CN107463964A - 一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置 - Google Patents
一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置 Download PDFInfo
- Publication number
- CN107463964A CN107463964A CN201710696532.7A CN201710696532A CN107463964A CN 107463964 A CN107463964 A CN 107463964A CN 201710696532 A CN201710696532 A CN 201710696532A CN 107463964 A CN107463964 A CN 107463964A
- Authority
- CN
- China
- Prior art keywords
- feature
- breast
- correlation
- covariance matrix
- tumor
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置,方法包括:对乳腺超声图像进行预处理去噪,提取目标兴趣区域;基于目标兴趣区域中的每个像素点,提取底层图像特征;根据所述底层图像特征,利用协方差矩阵提取特征相关性,采用基于数据挖掘的分类器对所述特征相关性进行分类,进而得到乳腺肿瘤的分类结果。
Description
技术领域
本发明涉及一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置。
背景技术
乳腺癌已经成为一种常见的女性的恶性肿瘤之一,在女性癌症的发病率的25%,死亡率 占15%。近年来,我国女性乳腺癌的发病率逐年上升,占恶性肿瘤的23%,严重威胁着女性 的身体健康和生命安全。
随着医学影像技术的不断发展,钼靶、超声、MRI、CT等成像设备已经被逐渐应用于乳 腺癌的检测工作中。钼靶是一种常用的乳腺癌影像学分析方法,然而钼靶图像对软组织的分 辨力差,在致密性乳腺癌诊断精度较低,仅能达到30%-48%,超声图像作为一种常见的补充 辅助分析方式之一,价格较低,且能够对致密性乳腺肿瘤的分类具有更好的表现,有利于减 少不必要的细胞活检,已经能逐渐引起研究学者的关注。
目前临床上,仅依靠临床医生对影像学图像的观察进行乳腺肿瘤的分析工作,大量的影 像学设备及患者会产生大量的乳腺图像,极大的增加医生的工作量。同时分析的结果也受临 床医生的经验和主观判断影响,图像中的阴影等噪声也会影响医生诊断的精度,因此难以较 快获得客观的诊断结果,特别针对于经验不足的临床医生容易造成误判等现象。
为了提高乳腺肿瘤图像分析的精度和效率,克服临床医生的主观判断的影响等因素,基 于计算机的乳腺癌计算机辅助诊断势在必行。当前的乳腺癌计算机诊断方法主要通过提取超 声图像中的不同的特征进行分类,主要包括纹理特征,形态学特征,基于模型的方法等。不 同的特征对乳腺超声图像具有不同的表现,不同特征之间的相关性在乳腺肿瘤良性恶性的区 分上也具有一定研究价值,然而上述方法都没有对特征之间的相关性进行分析。图像的特征 及特征之间的相关性都是乳腺肿瘤分类的有利依据。
发明内容
针对现有技术中存在的不足,本发明提供了一种基于超声图像特征相关性的乳腺肿瘤分 类方法,该方法提出了在超声图像上对乳腺肿瘤进行分类,主要包括以下三个关键部分:图 像预处理,特征相关性提取和乳腺肿瘤的分类。上述乳腺癌的诊断方法,对于特征相关性在 超声图像上乳腺癌的诊断上提出了新的观念并取得较好的效果。
本发明的技术方案为:
一种基于超声图像特征相关性的乳腺肿瘤分类方法,包括:
对乳腺超声图像进行预处理去噪,提取目标兴趣区域;
基于目标兴趣区域中的每个像素点,提取底层图像特征;
根据所述底层图像特征,利用协方差矩阵提取特征相关性,采用基于数据挖掘的分类器 对所述特征相关性进行分类,进而得到乳腺肿瘤的分类结果。
进一步的,所述基于数据挖掘的分类器采用KNN分类器。
进一步的,所述提取目标兴趣区域包括:
在所述乳腺超声图像上进行标记,根据标记提取包含有乳腺肿瘤区域的最小外接矩形, 作为目标兴趣区域。
进一步的,所述提取底层图像特征包括:
根据每个像素点的灰度及其在x方向和y方向的一阶导数和二阶导数,提取底层图像特 征。
进一步的,根据所述底层图像特征,利用协方差矩阵提取特征相关性包括,根据以下公 式提取协方差矩阵:
其中,n表示图像中的像素个数,Fk表示该像素的底层特征,μ表示所有像素的特征均 值,k表示像素的序号;协方差矩阵的对角线元素表示的是不同特征自身的方差,非对角线 元素表示的是不同特征之间的协方差,非对角线元素若值为正值,表示对应两个特征为正相 关,反之,若值为负,表示对应两个特征为负相关,如果为0,表示两个特征相互独立。
为了满足机器学习算法的需求,减少计算复杂度我们采用了L2ECM算法对协方差矩阵进 行向量化,将协方差矩阵中的值按照顺序构成一个新的特征向量,采用该特征向量表示特征 相关性。
采用L2ECM算法对协方差矩阵进行向量化包括:将所述协方差矩阵用C=U∑UT表示, 其中C表示该协方差矩阵,U表示正交阵,其中对角线元素为协方差矩阵C的特征值,计算 得logC=Ulog(∑)UT,将协方差矩阵中的值按照顺序构成一个新的特征向量,即vlog(C)=[vlog(C1),vlog(C2),...,vlog(Cn)],采用该特征向量表示特征相关性。
本发明还提出了一种计算机可读存储介质,其中存储有多条指令,所述指令由处理器加 载并执行以下处理:
对乳腺超声图像进行预处理去噪,提取目标兴趣区域;
基于目标兴趣区域中的每个像素点,提取底层图像特征;
根据所述底层图像特征,利用协方差矩阵提取特征相关性,采用基于数据挖掘的分类器 对所述特征相关性进行分类,进而得到乳腺肿瘤的分类结果。
本发明又提出了一种基于超声图像特征相关性的乳腺肿瘤分类装置,包括处理器和计算 机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指 令由处理器加载并执行以下处理:
对乳腺超声图像进行预处理去噪,提取目标兴趣区域;
基于目标兴趣区域中的每个像素点,提取底层图像特征;
根据所述底层图像特征,利用协方差矩阵提取特征相关性,采用基于数据挖掘的分类器 对所述特征相关性进行分类,进而得到乳腺肿瘤的分类结果。
本发明的有益效果:
(1)本发明利用了协方差矩阵提取图像底层特征之间的相关性,能够有效的降低图像特征 的维度。对于一个m*n的图像,假设基于图像的像素点,提取s维的特征,则图像特征尺度 高达m*n*s,而利用协方差矩阵提取上述s维特征的相关性,协方差矩阵的大小仅为s*s。利 用L2ECM进行向量化后得到的图像特征仅为(s2+s)/2,极大的降低了特征维度。
(2)本发明探究了图像的底层特征之间的相关性,并将其用于解决乳腺肿瘤的分类问题中。 本发明提出的基于特征相关性的乳腺肿瘤分类方法已经取得了较好的结果。本发明将协方差 矩阵同其他的统计方法(如均值,方差,均值+方差等方法)进行了比较,本发明的准确度, 精确性,敏感性及AUC值都远高于PCA等其他方法。实验表明,特征相关性在乳腺肿瘤的分 类中能取得更好的结果,其准确性。
附图说明
图1是乳腺良性肿瘤超声图像;
图2是乳腺恶性肿瘤超声图像;
图4是本发明乳腺肿瘤分类方法的流程图;
具体实施方式:
下面结合附图与实施例对本发明作进一步说明:
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指 明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的 相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申 请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图 包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时, 其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的一种典型实施例是一种基于超声图像特征相关性的乳腺肿瘤分类方法,包括以 下步骤:
对乳腺超声图像进行预处理,由于中值滤波能够有效的消除噪声点,本发明选择中 值滤波进行去噪。中值滤波的具体方案为:依次扫描图像中的像素点,取该像素点3*3邻域 内灰度均值,并将其赋值给该像素点。
提取感兴趣区域:肿瘤区域是区分肿瘤良性恶性的关键区域,故本发明首先提取肿瘤区 域,而不是利用整幅图像进行后续工作。
在提取感兴趣区域时,本发明根据医生标记的肿瘤区域,提取肿瘤区域的最小外接矩形, 并将其作为感兴趣区域,如此即保留了肿瘤区域,也为后续的特征提取等工作提供方便。
然后基于目标兴趣区域中的每个像素点,为提取特征间相关性,首先需要提取底层特征。
分别对图像感兴趣区域中的每个像素提取灰度,灰度在x方向和y方向的一阶导数和二阶 导数等五维特征,对于每个乳腺肿瘤图像中的像素点,其底层特征F(x,y)可表示为
其中,I(x,y)表示像素点(x,y)的灰度,表示像素点(x,y)的灰度在x方向上的一阶导数,即 表示像素点的灰度在y方向上的一阶导数,即 表示像素点的灰度在x方向上的二阶导数,即 表示像素点的灰度在y方向上的二阶导数,即
然后基于上述提取的底层特征,提取特征相关性,并将其作为后续分类的依据。
本文采用协方差矩阵来提取底层特征之间的相关性。基于上述提出的底层特征 F(x,y),本发明根据以下公式提取协方差矩阵,
其中,n表示图像中的像素个数,zk表示该像素的特征值,μ表示所有像素的特征均值。
同时,为了满足机器学习算法的需求,减少计算复杂度我们采用了L2ECM算法对特征矩 阵进行向量化。L2ECM算法的基本方法如下:
由于协方差矩阵C是一个半正定矩阵,任意一个半正定矩阵都可以用C=U∑UT表示, 其中U表示正交阵,∑=Diag(λ1,...,λn)表示对角阵,其中对角线元素为协方差矩阵C的特 征值,那么对于矩阵C,可以计算得logC=Ulog(∑)UT。
L2ECM就是基于logC对协方差矩阵C进行向量化,即对协方差矩阵计算logC,将协方 差矩阵中的值按照顺序构成一个新的特征向量,由于协方差矩阵是对称矩阵,故在向量化过 程中只需取协方差矩阵的上三角或下三角区域,即vlog(C)=[vlog(C1),vlog(C2),...,vlog(Cn)]。
其中vlogC指的是将logC矩阵取上三角区域或下三角区域的值按顺序组成的向量,如图 3所示。
最后采用基于数据挖掘的分类器,优选KNN算法进行分类,实现乳腺肿瘤的分类。
其中KNN算法的思想如下:
测试集中的两个样本x和y,其中,x=[x1,x2,...,xn],y=[y1,y2,...,yn]分别表示x和y的 特征向量。则两个样本之间的距离可以表示为,
通过在训练集中,寻求与其距离较小的k个样本,采用最大投票准则,确定最后的分类 结果。
此外,本发明还提出了一种计算机可读存储介质,其中存储有多条指令,所述指令由处 理器加载并执行以下处理:
对乳腺超声图像进行预处理去噪,提取目标兴趣区域;
基于目标兴趣区域中的每个像素点,提取底层图像特征;
根据所述底层图像特征,利用协方差矩阵提取特征相关性,采用基于数据挖掘的分类器 对所述特征相关性进行分类,进而得到乳腺肿瘤的分类结果。
在上述存储介质上,本发明又提出了一种基于超声图像特征相关性的乳腺肿瘤分类装置, 包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储 多条指令,所述指令由处理器加载并执行以下处理:
对乳腺超声图像进行预处理去噪,提取目标兴趣区域;
基于目标兴趣区域中的每个像素点,提取底层图像特征;
根据所述底层图像特征,利用协方差矩阵提取特征相关性,采用基于数据挖掘的分类器 对所述特征相关性进行分类,进而得到乳腺肿瘤的分类结果。
本发明公开了一种基于超声图像特征相关性的乳腺癌诊断方法,该方法主要包括以下三 个关键部分:图像预处理,特征相关性提取和乳腺肿瘤的分类。上述乳腺癌的诊断方法,对 于特征相关性在超声图像上乳腺癌的诊断上提出了新的观念并取得较好的效果。
本发明将协方差矩阵同其他的统计方法(如均值,方差,均值+方差等方法)进行了比较, 如图1个图2所示,对图2的恶性肿瘤按照本发明的步骤进行分析,准确率可达77.96%,敏 感性为62.75%,特意性为83.70%,ROC曲线下面积为0.682。可以看到本发明分类方法的准 确度,精确性,敏感性及AUC值都远高于PCA等其他方法。本方法分类的该实验结果表明, 乳腺图像特征的相关性在乳腺肿瘤分类分析中具有非常重要的功能,是实现肿瘤类疾病辅助 诊断的重要保障。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员 来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等 同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于超声图像特征相关性的乳腺肿瘤分类方法,其特征在于,包括:
对乳腺超声图像进行预处理去噪,提取目标兴趣区域;
基于目标兴趣区域中的每个像素点,提取底层图像特征;
根据所述底层图像特征,利用协方差矩阵提取特征相关性,采用基于数据挖掘的分类器对所述特征相关性进行分类,进而得到乳腺肿瘤的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述基于数据挖掘的分类器采用KNN分类器。
3.根据权利要求1所述的方法,其特征在于,所述提取目标兴趣区域包括:
在所述乳腺超声图像上进行标记,根据标记提取包含有乳腺肿瘤区域的最小外接矩形,作为目标兴趣区域。
4.根据权利要求1所述的方法,其特征在于,所述提取底层图像特征包括:
根据每个像素点的灰度及其在x方向和y方向的一阶导数和二阶导数,提取底层图像特征。
5.根据权利要求4所述的方法,其特征在于,根据所述底层图像特征,利用协方差矩阵提取特征相关性包括,根据以下公式提取协方差矩阵:
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
其中,n表示图像中的像素个数,Fk表示该像素的底层特征,μ表示所有像素的特征均值,k表示像素的序号;协方差矩阵的对角线元素表示的是不同特征自身的方差,非对角线元素表示的是不同特征之间的协方差,非对角线元素若值为正值,表示对应两个特征为正相关,反之,若值为负,表示对应两个特征为负相关,如果为0,表示两个特征相互独立。
6.根据权利要求1所述的方法,其特征在于,采用L2ECM算法对协方差矩阵进行向量化,将协方差矩阵中的值按照顺序构成一个新的特征向量,采用该特征向量表示特征相关性。
7.根据权利要求6所述的方法,采用L2ECM算法对协方差矩阵进行向量化包括:将所述协方差矩阵用C=U∑UT表示,其中C表示该协方差矩阵,U表示正交阵,其中对角线元素为协方差矩阵C的特征值,计算得logC=Ulog(∑)UT,将协方差矩阵中的值按照顺序构成一个新的特征向量,即vlog(C)=[vlog(C1),vlog(C2),...,vlog(Cn)],采用该特征向量表示特征相关性。
8.根据权利要求1所述的方法,其特征在于,采用中值滤波方法去除噪声。
9.一种计算机可读存储介质,其中存储有多条指令,其特征在于:所述指令由处理器加载并执行以下处理:
对乳腺超声图像进行预处理去噪,提取目标兴趣区域;
基于目标兴趣区域中的每个像素点,提取底层图像特征;
根据所述底层图像特征,利用协方差矩阵提取特征相关性,采用基于数据挖掘的分类器对所述特征相关性进行分类,进而得到乳腺肿瘤的分类结果。
10.一种基于超声图像特征相关性的乳腺肿瘤分类装置,其特征在于:包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令由处理器加载并执行以下处理:
对乳腺超声图像进行预处理去噪,提取目标兴趣区域;
基于目标兴趣区域中的每个像素点,提取底层图像特征;
根据所述底层图像特征,利用协方差矩阵提取特征相关性,采用基于数据挖掘的分类器对所述特征相关性进行分类,进而得到乳腺肿瘤的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710696532.7A CN107463964A (zh) | 2017-08-15 | 2017-08-15 | 一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710696532.7A CN107463964A (zh) | 2017-08-15 | 2017-08-15 | 一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107463964A true CN107463964A (zh) | 2017-12-12 |
Family
ID=60549806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710696532.7A Pending CN107463964A (zh) | 2017-08-15 | 2017-08-15 | 一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463964A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154509A (zh) * | 2018-01-12 | 2018-06-12 | 平安科技(深圳)有限公司 | 癌症识别方法、装置及存储介质 |
CN109907730A (zh) * | 2019-01-16 | 2019-06-21 | 平安医疗健康管理股份有限公司 | 一种数据处理方法、装置、及存储介质和计算机设备 |
CN113658146A (zh) * | 2021-08-20 | 2021-11-16 | 合肥合滨智能机器人有限公司 | 一种结节分级方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102166135A (zh) * | 2010-02-25 | 2011-08-31 | 重庆融海超声医学工程研究中心有限公司 | 一种高强度聚焦超声治疗装置 |
CN104715259A (zh) * | 2015-01-22 | 2015-06-17 | 苏州工业职业技术学院 | X光乳腺图像的核自适应优化分类方法 |
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN106934816A (zh) * | 2017-03-23 | 2017-07-07 | 中南大学 | 一种基于elm的眼底图像视网膜血管分割方法 |
-
2017
- 2017-08-15 CN CN201710696532.7A patent/CN107463964A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102166135A (zh) * | 2010-02-25 | 2011-08-31 | 重庆融海超声医学工程研究中心有限公司 | 一种高强度聚焦超声治疗装置 |
CN104715259A (zh) * | 2015-01-22 | 2015-06-17 | 苏州工业职业技术学院 | X光乳腺图像的核自适应优化分类方法 |
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN106934816A (zh) * | 2017-03-23 | 2017-07-07 | 中南大学 | 一种基于elm的眼底图像视网膜血管分割方法 |
Non-Patent Citations (2)
Title |
---|
PEIHUA LI等: "Local Log-Euclidean Covariance Matrix(L2ECM) for Image Representation and Its Applications", 《EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
王颖: "乳腺X线图像中肿块的计算机辅助检测与分析", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154509A (zh) * | 2018-01-12 | 2018-06-12 | 平安科技(深圳)有限公司 | 癌症识别方法、装置及存储介质 |
CN109907730A (zh) * | 2019-01-16 | 2019-06-21 | 平安医疗健康管理股份有限公司 | 一种数据处理方法、装置、及存储介质和计算机设备 |
CN113658146A (zh) * | 2021-08-20 | 2021-11-16 | 合肥合滨智能机器人有限公司 | 一种结节分级方法、装置、电子设备及存储介质 |
CN113658146B (zh) * | 2021-08-20 | 2022-08-23 | 合肥合滨智能机器人有限公司 | 一种结节分级方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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*** | |
Qi et al. | Automated diagnosis of breast ultrasonography images using deep neural networks | |
Zhou et al. | A radiomics approach with CNN for shear-wave elastography breast tumor classification | |
CN107748900B (zh) | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 | |
CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
CN109493308A (zh) | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 | |
CN109658411A (zh) | 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法 | |
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 | |
Che et al. | Liver disease classification from ultrasound using multi-scale CNN | |
CN101551854B (zh) | 不平衡医学影像处理***及其处理方法 | |
CN106204532B (zh) | 基于特征数据挖掘及神经网络的肿瘤的分类方法 | |
CN112263217B (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
CN111340770B (zh) | 结合全局加权lbp和纹理分析的癌症预后模型构建方法 | |
Ikromjanov et al. | Whole slide image analysis and detection of prostate cancer using vision transformers | |
Yonekura et al. | Improving the generalization of disease stage classification with deep CNN for glioma histopathological images | |
Cabral et al. | Fractal analysis of breast masses in mammograms | |
CN102122356A (zh) | 计算机辅助判别胰腺癌超声内镜图像的方法 | |
Yonekura et al. | Glioblastoma multiforme tissue histopathology images based disease stage classification with deep CNN | |
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 | |
CN104331864B (zh) | 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 | |
Xu et al. | Application of artificial intelligence technology in medical imaging | |
Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant | |
Alzubaidi et al. | Multi-class breast cancer classification by a novel two-branch deep convolutional neural network architecture | |
CN113689950B (zh) | 肝癌ihc染色图的血管分布模式的识别方法、***和存储介质 | |
Li et al. | A CAD system for liver cancer diagnosis based on multi-phase CT images features with BP network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171212 |