CN108596887A - 一种腹部ct序列图像肝脏肿瘤自动分割方法 - Google Patents
一种腹部ct序列图像肝脏肿瘤自动分割方法 Download PDFInfo
- Publication number
- CN108596887A CN108596887A CN201810341254.8A CN201810341254A CN108596887A CN 108596887 A CN108596887 A CN 108596887A CN 201810341254 A CN201810341254 A CN 201810341254A CN 108596887 A CN108596887 A CN 108596887A
- Authority
- CN
- China
- Prior art keywords
- liver
- image
- abdominal
- pixel
- result
- 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.)
- Granted
Links
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 41
- 206010019695 Hepatic neoplasm Diseases 0.000 title claims abstract description 38
- 230000003187 abdominal effect Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 23
- 210000004185 liver Anatomy 0.000 claims abstract description 55
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 18
- 230000002708 enhancing effect Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000003484 anatomy Anatomy 0.000 claims description 2
- 238000004195 computer-aided diagnosis Methods 0.000 abstract description 4
- 230000002440 hepatic effect Effects 0.000 abstract description 2
- 208000019423 liver disease Diseases 0.000 abstract description 2
- 238000012805 post-processing Methods 0.000 abstract 1
- 238000002203 pretreatment Methods 0.000 abstract 1
- 210000001519 tissue Anatomy 0.000 description 10
- 230000001225 therapeutic effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 201000007270 liver cancer Diseases 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000002246 antineoplastic agent Substances 0.000 description 1
- 229940041181 antineoplastic drug Drugs 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 210000005228 liver tissue Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种腹部CT序列图像肝脏肿瘤自动分割方法。包括如下步骤:预处理步骤,对腹部CT序列图像进行预处理,获取其中的肝脏区域;肝脏增强步骤,根据肝脏区域灰度分布特性,采用分段非线性增强和迭代卷积操作提高正常肝实质与肿瘤组织的对比度;自动分割步骤,利用增强结果,结合图像边界信息,构建多目标分割的图割能量函数,采用最优化算法最小化能量函数,获取肝脏肿瘤初步自动分割结果;后处理步骤,采用三维数学形态学开操作对初步分割结果进行优化,去除其中的误分割区域,提高分割精度。本发明有助于放射科专家和外科医师及时有效地获取肝脏肿瘤的整体信息和三维显示,为肝脏疾病计算机辅助诊断和治疗提供技术支持。
Description
技术领域
本发明属于图像处理技术领域,涉及医学图像中的目标分割,特别涉及腹部CT序列图像肝脏肿瘤组织的自动分割,可用于医学影像辅助诊断与治疗。
背景技术
全世界50%以上的新发和死亡肝癌患者发生在中国,每年中国大约有30万人因罹患肝癌死亡。由于早期肝癌的症状并不明显,大约60%的患者直到身体不适时才去就诊,这时往往进入了中晚期,失去了根治性治疗的机会。统计数据表明肝癌晚期患者5年内的生存率只有7%左右。
肝脏肿瘤负荷分析通常用于监控肝癌患者的疾病演变情况、制定治疗方案、进行不同治疗方案之间的比较、预测并评估治疗效果、评估抗癌药物的有效性等。腹部计算机断层扫描(computed tomography,CT)序列图像肝脏肿瘤组织的分割是肝脏肿瘤负荷分析的重要前提,也是肝脏疾病计算机辅助诊断和手术方案制定的重要基础。临床医师可根据腹部CT序列图像肝脏肿瘤组织的分割结果,获取病灶的数量、大小、形状、位置、病变程度、浸润深度、转移与否等信息,对疾病进行诊断、制定适当的治疗方案。由于CT成像使用的图像切片数量较大(若层厚为1.5mm,一个完整包含病人肝脏的腹部CT序列约有120张左右的切片),人工分割每个切片工作量大、耗时长且分割结果的准确度和有效性均严重依赖于放射科专家的经验、技巧和主观判断。因此,开发设计一种腹部CT序列图像肝脏肿瘤自动鲁棒分割方法对提高肝脏肿瘤负荷分析以及计算机辅助诊断的精度与效率具有重要意义。
发明内容
本发明的目的在于提供一种腹部CT序列图像肝脏肿瘤自动分割方法,旨在解决CT图像中肝脏肿瘤边界模糊、与正常组织对比度低、结构复杂、灰度多样等原因引起的肝脏肿瘤自动分割不准确的问题,提高计算机辅助诊断的精度和效率。
一种腹部CT序列图像肝脏肿瘤自动分割方法,包括以下步骤:
(1)采用现有技术对腹部CT序列图像f进行预处理,获取其中的肝脏区域;
(2)采用高斯函数拟合序列中整个肝脏区域的灰度直方图,根据高斯分布的概率理论以及解剖学先验知识,获取正常肝脏组织的大致灰度范围[Imin,Imax],其中Imin表示灰度最小值,Imax表示灰度最大值;
(3)利用灰度值Imin和Imax,对肝脏区域进行分段非线性增强,提高肿瘤与正常肝脏组织的对比度,增强结果记作ζ。
(4)为了去除增强结果中的噪声、平滑图像,采用大小为(2s+1)×(2s+1)的卷积核对增强结果ζ进行Niter次迭代卷积操作,得到结果ζconv,其中s、Niter均为大于0的自然数,优选s为1~5的自然数,Niter为30~130的自然数;
(5)利用增强结果,结合图像边界信息,构建多目标分割的图割能量函数:
其中,P表示图像f中的所有像素集,fp和fq分别表示图像f中的像素点p和q,Np表示像素点p的邻域像素集,R(fp)和B(fp,fq)分别为灰度和边界惩罚项,分别由增强结果和图像梯度计算得到,且分别用于图割算法中背景、正常肝实质和肿瘤组织的标签分配以及分割区域边界的平滑度控制,权重α用于调节灰度惩罚项R(fp)和边界惩罚项B(fp,fq)在图割算法中所占的比重,取值范围为0~1,优选α为0.5~1的正常数;
(6)采用最优化算法最小化能量函数E(f),获取肝脏肿瘤初步分割结果;
(7)采用三维数学形态学开操作对初步分割结果进行后处理,去除其中的误分割区域,得到精确的肝脏肿瘤组织。
在所述的第(3)步中,分段非线性增强公式如下:
其中,I为图像像素灰度,和θ分别为调节正常肝脏区域和肿瘤区域增强程度的惩罚因子,和θ取值均为正常数,当图像像素灰度I落在区间[Imin,Imax]上时,表明该像素点属于正常肝脏的概率较大,对其进行增强的惩罚因子设置相对较小,而当灰度I小于Imin或大于Imax时,表明该像素点属于肝脏肿瘤的概率较大,惩罚因子θ值则设置相对较大,优选为0.1~1的正常数,θ为1~3的正常数。
在所述的第(5)步中,图割能量函数的灰度惩罚项R(fp)涉及图像像素点分别属于背景、正常肝实质和肿瘤组织的灰度惩罚,具体计算公式如下:
其中,fp和fq分别表示图像f中的像素点p和q,Ip和Iq表示像素p和q的灰度值,mask为采用现有技术对腹部CT序列图像进行预处理得到的肝脏掩模,属于肝脏区域的像素标记为1,属于背景的像素标记为0,即边界惩罚项B(fp,fq)对相邻像素灰度不一致进行惩罚,计算公式如下:
其中
d(p,q)表示像素p和q的欧氏距离,TP表示图像f的像素集P的像素总数。
所述的第(7)步中,优选半径为r的球形结构作为三维形态学开操作的结构元素,其中r优选2~25的自然数。
附图说明
图1某一腹部CT序列中随机挑选的4幅原始图像
图2本发明实施方式的肝脏区域分割结果示例
图3本发明实施方式的肝脏区域灰度直方图高斯拟合结果示例
图4本发明实施方式的卷积核
图5本发明实施方式的肝脏区域增强结果示例
图6本发明实施方式的基于多目标分割的图割算法基本原理图
图7本发明实施方式的背景区域、正常肝实质与肝脏肿瘤分类结果示例
图8本发明实施方式的肝脏肿瘤分割结果二维显示
图9本发明实施方式的肝脏肿瘤分割结果三维显示
具体实施方式
实施例1
为了获取腹部CT序列图像中的肝脏区域,采用文献“A hierarchical localregion-based sparse shape composition for liver segmentationin CT scans”(pattern recognition,pp.88-106,2016.)公开的腹部CT序列肝脏自动分割方法对原始CT序列图像进行预处理,获取序列中的肝脏区域。图1(a)-(d)为从某一CT序列中随机挑选的4幅原始图像,图2(a)-(d)为采用本实施例方法得到的肝脏分割结果,即肝脏区域掩模。
实施例2
一种腹部CT序列图像肝脏区域增强方法,具体实现步骤如下:
(1)采用实施例1获取腹部CT序列图像f中的肝脏区域;
(2)为了获取肝脏区域的灰度分布范围,采用高斯函数拟合序列中整个肝脏区域的灰度直方图:
其中,c为高斯分布的峰值,μ和σ分别为高斯分布的中心和标准差。图3为对图1所示序列图像肝脏区域的灰度直方图进行高斯拟合结果,可以看到,肝脏灰度能较好的符合高斯分布。根据高斯分布的概率理论,[μ-σ,μ+σ]、[μ-2σ,μ+2σ]和[μ-3σ,μ+3σ]的灰度范围分别占有肝脏区域68%、95%、99%的像素。考虑到肝脏区域中可能出现的噪声和肿瘤组织,本实施例优选正常肝实质的灰度最小和最大值分别为Imin=μ-0.8σ和Imax=μ+0.8σ。
(3)利用灰度值Imin和Imax,对肝脏区域进行分段非线性增强,提高肿瘤与正常肝脏组织的对比度。分段非线性增强公式如下:
其中,I为图像像素灰度,和θ分别为调节正常肝脏区域和肿瘤区域增强程度的惩罚因子,和θ取值均为正常数,当图像像素灰度I落在区间[Imin,Imax]上时,表明该像素点属于正常肝脏的概率较大,对其进行增强的惩罚因子设置相对较小,而当灰度I小于Imin或大于Imax时,表明该像素点属于肝脏肿瘤的概率较大,惩罚因子θ值则设置相对较大,本实施例优选θ=2。
(4)对增强后的结果ζ进行迭代卷积操作,得到结果ζconv,本实施例优选大小为3×3如图4所示的卷积核,且优选迭代次数为60。该卷积操作可有效去除噪声,平滑图像,同时保留图像边界信息。
图5(a)-(d)为采用本实施例对图1(a)-(d)中的肝脏区域进行增强的结果,可以看到正常肝实质与肿瘤组织之间的对比度得到了明显提高。
实施例3
采用实施例2获取肝脏增强结果,结合图像边界信息,构建多目标分割的图割能量函数:
其中,α为0~1的正常数,P表示腹部CT序列图像f中的所有像素集,Np表示像素点p的邻域像素集,R(fp)和B(fp,fq)分别为灰度和边界惩罚项,且分别采用如下公式获得:
其中
fp和fq分别表示图像f中的像素点p和q,Ip和Iq表示像素p和q的灰度值,d(p,q)表示像素p和q的欧氏距离,TP表示图像f的像素集P的像素总数,mask为采用实施例1得到的肝脏掩模,属于肝脏区域的像素标记为1,属于背景的像素标记为0,即图6为多目标分割的图割算法基本原理图。在基于多目标分割的图割算法中,灰度惩罚项R(fp)用于背景、正常肝实质和肿瘤组织的标签分配,对应于图6中的t连接,当像素属于某一类别的概率越大,对其惩罚越小,其对应的t连接值将越大,即无向图中对应的边越粗,反之亦然。边界惩罚项B(fp,fq)则用于分割区域边界的平滑度控制,对应于图6中的n连接,当相邻像素之间灰度越接近,对其惩罚越小,其对应的n连接值将越大,即无向图中对应的边越粗,反之亦然。权重α用于调节灰度惩罚项R(fp)和边界惩罚项B(fp,fq)在图割算法中所占的比重,取值范围为0~1,本实施例优选α=0.6。采用最大流最小割算法最小化能量函数E(f),可将CT图像分成背景、正常肝脏组织和肿瘤三类,如图7(a)-(d)所示,提取其中属于肿瘤的那一类即可获取肝脏肿瘤初步分割结果。
实施例4
采用实施例3得到肝脏肿瘤初步分割结果后,对其进行三维形态学开操作去除其中可能出现的噪声与误分割区域,获取最终的肝脏肿瘤分割结果,本实施例优选半径为8的球形结构作为形态学开操作的结构元素。图8(a)-(d)为采用本实施例方法得到的肝脏肿瘤分割结果二维显示,其中的肿瘤区域均被完整有效地分割。图9为肝脏肿瘤分割结果的三维显示,可以看到,本发明方法可有效分割腹部CT序列图像中大小、形状各异的肝脏肿瘤。
Claims (7)
1.一种腹部CT序列图像肝脏肿瘤自动分割方法,其特征在于,该方法包括:
(1)采用现有技术对腹部CT序列图像f进行预处理,获取其中的肝脏区域;
(2)采用高斯函数拟合序列中整个肝脏区域的灰度直方图,根据高斯分布的概率理论以及解剖学先验知识,获取正常肝脏组织的大致灰度范围[Imin,Imax],其中Imin表示灰度最小值,Imax表示灰度最大值;
(3)利用灰度值Imin和Imax,对肝脏区域进行分段非线性增强,提高肿瘤与正常肝实质的对比度,增强结果记作ζ。
(4)为了去除增强结果中的噪声、平滑图像,采用大小为(2s+1)×(2s+1)的卷积核对增强结果ζ进行Niter次迭代卷积操作,得到结果ζconv,其中s、Niter均为大于0的自然数;
(5)利用增强结果,结合图像边界信息,构建多目标分割的图割能量函数:
其中,P表示图像f中的所有像素集,fp和fq分别表示图像f中的像素点p和q,Np表示像素点p的邻域像素集,R(fp)和B(fp,fq)分别为灰度和边界惩罚项,分别由增强结果和图像梯度计算得到,且分别用于图割算法中背景、正常肝实质和肿瘤组织的标签分配以及分割区域边界的平滑度控制,权重α用于调节灰度惩罚项R(fp)和边界惩罚项B(fp,fq)在图割算法中所占的比重,取值范围为0~1。
(6)采用最优化算法最小化能量函数E(f),获取肝脏肿瘤初步分割结果;
(7)采用三维数学形态学开操作对初步分割结果进行后处理,去除其中的误分割区域,得到精确的肝脏肿瘤组织。
2.如权利要求1所述的腹部CT序列图像肝脏肿瘤自动分割方法,其特征在于:所述s优选1~5的自然数,Niter优选30~130的自然数,α优选0.5~1的正常数。
3.如权利要求1所述的腹部CT序列图像肝脏肿瘤自动分割方法,其特征在于:
在所述的第(3)步中,分段非线性增强公式如下:
其中,I为图像像素灰度,和θ分别为调节正常肝脏区域和肿瘤区域增强程度的惩罚因子,和θ取值均为正常数,当图像像素灰度I落在区间[Imin,Imax]上时,表明该像素点属于正常肝脏的概率较大,对其进行增强的惩罚因子设置相对较小,而当灰度I小于Imin或大于Imax时,表明该像素点属于肝脏肿瘤的概率较大,惩罚因子θ值则设置相对较大。
4.如权利要求3所述的腹部CT序列图像肝脏肿瘤自动分割方法,其特征在于:所述优选0.1~1的正常数,θ优选1~3的正常数。
5.如权利要求1所述的腹部CT序列图像肝脏肿瘤自动分割方法,其特征在于:在所述的第(5)步中,图割能量函数的灰度惩罚项R(fp)涉及图像像素点分别属于背景、正常肝实质和肿瘤组织的灰度惩罚,具体计算公式如下:
其中,fp和fq分别表示图像f中的像素点p和q,Ip和Iq表示像素p和q的灰度值,mask为采用现有技术对腹部CT序列图像进行预处理得到的肝脏掩模,属于肝脏区域的像素标记为1,属于背景的像素标记为0,即边界惩罚项B(fp,fq)则对相邻像素灰度不一致进行惩罚,计算公式如下:
其中
d(p,q)表示像素p和q的欧氏距离,TP表示图像f的像素集P的像素总数。
6.如权利要求1所述的腹部CT序列图像肝脏肿瘤自动分割方法,其特征在于:在所述的第(7)步中,优选半径为r的球形结构作为三维形态学开操作的结构元素。
7.如权利要求6所述的腹部CT序列图像肝脏肿瘤自动分割方法,其特征在于:所述r优选2~25的自然数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810341254.8A CN108596887B (zh) | 2018-04-17 | 2018-04-17 | 一种腹部ct序列图像中肝脏肿瘤区域图像的自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810341254.8A CN108596887B (zh) | 2018-04-17 | 2018-04-17 | 一种腹部ct序列图像中肝脏肿瘤区域图像的自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596887A true CN108596887A (zh) | 2018-09-28 |
CN108596887B CN108596887B (zh) | 2020-06-02 |
Family
ID=63622730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810341254.8A Active CN108596887B (zh) | 2018-04-17 | 2018-04-17 | 一种腹部ct序列图像中肝脏肿瘤区域图像的自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596887B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493351A (zh) * | 2018-11-12 | 2019-03-19 | 哈尔滨理工大学 | 对ct图像采用概率图谱与水平集进行肝脏分割的*** |
CN109741359A (zh) * | 2019-01-13 | 2019-05-10 | 中南大学 | 一种腹部ct序列图像病变肝脏分割方法 |
CN109753997A (zh) * | 2018-12-19 | 2019-05-14 | 湖南科技大学 | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 |
CN109934235A (zh) * | 2019-03-20 | 2019-06-25 | 中南大学 | 一种无监督的腹部ct序列图像多器官同时自动分割方法 |
CN109961449A (zh) * | 2019-04-15 | 2019-07-02 | 上海电气集团股份有限公司 | 图像分割的方法与设备、三维图像的重建方法与*** |
CN110223289A (zh) * | 2019-06-17 | 2019-09-10 | 上海联影医疗科技有限公司 | 一种图像处理方法和*** |
CN110276407A (zh) * | 2019-06-26 | 2019-09-24 | 哈尔滨理工大学 | 一种肝脏ct肿瘤分类***及分类方法 |
CN110473196A (zh) * | 2019-08-14 | 2019-11-19 | 中南大学 | 一种基于深度学习的腹部ct图像目标器官配准方法 |
CN110610491A (zh) * | 2019-09-17 | 2019-12-24 | 湖南科技大学 | 一种腹部ct图像的肝脏肿瘤区域分割方法 |
CN111047567A (zh) * | 2019-12-05 | 2020-04-21 | 电子科技大学 | 一种肾脏肿瘤图片确定方法及相关装置 |
CN111161256A (zh) * | 2019-12-31 | 2020-05-15 | 北京推想科技有限公司 | 图像分割方法、图像分割装置、存储介质及电子设备 |
CN111476881A (zh) * | 2020-03-18 | 2020-07-31 | 创业慧康科技股份有限公司 | 基于结构相似性水平集算法的人体组织器官三维重建方法 |
CN111489434A (zh) * | 2020-03-18 | 2020-08-04 | 创业慧康科技股份有限公司 | 一种基于三维图割的医学影像三维重建方法 |
CN112308082A (zh) * | 2020-11-05 | 2021-02-02 | 湖南科技大学 | 基于双通道卷积核与多帧特征融合动态视频图像分割方法 |
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 |
CN114820663A (zh) * | 2022-06-28 | 2022-07-29 | 日照天一生物医疗科技有限公司 | 用于确定射频消融治疗的辅助定位方法 |
CN115294122A (zh) * | 2022-10-08 | 2022-11-04 | 江苏诺阳家居科技有限公司 | 基于ct图像的肺部肿瘤特征提取方法及*** |
CN116993764A (zh) * | 2023-09-26 | 2023-11-03 | 江南大学附属医院 | 一种胃部ct智能分割提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105139377A (zh) * | 2015-07-24 | 2015-12-09 | 中南大学 | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 |
US20170148156A1 (en) * | 2015-11-25 | 2017-05-25 | Zebra Medical Vision Ltd. | Systems and methods for detecting a fatty liver from a computed tomography (ct) scan |
-
2018
- 2018-04-17 CN CN201810341254.8A patent/CN108596887B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105139377A (zh) * | 2015-07-24 | 2015-12-09 | 中南大学 | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 |
US20170148156A1 (en) * | 2015-11-25 | 2017-05-25 | Zebra Medical Vision Ltd. | Systems and methods for detecting a fatty liver from a computed tomography (ct) scan |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493351A (zh) * | 2018-11-12 | 2019-03-19 | 哈尔滨理工大学 | 对ct图像采用概率图谱与水平集进行肝脏分割的*** |
CN109753997A (zh) * | 2018-12-19 | 2019-05-14 | 湖南科技大学 | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 |
CN109753997B (zh) * | 2018-12-19 | 2022-11-22 | 湖南科技大学 | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 |
CN109741359A (zh) * | 2019-01-13 | 2019-05-10 | 中南大学 | 一种腹部ct序列图像病变肝脏分割方法 |
CN109741359B (zh) * | 2019-01-13 | 2022-05-31 | 中南大学 | 一种腹部ct序列图像病变肝脏分割方法 |
CN109934235A (zh) * | 2019-03-20 | 2019-06-25 | 中南大学 | 一种无监督的腹部ct序列图像多器官同时自动分割方法 |
CN109961449B (zh) * | 2019-04-15 | 2023-06-02 | 上海电气集团股份有限公司 | 图像分割的方法与设备、三维图像的重建方法与*** |
CN109961449A (zh) * | 2019-04-15 | 2019-07-02 | 上海电气集团股份有限公司 | 图像分割的方法与设备、三维图像的重建方法与*** |
CN110223289A (zh) * | 2019-06-17 | 2019-09-10 | 上海联影医疗科技有限公司 | 一种图像处理方法和*** |
CN110276407A (zh) * | 2019-06-26 | 2019-09-24 | 哈尔滨理工大学 | 一种肝脏ct肿瘤分类***及分类方法 |
CN110473196A (zh) * | 2019-08-14 | 2019-11-19 | 中南大学 | 一种基于深度学习的腹部ct图像目标器官配准方法 |
CN110473196B (zh) * | 2019-08-14 | 2021-06-04 | 中南大学 | 一种基于深度学习的腹部ct图像目标器官配准方法 |
CN110610491A (zh) * | 2019-09-17 | 2019-12-24 | 湖南科技大学 | 一种腹部ct图像的肝脏肿瘤区域分割方法 |
CN111047567A (zh) * | 2019-12-05 | 2020-04-21 | 电子科技大学 | 一种肾脏肿瘤图片确定方法及相关装置 |
CN111161256A (zh) * | 2019-12-31 | 2020-05-15 | 北京推想科技有限公司 | 图像分割方法、图像分割装置、存储介质及电子设备 |
CN111489434A (zh) * | 2020-03-18 | 2020-08-04 | 创业慧康科技股份有限公司 | 一种基于三维图割的医学影像三维重建方法 |
CN111476881A (zh) * | 2020-03-18 | 2020-07-31 | 创业慧康科技股份有限公司 | 基于结构相似性水平集算法的人体组织器官三维重建方法 |
CN112308082A (zh) * | 2020-11-05 | 2021-02-02 | 湖南科技大学 | 基于双通道卷积核与多帧特征融合动态视频图像分割方法 |
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 |
CN114820663A (zh) * | 2022-06-28 | 2022-07-29 | 日照天一生物医疗科技有限公司 | 用于确定射频消融治疗的辅助定位方法 |
CN115294122A (zh) * | 2022-10-08 | 2022-11-04 | 江苏诺阳家居科技有限公司 | 基于ct图像的肺部肿瘤特征提取方法及*** |
CN116993764A (zh) * | 2023-09-26 | 2023-11-03 | 江南大学附属医院 | 一种胃部ct智能分割提取方法 |
CN116993764B (zh) * | 2023-09-26 | 2023-12-08 | 江南大学附属医院 | 一种胃部ct智能分割提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108596887B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596887A (zh) | 一种腹部ct序列图像肝脏肿瘤自动分割方法 | |
Gonçalves et al. | Hessian based approaches for 3D lung nodule segmentation | |
Chung et al. | Automated segmentation of muscle and adipose tissue on CT images for human body composition analysis | |
CN108335304B (zh) | 一种腹部ct扫描序列图像的主动脉瘤分割方法 | |
Abd-Elaziz et al. | Liver tumors segmentation from abdominal CT images using region growing and morphological processing | |
Anand | Segmentation coupled textural feature classification for lung tumor prediction | |
US20090252395A1 (en) | System and Method of Identifying a Potential Lung Nodule | |
CN106447645A (zh) | 增强ct图像中冠脉钙化检测及量化装置和方法 | |
CN106875409B (zh) | 一种轻量型切口疝补片三维超声图像特征提取方法 | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
Chen et al. | Pathological lung segmentation in chest CT images based on improved random walker | |
CN106780518A (zh) | 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法 | |
CN105139377A (zh) | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 | |
CN106651874B (zh) | 基于多模态mri数据的脑瘤术后空间域分割方法 | |
CN112767407B (zh) | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 | |
CN108268897A (zh) | 一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法 | |
CN104715484A (zh) | 基于改进的水平集的自动肿瘤区域分割方法 | |
CN106651875B (zh) | 基于多模态mri纵向数据的脑瘤时空协同分割方法 | |
Jimenez-Carretero et al. | Optimal multiresolution 3D level-set method for liver segmentation incorporating local curvature constraints | |
CN110678934A (zh) | 医学图像中的病变的定量方面 | |
Hamad et al. | Segmentation and measurement of lung pathological changes for COVID-19 diagnosis based on computed tomography | |
Alirr et al. | Automatic liver segmentation from ct scans using intensity analysis and level-set active contours | |
CN101295400B (zh) | 一种用于放射治疗计划***的医学图像分割方法 | |
CN110533667A (zh) | 基于图像金字塔融合的肺部肿瘤ct影像3d分割方法 | |
Fu et al. | Segmentation of spinal canal region in CT images using 3D region growing technique |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |