CN112258533A - 一种超声图像中小脑蚓部的分割方法 - Google Patents

一种超声图像中小脑蚓部的分割方法 Download PDF

Info

Publication number
CN112258533A
CN112258533A CN202011156768.XA CN202011156768A CN112258533A CN 112258533 A CN112258533 A CN 112258533A CN 202011156768 A CN202011156768 A CN 202011156768A CN 112258533 A CN112258533 A CN 112258533A
Authority
CN
China
Prior art keywords
lumbricus
cerebellum
contour
point
points
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
CN202011156768.XA
Other languages
English (en)
Other versions
CN112258533B (zh
Inventor
刘斌
王淇锋
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 CN202011156768.XA priority Critical patent/CN112258533B/zh
Publication of CN112258533A publication Critical patent/CN112258533A/zh
Application granted granted Critical
Publication of CN112258533B publication Critical patent/CN112258533B/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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • 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
    • G06T2207/30016—Brain
    • 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
    • G06T2207/30044—Fetus; Embryo

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种超声图像中小脑蚓部的分割方法，包括以下步骤：S1:输入小脑蚓部超声图像以及超声图像中胼胝体尺寸和位置信息，对小脑蚓部超声图像进行预处理；S2:根据医学先验知识，观察小脑蚓部超声图像，判断图像中小脑蚓部的方向信息；S3:通过S2得到的方向信息以及小脑蚓部本身的形态学特征，对其进行外轮廓图形拟合，得到小脑蚓部初始轮廓；S4:通过S3得到的小脑蚓部初始轮廓，对其进行算法跌打及平滑化处理形成小脑蚓部精确轮廓；S5:对精确轮廓进行平滑化处理；最终达到完整、精确、平滑分割小脑蚓部的目的。

Description

一种超声图像中小脑蚓部的分割方法
技术领域
本发明涉及医学图像处理领域，尤其涉及超声图像中一种小脑蚓部的分割方法。
背景技术
随着计算机技术在医学上的广泛应用，使得早先的人工分割图像逐渐被计算机自动分割所替代。目前对于如何检测胎儿的小脑蚓部是否发育正常，通常采用人工分割超声图像中小脑蚓部区域，并计算其轮廓长度、面积等特征信息来检测出是否发育正常。如何对小脑蚓部进行自动化分割，提取位置及轮廓信息成为关键的问题。目前对于现存的小脑蚓部超声图像分割方法，存在精准度差，过度依赖超声图像质量，抗噪声能力差，边缘分割不够精确等问题。
发明内容
根据现有技术中小脑蚓部定分割方法效果不佳，无法达到临床医疗要求这一现状，本发明公开了一种超声图像中小脑蚓部分割方法，具体包括以下步骤：
S1:输入小脑蚓部超声图像，并对其进行预处理；
S2:根据医学先验知识，观察小脑蚓部超声图像，判断图像中小脑蚓部的方向信息(小脑蚓部非对称，其中一侧有缺口)，记为Loc；
S3:通过小脑蚓部超声图像，获取图像中心点作为圆心，记为Center；通过S2得到的方向信息Loc以及小脑蚓部本身的形态学特征，对其进行外轮廓图形拟合，得到小脑蚓部初始轮廓(这里是点集形式)；
S4:获取从S3设定的圆心Center出发到S3得到的所有轮廓点的射线(这里射线到小脑蚓部超声图像边缘结束)；并统计射线上的所有像素点值及坐标信息；以每条射线为单位，寻找该条射线上最有可能是小脑蚓部轮廓点的坐标位置，并统计所有射线上的最大可能点，形成点集；对点集进行平滑化处理形成小脑蚓部新的轮廓；对轮廓进行迭代得到小脑蚓部精确轮廓；
S5:对精确轮廓进行平滑化处理(这里采用主动轮廓模型算法)；最终得到小脑蚓部轮廓信息。
S1中具体采用如下方法：
输入小脑蚓部超声图像，并将小脑蚓部超声图像转化为灰度图像，再对其进行直方图均衡化处理以及双边滤波降噪处理。
S2中具体采用如下方法：
因为人脑的生理结构特性，小脑蚓部形状并不对称，呈现出近似于一侧有凹陷的圆形；因为拍摄超声图像的过程中，人脑以左侧或右侧方向面向超声仪器，这就造成小脑蚓部图像中凹陷方向的不确定性。需要通过先验知识得到小脑蚓图像的方向信息，并记为Loc(规定：若Loc＝0，则凹陷在右侧；若Loc＝1，则凹陷在左侧)。
S3中具体采用如下方法：
S31:通过小脑蚓部超声图像，获取图像中心点作为圆心，记为Center。
S32:通过S2得到的方向信息Loc以及小脑蚓部本身的形态学特征，对其进行外轮廓图形拟合，具体操作如下：根据小脑蚓部本身的形态学特征，可知小脑蚓部形状近似为圆，同时一侧在纵向1/2处延水平方向向内凹陷约1/3半径距离。所以，首先通过方向信息Loc判断小脑蚓部凹陷方向，再以小脑蚓部图像中心点为圆心Center,扇形区域拟合小脑蚓部：其中扇形1圆心坐标与Center坐标相同，半径为脑蚓部图像边长的1/2，记为1/2L，弧度为180°；其中扇形2圆心在Center上方1/8L处，半径为3/8L，弧度为120°；其中扇形3圆心在Center下方1/8L处，半径为3/8L，弧度为120°。
S33:若Loc＝0则说明小脑蚓部凹陷在右侧，则扇形1在小脑蚓部图像左侧，扇形2、3在小脑蚓部图像右侧；若Loc＝1则说明小脑蚓部凹陷在左侧，则扇形1在小脑蚓部图像右侧，扇形2、3在小脑蚓部图像左侧；最后将拟合图形三个扇形的弧线边链接作为小脑蚓部初始拟合轮廓，轮廓上的像素点即为小脑蚓部初始拟合轮廓点。
S4中具体采用如下方法：
S41:以图像中心点Center出发，穿过上面得到的轮廓点集中的每一个轮廓点做射线，知道小脑蚓部图像边缘。以每条射线为一个单位，利用插值法分别计算这些线段上的像素点坐标及像素值信息。以一条射线为例，将该射线所穿过的初始轮廓点作为起始点，在起始点前后(这里定义远离圆心方向为前方；靠近圆心方向为后方)15单位的像素点内进行搜索，即包括起始点在内的31个像素点，找到这些点中最有可能成为小脑蚓部轮廓点的像素点(判断标准为分别计算该像素点后10个点的像素值均值与前10个点的像素均值，并做差，差值越大，则被认为越有可能成为小脑蚓部轮廓点)。
S42:根据上面的判断依据，对初始得到的所有拟合轮廓点进行检测，判断每个初始拟合轮廓点对应射线上最有可能成为小脑蚓部轮廓的点；并加入到点集Pset1中，作为新的小脑蚓部轮廓点集合；再对Pset1中的点进行均值化处理，具体操作为，从点集(这里看作一个闭环)中随机挑去一个点作为起始点，并将前5个点与后5个点的横纵坐标均值与改点坐横纵坐标求和再取均值，得到新的点坐标；以此类推，直到原点击中所有点都循环操作一遍为止，得到新的均值化点集Pavgset1。
S43:循环S42中的步骤，使小脑蚓部轮廓点集不断循环迭代(Pset1→Pavgset1→Pset2→Pavgset2→Pset3→Pavgset3……)；这里设置迭代为10，经过迭代得到小脑蚓部精确轮廓。
由于采用了上述技术方案，本发明提供的一种超声图像中小脑蚓部分割方法，本方法只需要用户给出小脑蚓部超声图像，即可分割出小脑蚓部边缘轮廓，减少了日常生活中需要医生手工标记边缘轮廓的操作，从而减少一些由于人工失误导致的误差，使得准确性和效率提高，并且不需要有相应的医学技术就可以操作，并且占用内存较小，运行时间快。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法实现的流程图
图2为本发明中输入的小脑蚓部超声图像
图3为本发明中不同方向小脑蚓部超声图像对比图
图4为本发明中小脑蚓部形状拟合效果图
图5为本发明中小脑蚓部初始轮廓分割效果图
图6为本发明中小脑蚓部迭代过程中轮廓分割效果图
图7为本发明中小脑蚓部最终轮廓分割效果图
具体实施方式
为使本发明的技术方案和优点更加清楚，下面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的描述：
如图1和图2所示的一种小脑蚓部超声图像中小脑蚓部分割方法，在实施过程中判断小脑蚓部方向信息，并对小脑蚓部进行形状拟合处理，其效果如图4所示；根据小脑蚓部拟合结果，得到小脑蚓部初始轮廓，如图5所示；再通过迭代过程对小脑蚓部轮廓更加精确，最终实现小脑蚓部的精准定位及轮廓分割。本发明公开的方法具体步骤如下：
S1：输入小脑蚓部超声图像，并对图像进行预处理，具体采用如下方式：
S11.首先将小脑蚓部超声图像转化为灰度图像：遍历图像的每个像素点的像素值(rk,gk,bk)(k＝0...num，num为像素点的个数)，计算出的灰度值为：
grayk＝0.299*rk+0.587*gk+0.114*bk
rk＝grayk，gk＝grayk，bk＝grayk
通过对每个像素点进行处理，即可将图像转换为灰度图。
S12.对S11得到的灰度图像进行直方图均衡化处理以及双边滤波降噪处理，达到增强图像对比度，去除图像中噪声的目的。
S2：获取小脑蚓部方向信息，具体采用如下方式：
因为人脑的生理结构特性，小脑蚓部形状并不对称，呈现出近似于一侧有凹陷的圆形；因为拍摄超声图像的过程中，人脑以左侧或右侧方向面向超声仪器，这就造成小脑蚓部图像中凹陷方向的不确定性，如图3所示。需要通过先验知识得到小脑蚓图像的方向信息，并记为Loc(规定：若Loc＝0，则凹陷在右侧；若Loc＝1，则凹陷在左侧)。
S3：通过方向信息及医学先验知识对小脑蚓部进行形状拟合，获得初始轮廓，具体采用如下方式：
S31.通过小脑蚓部超声图像，获取图像中心点作为圆心，记为Center。
S32.通过S2得到的方向信息Loc以及小脑蚓部本身的形态学特征，对其进行外轮廓图形拟合，具体操作如下：根据小脑蚓部本身的形态学特征，可知小脑蚓部形状近似为圆，同时一侧在纵向1/2处延水平方向向内凹陷约1/3半径距离。
所以，首先通过方向信息Loc判断小脑蚓部凹陷方向，再以小脑蚓部图像中心点为圆心Center,扇形区域拟合小脑蚓部：其中扇形1圆心坐标与Center坐标相同，半径为脑蚓部图像边长的1/2，记为1/2L，弧度为180°；其中扇形2圆心在Center上方1/8L处，半径为3/8L，弧度为120°；其中扇形3圆心在Center下方1/8L处，半径为3/8L，弧度为120°。
S33.若Loc＝0则说明小脑蚓部凹陷在右侧，则扇形1在小脑蚓部图像左侧，扇形2、3在小脑蚓部图像右侧；若Loc＝1则说明小脑蚓部凹陷在左侧，则扇形1在小脑蚓部图像右侧，扇形2、3在小脑蚓部图像左侧.
最后将拟合图形三个扇形的弧线边链接作为小脑蚓部初始拟合轮廓，拟合图像如图4所示；轮廓上的像素点即为小脑蚓部初始拟合轮廓点，小脑蚓部初始轮廓结果如图5所示。
S4：通过迭代获得小脑蚓部最终轮廓，具体采用如下方式：
S41.以图像中心点Center出发，穿过上面得到的轮廓点集中的每一个轮廓点做射线，知道小脑蚓部图像边缘。以每条射线为一个单位，利用插值法分别计算这些线段上的像素点坐标及像素值信息。
以一条射线为例，将该射线所穿过的初始轮廓点作为起始点，在起始点前后(这里定义远离圆心方向为前方；靠近圆心方向为后方)15单位的像素点内进行搜索，即包括起始点在内的31个像素点，找到这些点中最有可能成为小脑蚓部轮廓点的像素点(判断标准为分别计算该像素点后10个点的像素值均值与前10个点的像素均值，并做差，差值越大，则被认为越有可能成为小脑蚓部轮廓点)。
S42.根据上面的判断依据，对初始得到的所有拟合轮廓点进行检测，判断每个初始拟合轮廓点对应射线上最有可能成为小脑蚓部轮廓的点；并加入到点集Pset1中，作为新的小脑蚓部轮廓点集合；再对Pset1中的点进行均值化处理，具体操作为，从点集(这里看作一个闭环)中随机挑去一个点作为起始点，并将前5个点与后5个点的横纵坐标均值与改点坐横纵坐标求和再取均值，得到新的点坐标；以此类推，直到原点击中所有点都循环操作一遍为止，得到新的均值化点集Pavgset1。
S43.循环S42中的步骤，使小脑蚓部轮廓点集不断循环迭代(Pset1→Pavgset1→Pset2→Pavgset2→Pset3→Pavgset3……)；这里设置迭代为10，迭代过程图像如图6所示，经过迭代得到小脑蚓部精确轮廓。
S5：具体采用如下方式：
将S43得到的小脑蚓部精确轮廓作为原始轮廓，带入到主动轮廓模型算法中进行迭代，达到平滑轮廓的目的；最终得到小脑蚓部轮廓信息，如图7所示。

Claims (4)

1.一种超声图像中小脑蚓部的分割方法，其特征在于包括以下步骤：
对小脑蚓部超声图像进行预处理；
观察预处理后的小脑蚓部超声图像并判断小脑蚓部方向信息；
获取小脑蚓部超声图像的中心点并作为圆心，基于小脑蚓部方向信息Loc和小脑蚓部本身的形态学特征对其进行外轮廓图形拟合从而得到小脑蚓部初始轮廓；
统计从所述圆心出发到小脑蚓部初始轮廓点的所有射线、记录射线上的所有像素点值和坐标信息，以每条射线为单位、寻找该条射线上最有可能是小脑蚓部轮廓点的坐标位置，并统计所有射线上的最大可能点形成点集，对点集进行平滑化处理形成小脑蚓部新轮廓；对新轮廓进行迭代得到小脑蚓部精确轮廓；
对精确轮廓进行平滑化处理最终得到小脑蚓部轮廓信息。
2.根据权利要求1所述的超声图像中小脑蚓部的分割方法，其特征还在于：所述小脑蚓部初始轮廓具体采用如下步骤：设方向信息为Loc、圆心为Center，
通过方向信息Loc判断小脑蚓部凹陷方向，再以小脑蚓部图像中心点为圆心Center、扇形区域拟合小脑蚓部：其中扇形一圆心坐标与Center坐标相同，半径为脑蚓部图像边长的1/2，记为1/2L，弧度为180°；其中扇形二圆心在Center上方1/8L处，半径为3/8L，弧度为120°；其中扇形三圆心在Center下方1/8L处，半径为3/8L，弧度为120°；
若Loc＝0则说明小脑蚓部凹陷在右侧，则扇形一在小脑蚓部图像左侧，扇形二、扇形三在小脑蚓部图像右侧；若Loc＝1则说明小脑蚓部凹陷在左侧，则扇形一在小脑蚓部图像右侧，扇形二、扇形三在小脑蚓部图像左侧；最后将拟合图形三个扇形的弧线边链接作为小脑蚓部初始拟合轮廓，轮廓上的像素点即为小脑蚓部初始拟合轮廓点。
3.根据权利要求2所述的超声图像中小脑蚓部的分割方法，其特征还在于：所述小脑蚓部精确轮廓采用如下方式获取：
以小脑蚓部图像中心点Center出发，穿过轮廓点集中的每一个轮廓点做射线，获取小脑蚓部图像边缘，以每条射线为一个单位、利用插值法分别计算线段上的像素点坐标和像素值信息，设远离圆心方向为前方、靠近圆心方向为后方，以一条射线为例，将该射线所穿过的初始轮廓点作为起始点，在起始点前后M个单位的像素点内进行搜索，即包括起始点在内的2M+1个像素点，查找这些点中最有可能成为小脑蚓部轮廓点的像素点；
对初始得到的所有拟合轮廓点进行检测，判断每个初始拟合轮廓点对应射线上最有可能成为小脑蚓部轮廓的点、并加入到点集Pset1中、作为新的小脑蚓部轮廓点集合，再对Pset1中的点进行均值化处理：从点集中随机选取一个点作为起始点，分别将前K个点和后K个点以及起始点的横纵坐标分别取均值得到新的点坐标，以此类推，直到Pset1中所有点都循环操作一遍为止得到新的均值化点集Pavgset1；
循环上述步骤、使小脑蚓部轮廓点集不断循环迭代，设置迭代次数为N，经过迭代得到小脑蚓部精确轮廓。
4.根据权利要求3所述的超声图像中小脑蚓部的分割方法，其特征还在于：查找小脑蚓部轮廓点的像素点时：
分别计算该像素点后N个点的像素值均值与前N个点的像素值均值、并做差，差值越大，则被认为越有可能成为小脑蚓部轮廓点。
CN202011156768.XA 2020-10-26 2020-10-26 一种超声图像中小脑蚓部的分割方法 Active CN112258533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011156768.XA CN112258533B (zh) 2020-10-26 2020-10-26 一种超声图像中小脑蚓部的分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011156768.XA CN112258533B (zh) 2020-10-26 2020-10-26 一种超声图像中小脑蚓部的分割方法

Publications (2)

Publication Number Publication Date
CN112258533A true CN112258533A (zh) 2021-01-22
CN112258533B CN112258533B (zh) 2024-02-02

Family

ID=74261238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011156768.XA Active CN112258533B (zh) 2020-10-26 2020-10-26 一种超声图像中小脑蚓部的分割方法

Country Status (1)

Country Link
CN (1) CN112258533B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693664A (zh) * 2022-04-13 2022-07-01 深圳北芯生命科技股份有限公司 血管超声图像的标注方法、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768413A (en) * 1995-10-04 1998-06-16 Arch Development Corp. Method and apparatus for segmenting images using stochastically deformable contours
US20060013482A1 (en) * 2004-06-23 2006-01-19 Vanderbilt University System and methods of organ segmentation and applications of same
CN102163326A (zh) * 2010-12-22 2011-08-24 武汉沃生科学技术研究中心有限公司 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法
CN103886599A (zh) * 2014-03-26 2014-06-25 北京工业大学 一种基于血管内超声图像的血管roi分割方法
CN105279759A (zh) * 2015-10-23 2016-01-27 浙江工业大学 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法
US20180185003A1 (en) * 2015-05-07 2018-07-05 Shenzhen Mindray Bio-Medical Electronics Co.,Ltd. Three-dimensional ultrasound imaging method and device
CN109785293A (zh) * 2018-12-22 2019-05-21 昆明理工大学 一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法
CN110742654A (zh) * 2019-11-05 2020-02-04 深圳度影医疗科技有限公司 一种基于三维超声图像的标准切面的定位和测量方法
CN111275728A (zh) * 2020-04-10 2020-06-12 常州市第二人民医院 一种基于主动形状模型的前列腺轮廓提取方法
CN111368586A (zh) * 2018-12-25 2020-07-03 深圳迈瑞生物医疗电子股份有限公司 超声成像方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768413A (en) * 1995-10-04 1998-06-16 Arch Development Corp. Method and apparatus for segmenting images using stochastically deformable contours
US20060013482A1 (en) * 2004-06-23 2006-01-19 Vanderbilt University System and methods of organ segmentation and applications of same
CN102163326A (zh) * 2010-12-22 2011-08-24 武汉沃生科学技术研究中心有限公司 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法
CN103886599A (zh) * 2014-03-26 2014-06-25 北京工业大学 一种基于血管内超声图像的血管roi分割方法
US20180185003A1 (en) * 2015-05-07 2018-07-05 Shenzhen Mindray Bio-Medical Electronics Co.,Ltd. Three-dimensional ultrasound imaging method and device
CN105279759A (zh) * 2015-10-23 2016-01-27 浙江工业大学 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法
CN109785293A (zh) * 2018-12-22 2019-05-21 昆明理工大学 一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法
CN111368586A (zh) * 2018-12-25 2020-07-03 深圳迈瑞生物医疗电子股份有限公司 超声成像方法及系统
CN110742654A (zh) * 2019-11-05 2020-02-04 深圳度影医疗科技有限公司 一种基于三维超声图像的标准切面的定位和测量方法
CN111275728A (zh) * 2020-04-10 2020-06-12 常州市第二人民医院 一种基于主动形状模型的前列腺轮廓提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JING-WEN BAI 等: ""Automatic whole heart segmentation based on watershed and active contour model in CT images"", 2016 5TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND NETWORK TECHNOLOGY (ICCSNT) *
MAHMOUD SALEH JAWARNEH 等: ""Automatic Initialization of Contour for Level Set Algorithms Guided by Integration of Multiple Views to Segment Abdominal CT Scans"", 2010 SECOND INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE, MODELLING AND SIMULATION *
刘磊: ""乳腺肿瘤超声图像特征提取技术的研究"", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693664A (zh) * 2022-04-13 2022-07-01 深圳北芯生命科技股份有限公司 血管超声图像的标注方法、设备及介质

Also Published As

Publication number Publication date
CN112258533B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
EP1690230B1 (en) Automatic multi-dimensional intravascular ultrasound image segmentation method
US9119559B2 (en) Method and system of generating a 3D visualization from 2D images
CN108846838B (zh) 一种三维mri半自动病灶图像分割方法及系统
CN113643353B (zh) 眼底图像的血管管径的增强分辨率的测量方法
CN111145185B (zh) 一种基于聚类关键帧提取ct图像的肺实质分割方法
Wu et al. Coarse-to-fine lung nodule segmentation in CT images with image enhancement and dual-branch network
CN116580068B (zh) 一种基于点云配准的多模态医学配准方法
CN117422628B (zh) 一种心脏血管超声检查数据优化增强方法
Arakeri et al. An effective and efficient approach to 3D reconstruction and quantification of brain tumor on magnetic resonance images
Soltaninejad et al. Robust lung segmentation combining adaptive concave hulls with active contours
CN112258533A (zh) 一种超声图像中小脑蚓部的分割方法
CN112116623B (zh) 图像分割方法及装置
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN114757953B (zh) 医学超声图像识别方法、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
Samet et al. A new methodology for blood vessel segmentation on lung CT images
CN112634280B (zh) 基于能量泛函的mri图像脑肿瘤分割方法
US11810303B2 (en) System architecture and method of processing images
CN108921860B (zh) 一种前列腺磁共振图像全自动分割方法
JP2020080913A (ja) 非造影ｃｔ画像からの３次元メディアルアクシスモデルに基づく関心臓器画像自動セグメンテーション装置、及び自動セグメンテーション方法
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
Navarro et al. Filtering and interpolation of inaccurate and incomplete depth maps
Wen et al. A superpixel based post-processing approach for segmenting dermoscopy images
CN116030041B (zh) 一种颈总动脉超声波横切图像血管壁分割方法
CN111489312B (zh) 基于计算机图形图像的牙体修复制品表面特征提取方法

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