CN109544528B - 一种肺小结节图像识别方法及装置 - Google Patents
一种肺小结节图像识别方法及装置 Download PDFInfo
- Publication number
- CN109544528B CN109544528B CN201811373019.5A CN201811373019A CN109544528B CN 109544528 B CN109544528 B CN 109544528B CN 201811373019 A CN201811373019 A CN 201811373019A CN 109544528 B CN109544528 B CN 109544528B
- Authority
- CN
- China
- Prior art keywords
- lung
- image
- nodule
- lung nodule
- morphological
- 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
Links
- 206010056342 Pulmonary mass Diseases 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 32
- 210000004072 lung Anatomy 0.000 claims abstract description 88
- 230000000877 morphologic effect Effects 0.000 claims abstract description 55
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 abstract description 9
- 201000005202 lung cancer Diseases 0.000 abstract description 9
- 208000020816 lung neoplasm Diseases 0.000 abstract description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010035588 Pleural adhesion Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (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)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种肺小结节图像识别方法，其特征在于，所述方法包括：接收肺部CT图像；对所述肺部CT图像进行预处理，得到经所述预处理后的第一肺部CT图像；采用基于区域的形态特征提取的方法提取所述第一肺部CT图像中肺小节的形态特征；将所述形态特征的特征值导入卷积神经网络进行识别，得到所述第一肺部CT图像中肺小节的识别结果。本发明提供的肺小结节图像识别方法，通过采用基于区域的形态特征提取的方法对肺部CT图像中肺小节进行形态特征提取，并通过卷积神经网络对肺小节形态特征识别，进而实现对肺癌病症中肺部肺小节的识别，通过本发明提供的用于执行所述方法的肺小结节图像识别装置，进而提高肺癌病症中肺部肺小节的识别效率。
Description
技术领域
本发明涉及图像识别，尤其涉及一种肺小结节图像识别方法及装置。
背景技术
肺癌是全球发病率最高的恶性肿瘤之一，也是发病率和病死率最高的恶性肿瘤之一。而在肺癌演变过程中，肺结节是肺癌早期最常见的表现形式和特征。因此，对肺癌的检测最终归结于对肺结节的检测。而在众多检测方式中，通过CT影像检查则可直接显示和观察病变。但是现有的肺结节识别均通过手动筛查、肉眼识别的方式，其效率低下。
发明内容
本发明的目的在于提供一种肺小结节图像识别方法及装置，以提高肺小结节的识别效率。
一方面，为实现上述目的，本发明提供一种肺小结节图像识别方法，该方法包括：接收肺部CT图像；对所述肺部CT图像进行预处理，得到经所述预处理后的第一肺部CT图像；提取所述第一肺部CT图像中肺小节的形态特征；将所述形态特征的特征值导入卷积神经网络进行识别，得到所述第一肺部CT图像中肺小节的识别结果。
在一种可行的实施方式中，所述提取所述第一肺部CT图像中肺小节的形态特征，包括：采用基于区域的形态特征提取方法，将所述第一肺部CT图像中整个肺小节区域作为一个整体，利用区域内所有像素来提取所述肺小节的形态特征。
在一种可行的实施方式中，所述形态特征为肺小节图像平移、旋转、和尺度变化的不变矩。
在一种可行的实施方式中，所述基于区域的形态特征提取方法为基于区域的几何不变矩算法。
在一种可行的实施方式中，所述预处理包括对所述肺部CT图像进行降噪、减少边缘模糊、降低灰暗度。
在一种可行的实施方式中，采用巴特沃斯滤波器算法对所述肺部CT图像进行降噪处理；采用中值滤波图像增强算法对所述肺部CT图像进行减少边缘模糊处理、降低灰暗度处理。
在一种可行的实施方式中，所述卷积神经网络为dropout卷积神经网络。
在一种可行的实施方式中，在所述将所述形态特征的特征值导入卷积神经网络进行识别，得到所述第一肺部CT图像中肺小节的识别结果的步骤之后，所述方法还包括：根据识别到的肺小节的形态特征数据进行肺小节的三维模型重建，得到肺小节的三维模型，将得到的肺小节三维模型与完整的肺部模型结合。
另一方面，为实现上述目的，本发明还提供了一种肺小结节图像识别装置，用于执行上述方法，该装置包括：
图像接收模块，用于接收肺部CT图像；
图像预处理模块，用于对所述肺部CT图像进行预处理，得到经所述预处理后的第一肺部CT图像；
特征提取模块，用于提取所述第一肺部CT图像中肺小节的形态特征；
识别模块，用于将所述形态特征的特征值导入卷积神经网络进行识别，得到所述第一肺部CT图像中肺小节的识别结果。
在一种可行的实施方式中，所述装置还包括：三维模型重建模块，用于根据识别到的肺小节的形态特征数据进行肺小节的三维模型重建，得到肺小节的三维模型，将得到的肺小节三维模型与完整的肺部模型结合。
本发明提供的肺小结节图像识别方法，通过采用基于区域的形态特征提取的方法对肺部CT图像中肺小节进行形态特征提取，并通过卷积神经网络对肺小节形态特征识别，进而实现对肺癌病症中肺部肺小节的识别，通过本发明提供的用于执行所述方法的肺小结节图像识别装置，进而提高肺癌病症中肺部肺小节的识别效率。
附图说明
下面结合附图和实施例对本发明进一步说明。附图是为提供对本发明进一步的理解，它们被收录并构成本申请的一部分，附图示出了本发明的实施例，并与本说明书一起起到解释本发明原理的作用。附图中：
图1是本发明实施例一提供的一种肺小结节图像识别方法的流程图；
图2是本发明实施例二提供的另一种肺小结节图像识别方法的流程图；
图3是本发明实施例三提供的一种肺小结节图像识别装置的框图。
具体实施方式
下面结合具体实施例对本发明作进一步详细说明。
现在根据参考附图详细描述本发明的实施案例。在任何可能的情况下，在所有附图中将使用相同的标记来表示相同或相似的部分。此外，尽管本发明中所使用的术语是从公知公用的术语中选择的，但是本发明说明书中所提及的一些术语可能是申请人按他或她的判断来选择的，其详细含义在本文的描述的相关部分中说明。此外，要求不仅仅通过所使用的实际术语，而是还要通过每个术语所蕴含的意义来理解本发明。
图1是本发明实施例一提供的一种肺小结节图像识别方法的流程图。如图1所示，该方法具体包括以下步骤：
步骤S101：接收肺部CT图像。
具体地，所述肺部CT图像为肺癌患者经检查拍摄的肺部CT图像。
步骤S102：对所述肺部CT图像进行预处理，得到经所述预处理后的第一肺部CT图像。
具体地，所述预处理包括对肺部CT图像进行降噪、边缘模糊、降低灰暗度等处理。可选地，可采用巴特沃斯滤波器算法减少CT图像噪声，改善图像质量，以及采用中值滤波图像增强算法对所述肺部CT图像进行预处理，减少边缘模糊、降低灰暗度等。需要说明的是，巴特沃斯滤波器算法对肺部CT图像的降噪处理，相对于采用巴特沃斯滤波器算法对一般图像的降噪处理而言，具有精度高、稳定、灵活、不要求阻抗匹配等优点，在抑制CT图像噪声的同时，图像边缘模糊程度可以大大减少，且没有振铃效应。通过对肺部CT图像进行降噪、边缘模糊、降低灰暗度等预处理，可提高后续步骤对肺部CT图像中肺小节的识别准确度和效率。
步骤S103：提取所述第一肺部CT图像中肺小节的形态特征。
具体地，采用基于区域的形态特征提取方法，将整个肺小节区域作为一个整体，利用区域内所有像素来提取一系列形态特征，以便获取该特征的特征值作为后续关于肺小节图像识别的步骤中所需的肺小节图像输入值。
可选地，基于区域的形态特征提取方法可以是基于区域的几何不变矩算法，即通过对几何矩的非线性组合，获取一组肺小节图像平移、旋转、和尺度变化的不变矩作为肺小节的形态特征。所述不变矩是一种统计特征，利用灰度分布各阶矩来描述图像灰度分布特性。
具体的，不变矩的提取方法如下：
离散数字图像f(x,y)的p+q阶矩定义为:
mpq＝∑x∑yxpyqf(x，y) (1)
其中，p+q阶中心距定义为：
其中，
为图像重心区域重心的横坐标，
为图像重心区域重心的纵坐标，
p+q阶中心矩μpq表示图像不同灰度级像素相对于重心是如何分布的，因此中心矩具有位置无关性。为了获取对图像缩放无关的性质，可以对中心矩进行规格化操作，规格化操作后的中心矩表示为：
其中，
中心矩对于图像缩放，平移和旋转保持不变。基于规格化的二阶、三阶中心矩，可以导出下面七个矩组：
Φ1＝η20+η02 (4)
Φ3＝(η30-3η12)2+(3η21-η03)2 (6)
Ф4＝(η30+η12)2+(η21+η03)2 (7)
Ф5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2] (8)
Ф6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03) (9)
Ф7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+ηo3)[(3(η30+η12)2-(η21+η03)2) (10)
上述(3)-(10)中的7个不变矩Φ1-Φ7成为Hu不变矩。肺结节的形态学特征包括结节的内部征象(空泡征、空洞征、钙化等)及边缘征象(分叶征，毛刺征、棘突征、胸膜粘连征等)，这些征象对确定结节性质有重要判定意义。不变矩和Hu不变矩可以有效的体现和提取区域内像素的形态特征，提取处肺结节的形态学特征与周围肺部正常组织和其它病变组织进行区分，从而划分边界。
步骤104：将所述形态特征的特征值导入卷积神经网络进行识别，得到所述第一肺部CT图像中肺小节的识别结果。
具体地，将所述第一肺部CT图像中肺小结节的特征值(即形态特征的特征值)作为输入参数导入到dropout卷积神经网络，dropout方法可以强迫一个神经单元，和随机挑选出来的其他神经单元共同工作，消除减弱了神经元节点间的联合适应性，增强了泛化能力，到达更加具有适应性的识别结果。
本实施例通过采用基于区域的形态特征提取的方法，对肺部CT图像中肺小节进行形态特征提取，并通过卷积神经网络对肺小节形态特征识别，进而提高肺癌病症中肺部肺小节的识别效率。
实施例二
图2是本发明实施例二提供的另一种肺小结节图像识别方法的流程图。如图2所示，本发明实施例二提供的肺小结节图像识别方法为基于实施例一提供的方法而得到，即保持实施例一中步骤101、步骤102、步骤103、步骤104不变，在步骤104之后，还包括根据肺小节区域额形态特征数据进行三维建模，具体地，该方法包括以下步骤：
步骤S101：接收肺部CT图像。
步骤S102：对所述肺部CT图像进行预处理，得到经所述预处理后的第一肺部CT图像。
步骤S103：提取所述第一肺部CT图像中肺小节的形态特征。
步骤104：将所述形态特征的特征值导入卷积神经网络进行识别，得到所述第一肺部CT图像中肺小节的识别结果。
步骤105：根据识别到的肺小节的形态特征数据进行肺小节的三维模型重建，得到肺小节的三维模型，并将得到的肺小节三维模型与完整的肺部模型结合。通过形态特征参数可以识别肺小结的形状和区域，从而构建对应范围的三维模型。
具体地，通过重建肺小节的三维模型，并将得到的模型与完整的肺部模型结合，以通过精准匹配术中胸腔镜图像中的肺图像和三维肺部模型，实现虚拟肺和真实肺匹配，使肺结节可视化，从而定位肺结节的深度和角度，达到微创亚肺叶切除手术的目的。可以解决因传统穿刺针定位时，定位针脱钩或特定解剖位置如肺尖、膈肌附近及大血管附近结节无法穿刺定位导致亚肺叶切除失败的问题。
实施例三
图3本发明实施例三提供的一种肺小结节图像识别装置的框图。该肺小结节图像识别装置用于用于执行计算机程序，实现实施例一或实施例二提供的方法步骤。如图3所示，该装置包括：
图像接收模块201，用于接收肺部CT图像；
图像预处理模块202，用于对所述肺部CT图像进行预处理，得到经所述预处理后的第一肺部CT图像；
特征提取模块203，用于提取所述第一肺部CT图像中肺小节的形态特征；
识别模块204，用于将所述形态特征的特征值导入卷积神经网络进行识别，得到所述第一肺部CT图像中肺小节的识别结果。
三维模型重建模块205，用于根据识别到的肺小节的形态特征数据进行肺小节的三维模型重建，得到肺小节的三维模型，将得到的肺小节三维模型与完整的肺部模型结合。
上述各模块执行实施例一或实施例二中个步骤时的过程，具体可参考实施例一或实施例二，此处不再赘述。
本实施例通过提供肺小结节图像识别装置，用于执行计算机程序，实现实施例一或实施例二方法中对CT图像中肺小节的识别，提高CT图像中肺小节的识别效率，以及提高了肺癌的检查效率。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种肺小结节图像识别方法，其特征在于，所述方法包括：
接收肺部CT图像；
对所述肺部CT图像进行预处理，得到经所述预处理后的第一肺部CT图像；
提取所述第一肺部CT图像中肺小节的形态特征，具体采用基于区域的形态特征提取方法，将所述第一肺部CT图像中整个肺小节区域作为一个整体，利用区域内所有像素来提取所述肺小节的形态特征；
将所述形态特征的特征值导入卷积神经网络进行识别，得到所述第一肺部CT图像中肺小节的识别结果，所述识别结果包括的肺小结的形状和区域，
在所述将所述形态特征的特征值导入卷积神经网络进行识别，得到所述第一肺部CT图像中肺小节的识别结果的步骤之后，所述方法还包括：
根据识别到的肺小节的形态特征数据进行肺小节的三维模型重建，得到肺小节的三维模型，将得到的肺小节三维模型与完整的肺部模型结合，以通过精准匹配术中胸腔镜图像中的肺图像和三维肺部模型，实现虚拟肺和真实肺匹配，使肺结节可视化，从而定位肺结节的深度和角度。
2.根据权利要求1所述的肺小结节图像识别方法，其特征在于，所述形态特征为肺小节图像平移、旋转、和尺度变化的不变矩。
3.根据权利要求2所述的肺小结节图像识别方法，其特征在于，所述基于区域的形态特征提取方法为基于区域的几何不变矩算法。
4.根据权利要求1或3所述的肺小结节图像识别方法，其特征在于，所述预处理包括对所述肺部CT图像进行降噪、减少边缘模糊、降低灰暗度。
5.根据权利要求4所述的肺小结节图像识别方法，其特征在于，采用巴特沃斯滤波器算法对所述肺部CT图像进行降噪处理；采用中值滤波图像增强算法对所述肺部CT图像进行减少边缘模糊处理、降低灰暗度处理。
6.根据权利要求1、3、5任一项所述的肺小结节图像识别方法，其特征在于，所述卷积神经网络为dropout卷积神经网络。
7.一种肺小结节图像识别装置，其特征在于，所述装置包括：
图像接收模块(201)，用于接收肺部CT图像；
图像预处理模块(202)，用于对所述肺部CT图像进行预处理，得到经所述预处理后的第一肺部CT图像；
特征提取模块(203)，用于提取所述第一肺部CT图像中肺小节的形态特征，具体采用基于区域的形态特征提取方法，将所述第一肺部CT图像中整个肺小节区域作为一个整体，利用区域内所有像素来提取所述肺小节的形态特征；
识别模块(204)，用于将所述形态特征的特征值导入卷积神经网络进行识别，得到所述第一肺部CT图像中肺小节的识别结果，所述识别结果包括的肺小结的形状和区域；
三维模型重建模块(205)，用于根据识别到的肺小节的形态特征数据进行肺小节的三维模型重建，得到肺小节的三维模型，将得到的肺小节三维模型与完整的肺部模型结合，以通过精准匹配术中胸腔镜图像中的肺图像和三维肺部模型，实现虚拟肺和真实肺匹配，使肺结节可视化，从而定位肺结节的深度和角度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811373019.5A CN109544528B (zh) | 2018-11-19 | 2018-11-19 | 一种肺小结节图像识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811373019.5A CN109544528B (zh) | 2018-11-19 | 2018-11-19 | 一种肺小结节图像识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109544528A CN109544528A (zh) | 2019-03-29 |
| CN109544528B true CN109544528B (zh) | 2021-02-12 |
Family
ID=65848049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811373019.5A Active CN109544528B (zh) | 2018-11-19 | 2018-11-19 | 一种肺小结节图像识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109544528B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264450A (zh) * | 2019-06-17 | 2019-09-20 | 吉林大学第一医院 | 一种基于多特征的肺部ct图像关联规则方法 |
| CN110910377B (zh) * | 2019-11-28 | 2023-01-03 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
| CN113610829A (zh) * | 2021-08-17 | 2021-11-05 | 大连大学附属中山医院 | 一种基于人工智能检测筛查肺结节的系统 |
| KR20230111043A (ko) * | 2022-01-17 | 2023-07-25 | (주)휴톰 | 환자의 가상 폐 모델을 생성하는 장치 및 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105469419A (zh) * | 2016-01-07 | 2016-04-06 | 于翠妮 | 一种基于ct影像的肺结节检测方法 |
| CN107016665B (zh) * | 2017-02-16 | 2021-05-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
| CN107230206B (zh) * | 2017-06-02 | 2020-03-13 | 太原理工大学 | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 |
-
2018
- 2018-11-19 CN CN201811373019.5A patent/CN109544528B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
Non-Patent Citations (3)
| Title |
|---|
| 一种基于HRCT 影像的肺结节计算机辅助检测方法;贾同;《系统仿真学报》;20080730;第20卷(第14期);第3849-3852页 * |
| 不变矩混合核支持向量机的肺结节识别;朱景涛;《长春工业大学学报》;20170228;第38卷(第1期);第62-65页 * |
| 基于胸部CT 图像的恶性结节的检测方法研究;叶政春;《福建电脑》;20131230(第12期);第89-92页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109544528A (zh) | 2019-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109544528B (zh) | 一种肺小结节图像识别方法及装置 | |
| AU706993B2 (en) | Computerized detection of masses and parenchymal distortions | |
| CN109064470B (zh) | 一种基于自适应模糊聚类的图像分割方法及装置 | |
| CN107845098A (zh) | 基于随机森林和模糊聚类的肝癌图像全自动分割方法 | |
| Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
| JP2011514822A (ja) | Ｃｔスキャンデータをセグメント化する方法とシステム | |
| CN116993628B (zh) | 一种用于肿瘤射频消融引导的ct图像增强系统 | |
| CN114820663B (zh) | 用于确定射频消融治疗的辅助定位方法 | |
| CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
| Ganvir et al. | Filtering method for pre-processing mammogram images for breast cancer detection | |
| Soni et al. | CT scan based brain tumor recognition and extraction using Prewitt and morphological dilation | |
| CN116485819B (zh) | 一种耳鼻喉检查图像分割方法及系统 | |
| CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
| Kuo et al. | Mass detection in digital mammograms system based on PSO algorithm | |
| CN111223090A (zh) | 人体肺部ct图像中肿瘤图像的识别系统 | |
| CN110782451A (zh) | 基于判别式深度置信网络的疑似微钙化点区域自动定位方法 | |
| Kumar et al. | Neural Network Based Approach for Detection of Abnormal Regions of Lung Cancer in X-Ray Image | |
| CN109377461A (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
| CN111292289B (zh) | 基于分割网络的ct肺肿瘤分割方法、装置、设备及介质 | |
| Kumar et al. | Pulmonary nodules diagnosis from x-ray imaging using image processing | |
| Johora et al. | LUNG CANCER DETECTION USING MARKER-CONTROLLED WATERSHED WITH SVM | |
| Wang et al. | Liver contour extraction using modified snake with morphological multiscale gradients | |
| Manikandan et al. | Lobar fissure extraction in isotropic CT lung images—an application to cancer identification | |
| Balan et al. | HEAD: the human encephalon automatic delimiter | |
| TWI629046B (zh) | 漸進式醫學灰階影像主體分割方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230424 Address after: Room 5004 and 5005, 5th floor, No. 2, Lane 222, Guangdan Road, Pudong New Area, Shanghai, 201318 Patentee after: Jinbose (Shanghai) Medical Technology Development Co.,Ltd. Address before: 200135 2nd floor, building 13, 27 Xinjinqiao Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Patentee before: SHANGHAI XINFU TECHNOLOGY Co.,Ltd. |