CN111627005A - 一种基于形状进行骨骼细分的骨折区域识别方法和系统 - Google Patents

一种基于形状进行骨骼细分的骨折区域识别方法和系统 Download PDF

Info

Publication number
CN111627005A
CN111627005A CN202010452289.6A CN202010452289A CN111627005A CN 111627005 A CN111627005 A CN 111627005A CN 202010452289 A CN202010452289 A CN 202010452289A CN 111627005 A CN111627005 A CN 111627005A
Authority
CN
China
Prior art keywords
bone
bone block
shape
coarse
block
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
Application number
CN202010452289.6A
Other languages
English (en)
Other versions
CN111627005B (zh
Inventor
殷晓峰
黄晓东
张惠
田福磊
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010452289.6A priority Critical patent/CN111627005B/zh
Publication of CN111627005A publication Critical patent/CN111627005A/zh
Application granted granted Critical
Publication of CN111627005B publication Critical patent/CN111627005B/zh
Expired - Fee Related 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于形状进行骨骼自动细分的骨折区域识别方法和系统，包括：获取CT或MRI数据；根据骨组织在CT或MRI图像中的窗宽窗位信息进行灰度分割；对于各层分割出来的图像，进行三维重建；把三维重建的图像利用连接性算法分成多个相连的粗骨块；对每个粗骨块计算其形状，利用其形状将每个粗骨块分割成多个细分骨块。根据细分骨块的结果来判定骨折区域。

Description

一种基于形状进行骨骼细分的骨折区域识别方法和系统
技术领域
本发明涉及计算机辅助医学诊断技术领域，尤其涉及一种基于形状进行骨骼细分的骨折区域识别方法和系统。
背景技术
计算机辅助医学诊断，即计算机辅助检测，是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段，结合计算机的分析计算，辅助发现病灶，提高诊断的准确率。
近年来，随着计算机技术的高速发展，CAD技术在一些医疗发达国家的相应领域取得了较快的发展，特别是在涉及医学影像学的领域。实践证明，CAD在提高诊断准确率、减少漏诊、提高工作效率等方面起到了极大的积极促进作用。
骨骼·分离技术在骨折识别中具有重要的意义。传统的骨骼分离技术可以把较大块或者完全分离的骨骼区分开，但对于较小的骨块，缝隙较小的骨相连部分或者隐形骨折的区分效果差，从而不能协助医生发现已存在的骨折区域，不能快速地减轻医生负担。
本专利根据骨头的天然形状，提供了基于形状参数的骨骼细分方法的步骤。该方法可以分离缝隙较小的相连骨组织，从而自动发现一些形状特殊的部分，并将其边界标记成骨折的可能性区域，提醒医生进行相关分析。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于形状进行骨骼细分的骨折区域识别方法和系统。
本发明提出了一种基于形状进行骨骼细分的骨折区域识别方法，包括：
S1、获取CT或MRI数据；
S2、根据骨组织在CT或MRI图像中的窗宽窗位信息进行灰度分割；
S3、对于各层分割出来的图像，进行三维重建；
S4、把三维重建的图像利用连接性算法分成多个相连的粗骨块；
S5、对每个粗骨块计算其形状，利用其形状将每个粗骨块分割成多个细分骨块。
S6、根据细分骨块的结果来判定骨折区域。
优选地，步骤S2，具体包括：
利用窗口技术对CT或MRI图像进行处理，通过指定的窗宽窗位信息，将图像中感兴趣范围内的像素进行调整，以放大和增强所放大灰度范围内不同灰度之间黑白程度的对比；
基于上述的灰度图像进行分割，产生多个图像区域；
窗宽窗位阈值可以自行调整。
优选地，步骤S3，具体包括：对于各层分割出来的图像，进行三维重建，形成三维图像。
优选地，步骤S4，具体包括：利用连接性算法将三维重建后的图像分割成多个相连的粗骨块。
优选地，步骤S5，具体包括：
对于每个骨块进行空隙填充，补全骨骼内部空隙部分；
对骨块内部的每个像素点计算到边界的距离，找到其对应的局域最小值；
具有相同局域最小值的像素点归类为同一个细分骨块，从而将每个粗骨块分割成多个细分骨块。
细分参数用于控制像素点到边界的最低差值，该参数可以进行自行调整。
本发明提出了一种基于形状进行骨骼细分的骨折区域识别系统，包括：
获取模块，用于获取CT或MRI数据；
灰度分割模块，用于将各层CT或MRI数据分割为多个子图像；
三维重建模块，用于将各层分割出来的子图像进行三维重建，形成三维图像；
骨块粗分割模块，用于将三维重建后的图像分割成多个相连的粗骨块；
骨块细分割模块，计算每个粗骨块的形状，利用其形状将每个骨块分割成多个细分骨块。
优选地，所述灰度分割模块，具体用于：
利用窗口技术对CT或MRI图像进行处理，通过指定的窗宽窗位信息，将图像中感兴趣范围内的像素进行调整，以放大和增强所放大灰度范围内不同灰度之间黑白程度的对比；
基于上述的灰度图像进行分割，产生多个图像区域。
窗宽窗位阈值可以自行调整。
优选地，所述三维重建模块，具体用于：对于各层分割出来的图像，进行三维重建，形成三维图像。
优选地，所述骨块粗分割模块，具体用于：利用连接性算法将三维重建后的图像分割成多个相连的粗骨块。
优选地，所述骨块细分割模块，具体用于：
对于每个粗骨块进行空隙填充，补全骨骼内部空隙部分；
对骨块内部的每个像素点计算到边界的距离，找到对应的局域最小值；
具有相同局域最小值的像素点归类为同一个细分骨块，从而将每个粗骨块分割成多个细分骨块；其中的细分参数用于控制像素点到边界的最低差值，该参数可以进行自行调整。
本发明通过获取CT或MRI图像，将CT或MRI图像进行灰度分割、三维重建后，利用连接性算法讲三维图像分割成多个相连的粗骨块，然后对各个粗骨块进行空隙填充，计算骨块内部各个像素点到边界的距离，找到对应的局域最小值，再把具有相同局域最小值的像素点归类为同一个细分骨块，从而将每个粗骨块分割成多个细分骨块。如此，一些形状特殊的骨块被自动发现，其边界被标记成骨折的可能性区域，提醒医生进行复查，找出确切骨折区域，快速地减轻骨科医生的负担。
附图说明
图1为本发明提出的一种基于形状进行骨骼细分的骨折区域识别方法的流程示意图
图2为本发明提出的一种基于形状进行骨骼细分的骨折区域识别方法的模块示意图
具体实施方式
参照图1，本发明提出的一种基于形状进行骨骼细分的骨折区域识别方法，包括：
步骤S1，获取CT或MRI数据。
步骤S2，根据骨组织在CT或MRI图像中的窗宽窗位信息进行灰度分割，具体包括：利用窗口技术对CT或 MRI图像进行处理，通过指定的窗宽窗位信息，将图像中感兴趣范围内的像素进行调整，以放大和增强所放大灰度范围内不同灰度之间黑白程度的对比；基于上述的灰度图像进行分割，产生多个图像区域；窗宽窗位阈值可以自行调整。
在具体方案中，经过实验和调研发现，窗口技术对于骨组织的灰度分割有很好效果，可用于骨骼子区域的识别，所谓的窗口技术指放大某段范围内灰度的技术，对感兴趣的部分，把其CT值范围相对应的灰度范围定为放大的灰度范围，把放大灰度范围的上限以上增强为全白，把放大灰度范围的下限以下压缩成全黑，这样就放大或增强了所放大灰度范围内不同灰度之间黑白对比的程度。然后利用区域内灰度值相似性的局域区域的分割方法，产生多个图像区域。
步骤S3，对于各层分割出来的图像，进行三维重建，具体包括：对于各层分割出来的图像，进行三维重建，形成三维图像。
步骤S4，把三维重建的图像利用连接性算法分成多个相连的粗骨块，具体包括：利用连接性算法将三维重建后的图像分割成多个相连的粗骨块。
在具体方案中，经过实验和调研发现，连接性算法可以分析三维重建后的数据，并且识别并标注同一个骨头。所谓连接性算法，是根据相邻像素点的阈值分割后的结果判定是否相连。比如从一个种子像素开始，如果它的相连像素属于同样的分割，就把他们标注成同一个骨头，不断的重复这个过程，直到遇到边界为止。
步骤S5，对每个粗骨块计算其形状，利用其形状将每个粗骨块分割成多个细分骨块，具体包括：对于每个骨块进行空隙填充，补全骨骼内部空隙部分；对骨块内部的每个像素点计算到边界的距离，找到其对应的局域最小值；具有相同局域最小值的像素点归类为同一个细分骨块，从而将每个粗骨块分割成多个细分骨块；其中的细分参数用于控制像素点到边界的最低差值，该参数可以进行自行调整。
在具体方案中，对于每个骨块进行空隙填充，补全骨骼内部空隙部分；对骨块内部的每个像素点计算到边界的距离，找到其对应的局域最小值；具有相同局域最小值的像素点归类为同一个细分骨块，从而将每个粗骨块分割成多个细分骨块；其中的细分参数用于控制像素点到边界的最低差值，该参数可以进行自行调整，调整该参数的效果就是达到控制最终的细分骨块的细粒度。
参照图2，本发明提出的一种基于形状进行骨骼细分的骨折区域识别系统，包括：
获取模块，用于获取CT或MRI数据；
灰度分割模块，用于将各层CT或MRI数据分割为多个子图像，具体用于：利用窗口技术对CT或 MRI图像进行处理，通过指定的窗宽窗位信息，将图像中感兴趣范围内的像素进行调整，以放大和增强所放大灰度范围内不同灰度之间黑白程度的对比；基于上述的灰度图像进行分割，产生多个图像区域。窗宽窗位阈值可以自行调整。
在具体方案中，经过实验和调研发现，窗口技术对于骨组织的灰度分割有很好效果，可用于骨骼子区域的识别，所谓的窗口技术指放大某段范围内灰度的技术，对感兴趣的部分，把其CT值范围相对应的灰度范围定为放大的灰度范围，把放大灰度范围的上限以上增强为全白，把放大灰度范围的下限以下压缩成全黑，这样就放大或增强了所放大灰度范围内不同灰度之间黑白对比的程度。然后利用区域内灰度值相似性的局域区域的分割方法，产生多个图像区域。
三维重建模块，用于将各层分割出来的子图像进行三维重建，形成三维图像，具体用于：对于各层分割出来的图像，进行三维重建，形成三维图像。
骨块粗分割模块，用于将三维重建后的图像分割成多个相连的粗骨块，具体用于：利用连接性算法将三维重建后的图像分割成多个相连的粗骨块。
在具体方案中，经过实验和调研发现，连接性算法可以分析三维重建后的数据，并且识别并标注同一个骨头。所谓连接性算法，是根据相邻像素点的阈值分割后的结果判定是否相连。比如从一个种子像素开始，如果它的相连像素属于同样的分割，就把他们标注成同一个骨头，不断的重复这个过程，直到遇到边界为止。
骨块细分割模块，计算每个粗骨块的形状，利用其形状将每个骨块分割成多个细分骨块，具体用于：对于每个粗骨块进行空隙填充，补全骨骼内部空隙部分；对骨块内部的每个像素点计算到边界的距离，找到对应的局域最小值；具有相同局域最小值的像素点归类为同一个细分骨块，从而将每个粗骨块分割成多个细分骨块。
在具体方案中，对于每个骨块进行空隙填充，补全骨骼内部空隙部分；对骨块内部的每个像素点计算到边界的距离，找到其对应的局域最小值；具有相同局域最小值的像素点归类为同一个细分骨块，从而将每个粗骨块分割成多个细分骨块；其中的细分参数用于控制像素点到边界的最低差值，该参数可以进行自行调整，调整该参数的效果就是达到控制最终的细分骨块的细粒度。
本实施方式通过获取CT或MRI图像，将CT或MRI图像进行灰度分割、三维重建后，利用连接性算法讲三维图像分割成多个相连的粗骨块，然后对各个粗骨块进行空隙填充，计算骨块内部各个像素点到边界的距离，找到对应的局域最小值，再把具有相同局域最小值的像素点归类为同一个细分骨块，从而将每个粗骨块分割成多个细分骨块。如此，一些形状特殊的骨块被自动发现，其边界被标记成骨折的可能性区域，提醒医生进行复查，找出确切骨折区域，快速地减轻骨科医生的负担。
如上所述，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揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于形状进行骨骼自动细分的骨折区域识别方法，其特征在于，包括：
S1、获取CT或MRI数据；
S2、根据骨组织在CT或MRI图像中的窗宽窗位信息进行灰度分割；
S3、对于各层分割出来的图像，进行三维重建；
S4、把三维重建的图像利用连接性算法分成多个相连的粗骨块；
S5、对每个粗骨块计算其形状，利用其形状将每个粗骨块分割成多个细分骨块。
S6、根据细分骨块的结果来判定骨折区域。
2.根据权利要求1所述的基于形状进行骨骼自动细分的骨折区域识别方法，其特征在于，步骤S5，具体包括：
对于每个骨块进行空隙填充，补全骨骼内部空隙部分；
对骨块内部的每个像素点计算到边界的距离，找到其对应的局域最小值；
具有相同局域最小值的像素点归类为同一个细分骨块，从而将每个粗骨块分割成多个细分骨块。
细分参数用于控制像素点到边界的最低差值，该参数可以进行自行调整。
3.一种基于形状进行骨骼自动细分的骨折区域识别系统，其特征在于，包括：
获取模块，用于获取CT或MRI数据；
灰度分割模块，用于将各层CT或MRI数据分割为多个子图像；
三维重建模块，用于将各层分割出来的子图像进行三维重建，形成三维图像；
骨块粗分割模块，用于将三维重建后的图像分割成多个相连的粗骨块；
骨块细分割模块，计算每个粗骨块的形状，利用其形状将每个骨块分割成多个细分骨块。
4.根据权利要求3所述的基于形状进行骨骼自动细分的骨折区域识别系统，其特征在于，所述骨块细分割模块，具体用于：
对于每个粗骨块进行空隙填充，补全骨骼内部空隙部分；
对骨块内部的每个像素点计算到边界的距离，找到对应的局域最小值；
具有相同局域最小值的像素点归类为同一个细分骨块，从而将每个粗骨块分割成多个细分骨块；
其中的细分参数用于控制像素点到边界的最低差值，该参数可以进行自行调整。
CN202010452289.6A 2020-05-25 2020-05-25 一种基于形状进行骨骼细分的骨折区域识别方法和系统 Expired - Fee Related CN111627005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010452289.6A CN111627005B (zh) 2020-05-25 2020-05-25 一种基于形状进行骨骼细分的骨折区域识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010452289.6A CN111627005B (zh) 2020-05-25 2020-05-25 一种基于形状进行骨骼细分的骨折区域识别方法和系统

Publications (2)

Publication Number Publication Date
CN111627005A true CN111627005A (zh) 2020-09-04
CN111627005B CN111627005B (zh) 2023-02-17

Family

ID=72259909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010452289.6A Expired - Fee Related CN111627005B (zh) 2020-05-25 2020-05-25 一种基于形状进行骨骼细分的骨折区域识别方法和系统

Country Status (1)

Country Link
CN (1) CN111627005B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801066A (zh) * 2021-04-12 2021-05-14 北京圣点云信息技术有限公司 一种基于多姿态面部静脉的身份识别方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013503A (zh) * 2007-01-26 2007-08-08 清华大学 一种医学图像中腹部器官分割方法
CN103489198A (zh) * 2013-10-21 2014-01-01 钟映春 从序列mr图像中自动分割脑干区域的方法
CN106447682A (zh) * 2016-08-29 2017-02-22 天津大学 基于帧间相关性的乳腺mri病灶的自动分割方法
US20190172205A1 (en) * 2016-12-31 2019-06-06 Shanghai United Imaging Healthcare Co., Ltd. Method and system for extracting vasculature
CN110310723A (zh) * 2018-03-20 2019-10-08 青岛海信医疗设备股份有限公司 骨骼图像处理方法、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013503A (zh) * 2007-01-26 2007-08-08 清华大学 一种医学图像中腹部器官分割方法
CN103489198A (zh) * 2013-10-21 2014-01-01 钟映春 从序列mr图像中自动分割脑干区域的方法
CN106447682A (zh) * 2016-08-29 2017-02-22 天津大学 基于帧间相关性的乳腺mri病灶的自动分割方法
US20190172205A1 (en) * 2016-12-31 2019-06-06 Shanghai United Imaging Healthcare Co., Ltd. Method and system for extracting vasculature
CN110310723A (zh) * 2018-03-20 2019-10-08 青岛海信医疗设备股份有限公司 骨骼图像处理方法、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴丽等: "基于形态学的不完全性骨折CT图像裂痕定位", 《光学技术》 *
周振环等: "医学图像的自动调窗与分割", 《生物医学工程学杂志》 *
计玉芳等: "手腕骨X线片兴趣区域图像分割的研究", 《计算机工程与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801066A (zh) * 2021-04-12 2021-05-14 北京圣点云信息技术有限公司 一种基于多姿态面部静脉的身份识别方法及装置
CN112801066B (zh) * 2021-04-12 2022-05-17 北京圣点云信息技术有限公司 一种基于多姿态面部静脉的身份识别方法及装置

Also Published As

Publication number Publication date
CN111627005B (zh) 2023-02-17

Similar Documents

Publication Publication Date Title
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
US7599539B2 (en) Anatomic orientation in medical images
CN110599508A (zh) 基于人工智能的脊柱影像处理方法及相关设备
CN110678903B (zh) 用于3d图像中异位骨化的分析的系统和方法
Ma et al. Two graph theory based methods for identifying the pectoral muscle in mammograms
EP3188127B1 (en) Method and system for performing bone multi-segmentation in imaging data
US20160275674A1 (en) Method and system for performing multi-bone segmentation in imaging data
CN106780451A (zh) X射线、超声、红外图像融合乳腺肿块图像检测方法
CN106780491B (zh) Gvf法分割ct骨盆图像中采用的初始轮廓生成方法
Memon et al. Segmentation of lungs from CT scan images for early diagnosis of lung cancer
CN111681230A (zh) 脑白质高信号评分系统及其评分方法
Barbieri et al. Vertebral body segmentation of spine MR images using superpixels
CN106780492B (zh) 一种ct骨盆图像的关键帧提取方法
Sagar et al. Color channel based segmentation of skin lesion from clinical images for the detection of melanoma
CN111325754B (zh) 一种基于ct序列图像的腰椎骨自动定位方法
CN111627005B (zh) 一种基于形状进行骨骼细分的骨折区域识别方法和系统
Tseng et al. An adaptive thresholding method for automatic lung segmentation in CT images
Elmorsy et al. K3. A region growing liver segmentation method with advanced morphological enhancement
Bharodiya Feature extraction methods for CT-scan images using image processing
Chandar et al. Segmentation and 3D visualization of pelvic bone from CT scan images
Wang et al. A machine learning approach to extract spinal column centerline from three-dimensional CT data
CN117876372B (zh) 基于无标记非线性多模态成像的骨质量识别模型训练方法
Meghana et al. Implementation of Computer Aided System for Automated Bone Fracture Detection using Digital Geometry
CN115880287B (zh) 一种脑白质高信号病灶区域分割及评级装置
Dixit et al. Proposing a Framework to Analyze Breast Cancer in Mammogram Images Using Global Thresholding, Gray Level Co‐Occurrence Matrix, and Convolutional Neural Network (CNN)

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20230217