CN113706563A - 一种自动初始化Snake模型的X光胸片肺野分割方法 - Google Patents
一种自动初始化Snake模型的X光胸片肺野分割方法 Download PDFInfo
- Publication number
- CN113706563A CN113706563A CN202111026188.3A CN202111026188A CN113706563A CN 113706563 A CN113706563 A CN 113706563A CN 202111026188 A CN202111026188 A CN 202111026188A CN 113706563 A CN113706563 A CN 113706563A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- lung field
- snake model
- snake
- 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.)
- Granted
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 77
- 241000270295 Serpentes Species 0.000 title claims abstract description 59
- 230000011218 segmentation Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000002601 radiography Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000010339 dilation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000005452 bending Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 208000019693 Lung disease Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004800 variational method Methods 0.000 description 1
- 230000000007 visual 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/11—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
- G06T7/13—Edge detection
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种自动初始化Snake模型的X光胸片肺野分割方法,包括:步骤A、图像预处理:将图像进行分割前预处理,得到边缘增强的图像;步骤B、Snake模型轮廓自动初始化:对预处理后的图像进行分析处理,实现Snake模型轮廓的自动初始化;步骤C、X光胸片肺野分割:运用Snake模型算法进行X光胸片肺野分割,得到肺野分割的结果。本发明提供的一种自动初始化Snake模型的X光胸片肺野分割方法,成功地将人力从繁琐的劳动中解放出来,提高了X光胸片肺野的分割效率,并且由于自动初始化的结果更加合理,也大大地提高了X光胸片肺野的分割精度。通过实现轮廓的自动初始化,提高了轮廓初始化过程的稳定性和鲁棒性,增加了Snake模型的自动化程度。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种自动初始化Snake模型的X光胸片肺野分割方法。
背景技术
X线胸片记录着胸部健康与病灶的信息,目前,基于X线胸片的肺部疾病检查占到影像诊断领域的40%左右,因此X线胸片有着重要的医学应用研究价值。然而,X线胸片图像存在分辨率较低、图像中各个组织之间相互重叠的不足,致使X线胸片中几乎没有一种组织存在着明确的边界,病灶很容易被其它组织掩盖,难以分辨且容易遗漏,严重影响肺部疾病的诊断。因此,有关肺部疾病的计算机辅助诊断已成为当代医疗科学研究领域的重大课题。
传统Snake模型是一种人机交互式的图像分割算法,将其用于X光胸片肺野分割任务时,可较为准确的辅助人工分割肺野图像,如图1所示,其基本的分割流程如下:首先,根据需求对图像进行相应的预处理,例如去噪、图像拉伸等;然后,通过人机交互的方式,从胸片图像中肺野边缘的附近选择一些控制点,来完成Snake模型分割轮廓的初始化;最后,基于人工初始化的分割轮廓,运用Snake模型算法,完成X光胸片肺野的分割。传统Snake算法仍然需要通过人机交互的方式肉眼提取控制点实现Snake模型分割轮廓的初始化,存在不可避免的误差,因此,在使用传统Snake模型进行图像分割时,对操作员的经验要求极高,效率低且精度差。
发明内容
本发明要解决的技术问题,在于克服现有技术的缺陷,提供一种自动初始化Snake模型的X光胸片肺野分割方法,通过算法实现轮廓的自动初始化,从而解决现有技术对操作员的经验要求高,效率低且精度差的问题。
本发明提供了一种自动初始化Snake模型的X光胸片肺野分割方法,包括:
步骤A、图像预处理:将图像进行分割前预处理,得到边缘增强图像;
步骤B、Snake模型轮廓自动初始化:对预处理后的边缘增强图像进行分析处理,实现Snake模型轮廓的自动初始化,包括以下两个步骤:
步骤B1、背景消除:对边缘增强图像进行二值化,然后消除背景区域图像,得到只含有肺野区域的二值化图像;
步骤B2、边缘坐标提取:对只含有肺野区域的二值化图像进行边缘检测,得到肺区轮廓坐标;
步骤C、X光胸片肺野分割:基于得到的所述肺区轮廓坐标,沿着所述边缘增强图像的肺野轮廓,按设定规则自动选择控制点,根据所述控制点,运用Snake模型算法对X光胸片进行肺野分割,得到肺野分割结果。
进一步地,所述步骤B1具体包括:
步骤B1a、图像二值化:对边缘增强图像I5(x,y)进行二值化处理,得到颜色显示为黑色的全部肺野和部分背景区域的二值化图像S1(x,y);
步骤B1b、图像取反:对所述二值化图像S1(x,y)进行图像取反,得到与二值化图像黑白颜色颠倒的取反图像S2(x,y);
步骤B1c、联通域处理:对所述取反图像进行连通域检测,标记出所有连通域,然后消除背景所在连通域,得到只含有肺野区域的二值化图像S3(x,y)。
进一步地,所述步骤B2具体包括:
步骤B2a、形态学膨胀:对只含有肺野区域的二值化图像S3(x,y)进行形态学膨胀,消除肺区孔洞,得到膨胀图像S4(x,y);
步骤B2b、边界提取:对所述膨胀图像S4(x,y)进行边缘检测,得到肺区轮廓坐标。
进一步地,所述步骤A具体包括:
步骤A1、高斯滤波:采用二维零均值、标准差σ=1的高斯滤波器对原始X光胸片图像I1(x,y)进行去噪,得到去噪图像I2(x,y);
步骤A2、图像缩放:对所述去噪图像I2(x,y)进行缩放,得到指定尺寸的缩放图像I3(x,y);
步骤A3、边缘检测:对所述缩放图像I3(x,y)使用图像金字塔算法,得到肺野边缘图像I4(x,y);
步骤A4、边缘增强:将所述缩放图像I3(x,y)与所述肺野边缘图像I4(x,y)进行融合,得到边缘增强图像I5(x,y)。
进一步地,所述步骤C具体包括:
C1、Snake模型轮廓初始化:基于得到的肺区轮廓坐标,沿着边缘增强图像的肺野轮廓按顺时针方向或逆时针方向,以设定间隔来选择控制点,然后基于选择的控制点,构成一条闭合曲线,完成Snake模型轮廓的自动初始化;
C2、贪婪蛇分割:将自动初始化的轮廓线作为Snake模型算法的参数曲线,将初始轮廓上各像素点作为控制点,在参数曲线上定义Snake模型的能量函数,通过对Snake模型参数曲线上的每一控制点执行计算,得到每个控制点新位置的坐标,通过算法的迭代运算,驱使参数曲线向肺野轮廓处移动,得到肺野分割的二值化结果。
进一步的,所述步骤B1a采用Otsu法进行图像二值化处理。
进一步的,所述步骤B2b采用Canny算子对图像S4(x,y)进行边缘检测。
与现有技术相比,本发明的有益效果是:
1、通过对边缘增强的图像进行背景消除和边缘坐标提取,实现轮廓的自动初始化,提高了轮廓初始化过程的稳定性和鲁棒性,增加了Snake模型的自动化程度;
2、轮廓自动初始化比人工初始化的效率更高,结果更合理;
3、由于实现了轮廓的自动初始化,大大提高了X光胸片肺野分割的效率和精度,成功地将人力从繁琐的劳动中解放出来;
4、在轮廓自动初始化流程中,采用Otsu法进行图像二值化,具有简化图像信息的作用,即排除了图像纹理特性的干扰,又突出了肺野的形态特征,降低了后续边缘提取的操作难度。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为传统Snake模型的流程图;
图2为本发明的流程图;
图3为本发明中图像处理流程图;
图4为本发明中边缘增强后的图像;
图5为本发明中二值化处理后的图像
图6为本发明中得到肺区轮廓坐标后的图像;
图7为本发明中最终轮廓的可视图;
图8为本发明中X光胸片肺野分割结果图;
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。
请参阅图1-8,本发明提供一种自动初始化Snake模型的X光胸片肺野分割方法,包括以下步骤:
步骤A、图像预处理
此步骤分为四个部分,分别是高斯滤波、图像缩放、边缘检测以及边缘增强,具体操作细节如下所示:
A1、高斯滤波:采用二维零均值、标准差σ=1的的高斯滤波器对尺寸为1024像素×1024像素的原始X光胸片图像I1(x,y)进行去噪,得到输出图像I2(x,y),其中,(x,y)为图像上的像素点;
A2、图像缩放:对图像I2(x,y)进行缩放,得到尺寸为512像素×512像素的图像I3(x,y);
A3、边缘检测:对图像I3(x,y)使用图像金字塔算法,得到肺野边缘图像I4(x,y);
A4、边缘增强增强:将图像I3(x,y)与图像I4(x,y)进行融合,得到边缘增强图像I5(x,y)。
边缘增强后的图像,如图4所示。
步骤B、Snake模型轮廓的自动初始化
此步骤分为两个部分,分别是B1背景消除和B2边缘坐标提取。背景消除分为三个步骤,分别为图像二值化、图像取反以及连通域处理;边缘坐标提取分为两个步骤,分别是形态学膨胀和边界提取。具体操作细节如下所示:
B1a、图像二值化:参照图5,用Otsu法对图像I5(x,y)进行分割,得到颜色显示为黑色的全部肺野和部分背景区域的二值图像S1(x,y);
B1b、图像取反:对图像S1(x,y)进行图像取反,得到与图像S1(x,y)黑白颜色颠倒的图像S2(x,y);
B1c、联通域处理:对图像S2(x,y)进行连通域检测,标记出所有连通域,然后消除背景所在连通域,得到只含有肺野区域的二值图像S3(x,y);
B2a、形态学膨胀:对图像S3(x,y)进行形态学膨胀,消除肺区孔洞,得到图像S4(x,y);
B2b、边界提取:参照图6,用Canny算子对图像S4(x,y)进行边缘检测,得到肺区轮廓坐标。
步骤C、运用Snake模型算法进行X光胸片肺野分割
此步骤分为两个部分,分别是Snake模型轮廓初始化和肺野分割。具体操作细节如下所示:
C1、Snake模型轮廓初始化:基于得到的轮廓控制点坐标,沿着肺野轮廓顺时针方向,以间隔为2来选择控制点,以选择的控制点,构成一条闭合曲线,完成Snake模型轮廓的自动初始化;
C2、贪婪蛇分割:将自动初始化的轮廓线作为Snake模型算法的参数曲线,将初始轮廓上各像素点作为控制点,表示为:
v(s)=(x(s),y(s))s∈(0,1)
其中,x(s),y(s)是每个控制点的坐标位置,s是以傅里叶变换形式描述曲线弧长的自变量。
接下来,在参数曲线上定义Snake模型的能量函数,表示为:
Snake模型的能量函数由两部分组成,一部分称为内部能量,另一部分称为外部能量。内部能量仅与参数曲线的形状有关,而外部能量则由图像特征构成,例如灰度值、梯度等。本发明使用弹性能量和弯曲能量构造内部能量,用梯度来构造外部能量。
内部能量表示为:
其中,一阶导数项称为弹性能量,反映曲线的连续性,弹性能量越大,曲线越不易被拉伸;α是弹性系数,它的值越大,曲线收缩越快,若其值为零,允许曲线产生不连续的点。二阶导数项称为弯曲能量,反映曲线的平滑性,弯曲能量越大,曲线越不易变形;β是弯曲系数,它的值越大,曲线越平滑,若其值为零,允许曲线产生拐角。
外部能量表示为:
其中,为梯度算子。由于外部能量和梯度值有关,且此项是非正项,所以梯度值越大,对应的外部能量越小。当参数曲线靠近目标边缘时,梯度值会增大,外部能量则会减小。当参数曲线收敛到待分割目标轮廓处时,梯度值达到最大,外部能量则达到最小。
在定义了能量函数以后,就需要通过最小化能量函数来驱动参数曲线移动,以达到分割的目的。因为图像中像素点都是离散的,所以最小化能量函数的是一个典型的变分问题。通过变分法求解时,参数曲线需满足欧拉方程:
对于图像而言,可以用差分近似代替微分,其中:
vs=(xs,ys)
v″≈vs+1+vs-1-2vs
v″″≈(vs+2+vs-2vs+1)+(vs+vs-2-2vs-1)-2(vs+1+vs-1-2vs)经过整理可得下面方程组:
把Snake模型的参数曲线看成关于时间t的函数,当参数曲线移动到目标边缘处后,不再随时间发生变化,此时v(t)=(xt,yt)=0,代入方程组中,求解可得:
其中,γ为时间步长。
通过对Snake模型参数曲线上的每一控制点执行上述计算,得到每个控制点新位置的坐标,以此达到驱使参数曲线移动的目的。通过算法的迭代运算,驱使参数曲线向肺野轮廓处移动,当达到最大迭代次数或者所有控制点都满足停止条件时,迭代停止。
停止条件为:
|Eext(v(s))+Eint(v(s))|<δ
其中δ为停止阈值,通常为趋近于0的正数。停止阈值需要根据算法需求来确定。一般来说,选择较小的阈值有利于提升分割精度,选择较大的阈值有利于提升分割效率。经过大量实验,将此阈值选为0.1,即可满足对分割算法要同时拥有高精度、高效率的需求。
参照图7,通过将轮廓所包裹肺野区域内所有像素点的灰度值置为255,外部区域所有像素点的灰度值置为0,就能得到肺野分割的二值化结果,如图8所示。
本发明的有益效果是:通过对边缘增强的图像进行背景消除和边缘坐标提取,实现轮廓的自动初始化,提高了轮廓初始化过程的稳定性和鲁棒性,增加了Snake模型的自动化程度;轮廓自动初始化比人工初始化的效率更高,结果更合理;由于实现了轮廓的自动初始化,大大提高了X光胸片肺野分割的效率和精度,成功地将人力从繁琐的劳动中解放出来;在轮廓自动初始化流程中,采用Otsu法进行图像二值化,具有简化图像信息的作用,即排除了图像纹理特性的干扰,又突出了肺野的形态特征,降低了后续边缘提取的操作难度。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (7)
1.一种自动初始化Snake模型的X光胸片肺野分割方法,其特征在于,包括:
步骤A、图像预处理:将图像进行分割前预处理,得到边缘增强图像;
步骤B、Snake模型轮廓自动初始化:对预处理后的边缘增强图像进行分析处理,实现Snake模型轮廓的自动初始化,包括以下两个步骤:
步骤B1、背景消除:对边缘增强图像进行二值化,然后消除背景区域图像,得到只含有肺野区域的二值化图像;
步骤B2、边缘坐标提取:对只含有肺野区域的二值化图像进行边缘检测,得到肺区轮廓坐标;
步骤C、X光胸片肺野分割:运用Snake模型算法对X光胸片进行肺野分割,得到肺野分割结果。
2.如权利要求1所述的一种自动初始化Snake模型的X光胸片肺野分割方法,其特征在于,所述步骤B1具体包括:
步骤B1a、图像二值化:对边缘增强图像I5(x,y)进行二值化处理,得到颜色显示为黑色的全部肺野和部分背景区域的二值化图像S1(x,y);
步骤B1b、图像取反:对所述二值化图像S1(x,y)进行图像取反,得到与二值化图像黑白颜色颠倒的取反图像S2(x,y);
步骤B1c、联通域处理:对所述取反图像进行连通域检测,标记出所有连通域,然后消除背景所在连通域,得到只含有肺野区域的二值化图像S3(x,y)。
3.如权利要求1所述的一种自动初始化Snake模型的X光胸片肺野分割方法,其特征在于:所述步骤B2包括:
步骤B2a、形态学膨胀:对只含有肺野区域的二值化图像S3(x,y)进行形态学膨胀,消除肺区孔洞,得到膨胀图像S4(x,y);
步骤B2b、边界提取:对所述膨胀图像S4(x,y)进行边缘检测,得到肺区轮廓坐标。
4.如权利要求1-3任意一项所述的一种自动初始化Snake模型的X光胸片肺野分割方法,其特征在于:所述步骤A包括:
步骤A1、高斯滤波:采用二维零均值、标准差σ=1的高斯滤波器对原始X光胸片图像I1(x,y)进行去噪,得到去噪图像I2(x,y);
步骤A2、图像缩放:对所述去噪图像I2(x,y)进行缩放,得到指定尺寸的缩放图像I3(x,y);
步骤A3、边缘检测:对所述缩放图像I3(x,y)使用图像金字塔算法,得到肺野边缘图像I4(x,y);
步骤A4、边缘增强:将所述缩放图像I3(x,y)与所述肺野边缘图像I4(x,y)进行融合,得到边缘增强图像I5(x,y)。
5.如权利要求1-3任意一项所述的一种自动初始化Snake模型的X光胸片肺野分割方法,其特征在于:所述步骤C包括:
C1、Snake模型轮廓初始化:基于得到的肺区轮廓坐标,沿着边缘增强图像的肺野轮廓按顺时针方向或逆时针方向,以设定间隔来选择控制点,然后基于选择的控制点,构成一条闭合曲线,完成Snake模型轮廓的自动初始化;
C2、贪婪蛇分割:将自动初始化的轮廓线作为Snake模型算法的参数曲线,将初始轮廓上各像素点作为控制点,在参数曲线上定义Snake模型的能量函数,通过对Snake模型参数曲线上的每一控制点执行计算,得到每个控制点新位置的坐标,通过算法的迭代运算,驱使参数曲线向肺野轮廓处移动,得到肺野分割的二值化结果。
6.如权利要求2所述的一种自动初始化Snake模型的X光胸片肺野分割方法,其特征在于:所述步骤B1a采用Otsu法进行图像二值化处理。
7.如权利要求3所述的一种自动初始化Snake模型的X光胸片肺野分割方法,其特征在于:所述步骤B2b采用Canny算子对膨胀图像S4(x,y)进行边缘检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111026188.3A CN113706563B (zh) | 2021-09-02 | 2021-09-02 | 一种自动初始化Snake模型的X光胸片肺野分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111026188.3A CN113706563B (zh) | 2021-09-02 | 2021-09-02 | 一种自动初始化Snake模型的X光胸片肺野分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706563A true CN113706563A (zh) | 2021-11-26 |
CN113706563B CN113706563B (zh) | 2023-05-30 |
Family
ID=78657412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111026188.3A Active CN113706563B (zh) | 2021-09-02 | 2021-09-02 | 一种自动初始化Snake模型的X光胸片肺野分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706563B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114927203A (zh) * | 2022-06-13 | 2022-08-19 | 上海市胸科医院 | 肺部形变的模拟方法、装置及服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099389A1 (en) * | 2001-11-23 | 2003-05-29 | Xiaolan Zeng | Pleural nodule detection from CT thoracic images |
CN104680498A (zh) * | 2015-03-24 | 2015-06-03 | 江南大学 | 一种基于改进梯度向量流模型的医学图像分割方法 |
CN107292896A (zh) * | 2017-08-15 | 2017-10-24 | 电子科技大学 | 基于Snake模型的轮廓提取方法 |
CN107392928A (zh) * | 2017-07-20 | 2017-11-24 | 东北大学 | 基于MRF‑Snake分割的乳腺癌诊断系统及方法 |
CN107909590A (zh) * | 2017-11-15 | 2018-04-13 | 北京工业大学 | 一种基于Snake改进算法的IVUS图像外膜边缘分割方法 |
-
2021
- 2021-09-02 CN CN202111026188.3A patent/CN113706563B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099389A1 (en) * | 2001-11-23 | 2003-05-29 | Xiaolan Zeng | Pleural nodule detection from CT thoracic images |
CN104680498A (zh) * | 2015-03-24 | 2015-06-03 | 江南大学 | 一种基于改进梯度向量流模型的医学图像分割方法 |
CN107392928A (zh) * | 2017-07-20 | 2017-11-24 | 东北大学 | 基于MRF‑Snake分割的乳腺癌诊断系统及方法 |
CN107292896A (zh) * | 2017-08-15 | 2017-10-24 | 电子科技大学 | 基于Snake模型的轮廓提取方法 |
CN107909590A (zh) * | 2017-11-15 | 2018-04-13 | 北京工业大学 | 一种基于Snake改进算法的IVUS图像外膜边缘分割方法 |
Non-Patent Citations (2)
Title |
---|
杨晓倩;毕惟红;: "改进snake模型的自动初始化轮廓检测方法", 计算机应用研究 * |
牟宗魁;唐克伦;郑彬;: "一种新的GVF Snake模型自动初始化轮廓方法", 机械设计与制造 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114927203A (zh) * | 2022-06-13 | 2022-08-19 | 上海市胸科医院 | 肺部形变的模拟方法、装置及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN113706563B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11776216B2 (en) | System and method for extracting a region of interest from volume data | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
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 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN112184888A (zh) | 三维血管建模的方法及装置 | |
Liu et al. | Automatic lung segmentation based on image decomposition and wavelet transform | |
CN109087310B (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
CN113706563B (zh) | 一种自动初始化Snake模型的X光胸片肺野分割方法 | |
Karthikeyan et al. | Lungs segmentation using multi-level thresholding in CT images | |
Akyel et al. | Hair removal and lesion segmentation with fcn8-resnetc and image processing in images of skin cancer | |
Nair et al. | Modified level cut liver segmentation from ct images | |
CN113139929A (zh) | 包含信息筛选与融合修复的胃肠道内窥镜图像预处理方法 | |
Mortaheb et al. | Metal artifact reduction and segmentation of dental computerized tomography images using least square support vector machine and mean shift algorithm | |
PK et al. | Automatically gradient threshold estimation of anisotropic diffusion for meyer's watershed algorithm based optimal segmentation | |
CN108717699B (zh) | 一种基于连续最小割的超声波图像分割方法 | |
CN114627136B (zh) | 一种基于特征金字塔网络的舌象分割与对齐方法 | |
Chambers et al. | A pre-processing scheme for real-time registration of dynamic contrast-enhanced magnetic resonance images | |
Li et al. | A SVM-based framework for autonomous volumetric medical image segmentation using hierarchical and coupled level sets | |
Li et al. | Active contour model-based segmentation algorithm for medical robots recognition | |
CN117274216B (zh) | 基于水平集分割的超声下颈动脉斑块检测方法及系统 | |
Hu et al. | An Automatic Lung Field Segmentation Algorithm Based on Improved Snake Model in X-ray Chest Radiograph | |
Ren et al. | A 3D segmentation method of lung parenchyma based on CT image sequences | |
Suri et al. | Image segmentation using the level set method | |
Zhang et al. | Contour detection of labelled cellular structures from serial ultrathin electron microscopy sections using GAC and prior analysis | |
Lin et al. | Medical image segmentation based on Mumford-Shah model |
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 |