CN108182687A - 一种基于脑肿瘤医学影像的交互式三维分割方法 - Google Patents

一种基于脑肿瘤医学影像的交互式三维分割方法 Download PDF

Info

Publication number
CN108182687A
CN108182687A CN201611124279.XA CN201611124279A CN108182687A CN 108182687 A CN108182687 A CN 108182687A CN 201611124279 A CN201611124279 A CN 201611124279A CN 108182687 A CN108182687 A CN 108182687A
Authority
CN
China
Prior art keywords
image
segmentation
value
dimensional
label
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
Application number
CN201611124279.XA
Other languages
English (en)
Inventor
宋志坚
王满宁
李文生
庄思奇
安涌
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.)
Fudan University
Original Assignee
Fudan University
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 Fudan University filed Critical Fudan University
Priority to CN201611124279.XA priority Critical patent/CN108182687A/zh
Publication of CN108182687A publication Critical patent/CN108182687A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive 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
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明属医学图像处理及应用领域，涉及一种针对脑肿瘤影像的交互式三维分割方法。本发明主要利用对已分割的二维图像做腐蚀运算的方式，自动地为待分割的邻近图像设置种子点，并采用二维GrowCut分割算法对待分割图像依次分割，从而实现脑肿瘤影像的交互式三维分割。本发明方法中，只需在脑肿瘤中间切片所在的图像层中，对部分的前景与背景区域作标记，即可实现半自动地脑肿瘤三维分割，并允许对分割后的影像做三维修正。结果表明，本发明所述的方法交互性强、分割效率高、分割结果准确，具有较高的应用价值。

Description

一种基于脑肿瘤医学影像的交互式三维分割方法
技术领域
本发明属医学图像处理及应用领域，具体涉及基于医学影像分割技术面的一种交互式的三维脑肿瘤分割方法。
背景技术
现有技术公开了医学影像分割技术能够将感兴趣区域从US(超声影像)、MRI(磁共振成像)、CT(计算机断层扫描)等医学影像中提取出来，为病变组织的定位、三维重建及配准等技术提供重要的基础，在医学及相关研究领域具有重要的理论与应用价值。
资料显示，由于复杂的环境与宿主因素，脑肿瘤的发病率与致死率显现出较高的趋势，其中恶性肿瘤所占的比例达到一半以上，对人类的生命造成了严重的危害。目前，针对脑肿瘤的各类医疗技术也在蓬勃发展，特别在神经外科手术导航方面，在术前借助导航仪器对患者头部的医学影像进行全方位分析，能有益于医生方便地进行手术规划，并在术中为医生提供全程的靶组织引导及手术器械的精确定位，有助于提高诊断的准确率与手术的成功率。
对脑肿瘤进行准确而高效地分割是神经外科手术导航***中的关键问题之一。研究显示，三维分割的准确性能够决定病灶组织位置与边界的确定、体积估算以及三维可视化等功能的效果；同时，三维分割方法的交互性、效率及准确性能够影响医生的工作效率及导航***的用户体验。目前，研究开发的图像分割算法一般都具有一定的针对性，仅对某些特定的图像具有较好的分割效果，存在有局限性，如针对脑部医学影像的分割算法，在研发时需要充分考虑到脑组织结构复杂、灰度分布不均、个体差异较大等特点，如，脑肿瘤影像具备了以上特点(如图1脑肿瘤示例)，特别是对于恶性肿瘤，其没有平滑的包边，且形状与灰度变化较复杂，给分割工作带来了不少的困难。
由于神经外科手术导航***中所采用的分割方法需要对每一病例都具有良好的适用性，而基于上文提及的各项因素，一般认为，全自动分割算法难以在每一个病例中都保持令医生满意的分割结果，因此采用交互式的三维分割方法将更具有临床应用价值，如德国Brainlab公司所研发的smartbrush软件模块，通过交互式地对肿瘤不同切面进行多次勾画，完成半自动三维分割；而在交互式的分割算法中，基于元胞自动机(CellularAutomata)的GrowCut分割算法在做二维图像分割时，具有较强的交互性及较高的运算效率；然而，该算法在三维分割中尚存有诸多问题，如初始标签设置困难、迭代次数较多，分割结果不稳定等。
基于现有技术的现状，本申请的发明人拟提供一种交互性强、分割效率高、分割结果好的三维脑肿瘤分割方法，以满足神经外科手术导航***的需要。
与本发明有关的参考文献有：
[1]V.Vezhnevets,and V.Konouchine,“GrowCut-interactive multi-label NDimage segmentation by cellular automata,”Proceedings of Graphicon.,pp.231–234,2006。
发明内容
本发明的目的在于提供一种基于脑肿瘤医学影像的交互式三维分割方法。该方法通过简单的交互操作，能实现高效、准确地三维脑肿瘤的半自动分割；此外，在三维分割完毕后，可通过简便的交互操作实现对分割结果的修正。
本发明采用基于元胞自动机的GrowCut二维图像分割方法以及基于腐蚀运算的形态学方法实现脑肿瘤影像的三维分割。
本发明中，对于二维GrowCut图像分割方法，只需对接近前景边缘处的少量前景与背景图像区域做标记，即能作二维半自动分割，并得到较准确的分割结果；通过对分割结果作自适应腐蚀半径的腐蚀运算，能够将腐蚀运算后的前景与背景标签直接作为相邻图像在分割前的初始标签，并自动地对待分割图像进行GrowCut二维分割，从而实现脑肿瘤的交互式三维分割。
具体而言，本发明的基于脑肿瘤医学影像的交互式三维分割方法，包括以下步骤：
(1)读取脑部医学影像；
(2)在水平面、矢状面与冠状面中选取其一，作为二维分割所在的解剖平面，对该解剖平面中连续的图像序列依次做二维分割为三维分割；
(3)在所选取解剖平面的图像序列中分别选取脑肿瘤起始与终止位置所在的图像层；
(4)在脑肿瘤中间层图像中对部分前景区域与背景区域进行涂抹标记，以作为该层二维分割的初始标签，其中：
①未被标记的像素点设为0，被标记为背景的像素点设为1，被标记为前景的像素点设为2；
②所有被标记为前景或背景的像素点，其在GrowCut算法中的强度值(strength，用θ表示，θ∈[0，1])都被设为1，其余像素点的初始强度值θ都为0；
所述的前景区域为肿瘤区域，背景区域为非肿瘤区域；
(5)对待分割的图像计算自适应感兴趣区域ROI(region of interest)，包括以下步骤：
①遍历图像中被标记为前景或强度值θ为1的所有像素点，分别获取它们横、纵坐标的最小及最大值，得到一个矩形区域；
②获取该矩形区域的中心(xmid，ymid)及对角线长度a，令
b＝max(K1×a，minLength) (1)
其中，系数K1的值为1.77；minLength为ROI边长的最小值，其值为40；
则感兴趣区域ROI被定义为以点(xmid，ymid)为中心，b为边长，且在图像范围内的正方形区域；
(6)在ROI范围内对图像做GrowCut二维分割，其中，
①对ROI边界处厚度为3像素范围内的所有像素点设置背景标签，令其强度值θ＝0.9；
②对于每次迭代，遍历上次迭代过程中所有标签值所发生变化像素点的8邻域，对具有不同标签值的邻近像素点以比较各自强度值θ的方式来更新标签值，从而达到分割的目的；
③为达到分割边界平滑的效果，定义第t次迭代中像素点p的敌人数目为
其中，l为像素点的标签值，点q为点p的8邻域点；
若点p的敌人数目达到6个，则禁止点p攻击其邻域点，且其标签值被强制设为最弱敌人的标签值；
(7)若需要对肿瘤中间层图像的二维分割结果作修改，可重复步骤(4)、(5)、(6)，直至对分割结果满意；
(8)对二维分割所得到的前景与背景图像分别作二维腐蚀运算，将得到的形态学运算结果传递给相邻的待分割层，令其强度值θ＝0.9，作为模拟前景与背景区域的初始标记，并执行步骤(5)、(6)，对待分割图像作二维GrowCut分割；其中，腐蚀运算采用的结构元素为圆，令countFG为待腐蚀运算的二维图像中被标记为前景的像素点总数，则对标记为背景点的腐蚀半径erosionRadiusBG定义为：
其中，系数K2的值为0.04；minRadius为背景腐蚀半径的最小值，令其值为1；
对标记为前景点的腐蚀半径erosionRadiusFG定义为：
其中，thisLayer为待分割层图像的层号；midLayer为肿瘤中间层图像的层号；halfRange为步骤(3)得到的肿瘤总层数的一半；系数K3的值为3；
(9)重复步骤(8)，直至所设定的脑肿瘤涵盖的图层全部分割完毕；
(10)针对每一层肿瘤切片的分割结果，通过简单的操作实现对分割结果做三维修正，其中：
①自适应感兴趣区域ROI的定义方式与步骤(5)类似，不同之处在于所遍历的像素点更改为标签值或强度值发生改变的像素点；
②对于每一次修正，其修正的图像层数范围可调整；
③先用步骤(6)的GrowCut分割方法对图像做二维修正，之后重复步骤(8)的方法对ROI内的图像做三维修正；
(11)重复步骤(12)直至对三维分割结果满意。
本发明所述的方法交互性强，适用性广，简单易用，对三维脑肿瘤的分割具有较高的效率与精度，可集成在现有的神经外科手术导航***中，作为一个必要的功能。
本发明的交互性脑肿瘤三维分割方法的优点有：
(1)通过简单的交互即可完成三维分割，并允许对分割结果作出修正，达到较高的分割效率与精度；
(2)本发明能够对多种形状、类型的脑肿瘤做三维分割，具有较强的实际应用价值。
为了便于理解，以下将通过具体的附图和实施例对本发明进行详细地描述。需要特别指出的是，具体实例和附图仅是为了说明，显然本领域的普通技术人员可以根据本文说明，在本发明的范围内对本发明做出各种各样的修正和改变，这些修正和改变也纳入本发明的范围内。
附图说明
图1是脑肿瘤在MRI T1与T2中的影像及结构示例。
图2展示了分割前的MRI影像，图中白圈表示做前景或背景标记时的涂抹光标，两根绿线分别表示选取的肿瘤起始与终止位置所在的图像层。
图3展示了在水平面上对肿瘤中间层的部分前景与背景分别做了标记，图中浅黄色部分表示对前景的标记，浅蓝色部分表示对背景的标记。
图4展示了由图3中的标记而运算生成的分割结果。
图5展示了修正后的肿瘤中间层分割结果。
图6展示了三维分割后的结果。
图7展示了修正后的三维分割结果。
具体实施方式
实施例1
如图2～7所示，采用本发明对一组脑部MRI序列做三维脑肿瘤分割，具体实现步骤如下：
(1)读取MRI影像，并选取适当的窗宽、窗位以显示病灶及周边组织；
(2)选择水平面作为二维分割所在的解剖平面；
(3)在水平面的图像序列中分别选取脑肿瘤起始与终止位置所在的图像层，参见图2；
(4)在脑肿瘤中间层图像中对部分前景(肿瘤)与背景(非肿瘤)区域进行涂抹，以作为该层二维分割的初始标签，参见图3；
(5)对待分割的图像计算自适应感兴趣区域ROI；
(6)在ROI范围内对图像做GrowCut二维分割，参见图4；
(7)对肿瘤中间层图像的二维分割结果作修正，重复步骤(4)、(5)、(6)，直至对分割结果满意，参见图5；
(8)对二维分割所得到的前景与背景图像分别作二维腐蚀运算，将所得到的形态学运算结果传递给相邻的待分割层，作为模拟对前景与背景区域的初始标记，并执行步骤(5)、(6)，对待分割图像作二维GrowCut分割；
(9)重复步骤(8)，直至设定的脑肿瘤所涵盖的图像层全部分割完毕，参见图6；
(10)在水平面内浏览每一层肿瘤切片的分割结果，并通过简单的操作实现对分割结果的三维修正；
(11)重复步骤(10)直至对三维分割结果满意，参见图7。
上述实施例的结果表明，本发明为脑肿瘤的三维分割提供了一种有效的交互式分割方法，仅需通过简便的鼠标操作，即可半自动地对脑肿瘤进行完整地分割。从附图可以看出，其交互简便、分割结果精确，具有较强的应用价值，能够为神经外科手术导航***提供坚实的技术基础。

Claims (4)

1.一种脑肿瘤医学影像的交互式三维分割方法，其特征在于，包括以下步骤：
1)根据对部分前景区域与背景区域作的标记，计算自适应的感兴趣区域ROI(regionof interest)，并作二维GrowCut分割；
所述的前景区域为肿瘤区域，背景区域为非肿瘤区域；
2)利用对已分割图像的腐蚀运算，获取相邻待分割图像的二维GrowCut初始种子点，并作二维GrowCut分割，如此重复直至待分割图像层全部分割完毕，以实现脑肿瘤的三维分割；
3)根据对待修正位置做的标记，迅速实现对自适应区域的三维分割结果作修正。
2.按权利要求1所述的方法，其特征在于，所述步骤1)中，包括：
(1)在脑肿瘤中间层图像中对部分前景与背景区域进行涂抹标记，作为该层二维分割的初始标签，其中：
①未被标记像素点的标签值设为0，被标记为背景像素点的标签值设为1，被标记为前景像素点的标签值设为2；
②所有被标记为前景或背景的像素点，其在GrowCut算法中的强度值θ(θ∈[0，1])都被设为1，其余像素点的初始强度值θ都设为0；
(2)对待二维分割的图像计算自适应感兴趣区域ROI(region of interest)，包括以下步骤：
①遍历图像中被标记为前景或强度值θ为1的所有像素点，分别获取它们横、纵坐标的最小及最大值，得到一个矩形区域；
②获取该矩形区域的中心(xmid，ymid)及对角线长度a，令
b＝max(K1×a，minLength) (1)
其中，系数K1的值为1.77；minLength为ROI边长的最小值，其值为40；
则感兴趣区域ROI被定义为以点(xmid，ymid)为中心，b为边长，且在图像范围内的正方形区域；
(3)在ROI范围内对图像做GrowCut二维分割，其中，
①对ROI边界处厚度为3像素范围内的所有像素点设置背景标签，其强度值θ＝0.9；
②对每次迭代，遍历上次迭代过程中所有标签值所发生变化像素点的8邻域，对具有不同标签值的邻近像素点以比较各自强度值θ的方式来更新标签值，从而达到分割的目的；
③为达到分割边界平滑的效果，定义第t次迭代中像素点p的敌人数目为
其中，l为像素点的标签值，点q为点p的8邻域点；
若点p的敌人数目达到6个，则禁止点p攻击其邻域点，且其标签值被强制设为最弱敌人的标签值。
3.按权利要求1所述的方法，其特征在于，所述步骤2)中包括：
(1)对二维分割所得到的前景与背景图像分别作二维腐蚀运算，将所得到的形态学运算结果传递给相邻的待分割层，其强度值θ＝0.9，作为模拟对前景与背景区域的初始标记，并按权利要求2所述的方法对待分割图像作二维GrowCut分割；其中，腐蚀运算采用的结构元素为圆，令countFG为待腐蚀运算的二维图像中被标记为前景的像素点总数，则对标记为背景点的腐蚀半径erosionRadiusBG定义为：
其中，系数K2的值为0.04；minRadius为背景腐蚀半径的最小值，其值为1；
对标记为前景点的腐蚀半径erosionRadiusFG定义为：
其中，thisLayer为待分割层图像的层号；midLayer为肿瘤中间层图像的层号；halfRange为脑肿瘤总层数的一半；系数K3的值为3；
(2)重复步骤(1)，直至脑肿瘤涵盖的图像层全部分割完毕。
4.按权利要求1所述的方法，其特征在于，所述步骤3)中包括：
(1)浏览每一层肿瘤切片的分割结果，并标记前景或背景，能够迅速对自适应区域的三维分割结果做修正，其中：
①自适应感兴趣区域ROI的定义方式与权利要求2所描述的方式类似，不同之处在于所遍历的像素点更改为标签值或强度值发生改变的像素点；
②对于每一次修正，其修正的图像层数范围可调整；
③先按照权利要求2所述的GrowCut分割方法对涂抹的图像做二维修正，之后按权利要求3所述的三维分割方法对ROI内的图像做三维修正；
(2)重复步骤(1)直至对三维分割结果满意。
CN201611124279.XA 2016-12-08 2016-12-08 一种基于脑肿瘤医学影像的交互式三维分割方法 Pending CN108182687A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611124279.XA CN108182687A (zh) 2016-12-08 2016-12-08 一种基于脑肿瘤医学影像的交互式三维分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611124279.XA CN108182687A (zh) 2016-12-08 2016-12-08 一种基于脑肿瘤医学影像的交互式三维分割方法

Publications (1)

Publication Number Publication Date
CN108182687A true CN108182687A (zh) 2018-06-19

Family

ID=62544961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611124279.XA Pending CN108182687A (zh) 2016-12-08 2016-12-08 一种基于脑肿瘤医学影像的交互式三维分割方法

Country Status (1)

Country Link
CN (1) CN108182687A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035261A (zh) * 2018-08-09 2018-12-18 北京市商汤科技开发有限公司 医疗影像处理方法及装置、电子设备及存储介质
CN109308680A (zh) * 2018-08-30 2019-02-05 迈格生命科技（深圳）有限公司 一种基于磁共振影像的大脑解剖教学***
CN110176009A (zh) * 2019-05-23 2019-08-27 复旦大学 一种肺部图像分割和跟踪方法和***
CN111047600A (zh) * 2019-11-22 2020-04-21 深圳大学 一种多维图像分割方法和装置
CN111127408A (zh) * 2019-12-12 2020-05-08 广州柏视医疗科技有限公司 基于GrowCut的鼻咽癌原发病灶临床靶区自动勾画方法及***
CN112053769A (zh) * 2020-09-30 2020-12-08 沈阳东软智能医疗科技研究院有限公司 一种三维医学影像标注方法、装置及相关产品
CN113012170A (zh) * 2021-03-25 2021-06-22 推想医疗科技股份有限公司 一种食管肿瘤区域分割及模型训练方法、装置及电子设备
CN114332087A (zh) * 2022-03-15 2022-04-12 杭州电子科技大学 Octa图像的三维皮层表面分割方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156979A (zh) * 2010-12-31 2011-08-17 上海电机学院 基于GrowCut的车道线快速检测方法及***
CN102385751A (zh) * 2011-07-19 2012-03-21 中国科学院自动化研究所 基于分水岭变换及支持向量机分类的肝脏肿瘤区域分割方法
CN103098090A (zh) * 2011-12-21 2013-05-08 中国科学院自动化研究所 多参数三维磁共振图像脑肿瘤分割方法
CN105046692A (zh) * 2015-07-01 2015-11-11 复旦大学 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156979A (zh) * 2010-12-31 2011-08-17 上海电机学院 基于GrowCut的车道线快速检测方法及***
CN102385751A (zh) * 2011-07-19 2012-03-21 中国科学院自动化研究所 基于分水岭变换及支持向量机分类的肝脏肿瘤区域分割方法
CN103098090A (zh) * 2011-12-21 2013-05-08 中国科学院自动化研究所 多参数三维磁共振图像脑肿瘤分割方法
CN105046692A (zh) * 2015-07-01 2015-11-11 复旦大学 结合感兴趣区域和GrowCut算法的3D自动脑胶质瘤分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JI, CHUNHONG ET AL: ""Brain tumor segmentation in MR slices using improved GrowCut algoritm"", 《SEVENTH INTERNATIONAL CONFERENCE ON GRAPHIC AND IMAGE PROCESSING》 *
杨耀: ""基于标记提取的GrowCut 自动分割算法"", 《信息技术》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035261A (zh) * 2018-08-09 2018-12-18 北京市商汤科技开发有限公司 医疗影像处理方法及装置、电子设备及存储介质
CN109308680A (zh) * 2018-08-30 2019-02-05 迈格生命科技（深圳）有限公司 一种基于磁共振影像的大脑解剖教学***
CN110176009A (zh) * 2019-05-23 2019-08-27 复旦大学 一种肺部图像分割和跟踪方法和***
CN111047600A (zh) * 2019-11-22 2020-04-21 深圳大学 一种多维图像分割方法和装置
CN111047600B (zh) * 2019-11-22 2023-04-28 深圳大学 一种多维图像分割方法和装置
CN111127408A (zh) * 2019-12-12 2020-05-08 广州柏视医疗科技有限公司 基于GrowCut的鼻咽癌原发病灶临床靶区自动勾画方法及***
CN111127408B (zh) * 2019-12-12 2021-06-15 广州柏视医疗科技有限公司 基于GrowCut的鼻咽癌原发病灶临床靶区自动勾画方法及***
CN112053769A (zh) * 2020-09-30 2020-12-08 沈阳东软智能医疗科技研究院有限公司 一种三维医学影像标注方法、装置及相关产品
CN112053769B (zh) * 2020-09-30 2023-03-10 沈阳东软智能医疗科技研究院有限公司 一种三维医学影像标注方法、装置及相关产品
CN113012170A (zh) * 2021-03-25 2021-06-22 推想医疗科技股份有限公司 一种食管肿瘤区域分割及模型训练方法、装置及电子设备
CN113012170B (zh) * 2021-03-25 2022-02-15 推想医疗科技股份有限公司 一种食管肿瘤区域分割及模型训练方法、装置及电子设备
CN114332087A (zh) * 2022-03-15 2022-04-12 杭州电子科技大学 Octa图像的三维皮层表面分割方法及***

Similar Documents

Publication Publication Date Title
CN108182687A (zh) 一种基于脑肿瘤医学影像的交互式三维分割方法
Tsuji et al. Dosimetric evaluation of automatic segmentation for adaptive IMRT for head-and-neck cancer
US9330490B2 (en) Methods and systems for visualization of 3D parametric data during 2D imaging
Essert et al. Automatic computation of electrode trajectories for deep brain stimulation: a hybrid symbolic and numerical approach
JP6053792B2 (ja) 可変画像レジストレーションのワークフローにおけるユーザー入力と変形ベクトル場の修正との統合
Zhang et al. A markerless automatic deformable registration framework for augmented reality navigation of laparoscopy partial nephrectomy
CN110738701B (zh) 一种肿瘤三维定位***
US20070280521A1 (en) Methods for Volumetric Contouring with Expert Guidance
CN103298406B (zh) 用于在功能和解剖级对器官疾病进行治疗规划的***和方法
CN101971213A (zh) 图像中解剖结构分割与建模的方法及***
CN113409456B (zh) 颅脑穿刺术前三维模型的建模方法、***、装置、介质
CN108460813A (zh) 一种靶区勾画方法和装置
CN109620404A (zh) 基于医学图像的肾脏分段的方法及其***
Zhang et al. A kernel-based method for markerless tumor tracking in kV fluoroscopic images
CN110135454A (zh) 一种基于3d断层扫描图数据集的深度学习模型训练方法
CN104156960A (zh) 一种全自动ct图像肾脏分割方法
CN103314412B (zh) 用于spect‑ct图像中的柔软器官划分区的功能分析的***和方法
CN110163867A (zh) 一种基于病灶断层扫描图进行自动分割的方法
Liu et al. Evaluation of atlas-based auto-segmentation and deformable propagation of organs-at-risk for head-and-neck adaptive radiotherapy
JP6564073B2 (ja) 放射量計画システム
Camps et al. Various approaches for pseudo-CT scan creation based on ultrasound to ultrasound deformable image registration between different treatment time points for radiotherapy treatment plan adaptation in prostate cancer patients
Alirr et al. Automatic liver segmentation from ct scans using intensity analysis and level-set active contours
Fu et al. Segmentation of spinal canal region in CT images using 3D region growing technique
Cai et al. An automatic algorithm for distinguishing optical navigation markers used during surgery
US20120070054A1 (en) Ct atlas of the brisbane 2000 system of liver anatomy for radiation oncologists

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180619