CN116883655A - 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统 - Google Patents

一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统 Download PDF

Info

Publication number
CN116883655A
CN116883655A CN202310778976.0A CN202310778976A CN116883655A CN 116883655 A CN116883655 A CN 116883655A CN 202310778976 A CN202310778976 A CN 202310778976A CN 116883655 A CN116883655 A CN 116883655A
Authority
CN
China
Prior art keywords
image
breast
tumor
bpe
area
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
Application number
CN202310778976.0A
Other languages
English (en)
Inventor
王金花
刘于宝
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.)
Shenzhen Hospital of Southern Medical University
Original Assignee
Shenzhen Hospital of Southern 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 Shenzhen Hospital of Southern Medical University filed Critical Shenzhen Hospital of Southern Medical University
Priority to CN202310778976.0A priority Critical patent/CN116883655A/zh
Publication of CN116883655A publication Critical patent/CN116883655A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及医学图像处理技术领域，尤其是一种基于乳腺和肿瘤分割的BPE自动化提取方法和系统，包括获取乳腺肿瘤动态增强MRI图像数据；图像预处理：获取原始MRI图像的TCI子图、图像去噪；构建图；图像区域对比，得到肿瘤区域；图像区域融合，得到乳腺区域。使用Bilateral滤波器对乳腺肿瘤MRI图像进行预处理，具有平滑图像的同时，保留图像区域轮廓细节的特点，区域对比准则使用与所分割图像匹配的参数，基于粒子群优化算法并选择合理的寻优目标函数，针对要处理的乳腺肿瘤MRI图像，优化区域对比准则公式中的参数值，提升了分割效果。

Description

一种基于乳腺和肿瘤分割的BPE自动化提取方法和系统
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种基于乳腺和肿瘤分割的BPE自动化提取方法和系统。
背景技术
乳腺癌是发生在女性身上最常见的恶性肿瘤之一，对其的诊断与预前评估吸引了科学界越来越多的关注。非侵入诊断方式中的MRI影像诊断，以其无损伤、无辐射、软组织分辨率高、信息量丰富的特点，成为现代乳腺肿瘤诊断的主要方式之一。BPE是指乳腺核磁共振MRI成像检查，一种医学检查方法。具体是指注射对比剂后，观察乳腺核磁上正常纤维腺体增强，BPE检查在乳腺癌风险预测、保乳术后切缘评估、新辅助治疗疗效以及高危人群评估等方面起到重要的作用，它对临床医学上有很大的指导意义。
传统的乳腺和肿瘤分隔的自动化提取方法在实际的使用过程中，使用区域对比准则，使得分割方法对于MRI图像的噪声不敏感，提高了乳腺MRI图像的分割效果，但是在区域对比准则中，决定分割效果的重要参数是经验而设定的，对于不同MRI图像，可能产生过分割与欠分割的问题，导致传统的方法不便于进行临床应用；同时，受到理论基础、经验和认知的差别影响，临床医生和技术人员对于MRI图像的分析和判断存在不可避免。因此，亟需选择合理的寻优目标函数，针对要处理的MRI图像，优化参数进而大大提升的分割效果，尽量避免出现过分割与欠分割的问题，为此我们提出了一种基于乳腺和肿瘤分割的BPE自动化提取方法和系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于乳腺和肿瘤分割的BPE自动化提取方法和系统。
为达到以上目的，本发明采用的技术方案为：一种基于乳腺和肿瘤分割的BPE自动化提取方法，包括如下步骤：
S1：获取乳腺肿瘤动态增强MRI图像数据；
S2：图像预处理：获取原始MRI图像的TCI子图、图像去噪；
S3：构建图；
S4：图像区域对比，得到肿瘤区域；
S5：图像区域融合，得到乳腺区域。
优选的，在S1中，乳腺肿瘤动态增项MRI图像数据由BPE获得。
优选的，在S2中，获取原始MRI图像中的TCI子图时，使乳腺肿瘤区域处于TCI子图的大致中心位置，且包含完整的乳腺肿瘤区域，同时，乳腺肿瘤区域占TCI子图尺寸的30％以上。
优选的，在S2中，采用Bilateral滤波器，在进行图像滤波平滑的同时，保留图像区域边缘特征。
优选的，在S3中，图可用G＝(V，E)来表示，其中V代表定点，E代表边的集合，对预处理后的图像进行分割，步骤如下：A1，建立图像到图的映射，图中每个顶点Vi的与原图像中的唯一体素点相对应，将当前顶点Vi与该顶点的八邻域的一个顶点相连接，得到边E((Vi，Vj)∈E)；A2，选择六邻域的建图模板，对整个乳腺肿瘤MRI图像进行遍历。
优选的，在S3中，完成图像的映射图G＝(V，E)后，边集E定义为无效，遍历边集E根据区域对比准则，判断边是否为有效边，若有效，则两区域融合，成为新的区域，边集遍历完成后，图像分为若干区域。
优选的，其中，当边两端的顶点属于不同区域时进行融合判定，减少运算复杂度，实现图像的快速分割。
优选的，区域对比准则公式如下：
其中，Dif(c1,c2)代表区域之间的差异，也就是两个子图C1，C2之间的差异大小，具体见下列公式：
Dif(c1,c2)＝∣μ(c1)-μ(c2)∣，
MInt(C1,C2)代表两个区域的最小区域之内差异，也就是相邻子图C1，C2内部灰度差异的较小者，公式如下：
MInt(C1,C2)＝min(δ(c1)+τ(c1)，δ(c2)+τ(c2))，
其中，μ(c)代表区域C内部的所有体素点的灰度均值；δ(c)表示区域C内部的所有体素点的灰度标准差；τ(c)是门限函数，定义如下：
其中，∣C∣标识区域C内所有的体素点的个数，α＝0.02，k＝2000。
一种基于乳腺和肿瘤分割的BPE自动化提取系统，包括有图像获取模块、预处理模块、构建模块、对比模块以及融合模块；
其中图像获取模块用以乳腺肿瘤动态增强MRI图像的获取；
预处理模块用以原始图像的TCI子图获取以及图像降噪处理；
对比模块用以图像的区域对比，得到肿瘤区域；融合模块用以图像的区域融合，并得到乳腺区域。
与现有技术相比，本发明具有以下有益效果：
1、使用Bilateral滤波器对乳腺肿瘤MRI图像进行预处理，具有平滑图像的同时，保留图像区域轮廓细节的特点；
2、区域对比准则使用与所分割图像匹配的参数，基于粒子群优化算法并选择合理的寻优目标函数，针对要处理的乳腺肿瘤MRI图像，优化区域对比准则公式中的参数值，提升了分割效果。
附图说明
图1为本发明的流程框图；
图2为本发明的原始乳腺肿瘤MRI图像；
图3为本发明的图2中的图像经过Bilateral滤波后的图像。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
如附图1-3所示的一种基于乳腺和肿瘤分割的BPE自动化提取方法，包括如下步骤：
S1：获取乳腺肿瘤动态增强MRI图像数据；
S2：图像预处理：获取原始MRI图像的TCI子图、图像去噪；
S3：构建图；
S4：图像区域对比，得到肿瘤区域；
S5：图像区域融合，得到乳腺区域。
在S1中，乳腺肿瘤动态增项MRI图像数据由BPE获得。
在S2中，获取原始MRI图像中的TCI子图时，使乳腺肿瘤区域处于TCI子图的大致中心位置，且包含完整的乳腺肿瘤区域，同时，乳腺肿瘤区域占TCI子图尺寸的30％以上。
在S2中，采用Bilateral滤波器，在进行图像滤波平滑的同时，保留图像区域边缘特征。
在S3中，图可用G＝(V，E)来表示，其中V代表定点，E代表边的集合，对预处理后的图像进行分割，步骤如下：A1，建立图像到图的映射，图中每个顶点Vi的与原图像中的唯一体素点相对应，将当前顶点Vi与该顶点的八邻域的一个顶点相连接，得到边E((Vi，Vj)∈E)；A2，选择六邻域的建图模板，对整个乳腺肿瘤MRI图像进行遍历。
在S3中，完成图像的映射图G＝(V，E)后，边集E定义为无效，遍历边集E根据区域对比准则，判断边是否为有效边，若有效，则两区域融合，成为新的区域，边集遍历完成后，图像分为若干区域。
其中，当边两端的顶点属于不同区域时进行融合判定，减少运算复杂度，实现图像的快速分割。
区域对比准则公式如下：
其中，Dif(c1,c2)代表区域之间的差异，也就是两个子图C1，C2之间的差异大小，具体见下列公式：
Dif(c1,c2)＝∣μ(c1)-μ(c2)∣，
MInt(C1,C2)代表两个区域的最小区域之内差异，也就是相邻子图C1，C2内部灰度差异的较小者，公式如下：
MInt(C1,C2)＝min(δ(c1)+τ(c1)，δ(c2)+τ(c2))，
其中，μ(c)代表区域C内部的所有体素点的灰度均值；δ(c)表示区域C内部的所有体素点的灰度标准差；τ(c)是门限函数，定义如下：
其中，∣C∣标识区域C内所有的体素点的个数，α＝0.02，k＝2000。
一种基于乳腺和肿瘤分割的BPE自动化提取系统，包括有图像获取模块、预处理模块、构建模块、对比模块以及融合模块；
其中图像获取模块用以乳腺肿瘤动态增强MRI图像的获取；
预处理模块用以原始图像的TCI子图获取以及图像降噪处理；
对比模块用以图像的区域对比，得到肿瘤区域；融合模块用以图像的区域融合，并得到乳腺区域。
通过实验统计，其运行时间与TCI子图尺寸有关，20幅乳腺肿瘤MRI图像的平均TCI子图尺寸为159X124到320X162之间，算法平均运行时间为12min，算法平均迭代次数是320次，基于CPU为Pentium(3.0HZ)，内存为Kingston(2GB)的计算机上运行效果，预计于多核并行的服务器上运行时，时间将会大幅缩短，提升提取效率。
本发明的工作流程：
参照说明书附图1-3所示，乳腺肿瘤动态增项MRI图像数据由BPE获得，获取原始MRI图像中的TCI子图时，使乳腺肿瘤区域处于TCI子图的大致中心位置，且包含完整的乳腺肿瘤区域，同时，乳腺肿瘤区域占TCI子图尺寸的30％以上；采用Bilateral滤波器，在进行图像滤波平滑的同时，保留图像区域边缘特征；图可用G＝(V，E)来表示，其中V代表定点，E代表边的集合，对预处理后的图像进行分割，步骤如下：A1，建立图像到图的映射，图中每个顶点Vi的与原图像中的唯一体素点相对应，将当前顶点Vi与该顶点的八邻域的一个顶点相连接，得到边E((Vi，Vj)∈E)；A2，选择六邻域的建图模板，对整个乳腺肿瘤MRI图像进行遍历；完成图像的映射图G＝(V，E)后，边集E定义为无效，遍历边集E根据区域对比准则，判断边是否为有效边，若有效，则两区域融合，成为新的区域，边集遍历完成后，图像分为若干区域；当边两端的顶点属于不同区域时进行融合判定，减少运算复杂度，实现图像的快速分割；
综上：使用Bilateral滤波器对乳腺肿瘤MRI图像进行预处理，具有平滑图像的同时，保留图像区域轮廓细节的特点，区域对比准则使用与所分割图像匹配的参数，基于粒子群优化算法并选择合理的寻优目标函数，针对要处理的乳腺肿瘤MRI图像，优化区域对比准则公式中的参数值，提升了分割效果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (9)

1.一种基于乳腺和肿瘤分割的BPE自动化提取方法，其特征在于：包括如下步骤：
S1：获取乳腺肿瘤动态增强MRI图像数据；
S2：图像预处理：获取原始MRI图像的TCI子图、图像去噪；
S3：构建图；
S4：图像区域对比，得到肿瘤区域；
S5：图像区域融合，得到乳腺区域。
2.根据权利要求1所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法，其特征在于，在S1中，乳腺肿瘤动态增项MRI图像数据由BPE获得。
3.根据权利要求1所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法，其特征在于，在S2中，获取原始MRI图像中的TCI子图时，使乳腺肿瘤区域处于TCI子图的大致中心位置，且包含完整的乳腺肿瘤区域，同时，乳腺肿瘤区域占TCI子图尺寸的30％以上。
4.根据权利要求1所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法，其特征在于，在S2中，采用Bilateral滤波器，在进行图像滤波平滑的同时，保留图像区域边缘特征。
5.根据权利要求1所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法，其特征在于，在S3中，图可用G＝(V，E)来表示，其中V代表定点，E代表边的集合，对预处理后的图像进行分割，步骤如下：A1，建立图像到图的映射，图中每个顶点Vi的与原图像中的唯一体素点相对应，将当前顶点Vi与该顶点的八邻域的一个顶点相连接，得到边E((Vi，Vj)∈E)；A2，选择六邻域的建图模板，对整个乳腺肿瘤MRI图像进行遍历。
6.根据权利要求1所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法，其特征在于，在S3中，完成图像的映射图G＝(V，E)后，边集E定义为无效，遍历边集E根据区域对比准则，判断边是否为有效边，若有效，则两区域融合，成为新的区域，边集遍历完成后，图像分为若干区域。
7.根据权利要求6所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法，其特征在于，其中，当边两端的顶点属于不同区域时进行融合判定，减少运算复杂度，实现图像的快速分割。
8.根据权利要求6所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法，其特征在于，区域对比准则公式如下：
其中，Dif(c1,c2)代表区域之间的差异，也就是两个子图C1，C2之间的差异大小，具体见下列公式：
Dif(c1,c2)＝∣μ(c1)-μ(c2)∣，
MInt(C1,C2)代表两个区域的最小区域之内差异，也就是相邻子图C1，C2内部灰度差异的较小者，公式如下：
MInt(C1,C2)＝min(δ(c1)+τ(c1)，δ(c2)+τ(c2))，
其中，μ(c)代表区域C内部的所有体素点的灰度均值；δ(c)表示区域C内部的所有体素点的灰度标准差；τ(c)是门限函数，定义如下：
其中，∣C∣标识区域C内所有的体素点的个数，α＝0.02，k＝2000。
9.一种基于乳腺和肿瘤分割的BPE自动化提取系统，其特征在于，包括有图像获取模块、预处理模块、构建模块、对比模块以及融合模块；
其中图像获取模块用以乳腺肿瘤动态增强MRI图像的获取；
预处理模块用以原始图像的TCI子图获取以及图像降噪处理；
对比模块用以图像的区域对比，得到肿瘤区域；融合模块用以图像的区域融合，并得到乳腺区域。
CN202310778976.0A 2023-06-29 2023-06-29 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统 Pending CN116883655A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310778976.0A CN116883655A (zh) 2023-06-29 2023-06-29 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310778976.0A CN116883655A (zh) 2023-06-29 2023-06-29 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统

Publications (1)

Publication Number Publication Date
CN116883655A true CN116883655A (zh) 2023-10-13

Family

ID=88267219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310778976.0A Pending CN116883655A (zh) 2023-06-29 2023-06-29 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统

Country Status (1)

Country Link
CN (1) CN116883655A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117893539A (zh) * 2024-03-15 2024-04-16 天津市肿瘤医院（天津医科大学肿瘤医院） 一种乳腺图像识别处理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117893539A (zh) * 2024-03-15 2024-04-16 天津市肿瘤医院（天津医科大学肿瘤医院） 一种乳腺图像识别处理方法
CN117893539B (zh) * 2024-03-15 2024-06-07 天津市肿瘤医院（天津医科大学肿瘤医院） 一种乳腺图像识别处理方法

Similar Documents

Publication Publication Date Title
Jiang et al. A novel white blood cell segmentation scheme using scale-space filtering and watershed clustering
US7599533B2 (en) Image processing system and image processing method
WO2019000455A1 (zh) 图像分割的方法及系统
Win et al. Automated segmentation of cell nuclei in cytology pleural fluid images using OTSU thresholding
CN116883655A (zh) 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统
US7480401B2 (en) Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data
Viji et al. Modified texture based region growing segmentation of MR brain images
Kaftan et al. Fuzzy pulmonary vessel segmentation in contrast enhanced CT data
CN113139981A (zh) 基于深度神经网络的dce-mri乳腺肿瘤图像分割方法
CN111563876A (zh) 一种医学影像的获取方法、显示方法
Jamil et al. Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments
CN112529900B (zh) 匹配乳腺图像中roi的方法、装置、终端与存储介质
EP2386102A1 (en) Method and system for the automatic recognition of lesions in a set of breast magnetic resonance images
Kim et al. Tongue diagnosis method for extraction of effective region and classification of tongue coating
Ukai et al. Computer-aided diagnosis system for lung cancer based on retrospective helical CT image
CN110533667B (zh) 基于图像金字塔融合的肺部肿瘤ct影像3d分割方法
CN110009645B (zh) 一种肝癌病灶影像的双层轮廓分割方法
CN109034256B (zh) 一种ltp与hog特征融合的乳腺肿瘤检测系统与方法
KR101474162B1 (ko) 흉부 컴퓨터 단층 영상의 간유리음영 결절 자동 분할 시스템 및 그 분할 방법
CN112634280B (zh) 基于能量泛函的mri图像脑肿瘤分割方法
Hou et al. Research on tumor image segmentation in medical imaging based on extremum adaptive median filtering
CN112037217A (zh) 一种基于荧光成像的术中血流成像方法
You et al. Extraction of samples from airway and vessel trees in 3D lung CT based on a multi-scale principal curve tracing algorithm
CN113808100B (zh) 一种乳腺结节粗钙化识别装置
CN113808101B (zh) 一种乳腺结节钙化分析装置

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