CN106934228A - 基于机器学习的肺部气胸ct影像分类诊断方法 - Google Patents

基于机器学习的肺部气胸ct影像分类诊断方法 Download PDF

Info

Publication number
CN106934228A
CN106934228A CN201710126918.4A CN201710126918A CN106934228A CN 106934228 A CN106934228 A CN 106934228A CN 201710126918 A CN201710126918 A CN 201710126918A CN 106934228 A CN106934228 A CN 106934228A
Authority
CN
China
Prior art keywords
pneumothorax
lung
image
region
machine learning
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
CN201710126918.4A
Other languages
English (en)
Inventor
苏宝星
程国华
谢玮宜
许卫东
季红丽
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.)
HANGZHOU JIANPEI TECHNOLOGY Co Ltd
Original Assignee
HANGZHOU JIANPEI TECHNOLOGY Co Ltd
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 HANGZHOU JIANPEI TECHNOLOGY Co Ltd filed Critical HANGZHOU JIANPEI TECHNOLOGY Co Ltd
Priority to CN201710126918.4A priority Critical patent/CN106934228A/zh
Publication of CN106934228A publication Critical patent/CN106934228A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于机器学习的肺部气胸CT影像分类诊断方法，其步骤包括：步骤1，从临床医院中获得气胸CT影像数据并进行气胸区域标定操作；步骤2，对标定后的气胸CT影像进行图像处理；步骤3，对经过图像处理的CT影像数据进行正负样本标定，得到正样本和负样本；步骤4，利用得到的样本数据对SVM进行训练预测分类诊断；步骤5，用训练好的SVM模型对肺部气胸CT影像进行分类诊断。本发明利用机器学习的方法，将临床医生从繁重的阅片任务中解脱出来，减轻了医生负担，同时还大大提高了诊断的准确率。

Description

基于机器学习的肺部气胸CT影像分类诊断方法
技术领域
本发明属于医疗影像大数据分类研究领域，特别是涉及一种基于机器学习的肺部气胸CT影像分类诊断方法。
背景技术
随着计算机技术和医疗影像技术的发展，特别是最近发展迅速的机器学习，深度学习和大数据技术，给现代医疗影像诊断的发展提供了巨大的技术支持。因此有必要将这些技术运用到计算机辅助诊断系统中，利用机器学习，深度学习和大数据技术自身的强大优势，进一步提高医学影像自动诊断的准确率和误诊率，减轻临床医生的负担。
气胸一般认为是气体进入胸膜腔形成气体堆积状态，造成气胸的原因有多种。一般认为是由于肺部组织，气管，支气管破裂，空气逸入胸膜腔或者是因为胸壁伤口穿破胸膜，造成胸膜腔与外界联通，外界空气进入所致。典型症状为突发性胸痛，继之有胸闷和呼吸困难，并可有刺激性咳嗽。临床上气胸可以分为闭合性气胸，开放性气胸，张力性气胸等，其中闭合性气胸胸膜破裂口较小，随肺萎缩而闭合，空气不再继续进入胸膜腔；开放性气胸患者常在伤后迅速出现严重呼吸困难、不安、脉搏细弱频数、发绀和休克。检查时可见胸壁有明显创口通入胸腔，并可听到空气随呼吸进出的“嘶嘶”声音。伤侧叩诊鼓音，呼吸音消失，有时可听到纵隔摆动声。张力性气胸破裂口呈单向活瓣或活塞作用，胸膜腔内空气越积越多。
支持向量机(support vector machine)是一种分类算法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计效果的目的。通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。因此本发明利用医学图像处理技术和SVM对气胸进行分类诊断，达到辅助医生诊断和提高诊断准确率降低误诊率的目的。
发明内容
针对现有气胸CT影像完全依靠临床医生主观诊断的不足，本发明公开了一种基于机器学习的肺部气胸CT影像分类诊断方法。
为了实现上述目的，本发明公开的分类方法步骤如下：
步骤1，从临床医院中获得气胸CT影像数据并进行气胸区域标定操作；步骤2，对标定后的气胸CT影像进行图像处理；步骤3，对经过图像处理的CT影像数据进行正负样本标定，得到正样本和负样本；步骤4，利用得到的样本数据对SVM进行训练预测诊断；步骤5，用训练好的SVM模型对肺部气胸CT影像进行分类诊断。
进一步地，所述步骤1中的气胸标定区域包括气胸区域的边界，中心点等。
进一步地，所述步骤2中对标定后的气胸CT影像进行图像处理具体步骤包括：
(1)肺部区域的分割，滤波，增强操作，首先自适应阈值法对气胸CT影像进行分割操作，得到二值化图像；然后由于肺部CT影像自身的复杂性，存在背景床等噪声区域，因此对分割后的CT图像需要进行去除床的操作，采用的方法是区域生长法，在经过阈值分割后的肺mask上设置种子点生长并进行腐蚀操作去掉面积较小的区域；再对得到的肺mask区域进行高斯滤波去除噪声并进行增强操作，最后对得到的肺区域进行联通域分析重新生成标签获取联通域的面积，保留面积最大的区域作为最终的肺胸腔；
(2)因为人体胸腔内部结构复杂，存在多个非肺部区域和组织，这反映到肺部CT影像上就是各种噪声，因此需要对肺胸腔中的这些噪声进行去除，去除方法包括直接阈值分割和基于手动设定的规则法进行去除，设定规则包括这些噪声的面积、分散度、距离三个属性，对符合条件的区域进行保留，不符合条件的区域进行舍去，并结合形态学操作进行多次膨胀腐蚀操作去掉这些噪声区域，得到最终的肺实质分割图像。
进一步地，所述步骤3中对经过图像处理的CT影像数据进行正负样本标定，得到正样本和负样本的步骤包括：
(1)采用高斯滤波操作对得到的肺实质图像进行滤波操作，去掉某些异常噪声。其中高斯滤波操作中的高斯函数和高斯核如下：
(2)采用自适应阈值法加形态学操作提取低密度灶区域；
(3)对得到的低密度灶区域进行联通域分析得到气胸区域和非气胸区域，其中的气胸区域标注为正样本，非气胸区域标注为负样本。
进一步地，所述步骤4中对SVM进行训练预测诊断过程包括：
(1)将样本数据分为训练集和测试集；
(2)利用训练集对SVM进行训练得到训练好的SVM模型，本发明采用的主要特征包括圆度，方差，峰度，偏度，灰度共生矩阵中的对比度，差异性，熵，相关性，角二阶矩等，表达式为：
圆度：其中A为区域面积，P为区域周长。
方差：峰度：
偏度：对比度：
熵：-∑p(i,j)ln[p(i,j)]角二阶矩：
其中N为图像像素总和，μ为图像均值，g(i,j)为图像像素值，R为图像大小，p(i,j)为图像(i,j)点的概率值。
(3)将SVM模型在测试集上进行测试得到测试结果。
与现有肺部气胸CT影像分类诊断方法相比，本发明的优势在于：(1)利用机器学习的方法，将临床医生从繁重的阅片任务中解脱出来，减轻了医生负担；(2)将以往完全依据医生的经验和知识进行气胸疾病诊断改为利用计算机进行诊断，提高了诊断的准确率和误诊率。
附图说明
为更加清楚的说明本发明所采用的实现方法，现将对实施例进行简单的介绍，下面描述中的附图仅仅是本发明中的一些实施例。
图1是本发明的流程图。
图2是本发明所采用的临床气胸CT影像原始图像。
图3是本发明二值化阈值分割的效果图。
图4是本发明背景移除后的图像效果图。
图5是本发明去除肺实质部分的效果图。
图6是本发明最终得到的肺区域效果图。
图7是本发明得到的正样本效果图。
图8是本发明得到的负样本效果图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，基于机器学习的肺部气胸CT影像分类诊断方法，步骤包括：步骤1，从临床医院中获得气胸CT影像数据并进行气胸区域标定操作，其标定区域包括气胸区域的边界，中心点等；步骤2，对标定后的气胸CT影像进行图像处理；步骤3，对经过图像处理的CT影像数据进行正负样本标定，得到正样本和负样本；步骤4，利用得到的样本数据对SVM进行训练预测诊断分类；步骤5，用训练好的SVM模型对肺部气胸CT影像进行分类诊断。
上述步骤2中主要对标定后的气胸CT影像进行图像处理具体包括，肺部区域的分割，滤波，增强操作，首先自适应阈值法对气胸CT影像进行分割操作，得到二值化图像，如图3所示，由于肺部CT影像自身的复杂性，存在背景床等噪声区域，因此对分割后的CT图像需要进行去除床的操作，采用的方法是区域生长法，在经过阈值分割后的肺mask上设置种子点生长并进行腐蚀操作去掉面积较小的区域，下一步是对得到的肺mask区域进行高斯滤波去除噪声并进行增强操作，最后对得到的肺区域进行联通域分析重新生成标签获取联通域的面积，保留面积最大的区域作为最终的肺胸腔，如图4所示。
由于人体胸腔内部结构复杂，存在多个非肺部区域和组织。这反映到肺部CT影像上就是各种噪声，因此需要对图4中的这些噪声进行去除，去除方法包括直接阈值分割和基于手动设定的规则法进行去除，如图5所示。设定规则包括这些噪声的面积、分散度、距离三个属性，对符合条件的区域进行保留，不符合条件的区域进行舍去，并结合形态学操作进行多次膨胀腐蚀操作去掉这些噪声区域，得到最终的肺实质分割图像，如图6所示。
(1)对得到的肺实质图像进行滤波操作，去掉某些异常噪声，主要采用高斯滤波操作，高斯函数和高斯核如下：
(2)进行提取低密度灶操作，采用的是自适应阈值法加形态学操作提取低密度灶区域，最后对得到的低密度灶区域进行联通域分析得到气胸区域和非气胸区域，其中的气胸区域标注为正样本，如图7所示，非气胸区域标注为负样本，如图8所示。
上述步骤4中对SVM进行训练预测诊断过程包括：
(1)将样本数据分为训练集和测试集；
(2)利用训练集对SVM进行训练得到训练好的SVM模型，本发明采用的主要特征包括圆度，方差，峰度，偏度，灰度共生矩阵中的对比度，差异性，熵，相关性，角二阶矩等，表达式为：
圆度：其中A为区域面积，P为区域周长。
方差：峰度：
偏度：对比度：
熵：-∑p(i,j)ln[p(i,j)]角二阶矩：
其中N为图像像素总和，μ为图像均值，g(i,j)为图像像素值，R为图像大小，p(i,j)为图像(i,j)点的概率值。
(3)将SVM模型在测试集上进行测试得到测试结果。
以上所述仅为本发明的优选实施例而已，并不限于本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。

Claims (5)

1.基于机器学习的肺部气胸CT影像分类诊断方法，步骤包括：步骤1，从临床医院中获得气胸CT影像数据并进行气胸区域标定操作；步骤2，对标定后的气胸CT影像进行图像处理；步骤3，对经过图像处理的CT影像数据进行正负样本标定，得到正样本和负样本；步骤4，利用得到的样本数据对SVM进行训练预测诊断；步骤5，用训练好的SVM模型对肺部气胸CT影像进行分类诊断。
2.根据权利要求1所述的基于机器学习的肺部气胸CT影像分类诊断方法，其特征在于，所述步骤1中的气胸标定区域包括气胸区域的边界，中心点等。
3.根据权利要求1所述的基于机器学习的肺部气胸CT影像分类诊断方法，其特征在于，所述步骤2中对标定后的气胸CT影像进行图像处理具体步骤包括：
（1） 肺部区域的分割，滤波，增强操作得到最终的肺胸腔，其具体操作包括：首先自适应阈值法对气胸CT影像进行分割操作，得到二值化图像；然后采用区域生长法对分割后的CT图像进行去除床的操作；再对得到的肺mask区域进行高斯滤波去除噪声并进行增强操作；最后对得到的肺区域进行联通域分析重新生成标签获取联通域的面积，保留面积最大的区域作为最终的肺胸腔；
（2）对肺胸腔中的噪声进行去除，去除方法包括直接阈值分割和基于手动设定的规则法，
主要是对噪声的面积、分散度、距离三个属性进行设定规则：若符合条件，则该区域保留，否则舍去；
并结合形态学操作进行多次膨胀腐蚀操作去掉这些噪声区域，得到最终的肺实质分割图像。
4.根据权利要求1所述的基于机器学习的肺部气胸CT影像分类诊断方法，其特征在于，所述步骤3中正、负样本的标定步骤包括：
（1）采用高斯滤波操作对得到的肺实质图像进行滤波操作，去掉某些异常噪声，
其中高斯滤波操作中的高斯函数如下：
（2）采用自适应阈值法加形态学操作提取低密度灶区域；
（3）采用联通域对得到的低密度灶区域进行分析，得到气胸区域和非气胸区域；
其中的气胸区域标注为正样本，非气胸区域标注为负样本。
5.根据权利要求1所述的基于机器学习的肺部气胸CT影像分类诊断方法，其特征在于，所述步骤4中对SVM进行训练预测诊断过程包括：
（1）将样本数据分为训练集和测试集；
（2）利用训练集对SVM进行训练得到训练好的SVM模型，本发明采用的主要特征包括圆度，方差，峰度，偏度，灰度共生矩阵中的对比度，差异性，熵，相关性，角二阶矩等；
（3）将SVM模型在测试集上进行测试，得到测试结果。
CN201710126918.4A 2017-03-06 2017-03-06 基于机器学习的肺部气胸ct影像分类诊断方法 Pending CN106934228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710126918.4A CN106934228A (zh) 2017-03-06 2017-03-06 基于机器学习的肺部气胸ct影像分类诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710126918.4A CN106934228A (zh) 2017-03-06 2017-03-06 基于机器学习的肺部气胸ct影像分类诊断方法

Publications (1)

Publication Number Publication Date
CN106934228A true CN106934228A (zh) 2017-07-07

Family

ID=59423968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710126918.4A Pending CN106934228A (zh) 2017-03-06 2017-03-06 基于机器学习的肺部气胸ct影像分类诊断方法

Country Status (1)

Country Link
CN (1) CN106934228A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107995521A (zh) * 2017-12-07 2018-05-04 南京熊猫电子制造有限公司 一种用于智能阅片的医疗显示器一体机控制系统
CN108876779A (zh) * 2018-06-22 2018-11-23 中山仰视科技有限公司 基于深度学习的肺癌早期预测方法、电子设备
CN109063547A (zh) * 2018-06-13 2018-12-21 中山大学中山眼科中心 一种基于深度学习的细胞种类鉴定方法
CN110009562A (zh) * 2019-01-24 2019-07-12 北京航空航天大学 一种利用模板对粉碎性骨折三维模型进行拼接的方法
CN111192600A (zh) * 2019-12-27 2020-05-22 北京网众共创科技有限公司 声音数据的处理方法及装置、存储介质和电子装置
CN111226287A (zh) * 2017-10-05 2020-06-02 西门子医疗有限公司 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质
CN111544021A (zh) * 2020-05-11 2020-08-18 徐州医科大学 一种基于胸部ct的covid-19疾病进展评价方法及装置
CN111598895A (zh) * 2020-04-14 2020-08-28 苏州复元医疗科技有限公司 一种基于诊断影像和机器学习的测量肺功能指标的方法
CN112801957A (zh) * 2021-01-18 2021-05-14 华东师范大学 一种基于超声应变成像的气胸自动检测系统
WO2021169122A1 (zh) * 2020-02-25 2021-09-02 平安科技（深圳）有限公司 图像标注管理方法、装置、计算机系统及可读存储介质
CN115100179A (zh) * 2022-07-15 2022-09-23 北京医准智能科技有限公司 一种图像处理方法、装置、设备及存储介质
CN116503635A (zh) * 2022-10-26 2023-07-28 湖南省中医药研究院 一种基于机器学习的肺炎ct图像分类识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN105809175A (zh) * 2014-12-30 2016-07-27 深圳先进技术研究院 一种基于支持向量机算法的脑水肿分割方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809175A (zh) * 2014-12-30 2016-07-27 深圳先进技术研究院 一种基于支持向量机算法的脑水肿分割方法及系统
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘少芳: "结合DICOM CT序列三维信息肺结节CAD系统设计研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
刘晓娜: "基于支持向量机的肺结节识别研究,", 《中国优秀硕士学位论文全文数据库》 *
孙明磊: "基于肺部CT图像的肺结节自动检测与识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111226287A (zh) * 2017-10-05 2020-06-02 西门子医疗有限公司 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质
CN111226287B (zh) * 2017-10-05 2024-04-09 西门子医疗有限公司 用于分析医学成像数据集的方法、系统、程序产品和介质
CN107995521A (zh) * 2017-12-07 2018-05-04 南京熊猫电子制造有限公司 一种用于智能阅片的医疗显示器一体机控制系统
CN109063547A (zh) * 2018-06-13 2018-12-21 中山大学中山眼科中心 一种基于深度学习的细胞种类鉴定方法
CN109063547B (zh) * 2018-06-13 2021-10-08 中山大学中山眼科中心 一种基于深度学习的细胞种类鉴定方法
CN108876779A (zh) * 2018-06-22 2018-11-23 中山仰视科技有限公司 基于深度学习的肺癌早期预测方法、电子设备
CN110009562A (zh) * 2019-01-24 2019-07-12 北京航空航天大学 一种利用模板对粉碎性骨折三维模型进行拼接的方法
CN111192600A (zh) * 2019-12-27 2020-05-22 北京网众共创科技有限公司 声音数据的处理方法及装置、存储介质和电子装置
WO2021169122A1 (zh) * 2020-02-25 2021-09-02 平安科技（深圳）有限公司 图像标注管理方法、装置、计算机系统及可读存储介质
CN111598895A (zh) * 2020-04-14 2020-08-28 苏州复元医疗科技有限公司 一种基于诊断影像和机器学习的测量肺功能指标的方法
CN111544021B (zh) * 2020-05-11 2022-06-17 徐州医科大学 一种基于胸部ct的covid-19疾病进展评价方法及装置
CN111544021A (zh) * 2020-05-11 2020-08-18 徐州医科大学 一种基于胸部ct的covid-19疾病进展评价方法及装置
CN112801957A (zh) * 2021-01-18 2021-05-14 华东师范大学 一种基于超声应变成像的气胸自动检测系统
CN115100179A (zh) * 2022-07-15 2022-09-23 北京医准智能科技有限公司 一种图像处理方法、装置、设备及存储介质
CN116503635A (zh) * 2022-10-26 2023-07-28 湖南省中医药研究院 一种基于机器学习的肺炎ct图像分类识别方法

Similar Documents

Publication Publication Date Title
CN106934228A (zh) 基于机器学习的肺部气胸ct影像分类诊断方法
CN108986067B (zh) 基于跨模态的肺结节检测方法
Hu et al. An effective approach for CT lung segmentation using mask region-based convolutional neural networks
Oyelade et al. CovFrameNet: An enhanced deep learning framework for COVID-19 detection
CN105574859B (zh) 一种基于ct图像的肝脏肿瘤分割方法及装置
WO2020088469A1 (zh) 一种医学图像的识别方法、模型训练的方法及计算机设备
Jin et al. Pulmonary nodule detection based on CT images using convolution neural network
CN111951246B (zh) 一种基于深度学习的多方位x光胸片肺炎诊断方法
WO2018045363A1 (en) Screening method for automated detection of vision-degenerative diseases from color fundus images
CN108549912A (zh) 一种基于机器学习的医学图像肺结节检测方法
JP5771513B2 (ja) 病理診断支援装置、病理診断支援方法、及び病理診断支援プログラム
CN110148145A (zh) 一种融合边界信息的图像目标区提取方法及应用
JP2024043567A (ja) 特徴分離に基づく病理画像特徴抽出器の訓練方法、訓練装置、電子機器、記憶媒体及び病理画像分類システム
Zhao et al. Multi scale supervised 3D U-Net for kidney and tumor segmentation
Wang et al. Bact-3D: A level set segmentation approach for dense multi-layered 3D bacterial biofilms
Yener et al. Diagnosis of Covid-19 with a deep learning approach on chest ct slices
Tang et al. NSCGCN: A novel deep GCN model to diagnosis COVID-19
AU2016201298A1 (en) Computer analysis of mammograms
Oyelade et al. Deep Learning Model for Improving the Characterization of Coronavirus on Chest X-ray Images Using CNN
CN111292299A (zh) 一种乳腺肿瘤识别方法、装置及存储介质
Wang et al. Retinal blood vessels segmentation based on multi-classifier fusion
Kaur et al. A survey on machine learning based medical assistive systems in current oncological sciences
Wu et al. Automatic segmentation of ultrasound tomography image
Wu et al. Deep learning to estimate the physical proportion of infected region of lung for covid-19 pneumonia with ct image set
Bruntha et al. Application of selective region growing algorithm in lung nodule segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170707

WD01 Invention patent application deemed withdrawn after publication