CN117274216A - 基于水平集分割的超声下颈动脉斑块检测方法及系统 - Google Patents
基于水平集分割的超声下颈动脉斑块检测方法及系统 Download PDFInfo
- Publication number
- CN117274216A CN117274216A CN202311298087.0A CN202311298087A CN117274216A CN 117274216 A CN117274216 A CN 117274216A CN 202311298087 A CN202311298087 A CN 202311298087A CN 117274216 A CN117274216 A CN 117274216A
- Authority
- CN
- China
- Prior art keywords
- carotid
- level set
- image
- roi image
- segmentation
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000000877 morphologic effect Effects 0.000 claims abstract description 57
- 238000004891 communication Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000002604 ultrasonography Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 29
- 238000009499 grossing Methods 0.000 claims description 25
- 238000009792 diffusion process Methods 0.000 claims description 18
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000001020 rhythmical effect Effects 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 210000001715 carotid artery Anatomy 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 48
- 238000010586 diagram Methods 0.000 description 6
- 210000004204 blood vessel Anatomy 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004171 remote diagnosis 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
- G06T7/0002—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
- G06T7/136—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种基于水平集分割的超声下颈动脉斑块检测方法及系统。其包括:对水平集能量泛函进行能量最小化运算,以基于能量最小的水平集能量泛函确定水平集函数,利用所确定的水平集函数对颈动脉ROI图像进行二值分割,以得到水平集分割二值ROI图像;对上述得到的水平集分割二值ROI图像进行形态学处理,以在形态学处理后得到若干候选连通区域;在颈动脉ROI图像内,计算与每个候选连通区域正对应子区域的子区域灰度均值,保留子区域灰度均值不小于灰度阈值otsu_threshold的子区域,其中,所保留的子区域为颈动脉斑块所在颈动脉ROI图像内的位置。本发明能有效实现对超声颈动脉斑块的分割与检测,提高颈动脉斑块检测的精度与可靠性。
Description
技术领域
本发明涉及一种斑块检测方法及系统,尤其是一种基于水平集分割的超声下颈动脉斑块检测方法及系统。
背景技术
近年,随着互联网技术与人工智能的发展,远程诊疗系统随之应用而生,医生可以在线上为病人的超声图像数据做出诊断并给出诊断报告。由于病人的数量巨大,为了减轻医生庞大繁重的重复工作,超声图像系统中的算法会代替医生做出诊断,例如对病人的颈部扫查得到一系列颈部的横断面图像,超声图像系统内部的算法会对每一帧图像做出分析,其中,对图像的分析包括颈动脉血管壁的分割和/或颈动脉斑块的分割。
由于超声图像的灰度分布均匀性很差,图像噪声强,不同质区域之间的灰度对比度较低,因此,对超声图像做图像分割往往是个难题。
随着深度学习在计算机视觉领域的不断发展,对大多数医学图像分割的任务,都可以在标注数据量充裕且标注质量较高的前提下得到很好的解决,但是仍然有一些情况更适合用传统算法去解决,比如超声颈动脉斑块的分割,因此,如何有效实现对超声颈动脉斑块分割与检测是目前急需解决的技术难题。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种基于水平集分割的超声下颈动脉斑块检测方法及系统,其能有效实现对超声颈动脉斑块的分割与检测,提高颈动脉斑块检测的精度与可靠性。
按照本发明提供的技术方案,一种基于水平集分割的超声下颈动脉斑块检测方法,所述超声下颈动脉斑块检测方法包括:
提供颈动脉超声图像,并获取所提供颈动脉超声图像的颈动脉ROI图像以及所述颈动脉ROI图像的颈动脉血管轮廓图像;
对获取的颈动脉ROI图像,构建与所述颈动脉ROI图像适配的水平集能量泛函;
对水平集能量泛函进行能量最小化运算,以基于能量最小的水平集能量泛函确定图像分割用的水平集函数,利用所确定的水平集函数对颈动脉ROI图像进行二值分割,以得到水平集分割二值ROI图像;
对上述得到的水平集分割二值ROI图像进行形态学处理,以在形态学处理后得到若干候选连通区域;
在颈动脉ROI图像内,计算与每个候选连通区域正对应子区域的子区域灰度均值,将子区域灰度均值与灰度阈值otsu_threshold比较,保留子区域灰度均值不小于灰度阈值otsu_threshold的子区域,其中,所保留的子区域为颈动脉斑块所在颈动脉ROI图像内的位置。
获取得到颈动脉ROI图像后,先对所述颈动脉ROI图像进行平滑预处理,并基于颈动脉ROI图像或平滑预处理后的颈动脉ROI图像构建初始水平集函数,其中,
对颈动脉ROI图像平滑预处理的方法包括各向异性扩散平滑处理。
基于各向异性扩散平滑处理对颈动脉ROI图像平滑预处理时,则有:
其中,I为平滑处理前的颈动脉ROI图像,Im为平滑后的颈动脉ROI图像,为梯度运算符,div(•)为散度运算符,h为与颈动脉ROI图像尺寸相同的扩散系数矩阵,*为卷积运算符,g(•)为边缘停止函数,Gσ为一个标准差为σ1的高斯核;R为与颈动脉ROI图像尺寸相同的常数矩阵,常数矩阵R内的所有元素值均相同。
对构建的水平集能量泛函,则有:
其中,F(φ,c,b)为水平集能量泛函,φ为水平集函数,c=[c1,c2],c1、c2为常数,b为与颈动脉ROI图像尺寸相一致的矩阵,x为颈动脉ROI图像上一像素的像素值,为梯度运算符,ε(φ,c,b)为水平集数据项,L(φ)为水平集内零水平集轮廓的弧长项,RP(φ)为水平集内的正则化项;H(φ)为Heaviside函数,1K为与颈动脉ROI图像尺寸相一致的矩阵,矩阵1K内每个元素的值均为1,K为高斯核函数,b*K为将高斯核函数K在矩阵b上做卷积运算,v,μ均为超参数。
采用梯度下降法对水平集能量泛函F(φ,c,b)进行能量最小化运算,其中,
当水平集能量泛函F(φ,c,b)的能量最小时,更新得到的水平集函数φ即为图像分割用的水平集函数φfin(x);
对水平集函数φfin(x),令φfin(x)=0,以得到零水平集轮廓,并将φfin(x)=0作为水平集分割阈值;
利用水平集分割阈值进行图像分割时,遍历水平集函数φfin(x)内的每个元素,当一元素的元素值为正时,令其为255,当一元素的元素值为负时,令其为0,以在遍历完成后对颈动脉ROI图像进行分割并得到水平集分割二值ROI图像。
采用梯度下降法对水平集能量泛函F(φ,c,b)进行能量最小化运算时,梯度流方程为:
对水平集能量泛函F(φ,c,b)进行变分计算,则梯度流方程为:
对上述的梯度流方程进行迭代演化,并在迭代演化中更新水平集函数φ、矩阵b以及向量c,直至水平集能量泛函F(φ,c,b)的能量最低。
通过形态学处理得到若干候选连通区域时,处理步骤包括:
将颈动脉轮廓图像以灰度值为0的方式叠加到水平集分割二值ROI图像上,以得到第一形态学处理后二值化ROI图像;
将上述得到的第一形态学处理后二值化ROI图像与基于颈动脉轮廓图像的颈动脉轮廓mask图像进行逻辑与运算,以得到第二形态学处理后二值化ROI图像,其中,逻辑与运算时,第一形态学处理后二值化ROI图像内一像素的灰度值与颈动脉轮廓mask图像内正对应像素的灰度值相同时,将第一形态学处理后二值化ROI图像内当前像素的灰度值置为255,否则,将第一形态学处理后二值化ROI图像内当前像素的灰度值置为0;
对上述第二形态学处理后二值化ROI图像进行开运算,以得到第三形态学处理后二值化ROI图像;
对上述第三形态学处理后二值化ROI图像内的任一像素x(i,j),若当前像素x(i,j)的j<dj时,则将当前像素的灰度值置为0,以在对开运算后二值图像内所有像素x(i,j)均遍历后,得到第四形态学处理后二值化ROI图像;
对第四形态学处理后二值化ROI图像,提取所述第四形态学处理后二值化ROI图像的连通分量,以得到初步候选连通区域,其中,
在所得到的初步候选连通区域中,确定每个初步候选连通区域内轮廓点个数,将轮廓点个数小于轮廓点个数阈值的初步候选连通区域删除;
对剩余的初步候选连通区域,确定每个初步候选连通区域的质心,并将每个初步候选连通区域的质心纵坐标与颈动脉轮廓图像质心偏移点D的纵坐标比较,且将质心纵坐标小于质心偏移点D纵坐标的初步候选连通区域删除,则剩余的初步候选连通区域形成候选连通区域;
对质心偏移点D,所述质心偏移点D位于颈动脉轮廓图像质心C的正下方,且质心偏移点D与颈动脉轮廓图像质心C间偏移距离为dj。
对偏移距离dj,则有:
以颈动脉轮廓图像的质心C为顶点构造一直角三角形,其中,以颈动脉ROI图像的最小边长的一半作为直角三角形的第一直角边,所述第一直角边与颈动脉ROI图像的横轴平行;
第二直角边与第一直角边垂直,且第二直角边对应直角三角形的内角为β°,则偏移距离dj为dj=di×tanβ,di为第一直角边的长度。
颈动脉ROI图像,基于大律法阈值分割,以在分割后计算得到灰度阈值otsu_threshold。
一种基于水平集分割的超声下颈动脉斑块检测系统,包括颈动脉斑块检测处理器,其中,
对任一颈动脉超声图像,颈动脉斑块检测处理器利用上述所述的方法进行颈动脉斑块检测。
本发明的优点:对颈动脉ROI图像,利用构建的水平集函数以及基于所述水平集函数的水平集能量泛函进行分割,也即能实现对颈动脉ROI图像的有效分割,在分割后,通过形态学处理后得到候选连通区域,基于对候选连通区域的判断,以实现对颈动脉斑块的检测与判定,也即能有效实现对超声颈动脉斑块的分割与检测,提高颈动脉斑块检测的精度与可靠性。
附图说明
图1为本发明颈动脉斑块检测的一种实施例流程图。
图2为本发明颈动脉ROI图像的一种实施例示意图。
图3为本发明颈动脉血管轮廓图像的一种实施例示意图。
图4为本发明初始水平集函数的一种实施例示意图。
图5为本发明水平集分割二值ROI图像的一种实施例示意图。
图6为本发明第一形态学处理后二值化ROI图像的一种实施例示意图。
图7为本发明第二形态学处理后二值化ROI图像的一种实施例示意图。
图8为本发明第三形态学处理后二值化ROI图像的一种实施例示意图。
图9为本发明第四形态学处理后二值化ROI图像的一种实施例示意图。
图10为本发明设置偏移距离dj的一种实施例示意图。
图11为本发明存在斑块的子区域的一种实施例示意图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
为了能有效实现对超声颈动脉斑块的分割与检测,提高颈动脉斑块检测的精度,对基于水平集分割的超声下颈动脉斑块检测方法,本发明的一种实施例中,所述超声下颈动脉斑块检测方法包括:
提供颈动脉超声图像,并获取所提供颈动脉超声图像的颈动脉ROI图像以及所述颈动脉ROI图像的颈动脉血管轮廓图像;
对获取的颈动脉ROI图像,构建与所述颈动脉ROI图像适配的水平集能量泛函;
对水平集能量泛函进行能量最小化运算,以基于能量最小的水平集能量泛函确定图像分割用的水平集函数,利用所确定的水平集函数对颈动脉ROI图像进行二值分割,以得到水平集分割二值ROI图像;
对上述得到的水平集分割二值ROI图像进行形态学处理,以在形态学处理后得到若干候选连通区域;
在颈动脉ROI图像内,计算与每个候选连通区域正对应子区域的子区域灰度均值,将子区域灰度均值与灰度阈值otsu_threshold比较,保留子区域灰度均值不小于灰度阈值otsu_threshold的子区域,其中,所保留的子区域为颈动脉斑块所在颈动脉ROI图像内的位置。
具体地,颈动脉超声图像可采用现有常用的超声设备对颈动脉扫查生成,具体生成颈动脉超声图像的方式可与现有相一致。对提供的颈动脉超声图像,需要采用本技术领域常用的技术手段获取/提取颈动脉ROI(Region Of Interest)区域,以生成颈动脉ROI图像。一般地,颈动脉ROI区域为可能包含颈动脉斑块的区域。在获取颈动脉ROI区域后,可采用本技术领域常用的技术手段生成颈动脉血管轮廓图像,具体生成颈动脉血管轮廓图像的方式可根据需要选择。图2中为获取的颈动脉ROI区域,图3中为颈动脉血管轮廓图像,图3中的颈动脉血管轮廓图像为二值图像,一般地,颈动脉血管轮廓图像内的前景区域像素值为255,表征颈动脉所在的区域;背景区域的像素值为0。
本发明的一种实施例中,获取得到颈动脉ROI图像后,先对所述颈动脉ROI图像进行平滑预处理,并基于颈动脉ROI图像或平滑预处理后的颈动脉ROI图像构建初始水平集函数,其中,
对颈动脉ROI图像平滑预处理的方法包括各向异性扩散平滑处理。
具体地,对颈动脉ROI图像进行平滑预处理,以能提高后续斑块检测的精度与可靠性。采用各向异性扩散平滑处理方式对颈动脉ROI图像平滑预处理,以能实现对颈动脉ROI图像的去噪处理。初始水平集函数与颈动脉ROI图像的大小相关,因此,构建初始水平集函数时,可基于颈动脉ROI图像或平滑预处理后的颈动脉ROI图像。
具体地,基于各向异性扩散平滑处理对颈动脉ROI图像平滑预处理时,则有:
其中,I为平滑处理前的颈动脉ROI图像,Im为平滑后的颈动脉ROI图像,为梯度运算符,div(•)为散度运算符,,h为与颈动脉ROI图像尺寸相同的扩散系数矩阵,*为卷积运算符,g(•)为边缘停止函数,Gσ为一个标准差为σ1的高斯核;R为与颈动脉ROI图像尺寸相同的常数矩阵,常数矩阵R内的所有元素值均相同。
具体地,扩散系数矩阵h与颈动脉ROI图像尺寸相同,具体是指扩散系数矩阵h的大小与颈动脉ROI图像的大小相同,下述与颈动脉ROI图像尺寸相同均表示相同的含义,后续不再一一解释说明,均可参考此处说明。因此,对一确定的颈动脉ROI图像,即可确定扩散系数矩阵h(x,t)、常数矩阵R相应的矩阵大小。具体实施时,对常数矩阵R,所述常数矩阵R内元素的取值范围为[5,10]。对标准差σ1,所述标准差σ1一般为经验值,也即可根据经验选择确定。
对各向异性扩散平滑方程本发明的一种实施例中,具体计算方法可为:先计算得到扩散系数矩阵h和/>两个与颈动脉ROI图像尺寸相同的矩阵,并基于下述的离散运算公式进行迭代计数,以可得到平滑后的颈动脉ROI图像Im,具体地,离散运算公式为:
式中,下标(i,j)表示遍历扩散系数矩阵h、时当前元素的坐标,由上述说明可知,i,j的具体取值与颈动脉ROI图像的尺寸对应,下表N,S,E,W分表表示当前元素的坐标的四个邻域坐标(北,南,东,西),如hN表示在遍历扩散系数矩阵h时,当前元素上方邻域的元素值;/>表示在遍历矩阵/>时,当前元素上方邻域的元素值,其余以此类推,此处不再一一列举说明。λ是常数,其中,λ∈[0,0.25]。
在上述离散运算公式中,t表示迭代的次数,t+1表示下一次的迭代运算,It为当前t次迭代时的颈动脉ROI图像,It+1为基于当前t次迭代的颈动脉ROI图像It运算生成的图像。具体实施时,采用离散运算公式便于计算机运算实现各向异性扩散平滑处理,利用离散运算公式进行迭代运算时,迭代的次数可为经验值,一般可根据实际需要选择,如可选择为5次迭代,当然,也可以为其他迭代运算的次数。
本发明的一种实施例中,对构建的水平集能量泛函,则有:
其中,F(φ,c,b)为水平集能量泛函,φ为水平集函数,c=[c1,c2],c1、c2为常数,b为与颈动脉ROI图像尺寸相一致的矩阵,x为颈动脉ROI图像上一像素的像素值,为梯度运算符,ε(φ,c,b)为水平集数据项,L(φ)为水平集内零水平集轮廓的弧长项,RP(φ)为水平集内的正则化项;H(φ)为Heaviside函数,1K为与颈动脉ROI图像尺寸相一致的矩阵,矩阵1K内每个元素的值均为1,K为高斯核函数,b*K为将高斯核函数K在矩阵b上做卷积运算,v,μ均为超参数。
具体地,对颈动脉ROI图像分割时,具体是将颈动脉ROI图像分割形成前景和背景两个区域,对高斯核函数(Gaussian kernel function)K,可由一个尺寸为ksize=(2×σ2)×2+1的矩阵表示,其中,σ2为高斯分布的标准差,标准差σ2一般也可基于经验取值。超参数v、超参数μ一般可根据经验选择确定。
由上述水平集数据项ε(φ,c,b)的表达式可知,构建水平集能量泛函F(φ,c,b)时,即将上述平滑后的颈动脉ROI图像作为输入加载到所述水平集能量泛函F(φ,c,b)。
对Heaviside函数,则有:
式中,ξ是一个常量,通常取ξ=1。具体实施时,M1(φ)、M2(φ)为与颈动脉ROI图像尺寸相一致的矩阵。
本发明的一种实施例中,采用梯度下降法对水平集能量泛函F(φ,c,b)进行能量最小化运算,其中,
当水平集能量泛函F(φ,c,b)的能量最小时,更新得到的水平集函数φ即为图像分割用的水平集函数φfin(x);
对水平集函数φfin(x),令φfin(x)=0,以得到零水平集轮廓,并将φfin(x)=0作为水平集分割阈值;
利用水平集分割阈值进行图像分割时,遍历水平集函数φfin(x)内的每个元素,当一元素的元素值为正时,令其为255,当一元素的元素值为负时,令其为0,以在遍历完成后对颈动脉ROI图像进行分割并得到水平集分割二值ROI图像。
由上述说明可知,在构建水平集能量泛函F(φ,c,b)时,将平滑处理后的颈动脉ROI图像作为输入加载到水平集能量泛函F(φ,c,b)内,因此,基于水平集分割阈值进行图像分割时,即可实现对颈动脉ROI图像进行分割,从而可得到水平集分割二值ROI图像。
在构建水平集能量泛函F(φ,c,b)后,做能量最小化运算处理时,需要提供一个初始水平集函数。对初始水平集函数,则有:在水平集方法中,初始水平集函数(定义域为Ω)可以由两个正负值标记的不相交区域Ω1和Ω2的函数来表达,一般地,区域Ω1可为前景区域,Ω2可为背景区域,即有:Ω1={x:φ(x)>0},Ω2={x:φ(x)<0}。x为颈动脉ROI图像上某一个像素点,在颈动脉ROI图像的图像坐标系上,横坐标为i,纵坐标为j,则像素点x可以表示为x(i,j)。
初始水平集函数可以用一个与颈动脉ROI图像尺寸相同的二值图像表示,如图4所示。图4中,黑色区域的像素值均为-1,白色区域的像素均为1,该像素值均为浮点型数值。黑白两个区域相交形成的矩形边界被称作初始零水平集轮廓。因此,对初始水平集函数φ0(x),则有:
具体地,对颈动脉ROI图像分割,具体是指将水平集函数φ、矩阵b以及向量c视为自变量,对对水平集能量泛函F(φ,c,b)做能量最小化的过程,本发明的一种实施例中,采用梯度下降法对水平集能量泛函F(φ,c,b)进行能量最小化运算时,梯度流方程为:
对水平集能量泛函F(φ,c,b)进行变分计算,则梯度流方程可进一步表达为:
对上述的梯度流方程进行迭代演化,并在迭代演化中更新水平集函数φ、矩阵b以及向量c,直至水平集能量泛函F(φ,c,b)的能量最低。
通过对上述的梯度流方程进行迭代演化,同时在迭代演化中更新泛函的自变量水平集函数φ、矩阵b以及向量c,最终使得水平集能量泛函F(φ,c,b)的能量最小,此时,更新得到的水平集函数φ即为水平集函数φfin(x)。在迭代计算的过程中,水平集函数φ在每次迭代中演化,从第一次迭代时的初始水平集函数(如图4)演化为最终的水平集函数φfin(x),此后,可实现对颈动脉ROI图像进行分割,形成的水平集分割二值ROI图像如图5所示。
迭代演化计算时,即为利用上述的梯度流方程迭代运算,迭代的终止条件可为满足迭代预设迭代次数,预设的迭代次数一般可根据经验者选择确定,如选择预设迭代次数为5次或10次等。
本发明的一种实施例中,通过形态学处理得到若干候选连通区域时,处理步骤包括:
基于颈动脉轮廓图像的颈动脉轮廓,在水平集分割二值ROI图像上生成相应的颈动脉轮廓,以得到第一形态学处理后二值化ROI图像;
将上述得到的第一形态学处理后二值化ROI图像与基于颈动脉轮廓图像的颈动脉轮廓mask图像进行逻辑与运算,以得到第二形态学处理后二值化ROI图像,其中,逻辑与运算时,第一形态学处理后二值化ROI图像内一像素的灰度值与颈动脉轮廓mask图像内正对应像素的灰度值相同时,将第一形态学处理后二值化ROI图像内当前像素的灰度值置为255,否则,将第一形态学处理后二值化ROI图像内当前像素的灰度值置为0;
对上述第二形态学处理后二值化ROI图像进行开运算,以得到第三形态学处理后二值化ROI图像;
对上述第三形态学处理后二值化ROI图像内的任一像素x(i,j),若当前像素x(i,j)的j<dj时,则将当前像素的灰度值置为0,以在对开运算后二值图像内所有像素x(i,j)均遍历后,得到第四形态学处理后二值化ROI图像;
对第四形态学处理后二值化ROI图像,提取所述第四形态学处理后二值化ROI图像的连通分量,以得到初步候选连通区域,其中,
在所得到的初步候选连通区域中,确定每个初步候选连通区域内轮廓点个数,将轮廓点个数小于轮廓点个数阈值的初步候选连通区域删除;
对剩余的初步候选连通区域,确定每个初步候选连通区域的质心,并将每个初步候选连通区域的质心纵坐标与颈动脉轮廓图像质心偏移点D的纵坐标比较,且将质心纵坐标小于质心偏移点D纵坐标的初步候选连通区域删除,则剩余的初步候选连通区域形成候选连通区域;
对质心偏移点D,所述质心偏移点D位于颈动脉轮廓图像质心C的正下方,且质心偏移点D与颈动脉轮廓图像质心C间偏移距离为dj。
具体实施时,基于颈动脉轮廓图像的颈动脉轮廓,在水平集分割二值ROI图像上生成相应的颈动脉轮廓,具体是指在水平集分割二值ROI图像上,将当前点坐标的半径为r的邻域内的像素灰度值修改为0,或者,提取颈动脉轮廓图像内颈动脉轮廓的坐标,基于所提取的坐标信息将水平集分割二值ROIO图像上相应坐标像素的灰度值置为0,此时,可得到的第一形态学处理后二值化ROI图像,具体如图6所示。
此后,将第一形态学处理后二值化ROI图像与基于颈动脉轮廓图像的颈动脉轮廓mask图像进行逻辑与运算,由上述说明可知,由于所有的图像均可对应为尺寸相同的矩阵,因此,遍历第一形态学处理后二值化ROI图像与颈动脉轮廓图像相应的每个像素坐标,将两个图像对应坐标点的灰度值进行比较,如果灰度值相同,则将相应像素点的灰度值置为255,如果灰度值不同,则置为0,此时,即可得到第二形态学处理后二值化ROI图像,如图7所示。具体实施时,颈动脉轮廓mask图像可采用本技术领域常用的技术手段基于颈动脉轮廓图像生成,具体生成颈动脉轮廓mask图像的方式以及过程可与现有相一致。
对第二形态学处理后二值化ROI图像做形态学开运算,避免斑块所在的目标区域与周围的连通分量粘连在一起,在形态学开运算后即得到第三形态学处理后二值化ROI图像,如图8所示。
为了能得到偏移距离dj,本发明的一种实施例中,对偏移距离dj,则有:
以颈动脉轮廓图像的质心C为顶点构造一直角三角形,其中,以颈动脉ROI图像的最小边长的一半作为直角三角形的第一直角边,所述第一直角边与颈动脉ROI图像的横轴平行;
第二直角边与第一直角边垂直,且第二直角边对应直角三角形的内角为β°,则偏移距离dj为dj=di×tanβ,di为第一直角边的长度。
具体实施时,对一颈动脉轮廓图像,可采用本技术领域常用的技术手段得到颈动脉轮廓图像的质心C,也即可以确定质心C在图像坐标系下的坐标。此外,对颈动脉轮廓图像,在确定颈动脉轮廓图像的尺寸后,即可确定颈动脉轮廓图像的最小边长。对于内角β°的大小,具体可以根据需要选择,如可为15°,在确定内角β°的大小后,即可计算得到偏移距离dj。在确定偏移距离dj后,将质心C垂直向下移动距离dj,即可得到质心偏移点D,如图10所示。
以偏移距离dj为阈值,遍历第三形态学处理后二值化ROI图像内每个像素的坐标x(i,j),当当前像素坐标的j<dj时,将当前像素的灰度值置为0(黑色),在全部遍历后,即得到第四形态学处理后二值化ROI图像,如图9所示。
在得到第四形态学处理后二值化ROI图像后,采用本技术领域常用的技术手段提取连通分量,得到若干个初步候选连通区域,再通过以下方法对初步候选连通区域进行筛选,以得到候选连通区域。
具体实施时,基于每个初步候选连通区域内轮廓点的个数进行筛选,将轮廓点数小于20的初步候选连通区域筛除,此时,轮廓点个数阈值为20。在晒出后,分别计算剩余每个初步候选连通区域的轮廓质心,得到其对应的质心坐标。对每个初步候选连通区域,比较质心坐标的纵坐标(图像坐标系下的总纵坐标)与质心偏移点D的纵坐标大小,将所有小于质心偏移点D点纵坐标的初步候选连通区域删除,此时,剩余的初步候选连通区域即形成候选连通区域。
对初步候选连通区域内轮廓点的个数以及轮廓质心,具可利用本技术领域常用的技术手段计算得到,具体技术手段可根据需要选择,以能得到初步候选连通区域内的轮廓点个数以及轮廓质心为准。
斑块区域的像素灰度在图像中相对较亮,基于水平集进行图像分割时,可起到增强区域像素亮暗的作用,如图5所示。
本发明的一种实施例中,对颈动脉ROI图像,基于大律法阈值分割,以在分割后计算得到灰度阈值otsu_threshold。
具体实施时,利用大律法阈值分割方法对颈动脉ROI图像的分割方式以及过程均与现有相一致,在分割后,采用本技术领域常用的技术手段可计算得到灰度阈值otsu_threshold。
在颈动脉ROI图像内,计算与每个候选连通区域正对应子区域的子区域灰度均值,也即以候选连通区域所在的子区域作为蒙板,以在颈动脉ROI图像上计算所述子区域的灰度均值,具体计算灰度均值的方式可与现有相一致。
具体实施时,保留子区域灰度均值不小于灰度阈值otsu_threshold的子区域,此时,所保留的子区域为颈动脉斑块所在颈动脉ROI图像内的位置。当然,最终保留的子区域数量可能为0个,此时,颈动脉超声图像中不存在颈动脉斑块。图11中,白色所圈出区域即为保留的子区域,也即为存在颈动脉斑块的位置。
综上,对基于水平集分割的超声下颈动脉斑块检测系统,本发明的一种实施例中,包括颈动脉斑块检测处理器,其中,
对任一颈动脉超声图像,颈动脉斑块检测处理器利用上述所述的方法进行颈动脉斑块检测。
具体地,颈动脉斑块检测处理器可采用现有常用的处理器形式,如可为计算机设备等,颈动脉斑块检测处理器进行颈动脉斑块检测的方法以及过程可参考上述说明,此处不再赘述。
Claims (10)
1.一种基于水平集分割的超声下颈动脉斑块检测方法,其特征是,所述超声下颈动脉斑块检测方法包括:
提供颈动脉超声图像,并获取所提供颈动脉超声图像的颈动脉ROI图像以及所述颈动脉ROI图像的颈动脉血管轮廓图像;
对获取的颈动脉ROI图像,构建与所述颈动脉ROI图像适配的水平集能量泛函;
对水平集能量泛函进行能量最小化运算,以基于能量最小的水平集能量泛函确定图像分割用的水平集函数,利用所确定的水平集函数对颈动脉ROI图像进行二值分割,以得到水平集分割二值ROI图像;
对上述得到的水平集分割二值ROI图像进行形态学处理,以在形态学处理后得到若干候选连通区域;
在颈动脉ROI图像内,计算与每个候选连通区域正对应子区域的子区域灰度均值,将子区域灰度均值与灰度阈值otsu_threshold比较,保留子区域灰度均值不小于灰度阈值otsu_threshold的子区域,其中,所保留的子区域为颈动脉斑块所在颈动脉ROI图像内的位置。
2.根据权利要求1所述基于水平集分割的超声下颈动脉斑块检测方法,其特征是,获取得到颈动脉ROI图像后,先对所述颈动脉ROI图像进行平滑预处理,并基于颈动脉ROI图像或平滑预处理后的颈动脉ROI图像构建初始水平集函数,其中,
对颈动脉ROI图像平滑预处理的方法包括各向异性扩散平滑处理。
3.根据权利要求2所述基于水平集分割的超声下颈动脉斑块检测方法,其特征是,基于各向异性扩散平滑处理对颈动脉ROI图像平滑预处理时,则有:
其中,I为平滑处理前的颈动脉ROI图像,Im为平滑后的颈动脉ROI图像,为梯度运算符,div(·)为散度运算符,h为与颈动脉ROI图像尺寸相同的扩散系数矩阵,*为卷积运算符,g(•)为边缘停止函数,Gσ为一个标准差为σ1的高斯核;R为与颈动脉ROI图像尺寸相同的常数矩阵,常数矩阵R内的所有元素值均相同。
4.根据权利要求1至3任一项所述基于水平集分割的超声下颈动脉斑块检测方法,其特征是,对构建的水平集能量泛函,则有:
其中,F(φ,c,b)为水平集能量泛函,φ为水平集函数,c=[c1,c2],c1、c2为常数,b为与颈动脉ROI图像尺寸相一致的矩阵,x为颈动脉ROI图像上一像素的像素值,为梯度运算符,ε(φ,c,b)为水平集数据项,L(φ)为水平集内零水平集轮廓的弧长项,RP(φ)为水平集内的正则化项;H(φ)为Heaviside函数,1K为与颈动脉ROI图像尺寸相一致的矩阵,矩阵1K内每个元素的值均为1,K为高斯核函数,b*K为将高斯核函数K在矩阵b上做卷积运算,v,μ均为超参数。
5.根据权利要求4所述基于水平集分割的超声下颈动脉斑块检测方法,其特征是,采用梯度下降法对水平集能量泛函F(φ,c,b)进行能量最小化运算,其中,
当水平集能量泛函F(φ,c,b)的能量最小时,更新得到的水平集函数φ即为图像分割用的水平集函数φfin(x);
对水平集函数φfin(x),令φfin(x)=0,以得到零水平集轮廓,并将φfin(x)=0作为水平集分割阈值;
利用水平集分割阈值进行图像分割时,遍历水平集函数φfin(x)内的每个元素,当一元素的元素值为正时,令其为255,当一元素的元素值为负时,令其为0,以在遍历完成后对颈动脉ROI图像进行分割并得到水平集分割二值ROI图像。
6.根据权利要求5所述基于水平集分割的超声下颈动脉斑块检测方法,其特征是,采用梯度下降法对水平集能量泛函F(φ,c,b)进行能量最小化运算时,梯度流方程为:
对水平集能量泛函F(φ,c,b)进行变分计算,则梯度流方程为:
对上述的梯度流方程进行迭代演化,并在迭代演化中更新水平集函数φ、矩阵b以及向量c,直至水平集能量泛函F(φ,c,b)的能量最低。
7.根据权利要求1至3任一项所述基于水平集分割的超声下颈动脉斑块检测方法,其特征是,通过形态学处理得到若干候选连通区域时,处理步骤包括:
将颈动脉轮廓图像以灰度值为0的方式叠加到水平集分割二值ROI图像上,以得到第一形态学处理后二值化ROI图像;
将上述得到的第一形态学处理后二值化ROI图像与基于颈动脉轮廓图像的颈动脉轮廓mask图像进行逻辑与运算,以得到第二形态学处理后二值化ROI图像,其中,逻辑与运算时,第一形态学处理后二值化ROI图像内一像素的灰度值与颈动脉轮廓mask图像内正对应像素的灰度值相同时,将第一形态学处理后二值化ROI图像内当前像素的灰度值置为255,否则,将第一形态学处理后二值化ROI图像内当前像素的灰度值置为0;
对上述第二形态学处理后二值化ROI图像进行开运算,以得到第三形态学处理后二值化ROI图像;
对上述第三形态学处理后二值化ROI图像内的任一像素x(i,j),若当前像素x(i,j)的j<dj时,则将当前像素的灰度值置为0,以在对开运算后二值图像内所有像素x(i,j)均遍历后,得到第四形态学处理后二值化ROI图像;
对第四形态学处理后二值化ROI图像,提取所述第四形态学处理后二值化ROI图像的连通分量,以得到初步候选连通区域,其中,
在所得到的初步候选连通区域中,确定每个初步候选连通区域内轮廓点个数,将轮廓点个数小于轮廓点个数阈值的初步候选连通区域删除;
对剩余的初步候选连通区域,确定每个初步候选连通区域的质心,并将每个初步候选连通区域的质心纵坐标与颈动脉轮廓图像质心偏移点D的纵坐标比较,且将质心纵坐标小于质心偏移点D纵坐标的初步候选连通区域删除,则剩余的初步候选连通区域形成候选连通区域;
对质心偏移点D,所述质心偏移点D位于颈动脉轮廓图像质心C的正下方,且质心偏移点D与颈动脉轮廓图像质心C间偏移距离为dj。
8.根据权利要求7所述基于水平集分割的超声下颈动脉斑块检测方法,其特征是,对偏移距离dj,则有:
以颈动脉轮廓图像的质心C为顶点构造一直角三角形,其中,以颈动脉ROI图像的最小边长的一半作为直角三角形的第一直角边,所述第一直角边与颈动脉ROI图像的横轴平行;
第二直角边与第一直角边垂直,且第二直角边对应直角三角形的内角为β°,则偏移距离dj为dj=di×tanβ,di为第一直角边的长度。
9.根据权利要求1至3任一项所述基于水平集分割的超声下颈动脉斑块检测方法,其特征是,颈动脉ROI图像,基于大律法阈值分割,以在分割后计算得到灰度阈值otsu_threshold。
10.一种基于水平集分割的超声下颈动脉斑块检测系统,其特征是,包括颈动脉斑块检测处理器,其中,
对任一颈动脉超声图像,颈动脉斑块检测处理器利用上述权利要求1~权利要求9中任一项所述的方法进行颈动脉斑块检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311298087.0A CN117274216B (zh) | 2023-10-09 | 2023-10-09 | 基于水平集分割的超声下颈动脉斑块检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311298087.0A CN117274216B (zh) | 2023-10-09 | 2023-10-09 | 基于水平集分割的超声下颈动脉斑块检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274216A true CN117274216A (zh) | 2023-12-22 |
CN117274216B CN117274216B (zh) | 2024-04-16 |
Family
ID=89210264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311298087.0A Active CN117274216B (zh) | 2023-10-09 | 2023-10-09 | 基于水平集分割的超声下颈动脉斑块检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274216B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071726A (zh) * | 2024-03-27 | 2024-05-24 | 什维新智医疗科技(上海)有限公司 | 颈动脉-颈动脉斑块联合分割方法、装置、介质及产品 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800087A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 超声颈动脉血管膜的自动分割方法 |
CN102800088A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 超声颈动脉斑块自动分割方法 |
CN106485203A (zh) * | 2016-09-19 | 2017-03-08 | 天津大学 | 颈动脉超声图像内中膜厚度测量方法及系统 |
CN111524156A (zh) * | 2020-04-29 | 2020-08-11 | 浙江工业大学 | 一种基于距离变换和角点检测的重叠柑橘分割方法 |
CN111951277A (zh) * | 2020-07-28 | 2020-11-17 | 杭州电子科技大学 | 一种基于cta图像的冠状动脉分割方法 |
CN113034508A (zh) * | 2019-12-25 | 2021-06-25 | 飞依诺科技(苏州)有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
CN114283407A (zh) * | 2021-12-24 | 2022-04-05 | 江苏康尚生物医疗科技有限公司 | 一种自适应的白细胞自动分割、亚类检测方法及系统 |
CN115861713A (zh) * | 2022-12-29 | 2023-03-28 | 湖北工业大学 | 一种基于多任务学习的颈动脉斑块超声图像处理方法 |
-
2023
- 2023-10-09 CN CN202311298087.0A patent/CN117274216B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800087A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 超声颈动脉血管膜的自动分割方法 |
CN102800088A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 超声颈动脉斑块自动分割方法 |
CN106485203A (zh) * | 2016-09-19 | 2017-03-08 | 天津大学 | 颈动脉超声图像内中膜厚度测量方法及系统 |
CN113034508A (zh) * | 2019-12-25 | 2021-06-25 | 飞依诺科技(苏州)有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
CN111524156A (zh) * | 2020-04-29 | 2020-08-11 | 浙江工业大学 | 一种基于距离变换和角点检测的重叠柑橘分割方法 |
CN111951277A (zh) * | 2020-07-28 | 2020-11-17 | 杭州电子科技大学 | 一种基于cta图像的冠状动脉分割方法 |
CN114283407A (zh) * | 2021-12-24 | 2022-04-05 | 江苏康尚生物医疗科技有限公司 | 一种自适应的白细胞自动分割、亚类检测方法及系统 |
CN115861713A (zh) * | 2022-12-29 | 2023-03-28 | 湖北工业大学 | 一种基于多任务学习的颈动脉斑块超声图像处理方法 |
Non-Patent Citations (5)
Title |
---|
JIEYU CHENG 等: "Fully Automatic Plaque Segmentation in 3-D Carotid Ultrasound Images", 《ULTRASOUND IN MEDICINE & BIOLOGY》, vol. 39, no. 12, 11 December 2013 (2013-12-11), pages 2431 - 2446 * |
LI,CM等: "A Level Set Method for Image Segmentation in the Presence of Intensity Inhomogeneities With Application to MRI", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 20, no. 7, 1 July 2011 (2011-07-01), pages 2007 - 2016 * |
吴丹: "基于水平集的胰腺分割方法研究", 《CNKI中国优秀硕士毕业论文全文库(医药卫生科技)》, no. 1, 15 January 2013 (2013-01-15), pages 064 - 336 * |
宋华宇: "面向肿瘤治疗电场设计的肝脏及肝肿瘤CT图像分割与三维重建", 《CNKI中国优秀硕士毕业论文全文库(医药卫生科技)》, no. 4, 15 April 2023 (2023-04-15), pages 072 - 145 * |
程洁玉: "基于水平集方法的三维超声颈动脉斑块分割", 《CNKI中国优秀硕士毕业论文全文库(医药卫生科技)》, no. 7, 15 July 2014 (2014-07-15), pages 080 - 34 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071726A (zh) * | 2024-03-27 | 2024-05-24 | 什维新智医疗科技(上海)有限公司 | 颈动脉-颈动脉斑块联合分割方法、装置、介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN117274216B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
Shen et al. | An automated lung segmentation approach using bidirectional chain codes to improve nodule detection accuracy | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
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 | |
CN112184888B (zh) | 三维血管建模的方法及装置 | |
WO2022089221A1 (zh) | 医学图像分割方法、装置、设备、系统及计算机存储介质 | |
CN107481252A (zh) | 医学图像的分割方法、装置、介质和电子设备 | |
CN109410166B (zh) | 用于肺实质ct图像的全自动分割方法 | |
CN109300113B (zh) | 一种基于改进凸包方法的肺结节辅助检测系统及方法 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN110675464A (zh) | 一种医疗影像的处理方法、装置、服务器及存储介质 | |
CN117274216B (zh) | 基于水平集分割的超声下颈动脉斑块检测方法及系统 | |
CN109087310B (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
JP2007061607A (ja) | 第1のオブジェクト及び1つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム | |
CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
JP2005278690A (ja) | コンピュータを用いた3次元胸部ct画像から結節状陰影を検出する方法およびその装置並びにコンピュータプログラム | |
Liu et al. | Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement | |
CN110211200A (zh) | 一种基于神经网络技术的牙弓线生成方法及其系统 | |
Lee et al. | Hybrid airway segmentation using multi-scale tubular structure filters and texture analysis on 3D chest CT scans | |
CN113780421B (zh) | 基于人工智能的脑部pet影像识别方法 | |
CN113935961A (zh) | 一种鲁棒性乳腺钼靶mlo视角图像胸肌分割方法 | |
CN117522862A (zh) | 一种基于ct影像肺炎识别的图像处理方法及处理系统 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN113706563B (zh) | 一种自动初始化Snake模型的X光胸片肺野分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |