CN104840209A - 用于病变检测的设备和方法 - Google Patents

用于病变检测的设备和方法 Download PDF

Info

Publication number
CN104840209A
CN104840209A CN201410641338.5A CN201410641338A CN104840209A CN 104840209 A CN104840209 A CN 104840209A CN 201410641338 A CN201410641338 A CN 201410641338A CN 104840209 A CN104840209 A CN 104840209A
Authority
CN
China
Prior art keywords
lesion candidates
information
anatomy
medical image
lesion
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.)
Pending
Application number
CN201410641338.5A
Other languages
English (en)
Inventor
赵百焕
成英庆
金叡薰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN104840209A publication Critical patent/CN104840209A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

提供一种用于病变检测的设备和方法。所述病变检测的方法包括：从医学图像检测候选病变；从医学图像检测解剖学对象；基于包括关于候选病变和解剖学对象之间的位置关系的信息的解剖学背景信息，验证每个候选病变；基于验证结果，从检测到的候选病变去除一个或更多个假阳性候选病变。

Description

用于病变检测的设备和方法
本申请要求于2014年2月19日在韩国知识产权局提交的第10-2014-0019265号韩国专利申请的权益，该韩国专利申请的整个公开通过出于所有目的的引用被包含于此。
技术领域
以下描述涉及一种从医学图像检测病变的技术，并且涉及一种用于去除从医学图像检测到的作为假阳性候选病变的一个或更多个候选病变的方法和设备。
背景技术
计算机辅助检测(CADe)(也称为计算机辅助诊断(CADx))是一种为了帮助医生做出诊断的目的而使用计算机从医学图像自动检测病变的技术。然而，很多医学图像的低分辨率和医学图像中的病变的宽范围非典型的特性使在CAD中实现高精度具有挑战性。
例如，超声图像从位置和角度由医生任意地确定的探头获得。因此，获得的超声图像会因用于获得图像的探头的不同的位置和角度而包含病变的非典型图像。因此，如果将自动检测病变的算法应用于这种非典型图像，则计算机有可能不仅检测病变，还可能将图像中发现的解剖学对象(anatomicalobject)检测为病变。
发明内容
提供本发明内容来以简化的形式介绍选择的构思，所述构思将在下面在具体实施方式中进一步描述。本发明内容不意图识别要求保护的主题的关键特征或必要特征，也不意图用于帮助确定要求保护的主题的范围。
在一个总体方面，用于病变检测的设备包括：候选病变检测器，被构造为从医学图像检测候选病变；相邻对象检测器，被构造为从医学图像检测解剖学对象；候选病变验证器，被构造为基于解剖学背景信息验证每个候选病变，其中，所述解剖学背景信息包括关于每个候选病变和解剖学对象之间的位置关系的信息；候选去除器，被构造为基于候选病变验证器的验证结果从检测到的候选病变中去除一个或更多个假阳性候选病变。
所述设备还可包括：图像接收器，被构造为获得医学图像，其中，所述医学图像是使用超声波或X射线捕获的人的***的图像；相邻对象检测器被构造为：将来自***图像的皮肤、脂肪、腺体组织、肌肉和骨骼中的至少一个检测为解剖学对象；并且候选病变验证器被构造为：基于解剖学背景信息验证每个候选病变，其中，所述解剖学背景信息包括关于每个候选病变与皮肤、脂肪、腺体组织、肌肉和骨骼中的至少一个之间的位置关系的信息。
候选病变检测器可被构造为：使用Haar特征检测技术、可变形部件模型(DPM)和深度学习技术中的至少一种从医学图像检测候选病变。
相邻对象检测器可包括多个单独的对象检测器，所述多个单独的对象检测器中的每个对象检测器可从医学图像单独地检测解剖学对象。
所述多个单独的对象检测器中的每个对象检测器可被构造为：使用深度学习技术、滑动窗口技术或超像素技术。
相邻对象检测器可包括：单个对象检测器，被构造为从医学图像同时检测多个解剖学对象。
单个对象检测器可被构造为使用深度学习技术、滑动窗口技术或超像素技术。
单个对象检测器可被构造为：从整个医学图像或医学图像的一部分提取多个特征图，向提取的特征图分配相应的解剖学对象，将分配有特定解剖学对象的特征图在医学图像中的位置标注为特定解剖学对象。
候选病变验证器可被构造为：使用支持向量机(SVM)、人工神经网络(ANN)、深度学习技术和贝叶斯网络中的至少一个。
解剖学背景信息可包括解剖学对象的领域知识和候选病变的领域知识，其中，解剖学对象的领域知识包括以下项目中的至少一个：“人体的特定部位具有预定义的解剖学对象”、“不同的解剖学对象具有在人体的特定部位中的预定义的位置关系”和“相同的解剖学对象聚集在一起”；候选病变的领域知识包括：“特定候选病变仅存在于人体的特定部位的特定解剖学对象中”。
解剖学背景信息可包括从检测到的候选病变和检测到的解剖学对象提取的自信息，并且所述自信息可包括置信水平信息、亮度信息、纹理信息和形状信息中的至少一个。
解剖学背景信息可包括从每个候选病变和每个解剖学对象之间的相关性提取的关系信息。
所述关系信息可包括如下项目中的至少一个：每个候选病变与每个解剖学对象之间的距离、每个候选病变相对于每个解剖学对象的位置以及关于每个候选病变和每个解剖学对象之间在亮度、纹理或形状方面的相似性的信息。
解剖学背景信息可包括医学图像中的每个候选病变的存在的概率分布，其中，可从预建立的学习数据获得所述概率分布。
响应于医学图像为2D连续帧中的一帧或3D截面图像中的一幅，解剖学背景信息还可包括从相邻帧或相邻截面获得的相邻图像信息，其中，所述相邻图像信息包括每个候选病变和每个解剖学对象的位置信息。
在另一总体方面，病变检测的方法包括：从医学图像检测候选病变；从医学图像检测解剖学对象；基于解剖学背景信息验证每个候选病变，其中，所述解剖学背景信息包括关于候选病变和解剖学对象之间的位置关系的信息；以及基于验证结果从检测到的候选病变去除一个或更多个假阳性候选病变。
所述方法的总体方面还可包括：从医学成像设备获得医学图像，其中，所述医学图像是使用超声波或X射线捕获的人体***的图像；检测解剖学对象的步骤包括：从***图像将皮肤、脂肪、腺体组织、肌肉和骨骼中的至少一个检测为解剖学对象；验证每个候选病变的步骤包括：基于解剖学背景信息验证每个候选病变，其中，所述解剖学背景信息包括关于候选病变与皮肤、脂肪、腺体组织、肌肉和骨骼中的至少一个之间的位置关系的信息。
检测候选病变的步骤可包括：使用Haar特征检测技术、可变形部件模型(DPM)和深度学习技术来从医学图像检测候选病变。
检测解剖学对象的步骤可包括：检测多个单独的对象，以从医学图像单独地检测解剖学对象。
所述多个单独的对象中的每个对象的检测可利用深度学习技术、滑动窗口技术或超像素技术。
检测解剖学对象的步骤可包括：从医学图像同时检测所有的解剖学对象。
从医学图像同时检测所有的解剖学对象可采用深度学习技术、滑动窗口技术或超像素技术。
同时检测所有解剖学对象的步骤可包括：从整个医学图像或医学图像的一部分提取多个特征图，将相应的解剖学对象分配给所述多个提取的特征图中的每个特征图，以及用特定解剖学对象在医学图像中标注分配有特定解剖学对象的特征图的位置。
每个候选病变的验证可采用支持向量机(SVM)、人工神经网络(ANN)和贝叶斯网络中的至少一个。
解剖学背景信息可包括解剖学对象的领域知识和候选病变的领域知识，并且解剖学对象的领域知识可包括如下项目的至少一个：“人体的特定部位具有预定义的解剖学对象”、“不同的解剖学对象在人体的特定部位中具有预定义的位置关系”和“相同的解剖学对象聚集在一起”；候选病变的领域知识可包括：“特定候选病变仅存在于人体的特定部位的特定解剖学对象中”。
解剖学背景信息可包括分别从候选病变和解剖学对象提取的自信息，并且所述自信息可包括置信水平信息、亮度信息、纹理信息和形状信息中的至少一个。
解剖学背景信息可包括从每个候选病变和每个解剖学对象之间的相关性提取的关系信息。所述关系信息可包括如下内容中的至少一个：每个候选病变和每个解剖学对象之间的距离、每个候选病变相对于每个解剖学对象的位置以及关于每个候选病变和每个解剖学对象之间在亮度、纹理或形状方面的相似性的信息。
解剖学环境信息可包括医学图像中每个候选病变存在的概率分布，其中，可从预建立的学习数据获得所述概率分布。
响应于所述医学图像是二维(2D)连续帧中的一帧或三维(3D)截面图像中的一幅，解剖学背景信息还可包括来自相邻帧或相邻截面的相邻图像信息，其中，相邻图像信息包括每个候选病变或每个解剖学对象的位置信息。
在另一总体方面，用于病变检测的设备包括：存储器，被构造为存储医学图像；处理器，被构造为：从医学图像检测候选病变和解剖学对象，被构造为基于解剖学背景信息验证每个检测到的候选病变，被构造为基于验证结果从检测到的候选病变去除一个或更多个假阳性候选病变，其中，所述解剖学背景信息包括关于每个候选病变和检测到的解剖学对象之间的位置关系的信息。
所述设备的总体方面还可包括图像接收器，被构造为：从医学成像设备获得医学图像，将医学图像存储在存储器中，其中，所述医学图像是使用超声波或X射线捕获的人的***的图像，所述解剖学对象包括来自***图像的皮肤、脂肪、腺体组织、肌肉和骨骼中的至少一个。所述设备的总体方面还可包括被构造为输出医学图像的示图的显示屏，其中，去除了一个或更多个假阳性候选病变之后剩余的候选病变显示在所述示图中。
从以下具体实施方式、附图和权利要求，其它特征和方面将变得清楚。
附图说明
图1是示出计算机辅助诊断(CAD)设备的构造的框图；
图2是示出***超声图像中的候选病变以及***超声图像的解剖学结构的示例的示图；
图3是示出用于去除一个或更多个假阳性候选病变的设备的示例的框图；
图4是示出在图3的示例中示出的相邻对象检测器的示例的框图；
图5是示出由在图4的示例中示出的相邻对象检测器提取的特征图的示例的示图；
图6是示出在图3的示例中示出的相邻对象检测器的操作的另一示例的示图；
图7是示出显示从在图3的实施例中示出的原始图像检测到的候选病变和解剖学对象的组合图像的示例的示图；
图8是示出在图3的示例中示出的候选病变验证器的示例的框图；
图9是示出在图3的示例中示出的候选病变验证器使用的背景信息的示例的框图；
图10是示出作为背景信息的示例的概率信息的示例的曲线图；
图11是示出用于从医学图像去除一个或更多个假阳性候选病变的方法的示例的流程图；
图12是示出用于从医学图像去除一个或更多个假阳性候选病变的方法的另一示例的流程图；
图13是示出用于从医学图像去除一个或更多个假阳性候选病变的另一示例的流程图；
贯穿附图和具体实施方式，除非另有描述或提供，否则相同的附图标号将被理解为指示相同的元件、特征和结构。附图可以不按比例绘制，为了清楚、说明和方便，可夸大附图中的元件的相对大小、比例和描绘。
具体实施方式
提供下面的具体实施方式来帮助读者获得对在此描述的方法、设备和/或***的全面理解。然而，在此描述的***、设备和/或方法的各种改变、修改和等同物对于本领域的普通技术人员而言将是明显的。描述的处理步骤和/或操作的顺序是示例，然而，除了必须以特定顺序出现的步骤和/或操作之外，步骤和/或操作的顺序不限于在此阐述的顺序，而是可改变为本领域公知的顺序。此外，为了更加清楚和简洁，将省略对本领域的普通技术人员公知的功能和构造的描述。
在此描述的特征可以以不同的形式实施，并且不应被解释为受限于在此描述的示例。相反，提供在此描述的示例以使本公开将是充分且完整的，并将本公开的全部范围传达给本领域的普通技术人员。
根据用于从医学图像去除一个或更多个假阳性候选病变的设备和/或方法的示例，提供了在计算机辅助检测(CADe)或计算机辅助诊断(CADx)中检测一个或更多个候选病变的技术。当从超声图像或***X射线医学图像检测候选病变时，可使用该技术。例如，该技术可用于***超声图像。
在本公开中，术语“解剖学对象”可以指可通过特定解剖学特征或功能区分的元素。例如，***可以是包括作为解剖学对象的皮肤、皮下脂肪、腺体组织、***后的脂肪、胸肌和肋骨的各种组织和成分。
术语“候选病变区域/部分”是指由CAD检测到的有可能被诊断为病变的特定区域。为了诊断病人，医生确定CAD检测到的候选病变区域是否是真实病变。
用于去除医学图像中的一个或更多个假阳性候选病变区域的设备和方法必需使用解剖学背景信息来验证从医学图像检测的候选病变，并随后去除所有假阳性候选病变。也就是，首先，从图像检测候选病变和解剖学对象。然后，基于解剖学背景信息来验证每个检测到的候选病变的位置、每个检测到的解剖学对象的位置、每个检测到的候选病变和每个检测到的解剖学对象之间的位置关系。然后，基于验证结果从候选病变去除所有假阳性候选病变。以这种方式，检测候选病变可变得更有效。
“假阳性候选病变”是指被错误地检测的候选病变，而不是需要医学诊断的病变。例如，如果特定解剖学对象(诸如脂肪)被确定为候选病变，则该候选病变很可能为假阳性。在另一示例中，如果捕获到***图像且确定***图像中的病变位于通常不会被发现有与乳腺癌有关的肿瘤或囊肿的区域，则该候选病变很可能为假阳性。
如果医学图像是***超声图像或***X射线图像，则乳腺癌的囊肿可被识别为候选病变，而皮肤、皮下脂肪、腺体组织、***后的脂肪、胸肌和肋骨可被检测为解剖学对象。
可使用各种算法自动从图像检测候选病变来检测候选病变。例如，可利用Haar特征检测技术、可变形部件模型、深度学习技术等。
可通过从图像单独检测多个解剖学对象中的每个对象来执行对解剖学对象的检测。在此情况下，可利用单种深度学习技术或多种深度学习技术(诸如卷积深度信念网络(CDBN)、卷积神经网络(CNN)等)。此外，可针对每个不同的解剖学对象使用不同的检测器：例如，用于皮肤的皮肤检测器、用于脂肪的脂肪检测器、用于腺体组织的腺体组织检测器、用于肌肉的肌肉检测器。
同时，可从***超声图像同时检测多个解剖学对象。在这种示例中，可利用深度学习技术、滑动窗口技术或超像素技术。例如，可从***超声图像提取各种特征图，可向提取的特征图分配相应的解剖学对象，分配有特定解剖学对象的特征图的位置可使用特定解剖学对象来标注。
可基于关于解剖学对象之间的位置关系的解剖背景信息，来验证以上述方式检测到的皮肤、脂肪、肌肉和骨骼以及任何其它解剖学对象。
解剖背景信息可包括与候选病变和相关解剖学对象相关联的领域知识。此外，解剖背景信息可包括关于候选病变的信息以及关于每个解剖学对象的信息。另外，解剖背景信息可包括关于候选病变和解剖学对象之间的位置关系的信息。此外，解剖背景信息可包括人体的特定部位的医学图像中存在的候选病变和/或解剖学对象的概率分布。可基于预建立的学习数据获取概率分布。在医学图像是二维(2D)连续视频帧中的一帧图像或三维(3D)剖视图像中的一幅的示例中，解剖背景信息可包括从相邻帧或相邻截面获取的相邻图像信息(诸如解剖学对象的位置信息)。
在下文中，参考附图描述用于通过从医学图像去除假阳性候选病变来检测病变的设备和方法的示例。
例如，提供用于从作为2D***超声图像的医学图像去除假阳性候选病变的设备和方法。然而，医学图像不限于***超声图像。例如，医学图像可以是人体的不同部位的超声图像或X射线图像，并且医学图像可以是2D图像或3D图像。
图1是示出计算机辅助诊断(CAD)设备的构造的框图。
参照图1，示出的CAD设备10包括图像获取器12、病变检测器14、病变诊断器16。医学图像设备可捕获病人的***的超声图像。图像获取器12可随后从存储该捕获的图像的医学图像设备接收图像。病变检测器14可通过将病变检测算法应用到接收到的图像，来确定来自图像获取器12的接收到的图像是否包括一个或更多个候选病变，并可检测接收到的图像中的每个检测到的候选病变的位置。病变诊断器16可确定检测到的候选病变是否是恶性的。CAD设备10可将检测到的图像中的候选病变连同诊断结果一起显示。
在这种CAD设备中，由于低的清晰度和非典型的超声图像，病变检测器14可能检测到多个假阳性候选病变以及与真实病变对应的候选病变。假阳性候选病变对应于检测错误。因此，为了提高诊断性能和效率，病变检测器14必须减少检测错误的数量(也就是，假阳性候选病变的数量)。
图2示出医学图像的示例。该医学图像是包括处在人的***的解剖学结构中的候选病变的示例的***超声图像。
参照图2，提供人的***的2D超声图像的示例。图2中示出的图像10包括解剖学对象(诸如皮肤11、皮下脂肪12、腺体组织13、***后的脂肪14、胸肌15和肋骨16)。此外，图像10包括候选病变21和候选病变22(诸如囊肿和恶性病变)。在解剖学上，这种解剖学对象以这样的方式被解剖学地构造，在所述方式中，皮肤11、皮下脂肪12、腺体组织13、***后的脂肪14、胸肌15和肋骨16从表面到内部依次排列。此外，可在图像10中的各个位置发现候选病变21和候选病变22。
图3是示出用于通过从医学图像去除假阳性候选病变来检测病变的设备的示例的框图。
参照图3，用于检测病变的设备30可包括诸如图像接收器31、候选病变检测器33、相邻对象检测器35、候选病变验证器37、候选去除器39、显示单元36等的组件。
图像接收器31是接收医学图像的组件。如图2中示出的，医学图像可以是例如使用超声波捕获的人的***的超声图像。可从医学图像诊断/捕获装置接收医学图像，可从使用超声波或X射线捕获人体的特定部位的成像设备接收医学图像，或可从存储由医学图像诊断/捕获装置捕获的医学图像的存储装置接收医学图像。医学图像诊断/捕获装置和存储装置在此可全部称为医学成像设备32。根据一示例，图像接收器31可被实施为这种医学成像设备的组成部分(integral part)，或可经由有线或无线通信与这种医学成像设备通信。可将接收到的图像存储在设备30的存储器中用于分析。
可在一个或更多个计算机处理器上实现候选病变检测器33、相邻对象检测器35、候选病变验证器37和候选去除器39。
候选病变检测器33是这样的组件，该组件分析医学图像，以确定医学图像是否包括一个或更多个候选病变，检测医学图像中的每个检测到的候选病变的位置。为了检测候选病变，候选病变检测器33可使用Haar特征检测技术、可变形部件模型技术、深度学***的分数。置信水平分数可以是表示每个候选病变将被确定为真实病变的可能性的度量。
相邻的对象检测器35可从医学图像检测多个解剖学对象。如果医学图像是***超声图像10，则相邻的对象检测器35可将图像中的皮肤、脂肪、腺体组织、肌肉和骨骼检测为解剖学对象。相邻对象检测器35可包括一次检测全部解剖学对象的单个对象检测器，或可包括单独地检测解剖学对象的多个单独的对象检测器。在下文中，参照图4、图5、图6描述相邻对象检测器35。
基于包括与解剖学背景相关联的信息的背景信息370，候选病变验证器37可验证由候选病变检测器33检测到的候选病变以及由相邻对象检测器35检测到的解剖学对象。例如，候选病变验证器37可使用支持向量机(SVM)、人工神经网络(ANN)、贝叶斯网络或任何其它机器学习和统计技术。参照图8详细描述候选病变验证器37。
背景信息370可包括指示包括在医学图像中的每个解剖学对象的解剖学背景的背景信息。背景信息可包括通常指示候选病变的位置、每个解剖学对象的位置以及每个候选病变与每个解剖学对象之间的位置关系的领域知识。例如，如果医学图像是***超声图像10，则候选病变验证器37可使用指示检测到的候选病变、皮肤、脂肪、腺体组织、肌肉和骨骼的位置以及它们的位置之间的关联的领域知识。可将背景信息370存储在计算机可读存储介质中。在下文中，参照图9来详细描述背景信息370。
例如，假设候选病变检测器33通过使用DPM技术分析图像来检测候选病变并将该图像中的特定区域确定为具有85％的置信水平的候选病变，假设相邻对象检测器35通过使用滑动窗口技术分析图像来检测解剖学对象并将该图像中的另一特定区域确定为具有95％的置信水平的皮下脂肪，并假设相邻对象检测器35以相同的方式检测任意其它解剖学对象(诸如“皮肤”，“腺体组织”，“***后的脂肪”和“胸肌”)。
在此示例中，候选病变验证器37可基于解剖背景信息来验证检测到的“候选病变”是否是真实病变。例如，候选病变验证器37可验证被检测为候选病变的特定区域(在下文中，称为区域A)和每个解剖学对象之间的位置关系。换言之，候选病变验证器37可参考解剖背景信息，该解剖背景信息指示区域A的位置处在与每个解剖学对象的位置相同的点、接近每个解剖学对象的位置或远离每个解剖学对象的位置。因此，候选病变验证器37可确定区域A是否是很可能被确定为真实病变的病变，或确定区域A是否是不大可能被确定为真实病变的病变。
候选去除器39可从候选病变验证器37接收验证结果。因此，候选去除器可通过候选去除器39来从由候选病变检测器33检测到的候选病变中去除被确定为假阳性候选的候选病变，而包括原始图像10中的将被显示的剩余候选病变。参照图7详细描述合成图像10。
图4是示出图3中示出的设备中显示的相邻对象检测器的示例的框图。
参照图4，作为图3中的相邻对象检测器31的示例，提供用于同时检测图像中的全部解剖学对象的单个检测器40。在图4中示出的示例中，单个检测器40将滑动窗口技术用于从医学图像检测多个解剖学对象的操作。
如在图4中示出的，单个检测器40可使用梯度直方图(HOG)特征(即特征图)来检测解剖学对象。为此，单个检测器40可包括特征图提取器41、特征图分配器43、图像标注器45。特征图提取器41从图像提取至少一个特征图。特征图分配器43向提取的特征图分配相应的解剖学对象。对于该处理，可将提取的特征图与多个预存储的特征图进行比较。如果提取的特征图与多个预存储的特征图中的任意一个相一致，则特征图分配器43可向提取的特征图分配与一致的特征图对应的解剖学对象。也就是，图像标注器45可用特定的解剖学对象来标注图像中分配有特定解剖学对象的特征图的位置。因此，特征图在图像中的位置可被检测为特定解剖学对象。
可选地，单个检测器40可使用超像素技术。在此情况下，单个检测器可被构造为分类器，该分类器将图像中的多个像素划分成多个超像素，并随后使用每个超像素的特征的图像信息(诸如超像素的强度、纹理、稀疏编码和深度信念网络)。
图5是示出由图4中示出的相邻对象检测器的示例提取的特征图的示例的示图。
图5示出特征图组50的示例，所述特征图组50包括囊肿的特征图51、不同的囊肿的特征图54、恶化的病变的特征图55和腺体组织的特征图57。然而，特征图组50仅仅是示例，并且明显还可包括其他各种特征图以识别更多病变的解剖学结构和/或类型。图3中示出的候选病变检测器33可类似地使用这种特征图。
图6是示出图3中示出的设备中显示的相邻对象检测器的另一示例的示图。
参照图6，提供包括多个单一对象检测器(皮肤对象检测器61、皮下脂肪检测器63、腺体组织检测器65、胸肌检测器67)的多检测器60作为图3中示出的相邻对象检测器35的示例。皮肤对象检测器61可从原始图像10仅检测皮肤区域11。皮下脂肪检测器63可从原始图像10仅检测皮下脂肪区域12。腺体组织检测器65可从原始图像10仅检测腺体组织区域13。胸肌检测器67可从原始图像10仅检测胸肌区域15。在图6中示出的示图中，可对各种检测到的解剖学对象或组织进行颜色编码。例如，可用蓝色加亮、棕色加亮、绿色加亮和褐色加亮分别对图像的显示皮肤、皮下脂肪、腺体组织和胸肌的部分进行颜色编码。图3中示出的设备可允许在显示屏上向用户显示这种经过颜色编码的图像。
根据一个示例，多个单一对象检测器61、63、65和67中的每个检测器可使用各种深度学习技术中的一种。例如，可使用深度分层网络(DHN)、卷积深度信念网络(CDBN)或反卷积深度网络(DDN)。
图7是示出指示从图3中示出的原始图像检测到的候选病变和解剖学对象的组合图像的示例的示图。
图7是在候选去除器39基于候选病变验证器37的验证结果从检测到的候选病变去除假阳性候选病变之后输出的组合图像的示例。在此示例中，该图像包括原始图像中的剩余的候选病变。如在图7中示出的，肋骨区域71、皮下脂肪区域72、腺体组织区域73和两个候选病变显示在原始图像中。例如，可将该图像输出到用于病变检测的设备的显示单元的显示屏或触摸屏。在此示例中，候选病变74显示有69％的置信水平，其它候选病变显示有12％的置信水平。因此，候选病变74显示有用于使用户容易识别的可视化标识。在此示例中，虽然长方形框用于指示候选病变74，但在其它示例中可使用各种其它可视化标记(诸如病变周围的轮廓线或颜色高亮)。
图8是详细示出图3的实施例中示出的候选病变验证器的实施例的框图。
参照图8，图3中的候选病变验证器37可包括诸如自信息提取器371、关系信息提取器373、存在概率计算器373、验证处理器377等的组件。
自信息提取器371可从检测到的候选病变提取关于由候选病变检测器33检测到的候选病变自身的信息。自信息可包括例如置信水平分数、指示亮度(或包括在候选病变中的像素的强度)的值、指示候选病变的纹理的值和/或指示候选病变的形状的值。相似地，自信息提取器371可从由相邻对象检测器35检测到的解剖学对象提取自信息。解剖学对象的自信息可包括置信水平分数、指示包括在解剖学对象中的像素的亮度(或强度)的值、指示解剖学对象的纹理的值和/或指示解剖学对象的形状的值。由自信息提取器371提取的自信息可包括在背景信息370中。
关系信息提取器373可包括从每个检测到的候选病变和每个检测到的解剖学对象之间的相关性提取的关系信息。关系信息可包括从每个检测到的候选病变到每个检测到的解剖学对象的距离、每个检测到的候选病变相对于每个检测到的解剖学对象的位置和/或关于每个检测到的候选病变和每个检测到的解剖学对象之间在亮度、纹理或形状方面的相似性的信息。由关系信息提取器373提取的关系信息可包括在背景信息370中。
存在概率计算器375可基于预建立的学习数据，来计算特定的解剖学结构中存在的特定候选病变的概率分布。由存在概率计算器375计算的概率分布可包括在背景信息370中，作为概率信息。
验证处理器377是使用包括在背景信息370中的信息来执行候选病变验证器37的验证功能的组件。即，背景信息370可包括由自信息提取器371获得的自信息、由关系提取器373获得的关系信息和/或由存在概率计算器375获得的概率信息。如以下参照图9进一步描述的，背景信息370可包括领域知识、自信息、关系信息、概率信息和/或相邻图像信息。验证处理器377可基于全部包括在背景信息370中的特定候选病变的领域知识、自信息、关系信息、概率信息和/或相邻图像信息，来验证特定候选病变是否是假阳性。
背景信息370可以是包括在作为计算机可读存储介质的候选病变验证器37中的组件，计算机存储介质存储包括领域知识、自信息、关系信息、概率信息和/或相邻图像信息的背景信息，或者背景信息370可以是设置在候选病变验证器37的外部以通过连接到候选病变验证器37的有线连接/无线通信连接来发送/接收数据的外部组件。在下文中，参照图9详细描述包括在背景信息370中的背景信息。
图9是示出由图3中示出的候选病变验证器使用的背景信息的示例的框图。
参照图9，存储在背景信息370中的解剖学背景信息可包括领域知识3701、自信息3703、关系信息3705、概率信息3707和/或相邻图像信息3709。
领域知识3701是指示每个区域中的位置关系的信息。领域知识3701可包括关于解剖学对象的至少基本信息(诸如例如，“人体的特定部位包括预定解剖学对象”，“不同解剖学对象在人体的特定部位中具有预定义的位置关系”以及“相同的解剖学对象聚集在一起”)。
例如，在***超声图像的情况下，领域知识可包括解剖学位置信息。例如，领域知识可包括解剖学位置信息，比如“***包括作为解剖学对象的皮肤、皮下脂肪、腺体组织、***后的脂肪、胸肌和肋骨”或“***包括位于其顶部的皮肤，以及随后以指定的顺序位于皮肤下面的皮下脂肪、腺体组织、***后的脂肪、胸肌和肋骨”。
此外，领域知识3701可包括与候选病变相关联的领域知识，例如，“特定候选病变仅存在于人体的特定部位中的特定解剖学对象之间”。
对于***超声图像，领域知识3701可包括一般的医学位置信息，例如，“在乳腺癌易察觉的时候，乳腺癌的囊肿存在于腺体组织区域中”。
此外，背景信息370可包括从每个检测到的候选病变和每个检测到的解剖学对象提取的自信息3703。自信息3703可包括每个候选病变/解剖学对象的置信水平信息、亮度信息、纹理信息和/或形状信息。例如，自信息3703可包括每个像素的亮度值、纹理值和关于特定候选病变/解剖学对象的形状的信息。
此外，背景信息370可包括从每个检测到的候选病变和每个检测到的解剖学对象之间的相关性提取的关系信息3705。关系信息3705可包括每个病变和每个解剖学对象之间的距离、候选病变相对于每个解剖学对象的位置、关于每个候选病变和每个解剖学对象之间在亮度、纹理或形状方面的相似性的信息中的至少一种。这里，候选病变相对于每个解剖学对象的位置可以是关于候选病变在***图像中是否位于皮肤和皮下脂肪之下且位于胸肌之上的关系信息。
此外，背景信息370可包括概率信息3707。可从预建立的学习数据获取概率信息3707。概率信息3707可以是特定医学图像中存在的候选病变或解剖学对象的概率分布。
例如，在使用***超声图像作为医学图像的示例中，概率信息3707可包括概率分布，例如，“皮肤位于图像的顶部的概率为100％”，“可以发现皮下脂肪距离图像顶部为10cm的概率为50％”，“可以发现诸如乳腺癌的囊肿的病变位于皮下脂肪和***后的脂肪之间的概率为10％至31％”。
另外，背景信息370可包括相邻图像信息3709。在医学图像是2D连续帧中的一帧或3D截面图像中的一幅的情况下，相邻图像信息3709可包括从相邻帧或相邻截面获得的候选病变或解剖学对象的位置信息。
例如，在当前医学图像是3D超声体图像的多个切片中的一个切片的情况下，关于从先前相邻切片检测到的病变的信息和/或从先前相邻切片检测到的解剖学对象的位置信息与从当前切片检测到的病变和/或解剖学对象高度相关联。因此，可使用包括在相邻图像信息中的先前检测到的解剖学对象的位置信息作为验证和调整从当前图像检测到的候选病变和/或解剖学对象的有用参考。
图10是示出将概率信息的示例作为图9中描述的背景信息的示例的曲线图。
图10示出显示将在***超声图像的特定区域中发现的病变的概率的曲线图。在曲线图中，横轴表示从皮肤到胸肌的距离，纵轴表示将发现病变的概率。曲线图显示病变不大可能存在于邻近皮肤和胸肌的区域中，并且病变可以以31％的概率被发现处在皮肤和胸肌之间的中间位置。可基于已在病变检测的处理中累积的数据，从预建立的学习数据获取概率分布。可将关于候选病变的位置信息用于确定候选病变更可能是假阳性候选病变还是不太可能是假阳性候选病变。
图11是示出用于通过从医学图像去除假阳性候选病变来检测病变的方法的示例的流程图。
参照图11，用于通过从医学图像去除假阳性候选病变来检测病变的方法110可包括获取医学图像。例如，在操作111，可通过图3中示出的设备的图像接收器接收医学图像。可从使用超声波或X射线来捕获人体的特定部位的医学图像诊断/捕获装置或从存储由该医学图像诊断/捕获装置捕获的医学图像的存储装置接收医学图像。
一旦接收到图像，就对接收到的图像进行分析，然后在操作113中，图3中示出的设备中候选病变检测器33和相邻对象检测器35将位于接收到的图像的特定区域中的候选病变和解剖学对象检测为感兴趣区域(ROI)。在操作113期间，如果接收到的图像是***超声图像，则将怀疑是病变(诸如乳腺癌的囊肿)的区域检测为候选病变，然后将皮肤、脂肪、腺体组织、肌肉和骨骼检测为解剖学对象。
然后，在操作115中，背景信息由例如图3中示出的候选病变验证器37从计算机可读存储介质获得，使用所述背景信息作为在确定候选病变是否是假阳性时的信息。背景信息可以是图3中示出的背景信息370。在此示例中，背景信息370可包括领域知识，并且可被预存储在计算机可读存储介质中。领域知识可包括关于候选病变的领域知识和/或关于解剖学对象的领域知识。此外，领域知识可以是在图9中示出的领域知识3701。
在操作117，一旦获得背景信息，候选病变验证器37就可基于获得的背景信息来验证全部ROI中的候选病变是否是假阳性。例如，如果候选病变被确定为存在于皮肤区域中，则该候选病变不大可能被确定为真实阳性病变，因而可将该候选病变确定为假阳性。可选地，如果候选病变被确定为存在于腺体组织区域中，则该候选病变很可能被确定为真实病变，从而可确定该候选病变不是假阳性。
例如，由图3中示出的候选去除器39使用在操作117期间获得的验证结果，从而输出去除了所有假阳性候选病变的候选病变的结果。
图12是示出用于从医学图像去除假阳性候选病变的方法的另一示例的流程图。
参照图12，用于通过从医学图像去除假阳性候选病变来检测病变的方法120可包括例如在操作121通过图3中示出的图像接收器获得医学图像。可从使用超声波或X射线来捕获人体的特定部位的医学图像诊断/捕获装置或从存储由该医学图像诊断/捕获装置捕获的医学图像的存储装置接收医学图像。
一旦接收到图像，则在操作123中，图3中示出的设备的候选病变检测器33和相邻对象检测器35就分析接收到的图像，并将位于接收到的图像的特定区域中的候选病变和解剖学对象检测为感兴趣区域(ROI)。所述分析可由计算机处理器执行。在操作123期间，如果所述图像是***超声图像，则可检测怀疑是病变(诸如乳腺癌的囊肿)的区域，并可将皮肤、脂肪、腺体组织、肌肉和骨骼检测为解剖学对象。
然后，在操作125，由例如候选病变验证器37从计算机可读存储介质获取背景信息，以在确定检测到的区域中的特定候选病变是否是假阳性时使用所述背景信息作为资源。背景信息可以是图3中示出的背景信息370。在此示例中，背景信息370可包括领域知识，并且可存储在计算机可读介质中。领域知识可包括候选病变的领域知识和/或解剖学对象的领域知识。领域知识可以是在图9中示出的领域知识3701。
此外，在操作125期间，候选病变验证器37可从在操作123检测的每个ROI提取自信息和关系信息。提取的自信息可包括可能是候选病变或解剖学对象的相应ROI的置信水平、亮度、纹理和/或形状的信息。例如，提取的自信息可包括组成特定候选病变/解剖学对象的像素的亮度值、特定候选病变/解剖学对象的纹理值以及关于特定候选病变/解剖学对象的形状的信息。此外，提取的关系信息可包括候选病变和解剖学对象之间的距离、候选病变相对于解剖学对象的位置、或关于候选病变和解剖学对象之间在亮度、纹理或形状方面的相似性的信息。可分别将提取的自信息和关系信息添加到背景信息370作为在图9中示出的自信息3703和关系信息3705。
一旦获取特定候选病变的背景信息，就在操作127中由例如图3中示出的候选病变验证器37基于获取的背景信息(即，特定候选病变的自信息、关系信息和领域知识)验证ROI中的特定候选病变是否为假阳性。例如，如果候选病变被确定为存在于皮肤区域中，则该候选病变被确定为不大可能是真实病变，因而可确定该候选病变为假阳性。在另一示例中，如果候选病变被确定为存在于腺体组织区域中，则该候选病变很可能被确定为真实病变，因而可确定该候选病变不是假阳性。
可由例如图3中示出的候选去除器39使用在操作127期间获得的验证结果，从而输出去除了所有假阳性候选病变的候选病变的结果。
图13是示出用于去除医学图像中的假阳性候选病变的方法的另一示例的流程图。参照图3中示出的设备描述图13。
参照图13，用于通过去除医学图像中的假阳性候选病变来检测病变的方法130可包括例如在操作131中通过图3中示出的设备的图像接收器获得医学图像。可从使用超声波或X射线来捕获人体的特定部位的医学图像诊断/捕获装置接收医学图像，或从存储由医学图像诊断/捕获装置捕获的医学图像的存储装置接收医学图像。存储装置和医学图像诊断/捕获装置可全部称为医学成像设备。
一旦接收到医学图像，就在操作133中对接收到的图像进行分析，然后图3中示出的设备中的候选病变验证器33和相邻对象检测器35将来自分析的医学图像中的候选病变和解剖学对象分别检测为ROI。在操作133期间，如果医学图像是***超声图像，则可将怀疑是病变的区域(诸如乳腺癌囊肿)检测为候选病变，并可将皮肤、脂肪、腺体组织、肌肉和骨骼检测为解剖学对象。
然后，在操作135，由例如图3中的候选病变验证器37从计算机可读存储介质获得背景信息，以在确定检测的ROI中的特定候选病变是否为假阳性时使用所述所述背景信息作为资源。背景信息可包括图3中的背景信息370。在此示例中，背景信息370可包括领域知识，且可被存储在计算机可读存储介质中。领域知识可包括候选病变的领域知识和解剖学对象的领域知识。领域知识可以是图9中的领域知识3701。
此外，在操作135期间，候选病变验证器可从每个检测的ROI提取自信息和关系信息。提取的自信息可包括ROI(即候选病变或解剖学对象)的置信水平信息、亮度信息、纹理信息和/或形状信息。例如，自信息可包括特定候选病变/解剖学对象的置信水平、指示特定候选病变/解剖学对象的亮度的值、指示特定候选病变/解剖学对象的纹理的值以及关于特定候选病变/解剖学对象的形状的信息。此外，关系信息可包括候选病变和解剖学对象之间的距离、病变相对于解剖学对象的位置(例如，***图像中的候选病变可位于皮肤和皮下脂肪之下且位于胸肌之上)以及关于候选病变和解剖学对象之间在亮度、纹理或形状方面的相似性的信息。可将提取的自信息和关系信息添加到背景信息370分别作为如在图9中示出的自信息3703和关系信息3705。
此外，背景信息可包括概率信息。可从预建立的学习数据获取概率信息。概率信息可以是特定的医学图像中存在的候选病变/解剖学对象的概率分布。就像领域知识一样，概率信息也被预存储。可将概率信息添加到背景信息370作为在图9中示出的概率信息3707。
另外，背景信息可包括相邻图像信息。如果医学图像信息是2D连续帧中的一帧或3D截面图像中的一幅，则可从与当前帧/截面相邻的帧/截面获取相邻图像信息。相邻图像信息可包括病变或解剖学对象的位置信息。就像预存储领域知识和概率信息一样，也预存储相邻图像信息。例如，可将相邻图像信息添加到背景信息370作为图9中示出的相邻图像信息3709。
一旦获取特定候选病变的背景信息，就可由例如图3中示出的候选病变验证器37基于该背景信息(也就是，特定候选病变的自信息、关系信息和领域知识)执行操作137以验证ROI中的特定候选病变是否是假阳性。例如，如果候选病变被确定存在于腺体组织区域中，则该候选病变很可能被确定为真实病变，从而可确定该候选病变不是假阳性。
由例如图3中示出的候选去除器使用在操作137中获得的验证结果，以输出去除了所有假阳性候选病变的候选病变的结果。
可通过包括处理器、存储器、用户输入装置和呈现装置中的至少一部分的计算装置来执行用于从医学图像去除假阳性候选病变的上述设备。存储器是存储计算机可读软件、应用、程序模块、例程、指示和/或数据的介质，所述计算机可读软件、应用、程序模块、例程、指示和/或数据被编码和设置，以执行曾经由处理器执行的特定任务，该处理器可读取并执行存储在存储器中的计算机可读软件、应用、程序模块、例程、指示和/或数据。用户输入装置可以是使用户能够输入需要处理器执行特定任务的指令或输入特定任务所必需的数据的装置。用户输入装置可包括物理/虚拟键盘或键板、键钮、鼠标、操纵杆、轨迹球、触敏输入装置和麦克风。呈现装置可包括显示器、打印机、扬声器和振动装置。
计算装置可包括智能电话、平板、笔记本电脑、台式机、服务器、客户端和其它各种装置。计算装置可以是单个孤立的装置或在分散的环境下操作的多个计算装置，在所述分散的环境下，多个计算装置经由通信网络协作。
此外，可通过包括处理器和存储器的计算装置来实现用于从医学图像去除假阳性候选病变的上述方法，其中，存储器存储被编码以实现上述方法的计算机可读软件、应用、程序模块、例程、指令和/或数据结构。
上面参照图1至图10描述的用于从医学图像去除假阳性候选病变的设备的示例仅仅是示例性的。本领域的技术人员将更加清楚，具有各种构造的不同设备在以上权利要求的范围内是可能的。用于从医学图像去除假阳性候选病变的设备中的每个组件可由包括用于其自身的功能的电路的硬件实现。此外，用于从医学图像去除假阳性候选病变的设备中的每个组件可由计算机可读软件、固件、硬件的组合实现，使得每个组件执行由计算装置的处理器曾经执行的特定任务。
此外，上面参照图11至图13描述的用于去除假阳性候选病变的方法仅仅是示例性的。本领域的技术人员将更清楚对实施例的修改在权利要求的范围内。可将用于像去除一个或更多个假阳性候选病变的方法的示例编码为计算机可执行的指令，以一旦由计算装置的处理器实现，就执行特定任务。可通过软件开发器将计算机可执行的指令编码为程序语言，随后编码为机器语言。
上述方法和/或操作可记录、存储或固定在一个或更多个非暂时性计算机可读存储介质中，所述非暂时性计算机可读存储介质包括将由计算机执行的程序指令，以使处理器执行程序指令。所述介质还可包括单个程序指令、数据文件、数据结果等或其组合。非暂时性计算机可读存储器介质的示例包括诸如硬盘、软盘、磁带的磁介质，诸如CD-ROM盘和DVD的光介质，诸如光盘的磁光介质以及专门构造用来存储和执行程序指令的硬件装置(诸如只读存储器(ROM)、随机存取存储器(RAM)、闪存等)。程序指令的示例包括诸如由编译器产生的机器代码，包含可由计算机使用解释器执行的更高级代码的文件。描述的硬件装置可被构造为用作一个或更多个软件模块，以执行上述操作和方法，反之亦然。此外，计算机可读存储介质可分布在通过网络连接的计算机***中，并且可以以分散的方式存储和执行计算机可读代码或程序指令。
显示器可被实施为液晶显示器(LCD)、发光二极管(LED)显示器、等离子显示面板(PDP)、屏幕、终端等。屏幕可以是包括提供渲染用户界面和/或接收用户输入的能力的一个或更多个硬件组件的物理结构。屏幕可包含显示区域、姿势捕获区域、触敏显示器和/或可构造的区域的任意组合。屏幕可嵌入硬件中，或者可以是可与设备贴合和分离的***装置。显示器可以是单屏显示器或多屏显示器。单个物理屏幕可包括多个显示器，所述多个显示器被管理为允许将不同的内容显示在单独的显示器上的单独的逻辑显示器。
用户界面可负责输入和输出关于图像的输入信息或来自用户的输入。用户界面还可包括输入/输出装置(诸如例如鼠标、键盘、触摸屏、监视器、扬声器、屏幕以及用于运行输入/输出装置的软件模块)。
虽然本公开包括特定示例，但本领域的普通技术人员将清楚，可在不脱离权利要求及其等同物的精神和范围的情况下对这些示例做出形式和细节上的各种改变。在此描述的示例将仅被视为描述性意义，而不是为了限制的目的。对每个示例中的特征或方面的描述将被视为可应用于其它示例中的相似特征或方面。如果以不同的顺序执行描述的技术，和/或如果以不同的方式组合和/或由其它组件或其等同物代替或补充描述的***、架构、装置或电路中的组件，均可获得合适的结果。因此，本公开的范围不是由具体实施方式限定，而是由权利要求及其等同物限定，权利要求及其等同物的范围内的全部改变将被解释为包括在本公开中。

Claims (27)

1.一种用于病变检测的设备，所述设备包括：
候选病变检测器，被构造为从医学图像检测候选病变；
相邻对象检测器，被构造为从医学图像检测解剖学对象；
候选病变验证器，被构造为基于解剖学背景信息验证每个候选病变，其中，所述解剖学背景信息包括关于每个候选病变与每个解剖学对象之间的位置关系的信息；
候选去除器，被构造为基于候选病变验证器的验证结果，从检测到的候选病变中去除一个或更多个假阳性候选病变。
2.如权利要求1所述的设备，还包括：
图像接收器，被构造为获得医学图像，
其中，所述医学图像是使用超声波或X射线捕获的人的***的图像；
相邻对象检测器被构造为：将来自***图像的皮肤、脂肪、腺体组织、肌肉和骨骼中的至少一个检测为解剖学对象；并且
候选病变验证器被构造为：基于解剖学背景信息验证每个候选病变，其中，所述解剖学背景信息包括关于每个候选病变与皮肤、脂肪、腺体组织、肌肉和骨骼中的至少一个之间的位置关系的信息。
3.如权利要求1所述的设备，其中，候选病变检测器被构造为：使用Haar特征检测技术、可变形部件模型和深度学习技术中的至少一种从医学图像检测候选病变。
4.如权利要求1所述的设备，其中，相邻对象检测器包括多个单独的对象检测器，所述多个单独的对象检测器中的每个对象检测器从医学图像单独地检测解剖学对象。
5.如权利要求4所述的设备，其中，所述多个单独的对象检测器中的每个对象检测器被构造为使用深度学习技术、滑动窗口技术或超像素技术。
6.如权利要求1所述的设备，其中，相邻对象检测器包括：单个对象检测器，被构造为从医学图像同时检测多个解剖学对象。
7.如权利要求6所述的设备，其中，单个对象检测器被构造为使用深度学习技术、滑动窗口技术或超像素技术。
8.如权利要求6所述的设备，其中，单个对象检测器被构造为：从整个医学图像或医学图像的一部分提取多个特征图，向提取的特征图分配相应的解剖学对象，将医学图像中的分配有特定解剖学对象的特征图的位置标注为特定解剖学对象。
9.如权利要求1所述的设备，其中，候选病变验证器被构造为：使用支持向量机、人工神经网络、深度学习技术和贝叶斯网络中的至少一个。
10.如权利要求1所述的设备，其中，解剖学背景信息包括解剖学对象的领域知识和候选病变的领域知识，其中，解剖学对象的领域知识包括以下内容中的至少一个：“人体的特定部位具有预定义的解剖学对象”、“不同的解剖学对象在人体的特定部位中具有预定义的位置关系”和“相同的解剖学对象聚集在一起”；候选病变的领域知识包括：“特定候选病变仅存在于人体的特定部位的特定解剖学对象中”。
11.如权利要求10所述的设备，其中，解剖学背景信息包括从检测到的候选病变和检测到的解剖学对象提取的自信息，并且所述自信息包括置信水平信息、亮度信息、纹理信息和形状信息中的至少一个。
12.如权利要求10所述的设备，其中，解剖学背景信息包括从每个候选病变和每个解剖学对象之间的相关性提取的关系信息；并且
所述关系信息包括如下内容中的至少一个：每个候选病变和每个解剖学对象之间的距离、每个候选病变相对于每个解剖学对象的位置、关于每个候选病变和每个解剖学对象之间在亮度、纹理或形状方面的相似性的信息。
13.如权利要求10所述的设备，其中，解剖学背景信息包括医学图像中每个候选病变存在的概率分布，其中，从预建立的学习数据获得所述概率分布。
14.如权利要求10所述的设备，其中，响应于医学图像为二维连续帧中的一帧或三维截面图像中的一幅，解剖学背景信息还包括从相邻帧或相邻截面获得的相邻图像信息，其中，所述相邻图像信息包括每个候选病变和每个解剖学对象的位置信息。
15.一种病变检测方法，所述方法包括：
从医学图像检测候选病变；
从医学图像检测解剖学对象；
基于解剖学背景信息验证每个候选病变，其中，所述解剖学背景信息包括关于候选病变和解剖学对象之间的位置关系的信息；以及
基于验证结果从检测到的候选病变去除一个或更多个假阳性候选病变。
16.如权利要求15所述的方法，还包括：
从医学成像设备获得医学图像，
其中，所述医学图像是使用超声波或X射线捕获的人的***的图像；
检测解剖学对象的步骤包括：将来自***图像的皮肤、脂肪、腺体组织、肌肉和骨骼中的至少一个检测为解剖学对象；
验证每个候选病变的步骤包括：基于解剖学背景信息验证每个候选病变，其中，所述解剖学背景信息包括关于候选病变与皮肤、脂肪、腺体组织、肌肉和骨骼中的至少一个之间的位置关系的信息。
17.如权利要求15所述的方法，其中，检测解剖学对象的步骤包括：检测多个单独的对象，以从医学图像单独地检测解剖学对象。
18.如权利要求15所述的方法，其中，检测解剖学对象的步骤包括：从医学图像同时检测所有解剖学对象。
19.如权利要求18所述的方法，其中，同时检测所有解剖学对象的步骤包括：
从整个医学图像或医学图像的一部分提取多个特征图，
向所述多个提取的特征图中的每个特征图分配相应的解剖学对象，以及
用特定解剖学对象标注医学图像中分配有特定解剖学对象的特征图的位置。
20.如权利要求15所述的方法，其中，每个候选病变的验证使用支持向量机SVM、人工神经网络ANN和贝叶斯网络中的至少一个。
21.如权利要求15所述的方法，其中：
解剖学背景信息包括解剖学对象的领域知识和候选病变的领域知识；并且
解剖学对象的领域知识包括如下内容的至少一个：“人体的特定部位具有预定义的解剖学对象”、“不同的解剖学对象在人体的特定部位中具有预定义的位置关系”、“相同的解剖学对象聚集在一起”；候选病变的领域知识包括“特定候选病变仅存在于人体的特定部位的特定解剖学对象中”。
22.如权利要求21所述的方法，其中，解剖学背景信息包括分别从候选病变和解剖学对象提取的自信息，并且所述自信息包括置信水平信息、亮度信息、纹理信息和形状信息中的至少一个。
23.如权利要求21所述的方法，其中，解剖学背景信息包括从每个候选病变和每个解剖学对象之间的相关性提取的关系信息；并且
所述关系信息包括如下内容中的至少一个：每个候选病变和每个解剖学对象之间的距离、每个候选病变相对于每个解剖学对象的位置以及关于每个候选病变和每个解剖学对象之间在亮度、纹理或形状方面的相似性的信息。
24.如权利要求21所述的方法，其中，解剖学环境信息包括医学图像中每个候选病变存在的概率分布，其中，可从预建立的学习数据获得所述概率分布。
25.如权利要求21所述的方法，其中，响应于所述医学图像是二维连续帧中的一帧或三维截面图像中的一幅，解剖学背景信息还包括来自相邻帧或相邻截面的相邻图像信息，其中，所述相邻图像信息包括每个候选病变和每个解剖学对象的位置信息。
26.一种用于病变检测的设备，所述设备包括：
存储器，被构造为存储医学图像；
处理器，被构造为从医学图像检测候选病变和解剖学对象，被构造为基于解剖学背景信息验证每个检测到的候选病变，被构造为基于验证结果从检测到的候选病变去除一个或更多个假阳性候选病变，其中，所述解剖学背景信息包括关于每个候选病变和检测到的解剖学对象之间的位置关系的信息。
27.如权利要求26所述的设备，还包括：
图像接收器，被构造为：从医学成像设备获得医学图像并将医学图像存储在存储器中，其中，所述医学图像是使用超声波或X射线捕获的人的***的图像，所述解剖学对象包括来自***图像的皮肤、脂肪、腺体组织、肌肉和骨骼中的至少一个；以及
显示屏，被构造为输出医学图像的示图，其中，去除了一个或更多个假阳性候选病变之后剩余的候选病变显示在所述示图中。
CN201410641338.5A 2014-02-19 2014-11-13 用于病变检测的设备和方法 Pending CN104840209A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2014-0019265 2014-02-19
KR1020140019265A KR20150098119A (ko) 2014-02-19 2014-02-19 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법

Publications (1)

Publication Number Publication Date
CN104840209A true CN104840209A (zh) 2015-08-19

Family

ID=51751986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410641338.5A Pending CN104840209A (zh) 2014-02-19 2014-11-13 用于病变检测的设备和方法

Country Status (5)

Country Link
US (1) US9532762B2 (zh)
EP (1) EP2911111A3 (zh)
JP (1) JP2015154918A (zh)
KR (1) KR20150098119A (zh)
CN (1) CN104840209A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118068A (zh) * 2015-09-29 2015-12-02 常熟理工学院 一种小样本条件下医学图像自动标注方法
CN107945167A (zh) * 2017-11-27 2018-04-20 北京医拍智能科技有限公司 基于深度神经网络的慢性阻塞性肺病的检测***
CN108280827A (zh) * 2018-01-24 2018-07-13 北京红云视界技术有限公司 基于深度学习的冠状动脉病变自动检测方法、***和设备
WO2018157868A1 (zh) * 2017-03-02 2018-09-07 江清泉 一种超声波显像***及其显像方法
CN109310400A (zh) * 2016-06-07 2019-02-05 皇家飞利浦有限公司 用于***组织成像和注释***超声图像的超声***和方法
CN110009600A (zh) * 2019-02-14 2019-07-12 腾讯科技（深圳）有限公司 一种医学图像区域过滤方法、装置及存储介质
CN110033019A (zh) * 2019-03-06 2019-07-19 腾讯科技（深圳）有限公司 人体部位的异常检测方法、装置和存储介质
CN110693526A (zh) * 2019-11-11 2020-01-17 深圳先进技术研究院 一种肌肉疾病评估方法、***及电子设备
CN110753517A (zh) * 2017-05-11 2020-02-04 韦拉索恩股份有限公司 基于概率映射的超声扫描
CN111885963A (zh) * 2018-03-01 2020-11-03 富士胶片索诺声有限公司 用于对超声检查进行标注的方法和设备
CN111932507A (zh) * 2020-07-31 2020-11-13 苏州慧维智能医疗科技有限公司 一种基于消化内镜实时识别病变的方法
CN113205477A (zh) * 2020-01-30 2021-08-03 株式会社日立制作所 医用图像处理装置以及医用图像处理方法
US11145405B2 (en) * 2018-12-27 2021-10-12 Shanghai United Imaging Intelligence Co., Ltd. Methods and devices for grading a medical image
CN113712594A (zh) * 2020-05-25 2021-11-30 株式会社日立制作所 医用图像处理装置以及医用摄像装置
CN113767278A (zh) * 2019-04-26 2021-12-07 株式会社前川制作所 特征点识别***及识别方法

Families Citing this family (80)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10603007B2 (en) 2009-11-27 2020-03-31 Qview Medical, Inc. Automated breast ultrasound equipment and methods using enhanced navigator aids
US9439621B2 (en) 2009-11-27 2016-09-13 Qview, Medical Inc Reduced image reading time and improved patient flow in automated breast ultrasound using enchanced, whole breast navigator overview images
US10251621B2 (en) 2010-07-19 2019-04-09 Qview Medical, Inc. Automated breast ultrasound equipment and methods using enhanced navigator aids
US9826958B2 (en) 2009-11-27 2017-11-28 QView, INC Automated detection of suspected abnormalities in ultrasound breast images
KR20150108701A (ko) 2014-03-18 2015-09-30 삼성전자주식회사 의료 영상 내 해부학적 요소 시각화 시스템 및 방법
JP6400725B2 (ja) * 2014-03-21 2018-10-03 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 関心領域を区分化するための画像処理機器及び方法
JP6346576B2 (ja) * 2015-02-27 2018-06-20 Hoya株式会社 画像処理装置
KR101657495B1 (ko) * 2015-09-04 2016-09-30 (주)한국플랫폼서비스기술 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법
DE102015217429A1 (de) * 2015-09-11 2017-03-16 Siemens Healthcare Gmbh Diagnosesystem und Diagnoseverfahren
CN108603922A (zh) * 2015-11-29 2018-09-28 阿特瑞斯公司 自动心脏体积分割
KR102592076B1 (ko) * 2015-12-14 2023-10-19 삼성전자주식회사 딥러닝 기반 영상 처리 장치 및 방법, 학습 장치
US11331040B2 (en) 2016-01-05 2022-05-17 Logicink Corporation Communication using programmable materials
US9959617B2 (en) 2016-01-28 2018-05-01 Taihao Medical Inc. Medical image processing apparatus and breast image processing method thereof
NL2016285B1 (en) 2016-02-19 2017-09-20 Scyfer B V Device and method for generating a group equivariant convolutional neural network.
TWI574671B (zh) * 2016-06-27 2017-03-21 太豪生醫股份有限公司 ***影像的分析方法以及其電子裝置
CN106295124B (zh) * 2016-07-27 2018-11-27 广州麦仑信息科技有限公司 多种图像检测技术综合分析基因子图相似概率量的方法
US10346982B2 (en) * 2016-08-22 2019-07-09 Koios Medical, Inc. Method and system of computer-aided detection using multiple images from different views of a region of interest to improve detection accuracy
US9905044B1 (en) * 2016-08-25 2018-02-27 General Electric Company Systems and methods for functional imaging
KR101740464B1 (ko) 2016-10-20 2017-06-08 (주)제이엘케이인스펙션 뇌졸중 진단 및 예후 예측 방법 및 시스템
KR101856867B1 (ko) * 2016-10-26 2018-05-10 고려대학교 산학협력단 구강 병변의 진단 시스템 및 방법
CN110168477B (zh) 2016-11-15 2022-07-08 奇跃公司 用于长方体检测的深度学习***
JP2020510463A (ja) 2017-01-27 2020-04-09 アーテリーズ インコーポレイテッド 全層畳み込みネットワークを利用する自動化されたセグメンテーション
WO2018144627A1 (en) * 2017-01-31 2018-08-09 Logicink Corporation Cumulative biosensor system to detect alcohol
US10140709B2 (en) 2017-02-27 2018-11-27 International Business Machines Corporation Automatic detection and semantic description of lesions using a convolutional neural network
JP7024197B2 (ja) * 2017-03-24 2022-02-24 カシオ計算機株式会社 画像処理装置、画像処理方法及びプログラム
WO2018180386A1 (ja) * 2017-03-30 2018-10-04 国立研究開発法人産業技術総合研究所 超音波画像診断支援方法、およびシステム
US11664114B2 (en) 2017-05-25 2023-05-30 Enlitic, Inc. Medical scan assisted review system
KR102139856B1 (ko) * 2017-06-23 2020-07-30 울산대학교 산학협력단 초음파 영상 처리 방법
JP2020525127A (ja) 2017-06-26 2020-08-27 ザ・リサーチ・ファウンデーション・フォー・ザ・ステイト・ユニヴァーシティ・オブ・ニューヨーク 仮想膵臓撮影法のためのシステム、方法、およびコンピュータ・アクセス可能媒体
CN109223031A (zh) * 2017-07-11 2019-01-18 中慧医学成像有限公司 一种获得人体骨架的成像方法
JP6923384B2 (ja) 2017-07-27 2021-08-18 株式会社トプコン 眼科システム及び眼科情報処理装置
WO2019036022A2 (en) 2017-08-17 2019-02-21 Logicink Corporation DETECTION OF MARKERS FOR AIR-SUSPENDED PARTICLE POLLUTION BY COLORIMETRY WHICH CAN BE REACHED
CN107680082A (zh) * 2017-09-11 2018-02-09 宁夏医科大学 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法
TWI683276B (zh) 2017-11-10 2020-01-21 太豪生醫股份有限公司 病灶偵測裝置及其方法
WO2019103912A2 (en) 2017-11-22 2019-05-31 Arterys Inc. Content based image retrieval for lesion analysis
CN108399619B (zh) * 2017-12-22 2021-12-24 联想(北京)有限公司 医疗诊断的***及装置
JP7277967B2 (ja) * 2018-01-08 2023-05-19 リヴァンナ メディカル、インク． 超音波画像データの三次元撮像およびモデリング
WO2019138773A1 (ja) 2018-01-10 2019-07-18 富士フイルム株式会社 医療画像処理装置、内視鏡システム、医療画像処理方法及びプログラム
KR102178803B1 (ko) * 2018-01-26 2020-11-16 울산대학교 산학협력단 흉부 의료 영상 판독 지원 시스템 및 방법
KR102153920B1 (ko) * 2018-02-26 2020-09-09 (주)헬스허브 정제된 인공지능 강화학습 데이터 생성을 통한 의료영상 판독 시스템 및 그 방법
EP3784139A4 (en) * 2018-04-27 2021-12-29 Delphinus Medical Technologies, Inc. System and method for feature extraction and classification on ultrasound tomography images
WO2019222135A1 (en) 2018-05-16 2019-11-21 Benevis Informatics, Llc Systems and methods for review of computer-aided detection of pathology in images
KR102229939B1 (ko) * 2018-07-30 2021-03-19 연세대학교 산학협력단 인공신경망을 이용한 심박동기 구분을 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
US20210321978A1 (en) * 2018-09-05 2021-10-21 Koninklijke Philips N.V. Fat layer identification with ultrasound imaging
US11457871B2 (en) 2018-11-21 2022-10-04 Enlitic, Inc. Medical scan artifact detection system and methods for use therewith
US10943681B2 (en) 2018-11-21 2021-03-09 Enlitic, Inc. Global multi-label generating system
US11145059B2 (en) 2018-11-21 2021-10-12 Enlitic, Inc. Medical scan viewing system with enhanced training and methods for use therewith
US11282198B2 (en) 2018-11-21 2022-03-22 Enlitic, Inc. Heat map generating system and methods for use therewith
KR102063492B1 (ko) * 2018-11-30 2020-01-08 아주대학교산학협력단 기계학습용 의료 영상 데이터의 학습 노이즈 필터링 방법 및 그 시스템
KR102216279B1 (ko) * 2019-01-22 2021-02-17 한국과학기술원 유방 종괴 특성에 따른 시각적 증거 해석 방법 및 그 시스템
WO2020175356A1 (ja) * 2019-02-27 2020-09-03 学校法人慶應義塾 記憶媒体、画像診断補助装置、学習装置、及び、学習済みモデルの生成方法
KR102188649B1 (ko) * 2019-07-16 2020-12-09 (주)제이엘케이 영상 처리 장치 및 방법
KR102400568B1 (ko) * 2019-07-19 2022-05-24 울산대학교 산학협력단 인코더를 이용한 이미지의 특이 영역 분석 방법 및 장치
KR102279160B1 (ko) * 2019-07-19 2021-07-20 울산대학교 산학협력단 이미지의 특이 영역 분석 방법 및 장치
KR102338018B1 (ko) * 2019-07-30 2021-12-10 주식회사 힐세리온 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법
US11308611B2 (en) 2019-10-09 2022-04-19 Siemens Healthcare Gmbh Reducing false positive detections of malignant lesions using multi-parametric magnetic resonance imaging
US11462315B2 (en) 2019-11-26 2022-10-04 Enlitic, Inc. Medical scan co-registration and methods for use therewith
KR102235681B1 (ko) * 2019-12-03 2021-04-05 주식회사 딥노이드 수술 위치 항법 장치 및 그 방법
KR102393390B1 (ko) * 2019-12-30 2022-04-29 서울여자대학교 산학협력단 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법
EP3852054A1 (en) * 2020-01-16 2021-07-21 Koninklijke Philips N.V. Method and system for automatically detecting anatomical structures in a medical image
CN111401452B (zh) * 2020-03-17 2022-04-26 北京大学 一种基于偏微分算子的等变卷积网络模型的图像分类方法
US11309072B2 (en) 2020-04-21 2022-04-19 GE Precision Healthcare LLC Systems and methods for functional imaging
CN111603199B (zh) * 2020-04-24 2023-03-14 中国人民解放军总医院第二医学中心 一种基于体表定位测量仪的三维重建超声诊断***
KR102396911B1 (ko) * 2020-05-19 2022-05-11 가천대학교 산학협력단 유방 종괴 자동 검출 방법 및 시스템
JP7457571B2 (ja) 2020-05-19 2024-03-28 富士フイルムヘルスケア株式会社 超音波診断装置及び診断支援方法
KR102460257B1 (ko) * 2020-07-03 2022-10-28 주식회사 뷰노 진단 결과를 제공하기 위한 방법 및 장치
US20220067919A1 (en) * 2020-08-26 2022-03-03 GE Precision Healthcare LLC System and method for identifying a tumor or lesion in a probabilty map
KR102375786B1 (ko) * 2020-09-14 2022-03-17 주식회사 뷰노 의료 영상에서 이상 소견 탐지 및 판독문 생성 방법
US11587236B2 (en) * 2020-10-30 2023-02-21 International Business Machines Corporation Refining lesion contours with combined active contour and inpainting
US11436724B2 (en) 2020-10-30 2022-09-06 International Business Machines Corporation Lesion detection artificial intelligence pipeline computing system
US11749401B2 (en) 2020-10-30 2023-09-05 Guerbet Seed relabeling for seed-based segmentation of a medical image
US11688063B2 (en) 2020-10-30 2023-06-27 Guerbet Ensemble machine learning model architecture for lesion detection
US11694329B2 (en) 2020-10-30 2023-07-04 International Business Machines Corporation Logistic model to determine 3D z-wise lesion connectivity
US11688517B2 (en) 2020-10-30 2023-06-27 Guerbet Multiple operating point false positive removal for lesion identification
KR20220097697A (ko) 2020-12-30 2022-07-08 경북대학교 산학협력단 융합 심층신경망 모델을 이용한 의료영상 분할 방법 및 시스템
US11669678B2 (en) 2021-02-11 2023-06-06 Enlitic, Inc. System with report analysis and methods for use therewith
KR20220147957A (ko) * 2021-04-28 2022-11-04 자이메드 주식회사 생체 이미지 조직 표시 방법 및 장치
KR102517232B1 (ko) * 2021-08-02 2023-03-31 가천대학교 산학협력단 머신러닝 기반의 의료 영상에 대한 반사광 제거 방법 및 이를 이용한 장치
KR102370167B1 (ko) * 2021-10-25 2022-03-04 주식회사 파인트리시스템 인공지능 기반 초음파 병변 진단 보조시스템
WO2023234762A1 (ko) * 2022-06-03 2023-12-07 주식회사 온택트헬스 초음파 영상 뷰에 대한 정보 제공 방법 및 이를 이용한 초음파 영상 뷰에 대한 정보 제공용 디바이스

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102438529A (zh) * 2008-12-22 2012-05-02 美的派特恩公司 自动检测医学图像中的病变的方法和***
US20140037159A1 (en) * 2012-08-03 2014-02-06 Samsung Eletronics Co., Ltd. Apparatus and method for analyzing lesions in medical image

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003216295A1 (en) 2002-02-15 2003-09-09 The Regents Of The University Of Michigan Lung nodule detection and classification
EP1554695A2 (en) 2002-10-16 2005-07-20 Koninklijke Philips Electronics N.V. Hierarchical image segmentation
US7466848B2 (en) * 2002-12-13 2008-12-16 Rutgers, The State University Of New Jersey Method and apparatus for automatically detecting breast lesions and tumors in images
US7092749B2 (en) 2003-06-11 2006-08-15 Siemens Medical Solutions Usa, Inc. System and method for adapting the behavior of a diagnostic medical ultrasound system based on anatomic features present in ultrasound images
US7640051B2 (en) 2003-06-25 2009-12-29 Siemens Medical Solutions Usa, Inc. Systems and methods for automated diagnosis and decision support for breast imaging
WO2006126384A1 (ja) * 2005-05-23 2006-11-30 Konica Minolta Medical & Graphic, Inc. 異常陰影候補の表示方法及び医用画像処理システム
US7648460B2 (en) 2005-08-31 2010-01-19 Siemens Medical Solutions Usa, Inc. Medical diagnostic imaging optimization based on anatomy recognition
US8050734B2 (en) 2005-09-07 2011-11-01 General Electric Company Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure
CN101313333B (zh) 2005-11-21 2013-04-24 皇家飞利浦电子股份有限公司 创建结构模型的方法
US7865002B2 (en) * 2006-06-02 2011-01-04 Carolina Imaging Specialists, Inc. Methods and apparatus for computer automated diagnosis of mammogram images
US8218879B2 (en) 2006-09-19 2012-07-10 Merge Healthcare Incorporated System and method for shutter detection
US20080107321A1 (en) 2006-11-02 2008-05-08 Fujifilm Corporation Spiculation detection method and apparatus for CAD
US8051386B2 (en) 2006-12-21 2011-11-01 Sectra Ab CAD-based navigation of views of medical image data stacks or volumes
US8224057B2 (en) 2007-10-18 2012-07-17 Siemens Aktiengesellschaft Method and system for nodule feature extraction using background contextual information in chest x-ray images
US8160341B2 (en) 2007-12-21 2012-04-17 Siemens Medical Solutions Usa, Inc. Systems and methods for automatic robust anatomy detection through local voting and prediction
US20110026791A1 (en) * 2009-07-29 2011-02-03 Icad, Inc. Systems, computer-readable media, and methods for classifying and displaying breast density
US8064677B2 (en) 2009-11-25 2011-11-22 Fujifilm Corporation Systems and methods for measurement of objects of interest in medical images
JP5971682B2 (ja) 2011-03-02 2016-08-17 東芝メディカルシステムズ株式会社 磁気共鳴イメージング装置
JP5777053B2 (ja) 2011-05-12 2015-09-09 株式会社東芝 画像処理装置
KR20130012297A (ko) 2011-07-25 2013-02-04 삼성전자주식회사 병변 검출 장치, 병변 검출 방법 및 병변 진단 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102438529A (zh) * 2008-12-22 2012-05-02 美的派特恩公司 自动检测医学图像中的病变的方法和***
US20140037159A1 (en) * 2012-08-03 2014-02-06 Samsung Eletronics Co., Ltd. Apparatus and method for analyzing lesions in medical image

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANNA VIGNATI等: "A fully automatic lesion detection method for DCE-MRI fat-suppressed breast images", 《PROCEEDINGS OF SPIE》 *
杨杨等: "分割位置提示的可变形部件模型快速目标检测", 《自动化学报》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118068B (zh) * 2015-09-29 2017-12-05 常熟理工学院 一种小样本条件下医学图像自动标注方法
CN105118068A (zh) * 2015-09-29 2015-12-02 常熟理工学院 一种小样本条件下医学图像自动标注方法
CN109310400A (zh) * 2016-06-07 2019-02-05 皇家飞利浦有限公司 用于***组织成像和注释***超声图像的超声***和方法
CN109310400B (zh) * 2016-06-07 2021-06-29 皇家飞利浦有限公司 用于***组织成像和注释***超声图像的超声***和方法
WO2018157868A1 (zh) * 2017-03-02 2018-09-07 江清泉 一种超声波显像***及其显像方法
CN110753517A (zh) * 2017-05-11 2020-02-04 韦拉索恩股份有限公司 基于概率映射的超声扫描
CN107945167A (zh) * 2017-11-27 2018-04-20 北京医拍智能科技有限公司 基于深度神经网络的慢性阻塞性肺病的检测***
CN108280827A (zh) * 2018-01-24 2018-07-13 北京红云视界技术有限公司 基于深度学习的冠状动脉病变自动检测方法、***和设备
CN111885963A (zh) * 2018-03-01 2020-11-03 富士胶片索诺声有限公司 用于对超声检查进行标注的方法和设备
CN111885963B (zh) * 2018-03-01 2023-05-12 富士胶片索诺声有限公司 用于对超声检查进行标注的方法和设备
US20210407656A1 (en) * 2018-12-27 2021-12-30 Shanghai United Imaging Intelligence Co., Ltd. Methods and devices for grading a medical image
US11742073B2 (en) * 2018-12-27 2023-08-29 Shanghai United Imaging Intelligence Co., Ltd. Methods and devices for grading a medical image
US11145405B2 (en) * 2018-12-27 2021-10-12 Shanghai United Imaging Intelligence Co., Ltd. Methods and devices for grading a medical image
US11995821B2 (en) 2019-02-14 2024-05-28 Tencent Technology (Shenzhen) Company Limited Medical image region screening method and apparatus and storage medium
CN110009600A (zh) * 2019-02-14 2019-07-12 腾讯科技（深圳）有限公司 一种医学图像区域过滤方法、装置及存储介质
CN110033019A (zh) * 2019-03-06 2019-07-19 腾讯科技（深圳）有限公司 人体部位的异常检测方法、装置和存储介质
CN110033019B (zh) * 2019-03-06 2021-07-27 腾讯科技（深圳）有限公司 人体部位的异常检测方法、装置和存储介质
CN113767278A (zh) * 2019-04-26 2021-12-07 株式会社前川制作所 特征点识别***及识别方法
CN110693526A (zh) * 2019-11-11 2020-01-17 深圳先进技术研究院 一种肌肉疾病评估方法、***及电子设备
CN113205477A (zh) * 2020-01-30 2021-08-03 株式会社日立制作所 医用图像处理装置以及医用图像处理方法
CN113205477B (zh) * 2020-01-30 2023-12-08 富士胶片医疗健康株式会社 医用图像处理装置以及医用图像处理方法
CN113712594A (zh) * 2020-05-25 2021-11-30 株式会社日立制作所 医用图像处理装置以及医用摄像装置
CN113712594B (zh) * 2020-05-25 2023-12-26 富士胶片医疗健康株式会社 医用图像处理装置以及医用摄像装置
CN111932507A (zh) * 2020-07-31 2020-11-13 苏州慧维智能医疗科技有限公司 一种基于消化内镜实时识别病变的方法

Also Published As

Publication number Publication date
US9532762B2 (en) 2017-01-03
EP2911111A3 (en) 2015-09-23
JP2015154918A (ja) 2015-08-27
US20150230773A1 (en) 2015-08-20
EP2911111A2 (en) 2015-08-26
KR20150098119A (ko) 2015-08-27

Similar Documents

Publication Publication Date Title
CN104840209A (zh) 用于病变检测的设备和方法
US10383602B2 (en) Apparatus and method for visualizing anatomical elements in a medical image
CN107077211B (zh) 视线跟踪驱动的感兴趣区域分割
US9305349B2 (en) Apparatus and method for detecting lesion
US7876947B2 (en) System and method for detecting tagged material using alpha matting
Foruzan et al. Segmentation of liver in low-contrast images using K-means clustering and geodesic active contour algorithms
KR102251245B1 (ko) 관심 영역별 추가 정보 제공 장치 및 방법
US20140200433A1 (en) Apparatus and method for estimating malignant tumor
US20160027175A1 (en) Method and apparatus for supporting diagnosis of region of interest by providing comparison image
US10186030B2 (en) Apparatus and method for avoiding region of interest re-detection
CN104205166A (zh) 用于在乳腺的放射图像中限定感兴趣区域的方法
US11348229B2 (en) Determining regions of hyperdense lung tissue in an image of a lung
Schwier et al. Automated spine and vertebrae detection in CT images using object‐based image analysis
Gao et al. Segmentation of ultrasonic breast tumors based on homogeneous patch
US20150110369A1 (en) Image processing apparatus
JP7413011B2 (ja) 医用情報処理装置
US10307124B2 (en) Image display device, method, and program for determining common regions in images
US10249050B2 (en) Image processing apparatus and image processing method
CN104680513B (zh) 估计心室容积的方法和装置
KR101494975B1 (ko) 3차원 자동 유방 초음파 영상의 유두 자동 검출 시스템 및 그 검출 방법
CN109564685B (zh) 鲁棒的肺叶分割
Maduskar et al. Cavity contour segmentation in chest radiographs using supervised learning and dynamic programming
US20240054643A1 (en) Image processing apparatus, image processing method, and recording medium
Moghaddam et al. Automatic nipple detection on 3D images of an automated breast ultrasound system (ABUS)
JP6253474B2 (ja) 情報処理装置、コンピュータプログラムおよび記録媒体

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned

Effective date of abandoning: 20200721

AD01 Patent right deemed abandoned