CN105975785A - 乳腺筛查图像自动处理***及方法 - Google Patents

乳腺筛查图像自动处理***及方法 Download PDF

Info

Publication number
CN105975785A
CN105975785A CN201610318856.2A CN201610318856A CN105975785A CN 105975785 A CN105975785 A CN 105975785A CN 201610318856 A CN201610318856 A CN 201610318856A CN 105975785 A CN105975785 A CN 105975785A
Authority
CN
China
Prior art keywords
mammary gland
image
examination image
gland examination
gray scale
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
CN201610318856.2A
Other languages
English (en)
Inventor
张贯京
陈兴明
高伟明
李慧玲
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.)
Shenzhen Qianhai AnyCheck Information Technology Co Ltd
Original Assignee
Shenzhen Qianhai AnyCheck Information Technology 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 Shenzhen Qianhai AnyCheck Information Technology Co Ltd filed Critical Shenzhen Qianhai AnyCheck Information Technology Co Ltd
Priority to CN201610318856.2A priority Critical patent/CN105975785A/zh
Publication of CN105975785A publication Critical patent/CN105975785A/zh
Priority to PCT/CN2016/109736 priority patent/WO2017193581A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G06F19/3418—
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F19/321—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开一种乳腺筛查图像自动处理***及方法，应用于医疗终端设备中，该方法包括步骤：根据用户的乳腺筛查编号从乳腺图像数据库中获取用户的乳腺筛查图像；将乳腺筛查图像进行无失真去除噪声滤波处理；将乳腺筛查图像进行灰度分层处理；比较乳腺筛查图像与正常乳腺图像两者的纹理分布差异以从乳腺筛查图像中提取乳腺纹理特征区域；在乳腺筛查图像中标示出乳腺纹理特征区域；通过医疗终端设备的输出单元输出标示有乳腺纹理特征区域的乳腺筛查图像。本发明能够自动在乳腺筛查图像中标示出乳腺纹理特征区域以供医生对乳腺筛查提供参考，从而辅助医生提高对乳腺疾病进行检测与筛查的效率及准确性。

Description

乳腺筛查图像自动处理***及方法
技术领域
本发明涉及图像处理与识别技术领域，尤其涉及一种乳腺筛查图像自动处理***及方法。
背景技术
乳腺疾病是女性的多发病症之一，特别是随着现代都市生活节奏的加快，女性面对的生活压力、工作压力加重，乳腺疾病的发病率在逐年升高，严重的乳腺疾病可能导致乳腺癌。据不完全调查统计显示，乳腺疾病的发病率和死亡率也都成上升趋势。其实，大部分乳腺癌患者的死亡原因就是因为没有及时发现，错过了最佳治疗时机，因此，对广大女性进行乳腺普查、乳腺疾病早发现、早期诊断对于女性健康是十分必要的。
目前，利用乳腺筛查图像进行辅助诊断已经成为被广泛采用的筛查和诊断早期乳腺癌的重要方法。目前，利用计算机辅助检测方法对乳腺筛查图像进行乳腺检测与筛查时，通常需要医生在乳腺图像上手动画出乳腺癌可疑区域(ROI)的大致范围，乳腺筛查与检测效率不高，不适合大量乳腺样本的普查情况。在女性乳腺癌的体检和普查活动中，由于乳腺图像数量很多，医生直接对每幅乳腺图像手动画出ROI进行检测难以保证效率及准确性，从而容易造成漏诊和误诊的情况发生。
发明内容
本发明的主要目的在于提供一种乳腺筛查图像自动处理***及方法，旨在解决现有计算机辅助检测方式需要医生手动画出乳腺病变可疑区域而造成效率及准确性不高的问题。
为实现上述目的，本发明提供了一种乳腺筛查图像自动处理***，应用于医疗终端设备中，该医疗终端设备通过通信网络连接至医疗信息***平台。所述乳腺筛查图像自动处理***包括：乳腺图像获取模块，用于根据用户的乳腺筛查编号从所述医疗信息***平台的乳腺图像数据库中获取用户的乳腺筛查图像；乳腺图像处理模块，用于将所述乳腺筛查图像进行无失真去除噪声滤波处理得到无失真的乳腺筛查图像，以及将无失真的乳腺筛查图像进行灰度分层处理得到灰度分层后的乳腺筛查图像；纹理特征提取模块，用于比较灰度分层后的乳腺筛查图像与正常乳腺图像两者的纹理分布差异以从所述乳腺筛查图像中提取乳腺纹理特征区域；乳腺图像输出模块，用于在灰度分层后的乳腺筛查图像中标示出所述乳腺纹理特征区域，以及通过所述医疗终端设备的输出单元输出所述标示有乳腺纹理特征区域的乳腺筛查图像。
优选的，所述乳腺图像获取模块还用于通过所述医疗终端设备的输入单元接收用户输入的乳腺筛查编号。
优选的，所述乳腺图像输出模块还用于将所述标示有乳腺纹理特征区域的乳腺筛查图像显示在所述输出单元的显示屏上，以及控制所述输出单元的打印机打印所述标示有乳腺纹理特征区域的乳腺筛查图像。
优选的，所述乳腺图像数据库存储有不同用户在乳腺体检和普查时产生的乳腺筛查图像，所述正常乳腺图像存储在所述医疗终端设备的存储单元中，所述纹理分布差异包括乳腺的组织结构差异、尺寸大小差异及外形轮廓差异。
优选的，所述灰度分层处理包括将所述乳腺筛查图像按灰度分割成不同的区域并对每个区域进行色彩赋值处理。
为实现上述目的，本发明还提供了一种乳腺筛查图像自动处理方法，应用于医疗终端设备中，该医疗终端设备通过通信网络连接至医疗信息***平台，所述乳腺筛查图像自动处理方法包括步骤：根据用户的乳腺筛查编号从所述医疗信息***平台的乳腺图像数据库中获取用户的乳腺筛查图像；将所述乳腺筛查图像进行无失真去除噪声滤波处理得到无失真的乳腺筛查图像；将无失真的乳腺筛查图像进行灰度分层处理得到灰度分层后的乳腺筛查图像；比较灰度分层后的乳腺筛查图像与正常乳腺图像两者的纹理分布差异以从所述乳腺筛查图像中提取乳腺纹理特征区域；在灰度分层后的乳腺筛查图像中标示出所述乳腺纹理特征区域；通过所述医疗终端设备的输出单元输出所述标示有乳腺纹理特征区域的乳腺筛查图像。
优选的，所述乳腺筛查图像自动处理方法还包括步骤：通过所述医疗终端设备的输入单元接收用户输入的乳腺筛查编号。
优选的，所述乳腺筛查图像自动处理方法还包括步骤：将所述标示有乳腺纹理特征区域的乳腺筛查图像显示在所述输出单元的显示屏上；控制所述输出单元的打印机打印所述标示有乳腺纹理特征区域的乳腺筛查图像。
优选的，所述乳腺图像数据库存储有不同用户在乳腺体检和普查时产生的乳腺筛查图像，所述正常乳腺图像存储在所述医疗终端设备的存储单元中，所述纹理分布差异包括乳腺的组织结构差异、尺寸大小差异及外形轮廓差异。
优选的，所述灰度分层处理包括将所述乳腺筛查图像按灰度分割成不同的区域并对每个区域进行色彩赋值处理。
相较于现有技术，本发明所述乳腺筛查图像自动处理***及方法采用上述技术方案，达到了如下技术效果：通过对乳腺筛查图像进行去除噪音及灰度分层处理，从处理后的乳腺筛查图像中提取乳腺纹理特征区域并在乳腺筛查图像中标示出乳腺纹理特征区域，以供医生对乳腺疾病进行诊断与筛查提供参考，从而辅助医生提高对乳腺疾病进行检测与筛查的效率及准确性，提高了乳腺筛查的社会效率。
附图说明
图1是本发明乳腺筛查图像自动处理***优选实施例的应用环境示意图；
图2是本发明乳腺筛查图像自动处理方法优选实施例的流程图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为更进一步阐述本发明为达成上述目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明的具体实施方式、结构、特征及其功效进行详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1所示，图1是本发明乳腺筛查图像自动处理***优选实施例的应用环境示意图。在本实施例中，所述乳腺筛查图像自动处理***10安装并运行于医疗终端设备1中。所述医疗终端设备1通过通信网络3与医疗信息***平台2建立通信连接。所述医疗终端设备1可以设置在大型医院或社区医疗工作站等医疗检查机构内，该医疗终端设备1可以为一种计算机、云服务器等具有数据处理和通信功能的计算装置。所述医疗信息***平台2可以是一种云平台或云平台中的一台服务器，可以设置在医院或社区医疗工作站等医疗检查机构内。该医疗信息***平台2包括乳腺图像数据库20，该乳腺图像数据库20存储有女性乳腺体检和普查时的乳腺筛查图像。所述通信网络3可以是一种包括局域网、广域网的网际网络，或者是一种包括GSM、GPRS、CDMA的无线传输网络。
在本实施例中，所述医疗终端设备1包括，但不仅限于，乳腺筛查图像自动处理***10、输入单元11、存储单元12、处理单元13以及输出单元14。所述输入单元11、存储单元12和输出单元14均通过数据总线连接至处理单元13，并能通过处理单元13与所述乳腺筛查图像自动处理***10进行信息交互。
所述输入单元11可以为键盘或手写触摸屏等输入设备，用于供用户输入用户信息，例如，可以在输入单元11上输入用户的乳腺筛查编号或者用户名等信息。所述存储单元12可以为一种只读存储单元ROM，电可擦写存储单元EEPROM或快闪存储单元FLASH等存储器。所述处理单元13可以为一种中央处理器(CPU)、微处理器、微控制器(MCU)、数据处理芯片、或者具有数据处理功能的信息处理单元。所述输出单元14可以为一种用于显示乳腺筛查报告的显示屏，也可以为一种用于打印乳腺筛查报告的打印机。
在本实施例中，所述乳腺筛查图像自动处理***10包括，但不局限于，乳腺图像获取模块101、乳腺图像处理模块102、纹理特征提取模块103以及乳腺图像输出模块104。本发明所称的模块是指一种能够被所述医疗终端设备1的处理单元13执行并且能够完成固定功能的一系列计算机程序指令段，其存储在所述医疗终端设备1的存储单元12中。
所述乳腺图像获取模块101用于通过输入单元11接收用户输入的乳腺筛查编号，以及根据用户的乳腺筛查编号从乳腺图像数据库20中获取该用户的乳腺筛查图像。在本实施例中，用户可以通过输入单元11(例如键盘或者手写触摸屏)输入用户的乳腺筛查编号，所述乳腺图像数据库20存储不同用户进行乳腺体检和普查时产生的乳腺筛查图像。
所述乳腺图像处理模块102用于将所述乳腺筛查图像进行无失真去除噪声滤波处理得到无失真的乳腺筛查图像。在本实施例中，所述乳腺图像处理模块102采用高斯滤波函数将所述乳腺筛查图像进行无失真去除噪声滤波处理清除所述乳腺筛查图像的杂质得到无失真的乳腺筛查图像，从而提高对乳腺疾病进行检测与筛查的准确性。所述高斯滤波函数为本领域技术人员对图像进行滤波处理的惯用手段，本实施不作具体描述。
所述乳腺图像处理模块102还用于将无失真的乳腺筛查图像进行灰度分层处理得到灰度分层后的乳腺筛查图像，以增强所述乳腺筛查图像的分层显示效果。所述灰度分层处理也称谓密度分层处理，包括将所述乳腺筛查图像按灰度分割成不同的区域并对每个区域进行色彩赋值处理，从而使所述乳腺筛查图像达到分层显示的效果。在本实施例中，经过灰度分层处理后的乳腺筛查图像更能够明显地显示出乳腺筛查图像上的纹理分布情况，例如乳腺的组织结构、尺寸大小及外形轮廓等。
所述纹理特征提取模块103用于比较灰度分层后的乳腺筛查图像与正常乳腺图像两者的纹理分布差异以从乳腺筛查图像中提取乳腺纹理特征区域。在本实施例中，所述正常乳腺图像存在存储单元12中，作为与用户的乳腺筛查图像比较的参考依据。所述纹理分布差异包括乳腺的组织结构差异、尺寸大小差异及外形轮廓差异。这种从乳腺筛查图像中提取乳腺纹理特征区域可以辅助医生提高对乳腺疾病进行检测与筛查的效率及准确性。
所述乳腺图像输出模块104用于在灰度分层后的乳腺筛查图像中标示出乳腺纹理特征区域，以及通过输出单元14输出标示有乳腺纹理特征区域的乳腺筛查图像供医生对乳腺疾病进行诊断与筛查参考。所述乳腺图像输出模块104还用于将所述标示有乳腺纹理特征区域的乳腺筛查图像显示在输出单元14的显示屏上，或者控制所述输出单元14的打印机打印所述标示有乳腺纹理特征区域的乳腺筛查图像，以供医生对乳腺疾病进行诊断和治疗提供依据。
本发明还提供了一种乳腺筛查图像自动处理方法，应用于医疗终端设备中。如图2所示，图2是本发明乳腺筛查图像自动处理方法优选实施例的流程图。在本实施例中，参考图1所示，所述乳腺筛查图像自动处理方法包括如下步骤：
步骤S21，通过输入单元接收用户输入的乳腺筛查编号；在本实施例中，乳腺图像获取模块101通过输入单元11(例如键盘或者手写触摸屏)接收用户输入的乳腺筛查编号。
步骤S22，根据用户的乳腺筛查编号从乳腺图像数据库中获取该用户的乳腺筛查图像；具体地，乳腺图像获取模块101根据用户的乳腺筛查编号从乳腺图像数据库20中获取该用户的乳腺筛查图像。在本实施例中，用户可以通过输入单元11输入用户的乳腺筛查编号，所述乳腺图像数据库20存储不同用户进行乳腺体检和普查时产生的乳腺筛查图像。
步骤S23，将乳腺筛查图像进行无失真去除噪声滤波处理得到无失真的乳腺筛查图像；具体地，乳腺图像处理模块102将所述乳腺筛查图像进行无失真去除噪声滤波处理得到无失真的乳腺筛查图像。在本实施例中，所述乳腺图像处理模块102采用高斯滤波函数将所述乳腺筛查图像进行无失真去除噪声滤波处理清除所述乳腺筛查图像的杂质，从而提高对乳腺疾病进行检测与筛查的准确性。
步骤S24，将无失真的乳腺筛查图像进行灰度分层处理得到灰度分层后的乳腺筛查图像；具体地，乳腺图像处理模块102将所述无失真的乳腺筛查图像进行灰度分层处理得到灰度分层后的乳腺筛查图像，以增强所述乳腺筛查图像的分层显示效果。所述灰度分层处理也称谓密度分层处理，包括将所述乳腺筛查图像按灰度分割成不同的区域并对每个区域进行色彩赋值处理，从而使所述乳腺灰度图像达到分层显示的效果。在本实施例中，经过灰度分层处理后的乳腺筛查图像更能够明显地显示出乳腺筛查图像上的纹理分布情况，例如乳腺的组织结构、尺寸大小及外形轮廓等。
步骤S25，比较灰度分层后的乳腺筛查图像与正常乳腺图像两者的纹理分布差异以从乳腺筛查图像中提取乳腺纹理特征区域；具体地，纹理特征提取模块103将灰度分层后的乳腺筛查图像与正常乳腺图像两者的纹理分布差异进行比较以从乳腺筛查图像中提取乳腺纹理特征区域。在本实施例中，所述纹理分布差异包括乳腺的组织结构差异、尺寸大小差异及外形轮廓差异。
步骤S26，在灰度分层后的乳腺筛查图像中标示出乳腺纹理特征区域；具体地，乳腺图像输出模块104在灰度分层后的乳腺筛查图像中标示出乳腺纹理特征区域，从而辅助医生提高对乳腺疾病进行检测与筛查的效率及准确性。
步骤S27，通过输出单元输出标示有乳腺纹理特征区域的乳腺筛查图像供医生对乳腺进行诊断与筛查参考；具体地，乳腺图像输出模块104通过输出单元14输出标示有乳腺纹理特征区域的乳腺筛查图像供医生对乳腺疾病进行诊断与筛查参考。
在本实施例中，在步骤S27之后还可以包括步骤：将所述标示有乳腺纹理特征区域的乳腺筛查图像显示在输出单元14的显示屏上，或者控制所述输出单元14的打印机打印所述标示有乳腺纹理特征区域的乳腺筛查图像。具体地，所述乳腺图像输出模块104将所述标示有乳腺纹理特征区域的乳腺筛查图像显示在输出单元14的显示屏上，或者控制所述输出单元14的打印机打印所述标示有乳腺纹理特征区域的乳腺筛查图像，以供医生对乳腺疾病进行诊断和筛查提供依据。
本发明提供的乳腺筛查图像自动处理***及方法通过对乳腺筛查图像进行去除噪音及灰度分层处理，从处理后的乳腺筛查图像中提取乳腺纹理特征区域并在乳腺筛查图像中标示出乳腺纹理特征区域，以供医生对乳腺疾病进行诊断与筛查提供参考，从而辅助医生提高对乳腺疾病进行检测与筛查的效率及准确性，提高了乳腺筛查的社会效率。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效功能变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种乳腺筛查图像自动处理***，应用于医疗终端设备中，该医疗终端设备通过通信网络连接至医疗信息***平台，其特征在于，所述乳腺筛查图像自动处理***包括：
乳腺图像获取模块，用于根据用户的乳腺筛查编号从所述医疗信息***平台的乳腺图像数据库中获取用户的乳腺筛查图像；
乳腺图像处理模块，用于将所述乳腺筛查图像进行无失真去除噪声滤波处理得到无失真的乳腺筛查图像，以及将无失真的乳腺筛查图像进行灰度分层处理得到灰度分层后的乳腺筛查图像；
纹理特征提取模块，用于比较灰度分层后的乳腺筛查图像与正常乳腺图像两者的纹理分布差异以从所述乳腺筛查图像中提取乳腺纹理特征区域；
乳腺图像输出模块，用于在灰度分层后的乳腺筛查图像中标示出所述乳腺纹理特征区域，以及通过所述医疗终端设备的输出单元输出所述标示有乳腺纹理特征区域的乳腺筛查图像。
2.如权利要求1所述的乳腺筛查图像自动处理***，其特征在于，所述乳腺图像获取模块还用于通过所述医疗终端设备的输入单元接收用户输入的乳腺筛查编号。
3.如权利要求1所述的乳腺筛查图像自动处理***，其特征在于，所述乳腺图像输出模块还用于将所述标示有乳腺纹理特征区域的乳腺筛查图像显示在所述输出单元的显示屏上，以及控制所述输出单元的打印机打印所述标示有乳腺纹理特征区域的乳腺筛查图像。
4.如权利要求1所述的乳腺筛查图像自动处理***，其特征在于，所述乳腺图像数据库存储有不同用户在乳腺体检和普查时产生的乳腺筛查图像，所述正常乳腺图像存储在所述医疗终端设备的存储单元中，所述纹理分布差异包括乳腺的组织结构差异、尺寸大小差异及外形轮廓差异。
5.如权利要求1至4任一项所述的乳腺筛查图像自动处理***，其特征在于，所述灰度分层处理包括将所述乳腺筛查图像按灰度分割成不同的区域并对每个区域进行色彩赋值处理。
6.一种乳腺筛查图像自动处理方法，应用于医疗终端设备中，该医疗终端设备通过通信网络连接至医疗信息***平台，其特征在于，所述乳腺筛查图像自动处理方法包括步骤：
根据用户的乳腺筛查编号从所述医疗信息***平台的乳腺图像数据库中获取用户的乳腺筛查图像；
将所述乳腺筛查图像进行无失真去除噪声滤波处理得到无失真的乳腺筛查图像；
将无失真的乳腺筛查图像进行灰度分层处理得到灰度分层后的乳腺筛查图像；
比较灰度分层后的乳腺筛查图像与正常乳腺图像两者的纹理分布差异以从所述乳腺筛查图像中提取乳腺纹理特征区域；
在灰度分层后的乳腺筛查图像中标示出所述乳腺纹理特征区域；
通过所述医疗终端设备的输出单元输出所述标示有乳腺纹理特征区域的乳腺筛查图像。
7.如权利要求6所述的乳腺筛查图像自动处理方法，其特征在于，该方法还包括步骤：
通过所述医疗终端设备的输入单元接收用户输入的乳腺筛查编号。
8.如权利要求6所述的乳腺筛查图像自动处理方法，其特征在于，该方法还包括步骤：
将所述标示有乳腺纹理特征区域的乳腺筛查图像显示在所述输出单元的显示屏上；
控制所述输出单元的打印机打印所述标示有乳腺纹理特征区域的乳腺筛查图像。
9.如权利要求6所述的乳腺筛查图像自动处理方法，其特征在于，所述乳腺图像数据库存储有不同用户在乳腺体检和普查时产生的乳腺筛查图像，所述正常乳腺图像存储在所述医疗终端设备的存储单元中，所述纹理分布差异包括乳腺的组织结构差异、尺寸大小差异及外形轮廓差异。
10.如权利要求6至9任一项所述的乳腺筛查图像自动处理方法，其特征在于，所述灰度分层处理包括将所述乳腺筛查图像按灰度分割成不同的区域并对每个区域进行色彩赋值处理。
CN201610318856.2A 2016-05-13 2016-05-13 乳腺筛查图像自动处理***及方法 Pending CN105975785A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201610318856.2A CN105975785A (zh) 2016-05-13 2016-05-13 乳腺筛查图像自动处理***及方法
PCT/CN2016/109736 WO2017193581A1 (zh) 2016-05-13 2016-12-13 乳腺筛查图像自动处理***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610318856.2A CN105975785A (zh) 2016-05-13 2016-05-13 乳腺筛查图像自动处理***及方法

Publications (1)

Publication Number Publication Date
CN105975785A true CN105975785A (zh) 2016-09-28

Family

ID=56992641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610318856.2A Pending CN105975785A (zh) 2016-05-13 2016-05-13 乳腺筛查图像自动处理***及方法

Country Status (2)

Country Link
CN (1) CN105975785A (zh)
WO (1) WO2017193581A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017193581A1 (zh) * 2016-05-13 2017-11-16 深圳市前海安测信息技术有限公司 乳腺筛查图像自动处理***及方法
WO2018176717A1 (zh) * 2017-03-25 2018-10-04 深圳市前海安测信息技术有限公司 基于医疗云平台的乳腺筛查影像分析***及方法
CN109363699A (zh) * 2018-10-16 2019-02-22 杭州依图医疗技术有限公司 一种乳腺影像病灶识别的方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8184874B2 (en) * 2006-12-22 2012-05-22 Carestream Health, Inc. Enhanced display of medical images
CN101404062A (zh) * 2008-11-14 2009-04-08 南京大学 一种基于决策树的数字乳腺图像自动筛查方法
CN103020466B (zh) * 2012-12-26 2016-09-07 海信集团有限公司 一种计算机诊断方法及电子设备
CN105975785A (zh) * 2016-05-13 2016-09-28 深圳市前海安测信息技术有限公司 乳腺筛查图像自动处理***及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017193581A1 (zh) * 2016-05-13 2017-11-16 深圳市前海安测信息技术有限公司 乳腺筛查图像自动处理***及方法
WO2018176717A1 (zh) * 2017-03-25 2018-10-04 深圳市前海安测信息技术有限公司 基于医疗云平台的乳腺筛查影像分析***及方法
CN109363699A (zh) * 2018-10-16 2019-02-22 杭州依图医疗技术有限公司 一种乳腺影像病灶识别的方法及装置

Also Published As

Publication number Publication date
WO2017193581A1 (zh) 2017-11-16

Similar Documents

Publication Publication Date Title
Jitpakdee et al. A survey on hemorrhage detection in diabetic retinopathy retinal images
Al-Shamlan et al. Feature extraction values for breast cancer mammography images
EP3594830B1 (en) Similar case image search program, similar case image search device, and similar case image search method
CA2177472A1 (en) Automated method and system for improved computerized detection and classification of masses in mammograms
CN105975785A (zh) 乳腺筛查图像自动处理***及方法
Camarlinghi Automatic detection of lung nodules in computed tomography images: training and validation of algorithms using public research databases
Fathima et al. Automatic detection of tumor subtype in mammograms based On GLCM and DWT features using SVM
Dobrescu et al. Diagnosis of breast cancer from mammograms by using fractal measures
JP5105997B2 (ja) 医用画像処理装置、医用画像診断装置、及びプログラム
WO2018176717A1 (zh) 基于医疗云平台的乳腺筛查影像分析***及方法
WO2020106631A1 (en) Machine learning-based automated abnormality detection in medical images and presentation thereof
CN106370488A (zh) 一种基于循环肿瘤细胞切片的诊断***及方法
JP2006346094A (ja) 検出情報の出力方法及び医用画像処理システム
Frank A deep learning architecture with an object-detection algorithm and a convolutional neural network for breast mass detection and visualization
Diao et al. Computer aided cancer regions detection of hepatocellular carcinoma in whole-slide pathological images based on deep learning
Krishnaveni et al. Study of Mammogram Microcalcification to aid tumour detection using Naive Bayes Classifier
Abdel-Dayem et al. Fuzzy entropy based detection of suspicious masses in digital mammogram images
CN103815926B (zh) 乳腺癌检测方法和装置
Duggento et al. A random initialization deep neural network for discriminating malignant breast cancer lesions
CN110246578A (zh) 一种肺癌样本快速检测方法
Rabottino et al. Mass contour extraction in mammographic images for breast cancer identification
Rehman et al. Dermoscopy cancer detection and classification using geometric feature based on resource constraints device (Jetson Nano)
CN112545480B (zh) 在mri上检测***和***良性病变的***及方法
Ajitha et al. Lung cancer prediction using extended KNN algorithm
Bellam et al. Adaptive multimodal image fusion with a deep pyramidal residual learning network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160928

WD01 Invention patent application deemed withdrawn after publication