CN110992370A - 一种胰腺组织的分割方法、装置及终端设备 - Google Patents
一种胰腺组织的分割方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110992370A CN110992370A CN201911133182.9A CN201911133182A CN110992370A CN 110992370 A CN110992370 A CN 110992370A CN 201911133182 A CN201911133182 A CN 201911133182A CN 110992370 A CN110992370 A CN 110992370A
- Authority
- CN
- China
- Prior art keywords
- image
- energy function
- segmented
- determining
- pancreatic tissue
- 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
- 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
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)
- Image Analysis (AREA)
Abstract
本申请提供一种胰腺组织的分割方法、装置及终端设备,方法包括:确定待分割CT图像中胰腺组织的初始分割区域;将所述胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据所述初始分割区域的灰度信息构造能量函数;通过梯度下降法最小化所述能量函数,当所述能量函数取得最小值时,将所述能量函数对应的水平集曲线确定为所述胰腺组织的目标轮廓曲线。应用该方法,实现了自动地在CT图像中进行胰腺组织的分割,并且,由于依据初始分割区域的灰度信息构造水平集模型的能量函数,从而实现了水平集曲线在胰腺组织内部进行演化,最终得到较为准确的胰腺组织的目标轮廓曲线。
Description
技术领域
本申请涉及CT图像处理技术领域,尤其涉及一种胰腺组织的分割方法、装置及终端设备。
背景技术
目前,利用CT图像尽早地诊断出胰腺组织病变使得患者痊愈变为可能,而在CT图像上进行胰腺组织的分割是一切诊断过程的重要前提。
现有技术中,主要由医生手动地在CT图像中进行胰腺组织的分割,然而,由于胰腺组织主要位于人体的后腹部膜上,其周围有大量的邻近组织,例如胃、十二指肠、脾脏、大血管等,这些邻近组织与胰腺组织紧密相连且密度相似,再加上CT图像本身噪声、局部体效应,以及组织运动等因素的影响,导致在CT图像上进行胰腺组织的分割较为困难。
发明内容
有鉴于此,本申请提供一种胰腺组织的分割方法、装置及终端设备,以解决现有技术中手动地在CT图像上进行胰腺组织的分割较为困难的问题。
根据本申请实施例的第一方面,提供一种胰腺组织的分割方法,所述方法包括:
确定待分割CT图像中胰腺组织的初始分割区域;
将所述胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据所述初始分割区域的灰度信息构造能量函数;
通过梯度下降法最小化所述能量函数,当所述能量函数取得最小值时,将所述能量函数对应的水平集曲线确定为所述胰腺组织的目标轮廓曲线。
根据本申请实施例的第二方面,提供一种胰腺组织的分割装置,所述装置包括:
第一确定模块,用于确定待分割CT图像中胰腺组织的初始分割区域;
函数构造模块,用于将所述胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据所述初始分割区域的灰度信息构造能量函数;
第二确定模块,用于通过梯度下降法最小化所述能量函数,当所述能量函数取得最小值时,将所述能量函数对应的水平集曲线确定为所述胰腺组织的目标轮廓曲线。
根据本申请实施例的第三方面,提供一种终端设备,包括:内部总线,以及通过内部总线连接的存储器、处理器;其中,
所述存储器,用于存储胰腺组织的分割方法的控制逻辑对应的机器可读指令;
所述处理器,用于读取所述存储器上的所述机器可读指令,并执行所述指令以实现如下操作:
确定待分割CT图像中胰腺组织的初始分割区域;
将所述胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据所述初始分割区域的灰度信息构造能量函数;
通过梯度下降法最小化所述能量函数,当所述能量函数取得最小值时,将所述能量函数对应的水平集曲线确定为所述胰腺组织的目标轮廓曲线。
应用本申请实施例,通过确定待分割CT图像中胰腺组织的初始分割区域,将胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据初始分割区域的灰度信息构造能量函数,通过梯度下降法最小化能量函数,当能量函数取得最小值时,将能量函数对应的水平集曲线确定为胰腺组织的目标轮廓曲线,实现了自动地在CT图像中进行胰腺组织的分割,并且,由于依据初始分割区域的灰度信息构造水平集模型的能量函数,从而实现了水平集曲线在胰腺组织内部进行演化,最终得到较为准确的胰腺组织的目标轮廓曲线。
附图说明
图1为本申请一示例性实施例示出的一种胰腺组织的分割方法的实施例流程图;
图2为本申请一示例性实施例示出的一种步骤102的实现流程;
图3为本申请一示例性实施例示出的另一种胰腺组织的分割方法的实施例流程图;
图4为原始的待分割CT图像与图像增强后的待分割CT图像的示例;
图5为本申请一示例性实施例示出的一种胰腺组织的分割装置的实施例框图;
图6为本申请终端设备的一个实施例示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为了便于理解本申请提出的胰腺组织的分割方法,首先对本申请实施例涉及到的一些名词进行说明:
(1)U-Net模型
U-Net模型是一种改进的FCN(Fully Convolution Networks,全卷积神经网络)结构,其沿用FCN进行图像语义分割的思想,即利用卷积层、池化层进行特征提取,再利用反卷积层还原图像尺寸,被广泛地应用于医学图像的语义分割。
U-Net模型由压缩通道(又称编码部分)和扩展通道(又称解码部分)组成。其中,压缩通道采用卷积神经网络结构,包括2个卷积层和1个最大池化层,作用是逐层提取图像的特征。扩展通道与压缩通道结构类似,其通过先进行1次反卷积操作,使特征图的维数减半,然后拼接对应压缩通道裁剪得到的特征图,重新组成一个2倍大小的特征图,再采用2个卷积层进行特征提取,并重复这一结构,在最后的输出层,用2个卷积层将64维的特征图映射成2维的输出图。压缩通道能够逐渐还原图像的细节信息和位置信息。
(2)水平集
水平集方法是一种基于能量的图像分割方法,其基本思想是是将界面看成高一维空间中某一函数(称为水平集函数)的零水平集,同时界面的演化也扩充到高一维的空间中。其通过求解最小能量函数,得到目标轮廓的表达式。下面通过具体实施例对本申请提出的胰腺组织的分割方法进行说明:
请参见图1,为本申请一示例性实施例示出的一种胰腺组织的分割方法的实施例流程图。
如图1所示,该方法包括以下步骤:
步骤101:确定待分割CT图像中胰腺组织的初始分割区域。
在本申请中,可以先初步在待分割CT图像中确定胰腺组织,为了描述方便,将初步确定出的胰腺组织所在区域称为初始分割区域。需要说明的是,这里的初始分割区域很可能并不准确,因此,在执行完步骤101之后,可以继续执行后续步骤102和步骤103。
作为一个示例,可以通过将待分割CT图像输入至已训练的机器学习模型,得到待分割CT图像中胰腺组织的的初始分割区域。
作为一个可选的实现方式,上述已训练的机器学习模型可以为U-Net模型。采用U-Net模型的优势在于:通过少量的训练样本对U-Net模型进行训练,即可得到较为准确的,可用于预测CT图像中胰腺组织的初始分割区域的机器学习模型。由此则可以弥补医学领域中,通过真实的CT扫描所得到的CT图像的数量有限,不足以支撑模型训练的问题。
作为一个可选的实现方式,在通过真实的CT扫描所得到的CT图像的数量有限的情况下,还可以对真实的CT图像进行裁剪、旋转、平移等操作,得到足够数量的训练样本。
至于具体是如何通过训练样本对U-Net模型进行训练,得到上述已训练的机器学习模型的,这里不再赘述。
作为另一个示例,可以由用户手动确定待分割CT图像中胰腺组织的初始分割区域。
步骤102:将胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据初始分割区域的灰度信息构造能量函数。
基于上述关于水平集的相关描述,在本申请实施例中,可以将胰腺组织的轮廓曲线表示为二维曲面数据的水平集。
与已知的水平集模型不同的是,在本申请实施例中,可以依据初始分割区域的灰度信息构造水平集模型的能量函数,以通过初始分割区域的灰度信息将水平集曲线限制在胰腺组织的内部进行演化,有效避免过分割现象的发生。
至于是如何依据初始分割区域的灰度信息构造能量函数的,下文中通过实施例示出,这里暂不详述。
步骤103:通过梯度下降法最小化能量函数,当能量函数取得最小值时,将能量函数对应的水平集曲线确定为胰腺组织的目标轮廓曲线。
基于上述关于水平集的相关描述,在本步骤中,可以通过梯度下降法最小化步骤102中构造出的能量函数,当能量函数取得最小值时,能量函数对应的水平集曲线即为胰腺组织的轮廓曲线,为了描述方便,将最终确定出的胰腺组织的轮廓曲线称为目标轮廓曲线。
至此,完成图1所示流程。
由上述实施例可见,通过确定待分割CT图像中胰腺组织的初始分割区域,将胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据初始分割区域的灰度信息构造能量函数,通过梯度下降法最小化能量函数,当能量函数取得最小值时,将能量函数对应的水平集曲线确定为胰腺组织的目标轮廓曲线,实现了自动地在CT图像中进行胰腺组织的分割,并且,由于依据初始分割区域的灰度信息构造水平集模型的能量函数,从而实现了水平集曲线在胰腺组织内部进行演化,最终得到较为准确的胰腺组织的目标轮廓曲线。
下面对如何依据初始分割区域的灰度信息构造能量函数进行说明:
请参见图2,为本申请一示例性实施例示出的一种步骤102的实现流程。
如图2所示,该流程包括以下步骤:
步骤201:依据初始分割区域的灰度信息确定待分割CT图像中胰腺组织的灰度值上限和灰度值下限。
作为一个示例,可以确定初始分割区域中像素点的灰度值均值u和灰度值方差σ,依据灰度值均值u和灰度值方差σ确定待分割CT图像中胰腺组织的灰度值上限Ihigh和灰度值下限Ilow。
作为一个可选的实现方式,可以通过如下公式(一)计算出灰度值上限Ihigh,通过如下公式(二)计算出灰度值下限Ilow。
Ilow=u+θ1*σ 公式(一)
Ihigh=u+θ2*σ 公式(二)
在上述公式中,θ1和θ2为常数,且θ2大于θ1。
步骤202:依据灰度值上限和灰度值下限构造灰度信息约束项。
在上述公式(三)中,I(x)表示像素点x的灰度值。
步骤203:依据灰度信息约束项、已知的长度约束项、面积约束项,以及规则项构造能量函数。
上述公式(七)中的函数Hε(x)为郝维赛德阶跃函数,其表达式如下述公式(八)所示:
上述公式(六)中的函数δε(x)为郝维赛德阶跃函数的导数,其表达式如下述公式(九)所示:
上述公式(五)所示例的规则项可以保持符号距离函数的连续性,从而有效避免出现水平集重新初始化的问题。
上述公式(六)所示例的长度约束项可以用来约束水平集曲线的长度,当水平集曲线收敛至最终的目标边缘时长度项的取值最小,同时长度约束项可以使得水平集曲线的表面更加光滑。
上述公式(七)所示例的面积约束项可以用来加速水平集曲线的演化。
至此,完成图2所示流程的描述。
通过图2所示实施例,最终实现了依据初始分割区域的灰度信息构造能量函数。
此外,在应用中,由于胰腺组织在CT图像中,与其周围的组织,例如胃、十二指肠、肝脏等之间的灰度差异较小,因此,直接在原始的CT图像上进行胰腺分割很难得到理想的分割效果,为了解决这一问题,本申请实施例提出了图3所示例的实现流程。
如图3所示,该流程包括以下步骤:
步骤301:利用分数阶微分算法对原始的待分割CT图像进行图像增强。
作为一个示例,可以首先利用分数阶微分算法对原始的待分割CT图像进行图像增强,以提高胰腺组织在CT图像中的对比度。例如,如图4所示,为原始的待分割CT图像与图像增强后的待分割CT图像的示例,图4中(a)为原始的待分割CT图像,(b)为图像增强后的待分割CT图像。
步骤302:确定待分割CT图像中胰腺组织的初始分割区域。
步骤303:将胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据初始分割区域的灰度信息构造能量函数。
步骤304:通过梯度下降法最小化能量函数,当能量函数取得最小值时,将能量函数对应的水平集曲线确定为胰腺组织的轮廓曲线。
至于步骤302至步骤304的详细描述可以参见上述实施例中的相关描述,这里不再赘述。
至此,完成图3所示流程。
通过图3所示流程,首先利用分数阶微分算法对原始的待分割CT图像进行图像增强,可以提高胰腺组织在CT图像中的对比度,之后,在图像增强后的待分割CT图像中进行胰腺组织的分割可以有效地降低分割难度。
与前述胰腺组织的分割方法的实施例相对应,本申请还提供了胰腺组织的分割装置的实施例。
请参见图5,为本申请一示例性实施例示出的一种胰腺组织的分割装置的实施例框图。该图5所示例的装置可以包括:第一确定模块51、函数构造模块52,以及第二确定模块53。
其中,第一确定模块51,用于确定待分割CT图像中胰腺组织的初始分割区域;
函数构造模块52,用于将所述胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据所述初始分割区域的灰度信息构造能量函数;
第二确定模块53,用于通过梯度下降法最小化所述能量函数,当所述能量函数取得最小值时,将所述能量函数对应的水平集曲线确定为所述胰腺组织的轮廓曲线。
在一实施例中,所述第一确定模块51具体用于:
将待分割CT图像输入至已训练的机器学习模型,得到所述待分割CT图像中胰腺组织的初始分割区域。
在一实施例中,所述装置还包括(图5中未示出):
图像增强模块,用于利用分数阶微分算法对原始的待分割CT图像进行图像增强。
在一实施例中,所述函数构造模块52包括(图5中未示出):
确定子模块,用于依据所述初始分割区域的灰度信息确定所述待分割CT图像中胰腺组织的灰度值上限和灰度值下限;
第一构造子模块,用于依据所述灰度值上限和灰度值下限构造灰度信息约束项;
第二构造子模块,用于依据所述灰度信息约束项、已知的长度约束项、面积约束项,以及规则项构造能量函数。
在一实施例中,所述确定子模块具体用于:
确定所述初始分割区域中像素点的灰度值均值和灰度值方差;
依据所述灰度值均值和灰度值方差确定所述待分割CT图像中胰腺组织的灰度值上限和灰度值下限。
请参考图6,为本申请终端设备的一个实施例示意图,该终端设备可以包括:内部总线610,通过内部总线610连接的存储器620、处理器630。
其中,所述存储器620,可以用于存储胰腺组织的分割方法的控制逻辑对应的机器可读指令;
所述处理器630,可以用于读取所述存储器上的所述机器可读指令,并执行所述指令以实现如下操作:
确定待分割CT图像中胰腺组织的初始分割区域;
将所述胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据所述初始分割区域的灰度信息构造能量函数;
通过梯度下降法最小化所述能量函数,当所述能量函数取得最小值时,将所述能量函数对应的水平集曲线确定为所述胰腺组织的轮廓曲线。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (11)
1.一种胰腺组织的分割方法,其特征在于,所述方法包括:
确定待分割CT图像中胰腺组织的初始分割区域;
将所述胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据所述初始分割区域的灰度信息构造能量函数;
通过梯度下降法最小化所述能量函数,当所述能量函数取得最小值时,将所述能量函数对应的水平集曲线确定为所述胰腺组织的目标轮廓曲线。
2.根据权利要求1所述的方法,其特征在于,所述确定待分割CT图像中胰腺组织的初始分割区域,包括:
将待分割CT图像输入至已训练的机器学习模型,得到所述待分割CT图像中胰腺组织的初始分割区域。
3.根据权利要求2所述的方法,其特征在于,在所述将待分割CT图像输入至已训练的机器学习模型之前,所述方法还包括:
利用分数阶微分算法对原始的待分割CT图像进行图像增强。
4.根据权利要求1所述的方法,其特征在于,所述依据所述初始分割区域的灰度信息构造能量函数,包括:
依据所述初始分割区域的灰度信息确定所述待分割CT图像中胰腺组织的灰度值上限和灰度值下限;
依据所述灰度值上限和灰度值下限构造灰度信息约束项;
依据所述灰度信息约束项、已知的长度约束项、面积约束项,以及规则项构造能量函数。
5.根据权利要求4所述的方法,其特征在于,所述依据所述初始分割区域的灰度信息确定所述待分割CT图像中胰腺组织的灰度值上限和灰度值下限,包括:
确定所述初始分割区域中像素点的灰度值均值和灰度值方差;
依据所述灰度值均值和灰度值方差确定所述待分割CT图像中胰腺组织的灰度值上限和灰度值下限。
6.一种胰腺组织的分割装置,其特征在于,所述装置包括:
第一确定模块,用于确定待分割CT图像中胰腺组织的初始分割区域;
函数构造模块,用于将所述胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据所述初始分割区域的灰度信息构造能量函数;
第二确定模块,用于通过梯度下降法最小化所述能量函数,当所述能量函数取得最小值时,将所述能量函数对应的水平集曲线确定为所述胰腺组织的目标轮廓曲线。
7.根据权利要求6所述的装置,其特征在于,所述第一确定模块具体用于:
将待分割CT图像输入至已训练的机器学习模型,得到所述待分割CT图像中胰腺组织的初始分割区域。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
图像增强模块,用于利用分数阶微分算法对原始的待分割CT图像进行图像增强。
9.根据权利要求6所述的装置,其特征在于,所述函数构造模块包括:
确定子模块,用于依据所述初始分割区域的灰度信息确定所述待分割CT图像中胰腺组织的灰度值上限和灰度值下限;
第一构造子模块,用于依据所述灰度值上限和灰度值下限构造灰度信息约束项;
第二构造子模块,用于依据所述灰度信息约束项、已知的长度约束项、面积约束项,以及规则项构造能量函数。
10.根据权利要求9所述的装置,其特征在于,所述确定子模块具体用于:
确定所述初始分割区域中像素点的灰度值均值和灰度值方差;
依据所述灰度值均值和灰度值方差确定所述待分割CT图像中胰腺组织的灰度值上限和灰度值下限。
11.一种终端设备,其特征在于,包括:内部总线,以及通过内部总线连接的存储器、处理器;其中,
所述存储器,用于存储胰腺组织的分割方法的控制逻辑对应的机器可读指令;
所述处理器,用于读取所述存储器上的所述机器可读指令,并执行所述指令以实现如下操作:
确定待分割CT图像中胰腺组织的初始分割区域;
将所述胰腺组织的轮廓曲线表示为二维曲面数据的水平集,依据所述初始分割区域的灰度信息构造能量函数;
通过梯度下降法最小化所述能量函数,当所述能量函数取得最小值时,将所述能量函数对应的水平集曲线确定为所述胰腺组织的目标轮廓曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911133182.9A CN110992370B (zh) | 2019-11-19 | 2019-11-19 | 一种胰腺组织的分割方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911133182.9A CN110992370B (zh) | 2019-11-19 | 2019-11-19 | 一种胰腺组织的分割方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992370A true CN110992370A (zh) | 2020-04-10 |
CN110992370B CN110992370B (zh) | 2023-07-04 |
Family
ID=70084814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911133182.9A Active CN110992370B (zh) | 2019-11-19 | 2019-11-19 | 一种胰腺组织的分割方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992370B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898600A (zh) * | 2020-07-10 | 2020-11-06 | 浙江大华技术股份有限公司 | 字符轮廓提取方法及装置、存储介质、电子装置 |
CN112116605A (zh) * | 2020-09-29 | 2020-12-22 | 西北工业大学深圳研究院 | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 |
CN112184719A (zh) * | 2020-08-27 | 2021-01-05 | 盐城工学院 | 一种基于腹部ct的脂肪肝智能分级评定方法 |
CN113744193A (zh) * | 2021-08-02 | 2021-12-03 | 清华大学 | 基于语义形状的肺组织分割方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080080768A1 (en) * | 2006-09-29 | 2008-04-03 | General Electric Company | Machine learning based triple region segmentation framework using level set on pacs |
CN106570867A (zh) * | 2016-10-18 | 2017-04-19 | 浙江大学 | 基于灰度形态学能量法的活动轮廓模型图像快速分割方法 |
CN107481252A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的分割方法、装置、介质和电子设备 |
CN108090909A (zh) * | 2017-12-15 | 2018-05-29 | 中国人民解放军陆军军医大学第附属医院 | 一种基于统计偏微分模型的超声造影图像分割方法 |
CN109117837A (zh) * | 2018-07-26 | 2019-01-01 | 上海鹰瞳医疗科技有限公司 | 感兴趣区域确定方法和设备 |
CN109636745A (zh) * | 2018-11-28 | 2019-04-16 | 陕西理工大学 | 基于分数阶微分图像增强算法的最佳阶图像增强方法 |
CN110084824A (zh) * | 2019-04-26 | 2019-08-02 | 山东财经大学 | 基于对称水平集的舌体图像分割方法、系统、设备及介质 |
-
2019
- 2019-11-19 CN CN201911133182.9A patent/CN110992370B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080080768A1 (en) * | 2006-09-29 | 2008-04-03 | General Electric Company | Machine learning based triple region segmentation framework using level set on pacs |
CN106570867A (zh) * | 2016-10-18 | 2017-04-19 | 浙江大学 | 基于灰度形态学能量法的活动轮廓模型图像快速分割方法 |
CN107481252A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的分割方法、装置、介质和电子设备 |
CN108090909A (zh) * | 2017-12-15 | 2018-05-29 | 中国人民解放军陆军军医大学第附属医院 | 一种基于统计偏微分模型的超声造影图像分割方法 |
CN109117837A (zh) * | 2018-07-26 | 2019-01-01 | 上海鹰瞳医疗科技有限公司 | 感兴趣区域确定方法和设备 |
CN109636745A (zh) * | 2018-11-28 | 2019-04-16 | 陕西理工大学 | 基于分数阶微分图像增强算法的最佳阶图像增强方法 |
CN110084824A (zh) * | 2019-04-26 | 2019-08-02 | 山东财经大学 | 基于对称水平集的舌体图像分割方法、系统、设备及介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898600A (zh) * | 2020-07-10 | 2020-11-06 | 浙江大华技术股份有限公司 | 字符轮廓提取方法及装置、存储介质、电子装置 |
CN112184719A (zh) * | 2020-08-27 | 2021-01-05 | 盐城工学院 | 一种基于腹部ct的脂肪肝智能分级评定方法 |
CN112116605A (zh) * | 2020-09-29 | 2020-12-22 | 西北工业大学深圳研究院 | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 |
CN113744193A (zh) * | 2021-08-02 | 2021-12-03 | 清华大学 | 基于语义形状的肺组织分割方法、装置、设备及介质 |
CN113744193B (zh) * | 2021-08-02 | 2022-08-02 | 清华大学 | 基于语义形状的肺组织分割方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110992370B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
CN111161275B (zh) | 医学图像中目标对象的分割方法、装置和电子设备 | |
CN110889853B (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
CN110992370A (zh) | 一种胰腺组织的分割方法、装置及终端设备 | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN110796670B (zh) | 一种夹层动脉分割方法及装置 | |
CN111640120B (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 | |
CN108205806B (zh) | 一种锥束ct图像三维颅面结构的自动解析方法 | |
US10853409B2 (en) | Systems and methods for image search | |
CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
US20220335600A1 (en) | Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection | |
CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
EP3722996A2 (en) | Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof | |
CN112348818B (zh) | 一种图像分割方法、装置、设备以及存储介质 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
CN116452618A (zh) | 一种三输入脊柱ct图像分割方法 | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
Wang et al. | Automatic consecutive context perceived transformer GAN for serial sectioning image blind inpainting | |
CN111209946B (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
CN115359046A (zh) | 一种脏器血管分割方法、装置、存储介质及电子设备 | |
CN110991408A (zh) | 基于深度学习方法分割脑白质高信号的方法和装置 |
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 |