CN114972764B - 一种基于特征聚类的多图谱分割方法 - Google Patents
一种基于特征聚类的多图谱分割方法 Download PDFInfo
- Publication number
- CN114972764B CN114972764B CN202210914811.7A CN202210914811A CN114972764B CN 114972764 B CN114972764 B CN 114972764B CN 202210914811 A CN202210914811 A CN 202210914811A CN 114972764 B CN114972764 B CN 114972764B
- Authority
- CN
- China
- Prior art keywords
- image
- map
- volume
- segmentation
- library
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医学图像处理领域,关于一种基于特征聚类的多图谱分割方法,包括:对医学图像进行勾画、命名、体积计算,根据计算结果构造体积特征值列表并调整形成总图谱库;将体积特征值映射到归一化数据区间内,使用聚类算法根据体积特征对图谱库进行分类,随机初始化n个聚类中心点;计算体积特征值到中心点的距离,根据距离决定所述聚类,将图谱库划分为n个子图谱库;计算待分割图像与各图谱库图像体积特征值的距离,选择距离较接近的图谱作为该图像分割所需使用的图谱,在对应子库中进行多图谱分割并得到分割结果。改进后的多特征图谱分割方法较现有图谱分割方法有更优的效果,提高了对大体积感兴趣区CT图像分割的效率和精度。
Description
技术领域
本发明涉及医学图像处理技术领域,涉及一种多图谱分割方法,特别是关于一种基于特征聚类的多图谱分割方法。
背景技术
医学图像分割的目的是区分具有特定意义的不同区域,任意两个区域之间没有交叉,且每个区域都满足属性的一致性,其对三维可视化、病理分析、临床诊断和医疗干预等领域都具有十分重要的意义。
基于形变算法的图谱分割方法是一种重要的图像分割方法。该方法是以感兴趣区边界为优化目标,将图谱图像中已准确勾画好的轮廓,通过形变场映射到待分割图像中并形成新的轮廓。CT影像的正常组织感兴趣区图像分割是该算法的重要应用。其中多图谱分割(Multi-atlas segmentation, MAS)在医学图像分割领域是最广泛使用的图像分割技术之一。多图谱分割利用图谱图像和待分割图像的相似度信息对应关系,为待分割图像的每一个体素分配分割标签。由于所使用的图谱图像包含了事先由专家勾画的感兴趣区先验知识,因此多图谱分割比其它分割方法更具有优势。
现有多图谱分割方法从图像库中选取和待分割图像相似性测度最高的一组CT图像,这些相似性测度包括图像间的误差平方和、相关和互信息以及解剖结构等。虽然也可以找到合适的匹配图谱,但是在一个数量庞大的图库中寻找时,需要对图谱库中的每一幅图像都计算其与待分割图像之间的相似性测度,因此需要消耗大量计算机资源,给搜索带来了困难,使得整个分割过程更加复杂。更重要的是,现有图谱图像选择方法主要以图谱图像与待分割图像之间的CT值(灰度)相似性为选择标准,而不是以感兴趣区相似度为标准,感兴趣区外图像相似度会干扰Atlas图像选择的结果。
本发明力图解决这些和本领域中的其他待解决的需要。
发明内容
为解决上述背景技术中提及的至少一种技术问题,本发明结合相似性测度搜索方法和轮廓特征搜索方法各自的优点,提出一种新的改进图谱搜索算法-多特征图谱库搜索算法,新方法在图谱库选择、图谱库分类、图谱特征定义、分割图像预处理等方面进行改进,引入轮廓体积特征搜索机制和相似性测度搜索机制共同作用,以期达到更好的图像分割准确性。实验证明,改进后的多特征图谱分割方法较现有图谱分割方法有更优的效果,提高了对大体积感兴趣区CT图像分割的效率和精度。
一种基于特征聚类的多图谱分割方法,包括
对医学图像进行勾画、命名、体积计算,根据计算结果构造体积特征值列表并调整形成总图谱库;
将体积特征值映射到归一化数据区间内形成列表,使用聚类算法根据体积特征对图谱库进行分类,随机初始化n个聚类中心点;
计算体积特征值到中心点的距离,根据距离决定所述聚类,根据聚类结果将图谱库划分为n个子图谱库;
计算待分割图像与各图谱库图像体积特征值的距离,选择距离较接近的图谱作为该图像分割所需使用的图谱,在对应子库中进行多图谱分割并得到分割结果。
进一步的,所述基于特征聚类的多图谱分割方法具体包括:
S1、勾画图谱库中的CT图像正常组织区域;
S2、对勾画得到的组织轮廓进行命名;
S3、计算CT图像正常组织轮廓体积;
S4、根据体积计算结果,构造与图谱对应的轮廓体积特征值列表;
S5、依据器官体积数据调整图谱库图像,形成总图谱库;
S6、将图谱库中同一轮廓样本的体积值映射到归一化数据区间内形成列表,该列表作为图谱库图像的体积特征值保留;
S7、使用聚类算法根据体积特征对图谱库进行分类,随机初始化n个聚类中心点,每个中心点用体积特征值(V1,V2,V3…)作为不同维度;
S8、计算图谱库中某组图像的每个轮廓的体积特征值到中心点的距离,根据距离决定所属聚类,按照聚类结果,将图谱库划分成n个子图谱库;
S9、计算待分割图像与各图谱库图像体积特征值的距离,选择距离较接近的图谱作为该图像分割所需使用的图谱;
S10、在对应子库中进行多图谱分割并得到最终分割结果。
进一步的,步骤S1中,所述CT图像包括Dicom格式。
进一步的,步骤S2中,所述对勾画得到的组织轮廓进行命名时,对不同的CT图像使用相同的轮廓命名。
进一步的,步骤S5中,所述器官体积数据包括器官体积出现的最大、最小体积及其出现的频率。
进一步的,步骤S5中,所述调整图谱库图像包括增加和/或图谱库图像。
进一步的,步骤S6中,所述将图谱库中同一轮廓样本的体积値映射到归一化数据区间内形成列表时,应用归一化算法。
进一步的,步骤S9中,选择图谱库时可以预先估算待分割图像轮廓体积,决定对应图谱库。
进一步的,步骤S9中,所述选择距离较接近的图谱作为该图像分割所需使用的图谱意指根据接近程度选择最接近的3-5例图谱作为该图像分割所需使用的图谱。
本发明提出的多特征图谱库搜索算法使用体积特征值作为确定图谱子库的依据,改变了传统图谱库搜索算法使用相似性测度作为最匹配图谱搜索算法的机制,避免了在图像总体相似度接近,但是感兴趣区轮廓局部体积差异太大而可能导致的形变算法无法准确形变的问题,因此能获得更准确的形变结果。
本发明将数量较大的图谱库分为n个子库,对待分割图谱轮廓体积做预估计后,仅使用子图谱库完成分割,缩短了算法寻找最匹配图谱的时间,提高了图像分割效率。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述程序时执行前述所述基于特征聚类的多图谱分割方法。
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指令,所述指令使所述计算机执行前述所述基于特征聚类的多图谱分割方法。
在符合本领域常识的基础上,上述各优选条件,可以相互组合,得到具体实施方式。
本发明的有益效果为:
1)在选择图谱库图像时,根据体积值对各器官做了选择,保证库中图谱各器官的体积有接近的频数分布,目的是确保下一步分割过程中形变算法能更有效的计算分割结果;而现有方法未对入选图谱做类似处理;
2)使用体积特征值对图谱库进行聚类划分,划分后的图谱中,图谱样本具有接近的体积特征值,对分割图像更具有参考价值;而现有方法未对图谱库做出划分,图谱样本的体积特征值分散,搜索时往往难以找到最匹配图谱,形变结果不佳;
3)根据待分割图像各轮廓的体积特征,对待分割图像进行预分类,根据估算的体积特征值,计算图像到各个子图谱库聚类中心的距离,然后选择距离最小的子图谱库作为搜索图谱库;而现有方法未对待分割图像做预筛选,往往导致分割效果不佳;
4)对图谱库进行聚类划分后,缩小了每个子图谱库的数量,当执行新分割任务时,仅需要在较小范围内寻找最匹配图谱,搜索效率高,计算开销小;而现有方法使用完整图谱库,分割需要在全图谱库范围内寻找,搜索效率低,计算开销大;
5)本发明也可以使用体积特征值确定最匹配图谱,通过计算待分割图像与各图谱库图像体积特征值的距离,确定最匹配图谱。该方法的计算时间快,计算开销小,分割准确度高;而现有方法使用相似性测度确定最匹配图谱,通过计算待分割图像与各图谱库图像相似性测度确定最匹配图谱,现有方法的计算时间慢,计算开销大,分割准确度差。
本发明为实现上述目的而采用了上述技术方案,弥补了现有技术的不足,设计合理,操作方便。
附图说明
旨在为使得本领域技术人员更加迅速明确的了解本申请的上述和/或其他目的、特征、优点与实例,提供了部分附图,应当指出的是,构成本申请的说明书附图、示意性实施例及其说明用来提供对本申请的进一步理解,并不构成对本申请的不当限定。
图1是本发明所述分割方法的总流程图;
图2是实施例2所述聚类方法的示意图;
图3是实施例2所述聚类方法的流程图;
图4是本发明所述分割方法与现有分割方法在膀胱、直肠分割中的表现。
具体实施方式
本领域技术人员可以借鉴本文内容,适当替换和/或改动工艺参数实现,然而特别需要指出的是,所有类似的替换和/或改动对本领域技术人员来说是显而易见的,它们都被视为包括在本发明。本发明所述内容已经通过较佳实例进行了描述,相关人员明显能在不脱离本发明内容、精神和范围内对本文所述的内容进行改动或适当变更与组合,来实现和应用本发明技术。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制本申请的技术方案。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
以下详细描述本发明。
实施例1:
如图1所示,提供一种基于特征聚类的多图谱分割方法,首先包括图谱库创建,具体包括下述步骤。
1、创建一个含有100-150例CT图像的图谱库,对每例CT图像中的轮廓指定统一的名称标签,如:“Bladder”,“Rectum”,“External”,“Femoal_Head_Left”,“Femoal_Head_Right”等。对每例CT图像都检查勾画准确性,确保图谱库内轮廓勾画的一致性。
2、使用医学图像处理软件,统计所有CT图像轮廓的体积,观察图谱库中所有轮廓体积的最大值和最小值,使得入选图谱库各轮廓体积范围都能覆盖人群轮廓体积,同时各轮廓体积范围内的对于图谱数频次分布均匀。对于轮廓体积值范围覆盖不够的,应从数据库中搜索新图谱库加入。对于已入选图谱库但轮廓体积值重复性高的,应从图谱库中剔除重复图谱。
表1-图谱库图像/轮廓体积
原始 | 轮廓1(cm<sup>3</sup>) | 轮廓2(cm<sup>3</sup>) | 轮廓3(cm<sup>3</sup>) | 轮廓4(cm<sup>3</sup>) |
图像1 | 74.73 | 52.89 | 136.75 | 31776.14 |
图像2 | 157.52 | 107.02 | 101.09 | 22976.85 |
… | … | … | … | … |
图像100 | 430.22 | 36.25 | 85.44 | 19524.16 |
表2-图谱库图像/轮廓归一化处理的体积特征值
归一化 | 轮廓1(cm<sup>3</sup>) | 轮廓2(cm<sup>3</sup>) | 轮廓3(cm<sup>3</sup>) | 轮廓4(cm<sup>3</sup>) |
图像1 | 0.17 | 0.49 | 1.00 | 1.00 |
图像2 | 0.37 | 1.00 | 0.74 | 0.72 |
… | … | … | … | … |
图像100 | 1 | 0.34 | 0.62 | 0.61 |
3、根据入选的图谱,计算图谱库内各图像归一化处理的体积特征值,作为该图谱的体积特征。
4、如图2和3所示,使用聚类算法,将图谱库内的图像,按不同体积特征进行聚类。例如,选取“Bladder”,“Rectum”,“External”体积特征组成三维数组,确定3-4个聚类中心,多次迭代后计算确定3-4个子图谱库。
5、记录每个子图谱库的聚类中心。
实施例2:
在前述实施例的基础上,使用子图谱分割。
1、使用医学图像处理软件,根据各待勾画轮廓所占CT层数,根据经验公式估算各待勾画轮廓大致体积,并对体积做归一化计算。
2、计算待分割图像与各子图谱库的聚类中心的距离,选择距离最接近的库作为该图像分割所需使用的子图谱库。
3、使用多图谱分割方法,分别记录在待分割图像上选取所需感兴趣区,在库中搜索与待分割图像最相似的3-5例图谱,将这3-5例图谱进行融合,然后再进行形变配准用到待分割图像上,得到分割结果。
验证例:
验证采用现有技术方法与本申请前述实施例提供方法对盆腔部器官图像进行分割的准确度。实验在Raystation治疗计划***9.2版本平台测试,包含100例CT的图谱库中进行,使用多图谱分割方法作为基线方法。随机选取图谱库外的30例测试集病例,分别对膀胱、直肠的分割准确度进行了测试。
使用聚类分割方法将包含100例的图谱库分为4个子库。根据体积特征聚类并做归一化聚类后,每个子库包含的图谱库数量分别是:32,30,21,17。归一化对子库的分布做了调整,使得待分割图像有更大的几率被分配到更优的图谱库中。
通过相似性系数(dice similarity coefficient, DSC)来评价分割结果,DSC定义为:
其中Vref为专家勾画的准确轮廓体积,Vauto为分割方法勾画轮廓体积。DCS的大小均为0到1,当DSC=1时,表示两者完全重合,实现完美分割;当DSC=0时,表示两者无交集,无分割效果。使用SPSS 21软件进行比较分析勾画结果的差异性,结果经检验符合正态分布,对不同分割方式进行配对t检验,P<0.05为差异有统计学意义,分割效果如表3和图4所示。
表3-分割效果
由表3及图4可知,经归一化处理的多特征分割方法,膀胱分割效果远高于现有多图谱分割方法(0.83±0.08 vs 0.69±0.15,p<0.05),直肠分割效果同样高于现有多图谱分割方法(0.70±0.12 vs 0.56±0.15,p<0.05),且相对于现有分割方法均具有显著性差异。在分割时间上,现有分割方法由于图谱库中模板病例(100例)较多,导致自动勾画时间较长(6.3±0.1min),而本申请实施例提供方法由于精简了图谱库中模板病例,所以花费时间(2.6±0.5min)远少于现有分割方法所需时间。
因此,本申请提供了一种基于特征聚类的多图谱分割方法,首先对医学图像进行勾画、命名、体积计算,根据计算结果构造体积特征值列表并调整形成总图谱库;其次将体积特征值映射到归一化数据区间内形成列表,使用聚类算法根据体积特征对图谱库进行分类,随机初始化n个聚类中心点;再次计算体积特征值到中心点的距离,根据距离决定所述聚类,根据聚类结果将图谱库划分为n个子图谱库;最后计算待分割图像与各图谱库图像体积特征值的距离,选择距离较接近的图谱作为该图像分割所需使用的图谱,在对应子库中进行多图谱分割并得到分割结果。通过将数量较大的图谱库分为n个子库,对待分割图谱轮廓体积做预估计后,仅使用子图谱库完成分割,缩短了算法寻找最匹配图谱的时间,提高了图像分割效率。
实施例3:
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述程序时执行前述所述基于特征聚类的多图谱分割方法。
实施例4:
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指令,所述指令使所述计算机执行前述所述基于特征聚类的多图谱分割方法。
本发明技术方案的实质性内容或者说对现有技术做出贡献的核心内容部分可以以软件产品的形式体现出来,该软件产品可以存储在计算机存储器或存储介质中,实现本发明时还包括若干指令以使得计算机设备可执行本发明技术方案所述方法的全部或部分步骤,所述存储器或存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
上述所举例的装置仅仅是示例性的,所述电子设备及计算机中的各单元可以是在物理上分开的或者也可以是在物理上不分开的,可根据实际情况及需要选择各单元部分能够实现本发明技术方案的实质即可,因此本领域普通技术人员在不付出创造性劳动的基础上均可理解并实施本发明技术方案。
上述实施例中的常规技术为本领域技术人员所知晓的现有技术,故在此不再详细赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管对本发明已作出了详细的说明并引证了一些具体实施例,但是对本领域熟练技术人员来说,只要不离开本发明的精神和范围可作各种变化或修正是显然的。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本发明未尽事宜均为公知技术。
Claims (9)
1.一种基于特征聚类的多图谱分割方法,其特征在于包括:
对医学图像进行勾画、命名、体积计算,根据计算结果构造体积特征值列表并调整形成总图谱库;
将体积特征值映射到归一化数据区间内形成列表,使用聚类算法根据体积特征对图谱库进行分类,随机初始化n个聚类中心点;
计算体积特征值到中心点的距离,根据距离决定所述聚类,根据聚类结果将图谱库划分为n个子图谱库;
计算待分割图像与各图谱库图像体积特征值的距离,选择距离较接近的图谱作为该图像分割所需使用的图谱,在对应子库中进行多图谱分割并得到分割结果;
具体步骤包括:
S1、勾画图谱库中的CT图像正常组织区域;
S2、对勾画得到的组织轮廓进行命名;
S3、计算CT图像正常组织轮廓体积;
S4、根据体积计算结果,构造与图谱对应的轮廓体积特征值列表;
S5、依据器官体积数据调整图谱库图像,形成总图谱库;
S6、将图谱库中同一轮廓样本的体积值映射到归一化数据区间内形成列表,该列表作为图谱库图像的体积特征值保留;
S7、使用聚类算法根据体积特征对图谱库进行分类,随机初始化n个聚类中心点,每个中心点用体积特征值(V1,V2,V3…)作为不同维度;
S8、计算图谱库中某组图像的每个轮廓的体积特征值到中心点的距离,根据距离决定所属聚类,按照聚类结果,将图谱库划分成n个子图谱库;
S9、计算待分割图像与各图谱库图像体积特征值的距离,选择距离较接近的图谱作为该图像分割所需使用的图谱;
S10、在对应子库中进行多图谱分割并得到最终分割结果。
2.根据权利要求1所述的方法,其特征在于:步骤S1中,所述CT图像包括Dicom格式。
3.根据权利要求1所述的方法,其特征在于:步骤S2中,所述对勾画得到的组织轮廓进行命名时,对不同的CT图像使用相同的轮廓命名。
4.根据权利要求1-3任一项所述的方法,其特征在于:步骤S5中,所述器官体积数据包括器官体积出现的最大、最小体积及其出现的频率。
5.根据权利要求1-3任一项所述的方法,其特征在于:步骤S6中,所述将图谱库中同一轮廓样本的体积値映射到归一化数据区间内形成列表时,应用归一化算法。
6.根据权利要求1-3任一项所述的方法,其特征在于:步骤S9中,选择图谱库时可以预先估算待分割图像轮廓体积,决定对应图谱库。
7.根据权利要求1-3任一项所述的方法,其特征在于:步骤S9中,所述选择距离较接近的图谱作为该图像分割所需使用的图谱意指根据接近程度选择最接近的3-5例图谱作为该图像分割所需使用的图谱。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器运行所述程序时执行权利要求1-7任一项所述基于特征聚类的多图谱分割方法。
9.一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指令,其特征在于:所述指令使所述计算机执行权利要求1-7任一项所述基于特征聚类的多图谱分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210914811.7A CN114972764B (zh) | 2022-08-01 | 2022-08-01 | 一种基于特征聚类的多图谱分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210914811.7A CN114972764B (zh) | 2022-08-01 | 2022-08-01 | 一种基于特征聚类的多图谱分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972764A CN114972764A (zh) | 2022-08-30 |
CN114972764B true CN114972764B (zh) | 2022-11-18 |
Family
ID=82970113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210914811.7A Active CN114972764B (zh) | 2022-08-01 | 2022-08-01 | 一种基于特征聚类的多图谱分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972764B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687249B (zh) * | 2022-12-30 | 2023-03-28 | 浙江大华技术股份有限公司 | 一种图像聚档方法、装置、终端及计算机可读存储介质 |
CN116630341B (zh) * | 2023-04-20 | 2023-12-01 | 广州方信医疗技术有限公司 | 病理数字化玻片的处理方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012164345A (ja) * | 2006-10-10 | 2012-08-30 | Nikon Corp | 画像分類プログラム、画像分類装置および電子カメラ |
CN103426169A (zh) * | 2013-07-26 | 2013-12-04 | 西安华海盈泰医疗信息技术有限公司 | 一种医学图像的分割算法 |
CN104637024A (zh) * | 2013-11-14 | 2015-05-20 | 株式会社东芝 | 医用图像处理装置以及医用图像处理方法 |
CN109241628A (zh) * | 2018-09-08 | 2019-01-18 | 西北工业大学 | 基于图谱理论和聚类的三维cad模型分割方法 |
CN112435263A (zh) * | 2020-10-30 | 2021-03-02 | 苏州瑞派宁科技有限公司 | 医学图像分割方法、装置、设备、***及计算机存储介质 |
CN114463248A (zh) * | 2020-10-30 | 2022-05-10 | 国际商业机器公司 | 用于医学图像的基于种子的分割的种子重新标记 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680107B (zh) * | 2017-10-30 | 2020-09-08 | 西北工业大学 | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 |
CN110378910B (zh) * | 2019-06-28 | 2021-10-22 | 艾瑞迈迪医疗科技(北京)有限公司 | 基于图谱融合的腹腔多器官分割方法及装置 |
-
2022
- 2022-08-01 CN CN202210914811.7A patent/CN114972764B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012164345A (ja) * | 2006-10-10 | 2012-08-30 | Nikon Corp | 画像分類プログラム、画像分類装置および電子カメラ |
CN103426169A (zh) * | 2013-07-26 | 2013-12-04 | 西安华海盈泰医疗信息技术有限公司 | 一种医学图像的分割算法 |
CN104637024A (zh) * | 2013-11-14 | 2015-05-20 | 株式会社东芝 | 医用图像处理装置以及医用图像处理方法 |
CN109241628A (zh) * | 2018-09-08 | 2019-01-18 | 西北工业大学 | 基于图谱理论和聚类的三维cad模型分割方法 |
CN112435263A (zh) * | 2020-10-30 | 2021-03-02 | 苏州瑞派宁科技有限公司 | 医学图像分割方法、装置、设备、***及计算机存储介质 |
CN114463248A (zh) * | 2020-10-30 | 2022-05-10 | 国际商业机器公司 | 用于医学图像的基于种子的分割的种子重新标记 |
Non-Patent Citations (2)
Title |
---|
Agglomerative clustering of feature data for image segmentation;D.P. Mukherjee et al;《Proceedings. International Conference on Image Processing》;20021210;269-272 * |
基于无监督聚类的脑组织磁共振图像分割方法;张竞丹;《万方学位论文库》;20090921;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114972764A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972764B (zh) | 一种基于特征聚类的多图谱分割方法 | |
CN104933711B (zh) | 一种肿瘤病理图像自动快速分割方法 | |
US9129390B2 (en) | Method of segmenting anatomic entities in 3D digital medical images | |
WO2021203795A1 (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN111340828A (zh) | 基于级联卷积神经网络的脑部胶质瘤分割 | |
CN109615642B (zh) | 一种放疗计划中的危及器官自动勾画方法及装置 | |
CN113706487A (zh) | 基于自监督特征小样本学习的多器官分割方法 | |
Wu et al. | A supervoxel classification based method for multi-organ segmentation from abdominal ct images | |
CN111008989B (zh) | 一种基于多值体元的机载多光谱lidar三维分割方法 | |
Dhara et al. | Differential geometry-based techniques for characterization of boundary roughness of pulmonary nodules in CT images | |
CN111986101A (zh) | 一种脑血管图谱构建方法 | |
CN112884820A (zh) | 一种影像初始配准及神经网络的训练方法、装置和设备 | |
CN114419047A (zh) | 用于确定血管形态特征的方法、装置、设备和存储介质 | |
CN115409879A (zh) | 图像配准的数据处理方法及装置、存储介质、电子设备 | |
Cerrolaza et al. | Fetal skull segmentation in 3D ultrasound via structured geodesic random forest | |
EP2006802A1 (en) | Method of constructing a grey value model and/or a geometric model of an anatomic entity in a 3D digital medical image | |
CN113240680A (zh) | 一种基于深度学习技术的直肠癌系膜自动分割方法 | |
CN103400385B (zh) | 稀疏动态集成选择的胃部ct图像疑似***提取方法 | |
US10573006B2 (en) | Selection of a subset of atlases from a set of candidate atlases | |
CN112529900A (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
CN109800820B (zh) | 一种基于超声造影图像均匀程度的分类方法 | |
CN117244181A (zh) | 基于放疗风险器官轮廓的剂量分析方法及装置 | |
CN1399763A (zh) | 使用统计曲率分析的三维测量 | |
CN114821157A (zh) | 基于混合模型网络的多模态影像分类方法 | |
CN114913175A (zh) | 散斑图像质量评价方法、电子设备及存储介质 |
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 |