CN108986114B - 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法 - Google Patents
一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法 Download PDFInfo
- Publication number
- CN108986114B CN108986114B CN201810757818.6A CN201810757818A CN108986114B CN 108986114 B CN108986114 B CN 108986114B CN 201810757818 A CN201810757818 A CN 201810757818A CN 108986114 B CN108986114 B CN 108986114B
- Authority
- CN
- China
- Prior art keywords
- liver
- segmentation
- abdominal
- sequence
- level set
- 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
- 210000004185 liver Anatomy 0.000 title claims abstract description 108
- 230000011218 segmentation Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000003187 abdominal effect Effects 0.000 title claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 210000000056 organ Anatomy 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 206010019707 Hepatic rupture Diseases 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 12
- 210000001015 abdomen Anatomy 0.000 description 5
- 208000019423 liver disease Diseases 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000002054 transplantation Methods 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
- G06T7/10—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
- G06T2207/10016—Video; 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
- G06T2207/10—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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法，包括：对输入图像进行预处理，去除不相关的器官和组织；结合灰度偏移场，利用腹部CT序列相邻切片间的相关性构建水平集能量函数，以初始切片为起点，采用迭代策略完成腹部CT序列图像的肝脏自动分割；构建局部和全局形状描述符去除过分割区域，优化肝脏边缘。本发明方法能有效分割受噪声污染严重且存在灰度异质的腹部CT序列图像中的肝脏区域，可有效避免对肝脏周围毗邻组织的误分割，去除因灰度重叠造成的过分割区域，提高肝脏分割精度。
Description
技术领域
本发明涉及医学图像分析处理领域，具体涉及一种基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法。
背景技术
我国是肝脏疾病大国，世界范围内约有一半以上的肝脏疾病新病例和因罹患肝脏疾病而死亡的案例发生在中国。目前主要的肝脏疾病治疗方法包括肝脏切除、活体肝移植和立体定向放疗等。计算机辅助诊断和手术规划是肝脏疾病治疗的重要环节。肝脏图像的准确分割是计算机辅助诊断和手术规划的基础，可为肝脏病灶分析、手术导航和放疗计划制定等提供技术支持。由于腹部CT序列图像切片数量大，专家手动勾画肝脏区域耗时且存在主观性，因此，研究腹部CT序列图像肝脏的自动分割方法具有重大意义。
由于肝脏解剖结构的复杂性，不同个体肝脏的多样性，以及成像时受噪声、造影剂等因素影响，腹部CT序列图像肝脏分割面临巨大挑战。现有的腹部CT序列图像肝脏分割方法主要包含基于传统方法、基于形状模型和基于深度学习三类。传统方法对噪声敏感，对低对比度CT图像分割结果不理想。基于形状模型的方法无法准确分割形状异常的肝脏。基于深度学习的肝脏分割在进行网络训练时需要大量的数据作为支撑，训练时间长，且对硬件要求高。
发明内容
本发明的目的在于提供一种精确、鲁棒的腹部CT序列图像肝脏自动分割方法。本发明通过以下方案实现：
一种基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法，包括以下步骤：
(1)对输入腹部CT序列图像进行预处理，去除脊柱、肋骨和肌肉等不相关的组织和器官；
(2)结合灰度偏移场构建初始切片水平集能量函数
(3)利用腹部CT序列相邻切片间的相关性，结合相邻切片肝脏分割结果作为位置约束，构建水平集能量函数
(4)构建局部和全局形状描述符去除肝脏过分割区域，优化肝脏边缘，包括以下步骤：
a.提取肝脏边缘，并每隔N个点提取一个肝脏边缘像素点作为肝脏边缘特征点，获得肝脏边缘特征点集P＝{p1,p2,…,pk}；其中，N为大于0小于20的整数；
b.以特征点pi,i＝1,2,…,k为圆心，以r为半径画圆oi，构建局部形状描述符，
和
若LS1(pi)小于TLS1且LS2(pi)大于TLS2，则点pi为过分割关键候选点；其中，r为大于0小于10的常数，TLS1为0.5～1之间的常数，TLS2为0～0.5之间的常数；
c.对任意两个过分割关键候选点pu和pv，构建其全局形状描述符
其中，TGS为0.5～1之间的常数。
在第(1)步中，预处理具体包括：选取阈值T1对输入CT序列图像进行阈值分割，根据分割结果构建脊柱和肋骨的最小凸多边形掩模并结合形态学重构将脊柱和肋骨去除；基于肝实质灰度分布选取阈值T2，去除肌肉等灰度低于肝脏的不相关器官和组织。其中，T1为230～250之间的正常数，T2为140～180之间的正常数。
在第(2)步中，选取肝脏面积相对较大且无肝脏断裂的切片图像作为腹部CT序列图像的肝脏初始切片，该切片位于整个序列自上至下的三分之一至五分之二处。
在第(4)步中，优选N为9。
在第(4)步中，优选r为5，TLS1为0.7，TLS2为0.35。
在第(4)步中，优选TGS为0.6。
本发明方法有以下一些优点：
所用水平集能量函数中的灰度偏移场能在水平集演化过程中对CT图像进行灰度校正，可有效避免灰度异质和噪声对肝脏分割精度的影响；
构建局部和全局形状描述符可去除因灰度重叠造成的肝脏过分割区域，优化肝脏边缘，进一步提高肝脏分割精度；
基于CT序列相邻切片的空间相关性，将相邻切片肝脏分割结果作为位置约束，可减小不相关器官和组织对肝脏分割精度的影响。
附图说明
图1本发明实施方式的基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法流程图；
图2本发明实施方式的CT原始图及其预处理结果图；
图3本发明实施方式的基于水平集的初始切片肝脏粗分割结果图和非初始切片肝脏粗分割结果图；
图4本发明实施方式的局部形状描述符示例图；
图5本发明实施方式的肝脏边缘优化结果图。
具体实施方式
实施例1
图1所示为本发明实施方式的基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法流程图。首先，对输入腹部CT序列图像进行预处理；然后，选取初始肝脏切片，利用融入了灰度偏移场的水平集方法对其进行肝脏初分割；接着，优化初始切片肝脏边缘；最后，以初始切片为起点，将相邻切片肝脏分割结果作为位置约束融入水平集能量函数，分别向上向下迭代分割所有切片。
下面结合图1，以一较佳的实施例详细说明本发明的基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法。
1.预处理。具体实现步骤如下：首先，基于脊柱和肋骨的灰度先验，选取阈值T1进行阈值分割，并根据分割结果和脊柱、肋骨的位置信息构建最小凸多边形掩模，利用形态学重构完成脊柱和肋骨的分割；然后，基于腹部CT图像肝脏灰度分布，选取阈值T2，去除灰度略低于肝脏的其他不相关器官和组织。本实施例选T1为240，T2为156。图2为本实施例得到的CT图像预处理结果，其中图(a)为原始腹部CT图像，图(b)为采用本实施例方法得到的预处理结果。
2.初始切片分割。具体实现步骤如下：采用上述步骤1完成CT图像预处理后，构建初始切片的水平集能量函数：
其中，I(x)为腹部CT图像Ω中像素点x的灰度值；y为CT图像Ω中的像素点，x是以y为圆心，以ρ为半径的邻域Οy＝{x:|y-x|≤ρ}中的像素点，G(y-x)为截断高斯核函数，当
时，G(y-x)＝0，当x∈Οy时，
其中，σ为高斯函数方差，a为归一化常数，∫G(y-x)＝1；ci(i＝1,2)分别代表圆形邻域Οy中目标和背景的平均灰度；b(y)为像素点y的灰度偏移场；M1(φ(x))＝H(φ)，M2(φ(x))＝1-H(φ)，分别表示零水平集内、外区域；L(φ)为周长项，Rp(φ)为距离正则化项；采用梯度下降法最小化该能量函数，所得最大连通域即为初始切片肝脏粗分割结果。
3.序列切片分割。具体实现步骤如下：采用上述实施方法得到初始切片肝脏分割结果之后，以初始切片为起点，分别向上、向下分割腹部CT序列中其他切片。在迭代分割时，引入相邻切片肝脏分割结果作为位置约束，以提高肝脏分割精度。迭代分割的水平集能量函数可构建为：
其中，flocation(y)为上一切片肝脏分割结果。对于非断裂肝脏，保留水平集演化结果的最大连通域作为肝脏粗分割结果，对于断裂肝脏，对水平集演化结果进行面积滤波，将滤波结果作为肝脏粗分割结果。
图3为本实施例得到的CT图像肝脏分割结果，其中图(a)为初始切片肝脏粗分割结果，图(b)为随机选择的非初始切片肝脏粗分割结果。
4.肝脏边缘优化。具体实现步骤如下：
a.提取粗分割肝脏边缘，并每隔N个点提取一个肝脏边缘像素点作为肝脏边缘特征点，获得肝脏边缘特征点集{p1,p2,…,pi,…,pk}，其中，N为9。
b.以特征点pi,i＝1,2,…,k为圆心，以r为半径画圆oi，构建局部形状描述符，
和
其示意图如图4所示，其中，黑色曲线表示粗分割肝脏边缘；黑色及灰色点表示特征点pi；黑色虚线圆表示圆oi；区域1表示经水平集演化后所得背景区域；区域2表示经水平集演化后所得粗分割肝脏区域；区域3表示
即背景与圆oi相交部分的面积；区域4表示
即肝脏粗分割结果与圆oi相交部分的面积；若LS1(pi)小于TLS1且LS2(pi)大于TLS2，则点pi为过分割关键候选点；其中，r为5，TLS1为0.7，TLS2为0.35。
c.对任意两个过分割关键候选点，如图4中灰色点对，构建其全局形状描述符
其中，dis(pu,pv)为候选点pu和pv之间的欧式距离；length(pu,pv)为候选点pu沿肝脏边缘顺时针到达候选点pv的路径距离；length(pv,pu)为候选点pv沿肝脏边缘顺时针到达候选点pu的路径距离；若GS(pu,pv)小于阈值TGS，则(pu,pv)为一对过分割关键点对，用直线将其连接，去除过分割区域；其中，TGS为0.6。
图5为肝脏边缘优化结果，可以看到，相较于图3，由于灰度重叠所导致的肝脏过分割区域被准确去除，肝脏边缘得到优化。
实施例2
采用本实施例1的方法对Sliver07和XHCSU14数据库进行测试。Sliver07数据库包含20个来自不同病人的腹部CT序列，其切片图像大小均为512×512，平面像素间距分布在0.5762mm至0.8125mm范围内，层厚分布在0.7mm至3.0mm范围内；XHCSU14数据库由中南大学湘雅医院提供，该数据库包含20个来自不同病人的腹部CT序列，其切片图像大小均为512×512，平面像素间距范围为0.5313mm至0.7402mm，层厚为1.0mm和1.5mm。采用体积重叠误差(Volumetric Overlap Error,VOE)、相对体积差(Relative Volume Difference,RVD)、平均对称表面距离(Average Symmetric Surface Distance,ASD)、均方根对称表面距离(Root Mean Square Symmetric Surface Distance,RMSD)和最大对称表面距离(MaximumSymmetric Surface Distance,MSD)对以上两个数据库的肝脏分割结果进行评价，各项指标的均值和标准差如表1所示。可以看到，对于不同的数据库，本发明分割误差的均值和标准差均较小，证明本发明方法对腹部CT序列图像肝脏的分割精度较高，鲁棒性较强。
表1
Claims (5)
1.一种基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法，其特征在于包括以下步骤：
(1)对输入CT序列图像进行预处理，去除不相关的组织器官；
(2)结合灰度偏移场构建初始切片水平集能量函数
其中，I(x)为腹部CT图像Ω中像素点x的灰度值；y为CT图像Ω中的像素点，x是以y为圆心、ρ为半径的邻域Oy＝{x:|y-x|≤ρ}中的像素点，G(y-x)为截断高斯函数，当
时，G(y-x)＝0，当x∈Oy时，
其中，σ为高斯函数方差，a为归一化常数，∫G(y-x)＝1；c1和c2分别代表圆形邻域Oy中目标和背景的平均灰度；b(y)为像素点y的灰度偏移场；M1(φ(x))和M2(φ(x))分别表示零水平集φ(x)的内、外区域；L(φ)为周长项，Rp(φ)为距离正则化项；采用梯度下降法最小化该能量函数，保留最大连通域，即可得到初始切片肝脏粗分割结果；
(3)利用腹部CT序列相邻切片间的相关性，结合相邻切片肝脏分割结果作为位置约束，构建水平集能量函数
以初始切片为起点，以迭代策略分别向上向下分割CT序列中的剩余切片，其中，flocation(y)为上一切片肝脏分割结果；对于非断裂肝脏，保留演化结果的最大连通域作为肝脏粗分割结果，对于断裂肝脏，对演化结果进行面积滤波，将滤波结果作为肝脏粗分割结果；
(4)构建局部和全局形状描述符对水平集分割结果进行优化，去除过分割毗邻组织或器官，具体包括以下步骤：
a.提取肝脏边缘像素点，并每隔N个点提取一个肝脏边缘像素点作为肝脏边缘特征点，获得肝脏边缘特征点集{p1,p2,…,pi,…,pk}；
b.对于肝脏边缘任意特征点pi，构建其局部形状描述符
和
其中，oi表示以pi为圆心、以r为半径的圆；LS1(pi)表示圆oi与肝脏相交面积与圆oi面积的比值；LS2(pi)表示圆oi与肝脏不相交部分面积和相交部分面积的比值；设置阈值TLS1和TLS2，若LS1(pi)小于TLS1且LS2(pi)大于TLS2，则点pi为过分割关键候选点；
c.对于任意两个过分割关键候选点pu和pv，构建其全局形状描述符
其中，dis(pu,pv)为候选点pu和pv之间的欧式距离；length(pu,pv)为候选点pu沿肝脏边缘顺时针到达候选点pv的路径距离；length(pv,pu)为候选点pv沿肝脏边缘顺时针到达候选点pu的路径距离；设置阈值TGS，若GS(pu,pv)小于阈值TGS，则(pu,pv)为一对过分割关键点对，以直线将其连接，去除过分割区域。
2.如权利要求1所述的一种基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法，其特征在于，所述的第(1)步中，预处理操作具体包括：采用阈值T1对输入CT序列图像进行阈值分割，根据阈值分割结果构建最小凸多边形掩模并应用形态学重构去除脊柱和肋骨；基于肝实质灰度分布选取阈值T2，去除灰度低于肝脏的不相关器官和组织。
3.如权利要求2所述的一种基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法，其特征在于，所述T1为230～250之间的正常数，T2为140～180之间的正常数。
4.如权利要求1所述的一种基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法，其特征在于，所述的第(2)步中，初始切片位于整个CT序列自上至下的三分之一至五分之二处，且无肝脏断裂现象。
5.如权利要求1所述的一种基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法，其特征在于，在所述第(4)步中，所述N为大于0小于20的整数，r为大于0小于10的常数，TLS1为0.5～1之间的常数，TLS2为0～0.5之间的常数，TGS为0.5～1之间的常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810757818.6A CN108986114B (zh) | 2018-07-11 | 2018-07-11 | 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810757818.6A CN108986114B (zh) | 2018-07-11 | 2018-07-11 | 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108986114A CN108986114A (zh) | 2018-12-11 |
| CN108986114B true CN108986114B (zh) | 2022-03-29 |
Family
ID=64536787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810757818.6A Active CN108986114B (zh) | 2018-07-11 | 2018-07-11 | 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108986114B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741359B (zh) * | 2019-01-13 | 2022-05-31 | 中南大学 | 一种腹部ct序列图像病变肝脏分割方法 |
| CN109886977B (zh) * | 2019-02-19 | 2020-01-24 | 闽南师范大学 | 一种带有邻域约束的图像分割方法、终端设备及存储介质 |
| CN111652890B (zh) * | 2020-06-10 | 2024-05-07 | 湖南工业大学 | 一种基于阈值水平集的腹部cta序列图像肝脏分割方法 |
| CN114445320A (zh) * | 2020-11-02 | 2022-05-06 | 千寻位置网络有限公司 | 图像分割质量的评测方法、装置、电子设备和存储介质 |
| CN116993764B (zh) * | 2023-09-26 | 2023-12-08 | 江南大学附属医院 | 一种胃部ct智能分割提取方法 |
| CN117576124B (zh) * | 2024-01-15 | 2024-04-30 | 福建智康云医疗科技有限公司 | 一种基于人工智能的腹部ct图像肝脏分割方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903103A (zh) * | 2012-09-11 | 2013-01-30 | 西安电子科技大学 | 基于迁移活动轮廓模型的胃部ct序列图像分割方法 |
| CN103917986A (zh) * | 2011-09-07 | 2014-07-09 | 法雷奥开关和传感器有限责任公司 | 用于检测车辆风挡上的雨滴的方法和摄像头组件 |
| CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
| CN104715484A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 基于改进的水平集的自动肿瘤区域分割方法 |
| 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 |
| CN105488849A (zh) * | 2015-11-24 | 2016-04-13 | 嘉兴学院 | 一种基于混合水平集的三维牙齿建模方法 |
| CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
| CN107833226A (zh) * | 2017-10-26 | 2018-03-23 | 中国测绘科学研究院 | 一种基于指数型多尺度影像序列的c‑v模型对sar影像海岸线快速自动分割方法 |
| CN108090909A (zh) * | 2017-12-15 | 2018-05-29 | 中国人民解放军陆军军医大学第附属医院 | 一种基于统计偏微分模型的超声造影图像分割方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7706610B2 (en) * | 2005-11-29 | 2010-04-27 | Microsoft Corporation | Segmentation of objects by minimizing global-local variational energy |
| US10509954B2 (en) * | 2016-02-10 | 2019-12-17 | Intel Corporation | Method and system of image segmentation refinement for image processing |
-
2018
- 2018-07-11 CN CN201810757818.6A patent/CN108986114B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103917986A (zh) * | 2011-09-07 | 2014-07-09 | 法雷奥开关和传感器有限责任公司 | 用于检测车辆风挡上的雨滴的方法和摄像头组件 |
| CN102903103A (zh) * | 2012-09-11 | 2013-01-30 | 西安电子科技大学 | 基于迁移活动轮廓模型的胃部ct序列图像分割方法 |
| CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
| CN104715484A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 基于改进的水平集的自动肿瘤区域分割方法 |
| 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 |
| CN105488849A (zh) * | 2015-11-24 | 2016-04-13 | 嘉兴学院 | 一种基于混合水平集的三维牙齿建模方法 |
| CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
| CN107833226A (zh) * | 2017-10-26 | 2018-03-23 | 中国测绘科学研究院 | 一种基于指数型多尺度影像序列的c‑v模型对sar影像海岸线快速自动分割方法 |
| CN108090909A (zh) * | 2017-12-15 | 2018-05-29 | 中国人民解放军陆军军医大学第附属医院 | 一种基于统计偏微分模型的超声造影图像分割方法 |
Non-Patent Citations (7)
| Title |
|---|
| A Hybrid Level Set With Semantic Shape Constraint for Object Segmentation;Wang Bin等;《IEEE Transactions on Cybernetics》;20180215;第49卷(第5期);第1-12页 * |
| A level set method for image segmentation in the presence of intensity inhomogeneities with application to MRI;Chunming Li等;《IEEE Transactions on Image Processing》;20110421;第20卷(第7期);第2007-2016页 * |
| A LEVEL-SET METHOD BASED ON GLOBAL AND LOCAL REGIONS FOR IMAGE SEGMENTATION;Yu Qian Zhao等;《International Journal of Pattern Recognition and Articial Intelligence》;20121231;第26卷(第1期);第1-16页 * |
| Dependence of Shape-Based Descriptors and Mass Segmentation Areas on Initial Contour Placement Using the Chan-Vese Method on Digital Mammograms;S. N. Acho等;《Computational and Mathematical Methods in Medicine》;20150824;第1-16页 * |
| 基于图割和边缘行进的肝脏CT序列图像分割;廖苗等;《电子与信息学报》;20160329;第38卷(第06期);第1552-1556页 * |
| 基于稀疏表示和低秩恢复的肝脏CT图像分割算法研究;史长发;《中国优秀博硕士学位论文全文数据库(博士)_医药卫生科技辑》;20180115;E072-12 * |
| 结合形状统计的水平集图像分割;陈强;《计算机工程与应用》;20090611;第45卷(第17期);第5-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108986114A (zh) | 2018-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108986114B (zh) | 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法 | |
| CN110782474B (zh) | 基于深度学习的预测消融术后肝脏肿瘤形态变化的方法 | |
| CN109934235B (zh) | 一种无监督的腹部ct序列图像多器官同时自动分割方法 | |
| CN108596887B (zh) | 一种腹部ct序列图像中肝脏肿瘤区域图像的自动分割方法 | |
| CN104933709B (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
| CN106846317B (zh) | 一种基于特征提取和相似匹配的医学影像检索方法 | |
| CN107977952A (zh) | 医学图像分割方法及装置 | |
| 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 | |
| Liao et al. | Efficient liver segmentation in CT images based on graph cuts and bottleneck detection | |
| CN105957063A (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 | |
| CN101013503A (zh) | 一种医学图像中腹部器官分割方法 | |
| Li et al. | Liver segmentation from abdominal CT volumes based on level set and sparse shape composition | |
| CN101111865A (zh) | 用于在心脏图像中分割左心室的系统和方法 | |
| CN106780518A (zh) | 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法 | |
| JP2007061607A (ja) | 第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム | |
| CN109191468B (zh) | 一种血管提取的方法、装置及存储介质 | |
| CN103544695B (zh) | 一种高效的基于博弈框架的医学图像分割方法 | |
| CN102831614A (zh) | 基于交互式字典迁移的序列医学图像快速分割方法 | |
| Vandewinckele et al. | Segmentation of head-and-neck organs-at-risk in longitudinal CT scans combining deformable registrations and convolutional neural networks | |
| Linguraru et al. | Atlas-based automated segmentation of spleen and liver using adaptive enhancement estimation | |
| CN102663728B (zh) | 基于字典学习的医学图像交互式联合分割 | |
| CN118864858A (zh) | 基于机器学习的脊椎ct图像数据分割方法及系统 | |
| CN110610491B (zh) | 一种腹部ct图像的肝脏肿瘤区域分割方法 | |
| CN106780492B (zh) | 一种ct骨盆图像的关键帧提取方法 | |
| Alirr et al. | Automatic liver segmentation from ct scans using intensity analysis and level-set active contours |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220609 Address after: 410000 room 105, building 5, R & D headquarters, Central South University Science Park, changzuo Road, Yuelu street, Yuelu District, Changsha City, Hunan Province Patentee after: Hunan Theo Technology Co.,Ltd. Address before: Yuelu District City, Hunan province 410083 Changsha Lushan Road No. 932 Patentee before: CENTRAL SOUTH University |
|
| TR01 | Transfer of patent right | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 410000 room 105, building 5, R & D headquarters, Central South University Science Park, changzuo Road, Yuelu street, Yuelu District, Changsha City, Hunan Province Patentee after: Hunan Tiao Medical Technology Co.,Ltd. Address before: 410000 room 105, building 5, R & D headquarters, Central South University Science Park, changzuo Road, Yuelu street, Yuelu District, Changsha City, Hunan Province Patentee before: Hunan Theo Technology Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |