CN102930274B - 一种医学图像的获取方法及装置 - Google Patents
一种医学图像的获取方法及装置 Download PDFInfo
- Publication number
- CN102930274B CN102930274B CN201210402609.2A CN201210402609A CN102930274B CN 102930274 B CN102930274 B CN 102930274B CN 201210402609 A CN201210402609 A CN 201210402609A CN 102930274 B CN102930274 B CN 102930274B
- Authority
- CN
- China
- Prior art keywords
- image
- interest
- area
- shelter
- marginal texture
- 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.)
- Expired - Fee Related
Links
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种医学图像的获取方法及装置,通过遮挡方式获取医学图像的感兴趣区域,然后获取遮挡物的边缘结构模式,接着针对不同的边缘结构模式设计相应的图像边缘识别算法,最终通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像,本方案可大大降低成像目标自身对于图像边界识别的干扰,从而提高了图像边界识别的准确率。
Description
技术领域
本发明涉及医学影像设备的遮挡物及图像后处理识别技术领域,特别是涉及一种获取医学图像感兴趣区域而设计的非直线边缘结构的遮挡物设计方法及装置。
背景技术
随着科学技术的不断发展,医学成像对于医学科学应用的作用越加重要,在医学成像中,当需要对感兴趣的区域进行成像操作时,只想对该区域进行成像保护,而其他地方需通过遮挡物阻碍成像;在完成遮挡操作后,需通过图像后处理技术识别遮挡边缘,从而将遮挡区域剪切;那么这就涉及到一个图像边缘识别的问题,当遮挡物是直线边缘结构时,待成像的物体内部有时会存在这种类直线的干扰边界,这也就会影响准确的图像边缘识别,造成无法得到图像的预期结果。目前,医学影像设备的遮挡物的边缘设计一直是直线结构的,这种结构的遮挡物在一些成像目标中会给准确的图像边缘识别和分割带来干扰和影响。在图1中,1-1是医学设备的可成像区域,在无遮挡物遮挡时,将对整个区域进行成像,1-2是成像目标,1-3是成像目标内部的影响图像边缘识别的干扰物,1-4是直线结构的遮挡物边缘,成像目标被遮挡物全部围了起来,此时,成像设备只会对未被遮挡物遮挡的区域成像。图2是按照图1中的成像方式得到的图像示意图,2-1是整体图像,2-2为待成像目标的图像,2-3是成像目标内部的影响图像边缘识别的干扰物成像,2-4为成像后的直线边界,2-5为待剪切的未成像部分。在图2中,可以看到成像目标内部的影响图像边缘识别的干扰物成像为类直线,这就会为后期的图像处理中的边界识别带来不可预知的干扰,降低了图像边界识别的准确率。
针对上述问题,现有的手段和方法是获取图像后利用图像后处理技术进行图像边缘识别与分割,识别效果不是很理想,给局部图像提取和获取医学图像的感兴趣区域带来了很大不便。
为了克服上述现有技术的不足,本发明提供了一种利用非直线边缘结构的遮挡物完成遮挡操作,结合相应的图像后处理边缘识别算法以实现准确地获取医学图像的感兴趣区域图像的方法及装置。
发明内容
有鉴于此,本发明实施例提出了一种医学图像的获取方法及装置,通过遮挡方式获取医学图像的感兴趣区域,然后获取遮挡物的边缘结构模式,接着针对不同的边缘结构模式设计相应的图像边缘识别算法,最终通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像,本方案可大大降低成像目标自身对于图像边界识别的干扰,从而提高了图像边界识别的准确率。
为解决上述技术问题,本发明实施例的目的是通过以下技术方案实现的:
一种医学图像的获取方法,包括:
步骤一、通过遮挡方式获取医学图像的感兴趣区域;
步骤二、获取遮挡物的边缘结构模式;
步骤三、针对不同的边缘结构模式设计相应的图像边缘识别算法;
步骤四、通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像。
优选的,上述步骤一中,通过遮挡方式是指通过遮挡物阻碍非感兴趣区域的方式实现。
优选的,上述步骤二中,遮挡物的每边都是非直线边缘的结构,并且这种非直线的边缘结构是多模式可调的。
优选的,上述非直线边缘结构包括但不限于方波形、锯齿形、正弦型。
优选的,进一步包括遮挡物针对不同的医学成像方式存在不同的结构和材料设计,遮挡物的每边的边缘结构均是非直线的。
优选的,上述步骤三中,图像边缘识别算法包括但不限于图像分割方法(微分算子法、串行边界技术)、基于数学形态学的边缘检测方法、基于小波变换的边缘检测方法、基于神经网络的分割方法。
优选的,上述步骤四中,对于特定的成像环境可根据先验知识选择特定的非直线边缘结构的遮挡物获取感兴趣区域的医学图像,随后通过与之匹配的图像识别算法准确地识别感兴趣区域图像的边缘,从而实现消除非感兴趣区域的部分而得到感兴趣区域的医学图像。
一种医学图像的获取装置,包括区域获取单元、边缘结构模式单元、算法单元及图像获取单元,通过遮挡方式获取医学图像的感兴趣区域,然后获取遮挡物的边缘结构模式,接着针对不同的边缘结构模式设计相应的图像边缘识别算法,最终通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像。
优选的,上述区域获取单元用于通过遮挡方式获取医学图像的感兴趣区域。
优选的,上述边缘结构模式单元用于获取遮挡物的边缘结构模式。
优选的,上述算法单元用于针对不同的边缘结构模式设计相应的图像边缘识别算法。
优选的,上述图像获取单元用于通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像。
综上所述,本发明提供了一种医学图像的获取方法及装置,通过遮挡方式获取医学图像的感兴趣区域,然后获取遮挡物的边缘结构模式,接着针对不同的边缘结构模式设计相应的图像边缘识别算法,最终通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像,本方案可大大降低成像目标自身对于图像边界识别的干扰,从而提高了图像边界识别的准确率。
附图说明
图1为基于直线边缘结构的遮挡物遮挡成像的示意图;
图2为基于直线边缘结构的遮挡物获取感兴趣区域图像的示意图;
图3为基于非直线边缘结构的遮挡物遮挡成像的示意图;
图4为基于非直线边缘结构的遮挡物获取感兴趣区域图像的示意图;
图5为本发明一种医学图像的获取方法示意图;
图6为本发明一种医学图像的获取装置示意图。
具体实施方式
本发明实施例提供的一种医学图像的获取方法及装置,通过遮挡方式获取医学图像的感兴趣区域,然后获取遮挡物的边缘结构模式,接着针对不同的边缘结构模式设计相应的图像边缘识别算法,最终通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像,本方案可大大降低成像目标自身对于图像边界识别的干扰,从而提高了图像边界识别的准确率。
为使本发明的目的、技术方案及优点更加清楚明白,下面参照附图并举实施例,对本发明进一步详细说明。
在本方案中,通过遮挡方式获取医学图像的感兴趣区域,遮挡物的每条边的边缘均是非直线结构,并且非直线的边缘结构存在多种可选的模式,针对不同的模式设计相应的图像边缘识别算法,对于特定的成像环境可根据先验知识选择特定的非直线边缘结构的遮挡物获取感兴趣区域的医学图像,随后通过与之匹配的图像识别算法准确地识别感兴趣区域图像的边缘,从而实现消除非感兴趣区域的部分而得到感兴趣区域的医学图像,该方法适用于任何成像方式且基于遮挡获取图像感兴趣区域的场景。
本发明实施例提供一种医学图像的获取方法,如图5所示,具体步骤包括:
步骤一、通过遮挡方式获取医学图像的感兴趣区域;
具体而言,在本发明实施例中,为了获取医学图像的感兴趣区域,通过遮挡物遮挡阻碍非感兴趣区域成像从而得到感兴趣区域的图像。即,获取医学图像的感兴趣区域是通过遮挡物阻碍非感兴趣区域的方式实现的。
进一步的,如图3所示,3-1是医学成像设备的成像区域,在无遮挡物遮挡时,将对整个区域进行成像操作,3-2是成像目标,3-3是成像目标内部的影响图像边缘识别的干扰物,3-4是非直线结构的遮挡物边缘,成像目标被遮挡物边缘全部围了起来,此时,成像设备只会对未被遮挡物遮挡的区域成像。即,为了获取医学图像的感兴趣区域,通过遮挡物遮挡阻碍非感兴趣区域成像从而得到感兴趣区域的图像,实现通过遮挡方式获取医学图像的感兴趣区域。
步骤二、获取遮挡物的边缘结构模式;
具体而言,在本发明实施例中,遮挡物的每边都是非直线边缘的结构,并且这种非直线的边缘结构是多模式可调的。
进一步的,在本方案中,非直线边缘结构的遮挡物区别于直线边缘结构的遮挡物,具体的非直线边缘结构是根据不同的成像设备和成像物体而选定,可以设计为方波形、锯齿形、正弦型,但是不仅限于此;非直线的边缘结构的遮挡物包括一切可以设计使用的除直线边缘结构以外的所有非直线边缘结构的遮挡物。
具体而言,在本发明实施例中,图4是按照图3的成像方式得到的图像示意图,4-1是整体图像,4-2为待成像目标的图像,4-3为成像目标内部的影响图像边缘识别的干扰物成像,4-4为最终得到的剪切边界,4-4为基于非直线边缘结构的遮挡物获取的非直线的感兴趣区域图像边界,4-5为待剪切的未成像部分。由于本发明采用的遮挡物的边缘结构是非直线的,因此得到的图像边界为非直线的。
进一步的,遮挡物针对不同的医学成像方式存在不同的结构和材料设计,遮挡物的每边的边缘结构均是非直线的。
步骤三、针对不同的边缘结构模式设计相应的图像边缘识别算法;
具体而言,在本发明实施例中,对于不同的非直线边缘结构的遮挡物设计有相应的图像边缘识别和分割算法。
进一步的,在本方案中,当完成遮挡操作后,通过特定的图像边缘识别算法准确地获取医学图像的感兴趣区域,图像边缘识别算法可采用基于边界的图像分割方法(微分算子法、串行边界技术)、基于数学形态学的边缘检测方法、基于小波变换的边缘检测方法、基于神经网络的分割方法,但是并不仅限于以上识别算法。
步骤四、通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像。
具体而言,在本发明实施例中,对于特定的成像环境可根据先验知识选择特定的非直线边缘结构的遮挡物获取感兴趣区域的医学图像,随后通过与之匹配的图像识别算法准确地识别感兴趣区域图像的边缘,从而实现消除非感兴趣区域的部分而得到感兴趣区域的医学图像,可适用于任何成像方式且基于遮挡获取图像感兴趣区域的场景。
进一步的,在本方案中,基于非直线边缘结构的遮挡物完成遮挡操作后,得到感兴趣区域图像与非感兴趣区域图像的边界,通过特定的图像边缘识别算法准确地识别出该边界,这会大大降低成像目标自身对于图像边界识别的干扰,从而提高了图像边界识别的准确率。最后,以曲线为边界剪切非感兴趣区域的图像从而准确地得到成像目标的图像。
此外,与现有技术相比,本发明的有益效果是通过可调的多模式非直线边缘结构的遮挡物设计,可以大大降低甚至消除待成像体自身对图像边缘识别带来的干扰,从而可以明显地提高图像边缘识别的准确率。目前,对于遮挡物的直线边缘结构为图像边缘识别带来的干扰,通过这种非直线的边缘结构设计去解决问题的方法具有很好的创新性和实用性,因此本发明对医学成像设备消除或降低在局部成像过程中的边缘识别和分割具有重要的意义。
另外,本发明实施例还提供了一种医学图像的获取装置。如图6所示,为本发明实施例提供的一种医学图像的获取装置示意图。
一种医学图像的获取装置,包括区域获取单元11、边缘结构模式单元22、算法单元33及图像获取单元44。
区域获取单元11,用于通过遮挡方式获取医学图像的感兴趣区域;
具体而言,在本发明实施例中,为了获取医学图像的感兴趣区域,通过遮挡物遮挡阻碍非感兴趣区域成像从而得到感兴趣区域的图像。即,获取医学图像的感兴趣区域是通过遮挡物阻碍非感兴趣区域的方式实现的。
进一步的,如图3所示,3-1是医学成像设备的成像区域,在无遮挡物遮挡时,将对整个区域进行成像操作,3-2是成像目标,3-3是成像目标内部的影响图像边缘识别的干扰物,3-4是非直线结构的遮挡物边缘,成像目标被遮挡物边缘全部围了起来,此时,成像设备只会对未被遮挡物遮挡的区域成像。即,为了获取医学图像的感兴趣区域,通过遮挡物遮挡阻碍非感兴趣区域成像从而得到感兴趣区域的图像,实现通过遮挡方式获取医学图像的感兴趣区域。
边缘结构模式单元22,用于获取遮挡物的边缘结构模式;
具体而言,在本发明实施例中,遮挡物的每边都是非直线边缘的结构,并且这种非直线的边缘结构是多模式可调的。
进一步的,在本方案中,非直线边缘结构的遮挡物区别于直线边缘结构的遮挡物,具体的非直线边缘结构是根据不同的成像设备和成像物体而选定,可以设计为方波形、锯齿形、正弦型,但是不仅限于此;非直线的边缘结构的遮挡物包括一切可以设计使用的除直线边缘结构以外的所有非直线边缘结构的遮挡物。
具体而言,在本发明实施例中,图4是按照图3的成像方式得到的图像示意图,4-1是整体图像,4-2为待成像目标的图像,4-3为成像目标内部的影响图像边缘识别的干扰物成像,4-4为最终得到的剪切边界,4-4为基于非直线边缘结构的遮挡物获取的非直线的感兴趣区域图像边界,4-5为待剪切的未成像部分。由于本发明采用的遮挡物的边缘结构是非直线的,因此得到的图像边界为非直线的。
进一步的,遮挡物针对不同的医学成像方式存在不同的结构和材料设计,遮挡物的每边的边缘结构均是非直线的。
算法单元33,用于针对不同的边缘结构模式设计相应的图像边缘识别算法;
具体而言,在本发明实施例中,对于不同的非直线边缘结构的遮挡物设计有相应的图像边缘识别和分割算法。
进一步的,在本方案中,当完成遮挡操作后,通过特定的图像边缘识别算法准确地获取医学图像的感兴趣区域,图像边缘识别算法可采用基于边界的图像分割方法(微分算子法、串行边界技术)、基于数学形态学的边缘检测方法、基于小波变换的边缘检测方法、基于神经网络的分割方法,但是并不仅限于以上识别算法。
图像获取单元44,用于通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像。
具体而言,在本发明实施例中,对于特定的成像环境可根据先验知识选择特定的非直线边缘结构的遮挡物获取感兴趣区域的医学图像,随后通过与之匹配的图像识别算法准确地识别感兴趣区域图像的边缘,从而实现消除非感兴趣区域的部分而得到感兴趣区域的医学图像,可适用于任何成像方式且基于遮挡获取图像感兴趣区域的场景。
进一步的,在本方案中,基于非直线边缘结构的遮挡物完成遮挡操作后,得到感兴趣区域图像与非感兴趣区域图像的边界,通过特定的图像边缘识别算法准确地识别出该边界,这会大大降低成像目标自身对于图像边界识别的干扰,从而提高了图像边界识别的准确率。最后,以曲线为边界剪切非感兴趣区域的图像从而准确地得到成像目标的图像。
本领域普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
综上所述,本文提供了一种医学图像的获取方法及装置,通过遮挡方式获取医学图像的感兴趣区域,然后获取遮挡物的边缘结构模式,接着针对不同的边缘结构模式设计相应的图像边缘识别算法,最终通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像,本方案可大大降低成像目标自身对于图像边界识别的干扰,从而提高了图像边界识别的准确率。
以上对本发明所提供的一种医学图像的获取方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方案;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种医学图像的获取方法,其特征在于,所述方法包括:
步骤一、通过遮挡方式获取医学图像的感兴趣区域;
步骤二、获取遮挡物的边缘结构模式;
步骤三、针对不同的边缘结构模式设计相应的图像边缘识别算法;
步骤四、通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像;其中,所述步骤二中,遮挡物的每边都是非直线边缘的结构,并且这种非直线的边缘结构是多模式可调的。
2.根据权利要求1所述的方法,其特征在于,所述步骤一中,通过遮挡方式是指通过遮挡物阻碍非感兴趣区域的方式实现。
3.根据权利要求1所述的方法,其特征在于,所述非直线边缘结构包括方波形、锯齿形、正弦型。
4.根据权利要求1所述的方法,其特征在于,进一步包括遮挡物针对不同的医学成像方式存在不同的结构和材料设计。
5.根据权利要求1所述的方法,其特征在于,所述步骤三中,图像边缘识别算法包括图像分割方法、基于数学形态学的边缘检测方法、基于小波变换的边缘检测方法、基于神经网络的分割方法。
6.根据权利要求1所述的方法,其特征在于,所述步骤四中,对于特定的成像环境可根据先验知识选择特定的非直线边缘结构的遮挡物获取感兴趣区域的医学图像,随后通过与之匹配的图像识别算法准确地识别感兴趣区域图像的边缘,从而实现消除非感兴趣区域的部分而得到感兴趣区域的医学图像。
7.一种医学图像的获取装置,其特征在于,所述装置包括区域获取单元、边缘结构模式单元、算法单元及图像获取单元,所述医学图像的获取装置通过遮挡方式获取医学图像的感兴趣区域,然后获取遮挡物的边缘结构模式,接着针对不同的边缘结构模式设计相应的图像边缘识别算法,最终通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像,所述区域获取单元用于通过遮挡方式获取医学图像的感兴趣区域,所述边缘结构模式单元用于获取遮挡物的边缘结构模式,且遮挡物的每边都是非直线边缘的结构,并且这种非直线的边缘结构是多模式可调的,所述算法单元用于针对不同的边缘结构模式设计相应的图像边缘识别算法,所述图像获取单元用于通过与边缘结构模式匹配的图像边缘识别算法,获得感兴趣区域的医学图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210402609.2A CN102930274B (zh) | 2012-10-19 | 2012-10-19 | 一种医学图像的获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210402609.2A CN102930274B (zh) | 2012-10-19 | 2012-10-19 | 一种医学图像的获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102930274A CN102930274A (zh) | 2013-02-13 |
CN102930274B true CN102930274B (zh) | 2016-02-03 |
Family
ID=47645071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210402609.2A Expired - Fee Related CN102930274B (zh) | 2012-10-19 | 2012-10-19 | 一种医学图像的获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102930274B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016207209A1 (de) * | 2015-05-01 | 2016-11-03 | GM Global Technology Operations LLC | Stixel-schätzung und segmentierung des verkehrsgeschehens unter anwendung des "deep learning" |
CN108921866A (zh) * | 2018-07-24 | 2018-11-30 | 北京深瞐科技有限公司 | 一种图像数据处理方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101219054A (zh) * | 2007-12-26 | 2008-07-16 | 东软飞利浦医疗设备***有限责任公司 | 同步模拟显示x光束照射区域图像变化的方法 |
CN101807297A (zh) * | 2009-02-16 | 2010-08-18 | 海信集团有限公司 | 医学超声图像直线检测方法 |
CN101901342A (zh) * | 2009-05-27 | 2010-12-01 | 深圳迈瑞生物医疗电子股份有限公司 | 影像目标区域的提取方法和装置 |
WO2010148330A1 (en) * | 2009-06-19 | 2010-12-23 | Edda Technology, Inc. | Systems for computer aided lung nodule detection in chest tomosynthesis imaging |
-
2012
- 2012-10-19 CN CN201210402609.2A patent/CN102930274B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101219054A (zh) * | 2007-12-26 | 2008-07-16 | 东软飞利浦医疗设备***有限责任公司 | 同步模拟显示x光束照射区域图像变化的方法 |
CN101807297A (zh) * | 2009-02-16 | 2010-08-18 | 海信集团有限公司 | 医学超声图像直线检测方法 |
CN101901342A (zh) * | 2009-05-27 | 2010-12-01 | 深圳迈瑞生物医疗电子股份有限公司 | 影像目标区域的提取方法和装置 |
WO2010148330A1 (en) * | 2009-06-19 | 2010-12-23 | Edda Technology, Inc. | Systems for computer aided lung nodule detection in chest tomosynthesis imaging |
Non-Patent Citations (1)
Title |
---|
边缘检测算子研究及其在医学图像中的应用;刘晨等;《计算机技术与发展》;20060831;第16卷(第8期);128-130 * |
Also Published As
Publication number | Publication date |
---|---|
CN102930274A (zh) | 2013-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lei et al. | 4D-CT deformable image registration using multiscale unsupervised deep learning | |
Vallabhaneni et al. | Brain tumour detection using mean shift clustering and GLCM features with edge adaptive total variation denoising technique | |
CN102136142B (zh) | 基于自适应三角形网格的非刚性医学图像配准方法 | |
CN103150723B (zh) | 基于形状和椭圆拟合的胃部ct图像***检测***及方法 | |
CN103295234B (zh) | 基于形变表面模型的医学图像分割***及方法 | |
CN104424629A (zh) | 一种x光胸片肺部分割方法和装置 | |
CN103106408A (zh) | 无监督分割的胃部ct图像***自动辅助检测*** | |
Kaleem et al. | Segmentation of brain tumor tissue using marker controlled watershed transform method | |
McClure et al. | A novel NMF guided level-set for DWI prostate segmentation | |
CN102737382A (zh) | 一种***超声图像自动精确分割方法 | |
Seyedhosseini et al. | Segmentation of mitochondria in electron microscopy images using algebraic curves | |
CN103247046B (zh) | 一种放射治疗计划中靶区自动勾画的方法和装置 | |
Depeursinge | Multiscale and multidirectional biomedical texture analysis: Finding the needle in the haystack | |
CN102930274B (zh) | 一种医学图像的获取方法及装置 | |
CN105184741A (zh) | 基于改进非局部均值的三维cbct图像除噪方法 | |
CN102496150A (zh) | 基于高斯平滑的局部区域活动轮廓模型方法 | |
CN102509296B (zh) | 基于最大相似性区域合并的胃部ct图像交互式分割方法 | |
CN103914845A (zh) | 基于主动轮廓模型的超声图像分割中获取初始轮廓的方法 | |
Nageswara Reddy et al. | BRAIN MR IMAGE SEGMENTATION BY MODIFIED ACTIVE CONTOURS AND CONTOURLET TRANSFORM. | |
CN104376559A (zh) | 基于改进的距离调整水平集算法的医学图像分割方法 | |
Pandav | Brain tumor extraction using marker controlled watershed segmentation | |
Zheng et al. | Precise segmentation of the left atrium in C-arm CT volumes with applications to atrial fibrillation ablation | |
Rianto et al. | Distance regularized level set evolution for medical image segmentation | |
Kaur et al. | Region based image segmentation for brain tumor detection | |
Jiang et al. | Semi-automatic liver segmentation using improved GVF snake model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C53 | Correction of patent for invention or patent application | ||
CB03 | Change of inventor or designer information |
Inventor after: Niu Jinhai Inventor after: Guo Tengfei Inventor before: Niu Jinhai |
|
COR | Change of bibliographic data |
Free format text: CORRECT: INVENTOR; FROM: NIU JINHAI TO: NIU JINHAI GUO TENGFEI |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160203 Termination date: 20181019 |
|
CF01 | Termination of patent right due to non-payment of annual fee |