CN112070089B - 一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 - Google Patents
一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 Download PDFInfo
- Publication number
- CN112070089B CN112070089B CN202011011278.0A CN202011011278A CN112070089B CN 112070089 B CN112070089 B CN 112070089B CN 202011011278 A CN202011011278 A CN 202011011278A CN 112070089 B CN112070089 B CN 112070089B
- Authority
- CN
- China
- Prior art keywords
- thyroid
- diffuse
- region
- parameters
- size
- 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
- 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]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Veterinary Medicine (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及超声图像分析领域,具体涉及一种基于超声图像的甲状腺弥漫性疾病智能诊断方法,包括如下步骤:基于Faster R‑CNN模型截取超声图像的感兴趣区域,并通过图像增强处理突出感兴趣区域;基于DSSD_Inception_V3模型实现感兴趣区域中甲状腺弥漫区域的检测和识别,并截取甲状腺弥漫区域;基于连通分量外接矩形的长宽比进行甲状腺弥漫区域尺寸的测量,输出测量结果;根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的诊断。本发明能够自动检测出甲状腺弥漫性疾病的种类、概率,同时可以精确识别出甲状腺弥漫性疾病的尺寸、位置和覆盖程度。
Description
技术领域
本发明涉及超声图像分析领域,具体涉及一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统。
背景技术
甲状腺弥漫性疾病是一种常见的甲状腺疾病,常见的主要有桥本病和Graves病。超声图像检查目前广泛使用的甲状腺疾病检查方法之一。基于超声图像纹理特征进行甲状腺弥漫性疾病的研究,及时对患者患甲状腺弥漫性疾病的情况进行诊断,在临床上具有重要意义。
目前在计算机辅助诊断领域常见利用深度学习和影像组学等方法基于超声图像对甲状腺结节性疾病进行研究,但是对甲状腺弥漫性疾病的影像组学研究资料很少,仅有部分研究人员利用影像组学方法,通过提取图像的纹理特征实现了桥本病与正常甲状腺的区分,或者对甲状腺甲亢和加减进行区分。但对多种常见的弥漫性甲状腺疾病,如Graves病、桥本病和正常甲状腺组织的超声图像的分类还处于空白状态,更没有研究专门针对甲状腺疾病的特点提出相应的纹理特征,以提高弥漫性疾病的诊断精度。因此临床上对成熟的甲状腺弥漫性疾病诊断系统有很强需求。
发明内容
本发明的目的在于提供一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统,能够自动检测出甲状腺弥漫性疾病的种类、概率,同时可以精确识别出甲状腺弥漫性疾病的尺寸、位置和覆盖程度。
为实现上述目的,本发明采取的技术方案为:
一种基于超声图像的甲状腺弥漫性疾病智能诊断方法,包括如下步骤:
S1、基于Faster R-CNN 模型截取超声图像的感兴趣区域,并通过图像增强处理突出感兴趣区域;
S2、基于DSSD_Inception_V3模型实现感兴趣区域中甲状腺弥漫区域的检测和识别,并截取甲状腺弥漫区域;
S3、基于连通分量外接矩形的长宽比进行甲状腺弥漫区域尺寸的测量,输出测量结果;
S4、根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的诊断。
进一步地,所述步骤S1中,通过图像增强处理得到的 ROI 区域内图像与原图像灰度相同,而ROI外区域灰度置为 0的图像。
进一步地,所述DSSD_ Inception_V3模型采用DSSD目标检测算法,基于甲状腺弥漫区域图像集训练所得。
进一步地,所述步骤S2中,所截取的甲状腺弥漫区域均携带有其在超声图像中的位置信息。
进一步地,所述步骤S3中,首先基于Faster R-CNN 模型实现甲状腺弥漫区域形状的识别,然后根据形状识别结果定位尺寸测量点,然后基于连通分量外接矩形的长宽比进行各尺寸测量点之间距离的测量。
进一步地,所述步骤S4中,采用自适应权值组合模型综合支撑向量机(supportvector machine,SVM)和随机森林算法(random forest classifier,RFC),根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的诊断。
本发明实施例提供了一种基于超声图像的甲状腺弥漫性疾病智能诊断系统,包括:
感兴趣区域截取模块,用于基于Faster R-CNN 模型截取超声图像的感兴趣区域,并通过图像增强处理突出感兴趣区域;
甲状腺弥漫区域截取模块,用于基于DSSD_Inception_V3模型实现感兴趣区域中甲状腺弥漫区域的检测和识别,并截取甲状腺弥漫区域;
尺寸测量模块,用于基于连通分量外接矩形的长宽比进行甲状腺弥漫区域尺寸的测量,输出测量结果;
辅助诊断模块,用于根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的诊断。
本实施例中,所述辅助诊断模块采用自适应权值组合模型综合支撑向量机(SVM)和随机森林算法(RFC),根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的诊断。
本实施例中,所述尺寸测量模块首先基于Faster R-CNN 模型实现甲状腺弥漫区域形状的识别,然后根据形状识别结果定位尺寸测量点,然后基于连通分量外接矩形的长宽比进行各尺寸测量点之间距离的测量。
本发明具有以下有益效果:
能够自动检测出甲状腺弥漫性疾病的种类、概率,同时可以精确识别出甲状腺弥漫性疾病的尺寸、位置和覆盖程度。
附图说明
图1为本发明实施例一种基于超声图像的甲状腺弥漫性疾病智能诊断方法的流程图。
图2为本发明实施例一种基于超声图像的甲状腺弥漫性疾病智能诊断系统的系统框图。
具体实施方式
为了使本发明的目的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。
实施例1
如图1所示,一种基于超声图像的甲状腺弥漫性疾病智能诊断方法,包括如下步骤:
S1、基于Faster R-CNN 模型截取超声图像的感兴趣区域,并通过图像增强处理突出感兴趣区域,得到ROI 区域内图像与原图像灰度相同,而ROI外区域灰度置为 0的图像;
S2、基于DSSD_Inception_V3模型实现感兴趣区域中甲状腺弥漫区域的检测和识别,并截取甲状腺弥漫区域;所截取的甲状腺弥漫区域均携带有其在超声图像中的位置信息;所述DSSD_ Inception_V3模型采用DSSD目标检测算法,基于甲状腺弥漫区域图像集训练所得;
S3、基于连通分量外接矩形的长宽比进行甲状腺弥漫区域尺寸的测量,输出测量结果;
S4、根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的诊断。
本实施例中,所述步骤S3中,首先基于Faster R-CNN 模型实现甲状腺弥漫区域形状的识别,然后根据形状识别结果定位尺寸测量点,然后基于连通分量外接矩形的长宽比进行各尺寸测量点之间距离的测量。
本实施例中,所述步骤S4中,采用自适应权值组合模型综合支撑向量机(SVM)和随机森林算法(RFC),根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的诊断。
实施例2
如图2所示,一种基于超声图像的甲状腺弥漫性疾病智能诊断系统,包括:
感兴趣区域截取模块,用于基于Faster R-CNN 模型截取超声图像的感兴趣区域,并通过图像增强处理突出感兴趣区域,得到ROI 区域内图像与原图像灰度相同,而ROI外区域灰度置为 0的图像;
甲状腺弥漫区域截取模块,用于基于DSSD_Inception_V3模型实现感兴趣区域中甲状腺弥漫区域的检测和识别,并截取甲状腺弥漫区域;所述DSSD_ Inception_V3模型采用DSSD目标检测算法,基于甲状腺弥漫区域图像集训练所得;
尺寸测量模块,用于基于连通分量外接矩形的长宽比进行甲状腺弥漫区域尺寸的测量,输出测量结果;
辅助诊断模块,用于根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的诊断。
本实施例中,所述辅助诊断模块采用自适应权值组合模型综合支撑向量机(SVM)和随机森林算法(RFC),根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的诊断。
本实施例中,所述尺寸测量模块首先基于Faster R-CNN 模型实现甲状腺弥漫区域形状的识别,然后根据形状识别结果定位尺寸测量点,然后基于连通分量外接矩形的长宽比进行各尺寸测量点之间距离的测量。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于超声图像的甲状腺弥漫性疾病智能诊断方法,其特征在于,包括如下步骤:
S1、基于Faster R-CNN 模型截取超声图像的感兴趣区域,并通过图像增强处理突出感兴趣区域;
S2、基于DSSD_Inception_V3模型实现感兴趣区域中甲状腺弥漫区域的检测和识别,并截取甲状腺弥漫区域;
S3、基于连通分量外接矩形的长宽比进行甲状腺弥漫区域尺寸的测量,输出测量结果;
S4、根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的种类、概率、尺寸、位置和覆盖程度。
2.如权利要求1所述的一种基于超声图像的甲状腺弥漫性疾病智能诊断方法,其特征在于,所述步骤S1中,通过图像增强处理得到的 ROI 区域内图像与原图像灰度相同,而ROI外区域灰度置为 0的图像。
3.如权利要求1所述的一种基于超声图像的甲状腺弥漫性疾病智能诊断方法,其特征在于,所述DSSD_ Inception_V3模型采用DSSD目标检测算法,基于甲状腺弥漫区域图像集训练所得。
4.如权利要求1所述的一种基于超声图像的甲状腺弥漫性疾病智能诊断方法,其特征在于,所述步骤S2中,所截取的甲状腺弥漫区域均携带有其在超声图像中的位置信息。
5.如权利要求1所述的一种基于超声图像的甲状腺弥漫性疾病智能诊断方法,其特征在于,所述步骤S3中,首先基于Faster R-CNN 模型实现甲状腺弥漫区域形状的识别,然后根据形状识别结果定位尺寸测量点,然后基于连通分量外接矩形的长宽比进行各尺寸测量点之间距离的测量。
6.如权利要求1所述的一种基于超声图像的甲状腺弥漫性疾病智能诊断方法,其特征在于,所述步骤S4中,采用自适应权值组合模型综合支撑向量机和随机森林算法,根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的诊断。
7.一种基于超声图像的甲状腺弥漫性疾病智能诊断系统,其特征在于,包括:
感兴趣区域截取模块,用于基于Faster R-CNN 模型截取超声图像的感兴趣区域,并通过图像增强处理突出感兴趣区域;
甲状腺弥漫区域截取模块,用于基于DSSD_Inception_V3模型实现感兴趣区域中甲状腺弥漫区域的检测和识别,并截取甲状腺弥漫区域;
尺寸测量模块,用于基于连通分量外接矩形的长宽比进行甲状腺弥漫区域尺寸的测量,输出测量结果;
辅助诊断模块,用于根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的种类、概率、尺寸、位置和覆盖程度。
8.如权利要求7所述的一种基于超声图像的甲状腺弥漫性疾病智能诊断系统,其特征在于,所述辅助诊断模块采用自适应权值组合模型综合支撑向量机和随机森林算法,根据甲状腺弥漫区域位置参数、数量参数、及其对应的尺寸参数实现甲状腺弥漫性疾病的诊断。
9.如权利要求7所述的一种基于超声图像的甲状腺弥漫性疾病智能诊断系统,其特征在于,所述尺寸测量模块首先基于Faster R-CNN 模型实现甲状腺弥漫区域形状的识别,然后根据形状识别结果定位尺寸测量点,然后基于连通分量外接矩形的长宽比进行各尺寸测量点之间距离的测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011011278.0A CN112070089B (zh) | 2020-09-23 | 2020-09-23 | 一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011011278.0A CN112070089B (zh) | 2020-09-23 | 2020-09-23 | 一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070089A CN112070089A (zh) | 2020-12-11 |
CN112070089B true CN112070089B (zh) | 2022-06-14 |
Family
ID=73682642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011011278.0A Active CN112070089B (zh) | 2020-09-23 | 2020-09-23 | 一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070089B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364293A (zh) * | 2018-04-10 | 2018-08-03 | 复旦大学附属肿瘤医院 | 一种在线训练甲状腺肿瘤超声图像识别方法及其装置 |
CN111461158A (zh) * | 2019-05-22 | 2020-07-28 | 什维新智医疗科技(上海)有限公司 | 用于识别超声图像中特征的方法、装置、存储介质和系统 |
CN111507390A (zh) * | 2020-04-11 | 2020-08-07 | 华中科技大学 | 一种基于轮廓特征的仓储箱体识别与定位方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120220875A1 (en) * | 2010-04-20 | 2012-08-30 | Suri Jasjit S | Mobile Architecture Using Cloud for Hashimoto's Thyroiditis Disease Classification |
US20190038209A1 (en) * | 2016-02-01 | 2019-02-07 | Board Of Regents, The University Of Texas System | Using Spectral CT to Diagnose Thyroid Nodules |
CN108241865B (zh) * | 2016-12-26 | 2021-11-02 | 哈尔滨工业大学 | 基于超声图像的多尺度多子图肝纤维化多级量化分期方法 |
CN108695000B (zh) * | 2018-05-11 | 2022-07-01 | 哈尔滨工业大学 | 基于超声图像的甲状腺弥漫性疾病智能诊断系统 |
CN109063712B (zh) * | 2018-06-22 | 2021-10-15 | 哈尔滨工业大学 | 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法 |
CN109727227A (zh) * | 2018-11-23 | 2019-05-07 | 哈尔滨工业大学(威海) | 一种基于spect影像的甲状腺疾病诊断方法 |
CN110060235A (zh) * | 2019-03-27 | 2019-07-26 | 天津大学 | 一种基于深度学习的甲状腺结节超声图像分割方法 |
CN110379509A (zh) * | 2019-07-23 | 2019-10-25 | 安徽磐众信息科技有限公司 | 一种基于dssd的乳腺结节辅助诊断方法及系统 |
CN110895817B (zh) * | 2019-11-01 | 2023-06-30 | 复旦大学 | 一种基于影像组学分析的mri影像肝纤维化自动分级方法 |
CN111414896A (zh) * | 2020-04-10 | 2020-07-14 | 吉林农业大学 | 一种基于卷积神经网络农作物病害图像识别方法 |
CN111507979A (zh) * | 2020-05-08 | 2020-08-07 | 延安大学 | 一种医学影像计算机辅助分析方法 |
-
2020
- 2020-09-23 CN CN202011011278.0A patent/CN112070089B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364293A (zh) * | 2018-04-10 | 2018-08-03 | 复旦大学附属肿瘤医院 | 一种在线训练甲状腺肿瘤超声图像识别方法及其装置 |
CN111461158A (zh) * | 2019-05-22 | 2020-07-28 | 什维新智医疗科技(上海)有限公司 | 用于识别超声图像中特征的方法、装置、存储介质和系统 |
CN111507390A (zh) * | 2020-04-11 | 2020-08-07 | 华中科技大学 | 一种基于轮廓特征的仓储箱体识别与定位方法 |
Non-Patent Citations (1)
Title |
---|
超声新技术诊断甲状腺弥漫性病变的研究进展;王亚娟等;《内蒙古民族大学学报(自然科学版)》;20180515(第03期);第94-98页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070089A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
Huang et al. | Computer‐aided diagnosis using morphological features for classifying breast lesions on ultrasound | |
CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
EP0757544B1 (en) | Computerized detection of masses and parenchymal distortions | |
US20120014578A1 (en) | Computer Aided Detection Of Abnormalities In Volumetric Breast Ultrasound Scans And User Interface | |
Koundal et al. | Computer-aided diagnosis of thyroid nodule: a review | |
Hussein et al. | Fully‐automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG) | |
CN110838114B (zh) | 肺结节检测方法、装置及计算机存储介质 | |
CN111462102B (zh) | 基于新型冠状病毒肺炎x射线胸片的智能分析系统及方法 | |
CN111553892A (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
WO2022110525A1 (zh) | 一种癌变区域综合检测装置及方法 | |
WO2020027228A1 (ja) | 診断支援システム及び診断支援方法 | |
CN110910404A (zh) | 一种抗噪声数据的乳腺超声结节分割方法 | |
CN112862756A (zh) | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 | |
CN112071418B (zh) | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 | |
CN114399493B (zh) | 超声颅脑异常区域自动检测及显示方法 | |
Nabilah et al. | Classification of ovarian cysts on ultrasound images using watershed segmentation and contour analysis | |
Zhao et al. | Early diagnosis of cirrhosis via automatic location and geometric description of liver capsule | |
CN209770401U (zh) | 医学图像快速分析处理系统 | |
CN112070089B (zh) | 一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 | |
Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant | |
CN112308065A (zh) | 一种识别超声图像中特征的方法、系统及电子设备 | |
Song et al. | Fully automatic ultrasound fetal heart image detection and segmentation based on texture analysis | |
WO2023133929A1 (zh) | 一种基于超声的人体组织对称性检测分析方法 | |
Srividhya et al. | Feature extraction of tongue diseases diagnosis using SVM classifier |
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 |