CN110428437A - 基于边缘敏感的slic和二次密度聚类的ggo分割方法 - Google Patents

基于边缘敏感的slic和二次密度聚类的ggo分割方法 Download PDF

Info

Publication number
CN110428437A
CN110428437A CN201910749825.6A CN201910749825A CN110428437A CN 110428437 A CN110428437 A CN 110428437A CN 201910749825 A CN201910749825 A CN 201910749825A CN 110428437 A CN110428437 A CN 110428437A
Authority
CN
China
Prior art keywords
super
pixel
ggo
neighborhood
cluster
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
CN201910749825.6A
Other languages
English (en)
Other versions
CN110428437B (zh
Inventor
陈晓楠
王凯欣
孙传恕
毕京平
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201910749825.6A priority Critical patent/CN110428437B/zh
Publication of CN110428437A publication Critical patent/CN110428437A/zh
Application granted granted Critical
Publication of CN110428437B publication Critical patent/CN110428437B/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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，包括以下步骤：设置参数k选择所述肺部图像的中心点作为初始聚类中心点对所述肺部图像进行边缘检测并通过log边缘检测算子判断每个所述超像素块内是否含有图像边缘；判断所述图像边缘是否与所述超像素块边缘闭合；删除原始的聚类中心，并将所述图像的区域质心作为新的初始聚类中心；超像素聚类并根据特征定位GGO；重新计算所述邻域矩阵，获取完整的GGO。本发明提出了基于边缘敏感的SLIC和二次密度聚类相结合的算法对GGO进行分割。本发明能够更好的贴和图像边界且具有较高的准确率和有效性，具有较高的使用价值。

Description

基于边缘敏感的SLIC和二次密度聚类的GGO分割方法
技术领域
本发明涉及分割方法技术领域，具体而言，尤其涉及基于边缘敏感的SLIC和二次密度聚类的GGO分割方法。
背景技术
2019年1月，国家癌症中心发表了最新的全国癌症统计数据，数据结果显示2015年全国的恶性肿瘤新发病例数达392.9万例，其中肺癌发病率占全国首位，发病病例高达78.7万。肺癌已严重威胁到人们的生命健康。目前，CT(Computer Tomography)是早期肺癌检测中最为有效的医学影像检查手段之一。随着科技水平的不断进步，医学影像切片的厚度越来越小，使得最终获得的切片数据量越来越大，导致放射科医生每天要阅读数以千计的CT图像，高的阅读量与诊断结果的准确率就产生了矛盾。为了尽量减少在前期由于主观因素而造成的漏诊、误诊现象，出现了计算机辅助诊断(computer aided diagnosis，CAD)系统，CAD系统可以综合分析肺部医学图像，给医师提供“第二意见”。
肺癌在早期时一般表现为肺结。近年来，已有大量针对于实质性结节分割算法的研究，而对磨玻璃型肺结节(Ground Glass Opacity,GGO)结节的研究却很少，且研究发现GGO的癌变率远远高于其他实质型结节。因此，分割GGO结节对于肺癌的筛选和诊断具有更高的应用价值。
2003年，在Ren等人首次提出超像素的概念，在近几年逐渐兴起，并成为目标识别、智能解释、目标跟踪、图像分割、人工智能等领域的研究热点。Achanta等人通过对目前超像素算法的比较分析提出一种简单有效的超像素分割方法——简单的线性迭代聚类(SimpleLinear Iterative Clustering，SLIC)。该算法在区域紧密度、规则度以及算法的复杂度和准确率上都优于其他超像素方法，但在边缘贴和性上表现欠佳。DBSCAN是一种基于密度的空间聚类算法，该算法将达到一定密度阈值的块划分成多个区域，并在含有较多噪声或干扰的数据中找到相近的块并将其聚为一类。综上，且可能由于GGO密度分布不均匀，导致一次密度聚类不能将其完整的分为一类。
发明内容
根据上述提出的技术问题，而提供一种基于边缘敏感的SLIC和二次密度聚类的GGO分割方法。本发明主要利用基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，包括以下步骤：
步骤S1：初始状态下，设置参数k，k表示将肺部图像分为大小相等、分布均匀的超像素，并选择所述肺部图像的中心点作为初始聚类中心点，选择初始超像素块与GGO的大小最为相似的k＝1000；
步骤S2：对所述肺部图像进行边缘检测，并通过log边缘检测算子判断每个所述超像素块内是否含有图像边缘；
步骤S3：对含有图像边缘的超像素块，判断所述图像边缘是否与所述超像素块边缘闭合，若不闭合则延长至距离最近的超像素块边缘使之闭合；若闭合则进入下一步；
步骤S4：对含有图像边缘的所述超像素块，删除原始的聚类中心，并将所述图像的区域质心作为新的初始聚类中心；对不含有图像边缘的超像素块，保留其原始聚类中心不变；
步骤S5：在每个中心的2S×2S邻域内对属于该区域的像素进行搜索，计算距离D，将所有的像素点归为邻近的区域中心；
步骤S6：更新聚类中心为区域均值，并计算新旧聚类中心的剩余误差；
步骤S7：重复步骤S5、S6，当剩余误差小于等于阈值T时，超像素分割结束，得到超像素分割结果，删除掉此时面积小于初始超像素1/8的孤立区域，认为此时为血管干扰，并将其合并到相邻超像素中；当所述剩余误差大于阈值T时，返回S5；
步骤S8：步骤S7获取所述超像素后，生成邻域矩阵，根据所述邻域矩阵计算超像素与其邻域超像素之间的距离d，并根据阈值进行聚类，得到超像素分类结果，d的计算公式如下：
d(i,j)＝(lmj-lmi)2+(amj-ami)2+(bmj-bmi)2 (1)
其中，i，j均表示超像素，lm，am，bm分别表示超像素三个颜色特征分量的均值；
步骤S9：根据所述超像素分类结果，结合GGO类圆度和均匀度的特征，得到三类作为候选GGO，然后根据GGO的密度小于血管的特性，得到准确的GGO定位；
步骤S10：重新计算所述邻域矩阵，根据定位到的所述GGO，计算所述邻域矩阵与除所述邻域矩阵之外的邻域类之间的距离D′，根据自适应阈值的方法，判断其邻域类是否满足合并的条件，当满足合并条件时，则合并为GGO的一部分；当不满足所述合并条件时，则舍去，获取完整的GGO。
进一步地，所述步骤S1在初始状态下，设置参数k,其中k表示将所述肺部图像的分割数量，并选择其中心作为初始的聚类中心点Ci＝[liaibixiyi]。
更进一步地，每个网格之间的距离定义为S，其中N表示所述肺部图像中的像素数量，每个所述肺部图像的初始超像素块的大小均为S×S，则聚类中心的局部搜索距离为2S×2S；所述聚类中心搜索区域中每个像素到聚类中心的距离矩阵D：
dc＝(lj-li)2+(aj-ai)2+(bj-bi)2 (2)
ds＝(xj-xi)2+(yj-yi)2 (3)
其中，dc和ds分别表示像素的颜色距离和空间距离，i表示聚类中心，j表示聚类中心搜索范围内的像素，m表示空间距离与颜色距离的权重系数。
进一步地，第一次密度聚类计算距离时只计算颜色距离，计算公式如下：
d(i,j)＝(lmj-lmi)2+(amj-ami)2+(bmj-bmi)2 (5)
其中，i，j均表示超像素，lm，am，bm分别表示超像素三个颜色特征分量的均值；
所述类圆度m的度量标准为：
其中，a表示指目标的面积，p表示指目标的周长，当m趋近于1时，目标越接近于圆形。
更进一步地，所述候选GGO的确定规则为：
其中，b表示每个超像素的标准差，k表示所有超像素中标准差的最小值。
进一步地，采用五维特征向量来衡量定位得到的初始簇与其邻域簇之间的距离D′:
d′lab(i,j)＝(lmj-lmi)2+(amj-ami)2+(bmj-bmi)2 (8)
d′xy(i,j)＝(xmj-xmi)2+(ymj-ymi)2 (9)
D′＝d′lab(i,j)+0.5×d′xy(i,j) (10)
其中，i表示第一次聚类之后的起始簇，j表示其邻域簇，lm，am，bm，xm，ym为每一簇三个颜色特征分量和两个位置分量的均值。
较现有技术相比，本发明具有以下优点：
本发明提出了一种基于边缘敏感的SLIC和二次密度聚类相结合的算法对GGO进行分割。在对GGO进行分割之前，应用自动的区域生长和模糊c均值聚类的算法对肺实质分割去掉无关组织，减少了对GGO分割产生的影响；针对传统的SLIC产生的超像素边界黏附性较差的问题，提出基于边缘敏感的SLIC，能够很好的贴合边界，为后续的聚类奠定基础；随后，利用DBSCAN定位到GGO所在的簇，由于GGO可能会存在密度分布不均匀或边缘对比度过低等原因，导致在密度聚类后只得到部分GGO，为提高分割的完整性，提出二次密度聚类，只对GGO所在的簇进行聚类，得到完整的GGO。本发明能够更好的贴和图像边界且具有较高的准确率和有效性，具有较高的使用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明整体流程示意图。
图2为本发明肺实质分割过程示意图；其中，(a)原始图像(b)聚类后图像(c)肺实质轮廓图(d)边界修补后图像。
图3为本发明跨边界超像素示意图。
图4为本发明聚类中心选择示意图。
图5为本发明GGO所在簇与其他簇之间的距离排序后的折线图；其中，(a)表示为密度分布不均匀或靠近边缘区与背景对比度较低的GGO的距离排序后的折线图；(b)表示密度分布均匀的GGO的距离排序后的折线图。
图6为本发明LIC和边缘敏感SLIC分割结果对比图；其中，(a)表示传统的SLIC分割后产生的跨边界超像素，(b)表示本文提出的基于边缘敏感的SLIC分割后产生的超像素。
图7为本发明GGO分割结果与对比示意图；其中，(a)为原始肺部图像，(b)为经过超像素分割后的图像，(c)为含有GGO的超像素局部放大，(d)为密度聚类结果，(f)为二次密度聚类后得到的结果，(g)为专家手动分割结果。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-图7所示为本发明基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，包括以下步骤：
步骤S1：初始状态下，设置参数k，k表示将肺部图像分为大小相等、分布均匀的超像素，并选择所述肺部图像的中心点作为初始聚类中心点，选择初始超像素块与GGO的大小最为相似的k＝1000；
步骤S2：对所述肺部图像进行边缘检测，并通过log边缘检测算子判断每个所述超像素块内是否含有图像边缘；
步骤S3：对含有图像边缘的超像素块，判断所述图像边缘是否与所述超像素块边缘闭合，若不闭合则延长至距离最近的超像素块边缘使之闭合；若闭合则进入下一步；
步骤S4：对含有图像边缘的所述超像素块，删除原始的聚类中心，并将所述图像的区域质心作为新的初始聚类中心；对不含有图像边缘的超像素块，保留其原始聚类中心不变；
步骤S5：在每个中心的2S×2S邻域内对属于该区域的像素进行搜索，计算距离D，将所有的像素点归为邻近的区域中心；
步骤S6：更新聚类中心为区域均值，并计算新旧聚类中心的剩余误差；
步骤S7：重复步骤S5、S6，当剩余误差小于等于阈值T时，超像素分割结束，得到超像素分割结果，删除掉此时面积小于初始超像素1/8的孤立区域，认为此时为血管干扰，并将其合并到相邻超像素中；当所述剩余误差大于阈值T时，返回步骤S5；
步骤S8：步骤S7获取所述超像素后，生成邻域矩阵，根据所述邻域矩阵计算超像素与其邻域超像素之间的距离d，并根据阈值进行聚类，得到超像素分类结果，d的计算公式如下：
d(i,j)＝(lmj-lmi)2+(amj-ami)2+(bmj-bmi)2 (1)
其中，i，j均表示超像素，lm，am，bm分别表示超像素三个颜色特征分量的均值；
步骤S9：根据所述超像素分类结果，结合GGO类圆度和均匀度的特征，得到三类作为候选GGO，然后根据GGO的密度小于血管的特性，得到准确的GGO定位；
步骤S10：重新计算所述邻域矩阵，根据定位到的所述GGO，计算所述邻域矩阵与除所述邻域矩阵之外的邻域类之间的距离D′，根据自适应阈值的方法，判断其邻域类是否满足合并的条件，当满足合并条件时，则合并为GGO的一部分；当不满足所述合并条件时，则舍去，获取完整的GGO。
作为本申请一种优选的实施方式，在本发明中，所述步骤S1在初始状态下，设置参数k,其中k表示将所述肺部图像的分割数量，并选择其中心作为初始的聚类中心点Ci＝[liaibixiyi]。
每个网格之间的距离定义为S，其中N表示所述肺部图像中的像素数量，每个所述肺部图像的初始超像素块的大小均为S×S，则聚类中心的局部搜索距离为2S×2S；所述聚类中心搜索区域中每个像素到聚类中心的距离矩阵D：
dc＝(lj-li)2+(aj-ai)2+(bj-bi)2 (2)
ds＝(xj-xi)2+(yj-yi)2 (3)
其中，dc和ds分别表示像素的颜色距离和空间距离，i表示聚类中心，j表示聚类中心搜索范围内的像素，m表示空间距离与颜色距离的权重系数。
在本发明中，作为优选的第一次密度聚类计算距离时只计算颜色距离，计算公式如下：
d(i,j)＝(lmj-lmi)2+(amj-ami)2+(bmj-bmi)2 (5)
其中，i，j均表示超像素，lm，am，bm分别表示超像素三个颜色特征分量的均值；
所述类圆度m的度量标准为：
其中，a表示指目标的面积，p表示指目标的周长，当m趋近于1时，目标越接近于圆形。
在本实施方式中，所述候选GGO的确定规则为：
其中，b表示每个超像素的标准差，k表示所有超像素中标准差的最小值。
作为优选的实施方式，采用五维特征向量来衡量定位得到的初始簇与其邻域簇之间的距离D′：
d′lab(i,j)＝(lmj-lmi)2+(amj-ami)2+(bmj-bmi)2 (8)
d′xy(i,j)＝(xmj-xmi)2+(ymj-ymi)2 (9)
D′＝d′lab(i,j)+0.5×d′xy(i,j) (10)
其中，i表示第一次聚类之后的起始簇，j表示其邻域簇，lm，am，bm，xm，ym为每一簇三个颜色特征分量和两个位置分量的均值。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，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，可以参见其他实施例的相关描述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，其特征在于，包括以下步骤：
S1：初始状态下，设置参数k，k表示将肺部图像分为大小相等、分布均匀的超像素，并选择所述肺部图像的中心点作为初始聚类中心点，选择初始超像素块与GGO的大小最为相似的k＝1000；
S2：对所述肺部图像进行边缘检测，并通过log边缘检测算子判断每个所述超像素块内是否含有图像边缘；
S3：对含有图像边缘的超像素块，判断所述图像边缘是否与所述超像素块边缘闭合，若不闭合则延长至距离最近的超像素块边缘使之闭合；若闭合则进入下一步；
S4：对含有图像边缘的所述超像素块，删除原始的聚类中心，并将所述图像的区域质心作为新的初始聚类中心；对不含有图像边缘的超像素块，保留其原始聚类中心不变；
S5：在每个中心的2S×2S邻域内对属于该区域的像素进行搜索，计算距离D，将所有的像素点归为邻近的区域中心；
S6：更新聚类中心为区域均值，并计算新旧聚类中心的剩余误差；
S7：重复步骤S5、S6，当剩余误差小于等于阈值T时，超像素分割结束，得到超像素分割结果，删除掉此时面积小于初始超像素1/8的孤立区域，认为此时为血管干扰，并将其合并到相邻超像素中；当所述剩余误差大于阈值T时，返回步骤S5；
S8：步骤S7获取所述超像素后，生成邻域矩阵，根据所述邻域矩阵计算超像素与其邻域超像素之间的距离d，并根据阈值进行聚类，得到超像素分类结果，d的计算公式如下：
d(i,j)＝(lmj-lmi)2+(amj-ami)2+(bmj-bmi)2 (1)
其中，i，j均表示超像素，lm，am，bm分别表示超像素三个颜色特征分量的均值；
S9：根据所述超像素分类结果，结合GGO类圆度和均匀度的特征，得到三类作为候选GGO，然后根据GGO的密度小于血管的特性，得到准确的GGO定位；
S10：重新计算所述邻域矩阵，根据定位到的所述GGO，计算所述邻域矩阵与除所述邻域矩阵之外的邻域类之间的距离D′，根据自适应阈值的方法，判断其邻域类是否满足合并的条件，当满足合并条件时，则合并为GGO的一部分；当不满足所述合并条件时，则舍去，获取完整的GGO。
2.根据权利要求1所述的基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，其特征还在于：
所述步骤S1在初始状态下，设置参数k,其中k表示将所述肺部图像的分割数量，并选择其中心作为初始的聚类中心点Ci＝[liaibixiyi]；
每个网格之间的距离定义为S，其中N表示所述肺部图像中的像素数量，每个所述肺部图像的初始超像素块的大小均为S×S，则聚类中心的局部搜索距离为2S×2S；所述聚类中心搜索区域中每个像素到聚类中心的距离矩阵D：
dc＝(lj-li)2+(aj-ai)2+(bj-bi)2 (2)
ds＝(xj-xi)2+(yj-yi)2 (3)
其中，dc和ds分别表示像素的颜色距离和空间距离，i表示聚类中心，j表示聚类中心搜索范围内的像素，m表示空间距离与颜色距离的权重系数。
3.根据权利要求1所述的基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，其特征还在于：
第一次密度聚类计算距离时只计算颜色距离，计算公式如下：
d(i,j)＝(lmj-lmi)2+(amj-ami)2+(bmj-bmi)2 (5)
其中，i，j均表示超像素，lm，am，bm分别表示超像素三个颜色特征分量的均值；
所述类圆度m的度量标准为：
其中，a表示指目标的面积，p表示指目标的周长，当m趋近于1时，目标越接近于圆形。
4.根据权利要求1所述的基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，其特征还在于：所述候选GGO的确定规则为：
其中，b表示每个超像素的标准差，k表示所有超像素中标准差的最小值。
5.根据权利要求1所述的基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，其特征还在于：采用五维特征向量来衡量定位得到的初始簇与其邻域簇之间的距离D′:
d′lab(i,j)＝(lmj-lmi)2+(amj-ami)2+(bmj-bmi)2 (8)
d′xy(i,j)＝(xmj-xmi)2+(ymj-ymi)2 (9)
D′＝d′lab(i,j)+0.5×d′xy(i,j) (10)
其中，i表示第一次聚类之后的起始簇，j表示其邻域簇，lm，am，bm，xm，ym为每一簇三个颜色特征分量和两个位置分量的均值。
CN201910749825.6A 2019-08-14 2019-08-14 基于边缘敏感的slic和二次密度聚类的ggo分割方法 Active CN110428437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910749825.6A CN110428437B (zh) 2019-08-14 2019-08-14 基于边缘敏感的slic和二次密度聚类的ggo分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910749825.6A CN110428437B (zh) 2019-08-14 2019-08-14 基于边缘敏感的slic和二次密度聚类的ggo分割方法

Publications (2)

Publication Number Publication Date
CN110428437A true CN110428437A (zh) 2019-11-08
CN110428437B CN110428437B (zh) 2022-11-29

Family

ID=68416271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910749825.6A Active CN110428437B (zh) 2019-08-14 2019-08-14 基于边缘敏感的slic和二次密度聚类的ggo分割方法

Country Status (1)

Country Link
CN (1) CN110428437B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967192A (zh) * 2021-02-22 2021-06-15 艾瑞迈迪医疗科技（北京）有限公司 基于2d/3d血管融合的深度感知增强方法及装置
CN116681701A (zh) * 2023-08-02 2023-09-01 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 一种儿童肺部超声图像处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050171409A1 (en) * 2004-01-30 2005-08-04 University Of Chicago Automated method and system for the detection of lung nodules in low-dose CT image for lung-cancer screening
US20150234863A1 (en) * 2014-02-18 2015-08-20 Environmental Systems Research Institute (ESRI) Automated feature extraction from imagery
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
CN109064470A (zh) * 2018-08-28 2018-12-21 河南工业大学 一种基于自适应模糊聚类的图像分割方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050171409A1 (en) * 2004-01-30 2005-08-04 University Of Chicago Automated method and system for the detection of lung nodules in low-dose CT image for lung-cancer screening
US20150234863A1 (en) * 2014-02-18 2015-08-20 Environmental Systems Research Institute (ESRI) Automated feature extraction from imagery
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
CN109064470A (zh) * 2018-08-28 2018-12-21 河南工业大学 一种基于自适应模糊聚类的图像分割方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张小凤等: "基于图像超像素分析的图像分割方法", 《计算机技术与发展》 *
楚陪陪等: "基于复合超像素技术的肺部CT图像分割算法", 《合肥工业大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967192A (zh) * 2021-02-22 2021-06-15 艾瑞迈迪医疗科技（北京）有限公司 基于2d/3d血管融合的深度感知增强方法及装置
CN116681701A (zh) * 2023-08-02 2023-09-01 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 一种儿童肺部超声图像处理方法
CN116681701B (zh) * 2023-08-02 2023-11-03 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 一种儿童肺部超声图像处理方法

Also Published As

Publication number Publication date
CN110428437B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN106780460B (zh) 一种用于胸部ct影像的肺结节自动检测系统
CN109583440B (zh) 结合影像识别与报告编辑的医学影像辅助诊断方法及系统
US9741112B2 (en) Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images
US8712142B2 (en) Method and apparatus for analysis of histopathology images and its application to cancer diagnosis and grading
US9159129B2 (en) Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images
Kumar et al. Automatic segmentation of liver and tumor for CAD of liver
Badura et al. Soft computing approach to 3D lung nodule segmentation in CT
US8111896B2 (en) Method and system for automatic recognition of preneoplastic anomalies in anatomic structures based on an improved region-growing segmentation, and commputer program therefor
CN106780522B (zh) 一种基于深度学习的骨髓液细胞分割方法
JP5279245B2 (ja) クラスタ変更グラフ・カットを使用する検出の方法および装置
CN109064470B (zh) 一种基于自适应模糊聚类的图像分割方法及装置
JP2005535892A (ja) 組織学的アセスメント
CN109785310B (zh) 一种基于乳腺淋巴结全景图像计算的自动分期系统
JPH11312234A (ja) 多次元画像のセグメンテ―ション処理を含む画像処理方法及び医用映像装置
CN109919254B (zh) 乳腺密度分类方法、系统、可读存储介质和计算机设备
KR101586276B1 (ko) 사전 통계 정보를 이용한 유방 밀도 자동 측정 및 표시 방법과 이를 이용한 유방 밀도 자동 측정 시스템 및 컴퓨터 프로그램 저장 매체
CN110428437A (zh) 基于边缘敏感的slic和二次密度聚类的ggo分割方法
CN115294125A (zh) 基于图形识别的肿瘤ct图像处理方法
US20080144945A1 (en) Clusterization of Detected Micro-Calcifications in Digital Mammography Images
Touil et al. A new conditional region growing approach for microcalcification delineation in mammograms
US20210166387A1 (en) System for analysis of microscopic data using graphs
CN113924046A (zh) 用于将器官肿块分类为囊肿的基于计算机的方法
Zhu et al. A novel lung cancer detection algorithm for CADs based on SSP and Level Set
CN112819042B (zh) 一种食管鳞状上皮异型增生图像的处理方法、系统及介质
CN114155399A (zh) 基于多特征融合递进式判别的乳腺病理全切片分类方法

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