CN112686897A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112686897A CN112686897A CN202110273713.5A CN202110273713A CN112686897A CN 112686897 A CN112686897 A CN 112686897A CN 202110273713 A CN202110273713 A CN 202110273713A CN 112686897 A CN112686897 A CN 112686897A
- Authority
- CN
- China
- Prior art keywords
- labeling
- data
- segmentation
- long
- lymph node
- 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
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了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，涉及医学影像的处理分析技术领域，包括如下步骤：数据准备、数据预处理、长短轴标注到初始分割掩码、基于迭代法的神经网络模型构建与训练和模型分割结果辅助医生标注。本发明提出了一种辅助医生进行像素级标注的方法，基于这种方法能够大大提高标注效率，节约医生的时间和精力；提出了一种新的依据肠胃淋巴结形态规律生成前景和背景种子的方法思路，相比常规的生成方法，科学性更强；提出了一种弱监督和医学数据结合的方案，具有可靠的移植性。
Description
技术领域
本发明涉及医学影像的处理分析技术领域，更具体的是涉及基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法技术领域。
背景技术
在临床实践和药物试验中，肠胃淋巴结分析起着至关重要的作用。例如，临床医生通常评估淋巴结的大小、形状、形态和关系，用以监测疾病的进展或评估潜在的治疗方法，因为许多恶性肿瘤会导致淋巴结扩大。肿大的淋巴结在固体肿瘤的反应评价标准(RECIST)指南中标准定义的病变亚型中其短轴直径在CT中10mm以上的，更有可能是恶性的，并且医生关注度的也更高。手工分割CT扫描中的淋巴结需要很高的专业知识和注意力，并且是极为耗时的，并且不同的医生有时会有歧义性。因此，自动分割算法，特别是基于深度卷积神经网络(DCNN)的分割算法引起了越来越多的研究关注。然而现在面临着两大挑战，首先，不仅淋巴结在CT切片上与其周围组织之间表现出较差的强度/纹理对比，而且它们在连续切片上可能具有高度复杂的形态和可变的外观。第二，完全标注的CT扫描(其中每个像素都被正确标注)是难以获得且稀少的，不足以训练出一个可靠的网络，这和标注人手和像素标注难度相关。
现有的计算机断层扫描（CT）扫描是一种快速，无痛的过程，可捕获腹部的清晰图像，被广泛用于帮助诊断和监测肠胃淋巴结。肠胃淋巴结分析一直是临床分析中的重点之一，淋巴结的形态、大小等特征可以从CT图像中观测，但是肉眼区分是一件比较麻烦的事，计算机辅助观察逐渐进入医生的视野。目前，淋巴结的自动分割已被越来越多的研究和发表，大多数现有的解决方案是针对CT扫描和其他磁共振图像和超声图像设计的，传统的淋巴结分割方法分为几类，包括区域生长、能量优化、三维变形表面形状模型和基于放射线的算法。
但是现有的分割算法大多都是基于大量的像素级标注数据才能很好地实现的，所以对于医生标注的负担是相当巨大的，一个经过专业训练医生就算一天全部用来标注也标注不到十例，而且医生通常也没有那么多时间用于标注，所以训练数据问题一直是现有技术的瓶颈。
总体而言，其实不仅仅是肠胃淋巴结，很多其它的医学数据标注都面临相同的问题，由于医学图像标注相比自然图像标注要求更高的专业水平，而且医学组织具有很高的复杂性和异质性，所以想要靠人工标注获取能够训练一个效果比较好的强监督分割网络是相当耗时耗力的。
发明内容
本发明的目的在于：为了解决如何利用计算机在多分辨率CT图像中自动、高效、准确地定位医生感兴趣的关键区域，并在该关键区域内检测淋巴结的技术问题，本发明提供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。
本发明为了实现上述目的具体采用以下技术方案：
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，包括如下步骤：
步骤1、数据准备：把CT影像数据从医院数据系统导入，然后通过RECIST标准来标定淋巴结的位置和长短轴，然后把标定好的CT影像数据导入训练数据库；
步骤2、数据预处理：对步骤1中的训练数据库中的CT影像数据进行预处理，具体包括归一化CT值和归一化CT尺寸的预处理；
步骤3、长短轴标注到初始分割掩码：采用Grabcut算法在经过步骤2处理后的RECIST标准长短轴数据上产生初始病变分割，得到分割数据；
步骤4、基于迭代法的神经网络模型构建与训练：基于步骤3的分割数据，设计一个基于Boxsup方法的迭代式网络模型，并进行训练；
步骤5、模型分割结果：基于步骤4中训练完成的迭代式网络模型，将迭代式网络模型加入标注系统，导入RECIST标准长短轴数据，生成像素级标签数据。
进一步地，步骤1中，对每个CT影像的肠胃淋巴结的位置、大小的标签进行多轮标注标定。
进一步地，步骤2中，预处理第一步是归一化CT值，采用固定的窗宽300和窗位50，将CT值归一化到0-255之间。
进一步地，步骤3中，经过步骤2处理的CT影像数据分为背景区域、前景区域、可能背景区域和可能前景区域，用CT影像数据前景区域和背景区域的初始化种子
进行初始化抓取切割，并使用迭代熵最小化产生分割，计算得到的掩模的目标能量函数：
其中，Y是预分割最终确定的掩模，
是Grabcut使用的目标能量函数，
是初始化种子，
是分割算法产生的所有分割掩模，X是输入的RECIST标准长短轴数据。
进一步地，步骤4中，基于步骤3获得的分割数据，采用Boxsup算法构造一个迭代式网络结构，内部的分割网络可以用FCN或U-NET方法。
进一步地，步骤5中，最后把步骤4训练完成的模型放入医生的标注系统内，实现传入RECIST标准长短轴数据输出模型分割的结果，并在医生的标注系统上显示，医生在此系统上利用专业标注工具对这个结果进行修改和确认。
本发明的有益效果如下：
1、本发明是一种辅助医生进行像素级标注的方法，其基于一种名为Gradcut的分割算法和弱监督学习中的Boxsup算法，模型能够自动生成像素级标注从而辅助医生标注，医生只需要对其进行调整并确认，基于这种方法能够大大提高标注效率，节约医生的时间和精力；提出了一种新的依据肠胃淋巴结形态规律生成前景和背景种子的方法思路，相比常规的生成方法，科学性更强；提出了一种弱监督和医学数据结合的方案，具有可靠的移植性。
2、为了提高鲁棒性，将高达20%的随机噪声注入RECIST直径长度，以模拟放射科医生手动标注的不确定性。基于RECIST长短轴标注的位置，CT图像的ROI（感兴趣区域）被裁剪为肠胃淋巴结最长直径的两倍，以便保留足够的视觉上下文。然后，利用CT窗口元信息对每个ROI的动态范围进行筛选。
3、提出一种新的种子生成方法，现有方法肠胃淋巴结的形状是有一定规律性的，圆形、椭圆居多，如果用前一个方法很容易把部分前景信息划分为背景，本发明提出的方法生成的矩形区域与长短轴平行，这样对于有形状规律性的肠胃淋巴结更适用。
4、为了尽可能不影响医生观察效果，此系统只对掩码边缘进行勾勒，而不是直接将掩码贴上去，后者容易对医生标注产生负面影响。医生在此系统上利用专业标注工具对这个结果进行修改和确认，进而大大减少标注成本，这些确认后的数据将来能够作为完全监督学习的训练数据。
附图说明
图1是本发明流程示意图；
图2是RECIST标准长短轴数据的在CT影像中；
图3是新的旋转生成前景和背景种子的方法；
图4是常规生成前景和背景种子的方法；
图5是基于迭代法的神经网络模型算法思路图；
图6是系统利用模型分割结果生成的数据；
图7是医生修改后确认的结果。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
如图1所示，本实施例提供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，包括如下步骤：
步骤1、数据准备：把CT影像数据从医院数据系统导入，然后通过RECIST标准来标定淋巴结的位置和长短轴，然后把标定好的CT影像数据导入训练数据库；
步骤2、数据预处理：对步骤1中的训练数据库中的CT影像数据进行预处理，具体包括归一化CT值和归一化CT尺寸的预处理；
步骤3、长短轴标注到初始分割掩码：采用Grabcut算法在经过步骤2处理后的RECIST标准长短轴数据上产生初始病变分割，得到分割数据；
步骤4、基于迭代法的神经网络模型构建与训练：基于步骤3的分割数据，设计一个基于Boxsup方法的迭代式网络模型，并进行训练；
步骤5、模型分割结果：基于步骤4中训练完成的迭代式网络模型，将迭代式网络模型加入标注系统，导入RECIST标准长短轴数据，生成像素级标签数据。
本发明涉及一种基于弱监督的、利用CT影像数据和RECIST标准来标定淋巴结的位置和长短轴的标注信息，自动生成像素级标注提供给医生做辅助标注的方法，由此可以极大地节约医生进行像素级标注的时间和精力。其基于一种名为Gradcut的分割算法和弱监督学习中的Boxsup算法。
实施例2
本实施例是在实施例1的基础上做了进一步优化，具体是：
步骤1中，对于每个CT影像的肠胃淋巴结的位置、大小的标签的标定，为保证每一个标签准确与客观性，都由不同医学专家进行多轮标注标定，
如图2所示，度神经网络方法需要大量的数据用于训练，因此首先需要准备好数据用于模型的训练。本发明所用数据为医院影像科腹部CT影像数据，采集500多个病人的数据。对于每一例CT扫描的影像，都由不同医院专家进行多轮标注标定，保证每一个标签准确与客观性，对于有争议的淋巴结，会进行磋商讨论，决定其是否纳入训练的数据库。
步骤2中，数据预处理阶段对原始的CT影像数据进行处理，使得突出其有效的特征，便于更好地分辨出CT影像的关键帧；预处理第一步是归一化CT值，采用固定的窗宽和窗位（窗宽：300，窗位：50），将CT值归一化到（0-255）之间。
为了提高鲁棒性，将高达20%的随机噪声注入RECIST直径长度，以模拟放射科医生手动标注的不确定性。基于RECIST长短轴标注的位置，CT图像的ROI（感兴趣区域）被裁剪为肠胃淋巴结最长直径的两倍，以便保留足够的视觉上下文。然后，利用CT窗口元信息对每个ROI的动态范围进行筛选。数据集在患者级别上分离，分别使用80%和20%的数据作为训练集和测试集。
步骤3中，经过步骤2处理的CT影像数据分为背景区域、前景区域、可能背景区域和可能前景区域，用CT影像数据前景区域和背景区域的初始化种子
进行初始化抓取切割，并使用迭代熵最小化产生分割，计算得到的掩模的目标能量函数：
其中，Y是预分割最终确定的掩模，
是Grabcut使用的目标能量函数，
是初始化种子，
是分割算法产生的所有分割掩模，X是输入的RECIST标准长短轴数据；
更具体地说，如果病变包围盒紧紧围绕RECIST轴是[w，h]，则从RECIST切片中裁剪一个[2w，2h]的感兴趣区域；外部50%的感兴趣区域被分配给背景区域，而10%的感兴趣区域从长短轴周围扩张得到并且被分配给前景区域；其余40%的根据到前景区域和背景区域的距离在可能前景区域和可能背景区域之间进行划分，其中，w表示长轴数据，h为短轴数据。
图3是新的旋转生成前景和背景种子的方法,图4是常规生成前景和背景种子的方法。图4直观地描述了常规方法生成的种子，这个方法生成矩形区域是与坐标轴平行的。在这里提出一种新的种子生成方法，上述方法的缺陷在于：肠胃淋巴结的形状是有一定规律性的，圆形、椭圆居多，如果用前一个方法很容易把部分前景信息划分为背景区域，本发明提出的方法生成的矩形区域与长短轴平行（如图3所示），这样对于有形状规律性的肠胃淋巴结更适用。
步骤4中，基于步骤（3）获得的分割数据，采用Boxsup算法构造一个迭代式网络结构，内部的分割网络可以用FCN或U-NET方法。
如图5，首先将步骤（3）中得到的结果作为伪真实掩码输入到分割网络进行训练，而后在每一次的迭代训练过程中讲网络中的特征信息反馈给伪真实掩码进行掩码更新，当迭代次数达到最大时终止迭代训练过程，最终获得训练完成的分割网络模型。可见，分割网络是在这些步骤（3）获得的伪真实掩码的监督下训练的，更新后的网络反过来改进用于训练的伪真实掩码，这个过程是迭代的，虽然伪真实掩码在开始时是粗糙的，但它们网络迭代更新中逐渐被改进，反过来又为网络训练提供更好的信息。
步骤5中，最后把步骤（4）训练完成的模型放入医生的标注系统内，实现传入RECIST标准长短轴数据输出模型分割的结果，并在医生的标注系统上显示，医生在此系统上利用专业标注工具对这个结果进行修改和确认。
图6是系统利用模型分割结果生成的数据，图7是医生修改后确认的结果,Mean表示标注区域内CT均值；StdDev表示标注区域内CT标准差；Area表示标注区域面积大小,为了尽可能不影响医生观察效果，此系统只对掩码边缘进行勾勒，而不是直接将掩码贴上去，后者容易对医生标注产生负面影响。医生在此系统上利用专业标注工具对这个结果进行修改和确认，进而大大减少标注成本，这些确认后的数据将来能够作为完全监督学习的训练数据。
Claims (6)
1.一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法，其特征在于，包括如下步骤：
步骤1、数据准备：把CT影像数据从医院数据系统导入，然后通过RECIST标准来标定淋巴结的位置和长短轴，然后把标定好的CT影像数据导入训练数据库；
步骤2、数据预处理：对步骤1中的训练数据库中的CT影像数据进行预处理，具体包括归一化CT值和归一化CT尺寸的预处理；
步骤3、长短轴标注到初始分割掩码：采用Grabcut算法在经过步骤2处理后的RECIST标准长短轴数据上产生初始病变分割，得到分割数据；
步骤4、基于迭代法的神经网络模型构建与训练：基于步骤3的分割数据，设计一个基于Boxsup方法的迭代式网络模型，并进行训练；
步骤5、模型分割结果：基于步骤4中训练完成的迭代式网络模型，将迭代式网络模型加入标注系统，导入RECIST标准长短轴数据，生成像素级标签数据。
2.根据权利要求1所述的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，其特征在于，步骤1中，对每个CT影像的肠胃淋巴结的位置、大小的标签进行多轮标注标定。
3.根据权利要求1所述的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，其特征在于，步骤2中，预处理第一步是归一化CT值，采用固定的窗宽300和窗位50，将CT值归一化到0-255之间。
4.根据权利要求1所述的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，其特征在于，步骤3中，经过步骤2处理的CT影像数据分为背景区域、前景区域、可能背景区域和可能前景区域，用CT影像数据前景区域和背景区域的初始化种子
进行初始化抓取切割，并使用迭代熵最小化产生分割，计算得到的掩模的目标能量函数：
其中，Y是预分割最终确定的掩模，
是Grabcut使用的目标能量函数，
是初始化的前景和背景种子，
是分割算法产生的所有分割掩模，X是输入的RECIST标准长短轴数据。
5.根据权利要求1所述的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，其特征在于，步骤4中，基于步骤3获得的分割数据，采用Boxsup算法构造一个迭代式网络结构，内部的分割网络用FCN或U-NET方法。
6.根据权利要求1所述的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，其特征在于，步骤5中，最后把步骤4训练完成的模型放入医生的标注系统内，实现传入RECIST标准长短轴数据输出模型分割的结果，并在医生的标注系统上显示，医生在此系统上利用专业标注工具对这个结果进行修改和确认。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110273713.5A CN112686897A (zh) | 2021-03-15 | 2021-03-15 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110273713.5A CN112686897A (zh) | 2021-03-15 | 2021-03-15 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112686897A true CN112686897A (zh) | 2021-04-20 |
Family
ID=75455533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110273713.5A Pending CN112686897A (zh) | 2021-03-15 | 2021-03-15 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686897A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018852A (zh) * | 2022-08-10 | 2022-09-06 | 四川大学 | 一种基于半监督学习的腹部淋巴结检测方法及装置 |
| CN115187582A (zh) * | 2022-08-17 | 2022-10-14 | 北京医准智能科技有限公司 | 一种淋巴结分割方法、装置、电子设备及可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160078624A1 (en) * | 2010-11-26 | 2016-03-17 | Maryellen L. Giger | Method, system, software and medium for advanced intelligent image analysis and display of medical images and information |
| CN109035212A (zh) * | 2018-07-05 | 2018-12-18 | 清影医疗科技（深圳）有限公司 | 一种肺部ct影像特殊组织的标记方法 |
| CN109584251A (zh) * | 2018-12-06 | 2019-04-05 | 湘潭大学 | 一种基于单目标区域分割的舌体图像分割方法 |
| CN111311607A (zh) * | 2020-01-21 | 2020-06-19 | 北京贝叶科技有限公司 | 一种基于深度学习的银屑病组织病理切片分割方法和系统 |
| CN111340128A (zh) * | 2020-03-05 | 2020-06-26 | 上海市肺科医院（上海市职业病防治院） | 一种肺癌转移性淋巴结病理图像识别系统及方法 |
| CN111899273A (zh) * | 2020-06-10 | 2020-11-06 | 上海联影智能医疗科技有限公司 | 图像分割方法、计算机设备和存储介质 |
| US20200388029A1 (en) * | 2017-11-30 | 2020-12-10 | The Research Foundation For The State University Of New York | System and Method to Quantify Tumor-Infiltrating Lymphocytes (TILs) for Clinical Pathology Analysis Based on Prediction, Spatial Analysis, Molecular Correlation, and Reconstruction of TIL Information Identified in Digitized Tissue Images |
| CN112258530A (zh) * | 2020-12-21 | 2021-01-22 | 四川大学 | 基于神经网络的计算机辅助肺结节自动分割方法 |
-
2021
- 2021-03-15 CN CN202110273713.5A patent/CN112686897A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160078624A1 (en) * | 2010-11-26 | 2016-03-17 | Maryellen L. Giger | Method, system, software and medium for advanced intelligent image analysis and display of medical images and information |
| US20200388029A1 (en) * | 2017-11-30 | 2020-12-10 | The Research Foundation For The State University Of New York | System and Method to Quantify Tumor-Infiltrating Lymphocytes (TILs) for Clinical Pathology Analysis Based on Prediction, Spatial Analysis, Molecular Correlation, and Reconstruction of TIL Information Identified in Digitized Tissue Images |
| CN109035212A (zh) * | 2018-07-05 | 2018-12-18 | 清影医疗科技（深圳）有限公司 | 一种肺部ct影像特殊组织的标记方法 |
| CN109584251A (zh) * | 2018-12-06 | 2019-04-05 | 湘潭大学 | 一种基于单目标区域分割的舌体图像分割方法 |
| CN111311607A (zh) * | 2020-01-21 | 2020-06-19 | 北京贝叶科技有限公司 | 一种基于深度学习的银屑病组织病理切片分割方法和系统 |
| CN111340128A (zh) * | 2020-03-05 | 2020-06-26 | 上海市肺科医院（上海市职业病防治院） | 一种肺癌转移性淋巴结病理图像识别系统及方法 |
| CN111899273A (zh) * | 2020-06-10 | 2020-11-06 | 上海联影智能医疗科技有限公司 | 图像分割方法、计算机设备和存储介质 |
| CN112258530A (zh) * | 2020-12-21 | 2021-01-22 | 四川大学 | 基于神经网络的计算机辅助肺结节自动分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| JINZHENG CAI 等: "Accurate Weakly-Supervised Deep Lesion Segmentation Using Large-Scale Clinical Annotations: Slice-Propagated 3D Mask Generation from 2D RECIST", 《ARXIV:1807.01172V1》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018852A (zh) * | 2022-08-10 | 2022-09-06 | 四川大学 | 一种基于半监督学习的腹部淋巴结检测方法及装置 |
| CN115018852B (zh) * | 2022-08-10 | 2022-12-06 | 四川大学 | 一种基于半监督学习的腹部淋巴结检测方法及装置 |
| CN115187582A (zh) * | 2022-08-17 | 2022-10-14 | 北京医准智能科技有限公司 | 一种淋巴结分割方法、装置、电子设备及可读存储介质 |
| CN115187582B (zh) * | 2022-08-17 | 2023-04-14 | 北京医准智能科技有限公司 | 一种淋巴结分割方法、装置、电子设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107622492B (zh) | 肺裂分割方法及系统 | |
| EP0965104B1 (en) | Autosegmentation/autocontouring methods for use with three-dimensional radiation therapy treatment planning | |
| EP2693951B1 (en) | Image analysis for specific objects | |
| CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
| CN107886514A (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
| CN109493325A (zh) | 基于ct影像的肿瘤异质性分析系统 | |
| CN110097557B (zh) | 基于3D-UNet的医学图像自动分割方法及系统 | |
| CN103501699A (zh) | 用于隔离成像数据中的潜在异常的方法和装置和其对医学图像的应用 | |
| Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
| CN109934829B (zh) | 一种基于三维图割算法的肝脏分割方法 | |
| 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 | |
| Tan et al. | An approach for pulmonary vascular extraction from chest CT images | |
| Hong et al. | Automatic lung nodule matching on sequential CT images | |
| CN114627067A (zh) | 一种基于图像处理的伤口面积测量及辅助诊疗方法 | |
| Zhou et al. | Detection and semiquantitative analysis of cardiomegaly, pneumothorax, and pleural effusion on chest radiographs | |
| Tseng et al. | An adaptive thresholding method for automatic lung segmentation in CT images | |
| CN110858412B (zh) | 基于图像配准的心脏冠脉cta模型建立方法 | |
| Matsuyama | A novel method for automated lung region segmentation in chest X-ray images | |
| Wang et al. | Triplanar convolutional neural network for automatic liver and tumor image segmentation | |
| CN111145353B (zh) | 通过图像分割和网格特征点提取算法生成3d点云的方法 | |
| Chen et al. | Detection of Various Dental Conditions on Dental Panoramic Radiography Using Faster R-CNN | |
| CN109993754B (zh) | 从图像上进行颅骨分割的方法和系统 | |
| Mughal et al. | Early lung cancer detection by classifying chest CT images: a survey | |
| Akshaya et al. | Identification of Brain Tumor on Mri images with and without Segmentation using DL Techniques | |
| Tan et al. | A pulmonary vascular segmentation algorithm of chest CT images based on fast marching method |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210420 |