CN115147378A - 一种ct图像分析提取方法 - Google Patents

一种ct图像分析提取方法 Download PDF

Info

Publication number
CN115147378A
CN115147378A CN202210794943.0A CN202210794943A CN115147378A CN 115147378 A CN115147378 A CN 115147378A CN 202210794943 A CN202210794943 A CN 202210794943A CN 115147378 A CN115147378 A CN 115147378A
Authority
CN
China
Prior art keywords
image
target
normal
parameter information
contrast
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
Application number
CN202210794943.0A
Other languages
English (en)
Other versions
CN115147378B (zh
Inventor
姜慧杰
王丹丹
代艳美
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.)
Harbin Medical University
Original Assignee
Harbin Medical University
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 Harbin Medical University filed Critical Harbin Medical University
Priority to CN202210794943.0A priority Critical patent/CN115147378B/zh
Publication of CN115147378A publication Critical patent/CN115147378A/zh
Application granted granted Critical
Publication of CN115147378B publication Critical patent/CN115147378B/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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明提供了一种CT图像分析提取方法，包括构建常态图像及其对应的图像特征参数信息；根据目标的基本参数信息对常态图像的图像进行修正，并获取修正后的对比图像及其图像特征参数信息；获取目标CT图像及其图像特征参数信息；将目标CT图像与对比图像的图像特征参数信息进行对比分析后，将目标CT图像相对对比图像进行去重处理；在去重处理后的图像中，选择目标区域并进行增强处理后，对目标区域内的图像进行识别和边界勾画。该发明根据现有大量CT图像信息，构建常态图像并进行修正后获取与目标CT图像除目标区域图像外相同的对比图像，再对目标CT图像进行对比图像的去重操作后即获取到目标区域图像，进而进行边界标记，具有方法简单、效率高的优点。

Description

一种CT图像分析提取方法
技术领域
本发明涉及CT图像领域，尤其是涉及了一种CT图像分析提取方法。
背景技术
CT(Computed Tomography)，即电子计算机断层扫描，是用X射线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的X射线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器转为数字，输入计算机处理。图像形成的处理有如对选定层面分成若干个体积相同的长方体，称之为体素。扫描所得信息经计算而获得每个体素的X射线衰减系数或吸收系数，再排列成矩阵，即数字矩阵，数字矩阵可存贮于磁盘或光盘中。经数字/模拟转换器把数字矩阵中的每个数字转为由黑到白不等灰度的小方块，即像素，并按矩阵排列，即构成CT图像。所以，CT图像是重建图像。每个体素的X射线吸收系数可以通过不同的数学方法算出。
目前在教学研究中，需要用到通过CT图像进行三维建模，以方便教学演示、演练、分析和预测等。在通过CT图像进行三维建模时，需要对器官、病灶等进行识别和分割提取等，尤其是对病灶进行识别提取时，由于病灶在器官上，在图像中器官和病灶图像参数接近，而目前的识别方法一般是通过像素值的识别等进行，造成识别难度较大，因此缺乏自动化的识别分割方法，目前都需要先借助人工进行病灶勾画等处理后，再通过现有的识别分割等方法进行病灶等目标区域的提取，效率较低。
发明内容
为了解决背景技术中所存在的问题，本发明提出了一种CT图像分析提取方法。
一种CT图像分析提取方法，包括
构建常态图像及其对应的图像特征参数信息；
根据目标的基本参数信息对常态图像的图像进行修正，并获取修正后的对比图像及其图像特征参数信息；
获取目标CT图像及其图像特征参数信息；
将目标CT图像与对比图像的图像特征参数信息进行对比分析后，将目标CT图像相对对比图像进行去重处理；
在去重处理后的图像中，选择目标区域并进行增强处理后，对目标区域内的图像进行识别和边界勾画。
基于上述，所述常态图像为一定条件下对应的正常CT图像，根据该一定条件下的多个研究对象的平均数据进行获取和构建。
基于上述，所述常态图像为对获取的目标CT图像进行目标单位选定后，将选定的目标对象的区域图像，处理为一定条件下对应的正常CT图像，该正常CT图像根据该一定条件下的多个研究对象的平均数据进行获取和构建。
基于上述，所述一定条件为研究对象的生理条件信息。
基于上述，所述目标的基本参数信息为目标对象的生理条件信息、病理参数信息和临床数据信息。
基于上述，对目标区域内的图像进行识别和边界勾画后，对目标区域内的图像进行边界标记处理，并将边界标记与目标CT图像进行关联应用。
基于上述，将目标CT图像与对比图像的图像特征参数信息进行对比分析时，将目标CT图像和对比图像分别建立在同样的坐标维度下，分别选取多个特定区域或特定点并进行标记，分别对比目标CT图像中和对比图像中选取的对应标记处图像特征参数是否相同，若相同则将目标CT图像相对对比图像进行去重处理，否则重新获取对比图像再次进行对比分析。
基于上述，在多个已有的CT图像样本中，将人工勾画的边界构建入CT图像样本中以获取参考样本图像，将参考样本图像中的边界与自动勾画的边界进行对比判断。
基于上述，通过CT图像样本和参考样本图像对常态图像的构建和目标区域内的图像边界勾画进行训练。
本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明通过根据现有的大量的CT图像信息，构建常态图像，并根据目标的基本参数信息进行修正后获取与目标CT图像除目标区域图像外的相同或近似的对比图像，再通过对目标CT图像进行对比图像的去重操作后，即可获取到目标区域图像，进而可方便的对目标图像进行边界识别和标记，具有方法简单、效率高的优点。
附图说明
图1是本发明的流程示意框图。
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付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。
如图1所示，一种CT图像分析提取方法，包括构建常态图像及其对应的图像特征参数信息；根据目标的基本参数信息对常态图像的图像进行修正，并获取修正后的对比图像及其图像特征参数信息；获取目标CT图像及其图像特征参数信息；将目标CT图像与对比图像的图像特征参数信息进行对比分析后，将目标CT图像相对对比图像进行去重处理；在去重处理后的图像中，选择目标区域并进行增强处理后，对目标区域内的图像进行识别和边界勾画。
使用时，先构建一个常态图像后，根据获取的目标的基本参数信息对构建的常态图像进行图像修正，使获得的对比图像与目标CT图像除了目标区域图像外的基本特征信息相一致后，在目标CT图像中，将与对比图像相同的图像特征进行去重处理后，剩下的图像特征即为目标区域图像也即病灶的图像特征。对剩下的图像部分进行图像特征的增强处理后，由于此时目标区域内只剩下病灶的图像特征，增强后的病灶图像与周围区域边界较为明显，对目标区域图像也即病灶即可采用现有的方法进行方便快速的识别和边界勾画。
在一个实施例中，所述常态图像为一定条件下对应的正常CT图像，根据该一定条件下的多个研究对象的平均数据进行获取和构建。现实中在研究教学过程中，获取有大量的CT图像信息的数据库及临床数据等，通过现有的CT图像和临床数据等，构建在一定条件下的正常的CT图像，也即正常的健康对象的CT图像，该正常CT图像为在一定条件下的多个正常研究对象的平均数据所对应的CT图像。实际中，所述一定条件为研究对象的生理条件信息，如年龄信息、身高信息、体重信息、胸围/腰围等部分目标信息、器官的正常指标信息以及其他的正常标准的生理指标信息等。数据库中可构建多种特定条件下的正常CT图像信息以进行备用，如构建和存储有多年龄段下对应的正常指标的CT图像，以方便快速调用与目标对象相同年龄的正常CT图像。
在另一个实施例中，所述常态图像为对获取的目标CT图像进行目标单位选定后，将选定的目标单位的区域图像，处理为一定条件下对应的正常CT图像，该正常CT图像根据该一定条件下的多个研究对象的平均数据进行获取和构建。在该实施例中，直接获取目标CT图像，选定目标CT图像中的目标单位，也即含有病灶的器官或区域，将该目标单位图像处理为一定条件下对应的正常的CT图像，也即该目标单位图像为在一定条件下的多个正常研究对象的平均数据所对应的CT图像。之后再根据目标自身的基本参数对常态图像中该目标单位图像也即含有病灶的器官图像或区域图像，进行修正，从而获取到与目标CT图像中相同或近似的目标单位图像。该实施例中不直接以目标CT图像中目标单位图像或其局部图像的图像特征为依据直接构建对应的常态图像，是由于不知道病灶的大小以及病灶对该目标对象的影响，也即不知道目标CT图像中病灶的图像特征对该器官或区域的图像特征的影响。若能明确获取目标CT图像中未受到病灶图像特征影响的该器官或区域的图像特征，则可直接以该获取的未受影响的图像特征进行目标单位图像的常态图像构建。
本实施例中，所述目标的基本参数信息为目标对象(CT图像对应的病患)的生理条件信息、病理参数信息和临床数据信息，生理条件信息如身高信息、体重信息、胸围/腰围等部分目标信息、器官的大小等指标信息等，病理参数信息指对研究器官或区域会造成影响的病理信息，如对肺部大小或形状可能造成影响的其他器官的病变信息，或抽烟等造成的肺部图像影响信息等，临床数据信息指该目标对象的临床数据中获取的可能对研究器官或区域造成影响的数据信息。常态图像构建后，根据目标的基本参数信息对常态图像进行具体的、匹配目标对象的适应性修正后，如根据目标的基本参数信息调整常态图像中器官的大小等，即可获取用于进行参考对比的对比图像。
获取到对比图像后，将目标CT图像与对比图像的图像特征参数信息进行对比分析时，将目标CT图像和对比图像分别建立在同样的坐标维度下，分别选取多个特定区域或特定点并进行标记，特定区域或特定点为非病灶范围的或原理病灶范围的区域或点，作为分析对比使用的特征标记处，分别将目标CT图像中选取的多个特征标记处，与对比图像中选取的对应的多个特征标记处，进行图像特征参数的分析对比，以判断是否相同或在预设在误差范围内，若是则说明对比图像与目标CT图像是高度匹配的，此时将目标CT图像相对对比图像进行去重处理，也即将目标CT图像中与对比图像中相同的图像特征去除掉，剩下的图像即为病灶图像。否则说明对比图像与目标CT图像是不匹配的或匹配度不能满足需要，此时需要重新构建常态图像、获取对比图像等，也即重复之前的步骤后再次进行对比分析，直至获取到高匹配度的对比图像。
对目标区域内的图像进行识别和边界勾画后，对目标区域内的图像进行边界标记处理，并将边界标记与目标CT图像进行关联应用，也即在目标CT图像中，将该边界标记加入到对应的位置，从而可在目标CT图像中直观的观察到病灶的边界，进而方便对目标CT图像的操作处理，如对CT图像及病灶进行三维建模等。
现实中，在多个已有的CT图像样本中，分别进行人工的病灶或其他目标区域的边界勾画，并将人工勾画的边界构建入CT图像样本中以获取参考样本图像，在获取到勾画的边界后，将参考样本图像中的边界与自动勾画的边界进行对比，以判断自动勾画的边界与人工勾画的边界的差异程度，在差异程度超出预设范围时进行改进，以提升自动勾画的准确性。
实际中，通过CT图像样本和参考样本图像对常态图像的构建和目标区域内的图像边界勾画进行大量的训练，以提高常态图像和对比图像的构建的准确性和效率，同时大量的训练和改进，用于提升对目标区域图像也即病灶等的边界勾画的准确性和效率。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (9)

1.一种CT图像分析提取方法，其特征在于：包括
构建常态图像及其对应的图像特征参数信息；
根据目标的基本参数信息对常态图像的图像进行修正，并获取修正后的对比图像及其图像特征参数信息；
获取目标CT图像及其图像特征参数信息；
将目标CT图像与对比图像的图像特征参数信息进行对比分析后，将目标CT图像相对对比图像进行去重处理；
在去重处理后的图像中，选择目标区域并进行增强处理后，对目标区域内的图像进行识别和边界勾画。
2.根据权利要求1所述的CT图像分析提取方法，其特征在于：所述常态图像为一定条件下对应的正常CT图像，根据该一定条件下的多个研究对象的平均数据进行获取和构建。
3.根据权利要求1所述的CT图像分析提取方法，其特征在于：所述常态图像为对获取的目标CT图像进行目标单位选定后，将选定的目标对象的区域图像，处理为一定条件下对应的正常CT图像，该正常CT图像根据该一定条件下的多个研究对象的平均数据进行获取和构建。
4.根据权利要求2或3所述的CT图像分析提取方法，其特征在于：所述一定条件为研究对象的生理条件信息。
5.根据权利要求1所述的CT图像分析提取方法，其特征在于：所述目标的基本参数信息为目标对象的生理条件信息、病理参数信息和临床数据信息。
6.根据权利要求1所述的CT图像分析提取方法，其特征在于：对目标区域内的图像进行识别和边界勾画后，对目标区域内的图像进行边界标记处理，并将边界标记与目标CT图像进行关联应用。
7.根据权利要求1所述的CT图像分析提取方法，其特征在于：将目标CT图像与对比图像的图像特征参数信息进行对比分析时，将目标CT图像和对比图像分别建立在同样的坐标维度下，分别选取多个特定区域或特定点并进行标记，分别对比目标CT图像中和对比图像中选取的对应标记处图像特征参数是否相同，若相同则将目标CT图像相对对比图像进行去重处理，否则重新获取对比图像再次进行对比分析。
8.根据权利要求1所述的CT图像分析提取方法，其特征在于：在多个已有的CT图像样本中，将人工勾画的边界构建入CT图像样本中以获取参考样本图像，将参考样本图像中的边界与自动勾画的边界进行对比判断。
9.根据权利要求8所述的CT图像分析提取方法，其特征在于：通过CT图像样本和参考样本图像对常态图像的构建和目标区域内的图像边界勾画进行训练。
CN202210794943.0A 2022-07-05 2022-07-05 一种ct图像分析提取方法 Active CN115147378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210794943.0A CN115147378B (zh) 2022-07-05 2022-07-05 一种ct图像分析提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210794943.0A CN115147378B (zh) 2022-07-05 2022-07-05 一种ct图像分析提取方法

Publications (2)

Publication Number Publication Date
CN115147378A true CN115147378A (zh) 2022-10-04
CN115147378B CN115147378B (zh) 2023-07-25

Family

ID=83413130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210794943.0A Active CN115147378B (zh) 2022-07-05 2022-07-05 一种ct图像分析提取方法

Country Status (1)

Country Link
CN (1) CN115147378B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070053491A1 (en) * 2005-09-07 2007-03-08 Eastman Kodak Company Adaptive radiation therapy method with target detection
US20120321195A1 (en) * 2011-06-17 2012-12-20 General Electric Company Method for automatic mismatch correction of image volumes
US20130148863A1 (en) * 2011-12-13 2013-06-13 Canon Kabushiki Kaisha Inspection apparatus, inspection method, and computer-readable storage medium
US20150023578A1 (en) * 2012-03-05 2015-01-22 Hong'en (Hangzhou, China) Medical Technology Inc. Device and method for determining border of target region of medical images
CN104318536A (zh) * 2014-10-21 2015-01-28 沈阳东软医疗系统有限公司 Ct图像的校正方法及装置
US20160183905A1 (en) * 2014-12-31 2016-06-30 Shenyang Neusoft Medical Systems Co., Ltd. Optimizing ct scanning parameter
WO2018040126A1 (zh) * 2016-08-31 2018-03-08 广州华端科技有限公司 断层合成图像重建方法和系统
US20200245960A1 (en) * 2019-01-07 2020-08-06 Exini Diagnostics Ab Systems and methods for platform agnostic whole body image segmentation
CN111640100A (zh) * 2020-05-29 2020-09-08 京东方科技集团股份有限公司 肿瘤图像的处理方法和装置、电子设备、存储介质
US20210201487A1 (en) * 2019-12-31 2021-07-01 International Business Machines Corporation Reference image guided object detection in medical image processing

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070053491A1 (en) * 2005-09-07 2007-03-08 Eastman Kodak Company Adaptive radiation therapy method with target detection
US20120321195A1 (en) * 2011-06-17 2012-12-20 General Electric Company Method for automatic mismatch correction of image volumes
US20130148863A1 (en) * 2011-12-13 2013-06-13 Canon Kabushiki Kaisha Inspection apparatus, inspection method, and computer-readable storage medium
US20150023578A1 (en) * 2012-03-05 2015-01-22 Hong'en (Hangzhou, China) Medical Technology Inc. Device and method for determining border of target region of medical images
CN104318536A (zh) * 2014-10-21 2015-01-28 沈阳东软医疗系统有限公司 Ct图像的校正方法及装置
US20160183905A1 (en) * 2014-12-31 2016-06-30 Shenyang Neusoft Medical Systems Co., Ltd. Optimizing ct scanning parameter
WO2018040126A1 (zh) * 2016-08-31 2018-03-08 广州华端科技有限公司 断层合成图像重建方法和系统
US20200245960A1 (en) * 2019-01-07 2020-08-06 Exini Diagnostics Ab Systems and methods for platform agnostic whole body image segmentation
US20210201487A1 (en) * 2019-12-31 2021-07-01 International Business Machines Corporation Reference image guided object detection in medical image processing
CN111640100A (zh) * 2020-05-29 2020-09-08 京东方科技集团股份有限公司 肿瘤图像的处理方法和装置、电子设备、存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘会珍;: "基于帧间差分的运动区域目标自适应识别方法研究", 新余学院学报, no. 01, pages 28 - 32 *
张卫正;张伟伟;张焕龙;陈启强;丁臣臣;: "基于高光谱成像技术的甘蔗茎节识别与定位方法研究", 轻工学报, no. 05, pages 101 - 108 *

Also Published As

Publication number Publication date
CN115147378B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN106056595B (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统
CN110338841B (zh) 三维成像数据的显示处理方法和三维超声成像方法及系统
CN111932559B (zh) 基于深度学习的新冠肺炎肺部病灶区域分割系统
CN103249358B (zh) 医用图像处理装置
ES2914387T3 (es) Estudio inmediato
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN111553892B (zh) 基于深度学习的肺结节分割计算方法、装置及系统
CN108629785B (zh) 基于自步学习的三维磁共振胰腺图像分割方法
CN109919254B (zh) 乳腺密度分类方法、系统、可读存储介质和计算机设备
CN108062749B (zh) 肛提肌裂孔的识别方法、装置和电子设备
CN107680110B (zh) 基于统计形状模型的内耳三维水平集分割方法
CN110874860B (zh) 基于混合损失函数的对称监督模型的目标提取方法
CN108961278B (zh) 基于影像数据的腹壁肌肉分割的方法及其系统
CN111325754B (zh) 一种基于ct序列图像的腰椎骨自动定位方法
CN112686875A (zh) 基于神经网络的pet-ct图像的肿瘤预测方法及计算机可读存储介质
CN116309551B (zh) 确定病灶取样区的方法、装置、电子设备及可读介质
CN110246143A (zh) 肺部ct图像辅助检测处理装置
CN112950611A (zh) 一种基于ct图像的肝脏血管分割方法
CN104915989A (zh) 基于ct影像的血管三维分割方法
CN109300150B (zh) 一种用于骨龄评估的手骨x光图像纹理特征提取方法
CN109214388B (zh) 一种基于个性化融合网络的肿瘤分割方法及装置
CN115147378B (zh) 一种ct图像分析提取方法
CN113409447B (zh) 一种基于多切片组合的冠状动脉分割方法和装置
WO2023133929A1 (zh) 一种基于超声的人体组织对称性检测分析方法
Wulandari et al. Automatic lung cancer detection using color histogram calculation

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