CN111161285B - 一种基于特征分析的心包区域定位方法、装置及系统 - Google Patents

一种基于特征分析的心包区域定位方法、装置及系统 Download PDF

Info

Publication number
CN111161285B
CN111161285B CN201911417610.0A CN201911417610A CN111161285B CN 111161285 B CN111161285 B CN 111161285B CN 201911417610 A CN201911417610 A CN 201911417610A CN 111161285 B CN111161285 B CN 111161285B
Authority
CN
China
Prior art keywords
image
sequence
pericardial
contour
typical
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
Application number
CN201911417610.0A
Other languages
English (en)
Other versions
CN111161285A (zh
Inventor
霍颖瑜
钟勇
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.)
Foshan University
Original Assignee
Foshan University
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 Foshan University filed Critical Foshan University
Priority to CN201911417610.0A priority Critical patent/CN111161285B/zh
Publication of CN111161285A publication Critical patent/CN111161285A/zh
Application granted granted Critical
Publication of CN111161285B publication Critical patent/CN111161285B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/13—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
    • G06T7/136—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
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/30048—Heart; Cardiac
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

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

本发明涉及图像处理技术领域，具体涉及一种基于特征分析的心包区域定位方法、装置及系统，所述方法为：首先获取一组CT序列图像，该CT序列图像包含对至少一个心跳周期的心包采样；接着提取该CT序列图像中每一张CT图像的边缘轮廓，得到一组边缘轮廓；进而将该组边缘轮廓进行融合，得到一张典型轮廓，获取该典型轮廓的偏差范围；最终将典型轮廓作为定位到的心包区域，将该偏差范围作为心脏的心跳区间，本发明还相应的提供了基于特征分析的心包区域定位的装置和系统，本发明能够提高心包区域定位的准确度。

Description

一种基于特征分析的心包区域定位方法、装置及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于特征分析的心包区域定位方法、装置及系统。
背景技术
心包即心包膜。是一个近似锥形的纤维浆膜囊，包裹在心脏和出入心脏的大血管根部外面。临床上，常常需要对心包进行CT成像，以检测心包区域的医学情况。
CT图像由一定数目由黑到白不同灰度的像素按矩阵排列所构成，这些像素反映的是相应体素的X线吸收系数。每一个CT序列图像包含两三百张被其他组织干扰的心包图像，心包的CT图像不具有明显的边缘，其分布区域也不均匀。孤立地分析每一张心包的CT序列图像来识别心包区域很可能出现偏差甚至错误。
因此，亟需研究心包区域定位的新途径，以提高心包区域定位的准确度。
发明内容
为解决上述问题，本发明提供一种基于特征分析的心包区域定位方法、装置及系统，能够提高心包区域定位的准确度。
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特征分析的心包区域定位方法，包括：
获取一组CT序列图像，该CT序列图像包含对至少一个心跳周期的心包采样；
提取该CT序列图像中每一张CT图像的边缘轮廓，得到一组边缘轮廓；
将该组边缘轮廓进行融合，得到一张典型轮廓，获取该典型轮廓的偏差范围；
将典型轮廓作为定位到的心包区域，将该偏差范围作为心脏的心跳区间。
进一步，所述提取该CT序列图像中每一张CT图像的边缘轮廓之前，还包括：
将CT图像进行灰度归一化，得到归一化图像；
采用中值滤波算法对归一化图像进行预处理，再采用拉普拉斯算子对预处理后的归一化图像进行图像锐化处理。
进一步，所述提取该CT序列图像中每一张CT图像的边缘轮廓，得到一组边缘轮廓，包括：
从该CT序列图像中按序列提取CT图像，得到一张CT图像；
选取该CT图像的中心像素点作为种子点，将该CT图像的灰度平均值作为分割阈值，采用区域生长法对所述CT图像进行分割，得到该CT图像的边缘轮廓；
将CT序列图像中的每个边缘轮廓按序列排序，形成一组边缘轮廓。
进一步，所述将该组边缘轮廓进行融合，得到一张典型轮廓，获取该典型轮廓的偏差范围，具体为：
将该组边缘轮廓中的像素点全部汇总在一张图像中，形成一张二值化图像；
采用梯度下降法对该二值化图像中的像素点进行线性回归，得到一条闭环曲线，将该闭环曲线作为典型轮廓；
计算所述典型轮廓的平均偏离度，作为该典型轮廓的偏差范围。
根据本发明第二方面实施例提供的一种基于特征分析的心包区域定位装置，包括：
CT序列图像获取模块，用于获取一组CT序列图像，该CT序列图像包含对至少一个心跳周期的心包采样；
边缘轮廓提取模块，用于提取该CT序列图像中每一张CT图像的边缘轮廓，得到一组边缘轮廓；
融合模块，用于将该组边缘轮廓进行融合，得到一张典型轮廓，获取该典型轮廓的偏差范围；
定位模块，用于将典型轮廓作为定位到的心包区域，将该偏差范围作为心脏的心跳区间。
进一步，所述装置还包括预处理模块，所述预处理模块用于：
将CT图像进行灰度归一化，得到归一化图像；
采用中值滤波算法对归一化图像进行预处理，再采用拉普拉斯算子对预处理后的归一化图像进行图像锐化处理。
进一步，所述边缘轮廓提取模块具体用于：
从该CT序列图像中按序列提取CT图像，得到一张CT图像；
选取该CT图像的中心像素点作为种子点，将该CT图像的灰度平均值作为分割阈值，采用区域生长法对所述CT图像进行分割，得到该CT图像的边缘轮廓；
将CT序列图像中的每个边缘轮廓按序列排序，形成一组边缘轮廓。
进一步，所述融合模块具体用于：
将该组边缘轮廓中的像素点全部汇总在一张图像中，形成一张二值化图像；
采用梯度下降法对该二值化图像中的像素点进行线性回归，得到一条闭环曲线，将该闭环曲线作为典型轮廓；
计算所述典型轮廓的平均偏离度，作为该典型轮廓的偏差范围。
根据本发明第三方面实施例提供的一种基于特征分析的心包区域定位系统，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的心包区域定位程序，所述心包区域定位程序被所述处理器执行时实现如根据本发明第一方面实施例所述的基于特征分析的心包区域定位方法的步骤。
本发明的有益效果是：本发明公开一种基于特征分析的心包区域定位方法、装置及系统，所述方法为：首先获取一组CT序列图像，该CT序列图像包含对至少一个心跳周期的心包采样；接着提取该CT序列图像中每一张CT图像的边缘轮廓，得到一组边缘轮廓；进而将该组边缘轮廓进行融合，得到一张典型轮廓，获取该典型轮廓的偏差范围；最终将典型轮廓作为定位到的心包区域，将该偏差范围作为心脏的心跳区间。本发明还相应的提供了基于特征分析的心包区域定位的装置和系统，本发明能够提高心包区域定位的准确度。
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特征分析的心包区域定位方法的流程示意图；
图2是本发明实施例一种基于特征分析的心包区域定位装置的结构示意图。
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所示为一种基于特征分析的心包区域定位方法，包括以下步骤：
步骤S100、获取一组CT序列图像，该CT序列图像包含对至少一个心跳周期的心包采样；
步骤S200、提取该CT序列图像中每一张CT图像的边缘轮廓，得到一组边缘轮廓；
步骤S300、将该组边缘轮廓进行融合，得到一张典型轮廓，获取该典型轮廓的偏差范围；
步骤S400、将典型轮廓作为定位到的心包区域，将该偏差范围作为心脏的心跳区间。
本实施例中，由于CT序列图像包含对至少一个心跳周期的心包采样，从而可以获得一个完整的心包活动范围，通过将边缘轮廓进行融合，得到一张典型轮廓，避免了单一边缘轮廓的不确定性可能导致的偏差甚至错误；通过典型轮廓及其偏差范围可以完整的定位心包区域，从而提高了基于特征分析的心包区域定位的准确度。
在一个改进的实施例中，所述步骤S200之前，还包括：
将CT图像进行灰度归一化，得到归一化图像；采用中值滤波算法对归一化图像进行预处理，再采用拉普拉斯算子对预处理后的归一化图像进行图像锐化处理。
本实施例中，采用以下公式进行灰度归一化：
Figure BDA0002351599980000041
其中，I表示CT图像的灰度值，Imin表示CT图像中的最小灰度值，Imax表示CT图像中的最大灰度值，L表示归一化图像的灰度值，这样，得到的归一化图像中灰度值的取值范围为[0，1]。
本实施例采用的中值滤波是非线性的图像处理方法，在去噪的同时可以兼顾到边界信息的保留。采用中值滤波算法对归一化图像进行预处理，去除灰度图像中的噪声。
图像锐化处理的作用是使灰度反差增强，从而使模糊图像变得更加清晰。由于拉普拉斯算子是一种微分算子，可增强图像中灰度突变的区域，减弱灰度的缓慢变化区域。因此，采用拉普拉斯算子对原图像进行锐化处理，产生描述灰度突变的图像，再将拉普拉斯图像与原始图像叠加而产生锐化图像，既可以达到锐化处理的效果，同时又能保留背景信息，使灰度突变处的对比度得到增强，最终结果是在保留图像背景的前提下，突现出图像中小的细节信息，使图像的细节比原始图像更加清晰。
在一个优选的实施例中，所述步骤S200包括：
从该CT序列图像中按序列提取CT图像，得到一张CT图像；选取该CT图像的中心像素点作为种子点，将该CT图像的灰度平均值作为分割阈值，采用区域生长法对所述CT图像进行分割，得到该CT图像的边缘轮廓；将CT序列图像中的每个边缘轮廓按序列排序，形成一组边缘轮廓。
本实施例中所采用的区域生长法(region growing)是指将成组的像素或区域发展成更大区域的过程。从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。
区域生长法实现的步骤如下：
(1)选取该CT图像的中心像素点作为种子点，设该像素点坐标为(x0，y0)；
(2)以像素点(x0，y0)为中心，判断该像素点邻域的8个像素点是否大于分割阈值，若是，则将该邻域的像素点与种子点合并在同一区域内，即将该邻域的像素点压入堆栈；
(3)从堆栈中取出一个像素，把它当作新的种子点，并返回到步骤(2)；
(4)重复步骤(1)-(3)直到该CT图像中的每个点都有归属。
在一个优选的实施例中，所述步骤S300具体为：
将该组边缘轮廓中的像素点全部汇总在一张图像中，形成一张二值化图像；
采用梯度下降法对该二值化图像中的像素点进行线性回归，得到一条闭环曲线，将该闭环曲线作为典型轮廓；
计算所述典型轮廓的平均偏离度，作为该典型轮廓的偏差范围。
本实施例中，首先将该组边缘轮廓中的像素点全部汇总在一张图像中，形成心包的边界区间，接着通过梯度下降法对该二值化图像中的像素点进行线性回归，得到一条闭环曲线，从而形成典型轮廓，该典型轮廓可以表征CT序列图像的整体特征，避免了单一CT图像的不确定性，从整体上反映心包区域的边界，从而提高了基于特征分析的心包区域定位的准确度。
参考图2，本发明实施例还提供一种基于特征分析的心包区域定位装置，包括：
CT序列图像获取模块100，用于获取一组CT序列图像，该CT序列图像包含对至少一个心跳周期的心包采样；
边缘轮廓提取模块200，用于提取该CT序列图像中每一张CT图像的边缘轮廓，得到一组边缘轮廓；
融合模块300，用于将该组边缘轮廓进行融合，得到一张典型轮廓，获取该典型轮廓的偏差范围；
定位模块400，用于将典型轮廓作为定位到的心包区域，将该偏差范围作为心脏的心跳区间。
在一个优选的实施例中，所述装置还包括预处理模块，所述预处理模块用于：
将CT图像进行灰度归一化，得到归一化图像；
采用中值滤波算法对归一化图像进行预处理，再采用拉普拉斯算子对预处理后的归一化图像进行图像锐化处理。
在一个优选的实施例中，所述边缘轮廓提取模块200具体用于：
从该CT序列图像中按序列提取CT图像，得到一张CT图像；
选取该CT图像的中心像素点作为种子点，将该CT图像的灰度平均值作为分割阈值，采用区域生长法对所述CT图像进行分割，得到该CT图像的边缘轮廓；
将CT序列图像中的每个边缘轮廓按序列排序，形成一组边缘轮廓。
在一个优选的实施例中，所述融合模块300具体用于：
将该组边缘轮廓中的像素点全部汇总在一张图像中，形成一张二值化图像；
采用梯度下降法对该二值化图像中的像素点进行线性回归，得到一条闭环曲线，将该闭环曲线作为典型轮廓；
计算所述典型轮廓的平均偏离度，作为该典型轮廓的偏差范围。
本发明实施例还提供一种基于特征分析的心包区域定位系统，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于特征分析的心包区域定位程序，所述基于特征分析的心包区域定位程序被所述处理器执行时实现以上所述的基于特征分析的心包区域定位方法的步骤。
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，以软件形式加载到处理器中，进行基于特征分析的心包区域定位。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-Arr ay，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特征分析的心包区域定位系统的控制中心，利用各种接口和线路连接整个基于特征分析的心包区域定位系统的各个部分。
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，实现所述基于特征分析的心包区域定位系统的各种功能。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 (7)

1.一种基于特征分析的心包区域定位方法，其特征在于，包括：
获取一组CT序列图像，该CT序列图像包含对至少一个心跳周期的心包采样；
提取该CT序列图像中每一张CT图像的边缘轮廓，得到一组边缘轮廓；
将该组边缘轮廓进行融合，得到一张典型轮廓，获取该典型轮廓的偏差范围；
将典型轮廓作为定位到的心包区域，将该偏差范围作为心脏的心跳区间；
所述提取该CT序列图像中每一张CT图像的边缘轮廓之前，还包括：
将CT图像进行灰度归一化，得到归一化图像；
采用中值滤波算法对归一化图像进行预处理，再采用拉普拉斯算子对预处理后的归一化图像进行图像锐化处理；
采用以下公式进行灰度归一化：
Figure FDA0004053902700000011
其中，I表示CT图像的灰度值，Imin表示CT图像中的最小灰度值，Imax表示CT图像中的最大灰度值，L表示归一化图像的灰度值，这样，得到的归一化图像中灰度值的取值范围为[0，1]。
2.根据权利要求1所述的一种基于特征分析的心包区域定位方法，其特征在于，所述提取该CT序列图像中每一张CT图像的边缘轮廓，得到一组边缘轮廓，包括：
从该CT序列图像中按序列提取CT图像，得到一张CT图像；
选取该CT图像的中心像素点作为种子点，将该CT图像的灰度平均值作为分割阈值，采用区域生长法对所述CT图像进行分割，得到该CT图像的边缘轮廓；
将CT序列图像中的每个边缘轮廓按序列排序，形成一组边缘轮廓。
3.根据权利要求2所述的一种基于特征分析的心包区域定位方法，其特征在于，所述将该组边缘轮廓进行融合，得到一张典型轮廓，获取该典型轮廓的偏差范围，具体为：
将该组边缘轮廓中的像素点全部汇总在一张图像中，形成一张二值化图像；
采用梯度下降法对该二值化图像中的像素点进行线性回归，得到一条闭环曲线，将该闭环曲线作为典型轮廓；
计算所述典型轮廓的平均偏离度，作为该典型轮廓的偏差范围。
4.一种基于特征分析的心包区域定位装置，其特征在于，包括：
CT序列图像获取模块，用于获取一组CT序列图像，该CT序列图像包含对至少一个心跳周期的心包采样；
边缘轮廓提取模块，用于提取该CT序列图像中每一张CT图像的边缘轮廓，得到一组边缘轮廓；
融合模块，用于将该组边缘轮廓进行融合，得到一张典型轮廓，获取该典型轮廓的偏差范围；
定位模块，用于将典型轮廓作为定位到的心包区域，将该偏差范围作为心脏的心跳区间；
预处理模块，所述预处理模块用于：
将CT图像进行灰度归一化，得到归一化图像；
采用中值滤波算法对归一化图像进行预处理，再采用拉普拉斯算子对预处理后的归一化图像进行图像锐化处理；
采用以下公式进行灰度归一化：
Figure FDA0004053902700000021
其中，I表示CT图像的灰度值，Imin表示CT图像中的最小灰度值，Imax表示CT图像中的最大灰度值，L表示归一化图像的灰度值，这样，得到的归一化图像中灰度值的取值范围为[0，1]。
5.根据权利要求4所述的一种基于特征分析的心包区域定位装置，其特征在于，所述边缘轮廓提取模块具体用于：
从该CT序列图像中按序列提取CT图像，得到一张CT图像；
选取该CT图像的中心像素点作为种子点，将该CT图像的灰度平均值作为分割阈值，采用区域生长法对所述CT图像进行分割，得到该CT图像的边缘轮廓；
将CT序列图像中的每个边缘轮廓按序列排序，形成一组边缘轮廓。
6.根据权利要求5所述的一种基于特征分析的心包区域定位装置，其特征在于，所述融合模块具体用于：
将该组边缘轮廓中的像素点全部汇总在一张图像中，形成一张二值化图像；
采用梯度下降法对该二值化图像中的像素点进行线性回归，得到一条闭环曲线，将该闭环曲线作为典型轮廓；
计算所述典型轮廓的平均偏离度，作为该典型轮廓的偏差范围。
7.一种基于特征分析的心包区域定位系统，其特征在于，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的心包区域定位程序，所述心包区域定位程序被所述处理器执行时实现如权利要求1至3中任一项所述的基于特征分析的心包区域定位方法的步骤。
CN201911417610.0A 2019-12-31 2019-12-31 一种基于特征分析的心包区域定位方法、装置及系统 Active CN111161285B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911417610.0A CN111161285B (zh) 2019-12-31 2019-12-31 一种基于特征分析的心包区域定位方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911417610.0A CN111161285B (zh) 2019-12-31 2019-12-31 一种基于特征分析的心包区域定位方法、装置及系统

Publications (2)

Publication Number Publication Date
CN111161285A CN111161285A (zh) 2020-05-15
CN111161285B true CN111161285B (zh) 2023-04-25

Family

ID=70560470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911417610.0A Active CN111161285B (zh) 2019-12-31 2019-12-31 一种基于特征分析的心包区域定位方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111161285B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288717A (zh) * 2020-10-29 2021-01-29 哈尔滨市科佳通用机电股份有限公司 一种动车组列车侧部异物检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104835112A (zh) * 2015-05-07 2015-08-12 厦门大学 一种肝脏多相期ct图像融合方法
CN104951800A (zh) * 2015-06-15 2015-09-30 许昌学院 一种面向资源开采型地区的遥感影像融合方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104835112A (zh) * 2015-05-07 2015-08-12 厦门大学 一种肝脏多相期ct图像融合方法
CN104951800A (zh) * 2015-06-15 2015-09-30 许昌学院 一种面向资源开采型地区的遥感影像融合方法

Also Published As

Publication number Publication date
CN111161285A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
Bergmeir et al. Segmentation of cervical cell nuclei in high-resolution microscopic images: a new algorithm and a web-based software framework
US9972093B2 (en) Automated region of interest detection using machine learning and extended Hough transform
Park et al. Skull stripping based on region growing for magnetic resonance brain images
CN110678903B (zh) 用于3d图像中异位骨化的分析的系统和方法
JP6342810B2 (ja) 画像処理
Boss et al. Automatic mammogram image breast region extraction and removal of pectoral muscle
CN113379773B (zh) 基于双重注意力机制的分割模型建立、分割方法及装置
CN111127373B (zh) 一种基于局部截面分析的血管图像提取方法及装置
CN114359277B (zh) 一种脑卒中患者的脑部图像处理方法及系统
CN116071355A (zh) 一种用于外周血管影像的辅助分割系统及方法
CN111105427B (zh) 一种基于连通区域分析的肺部图像分割方法及系统
Dharmawan et al. A new optic disc segmentation method using a modified Dolph-Chebyshev matched filter
CN111161285B (zh) 一种基于特征分析的心包区域定位方法、装置及系统
US9672600B2 (en) Clavicle suppression in radiographic images
Mukherjee et al. Tree2tree2: Neuron tracing in 3d
US8160336B2 (en) Reducing false positives for automatic computerized detection of objects
CN112529918B (zh) 一种脑部ct图像中脑室区域分割的方法、装置及设备
EP3510526B1 (en) Particle boundary identification
CN111339993A (zh) 一种x射线图像金属检测方法和系统
Cai et al. Using nonlinear diffusion and mean shift to detect and connect cross-sections of axons in 3D optical microscopy images
Khan et al. Segmentation of single and overlapping leaves by extracting appropriate contours
Dickscheid et al. Towards 3D reconstruction of neuronal cell distributions from histological human brain sections
CN113724264B (zh) 图像分割方法、系统和可读存储介质
CN113962938A (zh) 图像分割方法、装置、计算机设备和可读存储介质
Rebelo et al. Automatic epicardial fat segmentation and volume quantification on non-contrast cardiac Computed Tomography

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