CN110866905A - 一种肋骨识别与标注方法 - Google Patents

一种肋骨识别与标注方法 Download PDF

Info

Publication number
CN110866905A
CN110866905A CN201911099798.9A CN201911099798A CN110866905A CN 110866905 A CN110866905 A CN 110866905A CN 201911099798 A CN201911099798 A CN 201911099798A CN 110866905 A CN110866905 A CN 110866905A
Authority
CN
China
Prior art keywords
dimensional
rib
information table
image
connected region
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.)
Pending
Application number
CN201911099798.9A
Other languages
English (en)
Inventor
殷凯
付志辉
贾俊铖
王佳
钱逸飞
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.)
Suzhou University
Suzhou Hospital of Traditional Chinese Medicine
Original Assignee
Suzhou University
Suzhou Hospital of Traditional Chinese Medicine
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 Suzhou University, Suzhou Hospital of Traditional Chinese Medicine filed Critical Suzhou University
Priority to CN201911099798.9A priority Critical patent/CN110866905A/zh
Publication of CN110866905A publication Critical patent/CN110866905A/zh
Pending legal-status Critical Current

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
    • G06T7/187—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
    • G06T2207/10072—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30204—Marker

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)

Abstract

本发明公开了一种肋骨识别与标注方法，包括：获取脊柱的两个边界的X轴坐标，对脊柱进行分割；对胸部扫描图像中的所有实体进行编号，生成连通区域编号合集；在分割脊柱的X坐标外侧选择两个矢状面图像；筛选出矢状面图像上的肋骨信息，生成二维信息表；将二维坐标映射为三维坐标，将对应的连通区域编号与二维信息表中的坐标参数进行匹配，形成三维信息表；在三维信息表的基础上，对选中的立体连通区域进行三维特征计算，筛选并识别出胸部扫描图像中的所有肋骨。本发明能够通过脊柱分割、矢状面肋骨提取、二维到三维的映射、结果过滤四个步骤，完成对胸部扫描图像中的肋骨识别和标注，识别时间短、计算效率高，占用资源小，并且识别准确率高。

Description

一种肋骨识别与标注方法
技术领域
本发明涉及胸部医学影像处理技术领域，具体而言涉及一种肋骨识别与标注方法。
背景技术
计算机断层成像(Computerized Tomography，以下简称CT)扫描成像技术在胸部医学影像诊断方面得到了广泛的应用，同时也使得计算机使用图像处理辅助医学诊断成为了可能。
由于肋骨在胸部CT扫描中分布较广，在某一角度的二维切面中进行诊断难以进行精确的定位以及量化，需要结合多个角度多张图片进行诊断和标注，重复进行二维图像诊断整个诊断过程繁复耗时，还容易造成漏诊，增加医务工作者的工作难度。因此亟需一种方法，能够在三维扫描图像中标注整个肋骨实体。
发明内容
本发明目的在于提供一种肋骨识别与标注方法，依次通过脊柱分割、矢状面肋骨提取、二维到三维的映射、结果过滤四个步骤，完成对胸部扫描图像中的肋骨识别和标注，识别时间短、计算效率高，占用资源小，并且识别准确率高。
为达成上述目的，结合图1，本发明提出一种肋骨识别与标注方法，所述方法包括：
S1：结合胸部扫描图像，获取脊柱的两个边界的X轴坐标，利用获取的X轴坐标对脊柱进行分割；
S2：采用三维连通区域算法，对胸部扫描图像中的所有实体进行编号，重建CT扫描序列，在序列中将同一个连通分量的体素标记为同一个数字，生成连通区域编号合集S；
S3：在分割脊柱的X坐标外侧选择两个矢状面图像，所述矢状面图像上包括所有肋骨的截面信息；筛选出矢状面图像上的肋骨信息，生成二维信息表，所述二维信息表中包括所有肋骨实体的y轴、z轴坐标参数和尺寸参数；
S4：结合二维信息表中的y轴、z轴坐标参数和矢状面图像所包含的肋骨实体的x轴坐标参数，将二维坐标映射为三维坐标，将对应的连通区域编号与二维信息表中的坐标参数进行匹配，形成三维信息表，三维信息表中包括所有肋骨的连通区域编号；
S5：在三维信息表的基础上，对选中的立体连通区域进行三维特征计算，筛选并识别出胸部扫描图像中的所有肋骨。
进一步的实施例中，步骤S1中，所述结合胸部扫描图像，获取脊柱的两个边界的X轴坐标，利用获取的X轴坐标对脊柱进行分割的过程包括以下步骤：
S11：结合人体各器官组织的密度特性，从扫描获取的三维图像中提取出胸腔骨组织；
S12：以Z轴方向为基准，将胸部扫描图像划分成8部分，将每个部分的X轴作为横坐标，得到8个直方图；
S13：计算8个直方图的差分，获取8对突变点，将获取的突变点的X轴坐标作为脊柱的两个边界的X轴坐标。
进一步的实施例中，步骤S11中，所述从扫描获取的三维图像中提取出胸腔骨组织的过程包括以下步骤：
S111：结合人体各器官组织的密度特性，从三维图像中提取出胸腔；
S112：对每个切片迭代执行阈值为400h.u.操作，提取出胸腔骨组织。
进一步的实施例中，所述方法还包括：
在脊柱分割过程中，将整张切片图像用零填充。
进一步的实施例中，步骤S3中，所述筛选出矢状面图像上的肋骨信息，生成二维信息表的过程包括：
S31：采用二维连通区域算法将矢状面图像上的实体信息绘制成初始二维信息表T2D，初始二维信息表T2D由y坐标、z坐标、宽、高、面积组成；
S32：采用支持向量机SVM生成的肋骨分类器，从初始二维信息表T2D中筛选出矢状面图像上的肋骨信息，对初始二维信息表T2D进行优化，得到最终的二维信息表T2D-SVM。
进一步的实施例中，所述肋骨分类器的生成过程包括：
S321：采用支持向量机SVM生成初始肋骨分类器；
S322：从初始二维信息表T2D中获取若干组实体信息，对其进行标注分类结果后，作为样本数据；
S323：按照每个CT的尺寸信息归一化样本数据，对初始肋骨分类器进行训练，以获取最终的肋骨分类器。
进一步的实施例中，步骤S5中，所述在三维信息表的基础上，对选中的立体连通区域进行三维特征计算，筛选并识别出胸部扫描图像中的所有肋骨的过程包括以下步骤：
S51：分离出目标部位的3D连通区域；
S52：对分离出的3D连通区域进行计算，获取目标部位的体积；
S53：结合实际肋骨特征，从胸部扫描图像中识别出所有肋骨，并对其进行标注。
进一步的实施例中，步骤S51中，所述分离出目标部位的3D连通区域的过程包括以下步骤：
结合二维信息表对连通区域编号合集S做以下逻辑运算：
Selected_Components＝(3DReslut＝＝Component_Label)
将编号意外的连通区域全部置0，该编号的连通区域置1。
进一步的实施例中，步骤S52中，所述对分离出的3D连通区域进行计算，获取目标部位的体积的过程包括以下步骤：
对整个逻辑运算结果进行求和，并且乘以空间像素的物理尺寸即可获得目标部位的体积。
进一步的实施例中，步骤S53中，结合实际肋骨特征，从胸部扫描图像中识别出所有肋骨，并对其进行标注是指，
S531：设定体积阈值范围；
S532：筛选出计算体积属于体积阈值范围内的所有部位；
S533：结合实际肋骨特征，对筛选出的部位进行识别和标注。
以上本发明的技术方案，与现有相比，其显著的有益效果在于：
(1)依次通过脊柱分割、矢状面肋骨提取、二维到三维的映射、结果过滤四个步骤，完成对胸部扫描图像中的肋骨识别和标注，识别准确率高，识别速度快。
(2)采用肋骨分类器快速过滤掉矢状面图像上的非肋骨信息，计算过程基于过滤后的信息表，计算效率高，占用资源小，进一步提高了识别速度。
(3)考虑到少数个体肋骨钙化，肋骨连接在胸骨上，对整张矢状面图像用零填充，提高脊柱分割结果的准确性。
(4)采用逻辑运算的方法从胸部扫描图像中快速提取出目标部位并计算体积，处理效率高。
(5)结合肋骨体积特征对胸部扫描图像中的实体再次进行过滤，提高识别准确率和识别效率。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是本发明的肋骨识别与标注方法的流程图。
图2是本发明的CT分块统计直方图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
结合图1，本发明提及一种肋骨识别与标注方法，所述方法包括：
S1：结合胸部扫描图像，获取脊柱的两个边界的X轴坐标，利用获取的X轴坐标对脊柱进行分割。
S2：采用三维连通区域算法，对胸部扫描图像中的所有实体进行编号，重建CT扫描序列，在序列中将同一个连通分量的体素标记为同一个数字，生成连通区域编号合集S。
S3：在分割脊柱的X坐标外侧选择两个矢状面图像，所述矢状面图像上包括所有肋骨的截面信息；筛选出矢状面图像上的肋骨信息，生成二维信息表，所述二维信息表中包括所有肋骨实体的y轴、z轴坐标参数和尺寸参数。
S4：结合二维信息表中的y轴、z轴坐标参数和矢状面图像所包含的肋骨实体的x轴坐标参数，将二维坐标映射为三维坐标，将对应的连通区域编号与二维信息表中的坐标参数进行匹配，形成三维信息表，三维信息表中包括所有肋骨的连通区域编号。
S5：在三维信息表的基础上，对选中的立体连通区域进行三维特征计算，筛选并识别出胸部扫描图像中的所有肋骨。
本发明所提及的肋骨识别与标注方法大致分为以下几个步骤：脊柱分割、矢状面肋骨提取、二维到三维的映射、以及过滤器。下面结合具体例子对每个步骤进行详细描述。
一、脊柱分割
脊柱分割的目的是找到两个脊柱边界的X轴坐标，并用这些坐标对脊柱进行分割，从而使三维连通部件算法能够对不同的肋骨进行标记。
第一步，从扫描图像中提取骨组织。
由于骨密度与人体其他器官组织的密度有很大的不同，因此可以很容易地从整个三维图像中提取出胸腔。再对每个切片迭代执行阈值为400h.u.操作，就能有效地取出胸腔骨组织。
第二步，找到脊柱的边界并将其分割。
该步骤包括以下几个部分：(1)首先，将CT扫描分为Z轴8部分；(2)其次，将每个块的X轴用作横坐标，并且可以得到八个直方图。图2显示了其中一个直方图。(3)最后，计算这8个直方图的差分，找到8对突变点。这些突变点的X轴坐标就是需要寻找的目标。
优选的，在进行脊柱分割的过程中，考虑到少数个体的肋骨钙化，导致肋骨也连接在胸骨上，因此直接将整张矢状面的图像用零填充，就完成了脊柱的分割过程。
第三步，将处理后的数据馈送到3D连通区域进行进一步的处理。
利用现有的三维连通区域算法，对所有的实体进行编号，重建CT扫描序列，在序列中将同一个连通分量的体素标记为同一个数字，作为每个连通区域的编号，这一结果被记为S。此时仍很难确定肋骨的具体位置和数目。
二、识别肋骨
通常，由3D连通区域算法标记的数量非常大，例如上万个。然而，我们最多有12对肋骨需要鉴定。因此，如果直接使用三维处理方法，则效率低下，计算资源占用率高。针对该技术问题，本发明提出了以下技术方案：
第一步，在分割脊柱的X坐标外侧重新选择两个矢状面，该矢状面上会包含24根肋骨的截面和一些其他的物体。
第二步，使用二维连通区域算法获得所有实体的信息绘制成一张初始二维信息表T2D，这张表由y、z、宽、高、面积组成，记为(y，z，w，h，area)。
第三步，提取肋骨信息。
由于信息表T2D中包含有大量的非肋骨的信息，为了提高处理效率，本发明提出采用支持向量机SVM生成肋骨分类器，通过肋骨分类器对矢状面图像上的非肋骨信息进行删除。输出的二维信息表T2D-SVM将保持与T2D相同的结构，仍然是(y、z、w、h、a)
关于肋骨分类器的生成过程：在信息表T2D中的数据输入到支持向量机之前，可以从信息表T2D中获取一些样本数据，对这些样本数据执行人工分类，分类后在信息表T2D中添加一个结果列，最终组成为(y，z，w，h，area，cls)。之后按照每个CT的尺寸信息归一化这些数据，例如y/y_scale刻度表示候选在y轴位置的比例，w/z_scale刻度表示物体在z轴上的宽度比例，area/(y_scale*z_scale)表示候选的面积比。最后输入样本数据，用支持向量机训练分类器对模型进行训练。
三、二维到三维的映射
利用信息表T2D中的z、y坐标和选中矢状面的x坐标，可以将二维坐标直接映射到三维算法的结果中。将对应的3D连通区域的标记数与二维信息表T2D-SVM进行匹配，形成新的三维映射表T3D。三维映射表T3D可以只包含肋骨的连通区域编号。在三维映射表T3D的基础上，对选定的连接部件进行三维特征计算是相当容易的。
四、过滤器
该步骤的目的是对已选中的几个立体连通区域进行计算和筛选，在已经选中的对象基础上再进行一些过滤。具体的，可以通过三维的特征来进行筛选，比如体积。
筛选体积需要分离出每个部位的3D连通区域。本发明提出了一种非常简洁的方法用以提取目标的三维矩阵。具体的，首先结合二维信息表T2D-SVM对连通区域编号合集S做逻辑运算：
Selected_Components＝(3DReslut＝＝Component_Label)
判断结果同样是三维矩阵，将编号以外的连同区域全部置零(False)，该编号的连通区域全部置1(True)。之后对整个逻辑运算结果进行求和，并乘以空间像素的物理尺寸即可获得3D连同区域的体积。对3D算法结果进行体积筛选，选定范围去除过低或过高值能够对准确率有非常显著的提升。
通过前述四个步骤，即可以顺利识别胸部扫描图像中的所有肋骨并标注它们。
以上所述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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种肋骨识别与标注方法，其特征在于，所述方法包括：
S1：结合胸部扫描图像，获取脊柱的两个边界的X轴坐标，利用获取的X轴坐标对脊柱进行分割；
S2：采用三维连通区域算法，对胸部扫描图像中的所有实体进行编号，重建CT扫描序列，在序列中将同一个连通分量的体素标记为同一个数字，生成连通区域编号合集S；
S3：在分割脊柱的X坐标外侧选择两个矢状面图像，所述矢状面图像上包括所有肋骨的截面信息；筛选出矢状面图像上的肋骨信息，生成二维信息表，所述二维信息表中包括所有肋骨实体的y轴、z轴坐标参数和尺寸参数；
S4：结合二维信息表中的y轴、z轴坐标参数和矢状面图像所包含的肋骨实体的x轴坐标参数，将二维坐标映射为三维坐标，将对应的连通区域编号与二维信息表中的坐标参数进行匹配，形成三维信息表，三维信息表中包括所有肋骨的连通区域编号；
S5：在三维信息表的基础上，对选中的立体连通区域进行三维特征计算，筛选并识别出胸部扫描图像中的所有肋骨。
2.根据权利要求1所述的肋骨识别与标注方法，其特征在于，步骤S1中，所述结合胸部扫描图像，获取脊柱的两个边界的X轴坐标，利用获取的X轴坐标对脊柱进行分割的过程包括以下步骤：
S11：结合人体各器官组织的密度特性，从扫描获取的三维图像中提取出胸腔骨组织；
S12：以Z轴方向为基准，将胸部扫描图像划分成8部分，将每个部分的X轴作为横坐标，得到8个直方图；
S13：计算8个直方图的差分，获取8对突变点，将获取的突变点的X轴坐标作为脊柱的两个边界的X轴坐标。
3.根据权利要求2所述的肋骨识别与标注方法，其特征在于，步骤S11中，所述从扫描获取的三维图像中提取出胸腔骨组织的过程包括以下步骤：
S111：结合人体各器官组织的密度特性，从三维图像中提取出胸腔；
S112：对每个切片迭代执行阈值为400h.u.操作，提取出胸腔骨组织。
4.根据权利要求2所述的肋骨识别与标注方法，其特征在于，所述方法还包括：
在脊柱分割过程中，将整张切片图像用零填充。
5.根据权利要求1所述的肋骨识别与标注方法，其特征在于，步骤S3中，所述筛选出矢状面图像上的肋骨信息，生成二维信息表的过程包括：
S31：采用二维连通区域算法将矢状面图像上的实体信息绘制成初始二维信息表T2D，初始二维信息表T2D由y坐标、z坐标、宽、高、面积组成；
S32：采用支持向量机SVM生成的肋骨分类器，从初始二维信息表T2D中筛选出矢状面图像上的肋骨信息，对初始二维信息表T2D进行优化，得到最终的二维信息表T2D-SVM。
6.根据权利要求5所述的肋骨识别与标注方法，其特征在于，所述肋骨分类器的生成过程包括：
S321：采用支持向量机SVM生成初始肋骨分类器；
S322：从初始二维信息表T2D中获取若干组实体信息，对其进行标注分类结果后，作为样本数据；
S323：按照每个CT的尺寸信息归一化样本数据，对初始肋骨分类器进行训练，以获取最终的肋骨分类器。
7.根据权利要求1所述的肋骨识别与标注方法，其特征在于，步骤S5中，所述在三维信息表的基础上，对选中的立体连通区域进行三维特征计算，筛选并识别出胸部扫描图像中的所有肋骨的过程包括以下步骤：
S51：分离出目标部位的3D连通区域；
S52：对分离出的3D连通区域进行计算，获取目标部位的体积；
S53：结合实际肋骨特征，从胸部扫描图像中识别出所有肋骨，并对其进行标注。
8.根据权利要求7所述的肋骨识别与标注方法，其特征在于，步骤S51中，所述分离出目标部位的3D连通区域的过程包括以下步骤：
结合二维信息表对连通区域编号合集S做以下逻辑运算：
Selected_Components＝(3DReslut＝＝Component_Label)
将编号意外的连通区域全部置0，该编号的连通区域置1。
9.根据权利要求8所述的肋骨识别与标注方法，其特征在于，步骤S52中，所述对分离出的3D连通区域进行计算，获取目标部位的体积的过程包括以下步骤：
对整个逻辑运算结果进行求和，并且乘以空间像素的物理尺寸即可获得目标部位的体积。
10.根据权利要求9所述的肋骨识别与标注方法，其特征在于，步骤S53中，结合实际肋骨特征，从胸部扫描图像中识别出所有肋骨，并对其进行标注是指，
S531：设定体积阈值范围；
S532：筛选出计算体积属于体积阈值范围内的所有部位；
S533：结合实际肋骨特征，对筛选出的部位进行识别和标注。
CN201911099798.9A 2019-11-12 2019-11-12 一种肋骨识别与标注方法 Pending CN110866905A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911099798.9A CN110866905A (zh) 2019-11-12 2019-11-12 一种肋骨识别与标注方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911099798.9A CN110866905A (zh) 2019-11-12 2019-11-12 一种肋骨识别与标注方法

Publications (1)

Publication Number Publication Date
CN110866905A true CN110866905A (zh) 2020-03-06

Family

ID=69653807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911099798.9A Pending CN110866905A (zh) 2019-11-12 2019-11-12 一种肋骨识别与标注方法

Country Status (1)

Country Link
CN (1) CN110866905A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508858A (zh) * 2020-11-17 2021-03-16 杭州依图医疗技术有限公司 一种医学影像处理方法及装置、计算机设备
CN112529849A (zh) * 2020-11-27 2021-03-19 北京深睿博联科技有限责任公司 一种ct肋骨自动计数方法及装置
CN113160248A (zh) * 2021-04-22 2021-07-23 浙江明峰智能医疗科技有限公司 一种图像处理方法、装置、设备及可读存储介质
CN113610825A (zh) * 2021-08-13 2021-11-05 推想医疗科技股份有限公司 术中影像的肋骨识别方法及系统
CN113724310A (zh) * 2021-08-02 2021-11-30 卡本(深圳)医疗器械有限公司 一种基于三维ct的脊柱点云提取算法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508858A (zh) * 2020-11-17 2021-03-16 杭州依图医疗技术有限公司 一种医学影像处理方法及装置、计算机设备
CN112508858B (zh) * 2020-11-17 2024-04-23 杭州依图医疗技术有限公司 一种医学影像处理方法及装置、计算机设备
CN112529849A (zh) * 2020-11-27 2021-03-19 北京深睿博联科技有限责任公司 一种ct肋骨自动计数方法及装置
CN112529849B (zh) * 2020-11-27 2024-01-19 北京深睿博联科技有限责任公司 一种ct肋骨自动计数方法及装置
CN113160248A (zh) * 2021-04-22 2021-07-23 浙江明峰智能医疗科技有限公司 一种图像处理方法、装置、设备及可读存储介质
CN113724310A (zh) * 2021-08-02 2021-11-30 卡本(深圳)医疗器械有限公司 一种基于三维ct的脊柱点云提取算法
CN113610825A (zh) * 2021-08-13 2021-11-05 推想医疗科技股份有限公司 术中影像的肋骨识别方法及系统

Similar Documents

Publication Publication Date Title
CN110866905A (zh) 一种肋骨识别与标注方法
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
CN107622492B (zh) 肺裂分割方法及系统
CN108364294B (zh) 基于超像素的腹部ct图像多器官分割方法
US7315639B2 (en) Method of lung lobe segmentation and computer system
Mharib et al. Survey on liver CT image segmentation methods
Sun et al. Automated 3-D segmentation of lungs with lung cancer in CT data using a novel robust active shape model approach
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
Ma et al. Two graph theory based methods for identifying the pectoral muscle in mammograms
JP6626344B2 (ja) 画像処理装置、画像処理装置の制御方法およびプログラム
Pulagam et al. Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases
CN110706241B (zh) 一种三维病灶区域提取方法和装置
CN108564044B (zh) 一种确定肺结节密度的方法及装置
Tun et al. Feature extraction and classification of lung cancer nodule using image processing techniques
CN104616289A (zh) 一种3d ct图像中骨组织的移除方法及系统
Maitra et al. Accurate breast contour detection algorithms in digital mammogram
Yan et al. Improved mask R-CNN for lung nodule segmentation
EP4118617A1 (en) Automated detection of tumors based on image processing
Weimin et al. Enhancing Liver Segmentation: A Deep Learning Approach with EAS Feature Extraction and Multi-Scale Fusion
GB2451367A (en) Nodule detection in computed tomography images
CN105678711B (zh) 一种基于图像分割的衰减校正方法
Farag et al. Variational approach for segmentation of lung nodules
Elmorsy et al. K3. A region growing liver segmentation method with advanced morphological enhancement
EP1447772B1 (en) A method of lung lobe segmentation and computer system
KR101484051B1 (ko) 능동적 윤곽선 방법을 이용한 cad 시스템을 위한 전처리 장치 및 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