导读:本文包含了动态感兴趣区论文开题报告文献综述及选题提纲参考文献，主要关键词:上皮性卵巢癌,动态增强,感兴趣区
动态感兴趣区论文文献综述
毛咪咪,冯峰,李海明[1]（2019）在《不同感兴趣区选择方法在上皮性卵巢癌动态增强MRI参数中一致性的比较》一文中研究指出目的:探讨不同感兴趣区在上皮性卵巢癌动态增强磁共振(DCE-MRI)各半定量参数值中一致性的比较。方法:回顾性分析60例病理证实为上皮性卵巢癌患者治疗前常规MRI和DCE-MRI图像,通过后处理软件测量DCE-MRI半定量参数值,包括达峰时间(TTP)、最大浓度(MAX)、对比浓度-时间曲线下面积(AUC)和最大线性斜率(MS)。两名医师分别在半定量参数AUC伪彩图上采用不规则形、圆形及矩形法勾画ROI,其中测量者1间隔1月后重复测量。采用单因素方差分析(One-Way ANOVA)比较不同ROI勾画方法所得DCE-MR半定量值间的差异,组间及组内一致性采用相关系数(ICC),变异系数(CV)和Bland-Altman散点图评价。结果:叁组不同ROI所测各半定量参数值差异均无统计学意义(P> 0.05)。采用不规则形ROI所测量的各参数可重复性好,组内和组间ICC分别为(0.975～0.985),(0.961～0.984);CV分别为(2.73～4.21),(3.48～4.86)。Bland-Altman散点图显示,不规则形法所得测量值一致性高于圆形/矩形法。结论:上皮性卵巢癌采用不同ROI对各半定量参数无显着影响,且均显示较高的一致性。(本文来源于《CT理论与应用研究》期刊2019年02期）
张强,王晓彤,高锋,黄赛赛[2]（2018）在《考虑车辆动态行为的感兴趣区域预测技术》一文中研究指出车辆横向运动剧烈时,基于视频序列的感兴趣区域(Region of Interest,ROI)预测方法未直接考虑车辆动态特性,通过误差反馈矫正,容易使预测结果不准确。考虑车辆相对车道线的动态特性,建立其微观交通系统模型。基于该模型应用卡尔曼滤波理论在车辆坐标系下设计感兴趣区域预测算法,并应用于车道线识别系统以提高识别实时性和准确性。台架试验结果表明,在测试工况下感兴趣区域预测的准确率提高了19.4%,通过缩小图像处理区域,单帧图像平均处理时间降低1.9 ms,车道线识别准确率提高了1.3%。(本文来源于《汽车工程学报》期刊2018年03期）
钱利萍,周长玉,谢铁明,刘玉凤,喻迎星[3]（2018）在《动态对比增强磁共振成像感兴趣区勾画技术在乳腺癌诊断中的临床研究》一文中研究指出背景与目的:动态对比增强磁共振技术(dynamic contrast enhanced MRI,DCE-MRI)在乳腺肿瘤良恶性鉴别诊断及新辅助化疗疗效评价中具有重要的临床价值,然而尚无标准定量测量方法。该研究旨在探讨DCE-MRI感兴趣区(region of interest,ROI)勾画技术在乳腺癌诊断中的临床研究,寻找最佳ROI勾画方法。方法:回顾性分析了经手术和病理证实的30例乳腺癌患者的动态对比增强MRI影像,分别由2位观察者利用i CAD软件,通过全部瘤床勾画(Whole)、最大强化层面勾画(SliceMax)、含最大强化层面连续3层勾画(Partial)和最大强化层面5%连续强化区勾画(5Max)等4种方法勾画乳腺癌瘤床ROI,获得不同ROI下相应的容量转移常数(volume transfer constant,K~(trans))、细胞外间隙容积比(extracellular volume fraction,V_e)和速率常数(rate constant,K_(ep)),评价4种勾画方法观察者内及观察者间测量的一致性。结果:30例乳腺癌瘤床的ROI勾画方法中,两位不同观察者Whole法的K~(trans)、V_e和K_(ep)分别为1.26±0.54和1.25±0.53、0.75±0.23和0.73±0.22、1.93±1.46和1.95±1.51(P>0.05);Partial法为1.28±0.43和1.26±0.43、0.74±0.21和0.80±0.27、1.95±1.53和1.93±1.43(P>0.05);SliceMax法为1.30±0.33和1.32±0.33、0.77±0.20和0.73±0.24、1.82±1.53和1.87±1.45(P>0.05);5Max法为1.31±0.35和1.35±0.33、0.77±0.20和0.98±0.25、1.97±1.36和1.73±1.55(P<0.05)。4种ROI勾画方法中除5Max方法外,不同观察者利用其他3种勾画方法测量所得功能参数K~(trans)、V_e和K_(ep)之间相比差异无统计学意义(P>0.05),5Max测量方法测量所得参数与其他3种方法相比差异有统计学意义(P<0.05)。利用Bland-Altman方法评价功能参数K~(trans)观察者间一致性,得出Whole法、SliceMax法、Partial和5Max方法下测量偏倚及95%CI分别为0.002 vs-0.013~0.012、-0.003 vs-0.023~0.017、0.006 vs-0.018~0.029、-0.035 vs-0.054~0.018。结果提示前3种方法观察者间具有较好的一致性。结论:乳腺癌瘤床DCE-MRI不同ROI勾画技术中,Whole法、Partial法和SliceMax法均能获得良好的观察者内及观察者间一致性,适合推广应用。(本文来源于《中国癌症杂志》期刊2018年02期）
敬雪平,郑秀娟,宋少莉,刘凯[4]（2017）在《一种计算机断层图像辅助的肾动态图像感兴趣区自动检测方法》一文中研究指出肾小球滤过率(GFR)是评估肾脏功能的重要指标,可采用肾动态显像联合Gates法计算获得。针对GFR计算问题,本文提出一种计算机断层(CT)图像辅助的肾动态图像感兴趣区(ROI)自动检测方法,以实现客观准确的GFR计算。该方法首先获得CT冠状面投影图像与单光子发射计算机断层成像(SPECT)的增强合成图像,完成双模态图像配准后,采用改进的水平集方法实现肾脏ROI的自动检测并获取本底ROI,最后利用Gates法计算GFR值。经临床数据验证,该方法能够自动完成肾脏GFR值计算,所得结果与临床报告一致。该方法在消除人工勾画环节的同时,还能提高ROI检测的准确性和稳定性,尤其有利于肾功能严重受损时的GFR计算。(本文来源于《生物医学工程学杂志》期刊2017年06期）
刘任从,徐磊,张乐乐,孟庆乐,杨瑞[5]（2017）在《核素肾动态显像肾脏感兴趣区域分割算法的研究》一文中研究指出目的提出一种新颖的核素肾动态显像肾脏感兴趣区自动勾画算法。方法选取30位行核素肾动态显像患者作为研究对象,首先对原始肾图做形态学运算、强度对增强和高斯滤波等预处理,去除非感兴趣区和提升图像对比度;接着采用最大类间差法(Otsu)自适应确定最佳阈值,完成肾脏的初步分割;然后形态学操作和边界追踪被用来提取肾脏边界。结果基于本文算法的分割结果与专家手工分割结果具有很高的相关性,平均真符合率达91%,平均假误符合率为13.4%,平均假符合率为9.3%,边界误差距离为1.6个像素。且基于本文算法的Dice相似性系数(0.9061±0.0196)和平均耗时(2.1477±0.2835)s均优于其他算法。结论基于本文的分割算法能快速准确的提取肾脏感兴趣区域,可应用于核素肾动态显像肾小球滤过率的测定。(本文来源于《中国医疗设备》期刊2017年12期）
汪长银,赵燕芬,沈美娟,崔成国[6]（2017）在《肾动态显像测量肾功能时一侧肾脏感兴趣区的不同勾画对另一侧肾脏肾小球滤过率的影响》一文中研究指出目的:探讨一侧肾脏感兴趣区(ROI)的不同勾画对另一侧肾脏肾小球滤过率(GFR)的影响。方法:选择行肾动态显像GFR测定的270例肾脏疾病患者的资料。将资料分为两组:第1组,双侧肾脏均无肾积水且无占位性病变,保持左肾ROI与双肾本底ROI不变,改变右肾ROI大小,观察左肾GFR的变化;第2组,一侧肾脏积水且另一侧肾脏无积水且无占位性病变,保持未积水肾脏ROI与双肾本底ROI不变,分别勾画积水肾脏全肾ROI与皮质ROI大小,比较两种勾画方式情况下未积水肾脏GFR的差异。按照标准的ROI勾画法测量的GFR大小,将患者左肾功能或未积水肾脏的功能分为5期。结果:(1)重复测量数据的方差分析显示,右肾ROI的不同勾画是左肾GFR结果的影响因素(F=462.2,P=0.000),且右肾ROI的勾画与左肾功能的分期对左肾GFR的结果存在交互影响(F=2.64,P=0.001)。(2)右肾ROI越小,则左肾GFR的相对下降幅度越大。(3)各分期中,积水肾脏勾画全肾ROI与勾画皮质ROI时未积水肾脏的GFR结果之间差异均具有统计学意义(t=7.15~19.17,P=0.000)。结论:Gates算法存在一侧肾脏GFR受对侧肾脏ROI不同勾画法影响的缺点,以确定的标准勾画肾脏ROI对保证肾脏GFR结果的准确性、重复性与可比性具有重要意义。(本文来源于《中国医学物理学杂志》期刊2017年02期）
鱼兆伟,吴晓波,沈林[7]（2017）在《基于动态感兴趣区域的光照无关车道线检测算法》一文中研究指出为保证自动驾驶的安全性和高效性,基于Hough变换与投票法找到道路图像的消隐点,以此建立动态感兴趣区域,根据白色与黄色车道线的颜色特性设计光照无关车道线检测算法,实现夜晚、隧道等复杂光照环境下的车道线区域检测。在此基础上,设计极角约束算法对候选车道线进行筛选,得到最终的有效车道线。实验结果表明,该算法在复杂光照环境下具有较好的检测效果,平均检测准确率高达93.5%。(本文来源于《计算机工程》期刊2017年02期）
李蕙,王延江[8]（2016）在《基于动态视觉显着性的感兴趣目标提取与跟踪》一文中研究指出传统的基于粒子滤波的目标跟踪中,通常待跟踪的目标或者在视频初始帧中由人工指定,或者需要对背景进行建模后由背景差方法进行分割,受人类视觉感知机制的启发,提出一种基于尺度不变特征转换(scale invariant feature transform,SIFT)流的动态视觉显着性算法,结合颜色、亮度以及方向等静态特征以实现对感兴趣目标的自动定位;通过融合静态显着性与动态显着性形成总显着图,并选择显着性最高的目标作为待跟踪的感兴趣目标;通过提取目标区域的颜色、梯度及旋转不变局部二进模式(local binary pattern,LBP)纹理等特征构建目标模板,采用粒子滤波器对目标进行跟踪。结果表明,该算法能够在一定程度上模拟人类动态视觉注意过程,有效地检测感兴趣的目标并进行稳定鲁棒的跟踪。(本文来源于《济南大学学报(自然科学版)》期刊2016年05期）
王君鑫[9]（2016）在《动态增强MRI定量研究中感兴趣区设置方法和定量参数直方图分析在前列腺癌诊断中的初步评价》一文中研究指出第一部分前列腺癌动态增强MRI定量研究中感兴趣区设置方法对定量参数一致性的影响目的:探讨前列腺癌动态增强MRI(dynamic contrast enhanced MRI,DCE-MRI)定量研究中选择不同的感兴趣区(region of interest,ROI)设置方法对DCE-MRI定量参数测量结果一致性的影响。材料和方法:回顾性分析我院2015年5月至2015年12月间行前列腺常规MRI和DCE-MRI扫描并获得穿刺病理结果的33例前列腺癌病例资料,所有纳入病例均做DCE-MRI定量分析。由两名放射科医师(医师1和医师2)分别按照叁种ROI设置方法,包括1.小ROI法;2.轮廓ROI法;3.全容积ROI法,对前列腺癌灶进行ROI设置,测定癌灶DCE-MRI定量参数,包括转运常数(Ktrans)、速率常数(Kep)和血管外细胞外间隙体积百分数(Ve)。医师1间隔3个月以后重复上述测量。医师1和医师2共3次(医师1前后2次、医师2仅1次)采用上述叁种ROI设置方法,分别独立测量癌灶各定量参数(Ktrans、Ve和Kep)值。将上述两位医师共3次采用每一种ROI设置方法测得的各参数值集合为该ROI设置方法测得的相应参数值的最终测值,采用配对样本t检验比较叁种ROI设置方法所测得的DCE-MRI各定量参数最终测值间的差异;通过计算组内相关系数(intraclass correlation coefficient,ICC)对医师1前后2次、医师1与医师2同时分别采用叁种ROI设置方法所测得的DCE-MRI定量参数值间的一致性进行对比,并通过Bland-Altman法画散点图作进一步比较。结果:在医师1和医师2前后共3次分别采用叁种ROI设置方法测得的Ktrans、Kep和Ve值比较中,采用轮廓ROI法和全容积ROI法所测得的Ktrans、Kep和Ve值间的差异均无统计学意义(t值分别为1.82、1.11、1.66,P值分别为0.78、2.77、0.11);采用小ROI法所测得的Ktrans、Kep和Ve值均高于轮廓ROI法和全容积ROI法所测得的参数值,差异有统计学意义(t值分别为4.66、3.55、3.75、4.57、3.73、2.73,P值均<0.05)。医师1前后2次间采用小ROI法设置ROI所测得的Ktrans、Kep和Ve的ICC值分别为:0.62(0.58,0.66)、0.65(0.57,0.69)和0.48(0.43,0.53);采用轮廓ROI法设置ROI所测得的Ktrans、Kep和Ve的ICC值分别为0.93(0.88,0.96)、0.90(0.85,0.92)和0.75(0.69,0.79);采用全容积ROI法设置ROI所测得的Ktrans、Kep和Ve的ICC值分别为0.98(0.97,0.99)、0.93(0.88,0.96)和0.82(0.77,0.85)。Bland-Altman散点图示轮廓ROI法和全容积ROI法所测得的各定量参数值分布较小ROI法集中,提示轮廓ROI法和全容积ROI法所测得的DCE-MRI定量参数在同一医师前后两次测量间的一致性水平高于小ROI法,而全容积ROI法所测得的定量参数一致性水平略高于轮廓ROI法。2名医师分别采用小ROI法设置ROI所测得的Ktrans、Kep和Ve的ICC值分别为0.49(0.18,0.71)、0.53(0.47,0.60)、0.41(0.37,0.45);采用轮廓ROI法设置ROI所测得的Ktrans、Kep和Ve的ICC值分别为0.88(0.86,0.91)、0.82(0.77,0.86)和0.69(0.62,0.74),采用全容积ROI法设置ROI所测得的Ktrans、Kep和Ve的ICC值分别为0.92(0.88,0.95)、0.86(0.81,0.90)和0.74(0.70,0.77)。Bland-Altman散点图示轮廓ROI法和全容积ROI法所测得的各定量参数值分布较小ROI法更集中,提示轮廓ROI法和全容积ROI法所测得的DCE-MRI定量参数在不同医师间测量结果的一致性水平高于小ROI法,其中全容积ROI法所测得的定量参数一致性略高于轮廓ROI法。结论:本研究采用叁种ROI设置方法(小ROI法、轮廓ROI法和全容积ROI法)分别作前列腺癌DCE-MRI定量参数(Ktrans、Kep和Ve)测量,所获DCE-MRI各定量参数结果和参数的一致性水平并不相同,其中小ROI法所测得的DCE-MRI各定量参数值均高于轮廓ROI法和全容积ROI法所测得的参数值,轮廓ROI法和全容积ROI法所测参数值的一致性水平均高于小ROI法,而全容积ROI法所测参数值的一致性水平略高于轮廓ROI法。因此ROI设置方法对前列腺癌DCE-MRI定量参数测定具有一定的影响,在上述叁种ROI设置方法中全容积ROI法所测参数值的一致性水平最高,为第二部分研究选择适宜的ROI设置方法提供依据。第二部分动态增强MRI定量参数直方图分析在前列腺癌诊断中的初步应用评价目的:探讨DCE-MRI定量参数全容积直方图(Histogram)分析结果对前列腺癌的诊断价值,初步评价前列腺癌DCE-MRI定量参数全容积Histogram分析结果与Gleason评分的相关性。材料和方法:回顾性分析我院2015年5月至2015年12月间行前列腺常规MRI和DCE-MRI检查,并获得穿刺病理结果的53例病例资料,其中前列腺癌33例,前列腺增生20例,所有纳入病例均作DCE-MRI定量分析。采用临床常用的小ROI法和全容积ROI法(本研究第一部分已证实其在所采用的叁种ROI设置方法中的一致性最好),由两名放射科医师在已知病理结果的条件下,采用上述2种ROI设置方法共同协商完成所有病例的ROI设置,测量前列腺癌区、外周带非癌区和中央腺体非癌区的DCE-MRI定量参数,包括转运常数(Ktrans)、速率常数(Kep)和血管外细胞外间隙体积百分比(Ve)。对全容积ROI法测得的定量参数作感兴趣区(包括:前列腺癌区、外周带非癌区和中央腺体非癌区)全容积Histogram分析,分析指标包括平均数、10%位数、90%位数、偏度和峰度。通过ROC曲线比较小ROI法和全容积Histogram分析这两种方法所获各定量参数的诊断效能;用Spearman相关分析对前列腺癌区Ktrans、Kep和Ve值的全容积Histogram分析结果与Gleason评分的相关性进行评价。结果:本部分研究感兴趣区全容积Histogram分析结果为:1.前列腺癌区Ktrans值的平均数、10%位数、90%位数均高于外周带和中央腺体非癌区,差异有统计学意义(t值分别为7.98、5.55、8.56、3.19、2.17、3.5,P均<0.05),前列腺癌区Ktrans值的偏度和峰度低于外周带非癌区,差异有统计学意义(U值分别为42、51,P均<0.05),但与中央腺体非癌区间的差异无统计学意义(U值分别为70、76,P均>0.05);2.前列腺癌区Kep值的平均数、10%位数、90%位数均高于外周带非癌区,差异有统计学意义(t值分别为4.53、3.47、4.39,P均<0.05),但与中央腺体非癌区间的差异无统计学意义(t值分别为1.25、0.84、1.15,P均>0.05),前列腺癌区Kep值的偏度、峰度与外周带非癌区和中央腺体非癌区间的差异均无统计学意义(与外周带非癌区U值分别为:80、69,与中央腺体非癌区U值分别为:78、80,P均>0.05);3.前列腺癌区Ve值除偏度低于外周带非癌区(U=49,P<0.05)外,其余Ve值(平均数、10%位数、90%位数和峰度)与外周带非癌区和中央腺体非癌区间的差异均无统计学意义(P均>0.05)。前列腺癌区全容积Histogram分析Ktrans值的平均数、90%位数的诊断效能高于二维小ROI法Ktrans值的诊断效能(Z值分别为2.0、2.0,P均<0.05)。前列腺癌区全容积Histogram分析Ktrans值的10%位数、90%位数、偏度和Kep值的平均值、10%位数、90%位数与Gleason评分间具有一定的相关性(Spearman相关系数分别为0.53、0.56、0.55、0.63、0.66、0.68,P<0.05)。结论:本部分前列腺DCE-MRI定量参数全容积Histogram分析研究结果表明:1.前列腺癌区Ktrans值的平均数、10%位数、90%位数均高于外周带和中央腺体非癌区,偏度和峰度低于外周带非癌区,差异均有统计学意义;前列腺癌区Kep值的平均数、10%位数、90%位数均高于外周带非癌区,Ve值偏度低于外周带非癌区,差异均有统计学意义。因此,DCE-MRI定量参数全容积Histogram分析有助于前列腺癌诊断及其与前列腺外周带和中央腺体非癌区的鉴别;2.由于前列腺癌区全容积Histogram分析Ktrans值的平均数、90%位数的诊断效能高于小ROI法Ktrans值,因此,DCE-MRI定量技术在前列腺癌诊断的应用中推荐使用全容积Histogram分析法;3.前列腺癌全容积Histogram分析Ktrans值的10%位数、90%位数、偏度和Kep值的平均值、10%位数、90%位数与Gleason评分间的相关性均有统计学意义,由此可见,前列腺癌DCE-MRI定量参数Ktrans、Kep值的全容积Histogram分析结果具有术前无创性预测癌灶Gleason评分的潜能,有望成为临床术前评估前列腺癌恶性程度潜在的功能影像学检测指标。(本文来源于《苏州大学》期刊2016-06-01）
高靳,周瀚,欧阳宇,刘洪,代茂良[10]（2015）在《前列腺MR动态增强扫描感兴趣区的选择方法的探讨》一文中研究指出目的:探讨感兴趣区(ROI)不同对MR动态增强扫描(DCE-MRI)时间-信号强度曲线(TIC)的影响及价值。材料与方法:99例病人均行前列腺动态增强扫描,共118个前列腺周围带病灶,其中良性病变63个,前列腺癌55个。在动态增强扫描图像上,分别获取病灶中心层面1个大ROI(20~150 mm2)及分散在病灶内13个小ROI(6.6 mm2)的TIC,比较大、小ROI的TIC在良恶性前列腺病灶中的差异。采用两种方案分类病灶TIC类型并分别进行DCE-MRI的PI-RADS评分:方案1:病灶曲线类型为大ROI曲线类型;方案2:病灶小ROI中有3型曲线者,病灶曲线类型归为3型,没有者归为大ROI曲线类型。结果:病灶中,具有大ROI曲线类型的小ROI数的中位数,良性病变12,前列腺癌10,中位数检验P=0.003。两种方案诊断前列腺癌,方案1敏感性76.36%,特异性90.48%,方案2敏感性87.27%,特异性85.71%,敏感性比较P=0.031,特异性比较P=0.250。结论:前列腺癌灶各处强化方式多不完全一致,采用小ROI寻找3型曲线区域,有助于周围带前列腺癌的诊断。(本文来源于《中国临床医学影像杂志》期刊2015年05期）
动态感兴趣区论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
车辆横向运动剧烈时,基于视频序列的感兴趣区域(Region of Interest,ROI)预测方法未直接考虑车辆动态特性,通过误差反馈矫正,容易使预测结果不准确。考虑车辆相对车道线的动态特性,建立其微观交通系统模型。基于该模型应用卡尔曼滤波理论在车辆坐标系下设计感兴趣区域预测算法,并应用于车道线识别系统以提高识别实时性和准确性。台架试验结果表明,在测试工况下感兴趣区域预测的准确率提高了19.4%,通过缩小图像处理区域,单帧图像平均处理时间降低1.9 ms,车道线识别准确率提高了1.3%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
动态感兴趣区论文参考文献
[1].毛咪咪,冯峰,李海明.不同感兴趣区选择方法在上皮性卵巢癌动态增强MRI参数中一致性的比较[J].CT理论与应用研究.2019
[2].张强,王晓彤,高锋,黄赛赛.考虑车辆动态行为的感兴趣区域预测技术[J].汽车工程学报.2018
[3].钱利萍,周长玉,谢铁明,刘玉凤,喻迎星.动态对比增强磁共振成像感兴趣区勾画技术在乳腺癌诊断中的临床研究[J].中国癌症杂志.2018
[4].敬雪平,郑秀娟,宋少莉,刘凯.一种计算机断层图像辅助的肾动态图像感兴趣区自动检测方法[J].生物医学工程学杂志.2017
[5].刘任从,徐磊,张乐乐,孟庆乐,杨瑞.核素肾动态显像肾脏感兴趣区域分割算法的研究[J].中国医疗设备.2017
[6].汪长银,赵燕芬,沈美娟,崔成国.肾动态显像测量肾功能时一侧肾脏感兴趣区的不同勾画对另一侧肾脏肾小球滤过率的影响[J].中国医学物理学杂志.2017
[7].鱼兆伟,吴晓波,沈林.基于动态感兴趣区域的光照无关车道线检测算法[J].计算机工程.2017
[8].李蕙,王延江.基于动态视觉显着性的感兴趣目标提取与跟踪[J].济南大学学报(自然科学版).2016
[9].王君鑫.动态增强MRI定量研究中感兴趣区设置方法和定量参数直方图分析在前列腺癌诊断中的初步评价[D].苏州大学.2016
[10].高靳,周瀚,欧阳宇,刘洪,代茂良.前列腺MR动态增强扫描感兴趣区的选择方法的探讨[J].中国临床医学影像杂志.2015