CN108090483B - 乳腺肿块候选区的检测方法及装置 - Google Patents

乳腺肿块候选区的检测方法及装置 Download PDF

Info

Publication number
CN108090483B
CN108090483B CN201611027725.5A CN201611027725A CN108090483B CN 108090483 B CN108090483 B CN 108090483B CN 201611027725 A CN201611027725 A CN 201611027725A CN 108090483 B CN108090483 B CN 108090483B
Authority
CN
China
Prior art keywords
nested
sequence
region
breast
target
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.)
Active
Application number
CN201611027725.5A
Other languages
English (en)
Other versions
CN108090483A (zh
Inventor
李明
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.)
Yidu Cloud Beijing Technology Co Ltd
Original Assignee
Yidu Cloud Beijing Technology Co Ltd
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 Yidu Cloud Beijing Technology Co Ltd filed Critical Yidu Cloud Beijing Technology Co Ltd
Priority to CN201611027725.5A priority Critical patent/CN108090483B/zh
Publication of CN108090483A publication Critical patent/CN108090483A/zh
Application granted granted Critical
Publication of CN108090483B publication Critical patent/CN108090483B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor

Abstract

本公开是关于乳腺肿块候选区的检测方法及装置。该方法包括：在一包括乳腺图像的原始图像中提取最大稳定极值区域，并基于提取的所述最大稳定极值区域形成一嵌套结构；分解所述嵌套结构以获取多个嵌套序列；以及根据各所述嵌套序列的序列长度，从所述多个嵌套序列中选取目标嵌套序列，并将所述目标嵌套序列所对应的区域收敛为乳腺肿块候选区。该方法可以识别任意不同形状的乳腺肿块。

Description

乳腺肿块候选区的检测方法及装置
技术领域
本公开涉及医疗技术领域，具体而言，涉及一种乳腺肿块候选区的检测方法及乳腺肿块候选区的检测装置。
背景技术
乳腺肿块成为女性的高发疾病，能够及早而且准确地诊断出乳腺肿块，对后续的治疗和恢复都有很大的帮助。通过乳腺钼靶图像能够诊断出乳腺肿块，首先，从乳腺钼靶图像中筛选乳腺肿块候选区域，然后，针对乳腺肿块候选区域进行更为细致的特征判断；这种方法是病灶自动检测中常用的处理流程。其中，快速准确地获取乳腺肿块候选区域，能对整个自动检测系统的性能有很大提升。
目前，常用的乳腺肿块候选区域筛选方法是：通过把原始乳腺图像分成若干个有重合的矩形块，在不同尺度上对灰度或其它纹理特性进行检测，确定是否进入候选区域集。由于是事先把原始乳腺图像分成若干个有重合的矩形块，所以乳腺肿块候选区域的形状被固定，但是乳腺肿块候选区域的形状是多变的，因此，该方法的自适应性较差，很难体现病灶的真实形状。
由上可知，需要提供一种新的乳腺肿块候选区的检测方法及乳腺肿块候选区的检测装置。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种乳腺肿块候选区的检测方法及乳腺肿块候选区的检测装置，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面，提供了一种乳腺肿块候选区的检测方法，该乳腺肿块候选区的检测方法包括：
在一包括乳腺图像的原始图像中提取所述乳腺图像的最大稳定极值区域，并基于提取的所述最大稳定极值区域形成一嵌套结构；
分解所述嵌套结构以获取多个嵌套序列；以及
根据各所述嵌套序列的序列长度，从所述多个嵌套序列中选取目标嵌套序列，并将所述目标嵌套序列所对应的区域收敛为乳腺肿块候选区。
在本公开的一种示例性实施例中，根据依序排列的多个二值化阈值，分别对所述原始图像进行二值化；
以所述二值化过程中，变化量小于预设值的连通区域作为所述最大稳定极值区域。
在本公开的一种示例性实施例中，从所述多个嵌套序列中选取目标嵌套序列包括：
选取序列长度最长的一个或多个所述嵌套序列为所述目标嵌套序列。
在本公开的一种示例性实施例中，从所述多个嵌套序列中选取目标嵌套序列包括：
选取序列长度大于预设序列长度的所述嵌套序列为所述目标嵌套序列。
在本公开的一种示例性实施例中，在将原始图像提取形成最大稳定极值区域之前，对所述原始图像进行高斯滤波。
根据本公开的另一个方面，还提供一种乳腺肿块候选区的检测装置，该乳腺肿块候选区的检测装置包括：嵌套结构形成单元、嵌套序列获取单元、乳腺肿块候选区选取单元。
嵌套结构形成单元，用于在一包括乳腺图像的原始图像中提取所述乳腺图像的最大稳定极值区域，并基于提取的所述最大稳定极值区域形成一嵌套结构；
嵌套序列获取单元，用于分解所述嵌套结构以获取多个嵌套序列；以及
乳腺肿块候选区选取单元，用于根据各所述嵌套序列的序列长度，从所述多个嵌套序列中选取目标嵌套序列，并将所述目标嵌套序列所对应的区域收敛为乳腺肿块候选区。
在本公开的一种示例性实施例中，根据依序排列的多个二值化阈值，分别对所述原始图像进行二值化；
以所述二值化过程中，变化量小于预设值的连通区域作为所述最大稳定极值区域。
在本公开的一种示例性实施例中，从所述多个嵌套序列中选取目标嵌套序列包括：
选取序列长度最长的一个或多个所述嵌套序列为所述目标嵌套序列。
在本公开的一种示例性实施例中，从所述多个嵌套序列中选取目标嵌套序列包括：
选取序列长度大于预设序列长度的所述嵌套序列为所述目标嵌套序列。
在本公开的一种示例性实施例中，在将原始图像提取形成最大稳定极值区域之前，通过高斯滤波器对所述原始图像进行高斯滤波。
本公开的乳腺肿块候选区的检测方法及乳腺肿块候选区的检测装置，通过将原始图像提取形成一嵌套结构，并将该嵌套结构分解成多个嵌套序列，根据嵌套序列的序列长度选取目标嵌套序列，并将所述目标嵌套序列所对应的区域收敛为乳腺肿块候选区。一方面，由于没有引入矩形块，所以乳腺肿块候选区域的形状没有被固定，不会对乳腺肿块的形状进行限定，可以识别任意不同形状的乳腺肿块。另一方面，将目标嵌套序列所对应的区域收敛为乳腺肿块候选区，能够识别每一个细微的乳腺肿块候选区，乳腺肿块候选区识别的准确性和细致性高。再一方面，将原始图像表示成多个嵌套序列，嵌套序列便于后续计算机的运算和识别，提高了计算机的运算效率和识别效率，降低了计算机内存消耗，从而提高了检测效率和检测速度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开一示例实施例的乳腺肿块候选区的检测方法的流程图。
图2示意性示出一嵌套结构的示意图。
图3a示意性示出原始图像和其中的乳腺肿块标记截图；
图3b示意性示出经过本公开中的方法处理后的图像和其中的乳腺肿块标记截图。
图4示意性示出本公开一示例实施例的乳腺肿块候选区的检测装置的方框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本公开的示例实施例中，首先提供了一种乳腺肿块候选区的检测方法，参考图1所示，该乳腺肿块候选区的检测方法可以包括以下步骤：
步骤S1，在一包括乳腺图像的原始图像中提取所述乳腺图像的最大稳定极值区域，并基于提取的所述最大稳定极值区域形成一嵌套结构。
步骤S2，分解所述嵌套结构以获取多个嵌套序列。
步骤S3，根据各所述嵌套序列的序列长度，从所述多个嵌套序列中选取目标嵌套序列，并将所述目标嵌套序列所对应的区域收敛为乳腺肿块候选区。
根据本示例实施例中乳腺肿块候选区的检测方法，一方面，将原始图像表示成多个嵌套序列，嵌套序列便于后续计算机的运算和识别，提高了计算机的运算效率和识别效率，降低了计算机内存消耗，从而提高了检测效率和检测速度。另一方面，将目标嵌套序列所对应的区域收敛为乳腺肿块候选区，能够识别每一个细微的乳腺肿块候选区，乳腺肿块候选区识别的准确性和细致性高。再一方面，由于没有引入矩形块，所以乳腺肿块候选区域的形状没有被固定，不会对乳腺肿块的形状进行限定，可以识别任意不同形状的乳腺肿块。
下面，将对本示例实施方式中的乳腺肿块候选区的检测方法进行进一步的说明。
在步骤S1中，在一包括乳腺图像的原始图像中提取所述乳腺图像的最大稳定极值区域，并基于提取的所述最大稳定极值区域形成一嵌套结构。
举例而言，在本示例实施例中，所述最大稳定极值区域的提取可以包括：可以根据依序排列的多个二值化阈值，以分别对所述原始图像进行二值化；所述多个二值化阈值可以采用从0到255依次递增，当然也可以根据需要选择其他值；所述二值化过程中，变化量小于预设值的连通区域作为所述最大稳定极值区域。当然，在本公开的其他示例性实施例中，所述最大稳定极值区域的提取方法可以采用MSER(Maximally Stable Extremal Regions最大稳定极值区域)算法或采用其他算法，本示例性实施例中对此不做特殊限定。
在步骤S2中，分解所述嵌套结构以获取多个嵌套序列。
在本示例实施例中，将所述原始图像提取形成嵌套结构后，可以分解所述嵌套结构以获取多个嵌套序列。举例而言，参照图2所示的一嵌套结构的示意图，将图2中所示的嵌套结构可以分解成多个嵌套序列即为[1，2，5]、[1，3]、[1，4]三个嵌套序列。
通常情况下乳腺肿块相对密度要高于所处位置的正常组织结构，吸收X射线的能力更强，表现在图像上就是更大的灰度值。基于分割的方法认为肿块是不同的组织结构，因此可以从正常组织中分割出去。而本示例实施方式中将肿块看做是原始组织上的“增量”行为，所以整个原始图像应该表现为一个组合的嵌套结构。参照图2中所示，图中1包含2，3，4，而2又包含5，用嵌套序列可以表示为[1，2，5]、[1，3]、[1，4]三个嵌套序列。
将原始图像表示成多个嵌套序列，嵌套序列便于后续计算机的运算和识别，提高了计算机的运算效率和识别效率，降低了计算机内存消耗，从而提高了检测效率和检测速度。
在步骤S3中，根据各所述嵌套序列的序列长度，从所述多个嵌套序列中选取目标嵌套序列，并将所述目标嵌套序列所对应的区域收敛为乳腺肿块候选区。
在本示例实施例中，从所述多个嵌套序列中选取目标嵌套序列可以包括：选取序列长度最长的一个或多个所述嵌套序列为所述目标嵌套序列。例如，在上述步骤S2中生成的三个嵌套序列中选择序列长度最长的嵌套序列[1，2，5]作为目标嵌套序列。
当然，本领域的技术人员容易理解的是，从所述多个嵌套序列中选取目标嵌套序列也可以包括：选取序列长度大于预设序列长度的所述嵌套序列为所述目标嵌套序列。例如，设预设序列长度为2，在上述步骤S2中生成的三个嵌套序列中选择序列长度大于2的嵌套序列[1，2，5]作为目标嵌套序列。
目标嵌套序列的选取可以根据经验或需要，从上述两种方法中选择，也可以采用其他方法，本示例性实施例中对此不做特殊限定。
将目标嵌套序列所对应的区域收敛为乳腺肿块候选区，能够识别每一个细微的乳腺肿块候选区，乳腺肿块候选区识别的准确性和细致性高。
进一步的，在将原始图像提取形成最大稳定极值区域之前，还可以对所述原始图像进行高斯滤波。
在本示例实施例中，通过对所述原始图像进行高斯滤波，能够对原始图像中的噪声进行滤除，进而可以为后续步骤提供准确的数据，从而能够更快、更准的提取最大稳定极值区域，从而能够更准确地分解得到嵌套序列以及选取得到乳腺肿块候选区。另外，在本公开的其他示例性实施例中，还可以应用其他方法滤除原始图像中的噪声，本示例性实施例中对此不做特殊限定。
参考图3a和图3b，图3a示意性示出原始图像和其中的乳腺肿块标记截图；图3b示意性示出经过本公开中的方法处理后的图像和其中的乳腺肿块标记截图。在图3a和图3b中用同样的黑色线框对乳腺肿块进行标记，在图3b中显示的选取的乳腺肿块形状不规则，细节部分更加清晰。相比于现有技术而言，本示例实施方式中，由于没有引入矩形块，所以乳腺肿块候选区域的形状没有被固定，不会对乳腺肿块的形状进行限定，可以识别任意不同形状的乳腺肿块。而且能够识别每一个细微的乳腺肿块候选区，乳腺肿块候选区识别的准确性和细致性高。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
进一步的，本示例实施方式还提供了对应于上述乳腺肿块候选区的检测方法的乳腺肿块候选区的检测装置10。参照图4所示，该乳腺肿块候选区的检测装置10可以包括嵌套结构形成单元11、嵌套序列获取单元22、乳腺肿块候选区选取单元33。其中：
嵌套结构形成单元11可以用于在一包括乳腺图像的原始图像中提取最大稳定极值区域，并基于提取的所述最大稳定极值区域形成一嵌套结构；
嵌套序列获取单元22可以用于分解所述嵌套结构以获取多个嵌套序列；以及
乳腺肿块候选区选取单元33可以用于根据各所述嵌套序列的序列长度，从所述多个嵌套序列中选取目标嵌套序列，并将所述目标嵌套序列所对应的区域收敛为乳腺肿块候选区。
在本示例实施例中，可以根据依序排列的多个二值化阈值，分别对所述原始图像进行二值化；以所述二值化过程中，变化量小于预设值的连通区域作为所述最大稳定极值区域。
在本示例实施例中，从所述多个嵌套序列中选取目标嵌套序列可以包括：选取序列长度最长的一个或多个所述嵌套序列为所述目标嵌套序列。
在本示例实施例中，从所述多个嵌套序列中选取目标嵌套序列可以包括：选取序列长度大于预设序列长度的所述嵌套序列为所述目标嵌套序列。
在本示例实施例中，在将原始图像提取形成最大稳定极值区域之前，可以通过高斯滤波器对所述原始图像进行高斯滤波。
上述乳腺肿块候选区的检测装置10中各模块的具体细节已经在对应的虚拟对象运动控制方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了乳腺肿块候选区的检测装置10的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种乳腺肿块候选区的检测方法，其特征在于，包括：
在一包括乳腺图像的原始图像中提取所述乳腺图像的最大稳定极值区域，并基于提取的所述最大稳定极值区域形成一嵌套结构；
分解所述嵌套结构以获取多个嵌套序列；以及
根据各所述嵌套序列的序列长度，从所述多个嵌套序列中选取目标嵌套序列，并将所述目标嵌套序列所对应的区域收敛为乳腺肿块候选区。
2.根据权利要求1所述的乳腺肿块候选区的检测方法，其特征在于，根据依序排列的多个二值化阈值，分别对所述原始图像进行二值化；
以所述二值化过程中，变化量小于预设值的连通区域作为所述最大稳定极值区域。
3.根据权利要求1所述的乳腺肿块候选区的检测方法，其特征在于，从所述多个嵌套序列中选取目标嵌套序列包括：
选取序列长度最长的一个或多个所述嵌套序列为所述目标嵌套序列。
4.根据权利要求1所述的乳腺肿块候选区的检测方法，其特征在于，从所述多个嵌套序列中选取目标嵌套序列包括：
选取序列长度大于预设序列长度的所述嵌套序列为所述目标嵌套序列。
5.根据权利要求1～4任一所述的乳腺肿块候选区的检测方法，其特征在于，在将原始图像提取形成最大稳定极值区域之前，对所述原始图像进行高斯滤波。
6.一种乳腺肿块候选区的检测装置，其特征在于，包括：
嵌套结构形成单元，用于在一包括乳腺图像的原始图像中提取所述乳腺图像的最大稳定极值区域，并基于提取的所述最大稳定极值区域形成一嵌套结构；
嵌套序列获取单元，用于分解所述嵌套结构以获取多个嵌套序列；以及
乳腺肿块候选区选取单元，用于根据各所述嵌套序列的序列长度，从所述多个嵌套序列中选取目标嵌套序列，并将所述目标嵌套序列所对应的区域收敛为乳腺肿块候选区。
7.根据权利要求6所述的乳腺肿块候选区的检测装置，其特征在于，根据依序排列的多个二值化阈值，分别对所述原始图像进行二值化；
以所述二值化过程中，变化量小于预设值的连通区域作为所述最大稳定极值区域。
8.根据权利要求6所述的乳腺肿块候选区的检测装置，其特征在于，从所述多个嵌套序列中选取目标嵌套序列包括：
选取序列长度最长的一个或多个所述嵌套序列为所述目标嵌套序列。
9.根据权利要求6所述的乳腺肿块候选区的检测装置，其特征在于，从所述多个嵌套序列中选取目标嵌套序列包括：
选取序列长度大于预设序列长度的所述嵌套序列为所述目标嵌套序列。
10.根据权利要求6～9任一所述的乳腺肿块候选区的检测装置，其特征在于，在将原始图像提取形成最大稳定极值区域之前，通过高斯滤波器对所述原始图像进行高斯滤波。
CN201611027725.5A 2016-11-21 2016-11-21 乳腺肿块候选区的检测方法及装置 Active CN108090483B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611027725.5A CN108090483B (zh) 2016-11-21 2016-11-21 乳腺肿块候选区的检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611027725.5A CN108090483B (zh) 2016-11-21 2016-11-21 乳腺肿块候选区的检测方法及装置

Publications (2)

Publication Number Publication Date
CN108090483A CN108090483A (zh) 2018-05-29
CN108090483B true CN108090483B (zh) 2021-04-27

Family

ID=62169615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611027725.5A Active CN108090483B (zh) 2016-11-21 2016-11-21 乳腺肿块候选区的检测方法及装置

Country Status (1)

Country Link
CN (1) CN108090483B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663682B (zh) * 2022-03-18 2023-04-07 北京理工大学 一种提高抗干扰性能的目标显著性检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727537A (zh) * 2009-11-16 2010-06-09 杭州电子科技大学 基于双视角信息融合的乳腺cr图像的计算机确定方法
CN104156723A (zh) * 2014-09-01 2014-11-19 中国人民解放军国防科学技术大学 一种具有尺度不变性的最稳定极值区域的提取方法
CN104751434A (zh) * 2013-12-25 2015-07-01 北京三星通信技术研究有限公司 从图像中分割对象的方法和设备
CN105931226A (zh) * 2016-04-14 2016-09-07 南京信息工程大学 基于深度学习的自适应椭圆拟合细胞自动检测分割方法
CN106023109A (zh) * 2016-05-19 2016-10-12 西华大学 一种基于区域相似样例学习的稀疏去噪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9489578B2 (en) * 2014-09-10 2016-11-08 Khalifa University Of Science, Technology And Research Hardware architecture for real-time extraction of maximally stable extremal regions (MSERs)

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727537A (zh) * 2009-11-16 2010-06-09 杭州电子科技大学 基于双视角信息融合的乳腺cr图像的计算机确定方法
CN104751434A (zh) * 2013-12-25 2015-07-01 北京三星通信技术研究有限公司 从图像中分割对象的方法和设备
CN104156723A (zh) * 2014-09-01 2014-11-19 中国人民解放军国防科学技术大学 一种具有尺度不变性的最稳定极值区域的提取方法
CN105931226A (zh) * 2016-04-14 2016-09-07 南京信息工程大学 基于深度学习的自适应椭圆拟合细胞自动检测分割方法
CN106023109A (zh) * 2016-05-19 2016-10-12 西华大学 一种基于区域相似样例学习的稀疏去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MSER BASED SHADOW DETECTION IN HIGH RESOLUTION REMOTE SENSING IMAGE;HAI-YAN YU et al;《Proceedings of the Ninth International Conference on Machine Learning and Cybernetics》;20100714;780-783 *
最大稳定极值区域在图像检索领域的应用研究;吴宇锋;《中国优秀硕士学位论文全文数据库 信息科技辑》;20090515(第05期);正文全文 *

Also Published As

Publication number Publication date
CN108090483A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
Al-masni et al. Detection and classification of the breast abnormalities in digital mammograms via regional convolutional neural network
Liu et al. A simple pooling-based design for real-time salient object detection
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
CN107067402B (zh) 医疗图像处理装置及其乳房图像处理方法
Zhang et al. Automated semantic segmentation of red blood cells for sickle cell disease
Valliammal et al. Plant leaf segmentation using non linear K means clustering
CN110969204B (zh) 基于磁共振图像与数字病理图像融合的样本分类系统
CN104143101A (zh) 一种基于超声图像的乳腺肿瘤区域自动识别方法
WO2010035163A1 (en) Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties
CN110838114B (zh) 肺结节检测方法、装置及计算机存储介质
CN108241853A (zh) 一种视频监控方法、系统及终端设备
CN108229232B (zh) 批量扫描二维码的方法和批量扫描二维码的装置
JP2019531553A (ja) Ｉｈｃ画像解析用の自動化された核の面積／数の推定
CN111914665A (zh) 一种人脸遮挡检测方法、装置、设备及存储介质
CN111476105A (zh) 人脸数据清洗方法、装置及设备
CN107169975A (zh) 超声图像的分析方法及装置
Khordehchi et al. Automatic lung nodule detection based on statistical region merging and support vector machines
CN110060246B (zh) 一种图像处理方法、设备及存储介质
Deepak et al. Detection and discrimination of disease-related abnormalities based on learning normal cases
Chidester et al. Discriminative bag-of-cells for imaging-genomics
CN110544262A (zh) 一种基于机器视觉的子宫颈细胞图像分割方法
CN114757908A (zh) 基于ct影像的图像处理方法、装置、设备及存储介质
Koehoorn et al. Effcient and effective automated digital hair removal from dermoscopy images
CN108090483B (zh) 乳腺肿块候选区的检测方法及装置
WO2020096724A1 (en) Histogram-based method for auto segmentation of integrated circuit structures from sem images

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