基于自适应区域生长算法的肝脏分割

doi:10.3778/j.issn.1002-8331.2010.33.056

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (33): 198-200.DOI: 10.3778/j.issn.1002-8331.2010.33.056

• 图形、图像、模式识别 • 上一篇下一篇

基于自适应区域生长算法的肝脏分割

彭丰平¹，鲍苏苏²，曾碧卿¹

1.华南师范大学南海学院计算机系，广东佛山 528225
2.华南师范大学计算机学院，广州 510631

收稿日期:2009-08-17 修回日期:2009-10-17 出版日期:2010-11-21 发布日期:2010-11-21
通讯作者: 彭丰平

Segmentation of liver based on adaptive region growing

PENG Feng-ping¹，BAO Su-su²，ZENG Bi-qing¹

1.Department of Computer，School of Nanhai，South China Normal University，Foshan，Guangdong 528225，China
2.School of Computer，South China Normal University，Guangzhou 510631，China

Received:2009-08-17 Revised:2009-10-17 Online:2010-11-21 Published:2010-11-21
Contact: PENG Feng-ping

摘要/Abstract

摘要： 把肝脏器官从医学图像中提取出来，为肝脏的三维重建及最终的仿真手术模拟提供正确的数据。针对腹部CT图像中脏器组织多、图像纹理结构复杂、灰度差别小、边缘不明显等特点，提出一种改进的自适应区域生长分割算法。该算法基于两个局部参数：待生长点的局部平均灰度和局部平均梯度，对传统区域生长算法的生长准则进行了改进。实验结果表明，得到的肝脏分割结果比传统区域生长算法分割结果更精确，可以为后续的肝脏三维重建及仿真手术提供准确的数据。

关键词: 分割, 医学图像, 虚拟手术, 自适应区域生长, 相似性准则

Abstract: Extracting the human abdomen organs from medical images can provide accurate data for the following 3D reconstruction of abdomen organs and the final virtual surgery.For the complex characteristics of medical image，an improved algorithm of adaptive region growing is put forward.Based on two local parameters：The local mean value of the intensity function and the local mean value of the norm of the intensity gradient，the homogeneity criterion of this algorithm is improved.The experimental results show that：The segmentation results of the liver are more accurate by using adaptive region growing than using classical region growing algorithm，and it can provide accurate data for 3D reconstruction and surgical simulation of liver.

Key words: segmentation, medical image, virtual surgery, adaptive region growing, homogeneity criterion

中图分类号:

TP391

彭丰平¹，鲍苏苏²，曾碧卿¹. 基于自适应区域生长算法的肝脏分割[J]. 计算机工程与应用, 2010, 46(33): 198-200.

PENG Feng-ping¹，BAO Su-su²，ZENG Bi-qing¹. Segmentation of liver based on adaptive region growing[J]. Computer Engineering and Applications, 2010, 46(33): 198-200.

[1]	李晓筱，胡晓光，王梓强，杜卓群. 基于深度学习的实例分割研究进展[J]. 计算机工程与应用, 2021, 57(9): 60-67.
[2]	徐少杰，曹雏清，王永娟. 视觉SLAM在室内动态场景中的应用研究[J]. 计算机工程与应用, 2021, 57(8): 175-179.
[3]	闫晓燊，高强，朱思萌，奚学程，赵万生. 亮度不均匀低质量图像中压印字符分割方法[J]. 计算机工程与应用, 2021, 57(8): 185-191.
[4]	赵阳，张俊华. 多尺度特征融合的脊柱X线图像分割方法[J]. 计算机工程与应用, 2021, 57(8): 214-219.
[5]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.
[6]	董鹏，周烽，赵悰悰，王亚飞，米泽田，付先平. 基于双目视觉的水下海参尺寸自动测量方法[J]. 计算机工程与应用, 2021, 57(8): 271-278.
[7]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[8]	杨波，陶青川，董沛君. 改进Deeplab v3+网络的手术器械分割方法[J]. 计算机工程与应用, 2021, 57(7): 222-227.
[9]	胡扬涛，裴洋，林川，李世成，易玉根. 空洞残差U型网络用于视网膜血管分割[J]. 计算机工程与应用, 2021, 57(7): 185-191.
[10]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[11]	张忠民，刘金鑫，席志红. 熵率超像素分割一致性检验视差细化算法[J]. 计算机工程与应用, 2021, 57(5): 204-209.
[12]	袁铭阳，黄宏博，周长胜. 全监督学习的图像语义分割方法研究进展[J]. 计算机工程与应用, 2021, 57(4): 43-54.
[13]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[14]	彭璟，罗浩宇，赵淦森，林成创，易序晟，陈少洁. 深度学习下的医学影像分割算法综述[J]. 计算机工程与应用, 2021, 57(3): 44-57.
[15]	杨亚男，张宏鸣，李杭昊，杨江涛，全凯. 结合FCN和DenseCRF模型的无人机梯田识别方法研究[J]. 计算机工程与应用, 2021, 57(3): 222-230.

基于自适应区域生长算法的肝脏分割

Segmentation of liver based on adaptive region growing

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics