CN105427325A - 基于随机森林和单调下降函数的肺肿瘤的自动分割方法 - Google Patents
基于随机森林和单调下降函数的肺肿瘤的自动分割方法 Download PDFInfo
- Publication number
- CN105427325A CN105427325A CN201510890132.0A CN201510890132A CN105427325A CN 105427325 A CN105427325 A CN 105427325A CN 201510890132 A CN201510890132 A CN 201510890132A CN 105427325 A CN105427325 A CN 105427325A
- Authority
- CN
- China
- Prior art keywords
- tumour
- image
- decreasing function
- monotonically decreasing
- random forest
- 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
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/30061—Lung
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于随机森林和单调下降函数的肺肿瘤的自动分割方法,先利用肿瘤在PET图像上的亮度变化特征得到肺肿瘤的初始位置,然后通过特征提取来充分利用肿瘤在PET图像的新陈代谢信息和CT图像的解剖信息,最后通过随机森林算法实现肿瘤精确地分割。本发明提供的一种基于随机森林和单调下降函数的肺肿瘤的自动分割方法,可自动精确确定肺肿瘤的位置和大小,以达到在临床上协助医生对肺肿瘤的治疗,无需人为介入即可达到更快速和更精确的全自动分割肺肿瘤。
Description
技术领域
本发明涉及一种基于随机森林和单调下降函数的肺肿瘤的自动分割方法,尤其涉及一种利用随机森林和单调下降函数方法对肺部肿瘤进行全自动分割的方法,属于生物医学影像处理技术领域。
背景技术
肿瘤是指机体在各种致瘤因子作用下,局部组织细胞增生所形成的新生物。根据新生物的细胞特性及对机体的危害性程度,又将肿瘤分为良性肿瘤和恶性肿瘤两大类,而癌症即为恶性肿瘤的总称。
肺肿瘤是常见的恶性肿瘤之一,近几十年肺癌的发病率和死亡率都有明显增高的趋势。肺癌的早期诊断是提高治疗效果的有效途径,在医学影像学当中,图像精确的分割和定位的发展,为肺癌的早期诊断和精确治疗提供了有利条件。
PET和CT作为定量的分子和结构成像技术,已经被广泛应用在肺肿瘤的治疗方案中。目前,国内外的许多专家和学者已经提出并使用了很多种方法来对肺肿瘤进行分割,例如阈值分割,区域生长和基于图割的算法。但是这些算法不是采用了单一模态,无法提供跟精确的分割结果,就是需要人机交互,无法实现全自动的分割方法,例如基于图割的算法需要人为的标定图割的种子点。
本发明使用单调下降函数(Downhill)确定肺肿瘤的初步位置,然后使用随机森林(RandomForest)算法完成精确的分割。通过提取不同的特征值,充分利用了肺肿瘤在PET图像上的新陈代谢信息和在CT图像上的纹理信息,无需人为介入即可达到更快速和更精确的全自动分割。
发明内容
本发明所要解决的技术问题是,提供一种自动精确确定肺肿瘤的位置和大小,以达到在临床上协助医生对肺肿瘤的治疗的基于随机森林和单调下降函数的肺肿瘤的自动分割方法。
为解决上述技术问题,本发明采用的技术方案为:
基于随机森林和单调下降函数的肺肿瘤的自动分割方法,其特征在于,包括以下步骤:
S01,对肺肿瘤病人进行扫描,得PET图像和CT图像;
S02,对PET图像进行上采样,并且对PET图像和CT图像进行仿射配准,使得PET图像和CT图像上的像素点的位置一一对应;
S03,对PET图像和CT图像用滤波器滤波,平滑图像;
S04,用阈值分割的方法在PET图像上进行分割,初步得到连通区域;用数字形态学的开运算,将所述连通区域周边的杂点去掉;
S05,根据单调下降函数的特性,在所述连通区域排除其他器官的干扰,初步得到肺肿瘤的位置;
S06,在PET图像和CT图像上进行特征提取;
S07,用随机森林的算法对肺肿瘤进行分割。
S03中所述平滑图像的标准为保持PET图像和CT图像中肿瘤病灶边界的信息即可。
S06中所述特征提取包括肿瘤在PET图像的新陈代谢信息和CT图像的解剖信息。
所述PET图像中包括肿瘤亮度的单调下降特征、肿瘤位置信息、肿瘤边界的梯度信息和标准化摄取值的分布信息。
所述CT图像中包括肿瘤边界的梯度信息和人体结构信息。
S02中所述上采样为线性上采样。
在PET图像上,先获得最大的所述标准化摄取值,然后用最大的所述标准化摄取值的45%作为阈值,得到很多所述连通区域和一些高亮的杂点,所述连通区域包括肿瘤高亮区域、肿瘤相邻器官高亮区域和脊椎高亮区域。
所述单调下降函数的公式为:
式(1)中,vi和vj代表连通区域中的两个不同的体素;vmax代表此连通区域中体素最大的灰度值;Xv代表体素v的位置;||·||代表欧氏距离;SUV代表标准化摄取值;SUV(vi)代表vi这个体素的标准化摄取值;SUV(vj)代表vj这个体素的标准化摄取值;RD代表满足单调下降函数得到的连通区域;
将连通区域中的vmax作为区域生长的种子点,将满足单调下降函数的区域进行26邻域的区域生长;生长后,如果vi和vmax之间的欧氏距离≥vj和vmax之间的欧氏距离,同时vi的标准化摄取值≤vj的标准化摄取值,那么该连通区域为肿瘤高亮区域,即肿瘤区;如果不满足上述条件,则该连通区域为肿瘤相邻器官高亮区域和/或脊椎高亮区域,即非肿瘤区。
所述肿瘤区若包括一些区域坏死肿瘤或者是囊性改变肿瘤,则会出现高灰度值的肿瘤包围着像素值低的区域,因此,在区域生长之后,所述区域坏死肿瘤或者是囊性改变肿瘤的肿瘤生长区域为不均匀状态,肿瘤区中间部位会出现一些空孔洞,此时,则使用数字形态学中的闭运算,去填补这些空孔洞。
本发明的技术方案是提供一种针对人体PET、CT影像中肺肿瘤的自动检测的方法,该方法利用单调下降函数,先确定肿瘤的粗略位置,然后通过提取PET和CT上的特征,在随机森林分类器中进行精确的分割。该方法为肺肿瘤的分割提供了一种速度更快,更鲁棒的方法。该方法主要包括以下步骤:1、对PET图像进行上采样,并且对PET和CT图像进行仿射配准(AffineRegistration),使得PET和CT图像上的点的位置一一对应;2、对提取的医学影像,标定金标准:在经验丰富的肿瘤医生的监督指导下,利用ITK-SNAP软件,对肿瘤区域进行标定;3、对PET和CT图像用滤波器滤波,平滑图像,但是保持边界的信息;4、用阈值分割的方法在PET图像上进行分割,得到最初的连通区域;用数字形态学的开运算,将得到的连通区域周边的杂点去掉;5、根据单调下降函数的特性,排除心脏和肝脏等器官的干扰,得到最初肿瘤的位置;6、在PET和CT图像上进行特征提取;7、用在随机森林的算法对肿瘤进行分割,将分割的结果与金标准进行比较,使用衡量准则量化检测结果。
本方法的优点是结合肺肿瘤在PET图像上的新陈代谢信息和CT图像上的解剖信息,利用PET图像上肿瘤亮度的单调下降特征、位置信息、边界的梯度信息和PET图像的标准化摄取值(SUVs,Standarduptakevalues)的分布信息以及CT提供的人体结构信息,通过随机森林(RandomForest)算法,自动分割肿瘤,使得分割的肿瘤更为准确,为今后肿瘤的治疗打下基础。
本发明提供的一种基于随机森林和单调下降函数的肺肿瘤的自动分割方法,先利用肺肿瘤在PET图像上的亮度变化特征(单调下降)得到肿瘤的初始位置,然后通过特征提取来充分利用肿瘤在PET图像的新陈代谢信息和CT图像的解剖信息,最后通过随机森林算法实现肺肿瘤精确地分割。
说明书附图
图1为本发明的PET图像和CT图像;a为PET图像,b为与a相对应的CT图像;
图2为本发明的流程图;
图3为本发明和现有的IGC、RG40和RG50分割算法的DSC系数对比图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示,本发明的肺肿瘤分割方法首先进行PET、CT图像数据的采集,通过对PET图像进行上采样,以及对PET和CT图像进行仿射配准,使PET和CT图像上的像素点一一对应。在临床肿瘤学家的帮助和监督下获得肿瘤的金标准。先通过阈值分割的方法和单调下降(Downhill)函数初步确定肿瘤的位置,然后在PET和CT图像上进行特征提取,最后利用随机森林(Randomforest)的算法整合分析提取的PET和CT图像上的信息,对肺肿瘤区域进行测试和分割,得出最后的检测结果。
本发明是在苏州大学附属第一医院的赞助下,获取患有非小细胞肺癌的病人数据,肺肿瘤的分割原理主要利用了PET、CT图像上信息的提取和融合,利用随机森林(Randomforest)这一算法进行计算、分析。
以下结合附图2所示的算法原理图,详细说明本方法的具体实施方式。
1、本方法对获取到的PET图像进行线性上采样,并对PET、CT图像进行仿射配准;在临床肿瘤专家的指导下,确定肿瘤的金标准。
2、连通区域的获得:在PET图像上,先获得最大的SUV值,然后用最大SUV值的45%作为阈值,得到很多连通区域,包括肿瘤,心脏,肝脏和脊椎等高亮区域。由于在原图像上还存在一些噪声或者微小的区域,所以阈值分割的结果会有一些杂点,我们用数字形态学里面的开运算(Openingoperation)将这些杂点去除。
3、区域生长,肿瘤位置的确定:均匀的肿瘤满足单调下降函数的性质。而心脏和肝脏等组织器官却不满足单调下降函数的性质。
公式中vi和vj代表连通区域中的两个不同的体素,vmax代表此连通区域中体素最大的灰度值,Xv代表体素v的位置。||·||是欧氏距离。
我们将连通区域中的最大灰度的像素值作为区域生长的种子点,将满足单调下降函数的区域进行26邻域的区域生长。像心脏和肝脏和脊椎这样不满足单调下降函数性质的区域将不会生长出来,或者生长出来的区域只有一小部分。最后肿瘤的大***置就会被确定下来。
4、在一些情况下,肿瘤并不是严格的满足单调下降函数的性质。因为其中可能包括一些区域坏死或者是囊性改变。这样的话就会出现高灰度值的肿瘤包围着像素值低的区域。因此,在区域生长之后,在那些不均匀的肿瘤生长区域中,中间部位会出现一些的空孔洞,此时,我们使用数字形态学中的闭运算,去填补这些出现的孔洞。
5、肿瘤的精确分割:在初步确定肺肿瘤的位置之后,肿瘤的边界分割的结果还是不够精确。这时我们使用随机森林这个快速又精确地算法来进行最后的分割。开始,19个特征分别从PET和CT图像上进行提取,这样即利用了PET图像上高对比度的信息又利用了CT图像上肿瘤的解剖信息。最后使用随机森林算法进行分割,得到最后结果并进行数据分析。
6、本实验采用苏州大学附属第一医院提供的肿瘤数据,我们选取了24个可用的病人数据,并采用DSC系数来衡量肿瘤分割的结果。DSC系数用来反映分割的肿瘤结果与金标准区域的重合度。这24个数据的定量分析和其它分割方法,例如改进的图割(IGC,ImproveGraphcut),40%的阈值的区域生长(RG40)和50%的阈值的区域生长(RG50)方法进行比较,结果如图3所示。
DSC系数(DiceSimilarityCoefficient):
U1、U2分别为分割的结果和金标准。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.基于随机森林和单调下降函数的肺肿瘤的自动分割方法,其特征在于,包括以下步骤:
S01,对肺肿瘤病人进行扫描,得PET图像和CT图像;
S02,对PET图像进行上采样,并且对PET图像和CT图像进行仿射配准,使得PET图像和CT图像上的像素点的位置一一对应;
S03,对PET图像和CT图像用滤波器滤波,平滑图像;
S04,用阈值分割的方法在PET图像上进行分割,初步得到连通区域;用数字形态学的开运算,将所述连通区域周边的杂点去掉;
S05,根据单调下降函数的特性,在所述连通区域排除其他器官的干扰,初步得到肺肿瘤的位置;
S06,在PET图像和CT图像上进行特征提取;
S07,用随机森林的算法对肺肿瘤进行分割。
2.根据权利要求1所述的基于随机森林和单调下降函数的肺肿瘤的自动分割方法,其特征在于:S03中所述平滑图像的标准为保持PET图像和CT图像中肿瘤病灶边界的信息即可。
3.根据权利要求1所述的基于随机森林和单调下降函数的肺肿瘤的自动分割方法,其特征在于:S06中所述特征提取包括肿瘤在PET图像的新陈代谢信息和CT图像的解剖信息。
4.根据权利要求1所述的基于随机森林和单调下降函数的肺肿瘤的自动分割方法,其特征在于:所述PET图像中包括肿瘤亮度的单调下降特征、肿瘤位置信息和标准化摄取值的分布信息。
5.根据权利要求1所述的基于随机森林和单调下降函数的肺肿瘤的自动分割方法,其特征在于:所述CT图像中包括肿瘤边界的梯度信息和人体结构信息。
6.根据权利要求1所述的基于随机森林和单调下降函数的肺肿瘤的自动分割方法,其特征在于:S02中所述上采样为线性上采样。
7.根据权利要求4所述的基于随机森林和单调下降函数的肺肿瘤的自动分割方法,其特征在于:在PET图像上,先获得最大的所述标准化摄取值,然后用最大的所述标准化摄取值的45%作为阈值,得到很多所述连通区域和一些高亮的杂点,所述连通区域包括肿瘤高亮区域、肿瘤相邻器官高亮区域和脊椎高亮区域。
8.根据权利要求7所述的基于随机森林和单调下降函数的肺肿瘤的自动分割方法,其特征在于:所述单调下降函数的公式为:
式(1)中,vi和vj代表连通区域中的两个不同的体素;vmax代表此连通区域中体素最大的灰度值;Xv代表体素v的位置;||·||代表欧氏距离;SUV代表标准化摄取值;SUV(vi)代表vi这个体素的标准化摄取值;SUV(vj)代表vj这个体素的标准化摄取值;RD代表满足单调下降函数得到的连通区域;
将连通区域中的vmax作为区域生长的种子点,将满足单调下降函数的区域进行26邻域的区域生长;生长后,如果vi和vmax之间的欧氏距离≥vj和vmax之间的欧氏距离,同时vi的标准化摄取值≤vj的标准化摄取值,那么该连通区域为肿瘤高亮区域,即肿瘤区;如果不满足上述条件,则该连通区域为肿瘤相邻器官高亮区域和/或脊椎高亮区域,即非肿瘤区。
9.根据权利要求8所述的基于随机森林和单调下降函数的肺肿瘤的自动分割方法,其特征在于:所述肿瘤区若包括一些区域坏死肿瘤或者是囊性改变肿瘤,则会出现高灰度值的肿瘤包围着像素值低的区域,因此,在区域生长之后,所述区域坏死肿瘤或者是囊性改变肿瘤的肿瘤生长区域为不均匀状态,肿瘤区中间部位会出现一些空孔洞,此时,则使用数字形态学中的闭运算,去填补这些空孔洞。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510890132.0A CN105427325A (zh) | 2015-12-07 | 2015-12-07 | 基于随机森林和单调下降函数的肺肿瘤的自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510890132.0A CN105427325A (zh) | 2015-12-07 | 2015-12-07 | 基于随机森林和单调下降函数的肺肿瘤的自动分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105427325A true CN105427325A (zh) | 2016-03-23 |
Family
ID=55505505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510890132.0A Pending CN105427325A (zh) | 2015-12-07 | 2015-12-07 | 基于随机森林和单调下降函数的肺肿瘤的自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105427325A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931224A (zh) * | 2016-04-14 | 2016-09-07 | 浙江大学 | 基于随机森林算法的肝脏平扫ct图像病变识别方法 |
CN105957094A (zh) * | 2016-06-15 | 2016-09-21 | 深圳维影医疗科技有限公司 | 一种基于轮廓检测的胸片肺野快速自动分割方法及其*** |
CN107833229A (zh) * | 2017-11-02 | 2018-03-23 | 上海联影医疗科技有限公司 | 信息处理方法、装置及*** |
CN107845098A (zh) * | 2017-11-14 | 2018-03-27 | 南京理工大学 | 基于随机森林和模糊聚类的肝癌图像全自动分割方法 |
CN108205805A (zh) * | 2016-12-20 | 2018-06-26 | 北京大学 | 锥束ct图像间体素稠密对应的自动建立方法 |
CN109478321A (zh) * | 2016-07-25 | 2019-03-15 | 索尼公司 | 自动3d脑肿瘤分割和分类 |
CN110084800A (zh) * | 2019-04-28 | 2019-08-02 | 上海海事大学 | 一种用于四肢软组织肉瘤病人的肺转移预测方法 |
CN110349662A (zh) * | 2019-05-23 | 2019-10-18 | 复旦大学 | 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和*** |
CN112734790A (zh) * | 2020-12-30 | 2021-04-30 | 武汉联影生命科学仪器有限公司 | 一种肿瘤区域标注方法、***、装置及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5857030A (en) * | 1995-08-18 | 1999-01-05 | Eastman Kodak Company | Automated method and system for digital image processing of radiologic images utilizing artificial neural networks |
CN103942785A (zh) * | 2014-04-09 | 2014-07-23 | 苏州大学 | 一种基于图割的pet和ct图像的肺肿瘤分割方法 |
CN104414636A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于磁共振图像的脑微出血计算机辅助检测*** |
-
2015
- 2015-12-07 CN CN201510890132.0A patent/CN105427325A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5857030A (en) * | 1995-08-18 | 1999-01-05 | Eastman Kodak Company | Automated method and system for digital image processing of radiologic images utilizing artificial neural networks |
CN104414636A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于磁共振图像的脑微出血计算机辅助检测*** |
CN103942785A (zh) * | 2014-04-09 | 2014-07-23 | 苏州大学 | 一种基于图割的pet和ct图像的肺肿瘤分割方法 |
Non-Patent Citations (4)
Title |
---|
CHERRY BALLANGAN等: "Automated lung tumor segmentation for whole body PET volume based on novel downhill region growing", 《SPIE PROCEEDING, MEDICAL IMAGING 2010》 * |
CHERRY BALLANGAN等: "Lung tumor segmentation in PET images using graph cuts", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
赵涓涓: "《基于PET-CT的肺肿瘤早期计算机辅助诊断技术》", 31 May 2015, 北京:国防工业出版社 * |
韩玉等: "随机森林方法在医学中的应用", 《中国预防医学杂志》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931224A (zh) * | 2016-04-14 | 2016-09-07 | 浙江大学 | 基于随机森林算法的肝脏平扫ct图像病变识别方法 |
CN105957094B (zh) * | 2016-06-15 | 2018-09-25 | 深圳维影医疗科技有限公司 | 一种基于轮廓检测的胸片肺野快速自动分割方法及其*** |
CN105957094A (zh) * | 2016-06-15 | 2016-09-21 | 深圳维影医疗科技有限公司 | 一种基于轮廓检测的胸片肺野快速自动分割方法及其*** |
CN109478321B (zh) * | 2016-07-25 | 2022-04-26 | 索尼公司 | 自动3d脑肿瘤分割和分类 |
CN109478321A (zh) * | 2016-07-25 | 2019-03-15 | 索尼公司 | 自动3d脑肿瘤分割和分类 |
CN108205805B (zh) * | 2016-12-20 | 2020-06-02 | 北京大学 | 锥束ct图像间体素稠密对应的自动建立方法 |
CN108205805A (zh) * | 2016-12-20 | 2018-06-26 | 北京大学 | 锥束ct图像间体素稠密对应的自动建立方法 |
CN107833229A (zh) * | 2017-11-02 | 2018-03-23 | 上海联影医疗科技有限公司 | 信息处理方法、装置及*** |
CN107845098A (zh) * | 2017-11-14 | 2018-03-27 | 南京理工大学 | 基于随机森林和模糊聚类的肝癌图像全自动分割方法 |
CN110084800A (zh) * | 2019-04-28 | 2019-08-02 | 上海海事大学 | 一种用于四肢软组织肉瘤病人的肺转移预测方法 |
CN110349662A (zh) * | 2019-05-23 | 2019-10-18 | 复旦大学 | 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和*** |
CN110349662B (zh) * | 2019-05-23 | 2023-01-13 | 复旦大学 | 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和*** |
CN112734790A (zh) * | 2020-12-30 | 2021-04-30 | 武汉联影生命科学仪器有限公司 | 一种肿瘤区域标注方法、***、装置及可读存储介质 |
CN112734790B (zh) * | 2020-12-30 | 2023-07-11 | 武汉联影生命科学仪器有限公司 | 一种肿瘤区域标注方法、***、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105427325A (zh) | 基于随机森林和单调下降函数的肺肿瘤的自动分割方法 | |
EP3432784B1 (en) | Deep-learning-based cancer classification using a hierarchical classification framework | |
CN103714536B (zh) | 基于稀疏表示的多模态磁共振图像的分割方法及装置 | |
CN109493325B (zh) | 基于ct影像的肿瘤异质性分析*** | |
CN111179237B (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
Nasor et al. | Detection and Localization of Early‐Stage Multiple Brain Tumors Using a Hybrid Technique of Patch‐Based Processing, k‐means Clustering and Object Counting | |
CN108492300B (zh) | 管状结构增强与能量函数结合的肺部血管树分割方法 | |
CN105719278A (zh) | 一种基于统计形变模型的器官辅助定位分割方法 | |
CN107292312A (zh) | 肿瘤识别方法 | |
CN105654490A (zh) | 一种基于超声弹性图像的病变区域提取方法及装置 | |
CN103942785A (zh) | 一种基于图割的pet和ct图像的肺肿瘤分割方法 | |
CN106780497A (zh) | 一种基于统计信息的器官血管树自动提取方法 | |
CN105139377A (zh) | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 | |
Jony et al. | Detection of lung cancer from CT scan images using GLCM and SVM | |
CN108986114A (zh) | 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法 | |
CN113139981A (zh) | 基于深度神经网络的dce-mri乳腺肿瘤图像分割方法 | |
CN110049715A (zh) | 用于显示患者的内脏的设备及相关联的显示方法 | |
CN106570868A (zh) | 基于水平集方法的三维肝脏肿瘤半自动分割方法 | |
CN104915989B (zh) | 基于ct影像的血管三维分割方法 | |
CN111986216B (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
CN116309551B (zh) | 确定病灶取样区的方法、装置、电子设备及可读介质 | |
Cairone et al. | Robustness of radiomics features to varying segmentation algorithms in magnetic resonance images | |
EP4202827A1 (en) | System and method for classifying lesions | |
Lee et al. | Breast ultrasound automated ROI segmentation with region growing | |
Fu et al. | Segmentation of spinal canal region in CT images using 3D region growing technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160323 |