CN109523512B - 一种基于多图谱标签融合的医学图像自动分割方法 - Google Patents
一种基于多图谱标签融合的医学图像自动分割方法 Download PDFInfo
- Publication number
- CN109523512B CN109523512B CN201811208633.6A CN201811208633A CN109523512B CN 109523512 B CN109523512 B CN 109523512B CN 201811208633 A CN201811208633 A CN 201811208633A CN 109523512 B CN109523512 B CN 109523512B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image block
- map
- image
- label
- 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.)
- Expired - Fee Related
Links
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多图谱标签融合的医学图像自动分割方法,具体包括以下步骤:首先通过图谱配准使图谱灰度图像和图谱标签图像映射到目标图像;然后通过标签搜索区域设置和待融合图像块预选步骤选出与目标图像块相似度较高的图谱图像块,避免不相似的图谱图像块对融合结果造成影响;最后通过建立稀疏表示模型和目标像素点标签分配步骤获得最终图像分割结果,并在目标像素点标签分配过程中根据获得的融合信息动态设置二值化阈值,目的是减少标签分配错误的像素点数目,提高分割精度。本发明方法能够获得可重复的结果,并且不受人的主观因素影响。
Description
技术领域
本发明涉及图像分割技术领域,特别涉及一种基于多图谱标签融合的医学图像自动分割方法。
背景技术
医学图像分割是医学图像处理与分析领域的关键步骤,其目的是将图像中的正常组织、病变组织或具有某些特殊含义的区域分割出来,用于三维重建、定量分析等后续操作。医学图像分割能够为临床诊疗和病理学研究提供可靠的依据,辅助医生作出更为准确的诊断。
医学图像分割方法分为人工分割、半自动分割和自动分割三种,人工分割和半自动分割对人的工作经验有一定要求,并有较强的主观性,因此研究医学图像的自动分割方法尤为重要。基于多图谱标签融合的医学图像分割方法能够有效利用图谱的先验信息,因此被广泛应用于半自动或自动医学图像分割中,该方法主要包括图谱图像与目标图像配准和形变后的图谱标签图像融合两个部分。
近年来提出了基于稀疏表示的图谱标签融合方法,该方法将信号处理领域的稀疏表示理论应用于图谱标签融合中,并获得了令人满意的结果。但基于稀疏表示的图谱标签融合方法只考虑了目标图像与图谱灰度图像相应像素点的信息,没有考虑目标图像与图谱灰度图像的局部相似性信息,这导致与图标图像相似性较低的图谱图像也会被融合,致使融合结果精度降低。基于稀疏表示的图谱标签融合方法使用固定的阈值对图谱标签融合结果进行二值化处理,为每个像素点分配标签,但是不同的目标组织图谱标签融合结果的均值是有差别的,甚至同一目标组织在不同区域的图谱标签融合结果也有较大差别,因此使用固定的阈值对图谱标签融合结果进行二值化处理会致使部分像素点标签分配错误。
发明内容
本发明的目的在于提供一种基于多图谱标签融合的医学图像自动分割方法,本发明方法有效利用图谱的先验信息实现了目标组织的自动分割,首先通过图谱配准使图谱灰度图像和图谱标签图像映射到目标图像;然后通过标签搜索区域设置和待融合图像块预选步骤选出与目标图像块相似度较高的图谱图像块,避免不相似的图谱图像块对融合结果造成影响;最后通过建立稀疏表示模型和目标像素点标签分配步骤获得最终图像分割结果,并在目标像素点标签分配过程中根据获得的融合信息动态设置二值化阈值,目的是减少标签分配错误的像素点数目,提高分割精度。
本发明为解决上述问题采取的技术方案是:
一种基于多图谱标签融合的医学图像自动分割方法,包括如下步骤:
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Fi相对应的图谱标签图像Li(i=1,2…N),所述Li为手动从Fi中标记出目标组织的图像,将目标图像T分别与每张Fi进行配准。
图谱配准具体过程为:
首先对T和Fi(i=1,2…N)进行像素值归一化处理,来减小图像强度不均匀性导致的误差,然后采用全局仿射变换模型对T与Fi进行初步配准,根据获得的仿射变换参数对Li(i=1,2…N)进行形变,保存形变后的图谱灰度图像Fi′和形变后的图谱标签图像Li′;最后采用自由形变模型(FFD)对T与Fi′进行精确配准,根据获得的变形场对Li′进行形变,保存形变后的图谱灰度图Fi″和形变后的图谱标签图Li″。
步骤二、标签融合:
标签融合主要包括标签搜索区域设置,待融合图像块预选,建立稀疏表示模型和目标像素点标签分配四个过程,最终获得目标图像的分割结果。
标签搜索区域设置:
由于经图谱配准后,Fi″与T并不能达到空间上的完全对应,只根据目标像素点位置来提取图谱灰度图像块会遗漏部分信息,因此本发明通过标签搜索区域设置扩大了图谱灰度图像块的提取范围。
标签搜索区域设置方法为:
1)假设T包含n个像素点,以像素点xp(p=1,2…n)为中心选定3*3大小的矩形图像块作为xp的目标图像块并以xp为中心选择一定大小的矩形区域作为搜索区域φp;
2)分别根据φp中每个像素点xj(j∈φp)建立图谱灰度图像块和图谱标签图像块与的建立规则如下:
分别以位于Fi″和Li″中位置xj处的像素点为中心选定3*3大小的矩形图像块作为和
待融合图像块预选:
本发明采用了基于稀疏表示的图谱标签融合方法,但传统基于稀疏表示的图谱标签融合方法只考虑了与相应像素点的信息,没有考虑与的相似性信息,这导致与相似性较低的也会被融合,致使融合结果精度降低,本发明通过计算与的相似度,并设定相似度阈值对进行预选,去除与相似度较低的对标签融合结果的影响。
待融合图像块预选方法为:
1)计算与的相似度,相似度计算公式为:
公式(1)中a为图像块中像素点标号,每个图像块包含9个像素点,Txa为中像素点a的灰度值,为的像素点平均灰度值,Fxa为中像素点a的灰度值,为的像素点平均灰度值,α,β为权重系数;公式(2)中,表示像素值为的像素点在T中的分布概率,表示像素值为的像素点在Fi″中分布概率, 为T中像素值为的像素点个数,为Fi″中像素值为的像素点个数;
2)设定阈值st,如果S>st,则选择该以及相应的作为待融合图像块。
建立稀疏表示模型的具体方法为:
1)结合目标图像块整体灰度值信息与每个像素点灰度值信息建立信息矩阵,的整体灰度值信息由两个元素表示,分别是灰度值均值μ与方差σ2,信息矩阵形式如下:
MBT=[μ,σ2,x1,x2…x9]T (3)
公式(3)中,x1,x2…x9分别为中各像素点的像素值;
2)假设选取的待融合图像块中包含m个图谱灰度图像块与m个图谱标签图像块按照1)中的方法分别建立待融合图像块的信息矩阵 为待融合图像块中的信息矩阵,为待融合图像块中的信息矩阵,使用所有建立图谱灰度图像块的过完备字典DBF,使用所有建立图谱标签图像块的过完备字典DBL,过完备字典表达式如下:
3)建立稀疏表示模型:
MBT=DBF×dw (6)
公式(6)中,dw为稀疏系数,dw=[w1,w2…wm]T,采用最小二乘法来求解dw。
目标像素点标签分配:
使用固定的阈值对图谱标签融合结果进行二值化处理,为每个像素点分配标签,会致使部分像素点标签分配错误。因为不同的目标组织图谱标签融合结果的均值是有差别的,甚至同一目标组织在不同区域的图谱标签融合结果也有较大差别,因此本发明根据获得的标签融合信息动态设置二值化阈值,减少了标签分配错误的像素点数目,提高分割精度。
目标像素点标签分配的具体过程为:
计算目标图像块Bxp的待融合标签矩阵MBL:
MBL=DBL×dw (7)
MBL的各元素表示为:
MBL=[μ′,σ2′,x1′,x2′…x9′]T (8)
如果xb′>μ′+σ2′(b=1,2…9),则对像素点xb′分配目标组织标签,否则对像素点xb′分配背景标签。
本发明有益效果:
本发明提供了一种基于多图谱标签融合的医学图像自动分割方法,有效利用图谱中的先验知识,通过图谱配准和标签融合过程实现了目标图像的自动分割,获得的分割结果具有可重复性,并且不受人的主观因素影响。
本发明通过计算目标图像块与图谱图像块的相似度,并设定相似度阈值对图谱图像块进行预选,去除与目标图像块相似度较低的图谱图像块对标签融合结果的影响。
本发明在目标像素点标签分配过程中,根据获得的标签融合信息动态设置二值化阈值,减少了标签分配错误的像素点数目,提高分割精度。
附图说明
图1是本发明一种基于多图谱标签融合的医学图像自动分割方法的流程图。
图2是构建稀疏表示模型示意图。
图3是标签融合的示意图。
具体实施方式
在本申请中,以人脑部MR图像作为分割对象来进行说明。应理解,本发明不限于应用于人脑部MR图像。
如图1所示,本实施方式所述的一种基于多图谱标签融合的医学图像自动分割方法的具体实现过程为:
步骤一、图谱配准;
给定含有脑白质、脑灰质标记的人脑部图谱,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Fi相对应的图谱标签图像Li(i=1,2…N),所述Li为手动从Fi中标记出目标组织的图像,将目标图像T分别与每张Fi进行配准。
图谱配准具体过程为:
首先对T和Fi(i=1,2…N)进行像素值归一化处理,来减小图像强度不均匀性导致的误差,然后采用全局仿射变换模型对T与Fi进行初步配准,根据获得的仿射变换参数对Li(i=1,2…N)进行形变,保存形变后的图谱灰度图像Fi′和形变后的图谱标签图像Li′;最后采用自由形变模型(FFD)对T与Fi′进行精确配准,根据获得的变形场对Li′进行形变,保存形变后的图谱灰度图Fi″和形变后的图谱标签图Li″。
步骤二、标签融合:
标签融合主要包括标签搜索区域设置,待融合图像块预选,建立稀疏表示模型和目标像素点标签分配四个过程,最终获得目标图像的分割结果。
标签搜索区域设置方法为:
1)假设T包含n个像素点,以像素点xp(p=1,2…n)为中心选定3*3大小的矩形图像块作为xp的目标图像块并以xp为中心选择一定大小的矩形区域作为搜索区域φp;
2)分别根据φp中每个像素点xj(j∈φp)建立图谱灰度图像块和图谱标签图像块与的建立规则如下:
分别以位于Fi″和Li″中位置xj处的像素点为中心选定3*3大小的矩形图像块作为和
待融合图像块预选方法为:
1)计算与的相似度,相似度计算公式为:
公式(1)中a为图像块中像素点标号,每个图像块包含9个像素点,Txa为中像素点a的灰度值,为的像素点平均灰度值,Fxa为中像素点a的灰度值,为的像素点平均灰度值,α,β为权重系数;公式(2)中,表示像素值为的像素点在T中的分布概率,表示像素值为的像素点在Fi″中分布概率, 为T中像素值为的像素点个数,为Fi″中像素值为的像素点个数;
2)设定阈值st,如果S>st,则选择该以及相应的作为待融合图像块。
如图2所示,建立稀疏表示模型的具体方法为:
1)结合目标图像块整体灰度值信息与每个像素点灰度值信息建立信息矩阵,的整体灰度值信息由两个元素表示,分别是灰度值均值μ与方差σ2,信息矩阵形式如下:
MBT=[μ,σ2,x1,x2…x9]T (3)
公式(3)中,x1,x2…x9分别为中各像素点的像素值;
2)假设选取的待融合图像块中包含m个图谱灰度图像块与m个图谱标签图像块按照1)中的方法分别建立待融合图像块的信息矩阵 为待融合图像块中的信息矩阵,为待融合图像块中的信息矩阵,使用所有建立图谱灰度图像块的过完备字典DBF,使用所有建立图谱标签图像块的过完备字典DBL,过完备字典表达式如下:
3)建立稀疏表示模型:
MBT=DBF×dw (6)
公式(6)中,dw为稀疏系数,dw=[w1,w2…wm]T,采用最小二乘法来求解dw。
目标像素点标签分配的具体过程为:
如图3所示,计算目标图像块的待融合标签矩阵MBL:
MBL=DBL×dw (7)
MBL的各元素表示为:
MBL=[μ′,σ2′,x1′,x2′…x9′]T (8)
如果xb′>μ′+σ2′(b=1,2…9),则对像素点xb′分配目标组织标签,否则对像素点xb′分配背景标签。
Claims (2)
1.一种基于多图谱标签融合的医学图像自动分割方法,包括如下步骤
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Fi相对应的图谱标签图像Li,i=1,2…N,所述Li为手动从Fi中标记出目标组织的图像,将目标图像T分别与每张Fi进行配准,所述图谱配准具体过程为:
首先对T和Fi,i=1,2…N进行像素值归一化处理,然后采用全局仿射变换模型对T与Fi进行初步配准,根据获得的仿射变换参数对Li,i=1,2…N进行形变,保存形变后的图谱灰度图像Fi′和形变后的图谱标签图像Li′;最后采用自由形变模型FFD对T与Fi′进行精确配准,根据获得的变形场对Li′进行形变,保存形变后的图谱灰度图Fi″和形变后的图谱标签图Li″;
步骤二、标签融合:
标签融合包括标签搜索区域设置,待融合图像块预选,建立稀疏表示模型和目标像素点标签分配四个过程,最终获得目标图像的分割结果;
所述标签搜索区域设置方法为:
1)假设T包含n个像素点,以像素点xp,p=1,2…n为中心选定3*3大小的矩形图像块作为xp的目标图像块并以xp为中心选择大小为Ls×Ws的矩形区域作为搜索区域φp;
2)分别根据φp中每个像素点xj,j∈φp建立图谱灰度图像块和图谱标签图像块与的建立规则如下:
分别以位于Fi″和Li″中位置xj处的像素点为中心选定3*3大小的矩形图像块作为和
所述待融合图像块预选方法为:
1)计算与的相似度,相似度计算公式为:
公式(1)中a为图像块中像素点标号,每个图像块包含9个像素点,Txa为中像素点a的灰度值,为的像素点平均灰度值,Fxa为中像素点a的灰度值,为的像素点平均灰度值,α,β为权重系数;公式(2)中,表示像素值为的像素点在T中的分布概率,表示像素值为的像素点在Fi″中分布概率, 为T中像素值为的像素点个数,为Fi″中像素值为的像素点个数;
2)设定阈值st,如果S>st,则选择该以及相应的作为待融合图像块。
2.根据权利要求1所述的一种基于多图谱标签融合的医学图像自动分割方法,其特征在于:在步骤二中,建立稀疏表示模型的具体方法为:
1)结合目标图像块整体灰度值信息与每个像素点灰度值信息建立信息矩阵,的整体灰度值信息由两个元素表示,分别是灰度值均值μ与方差σ2,信息矩阵形式如下:
MBT=[μ,σ2,x1,x2…x9]T (3)
公式(3)中,x1,x2…x9分别为中各像素点的像素值;
2)假设选取的待融合图像块中包含m个图谱灰度图像块与m个图谱标签图像块按照1)中的方法分别建立待融合图像块的信息矩阵 为待融合图像块中的信息矩阵,为待融合图像块中的信息矩阵,使用所有建立图谱灰度图像块的过完备字典DBF,使用所有建立图谱标签图像块的过完备字典DBL,过完备字典表达式如下:
3)建立稀疏表示模型:
MBT=DBF×dw (6)
公式(6)中,dw为稀疏系数,dw=[w1,w2…wm]T,采用最小二乘法来求解dw;
在步骤二中,目标像素点标签分配的具体过程为:
计算目标图像块的待融合标签矩阵MBL:
MBL=DBL×dw (7)
MBL的各元素表示为:
MBL=[μ′,σ2′,x1′,x2′…x9′]T (8)
如果xb′>μ′+σ2′,b=1,2…9,则对像素点xb′分配目标组织标签,否则对像素点xb′分配背景标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811208633.6A CN109523512B (zh) | 2018-10-17 | 2018-10-17 | 一种基于多图谱标签融合的医学图像自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811208633.6A CN109523512B (zh) | 2018-10-17 | 2018-10-17 | 一种基于多图谱标签融合的医学图像自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523512A CN109523512A (zh) | 2019-03-26 |
CN109523512B true CN109523512B (zh) | 2019-10-29 |
Family
ID=65772700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811208633.6A Expired - Fee Related CN109523512B (zh) | 2018-10-17 | 2018-10-17 | 一种基于多图谱标签融合的医学图像自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523512B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378910B (zh) * | 2019-06-28 | 2021-10-22 | 艾瑞迈迪医疗科技(北京)有限公司 | 基于图谱融合的腹腔多器官分割方法及装置 |
CN110517222A (zh) * | 2019-07-10 | 2019-11-29 | 杭州电子科技大学 | 一种基于多图谱的大脑图像分割方法 |
CN110599434B (zh) * | 2019-09-03 | 2023-06-30 | 哈尔滨理工大学 | 一种结合像素灰度概率信息的图谱标签融合方法 |
CN111105420A (zh) * | 2019-10-22 | 2020-05-05 | 湖北工业大学 | 一种基于图谱组合信息稀疏表示的多图谱标签融合方法 |
CN111062977B (zh) * | 2019-12-13 | 2021-05-04 | 推想医疗科技股份有限公司 | 样本数据生成方法、装置、计算机设备及存储介质 |
CN113077014B (zh) * | 2021-04-29 | 2022-09-27 | 上海德衡数据科技有限公司 | 云边缘端信息融合方法、系统、设备及介质 |
CN116503623B (zh) * | 2023-06-27 | 2023-09-01 | 南京能茂科技有限公司 | 一种用于多图谱图像分割的图谱预选方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913431A (zh) * | 2016-04-12 | 2016-08-31 | 绍兴文理学院 | 低分辨率医学图像的多图谱分割方法 |
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 |
CN107093190A (zh) * | 2017-04-17 | 2017-08-25 | 哈尔滨理工大学 | 一种基于多图谱标签融合的医学图像配准算法 |
CN107452003A (zh) * | 2017-06-30 | 2017-12-08 | 大圣科技股份有限公司 | 一种含有深度信息的图像分割的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9483831B2 (en) * | 2014-02-28 | 2016-11-01 | International Business Machines Corporation | Segmentation using hybrid discriminative generative label fusion of multiple atlases |
-
2018
- 2018-10-17 CN CN201811208633.6A patent/CN109523512B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913431A (zh) * | 2016-04-12 | 2016-08-31 | 绍兴文理学院 | 低分辨率医学图像的多图谱分割方法 |
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 |
CN107093190A (zh) * | 2017-04-17 | 2017-08-25 | 哈尔滨理工大学 | 一种基于多图谱标签融合的医学图像配准算法 |
CN107452003A (zh) * | 2017-06-30 | 2017-12-08 | 大圣科技股份有限公司 | 一种含有深度信息的图像分割的方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于多图谱标签融合的脑MR图像分割方法研究;严盟;《万方数据库》;20180829;第7,17-19,32-35,40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109523512A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523512B (zh) | 一种基于多图谱标签融合的医学图像自动分割方法 | |
CN110956635B (zh) | 一种肺段分割方法、装置、设备及存储介质 | |
CN108830155B (zh) | 一种基于深度学习的心脏冠状动脉分割及识别的方法 | |
Nee et al. | White blood cell segmentation for acute leukemia bone marrow images | |
CN107729932B (zh) | 骨髓细胞标记方法和系统 | |
CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
CN109584251A (zh) | 一种基于单目标区域分割的舌体图像分割方法 | |
JP6791245B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN106650794B (zh) | 一种受物体表面高光反射影响的图像高光消除方法及系统 | |
CN110930374A (zh) | 一种基于双深度相机的腧穴定位方法 | |
CN110555835A (zh) | 一种脑片图像区域划分方法及装置 | |
Hobson et al. | Classifying anti-nuclear antibodies HEp-2 images: A benchmarking platform | |
CN102860814B (zh) | 一种oct合成眼底图视盘中心定位方法及设备 | |
CN109583364A (zh) | 图像识别方法及设备 | |
CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
CN110969204A (zh) | 基于磁共振图像与数字病理图像融合的样本分类系统 | |
CN109087310A (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
Aslam et al. | Liver-tumor detection using CNN ResUNet | |
CN115953393A (zh) | 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质 | |
US20160321512A1 (en) | Automated staining and segmentation quality control | |
Morales et al. | Automatic segmentation of zona pellucida in human embryo images applying an active contour model | |
CN109816665A (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
Parvaze et al. | Extraction of multiple cellular objects in HEp-2 images using LS segmentation | |
CN114359317A (zh) | 一种基于小样本识别的血管重建方法 |
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 |
Granted publication date: 20191029 Termination date: 20201017 |
|
CF01 | Termination of patent right due to non-payment of annual fee |