CN113139948B - 器官轮廓线质量评估方法、装置及系统 - Google Patents

器官轮廓线质量评估方法、装置及系统 Download PDF

Info

Publication number
CN113139948B
CN113139948B CN202110470069.0A CN202110470069A CN113139948B CN 113139948 B CN113139948 B CN 113139948B CN 202110470069 A CN202110470069 A CN 202110470069A CN 113139948 B CN113139948 B CN 113139948B
Authority
CN
China
Prior art keywords
region
contour line
distribution condition
gray level
texture entropy
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
Application number
CN202110470069.0A
Other languages
English (en)
Other versions
CN113139948A (zh
Inventor
徐寿平
周琦超
盛华山
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.)
Manteia Data Technology Co ltd In Xiamen Area Of Fujian Pilot Free Trade Zone
Original Assignee
Manteia Data Technology Co ltd In Xiamen Area Of Fujian Pilot Free Trade Zone
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 Manteia Data Technology Co ltd In Xiamen Area Of Fujian Pilot Free Trade Zone filed Critical Manteia Data Technology Co ltd In Xiamen Area Of Fujian Pilot Free Trade Zone
Priority to CN202110470069.0A priority Critical patent/CN113139948B/zh
Publication of CN113139948A publication Critical patent/CN113139948A/zh
Application granted granted Critical
Publication of CN113139948B publication Critical patent/CN113139948B/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
    • 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
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • 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
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (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)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种器官轮廓线质量评估方法、装置及系统。其中，该方法包括：获取目标图像，其中，目标图像中包括多个体素，目标图像至少包含目标器官的医学图像以及勾画的目标器官的轮廓线；依据轮廓线，在目标图像中确定第一区域和第二区域，其中，第一区域位于轮廓线所包围区域外侧，第二区域位于轮廓线所包围区域内侧；确定第一区域的目标属性的第一评价指标和第二区域的目标属性的第二评价指标；依据第一评价指标和第二评价指标确定轮廓线的质量评定结果，并输出质量评定结果。本发明解决了现有器官轮廓线质量评估方法对轮廓线附近区域的图像属性利用不足，因而对轮廓线的局部细节评估不足，导致对轮廓线的评估结果准确度较低的技术问题。

Description

器官轮廓线质量评估方法、装置及系统
技术领域
本发明涉及医学影像领域，具体而言，涉及一种器官轮廓线质量评估方法、装置及系统。
背景技术
在分馏放疗(fractionated radiotherapy)中，患者的治疗计划通常在治疗前使用规划CT生成。然而，由于设置误差和患者的解剖结构变化引起的分馏差异，在治疗前生成的计划可能不是治疗期间某一天的最佳值。为了将这些变化和不确定性可视化，诸如机载锥形束CT、核磁共振成像(MRI)等成像技术被应用到治疗室，成为常规设备。更精细的分馏变化管理引入了在线自适应重规划(online adaptive replanning,OLAR)，它利用治疗当天的成像数据，根据实时的解剖结构，优化治疗计划。
由于OLAR必须在患者躺在治疗床上等待治疗的期间完成在线计划，因此其速度和效率至关重要。目前，OLAR的一个主要瓶颈是分割患者解剖结构所需的时间过长，可能长达30分钟。部分原因是需要人工审查自动或手动描绘的器官轮廓。此外，人工评估轮廓的正确性受用户经验、敏感性等人为因素影响，可能导致评估错误的发生。因此，要想控制和加速OLAR的临床实践，稳定和自动的轮廓质量验证是必要的。
目前有有以下几种对轮廓质量评估的方法：Altman等人设计出一种基于知识(knowledge-based)的轮廓质量评估方法，该方法通过提取大小、形状、位置等临床相关指标进行评估；另一种方法基于几何属性分布(GAD)模型，使用质心、体积、形状、相对距离等几何参数来描述轮廓的变化和评估。McIntosh等人使用轮廓形状、密度特征和随即森林分类来评估轮廓质量；Hui等人利用胸腔的容积特征开发出轮廓质量评估工具。
然而上述轮廓质量评估方法计算量大，效率较低，并且现有算法通常会用到一些医学方面的知识，如左肺在右肺左边，器官在身体内部，器官单连通等来辅助评估评估，但是对轮廓线附近区域的图像属性利用不足，因而对轮廓线的局部细节评估不足，导致对轮廓线的评估结果准确度较低。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种器官轮廓线质量评估方法、装置及系统，以至少解决由于现有器官轮廓线质量评估方法对轮廓线附近区域的图像属性利用不足，因而对轮廓线的局部细节评估不足，导致对轮廓线的评估结果准确度较低的技术问题。
根据本发明实施例的一个方面，提供了一种器官轮廓线质量评估方法，包括：获取目标图像，其中，目标图像中包括多个体素，目标图像至少包含目标器官的医学图像以及勾画的目标器官的轮廓线；依据轮廓线，在目标图像中确定第一区域和第二区域，其中，第一区域位于轮廓线所包围区域外侧，第二区域位于轮廓线所包围区域内侧；确定第一区域的目标属性的第一评价指标和第二区域的目标属性的第二评价指标；依据第一评价指标和第二评价指标确定轮廓线的质量评定结果，并输出质量评定结果。
可选地，第一评价指标包括第一灰度分布情况和第一纹理熵分布情况，第二评价指标包括第二灰度分布情况和第二纹理熵分布情况。
可选地，依据第一评价指标和第二评价指标确定轮廓线的质量评定结果，包括：依据第一灰度分布情况，确定第一区域的第一灰度聚集程度，以及依据第一纹理熵分布情况，确定第一区域的第一纹理熵聚集程度；依据第二灰度分布情况，确定第二区域的第二灰度聚集程度，以及依据第二纹理熵分布情况，确定第二区域的第二纹理熵聚集程度；比较第一灰度分布情况和第二灰度分布情况，确定第一区域和第二区域的灰度分布重叠程度，以及比较第一纹理熵分布情况和第二纹理熵分布情况，确定第一区域和第二区域的纹理熵分布重叠程度；依据第一灰度聚集程度、第一纹理熵聚集程度、第二灰度聚集程度、第二纹理熵聚集程度、灰度分布重叠程度和纹理熵分布重叠程度确定轮廓线的质量评定结果。
可选地，依据第一灰度聚集程度，第一纹理聚集程度，第二灰度聚集程度，第二纹理熵聚集程度，灰度分布重叠程度，纹理熵分布重叠程度确定轮廓线的质量评定结果，包括：当第一灰度聚集程度大于第一聚集程度阈值，第二灰度聚集程度大于第二聚集程度阈值，第一纹理熵聚集程度大于第三聚集程度阈值，第二纹理熵聚集程度大于第四聚集程度阈值，灰度分布重叠程度小于第一重叠程度阈值，纹理熵分布重叠程度小于第二重叠程度阈值，判定轮廓线的质量评定结果为合格；当第一灰度聚集程度大于第一聚集程度阈值，第二灰度聚集程度大于第二聚集程度阈值，第二纹理熵聚集程度小于第四聚集程度阈值，灰度分布重叠程度大于第一重叠程度阈值，判定轮廓线的质量评定结果为不合格；当第一灰度聚集程度小于第一聚集程度阈值，纹理熵分布重叠程度小于第二重叠程度阈值，判定轮廓线的质量评定结果为不合格。
可选地，第一灰度分布情况依据第一区域对应的第一灰度概率分布情况确定，第一纹理熵分布情况依据第一区域对应的第一纹理熵概率分布情况确定，第二灰度分布情况依据第二区域的第二灰度概率分布情况确定，第二纹理熵分布情况依据第二区域的第二纹理熵概率分布情况确定。
可选地，依据轮廓线，在目标图像中确定第一区域和第二区域，包括：确定目标图像中的体素与轮廓线之间的有向距离；比较有向距离和第一阈值，以及比较有向距离和第二阈值；依据比较结果，确定位于第一区域和第二区域的体素，其中，位于第一区域的体素与轮廓线的最小有向距离小于第一阈值，位于第二区域的体素与轮廓线的最小有向距离大于第二阈值。
根据本发明实施例的另一方面，还提供了一种器官轮廓线质量评估装置，包括：获取模块，用于获取目标图像，其中，目标图像中包括多个体素，目标图像至少包含目标器官的图像以及勾画的目标器官的轮廓线；划分模块，用于依据轮廓线，在目标图像中确定第一区域和第二区域，其中，第一区域位于轮廓线所包围区域外侧，第二区域位于轮廓线所包围区域内侧；计算模块，用于确定第一区域的目标属性的第一评价指标和第二区域的目标属性的第二评价指标；评价模块，依据第一评价指标和第二评价指标确定轮廓线的质量评定结果，并输出质量评定结果。
根据本发明实施例的另一方面，还提供了一种器官轮廓线质量评估系统，包括：图像采集装置，用于获取目标图像，其中，目标图像中包括多个体素，目标图像至少包含目标器官的医学图像以及勾画的目标器官的轮廓线；数据处理装置，用于：依据轮廓线，在目标图像中确定第一区域和第二区域，其中，第一区域位于轮廓线所包围区域外侧，第二区域位于轮廓线所包围区域内侧；确定第一区域的目标属性的第一评价指标和第二区域的目标属性的第二评价指标；依据第一评价指标和第二评价指标确定轮廓线的质量评定结果；展示装置，用于输出质量评定结果。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行器官轮廓线质量评估方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行官轮廓线质量评估方法。
在本发明实施例中，采用获取目标图像，其中，目标图像中包括多个体素，目标图像至少包含目标器官的图像以及勾画的目标器官的轮廓线；依据轮廓线，在目标图像中确定第一区域和第二区域，其中，第一区域位于轮廓线所包围区域外侧，第二区域位于轮廓线所包围区域内侧；确定第一区域的目标属性的第一评价指标和第二区域的目标属性的第二评价指标；依据第一评价指标和第二评价指标确定轮廓线的质量评定结果，并输出质量评定结果的方式，通过对图像本身属性的比较，达到了快速评定目标器官轮廓质量的目的，从而实现了提高目标器官轮廓质量评估速度的技术效果，进而解决了由于现有器官轮廓线质量评估方法对轮廓线附近区域的图像属性利用不足，因而对轮廓线的局部细节评估不足，导致对轮廓线的评估结果准确度较低技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种器官轮廓线质量评估方法的方法示意图；
图2是根据本发明实施例的医学影像图；
图3a是根据本发明实施例的掩膜示意图；
图3b是根据本发明实施例的有向距离场示意图；
图4a是根据本发明实施例的内壳区域示意图；
图4b是根据本发明实施例的外壳区域示意图；
图5是根据本发明实施例的灰度光滑后的医学影像灰度图；
图6是根据本发明实施例的灰度共生矩阵计算过程的示意图；
图7a是根据本发明实施例的灰度概率分布情况图；
图7b是根据本发明实施例的纹理熵概率分布情况图；
图8a是根据本发明实施例的轮廓线质量合格的医学影像图；
图8b是根据本发明实施例的轮廓线质量合格的灰度概率分布情况图和纹理熵概率分布情况图；
图9a是根据本发明实施例的轮廓线包围区域过小的医学影像图；
图9b是根据本发明实施例的轮廓线包围区域过小的灰度概率分布情况图和纹理熵概率分布情况图；
图10a是根据本发明实施例的轮廓线包围区域过大的医学影像图；
图10b是根据本发明实施例的轮廓线包围区域过大的灰度概率分布情况图和纹理熵概率分布情况图；
图11是根据本发明实施例的一种器官轮廓线质量评估装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种器官轮廓线质量评估方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的器官轮廓线质量评估方法，如图1所示，该方法包括如下步骤：
步骤S102，获取目标图像，其中，所述目标图像中包括多个体素，所述目标图像至少包含目标器官的医学图像以及勾画的所述目标器官的轮廓线；
上述体素是体积元素的简称，是数字数据于三维空间分割上的最小单位。体素常用于三维成像、科学数据和医学影像等领域。
在本申请的一些实施例中，在得到了如图2所示的包含目标器官的医学影像图后，还需要计算基于目标器官图像勾画的有向距离场。上述有向距离场表示目标器官图像及其附近的图像中任给一点p到勾画的目标器官的轮廓线上的某一点q点且该距离最短的长度。其中，有向表示勾画外数值为正，勾画内数值为负，也就是说在本申请实施例中，当点p位于轮廓线所包围的区域之外时，定义点p到轮廓线的有向距离的方向为正值；当点p位于轮廓线所包围的区域之内时，定义点p到轮廓线的有向距离为负值。p点的有向距离计算公式如下：
SDM(p)＝-minq∈contour||p--q||2p在轮廓线所包围区域内
SDM(p)＝+minq∈contour||p-q||2p在轮廓线所包围区域外
其中，上式中的SDM(p)表示点p到点q的有向距离，点q为轮廓线上的点，且满足点p到点q的有向距离为点p到轮廓线的最小有向距离。||p-q||2表示以点p和点q为端点，方向为从p指向q的向量的二维范数，即所述向量的长度。
图3b即为最终得到的有向距离场的一个示意图，图中每个点的灰度值表示所述点与轮廓线的最小有向距离的大小，灰度值越大，则有向距离的距离越大。
步骤S104，依据所述轮廓线，在所述目标图像中确定第一区域和第二区域，其中，所述第一区域位于所述轮廓线所包围区域外侧，所述第二区域位于所述轮廓线所包围区域内侧；
在本申请的一些实施例中，依据所述轮廓线，在所述目标图像中确定第一区域和第二区域后，还需要确定第一区域和第二区域中的体素，具体地，需要确定所述目标图像中的体素与所述轮廓线之间的有向距离；然后比较所述有向距离和第一阈值，以及比较所述有向距离和第二阈值；最后依据比较结果，确定位于所述第一区域和所述第二区域的体素，其中，位于所述第一区域的体素与所述轮廓线的最小有向距离小于所述第一阈值，位于所述第二区域的体素与所述轮廓线的最小有向距离大于所述第二阈值。
具体地，在得到上述有向距离场后，可以通过阈值分割的方法来确定属于第一区域和第二区域的体素。其中，所述阈值可自行设定，例如，可规定阈值为4mm，这样距离轮廓线4mm以内的且位于所述轮廓线包围区域外的体素属于外壳(即第一区域，下同)，距离轮廓4mm以内且位于所述轮廓线包围区域内的体素属于内壳(即第二区域，下同)。
可以理解地，上述距离轮廓线4mm以内指的是体素与轮廓线的最小有向距离的绝对值不大于4mm。
优选地，本申请实施例中所涉及到的阈值均可通过基于大量数据对决策树模型进行训练得到。
在本申请的一些实施例中，还可以通过基于掩膜的方法来提取内壳和外壳中的体素。
具体地，可以通过阈值分割确定内壳和外壳分别对应的掩膜，然后通过掩膜来确定内壳和外壳中的体素。其中，所述掩膜的作用为只提取目标图像中需要处理的图像，可以起到提高计算效率的作用。
上述通过阈值分割确定掩膜的具体步骤为：通过使用大量数据对决策树模型进行训练，得到目标阈值，然后基于目标阈值确定内壳掩膜和外壳掩膜所对应的区域，最终得到的掩膜如图3a所示。依据掩膜提取地内壳区域体素如图4a所示，外壳区域体素如图4b所示。
步骤S106，确定所述第一区域的目标属性的第一评价指标和所述第二区域的所述目标属性的第二评价指标；
在本申请的一些实施例中，所述第一评价指标包括第一灰度分布情况和第一纹理熵分布情况，所述第二评价指标包括第二灰度分布情况和第二纹理熵分布情况。
上述纹理熵是图像信息度的度量，是测量灰度级分布随机性的特征参数，可以表征纹理的复杂程度。
在本申请的一些实施例中，在确定所述第一区域的目标属性的第一评价指标和所述第二区域的所述目标属性的第二评价指标之前，还可以提前对目标区域进行光滑，从而祛除图像中的噪点，提高轮廓质量评估结果。图5即为光滑处理后的图像。
在本申请的一些实施例中，所述第一灰度分布情况依据所述第一区域对应的第一灰度概率分布情况确定，所述第一纹理熵分布情况依据所述第一区域对应的第一纹理熵概率分布情况确定，所述第二灰度分布情况依据所述第二区域的第二灰度概率分布情况确定，所述第二纹理熵分布情况依据所述第二区域的第二纹理熵概率分布情况确定。
具体地，上述灰度概率分布情况的确定方法为：统计内外壳区域中各自所包含体素的灰度值，并分别获取内壳区域和外壳区域的灰度分布直方图，然后在分别依据内壳区域和外壳区域的灰度分布直方图，确定内壳区域和外壳区域中的各个灰度值出现的频率，从而依据所述频率得到内壳区域和外壳区域各自的灰度概率分布函数，所述函数用于表征所述灰度概率分布情况。
同样地，在得到上述纹理熵概率分布情况之前，首先需要得到内壳区域和外壳区域各自的纹理熵分布直方图。以内壳区域为例，确定内壳区域的纹理熵分布直方图的流程为：计算内壳区域的每个体素邻域内的灰度共生矩阵，并依据所述灰度共生矩阵确定内壳区域中每个体素的纹理熵；然后获取内壳区域的纹理熵分布直方图，并依据所述纹理熵分布直方图确定各个纹理熵值出现的频率，从而依据所述频率得到内壳区域的纹理熵概率分布函数，所述函数用于表征所述纹理熵概率分布情况。外壳的纹理熵概率分布函数获取过程与内壳纹理熵概率分布函数的获取过程相同，故不再赘述。
上述灰度共生矩阵(GLCM)是种描述图像局部区域或整体区域的某像素与相邻像素或一定距离内的像素的灰度关系的矩阵，矩阵中的元素值表示灰度值之间联合条件概率密度p(i，j|d，θ),即在给定空间距离d和方向θ时，灰度以i为起始点(行)，出现灰度值j(列)的概率(频率)。具体地，灰度共生矩阵的计算过程如图6所示。图6左侧为计算实线圆中的像素邻域灰度共生矩阵的过程，所述像素的灰度值即为i，箭头表示此时给定的方向为-45°，虚线圆中的像素的灰度值即为j，图6右侧为θ的优选的取值。
在得到灰度共生矩阵后，依据所述灰度共生矩阵计算内壳区域的纹理熵的公式如下：
Figure BDA0003045153240000081
上式中，Entropy表示纹理熵的值，i，j分别表示为灰度值i和灰度值j，quantk表示灰度值的最大值，p(i，j)表示灰度共生矩阵中出现(i，j)的概率。
在计算出内壳区域中的所有纹理熵的值之后，同样是统计得到内壳区域纹理熵的分布直方图，并根据所述纹理熵的分布直方图得到内壳区域的纹理熵概率分布情况。
获得外壳区域的纹理熵概率分布情况的流程与上述获取内壳区域的纹理熵概率分布情况的流程相同，故不再赘述。
步骤S108，依据所述第一评价指标和所述第二评价指标确定所述轮廓线的质量评定结果，并输出所述质量评定结果。
在本申请地一些实施例中，依据所述第一评价指标和所述第二评价指标确定所述轮廓线的质量评定结果，包括：依据所述第一灰度分布情况，确定所述第一区域的第一灰度聚集程度，以及依据所述第一纹理熵分布情况，确定所述第一区域的第一纹理熵聚集程度；依据所述第二灰度分布情况，确定所述第二区域的第二灰度聚集程度，以及依据所述第二纹理熵分布情况，确定所述第二区域的第二纹理熵聚集程度；比较所述第一灰度分布情况和所述第二灰度分布情况，确定所述第一区域和所述第二区域的灰度分布重叠程度，以及比较所述第一纹理熵分布情况和所述第二纹理熵分布情况，确定所述第一区域和所述第二区域的纹理熵分布重叠程度；依据所述第一灰度聚集程度、所述第一纹理熵聚集程度、所述第二灰度聚集程度、所述第二纹理熵聚集程度、所述灰度分布重叠程度和所述纹理熵分布重叠程度确定所述轮廓线的质量评定结果。
在本申请的一些实施例中，上述第一灰度聚集程度，第二灰度聚集程度，第一纹理熵聚集程度，第二纹理熵聚集程度，灰度分布重叠程度，纹理熵分布聚集程度可以通过内壳区域和外壳区域各自的灰度概率分布情况和纹理熵概率分布情况来得到。
具体地，可以将内壳区域和外壳区域的灰度概率分布情况所对应的函数图像绘制在同一坐标系中，如图7a和图7b所示。其中，图7a是将内壳和外壳的灰度概率分布情况所对应的函数图像绘制在一个坐标系中，图7b是将内壳和外壳纹理熵的概率分布情况所对应的函数图像绘制在一个坐标系中。在得到内壳区域和外壳区域的灰度概率分布分布情况所对应的函数图像后，以外壳区域为例，计算第一灰度聚集程度的公式如下：
聚集程度＝μ0.95-μ0.05
上式中的μ0.05满足
Figure BDA0003045153240000091
μ0.95满足/>
Figure BDA0003045153240000092
f(x)表示外壳区域的灰度概率分布情况所对应的函数。
可以理解地，计算第二灰度聚集程度，以及第一纹理熵聚集程度，第二纹理熵聚集程度时均可通过上述计算第一灰度聚集程度的方法来计算，只是f(x)的含义发生变化。
具体地，当计算第二灰度聚集程度时，f(x)表示内壳区域的灰度概率分布情况所对应的函数；当计算第一纹理熵聚集程度时，f(x)表示外壳区域的纹理熵概率分布情况所对应的函数；当计算第二纹理熵聚集程度时，f(x)表示内壳区域的纹理熵概率分布情况所对应的函数。
在本申请的一些实施例中，上述函数在某个取值区间上的积分值可以近似认为等于自变量的值落在所述取值区间的概率。可以理解的，上述函数在整个取值区间上的积分值为1。
在本申请的一些实施例中，由于不同的图像可能有不同的灰度值取值范围，为了使不同灰度值取值范围的图像的聚集程度计算结果，可以用同一组阈值进行比较，在得到聚集程度后，还可以对聚集程度进行归一运算。归一化运算地具体过程如下：
Figure BDA0003045153240000093
上述公式中的各个部分的含义为：Gray表示归一化之后的聚集程度，gray表示归一化之前的聚集程度，Shell表示内壳区域和外壳区域中的任意一个体素的灰度值，min(Shell)为内壳区域和外壳区域中的灰度值的最小值，max(Shell)为内壳区域和外壳区域中的灰度值的最大值。经过上述归一化处理后，内壳区域和外壳区域中的聚集程度的取值区间变为[0,1]，从而使得不同灰度取值范围的图像可以基于同一组阈值进行评价。
其中，内壳区域的第二灰度聚集程度，以及内外壳区域的纹理熵聚集程度的计算方法与上述外壳区域的灰度聚集程度的计算方法相同，故在此不再赘述。
在本申请的一些实施例中，计算灰度分布重叠程度的公式如下：
Figure BDA0003045153240000101
上式中f(x)和g(x)分别表示外壳区域和内壳区域的灰度概率分布情况所对应的函数，max为自变量x可取的最大值。纹理熵分布重叠程度的计算方式与上述计算灰度分布重叠程度的方法相同，只是f(x)和g(x)分别表示外壳区域和内壳区域的纹理熵概率分布情况所对应的函数。
同样地，为了使得不同灰度值取值范围的图像重合程度可以使用同一组阈值进行比较，在计算得到上述重合程度后，也需要对重合程度进行归一化处理。
在本申请的一些实施例中，上述内外壳区域的灰度分布聚集程度，纹理熵分布聚集程度，灰度分布重叠程度以及纹理熵分布重叠程度和轮廓线质量之间的关系如下：
灰度分布越集中(灰度分布聚集程度越大)表示壳内灰度值越均匀，分布越弥散(灰度分布聚集程度越小)表示壳内灰度杂乱无章；内外壳灰度概率分布情况重叠的区域(即灰度分布重叠程度，所述灰度分布重叠程度可以用内壳外壳的灰度概率分布情况对应的函数图像在一个坐标系中的积分来表示)越小，表示勾画轮廓边界越清晰，适用于肺等器官；内外壳各自的纹理熵概率分布情况对应的函数图像越聚集表示壳内纹理越一致；内外壳的纹理熵概率分布情况对应的函数图像的重叠区域越小,表示该边界纹理分界较清晰。
为了能够更精确地通过内外壳灰度、纹理熵的聚集程度和重合程度判定轮廓线质量的优劣，还可以将上述第一灰度聚集程度，第二灰度聚集程度，第一纹理熵聚集程度，第二纹理熵聚集程度，灰度分布重叠程度，纹理熵分布重叠程度分别与对应的阈值进行比较，得到一个量化的比较结果。
具体地，上述阈值可以通过有监督的机器学习方式，使用决策树模型和带有标签的数据训练得到。
在本申请的一些实施例中，在得到上述聚集程度和重叠程度后，依据所述第一灰度聚集程度，所述第一纹理聚集程度，所述第二灰度聚集程度，所述第二纹理熵聚集程度，所述灰度分布重叠程度，所述纹理熵分布重叠程度，和所述阈值确定所述轮廓线的质量评定结果的判断过程如下：
当所述第一灰度聚集程度大于第一聚集程度阈值，所述第二灰度聚集程度大于第二聚集程度阈值，所述第一纹理熵聚集程度大于第三聚集程度阈值，所述第二纹理熵聚集程度大于第四聚集程度阈值，所述灰度分布重叠程度小于第一重叠程度阈值，所述纹理熵分布重叠程度小于第二重叠程度阈值，判定所述轮廓线的质量评定结果为合格，即可以认为所述轮廓线所包围的区域与目标器官的图像重合程度较好，也就是说可以认为所述轮廓线所包围的区域中不含有非目标器官的图像，或包含的非目标器官图像的区域面积与整个包围区域的面积的比值小于一定阈值；
具体地，如图8a和图8b所示，从图8a可以看出，轮廓线和实际器官的轮廓相匹配，轮廓线所包围区域和目标器官的图像完全重叠。从图8b可以看出，此时内壳灰度分布相对聚集，并且内壳与外壳的灰度分布重叠程度较低，内外壳的纹理熵分布重叠程度也交底，峰值互相错开，边缘纹理区分清晰。
当所述第一灰度聚集程度大于第一聚集程度阈值，所述第二灰度聚集程度大于第二聚集程度阈值，所述第二纹理熵聚集程度小于第四聚集程度阈值，所述灰度分布重叠程度大于第一重叠程度阈值，判定所述轮廓线的质量评定结果为不合格；
在本申请的一些实施例中，依据上述判断条件，还可以进一步判断不合格的原因是所述轮廓线包围区域未完全覆盖所述目标器官的图像，即未被所述包围区域覆盖的目标器官的图像面积与整个目标器官图像面积的比值大于一定阈值；
具体地，如图9a和图9b所示，从图9a可以看出，轮廓线所包围区域未能完全覆盖目标器官的图像。从图9b可以看出，此时内壳灰度分布相对聚集，但外壳同样聚集，且与内壳分布大量重合，表明内外壳的灰度差异性很小，并且外壳纹理分布分散，表明外壳内包含多种纹理的组织。
当所述第一灰度聚集程度小于第一聚集程度阈值，所述纹理熵分布重叠程度小于第二重叠程度阈值，判定所述轮廓线的质量评定结果为不合格。
在本申请的一些实施例中，依据上述判断条件，还可以进一步判断不合格的原因是所述轮廓线包围区域覆盖了除所述目标器官的图像之外的图像，即目标器官的图像面积与所述轮廓线包围区域的面积比值小于一定阈值。
在本申请的一些实施例中，上述第一聚集程度阈值用于衡量第一区域的灰度聚集程度，上述第二聚集程度阈值用于衡量第二区域的灰度聚集程度，上述第三聚集程度阈值用于衡量第一区域的纹理熵聚集程度，上述第四聚集程度阈值用于衡量第二区域的纹理熵聚集程度，上述第一重叠程度阈值用于衡量第一区域和第二区域的灰度分布重叠程度，上述第二重叠程度阈值用于衡量第一区域和第二区域的纹理熵分布重叠程度。
具体地，如图10a和图10b所示，从图10a可以看出，轮廓线所包围区域中有非目标器官图像的区域。从图10b可以看出，此时内壳灰度分布散乱，表明灰度差异性很大，并且内外壳纹理熵重叠度低，表明内外壳组织不同。
通过上述步骤，可以实现提高目标器官轮廓线质量评估速度的技术效果，适用于肺、膀胱、肾脏、肝脏等轮廓边界较清晰的大靶区，有稳定的质量评估性能。
实施例2
根据本发明实施例，提供了一种器官轮廓线质量评估装置的装置实施例。如图11所示，所述球杆轮廓线质量评估装置包括：获取模块110，划分模块112，计算模块114和评价模块116。具体地：
获取模块110，用于获取目标图像，其中，所述目标图像中包括多个体素，所述目标图像至少包含目标器官的图像以及勾画的所述目标器官的轮廓线；
划分模块112，用于依据所述轮廓线，在所述目标图像中确定第一区域和第二区域，其中，所述第一区域位于所述轮廓线所包围区域外侧，所述第二区域位于所述轮廓线所包围区域内侧；
计算模块114，用于确定所述第一区域的目标属性的第一评价指标和所述第二区域的所述目标属性的第二评价指标；
评价模块116，依据所述第一评价指标和所述第二评价指标确定所述轮廓线的质量评定结果，并输出所述质量评定结果。
需要说明的是，图11所示的器官轮廓线质量评估装置与图1所示的器官轮廓线质量评估方法是对应关系。具体地，获取模块110用于实现步骤S102，划分模块112用于实现步骤S104，计算模块114用于实现步骤S106，评价模块116用于实现步骤S108。因此，实时例1中对步骤S102-步骤S108的相关解释说明也适用于获取模块110，划分模块112，计算模块114和评价模块116，故在此不再赘述。
实施例3
根据本发明实施例，提供了一种器官轮廓线质量评估系统的系统实施例。所述系统包括：
图像采集装置，用于获取目标图像，其中，所述目标图像中包括多个体素，所述目标图像至少包含目标器官的图像以及勾画的所述目标器官的轮廓线；
数据处理装置，用于依据所述轮廓线，在所述目标图像中确定第一区域和第二区域，其中，所述第一区域位于所述轮廓线所包围区域外侧，所述第二区域位于所述轮廓线所包围区域内侧；确定所述第一区域的目标属性的第一评价指标和所述第二区域的所述目标属性的第二评价指标；依据所述第一评价指标和所述第二评价指标确定所述轮廓线的质量评定结果；
展示装置，用于输出所述质量评定结果。
需要说明的是，本实施例所提供的器官轮廓线质量评估系统可以用于执行实施例1所述的器官轮廓线质量评估方法，故实施例1中对轮廓线质量评估方法的相关解释说明也适用于本实施例所提供的器官轮廓线质量评估系统，在此不再赘述。
实施例4
根据本发明实施例，还提供了一种非易失性存储介质所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行所述器官轮廓线质量评估方法。
根据本发明实施例，还提供了一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行所述器官轮廓线质量评估方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种器官轮廓线质量评估方法，其特征在于，包括：
获取目标图像，其中，所述目标图像中包括多个体素，所述目标图像至少包含目标器官的医学图像以及勾画的所述目标器官的轮廓线；
依据所述轮廓线，在所述目标图像中确定第一区域和第二区域，其中，所述第一区域位于所述轮廓线所包围区域外侧，所述第二区域位于所述轮廓线所包围区域内侧；
确定所述第一区域的目标属性的第一评价指标和所述第二区域的所述目标属性的第二评价指标，所述第一评价指标包括第一灰度分布情况和第一纹理熵分布情况，所述第二评价指标包括第二灰度分布情况和第二纹理熵分布情况，所述第一灰度分布情况依据所述第一区域对应的第一灰度概率分布情况确定，所述第一纹理熵分布情况依据所述第一区域对应的第一纹理熵概率分布情况确定，所述第二灰度分布情况依据所述第二区域的第二灰度概率分布情况确定，所述第二纹理熵分布情况依据所述第二区域的第二纹理熵概率分布情况确定；
依据所述第一评价指标和所述第二评价指标确定所述轮廓线的质量评定结果，并输出所述质量评定结果。
2.根据权利要求1所述的方法，其特征在于，依据所述第一评价指标和所述第二评价指标确定所述轮廓线的质量评定结果，包括：
依据所述第一灰度分布情况确定所述第一区域的第一灰度聚集程度，以及依据所述第一纹理熵分布情况确定所述第一区域的第一纹理熵聚集程度；
依据所述第二灰度分布情况确定所述第二区域的第二灰度聚集程度，以及依据所述第二纹理熵分布情况确定所述第二区域的第二纹理熵聚集程度；
依据所述第一灰度分布情况和所述第二灰度分布情况确定所述第一区域和所述第二区域的灰度分布重叠程度，以及依据所述第一纹理熵分布情况和所述第二纹理熵分布情况确定所述第一区域和所述第二区域的纹理熵分布重叠程度；
依据所述第一灰度聚集程度、所述第一纹理熵聚集程度、所述第二灰度聚集程度、所述第二纹理熵聚集程度、所述灰度分布重叠程度和所述纹理熵分布重叠程度确定所述轮廓线的质量评定结果。
3.根据权利要求2所述的方法，其特征在于，依据所述第一灰度聚集程度、所述第一纹理熵聚集程度、所述第二灰度聚集程度、所述第二纹理熵聚集程度、所述灰度分布重叠程度和所述纹理熵分布重叠程度确定所述轮廓线的质量评定结果，包括：
当所述第一灰度聚集程度大于第一聚集程度阈值，所述第二灰度聚集程度大于第二聚集程度阈值，所述第一纹理熵聚集程度大于第三聚集程度阈值，所述第二纹理熵聚集程度大于第四聚集程度阈值，所述灰度分布重叠程度小于第一重叠程度阈值，所述纹理熵分布重叠程度小于第二重叠程度阈值，判定所述轮廓线的质量评定结果为合格；
当所述第一灰度聚集程度大于第一聚集程度阈值，所述第二灰度聚集程度大于第二聚集程度阈值，所述第二纹理熵聚集程度小于第四聚集程度阈值，所述灰度分布重叠程度大于第一重叠程度阈值，判定所述轮廓线的质量评定结果为不合格；
当所述第一灰度聚集程度小于第一聚集程度阈值，所述纹理熵分布重叠程度小于第二重叠程度阈值，判定所述轮廓线的质量评定结果为不合格。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，依据所述轮廓线，在所述目标图像中确定第一区域和第二区域，包括：
确定所述目标图像中的体素与所述轮廓线之间的有向距离；
比较所述有向距离和第一阈值，以及比较所述有向距离和第二阈值；
依据比较结果，确定位于所述第一区域和所述第二区域的体素，其中，位于所述第一区域的体素与所述轮廓线的最小有向距离小于所述第一阈值，位于所述第二区域的体素与所述轮廓线的最小有向距离大于所述第二阈值。
5.一种器官轮廓线质量评估装置，包括：
获取模块，用于获取目标图像，其中，所述目标图像中包括多个体素，所述目标图像至少包含目标器官的图像以及勾画的所述目标器官的轮廓线；
划分模块，用于依据所述轮廓线，在所述目标图像中确定第一区域和第二区域，其中，所述第一区域位于所述轮廓线所包围区域外侧，所述第二区域位于所述轮廓线所包围区域内侧；
计算模块，用于确定所述第一区域的目标属性的第一评价指标和所述第二区域的所述目标属性的第二评价指标，所述第一评价指标包括第一灰度分布情况和第一纹理熵分布情况，所述第二评价指标包括第二灰度分布情况和第二纹理熵分布情况，所述第一灰度分布情况依据所述第一区域对应的第一灰度概率分布情况确定，所述第一纹理熵分布情况依据所述第一区域对应的第一纹理熵概率分布情况确定，所述第二灰度分布情况依据所述第二区域的第二灰度概率分布情况确定，所述第二纹理熵分布情况依据所述第二区域的第二纹理熵概率分布情况确定；
评价模块，依据所述第一评价指标和所述第二评价指标确定所述轮廓线的质量评定结果，并输出所述质量评定结果。
6.一种器官轮廓线质量评估系统，包括：
图像采集装置，用于获取目标图像，其中，所述目标图像中包括多个体素，所述目标图像至少包含目标器官的医学图像以及勾画的所述目标器官的轮廓线；
数据处理装置，用于依据所述轮廓线，在所述目标图像中确定第一区域和第二区域，其中，所述第一区域位于所述轮廓线所包围区域外侧，所述第二区域位于所述轮廓线所包围区域内侧；确定所述第一区域的目标属性的第一评价指标和所述第二区域的所述目标属性的第二评价指标，所述第一评价指标包括第一灰度分布情况和第一纹理熵分布情况，所述第二评价指标包括第二灰度分布情况和第二纹理熵分布情况，所述第一灰度分布情况依据所述第一区域对应的第一灰度概率分布情况确定，所述第一纹理熵分布情况依据所述第一区域对应的第一纹理熵概率分布情况确定，所述第二灰度分布情况依据所述第二区域的第二灰度概率分布情况确定，所述第二纹理熵分布情况依据所述第二区域的第二纹理熵概率分布情况确定；以及依据所述第一评价指标和所述第二评价指标确定所述轮廓线的质量评定结果；
展示装置，用于输出所述质量评定结果。
7.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至4中任意一项所述器官轮廓线质量评估方法。
8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至4中任意一项所述器官轮廓线质量评估方法。
CN202110470069.0A 2021-04-28 2021-04-28 器官轮廓线质量评估方法、装置及系统 Active CN113139948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110470069.0A CN113139948B (zh) 2021-04-28 2021-04-28 器官轮廓线质量评估方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110470069.0A CN113139948B (zh) 2021-04-28 2021-04-28 器官轮廓线质量评估方法、装置及系统

Publications (2)

Publication Number Publication Date
CN113139948A CN113139948A (zh) 2021-07-20
CN113139948B true CN113139948B (zh) 2023-06-27

Family

ID=76816377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110470069.0A Active CN113139948B (zh) 2021-04-28 2021-04-28 器官轮廓线质量评估方法、装置及系统

Country Status (1)

Country Link
CN (1) CN113139948B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998318B (zh) * 2022-07-18 2022-10-25 聊城一明五金科技有限公司 用于废钢处理工艺中的废钢等级识别方法
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
CN116862909B (zh) * 2023-09-01 2023-11-24 泰州市航宇电器有限公司 一种基于三维成像的金属封装外壳检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104107062A (zh) * 2013-04-17 2014-10-22 深圳市医诺智能科技发展有限公司 一种评估放射治疗效果方法及系统
CN107111871A (zh) * 2014-10-30 2017-08-29 音量制图法公司 从体图像记录确定局部质量测量
CN107507189A (zh) * 2017-07-04 2017-12-22 西北大学 基于随机森林与统计模型的小鼠ct图像肾脏分割方法
CN107870172A (zh) * 2017-07-06 2018-04-03 黎明职业大学 一种基于图像处理的布匹疵点检测方法
CN110180092A (zh) * 2019-05-20 2019-08-30 李宝生 一种在线放疗计划质量控制系统及其控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110257505A1 (en) * 2010-04-20 2011-10-20 Suri Jasjit S Atheromatic?: imaging based symptomatic classification and cardiovascular stroke index estimation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104107062A (zh) * 2013-04-17 2014-10-22 深圳市医诺智能科技发展有限公司 一种评估放射治疗效果方法及系统
CN107111871A (zh) * 2014-10-30 2017-08-29 音量制图法公司 从体图像记录确定局部质量测量
CN107507189A (zh) * 2017-07-04 2017-12-22 西北大学 基于随机森林与统计模型的小鼠ct图像肾脏分割方法
CN107870172A (zh) * 2017-07-06 2018-04-03 黎明职业大学 一种基于图像处理的布匹疵点检测方法
CN110180092A (zh) * 2019-05-20 2019-08-30 李宝生 一种在线放疗计划质量控制系统及其控制方法

Also Published As

Publication number Publication date
CN113139948A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN113139948B (zh) 器官轮廓线质量评估方法、装置及系统
CN113034426B (zh) 超声图像病灶描述方法、装置、计算机设备和存储介质
CN110796613B (zh) 一种图像伪影的自动识别方法及装置
CN111105424A (zh) 淋巴结自动勾画方法及装置
Mukherjee et al. Lung nodule segmentation using deep learned prior based graph cut
US20060098854A1 (en) Abnormal pattern candidate detecting method and apparatus
Imtiaz et al. Automated brain tumor segmentation based on multi-planar superpixel level features extracted from 3D MR images
WO2004013811A2 (en) Image segmentation using jensen-shannon divergence and jensen-renyi divergence
CN107545579B (zh) 一种心脏分割方法、设备和存储介质
CN109583444B (zh) 空洞区域定位方法、装置及计算机可读存储介质
JP7204007B2 (ja) 画像データ中の病変部の境界の識別
US9092867B2 (en) Methods for segmenting images and detecting specific structures
CN111862044A (zh) 超声图像处理方法、装置、计算机设备和存储介质
CN110458859B (zh) 一种基于多序列mri的多发性骨髓瘤病灶的分割系统
US11615508B2 (en) Systems and methods for consistent presentation of medical images using deep neural networks
CN112308846B (zh) 血管分割方法、装置及电子设备
CN110929728A (zh) 一种图像感兴趣区域划分方法、图像分割方法及装置
JP2007530088A (ja) オブジェクト特有のセグメンテーション
CN114332132A (zh) 图像分割方法、装置和计算机设备
CN112508902A (zh) 白质高信号分级方法、电子设备及存储介质
US7835555B2 (en) System and method for airway detection
Bekes et al. Geometrical model‐based segmentation of the organs of sight on CT images
Tabb et al. Segmenting root systems in X-ray computed tomography images using level sets
WO2021032325A1 (en) Updating boundary segmentations
CN115439423B (zh) 一种基于ct图像的识别方法、装置、设备及存储介质

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