CN106530298A - 一种基于三支决策的肝脏肿瘤ct图像分类方法 - Google Patents
一种基于三支决策的肝脏肿瘤ct图像分类方法 Download PDFInfo
- Publication number
- CN106530298A CN106530298A CN201611029406.8A CN201611029406A CN106530298A CN 106530298 A CN106530298 A CN 106530298A CN 201611029406 A CN201611029406 A CN 201611029406A CN 106530298 A CN106530298 A CN 106530298A
- Authority
- CN
- China
- Prior art keywords
- tumor
- liver
- image
- region
- liver tumor
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于三支决策的肝脏肿瘤CT图像分类方法,该方法首先训练分类器,将标注好的肝脏CT影像训练样本经过图像预处理和特征提取后形成特征向量,在此基础上采用属性约简方法进行规则提取,进而构建知识库,为后续新病例的分类诊断提供基础。待分类的病例首先经过图像预处理提取肝脏区域、肝血管和肝肿瘤,接下来计算14个病例特征,再将这些病例特征值输入到基于三支决策的分类器中,从而将病例分为下述三个类别之一:良性肿瘤、恶性肿瘤以及不确定肿瘤,医生可针对不同的肿瘤类型定制不同的治疗方案。
Description
技术领域
本发明涉及计算机辅助医疗领域。
背景技术
计算机辅助肝脏肿瘤分类(良性/恶性)在肝脏疾病的诊断和治疗中发挥着十分关键的作用。当前医院最通用的做法是医生凭借经验,结合二维影像切片序列中的病变特征,对病例的肿瘤性质进行分类。这种诊断方法耗时,并且分类准确度在很大程度上依赖于医生的主观判断。近年来,使用基于计算机的决策工具来辅助临床决策得到了广泛的研究和应用。但是计算机辅助肝肿瘤分类应用的较少。Virmani Jitendra,Kumar Vinod,KalraNaveen,Khandelwal Niranjan 2011年在Computerized Medical Imaging&Graphics theOfficial Journal of the Computerized Medical Imaging Society的35卷4期上发表题为Neural network based focal liver lesion diagnosis using ultrasound images的文章,提出一种基于B超图像的计算机辅助肝肿瘤分类方法,用于鉴别肝囊肿、肝血管瘤、肝细胞癌、肝转移癌和正常肝脏,该方法首先提取病变区域的208维特征,然后使用神经网络分类器对病灶进行分类,该方法特征提取较复杂,运算复杂度较高,分类精度约86.4%; Kayaalti,Aksebzeci Bekir Hakan,Ibrahim Karahan,Deniz Kemal,Mehmet,Yilmaz Bülent,Kara Sadik,Asyali Musa Hakan 2014年在Applied SoftComputing的25卷C期上发表题为Liver fibrosis staging using CT image textureanalysis and soft computing的文章,该文章中使用支持向量机和K近邻两种分类器对肝脏CT图像的纹理特征进行分类,实验证明支持向量机的分类器得到的结果优于K近邻;Virmani Jitendra,Kumar Vinod,Kalra Naveen,Khandelwal Niranjan 2013年在Journalof Digital Imaging的26卷3期上发表题为SVM-based characterization of liverultrasound images using wavelet packet texture descriptors的文章,该文章使用支持向量机分类器对肝脏纹理特征进行分类,用于鉴别正常肝脏、硬变肝和肝硬化引发的肝细胞癌,该方法特征提取较复杂,并且只能鉴别肝硬化引发的肝细胞癌;Liang Xiaodan,Lin Liang,Cao Qingxing,Huang Rui,Wang Yongtian 2016年在IEEE Transactions onMedical Imaging的35期3卷上发表题为Recognizing Focal Liver Lesions in CEUSwith Dynamically Trained Latent Structured Models的文章,提出一种肝脏超声图像的自动分类方法,该方法使用结构模型对超声图像的感兴趣区域进行分类,用于鉴别肿瘤的良恶性;Kumar S.S.,Moni R.S.,Rajeesh J.2013年在Computers&ElectricalEngineering的39卷5期上发表题为An automatic computer-aided diagnosis systemfor liver tumours on computed tomography images的文章,该文章使用概率神经网络分类器对肝肿瘤分类,但是只能鉴别肝细胞癌和肝血管瘤。对于医学影像分类问题,特征的维度(数目)对分类效果具有重要作用,为了追求分类结果的准确性,现有技术提取的特征通常维度较高,这样导致较高的计算复杂度并且容易引发分类的过拟合问题。此外,现有技术在肝肿瘤分类领域大多使用二类分类器,即判定为良性或恶性肿瘤。它的局限性体现在:对于特征表现并不清晰的病例,无法取得较高的分类精度,而且容易导致将难区分恶性肿瘤判断为良性肿瘤的严重分类错误;无法对存在癌变较高风险的良性肿瘤进行预警。
发明内容
有鉴于此,本发明目的在于克服现有技术的不足,公开一种基于三支决策的肝脏肿瘤CT图像分类方法,该方法只需计算十四个特征来描述肝脏和病变区域,这些特征容易自动计算或手动标记,着眼于肝肿瘤的局部特征以及病例肝区的全局特征,特征数据的描述贴近医生的诊断过程。然后,将病例特征输入三支分类器进行诊断,结论为下述三类肿瘤之一,即良性肿瘤、恶性肿瘤和不确定肿瘤,医生可针对不同的肿瘤类型定制不同的治疗方案。
本发明的具体的方法过程表征为:
一、首先,进行分类器的训练,以获得知识库:
肝脏CT影像训练样本分为良性肝肿瘤病例和恶性肝肿瘤病例,即样本的类别属性分两类(良性/恶性),类别属性由专业的肝外科医生进行标注。样本经过图像预处理和特征提取后形成特征向量,在此基础上采用属性约简方法进行规则提取,进而构建知识库,为后续新病例的分类诊断提供基础。具体包括如下步骤实施:
(1)采集肝脏影像训练样本。
(2)图像预处理,该步骤又包括:
(21)首先使用半监督的图像分割方法(此技术已属于现有技术)来分割出肝脏图像,
(22)然后在此基础上进一步的采用半监督的图像分割方法分割出肝肿瘤,
(23)同时在步骤(21)分割出的肝脏图像中采用Hessian滤波方法(此技术已属于现有技术)增强肝脏图像中的管状结构,进而使用图像分割区域生长法(此技术已属于现有技术)分割出肝血管图像;
(3)特征提取:
共提取14个局部和全局特征,前者主要反映了局部病变区域本身的特点,后者着重描述肝肿瘤在整个肝脏区域的表现特征。这些特征包括:
肝肿瘤的解剖位置ALocf:即为肝肿瘤和肝门静脉的空间关系,一般来说,肝肿瘤越接近肝门静脉主干,供血越充足,其为恶性肿瘤的可能性也越大。
肝肿瘤中心的位置CLocf:当肝肿瘤蔓延生长于多个区域时,ALocf不能完全的表征肿瘤位置,特征CLocf反映了肝肿瘤的质心位置与肝门静脉的关系。
肝肿瘤的平均灰度IAverf:原始CT图像肝肿瘤区域的平均灰度值。
肝肿瘤的灰度多样性IDivf:采用肝肿瘤区域的信息熵Entrf来表征肝肿瘤的灰度多样性。假设Ng是肿瘤图像的灰度级数,P(I)是灰度为I的像素数和肿瘤区域像素数的比例,则Entrf可以表示为:
Entrf越大,肝肿瘤区域的灰度分布越均匀。
肝肿瘤与肝区的灰度比值IRat:肝肿瘤区域的平均灰度与肝区的平均灰度比。
肝区的灰度多样性IDivl:采用肝区的信息熵Entrl来表征灰度多样性,假设Ng是肝区图像的灰度级数,P(I)是灰度为I的像素数和肝区像素数的比例,则Entrl可以表示为:
Entrl越大,肝区的灰度分布越均匀。
Perif:肝肿瘤的周长。
Sizef:肝肿瘤的面积。
肝肿瘤似圆度Rouf:计算公式如下:
Metric的值越大,肝肿瘤的形状越接近于圆形。
SIncf:肝肿瘤的最大内接圆大小。
SRat:肝肿瘤与肝区的大小之比。
肝区的形变程度DDefl:该特征记录病变区域是否引起肝区的形变,如果引起形变,肝区形变的严重程度有多高。
SBouf:肿瘤边界的光滑程度。
Amou:肝区内肝肿瘤的数目。
(4)规则提取:
采用概率形式的决策等价类,对已标注类别的训练样本集进行决策域描述该等价类利用概率形式的隶属度阈值将决策域划分为正域、非域、不确定边界域,从而将病例图像样本判别为确定恶性、确定良性和不确定样本,并采用属性约简方法对14个特征进行关键属性提取,基于得到的关键属性产生三支决策规则。
(5)构建知识库:
将提取出的病例特征值输入到基于三支决策规则的分类器中,从而将病例分为下述三个类别之一:良性肿瘤、恶性肿瘤以及不确定肿瘤。不确定肿瘤是指以目前信息无法对肿瘤类别做出判断,需要结合医生经验或其它必要检查才能进一步确诊。
二、获得知识库后进行临床使用:
(1)获取待分类病例的腹腔CT图像。
(2)与第一部分中的“步骤(2)图像预处理”相同。
(3)与第一部分中的“步骤(3)特征提取”相同。
(4)肝肿瘤诊断:
将提取出的病例特征值输入到步骤一中的基于三支决策的分类器中,从而将病例分为下述三个类别之一:良性肿瘤、恶性肿瘤以及不确定肿瘤。不确定肿瘤是指以目前信息无法对肿瘤类别做出判断,需要结合医生经验或其它必要检查才能进一步确诊。三支诊断的好处是,医生可针对不同的肿瘤类型定制不同的治疗方案,尤其是不确定肿瘤中,存在癌变较高风险的良性肿瘤,医生可及时提醒病例进行预防和定期随访。
本发明的有益效果是:
本发明提出的方法只需计算十四个特征来描述肝脏和病变区域,这些特征容易自动计算或手动标记。本发明提出的三支分类器,将病变归类于三种肿瘤之一,即良性肿瘤、恶性肿瘤和不确定肿瘤,医生可针对不同的肿瘤类型定制不同的治疗方案,尤其是不确定肿瘤中,存在癌变较高风险的良性肿瘤,医生可及时提醒病例进行预防和定期随访。
附图说明
图1是本发明一种基于三支决策的肝脏肿瘤CT图像分类方法的方法流程图。
图2是本发明一种基于三支决策的肝脏肿瘤CT图像分类方法的图像预处理。
图3是本发明一种基于三支决策的肝脏肿瘤CT图像分类方法的14个特征示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行详细的说明。应当说明的是,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,能实现同样功能的产品属于等同替换和改进,均包含在本发明的保护范围之内。
本发明用以支持医生针对不同的肿瘤类型定制不同的治疗方案。本发明技术方案本身,其发明任务不是用于完成诊断和治疗肝脏。
下面通过实施例结合附图进一步说明本发明。
实施例一
参阅附图,在图1中给出了本发明的方法流程图,按此图示流程,给出一组实施例。该方法首先训练分类器,标注160组肝脏CT影像训练样本,其中包括50组肝囊肿(良性)、50组肝血管瘤(良性)以及60组肝细胞癌(恶性),样本的类别属性分两类(良性/恶性)。样本经过图像预处理和特征提取后形成特征向量,在此基础上采用属性约简方法进行规则提取,进而构建知识库,为后续新病例的分类诊断提供基础。
图像预处理包括提取肝脏区域、肝血管和肝肿瘤。在图2所示的实施例中,图2(a)为一张原始腹腔图像数据切片,图2(b)为分割出的肝脏和肝血管区域,图2(c)为分割出的肝脏和肝肿瘤区域。
计算的14个全局与局部特征示意图如图3,特征的设定与特征值离散化参见下表实施例。
表1特征设定与特征值离散化
将提取出的病例特征值输入到基于三支决策的分类器中,从而将病例分为下述三个类别之一:良性肿瘤、恶性肿瘤以及不确定肿瘤,医生可针对不同的肿瘤类型定制不同的治疗方案。
本发明能有多种不同形式的具体实施方式,上面以图1为例结合附图对本发明的技术方案作举例说明,对本发明进行详细的说明。应当说明的是,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,能实现同样功能的产品属于等同替换和改进,均包含在本发明的保护范围之内。
Claims (1)
1.一种基于三支决策的肝脏肿瘤CT图像分类方法,其特征在于,具体的方法过程为:
一、首先,进行分类器的训练,以获得知识库:
肝脏CT影像训练样本经过图像预处理和特征提取后形成特征向量,在此基础上采用属性约简方法进行规则提取,进而构建知识库,为后续新病例的分类诊断提供基础,具体包括如下步骤实施:
(1)采集肝脏影像训练样本;
(2)图像预处理,该步骤又包括:
(21)首先使用半监督的图像分割方法(此技术已属于现有技术)来分割出肝脏图像,
(22)然后在此基础上进一步的采用半监督的图像分割方法分割出肝肿瘤,
(23)同时在步骤(21)分割出的肝脏图像中采用Hessian滤波方法(此技术已属于现有技术)增强肝脏图像中的管状结构,进而使用图像分割区域生长法(此技术已属于现有技术)分割出肝血管图像;
(3)特征提取:
共提取14个局部和全局特征,前者主要反映了局部病变区域本身的特点,后者着重描述肝肿瘤在整个肝脏区域的表现特征。这些特征包括:
肝肿瘤的解剖位置ALocf:即为肝肿瘤和肝门静脉的空间关系,一般来说,肝肿瘤越接近肝门静脉主干,供血越充足,其为恶性肿瘤的可能性也越大。
肝肿瘤中心的位置CLocf:当肝肿瘤蔓延生长于多个区域时,ALocf不能完全的表征肿瘤位置,特征CLocf反映了肝肿瘤的质心位置与肝门静脉的关系。
肝肿瘤的平均灰度IAverf:原始CT图像肝肿瘤区域的平均灰度值。
肝肿瘤的灰度多样性IDivf:采用肝肿瘤区域的信息熵Entrf来表征肝肿瘤的灰度多样性。假设Ng是肿瘤图像的灰度级数,P(I)是灰度为I的像素数和肿瘤区域像素数的比例,则Entrf可以表示为:
Entrf越大,肝肿瘤区域的灰度分布越均匀。
肝肿瘤与肝区的灰度比值IRat:肝肿瘤区域的平均灰度与肝区的平均灰度比。
肝区的灰度多样性IDivl:采用肝区的信息熵Entrl来表征灰度多样性,假设Ng是肝区图像的灰度级数,P(I)是灰度为I的像素数和肝区像素数的比例,则Entrl可以表示为:
Entrl越大,肝区的灰度分布越均匀。
Perif:肝肿瘤的周长。
Sizef:肝肿瘤的面积。
肝肿瘤似圆度Rouf:计算公式如下:
Metric的值越大,肝肿瘤的形状越接近于圆形。
SIncf:肝肿瘤的最大内接圆大小。
SRat:肝肿瘤与肝区的大小之比。
肝区的形变程度DDefl:该特征记录病变区域是否引起肝区的形变,如果引起形变,肝区形变的严重程度有多高。
SBouf:肿瘤边界的光滑程度。
Amou:肝区内肝肿瘤的数目。
(4)规则提取:
采用概率形式的决策等价类,对已标注类别的训练样本集进行决策域描述该等价类利用概率形式的隶属度阈值将决策域划分为正域、非域、不确定边界域,从而将病例图像样本判别为确定恶性、确定良性和不确定样本,并采用属性约简方法对14个特征进行关键属性提取,基于得到的关键属性产生三支决策规则。
(5)构建知识库:
将提取出的病例特征值输入到基于三支决策规则的分类器中,从而将病例分为下述三个类别之一:良性肿瘤、恶性肿瘤以及不确定肿瘤。
二、获得知识库后进行临床使用:
(1)获取待分类病例的腹腔CT图像。
(2)与第一部分中的“步骤(2)图像预处理”相同。
(3)与第一部分中的“步骤(3)特征提取”相同。
(4)肝肿瘤诊断:
将提取出的病例特征值输入到步骤一中的基于三支决策的分类器中,从而将病例分为下述三个类别之一:良性肿瘤、恶性肿瘤以及不确定肿瘤。不确定肿瘤是指以目前信息无法对肿瘤类别做出判断,需要结合医生经验或其它必要检查才能进一步确诊。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611029406.8A CN106530298A (zh) | 2016-11-14 | 2016-11-14 | 一种基于三支决策的肝脏肿瘤ct图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611029406.8A CN106530298A (zh) | 2016-11-14 | 2016-11-14 | 一种基于三支决策的肝脏肿瘤ct图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106530298A true CN106530298A (zh) | 2017-03-22 |
Family
ID=58351718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611029406.8A Pending CN106530298A (zh) | 2016-11-14 | 2016-11-14 | 一种基于三支决策的肝脏肿瘤ct图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530298A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292312A (zh) * | 2017-06-19 | 2017-10-24 | 中国科学院苏州生物医学工程技术研究所 | 肿瘤识别方法 |
CN108154172A (zh) * | 2017-12-21 | 2018-06-12 | 重庆邮电大学 | 基于三支决策的图像识别方法 |
CN108564636A (zh) * | 2018-05-07 | 2018-09-21 | 西北大学 | 一种基于三支决策的荧光目标重建结果后处理方法 |
WO2018184202A1 (zh) * | 2017-04-07 | 2018-10-11 | 北京悦琦创通科技有限公司 | 推理机训练方法和装置、升级方法和装置及存储介质 |
CN109065150A (zh) * | 2018-07-02 | 2018-12-21 | 江苏省中医院 | 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法 |
CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
CN109166601A (zh) * | 2018-08-03 | 2019-01-08 | 河北大学 | 一种使用三支概念判断物种间系统发育的方法 |
CN109214388A (zh) * | 2018-11-21 | 2019-01-15 | 济南浪潮高新科技投资发展有限公司 | 一种基于个性化融合网络的肿瘤分割方法及装置 |
CN112819765A (zh) * | 2021-01-25 | 2021-05-18 | 西南交通大学 | 一种肝脏图像处理方法 |
CN112927179A (zh) * | 2019-11-21 | 2021-06-08 | 粘晓菁 | 肝肿瘤智慧分析方法 |
-
2016
- 2016-11-14 CN CN201611029406.8A patent/CN106530298A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018184202A1 (zh) * | 2017-04-07 | 2018-10-11 | 北京悦琦创通科技有限公司 | 推理机训练方法和装置、升级方法和装置及存储介质 |
CN107292312B (zh) * | 2017-06-19 | 2021-06-22 | 中国科学院苏州生物医学工程技术研究所 | 肿瘤ct图像处理方法 |
CN107292312A (zh) * | 2017-06-19 | 2017-10-24 | 中国科学院苏州生物医学工程技术研究所 | 肿瘤识别方法 |
CN108154172A (zh) * | 2017-12-21 | 2018-06-12 | 重庆邮电大学 | 基于三支决策的图像识别方法 |
CN108154172B (zh) * | 2017-12-21 | 2018-10-26 | 重庆邮电大学 | 基于三支决策的图像识别方法 |
CN108564636A (zh) * | 2018-05-07 | 2018-09-21 | 西北大学 | 一种基于三支决策的荧光目标重建结果后处理方法 |
CN108564636B (zh) * | 2018-05-07 | 2021-12-03 | 西北大学 | 一种基于三支决策的荧光目标重建结果后处理方法 |
CN109065150A (zh) * | 2018-07-02 | 2018-12-21 | 江苏省中医院 | 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法 |
CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
CN109166105B (zh) * | 2018-08-01 | 2021-01-26 | 中国人民解放军东部战区总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
CN109166601B (zh) * | 2018-08-03 | 2021-09-07 | 河北大学 | 一种使用三支概念判断物种间系统发育的方法 |
CN109166601A (zh) * | 2018-08-03 | 2019-01-08 | 河北大学 | 一种使用三支概念判断物种间系统发育的方法 |
CN109214388A (zh) * | 2018-11-21 | 2019-01-15 | 济南浪潮高新科技投资发展有限公司 | 一种基于个性化融合网络的肿瘤分割方法及装置 |
CN112927179A (zh) * | 2019-11-21 | 2021-06-08 | 粘晓菁 | 肝肿瘤智慧分析方法 |
CN112819765A (zh) * | 2021-01-25 | 2021-05-18 | 西南交通大学 | 一种肝脏图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530298A (zh) | 一种基于三支决策的肝脏肿瘤ct图像分类方法 | |
Zhang et al. | Automatic nodule detection for lung cancer in CT images: A review | |
Cha et al. | Urinary bladder segmentation in CT urography using deep‐learning convolutional neural network and level sets | |
da Silva Sousa et al. | Methodology for automatic detection of lung nodules in computerized tomography images | |
Bai et al. | Liver tumor segmentation based on multi-scale candidate generation and fractal residual network | |
CN102165454B (zh) | 用于提高计算机辅助诊断对图像处理不确定性的鲁棒性的方法 | |
Peng et al. | 3D liver segmentation using multiple region appearances and graph cuts | |
Tuncer et al. | A decision support system for detection of the renal cell cancer in the kidney | |
Alksas et al. | A novel computer-aided diagnostic system for accurate detection and grading of liver tumors | |
Liu et al. | A CADe system for nodule detection in thoracic CT images based on artificial neural network | |
Albalawi et al. | Classification of breast cancer mammogram images using convolution neural network | |
Perez et al. | Automated lung cancer diagnosis using three-dimensional convolutional neural networks | |
Ren et al. | An unsupervised semi-automated pulmonary nodule segmentation method based on enhanced region growing | |
Foruzan et al. | A knowledge-based technique for liver segmentation in CT data | |
Vijila Rani et al. | Lung lesion classification scheme using optimization techniques and hybrid (KNN-SVM) classifier | |
Jiang et al. | Fully automated segmentation of whole breast using dynamic programming in dynamic contrast enhanced MR images | |
Tao et al. | Multilevel learning‐based segmentation of ill‐defined and spiculated masses in mammograms | |
Das et al. | A fast and automated segmentation method for detection of masses using folded kernel based fuzzy c-means clustering algorithm | |
Li et al. | 3D tumor detection in automated breast ultrasound using deep convolutional neural network | |
Gayathri Devi et al. | Automatic segmentation of colon in 3D CT images and removal of opacified fluid using cascade feed forward neural network | |
Charbonnier et al. | Automatic segmentation of the solid core and enclosed vessels in subsolid pulmonary nodules | |
Vijila Rani et al. | Novel method for lung tumour detection using wavelet shrinkage-based double classifier analysis | |
Shehata et al. | A new computer-aided diagnostic (cad) system for precise identification of renal tumors | |
Zhuang et al. | Multi‐features‐based automated breast tumor diagnosis using ultrasound image and support vector machine | |
Nayan et al. | A deep learning approach for brain tumor detection using magnetic resonance imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170322 |
|
RJ01 | Rejection of invention patent application after publication |