CN109493325B - 基于ct影像的肿瘤异质性分析系统 - Google Patents

基于ct影像的肿瘤异质性分析系统 Download PDF

Info

Publication number
CN109493325B
CN109493325B CN201811237087.9A CN201811237087A CN109493325B CN 109493325 B CN109493325 B CN 109493325B CN 201811237087 A CN201811237087 A CN 201811237087A CN 109493325 B CN109493325 B CN 109493325B
Authority
CN
China
Prior art keywords
focus
module
voxel
segmentation
unit
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.)
Active
Application number
CN201811237087.9A
Other languages
English (en)
Other versions
CN109493325A (zh
Inventor
张学工
方翔
路海明
陈斯杰
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201811237087.9A priority Critical patent/CN109493325B/zh
Publication of CN109493325A publication Critical patent/CN109493325A/zh
Application granted granted Critical
Publication of CN109493325B publication Critical patent/CN109493325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • 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

Abstract

本发明公开了一种基于CT影像的肿瘤异质性分析系统。该系统包括：预处理模块，用于对原始CT影像做预处理；标注模块，用于对预处理后CT影像进行标注，获取病灶区域的轮廓信息；特征提取模块，用于对病灶区域内的每个体素，以其邻域为范围，提取计算影像特征；分割模块，用于将提取的特征输入针对体素的分割算法，对每个体素归类，以完成病灶的内部区域分割，生成病灶的肿瘤异质性信息；可视化界面模块，用于将病灶的肿瘤异质性信息进行可视化呈现。该系统可准确提供病灶的肿瘤异质性信息，从而辅助医生准确分析肿瘤病灶的肿瘤内异质性。

Description

基于CT影像的肿瘤异质性分析系统
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于CT影像的肿瘤异质性分析系统。
背景技术
肿瘤异质性是指同一类恶性肿瘤在不同患者个体间或者同一患者体内的不同肿瘤细胞间从基因型到表型上存在的差异。肿瘤异质性体现在基因表达、细胞代谢、细胞形态、细胞增殖和转移潜能等各个方面，且广泛存在于各大癌症类型中。不同亚型的肿瘤细胞可能表现出免疫特性、生长速度、侵袭能力等表型方面的差异，最终导致对不同抗肿瘤药物的敏感性或放疗敏感性的差异。研究表明，肿瘤细胞在基因上的异质性直接影响癌症病人的临床表现和治疗效果，肿瘤异质性给医生设计有效治疗方案带来了困难和挑战。因此，研究肿瘤异质性有助于了解肿瘤发生的病理和评估预后，从而优化治疗策略。肿瘤异质性包括瘤间异质性(不同病灶，如原发肿瘤与转移瘤)和瘤内异质性(同一病灶内不同部位)。针对肿瘤间异质性的研究工作很多，也获得了大量的研究成果。但针对肿瘤内异质性的研究较少，认知尚浅。事实上，肿瘤内异质性与抗肿瘤药物治疗的耐药性变化息息相关，研究肿瘤内异质性对全面认识肿瘤的病理和应对肿瘤治疗的耐药性十分必要。
在日渐发展的影像技术之外，医生通常通过活体组织切片(biopsy)来对病灶做组织病理学的诊断，如判断病变组织是良性抑或恶性。活检可分为切除活检和切口活检，但不论哪一种，都会对人体造成一定的损伤。当实际病情不允许切除整个病灶做检查时，活检的取样范围十分有限，很难反映病灶内部肿瘤细胞的异质性。同时，医生使用手术器材活检，也有因器材携带或出血而导致的癌细胞转移扩散的风险。
医学影像相对活检则是一种对人体损伤较小的诊断手段，且更方便用来做早期筛查。当下流行的影像技术包括X光、CT、PET、核磁、超声等，影像诊断能获取病灶区域的全貌，因此，结合图像处理技术的影像学分析为研究癌症的肿瘤异质性提供了有力手段。计算机断层成像(Computed Tomography，简称CT)是一种较为常见的影像诊断学的检查手段，CT是利用数位几何处理后重建的三维断层面医学影像。自20世纪70年代被发明后，CT已经成为一类重要的医学影像，至今依然是诊断多种疾病的黄金准则；CT可以提供较高的空间分辨率，为研究肿瘤内异质性提供了较高质量的影像数据；目前CT在肿瘤内异质性研究方面的应用仍存在较大的改进空间。
发明内容
基于此，本发明的目的在于提供一种基于CT影像的肿瘤异质性分析系统，该系统可准确提供病灶的肿瘤异质性信息，从而辅助医生准确分析肿瘤病灶的肿瘤内异质性。
上述目的是通过以下技术方案实现的：
本发明提供的一种基于CT影像的肿瘤异质性分析系统，包括：预处理模块，用于对原始CT影像做预处理；标注模块，用于对预处理后CT影像进行标注，获取病灶区域的轮廓信息；特征提取模块，用于对病灶区域内的每个体素，以其邻域为范围，提取计算影像特征；分割模块，用于将提取的特征输入针对体素的分割算法，对每个体素归类，以完成病灶的内部区域分割，生成病灶的肿瘤异质性信息；可视化界面模块，用于将病灶的肿瘤异质性信息进行可视化呈现。
优选地，在所述特征提取模块中，包括邻域设定单元，用于对每个体素设定邻域范围，以确定特征提取范围。
优选地，在所述特征提取模块中，还包括邻域调整单元，用于对每个体素邻域范围进行调整。
优选地，在所述特征提取模块中，所述影像特征包括：灰度特征、纹理特征、以及小波特征。
优选地，在所述特征提取模块中，还包括自定义影像特征添加单元，用于添加自定义影像特征。
优选地，在所述分割模块中，包括分割算法的选择单元，用于选择对体素进行聚类的分割算法。
优选地，在所述分割模块中，系统通过后台分析单元分析病灶的区域分割情况，以生成病灶的肿瘤异质性信息，其中，所述区域分割情况包括区域数目、大小、以及形状等。
优选地，在所述可视化界面模块中，还包括修正单元，用于根据用户的反馈重新进行分割模块的操作，以完成体素分类结果的修正。
优选地，所述预处理模块包括：读取单元，用于读取原始CT影像的图像矩阵数据，得到三维图像矩阵；显示单元，用于将三维图像矩阵显示给用户；去噪单元，用于对三维图像矩阵进行去噪，以生成预处理后的图像矩阵；保存单元，用于保存预处理后的图像矩阵。
优选地，所述标注模块包括：自动标注单元，用于系统以用户在病灶内部标记的点为初始点采用系统提供的算法自动生成病灶区域，以得到病灶的轮廓信息；手工标注单元，用于用户直接沿病灶周围使用鼠标标记轮廓散点，以生成病灶的轮廓信息。
有益效果：
本发明基于CT影像的肿瘤异质性分析系统通过对病灶区域内每个体素的小邻域做特征提取，并对病灶内部做分割处理，实现了从影像上分析肿瘤内异质性信息，可以准确提供病灶的肿瘤异质性信息，从而辅助医生准确分析肿瘤内异质性，且避免了活检对患者造成的伤害。
附图说明
图1是本发明基于CT影像的肿瘤异质性分析系统的结构示意图。
具体实施方式
下面将结合本发明实施例及附图，对本发明实施例中的技术方案进行清楚、完整地描述：
图1是示意性示出了本发明基于CT影像的肿瘤异质性分析系统的结构，且示意性示出了该系统的运行流程。如图1所示，本发明提供一种基于CT影像的肿瘤异质性分析系统，该系统包括：预处理模块，用于对原始CT影像做预处理；标注模块，用于对预处理后CT影像进行标注，获取病灶区域的轮廓信息；特征提取模块，用于对病灶区域内的每个体素，以其邻域为范围，提取计算影像特征；分割模块，用于将提取的特征输入针对体素的分割算法，对每个体素归类，以完成病灶的内部区域分割，生成病灶的肿瘤异质性信息；可视化界面模块，用于将病灶的肿瘤异质性信息进行可视化呈现。
其中，所述预处理模块，对原始CT影像做预处理，包括读取单元、显示单元、去噪单元、以及保存单元。
首先，通过读取单元读取原始CT影像的图像矩阵数据。原始图像可能为DICOM格式或MHD等格式。用户指定路径读取图像文件时，由系统自动识别图像文件类型，如系统自动识别失败，改由用户手工选择格式，并可修改。在读取单元中执行以下操作：如果文件格式为DICOM，则系统按文件顺序读取每张片子的二维图像，并在内存中生成二维图像的二维图像数据列表，得到三维图像；如果文件为MHD，则系统直接读取三维图像，得到三维图像矩阵。
系统读取影像到内存，在显示单元中，将三维图像数据显示给用户，用户可使用鼠标和下拉等功能查看每一层的图像和对应的影像信息。
在去噪单元中，系统提供多种备用的去噪算法，例如阈值法等。用户可选择一种或多种去噪算法，对原始图像矩阵进行去噪，期间用户可实时查看去噪的效果，并可叠加使用不同的去噪算法。完成去噪后，系统生成预处理后的图像矩阵。
在保存单元中，系统保存预处理后的图像矩阵到本地，等待下一步处理。
所述标注模块，获取病灶区域的轮廓标注，将标注得到的轮廓信息保存在本地。该模块包括自动标注单元和手工标注单元，用户可以在自动标注单元中使用系统提供的算法实现自动轮廓标注，也可以在手工标注单元中手工操作实现轮廓标注。具体执行操作如下：
自动标注，系统提供若干标注轮廓的备用算法，由用户在病灶内部标记一点，后台以标记点为初始点，采用区域生长算法或其他算法自动生成病灶区域，同时得到病灶的轮廓信息，生成轮廓的散点坐标列表。其中，用户或医生可查看生成的轮廓效果，还可以做坐标的手工微调。
手工标注，由医生在用户界面操作鼠标直接沿病灶周围手工标记轮廓散点，系统后台捕获散点并保存散点坐标，并连接散点形成轮廓信息。用户或医生可查看生成的轮廓效果，并实时对其做微调处理。
所述特征提取模块，计算分析异质性所需要的影像特征。该模块包括邻域设定单元、以及邻域调整单元。
首先，系统读取获得的轮廓信息，提取病灶区域，生成病灶的体素矩阵或列表。然后，在邻域设定单元中，用户设定邻域范围(范围参数有默认值，也可由用户重新调整)，对每个体素，以其给定大小的小邻域为范围，如：给定边长5×5×5为小邻域范围，但不限于此，也可以是以半径或者其他参数来限定该小邻域范围，计算提取若干影像特征。在邻域调整单元中，用户可以对设定的邻域边长进行调整。其中，默认的影像特征包括灰度特征、纹理特征、小波特征三大类，但不限于此。系统后台提供可选的纹理特征有五种，还可添加系统后台提供的其他滤波器特征。另外，该模块还包括自定义影像特征添加单元，可由用户按照系统指定的输入格式，自定义特征并添加。该发明通过对像素/体素的小邻域做特征提取，使得得到的病灶的肿瘤内异质性信息更为准确。
特征值的计算执行如下步骤：对灰度特征，系统直接计算特征值。对纹理特征，系统先按照用户选择的纹理特征，计算相应的中间矩阵，再用中间矩阵计算得到纹理特征的特征值。对小波特征和其他滤波器特征，系统先对原始图像矩阵做滤波处理，得到滤波后的图像，然后对滤波后图像做之前几种特征的计算，得到滤波器特征的特征值。设最终选择的特征数为N，体素数目为M。则计算得到M个长度为N的特征值，用户可查看计算结果，最终结果保存到本地。
所述分割模块，实现分析异质性所需要的病灶内部分割，从影像上分析肿瘤内异质性信息。
系统提取的特征结果，得到病灶区域的每个体素的特征值，该特征值由对相应体素的周围小邻域的计算影像特征得到。且用户可以查看每个体素的特征值计算结果。
分割模块中包括分割算法的选择单元，系统提供多种备用图像分割算法，例如模糊聚类、神经网络等，用户选择分割算法，对所有体素进行聚类，从而将每个体素都归到某一类，病灶内的所有体素被归到几个不同的大类，从而实现病灶的内部区域分割。系统后台分析单元，分析病灶的区域分割情况，例如区域数目、大小、形状等信息，以此生成病灶的肿瘤异质性信息，并保存到本地。
所述可视化界面模块，实现异质性信息的可视化界面，即将系统提取获得的异质性信息，以可视化的界面呈现给用户或医生。用户或医生可以查看系统提供的病灶异质性信息。
另外，用户可以输入自己对体素分类结果的反馈。当没有新的修正意见时，系统保存分析结果到本地；当用户或医生有修正意见时，系统根据用户或医生的反馈，通过修正单元重新进行分割模块中的步骤。系统以用户或医生修改后的标记作为监督，重新学习特征的权重，并对被修改的体素设置默认的投票权重，用户可在一个给定的极值范围内修改此投票权重。系统重新学习特征的权重后得到新的分析结果，将其反馈给用户，由用户决定接受或做进一步修正。系统将修正完成后的分析结果保存到本地。
以上结合附图对本发明优选实施例进行了描述，但本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明保护范围之内。

Claims (10)

1.一种基于CT影像的肿瘤异质性分析系统，其特征在于，包括：
预处理模块，用于读取原始CT影像，得到三维图像矩阵，对所述三维图像矩阵采用一种或多种去噪 算法进行去噪，得到预处理后的图像矩阵；
标注模块，用于对预处理后的图像矩阵进行标注，获取病灶区域的轮廓信息；
特征提取模块，用于读取轮廓信息，提取病灶区域，生成病灶的体素矩阵或列表，对病灶区域内的每个体素设定邻域范围，所述邻域范围以边长或半径来限定，在每个体素的邻域范围内进行影像特征提取，并进行特征值计算，得到病灶区域的每个体素的特征值，共M个长度为N的特征值，其中，M为体素数目，N为最终选择的特征数；
分割模块，用于将提取的特征输入针对体素的分割算法，对每个体素归类，以完成病灶的内部区域分割，分析病灶区域分割情况，生成病灶的肿瘤异质性信息；
可视化界面模块，用于将病灶的肿瘤异质性信息进行可视化呈现。
2.如权利要求1所述的基于CT影像的肿瘤异质性分析系统，其特征在于，在所述特征提取模块中，包括邻域设定单元，用于对每个体素设定邻域范围，以确定特征提取范围。
3.如权利要求2所述的基于CT影像的肿瘤异质性分析系统，其特征在于，在所述特征提取模块中，还包括邻域调整单元，用于对每个体素邻域范围进行调整。
4.如权利要求1所述的基于CT影像的肿瘤异质性分析系统，其特征在于，在所述特征提取模块中，所述影像特征包括：灰度特征、纹理特征以及小波特征。
5.如权利要求1所述的基于CT影像的肿瘤异质性分析系统，其特征在于，在所述特征提取模块中，还包括自定义影像特征添加单元，用于添加自定义影像特征。
6.如权利要求1所述的基于CT影像的肿瘤异质性分析系统，其特征在于，在所述分割模块中，包括分割算法的选择单元，用于选择对体素进行聚类的分割算法。
7.如权利要求1所述的基于CT影像的肿瘤异质性分析系统，其特征在于，在所述分割模块中，系统通过后台分析单元分析病灶的区域分割情况，以生成病灶的肿瘤异质性信息，其中，所述区域分割情况包括区域数目、大小以及形状。
8.如权利要求1所述的基于CT影像的肿瘤异质性分析系统，其特征在于，在所述可视化界面模块中，还包括修正单元，用于根据用户的反馈重新进行分割模块的操作，以完成体素分类结果的修正。
9.如权利要求1所述的基于CT影像的肿瘤异质性分析系统，其特征在于，所述预处理模块包括：
读取单元，用于读取原始CT影像的图像矩阵数据，得到三维图像矩阵；
显示单元，用于将三维图像矩阵显示给用户；
去噪单元，用于对三维图像矩阵进行去噪，以生成预处理后的图像矩阵；
保存单元，用于保存预处理后的图像矩阵。
10.如权利要求1所述的基于CT影像的肿瘤异质性分析系统，其特征在于，所述标注模块包括：
自动标注单元，用于系统以用户在病灶内部标记的点为初始点选择系统提供的算法自动生成病灶区域，以得到病灶的轮廓信息；
手工标注单元，用于用户直接沿病灶周围使用鼠标标记轮廓散点，以生成病灶的轮廓信息。
CN201811237087.9A 2018-10-23 2018-10-23 基于ct影像的肿瘤异质性分析系统 Active CN109493325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811237087.9A CN109493325B (zh) 2018-10-23 2018-10-23 基于ct影像的肿瘤异质性分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811237087.9A CN109493325B (zh) 2018-10-23 2018-10-23 基于ct影像的肿瘤异质性分析系统

Publications (2)

Publication Number Publication Date
CN109493325A CN109493325A (zh) 2019-03-19
CN109493325B true CN109493325B (zh) 2021-02-26

Family

ID=65692548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811237087.9A Active CN109493325B (zh) 2018-10-23 2018-10-23 基于ct影像的肿瘤异质性分析系统

Country Status (1)

Country Link
CN (1) CN109493325B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110246109B (zh) * 2019-05-15 2022-03-18 清华大学 融合ct影像和个性化信息的分析系统、方法、装置及介质
CN110136806A (zh) * 2019-05-16 2019-08-16 南京绿旗喷墨技术有限公司 一种医疗影像诊断打印系统
CN110210487A (zh) * 2019-05-30 2019-09-06 上海商汤智能科技有限公司 一种图像分割方法及装置、电子设备和存储介质
EP3751582A1 (en) * 2019-06-13 2020-12-16 Canon Medical Systems Corporation Radiotherapy system, therapy planning support method, and therapy planning method
CN110296935B (zh) * 2019-07-05 2022-09-13 扬州大学附属医院 一种实体肿瘤三维图像构建方法
CN110942447B (zh) * 2019-10-18 2023-07-21 平安科技（深圳）有限公司 Oct图像分割方法、装置、设备及存储介质
CN110993067A (zh) * 2019-12-05 2020-04-10 上海杏脉信息科技有限公司 医学影像标注系统
CN112418263A (zh) * 2020-10-10 2021-02-26 上海鹰瞳医疗科技有限公司 一种医学图像病灶分割标注方法及系统
CN112690813B (zh) * 2021-01-12 2022-09-02 范宁 基于分形理论的肿瘤异质性分析方法、系统、终端及介质
CN112837324A (zh) * 2021-01-21 2021-05-25 山东中医药大学附属医院 基于改进的水平集的自动肿瘤影像区域分割系统及方法
CN112465824B (zh) * 2021-01-28 2021-08-03 之江实验室 基于pet/ct图像亚区影像组学特征的肺腺鳞癌诊断装置
CN112862536B (zh) * 2021-02-25 2023-07-11 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备及存储介质
KR102320431B1 (ko) * 2021-04-16 2021-11-08 주식회사 휴런 의료 영상 기반 종양 검출 및 진단 장치
CN113538409B (zh) * 2021-08-05 2023-05-16 佳木斯大学 基于模糊逻辑和anfis的宫颈癌图像区域分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167013A (zh) * 2014-08-04 2014-11-26 清华大学 一种用于突出显示体数据中目标区域的体绘制方法
CN108537814A (zh) * 2018-03-14 2018-09-14 浙江大学 一种基于ViBe的三维声纳点云图像分割方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101366059A (zh) * 2005-12-29 2009-02-11 卡尔斯特里姆保健公司 用于多个器官系统的cad检测系统
CN102385751B (zh) * 2011-07-19 2014-04-09 中国科学院自动化研究所 基于分水岭变换及支持向量机分类的肝脏肿瘤区域分割方法
CA2955156C (en) * 2014-09-03 2024-04-30 Ventana Medical Systems, Inc. Systems and methods for generating fields of view
CN106373168A (zh) * 2016-11-24 2017-02-01 北京三体高创科技有限公司 一种基于医疗图像的分割与三维重建方法、3d打印系统
CN108205806B (zh) * 2016-12-20 2020-10-09 北京大学 一种锥束ct图像三维颅面结构的自动解析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167013A (zh) * 2014-08-04 2014-11-26 清华大学 一种用于突出显示体数据中目标区域的体绘制方法
CN108537814A (zh) * 2018-03-14 2018-09-14 浙江大学 一种基于ViBe的三维声纳点云图像分割方法

Also Published As

Publication number Publication date
CN109493325A (zh) 2019-03-19

Similar Documents

Publication Publication Date Title
CN109493325B (zh) 基于ct影像的肿瘤异质性分析系统
US7599542B2 (en) System and method for detection and display of diseases and abnormalities using confidence imaging
US7130457B2 (en) Systems and graphical user interface for analyzing body images
US20190021677A1 (en) Methods and systems for classification and assessment using machine learning
JP4728627B2 (ja) Ｃｔ血管造影法における構造を領域分割する方法及び装置
US6901277B2 (en) Methods for generating a lung report
CA2438479C (en) Computer assisted analysis of tomographic mammography data
JP6220310B2 (ja) 医用画像情報システム、医用画像情報処理方法及びプログラム
CN107545584A (zh) 医学图像中定位感兴趣区域的方法、装置及其系统
Kaur et al. Artificial intelligence techniques for cancer detection in medical image processing: A review
US9089307B2 (en) Three-dimensional analysis of lesions represented by image data
CN112529834A (zh) 病理图像模式在3d图像数据中的空间分布
EP2577604B1 (en) Processing system for medical scan images
CN110264559B (zh) 一种骨断层图像重建方法及系统
JP2015066311A (ja) 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体
EP1782384B1 (en) System and method for colon wall extraction in the presence of tagged fecal matter or collapsed colon regions
EP2484286B1 (en) Device and method for displaying medical image and program
Raja et al. Lung segmentation and nodule detection in 3D medical images using convolution neural network
CN110738633A (zh) 一种机体组织的三维图像处理方法及相关设备
Anuradha et al. Identification of Suspicious Regions to Detect Oral Cancers At An Earlier Stage-A Literature Survey
Sharma et al. Breast cancer classification using CNN extracted features: a comprehensive review
Tan Automated 3D breast ultrasound image analysis
KR102608783B1 (ko) 컴퓨터 단층촬영 영상 재구성 방법 및 장치
Di Ruberto et al. Special Issue on Image Processing Techniques for Biomedical Applications
Colantonio et al. Radiomics to Support Precision Medicine in oncology

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