CN109509203A - 一种半自动脑部图像分割方法 - Google Patents
一种半自动脑部图像分割方法 Download PDFInfo
- Publication number
- CN109509203A CN109509203A CN201811208492.8A CN201811208492A CN109509203A CN 109509203 A CN109509203 A CN 109509203A CN 201811208492 A CN201811208492 A CN 201811208492A CN 109509203 A CN109509203 A CN 109509203A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- profile
- map
- value
- 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
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
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/38—Registration of image sequences
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种半自动脑部图像分割方法,具体包括以下步骤:首先使用图谱配准和模板选择方法来获得目标组织的形状先验信息,并生成分割模板;其次采用模板优化方法来减少图谱配准过程中产生的误差,并生成初始活动轮廓;最后使用主动轮廓模型来分割目标组织。本发明结合了图谱配准方法和活动轮廓分割方法的优点,实现了脑部图像的半自动分割。本发明方法有效的利用了图谱的形状先验信息,并且能获得光滑连续的目标组织轮廓。
Description
技术领域
本发明涉及图像分割技术领域,特别涉及一种基于MR图像的半自动脑组织分割方法。
背景技术
脑部图像分割对于脑组织疾病诊断和治疗至关重要,脑部图像分割技术也是大脑三维重建和病灶定量分析的基础。图像分割的准确性直接影响病灶组织的定位、病灶组织形状和大小的测量,以及脑组织疾病临床诊断和治疗计划的制定。
基于主动轮廓算法的图像分割方法表达式简单、计算效率高,并且可以获得平滑连续的目标组织轮廓。近几十年来,主动轮廓算法已广泛应用于图像边缘检测,医学图像分割和运动跟踪领域中,但是基于主动轮廓算法的图像分割方法对初始活动轮廓比较敏感,导致初始活动轮廓的设定比较困难。
近些年来,基于图谱的分割方法已成为图像分割的基本工具。基于图谱的分割方法可以将图谱的先验信息传递到目标图像,并且能获得较高的分割精度。基于图谱的分割方法能够有效利用图谱的先验信息,因此被广泛应用于自动或半自动图像分割领域中,但是该方法获得的组织轮廓不平滑。
因此结合主动轮廓算法和基于图谱的分割方法来建立一个高效的、分割结果优的自动或半自动脑部图像分割方法尤为重要。
发明内容
本发明的目的在于提供一种半自动脑部图像分割方法,首先使用图谱配准和模板选择方法来获得目标组织的形状先验信息,并生成分割模板;其次采用模板优化方法来减少图谱配准过程中产生的误差,并生成初始活动轮廓;最后使用活动轮廓模型来分割目标组织。
本发明为解决上述问题采取的技术方案是:
一种半自动脑部图像分割方法,所述方法具体实现过程为:
步骤一、图谱配准:
给定目标组织的图谱,所述图谱包含N张图谱灰度图像Fi(i=1,2…N)和与图谱灰度图像相对应的图谱标签图像Li(i=1,2…N),所述图谱标签图像Li为手动从图谱灰度图像Fi中标记出目标组织的图像,然后采用基于仿射变换的配准方法将目标图像T与每张图谱灰度图像Fi进行配准,得到每张图谱灰度图像Fi的变形场;
步骤二、模板选择:
测量形变后的图谱灰度图像Fi′与目标图像T之间的相似度,选出相似度值最大的图谱灰度图像Fm(m为相似度值最大的图谱灰度图像的标号),然后采用步骤一中得到的Fm的变形场对与Fm相对应的图谱标签图像Lm进行形变,将形变后的图谱标签图像L′m作为分割模板;
步骤三、模板优化:
因为采用了基于仿射变换的图谱配准方法,由于配准精度限制导致选出的分割模板L′m与目标图像T之间存在较大误差,因此要根据图像Fi和图像T的灰度信息和梯度信息对分割模板L′m进行优化,并获取用于主动轮廓分割步骤的初始活动轮廓;
步骤四、主动轮廓分割:
使用主动轮廓分割方法驱动初始活动轮廓变形,最终获得目标组织轮廓。
在步骤二中,测量形变后的图谱灰度图像Fi′与目标图像T之间的相似度的方法为:
1)对形变后的图谱灰度图像Fi′和目标图像T进行像素值归一化处理,以避免像素值强度不均匀性对相似度测量结果的影响;
2)将像素值0到1均分为20个区间,区间标号记为k(k=1,2…20),建立Fi′和T的像素灰度值分布图;
3)计算Fi′与T之间的像素灰度值分布概率权重,其计算公式如下:
在公式(1)中,为Fi′的像素灰度值分布图中像素值区间k的分布概率,为T的像素灰度值分布图中像素值区间k的分布概率;
4)结合像素灰度值分布概率权重和归一化相关系数(NCC)建立相似性测度方程:
在公式(2)中,α1,β1为权重系数,min P1,max P1分别为P1i(i=1,2~N)的最小值与最大值;在公式(3)中,n为图像像素点数目,Tj,Fij分别为图像T和图像Fi中像素点j处的像素灰度值。
在步骤三中,所述模板优化包含三个步骤:
1)设置搜索区域:
首先提取分割模板L′m的目标组织轮廓,然后分别以目标组织轮廓上每个像素点为中心选择一定大小矩形区域作为初始搜索区域,为了避免搜索区域重叠的问题,需要根据目标组织轮廓对初始搜索区域进行调整,其调整规则为:
如果在初始搜索区域中存在与中心像素点不相连的轮廓线,则计算中心像素点在x轴方向或y轴方向上与该轮廓线之间距离,取中心像素点与该轮廓线之间的距离的中值作为这一侧的搜索区域边界,调整后的搜索区域为实际搜索区域;
2)轮廓点判定:
将像素值0到1均分为20个区间,区间标号记为k(k=1,2…20),提取图谱灰度图像Fi中处于目标组织轮廓上的像素点,建立目标组织轮廓边界像素灰度值分布图,根据目标组织轮廓边界像素灰度值分布图为每个像素点分配轮廓边界概率权重,其计算公式如下:
公式(6)中P2(x,y)代表x,y处像素点所对应的像素值区间的轮廓边界概率权重,像素值区间k为图像x,y处像素点所对应的像素值区间,snk为像素值区间k内目标组织轮廓像素点数目,然后使用Robert算法计算实际搜索区域中每个像素的梯度值,其计算公式如下:
公式(7)中F(x,y)为图像中x,y处像素点的灰度值;最后结合轮廓边界概率权重和像素梯度值建立轮廓点判别函数:
公式(8)中,α2,β2为权重系数,minP2,maxP2分别为P2(x,y)的最大值和最小值,mingrad,maxgrad分别为grad(x,y)的最大值和最小值。
3)初始活动轮廓获取:
设定阈值a,当Y(x,y)>a时判定该像素点为目标组织边界轮廓点,由于主动轮廓分割方法需要先设定一个连续的初始活动轮廓,而上述方法获得目标组织边界轮廓点不具有拓扑关系,因此需要手动为选择出的目标组织边界轮廓点添加拓扑关系,得到初始活动轮廓。
在步骤四中,所述的主动轮廓分割方法的函数定义如下:
公式(9)中v(s)为初始轮廓曲线函数,vt(s,t)为初始轮廓曲线关于时间t的导数,α3,β3,γ3为权重系数,公式(10)中Gσ(x,y)为高斯平滑滤波器,为梯度算子。
本发明有益效果:
本发明提供了一种半自动脑部图像分割方法,结合主动轮廓算法和图谱配准方法的优点实现了脑部图像的半自动分割。
本发明采用图谱配准方法来获取目标组织的形状先验信息,并生成分割模板,相比于手动标记出分割模板,本发明方法可以有效避免人的主观因素的影响。
本发明采用了模板优化方法来减小图谱配准产生的误差,使分割结果更为精确。并且本发明方法可以通过建立不同目标组织的脑部图谱来适应更多的脑部图像分割情况,应用范围更广泛。
附图说明
图1是本发明一种半自动脑部图像分割方法的流程图。
图2是模板优化步骤的流程图。
图3是初始搜索区域调整的示意图。
具体实施方式
如图1所示,本实施方式所述的一种半自动脑部图像分割方法的具体实现过程为:
步骤一、图谱配准:
给定目标组织的图谱,所述图谱包含N张图谱灰度图像Fi(i=1,2…N)和与图谱灰度图像相对应的图谱标签图像Li(i=1,2…N),所述图谱标签图像Li为手动从图谱灰度图像Fi中标记出目标组织的图像,然后采用基于仿射变换的配准方法将目标图像T与每张图谱灰度图像Fi进行配准,得到每张图谱灰度图像Fi的变形场;
步骤二、模板选择:
测量形变后的图谱灰度图像Fi′与目标图像T之间的相似度,选出相似度值最大的图谱灰度图像Fm(m为相似度值最大的图谱灰度图像的标号),然后采用步骤一中得到的Fm的变形场对与Fm相对应的图谱标签图像Lm进行形变,将形变后的图谱标签图像L′m作为分割模板;
步骤三、模板优化:
根据图像Fi和图像T的灰度信息和梯度信息对分割模板L′m进行优化,并获取用于主动轮廓分割步骤的初始活动轮廓;
步骤四、主动轮廓分割:
使用主动轮廓分割方法驱动初始活动轮廓变形,最终获得目标组织轮廓。
在步骤一中,所述仿射变换方法为:
在公式(1)中x,y为像素点坐标,x′,y′为变换后的像素点坐标,A,B,C,D,E,F为变换参数,本发明采用最小二乘法来求解这些参数,并将这些参数按顺序存储到一个固定的文本文件中。
在步骤二中,测量形变后的图谱灰度图像Fi′与目标图像T之间的相似度的方法为:
1)对形变后的图谱灰度图像Fi′和目标图像T进行像素值归一化处理;
2)将像素值0到1均分为20个区间,区间标号记为k(k=1,2…20),建立Fi′和T的像素灰度值分布图;
3)计算Fi′与T之间的像素灰度值分布概率权重,其计算公式如下:
在公式(2)中,为Fi′的像素灰度值分布图中像素值区间k的分布概率,为T的像素灰度值分布图中像素值区间k的分布概率;
4)结合像素灰度值分布概率权重和归一化相关系数(NCC)建立相似性测度方程:
在公式(3)中,α1,β1为权重系数,minP1,maxP1分别为P1i(i=1,2~N)的最小值与最大值;在公式(4)中,n为图像像素点数目,Tj,Fij分别为图像T和图像Fi中像素点j处的像素灰度值。
如图2所示,在步骤三中,所述模板优化包含三个步骤:
1)设置搜索区域:
首先提取分割模板L′m的目标组织轮廓,然后分别以目标组织轮廓上每个像素点为中心选择一定大小矩形区域作为初始搜索区域,最后根据目标组织轮廓对初始搜索区域进行调整,其调整规则如图3所示:
如果在初始搜索区域中存在与中心像素点不相连的轮廓线,则计算中心像素点在x轴方向或y轴方向上与该轮廓线之间距离,取中心像素点与该轮廓线之间的距离的中值作为这一侧的搜索区域边界,调整后的搜索区域为实际搜索区域;
2)轮廓点判定:
将像素值0到1均分为20个区间,区间标号记为k(k=1,2…20),提取图谱灰度图像Fi中处于目标组织轮廓上的像素点,建立目标组织轮廓边界像素灰度值分布图,根据目标组织轮廓边界像素灰度值分布图为每个像素点分配轮廓边界概率权重,其计算公式如下:
公式(7)中P2(x,y)代表x,y处像素点所对应的像素值区间的轮廓边界概率权重,像素值区间k为图像x,y处像素点所对应的像素值区间,snk为像素值区间k内目标组织轮廓像素点数目,然后使用Robert算法计算实际搜索区域中每个像素的梯度值,其计算公式如下:
公式(8)中F(x,y)为图像中x,y处像素点的灰度值;最后结合轮廓边界概率权重和像素梯度值建立轮廓点判别函数:
公式(9)中,α2,β2为权重系数,min P2,max P2分别为P2(x,y)的最大值和最小值,mingrad,maxgrad分别为grad(x,y)的最大值和最小值;
3)初始活动轮廓获取:
设定阈值a,当Y(x,y)>a时判定该像素点为目标组织边界轮廓点,然后手动为选择出的目标组织边界轮廓点添加拓扑关系,得到初始活动轮廓。
在步骤四中,所述的主动轮廓分割方法的函数定义如下:
公式(10)中v(s)为初始轮廓曲线函数,vt(s,t)为初始轮廓曲线关于时间t的导数,α3,β3,γ3为权重系数,公式(11)中Gσ(x,y)为高斯平滑滤波器,为梯度算子。
Claims (4)
1.一种半自动脑部图像分割方法,其特征在于,所述方法具体实现过程为:
步骤一、图谱配准:
给定目标组织的图谱,所述图谱包含N张图谱灰度图像Fi(i=1,2…N)和与图谱灰度图像相对应的图谱标签图像Li(i=1,2…N),所述图谱标签图像Li为手动从图谱灰度图像Fi中标记出目标组织的图像,采用基于仿射变换的配准方法将目标图像T与每张图谱灰度图像Fi进行配准,得到每张图谱灰度图像Fi的变形场;
步骤二、模板选择:
测量形变后的图谱灰度图像Fi′与目标图像T之间的相似度,选出相似度值最大的图谱灰度图像Fm(m为相似度值最大的图谱灰度图像的标号),然后采用步骤一中得到的Fm的变形场对与Fm相对应的图谱标签图像Lm进行形变,将形变后的图谱标签图像L′m作为分割模板;
步骤三、模板优化:
根据图像Fi和图像T的灰度信息和梯度信息对分割模板L′m进行优化,并获取用于主动轮廓分割步骤的初始活动轮廓;
步骤四、主动轮廓分割:
使用主动轮廓分割方法驱动初始活动轮廓变形,最终获得目标组织轮廓。
2.根据权利要求1所述的一种半自动脑部图像分割方法,其特征在于:在步骤二中,测量形变后的图谱灰度图像Fi′与目标图像T之间的相似度的方法为:
1)对形变后的图谱灰度图像Fi′和目标图像T进行像素值归一化处理;
2)将像素值0到1均分为20个区间,区间标号记为k(k=1,2…20),建立Fi′和T的像素灰度值分布图;
3)计算Fi′与T之间的像素灰度值分布概率权重,其计算公式如下:
在公式(1)中,为Fi′的像素灰度值分布图中像素值区间k的分布概率,为T的像素灰度值分布图中像素值区间k的分布概率;
4)结合像素灰度值分布概率权重和归一化相关系数(NCC)建立相似性测度方程:
在公式(2)中,α1,β1为权重系数,minP1,maxP1分别为P1i(i=1,2~N)的最小值与最大值;在公式(3)中,n为图像像素点数目,Tj,Fij分别为图像T和图像Fi中像素点j处的像素灰度值。
3.根据权利要求1所述的一种半自动脑部图像分割方法,其特征在于:在步骤三中,所述模板优化包含三个步骤:
1)设置搜索区域:
首先提取分割模板L′m的目标组织轮廓,然后分别以目标组织轮廓上每个像素点为中心选择一定大小矩形区域作为初始搜索区域,最后根据目标组织轮廓对初始搜索区域进行调整,其调整规则为:
如果在初始搜索区域中存在与中心像素点不相连的轮廓线,则计算中心像素点在x轴方向或y轴方向上与该轮廓线之间距离,取中心像素点与该轮廓线之间的距离的中值作为这一侧的搜索区域边界,调整后的搜索区域为实际搜索区域;
2)轮廓点判定:
将像素值0到1均分为20个区间,区间标号记为k(k=1,2…20),提取图谱灰度图像Fi中处于目标组织轮廓上的像素点,建立目标组织轮廓边界像素灰度值分布图,根据目标组织轮廓边界像素灰度值分布图为每个像素点分配轮廓边界概率权重,其计算公式如下:
公式(6)中P2(x,y)代表x,y处像素点所对应的像素值区间的轮廓边界概率权重,像素值区间k为图像x,y处像素点所对应的像素值区间,snk为像素值区间k内目标组织轮廓像素点数目,然后使用Robert算法计算实际搜索区域中每个像素的梯度值,其计算公式如下:
公式(7)中F(x,y)为图像中x,y处像素点的灰度值;最后结合轮廓边界概率权重和像素梯度值建立轮廓点判别函数:
公式(8)中,α2,β2为权重系数,minP2,maxP2分别为P2(x,y)的最大值和最小值,mingrad,maxgrad分别为grad(x,y)的最大值和最小值;
3)初始活动轮廓获取:
设定阈值a,当Y(x,y)>a时判定该像素点为目标组织边界轮廓点,然后手动为选择出的目标组织边界轮廓点添加拓扑关系,得到初始活动轮廓。
4.根据权利要求1所述的一种半自动脑部图像分割方法,其特征在于:在步骤四中,所述的主动轮廓分割方法的函数定义如下:
Eimg(x,y)=|▽(Gσ(x,y)*F(x,y))2| (10)
公式(9)中v(s)为初始轮廓曲线函数,vt(s,t)为初始轮廓曲线关于时间t的导数,α3,β3,γ3为权重系数,公式(10)中Gσ(x,y)为高斯平滑滤波器,▽为梯度算子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811208492.8A CN109509203B (zh) | 2018-10-17 | 2018-10-17 | 一种半自动脑部图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811208492.8A CN109509203B (zh) | 2018-10-17 | 2018-10-17 | 一种半自动脑部图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109509203A true CN109509203A (zh) | 2019-03-22 |
CN109509203B CN109509203B (zh) | 2019-11-05 |
Family
ID=65746700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811208492.8A Expired - Fee Related CN109509203B (zh) | 2018-10-17 | 2018-10-17 | 一种半自动脑部图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109509203B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675372A (zh) * | 2019-09-10 | 2020-01-10 | 华中科技大学苏州脑空间信息研究院 | 细胞分辨水平的脑组织三维图像的脑区自动分割方法及系统 |
CN112070781A (zh) * | 2020-08-13 | 2020-12-11 | 沈阳东软智能医疗科技研究院有限公司 | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 |
CN112258535A (zh) * | 2020-10-26 | 2021-01-22 | 大连理工大学 | 超声图像中胼胝体及小脑蚓部的一体化定位及分割方法 |
CN112258534A (zh) * | 2020-10-26 | 2021-01-22 | 大连理工大学 | 一种超声图像中小脑蚓部的定位及分割方法 |
CN113192014A (zh) * | 2021-04-16 | 2021-07-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
CN114037096A (zh) * | 2021-10-29 | 2022-02-11 | 河南格林循环电子废弃物处置有限公司 | 一种家电自动识别并标记的装置及其使用方法 |
CN117495893A (zh) * | 2023-12-25 | 2024-02-02 | 南京筑卫医学科技有限公司 | 一种基于主动轮廓模型的颅骨剥离方法 |
US12106482B2 (en) | 2021-08-03 | 2024-10-01 | Tianjin University | Learning-based active surface model for medical image segmentation |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530321A (zh) * | 2016-10-28 | 2017-03-22 | 南方医科大学 | 一种基于方向和尺度描述子的多图谱图像分割方法 |
US20170193658A1 (en) * | 2015-12-31 | 2017-07-06 | Acist Medical Systems, Inc. | Semi-automated image segmentation system and method |
CN107016683A (zh) * | 2017-04-07 | 2017-08-04 | 衢州学院 | 基于区域生长初始化的水平集海马图像分割方法 |
CN107093176A (zh) * | 2017-04-17 | 2017-08-25 | 哈尔滨理工大学 | 一种基于atlas的头部MRI图像分割方法 |
US20180218497A1 (en) * | 2017-01-27 | 2018-08-02 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
-
2018
- 2018-10-17 CN CN201811208492.8A patent/CN109509203B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170193658A1 (en) * | 2015-12-31 | 2017-07-06 | Acist Medical Systems, Inc. | Semi-automated image segmentation system and method |
CN106530321A (zh) * | 2016-10-28 | 2017-03-22 | 南方医科大学 | 一种基于方向和尺度描述子的多图谱图像分割方法 |
US20180218497A1 (en) * | 2017-01-27 | 2018-08-02 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
CN107016683A (zh) * | 2017-04-07 | 2017-08-04 | 衢州学院 | 基于区域生长初始化的水平集海马图像分割方法 |
CN107093176A (zh) * | 2017-04-17 | 2017-08-25 | 哈尔滨理工大学 | 一种基于atlas的头部MRI图像分割方法 |
Non-Patent Citations (2)
Title |
---|
张雷、张明慧等: "基于多权重概率图谱的脑部图像分割", 《南方医科大学学报》 * |
张静、周佐: "脑部MRI图像自动分割算法的研究", 《信息技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675372A (zh) * | 2019-09-10 | 2020-01-10 | 华中科技大学苏州脑空间信息研究院 | 细胞分辨水平的脑组织三维图像的脑区自动分割方法及系统 |
CN112070781A (zh) * | 2020-08-13 | 2020-12-11 | 沈阳东软智能医疗科技研究院有限公司 | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 |
CN112070781B (zh) * | 2020-08-13 | 2024-01-30 | 沈阳东软智能医疗科技研究院有限公司 | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 |
CN112258535A (zh) * | 2020-10-26 | 2021-01-22 | 大连理工大学 | 超声图像中胼胝体及小脑蚓部的一体化定位及分割方法 |
CN112258534A (zh) * | 2020-10-26 | 2021-01-22 | 大连理工大学 | 一种超声图像中小脑蚓部的定位及分割方法 |
CN113192014A (zh) * | 2021-04-16 | 2021-07-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
CN113192014B (zh) * | 2021-04-16 | 2024-01-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
US12106482B2 (en) | 2021-08-03 | 2024-10-01 | Tianjin University | Learning-based active surface model for medical image segmentation |
CN114037096A (zh) * | 2021-10-29 | 2022-02-11 | 河南格林循环电子废弃物处置有限公司 | 一种家电自动识别并标记的装置及其使用方法 |
CN117495893A (zh) * | 2023-12-25 | 2024-02-02 | 南京筑卫医学科技有限公司 | 一种基于主动轮廓模型的颅骨剥离方法 |
CN117495893B (zh) * | 2023-12-25 | 2024-03-19 | 南京筑卫医学科技有限公司 | 一种基于主动轮廓模型的颅骨剥离方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109509203B (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509203B (zh) | 一种半自动脑部图像分割方法 | |
CN106485695B (zh) | 基于统计形状模型的医学图像Graph Cut分割方法 | |
US10318839B2 (en) | Method for automatic detection of anatomical landmarks in volumetric data | |
CN107203998B (zh) | 一种对锥束ct图像进行牙列分割的方法 | |
CN106934821B (zh) | 一种基于icp算法和b样条的锥形束ct和ct图像配准方法 | |
CN109215064B (zh) | 一种基于超像素向导的医学图像配准方法 | |
US8345927B2 (en) | Registration processing apparatus, registration method, and storage medium | |
CN105279762B (zh) | 一种口腔软硬组织ct序列与三维网格模型配准方法 | |
CN110443144A (zh) | 一种人体图像关键点姿态估计方法 | |
CN107665497B (zh) | 一种医学图像中计算心胸比的方法 | |
CN111105424A (zh) | 淋巴结自动勾画方法及装置 | |
JP4138371B2 (ja) | 解剖学的特徴位置検出装置並びに記録媒体および被写体構造計測装置並びに記録媒体 | |
EP2104921B1 (en) | A method, an apparatus and a computer program for data processing | |
CN110738701A (zh) | 一种肿瘤三维定位系统 | |
CN110378881B (zh) | 一种基于深度学习的肿瘤定位系统 | |
CN107680107B (zh) | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 | |
CN105719278A (zh) | 一种基于统计形变模型的器官辅助定位分割方法 | |
CN110782428B (zh) | 一种用于构建临床脑部ct图像roi模板的方法及系统 | |
Lee et al. | Deep learning based cephalometric landmark identification using landmark-dependent multi-scale patches | |
CN108876769A (zh) | 一种左心耳ct图像分割方法 | |
CN109308462B (zh) | 一种指静脉和指节纹感兴趣区域定位方法 | |
CN116363181A (zh) | 一种基于特征的ct图像和超声图像肝脏配准方法 | |
CN115578320A (zh) | 一种骨科手术机器人全自动空间注册方法及系统 | |
CN114494183A (zh) | 一种基于人工智能的髋臼半径自动测量方法及系统 | |
CN110752029B (zh) | 一种病灶的定位方法及装置 |
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: 20191105 Termination date: 20201017 |