CN109583444A - 空洞区域定位方法、装置及计算机可读存储介质 - Google Patents

空洞区域定位方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN109583444A
CN109583444A CN201811397645.8A CN201811397645A CN109583444A CN 109583444 A CN109583444 A CN 109583444A CN 201811397645 A CN201811397645 A CN 201811397645A CN 109583444 A CN109583444 A CN 109583444A
Authority
CN
China
Prior art keywords
target voxel
voxel
target
image
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
Application number
CN201811397645.8A
Other languages
English (en)
Other versions
CN109583444B (zh
Inventor
李晨天
李朝阳
马驰
吕维加
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bozhi Biotechnology Co Ltd
Original Assignee
Bozhi Biotechnology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bozhi Biotechnology Co Ltd filed Critical Bozhi Biotechnology Co Ltd
Priority to CN201811397645.8A priority Critical patent/CN109583444B/zh
Publication of CN109583444A publication Critical patent/CN109583444A/zh
Application granted granted Critical
Publication of CN109583444B publication Critical patent/CN109583444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种空洞区域定位方法、装置及计算机可读存储介质，其中，该空洞区域定位方法包括：获取并对患者的感兴趣区域影像进行归一化处理；在预设的灰度阈值范围内，在不同灰度阈值下对归一化处理得到的归一化影像进行阈值分割，得到不同灰度阈值下的阈值分割图像；针对每个阈值分割图像，确定各阈值分割图像中各个目标体素的特征值；基于各目标体素在不同灰度阈值下的特征值，生成各目标体素的拟合函数；量化各个目标体素的拟合函数，以得到各个目标体素的函数量化值；将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域。本申请提供的技术方案可实现空洞区域的自动定位。

Description

空洞区域定位方法、装置及计算机可读存储介质
技术领域
本申请涉及生物医学领域，尤其涉及一种空洞区域定位方法、装置及计算机可读存储介质。
背景技术
人体组织的医学影像学检查(例如X射线检查及计算机断层成像(ComputedTomography，CT)检查)是判断患者组织患病程度的重要依据。
当人体组织出现囊性病变或空洞样病变时，会出现空洞样的影像学病理表现。对于囊性病变或空洞样病变，目前存在注射填充和射频消融等手术治疗方式，这些手术治疗方式需要先从病变部位的影像中确定出空洞区域，之后根据确定出的空洞区域进行手术治疗。
现阶段对空洞区域的确定采用人工标注的方式，即由经过特殊培训的医务人员或医学专家基于患者身上病变部位的影像进行分析后标注出空洞区域，其效率低下且对专家知识和经验要求很高。
发明内容
本申请提供一种空洞区域定位方法、装置及计算机可读存储介质，可实现空洞区域的自动定位。
本申请第一方面提供一种空洞区域定位方法，包括：
获取患者的感兴趣区域影像；
对所述感兴趣区域影像进行归一化处理，得到归一化影像；
在预设的灰度阈值范围内，在不同灰度阈值下对所述归一化影像进行阈值分割，得到不同灰度阈值下的阈值分割图像；
针对每个阈值分割图像，确定所述阈值分割图像中各个目标体素的特征值，其中，所述目标体素为在阈值分割图像中灰度值为第一值的体素，所述第一值为在阈值分割中对灰度值低于灰度阈值的体素的灰度设定值；
基于各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数，其中，每一目标体素的拟合函数用以表征该目标体素在不同灰度阈值下的特征值的变化；
量化各个目标体素的拟合函数，以得到各个目标体素的函数量化值；
将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域。
本申请第二方面提供一种空洞区域定位装置，包括：
获取单元，用于获取患者的感兴趣区域影像；
归一化单元，用于对所述感兴趣区域影像进行归一化处理，得到归一化影像；
阈值分割单元，用于在预设的灰度阈值范围内，在不同灰度阈值下对所述归一化影像进行阈值分割，得到不同灰度阈值下的阈值分割图像；
特征确定单元，用于针对每个阈值分割图像，确定所述阈值分割图像中各个目标体素的特征值，其中，所述目标体素为在阈值分割图像中灰度值为第一值的体素，所述第一值为在阈值分割中对灰度值低于灰度阈值的体素的灰度设定值；
拟合单元，用于基于各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数，其中，每一目标体素的拟合函数用以表征该目标体素在不同灰度阈值下的特征值的变化；
量化单元，用于量化各个目标体素的拟合函数，以得到各个目标体素的函数量化值；
区域确定单元，用于将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域。
本申请第三方面提供一种空洞区域定位装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述本申请第一方面提供的空洞区域定位方法。
本申请第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述本申请第一方面提供的空洞区域定位方法。
由上可见，本申请方案通过对患者的感兴趣区域影像进行归一化处理后，在一灰度阈值范围内的不同灰度阈值下对归一化处理后得到的归一化影像进行阈值分割，并针对每个阈值分割图像确定出各个目标体素的特征值，之后基于各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数，通过量化各个目标体素的拟合函数，将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域，以此实现对感兴趣区域影像中空洞区域的自动定位，相对于传统的由医务人员或医学专家手动标注出空洞区域的方法，本申请方案能够有效提高空洞区域定位的效率。另外，通过在设定的灰度阈值范围内的不同灰度阈值下对归一化处理后得到的归一化影像进行阈值分割，并基于不同灰度阈值下获得的多组目标体素的特征值进行拟合、量化处理，相对于仅基于单一指定灰度阈值进行阈值分割的方案，一方面可以降低灰度阈值的设定难度，另一方面也能够基于多组数据获得更为准确的结果。
附图说明
图1-a为本申请提供的空洞区域定位方法一个实施例流程示意图；
图1-b为本申请提供的用以解释目标区域的实施例示意图；
图1-c为本申请提供的一种实验场景下获取的感兴趣区域影像示意图；
图1-d为基于图1-c对空洞区域进行颜色增强处理后得到的影像示意图；
图2为本申请提供的一种应用场景下使用空洞区域定位方法的数据流程示意图；
图3-a为本申请提供的空洞区域定位方法另一个实施例流程示意图；
图3-b为一种应用场景下输出的伪彩色图像的效果图；
图4为本申请提供的空洞区域定位装置一个实施例结构示意图；
图5为本申请提供的空洞区域定位装置另一个实施例结构示意图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
如图1-a所示，本申请实施例中一种空洞区域定位方法包括：
步骤101、获取患者的感兴趣区域影像；
在一种应用场景中，步骤101可以表现为：通过磁共振成像(MagneticResonanceImaging，MRI)技术获取患者需检查的部位影像(例如骨组织，椎间盘，肾脏，肝脏，胆囊，脑组织)，此时可以将该部位影像作为患者的感兴趣区域影像，或者，可以进一步从该部位影像中截取出一部分影像作为患者的感兴趣影像，此处不做限定。以下对MRI技术进行说明：MRI技术是一种通过磁场来获取人体内部结构图像的技术，具有无创伤的优点，因此病人在接受检查的时候能受到良好的保护。在本实施例中，可以通过MRI技术获取患者的感兴趣区域影像。
在另一种应用场景中，也可以通过CT或X射线获得患者需检查的部位影像(例如骨组织，椎间盘，肾脏，肝脏，胆囊，脑组织)，此时可以将该部位影像作为患者的感兴趣区域影像，或者，可以进一步从该部位影像中截取出一部分影像作为患者的感兴趣影像，此处不做限定。
步骤102、对上述感兴趣区域影像进行归一化处理，得到归一化影像；
在步骤102中，对步骤101获取到的感兴趣区域影像进行归一化处理，以便将感兴趣区域影像的灰度值范围归一化到一个特定范围。
可选的，在步骤102中，对上述感兴趣区域影像进行归一化处理的方式可包括但不局限于如下方式：min-max,z-score、log函数转换、atan函数转换、Logistic/SoftMax变换和Histogram equalization(即直方图均衡化)。
步骤103、在预设的灰度阈值范围内，在不同灰度阈值下对上述归一化影像进行阈值分割，得到不同灰度阈值下的阈值分割图像；
本申请实施例中的阈值分割是指以灰度阈值为基准对归一化影像中各个体素的灰度值进行二值化的过程。例如，可以将归一化影像中灰度值低于灰度阈值的体素的灰度值设为0，而将归一化影像中灰度值不低于灰度阈值的体素的灰度值设为1或其它非0值。
在步骤103中，可以预设灰度阈值范围，并在该灰度阈值范围内每隔一步长取一灰度阈值对步骤102获取到的归一化影像进行阈值分割，得到不同灰度阈值下的多个阈值分割图像。举例说明，假设灰度阈值范围设为0至1，上述步骤设为0.1，则步骤103即表现为分别以0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9和1为灰度阈值对步骤102获取到的归一化影像进行阈值分割，得到10张对应不同灰度阈值的阈值分割图像。
当然，在步骤103中，也可以从上述灰度阈值范围内选取任意数量的灰度阈值，并基于选取的灰度阈值分别对上述归一化影像进行阈值分割，以得到不同灰度阈值下的阈值分割图像。
具体的，上述灰度阈值范围可以依据实际要求进行设定，此处不做限定。
步骤104、针对每个阈值分割图像，确定上述阈值分割图像中各个目标体素的特征值；
本申请实施例中，上述目标体素为在阈值分割图像中灰度值为第一值的体素，上述第一值为在阈值分割中对灰度值低于灰度阈值的体素的灰度设定值。例如，若设定在阈值分割中将灰度值低于灰度阈值的体素的灰度值设为0，则上述第一值即为0。
在一种应用场景中，可以将目标体素所在的目标区域在三维空间的几何特征作为该目标体素的特征值，上述在三维空间的几何特征可以为体积、最大内切球半径、最小外切球半径或其它三维几何特征。其中，上述目标区域为由两两相邻的目标体素形成的区域。在此应用场景下，步骤104具体可以表现为：针对每个阈值分割图像，计算上述阈值分割图像中各个目标体素所在目标区域在三维空间的几何特征；将目标体素所在目标区域在三维空间的几何特征确定为相应目标体素的特征值。下面以体积为例进行说明，如图1-b所示，设目标体素的灰度值为0，非目标体素的灰度值为1，则对于目标体素s1而言，其所在的目标区域为p1，而对于目标体素s2而言，其所在的目标区域为p2。由于每个体素的体积为单位体积，因此，目标体素所在目标区域的体积实际上可以理解为该目标区域包含的目标体素的个数，故目标体素s1的特征值即为p1的体积，目标体素s2的特征值即为p2的体积。
在另一种应用场景中，也可以将目标体素所在目标区域在二维平面的几何特征作为该目标体素的特征值，上述在二维空间的几何特征可以为面积、最大内切圆半径、最小外切圆半径或其它二维几何特征。上述目标区域同前述应用场景，为由两两相邻的目标体素形成的区域。在此应用场景下，步骤104具体可以表现为：针对每个阈值分割图像，计算所述阈值分割图像中各个目标体素所在目标区域在二维平面的几何特征；将目标体素所在目标区域在二维平面的几何特征确定为相应目标体素的特征值。
步骤105、基于各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数；
其中，每一目标体素的拟合函数用以表征该目标体素在不同灰度阈值下的特征值的变化。
通过步骤104的计算，可以得到同一目标体素在不同灰度阈值下的特征值，此时可以根据各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数。
可选的，将各个目标体素在不同灰度阈值下的特征值代入拟合函数模型：f(x)＝x^a+b,求出拟合常数a和b后，即可得到相应目标体素的拟合函数f(x)。其中x表示灰度阈值，y表示目标体素在该灰度阈值下的特征值。
当然，在本申请实施例中，也可以选取其它拟合函数模型，此处不做限定。
步骤106、量化各个目标体素的拟合函数，以得到各个目标体素的函数量化值；
由于目标体素的拟合函数表征的是该目标体素在不同灰度阈值下的特征值的变化，因此，通过量化目标体素的拟合函数，可以得到能够体现该拟合函数特征的函数量化值。
本申请实施例中，可以求拟合函数的曲线下面积以量化该拟合函数，则步骤106可以包括：分别计算各个目标体素的拟合函数的曲线下面积，以得到各个目标体素的函数量化值。具体的，关于曲线下面积的计算方式可以参照已有技术实现，此处不再赘述。
当然，本申请实施例也可以通过其他方式量化目标体素的拟合函数，例如，可以分别计算各个目标体素的拟合函数的常数项数值，将常数项数值作为相应目标体素的函数量化值，或者，也可以分别计算各个目标体素的拟合函数的导数，将得到的一组数据统计分析得到的一个数值作为相应目标体素的函数量化值。本申请实施例中不对量化拟合函数的具体实现方式进行限定。
步骤107、将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域；
本申请实施例中，可将各个目标体素的函数量化值与预设量化阈值进行比较，以便筛选出函数量化值小于预设量化阈值的目标体素，并将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域。
进一步，在步骤107之后，还可以在上述感兴趣区域影像上对确定出的空洞区域进行颜色增强处理，得到伪彩色图像，例如，可以将空洞区域设定为红色。如图1-c所示为一种实验场景下获取的感兴趣区域影像，图1-d为基于本申请实施例中的空洞区域定位方法对空洞区域进行颜色增强处理后得到的影像。
可选的，在步骤107之后，还可以对上述感兴趣区域影像的二值化图像进行形态学开操作，以去除体积过小的空洞区域。
需要说明的是，为实现上述空洞区域定位方法，本申请实施例中可以采用python及C语言进行编程，并调用开源Open-CV库下的形态学操作函数，得到可执行的软件程序，并以通用计算机硬件作为软件存储及处理介质，通过各类I/O设备(如磁盘，光盘，摄像头，显示器，键盘，鼠标等)作为数据传输介质，搭建出一体化系统，供实际工作使用。
由上可见，本申请实施例通过对患者的感兴趣区域影像进行归一化处理后，在一灰度阈值范围内的不同灰度阈值下对归一化处理后得到的归一化影像进行阈值分割，并针对每个阈值分割图像确定出各个目标体素的特征值，之后基于各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数，通过量化各个目标体素的拟合函数，将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域，以此实现对感兴趣区域影像中空洞区域的自动定位，相对于传统的由医务人员或医学专家手动标注出空洞区域的方法，本申请方案能够有效提高空洞区域定位的效率。另外，通过在设定的灰度阈值范围内的不同灰度阈值下对归一化处理后得到的归一化影像进行阈值分割，并基于不同灰度阈值下获得的多组目标体素的特征值进行拟合、量化处理，相对于仅基于单一指定灰度阈值进行阈值分割的方案，一方面可以降低灰度阈值的设定难度，另一方面也能够基于多组数据获得更为准确的结果。
下面以一具体应用场景和图例对上述实施例中的空洞区域定位方法进行描述，在本应用场景中，灰度阈值范围设为0-5，并每隔1灰度阈值进行阈值分割，并以目标体素所在目标区域的体积作为目标体素的特征值。如图2所示，设对感兴趣区域影像进行归一化处理后得到的归一化影像如图2中标记21所示，在灰度阈值范围0-5内，每隔1灰度阈值进行阈值分割得到的阈值分割图像,得到多个阈值分割图像(如图2中标记22所示)。针对每个阈值分割图像，计算各阈值分割图像中各个目标体素所在目标区域的体积，得到各阈值分割图像中各个目标体素的特征值。之后基于各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数(需要说明的是，为简化附图，图2仅以一拟合函数曲线23进行示意，在实际应用中，得到的拟合函数曲线由目标体素的数量而定)。进一步，通过计算各个目标体素的拟合函数的曲线下面积，以得到各个目标体素的函数量化值(如图2标记24所示)。之后将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域。
下面以另一实施例对空洞区域定位方法进行描述，在本实施例中，在确定出空洞区域后，还可以通过输入治疗区域规划指令实现治疗区域的自动规划，从而可更方便医护人员根据规划处的治疗区域设定手术方案。如图3-a所示，本申请实施例中的空洞区域定位方法包括：
步骤301、获取患者的感兴趣区域影像；
具体的，步骤301可以参照图1-a所示步骤101中的描述，此处不再赘述。
步骤302、对上述感兴趣区域影像进行归一化处理，得到归一化影像；
具体的，步骤302可以参照图1-a所示步骤102中的描述，此处不再赘述。
步骤303、在预设的灰度阈值范围内，在不同灰度阈值下对上述归一化影像进行阈值分割，得到不同灰度阈值下的阈值分割图像；
具体的，步骤303可以参照图1-a所示步骤103中的描述，此处不再赘述。
步骤304、针对每个阈值分割图像，确定上述阈值分割图像中各个目标体素的特征值；
具体的，步骤304可以参照图1-a所示步骤104中的描述，此处不再赘述。
步骤305、基于各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数；
具体的，步骤305可以参照图1-a所示步骤105中的描述，此处不再赘述。
步骤306、量化各个目标体素的拟合函数，以得到各个目标体素的函数量化值；
具体的，步骤306可以参照图1-a所示步骤106中的描述，此处不再赘述。
步骤307、将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域；
具体的，步骤307可以参照图1-a所示步骤107中的描述，此处不再赘述。
步骤308、当接收到治疗区域规划指令时，基于上述治疗区域规划指令对上述空洞区域内的各个目标体素进行聚类处理；
其中，上述治疗区域规划指令包括：用以指示拟划分的治疗区域个数的信息；
本申请实施例中，当需要从感兴趣影像中规划出治疗区域时，可以通过预设的控件输入上述治疗区域规划指令，以便根据上述治疗区域规划指令指示的治疗区域个数将感兴趣影像中的空洞区域规划为相应数量的治疗区域。
本申请实施例中，当接收到治疗区域规划指令时，先基于上述治疗区域规划指令对上述空洞区域内的各个目标体素进行聚类处理。
具体的，步骤308进行聚类处理采用的聚类算法可以为：k-means算法、k-models算法、核聚类算法或其它无监督学习或有监督学习等机器学习算法。
步骤309、对聚类处理后的目标体素进行形态学闭操作，以得到连通的区域；
在步骤309中，可以基于聚类处理后得到的每一类别中的体素之间的间距，使用半径大小为最大间距的球形结构元素进行形态学闭操作将体素连同。
具体的，关于形态学闭操作的过程也可以参照其它已有技术实现，此处不再赘述。
步骤310、将上述连通的区域作为治疗区域输出；
经过步骤310，可以从上述感兴趣影像中规划出指定数量的治疗区域，以此输出作为治疗区域规划的位置报告和图像。
进一步，还可以通过不同颜色加显治疗区域，以得到伪彩色图像,之后输出该伪彩色图像作为治疗区域规划的位置报告和图像。输出的伪彩色图像的效果图可以如图3-b所示，由图3-b可见，该感兴趣影像中被规划出两个治疗区域31和32)。
需要说明的是，为实现上述空洞区域定位方法，本申请实施例中可以采用python及C语言进行编程，并调用开源Open-CV库下的形态学操作函数，得到可执行的软件程序，并以通用计算机硬件作为软件存储及处理介质，通过各类I/O设备(如磁盘，光盘，摄像头，显示器，键盘，鼠标等)作为数据传输介质，搭建出一体化系统，供实际工作使用。
由上可见，本申请实施例通过对患者的感兴趣区域影像进行归一化处理后，在一灰度阈值范围内的不同灰度阈值下对归一化处理后得到的归一化影像进行阈值分割，并针对每个阈值分割图像确定出各个目标体素的特征值，之后基于各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数，通过量化各个目标体素的拟合函数，将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域，以此实现对感兴趣区域影像中空洞区域的自动定位，相对于传统的由医务人员或医学专家手动标注出空洞区域的方法，本申请方案能够有效提高空洞区域定位的效率。另外，通过在设定的灰度阈值范围内的不同灰度阈值下对归一化处理后得到的归一化影像进行阈值分割，并基于不同灰度阈值下获得的多组目标体素的特征值进行拟合、量化处理，相对于仅基于单一指定灰度阈值进行阈值分割的方案，一方面可以降低灰度阈值的设定难度，另一方面也能够基于多组数据获得更为准确的结果。进一步，在确定出空洞区域后，还可以通过输入治疗区域规划指令实现治疗区域的自动规划，从而可更方便医护人员根据规划处的治疗区域设定手术方案。
图4为本申请实施例提供一种空洞区域定位装置。如图4所示，该空洞区域定位装置主要包括：获取单元401、归一化单元402、阈值分割单元403、特征确定单元404、拟合单元405、量化单元406以及区域确定单元407。
其中，获取单元401用于获取患者的感兴趣区域影像；
归一化单元402用于对上述感兴趣区域影像进行归一化处理，得到归一化影像；
阈值分割单元403，用于在预设的灰度阈值范围内，在不同灰度阈值下对上述归一化影像进行阈值分割，得到不同灰度阈值下的阈值分割图像；
特征确定单元404，用于针对每个阈值分割图像，确定上述阈值分割图像中各个目标体素的特征值，其中，上述目标体素为在阈值分割图像中灰度值为第一值的体素，上述第一值为在阈值分割中对灰度值低于灰度阈值的体素的灰度设定值；
拟合单元405，用于基于各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数，其中，每一目标体素的拟合函数用以表征该目标体素在不同灰度阈值下的特征值的变化；
量化单元406，用于量化各个目标体素的拟合函数，以得到各个目标体素的函数量化值；
区域确定单元407，用于将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域。
在一种应用场景下，特征确定单元404包括：三维特征计算单元，用于针对每个阈值分割图像，计算上述阈值分割图像中各个目标体素所在目标区域在三维空间的几何特征(例如体积、最大内切球半径或最小外切球半径)；第一子确定单元，用于将目标体素所在目标区域在三维空间的几何特征确定为相应目标体素的特征值。
在另一种应用场景下，特征确定单元404包括：二维特征计算单元，用于针对每个阈值分割图像，计算上述阈值分割图像中各个目标体素所在目标区域在二维平面的几何特征(例如面积、最大内切圆半径或最小外切圆半径)；第二子确定单元，用于将目标体素所在目标区域在二维平面的几何特征确定为相应目标体素的特征值。
在本申请实施例提及的目标区域为由两两相邻的目标体素形成的区域。
可选的，量化单元406具体用于：分别计算各个目标体素的拟合函数的曲线下面积，以得到各个目标体素的函数量化值。
可选的，本申请实施例中的空洞区域定位装置还包括：色彩增强单元，用于在确定出空洞区域后，在上述感兴趣区域影像上对确定出的空洞区域进行颜色增强处理，得到伪彩色图像。
可选的，本申请实施例中的空洞区域定位装置还包括：
聚类单元，用于当接收到治疗区域规划指令时，基于所述治疗区域规划指令对上述空洞区域内的各个目标体素进行聚类处理，其中，上述治疗区域规划指令包括：用以指示拟划分的治疗区域个数的信息；
输出单元，用于将上述连通的区域作为治疗区域输出。
需要说明的是，该空洞区域定位装置可用于实现上述方法实施例提供的空洞区域定位方法。在图4示例的空洞区域定位装置中，各功能模块的划分仅是举例说明，实际应用中可以根据需要，例如相应硬件的配置要求或者软件的实现的便利考虑，而将上述功能分配由不同的功能模块完成，即将空洞区域定位装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。而且，在实际应用中，本实施例中的相应的功能模块可以是由相应的硬件实现，也可以由相应的硬件执行相应的软件完成。本说明书提供的各个实施例都可应用上述描述原则，以下不再赘述。
由上可见，本申请实施例通过对患者的感兴趣区域影像进行归一化处理后，在一灰度阈值范围内的不同灰度阈值下对归一化处理后得到的归一化影像进行阈值分割，并针对每个阈值分割图像确定出各个目标体素的特征值，之后基于各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数，通过量化各个目标体素的拟合函数，将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域，以此实现对感兴趣区域影像中空洞区域的自动定位，相对于传统的由医务人员或医学专家手动标注出空洞区域的方法，本申请方案能够有效提高空洞区域定位的效率。另外，通过在设定的灰度阈值范围内的不同灰度阈值下对归一化处理后得到的归一化影像进行阈值分割，并基于不同灰度阈值下获得的多组目标体素的特征值进行拟合、量化处理，相对于仅基于单一指定灰度阈值进行阈值分割的方案，一方面可以降低灰度阈值的设定难度，另一方面也能够基于多组数据获得更为准确的结果。
本申请实施例提供一种空洞区域定位装置，请参阅图5，该空洞区域定位装置包括：
存储器51、处理器52及存储在存储器51上并可在处理器52上运行的计算机程序，处理器52执行该计算机程序时，实现前述方法实施例中描述的空洞区域定位方法。
进一步的，该空洞区域定位装置还包括：
至少一个输入设备53以及至少一个输出设备54。
上述存储器51、处理器52、输入设备53以及输出设备54，通过总线55连接。
其中，输入设备53和输出设备54具体可为天线。
存储器51可以是高速随机存取记忆体(RAM，Random Access Memory)存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器51用于存储一组可执行程序代码，处理器52与存储器51耦合。
进一步的，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的空洞区域定位装置中，该计算机可读存储介质可以是前述图5所示实施例中的存储器。该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现前述方法实施例中描述的功率分配方法。进一步的，该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本申请所提供的空洞区域定位方法、装置及计算机可读存储介质的描述，对于本领域技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种空洞区域定位方法，其特征在于，包括：
获取患者的感兴趣区域影像；
对所述感兴趣区域影像进行归一化处理，得到归一化影像；
在预设的灰度阈值范围内，在不同灰度阈值下对所述归一化影像进行阈值分割，得到不同灰度阈值下的阈值分割图像；
针对每个阈值分割图像，确定所述阈值分割图像中各个目标体素的特征值，其中，所述目标体素为在阈值分割图像中灰度值为第一值的体素，所述第一值为在阈值分割中对灰度值低于灰度阈值的体素的灰度设定值；
基于各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数，其中，每一目标体素的拟合函数用以表征该目标体素在不同灰度阈值下的特征值的变化；
量化各个目标体素的拟合函数，以得到各个目标体素的函数量化值；
将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域。
2.根据权利要求1所述的空洞区域定位方法，其特征在于，所述针对每个阈值分割图像，确定所述阈值分割图像中各个目标体素的特征值包括：
针对每个阈值分割图像，计算所述阈值分割图像中各个目标体素所在目标区域在三维空间的几何特征；
将目标体素所在目标区域在三维空间的几何特征确定为相应目标体素的特征值；
其中，所述目标区域为由两两相邻的目标体素形成的区域。
3.根据权利要求1所述的空洞区域定位方法，其特征在于，所述针对每个阈值分割图像，确定所述阈值分割图像中各个目标体素的特征值包括：
针对每个阈值分割图像，计算所述阈值分割图像中各个目标体素所在目标区域在二维平面的几何特征；
将目标体素所在目标区域在二维平面的几何特征确定为相应目标体素的特征值；
其中，所述目标区域为由两两相邻的目标体素形成的区域。
4.根据权利要求1至3任一项所述的空洞区域定位方法，其特征在于，量化各个目标体素的拟合函数，以得到各个目标体素的函数量化值包括：
分别计算各个目标体素的拟合函数的曲线下面积，以得到各个目标体素的函数量化值。
5.根据权利要求1至3任一项所述的空洞区域定位方法，其特征在于，所述将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域之后，还包括：
在所述感兴趣区域影像上对确定出的空洞区域进行颜色增强处理，得到伪彩色图像。
6.根据权利要求1至3任一项所述的空洞区域定位方法，其特征在于，所述将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域之后，还包括：
当接收到治疗区域规划指令时，基于所述治疗区域规划指令对所述空洞区域内的各个目标体素进行聚类处理，其中，所述治疗区域规划指令包括：用以指示拟划分的治疗区域个数的信息；
对聚类处理后的目标体素进行形态学闭操作，以得到连通的区域；
将所述连通的区域作为治疗区域输出。
7.一种空洞区域定位装置，其特征在于，包括：
获取单元，用于获取患者的感兴趣区域影像；
归一化单元，用于对所述感兴趣区域影像进行归一化处理，得到归一化影像；
阈值分割单元，用于在预设的灰度阈值范围内，在不同灰度阈值下对所述归一化影像进行阈值分割，得到不同灰度阈值下的阈值分割图像；
特征确定单元，用于针对每个阈值分割图像，确定所述阈值分割图像中各个目标体素的特征值，其中，所述目标体素为在阈值分割图像中灰度值为第一值的体素，所述第一值为在阈值分割中对灰度值低于灰度阈值的体素的灰度设定值；
拟合单元，用于基于各个目标体素在不同灰度阈值下的特征值，生成各个目标体素的拟合函数，其中，每一目标体素的拟合函数用以表征该目标体素在不同灰度阈值下的特征值的变化；
量化单元，用于量化各个目标体素的拟合函数，以得到各个目标体素的函数量化值；
区域确定单元，用于将函数量化值小于预设量化阈值的目标体素所组成的区域确定为空洞区域。
8.根据权利要求7所述的空洞区域定位装置，其特征在于，所述特征确定单元包括：
三维特征计算单元，用于针对每个阈值分割图像，计算所述阈值分割图像中各个目标体素所在目标区域在三维空间的几何特征；
第一子确定单元，用于将目标体素所在目标区域在三维空间的几何特征确定为相应目标体素的特征值；
其中，所述目标区域为由两两相邻的目标体素形成的区域。
9.一种空洞区域定位装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至6中任意一项所述的方法。
CN201811397645.8A 2018-11-22 2018-11-22 空洞区域定位方法、装置及计算机可读存储介质 Active CN109583444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811397645.8A CN109583444B (zh) 2018-11-22 2018-11-22 空洞区域定位方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811397645.8A CN109583444B (zh) 2018-11-22 2018-11-22 空洞区域定位方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109583444A true CN109583444A (zh) 2019-04-05
CN109583444B CN109583444B (zh) 2021-08-10

Family

ID=65923712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811397645.8A Active CN109583444B (zh) 2018-11-22 2018-11-22 空洞区域定位方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109583444B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110310239A (zh) * 2019-06-20 2019-10-08 四川阿泰因机器人智能装备有限公司 一种基于特性值拟合消除光照影响的图像处理方法
CN111199513A (zh) * 2019-12-30 2020-05-26 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和存储介质
CN111402277A (zh) * 2020-02-17 2020-07-10 艾瑞迈迪医疗科技（北京）有限公司 一种医学影像的物体外轮廓分割方法及装置
CN112529830A (zh) * 2019-08-30 2021-03-19 北京四维图新科技股份有限公司 图像标注方法、装置、电子设备和存储介质
CN114897923A (zh) * 2022-05-25 2022-08-12 中国海洋大学 天然气水合物ct图像阈值分割方法、系统、设备及介质
CN117115159A (zh) * 2023-10-23 2023-11-24 北京壹点灵动科技有限公司 骨骼病变的确定装置、电子设备以及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101002228A (zh) * 2004-05-18 2007-07-18 医学视像上市公司 结节边界检测
CN101408980A (zh) * 2008-11-27 2009-04-15 上海第二工业大学 基于三角级数的直方图拟合多目标图像分割方法
CN101517614A (zh) * 2006-09-22 2009-08-26 皇家飞利浦电子股份有限公司 肺结节的高级计算机辅助诊断
CN102800089A (zh) * 2012-06-28 2012-11-28 华中科技大学 基于颈部超声图像的主颈动脉血管提取和厚度测量方法
CN103035009A (zh) * 2012-12-19 2013-04-10 长春工业大学 一种基于ct影像的肺结节边缘重建与分割方法
CN103593844A (zh) * 2013-10-29 2014-02-19 华中科技大学 一种医学图像的多维多种特征提取方法
US20140115872A1 (en) * 2002-12-04 2014-05-01 Conformis, Inc. Fusion of Multiple Imaging Planes for Isotropic Imaging in MRI and Quantitative Image Analysis using Isotropic or Near-isotropic Imaging
WO2015148469A1 (en) * 2014-03-27 2015-10-01 Riverain Technologies Llc Suppression of vascular structures in images
CN107145874A (zh) * 2017-05-13 2017-09-08 复旦大学 复杂背景sar图像中的舰船目标检测与鉴别方法
CN107274399A (zh) * 2017-06-19 2017-10-20 太原理工大学 一种基于Hession矩阵和三维形状指数的肺结节分割方法
CN107330860A (zh) * 2017-07-03 2017-11-07 山东财经大学 一种基于ct图像边缘的有理插值缩放方法
CN107341812A (zh) * 2017-07-04 2017-11-10 太原理工大学 一种基于超像素和密度聚类的序列肺结节图像分割方法
CN108765430A (zh) * 2018-05-24 2018-11-06 西安思源学院 一种基于心脏ct图像和机器学习的心脏左腔区域分割方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140115872A1 (en) * 2002-12-04 2014-05-01 Conformis, Inc. Fusion of Multiple Imaging Planes for Isotropic Imaging in MRI and Quantitative Image Analysis using Isotropic or Near-isotropic Imaging
CN101002228A (zh) * 2004-05-18 2007-07-18 医学视像上市公司 结节边界检测
CN101517614A (zh) * 2006-09-22 2009-08-26 皇家飞利浦电子股份有限公司 肺结节的高级计算机辅助诊断
CN101408980A (zh) * 2008-11-27 2009-04-15 上海第二工业大学 基于三角级数的直方图拟合多目标图像分割方法
CN102800089A (zh) * 2012-06-28 2012-11-28 华中科技大学 基于颈部超声图像的主颈动脉血管提取和厚度测量方法
CN103035009A (zh) * 2012-12-19 2013-04-10 长春工业大学 一种基于ct影像的肺结节边缘重建与分割方法
CN103593844A (zh) * 2013-10-29 2014-02-19 华中科技大学 一种医学图像的多维多种特征提取方法
WO2015148469A1 (en) * 2014-03-27 2015-10-01 Riverain Technologies Llc Suppression of vascular structures in images
CN107145874A (zh) * 2017-05-13 2017-09-08 复旦大学 复杂背景sar图像中的舰船目标检测与鉴别方法
CN107274399A (zh) * 2017-06-19 2017-10-20 太原理工大学 一种基于Hession矩阵和三维形状指数的肺结节分割方法
CN107330860A (zh) * 2017-07-03 2017-11-07 山东财经大学 一种基于ct图像边缘的有理插值缩放方法
CN107341812A (zh) * 2017-07-04 2017-11-10 太原理工大学 一种基于超像素和密度聚类的序列肺结节图像分割方法
CN108765430A (zh) * 2018-05-24 2018-11-06 西安思源学院 一种基于心脏ct图像和机器学习的心脏左腔区域分割方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
CHENTIAN LI 等: "Morphological Operation Residual Blocks: Enhancing 3D Morphological Feature Representation in Convolutional Neural Networks for Semantic Segmentation of Medical Images", 《网络在线公开: HTTPS://ARXIV.ORG/ABS/2103.04026》 *
JIN MO GOO 等: "Automated Lung Nodule Detection atLow-Dose CT: Preliminary Experience", 《KOREAN JOURNAL OF RADIOLOGY》 *
SAMUEL G. ARMATO III 等: "Automated detection of lung nodules in CT scans: Preliminary results", 《MEDICAL PHYSICS》 *
WEI GUO等: "Effect of segmentation algorithms on the performance of computerized detection of lung nodules in CT", 《MEDICAL PHYSICS》 *
WU SUIYUAN 等: "Pulmonary Nodules 3D Detection on Serial CT Scans", 《2012 THIRD GLOBAL CONGRESS ON INTELLIGENT SYSTEMS》 *
代小红: "《基于机器视觉的数字图像处理与识别研究》", 31 March 2012, 西南交通大学出版社 *
王凯: "肺结节自动检测研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
高飞: "基于图像分割技术的激光损伤图像检测与分析", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110310239A (zh) * 2019-06-20 2019-10-08 四川阿泰因机器人智能装备有限公司 一种基于特性值拟合消除光照影响的图像处理方法
CN110310239B (zh) * 2019-06-20 2023-05-05 四川阿泰因机器人智能装备有限公司 一种基于特性值拟合消除光照影响的图像处理方法
CN112529830A (zh) * 2019-08-30 2021-03-19 北京四维图新科技股份有限公司 图像标注方法、装置、电子设备和存储介质
CN112529830B (zh) * 2019-08-30 2023-11-14 北京四维图新科技股份有限公司 图像标注方法、装置、电子设备和存储介质
CN111199513A (zh) * 2019-12-30 2020-05-26 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和存储介质
CN111199513B (zh) * 2019-12-30 2024-03-26 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和存储介质
CN111402277A (zh) * 2020-02-17 2020-07-10 艾瑞迈迪医疗科技（北京）有限公司 一种医学影像的物体外轮廓分割方法及装置
CN111402277B (zh) * 2020-02-17 2023-11-14 艾瑞迈迪医疗科技（北京）有限公司 一种医学影像的物体外轮廓分割方法及装置
CN114897923A (zh) * 2022-05-25 2022-08-12 中国海洋大学 天然气水合物ct图像阈值分割方法、系统、设备及介质
CN117115159A (zh) * 2023-10-23 2023-11-24 北京壹点灵动科技有限公司 骨骼病变的确定装置、电子设备以及存储介质
CN117115159B (zh) * 2023-10-23 2024-03-15 北京壹点灵动科技有限公司 骨骼病变的确定装置、电子设备以及存储介质

Also Published As

Publication number Publication date
CN109583444B (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN109583444A (zh) 空洞区域定位方法、装置及计算机可读存储介质
Hussein et al. Lung and pancreatic tumor characterization in the deep learning era: novel supervised and unsupervised learning approaches
Ren et al. Interleaved 3D‐CNN s for joint segmentation of small‐volume structures in head and neck CT images
Buty et al. Characterization of lung nodule malignancy using hybrid shape and appearance features
Khan et al. Lungs nodule detection framework from computed tomography images using support vector machine
US11593943B2 (en) RECIST assessment of tumour progression
Saez et al. Model-based classification methods of global patterns in dermoscopic images
Vivanti et al. Patient-specific and global convolutional neural networks for robust automatic liver tumor delineation in follow-up CT studies
Ohata et al. A novel transfer learning approach for the classification of histological images of colorectal cancer
Imtiaz et al. Automated brain tumor segmentation based on multi-planar superpixel level features extracted from 3D MR images
Radha et al. A medical analytical system using intelligent fuzzy level set brain image segmentation based on improved quantum particle swarm optimization
Guachi et al. Automatic colorectal segmentation with convolutional neural network
Goparaju et al. On the evaluation and validation of off-the-shelf statistical shape modeling tools: a clinical application
Böhland et al. Influence of synthetic label image object properties on GAN supported segmentation pipelines
Razmjooy et al. Application of multilevel thresholding and CNN for the diagnosis of skin cancer utilizing a multi-agent fuzzy buzzard algorithm
La Rosa A deep learning approach to bone segmentation in CT scans
Jiang et al. Segmentation of prostate ultrasound images: the state of the art and the future directions of segmentation algorithms
Silva et al. Deep keypoint detection for the aesthetic evaluation of breast cancer surgery outcomes
CN116485813A (zh) 基于提示学习的零样本脑病灶分割方法、系统、设备和介质
CN111461158A (zh) 用于识别超声图像中特征的方法、装置、存储介质和系统
Hilles et al. Image Segmentation and Classification Using CNN Model to Detect Brain Tumors
Widodo et al. Improved accuracy in detection of lung cancer using self organizing map
Korabelnikov et al. Liver tumor segmentation ct data based on alexnet-like convolutional neural nets
de Oliveira Torres et al. Texture analysis of lung nodules in computerized tomography images using functional diversity
George et al. Cancer tissues recognition system using box counting method and artificial neural network

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
CB03 Change of inventor or designer information

Inventor after: Li Chentian

Inventor after: Li Chaoyang

Inventor after: Qi Huan

Inventor after: Ma Chi

Inventor after: Lv Weijia

Inventor before: Li Chentian

Inventor before: Li Chaoyang

Inventor before: Ma Chi

Inventor before: Lv Weijia

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant