KR101853407B1 - Segmentation method of image and Apparatus thereof - Google Patents
Segmentation method of image and Apparatus thereof Download PDFInfo
- Publication number
- KR101853407B1 KR101853407B1 KR1020170023990A KR20170023990A KR101853407B1 KR 101853407 B1 KR101853407 B1 KR 101853407B1 KR 1020170023990 A KR1020170023990 A KR 1020170023990A KR 20170023990 A KR20170023990 A KR 20170023990A KR 101853407 B1 KR101853407 B1 KR 101853407B1
- Authority
- KR
- South Korea
- Prior art keywords
- interest
- region
- time
- segmentation
- equation
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Image Analysis (AREA)
Abstract
Description
본 발명은 영상처리 방법 및 영상처리 장치에 관한 것으로 보다 상세하게는 이미지의 세그멘테이션 방법 및 그 장치에 관한 것이다. BACKGROUND OF THE
세그멘테이션(segmentation)은 의료영상 분석에서 가장 중요한 일 중의 하나로 고려되고 있다. 왜냐하면 의료영상에서 관심 영역의 해부학적 또는 기능적 구조의 이해에 대한 기초를 제공하기 때문이다. Segmentation is considered as one of the most important tasks in medical image analysis. Because it provides the basis for an understanding of the anatomical or functional structure of the area of interest in medical imaging.
심장과 관련된 질병의 진단에 있어서, MRI(Magnetic Resonance Imaging) 영상이 가장 널리 사용되고 있으며, 심실벽 두께나 박출계수(ejection fraction)와 같은 심장 기능 지표를 측정하기 위해서 심장의 좌심실의 세그멘테이션은 중요한 역할을 한다. MRI (Magnetic Resonance Imaging) images are the most widely used in the diagnosis of heart-related diseases, and segmentation of the left ventricle of the heart plays an important role in measuring cardiac function indicators such as ventricular wall thickness and ejection fraction .
그러나, 심장의 모양이나 외형의 변화도가 매우 크기 때문에, 관심영역에 대한 정확한 경계를 추출하는 것은 영상기법의 동적인 속성 때문에 매우 어려운 문제로 간주되고 있다. However, since the shape of the heart or the degree of change in the shape of the heart is very large, extracting accurate boundaries of the region of interest is considered to be a very difficult problem due to the dynamic nature of the imaging technique.
이러한 이유로, 활성 윤곽 모델(active contour models)을 이용한 가장자리 기반방법(edge-based methods), 레벨 집합 함수(level set function)를 이용한 영역 기반방법(region based methods), 활성 모양(active shape) 또는 외형 모델(appearance model)을 이용한 기계 학습 모델(machine learning model)과 같은 수많은 세그멘테이션 알고리즘들이 제안되어지고 있다.For this reason, edge-based methods using active contour models, region-based methods using level set functions, active shapes or shapes A number of segmentation algorithms such as a machine learning model using an appearance model have been proposed.
본 발명은 연산시간이 빠르고, 부하가 적은 세그멘테이션 영역을 결정하는 세그멘테이션 방법 및 장치를 제공하고자 한다. An object of the present invention is to provide a segmentation method and apparatus for determining a segmentation region having a fast computation time and a low load.
또한, 모션벡터를 명확하게 제공하는 세그멘테이션 방법 및 장치를 제공하고자 한다. Furthermore, there is a need to provide segmentation methods and apparatus that explicitly provide motion vectors.
본 발명의 일 측면에 따르면, (a) 이미지 내에서 세그멘테이션(segmentation) 대상인 관심영역
<수학식 A>≪ EMI ID =
여기서, r는 관심영역의 개수이며, k 는 0<k≤r 인 자연수이며, 
또한, 상기 (b) 단계는 상기 에너지 함수를 하기의 <수학식 B>으로 산출하는 단계를 포함할 수 있다. Also, the step (b) may include calculating the energy function according to Equation (B) below.
<수학식 B>≪ EMI ID =
여기서, 
또한, 상기 (c)단계는 가속된 근위경사 알고리즘(proximal gradient algorithm)에 따라 하기의 <수학식 C>을 이용하여 상기 시변 벡터장 
<수학식 C>≪ EMI ID =
여기서, t는 스텝 사이즈이며, 
또한, 상기 (e)단계는 하기의 수학식 D를 이용하여 상기 모션함수 
<수학식 D>≪ EMI ID =
여기서, 실수구간에서 T >0 이며, 
또한, 상기 (c) 단계는 하기의 <수학식 E>에 따라 부호를 가진 거리함수 S(signed distance function)를 업데이트 할 수 있다. Also, the step (c) may update a signed distance function S with a sign according to Equation (E) below.
<수학식 E>(E)
여기서, 부호를 가지는 거리함수 S는 x가 관심영역에 포함된 경우 
또한, 상기 (c) 단계는 하기의 <수학식 F>에 따라 k번째 관심영역인 
<수학식 F>Equation (F)
여기서, 
본 발명의 다른 측면에 의하면, 주어진 이미지 내에서 관심영역을 세그멘테이션(segmentation) 하는 장치에 있어서, 디스플레이; 입력부; 하나 이상의 프로세스들; 메모리; 및 상기 메모리에 저장되고 상기 하나 이상의 프로세서들에 의해 실행되도록 구성된 하나 이상의 프로그램들을 포함하며, 상기 하나 이상의 프로그램들은, 상기 관심영역의 에너지 함수를 하기의 <수학식 G>를 이용하여 산출하는 명령어; 상기 에너지 함수를 미분가능한 제1 구성과 미분 불가능한 제2 구성으로 이산화하여 이산화 에너지(descrete energy) 함수를 산출하는 명령어; 상기 미분가능한 제1 구성에 경사 하강법(gradient descent method)를 적용하고 상기 미분 불가능한 제2 구성에 근위 연산자(proximal operator)를 적용하여 상기 이산화 에너지 함수값을 최소화하는 시변 벡터장 
<수학식 A>≪ EMI ID =
여기서, r는 관심영역의 개수이며, k 는 0<k≤r 인 자연수이며, 
또한, 상기 에너지 함수를 산출하는 명령어는 하기의 <수학식 H>을 이용할 수 있다. Further, an instruction to calculate the energy function may use Equation (H) below.
<수학식 H>≪ EMI ID =
여기서, 
또한, 상기 시변 벡터장 산출하는 명령어는 하기의 <수학식 I>을 이용할 수 있다. Further, the command to calculate the time-varying vector length can be expressed by Equation (I) below.
<수학식 I>≪ EMI ID =
여기서, t는 스텝 사이즈이며, 
또한, 상기 모션을 산출하는 명령어는 하기의 <수학식 J>를 이용할 수 있다. Further, the instruction for calculating the motion may use the following expression (J).
<수학식 J>≪ EMI ID =
여기서, 실수구간에서 T >0 이며, 
또한, 상기 시변 벡터장 
또한, 하기의 <수학식 K>에 따라 부호를 가진 거리함수 S(signed distance function)를 업데이트하는 명령어를 더 포함할 수 있다. It may further include an instruction to update a signed distance function S having a sign according to Equation (K) below.
<수학식 K>≪ EMI ID =
여기서, 부호를 가지는 거리함수 S는 x가 관심영역에 포함된 경우 
또한, 하기의 <수학식 L>에 따라 k번째 관심영역인 
<수학식 L>≪ EMI ID =
여기서, 
본 발명의 또 다른 측면에 의하면, 상술한 세그멘테이션 방법 중 어느 하나를 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다. According to another aspect of the present invention, there is provided a computer-readable recording medium having recorded thereon a program for performing any one of the segmentation methods described above.
본 발명의 실시예에 따른 세그멘테이션 방법 및 그 장치는 연산시간이 빠르고, 부하가 적다는 장점이 있다. The segmentation method and the apparatus according to the embodiment of the present invention have an advantage that the calculation time is fast and the load is small.
또한, 모션벡터를 명확하게 제공할 수 있다는 장점이 있다. In addition, there is an advantage that motion vectors can be explicitly provided.
도 1은 본 발명의 실시예에 따른 세그멘테이션 방법의 순서도.
도 2는 본 발명의 실시예에 다른 세그멘테이션 장치의 내부 구성을 예시한 도면.
도 3은 좌심실의 MRI 영상에서 확장종기에서, 도 4는 좌심실의 MRI 영상에서 수축종기에서 세그멘테이션 한 결과를 설명하기 위한 도면이며, 도 5는 각각의 세그멘테이션 방법에 대한 F평가.
도 6은 컬러 코딩을 예시한 도면.
도 7은 각각의 세그멘테이션 방법에 따른 모션 벡터를 컬러 코딩에 따라 시각화한 도면.1 is a flowchart of a segmentation method according to an embodiment of the present invention;
2 is a diagram illustrating an internal configuration of a segmentation apparatus according to an embodiment of the present invention;
FIG. 3 is a diagram for explaining the expansion of the left ventricular MRI image, FIG. 4 is a diagram for explaining the result of segmentation at the contraction end of the MRI image of the left ventricle, and FIG. 5 is an F evaluation of each segmentation method.
6 is a diagram illustrating color coding;
Fig. 7 is a visualization of a motion vector according to each segmentation method according to color coding; Fig.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.BRIEF DESCRIPTION OF THE DRAWINGS The present invention is capable of various modifications and various embodiments, and specific embodiments are illustrated in the drawings and described in detail in the detailed description. It is to be understood, however, that the invention is not to be limited to the specific embodiments, but includes all modifications, equivalents, and alternatives falling within the spirit and scope of the invention.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, the present invention will be described in detail with reference to the accompanying drawings. In addition, numerals (e.g., first, second, etc.) used in the description of the present invention are merely an identifier for distinguishing one component from another.
또한, 명세서 전체에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.Also, throughout the specification, when an element is referred to as being " connected " or " connected " with another element, the element may be directly connected or directly connected to the other element, It should be understood that, unless an opposite description is present, it may be connected or connected via another element in the middle.
또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. Also, throughout the specification, when an element is referred to as " including " an element, it is understood that the element may include other elements as well, without departing from the other elements unless specifically stated otherwise.
본 명세서 전체에서 사용되는 '~부'는 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미할 수 있다. Used throughout this specification may refer to a hardware component such as, for example, software, FPGA or ASIC, as a unit for processing at least one function or operation.
그렇지만, '~부'가 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. However, 'to' is not meant to be limited to software or hardware. &Quot; to " may be configured to reside on an addressable storage medium, or may be configured to play one or more processors.
일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함할 수 있다. As an example, the term '~' includes components such as software components, object-oriented software components, class components and task components, and processes, functions, attributes, procedures, Routines, segments of program code, drivers, firmware, microcode, circuitry, databases, data structures, tables, arrays, and variables.
구성요소와 '~부'에서 제공하는 기능은 복수의 구성요소 및 '~부'들에 의해 분리되어 수행될 수도 있고, 다른 추가적인 구성요소와 통합될 수도 있다The functions provided by the components and components may be performed separately by a plurality of components and components, or may be integrated with other additional components
이하, 본 발명의 실시예에 따른 세그멘테이션 방법의 이론적인 부분을 먼저 상세히 설명한 후, 도면을 참고하여 해당 방법 및 장치에 대해서 설명한다. Hereinafter, the theoretical part of the segmentation method according to the embodiment of the present invention will be described in detail first, and the method and apparatus will be described with reference to the drawings.
본 실시예에서, I(x,t)는 
여기서, 
한 쌍의 순차적인 이미지 
이미지 도메인 
특히, 
밝기 항상성 가정(brightness consistency assumption)하에서 간단한 동적 이미지 모델은 일반적인 노이즈와 함께 하기의 수학식 (1)로 나타낼 수 있다. Under the brightness consistency assumption, a simple dynamic image model can be represented by the following equation (1) together with the general noise.
여기서, 
분리되어야할 이상치(outliers)에 보다 개연성을 부가하기 위해, 본 실시예에서는 노이즈 공정이 가우시안 대신에, 독립 동일 분포(i.i.d, independent identically distributed) 라플라스 분포(Laplace distribution)를 따른다고 가정한다.In order to add more probability to the outliers to be separated, it is assumed in this embodiment that the noise process follows an independent identically distributed Laplace distribution instead of Gaussian.
각각의 관심영역 
도메인 워핑 함수(domain warping function) W는 미분동형사상(diffeomorphism)으로 다루어지며, 시변 벡터장(time varying velocity fields)에서 하기의 수학식 (3)과 같이 적분으로 나타낼 수 있다. The domain warping function W is treated as a diffeomorphism and can be represented as an integral as shown in Equation (3) below in terms of time varying velocity fields.
여기서, 실수구간에서 
관심영역은 상이한 특성치로 변형되는 것으로 가정하고, 본 실시예에서 각각의 관심영역 
본 실시예에서 에너지 함수를 유도하기 위해서 베이지안 추론(Bayesian inference)의 프레임워크를 채택하는 것으로 가정하나, 이는 일 실시예에 불과하며 본 발명이 적용되는 환경에 따라 다양한 추론을 적용할 수 있다. It is assumed that a framework of Bayesian inference is adopted to derive an energy function in the present embodiment, but this is merely an embodiment, and various inferences can be applied according to the environment to which the present invention is applied.
극소변형 
여기서, 
수학식(2)의 노이즈가 라플라스 분포를 따르고, 노이즈 공정의 독립성에 의해, 하기의 수학식 (5)와 같이 우도 확률(likelihood probability)를 유도해 낼 수 있다. The noise of Equation (2) follows the Laplace distribution and the likelihood probability can be derived by the independence of the noise process as expressed by Equation (5) below.
여기서, 
본 실시예에서 타당하지 않은 결과를 야기하는 틈문제(aperture problem)는, 평탄화 (smoothness) 작업을 부과하는 방식으로 벡터장(velocity fields)에서 전단계 확률(the prior probability)을 도입하여 해결할 수 있다. The aperture problem causing unwarranted results in this embodiment can be solved by introducing the prior probability in the velocity fields in a manner that imposes a smoothness operation.
벡터장 
여기서, 
MAP (Maximum a-posteriori) 추정에 따르면, 최상의 작은 변형은 
수학식 (7)에서 음의 로그함수를 가져오면, 관심영역의 에너지 함수를 하기의 수학식 (8)로 나타낼 수 있다. When the negative logarithm function is derived in Equation (7), the energy function of the region of interest can be expressed by Equation (8) below.
여기서, 
이하, 본 실시예에서는 극소 변형을 위한 수학식 (8)에서 에너지 함수를 최소화하는 방법을 제안하고, 이러한 변형들로 큰 변형을 구성할 수 있다. Hereinafter, in this embodiment, a method of minimizing the energy function in the equation (8) for the minimum deformation is proposed, and a large deformation can be constituted by these deformation.
비록 수학식 (8)의 에너지 함수가 적절하고 닫힌 컨벡스(closed convex)이기는 하나, 데이터 신뢰도 및 데이터 정규화 구성이 미분이 불가하여서, 최적화 하기 힘들 수 있다. Although the energy function of Equation (8) is a proper closed convex, the data reliability and data normalization configuration can not be differentiated and can be difficult to optimize.
따라서, 본 실시예는 에너지 함수의 정규화 구성을 평탄화하고, 전후방향 분열(forward backward splitting)로도 알려져 있는 근위경사 알고리즘(proximal gradient algorithm)을 채택할 수 있다. 본 실시예에서 이 알고리즘을 활용하여, 컨벡스 에너지(convex energy)를 나누어서, 경사하강법(gradient descent method)을 미분가능한 구성에, 근위 연산자(proximal operator)를 미분 불가능한 구성에 적용할 수 있다. Thus, this embodiment can flatten the normalization configuration of the energy function and employ a proximal gradient algorithm, also known as forward backward splitting. In this embodiment, the algorithm can be used to divide the convex energy to apply the gradient descent method to the differentiable structure and the proximal operator to the non-differential structure.
예를 들어, 스텝 사이즈 t를 가지는 함수 H의 근위 연산자(proximal operator)를 하기의 수학식으로 정의할 수 있다. For example, a proximal operator of a function H having a step size t can be defined by the following equation.
여기서, 수학적 설계를 발전시키기 위해, 도메인 
본 실시예에서 데이터 구성 
이어서, 수학식 (8)의 에너지 함수를 나누어서, 하기의 수학식 (9)로 표기되는 관심영역 
여기서, 
논문{Y. Nesterov, Smooth minimization of non-smooth functions. Mathematical Programming 103, 127 (2005).}에 공지된 수학적 설계를 따르면서, 본 실시예에서는 전체 변이(total variation)의 두 개의 놈(dual norm)을 평탄화함으로써, 전체 변이를 미분가능하게 만들 수 있다. Papers {Y. Nesterov, Smooth minimization of non-smooth functions. Mathematical Programming 103, 127 (2005).) In this embodiment, the entire mutation can be made differentiable by flattening the two norms of total variation.
일 예로 가능한 평탄화 근사치는 하기의 수학식 (10)으로 표기할 수 있다.For example, a possible approximation of the flatness can be expressed by the following equation (10).
여기서, 
이어서, 평탄화된 전체 변이는 하기의 수학식 (11)로 나타낼 수 있다. Then, the flattened whole variation can be expressed by the following equation (11).
이어서, 수학식(11)에서 
여기서, diag()는 대각행렬을 만드는 연산자이다. Here, diag () is an operator that creates a diagonal matrix.
수학식(9)의 정규화 구성을 
수학식 (9)에서 미분 불가한 구성인 
스텝 사이즈 t를 가지는 근위경사 알고리즘(proximal gradient algorithm)의 반복을 이끌어내기 위해, 상술한 수학식 (13)과 (14)를 결합하면, 하기의 수학식 (15)로 정리할 수 있다. The above equations (13) and (14) can be combined into the following equation (15) to derive the repetition of the proximal gradient algorithm having the step size t.
{Y. Nesterov, A method of solving a convex programming problem with convergence rate O (1/k2). Soviet Mathematics Doklady 27, 372 (1983)}에 따르면, 풀어야할 문제에서 함수의 그래디언트가 립시츠 연속 (Lipschitz continuous)인 경우, 반복 횟수 N에 대해서 수렴 비율 
{W. Su, S. Boyd, and E. Candes, A differential equation for modeling NesterovL's accelerated gradient method: Theory and insights. Advances in Neural Information Processing Systems 2510 (2014)}에서 기재된 가속화 파트를 참고하면, 하기의 수학식 (16)으로 표현되는 가속된 근위경사 알고리즘(proximal gradient algorithm)의 반복을 얻을 수 있다. {W. Su, S. Boyd, and E. Candes, A differential equation for modeling NesterovL's accelerated gradient method: Theory and insights. Referring to the acceleration part described in Advances in Neural Information Processing Systems 2510 (2014), iterative repetition of the accelerated proximal gradient algorithm, represented by Equation (16) below, can be obtained.
본 실시예에서는 각각의 관심영역 
이러한 변형을 구성하는 과정에서, 
여기서, 거리 함수 
여기서, 
간명함을 위해 중첩되지 않는것으로 가정한 관심영역 내의 영역을 warping 하면, 배경 
<알고리즘1><
필요조건 : 순차적인 이미지, I0, I1, 관심영역 
초기화 : 
영역 
여기서, 
지금까지 본 실시예에 따른 세그멘테이션 방법의 수학적 근거에 대해서 설명하였다. 이후 도 1을 참고하여 본 발명의 실시예에 따른 세그멘테이션 장치가 세그멘테이션 하는 방법에 대해서 설명하고, 도 2를 참고하여 본 발명의 실시예에 따른 세그멘테이션 장치의 구성에 대해서 설명한다. The mathematical basis of the segmentation method according to the present embodiment has been described so far. Hereinafter, a method of segmenting a segmentation device according to an embodiment of the present invention will be described with reference to FIG. 1, and a configuration of a segmentation device according to an embodiment of the present invention will be described with reference to FIG.
도 1은 본 발명의 실시예에 따른 세그멘테이션 방법의 순서도이다. 1 is a flowchart of a segmentation method according to an embodiment of the present invention.
이하, 본 발명의 실시예에 따른 세그멘테이션 방법의 요지를 명확하게 하게 위하여, 앞서 상술한 수학식에 대한 중복설명은 생략한다. Hereinafter, in order to clarify the gist of the segmentation method according to the embodiment of the present invention, duplicate description of the above-mentioned equations will be omitted.
도 1을 참고하면, 단계 S102에서 세그멘테이션 대상 이미지에서 n개의 관심영역이 지정될 수 있다. 여기서 관심영역은 이미지에서 세그멘테이션 대상일 수 있으며, 예를 들어 심장 MRI 영상에서 좌심실 등이 관심영역일 수 있다. Referring to FIG. 1, n interest regions can be designated in the segmentation target image in step S102. Here, the region of interest may be a segmentation target in the image, for example, in a heart MRI image, the left ventricle, etc. may be a region of interest.
관심영역이 복수개 인 경우(즉, n이 1보다 큰 경우), 세그멘테이션 장치는 k를 1에서 n까지 순차적으로 증가하면서 단계 S106 내지 단계 S120을 반복하여 수행하여, 복수개의 관심영역에 대해서 세그멘테이션 할 수 있다. 이하, k=1인 경우를 설명한다. If the region of interest is a plurality (i. E., N is greater than 1), the segmentation device repeatedly performs steps S106 to S120 while sequentially increasing k from 1 to n to thereby segment have. Hereinafter, the case where k = 1 will be described.
단계 S104에서 세그멘테이션 장치는 k를 1로 지정한다. In step S104, the segmentation device designates k to be 1.
이어서 단계 S106에서 세그멘테이션 장치는 첫번째 관심영역에 대해서 수학식(8)을 이용하여 에너지 함수를 산출할 수 있다. Subsequently, in step S106, the segmentation device can calculate the energy function using equation (8) for the first region of interest.
수학식(8)에 대해서는 앞서 상세히 설명하였으므로, 중복된 설명은 생략한다. Equation (8) has been described in detail in the foregoing, and redundant description will be omitted.
이어서, 단계 S108에서 세그멘테이션 장치는 수학식 (9)를 이용하여 이산화 에너지 함수를 산출할 수 있다. Subsequently, in step S108, the segmentation apparatus can calculate the discrete energy function using equation (9).
수학식(9)에 대해서는 앞서 상세히 설명하였으므로, 중복된 설명은 생략한다. Since Equation (9) has been described in detail in the foregoing, a duplicate description will be omitted.
이어서, 단계 S110에서 세그멘테이션 장치는 수학식 (17)에 따라 영역 
앞서 수학식 (9)의 이산화에너지 함수를 최소화하는 시변 벡터장
이어서, 단계 S112에서 세그멘테이션 장치는 상술한 수학식 (18)에 따라 시변 벡터장 
이어서, 단계 S114에서 세그멘테이션 장치는 수학식 (19) 및 (20)에 따라 부호를 가진 거리함수 S(signed distance function) 및 k번째 관심영역인 
이어서, 단계 S116에서 세그멘티이션 장치는 단계 S110에서 산출한 시변 벡터장 
이어서, 단계 S120에서 세그멘테이션 장치는 원이미지와 모션함수를 이용하여 세그멘테이션 영역을 결정할 수 있다. Subsequently, in step S120, the segmentation apparatus can determine the segmentation region using the original image and the motion function.
이어서, 단계 S120에서 세그멘테이션 장치는 k 값을 1증가시킨 후, 단계 S124에서 k가 지정된 값 n 이하 인 경우(즉, 지정된 관심영역에 대해서 단계 S106 내지 단계 S120을 수행하지 아니한 경우), 단계 S106으로 이동하여 각 단계를 재수행할 수 있다. Subsequently, in step S120, the segmentation device increments the value k by 1, and if k is less than or equal to the specified value n in step S124 (i.e., if step S106 through step S120 have not been performed for the specified ROI), the segmentation device proceeds to step S106 And each step can be re-run.
지금까지, 본 발명의 실시예에 따른 세그멘테이션 장치가 세그멘테이션 하는 방법을 도 1을 참고하여 설명하였다. Up to now, a method of segmenting a segmentation apparatus according to an embodiment of the present invention has been described with reference to FIG.
그러나, 도 1은 본 발명의 이해와 설명의 편의를 도모하기 위한 일 실시예에 불과하며, 도 1에 예시된 순서도에서 각 단계는 생략되거나 순서가 변경될 수 있다. However, FIG. 1 is only one embodiment for facilitating understanding and explanation of the present invention, and each step in the flowchart illustrated in FIG. 1 may be omitted or the order may be changed.
예를 들어, 단계 S114는 생략될 수 있다.For example, step S114 may be omitted.
예를 들어, 단계 S120는 단계 S122 이후, 즉 복수개의 관심영역에 대해서 모션함수를 모두 산출 한 후, 수행될 수 있다.For example, step S120 may be performed after step S122, i.e., after calculating all the motion functions for a plurality of ROIs.
예를 들어, 지정된 관심영역이 1개인 경우, 단계 S104, S122 및 S124는 생략될 수 있다. For example, if there is one designated region of interest, steps S104, S122 and S124 may be omitted.
상술한 예시는 일 예에 불과하며, 본 발명이 적용되는 다양한 환경에 따라 당업자는 다양하게 변경하여 적용할 수 있다.The above-described exemplary embodiments are merely examples, and various modifications and changes may be made by those skilled in the art according to various environments to which the present invention is applied.
이하, 도 2를 참고하여 본 발명의 실시예에 따른 세그멘테이션 장치에 대해서 설명한다. Hereinafter, a segmentation apparatus according to an embodiment of the present invention will be described with reference to FIG.
도 2는 본 발명의 실시예에 다른 세그멘테이션 장치의 내부 구성을 예시한 도면이다. 2 is a diagram illustrating an internal configuration of a segmentation apparatus according to an embodiment of the present invention.
도 2를 참고하면 본 발명의 실시예에 다른 세그멘테이션 장치(200)는 디스플레이(202), 입력부(204), 하나 이상의 프로세스(206) 및 메모리(208)를 포함할 수 있다. 2, another
여기서, 디스플레이(202) 및 입력부(204)는 본 발명의 출원시 공지된 구성으로, 상세한 설명은 생략한다. Here, the
또한, 도 2에는 본 발명의 실시예에 따른 세그멘테이션 방법을 수행하는 장치가 세그멘테이션 장치로 독립적으로 구비되는 경우를 가정하여 디스플레이(202) 및 입력부(204)가 구비되는 경우를 가정하여 예시하였으나, 상술한 바와 같이 디스플레이(202) 및 입력부(204)는 일반 전자기기에 구비되는 구성을 이용하고, 프로세서(206) 및 메모리(208)가 하나 이상의 칩(chip) 형태로 구비될 수도 있다. In addition, FIG. 2 illustrates an example in which a
본 발명의 실시예에 따른 메모리(208)에는 하나 이상의 프로그램이 저장될 수 있고, 저장된 프로그램은 프로세서(206) 들에 의해 선택적으로 실행될 수 있다. One or more programs may be stored in the
또한, 본 발명의 실시예에 따라 메모리(208)에 저장되는 하나 이상의 프로그램은 앞서 도 1을 참고하여 설명한 본 발명의 실시예에 따른 세그멘테이션 방법의 각 단계의 일부 또는 하나 이상의 단계를 수행하는 명령어를 포함할 수 있다. 여기서, 명령어가 수행할 수 있는 세그멘테이션 방법의 각 단계에 대해서는 앞서 도 1을 참고하여 상세히 설명하였으므로, 중복된 설명은 생략한다. In addition, one or more programs stored in the
지금까지 도 2을 참고하여 본 발명의 실시예에 따른 세그멘테이션 장치(200)의 내부 구성에 대해서 설명하였다. The internal structure of the
이하, 본 실시예에 따른 세그멘테이션 방법의 적용 예 및 그 효과에 대해서 설명한다. Hereinafter, an application example of the segmentation method according to the present embodiment and its effect will be described.
도 3은 좌심실의 MRI 영상에서 확장종기에서, 도 4는 좌심실의 MRI 영상에서 수축종기에서 세그멘테이션 한 결과를 설명하기 위한 도면이며, 도 5는 각각의 세그멘테이션 방법에 대한 F평가이다. FIG. 3 is a diagram for explaining the expansion of the left ventricular MRI image, FIG. 4 is a diagram for explaining the result of segmentation at the contraction end in the MRI image of the left ventricle, and FIG. 5 is an F evaluation of each segmentation method.
도 3을 참고하면, 본 실시예에서는, 15개의 이미지 시퀀스를 포함하는, [P. Radau, Y. Lu, K. Connelly, G. Paul, A. Dick, and G. Wright, Evaluation framework for algorithms segmenting short axis cardiac MRI. The MIDAS Journal―Cardiac MR Left Ventricle Segmentation Challenge (2009)]의 MICCAI 심장 MRI 데이터 세트에 기초하여 수학적인 실험 결과를 설명한다. 이러한 이미지 시퀀스들은 심장의 확장 말기(ED) 및 수축 말기(ES) 상태에서의 심장내막에 대한 이미지를 담는, 하나의 슬라이스에 대략 20개의 프레임을 포함하며, 여기서 6개 내지 12개의 슬라이스들은 맨밑부분부터 맨윗부분까지 존재한다.Referring to FIG. 3, in this embodiment, [P. Radau, Y. Lu, K. Connelly, G. Paul, A. Dick, and G. Wright, Evaluation framework for algorithms segmenting short axis cardiac MRI. The results of mathematical experiments based on the MICCAI cardiac MRI data set of the MIDAS Journal-Cardiac MR Left Ventricle Segmentation Challenge (2009) are described. These image sequences include approximately 20 frames in one slice, containing an image of the endocardium in the end-of-expansion (ED) and end-of-contraction (ES) states of the heart, From the top to the top.
도 3 및 도 4의 1행은 상이한 시퀀스들에 대해서 관심 영역을 나타내는 윤곽선을 표시한, 심장의 확장종기(ED) 및 수축종기(ES) 상태의 이미지들 이고, 2행은 Horn-Schunck (HS) 방법에 의해 획득된 결과물이며, 3행은 근위경사 알고리즘(proximal gradient algorithm)에 의해 획득된 결과물이며, 4행은 본 실시예에 따른 세그멘테이션 방법을 적용한 결과이다. 3 and 4 are images of the expanded end of the heart (ED) and contraction-end (ES) states of the heart, showing contours indicative of the region of interest for different sequences,
도 3 및 도 4에서 노란 윤곽은 ground truth 값을 나타내며, 적색 윤곽은 해당하는 방법으로 추정된 윤곽이다. In Figures 3 and 4, the yellow outline represents the ground truth value, and the red outline is the estimated outline by the corresponding method.
본 발명의 이해와 설명의 편의를 위해, 관심영역은 좌심실 한 개(즉, r=1)인 경우로 가정한다. For ease of understanding and explanation of the present invention, it is assumed that the region of interest is one left ventricle (i.e., r = 1).
본 실시예에서, Horn-Schunck 방법(HS)과, 데이터 신뢰도 (Huber- 
슬라이스가 상단에 가까울 수록, 본 실시예에 따른 방법의 추정된 윤곽이 다른 방법에 의해 추정된 윤곽보다 ground truths값에 보다 가까워짐을 알 수 있다. It can be seen that the closer the slice is to the top, the closer the estimated contour of the method according to the present embodiment approaches ground truths than the contour estimated by other methods.
도 5를 참고하면, 정량적인 평가로, 
공정한 비교를 위해, F-평가의 관점에서 각각의 방법에 대해 파라미터를 주의깊게 채택하였다.For a fair comparison, the parameters were carefully adopted for each method in terms of F-evaluation.
높은 F-평가를 나타내는 파라미터들 중에서, 결과적으로 너무 큰 이동을 나타내는 모션들이나 타당하지 않은 모션들에 의한 파라미터들은 채택하지 않았다. Among the parameters indicating a high F-rating, consequently, the parameters by the motions representing too large movement or by the unfavorable motions were not adopted.
정규화 파라미터는 Horn-Schunck 방법을 위해서는 0.12로 채택되어졌고, Huber- 방법을 위해서는 0.07로 채택되어졌다.The normalization parameter was adopted as 0.12 for the Horn-Schunck method and 0.07 for the Huber-method.
본 실시예에서 평탄화 파라미터 는 1.5로 설정되고, 스텝 사이즈는 
본 실시예에 따른 세그멘테이션 방법에 대한 F-평가의 평균값은 다른 두가지 방법들보다 상대적으로 높았다. 게다가, 본 실시예에 따른 방법의 표준편차는 다른 두가지 방법보다 상대적으로 낮았으며, 이것은 본 실시예에 따른 방법이 보다 안정적이라는 것을 가리킨다. The average value of the F-evaluation for the segmentation method according to the present embodiment was relatively higher than the other two methods. In addition, the standard deviation of the method according to the present embodiment was relatively lower than the other two methods, indicating that the method according to this embodiment is more stable.
또한, 본 실시예에 따른 세그멘테이션 방법과 다른 두 가지 방법에 대한 연산시간은 하기의 표로 정리할 수 있는데, 하기의 표를 참고하면 본 실시예에 따른 방법에서 관심영역에 대한 계산시간은 다른 두 가지의 방법의 전체 시간보다 6배나 빠르다.In addition, the calculation time for the two methods other than the segmentation method according to the present embodiment can be summarized in the following table. In the method according to the present embodiment, It is six times faster than the total time of the method.
왜냐하면, 본 실시예에 따른 세그멘테이션 방법에서 각 영역에 대한 모션들은 독립적인 것으로 가정하였으므로, 만일 관심영역만 필요한 경우, 배경영역에 대한 모션은 계산할 필요가 없기 때문이다. This is because the motions for the respective regions in the segmentation method according to the present embodiment are assumed to be independent, so that, if only the region of interest is required, motion for the background region need not be calculated.
따라서, 본 발명의 실시예에 따른 세그멘테이션 방법은 장치로 구성할 경우, 연산하기 위한 부하가 적다는 장점이 있다. Therefore, the segmentation method according to the embodiment of the present invention is advantageous in that, when it is constituted by an apparatus, the load for calculation is small.
도 6은 컬러 코딩을 예시한 도면이고, 도 7은 각각의 세그멘테이션 방법에 따른 모션 벡터를 컬러 코딩에 따라 시각화한 도면이다. FIG. 6 is a diagram illustrating color coding, and FIG. 7 is a diagram visualizing the motion vectors according to each segmentation method according to color coding.
도 6의 컬러 코딩을 참고하면 벡터의 방향은 색조로 코딩되고, 진폭은 채도로 코딩된다.Referring to the color coding of FIG. 6, the direction of the vector is coded in hue and the amplitude is coded in chroma.
도 7은 좌심실의 수축 종기에서 각 세그멘테이션 방법에 따른 모션벡터를 시각화화한 도면으로, 1행은 Horn-Schunck (HS) 방법, 2행은 근위경사 알고리즘(proximal gradient algorithm)에 의해 해석된 Huber- 
도 7을 참고하면, 본 실시예에 따른 세그멘테이션 방법의 모션 벡터들이 다른 방법에 의한 모션벡터보다 뚜렷함을 알 수 있다. Referring to FIG. 7, it can be seen that the motion vectors of the segmentation method according to the present embodiment are more distinct than those of other methods.
상술한 본 발명에 실시예에 따른 세그멘테이션 방법은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다. The segmentation method according to an embodiment of the present invention can be implemented as a computer-readable code on a computer-readable recording medium. The computer-readable recording medium includes all kinds of recording media storing data that can be decoded by a computer system. For example, it may be a ROM (Read Only Memory), a RAM (Random Access Memory), a magnetic tape, a magnetic disk, a flash memory, an optical data storage device, or the like. In addition, the computer-readable recording medium may be distributed and executed in a computer system connected to a computer network, and may be stored and executed as a code readable in a distributed manner.
이상에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 쉽게 이해할 수 있을 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it will be understood by those of ordinary skill in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the following claims And changes may be made without departing from the spirit and scope of the invention.
200: 세그멘테이션 장치 202: 디스플레이
204: 입력부 206: 프로세서
208: 메모리200: segmentation device 202: display
204: input unit 206:
208: Memory
Claims (14)
(b) 상기 에너지 함수를 미분가능한 제1 구성과 미분 불가능한 제2 구성으로 이산화하여 이산화 에너지(descrete energy) 함수를 산출하는 단계;
(c) 상기 미분가능한 제1 구성에 경사 하강법(gradient descent method)을 적용하고, 상기 미분 불가능한 제2 구성에 근위 연산자(proximal operator)를 적용하여 상기 이산화 에너지 함수값을 최소화하는 시변 벡터장
(d) 상기 시변 벡터장
(e) 상기 시변 벡터장
(f) 상기 관심영역 이미지와 상기 모션함수
<수학식 A>
여기서, r는 관심영역의 개수이며, k 는 0<k≤r 인 자연수이며,
(a) a region of interest within the image that is segmented;
(b) discretizing said energy function into a differentiable first configuration and a non-resolvable second configuration to yield a descrete energy function;
(c) applying a gradient descent method to the differentiable first configuration and applying a proximal operator to the non-resolvable second configuration to provide a time-varying vector field minimizing the discrete energy function value
(d) the time-varying vector field
(e) the time-varying vector field
(f) comparing the ROI image with the motion function
≪ EMI ID =
Where r is the number of regions of interest, k is a natural number 0 < k < r,
<수학식 B>
여기서,
2. The method of claim 1, wherein step (b) comprises calculating the energy function as: < EMI ID = 6.0 >
≪ EMI ID =
here,
<수학식 C>
여기서, t는 스텝 사이즈이며,
3. The method of claim 2, wherein step (c) comprises: using the time-varying vector field using Equation (C) according to an accelerated proximal gradient algorithm;
≪ EMI ID =
Here, t is a step size,
<수학식 D>
여기서, 실수구간에서 T >0 이며,
2. The method of claim 1, wherein the step (e)
≪ EMI ID =
Here, T > 0 in the real number interval,
<수학식 E>
여기서, 부호를 가지는 거리함수 S는 x가 관심영역에 포함된 경우
2. The method of claim 1, wherein step (c) updates a signed distance function S with a sign according to Equation E below.
(E)
In this case, the distance function S having a sign is a case where x is included in the region of interest
<수학식 F>
여기서,
6. The method according to claim 5, wherein the step (c) comprises:
Equation (F)
here,
디스플레이;
입력부;
하나 이상의 프로세스들;
메모리; 및
상기 메모리에 저장되고 상기 하나 이상의 프로세서들에 의해 실행되도록 구성된 하나 이상의 프로그램들을 포함하며,
상기 하나 이상의 프로그램들은,
상기 관심영역의 에너지 함수를 하기의 <수학식 G>를 이용하여 산출하는 명령어;
상기 에너지 함수를 미분가능한 제1 구성과 미분 불가능한 제2 구성으로 이산화하여 이산화 에너지(descrete energy) 함수를 산출하는 명령어;
상기 미분가능한 제1 구성에 경사 하강법(gradient descent method)를 적용하고 상기 미분 불가능한 제2 구성에 근위 연산자(proximal operator)를 적용하여 상기 이산화 에너지 함수값을 최소화하는 시변 벡터장
수렴할 때까지 산출되는 상기 시변 벡터장
상기 관심영역과 상기 모션함수
<수학식 G>
여기서, r는 관심영역의 개수이며, k 는 0<k≤r 인 자연수이며,
An apparatus for segmenting a region of interest within a given image, the apparatus comprising:
display;
An input unit;
One or more processes;
Memory; And
And one or more programs stored in the memory and configured to be executed by the one or more processors,
The one or more programs,
Calculating an energy function of the region of interest using Equation (G) below;
Discretizing said energy function into a differentiable first configuration and a non-permissible second configuration to yield a descrete energy function;
A time-varying vector field minimizing the value of the discrete energy function by applying a gradient descent method to the differentiable first configuration and applying a proximal operator to the non-
The time-varying vector field calculated until convergence
Wherein the region of interest and the motion function
≪ EMI ID =
Where r is the number of regions of interest, k is a natural number 0 < k < r,
<수학식 H>
여기서,
8. The segmentation apparatus according to claim 7, wherein the command to calculate the discrete energy function is expressed by Equation (H) below.
≪ EMI ID =
here,
<수학식 I>
여기서, t는 스텝 사이즈이며,
9. The segmentation apparatus according to claim 8, wherein the command for calculating the time-varying vector field uses Equation (I) below.
≪ EMI ID =
Here, t is a step size,
<수학식 J>
여기서, 실수구간에서 T >0 이며,
8. The segmentation apparatus according to claim 7, wherein the instruction to calculate the motion function uses Equation (J) below.
≪ EMI ID =
Here, T > 0 in the real number interval,
8. The method of claim 7, wherein the command to calculate the time-
<수학식 K>
여기서, 부호를 가지는 거리함수 S는 x가 관심영역에 포함된 경우
12. The segmentation apparatus of claim 11, further comprising instructions for updating a signed distance function S having a sign according to Equation (K) below.
≪ EMI ID =
In this case, the distance function S having a sign is a case where x is included in the region of interest
<수학식 L>
여기서,
13. The method according to claim 12, wherein, in accordance with Equation (L)
≪ EMI ID =
here,
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170023990A KR101853407B1 (en) | 2017-02-23 | 2017-02-23 | Segmentation method of image and Apparatus thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170023990A KR101853407B1 (en) | 2017-02-23 | 2017-02-23 | Segmentation method of image and Apparatus thereof |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101853407B1 true KR101853407B1 (en) | 2018-05-02 |
Family
ID=62183852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170023990A KR101853407B1 (en) | 2017-02-23 | 2017-02-23 | Segmentation method of image and Apparatus thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101853407B1 (en) |
-
2017
- 2017-02-23 KR KR1020170023990A patent/KR101853407B1/en active IP Right Grant
Non-Patent Citations (3)
| Title |
|---|
| Arif et al. Tracking using motion estimation with physically motivated inter-region constraints. IEEE trans. on medical imaging, Vol.33, No.9, 2014년. pp. 1875-1889.* |
| Hong et al. Adaptive Parameter Balancing for Composite Optimization Problems in Imaging. arXiv, 2016년.* |
| Nawaz et al. Motion Estimation with adaptive Regularization and neighborhood dependent constraint. IEEE DICTA, 2010년, pp. 387-392.* |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537794B (en) | Medical image data processing method, apparatus and computer readable storage medium | |
| Lynch et al. | Segmentation of the left ventricle of the heart in 3-D+ t MRI data using an optimized nonrigid temporal model | |
| CN109074639B (en) | Image registration system and method in medical imaging system | |
| US20200074634A1 (en) | Recist assessment of tumour progression | |
| US10672111B2 (en) | Image processing apparatus, method of controlling image processing apparatus, and storage medium that extract a region representing an anatomical portion of an object from an image by segmentation processing | |
| Hoogendoorn et al. | A high-resolution atlas and statistical model of the human heart from multislice CT | |
| US10496729B2 (en) | Method and system for image-based estimation of multi-physics parameters and their uncertainty for patient-specific simulation of organ function | |
| CN107146228B (en) | A kind of super voxel generation method of brain magnetic resonance image based on priori knowledge | |
| Barmpoutis et al. | Tensor splines for interpolation and approximation of DT-MRI with applications to segmentation of isolated rat hippocampi | |
| CN110546685B (en) | Image segmentation and segmentation prediction | |
| US9984311B2 (en) | Method and system for image segmentation using a directed graph | |
| CN107516314B (en) | Medical image hyper-voxel segmentation method and device | |
| Alipour et al. | Fast automatic medical image segmentation based on spatial kernel fuzzy c-means on level set method | |
| US20230169732A1 (en) | A Method and System for Enforcing Smoothness Constraints on Surface Meshes from a Graph Convolutional Neural Network | |
| Ishkov et al. | Processing and visualization of tomography signal with AI: Decision making on COVID-19 | |
| CN108597589B (en) | Model generation method, target detection method and medical imaging system | |
| Femina et al. | Anatomical structure segmentation from early fetal ultrasound sequences using global pollination CAT swarm optimizer–based Chan–Vese model | |
| Zheng | An intensive restraint topology adaptive snake model and its application in tracking dynamic image sequence | |
| KR101853407B1 (en) | Segmentation method of image and Apparatus thereof | |
| CN110232695A (en) | Left ventricle image partition method and system based on hybrid mode image | |
| CN107492101B (en) | Multi-modal nasopharyngeal tumor segmentation algorithm based on self-adaptive constructed optimal graph | |
| WO2014030262A1 (en) | Shape data-generating program, shape data-generating method and shape data-generating device | |
| CN114586065A (en) | Method and system for segmenting images | |
| Ruiz et al. | Image segmentation using normalized cuts with multiple priors | |
| Medina et al. | Level set algorithms comparison for multi-slice ct left ventricle segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |