CN107341265A - 一种融合深度特征的乳腺图像检索系统与方法 - Google Patents

一种融合深度特征的乳腺图像检索系统与方法 Download PDF

Info

Publication number
CN107341265A
CN107341265A CN201710595879.2A CN201710595879A CN107341265A CN 107341265 A CN107341265 A CN 107341265A CN 201710595879 A CN201710595879 A CN 201710595879A CN 107341265 A CN107341265 A CN 107341265A
Authority
CN
China
Prior art keywords
image
feature
depth characteristic
retrieval
ray
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.)
Granted
Application number
CN201710595879.2A
Other languages
English (en)
Other versions
CN107341265B (zh
Inventor
信俊昌
徐玲
李默
苗立坤
林志祥
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201710595879.2A priority Critical patent/CN107341265B/zh
Publication of CN107341265A publication Critical patent/CN107341265A/zh
Application granted granted Critical
Publication of CN107341265B publication Critical patent/CN107341265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture

Landscapes

  • Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种融合深度特征的乳腺图像检索系统与方法，系统包括图像批处理单元，用于对检索图像和图像集进行批处理；特征提取单元，用于对批处理之后的检索图像和图像集进行特征提取以获得传统融合特征和深度特征；相似性度量单元，用于对检索图像和图像集的传统融合特征进行相似性度量，对检索图像和图像集的深度特征进行相似性度量，并将传统融合特征度量结果和深度特征度量结果进行融合得到最高相似性图像集。本发明的深度特征的乳腺图像检索系统与方法，在提取乳腺钼钯X线图像的传统的纹理、灰度的基础上，增加了深度特征能够有效的代表检索图像，提高乳腺钼靶X线图像的检索的准确率，从而为乳腺癌的辅助诊断提供了帮助。

Description

一种融合深度特征的乳腺图像检索系统与方法
技术领域
本发明属于医学图像后处理技术领域，具体涉及一种融合深度特征的乳腺图像检索系统与方法。
背景技术
乳腺癌是女性最常见的肿瘤之一，且发病率逐年增加。很多人因为确诊时间晚，耽误了治疗的最佳时期。早期乳腺病的诊断主要依据放射科医生的主观经验，医生把以前确诊的病历和当前病人的病历进行比对，帮助当前病人确诊。
由于医学图像数据的快速增长，人工手动寻找相似图像变得越来越困难，无法快速的检索出与当前病人的病历相似的确诊病历。基于内容的图像检索开始于90年代，发展至今，在特征提取方面取得了很多的进展。但由于乳腺钼钯图像包含很多的信息，传统的基于内容的特征提取不能满足检索性能的要求。
发明内容
本发明实施例提供一种融合深度特征的乳腺图像检索系及方法，增加了深度特征能够有效的代表检索图像，提高乳腺钼靶X线图像的检索的准确率。
本发明提供一种融合深度特征的乳腺图像检索系统，包括：
图像批处理单元，用于对乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行批处理；
特征提取单元，用于分别对批处理之后的检索图像和图像集进行特征提取以获得检索图像和图像集的传统融合特征以及检索图像和图像集的深度特征；
相似性度量单元，用于对检索图像和图像集的传统融合特征进行相似性度量，对检索图像和图像集的深度特征进行相似性度量，并将传统融合特征度量结果和深度特征度量结果进行融合得到最高相似性图像集。
本发明还提供一种融合深度特征的乳腺图像检索方法，包括如下步骤：
步骤1：获取乳腺钼靶X线检索图像和乳腺钼钯X线图像集；
步骤2：分别对乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行批处理；
步骤3：分别对批处理之后的检索图像和图像集进行特征提取以获得检索图像和图像集的传统融合特征以及检索图像和图像集的深度特征；
步骤4：对检索图像和图像集的传统融合特征进行相似性度量，对检索图像和图像集的深度特征进行相似性度量，并将传统融合特征度量结果和深度特征度量结果进行融合得到最高相似性图像集。
本发明的融合深度特征的乳腺图像检索系统及方法至少具有以下有益效果：
本发明提出深度特征的乳腺图像检索系统与方法，在提取乳腺钼钯X线图像的传统的纹理、灰度的基础上，增加了深度特征能够有效的代表检索图像，提高乳腺钼靶X线图像的检索的准确率，从而为乳腺癌的辅助诊断提供了帮助。
附图说明
图1为本发明具体实施方式中一种融合深度特征的乳腺图像检索系统的结构框图；
图2为本发明具体实施方式中一种融合深度特征的乳腺图像检索方法的流程图；
图3为本发明具体实施方式中利用神经网络提取深度特征的流程图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
如图1所示本发明的融合深度特征的乳腺图像检索系统包括：图像批处理单元1、特征提取单元2以及相似性度量单元3。图像批处理单元1用于对乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行批处理。特征提取单元2用于分别对批处理之后的检索图像和图像集进行特征提取以获得检索图像和图像集的传统融合特征以及检索图像和图像集的深度特征。相似性度量单元3用于对检索图像和图像集的传统融合特征进行相似性度量，对检索图像和图像集的深度特征进行相似性度量，并将传统融合特征度量结果和深度特征度量结果进行融合得到最高相似性图像集。
图像批处理单元1包括噪声处理器11、对比度增强器12以及胸线去除器13。噪声处理器11用于对乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行去噪处理。对比度增强器12用于将去除噪声后的乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行对比度增强处理。胸线去除器13用于将对比度增强之后的乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行去胸壁线处理。
特征提取单元2包括传统特征提取器21、特征融合器22以及深度特征提取器23。传统特征提取器21用于对批处理之后的检索图像和图像集进行传统特征提取以分别获得检索图像和图像集的灰度共生矩阵特征、灰度直方图的特征、tamura纹理特征以及几何不变矩特征。特征融合器22用于将检索图像的灰度共生矩阵特征、灰度直方图的特征、tamura纹理特征以及几何不变矩特征进行融合以获得检索图像的传统融合特征，将图像集的灰度共生矩阵特征、灰度直方图的特征、tamura纹理特征以及几何不变矩特征进行融合以获得图像集的传统融合特征。深度特征提取器23用于对批处理之后的检索图像和图像集进行深度特征提取以获得检索图像的深度特征和图像集的深度特征。
相似性度量单元3包括第一相似性度量器31、第二相似性度量器32以及相似性度量融合器33。第一相似性度量器31用于将检索图像的传统融合特征和图像集的传统融合特征进行相似度量。第二相似性度量器32用于将检索图像的深度特征和图像集的深度特征进行相似度量。相似性度量融合器33用于将传统融合特征的相似度量结果和深度特征的相似度量结果相融合以获得乳腺钼钯X线图像集中与乳腺钼靶X线检索图像的相似性最高的最高相似性图像集。
如图2所示为本发明的融合深度特征的乳腺图像检索方法的流程图，本发明的检索方法包括如下步骤：
步骤1：获取乳腺钼靶X线检索图像P0和乳腺钼钯X线图像集(P1,P2,…,Pn)；其中，n表示图像集中图像的数量且n>1。
步骤2：分别对乳腺钼靶X线检索图像P0和乳腺钼钯X线图像集(P1,P2,…,Pn)进行批处理，得到批处理之后的检索图像S0和图像集(S1,S2,…,Sn)；
步骤3：分别对批处理之后的检索图像S0和图像集(S1,S2,…,Sn)进行特征提取以获得检索图像的传统融合特征f0和图像集的传统融合特征(f1,f2,…,fn)，以及检索图像的深度特征g0和图像集的深度特征(g1,g2,…,gn)；
步骤4：对检索图像的传统融合特征f0和图像集的传统融合特征(f1,f2,…,fn)进行相似性度量，对检索图像的深度特征g0和图像集的深度特征(g1,g2,…,gn)进行相似性度量，将传统融合特征相似性度量结果和深度特征相似性度量结果进行融合得到最高相似性图像集(T1,T2,…,Tm)。其中，m表示最高相似性图像集中图像的数量。
步骤2具体包括：
步骤2.1：对乳腺钼靶X线检索图像P0和乳腺钼钯X线图像集(P1,P2,…,Pn)进行去噪处理，得到去噪后的检索图像Z0和去噪后的图像集(Z1,Z2,…,Zn)；
本实施方式中，采用典型的非线性滤波技术—中值滤波器对检索图像P0和图像集(P1,P2,…,Pn)图像进行噪声处理，抑制脉冲噪声，彻底滤除尖波干扰噪声，同时很好的保护了乳腺钼钯X线图像的边缘，减少检索图像P0和乳腺钼钯图像集(P1,P2,…,Pn)的噪声。
步骤2.2：对去除噪声后的检索图像Z0和图像集(Z1,Z2,…,Zn)进行对比度增强处理，得到对比度增强的检索图像E0和对比度增强的图像集(E1,E2,…,En)；
本实施方式中，采用空间域图像增强对去噪后的检索图像Z0和去噪后的图像集(Z1,Z2,…,Zn)进行图像增强处理，选取的分段线性变换函数进行对比拉伸变换，设置的线性函数的拐点为(0，0)，(70，30)，(180，230)，(255，255)。
步骤2.3：将对比度增强之后的乳腺钼靶X线检索图像E0和乳腺钼钯X线图像集(E1,E2,…,En)进行去胸壁线处理，得到去胸壁线之后的检索图像S0和去胸壁线之后的图像集(S1,S2,…,Sn)。
本实施方案中，采用霍夫特变换得到胸壁线，并将图像中把胸壁线以左的位置的像素点设为0。
步骤3具体包括：
步骤3.1：对批处理之后的检索图像S0和图像集(S1,S2,…,Sn)进行传统特征提取以分别获得检索图像的灰度共生矩阵特征a0、灰度直方图的特征b0、tamura纹理特征c0以及几何不变矩特征d0；获得图像集的灰度共生矩阵特征(a1,a2,…,an)、灰度直方图的特征(b1,b2,…,bn)、tamura纹理特征(c1,c2,…,cn)以及几何不变矩特征(d1,d2,…,dn)；
本实施方案中，采用灰度共生矩阵的反差、能量、熵、相关性等，采用的Tamura纹理指标为粗糙度、对比度和方向度，采用几何不变矩的二阶和三阶归一化中心矩构造了7个不变矩。
步骤3.2：将检索图像的灰度共生矩阵特征a0、灰度直方图的特征b0、tamura纹理特征c0以及几何不变矩特征d0进行融合以获得检索图像的传统融合特征f0；将图像集的灰度共生矩阵特征(a1,a2,…,an)、灰度直方图的特征(b1,b2,…,bn)、tamura纹理特征(c1,c2,…,cn)以及几何不变矩特征(d1,d2,…,dn)进行融合以获得图像集的传统融合特征(f1,f2,…,fn)；
步骤3.3：对批处理之后的检索图像S0和图像集(S1,S2,…,Sn)进行深度特征提取以获得检索图像的深度特征g0和图像集的深度特征(g1,g2,…,gn)。图3为深度提取过程的流程图，深度提取过程具体包括如下步骤：
步骤3.3.1：构造第一组的3个自编码器以组成深度神经网络的编码部分。选取图像集中的一部分图像作为训练集，将训练集作为整个深度神经网络的输入，即作为第一个自编码器的输入，经过自编码器的前向传播和反向传播过程，得到权值W1。将第一个自编码器的隐藏层结果作为第二个自编码器的输入，经过自编码器的前向传播和反向传播过程，得到权值W2。将第二个自编码器的隐藏层结果作为第三个自编码器的输入，经过自编码器的前向传播和反向传播过程，得到权值W3。
在本实施方式中，第一个自编码器的输入层为16384个神经元，隐藏层为7000个神经元，输出层为16384个神经元。第二个自编码器的输入层为7000个神经元，隐藏层为3000个神经元，输出层为7000个神经元。第三个自编码器的输入层位3000个神经元，隐藏层为1000个神经元，输出层位3000个神经元。
步骤3.3.2：利用第二组3个自编码器组成深度网络的解码部分，第二组3个自编码器的权重是第一组3个自编码器的权重的逆，将第一组第三个自编码器的隐藏层单元结果作为第二组第一个自编码器的输入，仿照步骤3.3.1的过程，得到第二组第三个自编码器的隐藏层单元结果，即为整个神经网络的输出；
本实施方式中，深度神经网络的解码部分，第二组第一个自编码器的输入层为1000个神经元，此输入层为深度神经网络的编码部分的第三个自编码器的隐藏层，隐藏层为3000，权重为W′3。第二组第二个自编码器的输入层为3000个神经元，隐藏层个数为7000个神经元，权重为W′2。第二组第三个自编码器的输入层为7000个神经元，隐藏层为16384个神经元，权重为W′1。
步骤3.3.3：利用整个深度神经网络的输入和输出进行深度神经网络微调，此时深度神经网络的构建完成；
本实施方式中，经调整后编码部分第一个自编码器的权重为W1+ε1，第二个自编码器的权重W2+ε2，第三个自编码器的权重为W3+ε3；解码部分第一个自编码器的权重为W′3+ε4，第二个自编码器的权重W′2+ε5，第三个自编码器的权重为W′1+ε6。
步骤3.3.4将待检索图像和图像集作为微调后深度神经网络的输入，微调后第一组第三个自编码器的隐藏层单元的结果即为检索图像的深度特征g0和图像集的深度特征(g1,g2,…,gn)。
步骤4具体包括：
步骤4.1：采用欧式距离计算，将检索图像的传统融合特征f0和图像集的传统融合特征(f1,f2,…,fn)进行相似度量，获得传统融合特征相似性度量结果(C1,C2,…,Cn)；
步骤4.2：将检索图像的深度特征g0和图像集的深度特征(g1,g2,…,gn)进行相似度量，获得深度特征相似性度量结果(D1,D2,…,Dn)；
步骤4.3：将传统融合特征的相似度量结果(C1,C2,…,Cn)和深度特征的相似度量结果(D1,D2,…,Dn)相融合以获得乳腺钼钯X线图像集中与乳腺钼靶X线检索图像的相似性最高的最高相似性图像集(T1,T2,…,Tm)。
步骤4.3具体包括：
步骤4.3.1：根据传统融合特征的相似性度量结果为图像集中的每幅图像赋予第一组鼓励分(W1,W2,…,Wn)，根据深度特征的相似性度量结果为图像集中的每幅图像赋予第二组鼓励分(V1,V2,…,Vn)，相似性度量结果越小，即图像的返回位置越靠前，鼓励分值越小；
本实施方案中，按照图像集中图像的返回顺序，第一个返回的赋予鼓励分1，第二个返回的赋予鼓励分2，依次类推。例如：(W1,W2,…,Wn)＝(89,4,…,230)，(V1,V2,…,Vn)＝(98,2,…,330)。
步骤4.3.2：为第一组鼓励分(W1,W2,…,Wn)赋予权重H，则第二组鼓励分(V1,V2,…,Vn)的权重为1-H，将第一组鼓励分(W1,W2,…,Wn)和第二组鼓励分(V1,V2,…,Vn)融合得出图像融合相似性权重，将图像融合相似性权重进行排序，根据排序结果找到相似性最高的多幅图像，即构成最高相似性图像集(T1,T2,…,Tm)。
本实施方案中，为(W1,W2,…,Wn)赋予权重H为0.7，为(V1,V2,…,Vn)赋予的权重为0.3，根据返回的结果，值越小说明相似度越高，越优先返回。
本发明提出深度特征的乳腺图像检索系统与方法，在提取乳腺钼钯X线图像传统的纹理、灰度的基础上，增加了深度特征能够有效的代表检索图像，提高乳腺钼靶X线线图像的检索的准确率，从而为乳腺癌的辅助诊断提供了帮助。
以上所述仅为本发明的较佳实施实例而已，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 (10)

1.一种融合深度特征的乳腺图像检索系统，其特征在于，包括：
图像批处理单元，用于对乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行批处理；
特征提取单元，用于分别对批处理之后的检索图像和图像集进行特征提取以获得检索图像和图像集的传统融合特征以及检索图像和图像集的深度特征；
相似性度量单元，用于对检索图像和图像集的传统融合特征进行相似性度量，对检索图像和图像集的深度特征进行相似性度量，并将传统融合特征度量结果和深度特征度量结果进行融合得到最高相似性图像集。
2.如权利要求1所述的融合深度特征的乳腺图像检索系统，其特征在于，所述图像批处理单元包括：
噪声处理器，用于对乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行去噪处理；
对比度增强器，用于将去除噪声后的乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行对比度增强处理；
胸线去除器，用于将对比度增强之后的乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行去胸壁线处理。
3.如权利要求1所述的融合深度特征的乳腺图像检索系统，其特征在于，所述特征提取单元包括：
传统特征提取器，用于对批处理之后的检索图像和图像集进行传统特征提取以分别获得检索图像和图像集的灰度共生矩阵特征、灰度直方图的特征、tamura纹理特征以及几何不变矩特征；
特征融合器，用于将检索图像的灰度共生矩阵特征、灰度直方图的特征、tamura纹理特征以及几何不变矩特征进行融合以获得检索图像的传统融合特征，将图像集的灰度共生矩阵特征、灰度直方图的特征、tamura纹理特征以及几何不变矩特征进行融合以获得图像集的传统融合特征；
深度特征提取器，用于对批处理之后的检索图像和图像集进行深度特征提取以获得检索图像的深度特征和图像集的深度特征。
4.如权利要求1所述的融合深度特征的乳腺图像检索系统，其特征在于，所述相似性度量单元包括：
第一相似性度量器，用于将检索图像的传统融合特征和图像集的传统融合特征进行相似度量；
第二相似性度量器，用于将检索图像的深度特征和图像集的深度特征进行相似度量；
相似性度量融合器，用于将传统融合特征的相似度量结果和深度特征的相似度量结果相融合以获得乳腺钼钯X线图像集中与乳腺钼靶X线检索图像的相似性最高的最高相似性图像集。
5.一种融合深度特征的乳腺图像检索方法，其特征在于，包括如下步骤：
步骤1：获取乳腺钼靶X线检索图像和乳腺钼钯X线图像集；
步骤2：分别对乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行批处理；
步骤3：分别对批处理之后的检索图像和图像集进行特征提取以获得检索图像和图像集的传统融合特征以及检索图像和图像集的深度特征；
步骤4：对检索图像和图像集的传统融合特征进行相似性度量，对检索图像和图像集的深度特征进行相似性度量，并将传统融合特征度量结果和深度特征度量结果进行融合得到最高相似性图像集。
6.如权利要求5所述的融合深度特征的乳腺图像检索方法，其特征在于，步骤2包括：
步骤2.1：对乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行去噪处理；
步骤2.2：对去除噪声后的乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行对比度增强处理；
步骤2.3：将对比度增强之后的乳腺钼靶X线检索图像和乳腺钼钯X线图像集进行去胸壁线处理。
7.如权利要求5所述的融合深度特征的乳腺图像检索方法，其特征在于，步骤3包括：
步骤3.1：对批处理之后的检索图像和图像集进行传统特征提取以分别获得检索图像和图像集的灰度共生矩阵特征、灰度直方图的特征、tamura纹理特征以及几何不变矩特征；
步骤3.2：将检索图像的灰度共生矩阵特征、灰度直方图的特征、tamura纹理特征以及几何不变矩特征进行融合以获得检索图像的传统融合特征，将图像集的灰度共生矩阵特征、灰度直方图的特征、tamura纹理特征以及几何不变矩特征进行融合以获得图像集的传统融合特征；
步骤3.3：对批处理之后的检索图像和图像集进行深度特征提取以获得检索图像的深度特征和图像集的深度特征。
8.如权利要求7所述的融合深度特征的乳腺图像检索方法，其特征在于，步骤3.3包括：
步骤3.3.1：构造第一组的3个自编码器以组成深度神经网络的编码部分，选取图像集中的一部分图像作为训练集，将训练集作为整个深度神经网络的输入，即作为第一个自编码器的输入，将得到的第一个自编码器的隐藏层单元结果作为第二个自编码器的输入，将第二个自编码器的隐藏层单元结果作为第三个自编码器的输入，得到第一组第三个自编码器的隐藏层单元结果，经过自编码器的前向传播和反向传播过程，得到3个自编码器的权值；
步骤3.3.2：利用第二组3个自编码器组成深度网络的解码部分，第二组3个自编码器的权重是第一组3个自编码器的权重的逆，将第一组第三个自编码器的隐藏层单元结果作为第二组第一个自编码器的输入，仿照步骤3.3.1的过程，得到第二组第三个自编码器的隐藏层单元结果，即为整个神经网络的输出；
步骤3.3.3：利用整个深度神经网络的输入和输出进行深度神经网络微调，此时深度神经网络的构建完成；
步骤3.3.4将待检索图像和图像集作为微调后深度神经网络的输入，微调后第一组第三个自编码器的隐藏层单元的结果即为检索图像的深度特征和图像集的深度特征。
9.如权利要求5所述的融合深度特征的乳腺图像检索方法，其特征在于，步骤4包括：
步骤4.1：将检索图像的传统融合特征和图像集的传统融合特征进行相似度量；
步骤4.2：将检索图像的深度特征和图像集的深度特征进行相似度量；
步骤4.3：将传统融合特征的相似度量结果和深度特征的相似度量结果相融合以获得乳腺钼钯X线图像集中与乳腺钼靶X线检索图像的相似性最高的最高相似性图像集。
10.如权利要求9所述的融合深度特征的乳腺图像检索方法，其特征在于，步骤4.3包括：
步骤4.3.1：根据传统融合特征的相似性度量结果为图像集中的每幅图像赋予第一组鼓励分，根据深度特征的相似性度量结果为图像集中的每幅图像赋予第二组鼓励分，相似性度量结果越小，即图像的返回位置越靠前，鼓励分值越小；
步骤4.3.2：为第一组鼓励分赋予权重H，则第二组鼓励分的权重为1-H，将第一组鼓励分和第二组鼓励分融合得出图像融合相似性权重，将图像融合相似性权重进行排序，根据排序结果找到相似性最高的多幅图像，即构成最高相似性图像集。
CN201710595879.2A 2017-07-20 2017-07-20 一种融合深度特征的乳腺图像检索系统与方法 Active CN107341265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710595879.2A CN107341265B (zh) 2017-07-20 2017-07-20 一种融合深度特征的乳腺图像检索系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710595879.2A CN107341265B (zh) 2017-07-20 2017-07-20 一种融合深度特征的乳腺图像检索系统与方法

Publications (2)

Publication Number Publication Date
CN107341265A true CN107341265A (zh) 2017-11-10
CN107341265B CN107341265B (zh) 2020-08-14

Family

ID=60216286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710595879.2A Active CN107341265B (zh) 2017-07-20 2017-07-20 一种融合深度特征的乳腺图像检索系统与方法

Country Status (1)

Country Link
CN (1) CN107341265B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886514A (zh) * 2017-11-22 2018-04-06 浙江中医药大学 基于深度残差网络的乳腺钼靶图像肿块语义分割方法
CN109146848A (zh) * 2018-07-23 2019-01-04 东北大学 一种融合多模态乳腺图像的计算机辅助参考系统及方法
CN109523524A (zh) * 2018-11-07 2019-03-26 电子科技大学 一种基于集成学习的眼底图像硬性渗出检测方法
CN109685801A (zh) * 2018-12-10 2019-04-26 杭州帝视科技有限公司 结合纹理特征和深度神经网络信息的皮肤镜图像处理方法
WO2019103912A3 (en) * 2017-11-22 2019-07-04 Arterys Inc. Content based image retrieval for lesion analysis
CN111583320A (zh) * 2020-03-17 2020-08-25 哈尔滨医科大学 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质
US10871536B2 (en) 2015-11-29 2020-12-22 Arterys Inc. Automated cardiac volume segmentation
US10902598B2 (en) 2017-01-27 2021-01-26 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN113641845A (zh) * 2021-07-16 2021-11-12 广西师范大学 一种基于向量对比策略的深度特征对比加权图像检索方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205453A (zh) * 2015-08-28 2015-12-30 中国科学院自动化研究所 基于深度自编码器的人眼检测和定位方法
CN105956198A (zh) * 2016-06-20 2016-09-21 东北大学 一种基于病灶位置与内容的乳腺图像检索系统及方法
US20160350336A1 (en) * 2015-05-31 2016-12-01 Allyke, Inc. Automated image searching, exploration and discovery
CN106599807A (zh) * 2016-12-01 2017-04-26 中科唯实科技（北京）有限公司 一种基于自编码的行人检索方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160350336A1 (en) * 2015-05-31 2016-12-01 Allyke, Inc. Automated image searching, exploration and discovery
CN105205453A (zh) * 2015-08-28 2015-12-30 中国科学院自动化研究所 基于深度自编码器的人眼检测和定位方法
CN105956198A (zh) * 2016-06-20 2016-09-21 东北大学 一种基于病灶位置与内容的乳腺图像检索系统及方法
CN106599807A (zh) * 2016-12-01 2017-04-26 中科唯实科技（北京）有限公司 一种基于自编码的行人检索方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10871536B2 (en) 2015-11-29 2020-12-22 Arterys Inc. Automated cardiac volume segmentation
US10902598B2 (en) 2017-01-27 2021-01-26 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN107886514A (zh) * 2017-11-22 2018-04-06 浙江中医药大学 基于深度残差网络的乳腺钼靶图像肿块语义分割方法
WO2019103912A3 (en) * 2017-11-22 2019-07-04 Arterys Inc. Content based image retrieval for lesion analysis
CN107886514B (zh) * 2017-11-22 2021-04-23 浙江中医药大学 基于深度残差网络的乳腺钼靶图像肿块语义分割方法
US11551353B2 (en) 2017-11-22 2023-01-10 Arterys Inc. Content based image retrieval for lesion analysis
CN109146848A (zh) * 2018-07-23 2019-01-04 东北大学 一种融合多模态乳腺图像的计算机辅助参考系统及方法
CN109523524A (zh) * 2018-11-07 2019-03-26 电子科技大学 一种基于集成学习的眼底图像硬性渗出检测方法
CN109685801A (zh) * 2018-12-10 2019-04-26 杭州帝视科技有限公司 结合纹理特征和深度神经网络信息的皮肤镜图像处理方法
CN111583320A (zh) * 2020-03-17 2020-08-25 哈尔滨医科大学 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质
CN113641845A (zh) * 2021-07-16 2021-11-12 广西师范大学 一种基于向量对比策略的深度特征对比加权图像检索方法
CN113641845B (zh) * 2021-07-16 2022-09-23 广西师范大学 一种基于向量对比策略的深度特征对比加权图像检索方法

Also Published As

Publication number Publication date
CN107341265B (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN107341265A (zh) 一种融合深度特征的乳腺图像检索系统与方法
CN110223281B (zh) 一种数据集中含有不确定数据时的肺结节图像分类方法
Gu et al. MedSRGAN: medical images super-resolution using generative adversarial networks
Dhruv et al. Study of Haralick’s and GLCM texture analysis on 3D medical images
CN108921851B (zh) 一种基于3d对抗网络的医学ct图像分割方法
CN108416360B (zh) 基于乳腺钼靶钙化特征的癌症诊断系统及方法
CN109754361A (zh) 3d各向异性的混合网络：将来自2d图像的卷积特征传递到3d各向异性体积
Yi et al. Optimizing and visualizing deep learning for benign/malignant classification in breast tumors
CN106504232A (zh) 一种基于3d卷积神经网络的肺部结节自动检测方法
CN101673340A (zh) 综合多方向多尺度与bp神经网络的人耳识别方法
WO2012130251A1 (en) Image understanding based on fuzzy pulse - coupled neural networks
Langarizadeh et al. Improvement of digital mammogram images using histogram equalization, histogram stretching and median filter
Sadad et al. Internet of medical things embedding deep learning with data augmentation for mammogram density classification
CN110516759A (zh) 一种基于机器学习的软组织肉瘤转移风险预测系统
Zuo et al. An embedded multi-branch 3D convolution neural network for false positive reduction in lung nodule detection
Dimililer et al. ILTDS: Intelligent lung tumor detection system on ct images
CN113643261A (zh) 一种基于频率注意网络的胸肺部疾病诊断方法
Swetha et al. Detection of Breast cancer with Hybrid image segmentation and Otsu's thresholding
Zhang et al. LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis
CN114565786A (zh) 基于通道注意力机制的断层扫描图像分类装置和方法
Zhang et al. Classification of benign and malignant pulmonary nodules based on deep learning
Lyu et al. 3D ultrasound spine image selection using convolution learning-to-rank algorithm
de Miranda Almeida et al. Machine Learning Algorithms for Breast Cancer Detection in Mammography Images: A Comparative Study.
El-Shafai et al. Efficient classification of different medical image multimodalities based on simple CNN architecture and augmentation algorithms
CN107610772A (zh) 一种甲状腺结节ct图像诊断系统设计方法

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
GR01 Patent grant
GR01 Patent grant