CN107833631A - 一种医学影像计算机辅助分析方法 - Google Patents
一种医学影像计算机辅助分析方法 Download PDFInfo
- Publication number
- CN107833631A CN107833631A CN201711160238.0A CN201711160238A CN107833631A CN 107833631 A CN107833631 A CN 107833631A CN 201711160238 A CN201711160238 A CN 201711160238A CN 107833631 A CN107833631 A CN 107833631A
- Authority
- CN
- China
- Prior art keywords
- texture
- medical
- analysis
- analysis method
- scale
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 16
- 210000001835 viscera Anatomy 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000013341 scale-up Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 32
- 238000007619 statistical method Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000002059 diagnostic imaging Methods 0.000 claims description 8
- 238000013211 curve analysis Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000009278 visceral effect Effects 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000012916 structural analysis Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 abstract description 6
- 201000010099 disease Diseases 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 239000003086 colorant Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003696 structure analysis method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G06F16/5862—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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种医学影像计算机辅助分析方法。该方法包括：对灰度医学影像数据以内脏部位为中心进行三维模型构建；与医学影像数据库中的内脏三维模型进行匹配和异常区域范围划定，对划定范围的部位进行三维分解、分区域切割和比例放大处理；进行多方向多尺度的纹理特征提取和纹理对比分析；进行灰度对比分析和确定异常点构成区域与纹理特征异常区域进行重合度匹配；根据纹理特征单独异常情况，灰度单独异常情况，及纹理特征和灰度重合异常情况，给出评估结果和推荐治疗结果。本发明在内脏三维模型整体分析的基础上，从局部部位的纹理和灰度两方面同时对具体细节异常部位进行分析，其医学影像分析全面准确性高，对未来疾病的预测提供了基础。
Description
技术领域
本发明涉及医学影像处理技术领域，更具体的涉及一种医学影像计算机辅助分析方法。
背景技术
医学影像的计算机辅助分析是利用先进的计算机软硬件系统分析处理数字放射图像，以发现并检出病变特征，其结果作为“第二个意见”供诊断医师参考，帮助放射医师提高病灶检出率，可以提高诊断准确性并改良诊断的再现性，缩短读片时间，提高工作效率。
现有技术中，用于医学超声成像系统中的传统的计算机辅助测量(CAM)和计算机辅助诊断(CAD)技术有许多问题和局限性，其检测结果是片面的、非直观的，无法真正意义上实现对内脏情况全面精确分析。
综上所述，现有技术中的医学影像分析方法，存在分析不够全面，准确性差的问题。
发明内容
本发明实施例提供一种医学影像计算机辅助分析方法，用以解决现有技术中存在分析不够全面，准确性差的问题。
本发明实施例提供一种医学影像计算机辅助分析方法，包括：
通过医学成像设备进行医学影像采集；其中，所述医学影像，包括：彩色医学影像和灰度医学影像；并且将所述彩色医学影像通过浮点算法转换为灰度医学影像；
对灰度医学影像数据以内脏部位为中心进行三维模型构建；并且将重建的内脏三维模型与医学影像数据库中的内脏三维模型进行匹配，对超出医学影像数据库中的内脏三维模型的标准参数范围的部位进行范围划定，对划定范围的部位进行三维分解、分区域切割和比例放大处理；同时，对医学影像数据库中的内脏三维模型与划定范围的部位对应的部位进行三维分解、分区域切割和比例放大处理；
对处理后的待分析部位和医学影像数据库中与待分析部位对应的部位同时进行多方向多尺度的纹理特征提取，将待分析部位提取的纹理特征与医学影像数据库中提取的纹理特征进行纹理对比分析；并且在纹理特征异常区域分布异常点标记；其中，纹理特征包括：纹理的位置、走向、尺寸和形状；
对处理后的待分析部位和医学影像数据库中与待分析部位对应的部位进行灰度对比分析，并且将灰度对比分析确定的异常点构成区域与纹理特征异常区域进行重合度匹配；
根据纹理特征单独异常情况，灰度单独异常情况，及纹理特征和灰度重合异常情况，按照医学影像数据库中的病例数据，结合个人病史信息和个人生活习惯信息，给出评估结果和推荐治疗结果；同时输出医学影像图的三维图、分解图、分割图、放大图、异常区域图、纹理特征分析对比图、灰度分析对比图和曲线分析图。
优选地，所述医学成像设备，包括：超声波成像设备。
优选地，所述将所述彩色影像通过浮点算法转换为灰度影像，具体包括：假如彩色影像中某点的颜色为RGB(R，G，B)，则通过浮点算法的灰度为：
Gray＝R*0.3+G*0.59+B*0.11。
优选地，通过统计分析法对纹理特征进行提取；所述统计分析法包括：从图像的属性的统计分析出发，根据纹理元素及排列规则描述纹理结构，反映像素之间的灰度级空间相关规律。
优选地，通过结构分析法对纹理特征进行提取；所述结构分析法包括：寻找纹理基元，分析结构组成纹理的规律。
优选地，通过计算机输入设备将个人病史信息和个人生活习惯信息输入至计算机中。
本发明实施例中，提供一种医学影像计算机辅助分析方法，与现有技术相比，其有益效果为：本发明通过对医学影像数据建立以内脏为中心的三维模型，且与医学影像数据库中的对应三维模型进行对比，可以从全局整体对相关部位进行分析，避免了重视局部而忽略整体的现象，对未来疾病的预测提供了基础；根据三维模型整体分析结构对异常部位进行三维分解、分区域切割和比例放大处理后，对具体细节部位进行多方向多尺度的纹理特征提取和纹理特征对比分析，切断纹理差异值，且标记异常区域和异常点，同时，对具体细节部位进行灰度对比分析，确定灰度差异值，并确定异常区域和异常点；将根据纹理特征单独异常情况，灰度单独异常情况，及纹理特征和灰度重合异常情况三种医学影像分析类型，给出的评估结果和对应推荐治疗结果，即在内脏三维模型整体分析的基础上，从局部部位的纹理和灰度两方面同时对具体细节异常部位进行分析，其医学影像分析全面，分析准确性高。
附图说明
图1为本发明实施例提供的一种医学影像计算机辅助分析方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种医学影像计算机辅助分析方法流程图。如图1所示，该方法包括：
步骤S1，通过医学成像设备进行医学影像采集；其中，所述医学影像，包括：彩色医学影像和灰度医学影像；并且将所述彩色医学影像通过浮点算法转换为灰度医学影像。
优选地，本发明实施例中的医学成像设备，包括：超声波成像设备。
优选地，步骤S1中的将彩色影像通过浮点算法转换为灰度影像，具体包括：假如彩色影像中某点的颜色为RGB(R，G，B)，则通过浮点算法的灰度为：
Gray＝R*0.3+G*0.59+B*0.11。
即上式为浮点算法表达式。
步骤S2，对灰度医学影像数据以内脏部位为中心进行三维模型构建；并且将重建的内脏三维模型与医学影像数据库中的内脏三维模型进行匹配，对超出医学影像数据库中的内脏三维模型的标准参数范围的部位进行范围划定，对划定范围的部位进行三维分解、分区域切割和比例放大处理；同时，对医学影像数据库中的内脏三维模型与划定范围的部位对应的部位进行三维分解、分区域切割和比例放大处理。
本发明通过三维模型构建实现了内脏三维模型的构建，方便了医疗人员的观察，可视性强，检测结果精确度高，且实现了内脏未来发展情况的预测。
步骤S3，对处理后的待分析部位和医学影像数据库中与待分析部位对应的部位同时进行多方向多尺度的纹理特征提取，将待分析部位提取的纹理特征与医学影像数据库中提取的纹理特征进行纹理对比分析；并且在纹理特征异常区域分布异常点标记；其中，纹理特征包括：纹理的位置、走向、尺寸和形状。
优选地，本发明实施例中涉及对纹理特征进行提取的方法包括：统计分析法和结构分析法。统计分析法具体包括：从图像的属性的统计分析出发，根据纹理元素及排列规则描述纹理结构，反映像素之间的灰度级空间相关规律；结构分析法具体包括：寻找纹理基元，分析结构组成纹理的规律。一般来说统计法适用于分析纹理细而且不规则的物体；结构法则适用于纹理基元排列较规则的图像。
进一步，纹理特征提取的主要目的是将随机的纹理或几何纹理的空间结构差异转化为特征灰度值的差异，用一些数学模型来描述图像的纹理信息，包括图像区域的平滑、稀疏和规则性等。通常，纹理特征与纹理的位置、走向、尺寸、形状等性质有关，但是与平均灰度级(亮度)无关。
步骤S4，对处理后的待分析部位和医学影像数据库中与待分析部位对应的部位进行灰度对比分析，并且将灰度对比分析确定的异常点构成区域与纹理特征异常区域进行重合度匹配。
需要说明的是，所谓颜色或灰度级指黑白显示器中显示像素点的亮暗差别，在彩色显示器中表现为颜色的不同，灰度级越多，图像层次越清楚逼真。灰度级取决于每个像素对应的刷新存储单元的位数和显示器本身的性能。如每个象素的颜色用16位二进制数表示，我们就叫它16位图，它可以表达2的16次方即65536种颜色。如每一个象素采用24位二进制数表示，我们就叫它24位图，它可以表达2的24次方即16777216种颜色。灰度就是没有色彩，RGB色彩分量全部相等。如果是一个二值灰度图象，它的象素值只能为0或1，则灰度级为2。例如：一个256级灰度的图象，RGB(100,100,100)就代表灰度为100,RGB(50,50,50)代表灰度为50。灰度是指黑白图像中点的颜色深度，范围一般从0到255，白色为255，黑色为0，故黑白图片也称灰度图像，在医学、图像识别领域有很广泛的用途。
上述步骤S4中，对医学影像进行灰度对比分析病变异常点和异常区域，由于医学影像的颜色可有256种、65536种和16777216种，因此通过灰度分析异常准确性高。
步骤S5，根据纹理特征单独异常情况，灰度单独异常情况，及纹理特征和灰度重合异常情况，按照医学影像数据库中的病例数据，结合个人病史信息和个人生活习惯信息，给出评估结果和推荐治疗结果；同时输出医学影像图的三维图、分解图、分割图、放大图、异常区域图、纹理特征分析对比图、灰度分析对比图和曲线分析图。
上述步骤S5中，通过计算机输入设备将个人病史信息和个人生活习惯信息输入至计算机中；通过计算机的显示设备显示医学影像图的三维图、分解图、分割图、放大图、异常区域图、纹理特征分析对比图、灰度分析对比图和曲线分析图。
需要说明的是，根据纹理特征单独异常情况，灰度单独异常情况，及纹理特征和灰度重合异常情况三种医学影像分析类型，给出的评估结果和对应推荐治疗结果为计算机自动生成的结果，由于同时对纹理和灰度进行分析，其结果可靠性高。
进一步，计算机的显示设备显示医学影像图的三维图、分解图、分割图、放大图、异常区域图、纹理特征分析对比图、灰度分析对比图和曲线分析图，医生可以按照上述原始影像图和分析过程图，结合计算机输出的评估结果和推荐治疗结果，根据医生从业经验，全面可靠地给出其医疗诊断意见和医疗指导意见。
综上所述，本发明实施例中通过对医学影像数据建立以内脏为中心的三维模型，且与医学影像数据库中的对应三维模型进行对比，可以从全局整体对相关部位进行分析，避免了重视局部而忽略整体的现象，对未来疾病的预测提供了基础；根据三维模型整体分析结构对异常部位进行三维分解、分区域切割和比例放大处理后，对具体细节部位进行多方向多尺度的纹理特征提取和纹理特征对比分析，切断纹理差异值，且标记异常区域和异常点，同时，对具体细节部位进行灰度对比分析，确定灰度差异值，并确定异常区域和异常点；将根据纹理特征单独异常情况，灰度单独异常情况，及纹理特征和灰度重合异常情况三种医学影像分析类型，给出的评估结果和对应推荐治疗结果，即在内脏三维模型整体分析的基础上，从局部部位的纹理和灰度两方面同时对具体细节异常部位进行分析，其医学影像分析全面，分析准确性高。
以上公开的仅为本发明的几个具体实施例，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种医学影像计算机辅助分析方法，其特征在于，包括：
通过医学成像设备进行医学影像采集；其中，所述医学影像，包括：彩色医学影像和灰度医学影像；并且将所述彩色医学影像通过浮点算法转换为灰度医学影像；
对灰度医学影像数据以内脏部位为中心进行三维模型构建；并且将重建的内脏三维模型与医学影像数据库中的内脏三维模型进行匹配，对超出医学影像数据库中的内脏三维模型的标准参数范围的部位进行范围划定，对划定范围的部位进行三维分解、分区域切割和比例放大处理；同时，对医学影像数据库中的内脏三维模型与划定范围的部位对应的部位进行三维分解、分区域切割和比例放大处理；
对处理后的待分析部位和医学影像数据库中与待分析部位对应的部位同时进行多方向多尺度的纹理特征提取，将待分析部位提取的纹理特征与医学影像数据库中提取的纹理特征进行纹理对比分析；并且在纹理特征异常区域分布异常点标记；其中，纹理特征包括：纹理的位置、走向、尺寸和形状；
对处理后的待分析部位和医学影像数据库中与待分析部位对应的部位进行灰度对比分析，并且将灰度对比分析确定的异常点构成区域与纹理特征异常区域进行重合度匹配；
根据纹理特征单独异常情况，灰度单独异常情况，及纹理特征和灰度重合异常情况，按照医学影像数据库中的病例数据，结合个人病史信息和个人生活习惯信息，给出评估结果和推荐治疗结果；同时输出医学影像图的三维图、分解图、分割图、放大图、异常区域图、纹理特征分析对比图、灰度分析对比图和曲线分析图。
2.如权利要求1所述的医学影像计算机辅助分析方法，其特征在于，所述医学成像设备，包括：超声波成像设备。
3.如权利要求1所述的医学影像计算机辅助分析方法，其特征在于，所述将所述彩色影像通过浮点算法转换为灰度影像，具体包括：假如彩色影像中某点的颜色为RGB(R，G，B)，则通过浮点算法的灰度为：
Gray＝R*0.3+G*0.59+B*0.11。
4.如权利要求1所述的医学影像计算机辅助分析方法，其特征在于，通过统计分析法对纹理特征进行提取；所述统计分析法包括：从图像的属性的统计分析出发，根据纹理元素及排列规则描述纹理结构，反映像素之间的灰度级空间相关规律。
5.如权利要求1所述的医学影像计算机辅助分析方法，其特征在于，通过结构分析法对纹理特征进行提取；所述结构分析法包括：寻找纹理基元，分析结构组成纹理的规律。
6.如权利要求1所述的医学影像计算机辅助分析方法，其特征在于，通过计算机输入设备将个人病史信息和个人生活习惯信息输入至计算机中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711160238.0A CN107833631A (zh) | 2017-11-20 | 2017-11-20 | 一种医学影像计算机辅助分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711160238.0A CN107833631A (zh) | 2017-11-20 | 2017-11-20 | 一种医学影像计算机辅助分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107833631A true CN107833631A (zh) | 2018-03-23 |
Family
ID=61653073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711160238.0A Pending CN107833631A (zh) | 2017-11-20 | 2017-11-20 | 一种医学影像计算机辅助分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107833631A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160166A (zh) * | 2021-04-16 | 2021-07-23 | 重庆飞唐网景科技有限公司 | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 |
| CN113729932A (zh) * | 2021-09-29 | 2021-12-03 | 山东大学第二医院 | 一种用于肝脏肿瘤的智能微波消融系统 |
| CN116525098A (zh) * | 2023-04-06 | 2023-08-01 | 湘南学院 | 一种基于影像特征识别的急性脑出血预测系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105912874A (zh) * | 2016-04-29 | 2016-08-31 | 青岛大学附属医院 | 基于dicom医学图像构建的肝脏三维数据库系统 |
| 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 |
| CN106157297A (zh) * | 2015-05-14 | 2016-11-23 | 佳能株式会社 | 图像处理装置和图像处理方法 |
| US20160364630A1 (en) * | 2015-06-12 | 2016-12-15 | Merge Healthcare Incorporated | Methods and Systems for Automatically Mapping Biopsy Locations to Pathology Results |
| CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
-
2017
- 2017-11-20 CN CN201711160238.0A patent/CN107833631A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106157297A (zh) * | 2015-05-14 | 2016-11-23 | 佳能株式会社 | 图像处理装置和图像处理方法 |
| US20160364630A1 (en) * | 2015-06-12 | 2016-12-15 | Merge Healthcare Incorporated | Methods and Systems for Automatically Mapping Biopsy Locations to Pathology Results |
| CN105912874A (zh) * | 2016-04-29 | 2016-08-31 | 青岛大学附属医院 | 基于dicom医学图像构建的肝脏三维数据库系统 |
| 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 |
| CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160166A (zh) * | 2021-04-16 | 2021-07-23 | 重庆飞唐网景科技有限公司 | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 |
| CN113160166B (zh) * | 2021-04-16 | 2022-02-15 | 宁波全网云医疗科技股份有限公司 | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 |
| CN113729932A (zh) * | 2021-09-29 | 2021-12-03 | 山东大学第二医院 | 一种用于肝脏肿瘤的智能微波消融系统 |
| CN116525098A (zh) * | 2023-04-06 | 2023-08-01 | 湘南学院 | 一种基于影像特征识别的急性脑出血预测系统及方法 |
| CN116525098B (zh) * | 2023-04-06 | 2024-04-05 | 湘南学院 | 一种基于影像特征识别的急性脑出血预测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Olsen et al. | Diagnostic performance of deep learning algorithms applied to three common diagnoses in dermatopathology | |
| CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
| Hmimid et al. | Fast computation of separable two-dimensional discrete invariant moments for image classification | |
| Banerjee et al. | Automated 3D segmentation of brain tumor using visual saliency | |
| Ali et al. | Towards the automatic detection of skin lesion shape asymmetry, color variegation and diameter in dermoscopic images | |
| CN109003269B (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
| JP5851160B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
| RU2385494C1 (ru) | Способ распознавания изображения текстуры клеток | |
| WO2019062843A1 (zh) | 超声图像处理方法及系统 | |
| CN104000619A (zh) | 一种甲状腺ct图像计算机辅助诊断系统及方法 | |
| Gómez-Flores et al. | Assessment of the invariance and discriminant power of morphological features under geometric transformations for breast tumor classification | |
| CN107833631A (zh) | 一种医学影像计算机辅助分析方法 | |
| CN115131290A (zh) | 图像处理方法 | |
| George et al. | Automatic psoriasis lesion segmentation in two-dimensional skin images using multiscale superpixel clustering | |
| Zhao et al. | Region-based saliency estimation for 3D shape analysis and understanding | |
| Malafaia et al. | Robustness analysis of deep learning-based lung cancer classification using explainable methods | |
| WO2018098697A1 (zh) | 一种影像特征的可重复性测量方法及装置 | |
| CN113313680A (zh) | 一种结直肠癌病理图像预后辅助预测方法及系统 | |
| CN112651955A (zh) | 一种肠道图像的识别方法及终端设备 | |
| WO2022160731A1 (zh) | 图像处理方法、装置、电子设备、存储介质和程序 | |
| CN111652876B (zh) | 一种三维盆底超声图像的检测方法 | |
| Rasel et al. | Bluish veil detection and lesion classification using custom deep learnable layers with explainable artificial intelligence (XAI) | |
| CN112766332A (zh) | 医学影像检测模型训练方法、医学影像检测方法及装置 | |
| WO2018094553A1 (zh) | 显示方法和装置 | |
| CN114648512A (zh) | 舌下图像分析方法、装置、计算机设备和存储介质 |
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 |