CN107169975B - 超声图像的分析方法及装置 - Google Patents

超声图像的分析方法及装置 Download PDF

Info

Publication number
CN107169975B
CN107169975B CN201710186624.0A CN201710186624A CN107169975B CN 107169975 B CN107169975 B CN 107169975B CN 201710186624 A CN201710186624 A CN 201710186624A CN 107169975 B CN107169975 B CN 107169975B
Authority
CN
China
Prior art keywords
image
target region
region
initial contour
ultrasound 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.)
Active
Application number
CN201710186624.0A
Other languages
English (en)
Other versions
CN107169975A (zh
Inventor
刘磊
秦文健
温铁祥
辜嘉
李凌
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201710186624.0A priority Critical patent/CN107169975B/zh
Priority to PCT/CN2017/078782 priority patent/WO2018176319A1/zh
Publication of CN107169975A publication Critical patent/CN107169975A/zh
Application granted granted Critical
Publication of CN107169975B publication Critical patent/CN107169975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T2207/10132—Ultrasound image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供了一种超声图像的分析方法及装置，用于从所述超声图像中分割出目标区域。其中，分析方法包括：对所述超声图像进行预处理；从预处理后的所述超声图像中提取出所述目标区域的初始轮廓；以及对所述目标区域的初始轮廓进行演化，从而获取所述目标区域的准确边界。本发明实施例，能够在保证分割结果准确性的同时，提高分割的自动化水平和速度。

Description

超声图像的分析方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种超声图像的分析方法及装置。
背景技术
在临床上，借助于CAD(Computer-aided Diagnosis,计算机辅助诊断)系统来辅助病症的诊断，可以避免主观因素的影响以及提高诊断结果的准确性和客观性，因此计算机辅助诊断系统被越来越多地应用于临床诊断中。在计算机辅助诊断系统中，一般通过分析医学超声图像来提供诊断结果；例如，对于乳腺肿瘤超声图像，利用CAD系统来对该超声图像进行分析以提供是否患乳腺肿瘤、肿瘤位置或大小等诊断结果。而对于计算机辅助诊断系统而言，如何从超声图像中分割出病灶区域(如肿瘤区)是其中的关键一环。
然而，目前对于超声图像的分割算法一般是半自动的，即需要临床医生手工选取感兴趣区域或感兴趣区域的代表点，然后通过计算机进行区域分割。半自动的分割方法降低了CAD系统的自动化性能，无法满足临床上日渐产生的海量医学图像处理的需要。而目前的全自动分割算法，大多是引入了一些形状、纹理和空间相对位置等先验约束信息来实现全自动分割。但是，由于病灶的大小、形状千差万别以及边界不清晰等问题，而且即使同一患者由不同的超声设备进行扫描所得的结果也可能不相同，因此难以准确提取乳腺肿瘤的先验约束信息，从而影响分析结果的准确性。
因此，在现有的CAD系统中，其针对医学超声图像所采取的分割方式存在效率与准确性难以同时兼顾的问题。
发明内容
本发明实施例提供了一种超声图像的分析方法及装置，能够在保证分割结果准确性的同时，提高分割的自动化水平和速度。
本发明实施例提供了一种超声图像的分析方法，用于从所述超声图像中分割出目标区域，所述分析方法包括：对所述超声图像进行预处理；从预处理后的所述超声图像中提取出所述目标区域的初始轮廓；对所述目标区域的初始轮廓进行演化，从而获取所述目标区域的准确边界。
其中，对所述超声图像进行预处理的步骤包括：选取所述超声图像的有效区域；以及对选取的所述有效区域进行去噪处理。
其中，所述从预处理后的所述超声图像中提取出所述目标区域的初始轮廓的步骤包括：对所述预处理后的所述超声图像进行预分割，得到预分割后的图像；对所述预分割后的图像依次进行一系列处理，其中该一系列处理包括如下至少一项：形态学处理、空洞填充、以及去除与边界相连的区域；提取经过所述一系列处理后的图像中的封闭区域；根据所述提取到的封闭区域的大小，确定所述目标区域的初始轮廓。
其中，对所述预处理后的所述超声图像进行预分割的步骤包括：采用最大类间方差法，来处理所述预处理后的所述超声图像，从而得到第一阈值；根据所述第一阈值，从所述预处理后的所述超声图像中划分出前景图像；采用所述最大类间方差法，来处理所述前景图像，以得到第二阈值；利用所述第二阈值来对所述预处理后的所述超声图像进行预分割，以得到所述预分割后的图像。
其中，对所述预处理后的所述超声图像进行预分割的步骤包括：采用最大类间方差法，来处理所述预处理后的所述超声图像，从而得到第一阈值；根据所述第一阈值，来对所述预处理后的所述超声图像进行预分割，以得到所述预分割后的图像；所述对所述预分割后的图像依次进行一系列处理的步骤包括：对所述预分割后的图像多次执行所述形状学处理。
其中，根据所述提取到的封闭区域的大小，确定所述目标区域的初始轮廓的步骤包括：对于所述提取到的封闭区域，保留面积最大的n个封闭区域，其中n为大于0的整数；根据该n个封闭区域的大小关系，确定所述目标区域的初始轮廓。
其中，所述根据该n个封闭区域的大小关系，确定所述目标区域的初始轮廓的步骤包括：当n＝2时，若该2个封闭区域中，较大封闭区域的面积与较小封闭区域的面积之差小于预设阈值，则将该2个封闭区域同时确定为所述目标区域的初始轮廓；若所述较大封闭区域的面积与所述较小封闭区域的面积之差大于预设阈值，则将所述较大封闭区域确定为所述目标区域的初始轮廓。
其中，对所述目标区域的初始轮廓进行演化的步骤包括：采用基于区域的活动轮廓模型，来对所述目标区域的初始轮廓进行演化。
其中，在所述基于区域的活动轮廓模型中，通过边缘指示函数检测远离演化曲线的目标边缘，以引导所述演化曲线停止在目标轮廓的边界处，从而提高收敛速度；
其中边缘指示函数为：
或者，
其中，α∈(0,1)，为图像边界强度场对演化速度的控制系数，β为比例常数，R为指数加权平均比率算子得到的边缘强度。
本发明实施例提供了一种超声图像的分析装置，用于从所述超声图像中分割出目标区域，所述分析装置包括：预处理模块，用于对所述超声图像进行预处理；初始轮廓提取模块，用于从预处理后的所述超声图像中提取出所述目标区域的初始轮廓；以及演化模块，用于对所述目标区域的初始轮廓进行演化，从而获取所述目标区域的准确边界。
本发明实施例的有益效果是：
本发明实施例，能够在保证分割结果准确性的同时，提高分割的自动化水平和速度。
附图说明
图1是是本发明的超声图像的分析方法的实施例的流程示意图；
图2a是图1中的步骤101的实施例的流程示意图；
图2b是原始超声图像和有效区域的实施例的示意图；
图3是图1中的步骤102的实施例的流程示意图；
图4a和图4b分别为传统CV模型和改进的CV模型的演化结果示意图；
图5是本发明的超声图像的分析装置的实施例的结构示意图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，是本发明的超声图像的分析方法的实施例的流程示意图。其中该超声图像的分析方法可以集成于CAD系统中，以用来从超声图像中分割出目标区域，从而便于CAD系统提供辅助诊断数据。其中，该超声图像例如可以是乳腺肿瘤超声图像，但是本发明不限制于此。如图1所示，该超声图像的分析方法包括如下步骤：
步骤101：对超声图像进行预处理。其中，超声图像例如可以由超声设备产生，然后输入至CAD系统进行处理。
步骤102：从预处理后的超声图像中提取出目标区域的初始轮廓。其中，目标区域例如可以是乳腺肿瘤超声图像中的肿瘤区域。
步骤103：对目标区域的初始轮廓进行演化，从而获取目标区域的准确边界。
本实施例，通过对超声图像进行预处理、目标区域的初始轮郭的提取，以及初始轮郭的演化，从而能够在保证分割结果准确性的同时，提高分割的自动化水平和速度。
下面将依次对图1的各个步骤进行说明。
如图2a所示，是图1中的步骤101的实施例的流程示意图。其包括如下步骤：
步骤201：选取所述超声图像的有效区域。
其中，在步骤201中，可以采用手动剪切法来选取有效区域，所谓手动剪切法即手动利用鼠标划取一个方框对原始图像进行剪裁，从而去掉周边的无关区域而保留图像的中心大区域。另外，也可以采取程序设置法来选取有效区域；因为同一型号的超声设备采集到的图像大小及边框大小是固定的，因此可以通过程序设置只保留图像中特定大小区域的像素，从而忽略掉周边的无关信息。
举例而言，如图2b所示，是原始的超声图像和经过步骤201处理后，得到的有效区域的图像；其中图2b中的左图为原始的超声图像，而右图为有效区域的图像。
步骤202：对选取的有效区域进行去噪处理。
其中，在步骤202中，可以采用SRAD(Speckle Reducing Anisotropic Diffusion,各向异性扩散)模型对图像进行滤波，以去除斑点噪声。其中，采用SRAD模型既能有效滤除超声图像斑点噪声、简化图像结构、提高图像质量，又能保持图像边缘处细节信息。
如图3所示，是图1中的步骤102的实施例的流程示意图，其包括如下步骤：
步骤301：对预处理后的超声图像进行预分割，得到预分割后的图像。
其中，在步骤301中，采用两次最大类间方差法来对预处理后的超声图像进行预分割。需要说明的是，最大类间方差法的详细内容对于本领域技术人员而言是熟悉的，因此不赘述。
具体而言，在步骤301中，首先采用最大类间方差法，来处理预处理后的超声图像，以得到第一阈值(即全局阈值)。接着，根据该第一阈值，将预处理后的超声图像划分为背景图像和前景图像，其中前景图像会包含目标区域。然后，继续采用最大类间方差法来处理前景图像，以得到第二阈值(最优阈值)。最后，利用该第二阈值来对预处理后的超声图像进行预分割，以得到预分割后的图像。需要说明的是，该预分割后的图像可以为一个二值化图像。
可选地，在步骤301中，可以仅执行一次最大类间方差法，即首先采用最大类间方差法，来处理预处理后的超声图像，以得到全局阈值。接着，利用该全局阈值来对预处理后的超声图像进行预分割，以得到预分割后的图像。
需要说明的是，在步骤301中，当采用两次最大类间方差法时，可以减小误分割。而当采用一次最大类间方差法时，为了提高精度，可以在后续的一系列处理中，增加形态学处理的次数。
步骤302：对预分割后的图像依次进行一系列处理，其中该一系列处理包括如下至少一项：形态学处理、空洞填充、以及去除与边界相连的区域。
其中，形态学处理可以是指：在经过预分割后得到的二值化图像中，往往含有一些因斑点噪声引起的噪声碎片。因此为了滤除图像中的小毛刺和孤立点、切断细长连接、平滑病灶(如肿瘤)边缘，对二值化图像(即预分割后的图像)进行形态学处理。同时，为了取得更好的效果，可以在腐蚀时采用较大的结构元素，膨胀时采用较小的结构元素。
其中，由于残余噪声、病灶内部灰度不均等影响，二值化后的病灶内部会产生“空洞”，故需对封闭区域内的小孔洞进行填充操作。
其中，二值化图像中与边界相连的区域往往是由伪影引起的误分割，不是真实的病灶区域，因此为了消除其影响，去除二值化图像中与边界相连的区域。
步骤303：提取经过一系列处理后的图像中的封闭区域。
其中，经过前述步骤的处理，图像中会出现一些封闭的连通区域(一般为黑色)，这些即是肿瘤候选区域。在步骤中，将所有的封闭区域提取出来，并且可以按照各封闭区域的面积大小对其进行排序。
步骤304：根据提取到的封闭区域的大小，确定目标区域的初始轮廓。
其中，在步骤304中，对于提取到的封闭区域，保留面积最大的n个封闭区域，其中n为大于0的整数；根据该n个封闭区域的大小关系，确定目标区域的初始轮廓。需要说明的是，若仅有一个封闭区域，则直接将该封闭区域作为目标区域的初始轮廓。下面以n＝2为例对该过程进行说明：
首先，对于提取到的封闭区域，提取面积最大的2个封闭区域，若较大封闭区域的面积与较小封闭区域的面积之差小于预设阈值，则将该2个封闭区域同时确定为目标区域的初始轮廓；若较大封闭区域的面积与较小封闭区域的面积之差大于预设阈值，则仅将较大封闭区域确定为目标区域的初始轮廓。其中，预设阈值可以为较大封闭区域的面积的一半或者其他数值。
本实施例，通过以上处理，可以自动提取到目标区域的初始轮廓，而无需手动设置初始轮廓，因此能够提高CAD系统的自动化水平。
在图1中的步骤103中，主要采用基于区域的活动轮廓模型，来对目标区域的初始轮廓进行演化，从而获取目标区域的准确边界。其中，基于区域的活动轮廓模型也称为CV模型，是由Chan和Vese于2001年提出的一种基于图像全局区域信息的能量模型，其核心思想是利用分段常数去逼近图像的各个部分，通过变分法引入水平集建立方程，采用差分方法进行数值计算，最终将边界轮廓的演化问题转化为能量最小化问题。
而在本发明实施例中，并非直接采用CV模型，而是对CV模型进行了改进，以提高收敛速度。具体而言，在本发明实施例中，针对传统的CV模型，本发明实施例通过增加边缘指示函数(具体而言，是采用边缘指示函数来替换传统CV模中的Dirac函数)来检测远离演化曲线的目标边缘，以引导演化曲线停止在目标轮廓的边界处，从而提高收敛速度。
其中边缘指示函数可以表示为：
或者，
其中，α∈(0,1)，为图像边界强度场对演化速度的控制系数，β为比例常数，R为指数加权平均比率(The ratio of exponentially weighted averages，ROEWA)算子得到的边缘强度。此处，采用ROEWA算子而非一般图像分割算法采用的梯度值是考虑到超声图像中的斑点噪声为乘性噪声，而ROEWA算子能更好地适应噪声为乘性模型的图像。其中，所构建的边缘指示函数是一个单调递减函数，当R→∞时，g(R)→0，g的取值越趋向于0，表明该处越接近于病灶的真实边界轮廓。因此，边缘指示函数本身也可以加快CV模型的收敛速度。
另外，补充一点，经过以上改进，CV模型的能量函数为：
其中，u0≥0，ν≥0，λ1，λ2>0，且为给定的参数。
在图1的步骤103中，通过对传统的CV模型进行改进，可以提高CV模型的收敛速度，从而加快处理速度。例如，如下表所示，为在不同的迭代次数下，改进后的CV模型和传统CV模型的分割时间对比表。由该表可知，改进后的CV模型的分割时间显著地快于传统CV模型。
再例如，对于同一幅超声肿瘤图像。在迭代次数均为500次的情况下，利用传统CV模型进行演化的结果如图4(a)所示，而利用改进后的CV模型进行演化后的结果如图4(b)所示。由图可见，利用改进后的CV模型进行演化后的结果与肿瘤的真实边界更接近。
以上对本发明的实施例的图像分析方法进行了详细说明，下面说明相应地该方法的装置。需要说明的是，由于相关细节已在前面详述，因此下面仅说明装置的主要架构，而忽略其细节描述。
如图5所示，是超声图像的分析装置的实施例的结构示意图。该分析装置500可以用于从超声图像中分割出目标区域。其中，该分析装置500包括：预处理模块501，用于对所述超声图像进行预处理；初始轮廓提取模块502，用于从预处理后的所述超声图像中提取出所述目标区域的初始轮廓；以及演化模块503，用于对所述目标区域的初始轮廓进行演化，从而获取所述目标区域的准确边界。
本发明实施例的超声图像的分析装置，能够在保证分割结果准确性的同时，提高分割的自动化水平和速度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种超声图像的分析方法，用于从所述超声图像中分割出目标区域，其特征在于，所述分析方法包括：
对所述超声图像进行预处理；
从预处理后的所述超声图像中提取出所述目标区域的初始轮廓；以及
对所述目标区域的初始轮廓进行演化，从而获取所述目标区域的准确边界；
所述从预处理后的所述超声图像中提取出所述目标区域的初始轮廓的步骤包括：
对所述预处理后的所述超声图像进行预分割，得到预分割后的图像；
对所述预分割后的图像依次进行一系列处理，其中该一系列处理包括如下至少一项：形态学处理、空洞填充、以及去除与边界相连的区域；
提取经过所述一系列处理后的图像中的封闭区域；以及
根据所述提取到的封闭区域的大小，确定所述目标区域的初始轮廓；
对所述预处理后的所述超声图像进行预分割的步骤包括：
采用最大类间方差法，来处理所述预处理后的所述超声图像，从而得到第一阈值；
根据所述第一阈值，从所述预处理后的所述超声图像中划分出前景图像；
采用所述最大类间方差法，来处理所述前景图像，以得到第二阈值；以及
利用所述第二阈值来对所述预处理后的所述超声图像进行预分割，以得到所述预分割后的图像。
2.如权利要求1所述的超声图像的分析方法，其特征在于，对所述超声图像进行预处理的步骤包括：选取所述超声图像的有效区域；以及对选取的所述有效区域进行去噪处理。
3.如权利要求1所述的超声图像的分析方法，其特征在于，对所述预处理后的所述超声图像进行预分割的步骤包括：
采用最大类间方差法，来处理所述预处理后的所述超声图像，从而得到第一阈值；以及
根据所述第一阈值，来对所述预处理后的所述超声图像进行预分割，以得到所述预分割后的图像；
所述对所述预分割后的图像依次进行一系列处理的步骤包括：对所述预分割后的图像多次执行所述形态学处理。
4.如权利要求1所述的超声图像的分析方法，其特征在于，根据所述提取到的封闭区域的大小，确定所述目标区域的初始轮廓的步骤包括：
对于所述提取到的封闭区域，保留面积最大的n个封闭区域，其中n为大于0的整数；以及
根据该n个封闭区域的大小关系，确定所述目标区域的初始轮廓。
5.如权利要求4所述的超声图像的分析方法，其特征在于，所述根据该n个封闭区域的大小关系，确定所述目标区域的初始轮廓的步骤包括：
当n＝2时，若2个封闭区域中，较大封闭区域的面积与较小封闭区域的面积之差小于预设阈值，则将该2个封闭区域同时确定为所述目标区域的初始轮廓；若所述较大封闭区域的面积与所述较小封闭区域的面积之差大于预设阈值，则将所述较大封闭区域确定为所述目标区域的初始轮廓。
6.如权利要求1所述的超声图像的分析方法，其特征在于，对所述目标区域的初始轮廓进行演化的步骤包括：
采用基于区域的活动轮廓模型，来对所述目标区域的初始轮廓进行演化。
7.如权利要求6所述的超声图像的分析方法，其特征在于，在所述基于区域的活动轮廓模型中，通过边缘指示函数检测远离演化曲线的目标边缘，以引导所述演化曲线停止在目标轮廓的边界处，从而提高收敛速度；
其中边缘指示函数为：
或者，
其中，α∈(0,1)，为图像边界强度场对演化速度的控制系数，β为比例常数，R为指数加权平均比率算子得到的边缘强度。
8.一种超声图像的分析装置，用于从所述超声图像中分割出目标区域，其特征在于，所述分析装置用于实施如权利要求1-7任意一项所述的超声图像的分析方法，其包括：
预处理模块，用于对所述超声图像进行预处理；
初始轮廓提取模块，用于从预处理后的所述超声图像中提取出所述目标区域的初始轮廓；以及
演化模块，用于对所述目标区域的初始轮廓进行演化，从而获取所述目标区域的准确边界。
CN201710186624.0A 2017-03-27 2017-03-27 超声图像的分析方法及装置 Active CN107169975B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710186624.0A CN107169975B (zh) 2017-03-27 2017-03-27 超声图像的分析方法及装置
PCT/CN2017/078782 WO2018176319A1 (zh) 2017-03-27 2017-03-30 超声图像的分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710186624.0A CN107169975B (zh) 2017-03-27 2017-03-27 超声图像的分析方法及装置

Publications (2)

Publication Number Publication Date
CN107169975A CN107169975A (zh) 2017-09-15
CN107169975B true CN107169975B (zh) 2019-07-30

Family

ID=59848781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710186624.0A Active CN107169975B (zh) 2017-03-27 2017-03-27 超声图像的分析方法及装置

Country Status (2)

Country Link
CN (1) CN107169975B (zh)
WO (1) WO2018176319A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108013904B (zh) * 2017-12-15 2020-12-25 无锡祥生医疗科技股份有限公司 心脏超声成像方法
CN111093525A (zh) * 2018-08-07 2020-05-01 温州医科大学 光学相干断层图像处理方法
CN109602304A (zh) * 2018-11-30 2019-04-12 余姚市腾翔电子科技有限公司 人体参数解析系统
CN112233122A (zh) * 2019-06-28 2021-01-15 深圳市理邦精密仪器股份有限公司 超声图像中对象提取、测量方法及装置
CN112419222A (zh) * 2019-08-22 2021-02-26 深圳市理邦精密仪器股份有限公司 超声胎儿颈部透明层图像分割、检测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101599174A (zh) * 2009-08-13 2009-12-09 哈尔滨工业大学 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法
CN104637047A (zh) * 2013-11-13 2015-05-20 北京慧眼智行科技有限公司 一种图像处理方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100870412B1 (ko) * 2005-12-01 2008-11-26 주식회사 메디슨 Ｓｖｍ 기반 질감분류를 이용하여 추출된 태아의 표면영상을 기초로 태아의 3차원 초음파 영상을 형성하는초음파 시스템 및 방법
CN101702236B (zh) * 2009-10-30 2011-09-21 无锡景象数字技术有限公司 一种多目标前景分割方法
CN106340022A (zh) * 2015-07-08 2017-01-18 中国科学院沈阳自动化研究所 一种基于区域相关性的图像分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101599174A (zh) * 2009-08-13 2009-12-09 哈尔滨工业大学 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法
CN104637047A (zh) * 2013-11-13 2015-05-20 北京慧眼智行科技有限公司 一种图像处理方法及装置

Also Published As

Publication number Publication date
CN107169975A (zh) 2017-09-15
WO2018176319A1 (zh) 2018-10-04

Similar Documents

Publication Publication Date Title
CN107169975B (zh) 超声图像的分析方法及装置
CN108010021B (zh) 一种医学图像处理系统和方法
US7756316B2 (en) Method and system for automatic lung segmentation
CN109636808B (zh) 一种基于全卷积神经网络的肺叶分割方法
Nagi et al. Automated breast profile segmentation for ROI detection using digital mammograms
CN107067402B (zh) 医疗图像处理装置及其乳房图像处理方法
Sahakyan et al. Segmentation of the breast region in digital mammograms and detection of masses
CN112184657A (zh) 一种肺结节自动检测方法、装置及计算机系统
CN110678903B (zh) 用于3d图像中异位骨化的分析的系统和方法
US7394933B2 (en) Region competition via local watershed operators
CN110929728A (zh) 一种图像感兴趣区域划分方法、图像分割方法及装置
CN111105427B (zh) 一种基于连通区域分析的肺部图像分割方法及系统
EP2446418A1 (en) A method and system for segmenting a brain image
US7809174B2 (en) Method and system for segmentation of computed tomography image data
Khordehchi et al. Automatic lung nodule detection based on statistical region merging and support vector machines
CN112907581A (zh) 一种基于深度学习的mri多类脊髓肿瘤分割方法
CN110060246B (zh) 一种图像处理方法、设备及存储介质
US9672600B2 (en) Clavicle suppression in radiographic images
KR101474162B1 (ko) 흉부 컴퓨터 단층 영상의 간유리음영 결절 자동 분할 시스템 및 그 분할 방법
CN116228767A (zh) 基于计算机视觉的x光肺部肿块图像处理方法
CN111161256A (zh) 图像分割方法、图像分割装置、存储介质及电子设备
Lin et al. An effective teeth segmentation method for dental periapical radiographs based on local singularity
CN112634280B (zh) 基于能量泛函的mri图像脑肿瘤分割方法
Undeman et al. Fully automatic segmentation of MRI brain images using probabilistic anisotropic diffusion and multi-scale watersheds
Chen et al. Automatic lung segmentation in HRCT images

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