CN105469419A - 一种基于ct影像的肺结节检测方法 - Google Patents
一种基于ct影像的肺结节检测方法 Download PDFInfo
- Publication number
- CN105469419A CN105469419A CN201610005764.9A CN201610005764A CN105469419A CN 105469419 A CN105469419 A CN 105469419A CN 201610005764 A CN201610005764 A CN 201610005764A CN 105469419 A CN105469419 A CN 105469419A
- Authority
- CN
- China
- Prior art keywords
- image
- pulmonary
- region
- nodules
- detection method
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于CT影像的肺结节检测方法,具体步骤为(1)获取CT序列影像;(2)肺实质分割;(3)气管/主支气管剔除;(4)边缘结节检测;(5)疑似结节检测;(6)特征提取及分类;(7)肺结节标定,本发明可以实现对微小结节的检测,充分利用了CT序列影像的三维信息,减少了局部容积效应,肺结节的三维可视化提高了肺结节的细节显示能力,可以更好的辅助医生提高诊断准确性,对于肺结节特征提取和分类不需要大量的先验知识,检测实时性较好,对于肺结节检测敏感性较高,特别可以对肺癌早期阶段形成的微小结节进行检测,满足了医生对于肺癌CAD系统准确性、易操作性及实时性的需求。
Description
技术领域
本发明涉及CT技术领域,具体涉及一种基于CT影像的肺结节检测方法。
背景技术
随着经济水平的快速发展,人类对于自身健康的关注程度也不断提高,对于癌症的早期发现、早期诊断、早期治疗已经日益成为全社会共同关注的目标。如果肺癌能在早期被诊断和治疗,患者5年生存率将从14%上升到49%;由于CT影像能够提供高清晰度的影像,并且为影像中各组织提供很高的对比度,通常应用于肺部疾病的诊断。随着多排螺旋CT的发展,医生可以获取更高分辨率的影像(HRCT),通过一次检测获得更多的患者影像信息,进一步拓展了CT影像的应用。但同时也造成了医院放射科医生每天阅片负担的增加,导致漏诊和不确定性检查经常发生,即使对于这个领域内的资深专家而言也在所难免。因此,肺癌计算机辅助检测(CAD)得到了大量的研究和应用。
肺癌在CT影像中是以肺结节的形式表现的,目前肺结节计算机辅助检测的方法有多种,人以胸部螺旋CT影像为研究对象,影像层厚在5-10mm之间,这类检测方法敏感性和特异性较低,肺结节检测敏感性为38%,对于每个肺癌患者平均有6个假阳性结节。这主要是由于肺结节直径比CT层厚小,引起体数据内部局部容积效应造成的,其检测结果无法满足临床应用中对于肺癌CAD系统敏感性的要求;西门子公司研发的肺癌CAD系统采用人机交互的方法对肺结节进行检测,这类方法操作一般比较复杂,需要较高的计算机操作和医学诊断专业知识,对用户能力要求较高;采用模式分类的方法需要基于大量的样本数据进行训练,而且需要提取多个特征,算法处理时间较长,无法满足CAD系统在临床应用中对实时性的要求。
发明内容
为了解决上述的问题,本发明提供了一种基于CT影像的肺结节检测方法,可以实现对微小结节的检测,充分利用了CT序列影像的三维信息,减少了局部容积效应,肺结节特征提取和分类不需要大量的先验知识,检测实时性较好,可以有效解决背景技术中的问题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于CT影像的肺结节检测方法,包括如下步骤:
(1)获取CT序列影像;
(2)肺实质分割:i为序列影像的当前层数,θ为像素个数统计经验值,首先利用阈值T二值化第i层影像,肺内图像像素标定为1,背景像素标定为0,统计标定为1的像素个数Ni,初始化为1,当Ni>θ时像素保留,否则去除,然后扩展到多层序列影像区域,重复上述算法;
(3)气管/主支气管剔除:首先自动在关键层肺门气管区域定位一个种子点,然后利用区域增长算法,在种子点的3×3×3邻域内进行增长,阈值的选取可以在气管的CT值范围内选取,区域增长过程中更多的体素被包含进气管和主支气管区域,当体素进入左右肺区域时,增长终止,最后标定所有体素并分割;
(4)边缘结节检测:利用数学形态学的开运算剔除影像上与结构元素不相吻合的凸区域,利用闭运算填充那些影像上与结构元素不相吻合的凹区域,同时保留那些相吻合的凹区域;
(5)疑似结节检测:采用Hessian矩阵的圆型滤波器对肺实质分割后影像进行圆点滤波,并有效抑止线形结构;然后采用不变矩算法精确检测疑似结节区域;
(6)特征提取及分类;
(7)肺结节标定。
进一步地,所述CT序列影像的影像层厚度为1-2mm。
进一步地,所述步骤(6)提取的特征包括面积、直径、似圆度、灰度均值和边界不规则度,其中直径为区域中横向或纵向像素个数的最大值。
进一步地,所述步骤(7)采用规则分类的方法检测真阳性结节,首先结合医学诊断规则反复试验后获得一个阈值范围,在疑似结节在这个范围内则被判别为真阳性结节,否则,被判别为假阳性结节。
本发明有益效果为:
(1)本发明可以实现对微小结节的检测,充分利用了CT序列影像的三维信息,减少了局部容积效应,肺结节的三维可视化提高了肺结节的细节显示能力,可以更好的辅助医生提高诊断准确性。
(2)本发明采用了一种改进的自适应阈值分割算法分割肺实质,该算法充分考虑了肺实质边缘的梯度分布情况,预留出边缘过渡区域,然后采用数学形态学算法,以达到精确检测肺实质边缘结节的目的,避免漏检。
(3)本发明采用了一种高斯滤波、基于Hessian矩阵的圆点滤波器与不变矩分析相结合的方法识别医生感兴趣区域,同时滤掉血管等“线”状组织的干扰。
(4)本发明肺结节特征提取和分类不需要大量的先验知识,检测实时性较好,对于肺结节检测敏感性较高,特别可以对肺癌早期阶段形成的微小结节进行检测,满足了医生对于肺癌CAD系统准确性、易操作性及实时性的需求。
具体实施方式
根据下述实施例,可以更好的理解本发明。然而,本领域的技术人员容易理解,实施例所描述的内容仅用于说明本发明,而不应当也不会限制权利要求书中所详细描述的本发明。
实施例:
一种基于CT影像的肺结节检测方法,包括如下步骤:
(1)获取CT序列影像;
(2)肺实质分割:i为序列影像的当前层数,θ为像素个数统计经验值,首先利用阈值T二值化第i层影像,肺内图像像素标定为1,背景像素标定为0,统计标定为1的像素个数Ni,初始化为1,当Ni>θ时像素保留,否则去除,然后扩展到多层序列影像区域,重复上述算法;
(3)气管/主支气管剔除:首先自动在关键层肺门气管区域定位一个种子点,然后利用区域增长算法,在种子点的3×3×3邻域内进行增长,阈值的选取可以在气管的CT值范围内选取,区域增长过程中更多的体素被包含进气管和主支气管区域,当体素进入左右肺区域时,增长终止,最后标定所有体素并分割;
(4)边缘结节检测:利用数学形态学的开运算剔除影像上与结构元素不相吻合的凸区域,利用闭运算填充那些影像上与结构元素不相吻合的凹区域,同时保留那些相吻合的凹区域;
(5)疑似结节检测:采用Hessian矩阵的圆型滤波器对肺实质分割后影像进行圆点滤波,并有效抑止线形结构;然后采用不变矩算法精确检测疑似结节区域;
(6)特征提取及分类;
(7)肺结节标定。
其中,所述CT序列影像的影像层厚度为1-2mm。
其中,所述步骤(6)提取的特征包括面积、直径、似圆度、灰度均值和边界不规则度,其中直径为区域中横向或纵向像素个数的最大值。
其中,所述步骤(7)采用规则分类的方法检测真阳性结节,首先结合医学诊断规则反复试验后获得一个阈值范围,在疑似结节在这个范围内则被判别为真阳性结节,否则,被判别为假阳性结节。
具体的:
本发明中区域增长算法既是根据事先定义的准则将像素或者子区域聚合成更大的区域。基本方法是以“一组”种子开始,将与种子性质相似(灰度级或颜色的特定范围)的相邻像素附加到生长区域的种子上。
本发明中Hessian矩阵,即为黑塞矩阵,又译作海森矩阵、海瑟矩阵、海塞矩阵等,是一个多元函数的二阶偏导数构成的方阵,描述了函数的局部曲率。黑塞矩阵最早于19世纪由德国数学家LudwigOttoHesse提出,并以其名字命名。黑塞矩阵常用于牛顿法解决优化问题,对于一个实值多元函数f(x1,x2,…,xn),如果函数f的二阶偏导数都存在,则定义f的黑塞矩阵为其中Di表示对第i个变量的微分算子,那么,f的黑塞矩阵即
本发明采用来自8组肺癌患者的肺部CT临床数据,共有943层CT影像,每层数据均为512×512像素,层厚2mm,像素间距0.6835mm,检测敏感性为90%。实验采用的计算机配置为1.7GHZ处理器,1G内存。对于512×512×100的CT数据集,算法运行时间少于1分钟。
基于上述,本发明可以实现对微小结节的检测,充分利用了CT序列影像的三维信息,减少了局部容积效应,肺结节的三维可视化提高了肺结节的细节显示能力,可以更好的辅助医生提高诊断准确性;本发明采用了一种改进的自适应阈值分割算法分割肺实质,该算法充分考虑了肺实质边缘的梯度分布情况,预留出边缘过渡区域,然后采用数学形态学算法,以达到精确检测肺实质边缘结节的目的,避免漏检;本发明采用了一种高斯滤波、基于Hessian矩阵的圆点滤波器与不变矩分析相结合的方法识别医生感兴趣区域,同时滤掉血管等“线”状组织的干扰;本发明肺结节特征提取和分类不需要大量的先验知识,检测实时性较好,对于肺结节检测敏感性较高,特别可以对肺癌早期阶段形成的微小结节进行检测,满足了医生对于肺癌CAD系统准确性、易操作性及实时性的需求。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种基于CT影像的肺结节检测方法,其特征在于,包括如下步骤:
(1)获取CT序列影像;
(2)肺实质分割:i为序列影像的当前层数,θ为像素个数统计经验值,首先利用阈值T二值化第i层影像,肺内图像像素标定为1,背景像素标定为0,统计标定为1的像素个数Ni,初始化为1,当Ni>θ时像素保留,否则去除,然后扩展到多层序列影像区域,重复上述算法;
(3)气管/主支气管剔除:首先自动在关键层肺门气管区域定位一个种子点,然后利用区域增长算法,在种子点的3×3×3邻域内进行增长,阈值的选取可以在气管的CT值范围内选取,区域增长过程中更多的体素被包含进气管和主支气管区域,当体素进入左右肺区域时,增长终止,最后标定所有体素并分割;
(4)边缘结节检测:利用数学形态学的开运算剔除影像上与结构元素不相吻合的凸区域,利用闭运算填充那些影像上与结构元素不相吻合的凹区域,同时保留那些相吻合的凹区域;
(5)疑似结节检测:采用Hessian矩阵的圆型滤波器对肺实质分割后影像进行圆点滤波,并有效抑止线形结构;然后采用不变矩算法精确检测疑似结节区域;
(6)特征提取及分类;
(7)肺结节标定。
2.如权利要求1所述的一种基于CT影像的肺结节检测方法,其特征在于,所述CT序列影像的影像层厚度为1-2mm。
3.如权利要求1所述的一种基于CT影像的肺结节检测方法,其特征在于,所述步骤(6)提取的特征包括面积、直径、似圆度、灰度均值和边界不规则度,其中直径为区域中横向或纵向像素个数的最大值。
4.如权利要求1所述的一种基于CT影像的肺结节检测方法,其特征在于,所述步骤(7)采用规则分类的方法检测真阳性结节,首先结合医学诊断规则反复试验后获得一个阈值范围,在疑似结节在这个范围内则被判别为真阳性结节,否则,被判别为假阳性结节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610005764.9A CN105469419A (zh) | 2016-01-07 | 2016-01-07 | 一种基于ct影像的肺结节检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610005764.9A CN105469419A (zh) | 2016-01-07 | 2016-01-07 | 一种基于ct影像的肺结节检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105469419A true CN105469419A (zh) | 2016-04-06 |
Family
ID=55607078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610005764.9A Pending CN105469419A (zh) | 2016-01-07 | 2016-01-07 | 一种基于ct影像的肺结节检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469419A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976367A (zh) * | 2016-04-29 | 2016-09-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测系统 |
CN106504232A (zh) * | 2016-10-14 | 2017-03-15 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测方法 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
CN107481215A (zh) * | 2016-06-07 | 2017-12-15 | 宁夏医科大学 | 基于空间分布的ct肺结节分割方法 |
CN107633514A (zh) * | 2017-09-19 | 2018-01-26 | 北京大学第三医院 | 一种肺结节周边血管量化评估系统及方法 |
CN107767362A (zh) * | 2017-09-01 | 2018-03-06 | 苏州侠洛信息科技有限公司 | 一种基于深度学习的肺癌早筛装置 |
CN108175863A (zh) * | 2017-12-28 | 2018-06-19 | 海口市人民医院 | 一种用于胸腔镜术前肺结节定位的组合物、制剂及其制备方法 |
CN108389240A (zh) * | 2018-02-28 | 2018-08-10 | 天津市肿瘤医院 | 一种采用影像组学技术进行低辐射剂量肺结节筛查的方法 |
CN109035227A (zh) * | 2018-07-13 | 2018-12-18 | 哈尔滨理工大学 | 对ct图像进行肺部肿瘤检测与诊断的系统 |
CN109214397A (zh) * | 2018-09-14 | 2019-01-15 | 郑州大学 | 一种肺部ct图像中肺结节的分割方法 |
CN109509204A (zh) * | 2018-10-23 | 2019-03-22 | 中国科学院苏州生物医学工程技术研究所 | Ct图像矽肺结节的自动提取方法 |
CN109544528A (zh) * | 2018-11-19 | 2019-03-29 | 上海馨孚科技有限公司 | 一种肺小结节图像识别方法及装置 |
US10467757B2 (en) | 2015-11-30 | 2019-11-05 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for computer aided diagnosis |
CN111738980A (zh) * | 2020-05-14 | 2020-10-02 | 上海依智医疗技术有限公司 | 一种医学影像的显示方法、计算机设备及存储介质 |
CN112116558A (zh) * | 2020-08-17 | 2020-12-22 | 您好人工智能技术研发昆山有限公司 | 一种基于深度学习的ct影像肺结节检测系统 |
CN112712540A (zh) * | 2021-01-13 | 2021-04-27 | 杭州小呈向医疗科技有限公司 | 一种基于ct影像的肺部支气管提取方法 |
-
2016
- 2016-01-07 CN CN201610005764.9A patent/CN105469419A/zh active Pending
Non-Patent Citations (3)
Title |
---|
贾同 等: "一种基于HRCT影像的肺结节计算机辅助检测方法", 《系统仿真学报》 * |
贾同 等: "基于CT图像的自动肺实质分割方法", 《东北大学学报(自然科学版)》 * |
阳世雄 等: "基于三维CT影像的计算机辅助肺结节检测原型系统的临床应用", 《中华临床医师杂志(电子版)》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10825180B2 (en) | 2015-11-30 | 2020-11-03 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for computer aided diagnosis |
US10467757B2 (en) | 2015-11-30 | 2019-11-05 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for computer aided diagnosis |
CN105976367A (zh) * | 2016-04-29 | 2016-09-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测系统 |
CN105976367B (zh) * | 2016-04-29 | 2019-06-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测系统 |
CN107481215A (zh) * | 2016-06-07 | 2017-12-15 | 宁夏医科大学 | 基于空间分布的ct肺结节分割方法 |
CN106504232A (zh) * | 2016-10-14 | 2017-03-15 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测方法 |
CN106504232B (zh) * | 2016-10-14 | 2019-06-14 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测系统 |
CN106780460B (zh) * | 2016-12-13 | 2019-11-08 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107016665B (zh) * | 2017-02-16 | 2021-05-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107103187B (zh) * | 2017-04-10 | 2020-12-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
CN107767362A (zh) * | 2017-09-01 | 2018-03-06 | 苏州侠洛信息科技有限公司 | 一种基于深度学习的肺癌早筛装置 |
CN107633514A (zh) * | 2017-09-19 | 2018-01-26 | 北京大学第三医院 | 一种肺结节周边血管量化评估系统及方法 |
CN108175863A (zh) * | 2017-12-28 | 2018-06-19 | 海口市人民医院 | 一种用于胸腔镜术前肺结节定位的组合物、制剂及其制备方法 |
CN108389240B (zh) * | 2018-02-28 | 2021-08-13 | 天津市肿瘤医院 | 一种采用影像组学技术进行低辐射剂量肺结节筛查的方法 |
CN108389240A (zh) * | 2018-02-28 | 2018-08-10 | 天津市肿瘤医院 | 一种采用影像组学技术进行低辐射剂量肺结节筛查的方法 |
CN109035227A (zh) * | 2018-07-13 | 2018-12-18 | 哈尔滨理工大学 | 对ct图像进行肺部肿瘤检测与诊断的系统 |
CN109214397A (zh) * | 2018-09-14 | 2019-01-15 | 郑州大学 | 一种肺部ct图像中肺结节的分割方法 |
CN109509204A (zh) * | 2018-10-23 | 2019-03-22 | 中国科学院苏州生物医学工程技术研究所 | Ct图像矽肺结节的自动提取方法 |
CN109544528A (zh) * | 2018-11-19 | 2019-03-29 | 上海馨孚科技有限公司 | 一种肺小结节图像识别方法及装置 |
CN111738980A (zh) * | 2020-05-14 | 2020-10-02 | 上海依智医疗技术有限公司 | 一种医学影像的显示方法、计算机设备及存储介质 |
CN111738980B (zh) * | 2020-05-14 | 2023-08-04 | 北京深睿博联科技有限责任公司 | 一种医学影像的显示方法、计算机设备及存储介质 |
CN112116558A (zh) * | 2020-08-17 | 2020-12-22 | 您好人工智能技术研发昆山有限公司 | 一种基于深度学习的ct影像肺结节检测系统 |
CN112712540A (zh) * | 2021-01-13 | 2021-04-27 | 杭州小呈向医疗科技有限公司 | 一种基于ct影像的肺部支气管提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105469419A (zh) | 一种基于ct影像的肺结节检测方法 | |
van Ginneken | Fifty years of computer analysis in chest imaging: rule-based, machine learning, deep learning | |
Zhou et al. | A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises | |
Su et al. | Lung nodule detection based on faster R-CNN framework | |
Xu et al. | DW-Net: A cascaded convolutional neural network for apical four-chamber view segmentation in fetal echocardiography | |
Zhuang et al. | Breast ultrasound tumor image classification using image decomposition and fusion based on adaptive multi-model spatial feature fusion | |
Shariaty et al. | Application of CAD systems for the automatic detection of lung nodules | |
Roslan et al. | Skull stripping of MRI brain images using mathematical morphology | |
Casciaro et al. | Fully automatic segmentations of liver and hepatic tumors from 3-D computed tomography abdominal images: comparative evaluation of two automatic methods | |
CN108665454A (zh) | 一种内镜图像智能分类及不规则病变区域检测方法 | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
Liu et al. | Automated cardiac segmentation of cross-modal medical images using unsupervised multi-domain adaptation and spatial neural attention structure | |
Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
CN110163877A (zh) | 一种mri心室结构分割的方法与系统 | |
Chebli et al. | Semi-supervised learning for medical application: A survey | |
Tong et al. | A lung cancer lesions dectection scheme based on CT image | |
Haq et al. | BTS-GAN: computer-aided segmentation system for breast tumor using MRI and conditional adversarial networks | |
Yunchao et al. | Application of computer vision and deep learning in breast cancer assisted diagnosis | |
Hao et al. | Magnetic resonance image segmentation based on multi-scale convolutional neural network | |
Wang et al. | Accurate tumor segmentation via octave convolution neural network | |
Cheng et al. | Segmentation of the airway tree from chest CT using tiny atrous convolutional network | |
Wang et al. | Automatic measurement of fetal head circumference using a novel GCN-assisted deep convolutional network | |
Xiaojie et al. | Segmentation of the aortic dissection from CT images based on spatial continuity prior model | |
CN111260651A (zh) | 一种基于深度迁移学习的胃部低质量mri图像分割方法 | |
CN112509079A (zh) | 颅内血管造影增强三维狭窄化分析模型的建立方法 |
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: 20160406 |