CN110349115A - Ct图像处理*** - Google Patents
Ct图像处理*** Download PDFInfo
- Publication number
- CN110349115A CN110349115A CN201910643807.XA CN201910643807A CN110349115A CN 110349115 A CN110349115 A CN 110349115A CN 201910643807 A CN201910643807 A CN 201910643807A CN 110349115 A CN110349115 A CN 110349115A
- Authority
- CN
- China
- Prior art keywords
- analyzed
- image
- region
- pixel
- density
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 73
- 238000009826 distribution Methods 0.000 claims abstract description 50
- 210000004072 lung Anatomy 0.000 claims description 14
- 238000003556 assay Methods 0.000 claims description 12
- 208000020816 lung neoplasm Diseases 0.000 description 8
- 206010061218 Inflammation Diseases 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 6
- 230000004054 inflammatory process Effects 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 1
- 208000009956 adenocarcinoma Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种CT图像处理***，包括CT图像获取模块获取被扫描物体的CT图像；待分析区域选取模块描绘每一层CT图像待分析区域的边缘后选取每一层CT图像的待分析区域；分析模块获取每一层CT图像待分析区域的像素数量和像素密度值，将每一层CT图像待分析区域的像素数量和像素密度值绘制形成该待分析区域的像素密度比例分布曲线；输出模块其预存密度分布变化判断规则，根据像素密度比例分布曲线是否符合密度分布变化判断规则输出不同分析结果。本发明的CT图像处理***能准确表达CT图像待分析区域像素三维密度分布，通过本发明能获得待分析区域准确的像素三维密度分布，进而能通过不同的像素三维密度分布获得待分析区域的密度分布变化状态。
Description
技术领域
本发明涉及CT检测技术领域，特别是涉及一种CT图像处理***。
背景技术
CT是一种计算机X线断层技术简称，CT的工作原理是：根据被扫描物体对X线吸收的不同，应用高灵敏度换能器进行数据采集，由计算机进行图像重建被扫描物体断面层或三维立体图像，从而发现被扫描物体内的细小不同。CT扫描的参数直接关系到病灶的空间分辨率和密度分辨率，现代新型CT扫描机已经能达到矩阵1024*1024、层厚1mm的高分辨率技术要求。使CT图像的空间分辨率达到0.2mm，密度分辨率容积效应减少到1mm。
现有CT技术形成的CT图像具有以下局限，不利于直接使用；
1、CT图像是被扫描物体的断层图像，其仅能体现被扫描物品某一断层平面情况，无法体现被扫描物体的整体结构。
2、受到部分容积效应影响，CT图像无法准确显示被扫描物体的密度。
3、CT图像是一种灰度图像，其有4096个灰阶，图像层次丰富。但人眼只能分辨256个灰度等级，CT图像不利于使用者观察。使用者由于人眼辨识灰度等级的限制造成无法对CT图像丰富层次的全面观察，容易发生对CT图像的观察错误。
发明内容
本发明要解决的技术问题是提供一种能准确表达CT图像被扫描物体待分析区域像素三维密度分布的CT图像处理***，通过该CT图像处理***能获得被扫描物体待分析区域整体的、准确的像素三维密度分布，判断该待分析区域是否发生密度分布变化进而能通过不同的像素三维密度分布获得待分析区域的状态。
为解决上述技术问题，本发明提供一种CT图像处理***，包括：CT图像获取模块、待分析区域选取模块、分析模块和输出模块；
CT图像获取模块，获取被扫描物体的CT图像；
待分析区域选取模块，描绘每一层CT图像待分析区域的边缘后选取每一层CT图像的待分析区域；
分析模块,获取每一层CT图像待分析区域的像素数量和像素密度值，将每一层CT图像待分析区域的像素数量和像素密度值绘制形成该待分析区域的像素密度比例分布曲线；
输出模块，其预存密度分布变化判断规则，根据像素密度比例分布曲线是否符合密度分布变化判断规则输出不同分析结果。
其中，所述被扫描物体是肺部时，待分析区域是肺部的肺结节区域。
其中，被扫描物体CT图像的扫描参数矩阵大于等于1024*1024，层厚小于等于1mm,扫描视野小于等于18cm。
其中，所述待分析区域的像素密度比例分布曲线是直方图曲线。
其中，分析模块根据CT图像层顺序将每一层CT图像待分析区域的像素密度值作为X轴值，将每一层CT图像待分析区域的像素数量作为Y轴值绘制直方图曲线。
其中，输出模块，选取直方图曲线中Y轴最大值点作为第一分析点，在第一分析点Y轴值的1/N位置绘制与X轴平行的分析线，选取直方图曲线中第一分析点左侧与该分析线相交的点作为第二分析点，选取直方图曲线中第一分析点右侧与该分析线相交的点作为第三分析点,其中N≥2；计算第一分析点与第二分析点之间的X轴距离值作为第一分析值A，计算第一分析点与第三分析点之间的X轴距离值作为第二分析值B；
若A/B＜C则判断待分析区域未发生密度分布变化是第一状态，若A/B≥C则判断待分析区域发生密度分布变化是第二状态；
其中，C是判断阈值,C为50％-70％。
本发明将CT图像的待分析区域的像素数量和像素密度值转化为像素密度比例分布曲线，通过像素密度比例分布曲线形状获得CT图像待分析区域整体的密度比例分布状态，进而判断CT图像待分析区域密度分布的具体情况。
由于CT图像具有4096灰阶，人眼只能识别256个灰阶，将CT图像采用本发明的处理***转化像素密度比例分布曲线再经密度变化筛选后，能减少人眼的识别错误，提高人眼识别的准确度，扩大人眼识别范围。通过像素密度比例分布曲线人眼做到了4096灰阶的识别，即使很小的密度变化也能够从像素密度比例分布曲线通过设定判断密度分布变化判断公式(该判断公式可以根据实际需要识别的精确度设置)判断出来。根据像素密度比例分布曲线的形状能准确判断被扫描物体待分析区域是否发生了密度分布变化。并且，通过设定不同的密度变化判断公式能调整密度变化筛选的精度，能克服部分容积效应影响，通过设置合理的密度变化判断精度还能够筛选出部分容积效应影响发生的区域，拟补了现有CT图像不足，扩大了CT技术的适用范围。
附图说明
下面结合附图与具体实施方式对本发明作进一步详细的说明：
图1是本发明CT图像处理***处理流程示意图。
图2是本发明第一应用实施例直方图曲线示意图。
图3是本发明第二应用实施例直方图曲线示意图。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点加以应用，在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明提供一种CT图像处理***第一实施例，包括：CT图像获取模块、待分析区域选取模块、分析模块和输出模块；
CT图像获取模块，自CT机获取被扫描物体的CT图像；
待分析区域选取模块，描绘每一层CT图像待分析区域的边缘后选取每一层CT图像的待分析区域；
待分析区域的选取可通过手动和或自动绘制待分析区域边缘的方式获得。CT图像是一种灰度图像，自动绘制待分析区域边缘可以采用：设置某一灰度值(或某灰度值范围)为分析区域边缘，通过计算机编程技术手段，依据所设置灰度值(或某灰度值范围)自动绘制分析区域边缘。
手动绘制待分析区域边缘可以采用在CT图片上手动描绘待分析区域边缘，然后将CT图像扫描导入处理***的方式。
手动和自动绘制待分析区域边缘也可以相结合使用，通过手动绘制(人眼的局限)待分析区域的边缘未必准确(但不影响本发明技术方***性)，再通过计算机设置某一灰度值(或某灰度值范围)作为分析区域边缘对手动绘制的误差进行拟补。
分析模块根据CT图像层顺序将每一层CT图像待分析区域的像素密度值作为X轴值，将每一层CT图像待分析区域的像素数量作为Y轴值绘制直方图曲线。
输出模块，其预存密度分布变化判断规则，根据像素密度比例分布曲线是否符合密度分布变化判断规则输出不同分析结果。
其中，所述被扫描物体是肺部时，待分析区域是肺部的肺结节区域。
本发明提供一种CT图像处理***第二实施例，在上述CT图像处理***第一实施例基础上进一步改进，采用被扫描物体CT图像的扫描参数矩阵大于等于1024*1024，层厚小于等于1mm,扫描视野小于等于18cm。输出模块，预存密度分布变化判断规则如下：
选取直方图曲线中Y轴最大值点作为第一分析点，在第一分析点Y轴值的1/2位置绘制与X轴平行的分析线，选取直方图曲线中第一分析点左侧与该分析线相交的点作为第二分析点，选取直方图曲线中第一分析点右侧与该分析线相交的点作为第三分析点；计算第一分析点与第二分析点之间的X轴距离值作为第一分析值A，计算第一分析点与第三分析点之间的X轴距离值作为第二分析值B；
若A/B＜C则判断待分析区域未发生密度分布变化，若A/B≥C则判断待分析区域发生密度分布变化。C是判断阈值,C为50％-70％，优选为70％。通过选取不同的判断阈值C可以调节判断的精度。相应的，对于不同的被扫描物体，窜在不同的最优判断阈值。
以下提供将本发明的CT图像处理***应用到具体工作中，示例性的进一步说明本发明。将本发明的CT图像处理***能进行更广泛的应用，所有能被CT技术扫描识别的物体均能应用被发明。示例性的以肺部CT图像为例，通过现有的CT***输出的CT图像医生人眼通过观察多张CT图像是无法获取该被扫描物体待分析区域整体三维密度分布的，更无法观察到被扫描物体待分析区域整体三维密度分布变化。因此，医生人眼通过现有多张CT图像无法准确区分肺部病灶是炎症还是癌症，必须进行外科手术切片才能准确区分炎症还是癌症，在肺部炎症时会造成不必要的切片检测。将CT图像采用本发明的CT图像处理***转化像素密度比例分布曲线后，根据像素密度比例分布曲线的形状能准确判断被扫描物体待分析区域在CT图像像素三维密度分布的明显变化，通过像素三维密度分布变化判断具体是炎症还是癌症。从而为区分炎症与早期原位腺癌肿瘤提供了有效的、准确的CT图像处理***。本发明的CT图像处理***能减少了放射科医生人为因素的影响，提高了对CT图像鉴别诊断的准确率，减少了不必要的外科手术。
在本实施例中，随着病例研究的深入发展，像素密度比例分布曲线形状所对应的待分析区域类型也会随之扩展，不仅限于两种类型。像素密度比例分布曲线形状所对应类型可根据医学技术及CT技术进行设置。利用扫描参数矩阵大于等于1024*1024，层厚小于等于1mm,扫描视野小于等于18cm的CT对待分析对象肺部进行CT扫描，获得CT图像。通过医生手动描绘每一层CT图像的肺结节区域作为待分析区域录入***，或通过在处理***中设置灰度值自动绘制待分析区域。
CT图像处理***根据CT图像层顺序将每一层CT图像待分析区域的像素密度值作为X轴值，将每一层CT图像待分析区域的像素数量作为Y轴值绘制直方图曲线。
根CT图像处理***据CT图像层顺序将每一层CT图像待分析区域的像素密度值作为X轴值，将每一层CT图像待分析区域的像素数量作为Y轴值绘制直方图曲线。
选取直方图曲线中Y轴最大值点作为第一分析点，在第一分析点Y轴值的1/N位置绘制与X轴平行的分析线，选取直方图曲线中第一分析点左侧与该分析线相交的点作为第二分析点，选取直方图曲线中第一分析点右侧与该分析线相交的点作为第三分析点,其中N≥2；计算第一分析点与第二分析点之间的X轴距离值作为第一分析值A，计算第一分析点与第三分析点之间的X轴距离值作为第二分析值B；
若A/B＜70％则判断待分析区域未发生密度分布变化是第一状态，本实施例中第一状态设置为炎症。若A/B≥70％则判断待分析区域发生密度分布变化是第二状态，第二状态设置为癌症；
假设获得某肺部CT图像为5层。然后***根据设置的灰度自动描绘选取每一层CT图像的待分析区域(肺结节区域)，待分析区域选取根据实际需要选取，示例性的获得以下数据；
第一层CT图像待分析区域素数量为780，像素平均密度为-755；
第二层CT图像待分析区域素数量为1479，像素平均密度为-699；
第三层CT图像待分析区域素数量为1875，像素平均密度为-655；
第四层CT图像待分析区域素数量为1816，像素平均密度为-658；
第五层CT图像待分析区域素数量为1219，像素平均密度为-709；
采用本发明的处理***，获得直方图曲线如图2所示。
选取直方图曲线中Y轴最大值点作为第一分析点，假设Y轴像素数量48为最大值，则该处X轴像素平均密度为-826。在第一分析点Y轴值的1/2位置绘制与X轴平行的分析线，选取直方图曲线中第一分析点左侧与该分析线相交的点作为第二分析点，选取直方图曲线中第一分析点右侧与该分析线相交的点作为第三分析点；
计算第一分析点与第二分析点之间的X轴距离值作为第一分析值A，计算第一分析点与第三分析点之间的X轴距离值作为第二分析值B；
该如图2所示直方图曲线A/B＜70％即直方图曲线较为平缓，则输出模块判断未出现密度分布变化判断待分析区域是第一状态，根据上述设置判断该肺部的肺结节区域为炎症。
假设获得某肺部CT图像为21层，然后***根据设置的灰度自动描绘选取每一层CT图像的待分析区域(肺结节区域)，待分析区域选取根据实际需要选取，示例性的获得以下数据；
第一层CT图像待分析区域素数量为7707，像素平均密度为-775；
第二层CT图像待分析区域素数量为11176，像素平均密度为-755；
第三层CT图像待分析区域素数量为15060，像素平均密度为-736；
第四层CT图像待分析区域素数量为18110，像素平均密度为-722；
第五层CT图像待分析区域素数量为18448，像素平均密度为-702；
第六层CT图像待分析区域素数量为19653，像素平均密度为-695；
第七层CT图像待分析区域素数量为21102，像素平均密度为-692；
第八层CT图像待分析区域素数量为21752，像素平均密度为-684；
第九层CT图像待分析区域素数量为22600，像素平均密度为-673；
第十层CT图像待分析区域素数量为22882，像素平均密度为-664；
第十一层CT图像待分析区域素数量为23923，像素平均密度为-687；
第十二层CT图像待分析区域素数量为23810，像素平均密度为-683；
第十三层CT图像待分析区域素数量为23119，像素平均密度为-668；
第十四层CT图像待分析区域素数量为21780，像素平均密度为-657；
第十五层CT图像待分析区域素数量为20908，像素平均密度为-660；
第十六层CT图像待分析区域素数量为20190，像素平均密度为-655；
第十七层CT图像待分析区域素数量为20066，像素平均密度为-666；
第十八层CT图像待分析区域素数量为18946，像素平均密度为-679；
第十九层CT图像待分析区域素数量为16246，像素平均密度为-706；
第二十层CT图像待分析区域素数量为12009，像素平均密度为-719；
第二十一层CT图像待分析区域素数量为4367，像素平均密度为-765；
采用本发明的处理***，获得直方图曲线如图3所示。
选取直方图曲线中Y轴最大值点作为第一分析点，假设Y轴像素数量1900为最大值，则该处X轴像素平均密度为-733.在第一分析点Y轴值的1/2位置绘制与X轴平行的分析线，选取直方图曲线中第一分析点左侧与该分析线相交的点作为第二分析点，选取直方图曲线中第一分析点右侧与该分析线相交的点作为第三分析点；
计算第一分析点与第二分析点之间的X轴距离值作为第一分析值A，计算第一分析点与第三分析点之间的X轴距离值作为第二分析值B；
如图3所示该直方图曲线A/B≥70％即直方图曲线形成有明显的波峰，则输出模块，判断待分析区域发生了密度分布变化判断待分析区域是第二状态，根据上述设置判断该肺部的肺结节区域为癌症。
为了验证本发明CT图像处理***的准确性，发明人与某医院进行合作，在一年内跟踪对20例待分析对象被扫描区域(肺部)待分析区域(肺结节)CT图像的医生诊断结果、本发明CT图像处理***判断结果和病理解剖结果进行了数据采集，获得下述表1的数据。
表1
由上述表1可以明确得出，医生诊断由于受到人眼可识别灰度的限制、诊断经验限制、通过CT图像无法观察到整体密度分布变化限制等原因造成例9、例11、例13、例15、例16、例18和例20的诊断结果相对病理解剖结果出现错误，错误率高达35％。而通过本发明的CT图像处理***通过密度分布变化判断的结果与病理解剖结果相比较准确率达到100％。随着验证样本数据的扩大能进一步证明本发明的准确性要远远高于医生人眼对CT图像判断的准确性。
以上通过具体实施方式和实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。
Claims (8)
1.一种CT图像处理***，其特征在于，包括：CT图像获取模块、待分析区域选取模块、分析模块和输出模块；
CT图像获取模块，获取被扫描物体的CT图像；
待分析区域选取模块，描绘每一层CT图像待分析区域的边缘后选取每一层CT图像的待分析区域；
分析模块,获取每一层CT图像待分析区域的像素数量和像素密度值，将每一层CT图像待分析区域的像素数量和像素密度值绘制形成该待分析区域的像素密度比例分布曲线；
输出模块，其预存密度分布变化判断规则，根据像素密度比例分布曲线是否符合密度分布变化判断规则输出不同分析结果。
2.如权利要求1所述的CT图像处理***，其特征在于：被扫描物体CT图像的扫描参数矩阵大于等于1024*1024，层厚小于等于1mm,扫描视野小于等于18cm。
3.如权利要求1所述的CT图像处理***，其特征在于：所述待分析区域的像素密度比例分布曲线是直方图曲线。
4.如权利要求3所述的CT图像处理***，其特征在于：分析模块根据CT图像层顺序将每一层CT图像待分析区域的像素密度值作为X轴值，将每一层CT图像待分析区域的像素数量作为Y轴值绘制直方图曲线。
5.如权利要求1-4任意一项所述的CT图像处理***，其特征在于：所述被扫描物体是肺部。
6.如权利要求5所述的CT图像处理***，其特征在于：待分析区域是肺部CT图像的肺结节区域。
7.权利要求4所述的CT图像处理***，其特征在于：输出模块预存密度分布变化判断规则如下：
选取直方图曲线中Y轴最大值点作为第一分析点，在第一分析点Y轴值的1/N位置绘制与X轴平行的分析线，选取直方图曲线中第一分析点左侧与该分析线相交的点作为第二分析点，选取直方图曲线中第一分析点右侧与该分析线相交的点作为第三分析点,其中N≥2；计算第一分析点与第二分析点之间的X轴距离值作为第一分析值A，计算第一分析点与第三分析点之间的X轴距离值作为第二分析值B；
若A/B＜C则输出模块判断待分析区域未发生密度分布变化是第一状态，若A/B≥C则输出模块判断待分析区域发生密度分布变化是第二状态；
其中，C是判断阈值。
8.权利要求7所述的CT图像处理***，其特征在于：C为50％-70％。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910599370 | 2019-07-04 | ||
| CN2019105993704 | 2019-07-04 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110349115A true CN110349115A (zh) | 2019-10-18 |
Family
ID=68176655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910643807.XA Pending CN110349115A (zh) | 2019-07-04 | 2019-07-17 | Ct图像处理*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110349115A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101390753A (zh) * | 2008-10-23 | 2009-03-25 | 上海交通大学附属胸科医院 | Ct薄层超高分辨率图像密度转换方法 |
| 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*** |
| US20190066254A1 (en) * | 2016-01-27 | 2019-02-28 | Rakuten, Inc. | Image processing device, image processing method, and program |
-
2019
- 2019-07-17 CN CN201910643807.XA patent/CN110349115A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101390753A (zh) * | 2008-10-23 | 2009-03-25 | 上海交通大学附属胸科医院 | Ct薄层超高分辨率图像密度转换方法 |
| 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*** |
| US20190066254A1 (en) * | 2016-01-27 | 2019-02-28 | Rakuten, Inc. | Image processing device, image processing method, and program |
Non-Patent Citations (1)
| Title |
|---|
| 田硕: "基于密度分布的乳腺肿块诊断方法的研究与实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Keenan et al. | An automated machine vision system for the histological grading of cervical intraepithelial neoplasia (CIN) | |
| Ganeshan et al. | Quantifying tumour heterogeneity with CT | |
| Zebari et al. | Enhance the mammogram images for both segmentation and feature extraction using wavelet transform | |
| Belsare et al. | Histopathological image analysis using image processing techniques: An overview | |
| CN102438529B (zh) | 自动检测医学图像中的病变的方法和*** | |
| CN105009174B (zh) | 用于评估组织纤维化的方法及*** | |
| CN110996789A (zh) | 使用神经网络集成断层扫描图像重建和放射组学的***和方法 | |
| ITRM20060213A1 (it) | Metodo di elaborazione di immagini biomediche | |
| Sakai et al. | A method for the automated classification of benign and malignant masses on digital breast tomosynthesis images using machine learning and radiomic features | |
| López et al. | Digital image analysis in breast cancer: an example of an automated methodology and the effects of image compression | |
| CN104000619A (zh) | 一种甲状腺ct图像计算机辅助诊断***及方法 | |
| Heine et al. | A statistical methodology for mammographic density detection | |
| US9361711B2 (en) | Lesion-type specific reconstruction and display of digital breast tomosynthesis volumes | |
| Kim et al. | The recent progress in quantitative medical image analysis for computer aided diagnosis systems | |
| US11633145B2 (en) | Specimen imaging with x-ray and optical measurement | |
| Nakayama et al. | Computer‐aided diagnosis scheme for histological classification of clustered microcalcifications on magnification mammograms | |
| CN106327480A (zh) | 一种甲状腺ct图像异常密度的检测方法 | |
| TWI574671B (zh) | ***影像的分析方法以及其電子裝置 | |
| Kim et al. | Development and validation of segmentation method for lung cancer volumetry on chest CT | |
| Kim et al. | Anomaly detection model of mammography using YOLOv4-based histogram | |
| CN110349115A (zh) | Ct图像处理*** | |
| Ma et al. | Radiomics analysis of breast lesions in combination with coronal plane of ABVS and strain elastography | |
| Mosaliganti et al. | An imaging workflow for characterizing phenotypical change in large histological mouse model datasets | |
| Lee et al. | Evaluation of nuclear chromatin using grayscale intensity and thresholded percentage area in liquid‐based cervical cytology | |
| JP2004135867A (ja) | 異常陰影候補検出方法及び異常陰影候補検出装置 |
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: 20191018 |