CN112102351A - 医学图像分析方法、装置、电子设备及可读存储介质 - Google Patents
医学图像分析方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112102351A CN112102351A CN202011096338.3A CN202011096338A CN112102351A CN 112102351 A CN112102351 A CN 112102351A CN 202011096338 A CN202011096338 A CN 202011096338A CN 112102351 A CN112102351 A CN 112102351A
- Authority
- CN
- China
- Prior art keywords
- image set
- image
- feature
- index
- medical image
- 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
Links
- 238000003703 image analysis method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000010191 image analysis Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000005520 cutting process Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 19
- 239000006002 Pepper Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000005192 partition Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 11
- 235000002566 Capsicum Nutrition 0.000 description 10
- 241000722363 Piper Species 0.000 description 10
- 235000016761 Piper aduncum Nutrition 0.000 description 10
- 235000017804 Piper guineense Nutrition 0.000 description 10
- 235000008184 Piper nigrum Nutrition 0.000 description 10
- 150000003839 salts Chemical class 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 210000004556 brain Anatomy 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 210000003625 skull Anatomy 0.000 description 6
- 230000002861 ventricular Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000001159 caudate nucleus Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 208000003906 hydrocephalus Diseases 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 210000003140 lateral ventricle Anatomy 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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]
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)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像检测领域,揭露了一种医学图像分析方法,包括:获取目标物的医学图像集和标准指标集,对所述医学图像集去噪,得到去噪图像集;从去噪图像集中提取特征,得到特征图像集;对特征图像集进行特征聚类,得到聚类特征图像集;根据聚类特征图像集对所述特征图像集进行切割,得到目标图像集;将目标图像集中目标物进行对比、提取并量化所述提取的结果,得到所述目标物的检测指标集;根据所述检测指标集与所述标准指标集得到分析结果。本发明还涉及区块链技术,所述标准指标集可以存储在区块链节点中。本发明还提出一种医学图像分析装置、设备及存储介质。本发明解决了切片图像分区不明确、图像数据分析没有标准的问题。
Description
技术领域
本发明涉及图像检测领域,尤其涉及一种医学图像分析方法、装置、电子设备及计算机可读存储介质。
背景技术
随着医学成像技术和计算机技术的不断发展和进步,医学图像分析已成为医学研究、临床疾病诊断和治疗中一个不可或缺的工具和技术手段。医学图像分析是通过医学图像诊断是否有病灶、对病灶的轻重程度进行量化分级等。自动识别图像中的病灶区域和正常组织器官区域是医学图像分析的基本任务。
目前通常采用医学图像分割技术识别图像中的病灶区域。然而,在执行图像分割时,由于病灶区域部分位置相互贴合导致分区不明显,会导致分割结果不精确,影响图片的量化结果,此外,现有的图像分析并没有统一的评判标准,从而会影响图像的分析结果。
发明内容
本发明提供一种医学图像分析方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决医学图像分割技术存在的切片图像分区不明确、图像数据分析没有标准的问题。
为实现上述目的,本发明提供的一种医学图像分析方法,包括:
获取目标物的医学图像集及获取所述目标物对应的标准指标集,对所述医学图像集进行去噪处理,得到去噪图像集;
对所述去噪图像集进行特征提取,得到特征图像集;
将所述特征图像集进行特征聚类,得到聚类特征图像集;
根据所述聚类特征图像集,对所述特征图像集进行切割,得到目标图像集;
按照预设参数指标,将所述目标图像集中目标图像进行对比及提取操作,得到提取结果,并量化所述提取结果,得到所述目标物的检测指标集;
根据所述检测指标集与所述标准指标集,得到所述医学图像集的分析结果。
可选的,所述根据所述检测指标集与所述标准指标集,得到所述医学图像集的分析结果,包括:
将所述检测指标集中每一个检测指标与所述标准指标集中对应的标准指标进行对比,并计算所述检测指标与对应的所述标准指标的差值;
当所述差值大于预设阈值时,判定所述检测指标为异常指标;
根据所有异常的检测指标构建异常指标集,得到所述分析结果。
可选的,所述将所述特征图像集进行特征聚类,得到聚类特征图像集,包括:
计算所述特征图像集中每一张特征图像中目标物的标准簇心,得到簇心集;
根据所述簇心集,利用预构建的聚类算法,对所述特征图像进行边缘聚类,得到所述聚类特征图像。
可选的,所述计算所述特征图像集中每一张特征图像的标准簇心,包括:
将所述特征图像中所述目标物作为一个簇,初始化所述簇,随机得到所述簇对应的初始簇心;
计算所述簇的损失值,比较所述损失值与预设阈值,当所述损失值大于所述阈值时,重新初始化所述初始簇心,当所述损失值小于或等于所述阈值时,确定所述初始簇心为标准簇心。
可选的,所述对所述去噪图像集进行特征提取,得到特征图像集,包括:
将所述去噪图像集进行卷积,得到特征映射矩阵集;
将所述特征映射矩阵集进行池化及激活操作,通过预构建的全连接层,生成所述特征图像集。
可选的,所述对所述医学图像集进行去噪处理,得到去噪图像集,包括:
对所述医学图像集进行椒盐噪声滤波,得到半消噪图像集;
对所述半消噪图像集进行高斯噪声滤波,得到所述去噪图像集。
可选的,所述获取所述目标物对应的标准指标集,包括;
构建分布式的区块链节点并连接预构建的数据库管理系统;
通过所述数据库管理系统,存储所述所述目标物的标准指标集至所述区块链节点;
当检测所述目标物时,获取目标物关键字信息,查询得到所述目标物的标准指标集。
为了解决上述问题,本发明还提供一种医学图像分析装置,所述装置包括:
图像获取模块,用于获取目标物的医学图像集及获取所述目标物对应的标准指标集,对所述医学图像集进行去噪处理,得到去噪图像集;
图像处理模块,用于对所述去噪图像集进行特征提取,得到特征图像集,将所述特征图像集进行特征聚类,得到聚类特征图像集;
图像切割模块根据所述聚类特征图像集,对所述特征图像集进行切割,得到目标图像集;
图像分析模块,用于按照预设参数指标,将所述目标图像集中目标图像进行对比及提取操作,得到提取结果,并量化所述提取结果,得到所述目标物的检测指标集,根据所述检测指标集与所述标准指标集,得到所述医学图像集的分析结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的医学图像分析方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,包括存储数据区和存储程序区,其中,所述存储数据区存储创建的数据,所述存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现上述所述的医学图像分析方法。
本发明实施例对医学图像集进行去噪处理,得到去噪图像集,以消除图像中的噪音因素,对所述去噪图像集进行特征提取,得到特征图像集,并将所述特征图像集进行特征聚类,可以使得目标物与非目标物间的分区更加明显方便后续切割过程,按照预设参数指标,将所述目标图像集中目标图像进行对比、提取并量化所述提取的结果,并将检测指标集与标准指标集进行比较,得到分析结果,使得分析结果标准统一。因此,本发明实施例所述医学图像分析方法、装置、电子设备及计算机可读存储介质解决了医学图像分割技术存在的切片图像分区不明确、图像数据分析没有标准的问题。
附图说明
图1为本发明一实施例提供的医学图像分析方法的流程示意图;
图2为图1提供的医学图像分析方法中其中一个步骤的详细实施流程示意图;
图3为本发明一实施例提供的医学图像分析装置的模块示意图;
图4为本发明一实施例提供的实现医学图像分析方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本发明实施例提供一种医学图像分析方法。所述医学图像分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述医学图像分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明实施例提供的医学图像分析方法的流程示意图,所述医学图像分析方法包括:
S1、获取目标物的医学图像集及获取所述目标物对应的标准指标集,对所述医学图像集进行去噪处理,得到去噪图像集。
本发明实施例中,所述目标物可以包括:大脑、肺、心脏等人体组织器官。所述医学图像集可以包括电子计算机断层(简称CT)图像集、磁共振(MRI)图像集等。
所述目标物对应的标准指标集是指依据大量的医学研究总结出来的健康的人体组织的指标标准,例如,健康人体大脑的侧脑室前角比上颅骨最大内径约为0.3。
进一步地,本发明实施例可以利用MySQL构建分布式的区块链节点并连接预构建的数据库管理系统;通过所述数据库管理系统,存储所述所述目标物的标准指标集至所述区块链节点;当检测所述目标物时,获取目标物关键字信息,从所述区块链节点查询得到所述目标物的标准指标集。
本发明实施例中,所述去噪处理是将所述医学图像集上的噪声除去的过程。详细地,本发明较佳实施例中,所述对医学图像集进行去噪处理,得到去噪图像,包括:
步骤a、对所述医学图像集进行椒盐噪声滤波,得到半消噪图像集;
所述椒盐噪声为一种图像中随机出现的白点或者黑点,是影像讯号受到突如其来的强烈干扰而产生,相似椒盐而得名,在医学图像分析中会产生误判,尤其是在大脑等精细器官的分析中。
所述滤波为将所述医学图像中特定波段频率滤除的操作,本地发明实施例可以通过经典滤波,即根据傅里叶变换与分析,将所述医学图像集拆分成无数的波,剔除椒盐波再重新组合。
本发明较佳实施例可以利用中值滤波方法消掉所述椒盐噪声进行滤波,所述中值滤波方法一种非线性数字滤波器技术。
步骤b、对所述半消噪图像集进行高斯噪声滤波,得到所述去噪图像集。
所述高斯噪声是指概率密度函数服从高斯分布的一类噪声。
优选地,本发明实施例可采用小波变换(wavelet transform,WT)法对半消噪图像中出现的高斯噪声进行滤波,小波变换是继承短时傅立叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,利用该时间-频率”窗口所述半消噪图像,可有效去除所述半消噪图像内的高斯噪声。
S2、对所述去噪图像集进行特征提取,得到特征图像集。
本发明实施例可以通过卷积神经网络(CNN)对所述去噪图像进行特征提取。所述卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,用于提取图像特征。
详细地,本发明实施例中,所述对所述去噪图像集进行特征提取,得到特征图像集,包括:
将所述去噪图像集进行卷积,得到特征映射矩阵集;将所述特征映射矩阵集进行池化及激活操作,通过预构建的全连接层,生成所述特征图像集。
S3、将所述特征图像集进行特征聚类,得到聚类特征图像集。
本发明实施例对所述特征图像集进行聚类,可以保证所述特征图像集在下述切割过程中能保持边界清晰。
详细地,本发明实施例中,所述将所述特征图像集进行特征聚类,得到聚类特征图像集,包括:
步骤a、计算所述特征图像集中每一张特征图像所述目标物的标准簇心,得到簇心集;
步骤b、根据所述簇心集,利用预构建的聚类算法,对所述特征图像进行边缘聚类,得到所述聚类特征图像
进一步的,本发明实施例中,所述步骤a,包括:
将所述特征图像中所述目标物作为一个簇,初始化所述簇,随机得到所述簇对应的初始簇心;
计算所述簇的损失值,比较所述损失值与预设阈值,当所述损失值大于所述阈值时,重新初始化所述初始簇心,当所述损失值小于或等于所述阈值时,确定所述初始簇心为标准簇心。
其中,所述损失值的计算方法为:
其中,ci表示数据簇中的数据坐标,xt为所述数据簇的簇心坐标,μi为所述数据簇内除xt之外的其他数据坐标,K为数据簇的数量。
本发明其中一个实施例中,所述预设阈值可以设定为0.01。
本发明实施例中,当所述损失值大于0.01,判定为所述簇不稳定或不收敛,需要重新选择簇心。当所述损失值小于0.01,判定为聚类过程已经达到期望的结果,保留所有所述小于0.01的损失值对应的簇心至所述簇心集。
进一步地,本发明实施例可以通过K-Means聚类算法对所述特征图像进行边缘聚类,使得所述特征图像的边缘更加清晰。
S4、根据所述聚类特征图像集,对所述特征图像集进行切割,得到目标图像集。
本发明实施例可以通过阈值分割法对所述聚类图像特征进行分割,得到目标图像集。
S5、按照预设参数指标,将所述目标图像集中目标图像进行对比及提取操作,得到提取结果,并量化所述提取结果,得到所述目标物的检测指标集。
本发明实施例以大脑组织为例,则所述预设参数指标可以包括:Evans指数、Hackman指数及第三脑室横径C、第四脑室横径D、脑沟宽度F。其中:
Evans指数=侧脑室前角A/颅骨最大内径E;
Hackman指数=侧脑室前角A+尾状核B;
进一步以测量颅骨最大内径E为例,本发明实施例中,将所述目标图像集中所有目标图像进行对比,提取出颅腔直径最大的目标图像并对所述颅腔直径最大的目标图像进行量化,方便后续利用所述最大颅腔直径进行运算所述检测指标。
S6、根据所述检测指标集与所述标准指标集,得到所述医学图像集的分析结果。
本发明实施例通过将所述检测指标集与所述标准指标集进行比较,得到所述医学图像集的分析结果。
详细地,如图2所示,本发明实施例中,所述S6,包括:
S61、将所述检测指标集中每一个检测指标与所述标准指标集中对应的标准指标进行对比,并计算所述检测指标与对应的所述标准指标的差值。
本发明实施例以大脑组织的上述Evans指数为例,当检测Evans指数为XEvans时,标准Evans指数为YEvans时,计算所述检测Evans指数与标准Evans指数的差值为|XEvans-YEvans|。
S62、当所述差值大于预设阈值时,判定所述检测指标为异常指标。
本发明实施例中,当所述组织结构的检测指标与所述标准指标的差值小于或等于规定阈值,判定所述检测指标为正常的检测指标,若所述差值大于所述阈值,判定所述检测指标为异常的检测指标。以上述Evans指数为例,当XEvans=0.2,YEvans=0.3,则|XEvans-YEvans|=0.1,预设阈值为0.05,0.1大于0.05,则表明所述医学图像中可能存在大脑积水。
S63、根据所有异常的检测指标构建异常指标集,得到所述分析结果
利用所有正常的检测指标构建的正常指标集,及利用所有异常的检测指标构建的异常指标集,根据所述正常指标集及所述异常指标集,得到分析结果。
本发明其他实施例中,也可以只整合所述出现异常的检测指标,构建异常指标集,总结各个所述异常指标的对应问题,可以得到分析结果。
本发明实施例对医学图像集进行去噪处理,得到去噪图像集,消除了图像中的噪音因素,对所述去噪图像集进行特征提取,得到特征图像集,并将所述特征图像集进行特征聚类,特征聚类可以使得目标物与非目标物间的分区更加明显方便后续切割过程,按照预设参数指标,将所述目标图像集中目标图像进行对比、提取并量化所述提取的结果,并将检测指标集与标准指标集进行比较,得到分析结果,使得分析结果标准统一,并可以减少医护人员的对疾病的诊断时间,提高效率。
如图3所示,是本发明医学图像分析装置的模块示意图。
本发明所述医学图像分析装置100可以安装于电子设备中。根据实现的功能,所述医学图像分析装置100可以包括图像获取模块101、图像处理模块102、切割模块103及图像分析模块104。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图像获取模块101,用于获取目标物的医学图像集,对所述医学图像集进行去噪处理,得到去噪图像集。
本发明实施例中,所述目标物可以包括:大脑、肺、心脏等人体组织器官。所述医学图像集可以包括电子计算机断层(简称CT)图像集、磁共振(MRI)图像集等。
所述目标物对应的标准指标集是指依据大量的医学研究总结出来的健康的人体组织的指标标准,例如,健康人体大脑的侧脑室前角比上颅骨最大内径约为0.3。
进一步地,本发明实施例所述图像获取模块101可以利用MySQL构建分布式的区块链节点并连接预构建的数据库管理系统;通过所述数据库管理系统,存储所述所述目标物的标准指标集至所述区块链节点;当检测所述目标物时,获取目标物关键字信息,从所述区块链节点查询得到所述目标物的标准指标集。
本发明实施例中,所述去噪处理是将所述医学图像集上的噪声除去的过程。详细地,本发明较佳实施例中,所述图像获取模块101对医学图像集进行去噪处理,得到去噪图像,包括:
步骤a、对所述医学图像集进行椒盐噪声滤波,得到半消噪图像集;
所述椒盐噪声为一种图像中随机出现的白点或者黑点,是影像讯号受到突如其来的强烈干扰而产生,相似椒盐而得名,在医学图像分析中会产生误判,尤其是在大脑等精细器官的分析中。
所述滤波为将所述医学图像中特定波段频率滤除的操作,本地发明实施例可以通过经典滤波,即根据傅里叶变换与分析,将所述医学图像集拆分成无数的波,剔除椒盐波再重新组合。
本发明较佳实施例所述图像获取模块101可以利用中值滤波方法消掉所述椒盐噪声进行滤波,所述中值滤波方法一种非线性数字滤波器技术。
步骤b、对所述半消噪图像集进行高斯噪声滤波,得到所述去噪图像集。
所述高斯噪声是指概率密度函数服从高斯分布的一类噪声。
优选地,本发明实施例所述图像获取模块101可采用小波变换(wavelettransform,WT)法对半消噪图像中出现的高斯噪声进行滤波,小波变换是继承短时傅立叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,利用该时间-频率”窗口所述半消噪图像,可有效去除所述半消噪图像内的高斯噪声。
所述图像处理模块102,用于对所述去噪图像集进行特征提取,得到特征图像集,及根据所述特征图像集对所述目标物的特征进行收敛,得到收敛特征图像集。
本发明实施例所述图像处理模块102可以通过卷积神经网络(CNN)对所述去噪图像进行特征提取。所述卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,用于提取图像特征。
详细地,本发明实施例中,所述图像处理模块102对所述去噪图像集进行特征提取,得到特征图像集,包括:
将所述去噪图像集进行卷积,得到特征映射矩阵集;将所述特征映射矩阵集进行池化及激活操作,通过预构建的全连接层,生成所述特征图像集。
详细地,本发明实施例中,所述图像处理模块102根据所述特征图像集对所述目标物的特征进行收敛,得到收敛特征图像集,包括:
步骤a、计算所述特征图像集中每一张特征图像所述目标物的标准簇心,得到簇心集;
步骤b、根据所述簇心集,利用预构建的聚类算法,对所述特征图像进行边缘聚类,得到所述聚类特征图像
进一步的,本发明实施例中,所述步骤a,包括:
将所述特征图像中所述目标物作为一个簇,初始化所述簇,随机得到所述簇对应的初始簇心;
计算所述簇的损失值,比较所述损失值与预设阈值,当所述损失值大于所述阈值时,重新初始化所述初始簇心,当所述损失值小于或等于所述阈值时,确定所述初始簇心为标准簇心。
其中,所述损失值的计算方法为:
其中,ci表示数据簇中的数据坐标,xt为所述数据簇的簇心坐标,μi为所述数据簇内除xt之外的其他数据坐标,K为数据簇的数量。
本发明其中一个实施例中,所述预设阈值可以设定为0.01。
本发明实施例中,当所述损失值大于0.01,所述图像处理模块102判定为所述簇不稳定或不收敛,需要重新选择簇心;当所述损失值小于0.01,所述图像处理模块102判定为聚类过程已经达到期望的结果,保留所有所述小于0.01的损失值对应的簇心至所述簇心集。
进一步地,本发明实施例所述图像处理模块102可以通过K-Means聚类算法对所述特征图像进行边缘聚类,使得所述特征图像的边缘更加清晰。
所述切割模块103,用于根据所述收敛特征图像集对所述目标物进行切割,得到目标图像集;
本发明实施例所述切割模块103可以通过阈值分割法对所述聚类图像特征进行分割,得到目标图像集。
所述图像分析模块104,用于对所述特征按照预设参数指标,将所述目标图像集中目标图像进行对比及提取操作,得到提取结果,并量化所述提取结果,得到所述目标物的检测指标集,及根据所述检测指标集与所述标准指标集,得到所述医学图像集的分析结果。
本发明实施例以大脑组织为例,则所述预设参数指标可以包括:Evans指数、Hackman指数及第三脑室横径C、第四脑室横径D、脑沟宽度F。其中:
Evans指数=侧脑室前角A/颅骨最大内径E;
Hackman指数=侧脑室前角A+尾状核B;
进一步以测量颅骨最大内径E为例,本发明实施例中,所述图像分析模块104将所述目标图像集中所有目标图像进行对比,提取出颅腔直径最大的目标图像并对所述颅腔直径最大的目标图像进行量化,方便后续利用所述最大颅腔直径进行运算所述检测指标。
本发明实施例所述图像分析模块104根据所述检测指标集与所述标准指标集,得到所述医学图像集的分析结果。
本发明实施例中,所述图像分析模块104通过将所述检测指标集与所述标准指标集进行比较,得到所述医学图像集的分析结果。
详细地,所述图像分析模块104根据所述检测指标集与所述标准指标集,得到所述医学图像集的分析结果,包括:
将所述检测指标集中每一个检测指标与所述标准指标集中对应的标准指标进行对比,并计算所述检测指标与对应的所述标准指标的差值。
本发明实施例以大脑组织的上述Evans指数为例,当检测Evans指数为XEvans时,标准Evans指数为YEvans,则计算所述检测Evans指数与标准Evans指数的差值为|XEvans-YEvans|。
当所述差值在所述预设阈值范围之内,则所述图像分析模块104判断所述检测指标为正常,及当所述差值不在所述预设阈值范围之内,所述图像分析模块104判断所述检测指标为异常。
本发明实施例中,当所述组织结构的检测指标与所述标准指标的差值小于或等于规定阈值,所述图像分析模块104判定所述检测指标为正常,若所述差值大于所述阈值,所述图像分析模块104判定所述检测指标为异常。以上述Evans指数为例,当XEvans=0.2,YEvans=0.3,则|XEvans-YEvans|=0.1,预设阈值为0.05,0.1大于0.05,则所述医学图像表明大脑可能会出现脑积水。
本发明实施例中,所述图像分析模块104利用所有正常的检测指标构建的正常指标集,及利用所有异常的检测指标构建的异常指标集,根据所述正常指标集及所述异常指标集,得到分析结果。
本发明其他实施例中,图像分析模块104也可以只整合所述出现异常的检测指标,构建异常指标集,总结各个所述异常指标的对应问题,可以得到分析结果。
如图4所示,是本发明实现医学图像分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如医学图像分析程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如医学图像分析程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行医学图像分析程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图4示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的医学图像分析程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取目标物的医学图像集及获取所述目标物对应的标准指标集,对所述医学图像集进行去噪处理,得到去噪图像集;
对所述去噪图像集进行特征提取,得到特征图像集;
将所述特征图像集进行特征聚类,得到聚类特征图像集;
根据所述聚类特征图像集,对所述特征图像集进行切割,得到目标图像集;
按照预设参数指标,将所述目标图像集中目标图像进行对比及提取操作,得到提取结果,并量化所述提取结果,得到所述目标物的检测指标集;
根据所述检测指标集与所述标准指标集,得到所述医学图像集的分析结果。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种医学图像分析方法,其特征在于,所述方法包括:
获取目标物的医学图像集及获取所述目标物对应的标准指标集,对所述医学图像集进行去噪处理,得到去噪图像集;
对所述去噪图像集进行特征提取,得到特征图像集;
将所述特征图像集进行特征聚类,得到聚类特征图像集;
根据所述聚类特征图像集,对所述特征图像集进行切割,得到目标图像集;
按照预设参数指标,将所述目标图像集中目标图像进行对比及提取操作,得到提取结果,并量化所述提取结果,得到所述目标物的检测指标集;
根据所述检测指标集与所述标准指标集,得到所述医学图像集的分析结果。
2.如权利要求1所述医学图像分析方法,其特征在于,根据所述检测指标集与所述标准指标集,得到所述医学图像集的分析结果,包括:
将所述检测指标集中每一个检测指标与所述标准指标集中对应的标准指标进行对比,并计算所述检测指标与对应的所述标准指标的差值;
当所述差值大于预设阈值时,判定所述检测指标为异常指标;
根据所有异常的检测指标构建异常指标集,得到所述分析结果。
3.如权利要求1所述医学图像分析方法,其特征在于,所述将所述特征图像集进行特征聚类,得到聚类特征图像集,包括:
计算所述特征图像集中每一张特征图像中目标物的标准簇心,得到簇心集;
根据所述簇心集,利用预构建的聚类算法,对所述特征图像进行边缘聚类,得到所述聚类特征图像。
4.如权利要求3所述医学图像分析方法,其特征在于,所述计算所述特征图像集中每一张特征图像的标准簇心,包括:
将所述特征图像中所述目标物作为一个簇,初始化所述簇,随机得到所述簇对应的初始簇心;
计算所述簇的损失值,比较所述损失值与预设阈值,当所述损失值大于所述阈值时,重新初始化所述初始簇心,当所述损失值小于或等于所述阈值时,确定所述初始簇心为标准簇心。
5.如权利要求1所述医学图像分析方法,其特征在于,所述对所述去噪图像集进行特征提取,得到特征图像集,包括:
将所述去噪图像集进行卷积,得到特征映射矩阵集;
将所述特征映射矩阵集进行池化及激活操作,通过预构建的全连接层,生成所述特征图像集。
6.如权利要求1所述医学图像分析方法,其特征在于,所述对所述医学图像集进行去噪处理,得到去噪图像集,包括:
对所述医学图像集进行椒盐噪声滤波,得到半消噪图像集;
对所述半消噪图像集进行高斯噪声滤波,得到所述去噪图像集。
7.如权利要求1至6中任意一项所述医学图像分析方法,其特征在于,所述获取所述目标物对应的标准指标集,包括;
构建分布式的区块链节点并连接预构建的数据库管理系统;
通过所述数据库管理系统,存储所述所述目标物的标准指标集至所述区块链节点;
当检测所述目标物时,获取目标物关键字信息,查询得到所述目标物的标准指标集。
8.一种医学图像分析装置,其特征在于,所述装置包括:
图像获取模块,用于获取目标物的医学图像集及获取所述目标物对应的标准指标集,对所述医学图像集进行去噪处理,得到去噪图像集;
图像处理模块,用于对所述去噪图像集进行特征提取,得到特征图像集,将所述特征图像集进行特征聚类,得到聚类特征图像集;
图像切割模块根据所述聚类特征图像集,对所述特征图像集进行切割,得到目标图像集;
图像分析模块,用于按照预设参数指标,将所述目标图像集中目标图像进行对比及提取操作,得到提取结果,并量化所述提取结果,得到所述目标物的检测指标集,根据所述检测指标集与所述标准指标集,得到所述医学图像集的分析结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的医学图像分析方法。
10.一种计算机可读存储介质,包括存储数据区和存储程序区,其特征在于,所述存储数据区存储创建的数据,所述存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的医学图像分析方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096338.3A CN112102351A (zh) | 2020-10-14 | 2020-10-14 | 医学图像分析方法、装置、电子设备及可读存储介质 |
PCT/CN2020/131977 WO2021189900A1 (zh) | 2020-10-14 | 2020-11-26 | 医学图像分析方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096338.3A CN112102351A (zh) | 2020-10-14 | 2020-10-14 | 医学图像分析方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112102351A true CN112102351A (zh) | 2020-12-18 |
Family
ID=73784221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011096338.3A Pending CN112102351A (zh) | 2020-10-14 | 2020-10-14 | 医学图像分析方法、装置、电子设备及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112102351A (zh) |
WO (1) | WO2021189900A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114121236A (zh) * | 2021-11-22 | 2022-03-01 | 上海商汤智能科技有限公司 | 图像检测方法及相关装置、电子设备和存储介质 |
CN116205940B (zh) * | 2023-05-05 | 2023-08-01 | 武汉大学人民医院(湖北省人民医院) | 基于医学检验的数字图像目标检测方法及系统 |
CN116705250B (zh) * | 2023-06-07 | 2024-06-14 | 宁波全网云医疗科技股份有限公司 | 一种医疗影像大数据的低耗优化和智能存储方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295309A (zh) * | 2008-05-22 | 2008-10-29 | 江苏大学 | 一种医学图像识别的方法 |
CN103617618A (zh) * | 2013-12-03 | 2014-03-05 | 西安电子科技大学 | 基于特征提取与聚类集成的sar图像分割方法 |
CN110111323A (zh) * | 2019-05-13 | 2019-08-09 | 上海交通大学医学院附属上海儿童医学中心 | 髋关节检测方法及装置 |
CN110675412A (zh) * | 2019-09-27 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 图像分割方法、图像分割模型的训练方法、装置及设备 |
CN111259979A (zh) * | 2020-02-10 | 2020-06-09 | 大连理工大学 | 一种基于标签自适应策略的深度半监督图像聚类方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681731A (zh) * | 2018-04-03 | 2018-10-19 | 中山大学 | 一种甲状腺癌症超声图片自动标注方法及系统 |
CN110728673A (zh) * | 2019-10-21 | 2020-01-24 | 上海联影医疗科技有限公司 | 一种目标部位分析方法、装置、计算机设备及存储介质 |
CN111652845A (zh) * | 2020-04-27 | 2020-09-11 | 平安科技(深圳)有限公司 | 异常细胞自动标注方法、装置、电子设备及存储介质 |
CN111753831A (zh) * | 2020-06-28 | 2020-10-09 | 上海联影医疗科技有限公司 | 一种图像分析方法、装置、图像采集设备及存储介质 |
-
2020
- 2020-10-14 CN CN202011096338.3A patent/CN112102351A/zh active Pending
- 2020-11-26 WO PCT/CN2020/131977 patent/WO2021189900A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295309A (zh) * | 2008-05-22 | 2008-10-29 | 江苏大学 | 一种医学图像识别的方法 |
CN103617618A (zh) * | 2013-12-03 | 2014-03-05 | 西安电子科技大学 | 基于特征提取与聚类集成的sar图像分割方法 |
CN110111323A (zh) * | 2019-05-13 | 2019-08-09 | 上海交通大学医学院附属上海儿童医学中心 | 髋关节检测方法及装置 |
CN110675412A (zh) * | 2019-09-27 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 图像分割方法、图像分割模型的训练方法、装置及设备 |
CN111259979A (zh) * | 2020-02-10 | 2020-06-09 | 大连理工大学 | 一种基于标签自适应策略的深度半监督图像聚类方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021189900A1 (zh) | 2021-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Shallow 3D CNN for detecting acute brain hemorrhage from medical imaging sensors | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN112102351A (zh) | 医学图像分析方法、装置、电子设备及可读存储介质 | |
US10650282B2 (en) | Medical image classification apparatus, method, and program | |
CN112288786B (zh) | 电子装置及非暂态计算机可读存储介质 | |
CN110969619B (zh) | 一种自动识别鼻咽癌原发肿瘤的方法及装置 | |
CN111008984A (zh) | 医学影像中正常器官的轮廓线自动勾画方法及系统 | |
CN106709920B (zh) | 血管提取方法及其装置 | |
Tuncer et al. | Spinal Cord Based Kidney Segmentation Using Connected Component Labeling and K-Means Clustering Algorithm. | |
Chae et al. | Automatic lung segmentation for large-scale medical image management | |
CN112508902B (zh) | 白质高信号分级方法、电子设备及存储介质 | |
CN102419864B (zh) | 一种提取脑部ct图像骨骼方法及装置 | |
Lee et al. | Unsupervised segmentation of lung fields in chest radiographs using multiresolution fractal feature vector and deformable models | |
CN113643279A (zh) | 基于ct影像的肺结节检测设备、装置及存储介质 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
Shelke et al. | Automated segmentation and detection of brain tumor from MRI | |
Mirajkar et al. | Acute ischemic stroke detection using wavelet based fusion of CT and MRI images | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
CN110428431B (zh) | 一种心脏医学图像的分割方法、装置、设备及存储介质 | |
Kavitha et al. | Volumetric analysis framework for accurate segmentation and classification (VAF-ASC) of lung tumor from CT images | |
Bouzid-Daho et al. | Detection of abnormal blood cells by segmentation and classification | |
Luong et al. | A computer-aided detection to intracranial hemorrhage by using deep learning: a case study | |
Doğanay et al. | A hybrid lung segmentation algorithm based on histogram-based fuzzy C-means clustering | |
CN112348796B (zh) | 基于多模型结合的脑出血分割方法和系统 | |
KN et al. | Comparison of 3-segmentation techniques for intraventricular and intracerebral hemorrhages in unenhanced computed tomography scans |
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 |