CN108549912A - 一种基于机器学习的医学图像肺结节检测方法 - Google Patents

一种基于机器学习的医学图像肺结节检测方法 Download PDF

Info

Publication number
CN108549912A
CN108549912A CN201810352482.5A CN201810352482A CN108549912A CN 108549912 A CN108549912 A CN 108549912A CN 201810352482 A CN201810352482 A CN 201810352482A CN 108549912 A CN108549912 A CN 108549912A
Authority
CN
China
Prior art keywords
image
lung neoplasm
lung
feature
machine learning
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.)
Withdrawn
Application number
CN201810352482.5A
Other languages
English (en)
Inventor
袁海英
刘昶
王秀玉
周昌世
郑彤
张凯
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.)
Beijing University of Technology
Original Assignee
Beijing University of 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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201810352482.5A priority Critical patent/CN108549912A/zh
Publication of CN108549912A publication Critical patent/CN108549912A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G06F18/21324—Rendering the within-class scatter matrix non-singular involving projections, e.g. Fisherface techniques
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30064—Lung nodule
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于机器学习的肺结节检测方法，能够自动进行肺结节检测并且保持较高的精度，包括以下步骤:获取肺部CT图像；对肺部CT图像进行分割，得到肺实质；对肺实质图像进行分割，得到多个肺结节候选；提取肺结节候选的灰度、形状和纹理特征；对多维的混合特征进行降维，并用混合了规则和支持向量机的分类器进行分类，达到检测肺结节的效果。本发明提出的新的分割方法和分类方法，降低了假阳性，提高了医学图像肺结节的检测精度，可用于计算机辅助诊断系统。

Description

一种基于机器学习的医学图像肺结节检测方法
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于机器学习的医学图像肺结节检测方法。
背景技术
中国的肺癌居恶性肿瘤发病第一位，30年来死亡率上升了465％。早期肺癌平均5年的生存率在55％到70％之间。因此，早期发现和治疗，可以大大提高肺癌的治愈率。肺癌总是以肺结节表现出来，根据肺结节的病变特征能推断出肺部病灶的病变特性。因此对肺部疾病患者进行及早的肺结节检测和治疗是降低肺癌死亡率的关键措施。结合肺结节的医学特性，利用计算机辅助检测系统(CAD)技术对医学图像进行处理和研究，能为医生提供有用的参考信息，辅助医生及时地对肺部疾病患者做出准确的诊断。该系统一方面大大减轻了医生的工作量，能有效地帮助医生对潜在的肺癌进行早期检测和特征描述；另一方面使医学影像诊断更客观，提高了诊断效率和准确率，最大程度上避免了漏诊和误诊。因此，用计算机进行肺结节辅助诊断，提取肺结节的特征，检测和识别肺结节，具有重要的理论指导意义和应用研究价值。
肺癌的计算机辅助诊断主要流程包括：肺结节图像分割、肺结节特征提取和肺结节的分类识别。在图像分割环节，通常分为基于阈值的分割、基于边缘的分割、基于区域的分割和基于图论的分割，单一的分割方法通常不能完整的分割出图像中的肺结节。在特征提取环节，由于肺结节具有实性结节、混合型磨玻璃结节、磨玻璃结节等各种形态，无法通过单一的形状特征进行检测。在肺结节分类识别环节，通常是基于统计学得到的，需要先验知识或者需要通过不同的特征尝试和参数选择才能得到满意的特征，给整个分类问题带来复杂性，导致现有的医学图像肺结节的检测速度较慢、精度较低。
发明内容
本发明的目的在于针对上述现有医学影像诊断技术的不足，提供一种基于机器学习的医学图像肺结节检测方法，采用改进的阈值分割方法，提取形状、灰度与纹理信息作为混合特征，经过特征选择后进行肺结节检测，达到很高的精确度、灵敏度和特异性。
本发明具有以下特点：
1.基于阈值图像分割模型和肺结节分类模型设计
1.1.图像分割，本发明采用基于阈值的图像分割。在图像分割之前，先对病例图像进行预处理，采用图像插值的方法将低分辨率的医学图像转化成高分辨率的图像。为了增强图片的内部结构，尤其是肺结节部分，采用均值漂移算法对所有的病例图像进行处理。首先采用迭代阈值算法对所有切片进行初步分割处理，再用孔洞填充算法进一步分割得到肺实质部分。由于这种分割可能会遗漏掉并列结节即边缘结节，本发明采用滚球算法对肺实质边缘进行补偿，从而得到完整的肺实质部分。对于肺结节候选的分割同样采用迭代阈值算法。
1.2.图像分割步骤完成以后是特征提取与特征选择，本发明提取了多种特征包括形状特征、灰度特征与纹理特征。形状特征能够基本概括肺结节轮廓，形状的信息；灰度特征是基于像素的特征，根据肺结节区域与背景区域的像素差异从而提取的；纹理特征是用灰度共生矩阵提取的图像熵和能量的信息。采用Fisher判别分析算法进行特征选择，该算法将高维含噪的特征矩阵降低到低维的分类空间，并且特征选择后的矩阵包含了原始特征矩阵的信息。
1.3.分类器的性能在很大程度上影响了肺结节分类精度，本发明构造了混合分类器进行肺结节诊断。首先采用基于规则的分类器运用多个if-then规则混叠形成了一个完整的专家系统，去除一部分非结节，实现了肺结节的初步分类。然后采用支持向量机分类器进行肺结节的精确分类，特征样本被分为训练样本和测试样本，用训练好的新检测模型对测试数据集中每张医学图像进行测试，得到每张医学图像的肺结节检测结果。
2.计算机辅助检测的使用方法
2.1.从肺部图像数据库LIDC的原始数据集随机选取200个病例的图像，通过读取原始数据集的XML格式注释文件，提取出肺结节坐标信息，并用病例图像和肺结节坐标信息组成样本数据集；
2.2.利用迭代阈值选取合适的阈值对图像进行分割，先设定初始阈值T，通常是图像的最大灰度值Tmax和最小灰度值Tmin的均值；将图像分为两个部分：灰度值大于T的集合和灰度值小于等于T的集合，分别计算其平均值，然后计算出新的阈值Tnew；如果新的阈值小于一个特定值，则停止迭代。分割完所有切片后便得到了肺结节候选，需要提取肺结节候选的混合特征。采用Fisher判别法将高维数据转化为低维数据，通过计算本征值和本征向量实现这一过程。
2.3.肺结节检测运用的是混合分类器。基于规则的分类器实现了简单的阈值筛选，去除了一部分非结节；支持向量机分类器将低维特征投影到高维空间，然后建立一个超平面并采用粒子群算法优化参数，实现肺结节的精确分类。
为实现上述目的，本发明采用如下的技术方案：
一种基于机器学习的肺结节检测方法，包括如下步骤：
(1)获取CT图像：从肺部图像数据库LIDC的原始数据集中随机选取200个病人的图像，通过读取原始数据集的XML格式注释文件，提取出肺结节坐标信息，并用病例图像和肺结节坐标信息组成样本数据集；
(2)对CT图像进行图像分割：用聚类增强算法对200个病例图片进行预处理，采用基于阈值分割的方法对每个病例图像进行分割，先分割出图像中的肺实质区域，再分割出图像中的肺实质候选；
(3)提取肺结节候选的混合特征：包括灰度特征，形状特征和纹理特征；
(4)根据步骤3获得的多维特征矩阵，做基于规则的简单分类，去除肺结节候选中的一部分非结节；
(5)特征选择：将高维的特征矩阵降低到低维，并且新的特征矩阵能够完整的表示出元特征矩阵的所有信息；
(6)肺结节检测：用训练好的检测模型对测试数据集中每张医学图像进行测试，得到每张医学图像中的肺结节检测结果。
作为优选，步骤(2)所述图像预处理的方法包括图像线性插值和均值漂移算法；阈值分割采用迭代阈值的方法自动获取分割阈值；
作为优选，步骤(2)所述阈值分割采用迭代阈值的方法自动获取分割阈值，孔洞填充去除小面积区域，区域生长去除支气管部分。
作为优选，步骤(3)所述提取的密度特征包括灰度均值、灰度方差、灰度最小值、偏度和峰度；形状特征包括面积、半径、周长、圆度、紧凑性、凹性率、细长度、矩形度；纹理特征包括：能量、对比度、熵和逆差矩。
作为优选，步骤(4)所述的基于规则的初步分类是基于灰度均值、灰度方差、宏观圆形度、扁度、细长度和矩形度的特征制定的，参数分别为15、7000、0.13、2、0.5、1.5，如果特征值大于这些参数，则认定为非结节，筛去这些区域，保留小于这些值的特征；
作为优选，步骤(5)-(6)先是由Fisher线性判别分析提取的特征并进行特征降维，选择后的低维特征输入分类器中进行训练，最后用分类器进行肺结节检测。
本发明具有如下优点：
第一，采用基于阈值的分割方法不用人工选取交互点，避免了大量繁琐的计算工作。用迭代的方式自动获取最优阈值比固定阈值达到更好的分割效果。
第二，与单一特征相比，混合特征包含了肺结节更全面的特征信息。特征选择过程挑选了最具代表性的特征，提高了检测速率，降低了时间复杂度。对分类器的优化方案能够自动选择最优参数，提高了肺结节的检测精度。
第三，支持向量机能够解决小样本学习问题，能够克服训练中过学习、欠学习、维度灾难和局部最优等问题，更高效的处理样本。
附图说明
图1为本发明实施例中计算机辅助检测方法的结构示意图；
图2为本发明实施例中图像分割方法的结果示意图；
图3为本发明实施例中肺结节检测方法的流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明方法进一步说明，本发明的具体步骤如下：
步骤1：参照附图1，首先获取肺部CT图像。从全球最大的公共数据集LIDC的原始数据集中随机选出200个病例，通过读取XML注释，提取肺结节的坐标信息。CT图像层厚1.25-3mm，层间距为0.75-3mm，每层CT切片像素为512×512，单个病例包含的CT图像大概是200个。
步骤2：如图2所示，对肺部CT图像进行分割处理。首先，线性插值对每一个切片处理，提高CT图像的分辨率，去除图像噪声；然后进行肺实质分割，用迭代阈值法分割图像，迭代后的阈值是最佳分割阈值。迭代阈值处理后的图像再进行孔洞填充去除小面积区域，得到肺掩值。至此基本上分割除了肺实质，由于并列结节分布在肺实质的边界区域，基于像素相似性的阈值分割法无法识别，会遗漏一些结节分割，因此滚球算法用来进一步修补肺实质边界，得到完整的肺实质。再次应用迭代阈值对CT图像进行分割，得到肺结节候选。
步骤3：提取肺结节的灰度特征、形状特征和纹理特征等17个特征用来进行检测。灰度特征包括灰度均值、灰度方差、峰度和偏度；形状特征包括面积、周长、半径、圆形度、扁度、紧凑度、凹性率、细长度和矩形度；纹理特征包括能量、熵、对比度和逆矩差。混合特征一般伴随着高维度和噪声，Fisher判别法根据特征矩阵计算本征值和相应的本征向量，按本征值大小排序，选择最相关的本征向量组合作为新的特征矩阵。
步骤4：如图3所示，基于规则的分类由多个if-then结构构成，具体如下：
Rule1:if灰度均值大于15.0，then此区域为非结节区域，删除这个区域；
Rule2:if灰度方差大于7000，then此区域为非结节区域，删除这个区域；
Rule3:if宏观圆形度小于0.13，then此区域为非结节区域，删除这个区域；
Rule4:if扁度大于2.0，then此区域为非结节区域，删除这个区域；
Rule5:if细长度小于0.5，then此区域为非结节区域，删除这个区域；
Rule6:if矩形度大于1.5，then此区域为非结节区域，删除这个区域。
步骤6：筛选后的肺结节候选降低了假阳性，它们被输入到支持向量机中进行分类，肺结节候选样本分为正样本(结节)和负样本(非结节)。当训练集作为非线性可分时，采用支持向量机构建一个超平面，通过特征映射将非线性可分的数据样本在高维空间转化为线性可分。同时选取RBF核函数，通过非线性变换将样本映射到更高维特征空间中，解决线性不可分问题，采用网格搜索方法选择出RBF核函数的最优参数。
本发明的效果可以通过以下仿真结果进一步说明。
1.仿真条件：
本发明仿真实验采用的数据样本是肺部图像数据库LIDC数据集中随机选取的200个病例图像。仿真实验目的是检测出医学图像中的肺结节，得到测试数据集的分类精度、灵敏度和特异性。
本发明的仿真实验的计算机环境：操作系统为windows7；软件平台为：MatlabR2014a、Python。
2.仿真内容与结果：
仿真1，用本发明对测试数据集中每张医学图像进行测试，得到单张医学图像中的肺实质分割结果，如附图2。
仿真2，根据附图3的流程图进行肺结节检测，得到精确度、灵敏度和特异性。

Claims (7)

1.一种基于机器学习的肺结节检测方法，其特征在于，包括如下步骤：
(1)获取CT图像：从肺部图像数据库LIDC的原始数据集中随机选取200个病人的图像，通过读取原始数据集的XML格式注释文件，提取出肺结节坐标信息，并用病例图像和肺结节坐标信息组成样本数据集；
(2)对CT图像进行图像分割：用聚类增强算法对200个病例图片进行预处理，采用基于阈值分割的方法对每个病例图像进行分割，先分割出图像中的肺实质区域，再分割出图像中的肺实质候选；
(3)提取肺结节候选的混合特征：包括灰度特征，形状特征和纹理特征；
(4)根据步骤3获得的多维特征矩阵，做基于规则的简单分类，去除肺结节候选中的一部分非结节；
(5)特征选择：将高维的特征矩阵降低到低维，并且新的特征矩阵能够完整的表示出元特征矩阵的所有信息；
(6)肺结节检测：用训练好的检测模型对测试数据集中每张医学图像进行测试，得到每张医学图像中的肺结节检测结果。
2.根据权利要求1所述的基于机器学习的肺结节检测方法，其特征在于：步骤(2)所述图像预处理的方法包括图像线性插值和均值漂移算法；阈值分割采用迭代阈值的方法自动获取分割阈值。
3.根据权利要求1所述的基于机器学习的肺结节检测方法，其特征在于：步骤(2)所述阈值分割采用迭代阈值的方法自动获取分割阈值，孔洞填充去除小面积区域，区域生长去除支气管部分。
4.根据权利要求1所述的基于机器学习的肺结节检测方法，其特征在于：步骤(3)所述提取的密度特征包括灰度均值、灰度方差、灰度最小值、偏度和峰度；形状特征包括面积、半径、周长、圆度、紧凑性、凹性率、细长度、矩形度；纹理特征包括：能量、对比度、熵和逆差矩。
5.根据权利要求1所述的基于机器学习的肺结节检测方法，其特征在于：步骤(4)所述的基于规则的初步分类是基于灰度均值、灰度方差、宏观圆形度、扁度、细长度和矩形度的特征制定的，参数分别为15、7000、0.13、2、0.5、1.5，如果特征值大于这些参数，则认定为非结节，筛去这些区域，保留小于这些值的特征。
6.根据权利要求1所述的方法，其特征在于：步骤(5)是由Fisher线性判别分析提取的特征并进行特征降维。
7.根据权利要求1所述的方法，其特征在于：步骤(6)将选择后的低维特征输入分类器中进行训练，最后用分类器进行肺结节检测；所述分类器为采用混合分类器进行肺结节诊断，首先采用基于规则的分类器运用多个if-then规则混叠形成了一个完整的专家系统，去除一部分非结节，实现了肺结节的初步分类；然后支持向量机分类器将低维特征投影到高维空间，然后建立一个超平面并采用粒子群算法优化参数，实现肺结节的精确分类。
CN201810352482.5A 2018-04-19 2018-04-19 一种基于机器学习的医学图像肺结节检测方法 Withdrawn CN108549912A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810352482.5A CN108549912A (zh) 2018-04-19 2018-04-19 一种基于机器学习的医学图像肺结节检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810352482.5A CN108549912A (zh) 2018-04-19 2018-04-19 一种基于机器学习的医学图像肺结节检测方法

Publications (1)

Publication Number Publication Date
CN108549912A true CN108549912A (zh) 2018-09-18

Family

ID=63515587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810352482.5A Withdrawn CN108549912A (zh) 2018-04-19 2018-04-19 一种基于机器学习的医学图像肺结节检测方法

Country Status (1)

Country Link
CN (1) CN108549912A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816667A (zh) * 2019-01-21 2019-05-28 杭州英库医疗科技有限公司 一种基于ct影像的肺结节分割方法
CN109978846A (zh) * 2019-03-18 2019-07-05 哈尔滨商业大学 一种基于体局部方向三值模式的肺结节纹理特征提取系统及方法
CN110378875A (zh) * 2019-06-18 2019-10-25 中国科学院苏州生物医学工程技术研究所 基于机器学习算法的体内尿路结石成分鉴别方法
CN110910325A (zh) * 2019-11-22 2020-03-24 深圳信息职业技术学院 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置
CN111161879A (zh) * 2020-02-24 2020-05-15 梅里医疗科技(洋浦)有限责任公司 一种基于大数据的疾病预测系统
CN111599464A (zh) * 2020-05-13 2020-08-28 吉林大学第一医院 基于直肠癌影像组学研究的新型多模态融合辅助诊断方法
CN111768845A (zh) * 2020-06-30 2020-10-13 重庆大学 一种基于最优多尺度感知的肺结节辅助检测方法
CN111784593A (zh) * 2020-06-04 2020-10-16 广东省智能制造研究所 一种面向深度学习的肺结节ct图像数据增强方法及系统
CN112132818A (zh) * 2020-09-29 2020-12-25 北京航空航天大学 基于图卷积神经网络构建三阶段的图像处理方法
CN113658162A (zh) * 2021-08-24 2021-11-16 中山仰视科技有限公司 精细化肺结节检测方法、系统、设备及介质

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816667A (zh) * 2019-01-21 2019-05-28 杭州英库医疗科技有限公司 一种基于ct影像的肺结节分割方法
CN109978846B (zh) * 2019-03-18 2021-01-29 哈尔滨商业大学 一种基于体局部方向三值模式的肺结节纹理特征提取系统及方法
CN109978846A (zh) * 2019-03-18 2019-07-05 哈尔滨商业大学 一种基于体局部方向三值模式的肺结节纹理特征提取系统及方法
CN110378875A (zh) * 2019-06-18 2019-10-25 中国科学院苏州生物医学工程技术研究所 基于机器学习算法的体内尿路结石成分鉴别方法
CN110910325A (zh) * 2019-11-22 2020-03-24 深圳信息职业技术学院 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置
CN110910325B (zh) * 2019-11-22 2020-12-22 深圳信息职业技术学院 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置
CN111161879A (zh) * 2020-02-24 2020-05-15 梅里医疗科技(洋浦)有限责任公司 一种基于大数据的疾病预测系统
CN111161879B (zh) * 2020-02-24 2020-10-09 吾征智能技术(北京)有限公司 一种基于大数据的疾病预测系统
CN111599464A (zh) * 2020-05-13 2020-08-28 吉林大学第一医院 基于直肠癌影像组学研究的新型多模态融合辅助诊断方法
CN111599464B (zh) * 2020-05-13 2023-12-15 吉林大学第一医院 基于直肠癌影像组学研究的新型多模态融合辅助诊断方法
CN111784593A (zh) * 2020-06-04 2020-10-16 广东省智能制造研究所 一种面向深度学习的肺结节ct图像数据增强方法及系统
CN111768845B (zh) * 2020-06-30 2023-08-11 重庆大学 一种基于最优多尺度感知的肺结节辅助检测方法
CN111768845A (zh) * 2020-06-30 2020-10-13 重庆大学 一种基于最优多尺度感知的肺结节辅助检测方法
CN112132818A (zh) * 2020-09-29 2020-12-25 北京航空航天大学 基于图卷积神经网络构建三阶段的图像处理方法
CN112132818B (zh) * 2020-09-29 2023-04-07 北京航空航天大学 基于图卷积神经网络构建的肺结节检测和临床分析方法
CN113658162A (zh) * 2021-08-24 2021-11-16 中山仰视科技有限公司 精细化肺结节检测方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN108549912A (zh) 一种基于机器学习的医学图像肺结节检测方法
Xie et al. Automated pulmonary nodule detection in CT images using deep convolutional neural networks
CN111476292B (zh) 医学图像分类处理人工智能的小样本元学习训练方法
Wang et al. A hybrid CNN feature model for pulmonary nodule malignancy risk differentiation
Khan et al. Lungs nodule detection framework from computed tomography images using support vector machine
Pezeshk et al. 3-D convolutional neural networks for automatic detection of pulmonary nodules in chest CT
CN106940816B (zh) 基于3d全卷积神经网络的ct图像肺结节检测系统
Shen et al. Simultaneous segmentation and classification of mass region from mammograms using a mixed-supervision guided deep model
WO2019200747A1 (zh) 分割股骨近端的方法、装置、计算机设备和存储介质
Sorensen et al. Quantitative analysis of pulmonary emphysema using local binary patterns
CN110766051A (zh) 一种基于神经网络的肺结节形态学分类方法
Sluimer et al. Automated classification of hyperlucency, fibrosis, ground glass, solid, and focal lesions in high‐resolution CT of the lung
Pan et al. Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review
CN106156793A (zh) 结合深层特征提取和浅层特征提取的医学图像分类方法
CN106296653A (zh) 基于半监督学习的脑部ct图像出血区域分割方法及系统
Hattikatti Texture based interstitial lung disease detection using convolutional neural network
CN109978880A (zh) 采用高维特征选择对肺部肿瘤ct图像进行判别的方法
CN108010013A (zh) 一种肺ct图像肺结节检测方法
CN112926652B (zh) 一种基于深度学习的鱼类细粒度图像识别方法
CN106780453A (zh) 一种基于深度信任网络实现对脑肿瘤分割的方法
CN107330883A (zh) 一种医学图像病变区域定位和分类方法
Liu et al. Lung segmentation based on random forest and multi‐scale edge detection
Liu et al. Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement
Renukadevi et al. Optimizing deep belief network parameters using grasshopper algorithm for liver disease classification
CN113096080A (zh) 图像分析方法及系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20180918

WW01 Invention patent application withdrawn after publication