CN110710986A - 一种基于ct图像的脑部动静脉畸形检测方法及检测系统 - Google Patents

一种基于ct图像的脑部动静脉畸形检测方法及检测系统 Download PDF

Info

Publication number
CN110710986A
CN110710986A CN201911024310.6A CN201911024310A CN110710986A CN 110710986 A CN110710986 A CN 110710986A CN 201911024310 A CN201911024310 A CN 201911024310A CN 110710986 A CN110710986 A CN 110710986A
Authority
CN
China
Prior art keywords
focus
brain
arteriovenous malformation
cerebral arteriovenous
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.)
Granted
Application number
CN201911024310.6A
Other languages
English (en)
Other versions
CN110710986B (zh
Inventor
杨晶晶
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.)
Huayuan computing technology (Shanghai) Co.,Ltd.
Original Assignee
Huayuan Data Technology (shanghai) Co Ltd
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 Huayuan Data Technology (shanghai) Co Ltd filed Critical Huayuan Data Technology (shanghai) Co Ltd
Priority to CN201911024310.6A priority Critical patent/CN110710986B/zh
Publication of CN110710986A publication Critical patent/CN110710986A/zh
Application granted granted Critical
Publication of CN110710986B publication Critical patent/CN110710986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/501—Clinical applications involving diagnosis of head, e.g. neuroimaging, craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of 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
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/20084—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
    • G06T2207/30016—Brain
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Abstract

本发明公开了一种基于CT图像的脑部动静脉畸形检测方法及检测系统，包括：对脑部CT图像进行预处理，提取脑部有效区域；基于三维卷积神经网络算法对脑部有效区域进行扫描，自动定位出所有带有脑动静脉畸形病灶的病灶区域；基于三维卷积神经网络算法对病灶区域的边缘进行图像分割，自动得到病灶轮廓区域，准确区分病灶与其周边正常的脑组织；基于病灶轮廓区域，自动测量脑动静脉畸形病灶的平均密度。本发明能够实现脑动静脉畸形病灶区域的自动定位，边缘自动分割，平均密度自动测量等功能；同时，本发明检测方法输出的多种图像特征可以给医生作为判断依据，辅助医生更好地进行脑动静脉畸形病灶的临床分级诊断工作。

Description

一种基于CT图像的脑部动静脉畸形检测方法及检测系统
技术领域
本发明属于医学影像检测技术领域，涉及一种基于人工智能技术的医学影像检测方法，具体涉及一种基于CT图像的脑部动静脉畸形检测方法及检测系统。
背景技术
目前，影像科及脑外科医师多根据CT图像中的以下特征诊断脑部动静脉畸形(Arteriovenous Malformations,AVM,以下简称AVM)，包括病灶部位、形态、大小、内部结构及与周围重要神经结构的毗邻关系。受限于医师判断标准的主观性差异和受训练程度的差异，仅凭肉眼难以准确判断AVM的分级，尤其是微小AVM。而AVM的发病通常引起脑出血，患者往往出现剧烈头痛，昏迷等症状，这种情况又要求医生在急短的情况下做出正确的判断。
因此，研发出一种适用于AVM疾病的计算机辅助诊断的方法及系统，对该疾病的临床诊断工作有重大意义。
发明内容
针对上述问题中存在的不足之处，本发明提供一种基于CT图像的脑部动静脉畸形检测方法及检测系统，利用该方法得到的图像检测结果，能够辅助医生来对AVM疾病进行准确的分级诊断。
本发明公开了一种基于CT图像的脑部动静脉畸形检测方法，包括：
步骤1、对脑部CT图像进行预处理，提取脑部有效区域；
步骤2、基于三维卷积神经网络算法对所述脑部有效区域进行扫描，自动定位出所有带有脑动静脉畸形病灶的病灶区域；
步骤3、基于三维卷积神经网络算法对所述病灶区域的边缘进行图像分割，自动得到病灶轮廓区域；
步骤4、基于所述病灶轮廓区域，自动测量脑动静脉畸形病灶的平均密度。
作为本发明的进一步改进，所述步骤1包括：
输入脑部CT图像；
对所述脑部CT图像进行预处理，去除-500以下CT值；
对预处理的脑部CT图像去除无效的非脑部区域，提取所述脑部有效区域。
作为本发明的进一步改进，在所述步骤1中：
所述脑部CT图像的格式为标准DICOM文件格式，所述脑部CT图像中要求含有可用的脑部CT序列，扫描厚度不得大于5mm。
作为本发明的进一步改进，所述步骤2包括：
将所述脑部有效区域进行分块，得到分块区域；
将所述分块区域输入到三维卷积神经网络中进行特征提取，得到可能包含脑动静脉畸形病灶的所有病灶候选区域；
判断所述病灶候选区域的置信度是否大于置信度阈值；
若大于所述置信度阈值，则将所述病灶候选区域作为病灶区域；
若不大于所述置信度阈值，则去除所述病灶候选区域。
作为本发明的进一步改进，在所述步骤2中：
所述分块区域的大小为脑动静脉畸形病灶平均直径统计值的2～3倍。
作为本发明的进一步改进，在所述步骤2中：
所述三维卷积神经网络包含32个卷积层，卷积核大小为3x3。
作为本发明的进一步改进，在所述步骤2中：
所述置信度阈值为0.6。
作为本发明的进一步改进，在所述步骤3中：
所述三维卷积神经网络为一种对称型三维卷积神经网络，分别为下采样层和上采样层；
下采样层包含24个卷积层，卷积核的尺寸为为3*3；上采样层包含24个卷积层，卷积核的尺寸为3*3。
作为本发明的进一步改进，所述步骤4包括：
对所述病灶轮廓区域内的所有像素的CT值求总和，得到“总体CT值”和“病灶体积”；
将“总体CT值”除以“病灶体积”，得到脑动静脉畸形病灶的平均密度。
本发明还公开了一种基于CT图像的脑部动静脉畸形检测系统，包括：
处理模块，用于实现上述脑部动静脉畸形检测方法的步骤1；
定位模块，用于实现上述脑部动静脉畸形检测方法的步骤2；
分割模块，用于实现上述脑部动静脉畸形检测方法的步骤3；
测量模块，用于实现上述脑部动静脉畸形检测方法的步骤4。
与现有技术相比，本发明的有益效果为：
本发明可以有效地学习到三维物体的空间信息，从而大幅提高了病灶定位的准确率，降低了漏检率和假阳性率；
本发明能够实现脑动静脉畸形病灶区域的自动定位，边缘自动分割，平均密度自动测量等功能；
本发明输出的多种图像特征可以给医生作为判断依据，辅助医生更好地进行脑动静脉畸形病灶的临床分级诊断工作。
附图说明
图1为本发明一种实施例公开的基于CT图像的脑部动静脉畸形检测方法的流程图；
图2为本发明一种实施例公开的基于CT图像的脑部动静脉畸形检测系统的框架图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。
下面结合附图对本发明做进一步的详细描述：
如图1所示，本发明提供一种基于CT图像的脑部动静脉畸形检测方法，包括：
步骤1、对脑部CT图像进行预处理，提取脑部有效区域；
具体为：
输入脑部CT图像，脑部CT图像的格式为标准DICOM文件格式，脑部CT图像中要求含有可用的脑部CT序列，扫描厚度不得大于5mm；
对脑部CT图像进行预处理，预处理的主要的操作为将-500以下CT值去除，然后将脑窗区域的有效CT值保留；
利用图像连通性、腐蚀、膨胀、边缘分割等技术将脑部有效区域从预处理的脑部CT图像中提取出来，去除无效的非脑部区域。
步骤2、基于三维卷积神经网络算法对脑部有效区域进行扫描，自动定位出所有带有脑动静脉畸形病灶的病灶区域；
具体为：
将脑部有效区域进行分块，得到分块区域；其中，分块区域的大小为脑动静脉畸形病灶平均直径统计值的2～3倍，现有脑动静脉畸形病灶平均直径统计值为50mm，因此选择分块区域的大小为128mm*128mm*128mm；
将分块区域输入到三维卷积神经网络中进行特征提取，得到可能包含脑动静脉畸形病灶的所有病灶候选区域；其中，三维卷积神经网络程序，可以自动定位AVM病灶区域，可用于AVM的检测；由于脑部CT图像空间连续性的特点，基于CT影像的AVM病灶检测实际上属于一种三维物体检测问题。因此只基于二维图像的卷积神经网络算法无法很好地学习到脑部CT三维重建后的图像特征，而本发明创新性地采用了三维卷积结构，能够处理三维图像。该程序的构造为一种三维卷积神经网络，包含32个卷积层(卷积核大小为3x3)。
判断病灶候选区域的置信度是否大于置信度阈值；其中，置信度阈值的范围为0-1之间，本发明选择置信度阈值为0.6；
若大于置信度阈值，则将病灶候选区域作为病灶区域；
若不大于置信度阈值，则去除病灶候选区域；
若病灶区域为空，则方法结束；若不为空，执行步骤3。
步骤3、基于三维卷积神经网络算法对病灶区域的边缘进行图像分割，自动得到病灶轮廓区域；
具体的：
以符合置信度标准的病灶区域作为输入，输入到三维卷积神经网络进行特征提取，三维卷积神经网络输出图像中AVM病灶的轮廓区域；其中，实现AVM病灶边缘自动分割的三维卷积神经网络为一种对称型三维卷积神经网络，分别为下采样层和上采样层；下采样层包含24个卷积层，卷积核的尺寸为为3*3；上采样层包含24个卷积层，卷积核的尺寸为3*3。
步骤4、基于病灶轮廓区域，自动测量脑动静脉畸形病灶的平均密度；
具体的：
使用AVM病灶轮廓去除非AVM病灶的其它图像区域；
对轮廓区域内的所有像素的CT值求总和，得到“总体CT值”和“病灶体积”；
将“总体CT值”除以“病灶体积”，得到AVM病灶的平均密度。
由于AVM病灶的平均密度、体积大小与其分级诊断有密切的关系，因此本方法自动测量出的指标可以为医生对AVM病灶进行分级的重要依据。
如图2所示，本发明提供一种基于CT图像的脑部动静脉畸形检测系统，包括：
处理模块，用于实现上述脑部动静脉畸形检测方法的步骤1；
定位模块，用于实现上述脑部动静脉畸形检测方法的步骤2；
分割模块，用于实现上述脑部动静脉畸形检测方法的步骤3；
测量模块，用于实现上述脑部动静脉畸形检测方法的步骤4。
本发明的优点为：
本发明基于三维卷积神经网络算法，能够从脑部CT图像中，自动定位出AVM病灶区域，对AVM病灶区域的边缘进行自动化图像分割，图像分割的结果，实现脑动静脉畸形病灶区域和平均密度的自动测量，并自动地提取这些区域的图像特征，使得医生能够基于这些特征来进行AVM疾病的分级诊断；本发明可以有效地学习到三维物体的空间信息，从而大幅提高了病灶定位的准确率，降低了漏检率和假阳性率；同时，本发明能够实现脑动静脉畸形病灶区域的自动定位，边缘自动分割，平均密度自动测量等功能；
本发明基于输入的CT图像，可实现对AVM病灶区域的自动定位，准确率达到90％；本发明基于输入的CT图像，可实现对AVM病灶区域图像边缘的自动分割，能准确区分病灶与其周边正常的脑组织，准确率达到85％。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种基于CT图像的脑部动静脉畸形检测方法，其特征在于，包括：
步骤1、对脑部CT图像进行预处理，提取脑部有效区域；
步骤2、基于三维卷积神经网络算法对所述脑部有效区域进行扫描，自动定位出所有带有脑动静脉畸形病灶的病灶区域；
步骤3、基于三维卷积神经网络算法对所述病灶区域的边缘进行图像分割，自动得到病灶轮廓区域；
步骤4、基于所述病灶轮廓区域，自动测量脑动静脉畸形病灶的平均密度。
2.如权利要求1所述的脑部动静脉畸形检测方法，其特征在于，所述步骤1包括：
输入脑部CT图像；
对所述脑部CT图像进行预处理，去除-500以下CT值；
对预处理的脑部CT图像去除无效的非脑部区域，提取所述脑部有效区域。
3.如权利要求2所述的脑部动静脉畸形检测方法，其特征在于，在所述步骤1中：
所述脑部CT图像的格式为标准DICOM文件格式，所述脑部CT图像中要求含有可用的脑部CT序列，扫描厚度不得大于5mm。
4.如权利要求1所述的脑部动静脉畸形检测方法，其特征在于，所述步骤2包括：
将所述脑部有效区域进行分块，得到分块区域；
将所述分块区域输入到三维卷积神经网络中进行特征提取，得到包含脑动静脉畸形病灶的所有病灶候选区域；
判断所述病灶候选区域的置信度是否大于置信度阈值；
若大于所述置信度阈值，则将所述病灶候选区域作为病灶区域；
若不大于所述置信度阈值，则去除所述病灶候选区域。
5.如权利要求4所述的脑部动静脉畸形检测方法，其特征在于，在所述步骤2中：
所述分块区域的大小为脑动静脉畸形病灶平均直径统计值的2～3倍。
6.如权利要求4所述的脑部动静脉畸形检测方法，其特征在于，在所述步骤2中：
所述三维卷积神经网络包含32个卷积层，卷积核大小为3x3。
7.如权利要求4所述的脑部动静脉畸形检测方法，其特征在于，在所述步骤2中：
所述置信度阈值为0.6。
8.如权利要求1所述的脑部动静脉畸形检测方法，其特征在于，在所述步骤3中：
所述三维卷积神经网络为一种对称型三维卷积神经网络，分别为下采样层和上采样层；
下采样层包含24个卷积层，卷积核的尺寸为为3*3；上采样层包含24个卷积层，卷积核的尺寸为3*3。
9.如权利要求1所述的脑部动静脉畸形检测方法，其特征在于，所述步骤4包括：
对所述病灶轮廓区域内的所有像素的CT值求总和，得到“总体CT值”和“病灶体积”；
将“总体CT值”除以“病灶体积”，得到脑动静脉畸形病灶的平均密度。
10.一种基于CT图像的脑部动静脉畸形检测系统，其特征在于，包括：
处理模块，用于实现如权利要求1-9中任一项所述的步骤1；
定位模块，用于实现如权利要求1-9中任一项所述的步骤2；
分割模块，用于实现如权利要求1-9中任一项所述的步骤3；
测量模块，用于实现如权利要求1-9中任一项所述的步骤4。
CN201911024310.6A 2019-10-25 2019-10-25 一种基于ct图像的脑部动静脉畸形检测方法及检测系统 Active CN110710986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911024310.6A CN110710986B (zh) 2019-10-25 2019-10-25 一种基于ct图像的脑部动静脉畸形检测方法及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911024310.6A CN110710986B (zh) 2019-10-25 2019-10-25 一种基于ct图像的脑部动静脉畸形检测方法及检测系统

Publications (2)

Publication Number Publication Date
CN110710986A true CN110710986A (zh) 2020-01-21
CN110710986B CN110710986B (zh) 2021-01-22

Family

ID=69214327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911024310.6A Active CN110710986B (zh) 2019-10-25 2019-10-25 一种基于ct图像的脑部动静脉畸形检测方法及检测系统

Country Status (1)

Country Link
CN (1) CN110710986B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784646A (zh) * 2020-06-18 2020-10-16 北京智像科技有限公司 图像处理装置及电子设备
CN111915609A (zh) * 2020-09-22 2020-11-10 平安科技（深圳）有限公司 病灶检测分析方法、装置、电子设备及计算机存储介质
CN113077887A (zh) * 2021-03-24 2021-07-06 四川大学华西医院 大脑白质病变自动化定量分析系统与判读方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190090774A1 (en) * 2017-09-27 2019-03-28 Regents Of The University Of Minnesota System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks
CN109816655A (zh) * 2019-02-01 2019-05-28 华院数据技术(上海)有限公司 基于ct图像的肺结节图像特征检测方法
CN109886933A (zh) * 2019-01-25 2019-06-14 腾讯科技（深圳）有限公司 一种医学图像识别方法、装置和存储介质
CN109919961A (zh) * 2019-02-22 2019-06-21 北京深睿博联科技有限责任公司 一种用于颅内cta图像中动脉瘤区域的处理方法及装置
CN110120033A (zh) * 2019-04-12 2019-08-13 天津大学 基于改进的U-Net神经网络三维脑肿瘤图像分割方法
CN110263724A (zh) * 2019-06-21 2019-09-20 腾讯科技（深圳）有限公司 图片识别方法、识别模型训练方法、装置及存储介质
CN110298831A (zh) * 2019-06-25 2019-10-01 暨南大学 一种基于分块深度学习的医学图像处理系统及其方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190090774A1 (en) * 2017-09-27 2019-03-28 Regents Of The University Of Minnesota System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks
CN109886933A (zh) * 2019-01-25 2019-06-14 腾讯科技（深圳）有限公司 一种医学图像识别方法、装置和存储介质
CN109816655A (zh) * 2019-02-01 2019-05-28 华院数据技术(上海)有限公司 基于ct图像的肺结节图像特征检测方法
CN109919961A (zh) * 2019-02-22 2019-06-21 北京深睿博联科技有限责任公司 一种用于颅内cta图像中动脉瘤区域的处理方法及装置
CN110120033A (zh) * 2019-04-12 2019-08-13 天津大学 基于改进的U-Net神经网络三维脑肿瘤图像分割方法
CN110263724A (zh) * 2019-06-21 2019-09-20 腾讯科技（深圳）有限公司 图片识别方法、识别模型训练方法、装置及存储介质
CN110298831A (zh) * 2019-06-25 2019-10-01 暨南大学 一种基于分块深度学习的医学图像处理系统及其方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784646A (zh) * 2020-06-18 2020-10-16 北京智像科技有限公司 图像处理装置及电子设备
CN111915609A (zh) * 2020-09-22 2020-11-10 平安科技（深圳）有限公司 病灶检测分析方法、装置、电子设备及计算机存储介质
WO2021189909A1 (zh) * 2020-09-22 2021-09-30 平安科技（深圳）有限公司 病灶检测分析方法、装置、电子设备及计算机存储介质
CN111915609B (zh) * 2020-09-22 2023-07-14 平安科技（深圳）有限公司 病灶检测分析方法、装置、电子设备及计算机存储介质
CN113077887A (zh) * 2021-03-24 2021-07-06 四川大学华西医院 大脑白质病变自动化定量分析系统与判读方法
CN113077887B (zh) * 2021-03-24 2022-09-02 四川大学华西医院 大脑白质病变自动化定量分析系统与判读方法

Also Published As

Publication number Publication date
CN110710986B (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN108133476B (zh) 一种肺结节自动检测方法及系统
CN110710986B (zh) 一种基于ct图像的脑部动静脉畸形检测方法及检测系统
Chawla et al. A method for automatic detection and classification of stroke from brain CT images
CN109636808B (zh) 一种基于全卷积神经网络的肺叶分割方法
WO2022063199A1 (zh) 一种肺结节自动检测方法、装置及计算机系统
AU692499B2 (en) Automated method and system for the segmentation of medical images
CN109410221B (zh) 脑灌注图像分割方法、装置、服务器和存储介质
CN109636805B (zh) 一种基于分类先验的宫颈图像病变区域分割装置及方法
WO2021179491A1 (zh) 图像处理方法、装置、计算机设备和存储介质
CN109816655B (zh) 基于ct图像的肺结节图像特征检测方法
CN111815766B (zh) 基于2d-dsa图像重建血管三维模型处理方法及系统
CN110910404B (zh) 一种抗噪声数据的乳腺超声结节分割方法
CN111462049A (zh) 一种乳腺超声造影视频中病灶区形态自动标注方法
CN116109663A (zh) 基于多阈值分割的胃部ct影像分割方法
CN110279433A (zh) 一种基于卷积神经网络的胎儿头围自动精确测量方法
CN114627067A (zh) 一种基于图像处理的伤口面积测量及辅助诊疗方法
CN113576508A (zh) 一种基于神经网络的脑出血辅助诊断系统
CN115439533A (zh) 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品
CN115018863A (zh) 基于深度学习的图像分割方法及装置
CN108836394B (zh) 一种胎头下降角度自动测量方法
CN112116623B (zh) 图像分割方法及装置
CN116228767A (zh) 基于计算机视觉的x光肺部肿块图像处理方法
CN113409275B (zh) 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置
CN115762787A (zh) 基于眼睑拓扑形态分析的眼睑疾病手术疗效评估方法和系统
Liu et al. Automatic measurement of endometrial thickness from transvaginal ultrasound 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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 200040 9th floor, block a, 1256 and 1258 Wanrong Road, Jing'an District, Shanghai

Patentee after: Huayuan computing technology (Shanghai) Co.,Ltd.

Address before: 200040 9 / F, 1256, 1258, Wanrong Road, Jing'an District, Shanghai

Patentee before: UNIDT TECHNOLOGY (SHANGHAI) Co.,Ltd.

CP03 Change of name, title or address