TWI667996B - ***腫瘤輔助檢測模型及***腫瘤輔助檢測系統 - Google Patents

***腫瘤輔助檢測模型及***腫瘤輔助檢測系統 Download PDF

Info

Publication number
TWI667996B
TWI667996B TW107110127A TW107110127A TWI667996B TW I667996 B TWI667996 B TW I667996B TW 107110127 A TW107110127 A TW 107110127A TW 107110127 A TW107110127 A TW 107110127A TW I667996 B TWI667996 B TW I667996B
Authority
TW
Taiwan
Prior art keywords
breast
tumor
image
breast tumor
subject
Prior art date
Application number
TW107110127A
Other languages
English (en)
Other versions
TW201940124A (zh
Inventor
黃宗祺
Tzung Chi Huang
廖英凱
Ying Kai Liao
游家鑫
Jia Xin Yu
林仰賢
Yang Hsien Lin
謝柏欣
Po Hsin Hsish
Original Assignee
中國醫藥大學附設醫院
China Medical University Hospital
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 中國醫藥大學附設醫院, China Medical University Hospital filed Critical 中國醫藥大學附設醫院
Priority to TW107110127A priority Critical patent/TWI667996B/zh
Priority to US16/217,844 priority patent/US10420535B1/en
Application granted granted Critical
Publication of TWI667996B publication Critical patent/TWI667996B/zh
Publication of TW201940124A publication Critical patent/TW201940124A/zh

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
    • A61B8/5246—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from the same or different imaging techniques, e.g. color Doppler and B-mode
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/30068—Mammography; Breast
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Vascular Medicine (AREA)
  • Physiology (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本發明提供一種***腫瘤輔助檢測系統，其包含影像擷取單元和非暫態機器可讀媒體。所述非暫態機器可讀媒體儲存程式，當程式由處理單元執行時用以判斷受試者之***腫瘤類型和預測受試者之腫瘤位置機率。所述程式包含參照資料庫取得模組、第一影像前處理模組、自編碼模組、分類模組、第二影像前處理模組以及比對模組。藉此所述***腫瘤輔助檢測系統可用以判斷受試者之***腫瘤類型和預測受試者之腫瘤位置機率。

Description

***腫瘤輔助檢測模型及***腫瘤輔助檢測系統
本發明是有關於一種醫療資訊分析模型、系統以及方法，特別是一種***腫瘤輔助檢測模型、***腫瘤輔助檢測系統以及***腫瘤輔助檢測方法。
***腫瘤是因***腺泡細胞或乳腺管細胞不正常***增生所形成。大部份的***腫瘤是良性的纖維腺瘤、纖維囊腫或囊腫等，只有十分之一的***腫瘤有惡性腫瘤的可能，但即使是良性腫瘤，腫瘤過大或是產生臨床症狀還是需要治療的。各年齡層出現的硬塊屬性不盡相同。一般而言，30歲之前，出現的***腫瘤多為良性纖維腺瘤或囊腫。30歲至50歲，出現的***腫瘤通常是纖維囊腫或乳癌。停經之後出現的***腫瘤則多為乳癌。
乳癌患者日趨增多，***含豐富血管、***、淋巴結，因此乳癌細胞容易擴散到其他器官，乳癌預後的好壞與「癌細胞的種類」、「發現的時機」及「治療的方式」 三個因素皆有關，但只要能盡可能早期發現和早期治療，治療效果就越好。臨床統計顯示，早期乳癌5年存活率可達80%以上，第0期發現治癒率更可達97%以上。美國醫界積極推廣***自我檢查及***X光攝影檢查，使得早期乳癌的發現率高達60%，然而國人因個性保守，以致早期乳癌只佔15-20%。
***腫瘤檢查與臨床辨別良惡性之方式，包含有特殊放射線攝影(***攝影)、***超音波、血液檢驗與活體組織取樣。由於東方女性乳腺通常較為密集，因此在***攝影需要透過強力擠壓***的方式進行，容易造成患者不適，且有因擠壓造成癌細胞擴散之可能性。若經過***攝影或***超音波檢查，專科醫師尚無法確認腫瘤狀態時，便會以侵入性方式進行活體組織採樣進行確診。
由此可知，習用技術缺乏具有高指標性、較佳靈敏度及可應用於臨床輔助***腫瘤分群之工具，因此，有必要針對習用技術加以改進，以提昇***超音波影像用於確診***腫瘤類型的準確性，減少後患者因進行其他侵入性檢查時所造成的不適感與降低可能因檢查所造成的癌細胞擴散。
本發明之一態樣是在提供一種***腫瘤輔助檢測模型，包含下列建立步驟：取得參照資料庫、進行影像前處理步驟、進行特徵選取步驟以及進行分類步驟。所述參照 資料庫包含複數個參照***超音波影像。所述影像前處理步驟係將參照***超音波影像的影像矩陣數值除以第一歸一化因數，以得到一參照數值區間，其中參照數值區間介於0到1。所述特徵選取步驟，係利用自編碼模組根據參照資料庫選取特徵矩陣。自編碼模組包含編碼器和解碼器，所述編碼器用以壓縮參照數值區間以得到特徵矩陣，其中編碼器包含複數個卷積層和複數個池化層。所述解碼器用以還原特徵矩陣並與參照***超音波影像進行比對，以確認特徵矩陣包含參照***超音波影像中的關鍵資訊，其中解碼器包含複數個卷積層和複數個升採樣層。所述分類步驟係將特徵矩陣利用深度學習分類器訓練達到收斂，以得到***腫瘤輔助檢測模型，而***腫瘤輔助檢測模型可用以判斷受試者之***腫瘤類型和預測受試者之腫瘤位置機率。
依據前述之***腫瘤輔助檢測模型，其中所述第一歸一化因數可為255。所述池化層的池化函數可為最大池化。所述深度學習分類器可為卷積神經網路。
依據前述之***腫瘤輔助檢測模型，其中所述***腫瘤類型可包含無腫瘤、良性腫瘤及惡性腫瘤。
依據前述之***腫瘤輔助檢測模型，所述影像前處理步驟可更包含：將參照***超音波影像進行切邊，以及重設切邊後參照***超音波影像的影像大小。
本發明之另一態樣是在提供一種***腫瘤輔助檢測方法，其包含下列步驟。提供如前段所述之***腫瘤輔助檢測模型。提供受試者的目標***超音波影像。將目標乳 房超音波影像的影像矩陣數值除以第二歸一化因數，以得到目標數值區間。利用所述***腫瘤輔助檢測模型分析所述目標數值區間，以判斷受試者之***腫瘤類型和預測受試者之腫瘤位置機率。
依據前述之***腫瘤輔助檢測方法，其中所述第二歸一化因數可為255。
依據前述之***腫瘤輔助檢測方法，其中所述***腫瘤類型可包含無腫瘤、良性腫瘤及惡性腫瘤。
本發明之再一態樣是在提供一種***腫瘤輔助檢測系統，包含影像擷取單元和非暫態機器可讀媒體。所述影像擷取單元用以取得受試者的目標***超音波影像。所述非暫態機器可讀媒體儲存一程式，當程式由至少一處理單元執行時，所述程式判斷受試者之***腫瘤類型和預測受試者之腫瘤位置機率，所述程式包含：參照資料庫取得模組、第一影像前處理模組、自編碼模組、分類模組、第二影像前處理模組和比對模組。所述參照資料庫取得模組用以取得參照資料庫，所述參照資料庫包含複數個參照***超音波影像。所述第一影像前處理模組，用以歸一化參照***超音波影像的影像矩陣數值，以得到參照數值區間，其中所述參照數值區間介於0到1。所述自編碼模組用以根據參照資料庫選取特徵矩陣，其中自編碼模組包含編碼器和解碼器。所述編碼器用以壓縮參照數值區間以得到特徵矩陣，其中編碼器包含複數個卷積層和複數個池化層。所述解碼器用以還原特徵矩陣並與參照***超音波影像進行比對，以確認特徵矩陣包含 參照***超音波影像中的關鍵資訊，其中解碼器包含複數個卷積層和複數個升採樣層。所述分類模組用以將特徵矩陣利用深度學習分類器訓練達到收斂，以得到***腫瘤輔助檢測模型。所述第二影像前處理模組，用以歸一化目標***超音波影像的影像矩陣數值，以得到目標數值區間，其中目標數值區間介於0到1。所述比對模組用以將目標數值區間以***腫瘤輔助檢測模型進行分析，以判斷受試者之***腫瘤類型和預測受試者之腫瘤位置機率。
依據前述之***腫瘤輔助檢測系統，其中所述第一影像前處理模組可包含多組指令，用以將參照***超音波影像進行切邊；將參照***超音波影像的影像矩陣數值除以第一歸一化因數，以得到參照數值區間；以及重設切邊後參照***超音波影像的影像大小。較佳地，所述第一歸一化因數可為255。
依據前述之***腫瘤輔助檢測系統，其中所述池化層的池化函數可為最大池化。所述深度學習分類器可為卷積神經網路。
依據前述之***腫瘤輔助檢測系統，其中所述第二影像前處理模組包含多組指令，用以將目標***超音波影像進行切邊；將目標***超音波影像的影像矩陣數值除以第二歸一化因數，以得到目標數值區間；以及重設切邊後目標***超音波影像的影像大小。較佳地，所述第二歸一化因數可為255。
依據前述之***腫瘤輔助檢測系統，其中所述***腫瘤類型可包含無腫瘤、良性腫瘤及惡性腫瘤。
藉此，本發明提供一種***腫瘤輔助檢測模型、一種***腫瘤輔助檢測系統以及一種***腫瘤輔助檢測方法，透過基於自編碼深度神經網路的***腫瘤輔助檢測模型，能有效提升超音波在良性腫瘤和惡性腫瘤辨識的敏感度與特異性，用於確診***腫瘤類型的準確性，可提供第二意見給專科醫師，減少患者因進行其他侵入性檢查時所造成的不適感，以及降低可能因檢查所造成的癌細胞擴散。此外，本發明之***腫瘤輔助檢測模型可自動針對***腫瘤位置進行標注，提供醫師腫瘤位置資訊，輔助醫師擬定腫瘤治療方式。因此透過本發明之***腫瘤輔助檢測系統和***腫瘤輔助檢測方法，醫師能根據***腫瘤的良惡性與位置來擬定患者的療程。
上述發明內容旨在提供本揭示內容的簡化摘要，以使閱讀者對本揭示內容具備基本的理解。此發明內容並非本揭示內容的完整概述，且其用意並非在指出本發明實施例的重要/關鍵元件或界定本發明的範圍。
100‧‧‧***腫瘤輔助檢測模型之建立步驟
110、120、130、140‧‧‧步驟
200‧‧‧***腫瘤輔助檢測方法
210、220、230、240‧‧‧步驟
300‧‧‧***腫瘤輔助檢測系統
400‧‧‧影像擷取單元
500‧‧‧非暫態機器可讀媒體
510‧‧‧參照資料庫取得模組
520‧‧‧第一影像前處理模組
530‧‧‧自編碼模組
532‧‧‧編碼器
534‧‧‧解碼器
540‧‧‧分類模組
550‧‧‧第二影像前處理模組
560‧‧‧比對模組
610‧‧‧參照***超音波影像
620‧‧‧編碼器
630‧‧‧解碼器
640‧‧‧參照***超音波還原影像
650‧‧‧深度學習分類器
701‧‧‧***腫瘤影像區塊
710‧‧‧目標***超音波影像
720‧‧‧腫瘤位置圈選影像
730‧‧‧腫瘤位置預測影像
740‧‧‧腫瘤位置圈選影像和腫瘤位置預測影像的疊合影像
750‧‧‧目標***超音波影像、腫瘤位置圈選影像和腫瘤位置預測影像的疊合影像
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖繪示依照本發明之一實施方式之一種***腫瘤輔助檢測模型之建立步驟流程圖； 第2圖繪示依照本發明另一實施方式之一種***腫瘤輔助檢測方法之步驟流程圖；第3圖繪示依照本發明再一實施方式之一種***腫瘤輔助檢測系統之方塊圖；第4圖為本發明之***腫瘤輔助檢測模型的架構圖；第5圖為本發明之***腫瘤輔助檢測模型用於判斷受試者之***腫瘤類型的接收者操作特徵曲線圖；以及第6A圖、第6B圖以及第6C圖為本發明之***腫瘤輔助檢測模型用於判斷受試者之腫瘤位置機率的分析結果圖。
下述將更詳細討論本發明各實施方式。然而，此實施方式可為各種發明概念的應用，可被具體實行在各種不同的特定範圍內。特定的實施方式是僅以說明為目的，且不受限於揭露的範圍。
請參照第1圖，繪示依照本發明之一實施方式之一種***腫瘤輔助檢測模型之建立步驟100流程圖。本發明之***腫瘤輔助檢測模型之建立步驟100包含步驟110、步驟120、步驟130和步驟140，建立後的***腫瘤輔助檢測模型可用以判斷受試者之***腫瘤類型和預測受試者之腫瘤位置機率，所述***腫瘤類型包含無腫瘤、良性腫瘤及惡性腫瘤。
步驟110是取得參照資料庫，所述參照資料庫包含複數個參照***超音波影像。
步驟120是進行影像前處理步驟，係將參照***超音波影像的影像矩陣數值除以第一歸一化因數，以得到一參照數值區間，參照數值區間介於0到1。其中所述第一歸一化因數可為255。影像前處理步驟可更包含將參照***超音波影像進行切邊，以及重設切邊後參照***超音波影像的影像大小。進一步地說，進行影像前處理步驟時，先將參照***超音波影像進行切邊，去除參照***超音波影像外圍的文字標記。再將參照***超音波影像的影像矩陣數值除以數值為255的第一歸一化因數，以得到介於0到1的參照數值區間。最後將切邊後參照***超音波影像的影像大小重設為128像素(pixel)×128像素。
步驟130是進行特徵選取步驟，係利用自編碼(autoencoder)模組根據參照資料庫選取特徵矩陣。自編碼模組包含編碼器(encoder)和解碼器(decoder)，所述編碼器用以壓縮參照數值區間以得到特徵矩陣，其中編碼器包含複數個卷積層(convolution layer)和複數個池化層(pooling layer)。所述解碼器用以還原特徵矩陣並與參照***超音波影像進行比對，以確認特徵矩陣包含參照***超音波影像中的關鍵資訊，其中解碼器包含複數個卷積層和複數個升採樣層(upsampling layer)。其中池化層的池化函數為最大池化(max pooling)。
步驟140是進行分類步驟，係將特徵矩陣利用深度學習分類器訓練達到收斂，以得到***腫瘤輔助檢測模型，而***腫瘤輔助檢測模型可透過***超音波影像，判斷 受試者之***腫瘤類型和預測受試者之腫瘤位置機率，其中所述***腫瘤類型包含無腫瘤、良性腫瘤及惡性腫瘤。所述深度學習分類器可為深度神經網路(deep neural networks,DNN)、卷積神經網路(convolutional neural networks，CNN)或深度置信網路(deep belief networks，DBN)。較佳地，所述深度學習分類器可為卷積神經網路。
請參照第2圖，繪示依照本發明另一實施方式之一種***腫瘤輔助檢測方法200之步驟流程圖。本發明之***腫瘤輔助檢測方法200包含步驟210、步驟220、步驟230和步驟240。
步驟210是提供***腫瘤輔助檢測模型，而***腫瘤輔助檢測模型係經由前述步驟110至步驟140所建立。
步驟220是提供受試者之目標***超音波影像。
步驟230是將目標***超音波影像的影像矩陣數值除以第二歸一化因數，以得到目標數值區間。所述第二歸一化因數可為255。進一步地說，目標***超音波影像可先進行切邊，去除目標***超音波影像外圍的文字標記。再將目標***超音波影像的影像矩陣數值除以數值為255的第二歸一化因數，以得到介於0到1的目標數值區間。最後將切邊後目標***超音波影像的影像大小重設為128像素×128像素。
步驟240是利用所述***腫瘤輔助檢測模型分析目標數值區間，以判斷受試者之***腫瘤類型和預測受試者之腫瘤位置機率。其中***腫瘤類型可包含無腫瘤、良性腫瘤和惡性腫瘤。
請再參照第3圖，繪示依照本發明再一實施方式之一種***腫瘤輔助檢測系統300之方塊圖。本發明之***腫瘤輔助檢測系統300包含影像擷取單元400和非暫態機器可讀媒體500。***腫瘤輔助檢測系統300可用以判斷受試者之***腫瘤類型和預測受試者之腫瘤位置機率，其中所述***腫瘤類型可包含無腫瘤、良性腫瘤和惡性腫瘤。
影像擷取單元400用以取得受試者的目標***超音波影像，以及取得參照***超音波影像。影像擷取單元可為一***超音波影像擷取裝置，利用回傳之音波可依組織的物理特性，檢測高緻密度的***。較佳地，影像擷取單元400可為手持式超音波掃描器或自動***超音波系統(Automated breast ultrasound system,ABUS)。
非暫態機器可讀媒體500儲存一程式，其中當所述程式由至少一處理單元執行時，所述程式判斷受試者之***腫瘤類型和預測受試者之腫瘤位置機率。所述程式包含參照資料庫取得模組510、第一影像前處理模組520、自編碼模組530、分類模組540、第二影像前處理模組550以及比對模組560。
參照資料庫取得模組510用以取得參照資料庫，所述參照資料庫包含複數個參照***超音波影像。
第一影像前處理模組520用以歸一化參照***超音波影像的影像矩陣數值，以得到參照數值區間，其中參照數值區間介於0到1。第一影像前處理模組520可包含多組指令，用以將參照***超音波影像進行切邊；將參照***超音波影像的影像矩陣數值除以第一歸一化因數，以得到參照數值區間；以及重設切邊後參照***超音波影像的影像大小。其中第一歸一化因數可為255。進一步地說，第一影像前處理模組520先將參照***超音波影像進行切邊，去除參照***超音波影像外圍的文字標記。再將參照***超音波影像的影像矩陣數值除以數值為255的第一歸一化因數，以得到介於0到1的參照數值區間。最後將切邊後參照***超音波影像的影像大小重設為128像素×128像素。
自編碼模組530用以根據參照資料庫選取特徵矩陣，其中自編碼模組53,0包含編碼器532和解碼器534。編碼器532用以壓縮參照數值區間以得到特徵矩陣，其中編碼器532包含複數個卷積層和複數個池化層。解碼器534用以還原特徵矩陣並與參照***超音波影像進行比對，以確認特徵矩陣包含參照***超音波影像中的關鍵資訊，其中解碼器534包含複數個卷積層和複數個升採樣層。
分類模組540用以將特徵矩陣利用深度學習分類器訓練達到收斂，以得到***腫瘤輔助檢測模型。所述深度學習分類器可為深度神經網路、卷積神經網路或深度置信網路。較佳地，所述深度學習分類器可為卷積神經網路。
第二影像前處理模組550用以歸一化目標***超音波影像的影像矩陣數值，以得到目標數值區間，其中目標數值區間介於0到1。第二影像前處理模組可包含多組指令，用以將目標***超音波影像進行切邊；將目標***超音波影像的影像矩陣數值除以第二歸一化因數，以得到目標數值區間；以及重設切邊後目標***超音波影像的影像大小，其中第二歸一化因數可為255。進一步地說，第二影像前處理模組550先將目標***超音波影像進行切邊，去除目標***超音波影像外圍的文字標記。再將目標***超音波影像的影像矩陣數值除以數值為255的第二歸一化因數，以得到介於0到1的目標數值區間。最後將切邊後目標***超音波影像的影像大小重設為128像素×128像素。
比對模組560用以將目標數值區間以***腫瘤輔助檢測模型進行分析，以判斷受試者之***腫瘤類型和預測受試者之腫瘤位置機率。
<試驗例> 一、參照資料庫
本發明所使用的參照資料庫為中國醫藥大學暨附設醫院所蒐集的回溯性***超音波影像資料，為經中國醫藥大學暨附設醫院研究倫理委員會(China Medical University & Hospital Research Ethics Committee)核准之臨床試驗計劃，其編號為：CMUH106-REC1-087。參照受試者包含無腫瘤的參照受試者88位、具有良性***腫瘤的參照受試者148位，以及具有惡性***腫瘤的參照受 試者94位，共計330位參照受試者。其中腫瘤良惡性以切片檢查結果做為參造。
二、建立本發明之***腫瘤輔助檢測模型
於本試驗例中，先建立最佳化的***腫瘤輔助檢測模型。請參照第4圖，為本發明之***腫瘤輔助檢測模型的架構圖。
首先取得參照資料庫，參照資料庫包含複數個參照***超音波影像610。將參照***超音波影像610利用第一影像前處理模組(未另標號)進行影像前處理，其係將不同型號的原始***超音波影像進行標準化，標準化流程為先進行切邊以去除參照***超音波影像外圍的文字標記。再將參照***超音波影像的影像矩陣數值除以數值為255的第一歸一化因數，以得到介於0到1的參照數值區間。最後將切邊後參照***超音波影像的影像大小重設為128像素×128像素以完成標準化。
再將所得到的參照數值區間輸入自編碼模組(未另標號)中，其中自編碼模組包含編碼器620和解碼器630。編碼器620用以壓縮參照數值區間以得到特徵矩陣，其中編碼器620包含複數個卷積層和複數個池化層，詳細地說，係經由兩層卷積層的卷積運算(Conv2D)提取輸入的不同特徵後，經由一層池化層以最大池化(MaxPooling2D)將輸入的參照超音波影像劃分為若干個矩形區域，對每個子區域輸出最大值。再重覆兩次兩層卷積層的卷積運算和一層池化層輸出最大值，以得到特徵矩陣。
所得到的特徵矩陣分別以解碼器630還原並與參照***超音波影像進行比對，以確認特徵矩陣包含參照***超音波影像中的關鍵資訊，以及利用深度學習分類器650訓練達到收斂，以得到***腫瘤輔助檢測模型。
解碼器630包含複數個卷積層和複數個升採樣層，詳細地說，係經由兩層卷積層的卷積運算(Conv2D)提取輸入的不同特徵後，以一層升採樣層(UpSampling2D)提高取樣頻率。再重覆兩次兩層卷積層的卷積運算和一層升採樣層提高取樣頻率後，再以一層卷積層的卷積運算得到參照***超音波還原影像640。比對參照***超音波影像610和參照***超音波還原影像640，可見參照***超音波影像610經由自編碼模組處理後，參照***超音波還原影像640包含了參照***超音波影像610中所有的關鍵資訊。
而深度學習分類器650係利用卷積神經網路進行訓練，詳細地說，將前述選取的特徵矩陣輸入後，卷積神經網路的卷積層的卷積運算和池化層的最大值輸出的訓練流程如下所示：承接編碼器620所提取的特徵矩陣分別進行1x1卷積層(Conv)、1x1和3x3卷積層(Conv)、1x1和5x5卷積層(Conv)以及3x3池化層(MaxPooling)和1x1卷積層(Conv)運算後，將各組運算的特徵矩陣數值進行深層疊合(DepthConcat)。之後再重複分別進行1x1卷積層、1x1和3x3卷積層、1x1和5x5卷積層以及3x3池化層和1x1卷積層運算，並將各組運算的特徵矩陣數值進行深層疊合後，再進行全局平均池化(Global Average Pooling 2D)，以得到訓 練好的***腫瘤輔助檢測模型。所得到的***腫瘤輔助檢測模型可用以判斷受試者之***腫瘤類型和以及預測受試者之腫瘤位置機率。
三、用於判斷受試者之***腫瘤類型
於本試驗例中進一步將所建立的***腫瘤輔助檢測模型用於判斷受試者之***腫瘤類型。其步驟如下：提供前述建立好的***腫瘤輔助檢測模型。提供受試者之目標***超音波影像。將目標***超音波影像的影像矩陣數值除以數值為255的第二歸一化因數，以得到目標數值區間，所得到的目標數值區間介於0到1。最後利用***腫瘤輔助檢測模型判斷受試者之***腫瘤類型為無腫瘤、良性腫瘤或惡性腫瘤。判斷標準為透過已建立好的***腫瘤輔助檢測模型中參照資料庫的腫瘤類型分類資料進行相似性比對，並針對每張影像給出一個以機率值表示之分類判斷，以判斷受試者的***腫瘤類型為無腫瘤、良性腫瘤或惡性腫瘤。
請參照第5圖，為本發明之***腫瘤輔助檢測模型用於判斷受試者之***腫瘤類型的接收者操作特徵曲線(receiver operating characteristic curve,ROC)圖。結果顯示，當以本發明之***腫瘤輔助檢測模型判斷受試者的***腫瘤類型時，其宏平均(macro-average)和微平均(micro-average)曲線下面積(Area under the Curve,AUC)皆為0.98，其中***腫瘤類型為無腫瘤(class 0)的AUC=1，***腫瘤類型為良性腫瘤(class 1)的AUC=0.96，***腫瘤類型為惡性腫瘤(class 2)的AUC=0.97。 顯示本發明之***腫瘤輔助檢測模型、***腫瘤輔助檢測系統和***腫瘤輔助檢測方法，可以精準地以***超音波影像判斷受試者的***腫瘤類型。
四、用於預測受試者之腫瘤位置機率
於本試驗例中進一步將所建立的***腫瘤輔助檢測模型用於預測受試者之腫瘤位置機率。其步驟如下：提供前述建立好的***腫瘤輔助檢測模型。提供受試者之目標***超音波影像。將目標***超音波影像的影像矩陣數值除以數值為255的第二歸一化因數，以得到目標數值區間，所得到的目標數值區間介於0到1。最後利用***腫瘤輔助檢測模型預測受試者之腫瘤位置機率。其係透過已建立好的***腫瘤輔助檢測模型中參照資料庫的腫瘤位置標註資料進行相似性比對，針對每張影像產生一預測腫瘤位置機率分佈熱圖，以預測受試者之腫瘤位置機率。
請參照第6A圖至第6C圖，為本發明之***腫瘤輔助檢測模型用於判斷受試者之腫瘤位置機率的分析結果圖，其中分別包含目標***超音波影像710、腫瘤位置圈選影像720、腫瘤位置預測影像730、腫瘤位置圈選影像和腫瘤位置預測影像的疊合影像740，以及目標***超音波影像、腫瘤位置圈選影像和腫瘤位置預測影像的疊合影像750。目標***超音波影像710為受試者的原始目標超音波影像，腫瘤位置圈選影像720為醫師依據目標***超音波影像710中所出現的腫瘤位置進行圈選所得到的影像，腫瘤位置預測影像730為將目標***超音波影像710經由本發明之 ***腫瘤輔助檢測模型分析後所產生的腫瘤位置機率分佈熱圖，其中不同顏色表示不同的腫瘤出現位置機率，請參見腫瘤位置預測影像730旁的顏色對應表。
在第6A圖中，目標***超音波影像710中無腫瘤存在，因此在腫瘤位置圈選影像720中無任何圈選影像區塊。而經由本發明之***腫瘤輔助檢測模型分析後所產生的腫瘤位置預測影像730中，亦未顯示有任何腫瘤出現位置的機率。在第6B圖中，目標***超音波影像710中於上方偏左的位置存在一腫瘤，因此在腫瘤位置圈選影像720中有一***腫瘤影像區塊701。而經由本發明之***腫瘤輔助檢測模型分析後所產生的腫瘤位置預測影像730中顯示有不同的腫瘤出現位置機率。由腫瘤位置圈選影像和腫瘤位置預測影像的疊合影像740中可見，腫瘤位置預測影像730中腫瘤出現位置機率最高的區域與腫瘤位置圈選影像720中的***腫瘤影像區塊701有高度的重疊。在第6C圖中，目標***超音波影像710中於上方中間的位置存在一腫瘤，因此在腫瘤位置圈選影像720中有一***腫瘤影像區塊701。而經由本發明之***腫瘤輔助檢測模型分析後所產生的腫瘤位置預測影像730中顯示有不同的腫瘤出現位置機率。由腫瘤位置圈選影像和腫瘤位置預測影像的疊合影像740中可見，腫瘤位置預測影像730中腫瘤出現位置機率最高的區域與腫瘤位置圈選影像720中的***腫瘤影像區塊701有高度的重疊。顯示本發明之***腫瘤輔助檢測模型、***腫瘤輔助檢 測系統和***腫瘤輔助檢測方法，可以用以預測受試者的腫瘤位置機率，以作為***腫瘤檢測的輔助工具。
藉此，本發明提供一種***腫瘤輔助檢測模型、一種***腫瘤輔助檢測系統以及一種***腫瘤輔助檢測方法，透過基於自編碼深度神經網路的***腫瘤輔助檢測模型，能有效提升超音波在良性腫瘤和惡性腫瘤辨識的敏感度與特異性，用於確診***腫瘤類型的準確性，可提供第二意見給專科醫師，減少患者因進行其他侵入性檢查時所造成的不適感，以及降低可能因檢查所造成的癌細胞擴散。是以本發明之***腫瘤輔助檢測模型、一種***腫瘤輔助檢測系統以及一種***腫瘤輔助檢測方法，可以非侵入性的檢測方式，藉由個案之***超音波影像資料進行自動化且快速的數據分析，輔助醫事人員進行判讀而即早確診，提高早期乳癌的發現率。
此外，本發明之***腫瘤輔助檢測模型可自動針對***腫瘤位置進行標注，提供醫師腫瘤位置資訊，輔助醫師擬定腫瘤治療方式。因此透過本發明之***腫瘤輔助檢測系統和***腫瘤輔助檢測方法，醫師能根據***腫瘤的良惡性與位置來擬定患者的療程。其進一步的治療方式可包含手術治療、放射線治療、賀爾蒙控制治療、化學治療與標把治療。透過本發明之***腫瘤輔助檢測模型、一種***腫瘤輔助檢測系統以及一種***腫瘤輔助檢測方法，醫師能根據***腫瘤的良惡性與位置來擬定患者的後續療程。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

Claims (14)

  1. 一種***腫瘤輔助檢測模型，包含下列建立步驟：取得一參照資料庫，其中該參照資料庫包含複數個參照***超音波影像；進行一影像前處理步驟，係將該些參照***超音波影像的影像矩陣數值除以一第一歸一化因數，以得到一參照數值區間，其中該參照數值區間介於0到1；進行一特徵選取步驟，係利用一自編碼模組根據該參照資料庫選取一特徵矩陣，其中該自編碼模組包含：一編碼器，用以壓縮該參照數值區間以得到該特徵矩陣，其中該編碼器包含複數個卷積層和複數個池化層；以及一解碼器，用以還原該特徵矩陣並與該些參照***超音波影像進行比對，以確認該特徵矩陣包含各該參照***超音波影像中的關鍵資訊，其中該解碼器包含複數個卷積層和複數個升採樣層；以及進行一分類步驟，係將該特徵矩陣利用一深度學習分類器訓練達到收斂，以得到該***腫瘤輔助檢測模型，其中該***腫瘤輔助檢測模型可用以判斷一受試者之一***腫瘤類型以及預測該受試者之一腫瘤位置機率。
  2. 如申請專利範圍第1項所述的***腫瘤輔助檢測模型，其中該第一歸一化因數為255。
  3. 如申請專利範圍第1項所述的***腫瘤輔助檢測模型，其中該影像前處理步驟更包含：將該些參照***超音波影像進行切邊；以及重設該些切邊後參照***超音波影像的影像大小。
  4. 如申請專利範圍第1項所述的***腫瘤輔助檢測模型，其中該池化層的池化函數為最大池化。
  5. 如申請專利範圍第1項所述的***腫瘤輔助檢測模型，其中該深度學習分類器為一卷積神經網路。
  6. 如申請專利範圍第1項所述的***腫瘤輔助檢測模型，其中該***腫瘤類型包含無腫瘤、良性腫瘤及惡性腫瘤。
  7. 一種***腫瘤輔助檢測系統，包含：一影像擷取單元，用以取得一受試者的一目標***超音波影像；以及一非暫態機器可讀媒體，其儲存一程式，其中當該程式由至少一處理單元執行時，該程式判斷該受試者之一***腫瘤類型和預測該受試者之一腫瘤位置機率，該程式包含：一參照資料庫取得模組，用以取得一參照資料庫，該參照資料庫包含複數個參照***超音波影像；一第一影像前處理模組，用以歸一化該些參照***超音波影像的影像矩陣數值，以得到一參照數值區間，其中該參照數值區間介於0到1；一自編碼模組，用以根據該參照資料庫選取一特徵矩陣，其中該自編碼模組包含：一編碼器，用以壓縮該參照數值區間以得到該特徵矩陣，其中該編碼器包含複數個卷積層和複數個池化層；以及一解碼器，用以還原該特徵矩陣並與該些參照***超音波影像進行比對，以確認該特徵矩陣包含各該參照***超音波影像中的關鍵資訊，其中該解碼器包含複數個卷積層和複數個升採樣層；一分類模組，用以將該特徵矩陣利用一深度學習分類器訓練達到收斂，以得到一***腫瘤輔助檢測模型；一第二影像前處理模組，用以歸一化該些目標***超音波影像的影像矩陣數值，以得到一目標數值區間，其中該目標數值區間介於0到1；以及一比對模組，用以將該目標數值區間以該***腫瘤輔助檢測模型進行分析，以判斷該受試者之一***腫瘤類型和預測該受試者之一腫瘤位置機率。
  8. 如申請專利範圍第7項所述的***腫瘤輔助檢測系統，其中該第一影像前處理模組包含多組指令，用以：將該些參照***超音波影像進行切邊；將該些參照***超音波影像的影像矩陣數值除以一第一歸一化因數，以得到該參照數值區間；以及重設該些切邊後參照***超音波影像的影像大小。
  9. 如申請專利範圍第8項所述的***腫瘤輔助檢測系統，其中該第一歸一化因數為255。
  10. 如申請專利範圍第7項所述的***腫瘤輔助檢測系統，其中該池化層的池化函數為最大池化。
  11. 如申請專利範圍第7項所述的***腫瘤輔助檢測系統，其中該深度學習分類器為一卷積神經網路。
  12. 如申請專利範圍第7項所述的***腫瘤輔助檢測系統，其中該第二影像前處理模組包含多組指令，用以：將該些目標***超音波影像進行切邊；將該些目標***超音波影像的影像矩陣數值除以一第二歸一化因數，以得到該目標數值區間；以及重設該些切邊後目標***超音波影像的影像大小。
  13. 如申請專利範圍第12項所述的***腫瘤輔助檢測系統，其中該第二歸一化因數為255。
  14. 如申請專利範圍第7項所述的***腫瘤輔助檢測系統，其中該***腫瘤類型為無腫瘤、良性腫瘤及惡性腫瘤。
TW107110127A 2018-03-23 2018-03-23 ***腫瘤輔助檢測模型及***腫瘤輔助檢測系統 TWI667996B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW107110127A TWI667996B (zh) 2018-03-23 2018-03-23 ***腫瘤輔助檢測模型及***腫瘤輔助檢測系統
US16/217,844 US10420535B1 (en) 2018-03-23 2018-12-12 Assisted detection model of breast tumor, assisted detection system thereof, and method for assisted detecting breast tumor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107110127A TWI667996B (zh) 2018-03-23 2018-03-23 ***腫瘤輔助檢測模型及***腫瘤輔助檢測系統

Publications (2)

Publication Number Publication Date
TWI667996B true TWI667996B (zh) 2019-08-11
TW201940124A TW201940124A (zh) 2019-10-16

Family

ID=67983080

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107110127A TWI667996B (zh) 2018-03-23 2018-03-23 ***腫瘤輔助檢測模型及***腫瘤輔助檢測系統

Country Status (2)

Country Link
US (1) US10420535B1 (zh)
TW (1) TWI667996B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI743693B (zh) * 2020-02-27 2021-10-21 國立陽明交通大學 良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728674B (zh) * 2019-10-21 2022-04-05 清华大学 图像处理方法及装置、电子设备和计算机可读存储介质
CN110827345B (zh) * 2019-10-31 2020-12-11 推想医疗科技股份有限公司 心胸比确定方法、装置、设备、存储介质及计算机设备
CN110827296B (zh) * 2019-11-01 2023-06-23 南京信息工程大学 多目标集成式深度神经网络的乳腺x光影像分析方法
CN110866908B (zh) * 2019-11-12 2021-03-26 腾讯科技（深圳）有限公司 图像处理方法、装置、服务器及存储介质
CN111556017B (zh) * 2020-03-25 2021-07-27 中国科学院信息工程研究所 一种基于自编码机的网络入侵检测方法及电子装置
JP7385529B2 (ja) * 2020-06-10 2023-11-22 日立造船株式会社 検査装置、検査方法、および検査プログラム
US11710231B2 (en) * 2020-08-31 2023-07-25 Ping An Technology (Shenzhen) Co., Ltd. Method and apparatus for mammographic multi-view mass identification
CN112699948A (zh) * 2020-12-31 2021-04-23 无锡祥生医疗科技股份有限公司 超声乳腺病灶的分类方法、装置及存储介质
CN113034436B (zh) * 2021-02-26 2023-07-14 中山大学孙逸仙纪念医院 基于乳腺mr影像组学的乳腺癌分子分型变化预测装置
CN113053523A (zh) * 2021-04-23 2021-06-29 广州易睿智影科技有限公司 一种持续自我学习多模型融合超声乳腺肿块精准鉴别***
CN114098819A (zh) * 2021-12-07 2022-03-01 四川大学华西医院 一种针对***的多功能检测、按摩护理***及护理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0806968A2 (en) * 1995-02-01 1997-11-19 Epix Medical, Inc. Diagnostic imaging contrast agents with extended blood retention
EP0808465A1 (en) * 1995-02-10 1997-11-26 Cardiac Mariners Incorporated Scanning-beam x-ray imaging system
US9538974B2 (en) * 2014-11-20 2017-01-10 General Electric Company Methods and systems for correcting table deflection
JP6291813B2 (ja) * 2013-11-29 2018-03-14 コニカミノルタ株式会社 医用画像システム及びプログラム
US9922418B2 (en) * 2013-08-21 2018-03-20 Shimadzu Corporation Image processing device

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11832969B2 (en) * 2016-12-22 2023-12-05 The Johns Hopkins University Machine learning approach to beamforming
US11302003B2 (en) * 2017-10-26 2022-04-12 Wisconsin Alumni Research Foundation Deep learning based data-driven approach for attenuation correction of pet data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0806968A2 (en) * 1995-02-01 1997-11-19 Epix Medical, Inc. Diagnostic imaging contrast agents with extended blood retention
EP0808465A1 (en) * 1995-02-10 1997-11-26 Cardiac Mariners Incorporated Scanning-beam x-ray imaging system
US9922418B2 (en) * 2013-08-21 2018-03-20 Shimadzu Corporation Image processing device
JP6291813B2 (ja) * 2013-11-29 2018-03-14 コニカミノルタ株式会社 医用画像システム及びプログラム
US9538974B2 (en) * 2014-11-20 2017-01-10 General Electric Company Methods and systems for correcting table deflection

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI743693B (zh) * 2020-02-27 2021-10-21 國立陽明交通大學 良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體
US11475563B2 (en) 2020-02-27 2022-10-18 National Yang Ming Chiao Tung University Benign tumor development trend assessment system, server computing device thereof and computer readable storage medium

Also Published As

Publication number Publication date
TW201940124A (zh) 2019-10-16
US20190290246A1 (en) 2019-09-26
US10420535B1 (en) 2019-09-24

Similar Documents

Publication Publication Date Title
TWI667996B (zh) ***腫瘤輔助檢測模型及***腫瘤輔助檢測系統
KR101857624B1 (ko) 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
US11937973B2 (en) Systems and media for automatically diagnosing thyroid nodules
CN108464840B (zh) 一种乳腺肿块自动检测方法及***
Hakim et al. Thermal imaging-an emerging modality for breast cancer detection: a comprehensive review
Chang et al. Computer-aided diagnosis of skin lesions using conventional digital photography: a reliability and feasibility study
CN109727243A (zh) 乳腺超声图像识别分析方法及***
US20090324049A1 (en) System and method for assessing cancer risk
ITRM20060213A1 (it) Metodo di elaborazione di immagini biomediche
CN110728239B (zh) 一种利用深度学习的胃癌增强ct图像自动识别***
CN112071418B (zh) 基于增强ct影像组学的胃癌腹膜转移的预测***及方法
Singh et al. Designing a retrieval-based diagnostic aid using effective features to classify skin lesion in dermoscopic images
Zhang et al. Comparison of multiple feature extractors on Faster RCNN for breast tumor detection
CN112767374A (zh) 基于mri的阿尔茨海默症病灶区域语义分割算法
Kia et al. Computer-aided diagnosis (CAD) of the skin disease based on an intelligent classification of sonogram using neural network
CN110276740A (zh) ***肿瘤辅助检测模型、其***及***肿瘤辅助检测方法
Femil et al. An Efficient Hybrid Optimization for Skin Cancer Detection Using PNN Classifier.
Kumar et al. A Novel Approach for Breast Cancer Detection by Mammograms
Lalli et al. A development of knowledge-based inferences system for detection of breast cancer on thermogram images
WO2017193581A1 (zh) 乳腺筛查图像自动处理***及方法
CN112002407A (zh) 一种基于超声视频的乳腺癌诊断装置及其方法
CN103815926B (zh) 乳腺癌检测方法和装置
CN113838020B (zh) 一种基于钼靶影像的病变区域量化方法
Cao et al. Deep learning based lesion detection for mammograms
AU2020103785A4 (en) Method for improving recognition rates of mri images of prostate tumors based on cad system