CN106846346A - 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 - Google Patents
基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 Download PDFInfo
- Publication number
- CN106846346A CN106846346A CN201710050253.3A CN201710050253A CN106846346A CN 106846346 A CN106846346 A CN 106846346A CN 201710050253 A CN201710050253 A CN 201710050253A CN 106846346 A CN106846346 A CN 106846346A
- Authority
- CN
- China
- Prior art keywords
- key frame
- image
- sequence
- profile
- frame
- 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
- 210000004197 pelvis Anatomy 0.000 title claims abstract description 18
- 239000003550 marker Substances 0.000 title claims abstract description 4
- 238000000034 method Methods 0.000 title claims description 30
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 210000000746 body region Anatomy 0.000 claims description 7
- 210000003484 anatomy Anatomy 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000009966 trimming Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 241000270295 Serpentes Species 0.000 description 4
- 206010017076 Fracture Diseases 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010034246 Pelvic fractures Diseases 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000001981 hip bone Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000001769 paralizing effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 210000003049 pelvic bone Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06T5/80—Geometric correction
-
- 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
- G06T2207/30008—Bone
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于关键帧标记的序列CT图像骨盆轮廓提取方法,包括下列步骤:CT图像预处理;得到感兴趣区域掩模;将掩模与初始图像进行卷积得到中间图像;将中间图像按照空间顺序排列,选取相邻两帧CT图像的像素差值作为特征距离,将特征距离小于指定阈值的相邻两帧作为相似帧,对CT序列进行初步筛选,得到候选关键帧序列;对候选关键帧序列进行细致筛选;交互式标记关键帧骨轮廓;采用GVF模型提取各层CT图像的骨轮廓。
Description
技术领域
本发明涉及医学图像分割领域,具体来说是一种在骨盆CT图像中对大盆骨、骶骨、髋骨、髋臼等骨区域分割方法。
背景技术
医学图像分割是医学图像分析及处理的基础,医学图像分割的准确性将直接影响医生对病情的判断以及手术方案的选择。由于CT图像具有较高的分辨率,可以清晰的显示解剖结构以及病变组织区域的特点,CT已经广泛的用于多种疾病诊断。骨盆骨折是造成发病、死亡的因素之一,对于移位型骨折,准确快速地确定骨折的范围、粉碎的程度以及软组织损害的程度等,能够为治疗方式的选取、愈后情况提供参考。其次,对于先天或后天性、小儿麻痹性、遗传性等原因引起的骨盆发育不良情况,其功能的重新建立以及畸形的矫正取决于精确的早期诊断以及及时治疗,CT对于手术前、后的骨盆解剖结构描述,手术方案的制定以及手术完成后的效果评价都有着极其重要的意义。
在骨CT图像分割方法中,最为普遍应用的分割方法为基于灰度信息的分割法,其中阈值法是典型方法,但是骨密度具有不均匀性、股骨头与髋臼之间的连接部分较为狭窄、以及病变引起的弱边缘性等原因,在使用过程中很难选取合适的阈值。另外,机器视觉中的分类与聚类法也用于分割中,此类方法对噪声具有很好的鲁棒性,但是分割效果取决于样本数量、类型,由于患者之间的个体性差异较大,此类分割算法具有局限性。目前大量研究集中于统计形状模型分割法,如snake模型、GVF模型[1](Gradient Vector ConvolutionField Snake Model)、基于水平集的分割模型等,此类分割方法的研究重点在于标记点的自动选取、构建较少训练集的模型、对前述模型的改进以及与其他方法相结合等方面,在实现分割之前需要大量的人为处理给予先验信息,最终的分割效果取决于先验信息的准确性及完整性,由于患者之间个体化差异较大,要提高分割效果,则必须增加先验信息,因此此类方法前期工作量大,而效果却并不能保证,所以不适合医院直接使用。由于GVF模型[2]较好地解决了传统的snack模型难以解决的两个问题:1.对初始轮廓非常敏感;2.在分割图像的凹陷部分时不能达到理想的效果。目前大量的研究基于GVF模型对图像进行分割,但是GVF模型仍存在着对初始轮廓敏感以及运算时间较长的缺点。因此,如果使用GVF模型进行骨CT图像分割,获得较为精确的初始轮廓,对加快运算速度和改进分割精度有重要影响。
参考文献:
[1]Wu Bingrong;Xie Mei;Li Guo;Gao Jingjing.Medical Image SegmentationBased on GVF Snake Model;Intell igent Computation Technology and Automation;2009:637-640.
[2]Chen,L.,et al.,Segmentation of the Pelvic Bone Using a GeneralizedGradient Vector Convolution Field Snake Model.JOURNAL OF MEDICAL IMAGING ANDHEALTH INFORMATICS,2015.5(7):p.1482-1487.
发明内容
本发明改进GVF模型法,提供一种序列CT图像骨盆轮廓快速提取方法。本发明通过获得较为精确的初始轮廓,再结合GVF模型法,实现骨盆轮廓的快速提取。技术方案如下:
步骤1:CT图像预处理
对CT图像进行加窗处理、去噪、去除伪影和CT台非身体区域、对图像进行裁剪操作,使得CT图像序列在经过预处理之后图像尺寸保持一致,身体区域的相对位置保持不变。为方便描述,将裁剪后的图像称为初始图像。
步骤2:初步筛选获得候选关键帧序列
对初始图像进行均值滤波、去除斑点、形态学处理得到骨分布的大致区域,将此区域作为感兴趣区域,得到感兴趣区域掩模;将掩模与初始图像进行卷积得到中间图像;将中间图像按照空间顺序排列,选取相邻两帧CT图像的像素差值作为特征距离,将特征距离小于指定阈值的相邻两帧作为相似帧,对CT序列进行初步筛选,得到候选关键帧序列。
步骤3:对候选关键帧序列进行细致筛选
对候选关键帧序列计算感兴趣区域数目、归一化相关系数以及互信息量特征,将感兴趣区域数目相同的相邻候选关键帧作为相似帧,通过比较归一化相关系数和互信息量特征与相应指定阈值的大小判断相邻候选关键帧是否为相似帧,进一步筛选,得到目标关键帧序列。
步骤4:交互式标记关键帧骨轮廓
对于目标关键帧序列中的关键帧,首先对关键帧感兴趣区域进行骨架提取获取标记点,再利用基于标记点的分水岭算法生成初始轮廓,将初始轮廓显示出来,由医生判断是否符合医学解剖结构,若不符合,则手动增加或删除标记点对初始轮廓进行修正,完善拓扑信息,从而得到目标关键帧序列中CT图像骨区域的轮廓曲线,关键帧的骨轮廓标记将作为进一步分割同一患者的序列CT图像的初始轮廓。
步骤5:根据步骤4标记的初始轮廓采用GVF模型提取各层CT图像的骨轮廓。
本发明提出一种分割精度高、速度快且个体化差异适应性好的序列CT图像骨盆轮廓快速提取方法,该方法采用自主设计的算法确定CT序列中关键帧,将医生交互式确认的关键帧的骨轮廓标记作为相邻帧GVF模型的骨盆初始轮廓,利用CT序列影像中骨盆时空连续性假设,实现患者的全序列CT图像中骨轮廓的快速提取。本发明大大减少了医生CT图像骨盆轮廓人工标记的图像数量(仅需确认标记全序列CT图像中约5%~10%的关键帧,利用关键帧中所得的标记轮廓作为相邻帧骨盆轮廓GVF模型的初始值,自动实现其它帧图像的高精度快速分割,从而降低了图像处理时间和劳动强度,提高了分割效率,并且能够保证分割精度,对个体差异适应性好,可以为患者早期诊断、手术方案制定等提供重要参考,为进一步实施医学图像的配准、识别及三维重建高效提供更加准确的数据。
附图说明
图1:本发明方法流程图
图2:初始图像显示
图3:候选关键帧提取流程图
图4:目标集提取流程图
图5的(a)和(b)图分别为相邻的两个关键帧的轮廓标记
图6:位于图5相邻两幅关键帧之间的某一幅CT图像的自动分割结果
具体实施方式
考虑到目前医院使用手动标记骨盆区域制定手术方案以及一个患者CT序列数目较大,在临床上手动标记单幅CT图像耗时约15分钟,因此手动分割骨盆区域耗时长、压力大。由于序列CT切片中,拍摄间距较小,相邻两帧之间骨骼形态特征变化不大,具有较高的相似性,利用这一特点,对CT序列切片提取关键帧,经过此步骤,需要分割的数据量将大大减少,通过医生对极少数关键帧中骨边缘轮廓的标记勾画,绘制全CT序列中的骨盆边缘轮廓,从而实现整个骨盆区域的分割,此方法不仅减少了医生处理时间,同时能够适应个体差异性,为患者早期诊断、手术方案制定等提供重要参考。现结合实施例、附图对本发明作进一步描述:
步骤1:CT图像预处理
对于一例骨盆骨折患者,以1mm为间隔,平扫获得540张CT序列,每张CT大小为512x512,对于每一个DICOM文件仅仅提取图像部分。对图像部分进行加窗处理,其中窗位为900,窗宽为600,即c=900,w=600,将图像中的数据按照式(1)进行转换,将数据压缩到256个灰度等级:
其中f为显示的位图灰度值,x为图像数据,w为窗宽,c为窗位。
对图像进行加窗处理之后,转换为BMP格式,加窗前后效果如图2所示。对BMP图像按照式(2)进行二值化处理,再使用形态学操作进行填充二值图像中的空洞;根据经验可知,由连通域的面积大小可以区分出身体区域与CT台,因此对二值图像中连通域面积进行排序,将面积最大的区域置为1,其余均置为0,得到掩模图像同时求出面积最大区域的邻近矩形大小Rect(x,y,width,height);将得到的掩膜图像与BMP图像卷积,去除CT台、伪影等干扰,此时图像中仅仅保留身体区域,其余区域均已置为0。
考虑到患者在进行CT扫描时身体区域变化幅度并不大,为了减少数据量同时保存身体区域信息,将邻近矩形Rect(x,y,width,height)向上下左右四个方向各延伸10个像素得到矩形Rectangle(x,y,width,height),再将图像参照矩形Rectangle(x,y,width,height)进行裁剪,重新生成原始图像,原始图像示例如图3所示,该例中原始图像大小均为436x240。此后,所有CT图像均按照此矩形进行裁剪,保证在相邻CT图像中身体区域的相对位置保持不变。
步骤2:关键帧提取
此步骤包括两部分,即初步筛选获得候选关键帧序列以及细致筛选获得目标关键帧序列。
在初步筛选过程中,首先对初始图像进行均值滤波、去除斑点、形态学处理等操作得到骨分布的大致区域,将此区域作为感兴趣区域,得到感兴趣区域掩模并记录感兴趣区域的个数RoiNumber。感兴趣区域掩模如图4所示,感兴趣区域即待准确分割的区域。将掩模与初始图像进行卷积得到中间图像。
将中间图像按照空间顺序排列,即保持CT序列集之间的相对顺序不变,选取相邻两帧CT图像的像素差值作为特征距离对CT序列进行初步筛选,即可得到候选关键帧序列{y1,y2,y3,……,yl}。候选关键帧序列提取方法流程图如图5所示,具体步骤描述如下:
1)CT序列集{f1,f2,f3,……,fn},首先选取第一帧f1作为当前关键帧,j=1,将其加入候选集;
2)将下一帧图像j+1与当前帧图像j作像素差,即Dif=fj+1-fj,若该差值大于指定阈值,则认为两幅图像差异较大,相似度较低,将j+1帧图像加入候选集中;若该差值小于指定阈值,则认为当前帧可以概括fj+1,对j+1帧不作处理;
3)j=j+1,即将第j+1帧图像作为当前关键帧,判断该帧是否为最后帧,若是,则终止提取候选关键帧;若否,则转入第2步继续。
按照上述步骤流程,可以获得候选关键帧序列{y1,y2,y3,……,yl},在本例中,l=237,在此基础上进行细致筛选,从而可以得到目标关键帧序列。
在细致筛选过程中,对候选关键帧序列{y1,y2,y3,……,yl}依次使用感兴趣区域数目、归一化相关系数以及互信息量特征作为进一步提取关键帧的特征值,通过比较特征值与制定阈值的大小即可得到目标关键帧序列{k1,k2,k3,……,kt},在候选集中提取最终关键帧{k1,k2,k3,……,kt}的算法流程如图6所示,具体步骤描述如下:
1)首先选取第一帧y1作为关键帧,i=1,将该帧加入目标集中;
2)判断第i+1帧图像与第i帧图像的感兴趣区域个数是否相同,即RoiNumber(i+1)==RoiNumber(i),若不同,则认为第i+1帧图像与当前帧图像相似度低,将第i+1帧图像加入目标集;若相同则转入3);
3)按照公式计算两帧图像的互信息量特征,按照公式计算两帧图像的归一化相关系数,I值越大说明两帧图像相关程度越高,I值越小说明两帧图像相关程度越低,而R则相反。因此当满足I(j+1,j)>T1同时R(j+1,j)<T2条件时,将第i+1帧加入目标集;当不满足该条件时,不作处理。
4)i=i+1,判断当前帧是否为候选集中最后一帧,若是,则生成关键帧目标集;若否,则转入第2步继续。
按照上述步骤流程,可以从候选关键帧序列{y1,y2,y3,……,yl}中进一步筛选,从而可以得到目标关键帧序列{k1,k2,k3,……,kt}。在本例中,t=28。即经过步骤2,共获取28幅CT图像作为关键帧。表1给出本例使用本发明方法步骤(2)两阶段提取出的关键帧数目,表2给出各阶段使用时间。
表1
表2
步骤3:交互式标记关键帧骨轮廓
对于目标关键帧序列{k1,k2,k3,……,kt}中的关键帧,首先对关键帧感兴趣区域进行骨架提取获取标记点,再利用基于标记点的分水岭算法自动生成初始轮廓。将初始轮廓显示出来,由医生判断是否符合医学解剖结构,若不符合,则手动增加或删除标记点对初始轮廓进行修正,完善拓扑信息,从而得到目标关键帧序列中CT图像骨区域的轮廓曲线。关键帧的骨轮廓标记将作为进一步分割同一患者的序列CT图像的初始轮廓。
步骤4:引入GVF模型提取各层CT图像的骨轮廓
在关键帧i与关键帧i+1之间的CT图像序列,使用关键帧i的标准轮廓作为初始轮廓。使用GVF模型对初始轮廓进行变形,即可得到同一患者的序列CT图像的目标轮廓。
在GVF模型中,通过在图像目标附近定义一条带有能量的曲线,该曲线在内外部能量的作用下朝着图像对应能量极小值位置运动,设该曲线表示为X(s)=(x(s),y(s)),s∈[0,1],则该曲线能量泛函可以定义为:为使该能量最小,曲线则应满足式子:
-α(s)X″(s)+β(s)X″(s)+Eext(X)=0 (3)
通过求解该式极小值可以得到目标边缘。在GVF模型中,梯度矢量场被定义为V(x,y)=(μ(x,y),v(x,y)),其中μ(x,y),v(x,y)为V(x,y),图像边缘轮廓的能量泛函则表示为:
其中(x,y)为图像中任意一点的坐标,表示(x,y)处的梯度值,μ为调节因子。根据变分理论,GVF满足欧拉方程,则其分解形式为:通过该式,可以求解出V(x,y),将其作为外力Fext=V(x,y),代入式(3)中求解曲线X(s),该求解过程则为初始轮廓曲线运动至目标边缘的过程,即初始轮廓变形过程。
对于同一患者的CT图像序列利用关键帧的手动轮廓标记作为初始轮廓,使用GVF模型对初始轮廓进行变形即可得到同一患者的全部骨盆CT序列图像的骨分割结果。
Claims (1)
1.一种基于关键帧标记的序列CT图像骨盆轮廓快速提取方法,包括下列步骤:
步骤1:CT图像预处理
对CT图像进行加窗处理,去噪,去除伪影和CT台非身体区域等,对图像进行裁剪操作,使得CT图像序列在经过预处理之后图像尺寸保持一致,身体区域的相对位置保持不变;为方便描述,将裁剪后的图像称为初始图像;
步骤2:初步筛选获得候选关键帧序列
对初始图像进行均值滤波、去除斑点、形态学处理得到骨分布的大致区域,将此区域作为感兴趣区域,得到感兴趣区域掩模;将掩模与初始图像进行卷积得到中间图像;将中间图像按照空间顺序排列,选取相邻两帧CT图像的像素差值作为特征距离,将特征距离小于指定阈值的相邻两帧作为相似帧,对CT序列进行初步筛选,得到候选关键帧序列;
步骤3:对候选关键帧序列进行细致筛选
对候选关键帧序列计算感兴趣区域数目、归一化相关系数以及互信息量特征,将感兴趣区域数目相同的相邻候选关键帧作为相似帧,通过比较归一化相关系数和互信息量特征与相应指定阈值的大小判断相邻候选关键帧是否为相似帧,进一步筛选,得到目标关键帧序列;
步骤4:交互式标记关键帧骨轮廓
对于目标关键帧序列中的关键帧,首先对关键帧感兴趣区域进行骨架提取获取标记点,再利用基于标记点的分水岭算法生成初始轮廓,将初始轮廓显示出来,由医生判断是否符合医学解剖结构,若不符合,则手动增加或删除标记点对初始轮廓进行修正,完善拓扑信息,从而得到目标关键帧序列中CT图像骨区域的轮廓曲线,关键帧的骨轮廓标记将作为进一步分割同一患者的序列CT图像的初始轮廓。
步骤5:根据步骤4标记的初始轮廓采用GVF模型提取各层CT图像的骨轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710050253.3A CN106846346B (zh) | 2017-01-23 | 2017-01-23 | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710050253.3A CN106846346B (zh) | 2017-01-23 | 2017-01-23 | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106846346A true CN106846346A (zh) | 2017-06-13 |
CN106846346B CN106846346B (zh) | 2019-12-20 |
Family
ID=59119691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710050253.3A Active CN106846346B (zh) | 2017-01-23 | 2017-01-23 | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846346B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118501A (zh) * | 2018-08-03 | 2019-01-01 | 上海电气集团股份有限公司 | 图像处理方法及系统 |
CN109141291A (zh) * | 2018-09-25 | 2019-01-04 | 南昌航空大学 | 一种快速相位解包裹算法 |
CN110689550A (zh) * | 2019-10-12 | 2020-01-14 | 嘉应学院 | 一种腰椎矢状面ct图像高效自动化筛选系统及方法 |
CN111145185A (zh) * | 2019-12-17 | 2020-05-12 | 天津市肿瘤医院 | 一种基于聚类关键帧提取ct图像的肺实质分割方法 |
CN113112469A (zh) * | 2021-04-06 | 2021-07-13 | 上海深至信息科技有限公司 | 一种b超图像选取方法及系统 |
CN113270171A (zh) * | 2021-06-18 | 2021-08-17 | 上海市第一人民医院 | 一种基于人工智能的孕期b超检测辅助方法 |
CN114037719A (zh) * | 2022-01-11 | 2022-02-11 | 北京威高智慧科技有限公司 | 骨骼区域确定方法、装置、电子设备及存储介质 |
CN114332076A (zh) * | 2022-03-01 | 2022-04-12 | 北京壹点灵动科技有限公司 | 骨盆配准的方法、装置、计算机可读存储介质和处理器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609701A (zh) * | 2012-01-10 | 2012-07-25 | 河海大学 | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 |
CN104361582A (zh) * | 2014-10-23 | 2015-02-18 | 河海大学 | 一种对象级高分辨率sar影像洪水灾害变化检测方法 |
CN105844239A (zh) * | 2016-03-23 | 2016-08-10 | 北京邮电大学 | 一种基于cnn和lstm的暴恐视频检测方法 |
-
2017
- 2017-01-23 CN CN201710050253.3A patent/CN106846346B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609701A (zh) * | 2012-01-10 | 2012-07-25 | 河海大学 | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 |
CN104361582A (zh) * | 2014-10-23 | 2015-02-18 | 河海大学 | 一种对象级高分辨率sar影像洪水灾害变化检测方法 |
CN105844239A (zh) * | 2016-03-23 | 2016-08-10 | 北京邮电大学 | 一种基于cnn和lstm的暴恐视频检测方法 |
Non-Patent Citations (4)
Title |
---|
WU BINGRONG ET AL.: "Medical Image Segmentation Based on GVF Snake Model", 《2009 SECOND INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION》 * |
曾华 等: "改进的互信息量动画视频关键帧提取算法", 《电脑知识与技术》 * |
杨南粤: "面向分娩仿真的虚拟器官表现方法研究", 《面向分娩仿真的虚拟器官表现方法研究》 * |
胡同森: "使用标识分水岭算法确定 Snake 模型的初始轮廓", 《浙江工业大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118501A (zh) * | 2018-08-03 | 2019-01-01 | 上海电气集团股份有限公司 | 图像处理方法及系统 |
CN109141291A (zh) * | 2018-09-25 | 2019-01-04 | 南昌航空大学 | 一种快速相位解包裹算法 |
CN110689550A (zh) * | 2019-10-12 | 2020-01-14 | 嘉应学院 | 一种腰椎矢状面ct图像高效自动化筛选系统及方法 |
CN110689550B (zh) * | 2019-10-12 | 2022-06-21 | 嘉应学院 | 一种腰椎矢状面ct图像高效自动化筛选系统及方法 |
CN111145185A (zh) * | 2019-12-17 | 2020-05-12 | 天津市肿瘤医院 | 一种基于聚类关键帧提取ct图像的肺实质分割方法 |
CN111145185B (zh) * | 2019-12-17 | 2023-12-22 | 天津市肿瘤医院 | 一种基于聚类关键帧提取ct图像的肺实质分割方法 |
CN113112469A (zh) * | 2021-04-06 | 2021-07-13 | 上海深至信息科技有限公司 | 一种b超图像选取方法及系统 |
CN113270171A (zh) * | 2021-06-18 | 2021-08-17 | 上海市第一人民医院 | 一种基于人工智能的孕期b超检测辅助方法 |
CN114037719A (zh) * | 2022-01-11 | 2022-02-11 | 北京威高智慧科技有限公司 | 骨骼区域确定方法、装置、电子设备及存储介质 |
CN114037719B (zh) * | 2022-01-11 | 2022-04-01 | 北京威高智慧科技有限公司 | 骨骼区域确定方法、装置、电子设备及存储介质 |
CN114332076A (zh) * | 2022-03-01 | 2022-04-12 | 北京壹点灵动科技有限公司 | 骨盆配准的方法、装置、计算机可读存储介质和处理器 |
CN114332076B (zh) * | 2022-03-01 | 2022-06-14 | 北京壹点灵动科技有限公司 | 骨盆配准的方法、装置、计算机可读存储介质和处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN106846346B (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Yao et al. | Automated spinal column extraction and partitioning | |
US10083515B2 (en) | Method and system for segmenting medical imaging data according to a skeletal atlas | |
US8953856B2 (en) | Method and system for registering a medical image | |
CN106485704B (zh) | 血管中心线的提取方法 | |
CN106780491A (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
Hu et al. | Segmentation of brain from computed tomography head images | |
CN108510507A (zh) | 一种融合加权随机森林的3d椎骨ct图像主动轮廓分割方法 | |
Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
CN106780492A (zh) | 一种ct骨盆图像的关键帧提取方法 | |
Wu et al. | AAR-RT–a system for auto-contouring organs at risk on CT images for radiation therapy planning: principles, design, and large-scale evaluation on head-and-neck and thoracic cancer cases | |
KR101223681B1 (ko) | 자기공명영상에서 연골 자동 영역화 장치 및 방법 | |
Liu et al. | Multimodal MRI brain tumor image segmentation using sparse subspace clustering algorithm | |
CN106846330A (zh) | 人体肝脏特征建模及血管模型空间归一方法 | |
Chuang et al. | Efficient triple output network for vertebral segmentation and identification | |
Khandelwal et al. | Spine and individual vertebrae segmentation in computed tomography images using geometric flows and shape priors | |
Zou et al. | Semi-automatic segmentation of femur based on harmonic barrier | |
Kriti et al. | A review of Segmentation Algorithms Applied to B-Mode breast ultrasound images: a characterization Approach | |
Umadevi et al. | Enhanced Segmentation Method for bone structure and diaphysis extraction from x-ray images | |
CN108898601A (zh) | 基于随机森林的股骨头图像分割装置及分割方法 | |
Souadih et al. | Fully Automatic Segmentation of Sphenoid Sinus in CT Images with 3D Convolutional Neural Networks | |
CN111127636B (zh) | 一种智能的复杂关节内骨折桌面级三维诊断系统 | |
Tan et al. | A segmentation method of lung parenchyma from chest CT images based on dual U-Net | |
Pérez-Carrasco et al. | Segmentation of bone structures by removal of skin and using a convex relaxation technique | |
Fouquier et al. | Subcutaneous adipose tissue segmentation in whole-body mri of children |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |