CN112258449A - 一种基于结节特征的快速结节匹配方法 - Google Patents

一种基于结节特征的快速结节匹配方法 Download PDF

Info

Publication number
CN112258449A
CN112258449A CN202010967773.2A CN202010967773A CN112258449A CN 112258449 A CN112258449 A CN 112258449A CN 202010967773 A CN202010967773 A CN 202010967773A CN 112258449 A CN112258449 A CN 112258449A
Authority
CN
China
Prior art keywords
lung
image
nodule
normalized cross
nodules
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
CN202010967773.2A
Other languages
English (en)
Inventor
陈浩
李雁雯
钱光武
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.)
Shenzhen Imsight Medical Technology Co Ltd
Original Assignee
Shenzhen Imsight Medical 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 Shenzhen Imsight Medical Technology Co Ltd filed Critical Shenzhen Imsight Medical Technology Co Ltd
Priority to CN202010967773.2A priority Critical patent/CN112258449A/zh
Publication of CN112258449A publication Critical patent/CN112258449A/zh
Pending legal-status Critical Current

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
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G06T5/70—
    • 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
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Abstract

本发明公开了一种基于结节特征的快速结节匹配方法，所述方法包括：获取满足预设条件的第一肺部CT图像和第二肺部CT图像；对所述第一肺部CT图像和第二肺部CT图像进行肺分割和肺框缩放，使二者的肺部区域对齐，并获取转换函数；根据所述转换函数找出两个CT图像的相邻结节，并计算相邻结节的归一化互相关系数；根据归一化互相关系数与阈值的关系判断相邻结节是否为匹配的结节对。本发明采用肺分割及肺部边框缩放的肺部对齐方法，大大减小了由迭代算法带来的肺部位置对齐所需要的时间。

Description

一种基于结节特征的快速结节匹配方法
技术领域
本发明涉及一种肺结节的匹配方法，尤其涉及一种基于结节特征的快速结节匹配方法。
背景技术
现有结节匹配方法主要是通过对肺部图像进行刚体或非刚体配准的方法，将不同时间的两张CT图像中的肺部区域进行对准，从而将两张图中的肺部区域中的位置点进行匹配，最终筛选位置距离近的结节为匹配的结节对。中国专利CN105913442A一种自动匹配肺结节的方法，揭示了对两组图像进行刚体配准使得图像位置信息对齐，得到其形变场，根据结节中心和形变场进行结节匹配。上述专利的刚体配准采用梯度下降法，通过迭代过程求解变换系数，迭代需要花费的时间比较多。而且肺部CT图像是一个比较大的3D图像，这使得迭代算法的计算量更大，时间消耗更多，无法达到临床中大批量数据短时间计算的要求。
其次，仅仅根据位置匹配来对结节进行随访配准，对于一些位置接近，但实际结节发生了吸收或新增的情况会产生错误的判断。因此还需要对结节本身的特征进行分析，判断配对结节是否是同一结节，并计算其随访变化。
发明内容
针对上述技术问题，本发明提供了一种基于结节特征的快速结节匹配方法，大大减小了由迭代算法带来的肺部位置对齐所需要的时间。
本发明提供一种基于结节特征的快速结节匹配方法，所述方法包括：获取满足预设条件的第一肺部CT图像和第二肺部CT图像；对所述第一肺部CT图像和第二肺部CT图像进行肺分割和肺框缩放，使二者的肺部区域对齐，并获取转换函数；根据所述转换函数找到两个CT图像的相邻结节，并计算相邻结节的归一化互相关系数；根据归一化互相关系数与阈值的关系判断相邻结节是否为匹配的结节对。
可选地，所述预设条件为同一被测者在不同时间或不同检测条件下的肺部CT体数据。
可选地，所述对所述第一肺部CT图像和第二肺部CT图像进行肺分割和肺框缩放，使二者的肺部区域对齐，并获取转换函数的步骤包括：对所述第一肺部CT图像和第二肺部CT图像进行肺分割获取对应的第一肺框图像和第二肺框图像；将所述第一肺框图像通过缩放函数缩放后与所述第二肺框图像对齐，并获取第一肺部CT图像和第二肺部CT图像之间的转换函数。
可选地，所述对所述第一肺部CT图像和第二肺部CT图像进行肺分割获取对应的第一肺框图像和第二肺框图像的步骤包括：获取第一肺部CT图像和第二肺部CT图像的结节信息；对第一肺部CT图像和第二肺部CT图像进行高斯滤波处理，得到CT滤波图像；根据大津算法计算图像灰度分布的最大类间方差，确定图像中的全局阈值，将图像分为背景和前景的二值化图像；通过形态学方法提取肺部图像中的整体轮廓线，然后通过闭操作及空洞填充得到肺内区域，并对肺部区域进行区域分析和膨胀操作得到肺框图像。
可选地，所述缩放函数包括线性差值方法。
可选地，所述根据所述转换函数判断相邻结节，并计算相邻结节的归一化互相关系数的步骤包括：根据所述转换函数对第一肺框图像的结节中心位置进行转换，并计算第二肺框图像和转换后的第一肺框图像结节间的欧式距离；若欧式距离小于预设值，则判断为相邻结节；计算相邻结节的归一化互相关系数。
可选地，所述根据归一化互相关系数与阈值的关系判断这相邻结节是否匹配成功的步骤包括：判断归一化互相关系数是否大于阈值；若是，则表示相邻的结节匹配成功。
可选地，所述计算相邻结节的归一化互相关系数的步骤包括：从第一肺框图像中剪切预设大小的第一图像块，从第二肺框图像中剪切相同大小的第二图像块；计算第一图像块和第二图像块的归一化互相关系数。
可选地，所述归一化互相关系数是根据第一图像块和第二图像块矩阵的方差，均值或协方差计算的系数矩阵。
可选地，所述方法还包括：获取匹配成功的相邻结节的参数；根据匹配成功的相邻结节的参数变化计算参数的变化率；通过所述参数的变化率提示结节的治疗效果或发展情况。
本发明实施例提供的技术方案中，利用肺分割和肺框缩放，使二者的肺部区域对齐，得到肺部位置粗略配准的效果，为结节位置匹配提供转换函数，通过计算归一化互相关系数，判断位置相近的两个结节是否确定为同一个结节的不同时期，还是为不同的新增结节。因此相对于现有技术，本发明实施例使用肺分割及肺部边框缩放的肺部对齐方法，大大减小了由迭代算法带来的肺部位置对齐所需要的时间，其配准时间由几十秒至几分钟缩短至5到10秒的时间，其次，本发明使用归一化互相关函数进行相邻结节的相似性评判，一方面弥补了肺部对齐中可能出现的误差，另一方面能够更好的对相近位置新增及消失的结节进行判断。
附图说明
图1为本发明一种基于结节特征的快速结节匹配方法的其中一实施例的流程示意图；
图2为本发明一种基于结节特征的快速结节匹配方法的另一实施例的流程示意图；
图3为本发明一种基于结节特征的快速结节匹配方法的另一实施例的流程示意图；
图4为本发明一种基于结节特征的快速结节匹配方法的另一实施例的流程示意图；
图5为本发明一种基于结节特征的快速结节匹配方法的其中一实施例的流程框图；
图6为本发明一种基于结节特征的快速结节匹配方法的另一实施例的流程示意图。
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，本领域技术人员在没有作出创造性劳动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。
请参阅图1，本发明一种基于结节特征的快速结节匹配方法的一个实施例包括如下步骤：
步骤S10，获取满足预设条件的第一肺部CT图像和第二肺部CT图像。
本发明获取同一被测者在不同时间或不同检测条件下的肺部CT体数据，分别编号为第一肺部CT图像和第二肺部CT图像。
步骤S20，对第一肺部CT图像和第二肺部CT图像进行肺分割和肺框缩放，使二者的肺部区域对齐，并获取转换函数。
在本发明的其中一实施例中，请参考图2所示，步骤S20具体包括如下步骤：
步骤S21，对第一肺部CT图像和第二肺部CT图像进行肺分割获取对应的第一肺框图像和第二肺框图像。
步骤S22，将第一肺框图像通过缩放函数缩放后与第二肺框图像对齐，并获取第一肺部CT图像和第二肺部CT图像之间的转换函数。
在本发明的其中一实施例中，请参考图3所示，步骤S21具体包括如下步骤：
步骤S211，获取第一肺部CT图像和第二肺部CT图像的结节信息。
步骤S212，对第一肺部CT图像和第二肺部CT图像进行高斯滤波处理，得到CT滤波图像；
步骤S213，根据大津算法计算图像灰度分布的最大类间方差，确定图像中的全局阈值，将图像分为背景和前景的二值化图像；
步骤S214，通过形态学方法提取肺部图像中的整体轮廓线，然后通过闭操作及空洞填充得到肺内区域，并对肺部区域进行区域分析和膨胀操作得到肺框图像。
在上述步骤中，首先读取第一肺部CT图像和第二肺部CT图像以及其检测出来的结节信息，包括中心点，长短径，体积等。对第一肺部CT图像和第二肺部CT图像进行高斯平滑处理，去掉图像中的噪声点，然后将图像中CT值小于-1000的像素点都置为-1000从而去除，并使用大津算法(OTSU)按照图像的灰度特性，计算图像灰度分布的最大类间方差，确定图像中的全局阈值，将第一肺部CT图像和第二肺部CT图像分别分为背景和前景的二值化图像。接下来通过形态学方法及区域分析的方法对3D图像的每一层2D平面进行计算，去除图像中的CT机部分。然后使用闭操作及空洞填充得到粗略的肺内区域，接下来对得到的肺内区域的上1/3的进行区域分析，去除小于最大区域1/4的区域为肺部大气管的区域，再通过膨胀操作去除肺内的空洞点得到最终肺部分割的掩模(mask)结果，同时得到肺部的三维边框(BBox)。对比第一肺部CT图像和第二肺部CT图像的Z轴间距Spacing，判断spacing较大的CT图像为fixed_image,另一幅图像为moving_image，将fixed_image的肺部BBox通过放缩函数放缩到moving_image的肺部BBox相同的大小，在放缩的过程中使用的是线性插值方法。通过放缩，可以得到两CT图像的转换函数。
步骤S30，根据转换函数找出两个CT图像的相邻结节，并计算相邻结节的归一化互相关系数。
在本发明的其中一实施例中，请参考图4所示，步骤S30具体包括如下步骤：
步骤S31，根据转换函数对第一肺框图像的结节中心位置进行转换，并计算第二肺框图像和转换后的第一肺框图像结节间的欧式距离；
步骤S32，若欧式距离小于预设值，则判断为相邻结节；
步骤S33，计算相邻结节的归一化互相关系数。
上述步骤中，根据获取的结节的中心点坐标，将fixed_image中的结节中心点三维坐标X1...Xn通过上述获取的转换函数转换到moving_image的图像中为X1’...Xn’。计算moving_image中结节Y1...Ym和X1’...Xn’两两之间的欧式距离，根据设定的距离阈值，得到每一个结节Yi周围的k个相邻结节Xj’。接下来计算相邻结节之间的归一化互相关系数。从第一肺框图像中剪切预设大小的第一图像块，从第二肺框图像中剪切相同大小的第二图像块；计算第一图像块和第二图像块的归一化互相关系数。
举例说明如下：以结节Yi的三维坐标为中心，在moving_image的原始CT图中剪切一个20*20*3的小图像块A，以Xj的三维坐标为中心，在fixed_image的原始CT图中剪切一个20*20*3的小图像块B，计算图像块A和图像块B的归一化互相关系数(NCC)。NCC是根据两个图像矩阵的方差，均值，协方差等参数计算的相关系数矩阵，其值在-1～1之间，趋近于-1表示两个图像不相似，趋近于1则表示两个图像相似。
步骤S40，根据归一化互相关系数与阈值的关系判断相邻结节是否为匹配的结节对。根据NCC系数与设定的阈值的关系，判断这两个结节是否匹配成功，若NCC系数大于设定的阈值，若是，则表示相邻的结节为匹配的结节对，匹配成功，对于一个Y结节和多个X结节匹配成功的情况，则选取NCC系数最大的X结节与之匹配。
请参考图5所示，本发明基于结节特征的快速结节匹配方法的具体流程如下，首先对两个肺部CT图像进行肺分割。例如，首先读取第一肺部CT图像(CT图像1)和第二肺部CT图像(CT图像2)以及其检测出来的结节信息，包括中心点，长短径，体积等，对CT图像1和CT图像2进行肺分割，分别得到第一肺框图像和第二肺框图像。
将肺框缩放得到转换函数。具体的，将第一肺框图像的肺框放缩到第二肺框图像的肺框的尺寸，从而得到转换函数。
计算结节间距离。具体的，根据转换函数对第一肺框图像的结节中心位置进行转换，并计算第二肺框图像中每个结节和转换后第一肺框图像所有结节间的欧式距离。
若结节间的距离小于预先设置的阈值，则归为其相邻结节，其中，可能存在一个结节对应多个相邻结节的情况。若结节间的距离大于阈值，则归为未匹配的结节。
计算相邻结节的归一化互相关系数(NCC系数)。若是相邻结节，则计算相邻结节的归一化相关系数，NCC系数大于设定阈值的判断为匹配成功的结节对，剩余其他结节为未匹配成功结节。
通过上述过程，可以得到两个CT图像中可以匹配上的结节对，以及未匹配上的结节对。通过对两个肺部CT图像拍摄时间的分析，早期拍摄CT中未匹配上的结节，在随访中标记其为吸收或好转的结节，在后期拍摄CT中未匹配上的结节标记为新增结节。
在本发明的其中一实施例中，请参考图6所示，所述方法还包括如下步骤：
步骤S50，获取匹配成功的相邻结节的参数；
步骤S60，根据匹配成功的相邻结节的参数变化计算参数的变化率；
步骤S70，通过参数的变化率提示结节的治疗效果或发展情况。
本发明对于匹配上的结节对，获取其检测到的结节长短径，体积，CT值等参数，根据配对结节的两次检查中的参数变化，计算长短径，体积，CT值等参数的变化率并进行图标表示。通过结节参数变化率提示结节治疗效果或其发展情况。
本发明所述的一种快速有效的结节匹配方法，采用肺分割及肺部边框缩放的肺部对齐方法，大大减小了由迭代算法带来的肺部位置对齐所需要的时间，其配准时间由几十秒至几分钟缩短至5到10秒的时间，其次，本发明使用归一化互相关函数进行相邻结节的相似性评判，一方面弥补了肺部对齐中可能出现的误差，另一方面能够更好的对相近位置新增及消失的结节进行判断，判断位置相近的两个结节是否确定为同一个结节的不同时期，还是为不同的新增结节。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于结节特征的快速结节匹配方法，其特性在于，所述方法包括：
获取满足预设条件的第一肺部CT图像和第二肺部CT图像；
对所述第一肺部CT图像和第二肺部CT图像进行肺分割和肺框缩放，使二者的肺部区域对齐，并获取转换函数；
根据所述转换函数找出两个CT图像的相邻结节，并计算相邻结节的归一化互相关系数；
根据归一化互相关系数与阈值的关系判断相邻结节是否为匹配的结节对。
2.根据权利要求1所述的基于结节特征的快速结节匹配方法，其特征在于，所述预设条件为同一被测者在不同时间或不同检测条件下的肺部CT体数据。
3.根据权利要求1所述的基于结节特征的快速结节匹配方法，其特征在于，所述对所述第一肺部CT图像和第二肺部CT图像进行肺分割和肺框缩放，使二者的肺部区域对齐，并获取转换函数的步骤包括：
对所述第一肺部CT图像和第二肺部CT图像进行肺分割获取对应的第一肺框图像和第二肺框图像；
将所述第一肺框图像通过缩放函数缩放后与所述第二肺框图像对齐，并获取第一肺部CT图像和第二肺部CT图像之间的转换函数。
4.根据权利要求3所述的基于结节特征的快速结节匹配方法，其特征在于，所述对所述第一肺部CT图像和第二肺部CT图像进行肺分割获取对应的第一肺框图像和第二肺框图像的步骤包括：
获取第一肺部CT图像和第二肺部CT图像的结节信息；
对第一肺部CT图像和第二肺部CT图像进行高斯滤波处理，得到CT滤波图像；
根据大津算法计算图像灰度分布的最大类间方差，确定图像中的全局阈值，将图像分为背景和前景的二值化图像；
通过形态学方法提取肺部图像中的整体轮廓线，然后通过闭操作及空洞填充得到肺内区域，并对肺部区域进行区域分析和膨胀操作得到肺框图像。
5.根据权利要求3所述的基于结节特征的快速结节匹配方法，其特征在于，所述缩放函数包括线性差值方法。
6.根据权利要求1所述的基于结节特征的快速结节匹配方法，其特征在于，所述根据所述转换函数找出两个CT图像的相邻结节，并计算相邻结节的归一化互相关系数的步骤包括：
根据所述转换函数对第一肺框图像的结节中心位置进行转换，并计算第二肺框图像和转换后的第一肺框图像结节间的欧式距离；
若欧式距离小于预设值，则判断为相邻结节；
计算相邻结节的归一化互相关系数。
7.根据权利要求6所述的基于结节特征的快速结节匹配方法，其特征在于，所述根据归一化互相关系数与阈值的关系判断相邻结节是否为匹配的结节对的步骤包括：
判断归一化互相关系数是否大于阈值；
若是，则表示相邻的结节为匹配的结节对。
8.根据权利要求6所述的基于结节特征的快速结节匹配方法，其特征在于，所述计算相邻结节的归一化互相关系数的步骤包括：
从第一肺框图像中剪切预设大小的第一图像块，从第二肺框图像中剪切相同大小的第二图像块；
计算第一图像块和第二图像块的归一化互相关系数。
9.根据权利要求8所述的基于结节特征的快速结节匹配方法，其特征在于，所述归一化互相关系数是根据第一图像块和第二图像块矩阵的方差，均值或协方差计算的系数矩阵。
10.根据权利要求1所述的基于结节特征的快速结节匹配方法，其特征在于，所述方法还包括：
获取匹配成功的相邻结节的参数；
根据匹配成功的相邻结节的参数变化计算参数的变化率；
通过所述参数的变化率提示结节的治疗效果或发展情况。
CN202010967773.2A 2020-09-15 2020-09-15 一种基于结节特征的快速结节匹配方法 Pending CN112258449A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010967773.2A CN112258449A (zh) 2020-09-15 2020-09-15 一种基于结节特征的快速结节匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010967773.2A CN112258449A (zh) 2020-09-15 2020-09-15 一种基于结节特征的快速结节匹配方法

Publications (1)

Publication Number Publication Date
CN112258449A true CN112258449A (zh) 2021-01-22

Family

ID=74232330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010967773.2A Pending CN112258449A (zh) 2020-09-15 2020-09-15 一种基于结节特征的快速结节匹配方法

Country Status (1)

Country Link
CN (1) CN112258449A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256509A (zh) * 2021-04-16 2021-08-13 北京医准智能科技有限公司 一种结节轮廓平滑方法及装置
CN113298157A (zh) * 2021-05-28 2021-08-24 上海商汤智能科技有限公司 病灶匹配方法及装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256509A (zh) * 2021-04-16 2021-08-13 北京医准智能科技有限公司 一种结节轮廓平滑方法及装置
CN113298157A (zh) * 2021-05-28 2021-08-24 上海商汤智能科技有限公司 病灶匹配方法及装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
KR102559790B1 (ko) 구조물의 균열 탐지 방법
CN111932552B (zh) 一种主动脉建模的方法及装置
CN112258449A (zh) 一种基于结节特征的快速结节匹配方法
CN116258722B (zh) 基于图像处理的桥梁建筑智能检测方法
WO2018176319A1 (zh) 超声图像的分析方法及装置
CN108305268B (zh) 一种图像分割方法及装置
CN113077419A (zh) 用于髋关节ct影像识别的信息处理方法及装置
CN112258536B (zh) 一种胼胝体及小脑蚓部的一体化定位及分割方法
CN108764343B (zh) 一种跟踪算法中的跟踪目标框的定位方法
CN110047085A (zh) 一种针对肺ct图像阈值分割结果的肺膜粘连结节区域精确修复方法
CN112258532B (zh) 一种超声图像中胼胝体的定位及分割方法
CN114494318A (zh) 基于大津算法的角膜动态形变视频提取角膜轮廓的方法
CN114492619A (zh) 一种基于统计和凹凸性的点云数据集构建方法及装置
Chen et al. Image segmentation based on mathematical morphological operator
CN111105430B (zh) 基于Landmark单纯形约束的变分水平集图像分割方法
CN113012127A (zh) 基于胸部医学影像的心胸比测量方法
CN113780040A (zh) 唇部关键点的定位方法及装置、存储介质、电子设备
Sun et al. Spot segmentation and verification based on improve marker controlled watershed transform
CN116523871A (zh) 一种加工件缺陷检测方法、装置、电子设备及存储介质
CN112258534B (zh) 一种超声图像中小脑蚓部的定位及分割方法
CN113763407B (zh) 一种超声图像的结节边缘分析方法
CN114119569A (zh) 基于机器学习的成像测井图像裂缝分割与识别方法和系统
CN111311586A (zh) 基于非线性健康分析系统数据多指标动态整合算法和系统
CN112258535B (zh) 超声图像中胼胝体及小脑蚓部的一体化定位及分割方法

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