CN103345740A - 基于多投影图像配准的肺结节检测方法 - Google Patents
基于多投影图像配准的肺结节检测方法 Download PDFInfo
- Publication number
- CN103345740A CN103345740A CN2013102318527A CN201310231852A CN103345740A CN 103345740 A CN103345740 A CN 103345740A CN 2013102318527 A CN2013102318527 A CN 2013102318527A CN 201310231852 A CN201310231852 A CN 201310231852A CN 103345740 A CN103345740 A CN 103345740A
- Authority
- CN
- China
- Prior art keywords
- image
- candidate nodule
- nodule
- tubercle
- candidate
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000002685 pulmonary effect Effects 0.000 title abstract 5
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 210000004072 lung Anatomy 0.000 claims description 19
- 210000001370 mediastinum Anatomy 0.000 claims description 11
- 206010056342 Pulmonary mass Diseases 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 210000000115 thoracic cavity Anatomy 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 description 9
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 7
- 201000005202 lung cancer Diseases 0.000 description 7
- 208000020816 lung neoplasm Diseases 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 210000000038 chest Anatomy 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 229910021417 amorphous silicon Inorganic materials 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Abstract
基于多投影图像配准的肺结节检测方法,经过候选结节的初始检测与精确分割、候选结节的特征提取及分类、候选结节的配准和利用配准信息除去假阳性结节等步骤,最终实现肺结节的检测。本发明提出一种利用同一病人多投影图像中相近位置的候选结节互信息的配准方法,由此来减少检测结果中假阳性结节的数目。实验结果表明,本文提出的多投影图像肺结节配准算法能有效提高结节的检测性能。
Description
技术领域:本发明涉及一种肺结节的检测方法,特别是一种基于多投影图像配准的肺结节检测方法。
背景技术:肺癌是当今对人类健康危害最大的恶性肿瘤之一。肺癌具有高死亡率的主要原因是当肺癌被检测到时,大多数已经处于中晚期,错过了治疗的最佳时机。由于胸部X光图像具有成像设备简单,成本低,与CT相比放射线剂量低等特点,所以是肺癌筛查的主要成像方式。但是,由于正常的胸部解剖结构(例如肋骨、纵隔膜及心脏等)常与肺癌重叠,使得基于胸部X光图像的肺癌筛查的敏感性以及特异性都较低。许多学者提出在不显著增加放射线剂量的情况下,使用多投影成像技术来提高早期肺癌的检测性能。美国杜克大学放射系设计并开发出一种新型多投影相关成像系统,并已进入到初步临床试验阶段。该系统是在一个标准的胸部X光成像系统基础上改进而成的。X-ray tube可以沿着水平和竖直方向移动,而探测器固定不动。该探测器为非晶硅平板探测器,具有较高的帧速率及动态延展范围。
该成像系统的图像数据由正位投影(Posterior-anterior project,PA)图像及两幅与PA投影成正负3度角的投影图像组成。在已经完成的观察者实验中,单独使用PA图像进行结节检测的敏感性为86%,使用三投影图像检测结节的敏感性为71%,但检测的假阳性结节数降低35%。所以,临床试验表明,多投影图像(三张投影图像)可以提高肺结节临床检测的性能。
对于每一张多投影图像,由于成像的放射线剂量为普通DR图像的三分之一,所以图像噪声较大,计算机检测困难。为了达到较高的敏感性,在同一病人三张投影图像中的相近位置会检测到多个候选结节。因此,对这些候选结节进行配准是十分必要的。由于候选结节来自于同一个目标,他们的大小、形状、灰度都极为相似。
发明内容:针对上述现有技术的不足,本发明提供了一种利用同一病人多投影图像中相近位置的候选结节互信息的配准方法,并利用此信息减少检测结果中假阳性结节的数目,获得令人满意的检测效果。
为实现上述目的,本发明采用的技术方案是:基于多投影图像配准的肺结节检测方法,其具体步骤是:
一、候选结节的初始检测与精确分割
(1)候选结节的初始检测:采用图像特征分析的方法对肺进行分割。首先,通过比较肺顶部及胸腔轮廓二阶导数的第一个和第二个最小值来决定肺顶部及胸腔的左右边界。然后,分别对肺的顶部、左侧及右侧轮廓线进行拟合,并最终确定胸腔轮廓。接着,使用边界梯度分析方法确定右侧纵隔的边界。再从左侧纵隔的中间区域开始,利用规则决定搜索边界的起始点,进而搜索纵隔的左边界。最后,分别对纵隔的左右边界进行曲线拟合。胸腔轮廓与纵隔边界之间的区域定义为肺区域。
由于许多结节的形态分布可以近似由高斯函数表示,所以使用DoG滤波器来增强图像中的结节。DoG滤波器的输出为两个不同尺度的高斯滤波器输出的差,尺度是决定增强结节大小的重要参数。
在增强后的图像中,使用多阈值分割方法来获得初始候选结节。初始阈值使用900(由经验获得),之后阈值成等比例降低。最后,将两尺度增强图像多阈值分割处理后获得的二值图相加。相加后的图像中像素的值为该像素在多阈值分割图像中值为“1”的次数的总和。如果相加后图像中某点的值大于等于3,则该点被定义为结节区域,否则为背景区域。
(2)基于动态规划的候选结节分割
在进行精确分割之前,首先利用原始图像中候选结节的中心位置生成待分割的小图像。从候选结节的中心按照逆时针顺序向外均匀的画出长度为21像素的射线。将射线上的像素垂直地排列得到极坐标变换后的图像。在极坐标变换时,采用双线性插值算法来获得极坐标图像中像素点的灰度值。在极坐标变换后的图像中,结节的边界为一条近似水平的曲线,可以使用动态规划方法快速、准确的确定。
动态规划是一种最优化的方法,经常用来搜寻目标的最优边界。最优边界是由肺结节极坐标图像中所有列上的像素点组成(每列一个点)。这些点连接起来就构成肺结节具有最小累积代价的最优边界。候选结节的累积代价是该边界所有点局部代价的和,局部代价用来度量某一边界点与其相邻点的平滑程度及灰度变化的强弱。
二、候选结节的特征提取及分类:针对候选结节的灰度、形态、纹理、对称性、位置等特点,本发明定义特征变量描述结节,并在基于特征的候选结节分类之前,对特征进行选择。
(1)候选结节的特征提取:提取候选结节初始检测区域与精确分割区域的灰度、形状、纹理特征,及精确分割区域的对称性及位置特征。具体特征描述见表1:
表1
(2)特征选择与分类:在利用特征对候选结节分类之前,对特征进行选择。首先从特征集合中选择一个特征,该特征使结节与假阳性结节的类间距离最大。接着,加入新的特征,使得两类样本的分离程度S达到最大。当S到达指定的阈值35时,特征选择停止。此时,选择的特征为具有最优分类能力的特征。
本发明使用具有Fisher线性分类器来除去候选结节中的假阳性结。在分类时,使用Leave-one-out方法对候选结节进行测试。即每次选择一个病人的图像数据作为测试数据,剩下的数据作为训练数据,其循环测试次数等于数据集数据的总数,这样过度训练的偏差最小。
三、候选结节的配准:投影角度的不同造成同一个候选结节在三张图像中的横坐标位置有偏移。根据成像原理及检测误差,在相邻两张投影图像中寻找同一候选结节时,横纵坐标的误差容许范围分别设定为30像素和5像素。
图像配准主要有两大类方法,基于灰度的方法和基于特征的方法。在基于灰度的配准方法中,基于互信息的方法被广泛使用并具有较高的精度。互信息表明一个任意变量包含另一个任意变量信息的多少,用于衡量两幅图像中对应像素灰度值之间的统计相关性。互信息用熵来描述为:
I(A,B)=H(A)+H(B)-H(A,B)
其中,H(A)和H(B)分别是待配准图像A和B的熵,H(A,B)是它们的联合熵, 互信息最大的两个候选结节被认为来自同一目标。
先将PA图像中检测到的候选结节与3度图像、-3度图像中的候选结节进行配准。然后,将3度图像中剩余候选结节与-3度图像中剩余的候选结节进行配准。经过以上的处理,就完成了所有候选结节的配准。
四、利用配准信息除去假阳性结节:在候选结节配准后,如果一个候选结节在三张图像中出现的次数大于等于2,则这个候选结节被作为“真实”结节而保留下来;否则,该候选结节被去掉。
由于结节是实际存在的目标信号,更易在多张投影图像中被检测到,所以结节的相关信息较强,更易作为“真实”结节而保留下来。而假阳性结节是由噪声及一些非目标信号引起的,不易同时在多张投影图像中被检测到,所以假阳性结节的相关信息较弱,更易作为假阳性结节而去掉。所以,我们有理由相信,利用候选结节的配准信息可以进一步除去假阳性结节。
本发明提出一种利用同一病人多投影图像中相近位置的候选结节互信息的配准方法,由此来减少检测结果中假阳性结节的数目。实验结果表明,本文提出的多投影图像肺结节配准算法能有效提高结节的检测性能。
附图说明
图1是(a)结节及(b)假阳性结节的原始图像以及分割图像。
图2是多投影相关图像:(a)3度图像,(b)正位图像,(c)-3度图像。
图3是某位病人的多投影图像肺结节检测结果图像:
具体实施方式:
如图1所示:(a)和(b)分别为利用动态规划精确分割得到的结节及假阳性结节,对精确分割结果进行特征分析,并且使用具有最小过度训练偏差的分段线性分类器来除去候选结节中的假阳性结节,得到候选结节。
如图2所示:图2为同一个病人的三张投影图像。真实结节的中心在三张图像中坐标分别为(412,303),(428,303),(449,303)。
实验结果:
实验使用美国杜克大学放射学系开发的多投影相关成像设备,利用此设备从杜克医院临床获取59个病人的肺部图像数据。在获得每张图像时,使用120kVp的管电压及1.25-6.4mAs的曝光时间,产生的放射线辐射剂量为标准胸部X光图像的三分之一。因此,获得三张投影图像产生的放射线辐射剂量约等于获得一张标准胸部X光图像产生的放射线辐射剂量。每张图像的大小为2048×1536个像素,且每个像素的大小为0.194mm。由于结节相对于像素而言,面积较大,为了提高处理速度,对原始多投影图像用取平均的方法进行重新采样。采样后,图像的大小为512×384个像素,像素的大小为0.776mm。数据库中有59组图像数据,其中43组图像共含有45个结节,16组图像不含有结节。在45个结节中,有7个是实际存在的真结节。这些实际结节由有经验的放射科医生通过CT图像确认。其余38个结节是使用Li[9]等人提出的方法产生的模拟结节。结节的直径范围为3-18mm,均值为5mm。由于该系统处于临床应用的初始阶段,实际结节的数量有限,所以本文使用模拟结节数据进行实验。
图3为某位病人的多投影图像肺结节检测结果。其中,(a)为原始的PA图像,(b)为增强叠加图像,(c)为初始候选结节图像,(d)为最终的检测结果。从图3(d)可以看出,对于该病人CAD系统检测出病灶区域,同时会产生一个假阳性结节。表2为CAD的结节检测性能。由于在测试数据中大部分为小结节,在普通X光图像中不会被检测到。并且,由于单张图像成像时的放射线剂量降低了,图像噪声增大。因此,本文获得的检测性能令人满意。
表2
敏感性=70% | 敏感性=65% | 敏感性=60% | |
CAD算法 | 5.5FPs/patient | 2.8FPs/patient | 1.7FPs/patient |
实验结果表明,本发明提出的多投影图像肺结节配准算法能有效提高结节的检测性能。
Claims (3)
1.基于多投影图像配准的肺结节检测方法,其具体步骤是:
一、候选结节的初始检测与精确分割
(1)候选结节的初始检测:采用图像特征分析的方法对肺进行分割,首先,通过比较肺顶部及胸腔轮廓二阶导数的第一个和第二个最小值来决定肺顶部及胸腔的左右边界;然后,分别对肺的顶部、左侧及右侧轮廓线进行拟合,并最终确定胸腔轮廓;接着,使用边界梯度分析方法确定右侧纵隔的边界,再从左侧纵隔的中间区域开始,搜索边界的起始点,进而搜索纵隔的左边界,最后,分别对纵隔的左右边界进行曲线拟合,胸腔轮廓与纵隔边界之间的区域定义为肺区域;在增强后的图像中,使用多阈值分割方法来获得初始候选结节;最后,将两尺度增强图像多阈值分割处理后获得的二值图相加,相加后的图像中像素的值为该像素在多阈值分割图像中值为“1”的次数的总和。如果相加后图像中某点的值大于等于3,则该点被定义为结节区域,否则为背景区域;
(2)基于动态规划的候选结节分割
在进行精确分割之前,首先利用原始图像中候选结节的中心位置生成待分割的小图像,从候选结节的中心按照逆时针顺序向外均匀的画出长度为21像素的射线,将射线上的像素垂直地排列得到极坐标变换后的图像,在极坐标变换时,采用双线性插值算法来获得极坐标图像中像素点的灰度值,在极坐标变换后的图像中,结节的边界为一条近似水平的曲线,使用动态规划方法快速、准确的确定,动态规划方法确定的最优边界是由肺结节极坐标图像中所有列上的像素点组成,这些点连接起来就构成肺结节具有最小累积代价的最优边界,候选结节的累积代价是该边界所有点局部代价的和,局部代价用来度量某一边界点与其相邻点的平滑程度及灰度变化的强弱;
二、候选结节的特征提取及分类:
(1)候选结节的特征提取:提取候选结节初始检测区域与精确分割区域的灰度、形状、纹理特征,及精确分割区域的对称性及位置特征;
(2)特征选择与分类:在利用特征对候选结节分类之前,对特征进行选择,首先从特征集合中选择一个特征,该特征使结节与假阳性结节的类间距离最大,接着,加入新的特征,使得两类样本的分离程度S达到最大,当S到达指定的阈值35时,特征选择停止,此时,选择的特征为具有最优分类能力的特征;
三、候选结节的配准:投影角度的不同造成同一个候选结节在三张图像中的横坐标位置有偏移,根据成像原理及检测误差,在相邻两张投影图像中寻找同一候选结节时,横纵坐标的误差容许范围分别设定为30像素和5像素;
图像配准主要有两大类方法,基于灰度的方法和基于特征的方法;在基于灰度的配准方法中,基于互信息的方法被广泛使用并具有较高的精度,互信息表明一个任意变量包含另一个任意变量信息的多少,用于衡量两幅图像中对应像素灰度值之间的统计相关性,互信息用熵来描述为:
I(A,B)=H(A)+H(B)-H(A,B)
其中,H(A)和H(B)分别是待配准图像A和B的熵,H(A,B)是它们的联合熵, 互信息最大的两个候选结节被认为来自同一目标。
先将PA图像中检测到的候选结节与3度图像、-3度图像中的候选结节进行配准,然后,将3度图像中剩余候选结节与-3度图像中剩余的候选结节进行配准,经过以上的处理,就完成了所有候选结节的配准;
四、利用配准信息除去假阳性结节:在候选结节配准后,如果一个候选结节在三张图像中出现的次数大于等于2,则这个候选结节被作为“真实”结节而保留下来;否则,该候选结节被去掉。
2.如权利要求1所述的基于多投影图像配准的肺结节检测方法,其特征在于:在(1)候选结节的初始检测的步骤中,使用DoG滤波器来增强图像中的结节,DoG滤波器的输出为两个不同尺度的高斯滤波器输出的差,尺度是决定增强结节大小的重要参数;多阈值分割方法的初始阈值使用900,之后阈值成等比例降低。
3.如权利要求1所述的基于多投影图像配准的肺结节检测方法,其特征在于:在(2)特征选择与分类步骤中,使用具有Fisher线性分类器来除去候选结节中的假阳性结,在分类时,使用Leave-one-out方法对候选结节进行测试,即每次选择一个病人的图像数据作为测试数据,剩下的数据作为训练数据,其循环测试次数等于数据集数据的总数,这样过度训练的偏差最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310231852.7A CN103345740B (zh) | 2013-06-13 | 2013-06-13 | 基于多投影图像配准的肺结节检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310231852.7A CN103345740B (zh) | 2013-06-13 | 2013-06-13 | 基于多投影图像配准的肺结节检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103345740A true CN103345740A (zh) | 2013-10-09 |
CN103345740B CN103345740B (zh) | 2016-04-13 |
Family
ID=49280533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310231852.7A Active CN103345740B (zh) | 2013-06-13 | 2013-06-13 | 基于多投影图像配准的肺结节检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103345740B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488804A (zh) * | 2015-12-14 | 2016-04-13 | 上海交通大学 | 脑部asl、spect和mri图像配准融合联合分析的方法及系统 |
CN106062782A (zh) * | 2014-02-27 | 2016-10-26 | 皇家飞利浦有限公司 | 针对基于图集的配准的无监督的训练 |
CN106997596A (zh) * | 2017-04-01 | 2017-08-01 | 太原理工大学 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
CN109377522A (zh) * | 2018-10-19 | 2019-02-22 | 北京青燕祥云科技有限公司 | 一种肺结节医学影像配准方法及其装置 |
CN110533639A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种关键点定位方法及装置 |
CN111080625A (zh) * | 2019-12-18 | 2020-04-28 | 北京推想科技有限公司 | 肺部影像条索检测模型的训练方法及其训练装置 |
CN111462203A (zh) * | 2020-04-07 | 2020-07-28 | 广州柏视医疗科技有限公司 | Dr病灶演化分析装置和方法 |
CN111539491A (zh) * | 2020-07-07 | 2020-08-14 | 点内(上海)生物科技有限公司 | 基于深度学习与注意力机制的多发性结节分类系统和方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099391A1 (en) * | 2001-11-29 | 2003-05-29 | Ravi Bansal | Automated lung nodule segmentation using dynamic progamming and EM based classifcation |
US20030099388A1 (en) * | 2001-11-23 | 2003-05-29 | University Of Chicago | Novel subtraction technique for computerized detection of small lung nodules in computer tomography images |
US20040086161A1 (en) * | 2002-11-05 | 2004-05-06 | Radhika Sivaramakrishna | Automated detection of lung nodules from multi-slice CT image data |
CN1656499A (zh) * | 2002-05-20 | 2005-08-17 | 西门子共同研究公司 | 使用车轮投影分析的肺结节检测 |
CN101002228A (zh) * | 2004-05-18 | 2007-07-18 | 医学视像上市公司 | 结节边界检测 |
CN101556650A (zh) * | 2009-04-01 | 2009-10-14 | 东北大学 | 一种分布式自适应肺结节计算机检测方法及系统 |
CN102360495A (zh) * | 2011-10-19 | 2012-02-22 | 西安电子科技大学 | 基于平均密度投影和平移高斯模型的肺结节分割方法 |
-
2013
- 2013-06-13 CN CN201310231852.7A patent/CN103345740B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099388A1 (en) * | 2001-11-23 | 2003-05-29 | University Of Chicago | Novel subtraction technique for computerized detection of small lung nodules in computer tomography images |
US20030099391A1 (en) * | 2001-11-29 | 2003-05-29 | Ravi Bansal | Automated lung nodule segmentation using dynamic progamming and EM based classifcation |
CN1656499A (zh) * | 2002-05-20 | 2005-08-17 | 西门子共同研究公司 | 使用车轮投影分析的肺结节检测 |
US20040086161A1 (en) * | 2002-11-05 | 2004-05-06 | Radhika Sivaramakrishna | Automated detection of lung nodules from multi-slice CT image data |
CN101002228A (zh) * | 2004-05-18 | 2007-07-18 | 医学视像上市公司 | 结节边界检测 |
CN101556650A (zh) * | 2009-04-01 | 2009-10-14 | 东北大学 | 一种分布式自适应肺结节计算机检测方法及系统 |
CN102360495A (zh) * | 2011-10-19 | 2012-02-22 | 西安电子科技大学 | 基于平均密度投影和平移高斯模型的肺结节分割方法 |
Non-Patent Citations (3)
Title |
---|
ZHENGHAO SHI ET AL.: "Lung Segmentation in Chest Radiographs by Means of Gaussian Kernel-Based FCM with Spatial Constraints", 《2009. FSKD "09. SIXTH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY》, vol. 3, 16 August 2009 (2009-08-16) * |
周翰逊,郭薇,王妍,徐红艳,贾大宇: "一种自适应的分布式肺结节检测方法", 《仪器仪表学报》, vol. 31, no. 10, 31 October 2010 (2010-10-31) * |
郭薇,魏颖,周翰逊,薛定宇: "基于混合分类的肺结节检测算法", 《东北大学学报(自然科学版)》, vol. 29, no. 11, 30 November 2008 (2008-11-30) * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106062782B (zh) * | 2014-02-27 | 2020-03-06 | 皇家飞利浦有限公司 | 针对基于图集的配准的无监督的训练 |
CN106062782A (zh) * | 2014-02-27 | 2016-10-26 | 皇家飞利浦有限公司 | 针对基于图集的配准的无监督的训练 |
CN105488804B (zh) * | 2015-12-14 | 2018-06-12 | 上海交通大学 | 脑部asl、spect和mri图像配准融合联合分析的方法及系统 |
CN105488804A (zh) * | 2015-12-14 | 2016-04-13 | 上海交通大学 | 脑部asl、spect和mri图像配准融合联合分析的方法及系统 |
CN106997596A (zh) * | 2017-04-01 | 2017-08-01 | 太原理工大学 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
CN106997596B (zh) * | 2017-04-01 | 2019-08-20 | 太原理工大学 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
CN109377522A (zh) * | 2018-10-19 | 2019-02-22 | 北京青燕祥云科技有限公司 | 一种肺结节医学影像配准方法及其装置 |
CN110533639A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种关键点定位方法及装置 |
CN111080625A (zh) * | 2019-12-18 | 2020-04-28 | 北京推想科技有限公司 | 肺部影像条索检测模型的训练方法及其训练装置 |
CN111080625B (zh) * | 2019-12-18 | 2020-12-29 | 推想医疗科技股份有限公司 | 肺部影像条索检测模型的训练方法及其训练装置 |
CN111462203A (zh) * | 2020-04-07 | 2020-07-28 | 广州柏视医疗科技有限公司 | Dr病灶演化分析装置和方法 |
CN111462203B (zh) * | 2020-04-07 | 2021-08-10 | 广州柏视医疗科技有限公司 | Dr病灶演化分析装置和方法 |
CN111539491A (zh) * | 2020-07-07 | 2020-08-14 | 点内(上海)生物科技有限公司 | 基于深度学习与注意力机制的多发性结节分类系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103345740B (zh) | 2016-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103345740B (zh) | 基于多投影图像配准的肺结节检测方法 | |
Santosh et al. | Edge map analysis in chest X-rays for automatic pulmonary abnormality screening | |
Kim et al. | Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images | |
El-Baz et al. | Appearance analysis for the early assessment of detected lung nodules | |
de Carvalho Filho et al. | Automatic detection of solitary lung nodules using quality threshold clustering, genetic algorithm and diversity index | |
CN105559813B (zh) | 医用图像诊断装置以及医用图像处理装置 | |
CN104956398B (zh) | 用于使用不同类型的图像来生成导出的图像的方法和设备 | |
CN109949349B (zh) | 一种多模态三维图像的配准及融合显示方法 | |
CN106296613B (zh) | 一种基于dr机器的双能量减影方法 | |
CN101014977A (zh) | 病变边界检测 | |
CN106548492A (zh) | 确定匹配点对的方法及装置、图像获取方法 | |
CN101706843A (zh) | 一种乳腺cr图像交互式读片方法 | |
TWI624807B (zh) | 醫學影像之迭代式分析法 | |
CN104252708A (zh) | 一种x光胸片图像处理方法及系统 | |
Chlebus et al. | Deep learning based automatic liver tumor segmentation in CT with shape-based post-processing | |
CN101976436A (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
Cheng et al. | Stereo matching by using the global edge constraint | |
US20160210740A1 (en) | Method and system for spine position detection | |
Xie et al. | Recist-net: Lesion detection via grouping keypoints on recist-based annotation | |
Wang et al. | Gastric polyps detection by improved Faster R-CNN | |
Li et al. | Renal cortex segmentation using optimal surface search with novel graph construction | |
Karthikeyan et al. | Lungs segmentation using multi-level thresholding in CT images | |
CN105205784B (zh) | 标尺识别方法及影像拼接方法 | |
CN103914845A (zh) | 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 | |
CN104809465A (zh) | 分类器训练方法、目标检测、分割或分类方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231013 Address after: No. 202, Building 25, No. 220 Wuhu Road, Baohe District, Hefei City, Anhui Province, 230000 Patentee after: Zheng Weili Address before: 110136, Liaoning, Shenyang, Shenbei New Area moral South Avenue No. 37 Patentee before: SHENYANG AEROSPACE University |
|
TR01 | Transfer of patent right |