CN113112443B - 超声图像病灶的分割方法、装置和计算机设备 - Google Patents
超声图像病灶的分割方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113112443B CN113112443B CN201911358130.1A CN201911358130A CN113112443B CN 113112443 B CN113112443 B CN 113112443B CN 201911358130 A CN201911358130 A CN 201911358130A CN 113112443 B CN113112443 B CN 113112443B
- Authority
- CN
- China
- Prior art keywords
- level set
- region
- image
- initial
- interest
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 113
- 230000003902 lesion Effects 0.000 claims description 40
- 238000002604 ultrasonography Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 26
- 238000009499 grossing Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 208000026310 Breast neoplasm Diseases 0.000 abstract description 10
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 206010006187 Breast cancer Diseases 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 210000000481 breast Anatomy 0.000 description 4
- 208000031513 cyst Diseases 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 206010006272 Breast mass Diseases 0.000 description 2
- 208000026292 Cystic Kidney disease Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 208000009453 Thyroid Nodule Diseases 0.000 description 2
- 208000024770 Thyroid neoplasm Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 210000000952 spleen Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000013076 thyroid tumor Diseases 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
- G06T2207/10132—Ultrasound image
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)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请涉及一种超声图像病灶的分割方法、装置和计算机设备,通过识别超声图像中的病灶,以得到对应的感兴趣区域;对感兴趣区域进行阈值分割,以得到对应的初始二值图像,并根据初始二值图像估计病灶区域的质心;根据感兴趣区域以及病灶区域的质心,构造初始零水平集函数;利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算,得到演化终止时刻的目标水平集函数;基于目标水平集函数得到对应的目标零水平集二值图像,即检测出乳腺肿瘤病灶的轮廓数据,以便于后续诊断工作的进行,不仅能够有效地减少医生的工作量,且能提高诊断效率。
Description
技术领域
本申请涉及医学图像处理技术领域,特别是涉及一种超声图像病灶的分割方法、装置和计算机设备。
背景技术
乳腺癌是女性疾病中常见的恶性肿瘤,已成为严重威胁女性健康的病症之一。早发现、早诊断、早治疗是目前医学上对防治乳腺癌采取的基本原则。超声成像凭借其无创伤、无辐射、费用低廉等优势,已成为乳腺肿瘤临床诊断的主要手段之一。
然而,由于受成像设备的影响,超声图像常常具有较大的噪声、低对比度、灰度不均匀、不同程度的衰减以及浸润效应等,使得乳腺肿瘤在表面上与周围正常组织较为相似,即超声图像对人体器官形态的表达能力较弱,或者说器官在图像中的呈现形式较为模糊与抽象;此外,不同个体间乳腺肿瘤差异也较大。因此,乳腺超声图像中对于病灶区域的判断和阅读需要临床医生具有较高的专业水平和较丰富的经验,一般医生较难在超声图像中用肉眼准确、快速地将乳腺肿瘤区域与其周围的正常组织区分开来并作出病灶描述结果。
发明内容
基于此,有必要针对上述一般医生较难在超声图像中快速准确的定位病灶区域的问题,提供一种超声图像病灶的分割方法、装置和计算机设备。
为了实现上述目的,一方面,本申请实施例提供了一种超声图像病灶的分割方法,所述方法包括:
识别超声图像中的病灶,以得到对应的感兴趣区域;
对感兴趣区域进行阈值分割,以得到对应的初始二值图像,并根据初始二值图像估计病灶区域的质心;
根据感兴趣区域以及病灶区域的质心,构造初始零水平集函数;
利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算,得到演化终止时刻的目标水平集函数;
基于目标水平集函数得到对应的目标零水平集二值图像,其中,目标零水平集二值图像中前景与背景的边界像素为病灶区域的轮廓数据。
在其中一个实施例中,根据初始二值图像估计病灶区域的质心,包括:采用设定掩模尺寸对初始二值图像进行形态学开运算,得到运算后的新的二值图像;根据邻域连通准则在新的二值图像中提取各连通分量,并计算各连通分量所在区域的面积;将各连通分量所在区域的面积中面积最大的连通分量所在区域估计为病灶区域,并采用图像矩算法计算病灶区域的质心。
在其中一个实施例中,根据感兴趣区域以及病灶区域的质心,构造初始零水平集函数,包括:根据感兴趣区域的尺寸创建一幅尺寸相同的初始图像;基于病灶区域的质心以及感兴趣区域的最小边长,在初始图像中确定水平集初始区域;根据水平集初始区域得到初始图像的二值化图像,基于初始图像的二值化图像得到初始零水平集函数。
在其中一个实施例中,利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算,包括:根据距离正则化水平集演化算法,并基于感兴趣区域以及初始零水平集函数定义能量泛函数;采用梯度下降法求解能量泛函数的最小值,得到水平集演化方程;基于水平集演化方程采用设定的步长和迭代次数迭代计算,以得到演化终止时刻的目标水平集函数。
在其中一个实施例中,步长和迭代次数的设定方法包括:根据感兴趣区域的直方图分布,估计病灶的回声类型;基于回声类型确定对应的步长和迭代次数。
在其中一个实施例中,回声类型包括无回声和低回声,则基于所述回声类型确定对应的步长和迭代次数,包括:若回声类型为无回声时,则对应的迭代次数为120~260,时间步长为1.0;若回声类型为低回声时,则对应的迭代次数为650~950,时间步长为1.5。
在其中一个实施例中,利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算之前,还包括:将标准差为2,尺寸为15*15的高斯掩模对感兴趣区域进行卷积平滑,以得到卷积平滑后的高斯平滑图像;则利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算,包括:利用距离正则化水平集演化算法基于高斯平滑图像对初始零水平集函数进行迭代计算。
另一方面,本申请实施例提供了一种超声图像病灶的分割装置,所述装置包括:感兴趣区域识别模块,用于识别超声图像中的病灶,以得到对应的感兴趣区域;质心估计模块,用于对感兴趣区域进行阈值分割,以得到对应的初始二值图像,并根据初始二值图像估计病灶区域的质心;函数构造模块,用于根据感兴趣区域以及病灶区域的质心,构造初始零水平集函数;正则化演化模块,用于利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算,得到演化终止时刻的目标水平集函数;病灶分割结果确定模块,用于基于目标水平集函数得到对应的目标零水平集二值图像,其中,目标零水平集二值图像中前景与背景的边界像素为病灶区域的轮廓数据。
又一方面,本申请实施例还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
再一方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
上述超声图像病灶的分割方法、装置和计算机设备,通过对超声图像中的病灶进行识别,以定位对应的感兴趣区域,进而在感兴趣区域中通过基于距离正则化水平集演化的病灶分割算法检测出病灶轮廓,以便于后续诊断工作的进行,不仅能够有效地减少医生的工作量,且能提高诊断效率。
附图说明
图1为一个实施例中超声图像病灶的分割方法的应用环境图;
图2为一个实施例中超声图像病灶的分割方法的流程示意图;
图3为原乳腺超声图像示意图;
图4为对图3进行目标检测得到的感兴趣区域的示意图;
图5为对图4进行阈值分割后得到的初始二值图像的示意图;
图6为创建的与图4尺寸相同的二值图像的示意图;
图7为最终得到的目标零水平集二值图像的示意图;
图8为一个实施例中估计病灶区域的质心步骤的流程示意图;
图9为对图5进行形态学开运算后得到的新的二值图像的示意图;
图10为对图9进行分析后粗略估计出病灶区域的示意图;
图11为一个实施例中构造初始零水平集函数步骤的流程示意图;
图12为一个实施例中进行迭代计算步骤的流程示意图;
图13A为低回声灰度直方图的示意图;
图13B为无回声灰度直方图的示意图;
图14为在原图上显示病灶的轮廓示意图;
图15是对图4进行高斯平滑处理后的高斯平滑示意图;
图16为一个实施例中超声图像病灶的分割装置的结构框图;
图17为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的超声图像病灶的分割方法,可以应用于如图1所示的应用环境中。其中,终端102与服务器104通过网络进行通信,在本实施例中,终端102可以是具有超声图像采集功能的设备,也可以是对采集的超声图像进行存储的设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。具体的,终端102用于采集或存储超声图像,并将采集或存储的超声图像通过网络发送至服务器104,服务器104则对超声图像中的病灶进行识别,以定位对应的感兴趣区域,进而在感兴趣区域中通过基于距离正则化水平集演化(Distance Regularized Level Set Evolution,简称DRLSE)的病灶分割算法检测出病灶轮廓,以便于后续诊断工作的进行,不仅能够有效地减少医生的工作量,且能提高诊断效率。
在一个实施例中,如图2所示,提供了一种超声图像病灶的分割方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,识别超声图像中的病灶,以得到对应的感兴趣区域。
其中,超声图像为临床上乳腺结节、乳腺肿瘤、甲状腺结节、甲状腺肿瘤、肝脏囊肿、肾脏囊肿、脾囊肿等病灶的超声图像,病灶则是指乳腺结节、乳腺肿瘤、甲状腺结节、甲状腺肿瘤、肝脏囊肿、肾脏囊肿、脾囊肿等病变部分。感兴趣区域(region of interest,简称ROI)是从超声图像中选择的一个需要处理的图像区域,这个区域是进行图像分析所关注的重点。具体的,可以通过目标检测对超声图像中的病灶进行自动识别、定位,从而在超声图像中得到对应的感兴趣区域。以下以病灶为乳腺肿瘤为例进行说明,则对应的超声图像可以为乳腺超声图像(如图3所示),从而在乳腺超声图像中得到对应的感兴趣区域(如图4所示)。
步骤204,对感兴趣区域进行阈值分割,以得到对应的初始二值图像,并根据初始二值图像估计病灶区域的质心。
具体的,可以是基于大津法(OTSU)对感兴趣区域进行阈值分割,从而得到对应的初始二值图像(如图5所示),并基于初始二值图像进行图像处理,从而在初始二值图像中粗略估计出病灶区域的质心,其中,质心是指病灶区域的中心。
步骤206,根据感兴趣区域以及病灶区域的质心,构造初始零水平集函数。
具体的,创建一幅与ROI尺寸相同的二值图像(如图6所示),其前景是像素灰度值为-2的圆形区域,背景是像素灰度值为2的区域。其中,圆形区域的圆心坐标即为病灶区域的质心,该二值图像即为初始零水平集图像,也是演化算法的初始对象,其对应的像素灰度值的数据类型是浮点型,则对应的函数即为初始零水平集函数。
步骤208,利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算,得到演化终止时刻的目标水平集函数。
在本实施例中,基于感兴趣区域,利用距离正则化水平集演化(以下简称DRLSE)算法的活动轮廓对初始零水平集函数进行迭代计算,使得初始零水平集朝目标边界演化,从而得到演化终止时刻的目标水平集函数。其中,零水平集就是将一个封闭的二维曲线表达于三维的空间里。“正则化”在本质上是一种基于水平集演化的活动轮廓模型,该“活动轮廓(active contour)”就是指零水平集表示的那个二维曲线。
步骤210,基于目标水平集函数得到对应的目标零水平集二值图像。
由于一幅数字图像可以理解为一个二元函数,则一个二元函数在笛卡尔三维坐标系中可以表示为一个连续的曲面。因此,在本实施例中,基于目标水平集函数可以得到对应的目标零水平集二值图像(如图7所示),其中,目标零水平集二值图像中前景与背景的边界像素则为病灶的轮廓数据。
上述超声图像病灶的分割方法,通过对超声图像中的病灶进行识别,以定位对应的感兴趣区域,进而在感兴趣区域中通过基于距离正则化水平集演化的病灶分割算法检测出肿瘤病灶轮廓,以便于后续诊断工作的进行,不仅能够有效地减少医生的工作量,且能提高诊断效率。
在一个实施例中,如图8所示,上述根据初始二值图像估计病灶区域的质心,具体可以包括如下步骤:
步骤802,采用设定掩模尺寸对初始二值图像进行形态学开运算,得到运算后的新的二值图像。
其中,设定掩模尺寸为eleSize=2*(tempSize/14)+1,tempSize则是ROI区域中较小一边的边长。具体的,基于上述设定的掩模尺寸对如图5所示的初始二值图像进行形态学开运算,从而得到一个运算后的新的二值图像(如图9所示)。
步骤804,根据邻域连通准则在新的二值图像中提取各连通分量,并计算各连通分量所在区域的面积。
具体的,根据邻域连通准则采用8邻域在新的二值图像中提取各邻域的连通分量,此时图9中有8个连通分量,即8个彼此独立的轮廓(每个白色区域为一个轮廓)。进而计算各连通分量所在区域的面积(即该连通分量区域所占的像素数)。
步骤806,将各连通分量所在区域的面积中面积最大的连通分量所在区域估计为病灶区域,并采用图像矩算法计算病灶区域的质心。
在本实施例中,将各连通分量所在区域的面积中面积最大的连通分量所在区域粗略估计为病灶区域(如图10所示)。需要说明的是,由于本实施例中的示例图像病灶较为清晰,故粗分割的区域较为理想,但很多情况下的粗分割区域只能大概确定病灶的位置,并不能精确地反映病灶的形状,因此,需要通过图2所示的后续步骤确定病灶区域的精确轮廓数据。具体的,在粗略估计出病灶区域后,可以采用图像矩算法计算病灶区域的质心,其中,图像矩算法具体可以采用Hu矩算法,即通过Hu矩算法得到病灶区域的质心坐标O(X0,Y0)。
在一个实施例中,如图11所示,根据感兴趣区域以及病灶区域的质心,构造初始零水平集函数,具体包括如下步骤:
步骤1102,根据感兴趣区域的尺寸创建一幅尺寸相同的初始图像。
步骤1104,基于病灶区域的质心以及感兴趣区域的最小边长,在初始图像中确定水平集初始区域。
具体的,根据ROI的尺寸创建一幅与ROI尺寸相同的初始图像,进而基于病灶区域的质心以及感兴趣区域的最小边长,在初始图像中确定水平集初始区域。即在初始图像中构造一个像素灰度值为-2(显示为黑色)的圆形区域,该圆形区域以外的像素灰度值为2(显示为白色),且圆形区域的圆心坐标为病灶区域的质心,半径为ROI较小一边的边长除以5,该圆形区域的圆形边界即水平集演化的初始轮廓,也即为水平集初始区域。
步骤1106,根据水平集初始区域得到初始图像的二值化图像,基于初始图像的二值化图像得到初始零水平集函数。
由于上述初始图像中水平集初始区域的像素灰度值为-2,而其他区域的像素灰度值为2,因此,得到初始图像的二值化图像,即图6所示的图像,该二值化图像即为初始零水平集图像,也是演化算法的初始对象。又由于数字图像可以通过二元函数表示,因此,对于图6所示的二值化图像可通过如下函数表示:
其中,x,y为图像的横纵坐标,R0表示ROI图像域。
在一个实施例中,如图12所示,利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算,包括如下步骤:
步骤1202,根据距离正则化水平集演化算法,并基于感兴趣区域以及初始零水平集函数定义能量泛函数。
具体的,在DRLSE算法中,定义图像信息的能量泛函数为:
E(φ)=μRp(φ)+Eext(φ)(2),式中μ>0,为常数,Eext(φ)为外部能量泛函,使得零水平集朝目标边界演化,Rp(φ)为目标水平集函数的正则化项。
具体的,
式中,α是任意实数,即常数,λ为正实数,分别是式(3)中右侧长度项和面积项的权重,本实施例中可以取λ=4、α=3。是对目标水平集函数φ(x,y)求梯度,x,y为图像的横纵坐标;δε(·)和Hε(·)是一维正则化的Dirac函数和Heaviside函数。则有:
g是边缘停止函数,定义其中,Gσ表示标准差为σ的函数,即如图4所示的感兴趣区域对应的函数,I表示如图6所示的二值图像,*表示卷积运算符。在本实施例中,则可以将DRLSE算法中的边缘停止函数改写为:
公式(2)中,定义其中,p为势能,定义如下:
将公式(3)、(6)代入公式(2)中,即可得到下式:
该式是要求解的能量泛函,很显然,能量泛函E(φ)的自变量是φ,而φ是个函数,因此,对式(8)等号两边同时做微分,则得到如下式(9):
步骤1204,采用梯度下降法求解能量泛函数的最小值,得到水平集演化方程。
通过梯度下降法求解公式(9),以达到求解能量泛函的最小值的目的。将公式(9)中的偏微分方程近似转化为离散的有限差分形式,则得到水平集演化方程,即DRLSE模型:
其中,式(10)中的就是式(9)中的等式的右侧表达式,k为迭代次数iter,Δt为步长step。
步骤1206,基于水平集演化方程采用设定的步长和迭代次数迭代计算,以得到演化终止时刻的目标水平集函数。
其中,步长和迭代次数的设定包括:根据感兴趣区域即图4的直方图分布,估计病灶的回声类型,进而根据回声类型确定对应的步长和迭代次数。通常,回声类型包括低回声和无回声,如图13A和图13B所示,分别表示低回声和无回声的灰度直方图。其横轴表示0到255共256个区间(即灰度可能的取值),纵轴为每个灰度值出现的频数。很显然,无回声的直方图中出现频数最多的灰度值的频数与其它灰度值出现的平均频数相差很大。因此可用直方图的这种分布特征来区分病灶的回声类型。具体可以采用如下公式来定量表示:
ratio=maxFrequency/mean_num,其中,maxFrequency是直方图中出现频数最多的灰度值的频数,mean_num是其它灰度值出现的平均频数。比值ratio越大,则越可能是无回声病灶。具体的,当比值大于7时,则可以确定为无回声病灶,当比值小于7时,则可以确定为低回声病灶。
在本实施例中,若通过上述方法确定回声类型为无回声时,则对应的迭代次数为120~260,时间步长为1.0;若回声类型为低回声时,则对应的迭代次数为650~950,时间步长为1.5。将设定的步长Δt和迭代次数k代入式(10)进行计算,从而得到演化终止时刻的目标水平集函数φ(x,y)。
进而基于目标水平集函数φ(x,y)得到对应的目标零水平集二值图像(如图7所示),其前景与背景的边界像素则为病灶的轮廓数据,基于该轮廓数据在原感兴趣区域(即图4)上显示病灶的轮廓(如图14所示)。
在一个实施例中,由于原始的超声图像中会存在一定的噪声,则在本实施例中,在利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算之前,还可以对感兴趣区域进行高斯去噪处理,即通过将标准差为2,尺寸为15*15的高斯掩模对如图4所示的感兴趣区域进行卷积平滑,以得到卷积平滑后的高斯平滑图像(如图15所示)。则在在迭代计算时,具体利用距离正则化水平集演化算法基于高斯平滑图像对初始零水平集函数进行迭代计算。即上述Gσ表示标准差为σ的函数,即如图15所示的高斯平滑图像对应的函数。
应该理解的是,虽然图1-14的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-14中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图16所示,提供了一种超声图像病灶的分割装置,包括:感兴趣区域识别模块1601、质心估计模块1602、函数构造模块1603、正则化演化模块1604和病灶分割结果确定模块1605,其中:
感兴趣区域识别模块1601,用于识别超声图像中的病灶,以得到对应的感兴趣区域;
质心估计模块1602,用于对感兴趣区域进行阈值分割,以得到对应的初始二值图像,并根据初始二值图像估计病灶区域的质心;
函数构造模块1603,用于根据感兴趣区域以及病灶区域的质心,构造初始零水平集函数;
正则化演化模块1604,用于利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算,得到演化终止时刻的目标水平集函数;
病灶分割结果确定模块1605,用于基于目标水平集函数得到对应的目标零水平集二值图像,其中,目标零水平集二值图像中前景与背景的边界像素为病灶的轮廓数据。
在一个实施例中,质心估计模块具本用于:采用设定掩模尺寸对初始二值图像进行形态学开运算,得到运算后的新的二值图像;根据邻域连通准则在新的二值图像中提取各连通分量,并计算各连通分量所在区域的面积;将各连通分量所在区域的面积中面积最大的连通分量所在区域估计为病灶区域,并采用图像矩算法计算病灶区域的质心。
在一个实施例中,函数构造模块具体用于:根据感兴趣区域的尺寸创建一幅尺寸相同的初始图像;基于病灶区域的质心以及感兴趣区域的最小边长,在初始图像中确定水平集初始区域;根据水平集初始区域得到初始图像的二值化图像,基于初始图像的二值化图像得到初始零水平集函数。
在一个实施例中,正则化演化模块具体用于:根据距离正则化水平集演化算法,并基于感兴趣区域以及初始零水平集函数定义能量泛函数;采用梯度下降法求解能量泛函数的最小值,得到水平集演化方程;基于水平集演化方程采用设定的步长和迭代次数迭代计算,以得到演化终止时刻的目标水平集函数。
在一个实施例中,还包括高斯平滑模块,用于在利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算之前,将标准差为2,尺寸为15*15的高斯掩模对感兴趣区域进行卷积平滑,以得到卷积平滑后的高斯平滑图像。
关于超声图像病灶的分割装置的具体限定可以参见上文中对于超声图像病灶的分割方法的限定,在此不再赘述。上述超声图像病灶的分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图17所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储超声图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种超声图像病灶的分割方法。
本领域技术人员可以理解,图17中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
识别超声图像中的病灶,以得到对应的感兴趣区域;
对感兴趣区域进行阈值分割,以得到对应的初始二值图像,并根据初始二值图像估计病灶区域的质心;
根据感兴趣区域以及病灶区域的质心,构造初始零水平集函数;
利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算,得到演化终止时刻的目标水平集函数;
基于目标水平集函数得到对应的目标零水平集二值图像,其中,目标零水平集二值图像中前景与背景的边界像素为病灶区域的轮廓数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:采用设定掩模尺寸对初始二值图像进行形态学开运算,得到运算后的新的二值图像;根据邻域连通准则在新的二值图像中提取各连通分量,并计算各连通分量所在区域的面积;将各连通分量所在区域的面积中面积最大的连通分量所在区域估计为病灶区域,并采用图像矩算法计算病灶区域的质心。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据感兴趣区域的尺寸创建一幅尺寸相同的初始图像;基于病灶区域的质心以及感兴趣区域的最小边长,在初始图像中确定水平集初始区域;根据水平集初始区域得到初始图像的二值化图像,基于初始图像的二值化图像得到初始零水平集函数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据距离正则化水平集演化算法,并基于感兴趣区域以及初始零水平集函数定义能量泛函数;采用梯度下降法求解能量泛函数的最小值,得到水平集演化方程;基于水平集演化方程采用设定的步长和迭代次数迭代计算,以得到演化终止时刻的目标水平集函数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据感兴趣区域的直方图分布,估计病灶的回声类型;基于回声类型确定对应的步长和迭代次数。
在一个实施例中,回声类型包括无回声和低回声,则处理器执行计算机程序时还实现以下步骤:若回声类型为无回声时,则对应的迭代次数为120~260,时间步长为1.0;若回声类型为低回声时,则对应的迭代次数为650~950,时间步长为1.5。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算之前,将标准差为2,尺寸为15*15的高斯掩模对感兴趣区域进行卷积平滑,以得到卷积平滑后的高斯平滑图像;则利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算,包括:利用距离正则化水平集演化算法基于高斯平滑图像对初始零水平集函数进行迭代计算。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
识别超声图像中的病灶,以得到对应的感兴趣区域;
对感兴趣区域进行阈值分割,以得到对应的初始二值图像,并根据初始二值图像估计病灶区域的质心;
根据感兴趣区域以及病灶区域的质心,构造初始零水平集函数;
利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算,得到演化终止时刻的目标水平集函数;
基于目标水平集函数得到对应的目标零水平集二值图像,其中,目标零水平集二值图像中前景与背景的边界像素为病灶区域的轮廓数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采用设定掩模尺寸对初始二值图像进行形态学开运算,得到运算后的新的二值图像;根据邻域连通准则在新的二值图像中提取各连通分量,并计算各连通分量所在区域的面积;将各连通分量所在区域的面积中面积最大的连通分量所在区域估计为病灶区域,并采用图像矩算法计算病灶区域的质心。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据感兴趣区域的尺寸创建一幅尺寸相同的初始图像;基于病灶区域的质心以及感兴趣区域的最小边长,在初始图像中确定水平集初始区域;根据水平集初始区域得到初始图像的二值化图像,基于初始图像的二值化图像得到初始零水平集函数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据距离正则化水平集演化算法,并基于感兴趣区域以及初始零水平集函数定义能量泛函数;采用梯度下降法求解能量泛函数的最小值,得到水平集演化方程;基于水平集演化方程采用设定的步长和迭代次数迭代计算,以得到演化终止时刻的目标水平集函数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据感兴趣区域的直方图分布,估计病灶的回声类型;基于回声类型确定对应的步长和迭代次数。
在一个实施例中,回声类型包括无回声和低回声,则计算机程序被处理器执行时还实现以下步骤:若回声类型为无回声时,则对应的迭代次数为120~260,时间步长为1.0;若回声类型为低回声时,则对应的迭代次数为650~950,时间步长为1.5。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算之前,将标准差为2,尺寸为15*15的高斯掩模对感兴趣区域进行卷积平滑,以得到卷积平滑后的高斯平滑图像;则利用距离正则化水平集演化算法基于感兴趣区域对初始零水平集函数进行迭代计算,包括:利用距离正则化水平集演化算法基于高斯平滑图像对初始零水平集函数进行迭代计算。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种超声图像病灶的分割方法,其特征在于,所述方法包括:
识别超声图像中的病灶,以得到对应的感兴趣区域;
对所述感兴趣区域进行阈值分割,以得到对应的初始二值图像;
采用设定掩模尺寸对所述初始二值图像进行形态学开运算,得到运算后的新的二值图像;
根据邻域连通准则在所述新的二值图像中提取各连通分量,并计算所述各连通分量所在区域的面积;
将所述各连通分量所在区域的面积中面积最大的连通分量所在区域估计为病灶区域,并采用图像矩算法计算所述病灶区域的质心;
根据所述感兴趣区域的尺寸创建一幅尺寸相同的初始图像;
基于所述病灶区域的质心以及所述感兴趣区域的最小边长,在所述初始图像中确定水平集初始区域;
根据所述水平集初始区域得到所述初始图像的二值化图像,基于所述初始图像的二值化图像得到初始零水平集函数;
利用距离正则化水平集演化算法基于所述感兴趣区域对所述初始零水平集函数进行迭代计算,得到演化终止时刻的目标水平集函数;
基于所述目标水平集函数得到对应的目标零水平集二值图像,所述目标零水平集二值图像中前景与背景的边界像素为所述病灶区域的轮廓数据。
2.根据权利要求1所述的超声图像病灶的分割方法,其特征在于,所述采用图像矩算法计算所述病灶区域的质心,包括:采用Hu矩算法计算所述病灶区域的质心,得到质心坐标。
3.根据权利要求1所述的超声图像病灶的分割方法,其特征在于,所述利用距离正则化水平集演化算法基于所述感兴趣区域对所述初始零水平集函数进行迭代计算,包括:
根据距离正则化水平集演化算法,并基于所述感兴趣区域以及所述初始零水平集函数定义能量泛函数;
采用梯度下降法求解所述能量泛函数的最小值,得到水平集演化方程;
基于所述水平集演化方程采用设定的步长和迭代次数迭代计算,以得到演化终止时刻的目标水平集函数。
4.根据权利要求3所述的超声图像病灶的分割方法,其特征在于,所述步长和迭代次数的设定方法包括:
根据所述感兴趣区域的直方图分布,估计所述病灶的回声类型;
基于所述回声类型确定对应的步长和迭代次数。
5.根据权利要求4所述的超声图像病灶的分割方法,其特征在于,所述回声类型包括无回声和低回声,所述基于所述回声类型确定对应的步长和迭代次数,包括:
若所述回声类型为无回声时,则对应的迭代次数为120~260,时间步长为1.0;
若所述回声类型为低回声时,则对应的迭代次数为650~950,时间步长为1.5。
6.根据权利要求1至5任一项所述的超声图像病灶的分割方法,其特征在于,所述利用距离正则化水平集演化算法基于所述感兴趣区域对所述初始零水平集函数进行迭代计算之前,还包括:
将标准差为2,尺寸为15*15的高斯掩模对所述感兴趣区域进行卷积平滑,以得到卷积平滑后的高斯平滑图像;
所述利用距离正则化水平集演化算法基于所述感兴趣区域对所述初始零水平集函数进行迭代计算,包括:
利用距离正则化水平集演化算法基于所述高斯平滑图像对所述初始零水平集函数进行迭代计算。
7.一种超声图像病灶的分割装置,其特征在于,所述装置包括:
感兴趣区域识别模块,用于识别超声图像中的病灶,以得到对应的感兴趣区域;
质心估计模块,用于对所述感兴趣区域进行阈值分割,以得到对应的初始二值图像;采用设定掩模尺寸对所述初始二值图像进行形态学开运算,得到运算后的新的二值图像;根据邻域连通准则在所述新的二值图像中提取各连通分量,并计算所述各连通分量所在区域的面积;将所述各连通分量所在区域的面积中面积最大的连通分量所在区域估计为病灶区域,并采用图像矩算法计算所述病灶区域的质心;
函数构造模块,用于根据所述感兴趣区域的尺寸创建一幅尺寸相同的初始图像;基于所述病灶区域的质心以及所述感兴趣区域的最小边长,在所述初始图像中确定水平集初始区域;根据所述水平集初始区域得到所述初始图像的二值化图像,基于所述初始图像的二值化图像得到初始零水平集函数;
正则化演化模块,用于利用距离正则化水平集演化算法基于所述感兴趣区域对所述初始零水平集函数进行迭代计算,得到演化终止时刻的目标水平集函数;
病灶分割结果确定模块,用于基于所述目标水平集函数得到对应的目标零水平集二值图像,所述目标零水平集二值图像中前景与背景的边界像素为所述病灶区域的轮廓数据。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358130.1A CN113112443B (zh) | 2019-12-25 | 2019-12-25 | 超声图像病灶的分割方法、装置和计算机设备 |
PCT/CN2020/133029 WO2021129325A1 (zh) | 2019-12-25 | 2020-12-01 | 超声图像病灶的分割方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358130.1A CN113112443B (zh) | 2019-12-25 | 2019-12-25 | 超声图像病灶的分割方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112443A CN113112443A (zh) | 2021-07-13 |
CN113112443B true CN113112443B (zh) | 2024-03-22 |
Family
ID=76575168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911358130.1A Active CN113112443B (zh) | 2019-12-25 | 2019-12-25 | 超声图像病灶的分割方法、装置和计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113112443B (zh) |
WO (1) | WO2021129325A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379739B (zh) * | 2021-07-23 | 2022-03-25 | 平安科技(深圳)有限公司 | 超声图像的识别方法、装置、设备及存储介质 |
CN113724827A (zh) * | 2021-09-03 | 2021-11-30 | 上海深至信息科技有限公司 | 一种超声报告中病灶区域自动标注的方法和*** |
CN113780282B (zh) * | 2021-09-15 | 2024-03-26 | 上海联影医疗科技股份有限公司 | 等中心位置确定方法、装置、计算机设备和可读存储介质 |
CN113781477A (zh) * | 2021-10-29 | 2021-12-10 | 平安科技(深圳)有限公司 | 基于人工智能的结石图像识别方法、装置及设备 |
CN114092475B (zh) * | 2022-01-19 | 2022-04-22 | 浙江太美医疗科技股份有限公司 | 病灶长径确定方法、图像标注方法、装置及计算机设备 |
CN114757952A (zh) * | 2022-06-15 | 2022-07-15 | 深圳瀚维智能医疗科技有限公司 | 超声图像处理方法、装置、设备及存储介质 |
CN115205246B (zh) * | 2022-07-14 | 2024-04-09 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀电晕放电紫外图像特征提取方法和装置 |
CN115797373A (zh) * | 2023-01-09 | 2023-03-14 | 苏州浪潮智能科技有限公司 | 一种图像分割方法、装置、电子设备及介质 |
CN115797356B (zh) * | 2023-02-09 | 2023-05-23 | 山东第一医科大学附属省立医院(山东省立医院) | 一种核磁共振肿瘤区域提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
CN106570860A (zh) * | 2016-10-31 | 2017-04-19 | 浙江工业大学 | 一种改进的基于距离正则化水平集的核磁共振图像咬肌分割方法 |
CN110288581A (zh) * | 2019-06-26 | 2019-09-27 | 电子科技大学 | 一种基于保持形状凸性水平集模型的分割方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875829A (zh) * | 2018-06-20 | 2018-11-23 | 鲁东大学 | 一种乳腺肿瘤图像的分类方法及*** |
CN110009645B (zh) * | 2019-04-11 | 2023-06-23 | 东北大学 | 一种肝癌病灶影像的双层轮廓分割方法 |
CN110276356B (zh) * | 2019-06-18 | 2022-09-06 | 南京邮电大学 | 基于r-cnn的眼底图像微动脉瘤识别方法 |
-
2019
- 2019-12-25 CN CN201911358130.1A patent/CN113112443B/zh active Active
-
2020
- 2020-12-01 WO PCT/CN2020/133029 patent/WO2021129325A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
CN106570860A (zh) * | 2016-10-31 | 2017-04-19 | 浙江工业大学 | 一种改进的基于距离正则化水平集的核磁共振图像咬肌分割方法 |
CN110288581A (zh) * | 2019-06-26 | 2019-09-27 | 电子科技大学 | 一种基于保持形状凸性水平集模型的分割方法 |
Non-Patent Citations (1)
Title |
---|
LI,Chunming 等.Distance Regularized Level Set Evolution and Its Application to Image Segmentation.IEEE TRANSACTIONS ON IMAGE PROCESSING.2010,第3243-3254页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113112443A (zh) | 2021-07-13 |
WO2021129325A1 (zh) | 2021-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113112443B (zh) | 超声图像病灶的分割方法、装置和计算机设备 | |
CN113034426B (zh) | 超声图像病灶描述方法、装置、计算机设备和存储介质 | |
Foruzan et al. | Improved segmentation of low-contrast lesions using sigmoid edge model | |
Huang et al. | Breast ultrasound image segmentation: a survey | |
JP7412636B2 (ja) | 人工知能に基づく画像処理方法、装置、コンピュータ装置及びコンピュータプログラム | |
CN108010021B (zh) | 一种医学图像处理***和方法 | |
US10453200B2 (en) | Automated segmentation using deep learned priors | |
WO2022089221A1 (zh) | 医学图像分割方法、装置、设备、***及计算机存储介质 | |
WO2021129324A1 (zh) | 超声图像病灶的分割方法、装置和计算机设备 | |
Khan et al. | J Pathol Inform | |
Liu et al. | An effective approach of lesion segmentation within the breast ultrasound image based on the cellular automata principle | |
WO2006024974A1 (en) | Feature weighted medical object contouring using distance coordinates | |
GB2461558A (en) | Image Segmentation | |
KR102332032B1 (ko) | 복부장기 자동분할을 이용한 복부장기 볼륨 변화 분석에 기반한 복부장기 상태 판단 방법 | |
Sethi et al. | Segmentation of cancerous regions in liver using an edge-based and phase congruent region enhancement method | |
WO2011158135A1 (en) | Tissue classification | |
Lee et al. | Unsupervised segmentation of lung fields in chest radiographs using multiresolution fractal feature vector and deformable models | |
WO2019130131A1 (en) | Adaptive segmentation of lesions in medical images | |
Jain et al. | IFCM based segmentation method for liver ultrasound images | |
Mohan et al. | Fuzzy c-means segmentation on enhanced mammograms using CLAHE and fourth order complex diffusion | |
Koundal et al. | An automatic ROI extraction technique for thyroid ultrasound image | |
CN111539926A (zh) | 一种图像检测方法及装置 | |
CN114187320B (zh) | 脊柱ct图像的分割方法、椎体成像的识别方法及装置 | |
Rawas et al. | HCET-G 2: dermoscopic skin lesion segmentation via hybrid cross entropy thresholding using Gaussian and gamma distributions | |
Homann et al. | Vasculature segmentation of CT liver images using graph cuts and graph-based analysis |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 215000 5th floor, building a, 4th floor, building C, 27 Xinfa Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant after: Feiyinuo Technology Co.,Ltd. Address before: 215000 5th floor, building a, 4th floor, building C, 27 Xinfa Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant before: VINNO TECHNOLOGY (SUZHOU) Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |