CN105139390A - 一种检测胸透dr片中肺结核病灶的图像处理方法 - Google Patents

一种检测胸透dr片中肺结核病灶的图像处理方法 Download PDF

Info

Publication number
CN105139390A
CN105139390A CN201510502861.4A CN201510502861A CN105139390A CN 105139390 A CN105139390 A CN 105139390A CN 201510502861 A CN201510502861 A CN 201510502861A CN 105139390 A CN105139390 A CN 105139390A
Authority
CN
China
Prior art keywords
image
processing method
image processing
pulmonary tuberculosis
chest
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
CN201510502861.4A
Other languages
English (en)
Inventor
王俊峰
唐鹏
姬郁林
李虹
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN201510502861.4A priority Critical patent/CN105139390A/zh
Publication of CN105139390A publication Critical patent/CN105139390A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10116X-ray image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30061Lung

Abstract

本发明提供一种检测胸透DR片中肺结核病灶的图像处理方法,包括以下步骤:通过主动形状模型提取肺部区域图像;提取肺部区域图像SURF关键特征点;提取关键特征点的纹理描述子;指定关键特征点的类别种类,采用k均值聚类算法将纹理描述子聚类聚合,对聚合结果分类标注;设定一组尺寸值,按照尺寸值从小到大的顺序对肺部区域图像的纹理标注进行聚合;删除聚类结果中样本数量少于总量5%的类别,从而只保留聚类结果中的主要类别,剔除异常情况,获取图像处理结果;本发明能够将DR片自动处理,将本发明应用于肺结核的筛查,可以筛查可能为肺结核的肺部DR片,进行大规模的肺结核筛查,筛查效率高,结论客观稳定。

Description

一种检测胸透DR片中肺结核病灶的图像处理方法
技术领域
本发明涉及一种图像处理方法,尤其涉及一种检测胸透DR片中肺结核病灶的图像处理方法。
背景技术
结核病由结核分枝杆菌引起,容易经空气中飞沫甚至气溶胶传播;一名传染性肺结核病人,在一年里平均可以传染10至15人;新生儿接种的卡介苗不能预防成人患病,结核病患者主体是青壮年,一旦发病会导致家庭和社会劳动力损失;世界卫生组织指出结核病是全球重要的公共卫生问题,在全球,每年结核病夺取140万人生命;在我国,目前有500万活动性肺结核患者,每年有5万人死于结核病,相当于每10分钟就有1人死亡;根据世界卫生组织的估算,我国每年新发病人100万,年递降幅度为3%,虽然新发病人每年都在下降,但是结核病依然是我国重点防控的主要传染病之一;中国疾病预防控制中心指出,我国是全球22个结核病高负担国家之一和全球27个耐多药肺结核高负担国家之一,耐多药肺结核患者人数位居全球首位;普通肺结核患者人数位居全球第二位,仅次于印度;在此形势下,英国、加拿大等国家的签证与移民局要求对拟申请定居签证的中国居民进行入境前肺结核筛查;基于世界卫生组织发布的肺结核高发病率数据,将包括中国在内的67个国家纳入其中;这项政策的推出将使英国与美国、加拿大、澳大利亚和新西兰等多个国家的做法相一致,给中国的国际化发展带来不利影响。
我国肺结核疫情有以下特点:一是感染人数多,全国约有5.5亿人已感染了结核杆菌,明显高于全球平均感染水平;二是发病人数多,目前我国肺结核病年发病人数约为130万,占全球发病的14.3%;2001-2010年,我国肺结核报告发病人数始终位居全国甲乙类传染病的前列;三是现患人数多,全国有活动性肺结核患者约523万人,其中传染性肺结核患者约占四分之一;四是耐药患者人数多,我国每年新发耐多药结核病患者数约为12万,每年新发广泛耐多药肺结核患者约1万;据卫生部2007-2008年组织全国结核病耐药性基线调查结果估计,我国每年新发耐多药肺结核患者约12万,病例数居世界首位,迄今查出并接受规范治疗的仅数千例;由于多数耐多药患者不能得到有效的治疗和管理,不断排出病菌传染他人,对公众造成了严重的健康威胁;五是结核菌/艾滋病病毒双重感染人数多,据世卫组织估算,我国目前有结核菌/艾滋病病毒双重感染人数约为1.9万;六是疫情分布不平衡,农村地区高于城镇,西部地区高于东部地区,患病率随年龄增加呈上升趋势,男性高于女性;全国总体疫情与2000年相比有所下降,活动性肺结核患病率年递降率为0.1%,传染性肺结核患病率年递降率为5.5%,但是西部地区和农村地区患病率有所升高。
尽管结核病形势严峻,但结核病本身是可防可治的,通过我国政府的推动和国际援助,国家免费提供结核病诊断和治疗;我国在1990年至2010间结核病死亡率降低了80%,患病率降低了一半;结核病治疗需要较长的疗程,一般结核病患者需要坚持每天服药6至8个月,不能间断,绝大多数都能治愈;但是,由于我国80%以上的肺结核病人在农村或是流动人口,医疗服务的可及性不如城镇居民和非流动人口,病人接受长期规范治疗的依从性差,往往治疗效果不好;鉴于结核病的危害严重,防治工作难度大,中华人民共和国国家卫生和计划生育委员会做出了关注结核病疫情,加强结核病防治的批示;地方各级结核病防治队伍规模仍较小,力量和经费尚不能适应防治需求,需要加强技术和资金投入,建立医防结合机制,形成切实有效的防治体系。
当前,在结核病防治的实施上,存在着早期发现和治疗管理两个薄弱、困难环节;首先,由于结核病发病隐匿和检测技术方法的局限,诊断发现病人主要依赖患者有了症状到医院就诊的被动发现方式;虽然通过体检拍X光片可以主动发现肺结核,但患者主体人群很少体检;这就需要研究如何确定高风险人群,有针对性地开展主动发现工作;目前仍在广泛使用的痰涂片染色、显微镜检查的方法使用了130多年,检出率低,而对发现耐多药结核,由于新型检测技术设备和检测成本高,目前还不普及,总体发现率低;其次,对于已经确诊的肺结核患者规范治疗管理脱失率高,特别是对耐多药结核治疗困难重重;耐多药肺结核的治疗主要依赖二线抗结核药物,治疗更困难,造成更高的经济负担;由于疗程长达24个月,患者的规范治疗依从性更差,治疗过程中患者大量流失,只有少数能够坚持治疗。
在此形势下,国内逐步开展利用基本公共卫生服务开展重点人群肺结核病人筛查项目,并对确诊病人全部予以免费抗结核治疗,如山东、上海、重庆、四川等;以山东省为例,山东省卫生计生委2014年3月11日印发通知,确定在17个市的25个县(市、区)开展重点人群肺结核筛查试点,使老年人(65岁及以上)及高血压、糖尿病患者肺结核可疑症状筛查率达85%以上。该要求中指出,基层医疗卫生机构在组织健康体检时进行肺结核可疑症状问诊,对发现的可疑症状者或影像学检查可疑者,转诊到县级结防机构进行检查和确诊。县级结防机构对经检查确诊的肺结核患者按要求进行登记并纳入治疗管理。基层医疗卫生机构的医生要定期督导及访视;大规模居民体检产生数据量太大,筛查的工作量非常大,医生时间有限难以逐个人工检测,目前还没有一种有效的针对胸透DR片的分析处理方法。
发明内容
本发明提供一种检测胸透DR片中肺结核病灶的图像处理方法。
本发明采用的技术方案是:一种检测胸透DR片中肺结核病灶的图像处理方法,包括以下步骤:
通过主动形状模型提取肺部区域图像;
提取肺部区域图像SURF关键特征点;
提取关键特征点的纹理描述子;
指定关键特征点的类别种类,采用k均值聚类算法将纹理描述子聚类聚合,对聚合结果分类标注;
设定一组尺寸值,按照尺寸值从小到大的顺序对肺部区域图像的纹理标注进行聚合;
删除聚类结果中样本数量少于总量5%的类别,从而只保留聚类结果中的主要类别,剔除异常情况,获取图像处理结果。
作为优选,所述肺部区域图像的提取步骤如下所示:
1)训练肺部区域形状的主动形状模型参数,获得主动形状模型;
2)获取肺部图像,根据图像边缘信息用主动形状模型拟合肺部图像。
作为优选,所述SURF关键特征点提取方法如下:
1)对肺部区域图像进行至少一种尺寸值的高斯滤波,得到对应分辨率的图像;
2)搜索不同分辨率的肺部区域图像中相同位置同为极值的点;
3)将极值点根据与其临近区域差异性从大到小顺序进行排列。
作为优选,所述纹理描述子聚类聚合,对聚合结果分类标注处理过程如下:
1)离线阶段采用k均值聚类算法对获取的纹理描述子进行聚类标注;
2)将纹理描述子聚类聚合为K个聚类中心;
3)在线处理阶段,计算每个肺部区域图像关键特征点的纹理描述子,判断其距离K个聚类中心的距离,将其标注为最近点的类别。
作为优选,所述纹理标注聚合过程如下:
根据设定的尺寸值从小到大的顺序构造一组滑动窗,将每个滑动窗在肺部区域的纹理标注图像区域按从左至右从上到下的顺序依次移动,覆盖所有关键特征点,统计滑动窗内部纹理描述子分类结果,对统计结果进行分类。
作为优选,所述滑动窗内部纹理描述子分类结果采用可视化方法表示。
本发明的有益效果是:
(1)本发明能够自动处理胸透DR片,将本发明应用于医学领域,能够显著降低医生的工作负荷,并提高整体的识别准确率和处理效率;
(2)本发明对于肺部图像处理结果,更加客观和稳定;
(3)将本发明应用于疾病的筛查,可以通过交互式的标注和确认病灶区域,可以从有经验的医生操作中自适应的学习识别技能,从而在使用中动态提高识别率,以逐步达到更高的应用水平;
(4)本发明集成了现有医疗设备和信息化网络化资源,无需购置额外专用设备,工作模式完全兼容传统方式,使迁移工作容易接受,同时提高了降低了设备的使用率,避免了设备闲置和资源浪费;
(5)本发明将肺部影像分布式存放于云端,有利于数据分析和处理,尤其利于掌握区域居民健康体质情况和监控重大传染病疫情。
附图说明
图1为本发明工作流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
一种检测胸透DR片中肺结核病灶的图像处理方法,包括以下步骤:
通过主动形状模型提取肺部区域图像;
提取肺部区域图像SURF关键特征点;
提取关键特征点的纹理描述子;
指定关键特征点的类别种类,采用k均值聚类算法将纹理描述子聚类聚合,对聚合结果分类标注;
设定一组尺寸值,按照尺寸值从小到大的顺序对肺部区域图像的纹理标注进行聚合;
删除聚类结果中样本数量少于总量5%的类别,从而只保留聚类结果中的主要类别,剔除异常情况,获取图像处理结果。
其中肺部区域图像的提取步骤如下所示:
1)训练肺部区域形状的主动形状模型参数,获得主动形状模型;
2)获取肺部图像,根据图像边缘信息用主动形状模型拟合肺部图像。
本发明采用主动形状模型,具有以下优点
A、是可变模型,克服了以往刚性模型的缺点,能很好的适应复杂形状的目标定位,有良好的适应性;
B、是参数化模型,通过改变参数可以产生一定约束范围内的可容许的形状样本,保持了形状的特异性;
C、充分利用了物体的纹理信息建立局部纹理模型,结合全局形状模型使得定位更加准确。
并且可以通过离线训练主动形状模型参数,可以进行自动识别和动态学习,可以使得图像的提取越来越准确。
SURF关键特征点提取方法如下:
1)对肺部区域图像进行至少一种尺寸值的高斯滤波,得到对应分辨率的图像;
2)搜索不同分辨率的肺部区域图像中相同位置同为极值的点;
3)将极值点根据与其临近区域差异性从大到小顺序进行排列。
SURF关键特征点提取方法,是一种尺度不变和旋转不变的特征点检测子和描述子,具有速度快,鲁棒性好的特点。
纹理描述子聚类聚合,对聚合结果分类标注处理过程如下:
1)离线阶段采用k均值聚类算法对获取的纹理描述子进行聚类标注;
2)将纹理描述子聚类聚合为K个聚类中心;
3)在线处理阶段,计算每个肺部区域图像关键特征点的纹理描述子,判断其距离K个聚类中心的距离,将其标注为最近点的类别。
k均值聚类算法指给定一个数据点集合和需要的聚类数目k,k由用户指定,k均值算法根据某个距离函数反复把数据分入k个聚类中;先随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类;一旦全部对象都被分配了,每个聚类的聚类中心会根据聚类中现有的对象被重新计算;这个过程将不断重复直到满足某个终止条件;终止条件可以是以下任何一个:
1)没有(或最小数目)对象被重新分配给不同的聚类。
2)没有(或最小数目)聚类中心再发生变化。
3)误差平方和局部最小。
纹理标注聚合过程如下:
根据设定的尺寸值从小到大的顺序构造一组滑动窗,将每个滑动窗在肺部区域的纹理标注图像区域按从左至右从上到下的顺序依次移动,覆盖所有关键特征点,统计滑动窗内部纹理描述子分类结果,对统计结果进行分类。
滑动窗内部纹理描述子分类结果采用可视化方法表示,可以采用直方图、饼图、折线图和XY散点图等可视化图形表示;其结果更加直观,便于后续医生进行判断。
将本发明应用于肺结核的筛查和病灶定位,可以根据图像处理结果判断其病灶部位,可由计算机自动化识别和人机交互两部分功能组成,检测步骤如下:
1)体检点工作人员将可进行肺结核筛查及病灶定位自动化处理的计算机连接到医疗图像数据服务器,并配置DICOM图像文件读取的参数;
2)运行计算机,访问医疗图像数据库服务器,从中查询未分析的新入DICOM图像;
3)提取肺部图像区域;
4)从肺部图像中搜索具有代表性的关键区域;
5)从肺部影像的代表性关键区域中提取纹理描述子,并将其分类;
6)按照滑动窗的模式对肺部区域进行处理,在待处理图像区域从左至右从上至下的顺序依次移动,并对每次移动所得局部图像区域进行分类;若滑动窗不包含肺部区域,则不予进一步考虑,因为肺部区域基本是凸多边形,因此对此的简化处理方式为:对滑动窗的4个顶点依次判断,若皆不在肺部区域以内,则不考虑;按照滑动窗的尺寸从小到大的顺序依次进行处理,同时考虑处理速度满足应用需求;每个滑动窗遍历每个关键特征点,判断是否在滑动窗以内,若在滑动窗内则统计在内;将统计结果制作为统计直方图,作为检测窗的特征;
7)根据检测窗的统计直方图特征,对每个像素在不同尺度和位置下分类,并记录分类结果,并剔除异常值,判断是否为病变;若分类为病变,则将该区域标用半透明彩色标注,并且根据不同尺度采用各异的伪彩色;
8)将计算机标注图像和原始图像通过网络传输给医生使用的用户终端设备,由医生确认标注正确性;若医生认为判断正确,则确认;若医生认为判断不正确,则打开人工标注的程序界面,人工标注;
9)在未对医生的用户终端设备服务的时段,系统自动调用自适应状态更新模块,以根据医生新手动标记的图像纹理内容对现有分类器的参数改进和深化训练。
系统会以图形化的方式提示医生操作,通过计算机自动识别和动态学习,以减少医生需操作键盘和鼠标的频率,从而提高处理效率和改善用户体验,使枯燥的标注和验证工作变得容易让人接受;此外,系统采用BS架构,使医生只要有用户名和密码即可在任意连接互联网络的计算机上进行肺结核影像的标注和评估,使工作平台从局部化的专用网络扩展到广域通用网络;不仅利于医生的工作和协调,而且有利于地方卫士部门和疾控单位对基层工作的把握及数据分析和挖掘。
将本发明应用于肺结核的筛查及病灶定位,目的是提供面向的居民健康体检中采用胸透DR片筛查肺结核传染病的技术方案,用计算机视觉技术自动检测DICOM图像数据中的病灶区域,并生成可人机交互的标注结果,以解决目前大规模居民体检产生数据量太大,而医生时间有限难以逐个人工检测的难题;它利用医疗信息化的优势,能适应医疗人员的主管因素导致偏差、体检点的变更、操作人员的计算机水平差异等问题;该发明系统承担从数据库自动读取未筛查数据并分析和汇报医生以提示确认的功能;整个处理过程简单方便,提高了肺结核筛查的处理效率,同时降低了体检点医护人员的工作负担,适合于缺乏肺结核胸透影像评估经验的基层医疗机构,甚至可开展为可移动化的车载胸透筛查解决方案。因而更有利于针对重点传染病的居民大规模体检进一步常态化和规范化推广;主要包含自动化筛查和人机交互修正两个主要部分:实现具有良好用户体验的肺部影像人机交互标注和诊断软件系统,用数字化和信息化手段改进提高重大传染病监测效率;为制订传染病的预防控制的方案决策和调整群众卫生健康的有关政策提供宝贵的信息基础。
将本发明应用于肺结核筛查和病灶定位,可以降低医护人员人工检验胸透影像的工作量和提升体病灶检测准确率为根本目标,为了医护人员在使用过程中不必输入过多文字而提高使用效率,在软件系统中包含了体检者常住地址的预测模块;由于各个体检点的位置预先可知,其体检人员涵盖地理范围是若干街道社区(或乡镇),因此预测体检者常住地址实际上是估计当前体检点的街道社区(或乡镇)优先级次序。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (6)

1.一种检测胸透DR片中肺结核病灶的图像处理方法,其特征在于,包括以下步骤:
通过主动形状模型提取肺部区域图像;
提取肺部区域图像SURF关键特征点;
提取关键特征点的纹理描述子;
指定关键特征点的类别种类,采用k均值聚类算法将纹理描述子聚类聚合,对聚合结果分类标注;
设定一组尺寸值,按照尺寸值从小到大的顺序对肺部区域图像的纹理标注进行聚合;
删除聚类结果中样本数量少于总量5%的类别,从而只保留聚类结果中的主要类别,剔除异常情况,获取图像处理结果。
2.根据权利要求1所述的一种检测胸透DR片中肺结核病灶的图像处理方法,其特征在于,所述肺部区域图像的提取步骤如下所示:
1)训练肺部区域形状的主动形状模型参数,获得主动形状模型;
2)获取肺部图像,根据图像边缘信息用主动形状模型拟合肺部图像。
3.根据权利要求1所述的一种检测胸透DR片中肺结核病灶的图像处理方法,其特征在于,所述SURF关键特征点提取方法如下:
1)对肺部区域图像进行至少一种尺寸值的高斯滤波,得到对应分辨率的图像;
2)搜索不同分辨率的肺部区域图像中相同位置同为极值的点;
3)将极值点根据与其临近区域差异性从大到小顺序进行排列。
4.根据权利要求1所述的一种检测胸透DR片中肺结核病灶的图像处理方法,其特征在于,所述纹理描述子聚类聚合,对聚合结果分类标注处理过程如下:
1)离线阶段采用k均值聚类算法对获取的纹理描述子进行聚类标注;
2)将纹理描述子聚类聚合为K个聚类中心;
3)在线处理阶段,计算每个肺部区域图像关键特征点的纹理描述子,判断其距离K个聚类中心的距离,将其标注为最近点的类别。
5.根据权利要求1所述的一种检测胸透DR片中肺结核病灶的图像处理方法,其特征在于,所述纹理标注聚合过程如下:
根据设定的尺寸值从小到大的顺序构造一组滑动窗,将每个滑动窗在肺部区域的纹理标注图像区域按从左至右从上到下的顺序依次移动,覆盖所有关键特征点,统计滑动窗内部纹理描述子分类结果,对统计结果进行分类。
6.根据权利要求5所述的一种检测胸透DR片中肺结核病灶的图像处理方法,其特征在于,所述滑动窗内部纹理描述子分类结果采用可视化方法表示。
CN201510502861.4A 2015-08-14 2015-08-14 一种检测胸透dr片中肺结核病灶的图像处理方法 Pending CN105139390A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510502861.4A CN105139390A (zh) 2015-08-14 2015-08-14 一种检测胸透dr片中肺结核病灶的图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510502861.4A CN105139390A (zh) 2015-08-14 2015-08-14 一种检测胸透dr片中肺结核病灶的图像处理方法

Publications (1)

Publication Number Publication Date
CN105139390A true CN105139390A (zh) 2015-12-09

Family

ID=54724722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510502861.4A Pending CN105139390A (zh) 2015-08-14 2015-08-14 一种检测胸透dr片中肺结核病灶的图像处理方法

Country Status (1)

Country Link
CN (1) CN105139390A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510495A (zh) * 2018-04-09 2018-09-07 沈阳东软医疗系统有限公司 一种基于人工智能的肺部影像数据处理方法、装置及系统
CN108681731A (zh) * 2018-04-03 2018-10-19 中山大学 一种甲状腺癌症超声图片自动标注方法及系统
CN109409398A (zh) * 2017-08-17 2019-03-01 佳能株式会社 图像处理装置、图像处理方法以及存储介质
CN109522968A (zh) * 2018-11-29 2019-03-26 济南浪潮高新科技投资发展有限公司 一种基于串行双任务网络的病灶区检测方法及系统
CN110379504A (zh) * 2018-04-11 2019-10-25 天启慧眼(北京)信息技术有限公司 一种肺结核的智能筛查和上报方法及系统
CN110782904A (zh) * 2019-11-07 2020-02-11 四川长虹电器股份有限公司 智能语音设备的用户账号切换方法
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
CN111403006A (zh) * 2020-06-03 2020-07-10 成都逸视通生物科技有限责任公司 一种微生物检测系统及装置
CN111724361A (zh) * 2020-06-12 2020-09-29 深圳技术大学 实时显示病灶的方法及装置、电子设备和存储介质
CN111932564A (zh) * 2020-09-24 2020-11-13 平安科技(深圳)有限公司 图片识别方法、装置、电子设备及计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070078857A1 (en) * 2005-09-30 2007-04-05 Nokia Corporation Method and a device for browsing information feeds
CN103455826A (zh) * 2013-09-08 2013-12-18 西安电子科技大学 基于快速鲁棒性特征的高效匹配核人体检测方法
CN104008095A (zh) * 2013-02-25 2014-08-27 武汉三际物联网络科技有限公司 一种基于语义特征提取与匹配的物体识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070078857A1 (en) * 2005-09-30 2007-04-05 Nokia Corporation Method and a device for browsing information feeds
CN104008095A (zh) * 2013-02-25 2014-08-27 武汉三际物联网络科技有限公司 一种基于语义特征提取与匹配的物体识别方法
CN103455826A (zh) * 2013-09-08 2013-12-18 西安电子科技大学 基于快速鲁棒性特征的高效匹配核人体检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TAO XU等: ""Novel coarse-to-fine dual scale technique for tuberculosis cavity detection in chest radiographs"", 《EURASIP JOURNAL ON IMAGE AND VIDEO PROCESSING》 *
符尧等,: ""基于ASM和GrabCut的DR图像肺实质分割"", 《现代计算机》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409398A (zh) * 2017-08-17 2019-03-01 佳能株式会社 图像处理装置、图像处理方法以及存储介质
CN109409398B (zh) * 2017-08-17 2022-04-26 佳能株式会社 图像处理装置、图像处理方法以及存储介质
CN108681731A (zh) * 2018-04-03 2018-10-19 中山大学 一种甲状腺癌症超声图片自动标注方法及系统
CN108510495A (zh) * 2018-04-09 2018-09-07 沈阳东软医疗系统有限公司 一种基于人工智能的肺部影像数据处理方法、装置及系统
CN110379504A (zh) * 2018-04-11 2019-10-25 天启慧眼(北京)信息技术有限公司 一种肺结核的智能筛查和上报方法及系统
CN109522968A (zh) * 2018-11-29 2019-03-26 济南浪潮高新科技投资发展有限公司 一种基于串行双任务网络的病灶区检测方法及系统
CN110782904A (zh) * 2019-11-07 2020-02-11 四川长虹电器股份有限公司 智能语音设备的用户账号切换方法
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
CN111403006A (zh) * 2020-06-03 2020-07-10 成都逸视通生物科技有限责任公司 一种微生物检测系统及装置
CN111724361A (zh) * 2020-06-12 2020-09-29 深圳技术大学 实时显示病灶的方法及装置、电子设备和存储介质
CN111724361B (zh) * 2020-06-12 2023-08-01 深圳技术大学 实时显示病灶的方法及装置、电子设备和存储介质
CN111932564A (zh) * 2020-09-24 2020-11-13 平安科技(深圳)有限公司 图片识别方法、装置、电子设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN105139390A (zh) 一种检测胸透dr片中肺结核病灶的图像处理方法
Xu et al. A deep learning system to screen novel coronavirus disease 2019 pneumonia
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
Rasheed et al. COVID-19 in the age of artificial intelligence: a comprehensive review
US10147187B2 (en) Kind of DR radiography lung contour extraction method based on fully convolutional network
CN109241967B (zh) 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质
CN113892148A (zh) 用于计算病理学的可解释的AI(xAI)平台
Priya et al. Automated object and image level classification of TB images using support vector neural network classifier
CN108596770A (zh) 基于离群值分析的医疗保险欺诈检测装置及方法
CN107368671A (zh) 基于大数据深度学习的良性胃炎病理诊断支持系统和方法
Osman et al. SOM-LWL method for identification of COVID-19 on chest X-rays
CN105069818A (zh) 一种基于图像分析的皮肤毛孔识别方法
Yan et al. A fully automatic artificial intelligence–based CT image analysis system for accurate detection, diagnosis, and quantitative severity evaluation of pulmonary tuberculosis
CN109448854A (zh) 一种肺结核检测模型的构建方法及应用
Yan et al. Attention‐based deep learning system for automated diagnoses of age‐related macular degeneration in optical coherence tomography images
Gupta et al. An integrated multi-scale model for breast cancer histopathological image classification with joint colour-texture features
Yao et al. AI detection of mild COVID-19 pneumonia from chest CT scans
WO2021217906A1 (zh) 基于步态特征的体态检测方法、装置、设备及存储介质
Radha Analysis of COVID-19 and pneumonia detection in chest X-ray images using deep learning
CN110135506A (zh) 一种应用于web的七类皮肤肿瘤检测方法
Kaushik et al. Screening of COVID-19 Patients Using Deep Learning and IoT Framework.
Huang et al. A structure-related fine-grained deep learning system with diversity data for universal glaucoma visual field grading
Shahin et al. Detection and classification of Covid-19 in CT-lungs screening using machine learning techniques
Deb et al. CoVSeverity-Net: an efficient deep learning model for COVID-19 severity estimation from Chest X-Ray images
CN104835155A (zh) 基于分形的早期乳腺癌钙化点计算机辅助检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20151209