CN109829921B - 一种头部的ct图像的处理方法及其系统、设备、存储介质 - Google Patents
一种头部的ct图像的处理方法及其系统、设备、存储介质 Download PDFInfo
- Publication number
- CN109829921B CN109829921B CN201811533127.4A CN201811533127A CN109829921B CN 109829921 B CN109829921 B CN 109829921B CN 201811533127 A CN201811533127 A CN 201811533127A CN 109829921 B CN109829921 B CN 109829921B
- Authority
- CN
- China
- Prior art keywords
- head
- abnormal
- image
- probability
- section
- 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
- 238000012545 processing Methods 0.000 title claims description 38
- 238000000034 method Methods 0.000 title claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 122
- 210000004279 orbit Anatomy 0.000 claims description 31
- 238000007635 classification algorithm Methods 0.000 claims description 26
- 238000012952 Resampling Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims 2
- 230000005856 abnormality Effects 0.000 claims 1
- 238000003672 processing method Methods 0.000 abstract description 5
- 210000003128 head Anatomy 0.000 description 122
- 238000003745 diagnosis Methods 0.000 description 24
- 238000010801 machine learning Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000018087 Orbital disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种头部的CT图像的处理方法及其系统、设备、存储介质,本发明通过对头部的横断面CT图像进行物理间距重采样处理后,再对其进行阈值分割并以头部感兴趣区域的最大外接矩形为边界切割得到头部横断面CT图像,在利用第一机器学习分类算法和第二机器学习分类算法获取头部的分类,实现对头部的眼眶进行分类,克服现有技术中存在医生依靠肉眼诊断眼眶病,诊断效率低下且存在诊断差异的技术问题,利用智能算法进行处理提高了对CT图像的处理效率,并且获取到头部的眼眶分类可以辅助医生进行眼眶病诊断,提高诊断效率。
Description
技术领域
本发明涉及CT图像领域,尤其是一种头部的CT图像的处理方法及其系统、设备、存储介质。
背景技术
现有技术中,影像科医生拿到病人的头部CT图像后,因人眼所能分辨的灰度范围有限,所以医生为了观察不同病情需要不同窗位窗宽的设置,如软组织需要较低的窗位和较窄的窗宽(如L60,W300),观察骨组织需要较高的窗位和较宽的窗宽(如L400,W1500)。医生通过综合调整一些参数如窗位、窗宽、缩放比例等,然后通过观看横断面方向的CT图像来诊断病情,通过肉眼完成诊断导致诊断效率低下,而且诊断难度高,诊断的准确率取决于医生的水平、且不可避免存在诊断偏差。另外,也可利用通用CT图像处理方法辅助医生进行诊断,即根据横断面的CT图像重建出病人的三维头部结构,以便辅助医生进行诊断,但仍旧需要依靠医生进行肉眼诊断,诊断效率依旧低下。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的是提供一种头部的CT图像的处理方法及其系统、设备、存储介质,用于提高对CT图像的处理效率,以辅助医生进行诊断,提高诊断效率。
本发明所采用的技术方案是:
第一方面,本发明提供一种头部的CT图像的处理方法,包括以下步骤:
图像获取步骤,获取头部的多张横断面CT图像;
重采样步骤,对所述横断面CT图像进行物理间距重采样处理;
图像切割步骤,对重采样处理后的横断面CT图像进行阈值分割后,以头部感兴趣区域的最大外接矩形为边界切割所述横断面CT图像得到多张头部横断面CT图像;
概率获取步骤,根据所述头部横断面CT图像和第一机器学习分类算法获取每张头部横断CT图像的异常概率和正常概率,所述异常概率为所述头部横断面CT图像属于眼眶异常图像的概率,所述正常概率为所述头部横断面CT图像属于眼眶正常图像的概率;
头部分类步骤,根据多个所述异常概率、多个所述正常概率和第二机器学习分类算法获取所述头部的种类,所述种类包括眼眶异常的头部和眼眶正常的头部。
进一步地,所述处理方法还包括步骤:
异常定位步骤,根据所述头部横断面CT图像和第三机器学习分类算法获取每张头部横断面CT图像的异常区域以实现整个头部的异常区域定位,所述异常区域为眼眶异常的区域。
进一步地,所述第三机器学习分类算法包括三维卷积神经网络。
进一步地,所述处理方法还包括步骤:
输出步骤,将所述头部的种类和/或头部的异常区域进行输出。
进一步地,所述概率获取步骤之前还包括步骤:
归一化处理步骤,对每张头部横断面CT图像进行像素值归一化处理。
进一步地,所述第一机器学习分类算法包括三维卷积神经网络。
进一步地,所述第二机器学习分类算法包括支持向量机分类算法。
第二方面,本发明提供一种头部的CT图像的处理系统,包括:
图像获取单元,用于获取头部的多张横断面CT图像;
重采样单元,用于对所述横断面CT图像进行物理间距重采样处理;
图像切割单元,用于对重采样处理后的横断面CT图像进行阈值分割后,以头部感兴趣区域的最大外接矩形为边界切割所述横断面CT图像得到多张头部横断面CT图像;
概率获取单元,用于根据所述头部横断面CT图像和第一机器学习分类算法获取每张头部横断CT图像的异常概率和正常概率,所述异常概率为所述头部横断面CT图像属于眼眶异常图像的概率,所述正常概率为所述头部横断面CT图像属于眼眶正常图像的概率;
头部分类单元,用于根据多个所述异常概率、多个所述正常概率和第二机器学习分类算法获取所述头部的种类,所述种类包括眼眶异常的头部和眼眶正常的头部。
第三方面,本发明提供一种头部的CT图像的处理设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述的头部的CT图像的处理方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行所述的头部的CT图像的处理方法。
本发明的有益效果是:
本发明通过对头部的横断面CT图像进行物理间距重采样处理后,再对其进行阈值分割并以头部感兴趣区域的最大外接矩形为边界切割得到头部横断面CT图像,在利用第一机器学习分类算法和第二机器学习分类算法获取头部的分类,实现对头部的眼眶进行分类,克服现有技术中存在医生依靠肉眼诊断眼眶病,诊断效率低下且存在诊断差异的技术问题,利用智能算法进行处理提高了对CT图像的处理效率,并且获取到头部的眼眶分类可以辅助医生进行眼眶病诊断,提高诊断效率。
另外,本发明还通过第三机器学习分类算法获取头部中眼眶异常的区域,实现异常区域定位以帮助医生直接观察头部的异常部分,可快速给出诊断结果,进一步提高诊断效率。
附图说明
图1是本发明中一种头部的CT图像的处理方法的一具体实施例流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1
参考图1,图1是本发明中一种头部的CT图像的处理方法的一具体实施例流程图,一种头部的CT图像的处理方法,包括以下步骤:
(1)图像获取步骤,获取头部的多张横断面CT图像;具体地,获取到病人的原始CT数据后,需要对原始数据做数据清洗,去除不需要的冗余数据,冗余数据包括非头部的CT数据、病人在急诊拍的厚层扫描CT、医生要求三维重建后保存的非横断面的CT图像等,仅保留病人头部的横断面CT图像,由于薄层扫描包含更多的信息,所以横断面CT图像选择薄层扫描的横断面CT图像。
(2)重采样步骤,对所有横断面CT图像进行物理间距重采样处理;具体地,物理间距是指CT图像的像素点之间的物理距离(以毫米为单位),不同的物理间距下,同样维度的像素矩阵真正表示的实际物理范围(以真实的物理距离为单位)是不同的,所以需要消除这种差异。另外,物理间距依据扫描设备的不同而不同,且保存在DICOM(医学数字成像和通信)标准中。因CT在空间内三个方向上都存在物理间距,所以需要根据每张横断面CT图像的物理间距对每个CT像素矩阵在三个维度上做重采样,统一物理间距,以保证其物理间距的一致性,确保物理间距这一差异不会影响后续处理判断过程的结果的准确性。
(3)图像切割步骤,对重采样处理后的横断面CT图像进行阈值分割后,以头部感兴趣区域的最大外接矩形为边界切割横断面CT图像得到多张头部横断面CT图像;具体地,由于原始的CT图像中存在很多噪声,例如因机器反射得到的CT值,通过采用阈值分割、提取最大连通区域以提取头部的感兴趣区域(感兴趣区域是指头部的区域图像),而将头部以外的其他部分都当作背景区域的方法可以有效去除CT图像的噪声。进一步具体地,首先,设置横断面CT图像的像素阈值,并根据像素阈值对横断面CT图像进行图像分割以获取头部感兴趣区域;再选取头部感兴趣区域中最大连通区域的部分作为最终的头部感兴趣区域。为了进一步去除图像的背景区域并且保留更多的图像信息,对每个头部感兴趣区域取外接最大矩形,并去除矩形外的背景部分,用这种方法来减小图像的尺寸,而不是简单的直接放缩,相当于去除背景区域,提高了头部在整张图像里的占比。
(4)归一化处理步骤,对每张头部横断面CT图像进行像素值归一化处理;具体地,将DICOM标准中的图像信息提取出来后,根据公式HU = pixel * slope + intercept将图像的像素值pixel转换为CT强度值HU,其中参数slope和intercpet可以从DICOM中RescaleSlope和RescaleIntercept两个标签中读取得到。然后根据设定的窗位和窗宽来设定CT强度值的上下界,令超过上(下)界的CT强度值取上(下)界的值,最后将CT强度值放缩到0-1之间,即为CT值的归一化。
(5)概率获取步骤,根据头部横断面CT图像和第一机器学习分类算法获取每张头部横断CT图像的异常概率和正常概率,异常概率为头部横断面CT图像属于眼眶异常图像的概率,正常概率为头部横断面CT图像属于眼眶正常图像的概率;具体地,本实施例中,第一机器学习分类算法采用预设的第一三维卷积神经网络(3D-CNN),按头部垂直轴方向顺序提取头部横断面CT图像并将其输入至3D-CNN中做单张头部横断面CT图像分类,获取到每张头部横断面CT图像的异常概率和正常概率。
(6)头部分类步骤,根据头部的多个异常概率、多个正常概率和第二机器学习分类算法获取头部的种类,种类包括眼眶异常的头部和眼眶正常的头部。具体地,本实施例中,第二机器学习分类算法采用支持向量机分类算法,对头部的多个异常概率和多个正常概率提取高维特征,并输入到支持向量机(SVM)分类算法中做头部分类。例如,支持向量机分类算法中可以设置异常概率阈值和多个分类阈值,如异常概率阈值为90%,分类阈值包括异常概率平均值阈值、异常概率的方差阈值、异常概率超过异常概率阈值的比例阈值,则通过获取病人的异常概率平均值、异常概率的方差、异常概率超过90%的图像个数占总图像个数的比例等分类参数,可以获取到病人头部的分类,其中,异常概率平均值为病人所有的异常概率的平均值,异常概率的方差同理,为病人所有的异常概率与平均值之间的方差,而异常概率超过异常概率阈值的比例为病人的异常概率中超过异常概率阈值的图像的个数占总图像个数的比例。当病人的分类参数均超过分类阈值时,表明病人的头部的种类为眼眶异常的头部,否则,头部的分类为眼眶正常的头部。
(7)异常定位步骤,根据头部横断面CT图像和第三机器学习分类算法获取每张头部横断面CT图像的异常区域以实现整个头部的异常区域定位,异常区域为眼眶异常的区域。具体地,本实施例中,第三机器学习分类算法采用预设的第二三维卷积神经网络,利用3D-CNN做单张头部横断面CT图像的异常区域定位,头部横断面CT图像的像素值通过3D-CNN的卷积计算获得概率热图,概率热图给出头部横断面CT图像的异常区域的预测结果。最后,将头部的多张头部横断面CT图像(异常区域已定位完成的头部横断面CT图像)按照顺序叠加起来就可以整合得到头部的异常区域。异常定位步骤可以帮助医生直接观察病人的头部的异常部分,快速给出诊断结果,进一步提高诊断效率。
(8)输出步骤,将头部的种类和/或头部的异常区域生成处理报告进行输出,方便医生快速查阅处理结果。
一种头部的CT图像的处理方法,充分利用头部CT中的信息,整个分类、异常区域定位的过程为智能算法自动化完成,大大提高了诊断效率;而获取到头部的眼眶分类可以辅助医生进行眼眶病诊断,解决了传统诊断准确性依靠医生水平及经验、诊断效率低下的问题,提高了诊断及定位的准确率和效率。
实施例2
一种头部的CT图像的处理系统,包括:
图像获取单元,用于获取头部的多张横断面CT图像;
重采样单元,用于对横断面CT图像进行物理间距重采样处理;
图像切割单元,用于对重采样处理后的横断面CT图像进行阈值分割后,以头部感兴趣区域的最大外接矩形为边界切割横断面CT图像得到多张头部横断面CT图像;
归一化处理单元,用于对每张头部横断面CT图像进行像素值归一化处理;
概率获取单元,用于根据头部横断面CT图像和第一机器学习分类算法获取每张头部横断CT图像的异常概率和正常概率,异常概率为头部横断面CT图像属于眼眶异常图像的概率,正常概率为头部横断面CT图像属于眼眶正常图像的概率;
头部分类单元,用于根据多个异常概率、多个正常概率和第二机器学习分类算法获取头部的种类,种类包括眼眶异常的头部和眼眶正常的头部;
异常定位单元,用于根据头部横断面CT图像和第三机器学习分类算法获取每张头部横断面CT图像的异常区域以实现整个头部的异常区域定位,异常区域为眼眶异常的区域;
输出单元,用于将头部的种类和/或头部的异常区域进行输出。
头部的CT图像的处理系统的具体工作过程参照实施例1的描述,不再赘述。
实施例3
一种头部的CT图像的处理设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述的头部的CT图像的处理方法。头部的CT图像的处理方法的具体描述参照实施例1的描述,不再赘述。
实施例4
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行所述的头部的CT图像的处理方法。头部的CT图像的处理方法的具体描述参照实施例1的描述,不再赘述。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
1.一种头部的CT图像的处理方法,其特征在于,包括以下步骤:
图像获取步骤,获取薄层扫描的头部的多张横断面CT图像;
重采样步骤,根据每张横断面CT图像的物理间距对每个CT像素矩阵在三个维度上做重采样;
图像切割步骤,对重采样处理后的横断面CT图像进行阈值分割后,以头部感兴趣区域的最大外接矩形为边界切割所述横断面CT图像得到多张头部横断面CT图像;
概率获取步骤,按头部垂直轴方向顺序提取所述头部横断面CT图像,通过预设的第一三维卷积神经网络为每张所述头部横断CT图像进行图像分类,获取每张所述头部横断CT图像的异常概率和正常概率,所述异常概率为所述头部横断面CT图像属于眼眶异常图像的概率,所述正常概率为所述头部横断面CT图像属于眼眶正常图像的概率;
头部分类步骤,对头部的多个异常概率和多个正常概率提取高维特征,并将所述高维特征输入至支持向量机分类算法做头部分类,其中,所述支持向量机分类算法中设置异常概率阈值和多个分类阈值,分类阈值包括异常概率平均值阈值、异常概率的方差阈值、异常概率超过异常概率阈值的比例阈值,则通过获取病人的分类参数,获取头部的分类,其中,分类参数为异常概率平均值、异常概率的方差、异常概率超过异常概率阈值的图像个数占总图像个数的比例,异常概率平均值为病人所有的异常概率的平均值,异常概率的方差为病人所有的异常概率与平均值之间的方差,异常概率超过异常概率阈值的比例为病人的异常概率中超过异常概率阈值的图像的个数占总图像个数的比例,当病人的分类参数均超过分类阈值时,则病人的头部的种类为眼眶异常的头部,否则,头部的分类为眼眶正常的头部;
异常定位步骤,通过预设的第二三维卷积神经网络,对每张所述头部横断面CT图像的像素值进行卷积计算,以获取概率热图,所述概率热图表示所述头部横断面CT图像的异常区域的预测结果,将多张已完成异常区域预测的头部横断面CT图像按照顺序叠加,整合获取头部的异常区域,所述异常区域为眼眶异常的区域;
输出步骤,将所述头部的种类和/或头部的异常区域进行输出。
2.根据权利要求1所述的头部的CT图像的处理方法,其特征在于,所述概率获取步骤之前还包括步骤:
归一化处理步骤,对每张头部横断面CT图像进行像素值归一化处理。
3.一种头部的CT图像的处理系统,其特征在于,包括:
图像获取单元,用于获取薄层扫描的头部的多张横断面CT图像;
重采样单元,用于根据每张横断面CT图像的物理间距对每个CT像素矩阵在三个维度上做重采样;
图像切割单元,用于对重采样处理后的横断面CT图像进行阈值分割后,以头部感兴趣区域的最大外接矩形为边界切割所述横断面CT图像得到多张头部横断面CT图像;
概率获取单元,用于按头部垂直轴方向顺序提取所述头部横断面CT图像,通过预设的第一三维卷积神经网络为每张所述头部横断CT图像进行图像分类,获取每张所述头部横断CT图像的异常概率和正常概率,所述异常概率为所述头部横断面CT图像属于眼眶异常图像的概率,所述正常概率为所述头部横断面CT图像属于眼眶正常图像的概率;
头部分类单元,用于对头部的多个异常概率和多个正常概率提取高维特征,并将所述高维特征输入至支持向量机分类算法做头部分类,其中,所述支持向量机分类算法中设置异常概率阈值和多个分类阈值,分类阈值包括异常概率平均值阈值、异常概率的方差阈值、异常概率超过异常概率阈值的比例阈值,则通过获取病人的分类参数,获取头部的分类,其中,分类参数为异常概率平均值、异常概率的方差、异常概率超过异常概率阈值的图像个数占总图像个数的比例,异常概率平均值为病人所有的异常概率的平均值,异常概率的方差为病人所有的异常概率与平均值之间的方差,异常概率超过异常概率阈值的比例为病人的异常概率中超过异常概率阈值的图像的个数占总图像个数的比例,当病人的分类参数均超过分类阈值时,则病人的头部的种类为眼眶异常的头部,否则,头部的分类为眼眶正常的头部;
异常定位单元,用于通过预设的第二三维卷积神经网络,对每张所述头部横断面CT图像的像素值进行卷积计算,以获取概率热图,所述概率热图表示所述头部横断面CT图像的异常区域的预测结果,将多张已完成异常区域预测的头部横断面CT图像按照顺序叠加,整合获取头部的异常区域,所述异常区域为眼眶异常的区域;
输出单元,将所述头部的种类和/或头部的异常区域进行输出。
4.一种头部的CT图像的处理设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至2任一项所述的头部的CT图像的处理方法。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至2任一项所述的头部的CT图像的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811533127.4A CN109829921B (zh) | 2018-12-14 | 2018-12-14 | 一种头部的ct图像的处理方法及其系统、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811533127.4A CN109829921B (zh) | 2018-12-14 | 2018-12-14 | 一种头部的ct图像的处理方法及其系统、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829921A CN109829921A (zh) | 2019-05-31 |
CN109829921B true CN109829921B (zh) | 2023-10-31 |
Family
ID=66858878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811533127.4A Active CN109829921B (zh) | 2018-12-14 | 2018-12-14 | 一种头部的ct图像的处理方法及其系统、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829921B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783682B (zh) * | 2020-07-02 | 2022-11-04 | 上海交通大学医学院附属第九人民医院 | 眼眶骨折自动识别模型构建方法、装置、设备和介质 |
CN111951219B (zh) * | 2020-07-09 | 2022-12-20 | 上海交通大学 | 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916443A (zh) * | 2010-08-19 | 2010-12-15 | 中国科学院深圳先进技术研究院 | Ct图像的处理方法及系统 |
WO2015070723A1 (zh) * | 2013-11-12 | 2015-05-21 | 华为终端有限公司 | 眼部图像处理方法和装置 |
CN105427296A (zh) * | 2015-11-11 | 2016-03-23 | 北京航空航天大学 | 一种基于超声图像低秩分析的甲状腺病灶图像识别方法 |
CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
KR20180045551A (ko) * | 2016-10-26 | 2018-05-04 | 고려대학교 산학협력단 | 구강 병변의 진단 시스템 및 방법 |
CN207473215U (zh) * | 2017-09-29 | 2018-06-08 | 清佑(上海)计算机科技有限公司 | 一种影像诊断观片装置 |
CN108294772A (zh) * | 2017-12-31 | 2018-07-20 | 北京纳米维景科技有限公司 | 一种ct扫描视觉定位方法及ct系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10346975B2 (en) * | 2016-06-06 | 2019-07-09 | Case Western Reserve University | Computerized analysis of computed tomography (CT) imagery to quantify tumor infiltrating lymphocytes (TILs) in non-small cell lung cancer (NSCLC) |
US10963737B2 (en) * | 2017-08-01 | 2021-03-30 | Retina-Al Health, Inc. | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
-
2018
- 2018-12-14 CN CN201811533127.4A patent/CN109829921B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916443A (zh) * | 2010-08-19 | 2010-12-15 | 中国科学院深圳先进技术研究院 | Ct图像的处理方法及系统 |
WO2015070723A1 (zh) * | 2013-11-12 | 2015-05-21 | 华为终端有限公司 | 眼部图像处理方法和装置 |
CN105427296A (zh) * | 2015-11-11 | 2016-03-23 | 北京航空航天大学 | 一种基于超声图像低秩分析的甲状腺病灶图像识别方法 |
KR20180045551A (ko) * | 2016-10-26 | 2018-05-04 | 고려대학교 산학협력단 | 구강 병변의 진단 시스템 및 방법 |
CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
CN207473215U (zh) * | 2017-09-29 | 2018-06-08 | 清佑(上海)计算机科技有限公司 | 一种影像诊断观片装置 |
CN108294772A (zh) * | 2017-12-31 | 2018-07-20 | 北京纳米维景科技有限公司 | 一种ct扫描视觉定位方法及ct系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109829921A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11568533B2 (en) | Automated classification and taxonomy of 3D teeth data using deep learning methods | |
CN109636808B (zh) | 一种基于全卷积神经网络的肺叶分割方法 | |
JP2019525786A (ja) | 解剖学的対象物を自動的に検出、位置特定、及びセマンティックセグメンテーションするシステム及び方法 | |
US20070031020A1 (en) | Method and apparatus for intracerebral hemorrhage lesion segmentation | |
CN111008984A (zh) | 医学影像中正常器官的轮廓线自动勾画方法及系统 | |
KR102373988B1 (ko) | 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법 | |
US20230177698A1 (en) | Method for image segmentation, and electronic device | |
Sawakare et al. | Classification of brain tumor using discrete wavelet transform, principal component analysis and probabilistic neural network | |
KR102162683B1 (ko) | 비정형 피부질환 영상데이터를 활용한 판독보조장치 | |
CN109829921B (zh) | 一种头部的ct图像的处理方法及其系统、设备、存储介质 | |
CN114332040A (zh) | 一种基于多模态的甲状腺肿瘤图像分类方法及终端设备 | |
CN110738643A (zh) | 脑出血的分析方法、计算机设备和存储介质 | |
CN112233132A (zh) | 一种基于无监督学习的脑磁共振图像分割方法及装置 | |
US20220051400A1 (en) | Systems, methods, and media for automatically transforming a digital image into a simulated pathology image | |
CN111918611B (zh) | 胸部x线图像的异常显示控制方法、记录介质及装置 | |
CN109816665B (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
KR102476888B1 (ko) | 디지털 병리이미지의 인공지능 진단 데이터 처리 장치 및 그 방법 | |
Bharodiya | Feature extraction methods for ct-scan images using image processing | |
Subramanya et al. | Classification of normal and medical renal disease using B-mode ultrasound images | |
CN113723417B (zh) | 基于单视图的影像匹配方法、装置、设备及存储介质 | |
Xu et al. | A Multi-scale Attention-based Convolutional Network for Identification of Alzheimer's Disease based on Hippocampal Subfields | |
CN112967295A (zh) | 一种基于残差网络和注意力机制的图像处理方法及系统 | |
Singh et al. | Preprocessing of Medical Images using Deep Learning: A Comprehensive Review | |
CN113989277B (zh) | 用于医用放射诊疗检查的成像方法及装置 | |
WO2023157439A1 (ja) | 画像処理装置及びその作動方法、推論装置並びに学習装置 |
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 |