CN115457039B - 一种用于hcc多期相数据的窗宽窗位自适应调节方法 - Google Patents

一种用于hcc多期相数据的窗宽窗位自适应调节方法 Download PDF

Info

Publication number
CN115457039B
CN115457039B CN202211416855.3A CN202211416855A CN115457039B CN 115457039 B CN115457039 B CN 115457039B CN 202211416855 A CN202211416855 A CN 202211416855A CN 115457039 B CN115457039 B CN 115457039B
Authority
CN
China
Prior art keywords
window
gray
window width
value
level
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
Application number
CN202211416855.3A
Other languages
English (en)
Other versions
CN115457039A (zh
Inventor
王博
赵威
申建虎
张伟
徐正清
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.)
Beijing Precision Diagnosis Medical Technology Co ltd
Original Assignee
Beijing Precision Diagnosis Medical Technology Co ltd
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 Beijing Precision Diagnosis Medical Technology Co ltd filed Critical Beijing Precision Diagnosis Medical Technology Co ltd
Priority to CN202211416855.3A priority Critical patent/CN115457039B/zh
Publication of CN115457039A publication Critical patent/CN115457039A/zh
Application granted granted Critical
Publication of CN115457039B publication Critical patent/CN115457039B/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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于HCC多期相数据的窗宽窗位自适应调节方法。方法包括：获取多期相医学图像数据；获取图像肿瘤中心坐标和肿瘤外接框；以肿瘤中心坐标为中心，以1.3倍于肿瘤外接框的扩展外接框为裁剪边缘，裁剪所有期相中的肿瘤，作为感兴趣肿瘤体积组；分别获取体积组中肿瘤体积的z轴向的中间切片，作为感兴趣切片组；遍历所有感兴趣切片组，得到所对应的最佳窗宽和最佳窗位；重复上述步骤，直至得到所有期相中所有肿瘤体积的最佳窗宽和最佳窗位；利用计算出的的最佳窗宽和最佳窗位来裁剪所对应的肿瘤体积，并存入感兴趣肿瘤体积组，作为所对应期相的默认窗宽和窗位。本发明可以对不同期相分别进行窗宽窗位自适应，使图像更加清晰。

Description

一种用于HCC多期相数据的窗宽窗位自适应调节方法
技术领域
本发明涉及医学图像的生成技术领域，涉及一种用于HCC多期相数据的窗宽窗位自适应调节方法。
背景技术
CT图像中的CT值是与物质吸收系数相关的相对值，其 HU 数值通常为 -1000~3000。若将空气的 CT 值设为 -1000 HU，对于骨或者密度高于骨的组织或物体而言，其 CT值可超过 1000 HU。不同组织或器官HU值均有差异，对应的灰阶数可达4096 或 65536，而人眼可识别的灰阶数不超过 900。因此当使用 CT 影像进行临床诊断时，需要调整其显示模式，其中窗宽（Window Width，WW）/ 窗位（Window Level，WL）是 CT 图像显示的可调节属性之一，优化最佳 窗宽/窗位 有助于疾病的诊断。窗宽/窗位 的调节不仅提高了对比度，同时也可以排除无关组织及器官的影响。由于 CT 图像的成像受多种因素如 CT 装置、管电压、对比剂或重建等因素的影响，无论是传统的医学图像处理算法，还是近年来兴起的基于深度学习的医学图像处理方法，都需要将 窗宽/窗位 调节作为重要的预处理步骤。
目前，现有技术大部分是在针对不同器官或组织进行数据处理时，使用相关器官或组织的HU值经验范围进行固定窗宽/窗位的数据裁剪。这种前处理方法忽略了数据处理的针对性，无法充分凸显数据特征。对于来自相同 CT 设备、具有相同重建核数及扫描参数的数据集，固定 窗宽/窗位 转换往往有较好且较稳定的分割结果 ；而非固定 窗宽/窗位转换常用于数据集来源不同或扫描条件不同等条件下的医学图像分割或医学目标检测，且可影响基于深度学习的图像自动分割结果或目标检测结果。不同的非固定 窗宽/窗位 转换在特定情况下能够改善图像分割或分类的结果。
原发性肝癌中最常见的为原发性肝细胞肝癌(hepatocellular carcinoma,HCC)，是全世界癌症相关死亡率的第三大常见原因，因HCC与其他种类肝脏病变的治疗及预后存在差异，因此术前进行病灶的分类研究显得尤为重要。 针对原发性肝癌HCC的自适应窗宽窗位调节技术尚未出现。由于HCC具有“快进快出”的诊疗特点，用于HCC的窗宽/窗位调节对HCC的分类和分割效果是一个隐蔽且重要的问题。调节后的CT图像应当可以在动脉期或静脉期看到明显清晰的HCC强化边界。 现有技术中尚缺乏用于对HCC病变的自适应窗宽窗位方法。对HCC数据来说，由于增强剂在采集CT图像时流动区域不固定导致HCC病灶强化效果时强时弱，且HCC的病变表现多种多样导致的不同病例病变在V期和A期特征表现不同，导致HCC分辨难的情况。现有技术中尚缺乏对不同期相CT数据进行分别窗宽窗位处理的方法。对不同期相进行相同窗宽/窗位裁剪会导致强化后的动脉期图像中组织亮度普遍增加，造成裁剪后数据纹理信息不清，丢失信息。
发明内容
本发明的目的是针对现有技术存在的不足,提供一种用于HCC感兴趣区域多期相数据的窗宽窗位自适应调节方法。
为了实现上述目的，本发明所采用的技术方案是：
一种用于HCC感兴趣区域多期相数据的窗宽窗位自适应调节方法，包括：
步骤1：获取多期相医学图像数据；
步骤2：获取图像肿瘤中心坐标和肿瘤外接框；
步骤3：根据肿瘤中心坐标及肿瘤外接框，以肿瘤中心坐标为中心，以1.3倍于肿瘤外接框的扩展外接框为裁剪边缘，裁剪所有期相中的肿瘤，作为感兴趣肿瘤体积组；
步骤4：分别获取步骤3感兴趣肿瘤体积组中肿瘤体积的z轴向的中间切片，作为该肿瘤体积的感兴趣切片组；
步骤5：遍历步骤4中得到的所有感兴趣切片组，得到该感兴趣切片组所对应的最佳窗宽和最佳窗位；
步骤6：重复步骤4~5，直至得到所有期相中所有肿瘤体积的最佳窗宽和最佳窗位；
步骤7：利用步骤6中计算出的的最佳窗宽和最佳窗位来裁剪所对应的肿瘤体积，并存入感兴趣肿瘤体积组，作为所对应期相的默认窗宽和窗位。
进一步地，步骤5的具体过程如下：
步骤5.1：遍历感兴趣切片组内所有感兴趣切片；
步骤5.1.1：计算感兴趣切片的HU最大值和HU最小值；
步骤5.1.2：固定窗宽为约定窗宽，将移动窗位从HU最小值到HU最大值进行遍历；
步骤5.1.2.1：每次对窗位进行移动时，计算约定窗宽和该时刻的移动窗位下图像的HU值直方图；所述的HU值直方图去除掉最小HU值和最大HU值所对应的统计值；
步骤5.1.2.2：使用直方图双峰法计算并记录步骤5.1.2.1所述HU值直方图中的双峰差值；
步骤5.1.2.3：对窗位遍历时步长设置，具体过程如下：
当步骤5.1.2.2所述双峰差值小于约定的经验阈值T1时，移动窗位遍历HU的步长为100，当所述双峰差值大于约定的经验阈值T1时，步长减半，最小步长为10；当所述双峰差值连续增大3次则恢复步长为100，至HU最大值停止；
步骤5.1.2.4：统计所有双峰差值，将双峰差值最大的移动窗位作为最佳窗位；
步骤5.1.3：计算步骤5.1.2.4所述最佳窗位下的最大窗宽，使用该最大窗宽作为窗宽最大值，使用10作为窗宽最小值；
步骤5.1.4：将最佳窗位作为固定窗位，将移动窗宽从窗宽最小值到窗宽最大值进行遍历；
步骤5.1.4.1：每次对窗宽进行移动时，计算最佳窗位和该时刻的移动窗宽下图像的HU值直方图；所述的HU值直方图去掉灰度为0和灰度为255所对应的统计值；
步骤5.1.4.2：使用直方图双峰法计算并记录步骤5.1.4.1所述HU值直方图中的双峰差值；
步骤5.1.4.3：对窗宽遍历时步长设置，具体过程如下：
当步骤5.1.4.2所述双峰差值小于约定的经验阈值T2时，移动窗宽遍历HU的步长为50，当所述双峰差值大于约定的经验阈值T2时，步长减半，最小步长为10；当所述双峰差值连续增大3次则恢复步长为50，至窗宽最大值停止；
步骤5.1.4.4：统计所有双峰差值，将双峰差值最大的移动窗宽作为最佳窗宽；
步骤5.2：使用最佳窗宽和最佳窗位裁剪步骤3所述肿瘤体积；得到最佳窗宽和最佳窗位。
进一步地，所述的医学图像数据包括医疗设备采集获取的原始多期相图像数据和对原始多期相图像数据处理后产生的图像数据。
进一步地，所述直方图双峰法计算的计算方式如下：
将HU值直方图中的最高点作为第一峰值，对应的灰度值为r；
第二峰的取值公式为,此时的即为第二峰的灰度值；
双峰差值为。
本发明的有益效果是
1.本发明的方法可以有针对性对任务数据进行处理，既保证有效数据不丢失，又能凸显所需特征。
2.本发明的方法对不同案例进行不同的窗宽窗位裁剪可以应对现有技术中HCC的病变表现多种多样导致的不同病例病变在V期和A期特征表现不同，导致HCC分辨难的情况，灵活进行HCC多期相数据的窗宽/窗位裁剪，定制保留不同数据或病变所需的有效信息。
3.因此在不同期相使用不同窗宽/窗位进行数据裁剪，能够通过弥补数据在不同期相下亮度的中值增加造成的纹理模糊，保留有效纹理信息。
附图说明
图1是本发明中的方法流程示意图；
图2为窗宽窗位自适应前动脉期胸腔CT图像显示效果图；
图3为图2中动脉期胸腔CT图像对应的HU值直方图；
图4为图2中动脉期胸腔CT图像对应的窗宽窗位示意图；
图5为图2中动脉期胸腔CT图像经过本发明窗宽窗位自适应后的显示效果图；
图6为图5中动脉期胸腔CT图像对应的HU值直方图；
图7为图5中动脉期胸腔CT图像对应的窗宽窗位示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明，本实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
如图1所示，本发明实施例提供了一种用于HCC感兴趣区域多期相数据的窗宽窗位自适应调节方法，包括：
步骤1：获取多期相医学图像数据；具体来说，上述医学图像数据包括医疗设备（如CT等）采集获取的原始多期相图像数据和对原始多期相图像数据处理后产生的图像数据，或者其它可能的图像来源。
步骤2：获取图像肿瘤中心坐标和肿瘤外接框；
步骤3：根据肿瘤中心坐标及肿瘤外接框，以肿瘤中心坐标为中心，以1.3倍于肿瘤外接框的扩展外接框为裁剪边缘，裁剪所有期相中的肿瘤，作为感兴趣肿瘤体积组；
步骤4：分别获取步骤3感兴趣肿瘤体积组中肿瘤体积的z轴向的中间切片，作为该肿瘤体积的感兴趣切片组；
步骤5：遍历步骤4中得到的所有感兴趣切片组，得到该感兴趣切片组所对应的最佳窗宽和最佳窗位；
步骤5.1：遍历感兴趣切片组内所有感兴趣切片；
步骤5.1.1：计算感兴趣切片的HU最大值 和HU最小值；
步骤5.1.2：固定窗宽为约定窗宽，将移动窗位从HU最小值到HU最大值进行遍历；
步骤5.1.2.1：每次对窗位进行移动时，计算约定窗宽和该时刻的移动窗位下图像的HU值直方图；所述的HU值直方图去除掉最小HU值和最大HU值所对应的统计值；能够避免裁剪时黑色区域和高亮区域对后续HU值直方图峰值计算的影响；
步骤5.1.2.2：使用直方图双峰法计算并记录步骤5.1.2.1所述HU值直方图中的双峰差值； 所述直方图双峰法计算的计算方式如下：
将HU值直方图中的最高点作为第一峰值，对应的灰度值为r；
第二峰的取值公式为,此时的即为第二峰的灰度值；
双峰差值为；
步骤5.1.2.3：对窗位遍历时步长设置，具体过程如下：
当步骤5.1.2.2所述双峰差值小于约定的经验阈值T1时，移动窗位遍历HU的步长为100，当所述双峰差值大于约定的经验阈值T1时，步长减半，最小步长为10；当所述双峰差值连续增大3次则恢复步长为100，至HU最大值停止；
步骤5.1.2.4：统计所有双峰差值，将双峰差值最大的移动窗位作为最佳窗位；
步骤5.1.3：计算步骤5.1.2.4所述最佳窗位下的最大窗宽，使用该最大窗宽作为窗宽最大值，使用10作为窗宽最小值；
步骤5.1.4：将最佳窗位作为固定窗位，将移动窗宽从窗宽最小值到窗宽最大值进行遍历；
步骤5.1.4.1：每次对窗宽进行移动时，计算最佳窗位和该时刻的移动窗宽下图像的HU值直方图；所述的HU值直方图去掉灰度为0和灰度为255所对应的统计值；
步骤5.1.4.2：使用直方图双峰法计算并记录步骤5.1.4.1所述HU值直方图中的双峰差值；所述直方图双峰法计算的计算方式如下：
将HU值直方图中的最高点作为第一峰值，对应的灰度值为r；
第二峰的取值公式为,此时的即为第二峰的灰度值；
双峰差值为。
步骤5.1.4.3：对窗宽遍历时步长设置，具体过程如下：
当步骤5.1.4.2所述双峰差值小于约定的经验阈值T2时，移动窗宽遍历HU的步长为50，当所述双峰差值大于约定的经验阈值T2时，步长减半，最小步长为10；当所述双峰差值连续增大3次则恢复步长为50，至窗宽最大值停止；
步骤5.1.4.4：统计所有双峰差值，将双峰差值最大的移动窗宽作为最佳窗宽；
步骤5.2：使用最佳窗宽和最佳窗位裁剪步骤3所述肿瘤体积；得到最佳窗宽和最佳窗位。
步骤6：重复步骤4~5，直至得到所有期相中所有肿瘤体积的最佳窗宽和最佳窗位；
步骤7：利用步骤6中计算出的的最佳窗宽和最佳窗位来裁剪所对应的肿瘤体积，并存入感兴趣肿瘤体积组，作为所对应期相的默认窗宽和窗位。
如图2所示，在自适应窗宽窗位之前的动脉期胸腔CT图像显示比较模糊，其HU值直方图及窗宽窗位如图3和图4所示；如图5所示，在经过本发明自适应窗宽窗位算法的处理后，动脉期胸腔CT图像显示明显更加清晰且符合阅图习惯，其HU值直方图及窗宽窗位如图6和图7所示。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，其它未具体描述的部分，属于现有技术或公知常识。在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种用于HCC感兴趣区域多期相数据的窗宽窗位自适应调节方法，其特征在于，包括：
步骤1：获取多期相医学图像数据；
步骤2：获取图像肿瘤中心坐标和肿瘤外接框；
步骤3：根据肿瘤中心坐标及肿瘤外接框，以肿瘤中心坐标为中心，以1.3倍于肿瘤外接框的扩展外接框为裁剪边缘，裁剪所有期相中的肿瘤，作为感兴趣肿瘤体积组；
步骤4：分别获取步骤3感兴趣肿瘤体积组中肿瘤体积的z轴向的中间切片，作为该肿瘤体积的感兴趣切片组；
步骤5：遍历步骤4中得到的所有感兴趣切片组，得到该感兴趣切片组所对应的最佳窗宽和最佳窗位；
步骤6：重复步骤4～5，直至得到所有期相中所有肿瘤体积的最佳窗宽和最佳窗位；
步骤7：利用步骤6中计算出的最佳窗宽和最佳窗位来裁剪所对应的肿瘤体积，并存入感兴趣肿瘤体积组，作为所对应期相的默认窗宽和窗位；
所述的步骤5的具体过程如下：
步骤5.1：遍历感兴趣切片组内所有感兴趣切片；
步骤5.1.1：计算感兴趣切片的HU最大值Graymax和HU最小值Graymin；
步骤5.1.2：固定窗宽为约定窗宽Grayfix-ww，将移动窗位Graymove-wl从HU最小值Graymin到HU最大值Graymax进行遍历；
步骤5.1.2.1：每次对窗位进行移动时，计算约定窗宽Grayfix-ww和该时刻的移动窗位Graymove-wl下图像的HU值直方图；所述的HU值直方图去除掉最小HU值和最大HU值所对应的统计值；
步骤5.1.2.2：使用直方图双峰法计算并记录步骤5.1.2.1所述HU值直方图中的双峰差值；
步骤5.1.2.3：对窗位遍历时步长设置，具体过程如下：
当步骤5.1.2.2所述双峰差值小于约定的经验阈值T1时，移动窗位Graymove-wl遍历HU的步长为100，当所述双峰差值大于约定的经验阈值T1时，步长减半，最小步长为10；当所述双峰差值连续增大3次则恢复步长为100，至HU最大值Graymax停止；
步骤5.1.2.4：统计所有双峰差值，将双峰差值最大的移动窗位Graymove-wl作为最佳窗位Graybest-wl；
步骤5.1.3：计算步骤5.1.2.4所述最佳窗位Graybest-wl下的最大窗宽，使用该最大窗宽作为窗宽最大值Grayww-max，使用10作为窗宽最小值Grayww-min；
步骤5.1.4：将最佳窗位Graybest-wl作为固定窗位，将移动窗宽Graymove-ww从窗宽最小值Grayww-min到窗宽最大值Grayww-max进行遍历；
步骤5.1.4.1：每次对窗宽进行移动时，计算最佳窗位Graybest-wl和该时刻的移动窗宽Graymove-ww下图像的HU值直方图；所述的HU值直方图去掉灰度为0和灰度为255所对应的统计值；
步骤5.1.4.2：使用直方图双峰法计算并记录步骤5.1.4.1所述HU值直方图中的双峰差值；
步骤5.1.4.3：对窗宽遍历时步长设置，具体过程如下：
当步骤5.1.4.2所述双峰差值小于约定的经验阈值T2时，移动窗宽Graymove-ww遍历HU的步长为50，当所述双峰差值大于约定的经验阈值T2时，步长减半，最小步长为10；当所述双峰差值连续增大3次则恢复步长为50，至窗宽最大值停止；
步骤5.1.4.4：统计所有双峰差值，将双峰差值最大的移动窗宽Graymove-ww作为最佳窗宽Graybest-ww；
步骤5.2：使用最佳窗宽Graybest-ww和最佳窗位Graybest-wl裁剪步骤3所述肿瘤体积；得到最佳窗宽和最佳窗位。
2.根据权利要求1所述的一种用于HCC感兴趣区域多期相数据的窗宽窗位自适应调节方法，其特征在于，所述直方图双峰法计算的计算方式如下：
将HU值直方图中的最高点作为第一峰值GHfirst＝hist(r)，对应的灰度值为r；
第二峰的取值公式为此时的x即为第二峰的灰度值GHsecond；
双峰差值为GHfirst-GHsecond。
CN202211416855.3A 2022-11-14 2022-11-14 一种用于hcc多期相数据的窗宽窗位自适应调节方法 Active CN115457039B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211416855.3A CN115457039B (zh) 2022-11-14 2022-11-14 一种用于hcc多期相数据的窗宽窗位自适应调节方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211416855.3A CN115457039B (zh) 2022-11-14 2022-11-14 一种用于hcc多期相数据的窗宽窗位自适应调节方法

Publications (2)

Publication Number Publication Date
CN115457039A CN115457039A (zh) 2022-12-09
CN115457039B true CN115457039B (zh) 2023-04-07

Family

ID=84295449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211416855.3A Active CN115457039B (zh) 2022-11-14 2022-11-14 一种用于hcc多期相数据的窗宽窗位自适应调节方法

Country Status (1)

Country Link
CN (1) CN115457039B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961443A (zh) * 2019-03-25 2019-07-02 北京理工大学 基于多期ct影像引导的肝脏肿瘤分割方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10726948B2 (en) * 2017-12-08 2020-07-28 International Business Machines Corporation Medical imaging device- and display-invariant segmentation and measurement
CN114332255B (zh) * 2022-03-16 2022-05-20 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种医学图像处理方法及装置
CN114663653B (zh) * 2022-05-16 2022-08-12 南京佗道医疗科技有限公司 一种医学影像感兴趣区域的窗位窗宽计算方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961443A (zh) * 2019-03-25 2019-07-02 北京理工大学 基于多期ct影像引导的肝脏肿瘤分割方法及装置

Also Published As

Publication number Publication date
CN115457039A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN107808156B (zh) 感兴趣区域提取方法
JP7330703B2 (ja) 医用画像処理装置及びｘ線ｃｔシステム
US7961967B2 (en) Adaptive density mapping in computed tomographic images
US7388973B2 (en) Systems and methods for segmenting an organ in a plurality of images
CN101576997B (zh) 基于二次三维区域生长的腹部器官分割方法
WO2020244098A1 (zh) 一种x射线ct图像中金属针的检测定位方法
US20100049035A1 (en) Brain image segmentation from ct data
US10748263B2 (en) Medical image processing apparatus, medical image processing method and medical image processing system
CN106530236B (zh) 一种医学图像处理方法及系统
George et al. Efficient preprocessing filters and mass segmentation techniques for mammogram images
CN114677391A (zh) 一种脊椎图像分割方法
CN111415340B (zh) 一种面向大面积高密度影ct图像的脏器分割方法及装置
CN111166362A (zh) 医学图像的显示方法及装置、存储介质及电子设备
Chen et al. Liver segmentation from CT images based on region growing method
CN114820663A (zh) 用于确定射频消融治疗的辅助定位方法
CN116993764B (zh) 一种胃部ct智能分割提取方法
CN110930337A (zh) 一种基于深度学习的医学影像增强方法
CN112712540B (zh) 一种基于ct影像的肺部支气管提取方法
CN116580037B (zh) 一种基于深度学习的鼻咽癌图像分割方法及系统
CN115457039B (zh) 一种用于hcc多期相数据的窗宽窗位自适应调节方法
Ukil et al. Smoothing lung segmentation surfaces in 3D X-ray CT images using anatomic guidance
CN116277978B (zh) 多模态骨关节数字化3d打印方法
Huang et al. The segmentation of liver and vessels in CT images using 3D hierarchical seeded region growing
Yamada et al. ROI extraction of chest CT images using adaptive opening filter
Hamed et al. A proposed model for denoising breast mammogram 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
GR01 Patent grant
GR01 Patent grant