传统解剖学特征与深度学习相结合的肺叶分割算法

您当前的位置：

首页 >

文章列表页 >

光学图像处理 | 更新时间：2025-09-01

- 传统解剖学特征与深度学习相结合的肺叶分割算法
- Segmentation of Lung Lobes Based on traditional anatomical features and deep learning
- 光学技术 2020年46卷第2期页码：230-235
- 作者机构：
  
  1:上海理工大学医疗器械与食品学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金(81830052);上海市科技创新行动计划项目(18441900500)
- DOI：10.13741/j.cnki.11-1879/o4.2020.02.017
  中图分类号：
- 纸质出版：2020
- 稿件说明：
移动端阅览
高磊, 段辉宏, 聂生东. 传统解剖学特征与深度学习相结合的肺叶分割算法[J]. 光学技术, 2020,46(2):230-235.

Segmentation of Lung Lobes Based on traditional anatomical features and deep learning[J]. 2020, 46(2): 230-235.
高磊, 段辉宏, 聂生东. 传统解剖学特征与深度学习相结合的肺叶分割算法[J]. 光学技术, 2020,46(2):230-235. DOI： 10.13741/j.cnki.11-1879/o4.2020.02.017.

Segmentation of Lung Lobes Based on traditional anatomical features and deep learning[J]. 2020, 46(2): 230-235. DOI： 10.13741/j.cnki.11-1879/o4.2020.02.017.

CT图像中肺叶位置的确定对于肺部疾病的准确定位以及定性定量分析具有重要意义。为了提高肺叶自动分割准确率

提出了一种结合气管

血管等传统解剖学特征以及深度学习的肺叶分割算法。对原始图像进行预处理

获取肺实质、气管、血管以及基于深度学习网络的肺裂分割结果;整合来自多个解剖结构的信息生成分水岭分割所需成本图像;通过基于深度学习网络的肺叶粗分割结果

获取肺叶标记区域;执行基于标记的分水岭分割

实现肺叶的自动分割。选取了来自上海市肺科医院的20例含有肺部疾病患者的CT图像对该方法进行验证

最终的Jaccard相似性系数为92.4%。实验结果表明方法具有较高的肺叶分割精度

并且具有较强的鲁棒性。

浏览量

247

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于3D全卷积神经网络的肺叶自动分割方法

基于高光谱遥感的荒漠化草原草种类分类模型研究

利用双流卷积神经网络的人脸表情识别方法

基于移动机器人和单目视觉的姿态测量方法

深浅交错式特征融合的人体图像分割方法