CN108010021A - 一种医学图像处理系统和方法 - Google Patents
一种医学图像处理系统和方法 Download PDFInfo
- Publication number
- CN108010021A CN108010021A CN201711242641.8A CN201711242641A CN108010021A CN 108010021 A CN108010021 A CN 108010021A CN 201711242641 A CN201711242641 A CN 201711242641A CN 108010021 A CN108010021 A CN 108010021A
- Authority
- CN
- China
- Prior art keywords
- medical image
- target pixel
- pixel points
- pixel
- smart network
- 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
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种医学图像处理系统和方法。该系统包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现:获取医学图像;将所述医学图像输入第一人工智能网络,获取所述医学图像的第一分类概率图,所述第一分类概率图中的每一点与所述医学图像的像素点相对应,所述第一人工智能网络是预先依据医学图像样本和对应的目标像素点训练获得的;根据所述第一分类概率图在所述医学图像中确定目标像素点,所述目标像素点的集合为目标对象。本发明实施例提高了目标像素点的检测速率,保证了目标对象检测的准确率。
Description
技术领域
本发明实施例涉及医学图像处理技术,尤其涉及一种医学图像处理系统和方法。
背景技术
在进行医学图像检测时,检测结果通常存在两种情况,一种是真实的目标区域,即实际病变的机体位置;一种是假阳性,即实际未出现病变但是检测结果为病变的机体位置。因而,在进行医学图像检测时,筛选出假阳性对于正确检测到病灶的位置至关重要。
现有的对病灶检测的方法,首先采用滑动窗口进行初检,然后采用卷积神经网络进行去假阳性操作。由于病灶和假阳性在图像中所占的像素比例很小,采用滑动窗口进行初检的方式在窗口的尺寸太大时,存在漏检或误检的问题,在窗口的尺寸太小时,存在检测速率太慢的问题。最终导致病灶检测的准确率低以及速率慢。
发明内容
本发明实施例提供一种医学图像处理系统和方法,解决现有的病灶检测方法的准确率低以及速率慢的问题。
第一方面,本发明实施例提供了一种医学图像处理系统,该系统包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现:
获取医学图像;
将所述医学图像输入第一人工智能网络,获取所述医学图像的第一分类概率图,所述第一分类概率图中的每一点与所述医学图像的像素点相对应,所述第一人工智能网络是预先依据医学图像样本和对应的目标像素点训练获得的;
根据所述第一分类概率图在所述待医学图像中确定目标像素点,所述目标像素点的集合为目标对象。
进一步地,根据所述第一分类概率图在所述待检测医学图像中确定目标像素点包括:
根据预设阈值对所述第一分类概率图进行二值化处理,获取二值图;
在所述二值图中确定孤立连通域,与所述孤立连通域相对应的待检测医学图像中的像素点为目标像素点。
进一步地,将所述医学图像输入第一人工智能网络包括:
对医学图像进行预处理,所述预处理包括分割、滤波或滑动窗口处理中的至少一种;
将所述预处理后的医学图像输入第一人工智能网络。
进一步地,所述处理器还用于执行:
将所述目标像素点确定的医学图像输入到第二人工智能网络中获取第二分类概率,其中,所述第二人工智能网络是预先依据目标样本以及确定的假阳性位置训练得到的;
根据所述第二人工智能网络输出的第二分类概率,确定所述目标像素点的集合中的假阳性像素点;
将所述目标像素点的集合中的假阳性像素点去除,得到医学图像检测结果。
进一步地,所述处理器还用于执行:
对所述目标像素点的集合进行特征提取,得到特征提取结果;
将所述特征提取结果输入分类器以确定假阳性像素点,并将所述假阳性像素点去除,获得检测结果。
第二方面,本发明实施例还提供了一种医学图像处理方法,该方法包括:
获取医学图像,所述医学图像包含多个像素点;
将所述医学图像输入第一人工智能网络,以将所述医学图像的像素点分类为目标像素点和非目标像素点,所述第一人工智能网络是预先依据医学图像样本和对应的目标像素点训练得到的;
所述第一人工智能网络包括第一输出通道和第二输出通道,所述目标像素点包括第一类目标像素点和第二类目标像素点,所述第一输出通道输出医学图像的像素点属于第一类目标像素点的分类结果,所述第二输出通道输出医学图像的像素点属于第二类目标像素点的分类结果。
进一步地,所述目标像素点的集合为目标对象,所述医学图像包含肺部区域和肋骨区域的CT图像或DR图像,所述第一类目标像素点的集合对应的目标对象为肺部区域的节点,所述第二类目标像素点的集合对应的目标对象为肋骨区域的非连续点。
进一步地,将所述医学图像输入第一人工智能网络,以将所述医学图像的像素点分类为目标像素点和非目标像素点包括:
将所述医学图像输入第一人工智能网络,获取多个目标轮廓,所述第一人工智能网络包括医学图像与目标轮廓的映射关系;
所述目标轮廓内的像素点为目标像素点,所述目标轮廓外的像素点为非目标像素点。
进一步地,将所述医学图像输入第一人工智能网络,以将所述医学图像的像素点分类为目标像素点和非目标像素点包括:
将所述医学图像输入第一人工智能网络,获取所述医学图像的像素点的分类概率值,所述第一人工智能网络包括医学图像与像素点的分类概率值的映射关系;
根据所述分类概率值将所述医学图像的像素点分类为目标像素点和非目标像素点。
进一步地,所述方法还包括:
确定所述医学图像中的假阳性像素点,并从所述目标像素点的集合中去除所述假阳性像素点。
本发明实施例通过采用预先依据医学图像样本和对应的目标像素点训练的人工智能网络进行目标像素点的检测,由于所用的人工智能网络为端到端网络,其具有由输入直接得到输出的特性,提高了像素点概率分布的获取速率,进而提高了目标对象检测速率,并且根据概率图确定目标像素点的位置,可以保证目标对象检测的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种医学图像处理系统的结构示意图;
图2是本发明实施例一提供的一种医学图像处理方法的流程图;
图3是本发明实施例一提供的一种待检测医学图像;
图4是本发明实施例一获取的第一分类概率图的二值图;
图5是本发明实施例二提供的一种医学图像处理方法的流程图;
图6是本发明实施例二提供的V-net的网络结构示意图;
图7为本发明实施例三提供的一种医学图像处理方法的流程图;
图8为本发明实施例三提供的一种RPN中使用的VGG网络结构示意图;
图9a为本发明实施例三所用的CT图像示意图;
图9b为对图9a的CT图像处理获得的分类概率图二值化结果示意图;
图10a为本发明实施例三的另一CT图像示意图;
图10b为对图10a的CT图像处理获得的分类概率图二值化结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,显然,所描述的实施例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。
实施例一
本发明实施例一提出一种医学图像处理系统,该医学图像处理系统可以被用于实施本发明一些实施例中披露的特定方法。本实施例中的特定系统利用功能框图展示了一个包含显示模块的硬件平台。在一些实施例中,医学图像处理系统可以通过其硬件设备、软件程序、固件以及它们的组合来实现本发明一些实施例的具体实施。在一些实施例中,医学图像处理系统可以是一个通用目的的计算机,或一个具有图像处理功能的医学成像设备。医学成像设备可以是心电图仪(electrocardiography)、数字化X射线摄影(digitalradiography,DR)设备、磁共振成像(magnetic resonance imaging,MRI)设备、计算机断层扫描(computed tomography,CT)设备、正电子发射型计算机断层成像(positron emissioncomputed tomography,PET)设备、超声(ultrasonic,US)设备、荧光光谱(fluorescence)设备、单光子发射计算机化断层成像(single photon emission computed tomography,SPECT)、乳腺机(mammo)设备等单模态设备,还可以是包含上述两种或多种设备成像功能的多模态设备。
如图1所示,医学图像处理系统10可以包括内部通信总线101、处理器(processor)102、只读存储器(ROM)103、随机存取存储器(RAM)104、通信端口105、输入/输出组件106、硬盘107以及用户界面108。内部通信总线101可以实现不同组件间的数据通信。处理器102可以进行判断和发出提示。在一些实施例中,处理器102可以由一个或多个处理器组成,其中的处理器可包括端到端网络组成的人工智能(artificial intelligence,AI)网络,将医学图像输入该人工智能网络可以在医学图像上自动确定病灶的位置。当然,处理器中的人工智能网络是经过大量先验数据训练过的,在训练过程中各级网络参数被不断调整。可选地,人工智能网络可以包括第一人工智能网络和第二人工智能网络,且人工智能网络优选端到端网络。通信端口105可以实现医学图像处理系统10与其他部件例如:外接扫描仪、图像采集设备、数据库、外部存储以及图像处理工作站等之间进行数据通信。
在一些实施例中,医学图像处理系统10可以通过通信端口105从网络发送和接收信息及数据。输入/输出组件106支持医学图像处理系统10与其他部件之间的输入/输出数据流。用户界面108可以实现医学图像处理系统10和用户之间的交互和信息交换。医学图像处理系统10还可以包括不同形式的程序储存单元以及数据储存单元,例如硬盘107,只读存储器(ROM)103,随机存取存储器(RAM)104,能够存储计算机处理和/或通信使用的各种数据文件,以及处理器102所执行的可能的程序指令。在一些实例中,医学图像处理系统10中的程序储存单元以及数据储存单元可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在一些实施例中,输入/输出组件106可用于接收输入的数字或字符信息,以及产生与设备/终端/服务器的用户设置以及功能控制有关的键信号输入。用户界面108可包括显示屏等显示设备。在一些实施例中,医学图像可以是肺部CT图像,通过医学图像处理方法,可从医学图像中检测得到肺部结节区域、肺气肿发生的区域或者肋骨骨折区域;还可以检测出CT突袭点结肠息肉自动检测、CT图像脑出血自动检测,上述病灶位置都可在用户界面108上标识出。在一些实施例中,医学图像可以是乳腺机拍摄的图像,用于乳腺块自动检测或者乳腺钙化自动检测,精细的量化结果也可在用户界面108上显示。
图2是本发明实施例一提供的一种医学图像处理方法的流程图,该方法涉及的指令可由处理器102执行。本实施例的技术方案可以适用于对医学图像的病灶进行检测。该方法具体包括如下操作:
S210、获取医学图像,该医学图像可包括多个像素点。可选地,待检测的医学图像可以是从医学成像系统10连接的扫描仪中即时采集,重建后发送至处理器102中的;也可以是预先存储在硬盘107、只读存储器(ROM)103或随机存取存储器(RAM)104中而传输到处理器102中的。医学图像的类型可以是一维(1D)数据,二维(2D)图像或三维(3D)图像。例如,1D数据可以是心电图;2D图像可以是X射线图像;3D图像可以是MR图像、CT图像、PET图像、超声图像、荧光图像、SPECT图像中的一种或多种的组合。示例性地,医学图像可以对应受检者的肺部区域、乳腺区域、结肠区域、头部区域等。可选地,可以对医学图像进行图像强度、图像对比度、图像格式、图像切片间距等归一化处理操作。可选地,医学图像的格式可以是DICOM格式、二进制格式或者NIFTI格式。
S220、将医学图像输入第一人工智能网络,获取医学图像各像素点的第一分类概率图。其中,所述第一人工智能网络是预先依据医学图像样本和对应的目标像素点(或目标像素点的概率分布)训练生成的,第一分类概率图中的每一点与医学图像的像素点相对应,即医学图像中的每个像素点经过神经网络的处理可以得到每个像素点属于目标像素点的概率值或概率分布。
第一人工智能网络可以是预先依据大量医学图像样本和对应的确定的病灶位置生成的端到端(end-to-end)网络,端到端网络指的是输入是原始数据,输出可以是二通道或者多通道,无需提取特征,自主学习特征,方便快捷。
将所述医学图像输入第一人工智能网络还可包括:
对医学图像进行预处理,所述预处理包括分割、滤波或滑动窗口处理等。
图像分割中常用的分割方法有基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法等。病灶的纹理、形态等特征是区别于正常组织的。所述的图像分割可以是在一幅医学图像中,利用病灶区别于正常组织的特点,分割出候选病灶位置,候选病灶位置即感兴趣区域。图像分割还可以是将感兴趣的器官分割出来,例如,肺部、乳腺、结肠、或脑等。
图像滤波的方法有直方图均衡化、高斯滤波、中值滤波或均值滤波等。图像滤波的方法可以实现滤出噪声,保证得到的候选病灶更准确。
采用滑动窗口进行初始检测,滑动窗口可以是一维、二维或三维滑动窗口,用于提取候选病灶。滑动窗口可以覆盖整幅待检测医学图像,可以保证得到的候选病灶的全面性。
将所述预处理后的医学图像输入第一人工智能网络。采用预处理方法对医学图像进行处理减小了输入到第一人工智能网络中的数据量,提高了病灶检测速率,通过预处理方法和端到端网络的结合,预处理作为初步检测,端到端网络进行优化,提高了病灶位置确定的准确率。
S230、根据第一分类概率图在所述医学图像中确定目标像素点,目标像素点的集合可以为目标对象。
目标像素点可以是病灶区域的像素点,也可以是任何感兴趣区域的像素点。第一人工智能网络产生的第一概率图可以反映每一个像素是目标像素点的概率或者每一个像素属于非目标像素点的概率。例如,对于CT肺部图像,通过对整幅图像的所有像素的概率分析,可以确定肺部图像中的节点,该节点可以是肺部结节区域。又例如,可以根据所有的概率值设定阈值进行分割,对分割之后的分割图提取/确定孤立区域,每个孤立区域即为目标像素点组成的集合。进一步地,根据孤立区域的形态可确定目标对象,目标对象可以是肺气肿区域、肋骨中的非连续点(断点)或者发生气胸的区域。
根据所述第一分类概率图在所述医学图像中确定目标像素点包括:
根据预设阈值对所述第一分类概率图进行二值化处理,获取二值图;
预设阈值可以根据第一概率图中的概率值统计得到。根据预设阈值对第一概率图进行二值化处理可以是将大于预设阈值的像素值设为1,将小于预设阈值的像素值设为0,由此实现二值化。
在所述二值图中确定孤立连通域,与所述孤立连通域相对应的待检测医学图像中的像素点为目标像素点。
二值图中的孤立连通域即像素值均大于预设阈值或均小于预设阈值的像素值,并且周围像素与孤立连通区域中像素的像素值的特性相反。采用二值化方式提高了病灶检测速率,用独立连通域表征病灶位置更加准确
可选地,在该医学图像中提取孤立区域,单张2D概率图逐层堆叠形成3D概率图,针对3D概率图应用阈值,得到二值化的掩膜。在此二值化掩膜中,将3D范围内提取得到每像素26邻域范围内所有相连通的标记为1的区域。
图3示出了一实施例中的待检测医学图像,该图像为CT肺部图像,其包括病灶区域和各种血管点。根据上述方法采用端到端网络最终得到如图4所示的第一分类概率图的二值图,其中亮度较高的像素点组成的两个孤立连通域对应CT肺部的结节区域。
本发明实施例通过采用预先依据医学图像样本和对应的像素点概率分布生成的端到端网络进行目标像素点的检测,由于端到端网络的由输入直接得到输出的特性,提高了像素点概率分布的获取速率,进而提高了病灶检测速率,并且根据概率图确定病灶位置可以保证病灶检测的准确率;端到端网络的处理速度快,无需对结果图像进行拼接,精度更高,可减少后处理操作,处理速度更快。
实施例二
图5是本发明实施例二提供的一种医学图像处理方法的流程图,该方法涉及的指令同样可由处理器102执行。本实施例的技术方案可以适用于对医学图像的病灶进行检测,并进一步地对病灶进行筛选以去除假阳性。该方法具体包括如下操作:
S510、获取医学图像,该医学图像可包括多个像素点。在此实施例中,该医学图像为CT肺部图像,且还对该医学图像进行初始分割,得到肺部区域。
S520、将医学图像输入第一人工智能网络,获取医学图像各像素点的第一分类概率图。
S530、根据第一分类概率图在所述医学图像中确定目标像素点。
S540、去除目标像素点形成集合中的假阳性像素点,获得检测结果。在一个可选实施方式中,去除目标像素点形成集合中的假阳性像素点,获得检测结果包括:
a1、将所述目标像素点确定的医学图像输入到第二人工智能网络中获取第二分类概率,其中,所述第二人工智能网络是预先依据目标样本以及确定的假阳性位置训练获得的。
a2、根据所述第二人工智能网络输出的第二分类概率,确定所述目标像素点的集合中的假阳性像素点。
a3、将所述目标像素点形成集合中的假阳性像素点去除,得到医学图像检测结果。
在此具体实施例中,可以使用2D/3D-CNN将候选病灶中的假阳性和真病灶区分出来,第一人工智能网络可以采用2D-CNN,即采用2D卷积核进行卷积操作;第二人工智能网络可以采用3D-CNN,即采用3D卷积核进行卷积操作。
可选地,第一人工智能网络或第二人工智能网络可包括:全卷积神经网络、U-net或V-net。其中,全卷积神经网络(FCN,Fully Convolutional Network)是对图像中的每个像素进行分类,以此达到对图像特定部分进行分类的效果。U-net,是FCN的升级网络,将卷积过程中的中间结果加到转置卷积的运算中。
图6为V-net的网络结构示意图,上述网络的左边部分用于提取图像特征,右边部分将提取得到的特征组合并扩展成原始图像尺寸的概率图,具体可参考Milletari F,Navab N,Ahmadi S A.V-net:Fully convolutional neural networks for volumetricmedical image segmentation[C]//3D Vision(3DV),2016Fourth InternationalConference on.IEEE,2016:565-571。该V-net保留了U-net的卷积过程中的中间结果加到转置卷积运算中这一特点,并使用了Dice函数作为目标函数,并且使用了残差网络(residual net)的跳层。Dice函数可以计算两个物体的相似度:
其中,pi属于预测物体的体素;gi为实际物体的体素;1≤i≤N,N为体素个数,且N为大于1的整数。
目标对象样本为先验病灶区域,第二人工智能网络预先依据病灶区域以及确定的假阳性位置训练得到了参数矩阵,再将目标像素点确定的医学图像输入到训练好的第二人工智能网络即可得到与输入相对应的假阳性概率图即第二概率图,通过第二概率图可以确定假阳性位置。根据假阳性位置可以将病灶区域中对应的位置删除,得到最终病灶的位置。采用第二人工智能网络进一步筛选检测结果,提高病灶检测的准确率。
在另一可选的实施方式中,去除目标像素点的集合中的假阳性像素点,获得检测结果包括:
b1、采用特征提取方法对所述目标像素点组成的集合进行特征提取,得到特征提取结果。
其中,所述特征提取方法至少包括:利用统计学特征、形态学特征、纹理特征或小波特征进行特征提取的方法。
b2、将所述特征提取结果输入分类器以确定假阳性,并将所述假阳性去除,获得最终病灶检测结果。
其中,分类器可以是支持向量机(SVM,Support Vector Machine)、线性分类器(LDA,Linear Discriminant Analysis)或神经网络,神经网络中可以采用卷积神经网络(CNN,Convolutional Neural Network),示例性地,对于三维图像可以采用二维或三维卷积神经网络进行分类。
用肺结节自动检测举例。使用RPN网络作为初检的网络,检测针对每一个CT扫描检测得到一组外接矩形,每个外接矩形代表一个病灶,即候选肺结节。在所有候选肺结节中,包含若干个真正的肺结节,以及大量假阳性。因此,要进行第二步操作,去除假阳性。要尽可能多的去除这些假阳性,留下真正的肺结节。这里使用V-net、Unet、FCN等分割网络将病灶逐一输入网络,输出这些结节的分割结果。如果是假阳性,则输出一张全都接近零的概率图。如果是真正的结节,则在输出的概率图中结节对应像素点具有高概率。在概率图上加入一个阈值,则得到结节的轮廓。如果没有产生任何高概率的点,则认为此候选结节为假阳性。输出含有高概率点的候选结节,及其轮廓。通过采用第一人工智能网络对医学图像进行初检,确定病灶的位置,进一步采用特征提取和分类器的结合进行去假阳性的操作,实现了病灶位置的高准确度检测。
实施例三
图7是本发明实施例三提供的一种医学图像处理方法的流程图。本实施例的技术方案在上述任意实施例的基础上,进一步进行了优化。本实施例的方法包括:
S710、获取医学图像,所述医学图像包含多个像素点。
S720、将所述医学图像输入第一人工智能网络,以将所述医学图像的各像素点分类为目标像素点和非目标像素点,所述第一人工智能网络是预先依据医学图像样本和对应的目标像素点训练获得的。
在此实施例中,第一人工智能网络选择区域建议网络(region proposalnetwork,RPN)将所述医学图像输入第一人工智能网络,以将所述医学图像的各像素点分类为目标像素点和非目标像素点包括:将所述医学图像输入RPN网络,获取多个目标轮廓,所述RPN网络包括医学图像与目标轮廓的映射关系;所述目标轮廓内的像素点为目标像素点,所述目标轮廓外的像素点为非目标像素点。图8为本发明实施例中RPN中使用的VGG网络结构示意图。该网络依次包括:两个卷积层、池化层、两个卷积层、池化层、三个卷积层、池化层、三个卷积层、代价层。经过上述网络可输出外接矩形(目标轮廓)和目标像素点的概率。上述网络的具体结构也可参考:Ren S,He K,Girshick R,et al.Faster R-CNN:Towardsreal-time object detection with region proposal networks[C]//Advances inneural information processing systems.2015:91-99。
上述区域建议网络为端到端网络的一种,所述端到端网络包括第一输出通道和第二输出通道,所述目标像素点包括第一类目标像素点和第二类目标像素点,所述第一输出通道输出医学图像的像素点属于第一类目标像素点的分类结果,所述第二输出通道输出医学图像的像素点属于第二类目标像素点的分类结果。
输出为二通道或者多通道,二通道输出,指的是前景一通道、背景一通道。前景指病灶。如第一类目标像素点为前景,即病灶,第二类目标像素点为背景。多通道结果指的是多个分类的结果。比如:同时检测多种病灶。具体说,例如:在胸部CT中检测肺结节、肺气肿、肋骨骨折等等,又比如:在X光胸片中检测,同时检测肿瘤、气胸、骨折等等。这时三个检测对象加上一个背景,则结果图会输出4通道。
图9a为本发明实施例所用的CT图像示意图,其中,在图中标识(箭头)的地方存在结节区域,即目标对象,其他部分也有类似的结节区域,但是仅通过肉眼无法精确辨认出实际病灶的具体位置。图9b为对图9a的CT图像处理获得的分类概率图二值化结果(即二值图)示意图,图中绝大部分为正常组织(亮度较低的区域),而在图像中显现出的明显的高亮度区域即对应CT的结节区域。
图10a为本发明实施例的另一CT图像示意图,根据先验知识,该图像为正常组织的图像,图中右侧标识部分为血管组织,该区域在利用第一人工智能网络检测后,容易被误判为病灶区域。图10b为对图10a的CT图像获得的分类概率图二值化结果(二值图)示意图,图像中显现出的明显的高亮度区域对应CT的血管区域,而非病灶区域。为了得到提高检测结果的精确性,在本实施例的另一优选实施方式中,所述医学图像处理方法还包括:
确定所述医学图像中的假阳性像素点,并从所述目标像素点中去除所述假阳性像素点。假阳性像素点的去除可参考实施例二中的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种医学图像处理系统,所述系统包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现:
获取医学图像;
将所述医学图像输入第一人工智能网络,获取所述医学图像的第一分类概率图,所述第一分类概率图中的每一点与所述医学图像的像素点相对应,所述第一人工智能网络是预先依据医学图像样本和对应的目标像素点训练获得的;
根据所述第一分类概率图在所述医学图像中确定目标像素点,所述目标像素点的集合为目标对象。
2.根据权利要求1所述的系统,其特征在于,根据所述第一分类概率图在所述医学图像中确定目标像素点包括:
根据预设阈值对所述第一分类概率图进行二值化处理,获取二值图;
在所述二值图中确定孤立连通域,与所述孤立连通域相对应的待检测医学图像中的像素点为目标像素点。
3.根据权利要求1所述的系统,其特征在于,将所述医学图像输入第一人工智能网络包括:
对医学图像进行预处理,所述预处理包括分割、滤波或滑动窗口处理中的至少一种;
将所述预处理后的医学图像输入第一人工智能网络。
4.根据权利要求1所述的系统,其特征在于,所述处理器还用于执行:
将所述目标像素点确定的医学图像输入到第二人工智能网络中获取第二分类概率,其中,所述第二人工智能网络是预先依据目标样本以及确定的假阳性位置训练得到的;
根据所述第二人工智能网络输出的第二分类概率,确定所述目标像素点的集合中的假阳性像素点;
将所述目标像素点的集合中的假阳性像素点去除,得到医学图像检测结果。
5.根据权利要求1所述的系统,其特征在于,所述处理器还用于执行:
对所述目标像素点的集合进行特征提取,得到特征提取结果;
将所述特征提取结果输入分类器以确定假阳性像素点,并将所述假阳性像素点去除,获得检测结果。
6.一种医学图像处理方法,所述方法包括:
获取医学图像,所述医学图像包含多个像素点;
将所述医学图像输入第一人工智能网络,以将所述医学图像的像素点分类为目标像素点和非目标像素点,所述第一人工智能网络是预先依据医学图像样本和对应的目标像素点训练得到的;
所述第一人工智能网络包括第一输出通道和第二输出通道,所述目标像素点包括第一类目标像素点和第二类目标像素点,所述第一输出通道输出医学图像的像素点属于第一类目标像素点的分类结果,所述第二输出通道输出医学图像的像素点属于第二类目标像素点的分类结果。
7.根据权利要求6所述的方法,其特征在于,所述目标像素点的集合为目标对象,所述医学图像包含肺部区域和肋骨区域的CT图像或DR图像,所述第一类目标像素点的集合对应的目标对象为肺部区域的节点,所述第二类目标像素点的集合对应的目标对象为肋骨区域的非连续点。
8.根据权利要求6所述的方法,其特征在于,将所述医学图像输入第一人工智能网络,以将所述医学图像的像素点分类为目标像素点和非目标像素点包括:
将所述医学图像输入第一人工智能网络,获取多个目标轮廓,所述第一人工智能网络包括医学图像与目标轮廓的映射关系;
所述目标轮廓内的像素点为目标像素点,所述目标轮廓外的像素点为非目标像素点。
9.根据权利要求6所述的方法,其特征在于,将所述医学图像输入第一人工智能网络,以将所述医学图像的像素点分类为目标像素点和非目标像素点包括:
将所述医学图像输入第一人工智能网络,获取所述医学图像的像素点的分类概率值,所述第一人工智能网络包括医学图像与像素点的分类概率值的映射关系;
根据所述分类概率值将所述医学图像的像素点分类为目标像素点和非目标像素点。
10.根据权利要求6所述的方法,其特征在于,所述方法还包括:
确定所述医学图像中的假阳性像素点,并从所述目标像素点的集合中去除所述假阳性像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711242641.8A CN108010021B (zh) | 2017-11-30 | 2017-11-30 | 一种医学图像处理系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711242641.8A CN108010021B (zh) | 2017-11-30 | 2017-11-30 | 一种医学图像处理系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108010021A true CN108010021A (zh) | 2018-05-08 |
CN108010021B CN108010021B (zh) | 2021-12-10 |
Family
ID=62055669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711242641.8A Active CN108010021B (zh) | 2017-11-30 | 2017-11-30 | 一种医学图像处理系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108010021B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108682015A (zh) * | 2018-05-28 | 2018-10-19 | 科大讯飞股份有限公司 | 一种生物图像中的病灶分割方法、装置、设备及存储介质 |
CN109117703A (zh) * | 2018-06-13 | 2019-01-01 | 中山大学中山眼科中心 | 一种基于细粒度识别的混杂细胞种类鉴定方法 |
CN109272510A (zh) * | 2018-07-24 | 2019-01-25 | 清华大学 | 一种三维医学图像中管状结构的分割方法 |
CN109447973A (zh) * | 2018-10-31 | 2019-03-08 | 腾讯科技(深圳)有限公司 | 一种结肠息肉图像的处理方法和装置及系统 |
CN109671049A (zh) * | 2018-11-07 | 2019-04-23 | 哈尔滨工业大学(深圳) | 一种医学图像处理方法、系统、设备、存储介质 |
CN109685807A (zh) * | 2018-11-16 | 2019-04-26 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于深度学习的下肢深静脉血栓自动分割方法及系统 |
CN110009598A (zh) * | 2018-11-26 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 用于图像分割的方法和图像分割设备 |
CN110221346A (zh) * | 2019-07-08 | 2019-09-10 | 西南石油大学 | 一种基于残差块全卷积神经网络的数据噪声压制方法 |
CN110349161A (zh) * | 2019-07-10 | 2019-10-18 | 北京字节跳动网络技术有限公司 | 图像分割方法、装置、电子设备、及存储介质 |
CN110555833A (zh) * | 2019-08-30 | 2019-12-10 | 联想(北京)有限公司 | 图像处理方法、装置、电子设备以及介质 |
CN110599467A (zh) * | 2019-08-29 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 非限束器区域检测方法、装置、计算机设备和存储介质 |
WO2020000643A1 (zh) * | 2018-06-28 | 2020-01-02 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、设备及可读存储介质 |
WO2020001086A1 (zh) * | 2018-06-28 | 2020-01-02 | 深圳先进技术研究院 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
CN110689947A (zh) * | 2018-07-04 | 2020-01-14 | 天津天堰科技股份有限公司 | 显示装置及显示方法 |
CN110706217A (zh) * | 2019-09-26 | 2020-01-17 | 中国石油大学(华东) | 一种基于深度学习的肺部肿瘤自动勾画方法 |
CN110766659A (zh) * | 2019-09-24 | 2020-02-07 | 西人马帝言(北京)科技有限公司 | 医学图像识别方法、装置、设备和介质 |
CN110838114A (zh) * | 2019-11-11 | 2020-02-25 | 苏州锐一仪器科技有限公司 | 肺结节检测方法、装置及计算机存储介质 |
CN111275707A (zh) * | 2020-03-13 | 2020-06-12 | 北京深睿博联科技有限责任公司 | 肺炎病灶分割方法和装置 |
WO2020238817A1 (en) * | 2019-05-24 | 2020-12-03 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for processing x-ray images |
CN109544560B (zh) * | 2018-10-31 | 2021-04-27 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112819811A (zh) * | 2021-02-24 | 2021-05-18 | 上海商汤智能科技有限公司 | 图像分析方法及相关装置、电子设备、存储介质 |
CN112950600A (zh) * | 2021-03-10 | 2021-06-11 | 武汉联影智融医疗科技有限公司 | 脑标识提取方法、装置、计算机设备和存储介质 |
CN113096109A (zh) * | 2021-04-22 | 2021-07-09 | 四川大学 | 一种肺部医学图像分析方法、设备及系统 |
CN113256634A (zh) * | 2021-07-13 | 2021-08-13 | 杭州医策科技有限公司 | 基于深度学习的宫颈癌tct切片排阴方法和系统 |
CN113940701A (zh) * | 2021-10-11 | 2022-01-18 | 什维新智医疗科技(上海)有限公司 | 一种基于甲状腺的气管和血管检测装置 |
CN114612971A (zh) * | 2022-03-04 | 2022-06-10 | 北京百度网讯科技有限公司 | 人脸检测方法、模型训练方法、电子设备及程序产品 |
CN115272206A (zh) * | 2022-07-18 | 2022-11-01 | 深圳市医未医疗科技有限公司 | 医学图像处理方法、装置、计算机设备及存储介质 |
CN116452791A (zh) * | 2023-03-27 | 2023-07-18 | 广州市斯睿特智能科技有限公司 | 多相机点位的缺陷区域定位方法、系统、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020969A (zh) * | 2012-12-25 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 一种ct图像肝脏分割的处理方法及系统 |
CN105389821A (zh) * | 2015-11-20 | 2016-03-09 | 重庆邮电大学 | 一种基于云模型和图割相结合的医学图像分割方法 |
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 |
CN105894517A (zh) * | 2016-04-22 | 2016-08-24 | 北京理工大学 | 基于特征学习的ct图像肝脏分割方法及系统 |
CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及系统 |
CN106056596A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于局部先验信息和凸优化的全自动三维肝脏分割方法 |
CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
CN107256550A (zh) * | 2017-06-06 | 2017-10-17 | 电子科技大学 | 一种基于高效cnn‑crf网络的视网膜图像分割方法 |
CN107292887A (zh) * | 2017-06-20 | 2017-10-24 | 电子科技大学 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
-
2017
- 2017-11-30 CN CN201711242641.8A patent/CN108010021B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020969A (zh) * | 2012-12-25 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 一种ct图像肝脏分割的处理方法及系统 |
CN105389821A (zh) * | 2015-11-20 | 2016-03-09 | 重庆邮电大学 | 一种基于云模型和图割相结合的医学图像分割方法 |
CN106056596A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于局部先验信息和凸优化的全自动三维肝脏分割方法 |
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 |
CN105894517A (zh) * | 2016-04-22 | 2016-08-24 | 北京理工大学 | 基于特征学习的ct图像肝脏分割方法及系统 |
CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及系统 |
CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
CN107256550A (zh) * | 2017-06-06 | 2017-10-17 | 电子科技大学 | 一种基于高效cnn‑crf网络的视网膜图像分割方法 |
CN107292887A (zh) * | 2017-06-20 | 2017-10-24 | 电子科技大学 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108682015A (zh) * | 2018-05-28 | 2018-10-19 | 科大讯飞股份有限公司 | 一种生物图像中的病灶分割方法、装置、设备及存储介质 |
CN108682015B (zh) * | 2018-05-28 | 2021-10-19 | 安徽科大讯飞医疗信息技术有限公司 | 一种生物图像中的病灶分割方法、装置、设备及存储介质 |
CN109117703A (zh) * | 2018-06-13 | 2019-01-01 | 中山大学中山眼科中心 | 一种基于细粒度识别的混杂细胞种类鉴定方法 |
CN109117703B (zh) * | 2018-06-13 | 2022-03-22 | 中山大学中山眼科中心 | 一种基于细粒度识别的混杂细胞种类鉴定方法 |
WO2020001086A1 (zh) * | 2018-06-28 | 2020-01-02 | 深圳先进技术研究院 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
US10909682B2 (en) | 2018-06-28 | 2021-02-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
WO2020000643A1 (zh) * | 2018-06-28 | 2020-01-02 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、设备及可读存储介质 |
CN110689947A (zh) * | 2018-07-04 | 2020-01-14 | 天津天堰科技股份有限公司 | 显示装置及显示方法 |
CN109272510A (zh) * | 2018-07-24 | 2019-01-25 | 清华大学 | 一种三维医学图像中管状结构的分割方法 |
CN109272510B (zh) * | 2018-07-24 | 2021-06-04 | 清华大学 | 一种三维医学图像中管状结构的分割方法 |
CN109447973A (zh) * | 2018-10-31 | 2019-03-08 | 腾讯科技(深圳)有限公司 | 一种结肠息肉图像的处理方法和装置及系统 |
CN109544560B (zh) * | 2018-10-31 | 2021-04-27 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109447973B (zh) * | 2018-10-31 | 2021-11-26 | 腾讯医疗健康(深圳)有限公司 | 一种结肠息肉图像的处理方法和装置及系统 |
CN109671049B (zh) * | 2018-11-07 | 2024-03-01 | 哈尔滨工业大学(深圳) | 一种医学图像处理方法、系统、设备、存储介质 |
CN109671049A (zh) * | 2018-11-07 | 2019-04-23 | 哈尔滨工业大学(深圳) | 一种医学图像处理方法、系统、设备、存储介质 |
CN109685807A (zh) * | 2018-11-16 | 2019-04-26 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于深度学习的下肢深静脉血栓自动分割方法及系统 |
CN110009598B (zh) * | 2018-11-26 | 2023-09-05 | 腾讯科技(深圳)有限公司 | 用于图像分割的方法和图像分割设备 |
CN110009598A (zh) * | 2018-11-26 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 用于图像分割的方法和图像分割设备 |
EP3958742A4 (en) * | 2019-05-24 | 2022-06-29 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for processing x-ray images |
WO2020238817A1 (en) * | 2019-05-24 | 2020-12-03 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for processing x-ray images |
CN110221346A (zh) * | 2019-07-08 | 2019-09-10 | 西南石油大学 | 一种基于残差块全卷积神经网络的数据噪声压制方法 |
CN110349161A (zh) * | 2019-07-10 | 2019-10-18 | 北京字节跳动网络技术有限公司 | 图像分割方法、装置、电子设备、及存储介质 |
CN110349161B (zh) * | 2019-07-10 | 2021-11-23 | 北京字节跳动网络技术有限公司 | 图像分割方法、装置、电子设备、及存储介质 |
CN110599467A (zh) * | 2019-08-29 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 非限束器区域检测方法、装置、计算机设备和存储介质 |
CN110555833A (zh) * | 2019-08-30 | 2019-12-10 | 联想(北京)有限公司 | 图像处理方法、装置、电子设备以及介质 |
CN110766659A (zh) * | 2019-09-24 | 2020-02-07 | 西人马帝言(北京)科技有限公司 | 医学图像识别方法、装置、设备和介质 |
CN110706217A (zh) * | 2019-09-26 | 2020-01-17 | 中国石油大学(华东) | 一种基于深度学习的肺部肿瘤自动勾画方法 |
CN110838114A (zh) * | 2019-11-11 | 2020-02-25 | 苏州锐一仪器科技有限公司 | 肺结节检测方法、装置及计算机存储介质 |
CN110838114B (zh) * | 2019-11-11 | 2022-07-22 | 苏州锐一仪器科技有限公司 | 肺结节检测方法、装置及计算机存储介质 |
CN111275707B (zh) * | 2020-03-13 | 2023-08-25 | 北京深睿博联科技有限责任公司 | 肺炎病灶分割方法和装置 |
CN111275707A (zh) * | 2020-03-13 | 2020-06-12 | 北京深睿博联科技有限责任公司 | 肺炎病灶分割方法和装置 |
CN112819811A (zh) * | 2021-02-24 | 2021-05-18 | 上海商汤智能科技有限公司 | 图像分析方法及相关装置、电子设备、存储介质 |
CN112950600A (zh) * | 2021-03-10 | 2021-06-11 | 武汉联影智融医疗科技有限公司 | 脑标识提取方法、装置、计算机设备和存储介质 |
CN113096109A (zh) * | 2021-04-22 | 2021-07-09 | 四川大学 | 一种肺部医学图像分析方法、设备及系统 |
CN113256634B (zh) * | 2021-07-13 | 2021-11-23 | 杭州医策科技有限公司 | 基于深度学习的宫颈癌tct切片排阴方法和系统 |
CN113256634A (zh) * | 2021-07-13 | 2021-08-13 | 杭州医策科技有限公司 | 基于深度学习的宫颈癌tct切片排阴方法和系统 |
CN113940701A (zh) * | 2021-10-11 | 2022-01-18 | 什维新智医疗科技(上海)有限公司 | 一种基于甲状腺的气管和血管检测装置 |
CN114612971A (zh) * | 2022-03-04 | 2022-06-10 | 北京百度网讯科技有限公司 | 人脸检测方法、模型训练方法、电子设备及程序产品 |
CN115272206A (zh) * | 2022-07-18 | 2022-11-01 | 深圳市医未医疗科技有限公司 | 医学图像处理方法、装置、计算机设备及存储介质 |
CN116452791A (zh) * | 2023-03-27 | 2023-07-18 | 广州市斯睿特智能科技有限公司 | 多相机点位的缺陷区域定位方法、系统、装置及存储介质 |
CN116452791B (zh) * | 2023-03-27 | 2024-03-22 | 广州市斯睿特智能科技有限公司 | 多相机点位的缺陷区域定位方法、系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108010021B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108010021A (zh) | 一种医学图像处理系统和方法 | |
Jiang et al. | Multiple resolution residually connected feature streams for automatic lung tumor segmentation from CT images | |
Gunasekara et al. | A systematic approach for MRI brain tumor localization and segmentation using deep learning and active contouring | |
CN105559813B (zh) | 医用图像诊断装置以及医用图像处理装置 | |
CN110310281A (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
CN107622492A (zh) | 肺裂分割方法及系统 | |
Zhong et al. | Boosting‐based cascaded convolutional neural networks for the segmentation of CT organs‐at‐risk in nasopharyngeal carcinoma | |
CN103501699A (zh) | 用于隔离成像数据中的潜在异常的方法和装置和其对医学图像的应用 | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN109300136B (zh) | 一种基于卷积神经网络的危及器官自动分割方法 | |
Tan et al. | Analysis of segmentation of lung parenchyma based on deep learning methods | |
Palma et al. | Detection of masses and architectural distortions in digital breast tomosynthesis images using fuzzy and a contrario approaches | |
Heydarheydari et al. | Auto-segmentation of head and neck tumors in positron emission tomography images using non-local means and morphological frameworks | |
Rani et al. | Superpixel with nanoscale imaging and boosted deep convolutional neural network concept for lung tumor classification | |
Hussain et al. | Femur segmentation in DXA imaging using a machine learning decision tree | |
Mughal et al. | Adaptive hysteresis thresholding segmentation technique for localizing the breast masses in the curve stitching domain | |
Tan et al. | An approach for pulmonary vascular extraction from chest CT images | |
Sornapudi et al. | EpithNet: Deep regression for epithelium segmentation in cervical histology images | |
Green et al. | 3-D Neural denoising for low-dose Coronary CT Angiography (CCTA) | |
Ramasamy et al. | Machine learning in cyber physical systems for healthcare: brain tumor classification from MRI using transfer learning framework | |
Mridha et al. | A comprehensive survey on the progress, process, and challenges of lung cancer detection and classification | |
Tummala et al. | Liver tumor segmentation from computed tomography images using multiscale residual dilated encoder‐decoder network | |
Gong et al. | Towards accurate pulmonary nodule detection by representing nodules as points with high-resolution network | |
Jalab et al. | Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI | |
Xu et al. | Improved cascade R-CNN for medical images of pulmonary nodules detection combining dilated HRNet |
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 | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |