CN107610772A - 一种甲状腺结节ct图像诊断系统设计方法 - Google Patents
一种甲状腺结节ct图像诊断系统设计方法 Download PDFInfo
- Publication number
- CN107610772A CN107610772A CN201710731531.1A CN201710731531A CN107610772A CN 107610772 A CN107610772 A CN 107610772A CN 201710731531 A CN201710731531 A CN 201710731531A CN 107610772 A CN107610772 A CN 107610772A
- Authority
- CN
- China
- Prior art keywords
- thyroid nodule
- image
- images
- thyroid
- module
- 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
Abstract
本发明公开了一种甲状腺结节CT图像诊断系统设计方法。该系统的成像设备模块用于获取病人的甲状腺结节CT图像;特征提取模块用于将甲状腺结节CT图像进行图像纹理特征提取,获取多维度纹理特征集,然后输出至基于GEP算法的分类器模块;基于GEP算法的分类器模块用于提取模块获得的甲状腺结节CT图像新特征集并输出至推理机模块;推理机模块参考从数据库获取先验信息,对甲状腺结节CT图像的病理特征进行推理分析;数据库模块用于存贮先验信息并接收已被确认后的甲状腺结节医学特征数据。本发明具有肿瘤医学图像实时分析效果好、自动化程度高、准确度高的特点,并具有定量分析能力。
Description
技术领域
本发明涉及一种甲状腺结节CT图像诊断系统设计方法,更具体地说,本发明涉及一种基于基因表达式编程的甲状腺结节CT图像诊断系统设计方法。
背景技术
医学图像分析是综合医学影像、数学建模、数字图像处理与分析、人工智能和数值算法等学科的交叉领域。20世纪70年代,X线图像在临床广泛应用,医生借助学习得到的知识和实践积累的经验,解读病人的X线照片所反映的解剖结构和病生理信反映的信息。但是,这种人工解读方式,往往依赖于医生个人的经验、知识和情绪,且效率较低,在大规模筛查和某些特定病种(如乳腺癌)诊断时,尤其显得力不从心。随着计算机的发展和数字化仪器的出现,人们开始把X线胶片的模拟图像转变为数字图像存储和传输;另外,人们从当时太空计划和遥感图像的数字化处理中积累了一定的数字图像处理和分析的知识,计算机技术的初步成熟也提供了相当的计算能力。研究者开始尝试把医学模拟图像转化为数字图像,开展了计算机辅助诊断的初步研究,试图在一定程度上辅助医生判读医学图像,排除人为主观因素,提高诊断准确性和效率。医学图像分析在计算机引导介入手术、放疗手术计划以及计算机辅助诊断等重大临床需求的推动下,不断发展完善。然而,在现有的医学图像分析方法中,尤其是甲状腺结节CT图像大数据图像分析方法中,都是采用序列查找的方法进行分析,需要在图像数据库中逐条检索,由于图像数据较为庞大,从而会造成查找困难,严重影响了图像分析的实时性。
本发明采用基因表达式编程(GEP)的方法,对甲状腺结节CT图像进行分类处理,并采用贝叶斯推理算法进行分析,来解决肿瘤医学图像实时分析的问题,比传统的序列图像分析法所需要时间减少70%,从而达到较好的实时分析效果。
发明内容
本发明的目的是解决现有甲状腺结节CT图像大数据图像分析中存在的实时性较差、准确度低的问题,通过采用GEP算法、推理等技术措施,以实现对医学图像进行实时分析。
为了实现本发明的上述目的,本发明公开了一种甲状腺结节CT图像诊断系统设计方法。该系统包括以下模块:
成像设备模块:其用于获取病人的甲状腺结节CT图像;
特征提取模块:其用于将甲状腺结节CT图像进行滤波降噪处理,然后分割图像轮廓,得到甲状腺结节图像集,然后对甲状腺结节图像集进行图像纹理特征提取,获取甲状腺结节图像中的多维度纹理特征集,然后输出至基于GEP算法的分类器模块;
基于GEP算法的分类器模块:其用于采用GEP算法将特征提取模块获得的甲状腺结节CT图像多维度纹理特征集进行处理,以获得新特征集并输出至推理机模块;该模块的新特征集产生过程包括以下步骤:
步骤一:设置甲状腺结节CT图像多维度纹理特征集的种群大小N、子种群大小M、最大评价次数、基因长度、基因个数、变异概率、插串概率、插串长度以及重组概率,并将甲状腺结节CT图像多维度纹理特征集数据定义为初始种群Pt={X1,X2,…,Xn},其中n为甲状腺结节CT图像纹理特征集的维度数,计算初始种群中每个个体的适应度fi;
步骤二:对种群Pt中的N个个体执行基因表达式编程的选择、变异、插串以及重组,生成M个新个体,并将M个新个体组成子种群Ot,计算Ot中的每个个体的适应度,其中适应度最大的个体为最优个体;
步骤三:将种群Pt中的N个个体和子种群Ot中的M个个体组成临时种群Pt’,计算临时种群Pt’中的每个个体的适应度,然后删除临时种群Pt’中适应度最大的前M个个体,得到由N个个体组成的新一代种群Pt+1;
步骤四:重复步骤二至步骤三直至达到最大评价次数后结束,结束时得到的新一代种群Pt+1即为甲状腺结节CT图像的新特征集;
推理机模块:其用于接收基于GEP算法的分类器输出的甲状腺结节CT图像的新特征集,参考从数据库获取的已被病理证实的甲状腺良恶性结节CT图像纹理特征数据样本和病人的在线信息,采用贝叶斯推理规则对甲状腺结节CT图像的病理特征进行推理分析,得出判定结论并反馈给医生,由医生确认后将该甲状腺结节CT图像医学特征存入数据库模块;所述的病人的在线信息包括病人当前的血压、心率、血氧饱和度;
数据库模块:其用于存贮已被病理证实的甲状腺良恶性CT结节图像纹理特征数据样本和用户的在线信息,并向推理机模块输送;接收已被医生确认后的甲状腺结节CT图像医学特征数据。
在本发明中,采用基因表达式编程(GEP)的方法,采用选择、变异、插串以及重组的方式对病人的甲状腺结节CT图像多维度纹理特征集进行特征再提取,获得病人的新特征集,然后再输出至推理机模块进行病理分析,提高了分析的实时性和准确度,为判定病人的病情打下良好基础。
在本发明中,推理过程采用数据驱动,将相应的信息特征作为输入的事实供推理机使用。在推理过程中,其推理结论不仅要依据当前病人的甲状腺结节CT图像多维度新特征集信息,还要获取数据库已被病理证实的甲状腺良恶性结节CT图像纹理特征数据样本和病人当前的血压、心率、血氧饱和度在线信息,作为推理的先验信息,以提高推理的准确度。在本发明中,推理规则采用贝叶斯推理规则,该规则在现有技术中已经公开,这里不再赘述。
进一步,在本发明中,所述的推理机模块的推理过程包括以下步骤:
步骤一:读取基于GEP算法的分类器输出的甲状腺结节CT图像的新特征集作为推理机的初始输入条件;
步骤二:获取数据库已被病理证实的甲状腺良恶性结节CT图像纹理特征数据样本和病人当前的血压、心率、血氧饱和度在线信息,并作为推理的先验信息;
步骤三:根据推理机获取的初始输入条件和从数据库获取的先验信息,采用贝叶斯推理规则对甲状腺结节CT图像的病理进行推理运算;
步骤四:对推理运算后得到的新特征事实作为推理分析的新输入条件;
步骤五:再重复步骤二至步骤四,当无新的特征事实生成时,推理分析就到达稳定的状态,推理过程结束,输出评定结果。
与现有技术相比,本发明具有如下有益效果:
①本发明采用基因表达式编程(GEP)的方法,对甲状腺结节CT图像进行分析及分类处理,并采用贝叶斯推理算法进行分析,来解决肿瘤医学图像实时分析的问题;而在现有的医学图像分析方法中,尤其是甲状腺结节CT图像大数据图像分析方法中,都是采用序列查找的方法进行分析,需要在图像数据库中逐条检索,由于图像数据较为庞大,从而会造成查找困难,严重影响了图像分析的实时性。因此,本发明相对于传统的序列图像分析法所需要时间减少70%,从而达到较好的实时分析效果。
②在本发明中,基于基因表达式编程(GEP)的算法对甲状腺结节CT图像特征进行处理,通过选择、变异、插串以及重组的方式对病人的甲状腺结节CT图像多维度纹理特征集进行特征再提取,获得病人的新特征集,然后再输出至推理机模块进行病理分析,提高了分析的实时性和准确性分析规则具有人工干预少,自动化程度高。
③在本发明中,推理过程采用数据驱动推理策略,在推理过程中,其推理结论不仅要依据当前病人的甲状腺结节CT图像多维度新特征集信息,还要获取数据库已被病理证实的甲状腺良恶性结节CT图像纹理特征数据样本和病人当前的血压、心率、血氧饱和度在线信息,并作为推理的先验信息,以提高推理的准确度。
④在本发明中,所采用的贝叶斯推理规则具有学习功能,多次成功的分析结果可以作为新的分析规则存在,并可以根据积累的分析经验来自动弃用长期无效的规则,从而达到优化推理规则、提高分析准确度的目的,提高了推理的灵活性。
⑤在本发明中,还设有对推理结论的评估的可信度评估模块,通过接收推理机模块输出的甲状腺结节CT图像的病理特征推理结论,先对其可信度进行描述,然后经由医生确认后将该甲状腺结节CT图像及其判定结论输出至数据库模块,提高了对医学图像推理结论的定量分析能力。
附图说明
图1是甲状腺结节CT图像诊断系统设计框图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明公开了一种甲状腺结节CT图像诊断系统设计方法。该系统包括以下模块:
成像设备模块:其用于获取病人的甲状腺结节CT图像;
特征提取模块:其用于将甲状腺结节CT图像进行滤波降噪处理,然后分割图像轮廓,得到甲状腺结节图像集,然后对甲状腺结节图像集进行图像纹理特征提取,获取甲状腺结节图像中的多维度纹理特征集,然后输出至基于GEP算法的分类器模块;
基于GEP算法的分类器模块:其用于采用GEP算法将特征提取模块获得的甲状腺结节CT图像多维度纹理特征集进行处理,以获得新特征集并输出至推理机模块;该模块的新特征集产生过程包括以下步骤:
步骤一:设置甲状腺结节CT图像多维度纹理特征集的种群大小N、子种群大小M、最大评价次数、基因长度、基因个数、变异概率、插串概率、插串长度以及重组概率,并将甲状腺结节CT图像多维度纹理特征集数据定义为初始种群Pt={X1,X2,…,Xn},其中n为甲状腺结节CT图像纹理特征集的维度数,计算初始种群中每个个体的适应度fi;
步骤二:对种群Pt中的N个个体执行基因表达式编程的选择、变异、插串以及重组,生成M个新个体,并将M个新个体组成子种群Ot,计算Ot中的每个个体的适应度,其中适应度最大的个体为最优个体;
步骤三:将种群Pt中的N个个体和子种群Ot中的M个个体组成临时种群Pt’,计算临时种群Pt’中的每个个体的适应度,然后删除临时种群Pt’中适应度最大的前M个个体,得到由N个个体组成的新一代种群Pt+1;
步骤四:重复步骤二至步骤三直至达到最大评价次数后结束,结束时得到的新一代种群Pt+1即为甲状腺结节CT图像的新特征集;
推理机模块:其用于接收基于GEP算法的分类器输出的甲状腺结节CT图像的新特征集,参考从数据库获取的已被病理证实的甲状腺良恶性结节CT图像纹理特征数据样本和病人的在线信息,采用贝叶斯推理规则对甲状腺结节CT图像的病理特征进行推理分析,得出判定结论并反馈给医生,由医生确认后将该甲状腺结节CT图像医学特征存入数据库模块;所述的病人的在线信息包括病人当前的血压、心率、血氧饱和度;
数据库模块:其用于存贮已被病理证实的甲状腺良恶性CT结节图像纹理特征数据样本和用户的在线信息,并向推理机模块输送,接收已被医生确认后的甲状腺结节CT图像医学特征数据。
在本发明中,基于GEP算法的分类器模块最大评价次数与甲状腺结节CT图像分析的实时性和推理结论的准确度有关,最大评价次数的值越大,甲状腺结节CT图像分析的实时性越低、推理结论的准确度越高,反之,实时性越高、推理结论的准确度越低。在本发明中,基于GEP算法的分类器模块最大评价次数优选为500,达到了甲状腺结节CT图像对实时性分析和推理结论准确度的要求。
在本发明中,采用GEP算法,通过执行选择、变异、插串、重组以及适应度等对病人的甲状腺结节CT图像多维度纹理特征集进行特征再提取,适应度最大的个体为最优个体,获得病人的新特征集,然后再输出至推理机模块进行病理分析,提高了分析的实时性和准确度。关于GEP算法中的选择、变异、插串、重组以及适应度等的计算方法,在现有技术中已经公开,这里不再赘述。
进一步,所述的推理机模块的推理过程包括以下步骤:
步骤一:读取基于GEP算法的分类器输出的甲状腺结节CT图像的新特征集作为推理机的初始输入条件;
步骤二:获取数据库已被病理证实的甲状腺良恶性结节CT图像纹理特征数据样本和病人当前的血压、心率、血氧饱和度在线信息,并作为推理的先验信息;
步骤三:根据推理机获取的初始输入条件和从数据库获取的先验信息,采用贝叶斯推理规则对甲状腺结节CT图像的病理进行推理运算;
步骤四:对推理运算后得到的新特征事实作为推理分析的新输入条件;
步骤五:再重复步骤二至步骤四,当无新的特征事实生成时,推理分析就到达稳定的状态,推理过程结束,输出评定结果。
进一步,该系统还包括:
可信度评估模块:其用于接收推理机模块输出的甲状腺结节CT图像的病理特征推理结论,先对其可信度进行描述,然后经由医生确认后将该甲状腺结节CT图像及其判定结论输出至数据库模块;该模块将甲状腺结节CT图像中的多维度纹理新特征集作为前提集合{P1,P2,…Pi,…Pj,…Pn}中的元素,其中,n为甲状腺结节CT图像纹理新特征集的维度数,采用运算符集θ={AND,OR}计算前提集合{P1,P2,…Pi,…Pj,…Pn}中的每个元素的方差值,以获得被测对象的测量值方差,并与数据库已被病理证实的甲状腺良恶性CT结节图像的方差比较,按公式进行计算,获得推理结论的可信度系数值;所述的运算符集θ={AND,OR}包括运算符OR2、AND2、GOE2B、GOE2C,其中,OR2含义为if Pi≥0or Pj≥0,then1,else 0;AND2的含义为if Pi≥0and Pj≥0, then 1,else 0;GOE2B的含义为if Pi≥Pj,then 1,else 0;GOE2C的含义为if Pi≥Pj,then (Pi+Pj),else(Pi=Pj)。
在本发明中,可信度评估模块通过接收推理机模块输出的甲状腺结节CT图像的病理特征推理结论,先对其可信度进行描述,然后经由医生确认后将该甲状腺结节CT图像及其判定结论输出至数据库模块,提高了对医学图像推理结论的定量分析能力。
进一步,在本发明中,关于甲状腺结节CT图像进行滤波降噪处理技术,在现有技术中已经公开,在这里不再赘述。本发明中,所述的甲状腺CT图像分割图像轮廓过程为:设定图像灰度级为512级,以结节最大横径的横断面图像为对象,选取信噪比大于等于 10-5以上的甲状腺像素信息,将所提取的甲状腺像素信息构成病变甲状腺结节图像集。
进一步,在本发明中,所述的甲状腺结节CT图像的多维度纹理特征集为:角二阶矩、相关度、熵、对比度、逆差矩、平均和、和熵、方差和、差平均、惯性、差方差。上述关于各维度信息的计算方法,在现有技术中已公开,这里不再赘述。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言,可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (5)
1.一种甲状腺结节CT图像诊断系统设计方法,该系统包括以下模块:
成像设备模块:其用于获取病人的甲状腺结节CT图像;
特征提取模块:其用于将甲状腺结节CT图像进行滤波降噪处理,然后分割图像轮廓,得到甲状腺结节图像集,然后对甲状腺结节图像集进行图像纹理特征提取,获取甲状腺结节图像中的多维度纹理特征集,然后输出至基于GEP算法的分类器模块;
基于GEP算法的分类器模块:其用于采用GEP算法将特征提取模块获得的甲状腺结节CT图像多维度纹理特征集进行处理,以获得新特征集并输出至推理机模块;该模块的新特征集产生过程包括以下步骤:
步骤一:设置甲状腺结节CT图像多维度纹理特征集的种群大小N、子种群大小M、最大评价次数、基因长度、基因个数、变异概率、插串概率、插串长度以及重组概率,并将甲状腺结节CT图像多维度纹理特征集数据定义为初始种群Pt={X1,X2,…,Xn},其中n为甲状腺结节CT图像纹理特征集的维度数,计算初始种群中每个个体的适应度fi;
步骤二:对种群Pt中的N个个体执行基因表达式编程的选择、变异、插串以及重组,生成M个新个体,并将M个新个体组成子种群Ot,计算Ot中的每个个体的适应度,其中适应度最大的个体为最优个体;
步骤三:将种群Pt中的N个个体和子种群Ot中的M个个体组成临时种群Pt’,计算临时种群Pt’中的每个个体的适应度,然后删除临时种群Pt’中适应度最大的前M个个体,得到由N个个体组成的新一代种群Pt+1;
步骤四:重复步骤二至步骤三直至达到最大评价次数后结束,其中最大评价次数为500,结束时得到的新一代种群Pt+1即为甲状腺结节CT图像的新特征集;
推理机模块:其用于接收基于GEP算法的分类器输出的甲状腺结节CT图像的新特征集,参考从数据库获取的已被病理证实的甲状腺良恶性结节CT图像纹理特征数据样本和病人的在线信息,采用贝叶斯推理规则对甲状腺结节CT图像的病理特征进行推理分析,得出判定结论并反馈给医生,由医生确认后将该甲状腺结节CT图像医学特征存入数据库模块;所述的病人的在线信息包括病人当前的血压、心率、血氧饱和度;
数据库模块:其用于存贮已被病理证实的甲状腺良恶性CT结节图像纹理特征数据样本和用户的在线信息,并向推理机模块输送;接收已被医生确认后的甲状腺结节CT图像医学特征数据。
2.如权利要求1所述的甲状腺结节CT图像诊断系统设计方法,其特征在于,所述的推理机模块的推理过程包括以下步骤:
步骤一:读取基于GEP算法的分类器输出的甲状腺结节CT图像的新特征集作为推理机的初始输入条件;
步骤二:获取数据库已被病理证实的甲状腺良恶性结节CT图像纹理特征数据样本和病人当前的血压、心率、血氧饱和度在线信息,并作为推理的先验信息;
步骤三:根据推理机获取的初始输入条件和从数据库获取的先验信息,采用贝叶斯推理规则对甲状腺结节CT图像的病理特征进行推理运算;
步骤四:对推理运算后得到的新特征事实作为推理分析的新输入条件;
步骤五:再重复步骤二至步骤四,当无新的特征事实生成时,推理分析就到达稳定的状态,推理过程结束,输出评定结果。
3.如权利要求1所述的甲状腺结节CT图像诊断系统设计方法,其特征在于,该系统还包括:
可信度评估模块:其用于接收推理机模块输出的甲状腺结节CT图像的病理特征推理结论,先对其可信度进行描述,然后经由医生确认后将该甲状腺结节CT图像及其判定结论输出至数据库模块;该模块将甲状腺结节CT图像中的多维度纹理新特征集作为前提集合{P1,P2,…Pi,…Pj,…Pn}中的元素,其中,n为甲状腺结节CT图像纹理新特征集的维度数,采用运算符集θ={AND,OR}计算前提集合{P1,P2,…Pi,…Pj,…Pn}中每个元素的方差值,以获得被测对象的测量值方差,并与数据库已被病理证实的甲状腺良恶性CT结节图像的方差比较,按公式进行计算,获得推理结论的可信度系数值;所述的运算符集θ={AND,OR}包括运算符OR2、AND2、GOE2B、GOE2C,其中,OR2含义为if Pi≥0or Pj≥0,then 1,else 0;AND2的含义为if Pi≥0and Pj≥0,then 1,else 0;GOE2B的含义为if Pi≥Pj,then1,else 0;GOE2C的含义为if Pi≥Pj,then(Pi+Pj),else(Pi=Pj)。
4.如权利要求1所述的甲状腺结节CT图像诊断系统设计方法,其特征在于,所述的甲状腺CT图像分割图像轮廓过程为:设定图像灰度级为512级,以结节最大横径的横断面图像为对象,选取信噪比大于等于10-5以上的甲状腺像素信息,将所提取的甲状腺像素信息构成病变甲状腺结节图像集。
5.如权利要求1所述的甲状腺结节CT图像诊断系统设计方法,其特征在于,所述的甲状腺结节CT图像的多维度纹理特征集为:角二阶矩、相关度、熵、对比度、逆差矩、平均和、和熵、方差和、差平均、惯性、差方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710731531.1A CN107610772A (zh) | 2017-08-23 | 2017-08-23 | 一种甲状腺结节ct图像诊断系统设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710731531.1A CN107610772A (zh) | 2017-08-23 | 2017-08-23 | 一种甲状腺结节ct图像诊断系统设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107610772A true CN107610772A (zh) | 2018-01-19 |
Family
ID=61065755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710731531.1A Pending CN107610772A (zh) | 2017-08-23 | 2017-08-23 | 一种甲状腺结节ct图像诊断系统设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610772A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190679A (zh) * | 2018-08-08 | 2019-01-11 | 北京大学深圳医院 | 甲状腺手术中甲状旁腺自动学习和智能识别系统 |
CN109223018A (zh) * | 2018-09-18 | 2019-01-18 | 包头市中心医院(内蒙古自治区脑血管病研究所) | 一种人工智能心脏ct自动化诊断系统 |
CN117173092A (zh) * | 2023-06-28 | 2023-12-05 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种基于图像处理的鼻咽癌放疗方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104000619A (zh) * | 2014-06-16 | 2014-08-27 | 彭文献 | 一种甲状腺ct图像计算机辅助诊断系统及方法 |
CN106844515A (zh) * | 2016-12-28 | 2017-06-13 | 广西师范学院 | 基于基因表达式编程的计算机用户行为分析方法 |
-
2017
- 2017-08-23 CN CN201710731531.1A patent/CN107610772A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104000619A (zh) * | 2014-06-16 | 2014-08-27 | 彭文献 | 一种甲状腺ct图像计算机辅助诊断系统及方法 |
CN106844515A (zh) * | 2016-12-28 | 2017-06-13 | 广西师范学院 | 基于基因表达式编程的计算机用户行为分析方法 |
Non-Patent Citations (1)
Title |
---|
周海燕: "基于GEP-DT的乳腺X图像的分类研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190679A (zh) * | 2018-08-08 | 2019-01-11 | 北京大学深圳医院 | 甲状腺手术中甲状旁腺自动学习和智能识别系统 |
CN109223018A (zh) * | 2018-09-18 | 2019-01-18 | 包头市中心医院(内蒙古自治区脑血管病研究所) | 一种人工智能心脏ct自动化诊断系统 |
CN117173092A (zh) * | 2023-06-28 | 2023-12-05 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种基于图像处理的鼻咽癌放疗方法及系统 |
CN117173092B (zh) * | 2023-06-28 | 2024-04-09 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种基于图像处理的鼻咽癌放疗方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230106440A1 (en) | Content based image retrieval for lesion analysis | |
US10706333B2 (en) | Medical image analysis method, medical image analysis system and storage medium | |
CN109583440B (zh) | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 | |
US20200085382A1 (en) | Automated lesion detection, segmentation, and longitudinal identification | |
KR101943011B1 (ko) | 피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치 | |
NL2010613C2 (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model field of the disclosure. | |
CN112086197B (zh) | 基于超声医学的乳腺结节检测方法及系统 | |
JP2011118543A (ja) | 症例画像検索装置、方法およびプログラム | |
WO2018107371A1 (zh) | 图像搜索系统及方法 | |
Pu et al. | An automated CT based lung nodule detection scheme using geometric analysis of signed distance field | |
CN112529834A (zh) | 病理图像模式在3d图像数据中的空间分布 | |
JP7346553B2 (ja) | 深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 | |
US11756292B2 (en) | Similarity determination apparatus, similarity determination method, and similarity determination program | |
CN112396606B (zh) | 一种基于用户交互的医学图像分割方法、系统和装置 | |
CN107610772A (zh) | 一种甲状腺结节ct图像诊断系统设计方法 | |
WO2020209382A1 (ja) | 医療文書作成装置、方法およびプログラム | |
Reeves et al. | A public image database to support research in computer aided diagnosis | |
CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
Zhang et al. | LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis | |
JP7170000B2 (ja) | 学習システム、方法及びプログラム | |
Kotecha et al. | 3D visualization cloud based model to detect and classify the polyps according to their sizes for CT colonography | |
Tang et al. | Lesion segmentation and RECIST diameter prediction via click-driven attention and dual-path connection | |
Yang et al. | 3D multi‐view squeeze‐and‐excitation convolutional neural network for lung nodule classification | |
JP6920477B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
Lin et al. | Development of a personalized training system using the lung image database consortium and image database resource initiative database |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |
|
RJ01 | Rejection of invention patent application after publication |