CN112037234A - 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法 - Google Patents

用骨骼信息对ct图像中肝脏与肌肉进行分离的方法 Download PDF

Info

Publication number
CN112037234A
CN112037234A CN202010837888.XA CN202010837888A CN112037234A CN 112037234 A CN112037234 A CN 112037234A CN 202010837888 A CN202010837888 A CN 202010837888A CN 112037234 A CN112037234 A CN 112037234A
Authority
CN
China
Prior art keywords
image
liver
information
ellipse
muscle
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
CN202010837888.XA
Other languages
English (en)
Other versions
CN112037234B (zh
Inventor
赵丹阳
李红霞
白佳宾
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010837888.XA priority Critical patent/CN112037234B/zh
Publication of CN112037234A publication Critical patent/CN112037234A/zh
Application granted granted Critical
Publication of CN112037234B publication Critical patent/CN112037234B/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
    • G06T7/136—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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • 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

Landscapes

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

Abstract

本发明用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法，属于医学图像处理领域，涉及一种利用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法。该方法首先获取原始CT图像，对该图像采用加窗技术简化灰度信息。接着利用阈值法、形态学操作法提取并处理骨骼信息；使用椭圆拟合算法获取骨骼图像中肋骨区域的目标特征点，并对其进行极坐标下的排序。再利用三次样条插值算法拟合目标特征点，生成分界线。最后，利用该分界线实现粘连的肝脏与肌肉组织分离。该方法利用了CT图像的层间相似性以及人体的解剖学信息，利用骨骼信息对CT图像中的肝脏与肌肉进行分离，有效了解决因肝脏与肌肉粘连而产生的过分割问题。降低图像处理的数据量，提升分割效率。

Description

用骨骼信息对CT图像中肝脏与肌肉进行分离的方法
技术领域
本发明属于医学图像处理领域，涉及一种利用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法。
背景技术
肝脏是人体中最大的内脏器官。肝脏作为人体消化系统中最大的消化腺，承担着人体重要的新陈代谢功能。因此肝脏疾病严重影响着人体健康。在现代医学中，由于CT序列图像相邻层间具有相似性，图像中的各组织器官分布符合人体解剖学结构，具有规律性。所以，医学影像是诊断肝脏疾病的必不可少的技术手段，被广泛采用。目前很多的从CT图像中分割肝脏的算法，如阈值法、区域增长法、模糊均值聚类以及图割等算法，都是依靠图像的区域信息或者边界信息来实现图像分割的。如邵金华等人发明了“一种肝脏边界的识别方法及系统”专利，专利号201810489267.x能够利用图像中的骨骼以及皮肤的二值图像进行肝脏边界的识别。但是该方法存在只计算肋骨区域的质心，因质心点较少，且质心与肝脏边界相近而不相邻，因此拟合曲线与肝脏边界形状吻合度较低。对于获得的拟合曲线进行水平方向移动预设值，进一步降低了拟合曲线与肝脏边界的吻合度。而如何从医学影像中准确，高效的提取肝脏组织，是后续实现图像分析、三维建模等技术手段的前提。因此，如何利用好CT图像的优势，对于实现CT图像中肝脏的分割，具有重要的意义。
发明内容
本发明的目的是针对CT图像中肝脏与肌肉组织粘连的问题，提出了一种利用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法。该方法充分利用了CT图像的层间相似性以及人体的解剖学信息，肝脏在人体中位于人体腹部右侧，在右侧横膈膜之下，毗邻肋骨。利用肋骨信息对CT图像中的肝脏与肌肉进行分离，相较于软组织器官，骨骼的密度很大，在CT图像中体现为较大的灰度值，且与其他器官/组织差异明显。因此，从CT图像中获取骨骼信息十分快速便捷；在CT图像的横截面中，肋骨的形状近似于椭圆，因此使用椭圆拟合获得的特征点十分贴合原始骨骼信息。能够有效地解决肝脏与肌肉组织粘连的问题。
本发明采用的技术方案是用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法，该方法首先获取原始CT图像，对该图像采用加窗技术简化灰度信息；接着利用阈值法、形态学操作法提取并处理骨骼信息；使用椭圆拟合算法获取骨骼图像中肋骨区域的目标特征点，并对其进行极坐标下的排序；再利用三次样条插值算法拟合目标特征点，生成分界线；最后利用该分界线实现粘连的肝脏与肌肉组织分离；
方法的具体步骤如下：
步骤一、获取原始CT图像，对原始CT图像进行窗口变换，窗口变换公式为：
Figure BDA0002640358890000021
其中，v是图像的CT值，G(v)是显示灰度，c为窗位，w为窗宽，灰度最大值为gw，将gw设置为255，最小值为0；
步骤二、利用阈值法初步获取CT图像中的骨骼信息；阈值法公式为：
Figure BDA0002640358890000031
其中，T为设置的阈值，v为图像像素灰度值，B(v)为阈值法处理过后的二值图像；
步骤三、利用形态学算法中的开运算删除二值图像中面积过小的区域，获得骨骼信息；
步骤四、利用matlab中的regionprops函数拟合图像中的肋骨区域，获得骨骼信息中各连通区域的椭圆特征，包括：长轴a，短轴b，取向角o，-90°≤o≤90°，以及椭圆的质心坐标(cx,cy)；
步骤五、提取特征点，具体过程如下：
A.先将取向角o转化为弧度制：
Figure BDA0002640358890000032
B.求取长轴端点坐标，公式为：
Figure BDA0002640358890000033
(ax1,ay1),(ax2,ay2)即为所求长轴端点坐标；
C.获取特征点集，包括：短轴端点坐标，长轴端点处椭圆的切线与短轴端点处椭圆切线的交点坐标，其求取公式如下：
短轴端点坐标为：
Figure BDA0002640358890000041
长轴端点处椭圆的切线与短轴端点处椭圆切线的交点坐标为：
Figure BDA0002640358890000042
Figure BDA0002640358890000043
(bx1-6,by1-6)即为初步获得的特征点集；
D.考虑到脊柱区域与肋骨区域的较大差异性，将短轴长度大于20的椭圆信息剔除，即可将脊柱特征点删除；
E.对上述步骤五D中的剩余特征点进行筛选，判定准则如下：
a)将每个椭圆的六个特征点分为一组；
b)选取图像中心点作为极坐标的原点，将特征点坐标转换为极坐标；
c)保留每组特征点中极径最小的三个，即为最终的特征点。
步骤六、以极角为基准，插值间隔设置为0.01，利用matlab中的spline函数对极径进行三次样条插值，将插值结果转换回直角坐标系，得到闭合曲线；
步骤七、利用matlab中的poly2mask生成蒙版，与CT图像做点乘运算，完成肝脏与肌肉组织的分离。
本发明的有益效果是发明了一种利用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法，该方法充分利用了CT图像的层间相似性以及人体的解剖学信息，利用骨骼信息对CT图像中的肝脏与肌肉进行分离，能够有效的解决肝脏分割中因肝脏与肌肉粘连而产生的过分割问题。能够有效的降低图像处理的数据量，提升分割效率。
附图说明
图1为本发明的肝脏与肌肉组织分离的方法流程图。
图2为骨骼信息提取示意图，其中，图2A原始CT数据的横截面图像，图2B为经过窗口变换的横截面图像，图2C为提取出的骨骼信息。
图3为特征点选取示意图，其中，图3A为肋骨信息的椭圆拟合示意图，图3B为特征点的选取准则示意图，其中，a为长轴，b为短轴，o为取向角，x、y为直角坐标系坐标轴。
图4为极坐标下进行特征点甄别示意图。其中，ρ1、ρ2、ρ3、ρ4、ρ5、ρ6为极径。
图5为本发明中肝脏与肌肉组织分离的横截面图像；其中，图5A～图5C为分离前示意图，图5D～图5F为分离后结果图。
图6为本发明中肝脏与肌肉组织分离的冠状面图像；图6A为分离前示意图，图6B为分离后结果图。
图7为本发明中肝脏与肌肉组织分离的矢状面图像；图7A为分离前示意图，图7B为分离后结果图。
图8为本发明中经过窗口变换的三维图。
图9为本发明中的肝脏与肌肉组织分离的三维图。
具体实施方式
以下结合附图和技术方案对本发明做进一步的详细说明。
本实施例选择数据集3Dircadb中的3Dircadb 2.1作为目标CT图像序列，利用软件matlabR2018a进行实现。
图1为本发明的肝脏与肌肉组织分离的方法流程图。方法的具体步骤如下：
步骤一、利用matlab软件的”dicomread”函数打开格式为”.dcm”的CT图像，图像如图2A所示。对其进行加窗变换，计算结果见图2B，设置参数窗宽ww＝275，窗位wc＝50。
步骤二、利用阈值法初步获取CT图像中的骨骼信息，提取出的骨骼信息见图2C，设置阈值T＝250；
步骤三、利用形态学算法中的开运算删除二值图像中面积过小的区域，获得骨骼信息，本实施例中，使用函数“BW＝bwareaopen(BW,P)”实现该功能。其中，BW为步骤二所获得的二值图像，P为面积阈值，本实施例中设置P＝50，即各连通区域的面积大于50得以保留，小于50即被删除，获得骨骼信息如图2C所示。
步骤四、使用“regionprops”函数获取骨骼图像中肋骨区域的拟合椭圆，如图3A所示，其特征信息包括：长轴a，短轴b，取向角o，-90°≤o≤90°以及椭圆的质心坐标(cx,cy)；
步骤五、提取特征点，其具体过程为：
A.利用公式(3)将取向角o转化为弧度制。
B.利用公式(4)求取长轴端点坐标：
Figure BDA0002640358890000071
(ax1,ay1),(ax2,ay2)即为所求长轴端点坐标；
C.利用利用公式(5)、(6)、(7)获取特征点集，包括：短轴端点坐标，长轴端点处椭圆的切线与短轴端点处椭圆切线的交点坐标，短轴端点坐标为：
Figure BDA0002640358890000072
长轴端点处椭圆的切线与短轴端点处椭圆切线的交点坐标为：
Figure BDA0002640358890000073
(bx1-6,by1-6)即为初步获得的特征点集；
D.将短轴长度大于20的椭圆信息剔除，即可将脊柱特征点删除；
E.对上述步骤五D中的剩余特征点进行筛选，保留椭圆的内侧点。椭圆的内侧点，外侧点如图3B所示；判定准则如下：
a)将每个椭圆的六个特征点分为一组；
b)选取图像中心点作为极坐标的原点，将特征点坐标转换为极坐标；
c)保留每组特征点中极径最小的三个，即为最终的特征点；
步骤六、以极角为基准，插值间隔设置为0.01，利用matlab中的spline函数对极径进行三次样条插值，将插值结果转换回直角坐标系，得到闭合曲线；
步骤七、利用matlab中的poly2mask生成蒙版，与CT图像做点乘运算，即可分离肝脏与肌肉组织。
分离结果：图5为本发明中肝脏与肌肉组织分离的冠状面图像；图5A-分离前示意图，图5B-分离后结果图。图6为本发明中肝脏与肌肉组织分离的矢状面图像；图6A-分离前示意图，图6B-分离后结果图。图7为本发明中经过窗口变换的三维图。图8为本发明中的肝脏与肌肉组织分离的三维图。
由分离后结果图可以看出，采用该方法有效地解决肝脏与肌肉组织粘连的问题，图像清晰、准确。该方法能够有效的降低图像处理的数据量，提升分割效率。

Claims (1)

1.一种用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法，其特征是，该方法首先获取原始CT图像，对该图像采用加窗技术简化灰度信息；接着利用阈值法、形态学操作法提取并处理骨骼信息；使用椭圆拟合算法获取骨骼图像中肋骨区域的目标特征点，并对其进行极坐标下的排序；再利用三次样条插值算法拟合目标特征点，生成分界线；最后利用该分界线实现粘连的肝脏与肌肉组织分离；
方法的具体步骤如下：
步骤一、获取原始CT图像，对原始CT图像进行窗口变换，窗口变换公式为：
Figure FDA0002640358880000011
其中，v是图像的CT值，G(v)是显示灰度，c为窗位，w为窗宽，灰度最大值为gw，将gw设置为255，最小值为0；
步骤二、利用阈值法初步获取CT图像中的骨骼信息；阈值法公式为：
Figure FDA0002640358880000012
其中，T为设置的阈值，v为图像像素灰度值，B(v)为阈值法处理过后的二值图像；
步骤三、利用形态学算法中的开运算删除二值图像中面积过小的区域，获得骨骼信息；
步骤四、利用matlab中的regionprops函数拟合图像中的肋骨区域，获得骨骼信息中各连通区域的椭圆特征，包括：长轴a，短轴b，取向角o，-90°≤o≤90°，以及椭圆的质心坐标(cx,cy)；
步骤五、提取特征点，具体过程如下：
A.先将取向角o转化为弧度制：
Figure FDA0002640358880000021
B.求取长轴端点坐标，公式为：
Figure FDA0002640358880000022
(ax1,ay1),(ax2,ay2)即为所求长轴端点坐标；
C.获取特征点集，包括：短轴端点坐标，长轴端点处椭圆的切线与短轴端点处椭圆切线的交点坐标，其求取公式如下：
短轴端点坐标为：
Figure FDA0002640358880000023
长轴端点处椭圆的切线与短轴端点处椭圆切线的交点坐标为：
Figure FDA0002640358880000024
Figure FDA0002640358880000025
(bx1-6,by1-6)即为初步获得的特征点集；
D.考虑到脊柱区域与肋骨区域的较大差异性，将短轴长度大于20的椭圆信息剔除，即可将脊柱特征点删除；
E.对上述步骤五D中的剩余特征点进行筛选，判定准则如下：
a)将每个椭圆的六个特征点分为一组；
b)选取图像中心点作为极坐标的原点，将特征点坐标转换为极坐标；
c)保留每组特征点中极径最小的三个，即为最终的特征点；
步骤六、以极角为基准，插值间隔设置为0.01，利用matlab中的spline函数对极径进行三次样条插值，将插值结果转换回直角坐标系，得到闭合曲线；
步骤七、利用matlab中的poly2mask生成蒙版，与CT图像做点乘运算，完成肝脏与肌肉组织的分离。
CN202010837888.XA 2020-08-19 2020-08-19 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法 Active CN112037234B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010837888.XA CN112037234B (zh) 2020-08-19 2020-08-19 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010837888.XA CN112037234B (zh) 2020-08-19 2020-08-19 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法

Publications (2)

Publication Number Publication Date
CN112037234A true CN112037234A (zh) 2020-12-04
CN112037234B CN112037234B (zh) 2022-09-30

Family

ID=73576971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010837888.XA Active CN112037234B (zh) 2020-08-19 2020-08-19 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法

Country Status (1)

Country Link
CN (1) CN112037234B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114067361A (zh) * 2021-11-16 2022-02-18 西北民族大学 一种spect成像的非病变热区切分方法与系统
CN116863068A (zh) * 2023-06-01 2023-10-10 中国人民解放军总医院第四医学中心 实现骨骼肌肉系统影像的智能化分割与重建方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139454A (zh) * 2015-08-06 2015-12-09 北京工业大学 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法
CN108765438A (zh) * 2014-10-21 2018-11-06 无锡海斯凯尔医学技术有限公司 一种肝脏边界的识别方法及系统
CN109523561A (zh) * 2018-12-19 2019-03-26 睿仁佳心(上海)科技有限公司 自动腹内肌肉和脂肪图像分割方法
CN110570515A (zh) * 2019-09-03 2019-12-13 天津工业大学 一种利用ct图像进行人体骨骼三维建模的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765438A (zh) * 2014-10-21 2018-11-06 无锡海斯凯尔医学技术有限公司 一种肝脏边界的识别方法及系统
CN105139454A (zh) * 2015-08-06 2015-12-09 北京工业大学 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法
CN109523561A (zh) * 2018-12-19 2019-03-26 睿仁佳心(上海)科技有限公司 自动腹内肌肉和脂肪图像分割方法
CN110570515A (zh) * 2019-09-03 2019-12-13 天津工业大学 一种利用ct图像进行人体骨骼三维建模的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘驰等: "一种新的肝脏CTA图像肋骨和脊椎骨分割方法", 《电脑知识与技术》 *
周洁等: "肝脏CTA图像肋骨和脊椎骨分割方法研究", 《计算机工程与应用》 *
赵于前等: "腹部CT图像肾脏自动分割方法研究", 《计算机应用研究》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114067361A (zh) * 2021-11-16 2022-02-18 西北民族大学 一种spect成像的非病变热区切分方法与系统
CN114067361B (zh) * 2021-11-16 2022-08-23 西北民族大学 一种spect成像的非病变热区切分方法与系统
CN116863068A (zh) * 2023-06-01 2023-10-10 中国人民解放军总医院第四医学中心 实现骨骼肌肉系统影像的智能化分割与重建方法及系统
CN116863068B (zh) * 2023-06-01 2024-02-13 中国人民解放军总医院第四医学中心 实现骨骼肌肉系统影像的智能化分割与重建方法及系统

Also Published As

Publication number Publication date
CN112037234B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
US11101033B2 (en) Medical image aided diagnosis method and system combining image recognition and report editing
CN109635846B (zh) 一种多类医学图像判断方法和系统
Sridar et al. Decision fusion-based fetal ultrasound image plane classification using convolutional neural networks
CN108664976B (zh) 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法
CN112037234B (zh) 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法
CN109753997B (zh) 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
CN107909589A (zh) 一种结合C‑V水平集和GrabCut算法的牙齿图像分割方法
Fan et al. Lung nodule detection based on 3D convolutional neural networks
JP2006006359A (ja) 画像生成装置、画像生成装置方法、およびそのプログラム
CN111145185A (zh) 一种基于聚类关键帧提取ct图像的肺实质分割方法
WO2020224508A1 (zh) 一种对实时影像中图像的物体轮廓进行加强的方法
Tong et al. A lung cancer lesions dectection scheme based on CT image
CN105869151B (zh) 舌分割及舌苔舌质分离方法
Celebi et al. Guest editorial skin lesion image analysis for melanoma detection
CN112712540B (zh) 一种基于ct影像的肺部支气管提取方法
CN113197549A (zh) 一种通过人脸识别技术诊断疾病的系统
CN114627136B (zh) 一种基于特征金字塔网络的舌象分割与对齐方法
CN106997592A (zh) 具有实时性的模糊聚类医学图像分割方法
CN108629780B (zh) 基于颜色分解和阈值技术的舌图像分割方法
Isinkaye et al. Segmentation of medical X-ray bone image using different image processing techniques
Tong et al. Computer-aided lung nodule detection based on CT images
WO2018201437A1 (zh) 一种图像分割方法及系统
Dawod et al. Adaptive Slices in Brain Haemorrhage Segmentation Based on the SLIC Algorithm.
CN114549546A (zh) 基于骨骼信息的肝分割边界提取方法
CN106934785B (zh) 一种用于机器人虚拟训练系统中肝脏模型的医学图像分割方法

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
GR01 Patent grant
GR01 Patent grant