CN109767417B - 病灶检测装置及其方法 - Google Patents
病灶检测装置及其方法 Download PDFInfo
- Publication number
- CN109767417B CN109767417B CN201711380623.6A CN201711380623A CN109767417B CN 109767417 B CN109767417 B CN 109767417B CN 201711380623 A CN201711380623 A CN 201711380623A CN 109767417 B CN109767417 B CN 109767417B
- Authority
- CN
- China
- Prior art keywords
- lesion
- focus
- sliding window
- interest
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003902 lesion Effects 0.000 claims abstract description 136
- 238000004220 aggregation Methods 0.000 claims abstract description 27
- 230000002776 aggregation Effects 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012790 confirmation Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 208000004434 Calcinosis Diseases 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 210000000481 breast Anatomy 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000002308 calcification Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4312—Breast evaluation or disorder diagnosis
Abstract
本发明提供一种病灶检测装置及其方法。在此方法中,先取得医疗图像。决定目标病灶的大小及滑动窗口,此滑动窗口的边长至少为目标病灶的两倍边长。通过滑动窗口滑动扫描医疗图像,此滑动窗口每次滑动距离不大于目标病灶的边长。基于扫描结果取得兴趣范围。基于机器学习技术识别兴趣范围,再进行聚合病灶候选及多重尺寸聚合以确定病灶位置。藉此,能有效提升运算时间,更能提升检测精确度。
Description
技术领域
本发明涉及一种医疗图像检测,尤其涉及一种病灶检测装置及其方法。
背景技术
现今临床上已广泛使用电脑辅助检测(Computer Aided Detection;CADe)系统来自动识别肿瘤、肿块或钙化点等病灶,以辅助医生诊疗的判断。然而,现今的电脑辅助检测技术仍存在许多缺点,例如,高伪阳性的风险等精准度问题、及检测效率问题,且精准度及检测效率往往不能兼顾。例如,为了提高检测精准度,现有电脑辅助检测可能会将不同兴趣区域(Region of Interest,ROI)、或兴趣体积(Volume of Interest,VOI)重叠范围提高,但却造成ROI或VOI数量过多,从而拖慢检测速度。由此可知,有必要改善针对医疗图像的病灶检测技术。
发明内容
有鉴于此,本发明提供一种病灶检测装置及其方法,提供更有效率的滑动检测技术,并有效提升检测精准度。
本发明的病灶检测方法,其包括下列步骤。取得医疗图像。决定目标病灶的大小及滑动窗口,此滑动窗口的边长至少为目标病灶的两倍边长。通过滑动窗口滑动扫描医疗图像,此滑动窗口每次滑动距离不大于目标病灶的边长。基于扫描结果取得兴趣范围。识别兴趣范围以确定病灶位置。
在本发明的一实施例中,上述识别兴趣范围以确定病灶位置包括下列步骤。识别兴趣范围以决定病灶候选。将病灶候选中相距小于相异门槛值的病灶候选聚合成一群组。
在本发明的一实施例中,上述识别兴趣范围以决定病灶候选包括下列步骤。通过机器学习技术自兴趣范围决定病灶候选。
在本发明的一实施例中,上述识别兴趣范围以确定病灶位置之后,还包括下列步骤。调整目标病灶大小。依据调整的目标病灶的大小再次扫描医疗图像。依据不同大小的目标病灶的扫描结果来确定病灶位置。
本发明的病灶检测装置,其包括存储器及处理器。存储器记录数个模块及医疗图像。处理器耦接存储器,且存取并载入存储器所记录的那些模块。那些模块包括兴趣范围取出模块、及病灶确认模块。兴趣范围取出模块取得医疗图像,决定目标病灶的大小及滑动窗口,通过滑动窗口滑动扫描医疗图像,并基于扫描结果取得兴趣范围,此滑动窗口的边长至少为目标病灶的两倍边长,且滑动窗口每次滑动距离不大于目标病灶的边长。而病灶确认模块识别识别范围以确定病灶位置。
在本发明的一实施例中,上述的滑动窗口的边长是滑动距离的两倍。
在本发明的一实施例中,上述的那些模块包括病灶识别模块及候选聚合模块。病灶识别模块识别兴趣范围以决定病灶候选。候选聚合模块将病灶候选中相距小于相异门槛值的病灶候选聚合成一群组。
在本发明的一实施例中,上述的病灶识别模块通过机器学习技术自兴趣范围决定病灶候选。
在本发明的一实施例中,上述的那些模块还包括多重尺寸聚合模块,其调整目标病灶的大小,而兴趣范围取出模块依据调整的目标病灶的大小再次扫描医疗图像,多重尺寸聚合模块并依据不同大小的目标病灶的识别结果,使病灶确认模块确定病灶位置。
基于上述,本发明实施例设定的滑动窗口大小及滑动距离,相较于现有兴趣区域取出仅移动一像素的效率更高,且结合机器学习、候选聚合、多重尺寸聚合等技术进一步提升检测精确度。
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合附图作详细说明如下。
附图说明
图1是依据本发明一实施例的病灶检测装置的元件方块图;
图2是依据本发明一实施例的病灶检测方法的流程图;
图3A-3D是一范例说明滑动扫描流程的示意图;
图4是一范例说明相异门槛值的示意图;
图5A-5E是一范例说明候选聚合流程的示意图。
附图标号说明
1:病灶检测装置;
110:存储器;
111:兴趣范围取出模块;
112:病灶识别模块;
113:候选聚合模块;
114:多重尺寸聚合模块;
115:病灶确认模块;
120:处理器;
S210~S250:步骤;
SW:滑动窗口;
LW:滑动窗口的边长;
TF:目标病灶;
LF:目标病灶的边长;
ST:滑动距离;
a、b:两兴趣范围中心点的位置;
G、G1、G2:群组。
具体实施方式
图1是依据本发明一实施例的病灶检测装置1的元件方块图。请参照图1,病灶检测装置1至少包括但不仅限于存储器110及处理器120。此病灶检测装置1可能是电脑主机、伺服器甚至是装备在即时医疗图像扫描器上。
存储器110可以是任何型态的固定或可移动随机存取存储器(RAM)、存储器(ROM)、快闪存储器(flash memory)、传统硬盘(hard disk drive)、固态硬盘(solid-statedrive)或类似元件,并用以记录兴趣范围取出模块111、病灶识别模块112、候选聚合模块113、多重尺寸聚合模块114及病灶确认模块115等软件程序、二维或三维医疗图像(例如,自动乳房超音波(automated breast ultrasound;ABUS)、断层层析(tomosynthesis)、磁共振显影(magnetic resonance imaging:MRI)等各种图像)、目标病灶的大小、滑动窗口大小、滑动距离、病灶候选、病灶位置相关数据及信息。前述模块、数据、档案及信息待后续实施例再详细说明。
处理器120与存储器110连接,并可以是中央处理单元(CPU),或是其他可程序化非一般用途或特殊用途的微处理器(Microprocessor)、数字信号处理器(DSP)、可程序化控制器、特殊应用集成电路(ASIC)或其他类似元件或上述元件的组合。在本发明实施例中,处理器120用以执行病灶检测装置1的所有作业,且可存取并执行上述存储器110中记录的模块。
为了方便理解本发明实施例的操作流程,以下将举诸多实施例详细说明本发明实施例中病灶检测装置1对医疗图像的检测方法。图2是依据本发明一实施例说明一种病灶检测方法的流程图。请参照图2,本实施例的方法适用于图1中的病灶检测装置1。下文中,将搭配病灶检测装置1的各项元件及模块说明本发明实施例所述的方法。本方法的各个流程可依照实施情形而随之调整,且并不仅限于此。
经获取网络封包、用户上传、通过外部或内建存储媒介(例如,U盘、光盘、外接硬盘等)甚至是直接通过外部或内建图像获取单元(例如,照相机、摄影机等)即时成像,而使医疗图像存储于存储器110中,兴趣范围取出模块111即可取得一张或更多张医疗图像(步骤S210)。
接着,兴趣范围取出模块111决定目标病灶的大小及滑动窗口(步骤S220)。具体而言,本实施例是采用滑动窗口的物件检测技术来取出兴趣区域(Region of Interest,ROI)、或针对三维图像的兴趣体积(Volume of Interest,VOI)。兴趣范围取出模块111会设定特定肿瘤(tumor)、肿块(lesion)、微钙化(microcalcification)等各种病灶的大小为检测基准,而由于医疗图像中病灶周围的信息(例如,阴影、强度分布等)有助于识别此病灶,因此若目标病灶的边长(假设可大致包含目标病灶一正方形或正方体的边长、一圆形或球体的直径、或其他多边形或体两边最大垂直距离等)为LT,则滑动窗口的边长至少为目标病灶的两倍边长2*LT(例如,2*LT、2.5*LT、2.6*LT等)。而当滑动窗口(其形状是正方形或体、或其他多边形或体)每次滑动时,滑动窗口范围内的图像会被扫瞄且兴趣范围会被取出。此外,滑动窗口每次滑动距离(stride)也是影响效能的一大因素,虽然采用较小的滑动距离可使医疗图像中的病灶有较高的机会被完全覆盖,然最终会造成取出兴趣范围的数量过多。事实上,病灶的尺寸应不大于目标病灶的尺寸,只要滑动窗口至少为2*LT且滑动距离不大于LT(例如,LT、0.8*LT、0.5*LT等),皆能确保病灶可完全被至少一个兴趣范围给覆盖。最佳的情况是,若滑动距离设为LT,则产生覆盖整个病灶的兴趣范围同时将可有效减少执行时间。而滑动窗口的边长可设为滑动距离的两倍。
当决定目标病灶、滑动窗口及滑动距离决定后,兴趣范围取出模块111即可通过设定的滑动窗口滑动扫描医疗图像(步骤S230),自特定起始位置并每次移动设定的滑动距离依序扫描医疗图像,每移动至一定点即扫描滑动窗口内的图像,即可基于扫描结果取得一个或更多个兴趣范围(步骤S240)。
以图3A-3D为例,假设医疗图像是二维图像,请先参照图3A,假设目标病灶TF的边长为LF,则滑动窗口SW(形状是正方形)的边长LW可设为2*LF,使滑动窗口SW可完整地覆盖目标病灶TF。请接着参照图3B-3D,滑动窗口SW每次移动滑动距离ST(设为LF,即滑动窗口SW边长LW的二分之一)并取得ROI,且当滑动窗口SW移动至图3D所示位置时将可覆盖完整的病灶。
而取得兴趣范围后,即可对这些兴趣范围进一步识别,使病灶识别模块112确定一个或更多个病灶位置(步骤S250)。具体而言,病灶识别模块112会识别这些兴趣范围以决定一个或多个病灶候选。而于本实施例中,每一兴趣范围将会通过机器学习(machinelearning)技术来决定病灶候选。机器学习技术针对图像识别,可通过诸如AlexNet、VGGNet-16、ResNet-34等各种卷积神经网络(Convolutional Neural Network,CNN)架构、其他神经网络、深度简明(brief)网络、循环(recurrent)神经网络等深度学习架构来应用于本实施例中,以通过这些架构来估测兴趣范围内存在病灶的似然度,并据以分类,且将似然度大于门槛值的兴趣范围作为病灶候选。需说明的是,本发明实施例采用深度学习技术是在于其精确度及执行效率高等优点,然在其他实施例中,也可采用其他决策树(decisiontree)、人工神经网络(artificial neural network,ANN)、支援向量机(support vectormachine,SVM)等其他机器学习技术、甚至是其他图像检测技术来判断兴趣范围内是否存在病灶。
值得注意的是,医疗图像中实际病灶可能是由前述决定的数个重叠病灶候选所包覆(如图3A-3D的ROI都检测到相同病灶而作为病灶候选),因此候选聚合模块113进一步将这些病灶候选中相距小于相异(dissimilarity)门槛值的病灶候选聚合成一个群组,从而决定病灶集合。具体而言,候选聚合模块113是基于阶层群集(hierarchical clustering,HC),在阶层群集中,连结的准则判断数据集合之间距离上的相异程度。当两集合间的相异程度小于门槛值时,即可将此二集合结合成一个群集。
请参照图4的相异门槛值的决定。在本实施例中,由于可覆盖病灶(尺寸小于目标病灶边长LF)的两兴趣范围的中心点的最长欧基里德(Euclidean)距离是因此相异门槛值LT可设为/>本实施例的阶层群集可整理成下表(1)(假设a、b分别代表两兴趣范围中心点的位置):
表(1)
最终,位于相同群集的所有中心点会加权平均成为单一位置,以作为聚合群集的中心点,其中赋予各病灶候选的权重值是其估测的似然度。
以图5A-5E为例,请先参照图5A-5C,任一病灶候选与其最邻近的病灶候选相距小于相异门槛值,将归类至同一群组G中。请接着参照图5D-5E,当病灶候选与最邻近的另一病灶候选相距大于相异门槛值时,将归类至不同群组G1、G2。而同一群组的病灶候选即可被病灶确认模块115认定为属于同一病灶(下称病灶集合)。
值得注意的是,当使用较低相异门槛值时,较多病灶候选将会出现且密集分布在体积周围,最终阶层群集所使用最邻近准则将会把过多病灶候选归类到一个群组,并使病灶集合所覆盖到实际病灶的范围产生差异。因此,为了减缓过度聚合,群组大小(单一群组中病灶候选的个数)须加以限制,且似然度较高的病灶候选应优先被聚合。在本实施例中,最大群组大小可称为聚合程度(degree of aggregation,DoA),而由于实际病灶(其大小应小于目标病灶的大小(边长为LF))可被最多八个边长为2*LF的兴趣范围给完全覆盖,因此最佳DoA将不会大于八。由此可知,经机器学习技术分类后,病灶候选将通过删除病灶似然度小于门槛值且所述群组大小大于DoA的兴趣范围而被挑选出。
需说明的是,前述相异门槛值(即,)及聚合程度(即,8)是以三维兴趣体积(VOI)所推得,然其数值会因医疗图像或兴趣范围的维度(例如,二维、三维)而变更,本发明不加以限制。
事实上,通过前述步骤即可确认病灶位置,但为了进一步提升检测的精准度,多重尺寸聚合模块114会调整欲检测目标病灶的大小,而兴趣范围取出模块111则依据调整的目标病灶的大小再次扫描医疗图像以取得不同大小的兴趣范围。多重尺寸聚合模块114并依据不同大小的目标病灶的识别结果,使病灶确认模块115通过最大似然估测(maximumlikelihood)或经加权平均的最大似然估测确定病灶位置。换言之,前述步骤将伴随着不同大小的目标病灶分别执行多次(两次、三次、五次等),最终不同大小的目标病灶所决定的病灶集合可能会相互重叠。而由于不同大小的目标病灶所决定的病灶集合是由聚合数个病灶候选所形成,因此可使用病灶候选的最大似然度来代表各病灶集合的似然度。接着,多重尺寸聚合模块114可选择具有最高似然度的病灶集合,并将覆盖此病灶集合中心的其他集合抛弃,直到没有其他集合重叠,病灶确认模块115即可依据最后所存的病灶集合确认病灶位置及尺寸。
综上所述,本发明实施例在滑动窗口的物件检测技术中,针对不同维度(例如,二维、三维)的医疗图像,采用较佳的参数(即,滑动窗口的边长至少是目标病灶的两倍边长,且每次滑动距离不大于目标病灶的边长)来取得兴趣区域或兴趣体积,从而提升运算速度,但仍维持精确度。接着,结合机器学习技术、候选聚合及多重尺寸聚合等步骤,更加辅助确认病灶位置及尺寸,并为电脑辅助检测技术带来突破性的进步。
虽然本发明已以实施例揭示如上,然其并非用以限定本发明,任何所属技术领域中技术人员,在不脱离本发明的精神和范围内,当可作些许的更改与润饰,故本发明的保护范围当视权利要求所界定者为准。
Claims (6)
1.一种病灶检测方法,其特征在于,包括:
取得医疗图像;
决定目标病灶的大小及滑动窗口,其中所述滑动窗口的边长至少为所述目标病灶的两倍边长;
通过所述滑动窗口滑动扫描所述医疗图像,其中所述滑动窗口每次滑动距离不大于所述目标病灶的边长;
基于扫描结果取得至少一兴趣范围,其中每一所述兴趣范围是由所述扫描结果为所述滑动窗口的范围内的图像识别出所述目标病灶而被取出;
识别所述至少一兴趣范围以决定至少一病灶候选,包括:
决定所述滑动窗口对应的所述至少一兴趣范围内存在所述目标病灶的病灶似然度;以及
根据每一所述兴趣范围内存在所述目标病灶的病灶似然度确定所述病灶候选;
将所述至少一病灶候选中相距小于相异门槛值的病灶候选聚合成至少一群组,将位于相同群组的病灶候选的中心点以病灶似然度为权重值进行加权平均而成的单一位置作为所述群组的中心点,其中删除所述至少一病灶候选中其病灶似然度小于门槛值的病灶候选,且相同群组中的病灶候选对应于一实际病灶;
依据所述至少一群组确定至少一病灶位置;
在确定所述至少一病灶位置之后,调整所述目标病灶的大小;
依据调整的所述目标病灶的大小再次扫描所述医疗图像;以及
依据不同大小的目标病灶的扫描结果来确定所述至少一病灶位置。
2.根据权利要求1所述的病灶检测方法,其特征在于,所述滑动窗口的边长是所述滑动距离的两倍。
3.根据权利要求1所述的病灶检测方法,其特征在于,识别所述至少一兴趣范围以决定所述至少一病灶候选的步骤,包括:
通过机器学习技术自所述至少一兴趣范围决定所述至少一病灶候选。
4.一种病灶检测装置,其特征在于,包括:
存储器,记录多个模块及医疗图像;以及
处理器,耦接所述存储器,且存取并载入所述存储器所记录的所述多个模块,所述多个模块包括:
兴趣范围取出模块,取得所述医疗图像,决定目标病灶的大小及滑动窗口,通过所述滑动窗口滑动扫描所述医疗图像,并基于扫描结果取得至少一兴趣范围,其中所述滑动窗口的边长至少为所述目标病灶的两倍边长,而所述滑动窗口每次滑动距离不大于所述目标病灶的边长,每一所述兴趣范围是由所述扫描结果为所述滑动窗口的范围内的图像识别出所述目标病灶而被取出;
病灶识别模块,识别所述至少一兴趣范围以决定至少一病灶候选,其中所述病灶识别模块还决定所述滑动窗口对应的所述至少一兴趣范围内存在所述目标病灶的病灶似然度,且根据每一所述兴趣范围内存在所述目标病灶的病灶似然度确定所述病灶候选;
候选聚合模块,将所述至少一病灶候选中相距小于相异门槛值的病灶候选聚合成至少一群组,将位于相同群组的病灶候选的中心点以病灶似然度为权重值进行加权平均而成的单一位置作为所述群组的中心点,其中所述候选聚合模块还删除所述至少一病灶候选中其病灶似然度小于门槛值的病灶候选,且相同群组中的病灶候选对应于一实际病灶;
病灶确认模块,依据所述至少一群组确定至少一病灶位置;以及
多重尺寸聚合模块,调整所述目标病灶的大小,而所述兴趣范围取出模块依据调整的所述目标病灶的大小再次扫描所述医疗图像,所述多重尺寸聚合模块并依据不同大小的目标病灶的识别结果,使所述病灶确认模块确定所述至少一病灶位置。
5.根据权利要求4所述的病灶检测装置,其特征在于,所述滑动窗口的边长是所述滑动距离的两倍。
6.根据权利要求4所述的病灶检测装置,其特征在于,所述病灶识别模块通过一机器学习技术自所述至少一兴趣范围决定所述至少一病灶候选。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106139059A TWI683276B (zh) | 2017-11-10 | 2017-11-10 | 病灶偵測裝置及其方法 |
TW106139059 | 2017-11-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109767417A CN109767417A (zh) | 2019-05-17 |
CN109767417B true CN109767417B (zh) | 2023-11-03 |
Family
ID=66432859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711380623.6A Active CN109767417B (zh) | 2017-11-10 | 2017-12-20 | 病灶检测装置及其方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10650557B2 (zh) |
CN (1) | CN109767417B (zh) |
TW (1) | TWI683276B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883769A (zh) * | 2020-01-15 | 2021-06-01 | 赛义德·皮拉斯特 | 一种识别无人机航拍视频内人类交互行为的方法 |
CN112037218B (zh) * | 2020-09-15 | 2022-08-09 | 嘉兴市第一医院 | 一种基于ct影像的新冠肺炎量化分析方法 |
CN117635613B (zh) * | 2024-01-25 | 2024-04-16 | 武汉大学人民医院(湖北省人民医院) | 一种眼底病灶监测装置及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102596037A (zh) * | 2009-10-30 | 2012-07-18 | 皇家飞利浦电子股份有限公司 | 对图像数据表示的病灶的三维分析 |
CN103942786A (zh) * | 2014-04-09 | 2014-07-23 | 北京航空航天大学 | 无人机可见光和红外图像的自适应团块目标检测方法 |
CN104408461A (zh) * | 2014-11-05 | 2015-03-11 | 浙江工业大学 | 一种基于滑动窗口局部匹配窗口的动作识别方法 |
US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
CN107203995A (zh) * | 2017-06-09 | 2017-09-26 | 合肥工业大学 | 内窥镜影像智能分析方法及系统 |
CN107247962A (zh) * | 2017-05-23 | 2017-10-13 | 华中科技大学 | 一种基于滑动窗口的实时电器识别方法和系统 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7466848B2 (en) | 2002-12-13 | 2008-12-16 | Rutgers, The State University Of New Jersey | Method and apparatus for automatically detecting breast lesions and tumors in images |
US7916933B2 (en) * | 2007-01-18 | 2011-03-29 | Northrop Grumman Systems Corporation | Automatic target recognition system for detection and classification of objects in water |
US20100158332A1 (en) | 2008-12-22 | 2010-06-24 | Dan Rico | Method and system of automated detection of lesions in medical images |
JP5675229B2 (ja) * | 2010-09-02 | 2015-02-25 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
TW201232427A (en) | 2011-01-28 | 2012-08-01 | Avermedia Information Inc | Human face detection method and computer product thereof |
KR101580254B1 (ko) * | 2012-03-14 | 2015-12-24 | 삼성전자 주식회사 | 주파수 영역에서의 의료 영상 진단 장치 및 방법 |
CN103455821B (zh) | 2012-05-29 | 2019-05-28 | 北京三星通信技术研究有限公司 | 基于bi-rads的图像分析装置和方法 |
US8781202B2 (en) * | 2012-07-26 | 2014-07-15 | International Business Machines Corporation | Tumor classification based on an analysis of a related ultrasonic attenuation map |
WO2015016784A1 (en) | 2013-08-01 | 2015-02-05 | National University Of Singapore | A method and apparatus for tracking microblog messages for relevancy to an entity identifiable by an associated text and an image |
KR20150098119A (ko) | 2014-02-19 | 2015-08-27 | 삼성전자주식회사 | 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법 |
TWI543750B (zh) * | 2014-02-25 | 2016-08-01 | 財團法人金屬工業研究發展中心 | 微波成像方法及應用其之成像系統與骨質評估方法 |
KR20160032586A (ko) | 2014-09-16 | 2016-03-24 | 삼성전자주식회사 | 관심영역 크기 전이 모델 기반의 컴퓨터 보조 진단 장치 및 방법 |
KR20160049897A (ko) | 2014-10-28 | 2016-05-10 | 삼성전자주식회사 | 연속적인 의료 영상을 이용한 컴퓨터 보조 진단 장치 및 방법 |
KR102307356B1 (ko) | 2014-12-11 | 2021-09-30 | 삼성전자주식회사 | 컴퓨터 보조 진단 장치 및 방법 |
JP2019008337A (ja) | 2015-10-26 | 2019-01-17 | 三郎 山内 | 物体識別システム、物体識別方法、プログラム及びコンピュータ記憶媒体 |
US9881234B2 (en) | 2015-11-25 | 2018-01-30 | Baidu Usa Llc. | Systems and methods for end-to-end object detection |
CN106372390B (zh) | 2016-08-25 | 2019-04-02 | 汤一平 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
CN106339591B (zh) | 2016-08-25 | 2019-04-02 | 汤一平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统 |
-
2017
- 2017-11-10 TW TW106139059A patent/TWI683276B/zh active
- 2017-12-20 CN CN201711380623.6A patent/CN109767417B/zh active Active
-
2018
- 2018-10-25 US US16/170,058 patent/US10650557B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102596037A (zh) * | 2009-10-30 | 2012-07-18 | 皇家飞利浦电子股份有限公司 | 对图像数据表示的病灶的三维分析 |
CN103942786A (zh) * | 2014-04-09 | 2014-07-23 | 北京航空航天大学 | 无人机可见光和红外图像的自适应团块目标检测方法 |
CN104408461A (zh) * | 2014-11-05 | 2015-03-11 | 浙江工业大学 | 一种基于滑动窗口局部匹配窗口的动作识别方法 |
US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
CN107247962A (zh) * | 2017-05-23 | 2017-10-13 | 华中科技大学 | 一种基于滑动窗口的实时电器识别方法和系统 |
CN107203995A (zh) * | 2017-06-09 | 2017-09-26 | 合肥工业大学 | 内窥镜影像智能分析方法及系统 |
Non-Patent Citations (3)
Title |
---|
Computer-aided Classification of Liver Lesions from CT Images Based on Multiple ROI;Hussein Alahmer;Amr Ahmed;《Procedia Computer Science》;20160708;第80-86页 * |
Computer-Aided Diagnosis for Breast Ultrasound Using Computerized BI-RADS Features and Machine Learning Methods;Juan Shan,S.Kaisar Alam;《Ultrasound in Medicine & Biology》;20160430;第980-988页 * |
基于上下文的目标检测算法研究;刘金羊;《中国优秀硕士学位论文全文数据库信息科技辑》;20170815;第1-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109767417A (zh) | 2019-05-17 |
US10650557B2 (en) | 2020-05-12 |
TW201918992A (zh) | 2019-05-16 |
US20190147629A1 (en) | 2019-05-16 |
TWI683276B (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9811733B2 (en) | Method, apparatus and system for selecting a frame | |
JP5384746B2 (ja) | プルーニング機能、画像スケーリング、および、空間制約付き特徴マッチングによる画像認識アルゴリズムの性能の改善 | |
JP6819898B2 (ja) | 自動3d脳腫瘍セグメンテーション及び分類 | |
CN109767417B (zh) | 病灶检测装置及其方法 | |
JP5200101B2 (ja) | Ct画像データにおける出血性脳卒中の検出 | |
WO2016185617A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
EP3203417B1 (en) | Method for detecting texts included in an image and apparatus using the same | |
Taha et al. | Automatic polyp detection in endoscopy videos: A survey | |
Xing et al. | Bleeding detection in wireless capsule endoscopy image video using superpixel-color histogram and a subspace KNN classifier | |
AU2005223213B2 (en) | Segmentation of structures based on curvature slope | |
US10186030B2 (en) | Apparatus and method for avoiding region of interest re-detection | |
CN111476804B (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
JP2003334183A (ja) | 異常陰影検出装置 | |
CN111861984B (zh) | 一种确定肺部区域的方法及装置、计算机设备及存储介质 | |
EP3712845B1 (en) | Image identifying method and image identifying device | |
JP5599605B2 (ja) | ノイズ除去装置、ノイズ除去方法、及びノイズ除去プログラム | |
JP2005034211A (ja) | 画像判別装置、方法およびプログラム | |
CN116563561B (zh) | 点云特征提取方法、点云配准方法及可读存储介质 | |
Lixin et al. | Segmentation of breast masses using adaptive region growing | |
Yang et al. | A non-parametric method based on NBNN for automatic detection of liver lesion in CT images | |
KR101864533B1 (ko) | 오목 구간과 오목점을 이용한 근접객체 구분 방법 및 장치 | |
Guo et al. | Breast ultrasound image segmentation based on particle swarm optimization and the characteristics of breast tissue | |
Manikandan | Blob based segmentation for lung CT image to improving CAD performance | |
TW202331645A (zh) | 目標追蹤方法及目標追蹤裝置 | |
CN113971798A (zh) | 一种图像识别方法及相关设备 |
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 |