CN108898152A - 一种基于多通道多分类器的胰腺囊性肿瘤ct图像分类方法 - Google Patents
一种基于多通道多分类器的胰腺囊性肿瘤ct图像分类方法 Download PDFInfo
- Publication number
- CN108898152A CN108898152A CN201810454454.4A CN201810454454A CN108898152A CN 108898152 A CN108898152 A CN 108898152A CN 201810454454 A CN201810454454 A CN 201810454454A CN 108898152 A CN108898152 A CN 108898152A
- Authority
- CN
- China
- Prior art keywords
- probability
- window width
- feature
- window
- classifier
- 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
- 208000012106 cystic neoplasm Diseases 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 27
- 210000000496 pancreas Anatomy 0.000 title abstract description 6
- 238000003708 edge detection Methods 0.000 claims abstract description 16
- 238000007637 random forest analysis Methods 0.000 claims abstract description 9
- 238000003066 decision tree Methods 0.000 claims abstract description 4
- 206010028980 Neoplasm Diseases 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000002591 computed tomography Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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
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)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (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)
- Image Analysis (AREA)
Abstract
一种基于多通道多分类器的胰腺囊性肿瘤图像分类方法，包括如下步骤：1)对原始图像进行调节窗宽窗位操作，Canny边缘检测以及梯度幅值计算来加强边缘特征；2)运用ResNet对多通道图进行端到端的训练，把pool5层的输出作为提取到的特征，分别用Bayesian分类器和KNN分类器进行分类，得到分类概率；3)运用随机森林分类器对上述得到的3种不同的概率进行分类得到最终结果，随机森林由多个决策树组成。本发明提供了一种基于多通道多分类器的胰腺囊性肿瘤图像分类方法，能自动进行边缘增强，并提高分类的准确率。
Description
技术领域
本发明属于图像分类技术领域，尤其涉及一种图像分类方法。
背景技术
通常的，病人在进行手术前，需要进行一系列的检查，其中通过计算机断层扫描(CT)成像来观察器官和病变是一种不可或缺的方法。目前，医生主要通过他们的经验来判断胰腺囊性肿瘤属于浆液性还是黏液性。现有的图像分类方法根据特征可分为：传统方法和深度学习方法。传统方法首先对肿瘤区域进行手动分割；然后，运用不同的特征提取器提取特征，如：纹理特征、结构特征等，然后用分类器进行分类。深度学习的方法同样也需要对原始图像先进行分割，然后运用卷积神经网络提取深度特征，最后进行分类。
现有分类方法的缺陷：对于手动分割肿瘤时，会存在一定误差；对于提取到的特征都用单一分类器进行分类，都会影响最终分类结果。
发明内容
为了克服手动分割肿瘤引入的人为误差及单一分类器影响结果的不足。本发明提供了一种基于多通道多分类器的胰腺囊性肿瘤CT图像分类方法，能自动进行边缘检测，并提高分类的准确率。
本发明解决其技术问题所采用的技术方案是：
一种基于多通道多分类器的胰腺囊性肿瘤CT图像分类方法，包括如下步骤：
1)对原始图像进行调节窗宽窗位操作，Canny边缘检测以及梯度幅值计算来加强边缘特征，过程如下：
1.1)调节窗宽窗位：通过调节窗宽窗位来观察不同密度正常组织或病灶，经过调节，组织和病变以不同的模拟灰度显示；大于等于窗宽，像素值以全白显示；相反，小于窗宽时，像素值将全黑显示，窗宽窗位与像素值之间的关系：
window width＝MaxValue-MinValue
1.2)其中MaxValue和MinValue分别表示在设定窗宽窗位下的最大、最小像素值，window width表示窗宽，window level表示窗位；Canny边缘检测：利用原始图像检测肿瘤边缘，过程为：
1.2.1)用高斯滤波器来平滑图像并滤除噪声；
1.2.2)计算图像中每个像素的梯度强度和方向；
1.2.3)应用非最大抑制(NMS)来消除边缘检测的虚假响应；
1.2.4)双阈值检测用于确定实际和可能的边缘；
1.2.5)通过抑制孤立的弱边来完成边缘检测；
1.3)计算梯度幅值：计算图像上每个像素点I(x，y)的梯度幅值，
Ix(x，y)＝I(x+1，y)-I(x-1，y)
Iy(x，y)＝I(x，y+1)-I(x，y-1)
其中，I(x，y)表示在坐标(x，y)下的像素值，Ix(x，y)表示像素点在在x方向上灰度值的变化，Iy(x，y)表示像素点在在y方向上灰度值的变化，M(x，y)表示梯度幅值；
2)运用ResNet对多通道图进行端到端的训练，把poo15层的输出作为提取到的特征，分别用Bayesian分类器和KNN分类器进行分类，得到分类概率，过程如下：
2.1)Bayesian分类器：通过最大后验概率进行单点估计，而且每个特征都相互独立，并独立影响分类结果；
其中，c表示各类胰腺囊性肿瘤，P(c|x)表示在特征向量x下的该类胰腺囊性肿瘤的概率，P(c)表示该类胰腺囊性肿瘤的概率，P(x|c)表示在该类胰腺囊性肿瘤下，各类特征的概率，n是特征总维度，xi是在特征向量x的第i个维度上的值，由于每个特征相互独立，每一类胰腺囊性肿瘤的特征概率P(x)是相同的，化简为：
通过训练，获得先验概率P(c)并估计每个维度特征的条件概率P(xi|c)；
2.2)KNN分类器：查找某一特征在特征空间中的大多数相邻样本来判断属于某个类别，使用欧几里得距离来确定样本之间的距离：
其中，i表示特征维度，x1i和x2i表示两个样本在第i维的特征值；
3)运用随机森林分类器对上述得到的3种不同的概率进行分类得到最终结果，随机森林由多个决策树组成，过程如下：
3.1)分别计算3种分类器得到的概率集Y包含的信息熵H(Y)：
其中，n表示特征维度，pi表示第i维上的特征值，
3.2)特征值的连续性，将特征值从小到大排列，并且中间点(pi+pi+1)/2是候选分分区点；
3.3)检查这些分区点并选择最佳分区点X，使信息增益G最大：
其中，表示在样本Y基于划分点X的信息增益。表示基于划分点点X将样本Y分为 表示在各类概率p上取值大于X的样本，表示在各类概率p上取值不大于X的样本；
得到最终的分类结果。
本发明的技术构想为：该方法针对胰腺囊性肿瘤中浆液性囊性肿瘤和黏液性囊性肿瘤难以通过肉眼分辨的问题提出应用方法。首先，将单通道图像转换为多通道图像。通过对原始图像调整窗宽和窗位，运用Canny边缘检测，并计算梯度幅度来构建多通道图像。这样，可以使原始图像更清晰，并获得边缘信息。接下来，将ResNet用于端到端训练对图像进行分类。然后，用贝叶斯分类器和k-最近邻(KNN)分类器对从Resnet提取的2048维特征进行分类，得到分类概率。最后，将分类概率与随机森林结合起来。
本发明的有益效果主要表现在：1.通过边缘检测、计算梯度幅值，增强边缘信息，从而降低人工分割的误差；2.通过多分类器的结构，提高分类的准确性。
附图说明
图1是基于多通道多分类器的胰腺囊性肿瘤CT图像分类方法的流程图。
图2是多通道多分类器示意图。
图3是基于ResNet端到端训练示意图。
图4是残差块示意图。
具体实施方式
下面结合附图对本发明进一步描述。
参照图1-图4，一种基于多通道多分类器的胰腺囊性肿瘤CT图像分类方法，包括如下步骤：
1)如图2的多通道部分所示，对原始图像进行调节窗宽窗位操作，Canny边缘检测以及梯度幅值计算来加强边缘特征，过程如下：1.1)调节窗宽窗位：通过调节合适的窗宽窗位来观察胰腺囊性肿瘤使其显示更加清晰。经过调节，胰腺囊性肿瘤在一定范围内以不同的模拟灰度显示。大于此范围，像素值以全白显示。相反，小于此范围，像素值将全黑显示。窗宽窗位与像素值之间的关系：
window width＝MaxValue-MinValue
其中MaxValue和MinValue分别表示在特定窗宽窗位下的最大、
最小像素值，window width表示窗宽，window level表示窗位；1.2)Canny边缘检测：利用原始图像检测肿瘤边缘，过程如下：
1.2.1)用高斯滤波器来平滑图像并滤除噪声；
1.2.2)计算图像中每个像素的梯度强度和方向；
1.2.3)应用非最大抑制(NMS)来消除边缘检测的虚假响应；
1.2.4)双阈值检测用于确定实际和可能的边缘；
1.2.5)通过抑制孤立的弱边来完成边缘检测；
1.3)计算梯度幅值：计算图像上每个像素点I(x,y)的梯度幅值。当图像中存在边缘时，梯度值较大；反之，图像平滑部分，梯度值较小。
Ix(x，y)＝I(x+1，y)-I(x-1，y)
Iy(x，y)＝I(x，y+1)-I(x，y-1)
其中I(x,y)表示在坐标(x,y)下的像素值，Ix(x,y)表示像素点在在x方向上灰度值的变化，Iy(x,y)表示像素点在在y方向上灰度值的变化，M(x,y)表示梯度幅值；
2)如图3所示，运用ResNet50对多通道图进行端到端的训练。其中残差块如图4所示，把图2中pool5层输出的2048维特征分别作为Bayesian分类器和KNN分类器的输入进行分类，得到分类概率，过程如下：
2.1)Bayesian分类器：通过最大后验概率进行单点估计。而且每个特征都相互独立，并独立影响分类结果；
其中，c表示各类胰腺囊性肿瘤，P(c|x)表示在特征向量x下的该类胰腺囊性肿瘤的概率，P(c)表示该类胰腺囊性肿瘤的概率，P(x|c)表示在该类胰腺囊性肿瘤下，各类特征的概率，n是特征总维度，xi是在特征向量x的第i个维度上的值。由于每个特征相互独立，每一类胰腺囊性肿瘤的特征概率P(x)是相同的。可化简为：
通过训练，我们获得先验概率P(c)并估计每个维度特征的条件概率P(xi|c)；
2.2)KNN分类器：查找某一特征在特征空间中的大多数相邻样本来判断属于某个类别。一般使用欧几里得距离来确定样本之间的距离：
其中，i表示特征维度，x1i和x2i表示两个样本在第i维的特征值；
3)运用随机森林分类器对上述得到的3种不同的概率进行分类。
随机森林由多个决策树组成，过程如下：
3.1)分别计算3种分类器得到的概率集Y包含的信息熵H(Y)：
其中，n表示特征维度，pi表示第i维上的特征值；
3.2)特征值的连续性，将特征值从小到大排列，并且中间点(pi+pi+1)/2是候选分分区点；
3.3)检查这些分区点并选择最佳分区点X，使信息增益G最大：
其中，表示在样本Y基于划分点X的信息增益。表示基于划分点点X将样本Y分为 表示在各类概率p上取值大于X的样本，表示在各类概率p上取值不大于X的样本；得到最终的分类结果。
Claims (1)
1.一种基于多通道多分类器的胰腺囊性肿瘤CT图像分类方法，其特征在于，所述方法包括如下步骤：
1)对原始图像进行调节窗宽窗位操作，Canny边缘检测以及梯度幅值计算来加强边缘特征，过程如下：
1.1)调节窗宽窗位：通过调节窗宽窗位来观察不同密度正常组织或病灶，经过调节，组织和病变以不同的模拟灰度显示；大于等于窗宽，像素值以全白显示；相反，小于窗宽时，像素值将全黑显示，窗宽窗位与像素值之间的关系：
window width＝MaxValue-MinValue
其中MaxValue和MinValue分别表示在设定窗宽窗位下的最大、最小像素值，windowwidth表示窗宽，window level表示窗位；
1.2)Canny边缘检测：利用原始图像检测肿瘤边缘，过程为：
1.2.1)用高斯滤波器来平滑图像并滤除噪声；
1.2.2)计算图像中每个像素的梯度强度和方向；
1.2.3)应用非最大抑制(NMS)来消除边缘检测的虚假响应；
1.2.4)双阈值检测用于确定实际和可能的边缘；
1.2.5)通过抑制孤立的弱边来完成边缘检测；
1.3)计算梯度幅值：计算图像上每个像素点I(x,y)的梯度幅值，
Ix(x，y)＝I(x+1，y)-I(x-1，y)
Iy(x，y)＝I(x，y+1)-I(x，y-1)
其中，I(x,y)表示在坐标(x,y)下的像素值，Ix(x,y)表示像素点在在x方向上灰度值的变化，Iy(x,y)表示像素点在在y方向上灰度值的变化，M(x,y)表示梯度幅值；
2)运用ResNet对多通道图进行端到端的训练，把pool5层的输出作为提取到的特征，分别用Bayesian分类器和KNN分类器进行分类，得到分类概率，过程如下：
2.1)Bayesian分类器：通过最大后验概率进行单点估计，而且每个特征都相互独立，并独立影响分类结果；
其中，c表示各类胰腺囊性肿瘤，P(c|x)表示在特征向量x下的该类胰腺囊性肿瘤的概率，P(c)表示该类胰腺囊性肿瘤的概率，P(x|c)表示在该类胰腺囊性肿瘤下，各类特征的概率，n是特征总维度，xi是在特征向量x的第i个维度上的值，由于每个特征相互独立，每一类胰腺囊性肿瘤的特征概率P(x)是相同的，化简为：
通过训练，获得先验概率P(c)并估计每个维度特征的条件概率P(xi|c)；
2.2)KNN分类器：查找某一特征在特征空间中的大多数相邻样本来判断属于某个类别，使用欧几里得距离来确定样本之间的距离：
其中，i表示特征维度，x1i和x2i表示两个样本在第i维的特征值；
3)运用随机森林分类器对上述得到的3种不同的概率进行分类得到最终结果，随机森林由多个决策树组成，过程如下：
3.1)分别计算3种分类器得到的概率集包含的信息熵H(Y)：
其中，n表示特征维度，pi表示第i维上的特征值，
3.2)特征值的连续性，将特征值从小到大排列，并且中间点(pi+pi+1)/2是候选分分区点；
3.3)检查这些分区点并选择最佳分区点X，使信息增益G最大：
其中，表示在样本Y基于划分点X的信息增益，表示基于划分点点X将样本Y分为表示在各类概率p上取值大于X的样本，表示在各类概率p上取值不大于X的样本；得到最终的分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810454454.4A CN108898152B (zh) | 2018-05-14 | 2018-05-14 | 一种基于多通道多分类器的胰腺囊性肿瘤ct图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810454454.4A CN108898152B (zh) | 2018-05-14 | 2018-05-14 | 一种基于多通道多分类器的胰腺囊性肿瘤ct图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108898152A true CN108898152A (zh) | 2018-11-27 |
| CN108898152B CN108898152B (zh) | 2020-11-27 |
Family
ID=64343973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810454454.4A Active CN108898152B (zh) | 2018-05-14 | 2018-05-14 | 一种基于多通道多分类器的胰腺囊性肿瘤ct图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898152B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188788A (zh) * | 2019-04-15 | 2019-08-30 | 浙江工业大学 | 基于放射组学特征的胰腺囊性肿瘤ct图像的分类方法 |
| CN110335203A (zh) * | 2019-05-05 | 2019-10-15 | 湖南省华芯医疗器械有限公司 | 一种对实时影像中图像的物体轮廓进行加强的方法 |
| CN110458853A (zh) * | 2019-08-01 | 2019-11-15 | 北京灵医灵科技有限公司 | 一种医学影像中脚踝韧带分离方法和分离系统 |
| CN110689025A (zh) * | 2019-09-16 | 2020-01-14 | 腾讯医疗健康(深圳)有限公司 | 图像识别方法、装置、系统及内窥镜图像识别方法、装置 |
| CN111488878A (zh) * | 2019-01-29 | 2020-08-04 | 镇江慧影科技发展有限公司 | 一种基于伪彩色ct图像的深度学习分割方法 |
| WO2023030734A1 (en) | 2021-08-30 | 2023-03-09 | Sycai Technologies, Sl | Method and computer program for the automatic classification of pancreatic cysts |
| US12131445B2 (en) | 2019-05-05 | 2024-10-29 | Hunan Vathin Medical Instrument Co., Ltd. | Method for enhancing object contour of image in real-time video |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006114003A1 (en) * | 2005-04-27 | 2006-11-02 | The Governors Of The University Of Alberta | A method and system for automatic detection and segmentation of tumors and associated edema (swelling) in magnetic resonance (mri) images |
| CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
| CN104794502A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨工业大学 | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 |
| CN105279759A (zh) * | 2015-10-23 | 2016-01-27 | 浙江工业大学 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
| CN105389589A (zh) * | 2015-11-06 | 2016-03-09 | 北京航空航天大学 | 一种基于随机森林回归的胸腔x光片肋骨检测方法 |
| US20160350933A1 (en) * | 2015-05-29 | 2016-12-01 | Moira F. Schieke | Method of forming a probability map |
-
2018
- 2018-05-14 CN CN201810454454.4A patent/CN108898152B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006114003A1 (en) * | 2005-04-27 | 2006-11-02 | The Governors Of The University Of Alberta | A method and system for automatic detection and segmentation of tumors and associated edema (swelling) in magnetic resonance (mri) images |
| CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
| CN104794502A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨工业大学 | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 |
| US20160350933A1 (en) * | 2015-05-29 | 2016-12-01 | Moira F. Schieke | Method of forming a probability map |
| CN105279759A (zh) * | 2015-10-23 | 2016-01-27 | 浙江工业大学 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
| CN105389589A (zh) * | 2015-11-06 | 2016-03-09 | 北京航空航天大学 | 一种基于随机森林回归的胸腔x光片肋骨检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| QIU GUAN,ET AL.: "A modified grabcut approach for image segmentation based on local prior distribution", 《2017 INTERNATIONAL CONFERENCE ON WAVELET ANALYSIS AND PATTERN RECOGNITION》 * |
| 李雯: "基于深度卷积神经网络的CT图像肝脏肿瘤分割方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488878A (zh) * | 2019-01-29 | 2020-08-04 | 镇江慧影科技发展有限公司 | 一种基于伪彩色ct图像的深度学习分割方法 |
| CN110188788A (zh) * | 2019-04-15 | 2019-08-30 | 浙江工业大学 | 基于放射组学特征的胰腺囊性肿瘤ct图像的分类方法 |
| CN110335203A (zh) * | 2019-05-05 | 2019-10-15 | 湖南省华芯医疗器械有限公司 | 一种对实时影像中图像的物体轮廓进行加强的方法 |
| WO2020224508A1 (zh) * | 2019-05-05 | 2020-11-12 | 湖南省华芯医疗器械有限公司 | 一种对实时影像中图像的物体轮廓进行加强的方法 |
| CN110335203B (zh) * | 2019-05-05 | 2022-02-01 | 湖南省华芯医疗器械有限公司 | 一种对实时影像中图像的物体轮廓进行加强的方法 |
| US12131445B2 (en) | 2019-05-05 | 2024-10-29 | Hunan Vathin Medical Instrument Co., Ltd. | Method for enhancing object contour of image in real-time video |
| CN110458853A (zh) * | 2019-08-01 | 2019-11-15 | 北京灵医灵科技有限公司 | 一种医学影像中脚踝韧带分离方法和分离系统 |
| CN110689025A (zh) * | 2019-09-16 | 2020-01-14 | 腾讯医疗健康(深圳)有限公司 | 图像识别方法、装置、系统及内窥镜图像识别方法、装置 |
| CN110689025B (zh) * | 2019-09-16 | 2023-10-27 | 腾讯医疗健康(深圳)有限公司 | 图像识别方法、装置、系统及内窥镜图像识别方法、装置 |
| WO2023030734A1 (en) | 2021-08-30 | 2023-03-09 | Sycai Technologies, Sl | Method and computer program for the automatic classification of pancreatic cysts |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108898152B (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898152B (zh) | 一种基于多通道多分类器的胰腺囊性肿瘤ct图像分类方法 | |
| US11842556B2 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
| US10192099B2 (en) | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images | |
| US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
| CN110648350B (zh) | 一种肝脏血管分割方法、装置及电子设备 | |
| CN106650794B (zh) | 一种受物体表面高光反射影响的图像高光消除方法及系统 | |
| CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| CN105913456A (zh) | 基于区域分割的视频显著性检测方法 | |
| CN106780522B (zh) | 一种基于深度学习的骨髓液细胞分割方法 | |
| JP4964171B2 (ja) | 対象領域抽出方法および装置ならびにプログラム | |
| CN110880177A (zh) | 一种图像识别方法及装置 | |
| WO2018176319A1 (zh) | 超声图像的分析方法及装置 | |
| CN112651951A (zh) | 一种基于dce-mri的乳腺癌分级方法 | |
| Khordehchi et al. | Automatic lung nodule detection based on statistical region merging and support vector machines | |
| Kaushik et al. | Medical image segmentation using genetic algorithm | |
| CN111415340B (zh) | 一种面向大面积高密度影ct图像的脏器分割方法及装置 | |
| CN115760858A (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
| CN114972272A (zh) | 一种基于Grad-CAM的新冠肺炎病灶分割方法 | |
| Hassan et al. | Skin lesion segmentation using gray level co-occurance matrix | |
| Alattar et al. | Myocardial segmentation using constrained multi-seeded region growing | |
| CN116883994A (zh) | 基于自监督学习识别非小细胞肺癌周组织病理类型的方法、装置及存储介质 | |
| CN116310553A (zh) | 一种基于多属性嵌入模型的乳腺病理图像分子分型预测方法 | |
| Meejaroen et al. | Detection of fibrosis in liver biopsy images by using Bayesian classifier | |
| Ma et al. | Glomerulus extraction by using genetic algorithm for edge patching | |
| CN118471483B (zh) | 基于深度学习的贲门癌分型辅助诊断系统、介质及设备 |
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 |