CN104361597A - 基于主动轮廓模型的肝脏dti图像分割的方法 - Google Patents
基于主动轮廓模型的肝脏dti图像分割的方法 Download PDFInfo
- Publication number
- CN104361597A CN104361597A CN201410672708.1A CN201410672708A CN104361597A CN 104361597 A CN104361597 A CN 104361597A CN 201410672708 A CN201410672708 A CN 201410672708A CN 104361597 A CN104361597 A CN 104361597A
- Authority
- CN
- China
- Prior art keywords
- image
- liver
- dti
- model
- segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于主动轮廓模型的肝脏DTI图像分割的方法,本发明包括数据的采集、肝脏DTI图像的预处理、肝脏DTI图像边缘检测和结合活动轮廓CV模型进行肝脏DTI图像分割的步骤,本发明利用仿生优化算法在由分割参数组成的多维空间进行高效搜索,找到最优的分割参数集,不仅能够避免由于活动轮廓模型对噪声***来的问题,还能够极大的减小活动轮廓模型的计算复杂度,从而提高算法的效率;另一方面,本发明通过活动轮廓模型与仿生优化算法的结合,能够对结果轮廓进行快速的平滑,从而提高分割结果的精确度。本发明将二者结合,能够有效的利用两种算法的优点,弥补对方的缺点,相得益彰。
Description
技术领域
本发明涉及图像处理方法,特别涉及一种基于主动轮廓模型的肝脏DTI图像分割的方法。其中的DTI——核磁共振成像。
背景技术
Kass、Witkin、Terzopolous在1987年提出了一种全新的符合人类视觉原理的图像分割模型-参数活动轮廓模型(Parametric Active Contour Model),又称Snakes模型,并成功应用于图像处理的各类应用中。Kass等人提出的Snakes模型向顺序严格的分层计算理论提出了挑战,在图像分割等底层图像理解任务中,底层事件的正确理解必须依赖于高层知识,他们试图设计一个能量函数二该能量函数的局部极值包含高层处理可实现的方案,在可选方案中选择合适的方案需要高层机制的推动。然而,在没有好的高层机制下,可以通过添加合适的能量项并将其最小化,使得高层机制可以通过将图像特征推向一个合适的局部极值与模型进行交互,其目的就是为了调和高层知识和底层图像信息之间的盾。Snakes模型承载着高层知识,同时融合了底层特征,使得一系列计算机视觉问题的统一解决方法成为可能,已经被国内外研究者成功应用于计算机视觉的许多领域,如边界提取、目标追踪、图像分割分类等。
Cohen等在Snakes模型中,引进了气球力(BalloonForee)来驱使活动轮廓沿着法向方向向内或者向外运动,最终达到目标边界。气球力改善了Snakes模型对初始条件的敏感性,并使得活动轮廓能够跨越孤立的伪目标边界,克服了活动轮廓陷入局部极小值问题,但该模型在弱边界处理上存在很大缺陷。Cohen等又提出了距离有势力(Distance Potential Force)模型,进一步提高了活动轮廓的捕获范围,但是该模型的计算量较气球力模型成倍增大,而且改进的模型仍然无法完全克服凹凸问题。
针对Snakes模型无法收敛于深度凹陷的问题,Eviatar等提出了能够逼近凹形边界的改进Snakes模型,但其初始曲线设定要求较高,而且需要人工干预。Xu等提出了基于梯度矢量流(Gradient Vector Flow,GVF)的Snaks模型,该模型重新定义了外力场形式,采用扩散方程方式,用GVF作为活动轮廓的图像力驱使活动轮廓运动。GVF Snakes模型以牺牲计算效率为代价,大大地提高了活动轮廓的获取范围,同时可以驱使活动轮廓逼近深度凹陷区域.不久,Xu等又给出了全局更优的改进GVF Snakes模型-GGVF Snakes模型,而Li等在此基础上提出了具有边界保持特性的GVF Snakes模型-EPGVF Snakes模型,很好地克服了GVF Snakes模型和GGVF Snakes模型的弱边界泄漏问题。
从统计学观点出发考察Snakes模型,storvik等提出了Bayes Snakes模型。根据Bayes准则,把能量极小化问题转化为求取最大后验概率(MAP),同时使用随机采样和模拟退火等方法来计算最大后验概率,在医学图像的应用中取得了较好的结果。而Joshi等将目标形状信息的先验知识融入到Bayes Snakes模型中,并成功应用于图像目标提取和识别。
国内研究人员针对Snakes模型改进、算法实现等方面的研究也有不少进展。李培华等对Snakes模型进行了较为全面的综述。马波等在Snakes模型中引入了Mallat小波理论,降低了模型对初始条件的依赖。王元全等重新定义了曲率力,使得Snakes模型能够收敛于深度凹陷区域。周昌雄以目标和背景两个区域具有最小方差为准则,提出了最小方差Snakes模型。王宏漫等基于任意曲线可由多边形逼近的思想,借助自由差分运算,提出了直交型Snakes模型。
几何活动轮廓模型根据其能量泛函定义的图像力基本可以分为:基于边界的几何活动轮廓模型、基于区域的几何活动轮廓模型和边界和区域相结合的几何活动轮廓模型。
基于边界的几何活动轮廓模型利用基于图像梯度的边缘检测算子作为演化中止条件,因而与传统边缘检测方法具有相同的局限性,即对噪声敏感。而且,模型只利用不连续边界的局部信息,因此需要较理想的初始曲线。近十年来,基于区域的几何活动轮廓模型在理论和应用的研究都取得了较好的成果。与基于边界的几何活动轮廓模型不同,基于区域的几何活动轮廓充分利用区域的全部信息,而不依赖边缘检测算子,因此具有对初始条件不敏感、对噪声不敏感等优点。2001年,Chan和Vese提出了一种简化 Mumford-Shah(MS)模型的分片常数(Pierce Constant,PC)模型,以两个灰度均值拟合描述目标和背景两个同质区域。Yezzi等也给出了类似的基于区域灰度均值的能量泛函定义.但是,PC模型只能用于目标和背景两个不同均值区域的图像,在实际应用中存在较大局限。
Tsai等和Vese等利用水平集函数描述和求解一般的Mumford-Shah模型,定义了分片光滑(Pierce Smooth,PS)模型,以两个光滑函数分别逼近目标和背景区域,PS模型以牺牲计算效率为代价,一定程度上克服了PC模型在异质图像分割的局限性。
还有一些研究人员试图将边界信息和区域信息有机地统一到活动轮廓模型中。Chen等将边界梯度信息引入到 PC 模型定义,提高了 PC 模型的边界定位能力和收敛速度。Zhu 和 Yuille提出的基于统计框架的区域竞争(Region ComPetition,RC)模型,利用概率知识将图像的局部和全局信息融合在一起。Paragios和Deriche在 RC 能量泛函的基础上增加了条件边界密度能量项,而曹宗杰等也利用类似的边界梯度能量项,从而进一步提高了RC模型的边界获取能力。
Sumengen等将图划分最小割集准则转化为能量泛函,并用水平集函数模拟能量最小化过程,提出了图划分活动轮廓(Graph Partition Active Contour,GPAC)模型。事实上,GPAC模型是一个统一的变分水平集框架模型,它可以利用图像的不同特征信息、定义成对相似性测度,从而满足各类图像的分割要求.同时,GPAC模型也存在计算量大、曲线演化缓慢等问题。
另一方面,研究人员也尝试将图像多特征信息或者先验知识融入到几何活动轮廓模型中,进一步提高模型在特定应用领域的分割质量。Cremers等给出了融合颜色、纹理、运动和形状的统计模型框架。
Li等和Chen等将LBF模型思想应用于MRI图像分割和偏差场纠正。Yuan等提出了窄带图划分活动轮廓模型,用于显微镜图像的皮损部位提取。Ayed等研究了SAR图像相干斑噪声分布的特点,结合几何活动轮廓统计模型框架,提出了基于Gamma分布的几何活动轮廓SAR分割模型。Silveira等利用对数正态密度的有限混合定义几何活动轮廓模型的能量泛函,从而实现遥感图像的水陆分离。
同时,国内也有大量学者对几何活动轮廓模型进行了应用研究。朱付平等结合分水岭(Watershed)过分割和Fast Marching方法实现了医学图像快速有效分割。刘军伟研究了参数自动调节的LBF模型,提供了一种自适应的CT图像肺部树状纹理提取方法。梅雪等提出了一种基于图像全局信息并且无需重新初始化的几何活动轮廓模型,有效应用于红外图像的分割。曹宗杰等研究了融合边界和区域信息的活动轮廓SAR图像分割模型。杨耘等提出的基于多水平集演化的高分辨率遥感影像分割模型,可以避免高分辨率遥感图像分割中尺度选择不当造成的过分割问题。
发明内容
本发明的目的是要解决现有方法存在的算法复杂、效率低,以及分割结果的精确度低的技术问题,而提供一种基于主动轮廓模型的肝脏DTI图像分割的方法。
本发明包括以下步骤:
(一)、数据的采集:把原来的图像载入计算机中,图片的格式将转换成二进制格式的数据,并且可以同时显示多种数据格式;把这些数据进行采集转换存储,为以后的图像处理打下基础。
(二)、肝脏DTI图像的预处理:
1、图像配准
由于图像的拍摄时间和外部客观条件的差异,每个图像都有自己的适用范围和局限性,多种模式下的图像配准能充分发挥图像本身的特点和信息互补,它是图像融合的基础和前提;
2、图像融合
将多源信道所采集到的关于同一目标的图像经过图像处理,提取各自信道的信息,最后综合成同一图像以供观察或进一步处理;
(三)、肝脏DTI图像边缘检测
使用主动轮廓模型算法对采集肝脏DTI图像的边缘进行检测,并与初始设定的阈值进行比较,若满足条件则进行输出,不满足条件,则返回再进行处理;
(1)、使用活动轮廓模型算法动态控制肝脏DTI图像分割的控制参数,克服采取传统的静态控制参数策略引起的多样性和收敛性不均衡问题;
(2)、使用活动轮廓模型算法进行多点搜索,减少陷入局部最优的风险;
(3)、找到适合肝脏DTI图像分割使用的适应度函数来指导搜索,减少对其它条件的依赖性;
(4)、将成像条件等环境变量引入肝脏DTI图像分割过程,采用轮廓模型算法在由分割参数组成的多维空间进行高效搜索,找到最优的分割参数集。
(四)、结合活动轮廓CV模型进行肝脏DTI图像分割
通过CV模型对肝脏DTI图像进行分割,通过比较可以看到这种方法得到的分割结果更好;
(1)、使用仿生优化算法控制参数,减小噪音对肝脏DTI图像分割活动轮廓的影响;
(2)、通过仿生优化算法进行的多点搜索的结果,改进肝脏DTI图像分割活动轮廓模型的能量函数;
(3)、仿生优化算法找到合适的搜索可以提高肝脏DTI图像分割活动轮廓模型的数值实现效率;
(4)、将第一阶段搜索的最优分割参数传递给CV模型进行图像分割,然后经过少数几次的迭代,轮廓就能很好的收敛到目标的边界,也从而提高了分割的精确性。
本发明的创新之处是:
(1)、提出图像特征放大的概念,实现对图像特征有选择的放大。
(2)、解决脑白质图像分割的关键问题,利用图像梯度特征放大,重建脑白质图像边缘,在此基础上研究图像分割算法。
(3)、建立客观的DTI图像分割评价标准,提出融合不同手工分割轮廓为最佳分割标准。以是否提高同一区域图像特征的一致性和改变相邻区域图像特征之间的差异性,使医生能够准确地从图像中提取出信息,并与其它医学图像对比符合率,来客观评价分割结果。
本发明有益效果是:
虽然仿生优化算法与活动轮廓模型的方法是两种不同的理论,但是二者的优缺点存在着许多互补之处。一方面,本发明利用仿生优化算法在由分割参数组成的多维空间进行高效搜索,找到最优的分割参数集,不仅能够避免由于活动轮廓模型对噪声***来的问题,还能够极大的减小活动轮廓模型的计算复杂度,从而提高算法的效率;另一方面,本发明通过活动轮廓模型与仿生优化算法的结合,能够对结果轮廓进行快速的平滑,从而提高分割结果的精确度。因此,将二者结合,能够有效的利用两种算法的优点,弥补对方的缺点,相得益彰。
具体实施方式
本发明包括以下步骤:
(一)、数据的采集:把原来的图像载入计算机中,图片的格式将转换成二进制格式的数据,并且可以同时显示多种数据格式;把这些数据进行采集转换存储,为以后的图像处理打下基础。
(二)、肝脏DTI图像的预处理:
1、图像配准
由于图像的拍摄时间和外部客观条件的差异,每个图像都有自己的适用范围和局限性,多种模式下的图像配准能充分发挥图像本身的特点和信息互补,它是图像融合的基础和前提;
2、图像融合
将多源信道所采集到的关于同一目标的图像经过图像处理,提取各自信道的信息,最后综合成同一图像以供观察或进一步处理;
(三)、肝脏DTI图像边缘检测:
使用仿生优化算法对采集肝脏DTI图像的边缘进行检测,并与初始设定的阈值进行比较,若满足条件则进行输出,不满足条件,则返回再进行处理;
(1)、使用仿生优化算法动态控制肝脏DTI图像分割的控制参数,克服采取传统的静态控制参数策略引起的多样性和收敛性不均衡问题;
(2)、使用仿生优化算法进行多点搜索,减少陷入局部最优的风险;
(3)、找到适合肝脏DTI图像分割使用的适应度函数来指导搜索,减少对其它条件的依赖性;
(4)、将成像条件等环境变量引入肝脏DTI图像分割过程,采用仿生优化算法在由分割参数组成的多维空间进行高效搜索,找到最优的分割参数集。
(四)、结合活动轮廓CV模型进行肝脏DTI图像分割:
通过CV模型对肝脏DTI图像进行分割,通过比较可以看到这种方法得到的分割结果更好;
(1)、使用仿生优化算法控制参数,减小噪音对肝脏DTI图像分割活动轮廓的影响;
(2)、通过仿生优化算法进行的多点搜索的结果,改进肝脏DTI图像分割活动轮廓模型的能量函数;
(3)、仿生优化算法找到合适的搜索可以提高肝脏DTI图像分割活动轮廓模型的数值实现效率;
(4)、将第一阶段搜索的最优分割参数传递给CV模型进行图像分割,然后经过少数几次的迭代,轮廓就能很好的收敛到目标的边界,也从而提高了分割的精确性。
Claims (1)
1.一种基于主动轮廓模型的肝脏DTI图像分割的方法,该方法包括以下步骤:
(一)、数据的采集:把原来的图像载入计算机中,图片的格式将转换成二进制格式的数据,并且可以同时显示多种数据格式;把这些数据进行采集转换存储,为以后的图像处理打下基础;
(二)、肝脏DTI图像的预处理:
1、图像配准
由于图像的拍摄时间和外部客观条件的差异,每个图像都有自己的适用范围和局限性,多种模式下的图像配准能充分发挥图像本身的特点和信息互补,它是图像融合的基础和前提;
2、图像融合
将多源信道所采集到的关于同一目标的图像经过图像处理,提取各自信道的信息,最后综合成同一图像以供观察或进一步处理;
(三)、肝脏DTI图像边缘检测:
使用仿生优化算法对采集肝脏DTI图像的边缘进行检测,并与初始设定的阈值进行比较,若满足条件则进行输出,不满足条件,则返回再进行处理;
(1)、使用仿生优化算法动态控制肝脏DTI图像分割的控制参数,克服采取传统的静态控制参数策略引起的多样性和收敛性不均衡问题;
(2)、使用仿生优化算法进行多点搜索,减少陷入局部最优的风险;
(3)、找到适合肝脏DTI图像分割使用的适应度函数来指导搜索,减少对其它条件的依赖性;
(4)、将成像条件等环境变量引入肝脏DTI图像分割过程,采用仿生优化算法在由分割参数组成的多维空间进行高效搜索,找到最优的分割参数集;
(四)、结合活动轮廓CV模型进行肝脏DTI图像分割:
通过CV模型对肝脏DTI图像进行分割;
(1)、使用仿生优化算法控制参数,减小噪音对肝脏DTI图像分割活动轮廓的影响;
(2)、通过仿生优化算法进行的多点搜索的结果,改进肝脏DTI图像分割活动轮廓模型的能量函数;
(3)、仿生优化算法找到合适的搜索可以提高肝脏DTI图像分割活动轮廓模型的数值实现效率;
(4)、将第一阶段搜索的最优分割参数传递给CV模型进行图像分割,然后经过少数几次的迭代,轮廓就能很好的收敛到目标的边界,也从而提高了分割的精确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410672708.1A CN104361597A (zh) | 2014-11-23 | 2014-11-23 | 基于主动轮廓模型的肝脏dti图像分割的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410672708.1A CN104361597A (zh) | 2014-11-23 | 2014-11-23 | 基于主动轮廓模型的肝脏dti图像分割的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104361597A true CN104361597A (zh) | 2015-02-18 |
Family
ID=52528855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410672708.1A Pending CN104361597A (zh) | 2014-11-23 | 2014-11-23 | 基于主动轮廓模型的肝脏dti图像分割的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104361597A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898012A (zh) * | 2017-01-19 | 2017-06-27 | 浙江大学 | Ct图像胸腔轮廓自动化检测方法 |
CN109741439A (zh) * | 2018-12-07 | 2019-05-10 | 广州医科大学 | 一种二维mri胎儿图像的三维重建方法 |
CN113177952A (zh) * | 2021-04-27 | 2021-07-27 | 湖南科技大学 | 基于方向信息的腹部ct图像肝脏区域自动分割方法 |
US20220276206A1 (en) * | 2019-07-10 | 2022-09-01 | Vibrant Corporation | Digital twin model inversion for testing |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1956007A (zh) * | 2005-10-24 | 2007-05-02 | 中国科学院自动化研究所 | 基于局部和全局区域不相似性度量的变分分割方法 |
CN103136759A (zh) * | 2013-03-26 | 2013-06-05 | 长春工业大学 | 基于仿生优化脑白质mri图像分割的方法 |
-
2014
- 2014-11-23 CN CN201410672708.1A patent/CN104361597A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1956007A (zh) * | 2005-10-24 | 2007-05-02 | 中国科学院自动化研究所 | 基于局部和全局区域不相似性度量的变分分割方法 |
CN103136759A (zh) * | 2013-03-26 | 2013-06-05 | 长春工业大学 | 基于仿生优化脑白质mri图像分割的方法 |
Non-Patent Citations (1)
Title |
---|
王晓年 等: "一种基于主动轮廓模型的蚁群图像分割算法", 《控制理论与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898012A (zh) * | 2017-01-19 | 2017-06-27 | 浙江大学 | Ct图像胸腔轮廓自动化检测方法 |
CN109741439A (zh) * | 2018-12-07 | 2019-05-10 | 广州医科大学 | 一种二维mri胎儿图像的三维重建方法 |
CN109741439B (zh) * | 2018-12-07 | 2023-12-15 | 广州医科大学 | 一种二维mri胎儿图像的三维重建方法 |
US20220276206A1 (en) * | 2019-07-10 | 2022-09-01 | Vibrant Corporation | Digital twin model inversion for testing |
US11499945B2 (en) * | 2019-07-10 | 2022-11-15 | Vibrant Corporation | Digital twin model inversion for testing |
CN113177952A (zh) * | 2021-04-27 | 2021-07-27 | 湖南科技大学 | 基于方向信息的腹部ct图像肝脏区域自动分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103325126B (zh) | 一种在尺度变化和遮挡情况下的视频目标跟踪方法 | |
Dong et al. | A combined fully convolutional networks and deformable model for automatic left ventricle segmentation based on 3D echocardiography | |
CN104361597A (zh) | 基于主动轮廓模型的肝脏dti图像分割的方法 | |
CN102542556B (zh) | 超声图像乳腺肿瘤自动提取方法 | |
CN104036524A (zh) | 一种改进sift算法的快速目标跟踪方法 | |
CN102609945B (zh) | 可见光和热红外图像序列自动配准方法 | |
CN101238987A (zh) | 一种关于ct脑出血图像的处理方法 | |
CN102542561A (zh) | 基于Fisher分布的活动轮廓SAR图像分割方法 | |
CN110363719A (zh) | 一种细胞分层图像处理方法及*** | |
Zhang et al. | Level set evolution driven by optimized area energy term for image segmentation | |
Baudin et al. | Automatic skeletal muscle segmentation through random walks and graph-based seed placement | |
CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
Jin et al. | A robust active contour model driven by fuzzy c-means energy for fast image segmentation | |
Chakraborty et al. | Firefly algorithm for optimized nonrigid demons registration | |
CN101964112A (zh) | 自适应的基于先验形状的图像分割方法 | |
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 | |
Wang et al. | Active contours driven by local gaussian distribution fitting energy based on local entropy | |
CN101430789B (zh) | 基于Fast Slant Stack变换的图像边缘检测方法 | |
Qian et al. | Medical image segmentation based on FCM and Level Set algorithm | |
Fang et al. | Supervoxel-based brain tumor segmentation with multimodal MRI images | |
Wang | An efficient and robust method for automatically identifying the left ventricular boundary in cine magnetic resonance images | |
Bai et al. | Automatic whole heart segmentation based on watershed and active contour model in CT images | |
CN103136759A (zh) | 基于仿生优化脑白质mri图像分割的方法 | |
Queirós et al. | Fast left ventricle tracking in CMR images using localized anatomical affine optical flow | |
Chen et al. | Interactive image segmentation based on object contour feature image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150218 |
|
WD01 | Invention patent application deemed withdrawn after publication |