CN110717915A - 分割方法、装置、计算机设备和存储介质 - Google Patents
分割方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110717915A CN110717915A CN201910911759.8A CN201910911759A CN110717915A CN 110717915 A CN110717915 A CN 110717915A CN 201910911759 A CN201910911759 A CN 201910911759A CN 110717915 A CN110717915 A CN 110717915A
- Authority
- CN
- China
- Prior art keywords
- point
- determining
- target area
- medical image
- cross
- 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
- G06T7/187—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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种分割方法、装置、计算机设备和存储介质,由于目标区域的外边界点的确定,以及根据目标区域的外边界点确定目标区域的下边界线和目标区域的参考种子点,继续根据目标区域的下边界线和目标区域的参考种子点均是计算机设备执行,即计算机设备自动的确定从目标区域的外边界点的确定到目标区域的分割,这样,通过该方法分割鼻腔及副鼻窦过程中的每个步骤均是自动进行,大大提高了鼻腔及副鼻窦分割结果的准确性,且分割过程无需人工干涉,大大节约了分割时间,保证了分割过程的高效性和精确性。
Description
技术领域
本申请涉及医疗技术领域,特别是涉及一种分割方法、装置、计算机设备和存储介质。
背景技术
鼻腔是上呼吸道的重要组成部分,是肺部与外界进行气体交换的重要通道,鼻腔周围分布着与之相连的副鼻窦,构建鼻腔及副鼻窦的三维模型在研究鼻腔解剖结构及病变、进行鼻内手术、规划经鼻入路手术路径以及计算机辅助治疗等方面具有重要意义。
通常构建鼻腔及副鼻窦的三维模型之前,先要对鼻腔及副鼻窦进行精确的分割。现有技术中,对鼻腔及副鼻窦进行分割算法,大多是先要手动在图像序列中寻找鼻腔所在片层,或手动选取分割算法所需种子点,之后再进行鼻腔及副鼻窦的分割。
但是,现有的鼻腔及副鼻窦的分割过程比较繁琐费时、准确性较低。
发明内容
基于此,有必要针对上述现有的鼻腔及副鼻窦的分割过程比较繁琐费时、准确性较低的技术问题,提供一种分割方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种分割方法,该方法包括:
根据头部的横断面医学图像序列确定目标区域的外边界点;
根据目标区域的外边界点确定目标区域的下边界线和目标区域的参考种子点;
根据目标区域的下边界线确定头部的有效横断面医学图像序列;
根据参考种子点,对有效横断面医学图像序列中的目标区域进行分割,得到分割结果。
在其中一个实施例中,上述根据头部的横断面医学图像序列确定目标区域的外边界点,包括:
获取横断面医学图像序列中的各横断面医学图像中的空气区域;
根据各横断面医学图像中的空气区域所有点的坐标,将最上侧纵坐标对应的点确定为目标区域的外边界点。
在其中一个实施例中,上述根据目标区域的外边界点确定目标区域的下边界线,包括:
获取目标区域的外边界点所在的矢状面医学图像;
以目标区域的外边界点为中心,在矢状面医学图像中确定感兴趣区域;
确定感兴趣区域中空气区域的最外侧点,并以最外侧点为起点,确定目标区域内的目标结构的轮廓;
将目标结构的轮廓的最下侧点所在直线确定为目标区域的下边界线。
在其中一个实施例中,上述根据目标区域的外边界点确定目标区域的参考种子点,包括:
确定参考横断面医学图像的所有空气区域;参考横断面医学图像为目标区域的外边界点所在的医学图像;
获取参考横断面医学图像中各空气区域的欧式距离场;
将欧式距离场最大值对应的点,确定为参考横断面医学图像各空气区域的候选种子点;
将各候选种子点中同时满足各预设判断条件的点,确定为参考种子点;判断条件包括对各候选种子点位置的限定。
在其中一个实施例中,上述在有效横断面医学图像序列中,根据参考种子点对目标区域进行分割,得到分割结果,包括:
判断参考种子点在有效横断面图像序列中的各邻域点是否满足预设的生长准则;
将满足生长准则的邻域点作为新的种子点存储至种子点集中,并对各新的种子点进行已生长标记;种子点集为存储目标区域所有种子点的集合;
判断各新的种子点的各邻域点是否满足生长准则,直至种子点集中的所有种子点全部判断结束为止,得到目标区域所有种子点;
根据目标区域所有种子点,通过预设的局部活动轮廓算法对目标区域进行分割,得到分割结果。
在其中一个实施例中,上述根据目标区域所有种子点,通过预设的局部活动轮廓算法对目标区域进行分割,得到分割结果,包括:
确定目标区域所有种子点所在区域的初始轮廓;
以初始轮廓上各轮廓点为中心,确定多个局部区域;
通过预设局部活动轮廓算法,对各局部区域中各轮廓点的位置进行迭代更新,得到各轮廓点的精确位置;
将各轮廓点的精确位置组成的平滑曲线,确定为分割结果。
在其中一个实施例中,上述在根据目标区域的下边界线确定头部的有效横断面医学图像序列之前,方法还包括:
获取参考种子点与参考种子点所在横断面医学图像的质心之间的距离;
若距离大于预设的距离阈值,则重新确定目标区域的下边界和目标区域的参考种子点。
第二方面,本申请实施例提供一种分割装置,装置包括:
外边界点模块,用于根据头部的横断面医学图像序列确定目标区域的外边界点;
基准确定模块,用于根据目标区域的外边界点确定目标区域的下边界线和目标区域的参考种子点;
有效序列模块,用于根据目标区域的下边界线确定头部的有效横断面医学图像序列;
分割模块,用于根据参考种子点,对有效横断面医学图像序列中的目标区域进行分割,得到分割结果。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面实施例提供的任一项方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。
本申请实施例提供的一种分割方法、装置、计算机设备和存储介质,由于目标区域的外边界点的确定,以及根据目标区域的外边界点确定目标区域的下边界线和目标区域的参考种子点,继续根据目标区域的下边界线和目标区域的参考种子点均是计算机设备执行,即计算机设备自动的确定从目标区域的外边界点的确定到目标区域的分割,这样,通过该方法分割鼻腔及副鼻窦过程中的每个步骤均是自动进行,大大提高了鼻腔及副鼻窦分割结果的准确性,且分割过程无需人工干涉,大大节约了分割时间,保证了分割过程的高效性和精确性。
附图说明
图1为一个实施例提供的一种分割方法的应用环境图;
图2为一个实施例提供的一种分割方法的流程示意图;
图2a为一个实施例提供的一种鼻腔外边界点示意图;
图2b为一个实施例提供的一种鼻腔下边界线示意图;
图2c为一个实施例提供的一种目标区域参考种子点示意图;
图3为一个实施例提供的一种分割方法的流程示意图;
图3a为一个实施例提供的一种横断面图像的坐标轴示意图;
图4为一个实施例提供的一种分割方法的流程示意图;
图4a为一个实施例提供的一种鼻腔下边界线示意图;
图5为一个实施例提供的一种分割方法的流程示意图;
图6为一个实施例提供的一种分割方法的流程示意图;
图7为一个实施例提供的一种分割方法的流程示意图;
图8为一个实施例提供的一种分割装置的结构框图;
图9为一个实施例提供的一种分割装置的结构框图;
图10为一个实施例提供的一种分割装置的结构框图;
图11为一个实施例提供的一种分割装置的结构框图;
图12为一个实施例提供的一种分割装置的结构框图;
图13为一个实施例提供的一种分割装置的结构结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的一种分割方法,可以应用于如图1所示的应用环境中,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储分割方法数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种分割方法。
本申请实施例提供一种分割方法、装置、计算机设备和存储介质,旨在解决现有的鼻腔及副鼻窦的分割过程比较繁琐费时、准确性较低的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是,本申请提供的一种分割方法,图2-图7的执行主体为计算机设备,其中,其执行主体还可以是分割装置,其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为分割方法的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
在一个实施例中,图2提供了一种分割方法,本实施例涉及的是计算机设备根据目标区域的外边界点确定目标区域的下边界线和目标区域的参考种子点,然后根据参考种子点,对根据目标区域的下边界线确定的有效横断面医学图像序列中的目标区域进行分割的具体过程,如图2所示,所述方法包括:
S101,根据头部的横断面医学图像序列确定目标区域的外边界点。
本实施例中,头部的横断面医学图像序列表示一系列头部的横断面医学图像,例如,一系列头部的横断面CT图像,其中,这一系列医学图像的层厚和层间距不做限定,例如层厚可以是0.8mm、0.9mm、1.0mm等,层间距可以是0.45mm、0.6mm等,本实施例对横断面医学图像序列不做限定。
其中,目标区域的外边界点表示该头部的各横断面医学图像中目标区域的最外面的点,例如,如图2a所示,若该目标区域为头部的鼻腔及副鼻窦区域,则在头部的横断面医学图像中该目标区域的外边界点则为鼻腔及副鼻窦区域的外边界点,即该外边界点为鼻尖处空气区域的最上侧点。
示例地,在实际应用中,计算机设备根据头部的横断面医学图像序列确定目标区域的外边界点的方式可以是根据设定的程序,自动在该横断面医学图像序列中寻找目标区域的外边界点,也可以是计算机设备将该横断面医学图像序列全部输入至预先训练好的,用于提取目标区域外边界点的神经网络中,直接根据网络的输出结果确定目标区域的外边界点,还可以是其他方式,只要是计算机设备自动根据横断面医学图像序列确定目标区域的外边界点即可,本实施例对此不做限定。
S102,根据目标区域的外边界点确定目标区域的下边界线和目标区域的参考种子点。
基于上述S101步骤中确定的目标区域的外边界点,计算机设备根据该外边界点确定目标区域的下边界线和目标区域的参考种子点,其中,目标区域的下边界线表示从该头部的矢状面的视角目标区域的最下侧界线,例如,如图2b所示,同样,以目标区域时鼻腔及副鼻窦区域为例,在该头部的矢状面图像中,目标区域的下边界线即为鼻孔空气区域中最下侧点所在的直线。其中,目标区域的参考种子点,表示优先选中的该目标区域的初始点,例如,如图2c所示,在头部的横断面图像中,目标区域的参考种子点即为鼻腔及副鼻窦中的一个点。
示例地,在实际应用中,计算机设备根据目标区域的外边界点确定目标区域的下边界线和目标区域的参考种子点时,是分开步骤执行的,且目标区域的下边界线和目标区域的参考种子点确定时的顺序,本实施例不做限定。具体地,计算机设备确定目标区域的下边界线和目标区域的参考种子点的方式,可以是根据预设的程序自动确定,也可以是通过预先训练好的神经网络确定目标区域的下边界线和目标区域的参考种子点,只要在实际应用中,计算机设备确定目标区域的下边界线和目标区域的参考种子点的当时是自动确定的即可,本实施例对此不做限定。
S103,根据目标区域的下边界线确定头部的有效横断面医学图像序列。
本步骤中,计算机设备根据上述S102步骤中确定的目标区域的下边界线,确定该头部的有效横断面医学图像序列,其中,有效横断面图像序列表示将所有目标区域包含在内的一系列横断面图像,则基于目标区域的下边界线,计算机设备将下边界线往上至头顶之间的横断面图像确定为有效横断面图像序列。
S104,根据参考种子点,对有效横断面医学图像序列中的目标区域进行分割,得到分割结果。
本步骤中,计算机设备根据步骤102中确定的参考种子点,在S103步骤中确定的有效横断面医学图像序列中,对目标区域进行分割,得到分割结果。其中,计算机设备对目标区域进行分割的方式可以是以参考种子点为起始点,采用区域生长算法确定出所有目标区域的种子点,也可以是通过其他算法确定,本实施例对此不做限定。
本实施例提供的分割方法,由于目标区域的外边界点的确定,以及根据目标区域的外边界点确定目标区域的下边界线和目标区域的参考种子点,继续根据目标区域的下边界线和目标区域的参考种子点均是计算机设备执行,即计算机设备自动的确定从目标区域的外边界点的确定到目标区域的分割,这样,通过该方法分割鼻腔及副鼻窦过程中的每个步骤均是自动进行,大大提高了鼻腔及副鼻窦分割结果的准确性,且分割过程无需人工干涉,大大节约了分割时间,保证了分割过程的高效性和精确性。
对于计算机设备根据头部的横断面医学图像序列确定目标区域的外边界点的具体过程,本申请实施例还提供了一种分割方法,如图3所示,上述S101步骤包括:
S201,获取横断面医学图像序列中的各横断面医学图像中的空气区域。
为了将本申请实施例提供给的分割方法进行更详细说明,本实施例中以及后续实施例,均会以目标区域为鼻腔及副鼻窦区域、医学图像为头部CT图像为例进行补充说明,由于在头部CT图像中,鼻腔及副鼻窦区域均为空气区域,则本步骤在实际应用中,计算机设备获取上述头部的横断面医学图像序列中各横断面医学图像中的空气区域,示例地,计算机设备获取空气区域的方式可以是利用阈值分割或者形态学方法获取CT图像序列中每张横断面图像的空气区域,即将每张横断面图像的空气区域分割出来。
S202,根据各横断面医学图像中的空气区域所有点的坐标,最上侧纵坐标对应的点确定为目标区域的外边界点。
基于上述S201步骤中,计算机设备获取的各横断面医学图像中的空气区域,计算机设备继续将各空气区域中所有点的坐标确定出来,然后将最上侧纵坐标对应的点确定为目标区域的外边界点。示例地,如图3a所示,以头部横断面图像的左上角为坐标原点,横断面图像最上边界为横坐标轴,横断面图像的最左边边界为纵坐标轴,建立坐标系,则计算机设备直接获取各张横断面图像该坐标系中最上侧纵坐标对应的点,然后比较每张横断面图像中最上侧纵坐标,确定出一个所有横断面图像中最上侧纵坐标对应的点,并将该点确定为目标区域的外边界点。需要说明的是,由于头部横断面图像的视角为诊疗对象仰卧位时获取的图像,而人体呈仰卧位时,鼻尖处是头部最高点,因此在头部横断面CT图像序列中,鼻孔内鼻尖为空气区域最高点,也是整个头部空气区域的最高点,因此,基于该理论,本实施例将横断面医学图像序列中最上侧纵坐标对应的点确定为目标区域的外边界点,也就是鼻腔及副鼻窦区域的外边界点,这样可以大大保证目标区域外边界点的准确性。
基于以上实施例,本申请实施例分别对确定目标区域的下边界线和目标区域的参考种子点进行说明,则如图4所示,上述S102步骤中“根据目标区域的外边界点确定目标区域的下边界线”的一种可实施方式包括:
S301,获取目标区域的外边界点所在的矢状面医学图像。
本实施例中,计算机设备基于上述S101步骤确定的目标区域的外边界点,获取该外边界点所在的矢状面医学图像。
S302,以目标区域的外边界点为中心,在矢状面医学图像中确定感兴趣区域。
基于上述S301步骤中获取的矢状面医学图像,计算机设备以目标区域的外边界点为中心,在该矢状面医学图像中确定感兴趣区域,其中,感兴趣区域表示该矢状面医学图像中包括待处理目标结构的区域,在实际应用中,设定感兴趣区域的范围可根据实际情况而定,只要包括了待处理的目标结构即可。示例地,以目标区域的外边界点是鼻腔及副鼻窦外边界点,待处理目标结构是鼻孔内侧空气区域,则计算机设备以鼻腔及副鼻窦外边界点为中心,确定的感兴趣区域包括了鼻孔内侧空气区域即可。
S303,确定感兴趣区域中空气区域的最外侧点,并以最外侧点为起点,确定目标区域内的目标结构的轮廓。
本步骤中,计算机设备以感兴趣区域中空气区域的最外侧点为起点,确定出目标区域内的目标结构的轮廓,由于上述S302步骤中确定的感兴趣区域中包括了鼻孔内侧空气区域,则空气区域的最外侧点相当于也是鼻孔内鼻尖处的点,以该点为起点,确定鼻孔内侧空气区域的轮廓,例如,计算机设备可以采用边界跟踪算法,确定出整个鼻孔内侧空气区域的轮廓。其中,计算机设备确定感兴趣区域中空气区域的最外侧点之前,需要先确定出感兴趣区域中的空气区域,例如,同样可以采用阈值分割法或者形态学方法将感兴趣区域中的空气区域确定出来,还可以是其他方式,本实施例对此不做限定。需要说明的是,理论上感兴趣区域中空气区域的最外侧点与上述目标区域的外边界点是一个点,但方案在实际应用中,由于算法或者分割区域等因素,可能会导致最后确定的感兴趣区域中空气区域的最外侧点与上述目标区域的外边界点存在误差。
S304,将目标结构的轮廓的最下侧点所在直线确定为目标区域的下边界线。
基于上述S303中确定的目标结构的轮廓,计算机设备将该轮廓的最下侧点所在直线确定为目标区域的下边界线。
示例地,如图4a所示,为鼻腔及副鼻窦外边界点所在的矢状面CT图像,在该矢状面CT图像,确定的感兴趣区域的最下侧点为A点,基于该A点确定出鼻孔内侧空气区域的轮廓,则该轮廓的最下侧点B所在的直线即为鼻腔及副鼻窦的下边界线。
本实施例提供的分割方法,计算机设备将目标区域的外边界点转换到对应的矢状面图像中,基于该矢状面图像,确定出目标结构的轮廓,并将该轮廓的下侧点所在的直线确定为目标区域的下边界线,这样在头部矢状面图像中确定出目标区域的下边界线,极大的方便了下边界线位置的确定,也大大保证下边界线的精确性。
另外,如图5所示,上述S102步骤中“根据目标区域的外边界点确定目标区域的参考种子点”的一种可实现方式包括:
S401,确定参考横断面医学图像的所有空气区域;参考横断面医学图像为目标区域的外边界点所在的医学图像。
本实施例中,参考横断面医学图像表示上述S101步骤中确定的目标区域的外边界点所在的横断面图像,则计算机设备确定参考横断面医学图像的所有空气区域,其确定方式同样可以采用阈值分割法或者形态学算法将该参考横断面医学图像中的所有空气区域分割出来,也可以是其他方式,本实施例对此不做限定。需要说明的是,由于参考横断面医学图像中的所有空气区域是基本上均分布在鼻腔及副鼻窦中,因此本实施例选择在参考横断面医学图像中选择参考种子点,这样可以大大保证选择的参考种子点的精确性和适用性。
S402,获取参考横断面医学图像中各空气区域的欧式距离场。
基于上述S401步骤中确定的参考横断面医学图像的所有空气区域,计算机设备继续获取各空气区域的欧式距离场。
S403,将欧式距离场最大值对应的点,确定为参考横断面医学图像各空气区域的候选种子点。
根据上述S402步骤中确定的各空气区域的欧式距离场,确定出各个空气区域中欧式距离场最大值对应的点,将确定的各点确定为横断面医学图像各空气区域的候选种子点。
S404,将各候选种子点中同时满足各预设判断条件的点,确定为参考种子点;判断条件包括对各候选种子点位置的限定。
基于上述S403步骤中确定的各候选种子点,计算机设备根据预设判断够条件从各候选种子点中确定出所述参考种子点,其中该预设的判断条件是对各候选种子点位置的限定条件,例如,各所述候选种子点所在空气区域的面积、各所述候选种子点与所述所述横断面外边界点所在的横断面医学图像的质心之间的横坐标差值、各所述候选种子点与所述横断面外边界点所在的横断面医学图像质心之间的距离。则基于预设判断条件,计算机设备同时满足所有判断条件的候选种子点确定为参考种子点。例如上图2c所示,最后确定的参考种子点位于鼻咽内。
本实施例提供的分割方法,计算机设备在目标区域的外边界点所在的医学图像各空气区域的距离场为基础条件,以预设的判断条件为限定条件,确定出参考种子点,经过严格的筛选,确定出最合适参考种子点,大大个提高了参考种子点的精确性。
基于上述确定的目标区域下边界线和目标区域的参考种子点,本申请实施例提供了一种分割方法,其涉及的是计算机设备根据参考种子点,对有效横断面医学图像序列中的目标区域进行分割的具体过程,如图5所示,上述S104步骤包括:
S501,判断参考种子点在有效横断面图像序列中的各邻域点是否满足预设的生长准则。
本实施例中,参考种子点在有效横断面图像序列中的各邻域点表示在立体区域中3D体数据组成的3D数组,其中某个点在该3D数组中的邻域点,即相当于每个点存在26个邻域点,则计算机分别判断该参考种子点的26个邻域点是否满足预设的生长准则。其中预设的生长准则例如可以是该点的CT值是否满足设定的阈值、在根据该点所在横断面生成的梯度图像中,该点的梯度值是否满足预设值、头部区域二值化后,该点的二值是否满足等条件,可以理解的是,这些生长准则需要可以判断出各个邻域点是否与该参考种子点为相同区域、相同性质的点,因此对于生长准则的具体内容本实施例不做限定。
S502,将满足生长准则的邻域点作为新的种子点存储至种子点集中,并对各新的种子点进行已生长标记;种子点集为存储目标区域所有种子点的集合。
基于上述S501中,确定的所有满足生长准则的邻域点,依次将满足生长准则的邻域点存储至种子点集中,并对每一个判断过的种子点进行已生长标记,以避免后续重复判断。可以理解的是,种子点集最后存储的是所有满足生成准则的点,即为存储目标区域所有种子点的集合。
S503,判断各新的种子点的各邻域点是否满足生长准则,直至种子点集中的所有种子点全部判断结束为止,得到目标区域所有种子点。
基于上述存储至种子点集中的新的种子点,计算机设备需要继续对新存储的种子点的各邻域点继续进行判断,若某个邻域点已经进行了已生长标记,表示该邻域点已经进行了判断,则计算机设备无需在判断该点,依照此步骤,将所有存储至种子点集中的点判断结果后,最终种子点集中存储的点即为目标区域所有种子点。
S504,根据目标区域所有种子点,通过预设的局部活动轮廓算法对目标区域进行分割,得到分割结果。
本步骤中,由于上述S503步骤中得到的目标区域所有种子点,即该所有种子点构成的区域即为目标区域,为了保证确定的目标区域更加精确,例如,若目标区域为鼻腔及副鼻窦,则由于鼻腔上部区域Hu值比鼻腔下部区域Hu值要大很多,且蝶窦和筛窦内部的薄骨板的Hu值要小于鼻腔上部区域的Hu值,则上述根据生长准确定出的鼻腔及副鼻窦区域中可能会包含一些蝶窦和筛窦内部的薄骨板。为了将鼻腔、副鼻窦空气区域与薄骨板分割开来,计算机设备可以通过局部活动轮廓算法对目标区域进行继续分割,即可得到最终的分割结果。
可选地,对于计算机设备通过局域活动轮廓算法对目标区域进行继续分割的过程,本申请实施例提供了一种分割方法,如图6所示,则上述S504步骤包括:
S601,确定目标区域所有种子点所在区域的初始轮廓。
本实施例中,计算机设备根据上述目标区域所有种子点所在的区域,确定出该区域的初始轮廓,例如,可以通过阈值分割法将该所有种子点所在的区域的轮廓分割出,即得到初始轮廓;当然也可以根据该所有种子点所在区域中最外侧任一一个点为起点,利用边界跟踪法确定出初始轮廓,本实施例对此不做限定。
S602,以初始轮廓上各轮廓点为中心,确定多个局部区域。
基于上述S601步骤中确定的初始轮廓,计算机设备以该初始轮廓上所有点为中心,确定多个局部区域,其中该局部区域的大小根据实际情况而定,本实施例对此不做限定。
S603,通过预设局部活动轮廓算法,对各局部区域中各轮廓点的位置进行迭代更新,得到各轮廓点的精确位置。
基于上述根据各点确定的多个局部区域,计算机设备通过预设的局部活动轮廓算法,对各局部区域中各轮廓点的位置进行迭代更新,得到各轮廓点的精确位置,其中计算机设备更新迭代的次数可以预先设定,更新到该预设次数后即停止更新。
S604,将各轮廓点的精确位置组成的平滑曲线,确定为分割结果。
根据各轮廓点的精确位置,计算机设备将更新的各轮廓点的精确位置组成平滑曲线,构成最后目标区域的轮廓,即为最终的分割结果。
本实施例中,计算机设备通过局部轮廓区域算法,对生成的所有种子点所构成的区域进行了精分割,得到分割结果,由于局部活动轮廓算法可以有效地利用了图像边界附近的局部信息,排除了图像中无关信息的干扰,因此,可以大大提高目标区域分割结果的精确性。
上述图2实施例中目标区域的外边界点在某些情况下可能定位错位,从而导致根据该外边界点确定的目标区域的下边界线和目标区域的参考种子点确定错误,例如,某些病人在进行头部横断面CT扫描时,其头部前倾角度过大,造成额窦内空气区域的外边界点的位置要高于鼻腔内空气区域外边界点的位置,即额头高于鼻尖,从而导致鼻腔下边界会被错误地定位到额窦,因此,需要对鼻腔边界的有效性进行判断,以保证目标区域的下边界线和目标区域的参考种子点的准确定,则本申请实施例提供了一种分割方法,在上述S103步骤之前,如图7所示,该方法还包括:
S701,获取参考种子点与参考种子点所在横断面医学图像的质心之间的距离。
本实施例中,计算机设备计算参考种子点与其所在横断面医学影像的质心之间的距离,其中,计算机设备计算该距离的方式可以是先确定参考种子点所在横断面医学图像的质心,然后根据参考种子点和该质心各自的坐标,确定两点之间的距离。
S702,若距离大于预设的距离阈值,则重新确定目标区域的下边界线和目标区域的参考种子点。
基于上述S701步骤中确定的参考种子点与参考种子点所在横断面医学图像的质心之间的距离,判断该距离与预设的距离阈值之间的大小关系,若该距离小于预设的距离阈值,则表示上述目标区域的下边界线和目标区域的参考种子点确定的正确,否则,若该距离大于预设的距离阈值,则表示上述目标区域的下边界线和目标区域的参考种子点不正确,需要计算机设备重新确定。其中计算机设备重新确定的方式可以是将当前错误的目标区域的下边界线至头顶的横断面图像序列确定为无效横断面医学图像序列,剩余的横断面图像序列确定为有效横断面医学图像序列,然后在该有效的横断面医学图像序列中,重新采用步骤S101确定目标区域的外边界点,继而根据S102步骤以及重新确定的目标区域的外边界点确定目标区域的下边界线和目标区域的参考种子点。可以理解的是,对于重新确定可以继续验证是否正确,若不正确,继续重新确定,直到确定的目标区域的下边界线和目标区域的参考种子点验证正确为止。
应该理解的是,虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种分割装置,包括:外边界点模块10、基准确定模块11、有效序列模块12和分割模块13,其中,
外边界点模块10,用于根据头部的横断面医学图像序列确定目标区域的外边界点;
基准确定模块11,用于根据目标区域的外边界点确定目标区域的下边界线和目标区域的参考种子点;
有效序列模块12,用于根据目标区域的下边界线确定头部的有效横断面医学图像序列;
分割模块13,用于根据参考种子点,对有效横断面医学图像序列中的目标区域进行分割,得到分割结果。
上述实施例提供的一种分割装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图9所示,提供了一种分割装置,上述外边界点模块10包括:区域确定单元101和外边界点单元102,其中,
区域确定单元101,用于获取横断面医学图像序列中的各横断面医学图像中的空气区域;
外边界点单元102,用于根据各横断面医学图像中的空气区域所有点的坐标,将最上侧纵坐标对应的点确定为目标区域的外边界点。
上述实施例提供的一种分割装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图10所示,提供了一种分割装置,上述基准确定模块11包括矢面图像单元111、感兴趣区域单元112、目标结构轮廓单元113和下边界线单元114,其中,
矢面图像单元111,用于获取目标区域的外边界点所在的矢状面医学图像;
感兴趣区域单元112,用于以目标区域的外边界点为中心,在矢状面医学图像中确定感兴趣区域;
目标结构轮廓单元113,用于确定感兴趣区域中空气区域的最外侧点,并以最外侧点为起点,确定目标区域内的目标结构的轮廓;
下边界线单元114,用于将目标结构的轮廓的最下侧点所在直线确定为目标区域的下边界线。
上述实施例提供的一种分割装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图11所示,提供了一种分割装置,上述基准确定模块11还包括:
区域确定单元115,用于确定参考横断面医学图像的所有空气区域;参考横断面医学图像为目标区域的外边界点所在的医学图像;
距离场单元116,用于获取参考横断面医学图像中各空气区域的欧式距离场;
候选点单元117,用于将欧式距离场最大值对应的点,确定为参考横断面医学图像各空气区域的候选种子点;
参考点单元118,用于将各候选种子点中同时满足各预设判断条件的点,确定为参考种子点;判断条件包括对各候选种子点位置的限定。
上述实施例提供的一种分割装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图12所示,提供了一种分割装置,上述分割模块13包括:准则判断单元131、新种子单元132、全部判断单元133和精分割单元134,其中,
准则判断单元131,用于判断参考种子点在有效横断面图像序列中的各邻域点是否满足预设的生长准则;
新种子单元132,用于将满足生长准则的邻域点作为新的种子点存储至种子点集中,并对各新的种子点进行已生长标记;种子点集为存储目标区域所有种子点的集合;
全部判断单元133,用于判断各新的种子点的各邻域点是否满足生长准则,直至种子点集中的所有种子点全部判断结束为止,得到目标区域所有种子点;
精分割单元134,用于根据目标区域所有种子点,通过预设的局部活动轮廓算法对目标区域进行分割,得到分割结果。
上述实施例提供的一种分割装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,上述精分割单元134,具体用于确定目标区域所有种子点所在区域的初始轮廓;以初始轮廓上各轮廓点为中心,确定多个局部区域;通过预设局部活动轮廓算法,对各局部区域中各轮廓点的位置进行迭代更新,得到各轮廓点的精确位置;将各轮廓点的精确位置组成的平滑曲线,确定为分割结果。
上述实施例提供的一种分割装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图13所示,提供了一种分割装置,上述该装置还包括:
距离模块14,用于获取参考种子点与参考种子点所在横断面医学图像的质心之间的距离;
重新确定单元15,用于若距离大于预设的距离阈值,则重新确定目标区域的下边界和目标区域的参考种子点。
上述实施例提供的一种分割装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
关于分割装置的具体限定可以参见上文中对于分割方法的限定,在此不再赘述。上述分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如上述图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种分割方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据头部的横断面医学图像序列确定目标区域的外边界点;
根据目标区域的外边界点确定目标区域的下边界线和目标区域的参考种子点;
根据目标区域的下边界线确定头部的有效横断面医学图像序列;
根据参考种子点,对有效横断面医学图像序列中的目标区域进行分割,得到分割结果。
上述实施例提供的一种计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据头部的横断面医学图像序列确定目标区域的外边界点;
根据目标区域的外边界点确定目标区域的下边界线和目标区域的参考种子点;
根据目标区域的下边界线确定头部的有效横断面医学图像序列;
根据参考种子点,对有效横断面医学图像序列中的目标区域进行分割,得到分割结果。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种分割方法,其特征在于,所述方法包括:
根据头部的横断面医学图像序列确定目标区域的外边界点;
根据所述目标区域的外边界点确定所述目标区域的下边界线和所述目标区域的参考种子点;
根据所述目标区域的下边界线确定所述头部的有效横断面医学图像序列;
根据所述参考种子点,对所述有效横断面医学图像序列中的所述目标区域进行分割,得到分割结果。
2.根据权利要求1所述的方法,其特征在于,所述根据头部的横断面医学图像序列确定目标区域的外边界点,包括:
获取所述横断面医学图像序列中的各横断面医学图像中的空气区域;
根据各所述横断面医学图像中的空气区域所有点的坐标,将最上侧纵坐标对应的点确定为所述目标区域的外边界点。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述目标区域的外边界点确定所述目标区域的下边界线,包括:
获取所述目标区域的外边界点所在的矢状面医学图像;
以所述目标区域的外边界点为中心,在所述矢状面医学图像中确定感兴趣区域;
确定所述感兴趣区域中空气区域的最外侧点,并以所述最外侧点为起点,确定所述目标区域内的目标结构的轮廓;
将所述目标结构的轮廓的最下侧点所在直线确定为所述目标区域的下边界线。
4.根据权利要求1或2所述的方法,其特征在于,所述根据所述目标区域的外边界点确定所述目标区域的参考种子点,包括:
确定参考横断面医学图像的所有空气区域;所述参考横断面医学图像为所述目标区域的外边界点所在的医学图像;
获取所述参考横断面医学图像中各空气区域的欧式距离场;
将所述欧式距离场最大值对应的点,确定为所述参考横断面医学图像各空气区域的候选种子点;
将各所述候选种子点中同时满足各预设判断条件的点,确定为所述参考种子点;所述判断条件包括对各所述候选种子点位置的限定。
5.根据权利要求1或2所述的方法,其特征在于,在所述有效横断面医学图像序列中,根据所述参考种子点对所述目标区域进行分割,得到分割结果,包括:
判断所述参考种子点在所述有效横断面图像序列中的各邻域点是否满足预设的生长准则;
将满足所述生长准则的邻域点作为新的种子点存储至种子点集中,并对各所述新的种子点进行已生长标记;所述种子点集为存储所述目标区域所有种子点的集合;
判断各所述新的种子点的各邻域点是否满足所述生长准则,直至所述种子点集中的所有种子点全部判断结束为止,得到所述目标区域所有种子点;
根据所述目标区域所有种子点,通过预设的局部活动轮廓算法对所述目标区域进行分割,得到所述分割结果。
6.根据权利要求4所述的方法,其特征在于,所述根据所述目标区域所有种子点,通过预设的局部活动轮廓算法对所述目标区域进行分割,得到所述分割结果,包括:
确定所述目标区域所有种子点所在区域的初始轮廓;
以所述初始轮廓上各轮廓点为中心,确定多个局部区域;
通过所述预设局部活动轮廓算法,对各所述局部区域中各轮廓点的位置进行迭代更新,得到各所述轮廓点的精确位置;
将各所述轮廓点的精确位置组成的平滑曲线,确定为所述分割结果。
7.根据权利要求1所述的方法,其特征在于,在所述根据所述目标区域的下边界线确定所述头部的有效横断面医学图像序列之前,所述方法还包括:
获取所述参考种子点与所述参考种子点所在横断面医学图像的质心之间的距离;
若所述距离大于预设的距离阈值,则重新确定所述目标区域的下边界和所述目标区域的参考种子点。
8.一种分割装置,其特征在于,所述装置包括:
外边界点模块,用于根据头部的横断面医学图像序列确定目标区域的外边界点;
基准确定模块,用于根据所述目标区域的外边界点确定所述目标区域的下边界线和所述目标区域的参考种子点;
有效序列模块,用于根据所述目标区域的下边界线确定所述头部的有效横断面医学图像序列;
分割模块,用于根据所述参考种子点,对所述有效横断面医学图像序列中的所述目标区域进行分割,得到分割结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911759.8A CN110717915B (zh) | 2019-09-25 | 2019-09-25 | 分割方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911759.8A CN110717915B (zh) | 2019-09-25 | 2019-09-25 | 分割方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717915A true CN110717915A (zh) | 2020-01-21 |
CN110717915B CN110717915B (zh) | 2022-05-27 |
Family
ID=69210863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910911759.8A Active CN110717915B (zh) | 2019-09-25 | 2019-09-25 | 分割方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717915B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299081A (zh) * | 2021-12-16 | 2022-04-08 | 北京朗视仪器股份有限公司 | 一种上颌窦cbct图像分割方法、装置、存储介质及电子设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099385A1 (en) * | 2001-11-23 | 2003-05-29 | Xiaolan Zeng | Segmentation in medical images |
US20090136108A1 (en) * | 2007-09-27 | 2009-05-28 | The University Of British Columbia | Method for automated delineation of contours of tissue in medical images |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断系统 |
CN103400365A (zh) * | 2013-06-26 | 2013-11-20 | 成都金盘电子科大多媒体技术有限公司 | 肺区ct序列自动分割方法 |
CN103489198A (zh) * | 2013-10-21 | 2014-01-01 | 钟映春 | 从序列mr图像中自动分割脑干区域的方法 |
CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
CN106651842A (zh) * | 2016-12-09 | 2017-05-10 | 江西中科九峰智慧医疗科技有限公司 | 一种ct影像肺结节种子点自动获取和分割方法 |
US20170154435A1 (en) * | 2015-11-30 | 2017-06-01 | Lexmark International Technology Sa | System and Methods of Segmenting Vessels from Medical Imaging Data |
CN106952273A (zh) * | 2017-03-09 | 2017-07-14 | 上海联影医疗科技有限公司 | 医学图像中胰腺的分割方法及装置 |
CN108460774A (zh) * | 2018-03-29 | 2018-08-28 | 河北北方学院 | 一种肺部医学图像自动分割方法 |
CN109345517A (zh) * | 2018-09-19 | 2019-02-15 | 上海联影医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN109544566A (zh) * | 2018-11-29 | 2019-03-29 | 上海联影医疗科技有限公司 | 冠脉图像分割方法、装置、计算机设备和存储介质 |
CN109801295A (zh) * | 2018-12-26 | 2019-05-24 | 西安电子科技大学 | 基于二次限制区域生长法的图像分割方法 |
-
2019
- 2019-09-25 CN CN201910911759.8A patent/CN110717915B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099385A1 (en) * | 2001-11-23 | 2003-05-29 | Xiaolan Zeng | Segmentation in medical images |
US20090136108A1 (en) * | 2007-09-27 | 2009-05-28 | The University Of British Columbia | Method for automated delineation of contours of tissue in medical images |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断系统 |
CN103400365A (zh) * | 2013-06-26 | 2013-11-20 | 成都金盘电子科大多媒体技术有限公司 | 肺区ct序列自动分割方法 |
CN103489198A (zh) * | 2013-10-21 | 2014-01-01 | 钟映春 | 从序列mr图像中自动分割脑干区域的方法 |
CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
US20170154435A1 (en) * | 2015-11-30 | 2017-06-01 | Lexmark International Technology Sa | System and Methods of Segmenting Vessels from Medical Imaging Data |
CN106651842A (zh) * | 2016-12-09 | 2017-05-10 | 江西中科九峰智慧医疗科技有限公司 | 一种ct影像肺结节种子点自动获取和分割方法 |
CN106952273A (zh) * | 2017-03-09 | 2017-07-14 | 上海联影医疗科技有限公司 | 医学图像中胰腺的分割方法及装置 |
CN108460774A (zh) * | 2018-03-29 | 2018-08-28 | 河北北方学院 | 一种肺部医学图像自动分割方法 |
CN109345517A (zh) * | 2018-09-19 | 2019-02-15 | 上海联影医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN109544566A (zh) * | 2018-11-29 | 2019-03-29 | 上海联影医疗科技有限公司 | 冠脉图像分割方法、装置、计算机设备和存储介质 |
CN109801295A (zh) * | 2018-12-26 | 2019-05-24 | 西安电子科技大学 | 基于二次限制区域生长法的图像分割方法 |
Non-Patent Citations (7)
Title |
---|
WANKAI DENG ET AL.: "《MRI brain tumor segmentation with region growing method based on the gradients and variances along and inside of the boundary curve》", 《2010 3RD INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND INFORMATICS》 * |
唐明轩: "《基于DenseNet的医学图像分割研究与应用》", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
李钢: "《偏微分与变分技术在图像分割中的应用研究》", 30 June 2019, 北京理工大学出版社 * |
石峰: "《三维医学图像精准分割算法研究》", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
裴晓敏 等: "《CT 图像中肺实质的自动分割》", 《中国医学影像技术》 * |
郝凯飞: "《中国数字人鼻部薄层断面解剖及三维可视化研究》", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
闵秋莎: "《医学图像压缩算法与应用研究》", 31 May 2018, 华中师范大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299081A (zh) * | 2021-12-16 | 2022-04-08 | 北京朗视仪器股份有限公司 | 一种上颌窦cbct图像分割方法、装置、存储介质及电子设备 |
CN114299081B (zh) * | 2021-12-16 | 2023-02-17 | 北京朗视仪器股份有限公司 | 一种上颌窦cbct图像分割方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110717915B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11455732B2 (en) | Knowledge-based automatic image segmentation | |
US8682074B2 (en) | Method for checking the segmentation of a structure in image data | |
US8457379B2 (en) | Method for quantifying organ motion, apparatus therefor, method for estimating organ position, apparatus therefor, method for irradiating radiation, apparatus therefor, and apparatus for detecting abnormal organ | |
CN113330485A (zh) | 评估将图像分割成不同类型组织的质量,用于使用肿瘤治疗场(TTField)来计划治疗 | |
CN113397704B (zh) | 机器人定位方法、装置、系统及计算机设备 | |
JP7486485B2 (ja) | 脳画像内の領域を特定するための装置 | |
JP6469731B2 (ja) | 画像をセグメント化するためのパラメータの最適化 | |
US20150302603A1 (en) | Knowledge-based automatic image segmentation | |
CN114842003B (zh) | 一种医学影像随访目标配对方法、装置及应用 | |
CN110717915B (zh) | 分割方法、装置、计算机设备和存储介质 | |
CN114081625B (zh) | 导航路径规划方法、系统和可读存储介质 | |
CN110751187A (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN113362345A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN112950600A (zh) | 脑标识提取方法、装置、计算机设备和存储介质 | |
CN111899273A (zh) | 图像分割方法、计算机设备和存储介质 | |
CN110378910B (zh) | 基于图谱融合的腹腔多器官分割方法及装置 | |
CN116777887A (zh) | 血管中心线树的提取方法、装置、设备、介质及程序产品 | |
CN109712186B (zh) | 图像中勾画感兴趣区域的方法、计算机设备和存储介质 | |
CN106485244B (zh) | 采样方法及装置 | |
Todd et al. | An analysis of medical image processing methods for segmentation of the inner ear | |
CN111524081B (zh) | 肺部影像角度矫正方法、装置、电子设备和存储介质 | |
Lenkiewicz et al. | The whole mesh deformation model: a fast image segmentation method suitable for effective parallelization | |
CN114764807A (zh) | 冠脉分割方法、装置、计算机设备和存储介质 | |
CN113658113A (zh) | 医学影像检测方法和医学影像检测模型的训练方法 | |
KR20240005426A (ko) | 심장 벽의 센터 라인 추출 방법 |
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 |