CN110009645A - 一种肝癌病灶影像的双层轮廓分割方法 - Google Patents
一种肝癌病灶影像的双层轮廓分割方法 Download PDFInfo
- Publication number
- CN110009645A CN110009645A CN201910290505.9A CN201910290505A CN110009645A CN 110009645 A CN110009645 A CN 110009645A CN 201910290505 A CN201910290505 A CN 201910290505A CN 110009645 A CN110009645 A CN 110009645A
- Authority
- CN
- China
- Prior art keywords
- liver
- lesion
- image
- internal periphery
- liver lesion
- 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
- G06T7/11—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
- G06T7/13—Edge detection
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种肝癌病灶影像的双层轮廓分割方法,包括以下步骤:S1、获取待处理的肝部影像,对每一张待处理的肝部影像进行预处理;S2、对每一张预处理的肝部影像进行肝部感兴趣区域分割,获得每一张肝部影像的肝部感兴趣区域;S3、根据每一张肝部影像的肝部感兴趣区域,提取肝癌病灶的内轮廓;依据肝癌病灶的内轮廓,采用以肝癌病灶内轮廓的质心为中心的缩放方法,获取肝癌病灶的粗略外轮廓;肝癌病灶的内轮廓与肝癌病灶的粗略外轮廓所围成的部分组成肝癌病灶边缘影像;S4、对肝癌病灶边缘影像进行精细化处理,提取肝癌病灶的外轮廓。提取病灶的双层边界,较好区分肝脏组织与病变组织的边缘,有助于辅助医生做出更为准确的诊断和治疗。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种肝癌病灶影像的双层轮廓分割方法。
背景技术
肝癌的全球发病率位居所有肿瘤的第5位。近年来,影像学检查在临床上的应用已成为医生对肝功能、病理和解剖研究的重要手段。
对于肝癌病灶影像的诊疗,目前主要有两种方法:
一、凭借医生主观判断的传统诊疗;医生根据肝癌病灶影像的面积、灰度等特征判断肝癌病灶的严重性或活跃度,这种诊疗方法完全凭借医生的经验去进行判断,不仅费力而且掺杂大量的主观因素。
二、传统影像组学边缘提取方法;传统影像组学基于图像分割,将医学图像中具有某些特殊含义的部分分割出来,并提取相关特征,为临床诊疗和病理学研究提供可靠的依据,辅助医生做出更为准确的诊断;其中,成熟的图象分割技术主要有聚类法、基于Byaes理论的统计学模型法、区域生长法、神经网络法等;目前传统的影像组学分割技术研究方向是运用一种或多种分割方法并进行改进,来提高分割精度或自动化程度;这种诊疗方法虽然可以实现肝癌病灶的分割,但是这种分割只能提取病灶的单层边界,对于双层边界的病灶来说,获得的病灶边缘信息有限,不易辅助医生做出准确的诊断。
研究表明,对于肝脏切除术,术前准确的估计肝储备功能是预防术后肝功能衰竭的主要条件,从病理机制上看,肝储备功能有组织学基础;肝切除量的估计是形态学的任务;灰度信息是医生用来判断用药时间的重要判据。可见,病灶轮廓信息的提取尤为重要,基于肝癌病灶的轮廓信息进行病灶特征的提取对医生进一步了解病灶信息、把握化疗用药的时机与用量有重要指导作用。
因此,亟需一种肝癌病灶影像的双层轮廓分割方法。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供一种肝癌病灶影像的双层轮廓分割方法。能够提取病灶的双层边界,较好的区分肝脏组织与病变组织的边缘;同时基于肝癌病灶的双层轮廓进行病灶特征的提取,有助于辅助医生做出更为准确的诊断和治疗。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种肝癌病灶影像的双层轮廓分割方法,包括以下步骤:
步骤S1、获取待处理的肝部影像,并对每一张待处理的肝部影像进行预处理。
步骤S2、对每一张预处理后的肝部影像进行肝部感兴趣区域分割,获得每一张肝部影像的肝部感兴趣区域。
步骤S3、根据每一张肝部影像的肝部感兴趣区域,提取肝癌病灶的内轮廓;依据肝癌病灶的内轮廓,获得肝癌病灶内轮廓的质心,采用以肝癌病灶内轮廓的质心为中心的缩放方法,获取肝癌病灶的粗略外轮廓;肝癌病灶的内轮廓与肝癌病灶的粗略外轮廓所围成的部分组成肝癌病灶边缘影像。
步骤S4、对肝癌病灶边缘影像进行精细化处理,提取肝癌病灶的外轮廓。
作为本发明方法的一种改进,步骤S1中,对每一张待处理的肝部影像进行预处理,包括:
S11、对每一张待处理的肝部影像进行灰度映射。
S12、对步骤S11中得到的每一张肝部影像进行对比度受限的自适应直方图均衡。
S13、对步骤S12中得到的每一张肝部影像进行文字去除。
作为本发明方法的一种改进,步骤S11中,将每一张待处理肝部影像的灰度范围映射到0~255。
作为本发明方法的一种改进,步骤S2中,使用unsupervised grow- cut算法对每一张预处理后的肝部影像进行肝部感兴趣区域分割。
作为本发明方法的一种改进,步骤S3中,根据每一张肝部影像的肝部感兴趣区域,提取肝癌病灶的内轮廓,包括:对每一张肝部影像的肝部感兴趣区域进行二值化处理,之后生成肝癌病灶的凸包轮廓,获得肝癌病灶的内轮廓。
作为本发明方法的一种改进,步骤S3中,依据肝癌病灶的内轮廓,通过regionprops函数中的centroid参数,获得肝癌病灶内轮廓的质心的坐标。
作为本发明方法的一种改进,步骤S3中,以肝癌病灶内轮廓的质心为中心,将肝癌病灶内轮廓放大1.3~1.5倍,获取肝癌病灶的粗略外轮廓。
作为本发明方法的一种改进,步骤S4中,对肝癌病灶边缘影像进行精细化处理,包括:对肝癌病灶边缘影像依次进行二值转化、开运算和生成凸包轮廓,提取肝癌病灶的外轮廓。
(三)有益效果
本发明的有益效果是:
本发明通过依据肝癌病灶的内轮廓,采用以肝癌病灶内轮廓的质心为中心的缩放方法,获取肝癌病灶的粗略外轮廓,再对肝癌病灶的粗略外轮廓进行精细化处理,获得肝癌病灶的外轮廓。实现了肝癌病灶影像的双层轮廓的提取,可以较好的区分肝脏组织与病变组织的边缘;同时基于肝癌病灶的双层轮廓进行病灶特征的提取,有助于辅助医生做出更为准确的诊断和治疗。
附图说明
本发明借助于以下附图进行描述:
图1为本发明具体实施方式中肝癌病灶影像双层轮廓分割方法的流程图;
图2为本发明具体实施方式中肝部影像中肝部感兴趣区域的分割结果图;
图3为本发明具体实施方式中肝癌病灶影像的双层轮廓的提取结果图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
本发明提供一种肝癌病灶影像双层轮廓分割方法,如图1所示,包括以下步骤:
步骤S1、获取待处理的肝部影像,并对每一张待处理的肝部影像进行预处理。
步骤S2、对每一张预处理后的肝部影像进行肝部感兴趣区域分割,获得每一张肝部影像的肝部感兴趣区域。
步骤S3、根据每一张肝部影像的肝部感兴趣区域,提取肝癌病灶的内轮廓;依据肝癌病灶的内轮廓,获得肝癌病灶内轮廓的质心,采用以肝癌病灶内轮廓的质心为中心的缩放方法,获取肝癌病灶的粗略外轮廓;肝癌病灶的内轮廓与肝癌病灶的粗略外轮廓所围成的部分组成肝癌病灶边缘影像。
步骤S4、对肝癌病灶边缘影像进行精细化处理,提取肝癌病灶的外轮廓。
在步骤S1中,待处理的肝部影像为DICOM原始影像,来源于沈阳市的中国医科大学附属盛京医院和辽宁省肿瘤医院,数据来源稳定且内容科学。
对每一张待处理的肝部影像进行预处理,包括:S11、对每一张待处理的肝部影像进行灰度映射;待处理的肝部影像为DICOM格式,一般的灰度值范围为-2000~2000,将待处理的肝部影像的灰度范围映射到 0~255。S12、对步骤S11中得到的每一张肝部影像进行对比度受限的自适应直方图均衡;通过对比度限制自适应直方图均衡变换值来增强原始灰度图像的对比度,方便以后的图像分割。S13、对步骤S12中得到的每一张肝部影像进行文字去除;获取的肝部影像四周具有文字信息,提前对肝部影像中的文字进行去除,可防止文字干扰图像分割。
在步骤S2中,对肝部影像中的肝部感兴趣区域进行分割,可以防止肝部影像中肝部以外的部分干扰到肝癌病灶轮廓的提取,提高肝癌病灶轮廓提取的精确度。另外,有些病灶是生长在肝的边缘上的,此时肝部的边缘容易和病灶边缘的一部分重叠,为了更好的提取这类病灶,先对肝部影像中的肝部感兴趣区域进行分割,可以根据分割结果对肝部分割的参数进行微调,直至边缘合适再向下进行。
优选地,使用unsupervised grow-cut算法对每一张预处理后的肝部影像进行肝部感兴趣区域分割,该算法使用竞争思想,图像像素比作一个个细胞,这些细胞可以是前景、背景、未定义或其他细胞,细胞向外扩散并竞争图像域,细胞的扩散能力与像素强度有关,前景细胞和背景细胞一同竞争图像域,最终前景细胞和背景细胞竞争的分界线就是肝部感兴趣区域的轮廓线。肝部影像中肝部感兴趣区域的分割结果如图2所示。
在步骤S3中,具体地,对每一张肝部影像的肝部感兴趣区域进行二值化处理,之后生成肝癌病灶的凸包轮廓,获得肝癌病灶的内轮廓。依据肝癌病灶的内轮廓,通过regionprops函数中的centroid参数,获得肝癌病灶内轮廓的质心的坐标。采用以肝癌病灶内轮廓的质心为中心的缩放方法,获取肝癌病灶的粗略外轮廓;肝癌病灶的内轮廓与肝癌病灶的粗略外轮廓所围成的部分组成肝癌病灶边缘影像。优选地,以肝癌病灶内轮廓的质心为中心,将肝癌病灶内轮廓放大1.4倍,获取肝癌病灶的粗略外轮廓。
由于病灶的形状与其外轮廓形状关系紧密,就像是一层层的包裹的,例如,病灶是长条形的,那么它的外边界也极有可能是长条形的;因此,根据病灶内轮廓就可以勾勒出病灶的外轮廓形状,对病灶的内轮廓进行放大就可以得到病灶的粗略外轮廓。
在步骤S4中,对肝癌病灶边缘影像进行精细化处理,包括:对肝癌病灶边缘影像依次进行二值转化、开运算和生成凸包轮廓,提取肝癌病灶的外轮廓。然后将肝癌病灶的外轮廓和内轮廓一同显示在原图中,实现了肝癌病灶双层轮廓的提取,如图3所示。
由于肝癌病灶边缘影像是白色的,且其外边界不是完全光滑的,是存在凹陷的,因此对肝癌病灶边缘影像进行二值转化后,肝癌病灶边缘影像外灰色的部分被去掉,保留的就是白色的部分(肝癌病灶边缘影像),再生成凸包就得到了肝癌病灶边缘影像的精细外轮廓,即肝癌病灶的外轮廓。
基于肝癌病灶的双层轮廓进行病灶特征(形态学特征、灰度特征以及纹理特征)的提取,有助于辅助医生做出更为准确的诊断和治疗。
需要理解的是,以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点,其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施,但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰,都应涵盖在本发明的保护范围内。
Claims (8)
1.一种肝癌病灶影像的双层轮廓分割方法,其特征在于,包括以下步骤:
步骤S1、获取待处理的肝部影像,并对每一张待处理的肝部影像进行预处理;
步骤S2、对每一张预处理后的肝部影像进行肝部感兴趣区域分割,获得每一张肝部影像的肝部感兴趣区域;
步骤S3、根据每一张肝部影像的肝部感兴趣区域,提取肝癌病灶的内轮廓;依据肝癌病灶的内轮廓,获得肝癌病灶内轮廓的质心,采用以肝癌病灶内轮廓的质心为中心的缩放方法,获取肝癌病灶的粗略外轮廓;所述肝癌病灶的内轮廓与所述肝癌病灶的粗略外轮廓所围成的部分组成肝癌病灶边缘影像;
步骤S4、对所述肝癌病灶边缘影像进行精细化处理,提取肝癌病灶的外轮廓。
2.根据权利要求1所述的方法,其特征在于,步骤S1中,对每一张待处理的肝部影像进行预处理,包括:
S11、对每一张待处理的肝部影像进行灰度映射;
S12、对步骤S11中得到的每一张肝部影像进行对比度受限的自适应直方图均衡;
S13、对步骤S12中得到的每一张肝部影像进行文字去除。
3.根据权利要求2所述的方法,其特征在于,
步骤S11中,将每一张待处理肝部影像的灰度范围映射到0~255。
4.根据权利要求1所述的方法,其特征在于,
步骤S2中,使用unsupervised grow-cut算法对每一张预处理后的肝部影像进行肝部感兴趣区域分割。
5.根据权利要求1所述的方法,其特征在于,步骤S3中,根据每一张肝部影像的肝部感兴趣区域,提取肝癌病灶的内轮廓,包括:
对每一张肝部影像的肝部感兴趣区域进行二值化处理,之后生成肝癌病灶的凸包轮廓,获得肝癌病灶的内轮廓。
6.根据权利要求1所述的方法,其特征在于,
步骤S3中,依据肝癌病灶的内轮廓,通过regionprops函数中的centroid参数,获得肝癌病灶内轮廓的质心的坐标。
7.根据权利要求1所述的方法,其特征在于,步骤S3中,以肝癌病灶内轮廓的质心为中心,将肝癌病灶内轮廓放大1.3~1.5倍,获取肝癌病灶的粗略外轮廓。
8.根据权利要求1所述的方法,其特征在于,步骤S4中,对所述肝癌病灶边缘影像进行精细化处理,包括:
对所述肝癌病灶边缘影像依次进行二值转化、开运算和生成凸包轮廓,提取肝癌病灶的外轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910290505.9A CN110009645B (zh) | 2019-04-11 | 2019-04-11 | 一种肝癌病灶影像的双层轮廓分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910290505.9A CN110009645B (zh) | 2019-04-11 | 2019-04-11 | 一种肝癌病灶影像的双层轮廓分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009645A true CN110009645A (zh) | 2019-07-12 |
CN110009645B CN110009645B (zh) | 2023-06-23 |
Family
ID=67171284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910290505.9A Active CN110009645B (zh) | 2019-04-11 | 2019-04-11 | 一种肝癌病灶影像的双层轮廓分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009645B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021129325A1 (zh) * | 2019-12-25 | 2021-07-01 | 飞依诺科技(苏州)有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
CN113393462A (zh) * | 2021-08-18 | 2021-09-14 | 浙江杜比医疗科技有限公司 | 一种病灶区域分割方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102068281A (zh) * | 2011-01-20 | 2011-05-25 | 深圳大学 | 一种占位性病变超声图像的处理方法 |
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 |
CN103337074A (zh) * | 2013-06-18 | 2013-10-02 | 大连理工大学 | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 |
CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与系统 |
CN107358613A (zh) * | 2017-08-15 | 2017-11-17 | 上海斐讯数据通信技术有限公司 | 肺部区域分割方法及其系统 |
CN107578408A (zh) * | 2017-09-14 | 2018-01-12 | 郑州轻工业学院 | 一种奶牛养殖场地面尿液面积的仿真测量装置与方法 |
US20180025512A1 (en) * | 2016-07-20 | 2018-01-25 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for segmenting medical image |
CN109410166A (zh) * | 2018-08-30 | 2019-03-01 | 中国科学院苏州生物医学工程技术研究所 | 用于肺实质ct图像的全自动分割方法 |
CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
-
2019
- 2019-04-11 CN CN201910290505.9A patent/CN110009645B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102068281A (zh) * | 2011-01-20 | 2011-05-25 | 深圳大学 | 一种占位性病变超声图像的处理方法 |
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 |
CN103337074A (zh) * | 2013-06-18 | 2013-10-02 | 大连理工大学 | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 |
US20180025512A1 (en) * | 2016-07-20 | 2018-01-25 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for segmenting medical image |
CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与系统 |
CN107358613A (zh) * | 2017-08-15 | 2017-11-17 | 上海斐讯数据通信技术有限公司 | 肺部区域分割方法及其系统 |
CN107578408A (zh) * | 2017-09-14 | 2018-01-12 | 郑州轻工业学院 | 一种奶牛养殖场地面尿液面积的仿真测量装置与方法 |
CN109410166A (zh) * | 2018-08-30 | 2019-03-01 | 中国科学院苏州生物医学工程技术研究所 | 用于肺实质ct图像的全自动分割方法 |
CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
Non-Patent Citations (2)
Title |
---|
ASHISH GHOSH.ET AL: ""Image co-segmentation using dual active contours"", 《ELSERVIER》 * |
ASHISH GHOSH.ET AL: ""Image co-segmentation using dual active contours"", 《ELSERVIER》, 23 February 2018 (2018-02-23) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021129325A1 (zh) * | 2019-12-25 | 2021-07-01 | 飞依诺科技(苏州)有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
CN113393462A (zh) * | 2021-08-18 | 2021-09-14 | 浙江杜比医疗科技有限公司 | 一种病灶区域分割方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110009645B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van Rikxoort et al. | Automated segmentation of pulmonary structures in thoracic computed tomography scans: a review | |
CN108335304B (zh) | 一种腹部ct扫描序列图像的主动脉瘤分割方法 | |
CN107480644B (zh) | 眼底图像中视盘的定位与分割方法、装置和存储介质 | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
CN103606152B (zh) | 基于sift特征点聚类及布尔差运算的dsa血管图像分割方法 | |
CN110288582A (zh) | 一种细胞核的准确分割方法 | |
CN110009645A (zh) | 一种肝癌病灶影像的双层轮廓分割方法 | |
CN116645384A (zh) | 基于人工智能的干细胞区域快速分割方法 | |
Prentasic et al. | Weighted ensemble based automatic detection of exudates in fundus photographs | |
CN106780492B (zh) | 一种ct骨盆图像的关键帧提取方法 | |
Benčević et al. | Epicardial adipose tissue segmentation from CT images with a semi-3D neural network | |
CN113222974A (zh) | 一种侧支循环的自动评价方法和装置 | |
CN105869151A (zh) | 舌分割及舌苔舌质分离方法 | |
CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
CN109816665A (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
Xue et al. | Automatic extraction of mosaic patterns in uterine cervix images | |
Al-Sharfaa et al. | Localization of Optic Disk and Exudates Detection in Retinal Fundus Images | |
Chen et al. | Detection of Various Dental Conditions on Dental Panoramic Radiography Using Faster R-CNN | |
Mokri et al. | Lung segmentation in CT for thoracic PET-CT registration through visual study | |
CN110610490A (zh) | 一种病变细胞图像中白细胞的定位方法 | |
Chen et al. | Intra-operative tumor margin evaluation in breast-conserving surgery with deep learning | |
CN110246144A (zh) | 一种肺部ct图像的血管增强方法及系统 | |
CN114463304B (zh) | 一种对脑图谱进行分割与标注的方法及手术导航系统 | |
Hossain et al. | Brain Tumor Location Identification and Patient Observation from MRI Images | |
Babin et al. | Segmentation of airways in lungs using projections in 3-D CT angiography images |
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 |