CN107886506A - 一种超声甲状腺结节自动定位方法 - Google Patents

一种超声甲状腺结节自动定位方法 Download PDF

Info

Publication number
CN107886506A
CN107886506A CN201711096907.2A CN201711096907A CN107886506A CN 107886506 A CN107886506 A CN 107886506A CN 201711096907 A CN201711096907 A CN 201711096907A CN 107886506 A CN107886506 A CN 107886506A
Authority
CN
China
Prior art keywords
target
thyroid
thyroid nodule
layer
target detection
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
CN201711096907.2A
Other languages
English (en)
Inventor
桑农
都文鹏
高常鑫
张士伟
邵远杰
皮智雄
韩楚楚
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201711096907.2A priority Critical patent/CN107886506A/zh
Publication of CN107886506A publication Critical patent/CN107886506A/zh
Pending legal-status Critical Current

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
    • G06F18/21—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10132—Ultrasound image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (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)
  • Probability & Statistics with Applications (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种超声甲状腺结节自动定位方法，属于医学图像处理领域，包括：根据B超图像的水平方向平均灰度值的分布，得到甲状腺腺体层；在甲状腺腺体层中，利用甲状腺结节分类器，得到初始目标检测图；从B超图像获取相位不对称图，将初始目标检测图在相位不对称图中检测到的目标位置全部作为非目标，得到目标检测图；在目标检测图中，对各目标进行位置和尺寸约束，进而得到甲状腺结节定位结果。本发明能将与甲状腺结节内部具有相似纹理和强度信息的周围组织和结节很好地分离开来，从而准确定位到甲状腺结节区域。

Description

一种超声甲状腺结节自动定位方法
技术领域
本发明属于医学图像处理领域，更具体地，涉及一种超声甲状腺结节自动定位方法。
背景技术
研究表明，全世界范围内有越来越多的成年人出现甲状腺结节损伤病况，在过去30年，甲状腺癌症的发生率增加了2.4倍，已经对人类的健康造成了极大地威胁。目前，甲状腺结节的检查通常是医生通过B超进行的。B超灵活实时，但严重依赖于医生的经验与手法，比CT、MRI等其它影像更难以处理，所以三甲医院甲状腺结节的平均正确率也只有60％多，如果不进行组织切片检查，不同的医生常有不同的判断，因此，设计一套计算机辅助诊断系统来协助医生进行超声甲状腺结节的良恶性诊断是一件意义深远的事情。
常见的超声甲状腺诊断系统中，往往需要有经验的医生手动给定一个包含完整甲状腺结节的感兴趣区域(ROI)，然后在该感兴趣区域内对结节进行良恶性识别。这种方法有两个缺点：(1)由于个人认知和经验不同，两个不同的医生给出的ROI可能不尽相同，这会对结节的识别造成不同程度的影响。(2)所有样本(包括训练和测试样本)都需要医生给定ROI，这无疑增加了医生的工作负担。
由此可见，现有技术存在无法准确的定位到甲状腺结节区域的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种超声甲状腺结节自动定位方法，由此解决现有技术存在无法准确的定位到甲状腺结节区域的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种超声甲状腺结节自动定位方法，包括：
(1)根据B超图像的水平方向平均灰度值的分布，得到甲状腺腺体层；
(2)在甲状腺腺体层中，利用甲状腺结节分类器，得到初始目标检测图；
(3)从B超图像获取相位不对称图，将初始目标检测图在相位不对称图中检测到的目标位置全部作为非目标，得到目标检测图；
(4)在目标检测图中，获取各目标的轮廓，计算各目标的中心位置和尺寸，对各目标按照中心位置离目标检测图的中心位置由近到远的顺序进行结节目标检测，当目标的尺寸大于阈值时，该目标为结节目标区域，其他目标为伪目标，进而得到甲状腺结节定位结果。
进一步的，步骤(1)中的B超图像为对原始B超图像进行对比度增强处理后的图像。
进一步的，步骤(1)的具体实现方式为：
根据B超图像的水平方向平均灰度值的分布，得到水平方向最大平均灰度值的行索引值Rmax和从下到上遍历第一个水平方向最小平均灰度值的行索引值Rmin，进而得到Rmax与Rmin之差*90％的行索引值Rupper和Rmax与Rmin之差*25％的行索引值Rlower，取Rmax与Rupper之间的大者作为甲状腺腺体层的上边界，取Rmin与Rlower之间的小者作为腺体层的下边界，得到甲状腺腺体层。
进一步的，甲状腺结节分类器的训练方法为：
获取样本B超图像，根据样本B超图像的水平方向平均灰度值的分布，得到样本甲状腺腺体层，将样本B超图像中的甲状腺结节区域作为正样本，将样本甲状腺腺体层中除了甲状腺结节区域外的非结节区域作为负样本，利用正样本和负样本训练支持向量机，得到甲状腺结节分类器。
进一步的，步骤(4)的具体实现方式为：
在目标检测图中，获取各目标的轮廓，计算各目标的中心位置和尺寸，得到各目标中的最大尺寸值S，阈值为S/3，对各目标按照中心位置离目标检测图的中心位置由近到远的顺序进行排列，分别记录为O1，O2，O3，……On，先判断O1处的目标，如果其尺寸大于S/3，那么该目标为结节目标区域，其他目标为伪目标，否则，该目标作为伪目标，然后继续判断O2处的目标，如果其尺寸大于S/3，那么该目标为结节目标区域，其他目标为伪目标，否则，该目标为伪目标，然后继续判断O3处的目标，以此类推，进而得到甲状腺结节定位结果。
进一步的，步骤(4)还包括：
在目标检测图中，首先去除与甲状腺腺体层边界相连接的区域以及与B超图像左右边界相连接的区域，然后获取各目标的轮廓。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)由于在超声图像中，甲状腺的正常组织可能存在和结节内部相似的纹理和强度特征，因此，现有技术并没有将这种情况下的结节和周围组织完全分离开来，这样，就无法准确的定位到甲状腺结节的感兴趣区域。强度特征即为灰度值，本发明根据B超图像的水平方向平均灰度值的分布，得到甲状腺腺体层；在甲状腺腺体层中，得到初始目标检测图；从B超图像获取相位不对称图，将初始目标检测图与相位不对称图结合，得到目标检测图；在目标检测图中，对各目标进行位置和尺寸约束，进而得到甲状腺结节定位结果。本发明能将与甲状腺结节内部具有相似纹理和强度信息的周围组织和结节很好地分离开来，从而准确定位到甲状腺结节区域。
(2)本发明首先根据B超图像的水平方向平均灰度值的分布，得到甲状腺腺体层；然后对甲状腺腺体层进行后续检测，有效减少了工作量，提高了定位甲状腺结节的准确率和效率。
(3)由于甲状腺结节和一些非结节部分具有相似的纹理特征，所以初始目标检测图得到的目标并不仅仅是结节部分，还有很多其他的非结节部分。除此，有些B超图像中，结节和周围的非结节部分连接到了一块。因此，本发明从B超图像获取相位不对称图，将初始目标检测图在相位不对称图中检测到的目标位置全部作为非目标，由于相位不对称图其实是从频域位置分析图像灰度的突变位置，能够摆脱对图像亮度变化的依赖，所以能在边缘较模糊的B超图像中依然较好的检测到结节边界，因此通过将初始目标检测图与相位不对称图相结合，可以很好地分离结节与周围纹理，强度信息相似的组织。提高了定位甲状腺结节的准确率和效率。
(4)本发明定位的甲状腺腺体层上下边界均比医生实际标注的甲状腺腺体层上下边界更靠外，这样是为了保证真实的腺体层被包含在内，所以在目标检测图中，首先去除与甲状腺腺体层边界相连接的区域以及与B超图像左右边界相连接的区域，然后获取各目标的轮廓。这样基本可以去除绝大多数的伪目标，部分可以直接去掉所有的伪目标。提高了定位甲状腺结节的准确率和效率。
附图说明
图1是本发明实施例提供的一种超声甲状腺结节自动定位方法的流程图；
图2是本发明实施例提供的B超图像分层示意图；
图3(a)是本发明实施例提供的水平方向平均灰度值分布图；
图3(b)是本发明实施例提供的甲状腺腺体层定位结果图；
图4(a)是本发明实施例提供的去除斑点噪声后的B超图像；
图4(b)是本发明实施例提供的初始目标检测结果图；
图5是本发明实施例提供的B超图像的相位不对称图；
图6是本发明实施例提供的目标分离结果示意图；
图7是本发明实施例提供的位置和尺寸约束进行目标选择的流程图；
图8是本发明实施例提供的甲状腺结节定位结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是本发明实施例提供的一种超声甲状腺结节自动定位方法的流程图；包括：
(1)在现有技术中，将图像水平方向最大平均强度的行索引值和从上到下遍历第一个水平方向最小水平方向平均强度的行索引值之间的部分作为甲状腺腺体层，经过实验，我们发现这样定位的甲状腺腺体层会出现过大或过小的情况，过大不能造成后面的目标分类任务过重，过小会导致甲状腺结节的一部分区域被排除到甲状腺腺体层外，过小是因为在我们的超声数据中，可能腺体层或者皮肤层会出现某一行平均强度最低，图2是本发明实施例提供的B超图像分层示意图；本发明实施例中B超图像为对原始B超图像进行对比度增强处理后的图像。根据B超图像的水平方向平均灰度值的分布，如图3(a)所示，得到水平方向最大平均灰度值的行索引值Rmax和从下到上遍历第一个水平方向最小平均灰度值的行索引值Rmin，进而得到Rmax与Rmin之差*90％的行索引值Rupper和Rmax与Rmin之差*25％的行索引值Rlpwer，取Rmax与Rupper之间的大者作为甲状腺腺体层的上边界，取Rmin与Rlower之间的小者作为腺体层的下边界，得到甲状腺腺体层。如图3(b)所示为本发明实施例提供的甲状腺腺体层定位结果图。这样获得的腺体层能够完整包含甲状腺腺体，且不至于上边界过小，下边界过大的情况。
(2)甲状腺结节分类器的训练方法为：获取样本B超图像，对样本B超图像进行去除斑点噪声处理，得到如图4(a)所示的去除斑点噪声后的B超图像；根据样本B超图像的水平方向平均灰度值的分布，得到样本甲状腺腺体层，将样本B超图像中的甲状腺结节区域中提取的尺寸为L*L的小块作为正样本，将样本甲状腺腺体层中除了甲状腺结节区域外的非结节区域提取的尺寸为L*L的小块作为负样本，利用正样本和负样本训练支持向量机，通过对不同的L值(8，16，32)进行实验，结果显示L为16时，效果最佳，支持向量机核函数选用径向基函数，通过交叉验证和网格搜索方法找到最优的参数，得到甲状腺结节分类器。在甲状腺腺体层中，利用甲状腺结节分类器，得到初始目标检测图；如图4(b)所示。
(3)由于甲状腺结节和一些非结节部分具有相似的纹理特征，所以初始目标检测图得到的目标并不仅仅是结节部分，还有很多其他的非结节部分。除此，有些B超图像中，结节和周围的非结节部分连接到了一块。因此，本发明从B超图像获取相位不对称图，如图5所示，将初始目标检测图在相位不对称图中检测到的目标位置全部作为非目标，由于相位不对称图其实是从频域位置分析图像灰度的突变位置，能够摆脱对图像亮度变化的依赖，所以能在边缘较模糊的B超图像中依然较好的检测到结节边界，如图6所示，通过将初始目标检测图与相位不对称图相结合，可以很好地分离结节与周围纹理，强度信息相似的组织。提高了定位甲状腺结节的准确率和效率。
(4)如图7所示在目标检测图中，在目标检测图中，首先去除与甲状腺腺体层边界相连接的区域以及与B超图像左右边界相连接的区域，然后获取各目标的轮廓，计算各目标的中心位置和尺寸，得到各目标中的最大尺寸值S，阈值为S/3，对各目标按照中心位置离目标检测图的中心位置由近到远的顺序进行排列，分别记录为O1，O2，O3，……On，先判断O1处的目标，如果其尺寸大于S/3，那么该目标为结节目标区域，其他目标为伪目标，否则，该目标作为伪目标，然后继续判断O2处的目标，如果其尺寸大于S/3，那么该目标为结节目标区域，其他目标为伪目标，否则，该目标为伪目标，然后继续判断O3处的目标，以此类推，进而得到甲状腺结节定位结果，如图8所示。
综上，研究出有效的超声甲状腺结节自动定位方法对整个计算机辅助诊断系统来说是至关重要的。已经出现的甲状腺超声肿瘤自动定位方法多只利用了图像的各种纹理特征，然后利用一些实用的分类器进行分类，由于在超声图像中，甲状腺的正常组织可能存在和结节内部相似的纹理和强度特征，因此，之前的方法并没有将这种情况下的结节和周围组织完全分离开来，这样，就无法准确的定位到甲状腺结节的感兴趣区域。所以，如何能将与结节内部具有相似纹理和强度信息的周围组织和结节很好地分离开来是能够准确定位到甲状腺结节区域的关键所在，也是本发明的最大优势所在。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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 (6)

1.一种超声甲状腺结节自动定位方法，其特征在于，包括：
(1)根据B超图像的水平方向平均灰度值的分布，得到甲状腺腺体层；
(2)在甲状腺腺体层中，利用甲状腺结节分类器，得到初始目标检测图；
(3)从B超图像获取相位不对称图，将初始目标检测图在相位不对称图中检测到的目标位置全部作为非目标，得到目标检测图；
(4)在目标检测图中，获取各目标的轮廓，计算各目标的中心位置和尺寸，对各目标按照中心位置离目标检测图的中心位置由近到远的顺序进行结节目标检测，当目标的尺寸大于阈值时，该目标为结节目标区域，其他目标为伪目标，进而得到甲状腺结节定位结果。
2.如权利要求1所述的一种超声甲状腺结节自动定位方法，其特征在于，所述步骤(1)中的B超图像为对原始B超图像进行对比度增强处理后的图像。
3.如权利要求1或2所述的一种超声甲状腺结节自动定位方法，其特征在于，所述步骤(1)的具体实现方式为：
根据B超图像的水平方向平均灰度值的分布，得到水平方向最大平均灰度值的行索引值Rmax和从下到上遍历第一个水平方向最小平均灰度值的行索引值Rmin，进而得到Rmax与Rmin之差*90％的行索引值Rupper和Rmax与Rmin之差*25％的行索引值Rlower，取Rmax与Rupper之间的大者作为甲状腺腺体层的上边界，取Rmin与Rlower之间的小者作为腺体层的下边界，得到甲状腺腺体层。
4.如权利要求1所述的一种超声甲状腺结节自动定位方法，其特征在于，所述甲状腺结节分类器的训练方法为：
获取样本B超图像，根据样本B超图像的水平方向平均灰度值的分布，得到样本甲状腺腺体层，将样本B超图像中的甲状腺结节区域作为正样本，将样本甲状腺腺体层中除了甲状腺结节区域外的非结节区域作为负样本，利用正样本和负样本训练支持向量机，得到甲状腺结节分类器。
5.如权利要求1或2所述的一种超声甲状腺结节自动定位方法，其特征在于，所述步骤(4)的具体实现方式为：
在目标检测图中，获取各目标的轮廓，计算各目标的中心位置和尺寸，得到各目标中的最大尺寸值S，阈值为S/3，对各目标按照中心位置离目标检测图的中心位置由近到远的顺序进行排列，分别记录为O1，O2，O3，……On，先判断O1处的目标，如果其尺寸大于S/3，那么该目标为结节目标区域，其他目标为伪目标，否则，该目标作为伪目标，然后继续判断O2处的目标，如果其尺寸大于S/3，那么该目标为结节目标区域，其他目标为伪目标，否则，该目标为伪目标，然后继续判断O3处的目标，以此类推，进而得到甲状腺结节定位结果。
6.如权利要求5所述的一种超声甲状腺结节自动定位方法，其特征在于，所述步骤(4)还包括：
在目标检测图中，首先去除与甲状腺腺体层边界相连接的区域以及与B超图像左右边界相连接的区域，然后获取各目标的轮廓。
CN201711096907.2A 2017-11-08 2017-11-08 一种超声甲状腺结节自动定位方法 Pending CN107886506A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711096907.2A CN107886506A (zh) 2017-11-08 2017-11-08 一种超声甲状腺结节自动定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711096907.2A CN107886506A (zh) 2017-11-08 2017-11-08 一种超声甲状腺结节自动定位方法

Publications (1)

Publication Number Publication Date
CN107886506A true CN107886506A (zh) 2018-04-06

Family

ID=61779633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711096907.2A Pending CN107886506A (zh) 2017-11-08 2017-11-08 一种超声甲状腺结节自动定位方法

Country Status (1)

Country Link
CN (1) CN107886506A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108433755A (zh) * 2018-04-13 2018-08-24 河南科技大学第附属医院 一种肿瘤取样装置
CN108831532A (zh) * 2018-06-15 2018-11-16 北京大学第医院 一种核医学甲状腺显像图像处理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
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
CN106056595A (zh) * 2015-11-30 2016-10-26 浙江德尚韵兴图像科技有限公司 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
CN106056595A (zh) * 2015-11-30 2016-10-26 浙江德尚韵兴图像科技有限公司 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WENPENG DU，NONG SANG: "《An effective method for ultrasound thyroid nodules segmentation》", 《2015 INTERNATIONAL SYMPOSIUM ON BIOELECTRONICS AND BIOINFORMATICS》 *
韩晓涛: "《基于超声图像的甲状腺结节计算机辅助诊断方法研究》", 《中国优秀硕士学位论文全文数据库》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108433755A (zh) * 2018-04-13 2018-08-24 河南科技大学第附属医院 一种肿瘤取样装置
CN108831532A (zh) * 2018-06-15 2018-11-16 北京大学第医院 一种核医学甲状腺显像图像处理方法及系统
CN108831532B (zh) * 2018-06-15 2022-03-29 北京大学第一医院 一种核医学甲状腺显像图像处理方法及系统

Similar Documents

Publication Publication Date Title
EP2916737B1 (en) System and method for automated detection of lung nodules in medical images
Noor et al. Automatic lung segmentation using control feedback system: morphology and texture paradigm
Camilus et al. Computer-aided identification of the pectoral muscle in digitized mammograms
Zhou et al. Automated lung segmentation and smoothing techniques for inclusion of juxtapleural nodules and pulmonary vessels on chest CT images
CN107045721B (zh) 一种从胸部ct图像中提取肺血管的方法及装置
Abd-Elaziz et al. Liver tumors segmentation from abdominal CT images using region growing and morphological processing
KR20150131018A (ko) 진단 벡터 분류 지원을 위한 시스템 및 방법
Foruzan et al. A knowledge-based technique for liver segmentation in CT data
Ribeiro et al. Handling inter-annotator agreement for automated skin lesion segmentation
CN101976303B (zh) 一种乳腺肿块、钙化良恶自动识别及定量化影像评价系统
Ananth et al. Graph Cutting Tumor Images
Bouchebbah et al. 3D automatic levels propagation approach to breast MRI tumor segmentation
Feuerstein et al. Automatic mediastinal lymph node detection in chest CT
CN107886506A (zh) 一种超声甲状腺结节自动定位方法
CN104751457A (zh) 一种新的基于变分能量的肝脏分割方法
Ukil et al. Smoothing lung segmentation surfaces in three-dimensional x-ray ct images using anatomic guidance1
WO2017171643A1 (en) Three-dimensional representation of skin structure
JP5624505B2 (ja) 画像処理装置
Mohd Noor et al. Segmentation of the lung anatomy for high resolution computed tomography (HRCT) thorax images
Chama et al. Automated lung field segmentation in CT images using mean shift clustering and geometrical features
Ming et al. Enhanced automatic lung segmentation using graph cut for interstitial lung disease
Sun et al. A new approach for breast skin-line estimation in mammograms
Kumar et al. Neural Network Based Approach for Detection of Abnormal Regions of Lung Cancer in X-Ray Image
Kollorz et al. Using power watersheds to segment benign thyroid nodules in ultrasound image data
Saad et al. Automatic Brain Lesion Detection and Classification Based On Diffusion-Weighted Imaging Using Adaptive Thresholding and A Rule Based Classifier

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180406