CN109741359B - 一种腹部ct序列图像病变肝脏分割方法 - Google Patents

一种腹部ct序列图像病变肝脏分割方法 Download PDF

Info

Publication number
CN109741359B
CN109741359B CN201910029480.7A CN201910029480A CN109741359B CN 109741359 B CN109741359 B CN 109741359B CN 201910029480 A CN201910029480 A CN 201910029480A CN 109741359 B CN109741359 B CN 109741359B
Authority
CN
China
Prior art keywords
liver
lesion
shape
segmentation
diseased
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
CN201910029480.7A
Other languages
English (en)
Other versions
CN109741359A (zh
Inventor
赵于前
李阳
廖苗
杨振
廖胜辉
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN201910029480.7A priority Critical patent/CN109741359B/zh
Publication of CN109741359A publication Critical patent/CN109741359A/zh
Application granted granted Critical
Publication of CN109741359B publication Critical patent/CN109741359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种腹部CT序列图像病变肝脏分割方法，包括：利用灰度偏移场及腹部CT序列切片空间相关性构建水平集能量函数，进行病变肝脏初分割；基于肝脏网格构建肝脏字典，利用字典原子的稀疏形状组合完成病变肝脏形状校正；构建病变肝脏形状先验，并将其融入图割能量函数，优化病变肝脏分割结果，完成病变肝脏的最终分割。本发明方法能够有效分割腹部CT序列图像中的病变肝脏，且可避免对肝脏病变区域的欠分割。

Description

一种腹部CT序列图像病变肝脏分割方法
技术领域
本发明涉及医学图像处理领域，具体涉及一种腹部CT序列图像病变肝脏分割方法。
背景技术
我国是肝癌大国，世界范围内约有一半以上的新增肝癌患者和因肝癌而死亡的案例发生在中国，对肝脏疾病的早发现早治疗是当前面临的主要任务。目前，主要通过超声、CT、MRI成像等方式进行肝脏疾病的影像学检查，通过手术治疗、射频消融和立体定向放疗等进行早期肝癌的治疗。由于CT对于肝脏疾病的成像检查、对于肝癌局部治疗及疗效评估具有一定优势，且对肝癌患者的立体定向放疗需根据CT图像计算放射剂量并制定放疗计划，因此，在肝脏疾病的检查及治疗过程中，腹部CT图像具有重要的作用。
为了对肝脏疾病的检查、病灶分析、手术及放疗等提供依据，对肝癌治疗的安全性提供保障，需准确分割腹部CT序列图像中的病变肝脏，然而，CT序列的切片数量大，专家手动分割病变肝脏工作量大，耗时长且分割结果缺乏客观性，因此，研究病变肝脏的计算机辅助分割方法具有重大意义。由于病变肝脏形状多变，灰度分布复杂，以及成像时受噪声影响，腹部CT序列病变肝脏分割面临巨大挑战。现有的分割方法主要包括传统的基于灰度的方法以及基于深度学习的方法。传统方法对图像噪声及灰度分布较为敏感，往往会造成肝脏病变部位的欠分割；基于深度学习的方法需要大量数据进行网络训练，耗时长。
发明内容
本发明的目的在于提供一种腹部CT序列图像病变肝脏分割方法。本发明通过以下方案实现：
一种腹部CT序列图像病变肝脏分割方法，包括以下步骤：
(1)对输入腹部CT序列图像病变肝脏进行初分割，具体包括以下步骤：
a.选取病变肝脏初始切片，构建水平集能量函数
Figure BDA0001943745680000011
其中，x和y为CT图像Ω中的像素点，I(x)为Ω中x的灰度值，
Figure BDA0001943745680000021
为非负窗函数，ci，i＝1,2分别代表以y为圆心、r为半径的圆形区域中目标和背景的平均灰度，b(·)为灰度偏移场，H(·)为Heaviside函数，
Figure BDA0001943745680000022
表示零水平集φ(x)的内、外区域，H(·)为Heaviside函数，
Figure BDA0001943745680000023
为周长项，
Figure BDA0001943745680000024
为距离正则化项，参数υ和μ分别为用于控制周长项L(φ)和距离正则化项Rp(φ)的权重，利用梯度下降法最小化该能量函数，并保留演化结果的最大连通域作为初始切片肝脏初分割结果；其中，υ和μ都为大于0的常数；
b.以初始切片为起点，以相邻切片分割结果为位置约束，构建非初始切片水平集能量函数
Figure BDA0001943745680000025
Figure BDA0001943745680000026
其中，
Figure BDA0001943745680000027
为腹部CT序列中第j张切片的肝脏分割位置约束，Ij-1和Ij+1为相邻切片肝脏分割结果，通过迭代方式分别向上、向下分割序列中的非初始切片，保留演化结果中面积大于Tp个像素的区域作为病变肝脏初分割结果；其中，Tp为大于0的整数。
(2)基于肝脏稀疏形状组合，完成病变肝脏形状校正，具体包括以下步骤：
a.对专家手动分割的M个病人的肝脏CT序列切片分别进行三维重建，并分别构建顶点数为N的肝脏三角网格，以网格顶点为字典元素，获得肝脏字典原子di∈R3N，i＝1,2,…,M，构建大小为3N×M的肝脏形状字典D，以第一个肝脏原子d1为参考，将剩余肝脏原子dq与d1对齐，实现网格顶点的一一对应，其中q＝2,3,…,M；其中，M、N都为大于0的整数；
b.对病变肝脏CT序列初分割结果进行三维重建，并构建顶点数为N的病变肝脏三角网格，利用网格顶点向量v,v∈R3N表示待校正病变肝脏形状，并将其与第一个肝脏原子对齐，实现网格顶点的一一对应；
c.构建稀疏形状组合残差函数
Figure BDA0001943745680000031
其中，T(v,β)表示对v进行以β为参数的全局变换，x＝[x1,x2,…,xM]∈RM为稀疏系数，e∈R3N表示待校正病变肝脏形状欠分割部分，D为肝脏形状字典，λ1、λ2为常数，用于控制x和e的稀疏性；利用简单快速迭代收缩阈值算法最小化该残差函数，求得x、e和β，获得校正的病变肝脏三角网格v'＝T'(Dx-e,β)，其中，T'(·)表示T(·)的反变换；λ1为大于0的常数，λ2为大于0小于1的常数；
d.体素化校正后的病变肝脏三维网格v'，并得到对应的肝脏切片形状校正结果。
(3)基于病变肝脏形状先验，构建图割能量函数，优化病变肝脏分割结果，完成病变肝脏的最终分割，具体包括以下步骤：
a.根据病变肝脏切片初分割结果及其形状校正结果获取病变肝脏形状先验
Figure BDA0001943745680000032
其中，fp表示CT切片f中的像素点p，Llevel-set和Lssc分别表示对应切片病变肝脏初分割结果和形状校正结果；
b.基于病变肝脏形状先验，构建图割能量函数E(f)，
Figure BDA0001943745680000033
Figure BDA0001943745680000034
其中，I(fp)为灰度项，Sprior(fp)为形状先验，B(fp,fq)为边界惩罚项，α为控制灰度项和边界项的权值，P为图像f中所有像素的集合，Np为像素点p的邻域像素集合，Ip为像素p的灰度值，d(p,q)为像素p和q的欧式距离，SP为像素集P中像素点个数；其中，α为大于0小于1的常数；
c.利用最大流-最小割算法最小化图割能量函数，获得病变肝脏优化结果，完成病变肝脏的最终分割。
在第(1)步中，选取肝脏无断裂现象且肝脏面积在整个序列中相对较大的CT切片作为病变肝脏初始切片，该切片位于整个序列自上至下三分之一至五分之二处。
在第(1)步中，优选υ为65.025，μ为1，r为10，Tp为200。
在第(2)步中，优选M为54，N为1096。
在第(2)步中，优选λ1为50，λ2为0.17。
在第(3)步中，优选α为0.3。
本发明方法有以下几个优点：
在水平集函数中融入偏移场，并利用相邻切片间的空间相关性引入位置约束，可有效减小噪声和其他不相关器官及组织对病变肝脏初分割的影响；
利用标准正常肝脏构建肝脏字典，基于字典原子的稀疏形状组合实现病变肝脏初分割结果的校正，可有效解决肝脏病灶部位欠分割问题；
构建新的病变肝脏形状先验，并将其融入图割能量函数中，可进一步优化病变肝脏分割结果，获得准确的病变肝脏最终分割结果，分割精度可得到进一步提高。
附图说明
图1本发明实施方式的腹部CT序列病变肝脏初分割结果图；
图2本发明实施方式的基于稀疏形状组合的病变肝脏形状校正结果图；
图3本发明实施方式的病变肝脏形状先验图；
图4本发明实施方式的基于图割的病变肝脏优化结果图，即病变肝脏最终分割结果图。
具体实施方式
下面说明本发明具体实施方式：
实施例1
具体实现步骤如下：
(1)腹部CT序列病变肝脏初分割。具体实现步骤如下：
a.选取病变肝脏初始切片，构建初始切片水平集能量函数：
Figure BDA0001943745680000051
其中，x和y为CT图像Ω中的像素点，I(x)为Ω中x的灰度值，
Figure BDA0001943745680000052
为非负窗函数，ci，i＝1,2分别代表以y为圆心、r为半径的圆形区域中目标和背景的平均灰度，b(·)为灰度偏移场，H(·)为Heaviside函数，
Figure BDA0001943745680000053
表示零水平集φ(x)的内、外区域，H(·)为Heaviside函数，
Figure BDA0001943745680000054
为周长项，
Figure BDA0001943745680000055
为距离正则化项，参数υ和μ分别为用于控制周长项L(φ)和距离正则化项Rp(φ)的权重，基于梯度下降法最小化该能量函数，并保留演化结果的最大连通域作为病变肝脏CT序列初始切片的初分割结果。本实施例优选υ为65.025，优选μ为1，优选r为10，优选CT序列自上而下三分之一处的切片为病变肝脏初始切片。
b.以病变肝脏初始切片为起点，分别向上、向下迭代分割病变肝脏CT序列剩余切片。迭代分割时，根据CT序列相邻切片间的空间相关性，引入相邻病变肝脏分割结果作为位置约束，构建水平集能量函数：
Figure BDA0001943745680000056
Figure BDA0001943745680000057
其中，
Figure BDA0001943745680000061
为腹部CT序列中第j张切片的肝脏分割位置约束，Ij-1和Ij+1为相邻切片肝脏分割结果；保留演化结果中面积大于Tp个像素的区域作为病变肝脏初分割结果。本实施例优选Tp为200。
图1为本实施例得到的腹部CT序列病变肝脏初分割结果图。
(2)病变肝脏形状校正。具体实现步骤如下：
a.对专家手动分割的M个病人的肝脏序列切片分别进行三维重建，并分别构建顶点数为N的肝脏三角网格，以网格顶点为字典元素，获得肝脏字典原子di∈R3N，i＝1,2,…,M，构建大小为3N×M的肝脏形状字典D，以第一个肝脏原子d1为参考，将剩余肝脏原子dq与d1对齐，实现网格顶点的一一对应，其中q＝2,3,…,M。本实施例优选M为54，N为1096。
b.对上述步骤1完成的病变肝脏初分割结果进行三维重建，并构建顶点数为N的病变肝脏三角网格，利用网格顶点向量v,v∈R3N表示待校正病变肝脏形状，并将其与肝脏字典第一个原子对齐，实现网格顶点的一一对应。本实施例优选N为1096。
c.构建稀疏形状组合残差函数
Figure BDA0001943745680000062
其中，T(v,β)表示对v进行以β为参数的全局变换，x＝[x1,x2,…,xM]∈RM为稀疏系数，e∈R3N表示待校正病变肝脏形状欠分割部分，D为肝脏形状字典，λ1和λ2为常数，用于控制x和e的稀疏性；利用简单快速迭代收缩阈值算法最小化该残差函数，求得x、e和β，获得校正的病变肝脏三角网格v'＝T'(Dx-e,β)，其中，T'(·)表示T(·)的反变换。本实施例优选λ1为50，λ2为0.17。
d.体素化校正后的病变肝脏三维网格v'，并得到对应的肝脏切片形状校正结果。
图2为本实施例得到的腹部CT序列病变肝脏形状校正结果图，可以看到，相较于图1，肝脏病变部位的欠分割问题被有效解决，分割精度有所提高。
(3)基于病变肝脏形状先验，构建图割能量函数，优化病变肝脏分割结果，完成病变肝脏的最终分割。具体实现步骤如下：
a.采用上述步骤1和步骤2获得的病变肝脏切片初分割结果及对应的形状校正结果获取形状先验
Figure BDA0001943745680000071
其中，fp表示CT切片f中的像素点p，Llevel-set和Lssc分别表示对应切片病变肝脏初分割结果和形状校正结果。图3为本实施例得到病变肝脏形状先验结果图。
b.基于病变肝脏形状先验，构建图割能量函数E(f)，
Figure BDA0001943745680000072
Figure BDA0001943745680000073
其中，I(fp)为灰度项，Sprior(fp)为肝脏形状先验，B(fp,fq)为边界惩罚项，α为控制灰度项和边界项的权值，P为图像f中所有像素的集合，Np为像素点p的邻域像素集合，Ip为像素p的灰度值，d(p,q)为像素p和q的欧式距离，SP为像素集P中像素点个数。本实施例优选α为0.3。
c.利用最大流-最小割算法最小化图割能量函数，获得病变肝脏优化结果，实现病变肝脏最终分割。
图4为本实施例得到的病变肝脏优化结果图，即病变肝脏最终分割结果图，可以看出，相较于图2，病变肝脏分割精度得到了进一步提高。
实施例2
采用实施例1的方法对存在肝脏病变的腹部CT序列，即Sliver07数据库中第16个CT序列，3Dircadb数据库中第1、3、6、14、17个CT序列进行实验。实验过程中，用于构建肝脏字典的CT序列为XHCSU14、Sliver07和3Dircadb数据库中未用于测试的剩余54个腹部CT序列。以上序列切片大小均为512×512，平面像素间距离分布在0.53mm至0.87mm范围内，层厚分布在1.0mm至4mm范围内。采用体积重叠误差(Volumetric Overlap Error,VOE)、相对体积差(Relative Volume Difference,RVD)、平均对称表面距离(Average SymmetricSurface Distance,ASD)、均方根对称表面距离(Root Mean Square Symmetric SurfaceDistance,RMSD)和最大对称表面距离(Maximum Symmetric Surface Distance,MSD)对腹部CT测试序列病变肝脏分割结果进行评价，各项指标如表1所示。可以看到，对于病变肝脏，本发明方法分割误差小，精度高。
表1
Figure BDA0001943745680000081

Claims (5)

1.一种腹部CT序列图像病变肝脏分割方法，其特征在于包括以下步骤：
(1)对输入腹部CT序列图像进行肝脏初分割，具体包括以下步骤：
a.选取病变肝脏初始切片，构建水平集能量函数：
Figure FDA0003564245100000011
其中，x和y为CT图像Ω中的像素点，I(x)为Ω中x的灰度值，
Figure FDA0003564245100000012
为非负窗函数，ci，i＝1,2分别代表以y为圆心、r为半径的圆形区域中目标和背景的平均灰度，b(·)为灰度偏移场，
Figure FDA0003564245100000013
表示零水平集φ(x)的内、外区域，H(·)为Heaviside函数，
Figure FDA0003564245100000014
为周长项，
Figure FDA0003564245100000015
为距离正则化项，参数υ和μ分别为用于控制周长项L(φ)和距离正则化项Rp(φ)的权重，利用梯度下降法最小化该能量函数，并保留演化结果的最大连通域作为初始切片肝脏初分割结果；
b.以初始切片为起点，以相邻切片分割结果为位置约束，构建非初始切片水平集能量函数：
Figure FDA0003564245100000016
Figure FDA0003564245100000017
其中，
Figure FDA0003564245100000018
为腹部CT序列中第j张切片的肝脏分割位置约束，Ij-1和Ij+1为相邻切片肝脏分割结果，通过迭代方式分别向上、向下分割序列中的非初始切片，保留演化结果中面积大于Tp个像素的区域作为病变肝脏初分割结果；
(2)基于肝脏稀疏形状组合，完成病变肝脏形状校正，具体包括以下步骤：
a.对专家手动分割的M个病人的肝脏CT序列切片分别进行三维重建，并分别构建顶点数为N的肝脏三角网格，以网格顶点为字典元素，获得肝脏字典原子di∈R3N，i＝1,2,…,M，构建大小为3N×M的肝脏形状字典D，以第一个肝脏原子d1为参考，将剩余肝脏原子dq与d1对齐，实现网格顶点的一一对应，其中q＝2,3,…,M；
b.对病变肝脏CT序列初分割结果进行三维重建，并构建顶点数为N的病变肝脏三角网格，利用网格顶点向量v,v∈R3N表示待校正病变肝脏形状，并将其与第一个肝脏原子d1对齐，实现网格顶点的一一对应；
c.构建稀疏形状组合残差函数
Figure FDA0003564245100000021
其中，T(v,β)表示对v进行以β为参数的全局变换，x＝[x1,x2,…,xM]∈RM为稀疏系数，e∈R3N表示待校正病变肝脏形状欠分割部分，D为肝脏形状字典，λ1、λ2为常数，用于控制x和e的稀疏性；利用简单快速迭代收缩阈值算法最小化该残差函数，求得x、e和β，获得校正的病变肝脏三角网格v'＝T'(Dx-e,β)，其中，T'(·)表示T(·)的反变换；
d.体素化校正后的病变肝脏三维网格v'，并得到对应的肝脏切片形状校正结果；
(3)基于形状先验构建图割能量函数，优化病变肝脏分割结果，实现病变肝脏的最终分割，具体包括以下步骤：
a.根据病变肝脏切片初分割结果及其形状校正结果获取病变肝脏形状先验
Figure FDA0003564245100000022
其中，fp表示CT切片f中的像素点p，Llevel-set和Lssc分别表示对应切片病变肝脏初分割结果和形状校正结果；
b.基于病变肝脏形状先验，构建图割能量函数E(f)，
Figure FDA0003564245100000023
Figure FDA0003564245100000031
其中，I(fp)为灰度项，Sprior(fp)为形状先验，B(fp,fq)为边界惩罚项，α为控制灰度项和边界项的权值，P为图像f中所有像素的集合，Np为像素点p的邻域像素集合，Ip为像素p的灰度值，d(p,q)为像素p和q的欧式距离，SP为像素集P中像素点个数；
c.利用最大流-最小割算法最小化图割能量函数，获得病变肝脏优化分割结果，完成病变肝脏的最终分割。
2.如权利要求1所述的一种腹部CT序列图像病变肝脏分割方法，其特征在于，所述的第(1)步中，CT序列中的初始切片位于整个CT序列自上而下的三分之一至五分之二处，且无肝脏断裂现象。
3.如权利要求1所述的一种腹部CT序列图像病变肝脏分割方法，其特征在于，所述的第(1)步中，υ和μ都为大于0的常数，r和Tp都为大于0的整数。
4.如权利要求1所述的一种腹部CT序列图像病变肝脏分割方法，其特征在于，所述的第(2)步中，N和M都为大于0的整数，λ1为大于0的常数，λ2为大于0小于1的常数。
5.如权利要求1所述的一种腹部CT序列图像病变肝脏分割方法，其特征在于，所述的第(3)步中，α为大于0小于1的常数。
CN201910029480.7A 2019-01-13 2019-01-13 一种腹部ct序列图像病变肝脏分割方法 Active CN109741359B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910029480.7A CN109741359B (zh) 2019-01-13 2019-01-13 一种腹部ct序列图像病变肝脏分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910029480.7A CN109741359B (zh) 2019-01-13 2019-01-13 一种腹部ct序列图像病变肝脏分割方法

Publications (2)

Publication Number Publication Date
CN109741359A CN109741359A (zh) 2019-05-10
CN109741359B true CN109741359B (zh) 2022-05-31

Family

ID=66364560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910029480.7A Active CN109741359B (zh) 2019-01-13 2019-01-13 一种腹部ct序列图像病变肝脏分割方法

Country Status (1)

Country Link
CN (1) CN109741359B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8787658B2 (en) * 2010-03-05 2014-07-22 Microsoft Corporation Image segmentation using reduced foreground training data
CN107424152A (zh) * 2017-08-11 2017-12-01 联想(北京)有限公司 器官病变的检测方法和电子设备、以及训练神经元网络的方法和电子设备
CN107610121A (zh) * 2017-09-28 2018-01-19 河北大学 一种肝脏统计形状模型初始位姿设定方法
CN108596887A (zh) * 2018-04-17 2018-09-28 湖南科技大学 一种腹部ct序列图像肝脏肿瘤自动分割方法
CN108986114A (zh) * 2018-07-11 2018-12-11 中南大学 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10157466B2 (en) * 2016-01-21 2018-12-18 Riverside Research Institute Method for automatic tissue segmentation of medical images

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8787658B2 (en) * 2010-03-05 2014-07-22 Microsoft Corporation Image segmentation using reduced foreground training data
CN107424152A (zh) * 2017-08-11 2017-12-01 联想(北京)有限公司 器官病变的检测方法和电子设备、以及训练神经元网络的方法和电子设备
CN107610121A (zh) * 2017-09-28 2018-01-19 河北大学 一种肝脏统计形状模型初始位姿设定方法
CN108596887A (zh) * 2018-04-17 2018-09-28 湖南科技大学 一种腹部ct序列图像肝脏肿瘤自动分割方法
CN108986114A (zh) * 2018-07-11 2018-12-11 中南大学 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

Also Published As

Publication number Publication date
CN109741359A (zh) 2019-05-10

Similar Documents

Publication Publication Date Title
US11062449B2 (en) Method and system for extracting vasculature
CN110223352B (zh) 一种基于深度学习的医学图像扫描自动定位方法
JP6567179B2 (ja) 特徴回帰モデルを用いたｍｒデータからの疑似ｃｔ生成
AU2016339009B2 (en) Pseudo-CT generation from MR data using tissue parameter estimation
CN106600609B (zh) 一种医学图像中脊柱的分割方法及***
CN105139377B (zh) 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法
EP1614069B1 (en) Volume measurements in 3d datasets
US20050196024A1 (en) Method of lung lobe segmentation and computer system
CN108830852B (zh) 三维超声肿瘤辅助测量***及方法
CN108986114B (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
CN108629785B (zh) 基于自步学习的三维磁共振胰腺图像分割方法
CN107038728A (zh) 基于迭代重建的轮廓自动化确定
CN106960439B (zh) 一种脊椎骨识别装置及方法
Dewalle-Vignion et al. Is STAPLE algorithm confident to assess segmentation methods in PET imaging?
CN104637056A (zh) 基于稀疏表示的医学ct图像肾上腺肿瘤分割方法
Wang et al. Deformable torso phantoms of Chinese adults for personalized anatomy modelling
EP3631806A1 (en) Quantified aspects of lesions in medical images
Vaassen et al. Real-world analysis of manual editing of deep learning contouring in the thorax region
Gallego et al. Automatic model-based 3D segmentation of the breast in MRI
Lappas et al. Automatic contouring of normal tissues with deep learning for preclinical radiation studies
CN109741359B (zh) 一种腹部ct序列图像病变肝脏分割方法
TW201835800A (zh) 用於確定/校正缺陷的方法和相關的裝置
Mensink et al. Development of automated quantification of visceral and subcutaneous adipose tissue volumes from abdominal CT scans
CN108475419A (zh) 用于计算机断层摄影的数据处理的方法
KR101886235B1 (ko) Ct 영상 기반의 신체크기 특이적 피폭선량 및 화질지수 제공 장치 및 방법

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