CN111508590A - 肝脏ct灌注图像中高效的肋骨和脊椎骨的标识检测方法 - Google Patents
肝脏ct灌注图像中高效的肋骨和脊椎骨的标识检测方法 Download PDFInfo
- Publication number
- CN111508590A CN111508590A CN202010261452.0A CN202010261452A CN111508590A CN 111508590 A CN111508590 A CN 111508590A CN 202010261452 A CN202010261452 A CN 202010261452A CN 111508590 A CN111508590 A CN 111508590A
- Authority
- CN
- China
- Prior art keywords
- liver
- rib
- image
- vertebra
- identification
- 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
Images
Classifications
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/30008—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
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出一种肝脏CT灌注图像中高效的肋骨和脊椎骨的标识检测方法,本发明针对肝脏CT灌注图像的基本特点采取高斯滤波和最大相关准则法进行二值化的方法并进一步在充分参考肋骨和脊椎骨解剖学分布特征基础上设计的基于凸多边形检测的肋骨和脊椎骨标识检测方法,是一种高效的肋骨和脊椎骨标识检测方法。该方法原理比较简单、计算量较小,而且在耗时比较大的连通区域求取和blob标记环节采用了快速实现方法,进行肋骨、脊椎骨分割和检测的速度比较快。因此,本发明所提出算法不啻为一种高效而准确的肝脏CT灌注图像中肋骨和脊椎骨标识检测方法,对于进一步进行肝脏分割和配准乃至肝脏计算机辅助***的实现具有重大的临床应用与参考价值。
Description
技术领域
本发明涉及计算机辅助诊断技术领域,尤其涉及一种肝脏CT灌注图像中高效的肋骨和脊椎骨的标识检测方法。
背景技术
在肝脏CT图像中,肋骨和脊椎骨目标比较明显,相对容易检测,而且在图像采集过程中具有不容易发生位移、形变和亮度变化等优势,可以作为很好的参照物用来辅助进行准确的肝脏图像分割和配准。因此,在CT肝脏计算机辅助诊断***中,肋骨和脊椎骨的检测和分割是肝脏分割与配准非常重要的预处理步骤之一。但是,在肝脏CT灌注应用场合中,由于肝硬化或造影剂增强等因素的影响,肝脏血管或病变组织也可能存在与肋骨和脊椎骨相类似的高亮灰度值,这使得其中肋骨和脊椎骨的分割难度增大。为了解决这个问题,周洁等(周洁,赵于前,唐建,等.肝脏CTA图像肋骨和脊椎骨分割方法研究[J].计算机工程与应用,2009,45(31):215-217.)提出将图像进行阈值化后利用局部解剖学知识构造四条边界特征线,然后基于二值形态学重建的方法将肋骨和脊椎骨从肝脏CT灌注图像中分割出来。但该方法四条特征线的构造过程需要事先指定相关参数,对于不同年龄段的病人由于相应参数会发生变化而难以有效保证分割算法的通用性。刘驰和冷涛(刘驰,冷涛.一种新的肝脏CTA图像肋骨和脊椎骨分割方法[J].电脑知识与技术.2010年05期:1166-1167)在现有分割方法的基础上,提出一种基于解剖学和数学形态学的镜像法。该方法首先对图像二值化,构造其边界特征线及其中央对称线,然后镜像对称线左侧部分,并利用解剖学对称性排除一般组织,最后通过形态学重建实现肋骨和脊椎骨分割。实际上在很多情况下,肝脏灌注图像中的某些对比度增强的组织也可能呈现左右对称分布特征,在这种情况下就不可避免会把左右大体对称的组织区域包含于分割结果内,进而产生错误的分割结果,使得该类算法在具体应用过程中会存在一定的问题。
发明内容
本发明的目的在于提出一种实现CT灌注图像中肋骨和脊椎骨高效且精准的标识定位,从而便于实现肝脏与骨骼精准分割的标识检测方法。
为达到上述目的,本发明提出一种肝脏CT灌注图像中高效的肋骨和脊椎骨的标识检测方法,包括以下步骤:
步骤1:通过高斯滤波对肝脏CT图像进行预处理;
步骤2:采用最大相关准则法对所述肝脏CT图像进行二值化处理;
步骤3:设计凸多边形检测算法将多数肋骨区域标识出来;
步骤4:基于先验知识结合凸多边形标识结果补全脊椎骨和脊椎骨附近少部分肋骨区域,最终完成对肋骨和脊椎骨的标识检测。
优选的,在步骤3中,对二值化处理后的肝脏CT图像,通过基于游程链的快速Blob分析法进行连通区域的标识并计算每一个连通区域的几何中心参数,同时进行必要的面积滤波,以尽可能滤除二值化图像中小的随机点状区域的干扰和影响;
假设经过连通区域标记和面积滤波后所得到的区域数也即几何中心的数目为N,假设各几何中心坐标分别为(Xi,Yi),i=1,2,...,N,则所有几何中心两两连线共构成条直线,假设其中第j条直线Lj的一般式为
Lj:AjX+BjY+C=0,j=1,2,...,n,并假定该直线所关联的两几何中心下标分别为pj,qj则
则任一几何中心(Xi,Yi)到直线Lj的有向距离根据解析几何知识可以表达为
1)Dij>0,点(Xi,Yi)在直线Lj上方;
2)Dij=0,点(Xi,Yi)在直线Lj上;
3)Dij<0,点(Xi,Yi)在直线Lj下方;
则根据凸多边形的基本性质,待检测的最大凸多边形结构的边应该满足如下任意条件:
根据如上规则筛选可标记出最大凸多边形所对应的所有边,由于最大凸多边形的顶点为待检测肋骨区域所对应的几何中心,从而把大多数肋骨区域标识出来。
与现有技术相比,本发明的优势之处在于:本发明针对肝脏CT灌注图像的基本特点采取高斯滤波和最大相关准则法进行二值化的方法并进一步在充分参考肋骨和脊椎骨解剖学分布特征基础上设计的基于凸多边形检测的肋骨和脊椎骨标识检测方法,是一种高效的肋骨和脊椎骨标识检测方法。该方法原理比较简单、计算量较小,而且在耗时比较大的连通区域求取和blob标记环节采用了快速实现方法,进行肋骨、脊椎骨分割和检测的速度比较快。因此,本发明所提出算法不啻为一种高效而准确的肝脏CT灌注图像中肋骨和脊椎骨标识检测方法,对于进一步进行肝脏分割和配准乃至肝脏计算机辅助***的实现具有重大的临床应用与参考价值。
附图说明
图1为本发明中肝脏CT灌注实验图像与处理结果图。
其中
a为肝脏CT灌注图像原始图像;
b为经过OSTU方法二值化处理的肝脏CT灌注图像;
c为经过最小误差法二值化处理的肝脏CT灌注图像;
d为经过最大相关准则法二值化处理的肝脏CT灌注图像;
e为经过高斯滤波处理的肝脏CT灌注图像;
f为经过blob标记并面积滤波处理后的肝脏CT灌注图像;
g为经过凸多边形顶点标记处理后的肝脏CT灌注图像;
h为凸多边形标记遗漏区域图;
i为经过本发明完整步骤处理后的肋骨和脊椎骨的标识检测图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案作进一步地说明。
步骤1:肝脏灌注CT图像的二值化:
高斯滤波是性能良好的低通滤波器,在图像处理中常常用来滤除高频椒盐噪声或孤立噪声。由于在肝脏CT灌注图像中,病变肝脏区域或正常肝脏血管壁等会存在一些高亮度的点,容易对肋骨和脊椎骨的分割造成干扰,这些干扰往往以类椒盐噪声的形式体现,可采用高斯滤波算法尽可能予以排除。此外,由于高斯滤波在本质上属于一类邻域加权平均算法,合理化运用该类算法可以改善原图像局部灰度分布进而影响后续阈值分割的结果。在本发明提出过程中经过实验发现,在对肝脏CT图像二值化以前,采用高斯滤波作为预处理步骤通过加权平均使高亮度的肋骨和脊椎骨能量向周围领域逐步平滑过渡,可以使得分割出的肋骨和脊椎骨区域相对不容易出现断续、丢失和缺损现象,而且标识区域边缘相对平滑而不具有毛刺。将高斯滤波作为本发明算法预处理步骤,可大大改善二值化处理的效果。
在各种阈值分割方法中,一般都根据一个最优化阈值选取准则进行最优阈值的选取,比如OSTU方法采用最大类间方差准则、最小误差法基于最小分类误差准则、一维灰度直方图熵法基于最大信息熵准则、最大相关准则法采用来源于混沌和分形理论的最大相关准则等等。其中,最大信息熵和最大相关准则都是基于标识后图像和原图尽可能相似的原理来实现标识阈值的选取,对于肝脏CT灌注图像而言都能够有效保留肋骨和脊椎骨所对应的区域,但基于最大相关的算法由于在计算过程要涉及比最大信息熵准则少得多的对数运算,计算效率相对较高,因此本发明基于最大相关准则实现图像的二值化。
步骤2:肝脏灌注CT图像中肋骨和脊椎骨的标识:
为了提高算法处理速度和效率,对于经过二值化后的区域论文首先采用张二虎和冯江(张二虎,冯江.Blob分析中基于游程链的连通区域标记.应用科学学报[J].2008,26(5):536-540)提出的基于游程链的快速Blob分析法进行连通区域的标识并快速计算每一个连通区域的几何中心参数,同时进行必要的面积滤波,以尽可能滤除二值化图像中小的随机点状区域的干扰和影响。
假设经过连通区域标记和面积滤波后所得到的区域数也即几何中心的数目为N,假设各几何中心坐标分别为(Xi,Yi),i=1,2,...,N,则所有几何中心两两连线共构成条直线,假设其中第j条直线Lj的一般式为
Lj:AjX+BjY+C=0,j=1,2,...,n,并假定该直线所关联的两几何中心下标分别为pj,qj则
则任一几何中心(Xi,Yi)到直线Lj的有向距离根据解析几何知识可以表达为
1)Dij>0,点(Xi,Yi)在直线Lj上方;
2)Dij=0,点(Xi,Yi)在直线Lj上;
3)Dij<0,点(Xi,Yi)在直线Lj下方,
则根据凸多边形的基本性质,待检测的最大凸多边形结构的边应该满足如下任意条件:
根据如上规则筛可标记出最大凸多边形所对应的所有边。由于最大凸多边形的顶点为待检测肋骨区域所对应的几何中心,这样很容易就可以把大多数肋骨区域标识出来。
步骤3:基于已有分割结果解剖先验知识的脊椎骨和肋骨后处理标记:
根据解剖学知识可知,在肝脏CT灌注图像中,脊椎骨在图像中的部位是基本固定的,且不受呼吸、胃肠蠕动等成像过程中随机运动的影响。具体来说,脊椎骨位于图像纵向中线线上,横向位置偏下,在二值化图像中所对应区域面积相对较大且与肋骨二值化区域点的纵坐标存在密切关联。需要指出的是,在脊椎骨两侧相距非常近的位置,一般还存在两块肋骨。由于脊椎骨和相距最近的两肋骨投影各自所对应二值化区域的重心相对于其它所有肋骨区域的重心形成的凸多边形而言微微有内凹倾向,则在本发明上文所述检测方法中很容易被遗漏掉。因此有必要基于解剖学先验知识,增加一后处理步骤,确保将脊椎骨和附近两肋骨保留在标识结果内,基于凸多边形检测结果,结合面积、位置滤波方法,该步骤非常通过计算机自动容易实现。
为了验证本发明所提出方法的有效性,为了验证所引入的肝脏CT灌注图像肋骨和脊椎骨标识方法的有效性,本发明进行了标识实验,实施例结果如图1所示:其中图1a为所处理的原始图像、图1b-d分别给出了对同一幅图像采用OSTU方法、最小误差法和最大相关准则法的标识结果比较,从图1b和c中可以看出采用OSTU方法和最小误差法进行二值化只能分割出大致轮廓,其分割结果都不能有效区分待分割肋骨区域,显然不适合后续肋骨和脊椎骨的标识,而采用最大相关准则法由于能保证最大信息量使得二值化前后图像尽可能相似而保留了待分割的肋骨和脊椎骨区域,则有利于进行进一步的处理,如图1d和图1e所示,需要指出的是,图1e和图1d分别为经过高斯滤波和未经过高斯滤波的二值化结果,从图中明显可以看出,采用高斯滤波后不但可以减少随机噪声干扰,如图1d下方高亮的带状区域,同时可以使得肋骨和脊椎骨所对应二值图像区域变大且边界相对变的平滑,如图1d所示,最上边左右对称的一对肋骨;图1f为对图1e中二值图像进行快速blob标记并进行面积滤波后的结果,从图中可以看出,该过程可以把面积小于一定数值的绝大多数无关区域滤除;图1g为凸多边形顶点检测和肋骨标记后的处理结果,该处理结果与原始图像进行类比,可知其中由于脊椎骨附近凹陷的存在,在凸多边形检测的过程中遗漏掉了脊椎骨和附近两块肋骨如图1h所示,基于已检测出的肋骨区域作为参照,通过相应解剖学先验知识可以将所遗漏区域进行补齐,最终检测结果如图1i所示。
在本发明算法实验过程中采用2.4GHz AMD Sempron(tm)X2 180 Processor和2GB内存配置的PC机并基于Visual C++6.0对整个算法予以实现,在不采取任何加速和优化措施的情况下,处理一副512×512标准图片的平均时间约为94ms,因此,处理速度还是比较快的。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (2)
1.一种肝脏CT灌注图像中高效的肋骨和脊椎骨的标识检测方法,其特征在于,包括以下步骤:
步骤1:通过高斯滤波对肝脏CT图像进行预处理;
步骤2:采用最大相关准则法对所述肝脏CT图像进行二值化处理;
步骤3:设计凸多边形检测算法将多数肋骨区域标识出来;
步骤4:基于先验知识结合凸多边形标识结果补全脊椎骨和脊椎骨附近少部分肋骨区域,最终完成对肋骨和脊椎骨的标识检测。
2.根据权利要求1所述的肝脏CT灌注图像中高效的肋骨和脊椎骨的标识检测方法,其特征在于,在步骤3中,对二值化处理后的肝脏CT图像,通过基于游程链的快速Blob分析法进行连通区域的标识并计算每一个连通区域的几何中心参数,同时进行必要的面积滤波,以尽可能滤除二值化图像中小的随机点状区域的干扰和影响;
假设经过连通区域标记和面积滤波后所得到的区域数也即几何中心的数目为N,假设各几何中心坐标分别为(Xi,Yi),i=1,2,...,N,则所有几何中心两两连线共构成条直线,假设其中第j条直线Lj的一般式为
Lj:AjX+BjY+C=0,j=1,2,...,n,并假定该直线所关联的两几何中心下标分别为pj,qj则
则任一几何中心(Xi,Yi)到直线Lj的有向距离根据解析几何知识可以表达为
1)Dij>0,点(Xi,Yi)在直线Lj上方;
2)Dij=0,点(Xi,Yi)在直线Lj上;
3)Dij<0,点(Xi,Yi)在直线Lj下方;
则根据凸多边形的基本性质,待检测的最大凸多边形结构的边应该满足如下任意条件:
根据如上规则筛选可标记出最大凸多边形所对应的所有边,由于最大凸多边形的顶点为待检测肋骨区域所对应的几何中心,从而把大多数肋骨区域标识出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010261452.0A CN111508590B (zh) | 2020-04-03 | 2020-04-03 | 肝脏ct灌注图像中高效的肋骨和脊椎骨的标识检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010261452.0A CN111508590B (zh) | 2020-04-03 | 2020-04-03 | 肝脏ct灌注图像中高效的肋骨和脊椎骨的标识检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111508590A true CN111508590A (zh) | 2020-08-07 |
CN111508590B CN111508590B (zh) | 2023-03-31 |
Family
ID=71864152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010261452.0A Active CN111508590B (zh) | 2020-04-03 | 2020-04-03 | 肝脏ct灌注图像中高效的肋骨和脊椎骨的标识检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111508590B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132837A (zh) * | 2020-08-19 | 2020-12-25 | 心医国际数字医疗***(大连)有限公司 | 一种胸部骨骼自动提取方法、***、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其*** |
CN104851107A (zh) * | 2015-06-08 | 2015-08-19 | 武汉联影医疗科技有限公司 | 基于ct序列图像的脊椎定位方法 |
CN110599494A (zh) * | 2018-06-12 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 肋骨图像重建***及方法、终端及可读存储介质 |
-
2020
- 2020-04-03 CN CN202010261452.0A patent/CN111508590B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其*** |
CN104851107A (zh) * | 2015-06-08 | 2015-08-19 | 武汉联影医疗科技有限公司 | 基于ct序列图像的脊椎定位方法 |
CN110599494A (zh) * | 2018-06-12 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 肋骨图像重建***及方法、终端及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
MARIEM GARGOURI等: ""ACCURATE AND ROBUST SHAPE DESCRIPTORS FOR THE IDENTIFICATION OF RIB CAGE STRUCTURES IN CT-IMAGES WITH RANDOM FORESTS"", 《2013 IEEE 10TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING》 * |
刘驰 等: ""一种新的肝脏CTA图像肋骨和脊椎骨分割的方法"", 《电脑知识与技术》 * |
张二虎 等: ""Blob分析中基于游程链的连通区域标记"", 《应用科学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132837A (zh) * | 2020-08-19 | 2020-12-25 | 心医国际数字医疗***(大连)有限公司 | 一种胸部骨骼自动提取方法、***、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111508590B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gonçalves et al. | Hessian based approaches for 3D lung nodule segmentation | |
JP6267710B2 (ja) | 医用画像中の肺結節を自動検出するためのシステム及び方法 | |
Li et al. | Improved method for automatic identification of lung regions on chest radiographs | |
CN107633514B (zh) | 一种肺结节周边血管量化评估***及方法 | |
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 | |
CN104299242B (zh) | 基于ngc‑acm的荧光造影眼底图像提取方法 | |
Zeng et al. | Liver vessel segmentation and identification based on oriented flux symmetry and graph cuts | |
Su et al. | Delineation of carpal bones from hand X-ray images through prior model, and integration of region-based and boundary-based segmentations | |
CN109300113A (zh) | 一种基于改进凸包方法的肺结节辅助检测***及方法 | |
Saien et al. | Refinement of lung nodule candidates based on local geometric shape analysis and Laplacian of Gaussian kernels | |
Kaleem et al. | Segmentation of brain tumor tissue using marker controlled watershed transform method | |
Lbachir et al. | A new mammogram preprocessing method for Computer-Aided Diagnosis systems | |
Zinoveva et al. | A texture-based probabilistic approach for lung nodule segmentation | |
Umadevi et al. | Enhanced Segmentation Method for bone structure and diaphysis extraction from x-ray images | |
CN111508590B (zh) | 肝脏ct灌注图像中高效的肋骨和脊椎骨的标识检测方法 | |
Löber et al. | Automatic Thrombus Detection in Non-enhanced Computed Tomography Images in Patients With Acute Ischemic Stroke. | |
Ganesan et al. | Automatic detection of optic disc and blood vessel in retinal images using morphological operations and Ipachi model | |
Shang et al. | Adaptive directional region growing segmentation of the hepatic vasculature | |
Thamilarasi et al. | Lung segmentation in chest X-ray images using Canny with morphology and thresholding techniques | |
Wei et al. | Feature extraction of X-ray fracture image and fracture classification | |
Wang et al. | Knowledge-based segmentation of spine and ribs from bone scintigraphy | |
Yan et al. | Segmentation of liver metastasis on CT images using the marker-controlled watershed and fuzzy connectedness algorithms | |
Gregson | Automatic segmentation of the heart in 3D MR images | |
CN116363155B (zh) | 一种胸大肌区域智能分割方法、装置和存储介质 |
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 |