CN110619644B - 获取ct图像中肿瘤位置和轮廓的数据处理***及电子设备 - Google Patents
获取ct图像中肿瘤位置和轮廓的数据处理***及电子设备 Download PDFInfo
- Publication number
- CN110619644B CN110619644B CN201910882016.2A CN201910882016A CN110619644B CN 110619644 B CN110619644 B CN 110619644B CN 201910882016 A CN201910882016 A CN 201910882016A CN 110619644 B CN110619644 B CN 110619644B
- Authority
- CN
- China
- Prior art keywords
- image
- tumor
- data processing
- qsofm
- particle
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供了一种获取CT图像中肿瘤位置和轮廓的数据处理***及电子设备,采集CT图像,利用粒子群优化算法对采集到的CT图像进行图像分割,得到分割后的CT图像数据矩阵;建立QSOFM分类器模型,利用分割后的CT图像数据矩阵进行模型训练;利用QSOFM分类器模型对CT图像中的肿瘤癌变种类进行识别,基于多连通区域分割方法获取CT图像中癌变肿瘤的位置和轮廓信息;本公开对图像的分割更加细致减少了冗杂数据,使得自动穿刺装置对CT图像中的肿瘤识别率更高,对肿瘤位置的定位更加快速和准确,提高了自动穿刺装置的自动化程度,为计算机辅助治疗打下了基础。
Description
技术领域
本公开涉及图像处理技术领域,特别涉及一种获取CT图像中肿瘤位置和轮廓的数据处理***及电子设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
目前来说,基于图像的肿瘤识别方法有多种多样,且大多数方法的识别效果都比较出众,最常用的有基于卷积神经网络的识别方法、传统滑窗方法和特征值法等。
本公开发明人在研究中发现,随着计算机技术和机器人技术的进一步发展,一些基础的医疗操作慢慢由机械装置所代替,比如,医院的放疗室在对肿瘤进行放疗治疗时,需要对肿瘤进行穿刺处理,而这些装置目前还无法对获取的CT图像进行有效的数据处理以得到CT图像中的肿瘤位置和轮廓信息,从而限制着自动穿刺装置的发展。因此,如何快速精确的对CT图像进行数据处理和分析,实现对CT图像中肿瘤进行定位识别和轮廓分割以提高医疗自动化设备的自动化水平是一个迫切需要解决的技术问题。
发明内容
为了解决现有技术的不足,本公开提供了获取一种获取CT图像中肿瘤位置和轮廓的数据处理***及电子设备,利用粒子群优化算法、基于量子的自组织特征映射神经网络分类器模型和基于多连通区域分割的方法,实现了对图像更加细致的分割,减少了冗杂数据,进而能够快速的获取到CT图像中肿瘤位置和轮廓,提高医疗自动化装置的自动化水平。
为了实现上述目的,本公开采用如下技术方案:
第一方面,本公开提供了一种获取CT图像中的肿瘤位置和边缘轮廓的数据处理***;
一种获取CT图像中的肿瘤位置和边缘轮廓的数据处理***,步骤如下:
预处理模块,被配置为采集CT图像,利用粒子群优化算法对采集到的CT图像进行图像分割,得到分割后的CT图像数据矩阵;
模型构建模块,被配置为建立QSOFM分类器模型,利用分割后的CT图像数据矩阵进行模型训练;
数据处理模块,被配置为利用QSOFM分类器模型对CT图像中的肿瘤癌变种类进行识别,基于多连通区域分割方法获取CT图像中癌变肿瘤的位置和轮廓信息。
作为可能的一些实现方式,所述预处理模块中利用粒子群优化算法对采集到的CT图像进行分割,具体为:
(1-1)建立图像分割的能量最小化控制点泛化函数,并产生粒子群;
(1-2)计算粒子群算法的适应度函数,产生每个粒子的适应度值;
(1-3)将每个粒子的适应度值与粒子的个体最优值和粒子群的个体最优值进行比较,如果粒子的适应度值更优,则代替粒子的个体最优值和粒子群的个体最优值;
(1-4)根据正交试验机制产生辅助最优点;
(1-5)计算线性递减权重;
(1-6)计算粒子群的新位置和速度,并计算其适应度值;
(1-7)如果粒子群的迭代次数超过最大迭代次数,则粒子群的搜索过程终止;
(1-8)根据粒子群的个体最优值得到问题的能量最小化控制点;
(1-9)根据能量最小化控制点对图像进行分割。
作为可能的一些实现方式,所述QSOFM分类器模型的训练方法具体为:
(2-1)初始化QSOFM分类器模型的***参数,进行参数设置;
(2-2)利用经过粒子群优化算法处理后的CT图像数据矩阵对QSOFM分类器模型进行聚类训练,得到可以用于分类识别的QSOFM分类器模型;
(2-3)任意选取多张肿瘤CT图像,利用训练好的QSOFM分类器模型判断CT图像上的肿瘤是正常类、癌变类或未知类。
作为进一步的限定,所述步骤(2-1)中,根据竞争节点数为255、领域半径为5、学习速率为1.0、阈值为2.0、无监督训练步数为100和有监督训练步数为100进行参数设置。
作为进一步的限定,所述步骤(2-3)中,任意选取多张CT图像,构建待测试CT图像样本矩阵,经过粒子群优化算法计算之后生成特征数据矩阵,并输入到QSOFM分类器模型中。
作为可能的一些实现方式,所述数据处理模块还用于对利用粒子群优化算法分割之后的CT图像的高灰度值区域的连通域进行分割和编号。
作为进一步的限定,对连通区域进行分割时,计算各个连通域的型心,按照型心位置对连通区域进行分割,同时使用外接矩形框选中连通区域,并将其按顺序进行编号。
作为更进一步的限定,将编号标记后的图像复制为与连通区域数量相同的份数,并对其按顺序进行编号,对和图像编号相同的连通区域进行填充;其中对图像的编号规则和对连通区域的编号规则相同。
进一步的,在对编号之后的连通区域依次填充时,在不影响其他连通域的情况下,对所选连通区域进行填充;
进一步的,在对图像填充完毕之后,将填充后的图像输入到QSOFM分类器模型,并记录图像处理结果显示为正常的图像编号,该编号所对应的连通区域代表CT图像中肿瘤的位置。
作为更进一步的限定,保留所记录编号的连通区域,同时对其他的连通区域进行填充和处理,得到所有图像处理结果显示为正常的图像编号,将填充后的图像与原CT图像进行对比,得到原CT图像中肿瘤的位置和轮廓信息。
第二方面,本公开提供了一种可读存储介质,其上存储有程序,该程序被处理器执行时实现本公开所述的获取CT图像中肿瘤位置和轮廓的数据处理***的数据处理方法。
第三方面,本公开提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现本公开所述的获取CT图像中肿瘤位置和轮廓的数据处理***的数据处理方法。
与现有技术相比,本公开的有益效果是:
本公开利用粒子群优化算法、基于量子的自组织特征映射神经网络分类器模型(QSOFM分类器模型)和基于多连通区域分割的方法,对图像的分割更加细致减少了冗杂数据,使得医疗自动化设备对CT图像中的肿瘤识别率更高,对肿瘤位置的定位更加快速和准确。
本公开所述的QSOFM分类器模型是基于量子神经网络搭建的,使得在对CT图像进行处理和识别的时候有更快的处理速度和更大的存储空间,减少了检索时间优化了检索效果。
本公开通过多连通区域分割的方法,在已知肿瘤存在的情况下,进一步对CT图像进行分割处理,获取CT图像中的肿瘤位置信息和边缘轮廓信息,提高了自动穿刺装置的自动化程度,为计算机辅助治疗打下了基础。
附图说明
图1为本公开实施例1所述的获取CT图像中的肿瘤位置和轮廓信息的数据处理***的结构示意图。
图2为本公开实施例1所述的粒子群优化算法对CT图像进行分割的流程图。
图3为本公开实施例1所述的QSOFM分类器模型的训练和识别的流程图。
图4为本公开实施例1所述的获取CT图像中的肿瘤位置和轮廓信息的数据处理***的数据处理方法流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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1:
如图1-4所示,本公开实施例1提供了一种获取CT图像中的肿瘤位置和边缘轮廓的数据处理***,步骤如下:
预处理模块,被配置为采集CT图像,利用粒子群优化算法对采集到的CT图像进行图像分割,得到分割后的CT图像数据矩阵;
模型构建模块,被配置为建立QSOFM分类器模型,利用分割后的CT图像数据矩阵进行模型训练;
数据处理模块,被配置为利用QSOFM分类器模型对CT图像中的肿瘤癌变种类进行识别,基于多连通区域分割方法获取CT图像中癌变肿瘤的位置和轮廓信息。
所述QSOFM分类器模型为一个两层网络模型,包括输入层和竞争层。输入层即为样本空间用于接收外界信号;竞争层也可以称为输出层,是有多个神经元构成的一维或者二维的平面阵列。且在输出层中的神经元采取“近邻激励,远邻抑制”的交互模式。
所述预处理模块利用粒子群优化算法计算对采集到的肿瘤CT图像进行分割,具体为:
(1-1)建立图像分割的能量最小化控制点泛化函数,并产生粒子群;
(1-2)计算粒子群算法的适应度函数,产生每个粒子的适应度值;
(1-3)将每个粒子的适应度值与粒子的个体最优值(pibest)和粒子群的个体最优值(gbest)进行比较,如果粒子的适应度值更优,则代替粒子的个体最优值和粒子群的个体最优值;
设D维空间有m个粒子,它们组成一个粒子群,在第k次迭代时,第i个粒子的位置向量和速度向量分别为Xi[k]和Vi[k],其中位置向量与问题潜在的解相对应,所有粒子群根据pibest和gbest导向在解的空间搜索,计算公式为:
Vi[k+1]=ωVi[k]+c1r1(pibest-Xi[k])+c2r2(gbest-Xi[k]) (1)
Xi[k+1]=Xi[k]+Vi[k+1] (2)
其中c1和c2为个体和社会认知系数,r1和r2为随机数,ω为惯性权重,其变化方式为:
(1-4)根据正交试验机制产生辅助最优点Xbest,用Xbest代替gbest;
设Pi表示第i个能量最小的控制点,在第i个搜索窗口SWi中,qi,j为第j个候选的能量最小控制点,建立如下的能量最小控制点的泛化函数:
其中α、β、γline、γedge和γterm均为权系数;C表示目标图像边缘函数;Cxy代表C函数在x方向上的偏导数之后再对y的偏导数;Cx代表C函数在x方向上的偏导数;Cy代表C函数在y方向上的偏导数。
(1-5)计算线性递减权重;
(1-6)通过公式(3)和(4)计算粒子群的新位置和速度,并计算其适应度值;
(1-7)如果粒子群的迭代次数超过最大迭代次数,则粒子群的搜索过程终止;
(1-8)根据粒子群的个体最优值得到问题的能量最小化控制点;
(1-9)根据能量最小化控制点对图像进行分割。
所述QSOFM分类器模型的构建方法具体为:
(2-1)初始化QSOFM分类器模型的***参数,根据竞争节点数为255、领域半径为5、学习速率为1.0、阈值为2.0、无监督训练步数为100和有监督训练步数为100进行参数设置;
(2-2)利用经过粒子群优化算法处理后的CT图像数据矩阵对QSOFM分类器模型进行聚类训练,得到可以用于分类识别的QSOFM分类器模型;
(2-3)任意选取多张肿瘤CT图像,构建待测试CT图像样本矩阵,经过粒子群优化算法计算之后生成特征数据矩阵,并输入到QSOFM分类器模型中,利用训练好的QSOFM分类器模型判断CT图像上的肿瘤是正常类、癌变类或未知类。
所述数据处理模块还用于对利用粒子群优化算法分割之后的CT图像的高灰度值区域的连通域进行分割和编号。
对连通区域进行分割时,计算各个连通域的型心,按照型心位置对连通区域进行分割,同时使用外接矩形框选中连通区域,并将其按顺序编号,编号方式为:a=1,2,3,4···;
将标记后的图像复制为与连通区域数量相同的份数,并对其按顺序编号,编号方式为:b=1,2,3,4···,对和图像编号相同的连通区域进行填充;
在对编号之后的连通区域依次填充时,在不影响其他连通域的情况下,对所选连通区域进行填充;
在对图像填充完毕之后,将填充后的图像输入到QSOFM分类器模型,并记录图像处理结果显示为正常的图像编号,该编号所对应的连通区域代表CT图像中肿瘤的位置。
保留所记录编号的连通区域,同时对其他的连通区域进行填充和处理,得到所有图像处理结果显示为正常的图像编号,将填充后的图像与原CT图像进行对比,得到原CT图像中肿瘤的位置和轮廓信息。
实施例2:
本公开实施例2提供了一种可读存储介质,其上存储有程序,该程序被处理器执行时实现本公开实施例1所述的获取CT图像中的肿瘤位置和边缘轮廓的数据处理***的数据处理方法。
实施例3:
本公开实施例3提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现本公开实施例1所述的获取CT图像中的肿瘤位置和边缘轮廓的数据处理***的数据处理方法。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (7)
1.一种获取CT图像中的肿瘤位置和边缘轮廓的数据处理***,其特征在于,包括:
预处理模块,被配置为采集CT图像,利用粒子群优化算法对采集到的CT图像进行图像分割,得到分割后的CT图像数据矩阵;
模型构建模块,被配置为建立QSOFM分类器模型,利用分割后的CT图像数据矩阵进行模型训练;
数据处理模块,被配置为利用QSOFM分类器模型对CT图像中的肿瘤癌变种类进行识别,基于多连通区域分割方法获取CT图像中癌变肿瘤的位置和轮廓信息,具体的,所述数据处理模块还用于对利用粒子群优化算法分割之后的CT图像的高灰度值区域的连通域进行分割和编号;
对连通区域进行分割时,计算各个连通域的型心,按照型心位置对连通区域进行分割,同时使用外接矩形框选中连通区域,并将其编号;
将标记后的图像复制为与连通区域数量相同的份数,并对其编号,对和图像编号相同的连通区域进行填充;
在对编号之后的连通区域依次填充时,在不影响其他连通域的情况下,对所选连通区域进行填充;
在对图像填充完毕之后,将填充后的图像输入到QSOFM分类器模型,并记录图像处理结果显示为正常的图像编号,该编号所对应的连通区域代表CT图像中肿瘤的位置。
2.如权利要求1所述的获取CT图像中的肿瘤位置和边缘轮廓的数据处理***,其特征在于,所述预处理模块利用粒子群优化算法对采集到的CT图像进行分割,具体为:
(1-1)建立图像分割的能量最小化控制点泛化函数,并产生粒子群;
(1-2)计算粒子群算法的适应度函数,产生每个粒子的适应度值;
(1-3)将每个粒子的适应度值与粒子的个体最优值和粒子群的个体最优值进行比较,如果粒子的适应度值更优,则代替粒子的个体最优值和粒子群的个体最优值;
(1-4)根据正交试验机制产生辅助最优点;
(1-5)计算线性递减权重;
(1-6)计算粒子群的新位置和速度,并计算其适应度值;
(1-7)如果粒子群的迭代次数超过最大迭代次数,则粒子群的搜索过程终止;
(1-8)根据粒子群的个体最优值得到问题的能量最小化控制点;
(1-9)根据能量最小化控制点对图像进行分割。
3.如权利要求1所述的获取CT图像中的肿瘤位置和边缘轮廓的数据处理***,其特征在于,所述QSOFM分类器模型的训练具体为:
(2-1)初始化QSOFM分类器模型的***参数,进行参数设置;
(2-2)利用经过粒子群优化算法处理后的CT图像数据矩阵对QSOFM分类器模型进行聚类训练,得到可以用于肿瘤分类识别的QSOFM分类器模型;
(2-3)任意选取多张肿瘤CT图像,利用训练好的QSOFM分类器模型判断CT图像上的肿瘤是正常类、癌变类或未知类。
4.如权利要求3所述的获取CT图像中的肿瘤位置和边缘轮廓的数据处理***,其特征在于,所述步骤(2-1)中,根据竞争节点数为255、领域半径为5、学习速率为1.0、阈值为2.0、无监督训练步数为100和有监督训练步数为100进行参数设置;
或,所述步骤(2-3)中,任意选取多张CT图像,构建待测试CT图像样本矩阵,经过粒子群优化算法计算之后生成特征数据矩阵,并输入到QSOFM分类器模型中。
5.如权利要求4所述的获取CT图像中的肿瘤位置和边缘轮廓的数据处理***,其特征在于,保留所记录编号的连通区域,同时对其他的连通区域进行填充和处理,得到所有图像处理结果显示为正常的图像编号,将填充后的图像与原CT图像进行对比,得到原CT图像中肿瘤的位置和轮廓信息。
6.一种可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-5任一项所述的获取CT图像中的肿瘤位置和边缘轮廓的数据处理***的数据处理方法。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5任一项所述的获取CT图像中的肿瘤位置和边缘轮廓的数据处理***的数据处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910882016.2A CN110619644B (zh) | 2019-09-18 | 2019-09-18 | 获取ct图像中肿瘤位置和轮廓的数据处理***及电子设备 |
NL2025775A NL2025775B1 (en) | 2019-09-18 | 2020-06-08 | Data processing system for acquiring tumor position and contour in ct image and electronic equipment |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910882016.2A CN110619644B (zh) | 2019-09-18 | 2019-09-18 | 获取ct图像中肿瘤位置和轮廓的数据处理***及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619644A CN110619644A (zh) | 2019-12-27 |
CN110619644B true CN110619644B (zh) | 2022-01-28 |
Family
ID=68923491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910882016.2A Active CN110619644B (zh) | 2019-09-18 | 2019-09-18 | 获取ct图像中肿瘤位置和轮廓的数据处理***及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110619644B (zh) |
NL (1) | NL2025775B1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111419194A (zh) * | 2020-04-30 | 2020-07-17 | 山东大学 | 一种基于荧光激光和oct联合成像设备及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021552A (zh) * | 2014-05-28 | 2014-09-03 | 华南理工大学 | 一种基于图论分割过程的多目标粒子群参数优化方法 |
CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
CN105405136A (zh) * | 2015-11-04 | 2016-03-16 | 南方医科大学 | 一种基于粒子群算法的自适应脊柱ct图像分割方法 |
CN106952275A (zh) * | 2017-03-16 | 2017-07-14 | 南京师范大学 | 一种基于粒子群神经网络的细胞图像分割方法 |
CN107845098A (zh) * | 2017-11-14 | 2018-03-27 | 南京理工大学 | 基于随机森林和模糊聚类的肝癌图像全自动分割方法 |
CN108921049A (zh) * | 2018-06-14 | 2018-11-30 | 华东交通大学 | 基于量子门线路神经网络的肿瘤细胞图像识别装置及设备 |
-
2019
- 2019-09-18 CN CN201910882016.2A patent/CN110619644B/zh active Active
-
2020
- 2020-06-08 NL NL2025775A patent/NL2025775B1/en not_active IP Right Cessation
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021552A (zh) * | 2014-05-28 | 2014-09-03 | 华南理工大学 | 一种基于图论分割过程的多目标粒子群参数优化方法 |
CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
CN105405136A (zh) * | 2015-11-04 | 2016-03-16 | 南方医科大学 | 一种基于粒子群算法的自适应脊柱ct图像分割方法 |
CN106952275A (zh) * | 2017-03-16 | 2017-07-14 | 南京师范大学 | 一种基于粒子群神经网络的细胞图像分割方法 |
CN107845098A (zh) * | 2017-11-14 | 2018-03-27 | 南京理工大学 | 基于随机森林和模糊聚类的肝癌图像全自动分割方法 |
CN108921049A (zh) * | 2018-06-14 | 2018-11-30 | 华东交通大学 | 基于量子门线路神经网络的肿瘤细胞图像识别装置及设备 |
Non-Patent Citations (2)
Title |
---|
Segmentation of Pulmonary Parenchyma in CT lung Images based on 2D Otsu optimized by PSO;R.Helen et al;《2011 International Conference on Emerging Trends in Electrical and Computer Technology》;20110502;全文 * |
基于QSOFM的胃粘膜肿瘤细胞图像识别;甘岚 等;《计算机应用研究》;20160630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
NL2025775B1 (en) | 2021-12-14 |
NL2025775A (en) | 2021-05-17 |
CN110619644A (zh) | 2019-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107154043B (zh) | 一种基于3dcnn的肺结节假阳性样本抑制方法 | |
Zhang et al. | A hybrid biogeography-based optimization and fuzzy C-means algorithm for image segmentation | |
Zhu et al. | Anatomynet: Deep 3d squeeze-and-excitation u-nets for fast and fully automated whole-volume anatomical segmentation | |
CN110992351B (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN111709485B (zh) | 医学影像处理方法、装置和计算机设备 | |
Shokouhifar et al. | An artificial bee colony optimization for mri fuzzy segmentation of brain tissue | |
Taherdangkoo et al. | Segmentation of MR brain images using FCM improved by artificial bee colony (ABC) algorithm | |
CN112232407A (zh) | 病理图像样本的神经网络模型训练方法、装置 | |
US11804029B2 (en) | Hierarchical constraint (HC)-based method and system for classifying fine-grained graptolite images | |
CN116884623B (zh) | 基于激光扫描成像的医疗康复预测*** | |
CN110619644B (zh) | 获取ct图像中肿瘤位置和轮廓的数据处理***及电子设备 | |
CN108597589B (zh) | 模型生成方法、目标检测方法及医学成像*** | |
Bi et al. | Critical direction projection networks for few-shot learning | |
CN113192053A (zh) | 基于深度学习的***靶区智能勾画方法、设备和介质 | |
Xia et al. | Fish behavior tracking algorithm based on multi-domain deep convolutional neural network | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
CN116188428A (zh) | 一种桥接多源域自适应的跨域组织病理学图像识别方法 | |
CN116029994A (zh) | 基于边缘损失和知识融合决策的脑胶质瘤mr图像分割方法 | |
CN115511798A (zh) | 一种基于人工智能技术的肺炎分类方法及装置 | |
Singh et al. | An efficient brain tumor detection using modified tree growth algorithm and random forest method | |
Yuan | [Retracted] Image Processing Method Based on FGCA and Artificial Neural Network | |
Kaur et al. | A Study of Particle Swarm Optimization based K-means Clustering for Detection of Dental Caries in Dental X-ray Images. | |
Zohra et al. | Adjustment of active contour parameters in Brain MRI segmentation using evolution strategies | |
Gholami | Improved fuzzy clustering with swarm intelligence for medical image analysis | |
Lakshmana et al. | Hybrid kernel fuzzy C-means clustering segmentation algorithm for content based medical image retrieval application |
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 |