CN109885712A - 基于内容的肺结节图像检索方法及*** - Google Patents
基于内容的肺结节图像检索方法及*** Download PDFInfo
- Publication number
- CN109885712A CN109885712A CN201910111659.7A CN201910111659A CN109885712A CN 109885712 A CN109885712 A CN 109885712A CN 201910111659 A CN201910111659 A CN 201910111659A CN 109885712 A CN109885712 A CN 109885712A
- Authority
- CN
- China
- Prior art keywords
- feature
- lung neoplasm
- images
- textural characteristics
- mahalanobis distance
- 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.)
- Granted
Links
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了基于内容的肺结节图像检索方法及***,包括:根据已知肺结节数据集,获得纹理特征集、密度特征集和形态学特征集;对待识别图像提取肺结节的纹理特征、密度特征和形态学特征;根据纹理特征集、密度特征集、形态学特征集和待识别图像的单特征;计算单特征肺结节图像相似性,也即计算待识别图像的每个特征对应特征集的马氏距离;将待识别图像的每个特征对应特征集的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性度量;利用多特征马氏距离,对获得的距离按照从小到大进行排序,将排序靠前的S张图像的编号和对应的图像的已知诊断报告输出。
Description
技术领域
本公开涉及基于内容的肺结节图像检索方法及***。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
在医学图像诊断过程中,对放射图像的深入分析可以获知肿瘤异质性的程度。因此基于CT的肺癌图像分析在计算机辅助诊断中起着至关重要的作用。
基于图像检索的肺结节计算机辅助诊断面临的技术问题主要是特征提取和诊断鉴别。在特征提取中,研究重点主要集中在设计新特征或特征选择以改进图像的描述和区分,如形态和纹理特征,密度特征,深度学习特征。然而它们中的大多数都受到类内差异和类间模糊问题的困扰,特别会遇到与其他特征融合的问题。对于诊断识别,通常选择经典分类器用于诊断,例如支持向量机,随机森林,卷积神经网络,但是每个分类器都分别对应自己合适的分类对象。
在基于内容的医学图像检索中,所有医学图像都可以表示为矢量集合,这类似于CAD中的特征提取。因此,通过提取适当的特征来表示医学图像是研究中的关键。而多种类型的特征不仅可以更好地表示肺结节,而且能够实现更高的分类准确性。然而在研究过程中需要解决多特征融合的问题,因为将多个特征融合到一个特征向量中并不是最佳的。另一个关键问题是肿瘤图像的相似性度量。在检索过程中,使用定义的相似性度量算法来比较查询图像的特征与索引图像的特征,然后按照相似性的顺序对图像进行排名。相似性度量通常需要学习距离度量。最近,距离度量学习引起了研究人员的关注。然而传统的距离度量学习是基于单类型特征向量表示的假设,因此不能够处理多类型特征。而由于多类型特征通常具有不同的物理特性,因此将多类型特征直接统一到长特征向量是不合理的,这种方法通常会导致维数灾难和过度拟合的问题。
发明内容
为了解决现有技术的不足,本公开提供了基于内容的肺结节图像检索方法及***,不仅能够解决多类型特征融合的问题,而且提出了一种新的距离度量方法,度量肺结节相似性。
第一方面,本公开提供了基于内容的肺结节图像检索方法;
基于内容的肺结节图像检索方法,包括:
根据已知肺结节数据集,获得纹理特征集、密度特征集和形态学特征集;
对待识别图像提取肺结节的纹理特征、密度特征和形态学特征;
根据纹理特征集、密度特征集、形态学特征集和待识别图像的单特征;计算单特征肺结节图像相似性,也即计算待识别图像的每个特征对应特征集的马氏距离;
将待识别图像的每个特征对应特征集的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性度量;
利用多特征马氏距离,对获得的距离按照从小到大进行排序,将排序靠前的S张图像的编号和对应的图像的已知诊断报告输出。
进一步地,根据已知肺结节数据集,获得纹理特征集、密度特征集和形态学特征集的具体步骤如下:
对肺结节数据集中的每一张图像提取肺结节的纹理特征、密度特征和形态学特征,构建肺结节数据库,肺结节数据库中每一个肺结节图像均设有对应的图像编号、纹理特征、密度特征、形态学特征和当前图像对应的已知诊断报告;将所有肺结节图像对应的纹理特征汇总得到纹理特征集;将所有肺结节图像对应的密度特征进行汇总,得到密度特征集;将所有肺结节图像对应的形态学特征进行汇总得到形态学特征集;
进一步地,所述纹理特征,是指Haralick纹理特征;
进一步地,所述密度特征,具体是病变密度水平和异质性;肺结节的病变密度水平是肺结节区域和周围背景区域平均像素灰度值的差的绝对值;肺结节的异质性,是肺结节的分布密度。
进一步地,所述形态学特征,具体指肺结节的直径、类圆度和面积。
进一步地,计算待识别图像的纹理特征对应特征集的马氏距离d(1)的具体步骤,包括:
步骤(2.1):将肺结节数据集中纹理特征样本表示为其中xj是肺结节数据集的第j个纹理特征样本,d是样本维数,n是样本总数;
步骤(2.2):将肺结节的相似性定义为语义相关,通过微分散射判别准则(Differential Scatter Discriminant Criterion)计算投影矩阵A(1);
其中,ρ为均衡参数,为设定值;tr(·)是矩阵的秩,I是单位矩阵,SW为类内散度矩阵,SB为类间散度矩阵;
其中,C为划分类别数,如果纹理特征被划分为正常纹理特征和异常纹理特征,则划分类别数C等于2,N为纹理特征样本数,Ni为第i类纹理特征样本数,为第i类纹理特征的第j个样本,ui为第i类纹理特征的样本均值,u0为所有纹理特征样本均值;
定义中间参数L=SW-ρSB,A(1)写作:
用特征值分解求解公式(2)计算对应于纹理特征集的投影矩阵A(1);
步骤(2.3):计算待识别图像中的纹理特征与肺结节数据集中的纹理特征之间的马氏距离:
d(1)(xi,xj)=||(A(1))T(xi-xj)|| (3)
其中,d(1)(xi,xj)表示待识别图像中的纹理特征xi与肺结节数据集中的纹理特征xj之间的马氏距离;A(1)表示待识别图像的纹理特征对应的投影矩阵。
进一步地,计算待识别图像的密度特征对应的马氏距离d(2)的计算步骤,与计算待识别图像的纹理特征对应的马氏距离d(1)的计算步骤唯一的区别在于将纹理特征替换为密度特征,将纹理特征集替换为密度特征集。
进一步地,计算待识别图像的形态学特征对应的马氏距离d(3)的计算步骤,与计算待识别图像的纹理特征对应的马氏距离d(1)的计算步骤唯一的区别在于将纹理特征替换为形态学特征,将纹理特征集替换为形态学特征集。
进一步地,计算待识别图像的的每个特征对应特征集的马氏距离的具体步骤如下:
基于待识别肺结节的纹理特征与肺结节数据集所对应的纹理特征集,计算待识别图像的纹理特征对应的马氏距离d(1);
基于待识别肺结节的密度特征与肺结节数据集所对应的密度特征集,计算待识别图像的密度特征对应的马氏距离d(2);
基于待识别肺结节的形态学特征与肺结节数据集所对应的形态学特征集,计算待识别图像的形态学特征对应的马氏距离d(3)。
进一步地,将待识别图像的每个特征的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性的具体步骤为:
将单特征计算得到的投影矩阵进行组合,K=3为提取肺结节的特征类型数目,构建多特征肺结节相似性度量:αk是对应于投影矩阵A(k)的权值。
进一步地,将待识别图像的每个特征的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性度量的具体步骤为:
步骤(3.1):计算各投影矩阵对应的αk;
其中,λ是均衡参数,为设定值。
步骤(3.2):根据学习到K类特征对应的马氏距离以及权值构建多特征肺结节相似性度量;
待识别图像中的纹理特征xi与肺结节数据集中的纹理特征xj之间的多特征相似性度量,即多特征马氏距离dM(xi,xj)表示为:
图像检索可以检索与待查询图像类似的许多图像。在诊断肺结节良性或恶性之前,医生可以参考检索到的类似肿瘤图像的诊断经验。
第二方面,本公开还提供了基于内容的肺结节图像检索***;
基于内容的肺结节图像检索***,包括:
特征提取模块,根据已知肺结节数据集,获得纹理特征集、密度特征集和形态学特征集;对待识别图像提取肺结节的纹理特征、密度特征和形态学特征;
单特征肺结节图像相似性计算模块:根据纹理特征集、密度特征集、形态学特征集和待识别图像的单特征;计算单特征肺结节图像相似性,也即计算待识别图像的每个特征对应特征集的马氏距离;
多特征肺结节图像相似性计算模块:将待识别图像的每个特征对应特征集的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性;
检索结果输出模块:利用多特征马氏距离,对获得的距离按照从小到大进行排序,将排序靠前的S张图像的编号和对应的图像的已知诊断报告输出。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面任一可能的实现方式中的方法。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面任一可能的实现方式中方法的步骤。
与现有技术相比,本公开的有益效果是:
本发明提供一种基于内容的多特征图像检索方案,提出了一种用于肺结节相似性度量的多特征距离度量学习算法。该算法能够更好的结合肺结节不同类型的特征,避免了维度灾难和过度拟合问题。且在与先前的图像检索方案对比之后,发现该算法在肺结节分类的准确性和检索的准确性上显著优于先前算法。
基于内容的多特征图像检索方案计算机辅助诊断肺结节的基本思想是开发一种名为多特征距离度量的距离度量学习方法来测量肺结节的相似性。主要研究探索多特征融合问题,基于语义相关性学习马氏距离度量肺结节的相似性。帮助医生搜索相似图像。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本申请第一个实施例的流程图;
图2为本申请第二个实施例的***功能模块图。
具体实施方式
应该指出,以下详细说明都是示例性的,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。
实施例一,本实施例提供了基于内容的肺结节图像检索方法;
如图1所示,基于内容的肺结节图像检索方法,包括:
S101:根据已知肺结节数据集,获得纹理特征集、密度特征集和形态学特征集;
对待识别图像提取肺结节的纹理特征、密度特征和形态学特征;
本实施例中,根据已知肺结节数据集,获得纹理特征集、密度特征集和形态学特征集的具体步骤如下:
对肺结节数据集中的每一张图像提取肺结节的纹理特征、密度特征和形态学特征,构建肺结节数据库,肺结节数据库中每一个肺结节图像均设有对应的图像编号、纹理特征、密度特征、形态学特征和当前图像对应的已知诊断报告;将所有肺结节图像对应的纹理特征汇总得到纹理特征集;将所有肺结节图像对应的密度特征进行汇总,得到密度特征集;将所有肺结节图像对应的形态学特征进行汇总得到形态学特征集;
本实施例中,所述纹理特征,是指Haralick纹理特征;
本实施例中,所述密度特征,具体是病变密度水平和异质性;肺结节的病变密度水平是肺结节区域和周围背景区域平均像素灰度值的差的绝对值;肺结节的异质性,是肺结节的分布密度。
本实施例中,所述形态学特征,具体指肺结节的直径、类圆度和面积。
S102:根据纹理特征集、密度特征集、形态学特征集和待识别图像的单特征;计算单特征肺结节图像相似性,也即计算待识别图像的每个特征对应特征集的马氏距离;将单特征肺结节图像相似性定义为待识别图像的的每个特征对应的马氏距离;
本实施例中,计算待识别图像的的每个特征对应特征集的马氏距离的具体步骤如下:
基于待识别肺结节的纹理特征与肺结节数据集所对应的纹理特征集,计算待识别图像的纹理特征对应的马氏距离d(1);
基于待识别肺结节的密度特征与肺结节数据集所对应的密度特征集,计算待识别图像的密度特征对应的马氏距离d(2);
基于待识别肺结节的形态学特征与肺结节数据集所对应的形态学特征集,计算待识别图像的形态学特征对应的马氏距离d(3)。
本实施例中,计算待识别图像的纹理特征对应特征集的马氏距离d(1)的具体步骤,包括:
步骤(2.1):将肺结节数据集中纹理特征样本表示为其中xj是肺结节数据集的第j个纹理特征样本,d是样本维数,n是样本总数;
步骤(2.2):将肺结节的相似性定义为语义相关,通过微分散射判别准则(Differential Scatter Discriminant Criterion)计算投影矩阵A(1);
ρ为均衡参数,为设定值;tr(·)是矩阵的秩,I是单位矩阵,SW为类内散度矩阵,SB为类间散度矩阵;
其中,C为划分类别数,如果纹理特征被划分为正常纹理特征和异常纹理特征,则划分类别数C等于2,N为纹理特征样本数,Ni为第i类纹理特征样本数,为第i类纹理特征的第j个样本,ui为第i类纹理特征的样本均值,u0为所有纹理特征样本均值;
定义中间参数L=SW-ρSB,A(1)写作:
用特征值分解求解公式(2)计算对应于纹理特征集的投影矩阵A(1);
步骤(2.3):计算待识别图像中的纹理特征与肺结节数据集中的纹理特征之间的马氏距离:
d(1)(xi,xj)=||(A(1))T(xi-xj)|| (3)
其中,d(1)(xi,xj)表示待识别图像中的纹理特征xi与肺结节数据集中的纹理特征xj之间的马氏距离;A(1)表示待识别图像的纹理特征对应的投影矩阵。
本实施例中,计算待识别图像的密度特征对应的马氏距离d(2)的计算步骤,与计算待识别图像的纹理特征对应的马氏距离d(1)的计算步骤唯一的区别在于将纹理特征替换为密度特征,将纹理特征集替换为密度特征集。
本实施例中,计算待识别图像的形态学特征对应的马氏距离d(3)的计算步骤,与计算待识别图像的纹理特征对应的马氏距离d(1)的计算步骤唯一的区别在于将纹理特征替换为形态学特征,将纹理特征集替换为形态学特征集。
S103:将待识别图像的每个特征对应特征集的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性;
本实施例中,将待识别图像的每个特征的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性的具体步骤为:
将单特征计算得到的投影矩阵进行组合,K=3为提取肺结节的特征类型数目,构建多特征肺结节相似性度量:αk是对应于投影矩阵A(k)的权值。
本实施例中,将待识别图像的每个特征的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性的具体步骤为:
步骤(3.1):计算各投影矩阵对应的αk;
其中,λ是均衡参数。
步骤(3.2):根据学习到K类特征对应的马氏距离以及权值构建多特征肺结节相似性度量;
待识别图像中的纹理特征xi与肺结节数据集中的纹理特征xj之间的多特征相似性度量,即多特征马氏距离dM(xi,xj)表示为:
S104:利用多特征马氏距离,对获得的距离按照从小到大进行排序,将排序靠前的S=10张图像的编号和对应的图像的已知诊断报告输出。
图像检索可以检索与待查询图像类似的许多图像。在诊断肺结节良性或恶性之前,医生可以参考检索到的类似肿瘤图像的诊断经验。
实施例二,本实施例还提供了基于内容的肺结节图像检索***;
如图2所示,基于内容的肺结节图像检索***,包括:
特征提取模块,根据已知肺结节数据集,获得纹理特征集、密度特征集和形态学特征集;对待识别图像提取肺结节的纹理特征、密度特征和形态学特征;
单特征肺结节图像相似性计算模块:根据纹理特征集、密度特征集、形态学特征集和待识别图像的单特征;计算单特征肺结节图像相似性,也即计算待识别图像的每个特征对应特征集的马氏距离;
多特征肺结节图像相似性计算模块:将待识别图像的每个特征对应特征集的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性;
检索结果输出模块:利用多特征马氏距离,对获得的距离按照从小到大进行排序,将排序靠前的L张图像的编号和对应的图像的已知诊断报告输出。
实施例三,本实施例还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一个实施例中方法的步骤。
实施例四,本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一个实施例中方法的步骤。
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.基于内容的肺结节图像检索方法,其特征是,包括:
根据已知肺结节数据集,获得纹理特征集、密度特征集和形态学特征集;
对待识别图像提取肺结节的纹理特征、密度特征和形态学特征;
根据纹理特征集、密度特征集、形态学特征集和待识别图像的单特征;计算单特征肺结节图像相似性,也即计算待识别图像的每个特征对应特征集的马氏距离;
将待识别图像的每个特征对应特征集的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性度量;
利用多特征马氏距离,对获得的距离按照从小到大进行排序,将排序靠前的S张图像的编号和对应的图像的已知诊断报告输出。
2.如权利要求1所述的方法,其特征是,根据已知肺结节数据集,获得纹理特征集、密度特征集和形态学特征集的具体步骤如下:
对肺结节数据集中的每一张图像提取肺结节的纹理特征、密度特征和形态学特征,构建肺结节数据库,肺结节数据库中每一个肺结节图像均设有对应的图像编号、纹理特征、密度特征、形态学特征和当前图像对应的已知诊断报告;将所有肺结节图像对应的纹理特征汇总得到纹理特征集;将所有肺结节图像对应的密度特征进行汇总,得到密度特征集;将所有肺结节图像对应的形态学特征进行汇总得到形态学特征集。
3.如权利要求1所述的方法,其特征是,所述纹理特征,是指Haralick纹理特征;
所述密度特征,具体是病变密度水平和异质性;肺结节的病变密度水平是肺结节区域和周围背景区域平均像素灰度值的差的绝对值;肺结节的异质性,是肺结节的分布密度;
所述形态学特征,具体指肺结节的直径、类圆度和面积。
4.如权利要求1所述的方法,其特征是,计算待识别图像的纹理特征对应特征集的马氏距离d(1)的具体步骤,包括:
步骤(2.1):将肺结节数据集中纹理特征样本表示为X=[x1,...,xn]∈Rd*n,其中xj是肺结节数据集的第j个纹理特征样本,d是样本维数,n是样本总数;
步骤(2.2):将肺结节的相似性定义为语义相关,通过微分散射判别准则计算投影矩阵A(1);
ρ为均衡参数,为设定值;tr(·)是矩阵的秩,I是单位矩阵,SW为类内散度矩阵,SB为类间散度矩阵;
其中,C为划分类别数,如果纹理特征被划分为正常纹理特征和异常纹理特征,则划分类别数C等于2,N为纹理特征样本数,Ni为第i类纹理特征样本数,为第i类纹理特征的第j个样本,ui为第i类纹理特征的样本均值,u0为所有纹理特征样本均值;
定义中间参数L=SW-ρSB,A(1)写作:
用特征值分解求解公式(2)计算对应于纹理特征集的投影矩阵A(1);
步骤(2.3):计算待识别图像中的纹理特征与肺结节数据集中的纹理特征之间的马氏距离:
d(1)(xi,xj)=||(A(1))T(xi-xj)|| (3)
其中,d(1)(xi,xj)表示待识别图像中的纹理特征xi与肺结节数据集中的纹理特征xj之间的马氏距离;A(1)表示待识别图像的纹理特征对应的投影矩阵。
5.如权利要求1所述的方法,其特征是,计算待识别图像的的每个特征对应特征集的马氏距离的具体步骤如下:
基于待识别肺结节的纹理特征与肺结节数据集所对应的纹理特征集,计算待识别图像的纹理特征对应的马氏距离d(1);
基于待识别肺结节的密度特征与肺结节数据集所对应的密度特征集,计算待识别图像的密度特征对应的马氏距离d(2);
基于待识别肺结节的形态学特征与肺结节数据集所对应的形态学特征集,计算待识别图像的形态学特征对应的马氏距离d(3)。
6.如权利要求1所述的方法,其特征是,将待识别图像的每个特征的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性的具体步骤为:
将单特征计算得到的投影矩阵进行组合,K=3为提取肺结节的特征类型数目,构建多特征肺结节相似性度量:αk是对应于投影矩阵A(k)的权值。
7.如权利要求1所述的方法,其特征是,将待识别图像的每个特征的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性度量的具体步骤为:
步骤(3.1):计算各投影矩阵对应的αk;
其中,λ是均衡参数,为设定值;
步骤(3.2):根据学习到K类特征对应的马氏距离以及权值构建多特征肺结节相似性度量;
待识别图像中的纹理特征xi与肺结节数据集中的纹理特征xj之间的多特征相似性度量,即多特征马氏距离dM(xi,xj)表示为:
8.基于内容的肺结节图像检索***,其特征是,包括:
特征提取模块,根据已知肺结节数据集,获得纹理特征集、密度特征集和形态学特征集;对待识别图像提取肺结节的纹理特征、密度特征和形态学特征;
单特征肺结节图像相似性计算模块:根据纹理特征集、密度特征集、形态学特征集和待识别图像的单特征;计算单特征肺结节图像相似性,也即计算待识别图像的每个特征对应特征集的马氏距离;
多特征肺结节图像相似性计算模块:将待识别图像的每个特征对应特征集的马氏距离进行加权求和,得到多特征马氏距离,多特征马氏距离即多特征肺结节图像相似性;
检索结果输出模块:利用多特征马氏距离,对获得的距离按照从小到大进行排序,将排序靠前的S张图像的编号和对应的图像的已知诊断报告输出。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910111659.7A CN109885712B (zh) | 2019-02-12 | 2019-02-12 | 基于内容的肺结节图像检索方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910111659.7A CN109885712B (zh) | 2019-02-12 | 2019-02-12 | 基于内容的肺结节图像检索方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109885712A true CN109885712A (zh) | 2019-06-14 |
CN109885712B CN109885712B (zh) | 2020-09-29 |
Family
ID=66928039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910111659.7A Active CN109885712B (zh) | 2019-02-12 | 2019-02-12 | 基于内容的肺结节图像检索方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109885712B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090764A (zh) * | 2019-12-20 | 2020-05-01 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
WO2021097595A1 (zh) * | 2019-11-18 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 图像的病变区域分割方法、装置及服务器 |
CN113628167B (zh) * | 2021-07-13 | 2024-04-05 | 深圳市神经科学研究院 | 个体化结构脑网络构建方法、***、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8483450B1 (en) * | 2012-08-10 | 2013-07-09 | EyeVerify LLC | Quality metrics for biometric authentication |
CN107092918A (zh) * | 2017-03-29 | 2017-08-25 | 太原理工大学 | 一种基于语义特征和有监督哈希的图像检索实现肺结节征象识别的方法 |
CN107291936A (zh) * | 2017-07-04 | 2017-10-24 | 太原理工大学 | 一种基于视觉特征和征象标签的超图哈希图像检索实现肺结节征象识别的方法 |
-
2019
- 2019-02-12 CN CN201910111659.7A patent/CN109885712B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8483450B1 (en) * | 2012-08-10 | 2013-07-09 | EyeVerify LLC | Quality metrics for biometric authentication |
CN107092918A (zh) * | 2017-03-29 | 2017-08-25 | 太原理工大学 | 一种基于语义特征和有监督哈希的图像检索实现肺结节征象识别的方法 |
CN107291936A (zh) * | 2017-07-04 | 2017-10-24 | 太原理工大学 | 一种基于视觉特征和征象标签的超图哈希图像检索实现肺结节征象识别的方法 |
Non-Patent Citations (2)
Title |
---|
DHARA A K , MUKHOPADHYAY S 等: ""Content-Based Image Retrieval System for Pulmonary Nodules: Assisting Radiologists in Self-Learning and Diagnosis of Lung Cancer"", 《JOURNAL OF DIGITAL IMAGING》 * |
魏国辉, 齐守良 等: ""基于相似性度量的肺结节图像检索算法"", 《东北大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021097595A1 (zh) * | 2019-11-18 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 图像的病变区域分割方法、装置及服务器 |
CN111090764A (zh) * | 2019-12-20 | 2020-05-01 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
CN111090764B (zh) * | 2019-12-20 | 2023-06-23 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
CN113628167B (zh) * | 2021-07-13 | 2024-04-05 | 深圳市神经科学研究院 | 个体化结构脑网络构建方法、***、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109885712B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Classification of lung nodule malignancy risk on computed tomography images using convolutional neural network: A comparison between 2d and 3d strategies | |
Meng et al. | Liver tumor segmentation based on 3D convolutional neural network with dual scale | |
CN102428469B (zh) | 用于检索和查看医疗图像的装置 | |
JP5650647B2 (ja) | コンピュータ支援診断用に臨床フィーチャと画像フィーチャを融合するシステム及び方法 | |
WO2015134814A1 (en) | Systems and methods for capture of relationships within information | |
WO2007056601A2 (en) | Methods and apparatus for context-sensitive telemedicine | |
Narayanan et al. | Understanding deep neural network predictions for medical imaging applications | |
Yao et al. | Pneumonia Detection Using an Improved Algorithm Based on Faster R‐CNN | |
JP2014029644A (ja) | 類似症例検索装置および類似症例検索方法 | |
CN109885712A (zh) | 基于内容的肺结节图像检索方法及*** | |
Lai et al. | DBT Masses Automatic Segmentation Using U‐Net Neural Networks | |
Shoaib et al. | Hybrid classification structures for automatic COVID-19 detection | |
Zhao et al. | Fine-grained lung nodule segmentation with pyramid deconvolutional neural network | |
Li et al. | Semantic characteristics prediction of pulmonary nodule using artificial neural networks | |
CN109800812A (zh) | 基于仿冒过滤器的ct图像分类特征选择方法及*** | |
Liang et al. | Dense networks with relative location awareness for thorax disease identification | |
Zheng et al. | 3D gray density coding feature for benign‐malignant pulmonary nodule classification on chest CT | |
Yuan et al. | An efficient multi-path 3D convolutional neural network for false-positive reduction of pulmonary nodule detection | |
Lin et al. | EDICNet: An end-to-end detection and interpretable malignancy classification network for pulmonary nodules in computed tomography | |
US20220051114A1 (en) | Inference process visualization system for medical scans | |
Zhao et al. | View-collaborative fuzzy soft subspace clustering for automatic medical image segmentation | |
Zhu et al. | Non‐invasive prediction of overall survival time for glioblastoma multiforme patients based on multimodal MRI radiomics | |
Wang et al. | False positive reduction in pulmonary nodule classification using 3D texture and edge feature in CT images | |
Jiang et al. | Analyzing visual-search observers using eye-tracking data for digital breast tomosynthesis images | |
WO2023274599A1 (en) | Methods and systems for automated follow-up reading of medical image data |
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 |