CN110996772A - 乳腺癌检测 - Google Patents
乳腺癌检测 Download PDFInfo
- Publication number
- CN110996772A CN110996772A CN201880051798.9A CN201880051798A CN110996772A CN 110996772 A CN110996772 A CN 110996772A CN 201880051798 A CN201880051798 A CN 201880051798A CN 110996772 A CN110996772 A CN 110996772A
- Authority
- CN
- China
- Prior art keywords
- digital image
- interest
- image
- region
- computer
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 14
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims description 49
- 230000000877 morphologic effect Effects 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 33
- 238000009607 mammography Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 26
- 208000004434 Calcinosis Diseases 0.000 claims description 20
- 238000002156 mixing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 210000000481 breast Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
- A61B5/0091—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes for mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4312—Breast evaluation or disorder diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
- A61B5/748—Selection of a region of interest, e.g. using a graphics tablet
- A61B5/7485—Automatic selection of region of interest
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/17—Image acquisition using hand-held instruments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
-
- 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
- G06T2207/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Reproductive Health (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Gynecology & Obstetrics (AREA)
- Library & Information Science (AREA)
- Computing Systems (AREA)
Abstract
混合检测模型可以用于乳腺癌检测。系统可以识别所接收的乳腺X线图像上的感兴趣区域。感兴趣区域在图像的每个像素处可能具有特定的灰度级。然后,可以将形态和熵滤波器中的每一个应用到感兴趣区域。基于滤波器,系统可以生成混合结果,混合结果是两个滤波器的组合的平均值。然后,系统可以使用所选择的聚类算法来分割感兴趣区域。
Description
技术领域
本公开涉及图像处理,并且更具体地,涉及用于乳腺癌检测的医学图像处理。
背景技术
医学图像处理可以实现医学图像的定量分析和可视化。可以利用各种数值处理技术,包括空间滤波、梯度选项、模糊掩蔽和直方图修正。
另外,噪声去除技术可以用于医学成像的实际应用,例如医学诊断。为此,已经开发了许多降噪算法,包括Weiner滤波器、高斯滤波器、中值滤波器等。
虽然乳腺癌的恶性程度不明确而且不知晓引发乳腺癌的主因,但是早期检测和治疗对于患者可产生良好的预后。目前,乳腺X线成像术是早期检测的重要因素,并且可以大大减少由乳腺癌引起的死亡数。这种类型的乳腺X线图像被称为筛查乳腺X线图像;通常,筛查乳腺X线图像需要每个乳房的两个射线照片或图片,因为射线照片可以使得能够检测不能被感觉到的肿瘤。乳腺X线图像也可以发现微钙化(MC)或钙的微小沉积,这可以指示乳腺癌的存在。由于早期诊断的好处相对清楚,所以在对无症状女性的健康评估中,可以采用使用乳腺X线图像的筛查作为频繁和系统的方案。这可能导致不必要的活组织检查,并且包括对患者的不必要的身体和心理侵入。
此外,具有不同年龄、生活方式或其它因素的女性之间以及同一女性的两个乳房之间的乳房结构可能显著不同。这可能使临床医生查看和研究乳房组织中的现有异常的方式复杂化。另外,因为图像通常具有差的对比度并且图像可能突出乳房结构中被认为是健康或正常的差异而不是关注有问题的异常,因此通过使用图像来检测异常也可能是具有挑战性的。因此,为了谨慎起见,放射科医师可能使患者经受侵入性诊断,如活检。
MC是可能在乳房组织中积累的少量的钙沉积物。MC通常在乳腺X线图像上以嵌入在不均匀背景中的小亮区域的形式出现。MC的某些特征(如MC的大小、形状、密度、分布模式和数量)可能与良性或恶性肿瘤有关。恶性MC的直径可能小于0.5mm,具有精细结构、线性分支,并且呈星形。
因此,在本领域中需要解决上述问题。
发明内容
根据第一方面,本发明提供了一种用于乳腺癌检测的混合检测模型的计算机实现的方法,该方法包括:响应于数字图像的接收,识别数字图像上的感兴趣区域,其中感兴趣区域使用感兴趣区域中的每个点的灰度级来描述;向数字图像中的感兴趣区域中的每个点的每个灰度级应用预定的形态滤波器,其中形态滤波器降低数字图像的灰度级以产生第一组值;向数字图像中的感兴趣区域中的每个点的每个灰度级应用预定的熵滤波器,以采集一组最大灰度值,其中,最大灰度值反映数字图像中相对于其它灰度值的局部最大值;生成混合结果,混合结果是预定的形态滤波器和预定的熵滤波器的组合的平均值;以及使用混合结果,通过使用所选择的具有子分割的聚类算法来将数字图像分割成潜在问题区域。
根据另一方面,本发明提供了一种计算机系统,包括:其上存储有程序指令的计算机可读存储介质;以及一个或多个处理器,其被配置为执行程序指令以执行方法,该方法包括:响应于数字图像的接收,识别数字图像上的感兴趣区域,其中感兴趣区域使用感兴趣区域中的每个点的灰度级来描述;向数字图像中的感兴趣区域中的每个点的每个灰度级应用预定的形态滤波器,其中形态滤波器降低数字图像的灰度级以产生第一组值;向数字图像中的感兴趣区域中的每个点的每个灰度级应用预定的熵滤波器,以采集一组最大灰度值,其中,最大灰度值反映数字图像中相对于其它灰度值的局部最大值;生成混合结果,混合结果是预定的形态滤波器和预定的熵滤波器的组合的平均值;以及使用混合结果,通过使用所选择的具有子分割的聚类算法来将数字图像分割成潜在问题区域。
根据另一方面,本发明提供了一种用于乳腺癌检测的混合检测模型的计算机程序产品,其包括计算机可读存储介质,该计算机可读存储介质可由处理电路读取并且存储用于由处理电路执行的指令,以执行用于执行本发明的步骤的方法。
根据另一方面,本发明提供了一种计算机程序,其存储在计算机可读介质上并且可加载到数字计算机的内部存储器中,其包括软件代码部分,当程序在计算机上运行时,用于执行本发明的步骤。
本公开的实施例可以针对用于乳腺癌检测的混合检测模型的计算机实现的方法。系统可以响应于接收乳腺X线图像而识别乳腺X线图像上的感兴趣区域。乳腺X线图像可以是数字图像。感兴趣区域可以使用感兴趣区域中的每个点的灰度级来描述。系统可以对感兴趣区域中的每个点的每个灰度级应用预定的形态滤波器。形态滤波器可以降低数字图像的灰度级以生成第一组值。系统还可以对数字图像中的感兴趣区域中的每个点的每个灰度级应用预定的熵滤波器,以采集一组最大灰度值。最大灰度值可以反映数字图像中相对于其它灰度值的局部最大值。系统可以生成混合结果,该混合结果是预定的形态滤波器和预定的熵滤波器的组合的平均值。最后,系统可以使用混合结果,通过使用所选择的具有子分割的聚类算法来将数字图像分割成潜在问题区域。
本公开的实施例可以针对计算机系统,该计算机系统包括其上存储有程序指令的计算机可读存储介质以及被配置为执行程序指令以执行方法的一个或多个处理器。该方法可以在系统响应于接收乳腺X线图像而识别乳腺X线图像上的感兴趣区域时开始。乳腺X线图像可以是数字图像。感兴趣区域可以使用感兴趣区域中的每个点的灰度级来描述。系统可以对感兴趣区域中的每个点的每个灰度级应用预定的形态滤波器。形态滤波器可以降低数字图像的灰度级以生成第一组值。系统还可以对数字图像中的感兴趣区域中的每个点的每个灰度级应用预定的熵滤波器,以采集一组最大灰度值。最大灰度值可以反映数字图像中相对于其它灰度值的局部最大值。系统可以生成混合结果,该混合结果是预定的形态滤波器和预定的熵滤波器的组合的平均值。最后,系统可以使用混合结果,通过使用所选择的具有子分割的聚类算法来将数字图像分割成潜在问题区域。
本公开的实施例可以针对计算机程序产品,其包括具有随其体现的程序指令的计算机可读存储介质,其中计算机可读存储介质本身不是暂时性信号,程序指令可由计算机处理器执行以使处理器执行方法。该方法可以在系统响应于接收乳腺X线图像而识别乳腺X线图像上的感兴趣区域时开始。乳腺X线图像可以是数字图像。感兴趣区域可以使用感兴趣区域中的每个点的灰度级来描述。系统可以对感兴趣区域中的每个点的每个灰度级应用预定的形态滤波器。形态滤波器可以降低数字图像的灰度级以生成第一组值。系统还可以对数字图像中的感兴趣区域中的每个点的每个灰度级应用预定的熵滤波器,以采集一组最大灰度值。最大灰度值可以反映数字图像中相对于其它灰度值的局部最大值。系统可以生成混合结果,该混合结果是预定的形态滤波器和预定的熵滤波器的组合的平均值。最后,系统可以使用混合结果,通过使用所选择的具有子分割的聚类算法来将数字图像分割成潜在问题区域。
以上发明内容并非旨在描述本公开的每个所示实施例或每种实施方式。
附图说明
本申请中包括的附图并入说明书中并形成说明书的一部分。附图示出了本公开的实施例,并且与说明书一起用于解释本公开的原理。附图仅说明某些实施例,而不限制本公开。
图1描绘了根据实施例的用于数字乳腺X线图像中的微钙化的识别的系统图。
图2描绘了根据实施例的用于数字乳腺X线图像中的微钙化的检测的视觉流。
图3描绘了根据实施例的用于检测数字乳腺X线图像中的微钙化的方法的流程图。
图4A描绘了根据实施例的具有所识别的感兴趣区域的乳腺X线图像的图像。
图4B描绘了根据实施例的感兴趣区域的网格化灰度图。
图5A描绘了根据实施例的感兴趣区域的示例网格化灰度图。
图5B描绘根据实施例的由形态数学滤波器的应用产生的示例网格化灰度图。
图6A描绘了根据实施例的感兴趣区域的示例网格化灰度图。
图6B描绘了根据实施例的在应用熵滤波器之后图6B的网格化灰度图的示例结果。
图7描绘根据实施例的混合滤波器的应用的示例网格化灰度图结果。
图8描绘了根据实施例的云计算环境。
图9描绘了根据实施例的抽象模型层。
图10描绘了根据实施例的示例计算机系统的代表性主要组件。
在本发明可修改为各种修改和替换形式的同时,其细节已经在附图中通过示例的方式示出并且将被详细描述。然而,应当理解,其目的不是将本发明限制于所描述的特定实施例。相反,本发明覆盖落入本发明的精神和范围内的所有修改、等效和替换。
具体实施方式
本公开的方面涉及计算机实现的健康护理,更具体的方面涉及混合乳腺癌检测。本公开不一定限于此类应用,同时本公开的各个方面可以通过使用此上下文的各种示例的讨论来理解。
根据本公开的实施例,计算机系统可以接收乳腺X线图像。乳腺X线图像可以在位于乳腺X线图像采集设备上或附近的移动单元处实时接收。在其它实施例中,乳腺X线图像的采集可触发同一设备内的流程(例如,单个单元可采集并分析乳腺X线图像)。
然后,系统可以识别乳腺X线图像上的一个或多个感兴趣区域。在实施例中,感兴趣区域可以具有预定的尺寸,例如特定数量的像素(例如,256×256个像素)。然后,系统可以将一系列两个不同的滤波器应用于感兴趣区域,以便生成图像(和对应的一组值)。该滤波器的系列反映了混合滤波器,并且它们的应用提供了癌前MC的更准确识别。
在实施例中,系统可以首先将预定的形态数学滤波器应用于黑白数字图像中的感兴趣区域内的灰色区域。然后,系统可以对图像应用熵滤波器,以便再次采集在应用形态滤波器时可能丢失的一些更细粒度细节。然后,可以对两个滤波器的结果求平均,以生成混合图像和值集。最后,可以应用聚类算法(例如,k均值或c均值算法或其它人工智能聚类算法)来突出显示感兴趣区域内的潜在MC。在实施例中,针对滤波的图像的聚类算法的应用可以是对图像进行子分割以进一步限定感兴趣区域内的MC的方法。
图1描绘了根据实施例的用于数字乳腺X线图像中的MC的识别的系统图100。系统可以包括在此示出和描述的元件,或者比图1中描绘的元件更多或更少的元件。系统可以包括乳腺X线图像采集设备104。在实施例中,该设备可以是用于采集乳腺X线图像的单独的仪器(例如,低射线X线机)。由乳腺X线图像采集设备104采集的图像(例如,数字数据)可通过一系列一个或多个网络(例如,网络106)通信到乳腺X线图像检测设备108。在一些实施例中,网络106可以由任何数量的任何合适的通信介质(例如,广域网(WAN)、局域网(LAN)、因特网、内联网等)来实现。可选择地,乳腺X线图像采集设备104和乳腺X线图像检测设备108可以是彼此本地的,并且可经由任何适当的本地通信介质(例如,局域网(LAN)、硬连线、无线链路、内联网等)来通信。在一些实施例中,网络106可以在云计算环境内或使用一个或多个云计算服务来实现。与各种实施例一致,云计算环境可以包括提供一个或多个云计算服务的基于网络的分布式数据处理系统。此外,云计算环境可以包括一个或多个计算机,其被布置在一个或多个数据中心内并被配置为通过网络106共享资源。
在实施例中,乳腺X线图像采集设备104可以是乳腺X线图像检测设备108的一部分或与其耦合。在实施例中,乳腺X线图像采集设备104和乳腺X线图像检测设备108两者都可包含在移动计算设备内。因此,医师或其他技术人员可以采集乳腺X线图像并在患者的床边对其进行分析,从而允许处理时间和计算花费的降低。在实施例中,该移动计算设备可以是患者床边单元(例如,用于医院环境中)。在实施例中,乳腺X线图像可通过移动计算设备上的应用来采集和处理,移动计算设备例如智能电话、平板电脑、膝上型计算机或其它设备。
在实施例中,乳腺X线图像检测设备108可包括一个或多个模块,例如包括图1的系统100中描绘的模块。程序模块可包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、逻辑、数据结构等。在实施例中,每个模块可以包括用于实现指定的逻辑功能的一个或多个可执行指令。例如,乳腺X线图像检测设备108可包括以下模块:感兴趣区域检测模块110、包括形态滤波器模块114和熵滤波器模块116的一组预处理模块112、混合滤波器模块118和聚类算法模块120。这些模块中的每一个都可以本地存储在乳腺X线图像检测设备108中,或者它们可以各自通信地耦合到设备108,以便实现对要被远程(例如,在远程服务器上)执行的模块的处理。
在实施例中,设备(例如,乳腺X线图像采集设备104和乳腺X线图像检测设备108)可通过网络106与一个或多个数据库通信,例如图1所示的乳腺X线图像分析协会(MIAS,Mammographic Image Analysis Society)数据库102。一个或多个数据储存库(例如数据库102A和102B)可包含来自一个或多个外部源的乳腺X线图像和乳腺X线摄像图像。
图2描绘了根据实施例的用于检测数字乳腺X线图像中的MC的方法200的视觉流程。在实施例中,方法200可以在单个移动计算设备上执行,例如,智能电话、平板电脑或其它专用设备。在实施例中,方法200可由一个或多个本地或远程通信设备上的一个或多个计算机处理电路执行。
在实施例中,可以分析图像204(例如图2所示的乳腺X线图像),并且可以识别特定的感兴趣区域(ROI)206以用于进一步分析。在实施例中,数字图像204可以从数据库中访问,例如MIAS数据库202。在实施例中,乳腺X线图像可自动上载到共享的、公共的或专用的数据库,如MIAS数据库202,以便可用于分析或在研究和诊断中使用。MIAS数据库202还可以用于ROI206的数字图像204的分析。例如,可以将一系列相似的数字图像与新的或输入的数字图像204进行比较,以便确定潜在的异常。在实施例中,可以使用基于数学或智能的模型来识别ROI206,例如,通过使用训练的卷积神经网络,通过应用小波方法和使用它们的Sobelev规律性指数,或者以其它方式,如对于本领域技术人员将是显而易见的方式。
在实施例中,ROI206然后可以经过基于形态学方法208和熵方法210的两种不同的滤波器(filter)。如图2所示,这两种数学方法可以并行应用。如图2中所指示的,使ROI206经受两个不同的滤波器可以被认为是预处理阶段,因为其可以在标准处理过程之前发生。在实施例中,如本文所述,两个滤波器的应用的组合可以产生混合滤波器212。混合滤波器212可以将形态滤波器208和熵滤波器210的组合结果提供给数字图像。在实施方案中,应用经典的(或'非混合的')形态和熵滤波器可具有不同的结果。
例如,对数字图像204单独应用形态滤波器208可以衰减图像的灰度级,在感兴趣对象(例如MC)周围产生更强的边缘,并且降低图像中的背景噪声。熵滤波器210在其单独应用时可聚焦于图像中的灰色阴影之间的转变,该转变可由通过突出显示图像而产生的典型圆来识别。这两个滤波器的组合可以产生如混合滤波器结果212所描绘的结果。因此,混合滤波器结果212可以利用这些数学滤波器中的每一者的益处,同时降低每个滤波器的负面影响。例如,在形态滤波器208的应用中的噪声的降低通常可导致数字图像204内有用细节的丢失。
在实施例中,在应用混合滤波器结果212之后,可以将一个或多个聚类算法214应用于数字图像204的像素,以突出数字图像中的所识别的MC。聚类算法214的一些示例包括c均值或k均值算法。例如,在应用混合滤波器之后,可以使用模糊c均值(FCM)或可能性模糊c均值(PFCM)。在应用这些基本聚类算法之一之前使用混合滤波器可以改进数字图像中的MC的识别的有效性。
在实施例中,然后可以在用户设备的用户界面上为用户(例如,提供护理者、技术人员、患者或其他适当方)显示分割的图像。例如,所分割的图像可以显示在智能电话、平板电脑或其它个人计算设备上。被分割的图像也可以被发送到共享服务器或本地或远程数据库。被分割的图像也可以本地存储在设备上,或者以适合于上下文的另一种方式处理。
图3描绘了根据实施例的用于检测数字乳腺X线图像中的MC的方法300的流程图。在实施例中,方法300可由一个或多个计算机处理电路执行。方法300可以在系统或设备接收乳腺X线图像时开始。在实施例中,系统或设备可以是乳腺X线图像检测设备108,如图1中所描述的。如本文所述,乳腺X线图像检测设备和乳腺X线图像采集设备(例如,图1中的装置104)可以是单个设备,并且因此,按照302,通过设备对新采集的乳腺X线图像的识别可完成乳腺X线图像接收的步骤,并且方法可开始。
在实施例中,系统然后可以按照304识别乳腺X线图像上的感兴趣区域。根据实施例,可以基于从一个或多个乳腺X线图像储存库(例如图1所示的MIAS数据库102)访问的数据来识别感兴趣区域。在实施例中,系统然后可以对感兴趣区域应用形态滤波器(按照306)和熵滤波器(按照308)。按照310,这些滤波器可以并行应用于数字图像(例如乳腺X线图像)中的感兴趣区域,以生成混合滤波器结果。混合结果可以是数字图像(例如乳腺X线图像,其可以是灰度图像)的像素的变换的组合(例如,平均),如由形态滤波器和熵滤波器两者修改的。最后,按照312,可以通过使用聚类算法来分割数字图像。
图4A描绘了根据实施例的具有所识别的感兴趣区域的乳腺X线图像的图像。在实施例中,图4A所示的感兴趣区域可以类似于图2中的RIO206。感兴趣区域4A的大小可以是256×256像素,并且可以是黑白数字图像的部分。数字图像可以直接从乳腺X线图像采集设备接收,如图1所述,或者数字图像可以从数据库获得,例如图1的MIAS数据库102或图2的202。
图4B描绘了根据实施例的感兴趣区域的网格化灰度图。在实施例中,图4B的网格上的每个网格框可表示图4A的乳腺X线图像上的感兴趣区域中的单个像素。包含在每个网格框内的数字可以用数字表示包含在每个像素中的灰度级。本领域技术人员将理解,灰度图可以以许多不同的方式显示,例如数字地显示以指示包含在每个像素中的灰度级,具有或不具有背景模式、灰度或颜色填充。
图5A描绘了根据实施例的感兴趣区域的示例网格化灰度图。与图4B类似,图5A描述了一组图像数据,其数字地指示数字图像(例如乳腺X线图像)上感兴趣区域的每个像素中的灰度级。在实施例中,形态数学滤波器可被应用到网格中包含的数据,以将图像变换为图5B中描绘的图像。
图5B描绘了根据实施例的由形态数学滤波器的应用产生的示例网格化灰度图。通过将图5A中的栅格空间与图5B中的栅格空间的类似物进行比较,可以注意到,形态滤波器导致每个像素的灰度级的损失。通过该滤波器可以降低对象中和对象周围的灰度级。例如,位于第一列和第一行的交叉处的网格空间从123向下改变到9。类似地,位于最后一列和最后一行的交叉处的网格空间从123向下改变到7。
图6A描绘了根据实施例的感兴趣区域的示例网格化灰度图。与图5A(以及图4B)类似,图6A描述了一组图像数据,其数字地指示了数字图像(例如乳腺X线图像)上感兴趣区域的每个像素中的灰度级。每个网格空间中的数值可以指示每个像素中的灰度级。数学滤波器可以应用于图像,例如,如本文所述的熵滤波器。图6B中描绘了对图像应用示例熵滤波器的结果。
图6B描绘了根据实施例的在应用熵滤波器之后图6B的网格化灰度图的示例结果。如这里应用的熵滤波器的应用可以增大图像的尺寸以采集最大灰度值。在实施例中,这可以导致白色环,其可以指示最大灰度值。以这种方式,可以突出细微差异。
图7描绘了根据实施例的混合滤波器的应用的示例网格化灰度图结果。每个网格空间中的数值可以(像图5和6的网格空间)指示每个像素的灰度值。图7所示的值可以通过对每个像素的形态滤波器和熵滤波器的输出值求平均来获得。
首先应当理解,尽管本公开包括关于云计算的详细描述,但其中记载的技术方案的实现却不限于云计算环境,而是能够结合现在已知或以后开发的任何其它类型的计算环境而实现。
云计算是一种服务交付模式,用于对共享的可配置计算资源池进行方便、按需的网络访问。可配置计算资源是能够以最小的管理成本或与服务提供者进行最少的交互就能快速部署和释放的资源,例如可以是网络、网络带宽、服务器、处理、内存、存储、应用、虚拟机和服务。这种云模式可以包括至少五个特征、至少三个服务模型和至少四个部署模型。
特征包括:
按需自助式服务:云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。
广泛的网络接入:计算能力可以通过标准机制在网络上获取,这种标准机制促进了通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型电脑、个人数字助理PDA)对云的使用。
资源池:提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者,其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下,消费者不能控制或甚至并不知晓所提供的资源的确切位置,但可以在较高抽象程度上指定位置(例如国家、州或数据中心),因此具有位置无关性。
迅速弹性:能够迅速、有弹性地(有时是自动地)部署计算能力,以实现快速扩展,并且能迅速释放来快速缩小。在消费者看来,用于部署的可用计算能力往往显得是无限的,并能在任意时候都能获取任意数量的计算能力。
可测量的服务:云系统通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力,自动地控制和优化资源效用。可以监测、控制和报告资源使用情况,为服务提供者和消费者双方提供透明度。
服务模型如下:
软件即服务(SaaS):向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外,消费者既不管理也不控制包括网络、服务器、操作系统、存储、乃至单个应用能力等的底层云基础架构。
平台即服务(PaaS):向消费者提供的能力是在云基础架构上部署消费者创建或获得的应用,这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作系统或存储的底层云基础架构,但对其部署的应用具有控制权,对应用托管环境配置可能也具有控制权。
基础架构即服务(IaaS):向消费者提供的能力是消费者能够在其中部署并运行包括操作系统和应用的任意软件的处理、存储、网络和其他基础计算资源。消费者既不管理也不控制底层的云基础架构,但是对操作系统、存储和其部署的应用具有控制权,对选择的网络组件(例如主机防火墙)可能具有有限的控制权。
部署模型如下:
私有云:云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。
共同体云:云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全要求、政策和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。
公共云:云基础架构向公众或大型产业群提供并由出售云服务的组织拥有。
混合云:云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成,这些云依然是独特的实体,但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。
云计算环境是面向服务的,特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。
现在参考图8,其中显示了示例性的云计算环境50。如图所示,云计算环境50包括云计算消费者使用的本地计算设备可以与其相通信的一个或者多个云计算节点10,本地计算设备例如可以是个人数字助理(PDA)或移动电话54A,台式电脑54B、笔记本电脑54C和/或汽车计算机系统54N。云计算节点10之间可以相互通信。可以在包括但不限于如上所述的私有云、共同体云、公共云或混合云或者它们的组合的一个或者多个网络中将云计算节点10进行物理或虚拟分组(图中未显示)。这样,云的消费者无需在本地计算设备上维护资源就能请求云计算环境50提供的基础架构即服务(IaaS)、平台即服务(PaaS)和/或软件即服务(SaaS)。应当理解,图8显示的各类计算设备54A-N仅仅是示意性的,云计算节点10以及云计算环境50可以与任意类型网络上和/或网络可寻址连接的任意类型的计算设备(例如使用网络浏览器)通信。
现在参考图9,其中显示了云计算环境50(图8)提供的一组功能抽象层。首先应当理解,图9所示的组件、层以及功能都仅仅是示意性的,本发明的实施例不限于此。如图9所示,提供下列层和对应功能:
硬件和软件层60包括硬件和软件组件。硬件组件的例子包括:主机61;基于RISC(精简指令集计算机)体系结构的服务器62;服务器63;刀片服务器64;存储设备65;网络和网络组件66。软件组件的例子包括:网络应用服务器软件67以及数据库软件68。
虚拟层70提供一个抽象层,该层可以提供下列虚拟实体的例子:虚拟服务器71、虚拟存储72、虚拟网络73(包括虚拟私有网络)、虚拟应用和操作系统74,以及虚拟客户端75。
在一个示例中,管理层80可以提供下述功能:资源供应功能81:提供用于在云计算环境中执行任务的计算资源和其它资源的动态获取;计量和定价功能82:在云计算环境内对资源的使用进行成本跟踪,并为此提供帐单和发票。在一个例子中,该资源可以包括应用软件许可。安全功能:为云的消费者和任务提供身份认证,为数据和其它资源提供保护。用户门户功能83:为消费者和系统管理员提供对云计算环境的访问。服务水平管理功能84:提供云计算资源的分配和管理,以满足必需的服务水平。服务水平协议(SLA)计划和履行功能85:为根据SLA预测的对云计算资源未来需求提供预先安排和供应。
工作负载层90提供云计算环境可能实现的功能的示例。在该层中,可提供的工作负载或功能的示例包括:地图绘制与导航91;软件开发及生命周期管理92;虚拟教室的教学提供93;数据分析处理94;交易处理95;以及微钙化检测96。
图10描绘了根据本公开的实施例的可以使用的示例计算机系统1000的代表性主要组件。可以理解,各个组件可以在复杂性、数量、类型和/或配置上变化。所公开的特定示例仅用于示例目的,而不必仅是此类变型。计算机系统1000可以包括处理器1010、存储器1020、输入/输出接口(这里是I/O或I/O接口)1030和主总线1040。主总线1040可以为计算机系统1000的其它组件提供通信路径。在一些实施例中,主总线1040可以连接到诸如专用数字信号处理器(未描绘)之类的其它部件。
计算机系统1000的处理器1010可以包括一个或多个核1012A、1012B、1012C、1012D(统称为1012)。处理器1010可另外包括一个或多个存储器缓冲器或高速缓存(未示出),其为核1012提供指令和数据的临时存储。核1012可以对从高速缓存或从存储器1020提供的输入执行指令,并将结果输出到高速缓存或存储器。核1012可包括被配置以执行根据本发明的实施例的一个或多个方法的一个或多个电路。在一些实施例中,计算机系统1000可以包含多个处理器1010。在一些实施例中,计算机系统1000可以是具有单核1012的单个处理器1010。
计算机系统1001的存储器1020可以包括存储器控制器1022。在一些实施例中,存储器1020可以包括随机存取半导体存储器、存储设备或用于存储数据和程序的存储介质(易失性或非易失性)。在一些实施例中,存储器可以是模块的形式(例如,双列直插式存储器模块)。存储器控制器1022可以与处理器1010通信,从而促进存储器1020中的信息的存储和检索。存储器控制器1022可以与I/O接口1030通信,从而促进存储器1020中的输入或输出的存储和检索。
I/O接口1030可以包括I/O总线1050、终端接口1052、存储接口1054、I/O设备接口1056和网络接口1058。I/O接口1030可以将主总线1040连接到I/O总线1050。I/O接口1030可以将来自处理器1010和存储器1020的指令和数据传送至I/O总线1050的各种接口。I/O接口1030还可以将指令和数据从I/O总线1050的各种接口传送到处理器1010和存储器1020。各种接口可以包括终端接口1052、存储接口1054、I/O设备接口1056和网络接口1058。在一些实施例中,各种接口可以包括上述接口的子集(例如,工业应用中的嵌入式计算机系统可能不包括终端接口1052和存储接口1054)。
遍及计算机系统1000的逻辑模块(包括但不限于存储器1020、处理器1010和I/O接口1030)可以将一个或多个组件的故障和改变发送到管理程序或操作系统(未描绘)。管理程序或操作系统可以分配计算机系统1000中可用的各种资源,并跟踪存储器1020中的数据的位置和分配给各个核1012的进程的位置。在组合或重新布置元件的实施例中,可以组合或重新分配逻辑模块的方面和能力。这些变化对于本领域技术人员是显而易见的。
在任何可能的技术细节结合层面,本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (19)
1.一种计算机实现的方法,用于乳腺癌检测的混合检测模型,所述方法包括:
响应于数字图像的接收,识别所述数字图像上的感兴趣区域,其中,所述感兴趣区域使用所述感兴趣区域中的每个点的灰度级来描述;
向所述数字图像中的所述感兴趣区域中的每个点的每个灰度级应用预定的形态滤波器,其中,所述形态滤波器降低所述数字图像的灰度级以产生第一组值;
向所述数字图像中的所述感兴趣区域中的每个点的每个灰度级应用预定的熵滤波器,以采集一组最大灰度值,其中,所述最大灰度值反映所述数字图像中相对于其它灰度值的局部最大值;
生成混合结果,所述混合结果是所述预定的形态滤波器和所述预定的熵滤波器的组合的平均值;以及
使用所述混合结果,通过使用所选择的具有子分割的聚类算法来将所述数字图像分割成潜在问题区域。
2.根据权利要求1所述的方法,其中,所选择的聚类算法包括k均值和c均值中的一者。
3.根据前述权利要求中任一项所述的方法,还包括:在用户界面上显示所分割的数字图像。
4.根据前述权利要求中的任一项所述的方法,还包括:由乳腺X线图像采集设备采集所述数字图像。
5.根据权利要求4所述的方法,其中,所述预定的形态滤波器和所述预定的熵滤波器中的每一个的采集、识别和应用是由同一设备执行的,并且其中,所述设备包括所述乳腺X线图像采集设备。
6.根据权利要求5所述的方法,其中,所述设备是智能电话。
7.根据前述权利要求中任一项所述的方法,还包括:在所述识别之前从数据库访问所述乳腺X线图像。
8.根据前述权利要求中的任一项所述的方法,其中,所述数字图像是乳腺X线图像。
9.根据前述权利要求中任一项所述的方法,其中,所述潜在问题区域是一组微钙化。
10.一种计算机系统,包括:
计算机可读存储介质,其上存储有程序指令;以及
一个或多个处理器,其被配置为执行所述程序指令以执行方法,所述方法包括:
响应于数字图像的接收,识别所述数字图像上的感兴趣区域,其中,所述感兴趣区域使用所述感兴趣区域中的每个点的灰度级来描述;
向所述数字图像中的所述感兴趣区域中的每个点的每个灰度级应用预定的形态滤波器,其中,所述形态滤波器降低所述数字图像的灰度级以产生第一组值;
向所述数字图像中的所述感兴趣区域中的每个点的每个灰度级应用预定的熵滤波器,以采集一组最大灰度值,其中,所述最大灰度值反映所述数字图像中相对于其它灰度值的局部最大值;
生成混合结果,所述混合结果是所述预定的形态滤波器和所述预定的熵滤波器的组合的平均值;以及
使用所述混合结果,通过使用所选择的具有子分割的聚类算法来将所述数字图像分割成潜在问题区域。
11.根据权利要求10所述的系统,其中,所选择的聚类算法包括k均值和c均值中的一者。
12.根据权利要求10或11中的任一项所述的系统,其中,所述方法还包括:在用户界面上显示所分割的数字图像。
13.根据权利要求10至12中的任一项所述的系统,其中,所述方法还包括:由乳腺X线图像采集设备采集所述数字图像。
14.根据权利要求10至13中的任一项所述的系统,其中,所述系统还包括乳腺X线图像采集设备。
15.根据权利要求10至14中的任一项所述的系统,其中,所述方法还包括:在所述识别之前从数据库访问所述数字图像。
16.根据权利要求10至15中的任一项所述的系统,其中,所述数字图像是乳腺X线图像。
17.根据权利要求10至16中任一项所述的系统,其中,所述潜在问题区域是微钙化。
18.一种计算机程序产品,用于乳腺癌检测的混合检测模型,所述计算机程序产品包括:
计算机可读存储介质,其能够由处理电路读取并且存储用于由所述处理电路执行的指令,以用于执行根据权利要求1至9中任一项所述的方法。
19.一种计算机程序,其存储在计算机可读介质上并且可加载到数字计算机的内部存储器中,其包括软件代码部分,当所述程序在计算机上运行时,所述软件代码部分用于执行根据权利要求1至9中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/677,161 US10380739B2 (en) | 2017-08-15 | 2017-08-15 | Breast cancer detection |
US15/677,161 | 2017-08-15 | ||
PCT/IB2018/055939 WO2019034965A1 (en) | 2017-08-15 | 2018-08-07 | DETECTION OF BREAST CANCER |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110996772A true CN110996772A (zh) | 2020-04-10 |
CN110996772B CN110996772B (zh) | 2024-04-02 |
Family
ID=65361305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880051798.9A Active CN110996772B (zh) | 2017-08-15 | 2018-08-07 | 乳腺癌检测 |
Country Status (6)
Country | Link |
---|---|
US (2) | US10380739B2 (zh) |
JP (1) | JP7026775B2 (zh) |
CN (1) | CN110996772B (zh) |
DE (1) | DE112018003100T5 (zh) |
GB (1) | GB2579328B (zh) |
WO (1) | WO2019034965A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820591A (zh) * | 2022-06-06 | 2022-07-29 | 北京医准智能科技有限公司 | 图像处理方法、装置、电子设备及介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR200458107Y1 (ko) | 2011-08-09 | 2012-01-19 | 이원국 | 냉방 장치 |
US10380739B2 (en) | 2017-08-15 | 2019-08-13 | International Business Machines Corporation | Breast cancer detection |
US10902586B2 (en) * | 2018-05-08 | 2021-01-26 | International Business Machines Corporation | Automated visual recognition of a microcalcification |
CN111104943B (zh) * | 2019-12-17 | 2022-05-17 | 西安电子科技大学 | 基于决策级融合的彩色图像感兴趣区域提取方法 |
US11366983B2 (en) * | 2020-09-09 | 2022-06-21 | International Business Machines Corporation | Study-level multi-view processing system |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6185320B1 (en) * | 1995-03-03 | 2001-02-06 | Arch Development Corporation | Method and system for detection of lesions in medical images |
JP2005052329A (ja) * | 2003-08-04 | 2005-03-03 | Fuji Photo Film Co Ltd | 異常陰影候補検出装置およびプログラム |
JP2005160916A (ja) * | 2003-12-05 | 2005-06-23 | Fuji Photo Film Co Ltd | 石灰化陰影判定方法、石灰化陰影判定装置及びプログラム |
US20060177125A1 (en) * | 2005-02-08 | 2006-08-10 | Regents Of The University Of Michigan | Computerized detection of breast cancer on digital tomosynthesis mammograms |
EP1833020A2 (en) * | 2006-03-09 | 2007-09-12 | iCad, Inc. | Attribute based image enhancement and display for medical imaging applications |
CN101609558A (zh) * | 2009-07-15 | 2009-12-23 | 宁波大学 | 一种用于乳腺钼靶x线图像中乳腺区域提取的预处理方法 |
US20100158332A1 (en) * | 2008-12-22 | 2010-06-24 | Dan Rico | Method and system of automated detection of lesions in medical images |
US20110160576A1 (en) * | 2008-11-26 | 2011-06-30 | Bower Bradley A | Methods, Systems and Computer Program Products for Diagnosing Conditions Using Unique Codes Generated from a Multidimensional Image of a Sample |
US20120075440A1 (en) * | 2010-09-28 | 2012-03-29 | Qualcomm Incorporated | Entropy based image separation |
EP2551822A2 (en) * | 2011-07-29 | 2013-01-30 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
WO2013049153A2 (en) * | 2011-09-27 | 2013-04-04 | Board Of Regents, University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
US20150227809A1 (en) * | 2014-02-12 | 2015-08-13 | International Business Machines Corporation | Anomaly detection in medical imagery |
GB201513454D0 (en) * | 2015-07-30 | 2015-09-16 | Emerald Medical Applic Ltd | Automatic detection of cutaneous lesions |
CN106487359A (zh) * | 2016-10-14 | 2017-03-08 | 石家庄铁道大学 | 基于自适应多尺度AVG‑Hat变换的形态学滤波器的构造方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2940317B2 (ja) * | 1992-06-24 | 1999-08-25 | 三菱電機株式会社 | 画像処理装置 |
US5365429A (en) * | 1993-01-11 | 1994-11-15 | North American Philips Corporation | Computer detection of microcalcifications in mammograms |
US5586160A (en) * | 1995-03-20 | 1996-12-17 | The Regents Of The University Of California | Automated analysis for microcalcifications in high resolution digital mammograms |
US6137898A (en) | 1997-08-28 | 2000-10-24 | Qualia Computing, Inc. | Gabor filtering for improved microcalcification detection in digital mammograms |
JP2002074325A (ja) * | 2000-08-31 | 2002-03-15 | Fuji Photo Film Co Ltd | 異常陰影候補検出方法および装置 |
JP3970570B2 (ja) * | 2001-10-05 | 2007-09-05 | 富士フイルム株式会社 | 異常陰影検出装置および胸筋領域抽出装置 |
US7054473B1 (en) | 2001-11-21 | 2006-05-30 | R2 Technology, Inc. | Method and apparatus for an improved computer aided diagnosis system |
WO2003076896A2 (en) * | 2002-03-06 | 2003-09-18 | Johns Hopkins University | Use of biomarkers to detect breast cancer |
EP1780651A1 (en) * | 2005-10-25 | 2007-05-02 | Bracco Imaging, S.P.A. | Method and system for automatic processing and evaluation of images, particularly diagnostic images |
US8164039B2 (en) | 2008-04-30 | 2012-04-24 | Board Of Regents, The University Of Texas System | Method and apparatus for detecting spiculated masses in mammography |
CN101373479A (zh) * | 2008-09-27 | 2009-02-25 | 华中科技大学 | 一种乳腺x线摄片计算机图像检索方法及系统 |
WO2011008262A2 (en) * | 2009-07-13 | 2011-01-20 | H. Lee Moffitt Cancer Center & Research Institute | Methods and apparatus for diagnosis and/or prognosis of cancer |
KR20140033317A (ko) | 2010-12-06 | 2014-03-18 | 인디안 인스티튜트 오브 테크놀로지, 카라그푸르 | 비선형에너지 연산자를 사용한 x-레이 이미지에서 미세석회화를 검출하기 위한 방법 및 시스템 |
CN105339983B (zh) * | 2013-06-28 | 2019-07-26 | 皇家飞利浦有限公司 | 链接跨成像研究的乳腺病变位置 |
US9730660B2 (en) | 2014-01-15 | 2017-08-15 | Alara Systems, Inc. | Converting low-dose to higher dose mammographic images through machine-learning processes |
KR101621614B1 (ko) * | 2014-06-30 | 2016-05-17 | 성균관대학교산학협력단 | 디지털 이미지 향상 방법 및 장치와, 이를 이용한 영상 처리 장치 |
CN104835155A (zh) | 2015-04-30 | 2015-08-12 | 浙江大学 | 基于分形的早期乳腺癌钙化点计算机辅助检测方法 |
CN106339591B (zh) | 2016-08-25 | 2019-04-02 | 汤一平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统 |
US10380739B2 (en) | 2017-08-15 | 2019-08-13 | International Business Machines Corporation | Breast cancer detection |
-
2017
- 2017-08-15 US US15/677,161 patent/US10380739B2/en active Active
-
2018
- 2018-08-07 CN CN201880051798.9A patent/CN110996772B/zh active Active
- 2018-08-07 GB GB2003269.4A patent/GB2579328B/en active Active
- 2018-08-07 WO PCT/IB2018/055939 patent/WO2019034965A1/en active Application Filing
- 2018-08-07 DE DE112018003100.4T patent/DE112018003100T5/de active Pending
- 2018-08-07 JP JP2020507614A patent/JP7026775B2/ja active Active
-
2019
- 2019-07-19 US US16/516,569 patent/US10657644B2/en active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6185320B1 (en) * | 1995-03-03 | 2001-02-06 | Arch Development Corporation | Method and system for detection of lesions in medical images |
JP2005052329A (ja) * | 2003-08-04 | 2005-03-03 | Fuji Photo Film Co Ltd | 異常陰影候補検出装置およびプログラム |
JP2005160916A (ja) * | 2003-12-05 | 2005-06-23 | Fuji Photo Film Co Ltd | 石灰化陰影判定方法、石灰化陰影判定装置及びプログラム |
US20060177125A1 (en) * | 2005-02-08 | 2006-08-10 | Regents Of The University Of Michigan | Computerized detection of breast cancer on digital tomosynthesis mammograms |
EP1833020A2 (en) * | 2006-03-09 | 2007-09-12 | iCad, Inc. | Attribute based image enhancement and display for medical imaging applications |
US20110160576A1 (en) * | 2008-11-26 | 2011-06-30 | Bower Bradley A | Methods, Systems and Computer Program Products for Diagnosing Conditions Using Unique Codes Generated from a Multidimensional Image of a Sample |
US20100158332A1 (en) * | 2008-12-22 | 2010-06-24 | Dan Rico | Method and system of automated detection of lesions in medical images |
CN101609558A (zh) * | 2009-07-15 | 2009-12-23 | 宁波大学 | 一种用于乳腺钼靶x线图像中乳腺区域提取的预处理方法 |
US20120075440A1 (en) * | 2010-09-28 | 2012-03-29 | Qualcomm Incorporated | Entropy based image separation |
EP2551822A2 (en) * | 2011-07-29 | 2013-01-30 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
WO2013049153A2 (en) * | 2011-09-27 | 2013-04-04 | Board Of Regents, University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
US20150227809A1 (en) * | 2014-02-12 | 2015-08-13 | International Business Machines Corporation | Anomaly detection in medical imagery |
GB201513454D0 (en) * | 2015-07-30 | 2015-09-16 | Emerald Medical Applic Ltd | Automatic detection of cutaneous lesions |
CN106487359A (zh) * | 2016-10-14 | 2017-03-08 | 石家庄铁道大学 | 基于自适应多尺度AVG‑Hat变换的形态学滤波器的构造方法 |
Non-Patent Citations (3)
Title |
---|
TORTAJADA M等: "Breast peripheral area correction in digital mammograms", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
VALLEZ N等: "Breast density classification to reduce false positives in CADe systems", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
ZHANG XIAOYONG等: "A Hybrid Image Filtering Method for Computer-Aided Detection of Microcalcification Clusters in Mammograms", 《JOURNAL OF MEDICAL ENGINEERING》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820591A (zh) * | 2022-06-06 | 2022-07-29 | 北京医准智能科技有限公司 | 图像处理方法、装置、电子设备及介质 |
CN114820591B (zh) * | 2022-06-06 | 2023-02-21 | 北京医准智能科技有限公司 | 图像处理方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
GB202003269D0 (en) | 2020-04-22 |
US20190340756A1 (en) | 2019-11-07 |
US10380739B2 (en) | 2019-08-13 |
CN110996772B (zh) | 2024-04-02 |
WO2019034965A1 (en) | 2019-02-21 |
JP7026775B2 (ja) | 2022-02-28 |
GB2579328B (en) | 2020-11-25 |
US20190057500A1 (en) | 2019-02-21 |
JP2020531958A (ja) | 2020-11-05 |
US10657644B2 (en) | 2020-05-19 |
GB2579328A (en) | 2020-06-17 |
DE112018003100T5 (de) | 2020-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110996772B (zh) | 乳腺癌检测 | |
Amorim et al. | InVesalius: an interactive rendering framework for health care support | |
US10588590B2 (en) | Detection and characterization of aortic pathologies | |
US20220084660A1 (en) | Artificial intelligence processing system and automated pre-diagnostic workflow for digital pathology | |
US20170243345A1 (en) | Structure-preserving composite model for skin lesion segmentation | |
US10127664B2 (en) | Ovarian image processing for diagnosis of a subject | |
US10123747B2 (en) | Retinal scan processing for diagnosis of a subject | |
US11151703B2 (en) | Artifact removal in medical imaging | |
US10242442B2 (en) | Detection of outlier lesions based on extracted features from skin images | |
US11688061B2 (en) | Interpretation of whole-slide images in digital pathology | |
US10249040B2 (en) | Digital data processing for diagnosis of a subject | |
US20210150703A1 (en) | Classifying images using deep neural network with integrated acquisition information | |
US20200163641A1 (en) | Medical image data analysis | |
US11132793B2 (en) | Case-adaptive medical image quality assessment | |
US20220028058A1 (en) | Deep learning modeling using health screening images | |
US10398385B2 (en) | Brain wave processing for diagnosis of a subject | |
US11042778B2 (en) | Generating realistic organ x-ray angiography (XA) images for deep learning consumption | |
CN113034428A (zh) | 用于在头部ct平扫图像中检测急性颅内出血的深度学习系统 | |
US11164309B2 (en) | Image analysis and annotation | |
US20230177729A1 (en) | Object oriented image normalization | |
US10568695B2 (en) | Surgical skin lesion removal | |
US11366983B2 (en) | Study-level multi-view processing system | |
US20220157450A1 (en) | Capturing user constructed map of bodily region of interest for remote telemedicine navigation | |
US20220068467A1 (en) | Simulated follow-up imaging | |
DE102021129311A1 (de) | Differenzgeführte videoanalyse |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230525 Address after: Michigan, USA Applicant after: Maredif USA Address before: USA New York Applicant before: International Business Machines Corp. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |