CN108629770A - 基于支持向量机的超声图像分割方法 - Google Patents
基于支持向量机的超声图像分割方法 Download PDFInfo
- Publication number
- CN108629770A CN108629770A CN201810413723.2A CN201810413723A CN108629770A CN 108629770 A CN108629770 A CN 108629770A CN 201810413723 A CN201810413723 A CN 201810413723A CN 108629770 A CN108629770 A CN 108629770A
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- support vector
- function
- ultrasonic image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims description 15
- 238000002604 ultrasonography Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000012887 quadratic function Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 10
- 208000031513 cyst Diseases 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 206010011732 Cyst Diseases 0.000 description 4
- 210000004185 liver Anatomy 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001605 fetal effect Effects 0.000 description 2
- 210000003754 fetus Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012113 quantitative test Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于支持向量机的超声图像分割方法,包括以下步骤:从图像的背景和感兴趣的目标上分别提取样本点,利用这些样本点的灰度值估计出超声图像像素值的方差特征和显著性特征,生成样本训练集;选择一阶线性多项式为核函数,利用MATLAB中的svmtrain函数对样本进行训练,建立基于支持向量机的分割模型;应用MATLAB中的svmpredict函数对整幅图像上的每一个样本根据分割模型对整幅图像进行分割,提取感兴趣目标。本发明对于低对比度、低分辨力的超声图像具有较好的分割效果,可以识别并分割肉眼无法分辨的细节,对于医用超声、工业超声图像中的诊断、定量评估等,具有较好的实用性。
Description
技术领域
本发明涉及图像处理技术领域,特别是一种应用于医学领域中用于肿瘤诊断的图像分割方法。
背景技术
在医学超声诊断、工业超声检测中,图像的定量分析对于临床诊断、工业定量评估具有重要的作用。在对低分辨力的图像来说,基于人肉眼分析的图像定量分析往往会带来很大的差异,甚至导致不同的结论,而图像精确定量的基础是图像分割,正确的分割是开展精确定量的前提。
图像分割是指将图像分割成具有特征的区域并提取出感兴趣的目标的一种技术,是图像处理和计算机视觉领域中的一个基本问题。在医学图像处理中,图像分割常常用于病变区域的提取,例如提取超声波图像中的肿瘤区域。
目前,现有的图像分割方法主要分为基于区域的分割方法和基于边界的分割方法,这些图像分割方法处理时间较长,而且分割结果受人为因素影响较大。常见的医学图像如X射线图像、磁共振图像、超声图像中,其图像灰度分布都是由人体组织特性参数的不同而决定的,一般情况下,人体组织特性差异很小,导致图像上相邻像素的灰度差别也很小,人眼有时候难于区分,而根据生理学的研究,人的感知系统对于视觉信号的对比(例如颜色,强度,纹理)更敏感,而对图像中较小的对比度难于辨别,导致分割效果则很不理想。因此医学领域中如何实现对对比度比较弱、边缘比较模糊的肿瘤进行精确的图像分割,便成为医学超声图像分析和处理的一个重要核心问题。
发明内容
本发明需要解决的技术问题是提供一种超声图像分割方法,能够对低对比度、低分辨力的超声图像进行准确分割,为图像能够得到准确的分析和处理提供基础。
为解决上述技术问题,本发明所采取的技术方案如下。
基于支持向量机的超声图像分割方法,主要包括以下步骤:
S1.从图像的背景和感兴趣的目标上分别提取样本点,利用这些样本点的灰度值估计出超声图像像素值的方差特征和显著性特征,生成样本训练集;
S2.选择一阶线性多项式为核函数,利用MATLAB中的svmtrain函数对样本进行训练,建立基于支持向量机的分割模型;
S3.应用MATLAB中的svmpredict函数对整幅图像上的每一个样本根据分割模型对整幅图像进行分割,提取感兴趣目标。
上述基于支持向量机的超声图像分割方法,步骤S1的具体方法为:从超声图像的背景和感兴趣的目标上分别提取样本点,令图像背景样本点特征向量对应为第一类样本,图像目标区域样本点特征向量对应第二类样本,两类样本的分类函数方程为,
(1)
其中,与为未知参数;
利用这些样本点的灰度值估计出超声图像像素值的方差特征和显著性特征,以方差特征和显著性特征作为特征属性,生成样本训练集,
(2)
其中,表示样本点的数目,
,
是对应于样本点特征向量的类别属性;
上述分类函数对训练集,,满足式(3),
(3)
于是满足式(3)且使最小的分类函数(1)就是需要估计的最优分类函数。
上述基于支持向量机的超声图像分割方法,方差特征根据下式计算:
(4)
其中,和表示图像的长度和宽度,表示图像像素点的灰度值,表示该像素点的平均灰度值;
显著性特征根据下式计算:
(5)
其中,表示灰度距离度量,表示显著性特征值,表示从0到255的灰度阶,表示每个灰度的个数。
上述基于支持向量机的超声图像分割方法,步骤S2的具体方法为:
选择一阶线性多项式为核函数,
(6)
其中,,为惩罚系数,表示对应于和不同的样本;
在约束条件和下,求解式(7)关于参数的最大值;
(7)
式(7)中是对应于样本的类别属性,为与每个样本对应的Lagrange乘子,这是一个不等式约束下二次函数寻优的问题,存在唯一解;
即求出使得的向量,得到,
;
在向量中找出个支持向量,计算出每个支持向量对应的样本所对应的,所有对应平均值为最终的,即,;
利用背景图像和目标图像样本点建立支持向量机模型,即建立起了类别分割函数:
。
由于采用了以上技术方案,本发明所取得技术进步如下。
本发明根据超声图像对比度很小并且相邻灰度差别也很小的特点,通过对图像像素值的方差特征和显著性特征进行估计,提出一种基于支持向量机的超声图像分割方法,该方法对于低对比度、低分辨力的超声图像具有较好的分割效果,可以识别并分割肉眼无法分辨的细节,对于医用超声、工业超声图像中的诊断、定量评估等,具有较好的实用性。
附图说明
图1a-图1d为本发明实施例中第一组实验的过程及结果图;
图2-图3为本发明实施例中第二组实验的结果图;
图4a-图4d为本发明实施例中第三组实验的过程及结果图;
图5为本发明的流程图。
具体实施方式
下面将结合附图和具体实施例对本发明进行进一步详细说明。
一种基于支持向量机的超声图像分割方法,该方法根据图像像素值的方差特征和显著性特征利用支持向量机进行图像分割,其流程图图5所示,主要包括以下步骤。
S1.从图像的背景和感兴趣的目标上分别提取样本点,利用这些样本点的灰度值估计出超声图像像素值的方差特征和显著性特征,生成样本训练集。该步骤的具体方法如下所述。
从超声图像的背景和感兴趣的目标上分别提取样本点,令图像背景样本点特征向量对应为第一类样本,图像目标区域样本点特征向量对应第二类样本,两类样本的分类函数方程为,
(1)
其中,与为未知参数。
利用这些样本点的灰度值估计出超声图像像素值的方差特征和显著性特征,以方差特征和显著性特征作为特征属性,生成样本训练集
(2)
其中,表示样本点的数目,
,
是对应于样本点特征向量的类别属性。
方差特征根据下式计算:
(4)
其中,和表示图像的长度和宽度,表示图像像素点的灰度值,表示该像素点的平均灰度值;
显著性特征根据下式计算:
(5)
其中,表示灰度距离度量,表示显著性特征值,表示从0到255的灰度阶,表示每个灰度的个数。
上述分类函数对训练集,,满足式(3),
(3)
于是满足式(3)且使最小的分类函数(1)就是需要估计的最优分类函数。
S2.选择一阶线性多项式为核函数,利用MATLAB中的svmtrain函数对样本进行训练,建立基于支持向量机的分割模型。
选择一阶线性多项式为核函数,
(6)
其中,,为惩罚系数,表示对应于和不同的样本。
在约束条件和下,求解式(7)关于参数的最大值;
(7)
式(7)中是对应于样本的类别属性,为与每个样本对应的Lagrange乘子,这是一个不等式约束下二次函数寻优的问题,存在唯一解;
即求出使得的向量,得到
;
在向量中找出个支持向量,计算出每个支持向量对应的样本所对应的,所有对应平均值为最终的,即;
利用背景图像和目标图像样本点建立支持向量机模型,即建立起了类别分割函数:
。
S3.应用MATLAB中的svmpredict函数对整幅图像上的每一个样本根据分割模型对整幅图像进行分割,提取感兴趣目标。
下面结合具体实验说明本发明所述方法的优越性。
本次实验,测试了50幅超声医学图像的分割效果。选取训练样本时,选择相同数目的图像前景和背景像素点作为训练样本,剩余像素点为测试样本集。
第一组实验,通过改变不同训练样本点的选择来测试实验结果。图1中所示的图像是包含有两个囊肿的肝脏B超图像,囊肿下方亮度较高部分是两种组织界面的反射效果;图1a和图1c是不同高新两样本的采样点示意图,其中星号点标识图像北京的训练样本采样点,圆圈标识目标区域的训练样本采样点;图1b和图1d是分别是根据图1a和图1c的训练样本得到的模型分割的效果。
从图1中可以看出,尽管由于训练样本采样位置不同,两个囊肿部分基本上都分割出来了,但是在囊肿下方的亮度较高的反射区域受样本点选择不同而影响较大。通过实验可知,样本点采集中包含各种结构和边缘的信息越全,分割效果越好。
第二组实验,对于同一原始超声图像,分别采用本发明所述的方法、Kiruthika算法和FCM算法进行图像的分割,分割效果如图2和图3所示。其中,图2从左到右依次为第一张原始超声肝脏囊肿图像、利用本发明方法的实验结果、Kiruthika算法的实验结果和FCM算法的实验结果,图3为从左到右依次为第二张原始超声肝脏囊肿图像、利用本发明方法的实验结果、Kiruthika算法的实验结果和FCM算法的实验结果。
从图2和图3可以看出,本发明有清晰的肝脏病变区域分割结果和更少的噪声,从而有助于减少病灶区域周围的噪声影响,获得更好的分割效果图。
第三组实验,采用本发明对工业超声C扫描系统获得的超声图像进行了分割和定量计算,其中扫描系统的扫描间距为0.5mm,采样率为7.5KHz,仿组织材料样本的声速约为1550m/s。图4a为配置的仿组织材料复杂模体,图4b为C扫描超声一维信号,图4c为C扫描超声图像,图4d为C扫描超声图像分割结果。根据分割结果,本发明重建了该模体的三维模型,并在重建的三维模型上估计胎儿模型的臂长、头宽及三维容积,结果如下表所示。
实际测量值 | 重建后测量值 | 误差 | |
胎儿臂长 | 107.80 mm | 103.11 mm | 4.35% |
胎儿头长 | 80 mm | 77.29 mm | 3.39% |
胎儿体积 | 733800mm3 | 767030.21mm3 | 4.53% |
定量测试结果表明,本发明对图像进行分割后的相对误差在5%以内,低于国家标准中基于B型超声图像的测量误差20%要求,说明本发明所述的方法是有效的、可行的。
Claims (4)
1.基于支持向量机的超声图像分割方法,其特征在于,主要包括以下步骤:
S1.从图像的背景和感兴趣的目标上分别提取样本点,利用这些样本点的灰度值估计出超声图像像素值的方差特征和显著性特征,生成样本训练集;
S2.选择一阶线性多项式为核函数,利用MATLAB中的svmtrain函数对样本进行训练,建立基于支持向量机的分割模型;
S3.应用MATLAB中的svmpredict函数对整幅图像上的每一个样本根据分割模型对整幅图像进行分割,提取感兴趣目标。
2.根据权利要求1所述的基于支持向量机的超声图像分割方法,其特征在于,步骤S1的具体方法为:从超声图像的背景和感兴趣的目标上分别提取样本点,令图像背景样本点特征向量对应为第一类样本,图像目标区域样本点特征向量对应第二类样本,两类样本的分类函数方程为,
(1)
其中,与为未知参数;
利用这些样本点的灰度值估计出超声图像像素值的方差特征和显著性特征,以方差特征和显著性特征作为特征属性,生成样本训练集,
(2)
其中,表示样本点的数目,
,
是对应于样本点特征向量的类别属性;
上述分类函数对训练集,,满足式(3),
(3)
于是满足式(3)且使最小的分类函数(1)就是需要估计的最优分类函数。
3. 根据权利要求2所述的基于支持向量机的超声图像分割方法,其特征在于,方差特征根据下式计算:
(4)
其中,和表示图像的长度和宽度,表示图像像素点的灰度值,表示该像素点的平均灰度值;
显著性特征根据下式计算:
(5)
其中,表示灰度距离度量,表示显著性特征值,表示从0到255的灰度阶,表示每个灰度的个数
4. 根据权利要求2所述的基于支持向量机的超声图像分割方法,其特征在于,步骤S2的具体方法为:
选择一阶线性多项式为核函数,
(6)
其中,,为惩罚系数,表示对应于和不同的样本;
在约束条件和下,求解式(7)关于参数的最大值;
(7)
式(7)中是对应于样本的类别属性,为与每个样本对应的Lagrange乘子,这是一个不等式约束下二次函数寻优的问题,存在唯一解;
即求出使得的向量,得到,
;
在向量中找出个支持向量,计算出每个支持向量对应的样本所对应的,所有对应平均值为最终的,即,;
利用背景图像和目标图像样本点建立支持向量机模型,即建立起了类别分割函数:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810413723.2A CN108629770B (zh) | 2018-05-03 | 2018-05-03 | 基于支持向量机的超声图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810413723.2A CN108629770B (zh) | 2018-05-03 | 2018-05-03 | 基于支持向量机的超声图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629770A true CN108629770A (zh) | 2018-10-09 |
CN108629770B CN108629770B (zh) | 2022-04-19 |
Family
ID=63695323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810413723.2A Active CN108629770B (zh) | 2018-05-03 | 2018-05-03 | 基于支持向量机的超声图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629770B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799284A (zh) * | 2019-01-29 | 2019-05-24 | 云南大学 | 一种超声回波信号的多次谐波自适应分离方法 |
CN109948575A (zh) * | 2019-03-27 | 2019-06-28 | 中国科学技术大学 | 超声图像中眼球区域分割方法 |
CN111811439A (zh) * | 2020-05-13 | 2020-10-23 | 河北省计量监督检测研究院廊坊分院 | 刀口形直尺工作棱边直线度自动测量方法 |
WO2020215484A1 (zh) * | 2019-04-20 | 2020-10-29 | 无锡祥生医疗科技股份有限公司 | 胎儿颈部透明层厚度测量方法、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120170801A1 (en) * | 2010-12-30 | 2012-07-05 | De Oliveira Luciano Reboucas | System for Food Recognition Method Using Portable Devices Having Digital Cameras |
CN103426156A (zh) * | 2012-05-15 | 2013-12-04 | 中国科学院声学研究所 | 一种基于svm分类器的sas图像分割方法及系统 |
-
2018
- 2018-05-03 CN CN201810413723.2A patent/CN108629770B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120170801A1 (en) * | 2010-12-30 | 2012-07-05 | De Oliveira Luciano Reboucas | System for Food Recognition Method Using Portable Devices Having Digital Cameras |
CN103426156A (zh) * | 2012-05-15 | 2013-12-04 | 中国科学院声学研究所 | 一种基于svm分类器的sas图像分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
张清勇: "支持向量机在肝脏B超图像识别中的应用研究", 《万方数据知识》 * |
陈强等: "基于统计和文理特性的SAS图像SVM分割研究", 《仪器仪表学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799284A (zh) * | 2019-01-29 | 2019-05-24 | 云南大学 | 一种超声回波信号的多次谐波自适应分离方法 |
CN109799284B (zh) * | 2019-01-29 | 2021-07-02 | 云南大学 | 一种超声回波信号的多次谐波自适应分离方法 |
CN109948575A (zh) * | 2019-03-27 | 2019-06-28 | 中国科学技术大学 | 超声图像中眼球区域分割方法 |
CN109948575B (zh) * | 2019-03-27 | 2023-03-24 | 中国科学技术大学 | 超声图像中眼球区域分割方法 |
WO2020215484A1 (zh) * | 2019-04-20 | 2020-10-29 | 无锡祥生医疗科技股份有限公司 | 胎儿颈部透明层厚度测量方法、设备及存储介质 |
CN111811439A (zh) * | 2020-05-13 | 2020-10-23 | 河北省计量监督检测研究院廊坊分院 | 刀口形直尺工作棱边直线度自动测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108629770B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11229419B2 (en) | Method for processing 3D image data and 3D ultrasonic imaging method and system | |
CN108629770B (zh) | 基于支持向量机的超声图像分割方法 | |
CN110325119B (zh) | 卵巢卵泡计数和大小确定 | |
CN111179227B (zh) | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 | |
Chang et al. | Performance measure characterization for evaluating neuroimage segmentation algorithms | |
CN107798679B (zh) | 乳腺钼靶图像乳房区域分割与钙化点检测方法 | |
US10405834B2 (en) | Surface modeling of a segmented echogenic structure for detection and measurement of anatomical anomalies | |
US20150023578A1 (en) | Device and method for determining border of target region of medical images | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN100561518C (zh) | 基于感兴趣区域的自适应医学序列图像插值方法 | |
Stevenson et al. | 3-D ultrasound segmentation of the placenta using the random walker algorithm: reliability and agreement | |
EP2293245A1 (en) | Providing a 2-dimensional CT image corresponding to a 2-dimensional ultrasound image | |
CN105719278A (zh) | 一种基于统计形变模型的器官辅助定位分割方法 | |
US20070167788A1 (en) | Brain tissue classification | |
CN108830852B (zh) | 三维超声肿瘤辅助测量系统及方法 | |
US8417005B1 (en) | Method for automatic three-dimensional segmentation of magnetic resonance images | |
Gerig et al. | Medical imaging and computer vision: An integrated approach for diagnosis and planning | |
Gao et al. | Segmentation of ultrasonic breast tumors based on homogeneous patch | |
CN102509273B (zh) | 基于同质片和模糊测度的乳腺超声图像的肿瘤分割方法 | |
KR102373987B1 (ko) | 알츠하이머 병 및 정상 노화에서 템플릿 기반 해마 서브필드 위축 분석 방법 | |
CN110785123A (zh) | 采用改进的数据处理技术对组织异常进行体素内不相干运动mri三维定量检测 | |
Sumikawa et al. | Pulmonary adenocarcinomas with ground-glass attenuation on thin-section CT: quantification by three-dimensional image analyzing method | |
Lu et al. | Accurate construction of 3-D numerical breast models with anatomical information through MRI scans | |
CN114862799A (zh) | 一种用于flair-mri序列的全自动脑体积分割算法 | |
WO2023133929A1 (zh) | 一种基于超声的人体组织对称性检测分析方法 |
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 |