针对医学重构模型的3D分割及压缩算法

doi:10.3778/j.issn.1002-8331.2010.09.043

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (9): 152-154.DOI: 10.3778/j.issn.1002-8331.2010.09.043

• 图形、图像、模式识别 • 上一篇下一篇

针对医学重构模型的3D分割及压缩算法

余伟巍¹，席平¹，何飞²

1.北京航空航天大学机械工程及自动化学院，北京 100191
2.昆明医学院第一附属医院骨科，昆明 650032

收稿日期:2008-10-29 修回日期:2008-12-19 出版日期:2010-03-21 发布日期:2010-03-21
通讯作者: 余伟巍

3D segmentation and compressed algorithm for medical reconstructed model

YU Wei-wei¹，XI Ping¹，HE Fei²

1.School of Mechanical Engineering and Automation，Beihang University，Beijing 100191，China
2.Department of Orthopedic Surgery，1st Affiliated Hospital of Kunming Medical University，Kunming 650032，China

Received:2008-10-29 Revised:2008-12-19 Online:2010-03-21 Published:2010-03-21
Contact: YU Wei-wei

摘要/Abstract

摘要： 提供便捷的交互手段，从3D重构模型中精确分割感兴趣区域，为医生术前手术规划提供更为直观和准确的诊断信息。利用VTK（Visualization ToolKit）开发包构架系统平台，采用3D区域生长法分割感兴趣部位，结合数学形态法消除数据的病态关联，实现精确分割，进一步修改数据掩模完成分割后数据的压缩存储。实验证明了上述算法的有效性，可得到良好的3D分割效果。

关键词: 计算机图像处理, 医学图像, 3D分割, 区域生长, 视觉化工具函式库（VTK）

Abstract: Convenient interactive tools for surgeons are provided to get ROI（Region Of Interest） from 3D reconstructed model.Preoperative plan is designed with visual and accurate diagnostic information.Software framework based on VTK（Visualization ToolKit） is built，and 3D region growing algorithm is used to gain ROI，also mathematics morphological method is combined to eliminate morbid superposed data，to achieve accurate segmentation.Finally，dataset mask is modified to realize dataset compressed store.From the result of experimentation，it can illustrate the validation of foresaid algorithm and，prove the effect of 3D segmentation.

Key words: image processing, medical image, 3D segmentation, region growing, Visualization ToolKit（VTK）

中图分类号:

TP391.41

余伟巍¹，席平¹，何飞². 针对医学重构模型的3D分割及压缩算法[J]. 计算机工程与应用, 2010, 46(9): 152-154.

YU Wei-wei¹，XI Ping¹，HE Fei². 3D segmentation and compressed algorithm for medical reconstructed model[J]. Computer Engineering and Applications, 2010, 46(9): 152-154.

[1]	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.
[2]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[3]	高爽，徐巧枝. 迁移学习方法在医学图像领域的应用综述[J]. 计算机工程与应用, 2021, 57(24): 39-50.
[4]	齐小祥，李敏，朱颖，宋雨，杜卫东. 基于边缘检测的SAR图像自适应区域分割[J]. 计算机工程与应用, 2021, 57(22): 232-240.
[5]	黎英. 迁移学习在医学图像分析中的应用研究综述[J]. 计算机工程与应用, 2021, 57(20): 42-52.
[6]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[7]	郭艳芬，崔喆，杨智鹏，彭静，胡金蓉. 基于深度学习的医学图像配准技术研究进展[J]. 计算机工程与应用, 2021, 57(15): 1-8.
[8]	陈少洁，赵淦森，林成创，彭璟，黄凯信，李壮伟，黄润桦，杜嘉华，樊小毛. 深度学习在染色体分割中的应用综述[J]. 计算机工程与应用, 2021, 57(11): 46-56.
[9]	韩纪普，段先华，常振. 基于SLIC和区域生长的目标分割算法[J]. 计算机工程与应用, 2021, 57(1): 213-218.
[10]	周涛，陆惠玲，霍兵强. 深度信念网络研究进展[J]. 计算机工程与应用, 2020, 56(9): 24-32.
[11]	吴帆，高媛，秦品乐，王丽芳. 基于拉普拉斯金字塔和CNN的医学图像融合算法[J]. 计算机工程与应用, 2020, 56(15): 208-214.
[12]	鞠维欣1，赵希梅1，2，魏宾2，王国栋1. 深度学习模型GoogleNet-PNN对肝硬化的识别[J]. 计算机工程与应用, 2019, 55(5): 112-117.
[13]	席志红，侯彩燕，袁昆鹏. 基于残差网络的医学图像超分辨率重建[J]. 计算机工程与应用, 2019, 55(19): 191-197.
[14]	夏永泉，谢希望，支俊，乔四海. 基于最大内切圆的肝影像自动分割方法[J]. 计算机工程与应用, 2019, 55(14): 162-167.
[15]	张经宇，滕建辅，白煜. 医学图像边缘检测的Levy-DNA-ACO算法研究[J]. 计算机工程与应用, 2018, 54(8): 14-20.

针对医学重构模型的3D分割及压缩算法

3D segmentation and compressed algorithm for medical reconstructed model

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