CN110349141A - 一种乳腺病灶定位方法和系统 - Google Patents

一种乳腺病灶定位方法和系统 Download PDF

Info

Publication number
CN110349141A
CN110349141A CN201910600002.7A CN201910600002A CN110349141A CN 110349141 A CN110349141 A CN 110349141A CN 201910600002 A CN201910600002 A CN 201910600002A CN 110349141 A CN110349141 A CN 110349141A
Authority
CN
China
Prior art keywords
key frame
video sequence
mammary gland
breast ultrasound
lesion localization
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.)
Pending
Application number
CN201910600002.7A
Other languages
English (en)
Inventor
周世崇
施俊
常才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University Shanghai Cancer Center
Original Assignee
Fudan University Shanghai Cancer Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fudan University Shanghai Cancer Center filed Critical Fudan University Shanghai Cancer Center
Priority to CN201910600002.7A priority Critical patent/CN110349141A/zh
Publication of CN110349141A publication Critical patent/CN110349141A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种乳腺的病灶定位方法和装置，主要基于乳腺超声视频序列数据，对视频序列进行拆分，处理成连续的图像帧序列，与传统超声图像相比增加了更多的信息量，避免人工选择出现的样本过好的情况，并采用深度学习的方法训练模型，从而对测试集数据实现端到端的定位，同时能够对乳腺病灶区域进行自动检测，最大化的利用了受检者的信息，并为医生的诊断提供了有效的辅助作用，减轻了医生的工作负担。

Description

一种乳腺病灶定位方法和系统
技术领域
本发明涉及超声检查技术领域，具体涉及一种用乳腺病灶定位方法和系统。
背景技术
随着现代社会的高速发展，女性的工作生活压力也愈发严重，乳腺癌的发病率也日益增长。据统计，目前乳腺癌依旧是女性中最常见的恶性肿瘤，近年来，我国乳腺癌的发病率呈迅速上升趋势。在各种恶性肿瘤中，乳腺癌是疗效比较好的一种，然而总的生存率仍然不能令人满意，以早期发现，早期治疗为好。
目前对乳腺癌的筛查主要有临床乳腺检查、乳腺B超和钼靶X线检查三种。乳腺临床检查方便、廉价、无创，但容易漏诊或误诊，需要进一步的定期检查。钼靶X线检查容易发现门诊漏诊的钙化病变，尤其是对乳腺原位癌的微小钙化病灶敏感性最高，对大乳房和脂肪性乳房的诊断率高达95％以上，但缺点是难以显示致密腺体内的病灶，对致密型乳腺及紧贴胸壁的病灶容易漏诊。B型超声作为一种非入侵性的技术，对肿块发现率高，对致密型、腺体组织较多的乳房检测效果较好，已成为乳腺癌诊断及鉴别的重要工具。超声视频序列相比于超声图像而言，所包含的信息量更大，乳腺B超和钼靶有互补作用，两者结合可有效提高乳腺癌的检出率。
随着模式识别和机器学习技术的日益成熟，基于深度学习网络的目标检索及自动检测技术正被应用于医学影像领域。传统目标检测主要基于滑窗法，但基于滑窗的区域选择策略没有针对性，时间复杂度高，窗口冗余，手工设计的特征对于多样性的变化并没有很好的鲁棒性。对于一些特定的目标检测，例如人脸检测与行人检测等已经具有非常成熟的技术，对于医学图像来说，背景噪声复杂，且只有灰度图像，使得传统的目标检测的方法难以获得较好的效果。本发明主要基于乳腺超声视频序列，采用深度学习的方法，对视频序列中的病灶区域进行自动定位。
发明内容
为克服上述技术缺陷，本发明的目的是提供一种乳腺的病灶定位方法和装置，基于乳腺超声视频序列，采用深度学习的方法对视频序列中的病灶区域进行自动定位。
为了达到上述目的，本发明的具体解决方案是提供一种乳腺的病灶定位方法，其特征在于，包括以下步骤：
获取乳腺超声视频序列；
对所述乳腺超声视频序列进行分帧，确定所选乳腺超声视频序列的关键帧和非关键帧；
使用经过训练的卷积神经网络模型对所述乳腺超声视频序列的关键帧进行特征提取，识别所述关键帧中的病灶区域；
计算所述非关键帧的光流场和形变场，进行非关键帧的特征提取，识别非关键帧的病灶区域。
具体的，所述乳腺超声视频序列的分帧过程包括：
设定所述视频序列的关键帧获取频率；
初始化所述视频序列，按照所述关键帧获取频率在所述视频序列中确定关键帧。
具体的，对所述乳腺超声视频序列的关键帧和非关键帧添加标签，所述标签为矩形框，标签内为疑似病灶区域。
具体的，所述卷积神经网络模型至少包括特征提取网络和目标检测网络，
所述特征提取网络对关键帧进行特征识别，经过卷积处理和分类处理后，获得所述关键帧目标检测的特征图；
所述目标检测网络将关键帧的特征图进行区域生成处理，识别所述关键帧的病灶区域。
具体的，所述特征提取网络为残差网络。
具体的，所述目标检测网络为基于区域的全卷积神经网络。
具体的，将所述关键帧的特征图与光流场和形变场相结合，计算出非关键帧的特征图。
具体的，将所述非关键帧的特征图输入目标检测网络进行区域生成处理，识别所述非关键帧的病灶区域。
另一方面，本发明还提供一种乳腺的病灶定位装置，包括图像采集模块、视频图像输入模块和病灶区域检测模块；
所述视频图像采集模块采集乳腺超声视频序列；
所述视频图像输入模块对所述乳腺超声视频序列进行分帧，确定所述乳腺超声视频序列的关键帧和非关键帧；
所述病灶区域检测模块使用经过训练的卷积神经网络模型对所述乳腺超声视频序列的关键帧和非关键帧进行处理，识别所述关键帧中的病灶区域。
具体的，所述视频图像采集模块、视频图像输入模块和病灶区域检测模块均包括至少一个处理器及至少一个存储介质，所述存储介质存储有计算机程序，使得所述处理器执行权利要求上述方法的步骤。
本发明提供一种乳腺的病灶定位方法和装置，主要基于乳腺超声视频序列数据，对视频序列进行拆分，处理成连续的图像l帧序列，与传统超声图像相比增加了更多的信息量，避免人工选择出现的样本过好的情况，并采用深度学习的方法训练模型，从而对测试集数据实现端到端的定位，同时能够对乳腺病灶区域进行自动检测，最大化的利用了受检者的信息，并为医生的诊断提供了有效的辅助作用，减轻了医生的工作负担。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种乳腺的病灶定位方法的方法流程图；
图2是本发明一个实施例的一种乳腺的病灶定位装置的系统架构图。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，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。
下面参照附图描述根据本发明实施例提出的一种乳腺的病灶定位方法和装置，首先将参照附图描述根据本发明实施例一种乳腺的病灶定位方法。
图1是本发明一个实施例的一种乳腺的病灶定位方法的方法流程图。
如图1所示，本实施例的一种乳腺的病灶定位方法包括以下步骤：
步骤1，获取乳腺超声视频序列；
步骤2，对所述乳腺超声视频序列进行分帧，确定所选乳腺超声视频序列的关键帧和非关键帧；
步骤3，使用经过训练的卷积神经网络模型对所述乳腺超声视频序列的关键帧进行特征提取，识别所述关键帧中的病灶区域；
步骤4，计算所述非关键帧的光流场和形变场，进行非关键帧的特征提取，识别非关键帧的病灶区域。
优选的，在步骤2中，视频序列以视频的形式进行读入，随后按照帧率进行分帧。处理超声视频序列的视频帧时，考虑到连续视频序列的连续帧间具有高度一致性，选择某些帧作为关键帧。
优选的，在步骤3中，本方法采用经过训练卷积神经网络进行关键帧的特征提取，将深层卷积层获得的特征图作为高维抽象特征送入目标检测网络中，确定关键帧的病灶区域。
优选的，在步骤4中，对于非关键帧，由于帧间具有高度相似性，不再使用卷积神经网络进行特征提取，降低运算复杂度。通过光流网络，计算关键帧与当前非关键帧的光流场；根据特征变化，计算关键帧与当前非关键帧的形变场。将光流场、形变场与经过深层卷积层获得关键帧的特征图结合，计算出当前非关键帧的特征图，送入目标检测网络中，检测出病灶区域。
作为另一个优选的实施例，本发明的乳腺超声视频序列由专业医生采集获取。在读入乳腺超声视频序列后，按照一定帧率对视频序列进行分帧。随后根据医生的先验知识，对病灶区域添加标签。本实施例中，标签的形式为矩形框，在视频帧中框出病灶区域。
优选的，若将每一帧图片都通过特征提取网络进行特征提取，会造成极大的运算开销。考虑到连续视频序列的帧间具有高度相似性，可以通过关键帧的选取频率确定选择关键帧的间隔，仅对关键帧进行特征提取，可以显著降低运算开销。若k为关键帧的帧索引，i为当前帧的帧索引，对于已经完成分帧的视频序列，首先初始化k＝0，得到初始化后的关键帧Ik。随后设定批尺寸为10，在关键帧后的10帧之内选定新的关键帧，依次循环得到所有关键帧。
优选的，视频序列的检测网络被分为两个子网络，分别是特征提取网络和目标检测网络，关键帧需要分别通过特征提取网络和目标检测网络进行计算。特征提取网络采用预训练后的残差网络，原始残差网络被用于图片分类任务，在此进行部分修改，通过丢弃最后用于分类的全连接层，调整第五个卷积块的卷积步长，并采用孔洞卷积，获得用于目标检测的特征图。目标检测网络采用基于区域的全卷积神经网络(R-FCN)，首先使用区域生成网络对提取到的特征图生成候选框，随后在检测阶段回归出精细的边界框，得到关键帧病灶区域的预测。
优选的，非关键帧特征图的获得不需要经过特征提取网络。光流是空间运动物体在观察成像平面上的像素运动的瞬时速度，是视频处理中的一项基本任务。由于连续视频序列帧间具有很强的相似性，可以根据性能优良的光流网络中的光流预测算法F，获得关键帧Ik与当前帧Ii的之间的光流场：
Mi→k＝F(Ik，Ii) (1)
其中，Mi→k为光流场。对于当前帧i中的位置p和关键帧k中的位置p+δp，可表示为δp＝Mi→k(p)，当前帧的特征图可由关键帧给出：
其中，c表示某通道中的特征图，q表示特征图中所有空间位置，G(·，·)为双线性插值的过程。
同时考虑到在光流计算中，空间扭曲的估算并不准确。可以通过建模特征幅度获得形变场，尽可能消除空间形变：
Si→k＝S(Ik，Ii) (3)
其中，Si→k为形变场。
最终将光流场、形变场与关键帧的特征图结合，估测出当前非关键帧的特征图。
fi＝W(fk，Mi→k，Si→k) (4)
其中，fi为当前非关键帧的特征图，W为式(2)的操作，并依次点乘形变场。将获得非关键帧的特征图再送入目标检测网络，得出当前非关键帧病灶区域的预测。
图2是本发明的一个实施例的一种乳腺的病灶定位装置的系统架构图。
如图2所示，本实施例的一种乳腺的病灶定位装置，包括视频图像采集模块1，视频图像输入模块2和病灶区域检测模块3。视频图像采集模块1采集乳腺超声视频序列。视频图像输入模块2对所述乳腺超声视频序列进行分帧，确定所述乳腺超声视频序列的关键帧和非关键帧。病灶区域检测模块3使用经过训练的卷积神经网络模型对所述乳腺超声视频序列的关键帧和非关键帧进行处理，识别所述关键帧中的病灶区域。
视频图像采集模块1、视频图像输入模块2和病灶区域检测模块3均包括至少一个处理器及至少一个存储介质，存储介质存储有计算机程序，使得所述处理器执行本实施例一种乳腺的病灶定位方法的步骤。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (10)

1.一种乳腺的病灶定位方法，其特征在于，包括以下步骤：
获取乳腺超声视频序列；
对所述乳腺超声视频序列进行分帧，确定所选乳腺超声视频序列的关键帧和非关键帧；
使用经过训练的卷积神经网络模型对所述乳腺超声视频序列的关键帧进行特征提取，识别所述关键帧中的病灶区域；
计算所述非关键帧的光流场和形变场，进行非关键帧的特征提取，识别非关键帧的病灶区域。
2.根据权利要求1所述的一种乳腺的病灶定位方法，其特征在于：所述乳腺超声视频序列的分帧过程包括：
设定所述视频序列的关键帧获取频率；
初始化所述视频序列，按照所述关键帧获取频率在所述视频序列中确定关键帧。
3.根据权利要求2所述的一种乳腺的病灶定位方法，其特征在于，对所述乳腺超声视频序列的关键帧和非关键帧添加标签，所述标签为矩形框，标签内为疑似病灶区域。
4.根据权利要求1所述的一种乳腺的病灶定位方法，其特征在于，所述卷积神经网络模型至少包括特征提取网络和目标检测网络，
所述特征提取网络对关键帧进行特征识别，经过卷积处理和分类处理后，获得所述关键帧目标检测的特征图；
所述目标检测网络将关键帧的特征图进行区域生成处理，识别所述关键帧的病灶区域。
5.根据权利要求4所述的一种乳腺的病灶定位方法，其特征在于，所述特征提取网络为残差网络。
6.根据权利要求4所述的一种乳腺的病灶定位方法，其特征在于，所述目标检测网络为基于区域的全卷积神经网络。
7.根据权利要求4所述的一种乳腺的病灶定位方法，其特征在于，将所述关键帧的特征图与光流场和形变场相结合，计算出非关键帧的特征图。
8.根据权利要求7所述的一种乳腺的病灶定位方法，其特征在于，将所述非关键帧的特征图输入目标检测网络进行区域生成处理，识别所述非关键帧的病灶区域。
9.一种乳腺的病灶定位装置，其特征在于，包括图像采集模块、视频图像输入模块和病灶区域检测模块；
所述视频图像采集模块采集乳腺超声视频序列；
所述视频图像输入模块对所述乳腺超声视频序列进行分帧，确定所述乳腺超声视频序列的关键帧和非关键帧；
所述病灶区域检测模块使用经过训练的卷积神经网络模型对所述乳腺超声视频序列的关键帧和非关键帧进行处理，识别所述关键帧中的病灶区域。
10.根据权利要求8所述的一种乳腺的病灶定位装置，其特征在于，所述视频图像采集模块、视频图像输入模块和病灶区域检测模块均包括至少一个处理器及至少一个存储介质，所述存储介质存储有计算机程序，使得所述处理器执行权利要求上述方法的步骤。
CN201910600002.7A 2019-07-04 2019-07-04 一种乳腺病灶定位方法和系统 Pending CN110349141A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910600002.7A CN110349141A (zh) 2019-07-04 2019-07-04 一种乳腺病灶定位方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910600002.7A CN110349141A (zh) 2019-07-04 2019-07-04 一种乳腺病灶定位方法和系统

Publications (1)

Publication Number Publication Date
CN110349141A true CN110349141A (zh) 2019-10-18

Family

ID=68177985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910600002.7A Pending CN110349141A (zh) 2019-07-04 2019-07-04 一种乳腺病灶定位方法和系统

Country Status (1)

Country Link
CN (1) CN110349141A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111214255A (zh) * 2020-01-12 2020-06-02 刘涛 一种医学超声图像计算机辅助诊断方法
CN111227864A (zh) * 2020-01-12 2020-06-05 刘涛 使用超声图像利用计算机视觉进行病灶检测的方法与装置
CN111310851A (zh) * 2020-03-03 2020-06-19 四川大学华西第二医院 一种人工智能超声辅助系统及其应用
CN111462049A (zh) * 2020-03-09 2020-07-28 西南交通大学 一种乳腺超声造影视频中病灶区形态自动标注方法
CN112001224A (zh) * 2020-07-02 2020-11-27 北京奥维视讯科技有限责任公司 基于卷积神经网络的视频采集方法和视频采集系统
CN112002407A (zh) * 2020-07-17 2020-11-27 上海大学 一种基于超声视频的乳腺癌诊断装置及其方法
CN112561912A (zh) * 2021-02-20 2021-03-26 四川大学 一种基于先验知识的医学图像淋巴结检测方法
WO2021164176A1 (zh) * 2020-02-20 2021-08-26 北京大学 基于深度学习的端到端视频压缩方法、系统及存储介质
CN113344028A (zh) * 2021-05-10 2021-09-03 深圳瀚维智能医疗科技有限公司 乳腺超声序列图像分类方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7184100B1 (en) * 1999-03-24 2007-02-27 Mate - Media Access Technologies Ltd. Method of selecting key-frames from a video sequence
CN108665456A (zh) * 2018-05-15 2018-10-16 广州尚医网信息技术有限公司 基于人工智能的乳腺超声病灶区域实时标注的方法及系统
CN109727243A (zh) * 2018-12-29 2019-05-07 无锡祥生医疗科技股份有限公司 乳腺超声图像识别分析方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7184100B1 (en) * 1999-03-24 2007-02-27 Mate - Media Access Technologies Ltd. Method of selecting key-frames from a video sequence
CN108665456A (zh) * 2018-05-15 2018-10-16 广州尚医网信息技术有限公司 基于人工智能的乳腺超声病灶区域实时标注的方法及系统
CN109727243A (zh) * 2018-12-29 2019-05-07 无锡祥生医疗科技股份有限公司 乳腺超声图像识别分析方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIZHOU ZHU 等: "Deep Feature Flow for Video Recognition" *
王婕妤等: "《基于改进光流场和尺度不变特征变换的非刚性医学图像配准》", 《电子与信息学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111214255A (zh) * 2020-01-12 2020-06-02 刘涛 一种医学超声图像计算机辅助诊断方法
CN111227864A (zh) * 2020-01-12 2020-06-05 刘涛 使用超声图像利用计算机视觉进行病灶检测的方法与装置
CN111214255B (zh) * 2020-01-12 2023-07-25 刘涛 一种医学超声图像计算机辅助方法
WO2021164176A1 (zh) * 2020-02-20 2021-08-26 北京大学 基于深度学习的端到端视频压缩方法、系统及存储介质
CN111310851A (zh) * 2020-03-03 2020-06-19 四川大学华西第二医院 一种人工智能超声辅助系统及其应用
CN111462049A (zh) * 2020-03-09 2020-07-28 西南交通大学 一种乳腺超声造影视频中病灶区形态自动标注方法
CN111462049B (zh) * 2020-03-09 2022-05-17 西南交通大学 一种乳腺超声造影视频中病灶区形态自动标注方法
CN112001224A (zh) * 2020-07-02 2020-11-27 北京奥维视讯科技有限责任公司 基于卷积神经网络的视频采集方法和视频采集系统
CN112002407A (zh) * 2020-07-17 2020-11-27 上海大学 一种基于超声视频的乳腺癌诊断装置及其方法
CN112561912A (zh) * 2021-02-20 2021-03-26 四川大学 一种基于先验知识的医学图像淋巴结检测方法
CN113344028A (zh) * 2021-05-10 2021-09-03 深圳瀚维智能医疗科技有限公司 乳腺超声序列图像分类方法及装置

Similar Documents

Publication Publication Date Title
CN110349141A (zh) 一种乳腺病灶定位方法和系统
El-Baz et al. Appearance analysis for diagnosing malignant lung nodules
US7912278B2 (en) Using candidates correlation information during computer aided diagnosis
CN108416360B (zh) 基于乳腺钼靶钙化特征的癌症诊断系统及方法
US6154560A (en) System and method for staging regional lymph nodes using quantitative analysis of endoscopic ultrasound images
El-Baz et al. Three-dimensional shape analysis using spherical harmonics for early assessment of detected lung nodules
CN101103924A (zh) 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统
CN111227864A (zh) 使用超声图像利用计算机视觉进行病灶检测的方法与装置
JP2009502230A (ja) 医用画像における傷病部位の検知
ITRM20060213A1 (it) Metodo di elaborazione di immagini biomediche
Sammouda Segmentation and analysis of CT chest images for early lung cancer detection
CN112102343A (zh) 基于超声图像的ptc诊断系统
Bodzioch et al. New approach to gallbladder ultrasonic images analysis and lesions recognition
Chen et al. A graph-based approach to automated EUS image layer segmentation and abnormal region detection
US20050002548A1 (en) Automatic detection of growing nodules
Zhang et al. Boundary delineation in transrectal ultrasound image for prostate cancer
CN110648333B (zh) 基于中智学理论的乳腺超声视频图像实时分割系统
Sujatha et al. Screening and identify the bone cancer/tumor using image processing
Cao et al. Deep learning based lesion detection for mammograms
Alves et al. The challenges of applying deep learning for hemangioma lesion segmentation
WO2021197176A1 (en) Systems and methods for tumor characterization
Chang et al. Breast ultrasound image classification using fractal analysis
JP2024507290A (ja) 弱教師あり深層学習人工知能を利用した乳房超音波診断の方法及びシステム｛Ｍｅｔｈｏｄ ａｎｄ ｓｙｓｔｅｍ ｆｏｒ ｂｒｅａｓｔ ｕｌｔｒａｓｏｎｉｃ ｉｍａｇｅ ｄｉａｇｎｏｓｉｓ ｕｓｉｎｇ ｗｅａｋｌｙ－ｓｕｐｅｒｖｉｓｅｄ ｄｅｅｐ ｌｅａｒｎｉｎｇ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ｝
KR20220141218A (ko) 자동 알고리즘 기반의 확장성 심근병증 보조진단을 위한 의사결정 시스템
Zhang et al. Detection and retrieval of cysts in joint ultrasound b-mode and elasticity breast images

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