CN112862731A - 一种tof影像的全自动血管提取方法 - Google Patents
一种tof影像的全自动血管提取方法 Download PDFInfo
- Publication number
- CN112862731A CN112862731A CN202110084519.2A CN202110084519A CN112862731A CN 112862731 A CN112862731 A CN 112862731A CN 202110084519 A CN202110084519 A CN 202110084519A CN 112862731 A CN112862731 A CN 112862731A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- region
- point
- extracting
- image
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 62
- 238000000605 extraction Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000005295 random walk Methods 0.000 claims abstract description 21
- 210000004556 brain Anatomy 0.000 claims abstract description 16
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 210000003625 skull Anatomy 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 6
- 210000001519 tissue Anatomy 0.000 claims description 6
- 230000002490 cerebral effect Effects 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 5
- 230000012010 growth Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000035040 seed growth Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 230000003993 interaction Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000009443 Vascular Malformations Diseases 0.000 description 1
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/30—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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种TOF影像的全自动血管提取方法,包括:结合TOF影像中的脑部特征,基于区域生长和成本最优路径提取脑部区域;获取种子点集,自动提取血管区域和背景区域,并作为随机游走的起点;建立空间多尺度的血管影像增强图,将影像中的管状部分进行增强;建立随机游走图谱,基于所述种子点集和所述血管影像增强图,通过随机游走得到分割后的三维血管结构。与现有技术相比,本发明方法能够有效提取到血管分支中体积细小且对比度低的部分,提高血管分割的准确度。并且,本发明能够实现提取血管的过程完全自动化,无需手动交互,减少了人为操作的复杂性。
Description
技术领域
本发明涉及医学影像处理技术领域,特别涉及一种基于图像增强、种子点获取和随机游走的TOF影像的全自动血管提取方法。
背景技术
由血管狭窄和动脉瘤引起的血管畸形已成为脑血管疾病的主要原因,对人类健康产生了极大的威胁。基于时间飞跃的TOF(Time of flight)技术,是一种流行的临床脑血管磁共振无创造影技术,具有非侵入性、快速性和高分辨率等优点,已经广泛应用在脑部疾病的诊治和预防中。脑血管三维重建是神经外科计划和导航的重要先决条件。然而,TOF影像中的脑血管存在多尺度、噪声和对比度不均等问题,如何从TOF影像精确提取脑血管仍然是一项重要的问题。
在过去的研究中,已经提出了许多用于从TOF影像中分割三维脑血管结构的方法。常用的方法有基于跟踪的血管分割方法、基于统计模型的血管方法和基于神经网络的方法,但这些方法无法权衡准确率、耗时以及自动化等各项指标。所以,迫切需要一种新的全自动脑血管提取新技术,能在弥补上述分割方法不足的基础上,有效提高血管分割的准确率,并能达到低时耗的效果。
发明内容
本发明的目的在于提供一种TOF影像的全自动血管提取方法,以解决现有分割方法的不足,提高TOF影像中血管分割的精度。
为解决上述技术问题,本发明的实施例提供如下方案:
一种TOF影像的全自动血管提取方法,包括以下步骤:
S1、结合TOF影像中的脑部特征,基于区域生长和成本最优路径提取脑部区域;
S2、获取种子点集,自动提取血管区域和背景区域,并作为随机游走的起点;
S3、建立空间多尺度的血管影像增强图,将影像中的管状部分进行增强;
S4、建立随机游走图谱,基于所述种子点集和所述血管影像增强图,通过随机游走得到分割后的三维血管结构。
优选地,所述方法还包括在所述步骤S1之前进行的:
使用基于直方图的平板边界伪影减少方法对每个TOF序列切片图像进行预处理。
优选地,所述步骤S1具体包括:
使用区域生长初步分割与脑相邻的低强度组织,所述低强度组织包括颅骨和鼻区域;
建立混合高斯模型模拟TOF切片的灰度直方图的分布,根据最小误差分类从所述混合高斯模型中提取每个切片的单个阈值;
提取的阈值用作区域增长的上限阈值TU,下限阈值TL由影像出现的最低强度值定义,得到区域生长的种子生长范围T∈[TL,TU];
从分析图中选取拐点作为区域生长的种子点,完成初始分割,其中拐点表示颅骨和鼻区域;
基于初始分割逐层提取二维支撑点,构建成本最优路径形成闭合曲线。
优选地,所述基于初始分割逐层提取二维支撑点,构建成本最优路径形成闭合曲线具体包括:
计算分割颅骨的重心,从起始坐标开始,以10度的间隔绘制射线;
对于每条射线,取其中与重心的最短距离作为支撑点,最终提取最多36个支撑点Pi;
从起始节点Pi开始,搜索到定义的目标节点Pi+1的最优路径,其中,成本最优路径定义为具有最小成本的路径。
优选地,所述步骤S2具体包括:
结合血管的高亮结构和连通性自动获得种子点集,包括:
从X、Y和Z角度分别进行投影,在Z轴方向上,得到XY平面上的二维投影图Iz(x,y);其中:
同时,保存每一投影点的Z坐标作为该点的隐变量Zp,满足:
在Iz(x,y)中,基于灰度界限得到高亮的血管部分区域Uini,在Uini中得到连通域集V={V1,V2,...VN},提取其中局部最大值作为种子点,满足:
s={(x,y,z)|I=max{Ilocal vector(x,y)},z=zp}
优选地,所述步骤S3具体包括:
利用多尺度空间中TOF影像的Hessian矩阵来计算血管影像增强图,其中提出的长度受限的血管增强函数如下:
其中x为体数据中的体素点,α为管状结构与盘状结构的差异控制参数,β为管状结构与球状结构的差异控制参数,c为高对比度结构与低对比度结构的差异控制参数。
优选地,所述步骤S4具体包括:
wij=exp(-β(gi-gj)2)
其中,gi表示顶点vi的灰度值,β参数控制灰度值带来的影响力;
得到边权值计算非标记点游走到种子点的概率大小,并取最大概率作为该点的新标记,最终实现图像的分割;其中建立的调和函数为:
其中,xs和xu分别对应标记点和未标记点的概率;求解D[xu]关于xu的微分,并通过零点寻找极值点:Luxu=-BTxs,得到概率图谱,取概率最大值的标签为分类结果,实现对脑血管的自动分割。
本发明实施例提供的技术方案带来的有益效果至少包括:
(1)与大多数基于种子点集的方法相比,本发明方法提取血管的过程完全自动化,无需手动交互,减少了人为操作的复杂性。
(2)本发明能够有效提取到血管分支中体积细小且对比度低的部分,提高血管分割的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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是本发明实施例提供的一种TOF影像的全自动血管提取方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明的实施例提供了一种TOF影像的全自动血管提取方法,如图1所示,该方法包括以下步骤:
S1、结合TOF影像中的脑部特征,基于区域生长和成本最优路径提取脑部区域;
S2、获取种子点集,自动提取血管区域和背景区域,并作为随机游走的起点;
S3、建立空间多尺度的血管影像增强图,将影像中的管状部分进行增强;
S4、建立随机游走图谱,基于所述种子点集和所述血管影像增强图,通过随机游走得到分割后的三维血管结构。
与现有技术相比,本发明方法能够有效提取到血管分支中体积细小且对比度低的部分,提高血管分割的准确度。并且,本发明能够实现提取血管的过程完全自动化,无需手动交互,减少了人为操作的复杂性。
具体地,本发明实施例提供的基于图像增强和随机游走的TOF影像的全自动血管提取方法的详细流程如下:
步骤S0、以病人临床病例的数据作为输入,首先使用基于直方图的平板边界伪影减少方法对每个TOF序列切片图像进行预处理。
步骤S1、结合TOF影像中的脑部特征,基于区域生长和成本最优路径提取脑部区域。该步骤具体包括:
使用区域生长初步分割与脑相邻的低强度组织,所述低强度组织包括颅骨和鼻区域;
建立混合高斯模型模拟TOF切片的灰度直方图的分布,根据最小误差分类从所述混合高斯模型中提取每个切片的单个阈值;
提取的阈值用作区域增长的上限阈值TU,该阈值通常包含所有或大部分骨骼;下限阈值TL由影像出现的最低强度值定义,该阈值通常出现在背景区域;得到区域生长的种子生长范围T∈[TL,TU];
从分析图中选取拐点作为区域生长的种子点,完成初始分割,其中拐点表示颅骨和鼻区域;
基于初始分割逐层提取二维支撑点,构建成本最优路径形成闭合曲线。
所述基于初始分割逐层提取二维支撑点,构建成本最优路径形成闭合曲线具体包括:
计算分割颅骨的重心,从起始坐标开始,以10度的间隔绘制射线;
对于每条射线,理论存在与区域连接部分,取其中与重心的最短距离作为支撑点,最终提取最多36个支撑点Pi;
从起始节点Pi开始,搜索到定义的目标节点Pi+1的最优路径,其中,成本最优路径定义为具有最小成本的路径。
步骤S2、获取种子点集,自动提取血管区域和背景区域,并作为随机游走的起点。该步骤具体包括:
结合血管的高亮结构和连通性自动获得种子点集,包括:
由于最大亮度的投影能保留高亮的血管区域,从X、Y和Z角度分别进行投影,在Z轴方向上,得到XY平面上的二维投影图Iz(x,y);其中:
同时,保存每一投影点的Z坐标作为该点的隐变量Zp,满足:
在Iz(x,y)中,基于灰度界限得到高亮的血管部分区域Uini,在Uini中得到连通域集V={V1,V2,...VN},提取其中局部最大值作为种子点,满足:
s={(x,y,z)|I=max{Ilocal vector(x,y)},z=zp}
步骤S3、建立空间多尺度的血管影像增强图,将影像中的管状部分进行增强,突出血管特征,减弱其它部分的干扰。该步骤具体包括:
利用多尺度空间中TOF影像的Hessian矩阵来计算血管影像增强图,其中提出的长度受限的血管增强函数如下:
其中x为体数据中的体素点,α为管状结构与盘状结构的差异控制参数,β为管状结构与球状结构的差异控制参数,c为高对比度结构与低对比度结构的差异控制参数。
步骤S4、建立随机游走图谱,基于所述种子点集和所述血管影像增强图,通过随机游走得到分割后的三维血管结构。该步骤具体包括:
建立随机游走图谱,定义G=(V,E),其中V表示图谱中顶点的集合,v∈V;E表示图谱中顶点的无向边集合,eij表示顶点vi和vj的连接关系;边权值的定义可以反应相邻点之间的相似度,选用高斯加权函数作为边权值,如式:
wij=exp(-β(gi-gj)2)
其中,gi表示顶点vi的灰度值,β参数控制灰度值带来的影响力;
得到边权值计算非标记点游走到种子点的概率大小,并取最大概率作为该点的新标记,最终实现图像的分割;其中建立的调和函数为:
其中,xs和xu分别对应标记点和未标记点的概率;求解D[xu]关于xu的微分,并通过零点寻找极值点:Luxu=-BTxs,得到概率图谱,取概率最大值的标签为分类结果,实现对脑血管的自动、精确分割。
综上所述,本发明方法通过脑部区域提取、种子点集获取、建立空间多尺度的血管影像增强图、建立随机游走图谱等步骤,能够实现提取血管的过程完全自动化,无需人为手动交互;并且本发明方法能够有效提取到血管分支中体积细小且对比度低的部分,从而提高血管分割的准确度。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种TOF影像的全自动血管提取方法,其特征在于,包括以下步骤:
S1、结合TOF影像中的脑部特征,基于区域生长和成本最优路径提取脑部区域;
S2、获取种子点集,自动提取血管区域和背景区域,并作为随机游走的起点;
S3、建立空间多尺度的血管影像增强图,将影像中的管状部分进行增强;
S4、建立随机游走图谱,基于所述种子点集和所述血管影像增强图,通过随机游走得到分割后的三维血管结构。
2.根据权利要求1所述的TOF影像的全自动血管提取方法,其特征在于,所述方法还包括在所述步骤S1之前进行的:
使用基于直方图的平板边界伪影减少方法对每个TOF序列切片图像进行预处理。
3.根据权利要求1所述的TOF影像的全自动血管提取方法,其特征在于,所述步骤S1具体包括:
使用区域生长初步分割与脑相邻的低强度组织,所述低强度组织包括颅骨和鼻区域;
建立混合高斯模型模拟TOF切片的灰度直方图的分布,根据最小误差分类从所述混合高斯模型中提取每个切片的单个阈值;
提取的阈值用作区域增长的上限阈值TU,下限阈值TL由影像出现的最低强度值定义,得到区域生长的种子生长范围T∈[TL,TU];
从分析图中选取拐点作为区域生长的种子点,完成初始分割,其中拐点表示颅骨和鼻区域;
基于初始分割逐层提取二维支撑点,构建成本最优路径形成闭合曲线。
4.根据权利要求3所述的TOF影像的全自动血管提取方法,其特征在于,所述基于初始分割逐层提取二维支撑点,构建成本最优路径形成闭合曲线具体包括:
计算分割颅骨的重心,从起始坐标开始,以10度的间隔绘制射线;
对于每条射线,取其中与重心的最短距离作为支撑点,最终提取最多36个支撑点Pi;
从起始节点Pi开始,搜索到定义的目标节点Pi+1的最优路径,其中,成本最优路径定义为具有最小成本的路径。
7.根据权利要求1所述的TOF影像的全自动血管提取方法,其特征在于,所述步骤S4具体包括:
wij=exp(-β(gi-gj)2)
其中,gi表示顶点vi的灰度值,β参数控制灰度值带来的影响力;
得到边权值计算非标记点游走到种子点的概率大小,并取最大概率作为该点的新标记,最终实现图像的分割;其中建立的调和函数为:
其中,xs和xu分别对应标记点和未标记点的概率;求解D[xu]关于xu的微分,并通过零点寻找极值点:Luxu=-BTxs,得到概率图谱,取概率最大值的标签为分类结果,实现对脑血管的自动分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084519.2A CN112862731A (zh) | 2021-01-21 | 2021-01-21 | 一种tof影像的全自动血管提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084519.2A CN112862731A (zh) | 2021-01-21 | 2021-01-21 | 一种tof影像的全自动血管提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862731A true CN112862731A (zh) | 2021-05-28 |
Family
ID=76007675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110084519.2A Pending CN112862731A (zh) | 2021-01-21 | 2021-01-21 | 一种tof影像的全自动血管提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862731A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529533A (zh) * | 2022-02-22 | 2022-05-24 | 深圳市澈影医生集团有限公司 | 一种mra脑部图像的自动分析系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102511A (zh) * | 2018-07-06 | 2018-12-28 | 深圳先进技术研究院 | 一种脑血管分割方法、系统及电子设备 |
CN109191468A (zh) * | 2018-08-16 | 2019-01-11 | 杭州晟视科技有限公司 | 一种血管提取的方法、装置及存储介质 |
US20200116808A1 (en) * | 2018-10-15 | 2020-04-16 | Zayed University | Cerebrovascular segmentation from mra images |
CN111402406A (zh) * | 2020-03-23 | 2020-07-10 | 南京景三医疗科技有限公司 | 血管三维重建方法、装置及医疗设备 |
CN112150477A (zh) * | 2019-11-15 | 2020-12-29 | 复旦大学 | 脑影像动脉全自动分割方法及装置 |
-
2021
- 2021-01-21 CN CN202110084519.2A patent/CN112862731A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102511A (zh) * | 2018-07-06 | 2018-12-28 | 深圳先进技术研究院 | 一种脑血管分割方法、系统及电子设备 |
CN109191468A (zh) * | 2018-08-16 | 2019-01-11 | 杭州晟视科技有限公司 | 一种血管提取的方法、装置及存储介质 |
US20200116808A1 (en) * | 2018-10-15 | 2020-04-16 | Zayed University | Cerebrovascular segmentation from mra images |
CN112150477A (zh) * | 2019-11-15 | 2020-12-29 | 复旦大学 | 脑影像动脉全自动分割方法及装置 |
CN111402406A (zh) * | 2020-03-23 | 2020-07-10 | 南京景三医疗科技有限公司 | 血管三维重建方法、装置及医疗设备 |
Non-Patent Citations (3)
Title |
---|
XIAO R等: "Segmentation of Cerebrovascular Anatomy from TOF-MRA Using Length-Strained Enhancement and Random Walker", 《BIOMED RESEARCH INTERNATIONAL》, vol. 2020, pages 1 - 4 * |
吕建平等: "基于边缘检测和自动种子区域生长的图像分割算法", 《西安邮电大学学报》, vol. 16, no. 06, pages 16 - 19 * |
肖若秀等: "应用于造影图像的血管中心线全自动提取方法", 《计算机辅助设计与图形学学报》, vol. 25, no. 03, pages 363 - 371 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529533A (zh) * | 2022-02-22 | 2022-05-24 | 深圳市澈影医生集团有限公司 | 一种mra脑部图像的自动分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3035287B1 (en) | Image processing apparatus, and image processing method | |
US6985612B2 (en) | Computer system and a method for segmentation of a digital image | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN106340021B (zh) | 血管提取方法 | |
US8385688B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
Wen et al. | A novel statistical cerebrovascular segmentation algorithm with particle swarm optimization | |
WO2019000455A1 (zh) | 图像分割的方法及系统 | |
CN110910405B (zh) | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统 | |
CN107292312B (zh) | 肿瘤ct图像处理方法 | |
US9600890B2 (en) | Image segmentation apparatus, medical image device and image segmentation method | |
CN109166133A (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
CN107567637B (zh) | 脑组织分类 | |
Hu et al. | Segmentation of brain from computed tomography head images | |
CN107680110B (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
De Raad et al. | The effect of preprocessing on convolutional neural networks for medical image segmentation | |
US20060270926A1 (en) | Methods and systems to segment central sulcus and Sylvian fissure | |
Duan et al. | A novel GA-based optimized approach for regional multimodal medical image fusion with superpixel segmentation | |
Kronman et al. | A geometric method for the detection and correction of segmentation leaks of anatomical structures in volumetric medical images | |
Yang et al. | An automated method for accurate vessel segmentation | |
Hameeteman et al. | Carotid wall volume quantification from magnetic resonance images using deformable model fitting and learning-based correction of systematic errors | |
Ivanovska et al. | A fast and accurate automatic lung segmentation and volumetry method for MR data used in epidemiological studies | |
CN112862731A (zh) | 一种tof影像的全自动血管提取方法 | |
Grau et al. | Cortical gray matter segmentation using an improved watershed-transform | |
Xiao et al. | Segmentation of Cerebrovascular Anatomy from TOF‐MRA Using Length‐Strained Enhancement and Random Walker |
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 |