CN109065150A - 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法 - Google Patents
一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法 Download PDFInfo
- Publication number
- CN109065150A CN109065150A CN201810705268.3A CN201810705268A CN109065150A CN 109065150 A CN109065150 A CN 109065150A CN 201810705268 A CN201810705268 A CN 201810705268A CN 109065150 A CN109065150 A CN 109065150A
- Authority
- CN
- China
- Prior art keywords
- breast
- classifier
- tumor
- linear svm
- suspicious mass
- 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.)
- Pending
Links
Classifications
-
- 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
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T2207/10132—Ultrasound 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法,包括以下步骤:输入待诊断乳腺超声RF数据;将RF数据转换为超声B模式图像,得到初始可疑肿块区域位置;在初始可疑肿块区域内分割可疑肿块,确定可疑肿块的边界;计算已分割的可疑肿块区域的特征值;将计算得到的特征值输入分类器中,对可疑肿块区域进行分析。本发明基于BI‑RADS分级标准,针对实际采集的乳腺超声RF数据进行分级检测,使用多特征提取方法和线性支持向量机分类器实现了乳腺肿瘤超声3级、4级和5级的分类,该算法有助于提高医生诊断的准确率,算法时间复杂度能够满足临床要求,具有一定的实用价值。
Description
技术领域
本发明属于医学图像计算机辅助诊断应用领域,尤其涉及一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法。
背景技术
乳腺肿瘤是一种极其常见的危害着广大妇女健康的肿瘤病变,至今尚没有研究可以表明乳腺肿瘤的准确病因,早期诊断与分级定性对于乳腺肿瘤来说至关重要。乳腺超声和乳房活组织病理检查是评价乳腺肿瘤良恶性的主要手段。尽管乳房活检是肿瘤评价的金标准,但活检对于患者来说是侵入性的、昂贵且极不舒服的,加之许多活检结果是良性的,因此,有必要改善超声诊断以减少不必要的活检。乳腺超声诊断主要来自医生对乳腺组织以及乳腺周边肌肉软组织结构的定性评价,诊断结果与医生的经验、水平、状态等因素相关,主观影响性较大,缺乏准确、定量的乳腺超声图像表现的客观性描述。此外由于超声成像机理原因导致超声图像对一些细微结构差异的分辨能力不强。据统计,常规二维超声诊断的准确性仅为69%~75%。由于超声无线射频(Radio Frequency,RF)信号是超声原始信号,保留了超声波信号全部特性,尤其是检波前的大量高频信息,通过分析这些RF信号将有可能获得组织的特征信息及用于区分各组织的特性。鉴于此,为最大程度降低医生主观性及成像因素的影响,需从信号源头即超声射频信号进行特征分析,寻找一种更精准的可定量分析的超声诊断方法。
原始RF信号是十六进制数据流,对医生来说不具有诊断价值,但由于其包含了最全面未失真的超声信息,且适合进行算法编译,在研究病灶信号特征提取与分析等方面具有重要意义。Masotti等利用射频超声局部定征参数分析法对前列腺疾病进行了离体组织定征。Moradi等提出了利用超声RF信号诊断前列腺癌的新方法。四川大学刘志东等采用时域、频域分析方法和模式识别技术,探讨了一种新的脂肪肝分级量化方法,对脂肪肝的识别率达到86.7%。对于从RF角度研究乳腺超声肿瘤仍然比较少,庄淑莲等采用自编的RF时间序列信号分析软件定量分析病灶感兴趣区,实现肿瘤良恶性鉴别。但目前对于乳腺肿瘤的3、4、5级的定量分级还没有相关研究。
发明内容
发明目的:本发明目的是提供一种基于多特征提取和Linear SVM(linearSupport Vecor Machine,线性支持向量机)的超声乳腺肿瘤分级方法,以乳腺影像报告和数据系统BI-RADS(Breast Imaging Reporting And Data System)作为研究乳腺肿瘤超声的分级依据,实现了乳腺肿瘤3级、4级、5级的精确分类。
技术方案:本发明包括以下步骤:
(1)输入一帧待诊断的乳腺超声RF数据;
(2)将输入的乳腺RF数据转换为超声B模式图像,并勾勒出初始可疑肿块区域位置;
(3)在初始可疑肿块区域内分割可疑肿块,确定可疑肿块的边界;
(4)计算已分割的可疑肿块区域的特征值;
(5)将计算得到的特征值输入分类器中,对可疑肿块区域进行分析。
所述步骤(2)中的初始可疑肿块区域采用从被处理的图像中以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。
所述步骤(4)中特征值的提取以乳腺影像报告和数据系统BI-RADS为依据。
所述步骤(4)中特征值的选择应遵循两个原则:所选取的乳腺肿瘤超声图像特征应能充分反映图像的病理学特征;所选取的乳腺肿瘤超声图像特征应尽量避免特征冗余。
所述步骤(5)中的分类器包括线性支持向量机分类器、优树分类器、线性判别分类器、优K邻近算法分类器与袋装树分类器。
所述的线性支持向量机分类器中的线性采用线性核函数,采用核函数的目的是希望通过将输入空间内线性不可分的数据映射到一个高维的特征空间内,从而使得数据在特征空间内可分。
所述步骤(5)中分类器的性能通过准确度、敏感度、特异度、阳性预测值、阴性预测值与Kappa系数评估。
有益效果:本发明基于BI-RADS分级标准,针对医院中实际采集的乳腺超声RF数据进行分级检测,使用多特征提取方法和线性支持向量机分类器实现了乳腺肿瘤超声3级、4级和5级的分类,该算法可以减少医生的主观因素影响,有助于提高医生诊断的准确率,算法时间复杂度能够满足临床要求,具有一定的实用价值。
附图说明
图1为本发明的流程图;
图2为本发明乳腺肿瘤的乳腺超声图像分级系统图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明的整体流程分为三大部分:从超声获取RF数据并进行图像分割;多特征提取;分类模型训练及验证。其具体步骤如图1所示,包括:
1)输入一帧待诊断的乳腺超声RF数据;
2)将输入的乳腺RF数据转换为超声B模式图像,并勾勒出初始可疑肿块区域位置;
3)在初始可疑肿块区域内分割可疑肿块,确定可疑肿块的边界;
4)计算已分割的可疑肿块区域的特征值;
5)将计算得到的特征值输入分类器中,对可疑肿块区域进行分析。
将步骤4)计算得到的肿块区域的特征值根据需要显示给用户,并显示肿瘤的分级结果,系统显示如图2所示。本发明特征值的提取基于乳腺影像报告和数据系统BI-RADS(Breast Imaging Reporting And Data System)标准,BI-RADS是北美放射学会建立并推荐的乳腺影像报告和数据系统,广泛应用于乳腺的X线、超声及磁共振等影像诊断,是目前普遍应用的评价乳腺影像病变良恶性程度的分级评价标准。
超声医生主要根据形状、边缘特征、纹理、生长方向(纵横比)、内部回声衰减、后方声影、周围组织浸润、钙化形态、血流分布等方面的灰阶超声征像综合评价乳腺肿瘤,并将乳腺病变分为0~6级,级别越高,恶性的可能性越大,具体标准如表1、2所示。一般地,临床影像诊断将BI-RADS的1、2级定为阴性诊断,3、4、5级定为阳性诊断。对于临床而言,阳性诊断更具有研究意义。因此,本专利通过超声RF信号实现对乳腺肿瘤3级、4级、5级的定量分级。
表1 BI-RADS乳腺影像诊断分级标准
表2乳腺肿瘤良恶性鉴别点
基于以上标准,特征值的选择还应遵循两个原则:①所选取的乳腺肿瘤超声图像特征应能充分反映图像的病理学特征;②所选取的乳腺肿瘤超声图像特征应尽量避免特征冗余,即避免出现某个乳腺肿瘤超声图像特征对于图像分级没有帮助或若干个乳腺肿瘤超声图像特征存在较大的相关性的情况。基于此,本发明所选取的形态特征和纹理特征分别如表3和表4所示。由于每个灰度共生矩阵可导出4种统计量,因此针对乳腺肿瘤超声图像一共可以提取35个特征参数,包括16个形态特征和19个纹理特征。所选特征参数经过归一化处理后用于乳腺肿瘤超声图像的分类和识别。
表3.形态特征
表4.纹理特征
各种特征定义如下:
周长C;面积S;周长面积比为Rcs;高度为H;宽度为W;纵横比Rhw定义为ROI的纵向高度与横向宽度之比,ROI(region of interest)即感兴趣区域,在机器视觉、图像处理中,从被处理的图像中以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域,即本发明的初始可疑肿块区域。
纵横比Rhw:
其中H为ROI高度,W为ROI宽度,良性肿瘤的Rhw一般小于1,恶性肿瘤的Rhw通常大于1。
圆度Rou定义为ROI的面积与和ROI有相同周长的正圆面积之比:
其中S为ROI面积,C为ROI周长,Rou一般介于0到1之间,ROI越接近正圆,则Rou越接近于1,表征良性病变。
矩形度Rec:
其中S为ROI面积,HW为ROI的最小外接矩形的面积。
伸长度Ext:
其中min(H,W)为ROI高度H和ROI宽度W的最小值,max(H,W)为ROI高度H和ROI宽度W的最大值。
拟合与肿瘤区具有相同标准二阶中心矩的椭圆,从中可以得到长轴a、短轴b及长轴与皮肤所夹锐角θ三个特征。良性肿瘤通常与皮肤平行,θ较小。
最小外接凸多边形面积Sa定义为ROI外接最小的凸多边形面积。
最小外接凸多边形面积与肿瘤区面积比Rss定义为Sa与S之比:
其中Sa为最小外接凸多边形面积,S为ROI面积,反映肿瘤边界的曲折程度,边界越曲折,Rss越大。
分叶数Ln定义为肿瘤区分叶的个数,恶性肿瘤细胞丧失接触抑制,具备浸润性,组织常无包膜,边界模糊,肿瘤组织倾向于有更多的分叶。
叶指数Li:
其中Amax为最大分叶的面积,Amin为最小分叶的面积,Aavg为所有分叶的平均面积。良性肿瘤的Li通常趋于0。
方差Va定义为ROI内点灰度值的方差:
其中N为像素数,pi为第i个像素的灰度值,μ为:
其中pi为第i个像素的灰度值。
熵En:
其中pi为第i个像素的灰度值。
最小边差异Msd:
Msd=min(Ap-Al,Ap-Ar)
其中,Ap,Al,Ar分别为肿瘤正下方、左边及右边边框内的灰度平均值,最小边差异体现了乳腺肿瘤的后方回声特性。
灰度共生矩阵是对图像上保持一定距离的两像素分别具有的灰度进行统计而得到的矩阵。恶性肿瘤细胞分化程度低,异形性高,生长快,核较大且分裂快,在超声图像中表现出与良性肿瘤不同的纹理特征。本发明取4个方向(0度、45度、90度、135度)的灰度共生矩阵,各导出对比度Con、相关性Cor、能量Ene和同质性Hom这4个统计量,即得16个特征。对比度Con、相关性Cor、能量Ene和同质性Hom分别通过以下公式计算:
其中,p(i,j)为第i行j列像素的灰度值,i,j为第i行和第j列。
线性支持向量机(Linear SVM)可以通过训练已有的样本数据得到具有泛化性的分类模型,是一种具有良好性能、应用广泛的分类器,较其他分类器具有更高的准确度和鲁棒性,采用了不同于传统的归纳演绎方法的算法设计模式,使得样本数据能够高效快捷的转化成分类模型。
支持向量机分类器(Support Vector Machine,SVM)的工作原理是,将分类对象依照其特征对应到样本空间内的点,通过最大化分类边际,寻找一个能够将不同类样本在样本空间分隔的超平面。线性支持向量机中的线性指采用线性核函数。采用核函数的目的是希望通过将输入空间内线性不可分的数据映射到一个高维的特征空间内,从而使得数据在特征空间内可分。支持向量机的原理如下:
定义超平面:
f(x)=β0+βTx
其中β为权重向量,β0为偏置,x为距超平面最近的样本点。
令最优超平面为:
|β0+βTx|=1
其中x为距超平面最近的样本点,即支持向量。
x到超平面(β,β0)的距离为:
x到上述最优超平面的距离为:
超平面距离所有样本的最小距离定义为间隔:
最大化M的问题转化为:
其中yi为样本的类别标记。此时问题被转化为拉格朗日优化问题,通过拉格朗日乘数法求解即可得到最优超平面的权重向量β和偏置β0。
本发明使用6个指标定量评估不同分类器的性能,即准确度(Accuracy)、敏感度(Sensitivity)、特异度(Specificity)、阳性预测值(Positive Predictive Value,PPV)、阴性预测值(Negative Predictive Value,NPV)与Kappa系数。定义如下:
其中,TP为真阳性例数,TN为真阴性例数,FP为假阳性例数,FN为假阴性例数,3级为阴性,4级和5级为阳性。n为分类问题的样本总数,ai和bi分别为第i类真实样本数和预测出的样本数。
准确度、灵敏度、特异度、PPV、NPV和Kappa系数这6种指标都能够反映出分类器的性能。准确度反映了正确预测分级的成功率,值越大说明成功率越高。灵敏度反映了算法识别阳性样本的能力,值越大说明算法识别阳性样本的能力越强。特异度反映了算法识别阴性样本的能力,值越大说明算法识别阴性样本的能力越强。Kappa系数可以由混淆矩阵导出,用于检验数据一致性,其数值可以用来判断分类精度。Kappa系数的数值理论上在-1~1之间,现实情况中其数值在0~1之间。其取值在0~0.2时表示具有极低(slight)的一致性;取值在0.2~0.4时表示具有一般(fair)的一致性;取值在0.4~0.6时表示具有中等(moderate)的一致性;取值在0.6~0.8时表示具有高度(substantial)的一致性;取值在0.8~1.0时表示几乎完全一致(almost prefect)。
受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC曲线),采用ROC曲线来度量分类模型的好坏,能很容易地查出任意界限值时的识别能力。因此,绘制并计算ROC曲线下面积(Area Under Curve,AUC)作为评价分类器的性能指标。一般AUC的值在1.0~0.5之间,在AUC>0.5的情况下,越接近于1,说明诊断效果越好。
采集数据3级31条,4级31条,5级31条,为了评估所提出方法的性能,在数据验证上,将这93条数据中的75%被划分为训练集,用于分类模型的训练,25%被划分为验证集,用于分类模型的验证。
结果如表5所示,本发明对比了五种分类器,包括线性支持向量机分类器、优树分类器、线性判别分类器、优K邻近算法分类器与袋装树分类器。从表中可以看出,多特征提取+线性支持向量机(Linear SVM)分类器可以大大提高对乳腺病变的识别率,并且在不考虑算法允许速度的前提下,分解的尺度和方向越多,获得的病灶特征信息越充足,对乳腺病变的识别率越高。
本发明采用的5种分类器的AUC值分别为0.9、0.75、0.78、0.56、0.85。显然,线性支持向量机(Linear SVM)的AUC值比其他分类器的更大,分类器效果最好。
表5.五种分类器性能比较
本发明所提取的35个特征值,在数值上均与乳腺肿瘤超声图像的分级具有一定的相关性,可以用于乳腺肿瘤超声图像分级算法的研究并取得了良好成果,说明这些特征能够多方面的反映出乳腺肿瘤超声图像的诸多信息,因而具备进一步用于分类算法研究的价值,说明本发明归纳的特征选择的原则较为合适。实验中,每提取一幅图像的特征平均耗时0.15秒,每验证一幅图像平均耗时0.03秒,本发明算法进行一幅未知乳腺肿瘤超声图像的分级识别耗时约0.18秒。由于临床中对于乳腺肿瘤超声图像分级算法的实时性要求不高,所以本算法的时间复杂度能够满足临床要求。本发明应用于医疗辅助诊断系统中,可以减少医生的主观因素影响,有助于提高医生诊断的准确率,具有实用价值。
Claims (7)
1.一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法,其特征在于,包括以下步骤:
(1)输入一帧待诊断的乳腺超声RF数据;
(2)将输入的乳腺RF数据转换为超声B模式图像,并勾勒出初始可疑肿块区域位置;
(3)在初始可疑肿块区域内分割可疑肿块,确定可疑肿块的边界;
(4)计算已分割的可疑肿块区域内的特征值;
(5)将计算得到的特征值输入分类器中,对可疑肿块区域进行分析。
2.根据权利要求1所述的一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法,其特征在于,所述步骤(2)中的初始可疑肿块区域采用从被处理的图像中以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。
3.根据权利要求1所述的一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法,其特征在于,所述步骤(4)中特征值的提取以乳腺影像报告和数据系统BI-RADS为依据。
4.根据权利要求1所述的一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法,其特征在于,所述步骤(4)中特征值的选择应遵循两个原则:所选取的乳腺肿瘤超声图像特征应能充分反映图像的病理学特征;所选取的乳腺肿瘤超声图像特征应尽量避免特征冗余。
5.根据权利要求1所述的一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法,其特征在于,所述步骤(5)中的分类器包括线性支持向量机分类器、优树分类器、线性判别分类器、优K邻近算法分类器与袋装树分类器。
6.根据权利要求5所述的一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法,其特征在于,所述的线性支持向量机分类器中的线性采用线性核函数。
7.根据权利要求1所述的一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法,其特征在于,所述步骤(5)中分类器的性能通过准确度、敏感度、特异度、阳性预测值、阴性预测值与Kappa系数评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810705268.3A CN109065150A (zh) | 2018-07-02 | 2018-07-02 | 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810705268.3A CN109065150A (zh) | 2018-07-02 | 2018-07-02 | 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109065150A true CN109065150A (zh) | 2018-12-21 |
Family
ID=64818199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810705268.3A Pending CN109065150A (zh) | 2018-07-02 | 2018-07-02 | 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109065150A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111603199A (zh) * | 2020-04-24 | 2020-09-01 | 李俊来 | 一种基于体表定位测量仪的三维重建超声诊断方法 |
CN111832563A (zh) * | 2020-07-17 | 2020-10-27 | 江苏大学附属医院 | 一种基于超声图像的智能化乳腺肿瘤辨别方法 |
CN113380401A (zh) * | 2021-07-13 | 2021-09-10 | 华侨大学 | 基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质 |
CN113658146A (zh) * | 2021-08-20 | 2021-11-16 | 合肥合滨智能机器人有限公司 | 一种结节分级方法、装置、电子设备及存储介质 |
CN113647985A (zh) * | 2021-08-10 | 2021-11-16 | 什维新智医疗科技(上海)有限公司 | 一种结节纵横比提取装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009240464A (ja) * | 2008-03-31 | 2009-10-22 | Hitachi Medical Corp | 超音波診断装置 |
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 |
CN102521517A (zh) * | 2011-12-20 | 2012-06-27 | 深圳市人民医院 | 乳腺肿瘤判别分析系统及方法 |
CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
CN106530298A (zh) * | 2016-11-14 | 2017-03-22 | 同济大学 | 一种基于三支决策的肝脏肿瘤ct图像分类方法 |
CN107683113A (zh) * | 2015-06-04 | 2018-02-09 | 皇家飞利浦有限公司 | 用于通过癌症分级绘图增强的精确诊断和治疗的系统和方法 |
CN107748889A (zh) * | 2017-10-16 | 2018-03-02 | 高东平 | 一种乳腺肿瘤超声图像自动分类方法 |
-
2018
- 2018-07-02 CN CN201810705268.3A patent/CN109065150A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009240464A (ja) * | 2008-03-31 | 2009-10-22 | Hitachi Medical Corp | 超音波診断装置 |
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 |
CN102521517A (zh) * | 2011-12-20 | 2012-06-27 | 深圳市人民医院 | 乳腺肿瘤判别分析系统及方法 |
CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
CN107683113A (zh) * | 2015-06-04 | 2018-02-09 | 皇家飞利浦有限公司 | 用于通过癌症分级绘图增强的精确诊断和治疗的系统和方法 |
CN106530298A (zh) * | 2016-11-14 | 2017-03-22 | 同济大学 | 一种基于三支决策的肝脏肿瘤ct图像分类方法 |
CN107748889A (zh) * | 2017-10-16 | 2018-03-02 | 高东平 | 一种乳腺肿瘤超声图像自动分类方法 |
Non-Patent Citations (3)
Title |
---|
NISHANT UNIYAL 等: "Ultrasound RF Time Series for Classification of Breast Lesions", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
严郁 等: "基于乳腺肿块的超声射频信号特征算法识别", 《中国医学装备》 * |
李晓峰 等: "超声乳腺肿瘤图像计算机辅助诊断系统", 《吉林大学学报(工学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111603199A (zh) * | 2020-04-24 | 2020-09-01 | 李俊来 | 一种基于体表定位测量仪的三维重建超声诊断方法 |
CN111603199B (zh) * | 2020-04-24 | 2023-03-14 | 中国人民解放军总医院第二医学中心 | 一种基于体表定位测量仪的三维重建超声诊断系统 |
CN111832563A (zh) * | 2020-07-17 | 2020-10-27 | 江苏大学附属医院 | 一种基于超声图像的智能化乳腺肿瘤辨别方法 |
CN113380401A (zh) * | 2021-07-13 | 2021-09-10 | 华侨大学 | 基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质 |
CN113647985A (zh) * | 2021-08-10 | 2021-11-16 | 什维新智医疗科技(上海)有限公司 | 一种结节纵横比提取装置 |
CN113647985B (zh) * | 2021-08-10 | 2024-06-11 | 什维新智医疗科技(上海)有限公司 | 一种结节纵横比提取装置 |
CN113658146A (zh) * | 2021-08-20 | 2021-11-16 | 合肥合滨智能机器人有限公司 | 一种结节分级方法、装置、电子设备及存储介质 |
CN113658146B (zh) * | 2021-08-20 | 2022-08-23 | 合肥合滨智能机器人有限公司 | 一种结节分级方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109065150A (zh) | 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法 | |
Acharya et al. | ThyroScreen system: high resolution ultrasound thyroid image characterization into benign and malignant classes using novel combination of texture and discrete wavelet transform | |
CN106778005B (zh) | 基于多参数mri的前列腺癌计算机辅助检测系统 | |
Agner et al. | Textural kinetics: a novel dynamic contrast-enhanced (DCE)-MRI feature for breast lesion classification | |
Scheipers et al. | Ultrasonic multifeature tissue characterization for prostate diagnostics | |
Chang et al. | Improvement in breast tumor discrimination by support vector machines and speckle-emphasis texture analysis | |
Tai et al. | An automatic mass detection system in mammograms based on complex texture features | |
US9277902B2 (en) | Method and system for lesion detection in ultrasound images | |
US7646902B2 (en) | Computerized detection of breast cancer on digital tomosynthesis mammograms | |
US6317617B1 (en) | Method, computer program product, and system for the automated analysis of lesions in magnetic resonance, mammogram and ultrasound images | |
US7903861B2 (en) | Method for classifying breast tissue density using computed image features | |
CN109009110A (zh) | 基于mri影像的腋窝淋巴结转移预测系统 | |
Tsantis et al. | Morphological and wavelet features towards sonographic thyroid nodules evaluation | |
CN105232081A (zh) | 医学超声辅助自动诊断装置及方法 | |
Huang et al. | Characterization of spiculation on ultrasound lesions | |
Kim et al. | The recent progress in quantitative medical image analysis for computer aided diagnosis systems | |
Liu et al. | Prediction of suspicious thyroid nodule using artificial neural network based on radiofrequency ultrasound and conventional ultrasound: A preliminary study | |
Moon et al. | Computer-aided diagnosis based on speckle patterns in ultrasound images | |
Cabral et al. | Fractal analysis of breast masses in mammograms | |
Wei et al. | Automatic classification of benign and malignant breast tumors in ultrasound image with texture and morphological features | |
CN103455821B (zh) | 基于bi-rads的图像分析装置和方法 | |
CN102122356A (zh) | 计算机辅助判别胰腺癌超声内镜图像的方法 | |
Diao et al. | Highly sensitive computer aided diagnosis system for breast tumor based on color Doppler flow images | |
Ding et al. | A novel wavelet-transform-based convolution classification network for cervical lymph node metastasis of papillary thyroid carcinoma in ultrasound images | |
Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |
|
RJ01 | Rejection of invention patent application after publication |