CN111476881A - 基于结构相似性水平集算法的人体组织器官三维重建方法 - Google Patents
基于结构相似性水平集算法的人体组织器官三维重建方法 Download PDFInfo
- Publication number
- CN111476881A CN111476881A CN202010192229.5A CN202010192229A CN111476881A CN 111476881 A CN111476881 A CN 111476881A CN 202010192229 A CN202010192229 A CN 202010192229A CN 111476881 A CN111476881 A CN 111476881A
- Authority
- CN
- China
- Prior art keywords
- organ
- tissue
- set algorithm
- segmented
- level set
- 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.)
- Pending
Links
- 210000000056 organ Anatomy 0.000 title claims abstract description 106
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims description 25
- 238000000926 separation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000000496 pancreas Anatomy 0.000 claims description 5
- 210000004185 liver Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 210000001685 thyroid gland Anatomy 0.000 claims description 2
- 210000000481 breast Anatomy 0.000 claims 1
- 210000001519 tissue Anatomy 0.000 description 74
- 238000003709 image segmentation Methods 0.000 description 9
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于结构相似性水平集算法的人体组织器官三维重建方法，该方法根据连续医学图像的结构相似性对水平集算法进行改进，并将分割结果用于胰腺的三维重建，取得了较好的重建效果。
Description
技术领域
本发明涉及医学影像处理技术领域，特别涉及一种基于结构相似性水平集算法的人体组织器官三维重建方法。
背景技术
医学影像，指的是为了医疗或医学研究目的，对人体或人体某部分以非侵入方式取得内部组织器官影像的技术与处理过程，根据其实现步骤不同，医学影像包括医学成像技术和医学处理技术，借助医学影像技术，医疗人员可以更清晰地了解人体特定的组织器官状况进而给出更为精准和合理的诊疗方案。
目前的现有技术已经可以实现从医学影像中提取特定组织器官并进行三维重建，而其中三维重建模型的精准度直接取决于图像分割提取的准确率。在众多图像分割技术中，水平集算法因同时具备全局和局部最优性被广泛地应用于图像分割。水平集算法是一种基于曲线演化的用于平面跟踪和形状构建的数学方法，而曲线演化是演化静止或运动图像的一种方法，该方法利用闭合曲线的特定的规律，定义闭合曲线的泛能量函数，通过最小化能量函数从而使闭合曲线逼近目标的边界，基于水平集的图像分割算法可将低维的闭合曲线演化问题转为高维度空间，并使用泛能量函数演化的隐含方式来求解目标边界，该算法计算稳定，准确度高，因而在医学图像分割中受到了许多学者的研究。另外，水平集算法配合移动立方体算法可实现组织器官的重建，移动立方体算法可对分割结果的每一次体素进行处理，对于每个体素，以三角面片来逼近其内部的等值面。每个体素是一个小立方体，在构造三角面片的处理过程中对每个体素都处理一遍，进而重建人体外部轮廓、内部组织器官，使医生能够直接在三维图像上观察感兴趣的器官与周围组织的空间关系。
然而，由于水平集算法是一种半自动分割算法，在连续并且数量较多的医学图像上应用时，存在分割效率低的问题。虽然现有技术CN104599270B“一种基于改进水平集算法的乳腺肿瘤超声波图像分割方法”，也致力于提高乳腺肿瘤分割和三维重建的准确性和分割速度，但是该方案的重点在于通过自适应预制分割算法提取种子点，无需人为设置种子点，简化了人工操作的步骤，该方案依旧没有解决在处理多个医学图像时需要对每个图像进行重复的操作的问题，在多图像处理中表现不佳。
发明内容
本发明的目的在于提供一种基于结构相似性水平集算法的人体组织器官三维重建方法，该方法根据连续医学图像的结构相似性对水平集算法进行改进，并将分割结果用于胰腺的三维重建，取得了较好的重建效果。
为实现以上目的，本方案提供一种基于结构相似性水平集算法的人体组织器官三维重建方法，包括以下步骤：
步骤S1:获取连续的图像切片集并在连续图像切片中定位初始图像切片；
步骤S2：预处理初始图像切片，得到预处理图像切片；
步骤S3：通过水平集算法分割预处理图像切片的组织器官，得到对应预处理图像切片的分割组织器官；
步骤S4:获取分割组织器官的分隔特征信息，并优化水平集算法；其中分割特征信息包括分割组织器官的面积信息，质心信息和形状信息，其中面积信息为分割组织器官的像素总和N1,质心信息为分割组织器官的质心坐标，形状信息为分割组织器官的目标像素，利用面积信息和形状信息优化水平集算法；
步骤S5：利用优化的水平集算法处理中间图像切片，分割得到分割组织器官，循环步骤S4遍历所有图像切片，选择上一张图像切片的分割组织的质心坐标为下一张图像切片中的质心坐标，根据质心位置建立矩阵作为水平集演变的基础图形，利用优化后的水平集算法分割图像切片；以及
步骤S6：获取所有分割组织器官，进行三维重建。
相较现有技术，本方案利用连续医学切片图像中的组织器官在解剖结构上具有高度相似性的特点，通过分析前一张图像的分割结果，得到目标组织器官的质心位置，形状特征以及面积尺寸，对下一张图像进行自动分割，确保了分割结果的精确以及分割效率，该方法大大减少了使用者操作步骤的同时取得了更好的分割效率，从而也可得到更好的三维重建效果。
附图说明
图1是根据本发明的一实施例的基于结构相似性水平集算法的人体器官三维重建方法的流程示意图。
图2A和图2B是根据本发明的一实施例的初始图像切片的标注和分割结果示意图。
图3A和图3B是根据本发明的中间图像切片的标注和分割结果示意图。
图4是连续图像切片的分隔结果。
图5是分割结果的二值化图像。、
图6A是胰腺的三维重建结果，图6B是肝脏的三维重建结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
本方案提供一种基于结构相似性水平集算法的人体组织器官三维重建方法，由于医学图像是由连续的图像切片构成，而需要分割的组织器官在相邻的图像切片中往往形状相似且位置接近，也就是说，在连续的图像切片中需要被分割的组织器官具有共同的分隔特征信息，本方案的基本原理就是利用连续图像切片中的分割特征信息改进水平集算法，以实现组织器官的自动分割，进而利用移动立方体算法得到组织器官的三维模型。
值得一提的是，本方案可适用于各类组织器官医学影像的三维重建，包括但不限于胰腺，乳腺，甲状腺，肝脏等。
同原理介绍，该方法的基本实现过程如下：选取连续医学图像中的一张出现目标组织器官的图像，对该被选取的图像进行预处理，对预处理图像进行水平集算法分割获取目标组织器官，得到目标组织器官的分隔特征信息，基于目标组织器官的分隔特征信息对其他连续医学图像进行水平集算法处理，直至获取所有图像的自动分割结果，基于所有图像的分隔结果采用移动立方体算法进行三维重建，得到最终的组织器官三维重建结果。
具体的，该基于结构相似性水平集算法的人体组织器官三维重建方法包括以下步骤：
步骤S1:获取连续图像切片并在连续图像切片中定位初始图像切片：
在获取得到的连续图像切片中手动找到第一张出现目标组织器官的图像切片，选定该图像为初始图像切片，在该初始图像切片上确认目标组织器官的大致位置，为后续标记种子区域做准备。
步骤S2:预处理初始图像切片，得到预处理图像切片：
由于获取的初始图像切片中组织器官区域和背景区域存在灰度值差异，为了便于后续的组织器官分割，可以通过形态学的预处理将组织器官区域和背景区域进行分离。
即，步骤S2的目的是预处理初始图像切片，以分离组织器官区域,具体的预处理步骤包括增强组织器官区域和背景区域的对比度，消除初始图像切片的噪音，初始图像切片阈值处理和背景区域移除等步骤。
换言之，步骤S2可进一步包括：S21：通过线性增强增加组织器官区域和背景区域的对比度；S22：通过高斯滤波消除图像切片的噪音；S23：使用阈值处理二值化图像切片；S24：使用形态学的打开操作移除背景区域。
步骤S3：通过水平集算法分割预处理图像切片的组织器官，得到对应预处理图像切片的分割组织器官；
将预处理图像切片引入DRLSE模型，使用水平集算法对预处理图像切片的组织器官进行分割，最终得到分割组织器官。该方法的优点在于利用迭代方法寻找图像切片中相匹配的点时无需重复初始化水平集函数，提高了运算速度，减少数据计算量。
具体的，包括以下步骤：
S31:在组织器官区域选定不超过目标组织器官范围的选定矩形；
S32:水平集算法基于选定矩阵自动迭代向外扩增，分割得到分割组织器官。
其中水平集算法中的泛能量函数L的公式如下：
其中，Rp(L)表示增加的约束项，λ是约束项系数，
是能量驱动项，控制曲线寻找边界得到能量函数。
步骤S4：获取分割组织器官的分隔特征信息，并优化水平集算法：
分割组织器官包括对应对应初始图像切片的分割组织器官以及中间图像切片的分割组织器官，其中中间图像切片指的是所有图像切片中除去初始图像切片的图像切片。
其中分割组织器官的分隔特征信息包括分割组织器官的面积信息，质心信息以及形状信息，其中面积信息定义为分割组织器官的像素总和N1，质心信息定义为分割组织器官的质心坐标，形状信息定义为分割组织器官的目标像素。
利用面积信息优化水平集算法的过程：由于连续图像切片中的分割组织器官的面积差异不大，因此利用上一张图像切片的分割组织器官的面积信息N1作为优化水平集算法的迭代带入截止条件；具体的，下一张图像切片的分割面积N2需满足以下条件：
0.8*N2<N1<1.2N2。
利用质心信息优化水平集算法的过程：以上一张分割组织器官的质心坐标作为下一张图像切片的质心坐标，构建和步骤S3中一样大小的选定矩形。
利用形状信息优化水平集算法的过程：由于上一张分割组织器官的目标像素极大程度相似于下一张图像切片中组织器官所在位置的目标像素，即前一张图像中分割结果的目标点，在当前图像中也更可能是目标点。则根据前序分割组织器官的目标像素在优化后的水平集算法中添加形状约束项Rs(L)，得到改进后的泛能量函数L：
其中，Rs(L)为形状约束项，μ为形状约束项的权重。
形状约束项指的是前一张图像分割的形状，比如前一张图像分割结果为圆形，后一张图像也应该是接近圆形。算法上的表示为在前一张图像中分割结果的目标点，在当前图像是目标点的可能性更大。U是权重参数，前两项是传统水平集算法的两项，引入新的项。需要与新的项有一个权重关系。即
u一般取0.5，也可以根据实际需要修改。
分割组织器官的面积信息N1的获取：统计分割组织器官的像素，像素总和即为面积信息N1。
分割组织器官的质心信息的获取：将分割组织器官图像二值化，其中设定该图像的背景为黑色，分割组织器官的目标为白色，将所有分割组织器官的目标像素的坐标求和再除以分割组织器官的目标像素的数量，得到质心位置。
分割组织器官的形状信息的获取：获取分割组织器官的像素。
步骤S5：利用优化的水平集算法处理中间图像切片，分割得到分割组织器官，循环步骤S4遍历所有图像切片：
选定上一张分割组织器官的质心坐标为下一张图像切片中的质心坐标，根据质心位置建立和步骤S3一样的矩阵作为水平集演变的基础图形，利用分割面积N2和形状约束项Rs(L)优化后的水平集算法分割图像切片，得到分割组织器官。
步骤S6:获取所有分割组织器官，进行三维重建。
在本方案中利用移动立方体算法进行三维重建。
本方案以胰腺作为组织器官进行图像分割和三维重建，结果如附图所示。如图2A和2B是预处理图像切片的手动标记和分割结果图，即，在图中手动选择选定矩阵并记录选定矩阵的相应参数，利用水平集算法进行胰腺的分割。图3A和3B是中间图像的自动标记和分割结果图。图4是所有图像切片的分隔结果。图5是分割结果的二值化处理图像。图6A和6B是得到的三维模型。
本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。
Claims (9)
1.一种基于结构相似性水平集算法的人体组织器官三维重建方法，其特征在于，包括以下步骤：
步骤S1:获取连续的图像切片集并在连续图像切片中定位初始图像切片；
步骤S2：预处理初始图像切片，得到预处理图像切片；
步骤S3：通过水平集算法分割预处理图像切片的组织器官，得到对应预处理图像切片的分割组织器官；
步骤S4:获取分割组织器官的分隔特征信息，并优化水平集算法；其中分割特征信息包括分割组织器官的面积信息，质心信息和形状信息，其中面积信息为分割组织器官的像素总和N1,质心信息为分割组织器官的质心坐标，形状信息为分割组织器官的目标像素，利用面积信息和形状信息优化水平集算法；
步骤S5：利用优化的水平集算法处理中间图像切片，分割得到分割组织器官，循环步骤S4遍历所有图像切片，选择上一张图像切片的分割组织的质心坐标为下一张图像切片中的质心坐标，根据质心位置建立矩阵作为水平集演变的基础图形，利用优化后的水平集算法分割图像切片；以及
步骤S6：获取所有分割组织器官，进行三维重建。
2.根据权利要求1所述的基于结构相似性水平集算法的人体组织器官三维重建方法，其特征在于，在步骤S4当中，利用面积信息优化水平集算法的过程：利用上一张图像切片的分隔组织器官的面积信息N1得到下一张图像切片的分割面积N2,分割面积N2作为优化水平集算法的迭代带入截止条件，分割面积N2满足以下条件：
0.8*N2<N1<1.2N2。
3.根据权利要求1所述的基于结构相似性水平集算法的人体组织器官三维重建方法，其特征在于，在步骤S4当中，利用形状信息优化水平集算法的过程：根据上一张图像切片的分割组织器官的目标像素在优化后的水平集算法中添加形状约束项Rs(L)，得到改进后的泛能量函数L：
其中Rs(L)为形状约束项。
4.根据权利要求1所述的基于结构相似性水平集算法的人体组织器官三维重建方法，其特征在于，在步骤S4当中，分隔组织器官的质心信息的获取：将分割组织器官图像二值化，其中设定该图像的背景为黑色，分割组织器官的目标为白色，将所有分割组织器官的目标像素的坐标求和再除以分割组织器官的目标的数量，得到质心位置。
5.根据权利要求1所述的基于结构相似性水平集算法的人体组织器官三维重建方法，其特征在于，在步骤S3中，在组织器官区域选定不超过目标组织器官范围的选定矩形；S32:水平集算法基于选定矩阵自动迭代向外扩增，分割得到预选分割组织器官。
6.根据权利要求5所述的基于结构相似性水平集算法的人体组织器官三维重建方法，其特征在于，在步骤S5当中，根据质心位置建立和步骤S3一样大小的矩阵。
7.根据权利要求1所述的基于结构相似性水平集算法的人体组织器官三维重建方法，其特征在于，利用移动立方体算法进行三维重建。
8.根据权利要求1所述的基于结构相似性水平集算法的人体组织器官三维重建方法，其特征在于，人体组织器官选择胰腺，乳腺，甲状腺以及肝脏。
9.根据权利要求1所述的基于结构相似性水平集算法的人体组织器官三维重建方法，其特征在于，在步骤S2中，预处理步骤包括增强组织器官区域和背景区域的对比度，消除初始图像切片的噪音，初始图像切片阈值处理和背景区域移除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010192229.5A CN111476881A (zh) | 2020-03-18 | 2020-03-18 | 基于结构相似性水平集算法的人体组织器官三维重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010192229.5A CN111476881A (zh) | 2020-03-18 | 2020-03-18 | 基于结构相似性水平集算法的人体组织器官三维重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111476881A true CN111476881A (zh) | 2020-07-31 |
Family
ID=71747534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010192229.5A Pending CN111476881A (zh) | 2020-03-18 | 2020-03-18 | 基于结构相似性水平集算法的人体组织器官三维重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476881A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060013482A1 (en) * | 2004-06-23 | 2006-01-19 | Vanderbilt University | System and methods of organ segmentation and applications of same |
| WO2012016242A2 (en) * | 2010-07-30 | 2012-02-02 | Aureon Biosciences, Inc. | Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions |
| CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印系统 |
| CN108596887A (zh) * | 2018-04-17 | 2018-09-28 | 湖南科技大学 | 一种腹部ct序列图像肝脏肿瘤自动分割方法 |
| CN110136139A (zh) * | 2019-04-12 | 2019-08-16 | 浙江工业大学 | 基于形状特征的面部ct图像中的牙神经分割方法 |
| CN110610478A (zh) * | 2019-07-24 | 2019-12-24 | 浙江大学 | 一种基于邻域拓扑的医学图像三维重建方法 |
-
2020
- 2020-03-18 CN CN202010192229.5A patent/CN111476881A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060013482A1 (en) * | 2004-06-23 | 2006-01-19 | Vanderbilt University | System and methods of organ segmentation and applications of same |
| WO2012016242A2 (en) * | 2010-07-30 | 2012-02-02 | Aureon Biosciences, Inc. | Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions |
| CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印系统 |
| CN108596887A (zh) * | 2018-04-17 | 2018-09-28 | 湖南科技大学 | 一种腹部ct序列图像肝脏肿瘤自动分割方法 |
| CN110136139A (zh) * | 2019-04-12 | 2019-08-16 | 浙江工业大学 | 基于形状特征的面部ct图像中的牙神经分割方法 |
| CN110610478A (zh) * | 2019-07-24 | 2019-12-24 | 浙江大学 | 一种基于邻域拓扑的医学图像三维重建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴婷;张礼兵;: "水平集活动轮廓模型的3维牙齿重建" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107784647B (zh) | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统 | |
| Luo | Review on the methods of automatic liver segmentation from abdominal images | |
| Ma et al. | Two graph theory based methods for identifying the pectoral muscle in mammograms | |
| CN106296653B (zh) | 基于半监督学习的脑部ct图像出血区域分割方法及系统 | |
| EP3142069B1 (en) | Method, apparatus and system for analyzing medical images of blood vessels | |
| Jeyavathana et al. | A survey: analysis on pre-processing and segmentation techniques for medical images | |
| CN104809723A (zh) | 基于超体素和图割算法的三维肝脏ct图像自动分割方法 | |
| WO2021129234A1 (zh) | 心房间隔闭塞患者心脏医学影像分割方法及系统 | |
| El-Regaily et al. | Lung nodule segmentation and detection in computed tomography | |
| CN107545579B (zh) | 一种心脏分割方法、设备和存储介质 | |
| US7394933B2 (en) | Region competition via local watershed operators | |
| RU2654199C1 (ru) | Сегментация тканей человека на компьютерном изображении | |
| CN110264479B (zh) | 基于随机游走和水平集的三维图像分割方法 | |
| Casiraghi et al. | Automatic abdominal organ segmentation from CT images | |
| Hadhoud et al. | Left ventricle segmentation in cardiac MRI images | |
| KR101223681B1 (ko) | 자기공명영상에서 연골 자동 영역화 장치 및 방법 | |
| CN105913425B (zh) | 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法 | |
| Feng et al. | Classification of shellfish recognition based on improved faster r-cnn framework of deep learning | |
| Dogra et al. | Improved methods for analyzing MRI brain images | |
| Eapen et al. | Medical image segmentation for anatomical knowledge extraction | |
| Elmorsy et al. | K3. A region growing liver segmentation method with advanced morphological enhancement | |
| CN111476881A (zh) | 基于结构相似性水平集算法的人体组织器官三维重建方法 | |
| CN109816665A (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
| CN111489434A (zh) | 一种基于三维图割的医学影像三维重建方法 | |
| CN108967246B (zh) | 虾苗定位方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200731 |
|
| RJ01 | Rejection of invention patent application after publication |