CN112884714A - 一种***ct图像自动分割方法及*** - Google Patents
一种***ct图像自动分割方法及*** Download PDFInfo
- Publication number
- CN112884714A CN112884714A CN202110100051.1A CN202110100051A CN112884714A CN 112884714 A CN112884714 A CN 112884714A CN 202110100051 A CN202110100051 A CN 202110100051A CN 112884714 A CN112884714 A CN 112884714A
- Authority
- CN
- China
- Prior art keywords
- lymph node
- image
- gray
- region
- identification region
- 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
- 210000001165 lymph node Anatomy 0.000 title claims abstract description 150
- 230000011218 segmentation Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 210000002751 lymph Anatomy 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 229920002160 Celluloid Polymers 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Images
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
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical 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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种***CT图像自动分割方法及***,包括以下步骤:指定目标***,结合***CT图像增强和自适应阈值自动确定***内部标识区域和***外部标识区域;自适应确定***灰度阈值,并完善***外部标识区域;基于原始灰度图像的灰度梯度图像,利用标识区域控制分水岭模型对梯度图像进行自动分割,获得最终分割结果。本发明仅需指定目标***,便可实现对目标***的自动分割。本发明结合多尺度Hessian矩阵增强、自适应阈值和区域控制分水岭模型,综合了***的形态特征和灰度特征,从而保证了分割过程的自动性和有效性。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种***CT图像自动分割方法及***。
背景技术
癌症检测、诊断与治疗是临床医学研究的重要方向之一。***是人体内产生免疫应答的重要器官,***定性、定量分析在癌症分期、疗效评估等方面具有非常重要的意义。在临床上,对***的检测和评估通常是基于CT图像,要对***进行定性、定量分析如目标***的尺寸等,往往首先需要对***图像进行分割,即精确提取出***所在的区域。人工分割即由医生手动勾画***边界,费时费力,而且受医生经验等主观性的限制。因此,用计算机算法准确、快速、自动地分割***CT图像就显得很有必要。***分布比较广,和周围的软组织不仅灰度范围重合,而且容易连接在一起。这就使得***CT图像自动分割非常具有挑战性。目前,针对***CT图像自动分割算法的研究并不多,而且往往针对某一部位进行(1.魏俊,何凌等,“CT图像的颈部***半自动分割算法”,计算机工程与设计,Vol.36,No.11,pp.3014-3018,2015;2.宋懿花,葛晨等,“一种基于水平集的胸部***全自动分割算法”,软件,Vol.41,No.2,pp.44-48,2020)。也有利用最大类间方差与形态学的方法(张艳玲,何鑫驰等,“基于最大类间方差与形态学的***图像分割”,计算机科学,Vol.40,No.8,pp.296-299,2013)和基于深度学习的算法(张璐.基于深度学习的***自动分割算法研究,浙江大学硕士学位论文,2019)。因为CT图像中***灰度和相邻软组织极为相似,所以基于最大类间方差于形态学的方法难以获得理想的分割效果。张璐的深度学习方法针对的是PET-CT图像,而不单单是CT图像。为更好地实现对***CT图像的快速、有效分割,本发明提出一种结合Hessian矩阵图像增强、自适应阈值和标识区域控制分水岭模型的***CT图像自动分割方法。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种***CT图像自动分割方法及***,以解决现有技术的不足。
为实现上述目的,本发明提供了一种***CT图像自动分割方法,包括以下步骤:
指定目标***,结合***CT图像增强和自适应阈值自动确定***内部标识区域和***外部标识区域;
自适应确定***灰度阈值,并完善***外部标识区域;
基于原始灰度图像的灰度梯度图像,利用标识区域控制分水岭模型对梯度图像进行自动分割,获得最终分割结果。
优选的,所述结合***CT图像增强和自适应阈值自动确定***内部标识区域和***外部标识区域,具体为:
根据***通常呈现为一定圆形的形态特征,利用多尺度Hessian矩阵增强***图像中具有圆形形态特征的区域,并根据不同尺度下,图像的增强效果,自动获得最佳尺度,以及该尺度下图像中每点所在物体的圆形度,从而得到对应的圆形度图像;
以目标***中心处的圆形度C0为参考,以0.6C0为自适应圆形度阈值,对圆形度图像进行阈值处理;
将目标***中心点处高于圆形度阈值的连通区域作为***的内部标识区域,同时将其他高于圆形度阈值的区域作为***的外部标识区域。
优选的,所述自适应确定***灰度阈值,具体为:基于内部标识区域中CT图像灰度自适应确定***灰度阈值。
优选的,所述自适应确定***灰度阈值,并完善***外部标识区域,具体为:
根据内部标识区域内的图像平均灰度值Imean和灰度标准差Istd确定灰度阈值Tup和Tlow,将灰度高于Tup和灰度低于Tlow的区域也作为目标***外部标识区域,从而进一步完善了目标***外部标识区域。
优选的,所述基于原始灰度图像的灰度梯度图像,利用标识区域控制分水岭模型对梯度图像进行自动分割,具体为:首先对原始灰度图像进行Sobel灰度梯度图像变换,得到原始图像的梯度图像,然后利用标识区域控制分水岭模型对梯度图像进行自动分割,并将内部标识区域所在的分水岭分割区域作为最终的目标***区域,从而实现对目标***的自动分割。
另一方面,本发明还提供一种***CT图像自动分割***,包括:
***标识区域确定模块,用于指定目标***,结合***CT图像增强和自适应阈值自动确定***内部标识区域和***外部标识区域;
***外部标识区域完善模块,用于自适应确定***灰度阈值,并完善***外部标识区域;
图像分割模块,用于基于原始灰度图像的灰度梯度图像,利用标识区域控制分水岭模型对梯度图像进行自动分割,获得最终分割结果。
另一方面,本发明还提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述***CT图像自动分割方法的步骤。
另一方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述***CT图像自动分割方法的步骤。
本发明的有益效果是:
本发明仅需指定目标***,便可实现对目标***的自动分割。本发明结合多尺度Hessian矩阵增强、自适应阈值和区域控制分水岭模型,综合了***的形态特征和灰度特征,从而保证了分割过程的自动性和有效性。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明***CT图像分割方法流程图。
图2是本发明***CT图像增强及内部标识区域和外部标识区域示意图。
图3是本发明***CT图像梯度图像和标识区域控制分割结果示意图。
图4是本发明一种***CT图像自动分割***原理框图。
图5是本发明实施例提供的终端设备的示意图。
具体实施方式
实施例1
如图1所示,本实施例提供了一种***CT图像自动分割方法,包括以下步骤:
指定目标***,结合***CT图像增强和自适应阈值自动确定***内部标识区域和***外部标识区域;
自适应确定***灰度阈值,并完善***外部标识区域;
基于原始灰度图像的灰度梯度图像,利用标识区域控制分水岭模型对梯度图像进行自动分割,获得最终分割结果。
本实施例中,在一个结合***CT图像增强和自适应阈值自动确定***内部标识区域和***外部标识区域的过程中,基于给定的***CT图像I0(如图2a所示)和待分割目标***的位置PO(如图2b所示,实际操作中,可利用鼠标或其它人机交互工具点击待分割***中心部位给定,也可由自动检测算法获得),首先根据***通常呈现为一定圆形的形态特征,利用多尺度Hessian矩阵增强***图像中具有圆形形态特征的区域,并根据不同尺度下,图像的增强效果,自动获得最佳尺度(在该尺度下,***中心部位PO点具有最大的增强值),以及该尺度下图像中每点所在物体的圆形度,从而得到对应的圆形度图像(如图2c所示)(参见Li Q,Sone S,Doi K.Selective enhancement filters fornodules,vessels,and airway walls in two-and three-dimensional CTscans.Medical Physics,Vol.30,No.8,pp.2040-2051,2003.);然后以目标***位置PO点的圆形度C0为参考,以0.6C0为自适应圆形度阈值,对圆形度图像进行阈值处理,并将目标***中心点处高于圆形度阈值的连通区域作为***的内部标识区域,同时将其他高于圆形度阈值的区域作为***的外部标识区域(如图2d所示)。
本实施例中,在一个利用灰度阈值自动完善***外部标识区域的过程中,首先根据内部标识区域内的图像平均灰度值Imean和灰度标准差Istd确定灰度阈值Tup和Tlow(如Tup=Imean+2.5Istd,Tlow=Imean-2.5Istd),将灰度高于Tup和灰度低于Tlow的区域也作为目标***外部标识区域,从而进一步完善了目标***外部标识区域(如图2e所示)。
本实施例中,在一个利用标识区域控制分水岭模型对***CT图像进行自动分割的过程中,首先对原始灰度图像进行Sobel灰度梯度图像变换,得到原始图像的梯度图像,然后利用标识区域控制分水岭模型对梯度图像进行自动分割,并将内部标识区域所在的分水岭分割区域作为最终的目标***区域,从而实现对目标***的自动分割(如图3所示)。
实施例2
如图4所示,本实施例提供一种***CT图像自动分割***,包括:
***标识区域确定模块,用于指定目标***,结合***CT图像增强和自适应阈值自动确定***内部标识区域和***外部标识区域;
***外部标识区域完善模块,用于自适应确定***灰度阈值,并完善***外部标识区域;
图像分割模块,用于基于原始灰度图像的灰度梯度图像,利用标识区域控制分水岭模型对梯度图像进行自动分割,获得最终分割结果
图5是本发明一实施例提供的终端设备的示意图。如图5所示,该实施例的终端设备6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62,例如***CT图像自动分割程序。所述处理器60执行所述计算机程序62时实现上述各个***CT图像自动分割方法实施例中的步骤,例如图1所示的步骤。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如,所述计算机程序62可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块),各模块具体功能如下:
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图5仅仅是终端设备6的示例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种***CT图像自动分割方法,其特征在于,包括以下步骤:
指定目标***,结合***CT图像增强和自适应阈值自动确定***内部标识区域和***外部标识区域;
自适应确定***灰度阈值,并完善***外部标识区域;
基于原始灰度图像的灰度梯度图像,利用标识区域控制分水岭模型对梯度图像进行自动分割,获得最终分割结果。
2.如权利要求1所述的一种***CT图像自动分割方法,其特征在于,所述结合***CT图像增强和自适应阈值自动确定***内部标识区域和***外部标识区域,具体为:
根据***通常呈现为一定圆形的形态特征,利用多尺度Hessian矩阵增强***图像中具有圆形形态特征的区域,并根据不同尺度下,图像的增强效果,自动获得最佳尺度,以及该尺度下图像中每点所在物体的圆形度,从而得到对应的圆形度图像;
以目标***中心处的圆形度C0为参考,以0.6C0为自适应圆形度阈值,对圆形度图像进行阈值处理;
将目标***中心点处高于圆形度阈值的连通区域作为***的内部标识区域,同时将其他高于圆形度阈值的区域作为***的外部标识区域。
3.如权利要求1所述的一种***CT图像自动分割方法,其特征在于,所述自适应确定***灰度阈值,具体为:基于内部标识区域中CT图像灰度自适应确定***灰度阈值。
4.如权利要求1所述的一种***CT图像自动分割方法,其特征在于,所述自适应确定***灰度阈值,并完善***外部标识区域,具体为:
根据内部标识区域内的图像平均灰度值Imean和灰度标准差Istd确定灰度阈值Tup和Tlow,将灰度高于Tup和灰度低于Tlow的区域也作为目标***外部标识区域,从而进一步完善了目标***外部标识区域。
5.如权利要求1所述的一种***CT图像自动分割方法,其特征在于,所述基于原始灰度图像的灰度梯度图像,利用标识区域控制分水岭模型对梯度图像进行自动分割,具体为:首先对原始灰度图像进行Sobel灰度梯度图像变换,得到原始图像的梯度图像,然后利用标识区域控制分水岭模型对梯度图像进行自动分割,并将内部标识区域所在的分水岭分割区域作为最终的目标***区域,从而实现对目标***的自动分割。
6.一种***CT图像自动分割***,其特征在于,包括:
***标识区域确定模块,用于指定目标***,结合***CT图像增强和自适应阈值自动确定***内部标识区域和***外部标识区域;
***外部标识区域完善模块,用于自适应确定***灰度阈值,并完善***外部标识区域;
图像分割模块,用于基于原始灰度图像的灰度梯度图像,利用标识区域控制分水岭模型对梯度图像进行自动分割,获得最终分割结果。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述***CT图像自动分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110100051.1A CN112884714A (zh) | 2021-01-25 | 2021-01-25 | 一种***ct图像自动分割方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110100051.1A CN112884714A (zh) | 2021-01-25 | 2021-01-25 | 一种***ct图像自动分割方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884714A true CN112884714A (zh) | 2021-06-01 |
Family
ID=76051272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110100051.1A Pending CN112884714A (zh) | 2021-01-25 | 2021-01-25 | 一种***ct图像自动分割方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884714A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113488146A (zh) * | 2021-07-29 | 2021-10-08 | 广州柏视医疗科技有限公司 | 一种头颈部鼻咽癌引流区和转移***的自动勾画方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080317314A1 (en) * | 2007-06-20 | 2008-12-25 | Schwartz Lawrence H | Automated Determination of Lymph Nodes in Scanned Images |
CN103106408A (zh) * | 2013-01-25 | 2013-05-15 | 西安电子科技大学 | 无监督分割的胃部ct图像***自动辅助检测*** |
CN103914843A (zh) * | 2014-04-04 | 2014-07-09 | 上海交通大学 | 基于分水岭算法和形态学标记的图像分割方法 |
US20150078648A1 (en) * | 2013-09-13 | 2015-03-19 | National Cheng Kung University | Cell image segmentation method and a nuclear-to-cytoplasmic ratio evaluation method using the same |
US20190087960A1 (en) * | 2017-09-15 | 2019-03-21 | Korea Advanced Institute Of Science And Technology | Method and apparatus for fully automated segmentation of joint using patient-specific optimal thresholding and watershed algorithm |
US20190139227A1 (en) * | 2017-06-30 | 2019-05-09 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image segmentation |
-
2021
- 2021-01-25 CN CN202110100051.1A patent/CN112884714A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080317314A1 (en) * | 2007-06-20 | 2008-12-25 | Schwartz Lawrence H | Automated Determination of Lymph Nodes in Scanned Images |
CN103106408A (zh) * | 2013-01-25 | 2013-05-15 | 西安电子科技大学 | 无监督分割的胃部ct图像***自动辅助检测*** |
US20150078648A1 (en) * | 2013-09-13 | 2015-03-19 | National Cheng Kung University | Cell image segmentation method and a nuclear-to-cytoplasmic ratio evaluation method using the same |
CN103914843A (zh) * | 2014-04-04 | 2014-07-09 | 上海交通大学 | 基于分水岭算法和形态学标记的图像分割方法 |
US20190139227A1 (en) * | 2017-06-30 | 2019-05-09 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image segmentation |
US20190087960A1 (en) * | 2017-09-15 | 2019-03-21 | Korea Advanced Institute Of Science And Technology | Method and apparatus for fully automated segmentation of joint using patient-specific optimal thresholding and watershed algorithm |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113488146A (zh) * | 2021-07-29 | 2021-10-08 | 广州柏视医疗科技有限公司 | 一种头颈部鼻咽癌引流区和转移***的自动勾画方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874594B (zh) | 基于语义分割网络的人体外表损伤检测方法及相关设备 | |
CN107665486B (zh) | 一种应用于x射线图像的自动拼接方法、装置及终端设备 | |
CN110889826B (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
CN106709930B (zh) | 三维医学图像的感兴趣体积分割方法及装置 | |
CN113112443B (zh) | 超声图像病灶的分割方法、装置和计算机设备 | |
CN110991533B (zh) | 图像识别方法、识别装置、终端设备及可读存储介质 | |
CN109523525B (zh) | 图像融合的恶性肺结节识别方法、装置、设备及存储介质 | |
US11379989B2 (en) | Method and device of extracting label in medical image | |
CN106709920B (zh) | 血管提取方法及其装置 | |
WO2018176189A1 (zh) | 图像分割的方法及*** | |
CN109583364A (zh) | 图像识别方法及设备 | |
CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
CN112150472A (zh) | 基于cbct的三维颌骨图像分割方法、装置及终端设备 | |
CN111724389B (zh) | 髋关节ct图像分割方法、装置、存储介质和计算机设备 | |
CN112102351A (zh) | 医学图像分析方法、装置、电子设备及可读存储介质 | |
Mussi et al. | A novel ear elements segmentation algorithm on depth map images | |
CN113034497A (zh) | 一种基于视觉的保温杯焊缝定位检测方法及*** | |
CN115294126A (zh) | 一种病理图像的癌细胞智能识别方法 | |
CN112884714A (zh) | 一种***ct图像自动分割方法及*** | |
CN111105427A (zh) | 一种基于连通区域分析的肺部图像分割方法及*** | |
CN111159751A (zh) | 三维影像的去隐私化处理方法、装置和终端设备 | |
CN107633506B (zh) | 一种图像对称性检测方法、装置及终端设备 | |
CN110428431B (zh) | 一种心脏医学图像的分割方法、装置、设备及存储介质 | |
CN114757953B (zh) | 医学超声图像识别方法、设备及存储介质 | |
Song et al. | Automatic liver segmentation from CT images using adaptive fast marching method |
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 |