CN109816655B - 基于ct图像的肺结节图像特征检测方法 - Google Patents
基于ct图像的肺结节图像特征检测方法 Download PDFInfo
- Publication number
- CN109816655B CN109816655B CN201910101872.XA CN201910101872A CN109816655B CN 109816655 B CN109816655 B CN 109816655B CN 201910101872 A CN201910101872 A CN 201910101872A CN 109816655 B CN109816655 B CN 109816655B
- Authority
- CN
- China
- Prior art keywords
- image
- lung nodule
- lung
- region
- nodule
- 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
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于CT图像的肺结节图像特征检测方法，其主要包括：对肺部区域进行平移扫描，自动定位出所有疑似肺结节的图像区域；基于这些疑似区域，以其中心点坐标为球心，多种尺度为直径范围，对肺结节的长短径和体积进行自动测量；接着，对输入图像的CT值进行过滤，并进行肺结节CT平均值的自动测量，最终得到CT平均值等步骤。本发明能够实现肺结节的自动定位，长短径和体积自动测量，CT平均值自动测量等功能。利用本发明检测方法自动获得的肺结节多种图像特征可以作为判断依据，辅助医生更好地进行肺结节良恶性和侵润程度的诊断。
Description
技术领域
本发明涉及一种基于人工智能技术的医学影像检测方法，具体为一种基于CT图像的肺结节图像特征检测方法，利用该方法得到的图像检测结果，能够辅助医生来预测肺结节的良恶性及其侵润程度。
背景技术
目前放射科医师多根据以下特征诊断CT肺结节，即大小、密度、钙化形式脂肪含量、形状、边缘、肺段位置、图像所在层数和近期变化等。受限于医师判断标准的主观性差异和这些特征的非线性特点，仅凭肉眼很难利用这些结节特征或其组合提高CT肺结节影像诊断的特异性。而基于传统模式识别技术肺结节存在准确率低、假阳性高的缺点，难以被用于实际的临床流程中。
发明内容
针对现有技术，本发明提供一种基于人工智能技术的医学影像检测方法，其基于人工智能技术的三维卷积神经网络算法，能够从胸部CT图像中，自动定位出肺结节区域，并自动地提取肺结节的图像特征，使得医生能够基于这些特征来预测肺结节的良恶性及其侵润程度。相比传统算法，本发明可以有效地学习到三维物体的空间信息，从而大幅提高了肺结节的定位准确率，降低了假阳性率；同时本发明还创新性地同时支持肺结节区域自动定位、肺结节长短径和体积自动测量、肺结节平均CT值和密度自动测量等功能。
本发明通过以下技术方案加以实现：
一种基于CT图像的肺结节图像特征检测方法，具体包括以下步骤：
步骤S01：输入胸部CT图像；
步骤S02：对图像进行预处理；
步骤S03：将肺部有效区域从原始图像中提取出来，去除无效的非肺部区域；
步骤S04：使用肺结节区域自动定位方法对肺部区域进行平移扫描；
步骤S05：得到扫描结果，并将获得的所有扫描结果作为候选结节输入到下一个步骤中；
步骤S06：设定置信度阈值，图像置信度小于等于该置信度阈值时判断为否，执行步骤S07，图像置信度大于该置信度阈值时，判断为是，执行步骤S08；
步骤S07，保留候选区域，并执行步骤S09；
步骤S08：判断为否时，被过滤掉，去除候选区域，并判断候选区域是否为空，如为空，方法结束，如不为空，执行步骤S09；
步骤S09：经过上面的步骤得到符合置信度标准的图像区域，这些图像区域将作为后续步骤的输入；
步骤S10：以符合置信度标准的图像区域定位的中心点坐标为球心，分别按照不同尺寸获取肺结节区域的多个图像；
步骤S11：分别输入多个图像并进行肺结节长短径和体积自动测量；
步骤S12：将图像的检测结果进行整合加权计算；
步骤S13：整合加权计算完成后输出结果，得到肺结节的长、短径和肺结节的体积；
步骤S14：将步骤S11获得的多个图像作为下一步骤的输入；
步骤S15：对输入的图像的CT值进行阈值过滤；
步骤S16：过滤后的图像进行肺结节CT平均值自动测量，得到肺结节的CT平均值；
步骤S17：对得到肺结节的CT平均值进行加权计算，得出最终每个肺结节的CT平均值。
优选地，所述步骤S04中肺结节区域自动定位方法通过肺结节区域自动定位子模块实现，该子模块设计了一种三维卷积神经网络，结构组成为一组对称的卷积层，分别为下采样层和上采样层，下采样层包含8个卷积层，上采样层包含8个卷积层。
优选地，所述肺结节区域自动定位子模块的自动定位方法包括以下几个步骤：
步骤1、CT图像输入到三维卷积神经网络进行特征提取；
步骤2、三维卷积神经网络输出图像中所有可能的肺结节的轮廓区域及其置信度；
步骤3、计算求出上一步每个轮廓区域的质心点，成为该区域的中心点，将所有中心点和该结节的置信度输出到后续步骤。
优选地，所述步骤S11中肺结节长短径和体积自动测量提供肺结节长短径和体积自动测量子模块实现，该子模块设计了一种三维卷积神经网络，结构组成为一组对称的卷积层，分别为下采样层和上采样层，下采样层包含16个卷积层，上采样层包含16个卷积层。
优选地，所述肺结节长短径和体积自动测量子模块的自动测量方法包括以下几个步骤：
步骤1、将得到肺结节中心点附近区域的球体图像CT图像输入到三维卷积神经网络进行特征提取；
步骤2、三维卷积神经网络输出图像中肺结节的轮廓区域；
步骤3、根据轮廓计算出肺结节的最大直径与最小直径，将每个CT断面中的肺结节图像面积求和得到肺结节的体积。
优选地，所述步骤S16中肺结节CT平均值自动测量通过肺结节CT平均值自动测量子模块实现，该子模块基于肺结节长短径和体积自动测量过程输出的肺结节轮廓区域，能够根据CT断面、像素点来自动测量肺结节区域的CT平均值。
优选地，所述肺结节CT平均值自动测量子模块的自动测量方法具体包括以下几个步骤：
步骤1、先使用肺结节轮廓分割出轮廓内的肺结节区域；
步骤2、对区域的所有像素的CT值求总和，再除以肺结节体积，得到该肺结节的CT平均值；
步骤3、对不同尺寸的检测结果进行加权计算，得出最终每个肺结节的CT平均值。
优选地，所述步骤S10中按照大、中、小三种尺寸获取肺结节区域的图像，三种尺寸分别为：20mm*20mm*20mm , 30mm*30mm*30mm, 40mm*40mm*40mm。
本发明具有以下优点：
1. 实现肺结节区域自动定位，准确率达到97%，比现有模式识别方法提高15%以上。
2. 利用本发明的检测数据能够实现肺结节长短径和体积自动测量，准确率达到89%，比现有模式识别方法提高20%以上。
3. 利用本发明的检测数据能够实现肺结节平均CT值自动测量功能，准确率达到90%，比现有模式识别方法提高20%以上。
附图说明
图1：本发明提供的基于人工智能技术的医学影像检测方法中S01-S08的流程图；
图2：本发明提供的基于人工智能技术的医学影像检测方法中S09-S13的流程图；
图3：本发明提供的基于人工智能技术的医学影像检测方法中S14-S17的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明涉及一种基于CT图像的肺结节图像特征检测方法，如图1、图2和图3所示，具体包括以下步骤：
步骤S01：输入胸部CT图像，图像的格式要求优选为标准DICOM文件格式，图像中要求含有可用的胸部CT序列，扫描厚度不得大于5mm。
步骤S02：对图像进行预处理，主要的操作为将-2000以下CT值去除，然后将肺窗区域的有效CT值保留。
步骤S03：利用图像连通性、腐蚀、膨胀、边缘分割等技术将肺部有效区域从原始图像中提取出来，去除无效的非肺部区域。
步骤S04：使用肺结节区域自动定位方法（详细流程请见下文肺结节区域自动定位子模块）对肺部区域进行平移扫描，扫描的策略是依次选取64mm*64mm*64mm的区域作为输入，该尺寸的依据是通过临床上对肺结节最大直径的统计值（30mm）来制定的，一般可以选取临床统计值的1.5～2.5倍作为扫描区域的大小。
步骤S05：得到并分析扫描结果，并将获得的所有扫描结果作为候选图像输入到下一个步骤中。
步骤S06：设定置信度阈值，一般以置信度0.6作为判断标准进行判断，候选图像置信度小于等于该置信度阈值时判断为否，执行步骤S07，候选图像置信度大于该置信度阈值时，判断为是，执行步骤S08。
步骤S07，保留候选区域，并执行步骤S09。
步骤S08：判断为否时属于假阳性结果，被过滤掉，去除候选区域，并判断候选区域是否为空，如为空，方法结束，如不为空，执行步骤S09。
步骤S09：经过上面的步骤得到符合置信度标准的图像区域，这些图像区域将作为后续步骤的输入；
步骤S10：以步骤S09获得的符合置信度标准的图像区域定位的中心点坐标为球心，分别按照大、中、小三种尺寸获取肺结节区域的图像，三种尺寸一般可以选择为：20mm*20mm*20mm , 30mm*30mm*30mm, 40mm*40mm*40mm，尺寸选取的标准是基于临床中对肺结节直径（3mm～30mm）的统计数据来设计的，这三种尺寸的设计思路是能够最大限度的覆盖常见的结节尺寸，也可以选取其他能够覆盖到常见结节的尺寸。
步骤S11：分别将三种尺寸的图像输入给肺结节长短径和体积自动测量子模块进行检测，先输出肺结节在每个CT断层面的图像轮廓，再以此轮廓得到精确的长短径和体积，具体检测细节请参考后面的肺结节长短径和体积自动测量子模块的内容。
步骤S12：将三种尺寸图像的检测结果进行整合，整合的权重分别为0.3、0.4、0.3，整合方式为三种检测结果分别乘以权重再相加，然后除以3得到最终结果；权重的设计思路是按照该尺寸覆盖的肺结节尺寸频数来指定的（临床统计数据），比如第二种尺寸（30mm*30mm*30mm）能够覆盖到绝大多数结节，因此其权重最高，设为0.4，其它两种尺寸相比则次之，故设为0.3。
步骤S13：输出结果，结果为肺结节的长、短径（单位为mm）和肺结节的体积（单位为mm3）。
步骤S14：将步骤S11获得的图像（共三种尺寸）作为下一步骤的输入。
步骤S15：对输入的图像的CT值进行阈值过滤，只保留-1000到400范围内（取值范围依据从临床数据中统计的肺结节CT值域）的CT值，不在此范围的CT值将被过滤。
步骤S16：将经步骤S15过滤后的三维图像输入给肺结节CT平均值自动测量模块进行检测，检测过程会逐层计算肺结节图像轮廓内区域，求出总体CT值，再除以步骤S13得到的肺结节体积值，得到肺结节的CT平均值。
步骤S17：按照步骤S12的操作方式对三种尺寸的检测结果进行加权计算，得出最终每个肺结节的CT平均值（单位为CT值单位HU）。
肺结节区域自动定位子模块
该子模块设计了一种三维卷积神经网络程序，可以自动定位肺结节区域，可用于肺结节的检测。由于肺部CT图像空间连续性的特点，基于CT影像的肺结节检测实际上属于一种三维物体检测问题。因此只基于二维图像的卷积神经网络算法无法很好地学习到肺部CT影像三维重建后的图像特征，而本算法创新性地采用了三维卷积结构，能够处理三维图像，因此本算法在肺结节区域定位的检测准确率上较传统模式方法能有效提高15%以上。该程序的构造为一种三维卷积神经网络，结构组成为一组对称的卷积层，分别为下采样层和上采样层，下采样层包含8个卷积层（卷积核大小为3*3），上采样层包含8个卷积层（卷积核大小为3*3）。该程序的执行步骤为：1、CT图像输入到三维卷积神经网络进行特征提取；2、三维卷积神经网络输出图像中所有可能的肺结节的轮廓区域及其置信度；3、计算求出上一步每个轮廓区域的质心点，即为该区域的中心点，将所有中心点和该结节的置信度输出到后续步骤，以供进一步筛选出高置信度的肺结节区域。
肺结节长短径和体积自动测量子模块
该子模块设计了一种基于肺结节多尺度特征的肺结节长短径和体积自动测量程序，该程序在采用了三维卷积结构的基础之上，结合了肺结节直径长短的分布特点，分别设计了针对大、中、小不同直径的肺结节的特征提取算法。这种设计方案可以较好地覆盖不同直径大小肺结节，从而有效地提取肺结节表面纹理特征、CT值域的密度特征、肺结节轮廓形态学特征等等。该程序的构造为一种三维卷积神经网络，结构组成为一组对称的卷积层，分别为下采样层和上采样层，下采样层包含16个卷积层（卷积核的尺寸为为3*3），上采样层包含16个卷积层（卷积核的尺寸为3*3）。该程序的执行步骤为：1、将CT图像（肺结节中心点附近区域的球体图像，详情见步骤S10）输入到三维卷积神经网络进行特征提取；2、三维卷积神经网络输出图像中肺结节的轮廓区域；3、根据轮廓计算出肺结节的最大直径与最小直径（即长短径），将每个CT断面中的肺结节图像面积求和即可得到肺结节的体积。由于肺结节的长短径和体积与其良恶性和侵润程度有密切的关系，因此本方法自动测量出的肺结节长短径和体积可以为医生判断肺结节良恶性和侵润程度的重要依据。
肺结节CT平均值自动测量子模块
本模块基于肺结节长短径和体积自动测量子模块输出的肺结节轮廓区域，精确地根据CT断面、像素点来自动测量肺结节区域内的CT平均值，具体的步骤是：1、先使用肺结节轮廓分割出轮廓内的肺结节区域。2、对区域的所有像素的CT值求总和，再除以肺结节体积，得到该肺结节的CT平均值。3、对三种尺寸的检测结果（每种尺寸下肺结节的CT平均值）进行加权计算，得出最终每个肺结节的CT平均值，加权方式可以请参考步骤S12。
由于肺结节的平均CT值与良恶性和侵润程度有密切的关系（比如，临床数据表明：恶性结节平均CT值与良性结节的平均CT值有较大区别和统计差异；不同侵润程度的肺结节也有不同特点的平均CT值分布），因此本方法自动测量出的肺结节CT平均值可以为医生判断肺结节良恶性和侵润程度的重要依据。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于CT图像的肺结节图像特征检测方法，其特征在于，具体包括以下步骤：
步骤S01：输入胸部CT图像；
步骤S02：对图像进行预处理；
步骤S03：将肺部有效区域从原始图像中提取出来，去除无效的非肺部区域；
步骤S04：使用肺结节区域自动定位方法对肺部区域进行平移扫描；
步骤S05：得到扫描结果，并将获得的所有扫描结果作为候选结节输入到下一个步骤中；
步骤S06：设定置信度阈值，图像置信度小于等于该置信度阈值时判断为否，执行步骤S07，图像置信度大于该置信度阈值时，判断为是，执行步骤S08；
步骤S07，保留候选区域，并执行步骤S09；
步骤S08：判断为否时，被过滤掉，去除候选区域，并判断候选区域是否为空，如为空，方法结束，如不为空，执行步骤S09；
步骤S09：经过上面的步骤得到符合置信度标准的图像区域，这些图像区域将作为后续步骤的输入；
步骤S10：以符合置信度标准的图像区域定位的中心点坐标为球心，分别按照不同尺寸获取肺结节区域的多个图像；
步骤S11：分别输入多个图像并进行肺结节长短径和体积自动测量；
步骤S12：将图像的检测结果进行整合加权计算；
步骤S13：整合加权计算完成后输出结果，得到肺结节的长、短径和肺结节的体积；
步骤S14：将步骤S11获得的多个图像作为下一步骤的输入；
步骤S15：对输入的图像的CT值进行阈值过滤；
步骤S16：过滤后的图像进行肺结节CT平均值自动测量，得到肺结节的CT平均值；
步骤S17：对得到肺结节的CT平均值进行加权计算，得出最终每个肺结节的CT平均值；
在步骤S11中，自动测量方法包括以下几个步骤：
步骤1、将得到肺结节中心点附近区域的球体图像CT图像输入到三维卷积神经网络进行特征提取；
步骤2、三维卷积神经网络输出图像中肺结节的轮廓区域；
步骤3、根据轮廓计算出肺结节的最大直径与最小直径，将每个CT断面中的肺结节图像面积求和得到肺结节的体积。
2.根据权利要求1所述的基于CT图像的肺结节图像特征检测方法，其特征在于，所述步骤S04中肺结节区域自动定位方法通过肺结节区域自动定位子模块实现，肺结节区域自动定位子模块设计了一种三维卷积神经网络，结构组成为一组对称的卷积层，分别为下采样层和上采样层，下采样层包含8个卷积层，上采样层包含8个卷积层。
3.根据权利要求2所述的基于CT图像的肺结节图像特征检测方法，其特征在于，所述肺结节区域自动定位子模块的自动定位方法包括以下几个步骤：
步骤1、CT图像输入到三维卷积神经网络进行特征提取；
步骤2、三维卷积神经网络输出图像中所有可能的肺结节的轮廓区域及其置信度；
步骤3、计算求出上一步每个轮廓区域的质心点，成为该区域的中心点，将所有中心点和该结节的置信度输出到后续步骤。
4.根据权利要求1所述的基于CT图像的肺结节图像特征检测方法，其特征在于，所述步骤S11中肺结节长短径和体积自动测量提供肺结节长短径和体积自动测量子模块实现，肺结节长短径和体积自动测量子模块设计了一种三维卷积神经网络，结构组成为一组对称的卷积层，分别为下采样层和上采样层，下采样层包含16个卷积层，上采样层包含16个卷积层。
5.根据权利要求4所述的基于CT图像的肺结节图像特征检测方法，其特征在于，所述步骤S16中肺结节CT平均值自动测量通过肺结节CT平均值自动测量子模块实现，该模块基于肺结节长短径和体积自动测量过程输出的肺结节轮廓区域，能够根据CT断面、像素点来自动测量肺结节区域的CT平均值。
6.根据权利要求5所述的基于CT图像的肺结节图像特征检测方法，其特征在于，所述肺结节CT平均值自动测量子模块的自动测量方法具体包括以下几个步骤：
步骤1、先使用肺结节轮廓分割出轮廓内的肺结节区域；
步骤2、对区域的所有像素的CT值求总和，再除以肺结节体积，得到该肺结节的CT平均值；
步骤3、对不同尺寸的检测结果进行加权计算，得出最终每个肺结节的CT平均值。
7. 根据权利要求1所述的基于CT图像的肺结节图像特征检测方法，其特征在于，所述步骤S10中按照大、中、小三种尺寸获取肺结节区域的图像，三种尺寸分别为：20mm*20mm*20mm , 30mm*30mm*30mm, 40mm*40mm*40mm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910101872.XA CN109816655B (zh) | 2019-02-01 | 2019-02-01 | 基于ct图像的肺结节图像特征检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910101872.XA CN109816655B (zh) | 2019-02-01 | 2019-02-01 | 基于ct图像的肺结节图像特征检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109816655A CN109816655A (zh) | 2019-05-28 |
| CN109816655B true CN109816655B (zh) | 2021-05-28 |
Family
ID=66606531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910101872.XA Active CN109816655B (zh) | 2019-02-01 | 2019-02-01 | 基于ct图像的肺结节图像特征检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816655B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110297003A (zh) * | 2019-07-01 | 2019-10-01 | 三峡大学 | 一种基于轴、径环状分层的ct扫描后处理方法 |
| CN110533637B (zh) * | 2019-08-02 | 2022-02-11 | 杭州依图医疗技术有限公司 | 一种检测对象的方法及装置 |
| CN110533120B (zh) * | 2019-09-05 | 2023-12-12 | 腾讯科技（深圳）有限公司 | 器官结节的图像分类方法、装置、终端及存储介质 |
| CN110710986B (zh) * | 2019-10-25 | 2021-01-22 | 华院数据技术(上海)有限公司 | 一种基于ct图像的脑部动静脉畸形检测方法及检测系统 |
| CN111127527B (zh) * | 2019-12-06 | 2021-02-05 | 广州柏视医疗科技有限公司 | 基于ct影像骨骼配准实现肺结节自适应匹配的方法与装置 |
| CN111179247A (zh) * | 2019-12-27 | 2020-05-19 | 上海商汤智能科技有限公司 | 三维目标检测方法及其模型的训练方法及相关装置、设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108389190A (zh) * | 2018-02-08 | 2018-08-10 | 贵州联科卫信科技有限公司 | 一种基于深度学习方法的肺结节自动检测方法 |
| CN108629803A (zh) * | 2018-04-17 | 2018-10-09 | 杭州依图医疗技术有限公司 | 一种结节倍增时间的确定方法及装置 |
| CN108648178A (zh) * | 2018-04-17 | 2018-10-12 | 杭州依图医疗技术有限公司 | 一种影像结节检测的方法及装置 |
| CN109035227A (zh) * | 2018-07-13 | 2018-12-18 | 哈尔滨理工大学 | 对ct图像进行肺部肿瘤检测与诊断的系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10127654B2 (en) * | 2015-10-07 | 2018-11-13 | Toshiba Medical Systems Corporation | Medical image processing apparatus and method |
-
2019
- 2019-02-01 CN CN201910101872.XA patent/CN109816655B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108389190A (zh) * | 2018-02-08 | 2018-08-10 | 贵州联科卫信科技有限公司 | 一种基于深度学习方法的肺结节自动检测方法 |
| CN108629803A (zh) * | 2018-04-17 | 2018-10-09 | 杭州依图医疗技术有限公司 | 一种结节倍增时间的确定方法及装置 |
| CN108648178A (zh) * | 2018-04-17 | 2018-10-12 | 杭州依图医疗技术有限公司 | 一种影像结节检测的方法及装置 |
| CN109035227A (zh) * | 2018-07-13 | 2018-12-18 | 哈尔滨理工大学 | 对ct图像进行肺部肿瘤检测与诊断的系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109816655A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816655B (zh) | 基于ct图像的肺结节图像特征检测方法 | |
| WO2021129323A1 (zh) | 超声图像病灶描述方法、装置、计算机设备和存储介质 | |
| US10229488B2 (en) | Method and system for determining a stage of fibrosis in a liver | |
| Camilus et al. | Computer-aided identification of the pectoral muscle in digitized mammograms | |
| CN110188792B (zh) | 前列腺mri三维图像的图像特征获取方法 | |
| US8175351B2 (en) | Computer-aided detection and classification of suspicious masses in breast imagery | |
| JP2006517663A (ja) | 画像解析 | |
| JP2002523123A (ja) | 病変の分割および分類のための方法およびシステム | |
| JPH11501538A (ja) | 医用画像において病巣を検出する方法及びシステム | |
| CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
| Timp et al. | Interval change analysis to improve computer aided detection in mammography | |
| CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
| KR101135205B1 (ko) | 흉부 씨티 영상 내 병변 자동 검출을 위한 폐 혈관 추출 방법 | |
| CN113066583A (zh) | 动脉瘤破裂风险预测方法、装置及存储介质 | |
| KR102373985B1 (ko) | 서포트 벡터 머신을 이용한 전립선암의 등급 분류 방법 | |
| Khordehchi et al. | Automatic lung nodule detection based on statistical region merging and support vector machines | |
| Yang | A robust approach for subject segmentation of medical Images: Illustration with mammograms and breast magnetic resonance images | |
| EP3977400A1 (en) | A computer based method for classifying a mass of an organ as a cyst | |
| Chaudhury et al. | Using features from tumor subregions of breast dce-mri for estrogen receptor status prediction | |
| Oliver et al. | Automatic diagnosis of masses by using level set segmentation and shape description | |
| CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
| Touil et al. | A new conditional region growing approach for microcalcification delineation in mammograms | |
| Tong et al. | Computer-aided lung nodule detection based on CT images | |
| Nuzhnaya et al. | Segmentation of anatomical branching structures based on texture features and graph cut | |
| CN117994271B (zh) | 基于分水岭算法的人脑图像分割方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 200040 9th floor, block a, 1256 and 1258 Wanrong Road, Jing'an District, Shanghai Applicant after: Huayuan computing technology (Shanghai) Co.,Ltd. Address before: 201803 9th Floor, 1256 and 1258 Wanrong Road, Jing'an District, Shanghai Applicant before: UNIDT TECHNOLOGY (SHANGHAI) Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |