CN112651969A - 结合多信息融合网络和区域增长的气管树分级提取方法 - Google Patents

结合多信息融合网络和区域增长的气管树分级提取方法 Download PDF

Info

Publication number
CN112651969A
CN112651969A CN202110169782.1A CN202110169782A CN112651969A CN 112651969 A CN112651969 A CN 112651969A CN 202110169782 A CN202110169782 A CN 202110169782A CN 112651969 A CN112651969 A CN 112651969A
Authority
CN
China
Prior art keywords
trachea
tree
training
information fusion
lung
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
CN202110169782.1A
Other languages
English (en)
Other versions
CN112651969B (zh
Inventor
潘林
傅荣达
何炳蔚
郑绍华
黄立勤
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202110169782.1A priority Critical patent/CN112651969B/zh
Publication of CN112651969A publication Critical patent/CN112651969A/zh
Application granted granted Critical
Publication of CN112651969B publication Critical patent/CN112651969B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种结合多信息融合网络和区域增长的气管树分级提取方法，其包括以下步骤：步骤S1：获取肺部的CT图像，并预处理；步骤S2:将预处理后的肺部的CT图像集进行分级，划分整体气管树和细小气管分支两个训练集；步骤S3:分别对整体气管树训练集和细小气管分支训练集进行采样，得到整体气管树训练子集和细小气管训练子集；步骤S4:构建多信息融合分割模型，并根据整体气管树训练子集训练；步骤S5:构建体素分类网络模型，并根据细小气管训练子集训练；步骤S6:将待分割图像数据依次输入训练后的多信息融合分割模型和训练后的体素分类网络模型，得到初步气管树；步骤S7:基于中心线的几何重建方法进处理初步气管树，得到最终的气管树。本发明有效提高分类的准确性。

Description

结合多信息融合网络和区域增长的气管树分级提取方法
技术领域
本发明属于医学图像处理领域，具体涉及一种结合多信息融合网络和区域增长的气管树分级提取方法。
背景技术
由于肺气管的特殊解剖结构和生理功能，肺部疾病与其病理密切相关。 因此，从CT数据中分割出完整精确的气管在肺部疾病的术前诊断、术中导航和术后评估都起着极其重要的作用。人工阅片的分割方式，受切片数量和气管本身复杂的树状结构影响，不仅给医学工作者带来巨大工作负荷，也容易导致错误的分割。传统的分割方法中手工提取特征依赖于专业学者的知识引导，而且需要通过大量调整参数才能避免出现泄漏情况。
近年来，深度学习方法不仅在自然图像处理中发挥出极大的作用，也被广泛应用在医学图像处理中。由于其具有较高的敏感性和较低的假阳率，可以用于提取更为精准的气管树。但是目前，在细小气管方面，深度学习方法仍然不能得到令人满意的结果。
发明内容
有鉴于此，本发明的目的在于提供一种结合多信息融合网络（multi-informationfusion convolution neural network，Mif-CNN）和区域增长（Region Growth）的气管树分级提取方法，有效提高分类的准确性。
为实现上述目的，本发明采用如下技术方案：
一种结合多信息融合网络和区域增长的气管树分级提取方法，其包括以下步骤：
步骤S1：获取肺部的CT图像，并预处理；
步骤S2:将预处理后的肺部的CT图像集进行分级，划分整体气管树和细小气管分支两个训练集；
步骤S3:分别对整体气管树训练集和细小气管分支训练集进行采样，得到整体气管树训练子集和细小气管训练子集；
步骤S4:构建多信息融合分割模型，并根据整体气管树训练子集训练；
步骤S5:构建体素分类网络（voxel classification network，VCN）模型，并根据细小气管训练子集训练；
步骤S6:将待分割图像数据依次输入训练后的多信息融合分割模型和训练后的体素分类网络模型，得到初步气管树；
步骤S7:基于中心线的几何重建方法进处理初步气管树，去除其中的小泄漏，补全断续部位，得到最终的气管树。
进一步的，所述预处理具体为：
步骤S11:使用高斯滤波平滑肺部的CT图像；
步骤S12:利用Frangi滤波增强气管；
步骤S13:进行归一化处理，并提取肺的轮廓和肺部感兴趣区域，并训练气管标签数据。
进一步的，所述步骤S2具体为：基于自动分级标注算法，对预处理后的肺部的CT图像集进行分级，得到气管、主支气管、肺叶支气管和肺段支气管的标注信息，并划分整体气管子集和细小气管子集两个气管分支子集。
进一步的，所述根据骨架细化方法具体为：提取气管标签的拓扑信息，将每一个分支作为一个独立的节点，构建目标树。再结合分支直径、走向、父分支和子分支信息，从目标树根部搜索，为每一个分支进行标注。
进一步的，所述步骤S3具体为：
在包含整体气管子集的肺部感兴趣区域按照步长为32 × 32 × 32，提取大小为64 × 64 × 64的有重叠部分的三维切块；
在包含细小气管子集的肺部感兴趣区域进行采样；其中气管体素为正样本，非气管体素为负样本，以体素为中心，提取大小为32 × 32 × 32的正负样本。
进一步的，所述训练后的多信息融合分割模型对待分割图像数据处理具体如下：提取肺部感兴趣区域，将感兴趣区域等步长滑窗取块得到的所有64 × 64 × 64的切块都输入到网络预测；最后将所有预测得到的切块进行还原叠加得到初步的气管分割结果。
进一步的，所述训练后的体素分类网络模型数据处理，具体如下：对多信息融合分割模型输出的气管提取骨架点；通过骨架搜索得到气管树的末端点作为区域增长法的初始种子点并将其放入堆栈；训练得到的体素分类网络作为区域增长法的判别器，得到种子点26邻域上的体素点所属类别的概率，将属于气管概率>0.8的体素作为新的种子点并放入堆栈；循环进行区域生长法的迭代过程，直到堆栈中的种子点数目为空时停止。
进一步的，所述步骤S7具体为：根据步骤S6得到气管树，提取得到气管的中心线，获得拓扑信息；基于中心线进行几何重建工作，然后利用重建的结果去细化分割结果，去除小泄露和分割不完整的部位。
本发明与现有技术相比具有以下有益效果：
本发明分别针对不同级别的气管分支提出多信息融合网络（Mif-CNN）和结合体素分类网络（VCN）的区域增长法（Region Growth），能够得到更为完整、准确的气管树。多信息融合网络中，信息的融合有利于提高网络的精度和鲁棒性；而在结合体素分类网络的区域增长法中，3D 分类网络能够更充分的捕捉每个体素的空间信息，有利于提高分类的准确性。
附图说明
图1是本发明方法流程示意图；
图2是本发明一实施例中自动分级标注算法的流程示意图
图3是本发明一实施例中多信息融合网络的结构示意图；
图4是本发明一实施例中体素分类网络的结构示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种结合多信息融合网络和区域增长的气管树分级提取方法，其包括以下步骤：
步骤S1：获取肺部的CT图像，先使用高斯滤波平滑CT图像，然后利用Frangi滤波增强气管。最后再将图像归一化处理，并提取肺的轮廓和肺部感兴趣区域ROI(Region ofinterest)；
步骤S2:基于自动分级标注算法，对训练的气管标签数据进行分级，得到气管、主支气管、肺叶支气管和肺段支气管的标注信息，并划分整体气管子集和细小气管子集两个气管分支子集用以分别训练两个网络；
步骤S3:在包含整体气管子集的肺部感兴趣区域按照步长为32 × 32 × 32，提取大小为64 × 64 × 64的有重叠部分的三维切块(Patch)；
在包含细小气管子集的肺部感兴趣区域进行采样。其中气管体素为正样本，非气管体素为负样本，以体素为中心，提取大小为32 × 32 × 32的三维切块(Patch)作为正负样本；
步骤S4:构建多信息融合分割模型，将步骤3中得到的64 × 64 × 64的三维切块(Patch)输入到多信息融合分割网络中进行训练。预测时，该步骤可以得到一个初步的整体气管分割结果；
步骤S5:构建体素分类网络模型，将步骤3中得到的正负样本输入到体素分类网络中进行训练。预测时，基于体素分类网络的区域生长法（Region growth）可以在步骤4的基础上提取更多的小气管分支；
步骤S6:将待分割图像数据依次输入训练后的多信息融合分割模型和训练后的体素分类网络模型，得到初步气管树；
步骤S7:基于中心线的几何重建方法进处理初步气管树，去除其中的小泄漏，补全断续部位，得到最终的气管树。
参考图2，是本实施采用的气管自动分级标注算法，具体如下：
骨架点提取：基于距离变换的拓扑细化方法，通过多模板快速步进法能够跟踪每个中心线骨架点，并得到骨架点的位置、尺度、是否为端点或起点以及所属分支信息；
骨架点优化：对每个分支的位置、尺度、长度和走向等信息的判断，去除错误的分支和端点，对所有的中心线骨架点进行优化，将其重新分类并提取每个分支的起点、端点、父分支、子分支、走向、长度、平均直径等特征信息；
骨架点分级：利用分支特征以及父分支和子分支的关系，从气管树的根开始向下搜索，逐一确定气管、左右支气管和肺叶支气管，并根据位置信息，区分肺叶支气管的归属，从而标记气管树的一级分支和二级分支；逐个肺叶区域的进行肺段支气管的判断，最终利用解剖学特征信息对异常分支信息进行修正和标记。
气管标注：基于最近邻法，将真实气管上的体素标记为与最近邻骨架点相同的类别。
参考图3所示，优选的，本实施例中多信息融合网络模型包括：
一个包含收缩路径和拓展路径的U形网络结构：收缩路径(contracting path)通过连续的卷积核下采样来增大感受野，提取高层语义特征，拓展路径(expanding path)通过卷积核上采样还原图像，增强位置信息。
下采样模块（Down-sampling Block）：该模块包含两层连续的卷积层和一个池化层，每一个卷积层后都连接批规范化（Batch Normalization，BN）和修正线性单元（Rectified linear unit，ReLU）。该网络通过下采样模块提取高层语义特征。
上采样模块（Up-sampling Block）：该模块包含两层连续的卷积层和一个上采样层，该模块中每一个卷积层后也连接着BN层和ReLU。该网络通过上采样模块将特征图恢复到原图大小，从而实现像素级别的分类。
跳跃连接（skip connection）：将收缩路径中低层的高分辨率低语义特征与拓展路径中高层的低分辨率高语义特征直接相连。
空洞空间卷积池化金字塔(atrous spatial pooling pyramid，ASPP )：增强模型对不同尺度分割目标的感知能力，提取多尺度信息。
边缘引导模块（edge guidance module，EGM）：通过标签数据得到边界图（EdgeMap）监督网络学习气管的边缘信息，再将物体的边缘信息并反馈到主干网络中，增强对分割边界的学习。
坐标信息（coordinate information）：融合到网络的拓展路径中，增强位置信息。
多信息融合网络（Mif-CNN）的输入是大小为D × W × H（在本发明中采用64 ×64 × 64）的三维切块（Patch），该网络模型利用空洞空间卷积池化金字塔模块（ASPP）提取多尺度信息，再利用边缘引导模块（EGM）学习气管边缘特征，并加入体素的坐标信息，融合这些信息可以促进网络学习更多气管的有用特征，提高气管的分割精度。
参考4所示，优选的，本实施例中体素分类网络模型包括：
基础模块（Base Block）：该模块包含两层连续的卷积层和一个池化层，每一个卷积层后都连接BN层和ReLU。体素分类网络通过基础模块提取高层语义特征
全连接层：整合提取的特征进行分类任务
Softmax：计算每一个体素分别属于气管或者非气管的概率。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (9)

1.一种结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，包括以下步骤：
步骤S1：获取肺部的CT图像，并预处理；
步骤S2:将预处理后的肺部的CT图像集进行分级，划分整体气管树和细小气管分支两个训练集；
步骤S3:分别对整体气管树训练集和细小气管分支训练集进行采样，得到整体气管树训练子集和细小气管训练子集；
步骤S4:构建多信息融合分割模型，并根据整体气管树训练子集训练；
步骤S5:构建体素分类网络模型，并根据细小气管训练子集训练；
步骤S6:将待分割图像数据依次输入训练后的多信息融合分割模型和训练后的体素分类网络模型，得到初步气管树；
步骤S7:基于中心线的几何重建方法进处理初步气管树，去除其中的小泄漏，补全断续部位，得到最终的气管树。
2.根据权利要求1所述的结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述预处理具体为：
步骤S11:使用高斯滤波平滑肺部的CT图像；
步骤S12:利用Frangi滤波增强气管；
步骤S13:进行归一化处理，并提取肺的轮廓和肺部感兴趣区域，并训练气管标签数据。
3.根据权利要求1所述的结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述步骤S2具体为：基于自动分级标注算法，对预处理后的肺部的CT图像集进行分级，得到气管、主支气管、肺叶支气管和肺段支气管的标注信息，并划分整体气管子集和细小气管子集两个气管分支子集。
4.根据权利要求1所述的结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述根据骨架细化方法具体为：提取气管标签的拓扑信息，将每一个分支作为一个独立的节点，构建目标树。
5.再结合分支直径、走向、父分支和子分支信息，从目标树根部搜索，为每一个分支进行标注。
6.根据权利要求1所述的结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述步骤S3具体为：
在包含整体气管子集的肺部感兴趣区域按照步长为32 × 32 × 32，提取大小为64× 64 × 64的有重叠部分的三维切块；
在包含细小气管子集的肺部感兴趣区域进行采样；其中气管体素为正样本，非气管体素为负样本，以体素为中心，提取大小为32 × 32 × 32的正负样本。
7.根据权利要求1所述的结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述训练后的多信息融合分割模型对待分割图像数据处理具体如下：提取肺部感兴趣区域，将感兴趣区域等步长滑窗取块得到的所有64 × 64 × 64的切块都输入到网络预测；最后将所有预测得到的切块进行还原叠加得到初步的气管分割结果。
8.根据权利要求1所述的结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述训练后的体素分类网络模型数据处理，具体如下：对多信息融合分割模型输出的气管提取骨架点；通过骨架搜索得到气管树的末端点作为区域增长法的初始种子点并将其放入堆栈；训练得到的体素分类网络作为区域增长法的判别器，得到种子点26邻域上的体素点所属类别的概率，将属于气管概率>0.8的体素作为新的种子点并放入堆栈；循环进行区域生长法的迭代过程，直到堆栈中的种子点数目为空时停止。
9.根据权利要求1所述的结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述步骤S7具体为：根据步骤S6得到气管树，提取得到气管的中心线，获得拓扑信息；基于中心线进行几何重建工作，然后利用重建的结果去细化分割结果，去除小泄露和分割不完整的部位。
CN202110169782.1A 2021-02-08 2021-02-08 结合多信息融合网络和区域增长的气管树分级提取方法 Active CN112651969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110169782.1A CN112651969B (zh) 2021-02-08 2021-02-08 结合多信息融合网络和区域增长的气管树分级提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110169782.1A CN112651969B (zh) 2021-02-08 2021-02-08 结合多信息融合网络和区域增长的气管树分级提取方法

Publications (2)

Publication Number Publication Date
CN112651969A true CN112651969A (zh) 2021-04-13
CN112651969B CN112651969B (zh) 2023-04-07

Family

ID=75370919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110169782.1A Active CN112651969B (zh) 2021-02-08 2021-02-08 结合多信息融合网络和区域增长的气管树分级提取方法

Country Status (1)

Country Link
CN (1) CN112651969B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139968A (zh) * 2021-05-11 2021-07-20 上海杏脉信息科技有限公司 一种医学影像分割装置及方法
CN113192069A (zh) * 2021-06-03 2021-07-30 清华大学 三维断层扫描图像中树状结构的语义分割方法和装置
CN113222007A (zh) * 2021-05-08 2021-08-06 推想医疗科技股份有限公司 支气管分级方法、模型训练方法、装置、设备及存储介质
CN113413213A (zh) * 2021-07-14 2021-09-21 广州医科大学附属第一医院（广州呼吸中心） Ct结果的处理方法、导航处理方法、装置与检测系统
CN113633375A (zh) * 2021-08-04 2021-11-12 天津国科医工科技发展有限公司 一种虚拟支气管镜的构建方法
CN115797376A (zh) * 2023-02-08 2023-03-14 珠海横琴圣澳云智科技有限公司 基于气管树搜索与最近邻分配的肺段分割方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100128940A1 (en) * 2005-02-11 2010-05-27 Koninklijke Philips Electronics, N.V. Method of automatic extraction of the pulmonary artery tree from 3d medical images
CN107507171A (zh) * 2017-08-08 2017-12-22 东北大学 一种肺部ct图像气道三维骨架树状结构提取及标记方法
CN110246126A (zh) * 2019-06-14 2019-09-17 吉林大学第一医院 一种从肺部ct图像中提取末端支气管树的方法
CN111563902A (zh) * 2020-04-23 2020-08-21 华南理工大学 一种基于三维卷积神经网络的肺叶分割方法及系统
WO2020211293A1 (zh) * 2019-04-18 2020-10-22 北京市商汤科技开发有限公司 一种图像分割方法及装置、电子设备和存储介质
CN112330686A (zh) * 2019-08-05 2021-02-05 罗雄彪 肺部支气管的分割及标定方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100128940A1 (en) * 2005-02-11 2010-05-27 Koninklijke Philips Electronics, N.V. Method of automatic extraction of the pulmonary artery tree from 3d medical images
CN107507171A (zh) * 2017-08-08 2017-12-22 东北大学 一种肺部ct图像气道三维骨架树状结构提取及标记方法
WO2020211293A1 (zh) * 2019-04-18 2020-10-22 北京市商汤科技开发有限公司 一种图像分割方法及装置、电子设备和存储介质
CN110246126A (zh) * 2019-06-14 2019-09-17 吉林大学第一医院 一种从肺部ct图像中提取末端支气管树的方法
CN112330686A (zh) * 2019-08-05 2021-02-05 罗雄彪 肺部支气管的分割及标定方法
CN111563902A (zh) * 2020-04-23 2020-08-21 华南理工大学 一种基于三维卷积神经网络的肺叶分割方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHIWEI ZHAI等: "《Graph Learning in Medical Imaging》", 14 November 2019, SPRINGER, pages: 36 - 41 *
石跃祥等: "基于T-prim模型的肺气管分割算法", 《计算机应用与软件》, no. 04, 12 April 2020 (2020-04-12) *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222007A (zh) * 2021-05-08 2021-08-06 推想医疗科技股份有限公司 支气管分级方法、模型训练方法、装置、设备及存储介质
CN113222007B (zh) * 2021-05-08 2022-02-22 推想医疗科技股份有限公司 支气管分级方法、模型训练方法、装置、设备及存储介质
CN113139968A (zh) * 2021-05-11 2021-07-20 上海杏脉信息科技有限公司 一种医学影像分割装置及方法
CN113139968B (zh) * 2021-05-11 2023-08-22 上海杏脉信息科技有限公司 一种医学影像分割装置及方法
CN113192069A (zh) * 2021-06-03 2021-07-30 清华大学 三维断层扫描图像中树状结构的语义分割方法和装置
CN113413213A (zh) * 2021-07-14 2021-09-21 广州医科大学附属第一医院（广州呼吸中心） Ct结果的处理方法、导航处理方法、装置与检测系统
CN113633375A (zh) * 2021-08-04 2021-11-12 天津国科医工科技发展有限公司 一种虚拟支气管镜的构建方法
CN113633375B (zh) * 2021-08-04 2023-02-28 天津国科医工科技发展有限公司 一种非诊疗目的的虚拟支气管镜的构建方法
CN115797376A (zh) * 2023-02-08 2023-03-14 珠海横琴圣澳云智科技有限公司 基于气管树搜索与最近邻分配的肺段分割方法和装置
CN115797376B (zh) * 2023-02-08 2023-04-28 珠海横琴圣澳云智科技有限公司 基于气管树搜索与最近邻分配的肺段分割方法和装置

Also Published As

Publication number Publication date
CN112651969B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112651969B (zh) 结合多信息融合网络和区域增长的气管树分级提取方法
CN108765363B (zh) 一种基于人工智能的冠脉cta自动后处理系统
CN112418117B (zh) 一种基于无人机图像的小目标检测方法
CN112287807B (zh) 一种基于多分支金字塔神经网络的遥感影像道路提取方法
CN109919230B (zh) 基于循环特征金字塔的医学图像肺结节检测方法
CN109410238B (zh) 一种基于PointNet++网络的枸杞识别计数方法
CN113240691A (zh) 一种基于u型网络的医学图像分割方法
CN113449594A (zh) 一种多层网络组合的遥感影像地类语义分割与面积计算方法
CN110675421B (zh) 基于少量标注框的深度图像协同分割方法
CN112613428B (zh) 基于平衡损失的Resnet-3D卷积牛视频目标检测方法
CN112084871B (zh) 一种基于弱监督学习的高分遥感目标边界提取方法
CN114117614A (zh) 一种建筑物立面纹理自动生成方法和系统
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN116228792A (zh) 一种医学图像分割方法、系统及电子装置
CN109598261B (zh) 一种基于区域分割的三维人脸识别方法
CN115035089A (zh) 适用于二维脑图像数据的脑解剖结构定位方法
CN112215285B (zh) 一种基于跨媒体特征的眼底图像自动标注方法
CN114511627A (zh) 一种目标果实定位分割方法及系统
CN116052110B (zh) 一种路面标线缺损智能定位方法及系统
CN116310293B (zh) 一种基于弱监督学习的生成高质量候选框目标检测方法
CN112446343A (zh) 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法
CN117146841A (zh) 一种基于激光雷达和双目视觉结合的语义地图构建方法
CN115908418A (zh) 一种主动脉ct图像中心线确定方法、系统、设备及介质
CN115690425A (zh) 一种病灶的3d分割模型及其应用
CN112001359B (zh) 基于模式识别和最优分配的启发式多叉线修补方法

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