CN113470004A - 一种基于ct的单个椎体的分割方法、系统及介质 - Google Patents
一种基于ct的单个椎体的分割方法、系统及介质 Download PDFInfo
- Publication number
- CN113470004A CN113470004A CN202110832586.8A CN202110832586A CN113470004A CN 113470004 A CN113470004 A CN 113470004A CN 202110832586 A CN202110832586 A CN 202110832586A CN 113470004 A CN113470004 A CN 113470004A
- Authority
- CN
- China
- Prior art keywords
- vertebral body
- segmentation
- network
- cone
- voxels
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000000746 body region Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007170 pathology 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30012—Spine; Backbone
Abstract
本发明提供了一种基于CT的单个椎体的分割方法,包括如下步骤:步骤1:从3D椎体图像块中分割体素,对体素进行二分类,判断体素椎体实例类型;步骤2:对3D椎体中的一个椎体实例进行分割;步骤3:利用识别子网络预测被检测到的椎体的解剖标记;步骤4:利用完整分类自网络区分完全可见的椎体和部分可见的椎体;步骤5:遵循特定的分割顺序对椎体进行分割。本发明提供的一种基于CT的单个椎体的分割方法、系统及介质解决了椎体分割和识别问题以及多尺度问题,可以用于任何的成像方式、任何视角、任何数量和类型的可见椎体,达到了快速、灵活、准确分割和识别的效果。
Description
技术领域
本发明涉及单个椎体分割的技术领域,具体地,涉及一种基于CT的单个椎体的分割方法、系统及介质。
背景技术
脊椎也被称为脊柱,是形成人体上部中心负重轴的骨骼结构。脊柱图像有着多种医学影像学模式,其中X光片、CT、MRI和PET等多种图像被用于评估脊柱解剖和诊断脊柱病理。其中,CT是当代使用最广泛的扫描技术,是评估椎骨的三维形态的空间上最精确的方式。脊椎分割是大多数后续脊柱图像分析和建模任务的基本步骤。
针对上述中的相关技术,发明人认为存在有椎体分割和识别问题以及多尺度问题,因此,需要提出一种技术方案以改善上述技术问题。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种一种基于CT的单个椎体的分割方法、系统及介质。
根据本发明提供的一种基于CT的单个椎体的分割方法,包括如下步骤:
步骤1:从3D椎体图像块中分割体素,对体素进行二分类,判断体素椎体实例类型;
步骤2:对3D椎体中的一个椎体实例进行分割;
步骤3:利用识别子网络预测被检测到的椎体的解剖标记;
步骤4:利用完整分类自网络区分完全可见的椎体和部分可见的椎体;
步骤5:遵循特定的分割顺序对椎体进行分割。
优选地,所述步骤1利用分割网络从3D锥体图像块中分割体素,对所有的体素进行二分类,判断该体素的锥体实例;分割网络是由一个全卷积网络FCN组成;分割网络的架构是由U-net网络架构组成,在所有卷积层之前使用滤波器和批量归一化处理。
优选地,所述步骤2确保分割网络在对3D锥体图像进行分割时,对一个锥体实例进行分割。
优选地,所述步骤5遵循自顶向下或自底向上的方案,锥体分割的顺序按照从上到下或从下到上的顺序;在分割过程中从实例记忆模块找到属于当前分割块中的椎体。
本发明还提供一种基于CT的单个椎体的分割系统,包括如下模块:
模块M1:从3D椎体图像块中分割体素,对体素进行二分类,判断体素椎体实例类型;
模块M2:对3D椎体中的一个椎体实例进行分割;
模块M3:利用识别子网络预测被检测到的椎体的解剖标记;
模块M4:利用完整分类自网络区分完全可见的椎体和部分可见的椎体;
模块M5:遵循特定的分割顺序对椎体进行分割。
优选地,所述模块M1利用分割网络从3D锥体图像块中分割体素,对所有的体素进行二分类,判断该体素的锥体实例;分割网络是由一个全卷积网络FCN组成;分割网络的架构是由U-net网络架构组成,在所有卷积层之前使用滤波器和批量归一化处理。
优选地,所述模块M2确保分割网络在对3D锥体图像进行分割时,对一个锥体实例进行分割。
优选地,所述模块M5遵循自顶向下或自底向上的方案,锥体分割的顺序按照从上到下或从下到上的顺序;在分割过程中从实例记忆模块找到属于当前分割块中的椎体。
本发明还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法的步骤。
与现有技术相比,本发明具有如下的有益效果:
1.使用一种迭代的实例分割方法;使用全卷积迭代神经网络一个接一个的去分割和标注椎体区域;使用脊柱锥体总是彼此相连这一先验知识去有效的遍历图像;本发明具有快速、灵活等优点。
2.通过采用全卷积迭代神经网络结构,解决了椎体分割和识别问题以及多尺度问题,可以用于任何的成像方式、任何视角、任何数量和类型的可见椎体,达到了快速、灵活、准确分割和识别的效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的流程图;
图2为本发明网络结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提供一种基于CT的单个椎体的分割方法,包括如下步骤:参照图1和图2。
步骤1:分割网络。
分割网络是本方法的核心部分。分割网络是从3D锥体图像块中分割体素,对所有的体素进行二分类,说明该体素是否属于当前锥体实例。该网络是由一个全卷积网络FCN组成。分割网络的架构是由U-net网络架构组成,在所有卷积层之前使用滤波器和批量归一化处理。
步骤2:实例记忆模块instance memory。
在确保分割网络在对3D锥体图像进行分割时,只对一个特定锥体实例进行分割而不是对整个3D锥体图像块中所有的锥体进行分割。
步骤3:识别子网络和完整分类自网络。
识别子网络是预测每个被检测到的锥体的解剖标记。
完整分类自网络是区分完全可见的锥体和部分可见的锥体。
步骤4:迭代分割。
对椎体的分割过程遵循自顶向下或自底向上的方案,即锥体分割的顺序不是随机的,而是按照从上到下或从下到上的顺序。在分割过程中从实力记忆模块找到属于当前分割块中的椎体。
利用先验知识,FCN可以迭代地分析单个的块集中在位置xt,t是指迭代的次数。一开始,块以滑动窗口的方式以固定的步长Δx去搜索最顶端的锥体位置或最低端的椎体位置。只要网络检测到足够大的锥体部分,块就移动到这个片段。
被检测的部分的边界框的中心记为bt,这就是下一个块的中心。
Xt更新公式:xt+1=Xt+Δx,if vt<vmin else[bt]。
本发明提供的一种基于CT的单个椎体的分割方法、系统及介质使用一种迭代的实例分割方法;使用全卷积迭代神经网络一个接一个的去分割和标注椎体区域;使用脊柱锥体总是彼此相连这一先验知识去有效的遍历图像;本发明具有快速、灵活等优点。通过采用全卷积迭代神经网络结构,解决了椎体分割和识别问题以及多尺度问题,可以用于任何的成像方式、任何视角、任何数量和类型的可见椎体,达到了快速、灵活、准确分割和识别的效果。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (9)
1.一种基于CT的单个椎体的分割方法,其特征在于,包括如下步骤:
步骤1:从3D椎体图像块中分割体素,对体素进行二分类,判断体素椎体实例类型;
步骤2:对3D椎体中的一个椎体实例进行分割;
步骤3:利用识别子网络预测被检测到的椎体的解剖标记;
步骤4:利用完整分类自网络区分完全可见的椎体和部分可见的椎体;
步骤5:遵循特定的分割顺序对椎体进行分割。
2.根据权利要求1所述的一种基于CT的单个椎体的分割方法,其特征在于,所述步骤1利用分割网络从3D锥体图像块中分割体素,对所有的体素进行二分类,判断该体素的锥体实例;分割网络是由一个全卷积网络FCN组成;分割网络的架构是由U-net网络架构组成,在所有卷积层之前使用滤波器和批量归一化处理。
3.根据权利要求1所述的一种基于CT的单个椎体的分割方法,其特征在于,所述步骤2确保分割网络在对3D锥体图像进行分割时,对一个锥体实例进行分割。
4.根据权利要求1所述的一种基于CT的单个椎体的分割方法,其特征在于,所述步骤5遵循自顶向下或自底向上的方案,锥体分割的顺序按照从上到下或从下到上的顺序;在分割过程中从实例记忆模块找到属于当前分割块中的椎体。
5.一种基于CT的单个椎体的分割系统,其特征在于,包括如下模块:
模块M1:从3D椎体图像块中分割体素,对体素进行二分类,判断体素椎体实例类型;
模块M2:对3D椎体中的一个椎体实例进行分割;
模块M3:利用识别子网络预测被检测到的椎体的解剖标记;
模块M4:利用完整分类自网络区分完全可见的椎体和部分可见的椎体;
模块M5:遵循特定的分割顺序对椎体进行分割。
6.根据权利要求5所述的一种基于CT的单个椎体的分割系统,其特征在于,所述模块M1利用分割网络从3D锥体图像块中分割体素,对所有的体素进行二分类,判断该体素的锥体实例;分割网络是由一个全卷积网络FCN组成;分割网络的架构是由U-net网络架构组成,在所有卷积层之前使用滤波器和批量归一化处理。
7.根据权利要求5所述的一种基于CT的单个椎体的分割系统,其特征在于,所述模块M2确保分割网络在对3D锥体图像进行分割时,对一个锥体实例进行分割。
8.根据权利要求5所述的一种基于CT的单个椎体的分割系统,其特征在于,所述模块M5遵循自顶向下或自底向上的方案,锥体分割的顺序按照从上到下或从下到上的顺序;在分割过程中从实例记忆模块找到属于当前分割块中的椎体。
9.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110832586.8A CN113470004A (zh) | 2021-07-22 | 2021-07-22 | 一种基于ct的单个椎体的分割方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110832586.8A CN113470004A (zh) | 2021-07-22 | 2021-07-22 | 一种基于ct的单个椎体的分割方法、系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113470004A true CN113470004A (zh) | 2021-10-01 |
Family
ID=77882118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110832586.8A Pending CN113470004A (zh) | 2021-07-22 | 2021-07-22 | 一种基于ct的单个椎体的分割方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113470004A (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1469721A (zh) * | 2000-10-11 | 2004-01-21 | �����ɷ� | X射线图像的分析方法和装置 |
US20090185731A1 (en) * | 2008-01-23 | 2009-07-23 | Carestream Health, Inc. | Method for lung lesion location identification |
WO2009132340A1 (en) * | 2008-04-25 | 2009-10-29 | Stratovan Corporation | Analysis of anatomic regions delineated from image data |
CN104462723A (zh) * | 2014-12-25 | 2015-03-25 | 北京航空航天大学 | 一种基于拓扑优化及骨重建仿真的个性化椎间融合器设计方法 |
CN105338902A (zh) * | 2013-01-22 | 2016-02-17 | 爱克发医疗保健公司 | 用于识别图像中脊椎的特定部分的方法、装置和系统 |
CN106600609A (zh) * | 2016-11-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种医学图像中脊柱的分割方法及系统 |
CN107106043A (zh) * | 2015-01-16 | 2017-08-29 | 皇家飞利浦有限公司 | 椎体特征识别 |
CN107209794A (zh) * | 2015-01-28 | 2017-09-26 | 皇家飞利浦有限公司 | 解剖结构的有限元建模 |
CN109191475A (zh) * | 2018-09-07 | 2019-01-11 | 博志科技有限公司 | 椎体终板分割方法、装置及计算机可读存储介质 |
CN109493317A (zh) * | 2018-09-25 | 2019-03-19 | 哈尔滨理工大学 | 基于级联卷积神经网络的3d多椎骨分割方法 |
CN109523523A (zh) * | 2018-11-01 | 2019-03-26 | 郑宇铄 | 基于fcn神经网络和对抗学习的椎体定位识别分割方法 |
CN110866921A (zh) * | 2019-10-17 | 2020-03-06 | 上海交通大学 | 基于自训练和切片传播的弱监督脊椎椎体分割方法和系统 |
CN111192248A (zh) * | 2019-12-30 | 2020-05-22 | 山东大学 | 一种用于核磁共振成像中的椎体定位、识别和分割的多任务关系学习方法 |
CN111210897A (zh) * | 2018-11-21 | 2020-05-29 | 西门子医疗有限公司 | 处理医学图像 |
CN111417980A (zh) * | 2017-12-01 | 2020-07-14 | Ucb生物制药有限责任公司 | 用于椎骨骨折的识别的三维医学图像分析方法和系统 |
CN112074841A (zh) * | 2018-03-30 | 2020-12-11 | 珀金埃尔默健康科学有限公司 | 3d图像中自动检测和分割椎体的系统和方法 |
CN112102282A (zh) * | 2020-09-11 | 2020-12-18 | 中北大学 | 一种基于Mask RCNN的医学图像中不同节数腰椎的自动识别方法 |
CN112967235A (zh) * | 2021-02-19 | 2021-06-15 | 联影智能医疗科技(北京)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-07-22 CN CN202110832586.8A patent/CN113470004A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1469721A (zh) * | 2000-10-11 | 2004-01-21 | �����ɷ� | X射线图像的分析方法和装置 |
US20090185731A1 (en) * | 2008-01-23 | 2009-07-23 | Carestream Health, Inc. | Method for lung lesion location identification |
WO2009132340A1 (en) * | 2008-04-25 | 2009-10-29 | Stratovan Corporation | Analysis of anatomic regions delineated from image data |
CN105338902A (zh) * | 2013-01-22 | 2016-02-17 | 爱克发医疗保健公司 | 用于识别图像中脊椎的特定部分的方法、装置和系统 |
CN104462723A (zh) * | 2014-12-25 | 2015-03-25 | 北京航空航天大学 | 一种基于拓扑优化及骨重建仿真的个性化椎间融合器设计方法 |
CN107106043A (zh) * | 2015-01-16 | 2017-08-29 | 皇家飞利浦有限公司 | 椎体特征识别 |
CN107209794A (zh) * | 2015-01-28 | 2017-09-26 | 皇家飞利浦有限公司 | 解剖结构的有限元建模 |
CN106600609A (zh) * | 2016-11-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种医学图像中脊柱的分割方法及系统 |
CN111417980A (zh) * | 2017-12-01 | 2020-07-14 | Ucb生物制药有限责任公司 | 用于椎骨骨折的识别的三维医学图像分析方法和系统 |
CN112074841A (zh) * | 2018-03-30 | 2020-12-11 | 珀金埃尔默健康科学有限公司 | 3d图像中自动检测和分割椎体的系统和方法 |
CN109191475A (zh) * | 2018-09-07 | 2019-01-11 | 博志科技有限公司 | 椎体终板分割方法、装置及计算机可读存储介质 |
CN109493317A (zh) * | 2018-09-25 | 2019-03-19 | 哈尔滨理工大学 | 基于级联卷积神经网络的3d多椎骨分割方法 |
CN109523523A (zh) * | 2018-11-01 | 2019-03-26 | 郑宇铄 | 基于fcn神经网络和对抗学习的椎体定位识别分割方法 |
CN111210897A (zh) * | 2018-11-21 | 2020-05-29 | 西门子医疗有限公司 | 处理医学图像 |
CN110866921A (zh) * | 2019-10-17 | 2020-03-06 | 上海交通大学 | 基于自训练和切片传播的弱监督脊椎椎体分割方法和系统 |
CN111192248A (zh) * | 2019-12-30 | 2020-05-22 | 山东大学 | 一种用于核磁共振成像中的椎体定位、识别和分割的多任务关系学习方法 |
CN112102282A (zh) * | 2020-09-11 | 2020-12-18 | 中北大学 | 一种基于Mask RCNN的医学图像中不同节数腰椎的自动识别方法 |
CN112967235A (zh) * | 2021-02-19 | 2021-06-15 | 联影智能医疗科技(北京)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lessmann et al. | Iterative fully convolutional neural networks for automatic vertebra segmentation and identification | |
Song et al. | Lung lesion extraction using a toboggan based growing automatic segmentation approach | |
Hamarneh et al. | Watershed segmentation using prior shape and appearance knowledge | |
US8885926B2 (en) | Image and data segmentation | |
US8345976B2 (en) | Systems and methods for segmenting digital images | |
US9659364B2 (en) | Probabilistic refinement of model-based segmentation | |
US11929174B2 (en) | Machine learning method and apparatus, program, learned model, and discrimination apparatus using multilayer neural network | |
CN106340021B (zh) | 血管提取方法 | |
CN109087296B (zh) | 一种提取ct图像中人体区域的方法 | |
Dong et al. | A combined fully convolutional networks and deformable model for automatic left ventricle segmentation based on 3D echocardiography | |
US11087883B1 (en) | Systems and methods for transfer-to-transfer learning-based training of a machine learning model for detecting medical conditions | |
CN108985345A (zh) | 一种基于肺部医学图像融合分类的检测装置 | |
CN113164145A (zh) | 图像处理装置、图像处理系统、图像处理方法和程序 | |
Nurmaini et al. | An improved semantic segmentation with region proposal network for cardiac defect interpretation | |
Jin et al. | Ribseg v2: A large-scale benchmark for rib labeling and anatomical centerline extraction | |
CN112686932B (zh) | 用于医学影像的图像配准方法及图像处理方法、介质 | |
Krawczyk et al. | Segmentation of bone structures with the use of deep learning techniques | |
US20100021036A1 (en) | Method of microcalcification detection in mammography | |
CN113470004A (zh) | 一种基于ct的单个椎体的分割方法、系统及介质 | |
Birkbeck et al. | Robust segmentation of challenging lungs in CT using multi-stage learning and level set optimization | |
Lessmann et al. | Iterative fully convolutional neural networks for automatic vertebra segmentation | |
Santamaria-Pang et al. | Cell segmentation and classification via unsupervised shape ranking | |
Rahman et al. | Integrated approach of brain segmentation using neuro fuzzy k-means | |
Li et al. | Modeling prior shape and appearance knowledge in watershed segmentation | |
Akbar et al. | Spin-context segmentation of breast tissue microarray images |
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 |