CN110689550A - 一种腰椎矢状面ct图像高效自动化筛选系统及方法 - Google Patents
一种腰椎矢状面ct图像高效自动化筛选系统及方法 Download PDFInfo
- Publication number
- CN110689550A CN110689550A CN201910966975.2A CN201910966975A CN110689550A CN 110689550 A CN110689550 A CN 110689550A CN 201910966975 A CN201910966975 A CN 201910966975A CN 110689550 A CN110689550 A CN 110689550A
- Authority
- CN
- China
- Prior art keywords
- image
- entropy
- images
- sagittal plane
- target area
- 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
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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
-
- 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
- G06T2207/30168—Image quality inspection
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)
Abstract
本发明公开了一种腰椎矢状面CT图像高效自动化筛选方法,涉及CT图像处理的技术领域,解决了目前需通过人工对腰椎矢状面CT图像筛选的技术问题。该方法为:将CT图像组中所有的CT图像进行预处理,剔除CT图像组中成像质量较差的CT图像,将剩余的CT图像进行目标分割,得到腰椎椎体和棘突的目标区域;对所述目标区域进行填充,且在填充完成后对所述目标区域的像素面积进行统计,根据所述目标区域面积最大化将最佳图像筛选出来。本发明还公开了一种腰椎矢状面CT图像高效自动化筛选系统。本发明可自动筛选腰椎矢状面CT图像,且筛选效率高,提高了诊断的工作效率,同时还降低了医生的劳动强度,克服了人为的主观因素给筛选工作带来的不确定性。
Description
技术领域
本发明涉及CT图像处理的技术领域,更具体地说,它涉及一种腰椎矢状面CT图像高效自动化筛选系统及方法。
背景技术
近年来,腰椎疾病发病率在我国呈上升趋势且趋于年轻化。为了更好地诊断和治疗腰椎疾病,影像科医生通常采用CT重建技术重建出腰椎间盘横断面图像,基于重建图像分析病人病情,写出诊断意见,临床医生根据诊断意见给出治疗方案。
腰椎间盘横断面图像的重建步骤主要包括:(1)CT机对腰椎进行连续断层扫描,生成一组腰椎矢状面CT图像;(2)从图像组中筛选出最佳图像;(3)医生在椎体之间标注腰椎间盘位置,重建高质量腰椎间盘横断面图像。因此,最佳腰椎矢状面CT图像的准确筛选是保证重建出高质量腰椎间盘横断面图像的前提条件,是后续工作的基础。
在图像筛选工作中,图像数据量大,医生需对每幅图像进行观察、对比、选择。此类重复性工作极大增加了医生的工作量,容易造成医生疲劳,从而影响诊断效率、准确性和稳定性。据调研,目前国内外还没有针对腰椎矢状面CT图像的自动化筛选技术。
发明内容
本发明要解决的技术问题是针对现有技术的不足,提供一种腰椎矢状面CT图像高效自动化筛选系统及方法,可自动筛选腰椎矢状面CT图像。
为实现上述目的,本发明提供了一种腰椎矢状面CT图像高效自动化筛选方法,该方法包括如下步骤:
步骤一、将CT图像组中所有的CT图像进行预处理,剔除CT图像组中成像质量较差的CT图像;
步骤二、将剩余的CT图像进行目标分割,得到腰椎椎体和棘突的目标区域;
步骤三、对所述目标区域进行填充,且在填充完成后对所述目标区域的像素面积进行统计,根据所述目标区域面积最大化将最佳图像筛选出来。
作进一步的改进,在步骤二中,所述目标分割的方法为:计算得出整幅CT图像的熵值分布,通过最大熵准则计算出最佳分割阈值,根据所述最佳分割阈值分割出CT图像上的目标区域。
进一步的,所述最大熵准则的表达式为,
F(x)=-P(X>x)log(P(X>x))-(1-P(X>x))log(1-P(X>x)),
其中,X为像素点的对应熵值,x为设定熵值,P(X>x)表示对应熵值大于设定熵值的像素点的比例;当F(x)取最大值时,此时的x即为最佳分割阈值。
更进一步的,在步骤三中,对所述目标区域的填充方法为:确定所述目标区域左右两边的边缘像素点,并且将所述目标区域的中间像素点作为填充点,将位于所述边缘像素点以内的目标区域进行逐行填充。
更进一步的,在步骤一中,对CT图像的预处理包括对CT图像的灰度进行均值处理,得到平均灰度,根据所述平均灰度对CT图像组进行排序,然后计算出该CT图像组中所述平均灰度的灰度中位数,将所述平均灰度小于灰度中位数的CT图像剔除。
更进一步的,在步骤一中,对CT图像的预处理还包括对CT图像进行熵值计算,得到平均熵值,根据所述平均熵值对CT图像组进行排序,然后计算出该CT图像组中所述平均熵值的熵值中位数,将所述平均熵值小于熵值中位数的CT图像剔除。
此外,为实现上述目的,本发明还提供了一种腰椎矢状面CT图像高效自动化筛选系统,包括CT机和计算机及存储在所述计算机上并可在计算机上运行的CT图像处理程序,
所述CT机用于采集CT图像,并将所述CT图像输送至计算机;
所述CT图像处理程序被计算机执行时实现如所述的腰椎矢状面CT图像高效自动化筛选方法的步骤。
有益效果
本发明的优点在于:首先对CT图像组进行预处理,剔除CT图像组中成像质量较差的CT图像,从而减少给后续处理带来的干扰,提高自动筛选的准确率,并减少计算资源的消耗,提高处理效率。然后将剩余的CT图像进行目标分割,得到腰椎椎体和棘突的目标区域;再对目标区域进行填充,在填充完成后对目标区域的像素面积进行统计,根据目标区域面积最大化将最佳图像筛选出来,从而实现了对CT图像的自动化筛选。本方法的筛选效率高,大大的简化了医生的诊断工作,提高了诊断的工作效率,同时还降低了医生的劳动强度,克服了人为的主观因素给筛选工作带来的不确定性。
附图说明
图1为本发明的总体流程示意图;
图2为腰椎矢状面CT图像组的第一幅示例图;
图3为腰椎矢状面CT图像组的第二幅示例图;
图4为腰椎矢状面CT图像组的第三幅示例图;
图5为腰椎矢状面CT图像组的第四幅示例图;
图6为腰椎矢状面CT图像组的第五幅示例图。
其中,1-腰椎椎体、2-棘突。
具体实施方式
下面结合实施例,对本发明作进一步的描述,但不构成对本发明的任何限制,任何人在本发明权利要求范围所做的有限次的修改,仍在本发明的权利要求范围内。
参阅图1,本发明的一种腰椎矢状面CT图像高效自动化筛选方法,该方法包括如下步骤:
步骤一、将CT图像组中所有的CT图像进行预处理,剔除CT图像组中成像质量较差的CT图像。因一组CT图像中,所包含的CT图像均较多,其中包含有部分成像质量较差的CT图像。如不对成像质量较差的CT图像进行剔除,则会导致后续处理的干扰较大,且图像越多,干扰则越大,处理效率也就越低。本实施例中,对CT图像的预处理包括对CT图像的灰度进行均值处理,得到平均灰度。具体的,需对CT图像组中的每一幅CT图像的灰度进行均值处理。根据平均灰度对CT图像组中的CT图像进行排序,同时计算出该CT图像组中平均灰度的灰度中位数,将平均灰度小于灰度中位数的CT图像剔除,从而减少给后续处理带来的干扰,提高自动筛选的准确率,同时还减少了计算资源的消耗,提高了处理效率。
在对CT图像的灰度进行均值处理的同时,本实施例的CT图像的预处理还包括对CT图像进行熵值计算,而熵值计算需对CT图像组中的每一幅CT图像进行计算。对CT图像进行熵值计算后得到平均熵值,根据平均熵值对CT图像组进行排序,然后计算出该CT图像组中平均熵值的熵值中位数,将平均熵值小于熵值中位数的CT图像剔除。通过对CT图像进行平均灰度和平均熵值的处理,将平均灰度或平均熵值小于相应中位数的CT图像判断为成像质量较差的CT图像,进一步的剔除了CT图像中成像质量较差的CT图像,使得处理效率得到了大大的提高。
步骤二、将剩余的CT图像进行目标分割,得到腰椎椎体1和棘突2的目标区域。具体的,目标分割的方法为:计算得出整幅CT图像的熵值分布,通过最大熵准则计算出最佳分割阈值,根据最佳分割阈值分割出CT图像上的目标区域。其中,最大熵准则的表达式为,
F(x)=-P(X>x)log(P(X>x))-(1-P(X>x))log(1-P(X>x)),
其中,X为像素点的对应熵值,x为设定熵值,P(X>x)表示对应熵值大于设定熵值的像素点的比例;当F(x)取最大值时,此时的x即为最佳分割阈值。
步骤三、对目标区域进行填充。具体的,对目标区域的填充方法为:确定目标区域左右两边的边缘像素点,并且将目标区域的中间像素点作为填充点,将位于边缘像素点以内的目标区域进逐行填充。在填充完成后对目标区域的像素面积进行统计,根据目标区域面积最大化将最佳图像筛选出来。具体的,筛选最佳图像的原则是通过医生对目标区域面积最大化的经验知识进行筛选。
通过对CT图像的预处理剔除成像质量较差的图像,然后通过计算每幅CT图像的熵值分布,根据最大熵准则得到CT图像的最佳分割阈值,再由最佳分割阈值将CT图像进行分割,同时对分割出来的目标区域进行填充,最终通过医生对目标区域面积最大化的经验知识进行筛选。该方法不仅自动的筛选了腰椎矢状面CT图像,且其筛选效率高,大大的简化了医生的诊断工作,提高了诊断的工作效率,同时还降低了医生的劳动强度,克服了人为的主观因素给筛选工作带来的不确定性。
其中,本实施例中所涉及的对于CT图像的平均灰度、平均熵值、灰度中位数、熵值中位数以及熵值分布的计算方式均为现有技术,是本领域技术人员所熟知的计算方式。
一种腰椎矢状面CT图像高效自动化筛选系统,包括CT机和计算机及存储在计算机上并可在计算机上运行的CT图像处理程序,CT机用于采集CT图像,并将CT图像输送至计算机;CT图像处理程序被计算机执行时实现如所述的腰椎矢状面CT图像高效自动化筛选方法的步骤。
为了验证本发明专利的正确性和有效性,选取了53组CT图像用于实验,分别从每组图像中筛选出最佳图像,筛选结果准确与否以专业CT读片医生的评价为准。本次实验使用的CT图像处理程序为matlab2009实现上述实施方式,并在4核CPU、3.5G赫兹主频、8G内存的计算机上运行实验,每组图像的平均处理时间约为6.55秒,实验结果如下表所示:
方法 | 样品总组数 | 正确数 | 错误数 | 准确率 |
本发明专利 | 53 | 53 | 0 | 100% |
实验结果表明:筛选效率与准确率均令人满意,满足实际应用的需求。本实施例选取了其中5组筛选后的图片以作参考,请参阅图2-图6。
以上所述的仅是本发明的优选实施方式,应当指出对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些都不会影响本发明实施的效果和专利的实用性。
Claims (7)
1.一种腰椎矢状面CT图像高效自动化筛选方法,其特征在于,该方法包括如下步骤:
步骤一、将CT图像组中所有的CT图像进行预处理,剔除CT图像组中成像质量较差的CT图像;
步骤二、将剩余的CT图像进行目标分割,得到腰椎椎体(1)和棘突(2)的目标区域;
步骤三、对所述目标区域进行填充,且在填充完成后对所述目标区域的像素面积进行统计,根据所述目标区域面积最大化将最佳图像筛选出来。
2.根据权利要求1所述的一种腰椎矢状面CT图像高效自动化筛选方法,其特征在于,在步骤二中,所述目标分割的方法为:计算得出整幅CT图像的熵值分布,通过最大熵准则计算出最佳分割阈值,根据所述最佳分割阈值分割出CT图像上的目标区域。
3.根据权利要求2所述的一种腰椎矢状面CT图像高效自动化筛选方法,其特征在于,所述最大熵准则的表达式为,
F(x)=-P(X>x)log(P(X>x))-(1-P(X>x))log(1-P(X>x)),
其中,X为像素点的对应熵值,x为设定熵值,P(X>x)表示对应熵值大于设定熵值的像素点的比例;当F(x)取最大值时,此时的x即为最佳分割阈值。
4.根据权利要求1所述的一种腰椎矢状面CT图像高效自动化筛选方法,其特征在于,在步骤三中,对所述目标区域的填充方法为:确定所述目标区域左右两边的边缘像素点,并且将所述目标区域的中间像素点作为填充点,将位于所述边缘像素点以内的目标区域进行逐行填充。
5.根据权利要求1所述的一种腰椎矢状面CT图像高效自动化筛选方法,其特征在于,在步骤一中,对CT图像的预处理包括对CT图像的灰度进行均值处理,得到平均灰度,根据所述平均灰度对CT图像组进行排序,然后计算出该CT图像组中所述平均灰度的灰度中位数,将所述平均灰度小于灰度中位数的CT图像剔除。
6.根据权利要求1或5所述的一种腰椎矢状面CT图像高效自动化筛选方法,其特征在于,在步骤一中,对CT图像的预处理还包括对CT图像进行熵值计算,得到平均熵值,根据所述平均熵值对CT图像组进行排序,然后计算出该CT图像组中所述平均熵值的熵值中位数,将所述平均熵值小于熵值中位数的CT图像剔除。
7.一种腰椎矢状面CT图像高效自动化筛选系统,其特征在于,包括CT机、计算机及存储在所述计算机上并可在计算机上运行的CT图像处理程序,
所述CT机用于采集CT图像,并将所述CT图像输送至计算机;
所述CT图像处理程序被计算机执行时实现如权利要求1至6中任一项所述的腰椎矢状面CT图像高效自动化筛选方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966975.2A CN110689550B (zh) | 2019-10-12 | 2019-10-12 | 一种腰椎矢状面ct图像高效自动化筛选系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966975.2A CN110689550B (zh) | 2019-10-12 | 2019-10-12 | 一种腰椎矢状面ct图像高效自动化筛选系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689550A true CN110689550A (zh) | 2020-01-14 |
CN110689550B CN110689550B (zh) | 2022-06-21 |
Family
ID=69112217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910966975.2A Active CN110689550B (zh) | 2019-10-12 | 2019-10-12 | 一种腰椎矢状面ct图像高效自动化筛选系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689550B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353407A (zh) * | 2020-02-24 | 2020-06-30 | 中南大学湘雅医院 | 医学图像处理方法、装置、计算机设备和存储介质 |
CN111493918A (zh) * | 2020-04-24 | 2020-08-07 | 杭州健培科技有限公司 | 用于腰椎ct影像的观测面自动定位方法,应用方法及设备 |
CN112884786A (zh) * | 2021-04-12 | 2021-06-01 | 杭州健培科技有限公司 | 应用于ct影像的腰椎间盘观测面定位方法、装置及应用 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851107A (zh) * | 2015-06-08 | 2015-08-19 | 武汉联影医疗科技有限公司 | 基于ct序列图像的脊椎定位方法 |
CN106558045A (zh) * | 2016-10-20 | 2017-04-05 | 上海联影医疗科技有限公司 | 一种肺组织分割方法、装置,医学图像处理系统 |
CN106780520A (zh) * | 2015-11-18 | 2017-05-31 | 周兴祥 | 一种mri腰椎图像中椎骨的自动提取方法 |
CN106846318A (zh) * | 2017-03-21 | 2017-06-13 | 深圳大图科创技术开发有限公司 | 一种用于医疗的肿瘤精确定位系统 |
CN106846346A (zh) * | 2017-01-23 | 2017-06-13 | 天津大学 | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 |
CN107220946A (zh) * | 2017-05-18 | 2017-09-29 | 长安大学 | 一种岩石运输带上不良块度图像的实时剔除方法 |
CN107729907A (zh) * | 2016-08-12 | 2018-02-23 | 南京理工大学 | 一种基于红外热成像系统的故障识别方法 |
-
2019
- 2019-10-12 CN CN201910966975.2A patent/CN110689550B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851107A (zh) * | 2015-06-08 | 2015-08-19 | 武汉联影医疗科技有限公司 | 基于ct序列图像的脊椎定位方法 |
CN106780520A (zh) * | 2015-11-18 | 2017-05-31 | 周兴祥 | 一种mri腰椎图像中椎骨的自动提取方法 |
CN107729907A (zh) * | 2016-08-12 | 2018-02-23 | 南京理工大学 | 一种基于红外热成像系统的故障识别方法 |
CN106558045A (zh) * | 2016-10-20 | 2017-04-05 | 上海联影医疗科技有限公司 | 一种肺组织分割方法、装置,医学图像处理系统 |
CN106846346A (zh) * | 2017-01-23 | 2017-06-13 | 天津大学 | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 |
CN106846318A (zh) * | 2017-03-21 | 2017-06-13 | 深圳大图科创技术开发有限公司 | 一种用于医疗的肿瘤精确定位系统 |
CN107220946A (zh) * | 2017-05-18 | 2017-09-29 | 长安大学 | 一种岩石运输带上不良块度图像的实时剔除方法 |
Non-Patent Citations (2)
Title |
---|
ERKANG CHENG ET AL.: "Learning-based spine vertebra localization and segmentation in 3D CT image", 《2016 IEEE 13TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI)》 * |
操时力: "基于CT图像的肝脏门静脉分割方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353407A (zh) * | 2020-02-24 | 2020-06-30 | 中南大学湘雅医院 | 医学图像处理方法、装置、计算机设备和存储介质 |
CN111353407B (zh) * | 2020-02-24 | 2023-10-31 | 中南大学湘雅医院 | 医学图像处理方法、装置、计算机设备和存储介质 |
CN111493918A (zh) * | 2020-04-24 | 2020-08-07 | 杭州健培科技有限公司 | 用于腰椎ct影像的观测面自动定位方法,应用方法及设备 |
CN111493918B (zh) * | 2020-04-24 | 2022-08-26 | 杭州健培科技有限公司 | 腰椎ct影像的观测面自动定位方法、应用方法及设备 |
CN112884786A (zh) * | 2021-04-12 | 2021-06-01 | 杭州健培科技有限公司 | 应用于ct影像的腰椎间盘观测面定位方法、装置及应用 |
CN112884786B (zh) * | 2021-04-12 | 2021-11-02 | 杭州健培科技有限公司 | 应用于ct影像的腰椎间盘观测面定位方法、装置及应用 |
Also Published As
Publication number | Publication date |
---|---|
CN110689550B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599508B (zh) | 基于人工智能的脊柱影像处理方法及相关设备 | |
CN110689550B (zh) | 一种腰椎矢状面ct图像高效自动化筛选系统及方法 | |
CN108053400B (zh) | 图像处理方法及装置 | |
CN114648530B (zh) | 一种ct图像处理方法 | |
CN107798682B (zh) | 图像分割系统、方法、装置和计算机可读存储介质 | |
CN108052977B (zh) | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 | |
Yu et al. | A segmentation-based method for metal artifact reduction | |
EP2102819B1 (en) | Apparatus, method and computer program for producing a corrected image of a region of interest from acquired projection data | |
Meilinger et al. | Metal artifact reduction in cone beam computed tomography using forward projected reconstruction information | |
US8139837B2 (en) | Bone number determination apparatus and recording medium having stored therein program | |
CN107203989A (zh) | 基于全卷积神经网络的端对端胸部ct图像分割方法 | |
DE102006041619A1 (de) | Systeme und Verfahren zur computerunterstützten Detektion einer Wirbelsäulenverkrümmung unter Verwendung von Bildern und Winkelmessungen | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN108230301A (zh) | 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法 | |
CN112508902B (zh) | 白质高信号分级方法、电子设备及存储介质 | |
DE102014221942A1 (de) | Verfahren zur vollautomatischen Detektion und Bewertung von Wirbelschäden | |
CN115661149B (zh) | 一种基于肺部组织数据的肺部影像处理系统 | |
CN111340825A (zh) | 一种纵膈淋巴结分割模型的生成方法及系统 | |
CN112102282A (zh) | 一种基于Mask RCNN的医学图像中不同节数腰椎的自动识别方法 | |
CN113870098A (zh) | 一种基于脊柱分层重建的Cobb角自动测量方法 | |
CN114549505A (zh) | 肋骨分割方法、装置、计算机设备及存储介质 | |
CN110264475A (zh) | 基于ct图像的脊椎三维建模方法及装置 | |
CN112085695A (zh) | 一种图像处理方法、装置及存储介质 | |
CN108475419A (zh) | 用于计算机断层摄影的数据处理的方法 | |
CN113327235B (zh) | 基于ct影像肌少症评估的图像处理方法和装置 |
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 |