CN106971389A - 一种基于统计形状模型的肾皮质定位方法 - Google Patents
一种基于统计形状模型的肾皮质定位方法 Download PDFInfo
- Publication number
- CN106971389A CN106971389A CN201710057571.2A CN201710057571A CN106971389A CN 106971389 A CN106971389 A CN 106971389A CN 201710057571 A CN201710057571 A CN 201710057571A CN 106971389 A CN106971389 A CN 106971389A
- Authority
- CN
- China
- Prior art keywords
- cortex renis
- kidney
- data
- cortex
- renis
- 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
- 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
- G06T2207/20—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
- G06T2207/30084—Kidney; Renal
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于统计形状模型的肾皮质定位方法,包括训练阶段和肾皮质定位阶段,其特征在于,所述训练阶段通过对训练数据集中的每一个三维CT图像的肾脏进行人工标记L1、L2,将L1、L2标记区域的二值数据对应转化成表面数据M1、M2,并计算出肾皮质内表面数据,建立肾皮质统计形状模型。本发明在训练阶段,建立了肾皮质统计形状模型,以统计肾皮质的变化方式。利用迭代模型形变算法,以提高肾皮质定位的准确性和快速性。
Description
技术领域
本发明属于医疗影像算法领域,具体涉及一种基于统计形状模型的肾皮质 定位方法。
背景技术
肾皮质是肾脏的重要组成部分,大概有1.9%的成年人被诊断患有脏的 疾病,其中相当一部分的人死于肾炎,肾病综合症、肾变病等这些和肾皮质 相关的病,因此关于肾皮质的诊断研究在肾病的研究中具有非常重要的意义。
现有的医疗影像技术可以对肾皮质的识别定位做得不好,主要原因在于: 肾脏不同于肝脏等其他器官,肾脏的解剖结构比较复杂。肾脏有四个解剖结 构,其中肾皮质和肾柱是相连的,并且肾皮质和肾柱对光有着类似的反射强 度,因此在医疗造影时比较难于分辨。加之肾脏和相邻的器官,比如说肝脏、 脾脏在影像中经常会重叠在一起,因此在医疗造影时比较难以精确建模。现 有的基于学习算法的定位方法不能精确对肾皮质进行定位,并且模型训练效率不 高。因此我们需要开发出一种准确,快速的肾皮质定位方法。
发明内容
本发明目的是:提供一种准确,快速的基于统计形状模型的肾皮质定位方法。
本发明的技术方案是:一种基于统计形状模型的肾皮质定位方法,包括训练阶 段和肾皮质定位阶段,其特征在于,所述训练阶段通过对训练数据集中的每一个三维CT 图像的肾脏进行人工标记L1、L2,将L1、L2标记区域的二值数据对应转化成表面数据 M1、M2,并计算出肾皮质内表面数据,建立肾皮质统计形状模型。
进一步的,所述肾皮质定位阶段通过对测试CT图像使用阈值分割算法对初始分割肾 脏,确定肾脏的初始质心坐标,并将肾皮质平均形状平移到该点,计算得到肾皮质的位置 数据。
进一步的,所述肾皮质定位阶段还包括利用迭代模型形变算法对肾皮质形状进行处理。
进一步的,所述训练阶段方法具体为:
(1)在训练阶段,对训练数据集中的每一个三维CT图像的肾脏进行人工标记,同一类为L1,将整个肾脏标记为另外一类L2;
(2)使用marching cube算法将L1、L2标记区域的二值数据对应转化成表面数据M1、M2;使用quadric error metric算法将表面数据M1、M2中的顶点简化为同样数目No, 对训练数据集中所有的简化表面数据M1、M2使用minimum descriptionlength算法找到 表面数据上顶点的一一对应关系,即表面数据顶点对应;然后,在训练数据集中任选一个 图像的M1、M2作为参考表面数据,使用相似性变换(similarity transformation)算法将 其他图像的表面数据M1、M2分别与参考表面数据的M1、M2对齐;设 表示第k图像表面数据M1上第no(no=1,2,…,No)顶点的坐标, 表示顶点坐标,对应后的表面数据M1所有顶点坐标可以表示为向量 表示第k图像表面数据M2上第no (no=1,2,…,No)顶点的坐标,表示顶点坐标,对应后的表面数据M2所有顶 点坐标可以表示为向量假设任选一个图像的M1、M2作为参考表 面数据是训练集中第j图像的表面数据,相似性变换可记为Tk→j,那么,第k图像表面数 据M1的顶点进行相似性变换后顶点坐标可以表示为向量同理,M2的顶 点进行相似性变换后顶点坐标可以表示为向量对表面数据M1变换后的 表面数据,求其平均形状:
对表面数据M2变换后的表面数据,求其平均形状:
N表示训练数据集中图像的总数;
(3)将第k图像相似性变换后顶点坐标向量和向量联合成也将 平均形状按同样方式联合成平均肾皮质使用奇异值分解(SVD)求得N个特征值λk (k=1,2,…,N)和N个特征向量[pok pik],pok表示第k个特征向量也即肾皮质外表面的变 化模式,pik表示第k个特征向量也即肾皮质内表面的变化模式;那么,一一对应后的第k图 像肾皮质外表面数据可以表示为
一一对应后的第k图像肾皮质内表面数据可以表示为
其中,表示对应的相似性逆变换。
进一步的,所述肾皮质定位阶段方法具体为:
(1)在肾皮质定位阶段,首先对测试CT图像使用阈值分割算法对初始分割肾脏Ib,并计算其有符号欧氏距离场Γt,然后使用肾皮质外表面平均形状和广义哈夫变换(GeneralizedHough Transform)方法计算广义哈夫变换值,找到最大值的坐标,确定为肾脏的初始质心坐标,并将肾皮质平均形状平移到该点;
(2)遍历平移后的肾皮质平均形状的外表面每一个顶点 如果在初始分割肾脏Ib内部,则沿着该点的法向平移直到 初始分割肾脏Ib外部停止;如果在初始分割肾脏Ib外部,则沿着该点的法向反向平移直到初始分割肾脏Ib停止。遍历后,可到形变后的外表面并计算其有符号的欧氏距离场 Γτ。
(3)计算相似性变换(记为T),将平移后的肾皮质平均形状外表面对齐到形变后 的外表面 对齐后的外表面逆变换表面记为可表示为
(4)根据平移后的肾皮质平均形状外表面和对齐后的外表面记为计算偏移量
(5)根据肾皮质外表面的变化模式pok和偏移量使用最小二乘法计算权重系数bk,
并限制bk在区间内。重新计算对齐后的外表面
然后,计算对齐后的内表面
(6)将平移后的肾皮质平均形状表示为将公式(8)和公式(9)计 算得到的肾皮质表示为Ψλ,然后进行迭代模型形变算法得到肾皮质定位结果 Ψλ。
进一步的,所述迭代模型形变算法具体为:
步骤S1:遍历肾皮质Ψλ的外表面每一个顶点如果在初始 分割肾脏Ib内部,则沿着该点的法向平移直到初始分割肾脏Ib外部停止;如果在 初始分割肾脏Ib外部,则沿着该点的法向反向平移直到初始分割肾脏Ib停止。遍历后, 可到形变后的外表面并计算其有符号的欧氏距离场Γτ;
步骤S2:平移后的肾皮质平均形状的外表面对齐到形变后的外表面计算相似 性变换T,对齐后的外表面逆变换表面记为如公式(5)。根据公式(6)-(9)计算更新的肾皮质Ψλ;
步骤S3:遍历计算肾皮质Ψλ外表面每一个顶点到形变后的外表面对应顶点的欧氏 距离,并求和,记为遍历计算肾皮质Ψλ内表面每一个顶点在测试CT图像的 梯度幅值倒数,并求和,记为计算表面距离函数:
其中,ω1,ω2表示权重系数,ns表示归一化系数。遍历计算测试CT图像的每一个体素q在 有符号的欧氏距离场Γτ的距离值Γτ(q)和有符号欧氏距离场Γt的距离值Γt(q)。计算区域距 离函数:
其中,nr表示归一化系数。然后计算总体距离
D=Dregion+κDsurface (12)
计算相邻两次迭代的总体距离之差ΔD。如果ΔD小于给定值ΔDt,那么,退出迭代,Ψλ为肾皮质定位结果;否则,返回步骤S1。
本发明的优点是:
(1)在训练阶段,建立了肾皮质统计形状模型,以统计肾皮质的变化 方式;运算时间短,效率高,定位精确。
(2)利用迭代模型形变算法,以提高肾皮质定位的准确性和快速性。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为腹部CT的一个切片图像;
图2为腹部CT的一个切片图像和手动标记效果,图中的红色内圈包含 的区域是肾脏中的肾柱、肾髓质等结构手动标记的同一类L1,图中的红色 外圈包含的区域将整个肾脏手动标记的另外一类L2;
图3为本方法的定位结果。
具体实施方式
实施例:本发明的肾皮质定位方法是基于肾皮质的统计形状模型进行定位,意在充分合 理运用图像中肾皮质统计形状信息进行定位。下面以CT图像为例。定位方法分训练阶段和 测试阶段,具体如下:
在训练阶段,对训练数据集中的每一个三维CT图像的肾脏进行人工标记。如图1为腹 部CT的一个切片图像。将肾脏中的肾柱、肾髓质等结构标记为同一类L1,如图2中的(灰度)内圈包含的区域,将整个肾脏标记为另外一类L2,如图2中的(灰度)外圈包含的区域。
2、使用marching cube算法将L1、L2标记区域的二值数据对应转化成表面数据M1、M2。使用quadric error metric算法将表面数据M1、M2中的顶点简化为同样数目No.对训练数据集中所有的简化表面数据M1、M2使用minimum descriptionlength算法找到表面数据上顶点的一一对应关系,即表面数据顶点对应。然后,在训练数据集中任选一个图像的M1、M2作为参考表面数据,使用相似性变换(similarity transformation)算法将其他图像的表面数据M1、M2分别与参考表面数据的M1、M2对齐。设表示第 k图像表面数据M1上第no(no=1,2,…,No)顶点的坐标,表示顶点坐标,对 应后的表面数据M1所有顶点坐标可以表示为向量 表示第k图像表面数据M2上第no(no=1,2,…,No)顶点的坐标, 表示顶点坐标,对应后的表面数据M2所有顶点坐标可以表示为向量 假设任选一个图像的M1、M2作为参考表面数据是训练集中第j图 像的表面数据,相似性变换可记为Tk→j,那么,第k图像表面数据M1的顶点进行相似性变 换后顶点坐标可以表示为向量同理,M2的顶点进行相似性变换后顶点坐标 可以表示为向量对表面数据M1变换后的表面数据,求其平均形状:
对表面数据M2变换后的表面数据,求其平均形状:
N表示训练数据集中图像的总数。
3、将第k图像相似性变换后顶点坐标向量和向量联合成也将平 均形状按同样方式联合成平均肾皮质使用奇异值分解(SVD)求得N个特征值λk (k=1,2,…,N)和N个特征向量[pok pik],pok表示第k个特征向量也即肾皮质外表面的变化模式,pik表示第k个特征向量也即肾皮质内表面的变化模式。那么,一一对应后的第k图像肾皮质外表面数据可以表示为
一一对应后的第k图像肾皮质内表面数据可以表示为
其中,表示对应的相似性逆变换。
4、在肾皮质定位阶段,首先对测试CT图像使用阈值分割算法对初始分割肾脏Ib,并计 算其有符号欧氏距离场Γt,然后使用肾皮质外表面平均形状和广义哈夫变换(GeneralizedHough Transform)方法计算广义哈夫变换值,找到最大值的坐标,确定为肾脏的初始质心坐标,并将肾皮质平均形状平移到该点。
5、遍历平移后的肾皮质平均形状的外表面每一个顶点如 果在初始分割肾脏Ib内部,则沿着该点的法向平移直到初始分割肾脏Ib外部停止; 如果在初始分割肾脏Ib外部,则沿着该点的法向反向平移直到初始分割肾脏Ib停 止。遍历后,可到形变后的外表面并计算其有符号的欧氏距离场Γτ。
6、计算相似性变换(记为T),将平移后的肾皮质平均形状外表面对齐到形变后的 外表面 对齐后的外表面逆变换表面记为可表示为
7、根据平移后的肾皮质平均形状外表面和对齐后的外表面记为计算偏移量
8、根据肾皮质外表面的变化模式pok和偏移量使用最小二乘法计算权重系数bk,
并限制bk在区间内。重新计算对齐后的外表面
然后,计算对齐后的内表面
9、将平移后的肾皮质平均形状表示为将公式(8)和公式(9)计算得 到的肾皮质表示为Ψλ,下面进行迭代模型形变算法,分为三个步骤:
步骤S1:遍历肾皮质Ψλ的外表面每一个顶点如果在初始 分割肾脏Ib内部,则沿着该点的法向平移直到初始分割肾脏Ib外部停止;如果在 初始分割肾脏Ib外部,则沿着该点的法向反向平移直到初始分割肾脏Ib停止。遍历后, 可到形变后的外表面并计算其有符号的欧氏距离场Γτ。
步骤S2:平移后的肾皮质平均形状的外表面对齐到形变后的外表面计算相似 性变换T,对齐后的外表面逆变换表面记为如公式(5)。根据公式(6)-(9)计算更新的肾皮质Ψλ。
步骤S3:遍历计算肾皮质Ψλ外表面每一个顶点到形变后的外表面对应顶点的欧氏 距离,并求和,记为遍历计算肾皮质Ψλ内表面每一个顶点在测试CT图像的 梯度幅值倒数,并求和,记为计算表面距离函数:
其中,ω1,ω2表示权重系数,ns表示归一化系数。遍历计算测试CT图像的每一个体素 q在有符号的欧氏距离场Γτ的距离值Γτ(q)和有符号欧氏距离场Γt的距离值Γt(q)。计算区 域距离函数:
其中,nr表示归一化系数。然后计算总体距离
D=Dregion+κDsurface (12)
计算相邻两次迭代的总体距离之差ΔD。如果ΔD小于给定值ΔDt,那么,退出迭代,Ψλ 为肾皮质定位结果;否则,返回步骤S1。
10、本发明采用了30个腹部CT数据分析此发明方法定位结果准确性和快速性的比较。 定位结果准确性定义为算法得到肾皮质的质心与手动标记的肾皮质质心之间距离;快速性定 义为算法运行的时间。与最新的现有方法—基于三维主动外观模型进行了比较。本发明平均 的质心距离约为11个体素距离,运行时间约为30秒。基于三维主动外观模型方法的质心距 离约为13个体素距离,运行时间约为35秒。图3列出了本发明算法的定位结果。
本发明在训练阶段,建立了肾皮质统计形状模型,以统计肾皮质的变化方式。利用迭代 模型形变算法,以提高肾皮质定位的准确性和快速性。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说, 在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发 明的保护范围。
Claims (6)
1.一种基于统计形状模型的肾皮质定位方法,包括训练阶段和肾皮质定位阶段,其特征在于,所述训练阶段通过对训练数据集中的每一个三维CT图像的肾脏进行人工标记L1、L2,将L1、L2标记区域的二值数据对应转化成表面数据M1、M2,并计算出肾皮质内表面数据,建立肾皮质统计形状模型。
2.根据权利要求1所述的基于统计形状模型的肾皮质定位方法,其特征在于,所述肾皮质定位阶段通过对测试CT图像使用阈值分割算法对初始分割肾脏,确定肾脏的初始质心坐标,并将肾皮质平均形状平移到该点,计算得到肾皮质的位置数据。
3.根据权利要求2所述的基于统计形状模型的肾皮质定位方法,其特征在于,所述肾皮质定位阶段还包括利用迭代模型形变算法对肾皮质形状进行处理。
4.根据权利要求2所述的基于统计形状模型的肾皮质定位方法,其特征在于,所述训练阶段方法具体为:
(1)在训练阶段,对训练数据集中的每一个三维CT图像的肾脏进行人工标记,同一类为L1,将整个肾脏标记为另外一类L2;
(2)使用marching cube算法将L1、L2标记区域的二值数据对应转化成表面数据M1、M2;使用quadric error metric算法将表面数据M1、M2中的顶点简化为同样数目No,对训练数据集中所有的简化表面数据M1、M2使用minimum descriptionlength算法找到表面数据上顶点的一一对应关系,即表面数据顶点对应;然后,在训练数据集中任选一个图像的M1、M2作为参考表面数据,使用相似性变换(similarity transformation)算法将其他图像的表面数据M1、M2分别与参考表面数据的M1、M2对齐;设表示第k图像表面数据M1上第no(no=1,2,…,No)顶点的坐标,表示顶点坐标,对应后的表面数据M1所有顶点坐标可以表示为向量表示第k图像表面数据M2上第no(no=1,2,…,No)顶点的坐标,表示顶点坐标,对应后的表面数据M2所有顶点坐标可以表示为向量假设任选一个图像的M1、M2作为参考表面数据是训练集中第j图像的表面数据,相似性变换可记为Tk→j,那么,第k图像表面数据M1的顶点进行相似性变换后顶点坐标可以表示为向量同理,M2的顶点进行相似性变换后顶点坐标可以表示为向量对表面数据M1变换后的表面数据,求其平均形状:
对表面数据M2变换后的表面数据,求其平均形状:
N表示训练数据集中图像的总数;
(3)将第k图像相似性变换后顶点坐标向量和向量联合成也将平均形状按同样方式联合成平均肾皮质使用奇异值分解(SVD)求得N个特征值λk(k=1,2,…,N)和N个特征向量[pok pik],pok表示第k个特征向量也即肾皮质外表面的变化模式,pik表示第k个特征向量也即肾皮质内表面的变化模式;那么,一一对应后的第k图像肾皮质外表面数据可以表示为
一一对应后的第k图像肾皮质内表面数据可以表示为
其中,表示对应的相似性逆变换。
5.根据权利要求3所述的基于统计形状模型的肾皮质定位方法,其特征在于,所
述肾皮质定位阶段方法具体为:
(1)在肾皮质定位阶段,首先对测试CT图像使用阈值分割算法对初始分割肾脏Ib,并计算其有符号欧氏距离场Γt,然后使用肾皮质外表面平均形状和广义哈夫变换(GeneralizedHough Transform)方法计算广义哈夫变换值,找到最大值的坐标,确定为肾脏的初始质心坐标,并将肾皮质平均形状平移到该点;
(2)遍历平移后的肾皮质平均形状的外表面每一个顶点如果在初始分割肾脏Ib内部,则沿着该点的法向平移直到初始分割肾脏Ib外部停止;如果在初始分割肾脏Ib外部,则沿着该点的法向反向平移直到初始分割肾脏Ib停止。遍历后,可到形变后的外表面并计算其有符号的欧氏距离场Γτ。
(3)计算相似性变换(记为T),将平移后的肾皮质平均形状外表面对齐到形变后的外表面对齐后的外表面逆变换表面记为可表示为
(4)根据平移后的肾皮质平均形状外表面和对齐后的外表面记为计算偏移量
(5)根据肾皮质外表面的变化模式pok和偏移量使用最小二乘法计算权重系数bk,
并限制bk在区间内。重新计算对齐后的外表面
然后,计算对齐后的内表面
(6)将平移后的肾皮质平均形状表示为将公式(8)和公式(9)计算得到的肾皮质表示为Ψλ,然后进行迭代模型形变算法得到肾皮质定位结果Ψλ。
6.根据权利要求5所述的基于统计形状模型的肾皮质定位方法,其特征在于,所述迭代模型形变算法具体为:
步骤S1:遍历肾皮质Ψλ的外表面每一个顶点如果在初始分割肾脏Ib内部,则沿着该点的法向平移直到初始分割肾脏Ib外部停止;如果在初始分割肾脏Ib外部,则沿着该点的法向反向平移直到初始分割肾脏Ib停止。遍历后,可到形变后的外表面并计算其有符号的欧氏距离场Γτ;
步骤S2:平移后的肾皮质平均形状的外表面对齐到形变后的外表面计算相似性变换T,对齐后的外表面逆变换表面记为如公式(5)。根据公式(6)-(9)计算更新的肾皮质Ψλ;
步骤S3:遍历计算肾皮质Ψλ外表面每一个顶点到形变后的外表面对应顶点的欧氏距离,并求和,记为遍历计算肾皮质Ψλ内表面每一个顶点在测试CT图像的梯度幅值倒数,并求和,记为计算表面距离函数:
其中,ω1,ω2表示权重系数,ns表示归一化系数。遍历计算测试CT图像的每一个体素q在有符号的欧氏距离场Γτ的距离值Γτ(q)和有符号欧氏距离场Γt的距离值Γt(q)。计算区域距离函数:
其中,nr表示归一化系数。然后计算总体距离
D=Dregion+κDsurface(12)
计算相邻两次迭代的总体距离之差ΔD。如果ΔD小于给定值ΔDt,那么,退出迭代,Ψλ为肾皮质定位结果;否则,返回步骤S1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710057571.2A CN106971389B (zh) | 2017-01-26 | 2017-01-26 | 一种基于统计形状模型的肾皮质定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710057571.2A CN106971389B (zh) | 2017-01-26 | 2017-01-26 | 一种基于统计形状模型的肾皮质定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106971389A true CN106971389A (zh) | 2017-07-21 |
CN106971389B CN106971389B (zh) | 2019-11-29 |
Family
ID=59334923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710057571.2A Active CN106971389B (zh) | 2017-01-26 | 2017-01-26 | 一种基于统计形状模型的肾皮质定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971389B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596933A (zh) * | 2018-04-20 | 2018-09-28 | 北京大学 | 一种无须标记的有监督的肾脏动态图像全自动分割方法 |
CN111127488A (zh) * | 2019-12-29 | 2020-05-08 | 兰州理工大学 | 一种基于统计形状模型自动构建患者解剖结构模型的方法 |
CN112927210A (zh) * | 2021-03-08 | 2021-06-08 | 常州市第一人民医院 | 一种能够定量分析肾表面结节的量化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332164A (zh) * | 2011-10-31 | 2012-01-25 | 中国科学院自动化研究所 | 一种肾皮质图像分割方法 |
CN103679805A (zh) * | 2013-12-19 | 2014-03-26 | 苏州大学 | 基于三维主动轮廓模型和三维哈弗变换的三维肾皮质定位方法 |
-
2017
- 2017-01-26 CN CN201710057571.2A patent/CN106971389B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332164A (zh) * | 2011-10-31 | 2012-01-25 | 中国科学院自动化研究所 | 一种肾皮质图像分割方法 |
CN103679805A (zh) * | 2013-12-19 | 2014-03-26 | 苏州大学 | 基于三维主动轮廓模型和三维哈弗变换的三维肾皮质定位方法 |
Non-Patent Citations (1)
Title |
---|
XIULI LI ETC.: ""Renal Cortex Segmentation Using Optimal Surface Search with Novel Graph Construction"", 《MICCAI 2011》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596933A (zh) * | 2018-04-20 | 2018-09-28 | 北京大学 | 一种无须标记的有监督的肾脏动态图像全自动分割方法 |
CN108596933B (zh) * | 2018-04-20 | 2022-03-25 | 北京大学 | 一种无须标记的有监督的肾脏动态图像全自动分割方法 |
CN111127488A (zh) * | 2019-12-29 | 2020-05-08 | 兰州理工大学 | 一种基于统计形状模型自动构建患者解剖结构模型的方法 |
CN112927210A (zh) * | 2021-03-08 | 2021-06-08 | 常州市第一人民医院 | 一种能够定量分析肾表面结节的量化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106971389B (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740909B (zh) | 一种基于空间变换的自然场景下文本识别方法 | |
CN106296812B (zh) | 同步定位与建图方法 | |
CN105809693B (zh) | 基于深度神经网络的sar图像配准方法 | |
CN105787439B (zh) | 一种基于卷积神经网络的深度图像人体关节定位方法 | |
Tang et al. | An augmentation strategy for medical image processing based on statistical shape model and 3D thin plate spline for deep learning | |
CN106485695B (zh) | 基于统计形状模型的医学图像Graph Cut分割方法 | |
CN103310453B (zh) | 一种基于子图像角点特征的快速图像配准方法 | |
CN106204718A (zh) | 一种基于单个Kinect的简易高效三维人体重建方法 | |
CN109345574A (zh) | 基于语义点云配准的激光雷达三维建图方法 | |
CN107204009A (zh) | 基于仿射变换模型cpd算法的三维点云配准方法 | |
CN108038420A (zh) | 一种基于深度视频的人体行为识别方法 | |
CN104732546B (zh) | 区域相似性和局部空间约束的非刚性sar图像配准方法 | |
CN109872332A (zh) | 一种基于u-net神经网络的三维医学图像配准方法 | |
CN113361542B (zh) | 一种基于深度学习的局部特征提取方法 | |
CN105389569A (zh) | 一种人体姿态估计方法 | |
CN109544606A (zh) | 基于多个Kinect的快速自动配准方法及系统 | |
CN104240212B (zh) | 基于目标特征的isar图像融合方法 | |
CN106570874A (zh) | 一种结合图像局部约束与对象全局约束的图像标记方法 | |
CN106991411B (zh) | 基于深度形状先验的遥感图像目标精细化提取方法 | |
CN113516693B (zh) | 一种快速通用的图像配准方法 | |
CN106971389A (zh) | 一种基于统计形状模型的肾皮质定位方法 | |
CN110929748A (zh) | 一种基于深度学习的运动模糊图像特征匹配方法 | |
CN105931264A (zh) | 一种海面红外小目标检测方法 | |
CN105279769A (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
CN104318551A (zh) | 基于凸包特征检索的高斯混合模型点云配准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Xiang Dehui Inventor after: Chen Xinjian Inventor before: Xiang Dehui |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |