CN113192604A - 基于流域分析的肝脏分段系统及其操作方法 - Google Patents
基于流域分析的肝脏分段系统及其操作方法 Download PDFInfo
- Publication number
- CN113192604A CN113192604A CN202110294856.4A CN202110294856A CN113192604A CN 113192604 A CN113192604 A CN 113192604A CN 202110294856 A CN202110294856 A CN 202110294856A CN 113192604 A CN113192604 A CN 113192604A
- Authority
- CN
- China
- Prior art keywords
- liver
- image
- portal vein
- analysis
- hepatic portal
- 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
- 210000004185 liver Anatomy 0.000 title claims abstract description 115
- 230000011218 segmentation Effects 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 15
- 210000003240 portal vein Anatomy 0.000 claims abstract description 57
- 230000002440 hepatic effect Effects 0.000 claims abstract description 42
- 238000009877 rendering Methods 0.000 claims abstract description 11
- 239000003086 colorant Substances 0.000 claims abstract description 7
- 238000010191 image analysis Methods 0.000 claims abstract description 7
- 210000003462 vein Anatomy 0.000 claims description 13
- 210000004204 blood vessel Anatomy 0.000 claims description 10
- 230000017531 blood circulation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 238000010205 computational analysis Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000001356 surgical procedure Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
基于流域分析的肝脏分段系统,包括数据接收模块、图像读取模块、图像提取模块、图像处理模块和图像分析模块;所述图像处理模块包括图像选取子模块、图像编辑子模块和图像渲染子模块,图像选取子模块和图像编辑子模块将肝门静脉血管进行分段式处理,图像渲染子模块将分段后的肝门静脉血管所对应的肝脏渲染成不同的颜色,形成肝脏的分段;所述图像分析模块对分段后的肝脏进行分段式流域分析;与现有技术相比,能够根据不同患者门静脉空间分布情况特征进行准确的个性化的肝脏分段,分段的结果准确和客观,对分段后的肝脏进行流域分析,得到流域异常的肝脏分段,助于肝脏肝手术的方案确定和精准实施,能够节约手术时间和成本,减轻患者痛苦。
Description
技术领域
本发明属于医学图像处理技术领域,尤其是一种基于流域分析的肝脏分段系统及其操作方法。
背景技术
肝脏分段是肝脏肿瘤定位的有效手段,是精准肝切除手术的基础,肝分段方法众多,医学界对肝分段尚无一致的结论,目前,Couniaud肝分段是临床最常见的肝脏分段方法,将肝脏划分为8段,应用较为广泛,但在实际临床中由于肝内血管复杂多变,门静脉及其3-4级血管空间分布的关系存在很大的个体差异,门静脉变异的情况非常普遍,采用Couinaud分段方法的划分不完全符合肝内管道的实际分布,与实际患者情况不甚相符,过于简单化,存在着不足和不可避免的局限性,不能满足当前医学临床的要求。
发明内容
本发明是为了克服上述现有技术中的缺陷,提供一种个性化分段、便于分析,分段合理的基于流域分析的肝脏分段系统及其操作方法。
为了达到以上目的,本发明所采用的技术方案是:基于流域分析的肝脏分段系统,其特征在于,包括数据接收模块、图像读取模块、图像提取模块、图像处理模块和图像分析模块;所述图像处理模块包括图像选取子模块、图像编辑子模块和图像渲染子模块,图像选取子模块和图像编辑子模块将肝门静脉血管进行分段式处理,图像渲染子模块将分段后的肝门静脉血管所对应的肝脏渲染成不同的颜色,形成肝脏的分段式操作;所述图像分析模块对分段后的肝脏进行分段式流域分析。
作为本发明的一种优选方案,所述图像读取模块读取患者的三维肝脏数据,显示三维肝脏模型。
作为本发明的一种优选方案,所述图像读取模块显示门静脉血管及其分支情况,门静脉血管的空间分布及分支变异的三维空间分布状态。
作为本发明的一种优选方案,所述图像提取模块选取肝门静脉及其分支血管部件。
作为本发明的一种优选方案,所述图像处理模块根据肝门静脉血管的空间分布情况和分支的血管供应对肝脏进行分段。
作为本发明的一种优选方案,所述图像分析模块根据基于流域分析的肝分段,进行各分段的体积和表面积的计算和分析;
基于流域分析的肝脏分段系统的分析方法,包括以下步骤:
步骤A:数据接收模块接收来自肝脏截面DICOM格式的肝脏CT图像数据;
步骤B:图像读取模块读取数据,图像读取模块将来自肝脏截面DICOM格式的肝脏CT图像转换成BMP格式,将BMP格式图像数据导入三维重建工具(例如:Mimics),建立对应肝脏的三维图像模型;
步骤C:图像提取模块提取三维图像模型中的肝门静脉及其分支血管部件;
步骤D:通过图像选取子模块在肝门静脉血管上选取合适的点作为起点位置,且根据肝门静脉血管的血液流向方向确定选取方向;
在起点位置的基础上,通过该起点位置沿肝门静脉血管的径向方向确定起点平面,并根据选取方向确定选取段;
对选取段进行编号,图像编辑子模块根据肝门静脉血管的分段情况,将分段后的肝门静脉血管代入到所对应的肝脏三维模型中,采用快速最近邻域近似分割算法和区域生长算法进行三维流域分析计算,划分每个肝门静脉血管分段所对应的肝脏表面分界和肝脏内部三维分段界限,形成分段后的肝脏模型;
图像渲染子模块对分段后的肝脏模型进行重建,并将分段后的肝脏不同段渲染成不同的颜色;
步骤E:在三维图形中显示个性化分段图像,对肝脏不同段的体积和表面积对肝门静脉进行计算,并对各段进行流域分析;
作为本发明的一种优选方案,所述B的图像读取模块所建立三维图像模型,显示肝门静脉血管分支,及分支走形、分布和变异情况的空间分布状态。
作为本发明的一种优选方案,所述D在对肝门静脉血管分段过程中,不同起点所对应的不同分支也可标注为同一个编号。
作为本发明的一种优选方案,所述E中根据分支静脉的空间分布情况和分支静脉供应区域的血流拓扑关系对肝脏进行领域分隔和区域划分。
本发明的有益效果是,与现有技术相比:能够根据不同患者门静脉空间的分布情况特征进行准确的个性化的肝脏分段,肝脏分段的结果更加准确和客观,对分段后的肝脏进行流域分析,从而得到流域异常的肝脏分段,助于肝脏肝手术方案的确定以及精准实施,能够节约手术时间和手术成本,减轻患者痛苦。
同时基于流域分析智能的肝分段方法根据肝内门静脉及其3-4级血管系统的空间形态位置和血流流域状况,形成血流拓扑学关系,结合与肿瘤的空间形态关系,来进行个体化和自定义划分肝脏的分段方法,实现真正意义上的肝脏功能性的分段,从而避免Couinaud肝分段带来的不确定的因素,为术前的肝功能评估和手术方案的设计提供确切的依据。
附图说明
图1是本发明的流程示意图;
图2是本发明的系统示意图;
图3是肝脏的结构示意图;
图4是肝门静脉血管部件的结构示意图;
图5是肝门静脉血管的选取示意图;
图6是肝门静脉血管的分段示意图;
图7是肝脏流域分析示意图;
具体实施方式
下面结合附图对本发明实施例作详细说明。
如图1-7所示,基于流域分析的肝脏分段系统,包括数据接收模块、图像读取模块、图像提取模块、图像处理模块和图像分析模块;图像处理模块包括图像选取子模块、图像编辑子模块和图像渲染子模块,图像选取子模块和图像编辑子模块将肝门静脉血管进行分段式处理,图像渲染子模块将分段后的肝门静脉血管所对应的肝脏渲染成不同的颜色,形成肝脏的分段式操作;图像分析模块对分段后的肝脏进行分段式流域分析。
数据接收模块用于接收肝脏截面DICOM格式的肝脏CT图像,不同肝脏CT图像标注有不同的肝脏来源信息,来源信息至少包含:患病类型、患者姓名、患者年龄、生活地区及其就诊医院,进一步的,患者信息还可包含:患者生活习惯、生化检查信息、患者典型症状、体征、医学图像、影响诊断结果、治疗方案、不良反应及主治医师等。
数据接收模块在接收肝脏CT图像的同时也接收患者信息,数据接收模块接收的肝脏CT图像的数量根据实际需要进行设置。
图像读取模块读取患者的三维肝脏数据,显示三维肝脏模型,图像读取模块显示门静脉血管及其分支情况,能够显示门静脉血管3-4级分支,门静脉血管的空间分布及分支变异的三维空间分布状态。
图像读取模块将肝脏截面DICOM格式的CT图像转换成BMP格式的肝脏CT图像,并将所形成的三维肝脏模型和患者信息同步分类存储在肝脏信息数据库内。
图像提取模块选取三维肝脏模型中的肝门静脉及其分支血管部件,将肝脏的其他部件进行隐藏处理。
图像处理模块根据肝门静脉血管的空间分布情况和分支的血管供应对肝脏进行分段,在肝门静脉血管上选取合适的点作为起点位置,且根据肝门静脉血管的血液流向方向确定选取方向,该起点位置根据患者门静脉及其其他血管的形态和空间分布情况的个性化特点,由医生根据自己的经验进行自主设置。
将沿着起点位置和方向的静脉血管分为一端,同时也可对已经分段的静脉血管上的分支进行再次分段,根据实际需要和区域选择进行分段分类。
并对分段后的静脉血管进行编号处理,不同静脉血管可归属于同一个编号内,例如静脉血管上的多个分支可并入同一个编号内,从而使得静脉血管上的多个分支归属于同一段。
根据肝脏的形状,对肝脏的空间进行划分,根据各个分支静脉段的空间分布情况和邻域近似分割方式对肝脏进行分段式操作,肝脏的分段式操作对应各个段的分支静脉。对各个分段进行不同颜色的渲染,并将分段后的门静脉血管和其他血管代入到所对应的肝脏中。
图像分析模块根据各分段的体积和表面积对肝门静脉进行计算分析,对分段后的肝脏的各个段进行流域分析,观察是哪个段流域异常,从而助于肝脏肝手术方案的确定以及精准实施。
基于流域分析的肝脏分段系统的分析方法,包括以下步骤:
步骤A:数据接收模块接收数据,接收来自肝脏截面DICOM格式的肝脏CT图像,数据接收模块依次接受一个患者的肝脏CT图像,并同时接收该患者的患者信息,在数据接收模块接收患者的肝脏CT图像及患者信息后同步对该患者的肝脏CT图像及患者信息进行备份。
步骤B:图像读取模块接收来自数据接收模块传送的数据,图像读取模块读取数据,图像读取模块将来自肝脏截面DICOM格式的肝脏CT图像转换成BMP格式,将BMP格式图像数据导入三维重建工具(例如:Mimics),建立对应肝脏的三维图像模型,该三维图像模型需能清晰观察到门静脉血管3-4级分支,且能清晰观察到门静脉血管的走形、分布及分支变异情况等三维空间分布状态。
步骤C:图像提取模块提取三维图像模型中的肝门静脉及其分支血管部件,并将剩余部件进行隐藏处理。
步骤D:通过图像选取子模块在肝门静脉血管上选取合适的点作为起点位置,且根据肝门静脉血管的血液流向方向确定选取方向,该起点位置根据患者门静脉及其其他血管的形态和空间分布情况的个性化特点,由医生根据自己的经验进行自主设置。
在起点位置的基础上,通过该起点位置沿肝门静脉血管的径向方向确定起点平面,并根据选取方向确定选取段,起点平面为起点位置处该肝门静脉血管的截面积,且根据该肝门静脉血管的走向和尺寸选取所需的分段。
对选取段进行编号,图像编辑子模块根据肝门静脉血管的分段情况,将分段后的肝门静脉血管代入到所对应的肝脏三维模型中,采用快速最近邻域近似分割算法和区域生长算法进行三维流域分析计算,划分每个肝门静脉血管分段所对应的肝脏表面分界和肝脏内部三维分段界限,形成分段后的肝脏模型。
最近邻域近似分割算法和区域生长算法为:将该肝门静脉血管和肝脏放置于三维坐标系中,将肝门静脉血管和肝脏分为众多像素颗粒,将肝脏的像素颗粒根据近似原则,肝脏的像素颗粒距离最近的肝门静脉血管归为同一端,将所有组成肝脏的像素颗粒进行划分处理,从而各个分段。
图像渲染子模块对分段后的肝脏模型进行重建,并将分段后的肝脏不同段渲染成不同的颜色。
例如,当主静脉上连有7个不同位置的分支静脉时,将7个不同位置的分支静脉以此取名为第01段、第02段、第03段、第04段、第05段、第06段和第07段,其中第05段可由一个或多个分支组成,在对肝门静脉血管分段过程中,不同起点所对应的不同分支可标注为同一个编号。
步骤E:根据肝脏门静脉及其分支静脉的空间分布情况和分支静脉供应区域的血流拓扑关系对肝脏进行领域分隔和区域划分。在三维图形中显示基于流域分析的个性化肝分段图像,对肝脏不同段的体积和表面积对肝门静脉进行计算,并对各分段进行流域分析。
并根据各个分段的血液流域情况对各个分段进行分析,检查是否有血液流域异常的分段。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现;因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.基于流域分析的肝脏分段系统,其特征在于,包括数据接收模块、图像读取模块、图像提取模块、图像处理模块和图像分析模块;所述图像处理模块包括图像选取子模块、图像编辑子模块和图像渲染子模块,图像选取子模块和图像编辑子模块将肝门静脉血管进行分段式处理,图像渲染子模块将分段后的肝门静脉血管所对应的肝脏渲染成不同的颜色,形成肝脏的分段式操作;所述图像分析模块对分段后的肝脏进行分段式流域分析。
2.根据权利要求1所述的基于流域分析的肝脏分段系统,其特征在于,所述图像读取模块读取患者的三维肝脏数据,显示三维肝脏模型。
3.根据权利要求1所述的基于流域分析的肝脏分段系统,其特征在于,所述图像读取模块显示门静脉血管及其分支情况,门静脉血管的空间及分支变异的三维空间分布状态。
4.根据权利要求1所述的基于流域分析的肝脏分段系统,其特征在于,所述图像提取模块选取肝门静脉及其分支血管部件。
5.根据权利要求1所述的基于流域分析的肝脏分段系统,其特征在于,所述图像处理模块根据肝门静脉血管的空间分布情况和分支的血管供应对肝脏进行分段。
6.根据权利要求1所述的基于流域分析的肝脏分段系统,其特征在于,所述图像分析模块根据各分段的体积和表面积对肝门静脉进行计算分析。
7.基于流域分析的肝脏分段系统的分析方法,其特征在于,包括以下步骤:
步骤A:数据接收模块接收数据,接收来自肝脏截面DICOM格式的肝脏CT图像数据;
步骤B:图像读取模块读取数据,图像读取模块将来自肝脏截面DICOM格式的肝脏CT图像转换成BMP格式,将BMP格式图像数据导入三维重建工具(例如:Mimics),建立对应肝脏的三维图像模型;
步骤C:图像提取模块提取三维图像模型中的肝门静脉及其分支血管部件;
步骤D:通过图像选取子模块在肝门静脉血管上选取合适的点作为起点位置,且根据肝门静脉血管的血液流向方向确定选取方向;
在起点位置的基础上,通过该起点位置沿肝门静脉血管的径向方向确定起点平面,并根据选取方向确定选取段;
对选取段进行编号,图像编辑子模块根据肝门静脉血管的分段情况,将分段后的肝门静脉血管代入到所对应的肝脏三维模型中,采用快速最近邻域近似分割算法和区域生长算法进行三维流域分析计算,划分每个肝门静脉血管分段所对应的肝脏表面分界和肝脏内部三维分段界限,形成分段后的肝脏模型;
图像渲染子模块对分段后的肝脏模型进行重建,并将分段后的肝脏不同段渲染成不同的颜色;
步骤E:在三维图形中显示基于流域分析的个性化肝分段图像,对肝脏不同段的体积和表面积对肝门静脉进行计算,并对各分段进行流域分析。
8.根据权利要求7所述的基于流域分析的肝脏分段系统的操作方法,其特征在于,所述步骤B的图像读取模块所建立三维图像模型,显示肝门静脉血管分支,及分支走形、分布和变异情况的空间分布状态。
9.根据权利要求7所述的基于流域分析的肝脏分段系统的操作方法,其特征在于,所述步骤D在对肝门静脉血管分段过程中,不同起点所对应的不同分支也可标注为同一个编号。
10.根据权利要求7所述的基于流域分析的肝脏分段系统的操作方法,其特征在于,所述步骤E中根据分支静脉的空间分布情况和分支静脉供应区域的血流拓扑关系对肝脏进行领域分隔和区域划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110294856.4A CN113192604A (zh) | 2021-03-19 | 2021-03-19 | 基于流域分析的肝脏分段系统及其操作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110294856.4A CN113192604A (zh) | 2021-03-19 | 2021-03-19 | 基于流域分析的肝脏分段系统及其操作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113192604A true CN113192604A (zh) | 2021-07-30 |
Family
ID=76973475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110294856.4A Pending CN113192604A (zh) | 2021-03-19 | 2021-03-19 | 基于流域分析的肝脏分段系统及其操作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192604A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445391A (zh) * | 2022-01-30 | 2022-05-06 | 推想医疗科技股份有限公司 | 血管分段方法及其装置、电子设备和计算机可读存储介质 |
CN117197164A (zh) * | 2023-11-08 | 2023-12-08 | 中国医学科学院北京协和医院 | 用于计算心肌血管供血区域的管道流域计算方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425186A (zh) * | 2008-11-17 | 2009-05-06 | 华中科技大学 | 一种基于ct图像的肝脏分段方法及其系统 |
CN105844693A (zh) * | 2016-04-29 | 2016-08-10 | 青岛大学附属医院 | 肝脏三维ct重建数据信息处理系统 |
CN111354008A (zh) * | 2020-02-19 | 2020-06-30 | 北京理工大学 | 基于局部特征的肝静脉门静脉分离方法及装置 |
-
2021
- 2021-03-19 CN CN202110294856.4A patent/CN113192604A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425186A (zh) * | 2008-11-17 | 2009-05-06 | 华中科技大学 | 一种基于ct图像的肝脏分段方法及其系统 |
CN105844693A (zh) * | 2016-04-29 | 2016-08-10 | 青岛大学附属医院 | 肝脏三维ct重建数据信息处理系统 |
CN111354008A (zh) * | 2020-02-19 | 2020-06-30 | 北京理工大学 | 基于局部特征的肝静脉门静脉分离方法及装置 |
Non-Patent Citations (2)
Title |
---|
一图智能: "Smart Vision 3DViewer-肝脏流域分析", 《HTTPS://MP.WEIXIN.QQ.COM/S/B_RTWEBSBUCP25NIW6BMVA》 * |
中华医学会数字医学分会等: "原发性肝癌三维可视化技术操作及诊疗规范(2020版)", 《中国实用外科杂志》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445391A (zh) * | 2022-01-30 | 2022-05-06 | 推想医疗科技股份有限公司 | 血管分段方法及其装置、电子设备和计算机可读存储介质 |
CN117197164A (zh) * | 2023-11-08 | 2023-12-08 | 中国医学科学院北京协和医院 | 用于计算心肌血管供血区域的管道流域计算方法及系统 |
CN117197164B (zh) * | 2023-11-08 | 2024-03-08 | 中国医学科学院北京协和医院 | 用于计算心肌血管供血区域的管道流域计算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Araújo et al. | Data augmentation for improving proliferative diabetic retinopathy detection in eye fundus images | |
CN105912874B (zh) | 基于dicom医学图像构建的肝脏三维数据库系统 | |
CN106204733B (zh) | 肝脏和肾脏ct图像联合三维构建系统 | |
CN101551906B (zh) | 基于三维区域分水岭的腹部ct图像主要血管提取方法 | |
Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
US20100309198A1 (en) | method for tracking 3d anatomical and pathological changes in tubular-shaped anatomical structures | |
Debarba et al. | Efficient liver surgery planning in 3D based on functional segment classification and volumetric information | |
CN113192604A (zh) | 基于流域分析的肝脏分段系统及其操作方法 | |
CN111161241A (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
Araújo et al. | An automatic method for segmentation of liver lesions in computed tomography images using deep neural networks | |
CN109934829B (zh) | 一种基于三维图割算法的肝脏分割方法 | |
Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
US8934690B2 (en) | Method for processing vascular structure images | |
US20180211387A1 (en) | Method and system for acquiring status of strain and stress of a vessel wall | |
CN113223028A (zh) | 一种基于mr和ct的多模态肝脏肿瘤分割方法 | |
CN113470060B (zh) | 基于ct影像的冠状动脉多角度曲面重建可视化方法 | |
CN113808191A (zh) | 急性缺血性脑卒中病灶区的自动量化及三维建模方法 | |
CN113539476A (zh) | 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统 | |
Ural et al. | An improved computer based diagnosis system for early detection of abnormal lesions in the brain tissues with using magnetic resonance and computerized tomography images | |
Dickson et al. | A Dual Channel Multiscale Convolution U-Net Methodfor Liver Tumor Segmentation from Abdomen CT Images | |
Tang et al. | Bleeding contour detection for craniotomy | |
Pla-Alemany et al. | Automatic multi-atlas liver segmentation and Couinaud classification from CT volumes | |
CN110111354A (zh) | 肝脏医学图像动脉区域分割方法及系统 | |
CN112489051B (zh) | 基于血管及病变区域的肝脏裁切方法及系统 | |
CN114334128A (zh) | 基于ct影像的肿瘤演进过程分析方法、系统及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |