CN108230301A - 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法 - Google Patents
一种基于主动轮廓模型的脊柱ct图像自动定位分割方法 Download PDFInfo
- Publication number
- CN108230301A CN108230301A CN201711315308.5A CN201711315308A CN108230301A CN 108230301 A CN108230301 A CN 108230301A CN 201711315308 A CN201711315308 A CN 201711315308A CN 108230301 A CN108230301 A CN 108230301A
- Authority
- CN
- China
- Prior art keywords
- spine
- vertebra
- image
- segmentation
- training
- 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
- G06T7/0002—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
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于主动轮廓模型的脊柱CT图像自动定位分割方法,涉及医疗图像处理领域,本发明针对脊柱CT图像的分割方法对初始位置及轮廓的敏感问题,提出一种自动定位分割CT图像的方法。首先,由临床CT仪扫描获得n组脊柱CT图像,由专家人员手动将该CT切片手动分割并用作训练样本;其次,运用随机森林算法对椎骨中心进行定位确定椎骨中心;接着,将分割初始轮廓置于随机森林算法确定的中心位置,采用模糊轮廓分割将CT切片图像中椎骨分割出来;最后,将训练好的模型组合输出,得到完整椎骨CT图像分割模型。本发明提出的脊柱CT分割模型,可以自动定位椎骨中心和分割初始轮廓位置,可以对椎骨进行自动分割,简化脊柱CT图像的分割步骤及流程。
Description
技术领域
本发明涉及医疗图像处理领域,尤其是涉及一种基于主动轮廓模型的脊柱CT图像自动定位分割方法。
背景技术
图像分割是将图像分割成多个区域并提取感兴趣的物体的过程。目前,图像分割在医学图像的计算机辅助诊断中得到了广泛的应用。医学图像的分割在图像处理分析中被视为基石位置,随着逐步发展医学图像处理和分析技术的处理迅速发展起来,使用计算机对图像进行分析与处理,在现代医学中已然成为一个重要的研究方向,并且其具有重要的意义和实际应用价值。
脊柱也被称为脊椎,是形成人体上部中心负重轴的骨骼结构。脊柱图像有着多种医学影像学模式,其中X光片、CT、MRI和PET等多种图像被用于评估脊柱解剖和诊断脊柱病理。其中,CT是当代使用最广泛的扫描技术,是评估椎骨的三维形态的空间上最精确的方式。脊柱分割是大多数后续脊柱图像分析和建模任务的基本步骤,例如基于图像的生物力学建模、图像引导或识别脊柱异常等一些分析中需要分割的精确性。例如,脊柱图像引导通常需要亚毫米级精度,但是手动分割椎骨是主观的并且耗费大量的时间,大多数临床应用需要全自动或半自动的方法来进行分割。由于椎骨的复杂形状和变化的结构,且相邻椎骨间又极其相似,并且脊柱CT图像分割跨越人口、结构、病理以及空间上的相互联系,这给我们的分割工作造成了极大的困难。
近年来,人们提出了一些计算机断层图像的脊柱分割算法。在早期的工作中,椎骨的分割是通过无监督的方式实现的图像处理方法,如自适应阈值、区域生长和边界调整,或基于区域的分割方法,如流域和图形切割。同时椎骨分割也采用了水平集方法,因为它们可以处理复杂椎骨结构。水平集框架来指导一个表面模型的演变,结合边缘和基于区域的水平集函数也可已在CT图像上完成椎体分割。在基于区域的技术中统计和启发式方法来检测椎体分割,基于流域的技术算法有向图搜索曲线重构和椎骨模板自动分割应用也较为广泛。除此之外应用数学形态学和分水岭的标记来分割椎骨也十分流行。但这些方法中有些需要手动制定初始轮廓,有些需要指定参数,不能完全自动分割。
发明内容
本研究设计正是在这样的背景下提出的。为了实现对脊柱CT图像进行椎骨与背景图像自动分离和解决对脊柱CT图像的分割方法对初始轮廓位置及初始轮廓敏感的问题,提供一种基于主动轮廓模型的精确有效的脊柱CT图像分割方法。本发明方法提取脊柱CT图像的3D Haar-like 特征,通过随机森林方法回归算法获得多个待定中心点,应用Mean-shift算法对100个距离标记椎骨中心点最近的候选点进行聚类运算,生成聚类中心点,产生聚类中心点生成标志点对应的 3D 概率图谱,采用随机森林分类法去除伪椎骨的中心点,并利用概率图中最大概率值对应的点作为椎骨中心最终定位点。然后将最终解剖位置作为初始轮廓位置,通过求解窄带模糊能量函数的最小值实现脊柱CT图像分割。
本发明的目的是通过以下技术方案实现的,具体包括以下步骤:
步骤1:读取并显示训练集脊柱CT图像好带分割脊柱CT图像;
步骤2:对脊柱CT图像中的像素进行3D Haar-like特征向量的提取;
步骤3:根据步骤2提取的3D Haar-like特征,利用随机森林算法确定椎骨的中心点;
步骤4:将模糊主动轮廓分割的初始轮廓置于步骤3确定的椎骨中心点处,并对脊柱CT图像进行模糊主动轮廓分割;
步骤5:使用形态学闭运算进行曲线平滑,完成脊柱CT图像的分割;
步骤6:输出训练好模型进行组合,得到完整的脊柱CT分割模型。
进一步,所述步骤2提取脊柱CT的像素的3D积分图像和3D Haar-like特征具体表示为:
对ABCDEFGH立方体区域的体素的强度和由下式计算:
。
进一步,所述的步骤3具体包括以下几个步骤内容:
A.随机森林回归
参与训练的每个像素点定义为,其中是体素到标记椎骨中心点的距离,表示体素提取得到的3D Haar-like 特征,信息增益采用高斯模型密度分布,推广到多元变量条件,获得更一般的回归信息增益:
其中是通过线性拟合计算得到的条件协方差矩阵,将随机回归森林中所有T棵决策树的输出计算得到距离图谱,并取前100个结果作为回归森林的输出:
;
B.Mean-shift聚类
根据A中选择距离图谱中距离值最小的100个点进行Mean-shift 聚类分析,Mean-shift算法采用均匀核函数,bandwidth 取 8 个体素单元,这个过程产生了几个聚类中心后,更好地得到了候选点;
C.随机森林分类
对B中mean-shift聚类后得到几个中心点待定点进行随机森林分类,训练像素点定义为,其中是基于体素得到的3D Haar-like 特征,是体素的类别标签,随机森林分类的目标函数:
其中,分别表示到达节点 时的左、右子节点的样本数据点,为左、右子节点的索引,表示样本集中的样本数量,分裂参数的函数,由中的训练像素点对应的类别标记的标准经验直方图计算得到,信息熵表示为:
对T棵树求后验概率的平均值并将其作为分类的结果:
;
D.计算最终距离图谱,并取误差最小的结果作为随机回归分类森林输出的椎骨中心点并标记。
进一步,所述的步骤4具体包括以下几个步骤内容:
A.初始轮廓
根据步骤3所述的一种基于主动轮廓模型的脊柱CT图像自动定位分割方法,得到椎骨中心点位置,将脊椎中心点作为模糊主动轮廓分割的初始轮廓L位置,并将初始轮廓置L于该椎骨中心处;
B.模糊能量函数
待分割灰度图像为,是一闭合曲线, 将图像分成和 两部分,像素点隶属于目标内部的隶属度函数,其中,将隶属度函数按照下式进行隶属度初始化:
其中, 为之间的某个常数,局部的平均模糊能量函数有着如下定义:
其中,第1项是曲线内部的平均模糊能量,第2项是曲线外部的平均模糊能量,是一个由曲线膨胀和腐蚀操作构成的窄带,它被表示为和区域之间的一条窄带,与之间的区域表示为窄带,与之间的区域表示为窄带;
C.窄带内某像素点灰度值为,隶属度值为,按下式求得新隶属度:
求解总能量差:
其中
若,将该点的替换为,否则保持不变;
D.所有像素在雅可比迭代法中进行窄带遍历,在更新隶属度后,重新初始化隶属函数,通过形态学运算平滑曲线,保留外凸。一直到不再为负值,完成分割。
进一步,步骤3中随机回归分类森林的样本处理和参数选取,具体为:在回归训练和分类训练阶段取真实中心点为中心、半径为 2 个体素单元围绕中心点的体素作为训练的“正样本”,在该图像剩余区域,选择相同数目的体素作为“负样本”,训练数据样本采用随机森林回归分类方法进行训练。随机森林分类器训练同上。本发明选择训练树的数量T=500,在每一个节点分裂时随机抽取个属性特征进行决策,回归森林选用,分类森林训练的,经过计算得到3D距离图谱并确定椎骨中心点并标记。步骤4 中模糊主动轮廓分割算法的参数选取,选取窄带邻域半径。
与现有的脊柱CT分割方法进行比较,本发明具有以下的优点:
(1)本发明提出了一种基于主动轮廓模型的脊柱CT图像自动定位分割方法,提取脊柱CT图像的3D Haar-like特征将其应用于随机森林回归算法和随机森林分类算法提取椎骨中心点位置实现对椎骨的自动定位;
(2)本文根据中心点位置确定初始轮廓位置,解决主动轮廓分割方法对初始轮廓位置敏感的问题实现椎骨的自动分割;
(3)实验结果表明,本发明的方法运用到脊柱CT图像的分割工作中,能够有效的将标记椎骨中心并将椎骨与背景分离,本发明方法为医学图像处理中脊柱疾病诊断所需要CT图像分割提供了一种新的方法。
附图说明
图1:本发明流程图;
图2:人体脊椎CT影像图;
图3:椎骨中心定位及分割初始轮廓选取效果图;
图4:初始轮廓位于中心点时健康椎骨分割结果图;
附图中各部件标记如下:1、定位椎骨中心点;2、初始轮廓;3、椎骨分割结果。
具体实施方式
现结合附图对本发明进一步进行详细的解释说明,接下来的说明使用附图来对本发明进一步结束说明,并组成本发明申请的一部分,本发明的发明实例仅是对于对本发明的解释说明,并不能组成对本发明的不当限定。
如图1所示,本发明具体包含以下步骤:
步骤1:读取并显示训练集脊柱CT图像好带分割脊柱CT图像;
步骤2:对脊柱CT图像中的像素进行3D Haar-like特征向量的提取;
步骤3:根据步骤2提取的3D Haar-like特征,利用随机森林算法确定椎骨的中心点;
步骤4:将模糊主动轮廓分割的初始轮廓置于步骤3确定的椎骨中心点处,并对脊柱CT图像进行模糊主动轮廓分割;
步骤5:使用形态学闭运算进行曲线平滑,完成脊柱CT图像的分割;
步骤6:输出训练好模型进行组合,得到完整的脊柱CT分割模型。
如图2所示图像为读取并显示的待分割椎骨CT图像,图3为对应的椎骨中心定位及分割初始轮廓位置图,图4位对应完成分割的椎骨CT图像。
上述步骤2提取脊柱CT的像素的3D积分图像和3D Haar-like特征具体表示为:
对ABCDEFGH立方体区域的体素的强度和可由下式计算:
。
上述步骤3具体包括以下几个步骤内容:
(1)随机森林回归
参与训练的每个像素点定义为,其中是体素到标记椎骨中心点的距离,表示体素提取得到的3D Haar-like 特征,信息增益采用高斯模型密度分布,推广到多元变量条件,获得更一般的回归信息增益:
其中是通过线性拟合计算得到的条件协方差矩阵,将随机回归森林中所有T棵决策树的输出计算得到距离图谱,并取前100个结果作为回归森林的输出:
;
(2)Mean-shift聚类
根据上一步中的回归结果,选择距离图谱中距离值最小的100个点进行Mean-shift 聚类分析,Mean-shift算法采用均匀核函数,bandwidth 取 8 个体素单元,这个过程产生了几个聚类中心后,更好地得到了候选点;
(3)随机森林分类
对B中mean-shift聚类后得到的几个中心点待定点进行随机森林分类,参与训练的像素点定义为,其中是基于体素得到的3D Haar-like 特征,是体素的类别标签,随机森林分类的目标函数:
其中,分别表示到达节点 时的左、右子节点的样本数据点,为左、右子节点的索引,表示样本集中的样本数量,分裂参数的函数,由中的训练像素点对应的类别标记的标准经验直方图计算得到,信息熵表示为:
对T棵树求后验概率的平均值并将其作为分类的结果:
;
(4)样本和参数选取
在回归训练和分类训练阶段取真实中心点为中心、半径为 2 个体素单元围绕中心点的体素作为训练的“正样本”,在该图像剩余区域,选择相同数目的体素作为“负样本”,训练数据样本采用随机森林回归分类方法进行训练。随机森林分类器训练同上。本发明选择训练树的数量T=500,在每一个节点分裂时随机抽取个属性特征进行决策,回归森林选用,分类森林训练的,经过计算得到3D距离图谱并确定椎骨中心点并标记。步骤4 中模糊主动轮廓分割算法的参数选取,选取窄带邻域半径。
上述步骤4具体包括以下几个步骤内容:
(1)初始轮廓
根据利3所述的一种基于主动轮廓模型的脊柱CT图像自动定位分割方法,得到椎骨中心点位置,将脊椎中心点作为模糊主动轮廓分割的初始轮廓L位置,并将初始轮廓置L于该椎骨中心处;
(2)模糊能量函数
将隶属度函数按照下式进行隶属度初始化:
其中, 为之间的常数,局部平均模糊能量函数定义为:
其中,第1项是曲线内部的平均模糊能量,第2项是曲线外部的平均模糊能量,是一个由曲线膨胀和腐蚀操作构成的窄带,它被表示为和区域之间的一条窄带,与之间的区域表示为窄带,与之间的区域表示为窄带,隶属度值为,按下式求得新隶属度:
求解总能量差:
其中
若,将该点的替换为,否则保持不变;
(3)所有像素在雅可比迭代法中进行窄带遍历,在更新隶属度后,重新初始化隶属函数,通过形态学运算平滑曲线,保留外凸。一直到不在为负值,完成分割;
(4)输出训练好模型进行组合,得到完整的脊柱CT分割模型。
以上所述是作为本发明的发明实例,并不能因此来缩小本发明的专利范围,使用本发明说明书及附图内容所作的等效结构变换与流程变换,这些变化也将属于本发明专利保护的范围。
Claims (6)
1.一种基于主动轮廓模型的脊柱CT图像自动定位分割方法,其特征在于包含以下步骤:
步骤1:读取并显示训练集脊柱CT图像好带分割脊柱CT图像;
步骤2:对脊柱CT图像中的像素进行3D Haar-like特征向量的提取;
步骤3:根据步骤2提取的3D Haar-like特征,利用随机森林算法确定椎骨的中心点;
步骤4:将模糊主动轮廓分割的初始轮廓置于步骤3确定的椎骨中心点处,并对脊柱CT图像进行模糊主动轮廓分割;
步骤5:使用形态学闭运算进行曲线平滑,完成脊柱CT图像的分割;
步骤6:输出训练好模型进行组合,得到完整的脊柱CT分割模型。
2.权利要求1所述的一种基于主动轮廓模型的脊柱CT图像自动定位分割方法,其特征在于所述步骤2提取脊柱CT的像素的3D积分图像和3D Haar-like特征具体表示为:
对ABCDEFGH立方体区域的体素的强度和可由下式计算:
。
3.权利要求1所述的一种基于主动轮廓模型的脊柱CT图像自动定位分割方法,其特征在于步骤3具体包括以下几个步骤内容:
A.随机森林回归
参与训练的每个像素点定义为,其中是体素到标记椎骨中心点的距离,表示体素提取得到的3D Haar-like 特征,信息增益采用高斯模型密度分布,推广到多元变量条件,获得更一般的回归信息增益:
其中是通过线性拟合计算得到的条件协方差矩阵,将随机回归森林中所有T棵决策树的输出计算得到距离图谱,并取前100个结果作为回归森林的输出:
B.Mean-shift聚类
根据A中选择距离图谱中距离值最小的100个点进行Mean-shift 聚类分析,Mean-shift算法采用均匀核函数,bandwidth 取 8 个体素单元,这个过程产生了几个聚类中心后,更好地得到了候选点;
C.随机森林分类
对B中mean-shift聚类后得到几个中心点待定点进行随机森林分类,训练像素点定义为,其中是基于体素得到的3D Haar-like 特征,是体素的类别标签,随机森林分类的目标函数:
其中,分别表示到达节点时的左、右子节点的样本数据点,为左、右子节点的索引,表示样本集中的样本数量,分裂参数的函数,由中的训练像素点对应的类别标记的标准经验直方图计算得到,信息熵表示为:
对T棵树求后验概率的平均值并将其作为分类的结果:
根据分类结果计算最终距离图谱,并取误差最小的结果作为随机回归分类森林输出的椎骨中心点并标记。
4.权利要求1所述的一种基于主动轮廓模型的脊柱CT图像自动定位分割方法,其特征在于步骤3具体包括以下几个步骤内容:
A.初始轮廓
根据利3所述的一种基于主动轮廓模型的脊柱CT图像自动定位分割方法,得到的椎骨中心点位置,将脊椎中心点作为模糊主动轮廓分割的初始轮廓L位置,并将初始轮廓置L于该椎骨中心处;
B.模糊能量函数
将隶属度函数按照下式进行隶属度初始化:
其中, 为之间的某个常数,局部的平均模糊能量函数有着如下定义:
其中,第1项是曲线内部的平均模糊能量,第2项是曲线外部的平均模糊能量,是一个由曲线膨胀和腐蚀操作构成的窄带,它被表示为和区域之间的一条窄带,与之间的区域表示为窄带,与之间的区域表示为窄带;
C.窄带内某像素点灰度值为,隶属度值为,按下式求得新隶属度:
求解总能量差:
其中
若,将该点的替换为,否则保持不变;
D.所有像素在雅可比迭代法中进行窄带遍历,在更新隶属度后,重新初始化隶属函数,通过形态学运算平滑曲线,保留外凸;一直到不再为负值,完成分割。
5.根据权利要求3的一种基于主动轮廓模型的脊柱CT图像自动定位分割方法,其特征在于步骤3中随机回归分类森林的样本处理和参数选取,具体为:在回归训练和分类训练阶段取真实中心点为中心、半径为 2 个体素单元围绕中心点的体素作为训练的“正样本”,在该图像剩余区域,选择相同数目的体素作为“负样本”,训练数据样本采用随机森林回归分类方法进行训练;随机森林分类器训练同上;本发明选择训练树的数量T=500,在每一个节点分裂时随机抽取个属性特征进行决策,回归森林选用,分类森林训练的,经过计算得到3D距离图谱并确定椎骨中心点并标记;步骤4 中模糊主动轮廓分割算法的参数选取,选取窄带邻域半径。
6.权利要求4述的一种基于主动轮廓模型的脊柱CT图像自动定位分割方法,其特征在于模糊主动轮廓分割算法的参数选取,选取窄带邻域半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711315308.5A CN108230301A (zh) | 2017-12-12 | 2017-12-12 | 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711315308.5A CN108230301A (zh) | 2017-12-12 | 2017-12-12 | 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108230301A true CN108230301A (zh) | 2018-06-29 |
Family
ID=62649418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711315308.5A Pending CN108230301A (zh) | 2017-12-12 | 2017-12-12 | 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230301A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064473A (zh) * | 2018-07-26 | 2018-12-21 | 华南理工大学 | 一种2.5d超声宽景图像分割方法 |
CN109523523A (zh) * | 2018-11-01 | 2019-03-26 | 郑宇铄 | 基于fcn神经网络和对抗学习的椎体定位识别分割方法 |
CN109615656A (zh) * | 2018-11-20 | 2019-04-12 | 哈尔滨理工大学 | 一种基于模型搜索的脊柱定位方法 |
CN110264475A (zh) * | 2019-06-19 | 2019-09-20 | 合肥工业大学 | 基于ct图像的脊椎三维建模方法及装置 |
CN110599508A (zh) * | 2019-08-01 | 2019-12-20 | 平安科技(深圳)有限公司 | 基于人工智能的脊柱影像处理方法及相关设备 |
CN110852991A (zh) * | 2019-10-10 | 2020-02-28 | 浙江大学 | 一种基于3d结合2d的脊椎骨检测方法 |
CN111047572A (zh) * | 2019-12-10 | 2020-04-21 | 南京安科医疗科技有限公司 | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 |
CN111210897A (zh) * | 2018-11-21 | 2020-05-29 | 西门子医疗有限公司 | 处理医学图像 |
CN112465771A (zh) * | 2020-11-25 | 2021-03-09 | 平安科技(深圳)有限公司 | 脊柱核磁共振图像的分析方法、装置和计算机设备 |
CN112927213A (zh) * | 2021-03-11 | 2021-06-08 | 上海交通大学 | 一种医学图像分割方法、介质及电子设备 |
CN113205535A (zh) * | 2021-05-27 | 2021-08-03 | 青岛大学 | 一种x光片脊椎自动分割及标识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766316A (zh) * | 2015-03-31 | 2015-07-08 | 复旦大学 | 中医望诊中新型嘴唇分割算法 |
US20160093093A1 (en) * | 2014-09-26 | 2016-03-31 | Rush University Medical Center | Kinematic Analysis based on MRI Bone Marrow Signals |
US20160113612A1 (en) * | 2014-10-28 | 2016-04-28 | Siemens Aktiengesellschaft | Method for the fully automatic detection and assessment of damaged vertebrae |
CN106157295A (zh) * | 2015-03-10 | 2016-11-23 | 西门子公司 | 用于医学图像中分割不确定度的计算和可视化的系统和方法 |
EP3142070A1 (en) * | 2015-09-10 | 2017-03-15 | Agfa HealthCare | Method, apparatus and system for segmentation of anatomical structures in medical images |
CN107248161A (zh) * | 2017-05-11 | 2017-10-13 | 江西理工大学 | 一种多特征融合的有监督视网膜血管提取方法 |
-
2017
- 2017-12-12 CN CN201711315308.5A patent/CN108230301A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160093093A1 (en) * | 2014-09-26 | 2016-03-31 | Rush University Medical Center | Kinematic Analysis based on MRI Bone Marrow Signals |
US20160113612A1 (en) * | 2014-10-28 | 2016-04-28 | Siemens Aktiengesellschaft | Method for the fully automatic detection and assessment of damaged vertebrae |
CN106157295A (zh) * | 2015-03-10 | 2016-11-23 | 西门子公司 | 用于医学图像中分割不确定度的计算和可视化的系统和方法 |
CN104766316A (zh) * | 2015-03-31 | 2015-07-08 | 复旦大学 | 中医望诊中新型嘴唇分割算法 |
EP3142070A1 (en) * | 2015-09-10 | 2017-03-15 | Agfa HealthCare | Method, apparatus and system for segmentation of anatomical structures in medical images |
CN107248161A (zh) * | 2017-05-11 | 2017-10-13 | 江西理工大学 | 一种多特征融合的有监督视网膜血管提取方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064473B (zh) * | 2018-07-26 | 2022-03-29 | 华南理工大学 | 一种2.5d超声宽景图像分割方法 |
CN109064473A (zh) * | 2018-07-26 | 2018-12-21 | 华南理工大学 | 一种2.5d超声宽景图像分割方法 |
CN109523523A (zh) * | 2018-11-01 | 2019-03-26 | 郑宇铄 | 基于fcn神经网络和对抗学习的椎体定位识别分割方法 |
CN109615656A (zh) * | 2018-11-20 | 2019-04-12 | 哈尔滨理工大学 | 一种基于模型搜索的脊柱定位方法 |
CN111210897A (zh) * | 2018-11-21 | 2020-05-29 | 西门子医疗有限公司 | 处理医学图像 |
CN110264475A (zh) * | 2019-06-19 | 2019-09-20 | 合肥工业大学 | 基于ct图像的脊椎三维建模方法及装置 |
CN110264475B (zh) * | 2019-06-19 | 2022-10-25 | 合肥工业大学 | 基于ct图像的脊椎三维建模方法及装置 |
CN110599508A (zh) * | 2019-08-01 | 2019-12-20 | 平安科技(深圳)有限公司 | 基于人工智能的脊柱影像处理方法及相关设备 |
CN110599508B (zh) * | 2019-08-01 | 2023-10-27 | 平安科技(深圳)有限公司 | 基于人工智能的脊柱影像处理方法及相关设备 |
CN110852991B (zh) * | 2019-10-10 | 2022-08-09 | 浙江大学 | 一种基于3d结合2d的脊椎骨检测方法 |
CN110852991A (zh) * | 2019-10-10 | 2020-02-28 | 浙江大学 | 一种基于3d结合2d的脊椎骨检测方法 |
CN111047572A (zh) * | 2019-12-10 | 2020-04-21 | 南京安科医疗科技有限公司 | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 |
CN112465771A (zh) * | 2020-11-25 | 2021-03-09 | 平安科技(深圳)有限公司 | 脊柱核磁共振图像的分析方法、装置和计算机设备 |
CN112465771B (zh) * | 2020-11-25 | 2023-07-25 | 平安科技(深圳)有限公司 | 脊柱核磁共振图像的分析方法、装置和计算机设备 |
CN112927213A (zh) * | 2021-03-11 | 2021-06-08 | 上海交通大学 | 一种医学图像分割方法、介质及电子设备 |
CN112927213B (zh) * | 2021-03-11 | 2022-11-11 | 上海交通大学 | 一种医学图像分割方法、介质及电子设备 |
CN113205535A (zh) * | 2021-05-27 | 2021-08-03 | 青岛大学 | 一种x光片脊椎自动分割及标识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230301A (zh) | 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法 | |
CN108830326B (zh) | 一种mri图像的自动分割方法及装置 | |
CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
CN108364294B (zh) | 基于超像素的腹部ct图像多器官分割方法 | |
Badura et al. | Soft computing approach to 3D lung nodule segmentation in CT | |
CN108510507A (zh) | 一种融合加权随机森林的3d椎骨ct图像主动轮廓分割方法 | |
KR101901397B1 (ko) | 딥러닝을 이용한 수완부 방사선 영상으로부터 골 성숙도(smi) 자동 분석방법 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
CN112037200A (zh) | 一种医学影像中解剖特征自动识别与模型重建方法 | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN110059656B (zh) | 基于卷积对抗生成神经网络的白细胞分类方法及系统 | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
CN111784704B (zh) | Mri髋关节炎症分割与分类自动定量分级序贯方法 | |
CN112419344B (zh) | 一种基于Chan-Vese模型的无监督图像分割方法 | |
CN110047075A (zh) | 一种基于对抗网络的ct图像分割方法 | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
CN115797387A (zh) | Ct灌注影像动脉输入函数全自动选择的方法及装置 | |
CN112508902A (zh) | 白质高信号分级方法、电子设备及存储介质 | |
Jaffar et al. | An ensemble shape gradient features descriptor based nodule detection paradigm: a novel model to augment complex diagnostic decisions assistance | |
Cerrolaza et al. | Fetal skull segmentation in 3D ultrasound via structured geodesic random forest | |
Lakshminarayanan et al. | Diagnosis of cancer using hybrid clustering and convolution neural network from breast thermal image | |
Antony et al. | Feature learning to automatically assess radiographic knee osteoarthritis severity | |
Correa et al. | Gfkuts: a novel multispectral image segmentation method applied to precision agriculture |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180629 |