CN108305247B - 一种基于ct图像灰度值检测组织硬度的方法 - Google Patents
一种基于ct图像灰度值检测组织硬度的方法 Download PDFInfo
- Publication number
- CN108305247B CN108305247B CN201810043552.9A CN201810043552A CN108305247B CN 108305247 B CN108305247 B CN 108305247B CN 201810043552 A CN201810043552 A CN 201810043552A CN 108305247 B CN108305247 B CN 108305247B
- Authority
- CN
- China
- Prior art keywords
- hardness
- image
- gray
- value
- muscle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 43
- 210000001519 tissue Anatomy 0.000 claims abstract description 42
- 238000002591 computed tomography Methods 0.000 claims abstract description 38
- 210000003205 muscle Anatomy 0.000 claims abstract description 37
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 4
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 3
- 102000008108 Osteoprotegerin Human genes 0.000 claims description 3
- 108010035042 Osteoprotegerin Proteins 0.000 claims description 3
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000008098 formaldehyde solution Substances 0.000 claims description 3
- XXUPLYBCNPLTIW-UHFFFAOYSA-N octadec-7-ynoic acid Chemical compound CCCCCCCCCCC#CCCCCCC(O)=O XXUPLYBCNPLTIW-UHFFFAOYSA-N 0.000 claims description 3
- 238000010146 3D printing Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011888 autopsy Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007542 hardness measurement Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013334 tissue model Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- G06T5/70—
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/30008—Bone
Abstract
本发明公开了一种基于CT图像灰度值检测组织硬度的方法,其包括以下步骤:建立灰度‑硬度关系曲线;对待测组织进行CT扫描,获取CT图像;对CT图像采用非局部均值去噪算法进行CT图像降噪;对降噪后的CT图像应用阈值迭代方法区分肌肉和骨组织,并获得肌肉和骨组织的灰度数据信息;将步骤4中获取的灰度数据信息应用到步骤S1中的灰度‑硬度关系曲线中得到待测组织的硬度数据。本发明估算值与真实值接近,为可模拟硬度的3D打印提供了有效依据,有效解决了以往医学教学模型,诊疗模型只能模拟形态与组织间关系的问题,为医务工作者术前准备、理论教学提供了更好的3D模型。
Description
技术领域
本发明属于组织硬度测量技术领域,具体涉及一种基于CT图像灰度值检测组织硬度的方法。
背景技术
目前,3D打印技术、术前模拟、高仿真医学教学模型等高速发展,在一些发达国家,甚至全面取消了尸体解剖和动物实验,对高仿真生物模型的需求越来越大。现有的3D打印技术根据CT断层图像可以在形状和结构很好地进行仿真,但其无法在软硬度和手感层面上进行仿真,从而无法为教学、术前模拟、实验提供更为直观真实的体验。计算机断层扫描(computed tomography,CT)能够提供高清晰的图像,为三维重建提供了基础,并且为图中不同组织提供了很高的对比度,这就使得根据不同组织的对比度将组织区分开来成为可能。不同组织的CT灰度值处于一定的区间范围内,根据这一区间就可判断组织类型。并且,在同类组织中,CT灰度值和其硬度拥有一定的对应关系。
目前比较常见的CT图像分割方法有:阈值分割法、区域生长法、边缘检测、聚类等,这些都可以对组织进行有效分离,但利用这些方法并不能获得灰度值和组织硬度的关系,只能在形状结构层面上进行分析。如中国发明,申请号:201610005765.3;申请公布号:CN105719276A,采用的分割方法只是在形态学层面上进行了组织识别并不能获得组织硬度,从而也就无法为进一步的三维建模打印提供更加优良的数字数据。
发明内容
本发明的目的是提供一种基于CT图像灰度值检测组织硬度的方法,要解决的技术问题是:在根据CT图像灰度值分离开不同组织类型,获得形状结构信息后,进一步根据灰度值获取组织硬度信息,以解决现有条件下3D打印无法模拟硬度的问题。具体技术方案如下。
一种基于CT图像灰度值检测组织硬度的方法,其包括以下步骤:
S1:建立灰度-硬度关系曲线;
S2:对待测组织进行CT扫描,获取CT图像;
S3:对CT图像采用非局部均值去噪算法进行CT图像降噪;
S4:对降噪后的CT图像应用阈值迭代方法区分肌肉和骨组织,并获得肌肉和骨组织的灰度数据信息;
S5:将步骤4中获取的灰度数据信息应用到步骤S1中的灰度-硬度关系曲线中得到待测组织的硬度数据。
其中步骤S1中建立灰度-硬度关系曲线的步骤为:
S11:对组织进行CT扫描,获取CT图像;
S12:对CT图像采用非局部均值去噪算法进行CT图像降噪;
S13:对降噪后的CT图像应用阈值迭代方法区分肌肉和骨组织,并获得肌肉和骨组织的灰度数据信息;
S14:于灰度值30—50区间内,测定相应灰度值下肌肉的邵氏A硬度;于灰度值70—125区间内测定相应灰度值下骨的邵氏A硬度;
S15:根据灰度值、邵氏A硬度关系的散点图拟合出灰度-硬度关系曲线。
进一步地,所述非局部均值去噪算法为:设定两个固定大小的窗口:搜索窗口和邻域窗口,邻域窗口在搜索窗口中滑动,根据邻域间的相似性确定像素的权值。
进一步地,所述阈值迭代方法为:分别设定肌肉和骨的上下阈值,分别记为Zmax和Zmin,令初始阈值TK=(Zmax+Zmin)/2;再根据初始阈值TK将图像分割为前景区域和背景区域,大于等于TK的部分设定为前景区域,小于TK的部分设为背景区域,分别计算出前景区域和背景区域的平均灰度值ZB和ZD;再求出新阈值Tk+1=(ZB+ZD)/2,若TK=(TK+1),则所得即为阈值;否则转迭代计算,直到阈值小于预先设定的精度值。
进一步地,所述步骤S14中测定肌肉的邵氏A硬度的方法为:选取肌肉组织标本,肌肉用甲醛溶液处理,处理于肌腹处分别测量多点组织硬度,取平均值。
进一步地,所述步骤S14中测定骨的邵氏A硬度的方法为:选取骨组织标本,放入4%骨保护素溶液中处理,处理后长骨测量骨干中央多点硬度,短骨和扁骨则于规则平面进行测量。
本发明估算值与真实值接近,为可模拟硬度的3D打印提供了有效依据,有效解决了以往医学教学模型,诊疗模型只能模拟形态与组织间关系的问题,为医务工作者术前准备、理论教学提供了更好的3D模型。
附图说明
图1为非局部均值去噪(NL-MEANS)算法的执行过程图;
图2为基于CT图像灰度值估测组织硬度的流程图;
图3为分割后肌肉组织的CT图像;
图4为分割后骨组织的CT图像;
图5为肌肉的灰度值区间内测定的肌肉的邵氏A硬度散点图;
图6为骨的灰度值区间内测定的骨的邵氏A硬度散点图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。参见图1-6,以通过人体CT图像估测其各组织硬度的实施案例,对专利的具体实施方式进行说明。
首先,以DICOM格式、512×512像素、扫描人体,以此获得的CT灰度图像文件为数据源,以重构组织三维立体模型。
对上述步骤中所获得的源CT图像使用非局部均值去噪(NL-MEANS)算法进行CT图像降噪,其步骤为:
设定两个固定大小的窗口:搜索窗口(D×D,D=2*Ds+1和邻域窗口(d×d,d=2*ds+1),邻域窗口在搜索窗口中滑动,根据邻域间的相似性确定像素的权值。
图1是NL-means算法执行的具体过程的示意图,大窗口是以目标像素x为中心的搜索窗口,两个灰色小窗口分别是以x、y为中心的邻域窗口。其中以y为中心的邻域窗口在搜索窗口中滑动,通过计算两个邻域窗口间的相似程度为y赋以权值w(x,y)。
NL-means执行过程如下。
其中权值w(x,y)表示像素点x和y间的相似度,它的值由以x、y为中心的矩形邻域V(x)、V(y)间的距离‖V(x)-V(y)‖2决定:
其中
Z(x)为归一化系数,h为平滑参数,控制高斯函数的衰减程度。h越大高斯函数变化越平缓,去噪水平越高,但同时也会导致图像越模糊。h越小,边缘细节成分保持得越多,但会残留过多的噪声点。h的具体取值应当以图像中的噪声水平为依据。
其次,对上述步骤中降噪后的CT图像应用阈值迭代方法区分肌肉和骨组织。应用不同的组织的灰度范围,分别设定肌肉和骨的上下阈值,分别记为Zmax和Zmin,令初始阈值TK=(Zmax+Zmin)/2;再根据初始阈值Tk将图像分割为前景(大于等于Tk的部分设定为目标区域D)和背景(小于Tk的部分设为背景区域B),分别计算出B、D区域的平均灰度值ZB和ZD;再求出新阈值Tk+1=(ZB+ZD)/2;若Tk=Tk+1,则所得即为阈值;否则转迭代计算,直到阈值小于预先设定的精度值。组织区分完成后的CT图像见附图3-4。
最后,根据肌肉和骨组织的具体灰度值,应用灰度-硬度关系曲线,计算出相应组织的硬度值。其中建立建立灰度-硬度关系曲线的步骤为:
S11:对组织进行CT扫描,获取CT图像;
S12:对CT图像采用上述非局部均值去噪算法进行CT图像降噪;
S13:对降噪后的CT图像应用上述阈值迭代方法区分肌肉和骨组织,并获得肌肉和骨组织的灰度数据信息;
S14:于灰度值20-35区间内,测定相应灰度值下肌肉的邵氏A硬度;于灰度值70-100区间内测定相应灰度值下骨的邵氏A硬度;
S15:根据灰度值、邵氏A硬度关系的散点图拟合出灰度-硬度关系曲线。
其中,散点图如图5-6所示,作多项式F(x)=a1xm+…+amx+am+1;a=polyfit(x,y,m),其中m为多项式拟合的次数,目标组织为肌肉时,m取5;为骨时,m取7。由Rn×mam×1=yn×1(m<n),用a=R\y求出最小二乘意义的解,从而得出拟合方程(灰度-硬度关系曲线)。图5中的肌肉的拟合方程:y=0.0002x3-0.0424x2+2.2383x-10.019,R2=0.7621,;图6中骨的拟合方程y=2E-07x3-0.0006x2+0.5759x-100.84,R2=0.9121,其中X=邵氏A硬度,Y=灰度值。
其中,所述步骤S14中测定肌肉的邵氏A硬度的方法为:选取肌肉组织标本,肌肉用甲醛溶液处理,处理于肌腹处分别测量多点组织硬度,取平均值。
其中,所述步骤S14中测定骨的邵氏A硬度的方法为:选取骨组织标本,放入4%骨保护素溶液中处理,处理后长骨测量骨干中央多点硬度,短骨和扁骨则于规则平面进行测量。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于CT图像灰度值检测组织硬度的方法,其特征在于,包括以下步骤:
S1:建立灰度-硬度关系曲线;
S2:对待测组织进行CT扫描,获取CT图像;
S3:对CT图像采用非局部均值去噪算法进行CT图像降噪;
S4:对降噪后的CT图像应用阈值迭代方法区分肌肉和骨组织,并获得肌肉和骨组织的灰度数据信息;
S5:将步骤S4中获取的灰度数据信息应用到步骤S1中的灰度-硬度关系曲线中得到待测组织的硬度数据;
其中步骤S1中建立灰度-硬度关系曲线的步骤为:
S11:对组织进行CT扫描,获取CT图像;
S12:对CT图像采用非局部均值去噪算法进行CT图像降噪;
S13:对降噪后的CT图像应用阈值迭代方法区分肌肉和骨组织,并获得肌肉和骨组织的灰度数据信息;
S14:于灰度值30—50区间内,测定相应灰度值下肌肉的邵氏A硬度;于灰度值70—125区间内测定相应灰度值下骨的邵氏A硬度;
S15:根据灰度值、邵氏A硬度关系的散点图拟合出灰度-硬度关系曲线。
2.根据权利要求1所述的基于CT图像灰度值检测组织硬度的方法,其特征在于,所述非局部均值去噪算法为:设定两个固定大小的窗口:搜索窗口和邻域窗口,邻域窗口在搜索窗口中滑动,根据邻域间的相似性确定像素的权值。
4.根据权利要求1所述的基于CT图像灰度值检测组织硬度的方法,其特征在于,所述步骤S14中测定肌肉的邵氏A硬度的方法为:选取肌肉组织标本,肌肉用甲醛溶液处理,处理于肌腹处分别测量多点组织硬度,取平均值。
5.根据权利要求1所述的基于CT图像灰度值检测组织硬度的方法,其特征在于,所述步骤S14中测定骨的邵氏A硬度的方法为:选取骨组织标本,放入4%骨保护素溶液中处理,处理后长骨测量骨干中央多点硬度,短骨和扁骨则于规则平面进行测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810043552.9A CN108305247B (zh) | 2018-01-17 | 2018-01-17 | 一种基于ct图像灰度值检测组织硬度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810043552.9A CN108305247B (zh) | 2018-01-17 | 2018-01-17 | 一种基于ct图像灰度值检测组织硬度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108305247A CN108305247A (zh) | 2018-07-20 |
CN108305247B true CN108305247B (zh) | 2022-03-04 |
Family
ID=62865649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810043552.9A Active CN108305247B (zh) | 2018-01-17 | 2018-01-17 | 一种基于ct图像灰度值检测组织硬度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108305247B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402347A (zh) * | 2020-03-20 | 2020-07-10 | 吴刚 | 一种基于物联网的新冠肺炎疫情防控系统 |
CN112801915A (zh) * | 2021-02-21 | 2021-05-14 | 张燕 | 一种dr四肢影像骨肉分离优化影像显像方法 |
CN113427761A (zh) * | 2021-07-30 | 2021-09-24 | 北京化工大学 | 一种基于微流控原理的硬度可调控模型的3d打印装置及方法 |
CN117094917B (zh) * | 2023-10-20 | 2024-02-06 | 高州市人民医院 | 一种心血管3d打印数据处理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102920537A (zh) * | 2012-11-01 | 2013-02-13 | 上海理工大学 | 用于检验人体腰椎骨骼和植入物双重安全有效性的方法 |
CN103310072A (zh) * | 2013-06-28 | 2013-09-18 | 哈尔滨理工大学 | 基于力反馈的股骨生物力学有限元分析系统 |
CN103578099A (zh) * | 2012-08-08 | 2014-02-12 | 深圳市慧康精密仪器有限公司 | 基于超声弹性成像的肿瘤弹性特征的提取方法 |
CN104398272A (zh) * | 2014-10-21 | 2015-03-11 | 无锡海斯凯尔医学技术有限公司 | 选择检测区域的方法及装置及弹性检测系统 |
CN105303605A (zh) * | 2015-10-26 | 2016-02-03 | 哈尔滨理工大学 | 一种基于力反馈的骨外科手术仿真系统 |
CN106778793A (zh) * | 2016-11-30 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 一种影像特征的可重复性测量方法及装置 |
CN106846264A (zh) * | 2016-12-29 | 2017-06-13 | 广西南宁灵康赛诺科生物科技有限公司 | 一种适于灵长类实验动物腹部皮下脂肪的定量分析方法 |
CN107280644A (zh) * | 2017-08-03 | 2017-10-24 | 厦门理工学院 | 一种基于近红外光的膝骨性关节炎病程检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040147830A1 (en) * | 2003-01-29 | 2004-07-29 | Virtualscopics | Method and system for use of biomarkers in diagnostic imaging |
CN102920477B (zh) * | 2012-03-05 | 2015-05-20 | 杭州弘恩医疗科技有限公司 | 医学影像的目标区域边界确定装置和方法 |
-
2018
- 2018-01-17 CN CN201810043552.9A patent/CN108305247B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578099A (zh) * | 2012-08-08 | 2014-02-12 | 深圳市慧康精密仪器有限公司 | 基于超声弹性成像的肿瘤弹性特征的提取方法 |
CN102920537A (zh) * | 2012-11-01 | 2013-02-13 | 上海理工大学 | 用于检验人体腰椎骨骼和植入物双重安全有效性的方法 |
CN103310072A (zh) * | 2013-06-28 | 2013-09-18 | 哈尔滨理工大学 | 基于力反馈的股骨生物力学有限元分析系统 |
CN104398272A (zh) * | 2014-10-21 | 2015-03-11 | 无锡海斯凯尔医学技术有限公司 | 选择检测区域的方法及装置及弹性检测系统 |
CN105303605A (zh) * | 2015-10-26 | 2016-02-03 | 哈尔滨理工大学 | 一种基于力反馈的骨外科手术仿真系统 |
CN106778793A (zh) * | 2016-11-30 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 一种影像特征的可重复性测量方法及装置 |
CN106846264A (zh) * | 2016-12-29 | 2017-06-13 | 广西南宁灵康赛诺科生物科技有限公司 | 一种适于灵长类实验动物腹部皮下脂肪的定量分析方法 |
CN107280644A (zh) * | 2017-08-03 | 2017-10-24 | 厦门理工学院 | 一种基于近红外光的膝骨性关节炎病程检测方法 |
Non-Patent Citations (3)
Title |
---|
Segmentation of Small Animal Computed Tomography Images using Original CT Values and Converted Grayscale Values;Guoqiang Ma 等;《7th International Conference on Computer and Computing Technologies in Agriculture(CCTA)》;20130930;470-477 * |
基于图像硬度和边缘纹理特征量的肝纤维化诊断研究;瞿祥和;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20170215(第02期);I138-3234 * |
通过3D打印技术制备颅脑实体模型;兰青 等;《中华医学杂志》;20160831;第96卷(第30期);2434-2437 * |
Also Published As
Publication number | Publication date |
---|---|
CN108305247A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108305247B (zh) | 一种基于ct图像灰度值检测组织硬度的方法 | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN104899926B (zh) | 医学图像分割方法和装置 | |
US7961967B2 (en) | Adaptive density mapping in computed tomographic images | |
CN107680110B (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
CN104574413B (zh) | 一种肺部ct图像的血管分叉点提取方法及系统 | |
US20090252429A1 (en) | System and method for displaying results of an image processing system that has multiple results to allow selection for subsequent image processing | |
CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
CN116152505B (zh) | 基于x光数据的骨骼目标识别分割方法 | |
SG188879A1 (en) | A method and system of segmenting ct scan data | |
Shi et al. | Many is better than one: an integration of multiple simple strategies for accurate lung segmentation in CT images | |
Chen et al. | Pathological lung segmentation in chest CT images based on improved random walker | |
CN110458859B (zh) | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 | |
CN112184684A (zh) | 一种改进的YOLO-v3算法及其在肺结节检测中的应用 | |
CN111832563A (zh) | 一种基于超声图像的智能化乳腺肿瘤辨别方法 | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
Ng et al. | Medical image segmentation using watershed segmentation with texture-based region merging | |
Zhang et al. | Object localization improved grabcut for lung parenchyma segmentation | |
Lim et al. | Segmentation of the liver using the deformable contour method on CT images | |
Khan et al. | Intelligent approach for segmenting CT lung images using fuzzy logic with bitplane | |
CN110533667B (zh) | 基于图像金字塔融合的肺部肿瘤ct影像3d分割方法 | |
CN110046646A (zh) | 图像处理方法、系统、计算设备及存储介质 | |
Karthikeyan et al. | Segmentation algorithm for CT images using morphological operation and artificial neural network | |
Gunasundari et al. | Application of Artificial Neural Network in identification of lung diseases |
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 |