CN109800820A - 一种基于超声造影图像均匀程度的分类方法 - Google Patents
一种基于超声造影图像均匀程度的分类方法 Download PDFInfo
- Publication number
- CN109800820A CN109800820A CN201910093165.0A CN201910093165A CN109800820A CN 109800820 A CN109800820 A CN 109800820A CN 201910093165 A CN201910093165 A CN 201910093165A CN 109800820 A CN109800820 A CN 109800820A
- Authority
- CN
- China
- Prior art keywords
- classification
- textural characteristics
- interest
- contrast image
- ultrasonic contrast
- 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.)
- Granted
Links
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于超声造影图像均匀程度的分类方法,该方法通过对超声造影图像进行预处理,得到若干个矩形感兴趣子区域,并对每个矩形感兴趣子区域完成分类标注,接着从每个矩形感兴趣子区域中提取出多组纹理特征,通过对每组纹理特征进行筛选,再结合主成分分析方法,得到分类训练样本;然后,将多分类问题分解为多个二分类问题,并分别针对每个二分类问题,利用分类训练样本训练得到相应的二分类QDA模型,最后利用得到的多个二分类QDA模型对未标注的超声造影图像进行分类预测,并以投票的方式决定该超声造影图像的分类结果。因此,本发明能够降低分类模型的学习难度,提高分类模型的训练效率。
Description
技术领域
本发明涉及超医学图像处理技术领域,特别涉及一种基于超声造影图像均匀程度的分类方法。
背景技术
医学影像在医疗诊断阶段中有重要的作用,但是医生通过医学影像来进行判断,需要大量的专业知识和临床经验,其判断结果容易受到医生的主观因素影响,诊断结果不稳定。
而超声检查作为一种医学影像检测手段,具有无创、无痛、无电离辐射影响的优势,超声图像与CT及MRI相比,其图像的分辨率更高,其实时动态的图像更能显示肿瘤内部的细节。随着超声仪器分辨率的不断提高及超声探头频率的不断改进,超声在器官组织病损的辅助诊疗中具有更加明显的优势。但是超声医师的水平差异及操作规范的不均一性,经常给图像特征的稳定性的判断带来困难。同时,医生的工作量巨大,工作时间长,对大量数据进行判读时,获得结果困难。因此,利用机器学习和图像处理技术辅助医生诊断已经成为医学影像诊断的发展趋势。而为了增强结果判断的稳定性,降低工作量,有必要利用机器学习和图像处理技术对超声造影图像分类,做出准确的判断,以辅助人工诊断及疗效的判定。
目前,灰度共生矩阵是一种常用于超声图像的纹理分析方法,已经广泛地应用在肝脏病变、乳腺肿瘤、甲状腺结节等病症的超声图像分析。但灰度共生矩阵需要的计算开销大,占用更大的存储空间。
发明内容
本发明的目的在于:提供一种基于超声造影图像均匀程度的分类方法,其不仅能够降低医生的工作量,有效地辅助医生做出准确的诊断结果,还能够减小图像处理的计算开销,从而降低分类模型的学习难度,提高分类模型的训练效率。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于超声造影图像均匀程度的分类方法,其包括以下步骤:
S1:从超声造影图像中提取出矩形感兴趣区域,再将提取的矩形感兴趣区域划分为若干个矩形感兴趣子区域,并分别对每个矩形感兴趣子区域进行分类标注;
S2:从每个矩形感兴趣子区域中提取出多组纹理特征;
S3:将每组纹理特征分别用于训练QDA模型,并筛选出每组纹理特征中QDA模型训练错误率较低的多个纹理特征;
S4:对筛选出的纹理特征的数据进行标准化处理,再利用主成分分析法对标准化处理后的数据进行降维处理,而得到分类训练样本;
S5:将多分类问题分解为多个二分类问题,并分别针对每个二分类问题,利用分类训练样本训练得到相应的二分类QDA模型;
S6:利用步骤S5中得到的多个二分类QDA模型对未标注的超声造影图像进行分类预测,并以投票的方式决定该超声造影图像的分类结果。
根据一种具体的实施方式,本发明基于超声造影图像均匀程度的分类方法步骤S1中,采用一个设定尺寸的矩形窗口在所述矩形感兴趣区域上滑动,每滑动一次则将所述矩形窗口内的图像作为一个矩形感兴趣子区域;其中,所述矩形窗口每次滑动的距离根据矩形感兴趣子区域之间的重叠率而设定。
根据一种具体的实施方式,本发明基于超声造影图像均匀程度的分类方法中的步骤S2具体包括以下步骤:
S201:将每个矩形感兴趣子区域的灰度级压缩到1~Ng;
S202:在每个矩形感兴趣子区域中的多个不同的方向上提取像素,且在每个方向上依次提取相同个数的像素;
S203:计算出每个方向上提取的像素中相对距离为(d1,d2)的两个像素之间的和、差,并统计出相应的和直方图与差直方图,再将和直方图、差直方图归一化,计算出和直方图、差直方图的数据特征;
S204:基于每个方向上提取的像素而计算出的和直方图、差直方图的数据特征,分别计算出一组纹理特征;
其中,设矩形感兴趣子区域D中,相对距离为(d1,d2)的两个像素表示为:
y1=g(m,n);
y2=g(m+d1,n+d2);
设像素y1与y2的和、差分别表示为:
sm,n=y1+y2;
dm,n=y1-y2;
则和直方图与差直方图分别为:
hs(i;d1,d2)=hs(i)=Card{(m,n)∈D|sm,n=i};
hd(j;d1,d2)=hd(j)=Card{(m,n)∈D|dm,n=j};
以及,和直方图与差直方图的数据特征分别为:
进一步地,所述步骤S202中,在每个方向上提取像素时,相邻提取的两个像素之间间隔的像素个数逐渐递增。
进一步地,所述步骤S204中,计算出的每组纹理特征包括:
第一纹理特征:
第二纹理特征:
第三纹理特征:
第四纹理特征:
第五纹理特征:
第六纹理特征:
第七纹理特征:
第八纹理特征:
第九纹理特征:
根据一种具体的实施方式,本发明基于超声造影图像均匀程度的分类方法的步骤S4中,对选取出的纹理特征的数据进行标准化处理的方式为:
其中,X表示筛选出的纹理特征的数据,表示筛选出的纹理特征的数据的均值,σ表示筛选出的纹理特征的数据的方差,X1表示标准化处理后的结果。
与现有技术相比,本发明的有益效果:
本发明基于超声造影图像均匀程度的分类方法,通过对超声造影图像进行预处理,得到若干个矩形感兴趣子区域,并对每个矩形感兴趣子区域完成分类标注,接着从每个矩形感兴趣子区域中提取出多组纹理特征,通过对每组纹理特征进行筛选,再结合主成分分析方法,得到分类训练样本;然后,将多分类问题分解为多个二分类问题,并分别针对每个二分类问题,利用分类训练样本训练得到相应的二分类QDA模型,最后利用得到的多个二分类QDA模型对未标注的超声造影图像进行分类预测,并以投票的方式决定该超声造影图像的分类结果。因此,本发明能够降低分类模型的学习难度,提高分类模型的训练效率。
附图说明:
图1为本发明基于超声造影图像均匀程度的分类方法的流程图;
图2为超声造影图像中的矩形感兴趣区域的示意图;
图3为本发明筛选纹理特征的统计表;
图4为本发明分类准确率与纹理特征个数的统计表。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
如图1所示,本发明基于超声造影图像均匀程度的分类方法包括以下步骤:
S1:从超声造影图像中提取出矩形感兴趣区域,再将提取的矩形感兴趣区域划分为若干个矩形感兴趣子区域,并分别对每个矩形感兴趣子区域进行分类标注。
具体的,如图2所示,采用画图工具在超声造影图像上画出一条闭合曲线,该曲线包围的区域为病灶区域,再使用一个以该闭合曲线的最大内接矩形将病灶区域自动分割,得到矩形感兴趣区域。由于不同的超声造影图像其矩形感兴趣区域的大小可能不一,为了方便后续处理,将矩形感兴趣区域划分为若干个大小统一的矩形感兴趣子区域。在实施时,采用一个设定尺寸的矩形窗口在矩形感兴趣区域上滑动,每滑动一次则将该矩形窗口内的图像作为一个矩形感兴趣子区域,每次滑动距离小于矩形窗口在其滑动方向上的长度。其中,矩形窗口每次滑动的距离根据矩形感兴趣子区域之间的重叠率而设定。
这样虽然将矩形感兴趣区域划分成矩形感兴趣子区域的过程中不可避免地损失掉部分图像信息,但样本数量得到了扩展。
S2:从每个矩形感兴趣子区域中提取出多组纹理特征。具体的,从每个矩形感兴趣子区域中提取出多组纹理特征的过程包括以下步骤:
S201:将每个矩形感兴趣子区域的灰度级压缩到1~Ng。
S202:在每个矩形感兴趣子区域中的多个不同的方向上提取像素,且在每个方向上依次提取相同个数的像素。
S203:计算出每个方向上提取的像素中相对距离为(d1,d2)的两个像素之间的和、差,并统计出相应的和直方图与差直方图,再将和直方图、差直方图归一化,计算出和直方图、差直方图的数据特征。
S204:基于每个方向上提取的像素而计算出的和直方图、差直方图的数据特征,分别计算出一组纹理特征。
具体的,设矩形感兴趣子区域D中,相对距离为(d1,d2)的两个像素表示为:
y1=g(m,n);
y2=g(m+d1,n+d2);
设像素y1与y2的和、差分别表示为:
sm,n=y1+y2;
dm,n=y1-y2;
则和直方图与差直方图分别为:
hs(i;d1,d2)=hs(i)=Card{(m,n)∈D|sm,n=i};
hd(j;d1,d2)=hd(j)=Card{(m,n)∈D|dm,n=j};
以及,和直方图与差直方图的数据特征分别为:
利用每对和直方图与差直方图的数据特征,计算出的每组纹理特征包括:
第一纹理特征:
第二纹理特征:
第三纹理特征:
第四纹理特征:
第五纹理特征:
第六纹理特征:
第七纹理特征:
第八纹理特征:
第九纹理特征:
在实施时,步骤S201中,Ng取64,对矩形感兴趣子区域进行图像压缩的公式为:其中g(m,n)为图像的像素。
步骤S202中,分别在每个矩形感兴趣子区域的0°、45°、90°和135°四个方向上取10个像素,而且,在每个方向上提取像素时,相邻提取的两个像素之间间隔的像素个数逐渐递增或逐渐递减。这样,经过步骤S203后,每个矩形感兴趣子区域对应计算出40对和直方图、差直方图的数据特征,再经过步骤S204后,将得到40组纹理特征,且每组包括9个纹理特征,即每个矩形感兴趣子区域总共计算出360个纹理特征。
S3:将每组纹理特征分别用于训练QDA模型,并筛选出每组纹理特征中QDA模型训练错误率较低的多个纹理特征。在实施时,每一组纹理特征将通过以下方式进行筛选:
(1)设feature={f1,f2,f3,f4,f5,f6,f7,f8,f9},selectFeature={}。初始化集合,feature表示一组特征,selectFeature表示从feature中选择出的特征。
(2)单独使用feature中的每一个特征训练QDA模型,选择出能够将QDA模型错误率最小的特征,用fk表示该特征。将fk特征添加到集合selectFeature中,从feature中删除该fk。
(3)将feature中剩下的每一个特征,分别和集合selectFeature中的特征进行组合训练QDA模型,选择使模型错误率最小的特征,添加到集合selectFeature中,并从feature中删除该特征。
(4)重复第3步,直到集合selectFeature中的特征数目为5。
通过上述方式,40组纹理特征中,从每一组中选择5个特征,统计所有被选择出来的特征次数,如图3所示,出现次数最多的前5个特征的编号为1、2、7、8和9,分对应mean、variance、homogeneity、cluster shade、cluster prominence。但cluster shade和cluster prominence的计算公式中次数仅仅相差1,两者具有高的相关性,所以我们决定只保留cluster shade,用编号6的特征代替编号9。因此,每一组特征我们只保留上述5个特征,特征总数从360减少到200。
S4:对筛选出的纹理特征的数据进行标准化处理,再利用主成分分析法对标准化处理后的数据进行降维处理,而得到分类训练样本。在实施时,对特征进行降维之前,先对数据进行标准化,选取出的纹理特征的数据进行标准化处理的方式为:
其中,X表示筛选出的纹理特征的数据,表示筛选出的纹理特征的数据的均值,σ表示筛选出的纹理特征的数据的方差,X1表示标准化处理后的结果。
然后,利用主成分分析法对标准化处理后的数据进行降维处理,选择能使模型性能最佳的维数。通过比较特征维数对分类准确的影响以及特征选择前后的分类性能,如图4所示,特征选择后的分类准确率高于未进特征选择的分类准确率,并且可以得知使用PCA将数据的维数减少75时,模型的准确率最高,最高准确率为88.1%。因此,最终每一个矩形感兴趣子区域由一个75维的特征向量来表示。
S5:将多分类问题分解为多个二分类问题,并分别针对每个二分类问题,利用分类训练样本训练得到相应的二分类QDA模型。例如,在实施时,将超声造影图像分为4类,对任意两个类别的分类训练样本之间训练一个二分类QDA模型,那么,最终训练得到6个二分类QDA模型。其中,QDA模型假设数据服从多维高斯分布X~N(μ,∑),μ与∑可以通过样本数据得到,再结合贝叶斯后验概率对未知数据的类别进行判断。
S6:利用步骤S5中得到的多个二分类QDA模型对未标注的超声造影图像进行分类预测,并以投票的方式决定该超声造影图像的分类结果。
那么,本发明通过对超声造影图像进行预处理,得到若干个矩形感兴趣子区域,并对每个矩形感兴趣子区域完成分类标注,接着从每个矩形感兴趣子区域中提取出多组纹理特征,通过对每组纹理特征进行筛选,再结合主成分分析方法,得到分类训练样本;然后,将多分类问题分解为多个二分类问题,并分别针对每个二分类问题,利用分类训练样本训练得到相应的二分类QDA模型,最后利用得到的多个二分类QDA模型对未标注的超声造影图像进行分类预测,并以投票的方式决定该超声造影图像的分类结果。因而,本发明能够降低分类模型的学习难度,提高分类模型的训练效率。
此外,本发明还提供一种设备,该设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明基于超声造影图像均匀程度的分类方法。具体的,该设备为计算机系统,计算机系统包括中央处理器,中央处理器将存储器(ROM)中存储的程序加载到随机访问存储器(RAM),从而执行相应的程序步骤。
另外,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明基于超声造影图像均匀程度的分类方法。具体的,计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (8)
1.一种基于超声造影图像均匀程度的分类方法,其特征在于,包括以下步骤:
S1:从超声造影图像中提取出矩形感兴趣区域,再将提取的矩形感兴趣区域划分为若干个矩形感兴趣子区域,并分别对每个矩形感兴趣子区域进行分类标注;
S2:从每个矩形感兴趣子区域中提取出多组纹理特征;
S3:将每组纹理特征分别用于训练QDA模型,并筛选出每组纹理特征中QDA模型训练错误率较低的多个纹理特征;
S4:对筛选出的纹理特征的数据进行标准化处理,再利用主成分分析法对标准化处理后的数据进行降维处理,而得到分类训练样本;
S5:将多分类问题分解为多个二分类问题,并分别针对每个二分类问题,利用分类训练样本训练得到相应的二分类QDA模型;
S6:利用步骤S5中得到的多个二分类QDA模型对未标注的超声造影图像进行分类预测,并以投票的方式决定该超声造影图像的分类结果。
2.如权利要求1所述的基于超声造影图像均匀程度的分类方法,其特征在于,步骤S1中,采用一个设定尺寸的矩形窗口在所述矩形感兴趣区域上滑动,每滑动一次则将所述矩形窗口内的图像作为一个矩形感兴趣子区域;其中,所述矩形窗口每次滑动的距离根据矩形感兴趣子区域之间的重叠率而设定。
3.如权利要求1所述的基于超声造影图像均匀程度的分类方法,其特征在于,所述步骤S2具体包括以下步骤:
S201:将每个矩形感兴趣子区域的灰度级压缩到1~Ng;
S202:在每个矩形感兴趣子区域中的多个不同的方向上提取像素,且在每个方向上依次提取相同个数的像素;
S203:计算出每个方向上提取的像素中相对距离为(d1,d2)的两个像素之间的和、差,并统计出相应的和直方图与差直方图,再将和直方图、差直方图归一化,计算出和直方图、差直方图的数据特征;
S204:基于每个方向上提取的像素而计算出的和直方图、差直方图的数据特征,分别计算出一组纹理特征;
其中,设矩形感兴趣子区域D中,相对距离为(d1,d2)的两个像素表示为:
y1=g(m,n);
y2=g(m+d1,n+d2);
设像素y1与y2的和、差分别表示为:
sm,n=y1+y2;
dm,n=y1-y2;
则和直方图与差直方图分别为:
hs(i;d1,d2)=hs(i)=Card{(m,n)∈D|sm,n=i};
hd(j;d1,d2)=hd(j)=Card{(m,n)∈D|dm,n=j};
以及,和直方图与差直方图的数据特征分别为:
4.如权利要求3所述的基于超声造影图像均匀程度的分类方法,其特征在于,所述步骤S202中,在每个方向上提取像素时,相邻提取的两个像素之间间隔的像素个数逐渐递增。
5.如权利要求3所述的基于超声造影图像均匀程度的分类方法,其特征在于,所述步骤S204中,计算出的每组纹理特征包括:
第一纹理特征:
第二纹理特征:
第三纹理特征:
第四纹理特征:
第五纹理特征:
第六纹理特征:
第七纹理特征:
第八纹理特征:
第九纹理特征:
6.如权利要求1所述的基于超声造影图像均匀程度的分类方法,其特征在于,所述步骤S4中,对选取出的纹理特征的数据进行标准化处理的方式为:
其中,X表示筛选出的纹理特征的数据,表示筛选出的纹理特征的数据的均值,σ表示筛选出的纹理特征的数据的方差,X1表示标准化处理后的结果。
7.一种设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910093165.0A CN109800820B (zh) | 2019-01-30 | 2019-01-30 | 一种基于超声造影图像均匀程度的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910093165.0A CN109800820B (zh) | 2019-01-30 | 2019-01-30 | 一种基于超声造影图像均匀程度的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109800820A true CN109800820A (zh) | 2019-05-24 |
CN109800820B CN109800820B (zh) | 2020-03-03 |
Family
ID=66560703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910093165.0A Active CN109800820B (zh) | 2019-01-30 | 2019-01-30 | 一种基于超声造影图像均匀程度的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800820B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738258A (zh) * | 2019-10-16 | 2020-01-31 | Oppo广东移动通信有限公司 | 图像分类方法、装置及终端设备 |
CN111680687A (zh) * | 2020-06-09 | 2020-09-18 | 江西理工大学 | 一种应用于乳腺x线图像异常识别的深度融合模型及其分类方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1723856A (zh) * | 2005-07-11 | 2006-01-25 | 史念曾 | 超声检测组织均匀度及衰减定标定量分析技术 |
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
CN102163326A (zh) * | 2010-12-22 | 2011-08-24 | 武汉沃生科学技术研究中心有限公司 | 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法 |
CN102799858A (zh) * | 2012-06-21 | 2012-11-28 | 华中科技大学 | 基于冗余特征消减的医学超声图像自动识别方法 |
CN103514456A (zh) * | 2013-06-30 | 2014-01-15 | 安科智慧城市技术(中国)有限公司 | 基于压缩感知多核学习的图像分类方法及其装置 |
CN103917166A (zh) * | 2011-08-17 | 2014-07-09 | Vp诊断公司 | 一种表征颈动脉斑块的方法和系统 |
CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
CN108416749A (zh) * | 2018-02-28 | 2018-08-17 | 沈阳东软医疗系统有限公司 | 一种超声图像处理方法、装置和计算机设备 |
-
2019
- 2019-01-30 CN CN201910093165.0A patent/CN109800820B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1723856A (zh) * | 2005-07-11 | 2006-01-25 | 史念曾 | 超声检测组织均匀度及衰减定标定量分析技术 |
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
CN102163326A (zh) * | 2010-12-22 | 2011-08-24 | 武汉沃生科学技术研究中心有限公司 | 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法 |
CN103917166A (zh) * | 2011-08-17 | 2014-07-09 | Vp诊断公司 | 一种表征颈动脉斑块的方法和系统 |
CN102799858A (zh) * | 2012-06-21 | 2012-11-28 | 华中科技大学 | 基于冗余特征消减的医学超声图像自动识别方法 |
CN103514456A (zh) * | 2013-06-30 | 2014-01-15 | 安科智慧城市技术(中国)有限公司 | 基于压缩感知多核学习的图像分类方法及其装置 |
CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
CN108416749A (zh) * | 2018-02-28 | 2018-08-17 | 沈阳东软医疗系统有限公司 | 一种超声图像处理方法、装置和计算机设备 |
Non-Patent Citations (6)
Title |
---|
MICHAEL UNSER: "Sum and Difference Histograms for Texture Classification", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
SELIM AKSOY 等: "Using Texture in Image Similarity and Retrieval", 《RESEARCHGATE》 * |
肖海慧 等: "基于人工神经网络的肝部CT图像识别方法", 《信息技术与信息化》 * |
蔡哲元 等: "胰腺内镜超声图像纹理特征提取与分类研究", 《生物医学工程学进展》 * |
赵锋 等: "纹理分割及特征提取方法综述", 《中国体视学与图像分析》 * |
金淑英 等: "基于偏最小二乘回归的纹理特征线性组合", 《武汉大学学报 信息科学版》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738258A (zh) * | 2019-10-16 | 2020-01-31 | Oppo广东移动通信有限公司 | 图像分类方法、装置及终端设备 |
CN110738258B (zh) * | 2019-10-16 | 2022-04-29 | Oppo广东移动通信有限公司 | 图像分类方法、装置及终端设备 |
CN111680687A (zh) * | 2020-06-09 | 2020-09-18 | 江西理工大学 | 一种应用于乳腺x线图像异常识别的深度融合模型及其分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109800820B (zh) | 2020-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Petroudi et al. | Automatic classification of mammographic parenchymal patterns: A statistical approach | |
US9123095B2 (en) | Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties | |
Zhang et al. | Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination | |
CN104143101A (zh) | 一种基于超声图像的乳腺肿瘤区域自动识别方法 | |
US20170193655A1 (en) | Radiomic features on diagnostic magnetic resonance enterography | |
CN110969204B (zh) | 基于磁共振图像与数字病理图像融合的样本分类系统 | |
US20130308849A1 (en) | Systems, methods and computer readable storage mediums storing instructions for 3d registration of medical images | |
US20110064289A1 (en) | Systems and Methods for Multilevel Nodule Attachment Classification in 3D CT Lung Images | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
EP2793164A1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
Koprowski et al. | Assessment of significance of features acquired from thyroid ultrasonograms in Hashimoto's disease | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
Pham et al. | A comparison of texture models for automatic liver segmentation | |
CN109800820A (zh) | 一种基于超声造影图像均匀程度的分类方法 | |
CN111508004A (zh) | 基于深度学习的室壁运动异常超声处理方法、系统和设备 | |
Xing et al. | Automatic detection of A‐line in lung ultrasound images using deep learning and image processing | |
CN109840564A (zh) | 一种基于超声造影图像均匀程度的分类系统 | |
US11494900B2 (en) | Prognosis of prostate cancer with computerized histomorphometric features of tumor morphology from routine hematoxylin and eosin slides | |
US11055844B2 (en) | Predicting response to immunotherapy using computer extracted features of cancer nuclei from hematoxylin and eosin (HandE) stained images of non-small cell lung cancer (NSCLC) | |
Giv et al. | Lung segmentation using active shape model to detect the disease from chest radiography | |
Carrillo-de-Gea et al. | Detection of normality/pathology on chest radiographs using LBP | |
WO2022033598A1 (zh) | 乳房x射线图像获取方法、装置、计算机设备和存储介质 | |
Dovganich et al. | Automatic quality control in lung X-ray imaging with deep learning | |
Mansour et al. | Kidney segmentations using cnn models | |
Gutiérrez et al. | Learning semantic histopathological representation for basal cell carcinoma classification |
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 |