CN109035227A - 对ct图像进行肺部肿瘤检测与诊断的*** - Google Patents
对ct图像进行肺部肿瘤检测与诊断的*** Download PDFInfo
- Publication number
- CN109035227A CN109035227A CN201810772131.XA CN201810772131A CN109035227A CN 109035227 A CN109035227 A CN 109035227A CN 201810772131 A CN201810772131 A CN 201810772131A CN 109035227 A CN109035227 A CN 109035227A
- Authority
- CN
- China
- Prior art keywords
- candidate
- candidate nodule
- feature
- algorithm
- lung
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种用于对肺部CT图像进行肺结节检测和诊断的***。该***分为肺实质分割模块、候选结节检测模块和候选结节诊断模块;肺分割模块中,对原始CT图像进行形态学去噪,再用最优阈值法进行二值化分割,利用边界跟踪法提取初始边界,应用边界匹配修复算法进行边界修复,最后利用洪水填充算法分割肺部得到肺实质;在候选结节检测模块,结合了基于环形滤波器的候选结节检测算法和基于阈值的候选结节检测算法;检测的结果中会包括大量假阳性,先用规则方法对候选结节进行初步的假阳性候选消除,再用结合K均值聚类算法的模糊超盒神经网络作为***分类器,用于候选结节诊断。此***对于医生诊断肺癌提供了很好的支持。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于CT图像的肺部肿瘤检测与诊断的***。
背景技术
目前CT图像成为检测肺癌的最常用手段,随着CT精度的提高,每次扫描产生的CT图片数量也大大增加,放射医师的诊断工作量加重,容易造成误诊,计算机辅助诊断***CAD的使用可以为医生提供有效的辅助,减了轻医务人员的工作量,也提高诊断的效率和准确率。
而肺结节辅助诊断***,一般要经过肺部区域分割、候选结节检测和候选结节分类诊断三步。对于肺部分割常用阈值方法和区域增长算法,此类方法在分割结果中会把近胸膜结节误分割导致丢失结节等病变部位的信息,或者分割不够精确,不能满足临床诊断的需要;分割得到肺部实质区域后,在肺实质区域内进行候选结节检测,无论是灰度阈值类的检测方法,还是结合形状特征和灰度特征的检测方法,或者基于滤波的检测方法,都会使检测结果中包含大量假阳性结果,因而在候选结节检测后,需要对候选结节进行分类,消除假阳性候选;为了消除假阳性候选并进行结节的诊断,大部分都用到基于规则的分类方法或者线性分类方法,然而这两类分类方法在分类结节和非结节方面具有限制,其中基于规则的分类器只能区分形状特殊的结节,由于候选结节提取到的特征大多是非线性的,因而线性分类器无法得到令人满意的结果。
发明内容
有鉴于此,本发明实施例提供一种基于CT图像的肺部肿瘤检测与诊断的***,至少部分解决现有技术中存在的问题。
本发明实施例提供的一种对CT图像进行肺部肿瘤检测与诊断的***,包括:
肺实质分割模块,用于对获取到的胸部CT图像进行处理,将肺实质区域和胸部区域及身体外部不相干区域分割出来;
候选结节检测模块,用于对分割出的肺实质进行检测,得到候选结节;
结节诊断模块,用于对所有的候选结节进行特征提取操作,并用结合k均值的模糊超盒神经网络算法对结节进行分类诊断。
根据本发明实施例的一种具体实现方式,所述肺实质分割模块还用于:
基于形态学的开运算进行去噪预处理操作,去除身体外部不相干区域内的衣物和医疗设备等噪音;
基于最优阈值的算法初分割肺实质,根据Otsu方法确定阈值;
对每片CT图像用边界跟踪算法提取初始肺部边界;
利用自适应边界匹配修复算法修复修复肺部轮廓;
根据完整的肺部轮廓,利用洪水填充算法分割得到完整的肺实质。
根据本发明实施例的一种具体实现方式,所述的自适应边界匹配修复算法根据肺部边界凹陷的尺寸,自适应的调整匹配步长。
根据本发明实施例的一种具体实现方式,所述候选结节检测模块,还用于:
依据结节的形态特征,用基于环形滤波器的候选结节检测方法,提取得到种子结点,应用基于种子的区域增长算法对种子结点进行区域生长,分割候选结节,得到特征相对完整的候选结节;
依据结节的灰度特征,用基于灰度阈值的候选结节检测方法,提取种子节点后,利用全局区域增长算法分割候选结节;
对候选结节检测模块中的环形滤波器检测候选结节使用规则方法进行假阳性消除;
对候选结节检测模块中的基于灰度阈值的候选结节使用规则方法进行假阳性消除;
将检测得到的候选结节结果结合在一起。
根据本发明实施例的一种具体实现方式,采用迭代算法选取最优阈值,对所述灰度阈值进行优化。
根据本发明实施例的一种具体实现方式,制定的消除规则为R1、R2和R3,R1、R2和R3分别基于候选结节的体积特征、半径特征和球度特征;
用分别代表体积、直径和球度的阈值下限,如果候选结节对应特征小于阈值下限,它将被认为是假阳性候选,从而被消除;
用分别代表体积、直径和球度的阈值上限,如果候选结节对应特征大于阈值上限,它将被当作假阳性候选消除。
根据本发明实施例的一种具体实现方式,所述阈值是根据候选结节的特征信息进行设定。
根据本发明实施例的一种具体实现方式,选取12个最常用的表征结节的特征,将这些特征构成向量作为带补偿元的超盒神经网络分类器的输入向量,输入到分类器中对候选结节进行分类,用于候选结节的诊断。
根据本发明实施例的一种具体实现方式,所有特征都是基于形态、形状、灰度等信息计算得到的,所述特征包含了6个灰度特征:候选结节区域内像素点灰度值的最大值、候选结节区域内像素点灰度值的最小值、候选结节区域内像素点灰度值的平均值、候选结节区域内像素点灰度值的标准差、偏斜度特征、峰度特征;
所述特征还包括6个形态特征:体积特征、球度特征、延伸率特征、直径特征、立方密实度特征、密实度特征。
根据本发明实施例的一种具体实现方式,采用模糊超盒神经网络分类器,其中,超盒扩展系数的确定,根据k均值聚类算法对训练样本进行聚类操作,用类簇的尺寸来估计得到。
本发明的基于CT图像的肺部肿瘤与诊断***,具有如下有益效果:给出了一个完善的从肺实质分割、候选结节检测、假阳性结节消除及结节诊断的CAD***;在肺实质分割模块,依次对图像进行去噪、分割、修复、填充处理,快速准确的得到肺实质;在候选结节检测模块,将环形滤波器检测方法和阈值检测方法相结合,不仅可以检测孤立结节,对灰度较小的毛玻璃以及近血管结节都可以很好的检测,有着较高的CAD检测结节敏感度;对检测模块检测到的候选结节在诊断前,利用规则法进行假阳性消除,减少了后续诊断工作的工作量;最后,提出基于k-均值聚类算法来预估超盒神经网络扩展系数,提高了分类器的自动性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为计算机辅助肺部肿瘤检测与诊断***框架示意图;
图2为肺实质分割模块流程图示意图;
图3为肺部分割结果图;
图4为候选结节检测模块设计示意图;
图5为候选结节诊断模块设计示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面给出本发明的具体实施例,帮助对于本发明的理解。
如图1所示,本发明所提供的基于CT图像的肺部肿瘤检测与诊断***,包括:
a)肺实质分割模块,对获取到的胸部CT图像进行处理,将肺实质区域和胸部区域及身体外部不相干区域分割出来;
b)候选结节检测模块,对分割出的肺实质进行检测,得到候选结节;
c)结节诊断模块,对所有的候选结节进行特征提取操作,并用结合k均值的模糊超盒神经网络算法对结节进行分类诊断。
本发明a)中的肺实质分割模块,其主要流程如图2所示:
1)对于原始CT图像,用基于形态学的开运算进行去噪预处理操作,去除身体外部不相干区域内的衣物和医疗设备等噪音,根据噪音的特点,此实施例中,选用直径为5个像素点的圆盘结构元对CT图像做开运算处理。
2)应用基于最优阈值的算法初分割肺实质,根据Otsu方法确定阈值,其思想是选取一个阈值T,使分割结果的类间方差达到最大,同时类内方差最小;
根据Otsu方法确定的阈值T,对分割得到胸部CT图像进行处理,阈值处理后的图像g(x,y)定义为:
3)对每片CT图像用边界跟踪算法提取初始肺部边界,经过边界跟踪算法操作后,可以得到一系列像素点,这些像素点构成一个封闭的肺部轮廓L={(p1,p2,...,pn)}。
4)利用自适应边界匹配修复算法修复修复肺部轮廓,主要解决肺实质分割过程中,过分割近胸膜结节导致的边界凹陷;
由于肺部边界凹陷尺寸不同,无法找到一个有效匹配步长,对所有尺寸的肺部边界凹陷都有效,因此采用改进的匹配步长,使其能够对不同的凹陷尺寸进行自适应调整;
匹配过程中,当找到步长范围内最右点时,我们连接起始点和最右点对边界凹陷进行修复,同时将起始点和最右点之间的中间点调整到连接线段上。在实验中,经过多次测试,最终确定匹配步长为50pixels,自适应阈值λ0为0.33,自适应调整参数δ=0.9。
5)最后根据完整的肺部轮廓,利用洪水填充法对肺部轮廓进行填充,利用填充得到的二值化图像在原始CT中分割得到肺实质。
图3展示了肺部不同位置肺实质分割中间过程的结果图,图3(a)是初始的CT输入图像;经过去噪预处理后,应用最优阈值算法对图像进行二值化分割,效果如图3(b);然后选用边界跟踪算法提取初始肺部边界,利用初始边界得到肺部分割初始结果,图3(c);利用自适应边界匹配修复算法对肺部边界进行修复,根据修复后的肺部边界,利用洪水填充算法分割肺部区域,图3(d)。通过对不同位置肺部区域分割的展示,可以证明,我们的分割方法,对肺部分割是有效的。
本发明中的候选结节检测模块b),其主要流程如图4所示:
1)依据结节的形态特征,用基于环形滤波器的候选结节检测方法,提取得到种子结点,其过程如下:
(1)对肺部CT图像f(x,y),用盘状结构元Bd(x,y)进行形态学膨胀处理,得到结果图g(d)(x,y);
(2)对肺部CT图像f(x,y),用环状结构元Br(x,y)进行形态学膨胀处理,得到结果图g(r)(x,y);
(3)对图像g(d)(x,y)和g(r)(x,y)作差,得到图像g(x,y);
(4)对于图像g(x,y)表示的是两幅图像的高度差,根据前面的分析孤立阴影部位高度差更大,因而可以选取阈值T,对图像g(x,y)中每个像素点(x',y')进行处理,如果g(x',y')大于阈值T,则该点认为是候选结节的种子结点;
而阈值T是经过多次实验计算评估,可选取T为650作为盘状滤波图像和环状滤波图像高度差的阈值;
为了准确的分割候选结节,应用基于种子的区域增长算法对种子结点进行区域生长,得到特征相对完整的候选结节,从而可以对候选结节进行进一步的分类判别。
2)依据结节的灰度特征,用基于灰度阈值的候选结节检测方法,提取种子节点后,灰度阈值的选取,用迭代算法选取最优阈值,再利用全局区域增长算法分割候选结节;
3)对候选结节检测模块中的环形滤波器检测候选结节使用规则方法进行假阳性消除,消除规则为R1,R2和R3,这三个规则分别基于候选结节的体积特征、半径特征和球度特征,为了消除那些假阳性候选,对于每个规则中的特征需要限定一个最大值和最小值,用分别代表体积、直径和球度的阈值下限,如果候选结节对应特征小于阈值下限,它将被认为是假阳性候选,从而被消除;类似分别代表体积、直径和球度的阈值上限,如果候选结节对应特征大于阈值上限,它将被当作假阳性候选消除;
另外,对于和这几个阈值,是根据候选结节的特征信息进行设定,为了避免消除肺结节,需要把阈值条件放宽。
4)对候选结节检测模块中的基于灰度阈值的候选结节使用规则方法进行假阳性消除;
5)将两种方法检测得到的候选结节结果结合在一起,弥补两种检测方法各自的不足之处。
由于结节的直径一般在3mm~30mm之间,但也有40mm以上的结节出现,在本模块本着提高检测率的角度考虑,我们将规则条件放宽,取作为体积的下限和上限,其中vol_pix是每个像素点所占据的体积;取作为直径的下限和上限;取作为直径特征的下限和上限。
本发明中的结节诊断模块c),是本发明的主要创新点,其流程如图5所示:
为有效表征候选结节的特征,总结了12个最常用的表征结节的特征,所有特征都是基于形态、形状、灰度等信息计算得到的,其中包含了6个灰度特征:Maximum(候选结节区域内像素点灰度值的最大值),Minimum(候选结节区域内像素点灰度值的最小值),Mean(候选结节区域内像素点灰度值的平均值),Standard deviation(候选结节区域内像素点灰度值的标准差),Skewness(偏斜度特征),Kurtosis(峰度特征)及6个形态特征:Volume(体积特征),Sphericity(球度特征),Elongation(延伸率特征),Diameter(直径特征),Cubecompactness(立方密实度特征),Compactness(密实度特征);
这些特征构成向量作为带补偿元的超盒神经网络分类器的输入向量,输入到分类器中对候选结节进行分类,用于候选结节的诊断。
而带补偿元的超盒神经网络其训练过程如下:
步骤-1:用K均值聚类算法确定超盒扩展系数
(1)初始化k个类簇中心
(2)迭代优化聚类,迭代过程如下:(a)按照距离,将样本点归到最近的中心类,(b)每个类簇的中心用平均值代替,迭代(a)、(b)直到类簇中心不变或者变化小于指定阈值。
(3)取最大的类簇尺寸L=max{Li i=1...k}当作超盒尺寸上限,然后用θ=L/n来计算扩展系数,其中n是空间的维度,Li为第i个类簇的尺寸,选用Manhattan距离作为尺寸的度量。
步骤-2:超盒的建立和扩展
(1)找到能够包含训练样本Ah的合适的超盒bj或者进行(2);
(2)建立新的超盒来包含这个训练样本。
步骤-3:建立补偿神经元
根据如下测试,判断步骤-1中扩展的超盒,根据判断结果为神经网络增加OCN神经元或CCN神经元。
(a)孤立测试
检验步骤-1中做扩展操作的超盒bj是否孤立,如果不是孤立的进行包含测试。
(b)包含测试
测试步骤-1中扩展的超盒bj是否包含其他不同类超盒或者被其他不同类超盒包含。如果测试结果是确定的,则建立一个CCN神经元,否则建立一个OCN神经元。
在实施例中,应用三种不同比率来划分训练样本和测试样本。30-70:30%是训练样本比率,70%是测试样本比率。70-30:70%是训练样本比率,30%是测试样本比率。50-50:50%是训练样本比率,50%是测试样本比率。
经过测试,70-30组数据能获得更好的性能敏感度,本CAD与当前大部分***相比,具有较好的检测能力。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种对CT图像进行肺部肿瘤检测与诊断的***,其特征在于,包括:
肺实质分割模块,用于对获取到的胸部CT图像进行处理,将肺实质区域和胸部区域及身体外部不相干区域分割出来;
候选结节检测模块,用于对分割出的肺实质进行检测,得到候选结节;
结节诊断模块,用于对所有的候选结节进行特征提取操作,并用结合k均值的模糊超盒神经网络算法对结节进行分类诊断。
2.根据权利要求1所述***,其特征在于,所述肺实质分割模块还用于:
基于形态学的开运算进行去噪预处理操作,去除身体外部不相干区域内的衣物和医疗设备等噪音;
基于最优阈值的算法初分割肺实质,根据Otsu方法确定阈值;
对每片CT图像用边界跟踪算法提取初始肺部边界;
利用自适应边界匹配修复算法修复修复肺部轮廓;
根据完整的肺部轮廓,利用洪水填充算法分割得到完整的肺实质。
3.根据权利要求2所述的***,其特征在于:
所述的自适应边界匹配修复算法根据肺部边界凹陷的尺寸,自适应的调整匹配步长。
4.根据权利要求1所述的***,其特征在于,所述候选结节检测模块,还用于:
依据结节的形态特征,用基于环形滤波器的候选结节检测方法,提取得到种子结点,应用基于种子的区域增长算法对种子结点进行区域生长,分割候选结节,得到特征相对完整的候选结节;
依据结节的灰度特征,用基于灰度阈值的候选结节检测方法,提取种子节点后,利用全局区域增长算法分割候选结节;
对候选结节检测模块中的环形滤波器检测候选结节使用规则方法进行假阳性消除;
对候选结节检测模块中的基于灰度阈值的候选结节使用规则方法进行假阳性消除;
将检测得到的候选结节结果结合在一起。
5.根据权利要求4所述的***,其特征在于:
采用迭代算法选取最优阈值,对所述灰度阈值进行优化。
6.根据权利要求4所述的***,其特征在于:
制定的消除规则为R1、R2和R3,R1、R2和R3分别基于候选结节的体积特征、半径特征和球度特征;
用分别代表体积、直径和球度的阈值下限,如果候选结节对应特征小于阈值下限,它将被认为是假阳性候选,从而被消除;
用分别代表体积、直径和球度的阈值上限,如果候选结节对应特征大于阈值上限,它将被当作假阳性候选消除。
7.根据权利要求6所述的***,其特征在于:
所述阈值是根据候选结节的特征信息进行设定。
8.根据权利要求6所述的***,其特征在于:
选取12个最常用的表征结节的特征,将这些特征构成向量作为带补偿元的超盒神经网络分类器的输入向量,输入到分类器中对候选结节进行分类,用于候选结节的诊断。
9.根据权利要求8所述的***,其特征在于:
所有特征都是基于形态、形状、灰度等信息计算得到的,所述特征包含了6个灰度特征:候选结节区域内像素点灰度值的最大值、候选结节区域内像素点灰度值的最小值、候选结节区域内像素点灰度值的平均值、候选结节区域内像素点灰度值的标准差、偏斜度特征、峰度特征;
所述特征还包括6个形态特征:体积特征、球度特征、延伸率特征、直径特征、立方密实度特征、密实度特征。
10.根据权利要求8所述的***,其特征在于:
采用模糊超盒神经网络分类器,其中,超盒扩展系数的确定,根据k均值聚类算法对训练样本进行聚类操作,用类簇的尺寸来估计得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810772131.XA CN109035227A (zh) | 2018-07-13 | 2018-07-13 | 对ct图像进行肺部肿瘤检测与诊断的*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810772131.XA CN109035227A (zh) | 2018-07-13 | 2018-07-13 | 对ct图像进行肺部肿瘤检测与诊断的*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109035227A true CN109035227A (zh) | 2018-12-18 |
Family
ID=64642785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810772131.XA Pending CN109035227A (zh) | 2018-07-13 | 2018-07-13 | 对ct图像进行肺部肿瘤检测与诊断的*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035227A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711315A (zh) * | 2018-12-21 | 2019-05-03 | 四川大学华西医院 | 一种肺结节分析的方法及装置 |
CN109816655A (zh) * | 2019-02-01 | 2019-05-28 | 华院数据技术(上海)有限公司 | 基于ct图像的肺结节图像特征检测方法 |
CN109978880A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 采用高维特征选择对肺部肿瘤ct图像进行判别的方法 |
CN110276407A (zh) * | 2019-06-26 | 2019-09-24 | 哈尔滨理工大学 | 一种肝脏ct肿瘤分类***及分类方法 |
CN113129314A (zh) * | 2021-04-01 | 2021-07-16 | 上海市第一人民医院 | 一种针对肺部阴影智能图像处理方法 |
CN113538409A (zh) * | 2021-08-05 | 2021-10-22 | 佳木斯大学 | 基于模糊逻辑和anfis的***图像区域分割方法 |
CN116681701A (zh) * | 2023-08-02 | 2023-09-01 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种儿童肺部超声图像处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
CN105469419A (zh) * | 2016-01-07 | 2016-04-06 | 于翠妮 | 一种基于ct影像的肺结节检测方法 |
-
2018
- 2018-07-13 CN CN201810772131.XA patent/CN109035227A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
CN105469419A (zh) * | 2016-01-07 | 2016-04-06 | 于翠妮 | 一种基于ct影像的肺结节检测方法 |
Non-Patent Citations (2)
Title |
---|
JINKE WANG ET AL: "A New Pulmonary Nodules Computer-aided Detection System in Chest CT Images Based on Adaptive Fuzzy C-Means Technology", 《2015 7TH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS》 * |
翟志伟: "基于CT图像的肺部肿瘤检测与诊断", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711315A (zh) * | 2018-12-21 | 2019-05-03 | 四川大学华西医院 | 一种肺结节分析的方法及装置 |
CN109816655A (zh) * | 2019-02-01 | 2019-05-28 | 华院数据技术(上海)有限公司 | 基于ct图像的肺结节图像特征检测方法 |
CN109816655B (zh) * | 2019-02-01 | 2021-05-28 | 华院计算技术(上海)股份有限公司 | 基于ct图像的肺结节图像特征检测方法 |
CN109978880A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 采用高维特征选择对肺部肿瘤ct图像进行判别的方法 |
CN110276407A (zh) * | 2019-06-26 | 2019-09-24 | 哈尔滨理工大学 | 一种肝脏ct肿瘤分类***及分类方法 |
CN113129314A (zh) * | 2021-04-01 | 2021-07-16 | 上海市第一人民医院 | 一种针对肺部阴影智能图像处理方法 |
CN113129314B (zh) * | 2021-04-01 | 2022-08-02 | 上海市第一人民医院 | 一种针对肺部阴影智能图像处理方法 |
CN113538409A (zh) * | 2021-08-05 | 2021-10-22 | 佳木斯大学 | 基于模糊逻辑和anfis的***图像区域分割方法 |
CN116681701A (zh) * | 2023-08-02 | 2023-09-01 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种儿童肺部超声图像处理方法 |
CN116681701B (zh) * | 2023-08-02 | 2023-11-03 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种儿童肺部超声图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035227A (zh) | 对ct图像进行肺部肿瘤检测与诊断的*** | |
CN109493954B (zh) | 一种基于类别判别定位的sd-oct图像视网膜病变检测*** | |
CN108573490B (zh) | 一种针对肿瘤影像数据的智能读片*** | |
CN109325942B (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
Zhao et al. | Retinal vessels segmentation based on level set and region growing | |
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*** | |
TWI496112B (zh) | 細胞影像分割方法以及核質比評估方法 | |
US7474775B2 (en) | Automatic detection of red lesions in digital color fundus photographs | |
Xu et al. | Automated optic disk boundary detection by modified active contour model | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别***及方法 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断*** | |
Garg et al. | Unsupervised curvature-based retinal vessel segmentation | |
CN107346545A (zh) | 用于视杯图像分割的改进区域生长方法 | |
Melo et al. | Microaneurysm detection in color eye fundus images for diabetic retinopathy screening | |
CN107680110B (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
CN109919254B (zh) | 乳腺密度分类方法、***、可读存储介质和计算机设备 | |
CN106204555A (zh) | 一种结合Gbvs模型和相位一致性的视盘定位方法 | |
CN104217213B (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN107563996A (zh) | 一种新型视神经盘分割方法及*** | |
Suryani et al. | The hybrid method of SOM artificial neural network and median thresholding for segmentation of blood vessels in the retina image fundus | |
CN103279960B (zh) | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 | |
Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
Devasia et al. | Automatic Optic Disc Localization and Segmentation using Swarm Intelligence. | |
Krishnamoorthi et al. | Hybrid feature vector based detection of Glaucoma | |
Devasia et al. | Automatic optic disc boundary extraction from color fundus images |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181218 |