CN107248162A - 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 - Google Patents
急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 Download PDFInfo
- Publication number
- CN107248162A CN107248162A CN201710350159.XA CN201710350159A CN107248162A CN 107248162 A CN107248162 A CN 107248162A CN 201710350159 A CN201710350159 A CN 201710350159A CN 107248162 A CN107248162 A CN 107248162A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- cerebral ischemia
- acute cerebral
- mtd
- 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
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提出了一种急性脑缺血图像分割模型的训练方法及急性脑缺血图像分割的方法，具体包含：获取磁共振图像数据并提取脑组织图像；将提取的脑组织图像进行归一化操作；对提取的脑组织图像画出缺血区域作为正样本，并将由正样本按设定的膨胀系数膨胀后的数据作为负样本；分别从磁共振图像T2、DWI、ADC和非对称图ASM的正样本和负样本中提取特征向量，并对特征向量进行归一化处理；将归一化处理后的特征向量，通过SVM分类器获得急性脑缺血分割模型。通过本发明所提供的急性脑缺血分割模型可以用于分割缺血区域，分割速度快，准确率高。
Description
技术领域
本发明涉及医学图像处理领域，尤其涉及急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法。
背景技术
脑血管疾病是世界上第二位的死亡因素。缺血性脑血管疾病大约占所有脑血管疾病的80％。2008年卫生部公布的第三次全国死因调查显示，脑血管疾病已超过恶性肿瘤成为中国第一致死病因。急性脑缺血指的是人脑某一局部血液供应不足而引起脑功能障碍，导致相应的脑功能缺损的临床症状。急性脑缺血发病急，危害非常大，大部分患者会出现影响生活质量的一些症状，例如偏瘫、失语、情绪阴阳不定和记忆力减弱等，严重的甚至会失去生命。
目前对脑缺血图像的分割研究还比较少，一般都是医生在诊断时的手动分割。由于缺血区域的形状、大小及位置变化都比较大，在不同的影像中信号强度也不同，手动分割比较困难，且容易受医生经验的影响。
常规的影像学(包括CT和MRI)对急性脑缺血的诊断敏感度较低，而弥散加权磁共振(Diffusion Weight Imaging，DWI)对急性脑缺血诊断有较好的敏感性和特异性。急性脑缺血表现为DWI高信号，表观弥散系数(Apparent Diffusion Coefficient，ADC)低信号，但DWI的高信号可能受伪影的干扰。但由于急性脑缺血发病急，位置变化大，形状难以确定，很难有一种通用的分割方法，而手动分割需要医学的经验及解剖学的知识，主观性比较强，花费时间和精力。
近些年来，研究者们提出的一些脑缺血的分割方法，但研究6h内的急性脑缺血的还比较少，因为急性脑缺血和其他一般缺血相比，MR影像图中的信号相差比较大，且边界比较模糊，很难确定准确的位置。Maier等人提出了一种多模态MR影像的自动分割脑梗死的方法，采用SVM分类算法，首先提取了局部特征，通过特征选择，训练阶段采用SVM算法进行分类得到分类模型，测试阶段将测试数据经过一系列处理之后输入分类模型得到最终的分类结果，但是该方法并不适合于急性脑缺血的分割，急性脑缺血的在磁共振图像上显示的信息和脑梗死的不同。
发明内容
本发明的第一个目的是提供一种急性脑缺血图像分割模型的获得方法，能够用较小的运算量获得更加准确的结果。为此，本发明采用以下技术方案：
急性脑缺血图像分割模型训练方法，其特征在于它包括以下步骤：
(1)获取磁共振图像数据并提取脑组织图像；
将获取的磁共振图像进行二值化，提取其中最大的连通区域即为脑组织的掩膜图像，将掩膜图像与获取的磁共振图像相乘得到脑组织图像；
(2)将提取的脑组织图像进行归一化操作；
(3)对提取的脑组织图像画出缺血区域作为正样本，并将由正样本按设定的膨胀系数膨胀后的数据作为负样本；
(4)分别从磁共振图像T2、DWI、ADC和非对称图ASM的正样本和负样本中提取特征向量，并对特征向量进行归一化处理；
(5)将归一化处理后的特征向量，通过SVM分类器获得急性脑缺血分割模型。
进一步地，所述步骤(3)中，膨胀系数为2。
进一步地，所述步骤(4)中，从正样本和负样本中提取的特征向量包括正样本和负样本中样本点的灰度值，并在邻域窗口内提取最大值、最小值、中值、均值、高斯滤波值、方差、偏度、斜度。
进一步地，邻域窗口大小为3x3。
进一步地，步骤(4)中的非对称图以下方式计算得到：
利用所述的磁共振图像DWI和ADC计算非对称图ASM，计算公式如下所示：
在轴向面z上，(x0,y0)和(x,y)关于中矢状线是对称的，Ns(x0,y0)是(x,y)在5×5窗口内的近邻；DWI_ADC是磁共振图像中DWI值大于ADC值时的差值，小于则为0；DIF是DWI_ADC减去5x5窗口邻域内的最大值；非对称图是取DIF大于0的值。
本发明另一个所要解决的技术问题是提供一种急性脑缺血图像分割的方法，以减少工作量、提高准确度。为此，本发明采用以下技术方案：
急性脑缺血图像分割方法，其特征在于它包括以下步骤：
(一)通过初始缺血候选区域图像数据获得待分割数据；
(二)根据前述任意一种急性脑缺血分割模型对磁共振图像分割缺血区域。
进一步地，所述步骤(一)通过初始缺血候选区域图像数据获得待分割数据包括以下步骤：
(7-1)获取磁共振图像数据并提取脑组织图像；
将获取的磁共振图像进行二值化，提取其中最大的连通区域即为脑组织的掩膜图像，将掩膜图像与获取的磁共振图像相乘得到脑组织图像；
(7-2)将提取的脑组织图像进行归一化操作；
(7-3)根据DWI和ADC获取感兴趣区域，作为待选分割数据；
用ADCref表示脑模块上所有的ADC值，任何像素点的ADC值大于0.75*ADCref被选出形成连通区域；连通区域内平均DWI值不小于强度值加上方差的轴向面上区域为R1；ADC值在区间(0.75*ADCref，0.85*ADCref]内，且该像素点至少有一个近邻在R1内，该像素点加入到R1区域，然后将R1区域按照设定的膨胀系数进行形态学操作，将所有的轴向层都进行上述操作得到最后的感兴趣区域；
(7-4)分别从磁共振图像T2、DWI、ADC和非对称图ASM的待选分割数据提取特征向量，并对特征向量进行归一化处理；
(7-5)将归一化处理后的数据输入到急性脑缺血分割模型中得到分割结果，结果为正即为缺血区域。
进一步地，步骤(7-3)中的膨胀系数为2，在膨胀系数为2时能基本上包含所有的缺血区域。
进一步地，特征向量包括感兴趣区域中样本点的灰度值，并在邻域窗口内提取最大值、最小值、中值、均值、高斯滤波值、方差、偏度、斜度。
由于采用本发明的技术方案，本发明具有如下优点：
1)、脑壳不属于脑组织，在计算过程中会对分割产生影响，本发明在开始阶段就去除脑壳，提高了分割结果的准确性。
2)、提取了ROI区域，使得实验过程中能减少运算时间，增加精度。
3)、采用了SVM分类算法进行训练得到分类模型，测试数据输入到分类模型中得到分类结果，通过后处理得到较为准确的分割结果。
4)、本发明获得的模型可以用于不同位置、形状、大小的缺血区域分割，结果更加准确且具有鲁棒性，能尽早确定缺血位置及大小。
附图说明
图1为本发明急性脑缺血图像分割模型训练流程图；
图2为本发明急性脑缺血图像分割方法实施例的流程图；
图3从左至右，依次为磁共振图像T2、DWI、ADC和ASM的轴向切面图；
图4从左至右依次为磁共振图像DWI，ADC，DWI+初始区域(箭头所指灰色区域)，DWI+ROI区域(箭头所示灰白区域)；
图5从左至右依次为磁共振图像的DWI、DWI+金标准(箭头所指灰色区域)和ADC+分割出缺血区域(箭头所指灰色区域)。
具体实施方式
请参考图1所示，本发明急性脑缺血图像分割模型获得过程流程图，具体包含：
S101:获取磁共振图像数据并提取脑组织，将磁共振图像进行二值化，提取其中最大的连通区域即为脑组织的掩膜图像，将掩膜图像与磁共振图像相乘得到脑组织图像；
S102：将提取的脑组织图像进行归一化；
S103:对提取的脑组织图像画出缺血区域作为正样本，并将由正样本按设定的膨胀系数膨胀后的数据作为负样本；
S104:从正样本和负样本中提取特征向量，并对特征向量进行归一化处理；
S105:将归一化处理后的特征向量，通过SVM分类器获得急性脑缺血分割模型。
在上述实施例中，本发明的急性脑缺血图像分割处理方法可以分为两个阶段：模型训练阶段和分割阶段。其中步骤S101-S105皆为模型训练阶段，在该阶段中选取一部分数据集作为训练集。在训练集数据中画出金标准，即缺血区域，以此作为正样本集，将正样本集经过一定大小的膨胀作为负样本集，从正样本集合负样本集中提取特征并归一化后输入到SVM分类器，调整参数获得最优的分割模型；分割阶段则是在选取样本时不一样，结合ADC与DWI计算初始缺血区域并进行膨胀得到感兴趣区域，将感兴趣区域的样本集提取特征，归一化后输入到模型训练阶段得到的分割模型得到分割结果。
再请参考图2，图2为本发明所提供的方法运用到实际工作中的流程图，以下将解释具体的过程。
模型训练阶段的过程为：
1.获取磁共振图像数据并提取脑组织，将T2图像进行二值化，提取其中最大的连通区域即为脑组织的掩膜图像，将掩膜图像与T2、DWI、ADC分别相乘得到各自脑组织图像；
2.将提取的脑组织图像进行归一化到[0,255]，并根据以下公式计算非对称图ASM：
在轴向面z上，(x0,y0)和(x,y)关于中矢状线(中矢状面和轴向面的交集)是对称的，Ns(x0,y0)是(x,y)在5×5窗口内的近邻。
3.在训练阶段，对提取的脑组织图像画出缺血区域作为正样本，并将由正样本按设定的膨胀系数为2膨胀后的数据作为负样本；
4.从T2、DWI、ADC和非对称图(Asymmetry map，ASM)的正样本和负样本中提取特征向量，提取的特征为样本点的灰度值，并在3x3大小的窗口内提取最大值、最小值、中值、均值、高斯滤波值、方差、偏度、斜度；并对特征向量进行归一化处理；
5.将归一化处理后的特征向量，通过SVM分类器，经过参数寻优，获得最优急性脑缺血分割模型。
分割阶段：
分割阶段和模型训练阶段的不同点在于S103步骤，在本实施例中，需要根据DWI和ADC获取感兴趣区域，作为待选分割数据。
用ADCref表示脑模块上所有的ADC值，任何像素点的ADC值大于0.75*ADCref被选出形成连通区域。连通区域内平均DWI值不小于强度值加上方差的轴向面上区域为R1。ADC值在区间(0.75*ADCref，0.85*ADCref]内，且该像素点至少有一个近邻在R1内，该像素点加入到R1区域，然后将R1区域进行膨胀，膨胀系数为2，将所有的轴向面都进行上述操作得到最后的感兴趣区域；
在步骤S105中，是将从感兴趣区域提取的特征向量归一化后输入到模型训练阶段得到的SVM分类模型中得到分割结果，结果为正即为缺血区域。所述特征向量包括感兴趣区域中样本点的灰度值，并在邻域窗口内提取最大值、最小值、中值、均值、高斯滤波值、方差、偏度、斜度。
Claims (9)
1.急性脑缺血图像分割模型训练方法，其特征在于它包括以下步骤：
(1)获取磁共振图像数据并提取脑组织图像；
将获取的磁共振图像进行二值化，提取其中最大的连通区域即为脑组织的掩膜图像，将掩膜图像与获取的磁共振图像相乘得到脑组织图像；
(2)将提取的脑组织图像进行归一化操作；
(3)对提取的脑组织图像画出缺血区域作为正样本，并将由正样本按设定的膨胀系数膨胀后的数据作为负样本；
(4)分别从磁共振图像T2、DWI、ADC和非对称图ASM的正样本和负样本中提取特征向量，并对特征向量进行归一化处理；
(5)将归一化处理后的特征向量，通过SVM分类器获得急性脑缺血分割模型。
2.如权利要求1所述的急性脑缺血图像分割模型的训练方法，其特征在于所述步骤(3)中，膨胀系数为2。
3.如权利要求1所述的急性脑缺血图像分割模型的训练方法，其特征在于所述步骤(4)中，从正样本和负样本中提取的特征向量包括正样本和负样本中样本点的灰度值，并在邻域窗口内提取最大值、最小值、中值、均值、高斯滤波值、方差、偏度、斜度。
4.如权利要求3所述的急性脑缺血图像分割模型的训练方法，其特征在于邻域窗口大小为3x3。
5.如权利要求1所述的急性脑缺血图像分割方法，其特征在于步骤(4)中的非对称图以下方式计算得到：
利用所述的磁共振图像DWI和ADC计算非对称图ASM，计算公式如下所示：
<mrow>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>_</mo>
<mi>A</mi>
<mi>D</mi>
<mi>C</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>-</mo>
<mi>A</mi>
<mi>D</mi>
<mi>C</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>-</mo>
<mi>A</mi>
<mi>D</mi>
<mi>C</mi>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<mi>D</mi>
<mi>I</mi>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>_</mo>
<mi>A</mi>
<mi>D</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>max</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</msub>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>_</mo>
<mi>A</mi>
<mi>D</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>A</mi>
<mi>S</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mi>I</mi>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>D</mi>
<mi>I</mi>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
在轴向面z上，(x0,y0)和(x,y)关于中矢状线是对称的，Ns(x0,y0)是(x,y)在5×5窗口内的近邻；DWI_ADC是磁共振图像中DWI值大于ADC值时的差值，小于则为0；DIF是DWI_ADC减去5x5窗口邻域内的最大值；非对称图是取DIF大于0的值。
6.急性脑缺血图像分割方法，其特征在于它包括以下步骤：
(一)通过初始缺血候选区域图像数据获得待分割数据；
(二)根据用权利要求1、2、3、4或5所获得的任意一种急性脑缺血分割模型对磁共振图像分割缺血区域。
7.如权利要求6所述的急性脑缺血图像分割方法，其特征在于所述步骤(一)通过初始缺血候选区域图像数据获得待分割数据包括以下步骤：
(7-1)获取磁共振图像数据并提取脑组织图像；
将获取的磁共振图像进行二值化，提取其中最大的连通区域即为脑组织的掩膜图像，将掩膜图像与获取的磁共振图像相乘得到脑组织图像；
(7-2)将提取的脑组织图像进行归一化操作；
(7-3)根据DWI和ADC获取感兴趣区域，作为待选分割数据；
用ADCref表示脑模块上所有的ADC值，任何像素点的ADC值大于0.75*ADCref被选出形成连通区域；连通区域内平均DWI值不小于强度值加上方差的轴向面上区域为R1；ADC值在区间(0.75*ADCref，0.85*ADCref]内，且该像素点至少有一个近邻在R1内，该像素点加入到R1区域，然后将R1区域按照设定的膨胀系数进行形态学操作，将所有的轴向层都进行上述操作得到最后的感兴趣区域；
(7-4)分别从磁共振图像T2、DWI、ADC和非对称图ASM的待选分割数据提取特征向量，并对特征向量进行归一化处理；
(7-5)将归一化处理后的数据输入到急性脑缺血分割模型中得到分割结果，结果为正即为缺血区域。
8.如权利要求6所述的急性脑缺血图像分割方法，其特征在于步骤(7-3)中的膨胀系数为2，在膨胀系数为2时能基本上包含所有的缺血区域。
9.如权利要求7所述的急性脑缺血图像分割方法，其特征在于特征向量包括感兴趣区域中样本点的灰度值，并在邻域窗口内提取最大值、最小值、中值、均值、高斯滤波值、方差、偏度、斜度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710350159.XA CN107248162A (zh) | 2017-05-18 | 2017-05-18 | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710350159.XA CN107248162A (zh) | 2017-05-18 | 2017-05-18 | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107248162A true CN107248162A (zh) | 2017-10-13 |
Family
ID=60016956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710350159.XA Pending CN107248162A (zh) | 2017-05-18 | 2017-05-18 | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107248162A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109003278A (zh) * | 2018-03-26 | 2018-12-14 | 天津工业大学 | 一种改进的基于主动形状模型的ct图像主动脉分割方法 |
| CN109493312A (zh) * | 2018-09-01 | 2019-03-19 | 哈尔滨工程大学 | 一种基于bec预测模型的图像分割方法 |
| WO2019080685A1 (zh) * | 2017-10-24 | 2019-05-02 | 北京京东尚科信息技术有限公司 | 视频图像分割方法及装置、存储介质、电子设备 |
| CN110363774A (zh) * | 2019-06-17 | 2019-10-22 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
| CN110400292A (zh) * | 2019-07-04 | 2019-11-01 | 上海联影智能医疗科技有限公司 | 转移结果评估方法、计算机设备和存储介质 |
| CN111429421A (zh) * | 2020-03-19 | 2020-07-17 | 北京推想科技有限公司 | 模型生成方法、医学图像分割方法、装置、设备及介质 |
| CN112419340A (zh) * | 2020-12-09 | 2021-02-26 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑脊液分割模型的生成方法、应用方法及装置 |
| CN116883396A (zh) * | 2023-09-06 | 2023-10-13 | 天津医科大学 | 一种基于人工智能的静息态磁共振图像分析方法与系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150003106A1 (en) * | 2012-08-13 | 2015-01-01 | 3M Innovative Properties Company | Lighting Devices With Patterned Printing of Diffractive Extraction Features |
| CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
| CN105787918A (zh) * | 2014-12-22 | 2016-07-20 | 深圳先进技术研究院 | 一种急性缺血性卒中磁共振图像分析处理方法 |
| CN105809175A (zh) * | 2014-12-30 | 2016-07-27 | 深圳先进技术研究院 | 一种基于支持向量机算法的脑水肿分割方法及系统 |
-
2017
- 2017-05-18 CN CN201710350159.XA patent/CN107248162A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150003106A1 (en) * | 2012-08-13 | 2015-01-01 | 3M Innovative Properties Company | Lighting Devices With Patterned Printing of Diffractive Extraction Features |
| CN105787918A (zh) * | 2014-12-22 | 2016-07-20 | 深圳先进技术研究院 | 一种急性缺血性卒中磁共振图像分析处理方法 |
| CN105809175A (zh) * | 2014-12-30 | 2016-07-27 | 深圳先进技术研究院 | 一种基于支持向量机算法的脑水肿分割方法及系统 |
| CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| YUQING PENG等: "Segmentation of Hyper-Acute Ischemic Infarcts from Diffusion Weighted Imaging Based on Support Vector Machine", 《SCIRES》 * |
| 李志忠 等: "《地学遥感应用概论》", 30 April 2017 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019080685A1 (zh) * | 2017-10-24 | 2019-05-02 | 北京京东尚科信息技术有限公司 | 视频图像分割方法及装置、存储介质、电子设备 |
| US11227393B2 (en) | 2017-10-24 | 2022-01-18 | Beijing Jingdong Shangke Information Technology Co., Ltd. | Video image segmentation method and apparatus, storage medium and electronic device |
| CN109003278B (zh) * | 2018-03-26 | 2022-03-04 | 天津工业大学 | 一种改进的基于主动形状模型的ct图像主动脉分割方法 |
| CN109003278A (zh) * | 2018-03-26 | 2018-12-14 | 天津工业大学 | 一种改进的基于主动形状模型的ct图像主动脉分割方法 |
| CN109493312B (zh) * | 2018-09-01 | 2021-10-26 | 哈尔滨工程大学 | 一种基于bec预测模型的图像分割方法 |
| CN109493312A (zh) * | 2018-09-01 | 2019-03-19 | 哈尔滨工程大学 | 一种基于bec预测模型的图像分割方法 |
| CN110363774B (zh) * | 2019-06-17 | 2021-12-21 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
| CN110363774A (zh) * | 2019-06-17 | 2019-10-22 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
| CN110400292B (zh) * | 2019-07-04 | 2021-08-13 | 上海联影智能医疗科技有限公司 | 转移结果评估方法、计算机设备和存储介质 |
| CN110400292A (zh) * | 2019-07-04 | 2019-11-01 | 上海联影智能医疗科技有限公司 | 转移结果评估方法、计算机设备和存储介质 |
| CN111429421A (zh) * | 2020-03-19 | 2020-07-17 | 北京推想科技有限公司 | 模型生成方法、医学图像分割方法、装置、设备及介质 |
| CN112419340A (zh) * | 2020-12-09 | 2021-02-26 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑脊液分割模型的生成方法、应用方法及装置 |
| CN116883396A (zh) * | 2023-09-06 | 2023-10-13 | 天津医科大学 | 一种基于人工智能的静息态磁共振图像分析方法与系统 |
| CN116883396B (zh) * | 2023-09-06 | 2023-11-28 | 天津医科大学 | 一种基于人工智能的静息态磁共振图像分析方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107248162A (zh) | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 | |
| Khan et al. | A review of retinal blood vessels extraction techniques: challenges, taxonomy, and future trends | |
| Bi et al. | Automatic skin lesion analysis using large-scale dermoscopy images and deep residual networks | |
| Shanthi et al. | Skull stripping and automatic segmentation of brain MRI using seed growth and threshold techniques | |
| CN109859203A (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
| Pujari et al. | Analysis of ultrasound images for identification of Chronic Kidney Disease stages | |
| CN105139454A (zh) | 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法 | |
| CN104143035B (zh) | 一种分割乳腺病灶的方法 | |
| CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
| CN110969204A (zh) | 基于磁共振图像与数字病理图像融合的样本分类系统 | |
| Abdelhafeez et al. | Skin cancer detection using neutrosophic c-means and fuzzy c-means clustering algorithms | |
| Metlek et al. | ResUNet+: A new convolutional and attention block-based approach for brain tumor segmentation | |
| Maqsood et al. | Detection of macula and recognition of aged-related macular degeneration in retinal fundus images | |
| Bnouni et al. | Boosting CNN learning by ensemble image preprocessing methods for cervical cancer segmentation | |
| Somasundaram et al. | Brain extraction method for T1-weighted magnetic resonance scans | |
| Taibouni et al. | Automated quantification of choroidal neovascularization on Optical Coherence Tomography Angiography images | |
| CN113781403A (zh) | 一种胸部ct影像处理方法与装置 | |
| CN110619633B (zh) | 一种基于多路滤波策略的肝脏图像分割方法 | |
| CN111429404B (zh) | 一种用于心脑血管检测的成像系统和方法 | |
| Karasulu | Automatic extraction of retinal blood vessels: a software implementation | |
| CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
| Elmorsy et al. | K3. A region growing liver segmentation method with advanced morphological enhancement | |
| Yazid et al. | Edge sharpening for diabetic retinopathy detection | |
| Priyadharsini et al. | Analysis of retinal blood vessels using image processing techniques | |
| Abirami et al. | Automated brain tumor detection and identification using medical imaging |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171013 |