CN103886318B - 尘肺病大体成像中病灶区域的提取与分析方法 - Google Patents
尘肺病大体成像中病灶区域的提取与分析方法 Download PDFInfo
- Publication number
- CN103886318B CN103886318B CN201410125612.3A CN201410125612A CN103886318B CN 103886318 B CN103886318 B CN 103886318B CN 201410125612 A CN201410125612 A CN 201410125612A CN 103886318 B CN103886318 B CN 103886318B
- Authority
- CN
- China
- Prior art keywords
- pneumoconiosis
- focal area
- area
- generally
- region
- 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.)
- Expired - Fee Related
Links
- 206010035653 pneumoconiosis Diseases 0.000 title claims abstract description 59
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 239000000428 dust Substances 0.000 claims description 32
- 230000003902 lesion Effects 0.000 claims description 14
- 206010016654 Fibrosis Diseases 0.000 claims description 10
- 230000004761 fibrosis Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 abstract 1
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010827 pathological analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 239000001587 sorbitan monostearate Substances 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及尘肺病大体成像中病灶区域的提取与分析方法，其步骤如下：算出一个2k‑1维的特征向量F1，进行预训练并算出特征向量F2，训练一个用于判别一个区域是否为病灶区域的支持向量机分类器h0，训练一个用于判别一个病灶区域类别的多分类支持向量机分类器h1～hk，输入尘肺病大体成像，提取病灶区域特征，对病灶区域进行分类，病灶区域统计特征计算。本发明通过对图像像素进行空间拓展形成面元小区域，利用训练好的分类器对面元区域进行分类，并对分类置信度低的面元区域进行精细处理，从而实现不同病灶区域的准确提取。本发明效率高、误差小且无需人工交互。
Description
技术领域
本发明涉及图像中的区域提取与分析方法，具体而言是尘肺病大体成像中病灶区域的提取与分析方法。
背景技术
尘肺病(pneumoconiosis)是由于在职业活动中长期吸入生产性粉尘并在肺内潴留而引起的以肺组织弥漫性纤维化为主的全身性疾病，我国目前尘肺病人数目之多、增长速度之快位居世界之首。
目前尘肺病诊断主要有X射线透射成像（胸片）诊断、病理学诊断两种形式。胸片诊断虽然是一种无损诊断方式，但由于成像方式的原因，其判读结果偏差较大，只适用于尘肺病的筛查，尘肺病的最终确诊则需要依靠病理学诊断，而尘肺病病理学诊断的关键在于病理大体图像分析。目前，病理大体图像分析完全依靠人工操作来完成，不仅操作繁琐、效率低下,而且计量误差大。因此提供一种效率高、误差小且无需人工交互的尘肺病大体成像中病灶区域的提取与分析方法十分必要。
发明内容
本发明的目的是提供一种效率高、误差小且无需人工交互的尘肺病大体成像中病灶区域的提取与分析方法。
为实现上述目的，本发明采用如下技术方案：尘肺病大体成像中病灶区域的提取与分析方法，其步骤如下：
S1.提取特征：
S11.将尘肺病大体成像数据库与计算机连接，
S12.分别计算出尘肺病大体成像数据库中已经标注的尘肺正常组织区域和病灶区域的中心坐标(cx,cy)，以区域中心为起点，每隔10°均匀画出36条射线，分别交于区域边界上的对应点，得到36条线段，将每条线段均匀分成k等分，将各条线段上相应的等分点分别相连，将区域分为k个环形部分，算出每个环形部分的灰度平均值，形成k维特征向量，对k维特征向量进行差分运算，得到k-1维特征向量，将k维特征向量和k-1维特征向量合并为一个2k-1维的特征向量F1，
S13.利用尘肺病大体成像数据库中尘肺大体成像对卷积神经网络进行预训练和学习，利用尘肺病大体成像数据库中已经标注的病灶区域对经过预训练的卷积神经网络进行微调，算出特征向量F2；
S2.训练分类器：
S21.通过步骤S12得到的F1，训练一个用于判别一个区域是否为病灶区域的支持向量机分类器h0，
S22.将步骤S13得到的F2随机分割成k个大小相同的组，分别利用每一组特征训练一个用于判别一个病灶区域是否为尘斑、结节或纤维化区域的多分类支持向量机分类器h1～hk，h1～hk组成随机多分类支持向量机队列H；
S3.病灶区域提取：
S31.输入待提取分析的尘肺病大体成像，
S32.利用图论分割算法对步骤S31输入的尘肺病大体成像进行分割，得到区域D1～Dn，
S33.用步骤S12的方法分别计算出区域D1～Dn的特征E1～En，利用分类器h0判别是否为病灶区域，对非病灶区域标记为正常组织区域，对病灶区域进入下一步骤，
S34.用步骤S13的方法计算出特征f2，利用分类器H中h1～hk通过加权投票进行判定，若分类器H的置信度大于设定阈值，则标记该区域病灶类型，否则进入下一步骤进行精细处理，
S35.对需要精细处理的区域的面积进行开平方运算，得到等效正方形边长d，根据等效正方形边长d扩大待精细处理区域面积，重复步骤S32～S34；
S4.病灶区域统计特征计算：
S41.根据提取的尘斑病灶，计算出尘斑病灶的面积，找出尘斑病灶面积最大值M1，将M1等分为s1个区间，计算出不同区间的尘斑在图像中所占的比例，建立尺度比例特征向量代入公式进行积分求和，得到尺度比例积分向量
S42.根据提取的结节病灶，计算出结节病灶的面积，找出结节病灶面积最大值M2，将M2等分为s2个区间，计算出不同区间的尘斑在图像中所占的比例，建立尺度比例特征向量代入公式进行积分求和，得到尺度比例积分向量
S43.根据提取的纤维化病灶，计算出纤维化病灶的面积，找出纤维化病灶面积最大值M3，将M3等分为s3个区间，计算出不同区间的尘斑在图像中所占的比例，建立尺度比例特征向量代入公式进行积分求和，得到尺度比例积分向量
进一步地，所述步骤S35中，根据等效正方形边长d扩大2～4倍待精细处理区域面积，重复步骤S32～S34。
进一步地，所述步骤S35中，根据等效正方形边长d扩大3倍待精细处理区域面积，重复步骤S32～S34。
进一步地，所述步骤S35中，步骤S32～S34只重复一次。
本发明通过对图像像素进行空间拓展形成面元小区域，利用训练好的分类器对面元区域进行分类，并对分类置信度低的面元区域进行精细处理，从而实现不同病灶区域的准确提取。本发明效率高、误差小且无需人工交互。
附图说明
图1为本发明的流程框图；
图2为本发明一个实施例的病灶区域提取结果示意图；
图3为本发明另一个实施例的病灶区域提取结果示意图。
图中：1－尘斑病灶；2－结节病灶；3－尘斑病灶。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述，但该实施例不应理解为对本发明的限制。
实施例1
尘肺病大体成像中病灶区域的提取与分析方法，其步骤如下：
S1.提取特征：
S11.将尘肺病大体成像数据库与计算机连接，
S12.分别计算出尘肺病大体成像数据库中已经标注的尘肺正常组织区域和病灶区域的中心坐标(cx,cy)，以区域中心为起点，每隔10°均匀画出36条射线，分别交于区域边界上的对应点，得到36条线段，将每条线段均匀分成5等分，将各条线段上相应的等分点分别相连，将区域分为5个环形部分，算出每个环形部分的灰度平均值，形成5维特征向量，对5维特征向量进行差分运算，得到4维特征向量，将5维特征向量和4维特征向量合并为一个9维的特征向量F1，
S13.利用尘肺病大体成像数据库中尘肺大体成像对卷积神经网络进行预训练和学习，利用尘肺病大体成像数据库中已经标注的病灶区域对经过预训练的卷积神经网络进行微调，算出特征向量F2；
S2.训练分类器：
S21.通过步骤S12得到的F1，训练一个用于判别一个区域是否为病灶区域的支持向量机分类器h0，
S22.将步骤S13得到的F2随机分割成8个大小相同的组，分别利用每一组特征训练一个用于判别一个病灶区域是否为尘斑、结节或纤维化区域的多分类支持向量机分类器h1～h8，h1～h8组成随机多分类支持向量机队列H；
S3.病灶区域提取：
S31.输入待提取分析的尘肺病大体成像，
S32.利用图论分割算法对步骤S31输入的尘肺病大体成像进行分割，得到区域D1～D746，
S33.用步骤S12的方法分别计算出区域D1～D746的特征E1～E746，利用分类器h0判别是否为病灶区域，如表1，共有165个区域分类为正常组织区域，共有581个区域分类为病灶区域，对病灶区域进入下一步骤,
S34.用步骤S13的方法计算出特征f2，利用分类器H中h1～h8通过加权投票进行判定，如表2，共有565个区域对应分类器H的置信度大于设定阈值，分别标记区域病灶类型，对置信度小于阈值的16个区域进入下一步骤进行精细处理，
S35.对16个需要精细处理区域的面积进行开平方运算，得到16个等效正方形边长d，分别根据16个等效正方形边长d扩大待精细处理区域面积，重复步骤S32-S34，如表3，共提取524个尘斑病灶区域和57个结节病灶区域；
S4.病灶区域统计特征计算：
S41.根据提取的尘斑病灶，计算出尘斑病灶的面积，找出尘斑病灶面积最大值M1=305，将M1等分为20个区间，计算出不同区间的尘斑在图像中所占的比例，建立尺度比例特征向量f1.1～f1.20，如表格4，代入公式进行积分求和，得到尺度比例积分向量F1.1～F1.20，如表格5，
S42.根据提取的结节病灶，计算出结节病灶的面积，找出结节病灶面积最大值M2=115，将M2等分为6个区间，计算出不同区间的尘斑在图像中所占的比例，建立尺度比例特征向量f2.1～f2.6如表格6，代入公式进行积分求和，得到尺度比例积分向量F2.1～F2.6，如表格7。
| 尘肺分割区域 | 正常组织区域 | 病灶组织 |
| 数目 | 165 | 581 |
表1
| 尘肺病灶区域 | 分类置信度大于阈值 | 需要精细处理 |
| 数目 | 565 | 16 |
表2
| 尘肺病灶区域 | 尘斑病灶 | 结节病灶 |
| 数目 | 524 | 57 |
表3
表4
表5
| 面积区间 | 1～20 | 20～40 | 40～60 | 60～80 | 80～100 | 100～120 |
| 面积比例 | 0.002599 | 0.001245 | 0.001008 | 0 | 0.000958 | 0.001136 |
表6
表7
实施例2
尘肺病大体成像中病灶区域的提取与分析方法，其步骤如下：
S1.提取特征：
S11.将尘肺病大体成像数据库与计算机连接，
S12.分别计算出尘肺病大体成像数据库中已经标注的尘肺正常组织区域和病灶区域的中心坐标(cx,cy)，以区域中心为起点，每隔10°均匀画出36条射线，分别交于区域边界上的对应点，得到36条线段，将每条线段均匀分成5等分，将各条线段上相应的等分点分别相连，将区域分为5个环形部分，算出每个环形部分的灰度平均值，形成5维特征向量，对5维特征向量进行差分运算，得到4维特征向量，将5维特征向量和4维特征向量合并为一个9维的特征向量F1，
S13.利用尘肺病大体成像数据库中尘肺大体成像对卷积神经网络进行预训练和学习，利用尘肺病大体成像数据库中已经标注的病灶区域对经过预训练的卷积神经网络进行微调，算出特征向量F2；
S2.训练分类器：
S21.通过步骤S12得到的F1，训练一个用于判别一个区域是否为病灶区域的支持向量机分类器h0，
S22.将步骤S13得到的F2随机分割成8个大小相同的组，分别利用每一组特征训练一个用于判别一个病灶区域是否为尘斑、结节或纤维化区域的多分类支持向量机分类器h1～h8，h1～h8组成随机多分类支持向量机队列H；
S3.病灶区域提取：
S31.输入待提取分析的尘肺病大体成像，
S32.利用图论分割算法对步骤S31输入的尘肺病大体成像进行分割，得到区域D1～D491，
S33.用步骤S12的方法分别计算出区域D1～D491的特征E1～E491，利用分类器h0判别是否为病灶区域，如表8，共有157个区域分类为正常组织区域，共有334个区域分类为病灶区域，对病灶区域进入下一步骤,
S34.用步骤S13的方法计算出特征f2，利用分类器H中h1～h8通过加权投票进行判定，如表9，334个区域对应分类器H的置信度大于设定阈值，如表10，334个区域全部为尘斑病灶区域；
S4.病灶区域统计特征计算：
S41.根据提取的尘斑病灶，计算出尘斑病灶的面积，找出尘斑病灶面积最大值M1=16737，将M1等分为837个区间，计算出不同区间的尘斑在图像中所占的比例，建立尺度比例特征向量f1.1～f1.837，部分特征如表格11，代入公式进行积分求和，得到尺度比例积分向量F1.1～F1.837，部分特征如表格12。
| 尘肺分割区域 | 正常组织区域 | 病灶组织 |
| 数目 | 157 | 334 |
表8
| 尘肺病灶区域 | 分类置信度大于阈值 | 需要精细处理 |
| 数目 | 334 | 0 |
表9
| 尘肺病灶区域 | 尘斑病灶 |
| 数目 | 334 |
表10
表11
表12
本说明书中未作详细描述的内容，属于本专业技术人员公知的现有技术。
Claims (4)
1.尘肺病大体成像中病灶区域的提取与分析方法，其步骤如下：
S1.提取特征：
S11.将尘肺病大体成像数据库与计算机连接，
S12.分别计算出尘肺病大体成像数据库中已经标注的尘肺正常组织区域和病灶区域的中心坐标(cx,cy)，以区域中心为起点，每隔10°均匀画出36条射线，分别交于区域边界上的对应点，得到36条线段，将每条线段均匀分成l等分，将各条线段上相应的等分点分别相连，将区域分为l个环形部分，算出每个环形部分的灰度平均值，形成l维特征向量，对l维特征向量进行差分运算，得到l-1维特征向量，将l维特征向量和l-1维特征向量合并为一个2l-1维的特征向量F1，
S13.利用尘肺病大体成像数据库中尘肺大体成像对卷积神经网络进行预训练和学习，利用尘肺病大体成像数据库中已经标注的病灶区域对经过预训练的卷积神经网络进行微调，算出特征向量F2；
S2.训练分类器：
S21.通过步骤S12得到的F1，训练一个用于判别一个区域是否为病灶区域的支持向量机分类器h0，
S22.将步骤S13得到的F2随机分割成m个大小相同的组，分别利用每一组特征训练一个用于判别一个病灶区域是否为尘斑、结节或纤维化区域的多分类支持向量机分类器h1～hm，h1～hm组成随机多分类支持向量机队列H；
S3.病灶区域提取：
S31.输入待提取分析的尘肺病大体成像，
S32.利用图论分割算法对步骤S31输入的尘肺病大体成像进行分割，得到区域D1～Dn，
S33.用步骤S12的方法分别计算出区域D1～Dn的特征E1～En，利用分类器h0判别是否为病灶区域，对非病灶区域标记为正常组织区域，对病灶区域进入下一步骤，
S34.用步骤S13的方法计算出特征F2，利用分类器H中h1～hm通过加权投票进行判定，若分类器H的置信度大于设定阈值，则标记该区域病灶类型，否则进入下一步骤进行精细处理，
S35.对需要精细处理的区域的面积进行开平方运算，得到等效正方形边长d，根据等效正方形边长d扩大待精细处理区域面积，重复步骤S32～S34；
S4.病灶区域统计特征计算：
S41.根据提取的尘斑病灶，计算出尘斑病灶的面积，找出尘斑病灶面积最大值M1，将M1等分为s1个区间，计算出不同区间的尘斑在图像中所占的比例，建立尺度比例特征向量代入公式 进行积分求和，得到尺度比例积分向量
S42.根据提取的结节病灶，计算出结节病灶的面积，找出结节病灶面积最大值M2，将M2等分为s2个区间，计算出不同区间的尘斑在图像中所占的比例，建立尺度比例特征向量代入公式 进行积分求和，得到尺度比例积分向量
S43.根据提取的纤维化病灶，计算出纤维化病灶的面积，找出纤 维化病灶面积最大值M3，将M3等分为s3个区间，计算出不同区间的尘斑在图像中所占的比例，建立尺度比例特征向量代入公式进行积分求和，得到尺度比例积分向量
2.根据权利要求1所述的尘肺病大体成像中病灶区域的提取与分析方法，其特征在于：所述步骤S35中，根据等效正方形边长d扩大2-4倍待精细处理区域面积，重复步骤S32～S34。
3.根据权利要求2所述的尘肺病大体成像中病灶区域的提取与分析方法，其特征在于：所述步骤S35中，根据等效正方形边长d扩大3倍待精细处理区域面积，重复步骤S32～S34。
4.根据权利要求1或2或3所述的尘肺病大体成像中病灶区域的提取与分析方法，其特征在于：所述步骤S35中，步骤S32～S34只重复一次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410125612.3A CN103886318B (zh) | 2014-03-31 | 2014-03-31 | 尘肺病大体成像中病灶区域的提取与分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410125612.3A CN103886318B (zh) | 2014-03-31 | 2014-03-31 | 尘肺病大体成像中病灶区域的提取与分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103886318A CN103886318A (zh) | 2014-06-25 |
| CN103886318B true CN103886318B (zh) | 2017-03-01 |
Family
ID=50955201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410125612.3A Expired - Fee Related CN103886318B (zh) | 2014-03-31 | 2014-03-31 | 尘肺病大体成像中病灶区域的提取与分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103886318B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700118A (zh) * | 2015-03-18 | 2015-06-10 | 中国科学院自动化研究所 | 基于卷积神经网络的肺结节良恶性预测方法 |
| US10307082B2 (en) * | 2015-06-02 | 2019-06-04 | Htc Corporation | Method and apparatus for herpes zoster diagnosis and recording medium using the method |
| CN105989245B (zh) * | 2015-08-17 | 2018-08-28 | 杭州筹图科技有限公司 | 获取纤维化的特征量化参数的值的方法及装置 |
| CN105426917A (zh) * | 2015-11-23 | 2016-03-23 | 广州视源电子科技股份有限公司 | 一种元件分类方法及装置 |
| CN106971198A (zh) * | 2017-03-03 | 2017-07-21 | 北京市计算中心 | 一种基于深度学习的尘肺病等级判定方法及系统 |
| CN108572183B (zh) * | 2017-03-08 | 2021-11-30 | 清华大学 | 检查设备和分割车辆图像的方法 |
| CN109003659A (zh) * | 2017-06-07 | 2018-12-14 | 万香波 | 胃幽门螺旋杆菌感染病理诊断支持系统和方法 |
| CN108109152A (zh) * | 2018-01-03 | 2018-06-01 | 深圳北航新兴产业技术研究院 | 医学图像分类和分割方法和装置 |
| CN108510489B (zh) * | 2018-03-30 | 2021-08-03 | 四川元匠科技有限公司 | 一种基于深度学习的尘肺检测方法与系统 |
| CN109977955B (zh) * | 2019-04-03 | 2021-11-30 | 南昌航空大学 | 一种基于深度学习的宫颈癌前病变识别的方法 |
| CN110060246B (zh) * | 2019-04-15 | 2021-08-24 | 上海商汤智能科技有限公司 | 一种图像处理方法、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090041328A1 (en) * | 2007-08-08 | 2009-02-12 | Siemens Corporate Research, Inc. | Feature Processing For Lung Nodules In Computer Assisted Diagnosis |
| CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
| CN103366183A (zh) * | 2013-07-19 | 2013-10-23 | 南方医科大学 | 一种局灶性病灶的非参数自动检测方法 |
-
2014
- 2014-03-31 CN CN201410125612.3A patent/CN103886318B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090041328A1 (en) * | 2007-08-08 | 2009-02-12 | Siemens Corporate Research, Inc. | Feature Processing For Lung Nodules In Computer Assisted Diagnosis |
| CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
| CN103366183A (zh) * | 2013-07-19 | 2013-10-23 | 南方医科大学 | 一种局灶性病灶的非参数自动检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Segmentation coupled Textural Feature Classification for Lung Tumor Prediction;S.K. Vijai Anand;《ICCCCT"10》;20101231;第518页-524页 * |
| 肺部CT图像中结节的检测算法研究;王伟;《中国优秀博硕士学位论文全文数据库（硕士）医药卫生科技辑》;20070615;第1-49页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103886318A (zh) | 2014-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103886318B (zh) | 尘肺病大体成像中病灶区域的提取与分析方法 | |
| Amiri et al. | Two-stage ultrasound image segmentation using U-Net and test time augmentation | |
| Jaeger et al. | Retina U-Net: Embarrassingly simple exploitation of segmentation supervision for medical object detection | |
| Ranjbarzadeh et al. | Lung infection segmentation for COVID-19 pneumonia based on a cascade convolutional network from CT images | |
| CN108389190B (zh) | 一种基于深度学习方法的肺结节自动检测方法 | |
| Tajbakhsh et al. | Computer-aided pulmonary embolism detection using a novel vessel-aligned multi-planar image representation and convolutional neural networks | |
| CN108022647B (zh) | 基于ResNet-Inception模型的肺结节良恶性预测方法 | |
| CN104143101A (zh) | 一种基于超声图像的乳腺肿瘤区域自动识别方法 | |
| Zhong et al. | Cancer image classification based on DenseNet model | |
| CN107977952A (zh) | 医学图像分割方法及装置 | |
| CN104933709A (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
| CN105513066B (zh) | 一种基于种子点选取与超像素融合的通用物体检测方法 | |
| DE602006011511D1 (de) | Lien in anatomischen strukturen auf grundlage einer verbesserten bereichswachstumssegmentation und rechnerprogramm dafür | |
| CN104616289A (zh) | 一种3d ct图像中骨组织的移除方法及系统 | |
| CN103679195A (zh) | 基于局部边缘模式的纹理图像分类方法及系统 | |
| Andrearczyk et al. | Deep learning for biomedical texture image analysis | |
| CN104217213A (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
| Fayaz et al. | A robust technique of brain MRI classification using color features and K-nearest neighbors algorithm | |
| CN109800812A (zh) | 基于仿冒过滤器的ct图像分类特征选择方法及系统 | |
| Ankita et al. | Lung cancer image-feature extraction and classification using GLCM and SVM classifier | |
| Yuan et al. | Devil is in the queries: advancing mask transformers for real-world medical image segmentation and out-of-distribution localization | |
| Shahverdi et al. | An improved method for edge detection and image segmentation using fuzzy cellular automata | |
| CN103366183B (zh) | 一种局灶性病灶的非参数自动检测方法 | |
| Ji | Gradient-based interpretation on convolutional neural network for classification of pathological images | |
| CN111861984A (zh) | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
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 |
Granted publication date: 20170301 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |