CN108986107B - 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法 - Google Patents

基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法 Download PDF

Info

Publication number
CN108986107B
CN108986107B CN201810623008.1A CN201810623008A CN108986107B CN 108986107 B CN108986107 B CN 108986107B CN 201810623008 A CN201810623008 A CN 201810623008A CN 108986107 B CN108986107 B CN 108986107B
Authority
CN
China
Prior art keywords
image
skeleton
spectral analysis
matrix
serialized
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
Application number
CN201810623008.1A
Other languages
English (en)
Other versions
CN108986107A (zh
Inventor
刘斌
傅川溥
张洪源
张逸凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201810623008.1A priority Critical patent/CN108986107B/zh
Publication of CN108986107A publication Critical patent/CN108986107A/zh
Application granted granted Critical
Publication of CN108986107B publication Critical patent/CN108986107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/11—Region-based 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G06T2207/10021—Stereoscopic video; Stereoscopic image sequence
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法，本方法采用了光谱提取算法分割单张图像的感兴趣区域，采用了骨架算法生成了对下一张图像的涂鸦，采用了循环处理的方式获取下一张图像的感兴趣区域，最后获取了全部可使人体切片的感兴趣区域。本方法还具有分割质量高精准的优点，本方法可以处理感兴趣区域中以大脑沟回为代表的呈毛细状部分，以腿部大动脉为代表的呈管状部分，以肝脏为代表的含有细小空腔部分。此外本方法还具有操作简单的好处，仅需要对感兴趣区域进行一次涂鸦，即可完成对全部可视化人体切片图像的分割，因而有更快的执行速度，更高的处理效率。

Description

基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分 割方法
技术领域
本发明涉及图像处理和分割技术领域，尤其涉及基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法。
背景技术
近年来，可视人体研究日益深化，使得使用可视人数据集并将其应用于实际研究的需要成为可能。在数据集的3D重绘过程中人工提取所需的组织或器官需要消耗大量的人力。传统的图像自动分割算法面对颜色十分接近的不同的人体组织也无法快速精准的将其分割开。基于光谱分析和骨架涂鸦的序列化自动分割方法可以将组织之间及其细小的颜色差异识别出来，并快速、精准、有效地将研究所需的人体组织器官从庞大的数据集中分离出来，为今后的医学研究提供可靠的数据来源。现有技术中的图像自动分割方法有以下方式：1、采用人工手动分割提取图片但是该方法由于工作量巨大并且消耗时间比较长，因此分割精度较低。2、基于HIS颜色空间设置色度、亮度相似系数判定是否为同类像素来对图像进行分割，但是该方法重于人工交互，要求实施者的经验高，不同实施者可能得到不同分割结果，标准不统一。3、在图像分割过程中把人工标定的种子点作为起点，向周围生长，判定的与当前像素同类的像素点则添加到感兴趣区域中，以获得分割区域。但是该方法分割算法复杂度较高，难以编程实现，分割时消耗时间和内存大。4、采用提取出感兴趣区域的图片从四个方向像中心进行腐蚀，每次腐蚀掉一周，直到剩下的点上下左右都不是感兴趣区域为止，将该点作为种子点。但是该方法对于颜色形态比较接近的组织器官分割效果不能达到要求。
发明内容
根据现有技术存在的问题，本发明公开了基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法，具体步骤包括：
S1：提取一组序列化可视人体切片图像对第一张图形进行涂鸦标记：标记出该图像中需要分割的组织或器官部分；
S2：提取第一张图像的光谱分析组件：通过拉普拉斯提取矩阵将图像划分为多个光谱分析组件；
S3：对提取到的光谱分析组件进行组合处理：通过S1获得的涂鸦标记将S2中得到的光谱分析组件进行组合获取感兴趣区域；
S4：利用骨架算法计算感兴趣区域的骨架；
S5：利用骨架对第二张图片的待分割部分进行涂鸦标记；
S6：循环处理该组序列化可视人体切片图像：对第二张图像提取光谱分析组件，利用S5得到的涂鸦标记对光谱分析组件进行组合得到第二张图像的感兴趣区域，将第二张感兴趣区域的骨架信息涂鸦标记在第三张图像上即循环执行S2、S3、S4、S5，直到获取全部图像的分割结果。
进一步的，通过拉普拉斯提取矩阵将图片划分为多个光谱分析组件采用如下方式：
S21：计算图像的拉普拉斯提取矩阵L、再计算该矩阵L的最小特征向量；
S22：设定聚类得到的分类的总数K；
S23：利用K-means算法对拉普拉斯提取矩阵的最小特征向量进行聚类操作生成K个聚类得到的向量，结果为矩阵E[e1,e2,e3...eK]；
S24：通过牛顿法求解聚类得到的向量的线性变换：
利用牛顿法求解在满足：
Figure BDA0001698486120000021
的条件下
Figure BDA0001698486120000022
αk＝Eyk
使得I最小的[y1,y2,y3...yK]，其中ψ是一常数取值范围为0.8-0.9，此时对应的α1,α2,...αK为提取组件。
进一步的，对提取到的光谱分析组件进行组合处理采用如下方式：
S31：判断每一个光谱提取组件上是否有纯白色或纯黑色标记，生成一个矩阵V＝[S,W,B]，其中Si表示光谱提取组件的编号，Wi表示是否有白色涂鸦标记，Bi表示是否有黑色涂鸦标记；
S32：计算矩阵E，其中矩阵E由光谱提取组件α1,α2,...αK和拉普拉斯提取矩阵计算得到，计算方法如下：
Figure BDA0001698486120000031
E(i,j)＝max(0,-Φ(i,j))
S33：利用最大流算法对提取得到的光谱提取组件进行分类：将矩阵V和矩阵E输入到最大流算法中输出结果为α1,α2,...αK的一个线性变换，标记了某个光谱提取组件是否属于待提取部分；
S34：利用得到的线性变换对光谱提取组件进行线性叠加，得到一张灰度图；
S35：设定灰度阈值，对于高于灰度阈值的像素点进行保留、对于低于灰度阈值的像素点进行舍弃得到感兴趣区域。
进一步的，利用骨架算法计算感兴趣区域的骨架采用如下方式：
S41：根据计算S34中得到的灰度图的平均灰度设定骨架灰度阈值；
S42：对于灰度图中灰度大于骨架灰度阈值的部分计算第一套骨架，记录第一套骨架中像素点的位置信息，并对灰度图中灰度小于骨架灰度阈值的部分计算第二套骨架，记录第二套骨架中像素点的位置信息；
S43：分别保存两套骨架中的全部像素点的位置信息。
进一步的，利用骨架对第二张图片的待分割部分进行涂鸦标记采用如下方式：
将计算得到的第一张图像的骨架中像素点对应的位置以纯白色涂鸦标记，将第二套骨架中像素点对应的位置以纯黑色涂鸦标记，将该张图像作为涂鸦标记后的图像保存。
进一步的，S6中具体采用如下方式：
S61：对第二张图像进行光谱分析组件提取；
S62：利用S5中得到的被涂鸦过的图片中的标记信息对光谱分析组件进行组合，并得到分割结果对应的灰度图；
S63：利用灰度图与设定的灰度阈值获得分割后的结果图片；
S64：利用骨架算法计算分割结果的灰度图对应的骨架，并利用该骨架对第三张图像进行涂鸦；
S65：循环进行上述过程获取涂鸦后的图像、获取光谱提取组件、利用涂鸦标记对组件进行组合、生成骨架、利用骨架对下一张图像进行涂鸦，直至全部的序列化可视人体切片图像处理完成。
由于采用了上述技术方案，本发明提供的基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法，本方法采用了光谱提取算法分割单张图像的感兴趣区域，采用了骨架算法生成了对下一张图像的涂鸦，采用了循环处理的方式获取下一张图像的感兴趣区域，最后获取了全部可使人体切片的感兴趣区域。本方法还具有分割质量高精准的优点，本方法可以处理感兴趣区域中以大脑沟回为代表的呈毛细状部分，以腿部大动脉为代表的呈管状部分，以肝脏为代表的含有细小空腔部分。此外本方法还具有操作简单的好处，仅需要对感兴趣区域进行一次涂鸦，即可完成对全部可视化人体切片图像的分割，因而有更快的执行速度，更高的处理效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法的流程图；
图2为本发明中第一张图像感兴趣区域的涂鸦示意图；
图3为本发明中提取得到的各个光谱提取组件示意图；
图4为本发明中对光谱提取组件进行组合得到的灰度图
图5为本发明中分割得到的感兴趣区域示意图；
图6为本发明中感兴趣区域的骨架示意图
图7为本发明中由骨架生成的下一张图片的涂鸦示意图；
图8为本发明中序列化可视人体切片的感兴趣区域示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚，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的描述：
如图1所示的一种基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法，具体包括以下步骤：
如图2所示，S1：提取一组序列化可视人体切片图像对第一张图形进行涂鸦标记：标记出该图像中需要分割的组织或器官部分。
S11：对序列化可视人体切片图像的第一张中需要提取的组织或器官以纯白色进行标记；
S12：对第一张图像中需要删除的部分用纯黑色进行标记。
S2：提取第一张图像的光谱分析组件：通过拉普拉斯提取矩阵将图像划分为多个光谱分析组件。
S21：计算拉普拉斯提取矩阵：根据图像的像素总数目|wq|，克罗内克函数δii,j，图像上像素的色码Ii,Ij，图片上围绕像素点q的像素点的平均色码μq，图像全部像素点的色码的协方差矩阵∑q，与单位矩阵I3和一个常数ε取值为10-5，计算得到拉普拉斯提取矩阵L，计算公式：
Figure BDA0001698486120000051
Figure BDA0001698486120000052
S22：计算拉普拉斯提取矩阵的最小特征向量；
S23：设定聚类得到的分类的总数K
S24：利用K-means算法对拉普拉斯提取矩阵的最小特征向量进行聚类操作，生成K个聚类得到的向量，结果为矩阵E[e1,e2,e3...eK]；
S25：通过牛顿法求解聚类得到的向量的线性变换：
利用牛顿法求解在满足：
Figure BDA0001698486120000053
的条件下
Figure BDA0001698486120000054
αk＝Eyk
使得I最小的[y1,y2,y3...yK]，其中γ是一常数取值范围为0.8-0.9，此时对应的α1,α2,...αK为提取组件。
如图3所示，S3：对提取到的光谱分析组件进行组合处理：通过S1获得的涂鸦标记将S2中得到的光谱分析组件进行组合获取感兴趣区域。
S31：判断每一个光谱提取组件上是否有纯白色/纯黑色标记，生成一个矩阵V＝[S,W,B]，其中Si表示光谱提取组件的编号，Wi表示是否有白色涂鸦标记，Bi表示是否有黑色涂鸦标记；
S32：计算一个矩阵E，其中矩阵E由光谱提取组件α1,α2,...αK和拉普拉斯提取矩阵计算得到，计算方法如下：
Figure BDA0001698486120000061
E(i,j)＝max(0,-Φ(i,j))
S33：利用最大流/最小割算法对提取得到的光谱提取组件进行分类：将矩阵V和矩阵E输入到最大流/最小割算法当中，最大流/最小割算法输出结果为α1,α2,...αK的一个线性变换，标记了某一个光谱提取组件是否属于待提取的部分；
如图4所示，S34：利用得到的线性变换对光谱提取组件进行线性叠加，得到一张灰度图；
如图5所示，S35：设定一个灰度阈值，对于高于灰度阈值的像素点进行保留，对于低于灰度阈值的像素点进行舍弃，得到感兴趣区域；
如图6所示，S4：利用骨架算法计算感兴趣区域的骨架。
S41：计算S34中得到的灰度图的平均灰度，并对计算得到的灰度平均值乘以一个常系数，通常取值0.8-1.4，作为骨架计算的灰度阈值；
S42：对于灰度图中灰度大于骨架计算灰度阈值的部分计算第一套骨架，记录第一套骨架中像素点的位置信息，并对灰度图中灰度小于骨架计算灰度阈值的部分计算第二套骨架，记录第二套骨架中像素点的位置信息。
如图7所示，S5：利用骨架对第二张图片的待分割部分进行涂鸦标记。
S51：取下一张图像，将计算得到的第一套骨架中像素点对应的位置以纯白色涂鸦标记，将第二套骨架中像素点对应的位置以纯黑色涂鸦标记，将该张图像作为涂鸦标记后的图像保存。
S6：循环处理该组序列化可视人体切片图像：对第二张图像提取光谱分析组件，利用S5得到的涂鸦标记对光谱分析组件进行组合得到第二张图像的感兴趣区域，将第二张感兴趣区域的骨架信息涂鸦标记在第三张图像上即循环执行S2、S3、S4、S5，直到获取全部图像的分割结果。
如图8所示，S61：对于下一张图像进行光谱分析组件提取；
S62：利用S5中得到的被涂鸦过的图片中的标记信息对光谱分析组件进行组合，并得到分割结果对应的灰度图；
S63：利用灰度图与设定的灰度阈值获得分割后的结果图片；
S64：利用骨架算法计算分割结果的灰度图对应的骨架，并利用骨架对再下一张图像进行涂鸦；
S65：循环进行上述过程，即获取涂鸦后的图像、获取光谱提取组件、利用涂鸦标记对组件进行组合、生成骨架、利用骨架对下一张图像进行涂鸦。直至全部的序列化可视人体切片图像处理完成。
本发明公开的一种基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法，本方法可以用于分割以往序列化图像分割算法无法分割的感兴趣区域，例如以大脑沟回为代表的几何形状复杂的感兴趣区域；以肝脏、脾脏为代表的颜色与周围相近，边际不明显的感兴趣区域；以心脏为代表的内部结构复杂，包含有多个组成部分的复杂感兴趣区域。相比于以往分割得到的感兴趣区域，本方法的分割质量更高，可以处理感兴趣区域中呈毛细状部分，例如大脑沟回，器官周围血管；可以处理感兴趣区域中呈管状部分，例如腿部大动脉；可以处理感兴趣区域中的空腔部分，例如肝脏内部细小空洞，心室与心房等等。此外，相比于其他分割方式，本方法操作简单，仅对感兴趣区域进行一次标记，即可完成对全部图像的分割，因而耗时更少分割的效率更高。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法，其特征在于包括以下步骤：
S1：提取一组序列化可视人体切片图像对第一张图形进行涂鸦标记：标记出该图像中需要分割的组织或器官部分；
S2：提取第一张图像的光谱分析组件：通过拉普拉斯提取矩阵将图像划分为多个光谱分析组件；
S3：对提取到的光谱分析组件进行组合处理：通过S1获得的涂鸦标记将S2中得到的光谱分析组件进行组合获取感兴趣区域；
S4：利用骨架算法计算感兴趣区域的骨架；
S5：利用骨架对第二张图片的待分割部分进行涂鸦标记；
S6：循环处理该组序列化可视人体切片图像：对第二张图像提取光谱分析组件，利用S5得到的涂鸦标记对光谱分析组件进行组合得到第二张图像的感兴趣区域，将第二张感兴趣区域的骨架信息涂鸦标记在第三张图像上即循环执行S2、S3、S4、S5直到获取全部图像的分割结果。
2.根据权利要求1所述的一种基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法，其特征还在于：通过拉普拉斯提取矩阵将图片划分为多个光谱分析组件采用如下方式：
S21：计算图像的拉普拉斯提取矩阵L、再计算该矩阵L的最小特征向量；
S22：设定聚类得到的分类的总数K；
S23：利用K-means算法对拉普拉斯提取矩阵的最小特征向量进行聚类操作生成K个聚类得到的向量，结果为矩阵E[e1,e2,e3...eK]；
S24：通过牛顿法求解聚类得到的向量的线性变换：
利用牛顿法求解在满足：
Figure FDA0003182654820000011
的条件下
Figure FDA0003182654820000012
αk＝Eyk
使得I最小的[y1,y2,y3...yK]，其中γ是一常数取值范围为0.8-0.9，此时对应的α1,α2,...αK为提取组件。
3.根据权利要求1所述的一种基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法，其特征还在于：对提取到的光谱分析组件进行组合处理采用如下方式：
S31：判断每一个光谱提取组件上是否有纯白色或纯黑色标记，生成一个矩阵V＝[S,W,B]，其中Si表示光谱提取组件的编号，Wi表示是否有白色涂鸦标记，Bi表示是否有黑色涂鸦标记；
S32：计算矩阵E，其中矩阵E由光谱提取组件α1,α2,...αK和拉普拉斯提取矩阵计算得到，计算方法如下：
Figure FDA0003182654820000021
E(i,j)＝max(0,-Φ(i,j))
S33：利用最大流算法对提取得到的光谱提取组件进行分类：将矩阵V和矩阵E输入到最大流算法中输出结果为α1,α2,...αK的一个线性变换，标记了某个光谱提取组件是否属于待提取部分，L代表拉普拉斯提取矩阵；
S34：利用得到的线性变换对光谱提取组件进行线性叠加，得到一张灰度图；
S35：设定灰度阈值，对于高于灰度阈值的像素点进行保留、对于低于灰度阈值的像素点进行舍弃得到感兴趣区域。
4.根据权利要求3所述的一种基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法，其特征还在于：利用骨架算法计算感兴趣区域的骨架采用如下方式：
S41：根据计算S34中得到的灰度图的平均灰度设定骨架灰度阈值；
S42：对于灰度图中灰度大于骨架灰度阈值的部分计算第一套骨架，记录第一套骨架中像素点的位置信息，并对灰度图中灰度小于骨架灰度阈值的部分计算第二套骨架，记录第二套骨架中像素点的位置信息；
S43：分别保存两套骨架中的全部像素点的位置信息。
5.根据权利要求1所述的一种基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法，其特征还在于：利用骨架对第二张图片的待分割部分进行涂鸦标记采用如下方式：
将计算得到的第一张图像的骨架中像素点对应的位置以纯白色涂鸦标记，将第二套骨架中像素点对应的位置以纯黑色涂鸦标记，将该张图像作为涂鸦标记后的图像保存。
6.根据权利要求1所述的一种基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法，其特征还在于：S6中具体采用如下方式：
S61：对第二张图像进行光谱分析组件提取；
S62：利用S5中得到的被涂鸦过的图片中的标记信息对光谱分析组件进行组合，并得到分割结果对应的灰度图；
S63：利用灰度图与设定的灰度阈值获得分割后的结果图片；
S64：利用骨架算法计算分割结果的灰度图对应的骨架，并利用该骨架对第三张图像进行涂鸦；
S65：循环进行上述过程获取涂鸦后的图像、获取光谱提取组件、利用涂鸦标记对组件进行组合、生成骨架、利用骨架对下一张图像进行涂鸦，直至全部的序列化可视人体切片图像处理完成。
CN201810623008.1A 2018-06-15 2018-06-15 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法 Active CN108986107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810623008.1A CN108986107B (zh) 2018-06-15 2018-06-15 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810623008.1A CN108986107B (zh) 2018-06-15 2018-06-15 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法

Publications (2)

Publication Number Publication Date
CN108986107A CN108986107A (zh) 2018-12-11
CN108986107B true CN108986107B (zh) 2021-09-28

Family

ID=64541383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810623008.1A Active CN108986107B (zh) 2018-06-15 2018-06-15 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法

Country Status (1)

Country Link
CN (1) CN108986107B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986138B (zh) * 2019-05-22 2023-08-25 杭州依图医疗技术有限公司 一种获取肋骨定位的方法和装置
CN110232684B (zh) * 2019-06-13 2023-05-23 大连理工大学 一种基于谱分析的三维医学图像自动分割方法
CN110288617B (zh) * 2019-07-04 2023-02-03 大连理工大学 基于共享抠图和roi渐变的人体切片图像自动分割方法
CN110717908B (zh) * 2019-10-08 2022-08-09 中山大学附属第三医院 病理图片的处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400365A (zh) * 2013-06-26 2013-11-20 成都金盘电子科大多媒体技术有限公司 肺区ct序列自动分割方法
CN104008547A (zh) * 2014-05-28 2014-08-27 大连理工大学 一种基于骨架角点的可视化人体切片图像序列化分割方法
CN105046692A (zh) * 2015-07-01 2015-11-11 复旦大学 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法
CN106709967A (zh) * 2016-12-23 2017-05-24 天津恒宇医疗科技有限公司 一种内窥成像算法及控制系统
CN106780439A (zh) * 2016-11-29 2017-05-31 瑞达昇科技(大连)有限公司 一种筛选眼底图像的方法
CN107341471A (zh) * 2017-07-04 2017-11-10 南京邮电大学 一种基于双层条件随机场的人体行为识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014117108A1 (en) * 2013-01-25 2014-07-31 Duke University Segmentation and identification of closed-contour features in images using graph theory and quasi-polar transform
CN104036484B (zh) * 2013-03-06 2017-08-08 东芝医疗系统株式会社 图像分割装置、图像分割方法和医学图像设备
CN106250867B (zh) * 2016-08-12 2017-11-14 南京华捷艾米软件科技有限公司 一种基于深度数据的人体骨骼跟踪系统的实现方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400365A (zh) * 2013-06-26 2013-11-20 成都金盘电子科大多媒体技术有限公司 肺区ct序列自动分割方法
CN104008547A (zh) * 2014-05-28 2014-08-27 大连理工大学 一种基于骨架角点的可视化人体切片图像序列化分割方法
CN105046692A (zh) * 2015-07-01 2015-11-11 复旦大学 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法
CN106780439A (zh) * 2016-11-29 2017-05-31 瑞达昇科技(大连)有限公司 一种筛选眼底图像的方法
CN106709967A (zh) * 2016-12-23 2017-05-24 天津恒宇医疗科技有限公司 一种内窥成像算法及控制系统
CN107341471A (zh) * 2017-07-04 2017-11-10 南京邮电大学 一种基于双层条件随机场的人体行为识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An automatic segmentation system of acetabulum in sequential CT images for the personalized artificial femoral head design;BinLiu等;《Computer Methods and Programs in Biomedicine》;20160430;第318-335页 *
UGraSP: A unified framework for activity recognition and person identification using graph signal processing;Tamal Batabyal等;《2015 IEEE International Conference on Image Processing (ICIP)》;20151210;第3270-3274页 *
基于迭代算法对CT肝脏感兴趣区域的提取;李玲等;《医疗卫生装备》;20100715(第07期);第29和32页 *
基于骨架特征的多光谱遥感影像飞机目标识别方法研究;蔡栋等;《测绘通报》;20140228;第50-54页 *

Also Published As

Publication number Publication date
CN108986107A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN108986107B (zh) 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法
CN112150478B (zh) 一种构建半监督图像分割框架的方法及系统
CN107633522B (zh) 基于局部相似性活动轮廓模型的脑部图像分割方法和系统
CN113256641B (zh) 一种基于深度学习的皮肤病灶图像分割方法
CN111931811B (zh) 一种基于超像素图像相似度的计算方法
CN113554669B (zh) 一种改进注意力模块的Unet网络脑肿瘤MRI图像分割方法
CN110633651B (zh) 一种基于图像拼接的异常细胞自动识别方法
Candemir et al. Graph-cut based automatic lung boundary detection in chest radiographs
CN108664976B (zh) 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法
CN109492668B (zh) 基于多通道卷积神经网络的mri不同期多模图像表征方法
CN111223110B (zh) 一种显微图像增强方法、装置及计算机设备
CN108960341B (zh) 一种面向脑网络的结构化特征选择方法
CN110428426A (zh) 一种基于改进随机森林算法的mri图像自动分割方法
CN111798458A (zh) 一种基于不确定性引导的交互式医学图像分割方法
CN107392211B (zh) 基于视觉稀疏认知的显著目标检测方法
CN109102510B (zh) 一种基于半监督k-means算法的乳腺癌病理组织图像分割方法
CN104050674A (zh) 一种显著性区域检测方法及装置
CN109949299A (zh) 一种心脏医学图像自动分割方法
CN108898601A (zh) 基于随机森林的股骨头图像分割装置及分割方法
CN117876690A (zh) 一种基于异构UNet的超声影像多组织分割方法和系统
CN110232684B (zh) 一种基于谱分析的三维医学图像自动分割方法
Ibrahim et al. Texture and pixel intensity characterization-based image segmentation with morphology and watershed techniques
Zhang et al. Extracting regions of interest in biomedical images
CN108629780B (zh) 基于颜色分解和阈值技术的舌图像分割方法
Pedoia et al. Fully automatic brain tumor segmentation by using competitive EM and graph cut

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