CN111489434A - 一种基于三维图割的医学影像三维重建方法 - Google Patents

一种基于三维图割的医学影像三维重建方法 Download PDF

Info

Publication number
CN111489434A
CN111489434A CN202010193104.4A CN202010193104A CN111489434A CN 111489434 A CN111489434 A CN 111489434A CN 202010193104 A CN202010193104 A CN 202010193104A CN 111489434 A CN111489434 A CN 111489434A
Authority
CN
China
Prior art keywords
image
segmentation
dimensional
segmented
organ
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
Application number
CN202010193104.4A
Other languages
English (en)
Inventor
冯海泉
王捷
韩玲娟
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.)
Pioneering Huikang Technology Co ltd
Original Assignee
Pioneering Huikang Technology Co ltd
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 Pioneering Huikang Technology Co ltd filed Critical Pioneering Huikang Technology Co ltd
Priority to CN202010193104.4A priority Critical patent/CN111489434A/zh
Publication of CN111489434A publication Critical patent/CN111489434A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/10—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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic
    • 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
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于三维图割的医学图像三维重建方法，该方法根据连续医学图像的结构相似性对图割算法进行改进，实现了医学影像的自动分割，将图像的分割结果用于三维重建，取得了较好的重建效果。

Description

一种基于三维图割的医学影像三维重建方法
技术领域
本发明涉及医学影像处理技术领域，特别涉及一种基于三维图割的医学影像三维重建方法。
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。图割算法因同时具有全局和局部最优性，近年来被越来越多的研究学者应用于医学图像分割中。具体的，图割算法就是利用能力最小化的方法将图像分割的问题转变为最小割/最大流的计算问题，得出分割目标的边界、纹理等特征。
然而传统的图割算法只考虑图像的灰度信息，对于一些复杂的医学图像，分割目标与目标周围的灰度值的数值非常接近，导致分割结果不太理想，导致当图割算法在医学图像上应用时，该算法存在分割效果差、分割效率低的情况。比如现有技术CN108596887A提供了一种腹部CT序列图像肝脏肿瘤自动分割方法，该方法基于图割算法对腹部CT序列图像肝脏肿瘤进行分割，当该方案旨在解决CT图像中肝脏肿瘤边界模糊，提高了计算机辅助诊断的精度和效率，虽然也实现了CT图像的自动分割，但是对于其需要对每张医学影像均进行灰度处理，在多图像处理中效率较低。
发明内容
本发明的目的在于提供一种基于三维图割的医学图像三维重建方法，该方法根据连续医学图像的结构相似性对图割算法进行改进，实现了医学影像的自动分割，将图像的分割结果用于三维重建，取得了较好的重建效果。
本技术方案提供一种基于三维图割的医学图像三维重建方法，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；
步骤S2:预处理初始图像切片，得到预处理图像切片；
步骤S3：通过图割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割特征信息，并优化图割算法，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以及质心信息，将上一张图像切片中分割组织器官的面积信息和质心信息作为形状惩罚项，作为下一张图像切片的先验条件，代入得到优化后的图割算法；
步骤S5：利用优化的图割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；
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图像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，结合图割算法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三维图割的医学图像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割结果。
图5A是胰腺的三维重建结果，图5B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三维图割的医学图像三维重建方法，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图割算法，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。
本方案可适用于各类组织器官医学影像的三维重建，用于处理包括但不限于胰腺，乳腺，甲状腺，肝脏等组织器官的三维重建。
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，对预处理图像进行图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优化的图割算法处理，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，该基于三维图割的医学图像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：通过图割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；
在该步骤中，首先转化预处理图像切片为无向图，用户人工选定预处理图像切片中的部分组织器官区域，图割算法获取该部分组织器官区域的组织器官像素A；用户人工选定预处理图像切片中的部分背景区域，图像算法获取该部分背景区域的背景像素B，将组织器官像素A和背景像素B代入能量函数，对预处理图像切片进行分割，当能量函数取到最小值时就表示得到了正确的分割结果。
能量函数的公式如下：
E(V)＝R(V)+λB(V)
其中E(V)为能量函数，R(V)是区域惩罚项，表示对每个像素分配错误的惩罚，如果一个像素正确的结果应该属于背景，结果被分割到了目标中就会得到较高的惩罚。B(V)是边缘惩罚项，是对相邻像素分配错误的惩罚，每个像素位于中心都有一个3*3的区域，边上的8个像素点就是相邻像素，边缘惩罚指的就是这两个像素的不相似性，λ是边缘惩罚系数。
其中R(V)可用以下公式表示:
Rp(前景)＝-ln(P(Vp|O))
Rp(背景)＝-ln(P(Vp|B))
通俗的来解释，将像素灰度标记为种子点，来获得前景和背景的灰度直方图。P(Vp|O)中，p是任意像素即图上的顶点，用Lp表示像素p的标签。当Lp＝1时，像素p为前景点，当Lp＝0时，像素p为背景点，将P的像素点值代入直方图中，如果前景直方图的能量大于背景直方图，为能量最小值，标记Lp为1，否则为0当像素分配正确时，R(V)的值最小。
步骤S4：获取分割组织器官的分割特征信息，并优化图割算法：
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以及质心信息，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。
利用面积信息和质心信息优化图割算法的过程：
将上一张图像切片中分割组织器官的分割结果的面积、形状和质心信息，作为下一张图像切片的先验条件，其中质心位置可以作为下张图的前景种子区域，面积尺寸作为图割函数迭代的终止条件，形状特征则形成能量惩罚项，如下公式：
Dshape(ls＝1)＝-log P(SPS|l＝1)
Dshape(ls＝1)＝-log P(SPS|l＝0)
其中SPs表示像素形状特征的平均值，对形状惩罚项和灰度惩罚项进行加权，形成新的区域惩罚项D(Ls)，代入得到优化后的图割算法E(V)，如下所示，D(ls)＝(1-α)Dgray(ls)+αDshape(ls)，其中α为加权系数。
分割组织器官的面积信息的获取：统计分割组织器官的像素，像素总和即为面积信息。
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。
步骤S5：利用优化的图割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：
利用面积信息和质心信息确定下一张图像切片的前景矩阵框的过程：
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，另外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作为选定矩阵面积大小的参考，在对应的质心坐标所在位置基于面积信息在图像切片中生成前景矩阵框，其中该前景矩阵框内的点作为下一张图像的前景种子点。
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。
本方案以胰腺和肝脏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5A和5B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 (8)

1.一种基于三维图割的医学图像三维重建方法，其特征在于，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；
步骤S2:预处理初始图像切片，得到预处理图像切片；
步骤S3：通过图割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割特征信息，并优化图割算法，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以及质心信息，将上一张图像切片中分割组织器官的面积信息和质心信息作为形状惩罚项，作为下一张图像切片的先验条件，代入得到优化后的图割算法；
步骤S5：利用优化的图割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；
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所述的基于三维图割的医学图像三维重建方法，其特征在于，在步骤S3当中，首先转化预处理图像切片为无向图，用户人工选定预处理图像切片中的部分组织器官区域，图割算法获取该部分组织器官区域的组织器官像素A；用户人工选定预处理图像切片中的部分背景区域，图像算法获取该部分背景区域的背景像素B，将组织器官像素A和背景像素B代入能量函数，对预处理图像切片进行分割，图割的能量函数计算公式：E(V)＝D(V)+λB(V)，其中R(V)是区域惩罚项，表示图像整体的不相似性，B(V)是边缘惩罚性，表示图像在边缘的不想相似性，λ是加权系数。
3.根据权利要求1所述的基于三维图割的医学图像三维重建方法，其特征在于，在步骤S4当中，将上一张图像切片中分割组织器官的分割结果的面积、形状和质心信息，作为下一张图像切片的先验条件，其中质心位置可以作为下张图的前景种子区域，面积尺寸作为图割函数迭代的终止条件，形状特征则形成能量惩罚项，公式如下所示：
Dshape(ls＝1)＝-logP(SPS|l＝1)
Dshape(ls＝1)＝-logP(SPS|l＝0)
其中SPs表示像素形状特征的平均值，对形状惩罚项和灰度惩罚项进行加权，形成新的区域惩罚项将面积信息作为迭代的终止条件，代入得到优化后的图割算法，公式如下：D(ls)＝(1-α)Dgray(ls)+αDshape(ls)，
其中α为加权系数。
4.根据权利要求1所述的基于三维图割的医学图像三维重建方法，其特征在于，在步骤S5当中，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，利用上一张图像切片的分割组织器官的面积信息N1作为选定矩阵面积大小的参考，在对应的质心坐标所在位置基于面积信息在图像切片中生成前景矩阵框，其中该前景矩阵框内的点作为下一张图像的前景种子点。
5.根据权利要求1所述的基于三维图割的医学图像三维重建方法，其特征在于，分割组织器官的面积信息的获取：统计分割组织器官的像素，像素总和即为面积信息。
6.根据权利要求1所述的基于三维图割的医学图像三维重建方法，其特征在于，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。
7.根据权利要求1所述的基于三维图割的医学图像三维重建方法，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所述的基于三维图割的医学图像三维重建方法，其特征在于，用于处理包括但不限于胰腺，乳腺，甲状腺，肝脏的组织器官的三维重建。
CN202010193104.4A 2020-03-18 2020-03-18 一种基于三维图割的医学影像三维重建方法 Pending CN111489434A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010193104.4A CN111489434A (zh) 2020-03-18 2020-03-18 一种基于三维图割的医学影像三维重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010193104.4A CN111489434A (zh) 2020-03-18 2020-03-18 一种基于三维图割的医学影像三维重建方法

Publications (1)

Publication Number Publication Date
CN111489434A true CN111489434A (zh) 2020-08-04

Family

ID=71791578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010193104.4A Pending CN111489434A (zh) 2020-03-18 2020-03-18 一种基于三维图割的医学影像三维重建方法

Country Status (1)

Country Link
CN (1) CN111489434A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469972A (zh) * 2021-06-30 2021-10-01 沈阳东软智能医疗科技研究院有限公司 标注医学切片图像的方法、装置、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097378A (zh) * 2016-07-24 2016-11-09 江西理工大学 一种融合形状先验的水平集视网膜血管图像分割方法
US9911062B1 (en) * 2015-10-20 2018-03-06 Ohio State Innovation Foundation Background phase correction for quantitative cardiovascular MRI
CN108335304A (zh) * 2018-02-07 2018-07-27 华侨大学 一种腹部ct扫描序列图像的主动脉瘤分割方法
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
CN110610491A (zh) * 2019-09-17 2019-12-24 湖南科技大学 一种腹部ct图像的肝脏肿瘤区域分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9911062B1 (en) * 2015-10-20 2018-03-06 Ohio State Innovation Foundation Background phase correction for quantitative cardiovascular MRI
CN106097378A (zh) * 2016-07-24 2016-11-09 江西理工大学 一种融合形状先验的水平集视网膜血管图像分割方法
CN108335304A (zh) * 2018-02-07 2018-07-27 华侨大学 一种腹部ct扫描序列图像的主动脉瘤分割方法
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
CN110610491A (zh) * 2019-09-17 2019-12-24 湖南科技大学 一种腹部ct图像的肝脏肿瘤区域分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
廖苗;赵于前;曾业战;黄忠朝;邹北骥;: "基于图割和边缘行进的肝脏CT序列图像分割" *
张品;梁艳梅;常胜江;范海伦;: "基于能量最小化的肾脏计算断层扫描图像分割方法" *
时永刚等: "基于图割和水平集的肾脏医学图像分割" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469972A (zh) * 2021-06-30 2021-10-01 沈阳东软智能医疗科技研究院有限公司 标注医学切片图像的方法、装置、存储介质及电子设备
CN113469972B (zh) * 2021-06-30 2024-04-23 沈阳东软智能医疗科技研究院有限公司 标注医学切片图像的方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
US11776216B2 (en) System and method for extracting a region of interest from volume data
CN104809723B (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
CN105957066B (zh) 基于自动上下文模型的ct图像肝脏分割方法及系统
CN101576997B (zh) 基于二次三维区域生长的腹部器官分割方法
Ma et al. Two graph theory based methods for identifying the pectoral muscle in mammograms
CN109753997B (zh) 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
WO2019000455A1 (zh) 图像分割的方法及系统
CN111798462A (zh) 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法
CN110992377B (zh) 图像分割方法、装置、计算机可读存储介质和设备
CN106485695A (zh) 基于统计形状模型的医学图像Graph Cut分割方法
CN107545579B (zh) 一种心脏分割方法、设备和存储介质
CN110866905B (zh) 一种肋骨识别与标注方法
CN107680110B (zh) 基于统计形状模型的内耳三维水平集分割方法
CN110675464A (zh) 一种医疗影像的处理方法、装置、服务器及存储介质
CN112419344B (zh) 一种基于Chan-Vese模型的无监督图像分割方法
CN111402261B (zh) 一种改进的基于Hessian矩阵增强的颅骨分割方法
CN112991365A (zh) 一种冠状动脉分割方法、系统及存储介质
CN110853070A (zh) 基于显著性与Grabcut的水下海参图像分割方法
Maitra et al. Accurate breast contour detection algorithms in digital mammogram
Liu et al. Automatic segmentation algorithm of ultrasound heart image based on convolutional neural network and image saliency
CN111724389B (zh) 髋关节ct图像分割方法、装置、存储介质和计算机设备
CN106780492B (zh) 一种ct骨盆图像的关键帧提取方法
CN109886973B (zh) 一种血管提取方法、装置及计算机可读存储介质
CN118351300A (zh) 基于U-Net模型的危机器官自动勾画方法及系统
CN112348826B (zh) 一种基于测地线距离和V-net的交互式肝脏分割方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200804