CN108985345B - 一种基于肺部医学图像融合分类的检测装置 - Google Patents
一种基于肺部医学图像融合分类的检测装置 Download PDFInfo
- Publication number
- CN108985345B CN108985345B CN201810662571.XA CN201810662571A CN108985345B CN 108985345 B CN108985345 B CN 108985345B CN 201810662571 A CN201810662571 A CN 201810662571A CN 108985345 B CN108985345 B CN 108985345B
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- classification
- fusion
- pixel
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明请求保护一种基于肺部医学图像融合分类的检测装置,包括:获取部,获取所述患者的肺部CT扫描图像;预处理部,进行预处理得到二值化灰度图像;形态学腐蚀与膨胀部,进行形态学腐蚀运算得到腐蚀后的图像,对所述二值化灰度图像进行膨胀运算得到膨胀后的图像;运算部,对所述腐蚀后的图像进行开运算得到开运算图,对所述膨胀后的图像进行闭运算得到闭运算图;傅里叶变换部得到傅里叶变换值;肺部医学图像融合分类模块,用于对肺部CT扫描图像进行融合分类区分;病灶检测部,用于对所述傅里叶变换值结合行融合分类区分结果进行判断得到所述患者的疑似病灶区域。本发明可以降低复杂度、提高肺部病灶的识别诊断精确度。
Description
技术领域
本发明属于医疗图像处理技术领域,特别涉及一种基于肺部医学图像融合分类的检测装置。
背景技术
现有肺部医学图像融合技术主要对两种不同模态的医学图像,根据医学图像模态的不同,医学图像融合***可以分为三种类型:解剖医学图像与解剖医学图像融合、解剖医学图像与功能医学图像融合以及功能医学图像与功能医学图像融合。MRI-PET和MRI-SPECT医学图像融合***属于解剖医学图像与功能医学图像融合,该***的输入图像是灰度和伪彩色。飞利浦公司推出的MRI-PET组合一体化套件将商用的MRI成像扫描仪和具有特殊屏蔽的PET结合起来,得到的图像对癌症转移的诊断及术前分期具有重要的临床价值。
由于像素级多尺度融合方法在不同尺度图像上直接对图像的像素值进行处理,能最大限度地保留输入图像的像素信息和提高融合图像的质量。因此,像素级多尺度方法在医学图像融合领域成为一个研究热点。目前,国内外主要从图像分解与重构方法和图像融合规则方法两个方面出发,提出新的像素级多尺度融合方法。在图像分解与重构方法方面,基于频域的图像融合方法利用傅里叶变换和傅里叶逆变换对图像信号进行不同尺度的分解与重构,但是该类方法具有时间复杂度高和运行时间长的特点,这与高实时性的医疗辅助诊断矛盾,并且对处理的实验平台硬件设施和软件设施要求非常高。后来,研究者们提出利用空域滤波器对图像进行处理来对输入图像进行多尺度分解与重构,该类方法虽然能快速地进行图像分解与重构,但是基于空域的图像融合方法抗噪性差。但是现有方法针对不同模态的医学图像采用同一种特征进行融合。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种降低复杂度、提高融合图像的质量、提高分类精确度的基于肺部医学图像融合分类的检测装置。
本发明的技术方案如下:
一种基于肺部医学图像融合分类的检测装置,用于处理患者的肺部CT扫描图像而得到所述患者的疑似病灶区域,其包括:获取部,获取所述患者的肺部CT扫描图像;预处理部,对获取后的所述肺部CT扫描图像进行预处理得到二值化灰度图像;形态学腐蚀与膨胀部,对所述二值化灰度图像进行形态学腐蚀运算得到腐蚀后的图像,对所述二值化灰度图像进行膨胀运算得到膨胀后的图像;运算部,对所述腐蚀后的图像进行开运算得到开运算图,对所述膨胀后的图像进行闭运算得到闭运算图;傅里叶变换部,对所述开运算图和所述闭运算图进行傅里叶变换得到傅里叶变换值;肺部医学图像融合分类模块,用于对肺部CT扫描图像进行融合分类区分,并将区分结果传输给病灶检测部进行判断;病灶检测部,用于对所述傅里叶变换值结合行融合分类区分结果进行判断得到所述患者的疑似病灶区域。所述肺部医学图像融合分类模块包括以下模块:
多尺度分解模块:在多尺度分解过程中,通过改变传播滤波器中高斯卷积核的大小,对对步骤1的两幅源图像和进行平滑处理,使用平滑处理对信号和进行多尺度分解,获得平滑图像和细节图像;对于平滑图像S采用信息熵进行加权融合得到融合平滑图像,而对于细节图像采用多特征进行融合得到融合细节图像FS;传播滤波器的原型为:Sp=1/Zp∑t∈N(p)wp,t×It,其中,Sp为平滑后的图像,Zp为归一化因子,N(p)为以p为中心像素点的邻域,i表示像素点序列号,It为在坐标位置t的图像像素值,wp,t为传播滤波器权值;其中,传播滤波器权值的第一项表示利用与像素p和像素t邻接的像素之间的距离和高斯卷积核σa的高斯函数;传播滤波器权值的第二项表示利用与像素p邻接的所有像素距离和高斯卷积核σr的高斯函数;
重构融合模块:利用像素级上的简单运算对融合后的平滑图像FD和细节图像FS进行基于ADMM重构得到融合图像F;输出最终的融合图像F;
分类模块:并采用改进的最小风险贝叶斯分类器融合图像F进行分类,其中AdaBoost方法如下:
以矩阵的形式输入网络数据,初始化权重i=1,2,……,n,执行循环m=1,2,……,M,将ωi的值代入AdaBoost框架中,通过最小风险贝叶斯分类器进行训练;假设P:X∈y i,将分类器对整个数据集进行遍历,并标记P分类正确的样本和分类错误的样本,根据总体样本的数量来判断错误样例个数,计算P的分类错误率αm,将分类错误率αm更新,得到训练样本的权值为继续开始下一轮的循环,直至M次循环结束;通过多次循环,基于AdaBoost的最小风险贝叶斯分类算法可归结出M个分类器Pm,经过算法得到最终P(x)就是基于内容的深层过滤算法中经过M次学习后所得到的最终分类器,,分类得到肺部图像的类别。
进一步的,所述多尺度分解模块对于平滑图像S采用信息熵进行融合得到平滑图像FD采用的是香农提出的信息熵进行权值计算,其中信息熵函数主要利用像素值的概率分布来进行权重的排序,同一个值的像素总数越多表示该像素越重要即赋予该像素较大的权重,反之则赋予该像素较小的权重。
进一步的,所述预处理部包括图像平滑去噪、图像锐化、图像背景分割以及图像二值化步骤。
本发明的有益效果
本发明采用滤波器和多特征方法进行MRI和SPECT两种不同模态的医学图像融合,利用不同高斯卷积核的传播滤波器将输入图像进行多尺度分解,该方法对图像进行平滑处理,提高平滑图像对噪声的鲁棒性。相对于传统的融合方法,利用亮度、方向以及相位特征来构造融合图像的权值,能获取输入图像更多的重要信息,进而为医生提供更精确的辅助诊疗信息。本发明提供的Adaboost分类器训练方法,经优化的AdaBoost算法可以排除一些不必要的训练数据特征,关注于关键的训练数据,并且按照不同的主题过滤策略对数据进行过滤,把所有分类错误的可能性都考虑进去,很大程度上降低误判的风险。
附图说明
图1是本发明提供优选实施例肺部医学图像融合分类方法示意图;
图2是基于肺部医学图像融合分类的检测装置示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
如图2所示为一种基于肺部医学图像融合分类的检测装置,用于处理患者的肺部CT扫描图像而得到所述患者的疑似病灶区域,其包括:获取部,获取所述患者的肺部CT扫描图像;预处理部,对获取后的所述肺部CT扫描图像进行预处理得到二值化灰度图像;形态学腐蚀与膨胀部,对所述二值化灰度图像进行形态学腐蚀运算得到腐蚀后的图像,对所述二值化灰度图像进行膨胀运算得到膨胀后的图像;运算部,对所述腐蚀后的图像进行开运算得到开运算图,对所述膨胀后的图像进行闭运算得到闭运算图;傅里叶变换部,对所述开运算图和所述闭运算图进行傅里叶变换得到傅里叶变换值;肺部医学图像融合分类模块,用于对肺部CT扫描图像进行融合分类区分,并将区分结果传输给病灶检测部进行判断;病灶检测部,用于对所述傅里叶变换值结合行融合分类区分结果进行判断得到所述患者的疑似病灶区域。如图1所示肺部医学图像融合分类模块包括以下模块:
多尺度分解模块:在多尺度分解过程中,通过改变传播滤波器中高斯卷积核的大小,对对步骤1的两幅源图像和进行平滑处理,使用平滑处理对信号和进行多尺度分解,获得平滑图像和细节图像;对于平滑图像S采用信息熵进行加权融合得到融合平滑图像,而对于细节图像采用多特征进行融合得到融合细节图像FS;传播滤波器的原型为:Sp=1/Zp∑t∈N(p)wp,t×It,其中,Sp为平滑后的图像,Zp为归一化因子,N(p)为以p为中心像素点的邻域,i表示像素点序列号,It为在坐标位置t的图像像素值,wp,t为传播滤波器权值;其中,传播滤波器权值的第一项表示利用与像素p和像素t邻接的像素之间的距离和高斯卷积核σa的高斯函数;传播滤波器权值的第二项表示利用与像素p邻接的所有像素距离和高斯卷积核σr的高斯函数;
重构融合模块:利用像素级上的简单运算对融合后的平滑图像FD和细节图像FS进行基于ADMM重构得到融合图像F;输出最终的融合图像F;
分类模块:并采用改进的最小风险贝叶斯分类器融合图像F进行分类,其中AdaBoost方法如下:
以矩阵的形式输入网络数据,初始化权重i=1,2,……,n,执行循环m=1,2,……,M,将ωi的值代入AdaBoost框架中,通过最小风险贝叶斯分类器进行训练;假设P:X∈y i,将分类器对整个数据集进行遍历,并标记P分类正确的样本和分类错误的样本,根据总体样本的数量来判断错误样例个数,计算P的分类错误率αm,将分类错误率αm更新,得到训练样本的权值为继续开始下一轮的循环,直至M次循环结束;通过多次循环,基于AdaBoost的最小风险贝叶斯分类算法可归结出M个分类器Pm,经过算法得到最终P(x)就是基于内容的深层过滤算法中经过M次学习后所得到的最终分类器,,分类得到肺部图像的类别。
优化的AdaBoost算法是基于AdaBoost算法的最小风险贝叶斯深层过滤算法。以AdaBoost算法作为分类器的训练框架,用最小风险贝叶斯分类算法代替AdaBoost算法中的弱分类器,作为AdaBoost的分类器,最终达成两个算法的结合。最小风险贝叶斯分类算法就是以贝叶斯和朴素贝叶斯为基础来解决错误率问题,是最小错误率意义上的最优化。贝叶斯分类算法是通过某对象的先验概率模型,利用贝叶斯公式计算出其后验概率。从而得到对象源的主题(选择具有最大后验概率的类作为对象源所属的主题)。通过训练源数据集合,由贝叶斯分类算法得到每个数据信息在不同类的概率大小,构造出贝叶斯分类模型,朴素贝叶斯就是贝叶斯分类模型中误差率最小的,并且其所需估计参数很少,实现算法十分简单。AdaBoost算法是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后将这些弱分类器集合起来,最终构成一个最强的最终分类器(强分类器)。
优选的,所述多尺度分解模块对于平滑图像S采用信息熵进行融合得到平滑图像FD采用的是香农提出的信息熵进行权值计算,其中信息熵函数主要利用像素值的概率分布来进行权重的排序,同一个值的像素总数越多表示该像素越重要即赋予该像素较大的权重,反之则赋予该像素较小的权重。
优选的,所述预处理部包括图像平滑去噪、图像锐化、图像背景分割以及图像二值化步骤。以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (3)
1.一种基于肺部医学图像融合分类的检测装置,用于处理患者的肺部CT扫描图像而得到所述患者的疑似病灶区域,其特征在于,包括:获取部,获取所述患者的肺部CT扫描图像;预处理部,对获取后的所述肺部CT扫描图像进行预处理得到二值化灰度图像;形态学腐蚀与膨胀部,对所述二值化灰度图像进行形态学腐蚀运算得到腐蚀后的图像,对所述二值化灰度图像进行膨胀运算得到膨胀后的图像;运算部,对所述腐蚀后的图像进行开运算得到开运算图,对所述膨胀后的图像进行闭运算得到闭运算图;傅里叶变换部,对所述开运算图和所述闭运算图进行傅里叶变换得到傅里叶变换值;肺部医学图像融合分类模块,用于对肺部CT扫描图像进行融合分类区分,并将区分结果传输给病灶检测部进行判断;病灶检测部,用于对所述傅里叶变换值结合行融合分类区分结果进行判断得到所述患者的疑似病灶区域;所述肺部医学图像融合分类模块包括以下模块:
多尺度分解模块:在多尺度分解过程中,通过改变传播滤波器中高斯卷积核的大小,对对步骤1的两幅源图像和进行平滑处理,使用平滑处理对信号和进行多尺度分解,获得平滑图像和细节图像;对于平滑图像S采用信息熵进行加权融合得到融合平滑图像,而对于细节图像采用多特征进行融合得到融合细节图像FS;传播滤波器的原型为:Sp=1/Zp∑t∈N(p)wp,t×It,其中,Sp为平滑后的图像,Zp为归一化因子,N(p)为以p为中心像素点的邻域,i表示像素点序列号,It为在坐标位置t的图像像素值,wp,t为传播滤波器权值;其中,传播滤波器权值的第一项表示利用与像素p和像素t邻接的像素之间的距离和高斯卷积核σa的高斯函数;传播滤波器权值的第二项表示利用与像素p邻接的所有像素距离和高斯卷积核σr的高斯函数;
重构融合模块:利用像素级上的简单运算对融合后的平滑图像FD和细节图像FS进行基于ADMM重构得到融合图像F;输出最终的融合图像F;
分类模块:并采用改进的最小风险贝叶斯分类器融合图像F进行分类,其中AdaBoost方法如下:
3.根据权利要求1所述的基于肺部医学图像融合分类的检测装置,其特征在于,所述预处理部包括图像平滑去噪、图像锐化、图像背景分割以及图像二值化步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810662571.XA CN108985345B (zh) | 2018-06-25 | 2018-06-25 | 一种基于肺部医学图像融合分类的检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810662571.XA CN108985345B (zh) | 2018-06-25 | 2018-06-25 | 一种基于肺部医学图像融合分类的检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985345A CN108985345A (zh) | 2018-12-11 |
CN108985345B true CN108985345B (zh) | 2020-09-18 |
Family
ID=64538720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810662571.XA Active CN108985345B (zh) | 2018-06-25 | 2018-06-25 | 一种基于肺部医学图像融合分类的检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985345B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246109B (zh) * | 2019-05-15 | 2022-03-18 | 清华大学 | 融合ct影像和个性化信息的分析***、方法、装置及介质 |
CN110197722B (zh) * | 2019-05-31 | 2022-06-07 | 贵州精准健康数据有限公司 | Ai-cpu***平台 |
CN110415200B (zh) * | 2019-07-26 | 2022-03-08 | 西南科技大学 | 一种骨水泥植入体ct图像层间插值方法 |
CN112349425A (zh) * | 2020-02-10 | 2021-02-09 | 胡秋明 | 新型冠状病毒感染肺炎人工智能快速筛查*** |
CN111325700B (zh) * | 2020-02-26 | 2023-07-21 | 无锡久仁健康云科技有限公司 | 基于彩色图像的多维度融合方法和*** |
CN111653356A (zh) * | 2020-04-20 | 2020-09-11 | 浙江大学 | 一种基于深度学习的新冠肺炎筛查方法及新冠肺炎筛查*** |
CN111724360B (zh) * | 2020-06-12 | 2023-06-02 | 深圳技术大学 | 一种肺叶分割方法、装置和存储介质 |
CN113763297A (zh) * | 2021-06-30 | 2021-12-07 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种肩锁关节ct图像处理方法 |
CN115861303B (zh) * | 2023-02-16 | 2023-04-28 | 四川大学 | 基于肺部ct图像的egfr基因突变检测方法和*** |
CN116823767B (zh) * | 2023-06-27 | 2024-03-01 | 无锡市人民医院 | 一种基于图像分析的肺移植活性等级判断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339653A (zh) * | 2008-01-30 | 2009-01-07 | 西安电子科技大学 | 基于彩色传递及熵信息的红外与彩色可见光图像融合方法 |
CN102068271A (zh) * | 2011-02-22 | 2011-05-25 | 南方医科大学 | 一种基于呼吸相位的胸部或腹部ct图像的回顾性分类方法 |
CN106600587A (zh) * | 2016-12-09 | 2017-04-26 | 上海理工大学 | 肺部ct图像辅助检测处理装置 |
-
2018
- 2018-06-25 CN CN201810662571.XA patent/CN108985345B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339653A (zh) * | 2008-01-30 | 2009-01-07 | 西安电子科技大学 | 基于彩色传递及熵信息的红外与彩色可见光图像融合方法 |
CN102068271A (zh) * | 2011-02-22 | 2011-05-25 | 南方医科大学 | 一种基于呼吸相位的胸部或腹部ct图像的回顾性分类方法 |
CN106600587A (zh) * | 2016-12-09 | 2017-04-26 | 上海理工大学 | 肺部ct图像辅助检测处理装置 |
Non-Patent Citations (4)
Title |
---|
Detail Enhancement for Infrared Images Based on Propagated Image Filter;Yishu Peng et al.;《Hindawi》;20161231;第1-13页 * |
Propagated Image Filtering;Jen-Hao Rick Chang et al.;《IEEE》;20151015;第10-18页 * |
像素级多尺度医学图像融合方法研究;杜娇;《中国博士学位论文全文数据库 信息科技辑》;20180415(第4期);I138-4 * |
基于AdaBoost的最小风险贝叶斯的垃圾邮件过滤算法;李茹 等;《济南大学学报(自然科学版)》;20110131;第25卷(第1期);第19-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108985345A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985345B (zh) | 一种基于肺部医学图像融合分类的检测装置 | |
Lei et al. | Skin lesion segmentation via generative adversarial networks with dual discriminators | |
Gunasekara et al. | A systematic approach for MRI brain tumor localization and segmentation using deep learning and active contouring | |
CN109635846B (zh) | 一种多类医学图像判断方法和*** | |
Huang et al. | Learning-based vertebra detection and iterative normalized-cut segmentation for spinal MRI | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像*** | |
US7876938B2 (en) | System and method for whole body landmark detection, segmentation and change quantification in digital images | |
CN108898593B (zh) | 一种基于腹部ct医学图像融合分类的检测装置 | |
CN111028206A (zh) | 一种基于深度学习***癌自动检测和分类*** | |
CN112150428A (zh) | 一种基于深度学习的医学图像分割方法 | |
Singadkar et al. | Automatic lung segmentation for the inclusion of juxtapleural nodules and pulmonary vessels using curvature based border correction | |
CN113826143A (zh) | 特征点检测 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
Huang et al. | One-stage pulmonary nodule detection using 3-D DCNN with feature fusion and attention mechanism in CT image | |
Maicas et al. | Pre and post-hoc diagnosis and interpretation of malignancy from breast DCE-MRI | |
Wu et al. | Ultrasound image segmentation method for thyroid nodules using ASPP fusion features | |
Carmo et al. | A systematic review of automated segmentation methods and public datasets for the lung and its lobes and findings on computed tomography images | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析*** | |
CN108898173B (zh) | 一种多尺度多特征的心电图医学图像融合及分类方法 | |
Srinivasa et al. | Identifying lung nodules on MRR connected feature streams for tumor segmentation | |
Lu et al. | Lumbar spine segmentation method based on deep learning | |
Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study | |
CN113870194B (zh) | 深层特征和浅层lbp特征融合的乳腺肿瘤超声图像处理装置 | |
Abdalla et al. | Automatic Segmentation and Detection System for Varicocele Using Ultrasound Images. | |
Khan et al. | Brain Tumor Detection and Segmentation Using RCNN. |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200824 Address after: No. 100, Shunhe Road, Longcheng Town, Xiaoxian County, Suzhou City, Anhui Province Applicant after: Anhui Beitai Photoelectric Technology Co.,Ltd. Address before: No. 12, No. 12, Lake Yun street, Chongqing, Chongqing Applicant before: CHONGQING ZHIAO TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |