CN101227861A - 异常阴影候补检测方法异常阴影候补检测装置 - Google Patents

异常阴影候补检测方法异常阴影候补检测装置 Download PDF

Info

Publication number
CN101227861A
CN101227861A CNA2006800267904A CN200680026790A CN101227861A CN 101227861 A CN101227861 A CN 101227861A CN A2006800267904 A CNA2006800267904 A CN A2006800267904A CN 200680026790 A CN200680026790 A CN 200680026790A CN 101227861 A CN101227861 A CN 101227861A
Authority
CN
China
Prior art keywords
abnormal shade
mentioned
shade candidate
smoothing
characteristic quantity
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
Application number
CNA2006800267904A
Other languages
English (en)
Inventor
小林刚
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.)
Konica Minolta Medical and Graphic Inc
Original Assignee
Konica Minolta Medical and Graphic Inc
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 Konica Minolta Medical and Graphic Inc filed Critical Konica Minolta Medical and Graphic Inc
Publication of CN101227861A publication Critical patent/CN101227861A/zh
Pending legal-status Critical Current

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
    • A61B6/563—Details of data transmission or power supply, e.g. use of slip rings involving image data transmission via a network
    • 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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/30—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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明的目的在于提高异常阴影候补的检测处理时的处理效率以及检测精度。在图像处理装置(2)中，其特征在于：在将所输入的乳房图像进行缩小后得到的图像上使用第1以及第2平滑化滤波器分别实施平滑化处理，抽取异常阴影候补的检测对象区域。其后，在该抽取区域上使用曲率滤波器进行异常阴影候补的检测处理，检测异常阴影的候补区域，显示其检测结果。

Description

异常阴影候补检测方法异常阴影候补检测装置
技术领域
本发明涉及从医用图像检测异常阴影候补的异常阴影候补检测方法以及异常阴影候补检测装置。
背景技术
在医疗领域中，实现医用图像的数字化，将用CR(ComputedRadiography：计算机X线射影)装置等生成的医用图像数据显示在监视器上，医生解译显示在该监视器上医用图像，观察病变部的状态和经时变化进行诊断。
以往，将这种针对减轻医生解译的负担为目的，开发了通过对上述医用图像数据进行图像处理，将显现在图像上的病变部的阴影作为异常阴影候补自动地检测的称为计算机诊断支援装置(Computer-Aided Diagnosis；以下，称为CAD。)的异常阴影候补检测装置。
病变部的阴影大多具有特征性的浓度分布，CAD将根据这种浓度特性推测为病变部的图像区域作为异常阴影候补区域来检测。
在上述CAD中，与作为检测目的的病变种类相应地开发了各种检测算法，作为最适合于肿瘤阴影的检测的算法提出了使用可变光阑滤光器的方法和利用了曲率的特征量的方法等。此外，作为最适合微小钙化群阴影的检测的算法提出了使用形态滤波器(モルフオルジ一フイルタ)的方法等(例如，参照专利文献1、2)。
专利文献1：特开2002-112986号公报
专利文献1：特开2001-346787号公报
如果采用上述专利文献1，则当在同一拍摄部位上存在多个种类的异常阴影检测目标的情况下，由于能够根据检测目的由1名或者多名医生选择异常阴影候补检测算法，因而能够谋求处理时间的缩短。但是，因为使用经过选择的异常阴影候补检测算法对图像全体按照每1个像素进行计算处理，所以如果与使用多个不需要的异常阴影候补检测算法的情况相比能够缩短处理时间，但由于检索图像全体，所以依然花费处理时间，存在将不是病变部的噪声和正常组织的区域作为异常阴影检测的问题。
此外，在专利文献2中记载了当医生对异常阴影候补的存在区域有某种程度的预测的情况下，和当在过去取得的图像等其他的图像中检测出了异常阴影候补的情况下，只指定该区域进行异常阴影候补的检测的内容。但是，存在即使在医生预测的区域以外，或者在过去检测到的区域以外的区域中有异常阴影也不被检测出来的问题。此外，因为在所指定的区域内按照每1个像素进行计算处理，所以即使限定检索区域，也有可能将不是病变部的噪声和正常组织的区域作为异常阴影检测。进而，不能以大小分别对异常阴影候补分类来检测。
此外，将肿瘤作为检测对象的使用了曲率的特征量的检测方法是利用局部的信息，灵敏度良好地检测具有凸形等的某一规定图案的图像区域，但因为针对整个图像区域顺序设定规定的区域，对该每个区域算出曲率，所以只能检测收纳在算出了该曲率的规定范围内的异常阴影。虽然还考虑与异常阴影的大小对应地一边改变区域范围一边检测的应对方法，但其中改变区域范围必须重复进行同样的处理，所以处理时间大幅度增加。
进而，在采用曲率的检测处理中，因为用曲率这一局部信息进行检测，所以如果具有规定图案则即使是正常组织的图像区域也作为候补区域检测，其结果，还时常有包含在检测结果中的假阳性候补数增大的情况。
发明内容
本发明的课题是提高异常阴影候补的检测处理时的处理效率以及检测精度。
技术方案1所述的发明在异常阴影候补检测方法中，其特征在于包含：
对输入医用图像实施第1平滑化滤波器处理的第1处理步骤；
对实施了上述第1平滑化滤波器处理的处理图像实施第2平滑化滤波器处理的第2处理步骤；
从实施了上述第1以及第2平滑化滤波器处理的处理图像中，抽取应该检测异常阴影候补的特定区域的抽取步骤；
计算对表示上述被抽取出的特定区域浓度分布的曲面形状进行表示的特征量的特征量计算步骤；
根据上述计算出的特征量进行异常阴影候补的检测处理的异常阴影候补检测步骤。
技术方案2所述的发明在技术方案1所述的异常阴影候补检测方法中，其特征在于：
包含缩小上述输入医用图像的步骤，
在上述第1处理步骤中对上述被缩小了的输入医用图像进行第1平滑化滤波器处理。
技术方案3所述的发明在技术方案1或者2所述的发明中，其特征在于：
在上述特征量计算步骤中，计算形指数作为对表示上述浓度分布的曲面的形状进行表示的特征量。
技术方案4所述的发明在技术方案1～3项中所述的任意一项记载的异常阴影候补检测方法中，其特征在于：
在上述异常阴影候补检测步骤中作为检测对象的异常阴影种类是肿瘤。
技术方案5所述的发明在异常一样候补检测方法中，其特征在于包含：
设定与应该抽取的第1异常阴影尺寸对应的第1平滑化滤波器的步骤；
设定与应该抽取的第2异常阴影尺寸对应的第2平滑化滤波器的步骤；
使上述第1以及第2平滑化滤波器作用于输入医用图像上，抽取应该检测异常阴影候补的所希望大小的特定区域的抽取步骤；
计算对表示上述特定区域的浓度分布的曲面形状进行表示的特征量的特征量计算步骤；
根据上述计算出的特征量进行异常阴影候补的检测的异常阴影候补检测步骤。
技术方案6所述的发明在异常阴影候补检测装置中，其特征在于具备：
对输入医用图像实施第1平滑化滤波器处理的第1平滑化处理部件；
对实施了上述第1平滑化滤波器处理的处理图像实施第2平滑化滤波器处理的第2平滑化处理部件；
从实施了上述第1以及第2平滑化滤波器处理的处理图像中抽取应该检测异常阴影候补的特定区域的抽取部件；
计算对表示上述抽取出的特定区域的浓度分布的曲面形状进行表示的特征量的特征量计算部件；
根据上述计算出的特征量进行异常阴影候补的检测处理的异常阴影候补检测部件。
技术方案7所述的发明在技术方案6所述的异常阴影候补检测装置中，其特征在于：
包含缩小上述输入医用图像的缩小处理部件，
上述第1平滑化部件对上述被缩小了的输入医用图像实施第1平滑化滤波器处理。
技术方案8所述的发明，在技术方案6或者7所述的异常阴影候补检测装置中，其特征在于：
上述特征量计算部件计算形指数作为对表示上述浓度分布的曲面形状进行表示的特征量。
技术方案9所述的发明在技术方案6～8项所述的任意一项中记载的异常阴影候补检测装置中，其特征在于：
在上述异常阴影候补检测步骤中作为检测对象的异常阴影种类是肿瘤。
技术方案10所述的发明，在异常阴影候补检测装置中，其特征在于具备：
设定与应该抽取的第1异常阴影尺寸对应的第1平滑化滤波器的第1设定部件；
设定与应该抽取的第2异常阴影尺寸对应的第2平滑化滤波器的第2设定部件；
使上述第1以及第2平滑化滤波器作用于输入医用图像，抽取应该检测异常阴影候补的所希望大小的特定区域的抽取部件；
计算对表示上述特定区域的浓度分布的曲面形状进行表示的特征量的特征量计算部件；
根据上述计算出的特征量进行异常阴影候补的检测的异常阴影候补检测部件。
如果采用技术方案1、3、4、7、8、9项所述的发明，则能够通过平滑化滤波处理从检测对象中除去根据肿瘤的预想的大小预先认为是假阳性的大小的区域。此外，通过只对抽取区域，进行灵敏度良好地检测具有规定的图案的区域的、使用了曲率的特征量的异常阴影候补的检测，能够谋求假阳性候补数的降低。即，在如曲率那样应用检测精度高的异常阴影候补的检测处理时，通过将采用平滑滤波器的区域抽取处理作为前处理并用，能够得到处理时间的缩短和检测精度提高的复合效果。
如果采用技术方案2、6项所述的发明，则能够谋求缩短平滑化滤波器处理、异常阴影候补的检测处理等在医用图像上实施的处理时间。
如果采用技术方案5、10所述的发明，则通过让对应的异常阴影尺寸不同的第1以及第2平滑化滤波器发挥作用，可以改变与应该检测的异常阴影候补区域的大小对应地抽取的检测对象区域。因而，能够抽取与检测项目的异常阴影种类的大小相应的区域，进而通过只对该抽取区域，进行灵敏度好地检测具有规定的图案的区域的、使用了曲率的特征量的异常阴影候补的检测，从而能够谋求降低假阳性候补数。即，在如曲率那样应用检测精度高的异常阴影候补的检测处理时，通过将采用平滑滤波器的区域抽取处理作为前处理并用，能够得到处理时间的缩短和检测精度提高的重合效果。此外，因为可以按照应该检测的异常阴影候补区域的大小分别分类并抽取检测对象区域，所以可以实现采用多个检测模型进行异常阴影候补的检测。
附图说明
图1是本实施方式中的医用图像系统的系统结构的图。
图2是表示图1的图像处理装置的内部结构的图。
图3是说明用图像处理装置执行的病变检测处理的流程图。
图4是说明图3的区域抽取处理的流程图。
图5是在区域抽取处理的各步骤中生成的图像数据的示意图。
图6是说明第1平滑化滤波器的图。
图7是说明第2平滑化滤波器的图。
图8是表示用第1以及第2平滑化滤波器按照大小分别分类抽取检测对象区域时的处理顺序的图。
图9是说明表示医用图像的浓度分布的曲面、将关注像素的法线作为旋转轴的法平面的旋转的图。
图10是表示在数字图像中的浓度分布的曲面的图。
图11是说明通过使用最小二乘法用圆近似表示浓度分布的曲线，计算出曲线曲率的方法的图。
图12是表示与ShapeIndex(形指数)值对应的曲面形状的图。
图13是说明在处理对象图像内扫描曲率滤波器的样子的图。
图14是说明使用了曲率滤波器的异常阴影候补检测处理的流程图。
符号说明
100：医用图像系统
1：图像生成装置
2：图像处理装置
21：CPU
22：操作部
23：显示部
24：RAM
25：存储部
26：通信控制部
27：总线
具体实施方式
在本实施方式中，对于本发明的异常阴影候补检测方法以及异常阴影候补检测装置，以从拍摄乳房的医用图像(乳房图像)中检测肿瘤阴影的候补的情况为例子说明。
首先，说明结构。
图1表示在本实施方式中的医用图像系统100的系统结构。
如图1所示，医用图像系统100可以经由网络N将图像生成装置1、图像处理装置2等相互连接成可以进行数据发送接收。网络N应用DICOM(Digital Imaging and Communication in Medicine：医学数字成像和通信)标准。
而且，在本实施方式中，虽然说明网络连接图像生成装置1和图像处理装置2的例子，但并不限于此，也可以是直接有线连接成的系统结构。此外，并不限于图像生成装置1和图像处理装置2，也可以是连接了保存并管理在图像生成装置1中生成的医用图像的图像数据的服务器、进行在图像处理装置2中的异常阴影候补的检测结果以及处理完毕的图像的显示输出的监视器，或者进行胶片输出的胶片输出装置等的结构。
图像生成装置1例如含有CR(Computed Radiography)、FPD(Flat Panel Detector)、CT(Computed Tomography)、MRI(MagneticResonance Imaging)等的影像采集设备(モダリテイ)，是拍摄人体，对所拍摄的图像进行数字变换，生成医用图像的图像数据的装置。在本实施方式中，将图像生成装置1作为进行乳房的放射线摄影，生成乳房图像的图像数据的装置说明。
图像处理装置2是对从图像生成装置1提供的图像数据实施异常阴影候补检测处理的异常阴影候补检测装置。
以下，说明图像处理装置2的内部结构。
图2表示图像处理装置2的功能结构。如图2所示，图像处理装置2具备CPU21、操作部22、显示部23、RAM24、存储部25、通信控制部26等构成，各部用总线27连接。
CPU21读出存储在存储部25中的系统程序，展开在形成于RAM24内的工作区上，按照该系统程序控制各部。此外，CPU21读出以存储在存储部25中的检测处理程序为首的各种处理程序并展开在工作区上，执行以后面说明的病变检测处理(参照图3、4、14)为首的各种处理。
操作部22具备配备有光标键、数字输入键以及各种功能键等的键盘、以及鼠标等的指向设备而构成，将用对键盘的键操作和鼠标操作输入的指示信号输出到CPU21。此外，操作部22也可以在显示部23的显示画面上配备触摸板，这种情况下，将经由触摸板输入的指示信号输出到CPU21。
显示部23用LCD(Liquid Crystal Display：液晶显示器)和CRT等监视器构成，按照从CPU21输入的显示信号的指示，进行图像等的显示。
RAM24形成在用CPU21执行控制的各种处理中暂时存储从存储部25读出的可以由CPU21执行的各种程序、输入或者输出数据以及参数等的工作区。
存储部25用HDD(Hard Disc Drive)和非易失性的半导体存储器等构成，除了由CPU21执行的系统程序外，还存储以病变检测处理程序为首的各种程序、各种数据等。这些各种程序以可读取的程序代码的形态被存储，CPU21逐次执行依据该程序代码的动作。
此外，存储部25具有未图示的特征量文件，在该特征量文件中存储在异常阴影候补的检测处理时计算出的表示医用图像的浓度分布的曲线的特征量(例如，ShapeIndex)。
通信控制部26具备LAN适配器和路由器和TA(TerminalAdapter：终端适配器)等，控制和连接到网络N上的各种装置之间的通信。
接着，说明本实施方式中的动作。
图3是表示用图像处理装置2的CPU21执行的检测处理的流程图。CPU21用和存储在存储部25中的检测处理程序协同动作的软件处理来执行该处理。
首先，经由通信控制部26输入在图像生成装置1中拍摄乳房所生成的乳房图像的图像数据D，并存储在RAM24的工作区上(步骤S1)。
接着，对输入的图像数据D实施区域抽取处理(步骤S2)。区域抽取处理是从图像数据D的全体区域抽取与应该检测的病变部的大小相应的检测对象区域的处理。作为在乳房图像中诊断的主要病变例如可以列举肿瘤阴影、微小钙化群等。肿瘤阴影是具有某种程度的大小的块，在乳房图像上作为具有接近高斯分布的浓度分布的，发白圆阴影来显示。微小钙化群在乳房图像上作为具有大致圆锥构造的浓度分布的微白阴影来显示。即，在乳房图像上在病变部上能看到浓度值(像素值)下陷。
以下，参照图4、5详细说明区域抽取处理。
图4是表示在步骤S2中用CPU21执行的区域抽取处理的流程图。此外，图5是示意地表示图4的区域抽取处理前的图像以及该图像的区域抽取处理的各步骤中的处理结果的图。在图5(a)～(d)中将图像数据(图像数据D1～D4)的某一列(图5(a)～(d)全部表示相同的列)中的像素位置作为横轴，将像素值(浓度值)作为纵轴表示。
在图4的区域抽取处理中，首先，对图像数据D实施缩小处理，生成采样间距为1.6mm左右的图像数据D1(步骤S11)。例如，如果图像数据D的采样间距是100μm，则将纵、横分别设置为1/16。缩小处理算法可以是取附近的像素值的平均、以一定像素间隔进行间隔剔除等哪种方法都行。在此，通过缩小图像数据D，能够缩短在以后的处理中的处理时间。
在乳房图像中，如图5(a)所示，包含具有应该检测的异常阴影候补区域的大小(与应该检测的异常阴影候补同等程度的大小)并且比周围浓度低的区域(检测对象区域)A1；比应该检测的异常阴影候补区域小并且比周围浓度低的区域(微小区域)A2；比应该检测的异常阴影候补区域大并且比周围浓度低的区域(比对象大的区域)A3。在区域抽取处理以后的处理步骤中，从缩小后的图像数据D1上将具有和应该检测的异常阴影候补区域同等程度大小的低浓度区域作为检测对象区域来抽取。而且，在以后的处理中以检测5mm～15mm左右大小的肿瘤阴影候补的情况为例子进行说明。
如果缩小图像数据D，生成图像数据D1，则对缩小后的图像数据的D1实施第1平滑化处理，生成图像数据D2(步骤S21)。
第1平滑化处理对图像数据D1使用掩膜尺寸3像素×3像素的第1平滑化滤波器(参照图6)生成图像数据D2。第1平滑化滤波器是以图像数据D1的关注的像素为中心设定正方形区域(掩膜)，将掩膜内的像素值按照降序排列，将中央值作为关注像素的像素值的中间滤波器。当掩膜尺寸是3×3的中间滤波器的情况下，按照降序排列图6所示的区域1～9的像素值，将其中央值作为区域5的像素值。将掩膜位置每次偏移1个像素重复上述处理，对图像数据D1的全体像素进行。由此如图5(b)所示，纵宽度、横宽度分别达到4.8mm左右(1.6mm×3像素)的微小区域被进行平滑化。
接着，对图像数据D2实施第2平滑化处理，生成图像数据D3(步骤S13)。
在第2平滑化处理中，对图像数据D2使用掩膜尺寸7像素×7像素的第2平滑化滤波器来生成图像数据D3。
该第2平滑化滤波器是具有在掩膜尺寸内的像素值中将最大值作为中央的关注像素的值的最大值滤波器；在掩膜尺寸内的像素值中将最小值作为中央的关注像素的值的最小值滤波器，在对图像数据D2应用了最大值滤波器后，通过应用最小值滤波器，补缺具有掩膜尺寸程度的大小的像素值的下陷(凹坑)的滤波器。一般，肿瘤阴影具有向着其中心X射线透过浓度下陷的特征，要补缺该部分只要使用具有和肿瘤阴影相同程度大小的掩膜尺寸的第2平滑化滤波器即可。
在此，参照图7对于第2平滑化滤波器的原理以一维的数据列为例子说明。在图7中，横轴表示1维的数据列中的像素位置，纵轴表示1维的数据列中的像素值(浓度值)。
图7的L1是原始图像的数据列。从位于该原始图像的数据列的左边的像素开始顺序作为关注像素，将关注像素作为中央设定掩膜尺寸纵1×横7的最大值滤波器，将掩膜的范围内的最大值作为关注像素的像素值。通过将它们每次向右边偏移1个像素，能够得到图7的L2所示的数据列。将用该L2表示的数据列作为输入，从位于左边的像素开始顺序作为关注像素，将关注像素作为中央设定掩膜尺寸纵1×横7的最小值滤波器，将掩膜的范围内的最小值作为关注像素的像素值。由此，如图7的L3所示，能够得到对原始的数据列L1的浓度值的下陷进行了平滑化的数据列。
这样，能够用第2平滑化滤波器对具有与应该检测的异常阴影候补区域A1相同程度大小的低浓度区域进行平滑化。
如果第2平滑化处理结束，则执行差分图像生成处理，通过取图5(c)所示的图像数据D3和图5(b)所示的图像数据D2的同一像素位置的像素值的差，生成图5(d)所示的差分图像(图像数据D4)(步骤S14)。而后，用预先设定了图像数据D4的阈值进行阈值处理，只抽取具有超过阈值的像素值的数据(步骤S15)，生成具有和应该检测的异常阴影候补区域同等程度大小的低浓度区域的图像数据D5。
而且，在上述区域抽取处理中，用第1平滑化滤波器的掩膜尺寸以及采样间距决定成为抽取的检测对象区域的下限的尺寸(第1异常阴影尺寸)，并决定第2平滑化滤波器的掩膜尺寸以及成为用间距抽取的检测对象区域的上限的尺寸(第2异常阴影尺寸)。即，通过与上述第1以及第2异常阴影尺寸一致地改变设定在图4的步骤S12中的第1平滑化处理中使用的第1平滑化滤波器的掩膜尺寸以及在图4的步骤S13中的第2平滑化处理中使用的第2平滑化滤波器的掩膜尺寸，能够将作为异常阴影候补的检测对象的区域的大小改变为所希望的大小。
此外，如图8所示，通过改变设定在图4的步骤S12中的第1平滑化处理中使用的第1平滑化滤波器的掩膜尺寸以及在图4的步骤S13中的第2平滑化处理中使用的第2平滑化滤波器的掩膜尺寸来进行多次处理，可以按照大小分别地分类来抽取检测对象区域。例如，首先，在图4的步骤S12中使用掩膜尺寸3×3的第1平滑化滤波器生成图像数据D2，对该图像数据D2使用掩膜尺寸7×7的第2平滑化滤波器生成图像数据D3，通过取该图像数据D3和图像数据D2的差分进行阈值处理来抽取5mm～15mm左右的检测对象区域。接着，对图像数据D进一步使用掩膜尺寸7×7的第1平滑化滤波器生成图像数据D2’，对该图像数据D2’使用11×11的掩膜尺寸的第2平滑化滤波器生成图像数据D3’，通过取该图像数据D3’和图像数据D2’的差分进行阈值处理能够抽取15mm～30mm左右的检测对象区域。这样，可以分别抽取5mm～15mm左右的检测对象区域以及15mm～30mm左右的检查对象区域。
因为肿瘤阴影大致是圆形，所以图像数据的纵横方向都可以是同样的处理，此外因为被抽取出的区域和肿瘤阴影容易对应起来，所以对于实施上述区域抽取处理特别理想。
在图3中，如果区域抽取处理结束，则对在图像数据D中抽取出的图像数据D5的区域执行异常阴影候补的检测处理(步骤S3)。
在检测处理中，虽然使用曲率滤波器检测肿瘤阴影候补，但在开始对采用曲率滤波器的特征量的计算方法说明后，再说明应用了该方法的异常阴影候补检测处理的流程。
在图9(a)中表示用2维坐标表示的像素位置、各像素的像素值即由浓度值的3个方向的信号分量组成的表示乳房图像的浓度分布的曲面E。在图9(a)中，将曲面E上的任意的一个像素设定为关注像素p，将用该关注像素p中的法线向量m和切线向量t所张开的平面当作法平面F，将法平面F和曲面E的交线(即，在法平面F上被切的曲面E)作为法剖面J。
而且，在图9(a)中，为了便于说明，用平滑的曲面表示了曲面E，但实际上因为处理数字图像，所以如图10所示，曲面E成为针对每个像素表示离散的浓度值(像素值)的阶梯形。
为了计算出在关注像素p中的曲率，如图9(b)所示，将在关注像素p中的法线作为旋转轴，让法平面F(或者，切线向量t)每次以规定角度β旋转，针对各旋转角度的每一个，只要计算出法剖面J表示的曲线γ的关注像素p的法曲率即可。在此，规定角度β根据图像处理装置2的处理速度来决定，例如能够设定为π/2、π/8等。如果增大规定角度β，则能够谋求缩短计算时间。
法剖面J上的关注像素p的法曲率通过用最小二乘法计算近似法剖面J表示的曲线γ的函数，并计算在该计算出的近似函数的关注像素p的曲率来求得。在本实施方式中，首先如图11所示，表示用圆来近似法剖面J表示的曲线γ(图11的浓度轮廓(プロフアイル))的情况。以下，说明用最小二乘法计算曲线γ的近似圆(近似曲线γ的圆)的处理。
如果将近似圆的中心坐标设置成(a，b)，将半径设置成r，则近似圆使用2维坐标(X，Y)表示成式(1)。
(X-a)2-(Y-b)2＝r2或    (1)
X2+Y2-(2Xa+2Yb)+a2+b2＝r2
以下，将在曲线γ上的关注像素p附近(规定范围内的图像区域)的n个像素信号值设置成(Xi，Yi)(i＝1，...n)，如式(2)所示，定义n维向量A、n行3列的矩阵B、3维向量C。
A = X 1 2 + Y 1 2 X 2 2 + Y 2 2 . . . X n 2 + Y n 2 , B = 2 X 1 2 Y 1 1 2 X 2 2 Y 2 1 . . . . . . . . . 2 X n 2 Y n 1 , C = a b r 2 - a 2 - b 2 - - - ( 2 )
为了用式(1)的圆近似曲线γ，只要求出L＝|A-BC|2变成最小时的C即可。即，只要求用向量C对L进行偏微分而变成0那样的C即可。满足L/C＝0的C变成式(3)。
C＝(BTB)-1BA    (3)
在式(3)中T表示转置矩阵。此外，(BTB)-1B是B的伪逆矩阵。
法剖面J表示的曲线γ用由满足式(3)的C决定的圆近似。该近似圆的半径的倒数成为在曲线γ的关注像素p的法曲率。即，在旋转角度θ上的曲线γ的近似圆半径是r(θ)的情况下，在旋转角度θ的法曲率k(θ)如式(4)那样表示。
k(θ)＝1/r(θ)    (4)
而且，当近似圆的中心坐标(a，b)在曲面E的上部的情况下，式(4)的右边的符号变成负，当近似圆的中心坐标(a，b)在曲面E的下部上的情况下，式(4)的右边的符号变成正。
此外，将用3点确定的圆应用于曲线γ，还可以从该圆的半径中计算出法曲率。这种情况下，在曲面上取曲线γ上的候补点和任意的2点，用该3点描画圆，通过移动该任意的2点来改变圆的大小，根据圆的大小的变化到达极点时的半径来计算曲率。
此外作为曲线γ的近似函数还可以使用椭圆、高斯函数、二维函数等各种函数。当使用椭圆作为近似函数的情况下，椭圆的半径(长半径或者短半径)的倒数变成曲率(法曲率)。此外，当使用在以下的式(5)中表示那样的高斯函数Y作为近似函数的情况下，式(5)中N的值为曲率(法曲率)。
Y = 1 N exp ( - X 2 2 σ 2 ) - - - ( 5 )
以下，说明使用了二维函数作为近似函数时的法曲率的计算方法。在局部坐标系中假设图9(a)的曲面E如式(6)那样表示。
Z ( x , y ) = 1 2 ( ax 2 + 2 bxy + cy 2 ) + O ( x , y ) k - - - ( 6 )
在此，a、b、c是常数，O(x，y)k是3次以上的项。
这种情况下，和x轴形成角度θ的法剖面J(曲线γ)上的关注像素p的法曲率k(θ)如式(7)。
k(θ)＝acps2θ+2bcosθsinθ-csin2θ    (7)
在此，根据表示曲面E的式(6)，假定作为曲线γ的近似函数的二维函数，通过用最小二乘法计算该二次函数的二次项的系数、一次项的系数以及常数项来计算法曲率。
首先，假设使用2维坐标(X，Y)用式(8)表示那样的二次函数Y表示曲线γ的近似函数。
Y＝a′X2+b′X+c′    (8)
以下，将在曲线γ上的关注像素p附近(规定范围内的图像区域)的n个像素信号值设置成(Xi，Yi)(i＝1，...n)，计算a’Xi 2+b’Xi+c’，和该二次函数的输出值Yi的差的平方平均S。而后，通过设定成用系数a’，b’，c’对该平方平均S进行偏微分得到的值变成0，计算出系数a’，b’，c’，决定作为曲线γ的近似函数的二次函数。
通过将用最小二乘法得到的式(8)的各系数a’、b’，c’分别代入式(7)的a、b、c，计算出法曲率k(θ)。而且，即使在使用了三次及以上的多次多项式(高次多项式)函数作为近似函数的情况下，也能够用和二次函数的情况一样的方法计算法曲率，能够得到曲面形状的更细致的信息。
这样，如果从曲线γ的近似函数中计算出法曲率，则如以下所示那样计算出Shape Index。如果将关注像素p的法线作为旋转轴让法平面F旋转，则因为法剖面J(曲率γ)的形状发生变化，所以根据旋转角度θ法曲率k(θ)的值也发生变化。即，法曲率k(θ)用法平面F的旋转角度θ取最大值以及最小值。在用各旋转角度θ(0≤θ＜π)计算出的法曲率k(θ)中，如果将最大值设置成kmax，将最小值设定为kmin，则将ShapeIndex SI定义为式(9)。
SI = 1 2 - 1 π arctan K max + k min k max - k min - - - ( 9 )
式(9)的ShapeIndex SI表示在以关注像素p为中心的规定范围内的图像区域中的曲面E的曲面形状。
在图12中表示与ShapeIndex的值对应的曲面形状。在处理对象图像的白色部分(即，浓度值低的部分)中，ShapeIndex的值接近1，曲面形状变成凹形。另一方面，在处理对象图像的黑色部分(即浓度值高的部分)中，ShapeIndex的值接近0，曲面形状变成凸型。
图13表示本实施方式的曲率滤波器和处理对象图像。如图13所示，通过在图3的步骤S3中抽取的抽取区域全体上让该曲率滤波器扫描，计算出在各像素中的ShapeIndex的值，制成强调了浓度分布的凹凸的ShapeIndex图像。如果假设预先根据异常阴影的种类设定ShapeIndex SI的值能够取得的范围，则通过从ShapeIndex图像中检测ShapeIndex的值在特定范围中的信号区域，能够检测相应的异常阴影。例如，肿瘤有变成平稳的高斯分布形的凹形的趋势。因而，从图12中通过检测ShapeIndex的值变成0.75～1.00的图像区域，能够检测肿瘤阴影的候补区域。而且，也可以设定处理对象区域，让曲率滤波器在该设定的处理对象区域的像素上扫描。
而且，在本实施方式中，虽然处理了将图像输出为胶片时的浓度的分布的曲面形状，但也可以处理将图像输出到显示监视器时的亮度的分布的曲面形状。在亮度分布的情况下，Shape Index的值和曲面形状的关系与浓度分布的情况相反。即，当是亮度分布的情况下，浓度值高时变成白色，浓度值低时变成黑色。因而，在亮度分布的情况下，如果Shape Index接近1则曲面形状变成凸型，如果Shape Index接近0则曲面形状变成凹型。
接着，参照图14说明采用上述说明过的曲率滤波器进行的异常阴影候补的检测处理。
如图14所示，首先，在图3的步骤S2中对从医用图像数据D抽取的抽取区域，设定关注像素p(步骤S31)，然后设定以关注像素p为中心的规定范围的图像区域(步骤S32)。接着，将以关注像素p的法线为旋转轴的旋转角度θ设定为0(步骤S33)。
以下，通过用旋转速度为θ的法平面F来切表示在步骤S32中设定的图像区域中的浓度分布的曲面E，取出旋转角度θ的法剖面J表示的曲线γ(步骤S34)，将该曲线γ上的像素信号值(浓度值)存储在存储部25中。接着，用最小二乘法以圆来近似旋转角度θ上的曲线γ，用近似圆的半径计算出在关注像素p的旋转角度θ的法曲率k(θ)(步骤S35)。
接着，将在旋转角度θ上加上了β得到的值设定为新的旋转角度θ(步骤S36)。接着，判定当前的旋转角度β是否大于等于π(步骤S37)。
在步骤S37中，当判定为是旋转角度θ小于π的情况下(步骤S37，N)，返回步骤S34，对该旋转角度θ重复步骤S34～S37的处理。在步骤S7中，当判定为是旋转角度θ大于等于π的情况下(步骤S37，Y)，从对各旋转角度的每个计算出的法曲率k(θ)中计算出最大值kmax以及最小值kmin(步骤S38)。
接着，使用在步骤S38中计算出的法曲率的最大值kmax以及最小值kmin，通过式(9)计算ShapeIndex(步骤S39)，被计算出的ShapeIndex的值作为当前的关注像素p的特征量存储在存储部25的特征量文件中。
接着，对于抽取区域内的全部像素判定Shape Index的计算是否已结束(步骤S40)。在步骤S40中当判定为对于全部像素Shape Index的计算尚未结束的情况下(步骤S40，N)，返回步骤S1，在抽取区域上设定下一个关注像素p(步骤S31)，对该设定的关注像素p重复步骤S32～S39的处理。
在步骤S10中，当判定为对全部的像素ShapeIndex的计算结束的情况下(步骤S40，Y)，通过在抽取区域内让曲率滤波器扫描，如果对全部的像素计算出ShapeIndex，则制成强调了浓度分布的凹凸的ShapeIndex图像。而后，将位于ShapeIndex的值与特定的异常阴影对应的范围上的图像区域检测为该异常阴影的候补区域(步骤S41)。在此，因为将肿瘤作为检测对象，所以例如通过检测ShapeIndex的值变成0.75～1.00的图像区域，检测肿瘤阴影的候补区域。
在异常阴影候补区域的检测后，处理转移到图3的步骤S4，将异常阴影候补检测结果显示在显示部23上(步骤S4)。例如，在显示部23上显示基于图像数据D的乳房图像，在该乳房图像上，用箭头指示显示作为异常阴影候补检测到的候补区域，或者通过彩色显示等进行识别显示。此外，也可以输出在异常阴影候补中的特征量。
如上所述，如果采用本实施方式，则作为使用了曲率滤波器的异常阴影候补的检测处理的前处理，用第1以及第2平滑化滤波器抽取检测处理的对象区域。由此，能够实施只对抽取出的区域上使用了曲率滤波器的检测处理，能够谋求处理时间大幅度的缩短。此外采用曲率滤波器进行的检测处理虽然高灵敏度地检测在肿瘤上特有的图像图案，但在该检测处理前在预先将检测对象区域紧缩到某一大小的区域后进行处理。因而，能够从检测对象中除去根据肿瘤预想的大小预先认为是伪阳性的大小区域，由此能够谋求降低伪阳性候补数。即，如曲率滤波器那样，在使用检测精度高的异常阴影候补的检测处理时，通过将采用平滑滤波器进行的区域抽取处理作为前处理并用，能够得到处理时间的缩短和检测精度的提高这种重合效果。
此外，因为能够改变第1以及第2平滑化滤波器的掩膜尺寸，所以能够抽取与作为检测目的的病变种类的大小相应的区域。通过改变使用曲率滤波器的掩膜尺寸，能够进行考虑了大小的异常阴影候补的检测，但采用曲率滤波器的检测处理比采用平滑化滤波器的抽取处理需要处理时间。因而，预先用平滑化滤波器抽取作为检测目的大小的区域，通过在该大小的抽取区域内采用曲率滤波器进行检测处理，能够谋求处理时间的缩短，并且能够进行考虑了候补区域的大小的检测处理，能够进一步谋求检测精度的提高。
此外，通过改变设定在第1平滑化处理以及第2平滑化处理中的滤波器的掩膜尺寸，可以改变根据应该检测的异常阴影种类的大小抽取的检测对象区域的大小。因而，在异常阴影候补的检测处理的前阶段上通过对检测对象的异常阴影种类限定为特有的大小进行区域的抽取，能够谋求后段的检测处理处理时间的缩短，并且能够进行伪阳性候补的去除。
进而，通过改变掩膜尺寸重复执行图4的步骤S12～S15的处理，因为能够针对应该检测的异常阴影候补区域的大小不同分别分类抽取检测对象区域，所以可以进行采用多个检测模式的异常阴影候补的检测。
而且，在抽取出的区域上使用的曲率滤波器使用采样间距为400μm的图像，当将抽取区域5～15mm的肿瘤阴影作为对象的情况下设为15×15象素尺寸(6×6mm)，当将抽取区域15～30mm的肿瘤阴影作为对象的情况下设为35×35象素尺寸(14×14mm)从检测性的观点出发是理想的。
此外，在上述的实施方式中，在图像处理装置2中实现本发明的第1或者第2平滑化处理、特征量计算、异常阴影候补的检测处理等，但并不限于此，可以在与医用图像系统100连接的其他的装置(服务器等)中实现，也可以在医用图像系统100上新设置实现这些功能的独立的装置。

Claims (10)

1.一种异常阴影候补检测方法，其特征在于包含：
对输入医用图像实施第1平滑化滤波器处理的第1处理步骤；
对实施了上述第1平滑化滤波器处理的处理图像实施第2平滑化滤波器处理的第2处理步骤；
从实施了上述第1以及第2平滑化滤波器处理的处理图像中，抽取应该检测异常阴影候补的特定区域的抽取步骤；
计算对表示上述被抽取出的特定区域浓度分布的曲面形状进行表示的特征量的特征量计算步骤；
根据上述计算出的特征量进行异常阴影候补的检测处理的异常阴影候补检测步骤。
2.根据权利要求1所述的异常阴影候补检测方法，其特征在于：
包含缩小上述输入医用图像的步骤，
在上述第1处理步骤中对上述被缩小了的输入医用图像进行第1平滑化滤波器处理。
3.根据权利要求1或者2所述的异常阴影候补检测方法，其特征在于：在上述特征量计算步骤中，计算形指数作为对表示上述浓度分布的曲面的形状进行表示的特征量。
4.根据权利要求1至3中的任意一项所述的异常阴影候补检测方法，其特征在于：在上述异常阴影候补检测步骤中作为检测对象的异常阴影种类是肿瘤。
5.一种异常阴影候补检测方法，其特征在于包含：
设定与应该抽取的第1异常阴影尺寸对应的第1平滑化滤波器的步骤；
设定与应该抽取的第2异常阴影尺寸对应的第2平滑化滤波器的步骤；
使上述第1以及第2平滑化滤波器作用于输入医用图像上，抽取应该检测异常阴影候补的所希望大小的特定区域的抽取步骤；
计算对表示上述特定区域的浓度分布的曲面形状进行表示的特征量的特征量计算步骤；
根据上述计算出的特征量进行异常阴影候补的检测的异常阴影候补检测步骤。
6.一种异常阴影候补检测装置，其特征在于具备：
对输入医用图像实施第1平滑化滤波器处理的第1平滑化处理部件；
对实施了上述第1平滑化滤波器处理的处理图像实施第2平滑化滤波器处理的第2平滑化处理部件；
从实施了上述第1以及第2平滑化滤波器处理的处理图像中抽取应该检测异常阴影候补的特定区域的抽取部件；
计算对表示上述抽取出的特定区域的浓度分布的曲面形状进行表示的特征量的特征量计算部件；
根据上述计算出的特征量进行异常阴影候补的检测处理的异常阴影候补检测部件。
7.据权利要求6所述的异常阴影候补检测装置，其特征在于：
包含缩小上述输入医用图像的缩小处理部件，
上述第1平滑化部件对上述被缩小了的输入医用图像实施第1平滑化滤波器处理。
8.根据权利要求6或者7所述的异常阴影候补检测装置，其特征在于：上述特征量计算部件计算形指数作为对表示上述浓度分布的曲面形状进行表示的特征量。
9.根据权利要求6至8中的任意一项所述的异常阴影候补检测装置，其特征在于：在上述异常阴影候补检测步骤中作为检测对象的异常阴影种类是肿瘤。
10.一种异常阴影候补检测装置，其特征在于具备：
设定与应该抽取的第1异常阴影尺寸对应的第1平滑化滤波器的第1设定部件；
设定与应该抽取的第2异常阴影尺寸对应的第2平滑化滤波器的第2设定部件；
使上述第1以及第2平滑化滤波器作用于输入医用图像，抽取应该检测异常阴影候补的所希望大小的特定区域的抽取部件；
计算对表示上述特定区域的浓度分布的曲面形状进行表示的特征量的特征量计算部件；
根据上述计算出的特征量进行异常阴影候补的检测的异常阴影候补检测部件。
CNA2006800267904A 2005-07-27 2006-07-12 异常阴影候补检测方法异常阴影候补检测装置 Pending CN101227861A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2005217223 2005-07-27
JP217223/2005 2005-07-27

Publications (1)

Publication Number Publication Date
CN101227861A true CN101227861A (zh) 2008-07-23

Family

ID=37683201

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2006800267904A Pending CN101227861A (zh) 2005-07-27 2006-07-12 异常阴影候补检测方法异常阴影候补检测装置

Country Status (5)

Country Link
US (1) US20100284579A1 (zh)
EP (1) EP1908404A4 (zh)
JP (1) JPWO2007013300A1 (zh)
CN (1) CN101227861A (zh)
WO (1) WO2007013300A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110353714A (zh) * 2019-07-19 2019-10-22 上海联影医疗科技有限公司 Ct设备异常检测方法、装置、设备及存储介质
CN113808101A (zh) * 2021-09-16 2021-12-17 什维新智医疗科技(上海)有限公司 一种乳腺结节钙化分析装置

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5333607B2 (ja) * 2009-12-29 2013-11-06 株式会社島津製作所 放射線画像処理装置および放射線画像処理プログラム
FR2964744B1 (fr) * 2010-09-10 2015-04-03 Univ Versailles St Quentin En Yvelines Test pronostic de l'evolution d'une tumeur solide par analyse d'images
US8931044B1 (en) * 2012-06-29 2015-01-06 Emc Corporation Methods and systems for automated assignment of protection to physical documents that are digitized
JP2014166200A (ja) * 2013-02-28 2014-09-11 Ge Medical Systems Global Technology Co Llc 磁気共鳴装置およびプログラム
JP6383182B2 (ja) * 2014-06-02 2018-08-29 キヤノン株式会社 画像処理装置、画像処理システム、画像処理方法およびプログラム
JP6158143B2 (ja) * 2014-07-18 2017-07-05 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 石灰化表示装置及び撮影装置並びにプログラム
JP2019106590A (ja) * 2017-12-11 2019-06-27 シャープ株式会社 異常判定装置、異常判定方法、および制御プログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5452367A (en) * 1993-11-29 1995-09-19 Arch Development Corporation Automated method and system for the segmentation of medical images
US5586160A (en) * 1995-03-20 1996-12-17 The Regents Of The University Of California Automated analysis for microcalcifications in high resolution digital mammograms
US6418238B1 (en) * 1997-09-22 2002-07-09 Olympus Optical Co., Ltd. Image detection apparatus and image detection method capable of detecting roundish shape
US7310437B2 (en) * 2000-03-08 2007-12-18 Fujifilm Corporation Image processing method and system, and storage medium
JP2001325583A (ja) * 2000-03-08 2001-11-22 Fuji Photo Film Co Ltd 画像処理方法および画像処理装置
JP2002112985A (ja) * 2000-10-06 2002-04-16 Konica Corp 画像診断支援装置
JP4542259B2 (ja) * 2000-12-25 2010-09-08 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー Ｘ線ｃｔシステム及びｘ線診断装置
JP3802450B2 (ja) * 2002-06-05 2006-07-26 アロカ株式会社 超音波診断装置
JP3874113B2 (ja) * 2003-04-16 2007-01-31 株式会社三重ティーエルオー 医用画像処理方法
US20050053270A1 (en) * 2003-09-05 2005-03-10 Konica Minolta Medical & Graphic, Inc. Image processing apparatus and signal processing apparatus
JP2005080758A (ja) * 2003-09-05 2005-03-31 Konica Minolta Medical & Graphic Inc 画像処理装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110353714A (zh) * 2019-07-19 2019-10-22 上海联影医疗科技有限公司 Ct设备异常检测方法、装置、设备及存储介质
CN113808101A (zh) * 2021-09-16 2021-12-17 什维新智医疗科技(上海)有限公司 一种乳腺结节钙化分析装置
CN113808101B (zh) * 2021-09-16 2023-11-21 什维新智医疗科技(上海)有限公司 一种乳腺结节钙化分析装置

Also Published As

Publication number Publication date
JPWO2007013300A1 (ja) 2009-02-05
EP1908404A1 (en) 2008-04-09
WO2007013300A1 (ja) 2007-02-01
EP1908404A4 (en) 2009-12-23
US20100284579A1 (en) 2010-11-11

Similar Documents

Publication Publication Date Title
US11810296B2 (en) Interpretation and quantification of emergency features on head computed tomography
CN101227861A (zh) 异常阴影候补检测方法异常阴影候补检测装置
Huang et al. MSFCN-multiple supervised fully convolutional networks for the osteosarcoma segmentation of CT images
EP2710958B1 (en) Method and system for intelligent qualitative and quantitative analysis of digital radiography softcopy reading
Yilmaz et al. Computer-aided diagnosis of periapical cyst and keratocystic odontogenic tumor on cone beam computed tomography
US9480439B2 (en) Segmentation and fracture detection in CT images
Banerjee et al. Automated 3D segmentation of brain tumor using visual saliency
US20150254842A1 (en) System and method for automated detection of lung nodules in medical images
Liu et al. A CADe system for nodule detection in thoracic CT images based on artificial neural network
JPH06339476A (ja) 胸部ｘ線画像における間質性浸潤の幾何学的パターンの特徴を決定するための方法及びシステム
Myint et al. Analysis on leg bone fracture detection and classification using X-ray images
Palma et al. Detection of masses and architectural distortions in digital breast tomosynthesis images using fuzzy and a contrario approaches
CN112529834A (zh) 病理图像模式在3d图像数据中的空间分布
US11615508B2 (en) Systems and methods for consistent presentation of medical images using deep neural networks
Ribeiro et al. Handling inter-annotator agreement for automated skin lesion segmentation
Ye et al. Severity assessment of COVID-19 based on feature extraction and V-descriptors
Bendtsen et al. X‐Ray Computed Tomography: Semiautomated Volumetric Analysis of Late‐Stage Lung Tumors as a Basis for Response Assessments
Cho et al. Optimal number of strong labels for curriculum learning with convolutional neural network to classify pulmonary abnormalities in chest radiographs
Mikolaj et al. Removing confounding information from fetal ultrasound images
Dolejšı Detection of pulmonary nodules from ct scans
Abdel-Nasser et al. Pectoral Muscle Segmentation in Tomosynthesis Images using Geometry Information and Grey Wolf Optimizer.
Alayue et al. Feature extraction of lung cancer using image analysis techniques
Guo et al. An Interactive System for Detection and Analysis of Mandibular Cystic Lesions
US11961211B2 (en) Radiomic systems and methods
US10726526B1 (en) Digital image analysis and display system using radiographic attenuation data

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20080723