CN112200815B - 基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法 - Google Patents

基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法 Download PDF

Info

Publication number
CN112200815B
CN112200815B CN202011082848.5A CN202011082848A CN112200815B CN 112200815 B CN112200815 B CN 112200815B CN 202011082848 A CN202011082848 A CN 202011082848A CN 112200815 B CN112200815 B CN 112200815B
Authority
CN
China
Prior art keywords
thyroid
semantic segmentation
pspnet
network
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.)
Active
Application number
CN202011082848.5A
Other languages
English (en)
Other versions
CN112200815A (zh
Inventor
宋军
赵蕾
韩修芹
樊红彬
郑天雷
杨娜
索晗
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.)
Affiliated Hospital of Xuzhou Medical University
Original Assignee
Affiliated Hospital of Xuzhou Medical University
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 Affiliated Hospital of Xuzhou Medical University filed Critical Affiliated Hospital of Xuzhou Medical University
Priority to CN202011082848.5A priority Critical patent/CN112200815B/zh
Publication of CN112200815A publication Critical patent/CN112200815A/zh
Application granted granted Critical
Publication of CN112200815B publication Critical patent/CN112200815B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法，进行数据的采集及预处理，结合病理诊断结果对甲状腺超声图像进行手工标记，将图像上的每个像素值分为甲状腺结节、甲状腺实质和其他内容这三类，这三类对应像素值分别为3、2、1；对语义分割网络PSPNet进行训练；对语义分割网络PSPNet分割出来的结果进行测试，计算交并比和像素精度等分割评价指标；如果测试结果未达到预期标准则需要调整网络的单次训练的样本数、损失函数、学习率和优化器等参数，并再此对网络进行训练和测试，直到网络达到预期标准。本发明在分割结果可视化方面，可以快速且具体的分割出平滑的实质和结节边缘，可以用其分割结果进一步诊断。

Description

基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法
技术领域
本发明涉及一种分割方法，具体涉及一种基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法。
背景技术
甲状腺位于人体颈前部下方，它产生的甲状腺激素负责控制着人体的新陈代谢。甲状腺不只影响人的心率和精神状态，还控制许多重要的身体功能，所以甲状腺功能正常是人体器官正常运行的前提。全球范围内，男性的甲状腺发病率在过去的30年中增加了48％，女性增加了67％，甲状腺疾病对人类健康的威胁越来越大。甲状腺结节是甲状腺疾病的一种表现，结节可能是由于甲状腺细胞的生长和或甲状腺中的囊肿导致。通过成像可以清楚的区分甲状腺结节这种甲状腺组织。
超声成像由于具有实时检测，对人体没有损伤，成本低廉，可重复使用的特点，所以成为最常用的甲状腺超声图像检测方法。超声成像还可以记录甲状腺结节的个数，大小，位置，形状，边界等信息。这些信息都有助于判断甲状腺结节是否恶化，但是诊断过程依赖放射科医生，就算是主治医生也会存在主观上的误判，而且，医生人工标记的工作量比较大，因此依靠人工也无法实现大量的标记工作。此外，超声图像噪声较多，甲状腺的个体差异明显，传统的图像分割方式效果不是很好，准确的分割出甲状腺结节是后续定量分析甲状腺异常的前提条件，从甲状腺激素的角度定量判断甲状腺的异常，此外，准确的分割出结节也为接下来结节的分类提供了客观的纹理特征，辅助医生的诊断，帮助医生提高诊断的准确性。
在甲状腺诊断中，甲状腺腺体和结节的大小与边界情况是判断结节性质与甲状腺状态的重要指标，准确的分割出甲状腺腺体和结节的大小与边界情况可以从激素的角度定量分析甲状腺的异常，而且分割出的纹理特征也是判断结节良恶性的标准，因此准确的从超声图像中分割出甲状腺与结节尤为重要。
发明内容
针对上述现有技术存在的问题，本发明提供一种基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法，能够快速且具体的分割出实质和结节区域，用以进一步诊断肿瘤是否有恶化。
为实现上述目的，本发明提供如下技术方案：一种基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法，包括以下步骤：
步骤一：进行数据的采集及预处理，在超声影像科采集甲状腺结节疾病患者的超声图像，在病理科采集对应的病理诊断结果作为参照标准，由专家筛选审核剔除无效的图像数据，结合病理诊断结果对甲状腺超声图像进行手工标记，将图像上的每个像素值分为甲状腺结节、甲状腺实质和其他内容这三类，这三类对应像素值分别为3、2、1；
步骤二：对语义分割网络PSPNet进行训练，将原始的超声图像输入到语义分割网络PSPNet，经过语义分割网络PSPNet生成语义分割图像，通过交叉熵损失函数计算生成的语义分割图像和在这之前标记好的掩模图像之间的损失，再将损失输入到语义分割网络PSPNet，语义分割网络PSPNet根据损失调整训练参数后进行下一轮的训练，直到进行完最后一轮训练后停止；
步骤三：对语义分割网络PSPNet分割出来的结果进行测试，将需要测试的图像输入语义分割网络PSPNet，得到语义分割图像，再根据已经标记好的掩模图像，计算交并比和像素精度等分割评价指标；
步骤四：分析语义分割网络PSPNet的测试结果，如果结果未达到预期标准则需要调整网络的单次训练的样本数、损失函数、学习率和优化器等参数，并再此对网络进行训练和测试，直到网络达到预期标准。
进一步的，所述步骤二中的交叉熵损失函数公式为：
Figure BDA0002719267300000021
其中p(x)为真实分布，q(x)为非真实分布。
进一步的，所述步骤三中的交并比计算表达式为：
Figure BDA0002719267300000031
其中area(A)为候选区域，area(B)为标记区域。
进一步的，所述步骤三中的像素精度计算表达式为：
Figure BDA0002719267300000032
其中TP为预测正确的正样本，FP为预测错误的正样本。
与现有技术相比：本发明在分割结果可视化方面，可以分割出平滑的实质和结节边缘，而且分割出的实质和结节区域很具体，可以用其分割结果进一步诊断肿瘤是否有恶化，或者确定该甲状腺区域激素的量，进行定量分析，确定甲状腺的异常。此外，本发明的分割速度很快，可以快速的分割出图像，对于医学辅助诊断来说价值很高。
附图说明
图1为本发明语义分割网络PSPNet分割图像与原始超声图像和手工标记图像对比图；
图2为本发明语义分割网络PSPNet分割图像与其他语义分割网络分割图像对比图。
具体实施方式
下面结合附图对本发明作进一步说明。
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，本发明提供一种基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法：
步骤一：进行数据的采集及预处理，在超声影像科采集甲状腺结节疾病患者的超声图像，在病理科采集对应的病理诊断结果作为参考金标准，由专家筛选审核剔除无效的图像数据，结合病理诊断结果对甲状腺超声图像进行手工标记，将图像上的每个像素值分为甲状腺结节、甲状腺实质和其他内容这三类，这三类对应像素值分别为3、2、1。
步骤二：对语义分割网络PSPNet进行训练，将原始的超声图像输入到语义分割网络PSPNet，经过语义分割网络PSPNet生成语义分割图像，通过交叉熵损失函数计算生成的语义分割图像和在这之前标记好的掩模图像之间的损失，再将损失输入到语义分割网络PSPNet，语义分割网络PSPNet根据损失调整训练参数后进行下一轮的训练，直到进行完最后一轮训练后停止；交叉熵损失函数公式：
Figure BDA0002719267300000041
其中p(x)为真实分布，q(x)为非真实分布。
步骤三：对语义分割网络PSPNet分割出来的结果进行测试，将需要测试的图像输入语义分割网络PSPNet，得到语义分割图像，再根据已经标记好的掩模图像，计算交并比和像素精度等分割评价指标；交并比计算表达式为：
Figure BDA0002719267300000042
其中area(A)为候选区域，area(B)为标记区域；像素精度计算表达式为：/>
Figure BDA0002719267300000043
其中TP为预测正确的正样本，FP为预测错误的正样本。
步骤四：分析语义分割网络PSPNet的测试结果，如果结果未达到预期标准则需要调整网络的单次训练的样本数、损失函数、学习率和优化器等参数，并再此对网络进行训练和测试，直到网络达到预期标准。
实施例1：
收集5649名甲状腺结节患者的超声图像及病理报告,图像总数为112800，来源于不同的超声设备，由专家筛选审核去除不包含甲状腺结节的图像、重复图像、弹性成像图像、彩色血流图像等，剩下10018张图像，结合病理诊断结果对甲状腺超声图像进行手工标记，将图像上的每个像素值分为甲状腺结节、甲状腺实质和其他内容这三类，这三类对应像素值分别为3、2、1；其中7428张图像作为训练样本，2590张图像作为测试样本。
参数设置：训练及测试图像尺寸均为640×480；网络训练集内样本数量为3714、测试集内样本数量为1295；单次训练的样本数目为4，训练步数为100000；使用交叉熵函数作为损失函数，学习率均设为0.001，优化器为Adam。
将原始的超声图像输入到语义分割网络PSPNet，经过语义分割网络PSPNet生成语义分割图像，通过交叉熵损失函数计算生成的语义分割图像和在这之前用像素值3、2、1标记过的经过掩模处理后的图像之间的损失，再将损失输入到语义分割网络PSPNet，语义分割网络PSPNet根据损失调整训练参数后进行下一轮的训练，直到进行完最后一轮几100000训练后停止；得到语义分割图像如图1所示，图1a表示原始超声图像，图1b表示手工标记图像，图1c表示语义分割网络PSPNet分割后的可视化图像，从图中可以看出，经过语义分割网络PSPNet分割出来的结节和实质边缘比较平滑，分割出来的区域很具体，一些突起的部位也能准确的分割出，效果比较好。
对语义分割网络PSPNet分割出来的结果进行测试，将需要测试的图像输入语义分割网络PSPNet，得到语义分割图像，再根据已经标记好的掩模图像，计算交并比和像素精度等分割评价指标，一般来说，交并比预期参考值为不低于70％，像素精度预期参考值为不低于80％，达到参考值即可认为测试是合格的；本实施例交并比为82.50％，像素精度为90.74％，均大于参考值，测试结果是合格的。
对比例：
使用语义分割网络Deepmask、Auto-Deeplab、Mask-RCNN、Fast-Seg在实施例1中语义分割网络PSPNet相同参数设置的基础上，对比五种方法的可视化分割效果和分割参数，五种方法的可视化分割结果如图2所示，其中，原始超声图像如图2a所示、手工标记图像如图2b所示、Deepmask的可视化结果如图2c所示、Auto-Deeplab的可视化结果如图2d所示、Mask-RCNN的可视化结果如图2e所示、Fast-Seg的可视化结果如图2f所示、PSPNet的可视化结果如图2g所示。
从分割出来的图像中可以看出Deepmask无论是结节的边界，还是甲状腺实质的边界都无法准确的提取，而且分割出来的区域里结节混杂着实质，实质混杂着结节，此外，Deepmask对于结节的边缘有凹陷和突起的部位不敏感，无法准确的将其分割出；Auto-Deeplab也存在同样的问题，对于结节的边界和实质的边界无法准确的提取，分割出来的结果并没有那么平滑，同样也无法准确的将实质和结节的具体区域分割出来，分割效果不理想；Mask-RCNN分割出来的结节和实质边界较平滑，实质和结节的区域也比较具体，但是存在分割出来的面积偏小的情况，对于接下来根据分割出的甲状腺组织的面积来定量分析激素的量起到了一定的干扰；Fast-Seg分割出来的图像同样存在边界不平滑，分割出来的区域不具体的问题，无法接下来为结节的分类提供准确的纹理特征；PSPNet分割出来的结节和实质边缘比较平滑，分割出来的区域很具体，一些突起的部位也能准确的分割出。
五种方法的分割参数结果下表所示：
Figure BDA0002719267300000061
Figure BDA0002719267300000071
上表中罗列了五种语义分割网络的分割参数，从交并比来看，Fast-Seg和PSPNet领先于其他网络，分别是80.65％，80.28％，说明Fast-Seg和PSPNet对结节的区域分割效果较好，Deepmask最低，只有65.82％；从像素准确率来看，仍然是Fast-Seg和PSPNet高于其他网络，分别是90.84％，90.74％，同样说明Fast-Seg和PSPNet的分割效果较好；从每秒输出的图片来看即FPS，Deepmask和PSPNet的结果高于其他网络，分别是17.73％，16.27％，说明Deepmask和PSPNet在测试的时间上小于其他网络，可以快速的分割出结节；从召回率来看，Fast-Seg的召回率最高，达到89.55％，说明Fast-Seg分割效果较好；从结节的精确度来看，Fast-Seg和PSPNet的结果高于其他网络，分别是89.30％，90.85％；最后是召回率和精确度的调和平均，PSPNet最高，达到97.42％，可见Fast-Seg和PSPNet是分割效果最好的两个网络；从训练时间来看，Mask-RCNN训练时间最长，为60.5小时，Deepmask训练时间最短为24.925小时，PSPNet用时25.78小时，实验总用时200个小时。
语义分割网络PSPNet在分割结果可视化方面，可以分割出平滑的实质和结节边缘，而且分割出的实质和结节区域很具体，可以用其分割结果进一步诊断肿瘤是否有恶化，或者确定该甲状腺区域激素的量，进行定量分析，确定甲状腺的异常。此外，语义分割网络PSPNet的分割速度很快，可以快速的分割出图像，对于医学辅助诊断来说价值很高。
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，能够以其它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囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述，仅为本发明的较佳实施例，并不用以限制本发明，凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同替换和改进，均应包含在本发明技术方案的保护范围之内。

Claims (3)

1.一种基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法，其特征在于包括以下步骤：
步骤一：进行数据的采集及预处理，在超声影像科采集甲状腺结节疾病患者的超声图像，在病理科采集对应的病理诊断结果作为参照标准，由专家筛选审核剔除无效的图像数据，结合病理诊断结果对甲状腺超声图像进行手工标记，将图像上的每个像素值分为甲状腺结节、甲状腺实质和其他内容这三类，这三类对应像素值分别为3、2、1；
步骤二：对语义分割网络PSPNet进行训练，将由专家筛选审核剔除无效的图像数据后的超声图像输入到语义分割网络PSPNet，经过语义分割网络PSPNet生成语义分割图像，通过交叉熵损失函数计算生成的语义分割图像和在步骤一中手工标记的甲状腺超声图像之间的损失，再将损失输入到语义分割网络PSPNet，语义分割网络PSPNet根据损失调整训练参数后进行下一轮的训练，直到进行完最后一轮训练后停止；
所述交叉熵损失函数公式为：
Figure FDA0004223370230000011
其中x为输入网络的原始超声图像，p(x)为超声图像中甲状腺结节和实质的真实分布，q(x)为超声图像中甲状腺结节和实质的非真实分布；
步骤三：对语义分割网络PSPNet分割出来的结果进行测试，将需要测试的图像输入语义分割网络PSPNet，得到语义分割图像，再根据已经标记好的掩模图像，计算交并比和像素精度分割评价指标；
步骤四：分析语义分割网络PSPNet的测试结果，如果结果未达到预期标准则需要调整网络的单次训练的样本数、损失函数、学习率和优化器参数，并再此对网络进行训练和测试，直到网络达到预期标准。
2.根据权利要求1所述的一种基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法，其特征在于，所述步骤三中的交并比计算表达式为：
Figure FDA0004223370230000012
其中A为网络分割的甲状腺实质和结节掩膜，B为手工标记的甲状腺结节和实质掩膜，area(A)为网络分割的甲状腺实质和结节区域，area(B)为手工标记的甲状腺结节和实质区域。
3.根据权利要求1所述的一种基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法，其特征在于，所述步骤三中的像素精度计算表达式为：
Figure FDA0004223370230000021
其中TP为预测正确的正样本，FP为预测错误的正样本。
CN202011082848.5A 2020-10-12 2020-10-12 基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法 Active CN112200815B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011082848.5A CN112200815B (zh) 2020-10-12 2020-10-12 基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011082848.5A CN112200815B (zh) 2020-10-12 2020-10-12 基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法

Publications (2)

Publication Number Publication Date
CN112200815A CN112200815A (zh) 2021-01-08
CN112200815B true CN112200815B (zh) 2023-06-27

Family

ID=74014045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011082848.5A Active CN112200815B (zh) 2020-10-12 2020-10-12 基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法

Country Status (1)

Country Link
CN (1) CN112200815B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972192B (zh) * 2022-04-26 2024-02-20 杭州电子科技大学 一种基于深度学习的乳腺钼靶胸大肌区域分割方法
CN116934738B (zh) * 2023-08-14 2024-03-22 威朋（苏州）医疗器械有限公司 基于超声图像的器官与结节联合分割方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596184B (zh) * 2018-04-25 2021-01-12 清华大学深圳研究生院 图像语义分割模型的训练方法、可读存储介质及电子设备
CN111091524A (zh) * 2018-10-08 2020-05-01 天津工业大学 基于深度卷积神经网络的前列腺经直肠超声图像分割方法
CN109859184B (zh) * 2019-01-29 2020-11-17 牛旗 一种连续扫描乳腺超声图像的实时检测与决策融合方法
CN111507343B (zh) * 2019-01-30 2021-05-18 广州市百果园信息技术有限公司 语义分割网络的训练及其图像处理方法、装置
CN111145209B (zh) * 2019-12-26 2023-06-02 推想医疗科技股份有限公司 一种医学图像分割方法、装置、设备及存储介质
CN111429473B (zh) * 2020-02-27 2023-04-07 西北大学 基于多尺度特征融合的胸片肺野分割模型建立及分割方法
CN111243042A (zh) * 2020-02-28 2020-06-05 浙江德尚韵兴医疗科技有限公司 基于深度学习的超声甲状腺结节良恶性特征可视化的方法

Also Published As

Publication number Publication date
CN112200815A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN109741346B (zh) 感兴趣区域提取方法、装置、设备及存储介质
CN109583440B (zh) 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
CN111985536B (zh) 一种基于弱监督学习的胃镜病理图像分类方法
Keenan et al. An automated machine vision system for the histological grading of cervical intraepithelial neoplasia (CIN)
CN108898595B (zh) 一种胸部图像中病灶区域的定位模型的构建方法及应用
AU670938B2 (en) Method for identifying normal biomedical specimens
CN103249358B (zh) 医用图像处理装置
US20050251014A1 (en) Lesion marking and characterization quality assurance method and system
CN109145921A (zh) 一种基于改进的直觉模糊c均值聚类的图像分割方法
JP2008520345A (ja) 超音波画像における病変の検出及び分類方法、及びそのシステム
CN112200815B (zh) 基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法
Maji et al. An automated method for counting and characterizing red blood cells using mathematical morphology
CN114830173A (zh) 基于由病灶覆盖的人体表面积的百分比确定皮肤病的严重程度的方法
CN115546605A (zh) 一种基于图像标注和分割模型的训练方法及装置
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
CN113393454A (zh) 活检组织中病理目标实例分割方法和装置
CN113657449A (zh) 一种含噪标注数据的中医舌象腐腻分类方法
CN115760858A (zh) 基于深度学习的肾脏病理切片细胞识别方法及系统
JP6161146B2 (ja) 病理組織画像解析方法、病理組織画像解析装置及び病理組織画像解析プログラム
CN111986802A (zh) 一种肺腺癌病理分化等级的辅助判定系统及方法
Hsiao et al. Improved second harmonic generation and two-photon excitation fluorescence microscopy-based quantitative assessments of liver fibrosis through auto-correction and optimal sampling
CN114926486B (zh) 一种基于多层级改进的甲状腺超声图像智能分割方法
CN116363104A (zh) 一种具有影像医学用自动诊断设备及系统
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法
CN116452523A (zh) 一种超声图像质量量化评价方法

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