CN109993754B - 从图像上进行颅骨分割的方法和系统 - Google Patents
从图像上进行颅骨分割的方法和系统 Download PDFInfo
- Publication number
- CN109993754B CN109993754B CN201910258380.1A CN201910258380A CN109993754B CN 109993754 B CN109993754 B CN 109993754B CN 201910258380 A CN201910258380 A CN 201910258380A CN 109993754 B CN109993754 B CN 109993754B
- Authority
- CN
- China
- Prior art keywords
- image
- skull
- data
- length
- preset
- 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
- 210000003625 skull Anatomy 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000011218 segmentation Effects 0.000 title claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000013075 data extraction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
Images
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
- G06T7/11—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
- 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
- G06T2207/30008—Bone
Abstract
本发明实施例公开了一种从图像上进行颅骨分割的方法和系统,该方法包括:获取预设类型的图像;根据所述图像提取图像数据;根据所述图像数据确定颅骨的区域范围;根据颅骨特征从所述颅骨的区域范围内提取颅骨数据;根据所述颅骨数据进行颅骨显示。本发明解决现有技术中由于采用手动控制分割颅骨而导致的效率低且受人为因素影响颅骨提取准确性低的问题,相对于现有技术中通过人工操作进行颅骨分离的方式,具有颅骨分离效率高、准确性高的优点。
Description
技术领域
本发明实施例涉及图像处理技术领域,具体涉及一种从图像上进行颅骨分割的方法和系统。
背景技术
随着医学图像技术的发展,计算机辅助诊断技术已经被广泛运用在临床研究中,伴随脑疾病的发病率不断增高,脑图像研究受到了高度关注,通过脑CT(ComputedTomography,电子计算机断层扫描)/MRI(Magnetic Resonance Imaging,磁共振成像)图像检查,不仅防止手术检查介入对患者带来伤害,也可以辅助临床医生制定手术方案,其中脑CT/MRI图像的分割处理是必不可少的步骤。
目前的颅骨分割方法多采用手动控制分割,需要大量的交互步骤来完成颅骨提取,效率低且受人为因素影响颅骨提取准确性低。
发明内容
为此,本发明实施例提供一种从图像上进行颅骨分割的方法和系统,以解决现有技术中由于采用手动控制分割颅骨而导致的效率低且受人为因素影响颅骨提取准确性低的问题。
为了实现上述目的,本发明实施例提供如下技术方案:
根据本发明实施例的第一方面提供一种从图像上进行颅骨分割的方法,包括以下步骤:获取预设类型的图像;根据所述图像提取图像数据;根据所述图像数据确定颅骨的区域范围;根据颅骨特征从所述颅骨的区域范围内提取颅骨数据;根据所述颅骨数据进行颅骨显示。
进一步地,所述根据所述图像数据确定颅骨的区域范围的步骤,包括:根据所述图像数据确定所述图像的灰度值;如果所述图像的灰度值在预设灰度阈值区间内,则认定所述图像为第一类型图像,并认定所述图像数据全部为颅骨数据区域范围。
进一步地,在确定所述图像的灰度值之后,还包括:如果所述图像的灰度值不在所述预设灰度阈值区间内,则获取所述图像的长度,所述图像的长度为所述图像中人的头部向脚部方向扫描的长度;如果所述图像的长度小于预设长度,则认定所述图像数据全部为颅骨数据。
进一步地,在获取所述图像的长度之后,还包括:如果所述图像的长度大于等于所述预设长度,则获取所述图像的扫描视窗;如果所述图像的扫描视窗小于预设扫描视窗宽度,则获取所述图像中颅顶和牙齿的位置;根据所述图像中颅顶和牙齿的位置确定颅骨区域。
进一步地,在获取所述图像的扫描视窗之后,还包括:如果所述图像的扫描视窗大于等于所述预设扫描视窗宽度,则采用基于haar-like特征的AdaBoost机器学习方法,定位颅骨所在区域。
根据本发明实施例的第二方面提供一种从图像上进行颅骨分割的系统,包括:图像获取模块,用于获取预设类型的图像;图像数据提取模块,用于根据所述图像提取图像数据;颅骨区域范围确定模块,用于根据所述图像数据确定颅骨的区域范围;颅骨数据提取模块,用于根据颅骨特征从所述颅骨的区域范围内提取颅骨数据;显示模块,用于根据所述颅骨数据进行颅骨显示。
进一步地,所述颅骨区域范围确定模块具体用于根据所述图像数据确定所述图像的灰度值,如果所述图像的灰度值在预设灰度阈值区间内,则认定所述图像为第一类型图像,并认定所述图像数据全部为颅骨数据。
进一步地,所述颅骨区域范围确定模块还用于如果所述图像的灰度值不在所述预设灰度阈值区间内,则获取所述图像的长度,所述图像的长度为所述图像中人的头部向脚部方向扫描的长度;如果所述图像的长度小于预设长度,则认定所述图像数据全部为颅骨数据区域范围。
进一步地,所述颅骨区域范围确定模块还用于如果所述图像的长度大于等于所述预设长度,则获取所述图像的扫描视窗;如果所述图像的扫描视窗小于预设扫描视窗宽度,则获取所述图像中颅顶和牙齿的位置;根据所述图像中颅顶和牙齿的位置确定颅骨区域。
进一步地,所述颅骨区域范围确定模块还用于如果所述图像的扫描视窗大于等于所述预设扫描视窗宽度,则采用基于haar-like特征的AdaBoost机器学习方法,定位颅骨所在区域。
本发明实施例具有如下优点:
对预设类型的图像提取图像数据,并根据图像数据可以确定颅骨的区域范围,进而从该区域范围内提取颅骨数据进行显示,相对于现有技术中通过人工操作进行颅骨分离的方式,具有颅骨分离效率高、准确性高的优点。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例1提供的从图像上进行颅骨分割的方法的流程图;
图2为本发明实施例1提供的从图像上进行颅骨分割的方法中确定颅骨区域方法的详细流程图;
图3为本发明实施例1提供的从图像上进行颅骨分割的方法中机器学习检测颅骨的流程图;
图4为本发明实施例1提供的从图像上进行颅骨分割的方法中颅骨分割的流程图;
图5为本发明实施例2提供的从图像上进行颅骨分割的系统的结构框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例1
图1为本发明实施例1提供的从图像上进行颅骨分割的方法的流程图。如图1所示,本发明实施例1提供了一种从图像上进行颅骨分割的方法,包括以下步骤:
S1:获取预设类型的图像。
在本发明的一个实施例中,预设类型的图像可以是CT图像,也可以是MRI图像。预设类型的图像是通过相应的图像成像设备生成的,例如通过CT扫描设备对目标用户(如患者)拍摄的图像。其中,该预设类型的图像中可能包括该目标用户颅骨全部位置,也可能包括该目标用户的颅骨的部分位置(即目标用户的颅骨未全部出现在该预设类型的图像中)。
S2:根据图像提取图像数据。
通过对该图像的进行图像处理可以得到图像数据
S3:根据图像数据确定颅骨的区域范围。
图2为本发明实施例1提供的从图像上进行颅骨分割的方法中确定颅骨区域方法的详细流程图。如图2所示,在本发明的一个实施例中,步骤S3包括:
通过数据的灰度值(图像的灰度值)确定图像类型,具体为:根据图像数据确定图像的灰度值,如果图像的灰度值在预设灰度阈值区间内,则认定图像为第一类型图像。在本发明的一个示例中,预设灰度阈值区间为-500到1000。
如果认定图像为第一类型图像,则认定图像数据全部为颅骨数据,以便后续步骤提取颅骨数据进行显示。
进一步地,在确定图像的灰度值之后,还包括:
如果图像的灰度值不在预设灰度阈值区间内(即该图像为非第一类型图像),则获取图像的长度。其中,图像的长度为图像中人的头部向脚部方向扫描的长度。
如果图像的长度小于预设长度,则认定图像数据全部为颅骨数据区域范围。在本发明的一个示例中,预设长度为25厘米,并可以根据用户需求进行调整,通常用户头顶至颅骨下端牙齿的位置长度不超过25厘米。
具体地,通常对目标用户进行扫描时都是以目标用户的头顶开始按照预设扫描方向进行扫描,例如从目标用户的头顶开始向目标用户的脚部方向进行CT扫描,如果图像的长度过短(即图像的长度小于预设长度,如图像的长度为5厘米),则图像中可能未包括目标用户颅骨的全部位置,但由于扫描开始位置为目标用户的头顶开始,因此认定图像数据全部为颅骨数据区域范围。
进一步地,在获取图像的长度之后,还包括:
如果图像的长度大于等于预设长度,认为图像的长度方向包含了目标人物颅骨在长度方向的全部,此时获取图像的扫描视窗。
如果图像的扫描视窗小于预设扫描视窗宽度,则获取图像中颅顶和牙齿的位置。在本发明的一个示例中,预设扫描视窗宽度为10厘米,该扫描视窗宽度,用户判断扫描视窗是否过窄。
根据图像中颅顶和牙齿的位置确定颅骨区域,即图像中颅顶至牙齿最下端之间的区域为颅骨区域。
进一步地,在获取图像的扫描视窗之后,还包括:
如果图像的扫描视窗大于等于预设扫描视窗宽度,则采用基于haar-like特征的AdaBoost机器学习方法,定位颅骨所在区域。
图3为本发明实施例1提供的从图像上进行颅骨分割的方法中机器学习检测颅骨的流程图。如图3所示,其中AdaBoost分类器的学习由离线完成,而颅骨检测在矢状位方向上的最大密度投影上进行,因此效率很高。
在离线学习之前,首先收集头部医学图像数据,将数据映射到统一尺度上,然后人工进行颅骨区域的标记,作为机器学习的正样本,接着取不包含颅骨或颅骨不完整的区域进行标记,作为机器学习的负样本,其中负样本数取正样本数的5倍。其中,正负样本之间的数量关系可以根据需求进行调整。
在离线机器学习中,首先计算输入样本在多个尺度上的Haar-Like特征,然后将这些Haar-Like特征放入级联的AdaBoost分类器中进行学习,最后得到颅骨区域的分类器。
在检测过程中,首先将输入数据映射到矢状位最大密度投影图上,然后对最大密度投影进行同尺度处理,接着对处理后的最大密度投影图进行检测窗大小的截取,并判断检测窗是否为颅骨区域。连续移动检测窗,直至发现颅骨区域,否则将全部区域作为颅骨区域进行计算。
S4:根据颅骨特征从颅骨的区域范围内提取颅骨数据。
在确定颅骨的区域范围以后,可以根据颅骨特征进行骨骼提取,然后对提取的颅骨数据进行后处理。其中,颅骨特征可以为颅骨对应的灰度值。对提取的颅骨数据进行后处理包括阈值分割、区域生长和形态学操作等方法。
图4为本发明实施例1提供的从图像上进行颅骨分割的方法中颅骨分割的流程图。如图4所示,对于颅骨分割,主要采用阈值分割、区域生长和形态学操作方法,具体包括:
1.计算颅骨区域内图像数据的直方图,并对直方图进行平滑处理;
2.根据平滑后的直方图确定骨骼的阈值范围;
3.根据骨骼阈值范围对颅骨区域的图像数据进行标记;
4.对标记进行区域生长及形态学操作(包括但不限于膨胀,腐蚀等处理);
5.依据标记完成颅骨数据提取;
S5:根据颅骨数据进行颅骨显示。颅骨显示可以分析提取出的颅骨厚度来为医生手术中颅骨钻孔提供钻孔厚度参考。
根据本发明实施例的从图像上进行颅骨分割的方法,对预设类型的图像提取图像数据,并根据图像数据可以确定颅骨的区域范围,进而从该区域范围内提取颅骨数据进行显示,相对于现有技术中通过人工操作进行颅骨分离的方式,具有颅骨分离效率高、准确性高的优点。
实施例2
图5为本发明实施例2提供的从图像上进行颅骨分割的系统的结构框图。如图5所示,本发明实施例的从图像上进行颅骨分割的系统,包括:图像获取模块100、图像数据提取模块200、颅骨区域范围确定模块300、颅骨数据提取模块400和显示模块500。
其中,图像获取模块100用于获取预设类型的图像。图像数据提取模块200用于根据图像提取图像数据。颅骨区域范围确定模块300用于根据图像数据确定颅骨的区域范围。颅骨数据提取模块400用于根据颅骨特征从颅骨的区域范围内提取颅骨数据。显示模块500用于根据颅骨数据进行颅骨显示。
根据本发明实施例的从图像上进行颅骨分割的系统,对预设类型的图像提取图像数据,并根据图像数据可以确定颅骨的区域范围,进而从该区域范围内提取颅骨数据进行显示,相对于现有技术中通过人工操作进行颅骨分离的方式,具有颅骨分离效率高、准确性高的优点。
在本发明的一个实施例中,颅骨区域范围确定模块300具体用于根据图像数据确定图像的灰度值,如果图像的灰度值在预设灰度阈值区间内,则认定图像为第一类型图像,并认定图像数据全部为颅骨数据范围。
在本发明的一个实施例中,颅骨区域范围确定模块300还用于如果图像的灰度值不在预设灰度阈值区间内,则获取图像的长度,图像的长度为图像中人的头部向脚部方向扫描的长度;如果图像的长度小于预设长度,则认定图像数据全部为颅骨数据。
在本发明的一个实施例中,颅骨区域范围确定模块300还用于如果图像的长度大于等于预设长度,则获取图像的扫描视窗;如果图像的扫描视窗小于预设扫描视窗宽度,则获取图像中颅顶和牙齿的位置;根据图像中颅顶和牙齿的位置确定颅骨区域。
在本发明的一个实施例中,颅骨区域范围确定模块300还用于如果图像的扫描视窗大于等于预设扫描视窗宽度,则采用基于haar-like特征的AdaBoost机器学习方法,定位颅骨所在区域。
需要说明的是,本发明实施例的从图像上进行颅骨分割的系统的具体实施方式与本发明实施例的从图像上进行颅骨分割的方法的具体实施方式类似,具体参见从图像上进行颅骨分割的方法部分的描述,为了减少冗余,不做赘述。
另外,本发明实施例的从图像上进行颅骨分割的系统的其它构成以及作用对于本领域的技术人员而言都是已知的,为了减少冗余,不做赘述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (4)
1.一种从图像上进行颅骨分割的方法,其特征在于,包括以下步骤:
获取预设类型的图像;
根据所述图像提取图像数据;
根据所述图像数据确定颅骨的区域范围;
根据颅骨特征从所述颅骨的区域范围内提取颅骨数据;
根据所述颅骨数据进行颅骨显示;
其中,所述根据所述图像数据确定颅骨的区域范围的步骤,包括:
根据所述图像数据确定所述图像的灰度值;
如果所述图像的灰度值在预设灰度阈值区间内,则认定所述图像为第一类型图像,并认定所述图像数据全部为颅骨数据;
其中,在确定所述图像的灰度值之后,还包括:
如果所述图像的灰度值不在所述预设灰度阈值区间内,则获取所述图像的长度,所述图像的长度为所述图像中人的头部向脚部方向扫描的长度;
如果所述图像的长度小于预设长度,则认定所述图像数据全部为颅骨数据区域范围;
其中,在获取所述图像的长度之后,还包括:
如果所述图像的长度大于等于所述预设长度,则获取所述图像的扫描视窗;
如果所述图像的扫描视窗小于预设扫描视窗宽度,则获取所述图像中颅顶和牙齿的位置;
根据所述图像中颅顶和牙齿的位置确定颅骨区域。
2.根据权利要求1所述的方法,其特征在于,在获取所述图像的扫描视窗之后,还包括:
如果所述图像的扫描视窗大于等于所述预设扫描视窗宽度,则采用基于haar-like特征的AdaBoost机器学习方法,定位颅骨所在区域。
3.一种从图像上进行颅骨分割的系统,其特征在于,包括:
图像获取模块,用于获取预设类型的图像;
图像数据提取模块,用于根据所述图像提取图像数据;
颅骨区域范围确定模块,用于根据所述图像数据确定颅骨的区域范围;
颅骨数据提取模块,用于根据颅骨特征从所述颅骨的区域范围内提取颅骨数据;
显示模块,用于根据所述颅骨数据进行颅骨显示;
其中,所述颅骨区域范围确定模块具体用于根据所述图像数据确定所述图像的灰度值,如果所述图像的灰度值在预设灰度阈值区间内,则认定所述图像为第一类型图像,并认定所述图像数据全部为颅骨数据区域范围;
其中,所述颅骨区域范围确定模块还用于如果所述图像的灰度值不在所述预设灰度阈值区间内,则获取所述图像的长度,所述图像的长度为所述图像中人的头部向脚部方向扫描的长度;如果所述图像的长度小于预设长度,则认定所述图像数据全部为颅骨数据;
其中,所述颅骨区域范围确定模块还用于如果所述图像的长度大于等于所述预设长度,则获取所述图像的扫描视窗;如果所述图像的扫描视窗小于预设扫描视窗宽度,则获取所述图像中颅顶和牙齿的位置;根据所述图像中颅顶和牙齿的位置确定颅骨区域。
4.根据权利要求3所述的系统,其特征在于,所述颅骨区域范围确定模块还用于如果所述图像的扫描视窗大于等于所述预设扫描视窗宽度,则采用基于haar-like特征的AdaBoost机器学习方法,定位颅骨所在区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910258380.1A CN109993754B (zh) | 2019-04-01 | 2019-04-01 | 从图像上进行颅骨分割的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910258380.1A CN109993754B (zh) | 2019-04-01 | 2019-04-01 | 从图像上进行颅骨分割的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993754A CN109993754A (zh) | 2019-07-09 |
CN109993754B true CN109993754B (zh) | 2021-02-09 |
Family
ID=67132029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910258380.1A Expired - Fee Related CN109993754B (zh) | 2019-04-01 | 2019-04-01 | 从图像上进行颅骨分割的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993754B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462055B (zh) * | 2020-03-19 | 2024-03-08 | 东软医疗系统股份有限公司 | 颅骨检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102813513A (zh) * | 2012-05-23 | 2012-12-12 | 李卓东 | 无创式颅内压测量方法及测量仪 |
CN104952079A (zh) * | 2015-06-19 | 2015-09-30 | 四川大学 | 一种基于dicom序列的头骨分割方法 |
-
2019
- 2019-04-01 CN CN201910258380.1A patent/CN109993754B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102813513A (zh) * | 2012-05-23 | 2012-12-12 | 李卓东 | 无创式颅内压测量方法及测量仪 |
CN104952079A (zh) * | 2015-06-19 | 2015-09-30 | 四川大学 | 一种基于dicom序列的头骨分割方法 |
Non-Patent Citations (2)
Title |
---|
"基于先验知识的颅脑CT 图像自动化分割";李传富;《中国医疗器械》;20041231;第28卷(第3期);摘要、第2-5节 * |
"脑MR图像颅骨分割算法的研究";游佳丽;《中国优秀硕士论文全文数据库 信息科技辑》;20101015;第5.1-5.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109993754A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622492B (zh) | 肺裂分割方法及系统 | |
WO2021017297A1 (zh) | 基于人工智能的脊柱影像处理方法及相关设备 | |
Pietka et al. | Feature extraction in carpal-bone analysis | |
EP2916737B1 (en) | System and method for automated detection of lung nodules in medical images | |
US20050111757A1 (en) | Auto-image alignment system and method based on identified anomalies | |
US20030086596A1 (en) | Method, computer software, and system for tracking, stabilizing, and reporting motion between vertebrae | |
CN106846346B (zh) | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 | |
CN110796636A (zh) | 基于卷积神经网络的ct图像骨质状况检测方法及装置 | |
JP2017067489A (ja) | 診断支援装置、方法及びコンピュータプログラム | |
CN106780491B (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
CN110946652A (zh) | 一种骨螺钉的钉道规划方法和装置 | |
CN111325754B (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
JP3234668U (ja) | X線による脊柱側弯症の画像認識システム | |
WO2011050454A1 (en) | Bone imagery segmentation method and apparatus | |
Tseng et al. | An adaptive thresholding method for automatic lung segmentation in CT images | |
CN109993754B (zh) | 从图像上进行颅骨分割的方法和系统 | |
CN106780492B (zh) | 一种ct骨盆图像的关键帧提取方法 | |
CN112686897A (zh) | 一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法 | |
KR20210065228A (ko) | 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법 | |
Zhang et al. | Automatic rib segmentation in chest CT volume data | |
CN112190275B (zh) | 扫描方法、装置及系统 | |
CN113469942B (zh) | 一种ct图像病变检测方法 | |
Feng et al. | Automatic fetal weight estimation using 3D ultrasonography | |
CN109509189B (zh) | 一种基于多个子区域模板的腹部肌肉标注方法及标注装置 | |
Areeckal et al. | Fully automated radiogrammetric measurement of third metacarpal bone from hand radiograph |
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: 20210209 |
|
CF01 | Termination of patent right due to non-payment of annual fee |