CN108564561A - 一种钼靶图像中胸大肌区域自动检测方法 - Google Patents
一种钼靶图像中胸大肌区域自动检测方法 Download PDFInfo
- Publication number
- CN108564561A CN108564561A CN201711480961.7A CN201711480961A CN108564561A CN 108564561 A CN108564561 A CN 108564561A CN 201711480961 A CN201711480961 A CN 201711480961A CN 108564561 A CN108564561 A CN 108564561A
- Authority
- CN
- China
- Prior art keywords
- image
- molybdenum target
- pectoralis major
- target image
- convolutional neural
- 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- Withdrawn
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种钼靶图像中胸大肌区域自动检测方法,包括下述步骤:S1、使用传统的基于灰度、梯度、纹理特征的方法得到胸大肌区域的粗分割图像;S2、对步骤S1得到的粗分割图像使用深度卷积神经网络得到细分割图像;S3、基于得到的深度卷积神经网络模型对乳腺钼靶图像胸大肌图像进行自动检测。本发明改进采用了经典算法来对钼靶图像中胸大肌区域进行初步检测,由于传统算法一般只能适应特定的一些情况,很难能够通用,故本发明中将其作初步分割,进一步用深度卷积神经网络来进行精细分割;同时通过粗分割处理,本发明大大缓解了深度学习对大数量训练样本的需求。
Description
技术领域
本发明涉及图像处理的技术领域,更具体地说,涉及一种钼靶图像中胸大肌区域自动检测方法。
背景技术
乳腺癌是女性癌症死亡的主要原因之一。目前,乳腺癌早期检测的最有效的方法是乳腺钼靶图像的筛查。然而,目前放射科医生每天分析数百张乳腺钼靶图像,任务繁重耗时耗力,这导致了部分病例病情的漏报和误报。计算机辅助诊断(CAD)系统作为“第二读者意见”有其一致性,可靠性,且速度快的优点,因此越来越受欢迎。CAD系统可以为放射科医生提供有效的辅助诊断意见,这能提高了乳腺钼靶图像检测的准确性。
在乳腺的CAD系统中,胸大肌区域的自动检测是钼靶图像计算分析的关键的预处理步骤。准确的胸大肌区域分割对CAD系统诊断有许多帮助,例如,能减少钼靶图像乳腺密度估计的误差,为乳腺钼靶图像多视图分析的图像配准提供参数,提高CAD系统后续计算分析辅助诊断的效果等。然而,胸大肌区域的准确自动分割是一个极具挑战的任务,特别是在筛查的钼靶图像中伪影,乳房皮肤线的低对比度,胸部和乳房组织之间的均匀性等,都极大增加了胸大肌区域准确分割的难度。
目前,钼靶图像中胸大肌区域检测方法中,现有的技术都是基于经典计算机视觉算法实现的。这些胸大肌区域检测方法分为以下几类。
1)基于灰度的胸大肌检测。这一类检测方法应用乳房组织和胸大肌之间的灰度差异,其原理是假定胸大肌的灰度高于其周围组织,利用此信息来进行胸大肌的分割,如简单的使用阈值分割,使用梯度跟踪等等。
2)基于线检测技术的胸大肌检测。这一类检测方法原理是假定胸大肌边界是一条直线,然后使用检测直线的方法进行胸大肌的分割。常用的直线检测方法比如霍夫变换被用来找霍夫空间中正确梯度幅度和方向,投影长度和相应的胸部面积。
3)基于统计分析方法的胸大肌检测。乳房结构根据其纹理、外观和密度被分为不同的类别进行研究。利用此信息,可以推断得到几个统计参数,从而可以运用一些统计技术对乳房密度模式进行分类。比如使用纹理特性来识别胸部边界,方法中可用支持向量回归来识别胸肌的端点。
4)基于小波的胸大肌检测方法。这一类方法运用小波剧透从图形中获取空间频率信息的能力来对钼靶图像胸大肌进行检测。比如使用Dyadic小波分解进行胸肌检测。
5)其他检测方法。比如基于主动轮廓的分割方法用来检测胸大肌。
从上面的阐述可知,目前,钼靶图像中胸大肌区域检测方法中,现有的技术都是基于经典算法实现的。在大多数情况下,这些方法都是具有较强的使用前提假设的,它们更多的是针对一组数据或者特定的问题,极少通用的解决方法可用于胸肌检测,因此从现有方法来看,没有一种具体的方法可以很好的解决胸大肌的完全自动检测问题。导致上述缺点原因是它们针对特定类型的数据或者特定的问题,具有较强的使用条件。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种通用且准确有效的钼靶图像中胸大肌区域自动检测方法,为现有的乳腺CAD系统提供准确的钼靶图像胸大肌检测结果,从而提高计算分析结果的准确度,为放射科医生提供更好的辅助诊断,最终减少病例病情的漏报和误报。
为了达到上述目的,本发明采用以下技术方案:
本发明钼靶图像中胸大肌区域自动检测方法,包括下述步骤:
S1、使用传统的基于灰度、梯度、纹理特征的方法得到胸大肌区域的粗分割图像;
S2、对步骤S1得到的粗分割图像使用深度卷积神经网络得到细分割图像,并做如下处理,具体步骤如下:
S21、采集带有可靠的胸大肌检测结果的乳腺钼靶图像数据,采集的钼靶图像数据包含各种不一样的数据类型;所述乳腺钼靶图像数据按8:1:1的比例被随机分成了三部分,一部分作为深度卷积神经网络的训练集,一部分作为深度卷积神经网络的验证集,最后保留了一部分作为独立测试集合;
S22、对于粗分割图像和原始钼靶图像都进行预处理;
S23、将预处理完成后的粗分割图像和原始钼靶图像以及对应的胸大肌真实检测结果输入深度卷积神经网络对网络进行训练;
S24、得到稳健的深度卷积神经网络模型MCNN;
S3、基于得到的深度卷积神经网络模型对乳腺钼靶图像胸大肌图像进行自动检测。
作为优选的技术方案,步骤S1具体包括下述步骤:
S11、结合高斯金字塔设计一个基于梯度的方向性多尺度滤波器,来增强图像的线性纹理结构;
S12、得到增强后的图像后,基于梯度的纹理分析提取纹理方向图像,此纹理方向图像表示每个像素的主要纹理方向;
S13、对于纹理方向图像,采用另外一个基于梯度的方向性多尺度滤波器来对其进行增强;
S14、得到增强纹理结构后的纹理方向图像,使用主动轮廓模型来得到胸大肌区域的边界,从而得到钼靶图像的胸大肌区域粗分割后的图像。
作为优选的技术方案,步骤S11中,所述基于梯度的方向性多尺度滤波器的具体设计如下:
在MLO视图上,胸肌从上方倾斜地描绘到下方乳头的水平或更下方,由于数字化图像的方向可通过乳房边界的曲率自动确定,故假定胸肌边界的方向大致从左上角到右下角并且大于45度;因为设计的滤波器为了增强从左上角到右下角约为45度的线性纹理结构,其过滤器的内核设计为一个右上部分为1,左下部分为-1的矩阵,内核大小根据纹理主导方向的局部区域大小确定,结合高斯金字塔,在不同尺度上应用设计的基于梯度的方向性滤波器;
步骤S13中的另一个基于梯度的方向性多尺度滤波器的设计方法同步骤S11中的设计方法。
作为优选的技术方案,步骤S21中,所述预处理包括下述内容:
首先,对粗分割图像和原始钼靶图像使用组合的放射变换,包括旋转、水平和垂直移动、缩放技术来对数据集进行增广,避免深度卷积神经网络过拟合;
其次,为了更好的检测图像特征,图像的全为零的行和列被删除,并且对于粗分割图像和原始钼靶图像进行图像增强,接着对整个包含胸大肌区域的乳房区域的提取;
最后,将图像统一到同一个尺寸,图像的像素值被缩放到[0,1]范围。
作为优选的技术方案,步骤S23中,采用深度学习框架keras对网络进行训练的。
作为优选的技术方案,步骤S24中,所述稳健的深度卷积神经网络MCNN是基于多尺度分层学习的原理设计的,MCNN包括三个主要单元:1)卷积层,2)降维层,3)反卷积层,所述MCNN对图像进行逐像素的多尺度分类,从而解决了分级的图像分割。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明改进采用了经典算法来对钼靶图像中胸大肌区域进行初步检测,由于传统算法一般只能适应特定的一些情况,很难能够通用,故本发明中将其作初步分割,进一步用深度卷积神经网络来进行精细分割;同时通过粗分割处理,本发明大大缓解了深度学习对大数量训练样本的需求。
2、本发明运用深度卷积神经网络来进行钼靶图像中胸大肌区域自动检测,给出一种通用且准确有效的钼靶图像中胸大肌区域自动检测方法,为现有的乳腺CAD系统提供准确的钼靶图像胸大肌检测结果。本发明的钼靶图像中胸大肌区域自动检测是第一个将卷积神经网络和深度学习这样的先进机器学习方法应用到乳腺钼靶图像胸大肌自动检测的方法,且该检测方法具有非常高的准确性。
附图说明
图1是本实施例第一阶段的处理流程图;
图2是本实施例第二阶段的处理流程图;
图3(a)是本实施例中原始钼靶图像;图3(b)是本实施例中采用本发明的结果示意图;图3(c)是本实施例中医生手工绘制的示意图;
图4是本实施例深度卷积神经网络模型的网络结构示意图。
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
随着卷积神经网络和深度学习等先进的机器学习方法的出现,许多人正在使用这种方法进行图像分割和分类。这种方法已经在自然图像中得到成功应用,具有非常准确的分割分类结果,甚至比人工结果更加精确。然而,在乳房钼靶图像中,建立基于灰度或者纹理的稳健网络模型也具有相当的挑战性。比如,当乳房和胸肌区域的外观非常相似时,整改带两个类别之间的边界是非常困难的,并且深度卷积神经网络需要大量的可靠数据来训练建立一个可靠的网络。从放射科医生那获得人工检测可靠数据是困难且非常耗时的。
本发明结合传统灰度、梯度、纹理等特征的传统方法,运用深度卷积神经网络来进行钼靶图像中胸大肌区域自动检测。通过简单的粗分割本方法大大缓解了深度学习的大量训练样本的需求。本发明的技术方案分为两大部分:
S1、使用传统的基于灰度、梯度、纹理等特征的方法得到胸大肌区域的粗分割。
S2、使用深度卷积神经网络基于第一步得到的粗分割得到细分割。
如图1所示,第一阶段具体包括下述内容:
S11、结合高斯金字塔设计一个基于梯度的方向性多尺度滤波器,来增强图像的线性纹理结构;多尺度滤波器具体设计如下:在MLO视图上,胸肌从上方倾斜地描绘到下方乳头的水平或更下方。由于数字化图像的方向可以通过乳房边界的曲率自动确定,所以我们可以假定胸肌边界的方向大致从左上角到右下角并且大于45度。因为设计的滤波器为了增强从左上角到右下角约为45度的线性纹理结构,其过滤器的内核设计为一个右上部分为1,左下部分为-1的矩阵。内核大小根据纹理主导方向的局部区域大小确定。结合高斯金字塔,在不同尺度上应用设计的基于梯度的方向性滤波器。
S12、得到增强后的图像后,基于梯度的纹理分析提取纹理方向图像,此纹理方向图像表示每个像素的主要纹理方向;
S13、对于纹理方向图像,采用另外一个基于梯度的方向性多尺度滤波器来对其进行增强;
S14、得到增强纹理结构后的纹理方向图像,使用主动轮廓模型来得到胸大肌区域的边界,从而得到钼靶图像的胸大肌区域粗分割后的图像。
如图2所示,第二阶段的具体包括下述内容:
S21、采集带有可靠的胸大肌检测结果的乳腺钼靶图像数据,采集的钼靶图像数据包含各种不一样的数据类型;所述乳腺钼靶图像数据按8:1:1的比例被随机分成了三部分,一部分作为深度卷积神经网络的训练集,一部分作为深度卷积神经网络的验证集,最后保留了一部分作为独立测试集合;
S22、对于粗分割图像和原始钼靶图像都进行预处理;
S23、将预处理完成后的粗分割图像和原始钼靶图像以及对应的胸大肌真实检测结果输入深度卷积神经网络对网络进行训练;
S24、得到稳健的深度卷积神经网络模型。如图4所示,该稳健的深度卷积神经网络(以下简称MCNN)是基于多尺度分层学习的原理设计的。MCNN包括三个主要单元1)卷积层,2)降维层,3)反卷积层。区别于传统的深度卷积网络,MCNN对图像进行逐像素的多尺度分类,从而解决了分级的图像分割。图4详示了MCNN的结构图。
以上是本发明结合传统方法,运用深度卷积神经网络来进行钼靶图像中胸大肌区域自动检测的详细方案。本发明的钼靶图像中胸大肌区域自动检测是第一个将卷积神经网络和深度学习这样的先进机器学习方法应用到乳腺钼靶图像胸大肌自动检测的方法;并且我们的技术具有非常高的准确性。如图3(a)-图3(c)所示,本发明在756个钼靶图像上对比有经验医生的手工分割结果显示本方法和医生的手工分割结果间的平均距离方差为0.77mm。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种钼靶图像中胸大肌区域自动检测方法,其特征在于,包括下述步骤:
S1、使用传统的基于灰度、梯度、纹理特征的方法得到胸大肌区域的粗分割图像;
S2、对步骤S1得到的粗分割图像使用深度卷积神经网络得到细分割图像,并做如下处理,具体步骤如下:
S21、采集带有可靠的胸大肌检测结果的乳腺钼靶图像数据,采集的钼靶图像数据包含各种不一样的数据类型;所述乳腺钼靶图像数据按8:1:1的比例被随机分成了三部分,一部分作为深度卷积神经网络的训练集,一部分作为深度卷积神经网络的验证集,最后保留了一部分作为独立测试集合;
S22、对于粗分割图像和原始钼靶图像都进行预处理;
S23、将预处理完成后的粗分割图像和原始钼靶图像以及对应的胸大肌真实检测结果输入深度卷积神经网络对网络进行训练;
S24、得到稳健的深度卷积神经网络模型MCNN;
S3、基于得到的深度卷积神经网络模型对乳腺钼靶图像胸大肌图像进行自动检测。
2.根据权利要求1所述的钼靶图像中胸大肌区域自动检测方法,其特征在于,步骤S1具体包括下述步骤:
S11、结合高斯金字塔设计一个基于梯度的方向性多尺度滤波器,来增强图像的线性纹理结构;
S12、得到增强后的图像后,基于梯度的纹理分析提取纹理方向图像,此纹理方向图像表示每个像素的主要纹理方向;
S13、对于纹理方向图像,采用另外一个基于梯度的方向性多尺度滤波器来对其进行增强;
S14、得到增强纹理结构后的纹理方向图像,使用主动轮廓模型来得到胸大肌区域的边界,从而得到钼靶图像的胸大肌区域粗分割后的图像。
3.根据权利要求2所述的钼靶图像中胸大肌区域自动检测方法,其特征在于,步骤S11中,所述基于梯度的方向性多尺度滤波器的具体设计如下:
在MLO视图上,胸肌从上方倾斜地描绘到下方乳头的水平或更下方,由于数字化图像的方向可通过乳房边界的曲率自动确定,故假定胸肌边界的方向大致从左上角到右下角并且大于45度;因为设计的滤波器为了增强从左上角到右下角约为45度的线性纹理结构,其过滤器的内核设计为一个右上部分为1,左下部分为-1的矩阵,内核大小根据纹理主导方向的局部区域大小确定,结合高斯金字塔,在不同尺度上应用设计的基于梯度的方向性滤波器;
步骤S13中的另一个基于梯度的方向性多尺度滤波器的设计方法同步骤S11中的设计方法。
4.根据权利要求1所述的钼靶图像中胸大肌区域自动检测方法,其特征在于,步骤S21中,所述预处理包括下述内容:
首先,对粗分割图像和原始钼靶图像使用组合的放射变换,包括旋转、水平和垂直移动、缩放技术来对数据集进行增广,避免深度卷积神经网络过拟合;
其次,为了更好的检测图像特征,图像的全为零的行和列被删除,并且对于粗分割图像和原始钼靶图像进行图像增强,接着对整个包含胸大肌区域的乳房区域的提取;
最后,将图像统一到同一个尺寸,图像的像素值被缩放到[0,1]范围。
5.根据权利要求1所述的钼靶图像中胸大肌区域自动检测方法,其特征在于,步骤S23中,采用深度学习框架keras对网络进行训练的。
6.根据权利要求1所述的钼靶图像中胸大肌区域自动检测方法,其特征在于,步骤S24中,所述稳健的深度卷积神经网络MCNN是基于多尺度分层学习的原理设计的,MCNN包括三个主要单元:1)卷积层,2)降维层,3)反卷积层,所述MCNN对图像进行逐像素的多尺度分类,从而解决了分级的图像分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711480961.7A CN108564561A (zh) | 2017-12-29 | 2017-12-29 | 一种钼靶图像中胸大肌区域自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711480961.7A CN108564561A (zh) | 2017-12-29 | 2017-12-29 | 一种钼靶图像中胸大肌区域自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108564561A true CN108564561A (zh) | 2018-09-21 |
Family
ID=63529592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711480961.7A Withdrawn CN108564561A (zh) | 2017-12-29 | 2017-12-29 | 一种钼靶图像中胸大肌区域自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564561A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993732A (zh) * | 2019-03-22 | 2019-07-09 | 杭州深睿博联科技有限公司 | 乳腺x线图像的胸肌区域图像处理方法及装置 |
CN110136117A (zh) * | 2019-05-15 | 2019-08-16 | 东软医疗系统股份有限公司 | 一种钼靶图像的处理方法、系统、图像处理机及存储介质 |
CN110163867A (zh) * | 2019-04-02 | 2019-08-23 | 成都真实维度科技有限公司 | 一种基于病灶断层扫描图进行自动分割的方法 |
CN110610498A (zh) * | 2019-08-13 | 2019-12-24 | 上海联影智能医疗科技有限公司 | 乳腺钼靶图像处理方法、系统、存储介质及设备 |
CN110956632A (zh) * | 2020-01-02 | 2020-04-03 | 广州柏视医疗科技有限公司 | 钼靶图像中胸大肌区域自动检测方法及装置 |
CN111080552A (zh) * | 2019-12-16 | 2020-04-28 | 广州柏视医疗科技有限公司 | 基于深度学习神经网络的胸片虚拟双能去骨方法及系统 |
CN112308865A (zh) * | 2020-10-29 | 2021-02-02 | 中国科学院计算技术研究所厦门数据智能研究院 | 一种融合UNet模型与解剖学特征的乳腺钼靶图像分割方法 |
CN116188488A (zh) * | 2023-01-10 | 2023-05-30 | 广东省第二人民医院 | 基于灰度梯度的b超图像病灶区域分割方法及装置 |
-
2017
- 2017-12-29 CN CN201711480961.7A patent/CN108564561A/zh not_active Withdrawn
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993732A (zh) * | 2019-03-22 | 2019-07-09 | 杭州深睿博联科技有限公司 | 乳腺x线图像的胸肌区域图像处理方法及装置 |
CN110163867A (zh) * | 2019-04-02 | 2019-08-23 | 成都真实维度科技有限公司 | 一种基于病灶断层扫描图进行自动分割的方法 |
CN110136117A (zh) * | 2019-05-15 | 2019-08-16 | 东软医疗系统股份有限公司 | 一种钼靶图像的处理方法、系统、图像处理机及存储介质 |
CN110610498A (zh) * | 2019-08-13 | 2019-12-24 | 上海联影智能医疗科技有限公司 | 乳腺钼靶图像处理方法、系统、存储介质及设备 |
CN111080552A (zh) * | 2019-12-16 | 2020-04-28 | 广州柏视医疗科技有限公司 | 基于深度学习神经网络的胸片虚拟双能去骨方法及系统 |
CN110956632A (zh) * | 2020-01-02 | 2020-04-03 | 广州柏视医疗科技有限公司 | 钼靶图像中胸大肌区域自动检测方法及装置 |
WO2021136368A1 (zh) * | 2020-01-02 | 2021-07-08 | 广州柏视医疗科技有限公司 | 钼靶图像中胸大肌区域自动检测方法及装置 |
CN112308865A (zh) * | 2020-10-29 | 2021-02-02 | 中国科学院计算技术研究所厦门数据智能研究院 | 一种融合UNet模型与解剖学特征的乳腺钼靶图像分割方法 |
CN116188488A (zh) * | 2023-01-10 | 2023-05-30 | 广东省第二人民医院 | 基于灰度梯度的b超图像病灶区域分割方法及装置 |
CN116188488B (zh) * | 2023-01-10 | 2024-01-16 | 广东省第二人民医院(广东省卫生应急医院) | 基于灰度梯度的b超图像病灶区域分割方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564561A (zh) | 一种钼靶图像中胸大肌区域自动检测方法 | |
Gao et al. | Classification of CT brain images based on deep learning networks | |
CN106780448B (zh) | 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类系统 | |
CN106296653B (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 | |
CN107067402B (zh) | 医疗图像处理装置及其乳房图像处理方法 | |
CN107403201A (zh) | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 | |
CN108010021A (zh) | 一种医学图像处理系统和方法 | |
Gao et al. | A deep learning based approach to classification of CT brain images | |
CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
CN108154519A (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
CN109389585A (zh) | 一种基于全卷积神经网络的脑组织提取方法 | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN104794708A (zh) | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 | |
CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN104217213B (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
CN103562961A (zh) | 用于生成衰减校正图的装置和方法 | |
CN107358267A (zh) | 一种基于互相关特征的乳腺超声图像多元分类系统及方法 | |
CN108681737A (zh) | 一种复杂光照下图像特征提取方法 | |
CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN111340767A (zh) | 一种脑部肿瘤头皮定位图像处理方法及系统 | |
CN115527065A (zh) | 髋关节分型方法、装置和存储介质 | |
Samhitha et al. | Prediction of lung cancer using convolutional neural network (CNN) | |
TW201726064A (zh) | 醫療影像處理裝置及其乳房影像處理方法 | |
Singh et al. | Segmentation and characterization of brain tumor from MR 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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180921 |
|
WW01 | Invention patent application withdrawn after publication |