CN111145185B - 一种基于聚类关键帧提取ct图像的肺实质分割方法 - Google Patents
一种基于聚类关键帧提取ct图像的肺实质分割方法 Download PDFInfo
- Publication number
- CN111145185B CN111145185B CN201911300343.9A CN201911300343A CN111145185B CN 111145185 B CN111145185 B CN 111145185B CN 201911300343 A CN201911300343 A CN 201911300343A CN 111145185 B CN111145185 B CN 111145185B
- Authority
- CN
- China
- Prior art keywords
- lung
- image
- segmentation
- lung parenchyma
- parenchyma
- 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 124
- 230000011218 segmentation Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000000126 substance Substances 0.000 title description 2
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000000877 morphologic effect Effects 0.000 claims abstract description 4
- 238000011282 treatment Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 4
- 238000007621 cluster analysis Methods 0.000 abstract description 2
- 230000007797 corrosion Effects 0.000 abstract description 2
- 238000005260 corrosion Methods 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004195 computer-aided diagnosis Methods 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 6
- 210000000038 chest Anatomy 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009928 pasteurization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Abstract
本发明涉及一种基于聚类关键帧提取CT图像的肺实质分割方法,包括以下步骤:肺部CT图像数据预处理,对图像CT值进行肺窗加窗灰阶变换处理;对步骤1处理后患者肺部CT图像的灰度直方图相似度进行聚类分析,提取肺部CT序列中关键帧数据;采用多相位水平集CV模型进行对患者关键帧CT图像进行肺实质分割;依据关键帧中肺实质分割结果进行肺部CT全序列中肺实质的映射分割提取,得到肺实质初始轮廓;对肺部CT图像中肺实质初始轮廓进行形态学腐蚀和膨胀操作细化轮廓,最终得到患者肺部CT数据中肺实质的分割结果。本发明同时还给出实现上述分割方法的肺实质分割设备。
Description
技术领域
本发明涉及一种医学图像处理领域,尤其涉及一种基于聚类关键帧提取CT图像的肺实质快速自动分割方法。
背景技术
肺部计算机断层扫描(Computer Tomography,CT)成像具有较好的组织密度分辨率,可以有效、直接的实现早期肺癌无创、低成本筛查,已成为临床推荐检测方式。随着临床对肺部成像精度需求地不断提高,CT扫描层厚度逐渐减小,使得临床肺部CT数据量呈爆炸式增长,从而带来了临床处理工作量大,速度慢和效率低等问题。因此,基于各种机器学习算法开发的计算机辅助诊断(Computer-Aided Diagnosis,CAD)技术,可实现快速、精确地CT图像自动处理及分析,有助于提高临床处理速度和效率,减少医师工作强度。
目前,已有的CT图像中肺实质CAD提取算法可分为四类:①阈值分割法,②基于区域分割法,③基于形状的分割法,④临近解剖组织引导分割法。多数研究是采用大量肺部CT数据进行卷积神经网络等机器学习算法训练,从而实现肺实质地精确分割提取。但是由于肺部CT数据量大,且存有较大个体差异,使得现有CAD算法存在开发周期长,复杂度较高,处理速度及效率不理想等缺点。
关键帧提取患者肺部CT序列中包含有用信息的几帧图像,清晰反应患者肺实质及病变组织,可以极大地节约临床医生和CAD算法所需处理图像数据量。因此本发明提出了一种基于聚类关键帧提取CT图像的肺实质快速自动分割方法在进行临床诊疗及CAD开发前,首先进行肺癌患者CT数据降维压缩,有助于在保证精度的同时提升肺实质自动分割速率。
发明内容
本发明要解决的技术问题是提供一种快速、准确、可靠的通过聚类关键帧提取的肺实质CT图像快速自动分割算法,通过对患者肺部CT序列进行关键帧提取,实现依据关键帧自动提取结果为先验信息的肺部CT全序列中肺实质的快速自动分割。本发明的技术方案,
一种基于聚类关键帧提取CT图像的肺实质分割方法,包括以下步骤:
步骤1:肺部CT图像数据预处理:读取患者肺部CT图像,进行去除胸腔以外区域预处理后,对图像CT值进行肺窗加窗灰阶变换处理;
步骤2:对步骤1处理后患者肺部CT图像的灰度直方图相似度进行聚类分析,提取肺部CT序列中关键帧数据,即计算CT序列中第i帧图像CTi与现存某个聚类中各图像CTKj之间的距离D(CTi,CTKj);
设定阈值,如果D(CTi,CTKj)均小于所述阈值,则说明当前帧CTi图像不属于已有的任何一个聚类,转到下一步;否则,将该CT图像划分到与其之间最相近的聚类中;
步骤3:采用多相位水平集CV模型进行对患者关键帧CT图像进行肺实质分割,以避免分割结果的中空和重叠问题;
步骤4:依据关键帧中肺实质分割结果进行肺部CT全序列中肺实质的映射分割提取,即关键帧数据{CTK1,CTK2,…,CTKN}将患者肺部CT图像含有i幅数据{CT1,CT2,…,CTi}分为N-1段,依据关键帧处理结果进行肺部CT图像肺实质分割时,首先,判断CTi图像与其所在分段起始关键帧的距离;然后,选择与其相邻的关键帧中肺实质及结构轮廓作为先验信息,进行CTi图像映射分割得到肺实质初始轮廓;
步骤5:对肺部CT图像中肺实质初始轮廓进行细化轮廓的处理,最终得到患者肺部CT数据中肺实质的分割结果。
进一步地,读取患者肺部CT图像,进行伪影、去噪并去除胸腔以外区域预处理。
进一步地,对图像CT值进行肺窗加窗灰阶变换处理,从而得到图像各点灰
度值x’:
其中x为CT序列中各点CT值,w和c分别为肺窗窗宽和窗位。
进一步地,距离D(CTi,CTKj)的计算公式如下:
其中n为CT图像的各个灰度阶,取0-255;N为当前聚类个数。
进一步地,步骤3执行如下的步骤:首先进行第1层CV分割,即提取CT图像中内全部连通的结构轮廓,并据此进行标记为肺实质Cs和背景Bs初始区域;然后,对区域划分结果进行判断:①肺实质Cs区域内包含其他连通的组织结构;②背景Bs区域内包含连通的组织、结构;如满足上述判断,则对满足区域顺序进行多层CV分割,采用这样的串行多相位CV模型对关键帧进行逐层分割。
进一步地,对肺部CT图像中肺实质初始轮廓进行形态学腐蚀和膨胀操作细化轮廓。
本发明同时给出完成上述分割方法的设备。
与现有技术相比,本发明的有益效果是:
本发明设计了一种基于聚类关键帧提取CT图像的肺实质快速自动分割方法,是利用聚类分析对患者肺部CT数据进行压缩,提取肺实质具有明显变化的关键帧图像,采用多相位水平集算法进行关键帧中肺实质分割,并将分割结果作为先验信息实现肺部CT图像中肺实质的快速自动提取,达到保证分割精度,同时大大提高了自动提取的时效性和鲁棒性。
与现有肺实质分割方法相比,本发明提出的方法解决了其他方法的实效性及鲁棒性不理想等问题,并具备以下有点:1、本发明的聚类关键帧提取方法,实现了肺部CT图像数据的有效压缩,仅保留具有明显变化的关键帧数据,大大减小临床和算法所需处理的数据量,降低了医师工作强度和CAD算法开发的复杂度;2、本发明依据关键帧自动分割结果作为先验信息,可以实现患者肺部CT图像中肺实质的快速精确分割;3、算法自动分割结果有助于辅助医师进行临床肺部疾病诊疗及CAD算法的开发。
附图说明
图1为本发明的一种基于聚类关键帧提取CT图像的肺实质快速自动分割方法的流程示意图;
图2为本发明实施例中的采用多相位水平集CV算法进行关键帧中肺实质分割的示意图;
图3为本发明实施例中的基于关键帧提取结果进行肺部CT图像数据划分的示意图;
图4为本发明实施例中的肺部CT序列数据样本和肺实质分割结果的示意图。a、c、e、g为原图,b、d、f、h为分割图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
如图1所示,本实施例的一种基于聚类关键帧提取CT图像的肺实质快速自动分割方法,包括如下步骤:
步骤1,读取患者肺部CT图像。
本步骤对患者肺部CT图像预处理,主要包括胸腔区域划分及图像灰阶变换处理。具体如下:
(1)胸部感兴趣区域划分:去除患者CT数据中床板及头颈等胸腔以外的图像数据,从而获得患者胸腔区域;
(2)灰阶变换处理:对图像CT值进行加窗(肺窗)灰阶变换处理,从而得到图像各点灰度值x’:
其中x为CT序列中各点CT值,w和c分别为肺窗窗宽1500Hu和窗位-600Hu。
步骤2:采用处理后图像灰度直方图的相似度(巴氏系数)对患者肺部CT数据进行聚类分析提取关键帧数据。具体如下:
(1)以患者肺部CT序列的首张图像CT1作为第一个聚类CTK1的聚类中心,类个数N=1;
(2)计算CT序列中第i帧图像CTi与现存某个聚类中各图像CTKj之间的图像灰度直方图的相似度(巴氏系数):
其中n为各个灰度级,取0-255;N为当前聚类个数。如果D(CTi,CTKj)均<0.65则说明当前帧CTi图像不属于已有的任何一个聚类,跳转到下一步,否则,将该图像划分到与其之间最相近的聚类中。
(3)更新关键帧数N=N+1,当前图像CTi划分为新类,重复第(2)步,对CT序列中各个图像进行聚类计算。
(4)CT序列中所有图像顺序进行聚类分析后,选取每个类中与其他图像之间相似度值最大的图像为改类的关键帧图像,即得到肺部CT图像的关键帧{CTK1,CTK2,…,CTKN}。
步骤3:采用多相位水平集(Chan-Vese,CV)模型进行对关键帧数据进行肺实质分割。具体如下:
(1)第1层CV分割,提取关键帧中全部连通的结构轮廓,并据此进行标记为肺实质Cs和背景Bs初始区域;
(2)区域划分结果进行判断:①肺实质Cs区域内包含其他连通的组织结构(气管、食管或支气管等);②背景Bs区域内包含连通的组织、结构;若上述两种情况均不存在,则跳转至第(4)步;
(3)否则对满足判断区域再次进行CV分割,并跳转至第(2)步进行判断,循环多层CV分割直到不存在上述两种情况;
(4)结束计算,得到关键帧中肺实质提取结果。
步骤4:依据关键帧中肺实质分割结果进行肺部CT全序列中肺实质的映射分割提取。具体如下:
(1)采用关键帧数据{CTK1,CTK2,…,CTKN}将患者肺部CT图像含有i幅数据{CT1,CT2,…,CTi}分为N-1段;
(2)判断CTi图像与其所在分段起始关键帧的距离,选择与其相邻的关键帧分割所得轮廓作为先验信息,进行CTi图像中肺实质映射分割,得到肺部CT图像中肺实质初始轮廓。
步骤5:对肺部CT图像中肺实质初始轮廓进行形态学腐蚀和膨胀操作细化轮廓,最终得到患者肺部CT数据中肺实质的精确分割结果。
上述实施例的内容仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种基于聚类关键帧提取CT图像的肺实质分割方法,包括以下步骤:
步骤1:肺部CT图像数据预处理:读取患者肺部CT图像,进行伪影、去噪并去除胸腔以外区域预处理后,对图像CT值进行肺窗加窗灰阶变换处理,从而得到图像各点灰度值x’:
其中x为CT序列中各点CT值,w和c分别为肺窗窗宽和窗位;
步骤2:对步骤1处理后患者肺部CT图像的灰度直方图相似度进行聚类分析,提取肺部CT序列中关键帧数据,即计算CT序列中第i帧图像CTi与现存某个聚类中各图像CTKj之间的距离D(CTi,CTKj),距离D(CTi,CTKj)的计算公式如下:
其中n为CT图像的各个灰度阶,取0-255;N为当前聚类个数;
设定一个不大于1的阈值,如果D(CTi,CTKj)均小于所述阈值,则说明当前帧CTi图像不属于已有的任何一个聚类,转到下一步;否则,将该CT图像划分到与其之间最相近的聚类中;
步骤3:采用多相位水平集CV模型进行对患者关键帧CT图像进行肺实质分割,以避免分割结果的中空和重叠问题,方法如下:
步骤3执行如下的步骤:
(1)第1层CV分割,提取关键帧中全部连通的结构轮廓,并据此进行标记为肺实质Cs和背景Bs初始区域;
(2)区域划分结果进行判断:①肺实质Cs区域内包含其他连通的组织结构;②背景Bs区域内包含连通的组织、结构;若上述两种情况均不存在,则跳转至第(4)步;
(3)否则对满足判断区域再次进行CV分割,并跳转至第(2)步进行判断,循环多层CV分割直到不存在上述两种情况;
(4)结束计算,得到关键帧中肺实质提取结果;
步骤4:依据关键帧中肺实质分割结果进行肺部CT全序列中肺实质的映射分割提取,即关键帧数据{CTK1,CTK2,…,CTKN}将患者肺部CT图像含有i幅数据{CT1,CT2,…,CTi}分为N-1段,依据关键帧处理结果进行肺部CT图像肺实质分割时,首先,判断CTi图像与其所在分段起始关键帧的距离;然后,选择与其相邻的关键帧中肺实质及结构轮廓作为先验信息,进行CTi图像映射分割得到肺实质初始轮廓;
步骤5:对肺部CT图像中肺实质初始轮廓进行细化轮廓的处理,最终得到患者肺部CT数据中肺实质的分割结果。
2.根据权利要求1所述的方法,其特征在于,w和c分别为肺窗窗宽1500Hu和窗位-600Hu。
3.根据权利要求1所述的方法,其特征在于,所述的阈值为0.65。
4.根据权利要求1所述的方法,其特征在于,对肺部CT图像中肺实质初始轮廓进行形态学腐蚀和膨胀操作细化轮廓。
5.一种基于聚类关键帧提取CT图像的肺实质分割设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-4任意一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300343.9A CN111145185B (zh) | 2019-12-17 | 2019-12-17 | 一种基于聚类关键帧提取ct图像的肺实质分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300343.9A CN111145185B (zh) | 2019-12-17 | 2019-12-17 | 一种基于聚类关键帧提取ct图像的肺实质分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145185A CN111145185A (zh) | 2020-05-12 |
CN111145185B true CN111145185B (zh) | 2023-12-22 |
Family
ID=70518558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911300343.9A Active CN111145185B (zh) | 2019-12-17 | 2019-12-17 | 一种基于聚类关键帧提取ct图像的肺实质分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145185B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686909B (zh) * | 2020-12-28 | 2024-04-19 | 淮阴工学院 | 基于异质多区域ct扫描数据处理的多相隐式曲面重建方法 |
CN113487656B (zh) * | 2021-07-26 | 2022-11-22 | 推想医疗科技股份有限公司 | 图像配准方法及装置,训练方法及装置,控制方法及装置 |
CN116681715B (zh) * | 2023-08-04 | 2023-10-10 | 杭州脉流科技有限公司 | 基于像素值变化的血管分割方法、装置、设备和存储介质 |
CN117036480A (zh) * | 2023-08-17 | 2023-11-10 | 脉得智能科技(无锡)有限公司 | 一种颈动脉斑块定位方法、检测方法、装置及电子设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577824A (zh) * | 2009-06-12 | 2009-11-11 | 西安理工大学 | 基于邻近i帧dc图像相似度的压缩域关键帧提取方法 |
CN104933709A (zh) * | 2015-06-04 | 2015-09-23 | 西安理工大学 | 基于先验信息的随机游走ct肺组织图像自动分割方法 |
CN106780491A (zh) * | 2017-01-23 | 2017-05-31 | 天津大学 | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 |
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 |
CN107220585A (zh) * | 2017-03-31 | 2017-09-29 | 南京邮电大学 | 一种基于多特征融合镜头聚类的视频关键帧提取方法 |
CN107408123A (zh) * | 2015-02-25 | 2017-11-28 | 皇家飞利浦有限公司 | 用于对临床发现的背景敏感性评价的方法和系统 |
CN109064476A (zh) * | 2018-07-24 | 2018-12-21 | 西安电子科技大学 | 一种基于水平集的ct胸片肺组织图像分割方法 |
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 |
CN109410166A (zh) * | 2018-08-30 | 2019-03-01 | 中国科学院苏州生物医学工程技术研究所 | 用于肺实质ct图像的全自动分割方法 |
CN110070527A (zh) * | 2019-04-18 | 2019-07-30 | 成都雷熵科技有限公司 | 一种基于区域全连接神经网络病灶检测方法 |
WO2019205819A1 (zh) * | 2018-04-26 | 2019-10-31 | 腾讯科技(深圳)有限公司 | 即时定位与地图构建方法、计算机设备及存储介质 |
CN110427825A (zh) * | 2019-07-01 | 2019-11-08 | 上海宝钢工业技术服务有限公司 | 基于关键帧与快速支持向量机融合的视频火焰识别方法 |
CN110533639A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种关键点定位方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099390A1 (en) * | 2001-11-23 | 2003-05-29 | Xiaolan Zeng | Lung field segmentation from CT thoracic images |
TWI312129B (en) * | 2006-03-10 | 2009-07-11 | Nat Cheng Kung Universit | A video summarization system and the method thereof |
US10991102B2 (en) * | 2016-08-12 | 2021-04-27 | Canon Medical Systems Corporation | Image processing apparatus and image processing method |
-
2019
- 2019-12-17 CN CN201911300343.9A patent/CN111145185B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577824A (zh) * | 2009-06-12 | 2009-11-11 | 西安理工大学 | 基于邻近i帧dc图像相似度的压缩域关键帧提取方法 |
CN107408123A (zh) * | 2015-02-25 | 2017-11-28 | 皇家飞利浦有限公司 | 用于对临床发现的背景敏感性评价的方法和系统 |
CN104933709A (zh) * | 2015-06-04 | 2015-09-23 | 西安理工大学 | 基于先验信息的随机游走ct肺组织图像自动分割方法 |
CN106780491A (zh) * | 2017-01-23 | 2017-05-31 | 天津大学 | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 |
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 |
CN107220585A (zh) * | 2017-03-31 | 2017-09-29 | 南京邮电大学 | 一种基于多特征融合镜头聚类的视频关键帧提取方法 |
WO2019205819A1 (zh) * | 2018-04-26 | 2019-10-31 | 腾讯科技(深圳)有限公司 | 即时定位与地图构建方法、计算机设备及存储介质 |
CN109064476A (zh) * | 2018-07-24 | 2018-12-21 | 西安电子科技大学 | 一种基于水平集的ct胸片肺组织图像分割方法 |
CN109410166A (zh) * | 2018-08-30 | 2019-03-01 | 中国科学院苏州生物医学工程技术研究所 | 用于肺实质ct图像的全自动分割方法 |
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 |
CN110070527A (zh) * | 2019-04-18 | 2019-07-30 | 成都雷熵科技有限公司 | 一种基于区域全连接神经网络病灶检测方法 |
CN110427825A (zh) * | 2019-07-01 | 2019-11-08 | 上海宝钢工业技术服务有限公司 | 基于关键帧与快速支持向量机融合的视频火焰识别方法 |
CN110533639A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种关键点定位方法及装置 |
Non-Patent Citations (4)
Title |
---|
Efficient Bronchoscopic Video Summarization;Patrick D. Byrnes and William Evan Higgins;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;第66卷(第3期);849-862 * |
李钢.偏微分与变分技术在图像分割中的应用研究.北京理工大学出版社,2019,16-22. * |
面向叶部病害识别的设施蔬菜监控视频关键帧提取方法研究;马浚诚;《中国博士学位论文全文数据库 (信息科技辑) 》(第08期);17-40 * |
韩冰.数字音频处理.西安电子科技大学出版社,2018,195-200. * |
Also Published As
Publication number | Publication date |
---|---|
CN111145185A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145185B (zh) | 一种基于聚类关键帧提取ct图像的肺实质分割方法 | |
CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
Skourt et al. | Lung CT image segmentation using deep neural networks | |
Wu et al. | Automatic liver segmentation on volumetric CT images using supervoxel-based graph cuts | |
Li et al. | Dilated-inception net: multi-scale feature aggregation for cardiac right ventricle segmentation | |
JP5795717B2 (ja) | 画像処理方法、画像処理装置、コンピュータが読取り可能な媒体及びコンピュータプログラム | |
Anter et al. | Automatic computer aided segmentation for liver and hepatic lesions using hybrid segmentations techniques | |
WO2019000455A1 (zh) | 图像分割的方法及系统 | |
Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
CN109300113B (zh) | 一种基于改进凸包方法的肺结节辅助检测系统及方法 | |
Jaffar et al. | Fuzzy entropy based optimization of clusters for the segmentation of lungs in CT scanned images | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
CN106651875B (zh) | 基于多模态mri纵向数据的脑瘤时空协同分割方法 | |
CN112819747A (zh) | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 | |
Wu et al. | Coarse-to-fine lung nodule segmentation in CT images with image enhancement and dual-branch network | |
Zhao et al. | An automated pulmonary parenchyma segmentation method based on an improved region growing algorithmin PET-CT imaging | |
Tan et al. | An approach for pulmonary vascular extraction from chest CT images | |
Iqbal et al. | Potential lung nodules identification for characterization by variable multistep threshold and shape indices from CT images | |
Jaffar et al. | GA and morphology based automated segmentation of lungs from Ct scan images | |
CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
Jamil et al. | Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments | |
Alzu’bi et al. | Medical image segmentation via optimized k-means | |
Dawod et al. | Adaptive Slices in Brain Haemorrhage Segmentation Based on the SLIC Algorithm. | |
Walczak et al. | Segmenting lungs from whole-body CT scans |
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 |