RU2656761C1 - Способ и система сегментации изображений очагов легких - Google Patents

Способ и система сегментации изображений очагов легких Download PDF

Info

Publication number
RU2656761C1
RU2656761C1 RU2017104263A RU2017104263A RU2656761C1 RU 2656761 C1 RU2656761 C1 RU 2656761C1 RU 2017104263 A RU2017104263 A RU 2017104263A RU 2017104263 A RU2017104263 A RU 2017104263A RU 2656761 C1 RU2656761 C1 RU 2656761C1
Authority
RU
Russia
Prior art keywords
images
structures
segmentation
determined
stage
Prior art date
Application number
RU2017104263A
Other languages
English (en)
Inventor
Глеб Сергеевич Сергеев
Алексей Леонидович Кривошапкин
Леонид Евгеньевич Кальнеус
Арсений Александрович Янченко
Виктор Александрович Гомболевский
Original Assignee
Общество С Ограниченной Ответственностью "Сибнейро"
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 Общество С Ограниченной Ответственностью "Сибнейро" filed Critical Общество С Ограниченной Ответственностью "Сибнейро"
Priority to RU2017104263A priority Critical patent/RU2656761C1/ru
Application granted granted Critical
Publication of RU2656761C1 publication Critical patent/RU2656761C1/ru

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/421—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation by analysing segments intersecting the pattern

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

Группа изобретений относится к области обработки данных компьютерной томографии (КТ) и может быть использована для сегментации изображений очагов легких. Получают данные КТ органов грудной клетки, содержащие изображения. Выполняют первый этап сегментации данных КТ, на котором определяется область грудной клетки. Удаляют из изображений выявленные костные структуры и мягкие ткани средостения за исключением сегмента легких. Определяют параметры КТ-плотности структур в заданном окне центра и ширины диапазона шкалы Хаунсфилда областей изображения, полученных после первого этапа сегментации. Определяют среднее значение их параметра КТ-плотности. Определяют области изображений с параметром КТ-плотности выше среднего значения. Выполняют второй этап сегментирования, при котором определяют набор разнородных структур на изображениях, полученных после первого этапа сегментирования. Выполняют фильтрацию полученных структур, состоящую из двух этапов. Вначале определяют точки на изображении полученных структур и определяют средний показатель кривизны полученных структур на основании упомянутых точек. Далее определяют структуры, средний показатель кривизны которых близок или лежит в диапазоне от 0 до 0,05 от показателя кривизны окружности, площадь которой эквивалентна площади анализируемой структуры. Система сегментации изображений очагов легких содержит по меньшей мере один процессор и по меньшей мере одну память. Данная память содержит машиночитаемые инструкции, которые при их исполнении по меньшей мере одним процессором осуществляют указанный способ сегментации изображений очагов легких. Группа изобретений обеспечивает повышение точности выявления очагов в легких за счет автоматической сегментации КТ-изображений. 2 н. и 1 з.п. ф-лы, 5 ил.

Description

ОБЛАСТЬ ТЕХНИКИ
Заявленное изобретение относится к области обработки данных компьютерной томографии (КТ), в частности к способу и системе для выполнения сегментации КТ органов грудной клетки для выявления очагов легких.
УРОВЕНЬ ТЕХНИКИ
Известен способ сегментации очагов, при котором на начальном этапе специалистом выделяется область интереса, а затем с применением различных методов, таких как: бинаризация (threshold), морфологических операций, watershed и active contours алгоритмов, выбранная область уточняется [1].
Известен Graph Cut метод сегментации, который строит граф, основанный на изображении, и находит оптимальное решение в смысле минимизации энергетической функции [2]. Недостатком данного метода является высокая вычислительная сложность, большое время работы и потребление памяти.
Известен Level Set метод сегментации, который широко применяется в различных медицинских задачах. В данном подходе изображение рассматривается как поле внешних сил, под воздействием которых эволюционирует начальный контур (линия уровня). Существуют различные вариации этой модели, в работе [3] выведена модель, которая часто используется для сегментации опухолей головного мозга. Известны также способы построения модели для сегментации изображений серого/белого вещества головного мозга [4].
Известен способ сегментации очагов по средствам установки начальной точки и дальнейшего роста контура из нее (Click & Grow) [5]. Данный алгоритм имеет ряд недостатков, в частности он может требовать дополнительного взаимодействия с пользователем (установка новых точек) и сильно зависит от начальных данных. В работе [6] предложена модификация алгоритма (Single Click Ensemble Segmentation), которая во многом устраняет недостатки предшественника.
РАСКРЫТИЕ ИЗОБРЕТЕНИЯ
Предлагается новый автоматизированный алгоритм по выявлению очагов легких более 4 мм при анализе компьютерной томографии органов грудной клетки. Для нахождения очагов используется вычислительный автоматизированный способ, предназначенный для анализа формы предполагаемой области интереса. Предлагаемый алгоритм может быть использован совместно с известными алгоритмами, основанными на анализе текстуры.
Заявленное изобретение направлено на решение существующей технической проблемы, которая заключается в создании способа сегментации КТ-изображений органов грудной клетки, с помощью которого можно за более короткое время в автоматическом режиме выявлять очаги в легких более 4 мм.
Техническим результатом является повышение точности выявления очагов в легких за счет автоматической сегментации КТ-изображений.
Заявленное изобретение в первом предпочтительном варианте осуществляется за счет компьютерно-реализуемого способа сегментации изображений опухоли легких, при выполнении которого:
- получают данные компьютерной томографии (КТ), содержащие изображения, полученные в ходе исследования;
- выполняют первый этап сегментации данных КТ, на котором определяется область грудной клетки;
- удаляют из изображений выявленные костные структуры и мягкие ткани средостения, за исключением сегмента легких области грудной клетки;
- определяют параметр КТ-плотности, характеризующий яркость пикселей в заданном окне центра и ширины диапазона шкалы Хаунсфилда, областей изображения, полученных после первого этапа сегментации;
- определяют среднее значение упомянутого параметра КТ-плотности;
- определяют области изображений с параметром КТ-плотности выше среднего значения;
- выполняют второй этап сегментирования, при котором определяют набор разнородных структур на изображениях;
- выполняют фильтрацию полученных структур, при которой:
- определяют точки на изображении полученных структур и определяют средний показатель кривизны полученных структур;
- выявляют структуры, средний показатель кривизны которых близок или имеет незначительное отклонение от показателя кривизны окружности, площадь которой эквивалента площади анализируемой структуры.
В частном варианте осуществления заявленного способа на этапе фильтрации вычисляется среднеквадратичное отклонение кривизны структур от ее средней кривизны.
В другом предпочтительном варианте осуществления заявленного изобретения заявлена компьютерная система, которая содержит по меньшей мере один процессор и по меньшей мере одну память, содержащую машиночитаемые инструкции, которые при их исполнении по меньшей мере одним процессором осуществляют способ сегментации изображений опухоли легких, указанный выше.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
На Фиг. 1 представлена общая схема этапов заявленного способа.
На Фиг. 2 представлена детализация этапов выполнения заявленного способа.
На Фиг. 3 – Фиг. 4 представлены пример работы алгоритма фильтрации.
На Фиг. 5 представлен общий вид заявленной системы.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
Согласно Фиг. 1 основными этапами выполнения заявленного способа (100) являются этапы сегментирования КТ-изображений, выявления на них необходимых сегментов со структурами для последующего анализа, и фильтрация сегментированного изображения.
Далее с отсылкой на Фиг. 2 будут представлены детальные шаги заявленного способа (100). Для того, чтобы извлечь из КТ-исследования органов грудной клетки изображение легких выполняется следующее. На этапе (101) получают КТ-изображения исследования для последующей обработки. В качестве начальных данных для способа сегментации (100) выбирается всё изображение.
Если в качестве начальных данных для используемого алгоритма сегментации задать все изображение, то результатом его работы будет набор сегментированных областей. Алгоритм сегментации основан на минимизации функционала энергии Mumford-Shah’а [4], он разделяет изображение на два класса таким образом, чтобы среднее значения КТ-плотности в первом классе соответствовало КТ-плотности костных структур и мягких тканей средостения, а во втором классе - более низкой КТ-плотности (воздух). Оба класса состоят из набора областей. В силу анатомического строения самая большая по площади (объему) сегментированная область из первого класса, где среднее значение КТ-плотности соответствует костным структурам и мягким тканям средостения, будет являться изображением грудной клетки (не включая легкие, т.к. их КТ-плотность значительно меньше). Таким образом, результатом первичной работы алгоритма будет изображение грудной клетки (102).
Далее на этапе (103) выполняется удаление из первоначальных КТ-изображений изображений костных структур и мягких тканей средостения, выявленных на предыдущем этапе сегментирования, В результате на первоначальном изображении останется только изображение области легких.
На этапе (104) выполняется определение параметра КТ-плотности, который характеризуетяркость пикселей в заданном окне центра и ширины диапазона шкалы Хаунсфилда (центр на уровне -500, а ширина окна 1500, значения шкалы Хаунсфилда экстраполируются на 256 значений градаций серого), областей изображения, полученных после первого этапа сегментации (сегментированные изображения легких).
Для наиболее корректной сегментации структур легких необходимо выбрать начальные данные для алгоритма сегментации (100) таким образом, чтобы внутри начального контура (начальных данных) находилось как можно больше искомых структур (патологических очагов легких), или близких к ним по геометрической форме. Для выполнения этого условия используется особенность КТ-изображений легких, а именно, то, что структуры, представляющие интерес для анализа (очаги легких), имеют большую КТ-плотность по сравнению с остальными, вследствие чего на этапе (105) определяют среднее значение параметра КТ-плотности для выявленных структур на сегментированных КТ-изображениях легких.
На этапе (106) для повышения достоверности определения областей интереса, характеризующих возможные злокачественные новообразования, определяются те области КТ-изображения, где параметр КТ-плотности (интенсивности) выше среднего значения.
Далее выполняется второй этап сегментирования: сегментируются выявленные области интереса (предполагаемые очаги в легких) (этап 107).
Результатом второго этапа сегментации (107) является набор разнородных структур (бронхи, сосуды, лимфоузлы, кальцынаты, фиброз, новообразования) из которых нужно выявить очаги размером более 4 мм. Далее на этапе (108) выполняется классификация (фильтрация) сегментированных структур, полученных на этапе (107). Предложенный способ фильтрации позволяет отделить очаги типа “матового стекла”, солидного типа, полусолидного типа от других структур легких [7]. Очаги с включением кальцинатоф исключаются из результатов анализа.
Т.к. очаги преимущественно гладкие и выпуклые, то определяются и отбираются только те структуры, чья средняя кривизна
Figure 00000001
близка к кривизне окружности
Figure 00000002
(сферы), площадь которой эквивалентна площади рассматриваемой структуры:
Figure 00000003
Поскольку координаты контура структуры носят дискретный характер, для вычисления его кривизны мы строим окружность по каждой точке контура и ее двух соседях в смысле наименьших квадратов (I. D. Coope, Circle Fitting by Linear and Nonlinear Least Squares, Journal of Optimization Theory and Application, Vol. 76, No. 2, February 1993.; Meghan K. Driscoll, Colin McCann, Rael Kopace, Tess Homan, John T. Fourkas, et al. Cell Shape Dynamics: From Waves to Migration, PLoS Comput Biol, Vol. 8, Issue 3, March 2012). Таким образом, зная кривизну контура в каждой точке можно вычислить его среднюю кривизну:
Figure 00000004
где
Figure 00000005
– кривизна контура в i-той точке контура,
Figure 00000006
– количество точек в контуре исследуемой структуры. Кривизна соответствующей этому контуру окружности вычисляется по формуле:
Figure 00000007
Такой критерий достаточно хорошо отсеивает различные нерегулярные структуры, но может плохо работать со структурами, чья кривизна почти в каждой точке равна нулю, за исключением малого количества точек, где она принимает высокие значения, что в среднем может дать, на первый взгляд, адекватную величину средней кривизны. Такими структурами могут быть, например, длинные прямые сосуды, бронхи. Для исключения вышеупомянутых объектов нужно вычислить среднеквадратичное отклонение σ кривизны такой структуры от ее средней кривизны:
Figure 00000008
Если это отклонение будет достаточно малым (меньше чем
Figure 00000009
), то принимается решение, что это искомая структура (очаг легкого), иначе – нет:
Figure 00000010
[
Figure 00000011
]
В результате получается набор сегментированных областей, которые определяются как области интереса.
Во всех вышеописанных этапах для сегментации используется модель Active Contours с использованием математического фреймворка Level Set Methods (Dynamic Implicit Surfaces), а именно модель Chan-Vese (Tony F. Chan, Luminita A. Vese, Active Contours Without Edges, IEEE Transactions on Image Processing, Vol. 10, No. 2, February 2001). Внутреннее представление линий уровня реализуются с помощью Sparse Field Methods (Ross T. Whitaker, A Level-Set Approach to 3D Reconstruction From Range Data, The International Journal of Computer Vision, 29(3), October, 1998, pp. 203-231). Общий вид решаемого уравнения для сегментации:
Figure 00000012
Figure 00000013
где
Figure 00000014
– линия уровня, служащая индикатором границы искомой области,
Figure 00000015
– параметр модели, отвечающий за регуляризацию сегментируемого контура (гладкость),
Figure 00000016
– отвечает за скорость сжатия контура,
Figure 00000017
и
Figure 00000018
соответствуют чувствительности контура к интенсивности цвета внутри и снаружи контура,
Figure 00000019
– значение интенсивности изображения в каждой точке контура,
Figure 00000020
и
Figure 00000021
– средние цвета внутри и снаружи контура соответственно. Начальный контур
Figure 00000022
эволюционируя согласно данному уравнению сегментирует искомые области.
На Фиг.3 и Фиг. 4 представлен пример выполнения заявленного способа (100). Окно интерфейса (200) отображает изображение сегментированных изображений, на которых с помощью выполнений этапов способа (100) определяются очаги легких (201, 202)
На Фиг. 5 представлен общий вид системы (300), реализующей заявленный способ (100).
Компьютерная система для сегментации КТ-изображений легких (300) может выполняться на базе широкого спектра электронно-вычислительных устройств, например, персонального компьютера, ноутбука, серверного кластера, смартфона и т.п.
В общем случае система (300) содержит один или более процессоров (301), выполняющих основную вычислительную работу при реализации этапов способа (100), и оперативную память (ОЗУ) (302), предназначенную для оперативного хранения команд, исполняемых одним или более процессорами (301).
Средство хранения данных (303) может представлять собой жесткий диск (HDD), твердотельный накопитель (SSD), флэш-память (NAND-flash, EEPROM, Secure Digital и т.п.), оптический диск (CD, DVD, Blue Ray), мини диск или их совокупности.
Интерфейсы ввода/вывода (В/В) (304) представляют собой стандартные порты и средства сопряжения устройств и передачи данных, выбираемые исходя из необходимой конфигурации исполнения системы (300), в частности: USB (2.0, 3.0, USB-C, micro, mini), Ethernet, PCI, AGP, COM, LPT, PS/2, SATA, FireWire, Lightning и т.п.
Средства В/В (305) также выбираются из известного спектра различных устройств, например, клавиатура, тачпад, сенсорный дисплей, монитор, проектор, манипулятор мышь, джойстик, трекбол, световое перо, стилус, устройства вывода звука (колонки, наушники, встроенные динамики, зуммер) и т.п.
Средства передачи данных (306) выбираются из устройств, предназначенных для реализации процесса коммуникации между различными устройствами посредством проводной и/или беспроводной связи, в частности, таким устройствами могут быть: GSM модем, Wi-Fi приемопередатчик, Bluetooth или BLE модуль, GPS модуль, Глонасс модуль, NFC, Ethernet модуль и т.п.
Компоненты системы (300) сопряжены между собой посредством общей шины передачи данных (310).
Литература
1. Yongqiang Tan, Lawrence H. Schwartz and Binsheng Zhao, Segmentation of lung lesions on CT scans using watershed, active contours, and Markov random field, Med. Phys. 40, 043502 (2013); http://dx.doi.org/10.1118/1.4793409.
2. Ye X, Beddoe G, Slabaugh G. Automatic graph cut segmentation of lesions in CT using mean shift superpixels. Journal of Biomedical Imaging. 2010; 2010:19.
3. Yezzi A Jr, Kichenassamy S, Kumar A, Olver P, Tannenbaum A., A geometric snake model for segmentation of medical imagery. IEEE Trans Med Imaging. 1997 Apr;16(2):199-209.
4. Tony F. Chan, Luminita A. Vese, Active Contours Without Edges, IEEE Transactions on Image Processing, Vol. 10, No. 2, February 2001.
5. Gu, Y.; Kumar, V.; Hall, LO.; Goldgof, DB.; Korn, R.; Bendtsen, C.; Gatenby, RA.; Gillies, RJ. Automated Delineation of Lung Tumors from CT Images: Method and Evaluation. World Molecular Imaging Congress; San Diego, CA, USA. 2011. p. 373
6. Yuhua Gu, Virendra Kumar, Lawrence O Hall, Dmitry B Goldgof, Ching-Yen Li, René Korn, Claus Bendtsen, Emmanuel Rios Velazquez, Andre Dekker, Hugo Aerts, Philippe Lambin, Xiuli Li, Jie Tian, Robert A Gatenby, and Robert J Gillies, Automated Delineation of Lung Tumors from CT Images Using a Single Click Ensemble Segmentation Approach, Pattern Recognit., 2013 Mar 1, 46(3): 692–702, doi: 10.1016/j.patcog.2012.10.005.
7. Lung-RADS. Dr Matt A. Morgan et al. https://radiopaedia.org/articles/lung-rads.

Claims (13)

1. Компьютерно-реализуемый способ сегментации КТ (компьютерная томография) изображений органов грудной клетки с целью обнаружения очагов легких, содержащий этапы, на которых:
- получают данные КТ органов грудной клетки, содержащие изображения, полученные в ходе исследования;
- выполняют первый этап сегментации данных КТ, на котором определяется область анализа на изображении;
- удаляют из упомянутых КТ-изображений выявленные костные структуры и мягкие ткани средостения, за исключением сегмента легких;
- определяют параметры КТ-плотности структур в заданном окне центра и ширины диапазона шкалы Хаунсфилда, характеризующиеся яркостью пикселей на изображении, областей изображения, полученных после первого этапа сегментации;
- определяют среднее значение упомянутого параметра КТ-плотности;
- определяют области изображений с параметром КТ-плотности выше среднего значения;
- выполняют второй этап сегментирования, при котором определяют набор разнородных структур на изображениях, полученных после первого этапа сегментирования;
- выполняют фильтрацию полученных структур, при которой:
- определяют точки на изображении полученного набора структур, характеризующие форму упомянутых структур, и определяют средний показатель кривизны полученных структур на основании упомянутых точек;
- определяют структуры, средний показатель кривизны которых близок или лежит в диапазоне от 0 до 0.05 от показателя кривизны окружности, площадь которой эквивалента площади анализируемой структуры.
2. Способ по п.1, характеризующийся тем, что на этапе фильтрации вычисляется среднеквадратичное отклонение кривизны структур от ее средней кривизны.
3. Система сегментации изображений опухоли легких, содержащая по меньшей мере один процессор и по меньшей мере одну память, содержащую машиночитаемые инструкции, которые при их исполнении по меньшей мере одним процессором осуществляют способ сегментации изображений опухоли легких по пп. 1, 2.
RU2017104263A 2017-02-09 2017-02-09 Способ и система сегментации изображений очагов легких RU2656761C1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2017104263A RU2656761C1 (ru) 2017-02-09 2017-02-09 Способ и система сегментации изображений очагов легких

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2017104263A RU2656761C1 (ru) 2017-02-09 2017-02-09 Способ и система сегментации изображений очагов легких

Publications (1)

Publication Number Publication Date
RU2656761C1 true RU2656761C1 (ru) 2018-06-06

Family

ID=62560549

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2017104263A RU2656761C1 (ru) 2017-02-09 2017-02-09 Способ и система сегментации изображений очагов легких

Country Status (1)

Country Link
RU (1) RU2656761C1 (ru)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539944A (zh) * 2020-04-28 2020-08-14 安徽科大讯飞医疗信息技术有限公司 肺部病灶统计属性获取方法、装置、电子设备和存储介质
CN113706548A (zh) * 2020-05-09 2021-11-26 北京康兴顺达科贸有限公司 基于ct影像对胸部前纵隔病灶自动分割的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002085211A2 (en) * 2001-04-23 2002-10-31 Siemens Corporate Research, Inc. Method and system for automatically detecting lung nodules from multi-slice high resolution computed tomography (mshr ct) images
US20030099391A1 (en) * 2001-11-29 2003-05-29 Ravi Bansal Automated lung nodule segmentation using dynamic progamming and EM based classifcation
US20050001832A1 (en) * 2003-06-23 2005-01-06 Hong Shen Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data
US20100272341A1 (en) * 2002-10-18 2010-10-28 Cornell Research Foundation, Inc. Method and Apparatus for Small Pulmonary Nodule Computer Aided Diagnosis from Computed Tomography Scans

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002085211A2 (en) * 2001-04-23 2002-10-31 Siemens Corporate Research, Inc. Method and system for automatically detecting lung nodules from multi-slice high resolution computed tomography (mshr ct) images
US20030099391A1 (en) * 2001-11-29 2003-05-29 Ravi Bansal Automated lung nodule segmentation using dynamic progamming and EM based classifcation
US20100272341A1 (en) * 2002-10-18 2010-10-28 Cornell Research Foundation, Inc. Method and Apparatus for Small Pulmonary Nodule Computer Aided Diagnosis from Computed Tomography Scans
US20050001832A1 (en) * 2003-06-23 2005-01-06 Hong Shen Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Gu Y. et al. Automated Delineation of Lung Tumors from CT Images Using a Single Click Ensemble Segmentation Approach. Pattern Recognit. 2013 46(3):692-702. *
Javaid M. et al. A novel approach to CAD system for the detection of lung nodules in CT images. // Comput Methods Programs Biomed. 2016 Oct;135:125-39. *
Wang J. et al. Automatic Approach for Lung Segmentation with Juxta-Pleural Nodules from Thoracic CT Based on Contour Tracing and Correction. // Comput Math Methods Med. 2016;2016:2962047. *
Подъячев А.В. и др. Обработка изображений компьютерных томограмм для нахождения новообразований легких. // Информационные управляющие системы и компьютерный мониторинг (ИУС КМ 2013). С.382-6. *
Подъячев А.В. и др. Обработка изображений компьютерных томограмм для нахождения новообразований легких. // Информационные управляющие системы и компьютерный мониторинг (ИУС КМ 2013). С.382-6. Javaid M. et al. A novel approach to CAD system for the detection of lung nodules in CT images. // Comput Methods Programs Biomed. 2016 Oct;135:125-39. Wang J. et al. Automatic Approach for Lung Segmentation with Juxta-Pleural Nodules from Thoracic CT Based on Contour Tracing and Correction. // Comput Math Methods Med. 2016;2016:2962047. *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539944A (zh) * 2020-04-28 2020-08-14 安徽科大讯飞医疗信息技术有限公司 肺部病灶统计属性获取方法、装置、电子设备和存储介质
CN111539944B (zh) * 2020-04-28 2024-04-09 讯飞医疗科技股份有限公司 肺部病灶统计属性获取方法、装置、电子设备和存储介质
CN113706548A (zh) * 2020-05-09 2021-11-26 北京康兴顺达科贸有限公司 基于ct影像对胸部前纵隔病灶自动分割的方法
CN113706548B (zh) * 2020-05-09 2023-08-22 北京康兴顺达科贸有限公司 基于ct影像对胸部前纵隔病灶自动分割的方法

Similar Documents

Publication Publication Date Title
JP4999163B2 (ja) 画像処理方法および装置ならびにプログラム
Hooda et al. Brain tumor segmentation: A performance analysis using K-Means, Fuzzy C-Means and Region growing algorithm
CN111105424A (zh) ***自动勾画方法及装置
Mukherjee et al. Lung nodule segmentation using deep learned prior based graph cut
US11875479B2 (en) Fusion of deep learning and handcrafted techniques in dermoscopy image analysis
Abd-Elaziz et al. Liver tumors segmentation from abdominal CT images using region growing and morphological processing
Chang et al. Graph-based learning for segmentation of 3D ultrasound images
JP2013051988A (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
JP6415878B2 (ja) 画像処理装置、画像処理方法及び医用画像診断装置
Moreno et al. Study of medical image processing techniques applied to lung cancer
WO2018176319A1 (zh) 超声图像的分析方法及装置
Khordehchi et al. Automatic lung nodule detection based on statistical region merging and support vector machines
Tarhini et al. Detection of brain tumor in MRI images using watershed and threshold-based segmentation
Duggan et al. A technique for lung nodule candidate detection in CT using global minimization methods
He et al. An automated three-dimensional detection and segmentation method for touching cells by integrating concave points clustering and random walker algorithm
RU2656761C1 (ru) Способ и система сегментации изображений очагов легких
Yusoff et al. Automated two-dimensional K-means clustering algorithm for unsupervised image segmentation
Singh et al. Automatic blastomere detection in day 1 to day 2 human embryo images using partitioned graphs and ellipsoids
Li et al. Integrating FCM and level sets for liver tumor segmentation
KR101474162B1 (ko) 흉부 컴퓨터 단층 영상의 간유리음영 결절 자동 분할 시스템 및 그 분할 방법
CN112529900A (zh) 匹配乳腺图像中roi的方法、装置、终端与存储介质
US20230115927A1 (en) Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection
Bukenya et al. A review of blood vessel segmentation techniques
Meejaroen et al. Detection of fibrosis in liver biopsy images by using Bayesian classifier
Song et al. Liver segmentation based on SKFCM and improved GrowCut for CT images

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20200210