CN108510507A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108510507A CN108510507A CN201810259945.3A CN201810259945A CN108510507A CN 108510507 A CN108510507 A CN 108510507A CN 201810259945 A CN201810259945 A CN 201810259945A CN 108510507 A CN108510507 A CN 108510507A
- Authority
- CN
- China
- Prior art keywords
- vertebra
- forest
- image
- random
- segmentation
- 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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了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,涉及医学图像处理领域,本发明针对椎骨CT图像分割方法对初始轮廓的敏感问题,提出一种自动定位椎骨、分割椎骨CT图像的方法。首先,提出加权随机回归、分类森林算法确定椎骨中心;接着,将主动轮廓分割的初始轮廓球置于椎骨中心位置,采用联合能量函数的3D主动轮廓分割方法将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,可以对椎骨进行自动三维分割,简化脊柱CT图像的分割步骤及流程。
Description
技术领域
本发明涉及医学图像处理领域,尤其是涉及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。
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对象的过程。目前,图像分割广泛用于医学图像的计算机辅助诊断。医学图像的分割被认为是图像处理分析的基础。随着医学图像处理和分析技术的不断发展,医学图像处理正在迅速发展,使用计算机对图像进行分析和处理是现代医学中的一项重要研究,有重要的意义和实用价值。
脊柱也被称为脊椎,是形成身体上部中央重心轴的骨骼结构。脊柱图像具有各种医学图像模型,诸如 X射线,CT,MRI,PET的各种脊柱图像来诊断脊柱病理和评估脊柱解剖结构。其中,CT是世界上应用最广泛的扫描技术,是评估脊柱三维形状最准确的方法。脊柱分割是后续大多数椎体图像分析和建模任务中的基本步骤,例如基于图像的生物力学建模,图像引导或需要分割准确性的脊柱异常的识别。例如,虽然脊柱图像引导通常需要亚毫米级精度,但手动分割椎骨是主观的,需要相当长的时间,大多数临床应用使用我需要的全自动或半自动分割方法。由于形状复杂,椎体结构发生变化,相邻椎体非常相似,跨越脊柱的CT图像分割跨越人群、结构、病理和空间相互关系,这对分割工作很重要。
近年来,一些计算机断层扫描脊椎分割算法已经被提出。早期的研究中,脊柱的分割有基于区域的分割方法:自适应阈值、区域生长和边界调整,例如图案切断用无监督的图像处理方法来实现。与此同时分割椎骨,水平集方法也被使用处理复杂的椎骨结构。用于边缘和基于区域的水平集函数组合的水平集框架,也可以在CT图像来进行分割。除了基于区域的技术,统计方法和试探法来用于椎体的分割。此外,基于分水岭的方法也被广泛使用在有向图搜索曲线的重建和椎骨模板的自动分割,利用数学形态学和分水岭标记方法在分割脊柱CT图像方面也很受欢迎。然而,其中一些方法,初始轮廓需要手动定义,不能完全自动分割图像。
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敏感的问题,提出一种融合加权随机森林的三维主动轮廓椎骨CT 分割方法,本方法提取CT图像的3D Haar-like特征,利用加权随机森林回归、分类算法获得椎骨中心点,后将分割初始轮廓球置于预测中心点,通过求解联合能量函数最小值实现椎骨分割。
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、显示训练集及测试集椎骨CT图像;
步骤2:在脊柱CT图像中进行体素的3D Haar-like特征提取;
步骤3:由步骤2中所得到的3D Haar-like特征,进行加权随机森林回归、分类以确定椎骨的中心点,输出椎骨定位模型;
步骤4:将3D主动轮廓分割的初始轮廓球放在步骤3确定的椎骨中心点,对定义的综合能量函数求取最小值进行主动轮廓分割;
步骤5:将步骤4求取的最小距离符号函数S*进行三维轮廓映射,得到分割轮廓L*,完成分割后输出分割图像,输出椎骨3D分割模型;
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,所述的步骤3包括以下内容:
A.将参与训练的每个数据点定义为Dk=(Fk,dk,ck),其中Fk是基于体素k得到的3DHaar-like特征,dk是体素k的类别标签(中心点作为一类标签用1表示,背景体素作另一类标签用0表示,),ck是体素到椎骨标记中心的距离。
B.随机回归森林和随机分类森林的目标函数信息增益I(Dj,θ)均表示为:
其中,分别表示到达节点j时的左、右子节点的样本数据点,i为左、右子节点的索引,||表示样本集中的样本数量,θ分裂参数。
C.对于随机分类森林,数据点D属于离散概率分布,不计算ck特征,信息熵采用香农熵的形式;而对于随机回归森林数据点D属于连续概率分布,不计算dk特征,信息熵采用b元高斯的微分熵;通过推导,得到多元变量情况时的回归信息增益;经过计算后分别得到随机分类森林和随机回归森林中T棵决策树的后验概率。
D.由于不同的决策树之间差异较大,随机森林中决策树的性能越好,其权重应越高,加权运算能够提高准确率并减少运算时间,每棵决策树的可信度可由计算得到后验概率表示;本发明随机分类森权重公式为:
其中,wc(i)表示分类森林中第i棵决策树的权重,P(i)为第i棵决策树的后验概率,当P(i)越大时所占权重也越大;同理,随机回归森林权重公式为:
其中,wr(i)表示回归森林第i棵决策树的权重,δ2(j)是第i棵树通过概率线性拟合得到的预测点到中心点距离的方差。当δ(i)越大时所占权重也越小,且加权参数均满足归一化。
进一步,所述的步骤4具体包括以下内容:
A.综合能量函数
本文提出综合能量函数E(S)由内部能量函数Eint(S)、区域能量函数Ereg(S)及边缘能量函数 Eedg(S)联合表示,定义为:
E(S)=Eint(S)+Ereg(S)+Eedg(S) (4)
其中,和|·|分别表示梯度和绝对值,在边界时|H(S(υ))|=1和其他地方均为0,为了方便表述,我们将S(υ)表示为S;I(υ)表示体素υ的强度,且p(·|ΩV)和p(·|ΩB)分别是椎骨区域和非椎骨区域的概率密度函数。其中Gθ*I是I与参数为θ的3维高斯核的卷积;我们通过试验确定(α,θ)=(100,15);将分割结果最佳图像的加权参数λ1,λ2,λ3通过图像配准,应用到全部图像分割过程中。
B.初始轮廓
首先对每个体素υ∈Ω计算导数,并表示为3D矩阵,我们选择随机森林回归中心点作为构造初始距离函数S0中心点,并计算其相应的有形成的S0轮廓球,从3D初始化矩阵S0开始。
C.遍历分割
对于υ∈Ω进行遍历通过下式(8)更新S,使用梯度下降法通过式(9)求解S的最小值
使用梯度下降算法的每次迭代更新每个体素的符号距离函数S,S与边界L具有一对一的映射关系,最终的S*产生最终轮廓L*。
进一步,步骤3中随机回归、分类森林的优化操作,具体内容为:
A.将权重小于0.02的树权重赋值为0,剩余权重按比例重新赋值;
B.随机森林回归后的距离图谱中值最小的150个点进行Mean-shift聚类得到更准确的椎骨中心点的候选点;
C.随机森林分类去除椎骨假中心候选点,重建距离预测图谱,选取距离专家标记点最近的点作为随机森林选定的椎骨中心。
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)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,创新的提出加权随机森林回归、分类算法提取每节椎骨中心点,实现对椎骨的自动定位;
(2)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,根据中心点位置确定3D主动轮廓分割的初始轮廓球,解决主动轮廓分割方法对初始轮廓位置敏感的问题,实现对椎骨的自动分割。
(3)实验结果表明,本发明的方法能够有效实现CT图像中椎骨自动定位及分割,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,有望成为一种辅助诊断工具,有效提高临床椎骨病变诊断的准确率。
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、显示训练集及测试集椎骨CT图像;
步骤2:在脊柱CT图像中进行体素的3D Haar-like特征提取;
步骤3:由步骤2中所得到的3D Haar-like特征,进行加权随机森林回归、分类以确定椎骨的中心点,输出椎骨定位模型;
步骤4:将3D主动轮廓分割的初始轮廓球放在步骤3确定的椎骨中心点,对定义的能量函数求取最小值进行主动轮廓分割;
步骤5:将步骤4求取的最小距离符号函数S*进行三维轮廓映射,得到分割轮廓L*,完成分割后输出分割图像,输出椎骨3D分割模型;
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为对应完成分割的椎骨CT图像。
上述的步骤3包括以下内容:
(1)将参与训练的每个数据点定义为Dk=(Fk,dk,ck),其中Fk是基于体素k得到的3DHaar-like特征,dk是体素k的类别标签(中心点作为一类标签用1表示,背景体素作另一类标签用0表示,), ck是体素到椎骨标记中心的距离。
(2)随机回归森林和随机分类森林的目标函数信息增益I(Dj,θ)均表示为:
其中,分别表示到达节点j时的左、右子节点的样本数据点,i为左、右子节点的索引,||表示样本集中的样本数量,θ分裂参数。
(3)对于随机分类森林,数据点D属于离散概率分布,不计算ck特征,信息熵则采用香农熵的形式,而对于随机回归森林数据点D属于连续概率分布,不计算dk特征,信息熵采用b元高斯的微分熵;通过推导,得到多元变量情况时的回归信息增益;经过计算后分别得到随机分类森林和随机回归森林中T棵决策树的后验概率。
(4)由于不同的决策树之间差异较大,随机森林中决策树的性能越好,权重应越高,采用加权运算够提高准确率并减少运算时间,每棵决策树的可信度可由计算得到后验概率表示;本发明随机分类森权重公式为:
其中,wc(i)表示分类森林中第i棵决策树的权重,P(i)为第i棵决策树的后验概率,当P(i)越大时所占权重也越大;同理,随机回归森林权重公式为:
其中,wr(i)表示回归森林第i棵决策树的权重,δ2(j)是第i棵树通过概率线性拟合得到的预测点到中心点距离的方差。当δ(i)越大时所占权重也越小,且加权参数均满足归一化。
上述的步骤4具体包括以下内容:
(1)综合能量函数
本文提出综合能量函数E(S)由内部能量函数Eint(S)、区域能量函数Ereg(S)及边缘能量函数 Eedg(S)联合表示,定义为:
E(S)=Eint(S)+Ereg(S)+Eedg(S) (4)
其中,和|·|分别表示梯度和绝对值,在边界时|H(S(υ))|=1和其他地方均为0,为了方便表述,我们将S(υ)表示为S;I(υ)表示体素υ的强度,且p(·|ΩV)和p(·|ΩB)分别是椎骨区域和非椎骨区域的概率密度函数。其中Gθ*I是I与参数为θ的3维高斯核的卷积;我们通过试验确定(α,θ)=(100,15);将分割结果最佳图像的加权参数λ1,λ2,λ3通过图像配准,应用到全部图像分割过程中。
(2)初始轮廓
首先对每个体素υ∈Ω计算导数,并表示为3D矩阵,我们选择随机森林回归中心点作为构造初始距离函数S0中心点,并计算其相应的有形成的S0轮廓球,从3D初始化矩阵S0开始。
(3)遍历分割
对于υ∈Ω进行遍历通过下式(8)更新S,使用梯度下降法通过式(9)求解S的最小值
使用梯度下降算法的每次迭代更新每个体素的符号距离函数S,S与边界L具有一对一的映射关系,最终的S*产生最终轮廓L*。
上述的步骤3中随机回归、分类森林的优化操作,具体内容为:
(1)将权重小于0.02的树权重赋值为0,剩余权重按比例重新赋值;
(2)随机森林回归后的距离图谱中值最小的150个点进行Mean-shift聚类得到更准确的椎骨中心点的候选点;
以上所述是的是本发明的发明实例,并不能仅因此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 (4)
1.一种融合加权随机森林的3D椎骨CT图像主动轮廓分割方法,其特征包含有下列步骤:
步骤1:读取、显示训练集及测试集椎骨CT图像;
步骤2:在脊柱CT图像中进行体素的3D Haar-like特征提取;
步骤3:由步骤2中所得到的3D Haar-like特征,进行加权随机森林回归、分类以确定椎骨的中心点,输出椎骨定位模型;
步骤4:将3D主动轮廓分割的初始轮廓球放在步骤3确定的椎骨中心点,对定义的综合能量函数求取最小值进行主动轮廓分割;
步骤5:将步骤4求取的最小距离符号函数S*进行三维轮廓映射,得到分割轮廓L*,完成分割后输出分割图像,输出椎骨3D分割模型;
步骤6:对训练好模型进行组合输出,得到完整的脊柱CT分割模型。
2.权利要求1所述的融合加权随机森林的3D椎骨CT图像主动轮廓分割方法,其特征在于步骤3具体包括以下几个步骤内容:
A.将参与训练的每个数据点定义为Dk=(Fk,dk,ck),其中Fk是基于体素k得到的3DHaar-like特征,dk是体素k的类别标签(中心点作为一类标签用1表示,背景体素作另一类标签用0表示),ck是体素到椎骨标记中心的距离。
B.随机回归森林和随机分类森林的目标函数信息增益I(Dj,θ)均表示为:
其中,分别表示到达节点j时的左、右子节点的样本数据点,i为左、右子节点的索引,| |表示样本集中的样本数量,θ分裂参数。
C.对于随机分类森林,数据点D属于离散概率分布,不计算ck特征,信息熵采用香农熵的形式;而对于随机回归森林数据点D属于连续概率分布,不计算dk特征,信息熵采用b元高斯的微分熵;通过推导,得到多元变量情况时的回归信息增益;经过计算后分别得到随机分类森林和随机回归森林中T棵决策树的后验概率。
D.由于不同的决策树之间差异较大,随机森林中决策树的性能越好,其权重应越高,加权运算能够提高准确率并减少运算时间,每棵决策树的可信度可由计算得到后验概率表示;本发明随机分类森权重公式为:
其中,wc(i)表示分类森林中第i棵决策树的权重,P(i)为第i棵决策树的后验概率,当P(i)越大时所占权重也越大;同理,随机回归森林权重公式为:
其中,wr(i)表示回归森林第i棵决策树的权重,δ2(j)是第i棵树通过概率线性拟合得到的预测点到中心点距离的方差。当δ(i)越大时所占权重也越小,且加权参数均满足归一化。
3.权利要求1所述的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,其特征在于步骤4具体包括以下几个步骤内容:
A.综合能量函数
本文提出综合能量函数E(S)由内部能量函数Eint(S)、区域能量函数Ereg(S)及边缘能量函数Eedg(S)联合表示,定义为:
E(S)=Eint(S)+Ereg(S)+Eedg(S) (4)
其中,和|·|分别表示梯度和绝对值,在边界时|H(S(υ))|=1和其他地方均为0,为了方便表述,我们将S(υ)表示为S;I(υ)表示体素υ的强度,且p(·|ΩV)和p(·|ΩB)分别是椎骨区域和非椎骨区域的概率密度函数。其中Gθ*I是I与参数为θ的3维高斯核的卷积;我们通过试验确定(α,θ)=(100,15);将分割结果最佳图像的加权参数λ1,λ2,λ3通过图像配准,应用到全部图像分割过程中。
B.初始轮廓
首先对每个体素υ∈Ω计算导数,并表示为3D矩阵,我们选择随机森林回归中心点作为构造初始距离函数S0中心点,并计算其相应的有形成的S0轮廓球,从3D初始化矩阵S0开始。
C.遍历分割
对于υ∈Ω进行遍历通过下式(8)更新S,使用梯度下降法通过式(9)求解S的最小值
使用梯度下降算法的每次迭代更新每个体素的符号距离函数S,S与边界L具有一对一的映射关系,最终的S*产生最终轮廓L*。
4.根据权利要求2的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,其特征在于步骤3中随机回归、分类森林的优化操作,具体为:将权重小于0.02的树权重赋值为0,剩余权重按比例重新赋值;随机森林回归后的距离图谱中值最小的150个点进行Mean-shift聚类得到更准确的椎骨中心点的候选点;随机森林分类去除椎骨假中心候选点,重建距离预测图谱,选取距离专家标记点最近的点作为随机森林选定的椎骨中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259945.3A CN108510507A (zh) | 2018-03-27 | 2018-03-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259945.3A CN108510507A (zh) | 2018-03-27 | 2018-03-27 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108510507A true CN108510507A (zh) | 2018-09-07 |
Family
ID=63378765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810259945.3A Pending CN108510507A (zh) | 2018-03-27 | 2018-03-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510507A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109039281A (zh) * | 2018-08-10 | 2018-12-18 | 江南大学 | 一种基于改进随机森林算法的光伏阵列故障诊断方法 |
CN110264342A (zh) * | 2019-06-19 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种基于机器学习的业务审核方法及装置 |
CN110458850A (zh) * | 2019-08-01 | 2019-11-15 | 北京灵医灵科技有限公司 | 一种大关节组织的分割方法和分割系统 |
CN110473198A (zh) * | 2019-08-21 | 2019-11-19 | 北京大恒普信医疗技术有限公司 | 深度学习系统及其方法 |
CN110569854A (zh) * | 2019-09-12 | 2019-12-13 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110866921A (zh) * | 2019-10-17 | 2020-03-06 | 上海交通大学 | 基于自训练和切片传播的弱监督脊椎椎体分割方法和系统 |
CN111080658A (zh) * | 2019-12-16 | 2020-04-28 | 中南民族大学 | 基于可形变配准和dcnn的宫颈mri图像分割方法 |
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 |
CN114998301A (zh) * | 2022-06-28 | 2022-09-02 | 北京大学第三医院(北京大学第三临床医学院) | 一种椎体亚区域分割方法、装置及存储介质 |
CN117114822A (zh) * | 2023-10-24 | 2023-11-24 | 成都花娃网络科技有限公司 | 一种花材和耗材分单方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279759A (zh) * | 2015-10-23 | 2016-01-27 | 浙江工业大学 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
US20170018082A1 (en) * | 2013-05-02 | 2017-01-19 | Smith & Nephew, Inc. | Surface and image integration for model evaluation and landmark determination |
CN106600609A (zh) * | 2016-11-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种医学图像中脊柱的分割方法及系统 |
CN107507189A (zh) * | 2017-07-04 | 2017-12-22 | 西北大学 | 基于随机森林与统计模型的小鼠ct图像肾脏分割方法 |
CN107730542A (zh) * | 2017-08-29 | 2018-02-23 | 北京大学 | 锥束计算机断层扫描图像对应与配准方法 |
-
2018
- 2018-03-27 CN CN201810259945.3A patent/CN108510507A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170018082A1 (en) * | 2013-05-02 | 2017-01-19 | Smith & Nephew, Inc. | Surface and image integration for model evaluation and landmark determination |
CN105279759A (zh) * | 2015-10-23 | 2016-01-27 | 浙江工业大学 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
CN106600609A (zh) * | 2016-11-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种医学图像中脊柱的分割方法及系统 |
CN107507189A (zh) * | 2017-07-04 | 2017-12-22 | 西北大学 | 基于随机森林与统计模型的小鼠ct图像肾脏分割方法 |
CN107730542A (zh) * | 2017-08-29 | 2018-02-23 | 北京大学 | 锥束计算机断层扫描图像对应与配准方法 |
Non-Patent Citations (2)
Title |
---|
董然: "基于CT断层图像的脊椎骨分割方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
蒋冬梅: "CT图像椎骨分割的局部模糊主动轮廓方法", 《计算机工程与应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109039281A (zh) * | 2018-08-10 | 2018-12-18 | 江南大学 | 一种基于改进随机森林算法的光伏阵列故障诊断方法 |
CN110264342A (zh) * | 2019-06-19 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种基于机器学习的业务审核方法及装置 |
CN110458850A (zh) * | 2019-08-01 | 2019-11-15 | 北京灵医灵科技有限公司 | 一种大关节组织的分割方法和分割系统 |
CN110473198A (zh) * | 2019-08-21 | 2019-11-19 | 北京大恒普信医疗技术有限公司 | 深度学习系统及其方法 |
CN110569854A (zh) * | 2019-09-12 | 2019-12-13 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110569854B (zh) * | 2019-09-12 | 2022-03-29 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110866921A (zh) * | 2019-10-17 | 2020-03-06 | 上海交通大学 | 基于自训练和切片传播的弱监督脊椎椎体分割方法和系统 |
CN111080658A (zh) * | 2019-12-16 | 2020-04-28 | 中南民族大学 | 基于可形变配准和dcnn的宫颈mri图像分割方法 |
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 |
CN114998301A (zh) * | 2022-06-28 | 2022-09-02 | 北京大学第三医院(北京大学第三临床医学院) | 一种椎体亚区域分割方法、装置及存储介质 |
CN117114822A (zh) * | 2023-10-24 | 2023-11-24 | 成都花娃网络科技有限公司 | 一种花材和耗材分单方法及系统 |
CN117114822B (zh) * | 2023-10-24 | 2023-12-26 | 成都花娃网络科技有限公司 | 一种花材和耗材分单方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108364006B (zh) | 基于多模式深度学习的医学图像分类装置及其构建方法 | |
CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
US10593035B2 (en) | Image-based automated measurement model to predict pelvic organ prolapse | |
CN106485695B (zh) | 基于统计形状模型的医学图像Graph Cut分割方法 | |
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 | |
Carvalho et al. | 3D segmentation algorithms for computerized tomographic imaging: a systematic literature review | |
Kromp et al. | Evaluation of deep learning architectures for complex immunofluorescence nuclear image segmentation | |
Jaszcz et al. | Lung x-ray image segmentation using heuristic red fox optimization algorithm | |
Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
Chang et al. | Accurate pelvis and femur segmentation in hip CT with a novel patch-based refinement | |
CN106846346A (zh) | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 | |
CN112819747A (zh) | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 | |
Cao et al. | An automatic breast cancer grading method in histopathological images based on pixel-, object-, and semantic-level features | |
CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
CN106780491A (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
Cerrolaza et al. | Fetal skull segmentation in 3D ultrasound via structured geodesic random forest | |
Kriti et al. | A review of Segmentation Algorithms Applied to B-Mode breast ultrasound images: a characterization Approach | |
CN112638262A (zh) | 相似度确定装置、方法及程序 | |
Antony et al. | Feature learning to automatically assess radiographic knee osteoarthritis severity | |
Moschidis et al. | Automatic differential segmentation of the prostate in 3-D MRI using Random Forest classification and graph-cuts optimization | |
CN103400385B (zh) | 稀疏动态集成选择的胃部ct图像疑似淋巴结提取方法 | |
Dhalia Sweetlin et al. | Patient-Specific Model Based Segmentation of Lung Computed Tomographic Images. | |
Yao et al. | Brain hematoma segmentation using active learning and an active contour model | |
Krawczyk et al. | YOLO and morphing-based method for 3D individualised bone model creation |
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: 20180907 |