中,Yx表示像素点x对应的特征向量,Yseed-k表示第k个种子点对应的特征向量,根据所述欧氏距离对所述待分割图像进行超像素划分,其中,所述划分所依据的公式为
其中,πk为第k个聚类,Ck表示最终划分的超像素区域,根据所述待分割图像的超像素划分结果,提取肝脏边界的区域所在的超像素划分即可获得所述待分割图像中肝脏边界周围的超像素划分。
7.根据权利要求1所述的基于多尺度加权相似性测度的CT图像肝脏分割方法,其特征在于,所述S104中的训练块和测试块选取的方法具体为:
以所述待分割图像上每个超像素的中心点为中心,选择一定邻域内的所有像素点作为测试块,在所述训练图像上选取相同位置相同大小的图像块作为训练块,得到训练块集。
8.根据权利要求1所述的基于多尺度加权相似性测度的CT图像肝脏分割方法,其特征在于,S105具体为:
对于像素点x的十一邻域图像块n(x),越接近中心像素点的区域,其结构信息越能代表中心点;而其边缘区域,代表中心像素点周围结构信息的能力相对较弱,本发明利用三个不同尺度的高斯卷积核与图像块卷积,获得三个对应的滤波图像块:
其中,F为高斯卷积核,σ为尺度因子,由于大尺度的卷积核去噪声能力强,能平滑图像中的细节,而小尺度的卷积核能较好的保留边缘结构信息,为获得多尺度图像块,在中心像素点三邻域的区域,取小尺度的滤波图像块;在七邻域内的区域,取中等尺度的滤波图像块;七邻域外,取大尺度的滤波图像块,通过组合三个不同尺度的图像块代表图像块中心像素点周围的结构信息,则多尺度图像块n0(x):
其中,σ1<σ2<σ3,
其中,σ1、σ2和σ3为三个尺度因子,G(*)表示中心像素点的*邻域图像块,用三尺度图像块n0(x)代替原始灰度图像块n(x)进行后续处理,对于所述待分割图像肝脏边界的每个超像素区域中心像素点xu,利用前述方法,提取其邻域的多尺度块n0(xu),展开图像块的像素值为向量,记为T,同时提取训练图像集与像素点xu相同位置的周围邻域的Q0个多尺度图像块,记为Q0为训练图像块的数量,训练图像块中心像素点对应的肝脏类别记为当训练图像块中心像素点在肝脏上时对应的肝脏类别的值为1,否则为-1,为有效地利用训练块集β0融合表达测试块α,利用结构相似性剔除与测试块结构差异较大的训练块对算法的干扰,计算α与的相似性测度
式中,和分别表示图像块的亮度和结构属性的相似性,μα、分别表示测试块和训练块的均值,σα、分别表示测试块和训练块的标准差,相似性测度其值越大,则表示训练块与测试块越相似,若此测度小于一定阈值则把此训练块从训练块集β0中剔除,最终获得与测试块α结构相似的新的训练块集β={Xq|q=1,2...Q}及对应的肝脏类别L={Yq∈{-1,1}|q=1,2...Q},其与测试块的相似性测度记为κ={κq|q=1,2...Q},
为计算测试块α的中心像素点xu属于肝脏区域的概率,利用上述方法获得的Q个训练块β={Xq|q=1,2...Q}对测试块α进行稀疏表达,对应的稀疏系数为ξ={ξq|q=1,2...Q},本发明构建基于相似性测度κ对训练块集β作加权融合的目标函数:
其中,ξ为目标函数待优化的融合系数,λ1、λ2为控制参数,目标函数由三部分组成,第一部分通过计算测试块与训练块的加权融合结果的差异最小,使融合参数ξ尽可能的最优;第二部分控制融合参数ξ的稀疏性;第三部分利用训练块与测试块的相似性测度κ,赋予不同的训练块在融合过程中的权重,使融合结果更倾向于与测试块相似性较大的训练块,
对于以像素点xu为中心的十一邻域多尺度测试块n0(xu)及其向量表示T,可由同样大小的三尺度训练块集β={Xq|q=1,2...Q}融合表示,融合系数为ξ,满足:
其中,系数ξq具有稀疏性,即部分系数的值为0,根据上文信息,越接近中心像素点的区域,越能代表中心像素点周围的结构信息,利用新的接近中心区域的图像块更新上述目标函数,通过在训练块集β中,剔除融合参数为0的训练块,选取与测试块结构相似的训练块组建新的训练块集,同时,去除测试块n0(xu)和新的训练块集的最外层区域,即取中心像素点的七邻域:
其中,σ1<σ2,
其中,x代表中心像素点,则获得新的测试块n1(xu)及其展开列向量T1和新的训练块集β1={βq 1|q=1,2...Q1}及对应的肝脏类别L1={Lq 1∈{-1,1}|q=1,2...Q1},相似性测度为κ1={κq 1|q=1,2...Q1},则更新后的目标函数为:
其中,更新后的测试块和训练块集β1能更准确地代表中心像素点周围的结构信息,利用此更新方法,直到图像块只保留其中心的最小尺度区域,获得最终的训练块集βt={βq t|q=1,2...Qt},对应的肝脏类别Lt={Lq t∈{-1,1}|q=1,2...Qt}和融合系数ξt={ξq t|q=1,2...Qt},更新次数为t+1,则测试块的中心像素点xu属于肝脏区域的概率Lu可表示为:
其中,δ(*)为单位脉冲函数,Lu即为像素点xu的肝脏先验概率,
对于所述待分割图像的肝脏边界区域Vu-edge的每个超像素Ck,计算其中心像素点xu-k的肝脏先验概率Lu-k,并把此概率作为该超像素内所有像素点的肝脏先验概率,则计算得到肝脏边界区域Vu-edge中的像素点x属于肝脏区域的概率为:
L(x∈Ck)=Lu-k,
其中,由于所述待分割图像的肝脏边界区域Vu-edge为一个环形区域,对于Vu-edge的内部区域,根据所述待分割图像与训练图像集间的对应关系,可以确定该区域里的像素点均属于肝脏,则该内部区域的像素点属于肝脏的概率为1,同理,对于Vu-edge的外部区域,该区域里的像素点为非肝脏区域的确信点,则该外部区域的像素点属于肝脏的概率为0,则计算获得所述待分割图像对应的肝脏先验模型。
9.根据权利要求1所述的基于多尺度加权相似性测度的CT图像肝脏分割方法,其特征在于,所述S106中结合先验模型与随机游走的图模型权值实现肝脏的分割的具体方法为:
对于所述待分割图像Vu,在其对应的肝脏先验模型中,随机选取一定数量属于肝脏的概率为1的像素点为肝脏区域的种子点;同样选取概率为0的像素点为非肝脏区域的种子点,利用已标记的种子点,通过建立目标函数并求解:
其中,Espatial为目标函数,di为图中索引为i的像素点的度,且为所有连接到索引为i的像素点的边对应的之和,p是N*1维的向量,即代表所述待分割图像中N个像素点最终属于肝脏区域的概率,对于已标记的种子点,其值是已知的,i,j分别为所述待分割图像Vu中的像素vi和vj的索引,eij为两像素点间的相邻关系,为相邻像素点间的权值,M为所述待分割图像的拉普拉斯矩阵,Mij为M中的元素,
由于CT图像自身肝脏周围灰度对比度较小,直接利用随机游走的方法难以分割出肝脏区域,本发明提出在随机游走的方法中,综合CT图像和基于相似加权融合得到的肝脏先验模型信息,即修改原始随机游走目标函数中的权值:
其中,α、β为调整参数,Z(·)为先验概率模型,当相邻的索引分别为i、j的像素点刚好处于肝脏边界时,其对应的灰度值Vu(i)、Vu(j)相近,但是先验概率模型中的Z(i)、Z(j)差值较大,即在分割过程中,索引为i的像素点走向索引为j的像素点的概率较小,从而有效的分割出肝脏边界,
最后判断各个像素点对应的由随机游走方法得到的像素值φ(i),当其不小于1/2时,像素点的类别被判为1,即属于肝脏区域;否则,属于非肝脏,最终实现肝脏的分割,即:
10.一种基于多尺度加权相似性测度的CT图像肝脏分割系统,其特征在于,包括:
读取模块,用于读取训练图像集和待分割图像,其中,所述训练图像集中的图像和待分割图像为肝脏的CT图像;
预处理模块,用于将读取的图像数据进行预处理;
提取模块,用于通过配准方法将所述训练图像与待分割图像作全局配准得到肝脏在所述待分割图像中的初始边界,并在所述待分割图像中肝脏边界周围提取超像素;
选取模块,用于以所述待分割图像上每个超像素的中心点为中心,选择一定邻域内的所有像素点作为测试块,在所述训练图像上选取相同位置相同大小的多尺度图像块作为训练块,得到训练块集;
计算模块,用于计算所述测试块与训练块集的相似性测度,以此为权重构建融合目标函数得到所述训练块集对应于所述待分割图像的稀疏加权系数,从而得到所述待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率;
分割模块,用于结合先验模型与所述待分割图像,修改随机游走的图模型权值,实现所述待分割图像中肝脏的分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610256511.9A CN105957063B (zh) | 2016-04-22 | 2016-04-22 | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610256511.9A CN105957063B (zh) | 2016-04-22 | 2016-04-22 | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105957063A true CN105957063A (zh) | 2016-09-21 |
CN105957063B CN105957063B (zh) | 2019-02-15 |
Family
ID=56914913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610256511.9A Active CN105957063B (zh) | 2016-04-22 | 2016-04-22 | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105957063B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600568A (zh) * | 2017-01-19 | 2017-04-26 | 沈阳东软医疗系统有限公司 | 一种低剂量ct图像去噪方法及装置 |
CN106780518A (zh) * | 2017-02-10 | 2017-05-31 | 苏州大学 | 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法 |
CN107049475A (zh) * | 2017-04-19 | 2017-08-18 | 纪建松 | 肝癌局部消融方法及系统 |
CN107688783A (zh) * | 2017-08-23 | 2018-02-13 | 京东方科技集团股份有限公司 | 3d图像检测方法、装置、电子设备及计算机可读介质 |
CN108198184A (zh) * | 2018-01-09 | 2018-06-22 | 北京理工大学 | 造影图像中血管分割的方法和系统 |
CN108428225A (zh) * | 2018-01-30 | 2018-08-21 | 李家菊 | 基于多尺度多特征的影像科用脑部图像融合识别方法 |
CN109035252A (zh) * | 2018-06-29 | 2018-12-18 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
CN109509193A (zh) * | 2018-10-19 | 2019-03-22 | 中南民族大学 | 一种基于高精度配准的肝脏ct图谱分割方法及系统 |
CN109753997A (zh) * | 2018-12-19 | 2019-05-14 | 湖南科技大学 | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 |
CN109829494A (zh) * | 2019-01-28 | 2019-05-31 | 山西大学 | 一种基于加权相似性度量的聚类集成方法 |
CN110322445A (zh) * | 2019-06-12 | 2019-10-11 | 浙江大学 | 一种基于最大化预测和标签间相关性损失函数的语义分割方法 |
CN110443823A (zh) * | 2018-05-03 | 2019-11-12 | 西南科技大学 | 一种水面漂浮物前景分割方法 |
CN110638477A (zh) * | 2018-06-26 | 2020-01-03 | 佳能医疗系统株式会社 | 医用图像诊断装置以及对位方法 |
CN110796650A (zh) * | 2019-10-29 | 2020-02-14 | 杭州阜博科技有限公司 | 图像质量的评估方法及装置、电子设备、存储介质 |
CN110874843A (zh) * | 2019-10-28 | 2020-03-10 | 深圳大学 | 一种器官图像分割方法和装置 |
CN111178445A (zh) * | 2019-12-31 | 2020-05-19 | 上海商汤智能科技有限公司 | 图像处理方法及装置 |
CN111738986A (zh) * | 2020-06-01 | 2020-10-02 | 数坤(北京)网络科技有限公司 | 一种脂肪衰减指数的生成方法、装置及计算机可读介质 |
CN112148909A (zh) * | 2020-09-18 | 2020-12-29 | 微梦创科网络科技(中国)有限公司 | 搜索相似图片的方法及系统 |
CN112686850A (zh) * | 2020-12-24 | 2021-04-20 | 上海体素信息科技有限公司 | 基于空间位置和原型网络的ct图像的少样本分割方法和系统 |
CN112862784A (zh) * | 2021-02-08 | 2021-05-28 | 杭州深睿博联科技有限公司 | 基于非局部注意力机制的多期相融合器官分割方法及装置 |
CN113160214A (zh) * | 2021-05-12 | 2021-07-23 | 西南科技大学 | 一种图像局部领域像素相似性衡量新方法 |
CN114120433A (zh) * | 2021-11-30 | 2022-03-01 | 北京百度网讯科技有限公司 | 图像处理方法、图像处理装置、电子设备和介质 |
CN114638822A (zh) * | 2022-03-31 | 2022-06-17 | 扬州市恒邦机械制造有限公司 | 一种利用光学手段的汽车盖板表面质量检测方法及系统 |
CN117935068A (zh) * | 2024-03-25 | 2024-04-26 | 中国平安财产保险股份有限公司四川分公司 | 一种农作物疾病分析方法与分析系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020181754A1 (en) * | 2001-05-22 | 2002-12-05 | Medical Imaging Laboratory, Ltd. | Region extracting method for medical image |
US20130267841A1 (en) * | 2009-02-11 | 2013-10-10 | Siemens Medical Solutions Usa, Inc. | Extracting Application Dependent Extra Modal Information from an Anatomical Imaging Modality for use in Reconstruction of Functional Imaging Data |
CN104408733A (zh) * | 2014-12-11 | 2015-03-11 | 武汉大学 | 基于对象随机游走的遥感图像视觉显著性检测方法及系统 |
-
2016
- 2016-04-22 CN CN201610256511.9A patent/CN105957063B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020181754A1 (en) * | 2001-05-22 | 2002-12-05 | Medical Imaging Laboratory, Ltd. | Region extracting method for medical image |
US20130267841A1 (en) * | 2009-02-11 | 2013-10-10 | Siemens Medical Solutions Usa, Inc. | Extracting Application Dependent Extra Modal Information from an Anatomical Imaging Modality for use in Reconstruction of Functional Imaging Data |
CN104408733A (zh) * | 2014-12-11 | 2015-03-11 | 武汉大学 | 基于对象随机游走的遥感图像视觉显著性检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
ASHNIL KUMAR 等: "Automatic Annotation of Liver CT Images:the Submission of the BMET Group to ImageCLEFmed 2014", 《 CLEF 2014 EVALUATION LABS AND WORKSHOP》 * |
丛伟建: "应用于肝脏介入诊疗的超声图像分析与导航方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
王雪虎 等: "结合先验稀疏字典和空洞填充的CT图像肝脏分割", 《光学精密工程》 * |
马志国 等: "基于局部随机游走的超像素分割方法", 《高技术通讯》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600568A (zh) * | 2017-01-19 | 2017-04-26 | 沈阳东软医疗系统有限公司 | 一种低剂量ct图像去噪方法及装置 |
CN106600568B (zh) * | 2017-01-19 | 2019-10-11 | 东软医疗系统股份有限公司 | 一种低剂量ct图像去噪方法及装置 |
CN106780518A (zh) * | 2017-02-10 | 2017-05-31 | 苏州大学 | 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法 |
CN106780518B (zh) * | 2017-02-10 | 2019-06-25 | 苏州比格威医疗科技有限公司 | 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法 |
CN107049475A (zh) * | 2017-04-19 | 2017-08-18 | 纪建松 | 肝癌局部消融方法及系统 |
CN107688783B (zh) * | 2017-08-23 | 2020-07-07 | 京东方科技集团股份有限公司 | 3d图像检测方法、装置、电子设备及计算机可读介质 |
CN107688783A (zh) * | 2017-08-23 | 2018-02-13 | 京东方科技集团股份有限公司 | 3d图像检测方法、装置、电子设备及计算机可读介质 |
CN108198184B (zh) * | 2018-01-09 | 2020-05-05 | 北京理工大学 | 造影图像中血管分割的方法和系统 |
CN108198184A (zh) * | 2018-01-09 | 2018-06-22 | 北京理工大学 | 造影图像中血管分割的方法和系统 |
CN108428225A (zh) * | 2018-01-30 | 2018-08-21 | 李家菊 | 基于多尺度多特征的影像科用脑部图像融合识别方法 |
CN110443823A (zh) * | 2018-05-03 | 2019-11-12 | 西南科技大学 | 一种水面漂浮物前景分割方法 |
CN110638477B (zh) * | 2018-06-26 | 2023-08-11 | 佳能医疗系统株式会社 | 医用图像诊断装置以及对位方法 |
CN110638477A (zh) * | 2018-06-26 | 2020-01-03 | 佳能医疗系统株式会社 | 医用图像诊断装置以及对位方法 |
CN109035252A (zh) * | 2018-06-29 | 2018-12-18 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
CN109509193A (zh) * | 2018-10-19 | 2019-03-22 | 中南民族大学 | 一种基于高精度配准的肝脏ct图谱分割方法及系统 |
CN109753997A (zh) * | 2018-12-19 | 2019-05-14 | 湖南科技大学 | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 |
CN109753997B (zh) * | 2018-12-19 | 2022-11-22 | 湖南科技大学 | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 |
CN109829494A (zh) * | 2019-01-28 | 2019-05-31 | 山西大学 | 一种基于加权相似性度量的聚类集成方法 |
CN110322445A (zh) * | 2019-06-12 | 2019-10-11 | 浙江大学 | 一种基于最大化预测和标签间相关性损失函数的语义分割方法 |
CN110874843A (zh) * | 2019-10-28 | 2020-03-10 | 深圳大学 | 一种器官图像分割方法和装置 |
CN110874843B (zh) * | 2019-10-28 | 2023-07-07 | 深圳大学 | 一种器官图像分割方法和装置 |
CN110796650A (zh) * | 2019-10-29 | 2020-02-14 | 杭州阜博科技有限公司 | 图像质量的评估方法及装置、电子设备、存储介质 |
CN111178445A (zh) * | 2019-12-31 | 2020-05-19 | 上海商汤智能科技有限公司 | 图像处理方法及装置 |
CN111738986B (zh) * | 2020-06-01 | 2021-02-09 | 数坤(北京)网络科技有限公司 | 一种脂肪衰减指数的生成方法、装置及计算机可读介质 |
CN111738986A (zh) * | 2020-06-01 | 2020-10-02 | 数坤(北京)网络科技有限公司 | 一种脂肪衰减指数的生成方法、装置及计算机可读介质 |
CN112148909A (zh) * | 2020-09-18 | 2020-12-29 | 微梦创科网络科技(中国)有限公司 | 搜索相似图片的方法及系统 |
CN112148909B (zh) * | 2020-09-18 | 2024-03-29 | 微梦创科网络科技(中国)有限公司 | 搜索相似图片的方法及系统 |
CN112686850A (zh) * | 2020-12-24 | 2021-04-20 | 上海体素信息科技有限公司 | 基于空间位置和原型网络的ct图像的少样本分割方法和系统 |
CN112686850B (zh) * | 2020-12-24 | 2021-11-02 | 上海体素信息科技有限公司 | 基于空间位置和原型网络的ct图像的少样本分割方法和系统 |
CN112862784A (zh) * | 2021-02-08 | 2021-05-28 | 杭州深睿博联科技有限公司 | 基于非局部注意力机制的多期相融合器官分割方法及装置 |
CN113160214A (zh) * | 2021-05-12 | 2021-07-23 | 西南科技大学 | 一种图像局部领域像素相似性衡量新方法 |
CN114120433A (zh) * | 2021-11-30 | 2022-03-01 | 北京百度网讯科技有限公司 | 图像处理方法、图像处理装置、电子设备和介质 |
CN114638822A (zh) * | 2022-03-31 | 2022-06-17 | 扬州市恒邦机械制造有限公司 | 一种利用光学手段的汽车盖板表面质量检测方法及系统 |
CN117935068A (zh) * | 2024-03-25 | 2024-04-26 | 中国平安财产保险股份有限公司四川分公司 | 一种农作物疾病分析方法与分析系统 |
CN117935068B (zh) * | 2024-03-25 | 2024-05-24 | 中国平安财产保险股份有限公司四川分公司 | 一种农作物疾病分析方法与分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105957063B (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105957063A (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 | |
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN106485695B (zh) | 基于统计形状模型的医学图像Graph Cut分割方法 | |
CN100470587C (zh) | 一种医学图像中腹部器官分割方法 | |
CN102136142B (zh) | 基于自适应三角形网格的非刚性医学图像配准方法 | |
CN101576997B (zh) | 基于二次三维区域生长的腹部器官分割方法 | |
CN106780518B (zh) | 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法 | |
CN101303767B (zh) | 基于块图像内容自适应分类的数字剪影图像配准方法 | |
CN109636714A (zh) | 一种超声宽景成像的图像拼接方法 | |
CN107909585A (zh) | 一种血管内超声影像的血管中内膜分割方法 | |
CN107977952A (zh) | 医学图像分割方法及装置 | |
CN103473767B (zh) | 一种腹部软组织核磁图像分割的方法和系统 | |
CN101971213A (zh) | 图像中解剖结构分割与建模的方法及系统 | |
CN101520894A (zh) | 基于区域显著性的显著对象提取方法 | |
CN105844630A (zh) | 一种双目视觉的图像超分辨率融合去噪方法 | |
CN110363719A (zh) | 一种细胞分层图像处理方法及系统 | |
CN103065351A (zh) | 一种双目三维重建的方法 | |
CN108399611A (zh) | 基于梯度正则化的多聚焦图像融合方法 | |
CN108682025A (zh) | 一种图像配准方法及装置 | |
CN106780508A (zh) | 一种基于Gabor变换的GrabCut纹理图像分割方法 | |
CN107507189A (zh) | 基于随机森林与统计模型的小鼠ct图像肾脏分割方法 | |
CN103544695A (zh) | 一种高效的基于博弈框架的医学图像分割方法 | |
CN105631899A (zh) | 一种基于灰度纹理特征的超声图像运动目标跟踪方法 | |
CN112669249A (zh) | 结合改进nsct变换和深度学习的红外与可见光图像融合方法 | |
CN110148150A (zh) | 稠密连接非对称层次网络训练方法及心脏运动场估计方法 |
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 |