CN111583320A - 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 - Google Patents
融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111583320A CN111583320A CN202010188343.0A CN202010188343A CN111583320A CN 111583320 A CN111583320 A CN 111583320A CN 202010188343 A CN202010188343 A CN 202010188343A CN 111583320 A CN111583320 A CN 111583320A
- Authority
- CN
- China
- Prior art keywords
- feature
- ultrasonic image
- image
- fusion
- features
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 36
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 36
- 210000000481 breast Anatomy 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000002604 ultrasonography Methods 0.000 claims description 46
- 238000000605 extraction Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 29
- 230000003902 lesion Effects 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 235000019587 texture Nutrition 0.000 description 21
- 239000000523 sample Substances 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 238000012285 ultrasound imaging Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000007054 Medullary Carcinoma Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 201000003714 breast lobular carcinoma Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 201000004933 in situ carcinoma Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 208000024312 invasive carcinoma Diseases 0.000 description 1
- 201000010985 invasive ductal carcinoma Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 208000023356 medullary thyroid gland carcinoma Diseases 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请提供了种融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及计算机可读存储介质,该方法包括:获取超声图像,超声图像的对应内容包括乳腺部位;对超声图像进行处理,获得超声图像中的目标区域,该目标区域中包括有乳腺病灶区域图像;对识别出目标区域的超声图像提取第一特征和第二特征;基于所述第一特征和第二特征,进行融合处理,得到第一融合特征;对所述第一融合特征进行特征筛选处理,得到第二融合特征;基于所述第二融合特征,获得乳腺癌超声图像的分型结果。本发明提取高通量的超声图像特征及深度语义特征,并进行融合和特征筛选,实现对超声图像的有效、准确识别。
Description
技术领域
本发明涉及超声医疗技术领域,属于对超声图像的识别和处理领域,具体涉及一种融合深度卷积网络和影像组学特征的乳腺癌超声图像的识别和分型方法及其对应的系统。
背景技术
随着医疗设备的不断发展,超声成像仪器因为其无创性、实时性、操作方便、价格便宜等诸多优势,使其成为临床上应用最为广泛的医疗设备工具之一。超声成像常用的功能模式包括二维黑白(B)模式、频谱多普勒模式(PW/CW)以及彩色血流模式(CF/PDI)。B模式依赖于超声回波信号的幅度进行成像,获取的是组织二维结构和形态信息,回波信号强度越大则对应的图像像素灰度值越大,反之则灰度值越小;PW/CW以及CF/PDI模式的基本原理都是多普勒效应,均依赖于超声回波信号的相位进行成像,获取的是速度、方向、能量等血流信息。
乳腺癌对全球女性健康的威胁日益增大,超声技术是公认的适合做乳腺癌筛查的技术,在中国的乳腺癌筛查指南中,超声检查被列为检查乳腺癌的主要手段之一。然而,超声成像因为其信噪比和分辨率相对比较低,传统的特征提取方法很难得到病灶特征的高效表达,因此使用超声影像对乳腺癌进行病理分类的准确率比较低,因此,提出一种精确的针对乳腺癌超声图像的图像处理和特征提取,以及识别的方法,方便后续人员对超声图像的使用,是现在市场上亟待解决的一项技术问题。
发明内容
为了解决相关技术中存在的不足,本发明提供一种乳腺癌超声图像分型方法、系统及存储介质,能够有效提高乳腺癌超声图像的识别以及分型的准确率。
为达到上述目的,具体而言,本发明提供了以下具体的技术方案:
一方面,本发明提供一种融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法,所述方法包括以下步骤:
S210:获取超声图像,所述超声图像包括乳腺部位;
S220:对所述超声图像进行处理,获得所述超声图像中的目标区域,所述目标区域中包括有乳腺病灶区域;
S230:对识别出目标区域的超声图像进行特征提取,得到第一特征,所述第一特征为深度特征;对识别出目标区域的超声图像进行特征提取处理,得到第二特征,所述第二特征基于至少5种不同影像组学图像处理算子获得的多个纹理特征及边缘特征得到;
S240:融合所述第一特征和第二特征,得到第一融合特征;
S250:对所述第一融合特征进行特征筛选处理,得到第二融合特征;
S260:基于所述第二融合特征,获得乳腺癌超声图分型结果。
优选地,所述S230中,所述多个纹理特征及边缘特征包括:通过SIFT 算子提取第一纹理特征,通过LBP算子提取第二纹理特征,通过GLSZM算子提取第三纹理特征,通过LOG算子提取第一边缘特征,通过Gabor算子提取第二边缘特征。
优选地,所述S240中,通过聚类方式,得到第一融合特征;所述聚类方式为:
其中V(j,k)为公式(5)的输出的数据,ak为softmax输出的权重,xi(j) 和ck(j)分别为第i个局部描述子和第k个聚类中心的第j个特征值,其中 i,j,k分别为正整数。
优选地,所述S250中,进一步包括:依据特征重要性判定,对所述第一融合特征进行筛选,所述特征重要性判定基于LightGBM网络实现。
优选地,所述S220中,获得所述超声图像中的目标区域通过以下方式进行:获取样本超声图像和标注信息,形成训练集,所述标注信息用于标注出所述样本超声图像中的乳腺病灶区域;
基于所述训练集训练深度学习网络;
基于训练后的所述深度学习网络对新输入超声图像识别目标区域。
另一方面,本发明还提供了一种融合深度卷积网络和影像组学特征的乳腺癌超声图分型系统,所述系统包括:
获取模块,用于获取超声图像或视频数据;
处理器模块,用于对获取模块采集的超声图像或视频数据进行处理,并获得分型结果;
显示模块,用于显示超声图像或视频数据,以及处理器模块发送的分型结果;
优选地,所述处理器模块进一步包括:
目标区域识别单元,用于对所述超声图像或视频数据进行处理,获得其中的目标区域,所述目标区域中包括有乳腺病灶区域;
特征提取单元,用于对识别出目标区域的超声图像或视频数据进行特征提取,得到第一特征及第二特征,所述第一特征为深度特征,所述第二特征基于至少5种不同影像组学图像处理算子获得的多个纹理特征及边缘特征得到;
特征融合单元,用于融合所述第一特征和第二特征,得到第一融合特征;以及对所述第一融合特征进行特征筛选处理,得到第二融合特征;
分型单元,用于基于所述第二融合特征,获得分型结果。
优选地,所述特征提取单元中,所述多个纹理特征及边缘特征包括:通过SIFT算子提取第一纹理特征,通过LBP算子提取第二纹理特征,通过GLSZM算子提取第三纹理特征,通过LOG算子提取第一边缘特征,通过 Gabor算子提取第二边缘特征。
优选地,所述特征融合单元通过聚类方式,得到第一融合特征;所述聚类方式为:
其中V(j,k)为公式(5)的输出的数据,ak为softmax输出的权重,xi(j) 和ck(j)分别为第i个局部描述子和第k个聚类中心的第j个特征值,其中 i,j,k分别为正整数。
优选地,所述获取模块获取不同模式的超声图像或视频数据。
再一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如上所述的融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法。
本发明还提供了一种装置,该装置至少包括处理器、存储设备,所述存储设备存储有可被处理器读取并执行的指令,所述指令用于实现并执行如上所述的融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法。
综上所述,本发明提供的技术方案,与现有技术相比具备以下优点:本发明能够利用影像组学的算子来提取高通量的超声图像特征,同时又能够利用深度卷积网络提取超声图像的深度语义特征,结合高通量超声图像特征和深度语义特征得到融合特征,通过对所述融合特征进行特征筛选,得到对病灶区域图像最有表达能力的特征来实现对超声图像的有效、准确识别,提高了对超声图像识别的准确率[ZZ1]。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所示的乳腺癌超声病理分型辅助诊断系统100的结构示意图。
图2为本发明实施例所示的乳腺癌超声病理分型辅助诊断方法200的流程图。
图3为本发明实施例所示的训练识别神经网络模型的方法300的流程图。
图4为本发明实施例所示的训练第一特征提取模型的方法400的流程图。
图5为本发明实施例所示的LightGBM网络进行分裂的示意图。
具体实施方式
下面将结合附图,对本发明中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在不做出创造性劳动的前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电气连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
以下分别给予介绍,为了便于理解和描述,在描述本发明实施例中,会加入其他主体,例如用户,以对乳腺超声图分型方法的执行主体执行该方法的过程加以辅助。
实施例1
本发明的一实施例中,提供了一种对乳腺癌超声图进行分型的系统,该系统包括获取模块110、处理器模块120和显示器模块130。获取模块110 获取包括乳腺的超声数据,处理器120对采集到的超声数据进行处理,分析得到乳腺超声图的分型类型,显示器130可以显示获取到的超声数据和分析得到的分型类型。
如图1所示,本实施例的获取模块110可以为超声成像设备,即通过超声成像设备获取超声图像或视频。如图1所示,超声成像设备至少包括换能器101、超声主机102、输入单元103、控制单元104和存储器105。超声成像设备的显示屏可以为本实施例的系统的显示器130。换能器101用于发射和接收超声波,换能器101受发射脉冲的激励,向目标组织(例如人体内的器官、组织、血管等等)发射超声波,经一定延时后接收从目标区域反射回来的带有目标组织的信息的超声回波,并将此超声回波重新转换为电信号,以获得超声图像或者视频。换能器101可以通过有线或无线的方式连接到超声主机102。
输入单元103用于输入操作人员的控制指令。输入单元103一般包括键盘、跟踪球或鼠标中的至少一个,或者为触摸控制输入的方式。
控制单元104至少可以控制焦点信息、驱动频率信息、驱动电压信息以及成像模式等扫描信息。控制单元104根据用户所需成像模式的不同,对信号进行不同的处理,获得不同模式的超声图像数据,然后经对数压缩、动态范围调整、数字扫描变换等处理形成不同模式的超声图像,如B图像、C图像、D图像、多普勒血流图像、包含组织弹性特性的弹性图像等等,或者其他类型的二维超声图像或三维超声图像。
显示器130用于显示超声图像、成像参数等信息。显示器130可以是触摸屏显示器。此外,显示器130在显示超声图像的同时还提供给用户进行人机交互的图形界面,在图形界面上设置一个或多个被控对象,提供给用户利用人机交互设备输入操作指令来控制这些被控对象,从而执行相应的控制操作。
优选地,所述处理器模块120进一步包括:
目标区域识别单元,用于对所述超声图像或视频数据进行处理,获得其中的目标区域,所述目标区域中包括有乳腺病灶区域;
特征提取单元,用于对识别出目标区域的超声图像或视频数据进行特征提取,得到第一特征及第二特征,所述第一特征为深度特征,所述第二特征基于至少5种不同影像组学图像处理算子获得的多个纹理特征及边缘特征得到;
特征融合单元,用于融合所述第一特征和第二特征,得到第一融合特征;以及对所述第一融合特征进行特征筛选处理,得到第二融合特征;
分型单元,用于基于所述第二融合特征,获得分型结果。
优选地,所述特征提取单元中,所述多个纹理特征及边缘特征包括:通过SIFT算子提取第一纹理特征,通过LBP算子提取第二纹理特征,通过 GLSZM算子提取第三纹理特征,通过LOG算子提取第一边缘特征,通过 Gabor算子提取第二边缘特征。
优选地,所述特征融合单元通过聚类方式,得到第一融合特征;所述聚类方式为:
其中V(j,k)为公式(5)的输出的数据,ak为softmax输出的权重,xi(j) 和ck(j)分别为第i个局部描述子和第k个聚类中心的第j个特征值,其中 i,j,k分别为正整数。
本发明的深度学习模型、深度卷积网络或单元包括(或者包含或者具有) 其它元件。如本文中使用的术语“模块”意指但不限于执行特定任务的软件或硬件组件,诸如现场可编程门阵列(FPGA)、专用集成电路(ASIC)或处理器,例如CPU、GPU。模块可以有利地被配置为驻留在可寻址存储介质中并且配置为在一个或多个处理器上执行。因此,作为示例,模块可以包括组件(诸如软件组件、面向对象软件组件、类组件和任务组件)、进程、函数、属性、过程、子例行程序、程序代码段、驱动程序、固件、微码、电路、数据、数据库、数据结构、表、数组和变量。在模块中提供的功能性可以被组合成更少的组件和模块或者进一步分成附加的组件和模块。
此外,本实施例的系统可以执行如实施例2所述的方法。
实施例2
在本发明一实施例中,提供一种融合深度卷积网络和影像组学特征的乳腺癌超声图像的分型方法200,可以应用于超声设备,如图2所示,所述方法200可以包括如下步骤:
步骤210:获取待检测对象的超声图像,所述超声图像的对应内容包括乳腺部位。
在一些实施例中,可以通过超声设备(例如彩色超声设备、黑白超声设备等)、数据库(例如PACS系统)等方式获取到待检测对象的超声图像。
步骤220:对所述超声图像进行处理,获得所述超声图像中的目标区域,所述目标区域中包括有乳腺病灶。
在一些实施例中,可以利用经过训练的识别神经网络模型对所述超声图像进行处理,识别出目标区域,所述目标区域中包括乳腺病灶区域。在一些实施例中,所述识别神经网络模型通过若干标注出乳腺病灶区域的超声图像训练集训练获得。
在一些实施例中,所述识别神经网络模型为深度学习模型,例如,可以是Faster-RCNN模型,输入数据为包括待检测对象的乳腺超声图像,输出数据为所述超声图像中的乳腺病灶区域相关数据。关于所述识别神经网络模型模型的内容可以参见图3的具体描述,在此不再赘述。
步骤230:对识别出目标区域的超声图像利用第一特征提取方法和第二特征提取方法进行特征提取处理,得到对应的第一特征和第二特征。
在一些实施例中,可以利用第一特征提取模型对所述识别出目标区域的超声图像进行处理,得到所述目标区域对应的第一特征。例如,可以利用深度卷积神经网络对所述目标区域进行特征提取处理,获得N1维的第一特征 (N1为正整数,例如N1为1024)。
在一些实施例中,所述第一特征提取模型可以为分类神经网络,例如,可以是VGG网络、ResNet网络等。输入数据为具有乳腺病灶的超声图像,输出数据为所述乳腺病灶区域的特征信息。关于所述第一特征提取模型的内容可以参见图4的具体描述,在此不再赘述。
在一些实施例中,可以利用第二特征提取模块对所述识别出目标区域的超声图像进行处理,得到所述目标区域对应的第二特征,其中,所述第二特征提取模块中至少包括5种不同的图像处理算子。
在一些实施例中,通过SIFT算子提取第一纹理特征,通过LBP算子提取第二纹理特征,通过GLSZM算子提取第三纹理特征,通过LOG算子提取第一边缘特征,通过Gabor算子提取第二边缘特征;基于所述第一纹理特征、第二纹理特征、第三纹理特征、第一边缘特征和第二边缘特征,获得所述第二特征。例如,基于上述得到的5种不同的特征数据,获得N2维的第二特征(N2为正整数,例如N2为1024)。
具体地,SIFT算子的具体步骤可以包括:
步骤a:生成高斯差分金字塔(DOG金字塔),尺度空间构建。
通过对原始图像进行尺度变换,获得图像多尺度下的尺度空间表示序列,对这些序列进行尺度空间主轮廓的提取,并以该主轮廓作为一种特征向量,实现边缘、角点检测不同分辨率上的关键点提取等。
步骤b:间极值点检测(关键点的初步查探)。
为了寻找DOG函数的极值点,每一个像素点要和它所有的相邻点比较,看其是否比它的图像域和尺度空间域的相邻点大或者小。在二维图像空间,中心点与它3x 3邻域内的8个点做比较,在同一组内的尺度空间上,中心点和上下相邻的两层图像的2x 9个点作比较,如此可以保证检测到的关键点在尺度空间和二维图像空间上都是局部极值点。
步骤c:稳定关键点的精确定位。
DOG值对噪声和边缘比较敏感,所以在第2步的尺度空间中检测到的局部极值点还要经过进一步的筛选,去除不稳定和错误检测出的极值点,另一点就是在构建高斯金字塔过程中采用了下采样的图像,在下采样图像中提取的极值点对应在原始图像中的确切位置,也是要在本步骤中解决的问题。
步骤d:稳定关键点方向信息分配。
稳定的极值点是在不同尺度空间下提取的,这保证了关键点的尺度不变性。为关键点分配方向信息所要解决的问题是使得关键点对图像角度和旋转具有不变性。方向的分配是通过求每个极值点的梯度来实现的。
其中,对于任一关键点(x,y),L(x,y)是其及其某个尺度的灰阶值,其梯度幅值表述为公式(1):
梯度方向为公式(2):
其中,关键点的方向计算是以关键点为中心的邻域内所有点的梯度方向,对于在0~360°范围内的梯度方向,方向归一化到36个方向内,每个方向代表了10°的范围。然后累计落到每个方向内的关键点个数,以此生成梯度方向直方图。
将梯度方向直方图中纵坐标最大的项代表的方向分配给当前关键点作为主方向,若在梯度直方图中存在一个相当于主峰值80%能量的峰值,则将这个方向认为是关键点的辅方向。辅方向的设计可以增强匹配的鲁棒性,大概有15%的关键点具有辅方向,而恰恰是这15%的关键点对稳定匹配起到关键作用。
步骤e:关键点描述。
对关键点的描述是后续实现匹配的关键步骤,描述其实就是一种以数学方式定义关键点的过程。描述子不但包含关键点,也包括关键点周围对其有贡献的邻域点。
描述的思路是:对关键点周围像素区域分块,计算块内梯度直方图,生成具有独特性的向量,这个向量是该区域图像信息的一种抽象表述。
对于2x2块,每块的所有像素点的梯度做高斯加权,每块最终取8个方向,即可以生成2x 2x 8维度的向量,以这2x 2x 8维向量作为中心关键点的数学描述。
具体地,LBP算法具有灰度不变性和旋转不变性,其中具体步骤包括:
步骤a:对图像中的所有点,以该点为中心,取3x3的邻域窗口;
步骤b:将8邻域像素值与中心点像素值进行比较,大于或等于中心像素标记为1,否则标记为0;
步骤c:将周围0-1序列,以一定的顺序排列,成一个8位的无符号的二进制数,转化成整数;
步骤d:这个整数就是表征这个窗口的LBP值。
具体地,GLSZM算子用于统计二维图像区域内相邻情况下相邻元素出现的次数。
具体地,二维坐标为(x,y),LoG算子可以表示为公式(3):
具体的,Gabor小波函数可以表示为公式(4):
其中,Gabor小波变换具有多分辨率特性即变焦能力,即采用多通道滤波技术,将一组具有不同时频域特性的Gabor小波应用于图像变换,每个通道都能够得到输入图像的某种局部特性,这样可以根据需要在不同粗细粒度上分析图像。此外,在特征提取方面,Gabor小波变换与其它方法相比:一方面其处理的数据量较少,能满足系统的实时性要求;另一方面,小波变换对光照变化不敏感,且能容忍一定程度的图像旋转和变形,当采用基于欧氏距离进行识别时,特征模式与待测特征不需要严格的对应,故能提高系统的鲁棒性。
步骤240:基于所述第一特征和第二特征,进行融合处理,得到第一融合特征。
在一些实施例中,可以利用经过训练的融合模型对所述第一特征和第二特征进行聚类处理,得到融合特征。
在一个具体的实施方式中,例如,所述融合具体可以采用以下方式:对所述第一特征和第二特征进行聚类处理,得到融合特征。以BxNxD的维度作为输入,将第一特征、第二特征输入到聚类模型,对于不满足输入维度的情况,可以进行映射改变维度,其中,B为BatchSize,D为需要设定的cluster 维度,也就是局部描述子的维度,N为输入数据reshape后的另一维度,即输入数据的局部描述子个数,将输入的每个样本特征看成N个D维的局部描述算子。输入的BxNxD数据经过1x1大小的卷积核进行卷积处理,然后经过softmax运算权重。
聚类模型主要运算如公式(5):
其中V(j,k)为公式(5)的输出的数据,ak为softmax输出的权重, xi(j)和ck(j)分别为第i个局部描述子和第k个聚类中心的第j个特征值,其中i,j,k分别为正整数。
步骤250:对所述融合特征进行特征筛选处理,得到第二融合特征。
在一些实施例中,可以利用经过训练的特征筛选神经网络模型对所述第一融合特征进行处理,得到第二融合特征。
在一些实施例中,所述特征筛选神经网络模型可以为LightGBM网络。
具体地,在获得第一融合特征后,可以利用特征筛选神经网络模型(例如LightGBM网络)进行处理,对所述第一融合特征进行特征重要性判定,根据获得的判定结果,输出大于预设阈值的特征作为第二融合特征。
例如,对于得到的第一融合特征,可以将所述第一融合特征继续输入到 LightGBM网络中,进行特征筛选处理。在进行特征筛选时,LightGBM网络可以对第一训练集中的特征继续训练,并输出特征重要性文件。训练时, LightGBM网络可以依据树的特性,每次从当前所有叶子节点中找到分裂增益最大的一个叶子节点进行分裂。如图5所示为LightGBM进行分裂的示意图,其中,黑色圆点表示已经分裂完成的节点,灰色圆点表示待生长的节点,即从多个有待分裂的节点中寻找分裂增益最大的节点,LightGBM网络是一种增强的梯度提升树,采用CART树作为基分类器,其寻找分裂增益最大的叶子节点与CART树原理相同,采用基尼系数计算增益。在分裂的同时,LightGBM 网络可以记录特征参与叶子节点分裂的次数及分裂产生的增益,当输出特征重要性文件时,可以根据特征参与的分裂次数或分裂产生的增益大小,选择保存不同类型的重要性数值。筛选特征可以依据保存特征重要性输出结果,对特征进行选择,例如,可以将特征重要性大于0(所述特征重要性的阈值可根据需要选择)的特征,筛选出来,作为第二融合特征。
步骤260:基于所述第二融合特征,获得乳腺癌超声图分型结果。
在一些实施方式中,可以利用分类模型,对所述第二融合特征进行处理,得到乳腺癌超声图像的分型结果。在一些实施例中,还可以利用多个分类器 (例如,KNN、Logistic_Regression等)进行多分类器模型的融合,根据每个分类器的分类效果进行对应分类结果的权重分配,最好根据权重对每个分类器的分类概率进行权重融合,从而得到最终的乳腺癌超声图像的分型结果。所述乳腺癌超声图像的分型结果可以包括例如:早期浸润癌、浸润癌、非浸润性癌、小叶腺癌、导管腺癌、髓样癌等,具体识别类别可以依据实际使用的具体需要进行设置或调整。
如图3所示,在一个具体的实施方式中,所述识别神经网络模型通过以下方法训练得到:
步骤310:获取识别训练集,所述识别训练集中包括样本超声图像和标注信息,所述标准信息用于标注出所述样本超声图像中的乳腺病灶图像区域。
在一些实施例中,所述样本超声图像可以是超声探头在处于不同位置时获取到的对应乳腺超声图像,所述标注信息用于标注出所述样本超声图像中的乳腺病灶图像区域。
步骤320:利用所述识别训练集对初始模型进行训练,得到所述识别神经网络模型。
在一些实施例中,所述初始模型可以具有多个初始模型参数,例如,学习率、超参数等。所述初始模型参数可以是默认值,也可以根据实际应用情况进行调整修改。当满足某一预设条件时,例如,训练样本数达到预定的数量,模型的检测正确率大于某一预定准确率阈值,或损失函数(Loss Function) 的值小于某一预设值,训练过程停止,训练完成后获取到识别神经网络模型。
如图4所示,所述第一特征为深度特征,所述第一特征提取模型通过以下方法训练得到:
步骤410:获取第一训练集,所述第一训练集包括:第一样本超声图像和标注信息,所述第一样本超声图像对应的内容包括乳腺病灶区域图像,所述标注信息包括所述乳腺病灶区域图像的分类信息。
在一些实施例中,所述第一样本超声图像可以是利用超声探头在不同的角度获取到的乳腺超声图像,并且所述超声样本图像中对应的内容已经标注出乳腺病灶图像区域,以及所述乳腺病灶图像对应的分类信息,所述分类信息可以是根据预设的病理分型结果进行标注的。
步骤420:利用所述第一训练集对初始模型进行训练,得到所述第一特征提取模型。
在一些实施例中,所述初始模型可以具有多个初始模型参数,例如,学习率、超参数等。所述初始模型参数可以是默认值,也可以根据实际应用情况进行调整修改。当满足某一预设条件时,例如,训练样本数达到预定的数量,模型的检测正确率大于某一预定准确率阈值,或损失函数(Loss Function) 的值小于某一预设值,训练过程停止,训练完成后获取到第一特征提取模型。
实施例3
在本发明一实施例中,还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于执行本发明前述的融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法。
另外,本发明的实现方式,还可以通过一种装置的方式进行构建,该装置至少包括处理器、存储设备,所述存储设备存储有可被处理器读取并执行的指令,所述指令用于实现并执行如前所述的融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法。
显然,上述实施例仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (10)
1.一种融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法,其特征在于,所述方法包括以下步骤:
S210:获取超声图像,所述超声图像包括乳腺部位;
S220:对所述超声图像进行处理,获得所述超声图像中的目标区域,所述目标区域中包括有乳腺病灶区域;
S230:对识别出目标区域的超声图像进行特征提取,得到第一特征,所述第一特征为深度特征;对识别出目标区域的超声图像进行特征提取处理,得到第二特征,所述第二特征基于至少5种不同影像组学图像处理算子获得的多个纹理特征及边缘特征得到;
S240:融合所述第一特征和第二特征,得到第一融合特征;
S250:对所述第一融合特征进行特征筛选处理,得到第二融合特征;
S260:基于所述第二融合特征,获得乳腺癌超声图分型结果。
2.根据权利要求1所述的方法,其特征在于,所述S230中,所述多个纹理特征及边缘特征包括:通过SIFT算子提取第一纹理特征,通过LBP算子提取第二纹理特征,通过GLSZM算子提取第三纹理特征,通过LOG算子提取第一边缘特征,通过Gabor算子提取第二边缘特征。
4.根据权利要求1所述的方法,其特征在于,所述S250中,进一步包括:依据特征重要性判定,对所述第一融合特征进行筛选,所述特征重要性判定基于LightGBM网络实现。
5.根据权利要求1所述的方法,其特征在于,所述S220中,获得所述超声图像中的目标区域通过以下方式进行:获取样本超声图像和标注信息,形成训练集,所述标注信息用于标注出所述样本超声图像中的乳腺病灶区域;
基于所述训练集训练深度学习网络;
基于训练后的所述深度学习网络对新输入超声图像识别目标区域。
6.一种融合深度卷积网络和影像组学特征的乳腺癌超声图分型系统,其特征在于,所述系统包括:
获取模块,用于获取超声图像或视频数据;
处理器模块,用于对获取模块采集的超声图像或视频数据进行处理,并获得分型结果;
显示模块,用于显示超声图像或视频数据,以及处理器模块发送的分型结果;
所述处理器模块进一步包括:
目标区域识别单元,用于对所述超声图像或视频数据进行处理,获得其中的目标区域,所述目标区域中包括有乳腺病灶区域;
特征提取单元,用于对识别出目标区域的超声图像或视频数据进行特征提取,得到第一特征及第二特征,所述第一特征为深度特征,所述第二特征基于至少5种不同影像组学图像处理算子获得的多个纹理特征及边缘特征得到;
特征融合单元,用于融合所述第一特征和第二特征,得到第一融合特征;以及对所述第一融合特征进行特征筛选处理,得到第二融合特征;
分型单元,用于基于所述第二融合特征,获得分型结果。
7.根据权利要求6所述的系统,其特征在于,所述特征提取单元中,所述多个纹理特征及边缘特征包括:通过SIFT算子提取第一纹理特征,通过LBP算子提取第二纹理特征,通过GLSZM算子提取第三纹理特征,通过LOG算子提取第一边缘特征,通过Gabor算子提取第二边缘特征。
9.根据权利要求6所述的系统,其特征在于,所述获取模块获取不同模式的超声图像或视频数据。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-5中任意一项所述的融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188343.0A CN111583320B (zh) | 2020-03-17 | 2020-03-17 | 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188343.0A CN111583320B (zh) | 2020-03-17 | 2020-03-17 | 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583320A true CN111583320A (zh) | 2020-08-25 |
CN111583320B CN111583320B (zh) | 2023-04-07 |
Family
ID=72111446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010188343.0A Active CN111583320B (zh) | 2020-03-17 | 2020-03-17 | 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583320B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111933281A (zh) * | 2020-09-30 | 2020-11-13 | 平安科技(深圳)有限公司 | 一种疾病分型的确定系统、方法、装置及存储介质 |
CN112348082A (zh) * | 2020-11-06 | 2021-02-09 | 上海依智医疗技术有限公司 | 深度学习模型构建方法、影像处理方法及可读存储介质 |
CN112381006A (zh) * | 2020-11-17 | 2021-02-19 | 深圳度影医疗科技有限公司 | 一种超声影像的分析方法、存储介质及终端设备 |
CN112990267A (zh) * | 2021-02-07 | 2021-06-18 | 哈尔滨医科大学 | 基于风格迁移模型的乳腺超声成像方法、装置及存储介质 |
CN114171197A (zh) * | 2021-11-12 | 2022-03-11 | 东莞市人民医院 | 一种乳腺癌her2状态的预测方法及相关设备 |
CN114305502A (zh) * | 2020-09-29 | 2022-04-12 | 深圳迈瑞生物医疗电子股份有限公司 | 乳腺超声扫描方法、装置和存储介质 |
CN114842239A (zh) * | 2022-04-02 | 2022-08-02 | 北京医准智能科技有限公司 | 一种基于超声视频的乳腺病灶属性预测方法及装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678504A (zh) * | 2013-11-19 | 2014-03-26 | 西安华海盈泰医疗信息技术有限公司 | 基于相似度的乳腺图像的匹配图像检索方法及检索系统 |
CN105956560A (zh) * | 2016-05-06 | 2016-09-21 | 电子科技大学 | 一种基于池化多尺度深度卷积特征的车型识别方法 |
CN105956198A (zh) * | 2016-06-20 | 2016-09-21 | 东北大学 | 一种基于病灶位置与内容的乳腺图像检索系统及方法 |
CN106780448A (zh) * | 2016-12-05 | 2017-05-31 | 清华大学 | 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法 |
CN107341265A (zh) * | 2017-07-20 | 2017-11-10 | 东北大学 | 一种融合深度特征的乳腺图像检索系统与方法 |
CN107945179A (zh) * | 2017-12-21 | 2018-04-20 | 王华锋 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
CN108882902A (zh) * | 2016-02-08 | 2018-11-23 | 医默观系统公司 | 用于图像中对象的可视化和表征的系统和方法 |
CN108898160A (zh) * | 2018-06-01 | 2018-11-27 | 中国人民解放军战略支援部队信息工程大学 | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 |
CN109146848A (zh) * | 2018-07-23 | 2019-01-04 | 东北大学 | 一种融合多模态乳腺图像的计算机辅助参考系统及方法 |
CN109325516A (zh) * | 2018-08-13 | 2019-02-12 | 众安信息技术服务有限公司 | 一种面向图像分类的集成学习方法及装置 |
CN109544507A (zh) * | 2018-10-18 | 2019-03-29 | 清影医疗科技(深圳)有限公司 | 一种病理图像处理方法及系统、设备、存储介质 |
CN109598709A (zh) * | 2018-11-29 | 2019-04-09 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
CN109785371A (zh) * | 2018-12-19 | 2019-05-21 | 昆明理工大学 | 一种基于归一化互相关和sift的太阳图像配准方法 |
CN110097000A (zh) * | 2019-04-29 | 2019-08-06 | 东南大学 | 基于局部特征聚合描述符和时序关系网络的视频行为识别方法 |
CN110335231A (zh) * | 2019-04-01 | 2019-10-15 | 浙江工业大学 | 一种融合纹理特征和深度特征的超声影像慢性肾脏病辅助筛查方法 |
CN110599476A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 基于机器学习的疾病分级方法、装置、设备及介质 |
CN110674884A (zh) * | 2019-09-30 | 2020-01-10 | 山东浪潮人工智能研究院有限公司 | 一种基于特征融合的图像识别方法 |
-
2020
- 2020-03-17 CN CN202010188343.0A patent/CN111583320B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678504A (zh) * | 2013-11-19 | 2014-03-26 | 西安华海盈泰医疗信息技术有限公司 | 基于相似度的乳腺图像的匹配图像检索方法及检索系统 |
CN108882902A (zh) * | 2016-02-08 | 2018-11-23 | 医默观系统公司 | 用于图像中对象的可视化和表征的系统和方法 |
CN105956560A (zh) * | 2016-05-06 | 2016-09-21 | 电子科技大学 | 一种基于池化多尺度深度卷积特征的车型识别方法 |
CN105956198A (zh) * | 2016-06-20 | 2016-09-21 | 东北大学 | 一种基于病灶位置与内容的乳腺图像检索系统及方法 |
CN106780448A (zh) * | 2016-12-05 | 2017-05-31 | 清华大学 | 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法 |
CN107341265A (zh) * | 2017-07-20 | 2017-11-10 | 东北大学 | 一种融合深度特征的乳腺图像检索系统与方法 |
CN107945179A (zh) * | 2017-12-21 | 2018-04-20 | 王华锋 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
CN108898160A (zh) * | 2018-06-01 | 2018-11-27 | 中国人民解放军战略支援部队信息工程大学 | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 |
CN109146848A (zh) * | 2018-07-23 | 2019-01-04 | 东北大学 | 一种融合多模态乳腺图像的计算机辅助参考系统及方法 |
CN109325516A (zh) * | 2018-08-13 | 2019-02-12 | 众安信息技术服务有限公司 | 一种面向图像分类的集成学习方法及装置 |
CN109544507A (zh) * | 2018-10-18 | 2019-03-29 | 清影医疗科技(深圳)有限公司 | 一种病理图像处理方法及系统、设备、存储介质 |
CN109598709A (zh) * | 2018-11-29 | 2019-04-09 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
CN109785371A (zh) * | 2018-12-19 | 2019-05-21 | 昆明理工大学 | 一种基于归一化互相关和sift的太阳图像配准方法 |
CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
CN110335231A (zh) * | 2019-04-01 | 2019-10-15 | 浙江工业大学 | 一种融合纹理特征和深度特征的超声影像慢性肾脏病辅助筛查方法 |
CN110097000A (zh) * | 2019-04-29 | 2019-08-06 | 东南大学 | 基于局部特征聚合描述符和时序关系网络的视频行为识别方法 |
CN110599476A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 基于机器学习的疾病分级方法、装置、设备及介质 |
CN110674884A (zh) * | 2019-09-30 | 2020-01-10 | 山东浪潮人工智能研究院有限公司 | 一种基于特征融合的图像识别方法 |
Non-Patent Citations (1)
Title |
---|
周文: "LightGBM算法在阿尔茨海默症结构磁共振成像分类中的应用", 《中国医学物理学杂志》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114305502A (zh) * | 2020-09-29 | 2022-04-12 | 深圳迈瑞生物医疗电子股份有限公司 | 乳腺超声扫描方法、装置和存储介质 |
CN111933281A (zh) * | 2020-09-30 | 2020-11-13 | 平安科技(深圳)有限公司 | 一种疾病分型的确定系统、方法、装置及存储介质 |
CN111933281B (zh) * | 2020-09-30 | 2021-02-12 | 平安科技(深圳)有限公司 | 一种疾病分型的确定系统、方法、装置及存储介质 |
CN112348082A (zh) * | 2020-11-06 | 2021-02-09 | 上海依智医疗技术有限公司 | 深度学习模型构建方法、影像处理方法及可读存储介质 |
CN112381006A (zh) * | 2020-11-17 | 2021-02-19 | 深圳度影医疗科技有限公司 | 一种超声影像的分析方法、存储介质及终端设备 |
CN112990267A (zh) * | 2021-02-07 | 2021-06-18 | 哈尔滨医科大学 | 基于风格迁移模型的乳腺超声成像方法、装置及存储介质 |
CN112990267B (zh) * | 2021-02-07 | 2022-06-28 | 哈尔滨医科大学 | 基于风格迁移模型的乳腺超声成像方法、装置及存储介质 |
CN114171197A (zh) * | 2021-11-12 | 2022-03-11 | 东莞市人民医院 | 一种乳腺癌her2状态的预测方法及相关设备 |
CN114842239A (zh) * | 2022-04-02 | 2022-08-02 | 北京医准智能科技有限公司 | 一种基于超声视频的乳腺病灶属性预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111583320B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583320B (zh) | 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 | |
Sridar et al. | Decision fusion-based fetal ultrasound image plane classification using convolutional neural networks | |
CN107748900B (zh) | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 | |
CN106682435B (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
Li et al. | Dilated-inception net: multi-scale feature aggregation for cardiac right ventricle segmentation | |
Zhang et al. | Retinal vessel segmentation using multi-scale textons derived from keypoints | |
US10238368B2 (en) | Method and system for lesion detection in ultrasound images | |
Liu et al. | Computer aided diagnosis system for breast cancer based on color Doppler flow imaging | |
CN110838114B (zh) | 肺结节检测方法、装置及计算机存储介质 | |
CN108875741B (zh) | 一种基于多尺度模糊的声学图像纹理特征提取方法 | |
Sridevi et al. | Survey of image segmentation algorithms on ultrasound medical images | |
CN111820948B (zh) | 胎儿生长参数测量方法、系统及超声设备 | |
GB2468164A (en) | Characterising of image geometry using derivatives | |
CN112950534A (zh) | 一种基于人工智能的便携式超声肺炎辅助诊断系统 | |
Sun et al. | Cascade faster R-CNN detection for vulnerable plaques in OCT images | |
CN108898173B (zh) | 一种多尺度多特征的心电图医学图像融合及分类方法 | |
Li et al. | A semi-automated annotation algorithm based on weakly supervised learning for medical images | |
Holzinger et al. | On the generation of point cloud data sets: Step one in the knowledge discovery process | |
Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant | |
Wang et al. | Optic disc detection based on fully convolutional neural network and structured matrix decomposition | |
Bharodiya | Feature extraction methods for ct-scan images using image processing | |
WO2017089953A1 (en) | Process for processing medical images of a face for recognition of facial dysmorphisms | |
Rahmatullah et al. | Anatomical object detection in fetal ultrasound: computer-expert agreements | |
Sridhar et al. | Lung Segment Anything Model (LuSAM): A Prompt-integrated Framework for Automated Lung Segmentation on ICU Chest X-Ray Images | |
CN116468923A (zh) | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 |
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 |