CN108257120A - 一种基于ct图像的三维肝脏包围盒的自动提取方法 - Google Patents
一种基于ct图像的三维肝脏包围盒的自动提取方法 Download PDFInfo
- Publication number
- CN108257120A CN108257120A CN201810017023.1A CN201810017023A CN108257120A CN 108257120 A CN108257120 A CN 108257120A CN 201810017023 A CN201810017023 A CN 201810017023A CN 108257120 A CN108257120 A CN 108257120A
- Authority
- CN
- China
- Prior art keywords
- liver
- dimensional
- images
- coordinate
- bounding box
- 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.)
- Granted
Links
- 210000004185 liver Anatomy 0.000 title claims abstract description 124
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 230000003187 abdominal effect Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 206010019695 Hepatic neoplasm Diseases 0.000 abstract description 4
- 208000014018 liver neoplasm Diseases 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
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
-
- G06T3/147—
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于CT图像的三维肝脏包围盒的自动提取方法,对N例腹部CT肝脏分割数据进行体积测量,选出和平均肝脏体积最接近的三维CT切片和肝脏掩膜,确定其对应的CT切片的肝脏区域矩形框;把已经确定肝脏矩形区域的CT图像作为标准CT图像和未确定肝脏包围盒的CT图像进行粗配准,改变粗配准中优化器的步长和迭代次数,输出变换矩阵;对肝脏区域矩形框的二值图像进行几何变换,将变换后的矩阵放在二维坐标系中,找出矩阵中灰度值为1的所有点的坐标,根据X,Y最大值和最小值确定矩形边界作为肝脏区域矩形。本发明降低了图像处理数据量,指导肝脏的快速、准确的分割,对于指导肝脏肿瘤分割具有重要意义,为后续研究奠定了基础。
Description
技术领域
本发明涉及一种图像处理技术,具体为一种基于CT图像的三维肝脏包围盒的自动提取方法。
背景技术
随着科学技术的飞速发展和人民生活水平的持续提高,人们越来越关注自身健康,提早准确的发现疾病并予以及时治疗,不但可以挽回病人的生命、减轻病人的痛苦,还可以减轻病人的经济负担。信息化爆炸的今天,图像作为人类感知外界环境最基础、直接、真实的方式,正在向着更高要求的方向不断发展。医学影像技术作为一种非侵入式的医学诊断参考依据,在现代医学中起着越来越重要的作用。计算机断层扫描(CT),超声成像(US),核磁共振(MRI),正电子放射断层扫描(PET)等医学成像技术已经成为辅助医生诊断和治疗的重要工具,在肿瘤诊断中扮演重要角色。由于CT图像对于组织器官的成像效果好,能精确反应解剖信息等优点,所以在疾病的检查中应用广泛。
ROI区域的提取对于医学图像处理具有非常重要的意义。医学图像内容丰富、结构复杂,如何提取其中有效的区域,是医学图像检索和识别的重要难点,它对于医生进行病例分析以及教学和科研都有非常重要的意义。近年来,研究者对于ROI区域提取进行了大量深入研究,出现了大量的ROI区域提取的方法,其中包括:阈值法、区域增长法、聚类法、图谱法、水平集、图切法和神经网络等。这些方法仍然存在缺陷,例如:需要手动交互、对噪声敏感、复杂度高、适应性不强,因此不适合临床使用。
发明内容
针对现有技术中ROI区域的提取方法不适合临床使用等不足,本发明要解决的问题是提供一种能够快速、准确的从医学图像中得到分割目标的基于CT图像的三维肝脏包围盒的自动提取方法。
为解决上述技术问题,本发明采用的技术方案是:
本发明一种基于CT图像的三维肝脏包围盒的自动提取方法,包括以下步骤:
1)对N例不同身高体重人体的腹部CT肝脏分割数据进行体积测量,求取平均肝脏体积Va,并从这些CT数据中选出和Va最接近的三维CT切片和肝脏掩膜;
2)对选出的三维CT切片和肝脏掩膜数据沿冠状面垂直方向插值;
3)根据插值之后的肝脏掩膜数据,确定其对应的CT切片的肝脏区域矩形框Lr;对插值之后的每张CT切片都完成肝脏区域矩形框的确定,然后确定三维CT切片的肝脏包围盒Lb,把已经确定肝脏矩形区域的CT图像作为标准CT图像Im;
4)对确定肝脏包围盒的CT图像Im和未确定肝脏包围盒的CT图像If进行粗配准;
5)改变粗配准中优化器的步长s和迭代次数t,输出变换矩阵T;
6)设置Im肝脏区域矩形框内像素点的灰度值为1,其余像素点的灰度值为0,得到新的矩阵In,对新的矩阵In依据变换矩阵T进行几何变换,得到变换后的矩阵T′;
7)把变换后的矩阵T′放在二维坐标系中,左上角为坐标原点,找出矩阵T′中灰度值为1的所有点的坐标(X,Y);确定X,Y的最小值和最大值,根据X,Y最大值和最小值确定四个坐标点;
8)根据四个坐标点确定一个矩形边界,该矩形边界作为If的肝脏区域矩形。
步骤1)是读取每个人的三维肝脏分割数据,找出肝脏轮廓像素点的三维坐标,计算每个人的肝脏体积Va,并从这些CT数据中找出和Va最接近的三维CT切片和肝脏掩膜,具体为:
101)将三维肝脏分割数据读到内存中;
102)获取三维点云中每个轮廓点的位置坐标(Px,Py,Pz);
103)通过MATLAB中的MESH函数计算每个人肝脏的体积;
104)求取一个平均体积Va;
105)从CT数据中找出和Va最接近的三维CT切片和肝脏分割图像。
步骤3)的具体方法为:
301)将插值之后的三维CT数据和肝脏掩膜读取到内存中;
302)确定每张切片肝脏的边界坐标,并得到坐标中的x和y最大值和最小值,根据x和y最大值和最小值确定其对应CT切片的肝脏区域矩形框Lr;
303)对插值后的切片都执行步骤3.2,确定三维CT切片的肝脏包围盒Lb,将这些图像作为标准CT图像Im。
步骤7)的具体方法为:
701)读取变换后的矩阵T′放入二维坐标系中,左上角为坐标原点;
702)找出变换后的矩阵T′中所有灰度值为1的点的坐标(X,Y);
703)确定坐标X的最小值Xmin,最大值Xmax和坐标Y的最小值Ymin,最大值Ymax;
704)确定四个坐标点(xmin,ymin),(xmin,ymax),(xmax,ymax),(xmax,ymin)。
步骤1)中,N为150~300。
本发明具有以下有益效果及优点:
1.本发明提出了基于网格点云体积测量和图像配准进行腹部CT图像肝脏包围盒自动提取方法,大大降低了图像处理数据量,借此能够指导肝脏的快速、准确的分割,对于指导肝脏肿瘤分割也有重要意义,为后续的肝脏及肿瘤分割奠定了基础。
2.本发明能够在保证图像有效信息的基础上降低图像处理的数据量,能够有助于提升图像分割的效率;对于肝脏和肝脏肿瘤的分割实验,能够直接从腹部CT图像中提取肝脏的包围盒,仅对肝脏ROI区域进行处理,极大地降低图像分析的数据量,有效提高分割效率。
附图说明
图1为本发明基于CT图像的三维肝脏包围盒的自动提取方法流程图;
图2A为本发明中已确定肝脏区域矩形框的标准CT图像;
图2B为本发明中的二值图像;
图2C为本发明中未确定肝脏包围盒的CT图像;
图2D为本发明中的配准图像;
图2E为本发明中变换后的图像中确定坐标点;
图2F为本发明中确定图2C的肝脏区域矩形框;
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
如图1所示,本发明一种基于CT图像的三维肝脏包围盒的自动提取方法,包括以下步骤:
1)对N例不同身高体重人体的腹部CT肝脏分割数据进行体积测量,求取平均肝脏体积Va,并从这些CT数据中选出和Va最接近的三维CT切片和肝脏掩膜;本发明中,N为150~300。
2)对选出的三维CT切片和肝脏掩膜数据沿冠状面垂直方向插值;
3)根据插值之后的肝脏掩膜数据,确定其对应的CT切片的肝脏区域矩形框Lr;对插值之后的每张CT切片都完成肝脏区域矩形框的确定,然后确定三维CT切片的肝脏包围盒Lb,把已经确定肝脏矩形区域的CT图像作为标准CT图像Im,如图2A所示。
4)对确定肝脏包围盒的CT图像Im和未确定肝脏包围盒的CT图像If(如图2C所示)进行粗配准;
5)改变粗配准中优化器的步长s和迭代次数t,得到图2D所示的配准图像,输出变换矩阵T;
6)设置Im肝脏区域矩形框内像素点的灰度值为1,其余像素点的灰度值为0,得到新的图像矩阵In(如图2B所示),对新的矩阵In依据变换矩阵T进行几何变换,得到变换后的矩阵T′;
7)把变换后的矩阵T′放在二维坐标系中,左上角为坐标原点,找出矩阵T′中灰度值为1的所有点的坐标(X,Y);确定X,Y的最小值和最大值,根据X,Y最大值和最小值确定四个坐标点,如图2E所示;
8)根据四个坐标点确定一个矩形边界,该矩形边界作为If的肝脏区域矩形,如图2F所示。
本发明方法包括四部分:第一部分为平均肝脏体积的计算,该部分包括获取三维人体图像,并通过网格点云模型计算肝脏体积,再求出平均肝脏体积;第二部分是获取标准CT图像,该部分使用边缘检测的方法确定标准CT图像的肝脏区域矩形;第三部分是图像配准,该部分通过对标准CT图像Im和未确定肝脏包围盒的CT图像If进行配准,确定变换矩阵T;第四部分为确定四个坐标,该部分由Im的二值矩阵经过几何变换,得到矩阵T′,通过矩阵T′中灰度值为1的点的坐标的最大最小值,确定四个坐标点,最后得到图像If的肝脏区域矩形。
步骤1)中,取200例不同身高体重人体的腹部CT肝脏分割数据进行体积测量,读取每个人的三维肝脏分割数据,找出肝脏轮廓像素点的三维坐标,计算每个人的肝脏体积Va,并从这些CT数据中找出和Va最接近的三维CT切片和肝脏掩膜,具体为:
101)将三维肝脏分割数据读到内存中;
本实施例是将人体三维肝脏分割数据读取到内存中,启动MATLAB软件,调用Dicomread()函数读取Dicom图像,保存每个人的三维图像数据矩阵;
102)获取三维图像数据矩阵中每个轮廓点的位置坐标(Px,Py,Pz);
本实施例是对每张肝脏分割图像进行边缘检测,调用函数edge(),得到肝脏轮廓像素的坐标(Px,Py,Pz);
103)通过MATLAB中的MESH函数计算每个人肝脏的体积;
104)求取一个平均体积Va,即对所有的肝脏体积求和,除以实验个数,求出平均肝脏体积Va;
105)从CT数据中找出和Va最接近的三维CT切片和肝脏分割图像。
步骤2)中对选出的三维CT切片和肝脏掩膜数据沿冠状面垂直方向插值,具体步骤为:
201)将选中的CT数据和肝脏分割数据读入内存中;读取Dicom图像,保存三维图像数据;
202)对三维数据沿Z轴方向插值,本步骤通过调用imresize函数实现。
步骤3)的具体方法为:
301)将插值之后的三维CT数据和肝脏掩膜读取到内存中;
302)确定每张切片肝脏的边界坐标,并得到坐标中的x和y最大值和最小值,根据x和y最大值和最小值确定其对应CT切片的肝脏区域矩形框Lr;
本实施例将确定插值后图像的肝脏轮廓坐标,得到坐标中的x和y最大值和最小值,最大值分别增加20,最小值分别减小20,确定其对应CT切片的肝脏区域矩形框Lr;
303)对插值后的切片都执行步骤3.2,确定三维CT切片的肝脏包围盒Lb,将这些图像作为标准CT图像Im。
步骤4)为粗配准,具体步骤为:
401)设置优化度量准则和度量两幅图相似度;
本实施例调用imregconfig函数,返回参数optimizer用于优化度量准则,输出参数metric提供了度量两幅图相似度的方法;
402)图像进行仿射变换,得到粗配准的结果。
本实施例调用imregister函数,根据步骤401)获得的optimizer和metric参数对图像做仿射变换,得到粗配准的图像。
步骤7)中,确定四个坐标点的具体方法为:
701)读取变换后的矩阵T′放入二维坐标系中,左上角为坐标原点;
702)找出变换后的矩阵T′中所有灰度值为1的点的坐标(X,Y);
703)确定坐标X的最小值Xmin,最大值Xmax和坐标Y的最小值Ymin,最大值Ymax;
704)确定四个坐标点(xmin,ymin),(xmin,ymax),(xmax,ymax),(xmax,ymin)。
步骤8中,根据四个坐标点确定一个矩形边界,该矩形边界作为If的肝脏区域矩形,具体步骤:
801)根据坐标(xmin,ymin),(xmin,ymax),(xmax,ymax),(xmax,ymin)确定一个矩形边界Lr′;
802)将该矩形边界Lr′对应显示在图像If上,即确定了该CT切片的肝脏区域矩形。
本发明提出一种对腹部CT图像准确快速提取三维肝脏包围盒的自动化方法,即医学图像自动提取感兴趣区域(ROI)方法,也是网格点云体积测量和图像配准的方法,用于医学图像自动提取肝脏包围盒的技术。本发明方法通过大量数据计算得到标准体积,选出和标准体积最接近的CT图像并进行插值,根据肝脏掩膜确定标准CT图像的包围盒,未确定包围盒的肝脏CT图像和确定包围盒的标准体积CT图像配准,确定未知体积三维CT数据的肝脏包围盒,能够在保证图像有效信息的基础上降低图像处理的数据量,能够有助于提升图像分割的效率。对于肝脏和肝脏肿瘤的分割实验,如果能够直接从腹部CT图像中提取肝脏的包围盒,这样就能仅对肝脏ROI区域进行处理,极大地降低图像分析的数据量,有效提高分割效率,适合临床使用。
Claims (5)
1.一种基于CT图像的三维肝脏包围盒的自动提取方法,其特征在于包括以下步骤:
1)对N例不同身高体重人体的腹部CT肝脏分割数据进行体积测量,求取平均肝脏体积Va,并从这些CT数据中选出和Va最接近的三维CT切片和肝脏掩膜;
2)对选出的三维CT切片和肝脏掩膜数据沿冠状面垂直方向插值;
3)根据插值之后的肝脏掩膜数据,确定其对应的CT切片的肝脏区域矩形框Lr;对插值之后的每张CT切片都完成肝脏区域矩形框的确定,然后确定三维CT切片的肝脏包围盒Lb,把已经确定肝脏矩形区域的CT图像作为标准CT图像Im;
4)对确定肝脏包围盒的CT图像Im和未确定肝脏包围盒的CT图像If进行粗配准;
5)改变粗配准中优化器的步长s和迭代次数t,输出变换矩阵T;
6)设置Im肝脏区域矩形框内像素点的灰度值为1,其余像素点的灰度值为0,得到新的矩阵In,对新的矩阵In依据变换矩阵T进行几何变换,得到变换后的矩阵T′;
7)把变换后的矩阵T′放在二维坐标系中,左上角为坐标原点,找出矩阵T′中灰度值为1的所有点的坐标(X,Y);确定X,Y的最小值和最大值,根据X,Y最大值和最小值确定四个坐标点;
8)根据四个坐标点确定一个矩形边界,该矩形边界作为If的肝脏区域矩形。
2.按权利要求1所述的基于CT图像的三维肝脏包围盒的自动提取方法,其特征在于:步骤1)是读取每个人的三维肝脏分割数据,找出肝脏轮廓像素点的三维坐标,计算每个人的肝脏体积Va,并从这些CT数据中找出和Va最接近的三维CT切片和肝脏掩膜,具体为:
101)将三维肝脏分割数据读到内存中;
102)获取三维点云中每个轮廓点的位置坐标(Px,Py,Pz);
103)通过MATLAB中的MESH函数计算每个人肝脏的体积;
104)求取一个平均体积Va;
105)从CT数据中找出和Va最接近的三维CT切片和肝脏分割图像。
3.按权利要求1所述的基于CT图像的三维肝脏包围盒的自动提取方法,其特征在于:步骤3)的具体方法为:
301)将插值之后的三维CT数据和肝脏掩膜读取到内存中;
302)确定每张切片肝脏的边界坐标,并得到坐标中的x和y最大值和最小值,根据x和y最大值和最小值确定其对应CT切片的肝脏区域矩形框Lr;
303)对插值后的切片都执行步骤3.2,确定三维CT切片的肝脏包围盒Lb,将这些图像作为标准CT图像Im。
4.按权利要求1所述的基于CT图像的三维肝脏包围盒的自动提取方法,其特征在于:步骤7)的具体方法为:
701)读取变换后的矩阵T′放入二维坐标系中,左上角为坐标原点;
702)找出变换后的矩阵T′中所有灰度值为1的点的坐标(X,Y);
703)确定坐标X的最小值Xmin,最大值Xmax和坐标Y的最小值Ymin,最大值Ymax;
704)确定四个坐标点(xmin,ymin),(xmin,ymax),(xmax,ymax),(xmax,ymin)。
5.按权利要求1所述的基于CT图像的三维肝脏包围盒的自动提取方法,其特征在于:步骤1)中,N为150~300。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810017023.1A CN108257120B (zh) | 2018-01-09 | 2018-01-09 | 一种基于ct图像的三维肝脏包围盒的自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810017023.1A CN108257120B (zh) | 2018-01-09 | 2018-01-09 | 一种基于ct图像的三维肝脏包围盒的自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108257120A true CN108257120A (zh) | 2018-07-06 |
CN108257120B CN108257120B (zh) | 2019-09-06 |
Family
ID=62726105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810017023.1A Active CN108257120B (zh) | 2018-01-09 | 2018-01-09 | 一种基于ct图像的三维肝脏包围盒的自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108257120B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102506A (zh) * | 2018-08-20 | 2018-12-28 | 东北大学 | 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法 |
CN109685862A (zh) * | 2018-12-12 | 2019-04-26 | 重庆大学 | 一种ct切片直接转换成3d打印g代码的方法 |
CN112102333A (zh) * | 2020-09-02 | 2020-12-18 | 合肥工业大学 | 面向b超dicom影像的超声区域分割方法和系统 |
CN116152576A (zh) * | 2023-04-19 | 2023-05-23 | 北京邮电大学 | 图像处理方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473805A (zh) * | 2013-09-18 | 2013-12-25 | 内蒙古科技大学 | 基于改进区域生长算法测量三维重建肝脏模型体积的方法 |
CN105139377A (zh) * | 2015-07-24 | 2015-12-09 | 中南大学 | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 |
CN105303547A (zh) * | 2014-07-11 | 2016-02-03 | 东北大学 | 一种基于网格匹配的Demons算法的多期CT图像配准方法 |
CN105894517A (zh) * | 2016-04-22 | 2016-08-24 | 北京理工大学 | 基于特征学习的ct图像肝脏分割方法及系统 |
CN106204733A (zh) * | 2016-07-22 | 2016-12-07 | 青岛大学附属医院 | 肝脏和肾脏ct图像联合三维构建系统 |
CN106570868A (zh) * | 2015-10-10 | 2017-04-19 | 中国科学院深圳先进技术研究院 | 基于水平集方法的三维肝脏肿瘤半自动分割方法 |
CN107103605A (zh) * | 2016-02-22 | 2017-08-29 | 上海联影医疗科技有限公司 | 一种乳房组织的分割方法 |
CN107316327A (zh) * | 2017-07-05 | 2017-11-03 | 大连理工大学 | 基于最大公共子图与包围盒的断骨断面及断骨模型配准方法 |
-
2018
- 2018-01-09 CN CN201810017023.1A patent/CN108257120B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473805A (zh) * | 2013-09-18 | 2013-12-25 | 内蒙古科技大学 | 基于改进区域生长算法测量三维重建肝脏模型体积的方法 |
CN105303547A (zh) * | 2014-07-11 | 2016-02-03 | 东北大学 | 一种基于网格匹配的Demons算法的多期CT图像配准方法 |
CN105139377A (zh) * | 2015-07-24 | 2015-12-09 | 中南大学 | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 |
CN106570868A (zh) * | 2015-10-10 | 2017-04-19 | 中国科学院深圳先进技术研究院 | 基于水平集方法的三维肝脏肿瘤半自动分割方法 |
CN107103605A (zh) * | 2016-02-22 | 2017-08-29 | 上海联影医疗科技有限公司 | 一种乳房组织的分割方法 |
CN105894517A (zh) * | 2016-04-22 | 2016-08-24 | 北京理工大学 | 基于特征学习的ct图像肝脏分割方法及系统 |
CN106204733A (zh) * | 2016-07-22 | 2016-12-07 | 青岛大学附属医院 | 肝脏和肾脏ct图像联合三维构建系统 |
CN107316327A (zh) * | 2017-07-05 | 2017-11-03 | 大连理工大学 | 基于最大公共子图与包围盒的断骨断面及断骨模型配准方法 |
Non-Patent Citations (5)
Title |
---|
CHUNHUA DONG 等: "Segmentation of liver and spleen based on computational anatomy models", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
HUIYAN JIANG 等: "Liver Segmentation Based on Snakes Model and Improved GrowCut Algorithm in Abdominal CT Image", 《COMPUTATIONAL AND MATHEMATICAL METHODS IN MEDICINE》 * |
刘伟 等: "基于图谱的肝脏CT三维自动分割研究", 《北京生物医学工程》 * |
姜慧研 等: "基于改进的变分水平集和区域生长的图像分割方法的研究", 《电子学报》 * |
梅立超 等: "基于GPU和水平集的肝脏快速分割方法的研究", 《仪器仪表学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102506A (zh) * | 2018-08-20 | 2018-12-28 | 东北大学 | 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法 |
CN109102506B (zh) * | 2018-08-20 | 2021-08-13 | 东北大学 | 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法 |
CN109685862A (zh) * | 2018-12-12 | 2019-04-26 | 重庆大学 | 一种ct切片直接转换成3d打印g代码的方法 |
CN112102333A (zh) * | 2020-09-02 | 2020-12-18 | 合肥工业大学 | 面向b超dicom影像的超声区域分割方法和系统 |
CN112102333B (zh) * | 2020-09-02 | 2022-11-04 | 合肥工业大学 | 面向b超dicom影像的超声区域分割方法和系统 |
CN116152576A (zh) * | 2023-04-19 | 2023-05-23 | 北京邮电大学 | 图像处理方法、装置、设备及存储介质 |
CN116152576B (zh) * | 2023-04-19 | 2023-08-01 | 北京邮电大学 | 图像处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108257120B (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108257120B (zh) | 一种基于ct图像的三维肝脏包围盒的自动提取方法 | |
WO2021078066A1 (zh) | 乳腺超声筛查方法、装置及系统 | |
CN101576997B (zh) | 基于二次三维区域生长的腹部器官分割方法 | |
El-Baz et al. | Appearance analysis for diagnosing malignant lung nodules | |
US20150023578A1 (en) | Device and method for determining border of target region of medical images | |
CN110047082A (zh) | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统 | |
CN112862824A (zh) | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
US9275452B2 (en) | Method and system for automatically determining compliance of cross sectional imaging scans with a predetermined protocol | |
CN110874860A (zh) | 基于混合损失函数的对称监督模型的目标提取方法 | |
CN111325754B (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
Yao et al. | Progress in the Application of Artificial Intelligence in Ultrasound Diagnosis of Breast Cancer | |
CN114677322B (zh) | 基于注意力引导点云特征学习的奶牛体况自动评分方法 | |
Honghan et al. | Rms-se-unet: A segmentation method for tumors in breast ultrasound images | |
CN110858412B (zh) | 基于图像配准的心脏冠脉cta模型建立方法 | |
CN107292351B (zh) | 一种结节的匹配方法及装置 | |
WO2012153231A2 (en) | Myocardial clusterification and orientation | |
CN108982557A (zh) | 放射生物学实验用放射性肺炎ct定量检测方法 | |
Gunasundari et al. | Application of Artificial Neural Network in identification of lung diseases | |
Feng et al. | Automatic fetal weight estimation using 3D ultrasonography | |
WO2023133929A1 (zh) | 一种基于超声的人体组织对称性检测分析方法 | |
Wulandari et al. | Automatic lung cancer detection using color histogram calculation | |
CN113838020A (zh) | 一种基于钼靶影像的病变区域量化方法 | |
CN113409447A (zh) | 一种基于多切片组合的冠状动脉分割方法和装置 | |
KR20210069250A (ko) | 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법 |
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 |