CN111079863B - 利用能谱曲线统计指纹识别病灶组织的系统 - Google Patents
利用能谱曲线统计指纹识别病灶组织的系统 Download PDFInfo
- Publication number
- CN111079863B CN111079863B CN201911415960.3A CN201911415960A CN111079863B CN 111079863 B CN111079863 B CN 111079863B CN 201911415960 A CN201911415960 A CN 201911415960A CN 111079863 B CN111079863 B CN 111079863B
- Authority
- CN
- China
- Prior art keywords
- energy spectrum
- convolution
- point
- module
- points
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (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
本发明公开了一种利用能谱曲线统计指纹识别病灶组织的系统,包括输入模块,用于输入待测能谱CT序列图像;聚类模块,用于对待测能谱CT序列图像中目标区域的各像素点基于其能谱曲线进行无监督聚类;卷积模块,用于以一个卷积形状为“卷积核”,对目标区域进行等步长的图像卷积,每一步即对卷积形状内像素的能谱曲线按其类别进行统计,并将统计结果与已知的占位性病灶点的能谱曲线统计指纹进行相似度计算,计算结果标记为当前卷积点的相似度;识别模块:用于读取目标区域内每一点的相似度标记,当某一点的相似度计算的结果高于某个阈值,则认为已检测到近似的占位性病灶点。本方案能减轻患者的负担,便于外科医生进行手术规划。
Description
技术领域
本发明涉及医学图像处理技术领域,具体涉及一种利用能谱曲线统计指纹识别病灶组织的系统。
背景技术
目前对于肝结节的良恶性检测最接近的就是使用“普美显”增强MRI扫描,提高肝脏占位性病灶诊断的敏感性和特异度,对肝脏结节良恶性鉴别有一定的作用。该方法存在的不足有:(1)普美显磁共振检查无真正的平衡期,肝细胞对普美显的吸收难以达到饱和状态;(2)肝功能异常或高胆红素症患者,肝实质强化程度降低;(3)对于非肝细胞来源的非肿瘤病变,在肝胆特异期也表现为强化缺失,与肿瘤性病变难以鉴别;(4)持续动态扫描时间长,不适合所有肝病患者。
其次是采用超声造影法,但当病变位置深,声衰减明显时,或病灶位于膈下及较浅表的微小病灶易受气体、患者呼吸等因素影响而漏诊。
多层螺旋CT三期动态增强扫描是根据肝脏正常组织与病变组织供血不同的特点,利用造影剂增强两者之间的密度差,充分显示病灶组织在各时的短暂影像变化,使得大部分肝脏占位病灶能够被捡出,但是在微小病灶的诊断敏感性方面还存在一定的差距。
传统的CT扫描模式是混合能量的,所得到的CT图像只能代表物质密度,而不能代表物质的成分。根据物理学原理,一定物质对应一系列单一能量X射线照射,其衰减曲线是唯一的,这就是能谱曲线。所以能谱曲线具有可以分辨物质性质的能力。
能谱CT改变了传统CT的扫描模式,即由kVp混合能量成像,转变为keV单能量成像。可以提供传统图像外多个单能量图像(这些单能量图像在空间位置上是完全相同的,换句话说每个能量图上的坐标相同的点代表的位置是相同的)、基物质图像、能谱曲线以及有效原子序数等,并进行物质分解和组织定性。
通过能谱CT扫描所得的数据集称为能谱CT数据集,可视化后则为能谱CT图像空间,空间中每个点的能谱CT数据可以用fi(x,y,z)来表示,x,y,z分别是长、宽、高。i是能谱CT的谱数据,即空间每一个点有n个能谱CT数据,每个能谱CT数据分别对应一定的能谱值。例如,某能谱CT由40keV到140keV,每隔10keV扫描一次。即,i=1,对应40keV;i=2对应50keV;i=3对应60keV;......i=11对应140keV。因此,空间任意一点对应有n个能谱CT数据,即:
F(x,y,z)=[f1(x,y,z),f1(x,y,z),f1(x,y,z)...fn(x,y,z)];
空间中一个点的这n个能谱CT数据组成了所谓能谱曲线。
这就是说在空间对比和时间分辨率外提供了能量分辨率和解析化学成分的“化学分辨率”,这些信息都是以往的CT无法获取的。因此,当前技术发展的趋势是采用更为高效的能谱CT扫描进行占位性病灶的组织定性检测,例如肝结节的良恶性检测。
但另一方面,由于占位性病灶(例如肝结节)的化学组成较为复杂且不统一,在能谱CT图像中,即便是同一个占位性病灶,其各个图像点所表现出能谱曲线也存在着差异,那么如何从整个能谱CT图像中准确的将目标占位性病灶部分识别出来,从而为医生的诊断和手术规划提供更为可靠的依据是一个亟待解决的问题。
发明内容
本发明意在提供一种将由能谱CT数据集中具有相似统计指纹的点的集合作为同一类,从而将目标占位性病灶从能谱CT图像中识别出来的系统,从而为医生的诊断和手术规划提供更为可靠的辅助手段。
本发明解决其技术问题所采取的方案是:
利用能谱曲线统计指纹识别病灶组织的系统,包括:
输入模块,用于输入待测能谱CT序列图像;
聚类模块,用于对待测能谱CT序列图像中目标区域的各像素点基于其能谱曲线进行无监督聚类;
卷积模块,用于以一个卷积形状为“卷积核”,对目标区域进行等步长的图像卷积,每一步即对卷积形状内像素的能谱曲线按其类别进行统计,并将统计结果与已知的占位性病灶点的能谱曲线统计指纹进行相似度计算,计算结果标记为当前卷积点的相似度;
识别模块:用于读取目标区域内每一点的相似度标记,当某一点的相似度计算的结果高于某个阈值,则认为已检测到近似的占位性病灶点。
本发明的效果是:本系统通过图像卷积获得目标点及其周围区域内的点的能谱曲线统计特征与已经获取的占位性病灶的能谱曲线统计特征进行比对,以判断目标点是否为病灶点,该系统无需利用增强剂来进行组别的区分,同时由于能谱CT的X射线剂量不到普通CT的一半,因此被测者受到X射线的辐射量也相对低,减轻的了患者的负担,对身体的损害相对小,所得识别结果可以直接获得三维重建的结果,便于外科医生进行手术规划。
进一步,还包括图像分割模块,用于对所述目标区域进行已检测到的近似的占位性病灶点与其他组织点的图像分割。
实现了识别结果的可视化。
进一步的,所述步长为一个像素点的距离。
保证对尽可能多的点进行判断。
进一步的,所述卷积形状为以当前卷积点为中心的球形或正方形。
该形状使形状内在点在中心卷积点周围均匀分布。
进一步的,所述的无监督聚类采用的判断准则为,两点的能谱曲线向量内对应同一能谱值的两个数据值之间的差值的绝对值均小于给定阈值,则判断为同一类。
进一步的,所述能谱CT序列图像均采用keV值从40到140,每10keV为一个采样点进行扫描得到的能谱CT序列图像。
确保曲线上有足够多的点,以保证其所抽样的曲线的特性等以保留。
进一步的,所述能谱CT序列图像采用每隔1毫米扫描一次的能谱CT序列图像。
保证各层间的距离足够小以确保相邻两层为同一个组织类型(病灶或正常组织)的概率。
进一步的,在所述无监督聚类中,空间中每个点的数据值采用它们的8邻域平均值。
针对噪声较大的输入数据提高其分割的准确性。
进一步的,在所述无监督聚类中,空间中每个点的数据值为它们的26邻域平均值。
针对噪声较大的输入数据提高其分割的准确性。
进一步的,还包括指纹统计模块,用于获取已知病例的能谱CT序列图像,
并对各已知的占位性病灶区域内的各个点的能谱曲线进行无监督聚类,并统计一共有多少类能谱曲线;
并计算每一个类的像素点数量在占位性病灶区域内总像素点数中所占的比率,得到其“归一化直方图”,即称为统计指纹;
并将该统计指纹输送至卷积模块。
通过统计已知的病灶区域内能谱曲线的种类、及各个种类在总类数中所占的比率,形成统计特性。通过大数据获取占位性病灶的能谱曲线统计特征用于检测病灶良恶性。
附图说明
图1为本发明实施例中的利用能谱曲线统计指纹识别病灶组织的系统的示意性框图。
具体实施方式
下面通过具体实施方式进一步详细说明:
本实施例中利用能谱曲线统计指纹识别病灶组织的系统,基本如图1所示,包括:
输入模块,用于输入待测能谱CT序列图像;
聚类模块,用于对待测能谱CT序列图像中目标区域的各像素点基于其能谱曲线进行无监督聚类;
卷积模块,用于以一个卷积形状为“卷积核”,对目标区域进行等步长的图像卷积,每一步即对卷积形状内像素的能谱曲线按其类别进行统计,并将统计结果与已知的占位性病灶点的能谱曲线统计指纹进行相似度计算,计算结果标记为当前卷积点的相似度;
识别模块:用于读取目标区域内每一点的相似度标记,当某一点的相似度计算的结果高于某个阈值,则认为已检测到近似的占位性病灶点;
图像分割模块,用于对所述目标区域进行已检测到的近似的占位性病灶点与其他组织点的图像分割;
指纹统计模块,用于获取已知病例的能谱CT序列图像,
并对各已知的占位性病灶区域内的各个点的能谱曲线进行无监督聚类,并统计一共有多少类能谱曲线;
并计算每一个类的像素点数量在占位性病灶区域内总像素点数中所占的比率,得到其“归一化直方图”,即称为统计指纹;
并将该统计指纹输送至卷积模块。
本实施例中的输入模块可直接与能谱CT扫描设备通信,以获取能谱CT序列图像,也可以通过接口从数据介质中读取能谱CT序列图像,指纹统计模块则通过接口从数据库中读取已知病例的能谱CT序列图像。
本实施例中的系统的工作过程分为两个阶段。
第一阶段:指纹统计阶段
该阶段意在获取能谱CT图像空间中,占位性病灶点的能谱曲线统计“指纹”,可通过对已获得病理确认的大量能谱CT图像中的占位性病灶点进行分割,然后对分割出的占位性病灶点部分进行能谱曲线统计,通过指纹统计模块实现,具体如下:
第一步,先对已知的占位性病灶区域内的各个点的能谱曲线进行无监督聚类,从而把该区域所有的点都归类;
第二步,统计一共有多少类;
第三步,计算每一个类的像素点数量在占位性病灶区域内总像素点数中所占的比率,也就是“归一化直方图”,即称为统计指纹。
例如,对确诊的肝癌病例的肝脏区域每1毫米间隔为一层,实施一组扫描;要求扫描的能谱范围要覆盖低和高的电子伏特;本实施例中,使用的范围是40keV到140keV,即每10keV有一副CT图像数据,也就是说,每一扫描层有11个CT图像数据,进而形成每层的每个像素点的能谱曲线向量。如此,即可获取大量已经确定的肝癌病例的能谱CT图像空间,再从中根据之前的诊断,分割出肿瘤部分的能谱CT序列图像,进而得到肿瘤部分每个像素点的能谱曲线向量,再通过无监督聚类和统计最终可获取肿瘤点的统计“指纹”。
对肿瘤点的能谱曲线的无监督聚类,是利用各点间的相似度进行的,可采用如下的方式:
建立一个空间三维的标记数组V,其中v(x,y,z)初始全部为0,取得一样本店的能谱曲线向量;
F(x,y,z)=[f1(x,y,z),f2(x,y,z),f3(x,y,z)...f11(x,y,z)]
并对该点标记v(x,y,z)=1;
另取一点fi(x′,y′,z′)的能谱曲线向量
F(x′,y′,z′)=
[f1(x′,y′,z′),f2(x′,y′,z′),f3(x′,y′,z′)...f11(x′,y′,z′)]
比较F(x,y,z)与F(x′,y′,z′):
如果下列表达式成立,则对标记数组V内的v(x′,y′,z′)赋值1;
|fi(x,y,z)-fi(x′,y′,z′)|≤ε,i=1......n;
ε是一个给定的阈值,最小值为零,可以根据处理的结果进行调节;一些实施例中,该值优选的为0至图像数据中最大值的5%。
继续比较下一个点,直到所有的点都比较完毕,比较的结果也就记录在了标记数组V中。
在余下的v(x,y,z)=0的点中再次选取一个样本点,此时v(x,y,z)赋值2,在与另一个v(x′,y′,z′)=0的点进行比较,如果符合相似原则,则两点属于一类,给标记数组V中的本次v(x′,y′,z′)赋予与本次v(x,y,z)同样的值以标记为同类再取下一个v(x,y,z)=0的点,否则直接取下一个v(x,y,z)=0的点;
以此类推,则直至所有的点都被标记,也就是说没有v(x,y,z)=0的点,再根据标记数组V中的值进行聚类,取值相同的为一类。
值得注意的是,但本发明可用的相似原则不限于此,在某些实施例中,相似原则还可以是两个向量之间的差值的模小于一个给定阈值,也可以是两个向量之间的方差小于一个给定阈值,还可以是对应同一keV值的两个值之间的差值的绝对值的均值小于给定阈值,以及其他一切可以判断两曲线之间相似度的原则。
值得注意的是,在某些实施例中fi(x,y,z)和fi(x′,y′,z′)的取值,可以是它们的8邻域或者是26邻域,目的是针对噪声比较严重的系列图像,具体的取法如下:
8邻域的取法:
26邻域的取法:
完成聚类后,统计所有的肿瘤点一共被分成了多少类,计算每一个类的像素点的数量在肿瘤区域内总像素点数中所占的比率,也就是生成“归一化直方图”,即称为统计指纹。
第二阶段:占位性病灶点的识别,通过依次连接的输入模块、聚类模块、卷积模块和识别模块完成。
同样以肝脏的恶性肿瘤(肝癌)为例;
第一步,输入待测者薄层能谱CT数据(同样选取1mm每层);
第二步,分割出肝脏区域,并对该区域进行如上所述的无监督能谱曲线聚类;
第三步,设计一个小的卷积形状,该形状的大小可以调节,例如一半径为N像素单位的以当前卷积点为中心的球形或边长为2N像素单位的以当前卷积点为中心的正方形;
第四步,以此卷积形状为“卷积核”,对肝脏区域进行卷积,卷积过程步长以一个像素为长度,每卷积一步,就对卷积形状内像素的能谱曲线进行“指纹”统计,并将其与之前得到的肿瘤点的统计指纹进行相似度计算,计算结果进行标记。
第五步:输出检测结果,当相似度计算的结果高于某个阈值(此处可理解过置信度)时,换句话说就是在卷积过程中发现有区域的统计指纹与事先统计的肿瘤点的统计指纹相同或者近似时,认为已检测到近似的肿瘤点,该阈值可根据实际操作进行调整,还可设立多个阈值以获得多组精度不同的结果。
最终,通过图像分割模块在能谱CT图像中对检测出的肿瘤点与肝脏进行分割,分割的结果可直接用于三维重建,供外科医生进行诊断与手术规划;统计指纹的相似度,即归一化直方图的相似度计算,在图像处理领域是较为常见的技术手段,在此不做赘述。
本实施例通过统计已知的病灶区域内能谱曲线的种类、及各个种类在总类数中所占的比率,形成统计特性,以大数据获取占位性病灶的能谱曲线统计特征用于检测病灶良恶性,进而通过图像卷积获得目标点及其周围区域内的点的能谱曲线统计特征与已经获取的占位性病灶的能谱曲线统计特征进行比对,以判断目标点是否为病灶点,该方法无需使用增强剂,同时由于能谱CT的X射线剂量不到普通CT的一半,因此被测者受到X射线的辐射量也相对低,减轻的了患者的负担,对身体的损害相对小,所得图像分割结果可以直接获得三维重建的结果,便于外科医生进行手术规划。
以上所述的仅是本发明的实施例,方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.利用能谱曲线统计指纹识别病灶组织的系统,其特征在于,包括:
输入模块,用于输入待测能谱CT序列图像;
聚类模块,用于对待测能谱CT序列图像中目标区域的各像素点基于其能谱曲线进行无监督聚类;
卷积模块,用于以一个卷积形状为“卷积核”,对目标区域进行等步长的图像卷积,每一步即对卷积形状内像素的能谱曲线按其类别进行统计,并将统计结果与已知的占位性病灶点的能谱曲线统计指纹进行相似度计算,计算结果标记为当前卷积点的相似度;
设计一个小的卷积形状,该形状的大小为以半径为N像素单位的以当前卷积点为中心的球形或边长为2N像素单位的以当前卷积点为中心的正方形;
以此卷积形状为“卷积核”,卷积过程步长以一个像素为长度,每卷积一步,就对卷积形状内像素的能谱曲线进行“指纹”统计,并将其与之前得到的肿瘤点的统计指纹进行相似度计算,计算结果进行标记;
识别模块:用于读取目标区域内每一点的相似度标记,当某一点的相似度计算的结果高于某个阈值,则认为已检测到近似的占位性病灶点。
2.根据权利要求1所述的利用能谱曲线统计指纹识别病灶组织的系统,其特征在于:还包括图像分割模块,用于对所述目标区域进行已检测到的近似的占位性病灶点与其他组织点的图像分割。
3.根据权利要求1所述的利用能谱曲线统计指纹识别病灶组织的系统,其特征在于:所述的无监督聚类采用的判断准则为,两点的能谱曲线向量内对应同一能谱值的两个数据值之间的差值的绝对值均小于给定阈值,则判断为同一类。
4.根据权利要求1所述的利用能谱曲线统计指纹识别病灶组织的系统,其特征在于:所述能谱CT序列图像均采用keV值从40到140,每10keV为一个采样点进行扫描得到的能谱CT序列图像。
5.根据权利要求1所述的利用能谱曲线统计指纹识别病灶组织的系统,其特征在于:所述能谱CT序列图像采用每隔1毫米扫描一次的能谱CT序列图像。
6.根据权利要求5所述的利用能谱曲线统计指纹识别病灶组织的系统,其特征在于:在所述无监督聚类中,空间中每个点的数据值采用它们的8邻域平均值。
7.根据权利要求5所述的利用能谱曲线统计指纹识别病灶组织的系统,其特征在于:在所述无监督聚类中,空间中每个点的数据值为它们的26邻域平均值。
8.根据权利要求1所述的利用能谱曲线统计指纹识别病灶组织的系统,其特征在于:还包括指纹统计模块,用于获取已知病例的能谱CT序列图像,
并对各已知的占位性病灶区域内的各个点的能谱曲线进行无监督聚类,并统计一共有多少类能谱曲线;
并计算每一个类的像素点数量在占位性病灶区域内总像素点数中所占的比率,得到其“归一化直方图”,即称为统计指纹;
并将该统计指纹输送至卷积模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415960.3A CN111079863B (zh) | 2019-12-31 | 2019-12-31 | 利用能谱曲线统计指纹识别病灶组织的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415960.3A CN111079863B (zh) | 2019-12-31 | 2019-12-31 | 利用能谱曲线统计指纹识别病灶组织的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079863A CN111079863A (zh) | 2020-04-28 |
CN111079863B true CN111079863B (zh) | 2023-05-19 |
Family
ID=70320818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911415960.3A Active CN111079863B (zh) | 2019-12-31 | 2019-12-31 | 利用能谱曲线统计指纹识别病灶组织的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079863B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117427286B (zh) * | 2023-10-30 | 2024-04-26 | 南京鼓楼医院 | 一种基于能谱ct的肿瘤放疗靶区识别方法、系统及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11328311A (ja) * | 1997-08-06 | 1999-11-30 | Nippon Telegr & Teleph Corp <Ntt> | 画像内のパターン抽出方法、画像内のパターン認識方法及び画像異常判定方法並びに記憶媒体 |
GB0326837D0 (en) * | 2003-05-15 | 2003-12-24 | Edax Inc | Chemical prefiltering for phase differentiation via simultaneous energy dispersive spectrometry and electron backscatter diffraction |
CN106203301A (zh) * | 2016-06-30 | 2016-12-07 | 北京小米移动软件有限公司 | 终端设备、指纹识别方法及装置 |
CN109063741A (zh) * | 2018-07-05 | 2018-12-21 | 南京航空航天大学 | 一种基于希尔伯特曲线变换与深度学习的能谱分析方法 |
CN109344909A (zh) * | 2018-10-30 | 2019-02-15 | 咪付(广西)网络技术有限公司 | 一种基于多通道卷积神经网络的身份识别方法 |
CN110232691A (zh) * | 2019-04-18 | 2019-09-13 | 浙江大学山东工业技术研究院 | 一种多模态的ct影像的分割方法 |
CN110428395A (zh) * | 2019-06-20 | 2019-11-08 | 浙江大学 | 单能谱ct图像的多材料分解方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7295691B2 (en) * | 2002-05-15 | 2007-11-13 | Ge Medical Systems Global Technology Company, Llc | Computer aided diagnosis of an image set |
DE102007026520A1 (de) * | 2007-06-08 | 2008-12-11 | Siemens Ag | Bildakquisitons-, Bildarchivierungs- und Bildrenderingsystem zur Reproduzierung von eingestellten Untersuchungsparametern einer CT-, PET-CT- bzw. MRT- gestützten Erstuntersuchung bei nachfolgenden radiologischen Kontrolluntersuchungen |
DE102008030552A1 (de) * | 2008-06-27 | 2009-12-31 | Siemens Aktiengesellschaft | Verfahren zur Erzeugung von Bilddaten zu einer virtuell vorgebbaren Röntgenröhrenspannung aus ersten und zweiten CT-Bilddaten |
CN104346622A (zh) * | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
WO2015092588A2 (en) * | 2013-12-17 | 2015-06-25 | Koninklijke Philips N.V. | Spectral image data processing |
US10176408B2 (en) * | 2015-08-14 | 2019-01-08 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
KR102634166B1 (ko) * | 2016-10-04 | 2024-02-08 | 한화비전 주식회사 | 다중 크기 컨볼루션 블록 층을 이용한 얼굴 인식 장치 |
CN107481242B (zh) * | 2017-08-17 | 2020-06-05 | 重庆青信科技有限公司 | 一种能谱ct图像的分割方法及系统 |
CN107481240B (zh) * | 2017-08-17 | 2020-06-09 | 重庆青信科技有限公司 | 基于能谱ct图像全分割方法及系统 |
CN110634118A (zh) * | 2018-05-31 | 2019-12-31 | 深圳市安测生命科技有限公司 | 基于人工智能的乳腺影像识别系统及方法 |
CN110599447B (zh) * | 2019-07-29 | 2023-10-20 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 一种肝癌病灶数据的处理方法、系统和存储介质 |
-
2019
- 2019-12-31 CN CN201911415960.3A patent/CN111079863B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11328311A (ja) * | 1997-08-06 | 1999-11-30 | Nippon Telegr & Teleph Corp <Ntt> | 画像内のパターン抽出方法、画像内のパターン認識方法及び画像異常判定方法並びに記憶媒体 |
GB0326837D0 (en) * | 2003-05-15 | 2003-12-24 | Edax Inc | Chemical prefiltering for phase differentiation via simultaneous energy dispersive spectrometry and electron backscatter diffraction |
CN106203301A (zh) * | 2016-06-30 | 2016-12-07 | 北京小米移动软件有限公司 | 终端设备、指纹识别方法及装置 |
CN109063741A (zh) * | 2018-07-05 | 2018-12-21 | 南京航空航天大学 | 一种基于希尔伯特曲线变换与深度学习的能谱分析方法 |
CN109344909A (zh) * | 2018-10-30 | 2019-02-15 | 咪付(广西)网络技术有限公司 | 一种基于多通道卷积神经网络的身份识别方法 |
CN110232691A (zh) * | 2019-04-18 | 2019-09-13 | 浙江大学山东工业技术研究院 | 一种多模态的ct影像的分割方法 |
CN110428395A (zh) * | 2019-06-20 | 2019-11-08 | 浙江大学 | 单能谱ct图像的多材料分解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111079863A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3939359B2 (ja) | 二段分類器を使用するディジタル放射線画像中の塊検出 | |
US5838815A (en) | Method and system to enhance robust identification of abnormal regions in radiographs | |
US7853064B2 (en) | Method for the processing of radiological images in tomosynthesis for a detection of radiological signs | |
US7515743B2 (en) | System and method for filtering a medical image | |
Kaur et al. | Artificial intelligence techniques for cancer detection in medical image processing: A review | |
Semmlow et al. | A fully automated system for screening xeromammograms | |
US6067372A (en) | Method and system to enhance robust identification of abnormal regions in radiographs | |
US8238637B2 (en) | Computer-aided diagnosis of malignancies of suspect regions and false positives in images | |
Llobet et al. | Computer-aided detection of prostate cancer | |
ITRM20060213A1 (it) | Metodo di elaborazione di immagini biomediche | |
CN117036343A (zh) | 用于识别腋窝淋巴结转移癌的ffoct图像分析方法和装置 | |
CN111079863B (zh) | 利用能谱曲线统计指纹识别病灶组织的系统 | |
Armya et al. | Medical images segmentation based on unsupervised algorithms: a review | |
Atiyah et al. | Brain MRI Images Segmentation Based on U-Net Architecture | |
JP2000350722A (ja) | 器官の注目する要素の配置および三次元表現の方法 | |
Rezaee et al. | Designing an algorithm for cancerous tissue segmentation using adaptive k-means cluttering and discrete wavelet transform | |
CN111161258B (zh) | 基于能谱曲线统计指纹的能谱ct图像分割方法 | |
KR102620046B1 (ko) | 약지도 딥러닝 인공 지능을 이용한 유방 초음파 진단 방법 및 시스템 | |
KR20020077345A (ko) | 구분된 데이터 세트의 동적 문턱값 처리 및 유사도 이미지내의 유사도의 디스플레이 방법 | |
CN118435235A (zh) | 用于对病变进行分类的系统和方法 | |
Sarkar et al. | Review of Artificial Intelligence methods for detecting cancer in medical image processing | |
AU2020103785A4 (en) | Method for improving recognition rates of mri images of prostate tumors based on cad system | |
Ozekes et al. | Automatic lung nodule detection using template matching | |
Boehm et al. | Automated classification of breast parenchymal density: topologic analysis of X-ray attenuation patterns depicted with digital mammography | |
Swanly et al. | Smart spotting of pulmonary TB cavities using CT 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 |