CN104732213B - 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 - Google Patents
一种基于乳腺磁共振图像的计算机辅助肿块检测方法 Download PDFInfo
- Publication number
- CN104732213B CN104732213B CN201510127562.7A CN201510127562A CN104732213B CN 104732213 B CN104732213 B CN 104732213B CN 201510127562 A CN201510127562 A CN 201510127562A CN 104732213 B CN104732213 B CN 104732213B
- Authority
- CN
- China
- Prior art keywords
- region
- tumor
- image
- contour line
- area
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000000105 evaporative light scattering detection Methods 0.000 title claims abstract description 10
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 10
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 72
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012706 support-vector machine Methods 0.000 claims abstract description 5
- 210000000481 breast Anatomy 0.000 claims description 47
- 210000000779 thoracic wall Anatomy 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 241000270295 Serpentes Species 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 238000002474 experimental method Methods 0.000 abstract description 7
- 230000035945 sensitivity Effects 0.000 abstract description 7
- 238000003909 pattern recognition Methods 0.000 abstract description 4
- 208000026310 Breast neoplasm Diseases 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 206010006187 Breast cancer Diseases 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 230000003211 malignant effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 206010006272 Breast mass Diseases 0.000 description 3
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 229910052750 molybdenum Inorganic materials 0.000 description 3
- 239000011733 molybdenum Substances 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及医学图像处理与模式识别领域,为解决现有技术下肿块的分割效果不佳,以及分类实验中准确率、灵敏度跟特异度不高的问题,本发明提供了一种基于乳腺磁共振图像的计算机辅助肿块检测方法,包括以下步骤:S1、对乳腺磁共振图像进行感兴趣区域提取;S2、在所述感兴趣区域中提取分割出初始肿块区域,并确定所述初始肿块区域轮廓线;S3、计算所述初始肿块区域特征参数的权重分布;S4、选取权重系数大于基准权重系数的所述初始肿块区域特征参数进行训练分类以获取优化特征参数;S5、将所述优化特征参数输入分类器中,利用支持向量机分类方法对其进行分析,确定最终肿块区域并显示给用户。该检测方法对肿块有良好的分割效果,有效提高了分类实验中准确率、灵敏度跟特异度,将检测结果作为“第二意见”提供给放射科医生,可有效降低医生的误诊率和漏诊率。
Description
技术领域
本发明涉及医学图像处理与模式识别领域,特别涉及一种基于乳腺磁共振图像的计算机辅助肿块检测方法。
背景技术
乳腺癌是一种严重影响妇女身心健康的恶性肿瘤,据资料统计,其发病率占女性全身各种恶性肿瘤的7-10%。乳腺癌的病因尚未完全清楚,目前也没有较好的预防和治疗手段。但临床经验表明,乳腺癌能早期患者的治愈率远高于中晚期患者,因此准确的早期诊断是降低乳腺癌发病率和死亡率的关键。目前医学界诊断乳腺肿瘤的重要依据是乳腺磁共振图像,但乳腺磁共振图像较为复杂,放射科医生凭借肉眼发现肿块并判断肿块的良恶性,但使用肉眼观察十分费时费力,使得放射科医生工作效率低且劳动强度大,并且难以获得满意的诊断结果。
随着现代科技的方便与先进,人们开始使用计算机辅助检测(Computer AidedDetection)技术来辅助医生进行乳腺肿块病灶的检测,目前计算机辅助检测技术已经是医学影像学的其中一个研究热点。计算机辅助检测通过一系列算法来自动检测出病灶,并将诊断结果作为“第二意见”提供给放射科医生,放射科医生结合计算机辅助检测的结果进行最终的判断,可以较好地减少误诊和漏诊的情况。计算机辅助检测提供的结果可以使得放射科医生重点关注有关病灶的主要信息,因此可提高放射科医生的工作效率并且使其劳动强度也有所降低。
乳腺癌的计算机辅助检测与诊断的目的在于对人眼看不清的病灶的细微结构的变化进行检测,使得其灵敏度、特异度和诊断准确率的进一步提高。乳腺癌的计算机辅助检测与诊断主要涉及图像处理方面的知识、机器学习的各种算法以及模式识别的应用等。迄今为止,最为成熟的乳腺影像分析系统是基于乳腺钼靶X线的CAD系统,该系统包括对于乳腺X线影像的肿块检测和微钙化检测。基于乳腺钼靶X线的CAD系统也被广泛用于乳腺普查。除了乳腺钼靶X线的CAD系统,基于磁共振成像的CAD系统在近些年来也被广泛运用于乳腺的临床影像学检查中,该CAD系统主要是针对乳腺的肿块性病灶。有关磁共振成像的CAD系统的研究仍然十分有限,目前在美国市面上只有几种商业用的乳腺磁共振CAD工具,包括Invivo Inc的DynaCAD、Confirma Inc的CADstream以及iCAD Inc的VADvue等等,以上三个系统都能够提供图像显示平台,并显示各种增强磁共振图像的特征参数,以帮助放射科医生进行进一步的诊断。
为了更好地完善乳腺癌的计算机辅助检测系统,人们致力于对乳腺肿块病灶的肿块检测算法研究,人们不断地将计算机视觉、模式识别、机器学习等相关领域的多种技术和方法应用到乳腺肿块区域的检测中。目前应用于乳腺肿块病灶分割的算法有图像形态学、区域生长算法、分水岭算法、小波变换算法、基于聚类的算法、基于能量模型的算法等。通过上述技术的应用,计算机辅助检测系统功能更为完善,检测能力大为提高。但是目前的计算机辅助肿块检测系统还有一些不尽人意之处,具体为:肿块的分割效果不佳,分类实验中准确率、灵敏度跟特异度不高,妨碍了放射科医生得出最后的诊断结果。
发明内容
为解决现有技术下肿块的分割效果不佳,以及分类实验中准确率、灵敏度跟特异度不高的问题,本发明提供了一种基于乳腺磁共振图像的计算机辅助肿块检测方法,该检测方法对肿块有良好的分割效果,有效提高了分类实验中准确率、灵敏度跟特异度,将检测结果作为“第二意见”提供给放射科医生,可有效降低医生的误诊率和漏诊率。
上述发明目的通过以下技术方案来实现:
一种基于乳腺磁共振图像的计算机辅助肿块检测方法,包括以下步骤:
S1、对乳腺磁共振图像进行感兴趣区域提取;
S2、在所述感兴趣区域中提取分割出初始肿块区域,并确定所述初始肿块区域轮廓线;
S3、计算所述初始肿块区域特征参数的权重分布;
S4、选取权重系数大于基准权重系数的所述初始肿块区域特征参数进行分类训练以获取优化特征参数;
S5、将所述优化特征参数输入分类器中,利用支持向量机分类方法对其进行分析,确定最终肿块区域并显示给用户。
更进一步的,提取所述感兴趣区域的具体步骤是:
S11、预处理所述乳腺磁共振图像得到预处理图像;
S12、提取乳房外轮廓线;
S13、提取胸壁线;
S14、结合所述乳房外轮廓线和胸壁线进行图像重构以获取所述感兴趣区域。
更进一步的,所述S11中预处理所述乳腺磁共振图像的具体步骤是:
S111、进行图像二值化处理,
S112、进行形态学开运算;
S113、进行形态学闭运算;
S114、进行孔洞填充;
S115、提取最大连通区域输出以获取所述预处理图像。
更进一步的,所述S12中提取乳房外轮廓线的具体步骤是:
S121、使用边缘算子提取乳房外轮廓线;
S122、对所述乳房外轮廓线进行多项式拟合。
更进一步的,所述S13中提取胸壁线的具体步骤是:
S131、对所述预处理图像依次进行sobel滤波处理、中值滤波处理及归一化处理以获取二次处理图像;
S132、根据所述乳房外轮廓线获取初始胸壁线;
S133、结合所述二次处理图像对初始胸壁线进行基于梯度向量场的snake迭代;
S134、进行多项式拟合获取所述胸壁线。
更进一步的,所述S14中提取感兴趣区域的具体步骤是:
S141、输入所述乳房外轮廓线和所述胸壁线;
S142、剔除所述胸壁线右侧区域;
S143、进行高斯滤波处理;
S144、进行二值化处理;
S145、进行形态学重构处理;
S146、提取最大连通区域;
S147、判断胸壁线是否与所述肿块相交;
如果判断结果为是,将所述胸壁线右移并回到所述S142继续执行;
如果判断结果为否,继续进行下一步;
S148、判断肿块是否存在;
如果判断结果为否,输出肿块不存在;
如果判断结果为是,输出所述感兴趣区域。
作为一种实施例,所述S2中利用模糊C均值聚类方法提取所述初始肿块区域轮廓线,所述模糊C均值聚类方法的具体步骤是:
S21、输入所述感兴趣区域;
S22、进行邻域抑制操作;
S23、进行高斯去噪滤波操作;
S24、进行直方图均衡化操作;
S25、进行模糊C均值聚类操作;
S26、获取二值化图像;
S27、进行孔洞填充操作;
S28、去除小区域并输出即获取所述初始肿块区域轮廓线。
作为一种实施例,使用基于梯度向量场的snake能量模型分割方法对所述初始肿块区域轮廓线进行二次分割提取以获得优化的所述初始肿块区域轮廓线。
作为一种实施例,所述S2中利用基于Chan-Vese的水平集分割方法提取所述初始肿块区域轮廓线,所述基于Chan-Vese的水平集分割方法的具体步骤是:
S2a、输入所述感兴趣区域;
S2b、进行邻域抑制操作;
S2c、进行高斯去噪滤波操作;
S2d、进行直方图均衡化操作;
S2e、输出优化感兴趣区域;
S2f、利用所述优化感兴趣区域进行Chan-Vese水平集求解以获取目标肿块区域轮廓线;
S2h、判断所述目标肿块区域轮廓线是否收敛;
如果判断结构为否,回到步骤S2f继续执行;
如果判断结果为是,停止迭代,输出所述目标区域轮廓线即为所述初始肿块区域轮廓线。
更进一步的,所述步骤S2f中获取目标肿块区域轮廓线的具体步骤是:
S2f1、对所述步骤S2e中的优化感兴趣区域建立Mumford-Shah的图像分割模型获取肿块轮廓曲线C0,将所述优化感兴趣区域划分为若干个平滑区域;
所述优化感兴趣区域I(x,y)的定义域为Ω,对于由所述肿块轮廓曲线C0分割出的平滑区域IMS(x,y)有以下方程式:
其中下式右边第一项为肿块曲线的长度项,第二项为肿块图像的方差项,第三项为肿块图像的边界项,当FMS(I0,C)取最小值,arg min F有极小值,所述优化感兴趣区域被肿块边界曲线C0划分为若干个平滑区域,同时得到肿块边界C0;
S2f2、通过建立能量泛函以获取全局最优的图像分割效果;
定义闭合轮廓曲线C为子集的边界,设所述图像I最优被任意闭合轮廓曲线C0划分为两个同质区域,C0内和C0外的灰度分别为:
对于被任意闭合活动轮廓线C划分为内部ω1和外部ω2的所述优化感兴趣区域I,可得到以下方程式:
F(C)=F1(C)+F2(C)=∫inside|I(x,y)-C1|2dxdy+∫outside|I(x,y)-C2|2dxdy
上式中,C1、C2是常数,分别为曲线内外部的拟合中心,也即平均灰度。当C=C0时,上式取得最小值;
以上式为基础,添加长度平滑项μ·length(C)和面积平滑项ν·Area(inside(C))得到以下能量泛函方程式:
F(c1,c2,C)=F1(C)+F2(C)=μ·length(C)+ν·Area(inside(C))+
λ1∫inside|I(x,y)-c1|2dxdy+λ2∫outside|I(x,y)-c2|2dxdy
其中参数c1、c2如下所示:
μ,ν≥0,λ1,λ2>0是权重系数,设置为ν=0,λ1=λ2=1,使上述能量泛函最小化,得到全局最优的图像分割效果;
S2f3、对上述Chan-Vese模型进行水平集求解以获取所述目标肿块区域轮廓线;所述目标肿块区域轮廓线以水平集形式的数值解表示为:
φ(0,x,y)=φ0(x,y)
其中零水平集φ来表示所述目标肿块区域轮廓线。
更进一步的,所述S3中利用ReliefF算法计算所述初始肿块区域特征参数的权重分布。
更进一步的,所述S5中的分类器为Fisher分类器。
与现有技术相比,本发明具有以下有益效果:
本发明通过计算所述初始肿块区域特征参数的权重分布并选取权重系数大于基准权重系数的所述初始肿块区域特征参数进行训练分类,然后在利用分类器和支持向量机分类方法对特征参数进行分析,最后确定最终肿块区域并显示给用户。整套乳腺磁共振图像的计算机辅助肿块检测系统的各个模块都使用了不同方法进行了优化,使得整体的分割效果更佳,分类效果更准确。在跟放射科医生的手绘肿块对比中可看出其分割效果是十分有效的,在进行分类实验中得到了较高的准确率、灵敏度跟特异度。
附图说明
图1为本发明感兴趣区域提取流程图;
图2为本发明乳腺磁共振图像预处理流程图;
图3为本发明提取胸壁线流程图;
图4为本发明重构感兴趣区域图像流程图;
图5为本发明使用模糊C均值聚类提取肿块轮廓流程图;
图6为本发明基于C-V模型的水平集肿块分割流程图;
图7为本发明放射科医生手绘肿块面积与计算机辅助算法分割面积对比散点图;
图8为本发明计算机辅助算法分割与医生手绘的肿块重叠面积AOR1对比条形图;
图9为本发明计算机辅助算法分割与医生手绘的肿块重叠面积AOR2对比条形图;
图10为本发明乳腺肿块特征参数权重分布柱状图;
图11为本发明乳腺肿块的计算机辅助肿块检测系统界面。
具体实施方法
下面结合附图说明以及具体实施方法来说明本发明。
本发明针对乳腺磁共振成像的特点,对于乳腺肿块的计算机辅助诊断的各个模块的算法进行研究,提出了能够在各个模块上有改善效果的乳腺肿块的计算机辅助诊断检测系统,检测系统中核心内容主要包括对乳腺磁共振图像进行感兴趣区域提取、对乳腺肿块病灶进行轮廓的提取分割、对乳腺肿块病灶进行良恶性分类三大方面。下面结合实施例说明:
实施例一
一种基于乳腺磁共振图像的计算机辅助肿块检测方法,包括以下步骤:
如图1所示,S1、对乳腺磁共振图像进行感兴趣区域提取;其具体步骤是:
如图2所示,S11、预处理所述乳腺磁共振图像得到预处理图像;其具体包括:
S111、进行图像二值化处理,
S112、进行形态学开运算;
S113、进行形态学闭运算;
S114、进行孔洞填充;
S115、提取最大连通区域输出以获取所述预处理图像。
S12、提取乳房外轮廓线;其具体包括:
S121、使用边缘算子提取乳房外轮廓线;
S122、对所述乳房外轮廓线进行多项式拟合。
如图3所示,S13、提取胸壁线;其具体包括:
S131、对所述预处理图像依次进行sobel滤波处理、中值滤波处理及归一化处理以获取二次处理图像;
S132、根据所述乳房外轮廓线获取初始胸壁线;
S133、结合所述二次处理图像对初始胸壁线进行基于梯度向量场的snake迭代;
S134、进行多项式拟合获取所述胸壁线。
如图4所示,S14、结合所述乳房外轮廓线和胸壁线进行图像重构以获取所述感兴趣区域。其具体包括:
S141、输入所述乳房外轮廓线和所述胸壁线;
S142、剔除所述胸壁线右侧区域;
S143、进行高斯滤波处理;
S144、进行二值化处理;
S145、进行形态学重构处理;
S146、提取最大连通区域;
S147、判断胸壁线是否与所述肿块相交;
如果判断结果为是,将所述胸壁线右移并回到所述S142继续执行;
如果判断结果为否,继续进行下一步;
S148、判断肿块是否存在;
如果判断结果为否,输出肿块不存在;
如果判断结果为是,输出所述感兴趣区域。
S2、在所述感兴趣区域中提取分割出初始肿块区域,并确定所述初始肿块区域轮廓线;
如图6所示,利用基于Chan-Vese的水平集分割方法提取所述初始肿块区域轮廓线。其具体包括:
S2a、输入所述感兴趣区域;
S2b、进行邻域抑制操作;
S2c、进行高斯去噪滤波操作;
S2d、进行直方图均衡化操作;
S2e、输出优化感兴趣区域;
S2f、利用所述优化感兴趣区域进行Chan-Vese水平集求解以获取目标肿块区域轮廓线;
S2h、判断所述目标肿块区域轮廓线是否收敛;
如果判断结构为否,回到步骤S2f继续执行;
如果判断结果为是,停止迭代,输出所述目标区域轮廓线即为所述初始肿块区域轮廓线。
其中步骤S2f中获取目标肿块区域轮廓线的具体包括:
S2f1、对所述步骤S2e中的优化感兴趣区域建立Mumford-Shah的图像分割模型获取肿块轮廓曲线C0,将所述优化感兴趣区域划分为若干个平滑区域;该图像边界能够将图像I(x,y)分割为若干个近似同质区域,且所得到的分割图像IMS(x,y)和原图像I(x,y)的误差比其他所有分割图像跟原图像I(x,y)的误差要小,也即能量方程最小化,
所述优化感兴趣区域I(x,y)的定义域为Ω,对于由所述肿块轮廓曲线C0分割出的平滑区域IMS(x,y)有以下方程式:
其中下式右边第一项为肿块曲线的长度项,第二项为肿块图像的方差项,第三项为肿块图像的边界项,arg min F是用于求Mumford-Shah能量方程的极小值,当FMS(I0,C)取最小值,arg min F有极小值,所述优化感兴趣区域被肿块边界曲线C0划分为若干个平滑区域,同时得到肿块边界C0;
S2f2、通过建立能量泛函以获取全局最优的图像分割效果;
定义闭合轮廓曲线C为子集的边界,即设所述图像I最优被任意闭合轮廓曲线C0划分为两个同质区域,C0内和C0外的灰度分别为:
对于被任意闭合活动轮廓线C划分为内部ω1和外部ω2的所述优化感兴趣区域I,可得到以下方程式:
F(C)=F1(C)+F2(C)=∫inside|I(x,y)-C1|2dxdy+∫outside|I(x,y)-C2|2dxdy
上式中,C1、C2是常数,分别为曲线内外部的拟合中心,也即平均灰度。当C=C0时,上式取得最小值;因为当闭合轮廓曲线C在边界外部时,F1(C)>0,F2(C)≈0,反之,F1(C)≈0,F2(C)>0。当边界内外部同时都有C时,则F1(C)>0,F2(C)>0,因此只有在C=C0的情况下,上述函数才能取得最小值。
以上式为基础,添加长度平滑项μ·Length(C)和面积平滑项ν·Area(inside(C))得到以下能量泛函方程式:
F(c1,c2,C)=F1(C)+F2(C)=μ·Length(C)+ν·Area(inside(C))+
λ1∫inside|I(x,y)-c1|2dxdy+λ2∫outside|I(x,y)-c2|2dxdy
其中参数c1、c2如下所示:
μ,ν≥0,λ1,λ2>0是权重系数,设置为ν=0,λ1=λ2=1,使上述能量泛函最小化,得到全局最优的图像分割效果;
S2f3、对上述Chan-Vese模型进行进行水平集求解以获取所述目标肿块区域轮廓线;所述目标肿块区域轮廓线以水平集形式的数值解表示为:
φ(0,x,y)=φ0(x,y)
其中零水平集φ来表示所述目标肿块区域轮廓线。
具体求解方法为:
用零水平集φ来表示所求的轮廓线,同时设φ是内正外负的符号距离函数,可得到:
inside(C)={X∈Ω:φ(X)>0},outside(C)={X∈Ω:φ(X)<0}
由于C-V水平集模型是基于图像分片光滑的假设,因此引入了两个函数来对能量函数F(c1,c2,C)进行规范化,这两个函数分别为Heaviside函数H(Z)和Dirac函数δ(Z),其中,Heaviside函数用于划分演化区域,而Dirac函数则被用于限定演化在零水平集函数的周围取值。H(Z)和δ(Z)的表达式如下:
CV模型的能量泛函方程中各项可表示为:
Area(φ≥0)=∫Ω|H(φ(x,y))|dxdy
∫φ>0|I(x,y)-c1|2dxdy=∫Ω|I(x,y)-c1|2H(φ(x,y))dxdy
∫φ<0|I(x,y)-c2|2dxdy=∫Ω|I(x,y)-c2|2(1-H(φ(x,y)))dxdy
故CV模型能量泛函的水平集函数方程可改写为:
原图像I(x,y)可表示为水平集的形式:
I(x,y)=c1H(φ(x,y))dxdy+c2(1-H(φ(x,y)))dxdy
上式中,令φ不变,最小化能量泛函F(c1,c2,φ),则可获得c1、c2的表达式:
当内部区域不为0,即∫ΩH(φ(x,y))dxdy>0时,c1才有意义;同理,当外部区域不为0,即∫Ω(1-H(φ(x,y)))dxdy>0时,c2才有意义。
为了求解以水平集函数φ所表示的偏微分方程,在此引入规则化的Heaviside函数H(Z)和Dirac函数δ(Z)。当ε→0时,用Hε或δε来表示,且Hε′=δε。规则化的H函数如下所示:
由H(Z)与δ(Z)的关系,可以得到
用Fε(c1,c2,,C)来表示规则化之后的F(c1,c2,,C),如下所示:
持c1和c2不变,对φ求能量泛函的最小值,则可获得偏微分方程如下所示:
φ(0,x,y)=φ0(x,y)
故上述四个方程即为水平集形式的数值解。
上述偏微分方程中,原图像I(x,y)以及c1,c2都是定义在全部的图像区域上,即利用了图像的全局信息,CV模型中强调的就是全局化的特点,对于一套初始的闭合轮廓线,就可以将内部“真空”的目标检测出来,而并不需要为了检测该“真空的”目标而另外添加约束条件。
当使用H2,ε和δ2,ε时,能量泛函方程可作用于所有的水平集曲线,算法收敛于全局极小值,而不是局部极值,因此最后的结果是不依赖于初始轮廓线的位置。故本发明使用这种规则化形式。
S3、利用ReliefF算法计算所述初始肿块区域特征参数的权重分布(参见图10);
S4、选取权重系数大于基准权重系数的所述初始肿块区域特征参数进行分类训练得到肿块良恶结果,并且和病理良恶结果比较,得到最一致的比较结果,从而获取优化特征参数;
S5、将所述优化特征参数输入Fisher分类器中,利用支持向量机分类方法对其进行分析以进行乳腺肿块病灶的良恶性分类,确定最终肿块区域并显示给用户(参见图11)。进行所述分类实验时,分别采用样本二分法和留一交叉验证法进行验证(参见表1、表2)。
如图7、图8、图9所示,比较放射科医生手绘肿块面积与计算机辅助算法分割面积,计算机辅助算法分割与医生手绘的肿块重叠面积AOR1,计算机辅助算法分割与医生手绘的肿块重叠面积AOR2,我们可以清晰的发现,采用本发明的水平集技术方案分割提取肿块区域图像的效果明显优于FCM分割和GVF分割。
表1不同分割方法及其分类方法的分类结果(样本二分法)
表2不同分割方法及其分类方法的分类结果(留一交叉验证法)
实施例二
如图5所示,本实施例是在实施例一基础上作出的改进,其与实施例一的区别在于:利用模糊C均值聚类方法提取所述初始肿块区域轮廓线。其具体包括:
S21、输入所述感兴趣区域;
S22、进行邻域抑制操作;
S23、进行高斯去噪滤波操作;
S24、进行直方图均衡化操作;
S25、进行模糊C均值聚类操作;
S26、获取二值化图像;
S27、进行孔洞填充操作;
S28、去除小区域并输出即获取所述初始肿块区域轮廓线。
实施例三
本实施例是在实施例二基础上作出的改进,其与实施例二的区别在于:利用实施例二中使用模糊C均值聚类方法获取所述初始肿块区域轮廓线的结果作为基础,使用基于梯度向量场的snake能量模型分割方法对所述初始肿块区域轮廓线进行二次分割提取以获得优化的所述初始肿块区域轮廓线。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,故凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (8)
1.一种基于乳腺磁共振图像的计算机辅助肿块检测方法,其特征在于,包括以下步骤:
S1、对乳腺磁共振图像进行感兴趣区域提取;
S2、在所述感兴趣区域中提取分割出初始肿块区域,并确定所述初始肿块区域轮廓线;所述S2中利用基于Chan-Vese的水平集分割方法提取所述初始肿块区域轮廓线,所述基于Chan-Vese的水平集分割方法的具体步骤是:
S2a、输入所述感兴趣区域;
S2b、进行邻域抑制操作;
S2c、进行高斯去噪滤波操作;
S2d、进行直方图均衡化操作;
S2e、输出优化感兴趣区域;
S2f、利用所述优化感兴趣区域进行Chan-Vese水平集求解以获取目标肿块区域轮廓线;所述步骤S2f中获取目标肿块区域轮廓线的具体步骤是:
S2f1、对所述步骤S2e中的优化感兴趣区域建立Mumford-Shah的图像分割模型获取肿块边界曲线C0,将所述优化感兴趣区域划分为若干个平滑区域;
所述优化感兴趣区域I(x,y)的定义域为Ω,对于由所述肿块边界曲线C0分割出的平滑区域IMS(x,y)有以下方程式:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msup>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mrow>
<mi>M</mi>
<mi>S</mi>
</mrow>
</msup>
<mo>)</mo>
<mo>=</mo>
<msup>
<mi>argminF</mi>
<mrow>
<mi>M</mi>
<mi>S</mi>
</mrow>
</msup>
<mo>(</mo>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>F</mi>
<mrow>
<mi>M</mi>
<mi>S</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&mu;</mi>
<mi>L</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&lambda;</mi>
<munder>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</munder>
<mo>|</mo>
<mrow>
<mi>I</mi>
<mo>-</mo>
<msup>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mo>|</mo>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
<munder>
<mo>&Integral;</mo>
<mrow>
<mi>&Omega;</mi>
<mo>/</mo>
<mi>C</mi>
</mrow>
</munder>
<mo>|</mo>
<mrow>
<msup>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mo>|</mo>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中下式右边第一项为肿块轮廓曲线的长度项,第二项为肿块图像的方差项,第三项为肿块图像的边界项,当FMS(I0,C)取最小值,arg min F有极小值,所述优化感兴趣区域被肿块边界曲线C0划分为若干个平滑区域,同时得到肿块边界曲线C0;
S2f2、通过建立能量泛函以获取全局最优的图像分割效果;
定义闭合轮廓曲线C为子集的边界,设所述图像I最优被任意闭合肿块边界曲线C0划分为两个同质区域,C0内和C0外的灰度分别为:
I最优的灰度为:
对于被任意闭合活动轮廓线C划分为内部ω1和外部ω2的所述优化感兴趣区域I,可得到以下方程式:
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mo>&Integral;</mo>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>s</mi>
<mi>i</mi>
<mi>d</mi>
<mi>e</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>|</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
<msub>
<mo>&Integral;</mo>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mi>s</mi>
<mi>i</mi>
<mi>d</mi>
<mi>e</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>|</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
</mrow>
上式中,C1、C2是常数,分别为曲线内外部的拟合中心,也即平均灰度;当C=C0时,上式取得最小值;
以上式为基础,添加长度平滑项μ·length(C)和面积平滑项v·Area(inside(C))得到以下能量泛函方程式:
F(c1,c2,C)=F1(C)+F2(C)=μ·length(C)+ν·Area(inside(C))+
λ1∫inside|I(x,y)-c1|2dxdy+λ2∫outside|I(x,y)-c2|2dxdy
其中参数c1、c2如下所示:
<mrow>
<munder>
<mi>inf</mi>
<mrow>
<mi>c</mi>
<mo>,</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
</mrow>
</munder>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
μ,ν≥0,λ1,λ2>0是权重系数,设置为ν=0,λ1=λ2=1,使上述能量泛函最小化,得到全局最优的图像分割效果;
S2f3、对上述Chan-Vese模型进行水平集求解以获取所述目标肿块区域轮廓线;所述目标肿块区域轮廓线以水平集形式的数值解表示为:
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>&phi;</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>t</mi>
</mrow>
</mfrac>
<mo>=</mo>
<msub>
<mi>&delta;</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
<mo>&lsqb;</mo>
<mi>&mu;</mi>
<mo>&dtri;</mo>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>&dtri;</mo>
<mi>&phi;</mi>
</mrow>
<mrow>
<mo>|</mo>
<mrow>
<mo>&dtri;</mo>
<mi>&phi;</mi>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mi>v</mi>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
φ(0,x,y)=φ0(x,y)
其中零水平集φ来表示所述目标肿块区域轮廓线;
S2h、判断所述目标肿块区域轮廓线是否收敛;
如果判断结果为否,回到步骤S2f继续执行;
如果判断结果为是,停止迭代,输出所述目标区域轮廓线即为所述初始肿块区域轮廓线;
S3、计算所述初始肿块区域特征参数的权重分布;
S4、选取权重系数大于基准权重系数的所述初始肿块区域特征参数进行分类训练以获取优化特征参数;
S5、将所述优化特征参数输入分类器中,利用支持向量机分类方法对其进行分析,确定最终肿块区域并显示给用户。
2.如权利要求1所述的基于乳腺磁共振图像的计算机辅助肿块检测方法,其特征在于,提取所述感兴趣区域的具体步骤是:
S11、预处理所述乳腺磁共振图像得到预处理图像;
S12、提取乳房外轮廓线;
S13、提取胸壁线;
S14、结合所述乳房外轮廓线和胸壁线进行图像重构以获取所述感兴趣区域。
3.如权利要求2所述的基于乳腺磁共振图像的计算机辅助肿块检测方法,其特征在于,所述S11中预处理所述乳腺磁共振图像的具体步骤是:
S111、进行图像二值化处理,
S112、进行形态学开运算;
S113、进行形态学闭运算;
S114、进行孔洞填充;
S115、提取最大连通区域输出以获取所述预处理图像。
4.如权利要求2所述的基于乳腺磁共振图像的计算机辅助肿块检测方法,其特征在于,所述S12中提取乳房外轮廓线的具体步骤是:
S121、使用边缘算子提取乳房外轮廓线;
S122、对所述乳房外轮廓线进行多项式拟合。
5.如权利要求2所述的基于乳腺磁共振图像的计算机辅助肿块检测方法,其特征在于,所述S13中提取胸壁线的具体步骤是:
S131、对所述预处理图像依次进行sobel滤波处理、中值滤波处理及归一化处理以获取二次处理图像;
S132、根据所述乳房外轮廓线获取初始胸壁线;
S133、结合所述二次处理图像对初始胸壁线进行基于梯度向量场的snake迭代;
S134、进行多项式拟合获取所述胸壁线。
6.如权利要求2所述的基于乳腺磁共振图像的计算机辅助肿块检测方法,其特征在于,所述S14中提取感兴趣区域的具体步骤是:
S141、输入所述乳房外轮廓线和所述胸壁线;
S142、剔除所述胸壁线右侧区域;
S143、进行高斯滤波处理;
S144、进行二值化处理;
S145、进行形态学重构处理;
S146、提取最大连通区域;
S147、判断胸壁线是否与所述肿块相交;
如果判断结果为是,将所述胸壁线右移并回到所述S142继续执行;
如果判断结果为否,继续进行下一步;
S148、判断肿块是否存在;
如果判断结果为否,输出肿块不存在;
如果判断结果为是,输出所述感兴趣区域。
7.如权利要求1所述的基于乳腺磁共振图像的计算机辅助肿块检测方法,其特征在于:所述S2中利用模糊C均值聚类方法提取所述初始肿块区域轮廓线,所述模糊C均值聚类方法的具体步骤是:
S21、输入所述感兴趣区域;
S22、进行邻域抑制操作;
S23、进行高斯去噪滤波操作;
S24、进行直方图均衡化操作;
S25、进行模糊C均值聚类操作;
S26、获取二值化图像;
S27、进行孔洞填充操作;
S28、去除小区域并输出即获取所述初始肿块区域轮廓线。
8.如权利要求7所述的基于乳腺磁共振图像的计算机辅助肿块检测方法,其特征在于:使用基于梯度向量场的snake能量模型分割方法对所述初始肿块区域轮廓线进行二次分割提取以获得优化的所述初始肿块区域轮廓线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510127562.7A CN104732213B (zh) | 2015-03-23 | 2015-03-23 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510127562.7A CN104732213B (zh) | 2015-03-23 | 2015-03-23 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104732213A CN104732213A (zh) | 2015-06-24 |
CN104732213B true CN104732213B (zh) | 2018-04-20 |
Family
ID=53456087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510127562.7A Active CN104732213B (zh) | 2015-03-23 | 2015-03-23 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104732213B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9959617B2 (en) * | 2016-01-28 | 2018-05-01 | Taihao Medical Inc. | Medical image processing apparatus and breast image processing method thereof |
CN106056611B (zh) * | 2016-06-03 | 2019-01-11 | 上海交通大学 | 基于区域信息和边缘信息的水平集图像分割方法及其系统 |
CN108072331A (zh) * | 2016-11-16 | 2018-05-25 | 天津市远卓自动化设备制造有限公司 | 采用机器视觉测量工件圆度的方法 |
CN107248162A (zh) * | 2017-05-18 | 2017-10-13 | 杭州全景医学影像诊断有限公司 | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 |
CN107958453B (zh) * | 2017-12-01 | 2022-01-28 | 深圳蓝韵医学影像有限公司 | 乳腺图像病变区域的检测方法、装置及计算机存储介质 |
CN109389580A (zh) * | 2018-08-31 | 2019-02-26 | 辽宁石油化工大学 | 一种x射线图像中乳腺区域的识别方法 |
CN109635846B (zh) * | 2018-11-16 | 2023-06-02 | 哈尔滨工业大学(深圳) | 一种多类医学图像判断方法和系统 |
CN110428405A (zh) * | 2019-01-30 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 一种检测生物组织图像中肿块的方法、相应设备及介质 |
CN110490850B (zh) * | 2019-02-14 | 2021-01-08 | 腾讯科技(深圳)有限公司 | 一种肿块区域检测方法、装置和医学图像处理设备 |
CN110136112B (zh) * | 2019-05-14 | 2022-11-04 | 华侨大学 | 一种基于乳腺x线摄影钙化计算机辅助检测算法 |
CN110390667B (zh) * | 2019-06-18 | 2023-10-20 | 平安科技(深圳)有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
CN110428396A (zh) * | 2019-06-25 | 2019-11-08 | 郑州大学第一附属医院 | 一种基于ct影像的特征参数降维方法和系统 |
CN110619644B (zh) * | 2019-09-18 | 2022-01-28 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 获取ct图像中肿瘤位置和轮廓的数据处理系统及电子设备 |
CN113034508B (zh) * | 2019-12-25 | 2024-02-13 | 飞依诺科技股份有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
CN113112443B (zh) * | 2019-12-25 | 2024-03-22 | 飞依诺科技股份有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
CN111012316B (zh) * | 2020-01-18 | 2022-10-28 | 中川新迈科技有限公司 | 一种光声乳腺的图像重建系统 |
CN111667462B (zh) * | 2020-05-12 | 2021-12-28 | 常熟理工学院 | 一种焊接缺陷中弱小目标的自动检测方法与系统 |
CN113256749B (zh) * | 2021-04-20 | 2022-12-06 | 南昌大学 | 一种基于高维相关性先验信息的快速磁共振成像重建算法 |
CN114882221A (zh) * | 2022-05-25 | 2022-08-09 | 淮阴工学院 | 一种应用于自动采集装置的图像分割算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1846616A (zh) * | 2006-03-13 | 2006-10-18 | 华中科技大学 | 一种计算机辅助预测乳腺癌风险的方法 |
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 |
CN101373479A (zh) * | 2008-09-27 | 2009-02-25 | 华中科技大学 | 一种乳腺x线摄片计算机图像检索方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6075879A (en) * | 1993-09-29 | 2000-06-13 | R2 Technology, Inc. | Method and system for computer-aided lesion detection using information from multiple images |
-
2015
- 2015-03-23 CN CN201510127562.7A patent/CN104732213B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1846616A (zh) * | 2006-03-13 | 2006-10-18 | 华中科技大学 | 一种计算机辅助预测乳腺癌风险的方法 |
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 |
CN101373479A (zh) * | 2008-09-27 | 2009-02-25 | 华中科技大学 | 一种乳腺x线摄片计算机图像检索方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于乳腺X线摄片的计算机辅助检测肿块方法研究;第I138-94页;《中国博士学位论文全文数据库》;20091115(第11期);摘要,第14、19-22、25-28、31、35、37-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104732213A (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104732213B (zh) | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 | |
Chen et al. | A review of thyroid gland segmentation and thyroid nodule segmentation methods for medical ultrasound images | |
Li et al. | Integrating spatial fuzzy clustering with level set methods for automated medical image segmentation | |
Sharma et al. | Identifying lung cancer using image processing techniques | |
Zhou et al. | Automated lung segmentation and smoothing techniques for inclusion of juxtapleural nodules and pulmonary vessels on chest CT images | |
CN107403201A (zh) | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 | |
Jebarani et al. | A novel hybrid K-means and GMM machine learning model for breast cancer detection | |
Sharma et al. | Computer aided diagnosis system for detection of lungcancer in CT scan images | |
Chen et al. | Improved window adaptive gray level co-occurrence matrix for extraction and analysis of texture characteristics of pulmonary nodules | |
Azhari et al. | Tumor detection in medical imaging: a survey | |
Dabass et al. | Segmentation techniques for breast cancer imaging modalities-a review | |
Rodrigues et al. | A two-step segmentation method for breast ultrasound masses based on multi-resolution analysis | |
Yin et al. | A robust method for segmenting pectoral muscle in mediolateral oblique (MLO) mammograms | |
Das et al. | A fast and automated segmentation method for detection of masses using folded kernel based fuzzy c-means clustering algorithm | |
Lee et al. | Unsupervised segmentation of lung fields in chest radiographs using multiresolution fractal feature vector and deformable models | |
Ganvir et al. | Filtering method for pre-processing mammogram images for breast cancer detection | |
Abbas et al. | Lungs nodule cancer detection using statistical techniques | |
Hikmah et al. | An image processing framework for breast cancer detection using multi-view mammographic images | |
Krishnaveni et al. | Study of Mammogram Microcalcification to aid tumour detection using Naive Bayes Classifier | |
Ravindranath et al. | Early detection of lung cancer by nodule extraction—A survey | |
Widodo et al. | Sample K-means clustering method for determining the stage of breast cancer malignancy based on cancer size on mammogram image basis | |
Basha et al. | Enhanced mammogram classification with convolutional neural network: An improved algorithm for automated breast cancer detection | |
Ahmed et al. | Computer-aided classification of liver lesions using contrasting features difference | |
Hasan et al. | Watershed-matching algorithm: a new pathway for brain tumor segmentation | |
Pandey et al. | Morphological active contour based SVM model for lung cancer image segmentation |
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 |