CN108416360A - 基于乳腺钼靶钙化特征的癌症诊断系统及方法 - Google Patents
基于乳腺钼靶钙化特征的癌症诊断系统及方法 Download PDFInfo
- Publication number
- CN108416360A CN108416360A CN201810037664.3A CN201810037664A CN108416360A CN 108416360 A CN108416360 A CN 108416360A CN 201810037664 A CN201810037664 A CN 201810037664A CN 108416360 A CN108416360 A CN 108416360A
- Authority
- CN
- China
- Prior art keywords
- calcification
- characteristic
- feature
- molybdenum target
- depth characteristic
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于乳腺钼靶钙化特征的癌症诊断系统及方法,所述方法包括以下步骤:步骤1、获取乳腺钼靶X线数据集;步骤2、分别对乳腺钼靶X线数据集中的各个图像进行图像增强处理,并进行二值化分割出钙化病灶区域;步骤3、分别对图像增强处理和二值化处理之后的钙化病灶区域进行特征提取得到传统特征和深度特征;步骤4、对传统特征和深度特征进行典型关联分析,将与传统特征关联权重低的深度特征删去,保留与传统特征关联紧密的深度特征;步骤5、对保留的深度特征进行支持向量机线性分类模型的训练,得到分类器。所述方法能够有效避免传统卷积神经网络对乳腺钼靶钙化诊断上的过拟合,实现了对于任意分辨率下钼靶图像病灶的自动诊断。
Description
技术领域
本发明涉及医学图像处理领域,具体涉及一种基于乳腺钼靶钙化特征的癌症诊断系统及方法。
背景技术
乳腺钼靶摄影是诊断早期乳腺癌的首选影像学检查方法,已成为目前公认最有效的乳腺癌普查手段。乳腺X线检查的观察重点是微钙化和肿块,它们是乳腺癌最重要的两个诊断依据,具有特征性影像学表现。虽然大范围普查和乳腺钼靶摄影的广泛应用,使乳腺癌的死亡率下降约18-40%,却仍存在15-20%的漏诊率和较高的假阳性率,原因在于:1、乳腺钼靶图片缺乏对比和层次感,难以对微钙化和肿块特征进行充分显示;2、放射科医师容易受视觉疲劳、临床经验等主观因素影响难以进行准确特征分析和良恶性判断。传统的医师双人阅片的方法,虽然能提高乳腺癌诊断准确率至80%,但却降低了普查工作的工作效率,微小病灶的漏检和误检仍然难以避免。因此,如何充分挖掘乳腺钼靶图像的特征信息并进行准确判断,达到提高乳腺癌的早期诊断准确率又保证普查工作高效进行的目的,是困扰医疗界的难题。
当前CAD普遍存在检测假阳性率较高的缺陷,存在很大改进空间。美国Texas大学的Bovik AC等人通过临床数据测试总结,认为导致商用CAD系统假阳性率较高的主要原因是在特征提取和诊断模型这两个核心模块的性能上还不够完善所致。
传统的特征提取是站在医师的角度给予尽可能多的特征来描述病灶的形态或者纹理。形态学的特征通过形态学的算子对乳腺钼靶图像进行预处理,再藉由大津法对图像进行二值化提取出病灶,再对病灶的数量、形态进行统计;而纹理特征则是基于灰度共生矩阵和灰度游程矩阵计算统计特征,灰度共生矩阵p中的元素p(i,j)是通过以下公式在图像S上计算:
这里#代表像素对的个数,Δx与Δy是我们提前指定的像素位置的距离,所以p(0,0)即像素级别为0的像素点与相邻像素点像素级别为0的像素点对比例。再此基础上我们再去计算熵、能量、对比度等统计学特征。
而灰度游程矩阵则是计算连续的特征点,譬如灰度游程矩阵q中元素q(0,0)则表示像素级别为0的像素点在指定方向没有同为像素级别为0的这种情况的个数。
而在自然图像识别取得巨大进步的卷积神经网络成功将特征提取和分类模型两部分结合在一起,通过设定目标函数和网络结构,我们对卷积核进行训练,尽可能拟合供以训练的数据集;其中网络的架构主要包括三部分,卷积层、池化层与全连接层:
其中卷积层的每个卷积核即传统计算机视觉中的滤波器,第n层第k个特征图是通过第n-1层滤波器gn-1以及第n-1层的特征图计算而来:
其中*表示卷积运算,而bn-1表示偏置;为了更好地去拟合训练集,我们用激活函数f(.)去做非线性变换,而AlexNet所用的激活函数是Recitified Linear Unit(ReLu):
f(a)=max(a,0)
而池化层作为卷积神经网路中的另一部分,主要是保留特征图中一个领域里最大的像素值或平均像素值,一方面是进行降维,另一方面也保证了平移不变性。最后再将特征图展开成向量,与全连接层的神经元相连。
整个网络中所有权重,包括全连接层的权重以及卷积神经网路的卷积核都通过所定义的损失函数根据梯度下降的方法在训练过程迭代调整。
尽管卷积神经网络在自然图像集上取得了不俗的成绩,但在医学图像领域就出现了新的问题,因为医学图像的数据集与自然图像数据集在数量上相比甚远,而深度学习很大程度上依赖于大的数据集使得模型尽可能去拟合我们给予它的数据集,如果数据集太小,就会导致我们所得到的深度模型出现过拟合的问题,即在训练模型的样本上得到正确的分类,但在测试样本上的效果差强人意。
发明内容
本发明的目的是针对上述现有技术的不足,提供了一种基于乳腺钼靶钙化特征的癌症诊断系统。
本发明的另一目的在于提供一种基于乳腺钼靶钙化特征的癌症诊断方法。
本发明的目的可以通过如下技术方案实现:
基于乳腺钼靶钙化特征的癌症诊断系统,包括用于对乳腺钼靶图像进行图像增强与病灶检测,以获取钙化病灶区域的图像预处理模块;针对钙化病灶区域提取其传统特征和深度特征,对传统特征与深度特征进行典型关联分析,筛去深度特征中与传统特征关联不紧密的特征的特征提取模块;针对筛选过后的深度特征,通过样本训练支持向量机对新的钙化病灶进行分类的特征分类模块。
进一步地,所述图像预处理模块包括通过对乳腺钼靶图像进行对比度增强、形态学变换来突出钙化病灶区域特性的图像增强器;用于提取图像高频区域的小波变换处理器和通过大律法自适应阈值乘以指定系数来二值化分割钙化病灶区域的二值化处理器。
进一步地,所述特征提取模块包括用于对增强提取的钙化病灶区域进行形态学特征、灰度共生矩阵特征、灰度游程矩阵特征及小波特征提取的传统特征提取器;用于对增强提取的钙化病灶区域进行深度特征提取的深度特征提取器;基于钙化病灶区域的深度特征与传统特征进行典型关联分析,筛去深度特征中与传统特征关联不紧密的特征的特征融合处理器。
进一步地,所述特征分类模块包括用于对融合后的深度特征进行训练,生成线性分类器来对钙化病灶进行诊断分类的分类器训练单元。
本发明的另一目的可以通过如下技术方案实现:
基于乳腺钼靶钙化特征的癌症诊断方法,所述方法包括以下步骤:
步骤1、获取乳腺钼靶X线数据集;
步骤2、分别对乳腺钼靶X线数据集中的各个图像进行图像增强处理,并进行二值化分割出钙化病灶区域;
步骤3、分别对图像增强处理和二值化处理之后的钙化病灶区域进行特征提取得到传统特征和深度特征;
步骤4、对传统特征和深度特征进行典型关联分析,将与传统特征关联权重低的深度特征删去,保留与传统特征关联紧密的深度特征;
步骤5、对保留的深度特征进行支持向量机线性分类模型的训练,得到分类器。
进一步地,所述步骤3具体包括:
步骤3.1、对钙化病灶区域进行传统特征提取分别获得图像的形态学特征、灰度共生矩阵特征、灰度游程矩阵特征以及小波特征;
步骤3.2、对钙化病灶区域通过卷积神经网络提取出深度特征。
进一步地,步骤3.2的具体过程为:
步骤3.2.1、将在自然图像数据集ImageNet上训练好的AlexNet卷积神经网络模型做一些调整来作为对钙化病灶区域进行深度特征提取的卷积神经网络,包括5个卷积层和3个全连接层,其中5个卷积层分别包括96个11*11、256个5*5、384个3*3、384个3*3和256个4*4的卷积核,最后3个全连接层分别有4096、256和2个神经元,每一个卷积层的输出作为下一个卷积层的输入,最后一个卷积层的输出展开成向量,与全连接层相连,将钙化病灶区域的图片数据集塞到模型里通过反向传播的过程调整卷积核与全连接层的权值;
步骤3.2.2、将测试的乳腺钼靶病灶区域放入步骤3.2.1调整好的模型通过前向传播得到第二层的全连接层神经元作为深度特征。
本发明与现有技术相比,具有如下优点和有益效果:
本发明针对卷积神经网络在小样本乳腺钼靶数据集上出现的过拟合问题以及传统特征的欠拟合问题,提出基于传统特征指导的深度特征诊断方法,根据典型关联分析计算深度特征以及传统特征的权重,通过筛掉权重较低的深度特征来解决特征维数过多引起的过拟合问题,使得本方法的癌症诊断准确率相较传统方法有了显著提高。
附图说明
图1为本发明实施例1基于乳腺钼靶钙化特征的癌症诊断系统的结构示意图。
图2为本发明实施例2基于乳腺钼靶钙化特征的癌症诊断方法的流程图。
图3为本发明实施例2对乳腺钼靶图像进行预处理的流程示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1:
如图1所示,本实施例提供了一种基于乳腺钼靶钙化特征的癌症诊断系统,包括用于对乳腺钼靶图像进行图像增强与病灶检测,以获取钙化病灶区域的图像预处理模块;针对钙化病灶区域提取其传统特征和深度特征,对传统特征与深度特征进行典型关联分析,筛去深度特征中与传统特征关联不紧密的特征的特征提取模块;针对筛选过后的深度特征,通过样本训练支持向量机对新的钙化病灶进行分类的特征分类模块。
其中,所述图像预处理模块包括通过对乳腺钼靶图像进行对比度增强、形态学变换来突出钙化病灶区域特性的图像增强器;用于提取图像高频区域的小波变换处理器和通过大律法自适应阈值乘以指定系数来二值化分割钙化病灶区域的二值化处理器。
其中,所述特征提取模块包括用于对增强提取的钙化病灶区域进行形态学特征、灰度共生矩阵特征、灰度游程矩阵特征及小波特征提取的传统特征提取器;用于对增强提取的钙化病灶区域进行深度特征提取的深度特征提取器;基于钙化病灶区域的深度特征与传统特征进行典型关联分析,筛去深度特征中与传统特征关联不紧密的特征的特征融合处理器。
其中,所述特征分类模块包括用于对融合后的深度特征进行训练,生成线性分类器来对钙化病灶进行诊断分类的分类器训练单元。
实施例2:
本实施例提供了一种基于乳腺钼靶钙化特征的癌症诊断方法,所述方法的流程图如图2所示,包括以下步骤:
步骤1:获取乳腺钼靶X线图像集(P1,P2,....Pn)及其良恶性标签(l1,l2,....ln);其中,n>100,li∈{-1,1};
步骤2:分别对乳腺钼靶X线图像集中的数据进行增强处理,并进行二值化分割出钙化病灶区域(I1,I2,....In),流程图如图3所示;具体过程为:
步骤2.1:对乳腺钼靶X线图像集(P1,P2,....Pn)进行对比度增强,再通过db4.7的小波滤去其低频部分,保留其高频部分,得到进行对比度增强和小波重构后的图像集(Z1,Z2,...,Zn);
步骤2.2:大津法自适应阈值乘以指定系数1.6作为二值化阈值,若阈值大于1则该钼靶片未检出病灶,若小于1则对该分割病灶进行膨胀操作,取最大连通区域作为钙化病灶区域。
步骤3:对钙化病灶区域提取深度特征(x1,x2,....xn)以及传统特征(y1,y2,...,yn),并对深度特征和传统特征进行典型关联分析,保留与传统特征关联紧密的深度特征作为融合特征(x1',x'2,...,x'n);具体过程为:
步骤3.1:对增强处理过后得到的钙化病灶区域(I1,I2,...,In)通过大津法的自适应阈值乘以指定系数得到的二值化后钙化病灶区域(I1',I'2,...,I'n)提取包括形态学特征、灰度共生矩阵特征、灰度游程矩阵特征、小波特征在内的传统特征(y1,y2,...,yn);
步骤3.2:对钙化病灶区域(I1,I2,...,In)提取深度特征(x1,x2,...,xn),过程如下:
步骤3.2.1:在传统的AlexNet卷积神经网络模型的基础上进行调整修改,将收集的乳腺钼靶数据集分成训练集和测试集,训练集作为卷积神经网络的输入,通过前向传播和反向回馈的过程来调整卷积神经网络中的卷积核和权重。
在本实施例中,所运用的卷积神经网络模型包括5个卷积层,3个全连接层,第一个卷积层拥有96个11*11的卷积核,第二个卷积层拥有256个5*5的卷积核,第三个和第四个卷积层都拥有384个3*3的卷积核,第五层拥有256个4*4的卷积核,而三个全连接层分别拥有4096、256、2个神经元,最后一层拥有两个神经元的全连接层即为输出,输入层为224*224的图像;
步骤3.2.2:对于在自然图像集上已经训练好的AlexNet模型,在最后两个全连接层作出上述的修改后,随机初始化最后两层的权重,利用训练集的钙化病灶区域图像样本和标签根据反向传播回馈算法继续训练这个模型,最后固定模型的卷积核和权重,对于每一个新来的样本,取第2个全连接层的第256个神经元作为深度特征;
步骤3.3:针对深度特征和传统特征进行典型关联分析分别获得深度特征和传统特征的权重系数,对深度特征的权重系数进行排序,保留最高的前10%个特征,得到新的特征序列(x1',x'2,...,x'n)。
步骤4:利用提取出的融合特征以及标签进行支持向量机线性分类模型的训练,得到分类器。具体过程为:通过新的特征序列(x1',x'2,...,x'n)和它们所对应的标签(l1,l2,....ln)训练支持向量机分类器的权重W和偏置b,得到训练后的线性分类器l'=Wx+b,对于每一个新的特征样本x可计算其预测结果分数l',若其大于0则为恶性,小于0则为良性。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (7)
1.基于乳腺钼靶钙化特征的癌症诊断系统,其特征在于:包括用于对乳腺钼靶图像进行图像增强与病灶检测,以获取钙化病灶区域的图像预处理模块;针对钙化病灶区域提取其传统特征和深度特征,对传统特征与深度特征进行典型关联分析,筛去深度特征中与传统特征关联不紧密的特征的特征提取模块;针对筛选过后的深度特征,通过样本训练支持向量机对新的钙化病灶进行分类的特征分类模块。
2.根据权利要求1所述的基于乳腺钼靶钙化特征的癌症诊断系统,其特征在于:所述图像预处理模块包括通过对乳腺钼靶图像进行对比度增强、形态学变换来突出钙化病灶区域特性的图像增强器;用于提取图像高频区域的小波变换处理器和通过大律法自适应阈值乘以指定系数来二值化分割钙化病灶区域的二值化处理器。
3.根据权利要求1所述的基于乳腺钼靶钙化特征的癌症诊断系统,其特征在于:所述特征提取模块包括用于对增强提取的钙化病灶区域进行形态学特征、灰度共生矩阵特征、灰度游程矩阵特征及小波特征提取的传统特征提取器;用于对增强提取的钙化病灶区域进行深度特征提取的深度特征提取器;基于钙化病灶区域的深度特征与传统特征进行典型关联分析,筛去深度特征中与传统特征关联不紧密的特征的特征融合处理器。
4.根据权利要求1所述的基于乳腺钼靶钙化特征的癌症诊断系统,其特征在于:所述特征分类模块包括用于对融合后的深度特征进行训练,生成线性分类器来对钙化病灶进行诊断分类的分类器训练单元。
5.基于乳腺钼靶钙化特征的癌症诊断方法,其特征在于,所述方法包括以下步骤:
步骤1、获取乳腺钼靶X线数据集;
步骤2、分别对乳腺钼靶X线数据集中的各个图像进行图像增强处理,并进行二值化分割出钙化病灶区域;
步骤3、分别对图像增强处理和二值化处理之后的钙化病灶区域进行特征提取得到传统特征和深度特征;
步骤4、对传统特征和深度特征进行典型关联分析,将与传统特征关联权重低的深度特征删去,保留与传统特征关联紧密的深度特征;
步骤5、对保留的深度特征进行支持向量机线性分类模型的训练,得到分类器。
6.根据权利要求5所述的基于乳腺钼靶钙化特征的癌症诊断方法,其特征在于,所述步骤3具体包括:
步骤3.1、对钙化病灶区域进行传统特征提取分别获得图像的形态学特征、灰度共生矩阵特征、灰度游程矩阵特征以及小波特征;
步骤3.2、对钙化病灶区域通过卷积神经网络提取出深度特征。
7.根据权利要求6所述的基于乳腺钼靶钙化特征的癌症诊断方法,其特征在于,步骤3.2的具体过程为:
步骤3.2.1、将在自然图像数据集ImageNet上训练好的AlexNet卷积神经网络模型做一些调整来作为对钙化病灶区域进行深度特征提取的卷积神经网络,包括5个卷积层和3个全连接层,其中5个卷积层分别包括96个11*11、256个5*5、384个3*3、384个3*3和256个4*4的卷积核,最后3个全连接层分别有4096、256和2个神经元,每一个卷积层的输出作为下一个卷积层的输入,最后一个卷积层的输出展开成向量,与全连接层相连,将钙化病灶区域的图片数据集塞到模型里通过反向传播的过程调整卷积核与全连接层的权值;
步骤3.2.2、将测试的乳腺钼靶病灶区域放入步骤3.2.1调整好的模型通过前向传播得到第二层的全连接层神经元作为深度特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810037664.3A CN108416360B (zh) | 2018-01-16 | 2018-01-16 | 基于乳腺钼靶钙化特征的癌症诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810037664.3A CN108416360B (zh) | 2018-01-16 | 2018-01-16 | 基于乳腺钼靶钙化特征的癌症诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416360A true CN108416360A (zh) | 2018-08-17 |
CN108416360B CN108416360B (zh) | 2022-03-29 |
Family
ID=63125657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810037664.3A Active CN108416360B (zh) | 2018-01-16 | 2018-01-16 | 基于乳腺钼靶钙化特征的癌症诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416360B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285147A (zh) * | 2018-08-30 | 2019-01-29 | 北京深睿博联科技有限责任公司 | 用于乳腺钼靶钙化检测的图像处理方法及装置、服务器 |
CN109598709A (zh) * | 2018-11-29 | 2019-04-09 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
CN109785320A (zh) * | 2019-01-28 | 2019-05-21 | 太原理工大学 | 一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法 |
CN110163828A (zh) * | 2019-07-10 | 2019-08-23 | 复旦大学 | 基于超声射频信号的乳腺钙化点图像优化系统及方法 |
CN110364250A (zh) * | 2019-04-26 | 2019-10-22 | 深圳大学 | 乳腺钼靶图像的自动标注方法、系统及存储介质 |
CN110459319A (zh) * | 2019-05-16 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 基于人工智能的乳腺钼靶图像的辅助诊断系统 |
CN111012317A (zh) * | 2020-01-18 | 2020-04-17 | 四川知周光声医疗科技有限公司 | 一种光声乳腺的图像重建方法及系统 |
CN111415741A (zh) * | 2020-03-05 | 2020-07-14 | 北京深睿博联科技有限责任公司 | 基于隐式表观学习的乳腺x射线影像分类模型训练方法 |
CN111739640A (zh) * | 2020-06-22 | 2020-10-02 | 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) | 一种基于乳腺钼靶和mr图像影像组学的风险预测系统 |
CN111863204A (zh) * | 2020-07-22 | 2020-10-30 | 北京青燕祥云科技有限公司 | 基于钼靶x线摄影检查的乳腺疾病ai辅助诊断方法及系统 |
CN111986165A (zh) * | 2020-07-31 | 2020-11-24 | 上海依智医疗技术有限公司 | 一种乳房图像中的钙化检出方法及装置 |
CN113509191A (zh) * | 2021-03-05 | 2021-10-19 | 北京赛迈特锐医疗科技有限公司 | 乳腺钼靶x线影像的分析方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971137A (zh) * | 2014-05-07 | 2014-08-06 | 上海电力学院 | 基于结构性稀疏特征学习的三维动态人脸表情识别方法 |
CN104252570A (zh) * | 2013-06-28 | 2014-12-31 | 上海联影医疗科技有限公司 | 一种海量医学影像数据挖掘系统及其实现方法 |
CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
US20160278641A1 (en) * | 2015-03-25 | 2016-09-29 | Xerox Corporation | Detecting tumorous breast tissue in a thermal image |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
CN106683081A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 |
-
2018
- 2018-01-16 CN CN201810037664.3A patent/CN108416360B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104252570A (zh) * | 2013-06-28 | 2014-12-31 | 上海联影医疗科技有限公司 | 一种海量医学影像数据挖掘系统及其实现方法 |
CN103971137A (zh) * | 2014-05-07 | 2014-08-06 | 上海电力学院 | 基于结构性稀疏特征学习的三维动态人脸表情识别方法 |
US20160278641A1 (en) * | 2015-03-25 | 2016-09-29 | Xerox Corporation | Detecting tumorous breast tissue in a thermal image |
CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
CN106683081A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 |
Non-Patent Citations (2)
Title |
---|
叶虹等: "乳腺超声结合钼靶在良、恶性病变诊断中的应用", 《齐齐哈尔医学院学报》 * |
胡正平等: "多层融合深度局部PCA子空间稀疏优化特征提取模型", 《电子学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285147A (zh) * | 2018-08-30 | 2019-01-29 | 北京深睿博联科技有限责任公司 | 用于乳腺钼靶钙化检测的图像处理方法及装置、服务器 |
CN109598709A (zh) * | 2018-11-29 | 2019-04-09 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
CN109785320A (zh) * | 2019-01-28 | 2019-05-21 | 太原理工大学 | 一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法 |
CN110364250A (zh) * | 2019-04-26 | 2019-10-22 | 深圳大学 | 乳腺钼靶图像的自动标注方法、系统及存储介质 |
CN110364250B (zh) * | 2019-04-26 | 2021-12-14 | 深圳大学 | 乳腺钼靶图像的自动标注方法、系统及存储介质 |
CN110459319B (zh) * | 2019-05-16 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 基于人工智能的乳腺钼靶图像的辅助诊断系统 |
CN110459319A (zh) * | 2019-05-16 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 基于人工智能的乳腺钼靶图像的辅助诊断系统 |
CN110163828A (zh) * | 2019-07-10 | 2019-08-23 | 复旦大学 | 基于超声射频信号的乳腺钙化点图像优化系统及方法 |
CN110163828B (zh) * | 2019-07-10 | 2022-02-18 | 复旦大学 | 基于超声射频信号的乳腺钙化点图像优化系统及方法 |
CN111012317A (zh) * | 2020-01-18 | 2020-04-17 | 四川知周光声医疗科技有限公司 | 一种光声乳腺的图像重建方法及系统 |
CN111012317B (zh) * | 2020-01-18 | 2022-10-25 | 中川新迈科技有限公司 | 一种光声乳腺的图像重建方法及系统 |
CN111415741B (zh) * | 2020-03-05 | 2023-09-26 | 北京深睿博联科技有限责任公司 | 基于隐式表观学习的乳腺x射线影像分类模型训练方法 |
CN111415741A (zh) * | 2020-03-05 | 2020-07-14 | 北京深睿博联科技有限责任公司 | 基于隐式表观学习的乳腺x射线影像分类模型训练方法 |
CN111739640A (zh) * | 2020-06-22 | 2020-10-02 | 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) | 一种基于乳腺钼靶和mr图像影像组学的风险预测系统 |
CN111863204A (zh) * | 2020-07-22 | 2020-10-30 | 北京青燕祥云科技有限公司 | 基于钼靶x线摄影检查的乳腺疾病ai辅助诊断方法及系统 |
CN111986165A (zh) * | 2020-07-31 | 2020-11-24 | 上海依智医疗技术有限公司 | 一种乳房图像中的钙化检出方法及装置 |
CN111986165B (zh) * | 2020-07-31 | 2024-04-09 | 北京深睿博联科技有限责任公司 | 一种乳房图像中的钙化检出方法及装置 |
CN113509191A (zh) * | 2021-03-05 | 2021-10-19 | 北京赛迈特锐医疗科技有限公司 | 乳腺钼靶x线影像的分析方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108416360B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416360A (zh) | 基于乳腺钼靶钙化特征的癌症诊断系统及方法 | |
Li et al. | A large-scale database and a CNN model for attention-based glaucoma detection | |
US6167146A (en) | Method and system for segmentation and detection of microcalcifications from digital mammograms | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
CN110852396A (zh) | 一种宫颈图像的样本数据处理方法 | |
Karim et al. | DeepKneeExplainer: explainable knee osteoarthritis diagnosis from radiographs and magnetic resonance imaging | |
Mednikov et al. | Transfer representation learning using Inception-V3 for the detection of masses in mammography | |
KR20010023427A (ko) | 디지털 유방 방사선 사진으로부터 클러스터상미세석회화의 자동 검출을 위한 방법 및 시스템 | |
Khuwaja et al. | Bimodal breast cancer classification system | |
Zhuang et al. | Breast ultrasound lesion classification based on image decomposition and transfer learning | |
Dandan et al. | Classification of diffuse liver diseases based on ultrasound images with multimodal features | |
Prusty et al. | A novel transfer learning technique for detecting breast cancer mammograms using VGG16 bottleneck feature | |
CN113850328A (zh) | 基于多视角深度学习的非小细胞肺癌亚型分类系统 | |
CN110047075A (zh) | 一种基于对抗网络的ct图像分割方法 | |
CN109785320A (zh) | 一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法 | |
Cai et al. | Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning | |
CN110459303B (zh) | 基于深度迁移的医疗影像异常检测装置 | |
Jaleel et al. | Textural features based computer aided diagnostic system for mammogram mass classification | |
CN114565786A (zh) | 基于通道注意力机制的断层扫描图像分类装置和方法 | |
Syed et al. | Detection of tumor in MRI images using artificial neural networks | |
Rizzi et al. | A supervised method for microcalcification cluster diagnosis | |
Kegelmeyer Jr et al. | Dense feature maps for detection of calcifications | |
Kumari et al. | Deep learning based detection of diabetic retinopathy using retinal fundus images | |
Guo et al. | Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation | |
Masmoudi et al. | Robust mass classification–based local binary pattern variance and shape descriptors |
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 |