CN113034522B - 一种基于人工神经网络的ct图像分割方法 - Google Patents
一种基于人工神经网络的ct图像分割方法 Download PDFInfo
- Publication number
- CN113034522B CN113034522B CN202110357106.7A CN202110357106A CN113034522B CN 113034522 B CN113034522 B CN 113034522B CN 202110357106 A CN202110357106 A CN 202110357106A CN 113034522 B CN113034522 B CN 113034522B
- Authority
- CN
- China
- Prior art keywords
- image
- organs
- viscera
- segmented
- organ
- 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 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000003709 image segmentation Methods 0.000 title claims abstract description 15
- 210000001835 viscera Anatomy 0.000 claims abstract description 64
- 210000000056 organ Anatomy 0.000 claims abstract description 54
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 210000000683 abdominal cavity Anatomy 0.000 claims abstract description 5
- 238000012958 reprocessing Methods 0.000 claims abstract description 4
- 230000003187 abdominal effect Effects 0.000 claims description 10
- 210000000115 thoracic cavity Anatomy 0.000 claims description 8
- 238000001035 drying Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 13
- 238000002591 computed tomography Methods 0.000 description 57
- 210000003734 kidney Anatomy 0.000 description 8
- 210000004185 liver Anatomy 0.000 description 6
- 210000001731 descending colon Anatomy 0.000 description 5
- 210000001630 jejunum Anatomy 0.000 description 5
- 210000003384 transverse colon Anatomy 0.000 description 5
- 210000001198 duodenum Anatomy 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 210000000232 gallbladder Anatomy 0.000 description 3
- 210000000496 pancreas Anatomy 0.000 description 3
- 210000000952 spleen Anatomy 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 210000001072 colon Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000003405 ileum Anatomy 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G06T5/70—
-
- G06T5/73—
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30008—Bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Abstract
本发明涉及医学CT图像处理技术领域，公开了一种基于人工神经网络的CT图像分割方法，包括如下步骤：对CT图像进行预处理；分割骨骼部分，获取腹腔的外轮廓，并确定断层数；在骨骼的轮廓内部进行脏腑器官特征识别，提取单独脏腑器官的轮廓；对脏腑器官轮廓处理后分割，分类存储；判断是否将该断层内的所有脏腑器官分割出来，如没有，返回重新处理，否则，进行下一步；依据需求集中提取某个脏腑器官的多个断层数据；该方法通过先分割骨骼部分，快速确定脏腑器官所在区域，减少后续脏腑器官识别分割的数据处理，减少了无效的识别，加快了分割速度；通过设置标准库，对分割后的图像数据进行检测，保证了分割出图像的完整度。
Description
技术领域
本发明涉及医学CT图像处理技术领域，具体涉及一种基于人工神经网络的CT图像分割方法。
背景技术
CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，生成的CT图像能够辅助医生进行判断和治疗，这需要医生的专业度以及熟练度，现今卷积神经网络在图像分割领域得到了显著成就，已经应用在医学图像中的器官识别以及区域检测，但由于腹部断层CT图像具有部分容积效应、灰度不均匀性、伪影、不同软组织间灰度的接近性特点，对于从CT图像上将感兴趣区域准确提取出来，并进一步放大分析，存在分割不完全、噪点多的现象。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于人工神经网络的CT图像分割方法。
为了实现上述目的，本发明提供如下技术方案：
一种基于人工神经网络的CT图像分割方法，包括如下步骤：
S1：对CT图像进行预处理；
S2：分割骨骼部分，获取腹腔的外轮廓，并依据骨骼确定断层数；
S3：在骨骼的轮廓内部进行脏腑器官特征识别，提取单独脏腑器官的轮廓；
S4：对脏腑器官轮廓处理后进行分割，并分类存储；
S5：对分割后的每一断层对应的脏腑器官数量进行判别，以确定是否将该断层内的所有脏腑器官分割出来，如没有，返回步骤S2重新处理，否则，进行下一步；
S6：依据需求集中提取某个脏腑器官的多个断层数据。
在本发明中，优选的，在步骤S1中，预处理依次包括像素处理、锐化处理和去噪处理，其中像素处理用于降低CT图像的像素值范围。
在本发明中，优选的，所述锐化处理对原像素点的像素值进行修改，改后像素值等于与其相邻的上下左右四个像素点之和减去自身像素值。
在本发明中，优选的，所述去燥处理采用中值滤波方式，对图像进行去燥处理，降低CT图像的噪点。
在本发明中，优选的，在步骤S2中，依据骨骼的CT图像特性，识别胸椎、椎弓、棘突以及肋骨，从而确定腹腔的外轮廓。
在本发明中，优选的，由于CT图像在进行断层扫描，位置不同，对应得到的CT图像内的脏腑器官形态不同，故依据得到的肋骨状态确定CT图像的纵向断层顺序，不同的断层数对应的脏腑器官识别出的种类不同。
在本发明中，优选的，在步骤S3中，依据步骤S2中识别的骨骼，以骨骼的内侧轮廓线位边界，采用全卷积神经网路进行脏腑器官的轮廓识别。
在本发明中，优选的，在步骤S4中，通过开运算对轮廓外部噪声进行消除，使轮廓线平滑，并按照轮廓线进行分割，分割后图像数据按对应的脏腑器官的名称和所在断层数进行分类存储。
在本发明中，优选的，在步骤S5中，为避免分割的脏腑器官种类有遗漏，将分割出的每一断层的脏腑器官与标准库进行比对判定。
与现有技术相比，本发明的有益效果是：
本发明的方法通过前期图像预处理，降低图像像素，并锐化边缘，去除前期噪点，使得CT图像中各脏腑器官和骨骼边缘清晰平滑，方便后续处理；并通过先分割骨骼部分，快速确定脏腑器官所在区域，减少后续脏腑器官识别分割的数据处理，减少了无效的识别，加快了分割速度；通过设置标准库，对分割后的图像数据进行检测，保证了分割出图像的完整度；通过对脏腑器官分类、不同断层的集中存储，方便了后续人员的调用和对比查看。
附图说明
图1为本发明所述的一种基于人工神经网络的CT图像分割方法的流程图。
图2为10个腹部断层CT图像。
图3为各脏腑器官对应的CT值(HU)。
图4为本发明所述的一种基于人工神经网络的CT图像分割方法得到的骨骼分割图。
图5为本发明所述的一种基于人工神经网络的CT图像分割方法得到的腹部外轮廓示意图。
图6为本发明所述的一种基于人工神经网络的CT图像分割方法得到的脏腑器官分割图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请同时参见图1，本发明一较佳实施方式提供一种基于人工神经网络的CT图像分割方法，主要用于对腹部断层CT图像内的各脏腑器官进行识别与分割，并将脏腑器官在不同断层的图像分组进行保存，在需要查看时方便同时展示不同断层下的该脏腑器官的形态，从而辅助人员更好得进行查看；包括如下步骤：S1：对CT图像进行预处理，以去除伪影以及使CT图像内的各脏腑器官边缘明确；S2：分割骨骼部分，获取腹腔的外轮廓，并依据骨骼确定断层数；S3：在骨骼的轮廓内部进行脏腑器官特征识别，提取单独脏腑器官的轮廓，从而确定脏腑器官集中区域，减少后续数据处理，从而加快识别速度；S4：对脏腑器官轮廓处理后进行分割，并分类存储；S5：对分割后的每一断层对应的脏腑器官数量进行判别，以确定是否将该断层内的所有脏腑器官分割出来，如没有，返回步骤S2重新处理，否则，进行下一步；S6：依据需求集中提取某个脏腑器官的多个断层数据。
具体的，CT图像的像素值范围较广，其超过了人眼可观察的范围，且会影响后续分割，所以在进行图像分割前，需要对CT图像进行预处理，预处理依次包括像素处理、锐化处理和去噪处理，其中像素处理主要通过建立映射关系进行，将原始像素通过非线性映射到新的CT图像中，从而降低CT图像整体的像素值范围。
进一步的，锐化处理对原像素点的像素值进行修改，改后像素值等于与其相邻的上下左右四个像素点之和减去自身像素值，通过锐化处理，将像素降低的CT图像边界清晰，脏腑器官清晰，方便后期进行分割。
进一步的，去燥处理采用中值滤波方式，对图像进行去燥处理，将图像中孤立像素点去除，使得CT图像的整体图像顺滑，无噪点。
在本实施方式中，在步骤S2中，依据骨骼的CT图像特性，识别胸椎、椎弓、棘突以及肋骨，从而确定腹腔外轮廓。
具体的，如图2所示，在腹部断层CT图像中，不论断层数是多少，在CT图像中都包括有胸椎，以及胸椎内的椎管，其中椎管断层为椭圆形，在部分腹部断层CT图像中椎管内还包括有脊髓，脊髓同为椭圆形；如图3所示，CT图像依据人体不同组织对射线穿透力度不同原理进行成像，其中骨骼部分由于其密度大，对应的在CT图像中的CT值相比其他脏腑器官的也大，而各个脏腑器官对应的CT值相近，因此通过阈值分割法将胸椎和肋骨从脏腑器官中分割处理，由于脏腑器官接近，故无法将脏腑器官进行分割；先获取CT图像中每一像素点内对应的CT值，依据CT值进行筛选，将CT值大于400的像素点进行标记，对标记点聚集的区域画轮廓线，从而将骨骼部分分割出来，以第一断层为例，分割出的骨骼如图4所示，接着依据骨骼外轮廓线，将骨骼内侧的外轮廓线平滑的连接，从而确定出脏腑器官所在区域，如图5所示，从而减小后续脏腑器官处理量。
在本实施方式中，如图2所示，由于CT图像在进行断层扫描，位置不同，对应得到的CT图像内的脏腑器官形态不同，故依据得到的肋骨状态确定CT图像的纵向断层顺序，不同的断层数对应的脏腑器官识别出的种类不同。
进一步的，在腹部断层CT图像中，依据断层数不同，即采集的位置不同，CT图像内包含的脏腑器官种类不同，胸椎以及肋骨状态不同，依据步骤S2中分割的骨骼部分区域，计算骨骼区域像素点总数，并计算出骨骼像素点数占整体CT图像像素的比值，将输入的若干个断层CT图像的骨骼像素占比从大到小排列，从而确定整组腹部断层CT图像的从上自下位置关系，对应的断层数从小到大，即当断层数具体为1到10时，每一断层的骨骼占比对应从大到小，对应人体位置由上到下。每一断层内包括的脏腑器官不同，在第一断层和第二断层中，脏腑器官主要包括右肺、肝右页、胃、脾脏、结肠左曲和左肺；在第三断层和第四断层主要包括肝右页、右肺、胰腺、胃、空肠、横结肠、降结肠、左肾、左肺和脾脏；第五断层主要包括肝右页、胆囊、十二指肠降段、胰腺(体部)、空肠、横结肠、降结肠、左肾、脾脏；第六断层主要包括肝脏、胆囊、右肾、十二指肠降段、空肠、胰腺(头部)、横结肠、降结肠、左肾；第七断层至第九断层主要包括肝脏、胆囊、右肾、结肠右曲、十二指肠、空肠、横结肠、降结肠、左肾；第十断层主要包括肝脏、右肾、横结肠、回肠、结肠右曲、十二指肠、空肠、左肾、降结肠。
进一步的，在步骤S3中，依据步骤S2中识别的骨骼，以骨骼的内侧轮廓线位边界，采用全卷积神经网路进行脏腑器官的轮廓识别。
具体的，采用的全卷积神经网络通过前期各脏腑器官分别进行训练得到各神经层的权重，然后将处理后的CT图像输入到全卷积神经网络，通过全卷积神经网络的归一化处理、连续卷积、池化、与上采样的融合后再上采样，最终得到各个单独的脏腑器官分割图像，如图6所示的第一断层的脏腑器官分割图，可很好地将各脏腑器官分割出来。
在本实施方式中，在步骤S4中，通过开运算对轮廓外部噪声进行消除，使轮廓线平滑，并按照轮廓线进行分割，分割后图像数据按对应的脏腑器官的名称和所在断层数进行分类存储。
由于在腹部内环境复杂，在进行特征提取时，容易将非有效的脏腑器官识别并分割出来，从而使分割出来的图像杂乱，故对分割后的图像进行开运算，将有效分割以外的小的杂质区域去除，从而保证分割的有效区域准确，噪点少。
在本实施方式中，在步骤S5中，为避免分割的脏腑器官种类有遗漏，将分割出的每一断层的脏腑器官与标准库进行比对判定，标准库为每一断层包括的脏腑器官名称，通过将分割出的脏腑器官与同断层的标准库中的对比，看分割出的脏腑器官是否与标准库的相同，从而判断出识别是否完整，无遗漏，如不完整则重新进行识别与分割，保证了语义分割准确性。
进一步的，通过将各个脏腑器官单独存储，即单个脏腑器官对应的多个断层图像数据为一组存储，从而方便人员针对性查看某一指定器官，通过同时展示该器官的多个断层的图像，以辅助人员更好地进行对比和了解。
工作原理：
首先对腹部断层CT图像进行预处理，降低其像素值、并进行锐化和去燥，使CT图像中的脏腑器官以及骨骼部分轮廓清晰，接着依据骨骼密度大对应的CT值大，通过阈值分割简单快速将骨骼部分分割出来，依据胸椎和肋骨内轮廓线从而确定出脏腑器官所在位置区域，采用训练好的全卷积神经网络对脏腑器官进行轮廓识别，并对轮廓处理去燥后分割出来，按照分割的各脏腑器官名称以及对应的断层数分别进行存储，然后通过标准库对各断层分割出的脏腑器官进行对比检测，以确定分割的完整度，再确保无误后，分割后的图像可辅助人员进行特定脏腑器官的对比查看。
上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所提示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。
Claims (8)
1.一种基于人工神经网络的CT图像分割方法，其特征在于，包括如下步骤：
S1：对CT图像进行预处理，预处理依次包括像素处理、锐化处理和去噪处理；
S2：分割骨骼部分，依据骨骼的CT图像特性，识别胸椎、椎弓、棘突以及肋骨，从而获取腹腔的外轮廓，并依据分割的骨骼部分区域，计算骨骼区域像素点总数，计算出骨骼像素点数占整体CT图像像素的比值，将输入的若干个断层CT图像的骨骼像素占比从大到小排列，从而确定整组腹部断层CT图像的从上自下位置关系，即确定断层数；
S3：在骨骼的轮廓内部进行脏腑器官特征识别，提取单独脏腑器官的轮廓；
S4：对脏腑器官轮廓处理后进行分割，并分类存储；
S5：对分割后的每一断层对应的脏腑器官数量进行判别，以确定是否将断层内的所有脏腑器官分割出来，如没有，返回步骤S2重新处理，否则，进行下一步；
S6：依据需求集中提取某个脏腑器官的多个断层数据。
2.根据权利要求1所述的一种基于人工神经网络的CT图像分割方法，其特征在于，在步骤S1中，其中像素处理用于降低CT图像的像素值范围。
3.根据权利要求2所述的一种基于人工神经网络的CT图像分割方法，其特征在于，所述锐化处理对原像素点的像素值进行修改，改后像素值等于与其相邻的上下左右四个像素点之和减去自身像素值。
4.根据权利要求2所述的一种基于人工神经网络的CT图像分割方法，其特征在于，去燥处理采用中值滤波方式，对图像进行去燥处理，降低CT图像的噪点。
5.根据权利要求4所述的一种基于人工神经网络的CT图像分割方法，其特征在于，由于CT图像在进行断层扫描，位置不同，对应得到的CT图像内的脏腑器官形态不同，故依据得到的肋骨状态确定CT图像的纵向断层顺序，不同的断层数对应的脏腑器官识别出的种类不同。
6.根据权利要求1所述的一种基于人工神经网络的CT图像分割方法，其特征在于，在步骤S3中，依据步骤S2中识别的骨骼，以骨骼的内侧轮廓线位边界，采用全卷积神经网路进行脏腑器官的轮廓识别。
7.根据权利要求6所述的一种基于人工神经网络的CT图像分割方法，其特征在于，在步骤S4中，通过开运算对轮廓外部噪声进行消除，使轮廓线平滑，并按照轮廓线进行分割，分割后图像数据按对应的脏腑器官的名称和所在断层数进行分类存储。
8.根据权利要求1所述的一种基于人工神经网络的CT图像分割方法，其特征在于，在步骤S5中，为避免分割的脏腑器官种类有遗漏，将分割出的每一断层的脏腑器官与标准库进行比对判定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110357106.7A CN113034522B (zh) | 2021-04-01 | 2021-04-01 | 一种基于人工神经网络的ct图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110357106.7A CN113034522B (zh) | 2021-04-01 | 2021-04-01 | 一种基于人工神经网络的ct图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113034522A CN113034522A (zh) | 2021-06-25 |
| CN113034522B true CN113034522B (zh) | 2022-11-01 |
Family
ID=76454059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110357106.7A Active CN113034522B (zh) | 2021-04-01 | 2021-04-01 | 一种基于人工神经网络的ct图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113034522B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114504867B (zh) * | 2021-12-31 | 2022-12-23 | 江苏天河水务设备有限公司 | 一种农牧废水多级处理系统的处理方法 |
| CN116681717B (zh) * | 2023-08-04 | 2023-11-28 | 经智信息科技(山东)有限公司 | 一种ct图像的分割处理方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101261732A (zh) * | 2008-03-04 | 2008-09-10 | 浙江大学 | 多排螺旋ct影像中的自动分割肝脏区域的方法 |
| CN106204587A (zh) * | 2016-05-27 | 2016-12-07 | 孔德兴 | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 |
| CN106898044A (zh) * | 2017-02-28 | 2017-06-27 | 成都金盘电子科大多媒体技术有限公司 | 一种基于医学影像并利用vr技术的器官拆分和操作方法及系统 |
| CN110223300A (zh) * | 2019-06-13 | 2019-09-10 | 北京理工大学 | Ct图像腹部多器官分割方法及装置 |
| CN110705555A (zh) * | 2019-09-17 | 2020-01-17 | 中山大学 | 基于fcn的腹部多器官核磁共振图像分割方法、系统及介质 |
| CN112164073A (zh) * | 2020-09-22 | 2021-01-01 | 江南大学 | 一种基于深度神经网络的影像三维组织分割与测定方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006015451A1 (de) * | 2006-03-31 | 2007-10-11 | Siemens Ag | Verfahren und Vorrichtung zur automatischen Differenzierung von Knochen oder anderen kalziumhaltigen Materialien und Kontrastmittel in Weichteilgewebe |
| JP4350738B2 (ja) * | 2006-10-27 | 2009-10-21 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | Ｘ線断層撮影装置およびアーチファクトの低減方法 |
| JP4414420B2 (ja) * | 2006-10-27 | 2010-02-10 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | Ｘ線断層撮影装置およびアーチファクトの低減方法 |
| CN110570515A (zh) * | 2019-09-03 | 2019-12-13 | 天津工业大学 | 一种利用ct图像进行人体骨骼三维建模的方法 |
| CN110634144B (zh) * | 2019-09-23 | 2022-08-02 | 武汉联影医疗科技有限公司 | 一种卵圆孔定位方法、装置和存储介质 |
-
2021
- 2021-04-01 CN CN202110357106.7A patent/CN113034522B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101261732A (zh) * | 2008-03-04 | 2008-09-10 | 浙江大学 | 多排螺旋ct影像中的自动分割肝脏区域的方法 |
| CN106204587A (zh) * | 2016-05-27 | 2016-12-07 | 孔德兴 | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 |
| CN106898044A (zh) * | 2017-02-28 | 2017-06-27 | 成都金盘电子科大多媒体技术有限公司 | 一种基于医学影像并利用vr技术的器官拆分和操作方法及系统 |
| CN110223300A (zh) * | 2019-06-13 | 2019-09-10 | 北京理工大学 | Ct图像腹部多器官分割方法及装置 |
| CN110705555A (zh) * | 2019-09-17 | 2020-01-17 | 中山大学 | 基于fcn的腹部多器官核磁共振图像分割方法、系统及介质 |
| CN112164073A (zh) * | 2020-09-22 | 2021-01-01 | 江南大学 | 一种基于深度神经网络的影像三维组织分割与测定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113034522A (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11514572B2 (en) | Automatic image segmentation methods and analysis | |
| CN110796613B (zh) | 一种图像伪影的自动识别方法及装置 | |
| CN107045721B (zh) | 一种从胸部ct图像中提取肺血管的方法及装置 | |
| Van Rikxoort et al. | Automatic segmentation of pulmonary segments from volumetric chest CT scans | |
| CN107527341B (zh) | 血管造影图像的处理方法和系统 | |
| CN103249358B (zh) | 医用图像处理装置 | |
| US10902596B2 (en) | Tomographic data analysis | |
| EP3144892B1 (en) | Method for automatic segmentation of body tissues | |
| CN113034522B (zh) | 一种基于人工神经网络的ct图像分割方法 | |
| Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
| CN111047572A (zh) | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 | |
| Elsayed et al. | Automatic detection of the pulmonary nodules from CT images | |
| JP4717585B2 (ja) | 医用画像判定装置、医用画像判定方法およびそのプログラム | |
| JP2001511374A (ja) | 側面胸部放射線像の肺領域を分割する方法とシステム | |
| CN109919254B (zh) | 乳腺密度分类方法、系统、可读存储介质和计算机设备 | |
| CN110555860B (zh) | 医学图像中肋骨区域标注的方法、电子设备和存储介质 | |
| KR102206621B1 (ko) | 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션 | |
| JP3842171B2 (ja) | 断層像処理装置 | |
| CN113850328A (zh) | 基于多视角深度学习的非小细胞肺癌亚型分类系统 | |
| CN111325754B (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
| CN114037803B (zh) | 医学图像三维重建方法及系统 | |
| Marar et al. | Mandible bone osteoporosis detection using cone-beam computed tomography | |
| CN112150406A (zh) | 一种基于ct影像的气胸致肺萎陷程度精确计算方法 | |
| KR100332072B1 (ko) | 단층촬영 영상으로부터의 장기 추출 및 체적산출방법 | |
| Tong et al. | An algorithm for locating landmarks on dental X-rays |
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 |