CN106651842A - 一种ct影像肺结节种子点自动获取和分割方法 - Google Patents
一种ct影像肺结节种子点自动获取和分割方法 Download PDFInfo
- Publication number
- CN106651842A CN106651842A CN201611131595.XA CN201611131595A CN106651842A CN 106651842 A CN106651842 A CN 106651842A CN 201611131595 A CN201611131595 A CN 201611131595A CN 106651842 A CN106651842 A CN 106651842A
- Authority
- CN
- China
- Prior art keywords
- cog
- dis
- lung
- point
- pulmonary
- 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
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
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
本发明公开了一种CT影像肺结节种子点自动获取和分割方法,其创造性的将滑降算法应用于肺结节种子点的筛选工作中,并将其应用于肺结节的分割,有效的解决了现有技术所存在的问题,并达到了对CT影像肺结节种子点全自动且高精度分割的意想不到的效果。
Description
技术领域
本发明涉及图像处理技术,具体涉及CT影像的处理技术。
背景技术
肺癌是全球致死率最高的癌种。根据WHO报告,将近有一千万人在2030年前会死于肺癌,早期预防肺癌对生存效益的改善有重要作用。已有假设认为通过对射线图像的深入分析可以量化肿瘤的微环境,实现个性化医学对瘤内异质性程度的深入评估。通过对大数据量的肿瘤图像的深入分析,提取更深层次的肿瘤影像特征也能够深入对肿瘤异质性的了解,这对于临床应用有着重要的作用。
基于以上,精准的肺结节分割是所有工作的前提。其中一种方法就是通过放射科医生的手动分割。然而这是一个冗长乏味且容易出错的工作。因为放射科医生会对肿瘤的大小估计出现偏差,其次,不同的手动分割同样也会有误差。最重要的是,时间的消耗导致肺部肿瘤的自动分割成为一个不太可能应用于大数据量分析的工具。再者,自动的肺结节分割同样也是困难的,因为肿瘤异质性的存在及肺部结节的多样性,现在的肺部分割精度不足。同时GGO作为一种与肺野肺实质密度接近的肺部结节存在,对肺部结节的分割带来了更大的困难。影像自带的噪声等也对肿瘤的分割产生一定的影响。因此,肺部结节的精确分割是一个很大的挑战。
为此,为了使肺病变的分割完全自动化,有必要建立一种自动准确的种子点选择方法。作为病灶检测的前提,三维肺容积分割的方法也被报道多次。分割精度达到了90%以上,肺结节的检出率也达到了89%。最近一种大数据量的肺癌筛查分割包括将近3000例肺癌用于肺结节的检出。肺结节的曲率和表型表述子也用于种子点的搜索,K-NN聚类以及特征用于假阳性的检出。在另一篇文献中,肺结节的候选标记由15个阈值得到,然后表型热证也用于肺结节的识别,但是,后续的分割却只达到了63%的精度。另外一种新的肺结节检测方法采用三角测量等值面使用多个阈值和表型特征的方法用于肺结节的检出。基于SOM和ANN方法,在LIDC-IDRI数据库上肺结节的检测精度达到了80%。散度和多尺度增强过滤器用于肺结节的聚类。一个遗传算法和ANN结合用于最后的假阳性剔除,达到了87.5%的鉴别精度。
以上所有的方法都为肺结节的检测提供了可用的途径,然而,降采样,肺结节的预先出力以及整肺分割都是需要的,因此也影响了它们的应用范围,由此可见,本领域亟需一种可用于临床的全自动的分割方式。
发明内容
针对现有CT影像肺结节分割技术所存在的问题,需要一种可用于临床的全自动的分割方案。
为此,本发明所要解决的技术问题是提供一种CT影像肺结节种子点自动获取和分割方法,以实现对CT影像肺结节种子点的全自动且高精度的分割。
为解决上述技术问题,本发明提供的CT影像肺结节种子点自动获取和分割方法,包括:
通过滑降得到初始种子点;
通过迭代生长机制结合多尺度的约束进行肺结节的自动区域生长完成肺病变分割;
通过提炼肺边界精炼分割结果。
在本方案中,获取初始种子点的过程如下:
首先,进行肺实质的自动分割;
接着,将一个多尺度高斯滤波器被施加到计算在该肺实质图像的每个像素的梯度大小;
然后,通过滑降方法进行肺实质的梯度图像检测,得到邻域内梯度最小值,若发现最小值,则通过独特的标记将其针对性的标记原始像素;在所有的像素被标记后,使得突出显示的部分将被转移到较低的灰色部分,而病变区域仍然突出。
在本方案中,肺病变分割的自动区域生长由三维空间中的距离约束和生长度约束结合区域生长方法实现,其中距离约束用以确定最大的生长距离,生长尺度约束用以限制体素在每一轮生长的最大值。
在本方案中,在精炼分割结果时,采用肺部边界信息来衡量是否需要剔除某些过分割的部分。
进一步的,该方法在图像的横断面上进行,相邻的两层图像,一层为CI,为要处理的影像层;其相邻层命名为CI',该层的肺结节比较大,为需要处理的影像层的相邻层,具体的处理步骤如下所示:
(1)计算CI层肺部病变的重心点,COG:
其中,M表示CI层肺部结节的总的像素数,CIi表示相应的结节坐标;
(2)提取CI和CI’两层影像肺部结节的边界;
(3)计算CI层所有结节像素点与COG之间的距离:
Dis(bi)=||bi-COG||2,i=(0,1...n);
其中,||bi-COG2表示的是(bi,COG)的欧氏距离,n表示的总的边界点的数目,Dis(bi)表示bi到COG点的距离;
(4)计算COG到CI'图像上病变边界点bi'的距离,Dis(bi')表示bi'到COG的距离:
Dis(bi')=||bi'-COG||2,i=(0,1...n');
其中,n'表示CI'图像上肺部结节的边界点,在原始的图像上,体素点bi
和bi'都是病变的边界点;
(5)重复第4步,处理所有CI'上肺部病变区域的边界点;
(6)计算平均距离Avg:
points表示bi'点,bi'的总数。对于每一个bi'表示的边界点,如果Dis(bi')大于Avg,修改Dis(bi'),如下所示:
NewDis(bi')=Dis(bi')-(Dis(bi')-Avg)*p;
其中,p表示所有大于大于Avg的点,NewDis(bi')是bi'点的新坐标点经过修正。
本发明所提供的肺结节种子点自动获取和分割方案,整个实施过程全自动完成,不需要任何的手动交互。
再者,相对于现有的方案,本方案对GGO的分割达具有更高的精度,从而可进一步提高肿瘤辅助诊断的准确度,能够很好适用于临床。
附图说明
以下结合附图和具体实施方式来进一步说明本发明。
图1为本发明实例中对CT影像肺结节种子点自动获取和分割的基本流程图;
图2为本发明实例中种子点选择的流程图;
图3为本发明实例中病变提取的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
本方案通过采用滑降算法来自动获得肺部的初始种子点,并据此进一步的进行肺结节的分割。本方案创造性的将滑降算法应用于肺结节种子点的筛选工作中,并将其应用于肺结节的分割,有效的解决了现有技术所存在的问题,并达到了对CT影像肺结节种子点全自动且高精度分割的意想不到的效果。
本方案首先通过滑降得到初始种子点;然后通过迭代生长机制结合多尺度的约束进行肺结节的生长,以此来完成分割;最后通过肺边界的提炼方法进行分割结果的精炼。
针对本方案,通过大量的实验确定其能够很好的用于实性结节、GGO以及空腔结节的分割,能够在避免手动参与的基础上,对与血管粘连,肺壁粘连的结节进行很好的处理。
以下通过一具体实例来进一步的说明本方案。
参见图1,本实例方案针对一个CT欺骗图像的肺部病变区域,通过上述方案完成对CT影像肺结节种子点自动获取和分割,基本流程为,首先从肺结节区域选择种子点;接着进行三维肺结节分割;接着进行肺结节轮廓提取;接着进行肺结节精炼;最后输出已分割的肺结节图像。整个过程主要包括三个阶段:种子点选择,病变提取和病变精炼。
步骤(1),该步骤在二维CT片上完成种子点选择(参见图2)。
首先,使用迭代的区域生长方法进行肺实质的分割,然后用一阶多尺度高斯卷积函数滤波器施加到已分割肺实质图像,计算每个像素的梯度大小,得到肺实质的梯度图像;
然后,基于改进的滑降方法对肺实质的梯度图像进行检测,采用四连接的邻域计算方法以得到邻域内梯度最小值;若发现它的最小值,就将其有针对性地标记出来;在所有的像素被标记后,那些已标记部分在原来的肺实质图像,如血管和噪音将被转移到较低的灰色部分(肺实质),而病变区域仍然被标记。这意味着,只有病变留下的自动种子点选择,其它部分,如肺裂等被排除在外。
由于肺结节观察到有球形形状,但血管有各向异性的形状,细长的形态特征的血管都消除了,本实例中采用改进的滑降方法对滑至同一个最小梯度值的所有像素点都赋予相同的标记值,因此减少了过分割的概率。
步骤(2)病变提取(参见图3)。
本步骤通过自动区域生长的方法来完成肺病变分割,其具体基于三维空间中的距离约束和生长尺度约束结合区域生长方法来实现。
其中,距离约束是用来确定最大的生长距离,而生长尺度约束是来限制体素在每一轮生长的最大值。本实例中通过多尺度约束,其他肺组织将会被剔除。
本实例中对每一个肺结节体素点申请了一个五维向量来描述体素点的具体信息。其中包括三维坐标值,以及iDegree和iCount。iDegree表示区域生长的代数,初始的种子点代数为1,它的二十六邻域符合肺结节条件的点代数为2,以此类推。iCount表示在该代中一共有多少个体素点进行了分割。第一代的iCount为1,因为只有一个种子点;第二代的iCount取值范围为[0,26]。每一个点以及它的五维向量都依次存储在内存中。自适应阈值用于甄别每一个点的二十六邻域中符合肺部结节入选条件的点。当其中一代完成生长后,下一代开始进行处理iDegree值加一,每一代生长的点由其上一代得到的iCout值进行计算。
“生长代数”约束由两代之间的生长点数控制,当下一代的生长体素数远远超越了前一代的体素数时触发相应的回退机制。一般,这一约束控制在前一代iCout的5~10倍为最优。回退机制将会剔除那些过生长的体素点。堆栈里的最后一个点将作为后续生长的初始种子点。
步骤(3)病变精炼(参见图3)。
本步骤基于肺部边界的提炼方法来实现肺部边界的平滑,以完成肺结节精炼。
本实例中,基于边界轮廓的肺部结节精炼方法进行肺部结节分割,首先,由于迭代的区域生长方法只是用了图像灰度信息而没有利用图像的形态特征信息,小的错误分割会出现,在两相邻层中,其中一层分割进了一个血管而其相邻层并没有,这在横断面上就表现为结节的突变。在这一部分,这些形态上的突变会根据算法修改,改进肺部结节分割的精度。
据此,本实例采用肺部边界信息来衡量是否需要剔除某些过分割的部分。本方法在图像的横断面上进行,相邻的两层图像,一层命名为CI,为要处理的影像层;其相邻层命名为CI',该层的肺结节比较大,为需要处理的影像层的相邻层。该方法的处理步骤如下所示:
1.计算CI层肺部病变的重心点,COG:
其中,M表示CI层肺部结节的总的像素数,CIi表示相应的结节坐标。
2.提取CI和CI’两层影像肺部结节的边界。
3.计算CI层所有结节像素点与COG之间的距离。
Dis(bi)=||bi-COG||2,i=(0,1...n) (12);
其中,||bi-COG2表示的是(bi,COG)的欧氏距离,n表示的总的边界点的数目,Dis(bi)表示bi到COG点的距离。
4.计算COG到CI'图像上病变边界点bi'的距离,Dis(bi')表示bi'到COG的距离。
Dis(bi')=||bi'-COG||2,i=(0,1...n')(13);
其中,n'表示CI'图像上肺部结节的边界点,在原始的图像上,体素点bi和bi'都是病变的边界点。我们会分析Dis(bi')与Dis(bi)的差异,用于下一步的处理
5.重复第四步,处理所有CI'上肺部病变区域的边界点。
6.计算平均距离Avg:
points表示bi'点,bi'的总数。对于每一个bi'表示的边界点,如果Dis(bi')大于Avg(在某些情况下Dis(bi)大于Dis(bi'),在这里用Dis(bi')表示),修改Dis(bi'),如下所示:
NewDis(bi')=Dis(bi')-(Dis(bi')-Avg)*p (15);
其中,p表示所有大于大于Avg的点,NewDis(bi')是bi'点的新坐标点经过修正。
经过以上操作,所有过分割的点都会修正回来,该方法对于上一步中分割把邻近血管,邻接肺壁等分割进去的情况明显改善。
由上可知,本实例通过三步走的架构来精准且自动的分割肺部病变组织,首选通过稳定的肺部病变区域种子点自动提取方法来完成种子点选择,然后使用三维的区域生长方法来完成病变提取,最后通过肺部边界的提炼方法来完成肺部精炼。整个实施过程并不需要人工交互和训练数据集。此外,较之于其他肺部病变分割算法,本方案精度更高,其在临床中将有极好应用前景。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种CT影像肺结节种子点自动获取和分割方法,其特征在于,所述方法包括:
通过滑降得到初始种子点;
通过迭代生长机制结合多尺度的约束进行肺结节的自动区域生长完成肺病变分割;
通过提炼肺边界精炼分割结果。
2.根据权利要求1所述的CT影像肺结节种子点自动获取和分割方法,其特征在于,获取初始种子点的过程如下:
首先,进行肺实质的自动分割;
接着,将一个多尺度高斯滤波器被施加到计算在该肺实质图像的每个像素的梯度大小;
然后,通过滑降方法进行肺实质的梯度图像检测,得到邻域内梯度最小值,若发现最小值,则通过独特的标记将其针对性的标记原始像素;在所有的像素被标记后,使得突出显示的部分将被转移到较低的灰色部分,而病变区域仍然突出。
3.根据权利要求1所述的CT影像肺结节种子点自动获取和分割方法,其特征在于,肺病变分割的自动区域生长由三维空间中的距离约束和生长度约束结合区域生长方法实现,其中距离约束用以确定最大的生长距离,生长尺度约束用以限制体素在每一轮生长的最大值。
4.根据权利要求1所述的CT影像肺结节种子点自动获取和分割方法,其特征在于,在精炼分割结果时,采用肺部边界信息来衡量是否需要剔除某些过分割的部分。
5.根据权利要求4所述的CT影像肺结节种子点自动获取和分割方法,其特征在于,在图像的横断面上进行,相邻的两层图像,一层为CI,为要处理的影像层;其相邻层命名为CI',该层的肺结节比较大,为需要处理的影像层的相邻层,具体的处理步骤如下所示:
(1)计算CI层肺部病变的重心点,COG:
其中,M表示CI层肺部结节的总的像素数,CIi表示相应的结节坐标;
(2)提取CI和CI’两层影像肺部结节的边界;
(3)计算CI层所有结节像素点与COG之间的距离:
Dis(bi)=||bi-COG||2,i=(0,1...n);
其中,||bi-COG||2表示的是(bi,COG)的欧氏距离,n表示的总的边界点的数目,Dis(bi)表示bi到COG点的距离;
(4)计算COG到CI'图像上病变边界点bi'的距离,Dis(bi')表示bi'到COG的距离:
Dis(bi')=||bi'-COG||2,i=(0,1...n');
其中,n'表示CI'图像上肺部结节的边界点,在原始的图像上,体素点bi和bi'都是病变的边界点;
(5)重复第4步,处理所有CI'上肺部病变区域的边界点;
(6)计算平均距离Avg:
points表示bi'点,bi'的总数。对于每一个bi'表示的边界点,如果Dis(bi')大于Avg,修改Dis(bi'),如下所示:
NewDis(bi')=Dis(bi')-(Dis(bi')-Avg)*p;
其中,p表示所有大于大于Avg的点,NewDis(bi')是bi'点的新坐标点经过修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611131595.XA CN106651842A (zh) | 2016-12-09 | 2016-12-09 | 一种ct影像肺结节种子点自动获取和分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611131595.XA CN106651842A (zh) | 2016-12-09 | 2016-12-09 | 一种ct影像肺结节种子点自动获取和分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106651842A true CN106651842A (zh) | 2017-05-10 |
Family
ID=58824264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611131595.XA Pending CN106651842A (zh) | 2016-12-09 | 2016-12-09 | 一种ct影像肺结节种子点自动获取和分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651842A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685771A (zh) * | 2018-12-03 | 2019-04-26 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种肺部病灶病变种子点的自动选择算法 |
CN109767421A (zh) * | 2018-12-03 | 2019-05-17 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种用于区域生长肺肿瘤放疗靶区勾画半自动分割方法 |
CN110033519A (zh) * | 2019-04-23 | 2019-07-19 | 中南大学 | 基于隐式函数的三维建模方法、装置、系统及存储介质 |
CN110717915A (zh) * | 2019-09-25 | 2020-01-21 | 武汉联影智融医疗科技有限公司 | 分割方法、装置、计算机设备和存储介质 |
CN114782472A (zh) * | 2022-06-22 | 2022-07-22 | 杭州三坛医疗科技有限公司 | 一种ct图像的分割方法及装置 |
CN117808813A (zh) * | 2024-03-01 | 2024-04-02 | 乐恩(北京)医药技术有限公司 | 呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715483A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 肺部ct影像病变组织的自动分割方法 |
CN105066892A (zh) * | 2015-08-05 | 2015-11-18 | 哈尔滨工业大学 | 一种基于直线聚类分析的bga元件检测与定位方法 |
US20160189373A1 (en) * | 2013-08-01 | 2016-06-30 | Seoul National University R&Db Foundation | Method for Extracting Airways and Pulmonary Lobes and Apparatus Therefor |
-
2016
- 2016-12-09 CN CN201611131595.XA patent/CN106651842A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160189373A1 (en) * | 2013-08-01 | 2016-06-30 | Seoul National University R&Db Foundation | Method for Extracting Airways and Pulmonary Lobes and Apparatus Therefor |
CN104715483A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 肺部ct影像病变组织的自动分割方法 |
CN105066892A (zh) * | 2015-08-05 | 2015-11-18 | 哈尔滨工业大学 | 一种基于直线聚类分析的bga元件检测与定位方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685771A (zh) * | 2018-12-03 | 2019-04-26 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种肺部病灶病变种子点的自动选择算法 |
CN109767421A (zh) * | 2018-12-03 | 2019-05-17 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种用于区域生长肺肿瘤放疗靶区勾画半自动分割方法 |
CN110033519A (zh) * | 2019-04-23 | 2019-07-19 | 中南大学 | 基于隐式函数的三维建模方法、装置、系统及存储介质 |
CN110033519B (zh) * | 2019-04-23 | 2022-06-28 | 中南大学 | 基于隐式函数的三维建模方法、装置、系统及存储介质 |
CN110717915A (zh) * | 2019-09-25 | 2020-01-21 | 武汉联影智融医疗科技有限公司 | 分割方法、装置、计算机设备和存储介质 |
CN114782472A (zh) * | 2022-06-22 | 2022-07-22 | 杭州三坛医疗科技有限公司 | 一种ct图像的分割方法及装置 |
CN114782472B (zh) * | 2022-06-22 | 2022-10-14 | 杭州三坛医疗科技有限公司 | 一种ct图像的分割方法及装置 |
CN117808813A (zh) * | 2024-03-01 | 2024-04-02 | 乐恩(北京)医药技术有限公司 | 呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651842A (zh) | 一种ct影像肺结节种子点自动获取和分割方法 | |
US9990712B2 (en) | Organ detection and segmentation | |
Mharib et al. | Survey on liver CT image segmentation methods | |
Van Rikxoort et al. | Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection | |
CN105389811B (zh) | 一种基于多级阈值分割的多模态医学图像处理方法 | |
Badura et al. | Soft computing approach to 3D lung nodule segmentation in CT | |
EP2598033B1 (en) | Knowledge-based automatic image segmentation | |
Peng et al. | 3D liver segmentation using multiple region appearances and graph cuts | |
Wu et al. | Automatic glioma segmentation based on adaptive superpixel | |
CN106056596B (zh) | 基于局部先验信息和凸优化的全自动三维肝脏分割方法 | |
Moghbel et al. | Automatic liver segmentation on computed tomography using random walkers for treatment planning | |
Liu et al. | A fast weak-supervised pulmonary nodule segmentation method based on modified self-adaptive FCM algorithm | |
CN106780518A (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 | |
CN104268873A (zh) | 基于核磁共振图像的乳腺肿瘤分割方法 | |
CN104616289A (zh) | 一种3d ct图像中骨组织的移除方法及系统 | |
Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
Yim et al. | Correction of segmented lung boundary for inclusion of pleural nodules and pulmonary vessels in chest CT images | |
Di et al. | Automatic liver tumor segmentation from CT images using hierarchical iterative superpixels and local statistical features | |
CN103324934B (zh) | 基于平行结构检测与聚类的血管中心线自动提取方法 | |
Fu et al. | Automatic detection of lung nodules using 3D deep convolutional neural networks | |
Chen et al. | Shape-based automatic detection of pectoral muscle boundary in mammograms | |
Gupta et al. | Methods for increased sensitivity and scope in automatic segmentation and detection of lung nodules in CT images | |
Pang et al. | A modified scheme for liver tumor segmentation based on cascaded FCNs | |
Bu et al. | Lung nodule detection based on YOLOv3 deep learning with limited datasets | |
CN105787978A (zh) | 一种医学图像隔层自动勾画方法、装置和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |
|
RJ01 | Rejection of invention patent application after publication |