CN109785293A - 一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法 - Google Patents
一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法 Download PDFInfo
- Publication number
- CN109785293A CN109785293A CN201811576210.XA CN201811576210A CN109785293A CN 109785293 A CN109785293 A CN 109785293A CN 201811576210 A CN201811576210 A CN 201811576210A CN 109785293 A CN109785293 A CN 109785293A
- Authority
- CN
- China
- Prior art keywords
- image
- focal area
- segmentation
- model
- profile
- 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 50
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 35
- 230000003902 lesion Effects 0.000 title claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 58
- 230000000877 morphologic effect Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000000694 effects Effects 0.000 description 10
- 238000004445 quantitative analysis Methods 0.000 description 7
- 230000002146 bilateral effect Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000001729 chan in Nutrition 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法，属于图像处理技术领域。本发明对图像进行预处理，首先利用双边滤波器进行去噪，用于解决图像噪声的存在，影响分割准确性的问题；接着对图像进行模糊聚类，图像二值化处理和形态学处理后，进行病灶区域选择，同时获得初始轮廓；再对边界暗区域去除，用于解决超声图像病灶区域外不均匀的特点，来提高分割的准确性；最后利用全局和局部CV活动轮廓模型的结合分割，得到分割结果。本发明效实现病灶区域的选择，较为准确实现提取出病灶区域的轮廓。
Description
技术领域
本发明涉及一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法，具体涉及医学超声图像分割，属于图像处理技术领域。
背景技术
超声图像作为医学影像中的一种，在医学临床诊断中有着重要作用。随着影像医学的发展，超声图像分割在医学应用中越来越具有重要意义。超声图像分割是计算机辅助诊断(Computer aided diagnosis,CAD)系统中的一个重要组成部分，其作用是对超声图像进行分割，标定图像中的病灶部位，为对病灶部位的特征提取、诊断和分类提供必要条件。
目前的研究中，所采用的方法大致可以分为：阈值法、聚类法还有活动轮廓。其中，活动轮廓方法是一种常见的图像分割方法，经常用于医学图像的分割，包括CT，MRI和超声图像。活动轮廓(Active Contour Model，ACM)是基于形变模型的分割技术。2001年Chan和Vese提出了Chan-Vese模型，简称CV模型。CV是一种几何形变活动轮廓模型，可以较好地分割具有较大噪声图像，经常用于超声图像分割。然而CV模型在处理同质的图像可以得到较好的分割结果，但在处理非均匀，异质的图像得到的边缘不太准确。为此，许多学者在这方面提出许多改进，有提出局域二元拟合能量驱动的隐式活动轮廓，LBF(Local BinaryFitting)模型。也有提出局部的活动轮廓模型，如LCV模型。这些在处理非均匀的图像能取得一定的效果，但LBF和LCV模型对初始轮廓敏感，特别对于噪声大，同时又有其他伪影的超声图像，容易因为初始轮廓选取不恰当而导致分割效果不理想。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法，本发明能自动获取病灶区域，解决靠人为选择初始轮廓的问题以及选择不恰当的问题。进行边界暗区域去除，克服了超声图像不均匀的特点，以及结合全局和局部的CV模型，达到更准确分割的效果。
本发明的技术方案是：一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法，对图像进行预处理，首先利用双边滤波器进行去噪，用于解决图像噪声的存在，影响分割准确性的问题；接着对图像进行模糊聚类，图像二值化处理和形态学处理后，进行病灶区域选择，同时获得初始轮廓；再对边界暗区域去除，用于解决超声图像病灶区域外不均匀的特点，来提高分割的准确性；最后利用全局和局部CV活动轮廓模型的结合分割，得到分割结果。
进一步地，所述方法的具体步骤如下：
Step1、图像滤波；
采用双边滤波器对超声图像进行滤波，对超声图像存在的斑点噪声，进行滤波；
Step2、模糊聚类分割；
对滤波后的图像进行模糊C均值聚类分割，聚类数目设定为3，得到将灰度值信息分成三类的图像；
Step3、图像二值化；选用一个阈值，这个阈值为根据病灶区域的灰度均值设定的，将其中包含病灶区域的一类与其他两类再分类，得到二值图像，以便后续形态处理；
Step4、形态学处理；
得到的二值图像，先对二值图像进行膨胀处理，接着对图像取反，然后对边界的亮区域抑制，再对图像取反，再进行对图像进行腐蚀处理，得到多个连通区域的二值图像；
Step5、病灶区域选择；
首先，统计连通区域的像素个数，选择最多像素的连通区域，接着比较其他的连通区域，如果其他区域的像素点大于最大连通区域的25％，则将视其为病灶区域ROI，否则将其视为非病灶区域；
Step6、初始轮廓输入；
将选择的病灶区域作为CV模型分割的初始轮廓；
Step7、边界暗区域去除；
在进行分割时，轮廓将病灶区域作为内部，除此以外的区域作为外部区域，而外部边界其他组织区域的存在会使外部区域更加不均匀，分割时将图像边缘的暗区域去除，那么得到较均匀的外部区域，使CV活动轮廓分割得到的轮廓更加准确；
Step8、CV模型分割；
CV模型将会根据内外能量的变化，不断将轮廓趋近病灶区域的边缘，得到病灶区域的大致轮廓；
Step9、局部CV模型LCV分割；
对CV模型分割得到的大致轮廓再作为LCV模型的初始轮廓，利用LCV模型，对病灶区域的大致轮廓在边缘局部上进一步微调，从而得到更准确的超声病灶区域的边缘轮廓，并获得病灶区域；
Step10、获得边缘；
利用边缘算子canny获得病灶区域的边缘，并标到原图像上。
所述步骤Step1中，采用的滤波是双边滤波；双边滤波是一种非线性滤波器，它可以达到保持边缘、降噪平滑的效果。双边滤波是采用加权平均的方法，用周边像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分布。同时，双边滤波的权重不仅考虑了像素的欧氏距离，还考虑了像素范围域中的灰度值差异，在计算中心像素的时候同时考虑这两个权重。
CV模型是Chan和Vese提出的一种基于区域的水平集活动轮廓模型。
所述步骤Step7中，边界暗区域一般是其他非病灶组织，但往往跟病灶区域有相同的灰度。边界暗区域的去除可以较好解决超声图像外部灰度不均匀而导致CV模型分割不准确的现象。
所述步骤Step8、9中，CV模型分割可以得到病灶区域的大致轮廓，LCV模型能对将CV模型得到的大致轮廓加以微调，得到更准确的边缘。
所述步骤Step11中，若得到的TP的值高，FP，FN低，说明分割结果的准确性高，效果好。
本发明的有益效果是：
本发明采用双边滤波，模糊聚类分割，形态学处理，边界暗区域去除，全局和局部CV活动轮廓模型结合的方法，有效实现病灶区域的选择，较为准确实现提取出病灶区域的轮廓，解决超声图像病灶区域自动选择，分割不精确的问题。另外，本发明在实验得到数据TP在实例中均达到最高，FP，FN也是最低。这在定量分析上也说明提取的病灶区域轮廓也较为准确。
附图说明
图1为本发明的总体流程图；
图2为本发明实施例1超声病灶区域分割的实验图；
图2中：(a)带病灶区域超声原图；(b)模糊聚类分割及二值化后的图；(c)形态学处理后的图；(d)病灶区域选择后的初始轮廓；(e)边界暗区域去除及CV分割后的图；(f)局部LCV模型分割后的图；(g)分割结果及获得边缘后的图；(h)人工分割结果图；
图3为本发明实施例2超声病灶区域分割的实验图。
图3中：(a)带病灶区域超声原图；(b)模糊聚类分割及二值化后的图；(c)形态学处理后的图；(d)病灶区域选择后的初始轮廓；(e)边界暗区域去除及CV分割后的图；(f)局部LCV模型分割后的图；(g)分割结果及获得边缘后的图；(h)人工分割结果图。
具体实施方式
实施例1：如图1-2所示，一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法，对图像如图2(a)进行预处理，首先利用双边滤波器进行去噪，用于解决图像噪声的存在，影响分割准确性的问题；接着对图像进行模糊聚类，图像二值化处理和形态学处理后，进行病灶区域选择，同时获得初始轮廓；再对边界暗区域去除，用于解决超声图像病灶区域外不均匀的特点，来提高分割的准确性；最后利用全局和局部CV活动轮廓模型的结合分割，得到分割结果。
进一步地，所述方法的具体步骤如下：
Step1、图像滤波；
采用双边滤波器对超声图像进行滤波，对超声图像存在的斑点噪声，进行滤波；
Step2、模糊聚类分割；
对滤波后的图像进行模糊C均值聚类分割，聚类数目设定为3，得到将灰度值信息分成三类的图像；
Step3、图像二值化；选用一个阈值，这个阈值为根据病灶区域的灰度均值设定的，将其中包含病灶区域的一类与其他两类再分类，得到二值图像，以便后续形态处理；如图2(b)所示；
Step4、形态学处理；
得到的二值图像，先对二值图像进行膨胀处理，接着对图像取反，然后对边界的亮区域抑制，再对图像取反，再进行对图像进行腐蚀处理，得到多个连通区域的二值图像；如图2(c)所示；
Step5、病灶区域选择；
首先，统计连通区域的像素个数，选择最多像素的连通区域，接着比较其他的连通区域，如果其他区域的像素点大于最大连通区域的25％，则将视其为病灶区域ROI，否则将其视为非病灶区域；
Step6、初始轮廓输入；
初始轮廓如图2(d)所示，将选择的病灶区域作为CV模型分割的初始轮廓；
Step7、边界暗区域去除；
在进行分割时，轮廓将病灶区域作为内部，除此以外的区域作为外部区域，而外部边界其他组织区域的存在会使外部区域更加不均匀，分割时将图像边缘的暗区域去除，那么得到较均匀的外部区域，使CV活动轮廓分割得到的轮廓更加准确；
Step8、CV模型分割；
CV模型将会根据内外能量的变化，不断将轮廓趋近病灶区域的边缘，得到病灶区域的大致轮廓；如图2(e)所示；
Step9、局部CV模型LCV分割；
对CV模型分割得到的大致轮廓再作为LCV模型的初始轮廓，利用LCV模型，对病灶区域的大致轮廓在边缘局部上进一步微调，从而得到更准确的超声病灶区域的边缘轮廓，并获得病灶区域；如图2(f)所示；
Step10、获得边缘；
利用边缘算子canny获得病灶区域的边缘，并标到原图像上。如图2(g)所示。
效果评价。将三种不同方法分割后的结果与人工分割的结果进行比较，人工分割结果如图2(h)，采取基于分类评判的三种指标，包括TP(True positive)，FP(Falsepositive),FN(False negative)。
分割方法比较：比较方法包括仅用的模糊C均值聚类和CV模型方法。先对每个方法分割效果进行分析对比，再通过定量分析的对比，采用TP,FP,FN三种指标。表1为本实施例分割结果的定量分析及方法比较。
表1实施1分割结果的定量分析及方法比较
| Method | TP | FP | FN |
| FMC | 0.8678 | 3.9817 | 0.1322 |
| CV | 0.8771 | 0.0065 | 0.1229 |
| 本方法 | 0.9251 | 0.0052 | 0.0749 |
实施例2：如图1、图3所示，一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法，实例采取的方案是先对带有病灶的超声图像，图3(a)进行预处理，首先利用双边滤波器进行去噪，用于解决图像噪声的存在，影响分割准确性的问题；接着对图像进行模糊聚类，图像二值化处理和形态学处理后，进行病灶区域选择，同时获得初始轮廓；再对边界暗区域去除，用于解决超声图像病灶区域外不均匀的特点，来提高分割的准确性；最后利用全局和局部CV活动轮廓模型的结合分割，得到较准确的分割结果。
进一步地，所述方法的具体步骤如下：
Step1、图像滤波；
采用双边滤波器对超声图像进行滤波，对超声图像存在的斑点噪声，进行滤波；
Step2、模糊聚类分割；
对滤波后的图像进行模糊C均值聚类分割，聚类数目设定为3，得到将灰度值信息分成三类的图像；
Step3、图像二值化；选用一个阈值，这个阈值为根据病灶区域的灰度均值设定的，将其中包含病灶区域的一类与其他两类再分类，得到二值图像，以便后续形态处理；如图3(b)所示；
Step4、形态学处理；
得到的二值图像，先对二值图像进行膨胀处理，接着对图像取反，然后对边界的亮区域抑制，再对图像取反，再进行对图像进行腐蚀处理，得到多个连通区域的二值图像；如图3(c)所示；
Step5、病灶区域选择；
首先，统计连通区域的像素个数，选择最多像素的连通区域，接着比较其他的连通区域，如果其他区域的像素点大于最大连通区域的25％，则将视其为病灶区域ROI，否则将其视为非病灶区域；
Step6、初始轮廓输入；
初始轮廓如图3(d)所示，将选择的病灶区域作为CV模型分割的初始轮廓；
Step7、边界暗区域去除；
在进行分割时，轮廓将病灶区域作为内部，除此以外的区域作为外部区域，而外部边界其他组织区域的存在会使外部区域更加不均匀，分割时将图像边缘的暗区域去除，那么得到较均匀的外部区域，使CV活动轮廓分割得到的轮廓更加准确；
Step8、CV模型分割；
CV模型将会根据内外能量的变化，不断将轮廓趋近病灶区域的边缘，得到病灶区域的大致轮廓；如图3(e)所示；
Step9、局部CV模型LCV分割；
对CV模型分割得到的大致轮廓再作为LCV模型的初始轮廓，利用LCV模型，对病灶区域的大致轮廓在边缘局部上进一步微调，从而得到更准确的超声病灶区域的边缘轮廓，并获得病灶区域；如图3(f)所示；
Step10、获得边缘；
利用边缘算子canny获得病灶区域的边缘，并标到原图像上。如图3(g)所示。
效果评价。将三种不同方法分割后的结果与人工分割的结果进行比较，人工分割结果如图3(h)，采取基于分类评判的三种指标，包括TP(True positive)，FP(Falsepositive),FN(False negative)。
分割方法比较：比较方法包括仅用的模糊C均值聚类和CV模型方法。先对每个方法分割效果进行分析对比，再通过定量分析的对比，采用TP,FP,FN三种指标。表2为本实施例分割结果的定量分析及方法比较。
表2实施例2分割结果的定量分析及方法比较
| Method | TP | FP | FN |
| FMC | 0.8196 | 14.9632 | 0.1804 |
| CV | 0.8503 | 0.0552 | 0.1497 |
| 所用方法 | 0.9310 | 0.0172 | 0.0690 |
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法，其特征在于：对图像进行预处理，首先利用双边滤波器进行去噪，用于解决图像噪声的存在，影响分割准确性的问题；接着对图像进行模糊聚类，图像二值化处理和形态学处理后，进行病灶区域选择，同时获得初始轮廓；再对边界暗区域去除，用于解决超声图像病灶区域外不均匀的特点，来提高分割的准确性；最后利用全局和局部CV活动轮廓模型的结合分割，得到分割结果。
2.根据权利要求1所述的基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法，其特征在于：所述方法的具体步骤如下：
Step1、图像滤波；
采用双边滤波器对超声图像进行滤波，对超声图像存在的斑点噪声，进行滤波；
Step2、模糊聚类分割；
对滤波后的图像进行模糊C均值聚类分割，聚类数目设定为3，得到将灰度值信息分成三类的图像；
Step3、图像二值化；选用一个阈值，这个阈值为根据病灶区域的灰度均值设定的，将其中包含病灶区域的一类与其他两类再分类，得到二值图像，以便后续形态处理；
Step4、形态学处理；
得到的二值图像，先对二值图像进行膨胀处理，接着对图像取反，然后对边界的亮区域抑制，再对图像取反，再进行对图像进行腐蚀处理，得到多个连通区域的二值图像；
Step5、病灶区域选择；
首先，统计连通区域的像素个数，选择最多像素的连通区域，接着比较其他的连通区域，如果其他区域的像素点大于最大连通区域的25％，则将视其为病灶区域ROI，否则将其视为非病灶区域；
Step6、初始轮廓输入；
将选择的病灶区域作为CV模型分割的初始轮廓；
Step7、边界暗区域去除；
在进行分割时，轮廓将病灶区域作为内部，除此以外的区域作为外部区域，而外部边界其他组织区域的存在会使外部区域更加不均匀，分割时将图像边缘的暗区域去除，那么得到较均匀的外部区域，使CV活动轮廓分割得到的轮廓更加准确；
Step8、CV模型分割；
CV模型将会根据内外能量的变化，不断将轮廓趋近病灶区域的边缘，得到病灶区域的大致轮廓；
Step9、局部CV模型LCV分割；
对CV模型分割得到的大致轮廓再作为LCV模型的初始轮廓，利用LCV模型，对病灶区域的大致轮廓在边缘局部上进一步微调，从而得到更准确的超声病灶区域的边缘轮廓，并获得病灶区域；
Step10、获得边缘；
利用边缘算子canny获得病灶区域的边缘，并标到原图像上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811576210.XA CN109785293B (zh) | 2018-12-22 | 2018-12-22 | 基于全局和局部活动轮廓模型的超声图像病灶分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811576210.XA CN109785293B (zh) | 2018-12-22 | 2018-12-22 | 基于全局和局部活动轮廓模型的超声图像病灶分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109785293A true CN109785293A (zh) | 2019-05-21 |
| CN109785293B CN109785293B (zh) | 2022-09-27 |
Family
ID=66497557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811576210.XA Active CN109785293B (zh) | 2018-12-22 | 2018-12-22 | 基于全局和局部活动轮廓模型的超声图像病灶分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109785293B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110060223A (zh) * | 2019-06-11 | 2019-07-26 | 湖南自兴智慧医疗科技有限公司 | 一种基于特征提取及去噪的图像分割方法 |
| CN110898338A (zh) * | 2019-12-16 | 2020-03-24 | 福建师范大学 | 一种基于led阵列的智能光动力治疗光照系统 |
| CN111062962A (zh) * | 2019-12-06 | 2020-04-24 | 昆明理工大学 | 一种基于差分搜索算法的多阈值超声图像分割方法 |
| CN112258533A (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分割方法 |
| CN112330698A (zh) * | 2020-11-04 | 2021-02-05 | 昆明理工大学 | 一种改进的几何活动轮廓的图像分割方法 |
| CN114757952A (zh) * | 2022-06-15 | 2022-07-15 | 深圳瀚维智能医疗科技有限公司 | 超声图像处理方法、装置、设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090190815A1 (en) * | 2005-10-24 | 2009-07-30 | Nordic Bioscience A/S | Cartilage Curvature |
| CN101504767A (zh) * | 2009-03-20 | 2009-08-12 | 西安电子科技大学 | 基于水平集接力的图像分割方法 |
| US20130170723A1 (en) * | 2011-12-07 | 2013-07-04 | Telesecurity Sciences, Inc. | Extraction of objects from ct images by sequential segmentation and carving |
| CN103745470A (zh) * | 2014-01-08 | 2014-04-23 | 兰州交通大学 | 基于小波的多边形轮廓演化医学ct图像交互式分割方法 |
| CN104008278A (zh) * | 2014-05-14 | 2014-08-27 | 昆明理工大学 | 一种基于特征向量和最小二乘支持向量机的pm25浓度预测方法 |
| CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
| CN105139398A (zh) * | 2015-08-26 | 2015-12-09 | 武汉大学 | 一种基于多特征的灰度不均图像快速分割方法 |
| CN105279759A (zh) * | 2015-10-23 | 2016-01-27 | 浙江工业大学 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
| CN106447682A (zh) * | 2016-08-29 | 2017-02-22 | 天津大学 | 基于帧间相关性的乳腺mri病灶的自动分割方法 |
| CN107481252A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的分割方法、装置、介质和电子设备 |
| CN107993237A (zh) * | 2017-11-28 | 2018-05-04 | 山东大学 | 一种基于窄带约束的几何活动轮廓模型图像局部分割方法 |
-
2018
- 2018-12-22 CN CN201811576210.XA patent/CN109785293B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090190815A1 (en) * | 2005-10-24 | 2009-07-30 | Nordic Bioscience A/S | Cartilage Curvature |
| CN101504767A (zh) * | 2009-03-20 | 2009-08-12 | 西安电子科技大学 | 基于水平集接力的图像分割方法 |
| US20130170723A1 (en) * | 2011-12-07 | 2013-07-04 | Telesecurity Sciences, Inc. | Extraction of objects from ct images by sequential segmentation and carving |
| CN103745470A (zh) * | 2014-01-08 | 2014-04-23 | 兰州交通大学 | 基于小波的多边形轮廓演化医学ct图像交互式分割方法 |
| CN104008278A (zh) * | 2014-05-14 | 2014-08-27 | 昆明理工大学 | 一种基于特征向量和最小二乘支持向量机的pm25浓度预测方法 |
| CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
| CN105139398A (zh) * | 2015-08-26 | 2015-12-09 | 武汉大学 | 一种基于多特征的灰度不均图像快速分割方法 |
| CN105279759A (zh) * | 2015-10-23 | 2016-01-27 | 浙江工业大学 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
| CN106447682A (zh) * | 2016-08-29 | 2017-02-22 | 天津大学 | 基于帧间相关性的乳腺mri病灶的自动分割方法 |
| CN107481252A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的分割方法、装置、介质和电子设备 |
| CN107993237A (zh) * | 2017-11-28 | 2018-05-04 | 山东大学 | 一种基于窄带约束的几何活动轮廓模型图像局部分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| DANGGUO SHAO等: "Characteristic matching-based adaptive fast bilateral filter for ultrasound speckle reduction", 《ELSEVIER》 * |
| 兰红 等: "基于CV模型改进的磁共振成像图像分割方法", 《科学技术与工程》 * |
| 许春荣: "基于阈值选择的超声图像分割关键技术研究", 《中国优秀硕士论文电子期刊网 信息科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110060223A (zh) * | 2019-06-11 | 2019-07-26 | 湖南自兴智慧医疗科技有限公司 | 一种基于特征提取及去噪的图像分割方法 |
| CN111062962A (zh) * | 2019-12-06 | 2020-04-24 | 昆明理工大学 | 一种基于差分搜索算法的多阈值超声图像分割方法 |
| CN111062962B (zh) * | 2019-12-06 | 2022-09-27 | 昆明理工大学 | 一种基于差分搜索算法的多阈值超声图像分割方法 |
| CN110898338A (zh) * | 2019-12-16 | 2020-03-24 | 福建师范大学 | 一种基于led阵列的智能光动力治疗光照系统 |
| CN112258533A (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分割方法 |
| CN112258533B (zh) * | 2020-10-26 | 2024-02-02 | 大连理工大学 | 一种超声图像中小脑蚓部的分割方法 |
| CN112330698A (zh) * | 2020-11-04 | 2021-02-05 | 昆明理工大学 | 一种改进的几何活动轮廓的图像分割方法 |
| CN112330698B (zh) * | 2020-11-04 | 2022-07-29 | 昆明理工大学 | 一种改进的几何活动轮廓的图像分割方法 |
| CN114757952A (zh) * | 2022-06-15 | 2022-07-15 | 深圳瀚维智能医疗科技有限公司 | 超声图像处理方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109785293B (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109785293A (zh) | 一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法 | |
| CN108471995B (zh) | 确定医学图像中乳房区域的系统和方法 | |
| Issac et al. | An adaptive threshold based image processing technique for improved glaucoma detection and classification | |
| Villalobos-Castaldi et al. | A fast, efficient and automated method to extract vessels from fundus images | |
| Rad et al. | Morphological region-based initial contour algorithm for level set methods in image segmentation | |
| Jeyavathana et al. | A survey: analysis on pre-processing and segmentation techniques for medical images | |
| Saleck et al. | Tumor detection in mammography images using fuzzy C-means and GLCM texture features | |
| JPH09508814A (ja) | 医用画像を分割するための自動的方法およびシステム | |
| CN103942799A (zh) | 一种乳腺超声图像分割方法及系统 | |
| Shi et al. | Many is better than one: an integration of multiple simple strategies for accurate lung segmentation in CT images | |
| Gopalakrishnan et al. | Active contour with modified Otsu method for automatic detection of polycystic ovary syndrome from ultrasound image of ovary | |
| Yin et al. | A robust method for segmenting pectoral muscle in mediolateral oblique (MLO) mammograms | |
| Radhi et al. | Breast Tumor Detection Via Active Contour Technique. | |
| Li et al. | Integrating FCM and level sets for liver tumor segmentation | |
| Zahoor et al. | Fast optic disc segmentation in retinal images using polar transform | |
| CN113924046A (zh) | 用于将器官肿块分类为囊肿的基于计算机的方法 | |
| Luangruangrong et al. | Automatic exudates detection in retinal images using efficient integrated approaches | |
| Du et al. | Retinal image segmentation based on Mumford-Shah model and Gabor wavelet filter | |
| Almi'ani et al. | Automatic segmentation algorithm for brain MRA images | |
| Li et al. | Automatic segmentation algorithm of breast ultrasound image based on improved level set algorithm | |
| Luo et al. | An Optic Disc Segmentation Method Based on Active Contour Tracking. | |
| Maruthusivarani et al. | Comparison of automatic blood vessel segmentation methods in retinal images | |
| Maity et al. | Fusion of entropy-based thresholding and active contour model for detection of exudate and optic disc in color fundus images | |
| CN110246125A (zh) | 基于abus冠状面图像的乳头位置自动检测方法 | |
| Biradar et al. | Automated delineation of Doppler echocardiographic images using texture filters |
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 |