CN109146848A - 一种融合多模态乳腺图像的计算机辅助参考系统及方法 - Google Patents

一种融合多模态乳腺图像的计算机辅助参考系统及方法 Download PDF

Info

Publication number
CN109146848A
CN109146848A CN201810811670.XA CN201810811670A CN109146848A CN 109146848 A CN109146848 A CN 109146848A CN 201810811670 A CN201810811670 A CN 201810811670A CN 109146848 A CN109146848 A CN 109146848A
Authority
CN
China
Prior art keywords
image
molybdenum target
area
breast
interest
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Withdrawn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
CN201810811670.XA
Other languages
English (en)
Inventor
王之琼
黄玉坤
信俊昌
任捷
张倩倩
李默
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201810811670.XA priority Critical patent/CN109146848A/zh
Publication of CN109146848A publication Critical patent/CN109146848A/zh
Withdrawn legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • 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
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (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)
  • Image Processing (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及一种融合多模态乳腺图像的计算机辅助参考系统及方法，步骤为：对同一患者的乳腺超声和钼靶影像进行图像预处理；以预处理后的乳腺超声和钼靶图像作为输入，获取乳腺图像中肿块区域，获取超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域；提取乳腺超声图像和乳腺钼靶图像的感兴趣区域的纹理特征及深度特征；将提取的GLCM、LBP、HIS纹理特征以及CNN深度特征进行串联融合，构建纹理‑深度融合特征模型；以纹理‑深度融合特征模型为输入，使用正则化极限学习机对乳腺肿块进行良恶性分类。本发明使用正则化极限学习机对乳腺肿块进行良恶性的分类，从临床需求出发，实现对乳腺肿块性质的判断，为医生诊断提供客观的参考依据。

Description

一种融合多模态乳腺图像的计算机辅助参考系统及方法
技术领域
本发明涉及一种医学图像后处理技术领域，具体为一种融合多模态乳腺图像的计算机辅助参考系统及方法。
背景技术
乳腺癌是女性常见恶性肿瘤之一，其发病率位居女性恶性肿瘤首位，但其死亡率与肺癌相比相对较低，这主要归功于乳腺癌的早期诊断与合理治疗。临床检查乳腺癌有多种方式，其中超声诊断仪和钼靶X线机成像清晰、操作方便，是常用的乳腺癌筛查手段。由于超声和钼靶设备成像原理不同，二者具有不同的图像特点，超声影像中囊性和实性肿块显示清晰，钼靶影像对钙化点成像十分灵敏，所以医生往往同时参考患者的乳腺超声和钼靶图像，综合多模态的医学影像信息诊断乳腺癌。
近年来，大量学者根据医生临床诊断结果，从统计学角度分析验证了超声与钼靶相结合的诊断方式可以提高乳腺癌诊断的准确率。随着计算机技术的飞速发展，利用计算机提供的客观参考信息辅助医生检查疾病已成为研究的热点，但是对于多模态影像提供的计算机辅助参考信息的研究尚属未深入进行，研究人员没有充分考虑超声和钼靶的影像特点，首先，现有研究是对超声和钼靶使用相同的图像预处理方法即去噪增强等，但实际上，超声钼靶图像成像原理、图像特点不同，应该区别对待，即使用不同的方法图像预处理(包括去噪增强)；其次，现有关于多模态的文献里，没有进行感兴趣区域(Region ofInterest,ROI)提取，或者ROI由医生提供，而实际上，在计算机辅助检查的过程中，获取ROI区域可以更准确地定位肿块位置，从而为医生提供更准确的辅助参考信息；第三，关于特征，纹理特征是广泛常用的计算机提取特征，深度特征最近几年开始应用，类似的融合特征尚且在只使用钼靶或超声的计算机辅助过程中应用过。因此，从计算机领域，研究一种融合多模态乳腺图像的计算机辅助参考方法具有非常重要的现实意义。
发明内容
针对现有技术中人们忽略了超声和钼靶影像特点不同的问题，本发明要解决的问题是提供一种能够更好地辅助医生对乳腺肿块良恶性质进行区分的融合多模态乳腺图像的计算机辅助参考系统及方法。
为解决上述技术问题，本发明采用的技术方案是：
本发明一种融合多模态乳腺图像的计算机辅助参考系统，包括图像预处理单元、感兴趣区域提取单元、纹理特征及深度特征提取单元、融合特征建模单元以及乳腺肿块分类单元，其中：
图像预处理单元，对乳腺超声和钼靶图像进行预处理，包括图像去噪和图像增强；
感兴趣区域提取单元，对在图像预处理单元中预处理后的超声图像和钼靶图像中获取乳腺肿块感兴趣区域；
纹理特征及深度特征提取单元，从肿块感兴趣区域中提取图像特征，包括GLCM、LBP、HIS纹理特征以及CNN深度特征；
融合特征建模单元，通过特征融合器，将提取的不同特征以串联的方式，构建纹理-深度融合特征模型；
乳腺肿块分类单元，根据构建的纹理-深度融合特征模型，使用正则化极限学习机对乳腺肿块进行良恶性分类，实现对乳腺肿块性质的判断，从而为医生诊断提供客观的参考依据。
所述图像预处理单元包括超声图像去噪器、超声图像增强器、钼靶图像去噪器、钼靶图像增强器以及钼靶图像胸肌去除器，其中，
超声图像去噪器，对超声图像FU去噪，得到去噪后图像FUdenoise；
超声图像增强器，对去噪后的超声图像FUdenoise进行图像增强，得到图像FUenhance；
钼靶图像去噪器，对钼靶图像FM去噪，得到去噪后图像FMdenoise；
钼靶图像增强器，对去噪后的钼靶图像FMdenoise进行图像增强，得到图像FMenhance；
钼靶图像胸肌去除器，对钼靶MLO视图进行胸肌去除，以图像FMenhance为输入，得到去除胸肌的图像FMmuscle。
所述感兴趣区域提取单元包括超声感兴趣区域提取器、钼靶子区域划分器、钼靶子区域筛选器、钼靶子区域特征提取器以及钼靶子区域聚类器，其中，
超声感兴趣区域提取器，从预处理后的超声图像中获取肿块感兴趣区域FUroi；
钼靶子区域划分器，将预处理后的整幅钼靶图像划分成若干个大小相等的正方形子区域(I1,I2,I3,L,Im)；
钼靶子区域筛选器，对子区域进行筛选，去掉位于图像背景和乳腺边界的子区域，只保留位于乳腺内部的子区域(I1,I2,I3,L,In)；n<m；
钼靶子区域特征提取器，对保留的子区域进行特征提取，获取特征向量(t1,t2,t3,t4,t5)；
钼靶子区域聚类，获取钼靶图像中肿块感兴趣区域FMroi，根据提取的特征，使用模糊C均值聚类的方法对子区域聚类，获取乳腺钼靶图像的感兴趣区域。
所述纹理特征及深度特征提取单元包括：GLCM纹理特征提取器、LBP纹理特征提取器、HIS纹理特征提取器以及CNN深度特征提取器，其中：
GLCM纹理特征提取器，使用灰度共生矩阵方法提取特征，得到GLCM纹理特征(t1,t2,t3,t4,t5)；
LBP纹理特征提取器，通过局部二值模式提取特征，得到LBP纹理特征(t6,t7,t8,…,t15)；
HIS纹理特征提取器，通过灰度直方图提取特征，得到HIS纹理特征(t16,t17,t18,…,t21)；
CNN深度特征提取器，构建卷积神经网络并提取特征，得到CNN深度特征(d1,d2,d3,…,d20)。
本发明一种融合多模态乳腺图像的计算机辅助参考方法，包括以下步骤：
1)对来自同一患者的乳腺超声和钼靶影像进行图像预处理；
2)以预处理后的乳腺超声和钼靶图像作为输入，获取乳腺图像中肿块区域，进一步获取超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域；
3)提取乳腺超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域的纹理特征及深度特征；
4)将提取的GLCM、LBP、HIS纹理特征以及CNN深度特征进行串联融合，构建纹理-深度融合特征模型；
5)以纹理-深度融合特征模型为输入，使用正则化极限学习机对乳腺肿块进行良恶性分类。
步骤1)中对来自同一患者的乳腺超声和钼靶影像进行图像预处理，具体为：
101)使用形态学重建的方法对超声图像中因超声波干涉而形成的散斑噪声进行去噪；
102)使用非线性的伽马变换和S型变换增强去噪后的超声波图像的对比度，突出乳腺肿块区域；
103)使用基于阈值的自适应中值滤波方法进行钼靶图像去噪；
104)使用分段线性对比度拉伸的方式增强去噪后的钼靶图像的对比度，突出乳腺肿块；
105)使用区域生长的方法去除钼靶MLO视图中的胸肌。
步骤2)中获取超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域具体为：
201)直接在乳腺肿块区域截取大小为M×M的正方形作为超声图像的感兴趣区域；
202)将钼靶整幅图像划分成m个大小相同的正方形子区域；
203)对m个子区域进行筛选，去掉背景中的子区域以及刚好位于边界上的子区域，即只保留乳腺内部的正方形子区域，记为n个；
204)对保留的n个正方形子区域进行特征提取，提取每个子区域的纹理特征；
205)根据子区域纹理特征，使用模糊C均值方法对子区域聚类，获取乳腺钼靶图像的感兴趣区域。
M＝27～28。
步骤3)中提取超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域的纹理特征及深度特征，具体为：
301)基于灰度共生矩阵，提取GLCM纹理特征；
302)基于局部二值模式，提取LBP纹理特征；
303)基于灰度直方图，提取HIS纹理特征；
304)基于卷积神经网络，提取CNN深度特征。
本发明具有以下有益效果及优点：
1.本发明提出一种融合多模态乳腺图像的计算机辅助参考系统及方法，对来自同一患者的乳腺超声和钼靶影像进行了研究，使用不同的方法进行了图像预处理，分别提取了乳腺超声和钼靶图像的肿块感兴趣区域，提取区域中的纹理、深度特征，构建纹理-深度融合特征模型，并使用正则化极限学习机对乳腺肿块进行良恶性的分类，从临床实际需求出发，实现对乳腺肿块性质的判断，从而为医生诊断提供客观的参考依据。
附图说明
图1为本发明的一种融合多模态乳腺图像的计算机辅助参考系统的结构框图；
图2为本发明的一种融合多模态乳腺图像的计算机辅助参考系统的流程图。
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
如图1所示，为本发明的结构框图。本发明的一种融合多模态乳腺图像的计算机辅助参考系统，包括图像预处理单元、感兴趣区域提取单元、纹理特征及深度特征提取单元、融合特征建模单元和乳腺肿块分类单元，其中：
图像预处理单元，对乳腺超声和钼靶图像进行预处理，包括图像去噪和图像增强；
感兴趣区域提取单元，对在图像预处理单元中预处理后的超声图像和钼靶图像中获取乳腺肿块感兴趣区域；
纹理特征及深度特征提取单元，从肿块感兴趣区域中提取图像特征，包括GLCM、LBP、HIS纹理特征以及CNN深度特征；
融合特征建模单元，通过特征融合器，将提取的不同特征以串联的方式，构建纹理-深度融合特征模型；
乳腺肿块分类单元，根据构建的纹理-深度融合特征模型，使用正则化极限学习机对乳腺肿块进行良恶性分类。
图像预处理单元，用于对乳腺超声和钼靶图像进行预处理，包括图像去噪和图像增强。因设备成像原理不同，超声和钼靶具有不同的图像特点，所以使用不同的方法进行图像的预处理。针对超声图像FU,首先使用形态学重建的方法去除超声图像特有的散斑噪声，得到图像FUdenoise，之后使用非线性变换的方法增强超声图像对比度，得到图像FUenhance；针对钼靶图像FM，首先使用基于阈值的自适应中值滤波方法去除图像椒盐噪声，得到图像FMdenoise，之后使用分段线性对比度拉伸的方法实现钼靶图像增强，得到图像FMenhance，对于钼靶MLO视图使用区域生长方法去除胸部肌肉，得到图像FMmuscle。
图像预处理单元包括：超声图像去噪器、超声图像增强器、钼靶图像去噪器、钼靶图像增强器以及钼靶图像胸肌去除器，其中：
超声图像去噪器：用于对超声图像FU去噪，得到去噪后图像FUdenoise；本实施例使用形态学重建的方法主要去除图像中因超声波干涉而形成的散斑噪声；
超声图像增强器：用于对去噪后的超声图像FUdenoise进行图像增强，得到图像FUenhance；本实施例使用非线性的伽马变换和S型变换增强图像的对比度，突出肿块区域；
钼靶图像去噪器：用于对钼靶图像FM去噪，得到去噪后图像FMdenoise；本实施例使用基于阈值的自适应中值滤波方法主要去除图像数字化过程中产生的椒盐噪声；
钼靶图像增强器：用于对去噪后的钼靶图像FMdenoise进行图像增强，得到图像FMenhance；本实施例使用分段线性对比度拉伸的方法，将图像中亮区变得更亮、暗区变得更暗，从而突出乳腺肿块；
钼靶图像胸肌去除器：用于对钼靶MLO视图进行胸肌去除，以图像FMenhance为输入，得到去除胸肌的图像FMmuscle。
所述感兴趣区域提取单元，是从预处理后的超声和钼靶图像中获取乳腺肿块感兴趣区域。针对超声图像，根据影像中标记的肿块位置信息，直接在肿块区域截取M×M像素范围的正方形作为超声图像感兴趣区域FUroi。针对钼靶图像，因为腺体和肿块同为高亮区域，腺体对肿块的识别具有很大的干扰，所以现将预处理后的钼靶整幅图像划分成大小相等的若干个正方形子区域(I1,I2,I3,L,Im)；之后对子区域进行筛选，仅保留位于乳腺内部的正方形子区域(I1,I2,I3,…,In)；接着对保留的正方形子区域进行特征提取，得到特征向量(t1,t2,t3,t4,t5)；最后，根据提取的特征，使用模糊C均值聚类的方法获取钼靶图像感兴趣区域FMroi。
感兴趣区域提取单元包括：超声感兴趣区域提取器、钼靶子区域划分器、钼靶子区域筛选器、钼靶子区域特征提取器、钼靶子区域聚类器。
超声感兴趣区域提取器：用于从预处理后的超声图像中获取肿块感兴趣区域FUroi；该区域为128×128大小的正方形；
钼靶子区域划分器：用于将预处理后的整幅钼靶图像划分成若干个大小相等的正方形子区域(I1,I2,I3,…,I448)；
钼靶子区域筛选器：对整幅钼靶图像中的子区域进行筛选，寻找位于乳腺内部的正方形子区域，即去掉位于图像背景和乳腺边界的子区域，只保留位于乳腺内部的子区域(I1,I2,I3,…,In)；
钼靶子区域特征提取器：用于对保留的子区域进行特征提取，获取特征向量(t1,t2,t3,t4,t5)；
钼靶子区域聚类器：用于获取钼靶图像中肿块感兴趣区域FMroi，根据提取的特征，使用模糊C均值聚类的方法得到。
纹理特征及深度特征提取单元，是从肿块感兴趣区域中提取图像特征，主要提取GLCM、LBP、HIS纹理特征，以及CNN深度特征。
纹理特征及深度特征提取单元包括：GLCM纹理特征提取器、LBP纹理特征提取器、HIS纹理特征提取器、CNN深度特征提取器。
GLCM纹理特征提取器：使用灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)方法提取特征，得到GLCM纹理特征(t1,t2,t3,t4,t5)；钼靶子区域特征提取器与GLCM纹理特征提取器相同；
LBP纹理特征提取器：通过局部二值模式(Local binary patterns,LBP)提取特征，得到LBP纹理特征(t6,t7,t8,…,t15)；
HIS纹理特征提取器：通过灰度直方图(Gray-level Histogram,HIS)提取特征，得到HIS纹理特征(t16,t17,t18,…,t21)；
CNN深度特征提取器：构建卷积神经网络(Convolutional Neural Network,CNN)并提取特征，得到深度特征(d1,d2,d3,…,d20)。
融合特征建模单元，通过特征融合器，将提取的不同特征以串联的方式，构建纹理-深度融合特征模型。
乳腺肿块分类单元，根据构建的纹理-深度融合特征模型，使用正则化极限学习机对乳腺肿块进行良恶性分类，实现对乳腺肿块性质的判断，从而为医生诊断提供客观的参考依据。
本发明一种融合多模态乳腺图像的计算机辅助参考方法的流程如图2所示，包括以下步骤：
1)对来自同一患者的乳腺超声和钼靶影像进行图像预处理；
2)以预处理后的乳腺超声和钼靶图像作为输入，获取乳腺图像中肿块区域，进一步获取超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域；
3)提取超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域的纹理特征及深度特征；
4)将提取的GLCM、LBP、HIS纹理特征以及CNN深度特征进行串联融合，构建纹理-深度融合特征模型；
5)以纹理-深度融合特征模型为输入，使用正则化极限学习机对乳腺肿块进行良恶性分类，实现对乳腺肿块性质的判断，从而为医生诊断提供客观的参考依据。
步骤1)中，使用不同的方法对乳腺超声和钼靶影像进行图像预处理，主要包括图像去噪和图像增强。因为设备成像原理不同，超声和钼靶具有不同的图像特点，所以分别采取不同的方法进行图像预处理。
步骤101)，由于超声波干涉形成的散斑噪声是超声图像中的主要噪声，因此针对超声图像FU，首先使用形态学重建的方法去除散斑噪声，得到图像FUdenoise；
步骤102)，以去噪后的超声图像FUdenoise为输入，因为超声图像整体对比度偏低，所以使用非线性的伽马变换和S型变换增强图像的对比度，突出乳腺肿块区域，得到图像FUenhance，突出乳腺肿块区域；
步骤103)，图像数字化过程中产生的椒盐噪声是钼靶图像中的主要噪声，针对钼靶图像FM，使用基于阈值的自适应中值滤波方法去除椒盐噪声，得到图像FMdenoise；
步骤104)，因为钼靶图像中肿块呈现为高亮区域，所以以去噪后的钼靶图像FMdenoise为输入，使用分段线性对比度拉伸的方式增强钼靶图像的对比度，突出乳腺肿块，得到图像FMdenoise；
步骤105)对于钼靶MLO视图，使用区域生长方法去除胸部肌肉，得到图像FMmuscle；
由于钼靶MLO视图采用斜向体位拍摄，图像中存在一部分胸部肌肉，为了避免胸部肌肉对后续步骤造成干扰，所以使用区域生长的方法去除胸肌。
步骤2)中，以预处理后的乳腺超声和钼靶图像作为输入，获取乳腺超声图像感兴趣区域FUroi和乳腺超声图像感兴趣区域FMroi。因为超声和钼靶图像特点不同，在这一步骤中使用不同的方法。在超声图像中，不同组织回声强度不同，尤其是囊性或实性肿块在超声图像中分辨十分清晰，所以可以根据图像中给出的肿块位置信息直接获取肿块感兴趣区域。在钼靶图像中，除肿块呈现为高亮区域以外，腺体也为高亮区域，而脂肪成像较暗。年轻女性乳腺中腺体含量较多，钼靶影像多呈现为致密型乳腺；年长女性乳腺中腺体退化，脂肪成分较多，钼靶影像一般呈现为脂肪型乳腺。一般45岁左右是女性乳腺癌的高发期，但是乳腺癌发病有低龄化的趋势，越来越多的年轻女性进行乳腺检查，钼靶影像中的乳腺腺体对肿块识别造成了很大干扰，即使是经验丰富的医生也很难分辨，所以采用子区域划分并聚类的方式获取肿块感兴趣区域。
步骤201)针对超声图像，根据影像中标记的肿块位置信息，在肿块区域截取128×128像素范围的正方形作为超声图像感兴趣区域FUroi；
因为拍摄的超声图像中已经定位到肿块的具体位置，所以直接在乳腺肿块区域截取大小为128×128的正方形作为超声图像的感兴趣区域；
步骤202)针对钼靶图像，将预处理后的钼靶整幅图像划分成大小相等的m个正方形子区域(I1,I2,I3,L,I448)；
m个正方形子区域在理论上是若干个，实际中，钼靶原始图像大小是4096*1800(一个机器拍摄出的片子是一个统一的尺寸)，然后分成M×M＝128*128的正方形，刚好分成了32*14＝448个，正好与这个公式里的448对应(I1,I2,I3,…,I448)。
因为钼靶图像中除肿块为高亮区域以外，腺体也呈现高亮，而且年轻女性乳腺内部含有较多的腺体，对肿块识别造成了很大干扰，即使是经验丰富的医生也很难从大量腺体中区分出肿块，所以将钼靶整幅图像划分成若干个大小相同的正方形子区域；
步骤203)对子区域的筛选，去掉位于图像背景和乳腺边界的子区域，只保留位于乳腺内部的子区域(I1,I2,I3,…,In)；
因为钼靶图像中有较多的黑色背景，因此划分的若干个正方形子区域有很多位于背景区域中，为了减少计算量，对众多的子区域进行筛选，去掉背景中的子区域以及刚好位于边界上的子区域，即只保留乳腺内部的正方形子区域；
步骤204)对保留的子区域进行特征提取，得到特征向量(t1,t2,t3,t4,t5)；
步骤205)根据提取的特征，使用模糊C均值方法对子区域聚类，获取乳腺钼靶图像的感兴趣区域FMroi。
步骤3)，在乳腺超声和钼靶图像的感兴趣区域中，提取图像的GLCM、LBP、HIS纹理特征，以及CNN深度特征；
步骤301)基于灰度共生矩阵，提取GLCM纹理特征(t1,t2,t3,t4,t5)；
步骤302)基于局部二值模式，提取LBP纹理特征(t6,t7,…,t15)；
步骤303)基于灰度直方图，提取HIS纹理特征(t16,t17,t18,t19,t20,t21)；
步骤304)基于卷积神经网络，提取CNN深度特征(d1,d2,d3,…,d20)。
步骤4)将超声和钼靶图像中的GLCM、LBP、HIS纹理特征及CNN深度特征，以串联的方式进行融合，构建纹理-深度融合特征模型(t1,t2,…,t21,d1,d2,…,d20)。
步骤5)以纹理-深度融合特征模型(t1,t2,L,t21,d1,d2,L,d20)为输入，使用正则化极限学习机对乳腺肿块进行良恶性分类，构建了一种融合多模态乳腺图像的计算机辅助参考系统。
本发明提出一种融合多模态乳腺图像的计算机辅助参考系统及方法，对来自同一患者的乳腺超声和钼靶影像进行了研究，使用不同的方法进行了图像预处理，分别提取了乳腺超声和钼靶图像的肿块感兴趣区域，提取区域中的纹理、深度特征，构建纹理-深度融合特征模型，并使用正则化极限学习机对乳腺肿块进行良恶性的分类。所构建的融合多模态乳腺图像的计算机辅助参考系统，从临床实际需求出发，实现对乳腺肿块性质的判断，从而为医生诊断提供客观的参考依据。

Claims (9)

1.一种融合多模态乳腺图像的计算机辅助参考系统，其特征在于：包括图像预处理单元、感兴趣区域提取单元、纹理特征及深度特征提取单元、融合特征建模单元以及乳腺肿块分类单元，其中：
图像预处理单元，对乳腺超声和钼靶图像进行预处理，包括图像去噪和图像增强；
感兴趣区域提取单元，对在图像预处理单元中预处理后的超声图像和钼靶图像中获取乳腺肿块感兴趣区域；
纹理特征及深度特征提取单元，从肿块感兴趣区域中提取图像特征，包括GLCM、LBP、HIS纹理特征以及CNN深度特征；
融合特征建模单元，通过特征融合器，将提取的不同特征以串联的方式，构建纹理-深度融合特征模型；
乳腺肿块分类单元，根据构建的纹理-深度融合特征模型，使用正则化极限学习机对乳腺肿块进行良恶性分类。
2.根据权利要求1所述的融合多模态乳腺图像的计算机辅助参考系统，其特征在于：所述图像预处理单元包括超声图像去噪器、超声图像增强器、钼靶图像去噪器、钼靶图像增强器以及钼靶图像胸肌去除器，其中
超声图像去噪器，对超声图像FU去噪，得到去噪后图像FUdenoise；
超声图像增强器，对去噪后的超声图像FUdenoise进行图像增强，得到图像FUenhance；
钼靶图像去噪器，对钼靶图像FM去噪，得到去噪后图像FMdenoise；
钼靶图像增强器，对去噪后的钼靶图像FMdenoise进行图像增强，得到图像FMenhance；
钼靶图像胸肌去除器，对钼靶MLO视图进行胸肌去除，以图像FMenhance为输入，得到去除胸肌的图像FMmuscle。
3.根据权利要求1所述的融合多模态乳腺图像的计算机辅助参考系统，其特征在于：所述感兴趣区域提取单元包括超声感兴趣区域提取器、钼靶子区域划分器、钼靶子区域筛选器、钼靶子区域特征提取器以及钼靶子区域聚类器，其中，
超声感兴趣区域提取器，从预处理后的超声图像中获取肿块感兴趣区域FUroi；
钼靶子区域划分器，将预处理后的整幅钼靶图像划分成若干个大小相等的正方形子区域(I1,I2,I3,L,Im)；
钼靶子区域筛选器，对子区域进行筛选，去掉位于图像背景和乳腺边界的子区域，只保留位于乳腺内部的子区域(I1,I2,I3,L,In)；n<m；
钼靶子区域特征提取器，对保留的子区域进行特征提取，获取特征向量(t1,t2,t3,t4,t5)；
钼靶子区域聚类，获取钼靶图像中肿块感兴趣区域FMroi，根据提取的特征，使用模糊C均值聚类的方法对子区域聚类，获取乳腺钼靶图像的感兴趣区域。
4.根据权利要求1所述的融合多模态乳腺图像的计算机辅助参考系统，其特征在于：所述纹理特征及深度特征提取单元包括：GLCM纹理特征提取器、LBP纹理特征提取器、HIS纹理特征提取器以及CNN深度特征提取器，其中：
GLCM纹理特征提取器，使用灰度共生矩阵方法提取特征，得到GLCM纹理特征(t1,t2,t3,t4,t5)；
LBP纹理特征提取器，通过局部二值模式提取特征，得到LBP纹理特征(t6,t7,t8,…,t15)；
HIS纹理特征提取器，通过灰度直方图提取特征，得到HIS纹理特征(t16,t17,t18,…,t21)；
CNN深度特征提取器，构建卷积神经网络并提取特征，得到CNN深度特征(d1,d2,d3,…,d20)。
5.一种融合多模态乳腺图像的计算机辅助参考方法，其特征在于包括以下步骤：
1)对来自同一患者的乳腺超声和钼靶影像进行图像预处理；
2)以预处理后的乳腺超声和钼靶图像作为输入，获取乳腺图像中肿块区域，进一步获取超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域；
3)提取乳腺超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域的纹理特征及深度特征；
4)将提取的GLCM、LBP、HIS纹理特征以及CNN深度特征进行串联融合，构建纹理-深度融合特征模型；
5)以纹理-深度融合特征模型为输入，使用正则化极限学习机对乳腺肿块进行良恶性分类。
6.根据权利要求1所述的融合多模态乳腺图像的计算机辅助参考方法，其特征在于：步骤1)中对来自同一患者的乳腺超声和钼靶影像进行图像预处理，具体为：
101)使用形态学重建的方法对超声图像中因超声波干涉而形成的散斑噪声进行去噪；
102)使用非线性的伽马变换和S型变换增强去噪后的超声波图像的对比度，突出乳腺肿块区域；
103)使用基于阈值的自适应中值滤波方法进行钼靶图像去噪；
104)使用分段线性对比度拉伸的方式增强去噪后的钼靶图像的对比度，突出乳腺肿块；
105)使用区域生长的方法去除钼靶MLO视图中的胸肌。
7.根据权利要求1所述的融合多模态乳腺图像的计算机辅助参考方法，其特征在于：步骤2)中获取超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域具体为：
201)直接在乳腺肿块区域截取大小为M×M的正方形作为超声图像的感兴趣区域；
202)将钼靶整幅图像划分成m个大小相同的正方形子区域；
203)对m个子区域进行筛选，去掉背景中的子区域以及刚好位于边界上的子区域，即只保留乳腺内部的正方形子区域；
204)对保留的正方形子区域进行特征提取，提取每个子区域的纹理特征；
205)根据子区域纹理特征，使用模糊C均值方法对子区域聚类，获取乳腺钼靶图像的感兴趣区域。
8.根据权利要求7所述的融合多模态乳腺图像的计算机辅助参考方法，其特征在于：M＝27～28。
9.根据权利要求1所述的融合多模态乳腺图像的计算机辅助参考方法，其特征在于：步骤3)中提取超声图像的感兴趣区域和乳腺钼靶图像的感兴趣区域的纹理特征及深度特征，具体为：
301)基于灰度共生矩阵，提取GLCM纹理特征；
302)基于局部二值模式，提取LBP纹理特征；
303)基于灰度直方图，提取HIS纹理特征；
304)基于卷积神经网络，提取CNN深度特征。
CN201810811670.XA 2018-07-23 2018-07-23 一种融合多模态乳腺图像的计算机辅助参考系统及方法 Withdrawn CN109146848A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810811670.XA CN109146848A (zh) 2018-07-23 2018-07-23 一种融合多模态乳腺图像的计算机辅助参考系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810811670.XA CN109146848A (zh) 2018-07-23 2018-07-23 一种融合多模态乳腺图像的计算机辅助参考系统及方法

Publications (1)

Publication Number Publication Date
CN109146848A true CN109146848A (zh) 2019-01-04

Family

ID=64801360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810811670.XA Withdrawn CN109146848A (zh) 2018-07-23 2018-07-23 一种融合多模态乳腺图像的计算机辅助参考系统及方法

Country Status (1)

Country Link
CN (1) CN109146848A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800813A (zh) * 2019-01-24 2019-05-24 青岛中科智康医疗科技有限公司 一种数据驱动乳腺钼靶肿块检测的计算机辅助系统及方法
CN109858540A (zh) * 2019-01-24 2019-06-07 青岛中科智康医疗科技有限公司 一种基于多模态融合的医学图像识别系统及方法
CN109871869A (zh) * 2019-01-11 2019-06-11 五邑大学 一种肺结节分类方法及其装置
CN110136112A (zh) * 2019-05-14 2019-08-16 华侨大学 一种基于乳腺x线摄影钙化计算机辅助检测算法
CN110276411A (zh) * 2019-06-28 2019-09-24 腾讯科技（深圳）有限公司 图像分类方法、装置、设备、存储介质和医疗电子设备
CN110428405A (zh) * 2019-01-30 2019-11-08 腾讯科技（深圳）有限公司 一种检测生物组织图像中肿块的方法、相应设备及介质
CN110503147A (zh) * 2019-08-22 2019-11-26 山东大学 基于相关性学习的多模图像分类系统
CN111062909A (zh) * 2019-11-08 2020-04-24 哈尔滨工业大学（深圳） 乳腺肿块良恶性判断方法及设备
CN111080642A (zh) * 2019-12-31 2020-04-28 北京推想科技有限公司 基于医学图像的组织分型方法及装置、电子设备
CN111210441A (zh) * 2020-01-02 2020-05-29 苏州瑞派宁科技有限公司 肿瘤预测方法、装置、云平台及计算机可读存储介质
CN111461158A (zh) * 2019-05-22 2020-07-28 什维新智医疗科技(上海)有限公司 用于识别超声图像中特征的方法、装置、存储介质和系统
CN111583320A (zh) * 2020-03-17 2020-08-25 哈尔滨医科大学 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质
CN112233198A (zh) * 2020-09-02 2021-01-15 山东师范大学 一种乳腺钼靶图像到能谱重组图像合成方法及系统
CN112287970A (zh) * 2020-09-27 2021-01-29 山东师范大学 基于多视角多模态的乳腺能谱图像分类系统、设备及介质
CN112308065A (zh) * 2020-07-09 2021-02-02 什维新智医疗科技(上海)有限公司 一种识别超声图像中特征的方法、系统及电子设备
CN112348082A (zh) * 2020-11-06 2021-02-09 上海依智医疗技术有限公司 深度学习模型构建方法、影像处理方法及可读存储介质
CN112819818A (zh) * 2021-02-26 2021-05-18 中国人民解放军总医院第一医学中心 图像识别模块训练方法和装置
CN113053523A (zh) * 2021-04-23 2021-06-29 广州易睿智影科技有限公司 一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统
WO2021179491A1 (zh) * 2020-03-13 2021-09-16 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备和存储介质
WO2023024524A1 (zh) * 2021-08-23 2023-03-02 首都医科大学附属北京妇产医院 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备
CN116630680A (zh) * 2023-04-06 2023-08-22 南方医科大学南方医院 一种x线摄影联合超声的双模态影像分类方法及系统
CN117132729A (zh) * 2023-07-24 2023-11-28 清华大学 多模态精细乳腺模型设计方法、装置、设备及介质
CN117481672A (zh) * 2023-10-25 2024-02-02 深圳医和家智慧医疗科技有限公司 一种乳腺组织硬化初期快速筛查智能方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913086A (zh) * 2016-04-12 2016-08-31 福州大学 一种应用特征权重自适应选择的计算机辅助诊断乳腺的方法
CN106023239A (zh) * 2016-07-05 2016-10-12 东北大学 基于乳腺子区域密度聚类的乳腺肿块分割系统及方法
CN106780451A (zh) * 2016-12-07 2017-05-31 西安电子科技大学 X射线、超声、红外图像融合乳腺肿块图像检测方法
CN106780448A (zh) * 2016-12-05 2017-05-31 清华大学 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方法
CN107341265A (zh) * 2017-07-20 2017-11-10 东北大学 一种融合深度特征的乳腺图像检索系统与方法
CN107358267A (zh) * 2017-07-20 2017-11-17 东北大学 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913086A (zh) * 2016-04-12 2016-08-31 福州大学 一种应用特征权重自适应选择的计算机辅助诊断乳腺的方法
CN106023239A (zh) * 2016-07-05 2016-10-12 东北大学 基于乳腺子区域密度聚类的乳腺肿块分割系统及方法
CN106780448A (zh) * 2016-12-05 2017-05-31 清华大学 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方法
CN106780451A (zh) * 2016-12-07 2017-05-31 西安电子科技大学 X射线、超声、红外图像融合乳腺肿块图像检测方法
CN107341265A (zh) * 2017-07-20 2017-11-10 东北大学 一种融合深度特征的乳腺图像检索系统与方法
CN107358267A (zh) * 2017-07-20 2017-11-17 东北大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王之琼: "基于极限学习机的乳腺肿块检测技术研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 *

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871869A (zh) * 2019-01-11 2019-06-11 五邑大学 一种肺结节分类方法及其装置
CN109871869B (zh) * 2019-01-11 2023-03-21 五邑大学 一种肺结节分类方法及其装置
CN109858540A (zh) * 2019-01-24 2019-06-07 青岛中科智康医疗科技有限公司 一种基于多模态融合的医学图像识别系统及方法
CN109800813B (zh) * 2019-01-24 2023-12-22 青岛中科智康医疗科技有限公司 一种数据驱动乳腺钼靶肿块检测的计算机辅助系统及方法
CN109800813A (zh) * 2019-01-24 2019-05-24 青岛中科智康医疗科技有限公司 一种数据驱动乳腺钼靶肿块检测的计算机辅助系统及方法
CN110428405A (zh) * 2019-01-30 2019-11-08 腾讯科技（深圳）有限公司 一种检测生物组织图像中肿块的方法、相应设备及介质
CN110136112A (zh) * 2019-05-14 2019-08-16 华侨大学 一种基于乳腺x线摄影钙化计算机辅助检测算法
CN110136112B (zh) * 2019-05-14 2022-11-04 华侨大学 一种基于乳腺x线摄影钙化计算机辅助检测算法
CN111461158A (zh) * 2019-05-22 2020-07-28 什维新智医疗科技(上海)有限公司 用于识别超声图像中特征的方法、装置、存储介质和系统
JP7297081B2 (ja) 2019-06-28 2023-06-23 テンセント・テクノロジー・（シェンジェン）・カンパニー・リミテッド 画像分類方法、画像分類装置、医療用電子機器、画像分類機器、及びコンピュータプログラム
KR102605969B1 (ko) * 2019-06-28 2023-11-23 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 이미지 분류 방법, 장치 및 디바이스, 저장 매체, 그리고 의료 전자 디바이스
CN110276411A (zh) * 2019-06-28 2019-09-24 腾讯科技（深圳）有限公司 图像分类方法、装置、设备、存储介质和医疗电子设备
WO2020259666A1 (zh) * 2019-06-28 2020-12-30 腾讯科技（深圳）有限公司 图像分类方法、装置、设备、存储介质和医疗电子设备
JP2022537866A (ja) * 2019-06-28 2022-08-31 テンセント・テクノロジー・（シェンジェン）・カンパニー・リミテッド 画像分類方法、画像分類装置、画像処理方法、医療用電子機器、画像分類機器、及びコンピュータプログラム
KR20210119526A (ko) * 2019-06-28 2021-10-05 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 이미지 분류 방법, 장치 및 디바이스, 저장 매체, 그리고 의료 전자 디바이스
US11900647B2 (en) 2019-06-28 2024-02-13 Tencent Technology (Shenzhen) Company Limited Image classification method, apparatus, and device, storage medium, and medical electronic device
CN110276411B (zh) * 2019-06-28 2022-11-18 腾讯科技（深圳）有限公司 图像分类方法、装置、设备、存储介质和医疗电子设备
CN110503147A (zh) * 2019-08-22 2019-11-26 山东大学 基于相关性学习的多模图像分类系统
CN110503147B (zh) * 2019-08-22 2022-04-08 山东大学 基于相关性学习的多模图像分类系统
CN111062909A (zh) * 2019-11-08 2020-04-24 哈尔滨工业大学（深圳） 乳腺肿块良恶性判断方法及设备
CN111080642A (zh) * 2019-12-31 2020-04-28 北京推想科技有限公司 基于医学图像的组织分型方法及装置、电子设备
WO2021135774A1 (zh) * 2020-01-02 2021-07-08 苏州瑞派宁科技有限公司 肿瘤预测方法、装置、云平台及计算机可读存储介质
CN111210441A (zh) * 2020-01-02 2020-05-29 苏州瑞派宁科技有限公司 肿瘤预测方法、装置、云平台及计算机可读存储介质
WO2021179491A1 (zh) * 2020-03-13 2021-09-16 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备和存储介质
CN111583320A (zh) * 2020-03-17 2020-08-25 哈尔滨医科大学 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质
CN112308065B (zh) * 2020-07-09 2024-05-24 什维新智医疗科技(上海)有限公司 一种识别超声图像中特征的方法、系统及电子设备
CN112308065A (zh) * 2020-07-09 2021-02-02 什维新智医疗科技(上海)有限公司 一种识别超声图像中特征的方法、系统及电子设备
CN112233198B (zh) * 2020-09-02 2023-04-07 山东师范大学 一种乳腺钼靶图像到能谱重组图像合成方法及系统
CN112233198A (zh) * 2020-09-02 2021-01-15 山东师范大学 一种乳腺钼靶图像到能谱重组图像合成方法及系统
CN112287970A (zh) * 2020-09-27 2021-01-29 山东师范大学 基于多视角多模态的乳腺能谱图像分类系统、设备及介质
CN112348082B (zh) * 2020-11-06 2021-11-09 上海依智医疗技术有限公司 深度学习模型构建方法、影像处理方法及可读存储介质
CN112348082A (zh) * 2020-11-06 2021-02-09 上海依智医疗技术有限公司 深度学习模型构建方法、影像处理方法及可读存储介质
CN112819818A (zh) * 2021-02-26 2021-05-18 中国人民解放军总医院第一医学中心 图像识别模块训练方法和装置
CN112819818B (zh) * 2021-02-26 2023-11-14 中国人民解放军总医院第一医学中心 图像识别模块训练方法和装置
CN113053523A (zh) * 2021-04-23 2021-06-29 广州易睿智影科技有限公司 一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统
WO2023024524A1 (zh) * 2021-08-23 2023-03-02 首都医科大学附属北京妇产医院 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备
CN116630680A (zh) * 2023-04-06 2023-08-22 南方医科大学南方医院 一种x线摄影联合超声的双模态影像分类方法及系统
CN116630680B (zh) * 2023-04-06 2024-02-06 南方医科大学南方医院 一种x线摄影联合超声的双模态影像分类方法及系统
CN117132729A (zh) * 2023-07-24 2023-11-28 清华大学 多模态精细乳腺模型设计方法、装置、设备及介质
CN117481672A (zh) * 2023-10-25 2024-02-02 深圳医和家智慧医疗科技有限公司 一种乳腺组织硬化初期快速筛查智能方法

Similar Documents

Publication Publication Date Title
CN109146848A (zh) 一种融合多模态乳腺图像的计算机辅助参考系统及方法
Chu et al. Ultrasonic thyroid nodule detection method based on U-Net network
AU2020101122A4 (en) Cnn model based approach towards breast cancer features detection from ultra sound images
JP2011517986A (ja) 腹部大動脈瘤の自動検知および正確なセグメント分割
CN110390678B (zh) 一种结直肠癌ihc染色图像的组织类型分割方法
CN106651874B (zh) 基于多模态mri数据的脑瘤术后空间域分割方法
Jarosik et al. Breast lesion classification based on ultrasonic radio-frequency signals using convolutional neural networks
CN208864347U (zh) 一种甲状腺肿瘤智能检测系统
Shareef Breast cancer detection based on watershed transformation
Kajla et al. Analysis of x-ray images with image processing techniques: A review
CN112348794A (zh) 基于注意力增强u型网络的超声乳腺肿瘤自动分割方法
Ganvir et al. Filtering method for pre-processing mammogram images for breast cancer detection
CN110189324A (zh) 一种医学图像处理方法及处理装置
Bouchebbah et al. 3D automatic levels propagation approach to breast MRI tumor segmentation
CN107392204A (zh) 一种乳腺图像微钙化点自动检测系统及方法
CN113539476A (zh) 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统
CN113838020B (zh) 一种基于钼靶影像的病变区域量化方法
Shahin et al. Breast cancer detection using modified Hough transform
Punithavathi et al. Detection of breast lesion using improved GLCM feature based extraction in mammogram images
Pahl et al. Cervix Segmentation in Ultrasound Data Based on Numerical Technique
Amritha et al. Liver tumor segmentation and classification using deep learning
da Cruz Automatic analysis of mammography images
Di Ruberto et al. Special Issue on Image Processing Techniques for Biomedical Applications
BOUDERBALA et al. Mammographic Image segmentation by deformable models
Ms Malapriya et al. Detection of Breast Cancer Using Ultrasound 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
WW01 Invention patent application withdrawn after publication

Application publication date: 20190104