CN111369532A - 乳腺x射线影像的处理方法和装置 - Google Patents

乳腺x射线影像的处理方法和装置 Download PDF

Info

Publication number
CN111369532A
CN111369532A CN202010147312.0A CN202010147312A CN111369532A CN 111369532 A CN111369532 A CN 111369532A CN 202010147312 A CN202010147312 A CN 202010147312A CN 111369532 A CN111369532 A CN 111369532A
Authority
CN
China
Prior art keywords
image
features
candidate target
regional
ray
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010147312.0A
Other languages
English (en)
Inventor
张笑春
章谦一
刚亚栋
张番栋
俞益洲
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.)
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Original Assignee
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology 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 Beijing Shenrui Bolian Technology Co Ltd, Shenzhen Deepwise Bolian Technology Co Ltd filed Critical Beijing Shenrui Bolian Technology Co Ltd
Priority to CN202010147312.0A priority Critical patent/CN111369532A/zh
Publication of CN111369532A publication Critical patent/CN111369532A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种乳腺X射线影像的处理方法和装置，所述方法包括以下步骤：基于深度特征提取网络在单个或多个不同尺度提取乳腺X射线影像的图像特征；根据图像特征确定候选目标位置及区域特征；对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合和区域特征修正。本发明能够对多个视角乳腺X射线影像中的目标进行有效融合，从而便于对乳腺X射线影像病灶检出，并提高后续相关属性识别的准确度，有利于促进人体组织分析等研究工作。

Description

乳腺X射线影像的处理方法和装置
技术领域
本发明涉及图像处理技术领域，具体涉及一种乳腺X射线影像的处理方法和一种乳腺X射线影像的处理装置。
背景技术
乳腺X射线影像能比较全面而正确地反应出人体组织的大体解剖结构，对于人体组织分析等研究工作具有较高价值。
然而，原始的乳腺X射线影像可能因为摄片角度而存在无法反映真实结构的区域，通过目前的计算机视觉，例如基于深度学习的图像识别等也难以实现对乳腺X射线影像的准确识别。
发明内容
本发明为解决上述技术问题，提供了一种乳腺X射线影像的处理方法和装置，能够对多个视角乳腺X射线影像中的目标进行有效融合，从而便于对乳腺X射线影像的识别，并提高后续识别的准确度，有利于促进人体组织分析等研究工作。
本发明采用的技术方案如下：
一种乳腺X射线影像的处理方法，包括以下步骤：基于深度特征提取网络在单个或多个不同尺度提取乳腺X射线影像的图像特征；根据所述图像特征确定候选目标位置及区域特征；对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合和区域特征修正。
根据所述图像特征确定候选目标位置及区域特征，具体包括：基于图像特征在固定锚点预测相对应尺度下是否存在识别目标，及所述识别目标相对于所述固定锚点的位置偏差；以存在所述识别目标可能性大于阈值的区域做区域性特征对齐，提取相同大小的候选目标区域特征。
根据所述图像特征确定候选目标位置及区域特征，还包括：对对齐后的区域的特征进行修正处理，并基于修正处理后的特征再次进行识别目标和位置偏差的预测。
多个视角的乳腺X射线影像中候选目标位置及区域特征的相关性采用cosine距离、L1～Ln距离或KL散度进行度量。
采用softmax或weighted average对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合。
其中，通过卷积、池化、非线性激活函数或归一化进行特征修正。
多个视角的乳腺X射线影像中候选目标区域特征的相关性以各个视角的乳腺X射线影像中相同目标特征距离应小于不同目标特征距离为监督信息进行学习。
进行学习的损失函数为对比损失、三元组或N对损失。
一种乳腺X射线影像的处理装置，包括：特征提取模块，所述特征提取模块基于深度特征提取网络在单个或多个不同尺度提取乳腺X射线影像的图像特征；目标确定模块，所述目标确定模块用于根据所述图像特征确定候选目标位置及区域特征；聚合修正模块，所述聚合修正模块用于对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合和区域特征修正。
本发明的有益效果：
本发明通过在单个或多个不同尺度提取乳腺X射线影像的图像特征，并根据图像特征确定候选目标位置及区域特征，以及对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合和区域特征修正，由此，能够对多个视角乳腺X射线影像中的目标进行有效融合，从而便于对乳腺X射线影像病灶检出，并提高后续相关属性识别的准确度，有利于促进人体组织分析等研究工作。
附图说明
图1为本发明实施例的乳腺X射线影像的处理方法的流程图；
图2为本发明实施例的乳腺X射线影像的处理装置的方框示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
如图1所示，本发明实施例的乳腺X射线影像的处理方法包括以下步骤：
S1，基于深度特征提取网络在单个或多个不同尺度提取乳腺X射线影像的图像特征。
在本发明的一个实施例中，深度特征提取网络可通过大量数据预训练得到。举例而言，可通过大量的图像数据对卷积神经网络进行训练，得到深度特征提取网络。
本发明实施例的深度特征提取网络可用于提取乳腺X射线影像中的边缘特征、纹理特征和/或灰度特征等，同一图像中不同的图像特征可表示不同属性的物体，例如病灶与正常组织一般具有不同的纹理特征。考虑到同一部位的乳腺X射线影像在不同尺度下图像特征会发生变化，例如，在尺度越小时，病灶的纹理越多，而通过在多个不同尺度提取图像特征，所提取到的特征更加全面，更能反映出所拍摄的部位本身的属性。
S2，根据图像特征确定候选目标位置及区域特征。
其中，候选目标为可能性较大的识别目标。
具体地，可基于图像特征在固定锚点预测相对应尺度下是否存在识别目标，及识别目标相对于固定锚点的位置偏差，然后以存在识别目标可能性大于阈值的区域做区域性特征对齐，提取相同大小的候选目标区域特征。
进一步地，可对对齐后的区域的特征进行修正处理，并基于修正处理后的特征再次进行识别目标和位置偏差的预测。
其中，对特征的修正操作可包括但不限于卷积、池化、非线性激活函数或归一化。
S3，对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合和区域特征修正。
在本发明的一个实施例中，可将每一个视角的乳腺X射线影像中的候选目标位置及区域特征，均与其他所有视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合和区域特征修正。
在本发明的一个实施例中，可筛选出非极大值抑制后的候选目标进行特征的相关性聚合。多个视角的乳腺X射线影像中候选目标位置及区域特征的相关性可采用cosine距离、L1～Ln距离或KL散度等进行度量，并且，可采用softmax或weighted average等函数过程对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合。
以cosine距离和weighted average为例，聚合过程为：计算所选定的一个视角的乳腺X射线影像中候选目标位置及区域特征与其他每个视角的乳腺X射线影像中候选目标位置及区域特征之间的cosine距离，并基于预设的各个cosine距离的权重计算出上述多个cosine距离的加权平均值，即得到该选定的一个视角的乳腺X射线影像所对应的相关性聚合结果，如此，计算出每个视角的乳腺X射线影像所对应的相关性聚合结果。
聚合后的特征可再次经过卷积、池化、非线性激活函数、归一化等操作进行特征修正。
多个视角的乳腺X射线影像中候选目标位置及区域特征的相关性以各个视角的乳腺X射线影像中相同目标特征为监督信息进行学习。进行学习的损失函数可包括但不限于对比损失(contrastiveloss)、三元组(tripletloss)、N对损失(N-pairloss)。
在本发明的一个实施例中，步骤S3可多次执行，以使目标间信息产生多次关联及修正以达到较佳的处理效果。
此外，可根据需求，在修正处理后确定的识别目标位置，重新根据图像特征提取对齐的候选目标位置及区域特征，以便预测识别目标的具体属性。
在本发明的一个具体实施例中，识别目标可以为软组织类病灶或乳头等正常组织。
在本发明的另一个具体实施例中，识别目标可以为肿块类病灶属性，其具体属性可包括但不限于病灶轮廓、恶性程度、边缘是否清晰。
根据本发明实施例的乳腺X射线影像的处理方法，通过在单个或多个不同尺度提取乳腺X射线影像的图像特征，并根据图像特征确定候选目标位置及区域特征，以及对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合和区域特征修正，由此，能够对多个视角乳腺X射线影像中的目标进行有效融合，从而便于对乳腺X射线影像的病灶检出，并提高后续相关属性识别的准确度，有利于促进人体组织分析等研究工作。
对应上述实施例的乳腺X射线影像的处理方法，本发明还提出一种乳腺X射线影像的处理装置。
如图2所示，本发明实施例的乳腺X射线影像的处理装置包括特征提取模块10、目标确定模块20和聚合修正模块30。其中，特征提取模块10基于深度特征提取网络在单个或多个不同尺度提取乳腺X射线影像的图像特征；目标确定模块20用于根据图像特征确定候选目标位置及区域特征；聚合修正模块30用于对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合和区域特征修正。
在本发明的一个实施例中，深度特征提取网络可通过大量数据预训练得到。举例而言，可通过大量的图像数据对卷积神经网络进行训练，得到深度特征提取网络。
本发明实施例的深度特征提取网络可用于提取乳腺X射线影像中的边缘特征、纹理特征和/或灰度特征等，同一图像中不同的图像特征可表示不同属性的物体，例如病灶与正常组织一般具有不同的纹理特征。考虑到同一部位的乳腺X射线影像在不同尺度下图像特征会发生变化，例如，在尺度越小时，病灶的纹理越多，而通过在多个不同尺度提取图像特征，所提取到的特征更加全面，更能反映出所拍摄的部位本身的属性。
目标确定模块20具体可基于图像特征在固定锚点预测相对应尺度下是否存在识别目标，及识别目标相对于固定锚点的位置偏差，然后以存在识别目标可能性大于阈值的区域做区域性特征对齐，提取相同大小的候选目标区域特征。
在本发明的一个实施例中，聚合修正模块30可将每一个视角的乳腺X射线影像中的候选目标位置及区域特征，均与其他所有视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合和区域特征修正。
在本发明的一个实施例中，聚合修正模块30可筛选出非极大值抑制后的候选目标进行特征的相关性聚合。多个视角的乳腺X射线影像中候选目标位置及区域特征的相关性可采用cosine距离、L1～Ln距离或KL散度等进行度量，并且，聚合修正模块30可采用softmax或weighted average等函数过程对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合。
以cosine距离和weighted average为例，聚合过程为：计算所选定的一个视角的乳腺X射线影像中候选目标位置及区域特征与其他每个视角的乳腺X射线影像中候选目标位置及区域特征之间的cosine距离，并基于预设的各个cosine距离的权重计算出上述多个cosine距离的加权平均值，即得到该选定的一个视角的乳腺X射线影像所对应的相关性聚合结果，如此，计算出每个视角的乳腺X射线影像所对应的相关性聚合结果。
聚合修正模块30可对聚合后的特征经过卷积、池化、非线性激活函数、归一化等操作进行特征修正。
根据本发明实施例的乳腺X射线影像的处理装置，通过特征提取模块在单个或多个不同尺度提取乳腺X射线影像的图像特征，并通过目标确定模块根据图像特征确定候选目标位置及区域特征，以及通过聚合修正模块对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合和区域特征修正，由此，能够对多个视角乳腺X射线影像中的目标进行有效融合，从而便于对乳腺X射线影像的病灶检出，并提高后续相关属性识别的准确度，有利于促进人体组织分析等研究工作。
在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种乳腺X射线影像的处理方法，其特征在于，包括以下步骤：
基于深度特征提取网络在单个或多个不同尺度提取乳腺X射线影像的图像特征；
根据所述图像特征确定候选目标位置及区域特征；
对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合和区域特征修正。
2.根据权利要求1所述的乳腺X射线影像的处理方法，其特征在于，根据所述图像特征确定候选目标位置及区域特征，具体包括：
基于图像特征在固定锚点预测相对应尺度下是否存在识别目标，及所述识别目标相对于所述固定锚点的位置偏差；
以存在所述识别目标可能性大于阈值的区域做区域性特征对齐，提取相同大小的候选目标区域特征。
3.根据权利要求2所述的乳腺X射线影像的处理方法，其特征在于，根据所述图像特征确定候选目标位置及区域特征，还包括：
对对齐后的区域的特征进行修正处理，并基于修正处理后的区域特征再次进行识别目标和位置偏差的预测。
4.根据权利要求3所述的乳腺X射线影像的处理方法，其特征在于，多个视角的乳腺X射线影像中候选目标区域特征的相关性进行显式建模，具体度量可采用cosine距离、L1～Ln距离或KL散度。
5.根据权利要求4所述的乳腺X射线影像的处理方法，其特征在于，采用softmax或weighted average对多个视角的乳腺X射线影像中的候选目标区域特征进行显式的相关性聚合。
6.根据权利要求5所述的乳腺X射线影像的处理方法，其特征在于，其中，通过卷积、池化、非线性激活函数或归一化进行特征修正。
7.根据权利要求6所述的乳腺X射线影像的处理方法，其特征在于，多个视角的乳腺X射线影像中候选目标位置及区域特征的相关性以各个视角的乳腺X射线影像中相同目标特征距离小于不同目标特征距离为监督信息进行学习。
8.根据权利要求7所述的乳腺X射线影像的处理方法，其特征在于，进行学习的损失函数为对比损失、三元组或N对损失。
9.一种乳腺X射线影像的处理装置，其特征在于，包括：
特征提取模块，所述特征提取模块基于深度特征提取网络在单个或多个不同尺度提取乳腺X射线影像的图像特征；
目标确定模块，所述目标确定模块用于根据所述图像特征确定候选目标位置及区域特征；
聚合修正模块，所述聚合修正模块用于对多个视角的乳腺X射线影像中的候选目标位置及区域特征进行显式的相关性聚合和区域特征修正。
CN202010147312.0A 2020-03-05 2020-03-05 乳腺x射线影像的处理方法和装置 Pending CN111369532A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010147312.0A CN111369532A (zh) 2020-03-05 2020-03-05 乳腺x射线影像的处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010147312.0A CN111369532A (zh) 2020-03-05 2020-03-05 乳腺x射线影像的处理方法和装置

Publications (1)

Publication Number Publication Date
CN111369532A true CN111369532A (zh) 2020-07-03

Family

ID=71208652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010147312.0A Pending CN111369532A (zh) 2020-03-05 2020-03-05 乳腺x射线影像的处理方法和装置

Country Status (1)

Country Link
CN (1) CN111369532A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147606A (zh) * 2022-08-01 2022-10-04 深圳技术大学 医学图像的分割方法、装置、计算机设备和存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120942A1 (zh) * 2016-12-31 2018-07-05 西安百利信息科技有限公司 一种多模型融合自动检测医学图像中病变的系统及方法
CN108464840A (zh) * 2017-12-26 2018-08-31 安徽科大讯飞医疗信息技术有限公司 一种乳腺肿块自动检测方法及系统
CN108629803A (zh) * 2018-04-17 2018-10-09 杭州依图医疗技术有限公司 一种结节倍增时间的确定方法及装置
CN108648192A (zh) * 2018-05-17 2018-10-12 杭州依图医疗技术有限公司 一种检测结节的方法及装置
CN108875829A (zh) * 2018-06-20 2018-11-23 鲁东大学 一种乳腺肿瘤图像的分类方法及系统
CN109363698A (zh) * 2018-10-16 2019-02-22 杭州依图医疗技术有限公司 一种乳腺影像征象识别的方法及装置
CN109583440A (zh) * 2017-09-28 2019-04-05 北京西格码列顿信息技术有限公司 结合影像识别与报告编辑的医学影像辅助诊断方法及系统
US20190251688A1 (en) * 2018-02-09 2019-08-15 Case Western Reserve University Predicting pathological complete response to neoadjuvant chemotherapy from baseline breast dynamic contrast enhanced magnetic resonance imaging (dce-mri)
CN110123347A (zh) * 2019-03-22 2019-08-16 杭州深睿博联科技有限公司 用于乳腺钼靶的图像处理方法及装置
CN110837809A (zh) * 2019-11-11 2020-02-25 湖南伊鸿健康科技有限公司 血液自动分析方法、系统、血细胞分析仪及存储介质
US20200364855A1 (en) * 2017-11-22 2020-11-19 The Trustees Of Columbia University In The City Of New York System, method and computer-accessible medium for classifying breast tissue using a convolutional neural network

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120942A1 (zh) * 2016-12-31 2018-07-05 西安百利信息科技有限公司 一种多模型融合自动检测医学图像中病变的系统及方法
CN109583440A (zh) * 2017-09-28 2019-04-05 北京西格码列顿信息技术有限公司 结合影像识别与报告编辑的医学影像辅助诊断方法及系统
US20200364855A1 (en) * 2017-11-22 2020-11-19 The Trustees Of Columbia University In The City Of New York System, method and computer-accessible medium for classifying breast tissue using a convolutional neural network
CN108464840A (zh) * 2017-12-26 2018-08-31 安徽科大讯飞医疗信息技术有限公司 一种乳腺肿块自动检测方法及系统
US20190251688A1 (en) * 2018-02-09 2019-08-15 Case Western Reserve University Predicting pathological complete response to neoadjuvant chemotherapy from baseline breast dynamic contrast enhanced magnetic resonance imaging (dce-mri)
CN108629803A (zh) * 2018-04-17 2018-10-09 杭州依图医疗技术有限公司 一种结节倍增时间的确定方法及装置
CN108648192A (zh) * 2018-05-17 2018-10-12 杭州依图医疗技术有限公司 一种检测结节的方法及装置
CN108875829A (zh) * 2018-06-20 2018-11-23 鲁东大学 一种乳腺肿瘤图像的分类方法及系统
CN109363698A (zh) * 2018-10-16 2019-02-22 杭州依图医疗技术有限公司 一种乳腺影像征象识别的方法及装置
CN110123347A (zh) * 2019-03-22 2019-08-16 杭州深睿博联科技有限公司 用于乳腺钼靶的图像处理方法及装置
CN110837809A (zh) * 2019-11-11 2020-02-25 湖南伊鸿健康科技有限公司 血液自动分析方法、系统、血细胞分析仪及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苏为华: "《综合评价学》", 中国市场出版社, pages: 29 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147606A (zh) * 2022-08-01 2022-10-04 深圳技术大学 医学图像的分割方法、装置、计算机设备和存储介质
CN115147606B (zh) * 2022-08-01 2024-05-14 深圳技术大学 医学图像的分割方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN110245662B (zh) 检测模型训练方法、装置、计算机设备和存储介质
WO2018180386A1 (ja) 超音波画像診断支援方法、およびシステム
CN111914642B (zh) 一种行人重识别方法、装置、设备及介质
CN109671068B (zh) 一种基于深度学习的腹部肌肉标注方法及装置
US20080260254A1 (en) Automatic 3-D Object Detection
CN109903272B (zh) 目标检测方法、装置、设备、计算机设备和存储介质
CN111028218B (zh) 眼底图像质量判定模型训练方法、装置和计算机设备
CN110378227B (zh) 修正样本标注数据的方法、装置、设备及存储介质
CN112907576B (zh) 车辆损伤等级检测方法、装置、计算机设备及存储介质
WO2022088729A1 (zh) 点定位方法及相关装置、设备、介质及计算机程序
WO2022257314A1 (zh) 图像检测方法和相关训练方法及相关装置、设备及介质
CN113592820A (zh) 一种股骨区域及关键点检测方法和系统
CN114549462A (zh) 基于视角解耦Transformer模型的病灶检测方法、装置、设备及介质
CN112837325A (zh) 医学影像图像处理方法、装置、电子设备及介质
JP2011165170A (ja) 対象物検出装置及びプログラム
US9946918B2 (en) Symbol detection for desired image reconstruction
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质
CN111369532A (zh) 乳腺x射线影像的处理方法和装置
CN111179245B (zh) 图像质量检测方法、装置、电子设备和存储介质
CN101847260A (zh) 图像处理设备、图像处理方法以及程序
CN111325282A (zh) 适应多机型的乳腺x射线影像识别方法和装置
US11645827B2 (en) Detection method and device for assembly body multi-view change based on feature matching
Ortiz-Jaramillo et al. Computing contrast ratio in images using local content information
CN111598144B (zh) 图像识别模型的训练方法和装置
CN113907775A (zh) 一种髋关节影像质量判断方法及系统

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