CN113177952B - 基于方向信息的腹部ct图像肝脏区域自动分割方法 - Google Patents

基于方向信息的腹部ct图像肝脏区域自动分割方法 Download PDF

Info

Publication number
CN113177952B
CN113177952B CN202110460331.3A CN202110460331A CN113177952B CN 113177952 B CN113177952 B CN 113177952B CN 202110460331 A CN202110460331 A CN 202110460331A CN 113177952 B CN113177952 B CN 113177952B
Authority
CN
China
Prior art keywords
liver
pixel
direction information
segmentation result
image
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
CN202110460331.3A
Other languages
English (en)
Other versions
CN113177952A (zh
Inventor
廖苗
邸拴虎
赵于前
杨振
曾业战
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.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
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 Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN202110460331.3A priority Critical patent/CN113177952B/zh
Publication of CN113177952A publication Critical patent/CN113177952A/zh
Application granted granted Critical
Publication of CN113177952B publication Critical patent/CN113177952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于方向信息的腹部CT图像肝脏区域自动分割方法，包括：(1)建立包含原始CT图像和肝脏区域手动分割结果的训练数据集A；(2)根据肝脏区域手动分割结果，获取指向肝脏边界的方向，建立包含原始CT图像和方向信息的训练数据集B；(3)分别将训练数据集A和B输入深度神经网络模型进行训练，得到权重参数不同的两种模型NA和NB；(4)将待检测CT图像分别输入已训练的模型NA和NB，得到肝脏初始分割结果和指向肝脏边界的方向信息；(5)利用方向信息指导肝脏初始分割结果进行收缩或扩张，得到最终的肝脏区域精确分割结果。本发明可有效解决CT图像边界模糊、结构复杂、灰度多样等引起的欠分割或过分割问题，提高肝脏分割精度。

Description

基于方向信息的腹部CT图像肝脏区域自动分割方法
技术领域
本发明涉及医学图像处理技术领域，特别涉及一种基于方向信息的腹部CT图像肝脏区域自动分割方法。
背景技术
肝脏是人体最大的实质性器官，具有滤过、代谢、解毒等功能，对维持人体内环境稳态具有重要作。我国是肝脏疾病高发国家。据统计，我国每年新增肝脏疾病病例占全世界新发病例的50％以上。肝脏疾病的早发现早治疗对于获得良好预后、提高患者生活质量具有重要意义。在临床实践中，计算机断层扫描(Computed tomography,CT)因其成像速度快、密度分辨率高、对人体损伤小等优点，被广泛应用于肝脏疾病的检测与诊断。从CT图像中准确分割肝脏组织是肝脏疾病诊断和治疗的重要前提。目前，肝脏分割通常由经验丰富的放射科专家手动勾画完成。由于CT成像生成的切片数量较多，手动分割非常耗时耗力且分割结果具有很强主观性。因此，研究腹部CT图像肝脏区域的自动准确分割具有重要意义。
现有的肝脏分割方法主要分为传统方法和深度学***集和图割法等，这些方法主要利用图像底层的灰度信息进行分割，易将灰度接近的脾脏、肾脏、隔肌等组织误分为肝脏区域，同时对于存在病变的肝脏区域，易造成欠分割。此外，该类方法通常需要人为指定种子点或感兴趣区域，分割效率较低。为了实现肝脏的全自动分割，近年来，不少文献提出了基于深度学习的方法。通过从大量训练数据中学习并提取图像高维特征，深度学习可有效识别CT序列中的肝脏区域，解决肝脏病变带来的分割困难。然而，受肝脏形状复杂、边界模糊、与毗邻组织对比度低等因素的影响，深度学习方法通常很难实现端到端的肝脏区域精准分割，尤其对于形状不规则的肝脏，易在拐角或边界处出现欠分割或过分割。
发明内容
针对现有技术的缺点与不足，本发明将指向肝脏边界的方向信息融入深度学习网络模型，旨在提供一种基于方向信息的腹部CT图像肝脏区域自动分割方法，解决由肝脏形状复杂、边界模糊、与毗邻组织对比度低等因素引起的CT图像肝脏区域自动分割不精准的问题，提高肝脏疾病计算机辅助诊断的精度与效率。
一种基于方向信息的腹部CT图像肝脏区域自动分割方法，包括以下步骤：
(1)建立包含原始CT图像和肝脏区域手动分割结果的训练集A；
(2)根据肝脏区域手动分割结果，获取指向肝脏边界的方向，建立包含原始CT图像和方向信息的训练数据集B；
(3)分别将训练集A和B输入深度神经网络模型进行训练，得到权重参数不同的两种模型NA和NB；
(4)将待检测CT图像分别输入已训练的模型NA和NB，得到肝脏初始分割结果和指向肝脏边界的方向信息；
(5)利用方向信息指导肝脏初始分割结果进行收缩或扩张，得到最终的肝脏区域精确分割结果。
在第(2)步中，指向肝脏边界的方向信息获取过程如下：
a)根据肝脏手动分割结果，分别提取肝脏区域L的边缘像素集EL和非肝脏区域G中的边缘像素集EG；
b)对于图像中每一个像素p，若p∈L，则从边缘像素集EG中寻找与其欧氏距离最近的像素ep；若p∈G，则从像素集EL中寻找与其欧氏距离最近的像素ep；
c)根据像素点p和ep的相对位置关系，采用如下公式计算p指向肝脏边界的方向：
Figure BDA0003042015830000021
其中，(xp,yp)和(xep,yep)分别表示像素p和ep的行坐标和列坐标。
在第(3)步中，网格模型优选UNet或DeepLabv3+。训练网络模型NA和NB时，损失函数分别优选Dice和均方差损失函数，其中Dice损失函数定义为：
Figure BDA0003042015830000031
其中，
Figure BDA0003042015830000032
为采用网络模型NA对CT图像中第k个像素进行肝脏区域预测的结果，yk为CT图像中第k个像素的肝脏手动分割结果，N为CT图像中像素点的数目。均方差损失函数则定义为：
Figure BDA0003042015830000033
其中，
Figure BDA0003042015830000035
为采用网络模型NB对图像中第k个像素进行方向信息预测的结果，gk为根据肝脏手动分割结果计算得到的图像中第k个像素指向肝脏边界的方向信息。
在第(5)步中，利用方向信息指导肝脏初始分割结果进行收缩或扩张，具体包括：
a)提取肝脏初始分割结果中的边缘像素集P＝{pi|i＝1,2,…,n}，其中n为边缘像素数目；
b)对于每一个像素pi∈P，根据其方向信息搜索其指向的下一个像素pj，计算像素pi和pj的方向差值D＝|αi-αj|；其中，αi和αj分别为像素pi和pj的方向信息，像素pj的搜索过程具体为：首先将pi所有可能的方向信息等分为8个区间，其分别对应于像素pi的8个邻域像素，然后根据像素pi的具体方向信息αi所处区间，获取其所指向像素pj的坐标(xj,yj)：
Figure BDA0003042015830000034
其中，xi和yi分别表示像素pi的行坐标和列坐标；
c)若方向差值D小于预设阈值T，则表明像素pi和pj的方向信息相似，二者同位于真实肝脏边界外侧，即非肝脏区域，或内侧，即肝脏区域，此时，需根据像素pj的初始分割结果对肝脏区域进行收缩或扩张，具体步骤如下：若像素pj在初始分割结果中被判定为肝脏，则将像素pi更新为非肝脏，使分割结果向内收缩；若像素pj在初始分割结果中被判定为非肝脏，则将像素pj更新为肝脏，使分割结果向外扩张；
d)若方向差值D大于或等于预设阈值T,则表明像素pi和pj的方向信息差异较大，二者正好位于真实肝脏边界两侧，此时像素pi和pj的所属类别均保持不变；
e)根据更新后的肝脏区域分割结果，重新获取边缘像素集P，重复步骤b)～d)，直到肝脏分割结果中所有的边缘像素pi与其所指向的下一个像素pj的方向信息的差值均大于或等于预设阈值T。T优选π/3～2π/3之间的常数。
与现有技术相比，本发明方法的主要优点与创新包括：首先，根据肝脏手动分割结果计算指向肝脏边界的方向信息，增强了图像中每个像素与肝脏边界之间的关联，使网络模型更容易从中学习到肝脏区域的边界特征；其次，利用指向肝脏边界的方向信息指导肝脏初始分割结果进行收缩与扩张，可有效优化分割结果，去除过分割与欠分割误差，提升肝脏分割精度。
附图说明
图1本发明实施方式的一种基于方向信息腹部CT图像肝脏区域自动分割方法流程图
图2本发明实施方式的指向肝脏边界的方向信息计算示意图，其中图2(a)为像素p和肝脏边界示意图，图2(b)为像素p与其对应的欧氏距离最近的边缘像素ep的示意图，图2(c)为指向肝脏边界的方向信息图，图2(d)为图2(c)中黑色方框所示区域的局部放大图；
图3本发明实施方式的肝脏初始分割结果示例
图4本发明实施方式得到的指向肝脏边界的方向信息示例
图5本发明实施方式的肝脏区域最终分割结果示例
具体实施方式
图1所示为本发明实施方式的一种基于方向信息的腹部CT图像肝脏区域自动分割方法流程图。首先，将包含原始CT图像和肝脏区域手动分割结果的数据集A以及包含原始CT图像和方向信息的数据集B分别输入深度神经网络模型进行训练，得到权重参数不同的两种模型NA和NB；然后，将待检测的CT图像输入已训练的网络模型NA和NB，得到肝脏初始分割结果和指向肝脏边界的方向信息；最后，利用指向肝脏边界的方向信息指导肝脏初始分割结果进行收缩或扩张，得到最终的肝脏区域精确分割结果。
下面结合图1，以实施例详细说明本发明的一种基于方向信息的腹部CT图像肝脏区域自动分割方法。具体实施步骤如下：
(1)从LiTS公共数据库中随机挑选100个腹部CT原始序列图像和其对应的肝脏区域手动分割结果，建立训练集A；
(2)根据肝脏手动分割结果，获取指向肝脏边界的方向信息，建立包含原始CT图像和方向信息的训练数据集B；其中，指向肝脏边界的方向信息获取过程如下：
a)根据肝脏手动分割结果，分别提取肝脏区域L的边缘像素集EL和非肝脏区域G中的边缘像素集EG；
b)对于图像中每一个像素p，若p∈L，则从边缘像素集EG中寻找与其欧氏距离最近的像素ep；若p∈G，则从像素集EL中寻找与其欧氏距离最近的像素ep；
c)根据像素点p和ep的相对位置关系，采用如下公式计算p指向肝脏边界的方向：
Figure BDA0003042015830000051
其中，(xp,yp)和(xep,yep)分别表示像素p和ep的行坐标和列坐标。图2为本实施例中指向肝脏边界的方向信息计算示意图,其中，图2(a)为像素p和肝脏边界示意图，图2(b)为像素p与其对应的欧氏距离最近的边缘像素ep的示意图，图2(c)为采用本实施例计算得到的指向肝脏边界的方向信息，图2(d)为图2(c)中黑色方框所示区域的局部放大图。可以看到，图像像素均指向肝脏边界，位于肝脏内部或外部的邻域像素的方向信息基本一致，而位于肝脏边界处的邻域像素方向信息差异较大；
(3)分别将训练集A和B输入网络模型进行训练，得到权重参数不同的两种模型NA和NB。本实施例中网络模型优选UNet，训练网络模型NA和NB时，损失函数分别优选Dice和均方差损失函数，其中Dice损失函数定义为：
Figure BDA0003042015830000061
其中，
Figure BDA0003042015830000062
为采用网络模型NA对CT图像中第k个像素进行肝脏区域预测的结果，yk为CT图像中第k个像素的肝脏手动分割结果，N为CT图像中像素点的数目。均方差损失函数则定义为：
Figure BDA0003042015830000063
其中，
Figure BDA0003042015830000064
为采用网络模型NB对图像中第k个像素进行方向信息预测的结果，gk为根据肝脏手动分割结果计算得到的图像中第k个像素指向肝脏边界的方向信息；
(4)将待检测CT图像分别输入已训练的模型NA和NB，得到肝脏初始分割结果和指向肝脏边界的方向信息。图3(a)～图3(c)为随机挑选的三幅不同病人的CT图像，其中白色实曲线所示区域为采用本实施例得到的初始分割结果，可以看到，采用网络模型NA虽然可以有效分割肝脏区域，但在肝脏拐角及边界处仍存在明显过分割和欠分割，如图3中白色虚线圆圈所示。图4(a)～图4(c)为对图3(a)～图3(c)所示原始CT图像采用本实施例得到的指向肝脏边界的方向信息，其中肝脏边界特征均被有效提取；
(5)利用方向信息指导肝脏初始分割结果进行收缩或扩张，得到最终的肝脏区域精确分割结果。具体过程如下：
a)提取肝脏初始分割结果中的边缘像素集P＝{pi|i＝1,2,…,n}，其中n为边缘像素数目；
b)对于每一个像素pi∈P，根据其方向信息搜索其指向的下一个像素pj，并计算像素pi和pj的方向信息差值D＝|αi-αj|；其中，αi和αj分别为像素pi和pj的方向信息，像素pj的搜索过程具体为：首先将pi所有可能的方向信息等分为8个区间，其分别对应于像素pi的8个邻域像素，然后根据像素pi的具体方向信息αi所处区间，获取其所指向像素pj的坐标(xj,yj)：
Figure BDA0003042015830000071
其中，xi和yi分别表示像素pi的行坐标和列坐标；
c)若方向差值D小于预设阈值T，则表明像素pi和pj的方向信息相似，二者同位于真实肝脏边界外侧(即非肝脏区域)或内侧(即肝脏区域)，此时，需根据像素pj的初始分割结果对肝脏区域进行收缩或扩张，具体步骤如下：若像素pj在初始分割结果中被判定为肝脏，则将像素pi更新为非肝脏，使分割结果向内收缩；若像素pj在初始分割结果中被判定为非肝脏，则将像素pj更新为肝脏，使分割结果向外扩张；
d)若方向差值D大于或等于预设阈值T,则表明像素pi和pj的方向信息差异较大，二者正好位于真实肝脏边界两侧，此时像素pi和pj的所属类别均保持不变；
e)根据更新后的肝脏区域分割结果，重新获取边缘像素集P，重复步骤b)～d)，直到肝脏分割结果中所有的边缘像素pi与其所指向的下一个像素pj的方向信息的差值均大于或等于预设阈值T。本实施例中优先T为π/2。
图5(a)～图5(c)中的白色实曲线所示区域为采用本实施例得到的最终的肝脏区域精确分割结果示例，可以看出，其中的肝脏区域被精确分割。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (5)

1.一种基于方向信息的腹部CT图像肝脏区域自动分割方法，其特征在于，包括以下步骤：
(1)建立包含原始CT图像和肝脏区域手动分割结果的训练数据集A；
(2)根据肝脏区域手动分割结果，获取图像中每个像素指向肝脏边界的方向，建立包含原始CT图像和方向信息的训练数据集B，其中，指向肝脏边界的方向信息获取过程如下：
(a)根据肝脏手动分割结果，分别提取肝脏区域L的边缘像素集EL和非肝脏区域G中的边缘像素集EG；
(b)对于图像中每一个像素p，若p∈L，则从边缘像素集EG中寻找与其欧氏距离最近的像素ep；若p∈G，则从像素集EL中寻找与其欧氏距离最近的像素ep；
(c)根据像素点p和ep的相对位置关系，采用如下公式计算p指向肝脏边界的方向：
Figure FDA0003292137560000011
其中，(xp,yp)和(xep,yep)分别表示像素p和ep的行坐标和列坐标；
(3)分别将训练数据集A和B输入深度神经网络模型进行训练，得到权重参数不同的两种模型，分别记作NA和NB；
(4)将待检测CT图像分别输入已训练的模型NA和NB，得到肝脏初始分割结果和指向肝脏边界的方向信息；
(5)利用方向信息指导肝脏初始分割结果进行收缩或扩张，得到最终的肝脏区域精确分割结果，具体包括：
(a)提取肝脏初始分割结果中的边缘像素集P＝{pi|i＝1,2,…,n}，其中n为边缘像素数目；
(b)对于每一个像素pi∈P，根据其方向信息搜索其指向的下一个像素pj，计算像素pi和pj的方向差值D＝|αi-αj|，其中αi和αj分别为像素pi和pj的方向信息；
(c)若方向差值D小于预设阈值T，则表明像素pi和pj的方向信息相似，二者同位于真实肝脏边界外侧，即非肝脏区域，或内侧，即肝脏区域，此时，需根据像素pj的初始分割结果对肝脏区域进行收缩或扩张，具体步骤如下：若像素pj在初始分割结果中被判定为肝脏，则将像素pi更新为非肝脏，使分割结果向内收缩；若像素pj在初始分割结果中被判定为非肝脏，则将像素pj更新为肝脏，使分割结果向外扩张；
(d)若方向差值D大于或等于预设阈值T,则表明像素pi和pj的方向信息差异较大，二者正好位于真实肝脏边界两侧，此时像素pi和pj的所属类别均保持不变；
(e)根据更新后的肝脏区域分割结果，重新获取边缘像素集P，重复步骤(b)～(d)，直到肝脏分割结果中所有的边缘像素pi与其所指向的下一个像素pj的方向信息的差值均大于或等于预设阈值T。
2.如权利要求1所述的基于方向信息的腹部CT图像肝脏区域自动分割方法，其特征在于：在步骤(3)中，深度学习网络模型优选UNet或DeepLabv3+。
3.如权利要求1所述的基于方向信息的腹部CT图像肝脏区域自动分割方法，其特征在于：在步骤(3)中，训练网络模型NA和NB时，损失函数分别优选Dice和均方差损失函数，其中Dice损失函数定义为：
Figure FDA0003292137560000021
其中，
Figure FDA0003292137560000022
为采用网络模型NA对CT图像中第k个像素进行肝脏区域预测的结果，yk为CT图像中第k个像素的肝脏手动分割结果，N为CT图像中像素点的数目；均方差损失函数则定义为：
Figure FDA0003292137560000023
其中，
Figure FDA0003292137560000024
为采用网络模型NB对图像中第k个像素进行方向信息预测的结果，gk为根据肝脏手动分割结果计算得到的图像中第k个像素指向肝脏边界的方向信息。
4.如权利要求1所述的基于方向信息的腹部CT图像肝脏区域自动分割方法，其特征在于：在步骤(5)中，根据像素pi的方向信息搜索其指向的下一个像素pj的过程，具体为：首先将pi所有可能的方向信息等分为8个区间，其分别对应于像素pi的8个邻域像素，然后根据像素pi的具体方向信息αi所处区间，获取其所指向像素pj的坐标(xj,yj)：
Figure FDA0003292137560000031
其中，xi和yi分别表示像素pi的行坐标和列坐标。
5.如权利要求1所述的基于方向信息的腹部CT图像肝脏区域自动分割方法，其特征在于：T优选π/3～2π/3之间的常数。
CN202110460331.3A 2021-04-27 2021-04-27 基于方向信息的腹部ct图像肝脏区域自动分割方法 Active CN113177952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110460331.3A CN113177952B (zh) 2021-04-27 2021-04-27 基于方向信息的腹部ct图像肝脏区域自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110460331.3A CN113177952B (zh) 2021-04-27 2021-04-27 基于方向信息的腹部ct图像肝脏区域自动分割方法

Publications (2)

Publication Number Publication Date
CN113177952A CN113177952A (zh) 2021-07-27
CN113177952B true CN113177952B (zh) 2021-11-16

Family

ID=76926615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110460331.3A Active CN113177952B (zh) 2021-04-27 2021-04-27 基于方向信息的腹部ct图像肝脏区域自动分割方法

Country Status (1)

Country Link
CN (1) CN113177952B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318553B (zh) * 2014-10-15 2017-07-14 北京理工大学 基于自适应表面形变模型的ct图像肝脏分割方法
CN104361597A (zh) * 2014-11-23 2015-02-18 长春工业大学 基于主动轮廓模型的肝脏dti图像分割的方法
CN105139377B (zh) * 2015-07-24 2017-09-05 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
CN110619633B (zh) * 2019-09-10 2023-06-23 武汉科技大学 一种基于多路滤波策略的肝脏图像分割方法
CN110659692B (zh) * 2019-09-26 2023-04-18 重庆大学 基于强化学习和深度神经网络的病理图像自动标注方法
CN110689548B (zh) * 2019-09-29 2023-01-17 浪潮电子信息产业股份有限公司 一种医学图像分割方法、装置、设备及可读存储介质
CN111583246A (zh) * 2020-05-11 2020-08-25 北京小白世纪网络科技有限公司 利用ct切片图像对肝脏肿瘤进行分类的方法
CN112508888B (zh) * 2020-11-26 2023-12-19 中国科学院苏州生物医学工程技术研究所 面向医学影像的脑动脉快速自动分割方法及***
CN112215844A (zh) * 2020-11-26 2021-01-12 南京信息工程大学 基于ACU-Net的MRI多模态图像分割方法和***

Also Published As

Publication number Publication date
CN113177952A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN110503649B (zh) 一种基于空间多尺度U-net与超像素修正的肝脏分割方法
CN113674253B (zh) 基于U-Transformer的直肠癌CT影像自动分割方法
CN102068281B (zh) 一种占位性病变超声图像的处理方法
WO2019000455A1 (zh) 图像分割的方法及***
CN109753997B (zh) 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
CN106846346B (zh) 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法
CN109064470B (zh) 一种基于自适应模糊聚类的图像分割方法及装置
CN110930416A (zh) 一种基于u型网络的mri图像***分割方法
CN106056596B (zh) 基于局部先验信息和凸优化的全自动三维肝脏分割方法
CN107680110B (zh) 基于统计形状模型的内耳三维水平集分割方法
CN106780491B (zh) Gvf法分割ct骨盆图像中采用的初始轮廓生成方法
CN103544695B (zh) 一种高效的基于博弈框架的医学图像分割方法
CN111145185B (zh) 一种基于聚类关键帧提取ct图像的肺实质分割方法
CN104318565B (zh) 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法
CN111832563A (zh) 一种基于超声图像的智能化乳腺肿瘤辨别方法
CN110610491B (zh) 一种腹部ct图像的肝脏肿瘤区域分割方法
CN114155202A (zh) 基于特征融合和迁移学习的甲状腺结节超声图像分类方法
CN111383759A (zh) 一种肺炎自动诊断***
CN113706492A (zh) 一种基于胸部ct影像的肺实质自动分割方法
CN106780492B (zh) 一种ct骨盆图像的关键帧提取方法
CN114972272A (zh) 一种基于Grad-CAM的新冠肺炎病灶分割方法
CN112348826B (zh) 一种基于测地线距离和V-net的交互式肝脏分割方法
CN114862885A (zh) 肝脏mri影像缩域分割与三维病灶重建方法
CN112712540B (zh) 一种基于ct影像的肺部支气管提取方法
CN113487568A (zh) 一种基于差分曲率的肝脏表面平滑度的测量方法

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