CN115760722A - 一种区域生长以及形态学分析相结合的气管树提取方法 - Google Patents
一种区域生长以及形态学分析相结合的气管树提取方法 Download PDFInfo
- Publication number
- CN115760722A CN115760722A CN202211371455.5A CN202211371455A CN115760722A CN 115760722 A CN115760722 A CN 115760722A CN 202211371455 A CN202211371455 A CN 202211371455A CN 115760722 A CN115760722 A CN 115760722A
- Authority
- CN
- China
- Prior art keywords
- trachea
- point
- main
- area
- region
- 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
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种区域生长以及形态学分析相结合的气管树提取方法,将气管树的提取分为主气管提取和细气管提取,在主气管提取中采用自适应高阈值来确定生长条件,提高主气管树提取效率;在细气管的提取中,预先提取主气管树的骨架和分支点,在骨架的分支点的基础上采用形态学分割细气管,既降低单纯形态学和模式识别提取的不足,提高了成功率,又降低了运算量,提高提取效率;对提取后的主气管和细气管合并后基于细气管拼接方法来弥补出于断裂状态的细气管,并删除伪气管,提高气管树提取整体质量。
Description
技术领域
本发明涉及计算机图像处理技术领域,具体的,涉及一种区域生长以及形态学分析相结合的气管树提取方法。
背景技术
随着CT(Computed Tomography,计算机体层摄影)技术的发展,CT的扫描分辨率越来越高,这使得根据扫描的图像提取气管的有关特征参数进而研究肺结节、慢性阻塞性肺病等其他肺内疾病的诊断技术成为可能。然而,CT的发展也使得扫描片的数目速度增加,一个病例所包含的扫描片已高达几百张,在进行气管病变的检测时,放射科医生必须阅读大量的扫描片,漏诊与误诊的机率随着CT扫描片数目的增加而增高。使用CAD(Computer-Aided Design,计算机辅助诊断系统)进行气管疾病的检测,有助于减少医生的阅片时间,提高气管检测与量化过程的客观性。
肺部CT图片中气管的分布特点决定了肺气管的分割方法有基于灰度区域的也有基于边缘的。这两种方法的算法目前已有很多种,但是或多或少都会存在一些问题。在现有技术基于灰度区域的方法中,主气管在CT图片中呈现亮黑色,和管腔内的灰度值有明显的差别,所以我们可以通过区域生长解决主气管的分割问题,但是细支气管有很大一部分扩散到了肺实质中,区域生长的时候就会连同肺实质一起生长出来。为了避免这种情况,只能通过严格控制生长约束条件来解决,但是这样做的代价会遗失一些真正的气管,最终的结果是气管树分割不完整。因此既要保证分割完整又要保证不要泄漏就是一个难点。基于边缘的分割方法可以避免气管泄漏的问题,但是在分割细支气管时,会有很多遗漏气管和主气管处于断裂情况,没有简单有效的方法让它们连在一起,而在精确性要求比较高的今天,就更增加了它们连接的难度。
因此,如何能够避免各种肺气管树提取方法中的缺点,针对主气管树和细气管树的特点,分别对两者进行提取,同时对主气管树和细气管树,或者细气管树之间进行拼接,既兼容不同提取方法的情况下,具备两者的优点,又避免简单的对两者进行合并,并且减少计算量,提高提取效率成为现有技术亟需解决的技术问题。
发明内容
本发明的目的在于提出区域生长以及形态学分析相结合的气管树提取方法,能够对主气管、细气管的提取方法进行改进,同时避免简单的对两者进行合并运算,并且减少系统的计算量,提高提取效率。
为达此目的,本发明采用以下技术方案:
一种区域生长以及形态学分析相结合的气管树提取方法,其特征在于,包括如下步骤:
CT图像预处理步骤S110:
对CT图像进行预处理,降低图像噪声,减少干扰组织,提取分割出肺实质区域;
主气管树分割步骤S120:
利用质心法选取种子点作为区域生长的种子点,以该种子点为中心通过三维26邻域对其周围的邻接像素点进行判断,设置较低的低阈值T1和高阈值T2,其中T2=T1+ΔT,采用迭代方式逐步完成区域增长,每次迭代完成先进行泄漏检测,如果未发生泄漏,将T1和T2的值分别增加ΔT,否则中止生长;
骨架以及分支点提取步骤S130:
提取气管树的三维骨架图,将三维骨架图转换为二维图像,定义阈值长度Th,利用所述阈值长度Th将长度低于Th的分支去除,然后将处理后的二维图像重新转换为三维图像进行修剪,将修剪后的三维图像重新转换为二维图像,并在该二维图上显示出气管的分支点(Node)和分支(Branch),并保存各分支点对应的坐标位置;
细气管树提取步骤S140:
以步骤S123中的分支点的坐标位置为中心点,沿着分支的位置范围分层进行形态学处理,分割单层图像细支气管区域,最后再将分割结果进行三维重构合成三维肺部细支气管区域;
主气管和细气管判断拼接步骤S150:
将所提取的主气管和细气管合成肺部气管结构,在各层的肺部CT图像中,对主气管的端点和细气管的端点分别进行距离判断和角度判断,对于通过上述两种判断的主气管的端点和细气管的端点进行连接。
可选的,在步骤S110中,
选取阈值为-600HU对CT图像二值化处理;然后采用7×7×7球形结构元对二值图像进行形态学闭操作以填充血管和气管壁空洞;最后以此为掩膜从原图中隔离出肺实质区域。
可选的,所述步骤S120,具体包括:
自动确定种子点步骤S121:
选择肺实质上端第10个轴向切片,在2D切片中划定矩形搜索区域,其中长、宽分别取该切片长和宽的一半;对搜索区域采用阈值为-750HU进行二值化,找到最大连通域,该连通区域对应主气管,其质心则是气管截面中心,作为区域生长的种子点;
自适应调高阈值迭代生长步骤S122:
以所选取的种子点为中心通过三维26邻域对其周围的邻接像素点进行判断:密度值L≤T1的邻接像素点标记为Confirm,即确认的气管区域;密度值T1<L<T2的邻接像素点标记为Ready,将其看作候选气管区域;T2<L的像素点标记为Away,属于未确认区域;采用迭代方式逐步完成区域增长,设置低阈值T1和高阈值T2,其中T2=T1+ΔT,每次迭代完成先进行泄漏检测,如果未发生泄露则继续生长,如果发生泄露则终止下一步迭代,将T1和T2的值分别增加ΔT,上一次Ready区域转换成Confirm区域。
可选的,在步骤S120中,
引入局部区域突变指标:
ΔV=Vk+1-Vk (1)
式(1)中Vk和Vk+1分别为第k次和第(k+1)次迭代的气管区域体积,ΔV为相邻迭代气管区域体积的变化量,即第k次迭代中Ready像素点的数量,定义比值系数δ,
在每次迭代后,计算比值系数δ,当δ>5%时发生泄露。
可选的,在步骤S120中,初始值T1=-980HU,ΔT=5HU。
可选的,在步骤S140中,采用具有旋转性不变的圆盘结构单元做形态学处理。
可选的,在步骤S150中,
所述距离判断为:设定细支气管端点和主气管端点之间距离为D12,假如D12在距离阈值Dt之内,则认为两个端点之间可能存在断裂情况;
所述角度判断为:判断主气管端点处斜率与细气管端点处斜率之间的夹角α,αt为夹角阈值,当α≤αt时,认为细支气管和主气管存在连接的可能。
可选的,在步骤S150中的角度判断中,
斜率之间的夹角α的计算方法为:以主气管和细支气管断裂处横截面的重心表示点A2和B1,取主气管断裂处上一层的气管截面的重心为A1,取细支气管断裂处下一层的气管截面的重心为B2,通过两点确定直线以及相关斜率,其中,点A1到点A2的斜率为K1,点B1到点B2的斜率为K2,通过斜率点乘理论得到公式(3),通过公式(3)算出两个斜率K1和K2之间的夹角α;
可选的,在步骤S150中,对于不满足距离判断和夹角判断的,将其认定为伪气管区域,通过采用区域生长去除伪气管区域或者把除气管区域外的所有体素点设为非气管点,处理完之后得到肺部气管树分割的最终结果。
本发明进一步公开了一种存储介质,用于存储计算机可执行指令,其特征在于:
所述计算机可执行指令在被处理器执行时执行上述的区域生长和形态学分析相结合的气管树提取方法。
综上,本发明具有如下的优点:
(1)在主气管提取中采用自适应高阈值来确定生长条件,从而实现主气管树的提取,能够在较低泄漏情况下成功分割主气管。
(2)预先提取主气管树的骨架和分支点,在骨架的分支点的基础上采用形态学和模式识别的方法分割细气管,既降低单纯形态学和模式识别提取的不足,提高了成功率,又降低了运算量,提高提取效率。
(3)基于距离准则、夹角准则判断出合格的细气管端点和主气管端点,进行主气管和细气管的拼接,相对于简单的将两者进行或运算合并,提高气管树提取的呈现质量。
(4)采用区域生长去除伪气管或者把除气管区域外的所有体素点设为非气管点,去除伪气管区域,提高气管树提取整体质量。
附图说明
图1是根据本发明具体实施例的区域生长以及形态学分析相结合的气管树提取方法的流程图;
图2是根据本发明具体实施例的气管树分支点提取示意图;
图3是根据本发明具体实施例的主气管与细支气管距离拼接的示意图;
图4是根据本发明具体实施例的主气管与细支气管夹角拼接的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
本发明主要在于,将气管树的提取分为主气管提取和细气管提取,并改进两者提取方法,在主气管提取中采用自适应高阈值来确定生长条件,从而实现主气管树的提取;在细气管的提取中,预先提取主气管树的骨架和分支点,在骨架的分支点的基础上采用形态学的方法分割细气管,既降低单纯形态学和模式识别提取的不足,提高了成功率,又降低了运算量,提高提取效率;对提取后的主气管和细气管合并后基于细气管拼接方法来弥补出于断裂状态的细气管,提高气管树提取整体质量。
具体的,参见图1,示出了根据本发明的区域生长以及形态学分析相结合的气管树提取方法的流程图,包括如下步骤:
CT图像预处理步骤S110:
对CT图像进行预处理,降低图像噪声,减少干扰组织,提取分割出肺实质区域。
在一个具体的实施例中,本发明选取阈值为-600HU对CT图像二值化处理;然后采用7×7×7球形结构元对二值图像进行形态学闭操作以填充血管和气管壁空洞;最后以此为掩膜从原图中隔离出肺实质区域。
主气管树分割步骤S120:
由于CT图像中较粗气管的内腔灰度值变化相对较小,且一般有完整气管壁包裹,本发明对于区域生长法进行改进,选取先通过设定一个相对保守的低阈值T1,借助生长过程内在连接关系及局部区域突变指标来自适应调高阈值T2来确定生长终止条件以实现气管树预分割。
该步骤包括,利用质心法选取种子点作为区域生长的种子点,以该种子点为中心通过三维26邻域对其周围的邻接像素点进行判断,设置较低的低阈值T1和高阈值T2,其中T2=T1+ΔT,采用迭代方式逐步完成区域增长,每次迭代完成先进行泄漏检测,如果未发生泄漏,将T1和T2的值分别增加ΔT,否则中止生长。
在步骤S120中,具体包括如下子步骤:
自动确定种子点步骤S121:
选择肺实质上端第10个轴向切片,在2D切片中划定矩形搜索区域,其中长、宽分别取该切片长和宽的一半,对搜索区域采用阈值为-750HU进行二值化,找到最大连通域,该连通区域对应主气管,其质心则是气管截面中心,作为区域生长的种子点。
自适应调高阈值迭代生长步骤S122:
以所选取的种子点为中心通过三维26邻域对其周围的邻接像素点进行判断:密度值L≤T1的邻接像素点标记为Confirm,即确认的气管区域;密度值T1<L<T2的邻接像素点标记为Ready,将其看作候选气管区域;T2<L的像素点标记为Away,属于未确认区域。采用迭代方式逐步完成区域增长,设置较低的低阈值T1和高阈值T2,其中T2=T1+ΔT,每次迭代完成先进行泄漏检测,如果未发生泄露则继续生长,如果发生泄露则终止下一步迭代,将T1和T2的值分别增加ΔT,上一次Ready区域转换成Confirm区域。
在一个具体的实施例中,设置初始值T1=-980HU,ΔT=5HU。
为了有效的检测泄露,本发明引入局部区域突变指标:
ΔV=Vk+1-Vk (1)
式(1)中Vk和Vk+1分别为第k次和第(k+1)次迭代的气管区域体积,ΔV为相邻迭代气管区域体积的变化量,即第k次迭代中Ready像素点的数量。进而定义比值系数δ,
在本发明中,通过具体的实验得到当δ>5%时发生泄露。
骨架以及分支点提取步骤S130:
为了提高细气管树提取的质量,本发明首先对步骤S120中提取的主气管树提取骨架以及分支点,基于骨架和分支点作为下一步细气管树提取的基础。
该步骤具体为:提取气管树的三维骨架图,将三维骨架图转换为二维图像,定义阈值长度Th,利用所述阈值长度Th使得长度低于Th的分支去除,然后将处理后的二维图像重新转换为三维图像进行修剪,将修剪后的三维图像重新转换为二维图像,并在该二维图上显示出气管的分支点(Node)和分支(Branch),并保存各分支点对应的坐标位置。本步骤中后一次二维图像,指的是每一层的二维图像。
如图2所示,球型表示分支点,线型表示分支,以便统计出分支点数(Node Count)与分支数(Branch Count)。
细气管树提取步骤S140:
以步骤S123中的分支点(Node)的坐标位置为中心点,沿着分支(Branch)的位置范围分层进行形态学处理,分割单层图像细支气管区域,最后再将分割结果进行三维重构合成三维肺部细支气管区域。
在本步骤中,基于分支点的坐标位置和分支数的位置范围进行形态学处理,提高了细气管树的处理效率,降低了运算量。
进一步的,在本步骤中,由于细支气管区域随着方向的不同,大小、形状各不相同,因此可以采用具有旋转性不变的圆盘结构单元做形态学处理,以提高识别的准确率。
主气管和细气管判断拼接步骤S150:
通过上述步骤得到了主气管和细气管,通过或运算将它们合成肺部气管结构。合成之后,一些细支气管还处于断裂状态,为了得到完整的、连通的肺部气管结构,则需要采用细支气管拼接将它们与主气管连接起来。细支气管和主气管进行拼接时,首先应当对细支气管和主气管两个端点进行判断。
本发明基于距离和角度对细支气管和主气管两个端点进行判断,通过上述两种判断,对主气管和遗漏的细气管进行连接。
本步骤为:将所提取的主气管和细气管合成肺部气管结构,在各层的肺部CT图像中,对主气管的端点和细气管的端点分别进行距离和角度判断,对于通过上述两种判断的主气管的端点和细气管的端点进行连接。
从气管的拓扑结构出发,并对实际的断裂部位观察分析可以发现断开的气管区域尺寸一般都比较小,断开的两个端点之间距离比较近,因此通过距离能够判断细气管和主气管是否为断裂的情况。
具体的,参见图3,所述距离判断为:设定细支气管端点和主气管端点之间距离为D12,假如D12在距离阈值Dt之内,则认为两个端点之间可能存在断裂情况。
在一个具体的实施例中,所述距离阈值Dt可调,根据所在的位置进行调整,优选为18mm。
通过对CT图片细支气管和主气管断裂处进行观察分析,可以得知细支气管和主气管是一段完整的气管,在形态学上看去是一段平滑的曲线连接,其断裂处两边的斜率应该大小差别不大。
参见图4,所述角度判断为:判断主气管端点处斜率与细气管端点处斜率之间的夹角α,αt为夹角阈值,当α≤αt时,认为细支气管和主气管存在连接的可能,反之就认为这段细支气管和主气管之间没有连接的可能性,则需要对剩下的细支气管和主气管进行距离准则和夹角准则重新判断。
具体的,斜率之间的夹角α的计算方法为:以主气管和细支气管断裂处横截面的重心表示点A2和B1,取主气管断裂处上一层的气管截面的重心为A1,取细支气管断裂处下一层的气管截面的重心为B2,通过两点确定直线以及相关斜率。其中,点A1到点A2的斜率为K1,点B1到点B2的斜率为K2,通过斜率点乘理论得到公式(3),通过公式(3)算出两个斜率K1和K2之间的夹角α(0°≤α≤180°)。
对于主气管和断裂细支气管之间的连接。根据主观经验得知,主气管和细支气管断裂的地方会存在某种拓扑结构的相似性,主气管和细支气管粗细不同,并且断裂处的端点大多数形状各异,如果仅仅是简单的直线连接那就破坏了肺气管的原本的拓扑结构。肺气管的分割结果是作为参考进行诊疗,因此要尽可能的还原其原本结构。从主气管开始,断裂处横截面的形状到细支气管断裂处横截面的形状是逐渐变化的,其实就是一个形状到另一个形状变化的过程
因此,本发明中,所述主气管的端点和细气管的端点进行连接具体为:是顺着断裂着的主气管和细气管的两个端点按照斜率偏差角度延长连线按照二维形状插值的方法进行连接。
进一步的,在拼接后,外部可能还会存在一些未连接的细支气管,它们未连接的原因可能是由于不满足距离准则、夹角准则,从而没有匹配的主气管端点。
对于这种情况,本发明将其认定为伪气管区域,伪气管区域与肺气管的特点相似,中间是低亮度区域,周围是高亮度区域,可以通过整个气管是连通结构的特点采用区域生长去除伪气管或者把除气管区域外的所有体素点设为非气管点,处理完之后得到肺部气管树分割的最终结果。
综上,本发明具有如下的优点:
(1)在主气管提取中采用自适应高阈值来确定生长条件,从而实现主气管树的提取,能够在较低泄漏情况下成功分割主气管。
(2)预先提取主气管树的骨架和分支点,在骨架的分支点的基础上采用形态学和模式识别的方法分割细气管,既降低单纯形态学和模式识别提取的不足,提高了成功率,又降低了运算量,提高提取效率。
(3)基于距离准则、夹角准则判断出合格的细气管端点和主气管端点,进行主气管和细气管的拼接,相对于简单的将两者进行或运算合并,提高气管树提取的呈现质量。
(4)采用区域生长去除伪气管或者把除气管区域外的所有体素点设为非气管点,去除伪气管区域,提高气管树提取整体质量。
本发明进一步公开了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时执行上述的区域生长和形态学分析相结合的气管树提取方法。
显然,本领域技术人员应该明白,上述的本发明的各单元或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定保护范围。
Claims (10)
1.一种区域生长以及形态学分析相结合的气管树提取方法,其特征在于,包括如下步骤:
CT图像预处理步骤S110:
对CT图像进行预处理,降低图像噪声,减少干扰组织,提取分割出肺实质区域;
主气管树分割步骤S120:
利用质心法选取种子点作为区域生长的种子点,以该种子点为中心通过三维26邻域对其周围的邻接像素点进行判断,设置较低的低阈值T1和高阈值T2,其中T2=T1+ΔT,采用迭代方式逐步完成区域增长,每次迭代完成先进行泄漏检测,如果未发生泄漏,将T1和T2的值分别增加ΔT,否则中止生长;
骨架以及分支点提取步骤S130:
提取气管树的三维骨架图,将三维骨架图转换为二维图像,定义阈值长度Th,利用所述阈值长度Th将长度低于Th的分支去除,然后将处理后的二维图像重新转换为三维图像进行修剪,将修剪后的三维图像重新转换为二维图像,并在该二维图上显示出气管的分支点(Node)和分支(Branch),并保存各分支点对应的坐标位置;
细气管树提取步骤S140:
以步骤S123中的分支点的坐标位置为中心点,沿着分支的位置范围分层进行形态学处理,分割单层图像细支气管区域,最后再将分割结果进行三维重构合成三维肺部细支气管区域;
主气管和细气管判断拼接步骤S150:
将所提取的主气管和细气管合成肺部气管结构,在各层的肺部CT图像中,对主气管的端点和细气管的端点分别进行距离判断和角度判断,对于通过上述两种判断的主气管的端点和细气管的端点进行连接。
2.根据权利要求1所述的气管树提取方法,其特征在于:
在步骤S110中,
选取阈值为-600HU对CT图像二值化处理;然后采用7×7×7球形结构元对二值图像进行形态学闭操作以填充血管和气管壁空洞;最后以此为掩膜从原图中隔离出肺实质区域。
3.根据权利要求1所述的气管树提取方法,其特征在于:
所述步骤S120,具体包括:
自动确定种子点步骤S121:
选择肺实质上端第10个轴向切片,在2D切片中划定矩形搜索区域,其中长、宽分别取该切片长和宽的一半;对搜索区域采用阈值为-750HU进行二值化,找到最大连通域,该连通区域对应主气管,其质心则是气管截面中心,作为区域生长的种子点;
自适应调高阈值迭代生长步骤S122:
以所选取的种子点为中心通过三维26邻域对其周围的邻接像素点进行判断:密度值L≤T1的邻接像素点标记为Confirm,即确认的气管区域;密度值T1<L<T2的邻接像素点标记为Ready,将其看作候选气管区域;T2<L的像素点标记为Away,属于未确认区域;采用迭代方式逐步完成区域增长,设置低阈值T1和高阈值T2,其中T2=T1+ΔT,每次迭代完成先进行泄漏检测,如果未发生泄露则继续生长,如果发生泄露则终止下一步迭代,将T1和T2的值分别增加ΔT,上一次Ready区域转换成Confirm区域。
5.根据权利要求4所述的气管树提取方法,其特征在于:
在步骤S120中,初始值T1=-980HU,ΔT=5HU。
6.根据权利要求1所述的气管树提取方法,其特征在于:
在步骤S140中,采用具有旋转性不变的圆盘结构单元做形态学处理。
7.根据权利要求1所述的气管树提取方法,其特征在于:
在步骤S150中,
所述距离判断为:设定细支气管端点和主气管端点之间距离为D12,假如D12在距离阈值Dt之内,则认为两个端点之间可能存在断裂情况;
所述角度判断为:判断主气管端点处斜率与细气管端点处斜率之间的夹角α,αt为夹角阈值,当α≤αt时,认为细支气管和主气管存在连接的可能。
9.根据权利要求7所述的气管树提取方法,其特征在于:
在步骤S150中,对于不满足距离判断和夹角判断的,将其认定为伪气管区域,通过采用区域生长去除伪气管区域或者把除气管区域外的所有体素点设为非气管点,处理完之后得到肺部气管树分割的最终结果。
10.一种存储介质,用于存储计算机可执行指令,其特征在于:
所述计算机可执行指令在被处理器执行时执行权利要求1-9中任意一项的区域生长和形态学分析相结合的气管树提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211371455.5A CN115760722A (zh) | 2022-11-03 | 2022-11-03 | 一种区域生长以及形态学分析相结合的气管树提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211371455.5A CN115760722A (zh) | 2022-11-03 | 2022-11-03 | 一种区域生长以及形态学分析相结合的气管树提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760722A true CN115760722A (zh) | 2023-03-07 |
Family
ID=85357762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211371455.5A Pending CN115760722A (zh) | 2022-11-03 | 2022-11-03 | 一种区域生长以及形态学分析相结合的气管树提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760722A (zh) |
-
2022
- 2022-11-03 CN CN202211371455.5A patent/CN115760722A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784647B (zh) | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统 | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
Sluimer et al. | Toward automated segmentation of the pathological lung in CT | |
CN111583204B (zh) | 基于网络模型的二维序列磁共振图像的器官定位方法 | |
US7499578B2 (en) | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans | |
CN110807764A (zh) | 一种基于神经网络的肺癌筛查方法 | |
CN109102506B (zh) | 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法 | |
CN107292312B (zh) | 肿瘤ct图像处理方法 | |
CN113112609A (zh) | 一种面向肺部活检支气管镜的导航方法和系统 | |
US20080071160A1 (en) | Displaying A Tracheobronchial Tree | |
CN112258514B (zh) | 一种ct影像肺血管的分割方法 | |
US7394933B2 (en) | Region competition via local watershed operators | |
CN111179237A (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
CN109410166A (zh) | 用于肺实质ct图像的全自动分割方法 | |
CN117557460B (zh) | 一种血管造影图像增强方法 | |
CN108765445B (zh) | 一种肺气管分割方法及装置 | |
CN108280833B (zh) | 一种植物根系分叉特征的骨架提取方法 | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
CN111145226B (zh) | 基于ct影像的三维肺部特征提取方法 | |
CN114419077A (zh) | 一种基于ct图像的肺支气管自动分割方法及系统 | |
EP2220616A1 (en) | A method for detecting flat polyps in the colon | |
CN115760722A (zh) | 一种区域生长以及形态学分析相结合的气管树提取方法 | |
CN116228709A (zh) | 一种胰腺实性占位病灶的交互式超声内镜图像识别方法 |
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 |