CN111325754A - 一种基于ct序列图像的腰椎骨自动定位方法 - Google Patents
一种基于ct序列图像的腰椎骨自动定位方法 Download PDFInfo
- Publication number
- CN111325754A CN111325754A CN202010002600.7A CN202010002600A CN111325754A CN 111325754 A CN111325754 A CN 111325754A CN 202010002600 A CN202010002600 A CN 202010002600A CN 111325754 A CN111325754 A CN 111325754A
- Authority
- CN
- China
- Prior art keywords
- vertebra
- image
- sequence
- lumbar vertebrae
- lumbar
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于CT序列图像的腰椎骨自动定位方法,腰椎骨是临床测量骨密度的常用研究对象,提出一种基于CT序列图像的腰椎骨自动定位方法,首先载入横断位CT序列图像,对DICOM原始数据进行预处理,三维重建出骨骼增强冠状图,然后基于多尺度模板匹配的方法自动匹配胸椎骨T12,提取匹配胸椎骨T12的CT起始序列号n0;再基于深度学习网络,训练基于横断位CT图像的椎骨分割模型;将n0作为起始序列号,用训练好的模型进行横断位图像腰椎骨分割并保存分割结果;最后基于横断位图像腰椎骨分割结果的像素总和,分离椎间盘和椎体,提取每一节腰椎骨对应的CT序列号区间。
Description
技术领域
本发明属于腰椎骨定位技术领域,尤其涉及一种基于CT序列图像的腰椎骨自动定位方法。
背景技术
近年来医学影像技术和人工智能技术在不断飞速发展,交叉学科应用引起了我们的重视,计算机断层扫描广泛地应用在临床诊断中,大幅度提高了医疗水平,为医学的研究和发展提供了良好的保障,具有重大影响和价值。利用人工智能技术对医学影像数据进行处理和分析可为现代医学诊断提供强有力的辅助作用。
临床测量骨密度时,腰椎骨是常用研究对象,腰椎骨的骨密度能较为准确的反应人体骨头状态以预测骨折风险。CT可以生成脊椎骨的高分辨率的横断位扫描图像,现有方法通常是通过人工手动选取包含一整节腰椎骨的CT序列图片,再基于手动选取的CT图像进行椎体骨密度分析,耗费人力和时间。从横断位CT序列图像中高精准度的定位每一节腰椎骨的位置,自动化获取每一节腰椎骨的CT序列号区间,对骨密度分析等医学研究有重大意义。
发明内容
本发明所要解决的技术问题是,提供一种基于CT序列图像的腰椎骨自动定位方法,在没有人工辅助的情况下定位腰椎骨,并精确地找到每一节腰椎骨对应的序列号区间。
本发明解决其技术问题所采用的技术方案是:提供一种基于CT序列图像的腰椎骨自动定位方法,该方法包括以下步骤,步骤一,载入横断位CT序列图像,对DICOM原始数据进行预处理,三维重建出骨骼增强冠状图;步骤二,基于多尺度模板匹配的方法自动匹配胸椎骨T12,提取匹配胸椎骨T12的CT起始序列号n0;步骤三,基于深度学习网络,训练基于横断位CT图像的腰椎骨分割模型;步骤四,将n0作为起始序列号,用训练好的模型进行横断位图像腰椎骨分割并保存分割结果;步骤五,基于横断位图像腰椎骨分割结果的像素总和,分离椎间盘和椎体,提取每一节腰椎骨对应的CT序列号区间。
按上述技术方案,所述步骤一中,基于横断位CT序列图像三维重建出骨骼增强冠状图的方法包括以下步骤:步骤A,此处的CT序列图像指的是做胸腹部CT检查获取的横断位CT序列图像,至少包括最后一节胸椎骨T12和第一节腰椎骨L1;步骤B,获取CT序列图像即DICOM图像的头文件标签字段INSTANCENUMBER,对序列图片进行排序以符合CT扫描的时间顺序;步骤B,根据DICOM图像数据进行灰度值统计确定骨骼区域灰度值阈值;步骤D,根据DICOM图像数据进行灰度值统计确定金属物灰度值阈值,通过阈值限定消除可能存在的金属物影响;步骤E,确定有效DICOM图像数据范围,设置遍历范围,消除CT机床床板产生的影响;步骤F,基于以上步骤,按CT扫描顺序遍历处理每一张DICOM图像,提取骨骼部分的有效数据三维重建出骨骼冠状图,DICOM图像的CT序列号即所生成冠状图的行号。
按上述技术方案,所述步骤二中,多尺度模板匹配的方法包括以下步骤:步骤a,以任意骨骼冠状图中第一节腰椎骨L1和最后一节胸椎骨T12及相连的肋骨区域作为特征模板;步骤b,将生成的骨骼冠状图和特征模板二值化;步骤c,将二值化的特征模板与骨骼冠状图进行多尺度模板匹配,并对匹配区域绘制矩形框;步骤d,返回矩形右上角顶点的纵坐标,即胸椎骨T12的起始CT序列号n0。
按上述技术方案,所述步骤三中,基于深度学习训练基于横断位CT图片的椎骨分割模型的方法包括以下步骤:步骤1,获取若干例胸腹部CT扫描数据,选取包含腰椎骨的DICOM图像转化为PNG格式作为训练集图片;步骤2,将除皮质骨外椎骨骨小梁区域作为ROI对训练集图片进行标注,生成训练标签图片;步骤3,选取全卷积神经网络,以全卷积神经网络FCN为底层特征提取结构;步骤4,基于深度学习UNET网络进行训练,调整训练参数,得到基于横断位CT图片的椎骨分割模型;步骤5,利用新样本对椎骨分割模型进行测试,得到测试结果。
按上述技术方案,所述步骤四中用训练好的模型进行腰椎骨分割的方法,包括以下步骤:步骤1),将从n0开始的CT序列DICOM图像转化为PNG格式;步骤2),利用训练好的分割模型从n0开始对PNG格式图片进行提取分割;步骤3),保存分割结果。
按上述技术方案,所述步骤五中,分离椎间盘和椎体,提取腰椎骨对应序列号区间的方法包括以下步骤:步骤a),计算自n0开始每一张CT图片的分割结果进行像素总和统计;步骤b),绘制分割结果对应的CT序列号与分割结果对应的像素总和间的曲线图;步骤c),设置分离椎体和椎间盘的像素总和阈值,对曲线图进行二值化处理,生成类似方波的曲线;步骤d),方波高值对应的序列号区间依次对应包含胸椎骨T12,腰椎骨L1,L2,L3,L4,L5所在CT图片的序列号区间。
本发明产生的有益效果是:本发明的基于CT序列图像的腰椎骨自动定位方法,在没有人工辅助的情况下定位腰椎骨,并精确地找到每一节腰椎骨对应的序列号区间,实现腰椎骨的自动、快速、准确定位,便于后续针对不同节腰椎骨的医学研究和分析。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例基于CT序列图像的腰椎骨自动定位方法的流程图;
图2是本发明实施例中多尺度模板匹配的模板。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例中,提供一种基于CT序列图像的腰椎骨自动定位发法,该发法包括以下步骤,步骤一,载入横断位CT序列图像,对DICOM原始数据进行预处理,三维重建出骨骼增强冠状图。基于横断位CT序列图像三维重建出骨骼增强冠状图的方法包括:步骤一,此处的CT序列图像指的是做胸腹部CT检查获取的横断位CT序列图像,至少包括最后一节胸椎骨T12和第一节腰椎骨L1;步骤B,获取CT序列图像即DICOM图像的头文件标签字段INSTANCENUMBER,对序列图片进行排序以符合CT扫描的时间顺序;步骤C,根据DICOM图像数据进行灰度值统计确定骨骼区域灰度值阈值;步骤D,根据DICOM图像数据进行灰度值统计确定金属物灰度值阈值,通过阈值限定消除可能存在的金属物影响;步骤E,确定有效DICOM图像数据范围,设置遍历范围,消除CT机床床板产生的影响;步骤F,基于以上步骤,按CT扫描顺序遍历处理每一张DICOM图像,提取骨骼部分的有效数据三维重建出骨骼冠状图,DICOM图像的CT序列号即所生成冠状图的行号。
步骤二,基于多尺度模板匹配的方法自动匹配胸椎骨T12,特征模板如图2所示,提取匹配胸椎骨T12的CT起始序列号n0。多尺度模板匹配的方法包括以下步骤:步骤a,以任意骨骼冠状图中第一节腰椎骨L1和最后一节胸椎骨T12及相连的肋骨区域作为特征模板;步骤b,将生成的骨骼冠状图和特征模板二值化;步骤c,将二值化的特征模板与骨骼冠状图进行多尺度模板匹配,并对匹配区域绘制矩形框;步骤d,返回矩形右上角顶点的纵坐标,即胸椎骨T12的起始CT序列号n0。
步骤三,基于深度学习网络,训练基于横断位CT图像的腰椎骨分割模型。包括以下步骤:步骤1,获取若干例胸腹部CT扫描数据,选取包含腰椎骨的DICOM图像转化为PNG格式作为训练集图片;步骤2,将除皮质骨外椎骨骨小梁区域作为ROI对训练集图片进行标注,生成训练标签图片;步骤3,选取全卷积神经网络,以全卷积神经网络FCN为底层特征提取结构;步骤4,基于深度学习UNET网络进行训练,调整训练参数,得到基于横断位CT图片的椎骨分割模型;步骤5,,利用新样本对椎骨分割模型进行测试,得到测试结果。
步骤四,将n0作为起始序列号,用训练好的模型进行横断位图像腰椎骨分割并保存分割结果,包括将从n0开始的CT序列DICOM图像转化为PNG格式;利用训练好的分割模型从n0开始对PNG格式图片进行提取分割;保存分割结果。
步骤五,基于横断位图像腰椎骨分割结果的像素总和,分离椎间盘和椎体,提取每一节腰椎骨对应的CT序列号区间。具体包括:首先,计算自n0开始每一张CT图片的分割结果进行像素总和统计;其次,绘制分割结果对应的CT序列号与分割结果对应的像素总和间的曲线图;然后,设置分离椎体和椎间盘的像素总和阈值,对曲线图进行二值化处理,生成类似方波的曲线;最后,方波高值对应的序列号区间依次对应包含胸椎骨T12,腰椎骨L1,L2,L3,L4,L5所在CT图片的序列号区间。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于CT序列图像的腰椎骨自动定位方法,其特征在于,该方法包括以下步骤,步骤一,载入横断位CT序列图像,对DICOM原始数据进行预处理,三维重建出骨骼增强冠状图;
步骤二,基于多尺度模板匹配的方法自动匹配胸椎骨T12,提取匹配胸椎骨T12的CT起始序列号n0;
步骤三,基于深度学习网络,训练基于横断位CT图像的腰椎骨分割模型;
步骤四,将n0作为起始序列号,用训练好的模型进行横断位图像腰椎骨分割并保存分割结果;
步骤五,基于横断位图像腰椎骨分割结果的像素总和,分离椎间盘和椎体,提取每一节腰椎骨对应的CT序列号区间。
2.根据权利要求1所述的基于CT序列图像的腰椎骨自动定位方法,其特征在于,所述步骤一中,基于横断位CT序列图像三维重建出骨骼增强冠状图的方法包括以下步骤:
步骤A,此处的CT序列图像指的是做胸腹部CT检查获取的横断位CT序列图像,至少包括最后一节胸椎骨T12和第一节腰椎骨L1;
步骤B,获取CT序列图像即DICOM图像的头文件标签字段INSTANCENUMBER,对序列图片进行排序以符合CT扫描的时间顺序;
步骤B,根据DICOM图像数据进行灰度值统计确定骨骼区域灰度值阈值;
步骤D,根据DICOM图像数据进行灰度值统计确定金属物灰度值阈值,通过阈值限定消除可能存在的金属物影响;
步骤E,确定有效DICOM图像数据范围,设置遍历范围,消除CT机床床板产生的影响;
步骤F,基于以上步骤,按CT扫描顺序遍历处理每一张DICOM图像,提取骨骼部分的有效数据三维重建出骨骼冠状图,DICOM图像的CT序列号即所生成冠状图的行号。
3.根据权利要求1或2所述的基于CT序列图像的腰椎骨自动定位方法,其特征在于,所述步骤二中,多尺度模板匹配的方法包括以下步骤:
步骤a,以任意骨骼冠状图中第一节腰椎骨L1和最后一节胸椎骨T12及相连的肋骨区域作为特征模板;
步骤b,将生成的骨骼冠状图和特征模板二值化;
步骤c,将二值化的特征模板与骨骼冠状图进行多尺度模板匹配,并对匹配区域绘制矩形框;
步骤d,返回矩形右上角顶点的纵坐标,即胸椎骨T12的起始CT序列号n0。
4.根据权利要求1或2所述的基于CT序列图像的腰椎骨自动定位方法,其特征在于,所述步骤三中,基于深度学习训练基于横断位CT图片的椎骨分割模型的方法包括以下步骤:
步骤1,获取若干例胸腹部CT扫描数据,选取包含腰椎骨的DICOM图像转化为PNG格式作为训练集图片;
步骤2,将除皮质骨外椎骨骨小梁区域作为ROI对训练集图片进行标注,生成训练标签图片;
步骤3,选取全卷积神经网络,以全卷积神经网络FCN为底层特征提取结构;
步骤4,基于深度学习UNET网络进行训练,调整训练参数,得到基于横断位CT图片的椎骨分割模型;
步骤5,利用新样本对椎骨分割模型进行测试,得到测试结果。
5.根据权利要求1或2所述的基于CT序列图像的腰椎骨自动定位方法,其特征在于,所述步骤四中用训练好的模型进行腰椎骨分割的方法,包括以下步骤:
步骤1),将从n0开始的CT序列DICOM图像转化为PNG格式;
步骤2),利用训练好的分割模型从n0开始对PNG格式图片进行提取分割;
步骤3),保存分割结果。
6.根据权利要求1或2所述的基于CT序列图像的腰椎骨自动定位方法,其特征在于,所述步骤五中,分离椎间盘和椎体,提取腰椎骨对应序列号区间的方法包括以下步骤:
步骤a),计算自n0开始每一张CT图片的分割结果进行像素总和统计;
步骤b),绘制分割结果对应的CT序列号与分割结果对应的像素总和间的曲线图;
步骤c),设置分离椎体和椎间盘的像素总和阈值,对曲线图进行二值化处理,生成类似方波的曲线;
步骤d),方波高值对应的序列号区间依次对应包含胸椎骨T12,腰椎骨L1,L2,L3,L4,L5所在CT图片的序列号区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002600.7A CN111325754B (zh) | 2020-01-02 | 2020-01-02 | 一种基于ct序列图像的腰椎骨自动定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002600.7A CN111325754B (zh) | 2020-01-02 | 2020-01-02 | 一种基于ct序列图像的腰椎骨自动定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325754A true CN111325754A (zh) | 2020-06-23 |
CN111325754B CN111325754B (zh) | 2023-04-07 |
Family
ID=71167008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010002600.7A Active CN111325754B (zh) | 2020-01-02 | 2020-01-02 | 一种基于ct序列图像的腰椎骨自动定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325754B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529863A (zh) * | 2020-12-04 | 2021-03-19 | 推想医疗科技股份有限公司 | 测量骨密度的方法及装置 |
CN113240661A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
WO2022037696A1 (zh) * | 2020-08-21 | 2022-02-24 | 张逸凌 | 基于深度学习的骨骼分割方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6249590B1 (en) * | 1999-02-01 | 2001-06-19 | Eastman Kodak Company | Method for automatically locating image pattern in digital images |
US20070223799A1 (en) * | 2004-03-11 | 2007-09-27 | Weiss Kenneth L | Automated Neuroaxis (Brain and Spine) Imaging with Iterative Scan Prescriptions, Analysis, Reconstructions, Labeling, Surface Localization and Guided Intervention |
CN104851107A (zh) * | 2015-06-08 | 2015-08-19 | 武汉联影医疗科技有限公司 | 基于ct序列图像的脊椎定位方法 |
CN107977971A (zh) * | 2017-11-09 | 2018-05-01 | 哈尔滨理工大学 | 基于卷积神经网络的椎骨定位的方法 |
CN110363765A (zh) * | 2019-07-24 | 2019-10-22 | 苏州科技城医院 | 基于ct影像的骨质疏松参数自动测量方法 |
CN110544245A (zh) * | 2019-08-30 | 2019-12-06 | 北京推想科技有限公司 | 图像处理方法、装置、计算机可读存储介质及电子设备 |
-
2020
- 2020-01-02 CN CN202010002600.7A patent/CN111325754B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6249590B1 (en) * | 1999-02-01 | 2001-06-19 | Eastman Kodak Company | Method for automatically locating image pattern in digital images |
US20070223799A1 (en) * | 2004-03-11 | 2007-09-27 | Weiss Kenneth L | Automated Neuroaxis (Brain and Spine) Imaging with Iterative Scan Prescriptions, Analysis, Reconstructions, Labeling, Surface Localization and Guided Intervention |
CN104851107A (zh) * | 2015-06-08 | 2015-08-19 | 武汉联影医疗科技有限公司 | 基于ct序列图像的脊椎定位方法 |
CN107977971A (zh) * | 2017-11-09 | 2018-05-01 | 哈尔滨理工大学 | 基于卷积神经网络的椎骨定位的方法 |
CN110363765A (zh) * | 2019-07-24 | 2019-10-22 | 苏州科技城医院 | 基于ct影像的骨质疏松参数自动测量方法 |
CN110544245A (zh) * | 2019-08-30 | 2019-12-06 | 北京推想科技有限公司 | 图像处理方法、装置、计算机可读存储介质及电子设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022037696A1 (zh) * | 2020-08-21 | 2022-02-24 | 张逸凌 | 基于深度学习的骨骼分割方法和系统 |
CN112529863A (zh) * | 2020-12-04 | 2021-03-19 | 推想医疗科技股份有限公司 | 测量骨密度的方法及装置 |
CN112529863B (zh) * | 2020-12-04 | 2024-01-23 | 推想医疗科技股份有限公司 | 测量骨密度的方法及装置 |
CN113240661A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
CN113240661B (zh) * | 2021-05-31 | 2023-09-26 | 平安科技(深圳)有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111325754B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622492B (zh) | 肺裂分割方法及系统 | |
CN107798682B (zh) | 图像分割系统、方法、装置和计算机可读存储介质 | |
CN111047572B (zh) | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 | |
CN108830155B (zh) | 一种基于深度学习的心脏冠状动脉分割及识别的方法 | |
Mesanovic et al. | Automatic CT image segmentation of the lungs with region growing algorithm | |
CN111325754B (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
US7315639B2 (en) | Method of lung lobe segmentation and computer system | |
US9384555B2 (en) | Motion correction apparatus and method | |
WO2015175806A1 (en) | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models | |
US8290568B2 (en) | Method for determining a property map of an object, particularly of a living being, based on at least a first image, particularly a magnetic resonance image | |
RU2589461C2 (ru) | Устройство для создания присваиваний между областями изображения и категориями элементов | |
US10083506B2 (en) | Whole body image registration method and method for analyzing images thereof | |
Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
CN106846346B (zh) | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
CN106780491B (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
CN112349391A (zh) | 一种优化肋骨自动标号方法 | |
CN113870098A (zh) | 一种基于脊柱分层重建的Cobb角自动测量方法 | |
CN106780492B (zh) | 一种ct骨盆图像的关键帧提取方法 | |
Karthikeyan et al. | Lungs segmentation using multi-level thresholding in CT images | |
CN105678711B (zh) | 一种基于图像分割的衰减校正方法 | |
EP4167184A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
Al-Helo et al. | Segmentation of lumbar vertebrae from clinical CT using active shape models and GVF-snake | |
CN115578373A (zh) | 基于全局和局部特征协作的骨龄评估方法、装置、设备及介质 |
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 |