CN111340767B - 一种脑部肿瘤头皮定位图像处理方法及系统 - Google Patents
一种脑部肿瘤头皮定位图像处理方法及系统 Download PDFInfo
- Publication number
- CN111340767B CN111340767B CN202010108867.4A CN202010108867A CN111340767B CN 111340767 B CN111340767 B CN 111340767B CN 202010108867 A CN202010108867 A CN 202010108867A CN 111340767 B CN111340767 B CN 111340767B
- Authority
- CN
- China
- Prior art keywords
- image
- module
- brain
- tumor
- data
- 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
- 208000003174 Brain Neoplasms Diseases 0.000 title claims abstract description 128
- 210000004761 scalp Anatomy 0.000 title claims abstract description 62
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 76
- 210000004556 brain Anatomy 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000003709 image segmentation Methods 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000002372 labelling Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 210000003128 head Anatomy 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 230000002708 enhancing effect Effects 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000002059 diagnostic imaging Methods 0.000 claims description 6
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 239000003550 marker Substances 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 201000011510 cancer Diseases 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 3
- 208000007913 Pituitary Neoplasms Diseases 0.000 description 2
- 206010027191 meningioma Diseases 0.000 description 2
- 208000007538 neurilemmoma Diseases 0.000 description 2
- 201000009047 Chordoma Diseases 0.000 description 1
- 208000032612 Glial tumor Diseases 0.000 description 1
- 206010018338 Glioma Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 206010029260 Neuroblastoma Diseases 0.000 description 1
- 206010043276 Teratoma Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000005017 glioblastoma Diseases 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 208000010916 pituitary tumor Diseases 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 206010039667 schwannoma Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30016—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
- G06T2207/30096—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于脑部肿瘤头皮定位图像处理技术领域，公开了一种脑部肿瘤头皮定位图像处理方法及系统，所述脑部肿瘤头皮定位图像处理系统包括：脑部影像采集模块、主控模块、影像增强模块、影像分割模块、分类模块、肿瘤标注模块、头皮定位模块、显示模块。本发明通过影像分割模块利用现有的数据集资源以及相关计算机视觉、机器学习、深度学习技术对MRI脑肿瘤图像进行自动分割，可以有效减轻医生工作量，提高分割效率；同时本发明通过头皮定位模块通过医疗定位机构对脑部肿瘤位置进行定位的方法，可以准确对肿瘤位置进行定位，提高手术的成功率，并且提高了工作效率，减少了医护人员的工作量。
Description
技术领域
本发明属于脑部肿瘤头皮定位图像处理技术领域，尤其涉及一种脑部肿瘤头皮定位图像处理方法及系统。
背景技术
脑肿瘤包括良性肿瘤和恶性肿瘤，良性肿瘤主要包括脑膜瘤、神经鞘瘤和垂体瘤；恶性肿瘤主要包括胶质瘤和转移瘤，其最佳治疗手段是手术彻底切除，然因正常脑组织的不可切除性及恶性肿瘤向颅内广泛浸润性生长的特点，手术大范围彻底切除极为困难。原发性脑肿瘤有颅内脑外肿瘤与脑内肿瘤，脑内肿瘤主要有胶质细胞瘤、胶质母细胞瘤，神经母细胞瘤和转移瘤，脑外肿瘤主要有脑膜瘤、垂体瘤、神经鞘瘤、脊索瘤、畸胎瘤和松果体区肿瘤等。然而，现有的脑部肿瘤头皮定位图像处理系统，需要人工对肿瘤位置进行定位，降低了工作效率。同时现有的脑部肿瘤头皮定位图像处理系统对肿瘤的状态信息进行分析过中，医护人员需要花费较长时间对肿瘤的形状特征进行分析，增加了医护人员的工作量。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有的脑部肿瘤头皮定位图像处理系统，需要人工对肿瘤位置进行定位，降低了工作效率。
(2)现有的脑部肿瘤头皮定位图像处理系统对肿瘤的状态信息进行分析过中，医护人员需要花费较长时间对肿瘤的形状特征进行分析，增加了医护人员的工作量。
发明内容
针对现有技术存在的问题，本发明提供了一种脑部肿瘤头皮定位图像处理方法。
本发明是这样实现的，一种脑部肿瘤头皮定位图像处理方法，所述脑部肿瘤头皮定位图像处理方法包括以下步骤：
步骤一，通过脑部影像采集模块利用医疗影像设备采集脑部肿瘤影像数据；
步骤二，根据采集到的脑部肿瘤影像数据，主控模块通过影像增强模块利用影像增强程序对采集的影像进行增强处理；通过影像分割模块利用分割程序对采集的脑肿瘤图像进行分割；通过分类模块利用分类程序对采集的脑肿瘤图像进行分类；
步骤三，根据图像分析的结果，通过肿瘤标注模块利用标注程序对采集的脑肿瘤图像进行标注；通过头皮定位模块利用医疗定位机构对脑部肿瘤位置进行定位；
步骤四，通过显示模块利用显示器显示采集的脑部肿瘤影像、标注信息；
所述步骤三中，头皮定位模块通过医疗定位机构对脑部肿瘤位置进行定位的方法，包括：
步骤A，利用大脑扫描器对大脑中的肿瘤进行扫描，确定肿瘤对应头皮相对应的位置；
步骤B，利用CT扫描器对人体头部进扫描，确定人体头部结构和肿瘤的状态；
步骤C，将人体头部结构和肿瘤的状态数据信息传递到主控模块，利用大数据构建相应的肿瘤相应的二维或者三维位置形状图像；
步骤D，根据构建的二维或者三维位置形状图像，利用易于扫描器易于识别的标记物，在人体脑部头皮上进行标注。
进一步，所述步骤二中，影像增强模块对采集的脑部影像增强的方法包括：
a、将采集采集的脑部影像，对图像进行预处理；
b、预处理完成后，利用图像增强算法对图像进行增强；
c、输出增强完成的脑部影像数据。
进一步，所述a中对获取脑部影像进行预处理的过程为：
根据采集采集的脑部影像建立相应的标准圆形邻域，将标准圆形邻域中心与脑部影像中的邻域像素位置重合；
读取邻域中各个像素对应的灰度值，根据相应的灰度值，进行排序；
根据排序完成的灰度值，确定中间灰度值；
将中间灰度值作为圆形邻域对应脑部影像中的邻域像素位置的灰度值。
进一步，所述b中对预处理完成的脑部图像增强算法为：
根据预处理完成的脑部图像数据信息，并且计算出脑部图像信息的灰度值；
根据灰度值数据，绘制出相应的直方图，同时对预处理完成的脑部影像数据的灰度累积分布函数，求出灰度变换表；
根据得出的灰度变换表，调整各个邻域中的各像素的灰度，得到增强的脑部影像数据。
进一步，所述步骤二中，影像分割模块分割方法如下：
(1)通过医疗影像设备获取磁共振脑肿瘤图像；即从磁共振公开数据集中获取脑肿瘤的训练数据及其对应标注数据；
(2)对步骤(1)获取的数据进行预处理，包括数据清洗和构建训练、测试数据集；
(3)建立数据分析模型；
(4)评估模型，得到脑肿瘤分割结果。
进一步，所述步骤(2)具体包括以下步骤：
步骤2.1、数据清洗；
步骤2.1.1、对原始磁共振多模态数据和对应的标注数据进行随机的数据块采样；通过随机选取数据块中心坐标的方式，获得随机数据块，数据块中心即为所选取中心；
步骤2.1.2、获取与步骤2.1.1中所获取的数据块相对应的分辨率相对较低的数据块，本步骤中采用的数据块中心坐标与步骤2.1.1相同，数据块获取方式与步骤2.1.1也相同；
步骤2.2、构建训练、测试数据集；
步骤2.2.1、数据集构建；通过步骤2.1获取随机采样的注意力通道数据块、上下文通道数据块以及相应标注，对标注中的不同层次用不同标签区分；
步骤2.2.2、多模态数据整合；将经过相同处理的不同模态数据整合为一个数据；
步骤2.2.2、训练验证集划分；将有标注的数据集分为两个部分，即训练集和验证集。
进一步，所述步骤二中，分类模块分类方法如下：
1)通过分类程序浏览患脑肿瘤的病人的磁共振成像，选取其中脑肿瘤最大的一层，对其进行去噪、增强等预处理，并将脑肿瘤分割出来；
2)基于Gabor小波提取脑肿瘤的纹理特征，提取不同尺度和方向上的Gabor小波纹理特征；
3)为每一个肿瘤构造一组k个半径等量增加的同心圆，对每一个半径增量，计算该圆和肿瘤重叠部分的比例，构成每个肿瘤的k维特征向量；
4)设定整个深度学习模型为包含L个隐层的深度学习网络，将步骤二中的纹理特征向量作为输入，利用深度学习进行高层特征的提取，首先进行逐层的预训练，利用降噪自动编码，对输入进行编码解码，调整层与层之间的参数，使原始输入与重建之后的误差最小，用该参数得到第一个隐层的输出，作为第二个隐层的输入，以此类推，直至得到第L个隐层深度学习过程后的参数；
5)在预训练的网络最后增加一个输出层，通过有标签的数据，自上而下利用反向传播和梯度下降方法微调整个网络的参数，得到最终参数。
进一步，所述在5)得到最终参数后，用深度学习网络的输出作为提取到的高层特征，再与低层纹理特征和形状特征结合形成增广特征向量，用主成成分析对该特征向量进行降维计算，从而得到所有样本的最终特征；
将降维后的特征向量作为输入，放入支持向量机训练分类器；对测试数据按照与之前相同的特征提取方法提取同样的特征，得到所有测试数据的特征向量，将其输入到分类器中，得到分类结果，统计准确率。
本发明提供的另一目的在于提供一种实施所述的脑部肿瘤头皮定位图像处理方法的脑部肿瘤头皮定位图像处理系统，所述脑部肿瘤头皮定位图像处理系统包括：脑部影像采集模块、主控模块、影像增强模块、影像分割模块、分类模块、肿瘤标注模块、头皮定位模块和显示模块；
脑部影像采集模块，与主控模块连接，用于通过医疗影像设备采集脑部肿瘤影像数据；
主控模块，与脑部影像采集模块、影像增强模块、影像分割模块、分类模块、肿瘤标注模块、头皮定位模块、显示模块连接，用于通过主控机控制各个模块正常工作；
影像增强模块，与主控模块连接，用于通过影像增强程序对采集的影像进行增强处理；将采集采集的脑部影像，对图像进行预处理；预处理完成后，利用图像增强算法对图像进行增强，输出增强完成的脑部影像数据；
影像分割模块，与主控模块连接，用于通过分割程序对采集的脑肿瘤图像进行分割；具体过程为：通过医疗影像设备获取磁共振脑肿瘤图像；即从磁共振公开数据集中获取脑肿瘤的训练数据及其对应标注数据；对获取的数据进行预处理，包括数据清洗和构建训练、测试数据集；建立数据分析模型；评估模型，得到脑肿瘤分割结果；
分类模块，与主控模块连接，用于通过分类程序对采集的脑肿瘤图像进行分类；通过分类程序浏览患脑肿瘤的病人的磁共振成像，选取其中脑肿瘤最大的一层，对其进行去噪、增强等预处理，并将脑肿瘤分割出来；基于Gabor小波提取脑肿瘤的纹理特征，提取不同尺度和方向上的Gabor小波纹理特征；为每一个肿瘤构造一组k个半径等量增加的同心圆，对每一个半径增量，计算该圆和肿瘤重叠部分的比例，构成每个肿瘤的k维特征向量；设定整个深度学习模型为包含L个隐层的深度学习网络，将步骤二中的纹理特征向量作为输入，利用深度学习进行高层特征的提取，首先进行逐层的预训练，利用降噪自动编码，对输入进行编码解码，调整层与层之间的参数，使原始输入与重建之后的误差最小，用该参数得到第一个隐层的输出，作为第二个隐层的输入，以此类推，直至得到第L个隐层深度学习过程后的参数；在预训练的网络最后增加一个输出层，通过有标签的数据，自上而下利用反向传播和梯度下降方法微调整个网络的参数，得到最终参数。
进一步，所述主控模块分别与肿瘤标注模块、头皮定位模块和显示模块；
肿瘤标注模块，通过标注程序对采集的脑肿瘤图像进行标注；
头皮定位模块，通过医疗定位机构对脑部肿瘤位置进行定位；利用大脑扫描器对大脑中的肿瘤进行扫描，确定肿瘤对应头皮相对应的位置；利用CT扫描器对人体头部进扫描，确定人体头部结构和肿瘤的状态；将人体头部结构和肿瘤的状态数据信息传递到主控模块，利用大数据构建相应的肿瘤相应的二维或者三维位置形状图像；根据构建的二维或者三维位置形状图像，利用易于扫描器易于识别的标记物，在人体脑部头皮上进行标注；
显示模块，通过显示器显示采集的脑部肿瘤影像、标注信息。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
(1)本发明通过影像分割模块利用现有的数据集资源以及相关计算机视觉、机器学习、深度学习技术对MRI脑肿瘤图像进行自动分割，可以有效减轻医生工作量，提高分割效率；同时，通过分类模块基于纹理特征的脑肿瘤分类方法与深度学习的框架进行结合，提出了一种能够从低层纹理特征中提取更高层抽象特征，并据此提高脑肿瘤良恶性分类准确率的处理模型；不仅考虑了能区分脑肿瘤的纹理特征，还根据良恶性肿瘤的特性，选择了一种针对脑肿瘤形状而提的同心圆法，用于提取脑肿瘤的形状特征，进一步提高脑肿瘤图像分类准确性。本发明通过头皮定位模块通过医疗定位机构对脑部肿瘤位置进行定位的方法，可以准确对肿瘤位置进行定位，提高手术的成功率，并且提高了工作效率，减少了医护人员的工作量。
(2)本发明中影像增强模块对采集的脑部影像增强的方法，可以提高肿瘤图像数据的清晰度，为准确对肿瘤位置定位提供了可靠的数据支撑。
(3)本发明中影像分割模块分割方法，通过医疗影像设备获取磁共振脑肿瘤图像，能够准确识别脑肿瘤。
(4)本发明通过分类模块分类方法，能够全面对肿瘤状态进行描述，为提高手术的成功率提供了坚实的基础。
附图说明
图1是本发明实施例提供的脑部肿瘤头皮定位图像处理方法流程图。
图2是本发明实施例提供的脑部肿瘤头皮定位图像处理系统结构框图。
图中：1、脑部影像采集模块；2、主控模块；3、影像增强模块；4、影像分割模块；5、分类模块；6、肿瘤标注模块；7、头皮定位模块；8、显示模块。
图3是本发明实施例提供的影像增强模块对采集的脑部影像增强的方法方法流程图。
图4是本发明实施例提供的获取脑部影像进行预处理的方法方法流程图。
图5是本发明实施例提供的头皮定位模块通过医疗定位机构对脑部肿瘤位置进行定位的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种脑部肿瘤头皮定位图像处理方法及系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的脑部肿瘤头皮定位图像处理方法包括以下步骤：
S101：通过脑部影像采集模块利用医疗影像设备采集脑部肿瘤影像数据。
S102：根据采集到的脑部肿瘤影像数据，主控模块通过影像增强模块利用影像增强程序对采集的影像进行增强处理；通过影像分割模块利用分割程序对采集的脑肿瘤图像进行分割；通过分类模块利用分类程序对采集的脑肿瘤图像进行分类。
S103：根据图像分析的结果，通过肿瘤标注模块利用标注程序对采集的脑肿瘤图像进行标注；通过头皮定位模块利用医疗定位机构对脑部肿瘤位置进行定位。
S104：通过显示模块利用显示器显示采集的脑部肿瘤影像、标注信息。
如图2所示，本发明实施例提供的脑部肿瘤头皮定位图像处理系统包括：脑部影像采集模块1、主控模块，2、影像增强模块，3、影像分割模块，4、分类模块，5、肿瘤标注模块，6、头皮定位模块，7、显示模块8。
脑部影像采集模块1，与主控模块2连接，用于通过医疗影像设备采集脑部肿瘤影像数据。
主控模块2，与脑部影像采集模块1、影像增强模块3、影像分割模块4、分类模块5、肿瘤标注模块6、头皮定位模块7、显示模块8连接，用于通过主控机控制各个模块正常工作。
影像增强模块3，与主控模块2连接，用于通过影像增强程序对采集的影像进行增强处理。
影像分割模块4，与主控模块2连接，用于通过分割程序对采集的脑肿瘤图像进行分割。
分类模块5，与主控模块2连接，用于通过分类程序对采集的脑肿瘤图像进行分类。
肿瘤标注模块6，与主控模块2连接，用于通过标注程序对采集的脑肿瘤图像进行标注。
头皮定位模块7，与主控模块2连接，用于通过医疗定位机构对脑部肿瘤位置进行定位。
显示模块8，与主控模块2连接，用于通过显示器显示采集的脑部肿瘤影像、标注信息。
如图3所示，本发明提供的影像增强模块3对采集的脑部影像增强的方法为：
S201：将采集采集的脑部影像，对图像进行预处理。
S202：预处理完成后，利用图像增强算法对图像进行增强。
S203：输出增强完成的脑部影像数据。
如图4所示，本发明中所述S201中对获取脑部影像进行预处理的方法为：
S301：根据采集采集的脑部影像建立相应的标准圆形邻域，将标准圆形邻域中心与脑部影像中的邻域像素位置重合。
S302：读取邻域中各个像素对应的灰度值，根据相应的灰度值，进行排序。
S303：根据排序完成的灰度值，确定中间灰度值。
S304：将中间灰度值作为圆形邻域对应脑部影像中的邻域像素位置的灰度值。
所述S202中，对预处理完成的脑部图像增强算法包括：
根据预处理完成的脑部图像数据信息，并且计算出脑部图像信息的灰度值。
根据灰度值数据，绘制出相应的直方图，同时对预处理完成的脑部影像数据的灰度累积分布函数，求出灰度变换表。
根据得出的灰度变换表，调整各个邻域中的各像素的灰度，得到增强的脑部影像数据。
本发明提供的影像分割模块4分割方法如下：
(1)通过医疗影像设备获取磁共振脑肿瘤图像；即从磁共振公开数据集中获取脑肿瘤的训练数据及其对应标注数据；
(2)对步骤(1)获取的数据进行预处理，包括数据清洗和构建训练、测试数据集；
(3)建立数据分析模型；
(4)评估模型，得到脑肿瘤分割结果。
本发明提供的步骤(2)具体包括以下步骤：
步骤2.1、数据清洗；
步骤2.1.1、对原始磁共振多模态数据和对应的标注数据进行随机的数据块采样；通过随机选取数据块中心坐标的方式，获得随机数据块，数据块中心即为所选取中心；
步骤2.1.2、获取与步骤2.1.1中所获取的数据块相对应的分辨率相对较低的数据块，本步骤中采用的数据块中心坐标与步骤2.1.1相同，数据块获取方式与步骤2.1.1也相同；
步骤2.2、构建训练、测试数据集；
步骤2.2.1、数据集构建；通过步骤2.1获取随机采样的注意力通道数据块、上下文通道数据块以及相应标注，对标注中的不同层次用不同标签区分；
步骤2.2.2、多模态数据整合；将经过相同处理的不同模态数据整合为一个数据；
步骤2.2.2、训练验证集划分；将有标注的数据集分为两个部分，即训练集和验证集。
本发明提供的分类模块5分类方法如下：
1)通过分类程序浏览患脑肿瘤的病人的磁共振成像，选取其中脑肿瘤最大的一层，对其进行去噪、增强等预处理，并将脑肿瘤分割出来；
2)基于Gabor小波提取脑肿瘤的纹理特征，提取不同尺度和方向上的Gabor小波纹理特征；
3)为每一个肿瘤构造一组k个半径等量增加的同心圆，对每一个半径增量，计算该圆和肿瘤重叠部分的比例，构成每个肿瘤的k维特征向量；
4)设定整个深度学习模型为包含L个隐层的深度学习网络，将步骤二中的纹理特征向量作为输入，利用深度学习进行高层特征的提取，首先进行逐层的预训练，利用降噪自动编码，对输入进行编码解码，调整层与层之间的参数，使原始输入与重建之后的误差最小，用该参数得到第一个隐层的输出，作为第二个隐层的输入，以此类推，直至得到第L个隐层深度学习过程后的参数；
5)在预训练的网络最后增加一个输出层，通过有标签的数据，自上而下利用反向传播和梯度下降方法微调整个网络的参数，得到最终参数。
所述在5)得到最终参数后，用深度学习网络的输出作为提取到的高层特征，再与低层纹理特征和形状特征结合形成增广特征向量，用主成成分析对该特征向量进行降维计算，从而得到所有样本的最终特征；将降维后的特征向量作为输入，放入支持向量机训练分类器；对测试数据按照与之前相同的特征提取方法提取同样的特征，得到所有测试数据的特征向量，将其输入到分类器中，得到分类结果，统计准确率。
如图5所示，本发明提供的头皮定位模块7通过医疗定位机构对脑部肿瘤位置进行定位的方法，包括：
S401：利用大脑扫描器对大脑中的肿瘤进行扫描，确定肿瘤对应头皮相对应的位置。
S402：利用CT扫描器对人体头部进扫描，确定人体头部结构和肿瘤的状态。
S403：将人体头部结构和肿瘤的状态数据信息传递到主控模块，利用大数据构建相应的肿瘤相应的二维或者三维位置形状图像。
S404：根据构建的二维或者三维位置形状图像，利用易于扫描器易于识别的标记物，在人体脑部头皮上进行标注。
本发明工作原理为：通过脑部影像采集模块1利用医疗影像设备采集脑部肿瘤影像数据。根据采集到的脑部肿瘤影像数据，主控模块2通过影像增强模块利用影像增强程序对采集的影像进行增强处理；通过影像分割模块3利用分割程序对采集的脑肿瘤图像进行分割；通过分类模块5利用分类程序对采集的脑肿瘤图像进行分类。根据图像分析的结果，通过肿瘤标注模块6利用标注程序对采集的脑肿瘤图像进行标注；通过头皮定位模块7利用医疗定位机构对脑部肿瘤位置进行定位。通过显示模块8利用显示器显示采集的脑部肿瘤影像、标注信息。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种脑部肿瘤头皮定位图像处理方法，其特征在于，所述脑部肿瘤头皮定位图像处理方法包括以下步骤：
步骤一，通过脑部影像采集模块利用医疗影像设备采集脑部肿瘤影像数据；
步骤二，根据采集到的脑部肿瘤影像数据，主控模块通过影像增强模块利用影像增强程序对采集的影像进行增强处理；通过影像分割模块利用分割程序对采集的脑肿瘤图像进行分割；通过分类模块利用分类程序对采集的脑肿瘤图像进行分类；
步骤三，根据图像分析的结果，通过肿瘤标注模块利用标注程序对采集的脑肿瘤图像进行标注；通过头皮定位模块利用医疗定位机构对脑部肿瘤位置进行定位；
步骤四，通过显示模块利用显示器显示采集的脑部肿瘤影像、标注信息；
所述步骤三中，头皮定位模块通过医疗定位机构对脑部肿瘤位置进行定位的方法，包括：
步骤A，利用大脑扫描器对大脑中的肿瘤进行扫描，确定肿瘤对应头皮相对应的位置；
步骤B，利用CT扫描器对人体头部进扫描，确定人体头部结构和肿瘤的状态；
步骤C，将人体头部结构和肿瘤的状态数据信息传递到主控模块，利用大数据构建相应的肿瘤相应的二维或者三维位置形状图像；
步骤D，根据构建的二维或者三维位置形状图像，利用扫描器易于识别的标记物，在人体脑部头皮上进行标注；
所述步骤二中，影像增强模块对采集的脑部影像增强的方法包括：
a、将采集的脑部影像，对图像进行预处理；
b、预处理完成后，利用图像增强算法对图像进行增强；
c、输出增强完成的脑部影像数据；
所述a中对获取脑部影像进行预处理的过程为：
根据采集的脑部影像建立相应的标准圆形邻域，将标准圆形邻域中心与脑部影像中的邻域像素位置重合；
读取邻域中各个像素对应的灰度值，根据相应的灰度值，进行排序；
根据排序完成的灰度值，确定中间灰度值；
将中间灰度值作为圆形邻域对应脑部影像中的邻域像素位置的灰度值；
所述b中对预处理完成的脑部图像增强算法为：
根据预处理完成的脑部图像数据信息，计算出脑部图像信息的灰度值；
根据灰度值数据，绘制出相应的直方图，同时对预处理完成的脑部影像数据的灰度累积分布函数，求出灰度变换表；
根据得出的灰度变换表，调整各个邻域中的各像素的灰度，得到增强的脑部影像数据；
所述步骤二中，影像分割模块分割方法如下：
(1)通过医疗影像设备获取磁共振脑肿瘤图像；即从磁共振公开数据集中获取脑肿瘤的训练数据及其对应标注数据；
(2)对步骤(1)获取的数据进行预处理，包括数据清洗和构建训练、测试数据集；
(3)建立数据分析模型；
(4)评估模型，得到脑肿瘤分割结果。
2.如权利要求1所述的脑部肿瘤头皮定位图像处理方法，其特征在于，所述步骤(2)具体包括以下步骤：
步骤2.1、数据清洗；
步骤2.1.1、对原始磁共振多模态数据和对应的标注数据进行随机的数据块采样；通过随机选取数据块中心坐标的方式，获得随机数据块，数据块中心即为所选取中心；
步骤2.1.2、获取与步骤2.1.1中所获取的数据块相对应的分辨率相对较低的数据块，本步骤中采用的数据块中心坐标与步骤2.1.1相同，数据块获取方式与步骤2.1.1也相同；
步骤2.2、构建训练、测试数据集；
步骤2.2.1、数据集构建；通过步骤2.1获取随机采样的注意力通道数据块、上下文通道数据块以及相应标注，对标注中的不同层次用不同标签区分；
步骤2.2.2、多模态数据整合；将经过相同处理的不同模态数据整合为一个数据；
步骤2.2.2、训练验证集划分；将有标注的数据集分为两个部分，即训练集和验证集。
3.如权利要求1所述的脑部肿瘤头皮定位图像处理方法，其特征在于，所述步骤二中，分类模块分类方法如下：
1)通过分类程序浏览患脑肿瘤的病人的磁共振成像，选取其中脑肿瘤最大的一层，对其进行去噪、增强预处理，并将脑肿瘤分割出来；
2)基于Gabor小波提取脑肿瘤的纹理特征，提取不同尺度和方向上的Gabor小波纹理特征；
3)为每一个肿瘤构造一组k个半径等量增加的同心圆，对每一个半径增量，计算该圆和肿瘤重叠部分的比例，构成每个肿瘤的k维特征向量；
4)设定整个深度学习模型为包含L个隐层的深度学习网络，将步骤二中的纹理特征向量作为输入，利用深度学习进行高层特征的提取，首先进行逐层的预训练，利用降噪自动编码，对输入进行编码解码，调整层与层之间的参数，使原始输入与重建之后的误差最小，用该参数得到第一个隐层的输出，作为第二个隐层的输入，以此类推，直至得到第L个隐层深度学习过程后的参数；
5)在预训练的网络最后增加一个输出层，通过有标签的数据，自上而下利用反向传播和梯度下降方法微调整个网络的参数，得到最终参数。
4.如权利要求3所述的脑部肿瘤头皮定位图像处理方法，其特征在于，所述在5)得到最终参数后，用深度学习网络的输出作为提取到的高层特征，再与低层纹理特征和形状特征结合形成增广特征向量，用主成分分析对特征向量进行降维计算，从而得到所有样本的最终特征；
将降维后的特征向量作为输入，放入支持向量机训练分类器；对测试数据按照与之前相同的特征提取方法提取同样的特征，得到所有测试数据的特征向量，将其输入到分类器中，得到分类结果，统计准确率。
5.一种实施如权利要求1-4任意一项所述的脑部肿瘤头皮定位图像处理方法的脑部肿瘤头皮定位图像处理系统，其特征在于，所述脑部肿瘤头皮定位图像处理系统包括：脑部影像采集模块、主控模块、影像增强模块、影像分割模块、分类模块、肿瘤标注模块、头皮定位模块和显示模块；
脑部影像采集模块，与主控模块连接，用于通过医疗影像设备采集脑部肿瘤影像数据；
主控模块，与脑部影像采集模块、影像增强模块、影像分割模块、分类模块、肿瘤标注模块、头皮定位模块、显示模块连接，用于通过主控机控制各个模块正常工作；
影像增强模块，与主控模块连接，用于通过影像增强程序对采集的影像进行增强处理；将采集的脑部影像，对图像进行预处理；预处理完成后，利用图像增强算法对图像进行增强，输出增强完成的脑部影像数据；
影像分割模块，与主控模块连接，用于通过分割程序对采集的脑肿瘤图像进行分割；具体过程为：通过医疗影像设备获取磁共振脑肿瘤图像；即从磁共振公开数据集中获取脑肿瘤的训练数据及其对应标注数据；对获取的数据进行预处理，包括数据清洗和构建训练、测试数据集；建立数据分析模型；评估模型，得到脑肿瘤分割结果；
分类模块，与主控模块连接，用于通过分类程序对采集的脑肿瘤图像进行分类；通过分类程序浏览患脑肿瘤的病人的磁共振成像，选取其中脑肿瘤最大的一层，对其进行去噪、增强预处理，并将脑肿瘤分割出来；基于Gabor小波提取脑肿瘤的纹理特征，提取不同尺度和方向上的Gabor小波纹理特征；为每一个肿瘤构造一组k个半径等量增加的同心圆，对每一个半径增量，计算该圆和肿瘤重叠部分的比例，构成每个肿瘤的k维特征向量；设定整个深度学习模型为包含L个隐层的深度学习网络，将步骤二中的纹理特征向量作为输入，利用深度学习进行高层特征的提取，首先进行逐层的预训练，利用降噪自动编码，对输入进行编码解码，调整层与层之间的参数，使原始输入与重建之后的误差最小，用该参数得到第一个隐层的输出，作为第二个隐层的输入，以此类推，直至得到第L个隐层深度学习过程后的参数；在预训练的网络最后增加一个输出层，通过有标签的数据，自上而下利用反向传播和梯度下降方法微调整个网络的参数，得到最终参数。
6.如权利要求5所述的脑部肿瘤头皮定位图像处理系统，其特征在于，所述主控模块分别与肿瘤标注模块、头皮定位模块和显示模块连接；
肿瘤标注模块，通过标注程序对采集的脑肿瘤图像进行标注；
头皮定位模块，通过医疗定位机构对脑部肿瘤位置进行定位；利用大脑扫描器对大脑中的肿瘤进行扫描，确定肿瘤对应头皮相对应的位置；利用CT扫描器对人体头部进扫描，确定人体头部结构和肿瘤的状态；将人体头部结构和肿瘤的状态数据信息传递到主控模块，利用大数据构建相应的肿瘤相应的二维或者三维位置形状图像；根据构建的二维或者三维位置形状图像，利用扫描器易于识别的标记物，在人体脑部头皮上进行标注；
显示模块，通过显示器显示采集的脑部肿瘤影像、标注信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010108867.4A CN111340767B (zh) | 2020-02-21 | 2020-02-21 | 一种脑部肿瘤头皮定位图像处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010108867.4A CN111340767B (zh) | 2020-02-21 | 2020-02-21 | 一种脑部肿瘤头皮定位图像处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111340767A CN111340767A (zh) | 2020-06-26 |
| CN111340767B true CN111340767B (zh) | 2023-12-12 |
Family
ID=71184670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010108867.4A Active CN111340767B (zh) | 2020-02-21 | 2020-02-21 | 一种脑部肿瘤头皮定位图像处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340767B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112085113B (zh) * | 2020-09-14 | 2021-05-04 | 四川大学华西医院 | 一种重症肿瘤影像识别系统及方法 |
| CN112863649B (zh) * | 2020-12-31 | 2022-07-19 | 四川大学华西医院 | 玻璃体内肿瘤影像结果输出系统及方法 |
| CN112508953B (zh) * | 2021-02-05 | 2021-05-18 | 四川大学 | 基于深度神经网络的脑膜瘤快速分割定性方法 |
| CN113288425A (zh) * | 2021-05-27 | 2021-08-24 | 徐州医科大学附属医院 | 一种四肢骨折固定中导针用可视化导航系统 |
| CN114469342B (zh) * | 2022-01-17 | 2023-07-25 | 四川大学华西医院 | 肿瘤切缘边距场的定义方法、建立系统及应用 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102592283A (zh) * | 2012-02-21 | 2012-07-18 | 华南理工大学 | 一种脑部肿瘤头皮定位图像处理方法 |
| CN104091347A (zh) * | 2014-07-26 | 2014-10-08 | 刘宇清 | 一种基于3d打印技术的颅内肿瘤手术规划模拟方法 |
| CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
| CN104851101A (zh) * | 2015-05-25 | 2015-08-19 | 电子科技大学 | 一种基于深度学习的脑肿瘤自动分割方法 |
| CN108492297A (zh) * | 2017-12-25 | 2018-09-04 | 重庆理工大学 | 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法 |
| CN108846319A (zh) * | 2018-05-25 | 2018-11-20 | 平安科技（深圳）有限公司 | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 |
| CN110136133A (zh) * | 2019-03-11 | 2019-08-16 | 嘉兴深拓科技有限公司 | 一种基于卷积神经网络的脑肿瘤分割方法 |
| CN110415234A (zh) * | 2019-07-29 | 2019-11-05 | 北京航空航天大学 | 基于多参数磁共振成像的脑部肿瘤分割方法 |
| CN110672016A (zh) * | 2019-09-12 | 2020-01-10 | 四川农业大学 | 一种基于图像识别的牛体尺寸测定系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016042554A1 (en) * | 2014-09-18 | 2016-03-24 | Tel Hashomer Medical Research Infrastructure And Services Ltd. | Blood-brain barrier disrupting agents and uses thereof |
-
2020
- 2020-02-21 CN CN202010108867.4A patent/CN111340767B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102592283A (zh) * | 2012-02-21 | 2012-07-18 | 华南理工大学 | 一种脑部肿瘤头皮定位图像处理方法 |
| CN104091347A (zh) * | 2014-07-26 | 2014-10-08 | 刘宇清 | 一种基于3d打印技术的颅内肿瘤手术规划模拟方法 |
| CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
| CN104851101A (zh) * | 2015-05-25 | 2015-08-19 | 电子科技大学 | 一种基于深度学习的脑肿瘤自动分割方法 |
| CN108492297A (zh) * | 2017-12-25 | 2018-09-04 | 重庆理工大学 | 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法 |
| CN108846319A (zh) * | 2018-05-25 | 2018-11-20 | 平安科技（深圳）有限公司 | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 |
| CN110136133A (zh) * | 2019-03-11 | 2019-08-16 | 嘉兴深拓科技有限公司 | 一种基于卷积神经网络的脑肿瘤分割方法 |
| CN110415234A (zh) * | 2019-07-29 | 2019-11-05 | 北京航空航天大学 | 基于多参数磁共振成像的脑部肿瘤分割方法 |
| CN110672016A (zh) * | 2019-09-12 | 2020-01-10 | 四川农业大学 | 一种基于图像识别的牛体尺寸测定系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| "浆细胞型Castleman病临床病理特征分析;吴敏;《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》;20130315;E062-143 * |
| Heterogeneity of human brain tumor with lesion identification, localization, and analysis from MRI;Sudipta Roy 等;《Informatics in Medicine Unlocked》;20180301;139-150 * |
| Masaya Kawaguchi 等.CT and MRI features of scalp lesions.La Radiologia Medica.2019,全文. * |
| 丁煜昊.三维可视化技术在神经外科的应用研究.中国优秀硕士学位论文全文数据库 (信息科技辑).2018,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111340767A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340767B (zh) | 一种脑部肿瘤头皮定位图像处理方法及系统 | |
| US10769791B2 (en) | Systems and methods for cross-modality image segmentation | |
| Gao et al. | A review of the application of deep learning in the detection of Alzheimer's disease | |
| US7876938B2 (en) | System and method for whole body landmark detection, segmentation and change quantification in digital images | |
| CN102737250B (zh) | 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统 | |
| CN110310281A (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
| ES2914387T3 (es) | Estudio inmediato | |
| US20080021301A1 (en) | Methods and Apparatus for Volume Computer Assisted Reading Management and Review | |
| CN111563897B (zh) | 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 | |
| CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
| CN114565761B (zh) | 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 | |
| CN110689521B (zh) | 一种医学影像所属人体部位的自动识别方法及系统 | |
| CN112862824A (zh) | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 | |
| CN106096636A (zh) | 一种基于神经影像的进展型轻度认知功能障碍识别方法 | |
| KR102258756B1 (ko) | 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치 | |
| CN110956634A (zh) | 一种基于深度学习的脑微出血自动检测方法及系统 | |
| CN110689525A (zh) | 基于神经网络识别淋巴结的方法及装置 | |
| CN111951276A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| Ansari et al. | Multiple sclerosis lesion segmentation in brain MRI using inception modules embedded in a convolutional neural network | |
| KR20130045544A (ko) | 자기공명영상을 분석하는 방법, 장치 그리고 자기공명영상을 분석하기 위한 프로그램이 기록된 기록매체 | |
| CN109214388B (zh) | 一种基于个性化融合网络的肿瘤分割方法及装置 | |
| CN116309551B (zh) | 确定病灶取样区的方法、装置、电子设备及可读介质 | |
| Dai et al. | More reliable AI solution: Breast ultrasound diagnosis using multi-AI combination | |
| Xie et al. | Analysis of the diagnosis model of peripheral non-small-cell lung cancer under computed tomography images | |
| CN112528852A (zh) | 一种腺细胞的识别方法及系统 |
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 |