CN104408398B - 一种肝脏边界的识别方法及*** - Google Patents

一种肝脏边界的识别方法及*** Download PDF

Info

Publication number
CN104408398B
CN104408398B CN201410564295.5A CN201410564295A CN104408398B CN 104408398 B CN104408398 B CN 104408398B CN 201410564295 A CN201410564295 A CN 201410564295A CN 104408398 B CN104408398 B CN 104408398B
Authority
CN
China
Prior art keywords
liver organization
liver
boundary
subregion
information
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.)
Active
Application number
CN201410564295.5A
Other languages
English (en)
Other versions
CN104408398A (zh
Inventor
邵金华
段后利
孙锦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Hisky Medical Technologies Co Ltd
Original Assignee
Wuxi Hisky Medical Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Hisky Medical Technologies Co Ltd filed Critical Wuxi Hisky Medical Technologies Co Ltd
Priority to CN201810489267.XA priority Critical patent/CN108765438B/zh
Priority to CN201410564295.5A priority patent/CN104408398B/zh
Publication of CN104408398A publication Critical patent/CN104408398A/zh
Priority to BR112017008006-0A priority patent/BR112017008006B1/pt
Priority to KR1020177006751A priority patent/KR101913977B1/ko
Priority to RU2017117302A priority patent/RU2707032C2/ru
Priority to RU2019131112A priority patent/RU2756779C2/ru
Priority to AU2015335555A priority patent/AU2015335555B2/en
Priority to ES15853412T priority patent/ES2965710T3/es
Priority to PCT/CN2015/081838 priority patent/WO2016062108A1/zh
Priority to EP15853412.3A priority patent/EP3211561B1/en
Priority to JP2017512989A priority patent/JP6735738B2/ja
Priority to PL15853412.3T priority patent/PL3211561T3/pl
Priority to KR1020187014057A priority patent/KR101894212B1/ko
Priority to EP23198911.2A priority patent/EP4276757A3/en
Priority to US15/487,032 priority patent/US10354390B2/en
Priority to AU2018206806A priority patent/AU2018206806B2/en
Priority to AU2018206807A priority patent/AU2018206807B9/en
Application granted granted Critical
Publication of CN104408398B publication Critical patent/CN104408398B/zh
Priority to US16/417,529 priority patent/US10748291B2/en
Priority to JP2020090392A priority patent/JP7016549B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0858—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving measuring tissue layers, e.g. skin, interfaces
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Pulmonology (AREA)
  • Optics & Photonics (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例涉及医学图像处理技术领域，尤其涉及一种肝脏边界的识别方法及***。该方法包括：获取待识别的肝脏组织信息；采用图像处理技术或信号处理技术根据所述肝脏组织信息对应的肝脏组织的特征及肝脏组织边界的特征，识别出所述肝脏组织信息中的肝脏组织边界；输出识别出的肝脏组织边界的位置信息。采用该方法能够自动地识别肝脏组织的边界，并且能够提高肝脏边界的识别效率，从而实现肝脏边界的自动定位。

Description

一种肝脏边界的识别方法及***
技术领域
本发明实施例涉及医学图像处理技术领域，尤其涉及一种肝脏边界的识别方法及***。
背景技术
很多临床应用上需要从包括超声成像、磁共振成像(MRI，Magnetic ResonanceImaging)、计算机断层扫描(CT，Computed Tomography)等在内的传统医学成像中识别出肝脏组织边界，以实现肝脏检查区域的定位，例如：肝脏弹性检测及肝脏彩色多普勒超声检查等。
目前，主要通过人为的方式来识别肝脏组织的边界。由于依据肝脏组织的信息，人为手动选择肝脏边界的方法，需要操作者对于肝脏组织结构和图像信息非常熟悉，才能准确的选择肝脏组织的边界，因此对于操作者要求高；同时，由于识别过程中通过人工进行识别，识别时间较长，从而导致肝脏边界的识别效率较低。
发明内容
本发明的目的是提出一种肝脏边界的识别方法及***，以提高肝脏边界的识别效率。
一方面，本发明提供了一种肝脏边界的识别方法，包括：
获取待识别的肝脏组织信息；
采用图像处理技术或信号处理技术根据所述肝脏组织信息对应的肝脏组织的特征及肝脏组织边界的特征，识别出所述肝脏组织信息中的肝脏组织边界；
输出识别出的肝脏组织边界的位置信息。
另一方面，本发明提供了一种肝脏边界的识别***，包括信息获取装置、肝脏边界识别装置和肝脏边界显示装置，其中，
所述信息获取装置，用于获取待识别的肝脏组织信息；
所述肝脏边界识别装置，用于采用图像处理技术或信号处理技术根据所述肝脏组织信息对应的肝脏组织的特征及肝脏组织边界的特征，识别出所述肝脏组织信息中的肝脏组织边界；所述肝脏边界显示装置，用于输出识别出的肝脏组织边界的位置信息。
本发明实施例中提供的肝脏边界的识别方法及***，能够高效的识别肝脏边界区域。本发明实施例中提供的肝脏边界的识别方法，获取待识别的肝脏组织信息之后，采用图像处理技术或信号处理技术根据肝脏组织及边界的信号特征，识别出所述肝脏组织边界。采用该方法能够自动地识别肝脏组织边界，并且能够提高肝脏组织边界的识别效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明实施例的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明第一实施例中提供的肝脏边界的识别方法的实现流程图；
图2是本发明第二实施例中提供的肝脏边界的识别方法的实现流程图；
图3是本发明第二实施例中的基于肝脏组织的M型超声信号的边界识别的效果图；
图4是本发明第三实施例中提供的肝脏边界的识别方法的实现流程图；
图5为本发明第三实施例中基于肝脏组织的B型超声图像的边界识别的效果图；
图6是本发明第四实施例中提供的肝脏边界的识别方法的实现流程图；
图7为本发明第四实施例中基于肝脏组织的CT图像的边界识别的效果图；
图8是本发明第五实施例中提供的肝脏边界的识别***的结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明实施例进行更加详细与完整的说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明实施例，而非对本发明实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部内容。
第一实施例：
图1是本发明第一实施例中提供的肝脏边界的识别方法的实现流程图，该方法可以由肝脏边界的识别***来执行。如图1所示，该实现流程包括：
步骤11、获取待识别的肝脏组织信息。
其中，所述肝脏组织信息可以为肝脏组织的A型超声信号、肝脏组织的M型超声信号、肝脏组织的B型超声图像，肝脏组织的CT图像或肝脏组织的MRI图像。
根据肝脏组织信息可以获取肝脏组织信息的类型，即肝脏组织信息的类型可以为超声信号，例如肝脏组织的A型超声信号和肝脏组织的M型超声信号，也可以为二维超声图像，例如肝脏组织的B型超声图像，还可以为三维图像，例如，肝脏组织的CT图像和肝脏组织的MRI图像。
步骤12、采用图像处理技术或信号处理技术根据所述肝脏组织信息对应的肝脏组织的特征及肝脏组织边界的特征，识别出所述肝脏组织信息中肝脏组织边界。
若所述肝脏组织信息为肝脏组织的超声信号，则采用信号处理技术根据所述肝脏组织的超声信号对应的肝脏组织的特征及肝脏组织边界的特征，识别出所述肝脏组织边界；若所述肝脏组织信息为二维超声图像或三维图像，则采用图像处理技术根据所述肝脏组织的二维超声图像或三维超声图像对应的肝脏组织的特征及肝脏组织边界的特征，识别出所述肝脏组织边界。
其中，若所述肝脏组织信息为肝脏组织的一维超声信号、肝脏组织的二维超声图像或肝脏组织的三维超声图像时，采用图像处理技术或信号处理技术根据所述肝脏组织信息对应的肝脏组织的特征及肝脏组织边界的特征，识别出所述肝脏组织信息中的肝脏组织边界，具体可以包括：将所述肝脏组织信息划分为多个检测子区域；计算每个检测子区域中肝脏组织信息的特征值，并根据检测子区域中肝脏组织信息的特征值确定所述肝脏组织边界。
步骤13、输出识别出的肝脏组织边界的位置信息。
其中，输出识别出的肝脏组织边界的位置信息，可以包括：输出识别出的肝脏组织边界的坐标位置；和/或显示识别出的肝脏组织边界的图像。即，在输出识别出的肝脏组织边界的位置信息时，可以只输出肝脏组织边界的坐标位置，也可以只显示肝脏组织边界的图像，还可以既输出肝脏组织边界的坐标位置，又显示肝脏组织边界的图像。
本发明第一实施例中提供的肝脏边界的识别方法，根据肝脏组织信息对应的肝脏组织的特征及肝脏组织边界的特征，能够自动且高效地识别出所述肝脏组织边界。其中，所述肝脏组织信息可以是反应肝脏组织一维结构信息的A型超声信号或者反应组织一维结构动态信息的M型超声信号，也可以是反应肝脏组织二维结构的B型超声图像，还可以是反应肝脏组织三维结构的CT或MRI图像。
第二实施例：
第二实施例是对本发明第一实施例中步骤12的具体优化，该方法适用于肝脏组织的一维超声信号。图2是本发明第二实施例中提供的肝脏边界的识别方法的实现流程图，图3是本发明第二实施例中的基于肝脏组织的M型超声信号的边界识别的效果图。结合图2和图3，该方法包括：
步骤21、将肝脏组织的一维超声信号划分为多个检测子区域Si。
所述肝脏组织的一维超声信号可以为肝脏组织的A型超声信号或肝脏组织的M型超声信号。假设一条超声信号包含n个采样点，其对应的肝脏组织的超声信号的扫描深度为d(单位：mm)，则每1mm深度包含n/d个点。将n个采样点划分为多段检测子区域Si，检测子区域Si对应的扫描深度为di，其中，i取整数。
例如，以z为间距将n个采样点等分为多段检测子区域Si，此时，z为检测子区域的区间长度，是取整运算。此时，每段检测子区域中分别包含[zn/d]个采样点。
步骤22、计算每个检测子区域Si中的肝脏组织的超声信号Ri的Nakagami分布值mi。
其中，Nakagami统计模型是超声组织定征技术的一种。具体的，依据如下公式，计算每个检测子区域Si内的肝脏组织的图像对应的超声信号Ri的Nakagami分布值mi，
其中，Nakagami分布的概率密度函数为：
其中，E(.)为均值函数，Γ(.)表示伽玛函数，Ω＝E[r2]，U(.)表示单位阶跃函数，r≥0，m≥0；
m值在(0,1)范围内时，肝脏组织的超声信号服从前瑞利(pre-Rayleigh)分布；m值等于1时，超声回波信号服从瑞利(Rayleigh分布)；m值大于1时，超声回波信号服从后瑞利(post-Rayleigh)分布。
步骤23、依据如下公式计算每个检测子区域Si的权重Wi，并将最大权重值对应的检测子区域确定为肝脏组织的边界区域：
其中，di为检测子区域Si对应的扫描深度，遍历每个检测子区域的权重Wi，选择出最大权重值对应的检测子区域，作为肝脏组织的边界区域，即完成肝脏组织边界的自动定位。
本发明第二实施例中提供的肝脏边界的识别方法，能够通过肝脏组织的A超或M超的超声信号，实现肝脏组织边界的实时自动定位。另外，由于本算法的复杂度低，因而具有较高的肝脏组织边界的识别效率，从而能够实现肝脏组织边界的实时自动定位。
第三实施例：
第三实施例是对本发明第一实施例中步骤12的具体优化，该方法适用于肝脏组织的二维超声图像。图4是本发明第三实施例中提供的肝脏边界的识别方法的实现流程图，图5为本发明第三实施例中基于肝脏组织的B型超声图像的边界识别的效果图。结合图4和图5，该方法包括：
步骤31、将所述肝脏组织的二维超声图像划分为多个矩形检测子区域Rkj。
所述肝脏组织的二维超声图像可以为肝脏组织的B型超声图像。假设一幅B超图像的大小为w*h，其中w为肝脏组织的二维超声图像的宽度，h为肝脏组织的二维超声图像的高度，w和h的单位均是像素)，对应的扫描深度为d(单位：mm)，则1mm深度包含h/d个像素点。将大小为w*h的B超图像划分为多个矩形检测子区域Rkj。
例如，以z为边长将大小为w*h的B超图像等分为多个正方形检测子区域Rkj，此时其中z为正方形检测子区域的边长。为向上取整运算。此时，每个正方形检测子区域Rkj的宽度和高度均为[zh/d]个像素。
步骤32、依据如下公式计算每个检测子区域Rkj的权重Wkj，并将最大权重值对应的检测子区域确定为肝脏组织的边界区域：
其中，Mkj为检测子区域Rkj中肝脏组织的二维超声图像的灰度均值，SDkj为检测子区域Rkj中肝脏组织的二维超声图像的灰度标准差，dkj为检测子区域Rkj对应的扫描深度，k＝imax/2。例如，当肝脏组织的二维超声图像被等分为边长为z的矩形区域时，
由于肝包膜区在B超图像上呈现为均匀一致的高回声，因此肝脏边界区的灰度均值较大；另外，由于肝包膜区域在B型超声图像上具有均匀一致性，故灰度标准差较小。为避免凸阵探头扫描时扇形B超图像两侧的黑色背景区域，从位于B超图像中线处的检测子区域中搜索，若检测子区域Rkl为一系列检测区域Rkj中权重最大的一个，则将该检测子区域Rkl确定为肝脏组织的边界。
第三实施例中提供的肝脏边界的识别方法，能够通过肝脏组织的B型超声的图像，实现肝脏组织边界的实时自动定位。由于本算法的复杂度低，因而具有较高的肝脏组织边界的识别效率，从而能够实现肝脏组织边界的实时自动定位。
第四实施例：
第四实施例是对本发明第一实施例中步骤13的具体优化，该方法适用于肝脏组织的三维图像。图6是本发明第四实施例中提供的肝脏边界的识别方法的实现流程图，图7为本发明第四实施例中基于肝脏组织的CT图像的边界识别的效果图。结合图6和图7，该方法包括：
步骤41、采用图像分割方法在所述肝脏组织的CT图像或所述肝脏组织的MRI图像中提取皮肤的二值图像和骨骼的二值图像。
首先，提取皮肤的二值图像。以图像坐标为(0,0)的像素为种子点，利用图像分割方法(如区域生长分割方法)提取皮肤的二值图像，其中空气的CT值对应的区域生长的准则是[-1024,-500]HU(Hounsfield unit，亨氏)。
其次，提取骨骼的二值图像，包括椎骨的二值图像和肋骨的二值图像。对整幅图像进行阈值范围为[350,1024]HU的阈值分割，提取出骨骼的二值图像。
步骤42、计算所述骨骼的二值图像的质心，并计算所述皮肤的二值图像上距离所述质心最近的点。
计算骨骼的二值图像的质心PC。由于因为肋骨一般沿椎骨左右对称，并且椎骨在骨骼图像中比重较大，因此骨骼图像的质心PC即为椎骨的质心PC。
以椎骨质心PC为起点，搜寻皮肤的二值图像上距离所述质心PC最近的点，记为PN。
步骤43、依据所述质心和距离所述质心最近的点，将所述肝脏组织的CT图像或MRI图像划分为四个象限。
利用质心PC和距离质心最近的点PN将CT图像划分为四个象限，即，将质心PC和距离质心最近的点PN这两个点所在的直线作为纵坐标轴，经过质心PC且与纵坐标轴垂直的直线作为横坐标轴。肝脏的大部分区域位于第二象限内。
步骤44、拟合第二象限内的各个肋骨点，得到肋骨拟合曲线。
以B样条曲线或皮肤曲线拟合第二象限内的肋骨各点，得到肋骨拟合曲线。
步骤45、将所述肋骨拟合曲线朝向第一象限移动预设值，作为边界曲线，且将所述边界曲线与所述肋骨拟合曲线之间的区域确定为肝脏组织的边界区域。
由于肋骨曲线接近于肝脏包膜，将肋骨曲线向内移动预设值，作为边界曲线，将边界曲线与肋骨拟合曲线之间的区域确定为肝脏组织的边界区域。
其中，所述预设值可以为5mm。
本发明第四实施例中提供的肝脏边界的识别方法，能够通过肝脏组织的CT图像或MRI图像，实现肝脏组织边界的实时自动定位。由于本算法的复杂度低，因而具有较高的肝脏组织边界的识别效率，从而能够实现肝脏组织边界的实时自动定位。
第五实施例：
图8是本发明第五实施例中提供的肝脏边界的识别***的结构示意图，如图8所示，本实施例所述的肝脏边界的识别***可以包括信息获取装置51、肝脏边界识别装置52和肝脏边界显示装置53，其中，所述信息获取装置51，用于获取待识别的肝脏组织信息；所述肝脏边界识别装置52，用于采用图像处理技术或信号处理技术根据所述肝脏组织信息对应的肝脏组织的特征及肝脏组织边界的特征，识别出所述肝脏组织信息中的肝脏组织边界；所述肝脏边界显示装置53，用于输出识别出的肝脏组织边界的位置信息。
其中，若所述肝脏组织信息为肝脏组织的一维超声信号、肝脏组织的二维超声图像或肝脏组织的三维超声图像，所述肝脏边界识别装置52可以包括：区域划分单元，用于将所述肝脏组织信息划分为多个检测子区域；边界确定单元，用于计算每个检测子区域中肝脏组织信息的特征值，并根据检测子区域中肝脏组织信息的特征值确定所述肝脏组织边界。
其中，若所述肝脏组织信息为肝脏组织的一维超声信号，所述边界确定单元可以包括：第一特征值计算子单元，用于计算每个检测子区域Si中的肝脏组织的一维超声信号Ri的Nakagami分布值mi；第一边界确定子单元，用于依据如下公式计算每个检测子区域Si的权重Wi，并将最大权重值对应的检测子区域确定为肝脏组织的边界区域：
其中，di为检测子区域Si对应的扫描深度。
其中，若所述肝脏组织信息为肝脏组织的二维超声图像，所述区域划分单元具体可以用于，将所述肝脏组织的二维超声图像划分为多个矩形检测子区域Rkj；所述边界确定单元具体可以用于，依据如下公式计算每个检测子区域Rkj的权重Wkj，并将最大权重值对应的检测子区域确定为肝脏组织的边界区域：
其中，Mkj为检测子区域Rkj中肝脏组织的二维超声图像的灰度均值，SDkj为检测子区域Rkj中肝脏组织的二维超声图像的灰度标准差，dkj为检测子区域Rkj对应的扫描深度，k＝imax/2。
其中，若所述肝脏组织信息为肝脏组织的CT图像或肝脏组织的MRI图像，所述肝脏边界识别装置52具体包括：二值图像获取单元，用于采用图像分割方法在所述肝脏组织的CT图像或所述肝脏组织的MRI图像中提取皮肤的二值图像和骨骼的二值图像；特征点确定单元，用于计算所述骨骼的二值图像的质心，并计算所述皮肤的二值图像上距离所述质心最近的点；图像划分单元，用于依据所述质心和距离所述质心最近的点，将所述肝脏组织的CT图像或MRI图像划分为四个象限；曲线拟合单元，用于拟合第二象限内的各个肋骨点，得到肋骨拟合曲线；边界区域确定单元，用于将所述肋骨拟合曲线朝向第一象限移动预设值，作为边界曲线，且将所述边界曲线与所述肋骨拟合曲线之间的区域确定为肝脏组织的边界区域。
其中，所述肝脏边界显示装置53可以包括：位置输出单元，用于输出识别出的肝脏组织边界的坐标位置；和/或图像显示单元，用于显示识别出的肝脏组织边界的图像。
本发明第五实施例中提供的肝脏边界的识别***，根据肝脏组织信息对应的肝脏组织边界特征，能够自动且高效地识别出所述肝脏组织边界。其中，所述肝脏组织信息可以是反应肝脏组织一维结构信息的A型超声信号或者反应组织一维结构的动态信息的M型超声图像或M型超声信号，也可以是反应组织二维结构的B型超声图像，还可以是反应肝脏组织三维结构的CT、或MRI图像。
上所述仅为本发明实施例的优选实施例，并不用于限制本发明实施例，对于本领域技术人员而言，本发明实施例可以有各种改动和变化。凡在本发明实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种肝脏边界的识别方法，其特征在于，包括：
获取待识别的肝脏组织信息，并将所述待识别的肝脏组织信息划分为多个区域，其中，所述多个区域为多个检测子区域；
采用图像处理技术或信号处理技术，根据所述多个区域中的所述肝脏组织信息对应的肝脏组织的特征及肝脏组织边界的特征，识别出所述肝脏组织信息中的肝脏组织边界，包括：计算每个检测子区域的权重，并将最大权重值对应的检测子区域确定为肝脏组织的边界区域；
输出识别出的肝脏组织边界的位置信息。
2.根据权利要求1所述的方法，其特征在于，若所述肝脏组织信息为肝脏组织的一维超声信号或肝脏组织的二维超声图像；
采用图像处理技术或信号处理技术根据所述肝脏组织信息对应的肝脏组织的特征及肝脏组织边界的特征，识别出所述肝脏组织信息中的肝脏组织边界，包括：
将所述肝脏组织信息划分为多个检测子区域；
计算每个检测子区域中肝脏组织信息的权重，并根据检测子区域中肝脏组织信息的权重确定所述肝脏组织边界。
3.根据权利要求2所述的方法，其特征在于，若所述肝脏组织信息为肝脏组织的一维超声信号，所述计算每个检测子区域中肝脏组织信息的权重，并根据检测子区域中肝脏组织信息的权重确定所述肝脏组织边界包括：
计算每个检测子区域Si中的肝脏组织的一维超声信号Ri的Nakagami分布值mi；
依据如下公式计算每个检测子区域Si的权重Wi，并将最大权重值对应的检测子区域确定为肝脏组织的边界区域：
其中，di为检测子区域Si对应的扫描深度。
4.根据权利要求2所述的方法，其特征在于，若所述肝脏组织信息为肝脏组织的二维超声图像，
所述将所述肝脏组织信息划分为多个检测子区域，包括：
将所述肝脏组织的二维超声图像划分为多个检测子区域Rkj，所述检测子区域Rkj为矩形；
所述计算每个矩形检测子区域中肝脏组织信息的权重，并根据矩形检测子区域中肝脏组织信息的权重确定所述肝脏组织边界包括：
依据如下公式计算每个检测子区域Rkj的权重Wkj，并将最大权重值对应的检测子区域确定为肝脏组织的边界区域：
其中，Mkj为检测子区域Rkj中肝脏组织的二维超声图像的灰度均值，SDkj为检测子区域Rkj中肝脏组织的二维超声图像的灰度标准差，dkj为检测子区域Rkj对应的扫描深度，k＝imax/2，imax为所述二维超声图像在宽度方向上划分的检测子区域个数的最大值。
5.根据权利要求1-4任一项所述的方法，其特征在于，输出识别出的肝脏组织边界的位置信息，包括：
输出识别出的肝脏组织边界的坐标位置；和/或
显示识别出的肝脏组织边界的图像。
6.一种肝脏边界的识别***，其特征在于，包括信息获取装置、肝脏边界识别装置和肝脏边界显示装置，其中，
所述信息获取装置，用于获取待识别的肝脏组织信息，并将所述待识别的肝脏组织信息划分为多个区域，其中，所述多个区域为多个检测子区域；
所述肝脏边界识别装置，用于采用图像处理技术或信号处理技术，根据所述多个区域中的所述肝脏组织信息对应的肝脏组织的特征及肝脏组织边界的特征，识别出所述肝脏组织信息中的肝脏组织边界，包括：计算每个检测子区域的权重，并将最大权重值对应的检测子区域确定为肝脏组织的边界区域；
所述肝脏边界显示装置，用于输出识别出的肝脏组织边界的位置信息。
7.根据权利要求6所述的***，其特征在于，若所述肝脏组织信息为肝脏组织的一维超声信号、肝脏组织的二维超声图像；
所述肝脏边界识别装置包括：
区域划分单元，用于将所述肝脏组织信息划分为多个检测子区域；
边界确定单元，用于计算每个检测子区域中肝脏组织信息的权重，并根据检测子区域中肝脏组织信息的权重确定所述肝脏组织边界。
8.根据权利要求7所述的***，其特征在于，若所述肝脏组织信息为肝脏组织的一维超声信号，所述边界确定单元包括：
第一特征值计算子单元，用于计算每个检测子区域Si中的肝脏组织的一维超声信号Ri的Nakagami分布值mi；
第一边界确定子单元，用于依据如下公式计算每个检测子区域Si的权重Wi，并将最大权重值对应的检测子区域确定为肝脏组织的边界区域：
其中，di为检测子区域Si对应的扫描深度。
9.根据权利要求7所述的***，其特征在于，若所述肝脏组织信息为肝脏组织的二维超声图像，
所述区域划分单元具体用于：将所述肝脏组织的二维超声图像划分为多个检测子区域Rkj，所述检测子区域Rkj为矩形；
所述边界确定单元具体用于：依据如下公式计算每个检测子区域Rkj的权重Wkj，并将最大权重值对应的检测子区域确定为肝脏组织的边界区域：
其中，Mkj为检测子区域Rkj中肝脏组织的二维超声图像的灰度均值，SDkj为检测子区域Rkj中肝脏组织的二维超声图像的灰度标准差，dkj为检测子区域Rkj对应的扫描深度，k＝imax/2，imax为所述二维超声图像在宽度方向上划分的检测子区域个数的最大值。
10.根据权利要求6-9任一项所述的***，其特征在于，所述肝脏边界显示装置包括：
位置输出单元，用于输出识别出的肝脏组织边界的坐标位置；和/或
图像显示单元，用于显示识别出的肝脏组织边界的图像。
CN201410564295.5A 2014-10-21 2014-10-21 一种肝脏边界的识别方法及*** Active CN104408398B (zh)

Priority Applications (19)

Application Number Priority Date Filing Date Title
CN201810489267.XA CN108765438B (zh) 2014-10-21 2014-10-21 一种肝脏边界的识别方法及***
CN201410564295.5A CN104408398B (zh) 2014-10-21 2014-10-21 一种肝脏边界的识别方法及***
JP2017512989A JP6735738B2 (ja) 2014-10-21 2015-08-10 肝臓境界の識別方法及びシステム
EP23198911.2A EP4276757A3 (en) 2014-10-21 2015-08-10 Liver boundary identification method, and system
RU2017117302A RU2707032C2 (ru) 2014-10-21 2015-08-10 Способ и система идентификации границы печени
RU2019131112A RU2756779C2 (ru) 2014-10-21 2015-08-10 Способ и система определения области границы печени
AU2015335555A AU2015335555B2 (en) 2014-10-21 2015-08-10 Liver boundary identification method, and system
ES15853412T ES2965710T3 (es) 2014-10-21 2015-08-10 Método y sistema de identificación del contorno hepático
PCT/CN2015/081838 WO2016062108A1 (zh) 2014-10-21 2015-08-10 一种肝脏边界的识别方法及***
EP15853412.3A EP3211561B1 (en) 2014-10-21 2015-08-10 Liver boundary identification method, and system
BR112017008006-0A BR112017008006B1 (pt) 2014-10-21 2015-08-10 Método e sistema de identificação de limite de fígado
PL15853412.3T PL3211561T3 (pl) 2014-10-21 2015-08-10 Sposób identyfikacji granicy wątroby oraz system
KR1020187014057A KR101894212B1 (ko) 2014-10-21 2015-08-10 간 경계 식별방법 및 시스템
KR1020177006751A KR101913977B1 (ko) 2014-10-21 2015-08-10 간 경계 식별방법 및 시스템
US15/487,032 US10354390B2 (en) 2014-10-21 2017-04-13 Liver boundary identification method and system
AU2018206806A AU2018206806B2 (en) 2014-10-21 2018-07-19 Liver boundary identification method and system
AU2018206807A AU2018206807B9 (en) 2014-10-21 2018-07-19 Liver boundary identification method and system
US16/417,529 US10748291B2 (en) 2014-10-21 2019-05-20 Liver boundary identification method and system
JP2020090392A JP7016549B2 (ja) 2014-10-21 2020-05-25 肝臓境界の識別方法及びシステム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410564295.5A CN104408398B (zh) 2014-10-21 2014-10-21 一种肝脏边界的识别方法及***

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201810489267.XA Division CN108765438B (zh) 2014-10-21 2014-10-21 一种肝脏边界的识别方法及***

Publications (2)

Publication Number Publication Date
CN104408398A CN104408398A (zh) 2015-03-11
CN104408398B true CN104408398B (zh) 2019-02-22

Family

ID=52646029

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201810489267.XA Active CN108765438B (zh) 2014-10-21 2014-10-21 一种肝脏边界的识别方法及***
CN201410564295.5A Active CN104408398B (zh) 2014-10-21 2014-10-21 一种肝脏边界的识别方法及***

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201810489267.XA Active CN108765438B (zh) 2014-10-21 2014-10-21 一种肝脏边界的识别方法及***

Country Status (11)

Country Link
US (2) US10354390B2 (zh)
EP (2) EP3211561B1 (zh)
JP (2) JP6735738B2 (zh)
KR (2) KR101913977B1 (zh)
CN (2) CN108765438B (zh)
AU (3) AU2015335555B2 (zh)
BR (1) BR112017008006B1 (zh)
ES (1) ES2965710T3 (zh)
PL (1) PL3211561T3 (zh)
RU (2) RU2707032C2 (zh)
WO (1) WO2016062108A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765438B (zh) 2014-10-21 2020-10-30 无锡海斯凯尔医学技术有限公司 一种肝脏边界的识别方法及***
CN105678746B (zh) * 2015-12-30 2018-04-03 上海联影医疗科技有限公司 一种医学图像中肝脏范围的定位方法及装置
CN112074237A (zh) * 2018-05-03 2020-12-11 皇家飞利浦有限公司 用于组织弹性监测和显示的剪切波幅值重建
WO2020012884A1 (ja) * 2018-07-13 2020-01-16 古野電気株式会社 超音波撮像装置、超音波撮像システム、超音波撮像方法および超音波撮像プログラム
CN110555833B (zh) * 2019-08-30 2023-03-21 联想(北京)有限公司 图像处理方法、装置、电子设备以及介质
CN110772281B (zh) * 2019-10-23 2022-03-22 哈尔滨工业大学（深圳） 基于改进射线追踪法的超声ct成像***
CN111161293B (zh) * 2019-11-25 2023-03-21 新绎健康科技有限公司 基于直角坐标空间确定gdv能量图像的轮廓的方法及***
CN112037234B (zh) * 2020-08-19 2022-09-30 大连理工大学 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法
CN112245006B (zh) * 2020-11-13 2022-03-04 范宁 一种基于三角模型的肝脏肿瘤手术方法及***
CN112614123A (zh) * 2020-12-29 2021-04-06 深圳开立生物医疗科技股份有限公司 一种超声图像识别方法及相关装置
CN114399493B (zh) * 2022-01-14 2024-06-11 汕头市超声仪器研究所股份有限公司 超声颅脑异常区域自动检测及显示方法
CN117653163A (zh) * 2023-12-05 2024-03-08 上海长征医院 一种肝脏图像采集处理的方法、***、计算机及终端

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101261732A (zh) * 2008-03-04 2008-09-10 浙江大学 多排螺旋ct影像中的自动分割肝脏区域的方法
CN103914710A (zh) * 2013-01-05 2014-07-09 北京三星通信技术研究有限公司 从图像中检测对象的设备和方法

Family Cites Families (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3109749B2 (ja) * 1991-04-17 2000-11-20 株式会社東芝 超音波映像化装置
JP3720839B2 (ja) * 1994-05-27 2005-11-30 フクダ電子株式会社 超音波診断装置
WO1997020193A1 (en) 1995-11-28 1997-06-05 Dornier Medical Systems, Inc. Method and system for non-invasive temperature mapping of tissue
US6370480B1 (en) 1999-05-21 2002-04-09 General Electric Company Quantitative analysis system and method for certifying ultrasound medical imaging equipment
US6925200B2 (en) 2000-11-22 2005-08-02 R2 Technology, Inc. Graphical user interface for display of anatomical information
JP3655830B2 (ja) * 2001-02-08 2005-06-02 アロカ株式会社 超音波診断装置
JP4907798B2 (ja) * 2001-08-24 2012-04-04 株式会社東芝 超音波診断装置
JP4105452B2 (ja) * 2002-03-04 2008-06-25 フクダ電子株式会社 超音波診断装置
US7819806B2 (en) * 2002-06-07 2010-10-26 Verathon Inc. System and method to identify and measure organ wall boundaries
CN1788284A (zh) * 2003-05-14 2006-06-14 西门子共同研究公司 对虚拟内窥镜检查进行快速自动中心线提取的方法和设备
CN101076724B (zh) * 2004-04-14 2012-11-14 美国医软科技公司 肝病诊断***，方法和图形用户界面
US7519209B2 (en) * 2004-06-23 2009-04-14 Vanderbilt University System and methods of organ segmentation and applications of same
JP4575738B2 (ja) * 2004-09-29 2010-11-04 富士フイルム株式会社 超音波画像境界抽出方法及び超音波画像境界抽出装置、並びに、超音波撮像装置
KR100747093B1 (ko) * 2005-01-12 2007-08-07 주식회사 메디슨 초음파 진단 영상을 이용한 대상체의 경계를 자동으로검출하는 방법 및 초음파 진단 시스템
JP4713921B2 (ja) * 2005-04-15 2011-06-29 株式会社東芝 超音波診断装置及び超音波信号処理プログラム
US7702153B2 (en) * 2005-10-07 2010-04-20 Siemens Medical Solutions Usa, Inc. Systems and methods for segmenting object of interest from medical image
US8300909B2 (en) 2006-05-19 2012-10-30 Hitachi Medical Corporation Ultrasonographic device and ultrasonographic method
JP5038304B2 (ja) 2006-06-06 2012-10-03 株式会社日立メディコ 超音波診断装置
WO2008063494A2 (en) * 2006-11-16 2008-05-29 Vanderbilt University Apparatus and methods of compensating for organ deformation, registration of internal structures to images, and applications of same
WO2008110013A1 (en) 2007-03-15 2008-09-18 Centre Hospitalier De L'universite De Montreal Image segmentation
DE102007028270B4 (de) 2007-06-15 2013-11-14 Siemens Aktiengesellschaft Verfahren zur Segmentierung von Bilddaten zur Erkennung einer Leber
EP2006803A1 (en) * 2007-06-19 2008-12-24 Agfa HealthCare NV Method of segmenting anatomic entities in 3D digital medical images
EP2208465A4 (en) * 2007-11-09 2014-12-10 Hitachi Medical Corp ULTRASOUND DEVICE, METHOD FOR CONTROLLING THE SAME, AND AN EPOGRAPHIC DIAGNOSTIC PROGRAM
CN101425186B (zh) * 2008-11-17 2012-03-28 华中科技大学 一种基于ct图像的肝脏分段方法及其***
CN101601585B (zh) * 2009-07-02 2011-01-12 厦门强本科技有限公司 基于ct增强扫描技术的肝脏分段体积测量方法
RU2407426C1 (ru) * 2009-07-30 2010-12-27 Государственное учреждение Московский областной научно-исследовательский клинический институт им. М.Ф. Владимирского (МОНИКИ им. М.Ф. Владимирского) Способ определения размеров и глубины залегания анатомо-морфологических структур в живой биологической ткани при ее обследовании с помощью оптико-когерентной томографии
JP5753794B2 (ja) 2010-01-07 2015-07-22 株式会社日立メディコ 医用画像診断装置と医用画像の輪郭抽出処理方法
JP5542454B2 (ja) * 2010-01-14 2014-07-09 株式会社東芝 超音波診断装置、超音波画像処理装置及び超音波画像処理プログラム
JP5599683B2 (ja) 2010-09-07 2014-10-01 株式会社日立メディコ 医用画像処理装置、医用画像処理方法
US9117259B2 (en) * 2010-09-22 2015-08-25 Siemens Aktiengesellschaft Method and system for liver lesion detection
WO2012117381A1 (en) 2011-03-03 2012-09-07 Koninklijke Philips Electronics N.V. System and method for automated initialization and registration of navigation system
CN102956035A (zh) * 2011-08-25 2013-03-06 深圳市蓝韵实业有限公司 用于乳腺x线图像中提取乳腺区域的预处理方法及***
KR20130080640A (ko) * 2012-01-05 2013-07-15 삼성메디슨 주식회사 초음파 영상 제공 방법 및 초음파 영상 제공 장치
JP5797124B2 (ja) * 2012-01-31 2015-10-21 富士フイルム株式会社 手術支援装置、手術支援方法および手術支援プログラム
JP5922465B2 (ja) * 2012-03-30 2016-05-24 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 磁気共鳴装置、ナビゲータ領域設定方法、およびプログラム
JP6235583B2 (ja) * 2012-07-11 2017-11-22 ユニバーシティー オブ ミシシッピ メディカル センター 画像獲得データから肝線維症を検出及びステージ決定する方法
KR102001219B1 (ko) * 2012-11-26 2019-07-17 삼성전자주식회사 의료 영상들의 정합 방법 및 장치
RU2015125701A (ru) 2012-11-30 2017-01-10 Конинклейке Филипс Н.В. Количественное определение шероховатости поверхности ткани на основе данных изображения и определение присутствия заболевания на их основе
CN105025803B (zh) * 2013-02-28 2018-02-23 皇家飞利浦有限公司 从多个三维视图对大对象的分割
CA2918260A1 (en) * 2013-07-17 2015-01-22 Hepatiq Llc Systems and methods for determining hepatic function from liver scans
CN108765438B (zh) * 2014-10-21 2020-10-30 无锡海斯凯尔医学技术有限公司 一种肝脏边界的识别方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101261732A (zh) * 2008-03-04 2008-09-10 浙江大学 多排螺旋ct影像中的自动分割肝脏区域的方法
CN103914710A (zh) * 2013-01-05 2014-07-09 北京三星通信技术研究有限公司 从图像中检测对象的设备和方法

Also Published As

Publication number Publication date
AU2018206806B2 (en) 2019-08-29
JP2017532996A (ja) 2017-11-09
US20170221215A1 (en) 2017-08-03
EP3211561B1 (en) 2023-11-01
RU2707032C2 (ru) 2019-11-21
RU2019131112A3 (zh) 2020-04-02
RU2017117302A3 (zh) 2018-11-20
JP7016549B2 (ja) 2022-02-07
CN104408398A (zh) 2015-03-11
PL3211561T3 (pl) 2024-02-12
US10354390B2 (en) 2019-07-16
RU2756779C2 (ru) 2021-10-05
US10748291B2 (en) 2020-08-18
AU2015335555A1 (en) 2017-05-11
RU2019131112A (ru) 2019-10-25
AU2018206807B2 (en) 2019-09-26
KR20180058228A (ko) 2018-05-31
ES2965710T3 (es) 2024-04-16
BR112017008006B1 (pt) 2022-12-13
CN108765438A (zh) 2018-11-06
US20190272644A1 (en) 2019-09-05
AU2015335555B2 (en) 2018-04-26
EP3211561C0 (en) 2023-11-01
AU2018206807B9 (en) 2020-01-23
JP2020127831A (ja) 2020-08-27
CN108765438B (zh) 2020-10-30
RU2017117302A (ru) 2018-11-20
KR101894212B1 (ko) 2018-08-31
EP4276757A2 (en) 2023-11-15
AU2018206807A1 (en) 2018-08-09
JP6735738B2 (ja) 2020-08-05
WO2016062108A1 (zh) 2016-04-28
EP3211561A1 (en) 2017-08-30
BR112017008006A2 (zh) 2018-06-19
EP3211561A4 (en) 2018-10-10
EP4276757A3 (en) 2024-02-28
AU2018206806A1 (en) 2018-08-09
KR101913977B1 (ko) 2018-10-31
KR20170042677A (ko) 2017-04-19

Similar Documents

Publication Publication Date Title
CN104408398B (zh) 一种肝脏边界的识别方法及***
CN104398272B (zh) 选择检测区域的方法及装置及弹性检测***
CN110338841B (zh) 三维成像数据的显示处理方法和三维超声成像方法及***
CN106725593B (zh) 超声三维胎儿面部轮廓图像处理方法***
WO2018219818A1 (en) Quantified aspects of lesions in medical images
CN204379311U (zh) 一种选择检测区域的装置及弹性检测***
CN111513765B (zh) 呼吸肌组织的超声测量方法、超声测量装置及存储介质
JP2021053200A (ja) 超音波診断装置、超音波診断方法および超音波診断プログラム
Cosío et al. Mammographic image analysis and computer assisted biopsy of breast tumors

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant