CN106846264A - 一种适于灵长类实验动物腹部皮下脂肪的定量分析方法 - Google Patents

一种适于灵长类实验动物腹部皮下脂肪的定量分析方法 Download PDF

Info

Publication number
CN106846264A
CN106846264A CN201611241435.0A CN201611241435A CN106846264A CN 106846264 A CN106846264 A CN 106846264A CN 201611241435 A CN201611241435 A CN 201611241435A CN 106846264 A CN106846264 A CN 106846264A
Authority
CN
China
Prior art keywords
image
region
fat
laboratory animal
subcutaneous fat
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
Application number
CN201611241435.0A
Other languages
English (en)
Inventor
张国栋
岳峰
陶国现
梁超
李文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WINCON THERACELLS BIOTECHNOLOGIES CO Ltd
Original Assignee
WINCON THERACELLS BIOTECHNOLOGIES CO Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WINCON THERACELLS BIOTECHNOLOGIES CO Ltd filed Critical WINCON THERACELLS BIOTECHNOLOGIES CO Ltd
Priority to CN201611241435.0A priority Critical patent/CN106846264A/zh
Publication of CN106846264A publication Critical patent/CN106846264A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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]
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种适于灵长类实验动物腹部皮下脂肪的定量分析方法，包括如下步骤：(1)对灵长类实验动物采用仰卧方式，动物摆放时将动物的眉心、鼻尖、门牙中缝、乳头连线中点、肚脐连成一线，利用MRI对动物进行腹部扫描；(2)对上述原始图像进行对比度增强调节，图像直方图均衡化，图像滤波调节，将像素值拉伸为0～1；(3)采用区域生长法，手动选择区域生长初始点，完成首次图像分割；(4)对经步骤(3)完成的首次脂肪分割区域再次进行均值滤波，滤波后，图像区域模糊化，进行二次区域生长处理；(5)采用公式Si＝Ni×P；计算第i层图像中，对应腹部皮下脂肪的横截面积；(6)采用公式：计算脂肪量。

Description

一种适于灵长类实验动物腹部皮下脂肪的定量分析方法
技术领域
本发明涉及核磁共振影像下灵长类实验动物的腹部皮下脂肪的定量分析技术领域，具体涉及一种适于灵长类实验动物腹部皮下脂肪的定量分析方法。
背景技术
目前，人们对肥胖常采用的检测手段有：标准体重法、体质指数(BMI)法、腰围与腰臀比测定法、皮脂厚度法。但上述检测手段未能涉及脂肪的定量分析，只是间接的检测手段，存在较大的局限性。虽然，近期也出现有基于核磁共振影像进行量化分析的报道，如“基于磁共振图像人体腹部脂肪体积的半自动量化方法，申请号：201210252777”的专利，公开了先对人体腹部磁共振图像中肚脐位置进行标记，获取肚脐位置标记点的坐标；设定脂肪定量区域的距离范围并建立椭圆方程，确定冠状位上的脂肪定量区域；对每一层磁共振图像的像素信号进行灰度值统计，建立柱状图，设定分割脂肪的阈值；根据所述阈值通过逐行扫描对腹部脂肪进行分割，将每一层图像的分割的脂肪体积累加，实现脂肪体积定量。以提高对脂肪体积定量的精确性，减少主观性偏差，提高可重复性。但当前公开的方法仅适用于人体，而由于灵长类实验动物体型小、肌肉紧密等有别于人体的特性，得出的MRI图像往往相比人体的图像更模糊，各区域间区分不明显，因此采用现有处理分析技术方案进行定量分析时，无法得出准确的定量结果。
发明内容
针对上述技术问题，本发明提供一种适于灵长类实验动物腹部皮下脂肪的定量分析方法。
为实现上述目的，本发明采用如下技术方案：
一种适于灵长类实验动物腹部皮下脂肪的定量分析方法，包括如下步骤：
(1)对灵长类实验动物采用仰卧方式，动物摆放时将动物的眉心、鼻尖、门牙中缝、乳头连线中点、肚脐连成一线，利用MRI对动物进行腹部扫描获取T2相图像和FS-FSE-T2WI抑脂图像；
(2)对上述获取的图像进行对比度增强调节，图像直方图均衡化，图像滤波调节，将像素值拉伸为0～1之间的灰度值；
(3)采用区域生长法，手动选择腹部皮下脂肪区域内的生长初始点，定义区域生长准则阈值T在0.0100～0.0500之间，完成首次图像分割；
(4)对经步骤(3)完成的首次脂肪分割区域再次进行均值滤波，中值滤波后，图像区域模糊化，再一次用区域生长法进行二次区域生长处理；
(5)采用公式Si＝Ni×P；计算第i层图像中，对应腹部皮下脂肪的横截面积，其中Ni表示该第i层图像中目标区域所包含的像素数，P表示每一个像素所占的面积；
(6)采用公式计算脂肪量；
其中X＝SD-ST，V表示脂肪体积，n为图像数，即图像层数，i表示n幅图中的某幅图，Si表示第i层图像中，对应腹部皮下脂肪的横截面积，SD表示各层图像的间距，ST表示影像的层厚。
优选的，步骤(2)所述图像滤波调节主要包括中值滤波、高斯滤波、均值滤波调节，所述中值滤波选用6*6中值滤波器去噪；所述高斯滤波选用9*9高斯滤波器去噪；所述均值滤波选用9*9均值滤波器去噪。
优选的，步骤(6)所述SD和ST，在进行步骤(1)的MRI操作时，设定为SD＝5.0mm，ST＝6.0mm。
优选的，步骤(4)所述二次区域生长处理中，生长准则阈值T取0.0293或0.0400或0.0300。
优选的，所述T2相图像和FS-FSE-T2WI抑脂图像采用Dicom格式。
发明对比现有技术的有益效果：
本发明针对灵长类动物解剖特点做了最佳优化，在进行MRI中，通过不断的尝试试验，确定将灵长类实验动物采用仰卧方式，并在动物摆放时将动物的眉心、鼻尖、门牙中缝、乳头连线中点、肚脐连成一线，最终利用MRI对动物进行腹部扫描获取T2相图像和FS-FSE-T2WI抑脂图像，并通过长期探索，在进行MRI时，将SD设成5.0mm，ST设成6.0mm，采用该方案能促使灵长类实验动物的MRI图像更清晰，使各层次区域区分更明显，能显著提高后期图像处理和数据分析效果；通过采取对比度增强调节，图像直方图均衡化，将中值滤波选用6*6去噪；高斯滤波选用9*9去噪；均值滤波选用9*9去噪。并将像素值拉伸为0～1之间的灰度值，然后采用区域生长法，手动选择腹部皮下脂肪区域内的生长初始点，将定义区域生长准则阈值T调整在0.0100～0.0500之间，完成首次图像分割；再对完成的首次脂肪分割区域进行均值滤波，至此，可以实现目标区域中间的裂痕的基本清除，能较好覆盖“遗漏”的目标，然后进行中值滤波，此时较均值滤波来说，实现下界较平滑，再将生长准则阈值T选用0.0293或0.0400或0.0300，进行二次区域生长处理。最终，实现了边界平滑，更接近“实际目标区域”，保证了数据分析的准确性。
附图说明
图1为灵长类实验动物的腹部核磁共振图像在首次区域生长中区域生长初始点选择时的示意图；
图2为灵长类实验动物的腹部核磁共振图像在经首次区域生长后的示意图；
图3为灵长类实验动物的腹部核磁共振图像在经首次区域生长后再次进行均值滤波处理后的示意图；
图4为灵长类实验动物的腹部核磁共振图像在经首次区域生长后再次进行中值滤波处理后的示意图；
图5为实施例1中灵长类实验动物的腹部核磁共振图像在进行二次区域生长后的示意图；
图6为实施例1中灵长类实验动物的腹部核磁共振图像在进行二次区域生长后进行区域单独显示的示意图；
图7为实施例2中灵长类实验动物的腹部核磁共振图像在进行二次区域生长后的示意图；
图8为实施例2中灵长类实验动物的腹部核磁共振图像在进行二次区域生长后进行区域单独显示的示意图；
图9为实施例3中灵长类实验动物的腹部核磁共振图像在进行二次区域生长后的示意图；
图10为实施例3中灵长类实验动物的腹部核磁共振图像在进行二次区域生长后进行区域单独显示的示意图。
具体实施方式
实施例1
一种适于灵长类实验动物腹部皮下脂肪的定量分析方法，包括如下步骤：
(1)对灵长类实验动物采用仰卧方式，动物摆放时将动物的眉心、鼻尖、门牙中缝、乳头连线中点、肚脐连成一线，利用MRI对动物进行腹部扫描，经设定得到Dicom格式的T2相图像和FS-FSE-T2WI抑脂图像；
(2)使用MATLAB软件对上述原始图像进行对比度增强调节，采用标准化直方图操作对图像直方图均衡化，并对中值滤波选用6*6中值滤波器去噪；高斯滤波选用9*9高斯滤波器去噪；所述均值滤波选用9*9均值滤波器去噪图像滤波调节，将像素值拉伸为0～1；
(3)采用区域生长法，通过MATLAB软件，手动选择区域生长初始点，通过首先设定一个和目标图像尺寸相同的种子矩阵，接着利用imshow将图像显示出来，然后利用图像上菜单栏的tools→Data Cursor，选取目标区域的某一几点作为种子点，该操作是为了找到种子点的坐标值；定义区域生长准则阈值T在0.0100～0.0500之间；完成首次图像分割，如图1～2所示；
(4)对经步骤(3)完成的首次脂肪分割区域再次进行均值滤波，中值滤波后，图像区域模糊化，得到如图3～4所示；再一次用区域生长法进行二次区域生长，此时，定义区域生长准则阈值为T＝0.0293，得到如图5所示，为更直观将多余信息排除如图6；
(5)采用公式Si＝Ni×P；计算第i层图像中，对应腹部皮下脂肪的横截面积，其中Ni表示该第i层图像中目标区域所包含的像素数，P表示每一个像素所占的面积，在本实施例中P＝0.4mm2，而Ni通过MATLAB软件内的以下程序获得：Ni＝sum(sum(gi()＝＝1))；
(6)采用公式计算脂肪量；
其中X＝SD-ST，；V表示脂肪体积，n为图像数，即图像层数，i表示n幅图中的某幅图，Si表示第i层图像中，对应腹部皮下脂肪的横截面积，SD表示各层图像的间距，ST表示影像的层厚，在本实施例中，在进行步骤(1)的MRI操作时，设定为SD＝5.0mm，ST＝6.0mm，则X＝-1mm，n＝10，则V＝940925mm3。
实施例2
一种适于灵长类实验动物腹部皮下脂肪的定量分析方法，包括如下步骤：
(1)对灵长类实验动物采用仰卧方式，动物摆放时将动物的眉心、鼻尖、门牙中缝、乳头连线中点、肚脐连成一线，利用MRI对动物进行腹部扫描，经设定得到Dicom格式的T2相图像和FS-FSE-T2WI抑脂图像；
(2)使用MATLAB软件对上述原始图像进行对比度增强调节，采用标准化直方图操作对图像直方图均衡化，并对中值滤波选用6*6中值滤波器去噪；高斯滤波选用9*9高斯滤波器去噪；所述均值滤波选用9*9均值滤波器去噪图像滤波调节，将像素值拉伸为0～1；
(3)采用区域生长法，通过MATLAB软件，手动选择区域生长初始点，通过首先设定一个和目标图像尺寸相同的种子矩阵，接着利用imshow将图像显示出来，然后利用图像上菜单栏的tools→Data Cursor，选取目标区域的某一几点作为种子点，该操作是为了找到种子点的坐标值；定义区域生长准则阈值T在0.0100～0.0500之间；完成首次图像分割，如图1～2所示；
(4)对经步骤(3)完成的首次脂肪分割区域再次进行均值滤波，中值滤波后，图像区域模糊化，得到如图3～4所示；再一次用区域生长法进行二次区域生长，此时，定义区域生长准则阈值为T＝0.0400，得到如图7所示，为更直观将多余信息排除如图8；
(5)采用公式Si＝Ni×P；计算第i层图像中，对应腹部皮下脂肪的横截面积，其中Ni表示该第i层图像中目标区域所包含的像素数，P表示每一个像素所占的面积，在本实施例中P＝0.4mm2，而Ni通过MATLAB软件内的以下程序获得：Ni＝sum(sum(gi()＝＝1))；
(6)采用公式计算脂肪量；
其中X＝SD-ST，；V表示脂肪体积，n为图像数，即图像层数，i表示n幅图中的某幅图，Si表示第i层图像中，对应腹部皮下脂肪的横截面积，SD表示各层图像的间距，ST表示影像的层厚，在本实施例中在进行步骤(1)的MRI操作时，设定为SD＝5.0mm，ST＝6.0mm，则X＝-1mm，n＝10，则V＝940925mm3。
实施例3
一种适于灵长类实验动物腹部皮下脂肪的定量分析方法，包括如下步骤：
(1)对灵长类实验动物采用仰卧方式，动物摆放时将动物的眉心、鼻尖、门牙中缝、乳头连线中点、肚脐连成一线，利用MRI对动物进行腹部扫描，经设定得到Dicom格式的T2相图像和FS-FSE-T2WI抑脂图像；
(2)使用MATLAB软件对上述原始图像进行对比度增强调节，采用标准化直方图操作对图像直方图均衡化，并对中值滤波选用6*6中值滤波器去噪；高斯滤波选用9*9高斯滤波器去噪；所述均值滤波选用9*9均值滤波器去噪图像滤波调节，将像素值拉伸为0～1；
(3)采用区域生长法，通过MATLAB软件，手动选择区域生长初始点，通过首先设定一个和目标图像尺寸相同的种子矩阵，接着利用imshow将图像显示出来，然后利用图像上菜单栏的tools→Data Cursor，选取目标区域的某一几点作为种子点，该操作是为了找到种子点的坐标值；定义区域生长准则阈值T在0.0100～0.0500之间；完成首次图像分割，如图1～2所示；
(4)对经步骤(3)完成的首次脂肪分割区域再次进行均值滤波，中值滤波后，图像区域模糊化，得到如图3～4所示；再一次用区域生长法进行二次区域生长，此时，定义区域生长准则阈值为T＝0.0300，得到如图9所示，为更直观将多余信息排除如图10；
(5)采用公式Si＝Ni×P；计算第i层图像中，对应腹部皮下脂肪的横截面积，其中Ni表示该第i层图像中目标区域所包含的像素数，P表示每一个像素所占的面积，在本实施例中P＝0.4mm2，而Ni通过MATLAB软件内的以下程序获得：Ni＝sum(sum(gi()＝＝1))；
(6)采用公式计算脂肪量；
其中X＝SD-ST，；V表示脂肪体积，n为图像数，即图像层数，i表示n幅图中的某幅图，Si表示第i层图像中，对应腹部皮下脂肪的横截面积，SD表示各层图像的间距，ST表示影像的层厚，在本实施例中在进行步骤(1)的MRI操作时，设定为SD＝5.0mm，ST＝6.0mm，则X＝-1mm，n＝10，则V＝940925mm3。

Claims (5)

1.一种适于灵长类实验动物腹部皮下脂肪的定量分析方法，其特征在于，包括如下步骤：
(1)对灵长类实验动物采用仰卧方式，动物摆放时将动物的眉心、鼻尖、门牙中缝、乳头连线中点、肚脐连成一线，利用MRI对动物进行腹部扫描获取T2相图像和FS-FSE-T2WI抑脂图像；
(2)对上述获取的图像进行对比度增强调节，图像直方图均衡化，图像滤波调节，将像素值拉伸为0～1之间的灰度值；
(3)采用区域生长法，手动选择腹部皮下脂肪区域内的生长初始点，定义区域生长准则阈值T在0.0100～0.0500之间，完成首次图像分割；
(4)对经步骤(3)完成的首次脂肪分割区域再次进行均值滤波，中值滤波后，图像区域模糊化，再一次用区域生长法进行二次区域生长处理；
(5)采用公式Si＝Ni×P；计算第i层图像中，对应腹部皮下脂肪的横截面积，其中Ni表示该第i层图像中目标区域所包含的像素数，P表示每一个像素所占的面积；
(6)采用公式计算脂肪量；其中X＝SD-ST，V表示脂肪体积，n为图像数，即图像层数，i表示n幅图中的某幅图，Si表示第i层图像中，对应腹部皮下脂肪的横截面积，SD表示各层图像的间距，ST表示影像的层厚。
2.根据权利要求1所述的一种适于灵长类实验动物腹部皮下脂肪的定量分析方法，其特征在于：步骤(2)所述图像滤波调节主要包括中值滤波、高斯滤波、均值滤波调节，所述中值滤波选用6*6中值滤波器去噪；所述高斯滤波选用9*9高斯滤波器去噪；所述均值滤波选用9*9均值滤波器去噪。
3.根据权利要求1所述的一种适于灵长类实验动物腹部皮下脂肪的定量分析方法，其特征在于：步骤(6)所述SD和ST，在进行步骤(1)的MRI操作时，设定为SD＝5.0mm，ST＝6.0mm。
4.根据权利要求1所述的一种适于灵长类实验动物腹部皮下脂肪的定量分析方法，其特征在于：步骤(4)所述二次区域生长处理中，生长准则阈值T取0.0293或0.0400或0.0300。
5.根据权利要求1所述的一种适于灵长类实验动物腹部皮下脂肪的定量分析方法，其特征在于：所述T2相图像和FS-FSE-T2WI抑脂图像采用Dicom格式。
CN201611241435.0A 2016-12-29 2016-12-29 一种适于灵长类实验动物腹部皮下脂肪的定量分析方法 Pending CN106846264A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611241435.0A CN106846264A (zh) 2016-12-29 2016-12-29 一种适于灵长类实验动物腹部皮下脂肪的定量分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611241435.0A CN106846264A (zh) 2016-12-29 2016-12-29 一种适于灵长类实验动物腹部皮下脂肪的定量分析方法

Publications (1)

Publication Number Publication Date
CN106846264A true CN106846264A (zh) 2017-06-13

Family

ID=59113230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611241435.0A Pending CN106846264A (zh) 2016-12-29 2016-12-29 一种适于灵长类实验动物腹部皮下脂肪的定量分析方法

Country Status (1)

Country Link
CN (1) CN106846264A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305247A (zh) * 2018-01-17 2018-07-20 中南大学湘雅三医院 一种基于ct图像灰度值检测组织硬度的方法
CN110415246A (zh) * 2019-08-06 2019-11-05 东北大学 一种腹部脂肪成分的分析方法
CN117994322A (zh) * 2024-02-21 2024-05-07 中国医学科学院北京协和医院 一种基于椎体分割的脂肪自动定量方法、系统及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000070239A (ja) * 1998-08-27 2000-03-07 Toshiba America Mri Inc 磁気共鳴イメ―ジング方法および磁気共鳴イメ―ジング装置
US20030120147A1 (en) * 2001-12-20 2003-06-26 Siemens Aktiengesellschaft Method for determining the total body fat content of a subject by analysis of MR images
US20090226057A1 (en) * 2008-03-04 2009-09-10 Adi Mashiach Segmentation device and method
CN101576997A (zh) * 2009-06-19 2009-11-11 西安电子科技大学 基于二次三维区域生长的腹部器官分割方法
CN102764125A (zh) * 2012-07-20 2012-11-07 华东师范大学 基于磁共振图像人体腹部脂肪体积的半自动量化方法
WO2014072867A1 (en) * 2012-11-07 2014-05-15 Koninklijke Philips N.V. Non-reference phase-sensitive inversion recovery imaging
CN103997961A (zh) * 2011-10-10 2014-08-20 韦克福里斯特大学健康科学院 使用mri图像数据的自动肾评估系统及方法
CN104809740A (zh) * 2015-05-26 2015-07-29 重庆大学 基于svm与弹性区域生长的膝软骨图像自动分割方法
CN105115909A (zh) * 2015-08-28 2015-12-02 中国农业科学院农产品加工研究所 基于高光谱成像技术检测花生中脂肪含量分布的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000070239A (ja) * 1998-08-27 2000-03-07 Toshiba America Mri Inc 磁気共鳴イメ―ジング方法および磁気共鳴イメ―ジング装置
US20030120147A1 (en) * 2001-12-20 2003-06-26 Siemens Aktiengesellschaft Method for determining the total body fat content of a subject by analysis of MR images
US20090226057A1 (en) * 2008-03-04 2009-09-10 Adi Mashiach Segmentation device and method
CN101576997A (zh) * 2009-06-19 2009-11-11 西安电子科技大学 基于二次三维区域生长的腹部器官分割方法
CN103997961A (zh) * 2011-10-10 2014-08-20 韦克福里斯特大学健康科学院 使用mri图像数据的自动肾评估系统及方法
CN102764125A (zh) * 2012-07-20 2012-11-07 华东师范大学 基于磁共振图像人体腹部脂肪体积的半自动量化方法
WO2014072867A1 (en) * 2012-11-07 2014-05-15 Koninklijke Philips N.V. Non-reference phase-sensitive inversion recovery imaging
CN104809740A (zh) * 2015-05-26 2015-07-29 重庆大学 基于svm与弹性区域生长的膝软骨图像自动分割方法
CN105115909A (zh) * 2015-08-28 2015-12-02 中国农业科学院农产品加工研究所 基于高光谱成像技术检测花生中脂肪含量分布的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MULLER HP等: "Quantification of human body fat tissue percentage by MRI", 《NMR IN BIOMEDICINE》 *
SACHA JP 等: "Quantification of regional fat volume in rat MRI", 《 PROCEEDINGS OF THE SOCIETY OF PHOTO-OPTICAL INSTRUMENTATION ENGINEERS (SPIE)》 *
王晓红 等: "基于空间模糊C均值与区域生长的腹部CT序列图像肾脏自动分割", 《中南大学学报(自然科学版)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305247A (zh) * 2018-01-17 2018-07-20 中南大学湘雅三医院 一种基于ct图像灰度值检测组织硬度的方法
CN108305247B (zh) * 2018-01-17 2022-03-04 中南大学湘雅三医院 一种基于ct图像灰度值检测组织硬度的方法
CN110415246A (zh) * 2019-08-06 2019-11-05 东北大学 一种腹部脂肪成分的分析方法
CN110415246B (zh) * 2019-08-06 2023-05-16 东北大学 一种腹部脂肪成分的分析方法
CN117994322A (zh) * 2024-02-21 2024-05-07 中国医学科学院北京协和医院 一种基于椎体分割的脂肪自动定量方法、系统及设备

Similar Documents

Publication Publication Date Title
CN108198184B (zh) 造影图像中血管分割的方法和系统
CN101576997B (zh) 基于二次三维区域生长的腹部器官分割方法
CN109472781B (zh) 一种基于串行结构分割的糖尿病视网膜病变检测系统
CN106910179B (zh) 基于小波变换的多模态医学图像融合方法
CN109859203A (zh) 基于深度学习的缺陷牙齿图像识别方法
CN104424385B (zh) 一种医学影像的评价方法和装置
CN106683061B (zh) 一种基于修正的多尺度retinex算法对医疗图像进行增强的方法
CN106846264A (zh) 一种适于灵长类实验动物腹部皮下脂肪的定量分析方法
CN103942780B (zh) 基于改进模糊连接度算法的丘脑及其子结构分割方法
CN110236511A (zh) 一种基于视频的无创心率测量方法
CN101138498A (zh) 一种基于磁共振三维肾图的图像处理方法
KR102206621B1 (ko) 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션
CN106530236B (zh) 一种医学图像处理方法及系统
Barbosa et al. Towards automatic quantification of the epicardial fat in non-contrasted CT images
CN108510493A (zh) 医学图像内目标对象的边界定位方法、存储介质及终端
CN104182723B (zh) 一种视线估计的方法和装置
JP4938427B2 (ja) 脳出血部位体積計算装置
CN110288698B (zh) 基于mri的半月板三维重建系统
CN109241963B (zh) 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法
Mukherjee et al. Automatic segmentation of spinal cord MRI using symmetric boundary tracing
CN103236062B (zh) 基于人脑肿瘤核磁库的磁共振图像血管分割系统
CN109544528A (zh) 一种肺小结节图像识别方法及装置
CN105447870B (zh) 医学图像中身体组织的提取方法及装置
CN103871057A (zh) 基于磁共振图像的骨骼分割的方法及其系统
DE112010001797T5 (de) Verfahren und Vorrichtung zum Detektieren der Kranznaht für stereotaktische Eingriffe

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170613

WD01 Invention patent application deemed withdrawn after publication