CN107680107B - 一种基于多图谱的扩散张量磁共振图像的自动分割方法 - Google Patents
一种基于多图谱的扩散张量磁共振图像的自动分割方法 Download PDFInfo
- Publication number
- CN107680107B CN107680107B CN201711038924.0A CN201711038924A CN107680107B CN 107680107 B CN107680107 B CN 107680107B CN 201711038924 A CN201711038924 A CN 201711038924A CN 107680107 B CN107680107 B CN 107680107B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation result
- images
- atlas
- target
- 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.)
- Expired - Fee Related
Links
Images
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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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]
- G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于多图谱的扩散张量磁共振图像的自动分割方法,涉及医学图像处理领域,本发明选取DTI数据作为图谱图像,并将图谱图像与标号图像共同构成图谱集,将每一幅图谱图像进行配准,再将标号图像上进行同样的形变,通过互信息与重叠率之间的拟合回归直线关系,得到计算权重的参数,对形变后的标号图像赋予相应的权重,融合得到初始分割结果,利用待分割图像的自相似性对初始分割结果进行加权优化,利用引导滤波对次优分割结果进行边界矫正优化,从而得到最终分割结果,本发明相对传统的多图谱分割算法,通过目标图像的自相似性以及引导滤波丰富了分割结果的信息来源,使得分割结果更加准确。
Description
技术领域
本发明涉及医学图像处理领域,尤其是一种多图谱技术中的医学图像分割方法。
背景技术
扩散张量磁共振成像(DTI)通过反映水分子的扩散,提供人体组织内解剖结构的信息,得到其他成像方式无法获取的纤维结构信息。该技术可以用于检测脑组织的异常,手术规划,辅助临床诊断一些发病早期脑白质水分子的扩散出现异常的疾病,因此DTI的脑组织自动分割技术有着明确的研究意义。
随着临床数据的急剧增加,对于医学图像的分割来说,手动分割已经满足不了需求,并且由于医生的经验以及主观因素,分割结果都会因人而异,因此对于感兴趣区域(ROI)的自动分割技术成为近年来医学图像领域的研究热点。
基于多图谱的自动分割技术是一种有效的分割方法,它是在单图谱的基础上发展而来,形成了利用多幅图像配准并进行标签传播的基本框架。多幅图谱图像包含的信息可以组成一个平均图谱,或者概率图谱。因此,多个图谱与目标图像进行配准形变后,这些图谱就包含了大量的目标图像的近似变化信息。多图谱分割有两个好处,一是提供了更多的先验信息,先验知识对最终的分割精度可以产生非常大的作用,二是有更好的鲁棒性,多图谱能够更好地适应各种各样的目标图像,使得目标图像对特定模板的依赖性降低。基于多图谱的自动分割技术包括两个过程:(1)配准过程,即将每一幅图谱图像配准到目标图像上,并将相应的模板标签传播到目标图像上作为它的一个分割;(2)标签融合,即将得到的所有分割以一定的方式进行组合进而得到最终的标签,即最终的分割结果。尽管单图谱的配准可以用来进行图像的分割,但是由于图谱的不确定性以及待分割图像的多样性,配准的精度和鲁棒性都受到了很大制约。基于多图谱的分割技术可以弥补单图谱的这类缺陷。因此,各种基于多图谱的自动分割技术发展而来,详见文献1:Lotjonen J M,WolzRKoikkalainen J R,Thurfjell L,et al.Fast and robust multi-atlas segmentationof brain magnetic resonance images[J].Neuroimage,2010,49(3):2352-2365。文献2:Ballanger B,Tremblay L,Sgambatofaure V,et al.A multi-atlas based method forautomated anatomical Macaca fascicularis brain MRI segmentation and PETkinetic extraction.[J].Neuroimage,2013,77(12):26-43。文献3:C,A.Multi-atlas based segmentation using probabilistic label fusion withadaptive weighting of image similarity measures.[J].Computer Methods&Programsin Biomedicine,2013,110(3):308-319。这些自动分割技术有较好的分割结果,但是对于信息的丰富程度来说,这些技术都只是利用了图谱的信息,没有考虑到待分割图像的灰度、结构信息,并且分割的结果都只是简单地通过标签融合来得到(如权重融合),没有对得到的结果做进一步分析优化,从而导致分割结果表面不光滑。
发明内容
为了克服现有技术的不足,本发明提出了一种简单高效的多图谱自动分割方法。该方法在上文中提到的文献3中的多图谱分割方法的基础上增加了待分割图像的自相似性及利用引导滤波进行优化。针对信息的丰富程度来说,本发明利用了待分割图像的自相似性和结构特性对分割结果进行优化,从而使分割结果的信息来自于图谱和待分割图像。针对分割结果表面不光滑的问题,本发明通过使用引导滤波进行边界优化。本发明主要针对扩散张量磁共振图像来进行,在配准部分采用配准效果较好的Syn方法,在标号融合部分,采用概率图谱进行融合,并且后续加入了目标图像的自相似性以及引导滤波对分割结果进行优化。
本发明解决其技术问题所采用的技术方案具体包括以下步骤:
步骤1、选取m组DTI数据作为图谱图像,10<m<30,利用3Dslicer软件计算图谱图像对应的FA图,在FA图上标定感兴趣区域ROI作为标号图像,图谱图像与标号图像共同构成图谱集,在图谱集中,根据留一法分别将每一幅图谱图像作为目标图像,其余图谱图像均与目标图像进行一次配准,得到对应的变形场,再将变形场作用到图谱图像所对应标号图像上进行同样的形变;
步骤2、将步骤1中配准后的图谱图像与目标图像之间的互信息作为图谱配准的质量;图谱图像所对应的形变后的标号图像与目标图像所对应的标号图像之间的重叠率作为标号图像形变的质量,随机选取图谱图像之外的DTI数据作为待分割图像并进行感兴趣区域的分割,将图谱图像与待分割图像进行配准,标号图像根据配准的变形场进行形变,计算形变后的标号图像所对应的距离场,通过互信息与重叠率之间的拟合回归直线关系,得到计算权重的参数,对形变后的标号图像赋予相应的权重,并利用weight voting对距离场进行权重融合得到初始分割结果;
步骤3、利用待分割图像的自相似性对初始分割结果进行加权优化
一个单元块由中心体素与其邻域内体素组成,初始分割结果在z轴方向分层,统计初始分割结果每一层的边界分别在x方向和y方向上的最大值与最小值的差值,统计所有分层中x方向和y方向上的差值,将最小差值的一半作为搜索区域x方向和y方向上的尺寸,在搜索区域内,任意两个单元块对应位置像素的灰度差值的平方和为两个单元块的中心体素的相似度,对于某一个目标体素,将它与其邻域的26个体素构成的单元块称之为目标单元块,将该单元块的目标体素与搜索区域内其他单元块的体素的相似度根据转化为权重,其中pk为相似度转化得到的权重,Dk为灰度差值的平方和,V为目标体素与搜索区域内其他体素的灰度差值的均方差,由于初始分割结果是由距离场融合得到,初始分割结果的所有体素都含有距离信息,通过待分割图像中目标体素与搜索区域内其他体素的相似度得到权重,同样在初始分割结果中,找到与目标体素相同位置的体素,将权重参数赋给搜索区域内的其他体素,然后通过搜索区域内体素距离信息的加权平均对目标体素进行自相似性加权优化,即可得到次优分割结果;
步骤4、利用引导滤波对次优分割结果进行边界矫正优化
将目标图像作为引导滤波的引导图像,将次优分割结果作为输入图像,通过引导图的边界保持作用,对次优分割结果进行边界矫正,从而得到最终分割结果。
本发明的有益效果是由于实现了简单、准确、信息丰富的扩散张量磁共振图像的自动分割方法,相对传统的多图谱分割算法,如Major voting、weight voting、STAPLE等,本发明通过目标图像的自相似性以及引导滤波丰富了分割结果的信息来源,使得分割结果更加准确。
附图说明
图1是本发明基于多图谱的扩散张量磁共振图像的基本框图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
为了方便地描述本发明内容。首先对一些技术术语进行简单介绍:
(1)自适应融合策略:自适应概率权重策略是给每一个图谱赋一个概率权重来提高融合结果。由于在图谱分割和配准过程中的不确定性因素,将图谱图像的配准质量和标号图像的形变质量关系看成一个形变质量期望值与配准质量S成比例的随机过程,如式(1):
式(1)中k和m是互信息与重叠率之间的拟合回归直线的拟合参数,即公式(1)所述直线的斜率和截距。
对图谱数据集采用留一法,依次选取一个图谱作为目标图像,其余图谱作为图谱数据集。配准质量是以经过配准的图谱图象与目标图像的相似度作为评价准则,形变质量则是以形变后的标号图像与目标图谱的标号图像的重叠率作为评价准则。
k和m通过一个独立的学习过程来得到,为了描述在式(1)给出的均值周围的各个期望值DSC的分布,使用一个标准差为s的正态分布概率密度函数,s也从一个学习阶段得到,将DSC看作通过一个概率密度函数,随机地与S联系在一起:
公式(2)中P(DSC)代表在S下DSC的概率;
因此,对于每一个标号图像l,赋给一个权重ωl来描述它的形变结果比一个基础水平DSCbase的P(DSC)的概率大的权重,即ωl为每个标号图像的权重,Sl为时图谱图像的配准质量,则概率pl由式(3)得到:
X代表在Sl下随机分布的DSC所能达到的最大值,这里X→∞时才能保证概率存在,由于0≤DSC≤1,当严格控制X=1时,利用式(3)会得到一个相对较低的概率,但是在应用过程中所有的概率会进行归一化,所得到的相对概率是有意义的,与X→∞所得到的概率再进行归一化的意义一样,因此本发明为了计算方便,选取X→∞;
这里k/s是一个自由参数,参数k是在图像相似度值S改变下的DSC的期望值的改变量,参数s是给定一个图像相似度下的DSC值的标准差。标号图像的形变质量和图谱图象的配准质量相关程度低,那k/s就低,相对权重就低。同样,高的k/s值会产生一个高的相对权重。在极端条件下,如k/s→∞,结果就是选择一个最佳S下的单图谱,所以,根据式(4),即可得到权重参数。
学习过程的目标就是估计出式(3)中提到的k和s。在本发明中,通过对所有的图谱图像进行交叉配准,得到参数k和s,参数k为在图像相似性测度下的所有DSC值的线性回归的斜率,而参数s为相对于回归线的其余DSC值的标准差。
本发明的分割算法包括以下步骤:
步骤1、选取m组DTI数据作为图谱图像,10<m<30,本发明选取20组DTI数据,利用3Dslicer软件计算图谱图像对应的FA图,在FA图上标定感兴趣区域ROI作为标号图像(如胼胝体膝部),图谱图像与标号图像共同构成图谱集,即20组DTI和20组标号图像构成一组图谱集,在图谱集中,根据留一法分别将每一幅图谱图像作为目标图像,其余图谱图像均与目标图像进行一次配准,本发明利用ANTS软件使得图谱图像与目标图像进行Syn配准,得到对应的变形场,再将变形场作用到图谱图像所对应标号图像上进行同样的形变;
步骤2、将步骤1中配准后的图谱图像与目标图像之间的互信息作为图谱配准的质量;图谱图像所对应的形变后的标号图像与目标图像所对应的标号图像之间的重叠率作为标号图像形变的质量,随机选取图谱图像之外的DTI数据作为待分割图像并进行感兴趣区域的分割,将图谱图像与待分割图像进行配准,标号图像根据配准的变形场进行形变,计算形变后的标号图像所对应的距离场,通过互信息与重叠率之间的拟合回归直线关系,得到计算权重的参数,对形变后的标号图像赋予相应的权重,并利用weight voting对距离场进行权重融合得到初始分割结果;
经过步骤1的数据预处理之后,得到20×19个配准后的图像和20×19个变形ROI,根据自适应融合策略,计算配准之后的图谱图像的FA值与目标图像的FA值的互信息CC作为相似性测度S,再计算形变ROI与目标图像的ROI的重叠率DSC,得到20×19个互信息值S和20×19个DSC,通过计算二者的拟合回归函数,得到参数k和s。在接下来的测试过程中根据式(4)得到每个图谱的自适应权重。为了方便,本发明随机选取一组数据作为目标图像来进行测试,通过图谱图像与目标图像的配准,标号图像的形变,得到每个图谱对应的相似性测度S1,S2,…,S20,根据式(4)得到图谱对应的权重ω1,ω2,…,ω20,再根据式(5)计算每个变形ROI对应的距离图谱,最后通过对距离图谱进行概率融合得到初始分割结果。
步骤3、利用待分割图像的自相似性对初始分割结果进行加权优化
一个单元块由中心体素与其邻域内体素组成,本发明选择中心体素与其邻域内26个体素组成单元块,初始分割结果在z轴方向分层,统计初始分割结果每一层的边界分别在x方向和y方向上的最大值与最小值的差值,统计所有分层中x方向和y方向上的差值,将最小差值的一半作为搜索区域x方向和y方向上的尺寸,在搜索区域内,任意两个单元块对应位置像素的灰度差值的平方和为两个单元块的中心体素的相似度,对于某一个目标体素,这里将它与其邻域的26个体素构成的单元块称之为目标单元块,将该单元块的目标体素与搜索区域内其他单元块的体素的相似度根据转化为权重,其中pk为相似度转化得到的权重,Dk为灰度差值的平方和,V为目标体素与搜索区域内其他体素的灰度差值的均方差,由于初始分割结果是由距离场融合得到,初始分割结果的所有体素都含有距离信息,通过待分割图像中目标体素与搜索区域内其他体素的相似度得到权重,同样在初始分割结果中,找到与目标体素相同位置的体素,将权重参数赋给搜索区域内的其他体素,然后通过搜索区域内体素距离信息的加权平均对目标体素进行自相似性加权优化,即可得到次优分割结果;
本发明选取目标图像的FA图进行自相似性的计算。为了缩短计算时间,得到初始分割结果后,统计分割结果的边界值,然后计算x,y,z三个方向上的xmin,xmax,ymin,ymax,zmin,zmax,相当于将分割结果放如一个立方盒里。本发明通过统计初始分割结果每一层在x,y方向上的|xzmax-xzmin|,|yzmax-yzmin|,选取最小值的一半作为搜索区域R的大小。根据式(6)和(7),从大于立方盒的像素点开始计算每个像素点自相似性值,再根据式(8),对距离图谱得到的初始分割结果进行自相似性加权,得到次优分割结果:
其中,Si(x)代表自相似性,即像素x与其搜索区域内第i个像素的相似程度,V(Nx,i)代表像素x与搜索区域剩余体素的相似程度的标准差,R代表搜索区域,Dp(Nx1,Nx2)代表在P邻域内两个中心像素为x1,x2的小区域内灰度值方差,A(x1+j)和A(x2+j)分别代表待分割图像在中心体素为x1和x2的单元块的26个邻域内第j个体素的灰度值,为了表达方便,26邻域定义为P邻域,DS(x,y,z)则代表经过自相似性加权的次优分割结果,则:用i代表初始分割结果的第i个体素,j为中心体素为x1的单元块的26个邻域内第j个体素,Nx和Nx+i分别代表以x和x+i为中心体素的单元块,Di(x,y,z)是通过weight voting对图谱中形变后的标号图像所对应的距离场进行权重融合得到的初始分割结果,Si(x,y,z)是第i个体素在三维空间上计算得到的自相似性,其中(x,y,z)代表第i个体素在三维空间上的具体位置;
步骤4、利用引导滤波对次优分割结果进行边界矫正优化
将目标图像作为引导滤波的引导图像,将次优分割结果作为输入图像,当引导图像的像素灰度值发生变化时,即有梯度变化时,输出图像也有对应的梯度变化,因为在引导图中,与次优分割结果对应的感兴趣区域的边界会有明显的灰度变化,引导图的边界保持作用会把该区域边界的坐标及灰度变化反映到输入图像中,即次优分割结果,从而使得次优分割结果的边界与引导图中对应的感兴趣区域边界趋于一致,通过引导图的边界保持作用,对次优分割结果进行边界矫正,从而得到最终分割结果。
基于多图谱的扩散张量磁共振图像的自动分割算法利用自适应权重策略对图谱赋予相应的权重,进行融合得到初始分割结果,通过配准映射,该结果很好的利用了图谱中的先验形状信息,无需手动设置初始边界,引入种子点等,从而实现一种全自动的图谱指导下的图像分割。但是该过程仅仅利用了距离场提供的位置信息,目标图像的结构、灰度信息并没有考虑到,因此,通过计算目标图像的自相似性,可以对初始分割结果进行优化,从而丰富了分割信息的完整性。最后为了保证分割结果边界的平滑及准确性,利用引导滤波对次优分割结果进行边界优化。
在整个算法中,通过自相似加权,引导滤波优化,可以对仅仅由自适应权重加权的距离图谱融合的结果进行优化,从而保证图谱计算的准确性和鲁棒性。
Claims (1)
1.一种基于多图谱的扩散张量磁共振图像的自动分割方法,其特征在于包括下述步骤:
步骤1、选取m组DTI数据作为图谱图像,10<m<30,利用3Dslicer软件计算图谱图像对应的FA图,在FA图上标定感兴趣区域ROI作为标号图像,图谱图像与标号图像共同构成图谱集,在图谱集中,根据留一法分别将每一幅图谱图像作为目标图像,其余图谱图像均与目标图像进行一次配准,得到对应的变形场,再将变形场作用到图谱图像所对应标号图像上进行同样的形变;
步骤2、将步骤1中配准后的图谱图像与目标图像之间的互信息作为图谱配准的质量;图谱图像所对应的形变后的标号图像与目标图像所对应的标号图像之间的重叠率作为标号图像形变的质量,随机选取图谱图像之外的DTI数据作为待分割图像并进行感兴趣区域的分割,将图谱图像与待分割图像进行配准,标号图像根据配准的变形场进行形变,计算形变后的标号图像所对应的距离场,通过互信息与重叠率之间的拟合回归直线关系,得到计算权重的参数,对形变后的标号图像赋予相应的权重,并利用weight voting对距离场进行权重融合得到初始分割结果;
步骤3、利用待分割图像的自相似性对初始分割结果进行加权优化
一个单元块由中心体素与其邻域内体素组成,初始分割结果在z轴方向分层,统计初始分割结果每一层的边界分别在x方向和y方向上的最大值与最小值的差值,统计所有分层中x方向和y方向上的差值,将所有分层中x方向和y方向上的差值中的最小差值的一半作为搜索区域x方向和y方向上的尺寸,在搜索区域内,任意两个单元块对应位置像素的灰度差值的平方和为两个单元块的中心体素的相似度,对于某一个目标体素,将它与其邻域的26个体素构成的单元块称之为目标单元块,将目标单元块的目标体素与搜索区域内其他单元块的体素的相似度根据转化为权重,其中pk为相似度转化得到的权重,0≤pk≤1,Dk为灰度差值的平方和,V为目标体素与搜索区域内其他体素的灰度差值的均方差,由于初始分割结果是由距离场融合得到,初始分割结果的所有体素都含有距离信息,通过待分割图像中目标体素与搜索区域内其他体素的相似度得到权重,同样在初始分割结果中,找到与目标体素相同位置的体素,将权重参数赋给搜索区域内的其他体素,然后通过搜索区域内体素距离信息的加权平均对目标体素进行自相似性加权优化,即可得到次优分割结果;
步骤4、利用引导滤波对次优分割结果进行边界矫正优化
将目标图像作为引导滤波的引导图像,将次优分割结果作为输入图像,通过引导图的边界保持作用,对次优分割结果进行边界矫正,从而得到最终分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711038924.0A CN107680107B (zh) | 2017-10-30 | 2017-10-30 | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711038924.0A CN107680107B (zh) | 2017-10-30 | 2017-10-30 | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107680107A CN107680107A (zh) | 2018-02-09 |
CN107680107B true CN107680107B (zh) | 2020-09-08 |
Family
ID=61142949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711038924.0A Expired - Fee Related CN107680107B (zh) | 2017-10-30 | 2017-10-30 | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107680107B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898578B (zh) * | 2018-05-29 | 2020-12-08 | 杭州晟视科技有限公司 | 一种医疗图像的处理方法、装置及计算机存储介质 |
CN108986101B (zh) * | 2018-05-31 | 2021-07-06 | 浙江大学 | 基于循环“抠图-分割”优化的人体图像分割方法 |
CN109325971B (zh) * | 2018-08-02 | 2022-04-01 | 东软医疗系统股份有限公司 | 图像配准方法及装置 |
CN109978871B (zh) * | 2019-03-30 | 2021-06-25 | 西安电子科技大学 | 融合概率型和确定型纤维束追踪的纤维束筛选方法 |
CN110599434B (zh) * | 2019-09-03 | 2023-06-30 | 哈尔滨理工大学 | 一种结合像素灰度概率信息的图谱标签融合方法 |
CN113316803A (zh) * | 2019-12-20 | 2021-08-27 | 博医来股份公司 | 使用历史校正的统计分析来校正医学图像的分割 |
CN114972764B (zh) * | 2022-08-01 | 2022-11-18 | 浙江省肿瘤医院 | 一种基于特征聚类的多图谱分割方法 |
CN117350926B (zh) * | 2023-12-04 | 2024-02-13 | 北京航空航天大学合肥创新研究院 | 一种基于目标权重的多模态数据增强方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622749A (zh) * | 2012-02-22 | 2012-08-01 | 中国科学院自动化研究所 | 三维磁共振图像脑子结构自动分割的方法 |
CN104616270A (zh) * | 2015-03-03 | 2015-05-13 | 哈尔滨工业大学 | 基于多张量的磁共振扩散加权图像结构自适应平滑方法 |
CN106530321A (zh) * | 2016-10-28 | 2017-03-22 | 南方医科大学 | 一种基于方向和尺度描述子的多图谱图像分割方法 |
-
2017
- 2017-10-30 CN CN201711038924.0A patent/CN107680107B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622749A (zh) * | 2012-02-22 | 2012-08-01 | 中国科学院自动化研究所 | 三维磁共振图像脑子结构自动分割的方法 |
CN104616270A (zh) * | 2015-03-03 | 2015-05-13 | 哈尔滨工业大学 | 基于多张量的磁共振扩散加权图像结构自适应平滑方法 |
CN106530321A (zh) * | 2016-10-28 | 2017-03-22 | 南方医科大学 | 一种基于方向和尺度描述子的多图谱图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107680107A (zh) | 2018-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680107B (zh) | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 | |
CN108416802B (zh) | 一种基于深度学习的多模医学图像非刚性配准方法及系统 | |
CN106683104B (zh) | 基于集成深度卷积神经网络的前列腺磁共振图像分割方法 | |
US10269122B2 (en) | Knowledge-based automatic image segmentation | |
CN102890823B (zh) | 运动对象轮廓提取及左心室图像分割方法和装置 | |
CN104424629B (zh) | 一种x光胸片肺部分割方法和装置 | |
CN109166133A (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
CN107977952A (zh) | 医学图像分割方法及装置 | |
CN105389811A (zh) | 一种基于多级阈值分割的多模态医学图像处理方法 | |
CN107680110B (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
CN109509193B (zh) | 一种基于高精度配准的肝脏ct图谱分割方法及系统 | |
Wu et al. | A supervoxel classification based method for multi-organ segmentation from abdominal ct images | |
US9727975B2 (en) | Knowledge-based automatic image segmentation | |
Taherdangkoo et al. | Segmentation of MR brain images using FCM improved by artificial bee colony (ABC) algorithm | |
CN103544695B (zh) | 一种高效的基于博弈框架的医学图像分割方法 | |
CN111080658A (zh) | 基于可形变配准和dcnn的宫颈mri图像分割方法 | |
CN109886944A (zh) | 一种基于多图谱的脑白质高信号检测和定位方法 | |
CN110853048A (zh) | 基于粗、精训练的mri图像分割方法、装置和存储介质 | |
CN107093190A (zh) | 一种基于多图谱标签融合的医学图像配准算法 | |
CN115830016A (zh) | 医学图像配准模型训练方法及设备 | |
CN110751664B (zh) | 一种基于超体素匹配的脑组织分割方法 | |
Bazgir et al. | Kidney segmentation using 3D U-Net localized with Expectation Maximization | |
CN113222979A (zh) | 一种基于多图谱的颅底卵圆孔自动分割方法 | |
CN108596900B (zh) | 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 | |
CN116650115A (zh) | 一种基于uwb标记点的骨科手术导航注册方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200908 Termination date: 20211030 |
|
CF01 | Termination of patent right due to non-payment of annual fee |