CN116433695A - 一种乳腺钼靶图像的乳腺区域提取方法及*** - Google Patents
一种乳腺钼靶图像的乳腺区域提取方法及*** Download PDFInfo
- Publication number
- CN116433695A CN116433695A CN202310693429.2A CN202310693429A CN116433695A CN 116433695 A CN116433695 A CN 116433695A CN 202310693429 A CN202310693429 A CN 202310693429A CN 116433695 A CN116433695 A CN 116433695A
- Authority
- CN
- China
- Prior art keywords
- image
- breast
- molybdenum target
- fusion
- mammary gland
- 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
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 title claims abstract description 57
- 229910052750 molybdenum Inorganic materials 0.000 title claims abstract description 57
- 239000011733 molybdenum Substances 0.000 title claims abstract description 57
- 238000000605 extraction Methods 0.000 title claims abstract description 32
- 210000005075 mammary gland Anatomy 0.000 title claims description 39
- 210000000481 breast Anatomy 0.000 claims abstract description 108
- 230000004927 fusion Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 206010006187 Breast cancer Diseases 0.000 description 4
- 208000026310 Breast neoplasm Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种乳腺钼靶图像的乳腺区域提取方法及***，涉及医学图像处理技术领域，获取乳腺钼靶图像，使用阈值分割算法将完整的乳腺区域从乳腺钼靶图像中分割出来；使用截断归一化法对分割后的乳腺区域进行归一化处理，得到截断归一化图像；使用自适应直方图均衡算法增强截断归一化图像的边界，得到增强图像；将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据，得到融合图像，并对融合图像进行镜像处理。既保留了原始的数据分布信息，又可以提供乳腺边界信息，有利于取乳腺图像中特征数据的提取。
Description
技术领域
本发明涉及医学图像处理技术领域，具体涉及一种乳腺钼靶图像的乳腺区域提取方法及***。
背景技术
乳腺钼靶成像，因为其成像分辨率高，易于操作，价格低廉且可以检查出医生触摸不到的肿块，对钙化灶也可以较好地显示，所以对于女性尤其是对致密性乳腺较多的女性来说，乳腺钼靶成像技术更适合进行早期的乳腺癌诊断工作。
目前乳腺钼靶图像检查主要还是由医生通过阅览乳腺钼靶图像得出诊断结果，不同的主治医生的经验丰富程度不同，而且长时间地阅片之后会产生一定程度的视觉疲劳，专注力相应减弱，因此会导致最终的检查结果出现一定的误差。尤其是面对早期乳腺癌的时候，肿块的特征比中晚期更难以观察到，也更容易存在漏检的现象。乳腺钼靶图像，由于其存在大量黑色背景，同时图像的对比度较差，这会对检测有较大的负面影响。
现阶段乳腺钼靶图像的乳腺区域的方法主要还是基于乳腺钼靶图像，利用深度学习技术构建的乳腺癌辅助诊断***，虽然该方法已经取得不错的成效，其结果也获得了专业医生的认可。不过，这类***需要大量的标注数据作为训练样本，而这些训练数据通常需要发射科医生来完成标注。医生标注需要凭借大量的临床经验，而且不同的医生会具备不同的评价标准，这一标注过程耗时耗力，当数据量特别大的时候，这项工作变成一个巨大的挑战。
发明内容
为了解决上述技术问题，本发明提出了一种乳腺钼靶图像的乳腺区域提取方法，包括如下步骤：
S1、获取乳腺钼靶图像，使用阈值分割算法将完整的乳腺区域从乳腺钼靶图像中分割出来；
S2、使用截断归一化法对分割后的乳腺区域进行归一化处理，得到截断归一化图像；
S3、使用自适应直方图均衡算法来增强截断归一化图像的边界，得到增强图像；
S4、将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据，得到融合图像，并对融合图像进行镜像处理。
进一步地，步骤S2中，得到分割后的乳腺区域的灰度分布，对乳腺区域的灰度值进行排序，选择大于最小灰度值5%的灰度值作为灰度值下限
，选择小于最大灰度值1%的灰度值作为灰度值上限/>
，对乳腺区域中的每个灰度值M进行截断处理：
对截断后的乳腺区域中的每个灰度值M进行归一化处理，得到归一化后的灰度值P：
进一步地，步骤S3中，采用乳腺钼靶图像的原始图的累积分布函数作为变换函数，均衡化变换如下：
其中，
为输出图像中的亮度值，/>
为输入图像的亮度值，L为像素数，像素点序号j=1,2,……，L，/>
为图像概率密度函数，/>
。
进一步地，步骤S4包括如下步骤：
S41、将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据；
将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据R，融合算法如下式：
S42、对融合图像进行镜像处理；
将融合后图像做水平翻转处理，将图像的左半部分和右半部分以图像垂直中轴线为中心进行镜像对换，设(x0，y0)为图像中像素点的坐标，(x0，y0)进行水平翻转后坐标将变为(W-x0，y0)，图像宽度为W，变换矩阵表达式如下式所示：
进一步地，步骤S1中，阈值分割算法的具体步骤如下：
设阈值为k，阈值k把乳腺钼靶图像中的所有像素灰度值分为两部分，两部分的像素灰度均值分别为
,/>
，图像的总体像素灰度均值为/>
,两部分的像素数占总像素数的比例分别为/>
,/>
,则：
类间方差
表示为：
求出使
最大时对应的灰度均值/>
，把灰度均值/>
作为阈值k去分割乳腺钼靶图像。
本发明还提出了一种乳腺钼靶图像的乳腺区域提取***，用于实现乳腺区域提取方法，包括：乳腺钼靶检查装置，乳腺区域提取装置，图像输出装置；
所述乳腺钼靶检查装置，用于获取乳腺钼靶图像；
所述乳腺区域提取装置，用于对乳腺钼靶图像中的乳腺区域进行提取并进行数据处理；
图像输出装置，用于输出数据处理后的乳腺区域。
进一步地，乳腺区域提取装置包括：图像分割单元、归一化处理单元、边界增强单元和融合处理单元；
所述图像分割单元，用于使用阈值分割算法将完整的乳腺区域从乳腺钼靶图像中分割出来；
所述归一化处理单元，用于使用截断归一化法对分割后的乳腺区域进行归一化处理，得到截断归一化图像；
所述边界增强单元，用于使用自适应直方图均衡算法来增强截断归一化图像的边界，得到增强图像；
所述融合处理单元，用于将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据，得到融合图像，并对融合图像进行镜像处理。
相比于现有技术，本发明具有如下有益技术效果：
本发明将乳腺区域和背景区域较好地分割开来，使用截断归一化法对分割后的乳腺区域进行归一化处理，得到截断归一化图像，改善了原始图像中乳腺边界模糊的问题，经过累积分布函数增强截断归一化图像的边界，使得图像中乳腺边界清晰度得到了进一步的提升，将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据，既保留了原始的数据分布信息，又可以提供乳腺边界信息，有利于取乳腺图像中特征数据的提取。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的乳腺钼靶图像的乳腺区域提取方法的流程示意图。
图2为本发明的乳腺钼靶图像的乳腺区域提取***的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本发明的具体实施例附图中，为了更好、更清楚的描述***中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示，为本发明的乳腺钼靶图像的乳腺区域提取方法的流程示意图，包括如下步骤：
S1、获取乳腺钼靶图像，使用阈值分割算法将完整的乳腺区域从乳腺钼靶图像中分割出来。
获取乳腺钼靶图像的方式为从每个患例中采集左乳CC位、左乳MLO位、右乳CC位和右乳MLO位的乳腺钼靶图像。由于钼靶图像成像特性，图像除了乳腺部分外还有很大的黑色区域，其中带有成像信息，这部分区域是无用的，需要剔除掉这部分，保证乳腺部分充盈整副图像，乳腺钼靶图像尺度为672×448。
统计乳腺钼靶图像的像素灰度直方图，灰度分布用图的形式表现出来，像素灰度直方图中的两个峰，一个代表乳腺区域的像素分布，另一个代表除去乳腺区域的背景区域的灰度分布。在两个峰值之间必然存在一个谷值，把谷值设为图像分割的阈值，通过该谷值能够将乳腺区域和背景区域较好地分割开来。
在对乳腺钼靶图像进行阈值分割时，所选取的分割阈值应使乳腺区域的平均灰度、背景区域的平均灰度与整幅乳腺钼靶图像的平均灰度之间的差值最大，这种差异用类间方差来表示。本发明使用最大方差算法，来计算分割阈值。
阈值分割算法的具体步骤如下：
设阈值为k，阈值k把乳腺钼靶图像中的所有像素灰度分为两部分，两部分的像素灰度均值分别为
,/>
，图像的总体像素灰度均值为/>
,两部分的像素数占总像素数的比例分别为/>
,/>
,则：：
类间方差
表示为：
简化得到：
其中，求出使
最大时对应的灰度均值/>
，把灰度均值/>
作为阈值k去分割乳腺钼靶图像。
S2、使用截断归一化法对分割后的乳腺区域进行归一化处理，得到截断归一化图像。
采用截断归一化法进行归一化处理的具体过程如下：
S2.1、得到分割后的乳腺区域的灰度分布。
S2.2、对乳腺区域的灰度值进行排序，选择大于最小灰度值5%的灰度值作为灰度值下限
，选择小于最大灰度值1%的灰度值作为灰度值上限/>
，对乳腺区域中的每个灰度值Mj进行截断处理，如下述公式：
其中，j为像素点序号，j=1,2,……，L。
截断处理避免了乳腺区域中的噪声和异常值产生的影响，最大程度保留有效的乳腺区域图像的灰度值分布。
S2.3、对截断后的乳腺区域中的每个灰度值Mj进行如下公式所示的归一化处理，得到归一化后的灰度值P：
截断归一化处理之后,可以最大程度的保留乳腺区域的像素差异性，使乳腺区域的图像更加清晰，病灶的边界信息也更明显，病灶和周围组织的对比度更高，更容易进行观察。
S3、使用自适应直方图均衡算法增强截断归一化图像的边界，得到增强图像。具体包括如下步骤：
采用乳腺钼靶图像的原始图的累积分布函数作为变换函数，进行增强化变换如下：
其中，
为输出亮度值，/>
为输入的每个像素点处的亮度值，L为像素数，像素点序号j=1,2,……，L，/>
为图像概率密度函数，/>
。
经过增强处理，既保留了原始图像的数据分布信息，还增加了区域边界信息，为区域的定位和提取提供了充分的图像特征信息。
S4、将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据，得到融合图像，并对融合图像进行镜像处理。
为了给深度学习模型提供原始的图像数据分布信息，本发明将截断归一化图像和增强图像的像素值作为三个通道，进行数据处理，包括如下步骤：
S41、将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据。
将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据R，融合算法如下式：
S42、对融合图像进行镜像处理。
通过将融合后图像做水平翻转处理，将图像的左半部分和右半部分以图像垂直中轴线为中心进行镜像对换。设 (x0，y0)为图像中像素点的坐标，(x0，y0)进行水平翻转后坐标将变为(W-x0，y0)，图像宽度为W，变换矩阵表达式如下式所示：
翻转前、后不影响其图像的融合数据。
如图2所示，为本发明的乳腺钼靶图像的乳腺区域提取***的结构示意图，包括：乳腺钼靶检查装置，乳腺区域提取装置，图像输出装置。
乳腺钼靶检查装置，用于获取乳腺钼靶图像；
乳腺区域提取装置，用于对乳腺钼靶图像中的乳腺区域进行提取并进行数据处理。乳腺区域提取装置包括：图像分割单元、归一化处理单元、边界增强单元和融合处理单元。
图像分割单元，用于使用阈值分割算法将完整的乳腺区域从乳腺钼靶图像中分割出来；
归一化处理单元，用于使用截断归一化法对分割后的乳腺区域进行归一化处理，得到截断归一化图像；
边界增强单元，使用累积分布函数增强截断归一化图像的边界，得到增强图像；
融合处理单元，用于将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据，得到融合图像，并对融合图像进行镜像处理。
图像输出装置，用于输出数据处理后的乳腺区域。
本发明将乳腺区域和背景区域较好地分割开来，使用截断归一化法对分割后的乳腺区域进行归一化处理，得到截断归一化图像，改善了原始图像中乳腺边界模糊的问题，经过累积分布函数增强截断归一化图像的边界，使得图像中乳腺边界清晰度得到了进一步的提升，将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据，既保留了原始的数据分布信息，又可以提供乳腺边界信息，有利于取乳腺图像中特征数据的提取。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种乳腺钼靶图像的乳腺区域提取方法，其特征在于，包括如下步骤：
S1、获取乳腺钼靶图像，使用阈值分割算法将完整的乳腺区域从乳腺钼靶图像中分割出来；
S2、使用截断归一化法对分割后的乳腺区域进行归一化处理，得到截断归一化图像；
S3、使用自适应直方图均衡算法增强截断归一化图像的边界，得到增强图像；
S4、将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据，得到融合图像，并对融合图像进行镜像处理。
2.根据权利要求1所述的乳腺区域提取方法，其特征在于，步骤S2中，得到分割后的乳腺区域的灰度分布，对乳腺区域的灰度值进行排序，选择大于最小灰度值5%的灰度值作为灰度值下限
，选择小于最大灰度值1%的灰度值作为灰度值上限/>
，对乳腺区域中的每个灰度值M进行截断处理：
对截断后的乳腺区域中的每个灰度值M进行归一化处理，得到归一化后的灰度值P：
3.根据权利要求2所述的乳腺区域提取方法，其特征在于，步骤S3中，采用乳腺钼靶图像的原始图的累积分布函数作为变换函数，均衡化变换如下：
其中，
为输出图像中的亮度值，/>
为输入图像的亮度值，L为像素数，像素点序号j=1,2,……，L，/>
为图像概率密度函数，/>
。
4.根据权利要求3所述的乳腺区域提取方法，其特征在于，步骤S4包括如下步骤：
S41、将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据；
将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据R，融合算法如下式：
S42、对融合图像进行镜像处理；
将融合后图像做水平翻转处理，将图像的左半部分和右半部分以图像垂直中轴线为中心进行镜像对换，设(x0，y0)为图像中像素点的坐标，(x0，y0)进行水平翻转后坐标将变为(W-x0，y0)，图像宽度为W，变换矩阵表达式如下式所示：
5.根据权利要求1所述的乳腺区域提取方法，其特征在于，步骤S1中，阈值分割算法的具体步骤如下：
设阈值为k，阈值k把乳腺钼靶图像中的所有像素灰度值分为两部分，两部分的像素灰度均值分别为
,/>
，图像的总体像素灰度均值为/>
,两部分的像素数占总像素数的比例分别为/>
,/>
,则：
类间方差
表示为：
求出使
最大时对应的灰度均值/>
，把灰度均值/>
作为阈值k去分割乳腺钼靶图像。
6.一种乳腺钼靶图像的乳腺区域提取***，用于实现如权利要求1-5任意一项所述的乳腺区域提取方法，其特征在于，包括：乳腺钼靶检查装置，乳腺区域提取装置，图像输出装置；
所述乳腺钼靶检查装置，用于获取乳腺钼靶图像；
所述乳腺区域提取装置，用于对乳腺钼靶图像中的乳腺区域进行提取并进行数据处理；
图像输出装置，用于输出数据处理后的乳腺区域。
7.根据权利要求6所述的乳腺区域提取***，其特征在于，乳腺区域提取装置包括：图像分割单元、归一化处理单元、边界增强单元和融合处理单元；
所述图像分割单元，用于使用阈值分割算法将完整的乳腺区域从乳腺钼靶图像中分割出来；
所述归一化处理单元，用于使用截断归一化法对分割后的乳腺区域进行归一化处理，得到截断归一化图像；
所述边界增强单元，用于使用自适应直方图均衡算法来增强截断归一化图像的边界，得到增强图像；
所述融合处理单元，用于将截断归一化图像的灰度值和增强图像的亮度值融合为融合数据，得到融合图像，并对融合图像进行镜像处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310693429.2A CN116433695B (zh) | 2023-06-13 | 2023-06-13 | 一种乳腺钼靶图像的乳腺区域提取方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310693429.2A CN116433695B (zh) | 2023-06-13 | 2023-06-13 | 一种乳腺钼靶图像的乳腺区域提取方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116433695A true CN116433695A (zh) | 2023-07-14 |
| CN116433695B CN116433695B (zh) | 2023-08-22 |
Family
ID=87080065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310693429.2A Active CN116433695B (zh) | 2023-06-13 | 2023-06-13 | 一种乳腺钼靶图像的乳腺区域提取方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116433695B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132729A (zh) * | 2023-07-24 | 2023-11-28 | 清华大学 | 多模态精细乳腺模型设计方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093215A (zh) * | 2013-02-01 | 2013-05-08 | 北京天诚盛业科技有限公司 | 人眼定位方法及装置 |
| US20180286025A1 (en) * | 2015-10-07 | 2018-10-04 | Nanjing Jusha Display Technology Co., Ltd. | Display gray scale curve correction system and method for molybdenum target mammography |
| CN111028310A (zh) * | 2019-12-31 | 2020-04-17 | 上海联影医疗科技有限公司 | 乳腺断层扫描的扫描参数确定方法、装置、终端及介质 |
| CN114519808A (zh) * | 2022-02-21 | 2022-05-20 | 烟台艾睿光电科技有限公司 | 图像融合方法、装置及设备、存储介质 |
| CN114693672A (zh) * | 2022-04-26 | 2022-07-01 | 杭州电子科技大学 | 一种基于图像处理的乳腺钼靶图像皮肤腺及***去除方法 |
| CN115719310A (zh) * | 2021-08-23 | 2023-02-28 | 中国科学院长春光学精密机械与物理研究所 | 一种眼底图像数据集的预处理方法及眼底图像训练模型 |
-
2023
- 2023-06-13 CN CN202310693429.2A patent/CN116433695B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093215A (zh) * | 2013-02-01 | 2013-05-08 | 北京天诚盛业科技有限公司 | 人眼定位方法及装置 |
| US20180286025A1 (en) * | 2015-10-07 | 2018-10-04 | Nanjing Jusha Display Technology Co., Ltd. | Display gray scale curve correction system and method for molybdenum target mammography |
| CN111028310A (zh) * | 2019-12-31 | 2020-04-17 | 上海联影医疗科技有限公司 | 乳腺断层扫描的扫描参数确定方法、装置、终端及介质 |
| CN115719310A (zh) * | 2021-08-23 | 2023-02-28 | 中国科学院长春光学精密机械与物理研究所 | 一种眼底图像数据集的预处理方法及眼底图像训练模型 |
| CN114519808A (zh) * | 2022-02-21 | 2022-05-20 | 烟台艾睿光电科技有限公司 | 图像融合方法、装置及设备、存储介质 |
| CN114693672A (zh) * | 2022-04-26 | 2022-07-01 | 杭州电子科技大学 | 一种基于图像处理的乳腺钼靶图像皮肤腺及***去除方法 |
Non-Patent Citations (1)
| Title |
|---|
| HAICHAO CAO ET AL.: "Breast mass detection in digital mammography based on anchor-free architecture", 《ARXIV》, pages 1 - 26 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132729A (zh) * | 2023-07-24 | 2023-11-28 | 清华大学 | 多模态精细乳腺模型设计方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116433695B (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7422825B2 (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
| CN110033456B (zh) | 一种医疗影像的处理方法、装置、设备和*** | |
| Zotin et al. | Edge detection in MRI brain tumor images based on fuzzy C-means clustering | |
| Shi et al. | Characterization of mammographic masses based on level set segmentation with new image features and patient information | |
| Hu et al. | Label-free liver tumor segmentation | |
| CN110176010B (zh) | 一种图像检测方法、装置、设备及存储介质 | |
| WO2021179491A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| Sinha et al. | Medical image processing | |
| CN111445478A (zh) | 一种用于cta图像的颅内动脉瘤区域自动检测***和检测方法 | |
| JPH07504056A (ja) | データ処理技術を使用して物体を識別するための方法 | |
| CN110610498A (zh) | 乳腺钼靶图像处理方法、***、存储介质及设备 | |
| CN110853024B (zh) | 医疗图像处理方法、装置、存储介质及电子设备 | |
| CN116433695B (zh) | 一种乳腺钼靶图像的乳腺区域提取方法及*** | |
| Osman et al. | The effect of filtering algorithms for breast ultrasound lesions segmentation | |
| Swiecicki et al. | A generative adversarial network-based abnormality detection using only normal images for model training with application to digital breast tomosynthesis | |
| CN113989407A (zh) | Ct影像中肢体部位识别模型训练方法及*** | |
| Wang et al. | Breast lesion detection using an anchor-free network from ultrasound images with segmentation-based enhancement | |
| Atiyah et al. | Brain MRI Images Segmentation Based on U-Net Architecture | |
| dos Santos Romualdo et al. | Mammography images restoration by quantum noise reduction and inverse MTF filtering | |
| Noviana et al. | Axial segmentation of lungs CT scan images using canny method and morphological operation | |
| Nour et al. | Skin lesion segmentation based on edge attention vnet with balanced focal tversky loss | |
| CN113379770A (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
| Egger et al. | Interactive outlining of pancreatic cancer liver metastases in ultrasound images | |
| CN114820591B (zh) | 图像处理方法、装置、电子设备及介质 | |
| Chaduvula et al. | Quantum edge detection of medical images using novel enhanced quantum representation and hill entropy approach |
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 |