CN109447120A - 一种图像自动分割的方法、装置及计算机可读存储介质 - Google Patents
一种图像自动分割的方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109447120A CN109447120A CN201811126882.0A CN201811126882A CN109447120A CN 109447120 A CN109447120 A CN 109447120A CN 201811126882 A CN201811126882 A CN 201811126882A CN 109447120 A CN109447120 A CN 109447120A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- segmented
- subset
- medical
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000011218 segmentation Effects 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000003709 image segmentation Methods 0.000 claims abstract description 39
- 210000000056 organ Anatomy 0.000 claims abstract description 31
- 239000003814 drug Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 6
- 238000013480 data collection Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 13
- 210000004185 liver Anatomy 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001052 transient 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
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像分割的方法、装置及计算机可读存储介质,涉及计算机领域,特别医学图像处理领域,该方法包括:获取医学图像;将所述医学图像按不同器官/组织进行分割;从所述医学图像及所述分割图像分成若干份图像,得到医学图像子集及对应的分割图像子集;并分别进行图像分类训练及图像分割训练,得到图像分类器及图像分割器;利用所述图像分类器将待分割图像分成若干份;将分好的若干份待分割图像输入到与之对应的所述图像分割器进行分割,得到分割图像。本发明还提供了一种图像自动分割装置及计算机可读存储介质。通过本发明的方法、装置及计算机可读存储介质,可完成图像自动分类及自动分割,极大提升图像分割效率。
Description
【技术领域】
本发明涉及计算机领域,特别是涉及一种图像自动分割的方法、装置及计算机可读存储介质。
【技术背景】
数字医学图像技术是现代医学最重要的诊断手段之一,随着数字医学图像诊断技术的不断发展及普及,医生对医学图像诊断的要求也越来越高,除了看二维平面图,还要求看三维模型图,更进一步的要进行定量分析、模拟以及与AR/VR结合使用等。医学影像三维重建是将二维影像图片转换为三维模型的重要技术,如需进行定量分析,则需要将不同器官/组织进行分割后再单独重建,才可以对器官或组织进行定量分析或模拟。
由于符合DICOM3.0标准的医学图像是基于灰度值的二维图像,各元素/组织间是通过不同的灰阶来区分,加上噪音的影响,使得有些组织间的边界并不清晰,所以对医学图像进行分割,不管对医护人员还是对科技工作者,都是件麻烦而复杂的事,完成一个完整器官/组织的分割,需要花费大量的时间及精力,而对于非医学背景的工作者,更是难于完成分割的工作。
【发明内容】
有鉴于此,本发明提供一种图像自动分割的方法、装置及计算机可读存储介质所要解决的问题是:通过本公开发明来解决复杂而费时的医学图像分割工作,实现图像自动分割,提升医护人员及科技工作者的工作效率。
根据本公开的一些实施例,提供的一种图像自动分割的方法,包括:获取医学图像;将所述医学图像按不同器官/组织进行分割,得到不同器官/组织分割图像;从所述医学图像及所述分割图像按不同器官/组织抽取同样位置的若干份图像,得到医学图像子集及对应的分割图像子集;以所述医学图像子集及所述分割图像子集作为训练数据集,分别进行图像分类训练及图像分割训练,分别得到图像分类器及图像分割器;利用所述图像分类器将待分割图像分成若干份;将分好的若干份待分割图像输入到与之对应的所述图像分割器进行分割,得到分割图像,完成图像分割。
根据本公开的一些实施例,获取的所述病变医学图像包括含有病变组织的电子计算机断层扫描CT图像,或磁共振MRI图像,或B超图像中的一种或其组合。
根据本公开的一些实施例,按不同器官/组织,将每一层图像中所包含的器官/组织分别标识并分割出来,得到不同器官/组织的分割图像。
根据本公开的一些实施例,对于不同的器官/组织,其所包含的图像层数有所区别,定义图像层数为N,如肝脏图像共有N liver层,肺图像共有N lung层,肝脏图像与肺图像所包含的图像层数不一定相同,对任意器官/组织,其第一层对应为所述器官/组织的顶层,其最后一层,对应为所述器官/组织的最底层。
根据本公开的一些实施例,按不同器官/组织,从所述医学图像及所述分割图像抽取对应的若干份图像,组成医学图像子集及分割图像子集,所述医学图像子集及分割图像子集包含多套同一器官的若干份图像。
将医学图像或分割图像分成若干份是利用临近图像相似的特点,将图像整体划分为有相似特点的若干份图像,更有利于进行高效快速的训练,得到的训练结果更为精准,即图像分类器及图像分割器能更加精准的识别图像并分类以及更加精准的识别图像并分割,提高处理效率。
根据本公开的一些实施例,所述若干份图像中的一份包括一层或多层图像。
根据本公开的一些实施例,所述若干份图像可以完全等同图像的层数,即把图像的每一层即为一份。
在一些实施例中,所述若干份图像中的一份包括多层图像时,每份图像所包含的图像数量可以相同,也可以不相同。
在一些实施例中,令所述若干份图像为K份图像,所述医学图像及分割图像的分份方法,包括:从N层中抽取K层(K≤N),第1份包含顶层,第K份包含底层,中间第j份(1<j<K)平均分布;第j份所包含的所述医学图像及分割图像的层数为:j=1+((K-1) /(N-1))*(i), K为K份的总数,N为医学图像或分割图像层数总数,i为所述图像所在的层数,经四舍五入后取整。
根据本公开的一些实施例,所述医学图像子集作为图像分类器的训练数据集,用于训练图像分类器;分割图像子集作为图像分割器的训练数据集,用于训练图像分割器。
根据本公开的一些实施例,将所述医学图像子集作为训练数据集输入到若干份的图像分类器中,采用机器学习方法如SVM,CNN进行训练,得到每份图像的图像分类器,将所述分割图像子集作为训练数据集输入到图像分割器中,采用尝试学习方法如UNET进行训练,得到每份图像的图像分割器。
根据本公开的一些实施例,所述图像分类器将待分割图像分为若干份,所述分类器的分类方法包括:将待分割图像输入到图像分类器中,分别判定待分割图像属于其中某一份图像的概率,并输出需分类图像的所属某一份图像的概率,判定规则为图像归属概率最大者。
根据本公开的一些实施例,经所述图像分类器分为若干份的待分割图像分别输入到对应的图像分割器进行分割,得到分割图像,完成图像分割。
根据本公开的另一些实施例,提供的一种图像自动分割的装置,包括:图像获取模块,用于获取医学图像;第一图像分割模块,用于对所述医学图像进行分割,以获行不同器官/组织分割图像;图像分份模块,用于将所述医学图像及所述分割图像分为一一对应的若干份图像,得到医学图像子集及对应的分割图像子集;训练模块,用于训练所述不同器官/组织相应份的图像分类器及图像分割器;图像分类模块,用于将需要分割的图像分成若干份;第二图像分割模块,用于将所述需要分割的图像进行分割。
根据本公开的另一些实施例,所述训练模块包括图像分类器训练模块及图像分割器训练模块。
根据本公开的另一些实施例,所述图像获取模块获取医学图像后,将所述医学图像传输到所述图像分割模块,进行图像分割,以获得不同器官/组织分割图像,完成分割的图像及所述医学图像传输到所述第一图像分份模块,将所述医学图像及所述分割图像分为一一对应的若干份图像,得到医学图像子集及对应的分割图像子集,并传输到所述训练模块,用于训练所述不同器官/组织相应份的图像分类器及图像分割器,完成训练后分别得图像分类器及图像分割器,将需分割图像输入到图像分类模块,分成若干份待分割图像,然后将若干份待分割图像传输到所述第二图像分割模块进行分割,即可自动完成图像分割,输出分割图像。
根据本公开的另一些实施例,提供的一种图像自动分割的装置,其特征在于,包括:存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器设备中的指令,执行如前述任一项任一个实施例的图像自动分割的方法。
根据本公开的又一些实施例,提供的一种图像自动分割计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如前述任一项任一个实施例的图像自动分割的方法的步骤。
本公开发明的有益效果在于:通过本发明的方案、装置及计算机可读存储介质,可完成图像自动分类及自动分割,极大提升图像分割效率,减少医师及技术工作者的工作量。
【附图说明】
为了更清楚地说明本公开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公开的一些实施例,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示出本公开的一些实施例的图像分割的方法的流程示意图。
图2示出本公开的一些实施例的训练图像的方法的流程示意图。
图3示出本公开的一些实施例的图像分割的装置的结构示意图。
图4示出本公开的一些实施例的训练模块的装置的结构示意图。
图5示出本公开的另一些实施例的图像分割的装置的结构示意图。
图6示出本公开的又一些实施例的图像分割的装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开提供的一种图像自动分割的方法,将结合图1进行描述。
如图1所示的一些实施例的图像自动分割的方法的流程示意图。包括步骤S101~S106:
S101,获取医学图像:
在一些实施例中,获取的所述医学图像为电子计算机断层扫描CT图像。
在一些实施例中,获取的所述医学图像为磁共振MRI图像。
在一些实施例中,获取的所述医学图像为B超图像。
在一些实施例中,获取的所述医学图像为电子计算机断层扫描CT图像和磁共振MRI图像。
S102,分割图像:
按不同器官/组织,将每一层图像中所包含的器官/组织分别标识并分割出来,对于不同的器官/组织,其所包含的图像层数有所区别。
对于不同的器官/组织,其所包含的图像层数有所区别,定义图像层数为N,如肝脏图像共有N liver层,肺图像共有N lung层,肝脏图像与肺图像所包含的图像层数不一定相同,对任意器官/组织,其第一层对应为所述器官/组织的顶层,其最后一层,对应为所述器官/组织的最底层。
S103,图像分份:
按不同器官/组织,从所述医学图像及所述分割图像抽取对应的若干份图像,组成医学图像子集及分割图像子集,所述医学图像子集及分割图像子集包含多套同一器官的若干份图像。
根据本公开的一些实施例,所述若干份图像中的一份包括一层或多层图像。
根据本公开的一些实施例,所述若干份图像可以完全等同图像的层数,即把图像的每一层即为一份。
在一些实施例中,所述若干份图像中的一份包括多层图像时,每份图像所包含的图像数量可以相同,也可以不相同。
在一些实施例中,令所述若干份图像为K份图像,所述医学图像及分割图像的分份方法,包括:从N层中抽取K层(K≤N),第1份包含顶层,第K份包含底层,中间第j份(1<j<K)平均分布;第j份所包含的所述医学图像及分割图像的层数为:j=1+((K-1) /(N-1))*(i), K为K份的总数,N为医学图像或分割图像层数总数,i为所述图像所在的层数,经四舍五入后取整。
S104,图像训练:
在一些实施例中,如图2所示,图像训练的方法包括训练图像分类器S1041及训练图像分割器S1042。
根据本公开的一些实施例,所述医学图像子集作为图像分类器的训练数据集,用于训练图像分类器;分割图像子集作为图像分割器的训练数据集,用于训练图像分割器。
根据本公开的一些实施例,将所述医学图像子集作为训练数据集输入到若干份的图像分类器中,采用机器学习方法如SVM,CNN进行训练,得到每份图像的图像分类器,将所述分割图像子集作为训练数据集输入到图像分割器中,采用尝试学习方法如UNET进行训练,得到每份图像的图像分割器。
S105,图像分类:
根据本公开的一些实施例,所述图像分类器将待分割图像分为若干份,所述分类器的分类方法包括:将待分割图像输入到图像分类器中,分别判定待分割图像属于其中某一份图像的概率,并输出需分类图像的所属某一份图像的概率,判定规则为图像归属概率最大者。
S106,图像分割:
根据本公开的一些实施例,经所述图像分类器分为若干份的待分割图像分别输入到对应的图像分割器进行分割,得到分割图像,完成图像分割。
本公开还提供的一种图像自动分割的装置,结合图3进行描述。
根据本公开的另一些实施例,提供的一种图像自动分割的装置,包括:图像获取模块201,用于获取医学图像;第一图像分割模块202,用于对所述医学图像进行分割,以获行不同器官/组织分割图像;图像分份模块203,用于将所述医学图像及所述分割图像分为一一对应的若干份图像,得到医学图像子集及对应的分割图像子集;训练模块204,用于训练所述不同器官/组织相应份的图像分类器及图像分割器;图像分类模块205,用于将需要分割的图像分成若干份;第二图像分割模块206,用于将所述需要分割的图像进行分割。
根据本公开的另一些实施例,所述训练模块包括图像分类器训练模块2041及图像分割器训练模块2041,如图4所示。
根据本公开的另一些实施例,所述图像获取模块201获取医学图像后,将所述医学图像传输到所述第一图像分割模块202,进行图像分割,以获得不同器官/组织分割图像,完成分割的图像及所述医学图像传输到所述图像分份模块203,将所述医学图像及所述分割图像分为一一对应的若干份图像,得到医学图像子集及对应的分割图像子集,并传输到所述训练模块204,用于训练所述不同器官/组织相应份的图像分类器及图像分割器,图像分类器训练模块2041用于图像分类器分类训练及图像分割器训练模块2041用于图像分割器训练,完成训练后分别得图像分类器及图像分割器,将需分割图像输入到图像分类模块205,分成若干份待分割图像,然后将若干份待分割图像传输到所述第二图像分割模块206进行分割,即可自动完成图像分割,输出分割图像。
本公开的实施例中的图像分割的装置可各由各种计算设备或计算机系统来实现,下面结合图5以及图6进行描述。
图5为本公开图像分割的装置的一些实施例的结构图。如图5所示,该实施例的装置30包括:存储器301以及耦接至该存储器301的处理器302,处理器302被配置为基于存储在存储器301中的指令,执行本公开中任意一些实施例中的图像分割的方法。
其中,存储器302例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图6为本公开图像分割的装置的另一些实施例的结构图。如图6所示,该实施例的装置40包括:总线401,存储器404以及处理器402,分别与存储器301以及处理器302类似。还可以包括输入输出接口403、存储接口405、网络接口406等。这些接口403,405,406以及存储器404和处理器402之间例如可以通过总线401连接。其中,输入输出接口403为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。存储接口405为SD卡、U盘等外置存储设备提供连接接口。网络接口406为各种联网设备提供连接接口,例如可以连接到数据库服务器或者云端存储服务器等。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述任一个实施例的图像分割的方法的步骤。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本公开的较佳实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种图像分割的方法,其特征在于,包括:
获取医学图像;
将所述医学图像按不同器官/组织进行分割,得到不同器官/组织分割图像;
从所述医学图像及所述分割图像按不同器官/组织抽取同样位置的若干份图像,得到医学图像子集及对应的分割图像子集;
以所述医学图像子集及所述分割图像子集作为训练数据集,进行图像分类训练及图像分割训练,分别得到图像分类器及图像分割器;
利用所述图像分类器将待分割图像分成若干份;
将分好的若干份待分割图像输入到与之对应的所述图像分割器进行分割,得到分割图像,完成图像分割。
2.如权利要求1所述的图像分割方法,其特征在于,获取的所述医学图像包括:电子计算机断层扫描CT图像,或磁共振MRI图像,或B超图像中的一种或其组合。
3.如权利要求1所述的图像分割方法,其特征在于,按不同器官/组织,将每一层图像中所包含的器官/组织分别标识并分割出来,得到不同器官/组织的分割图像。
4.如权利要求1所述的图像分割方法,其特征在于,按不同器官/组织,从所述医学图像及所述分割图像抽取对应的若干份图像,组成医学图像子集及分割图像子集,所述医学图像子集及分割图像子集包含多套同一器官的若干份图像。
5.如权利要求1所述的图像分割方法,其特征在于,将所述医学图像子集作为训练数据集输入到若干份的图像分类器中,采用机器学习方法如SVM,CNN进行训练,得到图像分类器,将所述分割图像子集作为训练数据集输入到图像分割器中,采用尝试学习方法如UNET进行训练,得到图像分割器。
6.如权利要求1所述的图像分割方法,其特征在于,所述图像分类器将图像分为若干份,所述分类器的分类方法包括:将需分类图像输入到图像分类器中,分别判定图像属于其中某一份图像的概率,并输出需分类图像的所属图像的概率,判定规则为图像归属概率最大者。
7.如权利要求1所述的图像分割方法,其特征在于,经所述图像分类器分为若干份的待分割图像分别输入到对应的图像分割器进行分割,得到分割图像,完成图像分割。
8.一种图像分割的装置,其特征在于,包括:
图像获取模块,用于获取医学图像;
第一图像分割模块,用于对所述医学图像进行分割,以获得不同器官/组织分割图像;
图像分份模块,用于将所述医学图像及所述分割图像分为一一对应的若干份图像,得到医学图像子集及对应的分割图像子集;
训练模块,用于训练所述不同器官/组织相应份的图像分类器及图像分割器;
图像分类模块,用于将需要分割的图像分成若干份;
第二图像分割模块,用于将所述需要分割的图像进行分割。
9.一种图像自动分割的装置,其特征在于,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器设备中的指令,执行权利要求1-7任一项所述的图像分割的方法。
10.一种图像自动分割计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811126882.0A CN109447120A (zh) | 2018-09-26 | 2018-09-26 | 一种图像自动分割的方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811126882.0A CN109447120A (zh) | 2018-09-26 | 2018-09-26 | 一种图像自动分割的方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447120A true CN109447120A (zh) | 2019-03-08 |
Family
ID=65544404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811126882.0A Withdrawn CN109447120A (zh) | 2018-09-26 | 2018-09-26 | 一种图像自动分割的方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447120A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785447A (zh) * | 2019-03-29 | 2019-05-21 | 北京博雅君益健康管理有限公司 | 一种医学标本展示方法及装置 |
CN109871838A (zh) * | 2019-04-18 | 2019-06-11 | 电子科技大学 | 基于级联深度网络的阿尔茨海默症病灶脑区的提取方法 |
CN110163870A (zh) * | 2019-04-24 | 2019-08-23 | 艾瑞迈迪科技石家庄有限公司 | 一种基于深度学习的腹部体影像肝脏分割方法及装置 |
CN113516640A (zh) * | 2021-07-05 | 2021-10-19 | 首都师范大学 | 基于分类分支的ct图像细小裂缝分割装置和方法 |
-
2018
- 2018-09-26 CN CN201811126882.0A patent/CN109447120A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785447A (zh) * | 2019-03-29 | 2019-05-21 | 北京博雅君益健康管理有限公司 | 一种医学标本展示方法及装置 |
CN109871838A (zh) * | 2019-04-18 | 2019-06-11 | 电子科技大学 | 基于级联深度网络的阿尔茨海默症病灶脑区的提取方法 |
CN110163870A (zh) * | 2019-04-24 | 2019-08-23 | 艾瑞迈迪科技石家庄有限公司 | 一种基于深度学习的腹部体影像肝脏分割方法及装置 |
CN113516640A (zh) * | 2021-07-05 | 2021-10-19 | 首都师范大学 | 基于分类分支的ct图像细小裂缝分割装置和方法 |
CN113516640B (zh) * | 2021-07-05 | 2022-03-18 | 首都师范大学 | 基于分类分支的ct图像细小裂缝分割装置和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Tienet: Text-image embedding network for common thorax disease classification and reporting in chest x-rays | |
AlZu’bi et al. | Parallel implementation for 3d medical volume fuzzy segmentation | |
Monkam et al. | Detection and classification of pulmonary nodules using convolutional neural networks: a survey | |
CN109447120A (zh) | 一种图像自动分割的方法、装置及计算机可读存储介质 | |
CN110517238B (zh) | Ct医学影像ai三维重建与人机交互可视化网络系统 | |
JP6220310B2 (ja) | 医用画像情報システム、医用画像情報処理方法及びプログラム | |
WO2018119766A1 (zh) | 多模态图像处理系统及方法 | |
CN105760874B (zh) | 面向尘肺的ct图像处理系统及其ct图像处理方法 | |
JP2019076699A (ja) | 偽陽性低減での小結節検出 | |
US10956635B1 (en) | Radiologist-assisted machine learning with interactive, volume subtending 3D cursor | |
US11238197B1 (en) | Generating a 3D dataset containing a simulated surgical device | |
Ye et al. | Glioma grading based on 3D multimodal convolutional neural network and privileged learning | |
Maity et al. | Automatic lung parenchyma segmentation using a deep convolutional neural network from chest X-rays | |
Guo et al. | DeepLN: an artificial intelligence-based automated system for lung cancer screening | |
CN109523507A (zh) | 一种病变图像生成的方法、装置及计算机可读存储介质 | |
US11416994B2 (en) | Method and system for detecting chest x-ray thoracic diseases utilizing multi-view multi-scale learning | |
CN109345545A (zh) | 一种分割图像生成的方法、装置及计算机可读存储介质 | |
CN109377477B (zh) | 一种图像分类的方法、装置及计算机可读存储介质 | |
EP3651117A1 (en) | Methods, systems and use for detecting irregularities in medical images by means of a machine learning model | |
CN110232695A (zh) | 基于混合模态图像的左心室图像分割方法及系统 | |
Iqbal et al. | Brain tumor segmentation in multimodal MRI using U-Net layered structure | |
CN111127636B (zh) | 一种智能的复杂关节内骨折桌面级三维诊断系统 | |
Lacerda et al. | A parallel method for anatomical structure segmentation based on 3d seeded region growing | |
Seeli et al. | Brain disease detection using PSPNet for multiclass segmentation | |
US11501442B2 (en) | Comparison of a region of interest along a time series of images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200115 Address after: 215028 unit 301, floor 3, No.288, Dongping street, Suzhou Industrial Park, Jiangsu Province Applicant after: Suzhou Liulian Technology Co.,Ltd. Address before: 528100 No. eleven, 422 C, 21 complex building F2, B area, Sanshui center, Foshan, Guangdong. Applicant before: FOSHAN HUANYUN TECHNOLOGY CO.,LTD. |
|
TA01 | Transfer of patent application right | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190308 |
|
WW01 | Invention patent application withdrawn after publication |