CN112184728B - 一种基于磁共振图像的乳腺血管自动分割方法 - Google Patents
一种基于磁共振图像的乳腺血管自动分割方法 Download PDFInfo
- Publication number
- CN112184728B CN112184728B CN202011004400.1A CN202011004400A CN112184728B CN 112184728 B CN112184728 B CN 112184728B CN 202011004400 A CN202011004400 A CN 202011004400A CN 112184728 B CN112184728 B CN 112184728B
- Authority
- CN
- China
- Prior art keywords
- image
- breast
- region
- mip
- blood vessel
- 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.)
- Active
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 60
- 230000011218 segmentation Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 22
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 16
- 210000000481 breast Anatomy 0.000 claims abstract description 76
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 230000002792 vascular Effects 0.000 claims abstract description 9
- 210000000056 organ Anatomy 0.000 claims abstract description 7
- 210000001519 tissue Anatomy 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 6
- 238000009499 grossing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 210000000038 chest Anatomy 0.000 claims description 3
- 230000004043 responsiveness Effects 0.000 claims description 3
- 239000002344 surface layer Substances 0.000 abstract 1
- 206010006187 Breast cancer Diseases 0.000 description 14
- 208000026310 Breast neoplasm Diseases 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 8
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011226 adjuvant chemotherapy Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 201000007741 female breast cancer Diseases 0.000 description 1
- 201000002276 female breast carcinoma Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003447 ipsilateral effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于磁共振图像的乳腺血管自动分割方法,包括:输入DICOM格式的T1加权磁共振图像,运用3D图像数据生成的横断面MIP(最大密度投影)图像IMIP;通过高斯滤波对MIP图像进行平滑处理;运用区域生长算法对器官组织分割;利用灰度积分投影方法,定位与分割乳房区域,去除乳房表层皮肤获得乳房区域分割结果;建立Frangi图像滤波函数,增强乳腺中血管区域;提取和分割血管区域,并滤除噪声区域;运用二值形态学运算连接血管断裂区域,获得最终乳腺血管分割结果。
Description
技术领域
本发明涉及医学图像处理领域,尤其是涉及一种基于磁共振图像的乳腺血管自动分割方法。对乳腺血管自动快速分割是基于磁共振图像的乳腺癌计算机辅助诊断(Computer Aided Diagnosis,CAD)的关键步骤。
背景技术
在全球范围内乳腺癌是发病率最高的女性恶性肿瘤,严重威胁着女性的健康。在过去的20年中,大多数国家乳腺癌的发病率持续增长。我国女性乳腺癌人口标化发病率从2003年的28.37/10万上升到2012年的37.04/10万,高发年龄30-59岁,是45岁以下女性恶性肿瘤死亡的主要原因。
在过去的几十年里,越来越多的现代医学成像技术应用于解决乳腺癌早期筛查和诊断的问题。动态对比增强磁共振成像(Dynamic Contrast-Enhanced MagneticResonance Imaging,DCE-MRI)由于具有较高的软组织分辨率和显示肿瘤的血流动力学特征,被广泛用于乳腺癌的诊断及鉴别诊断。多项研究结果显示DCE-MRI对乳腺癌诊断的敏感度为88%到100%,而特异度中等且变化较大,在63%到96%之间。在乳腺癌的手术计划制定和疗效预测方面,DCE-MRI优于临床检查、X线摄影和超声。因此,需要进一步来提高磁共振诊断乳腺癌的特异度。
近年来,部分研究学者使用血管分析来提高乳腺癌诊断的特异度,结果显示乳腺癌与同侧的血管增加有相关性;也有研究学者使用新辅助化疗前后血管的变化特征来预测乳腺癌的新辅助化疗疗效,从而预判病人的生存状况。在DCE-MRI扫描完成后自动生成横断面最大密度投影(Maximum Projection Intensity,MIP)图像,无需额外的扫描时间,也无需额外注射对比造影剂,因此,相关研究主要使用DCE-MRI生成的MIP图像来评估血管。目前对MIP的血管评估主要有两种方法,一种评估整个乳腺的血管,另一种是评估肿瘤一侧的血管,即与肿瘤相连的血管。但是目前对乳腺血管、血管对称性和肿瘤侧血管主要依靠人工或医生的主观评估,非常耗时,而且评估不够客观。因此,自动分割和评估乳腺血管不仅有助于提高放射科医生的工作流程,而且有可能为乳腺癌的诊断和疗效预判提供定量指标以及潜在的临床评估指标。
发明内容
本发明针对现有技术存在的问题和不足,提供一种基于磁共振图像的乳腺血管自动分割方法,运用一系列医学图像处理方法实现了乳腺血管的自动提取,为探究血管影像特征在乳腺癌诊断和疗效预测中的应用奠定了基础。
本发明是通过下述技术方案来解决上述技术问题的:
本发明提供一种基于磁共振图像的乳腺血管自动分割方法,其特点在于,其包括以下步骤:
S1、输入T1加权磁共振影像,运用3D图像数据生成横断面的原始MIP图像IMIP;
S2、设定合适的方差值和核函数宽度,运用高斯滤波器对原始MIP图像IMIP进行滤波处理,获得平滑MIP图像IMIP_Blur;
S3、以平滑后图像矩阵中IMIP_Blur(0,0)点像素作为种子点,选择合适的阈值,利用区域生长算法分割背景区域,并将二值图像取反获得分割图像M1,同时,计算分割图像M1中各个连通区域的面积,从连通区域中移除面积低于第一设定值的区域,剩下的连通区域作为器官组织区域的二值分割图像M2,器官组织包括乳房和胸腔区域;
S4、对二值分割图像M2,分别在水平和垂直两个方向上做灰度积分投影,根据积分投影曲线中拐点位置,设定二值分割图像M2中的乳房区域边界,二值分割图像M2中从乳房区域边界内分割出乳房区域M3,根据分割区域标签,提取乳房区域M3中的乳房区域边界,即乳房表面皮肤区域,以乳房区域M3减去提取出的乳房边界区域,以获得最终乳房分割区域M4;
S5、计算原始MIP图像IMIP的Hessian矩阵,设定Frangi滤波函数,对MIP图像IMIP中血管区域进行增强,并将增强后图像与最终乳房分割区域M4进行掩模;
S6、运用阈值分割方法,对掩模后图像中血管区域V1进行分割,并利用中值滤波算法,滤除分割的血管区域V1中的散点噪声,获得血管分割图像V2;
S7、运用形态学运算连接血管分割图像V2中断裂的血管区域,并滤除连接好的血管分割图像V2中血管区域面积小于第二设定值的区域,以获得最终血管分割图像V3。
较佳地,步骤S4具体包括以下步骤:
首先,利用灰度积分投影方法,对二值分割图像M2分别在水平和垂直两个方向上做灰度积分投影,在水平和垂直方向上的灰度积分投影函数GPIH(x)和GPIV(y)计算公式如下:
其中,Nx和Ny分别表示M2图像矩阵在水平和垂直方向上的大小;
然后,分别对GPIH(x)和GPIV(y)做差分运算,令GPIH(x)′=0和GPIV(y)′=0,找出两条积分投影曲线上的极值点和拐点,在水平方向上,以最小值和最大值等两个极值点位置作为乳房区域的边界点,在垂直方向上,则从曲线两端出发向中间靠拢,找到第一个拐点作为乳房区域的边界点;
最后,根据水平和垂直方向上边界点的位置,即根据二值分割图像M2中的乳房区域边界,二值分割图像M2中从乳房区域边界内分割出乳房区域M3,对分割区域进行标记,提取乳房区域M3中的乳房区域边界,即乳房表面皮肤区域,以乳房区域M3减去提取出的乳房边界区域,以获得最终乳房分割区域M4。
较佳地,步骤S5具体包括以下步骤:
首先,运用2D高斯平滑函数对原始MIP图像进行滤波,获得滤波后图像I,计算I的二阶偏导数,获得图像的Hessian矩阵HMIP,公式如下:
然后,对HMIP进行特征值分解获得两个特征值分别为若|λ1|≈0且|λ1|<<|λ2|,则图像中血管区域的响应度函数,即Frangi滤波函数可以表示为/>对不同尺度的血管进行尺度匹配滤波获得/>其中δ表示高斯滤波函数的标准差;
最后,设定β为0.01,c为0.04,δ∈[0.5,2.5]步长为0.05,对图像中血管区域进行增强,并将增强后图像Vessel与乳房分割图像M3进行掩模,获得图像IVessel=Vessel×M4。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:
本发明提出一种基于T1加权磁共振MIP图像的乳腺血管自动分割算法,运用一系列医学图像处理方法实现了乳腺血管的自动提取,为探究血管影像特征在乳腺癌诊断和疗效预测中的应用奠定了基础。
附图说明
图1为本发明较佳实施例的乳腺血管自动分割方法的流程图。
图2为本发明较佳实施例的基于灰度积分投影的乳房区域定位示意图。
图3为本发明较佳实施例的分割结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1-3,本发明的具体实施步骤如下:
步骤1:输入DICOM格式的T1加权磁共振影像,运用3D图像数据生成横断面的原始MIP(最大密度投影)图像IMIP。
步骤2:设定合适的方差值和核函数宽度,运用高斯滤波器对原始MIP图像IMIP进行滤波处理,获得平滑MIP图像IMIP_Blur。
例如:设定高斯函数的方差值为10、核函数宽度为100,运用高斯滤波器对原始MIP图像进行滤波处理,获得平滑MIP图像IMIP_Blur。
步骤3:器官组织分割。
以平滑后图像矩阵中IMIP_Blur(0,0)点像素作为种子点,选择合适的阈值,利用区域生长算法分割背景区域,并将二值图像取反获得分割图像M1,同时,计算分割图像M1中各个连通区域的面积,从连通区域中移除面积低于第一设定值的区域(如线圈等),剩下的连通区域作为器官组织(主要包括乳房和胸腔区域)区域的二值分割图像M2。
步骤4:利用灰度积分投影方法,定位与分割乳房区域(见图2)。
对二值分割图像M2,分别在水平和垂直两个方向上做灰度积分投影,根据积分投影曲线中拐点位置,设定二值分割图像M2中的乳房区域边界,二值分割图像M2中从乳房区域边界内分割出乳房区域M3,根据分割区域标签,提取乳房区域M3中的乳房区域边界,即乳房表面皮肤区域,以乳房区域M3减去提取出的乳房边界区域,以获得最终乳房分割区域M4。
首先,利用灰度积分投影方法,对二值分割图像M2分别在水平和垂直两个方向上做灰度积分投影。在水平和垂直方向上的灰度积分投影函数GPIH(x)和GPIV(y)计算公式如下:
其中,Nx和Ny分别表示M2图像矩阵在水平和垂直方向上的大小。
然后,分别对GPIH(x)和GPIV(y)做差分运算,令GPIH(x)′=0和GPIV(y)′=0,找出两条积分投影曲线上的极值点和拐点。在水平方向上,以最小值和最大值等两个极值点位置作为乳房区域的边界点。在垂直方向上,则从曲线两端出发向中间靠拢,找到第一个拐点作为乳房区域的边界点。
最后,根据水平和垂直方向上边界点的位置,即根据二值分割图像M2中的乳房区域边界,二值分割图像M2中从乳房区域边界内分割出乳房区域M3,对分割区域进行标记,提取乳房区域M3中的乳房区域边界,即乳房表面皮肤区域,以乳房区域M3减去提取出的乳房边界区域,以获得最终乳房分割区域M4。
步骤5:运用Frangi图像滤波算法增强乳腺中血管区域。
计算原始MIP图像IMIP的Hessian矩阵,设定Frangi滤波函数,对MIP图像IMIP中血管区域进行增强,并将增强后图像与最终乳房分割区域M4进行掩模。
首先,运用2D高斯平滑函数对原始MIP图像进行滤波,获得滤波后图像I。计算I的二阶偏导数,获得图像的Hessian矩阵HMIP,公式如下:
然后,对HMIP进行特征值分解获得两个特征值分别为若|λ1|≈0且|λ1|<<|λ2|,则图像中血管区域的响应度函数,即Frangi滤波函数可以表示为/>对不同尺度的血管进行尺度匹配滤波获得/>其中δ表示高斯滤波函数的标准差。
最后,设定β为0.01,c为0.04,δ∈[0.5,2.5]步长为0.05,对图像中血管区域进行增强,并将增强后图像Vessel与乳房分割图像M3进行掩模,获得图像IVessel=Vessel×M4。
步骤6:血管分割与噪声滤除。
运用阈值分割方法,对掩模后图像中血管区域V1进行分割,并利用中值滤波算法,滤除分割的血管区域V1中的散点噪声,获得血管分割图像V2。
首先,设定阈值为0,运用阈值分割方法,分割增强后图像中血管区域V1。然后,设定滤波器大小为3×3,利用中值滤波算法,滤除图像V1中的散点噪声,获得血管分割图像V2。
步骤7:运用二值形态学运算连接血管断裂区域。
运用形态学运算连接血管分割图像V2中断裂的血管区域,并滤除连接好的血管分割图像V2中血管区域面积小于第二设定值的区域,以获得最终血管分割图像V3(见图3)。
首先,构建半径为7的菱形结构元素,运用二值形态学膨胀运算,连接断裂的血管区域。然后,计算滤波后图像中各区域的面积,滤除面积较小的噪声区域(像素点个数小于80),获得最终血管分割图像V3。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (3)
1.一种基于磁共振图像的乳腺血管自动分割方法,其特征在于,其包括以下步骤:
S1、输入T1加权磁共振影像,运用3D图像数据生成横断面的原始MIP图像IMIP;
S2、设定合适的方差值和核函数宽度,运用高斯滤波器对原始MIP图像IMIP进行滤波处理,获得平滑MIP图像IMIP_Blur;
S3、以平滑后图像矩阵中IMIP_Blur(0,0)点像素作为种子点,选择合适的阈值,利用区域生长算法分割背景区域,并将二值图像取反获得分割图像M1,同时,计算分割图像M1中各个连通区域的面积,从连通区域中移除面积低于第一设定值的区域,剩下的连通区域作为器官组织区域的二值分割图像M2,器官组织包括乳房和胸腔区域;
S4、对二值分割图像M2,分别在水平和垂直两个方向上做灰度积分投影,根据积分投影曲线中拐点位置,设定二值分割图像M2中的乳房区域边界,二值分割图像M2中从乳房区域边界内分割出乳房区域M3,根据分割区域标签,提取乳房区域M3中的乳房区域边界,即乳房表面皮肤区域,以乳房区域M3减去提取出的乳房边界区域,以获得最终乳房分割区域M4;
S5、计算原始MIP图像IMIP的Hessian矩阵,设定Frangi滤波函数,对MIP图像IMIP中血管区域进行增强,并将增强后图像与最终乳房分割区域M4进行掩模;
S6、运用阈值分割方法,对掩模后图像中血管区域V1进行分割,并利用中值滤波算法,滤除分割的血管区域V1中的散点噪声,获得血管分割图像V2;
S7、运用形态学运算连接血管分割图像V2中断裂的血管区域,并滤除连接好的血管分割图像V2中血管区域面积小于第二设定值的区域,以获得最终血管分割图像V3。
2.如权利要求1所述的基于磁共振图像的乳腺血管自动分割方法,其特征在于,步骤S4具体包括以下步骤:
首先,利用灰度积分投影方法,对二值分割图像M2分别在水平和垂直两个方向上做灰度积分投影,在水平和垂直方向上的灰度积分投影函数GPIH(x)和GPIV(y)计算公式如下:
其中,Nx和Ny分别表示M2图像矩阵在水平和垂直方向上的大小;
然后,分别对GPIH(x)和GPIV(y)做差分运算,令GPIH(x)′=0和GPIV(y)′=0,找出两条积分投影曲线上的极值点和拐点,在水平方向上,以最小值和最大值等两个极值点位置作为乳房区域的边界点,在垂直方向上,则从曲线两端出发向中间靠拢,找到第一个拐点作为乳房区域的边界点;
最后,根据水平和垂直方向上边界点的位置,即根据二值分割图像M2中的乳房区域边界,二值分割图像M2中从乳房区域边界内分割出乳房区域M3,对分割区域进行标记,提取乳房区域M3中的乳房区域边界,即乳房表面皮肤区域,以乳房区域M3减去提取出的乳房边界区域,以获得最终乳房分割区域M4。
3.如权利要求1所述的基于磁共振图像的乳腺血管自动分割方法,其特征在于,步骤S5具体包括以下步骤:
首先,运用2D高斯平滑函数对原始MIP图像进行滤波,获得滤波后图像I,计算I的二阶偏导数,获得图像的Hessian矩阵HMIP,公式如下:
然后,对HMIP进行特征值分解获得两个特征值分别为若|λ1|≈0且|λ1|<<|λ2|,则图像中血管区域的响应度函数,即Frangi滤波函数可以表示为/>对不同尺度的血管进行尺度匹配滤波获得/>其中δ表示高斯滤波函数的标准差;
最后,设定β为0.01,c为0.04,δ∈[0.5,2.5]步长为0.05,对图像中血管区域进行增强,并将增强后图像Vessel与乳房分割图像M3进行掩模,获得图像IVessel=Vessel×M4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011004400.1A CN112184728B (zh) | 2020-09-22 | 2020-09-22 | 一种基于磁共振图像的乳腺血管自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011004400.1A CN112184728B (zh) | 2020-09-22 | 2020-09-22 | 一种基于磁共振图像的乳腺血管自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184728A CN112184728A (zh) | 2021-01-05 |
CN112184728B true CN112184728B (zh) | 2023-06-16 |
Family
ID=73955764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011004400.1A Active CN112184728B (zh) | 2020-09-22 | 2020-09-22 | 一种基于磁共振图像的乳腺血管自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184728B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5204627A (en) * | 1991-03-14 | 1993-04-20 | Wisconsin Alumni Research Foundation | Adaptive NMR angiographic reprojection method |
CN101334895A (zh) * | 2008-08-07 | 2008-12-31 | 清华大学 | 一种针对动态增强乳腺磁共振影像序列的影像分割方法 |
CN104268873A (zh) * | 2014-09-25 | 2015-01-07 | 南京信息工程大学 | 基于核磁共振图像的乳腺肿瘤分割方法 |
-
2020
- 2020-09-22 CN CN202011004400.1A patent/CN112184728B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5204627A (en) * | 1991-03-14 | 1993-04-20 | Wisconsin Alumni Research Foundation | Adaptive NMR angiographic reprojection method |
CN101334895A (zh) * | 2008-08-07 | 2008-12-31 | 清华大学 | 一种针对动态增强乳腺磁共振影像序列的影像分割方法 |
CN104268873A (zh) * | 2014-09-25 | 2015-01-07 | 南京信息工程大学 | 基于核磁共振图像的乳腺肿瘤分割方法 |
Non-Patent Citations (1)
Title |
---|
改良区域生长算法自动分割乳腺肿块图像的诊断价值;陈桂林;汪家旺;;江苏医药(第13期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112184728A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | An image feature approach for computer-aided detection of ischemic stroke | |
US7760941B2 (en) | Method and apparatus of segmenting an object in a data set and of determination of the volume of segmented object | |
Kumar et al. | Texture Pattern Based Lung Nodule Detection (TPLND) Technique in CT Images | |
CN106846317B (zh) | 一种基于特征提取和相似匹配的医学影像检索方法 | |
Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
WO2014113786A1 (en) | Quantitative predictors of tumor severity | |
Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
Przelaskowski et al. | Improved early stroke detection: wavelet-based perception enhancement of computerized tomography exams | |
CN112767407A (zh) | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 | |
Ganvir et al. | Filtering method for pre-processing mammogram images for breast cancer detection | |
Kaur et al. | Computer-aided diagnosis of renal lesions in CT images: a comprehensive survey and future prospects | |
Zotin et al. | Processing of CT lung images as a part of radiomics | |
Vivek et al. | Artificial Neural Network Based Effective Detection of Breast Cancer By Using Mammogram Data | |
Dawood et al. | The importance of contrast enhancement in medical images analysis and diagnosis | |
Kavitha et al. | Volumetric analysis framework for accurate segmentation and classification (VAF-ASC) of lung tumor from CT images | |
Huang et al. | Computer-Aided tumor diagnosis in 3-D breast elastography | |
JP2023501282A (ja) | 非侵襲的放射線イメージングからの肝疾患の重症度の自動的分類 | |
CN112184728B (zh) | 一种基于磁共振图像的乳腺血管自动分割方法 | |
Dheeba et al. | Computer aided intelligent breast cancer detection: second opinion for radiologists—a prospective study | |
Wu et al. | Automatic segmentation of ultrasound tomography image | |
CN113706541B (zh) | 一种图像处理方法及装置 | |
Chen et al. | 3D contouring for breast tumor in sonography | |
CN114494232A (zh) | 一种基于影像组学的乳腺癌保乳手术切缘状态预测模型 | |
WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
Amritha et al. | Liver tumor segmentation and classification using deep learning |
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 |