CN110415246A - 一种腹部脂肪成分的分析方法 - Google Patents

一种腹部脂肪成分的分析方法 Download PDF

Info

Publication number
CN110415246A
CN110415246A CN201910723223.3A CN201910723223A CN110415246A CN 110415246 A CN110415246 A CN 110415246A CN 201910723223 A CN201910723223 A CN 201910723223A CN 110415246 A CN110415246 A CN 110415246A
Authority
CN
China
Prior art keywords
image
fat
images
abdominal
feature extraction
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
CN201910723223.3A
Other languages
English (en)
Other versions
CN110415246B (zh
Inventor
李晨
鄂泉禹
许宁
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201910723223.3A priority Critical patent/CN110415246B/zh
Publication of CN110415246A publication Critical patent/CN110415246A/zh
Application granted granted Critical
Publication of CN110415246B publication Critical patent/CN110415246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram 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
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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]
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting
    • 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

Landscapes

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

Abstract

本发明属于医学影像处理技术领域，尤其涉及一种腹部脂肪成分的分析方法。该方法包括如下步骤：获取待处理的腹部CT图像，进行预处理后，得到预处理后的腹部CT图像；采用改进的区域生长算法对预处理后的腹部CT图像进行皮下脂肪分割，得到皮下脂肪CT图像；将预处理后的腹部CT图像输入预先训练的支持向量机模型，得到输出的内脏脂肪CT预测图像；将预先通过经典方法获得的全部脂肪图像与皮下脂肪CT图像同时进行取反并相减，后与内脏脂肪CT预测图像取交集，得到内脏脂肪CT图像；根据皮下脂肪CT图像和内脏脂肪CT图像，得到腹部脂肪的组成成分。本发明提供的方法能够将皮下脂肪和内脏脂肪具体分离，且分割准确率高。

Description

一种腹部脂肪成分的分析方法
技术领域
本发明属于医学影像处理技术领域，尤其涉及一种腹部脂肪成分的分析方法。
背景技术
腹部脂肪包括皮下脂肪和内脏脂肪，其中主要为内脏脂肪。当人体摄入热量大于消耗的热量时，多余的热量会转化为脂肪，暂存在腹部，等热量不足时可快速燃烧提供能量。如果一个人长期摄入热量过多，腹部脂肪只存不取，就容易引起腹型肥胖。
内脏脂肪围绕着人体的脏器，对人的内脏起着支撑、稳定和保护的作用。通过测得皮下脂肪和内脏脂肪的面积比作为身体成分的测试指标，判断身体的健康程度。
现有技术中，使用分水岭算法对腹部CT图像进行图像分割，具体过程如图1所示：(1)对获取的腹部CT图像进行区域生长处理，得到所有组织部分图像；(2)提取腹部CT图像中的所有背景部分，得到所有背景部分图像；(3)将上述得到的所有组织部分图像和所有背景部分图像同时取反，并将取反后的图像相减，得到所有脂肪的图像。其中，步骤(1)中对腹部CT图像进行区域生长处理也可以采用全局阈值，大津阈值，k-means(k＝3)等方法进行替代。
但是，现有技术中只能得到所有脂肪的图像，不能将皮下脂肪和内脏脂肪具体分离，也无法得到两者脂肪的面积比。同时，现有技术中的脂肪分割方法均属于阈值分割，有关阈值的判定规则较为严格，对于不同种类的图像分割效果差别较大，需要不断地大幅度改变阈值，否则将会造成稳定性较低，容错率较差，同时整体的分割准确率并不高。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题，本发明提供一种腹部脂肪成分的分析方法，能够将皮下脂肪和内脏脂肪具体分离，且分割准确率高。
(二)技术方案
本发明提供一种腹部脂肪成分的分析方法，其特征在于，包括以下步骤：
A1、获取待处理的腹部CT图像，进行预处理后，得到预处理后的腹部CT图像；
A2、采用改进的区域生长算法对所述预处理后的腹部CT图像进行皮下脂肪分割，得到皮下脂肪CT图像；
所述改进的区域生长算法中采取八方向自动定位预处理后的腹部CT图像的种子点，并根据种子点与周围四邻域点的相似度对预处理后的腹部CT图像进行皮下脂肪分割，得到皮下脂肪CT图像；
A3、将所述预处理后的腹部CT图像输入预先训练的支持向量机模型，得到输出的内脏脂肪CT预测图像；
A4、将预先通过经典方法获得的全部脂肪图像与皮下脂肪CT图像同时进行取反并相减，后与内脏脂肪CT预测图像取交集，得到内脏脂肪CT图像；
A5、根据皮下脂肪CT图像和内脏脂肪CT图像，得到腹部脂肪的组成成分。
进一步地，所述步骤A2包括：
A21、计算所述预处理后的腹部CT图像中各行各列中非0像素点的个数，通过预先设置的阈值，去除预处理后的腹部CT图像中的杂质部分，得到去除杂质部分的图像；
A22、从去除杂质部分的图像的四个角及各边中点出发，向所述去除杂质部分的图像发射探测线，当探测线检测到像素值为非0的像素点时，沿当前的探测方向继续探测3-5个像素点的距离后停留，探测线停留的位置即为种子点所在的位置；
A23、根据种子点周围四邻域点的相似度进行分割，获得二值图形式的皮下脂肪CT图像。
进一步地，所述步骤A3包括：
A31、将经过步骤A1预处理后的图像切割成4096块大小为8×8像素的小块；
A32、对标记的图像进行区域特征增强处理，后对像素值为非0的每一块进行特征提取，得到特征提取结果；
所述标记的图像为利用预先获取的与所述待处理的腹部CT图像对应的GroundTruth图像，采用人工标记的方法对每一小块进行标记得到的图像，标记的图像中，将皮下脂肪标记为1，内脏脂肪标记为2，其他组织部分标记为0；
A33、将每一小块的特征提取的结果及其标记作为输入数据输入训练好的支持向量机模型，输出内脏脂肪CT预测图像。
进一步地，采用局部直方图均衡化进行区域特征增强处理。
进一步地，所述特征提取包括：基于边缘的方向梯度直方图特征提取和基于纹理的灰度共生矩阵特征提取。
进一步地，所述特征提取还包括尺度不变特征转换特征提取。
进一步地，基于边缘的方向梯度直方图特征提取结果为1×9的一维矩阵，基于纹理的灰度共生矩阵特征提取结果为1×16的一维矩阵。
进一步地，所述支持向量机模型的训练包括如下步骤：
S31、采集100张腹部CT图像作为训练图像数据库，用于支持向量机模型的训练，所述训练图像数据库包括训练集和测试集，其中，训练集50张，测试集50张；
S32、对每张图像进行预处理，并切割成4096块大小为8×8像素的小块；
S33、对标记的图像进行区域特征增强处理，后对像素值为非0的每一块进行特征提取，得到特征提取结果；
所述标记的图像为利用预先获取的与所述待处理的腹部CT图像对应的GroundTruth图像，采用人工标记的方法对每一小块进行标记得到的图像，标记的图像中，将皮下脂肪标记为1，内脏脂肪标记为2，其他组织部分标记为0；
S34、将训练集图像的每一小块的特征提取结果及其标记分别作为输入数据，对支持向量机模型进行训练；
将测试集图像的每一小块的特征提取结果作为输入数据输入训练后的支持向量机模型，进行超参数调整，得到训练好的支持向量机模型。
(三)有益效果
本发明提供的腹部脂肪成分的分析方法，加强了腹部CT图像中脂肪成分分析的精度与智能程度，形成了一套全自动的脂肪分类流程。
其中，利用改进的区域生长方法，设计出八方向自动定位种子点的方式，与传统区域生长算法截然不同，实现了全自动分割皮下脂肪，同时该方法也大量缩短了运算时间，有效地提高了分割的准确度。在样本容量充足的情况下，基于支持向量机模型，提高了内脏脂肪分割的容错性与稳定性。在最终的融合过程中，有效地去除掉了床板以及皮下脂肪的外轮廓对于最终结果的影像，有效地提高了分割的准确率。
附图说明
图1为现有技术中对腹部CT图像进行图像分割示意图；
图2为本发明腹部脂肪成分的分析方法的流程图；
图3为本发明中采用改进的区域生长方法获取皮下脂肪CT图像的示意图；
图4为本发明中最终获得的皮下脂肪和内脏脂肪的CT图像；
图5为实际和采用本发明方法测量的皮下脂肪与内脏脂肪比例图；
图6为实际和采用本发明方法测量的皮下脂肪与内脏脂肪误差率示意图。
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。
本发明提供的腹部脂肪成分的分析方法，如图2所示，包括以下步骤：
A1、获取待处理的腹部CT图像，进行预处理后，得到预处理后的腹部CT图像，调整像素为512×512；
A2、采用改进的区域生长算法对所述预处理后的腹部CT图像进行皮下脂肪分割，得到皮下脂肪CT图像；
所述改进的区域生长算法中采取八方向自动定位预处理后的腹部CT图像的种子点，并根据种子点与周围四邻域点的相似度对预处理后的腹部CT图像进行皮下脂肪分割，得到皮下脂肪CT图像；
A3、将所述预处理后的腹部CT图像输入预先训练的支持向量机模型，得到输出的内脏脂肪CT预测图像；
A4、将预先通过经典方法获得的全部脂肪图像与皮下脂肪CT图像同时进行取反并相减，后与内脏脂肪CT预测图像取交集，得到内脏脂肪CT图像；
A5、根据皮下脂肪CT图像和内脏脂肪CT图像(如图4所示)，得到腹部脂肪的组成成分。
其中，如图3所示，所述步骤A2包括：
A21、计算所述预处理后的腹部CT图像中各行各列中非0像素点的个数，通过预先设置的阈值，去除预处理后的腹部CT图像中的杂质部分，得到去除杂质部分的图像；
A22、从去除杂质部分的图像的四个角及各边中点出发，向所述去除杂质部分的图像发射探测线，当探测线检测到像素值为非0的像素点时，沿当前的探测方向继续探测3-5个像素点的距离后停留，探测线停留的位置即为种子点所在的位置；
A23、根据种子点周围四邻域点的相似度进行分割，获得二值图形式的皮下脂肪CT图像。
所述步骤A3包括：
A31、将经过步骤A1预处理后的图像切割成4096块大小为8×8像素的小块；
A32、对标记的图像进行区域特征增强处理，采用局部直方图均衡化进行特征增强，区域特征增强后，后对像素值为非0的每一块进行特征提取；
特征提取包括：基于边缘的方向梯度直方图特征提取和基于纹理的灰度共生矩阵特征提取，其中，基于边缘的方向梯度直方图特征提取结果为1×9的一维矩阵，基于纹理的灰度共生矩阵特征提取结果为1×16的一维矩阵，即每一个小块的特征提取结果为1×25的一维矩阵；
优选地，基于边缘的方向梯度直方图特征提取可替换为尺度不变特征转换特征提取；
所述标记的图像为利用预先获取的与所述待处理的腹部CT图像对应的GroundTruth图像(标定过的真实图像)，采用人工标记的方法对每一小块进行标记得到的图像，标记的图像中，将皮下脂肪标记为1，内脏脂肪标记为2，其他组织部分标记为0；
其中，Ground Truth图像是通过人工手动标记的方法把待处理的腹部CT图像进行标记，是对待处理的腹部CT图像脂肪的准确分类的图像。
A33、将每一小块的特征提取的结果及其标记作为输入数据输入训练好的支持向量机模型，输出内脏脂肪CT预测图像。
其中，支持向量机模型的训练过程如下：
S31、采集100张腹部CT图像作为训练图像数据库，用于系统训练。所述训练图像数据库包括训练集和测试集，其中，训练集50张，测试集50张，每张图像的大小均为512×512像素；
S32、对每张图像进行预处理，并切割成4096块大小为8×8像素的小块；
S33、对标记的图像进行区域特征增强处理，采用局部直方图均衡化进行特征增强，区域特征增强后，后对像素值为非0的每一块进行特征提取；
特征提取包括：基于边缘的方向梯度直方图特征提取和基于纹理的灰度共生矩阵特征提取，其中，基于边缘的方向梯度直方图特征提取结果为1×9的一维矩阵，基于纹理的灰度共生矩阵特征提取结果为1×16的一维矩阵，即每一个小块的特征提取结果为1×25的一维矩阵；
优选地，基于边缘的方向梯度直方图特征提取可替换为尺度不变特征转换特征提取；
所述标记的图像为利用预先获取的与所述待处理的腹部CT图像对应的GroundTruth图像，采用人工标记的方法对每一小块进行标记得到的图像，标记的图像中，将皮下脂肪标记为1，内脏脂肪标记为2，其他组织部分标记为0；
S34、将训练集图像的每一小块的特征提取的结果及其标记好的标签分别作为输入数据，对支持向量机模型进行训练；
将测试集图像的每一小块的特征提取的结果作为输入数据输入训练后的支持向量机模型，进行超参数调整，得到训练好的支持向量机模型。
利用本发明提供的方法，对腹部CT图像数据库中的50张图像进行测试，如图5、6所示，分别为实际和采用本发明方法测量的皮下脂肪与内脏脂肪比例图及误差率示意图。由图可知，本发明提供的方法获得了平均为5.75％的误差率，具有良好的使用性能。
以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (8)

1.一种腹部脂肪成分的分析方法，其特征在于，包括以下步骤：
A1、获取待处理的腹部CT图像，进行预处理后，得到预处理后的腹部CT图像；
A2、采用改进的区域生长算法对所述预处理后的腹部CT图像进行皮下脂肪分割，得到皮下脂肪CT图像；
所述改进的区域生长算法中采取八方向自动定位预处理后的腹部CT图像的种子点，并根据种子点与周围四邻域点的相似度对预处理后的腹部CT图像进行皮下脂肪分割，得到皮下脂肪CT图像；
A3、将所述预处理后的腹部CT图像输入预先训练的支持向量机模型，得到输出的内脏脂肪CT预测图像；
A4、将预先通过经典方法获得的全部脂肪图像与皮下脂肪CT图像同时进行取反并相减，后与内脏脂肪CT预测图像取交集，得到内脏脂肪CT图像；
A5、根据皮下脂肪CT图像和内脏脂肪CT图像，得到腹部脂肪的组成成分。
2.根据权利要求1所述的腹部脂肪成分的分析方法，其特征在于，所述步骤A2包括：
A21、计算所述预处理后的腹部CT图像中各行各列中非0像素点的个数，通过预先设置的阈值，去除预处理后的腹部CT图像中的杂质部分，得到去除杂质部分的图像；
A22、从去除杂质部分的图像的四个角及各边中点出发，向所述去除杂质部分的图像发射探测线，当探测线检测到像素值为非0的像素点时，沿当前的探测方向继续探测3-5个像素点的距离后停留，探测线停留的位置即为种子点所在的位置；
A23、根据种子点周围四邻域点的相似度进行分割，获得二值图形式的皮下脂肪CT图像。
3.根据权利要求2所述的腹部脂肪成分的分析方法，其特征在于，所述步骤A3包括：
A31、将经过步骤A1预处理后的图像切割成4096块大小为8×8像素的小块；
A32、对标记的图像进行区域特征增强处理，后对像素值为非0的每一块进行特征提取，得到特征提取结果；
所述标记的图像为利用预先获取的与所述待处理的腹部CT图像对应的Ground Truth图像，采用人工标记的方法对每一小块进行标记得到的图像，标记的图像中，将皮下脂肪标记为1，内脏脂肪标记为2，其他组织部分标记为0；
A33、将每一小块的特征提取的结果及其标记作为输入数据输入训练好的支持向量机模型，输出内脏脂肪CT预测图像。
4.根据权利要求3所述的腹部脂肪成分的分析方法，其特征在于，采用局部直方图均衡化进行区域特征增强处理。
5.根据权利要求4所述的腹部脂肪成分的分析方法，其特征在于，所述特征提取包括：基于边缘的方向梯度直方图特征提取和基于纹理的灰度共生矩阵特征提取。
6.根据权利要求5所述的腹部脂肪成分的分析方法，其特征在于，所述特征提取还包括尺度不变特征转换特征提取。
7.根据权利要求6所述的腹部脂肪成分的分析方法，其特征在于，基于边缘的方向梯度直方图特征提取结果为1×9的一维矩阵，基于纹理的灰度共生矩阵特征提取结果为1×16的一维矩阵。
8.根据权利要求1所述的腹部脂肪成分的分析方法，其特征在于，所述支持向量机模型的训练包括如下步骤：
S31、采集100张腹部CT图像作为训练图像数据库，用于支持向量机模型的训练，所述训练图像数据库包括训练集和测试集，其中，训练集50张，测试集50张；
S32、对每张图像进行预处理，并切割成4096块大小为8×8像素的小块；
S33、对标记的图像进行区域特征增强处理，后对像素值为非0的每一块进行特征提取，得到特征提取结果；
所述标记的图像为利用预先获取的与所述待处理的腹部CT图像对应的Ground Truth图像，采用人工标记的方法对每一小块进行标记得到的图像，标记的图像中，将皮下脂肪标记为1，内脏脂肪标记为2，其他组织部分标记为0；
S34、将训练集图像的每一小块的特征提取结果及其标记分别作为输入数据，对支持向量机模型进行训练；
将测试集图像的每一小块的特征提取结果作为输入数据输入训练后的支持向量机模型，进行超参数调整，得到训练好的支持向量机模型。
CN201910723223.3A 2019-08-06 2019-08-06 一种腹部脂肪成分的分析方法 Active CN110415246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910723223.3A CN110415246B (zh) 2019-08-06 2019-08-06 一种腹部脂肪成分的分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910723223.3A CN110415246B (zh) 2019-08-06 2019-08-06 一种腹部脂肪成分的分析方法

Publications (2)

Publication Number Publication Date
CN110415246A true CN110415246A (zh) 2019-11-05
CN110415246B CN110415246B (zh) 2023-05-16

Family

ID=68366192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910723223.3A Active CN110415246B (zh) 2019-08-06 2019-08-06 一种腹部脂肪成分的分析方法

Country Status (1)

Country Link
CN (1) CN110415246B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862070A (zh) * 2020-07-29 2020-10-30 南通大学 一种基于ct图像测量皮下脂肪厚度的方法
CN112168211A (zh) * 2020-03-26 2021-01-05 成都思多科医疗科技有限公司 一种腹部超声图像的脂肪厚度和肌肉厚度测量方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070081712A1 (en) * 2005-10-06 2007-04-12 Xiaolei Huang System and method for whole body landmark detection, segmentation and change quantification in digital images
CN102622750A (zh) * 2012-02-24 2012-08-01 西安电子科技大学 基于交互式区域生长的胃部ct序列图像分割方法
JPWO2013008449A1 (ja) * 2011-07-08 2015-02-23 平野　雅嗣 脂肪検査方法、脂肪検査装置および脂肪検査プログラム
KR20160004890A (ko) * 2014-07-03 2016-01-13 이화여자대학교 산학협력단 흉부 전산화 단층촬영을 통한 피하지방 측정방법
CN105427273A (zh) * 2014-09-19 2016-03-23 香港中文大学深圳研究院 一种基于核磁共振影像的腹部脂肪分割方法和装置
CN105654107A (zh) * 2015-09-21 2016-06-08 长春迪瑞医疗科技股份有限公司 一种基于svm的有形成分分类方法
US20160217564A1 (en) * 2015-01-27 2016-07-28 Mckesson Corporation Pacs viewer and a method for identifying patient orientation
CN106846264A (zh) * 2016-12-29 2017-06-13 广西南宁灵康赛诺科生物科技有限公司 一种适于灵长类实验动物腹部皮下脂肪的定量分析方法
CN106886791A (zh) * 2016-12-28 2017-06-23 四川木牛流马智能科技有限公司 一种基于条件随机场的二维ct图片中脂肪位置识别方法
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
CN109299679A (zh) * 2018-09-11 2019-02-01 东北大学 基于狭长型条件随机场的宫颈癌组织病理图像诊断方法
CN109509199A (zh) * 2018-10-10 2019-03-22 华南理工大学 一种基于三维重建的医学影像组织智能分割方法
EP3501399A1 (en) * 2017-12-21 2019-06-26 Cetir Centre Medic, S.A. Method of quantification of visceral fat mass

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070081712A1 (en) * 2005-10-06 2007-04-12 Xiaolei Huang System and method for whole body landmark detection, segmentation and change quantification in digital images
JPWO2013008449A1 (ja) * 2011-07-08 2015-02-23 平野　雅嗣 脂肪検査方法、脂肪検査装置および脂肪検査プログラム
CN102622750A (zh) * 2012-02-24 2012-08-01 西安电子科技大学 基于交互式区域生长的胃部ct序列图像分割方法
KR20160004890A (ko) * 2014-07-03 2016-01-13 이화여자대학교 산학협력단 흉부 전산화 단층촬영을 통한 피하지방 측정방법
CN105427273A (zh) * 2014-09-19 2016-03-23 香港中文大学深圳研究院 一种基于核磁共振影像的腹部脂肪分割方法和装置
US20160217564A1 (en) * 2015-01-27 2016-07-28 Mckesson Corporation Pacs viewer and a method for identifying patient orientation
CN105654107A (zh) * 2015-09-21 2016-06-08 长春迪瑞医疗科技股份有限公司 一种基于svm的有形成分分类方法
CN106886791A (zh) * 2016-12-28 2017-06-23 四川木牛流马智能科技有限公司 一种基于条件随机场的二维ct图片中脂肪位置识别方法
CN106846264A (zh) * 2016-12-29 2017-06-13 广西南宁灵康赛诺科生物科技有限公司 一种适于灵长类实验动物腹部皮下脂肪的定量分析方法
EP3501399A1 (en) * 2017-12-21 2019-06-26 Cetir Centre Medic, S.A. Method of quantification of visceral fat mass
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
CN109299679A (zh) * 2018-09-11 2019-02-01 东北大学 基于狭长型条件随机场的宫颈癌组织病理图像诊断方法
CN109509199A (zh) * 2018-10-10 2019-03-22 华南理工大学 一种基于三维重建的医学影像组织智能分割方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JINGJING SUN,ET AL.: "Automated quantification of abdominal adiposity by magnetic resonance imaging", 《AMERICAN JOURNAL OF HUMAN BIOLOGY》 *
YUNZHI WANG,ET AL.: "Applying a computer-aided scheme to detect a new radiographic image marker for prediction of chemotherapy outcome", 《BMC MEDICAL IMAGING》 *
YUNZHI WANG: "DEVELOPING MEDICAL IMAGE SEGMENTATION AND COMPUTER-AIDED DIAGNOSIS SYSTEMS USING DEEP NEURAL NETWORKS", 《SHAREOK，HTTPS://SHAREOK.ORG/HANDLE/11244/316299》 *
刘明仁: "病灶区域定位在医学图像处理中的应用研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *
郭庆燕，等: "一种提取MRI图像感兴趣区域的分割方法", 《福州大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112168211A (zh) * 2020-03-26 2021-01-05 成都思多科医疗科技有限公司 一种腹部超声图像的脂肪厚度和肌肉厚度测量方法及系统
CN111862070A (zh) * 2020-07-29 2020-10-30 南通大学 一种基于ct图像测量皮下脂肪厚度的方法

Also Published As

Publication number Publication date
CN110415246B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
US10614573B2 (en) Method for automatically recognizing liver tumor types in ultrasound images
Song et al. A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei
CN105741310B (zh) 一种心脏左心室图像分割系统及方法
WO2022001571A1 (zh) 一种基于超像素图像相似度的计算方法
CN111047594A (zh) 肿瘤mri弱监督学习分析建模方法及其模型
CN105719278B (zh) 一种基于统计形变模型的医学图像分割方法
CN103440665A (zh) 膝关节软骨图像自动分割方法
CN103249358B (zh) 医用图像处理装置
CN110503649A (zh) 一种基于空间多尺度U-net与超像素修正的肝脏分割方法
CN110533664B (zh) 一种基于大样本数据驱动的颅神经自动分割方法
Patil et al. A review paper on brain tumor segmentation and detection
CN110120042A (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
CN102831614B (zh) 基于交互式字典迁移的序列医学图像快速分割方法
CN102663416A (zh) 手术规划系统中内脏及其内部血管的分割方法
Mahapatra et al. Active learning based segmentation of Crohn's disease using principles of visual saliency
CN109035227A (zh) 对ct图像进行肺部肿瘤检测与诊断的系统
CN111583385B (zh) 一种可变形数字人解剖学模型的个性化变形方法及系统
CN108961278B (zh) 基于影像数据的腹壁肌肉分割的方法及其系统
CN110415246A (zh) 一种腹部脂肪成分的分析方法
CN113706492B (zh) 一种基于胸部ct影像的肺实质自动分割方法
CN112419452A (zh) 一种胃癌pd-l1数字病理切片图像快速合并系统及方法
CN106960199A (zh) 一种真彩色眼象图白睛区域的完整提取方法
CN106780492B (zh) 一种ct骨盆图像的关键帧提取方法
CN108154176A (zh) 一种针对单一深度图像的3d人体姿态估计算法
Purnama et al. Follicle detection on the usg images to support determination of polycystic ovary syndrome

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