CN107358613A - 肺部区域分割方法及其系统 - Google Patents
肺部区域分割方法及其系统 Download PDFInfo
- Publication number
- CN107358613A CN107358613A CN201710694987.5A CN201710694987A CN107358613A CN 107358613 A CN107358613 A CN 107358613A CN 201710694987 A CN201710694987 A CN 201710694987A CN 107358613 A CN107358613 A CN 107358613A
- Authority
- CN
- China
- Prior art keywords
- lung
- lung areas
- areas
- convex closure
- dividing method
- 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
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于医学领域,尤其涉及一种肺部区域分割方法及其系统,其方法包括以下步骤:S1:根据原始的3D肺部图像和设置的灰度阈值,对3D肺部图像进行二值化处理得到二值化图像;S2:对3D肺部图像进行开操作;S3:划分连通区域,选择肺部连通区域,并通过凸包操作得到肺部区域凸包;S4:对二值化图像背景进行反填充,并在反填充后选择在肺部区域凸包内的部分作为肺部区域,对该肺部区域进行形态学处理得到变体肺部区域;S5:对步骤S3中得到的肺部区域凸包和步骤S4中得到的变体肺部区域进行与操作计算出最终肺部图像区域。具有方法简单且能够得到完整正确的最终肺部图像等优点。
Description
技术领域
本发明属于医学领域,尤其涉及一种肺部区域分割方法及其系统。
背景技术
近年来,由于计算机断层扫描技术能够提供高清晰度、高对比度的CT图像,通常被应用于肺部疾病的诊断。为了向医生提供可靠的诊断数据,利于及早发现及治疗患者病情,通常需要对胸部CT图像进行后续处理以分割出肺部区域图像。
现有技术中,对于三维CT数据快速自动分割主要方法有:
1、阈值法加形态学处理:通过设定阈值,和背景反填充等方法粗略分割肺部区域,并且通过形态学上的膨胀、腐蚀、开操作、闭操作,获得最终的肺部区域。
2、阈值法加凸包操作:通过设定阈值和选择最大连通区域的方法分割出肺部区域,然后通过凸包操作增加之前操作忽略的肺部区域边缘。
现有技术的缺点:
1、阈值法加形态学处理是最常见的肺部分割方法,虽然简单、快速,但确定阈值较难,往往根据经验确定。而且后面的形态学处理相关的阈值也比较难确定,分割后往往会丢失肺部边缘的结节或者包含很多肺部周围的其他软组织和骨骼,因此这种方法无法满足分割肺部区域的要求。
2、阈值法加凸包操作也是一种有效的肺部区域分割的方法,该方法能够有效的弥补边缘结节的遗漏缺陷,但会有分割的结果会包含很多靠近肺部中间的其他软组织,针对不同的CT,存在无法很好地在多个连通区域中正确地找出肺部区域等问题。
为了解决上述技术问题,人们进行了长期的探索,例如中国专利公开了一种CT图像肺实质的自动分割方法[申请号:CN201510426463.9],包括如下步骤:
a、对CT图像进行预处理,获得目标掩膜和背景掩膜;
b、在目标掩膜对应的CT图像中肺实质区域内选取目标种子点,在背景掩膜对应的CT图像中胸骨部位以及两肺之间的区域内选取背景种子点;
c、依据步骤b中所选取的目标种子点和背景种子点,采用随机游走算法对CT图像进行分割,获取近似肺实质掩膜,在CT图像中与近似肺实质掩膜的边界对应的部位存在缺陷;
d、调整目标种子点和背景种子点位置:采用半径为r1的结构元对近似肺实质掩膜做膨胀运算,得到膨胀后的肺实质掩膜;采用半径为r2的结构元对膨胀后的肺实质掩膜做腐蚀运算,得到腐蚀后的肺实质掩膜;r1<r2;在CT图像中选取与膨胀后的肺实质掩膜边界对应的点作为背景种子点,在CT图像中选取与腐蚀后的肺实质掩膜边界对应的点作为目标种子点;
e、依据步骤d中调整后的目标种子点和背景种子点,采用随机游走算法对CT图像进行分割,修补CT图像中与近似肺实质掩膜边界对应的缺陷,得到精确的肺实质图像。
再如,一种基于抛物线修正凸包的肺实质分割方法[申请号:CN201310241384.1],其依次进行粗提取肺实质轮廓图像、肺实质外轮廓修复、肺实质内部边缘修复,其特征在于:肺实质外轮廓修复通过以下步骤实现:
步骤1:将肺实质轮廓图像边缘轮廓中的点进行排序;
步骤2:对步骤1的点建立边缘堆栈,得到用于经典Graham二维凸包算法的点集P={p0,p1,…pn}(n≥3);
步骤3:将点集P中的相邻两点连成线段,将线段长度由大到小排序,根据线段长度和位置查找肺结节所对应肺叶轮廓缺失部分的线段pdpd+1;
步骤4:利用抛物线修正线段pdpd+1,得到肺实质边缘轮廓。
上述两个方案分别在一定程度上提高了分割结果的准确性,完整性等要求,但是仍然存在不足:例如,方法过于繁琐,分割准确度仍然不够高等缺点。
发明内容
本发明的目的是针对上述问题,提供一种方法简单,分割准确度高的肺部区域分割方法;
本方案的另一目的是提供一种采用该肺部区域分割方法的肺部区域分割系统。
为达到上述目的,本发明采用了下列技术方案:
一种肺部区域分割方法,包括以下步骤:
S1:根据原始的3D肺部图像和设置的灰度阈值,对3D肺部图像进行二值化处理得到二值化图像;
S2:对3D肺部图像进行开操作;
S3:划分连通区域,选择肺部连通区域,并通过凸包操作得到肺部区域凸包;
S4:对二值化图像背景进行反填充,并在反填充后选择在肺部区域凸包内的部分作为肺部区域,对该肺部区域进行形态学处理得到变体肺部区域;
S5:对步骤S3中得到的肺部区域凸包和步骤S4中得到的变体肺部区域进行与操作计算出最终肺部图像区域。
通过上述技术方案,综合两种肺部区域分割的方法,能够得到更加准确的肺部区域。
在上述的肺部区域分割方法中,在步骤S1中,所述的灰度阈值为-300至-350。
在上述的肺部区域分割方法中,在步骤S3中,选择肺部连通区域的方法包括:
S3-1:查找3D图像的中心位置,根据中心位置计算肺部区域的质心位置范围,将质心位置位于质心位置范围内的连通区域选择为肺部连通区域;
S3-2:查找大于3000-8000个像素的连通区域,将这些连通区域选择为肺部连通区域。
在上述的肺部区域分割方法中,根据3D图像的中心位置计算肺部区域的质心位置范围的方法如下:
如果中心位置为M,则质心位置范围为M-0.3至M+0.3。
在上述的肺部区域分割方法中,在步骤S3中,凸包操作的方法包括:
将3D肺部图像按照从一侧肺到另一侧肺的方向分成若干张2D的图像,在每张2D的图像上分别做出凸包运算,最后将这些2D的凸包拼接到一起组成3D的凸包。
在上述的肺部区域分割方法中,在步骤S3中,在得到肺部区域凸包之后通过验证方法对获得的3D凸包是否正常进行判断。
在上述的肺部区域分割方法中,所述的验证方法的步骤包括:
将3D凸包沿从上到下的方向分成若干张2D的图像,计算每张图像上的肺部区域像素点总数,将这些2D的像素点总数按照位置画成点图,若点图组成的曲线符合预设规律,则判断结果为正常,否则,判断结果为不正常。
在上述的肺部区域分割方法中,所述的预设规律包括:
点图组成的曲线呈中间高两边低的抛物线状,并且曲线的最大值在预设范围内。
在上述的肺部区域分割方法中,在步骤S4中,形态学处理的方法包括:
先采用闭操作,再进行膨胀操作,并在肺部区域的边缘靠近图像的边缘的时候,先对图像进行边缘填充。
一种基于肺部区域分割方法的肺部区域分割系统。
本发明相较于现有技术具有以下优点:1、改进并融合了两种肺部区域分割的方法,能够更准确地分割出肺部区域;2、能够在多个连通区域中正确地找出肺部区域;3、能够判断经过凸包处理分割得到的肺部图像是否正常。
附图说明
图1是本发明肺部区域分割方法的步骤流程示意图;
图2是本发明点图组成的曲线图;
图3是本发明肺部原图;
图4是本发明经过凸包分割的肺部区域凸包;
图5是本发明形态学处理的变体肺部区域;
图6是本发明的最终肺部区域。
具体实施方式
本发明的肺部区域分割方法及其系统主要应用于医学计算机断层扫描技术,通常被应用于肺部疾病的诊断,其能够在现有技术计算机断层扫描的技术上提供更加清晰、更加完整的肺部区域图像,解决了现有技术肺部区域分割不完整,边缘结节丢失,并且通常包含骨骼等其他组织等缺点,以下是本发明的优选实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明不限于这些实施例。
实施例一
如图1所示,本实施例的肺部区域分割方法包括以下步骤:
S1:输入3D肺部图像,如图3所示,设置灰度阈值,根据输入的3D肺部图像和设置的灰度阈值对3D肺部图像进行二值化处理得到二值化图像;
灰度阈值可以设置为-300至-350,作为优选方案,这里的灰度阈值设置为-350。
S2:对3D肺部图像进行开操作,使对象的轮廓变得光滑,断开狭窄的间断和消除细的突出物,从而分离图像中的各个部分;
S3:划分连通区域,选择肺部连通区域;
在连通区域中选择肺部连通区域的方法包括以下步骤:
S3-1:查找3D图像的中心位置,根据中心位置计算肺部区域的质心位置范围,将质心位置位于质心位置范围内的连通区域选择为肺部连通区域;
针对有的CT肺部区域可能不是一个整体,而是由几块组成,所以还通过以下方法确定肺部连通区域:
S3-2:查找大于3000-8000个像素的连通区域,将这些连通区域选择为肺部连通区域。
这里的像素选择5000个像素,也就是说,本实施例认为大于5000个像素的连通区域为肺的一部分。
具体地,根据3D图像的中心位置计算肺部区域的质心位置范围的方法如下:
如果中心位置为M,则质心位置范围为M-0.3至M+0.3。
例如,如果中心的位置为0.5,那么应当认为肺部连通区域的质心的位置在0.2至0.8之间,将质心位于0.2至0.8之间的连通区域和像素大于5000的连通区域选择为肺部连通区域,解决了现有技术中无法在多个连通区域中正确地找到肺部连通区域的问题。
在完成上述步骤后,通过凸包操作得到肺部区域凸包:
其中,凸包操作的方法包括:
将3D肺部图像按照从一侧肺到另一侧肺的方向分成若干张2D的图像,在每张2D的图像上分别做出凸包运算,最后将这些2D的凸包拼接到一起组成3D的凸包。
通过凸包分割处理,得到如图4所示的肺部区域,中间包含了很多肺部之外的其他组织。
凸包,简单地说就是包含点集的面积最小的凸多边形,本实施例的凸包运算可以采用Melkman算法或Graham_scan算法等,凸包运算包括:
点的排序:
1.找一个必在凸包上的点,可以取横坐标或纵坐标最小的点,记为P0,
2.连结P0与其他点,分别计算这些线段与“竖直向下方向”的夹角,按照夹角由小到达的顺序将各线段的另一端(一端是P0)标号为P1、P2、P3……;
左转判定:
判断向量p1=(x1,y1)到p2=(x2,y2)是否做左转,只需要判断x1*y2-x2*y1的正负,如果结果为正,则从p1到p2做左转,也就是向量的叉积。
其中,Graham_scan算法是这样的
1.将各点排序,为保证形成圈,把P0在次放在点表的尾部;
2.准备堆栈:建立堆栈S,栈指针设为t,将0、1、2三个点压入堆栈S;
3.对于下一个点i
只要S[t-1]、S[t]、i不做左转
就反复退栈;
将i压入堆栈S
4.堆栈中的点即为所求凸包;
当然,本实施例还可以采用其他方法进行凸包运算,只需要能够准确地得到所需的肺部凸包。
进一步地,本实施例同时通过形态学处理分割的方法得到变体肺部区域:
S4:对二值化图像背景进行反填充,并在反填充后选择在肺部区域凸包内的部分作为肺部区域,对该肺部区域进行形态学处理得到变体肺部区域;
其中,形态学处理的方法如下:
考虑到灰度阈值法可能使获得的二值化图像出现过分割现象,在较小的区域内一个区域被错误地划分为多个小的子区域,为了解决这个问题,本实施例先采用闭操作来修复这类区域,然后再进行膨胀操作,闭操作可使轮廓线更光滑,但与开操作相反的是,闭操作通常消弥狭窄的间断和长细的鸿沟,消除小的空洞,并填补轮廓线中的断裂;
膨胀操作:以A、B两个区域进行具体说明,膨胀前A、B分别为两个区域,B点中的黑点为B的中心,运算后相当于用B的中心咋子A的边界走一圈,B的边界扫过的区域加上A本身的区域就是A膨胀B的结果。
并且,如果肺部区域的边缘靠近图像的边缘,为了避免闭操作产生的干扰,先对图像进行边缘填充。
通过形态学处理分割,得到了如图5所示的肺部区域,分割出的肺部区域比较粗糙,根据设置的灰度阈值不同,要么包含骨骼等其他组织,要么丢失边缘的结节,选择合适的灰度阈值则存在比较大的困难,从选择合适的灰度阈值上来解决这样的问题,经济性和实用性都不够高。
最后,执行步骤S5:
对步骤S3中得到的肺部区域凸包和步骤S4中得到的变体肺部区域进行与操作计算出最终肺部图像区域。
经过步骤S5得到了如图6所示的最终肺部区域。
本实施例的附图均是实验验证结果,其表明本方案能够更准确地分割出肺部区域。
本实施例通过图像中心位置和连通区域质心位置能够正确地选择肺部连通区域,有助于后续的图像分割等操作;另外,本实施例本实施例对两种方法进行了改进之后融合两种方法,通过融合两种技术,解决了两种技术单独使用时存在的问题,能够方便地分割出完整、正确的肺部图像。
实施例二
本实施例与实施例一类似,不同之处在于,本实施例在得到肺部区域凸包之后,还通过验证方法对获得的3D凸包是否正常进行判断。
如图2所示,验证方法的步骤包括:
将3D凸包沿从上到下的方向分成若干张2D的图像,计算每张图像上的肺部区域像素点总数,将这些2D的像素点总数按照位置画成点图,若点图组成的曲线符合预设规律,则判断结果为正常,否则,判断结果为不正常。
预设规律又包括:
点图组成的曲线呈中间高两边低的抛物线状,并且曲线的最大值在预设范围内,该预设范围可以为25000至35000之间,预设规律并不限于前面两个规律,还包括其他规律,例如不同高度位置的抛物线的宽度在某一范围等。
本实施例通过对获得的凸包进行验证,确保其为正常凸包,避免得到错误凸包影响最终的肺部图像区域的准确度。
实施例三
本实施例为一种采用了实施例一或实施例二的基于肺部区域分割方法的肺部区域分割系统,该系统可以体现为一计算机硬件,在计算机硬件中具有一计算机可读取介质,实施例一或实施例二的方法利用该计算机可读取介质实施。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了肺部区域凸包、变体肺部区域等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种肺部区域分割方法,其特征在于,包括以下步骤:
S1:根据原始的3D肺部图像和设置的灰度阈值,对3D肺部图像进行二值化处理得到二值化图像;
S2:对3D肺部图像进行开操作;
S3:划分连通区域,选择肺部连通区域,并通过凸包操作得到肺部区域凸包;
S4:对二值化图像背景进行反填充,并在反填充后选择在肺部区域凸包内的部分作为肺部区域,对该肺部区域进行形态学处理得到变体肺部区域;
S5:对步骤S3中得到的肺部区域凸包和步骤S4中得到的变体肺部区域进行与操作计算出最终肺部图像区域。
2.根据权利要求1所述的肺部区域分割方法,其特征在于,在步骤S1中,所述的灰度阈值为-300至-350。
3.根据权利要求1所述的肺部区域分割方法,其特征在于,在步骤S3中,选择肺部连通区域的方法包括:
S3-1:查找3D图像的中心位置,根据中心位置计算肺部区域的质心位置范围,将质心位置位于质心位置范围内的连通区域选择为肺部连通区域;
S3-2:查找大于3000-8000个像素的连通区域,将这些连通区域选择为肺部连通区域。
4.根据权利要求3所述的肺部区域分割方法,其特征在于,根据3D图像的中心位置计算肺部区域的质心位置范围的方法如下:
如果中心位置为M,则质心位置范围为M-0.3至M+0.3。
5.根据权利要求1所述的肺部区域分割方法,其特征在于,在步骤S3中,凸包操作的方法包括:
将3D肺部图像按照从一侧肺到另一侧肺的方向分成若干张2D的图像,在每张2D的图像上分别做出凸包运算,最后将这些2D的凸包拼接到一起组成3D的凸包。
6.根据权利要求5所述的肺部区域分割方法,其特征在于,在步骤S3中,在得到肺部区域凸包之后通过验证方法对获得的3D凸包是否正常进行判断。
7.根据权利要求6所述的肺部区域分割方法,其特征在于,所述的验证方法的步骤包括:
将3D凸包沿从上到下的方向分成若干张2D的图像,计算每张图像上的肺部区域像素点总数,将这些2D的像素点总数按照位置画成点图,若点图组成的曲线符合预设规律,则判断结果为正常,否则,判断结果为不正常。
8.根据权利要求7所述的肺部区域分割方法,其特征在于,所述的预设规律包括:
点图组成的曲线呈中间高两边低的抛物线状,并且曲线的最大值在预设范围内。
9.根据权利要求1所述的肺部区域分割方法,其特征在于,在步骤S4中,形态学处理的方法包括:
先采用闭操作,再进行膨胀操作,并在肺部区域的边缘靠近图像的边缘的时候,先对图像进行边缘填充。
10.一种基于权利要求1-9任意一项所述的肺部区域分割方法的肺部区域分割系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710694987.5A CN107358613A (zh) | 2017-08-15 | 2017-08-15 | 肺部区域分割方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710694987.5A CN107358613A (zh) | 2017-08-15 | 2017-08-15 | 肺部区域分割方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107358613A true CN107358613A (zh) | 2017-11-17 |
Family
ID=60288414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710694987.5A Pending CN107358613A (zh) | 2017-08-15 | 2017-08-15 | 肺部区域分割方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358613A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648172A (zh) * | 2018-03-30 | 2018-10-12 | 四川元匠科技有限公司 | 一种基于3D-Unet的CT图肺结节检测系统 |
CN109146854A (zh) * | 2018-08-01 | 2019-01-04 | 东北大学 | 一种肺结节与肺部血管伴生关系的分析方法 |
CN109285142A (zh) * | 2018-08-07 | 2019-01-29 | 广州智能装备研究院有限公司 | 一种头颈部肿瘤检测方法、装置及计算机可读存储介质 |
CN110009645A (zh) * | 2019-04-11 | 2019-07-12 | 东北大学 | 一种肝癌病灶影像的双层轮廓分割方法 |
CN110033464A (zh) * | 2019-04-15 | 2019-07-19 | 齐齐哈尔医学院 | 一种基于水平集算法的乳腺肿瘤超声图像分割方法 |
CN112734757A (zh) * | 2021-03-29 | 2021-04-30 | 成都成电金盘健康数据技术有限公司 | 一种脊柱X光图像cobb角测量方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
CN103310457A (zh) * | 2013-06-18 | 2013-09-18 | 哈尔滨工程大学 | 一种基于抛物线修正凸包的肺实质分割方法 |
CN104751437A (zh) * | 2013-12-30 | 2015-07-01 | 蓝网科技有限公司 | 基于胸部ct图像的肺部自动提取方法 |
CN104992445A (zh) * | 2015-07-20 | 2015-10-21 | 河北大学 | 一种ct图像肺实质的自动分割方法 |
CN105488796A (zh) * | 2015-11-27 | 2016-04-13 | 上海联影医疗科技有限公司 | 肺分割方法 |
US20170193657A1 (en) * | 2015-12-30 | 2017-07-06 | Case Western Reserve University | Prediction of recurrence of non-small cell lung cancer with tumor infiltrating lymphocyte (til) graphs |
-
2017
- 2017-08-15 CN CN201710694987.5A patent/CN107358613A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
CN103310457A (zh) * | 2013-06-18 | 2013-09-18 | 哈尔滨工程大学 | 一种基于抛物线修正凸包的肺实质分割方法 |
CN104751437A (zh) * | 2013-12-30 | 2015-07-01 | 蓝网科技有限公司 | 基于胸部ct图像的肺部自动提取方法 |
CN104992445A (zh) * | 2015-07-20 | 2015-10-21 | 河北大学 | 一种ct图像肺实质的自动分割方法 |
CN105488796A (zh) * | 2015-11-27 | 2016-04-13 | 上海联影医疗科技有限公司 | 肺分割方法 |
US20170193657A1 (en) * | 2015-12-30 | 2017-07-06 | Case Western Reserve University | Prediction of recurrence of non-small cell lung cancer with tumor infiltrating lymphocyte (til) graphs |
Non-Patent Citations (1)
Title |
---|
李金等: ""基于改进凸包算法的肺实质分割研究"", 《中国生物医学工程学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648172A (zh) * | 2018-03-30 | 2018-10-12 | 四川元匠科技有限公司 | 一种基于3D-Unet的CT图肺结节检测系统 |
CN109146854A (zh) * | 2018-08-01 | 2019-01-04 | 东北大学 | 一种肺结节与肺部血管伴生关系的分析方法 |
CN109285142A (zh) * | 2018-08-07 | 2019-01-29 | 广州智能装备研究院有限公司 | 一种头颈部肿瘤检测方法、装置及计算机可读存储介质 |
CN110009645A (zh) * | 2019-04-11 | 2019-07-12 | 东北大学 | 一种肝癌病灶影像的双层轮廓分割方法 |
CN110033464A (zh) * | 2019-04-15 | 2019-07-19 | 齐齐哈尔医学院 | 一种基于水平集算法的乳腺肿瘤超声图像分割方法 |
CN110033464B (zh) * | 2019-04-15 | 2023-03-10 | 齐齐哈尔医学院 | 一种基于水平集算法的乳腺肿瘤超声图像分割方法 |
CN112734757A (zh) * | 2021-03-29 | 2021-04-30 | 成都成电金盘健康数据技术有限公司 | 一种脊柱X光图像cobb角测量方法 |
CN112734757B (zh) * | 2021-03-29 | 2021-06-25 | 成都成电金盘健康数据技术有限公司 | 一种脊柱X光图像cobb角测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358613A (zh) | 肺部区域分割方法及其系统 | |
Yao et al. | Detection of vertebral body fractures based on cortical shell unwrapping | |
CN105389811B (zh) | 一种基于多级阈值分割的多模态医学图像处理方法 | |
US20090252395A1 (en) | System and Method of Identifying a Potential Lung Nodule | |
WO1994023390A1 (en) | Apparatus for identifying person | |
CN109300113A (zh) | 一种基于改进凸包方法的肺结节辅助检测系统及方法 | |
CN112087970B (zh) | 信息处理装置、信息处理方法以及记录介质 | |
CN106909947A (zh) | 基于Mean Shift算法的CT图像金属伪影消除方法及消除系统 | |
CN109993758A (zh) | 分割方法、分割装置、计算机设备及存储介质 | |
TWI587844B (zh) | 醫療影像處理裝置及其乳房影像處理方法 | |
CN109523559A (zh) | 一种基于改进的能量泛函模型的噪声图像分割方法 | |
Miller et al. | Automated detection of breast asymmetry using anatomical features | |
Miller et al. | Automated detection of mammographic asymmetry using anatomical features | |
US20020048402A1 (en) | Segmentation of digital images | |
Vijayakumar et al. | Quantitative analysis and fracture detection of pelvic bone X-ray images | |
Devasia et al. | Automatic optic disc boundary extraction from color fundus images | |
CN115423806B (zh) | 一种基于多尺度跨路径特征融合的乳腺肿块检测方法 | |
Nasr-Isfahani et al. | A new approach for touching cells segmentation | |
Essaf et al. | An improved lung parenchyma segmentation using the maximum inter-class variance method (OTSU) | |
Harangi et al. | Improving automatic exudate detection based on the fusion of the results of multiple active contours | |
CN114359308A (zh) | 一种基于边缘响应与非线性损失的主动脉夹层分割方法 | |
CN107392170A (zh) | 一种符合自然生长规律的掌纹主线提取方法 | |
CN114764810A (zh) | 一种医学图像分割方法 | |
O’Neill et al. | Segmentation of cam-type femurs from CT scans | |
Kooshkestani et al. | A new method for iris recognition systems based on fast pupil localization |
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 |
Application publication date: 20171117 |
|
RJ01 | Rejection of invention patent application after publication |