CN117152181B - 肿瘤图像分割方法、装置、电子设备和可读存储介质 - Google Patents
肿瘤图像分割方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN117152181B CN117152181B CN202311424801.6A CN202311424801A CN117152181B CN 117152181 B CN117152181 B CN 117152181B CN 202311424801 A CN202311424801 A CN 202311424801A CN 117152181 B CN117152181 B CN 117152181B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- dimensional reconstruction
- area
- pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 52
- 238000003709 image segmentation Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 87
- 230000011218 segmentation Effects 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 15
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims description 70
- 238000013507 mapping Methods 0.000 claims description 43
- 206010030113 Oedema Diseases 0.000 claims description 19
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 4
- 239000002872 contrast media Substances 0.000 description 9
- 238000002347 injection Methods 0.000 description 9
- 239000007924 injection Substances 0.000 description 9
- 238000002372 labelling Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002075 inversion recovery Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- 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
- 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
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了肿瘤图像分割方法、装置、电子设备和可读存储介质,属于医学图像处理技术领域。方法包括:获取针对肿瘤的磁共振序列原始图像,根据原始图像得到各自的三维重构图像,根据三维重构图像得到多组对比增强序列减影图像,去除减影图像中的噪声得到多组对比增强区域图像,合并多组对比增强区域图像得到叠加图像,通过全局阈值分割法对叠加图像进行分割得到ET图像,并在ET区域内进行多种子点区域生长分割和区域处理,得到待分类的WT区域,再通过像素点属性向量的标记、校准和分类得到WT图像。本发明利用肿瘤区域多期增强动态特性,将新的区域生长法和属性向量法结合,实现对ET区域和WT区域的精准分割,同时提高分割效率。
Description
技术领域
本发明涉及医学图像处理领域,尤其涉及一种肿瘤图像分割方法、装置、电子设备和可读存储介质。
背景技术
肿瘤是机体在各种致癌因子作用下,局部组织细胞增生所形成的新生物,根据新生物的细胞特性及对机体的危害性程度,将肿瘤划分为良性肿瘤和恶性肿瘤,是致死率较高的疾病之一。
目前,经过治疗的肿瘤,临床对治疗后的效果评估一般比较关注增强肿瘤(enhanced tumor,ET)区域和全肿瘤区域(the whole tumor, WT)的体积变化,因此,准确地分割出ET区域和WT区域是非常关键的。
现有技术在分割肿瘤区域的做法通常都是由经验丰富的专业临床医生手动对核磁共振图像中的肿瘤图像进行分割标注,或者是通过建立和训练用于分割出肿瘤图像的神经网络模型来分割肿瘤图像。
但是,人工分割标注不仅效率低,还受标注医生自身水平与精力的限制,无法保证长期稳定性,而神经网络模型的建立和训练需要大量带有标签的数据集,因数据集数量和种类的限制无法获得训练良好的模型,所以神经网络模型稳定性会影响分割精度。
发明内容
为了解决现有技术中存在的人工分割标注的效率低和神经网络模型因数据集数量和种类的限制而会影响分割精度问题,本发明提供了如下技术方案。
本发明一方面提供了一种肿瘤图像分割方法,包括:
获取针对肿瘤的磁共振序列原始图像;
根据所述磁共振序列原始图像,得到T1 CE三维重构图像和液体衰减反转恢复(fluid attenuated inversion recovery,Flair)三维重构图像;
根据所述T1 CE三维重构图像,得到多组对比增强序列减影图像;
去除所述对比增强序列减影图像中的噪声,得到多组对比增强区域图像;
合并所述多组对比增强区域图像,得到叠加图像;
通过全局阈值分割法,对所述叠加图像进行分割,得到ET图像;
将所述T1 CE三维重构图像内的ET区域映射到所述Flair三维重构图像中,得到所述ET区域对应的Flair映射区域;
在所述Flair映射区域内进行多种子点的区域生长分割,得到每个种子点对应的WT区域;
根据每个种子点对应的WT区域,得到待分类的WT区域;
对所述待分类的WT区域进行属性向量的标记、校准和分类,得到WT图像。
优选地,所述T1 CE三维重构图像包括T1 CE三维重构蒙片图像和T1 CE三维重构增强图像;
根据所述T1 CE三维重构图像,得到多组对比增强序列减影图像,包括:
针对每张T1 CE三维重构增强图像,确定每张T1 CE三维重构增强图像与所述T1CE三维重构蒙片图像之间对应的像素点,并将对应的像素点做相减处理,得到多组对比增强序列减影图像。
优选地,去除所述对比增强序列减影图像中的噪声,得到多组对比增强区域图像,包括:
通过所述全局阈值分割法,去掉所述对比增强序列减影图像中的噪声;
通过腐蚀的方法,去掉所述对比增强序列减影图像中的杂散高信号;
通过膨胀的方法,对所述对比增强序列减影图像进行修复,得到多组对比增强区域图像。
优选地,通过全局阈值分割法,对所述叠加图像进行分割,得到ET图像,包括:
在所述叠加图像中,确定像素值超过预设的第一阈值的像素点;
将像素值超过预设的第一阈值的像素点形成的图像,作为ET图像。
优选地,在所述Flair映射区域内进行多种子点的区域生长分割,得到每个种子点对应的WT区域,包括:
在所述Flair映射区域内选取若干个像素点作为种子点;
针对每个种子点,以该种子点作为区域生长的起点,分割出该种子点对应的WT区域,其中,所述每个种子点对应的WT区域之间具有差异化。
优选地,在所述Flair映射区域内选取若干个像素点作为种子点,包括但不限于:
在所述Flair映射区域中像素平均值最大的区域内选取中心点作为种子点;
在所述Flair映射区域中像素标准差最大的区域内选取中心点作为种子点;
在所述Flair映射区域中像素标准差最小的区域内选取中心点作为种子点。
优选地,根据每个种子点对应的WT区域,得到待分类的WT区域,包括:
确定每个种子点对应的WT区域之间的交集,得到交集WT区域;
确定每个种子点对应的WT区域之间的并集,得到并集WT区域;
根据所述交集WT区域和所述并集WT区域,得到待分类的WT区域。
优选地,对所述待分类的WT区域进行属性向量的标记、校准和分类,得到WT图像,包括:
获取所述待分类的WT区域对应的T2三维重构图像和T1三维重构图像;
针对所述待分类的WT区域内的每个像素点,确定该像素点在Flair三维重构图像、T1三维重构图像和T2三维重构图像中的属性值,形成属性向量;
根据预设的标准属性向量,校准所述属性向量;
将所述待分类的WT区域内校准后的每个像素点属性向量与预设的水肿属性向量对比,确定水肿区域和正常组织区域;
根据所述交集WT区域和待分类的WT区域内的水肿区域,得到WT图像。
优选地,确定该像素点在Flair三维重构图像、T1三维重构图像和T2三维重构图像中的属性值,形成属性向量,包括:
判断该像素点在Flair三维重构图像的像素值是否超过预设的第二阈值,得到该像素点属性向量的第一元素值;
判断该像素点在T1三维重构图像的像素值是否超过预设的第三阈值,得到该像素点属性向量的第二元素值;
判断该像素点在T2三维重构图像的像素值是否超过预设的第四阈值,得到该像素点属性向量的第三元素值;
根据该像素点属性向量的第一元素值、第二元素值和第三元素值,形成属性向量。
本发明的第二方面,提供一种肿瘤图像分割装置,包括:
获取模块,用于获取针对肿瘤的磁共振序列原始图像;
重构模块,用于根据所述磁共振序列原始图像,得到T1 CE三维重构图像和Flair三维重构图像;
减影图像模块,用于根据所述T1 CE三维重构图像,得到多组对比增强序列减影图像;
增强图像模块,用于去除所述对比增强序列减影图像中的噪声,得到多组对比增强区域图像;
叠加图像模块,用于合并所述多组对比增强区域图像,得到叠加图像;
分割模块,用于通过全局阈值分割法,对所述叠加图像进行分割,得到ET图像;
映射模块,用于将所述T1 CE三维重构图像内的ET区域映射到所述Flair三维重构图像中,得到所述ET区域对应的Flair映射区域;
区域生长模块,用于在所述Flair映射区域内进行多种子点的区域生长分割,得到每个种子点对应的WT区域;
区域处理模块,用于根据每个种子点对应的WT区域,得到待分类的WT区域;
属性向量分类模块,用于对所述待分类的WT区域进行属性向量的标记、校准和分类,得到WT图像。
本发明的第三方面提供一种电子设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如第一方面所述的方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述多条指令可被处理器读取并执行如第一方面所述的方法。
本发明提供的肿瘤图像分割方法、装置、电子设备和可读存储介质,具有如下有益效果:本发明利用肿瘤信号增强的动态特性,根据磁共振序列原始图像内某个点在注射造影剂后任意时间点的增强表现,并将这种增强表现进行叠加放大,形成叠加图像,最后通过全局阈值分割法对叠加图像进行分割得到ET图像;通过在ET区域内选择多个种子点进行区域生长分割,得到每个种子点对应的WT区域,对每个种子点对应的WT区域进行处理得到待分类的WT区域,再通过待分类WT区域内像素点属性向量的标记、校准和分类,得到最终的WT图像,从而实现对ET区域和WT区域的精准分割,无需受到样本数据集的数量和种类的限制。也就是说,本发明利用肿瘤区域多期增强的动态特性,强化增强差异,并且,将新的多种子点自动选取的区域生长法和像素属性向量标记、校准及分类方法相结合,实现对ET区域和WT区域的精准分割,同时相对人工分割标注而言,能够显著提高分割的准确性和效率。
附图说明
图1为本发明实施例提供的肿瘤图像分割方法流程示意图。
图2为本发明实施例提供的肿瘤图像分割装置的原理结构图。
具体实施方式
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施,该终端可以包括一个或多个如下部件:处理器、存储器和显示屏。其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分,通过运行或执行存储在存储器内的指令、程序、代码集或指令集,以及调用存储在存储器内的数据,执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外,本领域技术人员可以理解,上述终端的结构并不构成对终端的限定,终端可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件,在此不再赘述。
实施例一
如图1所示,本实施例提供了一种肿瘤图像分割方法,包括:
S101:获取针对肿瘤的磁共振序列原始图像。
在本发明实施例中,磁共振序列原始图像包括:T1 CE图像,该T1 CE图像是注射对比剂进入体内后,强化程度随时间一直发生变化的一系列图像的总称,假设注射造影剂之前的T1 CE图像(即,增强前图像)为,注射造影剂之后的图像(即,增强后图像)为/>、、…/>(/>为增强图像组数)。
在此需要说明的是,代表注射造影剂增强之前的T1 CE的蒙片图像,/>、/>、…/>代表注射造影剂增强之后的一系列不同时刻的T1 CE增强图像。另外,T1 CE图像内是包含肿瘤区域的。
S102:根据所述磁共振序列原始图像,得到T1 CE三维重构图像和Flair三维重构图像。
进一步的,本发明实施例在获取到针对肿瘤的磁共振序列原始图像之后,需要通过三维重建处理将磁共振序列原始图像重构成T1 CE三维重构图像。在此需要说明的是,每个T1 CE图像均重构成一个T1 CE三维重构图像。
S103:根据所述T1 CE三维重构图像,得到多组对比增强序列减影图像。
进一步的,由于本发明是利用肿瘤信号增强的动态特性,即根据磁共振序列原始图像内某个点在注射造影剂后任意时间点的增强表现来实现肿瘤图像分割的,而这种增强表现体现在增强前后相同像素点之间的差距,因此,在本发明实施例中,根据所述T1 CE三维重构图像,得到多组对比增强序列减影图像,具体可以如下:针对每张T1 CE三维重构增强图像,确定该每张T1 CE三维重构增强图像与所述T1 CE三维重构蒙片图像之间对应的像素点,并将对应的像素点做相减处理,得到多组对比增强序列减影图像。
在此需要说明的是,T1 CE三维重构图像包括T1 CE三维重构蒙片图像和T1 CE三维重构增强图像。
在此还需要说明的是,将对应的像素点做相减处理使用的公式为:
,其中,/>表示注射造影剂增强之前的T1 CE蒙片图像,/>、/>、…/>表示注射造影剂增强之后不同时刻的T1 CE增强图像,/>表示第i组对比增强减影图像。
另外,每组T1 CE三维重构增强图像都会得到一组对比增强减影图像,n组T1 CE三维重构增强图像得到n组对比增强减影图像,该n组对比增强减影图像共同组成了多组对比增强序列减影图像,并且,由于不同时刻的T1 CE图像增强区域和信号强度不同,得到的的n组对比增强减影图像也不相同。
S104:去除所述对比增强序列减影图像中的噪声,得到多组对比增强区域图像。
进一步的,为了提高肿瘤图像分割的精准度,在本发明实施例中,需要去除对比增强序列减影图像中的噪声,得到多组对比增强区域图像。
本发明实施例提供了一种去除对比增强序列减影图像中的噪声的实施方式,具体的:
通过所述全局阈值分割法,去掉所述对比增强序列减影图像中的噪声;通过腐蚀的方法,去掉所述对比增强序列减影图像中的杂散高信号;通过膨胀的方法,对所述对比增强序列减影图像进行修复,得到多组对比增强区域图像。
在此需要说明的是,使用全局阈值分割法是为了去除对比增强序列减影图像中的背景区域,只保留肿瘤信号增强区域,全局阈值分割法具体可以是最大类间方差法;使用腐蚀方法是为了将对比增强序列减影图像中的杂散高信号(如血管信号)去除,具体做法是根据对比增强序列减影图像区域的尺寸,设置合适的模板大小,并以一定的步长沿着对比增强序列减影图像区域的边界滑动,其次,在滑动的过程中,将边界上的像素点赋值为0;使用膨胀方法是为了将保留的信号增强区域扩大,以消除腐蚀操作对此区域的影响,具体做法是,将腐蚀后的区域进行膨胀处理,使图像恢复原有的尺寸,并让边界重新出现,最后,将膨胀后的区域进行保存。
S105:合并所述多组对比增强区域图像,得到叠加图像。
进一步的,由于不同时刻的T1 CE图像增强区域和信号强度不同,因此,每组对比增强区域图像包含的ET区域也不同,也就是说,有的对比增强区域图像包含的ET区域相对于实际的ET区域而言偏上,有的对比增强区域图像包含的ET区域相对于实际的ET区域而言偏左,这就使得针对某个相同的像素点,每组对比增强区域图像在像素点的像素值是不同的,那么该像素点是否属于ET区域是不确定的,因此,为了提高肿瘤图像分割的准确性,在本发明实施例中,在得到多组对比增强区域图像之后,应该合并所述多组对比增强区域图像,得到叠加图像,该叠加图像所形成的ET区域肯定比真实的ET区域略大。
也就是说,将步骤S104中的的/>组ET区域范围合并得到ET区域/>,即/>是n组/>的ET区域范围的和:/>。
在此需要说明的是,这里表示第i组对比增强区域图像,/>表示n组对比增强区域图像的ET区域范围之和,/>是比真实ET区域略大的区域。
在此还需要说明的是,叠加图像的每个像素点的像素值为多组对比增强区域图像之和,假设某个像素点在增强前的像素值为,增强后像素值为/>、/>、…/>,进行如下计算:/>,其中,/>代表此像素点增强后不同时刻像素值与增强前像素值差值的和。
另外,该叠加图像不仅包含了真实ET区域,还将ET区域的增强表现进行了叠加,能够更加清晰。
S106:通过全局阈值分割法,对所述叠加图像进行分割,得到ET图像。
进一步的,由于非增强区域像素点,增强区域像素点/>,因此,在本发明实施例中,可以通过全局阈值分割法,对所述叠加图像进行分割。
具体的,在所述叠加图像中,确定像素值超过预设的第一阈值的像素点;将像素值超过预设的第一阈值的像素点形成的图像,作为增强肿瘤图像。在此需要说明的是,第一阈值是根据实际情况来设定的,可以是5,也可以是10,在此不作一一赘述。
通过上述方法,本发明利用肿瘤信号增强的动态特性,根据磁共振序列原始图像内某个点在注射造影剂后任意时间点的增强表现,并将这种增强表现进行叠加放大,形成叠加图像,最后通过全局阈值分割法,对叠加图像进行分割,得到ET图像,从而实现对ET区域的精准分割,无需受到样本数据集的数量和种类的限制,同时相对人工分割标注而言,能够大大提高分割的准确性和效率。也就是说,本发明利用肿瘤信号增强的动态特性,即只要区域内某个点在注射造影剂后任意时间点有增强表现,即可通过本方法自动判定是否属于ET范围,进而实现对ET区域的精准分割。
S107:将所述T1 CE三维重构图像内的ET区域映射到所述 Flair三维重构图像中,得到所述ET区域对应的Flair映射区域。
在实际应用中,临床对治疗后的效果评估通常还会比较关注WT区域的体积变化,因此,准确的分割出WT区域同样是非常关键的。
因此,在本发明实施例中,步骤S101中的磁共振序列原始图像除了包括T1 CE图像,还包括: Flair图像、T1图像、T2图像。步骤S102除了根据所述磁共振序列原始图像,得到T1 CE三维重构图像,还需要根据所述 Flair图像,得到 Flair三维重构图像,其中,Flair图像是磁共振扫描的图像序列,另外,磁共振序列原始图像包括但不限于所述Flair序列图像。将所述T1 CE三维重构图像内的ET区域映射到所述Flair三维重构图像中,得到所述ET区域对应的Flair映射区域。
S108:在所述Flair映射区域内进行多种子点的区域生长分割,得到每个种子点对应的WT区域。
本发明实施例提供了一种在所述Flair映射区域内进行多种子点的区域生长分割,得到每个种子点对应的WT区域的具体实施方式,如下:在所述Flair映射区域内选取若干个像素点作为种子点;针对每个种子点,以该种子点作为区域生长的起点,分割出该种子点对应的全肿瘤WT区域,其中,所述每个种子点对应的WT区域之间具有差异化。
在此需要说明的是,在所述Flair映射区域内选取种子点的数量和选取方式可以根据实际情况来定,并不是唯一的,例如,假设在Flair映射区域内选取3个种子点,每个种子点的选取方式可以是以像素点“26邻域”(三维空间内某像素点相邻的26个像素点),步长为1(步长可以自定义,根据需要选取)遍历ET区域来选取种子点,遍历选取规则可以是在所述Flair映射区域中像素平均值最大的区域内选取中心点作为种子点,在所述Flair映射区域中像素标准差最大的区域内选取中心点作为种子点,在所述Flair映射区域中像素标准差最小的区域内选取中心点作为种子点,公式如下:
(1)平均值最大区域的中心点:
;
(2)标准差最小区域的中心点:
;
(3)标准差最大区域的中心点:
;
其中,是点/>处的像素值,/>是区域像素平均值,(/>不限于此值)。
在此还需要说明的是,每个种子点对应的WT区域之间所包含的范围是不同的,且范围都大于真实的WT区域,例如,以3个种子点为初始点,通过区域生长方法,分割出三个不同范围且都大于真实WT区域的区域(其中,WT区域包含ET区域),记作、/>、/>。
本发明在ET区域范围内选择种子点,通过区域生长的方法分割WT区域,避开了传统分割方法中,需要先分割头骨,或者经验性选择种子点的困扰,难度和计算量大为降低;选取不同种子点分别做区域生长,并将得到的区域范围做交集和并集,交集代表分割结果确定正确的区域,后面判断无需再重复考虑,计算量大大降低;并集代表需要进一步分割的区域,但同时也避免了单一种子点区域生长存在的误分割问题,提高了分割的精度。
S109:根据每个种子点对应的WT区域,得到待分类的WT区域。
进一步的,本发明实施例提供了一种根据每个种子点对应的WT区域,得到待分类的WT区域的具体实施方式,如下:确定每个种子点对应的WT区域之间的交集,得到交集WT区域;确定每个种子点对应的WT区域之间的并集,得到并集WT区域;根据所述交集WT区域和所述并集WT区域,得到待分类的WT区域。
在此需要说明的是,根据所述交集WT区域和所述并集WT区域,
确定待分类的WT区域,可以是并集WT区域减去交集WT区域,得到待分类的WT区域,其中,交集WT区域内的点都属于真实的WT区域,并集WT区域内的点可分为两类:属于真实的WT区域内的点和属于真实的WT区域外的点,待分类的WT区域内的点同样分为两类:属于真实的WT区域内的点(即,水肿区域)和属于真实的WT区域外的点(即,正常组织区域)。另外,水肿区域指的是属于真实的WT区域,水肿区域内的点都属于真实的WT区域内。
延续上例,
;
;
;
其中,为三个区域范围的交集,即,交集WT区域,/>为三个区域范围的并集,即,并集WT区域,/>为交集/>之外的区域,即,待分类的WT区域,同时在区域/>范围内,区域/>内的点都属于WT,区域/>内的点可分为两类:
(1)属于WT区域之内的区域,即,/>;
(2)属于WT区域之外的区域,即,/>。
S110:对所述待分类WT区域进行属性向量的标记、校准和分类,得到WT图像。
进一步的,本发明实施例提供了一种对所述待分类的WT区域进行属性向量的标记、校准和分类,得到WT图像的具体实施方式,如下:获取所述待分类的WT区域对应的T2三维重构图像和T1三维重构图像;针对所述待分类的WT区域内的每个像素点,确定该像素点在Flair三维重构图像、T1三维重构图像和T2三维重构图像中的属性值,形成属性向量;根据预设的标准属性向量,校准所述属性向量;将所述待分类的WT区域内校准后的每个像素点属性向量与预设的水肿属性向量对比,确定水肿区域和正常组织区域,根据所述交集WT区域和待分类的WT区域内的水肿区域,得到WT图像。
在此需要说明的是,T1图像和T2图像是磁共振扫描的两个不同的图像序列,属于磁共振序列原始图像,且,通过三维重建的方法将T1图像和T2图像构建成T1三维重构图像和T2三维重构图像。
在此还需要说明的是,本发明实施例提供了一种确定该像素点在Flair三维重构图像、T1三维重构图像和T2三维重构图像中的属性值,形成属性向量的具体实施方式:判断该像素点在Flair三维重构图像的像素值是否超过预设的第二阈值,得到该像素点属性向量的第一元素值;判断该像素点在T1三维重构图像的像素值是否超过预设的第三阈值,得到该像素点属性向量的第二元素值;判断该像素点在三维重构T2图像的像素值是否超过预设的第四阈值,得到该像素点属性向量的第三元素值;根据该像素点属性向量的第一元素值、第二元素值和第三元素值,形成属性向量。
延续上例,以待分类的WT区域F中某一个点X为例,属性向量的确定方法如下:
假设预设的第二阈值为T(这里以第二阈值为例,第三阈值、第四阈值的应用方法相同),如果该像素点X在对应的三维重构图像的像素值(记为)超过T,得到该像素点X属性向量的元素值为1,即,相对高信号(/>),如果该像素点X在三维重构图像的像素值未超过T,得到该像素点X属性向量的元素值为0,即相对低信号(/>);
判断该像素点X在Flair三维重构图像的像素值超过第二阈值,得到该像素点X属性向量的第一元素值为1;
判断该像素点X在T1三维重构图像的像素值未超过第三阈值,得到该像素点X属性向量的第二元素值0;
判断该像素点X在T2三维重构图像的像素值超过第四阈值,得到该像素点X属性向量的第三元素值为1;
像素点X的属性向量如表1所示。
表1
在表1中,1代表相对高信号,0代表相对低信号,该像素点X的属性向量记作,同样,待分类的WT区域F内全部的像素点都按照此确定方法处理。
在实际应用中,由于消除成像过程中不可避免的一些伪影(如磁共振图像某时刻轻微的运动伪影,血管搏动伪影等)对属性向量的确定存在影响,这些伪影的产生属于某一时刻随机产生的伪影或者某特定序列采集特性引起的伪影,因此只会在某一序列产生或者某一时间段随机发生,其他时间段不会产生,而多模态图像(即,T1 CE图像、Flair图像、T1图像和T2图像)是不同时刻不同序列扫描的结果,因此不会产生完全相同的伪影。
另外对某一序列区域各点的像素值通过全局阈值分割法进行分类,一些临界值可能在某一序列分类中错分,而这些错分的点在其他序列的分类中正确,因此,在本发明实施例中,需要根据预设的标准属性向量,校准所述属性向量。
在此需要说明的是,针对待分类的WT区域,标准属性向量只有三种类型:即、/>、/>,这是由磁共振肿瘤成像信号特征决定的。
在此还需要说明的是,需要根据预设的标准属性向量,校准所述属性向量,具体的:在待分类的WT区域内,找出与标准属性向量相同的像素点,判定该像素点的属性向量为正常,再找出与标准属性向量不相同的像素点Y,公式如下:
当时,表示/>与/>、/>、/>中的一个属性向量重合,可判定该像素点的属性向量为正常;当/>时,判定该像素点的属性向量为异常,校准方法是取/>、和/>中最小的值对应的向量,例如,/>在三者中值最小,则令/>,校准完成。
校准原理是同一个像素点在不同序列上有不同的像素值,可以互相验证,校正就是将属性异常的向量替换成与其相似度最高的目标向量(或/>或/>)。
最后,将交集WT区域和待分类的WT区域内的水肿区域相加,就得到了分割准确的WT图像。
在本发明实施例中,利用多模态序列(即,磁共振序列图像:T1 CE、Flair图像、T1图像和T2图像)对比度的差异和彼此之间的联系,将特定伪影对分割的影响进行校正,同时也能校正前面全局阈值分割法对区域内点的临界幅度值错分的问题。
另外,无论ET图像的分割,还是WT图像的分割,在实际分割中都存在边缘不清晰的问题,本发明将肿瘤信号增强的动态特性和多模态序列(即T1 CE、Flair图像、T1图像和T2图像)信号属性引入,结合图像处理方法即可准确地完成边缘分割。
实施例二
本实施例提供一种肿瘤图像分割装置,如图2所示,包括:获取模块201,用于获取针对肿瘤的磁共振序列原始图像;重构模块202,用于根据所述磁共振序列原始图像,得到T1 CE三维重构图像和Flair三维重构图像;减影图像模块203,用于根据所述T1 CE三维重构图像,得到多组对比增强序列减影图像;增强图像模块204,用于去除所述对比增强序列减影图像中的噪声,得到多组对比增强区域图像;叠加图像模块205,用于合并所述多组对比增强区域图像,得到叠加图像;分割模块206,用于通过全局阈值分割法,对所述叠加图像进行分割,得到ET图像;映射模块207,用于将所述T1 CE三维重构图像内的ET区域映射到所述Flair三维重构图像中,得到所述ET区域对应的Flair映射区域;区域生长模块208,用于在所述Flair映射区域内进行多种子点的区域生长分割,得到每个种子点对应的WT区域;区域处理模块209,用于根据每个种子点对应的WT区域,得到待分类的WT区域;属性向量分类模块210,用于对所述待分类的WT区域进行属性向量的标记、校准和分类,得到WT图像。
所述T1 CE三维重构图像包括T1 CE三维重构蒙片图像和T1 CE三维重构增强图像。
所述减影图像模块203具体用于,针对每张T1 CE三维重构增强图像,确定该每张T1 CE三维重构增强图像与所述T1 CE三维重构蒙片图像之间对应的像素点,并将对应的像素点做相减处理,得到多组对比增强序列减影图像。
所述增强图像模块204具体用于,通过所述全局阈值分割法,去掉所述对比增强序列减影图像中的噪声;通过腐蚀的方法,去掉所述对比增强序列减影图像中的杂散高信号;通过膨胀的方法,对所述对比增强序列减影图像进行修复,得到多组对比增强区域图像。
所述分割模块206具体用于,在所述叠加图像中,确定像素值超过预设的第一阈值的像素点;将像素值超过预设的第一阈值的像素点形成的图像,作为ET图像。
所述区域生长模块208具体用于,在所述Flair映射区域内选取若干个像素点作为种子点;针对每个种子点,以该种子点作为区域生长的起点,分割出该种子点对应的WT区域,其中,所述每个种子点对应的WT区域之间具有差异化。
所述区域生长模块208还用于,在所述Flair映射区域中像素平均值最大的区域内选取中心点作为种子点;在所述Flair映射区域中像素标准差最大的区域内选取中心点作为种子点;在所述Flair映射区域中像素标准差最小的区域内选取中心点作为种子点。
所述区域处理模块209具体用于,确定每个种子点对应的WT区域之间的交集,得到交集WT区域;确定每个种子点对应的WT区域之间的并集,得到并集WT区域;根据所述交集WT区域和所述并集WT区域,得到待分类的WT区域。
所述属性向量分类模块210具体用于,获取所述待分类的WT区域对应的T2三维重构图像和T1三维重构图像;针对所述待分类的WT区域内的每个像素点,确定该像素点在Flair三维重构图像、T1三维重构图像和T2三维重构图像中的属性值,形成属性向量;根据预设的标准属性向量,校准所述属性向量;将所述待分类的WT区域内校准后的每个像素点属性向量与预设的水肿属性向量对比,确定水肿区域和正常组织区域;根据所述交集WT区域和待分类的WT区域内的水肿区域,得到WT图像。
所述属性向量分类模块210还具体用于,判断该像素点在Flair三维重构图像的像素值是否超过预设的第二阈值,得到该像素点属性向量的第一元素值;判断该像素点在T1三维重构图像的像素值是否超过预设的第三阈值,得到该像素点属性向量的第二元素值;判断该像素点在T2三维重构图像的像素值是否超过预设的第四阈值,得到该像素点属性向量的第三元素值;根据该像素点属性向量的第一元素值、第二元素值和第三元素值,形成属性向量。
该装置可实现上述实施例一提供的肿瘤图像分割方法,具体的预测方法可参见实施例一中的描述,在此不再赘述。
实施例三
本发明提供了一种电子设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行前述实施例一中的任一种方法。其中处理器和存储器可以通过总线或者其他方式连接,以通过总线连接为例。处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例四
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行如实施例一中的任意一种方法。该计算机可读存储介质可以是有形存储介质,诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种肿瘤图像分割方法,其特征在于,包括:
获取针对肿瘤的磁共振序列原始图像;
根据所述磁共振序列原始图像,得到T1 CE三维重构图像和Flair三维重构图像,其中,所述T1 CE三维重构图像包括T1 CE三维重构蒙片图像和T1 CE三维重构增强图像;
针对每张T1 CE三维重构增强图像,确定该每张T1 CE三维重构增强图像与所述T1 CE三维重构蒙片图像之间对应的像素点,并将对应的像素点做相减处理,得到多组对比增强序列减影图像;
去除所述对比增强序列减影图像中的噪声,得到多组对比增强区域图像;
合并所述多组对比增强区域图像,得到叠加图像;
通过全局阈值分割法,对所述叠加图像进行分割,得到ET图像;
将所述T1 CE三维重构图像内的ET区域映射到所述Flair三维重构图像中,得到所述ET区域对应的Flair映射区域;
在所述Flair映射区域内进行多种子点的区域生长分割,得到每个种子点对应的WT区域;
确定每个种子点对应的WT区域之间的交集,得到交集WT区域;
确定每个种子点对应的WT区域之间的并集,得到并集WT区域;
根据所述交集WT区域和所述并集WT区域,得到待分类的WT区域;
获取所述待分类的WT区域对应的T2三维重构图像和T1三维重构图像;
针对所述待分类的WT区域内的每个像素点,确定该像素点在Flair三维重构图像、T1三维重构图像和T2三维重构图像中的属性值,形成属性向量;
根据预设的标准属性向量,校准所述属性向量;
将所述待分类的WT区域内校准后的每个像素点属性向量与预设的水肿属性向量对比,确定水肿区域和正常组织区域;
根据所述交集WT区域和待分类的WT区域内的水肿区域,得到WT图像。
2.根据权利要求1所述的肿瘤图像分割方法,其特征在于,去除所述对比增强序列减影图像中的噪声,得到多组对比增强区域图像,包括:
通过所述全局阈值分割法,去掉所述对比增强序列减影图像中的噪声;
通过腐蚀的方法,去掉所述对比增强序列减影图像中的杂散高信号;
通过膨胀的方法,对所述对比增强序列减影图像进行修复,得到多组对比增强区域图像。
3.根据权利要求1所述的肿瘤图像分割方法,其特征在于,通过全局阈值分割法,对所述叠加图像进行分割,得到ET图像,包括:
在所述叠加图像中,确定像素值超过预设的第一阈值的像素点;
将像素值超过预设的第一阈值的像素点形成的图像,作为ET图像。
4.根据权利要求1所述的肿瘤图像分割方法,其特征在于,在所述Flair映射区域内进行多种子点的区域生长分割,得到每个种子点对应的WT区域,包括:
在所述Flair映射区域内选取若干个像素点作为种子点;
针对每个种子点,以该种子点作为区域生长的起点,分割出该种子点对应的WT区域,其中,所述每个种子点对应的WT区域之间具有差异化。
5.根据权利要求4所述的肿瘤图像分割方法,其特征在于,在所述Flair映射区域内选取若干个像素点作为种子点,包括:
在所述Flair映射区域中像素平均值最大的区域内选取中心点作为种子点;
在所述Flair映射区域中像素标准差最大的区域内选取中心点作为种子点;
在所述Flair映射区域中像素标准差最小的区域内选取中心点作为种子点。
6.根据权利要求1所述的肿瘤图像分割方法,其特征在于,确定该像素点在Flair三维重构图像、T1三维重构图像和T2三维重构图像中的属性值,形成属性向量,包括:
判断该像素点在Flair三维重构图像的像素值是否超过预设的第二阈值,得到该像素点属性向量的第一元素值;
判断该像素点在T1三维重构图像的像素值是否超过预设的第三阈值,得到该像素点属性向量的第二元素值;
判断该像素点在T2三维重构图像的像素值是否超过预设的第四阈值,得到该像素点属性向量的第三元素值;
根据该像素点属性向量的第一元素值、第二元素值和第三元素值,形成属性向量。
7.一种肿瘤图像分割装置,其特征在于,包括:
获取模块,用于获取针对肿瘤的磁共振序列原始图像;
重构模块,用于根据所述磁共振序列原始图像,得到T1 CE三维重构图像和Flair三维重构图像,其中,所述T1 CE三维重构图像包括T1 CE三维重构蒙片图像和T1 CE三维重构增强图像;
减影图像模块,用于针对每张T1 CE三维重构增强图像,确定该每张T1 CE三维重构增强图像与所述T1 CE三维重构蒙片图像之间对应的像素点,并将对应的像素点做相减处理,得到多组对比增强序列减影图像;
增强图像模块,用于去除所述对比增强序列减影图像中的噪声,得到多组对比增强区域图像;
叠加图像模块,用于合并所述多组对比增强区域图像,得到叠加图像;
分割模块,用于通过全局阈值分割法,对所述叠加图像进行分割,得到ET图像;
映射模块,用于将所述T1 CE三维重构图像内的ET区域映射到所述Flair三维重构图像中,得到所述ET区域对应的Flair映射区域;
区域生长模块,用于在所述Flair映射区域内进行多种子点的区域生长分割,得到每个种子点对应的WT区域;
区域处理模块,用于确定每个种子点对应的WT区域之间的交集,得到交集WT区域;确定每个种子点对应的WT区域之间的并集,得到并集WT区域;根据所述交集WT区域和所述并集WT区域,得到待分类的WT区域;
属性向量分类模块,用于获取所述待分类的WT区域对应的T2三维重构图像和T1三维重构图像;针对所述待分类的WT区域内的每个像素点,确定该像素点在Flair三维重构图像、T1三维重构图像和T2三维重构图像中的属性值,形成属性向量;根据预设的标准属性向量,校准所述属性向量;将所述待分类的WT区域内校准后的每个像素点属性向量与预设的水肿属性向量对比,确定水肿区域和正常组织区域;根据所述交集WT区域和待分类的WT区域内的水肿区域,得到WT图像。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如权利要求1-6任一所述的肿瘤图像分割方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述多条指令可被处理器读取并执行如权利要求1-6任一所述的肿瘤图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311424801.6A CN117152181B (zh) | 2023-10-31 | 2023-10-31 | 肿瘤图像分割方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311424801.6A CN117152181B (zh) | 2023-10-31 | 2023-10-31 | 肿瘤图像分割方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152181A CN117152181A (zh) | 2023-12-01 |
CN117152181B true CN117152181B (zh) | 2024-02-20 |
Family
ID=88901177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311424801.6A Active CN117152181B (zh) | 2023-10-31 | 2023-10-31 | 肿瘤图像分割方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152181B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606152A (zh) * | 2013-11-15 | 2014-02-26 | 大连理工大学 | 基于sift特征点聚类及布尔差运算的dsa血管图像分割方法 |
CN105005998A (zh) * | 2015-08-05 | 2015-10-28 | 大连理工大学 | 一种基于多角度序列化图像空间特征点集的脑血管图像分割方法 |
CN115937234A (zh) * | 2023-03-03 | 2023-04-07 | 北京智源人工智能研究院 | 基于预处理加速的肿瘤图像分割方法、装置和电子设备 |
CN116596846A (zh) * | 2023-04-07 | 2023-08-15 | 北京航空航天大学 | 图像分割方法、图像分割模型构建方法、装置及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10524686B2 (en) * | 2014-12-01 | 2020-01-07 | The Regents Of The University Of California | Diffusion reproducibility evaluation and measurement (DREAM)-MRI imaging methods |
-
2023
- 2023-10-31 CN CN202311424801.6A patent/CN117152181B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606152A (zh) * | 2013-11-15 | 2014-02-26 | 大连理工大学 | 基于sift特征点聚类及布尔差运算的dsa血管图像分割方法 |
CN105005998A (zh) * | 2015-08-05 | 2015-10-28 | 大连理工大学 | 一种基于多角度序列化图像空间特征点集的脑血管图像分割方法 |
CN115937234A (zh) * | 2023-03-03 | 2023-04-07 | 北京智源人工智能研究院 | 基于预处理加速的肿瘤图像分割方法、装置和电子设备 |
CN116596846A (zh) * | 2023-04-07 | 2023-08-15 | 北京航空航天大学 | 图像分割方法、图像分割模型构建方法、装置及介质 |
Non-Patent Citations (2)
Title |
---|
Brain Tumor Segmentation from MRI Using Pre-segmentation Based on Superpixels and Fully Convolutional Neural Networks;Jiinjing Wang 等;2019 IEEE 11th International Conference on Advanced Infocomm Technology (ICAIT);第31-35页 * |
基于帧间相关性的乳腺MRI三维分割;褚晶辉 等;天津大学学报(自然科学与工程技术版)(第08期);第835-842页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152181A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN105957063B (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 | |
CN107492097B (zh) | 一种识别mri图像感兴趣区域的方法及装置 | |
CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
CN111105424A (zh) | 淋巴结自动勾画方法及装置 | |
CN109712131B (zh) | 肺结节特征的量化方法、装置、电子设备及存储介质 | |
CN111080592B (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
CN111462115B (zh) | 医学图像显示方法、装置和计算机设备 | |
CN110458859B (zh) | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 | |
CN108765447B (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN110706236B (zh) | 血管图像的三维重建方法及装置 | |
CN112037287A (zh) | 相机标定方法、电子设备及存储介质 | |
CN110598696A (zh) | 医学图像扫描定位方法、医学图像扫描方法和计算机设备 | |
WO2022247573A1 (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
CN114677525B (zh) | 一种基于二值图像处理的边缘检测方法 | |
CN117237435B (zh) | 肿瘤预后效果评估的方法、装置、电子设备和存储介质 | |
CN111932495A (zh) | 一种医学图像检测方法、装置及存储介质 | |
CN117152181B (zh) | 肿瘤图像分割方法、装置、电子设备和可读存储介质 | |
CN112102327B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
CN108877902B (zh) | 超声图像亮度调节方法及调节系统 | |
CN114757953B (zh) | 医学超声图像识别方法、设备及存储介质 | |
CN109816660A (zh) | 一种图像分割方法、终端设备及存储介质 | |
CN113177953B (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 | |
CN112634280B (zh) | 基于能量泛函的mri图像脑肿瘤分割方法 | |
CN113269798B (zh) | 一种医学图像分割方法、装置、计算机设备及其存储介质 |
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 |