CN1795825A - 一种肺部图像处理方法 - Google Patents
一种肺部图像处理方法 Download PDFInfo
- Publication number
- CN1795825A CN1795825A CNA2004101035803A CN200410103580A CN1795825A CN 1795825 A CN1795825 A CN 1795825A CN A2004101035803 A CNA2004101035803 A CN A2004101035803A CN 200410103580 A CN200410103580 A CN 200410103580A CN 1795825 A CN1795825 A CN 1795825A
- Authority
- CN
- China
- Prior art keywords
- somatomedin
- volume
- zone
- image
- extended 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.)
- Granted
Links
Images
Abstract
本发明公开了一种肺部CT图像处理方法,该方法首先采用三维体素生长方法将整个肺部CT图像与其它周边组织分离,然后通过逐层统计三维体素生长方法将气管图像部分从整体图像中去除,从而避免了两侧肺部图像提取时存在的左右肺部图像通过气管泄露的可能性。同时,还采取在对两侧肺部图像精确提取之前,采用自适应三维体素生长方法将两侧肺部图像分离,从而根本阻断了两侧肺部图像提取时泄露的可能性,最终通过对两侧肺部图像进行精确的提取,获得所需要的精度比较高的左、右肺部图像。
Description
技术领域
本发明涉及医学影像处理与分析技术,特别是指一种肺部CT图像处理方法。
背景技术
计算机体层摄影(Computed Tomography,CT)是一种利用人体组织对X线吸收不等的特性,通过获取构成人体组织特定层面的各体素对X线的吸收值,最终获取该组织图像的技术,也称为CT成像技术。CT成像技术广泛应用于人体组织和器官的医学研究和分析中,而且尤其在肺部医学成像中的应用最为广泛。由于在特定医学图像的研究和应用中,如在肺组织密度分析、气管分析以及肺组织建模与可视化等工作当中,人们往往只对图像的某些部分感兴趣,因此需要将该部分图像提取出来,在此基础之上对目标进行特征提取和测量,从而使更高层的分析和理解成为可能。
随着医疗技术的不断进步,肺部CT图像处理的技术也日臻完善。迄今为止,人们已经研究出一系列肺部CT图像的处理方法,虽然这些方法都能够在不同程度上将整个肺部轮廓从周边组织分离出来,然而它们所共同面临的一个难题却是:左右肺部图像的分离问题。目前在左右肺部图像的分离上,已经取得相对较好效果的方法主要有:二维边界跟踪法和动态规划法等,但二者均属于二维的方法,需要对CT图像数据进行逐层分离,因此实现起来过于繁琐,效率很低,而且在分离的过程中往往需要进行频繁的人机交互,自动化程度不高。
由于二维分离的上述种种缺陷,在医学图像处理领域,人们逐渐趋向于采用三维的方式对各种医学图像进行处理,当然也包括对肺部CT图像的处理。当前应用比较广泛的一种三维CT图像处理方法是基于当前区域统计量的三维体素生长方法,该方法的思想是通过选取一个种子点,然后在该种子点相邻的区域中寻找满足特定条件(如:灰度值等)的点放入最终的区域,从而实现对原始图像数据的处理。由于肺部图像的CT值相对于其它组织来说具有比较高的对比度,所以采用上述三维体素生长方法可以直接将整个肺部轮廓从原始CT图像中分离出来,但是当对左右肺部图像以及气管图像作进一步细分处理时,则不能得到满意的处理结果。这是由于通过分析肺部CT图像的特征可以发现,左右肺之间在大多数片层是有比较明显的界限的,但是这种界限在某些局部可能会变得比较模糊,并不能给左右半肺以很好的区分,而这种界限模糊的现象在肺气肿患者的肺部尤为显著。在这里,使用单纯的体素生长方法来分割左右半肺往往不能够取得令人满意的效果,因为如果将生长因子设得较大,则泄漏现象(即将一侧肺的区域误加入另一侧肺的区域)非常明显,而将生长因子设得比较小的情况时,则可以将填充限制在相应区域只在单边生长,但生长会很不充分,这样的结果是不能作为最终分割的结果的。一般来说,这里的阈值选取并不存在满足需要的最优值,不可能通过一次生长完成预期效果的图像处理。结果最终导致整个肺部图像处理的精度比较低,处理之后得到的图像失真度比较高。
发明内容
有鉴于此,本发明的主要目的在于提供一种肺部CT图像处理方法,解决目前肺部三维CT图像处理存在的处理精度低的问题。
为了达到上述目的,本发明提供了一种肺部CT图像处理方法,该方法包括:
a、读取CT扫描得到的图像数据;
b、基于输入的位于肺和气管所在图像区域内的种子点,按照三维体素生长方法划分出肺和气管图像区域的边界,然后将边界之外的图像区域去除;
c、基于输入的位于气管图像区域最上层的种子点,按照逐层统计三维体素生长方法划分出气管图像区域的边界,并将得到的边界以及边界内的气管图像区域去除;
d、在两侧肺中任意选取一侧,然后基于输入的位于该被选取侧的肺部图像区域内的种子点,按照自适应三维体素生长方法将该被选取的半侧肺部图像区域与未被选取的半侧肺部图像区域分离;
e、基于分离出被选取的半侧肺部图像之后剩余的图像区域内输入的种子点,按照三维体素生长方法精确剥离未被选取的半侧肺部图像区域;
f、基于剥离了未被选取的半侧肺部图像之后剩余的图像区域内的种子点,按照三维体素生长方法精确剥离步骤d中被选取的半侧肺部图像。
在上述方法中,所述三维体素生长方法包括如下步骤:
A、基于在目标区域内输入的一个种子点,将三维空间中与该种子点相邻的体素组成的区域作为初始扩展区域;
B、计算扩展区域内所有体素的灰度值的均值和方差;
C、根据计算所得的均值、方差以及设置的生长因子,设置一个迭代条件,判断与该扩展区域相邻的体素中是否还存在灰度值满足设置的迭代条件的体素,如果是,则将这些体素加入该扩展区域,然后返回步骤B;否则,结束本流程。
在上述方法中,所述迭代条件为大于均值减去生长因子与方差的积所得的差,且小于均值加上生长因子与方差的积所得的和。
在上述方法中,步骤c所述的逐层统计三维体素生长方法包括如下步骤:
c1、统计当前片层采用三维体素生长方法获得的区域的体素数;
c2、判断当前片层的体积相对于上层的体积是否具有一个很明显的突变,如果是,则结束本流程,否则执行步骤c1。
在上述方法中,步骤c2所述的判断当前片层的体积相对于上层的体积是否有一个很明显的突变为判断当前片层的体积是否为上层的体积的二倍。
在上述方法中,步骤d所述的按照自适应三维体素生长方法将该被选取的半侧肺部图像区域与未被选取的半侧肺部图像区域分离的步骤包括:
d1、确定一个临界的生长因子;
d2、基于输入的位于所述被选取的半侧肺部图像区域内的种子点,将三维空间中与该种子点相邻的体素组成的区域作为初始扩展区域;
d3、计算扩展区域内所有体素的灰度值的均值和方差;
d4、根据计算所得的均值、方差以及设置的生长因子,设置一个迭代条件,判断与该扩展区域相邻的体素中是否存在灰度值满足设置的迭代条件的体素,如果存在,则执行步骤d5;否则,结束本流程;
d5、将这些体素加入该扩展区域,并判断当前迭代过程中的扩展区域的体积相对于上一次迭代过程中的扩展区域的体积是否具有一个明显的突变,如果是,则结束本流程;否则,执行步骤d3。
在上述方法中,步骤d5中,所述判断当前迭代过程中的扩展区域的体积相对于上一次迭代过程中的扩展区域的体积是否具有一个明显的突变为判断当前迭代过程中的扩展区域的体积是否为上一次迭代过程中的扩展区域的体积的一倍。
在上述方法中,所述选取一个临界的生长因子的步骤为采用二分查找的方法确定临界的生长因子。
在上述方法中,所述二分查找的方法包括步骤:
d11、确定生长因子的取值范围;
d12、在该取值范围内,选取两个端值以及中间值作为生长因子,采用三维体素生长方法提取目标图像区域;
d13、分别计算用两个端值和中间值作为生长因子所获得的区域的体积,并且将以中间值作为生长因子所获得区域的体积分别与以两个端值作为生长因子所获得区域的体积进行比较,然后将差异大的一端与中间值作为生长因子的新的取值范围,并判断到当前为止产生的取值范围的个数是否达到预先设置的极限,如果是,则从最后产生的生长因子的取值范围中任意选取一个值作为临界的生长因子,结束本流程;否则,返回步骤d12。
在上述方法中,所述判断到当前为止产生的取值范围的个数是否达到预先设置的极限为当当前为止产生的取值范围的个数是否等于5。
综上所述,本发明提供了一种肺部图像处理方法,该方法首先采用三维体素生长方法将整个肺部CT图像与其它周边组织分离,然后通过逐层统计三维体素生长方法将气管图像部分从整体图像中去除,从而避免了两侧肺部图像提取时存在的左右肺部图像通过气管泄露的可能性。同时,还采取在对两侧肺部图像精确提取之前,采用自适应三维体素生长方法将两侧肺部图像分离,从而根本阻断了两侧肺部图像提取时泄露的可能性,最终通过对两侧肺部图像进行精确的提取,获得所需要的精度比较高的左、右肺部图像。
附图说明
图1为本发明的方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
本方法使用符合医学数字成像及通信(Digital Imaging andCommunications in Medicine,DICOM3)标准的高解析度三维CT图像作为数据源,所有算法均针对三维体数据(Volume)直接操作。在医学图像处理中,所谓体数据是指由若干体积相同的长方体组成三维数据集,它的每一个元素称为体素(Voxel)。体数据是位图概念在三维空间的推广,如同二维的位图(Bitmap)由像素(Pixel)组成一样,三维体数据由均匀分布的体素组成。
本方法中用到的数据提取方法为三维体素生长方法,三维体素生长方法的输入为一个种子点s和一个决定生长程度的生长因子μ,该方法具体包括如下步骤:
1.将三维空间中与种子点相邻的26个体素作为初始区域∏0,并算出本区域内的体素均值m0和方差σ0。
2.在第n次迭代中,根据的前一次迭代的均值mn-1和方差σn-1计算新的阈值范围:Ωn=[mn-1-μσn-1,mn-1+μσn-1]。
3.根据Ωn和∏n-1计算新的区域∏n,它由与∏n-1相连通且满足阈值条件Ωn的体素组成。
4.计算新区域∏n的均值mn和方差σn。
5.重复上述步骤2-4,直至区域范围不再扩大,或者迭代次数达到一个预先设定的值。
以上是三维体素生长方法的原理,下面详细说明本发明的基于上述三维体素生长方法的肺部CT图像处理方法。在本发明中,在气管图像的分离采用的是逐层统计三维体素生长方法;而在整个肺和气管图像轮廓的提取以及左、右肺部图像数据的精确提取都采用三维体素生长方法;而在半侧肺部图像数据的预提取过程中,则采用了生长因子μ可以自适应调整的三维体素生长方法。
在本发明的方法中,之所以采用对半侧肺部图像数据进行预提取是为了将两侧肺部图像分离,从而避免在对另一侧肺部图像数据进行精确提取时可能发生的泄漏现象,从而最终提高整个肺部图像处理的精度。下面以对左侧肺部图像进行预处理为例详细说明本发明,本实施例的方法具体包括如下步骤:
步骤101:首先读取CT扫描得到的图像数据,即三维体数据集,并将其显示于终端界面上。其中CT扫描得到的图像数据保存于DICOM3文件中。
由于CT扫描最终得到的肺部图像不仅包括肺,而且还存在着气管以及周边组织等图像,因此要想获得纯粹的肺部图像就必须首先将周边组织去除。
步骤102:基于输入的位于肺和气管所在图像区域内的种子点,按照三维体素生长方法划分出肺和气管图像区域的边界,然后将边界之外的图像区域去除。
步骤103:基于输入的位于气管图像区域最上层的种子点,按照逐层统计三维体素生长方法划分出气管图像区域的边界,并将得到的边界以及边界内的气管图像区域去除。
由于气管的形状是管状,在其上部区域一般为规则的柱状,因此各层的体积一般不会有非常大的差异,而气管的下部区域则通过支气管与肺部相连,因此位于下部区域片层的体积相对于上部区域片层的体积必然具有一个比较明显的突变,如二倍左右。所以采用逐层生长的三维体素生长方法来实现气管图像区域的分离,本步骤中所述的逐层统计三维体素生长方法包括如下步骤:
第一步,统计当前片层采用三维体素生长方法获得的区域的体素数;
第二步,判断该层的体素数相对于上层的体素数是否有一个很大的突变,如果是,则结束本流程,否则执行第一步。其中,也可以对体积的变化进行判断。
步骤104:基于输入的位于左侧肺部图像区域内的种子点,按照自适应三维体素生长方法将该左侧肺部图像区域与右侧肺部图像区域分离。
其中,所谓自适应体素生长方法是指该体素生长方法的生长因子的选取是动态的。由于针对特定的图像数据,随着生长因子的增长,分割区域的体积也会随之增长,然而在不同范围内,这种增长的程度是不同的,并且在某个临界部位会产生一个突变的图片现象,导致体积增长一倍左右,而这个突变点正是泄漏发生的临界值。因此可以选取略小于突变点的值作为最优生长因子,最终实现对左肺数据的预提取过程。上述最优生长因子的选取可以采用二分查找的方式,具体查找过程如下:
首先,在生长因子的取值范围内,选取两个端值以及中间值作为生长因子,计算相应的预提取区域的体积,然后比较用上述中间值作为生长因子所获得的体积与两端制作为生长因子所获得体积的差异,选取差异大的一端进一步重复上述二分查找的过程,并判断到当前为止产生的取值范围的个数是否达到预先设置的极限,如4或5个,如果是,则结束本流程,从最后产生的生长因子的取值范围中任意选取一个值作为临界的生长因子。
由于在将气管从原始CT图像中删除以及将左、右肺部图像区域分离之后,在左、右肺部各自所在的图像区域还残存着诸如支气管以及血管等图像区域,因此还需要采用三维体素生长方法进一步从左、右肺部图像所在的区域中精确提取出肺部图像,最终得到所需要的纯粹的左肺或右肺图像。
步骤105:基于分离出左侧肺部图像之后剩余的图像区域内输入的种子点,按照三维体素生长方法精确剥离右侧肺部图像区域。
步骤106:基于剥离了右侧肺部图像之后剩余的图像区域内的种子点,按照三维体素生长方法精确剥离左侧肺部图像。最终完成整个肺部CT图像的处理。
在上述步骤104中所采取的是基于对左肺图像区域预处理来分离左肺图像与右肺图像的过程。不言而喻,也可以采取通过对右肺图像进行数据预处理来实现分离两侧肺部图像,从而最终实现精确提取肺部图像的目的,此处不再赘述。
总之,以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1、一种肺部计算机体层摄影CT图像处理方法,其特征在于:该方法包括如下步骤:
a、读取CT扫描得到的图像数据;
b、基于输入的位于肺和气管所在图像区域内的种子点,按照三维体素生长方法划分出肺和气管图像区域的边界,然后将边界之外的图像区域去除;
c、基于输入的位于气管图像区域最上层的种子点,按照逐层统计三维体素生长方法划分出气管图像区域的边界,并将得到的边界以及边界内的气管图像区域去除;
d、在两侧肺中任意选取一侧,然后基于输入的位于该被选取侧的肺部图像区域内的种子点,按照自适应三维体素生长方法将该被选取的半侧肺部图像区域与未被选取的半侧肺部图像区域分离;
e、基于分离出被选取的半侧肺部图像之后剩余的图像区域内输入的种子点,按照三维体素生长方法精确剥离未被选取的半侧肺部图像区域;
f、基于剥离了未被选取的半侧肺部图像之后剩余的图像区域内的种子点,按照三维体素生长方法精确剥离步骤d中被选取的半侧肺部图像。
2、根据权利要求1所述的方法,其特征在于,所述三维体素生长方法包括如下步骤:
A、基于在目标区域内输入的一个种子点,将三维空间中与该种子点相邻的体素组成的区域作为初始扩展区域;
B、计算扩展区域内所有体素的灰度值的均值和方差;
C、根据计算所得的均值、方差以及设置的生长因子,设置一个迭代条件,判断与该扩展区域相邻的体素中是否还存在灰度值满足设置的迭代条件的体素,如果是,则将这些体素加入该扩展区域,然后返回步骤B;否则,结束本流程。
3、根据权利要求2所述的方法,其特征在于,所述迭代条件为大于均值减去生长因子与方差的积所得的差,且小于均值加上生长因子与方差的积所得的和。
4、根据权利要求1所述的方法,其特征在于,步骤c所述的逐层统计三维体素生长方法包括如下步骤:
c1、统计当前片层采用三维体素生长方法获得的区域的体素数;
c2、判断当前片层的体积相对于上层的体积是否具有一个很明显的突变,如果是,则结束本流程,否则执行步骤c1。
5、根据权利要求4所述的方法,其特征在于,步骤c2所述的判断当前片层的体积相对于上层的体积是否有一个很明显的突变为判断当前片层的体积是否为上层的体积的二倍。
6、根据权利要求1所述的方法,其特征在于,步骤d所述的按照自适应三维体素生长方法将该被选取的半侧肺部图像区域与未被选取的半侧肺部图像区域分离的步骤包括:
d1、确定一个临界的生长因子;
d2、基于输入的位于所述被选取的半侧肺部图像区域内的种子点,将三维空间中与该种子点相邻的体素组成的区域作为初始扩展区域;
d3、计算扩展区域内所有体素的灰度值的均值和方差;
d4、根据计算所得的均值、方差以及设置的生长因子,设置一个迭代条件,判断与该扩展区域相邻的体素中是否存在灰度值满足设置的迭代条件的体素,如果存在,则执行步骤d5;否则,结束本流程;
d5、将这些体素加入该扩展区域,并判断当前迭代过程中的扩展区域的体积相对于上一次迭代过程中的扩展区域的体积是否具有一个明显的突变,如果是,则结束本流程;否则,执行步骤d3。
7、根据权利要求6所述的方法,其特征在于,步骤d5中,所述判断当前迭代过程中的扩展区域的体积相对于上一次迭代过程中的扩展区域的体积是否具有一个明显的突变为判断当前迭代过程中的扩展区域的体积是否为上一次迭代过程中的扩展区域的体积的一倍。
8、根据权利要求6所述的方法,其特征在于,所述选取一个临界的生长因子的步骤为采用二分查找的方法确定临界的生长因子。
9、根据权利要求8所述的方法,其特征在于,所述二分查找的方法包括步骤:
d11、确定生长因子的取值范围;
d12、在该取值范围内,选取两个端值以及中间值作为生长因子,采用三维体素生长方法提取目标图像区域;
d13、分别计算用两个端值和中间值作为生长因子所获得的区域的体积,并且将以中间值作为生长因子所获得区域的体积分别与以两个端值作为生长因子所获得区域的体积进行比较,然后将差异大的一端与中间值作为生长因子的新的取值范围,并判断到当前为止产生的取值范围的个数是否达到预先设置的极限,如果是,则从最后产生的生长因子的取值范围中任意选取一个值作为临界的生长因子,结束本流程;否则,返回步骤d12。
10、根据权利要求8所述的方法,其特征在于,所述判断到当前为止产生的取值范围的个数是否达到预先设置的极限为判断到当前为止产生的取值范围的个数是否等于5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2004101035803A CN100370952C (zh) | 2004-12-30 | 2004-12-30 | 一种肺部图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2004101035803A CN100370952C (zh) | 2004-12-30 | 2004-12-30 | 一种肺部图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1795825A true CN1795825A (zh) | 2006-07-05 |
CN100370952C CN100370952C (zh) | 2008-02-27 |
Family
ID=36817286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2004101035803A Expired - Fee Related CN100370952C (zh) | 2004-12-30 | 2004-12-30 | 一种肺部图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100370952C (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104205167A (zh) * | 2012-03-23 | 2014-12-10 | 皇家飞利浦有限公司 | 在例如肺部的ct体积图像中提取大泡性肺气肿和弥漫性肺气肿 |
CN104809730A (zh) * | 2015-05-05 | 2015-07-29 | 上海联影医疗科技有限公司 | 从胸部ct图像提取气管的方法和装置 |
CN106296660A (zh) * | 2016-07-28 | 2017-01-04 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
CN108470331A (zh) * | 2017-02-23 | 2018-08-31 | 富士通株式会社 | 图像处理装置和图像处理方法 |
US10181191B2 (en) | 2014-12-02 | 2019-01-15 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for identifying spine or bone regions in computed tomography image sequence |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6246784B1 (en) * | 1997-08-19 | 2001-06-12 | The United States Of America As Represented By The Department Of Health And Human Services | Method for segmenting medical images and detecting surface anomalies in anatomical structures |
US6112112A (en) * | 1998-09-18 | 2000-08-29 | Arch Development Corporation | Method and system for the assessment of tumor extent in magnetic resonance images |
US7006677B2 (en) * | 2002-04-15 | 2006-02-28 | General Electric Company | Semi-automatic segmentation algorithm for pet oncology images |
-
2004
- 2004-12-30 CN CNB2004101035803A patent/CN100370952C/zh not_active Expired - Fee Related
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104205167A (zh) * | 2012-03-23 | 2014-12-10 | 皇家飞利浦有限公司 | 在例如肺部的ct体积图像中提取大泡性肺气肿和弥漫性肺气肿 |
CN104205167B (zh) * | 2012-03-23 | 2017-05-03 | 皇家飞利浦有限公司 | 在例如肺部的ct体积图像中提取大泡性肺气肿和弥漫性肺气肿 |
US10181191B2 (en) | 2014-12-02 | 2019-01-15 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for identifying spine or bone regions in computed tomography image sequence |
US11094067B2 (en) | 2014-12-02 | 2021-08-17 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for image processing |
CN104809730A (zh) * | 2015-05-05 | 2015-07-29 | 上海联影医疗科技有限公司 | 从胸部ct图像提取气管的方法和装置 |
US10282844B2 (en) | 2015-05-05 | 2019-05-07 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image segmentation |
US10482602B2 (en) | 2015-05-05 | 2019-11-19 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image segmentation |
CN106296660A (zh) * | 2016-07-28 | 2017-01-04 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
CN106296660B (zh) * | 2016-07-28 | 2019-10-11 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
CN108470331A (zh) * | 2017-02-23 | 2018-08-31 | 富士通株式会社 | 图像处理装置和图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN100370952C (zh) | 2008-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402268B (zh) | 一种医学图像中肝脏及其病灶分割的方法 | |
CN1295650C (zh) | 无需全部容积对准的对象一致性识别 | |
CN111429473B (zh) | 基于多尺度特征融合的胸片肺野分割模型建立及分割方法 | |
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 | |
Zhong et al. | Cancer image classification based on DenseNet model | |
CN112258488A (zh) | 一种医疗影像病灶分割方法 | |
CN113674253A (zh) | 基于U-Transformer的直肠癌CT影像自动分割方法 | |
CN113592794B (zh) | 基于混合注意力机制的2d卷积神经网络的脊椎图分割方法 | |
CN110619641A (zh) | 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法 | |
CN110738637B (zh) | 一种乳腺癌病理切片的自动分类系统 | |
CN112734755A (zh) | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 | |
CN107767362A (zh) | 一种基于深度学习的肺癌早筛装置 | |
CN112184684A (zh) | 一种改进的YOLO-v3算法及其在肺结节检测中的应用 | |
CN112200763A (zh) | 一种基于肝脏ct影像的肝功能分级方法 | |
CN1795825A (zh) | 一种肺部图像处理方法 | |
CN112634308B (zh) | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 | |
CN113269764A (zh) | 颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法 | |
CN116128774B (zh) | 一种胃部螺旋ct数据增强处理方法 | |
CN1914640A (zh) | 从医学图像中自动提取骨的系统和方法 | |
CN112052854A (zh) | 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法 | |
CN116721253A (zh) | 一种基于深度学习的腹部ct图像多器官分割方法 | |
EP4167184A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
Zhou et al. | Automatic segmentation of lung noudles using improved U-Net NetWork | |
CN114693698B (zh) | 一种基于神经网络的计算机辅助肺气道分割方法 | |
CN112634284B (zh) | 基于权重图损失的分阶段神经网络ct器官分割方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C19 | Lapse of patent right due to non-payment of the annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |