CN110163828B - 基于超声射频信号的乳腺钙化点图像优化系统及方法 - Google Patents
基于超声射频信号的乳腺钙化点图像优化系统及方法 Download PDFInfo
- Publication number
- CN110163828B CN110163828B CN201910618211.4A CN201910618211A CN110163828B CN 110163828 B CN110163828 B CN 110163828B CN 201910618211 A CN201910618211 A CN 201910618211A CN 110163828 B CN110163828 B CN 110163828B
- Authority
- CN
- China
- Prior art keywords
- radio frequency
- module
- calcification
- time
- ultrasonic
- 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
- 230000002308 calcification Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 25
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 12
- 238000005457 optimization Methods 0.000 title claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 206010048782 Breast calcifications Diseases 0.000 claims abstract description 4
- 230000015654 memory Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000010339 dilation Effects 0.000 claims 1
- 230000003628 erosive effect Effects 0.000 claims 1
- 230000004807 localization Effects 0.000 claims 1
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000002203 pretreatment Methods 0.000 claims 1
- 208000004434 Calcinosis Diseases 0.000 abstract description 31
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000002604 ultrasonography Methods 0.000 description 12
- 210000000481 breast Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 206010006187 Breast cancer Diseases 0.000 description 4
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 208000037396 Intraductal Noninfiltrating Carcinoma Diseases 0.000 description 1
- 206010073094 Intraductal proliferative breast lesion Diseases 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000028715 ductal breast carcinoma in situ Diseases 0.000 description 1
- 201000007273 ductal carcinoma in situ Diseases 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种基于超声射频信号的乳腺钙化点图像优化系统及方法，包括：预处理模块、钙化点处理模块和增强显示模块，其中：预处理模块与数据来源相连并传输原始射频信号信息，钙化点处理模块与预处理相连并传输单通道射频信号信息，增强显示模块与输出端相连并传输增强显示图片信息。本发明基于乳腺射频信号的特点设计深度学习网络，高效率检测钙化点，进行增强显示。
Description
技术领域
本发明涉及的是一种医疗图像处理领域的技术，具体是一种基于超声射频信号的乳腺钙化点图像优化系统及方法。
背景技术
乳腺癌目前的发病原因尚未完全明了，因此在疾病的治疗与管理方面仍然需要谨慎对待。目前得到的共识是，早期发现和治疗可以大幅提升乳腺癌的长期生存率，有益于患者的愈后。现有诊断模式中，对于乳腺癌较为有效且普及的影像学方式是超声和钼靶，超声因其无创性、成像速度快、成像价格低、可重复性强和无电磁辐射，适合亚洲女性的致密性乳腺的特点，在中国地区更加广泛接受。
根据美国放射学会提出的乳腺影像报告和数据系统(Breast imaging-reportingand data system,BI-RADS)，钙化点是恶性乳腺肿瘤的最早迹象，并且通常存在于导管原位癌等浸润性癌症中。但钙化点其本身较小，而传统的超声图像受超声成像方式的限制，包含大量斑点噪声，使得图像边界模糊、信噪比低，从而钙化点视觉上观察不明显，影响临床诊断。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于超声射频信号的乳腺钙化点图像优化系统及方法，基于乳腺射频信号的特点设计深度学习网络，高效率检测钙化点，进行增强显示。
本发明是通过以下技术方案实现的：
本发明涉及一种基于超声射频信号的乳腺钙化点图像优化系统，包括：预处理模块、钙化点处理模块和增强显示模块，其中：预处理模块与数据来源相连并传输原始射频信号信息，钙化点处理模块与预处理相连并传输单通道射频信号信息，增强显示模块与输出端相连并传输增强显示图片信息。
本发明涉及一种基于上述系统的乳腺钙化点图像优化方法，通过对多通道乳腺超声射频信号进行预处理得到单通道射频信号，然后采用全卷积神经网络对单通道射频信号进行钙化点定位；最后通过在射频信号对应的超声图像的每个定位区域进行图形增强并输出优化图像。
所述的全卷积神经网络包括：包含卷积长短时记忆模块的特征提取部分和三级识别部分，其中：特征提取部分提取单通道射频信号的时域特征并输出至识别部分，通过每一级识别部分依次进行目标点大小识别。
技术效果
与现有技术相比，本发明提出了用深度学习方法从乳腺射频信号检测钙化点并进行图像优化的全新技术，该技术带来的创新工业技术效果为：超声图更加易于显示钙化点。
附图说明
图1为乳腺超声射频钙化点检测与增强流程图；
图2为多通道射频信号预处理示意图；
从各阵元接收到的回波信号中取出相应延时的信号，进行加权平均为波束形成后的输出信号。
图3a为全卷积神经网络结构示意图；
图3b为全卷积神经网络中残差层结构示意图；
图3c为残差层中的残差单元示意图；
图3d为残差单元中卷积长短时记忆模块示意图；
图4为实施例效果示意图；
图中：(a)～(g)对应不同实施数据，第一列为原始超声图像，第二列为经手工标注的手工选择，第三列为射频信号检测结果，第四列为超声图像钙化点增强显示结果。
具体实施方式
在医学超声中，声波通过多通道换能器传输。当超声波到达介质时，会产生散射回波，这些回波由同一个传感器接收，也被记录在多个通道中。本实施例采用复旦大学附属肿瘤医院超声科iuStar380超声系统采集乳腺超声射频信号。该系统装配有7.5Mhz/128阵列超声探头，本实施例中共采集了337例射频信号，原始RF信号大小为256×3456的64通道信号。
如图1所示，为本实施例涉及的基于超声射频信号的乳腺钙化点图像优化系统，包括：预处理模块、钙化点处理模块和增强显示模块，其中：预处理模块与数据来源相连并传输原始射频信号信息，钙化点处理模块与预处理相连并传输单通道射频信号信息，增强显示模块与输出端相连并传输增强显示图片信息。
本实施例涉及上述系统的图像优化方法，具体包括以下步骤：
步骤1、预处理：采用典型延时叠加方法(delay and sum,DAS)进行多通道信号融合处理，如图2所示，当一列共N个阵元的换能器阵列用于接收信号，成像点n的回波信号到达各接收阵元的时间为τn，其中n为阵元编号满足1＜n＜N；从各阵元接收到的回波信号中取出相应延时的信号，进行加权平均为DAS输出信号：
其中：s(t)为接收的超声回波信号，N为阵列的总数，r为阵元到成像区域的距离，c为超声波的传播速度来自场的超声波的传播时间指向传感器阵列坐标的原点。
所述的融合处理集成了多通道信息在一条扫描线上，大大减少了计算时间。实际应用中，为减少旁瓣干扰和噪声，优选进一步增加如海明窗、三角窗、Blackman窗等窗函数来代替等权重的加权方式以避免幅度变迹，即在削弱旁瓣噪声的同时也会增加主瓣宽度，导致分辨率呈现一定程度的下降。
本实施例中使用窗函数为海明窗，融合处理后射频信号为256×256大小的单通道信号。
钙化点大小在约12-400像素的范围内，平均为50像素。乳腺肿瘤内的所有钙化均为手工标记。
步骤2、钙化点定位：本实施例采用基于YOLOv3(You Only Look Once,version 3)并结合卷积长短时记忆模块(convolutional long short-term memory,ConvLSTM)的全卷积神经网络对信号进行处理。
所述的全卷积神经网络将输入图像分成S×S网格，当训练集中某一个矩形框(感兴趣区域)中心落在了输入图像的某一个网格，则以该网格用来预测此物体的矩形框，网格所对应的标签被赋予1，其余的网格标签为0。
训练前，提前将乳腺射频信号训练集中的所有钙化点标记矩形框使用K-means聚类分成9个类别，每3个类别对应一个尺度，每个网格被赋予3个不同尺度的先验框。矩形框大小的先验信息极大地帮助网络准确的预测每个值。
在全卷积神经网络的训练过程中，这个网格会逐渐学会如何选择哪个大小的先验框，以及对这个框进行微调。网格会选取与手工选择矩形框的面积重合度最高的先验框，来预测最终矩形框中心坐标、长度、宽度和置信度。
如图3a所示，所述的全卷积神经网络包括：包含卷积长短时记忆模块的特征提取部分和三级识别部分，其中：特征提取部分包括补零模块、卷积长短时记忆模块和若干个残差单元；三级识别部分包括三级探测层和设置于其间的上采样层。
所述的卷积长短时记忆模块包括：2D卷积层(Con2D)、批归一化层(BN)、线性修正单元层(LeakyReLU)和长短时记忆模块(LSTM)，其中：当输入256×256超声射频信号，通过2D卷积层获得特征图，根据时间序列特点，将要特征图划分为256个256×1大小的向量，然后，将这些向量送到长短时记忆模块获得ConvLSTM的特征输出。
所述的卷积长短时记忆模块使用前一层的输出作为当前图层的输入，不同之处在于卷积之后添加长短时记忆模块，不仅可以通过卷积提取空间特征，还可以通过长短时记忆模块获得时间序列的关系。
所述的残差单元通过利用剩余结构，更加深入得训练网络结构。每个残差单元学习一个残差函数，就是说，每个残差单元的输入不仅输入至长短时记忆卷积层、通过批标准化和ReLu进行处理，也添加到该残差单元的最后一个卷积层的输出。
所述的全卷积神经网络的损失函数为：
其中：xi,yi,wi,hi,ci,pi分别是预测的矩形框的中心点横坐标、纵坐标、宽度、高度、重合面积和分类结果，此处类别为钙化点，相应的手工选择为
l∈{0,1}，BCE(binary cross entropy)代表二元交叉熵，FL(Focal loss)为聚焦损失用来平衡有目标和没有目标的样本数量。
表1钙化点检测网络层结构
为了应对钙化点目标尺度较小的情况，本实施例优选通过下采样给出三个输入图像的尺寸等级，分别为32、16和8，此过程基于FPN(feature pyramid networks)，它使用多尺度方法来检测不同的目标大小。上采样的网络层与前面的层连接在一起，提供细节特征，有助于检测小物体(例如，乳房超声射频信号中的钙化点)。
步骤3、钙化点增强显示：将射频信号中定位区域的中心位置和矩形框尺寸，映射在超声图像的相应位置，对矩形框内的图像进行对比度增强。
所述的对比度增强采用形态学领域的顶帽变换和底帽变换，从而增加矩形框内钙化点与背景的对比度，使得钙化点在超声图像中实现灰度增强。
所述的顶帽变换为原始图像减去其开运算的图像，即原始图像减去先腐蚀再膨胀处理后得到的结果，其显示效果为完全删除了不能包含结构元素的对象区域，平滑了对象的轮廓，断开了狭窄的连接，去掉了细小的突出部分。
所述的底帽变换是原始图像减去其闭运算后的图像，即原始图像减去先膨胀再腐蚀处理后得到的结果，其显示效果为平滑对象的轮廓，但是与开运算不同的是，闭运算，一般会将狭窄的缺口连接起来形成细长的弯口，并填充比结构元素小的洞。
本实施例所得图像可以但不限于以下进一步应用：如图4(a)～(g)所示，本实施例共对337例乳腺射频信号进行处理，检测准确率达91％，其中第一列为原始超声图像，第二列为手工标注手工选择，第三列为射频信号检测结果，第四列为超声图像钙化点增强显示结果。
经过具体实际实验，在Python3.6、NVIDIA TITAN Xp环境下，以处理块大小为32运行上述方法，能够得到的实验数据是：检测准确率91％，每一帧处理时间为0.03s。与现有技术相比，本方法的性能指标提升在于：钙化点检测的准确性与检测的速度。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (8)
1.一种基于超声射频信号的乳腺钙化点图像优化方法，其特征在于，通过对多通道乳腺超声射频信号进行预处理得到单通道射频信号，然后采用全卷积神经网络对单通道射频信号进行钙化点定位；最后通过在射频信号对应的超声图像的每个定位区域进行图形增强并输出优化图像；
所述的全卷积神经网络包括：包含卷积长短时记忆模块的特征提取部分和三级识别部分；
所述的图形增强包括顶帽变换和底帽变换的对比度增强。
2.根据权利要求1所述的方法，其特征是，所述的预处理是指：采用典型延时叠加方法进行多通道信号融合处理，即从各阵元接收到的回波信号中取出相应延时的信号，进行加权平均后输出，具体为：
其中：s(t)为接收的超声回波信号，N为阵列的总数，r为阵元到成像区域的距离，c为超声波的传播速度；通过计算不同阵元的延时，使不同阵元接收到的超声叠加在同一点，成像点n的回波信号到达各接收阵元的时间为τ炔，n为阵元编号满足1<n<N。
3.根据权利要求1所述的方法，其特征是，所述的全卷积神经网络中：特征提取部分包括补零模块、卷积长短时记忆模块和若干个残差单元；三级识别部分包括三级探测层和设置于其间的上采样层。
4.根据权利要求1或3所述的方法，其特征是，所述的卷积长短时记忆模块包括：2D卷积层、批归一化层、线性修正单元层和长短时记忆模块，当输入256×256超声射频信号，通过2D卷积层获得特征图，根据时间序列特点，将特征图划分为256个256×1大小的向量，然后，将这些向量送到长短时记忆模块获得ConvLSTM的特征输出；该卷积长短时记忆模块使用前一层的输出作为当前图层的输入，通过卷积提取空间特征并通过长短时记忆模块获得时间序列的关系。
5.根据权利要求3所述的方法，其特征是，所述的残差单元学习一个残差函数，即每个残差单元的输入不仅输入至长短时记忆卷积层、通过批标准化和ReLu进行处理，也添加到该残差单元的最后一个卷积层的输出。
6.根据权利要求1所述的方法，其特征是，所述的全卷积神经网络的损失函数为：
7.根据权利要求1所述的方法，其特征是，所述的顶帽变换为原始图像减去其开运算的图像，即原始图像减去先腐蚀再膨胀处理后得到的结果；所述的底帽变换是原始图像减去其闭运算后的图像，即原始图像减去先膨胀再腐蚀处理后得到的结果。
8.一种实现权利要求1～7中任一所述方法的基于超声射频信号的乳腺钙化点图像优化系统，其特征在于，包括：预处理模块、钙化点处理模块和增强显示模块，其中：预处理模块与数据来源相连并传输原始射频信号信息，钙化点处理模块与预处理相连并传输单通道射频信号信息，增强显示模块与输出端相连并传输增强显示图片信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910618211.4A CN110163828B (zh) | 2019-07-10 | 2019-07-10 | 基于超声射频信号的乳腺钙化点图像优化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910618211.4A CN110163828B (zh) | 2019-07-10 | 2019-07-10 | 基于超声射频信号的乳腺钙化点图像优化系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110163828A CN110163828A (zh) | 2019-08-23 |
| CN110163828B true CN110163828B (zh) | 2022-02-18 |
Family
ID=67637970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910618211.4A Active CN110163828B (zh) | 2019-07-10 | 2019-07-10 | 基于超声射频信号的乳腺钙化点图像优化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163828B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111274894A (zh) * | 2020-01-15 | 2020-06-12 | 太原科技大学 | 一种基于改进YOLOv3的人员在岗状态检测方法 |
| CN113536989B (zh) * | 2021-06-29 | 2024-06-18 | 广州博通信息技术有限公司 | 基于摄像视频逐帧分析的制冷机结霜监控方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104143047A (zh) * | 2014-07-21 | 2014-11-12 | 华北电力大学（保定） | 血管内超声灰阶图像的自动组织标定方法 |
| CN108416360A (zh) * | 2018-01-16 | 2018-08-17 | 华南理工大学 | 基于乳腺钼靶钙化特征的癌症诊断系统及方法 |
| CN108960313A (zh) * | 2018-06-26 | 2018-12-07 | 南京工程学院 | 基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法 |
| CN109559303A (zh) * | 2018-11-22 | 2019-04-02 | 广州达美智能科技有限公司 | 钙化点的识别方法、装置和计算机可读存储介质 |
| CN109829896A (zh) * | 2019-01-14 | 2019-05-31 | 中国科学院苏州生物医学工程技术研究所 | 基于多域特征的数字乳腺x射线断层摄影图像的微钙化簇自动检测方法 |
-
2019
- 2019-07-10 CN CN201910618211.4A patent/CN110163828B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104143047A (zh) * | 2014-07-21 | 2014-11-12 | 华北电力大学（保定） | 血管内超声灰阶图像的自动组织标定方法 |
| CN108416360A (zh) * | 2018-01-16 | 2018-08-17 | 华南理工大学 | 基于乳腺钼靶钙化特征的癌症诊断系统及方法 |
| CN108960313A (zh) * | 2018-06-26 | 2018-12-07 | 南京工程学院 | 基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法 |
| CN109559303A (zh) * | 2018-11-22 | 2019-04-02 | 广州达美智能科技有限公司 | 钙化点的识别方法、装置和计算机可读存储介质 |
| CN109829896A (zh) * | 2019-01-14 | 2019-05-31 | 中国科学院苏州生物医学工程技术研究所 | 基于多域特征的数字乳腺x射线断层摄影图像的微钙化簇自动检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| CFCM: Segmentation via Coarse to Fine Context Memory;Fausto Milletari et al;《arXiv：1806.01413v1》;20180604;第1-9页 * |
| The Delay Multiply and Sum Beamforming Algorithm in Ultrasound B-Mode Medical Imaging;Giulia Matrone et al;《IEEE transactions on medical imaging》;20150430;第34卷(第4期);第940-949页 * |
| 高频超声诊断乳腺肿块内钙化性质的临床研究;糜晓瀛等;《浙江医学教育》;20180430;第17卷(第2期) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110163828A (zh) | 2019-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101906916B1 (ko) | 지식-기반 초음파 이미지 개선 | |
| CN110325119B (zh) | 卵巢卵泡计数和大小确定 | |
| EP2016905B1 (en) | Ultrasound diagnostic apparatus | |
| US9700284B2 (en) | Three-dimensional ultrasound reconstruction with confidence information | |
| US8187187B2 (en) | Shear wave imaging | |
| US8343053B2 (en) | Detection of structure in ultrasound M-mode imaging | |
| CN103239258B (zh) | 采用超声波的同轴切变波表征 | |
| US8374892B2 (en) | Method for retrieving a tumor contour of an image processing system | |
| US20200196987A1 (en) | Method and system to manage beamforming parameters based on tissue density | |
| US20120154400A1 (en) | Method of reducing noise in a volume-rendered image | |
| CN110163828B (zh) | 基于超声射频信号的乳腺钙化点图像优化系统及方法 | |
| Wee et al. | Nuchal translucency marker detection based on artificial neural network and measurement via bidirectional iteration forward propagation | |
| JP2022506134A (ja) | 医用画像内でのインターベンションデバイスの識別 | |
| JP2005193017A (ja) | 乳房患部分類の方法及びシステム | |
| CN111047608A (zh) | 一种基于Distance-AttU-Net的端到端的乳腺超声图像的分割方法 | |
| CN103169506A (zh) | 一种自动识别肝癌的超声诊断装置和方法 | |
| CN108670301B (zh) | 一种基于超声影像的脊柱横突定位方法 | |
| CN111820948A (zh) | 胎儿生长参数测量方法、系统及超声设备 | |
| Qiao et al. | Breast calcification detection based on multichannel radiofrequency signals via a unified deep learning framework | |
| CN107480691B (zh) | 一种基于超声数据降维的甲状腺结构特征提取方法及系统 | |
| CN114159099A (zh) | 乳腺超声成像方法及设备 | |
| US11484286B2 (en) | Ultrasound evaluation of anatomical features | |
| US8801616B2 (en) | Ultrasonic diagnostic apparatus and ultrasonic image processing method | |
| JP6483659B2 (ja) | 超音波による微小石灰化の検出のためのビームフォーミング技術 | |
| CN115761373A (zh) | 一种基于核磁共振图像的乳腺检测分类方法 |
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 |