CN110610491B - 一种腹部ct图像的肝脏肿瘤区域分割方法 - Google Patents
一种腹部ct图像的肝脏肿瘤区域分割方法 Download PDFInfo
- Publication number
- CN110610491B CN110610491B CN201910874442.1A CN201910874442A CN110610491B CN 110610491 B CN110610491 B CN 110610491B CN 201910874442 A CN201910874442 A CN 201910874442A CN 110610491 B CN110610491 B CN 110610491B
- Authority
- CN
- China
- Prior art keywords
- region
- segmentation
- pixels
- pixel
- image
- 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.)
- Active
Links
Images
Classifications
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (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 Processing (AREA)
Abstract
本发明公开了一种腹部CT图像的肝脏肿瘤区域分割方法,包括:首先根据人工选取的种子点,运用基于局部信息的区域生长法获取肝脏肿瘤区域初始分割结果及感兴趣区域,然后利用初步分割结果自动标记肿瘤感兴趣区域中目标和背景种子区域,并运用图割算法进一步精确分割其中的肿瘤区域。本发明方法可有效分割对比度低、边界模糊的肝脏肿瘤区域,人工交互要求低,仅需人工指定单个种子点,且不需要预先对肝脏区域进行分割,有效降低了分割复杂度,提高了分割效率。
Description
技术领域
本发明属于图像处理、模式识别领域,特别涉及一种腹部CT图像的肝脏肿瘤区域分割方法。
技术背景
肝癌是世界范围内最常见的肿瘤疾病之一,且其发病率呈逐年增长趋势。肝癌的早期诊断和治疗对于提高患者生存率起着至关重要的作用。计算机断层扫描(ComputedTomography,CT)由于对人体创伤小,其图像分辨率高,且能够形象、准确地反映病人肝脏及病变区域而被广泛应用于肝癌的临床诊断。对CT图像中的肝脏肿瘤区域进行准确分割是肝脏疾病计算机辅助诊断和手术方案制定的重要前提。由于CT成像使用的图像切片数量较大,人工手动分割CT图像中的肿瘤区域不仅耗时耗力,且主观性强,分割结果严重依赖于医生的经验和技巧。因此,提供一种腹部CT图像肝脏肿瘤区域的自动或半自动分割方法对提高计算机辅助诊断的精度与效率具有重要意义。
目前,许多文献提出了不同的方法用于腹部CT图像的肝脏肿瘤区域分割,主要可分为阈值、聚类、区域生长、活动轮廓模型、机器学习等方法。阈值、区域生长和聚类具有易于实现、时间和空间效率高等优势,是医学图像分割中常用的方法。然而传统的阈值、区域生长和聚类等方法仅利用图像灰度信息进行分割,对噪声敏感,且易在肿瘤边界模糊的位置出现过分割以及在灰度不均的肿瘤区域出现欠分割。活动轮廓模型需要预先指定一个初始轮廓然后再根据图像灰度、梯度等信息进行轮廓演化,其分割效果取决于初始轮廓和速度函数的选取,极易在边界模糊的肿瘤区域出现“泄露”。基于机器学习的分割方法虽然可实现肿瘤区域的自动分割,但该方法需要繁重的训练过程,且分割结果严重依赖于训练数据的规模和质量。此外,为了降低待分割图像的复杂性,让肝脏肿瘤区域自动分割成为可能,该方法通常需要预先分割CT图像中的肝脏区域。
发明内容
本发明充分考虑了上述现有技术的缺点与不足,其目的在于,提供一种能快速精确有效分割腹部CT图像中肝脏肿瘤区域的方法。
本发明通过以下方案实现:
一种腹部CT图像的肝脏肿瘤区域分割方法,包括以下步骤:
(1)运用基于局部信息的区域生长方法提取腹部CT图像中肝脏肿瘤区域的初始分割结果,具体包括:
(a)在CT图像中的肝脏肿瘤区域人工选取一个种子点a;
(b)计算以种子点a为中心半径小于r的图像区域的灰度均值I0和标准差σ0,
其中r为大于0的常数,优选2~10之间的常数;
(c)初始化i=1,ki=ω,Si={a},其中ω为大于0的常数,优选0.2~1.6之间的常数;
(d)以种子点a为当前点,计算其邻域像素集Ωa中每一个像素p∈Ωa的局部灰度均值:
其中,gq表示像素q的灰度值,L(p)表示以像素p为中心大小为(2n+1)×(2n+1)的局部像素块,其中n为大于等于0的自然数,优选1~6之间的自然数,card(L(p))表示像素块L(p)所包含的像素数目,取值为(2n+1)×(2n+1);若满足则将该邻域像素p包含进入集合Si;
(e)计算Si所包含像素的灰度均值Ii和标准差σi;
(g)重复步骤(e)和(f),直至不再有新像素包含进入集合Si;
(h)判断i是否等于1,若不等,则执行步骤(i);若相等,则执行i=i+1,
ki=ki+δ,Si={a},并重复步骤(d)~(g),其中δ为大于0的常数,优选0.01~0.5之间的常数;
(i)计算Si和Si-1所包含像素概率分布的Kullback-Leibler散度:
其中,Hi(x)和Hi-1(x)分别为Si和Si-1所包含像素的概率分布,计算得到的D值越大,表明Si和Si-1所包含像素概率分布的差异越大;若计算得到的D值小于等于预设阈值ε,则执行i=i+1,ki=ki+δ,Si={a},并重复步骤(d)~(g),其中ε为大于0的常数,优选2~30之间的常数;若D值大于ε,则取上一次区域生长结果Si-1作为肝脏肿瘤区域的初步分割结果;
(2)取初步分割结果的最小外接矩形,并将外接矩形框的边缘向外延伸m个像素,作为肝脏肿瘤感兴趣区域,其中m为大于0的自然数,优选10~30之间的自然数;
(3)根据初步分割结果自动标记肿瘤感兴趣区域中目标和背景种子区域,并利用图割算法进一步精确分割其中的肿瘤区域,具体包括:
(a)将感兴趣区域中肿瘤初步分割结果及其取反结果分别进行形态学腐蚀,并将所得结果分别标记为目标和背景种子区域,其中腐蚀操作所采用的结构元素优选半径为5~15的圆形结构;
(b)在肿瘤感兴趣区域构建图G={V,L},该图G包含三类节点V={T,N,S}和三类无向边L={En,Et,Es},其中节点T为汇点,表示目标种子区域,节点S为源点,表示背景种子区域,节点N对应肿瘤感兴趣区域f的像素点集,无向边En用于连接节点N中的邻域像素,无向边Et和Es分别为连接节点N中每一个像素到汇点和源点的边;
(c)对于图G,构建如下图割能量函数:
其中,R(fv)和B(fv,fu)分别为图割能量函数中的区域惩罚项和边界惩罚项,其中区域惩罚项对应于图G中的无向边Et和Es,边界惩罚项对应于无向边En,λ为控制两者相对重要性的权重因子,取值为0~1之间的常数,优选0.3~0.7之间的常数,本实施方式优选λ=0.6;采用对数似然估计获取图像像素属于目标和背景的区域惩罚:
当(v,T)∈Et时,
当(S,v)∈Es时,
其中,P(gv|O)和P(gv|B)则分别表示像素v的灰度gv属于目标和背景的概率。边界惩罚项B(fv,fu)应于图G中的无向边En,用于惩罚相邻像素间灰度的不一致性,定义如下:
其中
d(fv,fu)表示图像f中像素v和u的欧氏距离,Tf为图像f的像素总数目,gv和gu分别为像素v和u的灰度值;
(d)采用最大流/最小割算法最小化能量函数E(f)即可从肿瘤感兴趣区域中获取肿瘤区域分割结果。
与现有技术相比,本发明方法有以下几个优点:
本发明提供了一种基于局部信息区域生长和图割算法的腹部CT图像肝脏肿瘤区域分割方法,该方法利用分割中间结果动态更新区域生长准则且运用迭代分割过程中的概率分布差异确定区域生长终止条件,可有效克服传统区域生长算法难以有效分割纹理丰富、边界模糊的目标图像,以及难以选择合适的生长终止条件等问题,可有效分割灰度、纹理、形状、大小各异的肝脏肿瘤区域图像,准确性高,鲁棒性强;
本发明方法人工交互要求低,仅需人工选取单个种子点;
本发明方法不需要事先对肝脏区域进行分割,大大降低了分割复杂度,提高了分割效率;
本发明的腹部CT图像肝脏肿瘤区域分割方法能够推广到腹部CT图像其他器官组织的分割应用中,如肝脏、脾脏和肾脏的分割。
附图说明
图1本发明实施方式的原始CT图像示意图;
图2本发明实施方式的种子点选取示意图;
图3本发明实施方式中由不同ki值计算得到的D值的变化图;
图4本发明实施方式的肝脏肿瘤区域初步分割结果示意图;
图5本发明实施方式的肝脏肿瘤感兴趣区域提取示意图;
图6本发明实施方式的肝脏肿瘤感兴趣区域中目标和背景种子区域选取结果示意图;
图7图割算法中图的构建示意图;
图8本发明实施方式的肝脏肿瘤区域分割结果示意图。
具体实施方式
一种腹部CT图像的肝脏肿瘤区域分割方法,具体实现步骤如下:
(1)运用基于局部信息的区域生长方法提取腹部CT图像中肝脏肿瘤区域的初始分割结果,具体包括:
(a)在CT图像中的肝脏肿瘤区域人工选取一个种子点a,以图1所示原始CT图像为例,图2中黑色空心点即为人工选取的种子点;
(b)计算以种子点为中心半径小于r的图像区域的灰度均值I0和标准差σ0,其中r为大于0的常数,优选2~10之间的常数,本实施方式优选r=3;
(c)初始化i=1,ki=ω,Si={a},其中ω为大于0的常数,优选0.2~1.6之间的常数,本实施方式优选ω=0.8;
(d)以种子点a为当前点,计算其邻域像素集Ωa中每一个像素p∈Ωa的局部灰度均值:
其中,gq表示像素q的灰度值,L(p)表示以像素p为中心大小为(2n+1)×(2n+1)的局部像素块,其中n为大于等于0的自然数,优选1~6之间的自然数,本实施方式优选n=2,card(L(p))表示像素块L(p)所包含的像素数目,取值为(2n+1)×(2n+1);若满足则将该邻域像素p包含进入集合Si;
(e)计算Si所包含像素的灰度均值Ii和标准差σi;
(g)重复步骤(e)和(f),直至不再有新像素包含进入集合Si;
(h)判断i是否等于1,若不等,则执行步骤(i);若相等,则执行i=i+1,ki=ki+δ,Si={a},并重复步骤(d)~(g),其中δ为大于0的常数,优选0.01~0.5之间的常数,本实施方式优选δ=0.05;
(i)计算Si和Si-1所包含像素概率分布的Kullback-Leibler散度:
其中,Hi(x)和Hi-1(x)分别为Si和Si-1所包含像素的概率分布,计算得到的D值越大,表明Si和Si-1所包含像素概率分布的差异越大;若计算得到的D值小于等于预设阈值ε,则执行i=i+1,ki=ki+δ,Si={a},并重复步骤(d)~(g),其中ε为大于0的常数,优选2~30之间的常数,本实施方式优选ε=6;若D值大于ε,则取上一次区域生长结果Si-1作为肝脏肿瘤区域的初步分割结果;图3为采用本实施方式得到不同ki值下的D值,可以看到,当ki值较小时,Si和Si-1所包含像素概率分布的差异较小,接近于0,当ki增大至1.95时,D值出现了突变,跳变至14.04,大于预设阈值ε,因此,取ki=1.9时,Si所包含的像素作为肝脏肿瘤区域的初步分割结果,如图4所示;
(2)取初步分割结果的最小外接矩形,并将外接矩形框的边缘向外延伸m个像素,作为肝脏肿瘤感兴趣区域,其中m为大于0的自然数,优选10~30之间的自然数,本实施方式优选m=20,图5中黑色矩形框所示区域即为肿瘤感兴趣区域的提取结果,图中白色封闭曲线为肝脏肿瘤区域初步分割边界;
(3)根据初步分割结果自动标记肿瘤感兴趣区域中目标和背景种子区域,并利用图割算法进一步精确分割其中的肿瘤区域,具体包括:
(a)将感兴趣区域中肿瘤初步分割结果及其取反结果分别进行形态学腐蚀,并将所得结果分别标记为目标和背景种子区域,其中腐蚀操作所采用的结构元素优选半径5~15的圆形结构,本实施方式优选半径为10的圆形结构,得到的种子区域如图6所示,其中黑色和白色区域分别为目标和背景种子区域;
(b)在肿瘤感兴趣区域构建图G={V,L},如图7所示,该图G包含三类节点V={T,N,S}和三类无向边L={En,Et,Es},其中节点T为汇点,表示目标种子区域,节点S为源点,表示背景种子区域,节点N对应肿瘤感兴趣区域f的像素点集,无向边En用于连接节点N中的邻域像素,无向边Et和Es分别为连接节点N中每一个像素到汇点和源点的边;
(c)对于图G,构建如下图割能量函数:
其中,R(fv)和B(fv,fu)分别为图割能量函数中的区域惩罚项和边界惩罚项,其中区域惩罚项对应于图G中的无向边Et和Es,边界惩罚项对应于无向边En,λ为控制两者相对重要性的权重因子,取值为0~1之间的常数,优选0.3~0.7之间的常数,本实施方式优选λ=0.6;采用对数似然估计获取图像像素属于目标和背景的区域惩罚:
当(v,T)∈Et时,
当(S,v)∈Es时,
其中,P(gv|O)和P(gv|B)则分别表示像素v的灰度gv属于目标和背景的概率。边界惩罚项B(fv,fu)用于惩罚相邻像素间灰度的不一致性,定义如下:
其中
d(fv,fu)表示图像f中像素v和u的欧氏距离,Tf为图像f的像素总数目,gv和gu分别为像素v和u的灰度值;
(d)采用最大流/最小割算法最小化能量函数E(f)即可从肿瘤感兴趣区域中获取肿瘤分割结果。
图8中黑色封闭曲线所示区域为采用本实施方式得到的最终分割结果,可以看到,其中的肝脏肿瘤区域被有效分割。
Claims (3)
1.一种腹部CT图像的肝脏肿瘤区域分割方法,其特征在于,包括以下步骤:
(1)运用基于局部信息的区域生长方法提取腹部CT图像中肝脏肿瘤区域的初始分割结果,具体包括:
(a)在CT图像中的肝脏肿瘤区域人工选取一个种子点a;
(b)计算以种子点a为中心半径小于r的图像区域的灰度均值I0和标准差σ0,其中r为大于0的常数;
(c)初始化i=1,ki=ω,Si={a},其中ω为大于0的常数;
(d)以种子点a为当前点,计算其邻域像素集Ωa中每一个像素p∈Ωa的局部灰度均值:
其中,gq表示像素q的灰度值,L(p)表示以像素p为中心大小为(2n+1)×(2n+1)的局部像素块,其中n为大于等于0的自然数,card(L(p))表示像素块L(p)所包含的像素数目,取值为(2n+1)×(2n+1);若满足则将该邻域像素p包含进入集合Si;
(e)计算集合Si所包含像素的灰度均值Ii和标准差σi;
(g)重复步骤(e)和(f),直至不再有新像素包含进入集合Si;
(h)判断i是否等于1,若不等,则执行步骤(i);若相等,则执行i=i+1,ki=ki+δ,Si={a},并重复步骤(d)~(g),其中δ为大于0的常数;
(i)计算Si和Si-1所包含像素概率分布的Kullback-Leibler散度:
其中,Hi(x)和Hi-1(x)分别为Si和Si-1所包含像素的概率分布,计算得到的D值越大,表明Si和Si-1所包含像素概率分布的差异越大;若计算得到的D值小于等于预设阈值ε,则执行i=i+1,ki=ki+δ,Si={a},并重复步骤(d)~(g),其中ε为大于0的常数;若D值大于ε,则取上一次区域生长结果Si-1作为肝脏肿瘤区域的初步分割结果;
(2)取初步分割结果的最小外接矩形,并将外接矩形框的边缘向外延伸m个像素,作为肝脏肿瘤感兴趣区域,其中m为大于0的自然数;
(3)根据初步分割结果自动标记肿瘤感兴趣区域中目标和背景种子区域,并利用图割算法进一步精确分割其中的肿瘤区域,具体包括:
(a1)将感兴趣区域中肿瘤初步分割结果及其取反结果分别进行形态学腐蚀,并将所得结果分别标记为目标和背景种子区域;
(b1)在肿瘤感兴趣区域构建图G={V,L},该图G包含三类节点V={T,N,S}和三类无向边L={En,Et,Es},其中节点T为汇点,表示目标种子区域,节点S为源点,表示背景种子区域,节点N对应肿瘤感兴趣区域f的像素点集,无向边En用于连接节点N中的邻域像素,无向边Et和Es分别为连接节点N中每一个像素到汇点和源点的边;
(c1)对于图G,构建如下图割能量函数:
其中,R(fv)和B(fv,fu)分别为图割能量函数中的区域惩罚项和边界惩罚项,其中区域惩罚项对应于图G中的无向边Et和Es,边界惩罚项对应于无向边En,λ为控制两者相对重要性的权重因子,取值为0~1之间的常数;采用对数似然估计获取图像像素属于目标和背景的区域惩罚:
当(v,T)∈Et时,
当(S,v)∈Es时,
其中,P(gv|O)和P(gv|B)则分别表示像素v的灰度gv属于目标和背景的概率;边界惩罚项B(fv,fu)对应于图G中的无向边En,用于惩罚相邻像素间灰度的不一致性,定义如下:
其中
d(fv,fu)表示图像f中像素v和u的欧氏距离,Tf为图像f的像素总数目,gv和gu分别为像素v和u的灰度值;
(d1)采用最大流/最小割算法最小化能量函数E(f)即可从肿瘤感兴趣区域中获取肿瘤区域分割结果。
2.如权利要求1所述的一种腹部CT图像的肝脏肿瘤区域分割方法,其特征在于:所述r优选2~10之间的常数,所述ω优选0.2~1.6之间的常数,所述n优选1~6之间的自然数,所述ε优选2~30之间的常数,所述δ优选0.01~0.5之间的常数,所述m优选10~30之间的自然数,所述λ优选0.3~0.7之间的常数。
3.如权利要求1所述的一种腹部CT图像的肝脏肿瘤区域分割方法,其特征在于:在第(3)的(a1)步中,所述的形态学腐蚀操作,采用的结构元素是半径为5~15的圆形结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910874442.1A CN110610491B (zh) | 2019-09-17 | 2019-09-17 | 一种腹部ct图像的肝脏肿瘤区域分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910874442.1A CN110610491B (zh) | 2019-09-17 | 2019-09-17 | 一种腹部ct图像的肝脏肿瘤区域分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110610491A CN110610491A (zh) | 2019-12-24 |
CN110610491B true CN110610491B (zh) | 2021-11-19 |
Family
ID=68892861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910874442.1A Active CN110610491B (zh) | 2019-09-17 | 2019-09-17 | 一种腹部ct图像的肝脏肿瘤区域分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610491B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489434A (zh) * | 2020-03-18 | 2020-08-04 | 创业慧康科技股份有限公司 | 一种基于三维图割的医学影像三维重建方法 |
CN112258522B (zh) * | 2020-10-19 | 2021-05-04 | 哈尔滨体育学院 | 基于二次区域生长的武术竞赛区域分割方法 |
CN115294125B (zh) * | 2022-10-08 | 2023-03-24 | 江苏南通鼎顺网络科技有限责任公司 | 基于图形识别的肿瘤ct图像处理方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034232B (zh) * | 2009-09-25 | 2013-09-04 | 上海电机学院 | 一种医学影像图形的分割方法 |
US8577104B2 (en) * | 2010-06-25 | 2013-11-05 | Carestream Health, Inc. | Liver lesion segmentation |
CN102938027A (zh) * | 2012-11-30 | 2013-02-20 | 河北大学 | 一种计算机辅助肝脏移植手术规划系统的实现方法 |
CN103093473A (zh) * | 2013-01-25 | 2013-05-08 | 北京理工大学 | 一种基于水平集的多目标图像分割方法 |
CN103473767B (zh) * | 2013-09-05 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种腹部软组织核磁图像分割的方法和系统 |
CN105574859B (zh) * | 2015-12-14 | 2018-08-21 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN105719276A (zh) * | 2016-01-07 | 2016-06-29 | 于翠妮 | 一种基于ct图像的肝实质分割方法 |
CN108596887B (zh) * | 2018-04-17 | 2020-06-02 | 湖南科技大学 | 一种腹部ct序列图像中肝脏肿瘤区域图像的自动分割方法 |
CN109961449B (zh) * | 2019-04-15 | 2023-06-02 | 上海电气集团股份有限公司 | 图像分割的方法与设备、三维图像的重建方法与系统 |
-
2019
- 2019-09-17 CN CN201910874442.1A patent/CN110610491B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110610491A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
Wu et al. | 3D liver tumor segmentation in CT images using improved fuzzy C‐means and graph cuts | |
CN110610491B (zh) | 一种腹部ct图像的肝脏肿瘤区域分割方法 | |
CN104809723B (zh) | 基于超体素和图割算法的三维肝脏ct图像自动分割方法 | |
US8682074B2 (en) | Method for checking the segmentation of a structure in image data | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
US20080118136A1 (en) | Propagating Shell for Segmenting Objects with Fuzzy Boundaries, Automatic Volume Determination and Tumor Detection Using Computer Tomography | |
CN108876769B (zh) | 一种左心耳ct图像分割方法 | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
CN107545579B (zh) | 一种心脏分割方法、设备和存储介质 | |
CN109064470B (zh) | 一种基于自适应模糊聚类的图像分割方法及装置 | |
CN109410166A (zh) | 用于肺实质ct图像的全自动分割方法 | |
Chen et al. | Pathological lung segmentation in chest CT images based on improved random walker | |
CN110264479B (zh) | 基于随机游走和水平集的三维图像分割方法 | |
CN108986114B (zh) | 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法 | |
JP2007061607A (ja) | 第1のオブジェクト及び1つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム | |
CN112419344B (zh) | 一种基于Chan-Vese模型的无监督图像分割方法 | |
CN110288581B (zh) | 一种基于保持形状凸性水平集模型的分割方法 | |
CN108305247B (zh) | 一种基于ct图像灰度值检测组织硬度的方法 | |
CN110363775A (zh) | 一种基于区域型变分水平集的图像分割方法 | |
CN109919216B (zh) | 一种用于计算机辅助诊断前列腺癌的对抗学习方法 | |
CN112348826B (zh) | 一种基于测地线距离和V-net的交互式肝脏分割方法 | |
CN107240114B (zh) | 一种基于点距离函数形状约束的半自动医学图像分割方法 | |
CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
CN110232684B (zh) | 一种基于谱分析的三维医学图像自动分割方法 |
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 |