RU2656761C1 - Способ и система сегментации изображений очагов легких - Google Patents
Способ и система сегментации изображений очагов легких Download PDFInfo
- Publication number
- RU2656761C1 RU2656761C1 RU2017104263A RU2017104263A RU2656761C1 RU 2656761 C1 RU2656761 C1 RU 2656761C1 RU 2017104263 A RU2017104263 A RU 2017104263A RU 2017104263 A RU2017104263 A RU 2017104263A RU 2656761 C1 RU2656761 C1 RU 2656761C1
- Authority
- RU
- Russia
- Prior art keywords
- images
- structures
- segmentation
- determined
- stage
- Prior art date
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 29
- 210000004072 lung Anatomy 0.000 title claims abstract description 26
- 238000002591 computed tomography Methods 0.000 claims abstract description 45
- 210000000038 chest Anatomy 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 6
- 210000001370 mediastinum Anatomy 0.000 claims abstract description 6
- 210000004872 soft tissue Anatomy 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 208000020816 lung neoplasm Diseases 0.000 claims description 4
- 208000037841 lung tumor Diseases 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 abstract 1
- 230000002685 pulmonary effect Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000000621 bronchi Anatomy 0.000 description 2
- 230000006854 communication Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 208000004434 Calcinosis Diseases 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 239000005338 frosted glass Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/421—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation by analysing segments intersecting the pattern
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
Группа изобретений относится к области обработки данных компьютерной томографии (КТ) и может быть использована для сегментации изображений очагов легких. Получают данные КТ органов грудной клетки, содержащие изображения. Выполняют первый этап сегментации данных КТ, на котором определяется область грудной клетки. Удаляют из изображений выявленные костные структуры и мягкие ткани средостения за исключением сегмента легких. Определяют параметры КТ-плотности структур в заданном окне центра и ширины диапазона шкалы Хаунсфилда областей изображения, полученных после первого этапа сегментации. Определяют среднее значение их параметра КТ-плотности. Определяют области изображений с параметром КТ-плотности выше среднего значения. Выполняют второй этап сегментирования, при котором определяют набор разнородных структур на изображениях, полученных после первого этапа сегментирования. Выполняют фильтрацию полученных структур, состоящую из двух этапов. Вначале определяют точки на изображении полученных структур и определяют средний показатель кривизны полученных структур на основании упомянутых точек. Далее определяют структуры, средний показатель кривизны которых близок или лежит в диапазоне от 0 до 0,05 от показателя кривизны окружности, площадь которой эквивалентна площади анализируемой структуры. Система сегментации изображений очагов легких содержит по меньшей мере один процессор и по меньшей мере одну память. Данная память содержит машиночитаемые инструкции, которые при их исполнении по меньшей мере одним процессором осуществляют указанный способ сегментации изображений очагов легких. Группа изобретений обеспечивает повышение точности выявления очагов в легких за счет автоматической сегментации КТ-изображений. 2 н. и 1 з.п. ф-лы, 5 ил.
Description
ОБЛАСТЬ ТЕХНИКИ
Заявленное изобретение относится к области обработки данных компьютерной томографии (КТ), в частности к способу и системе для выполнения сегментации КТ органов грудной клетки для выявления очагов легких.
УРОВЕНЬ ТЕХНИКИ
Известен способ сегментации очагов, при котором на начальном этапе специалистом выделяется область интереса, а затем с применением различных методов, таких как: бинаризация (threshold), морфологических операций, watershed и active contours алгоритмов, выбранная область уточняется [1].
Известен Graph Cut метод сегментации, который строит граф, основанный на изображении, и находит оптимальное решение в смысле минимизации энергетической функции [2]. Недостатком данного метода является высокая вычислительная сложность, большое время работы и потребление памяти.
Известен Level Set метод сегментации, который широко применяется в различных медицинских задачах. В данном подходе изображение рассматривается как поле внешних сил, под воздействием которых эволюционирует начальный контур (линия уровня). Существуют различные вариации этой модели, в работе [3] выведена модель, которая часто используется для сегментации опухолей головного мозга. Известны также способы построения модели для сегментации изображений серого/белого вещества головного мозга [4].
Известен способ сегментации очагов по средствам установки начальной точки и дальнейшего роста контура из нее (Click & Grow) [5]. Данный алгоритм имеет ряд недостатков, в частности он может требовать дополнительного взаимодействия с пользователем (установка новых точек) и сильно зависит от начальных данных. В работе [6] предложена модификация алгоритма (Single Click Ensemble Segmentation), которая во многом устраняет недостатки предшественника.
РАСКРЫТИЕ ИЗОБРЕТЕНИЯ
Предлагается новый автоматизированный алгоритм по выявлению очагов легких более 4 мм при анализе компьютерной томографии органов грудной клетки. Для нахождения очагов используется вычислительный автоматизированный способ, предназначенный для анализа формы предполагаемой области интереса. Предлагаемый алгоритм может быть использован совместно с известными алгоритмами, основанными на анализе текстуры.
Заявленное изобретение направлено на решение существующей технической проблемы, которая заключается в создании способа сегментации КТ-изображений органов грудной клетки, с помощью которого можно за более короткое время в автоматическом режиме выявлять очаги в легких более 4 мм.
Техническим результатом является повышение точности выявления очагов в легких за счет автоматической сегментации КТ-изображений.
Заявленное изобретение в первом предпочтительном варианте осуществляется за счет компьютерно-реализуемого способа сегментации изображений опухоли легких, при выполнении которого:
- получают данные компьютерной томографии (КТ), содержащие изображения, полученные в ходе исследования;
- выполняют первый этап сегментации данных КТ, на котором определяется область грудной клетки;
- удаляют из изображений выявленные костные структуры и мягкие ткани средостения, за исключением сегмента легких области грудной клетки;
- определяют параметр КТ-плотности, характеризующий яркость пикселей в заданном окне центра и ширины диапазона шкалы Хаунсфилда, областей изображения, полученных после первого этапа сегментации;
- определяют среднее значение упомянутого параметра КТ-плотности;
- определяют области изображений с параметром КТ-плотности выше среднего значения;
- выполняют второй этап сегментирования, при котором определяют набор разнородных структур на изображениях;
- выполняют фильтрацию полученных структур, при которой:
- определяют точки на изображении полученных структур и определяют средний показатель кривизны полученных структур;
- выявляют структуры, средний показатель кривизны которых близок или имеет незначительное отклонение от показателя кривизны окружности, площадь которой эквивалента площади анализируемой структуры.
В частном варианте осуществления заявленного способа на этапе фильтрации вычисляется среднеквадратичное отклонение кривизны структур от ее средней кривизны.
В другом предпочтительном варианте осуществления заявленного изобретения заявлена компьютерная система, которая содержит по меньшей мере один процессор и по меньшей мере одну память, содержащую машиночитаемые инструкции, которые при их исполнении по меньшей мере одним процессором осуществляют способ сегментации изображений опухоли легких, указанный выше.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
На Фиг. 1 представлена общая схема этапов заявленного способа.
На Фиг. 2 представлена детализация этапов выполнения заявленного способа.
На Фиг. 3 – Фиг. 4 представлены пример работы алгоритма фильтрации.
На Фиг. 5 представлен общий вид заявленной системы.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
Согласно Фиг. 1 основными этапами выполнения заявленного способа (100) являются этапы сегментирования КТ-изображений, выявления на них необходимых сегментов со структурами для последующего анализа, и фильтрация сегментированного изображения.
Далее с отсылкой на Фиг. 2 будут представлены детальные шаги заявленного способа (100). Для того, чтобы извлечь из КТ-исследования органов грудной клетки изображение легких выполняется следующее. На этапе (101) получают КТ-изображения исследования для последующей обработки. В качестве начальных данных для способа сегментации (100) выбирается всё изображение.
Если в качестве начальных данных для используемого алгоритма сегментации задать все изображение, то результатом его работы будет набор сегментированных областей. Алгоритм сегментации основан на минимизации функционала энергии Mumford-Shah’а [4], он разделяет изображение на два класса таким образом, чтобы среднее значения КТ-плотности в первом классе соответствовало КТ-плотности костных структур и мягких тканей средостения, а во втором классе - более низкой КТ-плотности (воздух). Оба класса состоят из набора областей. В силу анатомического строения самая большая по площади (объему) сегментированная область из первого класса, где среднее значение КТ-плотности соответствует костным структурам и мягким тканям средостения, будет являться изображением грудной клетки (не включая легкие, т.к. их КТ-плотность значительно меньше). Таким образом, результатом первичной работы алгоритма будет изображение грудной клетки (102).
Далее на этапе (103) выполняется удаление из первоначальных КТ-изображений изображений костных структур и мягких тканей средостения, выявленных на предыдущем этапе сегментирования, В результате на первоначальном изображении останется только изображение области легких.
На этапе (104) выполняется определение параметра КТ-плотности, который характеризуетяркость пикселей в заданном окне центра и ширины диапазона шкалы Хаунсфилда (центр на уровне -500, а ширина окна 1500, значения шкалы Хаунсфилда экстраполируются на 256 значений градаций серого), областей изображения, полученных после первого этапа сегментации (сегментированные изображения легких).
Для наиболее корректной сегментации структур легких необходимо выбрать начальные данные для алгоритма сегментации (100) таким образом, чтобы внутри начального контура (начальных данных) находилось как можно больше искомых структур (патологических очагов легких), или близких к ним по геометрической форме. Для выполнения этого условия используется особенность КТ-изображений легких, а именно, то, что структуры, представляющие интерес для анализа (очаги легких), имеют большую КТ-плотность по сравнению с остальными, вследствие чего на этапе (105) определяют среднее значение параметра КТ-плотности для выявленных структур на сегментированных КТ-изображениях легких.
На этапе (106) для повышения достоверности определения областей интереса, характеризующих возможные злокачественные новообразования, определяются те области КТ-изображения, где параметр КТ-плотности (интенсивности) выше среднего значения.
Далее выполняется второй этап сегментирования: сегментируются выявленные области интереса (предполагаемые очаги в легких) (этап 107).
Результатом второго этапа сегментации (107) является набор разнородных структур (бронхи, сосуды, лимфоузлы, кальцынаты, фиброз, новообразования) из которых нужно выявить очаги размером более 4 мм. Далее на этапе (108) выполняется классификация (фильтрация) сегментированных структур, полученных на этапе (107). Предложенный способ фильтрации позволяет отделить очаги типа “матового стекла”, солидного типа, полусолидного типа от других структур легких [7]. Очаги с включением кальцинатоф исключаются из результатов анализа.
Т.к. очаги преимущественно гладкие и выпуклые, то определяются и отбираются только те структуры, чья средняя кривизна близка к кривизне окружности (сферы), площадь которой эквивалентна площади рассматриваемой структуры:
Поскольку координаты контура структуры носят дискретный характер, для вычисления его кривизны мы строим окружность по каждой точке контура и ее двух соседях в смысле наименьших квадратов (I. D. Coope, Circle Fitting by Linear and Nonlinear Least Squares, Journal of Optimization Theory and Application, Vol. 76, No. 2, February 1993.; Meghan K. Driscoll, Colin McCann, Rael Kopace, Tess Homan, John T. Fourkas, et al. Cell Shape Dynamics: From Waves to Migration, PLoS Comput Biol, Vol. 8, Issue 3, March 2012). Таким образом, зная кривизну контура в каждой точке можно вычислить его среднюю кривизну:
где – кривизна контура в i-той точке контура, – количество точек в контуре исследуемой структуры. Кривизна соответствующей этому контуру окружности вычисляется по формуле:
Такой критерий достаточно хорошо отсеивает различные нерегулярные структуры, но может плохо работать со структурами, чья кривизна почти в каждой точке равна нулю, за исключением малого количества точек, где она принимает высокие значения, что в среднем может дать, на первый взгляд, адекватную величину средней кривизны. Такими структурами могут быть, например, длинные прямые сосуды, бронхи. Для исключения вышеупомянутых объектов нужно вычислить среднеквадратичное отклонение σ кривизны такой структуры от ее средней кривизны:
Если это отклонение будет достаточно малым (меньше чем ), то принимается решение, что это искомая структура (очаг легкого), иначе – нет:
В результате получается набор сегментированных областей, которые определяются как области интереса.
Во всех вышеописанных этапах для сегментации используется модель Active Contours с использованием математического фреймворка Level Set Methods (Dynamic Implicit Surfaces), а именно модель Chan-Vese (Tony F. Chan, Luminita A. Vese, Active Contours Without Edges, IEEE Transactions on Image Processing, Vol. 10, No. 2, February 2001). Внутреннее представление линий уровня реализуются с помощью Sparse Field Methods (Ross T. Whitaker, A Level-Set Approach to 3D Reconstruction From Range Data, The International Journal of Computer Vision, 29(3), October, 1998, pp. 203-231). Общий вид решаемого уравнения для сегментации:
где – линия уровня, служащая индикатором границы искомой области, – параметр модели, отвечающий за регуляризацию сегментируемого контура (гладкость), – отвечает за скорость сжатия контура, и соответствуют чувствительности контура к интенсивности цвета внутри и снаружи контура, – значение интенсивности изображения в каждой точке контура, и – средние цвета внутри и снаружи контура соответственно. Начальный контур эволюционируя согласно данному уравнению сегментирует искомые области.
На Фиг.3 и Фиг. 4 представлен пример выполнения заявленного способа (100). Окно интерфейса (200) отображает изображение сегментированных изображений, на которых с помощью выполнений этапов способа (100) определяются очаги легких (201, 202)
На Фиг. 5 представлен общий вид системы (300), реализующей заявленный способ (100).
Компьютерная система для сегментации КТ-изображений легких (300) может выполняться на базе широкого спектра электронно-вычислительных устройств, например, персонального компьютера, ноутбука, серверного кластера, смартфона и т.п.
В общем случае система (300) содержит один или более процессоров (301), выполняющих основную вычислительную работу при реализации этапов способа (100), и оперативную память (ОЗУ) (302), предназначенную для оперативного хранения команд, исполняемых одним или более процессорами (301).
Средство хранения данных (303) может представлять собой жесткий диск (HDD), твердотельный накопитель (SSD), флэш-память (NAND-flash, EEPROM, Secure Digital и т.п.), оптический диск (CD, DVD, Blue Ray), мини диск или их совокупности.
Интерфейсы ввода/вывода (В/В) (304) представляют собой стандартные порты и средства сопряжения устройств и передачи данных, выбираемые исходя из необходимой конфигурации исполнения системы (300), в частности: USB (2.0, 3.0, USB-C, micro, mini), Ethernet, PCI, AGP, COM, LPT, PS/2, SATA, FireWire, Lightning и т.п.
Средства В/В (305) также выбираются из известного спектра различных устройств, например, клавиатура, тачпад, сенсорный дисплей, монитор, проектор, манипулятор мышь, джойстик, трекбол, световое перо, стилус, устройства вывода звука (колонки, наушники, встроенные динамики, зуммер) и т.п.
Средства передачи данных (306) выбираются из устройств, предназначенных для реализации процесса коммуникации между различными устройствами посредством проводной и/или беспроводной связи, в частности, таким устройствами могут быть: GSM модем, Wi-Fi приемопередатчик, Bluetooth или BLE модуль, GPS модуль, Глонасс модуль, NFC, Ethernet модуль и т.п.
Компоненты системы (300) сопряжены между собой посредством общей шины передачи данных (310).
Литература
1. Yongqiang Tan, Lawrence H. Schwartz and Binsheng Zhao, Segmentation of lung lesions on CT scans using watershed, active contours, and Markov random field, Med. Phys. 40, 043502 (2013); http://dx.doi.org/10.1118/1.4793409.
2. Ye X, Beddoe G, Slabaugh G. Automatic graph cut segmentation of lesions in CT using mean shift superpixels. Journal of Biomedical Imaging. 2010; 2010:19.
3. Yezzi A Jr, Kichenassamy S, Kumar A, Olver P, Tannenbaum A., A geometric snake model for segmentation of medical imagery. IEEE Trans Med Imaging. 1997 Apr;16(2):199-209.
4. Tony F. Chan, Luminita A. Vese, Active Contours Without Edges, IEEE Transactions on Image Processing, Vol. 10, No. 2, February 2001.
5. Gu, Y.; Kumar, V.; Hall, LO.; Goldgof, DB.; Korn, R.; Bendtsen, C.; Gatenby, RA.; Gillies, RJ. Automated Delineation of Lung Tumors from CT Images: Method and Evaluation. World Molecular Imaging Congress; San Diego, CA, USA. 2011. p. 373
6. Yuhua Gu, Virendra Kumar, Lawrence O Hall, Dmitry B Goldgof, Ching-Yen Li, René Korn, Claus Bendtsen, Emmanuel Rios Velazquez, Andre Dekker, Hugo Aerts, Philippe Lambin, Xiuli Li, Jie Tian, Robert A Gatenby, and Robert J Gillies, Automated Delineation of Lung Tumors from CT Images Using a Single Click Ensemble Segmentation Approach, Pattern Recognit., 2013 Mar 1, 46(3): 692–702, doi: 10.1016/j.patcog.2012.10.005.
7. Lung-RADS. Dr Matt A. Morgan et al. https://radiopaedia.org/articles/lung-rads.
Claims (13)
1. Компьютерно-реализуемый способ сегментации КТ (компьютерная томография) изображений органов грудной клетки с целью обнаружения очагов легких, содержащий этапы, на которых:
- получают данные КТ органов грудной клетки, содержащие изображения, полученные в ходе исследования;
- выполняют первый этап сегментации данных КТ, на котором определяется область анализа на изображении;
- удаляют из упомянутых КТ-изображений выявленные костные структуры и мягкие ткани средостения, за исключением сегмента легких;
- определяют параметры КТ-плотности структур в заданном окне центра и ширины диапазона шкалы Хаунсфилда, характеризующиеся яркостью пикселей на изображении, областей изображения, полученных после первого этапа сегментации;
- определяют среднее значение упомянутого параметра КТ-плотности;
- определяют области изображений с параметром КТ-плотности выше среднего значения;
- выполняют второй этап сегментирования, при котором определяют набор разнородных структур на изображениях, полученных после первого этапа сегментирования;
- выполняют фильтрацию полученных структур, при которой:
- определяют точки на изображении полученного набора структур, характеризующие форму упомянутых структур, и определяют средний показатель кривизны полученных структур на основании упомянутых точек;
- определяют структуры, средний показатель кривизны которых близок или лежит в диапазоне от 0 до 0.05 от показателя кривизны окружности, площадь которой эквивалента площади анализируемой структуры.
2. Способ по п.1, характеризующийся тем, что на этапе фильтрации вычисляется среднеквадратичное отклонение кривизны структур от ее средней кривизны.
3. Система сегментации изображений опухоли легких, содержащая по меньшей мере один процессор и по меньшей мере одну память, содержащую машиночитаемые инструкции, которые при их исполнении по меньшей мере одним процессором осуществляют способ сегментации изображений опухоли легких по пп. 1, 2.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2017104263A RU2656761C1 (ru) | 2017-02-09 | 2017-02-09 | Способ и система сегментации изображений очагов легких |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2017104263A RU2656761C1 (ru) | 2017-02-09 | 2017-02-09 | Способ и система сегментации изображений очагов легких |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2656761C1 true RU2656761C1 (ru) | 2018-06-06 |
Family
ID=62560549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2017104263A RU2656761C1 (ru) | 2017-02-09 | 2017-02-09 | Способ и система сегментации изображений очагов легких |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2656761C1 (ru) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539944A (zh) * | 2020-04-28 | 2020-08-14 | 安徽科大讯飞医疗信息技术有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN113706548A (zh) * | 2020-05-09 | 2021-11-26 | 北京康兴顺达科贸有限公司 | 基于ct影像对胸部前纵隔病灶自动分割的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002085211A2 (en) * | 2001-04-23 | 2002-10-31 | Siemens Corporate Research, Inc. | Method and system for automatically detecting lung nodules from multi-slice high resolution computed tomography (mshr ct) images |
US20030099391A1 (en) * | 2001-11-29 | 2003-05-29 | Ravi Bansal | Automated lung nodule segmentation using dynamic progamming and EM based classifcation |
US20050001832A1 (en) * | 2003-06-23 | 2005-01-06 | Hong Shen | Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data |
US20100272341A1 (en) * | 2002-10-18 | 2010-10-28 | Cornell Research Foundation, Inc. | Method and Apparatus for Small Pulmonary Nodule Computer Aided Diagnosis from Computed Tomography Scans |
-
2017
- 2017-02-09 RU RU2017104263A patent/RU2656761C1/ru not_active IP Right Cessation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002085211A2 (en) * | 2001-04-23 | 2002-10-31 | Siemens Corporate Research, Inc. | Method and system for automatically detecting lung nodules from multi-slice high resolution computed tomography (mshr ct) images |
US20030099391A1 (en) * | 2001-11-29 | 2003-05-29 | Ravi Bansal | Automated lung nodule segmentation using dynamic progamming and EM based classifcation |
US20100272341A1 (en) * | 2002-10-18 | 2010-10-28 | Cornell Research Foundation, Inc. | Method and Apparatus for Small Pulmonary Nodule Computer Aided Diagnosis from Computed Tomography Scans |
US20050001832A1 (en) * | 2003-06-23 | 2005-01-06 | Hong Shen | Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data |
Non-Patent Citations (5)
Title |
---|
Gu Y. et al. Automated Delineation of Lung Tumors from CT Images Using a Single Click Ensemble Segmentation Approach. Pattern Recognit. 2013 46(3):692-702. * |
Javaid M. et al. A novel approach to CAD system for the detection of lung nodules in CT images. // Comput Methods Programs Biomed. 2016 Oct;135:125-39. * |
Wang J. et al. Automatic Approach for Lung Segmentation with Juxta-Pleural Nodules from Thoracic CT Based on Contour Tracing and Correction. // Comput Math Methods Med. 2016;2016:2962047. * |
Подъячев А.В. и др. Обработка изображений компьютерных томограмм для нахождения новообразований легких. // Информационные управляющие системы и компьютерный мониторинг (ИУС КМ 2013). С.382-6. * |
Подъячев А.В. и др. Обработка изображений компьютерных томограмм для нахождения новообразований легких. // Информационные управляющие системы и компьютерный мониторинг (ИУС КМ 2013). С.382-6. Javaid M. et al. A novel approach to CAD system for the detection of lung nodules in CT images. // Comput Methods Programs Biomed. 2016 Oct;135:125-39. Wang J. et al. Automatic Approach for Lung Segmentation with Juxta-Pleural Nodules from Thoracic CT Based on Contour Tracing and Correction. // Comput Math Methods Med. 2016;2016:2962047. * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539944A (zh) * | 2020-04-28 | 2020-08-14 | 安徽科大讯飞医疗信息技术有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN111539944B (zh) * | 2020-04-28 | 2024-04-09 | 讯飞医疗科技股份有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN113706548A (zh) * | 2020-05-09 | 2021-11-26 | 北京康兴顺达科贸有限公司 | 基于ct影像对胸部前纵隔病灶自动分割的方法 |
CN113706548B (zh) * | 2020-05-09 | 2023-08-22 | 北京康兴顺达科贸有限公司 | 基于ct影像对胸部前纵隔病灶自动分割的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4999163B2 (ja) | 画像処理方法および装置ならびにプログラム | |
Hooda et al. | Brain tumor segmentation: A performance analysis using K-Means, Fuzzy C-Means and Region growing algorithm | |
US11875479B2 (en) | Fusion of deep learning and handcrafted techniques in dermoscopy image analysis | |
CN111105424A (zh) | 淋巴结自动勾画方法及装置 | |
Mukherjee et al. | Lung nodule segmentation using deep learned prior based graph cut | |
Abd-Elaziz et al. | Liver tumors segmentation from abdominal CT images using region growing and morphological processing | |
Chang et al. | Graph-based learning for segmentation of 3D ultrasound images | |
JP2013051988A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
JP6415878B2 (ja) | 画像処理装置、画像処理方法及び医用画像診断装置 | |
Moreno et al. | Study of medical image processing techniques applied to lung cancer | |
Khordehchi et al. | Automatic lung nodule detection based on statistical region merging and support vector machines | |
WO2018176319A1 (zh) | 超声图像的分析方法及装置 | |
Tarhini et al. | Detection of brain tumor in MRI images using watershed and threshold-based segmentation | |
He et al. | An automated three-dimensional detection and segmentation method for touching cells by integrating concave points clustering and random walker algorithm | |
Duggan et al. | A technique for lung nodule candidate detection in CT using global minimization methods | |
Yusoff et al. | Automated two-dimensional K-means clustering algorithm for unsupervised image segmentation | |
RU2656761C1 (ru) | Способ и система сегментации изображений очагов легких | |
Singh et al. | Automatic blastomere detection in day 1 to day 2 human embryo images using partitioned graphs and ellipsoids | |
Li et al. | Integrating FCM and level sets for liver tumor segmentation | |
KR101474162B1 (ko) | 흉부 컴퓨터 단층 영상의 간유리음영 결절 자동 분할 시스템 및 그 분할 방법 | |
CN112529900A (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
Bukenya et al. | A review of blood vessel segmentation techniques | |
Meejaroen et al. | Detection of fibrosis in liver biopsy images by using Bayesian classifier | |
Song et al. | Liver segmentation based on SKFCM and improved GrowCut for CT images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20200210 |