CN102855483A - 处理超声图像的方法和装置以及乳腺癌诊断设备 - Google Patents
处理超声图像的方法和装置以及乳腺癌诊断设备 Download PDFInfo
- Publication number
- CN102855483A CN102855483A CN2011101865132A CN201110186513A CN102855483A CN 102855483 A CN102855483 A CN 102855483A CN 2011101865132 A CN2011101865132 A CN 2011101865132A CN 201110186513 A CN201110186513 A CN 201110186513A CN 102855483 A CN102855483 A CN 102855483A
- Authority
- CN
- China
- Prior art keywords
- subregion
- ultrasonoscopy
- unit
- similar
- noise reduction
- 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
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
提供了一种处理超声图像的方法和装置以及乳腺癌诊断设备。所述处理超声图像的方法包括:将超声图像分割为几个同类子区域;确定分割的子区域是对象子区域还是背景子区域;将确定的对象子区域合并为对象区域。通过根据本发明的处理超声图像的方法,能够得到更加清楚的对象图像。
Description
技术领域
本发明涉及处理超声图像。更具体地讲,涉及一种处理超声图像的方法和装置以及乳腺癌诊断设备。
背景技术
乳腺癌是一种严重影响女性身心健康甚至危及生命的最常见的恶性肿瘤之一,早期检测是减小死亡率的关键,大约能减小死亡率40%或者更多。超声波和乳房X线照相术越来越多地被使用在乳房成像中并且作为附加的诊断测试技术。当乳房X线照相术很可能减小了灵敏度或者呈现出不可接受的辐射危险时,超声波成为首要的成像技术。因此,计算机辅助诊断(CAD)系统可帮助无经验的医师避免误诊,减小了良性病变活组织检查的数量,并且减小不同观察者之间的差异。
当前,大多数的系统是交互的或者是半自动的。例如,US5984870专利申请涉及一种自动分析超声波图像中的病变的方法和系统,在该方法中,手动地将图像分割为多个区域。加拿大Medipattern公司开发的乳腺计算机辅助检测系统(B-CAD)能够减少放射学家分析乳房超声图像所用的时间,可以自动图像分析、分割和分类,但是仍然需要人工输入来实现高精确的结果。
此外,还有一些方法采用单一特征和单一分类器,但是这些方法并不能解决不规则肿瘤检测问题。例如,US7736313涉及检测超声图像中的病变,其基于窗口中的柱状图进行病变检测,随后将病变分为三类:良性、恶性和未知,然而柱状图是不精确的特征,因此将导致病变检测中的很大误差。US2003/0125621涉及自动检测超声图像中的病变的方法和系统,其根据基于像素的径向梯度指数(RGI)来进行病变检测,然而这种仅基于RGI的病变检测是不精确的。
发明内容
因此,本发明的目的在于提供一种完全自动并且能够高效地检测不规则肿瘤的设备。
本发明的另一目的在于提供一种能够高效地处理超声图像的方法和装置。
根据本发明的一方面,提供了一种处理超声图像的方法,包括:将超声图像分割为几个同类子区域;确定分割的子区域是对象子区域还是背景子区域;将确定的对象子区域合并为对象区域。
优选地,在将超声图像分割为几个同类子区域之前,处理超声图像的方法还可包括:对接收的超声图像进行预处理。
优选地,对接收的超声图像进行预处理的步骤可包括:减小接收的超声图像的尺寸;对尺寸减小的超声图像进行降噪;对降噪后的超声图像进行图像增强。
优选地,与异类子区域相比,在所述同类子区域中存在较少边缘,并且每个同类子区域中的所有像素具有类似的灰度值。
优选地,可通过使用各个同类子区域的纹理特征和灰度级特征来确定同类子区域是对象子区域还是背景子区域。
优选地,纹理特征可包括空间灰度相关性和后部阴影,灰度级特征包括平均值和方差。
优选地,确定的对象子区域是连接的,将确定的对象子区域合并为对象区域的步骤还可包括:对合并后的对象区域的轮廓线进行平滑并填充其中的洞。
根据本发明的另一方面,提供了一种处理超声图像的装置,包括:图像分割单元,将超声图像分割为几个同类子区域;对象检测单元,确定分割的同类子区域是对象子区域还是背景子区域;后处理单元,将确定的对象子区域合并为对象区域。
优选地,处理超声图像的装置还可包括:预处理单元,对接收的超声图像进行预处理,并将预处理后的超声图像发送给图像分割单元。
优选地,预处理单元可包括:大小调整单元,减小接收的超声图像的尺寸;降噪单元,对尺寸减小的图像进行降噪;图像增强单元,对降噪后的超声图像进行图像增强。
优选地,与异类子区域相比,在所述同类子区域中存在较少边缘,并且每个同类子区域中的所有像素具有类似的灰度值。优选地,对象检测单元可通过使用各个同类子区域的纹理特征和灰度级特征来确定子区域是对象子区域还是背景子区域。
优选地,纹理特征可包括空间灰度相关性和后部阴影,灰度级特征包括平均值和方差。
优选地,确定的对象子区域是连接的,后处理单元还可对合并后的对象区域的轮廓线进行平滑并填充其中的洞。
根据本发明的另一方面,提供了一种乳腺癌诊断设备,包括:图像分割单元,将预处理后的超声图像分割为几个同类子区域;肿瘤检测单元,确定分割的同类子区域是肿瘤子区域还是背景子区域;后处理单元,将确定的肿瘤子区域合并为肿瘤区域;肿瘤分类单元,确定肿瘤区域为良性肿瘤、恶性肿瘤还是未知。
优选地,乳腺癌诊断设备还可包括:预处理单元,对接收的超声图像进行预处理,并将预处理后的超声图像发送给图像分割单元。
优选地,预处理单元可包括:大小调整单元,减小接收的超声图像的尺寸;降噪单元,对尺寸减小的超声图像进行降噪;图像增强单元,对降噪后的超声图像进行图像增强。
优选地,与异类子区域相比,在所述同类子区域中存在较少边缘,并且每个同类子区域中的所有像素具有类似的灰度值。
优选地,肿瘤检测单元可通过使用各个同类子区域的纹理特征和灰度级特征来确定同类子区域是肿瘤子区域还是背景子区域。
优选地,纹理特征可包括空间灰度相关性和后部阴影,灰度级特征包括平均值和方差。
优选地,确定的肿瘤子区域是连接的,后处理单元还可对合并后的肿瘤区域的轮廓线进行平滑并填充其中的洞。优选地,肿瘤分类单元可采用形态学特征、纹理特征和灰度级特征来确定肿瘤区域为良性肿瘤、恶性肿瘤还是未知。
附图说明
通过下面结合附图进行的描述,本发明的上述和其他目的和特点将会变得更加清楚,其中:
图1是示出根据本发明的处理超声图像的方法的流程图;
图2是示出根据本发明实施例的处理乳腺癌病人的超声图像的方法的流程图;
图3是示出根据本发明实施例的对接收的超声图像进行预处理的流程图;
图4是显示反映图3的预处理过程的各步骤的结果的图像示图;
图5是示出根据本发明示例性实施例的图像分割结果的示图;
图6是示出根据本发明示例性实施例的肿瘤检测结果的示图;
图7是示出根据本发明示例性实施例的对肿瘤子区域进行后处理的示图;
图8是示出根据本发明的处理超声图像的装置的框图;
图9是示出根据本发明实施例的乳腺癌诊断设备的框图。
具体实施方式
图1是示出根据本发明的处理超声图像的方法的流程图。如图1所示,根据本发明的处理超声图像的方法包括:S101,对接收的超声图像进行预处理;S102,将预处理后的超声图像分割为几个同类子区域;S103,确定分割的子区域是对象子区域还是背景子区域;S104,将确定的对象子区域合并为对象区域。这里,为了使得要处理的超声图像更加清楚,在图1中示出了预处理步骤S101,但这只是示例,根据本发明的处理超声图像的方法也可不包括步骤S101。
根据本发明的处理超声图像的方法可应用于各种超声图像。下面以针对乳腺癌病人的超声图像为例来描述根据本发明实施例的处理超声图像的方法。
图2是示出根据本发明实施例的处理乳腺癌病人的超声图像的方法的流程图。
如图2所示,在步骤S201,对接收的超声图像进行预处理。
在步骤S202,将预处理后的超声图像分割为几个同类子区域。
在步骤S203,确定分割的子区域是肿瘤子区域还是背景子区域。
在步骤S204,将确定的肿瘤子区域合并为肿瘤区域。
同样,为了使得要处理的超声图像更加清楚,在图2中示出了预处理步骤S201,但这只是示例,根据本发明实施例的处理乳腺癌病人的超声图像的方法也可不包括步骤S201。
下面将分别对上述步骤进行详细描述。
图3是示出根据本发明实施例的对接收的超声图形进行预处理的流程图。
如图3所示,在步骤S301,减小接收的超声图像的尺寸。
在步骤S302,对尺寸减小的图像进行降噪。可通过以下方法来减小超声图像的斑点噪声:总变差扩散(TV disffusion)、维纳滤波器(Wiener filter)、高斯滤波和中间滤波等。以上列举出的降噪方法仅作为示例而非限制,本领域内技术人员应知,各种降低图像中的噪声的手段均可应用于此。
在步骤S303,对降噪后的图像进行图像增强。图像增强是指将图像规则化以增强图像分割性能。可以使用的图像增强手段包括柱状图均衡、光照去除等。
图4是显示反映图3的预处理过程的各步骤的结果的图像示图。
图4中的(a)中示出了原始图像。图4中的(b)中示出了尺寸减小的图像。图4中的(c)中示出了降噪后的图像。图4中的(d)中示出了图像增强后的图像。
下面对将预处理后的超声图像进行分割的操作进行详细描述。
在步骤S202将预处理后的超声图像分割为几个同类子区域。与异类子区域相比,在每个同类子区域中存在较少边缘,并且每个同类子区域中的所有像素具有类似的灰度值。
经过图像分割的这些同类子区域为肿瘤区域或者背景区域,但是不存在包含肿瘤区域和背景区域两者的子区域。
可通过由Jianbo Shi提出的规格化切割方法(normalized cut method)来实现图像分割。在规格化切割方法中,无向赋权图(weighted undirected graph)被构建。其中,无向赋权图中的节点是图像像素,并且在每对节点之间形成边缘。对每个边缘的加权是两个节点之间的相似性函数。无向赋权图的分割被表示为广义特征值问题。在对特征向量分组之后,便可将图像分割为多个同类子区域。当然,也可以使用其他技术手段实现图像切割。
图5是示出根据本发明示例性实施例的图像分割结果的示图。
如图5所示,整个图像被分割为几个小区域,这些小区域中的像素具有类似的灰度值。每个小区域将只具有肿瘤区域或者背景区域。
下面对步骤S203的操作进行详细描述。
在步骤S203确定分割的子区域是肿瘤子区域还是背景子区域。通过使用各个子区域的纹理特征和灰度级特征来确定子区域是肿瘤子区域还是背景子区域。
纹理特征可包括空间灰度相关性(SGLD)和后部阴影(posterior shadow)。灰度级特征可包括平均值和方差。在这些特征中,SGLD起到重要作用。SGLD是可从二维柱状图SGLD共生矩阵(co-occurrence matrices)得出纹理特征。SGLD共生矩阵P(i,j,d,θ)中的所有元素被定义为按照距离d并沿方向θ分离的灰度级i和灰度级j的联合概率。可从具有不同距离d’和方向θ’的这些矩阵提取纹理特征。
线性判别分析(LDA)、条件随机域(CRF)、支持向量机(SVM)可用作分类器。在实验中,在上述方法中,CRF方法可实现最佳结果。与规格化切割方法类似,CRF方法也构建无向赋权图。这里,每个节点不是图像像素,而是其分布是被推断的随机变量。每个边缘代表2个变量之间的依赖性。公知的前向-后向和维特比算法可用于实现CRF的参数。
图6是示出根据本发明示例性实施例的肿瘤检测结果的示图。
如图6中的(a)所示,2个子区域被识别为肿瘤区域。图6中的(b)是真实肿瘤区域的示图。可以看出,图6的(a)中识别出的肿瘤区域与图6中的(b)所示的肿瘤区域符合。
下面对步骤S204的操作进行详细描述。
在步骤S203中确定的肿瘤子区域是连接的。在步骤S204将确定的肿瘤子区域合并为肿瘤区域。步骤S204执行的是对确定的肿瘤子区域的后处理。该后处理将连接的肿瘤子区域合并为一个肿瘤区域,对合并后的肿瘤区域的轮廓线进行平滑并填充其中的洞。
图7是示出根据本发明示例性实施例的对肿瘤子区域进行后处理的示图。
图7中的(a)是执行后处理之前的肿瘤区域,即将肿瘤子区域合并为肿瘤区域的示图。图7中的(b)是执行后处理之后的肿瘤区域的示图。图7中的(c)是真实肿瘤区域的示图。
通过根据本发明的处理超声图像的方法,能够得到更加清楚的肿瘤图像。
根据本发明的处理超声图像的方法可被记录在包括执行由计算机实现的各种操作的程序指令的计算机可读介质中。介质也可以只包括程序指令或者包括与程序指令相结合的数据文件、数据结构等。计算机可读介质的例子包括磁介质(例如硬盘、软盘和磁带);光学介质(例如CD-ROM和DVD);磁光介质(例如,光盘);以及特别配制用于存储并执行程序指令的硬件装置(例如,只读存储器(ROM)、随机存取存储器(RAM)、闪存等)。介质也可以是包括传输规定程序指令、数据结构等的信号的载波的传输介质(例如光学线或金属线、波导等)。程序指令的例子包括例如由编译器产生的机器码和包含可使用解释器由计算机执行的高级代码的文件。
与根据本发明的超声图像处理方法一样,根据本发明的处理超声图像的装置可应用于各种超声图像。图8是示出根据本发明的处理超声图像的装置的框图。
根据本发明的处理超声图像的装置可包括:预处理单元801,对接收的超声图像进行预处理;图像分割单元802,将预处理后的超声图像分割为几个同类子区域;对象检测单元803,确定分割的同类子区域是对象子区域还是背景子区域;后处理单元804,将确定的对象子区域合并为对象区域。这里,为了使得要处理的超声图像更加清楚,在图8中示出的处理超声图像的装置包括预处理单元,但这只是示例,根据本发明的处理超声图像的装置也可不包括预处理单元。
下面仅以针对乳腺癌病人的超声图像为例来描述根据本发明的乳腺癌诊断设备,在所述乳腺癌诊断设备中包括根据本发明的处理超声图像的装置。
图9是示出根据本发明实施例的乳腺癌诊断设备的框图。
如图9所示,乳腺癌诊断设备包括:预处理单元901、图像分割单元902、肿瘤检测单元903、后处理单元904和肿瘤分类单元905。其中,预处理单元901、图像分割单元902、肿瘤检测单元903和后处理单元904组成超声图像处理单元900。同样,为了使得要处理的超声图像更加清楚,在图9中示出的根据本发明实施例的乳腺癌诊断设备包括预处理单元,但这只是示例,根据本发明实施例的乳腺癌诊断设备也可不包括预处理单元。
超声图像处理单元900对接收的超声图像进行处理。超声图像处理单元900对应于处理超声图像的装置。预处理单元901对接收的超声图像进行预处理。预处理单元901可包括大小调整单元、降噪单元和图像增强单元。大小调整单元减小接收的超声图像的尺寸。降噪单元对尺寸减小的图像进行降噪。图像增强单元对降噪后的图像进行图像增强。
图像分割单元902将预处理后的超声图像分割为几个同类子区域。其中,与异类子区域相比,在每个子区域中存在较少边缘,并且每个子区域中的所有像素具有类似的灰度值。这些子区域为肿瘤区域或者背景区域。但是不存在包含肿瘤区域和背景区域两者的子区域。
肿瘤检测单元903确定分割的子区域是肿瘤子区域还是背景子区域。其中,通过使用各个子区域的纹理特征和灰度级特征来确定子区域是肿瘤区域还是背景区域。纹理特征可包括SGLD和后部阴影。灰度级特征可包括平均值和方差。
后处理单元904将确定的肿瘤子区域合并为肿瘤区域。这些确定的肿瘤子区域是连接的。后处理单元904将连接的肿瘤子区域合并为一个肿瘤区域,对合并后的肿瘤区域的轮廓线进行平滑并填充其中的洞。
肿瘤分类单元905确定肿瘤区域为良性肿瘤、恶性肿瘤还是未知。肿瘤分类单元905采用形态学特征、纹理特征和灰度级特征。形态学特征包括椭圆规格化骨架(ENS)、裂片索引(LI)、凹陷和凸起等。纹理特征是SGLD矩阵。灰度级特征包括平均值和方差。分类器是SVM。
根据本发明的超声图像可以是通过超声装置拍摄的B型二维(2D)灰度级超声图像。可通过捕获装置将超声图像传送到计算机中。由计算机来执行根据本发明的处理超声图像的方法。
通过根据本发明的处理超声图像的方法和装置,能够得到更加清楚的肿瘤图像。
根据本发明的乳腺癌诊断设备通过单个超声图像,可定位肿瘤区域并自动地将肿瘤识别为良性肿瘤和恶性肿瘤。因此,本发明能够帮助医生找出所有的肿瘤并对肿瘤进行诊断。
尽管已经参照本发明的示例性实施例具体显示和描述了本发明,但是本领域的技术人员应该理解,在不脱离由权利要求限定的本发明的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
Claims (13)
1.一种处理超声图像的方法,包括:
将超声图像分割为几个同类子区域;
确定分割的同类子区域是对象子区域还是背景子区域;
将确定的对象子区域合并为对象区域。
2.如权利要求1所述的方法,其中,在将超声图像分割为几个同类子区域之前,所述方法还包括:对接收的超声图像进行预处理。
3.如权利要求1所述的方法,其中,对接收的超声图像进行预处理的步骤包括:
减小接收的超声图像的尺寸;
对尺寸减小的超声图像进行降噪;
对降噪后的超声图像进行图像增强。
4.如权利要求1所述的方法,其中,通过使用各个同类子区域的纹理特征和灰度级特征来确定同类子区域是对象子区域还是背景子区域。
5.如权利要求1所述的方法,其中,确定的对象子区域是连接的,将确定的对象子区域合并为对象区域的步骤还包括:对合并后的对象区域的轮廓线进行平滑并填充其中的洞。
6.一种处理超声图像的装置,包括:
图像分割单元,将超声图像分割为几个同类子区域;
对象检测单元,确定分割的同类子区域是对象子区域还是背景子区域;
后处理单元,将确定的对象子区域合并为对象区域。
7.如权利要求6所述的装置,还包括:预处理单元,对接收的超声图像进行预处理,并将预处理后的超声图像发送给图像分割单元。
8.如权利要求7所述的装置,其中,预处理单元包括:
大小调整单元,减小接收的超声图像的尺寸;
降噪单元,对尺寸减小的超声图像进行降噪;
图像增强单元,对降噪后的超声图像进行图像增强。
9.如权利要求7所述的装置,其中,对象检测单元通过使用各个同类子区域的纹理特征和灰度级特征来确定同类子区域是对象子区域还是背景子区域。
10.如权利要求7所述的装置,其中,确定的对象子区域是连接的,后处理单元还对合并后的对象区域的轮廓线进行平滑并填充其中的洞。
11.一种乳腺癌诊断设备,包括:
图像分割单元,将超声图像分割为几个同类子区域;
肿瘤检测单元,确定分割的同类子区域是肿瘤子区域还是背景子区域;
后处理单元,将确定的肿瘤子区域合并为肿瘤区域;
肿瘤分类单元,确定肿瘤区域为良性肿瘤、恶性肿瘤还是未知。
12.如权利要求11所述的乳腺癌诊断设备,还包括:预处理单元,对接收的超声图像进行预处理,并将预处理后的超声图像发送给图像分割单元。
13.如权利要求12所述的乳腺癌诊断设备,其中,预处理单元包括:
大小调整单元,减小接收的超声图像的尺寸;
降噪单元,对尺寸减小的超声图像进行降噪;
图像增强单元,对降噪后的超声图像进行图像增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110186513.2A CN102855483B (zh) | 2011-06-30 | 2011-06-30 | 处理超声图像的方法和装置以及乳腺癌诊断设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110186513.2A CN102855483B (zh) | 2011-06-30 | 2011-06-30 | 处理超声图像的方法和装置以及乳腺癌诊断设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102855483A true CN102855483A (zh) | 2013-01-02 |
CN102855483B CN102855483B (zh) | 2017-09-12 |
Family
ID=47402060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110186513.2A Expired - Fee Related CN102855483B (zh) | 2011-06-30 | 2011-06-30 | 处理超声图像的方法和装置以及乳腺癌诊断设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102855483B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198455A (zh) * | 2013-03-14 | 2013-07-10 | 哈尔滨工程大学 | 一种利用全变差最小化和灰度共生矩阵的图像去噪方法 |
CN103914845A (zh) * | 2014-04-09 | 2014-07-09 | 武汉大学 | 基于主动轮廓模型的超声图像分割中获取初始轮廓的方法 |
CN104021539A (zh) * | 2013-02-28 | 2014-09-03 | 北京三星通信技术研究有限公司 | 用于在超声图像中自动检测肿瘤的系统 |
CN106204465A (zh) * | 2015-05-27 | 2016-12-07 | 美国西门子医疗解决公司 | 基于知识的超声图像增强 |
CN106815481A (zh) * | 2017-01-19 | 2017-06-09 | 中国科学院深圳先进技术研究院 | 一种基于影像组学的生存期预测方法及装置 |
CN109313698A (zh) * | 2016-05-27 | 2019-02-05 | 霍罗吉克公司 | 同步的表面和内部肿瘤检测 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5984870A (en) * | 1997-07-25 | 1999-11-16 | Arch Development Corporation | Method and system for the automated analysis of lesions in ultrasound images |
CN1919144A (zh) * | 2005-08-26 | 2007-02-28 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增强与斑点抑制方法 |
CN101061513A (zh) * | 2004-11-22 | 2007-10-24 | 伊斯曼柯达公司 | 超声图像中病变的检测和分类 |
CN102068281A (zh) * | 2011-01-20 | 2011-05-25 | 深圳大学 | 一种占位性病变超声图像的处理方法 |
-
2011
- 2011-06-30 CN CN201110186513.2A patent/CN102855483B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5984870A (en) * | 1997-07-25 | 1999-11-16 | Arch Development Corporation | Method and system for the automated analysis of lesions in ultrasound images |
CN101061513A (zh) * | 2004-11-22 | 2007-10-24 | 伊斯曼柯达公司 | 超声图像中病变的检测和分类 |
CN1919144A (zh) * | 2005-08-26 | 2007-02-28 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增强与斑点抑制方法 |
CN102068281A (zh) * | 2011-01-20 | 2011-05-25 | 深圳大学 | 一种占位性病变超声图像的处理方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021539A (zh) * | 2013-02-28 | 2014-09-03 | 北京三星通信技术研究有限公司 | 用于在超声图像中自动检测肿瘤的系统 |
CN104021539B (zh) * | 2013-02-28 | 2019-07-16 | 北京三星通信技术研究有限公司 | 用于在超声图像中自动检测肿瘤的系统 |
CN103198455A (zh) * | 2013-03-14 | 2013-07-10 | 哈尔滨工程大学 | 一种利用全变差最小化和灰度共生矩阵的图像去噪方法 |
CN103198455B (zh) * | 2013-03-14 | 2015-08-12 | 哈尔滨工程大学 | 一种利用全变差最小化和灰度共生矩阵的图像去噪方法 |
CN103914845A (zh) * | 2014-04-09 | 2014-07-09 | 武汉大学 | 基于主动轮廓模型的超声图像分割中获取初始轮廓的方法 |
CN103914845B (zh) * | 2014-04-09 | 2016-08-17 | 武汉大学 | 基于主动轮廓模型的超声图像分割中获取初始轮廓的方法 |
CN106204465A (zh) * | 2015-05-27 | 2016-12-07 | 美国西门子医疗解决公司 | 基于知识的超声图像增强 |
US10430688B2 (en) | 2015-05-27 | 2019-10-01 | Siemens Medical Solutions Usa, Inc. | Knowledge-based ultrasound image enhancement |
US10943147B2 (en) | 2015-05-27 | 2021-03-09 | Siemens Medical Solutions Usa, Inc. | Knowledge-based ultrasound image enhancement |
CN109313698A (zh) * | 2016-05-27 | 2019-02-05 | 霍罗吉克公司 | 同步的表面和内部肿瘤检测 |
US11995818B2 (en) | 2016-05-27 | 2024-05-28 | Hologic, Inc. | Synchronized surface and internal tumor detection |
CN106815481A (zh) * | 2017-01-19 | 2017-06-09 | 中国科学院深圳先进技术研究院 | 一种基于影像组学的生存期预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102855483B (zh) | 2017-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10878569B2 (en) | Systems and methods for automatic detection of an indication of abnormality in an anatomical image | |
Qiu et al. | A new approach to develop computer-aided diagnosis scheme of breast mass classification using deep learning technology | |
US7471815B2 (en) | Candidate generation for lung nodule detection | |
CN102855483A (zh) | 处理超声图像的方法和装置以及乳腺癌诊断设备 | |
Ruskó et al. | Automated liver lesion detection in CT images based on multi-level geometric features | |
Fanizzi et al. | Hough transform for clustered microcalcifications detection in full-field digital mammograms | |
Gu et al. | Segmentation and suppression of pulmonary vessels in low‐dose chest CT scans | |
Saien et al. | A unified methodology based on sparse field level sets and boosting algorithms for false positives reduction in lung nodules detection | |
Kim et al. | Evaluation of semi-automatic segmentation methods for persistent ground glass nodules on thin-section CT scans | |
Sasirekha et al. | Improved segmentation of MRI brain images by denoising and contrast enhancement | |
Moreno et al. | Study of medical image processing techniques applied to lung cancer | |
Zhang et al. | Accurate segmentation for different types of lung nodules on CT images using improved U-Net convolutional network | |
Jahwar et al. | Segmentation and classification for breast cancer ultrasound images using deep learning techniques: a review | |
Gai et al. | Applying a radiomics-based CAD scheme to classify between malignant and benign pancreatic tumors using CT images | |
Haniff et al. | Magnetic resonance imaging radiomics analysis for predicting hepatocellular carcinoma | |
Kumar et al. | Automated white corpuscles nucleus segmentation using deep neural network from microscopic blood smear | |
CN104021391A (zh) | 处理超声图像的方法和装置以及乳腺癌诊断设备 | |
Liu et al. | Improving CT-image universal lesion detection with comprehensive data and feature enhancements | |
GB2457022A (en) | Creating a fuzzy inference model for medical image analysis | |
Wang et al. | Automatic detection of regions of interest in breast ultrasound images based on local phase information | |
Freiman et al. | A variational method for vessels segmentation: algorithm and application to liver vessels visualization | |
Boudouh et al. | Breast cancer: New mammography dual-view classification approach based on pre-processing and transfer learning techniques | |
Dabade et al. | A review paper on computer aided system for lung cancer detection | |
Srilatha et al. | Automated ultrasound ovarian tumour segmentation and classification based on deep learning techniques | |
Bocchi et al. | Segmentation of ultrasound breast images: optimization of algorithm parameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170912 Termination date: 20200630 |