CN101551854B - 不平衡医学影像处理***及其处理方法 - Google Patents
不平衡医学影像处理***及其处理方法 Download PDFInfo
- Publication number
- CN101551854B CN101551854B CN2009100224976A CN200910022497A CN101551854B CN 101551854 B CN101551854 B CN 101551854B CN 2009100224976 A CN2009100224976 A CN 2009100224976A CN 200910022497 A CN200910022497 A CN 200910022497A CN 101551854 B CN101551854 B CN 101551854B
- Authority
- CN
- China
- Prior art keywords
- image
- cutting
- module
- processing
- medical image
- Prior art date
- Legal status (The legal status 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 status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种不平衡医学影像处理***及其处理方法,它属于图像处理技术领域。整个***包括:影像预处理模块、影像个性化切分模块、影像特征提取模块和影像核匹配追踪集成分类诊断模块。影像预处理模块完成去冗余及直方图均衡化增强处理,对处理后影像进一步完成均匀切分、不均匀切分或滑窗切分处理后,完成灰度共生矩阵和Hu矩特征提取得到有标识的训练样本集,从中抽取部分样本对单个分类器进行训练,得到各个训练分类器,采用各训练分类器对未标识测试样本分类得到分类标签,根据决策函数得到未标识测试样本的最终诊断结果。本发明具有对医学影像诊断识别率高,处理时间短的优点,可用于医务工作者评价疾病预后和治疗效果。
Description
技术领域
本发明属于图像处理技术领域,特别是涉及医学影像处理,可用于监测疾病分布、研究发病机理及疾病辅助诊断。
背景技术
计算机科学技术的迅猛发展对医学领域产生了巨大的影响,人们试图让计算机逐渐代替人类实现自动诊断疾病等极具挑战性的工作,医学图像在临床诊断中发挥着重要的作用。自1895年伦琴发现X射线以来特别是1979年出现了计算机断层扫描(CT)技术,极大地推动了影像医学的发展。近三十年以来,新的影像学技术更是层出不穷。
然而,医学图像由于其个体差异、图像模糊不均匀、噪声以及病理类别繁多等因素影响,导致医学图像的诊断成为一个十分复杂而又迫切需要解决的问题。现在,快速、准确地采用语义信息和内容相结合的多级识别方法确定医学图像类别,检索出相似的病例,已成为当前医学图像数据库研究的关键点之一。集成方法是构建一种对单个分类器进行集成的学习算法,将各分类器的分类结果以一定的方式集成起来实现对新数据点进行分类,其中单个分类器是独立的且不要求分类精度很高,已被广泛应用于人脸检测、三维物体识别、遥感图像分析等诸多领域。Maria-Luiza.A等人用图像挖掘方法对图像库中的胸部图像逐幅进行预处理,将图像分成四个规则区域,提取每个区域的纹理特征,再用关联规则和神经网络算法进行数据挖掘和分类诊断,该方法将图像分成正常和癌患者两类,实现对乳癌患者的自动诊断。CZ Cai,WL Wang等人将SVM方法成功运用到DNA结合蛋白分类识别中,但从整体医学影像诊断识别结果来看,其诊断识别率较低。同时医学影像作为特殊的一类图像,医学影像标记样本的获取代价很昂贵,不完备的标记样本集也会影响医学影像辅助诊断的分类性能,使得辅助诊断的泛化能力大打折扣。
发明内容
本发明的目的在于克服上述已有技术的不足,针对医学影像个体差异大、诊断识别率较低和泛化能力弱等问题,提出了一种不平衡医学影像处理***及其处理方法,以提高医学影像诊断识别率,缩短医学影像诊断处理时间和增强泛化能力。
为实现上述目的,本发明提供医学影像不平衡医学影像处理***,包括:
影像预处理模块,完成原始影像去冗余以及直方图均衡化增强处理,并将处理后的结果传输给影像个性化切分模块;
影像个性化切分模块,对输入的影像完成均匀切分、不均匀切分或滑窗切分处理,再将其处理结果传至影像特征提取模块;
影像特征提取模块,对输入的个性化切分后的影像完成灰度共生矩阵和Hu矩特征提取,再将其提取结果传至影像核匹配追踪集成分类诊断模块;
影像核匹配追踪集成分类诊断模块,对输入的影像进行核匹配追踪集成分类诊断,输出最终诊断结果。
所述的影像个性化切分模块包括:
影像个性化的均分切分处理子模块,对原始影像集去冗余以及直方图均衡化增强处理,并对处理后的影像进行横向或纵向均匀切分,得到M幅医学影像块,M为正整数;
影像个性化的不均分切分处理子模块,对原始影像集去冗余以及直方图均衡化增强处理,在影像个性化的均匀划分处理的基础上,依据影像的感兴趣区域分布,对均匀切分处理后的医学影像进一步切分为N块区域面积不等的医学影像块,N为正整数;
影像个性化的滑窗切分处理子模块,对原始影像集去冗余以及直方图均衡化增强处理后,并对处理后的影像进行自适应的带重叠滑窗切分处理,得到L幅面积相等的医学影像块,L为正整数。
为实现上述目的,本发明提供影像核匹配追踪集成分类诊断方法,包括如下步骤:
(1)采用直方图均衡化和均方差标准化方法,对原始影像集进行切割与增强处理,得到视觉效果较好的医学影像集;
(2)对得到的视觉效果较好的医学影像集进行个性化切分处理,得到不同的医学影像集,不同的医学影像集包括:均匀切分处理后影像集、不均匀切分后影像集和滑窗切分处理后影像集;
(3)对个性化切分后的医学影像集提取其灰度共生矩阵或Hu矩特征;定义有标识的训练样本集合T1={(x1,u1)..(xi,ui).,(xl,ul)},其中,xi表示第i个有标识训练样本的特征,ui的表示有标识训练样本的标识,i表示第i个有标识训练样本;未标识的测试样本集合T2={v1,..vi,..vm},m为未标识的测试样本的个数;
(4)对有标识的训练样本T1进行核匹配追踪集成分类诊断,得到集成分类器后,对未标识的测试样本T2进行分类诊断,得到未标识测试样本T2的最终诊断结果。
本发明与现有的技术相比具有以下优点:
1、本发明充分考虑实际医学影像中感兴趣区域分布各不相同,采用个性化切分处理方法处理后,诊断识别率具有较大提高;
2、本发明采用核匹配追踪集成分类方法对医学影像进行辅助诊断,运算量小、泛化能力强;
3、本发明采用核匹配追踪集成分类方法对医学影像进行辅助诊断,核匹配追踪集成分类方法具有较高的识别精度;
仿真结果表明,对乳腺X影像采用本发明的医学影像个性化处理方法与核匹配追踪集成辅助诊断方法,影像数据的识别率可提高10%以上。
附图说明
图1是本发明的核匹配追踪集成辅助诊断***示意图;
图2是本发明的核匹配追踪集成辅助诊断流程图;
图3是本发明仿真采用的原始乳腺X影像图;
图4是本发明对图3进行去冗余后的乳腺X影像图;
图5是本发明对图4采用直方图均衡化和均方差标准化方法后的乳腺X影像图;
图6是本发明对图5采用乳腺X影像个性化切分处理图。
具体实施方式
参照图1,本发明的医学影像不平衡医学影像处理***主要包括:影像预处理模块、影像个性化切分模块、影像特征提取模块和影像核匹配追踪集成分类诊断模块。
影像预处理模块,完成原始影像去冗余以及直方图均衡化增强处理,并将处理后的结果传输给影像个性化切分模块;
影像特征提取模块,对输入的个性化切分后的影像完成灰度共生矩阵和Hu矩特征提取,再将其提取结果传至影像核匹配追踪集成分类诊断模块;
影像核匹配追踪集成分类诊断模块,对输入的影像进行核匹配追踪集成分类诊断,输出最终诊断结果;
影像个性化切分模块,对输入的影像完成均匀切分、不均匀切分或滑窗切分处理,再将其处理结果传至影像特征提取模块。它进一步包括:影像个性化的均分切分处理子模块,影像个性化的不均分切分处理子模块和影像个性化的滑窗切分处理子模块,
其中:
影像个性化的均分切分处理子模块,对原始影像集去冗余以及直方图均衡化增强处理后,对视觉效果较好的各医学影像采用均匀划分方法,将视觉效果较好的各医学影像横向均匀切分为四个医学影像块。
影像个性化的不均分切分处理子模块,对原始影像集完成去冗余以及直方图均衡化增强处理后,得到视觉效果较好的医学影像,对视觉效果较好的各医学影像采用均匀划分处理的基础上,对均匀切分处理后的医学影像正中位置的两个均匀切分子块进行进一步的详细切分,对均匀切分处理后的医学影像上下两个均匀切分子块进行粗略切分,最终切分为十二块区域面积不等的医学影像块。
影像个性化的滑窗切分处理子模块,对原始影像集完成去冗余以及直方图均衡化增强处理后,得到视觉效果较好的医学影像,对视觉效果较好的各医学影像采用滑窗切分处理方法,将视觉效果较好的各医学影像采用边长为X的正方形滑窗进行带重叠的滑窗切分处理,切分处理后得到十五幅面积相等的具有重叠区域的医学影像块。
本发明的医学影像不平衡医学影像处理***的工作原理是:对输入的原始影像完成去冗余以及直方图均衡化增强处理后,对处理后的影像进行影像个性化切分处理,分别完成均匀切分、不均匀切分或滑窗切分处理后,对处理后的影像完成灰度共生矩阵和Hu矩特征提取,根据提取的特征得到有标识的训练样本集,从整个有标识的训练样本集中抽取出部分样本对单个分类器进行训练,得到各个训练分类器,采用各训练分类器对未标识的测试样本分类,产生各个分类器对未标识的测试样本的诊断结果,根据决策函数得到未标识的测试样本的最终诊断结果。
参照图2,本发明的医学影像不平衡医学影像处理***,包括如下步骤:
步骤1:采用直方图均衡化和均方差标准化方法,对原始医学影像集中的医学影像进行切割与增强处理,得到视觉效果较好的医学影像集。
1a)输入原始医学影像,其大小为M×N,本实例选择如图3所示的原始乳腺X影像集中的一幅影像,其大小1024×1024;
1b)对输入的原始医学影像,即乳腺X影像采用图像水平和垂直的计算机自动切割方法,切除图像的背景和图像中存在的人为印记,得到切割后的乳腺X影像,如图4所示;
1c)对切割后的医学影像采用直方图均衡化和均方差标准化方法去除噪声,得到具有较好视觉效果的乳腺X影像,如图5所示。
步骤2:对得到的视觉效果较好的乳腺X影像完成影像个性化切分处理。
采用的切分处理方式包括:影像个性化的均分切分处理、影像个性化的不均分切分处理和影像个性化的滑窗切分处理。其中:
影像个性化的均分切分处理过程是:先对原始乳腺X影像集完成去冗余以及直方图均衡化增强处理;再对视觉效果较好的各乳腺X影像采用均匀划分方法,将视觉效果较好的各乳腺X影像横向均匀切分,得到四个乳腺X影像块。
影像个性化的不均分切分处理过程是:先对原始乳腺X影像集完成去冗余以及直方图均衡化增强处理;再在均匀划分处理的基础上,对均匀切分得到的四个乳腺X影像块正中位置的两个均匀切分子块进行详细切分,对上下两个均匀切分子块进行粗略切分,最终将乳腺X影像切分为十二块区域面积不等的乳腺X影像块。
影像个性化的滑窗切分处理过程是:先对原始乳腺X影像集完成去冗余以及直方图均衡化增强处理;再对视觉效果较好的乳腺X影像采用滑窗切分处理方法,对视觉效果较好的各乳腺X影像采用边长为X的正方形滑窗,进行带重叠的滑窗切分处理,切分处理后得到十五幅面积相等的乳腺X影像块。
步骤3:个性化切分处理后的乳腺X影像进行灰度共生矩阵特征或Hu矩特征提取。
A.提取灰度共生矩阵四个特征的过程如下:
A1)对得到的视觉效果较好的乳腺X影像,生成灰度共生矩阵pij(s,θ),其中θ的取值为4个离散的方向:0°,45°,90°,135°,s∈[1,size],size表示视觉效果较好的医学影像的长度或宽度;
A2)根据得到的灰度共生矩阵,对视觉效果较好的乳腺X影像提取四个特征,分别为:
角二阶矩:
熵:
同质区:
非相似性:
B.提取Hu矩七个特征的具体过程如下:
B1)在得到的视觉效果较好的乳腺X影像上,计算点(x,y)处的(p+q)阶矩mpq及(p+q)阶中心矩μpq:
式中,f(x,y)表示点(x,y)处的像素值,(xc,yc)表示视觉效果较好的乳腺X影像的重心坐标;
B2)根据得到的点(x,y)处的(p+q)阶矩mpq及(p+q)阶中心矩μpq,按照下式计算点(x,y)处的归一化中心矩:
式中,μoo r表示点(x,y)的零阶γ阶矩,γ=(p+q)/2+1;
B3)利用点(x,y)处的归一化中心矩,提取视觉效果较好的乳腺X影像的七个Hu矩特征,分别定义为φ1,φ2,…,φ7,即:
φ1=η20+η02
φ3=(η30-3η12)2+(3η21-η03)2
φ4=(η30+η12)2+(η21+η03)2
φ5=(η30-3η12)(η30+η12)φx+(η03-3η21)(η21+η03)φy
φ6=(η20-η02)[(η30+η12)2-(η03+η21)2]+4η11(η30+η12)(η03+η21)
φ7=(3η21-η03)(η30+η12)φx+(η30-3η12)(η03+η21)φy,
其中,
步骤4:根据对视觉效果较好的乳腺X影像提取的特征,得到有标识的训练样本集:
T1={(xi,ui)|xi∈Rn,ui∈{1,2,...,c},i=1,...,l}
式中,xi表示n维实数空间中的一个样本,l为有标识的训练样本的个数;ui是其类别标签,c为类别数,ui∈[1,c],且ui为整数;本发明中采用的乳腺X影像辅助诊断属于二类分类问题,其分类诊断结果包括正常和癌患者两类,假定c=2,u1,u2,...,ul(ui∈{-1,1})是各乳腺X影像的类别标签;
定义未标识的测试样本集合T2={v1,..vi,..vm},m为未标识的测试样本的个数。
步骤5:输入子分类器数目l和采样间距大小,对有标识的训练样本集T1采用等间隔策略,构建l个互异的有标识的训练样本集。其具体过程如下所述:
从有标识的训练样本集T1中选取l个互异的样本集T1 i,i=1,2,...,l,将选取的l个互异的训练样本集作为每个核匹配追踪子分类器的有标识的样本集。其中,第i(1≤i≤l)个分类器的样本集为原样本集中序号为{i,μl+i,2μl+i,3μl+i,...}的样本,μ为正整数,μl为采样间距。
步骤6:对每个互异的有标识的样本集独立进行核匹配追踪分类,得到l个核匹配追踪子分类器fi,i=1,2,...,l,其中,核匹配追踪分类器的核函数参数为P。
步骤7:采用l个核匹配追踪子分类器对未标识测试样本T2进行分类诊断,得到各个核匹配追踪子分类器对未标识测试样本T2的诊断结果h1,h2,...,hl(hi∈{-1,1}),其中1≤k≤l;
步骤8:对未标识测试样本T2的诊断结果的类别标签h1,h2,...,hl(hi∈{-1,1}),采用多数投票准则进行决策,多数投票准则为:
多数投票的具体决策过程如下所示:
8a)对未标识测试样本采用核匹配追踪子分类器得到类别标签h1,h2,...,hl(hi∈{-1,1}),统计类别标签的数目,当子分类器分类得到的类别标签为1的总数目大于类别标签为-1的总数目时,则最后决策该未标识测试样本的类别标签为1,诊断结果为正常。
8b)对未标识测试样本采用核匹配追踪子分类器得到类别标签h1,h2,...,hl(hi∈{-1,1}),统计类别标签的数目,当子分类器分类得到的类别标签为1的总数目小于类别标签为-1的总数目时,则最后决策该未标识测试样本的类别标签为-1,诊断结果为癌变。
步骤9:输出未标识测试样本T2的最终诊断结果。
本发明的效果可以通过以下对乳腺X影像仿真数据进一步说明:
1、仿真条件
本发明的仿真在windows XP,SPI,CPU Pentium(R)4,基本频率2.4GHZ,软件平台为Matlab7.0.1运行。仿真选用的原始乳腺X影像来源于公共数据集MIAS,共获取150幅原始乳腺X影像。
2、仿真结果
A.基于个性化切分处理的影像分类诊断实验
实验对切分处理前、后的医学乳腺X影像分别提取灰度共生矩阵CLCM和Hu矩特征,将乳腺X影像整幅图像与三种不同切分后图像诊断结果进行对比,实验结果如表1所示,其中分类器采用标准核匹配追踪分类器,ρ表示训练测试样本之比,P为核匹配追踪训练分类器的核函数参数值,Rate表示乳腺X影像诊断识别率(%)。
表1 切分处理前、后识别率对比实验
从表1可见,切分处理后的乳腺X影像与整幅乳腺X影像的诊断识别率相比,切分处理后乳腺X影像诊断识别率有较大幅度提高;对三种不同的切分处理方法进行比较,不均匀十二块划分比均分四块划分及重叠滑窗处理具有较好的诊断识别率;而对于提取的两种特征而言,Hu矩比GLCM具有诊断识别结果。
由上述的诊断识别结果可见:切分处理后的乳腺X影像比整幅乳腺X影像的诊断识别率有显著提高,其主要是由乳腺X影像的特性决定的。各个乳腺影像样本的差异性决定了采用切分处理方法进行诊断的优势。其次,Hu矩能较好反映影像中的形状、大小特性,而GLCM反映的是影像的纹理特性,通过分析乳腺X影像的特性,可以看到该影像的纹理信息复杂无序,而点状信息突出明显,这一点说明了在实验结果中Hu矩与GLCM比较,Hu矩更能有效识别乳腺X影像。
B.基于核匹配追踪集成分类方法的影像诊断实验
在实验A的基础上,对得到的视觉效果较好的乳腺X影像采用滑窗处理方法后,进行核匹配追踪集成分类方法进行诊断识别。实验从135个训练样本中随机选择100个样本用于训练,迭代100次,实验结果如表2所示:
表2 切分处理前、后集成分类对比实验
实验结果表明,滑窗处理采用核匹配追踪集成分类算法与整幅医学影像识别的结果比较,其诊断结果有较大提高。
上述整个医学乳腺X影像切分处理过程,均通过计算机程序实现其功能,同时完成对医学乳腺X影像核匹配追踪集成辅助诊断。
该实例是在以本发明技术方案为前提下进行实施的,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于上述实施例。
Claims (2)
1.一种不平衡医学影像处理***,包括:
影像预处理模块,完成原始影像去冗余以及直方图均衡化增强处理,并将处理后的结果传输给影像个性化切分模块;
影像个性化切分模块,对输入的影像完成均匀切分、不均匀切分或滑窗切分处理,再将其处理结果传至影像特征提取模块;
影像特征提取模块,对输入的个性化切分后的影像完成灰度共生矩阵和Hu矩特征提取,再将其提取结果传至影像核匹配追踪集成分类诊断模块;
影像核匹配追踪集成分类诊断模块,对输入的影像进行核匹配追踪集成分类诊断,输出最终诊断结果。
2.根据权利要求书1所述的***,其中影像个性化切分模块包括:
影像个性化的均分切分处理子模块,对影像预处理模块处理得到的经过去冗余以及直方图均衡化增强处理后的影像进行横向或纵向均匀切分,得到M幅医学影像块,M为正整数;
影像个性化的不均分切分处理子模块,对影像预处理模块处理得到的经过去冗余以及直方图均衡化增强处理后的影像,在影像个性化的均匀划分处理的基础上,依据影像的感兴趣区域分布,对均匀切分处理后的医学影像进一步切分为N块区域面积不等的医学影像块,N为正整数;
影像个性化的滑窗切分处理子模块,对影像预处理模块处理得到的经过去冗余以及直方图均衡化增强处理后的影像进行自适应的带重叠滑窗切分处理,得到L幅面积相等的医学影像块,L为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100224976A CN101551854B (zh) | 2009-05-13 | 2009-05-13 | 不平衡医学影像处理***及其处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100224976A CN101551854B (zh) | 2009-05-13 | 2009-05-13 | 不平衡医学影像处理***及其处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101551854A CN101551854A (zh) | 2009-10-07 |
CN101551854B true CN101551854B (zh) | 2011-08-24 |
Family
ID=41156094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100224976A Expired - Fee Related CN101551854B (zh) | 2009-05-13 | 2009-05-13 | 不平衡医学影像处理***及其处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101551854B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859384B (zh) * | 2010-06-12 | 2012-05-23 | 北京航空航天大学 | 目标图像序列度量方法 |
CN104252570A (zh) * | 2013-06-28 | 2014-12-31 | 上海联影医疗科技有限公司 | 一种海量医学影像数据挖掘***及其实现方法 |
CN105354405A (zh) * | 2014-08-20 | 2016-02-24 | 中国科学院上海高等研究院 | 基于机器学习的免疫组化图像自动化判读*** |
CN104217437A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | ***kvct图像的病变区域分割方法 |
CN104766095A (zh) * | 2015-04-16 | 2015-07-08 | 成都汇智远景科技有限公司 | 一种移动终端图像识别方法 |
CN104751147A (zh) * | 2015-04-16 | 2015-07-01 | 成都汇智远景科技有限公司 | 一种图像识别方法 |
CN109522973A (zh) * | 2019-01-17 | 2019-03-26 | 云南大学 | 基于生成式对抗网络与半监督学习的医疗大数据分类方法及*** |
CN111126502B (zh) * | 2019-12-26 | 2020-11-10 | 北京安德医智科技有限公司 | 一种面向人工智能辅助诊断的dicom医疗影像序列分类方法 |
CN117392038B (zh) * | 2023-12-05 | 2024-03-08 | 北京智源人工智能研究院 | 医学图像直方图均衡化方法、装置、电子设备和存储介质 |
-
2009
- 2009-05-13 CN CN2009100224976A patent/CN101551854B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101551854A (zh) | 2009-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101551854B (zh) | 不平衡医学影像处理***及其处理方法 | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断*** | |
CN106780448B (zh) | 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类*** | |
Omonigho et al. | Breast cancer: tumor detection in mammogram images using modified alexnet deep convolution neural network | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断*** | |
CN101551855B (zh) | 自适应核匹配追踪辅助诊断***及其辅助诊断方法 | |
CN101609485B (zh) | 基于迁移核匹配追踪的医学影像诊断***及诊断方法 | |
CN105913086A (zh) | 一种应用特征权重自适应选择的计算机辅助诊断乳腺的方法 | |
CN106204532B (zh) | 基于特征数据挖掘及神经网络的肿瘤的分类方法 | |
CN112508850A (zh) | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 | |
Jalali et al. | A study of classification and feature extraction techniques for brain tumor detection | |
Fathima et al. | Automatic detection of tumor subtype in mammograms based On GLCM and DWT features using SVM | |
Das et al. | Automated classification of childhood brain tumours based on texture feature. | |
Kumar et al. | Lungcov: A diagnostic framework using machine learning and Imaging Modality | |
Bose et al. | Detection of microcalcification in mammograms using soft computing techniques | |
Ghadi et al. | Deep learning-based segmentation and classification techniques for brain tumor MRI: A review | |
CN109214388B (zh) | 一种基于个性化融合网络的肿瘤分割方法及装置 | |
CN114565786A (zh) | 基于通道注意力机制的断层扫描图像分类装置和方法 | |
Kouser et al. | Deep Learning-Based Segmentation Of Brain Tumor | |
Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant | |
CN107463964A (zh) | 一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置 | |
Parraga et al. | A review of image-based deep learning algorithms for cervical cancer screening | |
Li et al. | A novel approach of computer-aided detection of focal ground-glass opacity in 2D lung CT images | |
Balanica et al. | Breast cancer diagnosis based on spiculation feature and neural network techniques | |
Siddiqui et al. | Attention based covid-19 detection using generative adversarial network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110824 Termination date: 20150513 |
|
EXPY | Termination of patent right or utility model |