CN109035283B - 一种基于随机选取分区的肺气肿精准检测与量化分析方法 - Google Patents
一种基于随机选取分区的肺气肿精准检测与量化分析方法 Download PDFInfo
- Publication number
- CN109035283B CN109035283B CN201811029180.0A CN201811029180A CN109035283B CN 109035283 B CN109035283 B CN 109035283B CN 201811029180 A CN201811029180 A CN 201811029180A CN 109035283 B CN109035283 B CN 109035283B
- Authority
- CN
- China
- Prior art keywords
- emphysema
- lung
- region
- regions
- threshold
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Geometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于随机选取分区的肺气肿精准检测与量化分析方法,(1)、先由数据输入模块完成CT图像序列输入和图像标准化预处理;(2)、肺实质和气管提取模块对CT图像进行自动分割提取肺实质和利用波前检测算法提取气管,提取肺组织感兴趣区域;(3)、根据随机区域选取模块在CT图像上随机提取肺实质体积计算该部分肺实质的肺气肿;(4)、慢阻肺病灶提取模块根据每个肺实质体积计算病灶与健康肺组织的CT值分布模型,利用凝聚层次聚类算法提取病灶区域;并根据提取的病灶区域计算病灶特征指数;(5)、输出与显示模块将各区域CT阈值显示在图像上。本发明的优点效果:能够更精确的定位肺气肿的区域以及区域肺气肿的严重程度。
Description
技术领域
本发明涉及一种肺气肿检测与量化分析方法,尤其涉及一种基于随机选取分区的肺气肿精准检测与量化分析方法。
背景技术
慢性阻塞性肺疾病(chronic obstructive pulmonary disease,COPD)是一种严重威胁人类健康的疾病,目前肺功能检查是诊断COPD的金标准,然而肺功能检查在很多临床应用场景中受限,很多患者无法配合检查,同时也无法定位肺气肿的严重程度及具体分布,导致肺气肿量化分级不准确,病情评估大大受限,无法实现精准医疗。
基于CT图像的肺功能分析可以提供肺气肿病灶区域的位置信息,目前市场上常用的工具有mimics、数字肺等。两者为肺叶自动分割,由于肺叶分割对患者图像要求较高,在很多患者的CT图像上无法做到自动分割,因此引入分区域肺气肿检测与分析具有重要意义。医生在对肺气肿不同区域、不同严重程度进行诊断的时候尤为重要。
早预防早诊断是降低慢阻肺发病和死亡率的关键。如何更加精确的得出肺部各组织、各部分的诊断数据对慢阻肺早期的诊断具有重要意义。肺功能检查是判断气流受限且重复性好的客观指标, 但对于肺部病理形态变化(如肺气肿)的诊断敏感性较差,更不能对病变部位做出准确定位。
但在实际临床工作中,由于病情原因,很大一部分患者无法配合完成肺功能检查,这使得肺功能检查的使用在很大程度上受限。临床医生迫切需要一种患者既能很好完成,又能准确评估肺气肿严重程度的检查方法。目前,基于影像的数字化学科在近些年迅速发展,使得基于肺CT的肺功能评估得以实现,其中最为重要的是肺气肿分析。而传统的肺气肿分析方法只能对全肺进行评估,不能满足临床医生对于具体区域的数据需求,使其实用性大大降低。
目前肺气肿诊断主要依赖肺功能检查来判断肺气肿的严重程度,但肺功能的检查既无法精确定位肺气肿的位置也不能很好的反映肺气肿在局部的严重程度。目前存在的肺功能分析工具,如体描箱、肺功能仪、传统肺量计等,无法满足医生对肺气肿精确定位及判断局部肺气肿严重程度的要求。
现有的技术能提供半自动和全自动肺功能分析方法,实现气肿病灶定位和计算肺体积、含气量、肺实质重量等定量分析参数。根据设定的阈值自动进行肺功能计算肺功能参数列表列出CT图像可以检测到的肺功能参数。包括CT均值、肺体积、标准差、表面积、肺含气量、组织体积、组织重量、密度和气管体积。很难保证对每个患者的肺叶做到精确分割,从而无法继续进行精确量化分析。
存在技术问题
肺气肿病变组织分布并非是均匀的,目前国际上计算肺气肿严重程度是按全肺计算,这一计算方法的缺陷在于:基于全肺的分析结果可能是“轻度气肿”甚至“无气肿”,然而局部部位的气肿病变可能已经非常严重。基于肺叶分割的气肿量化分析算法可以减少此类误诊情况的发生,然而,由于病变肺组织可能因黏连、变形,导致肺叶的解剖部位发生显著变化,使自动、准确的肺叶分割算法往往在很多慢阻肺患者的CT图像上不能高质量的执行。
发明内容
为了解决上述技术问题本发明提供一种基于随机选取分区的肺气肿精准检测与量化分析方法,目的是达到肺气肿精准量化对比。
为达上述目的本明一种基于随机选取分区的肺气肿精准检测与量化分析方法,包括下述步骤:(1)、先由数据输入模块完成CT图像序列输入和图像标准化预处理;(2)、肺实质和气管提取模块对CT图像进行自动分割提取肺实质和利用波前检测算法提取气管,提取肺组织感兴趣区域;(3)、然后对肺进行区域式划分,右肺三块区域,左肺两块区域,再根据随机区域选取模块在CT图像上随机提取肺实质体积计算该部分肺实质的肺气肿;(4)、慢阻肺病灶提取模块根据每个肺实质体积计算病灶与健康肺组织的CT值分布模型,利用凝聚层次聚类算法提取病灶区域;并根据提取的病灶区域计算病灶特征指数;(5)、输出与显示模块将各区域CT阈值显示在图像上,并将分类结果进行蒙色显示,显示肺气肿区域,根据分类结果计算区域肺气肿的各个指数。
所述的病灶特征指数包括慢阻肺病灶的位置、肺气肿百分比和CT阈值;区域肺气肿的各个指数包括CT阈值、肺气肿百分比。
所述的肺实质分割是自动阈值算法计算肺实质区域;气管分割是采用波前检测和低阈值区域增长算法去除肺实质区域气管。
所述的肺进行区域式划分时每个区域最高点到最低点距离相同,左肺分割成两个区域分割线在水平中线的位置;区域选取过程中,在各区域随机选取3-5区域作为肺气肿计算的区域,最终取得3-5圆柱区域为分析目标,在随机选取区域过程中,圆柱的直径保持在5—20像素距离,高度到当前肺组织边缘,并且各圆柱不相交进行选取。
所述的在分割后的每个区域肺实质体积,采用凝聚层次聚类算法计算各区域体积CT值的分布情况。
所述的凝聚层次聚类算法采用自下而上的算法,自下而上的算法将每个数据点视为一个单一的类,然后连续的合并成对的类,直到所有的类都合并成一个包含所有数据点的类;通过凝聚层次聚类算法计算得出肺气肿的分类结果、分类的CT阈值,对各随机区域的CT数据分类并进行蒙色标注;通过CT阈值将各区域划分为健康区域、不健康区域和不确定区域;同时根据CT阈值计算肺气肿在该区域的百分比,从而可判断该区域肺气肿的严重程度。
所述的根据计算得到的各随机区域肺气肿分类结果、CT阈值和气肿百分比信息,对各区域肺气肿病灶位置进行标注,并将肺气肿阈值显示在CT图像中;同时生成三维提取区域柱状图。
所述的对蒙色标注不准确的区域进行调整,改变CT阈值的大小,根据反馈结果自动调整蒙色信息;并且将调整后的结果反馈到网络,从而不断修正算法的精度,提高气肿分类准确性。
本发明的优点效果:相比常规肺气肿检查可更加精确的确定肺气肿的区域和肺气肿程度。采用随机选取肺部区域的方法,不再需要对肺叶进行精确分割。将各区域的数据特征提供给影像科临床医生,实现了慢阻肺病灶定位与客观量化分析。本发明通过病灶显示和客观量化评估,辅助医生制定更有效的慢阻肺诊断与治疗方案,提高了慢阻肺的分级诊断准确性与诊断效率。同时简化了肺气肿诊疗过程中的流程,降低了患者看病费用,做到便民惠民利民。本发明在肺部不同位置随机选取若干子区域,然后计算各子区域的健康与气肿组织分类阈值,如存在气肿则标注在图像上。采用该方法,可以为医生直观的显示患者肺部各区域肺气肿的严重程度,对下一步的治疗提供更加精确的数据支撑。该方法与临床体描箱测肺功能的方式相比,能够更精确的定位肺气肿的区域以及区域肺气肿的严重程度。
附图说明
图1是本发明的流程图。
图2是本发明的凝聚层次聚类算法流程图。
图3是本发明左右肺区域划分示意图。
图4是本发明随机选取的区域示意图。
图5是本发明各感兴趣区或CT阈值示意图。
图6是本发明三维输出结果显示示意图。
具体实施方式
下面结合附图对本发明作进一步说明。应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图所示,本发明一种基于随机选取分区的肺气肿精准检测与量化分析方法,包括下述步骤:(1)、先由数据输入模块完成CT图像序列输入和图像标准化预处理;(2)、肺实质和气管提取模块对CT图像进行自动分割提取肺实质和利用波前检测算法提取气管,提取肺组织感兴趣区域;(3)、然后对肺进行区域式划分,右肺三块区域,左肺两块区域,再根据随机区域选取模块在CT图像上随机提取肺实质体积计算该部分肺实质的肺气肿;(4)、慢阻肺病灶提取模块根据每个肺实质体积计算病灶与健康肺组织的CT值分布模型,利用层次聚类提取病灶区域;并根据提取的病灶区域计算病灶特征指数;(5)、输出与显示模块将各区域CT阈值显示在图像上,并将分类结果进行蒙色显示,显示肺气肿区域,根据分类结果计算区域肺气肿的各个指数。
病灶特征指数包括慢阻肺病灶的位置、肺气肿百分比和CT阈值;区域肺气肿的各个指数包括CT阈值、肺气肿百分比。
肺实质分割是自动阈值算法计算肺实质区域;气管分割是采用波前检测和低阈值区域增长算法去除肺实质区域气管。
肺进行区域式划分时每个区域最高点到最低点距离相同,左肺分割成两个区域分割线在水平中线的位置;区域选取过程中,在各区域随机选取3-5区域作为肺气肿计算的区域,最终取得3-5圆柱区域为分析目标,在随机选取区域过程中,圆柱的直径保持在5—20像素距离,高度到当前肺组织边缘,并且各圆柱不相交进行选取。
在分割后的每个区域肺实质体积,采用凝聚层次聚类算法计算各区域体积CT值的分布情况。
如图2所示,凝聚层次聚类算法采用自下而上的算法,自下而上的算法将每个数据点视为一个单一的类,然后连续的合并成对的类,直到所有的类都合并成一个包含所有数据点的类;通过凝聚层次聚类算法计算得出肺气肿的分类结果、分类的CT阈值,对各随机区域的CT数据分类并进行蒙色标注;通过CT阈值将各区域划分为健康区域、不健康区域和不确定区域;同时根据CT阈值计算肺气肿在该区域的百分比,从而可判断该区域肺气肿的严重程度。对蒙色标注不准确的区域进行调整,改变CT阈值的大小,根据反馈结果自动调整蒙色信息;并且将调整后的结果反馈到网络,从而不断修正算法的精度,提高气肿分类准确性。
根据计算得到的各随机区域肺气肿分类结果、CT阈值和气肿百分比信息,对各区域肺气肿病灶位置进行标注,并将肺气肿阈值显示在CT图像中;同时生成三维提取区域柱状图。
本发明采用凝聚层次聚类(HAC)方式计算各区域体积CT值的分布情况;发现凝聚层次聚类算法在区域内精确分类肺气肿和健康区域具有较好的分类效果。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于随机选取分区的肺气肿精准检测与量化分析方法,其特征在于包括下述步骤:(1)、先由数据输入模块完成CT图像序列输入和图像标准化预处理;(2)、肺实质和气管提取模块对CT图像进行自动分割提取肺实质和利用波前检测算法提取气管,提取肺组织感兴趣区域;(3)、然后对肺进行区域式划分,右肺三块区域,左肺两块区域,再根据随机区域选取模块在CT图像上随机提取肺实质体积计算该部分肺实质的肺气肿;(4)、慢阻肺病灶提取模块根据每个肺实质体积计算病灶与健康肺组织的CT值分布模型,利用层次聚类提取病灶区域;并根据提取的病灶区域计算病灶特征指数;(5)、输出与显示模块将各区域CT阈值显示在图像上,并将分类结果进行蒙色显示,显示肺气肿区域,根据分类结果计算区域肺气肿的各个指数;肺进行区域式划分时每个区域最高点到最低点距离相同,左肺分割成两个区域分割线在水平中线的位置;区域选取过程中,在各区域随机选取3-5区域作为肺气肿计算的区域,最终取得3-5圆柱区域为分析目标,在随机选取区域过程中,圆柱的直径保持在5—20像素距离,高度到当前肺组织边缘,并且各圆柱不相交进行选取;病灶特征指数包括慢阻肺病灶的位置、肺气肿百分比和CT阈值;区域肺气肿的各个指数包括CT阈值、肺气肿百分比;肺实质分割是自动阈值算法计算肺实质区域;气管分割是采用波前检测和低阈值区域增长算法去除肺实质区域气管。
2.根据权利要求1所述的一种基于随机选取分区的肺气肿精准检测与量化分析方法,其特征在于在分割后的每个区域肺实质体积,采用凝聚层次聚类算法计算各区域体积CT值的分布情况。
3.根据权利要求1所述的一种基于随机选取分区的肺气肿精准检测与量化分析方法,其特征在于凝聚层次聚类算法采用自下而上的算法,自下而上的算法将每个数据点视为一个单一的类,然后连续的合并成对的类,直到所有的类都合并成一个包含所有数据点的类;通过凝聚层次聚类算法计算得出肺气肿的分类结果、分类的CT阈值,对各随机区域的CT数据分类并进行蒙色标注;通过CT阈值将各区域划分为健康区域、不健康区域和不确定区域;同时根据CT阈值计算肺气肿在该区域的百分比,从而可判断该区域肺气肿的严重程度。
4.根据权利要求1所述的一种基于随机选取分区的肺气肿精准检测与量化分析方法,其特征在于根据计算得到的各随机区域肺气肿分类结果、CT阈值和气肿百分比信息,对各区域肺气肿病灶位置进行标注,并将肺气肿阈值显示在CT图像中;同时生成三维提取区域柱状图。
5.根据权利要求3所述的一种基于随机选取分区的肺气肿精准检测与量化分析方法,其特征在于对蒙色标注不准确的区域进行调整,改变CT阈值的大小,根据反馈结果自动调整蒙色信息;并且将调整后的结果反馈到网络,从而不断修正算法的精度,提高气肿分类准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811029180.0A CN109035283B (zh) | 2018-09-05 | 2018-09-05 | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811029180.0A CN109035283B (zh) | 2018-09-05 | 2018-09-05 | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035283A CN109035283A (zh) | 2018-12-18 |
CN109035283B true CN109035283B (zh) | 2021-03-30 |
Family
ID=64623241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811029180.0A Active CN109035283B (zh) | 2018-09-05 | 2018-09-05 | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035283B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934220B (zh) | 2019-02-22 | 2022-06-14 | 上海联影智能医疗科技有限公司 | 一种影像兴趣点的展示方法、装置及终端 |
US11436720B2 (en) | 2018-12-28 | 2022-09-06 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for generating image metric |
CN109727251A (zh) * | 2018-12-29 | 2019-05-07 | 上海联影智能医疗科技有限公司 | 一种定量肺部病症分割的***、方法和设备 |
CN110827962A (zh) * | 2019-11-01 | 2020-02-21 | 山东大学 | 一种新型肺气肿图像处理方法及处理*** |
CN111430024B (zh) * | 2020-01-06 | 2023-07-11 | 中南大学 | 一种用于疾病程度分类的数据决策方法及其*** |
CN111539944B (zh) * | 2020-04-28 | 2024-04-09 | 讯飞医疗科技股份有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN111738980B (zh) * | 2020-05-14 | 2023-08-04 | 北京深睿博联科技有限责任公司 | 一种医学影像的显示方法、计算机设备及存储介质 |
CN111767961A (zh) * | 2020-07-02 | 2020-10-13 | 宁波杜比医疗科技有限公司 | 一种生化分析检测***及其检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
CN105139414A (zh) * | 2015-09-29 | 2015-12-09 | 盐城工学院 | 用于x光片图像数据的聚类集成方法 |
CN107392910A (zh) * | 2017-07-06 | 2017-11-24 | 沈阳东软医疗***有限公司 | 一种基于ct图像的肺叶分割方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX365951B (es) * | 2013-09-20 | 2019-06-19 | Transmural Biotech S L | Tecnicas de analisis de imagenes para diagnosis de enfermedades. |
US20150093007A1 (en) * | 2013-09-30 | 2015-04-02 | Median Technologies | System and method for the classification of measurable lesions in images of the chest |
-
2018
- 2018-09-05 CN CN201811029180.0A patent/CN109035283B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
CN105139414A (zh) * | 2015-09-29 | 2015-12-09 | 盐城工学院 | 用于x光片图像数据的聚类集成方法 |
CN107392910A (zh) * | 2017-07-06 | 2017-11-24 | 沈阳东软医疗***有限公司 | 一种基于ct图像的肺叶分割方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109035283A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035283B (zh) | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 | |
CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
US10255679B2 (en) | Visualization and quantification of lung disease utilizing image registration | |
US8605979B2 (en) | Automatic detection and quantification of plaque in the coronary arteries of subjects from CT scans | |
JP4702971B2 (ja) | コンピュータ支援診断システム | |
JP6231885B2 (ja) | 頸部を検査する医療機器 | |
CN103249358B (zh) | 医用图像处理装置 | |
EP2375379A2 (en) | Medical image processing apparatus and method, and computer readable recording medium on which is recorded program for the same | |
CN111179227A (zh) | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 | |
CN111951221A (zh) | 一种基于深度神经网络的肾小球细胞图像识别方法 | |
JPH09185714A (ja) | コンピュータ支援診断方法 | |
JP2008259622A (ja) | レポート作成支援装置およびそのプログラム | |
CN101103924A (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其*** | |
Maitra et al. | Automated digital mammogram segmentation for detection of abnormal masses using binary homogeneity enhancement algorithm | |
KR20180022607A (ko) | 다양한 측정으로부터의 의료 측정 데이터에 기초한 결과 데이터의 결정 | |
Saidin et al. | Segmentation of breast regions in mammogram based on density: a review | |
CN112215799A (zh) | 一种磨玻璃肺结节自动分类方法及*** | |
JP2006504464A (ja) | マンモグラムのコンピュータ支援診断用ディスプレイ | |
Hsieh et al. | Combining VGG16, Mask R-CNN and Inception V3 to identify the benign and malignant of breast microcalcification clusters | |
CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
KR20210065228A (ko) | 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법 | |
JP6161146B2 (ja) | 病理組織画像解析方法、病理組織画像解析装置及び病理組織画像解析プログラム | |
KR20100010973A (ko) | 폐질환 자동 분류 방법 | |
JP5624505B2 (ja) | 画像処理装置 | |
CN112690815A (zh) | 基于肺部图像报告辅助诊断病变等级的***和方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |