CN110211104A - 一种用于肺部肿块计算机辅助检测的图像分析方法和*** - Google Patents

一种用于肺部肿块计算机辅助检测的图像分析方法和*** Download PDF

Info

Publication number
CN110211104A
CN110211104A CN201910436100.1A CN201910436100A CN110211104A CN 110211104 A CN110211104 A CN 110211104A CN 201910436100 A CN201910436100 A CN 201910436100A CN 110211104 A CN110211104 A CN 110211104A
Authority
CN
China
Prior art keywords
image
region
point
frame
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.)
Granted
Application number
CN201910436100.1A
Other languages
English (en)
Other versions
CN110211104B (zh
Inventor
杨夙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN201910436100.1A priority Critical patent/CN110211104B/zh
Publication of CN110211104A publication Critical patent/CN110211104A/zh
Application granted granted Critical
Publication of CN110211104B publication Critical patent/CN110211104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明属于模式识别、图像处理、计算机视觉技术领域，具体为一种用于肺部肿块计算机辅助检测的图像分析方法和***。本发明根据临近帧图像的变化检测，发现疑似肿块的区域，并进一步根据区域形态进行过滤。本发明的图像分析***由以下几个环节组成：图像采集、前景点标记、临近帧变化检测、疑似肿块形态过滤、结果可视化。本发明优点是：无需图像数据标注，可以以无监督的方式自动从CT切片图像序列中发现肺部肿块。实验结果表明：本发明方法可以实现肿块的自动发现和标记，可用于辅助医生诊断。

Description

一种用于肺部肿块计算机辅助检测的图像分析方法和***
技术领域
本发明属于模式识别、图像处理、计算机视觉技术领域，具体涉及一种肺部肿块图像分析方法和***，可以用于计算机辅助诊断。
背景技术
医学影像的计算机辅助诊断一直以来受到广泛关注。目前，深度神经网络[1][2][3]成为主流方法，但是需要大量的训练数据。然而，数据标注的代价很大，而且不是可以轻易获取的。此外，由于设备的差异使得原始图像值往往存在不一致的问题，这会使一个数据集合上训练的模型在另一个数据集合上性能下降。因此，本发明提出无监督的计算机辅助诊断方法，它是基于知识的，因此具有更好的场景适应性。
本发明方法可以用于CT图像中的肺部肿块自动发现。根据观察，如果遍历CT图像切片并将其看作是类似视频的图像序列，肿块总是以近乎突变的方式出现，并且持续存在的帧数很短。这启发我们按照视频处理中变化检测的方式来解决肺部肿块自动发现的问题。
深度神经网络方法[1][2][3]是基于图像块卷积的，需要大量训练数据，其近乎穷举的特征图计算方法开销很大。无监督方法在图像分割方面有一些应用[4][5]，但是图像分割往往是不鲁棒的，时常会出现过分割或者欠分割的情况；由于肿块往往与正常器官组织是粘连的，采用图像分割技术确定肿块是非常困难的。另一个方案是采用图像配准技术进行变化检测[6][7]；这类方法计算开销大并且不够稳定。此外，上述方法都依赖于对肺的精确分割和定位，而这是非常困难的[8][9][10]。本发明提出了一种用于肺部肿块计算机辅助检测的图像分析方法和***，它的原理是监测CT图像序列中突然出现并且持续时间很短的突变，因此不需要精确的肺部分割；且由于只需要计算像素的差异，计算量明显小于其它方法；此外，它是基于知识的，对数据集合的依赖不大，普适性较强。
参考文献：
[1]Hongyang Jiang,He Ma,Wei Qian,Mengdi Gao,and Yan Li,“An AutomaticDetection System of Lung Nodule Based on Multigroup Patch-Based Deep LearningNetwork”,IEEE Journal of Biomedical and Health Informatics,Vol.22,No.4,pp.1227-1237,July 2018.
[2]MariosAnthimopoulos,StergiosChristodoulidis,Lukas Ebner,AndreasChriste,and StavroulaMougiakakou,“Lung Pattern Classification forInterstitial Lung Diseases Using a Deep Convolutional Neural Network”,IEEETransactions on Medical Imaging,Vol.35,No.5,pp.1207-1216,May 2016.
[3]Shin Hoo-Chang,Holger R.Roth,Mingchen Gao,Le Lu,Ziyue Xu,IsabellaNogues,Jianhua Yao,Daniel Mollura,and Ronald M.Summers,“Deep ConvolutionalNeural Networks for Computer-Aided Detection:CNN Architectures,DatasetCharacteristics and Transfer Learning”,IEEE Transactions on Medical Imaging,Vol.35,No.5,pp.1285–1298,May 2016.
[4]BijjuKranthiVeduruparthi,JayantaMukhopadhyay,ParthaPratim Das,Mandira Sahay,SriramPrasathy,SoumendranathRayy,Raj Kumar Shrimaliy,and SanjoyChatterjee,“Segmentation of Lung Tumor in Cone Beam CT Images based on Level-Sets”,ICIP 2018,IEEE,pp.1398-1402.
[5]Zhe Liu,Yuqing Song,Charlie Maere,Qingfeng Liu,Yan Zhu,Hu Lu,andDeqi Yuan,“A Method for PET-CT Lung Cancer Segmentation based on ImprovedRandom Walk”,2018 24th International Conference on Pattern Recognition(ICPR),IEEE,pp.1187-1192,Beijing,China,August 20-24,2018.
[6]Ahmed Soliman,FahmiKhalifa,Ahmed Shaffie,Neal Dunlap,Brain Wang,Adel Elmaghraby,Georgy Gimelfarb,Mohammed Ghazal,and Ayman El-Baz,“AComprehensive Framework for Early Assessment of Lung Injury”,ICIP 2017,IEEE,pp.3275-3279.
[7]Ahmed Soliman,FahmiKhalifa,Ahmed Shaffie,Ni Liu,Neal Dunlap,BrianWang,Adel Elmaghraby,Georgy Gimelfarb,and Ayman El-Baz,“Image–based CADSystem for Accurate Identification of Lung Injury”,ICIP 2016,IEEE,pp.121-125.
[8]Ahmed Soliman,Ahmed Elnakib,FahmiKhalifa,Mohamed Abou El-Ghar,andAyman El-Baz,“Segmentation of Pathological Lungs From CT Chest Images”,ICIP2015,IEEE,pp.3655-3659.
[9]Ehsan Hosseini-Asl,Jacek M.Zurada,and Ayman El-Baz,“AutomaticSegmentation of Pathological Lung Using Incremental Nonnegative MatrixFactorization”,ICIP 2015,IEEE,pp.3111-3115.
[10]Tuan Anh Ngo and Gustavo Carneiro,“Lung Segmentation in ChestRadiographs using Distance Regularized Level Set and Deep-Structured Learningand Inference”,ICIP 2015 IEEE,pp.2140-2143.。
发明内容
本发明的目的在于提出一种用于肺部肿块计算机辅助检测的图像分析方法和***。
本发明提出的用于肺部肿块计算机辅助检测的图像分析方法，以无监督方式从完全没有标注的图像中自动发现和定位肿块，具体步骤如下：
(a)通过医疗影像设备扫描人体获得图像序列(如CT图像)，排序原则为：空间相邻的两个切片对应相邻帧的图像。
(b)对于包含肺部的图像子序列，标记前景点和背景点，这里将每帧图像肺部所在区域对应的点作为前景点，其余点作为背景点。
(c)计算邻近帧图像之间的变化，检测突变区域标，将突变区域标记为疑似肿块；
具体可有以下2种代表性的计算方法：
(c1)令表示第t帧图像位于坐标(xi,yi)的点，和分别表示该点属于前景还是背景，观察K+1个连续帧图像(K≥1)，将满足下式的点集合视作可疑点：
通过8邻居区域生长方法，将所得到的可疑点聚类为连通区域，所得到的每个连通区域对应一个疑似肿块；
(c2)将每帧图像的前景点通过8邻居区域生长方法聚类为连通区域，计算所得到的前后两帧图像的连通区域之间的对应关系，如果前一帧图像的某个连通区域(点集合A)与后一帧图像的某个连通区域(点集合B)满足|A-B|>τ，则将A-B标记为疑似肿块所在区域，这里，“A-B”表示集合减法，“|A-B|”表示集合A-B的元素个数，τ是一个阈值(取值区间建议为[0.05,∞])。
(d)对疑似肿块进行过滤；
具体可有以下3种代表性的计算方法：
(d1)如果一个前景点构成的连通区域所包含的点数小于一个阈值(取值区间建议为[0,0.0005×M×N]，这里M和N表示图像的高和宽)，则从疑似肿块区域的集合中将该区域排除；
(d2)对一个前景点构成的连通区域进行主元分析(principal componentanalysis)，所得到的两个特征值中较大的值除以较小的值，如果比值大于一个阈值(取值区间[3,∞])，则从疑似肿块区域的集合中将该区域排除；
(d3)如果一个前景点构成的连通区域包含的点数与该区域最小外接矩形的面积之比小于某个阈值(取值区间建议为[0,0.35])，则从疑似肿块区域的集合中将该区域排除。
(e)在对应图像帧的对应坐标位置标示肿块。
对于上述图像分析方法，本发明还涉及用于肺部肿块计算机辅助检测的图像分析***，该***包括五个模块：人体获得图像序列获取及排序模块，图像肺部所在区域前景点及背景点标注模块，图像突变区域检测和标记模块，疑似肿块过滤模块，肿块位置标示模块，该五个模块依次对应执行图像分析方法中的步骤(a)、(b)、(c)、(d)、(e)的操作内容。
本发明优点是：无需图像数据标注，可以以无监督的方式自动从CT切片图像序列中发现肺部肿块。实验结果表明：本发明方法可以实现肿块的自动发现和标记，可用于辅助医生诊断。
附图说明
图1为肺部肿块图像自动检测***的组成框图。
图2为正确检测到的肿块(方框内)。
具体实施方式
本发明的图像分析***由以下几个环节组成：图像采集、前景点标记、临近帧变化检测、疑似肿块形态过滤、结果可视化，整个图像分析***的组成见图1。
实施例1：
(a)通过医疗影像设备扫描人体获得图像序列(如CT图像)，排序原则为：空间相邻的两个切片对应相邻帧的图像；
(b)对于包含肺部的图像子序列，标记前景点和背景点，这里将每帧图像肺部所在区域对应的点作为前景点，其余点作为背景点；
(c)计算邻近帧图像之间的变化，将突变区域标记为疑似肿块：令表示第t帧图像位于坐标(xi,yi)的点、和分别表示该点属于前景还是背景，观察K+1个连续帧图像(K≥1)，将满足下式的点集合视作可疑点：
通过8邻居区域生长方法将所得到的可疑点聚类为连通区域，所得到的每个连通区域对应一个疑似肿块；
(d)对疑似肿块进行过滤：
如果一个前景点构成的连通区域所包含的点数小于一个0.0005×M×N，这里M和N表示图像的高和宽，则从疑似肿块区域的集合中将该区域排除；
对一个前景点构成的连通区域进行主元分析(principal component analysis)，所得到的两个特征值中较大的值除以较小的值，如果比值大于阈值3，则从疑似肿块区域的集合中将该区域排除；
如果一个前景点构成的连通区域包含的点数与该区域最小外接矩形的面积之比小于阈值0.35，则从疑似肿块区域的集合中将该区域排除；
(e)在对应图像帧的对应坐标位置标示肿块。
步骤(b)中，肺部图像子序列和前景点的确定方法的计算步骤如下：
(1)假设每个切片图像分辨率为M×N、像素(x,y)的CT值为I(x,y)，将图像中CT值满足{74≤I(x,y)≤774|x∈[1,M]∧y∈[1,N]}的像素点标记为前景点；
(2)通过8邻居区域生长法将前景点聚类为连通区域，连通性的定义是：如果一个前景点的8个邻居点中的某些点也是前景点，则这些邻居点与该点连通、属于同一个连通区域；
(3)采用滤波方法对连通区域进行过滤筛选：如果一个前景点构成的连通区域所包含的点数小于0.01×M×N，则从连通区域的集合中将该区域排除；
(4)顺序扫描(人体从头到脚的方向)每个切片的CT图像，直到发现包含且仅包含2个连通区域的图像，作为肺部图像子序列的起始帧,同时根据位置分别将这两个连通区域标记为左肺和右肺；
(5)分别从左肺和右肺开始沿着起始帧向下扫描，找到与前一帧图像满足一致性检验的当前肺部区域，一致性检验方法为：
令ni表示当前帧(第i帧)图像中肺部区域包含的前景点个数、nOld表示前一帧肺部区域的前景点个数、nMax表示扫描到当前帧为止所记录的最大肺部区域对应的前景点个数；
如果ni<1.5×nOld，则当前帧通过一致性检测，更新nOld和nMax：
令nOld＝ni；
如果ni>nMax，则令nMax＝ni；
否则，记录当前帧号T，转步骤(7)；
(6)重复步骤(5)直到ni<0.5×nMax,记录当前帧号T；
(7)从当前帧T开始回溯，直到出现ni≥ni-1，将i-1标记为肺部图像子序列的最后一帧。
上述步骤(2)中，8邻居区域生长法的计算步骤为：
①从尚未扫描过的前景点中随机选取一个作为当前连通区域的种子点；
②扫描当前连通区域包含的每个前景点的8个邻居点并将其中的前景点加入当前连通区域；
③重复步骤②直至找不到更多的与该区域连通的前景点；
④如果所有前景点都被扫描过，则结束；否则转步骤①。
根据实施例1的方法对6个病人的CT图像进行了分析，检测出了29个肿块，其中8个是真正的肿块，包含了5个病人的肿块，被程序自动发现和标示了的真正的肿块如图2所示。

Claims (9)

1.一种用于肺部肿块计算机辅助检测的图像分析方法，其特征在于，以无监督方式从完全没有标注的图像中自动发现和定位肿块，具体步骤为：
(a)通过医疗影像设备扫描人体获得图像序列，排序原则为：空间相邻的两个切片对应相邻帧的图像；
(b)对于包含肺部的图像子序列，标记前景点和背景点，这里将每帧图像肺部所在区域对应的点作为前景点，其余点作为背景点；
(c)计算邻近帧图像之间的变化，检测突变区域，将突变区域标记为疑似肿块；
(d)对疑似肿块进行过滤；
(e)在对应图像帧的对应坐标位置标示肿块。
2.根据权利要求1所述的图像分析方法，其特征在于，步骤(c)中所述检测突变区域的方法包括以下步骤：
令表示第t帧图像位于坐标(xi,yi)的点，和分别表示该点属于前景还是背景，观察K+1个连续帧图像，K≥1，将满足下式的点集合视作可疑点：
通过8邻居区域生长方法，将所得到的可疑点聚类为连通区域，所得到的每个连通区域对应一个疑似肿块。
3.根据权利要求1所述的图像分析方法，其特征在于，步骤(c)中所述检测突变区域的方法为：
将每帧图像的前景点通过8邻居区域生长方法聚类为连通区域，计算所得到的前后两帧图像的连通区域之间的对应关系，记前一帧图像的某个连通区域为点集合A，后一帧图像的某个连通区域记为点集合B，如果满足|A-B|>τ，则将A-B标记为疑似肿块所在区域，这里，“A-B”表示集合减法，“|A-B|”表示集合A-B的元素个数，τ是阈值。
4.根据权利要求1-3之一所述的图像分析方法，其特征在于，步骤(d)中所述疑似肿块的过滤方法为：
如果一个前景点构成的连通区域所包含的点数小于一个阈值δ∈[0,0.0005×M×N]，这里M和N表示图像的高和宽，则从疑似肿块区域的集合中将该区域排除。
5.根据权利要求1-3之一所述的图像分析方法，其特征在于，步骤(d)中所的疑似肿块的过滤方法为：
对一个前景点构成的连通区域进行主元分析，所得到的两个特征值中较大的值除以较小的值，如果比值大于一个阈值，则从疑似肿块区域的集合中将该区域排除。
6.根据权利要求1-3之一所述的图像分析方法，其特征在于，步骤(d)中所述疑似肿块的过滤方法为：
如果一个前景点构成的连通区域包含的点数与该区域最小外接矩形的面积之比小于某个阈值，则从疑似肿块区域的集合中将该区域排除。
7.根据权利要求1-3之一所述的图像分析方法，其特征在于，步骤(b)中，肺部图像子序列和前景点的确定方法如下：
(1)假设每个切片图像分辨率为M×N、像素(x,y)的CT值为I(x,y)，将图像中CT值满足{74≤I(x,y)≤774|x∈[1,M]∧y∈[1,N]}的像素点标记为前景点；
(2)通过8邻居区域生长法将前景点聚类为连通区域，连通性的定义是：如果一个前景点的8个邻居点中的某些点也是前景点，则这些邻居点与该点连通、属于同一个连通区域；
(3)采用滤波方法对连通区域进行过滤筛选：如果一个前景点构成的连通区域所包含的点数小于0.01×M×N，则从连通区域的集合中将该区域排除；
(4)顺序扫描每个切片的CT图像，直到发现包含且仅包含2个连通区域的图像，作为肺部图像子序列的起始帧,同时根据位置分别将这两个连通区域标记为左肺和右肺；
(5)分别从左肺和右肺开始沿着起始帧向下扫描，找到与前一帧图像满足一致性检验的当前肺部区域；一致性检验的方法为：
令ni表示当前第i帧图像中肺部区域包含的前景点个数，nOld表示前一帧肺部区域的前景点个数，nMax表示扫描到当前帧为止所记录的最大肺部区域对应的前景点个数；
如果ni<1.5×nOld，则当前帧通过一致性检测，更新nOld和nMax：
令nOld＝ni；
如果ni>nMax，则令nMax＝ni；
否则，记录当前帧号T，转步骤(7)；
(6)重复步骤(5)直到ni<0.5×nMax,记录当前帧号T；
(7)从当前帧T开始回溯，直到出现ni≥ni-1，将i-1标记为肺部图像子序列的最后一帧。
8.根据权利要求7所述的图像分析方法，其特征在于，步骤(b)中，所述8邻居区域生长法的计算步骤为：
①从尚未扫描过的前景点中随机选取一个作为当前连通区域的种子点；
②扫描当前连通区域包含的每个前景点的8个邻居点并将其中的前景点加入当前连通区域；
③重复步骤②直至找不到更多的与该区域连通的前景点；
④如果所有前景点都被扫描过，则结束；否则转步骤①。
9.基于权利要求1-8之一所述的图像分析方法的用于肺部肿块计算机辅助检测的图像分析***，其特征在于，包括五个模块：人体图像序列获取及排序模块，图像肺部所在区域前景点及背景点标注模块，图像突变区域检测和标记模块，疑似肿块过滤模块，肿块位置标示模块，该五个模块依次对应执行图像分析方法中的步骤(a)、(b)、(c)、(d)、(e)的操作内容。
CN201910436100.1A 2019-05-23 2019-05-23 一种用于肺部肿块计算机辅助检测的图像分析方法和*** Active CN110211104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910436100.1A CN110211104B (zh) 2019-05-23 2019-05-23 一种用于肺部肿块计算机辅助检测的图像分析方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910436100.1A CN110211104B (zh) 2019-05-23 2019-05-23 一种用于肺部肿块计算机辅助检测的图像分析方法和***

Publications (2)

Publication Number Publication Date
CN110211104A true CN110211104A (zh) 2019-09-06
CN110211104B CN110211104B (zh) 2023-01-06

Family

ID=67788380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910436100.1A Active CN110211104B (zh) 2019-05-23 2019-05-23 一种用于肺部肿块计算机辅助检测的图像分析方法和***

Country Status (1)

Country Link
CN (1) CN110211104B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
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***
CN103106408A (zh) * 2013-01-25 2013-05-15 西安电子科技大学 无监督分割的胃部ct图像***自动辅助检测***
CN106204600A (zh) * 2016-07-07 2016-12-07 广东技术师范学院 基于多序列mr图像关联信息的脑肿瘤图像分割方法
CN106548476A (zh) * 2016-11-25 2017-03-29 天津工业大学 利用医学图像统计肺部三维特征形状方法
CN106815576A (zh) * 2017-01-20 2017-06-09 中国海洋大学 基于连续时空置信图和半监督极限学习机的目标追踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
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***
CN103106408A (zh) * 2013-01-25 2013-05-15 西安电子科技大学 无监督分割的胃部ct图像***自动辅助检测***
CN106204600A (zh) * 2016-07-07 2016-12-07 广东技术师范学院 基于多序列mr图像关联信息的脑肿瘤图像分割方法
CN106548476A (zh) * 2016-11-25 2017-03-29 天津工业大学 利用医学图像统计肺部三维特征形状方法
CN106815576A (zh) * 2017-01-20 2017-06-09 中国海洋大学 基于连续时空置信图和半监督极限学习机的目标追踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张戈: "颅脑电阻抗成像数据采集中电极干扰的预处理方法研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 *

Also Published As

Publication number Publication date
CN110211104B (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
EP3770850B1 (en) Medical image identifying method, model training method, and computer device
WO2018120942A1 (zh) 一种多模型融合自动检测医学图像中病变的***及方法
CN105719295B (zh) 一种基于三维超体素的颅内出血区域分割方法及***
CN104299242B (zh) 基于ngc‑acm的荧光造影眼底图像提取方法
CN110503626B (zh) 基于空间-语义显著性约束的ct图像模态对齐方法
Chen et al. Discriminative cervical lesion detection in colposcopic images with global class activation and local bin excitation
CN111798425B (zh) 基于深度学习的胃肠道间质瘤中核***象智能检测方法
CN105069818A (zh) 一种基于图像分析的皮肤毛孔识别方法
CN112102332A (zh) 基于局部分类神经网络的癌症wsi的分割方法
CN113782184A (zh) 一种基于面部关键点与特征预学习的脑卒中辅助评估***
Senthilkumaran et al. Brain image segmentation
Pradhan et al. Lung cancer detection using 3D convolutional neural networks
Manikandan et al. Segmentation and Detection of Pneumothorax using Deep Learning
Jaffar et al. GA and morphology based automated segmentation of lungs from Ct scan images
Ramana Alzheimer disease detection and classification on magnetic resonance imaging (MRI) brain images using improved expectation maximization (IEM) and convolutional neural network (CNN)
Ratheesh et al. Advanced algorithm for polyp detection using depth segmentation in colon endoscopy
CN114627136B (zh) 一种基于特征金字塔网络的舌象分割与对齐方法
CN116580819A (zh) 用于自动化地确定图像序列中的检查结果的方法和***
CN110211104A (zh) 一种用于肺部肿块计算机辅助检测的图像分析方法和***
Ogiela et al. Computer analysis of gallbladder ultrasonic images towards recognition of pathological lesions
CN111768845B (zh) 一种基于最优多尺度感知的肺结节辅助检测方法
Mansoor et al. Near-optimal keypoint sampling for fast pathological lung segmentation
Mohammed et al. Esophageal Cancer Detection Using Feed-Forward Neural Network
Xu et al. A pilot study to utilize a deep convolutional network to segment lungs with complex opacities
KR20220141218A (ko) 자동 알고리즘 기반의 확장성 심근병증 보조진단을 위한 의사결정 시스템

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