CN110400303A - 一种确定、显示乳房图像中病灶的方法及装置 - Google Patents
一种确定、显示乳房图像中病灶的方法及装置 Download PDFInfo
- Publication number
- CN110400303A CN110400303A CN201910678444.3A CN201910678444A CN110400303A CN 110400303 A CN110400303 A CN 110400303A CN 201910678444 A CN201910678444 A CN 201910678444A CN 110400303 A CN110400303 A CN 110400303A
- Authority
- CN
- China
- Prior art keywords
- breast
- lesion
- key point
- image
- breast image
- 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
Links
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种确定、显示乳房图像中病灶的方法及装置,其中,确定乳房图像中病灶的方法为:获取乳房图像中的乳房区域及乳房图像中关键点的位置;基于所述关键点的位置及所述乳房区域,确定所述乳房图像中的误报区域;在所述乳房图像中的病灶位于所述误报区域时,确定所述病灶为非乳房病灶。通过上述方法,有效提高了机器识别乳房图像中病灶的准确率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种确定、显示乳房图像中病灶的方法及装置。
背景技术
目前,通过低剂量的乳腺钼靶X线摄影设备采集女性乳房图像,基于采集到的乳房图像可以辅助诊断女性乳腺相关的疾病,尤其是可以检查乳房肿瘤、囊肿等病灶,有助于早期发现乳腺癌,降低乳腺癌患者的死亡率。因此有效的检测出乳房图像中的病灶是乳腺癌筛查中至为关键的一步。
现有技术中,有采用神经网络模型的方式识别乳房图像中的病灶,然而采用该方式,无法区分乳房图像中拍摄到的其他人体部位,导致识别出的病灶并不是乳房病灶,从而产生误判,降低了机器识别乳房图像中的病灶的准确度。
发明内容
本发明实施例提供一种确定、显示乳房图像中病灶的方法及装置,用于提高机器识别乳房图像中病灶的准确率。
本发明实施例提供一种确定乳房图像中病灶的方法,包括:
获取乳房图像中的乳房区域及乳房图像中关键点的位置;
基于所述关键点的位置及所述乳房区域,确定所述乳房图像中的误报区域;
在所述乳房图像中的病灶位于所述误报区域时,确定所述病灶为非乳房病灶。
本发明实施例中,通过乳房图像中关键点的位置及所述乳房区域,确定误报区域,进而可以将位于误报区域的病灶确定为非乳房病灶。通过上述技术方案,可以去除误报区域中的病灶,有效提高了机器识别乳房图像中病灶的准确率,大幅度减少了误报的可能。
一种可能的实现方式,所述关键点包括:腋下第一关键点和腋下第二关键点;所述基于所述关键点的位置及所述乳房区域,确定所述乳房图像中的误报区域,包括:
以所述腋下第一关键点和所述腋下第二关键点所在的直线与所述乳房图像的边界形成的区域为腋下分区;
将所述乳房区域与所述腋下区域重合的乳房区域作为误报区域。
由于腋下区域中的淋巴结容易识别为病灶,上述技术方案中,通过确定乳房图像中的腋下第一关键点和腋下第二关键点,进而确定了误报区域为腋下区域的情况,可以有效去除腋下区域中识别为病灶的淋巴结,提高了机器识别乳房图像中病灶的准确率,大幅度减少了淋巴结误报为乳房病灶的问题。
一种可能的实现方式,所述关键点包括:乳头关键点;所述基于所述关键点的位置及所述乳房区域,确定所述乳房图像中的误报区域,包括:
以距离所述乳头关键点的距离小于或等于第一阈值的区域为乳头区域;
将所述乳房区域与所述乳头区域重合的乳房区域作为所述乳房图像中的误报区域。
由于受检者的乳头的特异性,可能出现乳头被识别为病灶的可能,针对该误报问题,将所述乳房区域与所述乳头区域重合的乳房区域作为所述乳房图像中的误报区域,有效减少了乳头被误报为乳房病灶的可能,提高了病灶识别的准确率。
一种可能的实现方式,所述乳房图像包括左乳的乳房图像、右乳的乳房图像;所述乳房图像中关键点的位置通过关键点定位模型获得,所述关键点定位模型的训练样本包括:右乳的乳房图像和翻转后的左乳的乳房图像,或者左乳的乳房图像和翻转后的右乳的乳房图像。
通过上述技术方案,可以将左右乳的乳房图像统一为一侧,使得关键点的初始位置可以统一,例如,腋下第一关键点和腋下第二关键点的初始位置统一,无需针对不同的乳房图像分别选择关键点的初始位置,加快了通过关键点定位模型确定关键点的速度。
一种可能的实现方式,所述方法还包括:确定所述病灶中除所述非乳房病灶的病灶为所述乳房图像的乳房病灶。
通过上述技术方案,将所述病灶中除所述非乳房病灶的病灶确定为所述乳房图像的乳房病灶,可以去除误报区域中的病灶,有效提高了机器识别乳房图像中乳房病灶的准确率,大幅度减少了误报的可能。
本发明实施例还提供一种显示乳房图像中病灶的方法,包括:
确定乳房图像中的乳房区域及所述乳房图像中的误报区域;
在所述乳房图像中的病灶位于所述误报区域,确定所述病灶为所述非乳房病灶;
响应于操作,显示所述乳房图像的非乳房病灶。
一种可能的实现方式,所述方法还包括:
确定所述病灶中除所述非乳房病灶的病灶为所述乳房图像的乳房病灶;
响应于操作,显示所述乳房图像的乳房病灶。
本发明实施例提供一种确定乳房图像中病灶的装置,包括:
获取模块:用于获取乳房图像中的乳房区域及乳房图像中关键点的位置;
处理模块:用于基于所述关键点的位置及所述乳房区域,确定所述乳房图像中的误报区域;在所述乳房图像中的病灶位于所述误报区域时,确定所述病灶为非乳房病灶。
一种可能的实现方式,所述关键点包括:腋下第一关键点和腋下第二关键点;所述处理模块,包括:
第一确定模块:用于确定所述腋下第一关键点和所述腋下第二关键点所在的直线与所述乳房图像的边界形成的区域为腋下分区;确定所述乳房区域与所述腋下区域重合的乳房区域作为误报区域。
一种可能的实现方式,所述关键点包括:乳头关键点;所述处理模块,包括:
第二确定模块:用于确定距离所述乳头关键点的距离小于或等于第一阈值的区域为乳头区域;确定所述乳房区域与所述乳头区域重合的乳房区域作为所述乳房图像中的误报区域。
一种可能的实现方式,所述乳房图像包括左乳的乳房图像、右乳的乳房图像;所述乳房图像中关键点的位置通过关键点定位模型获得,所述关键点定位模型的训练样本包括:右乳的乳房图像和翻转后的左乳的乳房图像,或者左乳的乳房图像和翻转后的右乳的乳房图像。
一种可能的实现方式,所述处理模块还包括:
乳房病灶确定模块:用于确定所述病灶中除所述非乳房病灶的病灶为所述乳房图像的乳房病灶。
本发明实施例提供一种显示乳房图像中病灶的装置,包括:
处理模块:用于确定乳房图像中的乳房区域及所述乳房图像中的误报区域;在所述乳房图像中的病灶位于所述误报区域,确定所述病灶为所述非乳房病灶;
显示模块:用于响应于操作,显示所述乳房图像的非乳房病灶。
一种可能的实现方式,所述处理模块,包括:
乳房病灶确定模块:用于确定所述病灶中除所述非乳房病灶的病灶为所述乳房图像的乳房病灶;
所述显示模块:用于响应于操作,显示所述乳房图像的乳房病灶。
本发明实施例提供一种计算设备包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述任一项方法的步骤。
本发明实施例提供一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行上述任一项方法的步骤。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种确定乳房图像中病灶的流程示意图;
图2a为本发明实施例提供的一种乳房图像的示意图;
图2b为本发明实施例提供的一种乳房图像的示意图;
图2c为本发明实施例提供的一种乳房图像的示意图;
图2d为本发明实施例提供的一种乳房图像的示意图;
图3为本发明实施例提供的乳房图像中的关键点的示意图;
图4为本发明实施例提供的一种确定乳房图像中病灶的装置的结构示意图;
图5为本发明实施例提供的一种显示乳房图像中病灶的装置的结构示意图;
图6为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅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它实施例,都属于本发明保护的范围。
图1示例性示出了本申请实施例提供的一种确定乳房图像中病灶的方法的流程示意图,该流程可以由确定乳房图像中病灶的装置执行,具体包括以下步骤:
步骤101:获取乳房图像中的乳房区域及乳房图像中关键点的位置;
其中,乳房图像可以是采用X光摄影设备采集的特定图像,例如,乳腺钼靶图像。当然,也可以为磁共振成像(Magnetic Resonance Imaging,MRI)设备采集的特定图像。从图像的维度讲,乳房图像可以为三维图像,也可以为二维图像。示例性地,乳房图像可以如图2a-2d所示的乳腺钼靶图像。乳腺钼靶图像一般包含四份X光图片,分别为2侧乳房的2种投照位(头尾位CC位,内外侧斜位MLO位)的四张乳房图像,如图2a-2d所示。
获取乳房图像之后,可以对乳房图像进行预处理,预处理过程可以包括图像归一化。
图像归一化包括以下步骤:乳房图像可以为DICOM格式的原始乳房图像,具体的,可以获取待检测用户拍摄的多张DICOM格式的原始乳房图像,输出为预设大小和设定的窗宽窗位的图片格式的多张乳房图像。预设大小和设定的窗宽窗位可以根据乳房图像拍摄的实际情况调整,在此不做限定。
例如,可以选取设定的窗宽窗位,例如,窗宽为W=80,窗位为L=40,将DICOM格式的多张原始乳房图像转为PNG格式的多张乳房图像。将各张乳房图像插值缩放到设定大小,例如512*512像素。一种可能的实现方式,还可以通过在乳房图像上侧或两侧添加黑边,将乳房图像长宽比调整为1:1。
在步骤101具体实施过程中,乳房图像中的乳房区域,可以根据区域分割的方法确定,以下介绍一个具体的实施例,包括:
在乳房区域中心选取预设大小的预设区域,例如,50%大小;在乳房图像中,通过高斯滤波方法将滤波的结果二值化,其中,二值化的阈值通过求预设区域的图像灰度直方图的最大类间距方法获得;对二值化的图进行闭操作,即先将乳房图像膨胀后再腐蚀,以去除乳房图像上的小噪点。通过漫水法(flood fill),获得一个个独立的区域,统计每个区域的面积,具体的,区域的面积可以通过像素量确定;通常面积最大的区域可以作为乳房图像上的乳房区域,因此,将面积最大的区域保留,并对齐再膨胀,从而分割出乳房区域对应的乳房图像。
进一步地,为去除乳房图像中与乳房腺体无关的信息,可以将分割出的乳房区域的图像粘贴到和乳房图像的长宽高相符的纯黑影像上;如此,通过执行该过程,可以将乳房图像上与乳房腺体无关的区域的像素属性设置为预设值,而仅保留与乳房腺体相关的区域的像素属性,从而可以提高后续图像处理的效率。
当然,还可以根据分割模型,确定乳房图像中的乳房区域。该分割模型可以为根据预先标注乳房区域的乳房图像作为训练样本,输入至卷积神经网络进行训练获得的。
所述乳房图像中关键点的位置的获取,可以根据预先训练好的关键点定位模型获取,也可以通过预设规则获取乳房图像中关键点的位置,还可以通过图像检测算法检测乳房图像中关键点的位置,在此不做限定。
本发明实施例以通过关键点定位模型获取乳房图像中关键点的位置为例进行说明。在通过关键点定位模型获取乳房图像中关键点的位置之前,需要以多幅乳房图像作为训练样本以对关键点定位模型进行训练。
本发明实施例中,关键点定位模型可以包括第一定位模块和第二定位模块,第一定位模块和第二定位模块均为卷积神经网络,其中,第一定位模块是以预先标记关键点的多幅乳房图像为训练样本,对卷积神经网络进行训练后确定的。第二定位模块可以以多幅乳房图像中预先标记关键点的多个粗分割区域为训练样本,对卷积神经网络进行训练后确定的,第二定位模块的数量可以根据粗分割区域确定,粗分割区域根据第一定位模块输出的第一关键点确定。
第一定位模块通过如下方式训练获得:
获取多幅乳房图像作为训练样本。针对每一幅乳房图像,对其进行预处理,预处理见本文前述部分描述,此处不再赘述。由标注人员在每幅乳房图像中标注第一关键点,此处的第一关键点可以为划分乳房图像中乳房区域所需的关键点,例如,乳头关键点(一种可能的实施方式中,乳头关键点可以选取乳房皮肤表面在乳头或乳晕区域范围内的一个或多个点,例如,可以选取乳晕中心点作为乳头关键点),腋下关键点等。每一个第一关键点对应一个序号。然后对训练样本进行数据增强,将数据量增强至原来数据量的10倍,数据增强的方法包括但不限于:1、随机旋转一定角度。2、随机上下左右平移0~30像素。3、随机缩放0.85~1.15倍。4、对图像对比度和亮度进行少量抖动。之后再将经过数据增强后的训练样本输入卷积神经网络进行训练。训练时根据标注的第一关键点和卷积神经网络预测的第一关键点计算损失函数,通过反向传播的方法训练,训练的优化算法可以使用带有动量和阶梯衰减的随机梯度下降(Stochastic Gradient Descent,SGD)优化算法。
可选地,上述卷积神经网络的结构,可以包括M个连续的卷积特征提取块以及一个全连接层。卷积特征提取块包括L个卷积模块,L大于0,任意一个卷积模块中包括卷积层、BN层及ReLU层。M,L为正整数,可以根据需要确定具体的值,在此不做限定。
第二定位模块通过如下方式训练获得:
获取多幅乳房图像作为训练样本。所述多幅乳房图像可以仅为同一投照位的左右乳房的乳房图像,也可以包括所有投照位的单侧乳房的乳房图像,在此不做限定。针对每一幅乳房图像,对其进行预处理。
根据第一定位模块确定出的第一关键点,及预设规则从每一幅确定出第一关键点的乳房图像中分割出多个粗分割区域,针对每个粗分割区域分别训练各自的第二定位模块;具体的,可以以同一预设规则在多幅乳房图像中分割出的同一粗分割区域为训练样本训练一个第二定位模块。如:从每一幅乳房图像中以第一关键点为圆心,2mm为半径分割出的圆形区域为训练样本训练一个第二定位模块。针对任意一个第二定位模块,由标注人员在每个粗分割区域中标注第二关键点,也可以直接使用分割出该分割区域时对应的乳房图像中已经人工标注的第一关键点作为第二关键点,每一个第二关键点对应一个序号。然后对以分割区域为训练样本的样本进行数据增强,将数据量增强至原来数据量的10倍,数据增强的方法包括但不限于:1.随机上下左右平移0~20像素;2.随机旋转-20~~20度;3.随机缩放0.8~1.2倍。之后再将该训练样本输入卷积神经网络进行训练。训练时根据标注的第二关键点的坐标和网络预测的第二关键点的坐标计算损失函数,通过反向传播的方法训练,训练的优化算法可以使用带有动量和阶梯衰减的随机梯度下降(Stochastic GradientDescent,SGD)算法。卷积神经网络包括M个连续的卷积特征提取块以及一个全连接层。
采用上述方法确定关键点定位模型中的第一定位模块和第二定位模块之后,获取乳房图像中关键点的位置,具体包括以下步骤:
S1010:将乳房图像输入第一定位模块,确定乳房图像中的第一关键点的位置;
具体的,第一关键点可以是乳头关键点、腋下第一关键点、腋下第二关键点等。
S1011:根据所述第一关键点的位置确定乳房图像中的一个或多个粗分割区域;
粗分割区域可以包括:乳头区域,乳房区域、腋下分区、淋巴区域等;粗分割区域的具体位置以及粗分割区域的大小和形状可以预先设置,在此不做限定。通过设置粗分割区域,相比直接对乳房图像确定关键点的方法,可以提高关键点定位的准确性。
图3为本申请实施例提供的一种乳房图像的关键点定位的示意图。参见图3所示,根据第一定位模块确定出第一关键点a1、b1和b2。其中,第一关键点a1为乳头关键点,第一关键点b1和b2分别为腋下第一关键点和腋下第二关键点。可以根据乳头关键点a1的位置,确定乳头粗分割区域。根据腋下第一关键点b1的位置和腋下第二关键点b2的位置,确定腋下粗分割区域。当然,也可以根据腋下第一关键点b1的位置,确定腋下第一粗分割区域;根据腋下第二关键点b2的位置,确定腋下第二粗分割区域。
S1012:针对每一个粗分割区域,将所述粗分割区域输入对应的第二定位模块,确定所述粗分割区域中第二关键点的位置;
S1013:将所述第二关键点的位置作为乳房图像中关键点的位置。
采用关键点定位模型定位乳房图像中关键点的位置时,先采用第一定位模块从乳房图像中确定第一关键点的位置,基于第一关键点的位置确定粗分割区域,缩小了关键点的定位范围,然后再通过相应的第二定位模块从粗分割区域中定位第二关键点的位置,进而确定乳房图像中关键点的位置,提高了关键点定位的精度。
为进一步提高乳房图像中关键点的定位精度,避免乳房图像中的噪声的干扰,一种可能的实现方式,在训练关键点定位模型时,增加训练样本数据的信息量,提高关键点定位模型的定位精度,进而提高关键点的定位精度。具体地,在训练关键点定位模型时,训练样本可以包括乳房图像和乳房图像的参考图像,所述乳房图像的参考图像是指将与乳房图像对应的图像进行翻转后得到的图像。举例来说:若乳房图像为一患者的右乳图像,则与该乳房图像对应的图像指该患者的左乳图像,将左乳图像进行翻转后得到的图像为右乳图像的参考图像。
具体地,在训练关键点定位模型的过程中,将分别标注了第一关键点的乳房图像及乳房图像的参考图像输入至第一定位模块的卷积特征提取块中,分别获取乳房图像的特征图,及乳房图像的参考图像的参考特征图;将特征图及参考特征图输入至第一定位模块的全连接层的分类部分中,获得乳房图像中的第一关键点。根据标注的第一关键点和卷积神经网络预测的第一关键点计算损失函数,通过反向传播的方法训练,训练过程与上述的训练第一定位模块的过程相似,此处不再赘述。
然后,根据第一定位模块确定出的第一关键点,及预设规则从乳房图像及乳房图像的参考图像中分割出多个粗分割区域。在以同一规则分割出的多个粗分割区域中标注了第二关键点的粗分割区域作为训练样本训练卷积神经网络,以获得多个第二定位模块,训练过程与上述第二定位模块的训练过程相类似,此处不再赘述。此外,也可以不用在粗分割区域中标注第二关键点,而是直接使用分割出该粗分割区域时对应的乳房图像和乳房参考图像中已经标注的第一关键点作为第二关键点。至此,通过增加训练样本数据的信息量,提高了关键点定位模型的定位精度。在通过该关键点定位模型确定乳房图像中的关键点可以包括如下步骤:
S1010':获取第一图像和第二图像,将所述第二图像翻转以获得第一图像的参考图像,将所述第一图像翻转以获得第二图像的参考图像,其中,所述第一图像为左侧乳房图像,所述第二图像为与所述左侧乳房图像对应的右侧乳房图像;
S1011':将所述第一图像和所述第一图像的参考图像输入至关键点定位模型中,以获得所述第一图像中的关键点的位置。
S1012':将所述第二图像和所述第二图像的参考图像输入至关键点定位模型中,以获得所述第二图像中关键点的位置。
在检测一侧乳房中的关键点时,利用了另一侧乳房的信息,避免了单侧乳头凹陷等问题导致定位精度下降的问题,提高了乳头定位的准确性,并排除了腺体、噪点等干扰因素对乳房区域的影响,提高了定位的准确性。
步骤103:基于所述关键点的位置及所述乳房区域,确定所述乳房图像中的误报区域;
由于在识别乳房区域时,部分腋下区域有可能被识别为乳房区域,因此腋下区域中的淋巴结及其它病灶容易被识别为乳房病灶,故,本实施例中可以将腋下区域与乳房区域重合的区域确定为误报区域。一种可能的实现方式,所述关键点包括:腋下第一关键点和腋下第二关键点;在具体实施过程中,可以包括:
以所述腋下第一关键点和所述腋下第二关键点所在的直线与所述乳房图像的边界形成的区域为腋下分区;将所述乳房区域与所述腋下区域重合的乳房区域作为误报区域。
对于乳房图像而言,其包括水平边界和竖直边界,参见图2a所示,而对于腋下关键点而言,其通常位于乳房图像左上角或者右上角的区域,本实施例中,为提高关键点的检出效率,可以对分别位于乳房图像的水平边界和竖直边界上的腋下第一关键点和腋下第二关键点进行检测,以减少关键点检出的计算量。
将分别位于乳房图像边界上的腋下第一关键点和腋下第二关键点相连,乳房图像边界和腋下第一关键点和腋下第二关键点之间连线所包围的区域为腋下分区,参见图3中阴影部分所示的区域。
针对投照位为内外侧斜位中的左乳和右乳的乳房图像,腋下区域在乳房图像中的位置不同,因此,需要确定的竖直边界也不同。如图2a所示,该乳房图像为右乳内外侧斜位图像,因此,腋下分区位于乳房图像的右上角,对应的,水平边界为所述乳房图像的上边缘;竖直边界为所述乳房图像的右边缘。同理,若乳房图像为左乳内外侧斜位图像,如图2b所示,则腋下分区位于乳房图像的左上角,对应的,水平边界为所述乳房图像的上边缘;竖直边界为所述乳房图像的左边缘。
上述技术方案中,通过确定乳房图像中的第一关键点和腋下第二关键点,进而确定了误报区域为腋下区域的情况,可以有效去除腋下区域中识别为病灶的淋巴结,提高了机器识别乳房图像中病灶的准确率,大幅度减少了淋巴结误报为乳房病灶的问题。
由于待检测用户的乳头的特异性,可能出现乳头被识别为病灶的可能,如图2c所示,针对该误报问题,一种可能的实现方式,所述关键点包括:乳头关键点;所述基于所述关键点的位置及所述乳房区域,确定所述乳房图像中的误报区域,包括:
以距离所述乳头关键点的距离小于或等于第一阈值的区域为乳头区域;
例如,以第一阈值为2cm为例,则到乳头关键点距离小于或等于2cm的区域均为乳头区域。
将所述乳房区域与所述乳头区域重合的乳房区域作为所述乳房图像中的误报区域。
上述技术方案,将所述乳房区域与所述乳头区域重合的乳房区域作为所述乳房图像中的误报区域,有效减少了乳头被误报为乳房病灶的可能,提高了病灶识别的准确率。
为进一步加快关键点确定的速度,本实施例中,在对关键点定位模型进行训练时,作为训练样本的乳房图像包括右乳的乳房图像和翻转后的左乳的乳房图像,或者左乳的乳房图像和翻转后的右乳的乳房图像。也即,在训练关键点定位模型时,可以将作为训练样本的左右乳的图像统一为同一朝向后,输入至关键点定位模型中来对其进行训练,进而通过关键点定位模型来确定关键点。
一种可能的实现方式,所述获取乳房图像中关键点的位置,包括:
将右乳的乳房图像翻转以获得翻转后的右乳的乳房图像,将其输入至关键点定位模型,获得所述翻转后的右乳的乳房图像中关键点的位置;将翻转后的右乳的乳房图像再次翻转以获得右乳的乳房图像中关键点的位置。
或者将左乳的乳房图像翻输入至关键点定位模型,获得左乳的乳房图像中关键点的位置;
一种可能的实现方式,所述获取乳房图像中关键点的位置,包括:
将左乳的乳房图像翻转以获得翻转后的左乳的乳房图像,将其输入至关键点定位模型,获得所述翻转后的左乳的乳房图像中关键点的位置;将翻转后的左乳的乳房图像再次翻转以获得左乳的乳房图像中关键点的位置。
或者将右乳的乳房图像翻输入至关键点定位模型,获得右乳的乳房图像中关键点的位置。
通过上述技术方案,可以将左右乳的乳房图像统一为同一朝向,使得关键点的初始位置统一,无需针对不同的乳房分别选择关键点的初始位置,加快了关键点确定的速度。举例来说,针对腋下区域中的关键点,假设将右乳内外侧斜位的乳房图像翻转以获得翻转后的乳房图像,则可以将腋下第一关键点和腋下第二关键点的初始位置统一至左上角。针对乳头关键点,假设将右乳内外侧斜位的乳房图像翻转以获得翻转后的乳房图像,则可以将乳头关键点的初始位置统一至乳房区域的中线靠右的区域。
步骤103:在所述乳房图像中的病灶位于所述误报区域时,确定所述病灶为非乳房病灶。
在具体实施过程中,乳房图像中病灶的识别,可以根据预先训练的病灶识别模型确定,病灶识别模型是可以为2D卷积神经网络对已标记病灶的多幅乳房图像进行训练后确定的。具体的,乳房图像中病灶的识别过程可以包括:将所述乳房图像输入至特征提取模块中,获取所述乳房图像不同尺寸的特征图像;针对所述乳房图像的不同尺寸的特征图像中的任意一个特征图像,从所述特征图像中确定出病灶识别区域;根据从各特征图像中确定出的病灶识别区域,确定乳房图像的病灶。
不同尺寸的特征图像可以为不同像素的特征图像,比如像素为500×500的特征图像与像素为1000×1000的特征图像为不同尺寸的特征图像。
其中,所述特征提取模块可以包括N个卷积模块;所述N个卷积模块为下采样卷积块和/或上采样卷积块;每个下采样卷积块或上采样卷积块提取的特征图像的尺寸均不同,所述N个卷积模块的每个卷积模块中包括第一卷积层、第二卷积层;所述第一卷积层输出的特征图像的个数小于所述第一卷积层输入的特征图像的个数;所述第二卷积层输出的特征图像的个数大于所述第一卷积层输出的特征图像的个数;N大于0;
举例来说,该特征提取模块可以包括三个下采样卷积块。每个卷积模块可以包括第一卷积层和第二卷积层,第一卷积层包括卷积层,与卷积层连接的归一化(BatchNormalization,BN)层、与BN层连接的激活函数层。
上述特征提取模块可以增加模型的深度,并通过设置第一卷积层和第二卷积层,且设置第一卷积层输出的特征图像的个数小于第一卷积层输入的特征图像的个数;第二卷积层输出的特征图像的个数大于第一卷积层输出的特征图像的个数的方式,可以有效提取乳房图像的特征,进而提高病灶识别的准确度。
进一步的,所述方法还可以包括:确定所述病灶中除所述非乳房病灶的病灶为所述乳房图像的乳房病灶。
通过上述技术方案,将所述病灶中除所述非乳房病灶的病灶确定为所述乳房图像的乳房病灶,可以去除误报区域中的非乳房病灶,有效提高了机器识别乳房图像中乳房病灶的准确率,大幅度减少了误报的可能。
在确定上述病灶识别模型确定出的病灶是否为非乳房病灶的过程中,可能出现病灶的中心位置位于误报区域,也可能出现病灶的识别框有部分为误报区域,有部分位于除误报区域的乳房区域中。
一种可能的实施方式,可以先根据病灶的识别框是否位于误报区域确定病灶是否位于误报区域;再根据病灶的识别框占误报区域的比例,和/或病灶的类型、误报区域的类型,进行对应性划分。
具体的,若确定病灶的识别框完全位于误报区域,可以直接判定该病灶位于误报区域。
若确定病灶部分位于误报区域,此时,可以根据病灶的识别框位于误报区域的比例,进行对应性划分。
例如,若确定病灶区域位于乳头区域,且病灶的识别框大小大于乳头区域,则将该病灶确定为乳房病灶。进一步的,为避免识别框过大,影响结果,可以确定病灶的大小是否大于乳头区域,若病灶的识别框大小大于乳头区域,则将该病灶确定为乳房病灶。病灶的大小可以根据确定病灶长短径的方式确定。
若确定病灶区域部分位于腋下区域,且位于腋下区域的部分占病灶的识别框大小的比例小于预设阈值,则将该病灶确定为乳房病灶。其中,预设阈值可以根据病灶的类型、误报区域的类型等因素确定,在此不做限定。
举例来说,假设病灶类型为点状钙化、病灶区域部分位于腋下区域时,预设阈值为20%,则病灶区域部分位于腋下区域,且位于腋下区域的部分占病灶的识别框大小的比例小于20%时,确定病灶为乳房病灶。比如,若确定病灶类型为点状钙化,且位于腋下区域的病灶区域占病灶的识别框大小的比例为15%,则将该病灶确定为乳房病灶。
假设病灶类型为团簇状钙化、病灶区域部分位于腋下区域时,预设阈值为50%。即病灶类型为团簇状钙化、病灶区域部分位于腋下区域,且位于腋下区域的部分占病灶的识别框大小的比例大于50%时,确定病灶为乳房病灶。比如,若确定病灶类型为团簇状钙化,且位于腋下区域的病灶区域占病灶的识别框大小的比例为70%,则将该病灶确定为乳房病灶。
本发明实施例中,通过乳房图像中关键点的位置及乳房区域,确定误报区域,进而可以将位于误报区域的病灶确定为非乳房病灶,将所述病灶中除所述非乳房病灶的病灶确定为所述乳房图像的乳房病灶。通过上述技术方案,可以去除误报区域中的病灶,有效提高了机器识别乳房图像中乳房病灶的准确率,大幅度减少了误报的可能。
本发明实施例还提供一种显示乳房图像中病灶的方法,包括:
确定乳房图像中的乳房区域及所述乳房图像中的误报区域;
在所述乳房图像中的病灶位于所述误报区域,确定所述病灶为所述非乳房病灶;
响应于操作,显示所述乳房图像的非乳房病灶。
一种可能的实现方式,所述方法还包括:
确定所述病灶中除所述非乳房病灶的病灶为所述乳房图像的乳房病灶;
响应于操作,显示所述乳房图像的乳房病灶。
基于相同的技术构思,本发明实施例提供一种确定乳房图像中病灶的装置,如图4所示,该装置400包括:
收发模块401:用于获取乳房图像中的乳房区域及乳房图像中关键点的位置;
处理模块402:用于基于所述关键点的位置及所述乳房区域,确定所述乳房图像中的误报区域;在所述乳房图像中的病灶位于所述误报区域时,确定所述病灶为非乳房病灶。
一种可能的实现方式,所述关键点包括:腋下第一关键点和腋下第二关键点;处理模块402,包括:
第一确定模块:用于确定所述腋下第一关键点和所述腋下第二关键点所在的直线与所述乳房图像的边界形成的区域为腋下分区;确定所述乳房区域与所述腋下区域重合的乳房区域作为误报区域。
一种可能的实现方式,所述关键点包括:乳头关键点;所述处理模块,包括:
第二确定模块:用于确定距离所述乳头关键点的距离小于或等于第一阈值的区域为乳头区域;确定所述乳房区域与所述乳头区域重合的乳房区域作为所述乳房图像中的误报区域。
一种可能的实现方式,所述乳房图像包括左乳的乳房图像、右乳的乳房图像;所述乳房图像中关键点的位置通过关键点定位模型获得,所述关键点定位模型的训练样本包括:右乳的乳房图像和翻转后的左乳的乳房图像,或者左乳的乳房图像和翻转后的右乳的乳房图像。
一种可能的实现方式,处理模块402还包括:
乳房病灶确定模块:用于确定所述病灶中除所述非乳房病灶的病灶为所述乳房图像的乳房病灶。
如图5所示,本发明实施例提供一种显示乳房图像中病灶的装置500,包括:
处理模块501:用于确定乳房图像中的乳房区域及所述乳房图像中的误报区域;在所述乳房图像中的病灶位于所述误报区域,确定所述病灶为所述非乳房病灶;
显示模块502:用于响应于操作,显示所述乳房图像的非乳房病灶。
一种可能的实现方式,处理模块501,包括:
乳房病灶确定模块:用于确定所述病灶中除所述非乳房病灶的病灶为所述乳房图像的乳房病灶;
显示模块502:用于响应于操作,显示所述乳房图像的乳房病灶。
基于相同的技术构思,本申请实施例提供了一种确定、显示乳房图像中病灶的设备,如图6所示,包括至少一个处理器601,以及与至少一个处理器连接的存储器602,本申请实施例中不限定处理器601与存储器602之间的具体连接介质,图6中处理器601和存储器602之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中,存储器602存储有可被至少一个处理器601执行的指令,至少一个处理器601通过执行存储器602存储的指令,可以执行前述的确定、显示乳房图像中病灶的方法中所包括的步骤。
其中,处理器601是确定、显示乳房图像中病灶的设备的控制中心,可以利用各种接口和线路连接乳房图像中病灶的确定显示设备的各个部分,通过运行或执行存储在存储器602内的指令以及调用存储在存储器602内的数据,从而实现乳房图像中病灶的确定和/或显示。可选的,处理器601可包括一个或多个处理模块,处理器601可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器601中。在一些实施例中,处理器601和存储器602可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器601可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器602作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器602可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器602是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器602还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于同一发明构思,本申请实施例还提供了一种计算机可读介质,其存储有可由确定、显示乳房图像中病灶的设备执行的计算机程序,当所述程序在确定、显示乳房图像中病灶的设备上运行时,使得所述确定、显示乳房图像中病灶的设备执行确定、显示乳房图像中病灶的方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种确定乳房图像中病灶的方法,其特征在于,包括:
获取乳房图像中的乳房区域及乳房图像中关键点的位置;
基于所述关键点的位置及所述乳房区域,确定所述乳房图像中的误报区域;
在所述乳房图像中的病灶位于所述误报区域时,确定所述病灶为非乳房病灶。
2.如权利要求1所述的方法,其特征在于,所述关键点包括:腋下第一关键点和腋下第二关键点;所述基于所述关键点的位置及所述乳房区域,确定所述乳房图像中的误报区域,包括:
以所述腋下第一关键点和所述腋下第二关键点所在的直线与所述乳房图像的边界形成的区域为腋下分区;
确定所述乳房区域与所述腋下区域重合的区域为误报区域。
3.如权利要求1所述的方法,其特征在于,所述关键点包括:乳头关键点;所述基于所述关键点的位置及所述乳房区域,确定所述乳房图像中的误报区域,包括:
以距离所述乳头关键点的距离小于或等于第一阈值的区域为乳头区域;
确定所述乳房区域与所述乳头区域重合的区域作为所述乳房图像中的误报区域。
4.如权利要求1-3任一项所述的方法,其特征在于,所述乳房图像包括左乳的乳房图像、右乳的乳房图像;所述乳房图像中关键点的位置通过关键点定位模型获得,所述关键点定位模型的训练样本包括:右乳的乳房图像和翻转后的左乳的乳房图像,或者左乳的乳房图像和翻转后的右乳的乳房图像。
5.如权利要求1-3任一项所述的方法,其特征在于,还包括:确定所述病灶中除所述非乳房病灶的病灶为所述乳房图像的乳房病灶。
6.一种显示乳房图像中病灶的方法,其特征在于,包括:
确定乳房图像中的乳房区域及所述乳房图像中的误报区域;
在所述乳房图像中的病灶位于所述误报区域,确定所述病灶为所述非乳房病灶;
响应于操作,显示所述乳房图像的非乳房病灶。
7.如权利要求6所述的方法,其特征在于,还包括:
确定所述病灶中除所述非乳房病灶的病灶为所述乳房图像的乳房病灶;
响应于操作,显示所述乳房图像的乳房病灶。
8.一种确定乳房图像中病灶的装置,其特征在于,包括:
获取模块:用于获取乳房图像中的乳房区域及乳房图像中关键点的位置;
处理模块:用于基于所述关键点的位置及所述乳房区域,确定所述乳房图像中的误报区域;在所述乳房图像中的病灶位于所述误报区域时,确定所述病灶为非乳房病灶。
9.一种计算设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行权利要求1至5或权利要求6至7任一项所述的方法。
10.一种计算机可读非易失性存储介质,其特征在于,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行如权利要求1至5或权利要求6至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910678444.3A CN110400303A (zh) | 2019-07-25 | 2019-07-25 | 一种确定、显示乳房图像中病灶的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910678444.3A CN110400303A (zh) | 2019-07-25 | 2019-07-25 | 一种确定、显示乳房图像中病灶的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110400303A true CN110400303A (zh) | 2019-11-01 |
Family
ID=68326059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910678444.3A Pending CN110400303A (zh) | 2019-07-25 | 2019-07-25 | 一种确定、显示乳房图像中病灶的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400303A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899223A (zh) * | 2020-06-30 | 2020-11-06 | 上海依智医疗技术有限公司 | 一种确定乳房图像中回缩征象的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170221199A1 (en) * | 2016-01-28 | 2017-08-03 | Taihao Medical Inc. | Lesion detecting method and lesion detecting apparatus for breast image in rotating manner |
CN107798679A (zh) * | 2017-12-11 | 2018-03-13 | 福建师范大学 | 乳腺钼靶图像乳房区域分割与钙化点检测方法 |
CN108805933A (zh) * | 2018-08-27 | 2018-11-13 | 上海联影医疗科技有限公司 | 确定目标点的方法及乳腺x射线摄影系统的定位系统 |
-
2019
- 2019-07-25 CN CN201910678444.3A patent/CN110400303A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170221199A1 (en) * | 2016-01-28 | 2017-08-03 | Taihao Medical Inc. | Lesion detecting method and lesion detecting apparatus for breast image in rotating manner |
CN107798679A (zh) * | 2017-12-11 | 2018-03-13 | 福建师范大学 | 乳腺钼靶图像乳房区域分割与钙化点检测方法 |
CN108805933A (zh) * | 2018-08-27 | 2018-11-13 | 上海联影医疗科技有限公司 | 确定目标点的方法及乳腺x射线摄影系统的定位系统 |
Non-Patent Citations (1)
Title |
---|
HAYDAR ÖZKANA: ""A novel method for pulmonary embolism detection in CTA images"", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899223A (zh) * | 2020-06-30 | 2020-11-06 | 上海依智医疗技术有限公司 | 一种确定乳房图像中回缩征象的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862698B (zh) | 基于k均值聚类的光场前景分割方法及装置 | |
WO2022007431A1 (zh) | 一种Micro QR二维码的定位方法 | |
Tombari et al. | Classification and evaluation of cost aggregation methods for stereo correspondence | |
Jiang et al. | A novel white blood cell segmentation scheme using scale-space filtering and watershed clustering | |
WO2021051604A1 (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
CN109447065A (zh) | 一种乳腺影像识别的方法及装置 | |
US20150003725A1 (en) | Depth constrained superpixel-based depth map refinement | |
CN110400302B (zh) | 一种确定、显示乳房图像中病灶信息的方法及装置 | |
CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN107944403B (zh) | 一种图像中的行人属性检测方法及装置 | |
CN109447963A (zh) | 一种脑部影像识别的方法及装置 | |
CN109165538A (zh) | 基于深度神经网络的条形码检测方法及装置 | |
KR20220042072A (ko) | 의료 영상에서 딥러닝에 기반한 복부 장기 자동분할 방법 및 그 컴퓨터 프로그램 | |
Lo et al. | Joint trilateral filtering for depth map super-resolution | |
CN111626163B (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
WO2021057395A1 (zh) | 一种鞋跟型号识别方法、装置及存储介质 | |
Sánchez et al. | Bright spot regions segmentation and classification for specular highlights detection in colonoscopy videos | |
WO2011093921A1 (en) | Automated vascular region separation in medical imaging | |
CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
KR102349515B1 (ko) | 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법 | |
CN109509177A (zh) | 一种脑部影像识别的方法及装置 | |
CN110400299A (zh) | 一种肺部胸腔积液检出的方法及装置 | |
US8224057B2 (en) | Method and system for nodule feature extraction using background contextual information in chest x-ray images | |
Sarwar et al. | Segmentation of cervical cells for automated screening of cervical cancer: a review | |
CN110110798A (zh) | 一种基于Mask-RCNN网络的焊缝识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191101 |
|
RJ01 | Rejection of invention patent application after publication |