CN105868546A - 一种基于多特征的肺部ct图像关联规则方法 - Google Patents
一种基于多特征的肺部ct图像关联规则方法 Download PDFInfo
- Publication number
- CN105868546A CN105868546A CN201610179250.5A CN201610179250A CN105868546A CN 105868546 A CN105868546 A CN 105868546A CN 201610179250 A CN201610179250 A CN 201610179250A CN 105868546 A CN105868546 A CN 105868546A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- correlation rule
- multiple features
- rule
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 210000004072 lung Anatomy 0.000 title claims abstract description 52
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 12
- 238000007418 data mining Methods 0.000 claims description 9
- 206010028980 Neoplasm Diseases 0.000 claims description 8
- 201000011510 cancer Diseases 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 208000020816 lung neoplasm Diseases 0.000 abstract description 8
- 201000005202 lung cancer Diseases 0.000 abstract description 4
- 238000005065 mining Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- JOCBASBOOFNAJA-UHFFFAOYSA-N N-tris(hydroxymethyl)methyl-2-aminoethanesulfonic acid Chemical compound OCC(CO)(CO)NCCS(O)(=O)=O JOCBASBOOFNAJA-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于多特征的肺部CT图像关联规则方法,所述方法包括步骤:S1:获取所述肺部CT图像;S2:对所述肺部CT图像进行预处理;S3:提取预处理后的所述肺部CT图像的图像特征;S4:对提取出的所述图像特征进行筛选;S5:利用关联规则数据挖掘隐含于所述图像特征与肺癌之间的关联规则;S6:利用评价方法对统计出的关联规则进行评价,获取评价结果;S7:根据所述评价结果获取有效的所述关联规则。该方法在医学图像特征与肺癌之间的关联规则的基础上构建相应的、更加完善的肺癌诊断规则和模式,加入到医院的日常工作中以提高医生诊断的准确性和科学性。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于多特征的肺部CT图像关联规则方法。
背景技术
肺癌是全球最常见的癌症之一,具有极高的死亡率。世界上每30秒就有一人死于肺癌,每年有120万新增病例。在我国,肺癌发病率和死亡率呈直线上升态势。肺癌居中国男性癌症死因第一位,女性的第二位,成为中国第一大癌症。肺癌早期多无症状或症状轻微,不易发现,特到发现时,往往已有转移,已证明大于2cm的肺癌就已有淋巴结转移。肺癌是可以预防和控制的,肺癌早期和晚期治疗效果截然不同:0-Ⅰ期5年生存率超过58%,而ⅢB-Ⅳ期5年生存率小于5%,肺癌的5年生存率总体约9%-15%,造成以上结果主要原因是患者没有能够早诊断、早检查、早治疗。CT已经被证明是检测肺癌常用的有效医学影像设备,被广泛用于肺癌检查和诊断。肺肿瘤许多不同性质的病变,如良性肿瘤、原发性恶性种瘤、转移瘤等性质各异,但其影像表现有颇多相似之处,有些甚至相同,难分彼此,其假阳性率和性价比目前尚未定论,是国内外临床研究争论的焦点。因此进一步研究肺部CT图像特征与肺癌诊断之间的关系辅助医生对肺癌的早期诊断及临床治疗具有十分重要的意义。
随着医学成像技术和计算机技术的不断发展,现有的医院PACS(Picture Archiving and Communication System影像存储与通讯系统)拥有完善的患者影像信息数据库。如何挖掘其中蕴含着丰富的图像特征信息和找出规则,对于辅助医生进行医学图像临床诊断具有较高的学术价值。
发明内容
鉴于上述问题,本申请记载了一种一种基于多特征的肺部CT图像关联规则方法,所述方法包括步骤:
S1:获取所述肺部CT图像;
S2:对所述肺部CT图像进行预处理;
S3:提取预处理后的所述肺部CT图像的图像特征;
S4:对提取出的所述图像特征进行筛选;
S5:利用关联规则数据挖掘隐含于所述图像特征与肺癌之间的关联规则;
S6:利用评价方法对统计出的关联规则进行评价,获取评价结果;
S7:根据所述评价结果获取有效的所述关联规则。
较佳的,对所述肺部CT图像的预处理包括图像增强处理。
较佳的,提取所述图像特征的方式为对所述肺部CT图像的颜色特征或纹理特征或轮廓特征进行提取。
较佳的,基于灰度直方图提取所述肺部CT图像的所述颜色特征或基于Gabor小波提取所述肺部CT图像的所述纹理特征或基于不变矩提取所述肺部CT图像的所述轮廓特征。
较佳的,采用均值、方差、倾斜度以及峰态来反映所述肺部CT图像的直方图特征。
较佳的,利用关联规则数据挖掘隐含于所述图像特征与肺癌之间的关联规则的过程包括步骤:
S51:将原始的所述图像特征进行数据转化;
S52:对转化后的所述图像特征进行关联规则算法。
较佳的,将原始的所述图像特征转化为布尔型数据。
较佳的,对转化后的所述图像特征进行关联规则算法的过程包括步骤:
S521:找出所有满足最小支持度的所有频繁项集;
S522:根据所述频繁项集计算出满足最小置信度的关联规则。
较佳的,获取关联规则的评价结果的过程中包括主观评价和客观评价两种评价方法。
上述技术方案具有如下优点或有益效果:将利用本实施例提出的方法,并结合其它医学图像处理方法,如:图像分割、图像配准等,在医学图像特征与肺癌之间的关联规则的基础上构建相应的、更加完善的肺癌诊断规则和模式,加入到医院的日常工作中以提高医生诊断的准确性和科学性。
附图说明
参考所附附图,以更加充分的描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。
图1为本发明一种基于多特征的肺部CT图像关联规则方法的流程示意图一;
图2为本发明一种基于多特征的肺部CT图像关联规则方法的流程示意图二;
图3为本发明一种基于多特征的肺部CT图像关联规则方法的流程示意图三。
具体实施方式
下面结合附图和具体实施例对本发明一种基于多特征的肺部CT图像关联规则方法进行详细说明。
如图1所示,一种基于多特征的肺部CT图像关联规则方法,包括步骤:
S1:获取医学图像;
S2:对医学图像进行预处理;
S3:提取预处理后的医学图像的图像特征;
S4:对提取出的图像特征进行筛选;
S5:利用关联规则数据挖掘隐含于图像特征与肺癌之间的更有价值的关联规则,即使用关联规则算法;
S6:利用评价方法对统计出的关联规则进行评价,获取评价结果;
S7:根据评价结果获取最终的医学信息。
具体来说,在本实施例提出的基于多特征的肺部CT图像关联规则方法中,首先要获取医学图像,具体来说,该医学图像为肺部CT图像。之后,对该图像进行预处理,然后提取预处理后的医学图像的图像特征。对所有的图像特征进行筛选,保留符合要求的图像特征,然后利用关联规则数据挖掘隐含于这些图像特征与肺癌之间的更优的关联规则,即使用关联规则算法,利用评价方法对统计出的关联规则进行评价,获取评价结果。简单来说,在利用关联规则数据挖掘出的关联规则后,并不是所有的关联规则都是正确的或准确的,所以就需要利用评价方法对统计出的关联规则进行评价,根据评价结果保留较好的或最优的关联规则,即获取该医学图像对应的医学信息。简言之,医学信息就是经筛选后的有价值的关联规则。
进一步来讲,所述预处理过程包括图像增强过程。
进一步来讲,步骤S3中提取预处理后的医学图像的图像特征的过程可以由多种方式进行。具体来说,在实际应用中,医生肉眼直接观测到的医学图像特征,如:图像边缘状态、CT图像阻止的均匀性或不均匀性、边缘强化后CT值增加等。但是,医学图像中仍然有大量的不能够直接观测的图像特征,通过对图像特征进行提取的过程可以大幅度提高图像信息挖掘的质量。在本实施例中,可以对医学图像进行颜色特征、纹理特征或轮廓特征等进行提取。下面分别对这三种方法进行详细介绍:
1)基于灰度直方图的颜色特征提取
对于数字图像而言,灰度直方图就是一个灰度级的离散函数,图像灰度直方图的定义如公式(1):
其中,i表示灰度级,L表示灰度级总类数,ni表示图像灰度级为i的像素个数,N为表示图像总的像素数。
进一步来讲,本实施例提供的对医学图像的图像特征提取的过程中,采用均值、方差、倾斜度以及峰态来反映该医学图像的直方图的特征。下面分别对这四种统计量进行介绍:均值,反映的是图像的平均灰度值;方差,反映的是图像的灰度在数值上的离散分布情况;倾斜度,反映的是图像直方图分布的不对称程度,倾斜度越大表示直方图分布越不对称,反之越对称;峰态,反映的是图像的灰度分布在接近均值时的大致状态,用以判断图像的灰度分布是否非常集中于平均灰度附近,峰态越小,表示越集中。
2)基于Gabor小波的纹理特征提取
Gabor函数特征提取方法是目前唯一能够达到时频测不准关系下界的函数,能更好地兼顾信号在时域和频域中的分辨能力。二维的Gabor函数和其傅里叶变换分别为:
其中,ω为调制频率,
3)基于不变矩的轮廓特征提取
一副M×N的离散图像f(x,y),其p+q阶几何矩定义为:
其中i∈M,j∈N,p,q为常数。
令r=(p+q=2)/2,可推导出7个位移、缩放、旋转变化都不变的绝对不等式,相应可以提取7个不变矩特征作为图像的形状特征。
进一步来讲,在步骤S4中,提出需要对提取出的图像特征进行筛选,该筛选过程可以利用主成分分析法来对图像特征进行简化。
在实际应用中,主成分分析法是采取一种降维的方法,找出几个综合因子来代表原来总的变量,使这些综合因子尽可能多的反映原来变量的信息量,而且彼此之间不相关,达到简化的目的。通过主成分分析,既消除图像特征间的冗余信息,又降低图像特征空间的维数,同时又保留了所需要的挖掘信息。
进一步来讲,如图2所示,在步骤S5中,利用关联规则数据挖掘隐含于图像特征与肺癌之间的更有价值的关联规则,即使用关联规则算法,在该过程中,还包括步骤:
S51:将原始的图像特征数据进行转化;
S52:进行肺部CT图像特征的关联规则算法。
具体来说,进行关联规则挖掘前,需要将原始图像特征数据中(包括患者信息、直接观测的图像特征和图像提取后简化的图像特征)的各变量的取值转化为一系列的整数或代码,映射为事务的项。对变量进行离散化和赋值处理,即采用分类变量表示,将数据转化为布尔型数据,把所有属性映射成项的索引表,见表1。
表1肺部CT图像特征的属性与赋值
属性 | 变量名 |
年龄 | A1 |
性别 | 男=A2,女=A3 |
边缘光滑 | A4 |
边缘不光滑 | A5 |
… | … |
… | … |
我们利用数据转换算法对表1逐条扫描数据库记录,通过查询项目映射表获取相应的项编号,并将其填充到事务表中的相应位置。当数据转换算法扫描完整个数据库的时候,完成了关系数据库到事务表的转换,事务数据如表2。
表2肺癌图像特征事务数据库
本项目研究的规则是肺部CT图像特征之间的某种量化组合能导致肺癌的发生,设置最小支持度minsup及最小置信度minconf。具体来说,如图3所示,步骤S52包括过程:
S521:找出所有满足最小支持度的所有频繁项集;
S522:根据频繁项集计算出满足最小置信度的关联规则。
具体来说,利用关联规则数据挖掘隐含于图像特征与肺癌之间的更有价值的关联规则的过程中,首先要找出所有满足最小支持度的所有频繁项集,然后根据这些频繁项集计算出满足最小置信度的关联规则,则该关联规则即为有价值的。值得指出的是,找出满足最小支持度的所有频繁项集的方式,不必反复扫描全部事务,将会大幅度提高算法的运行效率。
在步骤S6中获取关联规则的评价结果的过程包括两种评价方法:主观评价和客观评价。具体来说,获取规则中存在着大量对疾病诊断工作无意义的规则,可能产生误导,因此有必要引入一种确实可行的手段对规则的有效性进行衡量以获取感兴趣的所有规则,本项目采用客观评价和主观评价两种方法。下面,对这两种评价方法进行说明:
1)主观评价
主观评价即综合兴趣度进行评价,对于所挖掘的规则,感兴趣的是尚未发现的信息,发生频率不高的事件背后的原因通常是需要研究的对象。为了使研究者能更多考察小概率事件发生的原因,采用国内铁治欣、陈奇提出的一种改进兴趣度模型:
2)客观评价
客观评价是利用前件与后件的相关性进行评价,此规则体现的是必然事件的联系,主要是通过对规则中前后件进行相关性检验,选出前件与后件具有正相关的那些规则。客观评价的模型为:
其中,如果Coor的值等于1,则A和B是独立的,它们之间没有相关性;如果值小于1,则A的出现和B的出现是负相关的;如果值大于1,则A和B是正相关的。
将利用本实施例提出的方法,并结合其它医学图像处理方法,如:图像分割、图像配准等,在医学图像特征与肺癌之间的关联规则的基础上构建相应的、更加完善的肺癌诊断规则和模式,加入到医院的日常工作中以提高医生诊断的准确性和科学性。
通过本实施例的基于多特征的肺部CT图像关联规则方法,建立了肺部CT图像的特征与肺癌之间的关联规则,即肺部图像特征之间的某种量化组合能导致肺癌疾病的发生。因此,在现有研究的基础上,本方法通过分析肺部CT图像的特征,实现基于颜色、纹理、轮廓的图像特征提取技术,提出了主成分分析的图像特征的降维算法,运用关联规则数据挖掘技术得出隐含于图像特征信息与肺癌之间的更有价值的关联规则,并引入主客观标准评价关联规则,克服基于“支持度-可信度”框架获得规则的缺陷,得出对临床有指导意义的关联规则并用于指导肺癌的诊断。
对于本领域的技术人员而言,阅读上述说明后,各种变化和修正无疑将显而易见。因此,所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容,都应认为仍属本发明的意图和范围内。
Claims (9)
1.一种基于多特征的肺部CT图像关联规则方法,其特征在于,所述方法包括步骤:
S1:获取所述肺部CT图像;
S2:对所述肺部CT图像进行预处理;
S3:提取预处理后的所述肺部CT图像的图像特征;
S4:对提取出的所述图像特征进行筛选;
S5:利用关联规则数据挖掘隐含于所述图像特征与肺癌之间的关联规则;
S6:利用评价方法对统计出的关联规则进行评价,获取评价结果;
S7:根据所述评价结果获取有效的所述关联规则。
2.根据权利要求1所述的基于多特征的肺部CT图像关联规则方法,其特征在于,对所述肺部CT图像的预处理包括图像增强处理。
3.根据权利要求1所述的基于多特征的肺部CT图像关联规则方法,其特征在于,提取所述图像特征的方式为对所述肺部CT图像的颜色特征或纹理特征或轮廓特征进行提取。
4.根据权利要求3所述的基于多特征的肺部CT图像关联规则方法,其特征在于,基于灰度直方图提取所述肺部CT图像的所述颜色特征或基于Gabor小波提取所述肺部CT图像的所述纹理特征或基于不变矩提取所述肺部CT图像的所述轮廓特征。
5.根据权利要求4所述的基于多特征的肺部CT图像关联规则方法,其特征在于,采用均值、方差、倾斜度以及峰态来反映所述肺部CT图像的直方图特征。
6.根据权利要求1所述的基于多特征的肺部CT图像关联规则方法,其特征在于,利用关联规则数据挖掘隐含于所述图像特征与肺癌之间的关联规则的过程包括步骤:
S51:将原始的所述图像特征进行数据转化;
S52:对转化后的所述图像特征进行关联规则算法。
7.根据权利要求6所述的基于多特征的肺部CT图像关联规则方法,其特征在于,将原始的所述图像特征转化为布尔型数据。
8.根据权利要求6所述的基于多特征的肺部CT图像关联规则方法,其特征在于,对转化后的所述图像特征进行关联规则算法的过程包括步骤:
S521:找出所有满足最小支持度的所有频繁项集;
S522:根据所述频繁项集计算出满足最小置信度的关联规则。
9.根据权利要求1所述的基于多特征的肺部CT图像关联规则方法,其特征在于,所述评价方法包括主观评价和客观评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610179250.5A CN105868546A (zh) | 2016-03-25 | 2016-03-25 | 一种基于多特征的肺部ct图像关联规则方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610179250.5A CN105868546A (zh) | 2016-03-25 | 2016-03-25 | 一种基于多特征的肺部ct图像关联规则方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105868546A true CN105868546A (zh) | 2016-08-17 |
Family
ID=56624867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610179250.5A Pending CN105868546A (zh) | 2016-03-25 | 2016-03-25 | 一种基于多特征的肺部ct图像关联规则方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868546A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875367A (zh) * | 2017-03-15 | 2017-06-20 | 中山大学 | 一种基于互关联规则的鼻咽癌原发病灶临床靶区自动勾画方法 |
CN106897572A (zh) * | 2017-03-08 | 2017-06-27 | 山东大学 | 基于流形学习的肺结节病例匹配辅助检测系统及其工作方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819411A (zh) * | 2010-03-17 | 2010-09-01 | 燕山大学 | 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法 |
CN103612252A (zh) * | 2013-12-03 | 2014-03-05 | 北京科技大学 | 面向孤独症儿童的智能远程社交辅助治疗机器人 |
CN103690240A (zh) * | 2013-09-16 | 2014-04-02 | 上海华美络信息技术有限公司 | 一种医疗系统 |
CN104866979A (zh) * | 2015-06-08 | 2015-08-26 | 苏芮 | 一种突发急性传染病的中医病例数据处理方法和系统 |
-
2016
- 2016-03-25 CN CN201610179250.5A patent/CN105868546A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819411A (zh) * | 2010-03-17 | 2010-09-01 | 燕山大学 | 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法 |
CN103690240A (zh) * | 2013-09-16 | 2014-04-02 | 上海华美络信息技术有限公司 | 一种医疗系统 |
CN103612252A (zh) * | 2013-12-03 | 2014-03-05 | 北京科技大学 | 面向孤独症儿童的智能远程社交辅助治疗机器人 |
CN104866979A (zh) * | 2015-06-08 | 2015-08-26 | 苏芮 | 一种突发急性传染病的中医病例数据处理方法和系统 |
Non-Patent Citations (2)
Title |
---|
王曙燕,等: "医学图像的关联规则挖掘方法研究", 《计算机应用》 * |
苏占东,等: "关联规则的综合评价方法研究与实例验证", 《计算机应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897572A (zh) * | 2017-03-08 | 2017-06-27 | 山东大学 | 基于流形学习的肺结节病例匹配辅助检测系统及其工作方法 |
CN106875367A (zh) * | 2017-03-15 | 2017-06-20 | 中山大学 | 一种基于互关联规则的鼻咽癌原发病灶临床靶区自动勾画方法 |
CN106875367B (zh) * | 2017-03-15 | 2019-09-27 | 北京思创科泰科技有限公司 | 一种基于互关联规则的鼻咽癌原发病灶临床靶区自动勾画方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdelrahman et al. | Convolutional neural networks for breast cancer detection in mammography: A survey | |
Mughal et al. | A novel classification scheme to decline the mortality rate among women due to breast tumor | |
Oliver et al. | A review of automatic mass detection and segmentation in mammographic images | |
Hassanien | Fuzzy rough sets hybrid scheme for breast cancer detection | |
Lashari et al. | A framework for medical images classification using soft set | |
CN107680678A (zh) | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 | |
US20090082637A1 (en) | Multi-modality fusion classifier with integrated non-imaging factors | |
Gao et al. | On combining morphological component analysis and concentric morphology model for mammographic mass detection | |
Mohanty et al. | RETRACTED ARTICLE: An improved data mining technique for classification and detection of breast cancer from mammograms | |
CN104217213B (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
WO2015106374A1 (zh) | 一种基于脑部核磁共振图像的多维度纹理提取方法 | |
Palma et al. | Detection of masses and architectural distortions in digital breast tomosynthesis images using fuzzy and a contrario approaches | |
Wu et al. | Scale-aware transformers for diagnosing melanocytic lesions | |
He et al. | Mammographic segmentation and risk classification using a novel binary model based bayes classifier | |
CN104182755A (zh) | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 | |
Abdel-Nasser et al. | Towards cost reduction of breast cancer diagnosis using mammography texture analysis | |
Rabottino et al. | Performance evaluation of a region growing procedure for mammographic breast lesion identification | |
Gomina et al. | Classification of breast abnormalities using deep learning | |
Li et al. | Background intensity independent texture features for assessing breast cancer risk in screening mammograms | |
Mandour | An Exhaustive Review of Neutrosophic Logic in Addressing Image Processing Issues | |
CN105868546A (zh) | 一种基于多特征的肺部ct图像关联规则方法 | |
CN104331864B (zh) | 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 | |
Sharma et al. | Roi segmentation using local binary image | |
Li et al. | A dual attention-guided 3D convolution network for automatic segmentation of prostate and tumor | |
Basheer et al. | Classification of breast masses in digital mammograms using support vector machines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 315000 no.899 Xueyuan Road, Haishu District, Ningbo City, Zhejiang Province Applicant after: Ningbo Institute of Finance and Economics Address before: 315000 Lugang, Gaoqiao, Xijiao, Ningbo, Zhejiang Province Applicant before: NINGBO DAHONGYING University |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160817 |