CN115187592B - 一种适用于核磁共振图像的图像分割方法 - Google Patents
一种适用于核磁共振图像的图像分割方法 Download PDFInfo
- Publication number
- CN115187592B CN115187592B CN202211092067.3A CN202211092067A CN115187592B CN 115187592 B CN115187592 B CN 115187592B CN 202211092067 A CN202211092067 A CN 202211092067A CN 115187592 B CN115187592 B CN 115187592B
- Authority
- CN
- China
- Prior art keywords
- growth
- gray
- point
- difference
- growing
- 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
Links
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003709 image segmentation Methods 0.000 title claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 239000000126 substance Substances 0.000 claims description 8
- 210000004204 blood vessel Anatomy 0.000 abstract description 21
- 210000000481 breast Anatomy 0.000 abstract description 21
- 230000003044 adaptive effect Effects 0.000 abstract description 6
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 206010006272 Breast mass Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种适用于核磁共振图像的图像分割方法。该方法在获取乳腺核磁共振图像后灰度化处理得到灰度图像,并对灰度图像进行自适应阈值分割得到若干目标区域,在选取每个目标区域对应的生长点并进行区域生长的过程中,在传统区域生长仅以灰度差作为生长准则的基础上,额外构建了生长点的差异方向特征量及趋势特征量并作为生长准则进行区域生长,完成对乳腺核磁共振图像中异常部位的分割提取。基于本发明所额外构建的生长点的差异方向特征量及趋势特征量并作为生长准则,可在区域生长过程中有效区分乳腺异常部位的像素点与血管聚集部位的像素点,提高对乳腺核磁共振图像中异常部位的分割提取准确度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种适用于核磁共振图像的图像分割方法。
背景技术
当前乳腺检查的方式中,乳腺核磁共振检查方法因检查的数据结果表现为3D立体呈像,可以较好的对软组织进行层次分割,更直观的对病灶部分进行分析及定位,所以应用较广。
当前对乳腺核磁共振所得图像进行图像分割处理而凸显乳腺中异常部分的方法,是借助乳腺中异常部分具有较高活跃性、能量释放较多而在乳腺核磁共振所得图像的灰度化图像中呈现为白色高亮部分的该种特性,通过设置阈值对乳腺核磁共振所得图像的灰度化图像进行阈值分割而提取出乳腺中异常部区域。
但实际情况中,乳腺内部的血管部分同样有较大的能量释放,如果血管分布较为密集,则同样会在乳腺核磁共振所得图像的灰度化图像中呈现聚集性的白色高亮部分,传统的通过设置阈值而实现的图像分割方法并不能准确区分出乳腺中异常部分和血管密集部位,导致当前对乳腺核磁共振所得图像中异常部分如乳腺结节的分割识别准确率较低。
发明内容
本发明提供了一种适用于核磁共振图像的图像分割方法,用以解决,所采用的技术方案具体如下:
本发明的一种适用于核磁共振图像的图像分割方法,包括以下步骤:
获取乳腺核磁共振图像,对乳腺核磁共振图像进行灰度化处理得到灰度图像,对灰度图像进行自适应阈值分割得到若干个目标区域;
确定各个目标区域的生长种子点,确定生长种子点邻域内与生长种子点的灰度差值不大于灰度差阈值的像素点的个数,以生长种子点邻域内与生长种子点的灰度差值不大于灰度差阈值的像素点的个数确定生长种子点的差异方向特征量;
选取生长种子点邻域内与生长种子点的灰度差值不大于灰度差阈值的任一像素点,确定所述任一像素点和生长种子点之间的第一连线角度,选取所述任一像素点邻域内与所述任一像素点的灰度差值不大于灰度差阈值的另外任一像素点,确定所述任一像素点和所述另外任一像素点之间的第二连线角度,以第一连线角度和第二连线角度的差值确定生长种子点的趋势特征量;
以生长种子点的差异方向特征量、趋势特征量以及灰度差阈值作为生长准则进行区域生长,完成对乳腺核磁共振图像中异常部位的分割提取。
本发明的有益效果为:
本发明该方法首先对所获取的乳腺核磁共振图像灰度化处理,然后对所得灰度图像进行自适应阈值分割后得到若干目标区域,在得到目标区域后,本方法在传统的区域生长准则的基础上额外添加了生长种子点的差异方向特征量以及趋势特征量,以新添加的两个特征量来有效区分了目标区域是由乳腺结节该种异常部位而形成的还是由乳腺中血管聚集区域而形成的,以新添加的差异方向特征量以及趋势特征量作为生长准则,便可在后续以生长种子点进行区域生长的过程有效避免对血管聚集区域的提取,提高对乳腺中异常部位提取的准确度,最终实现对乳腺核磁共振图像中异常部位的准确分割提取。
进一步的,所述生长种子点的差异方向特征量为:
进一步的,所述生长种子点的趋势特征量为:
其中,表示第i个生长种子点的趋势特征量,表示第i个生长种子点的8邻域内与第i个生长种子点的灰度值差异小于灰度差阈值的第j个像素点与第i个生长种子点之间所形成的连线角度,表示第j个像素点的8邻域内与第j个像素点的灰度值差异小于灰度差阈值的第j+1个像素点与第j个像素点之间所形成的连线角度。
进一步的,所述以生长种子点的差异方向特征量、趋势特征量以及灰度差阈值作为生长准则进行区域生长的方法为:
构建第i个生长种子点的生长条件:
选取第i个生长种子点的8邻域内,使第i个生长种子点的生长条件量大于生长条件阈值且与第i个生长种子点之间的灰度差异不大于灰度差阈值的像素点作为新的生长种子点,新的生长种子点同样按照第i个生长种子点的生长方法进行生长,依次类推完成区域生长。
附图说明
图1是本发明该种适用于核磁共振图像的图像分割方法的流程图。
具体实施方式
本发明的构思为:
本发明首先获取乳腺核磁共振图像并灰度化处理得到灰度图像,然后对灰度图像进行自适应阈值分割得到若干目标区域,确定各个目标区域的生长种子点,然后在以生长种子点进行区域生长的过程中,不但以生长种子点与其邻域内其它像素点的灰度差值的大小作为生长准则,还通过乳腺中异常部位和血管聚集部位所分别形成的目标区域内灰度特性的不同而建立了目标区域内生长种子点的差异方向特征以及趋势特征,以所得差异方向特征、趋势特征以及灰度差异作为生长准则完成区域生长,实现对乳腺核磁共振图像中异常部位的准确的分割提取。
下面结合附图及实施例,对本发明的一种适用于核磁共振图像的图像分割方法进行详细说明。
方法实施例:
本发明的一种适用于核磁共振图像的图像分割方法实施例,其整体流程如图1所示,具体过程如下:
步骤一,获取乳腺核磁共振图像,对乳腺核磁共振图像灰度化处理得到灰度图像,对灰度图像进行自适应阈值分割得到若干个目标区域。
在完成乳腺核磁共振检查后,检查结果的输出形式为图像形式,将其导入计算机中,便可获取检查结果也即乳腺核磁共振图像。然后为了便于后续医护人员观察乳腺病变,对乳腺核磁共振图像进行灰度化处理,并在灰度化处理后所得灰度图像中利用大津法完成自适应阈值分割,将灰度值大于最佳分割阈值的像素点保留而灰度值不大于最佳分割阈值的其它像素点舍弃,便可得到若干个聚集的、呈现白色高亮状态的区域,本实施例在此将这些白色高亮的聚集区域称为目标区域。
灰度化处理方法为公知常识,所以本实施例中不再赘述具体的对乳腺核磁共振图像进行灰度化处理的过程;以及,现有技术中对所得灰度图像进行自适应阈值分割的方法也并非只有大津法,本实施采用大津法仅是一种优选实施例,在其它实施例中还可采用其它任意可行的自适应阈值分割方法。
容易理解的是,由于乳腺中异常部位如结节部位,以及血管聚集部位在核磁共振过程中都因存在较高的能量释放而呈现高亮白色,所以此时对乳腺核磁共振图像的灰度图像进行简单的自适应阈值分割提取后,所得目标区域既包括异常部位,也包括血管聚集部位。
步骤二,确定各个目标区域的生长种子点,然后确定生长种子点的差异方向特征以及趋势特征。
由于自适应阈值分割后所得图像,仅仅是对整体图像进行了明暗两种状态的区分后保留了相对较亮区域而形成了目标区域,所以正常情况下还需要在目标区域中设置生长种子点,对各个目标区域进行区域生长以确定灰度值较为统一且高亮的细分区域并将其作为最终的对乳腺核磁共振图像的分割提取结果,也即作为最终的乳腺异常部位。
但是,由于当前所得目标区域既包括异常部位,也包括血管聚集部位,而传统的区域生长方法只是通过设置灰度差阈值来判断与生长种子点灰度值相近的邻域像素点完成生长,所以基于当前所得目标区域进行区域生长而完成的对乳腺核磁共振图像的分割提取结果中,便会将血管聚集部位误分入图像分割区域也即图像分割结果中,显然此时的图像分割结果并不理想,对乳腺中异常部位的确定并不准确。
所以,本实施例继续结合异常部位如结节部位和血管聚集部位之间的形状细节区别,来进一步建立可表征两种部位区别的趋势特征以及差异方向特征。
灰度图像中的异常部位,其表现为聚集型,由异常部位所构成的目标区域中灰度差异不大且都呈现白色高亮,但由血管聚集区域所构成的目标区域中,由于血管虽密集分布但仍会有间隙,所以该种目标区域中会出现一定的背景部分的缝隙,也即灰度值并非白色高亮的缝隙,且因为各个血管均有一定的走向,所以该种目标区域中的像素点的灰度值,并不是由区域中心向外逐渐递减或者保持不变的,而是沿着某些方向,实际上便是血管所在方向而灰度值变化不大但在其它方向,实际上便是非血管所在方向而灰度值变化明显。
利用两种目标区域之间的上述特性区别,便可在所有目标区域中去除由血管聚集区域所构成的目标区域,具体过程如下:
首先,设置区域生长过程中作为生长准则的灰度差阈值,本实施例优选灰度差阈值,在其它实施例中还可根据识别准确度要求而将灰度差阈值取其它值。以及,以每个目标区域中灰度值最大的像素点作为对应目标区域的生长种子点,然后分别计算每个生长种子点的差异方向特征以及趋势特征。
1、计算生长种子点的差异方向特征。
关于该差异方向特征量,当第i个生长种子点是处于由异常部位所形成的目标区域中时,由于异常部位在任意方向上的灰度值变化都不大,所以相应的第i个生长种子点的生长方向个数便较多,从而所得差异方向特征量便较大,而如果第i个生长种子点是处于由血管聚集部位所形成的目标区域中时,由于血管具有明显走向,所以此时第i个生长种子点的生长方向则仅有血管走向方向而个数明显变少,相应的所得差异方向特征量便明显较小,所以,通过本实施例所构建的差异方向特征,便可表征当前生长种子点所处目标区域的区别。
2、计算生长种子点的趋势特征。
在第i个生长种子点的8邻域内,选取与其灰度值差异不大于灰度差阈值的第j个像素点,将该第j个像素点与第i个生长种子点连接确定两点间的连线角度,然后再在该第j个像素点的8邻域内选取与该第j个像素点的灰度值差异不大于灰度差阈值的第j+1个像素点,将第j个像素点与第j+1个像素点连接并确定两点间的连线角度,然后计算第i个生长种子点的趋势特征:
其中,表示第i个生长种子点的趋势特征量,表示第i个生长种子点的8邻域内与第i个生长种子点的灰度值差异小于灰度差阈值的第j个像素点与第i个生长种子点之间所形成的连线角度,表示第j个像素点的8邻域内与第j个像素点的灰度值差异小于灰度差阈值的第j+1个像素点与第j个像素点之间所形成的连线角度。
如对差异方向特征构建原理的解释,关于趋势特征,如果第i个生长种子点是处于由异常部位所形成的目标区域中时,则由于生长种子点附近任何方向上都存在与其灰度值差异满足灰度差阈值要求的像素点,而且满足灰度差阈值要求的像素点的附近也同样在任何方向上都存在与其灰度值差异满足灰度差阈值要求的其它像素点,所以对于处于由异常部位所形成的目标区域中的第i个生长种子点来说,其对应所得两个角度与的差异便可以很大,相应地所得的趋势特征量值,由于是通过两个角度与的差值的正弦函数而所确定,所以便会相应地接近1而较大;但是,如果第i个生长种子点是处于由异常部位所形成的目标区域中时,则由于血管走向固定,所以其对应所得两个角度与的值便会十分接近而差异很小,对应所得的趋势特征量值便会相应地接近0而较小。
由此,便可以本实施例所构建的差异方向特征,表征当前生长种子点所处目标区域的区别。
步骤三,根据生长种子点的差异方向特征、趋势特征以及生长种子点与其邻域内其它像素点之间的灰度差异,进行区域生长完成对乳腺核磁共振图像上异常部位的分割提取。
以所得第i个生长种子点的生长条件量以及第i个生长种子点与其8邻域内各个像素点之间的灰度值的差值大小完成第i个生长种子点的生长,当第i个生长种子点的8邻域内存在某个或某些像素点,使得第i个生长种子点对应所得生长条件量大于生长条件阈值,且第i个生长种子点与所述的某个或某些像素点之间的灰度值的差值小于灰度差阈值,则便可以所述的某个或某些像素点作为第i个生长种子点的允许生长方向,也即可将所述的某个或某些像素点作为新的生长种子点;新的生长种子点同样按照第i个生长种子点的生长方法完成生长,便可最终完成区域生长,从而实现对乳腺核磁共振图像中异常部位的分割提取。
本实施例中,优选生长条件阈值为0.7,在其它实施例中还可根据识别准确度要求而将生长条件阈值设置为其它值。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (1)
1.一种适用于核磁共振图像的图像分割方法,其特征在于,包括以下步骤:
获取乳腺核磁共振图像,对乳腺核磁共振图像进行灰度化处理得到灰度图像,对灰度图像进行自适应阈值分割得到若干个目标区域;
确定各个目标区域的生长种子点,确定生长种子点邻域内与生长种子点的灰度差值不大于灰度差阈值的像素点的个数,以生长种子点邻域内与生长种子点的灰度差值不大于灰度差阈值的像素点的个数确定生长种子点的差异方向特征量;
选取生长种子点邻域内与生长种子点的灰度差值不大于灰度差阈值的任一像素点,确定所述任一像素点和生长种子点之间的第一连线角度,选取所述任一像素点邻域内与所述任一像素点的灰度差值不大于灰度差阈值的另外任一像素点,确定所述任一像素点和所述另外任一像素点之间的第二连线角度,以第一连线角度和第二连线角度的差值确定生长种子点的趋势特征量;
以生长种子点的差异方向特征量、趋势特征量以及灰度差阈值作为生长准则进行区域生长,完成对乳腺核磁共振图像中异常部位的分割提取;
所述生长种子点的差异方向特征量为:
所述生长种子点的趋势特征量为:
其中,表示第i个生长种子点的趋势特征量,表示第i个生长种子点的8邻域内与第i个生长种子点的灰度值差异小于灰度差阈值的第j个像素点与第i个生长种子点之间所形成的连线角度,表示第j个像素点的8邻域内与第j个像素点的灰度值差异小于灰度差阈值的第j+1个像素点与第j个像素点之间所形成的连线角度;
所述以生长种子点的差异方向特征量、趋势特征量以及灰度差阈值作为生长准则进行区域生长的方法为:
构建第i个生长种子点的生长条件:
选取第i个生长种子点的8邻域内,使第i个生长种子点的生长条件量大于生长条件阈值且与第i个生长种子点之间的灰度差异不大于灰度差阈值的像素点作为新的生长种子点,新的生长种子点同样按照第i个生长种子点的生长方法进行生长,依次类推完成区域生长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092067.3A CN115187592B (zh) | 2022-09-08 | 2022-09-08 | 一种适用于核磁共振图像的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092067.3A CN115187592B (zh) | 2022-09-08 | 2022-09-08 | 一种适用于核磁共振图像的图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115187592A CN115187592A (zh) | 2022-10-14 |
CN115187592B true CN115187592B (zh) | 2022-12-09 |
Family
ID=83524148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211092067.3A Active CN115187592B (zh) | 2022-09-08 | 2022-09-08 | 一种适用于核磁共振图像的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187592B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392165B (zh) * | 2023-12-12 | 2024-02-23 | 南方医科大学南方医院 | 一种基于人工智能的医疗样本大数据采集方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509199A (zh) * | 2018-10-10 | 2019-03-22 | 华南理工大学 | 一种基于三维重建的医学影像组织智能分割方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202008014344U1 (de) * | 2008-10-28 | 2010-03-25 | Edinger-Strobl, Verena, Mag. DDr. | Gebissbild-Simulationsvorrichtung |
CN104715483B (zh) * | 2015-03-20 | 2018-05-11 | 中国科学院自动化研究所 | 肺部ct影像异常区域的自动分割方法 |
CN105976385B (zh) * | 2016-05-19 | 2019-05-10 | 浙江工商大学 | 一种基于图像数据场的图像分割方法 |
CN107346545A (zh) * | 2017-05-22 | 2017-11-14 | 沈阳工业大学 | 用于视杯图像分割的改进区域生长方法 |
CN114359416B (zh) * | 2022-03-17 | 2022-06-07 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
-
2022
- 2022-09-08 CN CN202211092067.3A patent/CN115187592B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509199A (zh) * | 2018-10-10 | 2019-03-22 | 华南理工大学 | 一种基于三维重建的医学影像组织智能分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115187592A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292312B (zh) | 肿瘤ct图像处理方法 | |
CN108364297B (zh) | 血管图像分割方法、终端、存储介质 | |
CN115187592B (zh) | 一种适用于核磁共振图像的图像分割方法 | |
CN115797356B (zh) | 一种核磁共振肿瘤区域提取方法 | |
CN110652312A (zh) | 一种血管cta智能分析系统及应用 | |
CN114359288B (zh) | 基于人工智能的医学影像脑动脉瘤检测和定位方法 | |
CN115359052A (zh) | 基于聚类算法的医疗影像增强方法 | |
CN110763677A (zh) | 甲状腺冰冻切片诊断方法及系统 | |
CN110458834B (zh) | 一种乳腺肿瘤图像处理系统、方法及装置 | |
CN117422628B (zh) | 一种心脏血管超声检查数据优化增强方法 | |
CN112200815B (zh) | 基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法 | |
CN116385436B (zh) | 一种基于ct图像的胆结石辅助检测系统 | |
CN116128774B (zh) | 一种胃部螺旋ct数据增强处理方法 | |
Kalhor et al. | Assessment of histogram-based medical image contrast enhancement techniques; an implementation | |
CN109859150B (zh) | 脑部flair核磁共振影像的图像强度标准化方法 | |
JP7254283B2 (ja) | 閾値決定方法、画像処理方法、標本画像の評価方法、コンピュータプログラムおよび記録媒体 | |
CN112927225A (zh) | 基于人工智能的智齿生长状态辅助检测系统 | |
CN113781390A (zh) | 一种基于半监督学习的胰腺囊肿鉴别方法和系统 | |
El-Fegh et al. | Automated 2-D cephalometric analysis of X-ray by image registration approach based on least square approximator | |
CN117422720B (zh) | 一种中医治疗舌诊图像智能分割方法 | |
CN113177948B (zh) | 一种基于语义分割的医学图像自动窗口调节方法及应用 | |
CN110580702A (zh) | 一种用于腹主动脉瘤边界分割的方法 | |
CN110246125A (zh) | 基于abus冠状面图像的乳头位置自动检测方法 | |
CN117115186B (zh) | 基于区域生长的心血管分割方法 | |
CN114782448B (zh) | 一种基于图像处理的脑胶质瘤辅助分级系统 |
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 |