CN109064473A - 一种2.5d超声宽景图像分割方法 - Google Patents
一种2.5d超声宽景图像分割方法 Download PDFInfo
- Publication number
- CN109064473A CN109064473A CN201810833453.0A CN201810833453A CN109064473A CN 109064473 A CN109064473 A CN 109064473A CN 201810833453 A CN201810833453 A CN 201810833453A CN 109064473 A CN109064473 A CN 109064473A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- scene image
- ultrasonic
- ultrasonic wide
- 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 61
- 238000005192 partition Methods 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 238000003384 imaging method Methods 0.000 claims abstract description 17
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 238000002604 ultrasonography Methods 0.000 claims description 27
- 239000000523 sample Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种2.5D超声宽景图像分割方法,包括如下步骤:使用基于位置信息的曲面超声宽景成像方法,采集带有位置信息的2.5D超声宽景图像;结合图像像素点的像素值和三维空间位置信息对2.5D超声宽景图像的每个像素进行加权处理,对超声宽景图像进行滤波去噪;利用模糊C均值聚类分割(FCM聚类分割)方法对超声宽景图像上的每一个像素点的像素值和空间位置信息进行聚类,实现图像分割;采用形态学处理方法对图像分割结果进行平滑处理。本发明方法使用基于实际空间位置信息的聚类分割方法,方法简单,高效快速,具有很高的实用性。
Description
技术领域
本发明涉及医学超声图像分割技术,特别涉及一种2.5D超声宽景图像分割方法。
背景技术
2.5D超声宽景图像与传统二维超声图像、三维超声图像不同,其存在于不规则的曲面,具有非固定的形态结构和邻域构成。同时,2.5D超声宽景图像成像范围较大,像素点较多,对图像处理过程中的内存占用和处理时间要求较高。由于2.5D超声宽景图像的采集,采用了基于位置信息的2.5D超声宽景成像方法,所以宽景图像的每一个像素点除了像素值信息外,还包含了实际空间中位置信息,利用实际空间位置的先验信息,可以对图像分割效果进行一定的优化。因此,针对2.5D超声宽景图像的特殊性并且利用实际空间位置信息的优势,发明一种2.5D超声宽景图像的分割方法具有较好的实用价值和意义。
发明内容
本发明的目的在于克服现有技术中的缺点与不足,提供一种2.5D超声宽景图像分割方法,使用基于实际空间位置信息的聚类分割方法,方法简单,高效快速,具有很高的实用性。
为实现以上目的,本发明采取如下技术方案:
一种2.5D超声宽景图像分割方法,应用超声探头,并在超声探头上安装一个定位装置以记录探头移动的位置信息,所述方法包括下述步骤:
(1)使用一种蛇形轨迹超声宽景成像方法采集带有位置信息的2.5D超声宽景图像;
(2)利用2.5D超声宽景图像上每个像素点的像素值和空间位置信息,对图像进行滤波处理,并对图像边缘信息进行锐化,接着利用所要分割的感兴趣区域中的先验信息对2.5D超声宽景图像的每个像素进行加权处理;
(3)使用聚类分割方法对步骤(2)处理后的2.5D超声宽景图像上的每一个像素点的像素值和空间位置信息进行聚类,将图像分割成不同互且不相交的子区域;
(4)利用形态学处理方法对聚类分割过程产生的离散像素点进行平滑处理,将最终得到平滑的子区域作为2.5D超声宽景图像的分割结果。
作为优选的技术方案,所述步骤(1)中的蛇形轨迹超声宽景成像方法,具体包括下述步骤:
1)利用安装有位置传感器的超声探头扫描被检查对象表面,在扫描过程中系统实时采集超声图像数据和位置信息;
2)图像位置信息通过三维坐标变换确定,通过公式(1)将超声图像中的任一点Pimage变换到世界坐标系Cw中,
其中T1表示发射器坐标系Ct到世界坐标系Cw的变换矩阵,T2表示图像坐标系Cp到发射器坐标系Ct的变换矩阵;
3)通过上述公式(1),确定采集到的每一幅超声图像的实际位置,根据每幅超声图像的三维坐标,有两种蛇形轨迹超声宽景成像方法:
方法一,直接成像:图像按采集顺序依次显示在三维空间中;即探头平移轨迹是一条曲线,因此相邻图像会在轴向形成一定的夹角,系统直接将这些图像显示在三维空间中,直接看到这些相互交错的图像;
方法二,利用三维曲线或曲面拟合方法对图像平面轮廓做曲面拟合,得到蛇形曲面;即,采集连续且彼此存在夹角的三幅相邻图像;利用拟合计算,得到一个近似的曲面拟合这三幅相邻图像的平面,然后利用最近邻插值计算方法,将曲面上的每一个像素值赋成与其最近的、来自超声图像的像素点的值。
作为优选的技术方案,步骤(2)中,像素值和空间位置信息由蛇形轨迹超声宽景成像方法采集得到,2.5D超声宽景图像保存了每个像素点的像素值和空间信息,利用2.5D超声宽景图像每个像素点的像素值和空间位置信息,使用双边滤波算法进行图像预处理,一方面对图像进行去噪,另一方面对图像边缘信息进行锐化,结合像素点的像素值和每个像素点的3×3邻域内的局部空间位置信息,由如下公式(2)和公式(3)计算像素k邻域的空间权值系数Ws[k,n]和像素权值系数Wg[k,n]:
其中,d(k,k-n)表示第k个像素点与其第n个邻域之间的三维空间欧式距离;g(k)表示第k个像素灰度值;表示空间域标准差,表示值域标准差;
根据所要分割的感兴趣区域中的先验信息,所述先验信息为分割目标在图像中出现的概率;利用公式(4)对每个像素点的灰度值g(k)进行加权处理得到g′(k),其中g′(k)为经过处理后的图像的每个像素点的灰度值,P(x)为分割目标在图像中出现的概率值;通过加权处理将出现分割目标的位置重新赋予权值;
g′(k)=P(x)·g(k) (4)
作为优选的技术方案,步骤(3)中,使用聚类分割方法对步骤(2)处理后的2.5D超声宽景图像上的每一个像素点的像素值和空间位置信息进行聚类,具体过程是:
首先计算整幅2.5D超声宽景图像的像素值分布直方图,基于直方图累积数选取5个峰值作为初始聚类中心,然后对加权像素值进行模糊C均值聚类分割,通过不断迭代,直到聚类中心的变化低于一个阈值时,完成聚类分割,将图像分割成不同且互不相交的子区域。
作为优选的技术方案,步骤(4)中,利用形态学处理方法对聚类分割过程产生的离散像素点进行平滑处理,从而将所述离散像素点进行连接,填充子区域内部的空洞,去除子区域边缘的毛刺。
本发明相对于现有技术具有如下的优点和效果:
(1)针对2.5D超声宽景图像的形态不确定、邻域不固定、像素点较多、图像范围跨度大等特点,需要一种快速且有效的图像分割方法来实现对感兴趣区域的分割。本发明的方法根据2.5D超声宽景图像的每个像素点带有实际空间中的位置信息,充分利用该信息来提高分割的准确性。
(2)本发明提供了一种2.5D超声宽景图像分割方法,直接对2.5D宽景图像进行分割,而不必转换到二维平面或三维空间内,提高了分割的效率和准确性。本发明方法简单,高效快速,具有很高的实用性。
附图说明
图1是本实施例中的2.5D超声宽景图像分割方法流程图;
图2是本实施例中的蛇形轨迹超声宽景成像产生的图像;
图3是本实施例中的2.5D超声宽景图像分割方法的分割结果示意图。
具体实施方式
为了使本发明的目的、技术方案以及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不限于本发明。
实施例
一种2.5D超声宽景图像分割方法,应用超声探头,并在超声探头上安装一个定位装置以记录探头移动的位置信息,如图1所示,所述方法包括下述步骤:
(1)使用一种蛇形轨迹超声宽景成像方法采集带有位置信息的脊柱2.5D超声宽景图像,具体包括下述步骤:
1)利用安装有位置传感器的超声探头扫描被检查的脊柱皮肤表面,在脊柱的左右两侧的横突上分别进行扫描,在扫描过程中系统实时采集超声图像数据和位置信息;
2)图像位置信息通过三维坐标变换确定,通过下述公式,将超声图像中的任一点Pimage变换到世界坐标系Cw中,
其中T1表示发射器坐标系Ct到世界坐标系Cw的变换矩阵,T2表示图像坐标系Cp到发射器坐标系Ct的变换矩阵;
3)通过上述公式(1),确定采集到的每一幅超声图像的实际位置,根据每幅图像的三维坐标,利用蛇形轨迹超声宽景成像的方法二,利用三维曲线或曲面拟合方法对图像平面轮廓做曲面拟合,得到蛇形曲面;即,采集连续且彼此存在夹角的三幅相邻图像;利用拟合计算,得到一个近似的曲面拟合这三幅相邻图像的平面,然后利用最近邻插值计算方法,将曲面上的每一个像素值赋成与其最近的、来自超声图像的像素点的值,其成像结果如图2所示。
(2)利用2.5D超声宽景图像上每个像素点的像素值和空间位置信息,对图像进行滤波处理,并对图像边缘信息进行锐化,接着利用所要分割的感兴趣区域中的先验信息对2.5D超声宽景图像的每个像素进行加权处理;
在本实施例中,像素值和空间位置信息由蛇形轨迹超声宽景成像方法采集得到,2.5D超声宽景图像保存了每个像素点的像素值和空间信息,利用2.5D超声宽景图像上每个像素点的像素值和空间位置信息,使用双边滤波算法进行图像预处理,一方面对图像进行去噪,另一方面对图像边缘信息进行锐化;
具体地,针对由步骤(1)得到的2.5D超声宽景图像,结合像素点的像素值和每个像素点的3×3邻域内的局部空间位置信息,由公式(2)和公式(3)计算得到像素k邻域的空间权值系数Ws[k,n]和像素权值系数Wg[k,n]:
其中,d(k,k-n)表示第k个像素点与其第n个邻域之间的三维空间欧式距离;g(k)表示第k个像素灰度值;δs表示空间域标准差,δg表示值域标准差。
根据所要分割的感兴趣区域中的先验信息,所述先验信息为分割目标在图像中出现的概率;利用公式(4)对每个像素点的灰度值g(k)进行加权处理得到g′(k),其中P(x)为经过处理后的图像的每个像素点的灰度值,g′(k)=P(x)·g(k)为分割目标在图像中出现的概率值;通过加权处理将出现分割目标的位置重新赋予权值;
g′(k)=P(x)·g(k) (4)
(3)使用聚类分割方法对2.5D超声宽景图像上的每一个像素点的像素值和空间位置信息进行聚类,将图像分割成不同互不相交的子区域;具体过程如下:
首先需要计算整幅2.5D超声宽景图像的像素值分布直方图,基于直方图累积数选取5个峰值作为初始聚类中心,然后对加权像素值进行模糊C均值聚类分割(FCM聚类分割),通过不断迭代,直到聚类中心的变化低于一个阈值时,完成FCM聚类分割,将图像分割成不同互不相交的子区域。
(4)利用形态学处理方法对聚类分割过程产生的离散像素点进行平滑处理,从而将所述离散像素点进行连接,填充子区域内部的空洞,去除子区域边缘的毛刺,将最终得到平滑的子区域作为2.5D超声宽景图像的分割结果,如图3所示。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以权利要求所述为准。
Claims (5)
1.一种2.5D超声宽景图像分割方法,应用超声探头,并在超声探头上安装一个定位装置以记录探头移动的位置信息,其特征在于,所述方法包括下述步骤:
(1)使用一种蛇形轨迹超声宽景成像方法采集带有位置信息的2.5D超声宽景图像;
(2)利用2.5D超声宽景图像上每个像素点的像素值和空间位置信息,对图像进行滤波处理,并对图像边缘信息进行锐化,接着利用所要分割的感兴趣区域中的先验信息对2.5D超声宽景图像的每个像素进行加权处理;
(3)使用聚类分割方法对步骤(2)处理后的2.5D超声宽景图像上的每一个像素点的像素值和空间位置信息进行聚类,将图像分割成不同互且不相交的子区域;
(4)利用形态学处理方法对聚类分割过程产生的离散像素点进行平滑处理,将最终得到平滑的子区域作为2.5D超声宽景图像的分割结果。
2.根据权利要求1所述的2.5D超声宽景图像分割方法,其特征在于,所述步骤(1)中的蛇形轨迹超声宽景成像方法,具体包括下述步骤:
1)利用安装有位置传感器的超声探头扫描被检查对象表面,在扫描过程中系统实时采集超声图像数据和位置信息;
2)图像位置信息通过三维坐标变换确定,通过公式(1)将超声图像中的任一点Pimage变换到世界坐标系Cw中,
其中T1表示发射器坐标系Ct到世界坐标系Cw的变换矩阵,T2表示图像坐标系Cp到发射器坐标系Ct的变换矩阵;
3)通过上述公式(1),确定采集到的每一幅超声图像的实际位置,根据每幅超声图像的三维坐标,有两种蛇形轨迹超声宽景成像方法:
方法一,直接成像:图像按采集顺序依次显示在三维空间中;即探头平移轨迹是一条曲线,因此相邻图像会在轴向形成一定的夹角,系统直接将这些图像显示在三维空间中,直接看到这些相互交错的图像;
方法二,利用三维曲线或曲面拟合方法对图像平面轮廓做曲面拟合,得到蛇形曲面;即,采集连续且彼此存在夹角的三幅相邻图像;利用拟合计算,得到一个近似的曲面拟合这三幅相邻图像的平面,然后利用最近邻插值计算方法,将曲面上的每一个像素值赋成与其最近的、来自超声图像的像素点的值。
3.根据权利要求1所述的2.5D超声宽景图像分割方法,其特征在于,步骤(2)中,像素值和空间位置信息由蛇形轨迹超声宽景成像方法采集得到,2.5D超声宽景图像保存了每个像素点的像素值和空间信息,利用2.5D超声宽景图像每个像素点的像素值和空间位置信息,使用双边滤波算法进行图像预处理,一方面对图像进行去噪,另一方面对图像边缘信息进行锐化,结合像素点的像素值和每个像素点的3×3邻域内的局部空间位置信息,由如下公式(2)和公式(3)计算像素k邻域的空间权值系数Ws[k,n]和像素权值系数Wg[k,n]:
其中,d(k,k-n)表示第k个像素点与其第n个邻域之间的三维空间欧式距离;g(k)表示第k个像素灰度值;表示空间域标准差,表示值域标准差;
根据所要分割的感兴趣区域中的先验信息,所述先验信息为分割目标在图像中出现的概率;利用公式(4)对每个像素点的灰度值g(k)进行加权处理得到g′(k),其中g′(k)为经过处理后的图像的每个像素点的灰度值,P(x)为分割目标在图像中出现的概率值;通过加权处理将出现分割目标的位置重新赋予权值;
g′(k)=P(x)·g(k) (4)
4.根据权利要求1所述的2.5D超声宽景图像分割方法,其特征在于,步骤(3)中,使用聚类分割方法对步骤(2)处理后的2.5D超声宽景图像上的每一个像素点的像素值和空间位置信息进行聚类,具体过程是:
首先计算整幅2.5D超声宽景图像的像素值分布直方图,基于直方图累积数选取5个峰值作为初始聚类中心,然后对加权像素值进行模糊C均值聚类分割,通过不断迭代,直到聚类中心的变化低于一个阈值时,完成聚类分割,将图像分割成不同且互不相交的子区域。
5.根据权利要求1所述的2.5D超声宽景图像分割方法,其特征在于,步骤(4)中,利用形态学处理方法对聚类分割过程产生的离散像素点进行平滑处理,从而将所述离散像素点进行连接,填充子区域内部的空洞,去除子区域边缘的毛刺。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810833453.0A CN109064473B (zh) | 2018-07-26 | 2018-07-26 | 一种2.5d超声宽景图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810833453.0A CN109064473B (zh) | 2018-07-26 | 2018-07-26 | 一种2.5d超声宽景图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064473A true CN109064473A (zh) | 2018-12-21 |
CN109064473B CN109064473B (zh) | 2022-03-29 |
Family
ID=64836560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810833453.0A Expired - Fee Related CN109064473B (zh) | 2018-07-26 | 2018-07-26 | 一种2.5d超声宽景图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064473B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080657A (zh) * | 2019-12-13 | 2020-04-28 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络多维度融合的ct图像器官分割方法 |
CN111563880A (zh) * | 2020-04-08 | 2020-08-21 | 华南理工大学 | 一种基于目标检测与聚类的横突棘突检测定位方法 |
CN112164000A (zh) * | 2020-09-28 | 2021-01-01 | 深圳华声医疗技术股份有限公司 | 超声宽景成像的图像存储方法、装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1367468A (zh) * | 2002-03-25 | 2002-09-04 | 北京工业大学 | 基于k-均值聚类及信息融合的角膜病灶图像分割方法 |
CN101061519A (zh) * | 2004-11-16 | 2007-10-24 | 皇家飞利浦电子股份有限公司 | 基于图像分割绘制图像 |
CN102166122A (zh) * | 2011-04-29 | 2011-08-31 | 华南理工大学 | 一种蛇形轨迹超声宽景成像方法 |
CN102436656A (zh) * | 2011-09-05 | 2012-05-02 | 同济大学 | 基于计算机视觉的动物多样性监测方法 |
CN104899926A (zh) * | 2015-07-06 | 2015-09-09 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
CN108230301A (zh) * | 2017-12-12 | 2018-06-29 | 哈尔滨理工大学 | 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法 |
-
2018
- 2018-07-26 CN CN201810833453.0A patent/CN109064473B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1367468A (zh) * | 2002-03-25 | 2002-09-04 | 北京工业大学 | 基于k-均值聚类及信息融合的角膜病灶图像分割方法 |
CN101061519A (zh) * | 2004-11-16 | 2007-10-24 | 皇家飞利浦电子股份有限公司 | 基于图像分割绘制图像 |
CN102166122A (zh) * | 2011-04-29 | 2011-08-31 | 华南理工大学 | 一种蛇形轨迹超声宽景成像方法 |
CN102436656A (zh) * | 2011-09-05 | 2012-05-02 | 同济大学 | 基于计算机视觉的动物多样性监测方法 |
CN104899926A (zh) * | 2015-07-06 | 2015-09-09 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
CN108230301A (zh) * | 2017-12-12 | 2018-06-29 | 哈尔滨理工大学 | 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080657A (zh) * | 2019-12-13 | 2020-04-28 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络多维度融合的ct图像器官分割方法 |
CN111563880A (zh) * | 2020-04-08 | 2020-08-21 | 华南理工大学 | 一种基于目标检测与聚类的横突棘突检测定位方法 |
CN111563880B (zh) * | 2020-04-08 | 2023-11-10 | 华南理工大学 | 一种基于目标检测与聚类的横突棘突检测定位方法 |
CN112164000A (zh) * | 2020-09-28 | 2021-01-01 | 深圳华声医疗技术股份有限公司 | 超声宽景成像的图像存储方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109064473B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN104657984B (zh) | 三维超声乳腺全容积图像感兴趣区域的自动提取方法 | |
Tombari et al. | Classification and evaluation of cost aggregation methods for stereo correspondence | |
CN102592136B (zh) | 基于几何图像中中频信息的三维人脸识别方法 | |
EP2131325B1 (en) | Method for mass candidate detection and segmentation in digital mammograms | |
CN105719295B (zh) | 一种基于三维超体素的颅内出血区域分割方法及系统 | |
WO2006024974A1 (en) | Feature weighted medical object contouring using distance coordinates | |
JPH11501538A (ja) | 医用画像において病巣を検出する方法及びシステム | |
Jiang et al. | Synthesis of mammogram from digital breast tomosynthesis using deep convolutional neural network with gradient guided cGANs | |
CN109064473A (zh) | 一种2.5d超声宽景图像分割方法 | |
Basheer et al. | Segmentation of breast masses in digital mammograms using adaptive median filtering and texture analysis | |
CN106780508A (zh) | 一种基于Gabor变换的GrabCut纹理图像分割方法 | |
CN102509286A (zh) | 一种医学图像目标区域勾画方法 | |
CN112085675B (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
WO2018133119A1 (zh) | 基于深度相机进行室内完整场景三维重建的方法及系统 | |
Hacihaliloglu et al. | Statistical shape model to 3D ultrasound registration for spine interventions using enhanced local phase features | |
CN111402261A (zh) | 一种改进的基于Hessian矩阵增强的颅骨分割算法 | |
GB2451367A (en) | Nodule detection in computed tomography images | |
CN116342519A (zh) | 一种基于机器学习的图像处理方法 | |
CN117094917A (zh) | 一种心血管3d打印数据处理方法 | |
CN113780421B (zh) | 基于人工智能的脑部pet影像识别方法 | |
EP4123512A1 (en) | Systems and methods for fast mammography data handling | |
CN111985555B (zh) | 毫米波三维全息图像去噪方法 | |
Alazawi et al. | Adaptive depth map estimation from 3D integral image | |
Varshney | Abdominal organ segmentation in CT scan images: a survey |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220329 |