CN112465779B - 腹部ct中胆总管囊肿病灶全自动检测分割方法及系统 - Google Patents
腹部ct中胆总管囊肿病灶全自动检测分割方法及系统 Download PDFInfo
- Publication number
- CN112465779B CN112465779B CN202011349356.8A CN202011349356A CN112465779B CN 112465779 B CN112465779 B CN 112465779B CN 202011349356 A CN202011349356 A CN 202011349356A CN 112465779 B CN112465779 B CN 112465779B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- focus
- full
- choledocholithiasis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000011218 segmentation Effects 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 206010004637 Bile duct stone Diseases 0.000 title claims abstract description 21
- 201000009331 Choledocholithiasis Diseases 0.000 title claims abstract description 21
- 210000001015 abdomen Anatomy 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000002372 labelling Methods 0.000 claims description 20
- 201000001173 choledochal cyst Diseases 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000003187 abdominal effect Effects 0.000 claims description 5
- 230000003902 lesion Effects 0.000 claims description 5
- 206010061218 Inflammation Diseases 0.000 claims description 4
- 230000004054 inflammatory process Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011269 treatment regimen Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 208000031513 cyst Diseases 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 210000000013 bile duct Anatomy 0.000 description 3
- 210000001953 common bile duct Anatomy 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 206010011732 Cyst Diseases 0.000 description 2
- 210000000496 pancreas Anatomy 0.000 description 2
- 238000010992 reflux Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 108010019160 Pancreatin Proteins 0.000 description 1
- 206010033645 Pancreatitis Diseases 0.000 description 1
- 208000035977 Rare disease Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000001994 activation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 239000003708 ampul Substances 0.000 description 1
- 210000003445 biliary tract Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 208000003167 cholangitis Diseases 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000000277 pancreatic duct Anatomy 0.000 description 1
- 210000001819 pancreatic juice Anatomy 0.000 description 1
- 229940055695 pancreatin Drugs 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种腹部CT中胆总管囊肿病灶全自动检测分割方法及系统，该方法包括以下步骤：步骤1，CT图像预处理；步骤2，感兴趣区域提取；步骤3，网络模型训练；步骤4，对待分割CT源图像进行测试分割；步骤5，结果后处；步骤6，病灶边缘分割。本发明可实现胆总管囊肿病灶的全自动分割，有助于辅助临床医生观察胆总管囊肿病灶，辅助医生制定治疗策略，大大减少医生的工作量和操作时间，并为后续的工作提供帮助。
Description
技术领域
本发明涉及医学图像处理技术领域，特别涉及一种腹部CT中胆总管囊肿病灶全自动检测分割方法及系统。
背景技术
胆总管囊肿是一种罕见的胆道异常疾病，其病因尚不清楚，但是因为该病常发生在新生儿和儿童身上，所以常被认为是先天性的，最常被接受的理论是与胰胆管合流异常相关，因为它经常被观察到与胰胆总管连接处异常同时发生。胰管与胆总管在肝胰管壶腹外交汇，形成一条较长的共同通道，长共同通道理论(The long common channel theory)中解释，胰胆总管连接处异常允许胰酶反流进入胆总管，胰液回流导致胆管壁溶解和囊肿远端水肿纤维化，引起梗阻。胆总管囊肿极有可能发展为严重的肝胆并发症，如胆管炎、胰腺炎、此外患者发生恶化转化的风险也会增加，癌症的发生率会大大提高。研究表明，未经治疗的患者癌变的风险高达30％，但是这种风险在切除囊肿后显著降低。胆总管囊肿的主要治疗方法是采用Roux-en-Y肝管空肠吻合术完全切除囊肿。CT成像方法有助于术前识别和表征囊肿，从而制定适当的治疗策略。
深度学习作为一个重要工具，在医学影像处理领域发展迅速，在儿童腹部CT影像的病灶诊断、检测等领域有诸多应用，在肝脏、胰腺、肾脏等器官及其相关病灶的分割、检测等研究都逐渐趋于成熟，而胆总管囊肿作为一种较为罕见的疾病，对腹部CT中胆总管囊肿病灶的检测分割还未有相关的研究。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种腹部CT中胆总管囊肿病灶全自动检测分割方法及系统。
本发明采用的技术方案是：提供一种腹部CT中胆总管囊肿病灶全自动检测分割方法，包括以下步骤：
1)对训练集CT源图像标注胆总管囊肿病灶边缘，形成闭合曲线；
2)对由步骤1)得到的图像中的标注区域处理形成两个标注图像：
2-1)对步骤1)得到的图像中的标注区域采用球型算子进行膨胀，膨胀部分统一赋值A1，并对未标注部分统一赋值A2，建立标注图谱，形成标注图像P1；
2-2)对步骤1)得到的图像中的标注区域采用球型算子进行膨胀，对膨胀区域中原标注及闭合曲线内的部分，统一赋值B1，对闭合曲线外的部分，统一赋值B2，建立标注图谱，形成标注图像P2；
3)输入训练集CT源图像与标注图像P1，对训练集CT源图像进行灰度映射，实现灰度归一化；
4)对训练集CT源图像采用基于图像纹理特征与轮廓特征的方法自动提取感兴趣区域R1，并对感兴趣区域R1进行尺寸的归一化，采用相同方法提取标注图像P1中与R1相同部位的区域R1'，与R1组成训练集X1；
5)对训练集CT源图像提取其与标注图像P2中的标注区域相同的部分，与标注图像P2组成训练集X2；
6)将训练集X1、X2分别输入初始网络进行训练并得到对应的网络模型M1、M2；
7)对待分割CT源图像进行灰度映射与感兴趣区域提取，并记录感兴趣区域相对于待分割CT源图像的位置；
8)使用网络模型M1对待分割CT源图像的感兴趣区域进行测试，得到逐像素的分类结果，使用连通域标记方法将分类结果中的连通域进行标记，以区域面积最大的连通域作为最终分割结果，即胆总管囊肿炎症的区域；
9)对步骤8)得到的胆总管囊肿炎症的区域，使用网络模型M2进行测试，得到胆总管囊肿边界内外部分的分割结果，从而得到胆总管囊肿边界。
优选的是，还包括步骤10)：使用感兴趣区域相对于源数据的位置，将步骤8)和9)得到的结果映射至待分割CT源图像。
优选的是，所述步骤1)中对训练集CT源图像以1像素的笔迹标注胆总管囊肿病灶边缘，形成闭合曲线。
优选的是，所述步骤4)和步骤7)中提取感兴趣区域的方法具体为：采用从图像边缘向内的包围盒得到初步的感兴趣区域尺寸，然后以图像中高值区域自动面积测量的结果进行图像裁剪，得到最终的感兴趣区域。
优选的是，所述步骤6)中采用二维全卷积网络作为初始化网络。
本发明还提供一种腹部CT中胆总管囊肿病灶全自动检测分割系统，其采用如上所述的方法进行腹部CT图像中胆总管囊肿病灶的检测分割。
本发明还提供一种存储介质，其上存储有计算机程序，该程序被执行时用于实现如上所述的方法。
本发明还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
本发明的有益效果是：本发明提供的腹部CT中胆总管囊肿病灶全自动检测分割方法及系统，可实现胆总管囊肿病灶的全自动分割，有助于辅助临床医生观察胆总管囊肿病灶，辅助医生制定治疗策略，大大减少医生的工作量和操作时间，并为后续的工作提供帮助。
附图说明
图1为本发明实施例1中的腹部CT中胆总管囊肿病灶全自动检测分割方法的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
一种腹部CT中胆总管囊肿病灶全自动检测分割方法，参照图1，该方法包括以下步骤：
步骤1，CT图像预处理
1-1、医生对训练集CT源图像标注胆总管囊肿病灶边缘，形成闭合曲线
1-2、对训练集CT源图像、医生标注的标签进行初步的处理：
灰度映射：以采样的窗宽窗位作为标准(窗位：40，窗宽：250)将数据灰度值映射到0-255之间。
步骤2，感兴趣区域提取
由于胆总管囊肿病灶位置较为固定，一般位于肝脏下方附近位置，但是不同病人病灶尺寸差异较大，所以我们提取了包含病灶的较大的感兴趣区域。具体步骤如下：
2-1、胸腔边界检测：检测灰度映射后CT影像数据中非零像素点的位置得到病人胸腔两侧与上方的边界位置(病人呈仰卧位拍摄CT影像)。
2-2、填充与膨胀：对于医生标注标签(即病灶边界)，使用膨胀函数，以2×2的全一矩阵，对原始标签进行膨胀，膨胀区域设置值为1，其余部分为0，得到标注图谱P1，取源图像中与P1为1部分相同的区域，与P1组成训练集X1；对P1的膨胀区域中，标注线及内侧部分设置为2，外侧部分设置为3，其余部分为0，得到标注图谱P2，取源图像中与P2为2、3的部分相同的区域，与P2组成训练集X2。对X1、X2采用旋转、直方图均衡化、离散高斯噪声的形式进行数据扩增，得到训练集X1`、X2`；
2-3、感兴趣区域提取：对于图像中检测到高值区域面积大于30像素的切片以两侧边界间距的3/4作为边长，否则，以1/2作为边长，左侧与上侧边界为边，裁剪正方形区域作为感兴趣区域，最后将图像分辨率重采样到256×256尺寸。
步骤3，网络模型训练
3-1、网络模型搭建：使用全卷积网络模型UNet网络或UNet++网络。
3-2、网络参数设置：每次迭代将训练数据随机打乱，数据批处理尺寸为4，网络参数初始化方式为Xavier初始化，采用动态学习率，初始学习率为1e-5，网络性能未提升超过30次迭代时，学习率降低为原来的1/10；采用Adam优化器与Dice损失函数对网络参数进行优化，为保证训练达到收敛，将迭代次数设定为150次，使用训练集X1`、X2`进行训练，得到模型M1、M2。
步骤4，对待分割CT源图像，采用与步骤2-3相同方法提取感兴趣区域，记录其相对于源数据的左上角的位置lx，ly，使用模型M1测试，得到感兴趣区域内的分类结果，部分区域被分类为1，其余为0，以源图像尺寸建立背景为0的图像，在lx、ly位置叠加分类结果图像，以叠加结果作为病灶区域分类初步结果R1`；
步骤5，结果后处理。
对R1`，使用连通域标记函数，得到多个连通域，并选择其中面积最大的一个连通域，将连通域内值置为1，其他全部为0，得到病灶区域分类结果R1。
步骤6，病灶边缘分割
对R1，取源图像中被分类值为1的部分，使用M2进行测试，得到标签图像，像素有2、3两种值，使用闭处理去除杂散标注点，得到外侧为3，内侧为2，背景为0的分类结果图谱，将该图谱对应于源图像，数值2、3像素的交界处即为病灶边界。
本实施例中的腹部CT中胆总管囊肿病灶全自动检测分割方法，适用于二维CT影像数据，针对儿童腹部CT影像数据包含病灶数据的2D切片。本实施例中使用PyTorch框架，搭建UNet++网络，在网络降采样部分，在每个降采样层内部进行了两次卷积与两次激活，卷积核尺寸为3*3。
其中，通过UNet++网络中的softmax层对CT切片图像进行逐像素二分类，预测像素属于病灶区域与不属于病灶区域的概率；softmax计算概率的公式为：
其中，使用SoftDiceLoss损失函数计算网络损失，对模型参数进行调整；SoftDiceLoss损失函数计算损失的公式为：
其中，在得到初步网络分割结果后，针对分割结果中一些误分割、过分割的问题，我们对结果标签中的区域进行分别标记(不包含背景)，选取标记区域中面积最大的区域作为最终的分割结果。
本实施例所用计算机的软硬条件是：英特尔Core i9-9900k，显卡为NVIDIAGeForce RTX 2080Ti(11GB),内存为32.0GB，操作系统为Windows 10专业版，软件编程语言使用Python。
本实施例中，胆总管囊肿病灶的分割结果对病灶的覆盖率，即Dice系数，能达到0.883±0.150。本实施例提供了一种基于UNet++网络的胆总管囊肿CT图像全自动病灶分割方法，可实现胆总管囊肿病灶的全自动分割，有助于辅助临床医生观察胆总管囊肿病灶，辅助医生制定治疗策略，大大减少医生的工作量和操作时间，并为后续的工作提供帮助。
实施例2
本实施例还提供一种腹部CT中胆总管囊肿病灶全自动检测分割系统，其其采用如实施例1所述的方法进行腹部CT图像中胆总管囊肿病灶的检测分割。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被执行时用于实现如实施例1所述的方法。
本实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如实施例1所述的方法。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。
Claims (8)
1.一种腹部CT中胆总管囊肿病灶全自动检测分割方法，其特征在于，包括以下步骤：
1)对训练集CT源图像标注胆总管囊肿病灶边缘，形成闭合曲线；
2)对由步骤1)得到的图像中的标注区域处理形成两个标注图像：
2-1)对步骤1)得到的图像中的标注区域采用球型算子进行膨胀，膨胀部分统一赋值A1，并对未标注部分统一赋值A2，建立标注图谱，形成标注图像P1；
2-2)对步骤1)得到的图像中的标注区域采用球型算子进行膨胀，对膨胀区域中原标注及闭合曲线内的部分，统一赋值B1，对闭合曲线外的部分，统一赋值B2，建立标注图谱，形成标注图像P2；
3)输入训练集CT源图像与标注图像P1，对训练集CT源图像进行灰度映射，实现灰度归一化；
4)对训练集CT源图像采用基于图像纹理特征与轮廓特征的方法自动提取感兴趣区域R1，并对感兴趣区域R1进行尺寸的归一化，采用相同方法提取标注图像P1中与R1相同部位的区域R1'，与R1组成训练集X1；
5)对训练集CT源图像提取其与标注图像P2中的标注区域相同的部分，与标注图像P2组成训练集X2；
6)将训练集X1、X2分别输入初始网络进行训练并得到对应的网络模型M1、M2；
7)对待分割CT源图像进行灰度映射与感兴趣区域提取，并记录感兴趣区域相对于待分割CT源图像的位置；
8)使用网络模型M1对待分割CT源图像的感兴趣区域进行测试，得到逐像素的分类结果，使用连通域标记方法将分类结果中的连通域进行标记，以区域面积最大的连通域作为最终分割结果，即胆总管囊肿炎症的区域；
9)对步骤8)得到的胆总管囊肿炎症的区域，使用网络模型M2进行测试，得到胆总管囊肿边界内外部分的分割结果，从而得到胆总管囊肿边界。
2.根据权利要求1所述的腹部CT中胆总管囊肿病灶全自动检测分割方法，其特征在于，还包括步骤10)：使用感兴趣区域相对于源数据的位置，将步骤8)和9)得到的结果映射至待分割CT源图像。
3.根据权利要求1所述的腹部CT中胆总管囊肿病灶全自动检测分割方法，其特征在于，所述步骤1)中对训练集CT源图像以1像素的笔迹标注胆总管囊肿病灶边缘，形成闭合曲线。
4.根据权利要求1所述的腹部CT中胆总管囊肿病灶全自动检测分割方法，其特征在于，所述步骤4)和步骤7)中提取感兴趣区域的方法具体为：采用从图像边缘向内的包围盒得到初步的感兴趣区域尺寸，然后以图像中高值区域自动面积测量的结果进行图像裁剪，得到最终的感兴趣区域。
5.根据权利要求1所述的腹部CT中胆总管囊肿病灶全自动检测分割方法，其特征在于，所述步骤6)中采用二维全卷积网络作为初始化网络。
6.一种腹部CT中胆总管囊肿病灶全自动检测分割系统，其特征在于，其采用如权利要求1-5中任意一项所述的方法进行腹部CT图像中胆总管囊肿病灶的检测分割。
7.一种存储介质，其上存储有计算机程序，其特征在于，该程序被执行时用于实现如权利要求1-5中任意一项所述的方法。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011349356.8A CN112465779B (zh) | 2020-11-26 | 2020-11-26 | 腹部ct中胆总管囊肿病灶全自动检测分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011349356.8A CN112465779B (zh) | 2020-11-26 | 2020-11-26 | 腹部ct中胆总管囊肿病灶全自动检测分割方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112465779A CN112465779A (zh) | 2021-03-09 |
| CN112465779B true CN112465779B (zh) | 2024-02-27 |
Family
ID=74808848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011349356.8A Active CN112465779B (zh) | 2020-11-26 | 2020-11-26 | 腹部ct中胆总管囊肿病灶全自动检测分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465779B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112467B (zh) * | 2021-04-06 | 2023-04-07 | 上海深至信息科技有限公司 | 一种平面图标注系统 |
| CN113362345B (zh) * | 2021-06-30 | 2023-05-30 | 武汉中科医疗科技工业技术研究院有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
| CN114422028B (zh) * | 2021-12-29 | 2024-06-28 | 中国电信股份有限公司 | 一种信号解调方法、装置、电子设备和可读存储介质 |
| CN116523840B (zh) * | 2023-03-30 | 2024-01-16 | 苏州大学 | 一种基于深度学习的肺部ct图像检测系统以及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358267A (zh) * | 2017-07-20 | 2017-11-17 | 东北大学 | 一种基于互相关特征的乳腺超声图像多元分类系统及方法 |
| CN109685809A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于神经网络的肝包虫病灶分割方法及系统 |
| CN110047082A (zh) * | 2019-03-27 | 2019-07-23 | 深圳大学 | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统 |
| EP3611699A1 (en) * | 2018-08-14 | 2020-02-19 | Siemens Healthcare GmbH | Image segmentation using deep learning techniques |
| CN111028206A (zh) * | 2019-11-21 | 2020-04-17 | 万达信息股份有限公司 | 一种基于深度学习前列腺癌自动检测和分类系统 |
| CN111311592A (zh) * | 2020-03-13 | 2020-06-19 | 中南大学 | 一种基于深度学习的三维医学图像自动分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10420523B2 (en) * | 2016-03-21 | 2019-09-24 | The Board Of Trustees Of The Leland Stanford Junior University | Adaptive local window-based methods for characterizing features of interest in digital images and systems for practicing same |
-
2020
- 2020-11-26 CN CN202011349356.8A patent/CN112465779B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358267A (zh) * | 2017-07-20 | 2017-11-17 | 东北大学 | 一种基于互相关特征的乳腺超声图像多元分类系统及方法 |
| EP3611699A1 (en) * | 2018-08-14 | 2020-02-19 | Siemens Healthcare GmbH | Image segmentation using deep learning techniques |
| CN109685809A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于神经网络的肝包虫病灶分割方法及系统 |
| CN110047082A (zh) * | 2019-03-27 | 2019-07-23 | 深圳大学 | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统 |
| CN111028206A (zh) * | 2019-11-21 | 2020-04-17 | 万达信息股份有限公司 | 一种基于深度学习前列腺癌自动检测和分类系统 |
| CN111311592A (zh) * | 2020-03-13 | 2020-06-19 | 中南大学 | 一种基于深度学习的三维医学图像自动分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的医学图像分割研究进展;宫进昌;赵尚义;王远军;;中国医学物理学杂志(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112465779A (zh) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112465779B (zh) | 腹部ct中胆总管囊肿病灶全自动检测分割方法及系统 | |
| Lynch et al. | Automatic segmentation of the left ventricle cavity and myocardium in MRI data | |
| Mustra et al. | Robust automatic breast and pectoral muscle segmentation from scanned mammograms | |
| Ruskó et al. | Automatic segmentation of the liver from multi-and single-phase contrast-enhanced CT images | |
| TW201019905A (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
| US20120099771A1 (en) | Computer aided detection of architectural distortion in mammography | |
| JP2010207572A (ja) | 障害のコンピュータ支援検出 | |
| CN109003280B (zh) | 一种双通道血管内超声影像的血管中内膜分割方法 | |
| Mahmood et al. | Ultrasound liver image enhancement using watershed segmentation method | |
| Liu et al. | Original intensity preserved inhomogeneity correction and segmentation for liver magnetic resonance imaging | |
| US9672600B2 (en) | Clavicle suppression in radiographic images | |
| Chen et al. | Liver segmentation from CT images based on region growing method | |
| Singh et al. | Feature enhancement in medical ultrasound videos using multifractal and contrast adaptive histogram equalization techniques | |
| CN112686897A (zh) | 一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法 | |
| Naseri et al. | Semi-automatic methods for airway and adjacent vessel measurement in bronchiectasis patterns in lung HRCT images of cystic fibrosis patients | |
| PK et al. | Automatically gradient threshold estimation of anisotropic diffusion for meyer's watershed algorithm based optimal segmentation | |
| Jayadevappa et al. | A New Deformable Model Based on Level Sets for Medical Image Segmentation. | |
| Huang et al. | Research on Tumors Segmentation based on Image Enhancement Method | |
| JP2011224275A (ja) | 画像処理装置、方法およびプログラム | |
| Kumar et al. | Semiautomatic method for segmenting pedicles in vertebral radiographs | |
| Avila-Montes et al. | Aorta segmentation in non-contrast cardiac CT images using an entropy-based cost function | |
| Chen et al. | Automated segmentation for patella from lateral knee X-ray images | |
| Essaf et al. | An improved lung parenchyma segmentation using the maximum inter-class variance method (OTSU) | |
| Yahaya | Edge finding in magnetic resonance imaging applications: the calculation of the first order derivative of two dimensional images | |
| Jendoubi et al. | Top-down approach to segmentation of prostate boundaries in ultrasound images |
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 |