CN111105427B - 一种基于连通区域分析的肺部图像分割方法及系统 - Google Patents
一种基于连通区域分析的肺部图像分割方法及系统 Download PDFInfo
- Publication number
- CN111105427B CN111105427B CN201911409633.7A CN201911409633A CN111105427B CN 111105427 B CN111105427 B CN 111105427B CN 201911409633 A CN201911409633 A CN 201911409633A CN 111105427 B CN111105427 B CN 111105427B
- Authority
- CN
- China
- Prior art keywords
- lung
- image
- gray level
- brightness
- foreground
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 151
- 238000003709 image segmentation Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000000877 morphologic effect Effects 0.000 claims abstract description 25
- 238000003708 edge detection Methods 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000002604 ultrasonography Methods 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06T7/13—Edge detection
-
- 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
- G06T7/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
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)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于连通区域分析的肺部图像分割方法及系统，所述方法为：首先获取肺部的超声图像，对超声图像进行预处理，得到灰度图像；接着采用图像边缘检测算法从所述灰度图像中选取肺部特征区域；并构建肺部特征区域的亮度模型，确定所述肺部特征区域的亮度范围；根据所述肺部特征区域的亮度范围构建前景概率模型，将灰度图像中符合概率模型的像素集作为前景，标记灰度图像中的前景轮廓线；最后对灰度图像进行形态学图像处理，通过分水岭算法确定肺部连通区域，提取肺部连通区域内的灰度图像作为肺部图像，本发明还相应的提供了基于连通区域分析的肺部图像分割系统，本发明能够提取准确度更高的肺部图像。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于连通区域分析的肺部图像分割方法及系统。
背景技术
由于肺部和周围的脏器紧密邻接、灰度接近，且CT成像设备获取的图像具有内在的不确定性，往往导致超声图像中的肺部边缘较模糊。传统的手动分割超声图像不仅耗时间，并且它还包含大量的专家之间存在的或专家自身内在的差异。
目前图像处理领域中，图像分割技术是图像识别和计算机视觉技术中至关重要的预处理，图像分割是把图像分割成若干个特定的且具有独特性质的区域，并提出感兴趣目标的过程。
医学图像分割辅助医生识别病人的内部组织器官及病灶区域，在计算机辅助治疗及手术规划中发挥至关重要的作用，临床医生迫切需要一种简单、快速、准确的肺部图像分割方法。
发明内容
为解决上述问题，本发明提供一种基于连通区域分析的肺部图像分割方法及系统，旨在至少解决现有技术中存在的技术问题之一。
为了实现上述目的，本发明提供以下技术方案：
根据本发明第一方面实施例提供的一种基于连通区域分析的肺部图像分割方法，包括：
获取肺部的超声图像，对超声图像进行预处理，得到灰度图像；
采用图像边缘检测算法从所述灰度图像中选取肺部特征区域；
构建肺部特征区域的亮度模型，确定所述肺部特征区域的亮度范围；
根据所述肺部特征区域的亮度范围构建前景概率模型，将灰度图像中符合概率模型的像素集作为前景，标记灰度图像中的前景轮廓线；
对灰度图像进行形态学图像处理，通过分水岭算法确定肺部连通区域，提取肺部连通区域内的灰度图像作为肺部图像。
进一步，所述对超声图像进行预处理，得到灰度图像，具体为：
对包含肺部影像的超声图像进行高斯滤波，将其转化为灰度均值为0，方差为1的标准化数据，得到灰度图像。
进一步，所述图像边缘检测算法采用Soble边缘检测算法、Canny算子中任一种。
进一步，所述构建肺部特征区域的亮度模型，确定所述肺部特征区域的亮度范围，具体为：
采用如下所列高斯函数拟合肺部区域的亮度分布：
将肺部特征区域的亮度范围取为[Lmin,Lmax]，其中，Lmin＝m-n，Lmax＝m+n。
进一步，所述根据所述肺部特征区域的亮度范围构建前景概率模型，具体为：
通过以下公式计算灰度图像中像素点为的前景概率：
将得到的亮度模型p(L)进行各向异性滤波，并归一化至[0，1]的取值范围内；
将大于设定阈值的像素点作为前景。
进一步，所述对灰度图像进行形态学图像处理，得到前景轮廓线的内部标记和外部标记，具体为：
采用3x3的模板进行形态学腐蚀操作，得到一个位于肺部内部的区域，作为前景轮廓线的内部标记；
采用3x3的模板对原图像进行形态学膨胀操作获取外部标记，并通过边缘检测获取外部标记的边界，作为前景轮廓线的外部标记；
将内部标记与外部标记的边界叠加于形态学图像处理后的灰度图像上。
根据本发明第二方面实施例提供的一种基于连通区域分析的肺部图像分割系统，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的模块中：
预处理模块，用于获取肺部的超声图像，对超声图像进行预处理，得到灰度图像；
肺部特征区域选取模块，用于采用图像边缘检测算法从所述灰度图像中选取肺部特征区域；
亮度范围确定模块，用于构建肺部特征区域的亮度模型，确定所述肺部特征区域的亮度范围；
前景轮廓线标记模块，用于根据所述肺部特征区域的亮度范围构建前景概率模型，将灰度图像中符合概率模型的像素集作为前景，标记灰度图像中的前景轮廓线；
肺部图像提取模块，用于对灰度图像进行形态学图像处理，通过分水岭算法确定肺部连通区域，提取肺部连通区域内的灰度图像作为肺部图像。
本发明的有益效果是：本发明公开一种基于连通区域分析的肺部图像分割方法及系统，所述方法为：首先获取肺部的超声图像，对超声图像进行预处理，得到灰度图像；接着采用图像边缘检测算法从所述灰度图像中选取肺部特征区域；并构建肺部特征区域的亮度模型，确定所述肺部特征区域的亮度范围；根据所述肺部特征区域的亮度范围构建前景概率模型，将灰度图像中符合概率模型的像素集作为前景，标记灰度图像中的前景轮廓线；最后对灰度图像进行形态学图像处理，通过分水岭算法确定肺部连通区域，提取肺部连通区域内的灰度图像作为肺部图像。本发明还相应的提供了基于连通区域分析的肺部图像分割系统，本发明能够提取准确度更高的肺部图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一种基于连通区域分析的肺部图像分割方法的流程示意图；
图2是本发明实施例一种基于连通区域分析的肺部图像分割系统的结构示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
参考图1，如图1所示为一种基于连通区域分析的肺部图像分割方法，包括以下步骤：
步骤S100、获取肺部的超声图像，对超声图像进行预处理，得到灰度图像。
步骤S200、采用图像边缘检测算法从所述灰度图像中选取肺部特征区域。
步骤S300、构建肺部特征区域的亮度模型，确定所述肺部特征区域的亮度范围。
步骤S400、根据所述肺部特征区域的亮度范围构建前景概率模型，将灰度图像中符合概率模型的像素集作为前景，标记灰度图像中的前景轮廓线。
步骤S500、对灰度图像进行形态学图像处理，通过分水岭算法确定肺部连通区域，提取肺部连通区域内的灰度图像作为肺部图像。
本实施例中，首先对超声图像进行预处理，得到灰度图像，便于后续图像的处理；接着采用图像边缘检测算法从所述灰度图像中选取肺部特征区域，初步确定肺部区域，进而根据所述肺部特征区域的亮度范围构建前景概率模型，从而形成对肺部区域进行判定的优化策略，将灰度图像中符合概率模型的像素集作为前景，标记灰度图像中的前景轮廓线，重新界定肺部区域，接着对灰度图像进行形态学图像处理，通过分水岭算法确定肺部连通区域，对肺部区域进一步微调，得到高准确度的肺部边界，最后提取肺部连通区域内的灰度图像作为肺部图像。本发明提供的实施例通过上述流程，可以提取准确度更高的肺部图像。
在一个改进的实施例中，所述步骤S100中，对超声图像进行预处理，得到灰度图像，具体为：对包含肺部影像的超声图像进行高斯滤波，将其转化为灰度均值为0，方差为1的标准化数据，得到灰度图像。
本步骤中，通过对超声图像进行高斯滤波，消除超声图像中的噪音，去除不必要的干扰；通过对超声图像进行标准化处理，将其转化为灰度均值为0，方差为1的数据，便于对形成的灰度图像进行快速处理。
在一个改进的实施例中，所述图像边缘检测算法采用Soble边缘检测算法、Canny算子中任一种。
本步骤中，通过图像边缘检测算法初步确定肺部的大致区域，其目的在于后续提取肺部区域中像素点的亮度范围，因此，本步骤采用Soble边缘检测算法、Canny算子等常规的边缘检测算法，通过获取超声图像最大连通区域，作为肺部特征区域；从而快速提取肺部区域，提高算法速度。
在一个改进的实施例中，所述步骤S300具体为：
采用如下所列高斯函数拟合肺部区域的亮度分布：
本实施例中，根据高斯分布的概率理论，将肺部特征区域的亮度范围取为[Lmin,Lmax]，其中，Lmin＝m-n，Lmax＝m+n。
为了突出肺部区域、抑制非肺部区域，在一个改进的实施例中，所述步骤S400中，根据所述肺部特征区域的亮度范围构建前景概率模型，具体为：
通过以下公式计算灰度图像中像素点为的前景概率：
将得到的亮度模型p(L)进行各向异性滤波，并归一化至[0，1]的取值范围内。
将大于设定阈值的像素点作为前景。
可见，亮度L越接近亮度范围的中心，p(L)的取值越大，表明该像素点属于肺部的概率也越大。本实施例中，将所述设定阈值的取值范围为[0.7，0.95]。
在一个改进的实施例中，所述步骤S500中，对灰度图像进行形态学图像处理，包括：
(1)采用3x3的模板进行形态学腐蚀操作，得到一个位于肺部内部的区域，作为前景轮廓线的内部标记。
本实施例采用用3x3的结构元素，扫描图像的每一个像素用结构元素与其覆盖的二值图像做“与”操作如果都为1，结果图像的该像素为1。否则为0。使二值图像减小一圈，改变大小。
(2)采用3x3的模板对原图像进行形态学膨胀操作获取外部标记，并通过边缘检测获取外部标记的边界，作为前景轮廓线的外部标记。
(3)将内部标记与外部标记的边界叠加于形态学图像处理后的灰度图像上。
经处理后，可以去除灰度图上的局部极小值，并得到前景轮廓线的内部标记和外部标记，肺部连通区域处于内部标记与外部标记的边界间的区域范围内；
接着，通过分水岭算法确定肺部连通区域，从而获取肺部的精确边界。
分水岭计算中，首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像极大值点。本实施例中，为得到肺部图像的边缘信息，将灰度图像作为输入图像。
参考图2，本发明实施例还提供一种基于连通区域分析的肺部图像分割系统，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的模块中：
预处理模块100，用于获取肺部的超声图像，对超声图像进行预处理，得到灰度图像；
肺部特征区域选取模块200，用于采用图像边缘检测算法从所述灰度图像中选取肺部特征区域；
亮度范围确定模块300，用于构建肺部特征区域的亮度模型，确定所述肺部特征区域的亮度范围；
前景轮廓线标记模块400，用于根据所述肺部特征区域的亮度范围构建前景概率模型，将灰度图像中符合概率模型的像素集作为前景，标记灰度图像中的前景轮廓线；
肺部图像提取模块500，用于对灰度图像进行形态学图像处理，通过分水岭算法确定肺部连通区域，提取肺部连通区域内的灰度图像作为肺部图像。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件的实现方式，以软件的形式加载到处理器中，进行基于连通区域分析的肺部图像分割。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来。
所述处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于连通区域分析的肺部图像分割系统的控制中心，利用各种接口和线路连接整个基于连通区域分析的肺部图像分割系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于连通区域分析的肺部图像分割系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secure-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (4)
1.一种基于连通区域分析的肺部图像分割方法，其特征在于，包括：
获取肺部的超声图像，对超声图像进行预处理，得到灰度图像；
采用图像边缘检测算法从所述灰度图像中选取肺部特征区域；
构建肺部特征区域的亮度模型，确定所述肺部特征区域的亮度范围；
根据所述肺部特征区域的亮度范围构建前景概率模型，将灰度图像中符合概率模型的像素集作为前景，标记灰度图像中的前景轮廓线；
对灰度图像进行形态学图像处理，通过分水岭算法确定肺部连通区域，提取肺部连通区域内的灰度图像作为肺部图像；
其中，所述构建肺部特征区域的亮度模型，确定所述肺部特征区域的亮度范围，具体为：
采用如下所列高斯函数拟合肺部区域的亮度分布：
将肺部特征区域的亮度范围取为[Lmin,Lmax]，其中，Lmin＝m-n，Lmax＝m+n；
所述根据所述肺部特征区域的亮度范围构建前景概率模型，具体为：
通过以下公式计算灰度图像中像素点为的前景概率：
将得到的亮度模型p(L)进行各向异性滤波，并归一化至[0，1]的取值范围内；
将大于设定阈值的像素点作为前景；
所述对灰度图像进行形态学图像处理，得到前景轮廓线的内部标记和外部标记，具体为：
采用3x3的模板进行形态学腐蚀操作，得到一个位于肺部内部的区域，作为前景轮廓线的内部标记；
采用3x3的模板对原图像进行形态学膨胀操作获取外部标记，并通过边缘检测获取外部标记的边界，作为前景轮廓线的外部标记；
将内部标记与外部标记的边界叠加于形态学图像处理后的灰度图像上。
2.根据权利要求1所述的一种基于连通区域分析的肺部图像分割方法，其特征在于，所述对超声图像进行预处理，得到灰度图像，具体为：
对包含肺部影像的超声图像进行高斯滤波，将其转化为灰度均值为0，方差为1的标准化数据，得到灰度图像。
3.根据权利要求1所述的一种基于连通区域分析的肺部图像分割方法，其特征在于，所述图像边缘检测算法采用Soble边缘检测算法、Canny算子中任一种。
4.一种基于连通区域分析的肺部图像分割系统，其特征在于，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的模块中：
预处理模块，用于获取肺部的超声图像，对超声图像进行预处理，得到灰度图像；
肺部特征区域选取模块，用于采用图像边缘检测算法从所述灰度图像中选取肺部特征区域；
亮度范围确定模块，用于构建肺部特征区域的亮度模型，确定所述肺部特征区域的亮度范围；
前景轮廓线标记模块，用于根据所述肺部特征区域的亮度范围构建前景概率模型，将灰度图像中符合概率模型的像素集作为前景，标记灰度图像中的前景轮廓线；
肺部图像提取模块，用于对灰度图像进行形态学图像处理，通过分水岭算法确定肺部连通区域，提取肺部连通区域内的灰度图像作为肺部图像；
其中，所述构建肺部特征区域的亮度模型，确定所述肺部特征区域的亮度范围，具体为：
采用如下所列高斯函数拟合肺部区域的亮度分布：
将肺部特征区域的亮度范围取为[Lmin,Lmax]，其中，Lmin＝m-n，Lmax＝m+n；
所述根据所述肺部特征区域的亮度范围构建前景概率模型，具体为：
通过以下公式计算灰度图像中像素点为的前景概率：
将得到的亮度模型p(L)进行各向异性滤波，并归一化至[0，1]的取值范围内；
将大于设定阈值的像素点作为前景；
所述对灰度图像进行形态学图像处理，得到前景轮廓线的内部标记和外部标记，具体为：
采用3x3的模板进行形态学腐蚀操作，得到一个位于肺部内部的区域，作为前景轮廓线的内部标记；
采用3x3的模板对原图像进行形态学膨胀操作获取外部标记，并通过边缘检测获取外部标记的边界，作为前景轮廓线的外部标记；
将内部标记与外部标记的边界叠加于形态学图像处理后的灰度图像上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911409633.7A CN111105427B (zh) | 2019-12-31 | 2019-12-31 | 一种基于连通区域分析的肺部图像分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911409633.7A CN111105427B (zh) | 2019-12-31 | 2019-12-31 | 一种基于连通区域分析的肺部图像分割方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111105427A CN111105427A (zh) | 2020-05-05 |
| CN111105427B true CN111105427B (zh) | 2023-04-25 |
Family
ID=70424172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911409633.7A Active CN111105427B (zh) | 2019-12-31 | 2019-12-31 | 一种基于连通区域分析的肺部图像分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111105427B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111444925B (zh) * | 2020-06-16 | 2020-12-04 | 嘉兴太美医疗科技有限公司 | 各向异性影像的连通域识别方法、装置、系统和可读介质 |
| CN113793316B (zh) * | 2021-09-13 | 2023-09-12 | 合肥合滨智能机器人有限公司 | 一种超声扫查区域提取方法、装置、设备和存储介质 |
| CN117243637B (zh) * | 2023-10-19 | 2024-04-19 | 河北港口集团有限公司秦皇岛中西医结合医院 | 一种超声心动图图像识别方法 |
| CN118586785A (zh) * | 2024-08-06 | 2024-09-03 | 浙江新迪嘉禾食品有限公司 | 一种基于数据处理的面包加工用发酵质量预测方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214397A (zh) * | 2018-09-14 | 2019-01-15 | 郑州大学 | 一种肺部ct图像中肺结节的分割方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040086161A1 (en) * | 2002-11-05 | 2004-05-06 | Radhika Sivaramakrishna | Automated detection of lung nodules from multi-slice CT image data |
| US7876938B2 (en) * | 2005-10-06 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for whole body landmark detection, segmentation and change quantification in digital images |
-
2019
- 2019-12-31 CN CN201911409633.7A patent/CN111105427B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214397A (zh) * | 2018-09-14 | 2019-01-15 | 郑州大学 | 一种肺部ct图像中肺结节的分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111105427A (zh) | 2020-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111105427B (zh) | 一种基于连通区域分析的肺部图像分割方法及系统 | |
| JP6539303B2 (ja) | ３ｄ医用画像中の対象物を分割するための３ｄ対象物の変換 | |
| CN110929728B (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
| Boss et al. | Automatic mammogram image breast region extraction and removal of pectoral muscle | |
| Bandyopadhyay | Pre-processing of mammogram images | |
| CN107169975B (zh) | 超声图像的分析方法及装置 | |
| CN102324099A (zh) | 一种面向仿人机器人的台阶边缘检测方法 | |
| Mahmood et al. | Ultrasound liver image enhancement using watershed segmentation method | |
| CN110136139B (zh) | 基于形状特征的面部ct图像中的牙神经分割方法 | |
| Javed et al. | Statistical histogram decision based contrast categorization of skin lesion datasets dermoscopic images | |
| CN114998274A (zh) | 对象的定位方法、装置、电子设备和可读存储介质 | |
| CN114463310A (zh) | 一种dr图像增强方法及装置 | |
| CN114764810A (zh) | 一种医学图像分割方法 | |
| CN111161256A (zh) | 图像分割方法、图像分割装置、存储介质及电子设备 | |
| Rashid et al. | Segmenting melanoma lesion using single shot detector (SSD) and level set segmentation technique | |
| Khan et al. | Segmentation of single and overlapping leaves by extracting appropriate contours | |
| CN115619803A (zh) | 一种图像分割方法、系统及电子设备 | |
| CN112634240B (zh) | 基于阈值分割的甲状腺超声图像干扰界面自动识别去除方法 | |
| CN111161285B (zh) | 一种基于特征分析的心包区域定位方法、装置及系统 | |
| CN111815591B (zh) | 基于ct图像的肺结节检测方法 | |
| CN113112475A (zh) | 一种基于机器学习的中医耳部五脏区域分割方法和装置 | |
| Ogul et al. | Unsupervised rib delineation in chest radiographs by an integrative approach | |
| López-Mir et al. | Aorta segmentation using the watershed algorithm for an augmented reality system in laparoscopic surgery | |
| Mohammed et al. | Region of Interest Extraction using K-Means and Edge Detection for DEXA Images | |
| CN112990207A (zh) | 车牌图像提取方法、装置、系统、存储介质和计算机设备 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No.33 Guangyun Road, Shishan town, Nanhai District, Foshan City, Guangdong Province Patentee after: Foshan University Country or region after: China Address before: No.33 Guangyun Road, Shishan town, Nanhai District, Foshan City, Guangdong Province Patentee before: FOSHAN University Country or region before: China |