CN106846330A - 人体肝脏特征建模及血管模型空间归一方法 - Google Patents

人体肝脏特征建模及血管模型空间归一方法 Download PDF

Info

Publication number
CN106846330A
CN106846330A CN201611196485.1A CN201611196485A CN106846330A CN 106846330 A CN106846330 A CN 106846330A CN 201611196485 A CN201611196485 A CN 201611196485A CN 106846330 A CN106846330 A CN 106846330A
Authority
CN
China
Prior art keywords
liver
human liver
feature
edge
image
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.)
Withdrawn
Application number
CN201611196485.1A
Other languages
English (en)
Inventor
张学昌
韩俊翔
郑洲
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.)
Ningbo Institute of Technology of ZJU
Original Assignee
Ningbo Institute of Technology of ZJU
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 Ningbo Institute of Technology of ZJU filed Critical Ningbo Institute of Technology of ZJU
Priority to CN201611196485.1A priority Critical patent/CN106846330A/zh
Publication of CN106846330A publication Critical patent/CN106846330A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T2207/10—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种人体肝脏特征建模及血管模型空间归一方法，其步骤包括：多源医学图像信息数据预处理，人体肝脏边缘特征提取及三维建模及基于多源信息、异介质的人体肝脏与血管特征坐标归一化。该方法针对人体肝脏CT图像、MRI图像的灰度不均匀性，通过灰度非线性变换及多相分段光滑水平集算法实现肝脏医学图像特征提取及三维模型重建；针对多介质肝脏血管模型与肝脏模型三维空间不存在准确的对应基准，通过融合多源特征信息的外特征配准技术，解决肝脏组织器管坐标归一化问题。

Description

人体肝脏特征建模及血管模型空间归一方法
技术领域
本发明涉及医学图像处理及三维数字化建模领域，具体的说是一种人体肝脏特征建模及血管模型空间归一方法，更详细的讲是一种肝脏多源信息图像特征提取及三维模型重建和多介质工况下肝脏血管模型与肝脏模型的空间坐标归一方法。
背景技术
肝脏是人体重要的器官之一，其复杂的管道解剖结构及疾病的高发病率使肝脏手术成为普外科领域的重点和难点。个体化治疗是目前医疗的发展趋势，肝脏手术因其解剖变异，疾病的多样性，针对每一位患者制定完善的手术方案是非常必要的。传统的CT、MRI等影像学检查方法可提供关于肝脏肿瘤浸润、重要管道走行的有效信息，然而器官的连续性、直观性依然不能得到很好的解决，而一个具有高精度特征信息的肝脏三维模型则能够为术前方案预演提供可靠保证。
肝脏三维建模的基础数据来源于CT、MRI等医学图像，特征提取算法根据像素与其邻域间的相似性和不连续性可分成基于边缘的分割方法、基于区域的分割方法、基于特征空间的分割方法、基于能量泛函的分割方法。基于边缘的分割方法通过检测不同区域的边缘来解决图像分割问题。基于区域的分割方法是将图像按照相似性准则分成不同的区域，如生长种子法、分裂合并法等。基于特征空间分割方法将图像分割问题看成样本在特征空间的聚类问题，具有类似分布的样本将被划分为同一类别，从而实现图像的分割。常见的聚类分割算法有C-Means算法和FCM算法。基于能量的分割方法是在活动轮廓模型(ActiveContour Model)基础上发展出来的算法，定义一个能量泛函使得其自变量包括边缘曲线和区域数据项，通过求解函数对应的欧拉(Euler-Lagrange)方程来实现，能量达到最小时的曲线位置就是目标的轮廓所在。活动轮廓模型可以分为参数活动轮廓模型(ParametricActive Contour Model)和几何活动轮廓模型(Geometric Active Contour Model)，其中，参数活动轮廓模型是基于Lagrange框架，最具有代表的Kass等提出的Snake模型，该模型最早用于生物图像分割领域。几何活动轮廓模型是基于曲线的几何度量参数，能较好地处理拓扑结构的变化，水平集(Level Set)方法极大推动了几何活动轮廓模型的发展。
水平集方法通过应用图像的梯度来终止曲线的演化，能量函数由边缘停止项和控制曲线运动的驱动力项构成，该模型在弱边界或者无边界的地方变形曲线运动速度大，而边界强度较强的地方变形曲线速度较慢甚至停止。时该类方法对噪声图像具有一定的敏感性。边缘分割方法能够较好地分割强边缘图像，但由于其过于依赖目标边缘的梯度信息，因此对没有明显梯度变化边缘的图像分割效果并不理想。区域水平集分割方法则采用区域信息来引导曲线向目标轮廓进行逼近。最经典的区域水平集方法是由Chan和Vese提出的Chan-Vese模型，用曲线的内外灰度均值而不是边缘梯度来促进水平集的演化。Chan-Vese模型在分割梯度无意义或边缘模糊的图像上取得了极大的成功，该模型可以检测内部轮廓，并且对噪声不敏感。在现实中医学CT图像、MRI图像的灰度分布不均匀，传统的Chan-Vese模型无法得到满意的分割结果。
肝脏三维模型重建的另一个关键技术是其血管特征的坐标归一化，CT和MRI图像在显示组织方面各有不同，MRI图像对于血管组织的显示利于图像的分割，而CT图像对于肝实质的显示利于图像的分割，因而，不同信息来源的CAD模型建立之后，需要进行坐标系归一化处理，形成特征完整的肝脏模型，坐标归一算法分为内特征信息与外特征信息两类，内特征信息指不依赖于坐标系的点云数据或CAD模型所固有的特性，如曲率、两法矢向量之间的角度等。外特征信息与坐标系统相关，如曲面点的切平面等。内特征算法都是通过间接的方法达到点云数据或曲面的配准，其算法特点：存贮量大，适用于点云数据及网格密度不是很大的表面匹配；配准精度不高，适用于复杂场景中物体的识别；待配准的表面点云数据及网格分辨率对算法的有效性有影响。外特征表示算法与坐标系紧密相关，最常用的方法是点位标签法与最优匹配法。外点表示法存在的不足：初始匹配位置对算法的收敛精度有影响；不明显特征表面难以达到最佳收敛效果；外特征对应关系的搜索及计算是算法的瓶颈所在。
本发明针对现有方法存在的不足，通过对医学图像的非线生灰度分离、多相水平集边缘提取、种子点区域分割及多介质人体肝脏建模及血管模型坐标归一，实现了高精度人体肝脏模型重建，为术前预演提供了数据保障。
发明内容
本发明要解决的技术问题是，针对人体肝脏CT图像、MRI图像的灰度不均匀性，通过灰度非线性变换及多相分段光滑水平集算法实现肝脏医学图像特征提取及三维模型重建；针对多介质肝脏血管模型与肝脏模型三维空间不存在准确的对应基准，通过融合多源特征信息的外特征配准技术，解决肝脏组织器管坐标归一化问题的人体肝脏特征建模及血管模型空间归一方法。
本发明的技术解决方案是，提供一种人体肝脏特征建模及血管模型空间归一方法。
它包括以下步骤：多源医学图像信息数据预处理，人体肝脏边缘特征提取及三维建模及基于多源信息、异介质的人体肝脏与血管特征坐标归一化。
所述的多源医学图像信息数据预处理是指在于肝脏CT、MRI医学图像的非线性灰度分离处理，采用反正切函数将医学图像Hounsfied值[-1024,3072]转化到灰度值[0,255]，使灰度之间的间隔非线性变大，有利于图像边缘特征的提取。
所述的人体肝脏边缘弱特征提取及三维建模是指，在于基于非线性灰度分离与多相水平集图像边缘特征提取，最终肝脏边缘提取由区域增长算法来完成，分割种子坐标位置由肝脏统计位置确定。
所述的人体肝脏边缘弱特征提取及三维建模的步骤如下：
(1)肝脏图像进行灰度直方图统计，确定出灰度分离的峰值；
(2)由灰度分离准则进行灰度变换，处于相临峰值间的区域分别在高区段灰度加50，低区段灰度减50，最小于及最大的区域置为0；
(3)图像高斯平滑处理，采用4×4宽度的高斯平滑核去卷积处理原始图像，过滤掉设备系统因素所引入的高频噪声；
(4)初始化三相水平集函数，定义局域成员函数，并相互组合构成四个联合函数以标示不同灰度区域，由图像曲率及最大梯度方向进行水平集演化，并最终获得图像边缘；
(5)由肝脏统计位置确定区域分割种子，由区域分割确定出最终的肝脏边缘，其余边缘灰度置为0，实现肝脏边缘的特征提取。
人体肝脏模型采用图结构来表达统一拓扑结构，通过图中节点之间的权值调节实现数据的逼近，生成肝脏的三维模型，肝脏血管建模原理相同。
肝脏与胸椎骨三维模型的约束关系设定为固定，血管胸椎骨三维模型约束关系设为浮动，运用多点定位法对两种模型进行粗配准，再ICP优化方法实现肝脏与血管模型的空间坐标归一。
本发明人体肝脏特征建模及血管模型空间归一方法的创新之处如下。
针对人体肝脏不同组织及系统的图像特点，提出多源信息融合的人体肝脏弱特征建模及配准策略，通过三维模型柔性引导与水平集函数演化相结合，实现肝脏不同组织的模型重建，通过外特征配准算法与弱特征信息相结合，实现多介质下组织的空间归一。
本发明人体肝脏特征建模及血管模型空间归一方法的优点和社会效益如下。
近十年来肝脏切除技术发展飞速，但其并发症发生率和死亡率较高，故仍是普外科最为困难的领域之一。由于尸检率降低和遗体捐献者减少，肝脏解剖标本愈发稀缺，因此，具有良好人体形态特征信息的肝脏三维模型为快递原型制作提供了数据保障，帮助医学生更好地理解肝脏解剖结构，还可为年轻医师创造手术训练机会，加强青年医师的手术技能，促进青年医生手术技巧的进步，缩短手术学习曲线。
具体实施方式
本发明人体肝脏特征建模及血管模型空间归一方法，它包括以下步骤。
(一)、多源医学图像信息数据预处理
1.肝脏CT、MRI多源医学图像数据输入：将肝脏CT序列图像加载至计算机内存之中，通过高斯去噪处理为后续肝脏三维模型重建提供基础数据。MRI图像在肝脏三维模型重构完成之后载入计算机内存，同样进行高斯去噪处理为后续血管模型重构提供基础数据。
2.非线性肝脏CT、MRI灰度分离处理：人体肝脏CT、MRI图像灰度值为Hounsfied值，脂肪的CT值约为-100，肌肉约为40，骨松质为100-300，骨皮质约为2000，牙釉质则高于2000，人体肝脏的CT约为35，为便于计算机处理，需要转化为0－255之间灰度表示，传统的Housfied值[-1024,3072]转化到[0,255]灰度值的变换是线性变换，造成肝脏与其相临的脏器CT值相差不大，本发明采用反正切函数作为变换工具，使灰度变换之间的间隔非线变大，从而有利于图像边缘特征的提取。
(二)、人体肝脏边缘弱特征提取及三维建模
1.基于非线性灰度分离与多相水平集图像边缘特征提取。
肝脏CT、MRI非线性灰度分离处理后，肝脏及相邻器管的特征对比加大，采用多相水平集方法进行肝脏边缘特征提取。
(1)肝脏图像进行灰度直方图统计，确定出灰度分离的峰值。
(2)由灰度分离准则进行灰度变换。处于相临峰值间的区域分别在高区段灰度加50，低区段灰度减50，最小于及最大的区域置为0。
(3)图像高斯平滑处理。采用4×4宽度的高斯平滑核去卷积处理原始图像，过滤掉设备系统因素所引入的高频噪声。
(4)初始化多相水平集函数。定义局域成员函数，并相互组合构成四个联合函数以标示不同灰度区域。由图像曲率及最大梯度方向进行水平集演化，并最终获得图像边缘。
(5)由肝脏统计位置确定区域分割种子，由区域分割确定出最终的肝脏边缘，其余边缘灰度置为0，实现肝脏边缘的特征提取。
2.三维主动柔性模型引导的人体肝脏特征提取及建模。
由于人体肝脏无论大人和儿童、妇女和男性，其肝脏几何特征具有统一拓扑结构，以三维肝脏模型拓扑信息为基础，通过肝脏三维主动柔性模型引导，实现人体肝脏的三维重建。
(三)、基于多源信息、异介质的人体肝脏与血管特征配准。
肝脏血管组织与肝实质的三维模型分别基于MRI图像和CT图像，由于采用不同的测量设备，其测量坐标系不归一，同时，人体肝脏的弱特征使配准无法实现精确定位，人体胸椎特征明显，同时，骨密质的灰度值远高于肝脏组织，其特征易于提取，模型重建为更容易，因此，以胸椎骨为参考特征，通过多点定位及ICP优化算法实现其坐标归一，从而实现肝脏模型与血管模型的坐标归一。
附图说明
图1是本发明人体肝脏特征建模及血管模型空间归一方法步骤框架示意图。
下面结合附图和具体实施例对本发明作更详细的进一步说明。
(一)、肝脏医学图像载入
所有图像格式均为DCOM格式，根据后续建模方式的不同分别载入将肝脏CT序列图或MRI序列图像。
(二)、肝脏医学图像非线分离及特征提取
1.图像灰度分离
首先进行灰度尺度变换，以反正切函数作为变换工具，使灰度变换之间的间隔非线变大，从而有利于图像边缘特征的提取。设待分割图像U0中存在p(p≥2)个目标区域(或干扰区域)，第k个目标区域用Tk表示，Tk对应的灰度范围是[Tk,1,Tk,2](灰度分离区间)且Tk+1,1-Tk,2＝εk≤c，其中εk为非负数，c为设定的可以进行有效的区域增长阈值(区域增长是将灰度值接近且相邻的像素点集合在一起，并且去除灰度值差别较大或不相连的像素点，这样就可以把肝脏特征提取出来。通常的区域增长算法是先设定一个阈值c，然后选取一个像素点作为起始种子点，其灰度值记为t0，再遍历起始种子点周围的像素点，若该像素点的灰度值t∈[t0-c,t0+c]，则将该像素点灰度值置为1，直到没有像素点满足条件为止，不满足条件的灰度值置为0，c过小会计入一些无关的像素点，过大会丢失部分相关的像素点)，k＝1,2,3Λp，U0的像素为m×n，位于第i行、第j列的像素点对应的灰度值为ui,j，则其灰度矩阵U为:
当ui,j＜T11时，令u′i,j＝0；
当T11≤ui,j≤T12时，令u′i,j＝ui,j+c1；
当T12＜ui,j≤T22时，令u′i,j＝ui,j+c2；
Λ
当Tp-1,2＜ui,j≤Tp,2时，令u′i,j＝ui,j+cp；
当ui,j＞Tp,2时，令u′i,j＝0。
其中i＝1,2,3Λm,j＝1,2,3Λn，c1、c2Λcp称为灰度分离常数(其值可以为负，其绝对值为50)且对于任意k＝1,2,3Λp、k′＝1,2,3Λp，当k≠k′时，有(Tk,1+ck)-(Tk′,2+ck′)≥c或(Tk′,1+ck′)-(Tk,2+ck)≥c，则进行灰度分离后的图像U0的灰度矩阵变成U′，其值为:
从而实现了图像的灰度分离。
2.多相水平集方法进行边缘特征提取
(1)图像高斯平滑处理。采用4×4宽度的高斯平滑核去卷积处理原始图像，过滤掉设备系统因素所引入的高频噪声。
(2)初始化三相水平集函数。定义局域成员函数，并相互组合构成四个联合函数以标示不同灰度区域。由图像曲率及最大梯度方向进行水平集演化，并最终获得图像边缘。
(3)由肝脏统计位置确定区域分割种子，由区域分割确定出最终的肝脏边缘，其余边缘灰度置为0，实现肝脏边缘的特征提取。
(三).三维主动柔性模型引导的人体肝脏及血管建模
人体肝脏模型采用图结构来表达统一拓扑结构，通过图中节点之间的权值调节实现数据的逼近，从而生成肝脏的三维模型。
肝脏血管建模与肝脏建模过程相同，也是先进行灰度分离，然后进行特征提取，最后进行血管的三维重建。
(四)、基于多源信息、异介质的人体肝脏与血管特征坐标归一
(1)载入肝脏CT序列图，按上述步骤(二)中的(2)、(3)小步骤进行肝脏三维模型重建，同时，对人体胸椎骨进行三维重建。并将所建模型的约束关系设定为固定。
(2)载入血管MRI序列图，按上述步骤(二)中的(2)、(3)小步骤进行血管三维模型重建，同时，对人体胸椎骨进行三维重建。将所建模型的约束关系设为浮动。
(3)以胸椎为参考特征，运用多点定位法对两种模型进行粗配准，即初始坐标归一，在此基础之上，运用ICP优化方法对胸椎进行全局优化配准处量。当两个模型的胸椎全完归一后，肝脏与血管模型的空间坐标归一也就完成了。

Claims (6)

1.一种人体肝脏特征建模及血管模型空间归一方法，其特征在于：其步骤包括：多源医学图像信息数据预处理，人体肝脏边缘特征提取及三维建模及基于多源信息、异介质的人体肝脏与血管特征坐标归一化。
2.根据权利要求1所述的人体肝脏特征建模及血管模型空间归一方法，其特征在于：所述的多源医学图像信息数据预处理是指在于肝脏CT、MRI医学图像的非线性灰度分离处理，采用反正切函数将医学图像Hounsfied值[-1024,3072]转化到灰度值[0,255]，使灰度之间的间隔非线性变大，有利于图像边缘特征的提取。
3.根据权利要求1所述的人体肝脏特征建模及血管模型空间归一方法，其特征在于：所述的人体肝脏边缘弱特征提取及三维建模是指，在于基于非线性灰度分离与多相水平集图像边缘特征提取，最终肝脏边缘提取由区域增长算法来完成，分割种子坐标位置由肝脏统计位置确定。
4.根据权利要求3所述的人体肝脏特征建模及血管模型空间归一方法，其特征在于：所述的人体肝脏边缘弱特征提取及三维建模的步骤如下：
(1)肝脏图像进行灰度直方图统计，确定出灰度分离的峰值；
(2)由灰度分离准则进行灰度变换，处于相临峰值间的区域分别在高区段灰度加50，低区段灰度减50，最小于及最大的区域置为0；
(3)图像高斯平滑处理，采用4×4宽度的高斯平滑核去卷积处理原始图像，过滤掉设备系统因素所引入的高频噪声；
(4)初始化三相水平集函数，定义局域成员函数，并相互组合构成四个联合函数以标示不同灰度区域，由图像曲率及最大梯度方向进行水平集演化，并最终获得图像边缘；
(5)由肝脏统计位置确定区域分割种子，由区域分割确定出最终的肝脏边缘，其余边缘灰度置为0，实现肝脏边缘的特征提取。
5.根据权利要求1所述的人体肝脏特征建模及血管模型空间归一方法，其特征在于：人体肝脏模型采用图结构来表达统一拓扑结构，通过图中节点之间的权值调节实现数据的逼近，生成肝脏的三维模型，肝脏血管建模原理相同。
6.根据权利要求1所述的人体肝脏特征建模及血管模型空间归一方法，其特征在于：肝脏与胸椎骨三维模型的约束关系设定为固定，血管胸椎骨三维模型约束关系设为浮动，运用多点定位法对两种模型进行粗配准，再ICP优化方法实现肝脏与血管模型的空间坐标归一。
CN201611196485.1A 2016-12-22 2016-12-22 人体肝脏特征建模及血管模型空间归一方法 Withdrawn CN106846330A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611196485.1A CN106846330A (zh) 2016-12-22 2016-12-22 人体肝脏特征建模及血管模型空间归一方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611196485.1A CN106846330A (zh) 2016-12-22 2016-12-22 人体肝脏特征建模及血管模型空间归一方法

Publications (1)

Publication Number Publication Date
CN106846330A true CN106846330A (zh) 2017-06-13

Family

ID=59135920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611196485.1A Withdrawn CN106846330A (zh) 2016-12-22 2016-12-22 人体肝脏特征建模及血管模型空间归一方法

Country Status (1)

Country Link
CN (1) CN106846330A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461140A (zh) * 2018-09-29 2019-03-12 沈阳东软医疗系统有限公司 图像处理方法及装置、设备和存储介质
CN110689540A (zh) * 2019-11-29 2020-01-14 领伟创新智能系统(浙江)有限公司 一种基于图像曲率快速计算的滚珠丝杠参数视觉测量方法
CN111815735A (zh) * 2020-09-09 2020-10-23 南京安科医疗科技有限公司 一种人体组织自适应的ct重建方法及重建系统
WO2021104061A1 (zh) * 2019-11-26 2021-06-03 中国科学院深圳先进技术研究院 一种肝脏变形预测方法、系统及电子设备
CN112950684A (zh) * 2021-03-02 2021-06-11 武汉联影智融医疗科技有限公司 基于表面配准的目标特征提取方法、装置、设备和介质
CN115067925A (zh) * 2022-06-14 2022-09-20 湖北省肿瘤医院（湖北省肿瘤研究所） 基于图像处理的肝脏磁共振检测体位引导方法
CN116492052A (zh) * 2023-04-24 2023-07-28 中科智博(珠海)科技有限公司 一种基于混合现实脊柱三维可视化手术导航系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609913A (zh) * 2012-01-17 2012-07-25 浙江大学 Cta图像中肝脏血管增强及肝脏与血管同时分割的方法
CN103700068A (zh) * 2012-01-17 2014-04-02 浙江大学 一种cta图像中肝脏与血管同时分割的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609913A (zh) * 2012-01-17 2012-07-25 浙江大学 Cta图像中肝脏血管增强及肝脏与血管同时分割的方法
CN103700068A (zh) * 2012-01-17 2014-04-02 浙江大学 一种cta图像中肝脏与血管同时分割的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
凡桂华: "基于CT图像的肝脏解剖结构数字化重建研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
沈晋慧: "利用边缘和表面特征实现脑图像的自动配准", 《中国医学物理学杂志》 *
黄晓阳: "在体肝脏图像配准方法及应用研究", 《中国博士学位论文全文数据库信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461140A (zh) * 2018-09-29 2019-03-12 沈阳东软医疗系统有限公司 图像处理方法及装置、设备和存储介质
WO2021104061A1 (zh) * 2019-11-26 2021-06-03 中国科学院深圳先进技术研究院 一种肝脏变形预测方法、系统及电子设备
CN110689540A (zh) * 2019-11-29 2020-01-14 领伟创新智能系统(浙江)有限公司 一种基于图像曲率快速计算的滚珠丝杠参数视觉测量方法
CN110689540B (zh) * 2019-11-29 2020-04-07 领伟创新智能系统(浙江)有限公司 一种基于图像曲率快速计算的滚珠丝杠参数视觉测量方法
CN111815735A (zh) * 2020-09-09 2020-10-23 南京安科医疗科技有限公司 一种人体组织自适应的ct重建方法及重建系统
CN111815735B (zh) * 2020-09-09 2020-12-01 南京安科医疗科技有限公司 一种人体组织自适应的ct重建方法及重建系统
CN112950684A (zh) * 2021-03-02 2021-06-11 武汉联影智融医疗科技有限公司 基于表面配准的目标特征提取方法、装置、设备和介质
CN112950684B (zh) * 2021-03-02 2023-07-25 武汉联影智融医疗科技有限公司 基于表面配准的目标特征提取方法、装置、设备和介质
CN115067925A (zh) * 2022-06-14 2022-09-20 湖北省肿瘤医院（湖北省肿瘤研究所） 基于图像处理的肝脏磁共振检测体位引导方法
CN115067925B (zh) * 2022-06-14 2023-03-07 湖北省肿瘤医院（湖北省肿瘤研究所） 基于图像处理的肝脏磁共振检测体位引导方法
CN116492052A (zh) * 2023-04-24 2023-07-28 中科智博(珠海)科技有限公司 一种基于混合现实脊柱三维可视化手术导航系统
CN116492052B (zh) * 2023-04-24 2024-04-23 中科智博(珠海)科技有限公司 一种基于混合现实脊柱三维可视化手术导航系统

Similar Documents

Publication Publication Date Title
Li et al. Brain tumor detection based on multimodal information fusion and convolutional neural network
CN106846330A (zh) 人体肝脏特征建模及血管模型空间归一方法
CN112465827B (zh) 一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法
CN107403201A (zh) 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
Carvalho et al. 3D segmentation algorithms for computerized tomographic imaging: a systematic literature review
Li et al. Vessels as 4-D curves: Global minimal 4-D paths to extract 3-D tubular surfaces and centerlines
Li et al. Integrating spatial fuzzy clustering with level set methods for automated medical image segmentation
Holtzman-Gazit et al. Segmentation of thin structures in volumetric medical images
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
Gooya et al. A variational method for geometric regularization of vascular segmentation in medical images
CN102243759B (zh) 一种基于几何形变模型的三维肺血管图像分割方法
Qian et al. An integrated method for atherosclerotic carotid plaque segmentation in ultrasound image
Ye et al. Medical image diagnosis of prostate tumor based on PSP-Net+ VGG16 deep learning network
CN107680110B (zh) 基于统计形状模型的内耳三维水平集分割方法
CN106846346A (zh) 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法
CN106780491A (zh) Gvf法分割ct骨盆图像中采用的初始轮廓生成方法
Kriti et al. A review of segmentation algorithms applied to B-mode breast ultrasound images: A characterization approach
Damayanti et al. Corpus callosum segmentation from brain MRI images based on level set method
CN103839048A (zh) 基于低秩分解的胃部ct图像淋巴结识别系统和方法
CN111986216B (zh) 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法
CN104915989A (zh) 基于ct影像的血管三维分割方法
Xiao et al. PET and CT image fusion of lung cancer with siamese pyramid fusion network
Wieclawek 3D marker-controlled watershed for kidney segmentation in clinical CT exams
Fan et al. DAGM-fusion: A dual-path CT-MRI image fusion model based multi-axial gated MLP
Yan et al. Segmentation of pulmonary parenchyma from pulmonary CT based on ResU-Net++ model

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20170613

WW01 Invention patent application withdrawn after publication