CN110349662B - 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和*** - Google Patents

用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和*** Download PDF

Info

Publication number
CN110349662B
CN110349662B CN201910436092.0A CN201910436092A CN110349662B CN 110349662 B CN110349662 B CN 110349662B CN 201910436092 A CN201910436092 A CN 201910436092A CN 110349662 B CN110349662 B CN 110349662B
Authority
CN
China
Prior art keywords
image
suspected
points
region
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.)
Active
Application number
CN201910436092.0A
Other languages
English (en)
Other versions
CN110349662A (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 CN201910436092.0A priority Critical patent/CN110349662B/zh
Priority to PCT/CN2019/092043 priority patent/WO2020232786A1/zh
Publication of CN110349662A publication Critical patent/CN110349662A/zh
Application granted granted Critical
Publication of CN110349662B publication Critical patent/CN110349662B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于数据挖掘、模式识别、图像处理技术领域，具体为一种用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和***。本发明的离群样本发现方法包括：通过医疗影像设备对人体扫描，获得按顺序排列的CT图像序列；在疑似肺部肿块所在的对应图像帧的对应坐标位置标示出肿块占有的区域；对于每个疑似肿块提取图像特征；采用离群样本检测技术，对所有病人的所有疑似肿块区域的图像特征进行分析，滤除特征空间离群样本对应的图像集合中的疑似肿块区域。各个样本的离群程度对应着误检，通过过滤离群程度大的样本减少误检样本的数量，从而减少虚警。

Description

用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方 法和***
技术领域
本发明属于数据挖掘、模式识别、图像处理技术领域，具体涉及一种用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和***。
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。各种医学图像分析和计算机辅助诊断方法层出不穷，然而，各种方法都会出现误检。误检结果过会给医生带来困扰，甚至失去了辅助诊断的意义。
如何通过后处理技术对医学图像中的肿块检测结果进一步判决，是一个迫切需要解决的问题，以往的研究都是基于单张图像的检测结果的形态分析进一步过滤检测结果中的异常样本，但是单张图像的信息有限，异常样本形态多样、难以全面归纳，异常检测所依赖的知识是不完备的。
近期有人提出的一种新的解决方案：从整个图像集合中发现知识用于异常检测[1]。然而，文献[1]的方法还是一种有监督机器学习的方法，需要大量代价高昂的图像标注，而且这种大规模标注往往不易获得。
本发明中，提出了一种基于无监督机器学习的异常样本发现方法，用于过滤计算机辅助肺部肿块检测中的误检结果，以减少虚警。本发明首先遍历所有病人的CT图像的肿块检测结果，对所有肿块进行特征提取；观察发现，正确检测结果对应的样本(正常样本)在特征空间呈现聚合态势、特征具有一致性，而误检样本由于特征各异，在特征空间呈现分散的随机分布，且往往远离正常样本。因此，采用数据挖掘范畴的离群样本检测技术，在图像特征空间以无监督方式分析各个样本的离群程度，通过过滤离群样本减少误检样本的数量，从而减少虚警。
参考文献：
[1]Ke Yan,Xiaosong Wang,Le Lu,Ling Zhang,Adam P.Harrison,MohammadhadiBagheri, and Ronald M.Summers,“Deep Lesion Graphs in the Wild:Relationship Learning and Organization of Significant Radiology ImageFindings in a Diverse Large-scale Lesion Database”,2018IEEE/CVF Conference onComputer Vision and Pattern Recognition,pp. 9261-9270.。
发明内容
本发明的目的在于提出一种用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和***，用于减少计算机辅助诊断的虚警。
本发明提出的用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法，通过遍历整个图像集合，对前期判断为疑似肿块的区域在特征空间进行离群样本检测，具体步骤如下：
(a)通过医疗影像设备对人体扫描获得按顺序排列的CT图像序列，其中，空间相邻的两个切片对应相邻帧的图像；
(b)在疑似肺部肿块所在的对应图像帧的对应坐标位置标示出肿块占有的区域；
(c)对于每个疑似肿块提取图像特征；
进一步地，所述疑似肿块提取图像特征包括：
对疑似肿块区域计算CT值的均值，作为该区域的特征；
对疑似肿块区域计算CT值的标准差，作为该区域的特征；
(d)基于离群样本检测(outlier detection)技术，对所有病人的所有疑似肿块区域的图像特征进行分析，滤除特征空间离群样本对应的图像集合中的疑似肿块区域。
进一步地，具体可有以下2种代表性的计算方法：
第一种计算方法：
(1)预处理：假设有L个疑似肿块，每个肿块对应的特征是一个向量，特征空间有L个样本{f1,f2,…,fL}，对于每个特征维度进行归一化，使得L个样本在该特征维度的数值服从标准正态分布；
(2)采用K近邻法判断离群样本：将样本fi到它的K个最近邻的平均距离Oi作为异常度量指标(i＝1,2,…,L)，将{O1,O2,…,OL}按照从大到小排序，将其对应的前L′个样本作为离群样本，这里OL′是{O1,O2,…,OL}排序后出现拐点的地方。
第二种计算方法：
(1)预处理：假设有L个疑似肿块，每个肿块对应的特征是一个向量，特征空间有L个样本{f1,f2,…,fL}，对于每个特征维度进行归一化，使得L个样本在该特征维度的数值服从标准正态分布；
(2)建立样本之间的连通图：计算L个样本两两之间的欧式距离：
{dij|i＝1,2,…,L；j＝1,2,…,L},
对{dij|i＝1,2,…,L；j＝1,2,…,L}排序，找到该序列拐点出现时的值dT，计算：
Figure RE-GDA0002132666170000021
上式中，i＝1,2,…,L，j＝1,2,…,L。如果将L个样本视作组成图模型的L个节点，rij＝1 表示样本i和样本j之间连通，rij＝0表示两者不连通。{rij|i＝1,2,…,L；j＝1,2,…,L}记录的所有样本之间的连通关系构成了图模型，找到其中所有的连通子图，将最大连通子图(包含样本数最多的子图)之外的所有子图所包含的样本作为离群样本。
基于上述发现方法，本发明还涉及用于过滤肺部肿块误测结果的跨图像集合的离群样本发现***。该***包括4个模块：人体图像序列的获取与排序模块，疑似肺部肿块区域标示模块，疑似肿块提取图像特征模块，离群样本检测模块；这4个模块依次对应执行用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法中步骤(a)、(b)、(c)、(d)的操作内容。
本发明采用数据挖掘范畴的离群样本检测技术，在图像特征空间以无监督方式分析各个样本的离群程度，通过过滤离群样本减少误检样本的数量，从而减少虚警。
附图说明
图1为特征空间样本分布(圆圈为发现的离群样本)。
图2为正确检测到的肿块(灰色框内)。
图3为发现的离群样本对应的CT图像肿块检测结果。
图4为未能发现的离群样本对应的CT图像肿块检测结果。
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、图像特征提取、离群样本过滤、结果可视化。
实施例1：
(a)通过医疗影像设备对人体扫描获得按顺序排列的CT图像序列，空间相邻的两个切片对应相邻帧的图像；
(b)在疑似肺部肿块所在的对应图像帧的对应坐标位置标示出肿块占有的区域；
(c)对于每个疑似肿块提取图像特征：
对疑似肿块区域计算CT值的均值作为该区域的特征；
对疑似肿块区域计算CT值的标准差作为该区域的特征；
(d)基于离群样本检测(outlier detection)技术，对所有病人的所有疑似肿块区域的图像特征进行分析，滤除特征空间离群样本对应的图像集合中的疑似肿块区域；
(e)在对应图像帧的对应坐标位置标示肿块。
步骤(d)中，离群样本检测方法为：
(d1)预处理：假设有L个疑似肿块，每个肿块对应的特征是一个向量，特征空间有L个样本{f1,f2,…,fL}，对于每个特征维度进行归一化，使得L个样本在该特征维度的数值服从标准正态分布；
(d2)采用K近邻法判断离群样本：将样本fi到它的K个最近邻的平均距离Oi作为异常度量指标(i＝1,2,…,L)，将{O1,O2,…,OL}按照从大到小排序，将其对应的前L′个样本作为离群样本，这里OL′是{O1,O2,…,OL}排序后出现拐点的地方。
这里，拐点的计算方法可参考[Su Yang,Zhishun Li,and Xinlong Wang,“Vesselradiated noise recognition with fractal features”,IEE Electronics Letters,Vol.36, No.10,pp.923-925,2000]。
步骤(b)中,肺部肿块的确定(分割和定位)方法如下：
(b1)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；
(b2)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
Figure RE-GDA0002132666170000041
表示第t帧图像位于坐标(xi,yi)的点、
Figure RE-GDA0002132666170000042
和
Figure RE-GDA0002132666170000043
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：
Figure RE-GDA0002132666170000044
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；
(b3)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。
步骤(b)的肺部肿块分割和定位方法的步骤(b1)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；所述一致性检验的方法为：
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(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的方法进行了实验，对6个病人的CT图像进行了分析，从检测出了29个肿块中发现了11个离群样本，把这11个虚警排除后，剩余18个样本中有8个是真正的肿块，对应5个病人。29个肿块经过图像特征提取后在特征空间的分布如图1所示，可以看出这检测出的11个离群样本分布比较随机，没有形成一致性较高的聚类。8个正确检测的肿块如图2 所示。对应离群样本的误检肿块的示例如图3所示。排除离群样本后，一些误检肿块的示例如图4所示。

Claims (5)

1.一种用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法，通过遍历整个图像集合，对前期判断为疑似肿块的区域在特征空间进行离群样本检测，具体步骤如下：
(a)通过医疗影像设备对人体扫描，获得按顺序排列的CT图像序列，其中，空间相邻的两个切片对应相邻帧的图像；
(b)在疑似肺部肿块所在的对应图像帧的对应坐标位置标示出肿块占有的区域；
(c)对于每个疑似肿块提取图像特征：
(d)采用离群样本检测技术，对所有病人的所有疑似肿块区域的图像特征进行分析，滤除特征空间离群样本对应的图像集合中的疑似肿块区域；
步骤(d)中采用如下2种计算方法之一种：
第一种计算方法：
(1)预处理：假设有L个疑似肿块，每个肿块对应的特征是一个向量，特征空间有L个样本{f1,f2,…,fL}，对于每个特征维度进行归一化，使得L个样本在该特征维度的数值服从标准正态分布；
(2)采用K近邻法判断离群样本：将样本fi到它的K个最近邻的平均距离Oi作为异常度量指标，i＝1,2,…,L，将{O1,O2,…,OL}按照从大到小排序，将其对应的前L′个样本作为离群样本，这里OL′是{O1,O2,…,OL}排序后出现拐点的地方；
第二种计算方法：
(1)预处理：假设有L个疑似肿块，每个肿块对应的特征是一个向量，特征空间有L个样本{f1,f2,…,fL}，对于每个特征维度进行归一化，使得L个样本在该特征维度的数值服从标准正态分布；
(2)建立样本之间的连通图：计算L个样本两两之间的欧式距离：
{dij|i＝1,2,…,L；j＝1,2,…,L},
对{dij|i＝1,2,…,L；j＝1,2,…,L}排序，找到该序列拐点出现时的值dT，计算：
Figure FDA0003937545990000011
上式中，i＝1,2,…,L，j＝1,2,…,L；如果将L个样本视作组成图模型的L个节点，rij＝1表示样本i和样本j之间连通，rij＝0表示两者不连通；{rij|i＝1,2,…,L；j＝1,2,…,L}记录的所有样本之间的连通关系构成图模型，找到其中所有的连通子图，最大连通子图之外的所有子图所包含的样本即为离群样本；
步骤(b)中,肺部肿块的确定方法如下：
(一)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；
(二)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
Figure FDA0003937545990000021
表示第t帧图像位于坐标(xi,yi)的点,
Figure FDA0003937545990000022
和
Figure FDA0003937545990000023
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：
Figure FDA0003937545990000024
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；
(三)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，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；
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。
2.根据权利要求1所述的离群样本发现方法，其特征在于，步骤(c)中所述提取的图像特征为：
对疑似肿块区域计算CT值的均值，作为该区域的特征；
或者，对疑似肿块区域计算CT值的标准差，作为该区域的特征。
3.根据权利要求1所述的离群样本发现方法，其特征在于,步骤(一)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；所述一致性检验的方法为：
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(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。
4.根据权利要求3所述的离群样本发现方法，其特征在于,步骤(2)中所述8邻居区域生长法的计算步骤为：
①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。
5.基于权利要求1-4之一所述的离群样本发现方法的用于过滤肺部肿块误测结果的跨图像集合的离群样本发现***，包括4个模块：人体图像序列的获取与排序模块，疑似肺部肿块区域标示模块，疑似肿块提取图像特征模块，离群样本检测模块；这4个模块依次对应执行用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法中步骤(a)、(b)、(c)、(d)的操作内容。
CN201910436092.0A 2019-05-23 2019-05-23 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和*** Active CN110349662B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910436092.0A CN110349662B (zh) 2019-05-23 2019-05-23 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和***
PCT/CN2019/092043 WO2020232786A1 (zh) 2019-05-23 2019-06-20 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910436092.0A CN110349662B (zh) 2019-05-23 2019-05-23 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和***

Publications (2)

Publication Number Publication Date
CN110349662A CN110349662A (zh) 2019-10-18
CN110349662B true CN110349662B (zh) 2023-01-13

Family

ID=68174294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910436092.0A Active CN110349662B (zh) 2019-05-23 2019-05-23 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和***

Country Status (2)

Country Link
CN (1) CN110349662B (zh)
WO (1) WO2020232786A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529918B (zh) * 2020-12-23 2024-02-27 沈阳东软智能医疗科技研究院有限公司 一种脑部ct图像中脑室区域分割的方法、装置及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101103924A (zh) * 2007-07-13 2008-01-16 华中科技大学 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其***
WO2012024258A1 (en) * 2010-08-17 2012-02-23 Bank Of America Corporation Systems and methods for performing access entitlement reviews
CN105138641A (zh) * 2015-08-24 2015-12-09 河海大学 一种基于角度的高维数据离群检测方法
CN105427325A (zh) * 2015-12-07 2016-03-23 苏州大学 基于随机森林和单调下降函数的肺肿瘤的自动分割方法
CN108416190A (zh) * 2018-02-11 2018-08-17 广州市碳码科技有限责任公司 基于深度学习的肿瘤早期筛查方法、装置、设备及介质
CN108537773A (zh) * 2018-02-11 2018-09-14 中国科学院苏州生物医学工程技术研究所 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法
CN108596770A (zh) * 2017-12-29 2018-09-28 山大地纬软件股份有限公司 基于离群值分析的医疗保险欺诈检测装置及方法
CN108703741A (zh) * 2018-03-30 2018-10-26 西安交通大学 一种多策略的nirs干扰检测和去除方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8238637B2 (en) * 2006-10-25 2012-08-07 Siemens Computer Aided Diagnosis Ltd. Computer-aided diagnosis of malignancies of suspect regions and false positives in images
US9661299B2 (en) * 2011-06-30 2017-05-23 Thomson Licensing Outlier detection for colour mapping
CN103400385B (zh) * 2013-07-22 2016-05-25 西安电子科技大学 稀疏动态集成选择的胃部ct图像疑似***提取方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101103924A (zh) * 2007-07-13 2008-01-16 华中科技大学 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其***
WO2012024258A1 (en) * 2010-08-17 2012-02-23 Bank Of America Corporation Systems and methods for performing access entitlement reviews
CN105138641A (zh) * 2015-08-24 2015-12-09 河海大学 一种基于角度的高维数据离群检测方法
CN105427325A (zh) * 2015-12-07 2016-03-23 苏州大学 基于随机森林和单调下降函数的肺肿瘤的自动分割方法
CN108596770A (zh) * 2017-12-29 2018-09-28 山大地纬软件股份有限公司 基于离群值分析的医疗保险欺诈检测装置及方法
CN108416190A (zh) * 2018-02-11 2018-08-17 广州市碳码科技有限责任公司 基于深度学习的肿瘤早期筛查方法、装置、设备及介质
CN108537773A (zh) * 2018-02-11 2018-09-14 中国科学院苏州生物医学工程技术研究所 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法
CN108703741A (zh) * 2018-03-30 2018-10-26 西安交通大学 一种多策略的nirs干扰检测和去除方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于高斯核函数的局部离群点检测算法;关绍云等;《哈尔滨商业大学学报( 自然科学版)》;20190430;第185-203页 *

Also Published As

Publication number Publication date
CN110349662A (zh) 2019-10-18
WO2020232786A1 (zh) 2020-11-26

Similar Documents

Publication Publication Date Title
Zebari et al. Improved threshold based and trainable fully automated segmentation for breast cancer boundary and pectoral muscle in mammogram images
US9123095B2 (en) Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties
Zhang et al. Automated semantic segmentation of red blood cells for sickle cell disease
KR20160063128A (ko) 컴퓨터 보조 진단 장치 및 방법
CN111986189B (zh) 一种基于ct影像的多类别肺炎筛查深度学习装置
US7555152B2 (en) System and method for detecting ground glass nodules in medical images
Xu et al. Computerized classification of prostate cancer gleason scores from whole slide images
Naresh et al. Early detection of lung cancer using neural network techniques
CN113256634B (zh) 基于深度学习的***tct切片排阴方法和***
CN112819747A (zh) 一种基于肺部断层扫描图片自动诊断结节良恶性的方法
Abdullah et al. Multi-sectional views textural based SVM for MS lesion segmentation in multi-channels MRIs
CN110349662B (zh) 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和***
Nobile et al. Unsupervised neural networks as a support tool for pathology diagnosis in MALDI-MSI experiments: A case study on thyroid biopsies
CN104835155A (zh) 基于分形的早期乳腺癌钙化点计算机辅助检测方法
Basheer et al. Classification of breast masses in digital mammograms using support vector machines
Gomathi et al. Automated CAD for lung nodule detection using CT scans
Vani et al. Automatic tumor classification of brain mri images
Herwanto et al. Association technique based on classification for classifying microcalcification and mass in mammogram
Yao et al. Computer aided lytic bone metastasis detection using regular CT images
Ganeshkumar et al. Unsupervised deep learning-based disease diagnosis using medical images
CN113222009A (zh) 一种基于甲状腺超声视频估算结节纵横比的方法
CN111311589A (zh) 一种肺部结节检测及性质判定***及方法
Abdullah et al. Lung Lesion Identification Using Geometrical Feature and Optical Flow Method from Computed Tomography Scan Images
Yoo et al. Superpixel Generation and Clustering for Weakly Supervised Brain Tumor Segmentation in MR Images
Azemin et al. Unsupervised Chest X-ray Opacity Classification using Minimal Deep Features

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