CN110610487A - 一种测量心影增大的方法与装置 - Google Patents
一种测量心影增大的方法与装置 Download PDFInfo
- Publication number
- CN110610487A CN110610487A CN201910809604.3A CN201910809604A CN110610487A CN 110610487 A CN110610487 A CN 110610487A CN 201910809604 A CN201910809604 A CN 201910809604A CN 110610487 A CN110610487 A CN 110610487A
- Authority
- CN
- China
- Prior art keywords
- heart
- abscissa
- left clavicle
- region
- segmentation model
- 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
- G06T2207/10116—X-ray 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
- G06T2207/30048—Heart; Cardiac
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)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明的目的是提供一种测量心影增大的方法。其中,根据人体胸部医学影像,定位其中的左锁骨区域以及心脏区域;根据定位的所述左锁骨区域以及所述心脏区域,确定所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标;根据所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标,判断是否存在心影增大。在此,本发明当通过引入分类器来对心影增大进行测量后,可以抑制分割模型的误差,从而提高本发明的测量方法的整体鲁棒性。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种辅助测量心影增大的技术。
背景技术
胸部X光放射作为心影增大检查的最常见方法,被广泛应用于临床。现有技术中,通过X光造影对心影增大的诊断仍需依靠人工阅片。。
上述方法对医生的个人经验与能力有较高要求;同时,人工阅片也存在成本高、耗时长、易受医生状态等人为因素干扰等问题。
随着人工智能,特别是深度学习领域的快速发展,已有大量研究人员尝试通过该类技术帮助解决医学影像的诊断问题。在心影增大诊断这一特定问题下,若直接以X光胸片影像作为输入,常规的多分类网络(如Inception、ResNet等)并不能得到理想结果。上述问题的原因在于,该类方法并未充分考虑心影增大这一特定病种的影像判定标准,导致大量无关干扰被错误引入。
发明内容
本发明的目的是提供一种测量心影增大的方法、装置以及计算设备、计算机可读存储介质与计算机程序产品。
根据本发明的一个方面,提供了一种用于由计算设备测量心影增大的方法,其中,该方法包括:
根据人体胸部医学影像,定位其中的左锁骨区域以及心脏区域;
根据定位的所述左锁骨区域以及所述心脏区域,确定所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标;
根据所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标,判断是否存在心影增大。
根据本发明的一个方面,还提供了一种用于由计算设备测量心影增大的装置,其中,该装置包括:
分割装置,用于根据人体胸部医学影像,定位其中的左锁骨区域以及心脏区域;
计算装置,用于根据定位的所述左锁骨区域以及所述心脏区域,确定所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标;
判断装置,用于根据所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标,判断是否存在心影增大。
根据本发明的一个方面,还提供了一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现根据本发明的一个方面的测量心影增大的方法。
根据本发明的一个方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现根据本发明的一个方面的测量心影增大的方法。
根据本发明的一个方面,还提供了一种计算机程序产品,当所述计算机程序产品被计算设备执行时实现根据本发明的一个方面的测量心影增大的方法。
与现有技术相比,本发明首先可以根据左锁骨中心点的横坐标以及心脏区域最左点的横坐标的差值来确定是否存在心影增大,这可以显著减轻对人工阅片的依赖。进一步地,在通过引入分类器来对人体胸部医学影像中是否存在心影增大进行测量,而非简单根据左锁骨中心点的横坐标以及心脏区域最左点的横坐标的差值来确定是否存在心影增大,本发明可以抑制图像分割模型的误差,从而提高本发明的测量方法的整体鲁棒性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出根据本发明一个实施例的一种测量心影增大的方法流程图;
图2示出根据本发明另一个实施例的一种测量心影增大的装置示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
在更加详细地讨论示例性实施例之前应当提到的是,本发明的一些示例性实施例被描述为由方框图表述的装置和由流程图表述的过程或方法。虽然流程图将本发明的操作过程描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。本发明的过程可在其操作执行完毕时被终止,但也可包括未在所述流程图中示出的额外步骤。本发明的过程可以对应于方法、功能、规程、子例程、子程序等。
以下讨论的由流程图示出的方法和由方框图示出的装置,可以通过硬件、软件、固件、中间件、微代码、硬件描述语言、或其任意组合实现。当以软件、固件、中间件或微代码实现时,执行必要任务的程序代码或代码段可被存储于机器或诸如存储介质的计算机可读介质。(一个或多个)处理器可以执行所述必要任务。
类似地,还将理解任何流程表、流程图、状态转换图,诸如此类,表示各种过程,其可以被充分地描述为存储于计算机可读介质内的程序代码并因此被计算设备或处理器执行,无论这些计算设备或处理器是否被明确示出。
本文中,术语“存储介质”可以表示一个或多个用于存储数据的设备,包括只读存储器(ROM),随机存取存储器(RAM),磁性RAM,内核存储器,磁盘存储介质,光存储介质,闪存设备和/或其他用于存储信息的机器可读介质。术语“计算机可读介质”可包括但不限于,便携的或固定的存储设备,光存储设备,及各种其他能够存储和/或包含指令和/或数据的介质。
代码段可表示规程、功能、子程序、程序、例程、子例程、模块、软件包、类,或指令、数据结构或程序描述的任一组合。一个代码段可以通过传递和/或接收信息、数据、自变量、参数或存储内容,与另一个代码段或硬件电路相耦合。信息、自变量、参数、数据等,可以经由包括存储共享、信息传递、令牌传递、网络传输等任一合适方式,被传递、转发或发射。
在上下文中所称“计算设备”,是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的电子设备,其至少可以包括处理器与存储器,其中由处理器执行在存储器中预存的程序指令来执行预定处理过程,或是由ASIC、FPGA、DSP等硬件执行预定处理过程,或是由上述二者组合来实现。
上述“计算设备”通常以通用计算设备的形式表现,其组件可以包括但不限于:一个或者多个处理器或者处理单元、系统存储器。系统存储器可以包括易失性存储器形式的计算机可读介质,例如随机存取存储器(RAM)和/或高速缓存存储器。“计算设备”可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机可读存储介质。存储器可以包括至少一个计算机程序产品,该计算机程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能和/或方法。处理器通过运行存储在存储器中的程序,从而执行各种功能应用以及数据处理。
例如,存储器中存储有用于执行本发明的各项功能和处理的计算机程序,处理器执行相应计算机程序时,本发明中对心影增大的测量被实现。
典型地,计算设备例如包括用户设备与网络设备。其中,所述用户设备包括但不限于个人计算机(PC)、笔记本电脑、移动终端等,所述移动终端包括但不限于智能手机、平板电脑等;所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中,所述计算设备可单独运行来实现本发明,也可接入网络并通过与网络中的其他计算设备的交互操作来实现本发明。其中,所述计算设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
需要说明的是,所述用户设备、网络设备和网络等仅为举例,其他现有的或今后可能出现的计算设备或网络如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
这里所公开的具体结构和功能细节仅仅是代表性的,并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现,并且不应当被解释成仅仅受限于这里所阐述的实施例。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指,否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是,这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在,而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是,在一些替换实现方式中,所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说,取决于所涉及的功能/动作,相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
下面结合附图对本发明作进一步详细描述。
图1示出根据本发明一个实施例的方法流程图,其具体示出一种测量心影增大的过程。
典型地,本发明由计算设备实现。当一个通用的计算设备被配置有实现本发明的程序模块后,其将成为专用的测量心影增大的计算设备,而不是任何通用的计算机或处理器。然而,本领域技术人员应能理解,前述说明仅意在表明本发明可以应用于任何通用计算设备,而当本发明被应用于一个通用计算设备之后,该通用计算设备则成为一个专门的实现本发明的测量心影增大的设备,以下称为“测量设备”。
如图1所示,在步骤S1中,测量设备根据人体胸部医学影像,定位其中的左锁骨区域以及心脏区域;在步骤S2中,测量设备根据定位的所述左锁骨区域以及所述心脏区域,确定所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标;在步骤S3中,测量设备根据所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标,判断是否存在心影增大。
具体地,在步骤S1中,测量设备根据人体胸部医学影像,定位其中的左锁骨区域以及心脏区域。
在此,测量设备对目标区域的定位至少包括以下两种方式:
1)通过传统的图像分割模型来对目标区域进行定位。
传统的图像分割模型主要基于各种图像分割算法,包括基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。其中,可用于医学影像的图像分割模型诸如主动轮廓模型、Grabcut、区域增长模型、阈值分割模型等。
在此,通过上述各种图像分割模型即可从输入的人体胸部医学影像中提取目标区域,例如,左锁骨区域或心脏区域。
2)通过基于深度学习的图像分割模型来对目标区域进行定位。
深度学习是机器学习领域中一系列试图使用多重非线性变换对数据进行多层抽象的算法,不仅学习输入和输出之间的非线性映射,还学习输入数据向量的隐藏结构,以用来对新的样本进行智能识别或预测。
在此,可用于本发明的基于深度学习神经网络的图像分割模型诸如FCN(全卷积网络,Fully Convolutional Networks)模型、U-net算法模型。
其中,通过输入预先标注好目标区域的样本图像,上述基于深度学习的图像分割模型即可被训练来识别特定目标区域。
具体到本发明,例如U-net算法被训练来识别左锁骨区域,从而该训练好的识别左锁骨区域的U-net算法模型可以被标记为第一图像分割模型。该U-net算法模型同样可以被训练来识别心脏区域,从而该训练好的识别心脏区域的U-net算法模型可以被标记为第二图像分割模型。
本领域技术人员应能理解,上述第一图像分割模型和第二图像分割模型的基础算法模型是一样的,即均为U-net算法模型,而由于两者被用于不同的目标区域进行训练,使得训练好的第一图像分割模型被用于识别左锁骨区域,训练好的第二图像分割模型被用于识别心脏区域。因此,“第一图像分割模型”和“第二图像分割模型”意在区别两者各自对应的目标区域,而非指两者模型在算法本质的不同。本发明中,“第一图像分割模型”可以被理解为左锁骨的分割模型,“第二图像分割模型”可以被理解为心脏的分割模型。此外,本领域技术人员还应能理解,上述第一图像分割模型和第二图像分割模型也可以分别采用不同的基础算法模型,例如,第一图像分割模型通过对U-net算法模型执行针对左锁骨区域的识别来训练获得,第二图像分割模型通过对FCN算法模型执行针对心脏区域的识别来训练获得。本发明对此不作限制。
举例而言,对于一人体胸部医学影像,测量设备通过第一图像分割模型获得左锁骨区域的掩膜,以及通过第二图像分割模型获得心脏区域的掩膜。
具体如,预先标注好左锁骨区域的掩膜的人体胸部医学影像,即该人体胸部医学影像中左锁骨区域被标注为“1”,其它区域被标注为“0”,该人体胸部医学影像被输入到初始的第一图像分割模型中,以对该第一图像分割模型进行训练,进而获得训练好的第一图像分割模型来用于识别左锁骨区域。因此,该训练好的第一图像分割模型即左锁骨的分割模型。
同样地,预先标注好心脏区域的掩膜的人体胸部医学影像,即该人体胸部医学影像中心脏区域被标注为“1”,其它区域被标注为“0”,该人体胸部医学影像被输入到初始的第二图像分割模型中,以对该第二图像分割模型进行训练,进而获得训练好的第二图像分割模型来用于识别心脏区域。因此,该训练好的第二图像分割模型即心脏的分割模型。
据此,当一人体胸部医学影像被输入训练好的左锁骨分割模型,即可获得标注有左锁骨掩膜的人体胸部医学影像,其中,左锁骨区域被标注为“1”,其他区域被标注为“0”。该人体胸部医学影像同样被输入训练好的心脏分割模型,即可获得标注有心脏掩膜的人体胸部医学影像,其中,心脏区域被标注为“1”,其他区域被标注为“0”。
一个人体胸部医学影像可以被先后输入左锁骨的分割模型和心脏的分割模型,以在同一个人体胸部医学影像中被标注出左锁骨区域和心脏区域。或者,同一人体胸部医学影像可以被分别输入左锁骨的分割模型和心脏的分割模型,以获得两个分别标注出左锁骨区域和心脏区域的人体胸部医学影像。
可替代,也可以采用一个图像分割模型来同时获得左锁骨掩膜和心脏掩膜。例如,在样本图像中将左锁骨区域标注为“1”,心脏区域标注为“2”,其他区域标注为“0”,并将这些样本图像输入U-net算法模型以对其训练,即可获得训练好的图像分割模型。当将待识别的人体胸部医学影像输入该图像分割模型,即可获得标注有左锁骨掩膜和心脏掩膜的人体胸部医学影像,其中,左锁骨区域被标注为“1”,心脏区域被标注为“2”,其他区域被标注为“0”。
目标区域(如左锁骨或心脏)的掩膜的本质仍是一个图像,即一个目标区域被标注为“1”以及其他区域被标注为“0”的人体胸部医学影像,但该图像也可以通过一个二维矩阵数组来表征。
接下来,在步骤S2中,测量设备根据在人体胸部医学影像中定位的左锁骨区域以及心脏区域,确定左锁骨中心点的横坐标以及心脏区域最左点的横坐标。
例如,对于一个在步骤S1中获得的1024*1024标注有左锁骨掩膜的人体胸部医学影像,测量设备确定其中左锁骨掩膜的中心点,进而获取该中心点的横坐标。对于同样在步骤S1中获得的1024*1024标注有心脏掩膜的人体胸部医学影像,测量设备确定其中心脏掩膜的最左点,进而获取该最左点的横坐标。
在此,本领域技术人员应能理解,步骤S1与步骤S2无需严格按照各自的序号顺序来执行。例如,测量设备可以在由步骤S1获得左锁骨掩膜之后,即转入步骤S2来继续获取左锁骨掩膜的中心点的横坐标,继而再转回步骤S1来获得心脏掩膜,进而接着执行步骤S2来获取心脏掩膜最左点的横坐标。并且,测量设备获取左锁骨掩膜与心脏掩膜的操作之间也无特定顺序关系。
在步骤S3中,测量设备根据左锁骨中心点的横坐标以及心脏区域最左点的横坐标,判断是否存在心影增大。
1)比较左锁骨中心点的横坐标以及心脏区域最左点的横坐标,若心脏区域最左点的横坐标越过左锁骨中心点的横坐标,则判断为心影增大。
例如,测量设备计算心脏区域最左点的横坐标与左锁骨中心点的横坐标之间的差值:如果该差值为正,则存在心影增大;如果该差值为负,则不存在心影增大。
2)将左锁骨中心点的横坐标以及心脏区域最左点的横坐标输入训练好的分类器,以获得相应的输出结果,所述输出结果指示对是否心影增大的测量结果。
在此,所述分类器包括但不限于随机森林、SVM(支持向量机,Support VectorMachine)等。本发明对此不做限制,任何可通过以下训练后用于根据本发明的方法对心影增大进行测量的分类器均应被包含在发明的保护范围之内。
本发明中,对心影增大进行测量的分类器可以通过以下步骤来训练:
将预先标注有左锁骨中心点以及心脏区域最左点的正负样本图像输入分类器,以对该分类器进行训练,使其获得左锁骨中心点的横坐标以及心脏区域最左点的横坐标与是否存在心影增大的相关性;其中,正样本图像包括存在心影增大的人体胸部医学影像,负样本图像包括不存在心影增大的人体胸部医学影像。
在训练过程中,对于每个样本,分类器会计算其存在心影增大的概率和不存在心影增大的概率。根据具体应用需要,每个分类结果会具有一个对应的概率阈值。具体到本发明,例如,本发明更关心对不存在心影增大的误判,故可以对不存在心影增大的概率设定一个较大的概率阈值,如0.7,即当根据输入的左锁骨中心点的横坐标以及心脏区域最左点的横坐标计算其不存在心影增大的概率超过0.7时,即判定此时的分类结果为不存在心影增大。在此,该概率阈值可以根据分类器的召回率(即分类结果的正确率)与心影增大的特异性来确定,从而在该概率阈值下,召回率与特异性均可达到临床期望。
在获得训练好的分类器之后,测量设备可以将左锁骨中心点的横坐标以及心脏区域最左点的横坐标输入该分类器,以获得相应的输出结果,该输出结果指示对是否心影增大的测量结果。
在此,本发明通过引入分类器来对心影增大进行测量,而非直接根据左锁骨中心点的横坐标以及心脏区域最左点的横坐标的差值来确定是否存在心影增大,可以抑制分割模型的误差,从而提高本发明的测量方法的整体鲁棒性。
图2示出根据本发明一个实施例的装置示意图,其具体示出一种测量心影增大的装置。
典型地,本发明的装置可以作为一个功能模块装置于任何通用的计算设备中。当一个通用的计算设备被配置有本发明的装置后,其将成为专用的测量心影增大的计算设备,而不是任何通用的计算机或处理器。然而,本领域技术人员应能理解,前述说明仅意在表明本发明的装置可以应用于任何通用计算设备,而当本发明的装置被应用于一个通用计算设备之后,该通用计算设备则成为一个专门的实现本发明的测量心影增大的设备,以下称为“测量设备”,本发明的装置也可以因此被称为“测量装置”。并且,该“测量装置”可以以计算机程序、硬件或其结合的方式实现。
如图2所示,测量装置20被装置于计算设备200中。测量装置20进一步包括分割装置21、计算装置22和判断装置23。
其中,根据人体胸部医学影像,分割装置21定位其中的左锁骨区域以及心脏区域;计算装置22根据定位的所述左锁骨区域以及所述心脏区域,确定所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标;判断装置23根据所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标,判断是否存在心影增大。
具体地,分割装置21根据人体胸部医学影像,定位其中的左锁骨区域以及心脏区域。
在此,分割装置21对目标区域的定位至少包括以下两种方式:
1)通过传统的图像分割模型来对目标区域进行定位。
传统的图像分割模型主要基于各种图像分割算法,包括基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。其中,可用于医学影像的图像分割模型诸如主动轮廓模型、Grabcut、区域增长模型、阈值分割模型等。
在此,通过上述各种图像分割模型即可从输入的人体胸部医学影像中提取目标区域,例如,左锁骨区域或心脏区域。
2)通过基于深度学习的图像分割模型来对目标区域进行定位。
深度学习是机器学习领域中一系列试图使用多重非线性变换对数据进行多层抽象的算法,不仅学习输入和输出之间的非线性映射,还学习输入数据向量的隐藏结构,以用来对新的样本进行智能识别或预测。
在此,可用于本发明的基于深度学习神经网络的图像分割模型诸如FCN(全卷积网络,Fully Convolutional Networks)模型、U-net。
其中,通过输入预先标注好目标区域的样本图像,上述基于深度学习的图像分割模型即可被训练来识别特定目标区域。
具体到本发明,例如U-net算法被训练来识别左锁骨区域,从而该训练好的识别左锁骨区域的U-net算法模型可以被标记为第一图像分割模型。该U-net算法模型同样可以被训练来识别心脏区域,从而该训练好的识别心脏区域的U-net算法模型可以被标记为第二图像分割模型。
本领域技术人员应能理解,上述第一图像分割模型和第二图像分割模型的基础算法模型是一样的,即均为U-net算法模型,而由于两者被用于不同的目标区域进行训练,使得训练好的第一图像分割模型被用于识别左锁骨区域,训练好的第二图像分割模型被用于识别心脏区域。因此,“第一图像分割模型”和“第二图像分割模型”意在区别两者各自对应的目标区域,而非指两者模型在算法本质的不同。本发明中,“第一图像分割模型”可以被理解为左锁骨的分割模型,“第二图像分割模型”可以被理解为心脏的分割模型。此外,本领域技术人员还应能理解,上述第一图像分割模型和第二图像分割模型也可以分别采用不同的基础算法模型,例如,第一图像分割模型通过对U-net算法模型执行针对左锁骨区域的识别来训练获得,第二图像分割模型通过对FCN算法模型执行针对心脏区域的识别来训练获得。本发明对此不作限制。
举例而言,对于一人体胸部医学影像,分割装置21通过第一图像分割模型获得左锁骨区域的掩膜,以及通过第二图像分割模型获得心脏区域的掩膜。
具体如,预先标注好左锁骨区域的掩膜的人体胸部医学影像,即该人体胸部医学影像中左锁骨区域被标注为“1”,其它区域被标注为“0”,该人体胸部医学影像被输入到初始的第一图像分割模型中,以对该第一图像分割模型进行训练,进而获得训练好的第一图像分割模型来用于识别左锁骨区域。因此,该训练好的第一图像分割模型即左锁骨的分割模型。
同样地,预先标注好心脏区域的掩膜的人体胸部医学影像,即该人体胸部医学影像中心脏区域被标注为“1”,其它区域被标注为“0”,该人体胸部医学影像被输入到初始的第二图像分割模型中,以对该第二图像分割模型进行训练,进而获得训练好的第二图像分割模型来用于识别心脏区域。因此,该训练好的第二图像分割模型即心脏的分割模型。
据此,当一人体胸部医学影像被输入训练好的左锁骨分割模型,即可获得标注有左锁骨掩膜的人体胸部医学影像,其中,左锁骨区域被标注为“1”,其他区域被标注为“0”。该人体胸部医学影像同样被输入训练好的心脏分割模型,即可获得标注有心脏掩膜的人体胸部医学影像,其中,心脏区域被标注为“1”,其他区域被标注为“0”。
一个人体胸部医学影像可以被先后输入左锁骨的分割模型和心脏的分割模型,以在同一个人体胸部医学影像中被标注出左锁骨区域和心脏区域。或者,同一人体胸部医学影像可以被分别输入左锁骨的分割模型和心脏的分割模型,以获得两个分别标注出左锁骨区域和心脏区域的人体胸部医学影像。
可替代,也可以采用一个图像分割模型来同时获得左锁骨掩膜和心脏掩膜。例如,在样本图像中将左锁骨区域标注为“1”,心脏区域标注为“2”,其他区域标注为“0”,并将这些样本图像输入U-net算法以对其训练,即可获得训练好的图像分割模型。当将待识别的人体胸部医学影像输入该图像分割模型,即可获得标注有左锁骨掩膜和心脏掩膜的人体胸部医学影像,其中,左锁骨区域被标注为“1”,心脏区域被标注为“2”,其他区域被标注为“0”。
目标区域(如左锁骨或心脏)的掩膜的本质仍是一个图像,即一个目标区域被标注为“1”以及其他区域被标注为“0”的人体胸部医学影像,但该图像也可以通过一个二维矩阵数组来表征。
此外,分割装置21可以作为图像分割模型的接口,将人体胸部医学影像输入图像分割模型来获得标注有左锁骨法掩膜和心脏掩膜的人体胸部医学影像;分割装置21也可以集成有图像分割模型,直接来分别对左锁骨区域以及心脏区域进行定位。
接下来,计算装置22根据在人体胸部医学影像中定位的左锁骨区域以及心脏区域,确定左锁骨中心点的横坐标以及心脏区域最左点的横坐标。
例如,对于一个由分割装置21获得的1024*1024标注有左锁骨掩膜的人体胸部医学影像,测量设备确定其中左锁骨掩膜的中心点,进而获取该中心点的横坐标。对于同样由分割装置21获得的1024*1024标注有心脏掩膜的人体胸部医学影像,测量设备确定其中心脏掩膜的最左点,进而获取该最左点的横坐标。
在此,本领域技术人员应能理解,分割装置21与计算装置22无需严格按照顺序来执行各自的操作。例如,分割装置21可以在获得左锁骨掩膜之后,即传递给计算装置22来继续获取左锁骨掩膜的中心点的横坐标,继而分割装置21继续获得心脏掩膜,进而接着传递给计算装置22来获取心脏掩膜最左点的横坐标。并且,分割装置21获取左锁骨掩膜与心脏掩膜的操作之间也无特定顺序关系。
判断装置23根据左锁骨中心点的横坐标以及心脏区域最左点的横坐标,判断是否存在心影增大。
1)比较左锁骨中心点的横坐标以及心脏区域最左点的横坐标,若心脏区域最左点的横坐标越过左锁骨中心点的横坐标,则判断为心影增大。
例如,判断装置23计算心脏区域最左点的横坐标与左锁骨中心点的横坐标之间的差值:如果该差值为正,则存在心影增大;如果该差值为负,则不存在心影增大。
2)将左锁骨中心点的横坐标以及心脏区域最左点的横坐标输入训练好的分类器,以获得相应的输出结果,所述输出结果指示对是否心影增大的测量结果。
在此,判断装置23与分类器可以实质为同一装置,接收计算装置22传递的左锁骨中心点的横坐标以及心脏区域最左点的横坐标作为输入,从而输出对应的分类结果,以指示是否心影增大的测量结果其中,所述分类器包括但不限于随机森林、SVM(支持向量机,Support Vector Machine)等。本发明对此不做限制,任何可通过以下训练后用于根据本发明的方法对心影增大进行测量的分类器均应被包含在发明的保护范围之内。
本发明中,对心影增大进行测量的分类器可以通过以下步骤来训练:
将预先标注有左锁骨中心点以及心脏区域最左点的正负样本图像输入分类器,以对该分类器进行训练,使其获得左锁骨中心点的横坐标以及心脏区域最左点的横坐标与是否存在心影增大的相关性;其中,正样本图像包括存在心影增大的人体胸部医学影像,负样本图像包括不存在心影增大的人体胸部医学影像。
在训练过程中,对于每个样本,分类器会计算其存在心影增大的概率和不存在心影增大的概率。根据具体应用需要,每个分类结果会具有一个对应的概率阈值。具体到本发明,例如,可以对不存在心影增大的概率设定一个较大的概率阈值,如0.7,即当根据输入的左锁骨中心点的横坐标以及心脏区域最左点的横坐标计算其不存在心影增大的概率超过0.7时,即判定此时的分类结果为不存在心影增大。在此,该概率阈值可以根据分类器的召回率(即分类结果的正确率)与心影增大的特异性来确定,从而在该概率阈值下,召回率与特异性均可达到临床期望。
在获得训练好的分类器之后,判断装置23可以将左锁骨中心点的横坐标以及心脏区域最左点的横坐标输入该分类器,以获得相应的输出结果,该输出结果指示对是否心影增大的测量结果。
在此,本发明通过引入分类器来对心影增大进行测量,而非直接根据左锁骨中心点的横坐标以及心脏区域最左点的横坐标的差值来确定是否存在心影增大,可以抑制分割模型的误差,从而提高本发明的测量算法的整体鲁棒性。
根据以上描述的各种实施例,以下条款被提出:
条款1.一种用于由计算设备测量心影增大的方法,其中,该方法包括:
根据人体胸部医学影像,定位其中的左锁骨区域以及心脏区域;
根据定位的所述左锁骨区域以及所述心脏区域,确定所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标;
根据所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标,判断是否存在心影增大。
条款2.根据条款1所述的方法,其中,所述判断步骤具体包括:
将所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标输入训练好的分类器,以获得相应的输出结果,所述输出结果指示对是否心影增大的测量结果。
条款3.根据条款2所述的方法,其中,
预先标注有左锁骨中心点以及心脏区域最左点的正负样本图像被输入所述分类器来对所述分类器进行训练,经训练的所述分类器指示左锁骨中心点的位置以及心脏区域最左点的位置与是否存在心影增大的相关性;其中,正样本图像包括存在心影增大的人体胸部医学影像,负样本图像包括不存在心影增大的人体胸部医学影像。
条款4.根据条款1至3中任一项所述的方法,其中,所述定位操作具体包括:
根据所述人体胸部医学影像,通过第一图像分割模型,确定所述左锁骨区域;
根据所述人体胸部医学影像,通过第二图像分割模型,确定所述心脏区域。
条款5.根据条款4所述的方法,其中,通过所述第一图像分割模型获得所述左锁骨区域的掩膜以及通过所述第二图像分割模型获得所述心脏区域的掩膜。
条款6.根据条款4或5所述的方法,其中,
所述第一图像分割模型通过输入预先标注好左锁骨区域的掩膜的人体胸部医学影像来进行训练。
条款7.根据条款4或5所述的方法,其中,
所述第二图像分割模型通过输入预先标注好心脏区域的掩膜的人体胸部医学影像来进行训练。
条款8.一种用于由计算设备测量心影增大的装置,其中,该装置包括:
分割装置,用于根据人体胸部医学影像,定位其中的左锁骨区域以及心脏区域;
计算装置,用于根据定位的所述左锁骨区域以及所述心脏区域,确定所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标;
判断装置,用于根据所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标,判断是否存在心影增大。
条款9.根据条款8所述的装置,其中,所述判断操作具体包括:
将所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标输入训练好的分类器,以获得相应的输出结果,所述输出结果指示对是否心影增大的测量结果。
条款10.根据条款9所述的装置,其中,
预先标注有左锁骨中心点以及心脏区域最左点的正负样本图像被输入所述分类器来对所述分类器进行训练,经训练的所述分类器指示左锁骨中心点的位置以及心脏区域最左点的位置与是否存在心影增大的相关性;其中,正样本图像包括存在心影增大的人体胸部医学影像,负样本图像包括不存在心影增大的人体胸部医学影像。
条款11.根据条款8至10所述的装置,其中,所述定位操作具体包括:
根据所述人体胸部医学影像,通过第一图像分割模型,确定所述左锁骨区域;
根据所述人体胸部医学影像,通过第二图像分割模型,确定所述心脏区域。
条款12.根据条款11所述的装置,其中,通过所述第一图像分割模型获得所述左锁骨区域的掩膜以及通过所述第二图像分割模型获得所述心脏区域的掩膜。
条款13.根据条款12所述的装置,其中,所述第一图像分割模型通过输入预先标注好左锁骨区域的掩膜的人体胸部医学影像来进行训练。
条款14.根据条款12或13所述的装置,其中,所述第二图像分割模型通过输入预先标注好心脏区域的掩膜的人体胸部医学影像来进行训练。
条款15.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如条款1至7中任一项所述的方法。
条款16.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如条款1至7中任一项所述的方法。
条款17.一种计算机程序产品,当所述计算机程序产品被计算机设备执行时实现如条款1至7中任一项所述的方法。
需要注意的是,本发明可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本发明的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本发明的至少一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算设备执行时,通过该计算设备的操作,可以调用或提供根据本发明的方法和/或技术方案。而调用/提供本发明的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算设备的工作存储器中。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种用于由计算设备测量心影增大的方法,其中,该方法包括:
根据人体胸部医学影像,定位其中的左锁骨区域以及心脏区域;
根据定位的所述左锁骨区域以及所述心脏区域,确定所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标;
根据所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标,判断是否存在心影增大。
2.根据权利要求1所述的方法,其中,所述判断步骤具体包括:
将所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标输入训练好的分类器,以获得相应的输出结果,所述输出结果指示对是否心影增大的测量结果。
3.根据权利要求2所述的方法,其中,
预先标注有左锁骨中心点以及心脏区域最左点的正负样本图像被输入所述分类器来对所述分类器进行训练,经训练的所述分类器指示左锁骨中心点的位置以及心脏区域最左点的位置与是否存在心影增大的相关性;其中,正样本图像包括存在心影增大的人体胸部医学影像,负样本图像包括不存在心影增大的人体胸部医学影像。
4.根据权利要求1至3中任一项所述的方法,其中,所述定位操作具体包括:
根据所述人体胸部医学影像,通过第一图像分割模型,确定所述左锁骨区域;
根据所述人体胸部医学影像,通过第二图像分割模型,确定所述心脏区域。
5.根据权利要求4所述的方法,其中,
所述第一图像分割模型通过输入预先标注好左锁骨区域的掩膜的人体胸部医学影像来进行训练;
所述第二图像分割模型通过输入预先标注好心脏区域的掩膜的人体胸部医学影像来进行训练。
6.一种用于由计算设备测量心影增大的装置,其中,该装置包括:
分割装置,用于根据人体胸部医学影像,定位其中的左锁骨区域以及心脏区域;
计算装置,用于根据定位的所述左锁骨区域以及所述心脏区域,确定所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标;
判断装置,用于根据所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标,判断是否存在心影增大。
7.根据权利要求6所述的装置,其中,所述判断操作具体包括:
将所述左锁骨中心点的横坐标以及所述心脏区域最左点的横坐标输入训练好的分类器,以获得相应的输出结果,所述输出结果指示对是否心影增大的测量结果。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
10.一种计算机程序产品,当所述计算机程序产品被计算机设备执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910809604.3A CN110610487A (zh) | 2019-08-29 | 2019-08-29 | 一种测量心影增大的方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910809604.3A CN110610487A (zh) | 2019-08-29 | 2019-08-29 | 一种测量心影增大的方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110610487A true CN110610487A (zh) | 2019-12-24 |
Family
ID=68890008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910809604.3A Pending CN110610487A (zh) | 2019-08-29 | 2019-08-29 | 一种测量心影增大的方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610487A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799806A (zh) * | 2009-02-06 | 2010-08-11 | 沈阳工大普日软件技术有限公司 | 基于多信息融合的胸部数字化x线图像检索系统 |
US20130053705A1 (en) * | 2003-07-02 | 2013-02-28 | Cardiac Pacemakers, Inc. | Cardiac cycle synchronized sampling of impedance signal |
CN105574871A (zh) * | 2015-12-16 | 2016-05-11 | 深圳市智影医疗科技有限公司 | 在放射图像中检测肺部局部性病变的分割分类方法和系统 |
CN106991697A (zh) * | 2017-04-17 | 2017-07-28 | 心医国际数字医疗系统(大连)有限公司 | 胸部数字影像的心胸比测量方法 |
CN107330449A (zh) * | 2017-06-13 | 2017-11-07 | 瑞达昇科技(大连)有限公司 | 一种糖尿病性视网膜病变体征检测方法及装置 |
CN109035284A (zh) * | 2018-06-28 | 2018-12-18 | 深圳先进技术研究院 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
CN109087327A (zh) * | 2018-07-13 | 2018-12-25 | 天津大学 | 一种级联全卷积神经网络的甲状腺结节超声图像分割方法 |
CN109447969A (zh) * | 2018-10-29 | 2019-03-08 | 北京青燕祥云科技有限公司 | 肝占位性病变识别方法、装置和实现装置 |
CN109509262A (zh) * | 2018-11-13 | 2019-03-22 | 盎锐(上海)信息科技有限公司 | 基于人工智能的智能增强建模算法及装置 |
CN109615065A (zh) * | 2018-12-17 | 2019-04-12 | 郑州云海信息技术有限公司 | 一种基于fpga的数据处理方法、设备以及存储介质 |
CN109767826A (zh) * | 2019-01-21 | 2019-05-17 | 河西学院 | 一种医疗摄影数据的获取方法及医疗摄影成像系统 |
CN109801276A (zh) * | 2019-01-14 | 2019-05-24 | 沈阳联氪云影科技有限公司 | 一种计算心胸比的方法及装置 |
CN109906275A (zh) * | 2016-06-08 | 2019-06-18 | 爱荷华大学研究基金会 | 检测心血管疾病易感性的组合物和方法 |
CN109948740A (zh) * | 2019-04-26 | 2019-06-28 | 中南大学湘雅医院 | 一种基于静息态脑影像的分类方法 |
CN110164549A (zh) * | 2019-05-20 | 2019-08-23 | 南通奕霖智慧医学科技有限公司 | 一种基于神经网络分类器的儿科分诊方法及系统 |
-
2019
- 2019-08-29 CN CN201910809604.3A patent/CN110610487A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130053705A1 (en) * | 2003-07-02 | 2013-02-28 | Cardiac Pacemakers, Inc. | Cardiac cycle synchronized sampling of impedance signal |
CN101799806A (zh) * | 2009-02-06 | 2010-08-11 | 沈阳工大普日软件技术有限公司 | 基于多信息融合的胸部数字化x线图像检索系统 |
CN105574871A (zh) * | 2015-12-16 | 2016-05-11 | 深圳市智影医疗科技有限公司 | 在放射图像中检测肺部局部性病变的分割分类方法和系统 |
CN109906275A (zh) * | 2016-06-08 | 2019-06-18 | 爱荷华大学研究基金会 | 检测心血管疾病易感性的组合物和方法 |
CN106991697A (zh) * | 2017-04-17 | 2017-07-28 | 心医国际数字医疗系统(大连)有限公司 | 胸部数字影像的心胸比测量方法 |
CN107330449A (zh) * | 2017-06-13 | 2017-11-07 | 瑞达昇科技(大连)有限公司 | 一种糖尿病性视网膜病变体征检测方法及装置 |
CN109035284A (zh) * | 2018-06-28 | 2018-12-18 | 深圳先进技术研究院 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
CN109087327A (zh) * | 2018-07-13 | 2018-12-25 | 天津大学 | 一种级联全卷积神经网络的甲状腺结节超声图像分割方法 |
CN109447969A (zh) * | 2018-10-29 | 2019-03-08 | 北京青燕祥云科技有限公司 | 肝占位性病变识别方法、装置和实现装置 |
CN109509262A (zh) * | 2018-11-13 | 2019-03-22 | 盎锐(上海)信息科技有限公司 | 基于人工智能的智能增强建模算法及装置 |
CN109615065A (zh) * | 2018-12-17 | 2019-04-12 | 郑州云海信息技术有限公司 | 一种基于fpga的数据处理方法、设备以及存储介质 |
CN109801276A (zh) * | 2019-01-14 | 2019-05-24 | 沈阳联氪云影科技有限公司 | 一种计算心胸比的方法及装置 |
CN109767826A (zh) * | 2019-01-21 | 2019-05-17 | 河西学院 | 一种医疗摄影数据的获取方法及医疗摄影成像系统 |
CN109948740A (zh) * | 2019-04-26 | 2019-06-28 | 中南大学湘雅医院 | 一种基于静息态脑影像的分类方法 |
CN110164549A (zh) * | 2019-05-20 | 2019-08-23 | 南通奕霖智慧医学科技有限公司 | 一种基于神经网络分类器的儿科分诊方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Automatically discriminating and localizing COVID-19 from community-acquired pneumonia on chest X-rays | |
Bello et al. | Deep-learning cardiac motion analysis for human survival prediction | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
CN109754387B (zh) | 一种全身骨显像放射性浓聚灶的智能检测定位方法 | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
Roth et al. | A new 2.5 D representation for lymph node detection using random sets of deep convolutional neural network observations | |
CN110598782B (zh) | 一种训练用于医学影像的分类网络的方法与装置 | |
Gülsün et al. | Coronary centerline extraction via optimal flow paths and CNN path pruning | |
Shukla et al. | AI‐DRIVEN Novel Approach for Liver Cancer Screening and Prediction Using Cascaded Fully Convolutional Neural Network | |
Rajan et al. | Fog computing employed computer aided cancer classification system using deep neural network in internet of things based healthcare system | |
Abdulkareem et al. | [Retracted] Automated System for Identifying COVID‐19 Infections in Computed Tomography Images Using Deep Learning Models | |
CN112348082B (zh) | 深度学习模型构建方法、影像处理方法及可读存储介质 | |
Sahin et al. | Detection and classification of COVID-19 by using faster R-CNN and mask R-CNN on CT images | |
CN110610488A (zh) | 分类训练和检测的方法与装置 | |
Li et al. | MultiR-net: a novel joint learning network for COVID-19 segmentation and classification | |
KR20140114303A (ko) | 3차원 의료 영상들에서 2차원 뷰의 자동 플래닝을 위한 방법 및 시스템 | |
Kuo et al. | Fast fully automatic detection, classification and 3D reconstruction of pulmonary nodules in CT images by local image feature analysis | |
Zhang et al. | An Algorithm for Automatic Rib Fracture Recognition Combined with nnU‐Net and DenseNet | |
Vineth Ligi et al. | Radiological Analysis of COVID‐19 Using Computational Intelligence: A Broad Gauge Study | |
Uplaonkar et al. | Modified Otsu thresholding based level set and local directional ternary pattern technique for liver tumor segmentation | |
Guo et al. | Joint optic disc and cup segmentation using feature fusion and attention | |
Li et al. | A semi-automated annotation algorithm based on weakly supervised learning for medical images | |
CN113256622A (zh) | 基于三维图像的目标检测方法、装置及电子设备 | |
Tan et al. | Automatic localization of the left ventricular blood pool centroid in short axis cardiac cine MR images | |
CN110610487A (zh) | 一种测量心影增大的方法与装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191224 |
|
RJ01 | Rejection of invention patent application after publication |