CN112215842A - 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 - Google Patents
基于良性甲状腺模板的恶性结节边缘检测图像处理方法 Download PDFInfo
- Publication number
- CN112215842A CN112215842A CN202011219313.8A CN202011219313A CN112215842A CN 112215842 A CN112215842 A CN 112215842A CN 202011219313 A CN202011219313 A CN 202011219313A CN 112215842 A CN112215842 A CN 112215842A
- Authority
- CN
- China
- Prior art keywords
- thyroid
- template
- image
- nodule
- benign
- 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
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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于良性甲状腺模板的恶性结节边缘检测图像处理方法,通过神经网络对获取的甲状腺三维图像数据集进行学习,形成参数化的良性甲状腺模板;根据待识别甲状腺结节超声图像的标注信息和图像信息,与该良性甲状腺模板进行匹配,并结合该良性甲状腺模板的三维图像及特征信息,对结节进行粗定位,得到结节的初始轮廓曲线;采用局部二值拟合模型对初始轮廓曲线进行迭代和演化,得到演化后的轮廓曲线;对演化后的轮廓曲线进行有效轮廓的选取,得到最终的外围轮廓曲线和分割结果,对结节的位置进行精细定位。本发明自主识别能力更强、对不同甲状腺图像输入适应性更佳、分割效果更好、数值实现更加精确、对于灰度不均匀图像的分割适应性更强。
Description
技术领域
本发明涉及图像处理技术领域,具体地,涉及一种基于良性甲状腺模板的恶性结节边缘检测图像处理方法及其相应的系统、设备以及介质。
背景技术
甲状腺结节是甲状腺细胞在局部异常生长所引起的散在病变,形成的肿块可以随着吞咽动作随甲状腺上下移动。近年来,和美国等其他国家相似,我国的甲状腺疾病,包括甲状腺结节和甲状腺癌的发病率快速升高。甲状腺结节可以作为甲状腺癌的诊断指标,而甲状腺癌在早期是一种可治愈的疾病,因此必须对良、恶性结节及其大小、位置等进行准确的鉴别,以确保对恶性结节能够进行正确的临床治疗。
超声检查是一种甲状腺结节检查常用的手段,对超声图像进行定量的特征分析对于甲状腺疾病的诊断具有重要意义,其中包括利用图像分割技术实现对甲状腺结节的边缘检测,识别其大小和位置,并对其形状、光滑度、边缘纹理等物理信息进行提取等。由于其成像原理,甲状腺超声图像通常存在一些问题,比如,由于超声回波的散射,超声图像具有大量噪声,且对比度较低,不同组织之间的边界较为模糊。此外,由于甲状腺体内结构的复杂性,甲状腺超声图像的背景较为复杂,结节位置具有随机性。这些特点都给甲状腺结节的边缘检测和图像分割增加了难度。
经过对现有技术的文献检索发现:
邵蒙恩,严加勇,崔崤峣,等.基于改进的CV-RSF模型的甲状腺结节超声图像自适应分割算法[J].北京生物医学工程,2020,39(3):251-256.,提出了一种基于改进CV-RSF模型的甲状腺结节超声图像自适应分割算法,对于灰度分布不均匀图像的分割效果较好,但其样本数过少,且存在粗分割、再分割步骤,算法较为复杂。
王昕,李亮.甲状腺结节超声图像分割算法研究[J].电子技术应用,2017,43(3):112-115.,提出了一种基于改进的CV模型和LIF模型结合的甲状腺结节超声图像分割算法,但其对LIF模型的改进和与CV模型的融合的相关参数依赖于具体图像特性,缺乏自适应能力。
公开号为CN106056595A的中国专利申请,提出了一种基于深度卷积神经网络自动识别甲状腺结节良恶性的方法,其主要通过卷积神经网络分割出甲状腺结节感兴趣区域,但主要分辨结节良恶性,对于结节边缘的细化分割仍是传统的基于区域的分割方法,无法很好地解决甲状腺超声图像灰度不均匀的问题。
公开号为CN110060235A的中国专利申请,提出了一种基于深度学习的甲状腺结节超声图像分割方法能够提高结节分割准确性,但其步骤较为复杂,分割效率较低,且依赖于规模较大的结节图像数据集。
发明内容
本发明针对现有技术中存在的上述不足,提供了一种基于良性甲状腺模板的恶性结节边缘检测图像处理方法,并提供了一种相应的基于良性甲状腺模板的恶性结节边缘检测图像处理系统、设备以及介质。
根据本发明的一个方面,提供了一种基于良性甲状腺模板的恶性结节边缘检测图像处理方法,包括如下步骤:
利用已标记的良性甲状腺三维图像和恶性甲状腺三维图像,形成参数化的良性甲状腺模板;
对于待识别甲状腺结节超声图像,根据其标注信息和图像信息,与所述参数化的良性甲状腺模板进行匹配,获得特定参数条件下的良性甲状腺模板,并结合参数化的良性甲状腺模板的三维图像特征,对结节的大致位置进行粗定位,得到结节的初始轮廓曲线;
对所述初始轮廓曲线进行迭代和演化,得到演化后的轮廓曲线;
对所述演化后的轮廓曲线进行有效轮廓的选取,得到最终的外围轮廓曲线和分割结果,对结节的位置进行精细定位。
优选地,所述形成参数化的良性甲状腺模板的方法,包括:
获取已标记的良性甲状腺三维图像与恶性甲状腺三维图像,分别构成数据集;
利用良性和恶性甲状腺三维图像数据集对神经网络模型进行学习和训练,获取良性甲状腺模板的三维图像特征,并根据所述良性甲状腺模板的三维图像特征的先验数据和知识,结合数据集中各图像的标注信息进行分类和参数化,形成参数化的良性甲状腺模板。
优选地,所述数据集中各图像的标注信息,包括:患者年龄段、性别、民族和/或生活地区。
优选地,所述参数化的良性甲状腺模板为一种蝶形曲面模型模板,通过蝶形曲面对甲状腺的外表面进行建模与模拟,形成后续对结节的粗定位的量化参考。
优选地,所述参数化的良性甲状腺模板的三维图像特征包括形状参数和图像特征,其中:
所述形状参数,包括甲状腺整体参数、单叶整体参数和/或单叶局部参数;其中:
所述甲状腺整体参数包括:甲状腺体积和/或甲状腺左右两叶不对称体积;
所述单叶整体参数包括:甲状腺左右两叶的上下径、左右径、前后径、单叶表面积、单叶比表面积和/或单叶纵横比;
所述单叶局部参数包括:甲状腺左右两叶横切面面积、横切面圆度和椭圆度、横切面边界曲率、凹凸性和/或光滑性;
所述图像特征,包括:甲状腺的轮廓形状、拓扑结构、图像纹理、表面信息和/或局部灰度。
优选地,所述待识别甲状腺结节超声图像与所述参数化的良性甲状腺模板的匹配方法,包括:
首先,将待识别甲状腺结节超声图像中的标注信息作为参数化的良性甲状腺模板的输入参数,输入到参数化的良性甲状腺模板中,获得特定参数条件下的良性甲状腺模板;
其次,对于待识别甲状腺结节超声图像,利用其图像信息,根据所述特定参数条件下的良性甲状腺模板辨别待识别甲状腺结节超声图像的对应角度与位置,完成待识别甲状腺结节超声图像与良性甲状腺模板的匹配过程,并在所述特定参数条件下的良性甲状腺模板中,提取对应角度与位置上的良性甲状腺超声图像及相应的参数化的良性甲状腺模板的三维图像特征,用于后续结节粗定位神经网络的训练。
优选地,所述待识别甲状腺结节超声图像中的标注信息包括:患者年龄段、性别、民族和/或生活地区;相应地,所述良性甲状腺模板的输入参数,包括:患者年龄段、性别、民族和/或生活地区。
优选地,所述对结节的大致位置进行粗定位的方法,包括:
对于完成匹配的所述特定参数条件下的良性甲状腺模板,根据该良性甲状腺模板对应角度与位置上的超声图像,结合相应的参数化的良性甲状腺模板的三维图像特征,通过训练后的神经网络模型,对待识别甲状腺超声图像进行初步识别,得到待识别甲状腺超声图像是否为良性甲状腺超声图像以及图像中是否存在结节的结果;若存在结节,则通过神经网络模型进一步学习和对比参数化的良性甲状腺模板的三维图像特征与待识别甲状腺超声图像及其相应参数,进一步确定待识别甲状腺超声图像中结节可能存在的位置范围,并以此作为结节的初始轮廓,完成结节的粗定位过程。
优选地,所述对所述初始轮廓曲线进行迭代和演化,采用局部二值拟合(LocalBinary Fitting,LBF)模型,包括:
设置局部二值拟合模型的参数;
对于所述水平集函数,逐像素点计算该点附近曲线轮廓内外图像灰度的平均值,进而根据基于能量的图像分割方法与区域型水平集方法原理,计算局部二值拟合模型对应的水平集函数演化方程,并对水平集函数进行迭代和演化;
判断水平集函数是否达到收敛条件,若满足收敛条件,则停止演化,输出最终演化后的轮廓曲线;若不满足,继续执行对水平集函数进行迭代和演化的步骤。
优选地,所述局部二值拟合模型的参数,包括:轮廓曲线外部和内部的图像灰度与局部平均灰度差值的比重、模型中采用的Heaviside与Dirac函数中的参数、高斯核函数中的尺度参数、惩罚项系数与长度约束项系数。
优选地,所述对所述演化后的轮廓曲线进行有效轮廓的选取的方法,包括:
对演化后的轮廓曲线进行二值化处理,得到二值化图像;
读取所述二值化图像的最外围轮廓曲线,并将其与所述初始轮廓曲线进行对比,舍弃内部区域交集为空的轮廓曲线,从而排除远离目标区域的轮廓;
在剩余的轮廓曲线中选取长度最长的轮廓曲线作为轮廓选取的最终结果,从而剔除了目标区域附近的干扰轮廓,获得最终定位的结节轮廓曲线,完成结节的精细定位过程。
根据本发明的另一个方面,提供了一种基于良性甲状腺模板的恶性结节边缘检测图像处理系统,包括:
参数化的良性甲状腺模板构建模块:该模块利用已标记的良性甲状腺三维图像和恶性甲状腺三维图像,形成参数化的良性甲状腺模板;
初始轮廓曲线获取模块:该模块对于待识别甲状腺结节超声图像,根据其标注信息和图像信息,与所述参数化的良性甲状腺模板进行匹配,获得特定参数条件下的良性甲状腺模板,并结合参数化的良性甲状腺模板的三维图像特征,对结节的大致位置进行粗定位,得到结节的初始轮廓曲线;
初始轮廓曲线处理模块:该模块对所述初始轮廓曲线进行迭代和演化,得到演化后的轮廓曲线;
结节位置定位模块:该模块对所述演化后的轮廓曲线进行有效轮廓的选取,得到最终的外围轮廓曲线和分割结果,对结节的位置进行精细定位。
根据本发明的第三个方面,提供了一种设备,包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述计算机程序时能够用于执行上述任一项所述的方法。
根据本发明的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行上述任一项所述的方法。
由于采用了上述技术方案,本发明与传统图像分割技术相比,具有如下至少一项有益效果:
1、本发明提供的基于良性甲状腺模板的恶性结节边缘检测图像处理方法、系统、设备以及介质,是一种基于良性甲状腺模板进行的甲状腺结节识别和图像分割的技术,通过利用神经网络模型对良性与恶性甲状腺三维图像数据集的学习和训练,识别良性甲状腺三维图像形状参数和三维信息等图像特征并形成参数化的良性甲状腺模板,进而通过该良性甲状腺模板对甲状腺超声图像进行诊断,识别甲状腺超声图像中结节的可能位置,对结节进行粗定位,形成结节的初始轮廓,从而具备良好的利用先验知识的能力和自主识别能力。在目前许多甲状腺结节超声图像分割的方法中,均缺乏对良性甲状腺模板等先验知识的应用,分割的效果较为有限;且大多数采用活动轮廓模型的甲状腺超声图像分割方法都需要对分割的初始轮廓进行手动选取,增大了专家医生等的工作量。
2、本发明提供的基于良性甲状腺模板的恶性结节边缘检测图像处理方法、系统、设备以及介质,还结合甲状腺三维图像数据集的年龄段、性别、民族、生活地区等参数,对良性甲状腺模板进行参数化,并对待识别甲状腺超声图像与良性甲状腺模板进行参数上及角度与位置上的匹配,因此经过学习和训练后的参数化的良性甲状腺模板能够适应对不同参数、角度位置下甲状腺超声图像的识别,对多样的甲状腺超声图像输入具备更优的适应性,能够更好地利用甲状腺超声图像的先验信息,从而获得更准确的分割效果。
3、本发明提供的基于良性甲状腺模板的恶性结节边缘检测图像处理方法、系统、设备以及介质,采用局部二值拟合模型进行图像分割,其作为一种基于变分水平集的几何活动轮廓模型,是追踪移动界面的理想方法。局部二值拟合模型通过引入高斯核函数,利用核函数窗口的可控性与遍历性,使当前像素点的灰度值仅依赖于邻域内像素的灰度,使其能量泛函为局部拟合能量,因此能够克服众多图像分割方法对医学领域常见的灰度不均匀图像的分割。相比于传统的数据驱动图像分割方式,局部二值拟合模型具有能够灵活、自适应地处理具有复杂拓扑结构变化的甲状腺超声图像的优势,且对噪声并不敏感,对于弱边界的图像分割效果较好。
4、本发明提供的基于良性甲状腺模板的恶性结节边缘检测图像处理方法、系统、设备以及介质,针对水平集分割方法中容易出现的多个轮廓的问题,设置了对有效轮廓的选取过程,通过一定的图像处理步骤对获得的所有轮廓进行筛选,剔除目标区域内外的干扰轮廓,使分割结果更为清晰,提高与人工分割结果的面积重复率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例中基于良性甲状腺模板的恶性结节边缘检测图像处理方法的流程图。
图2为本发明一优选实施例中基于良性甲状腺模板的恶性结节边缘检测图像处理方法的流程图。
图3为本发明一优选实施例中,对于单个待识别甲状腺超声图像的识别、检测过程流程图。
图4为本发明一优选实施例的三组甲状腺结节超声图像边缘检测识别结果示意图。
图5为本发明一优选实施例的两组甲状腺结节超声图像边缘检测识别结果中,有效轮廓选取前后对比图。
图6为本发明一实施例中基于良性甲状腺模板的恶性结节边缘检测图像处理系统的组成模块示意图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
图1为本发明一实施例中良性甲状腺模板的恶性结节边缘检测图像处理方法,该方法为了克服传统图像识别技术的缺陷,是一种分割效果更好、数值实现更加精确、对于灰度不均匀图像的分割适应性更强的图像分割方法,通过对甲状腺结节超声图像进行处理,继而实现甲状腺超声图像上结节的边缘检测。
如图1所示,该实施例提供的良性甲状腺模板的恶性结节边缘检测图像处理方法,可以包括以下步骤:
S100,利用已标记的良性甲状腺三维图像和恶性甲状腺三维图像,形成参数化的良性甲状腺模板;
S200,对于待识别甲状腺结节超声图像,根据其标注信息和图像信息,与参数化的良性甲状腺模板进行匹配,获得特定参数条件下的良性甲状腺模板,并结合参数化的良性甲状腺模板的三维图像特征,对结节的大致位置进行粗定位,得到结节的初始轮廓曲线;
S300,对初始轮廓曲线进行迭代和演化,得到演化后的轮廓曲线;
S400,对演化后的轮廓曲线进行有效轮廓的选取,得到最终的外围轮廓曲线和分割结果,对结节的位置进行精细定位。
在该实施例的S100中,形成参数化的良性甲状腺模板的方法,优选包括:
S101,获取已标记的良性甲状腺三维图像与恶性甲状腺三维图像,分别构成数据集;
S102,利用良性和恶性甲状腺三维图像数据集对神经网络模型进行学习和训练,获取良性甲状腺模板的三维图像特征,并根据良性甲状腺模板的三维图像特征的先验数据和知识,结合数据集中各图像的标注信息进行分类和参数化,形成参数化的良性甲状腺模板。
在一具体实例中,数据集中各图像的标注信息,优选包括:患者年龄段、性别、民族和/或生活地区。
在一具体实例中,参数化的良性甲状腺模板优选为一种蝶形曲面模型模板,通过蝶形曲面对甲状腺的外表面进行建模与模拟,形成后续对结节的粗定位的量化参考。
在一具体实例中,参数化的良性甲状腺模板的三维图像特征,优选包括:形状参数和图像特征,其中:
形状参数,优选包括甲状腺整体参数、单叶整体参数和/或单叶局部参数;其中:
甲状腺整体参数,优选包括:甲状腺体积和/或甲状腺左右两叶不对称体积;
单叶整体参数,优选包括:甲状腺左右两叶的上下径、左右径、前后径、单叶表面积、单叶比表面积和/或单叶纵横比;
单叶局部参数,优选包括:甲状腺左右两叶横切面面积、横切面圆度和椭圆度、横切面边界曲率、凹凸性和/或光滑性;
图像特征,优选包括:甲状腺的轮廓形状、拓扑结构、图像纹理、表面信息和/或局部灰度。
在该实施例的S200中,待识别甲状腺结节超声图像与参数化的良性甲状腺模板的匹配方法,包括:
首先,将待识别甲状腺结节超声图像中的标注信息作为参数化的良性甲状腺模板的输入参数,输入到参数化的良性甲状腺模板中,获得特定参数条件下的良性甲状腺模板;
其次,对于待识别甲状腺结节超声图像,利用其图像信息,根据特定参数条件下的良性甲状腺模板辨别待识别甲状腺结节超声图像的对应角度与位置,完成待识别甲状腺结节超声图像与良性甲状腺模板的匹配过程,并在特定参数条件下的良性甲状腺模板中,提取对应角度与位置上的良性甲状腺超声图像及相应的参数化的良性甲状腺模板的三维图像特征,用于后续结节粗定位神经网络的训练。
在一具体实例中,待识别甲状腺结节超声图像中的标注信息包括:患者年龄段、性别、民族和/或生活地区。相应地,参数化的良性甲状腺模板的输入参数,优选包括:患者年龄段、性别、民族和/或生活地区。
在一具体实例中,待识别甲状腺结节超声图像的图像信息包括:图像中甲状腺的边缘形状、图像纹理和/或局部灰度。
在该实施例的S200中,对结节的大致位置进行粗定位的方法,优选包括:
对于完成匹配的特定参数条件下的良性甲状腺模板,根据该良性甲状腺模板对应角度与位置上的超声图像,结合相应的参数化的良性甲状腺模板的三维图像特征,通过训练后的神经网络模型,对待识别甲状腺超声图像进行初步识别,得到待识别甲状腺超声图像是否为良性甲状腺超声图像以及图像中是否存在结节的结果;若存在结节,则通过神经网络模型进一步学习和对比参数化的良性甲状腺模板的三维图像特征与待识别甲状腺超声图像及其相应参数,进一步确定待识别甲状腺超声图像中结节可能存在的位置范围,并以此作为结节的初始轮廓,完成结节的粗定位过程。
在该实施例的S300中,对初始轮廓曲线进行迭代和演化,优选采用局部二值拟合(Local Binary Fitting,LBF)模型,包括:
S302,设置局部二值拟合模型的参数;
S303,对于水平集函数,逐像素点计算该点附近曲线轮廓内外图像灰度的平均值,进而根据基于能量的图像分割方法与区域型水平集方法原理,计算局部二值拟合模型对应的水平集函数演化方程,并对水平集函数进行迭代和演化;
S304,判断水平集函数是否达到收敛条件,若满足收敛条件,则停止演化,输出最终演化后的轮廓曲线;若不满足,继续执行对水平集函数进行迭代和演化的步骤。
在一具体实例中,局部二值拟合模型的参数,优选包括:轮廓曲线外部和内部的图像灰度与局部平均灰度差值的比重、模型中采用的Heaviside与Dirac函数中的参数、高斯核函数中的尺度参数、惩罚项系数与长度约束项系数。
在该实施例的S400中,对演化后的轮廓曲线进行有效轮廓的选取的方法,优选包括:
S401,对演化后的轮廓曲线进行二值化处理,得到二值化图像;
S402,读取二值化图像的最外围轮廓曲线,并将其与初始轮廓曲线进行对比,舍弃内部区域交集为空的轮廓曲线,从而排除远离目标区域的轮廓;
S403,在剩余的轮廓曲线中选取长度最长的轮廓曲线作为轮廓选取的最终结果,从而剔除了目标区域附近较为短小的干扰轮廓,获得最终定位的结节轮廓曲线,完成结节的精细定位过程。
图2为本发明一优选实施例中基于良性甲状腺模板的恶性结节边缘检测图像处理方法流程图。
如图2所示,本优选实施例提供的基于良性甲状腺模板的恶性结节边缘检测图像处理方法,可以包括如下步骤:
步骤1,获取已标记的良性甲状腺三维图像与患结节甲状腺三维图像(即恶性甲状腺三维图像),分别形成数据集;
步骤2,通过神经网络对良性和恶性甲状腺三维图像数据集进行学习,形成参数化的良性甲状腺模板;
步骤3,对于待识别的甲状腺结节超声图像,根据其标注信息与图像信息,与参数化的良性甲状腺模板进行匹配,并结合参数化的良性甲状腺模板的三维图像及特征信息,判断待识别甲状腺超声图像是否为良性甲状腺图像及是否存在结节,若存在结节,则进一步对结节的大致位置进行粗定位,得到结节的初始轮廓曲线;
步骤4,采用局部二值拟合模型对轮廓曲线进行迭代和演化,得到演化后的轮廓曲线;
步骤5,对演化后的轮廓曲线进行有效轮廓的选取,减少结节内部及外部干扰轮廓,得到最终的外围轮廓曲线和分割结果,完成结节的精细定位。
作为一优选实施例,步骤2中,参数化的良性甲状腺模板的输入参数主要包括:患者年龄段(如0-10岁、10-20岁、20-30岁、30-40岁、40-60岁、60-80岁等)、性别、民族、生活地区等。
作为一优选实施例,步骤2中,参数化的良性甲状腺模板的形成过程具体为:
利用良性和恶性甲状腺三维图像数据集对神经网络模型进行学习和训练,获取良性甲状腺模板的三维图像特征,并根据良性甲状腺模板的三维图像特征的先验数据和知识,结合图像数据集中各图像的标注信息(例如患者年龄段、性别、民族、生活地区等参数)进行分类和参数化,形成参数化的良性甲状腺模板。
作为一优选实施例,参数化的良性甲状腺模板的一种具体形式为一种蝶形曲面模型模板,通过蝶形曲面对甲状腺的外表面进行建模与模拟,以更好地对良性甲状腺模板进行参数化,形成后续对结节的粗定位的量化参考。良性甲状腺蝶形曲面模板主要的三维图像特征包括形状参数和图像特征,其中:
形状参数,主要可分为甲状腺整体参数、单叶整体参数、单叶局部参数,其中:
甲状腺整体参数包括:甲状腺体积、甲状腺左右两叶不对称体积等;
单叶整体参数包括:甲状腺左右两叶的上下径、左右径、前后径,单叶表面积,单叶比表面积,单叶纵横比等;
单叶局部参数包括:甲状腺左右两叶横切面面积、横切面圆度和椭圆度、横切面边界曲率、凹凸性、光滑性等。
图像特征,包括:甲状腺的轮廓形状、拓扑结构、图像纹理、表面信息和/或局部灰度等。
作为一优选实施例,数据集中各图像的标注信息,包括:患者年龄段、性别、民族和/或生活地区。
作为一优选实施例,步骤3中,待识别的甲状腺超声图像与参数化的良性甲状腺模板匹配过程具体为:
首先,将待识别的甲状腺超声图像中的标注信息(例如来源患者的年龄段、性别、民族、生活地区等)作为参数化的良性甲状腺模板的输入参数,输入到良性甲状腺模板中,获得特定参数条件下的良性甲状腺模板;
其次,对于待识别的甲状腺超声图像,利用其图像信息,根据特定参数条件下的良性甲状腺模板辨别超声图像的对应角度与位置,完成待识别甲状腺超声图像与参数化良性甲状腺模板的匹配过程,并在特定参数条件下的良性甲状腺模板中,提取对应角度与位置上的良性甲状腺超声图像及相应的蝶形曲面模型特征信息,用于后续结节粗定位神经网络的训练。
作为一优选实施例,待识别甲状腺结节超声图像中的标注信息包括:患者年龄段、性别、民族和/或生活地区。
作为一优选实施例,步骤3中,对结节识别及对结节的大致位置进行粗定位的过程具体为:
对于完成角度和位置匹配后的特定参数条件下的良性甲状腺模板,根据该良性甲状腺模板对应角度与位置上的超声图像,结合相应的蝶形曲面模型参数(例如甲状腺左右两叶不对称体积等甲状腺整体参数和甲状腺单叶左右径、前后径、纵横比等单叶整体参数),通过训练后的神经网络模型,对待识别甲状腺超声图像进行初步识别,得到该待识别甲状腺超声图像是否为良性甲状腺超声图像以及图像中是否存在结节的结果。若存在结节,则通过神经网络模型进一步学习和对比良性甲状腺模板蝶形曲面模型的图像特征(例如拓扑结构、局部灰度、图像纹理等图像特征信息)及参数(例如甲状腺左右两叶横切面面积、圆度、光滑性等单叶局部参数以及前述甲状腺整体参数和单叶整体参数等)与待识别甲状腺超声图像及其相应参数,进一步确定待识别甲状腺超声图像中结节可能存在的位置范围,并以此作为结节的初始轮廓,完成结节的粗定位过程。
作为一优选实施例,步骤4中,采用局部二值拟合模型对轮廓曲线进行迭代和演化的过程具体为:
步骤402,设置局部二值拟合模型的参数,进一步地,参数包括:轮廓曲线外部和内部的图像灰度与局部平均灰度差值的比重、模型中采用的Heaviside与Dirac函数中的参数、高斯核函数中的尺度参数、惩罚项系数与长度约束项系数。
步骤403,对于水平集函数,逐像素点计算该点附近曲线轮廓内外图像灰度的平均值,进而根据基于能量的图像分割方法与区域型水平集方法原理,计算局部二值拟合模型对应的水平集函数演化方程,并对水平集函数进行迭代和演化;
步骤404,判断水平集函数是否达到收敛条件,若满足收敛条件,则停止演化,输出最终演化后的轮廓曲线;若不满足,则返回步骤403,继续执行对水平集函数进迭代和演化的步骤。
作为一优选实施例,步骤5中,对演化后的轮廓曲线进行有效轮廓的选取,主要针对出现一个以上闭合轮廓曲线的情况,选取过程具体为:
步骤501,对演化后的轮廓曲线(即得到的最终水平集函数)进行二值化处理,得到二值化图像;
步骤502,读取二值化图像的最外围轮廓,并将其与初始轮廓进行对比,舍弃内部区域交集为空的轮廓,从而排除远离目标区域的轮廓;
步骤503,在剩余的轮廓中选取长度最长的轮廓作为轮廓选取的最终结果,从而剔除了目标区域附近较为短小的干扰轮廓,获得最终定位的结节轮廓曲线,完成结节的精细定位过程。
本发明上述优选实施例提供的基于良性甲状腺模板的恶性结节边缘检测图像处理方法,其图像识别过程如图3所示,包括:基于甲状腺超声图像数据集形成参数化的良性甲状腺蝶形曲面模板,将模板与待识别甲状腺超声图像进行匹配,并结合良性甲状腺蝶形曲面模板的三维图像及特征信息,对待识别甲状腺超声图像是否为良性甲状腺图像及是否存在结节进行识别,若存在结节则进一步使用了局部二值拟合模型进行图像分割处理,获得分割轮廓曲线,并采用一定的后处理步骤对所得轮廓曲线进行筛选,检测识别结果如图4和图5所示。
在本发明部分实施例中:
步骤1中,良性和恶性甲状腺三维图像的数据集主要来源有两方面,一是医学上对甲状腺的解剖切片研究,通过切片所得图像等信息进行甲状腺图像的三维重建;二是通过超声扫描机器人对甲状腺的三维各方向扫描进行甲状腺图像的三维重建。
步骤2中,参数化的良性甲状腺模板的输入参数,主要包括:患者年龄段(如0-10岁、10-20岁、20-30岁、30-40岁、40-60岁、60-80岁等)、性别、民族、生活地区等。
步骤2中,参数化的良性甲状腺模板的形成过程具体为:通过神经网络模型对良性和恶性甲状腺三维图像数据集的学习和训练,获取良性甲状腺模板的三维图像特征,并根据良性甲状腺模板的三维图像特征等先验数据和知识,结合图像数据集中各图像的标注信息(例如患者的年龄段、性别、民族、生活地区等参数)进行分类和参数化,形成参数化的良性甲状腺模板。进一步地,良性甲状腺模板为一种蝶形曲面模型模板,其主要的三维图像特征包括形状参数和图像特征,其中,形状参数,主要可分为甲状腺整体参数、单叶整体参数、单叶局部参数,甲状腺整体参数包括甲状腺体积、甲状腺左右两叶不对称体积等;单叶整体参数包括甲状腺左右两叶的上下径、左右径、前后径,单叶表面积,单叶比表面积,单叶纵横比等;单叶局部参数包括甲状腺左右两叶横切面面积、横切面圆度和椭圆度、横切面边界曲率、凹凸性、光滑性等;图像特征,包括:甲状腺的轮廓形状、拓扑结构、图像纹理、表面信息和/或局部灰度等。步骤3中,待识别的甲状腺超声图像与参数化良性甲状腺模板匹配过程具体为:首先,将待识别甲状腺超声图像的标注信息(例如来源患者的年龄段、性别、民族、生活地区等)作为输入参数,输入到参数化的良性甲状腺模板中,获得特定参数条件下的良性甲状腺模板;其次,对于待识别的甲状腺超声图像,利用其图像信息,根据特定参数条件下的良性甲状腺模板辨别超声图像的对应角度与位置,完成待识别甲状腺超声图像与参数化良性甲状腺模板的匹配过程,并在特定参数条件下的良性甲状腺模板中,提取对应角度与位置上的良性甲状腺超声图像及相应的蝶形曲面模型特征信息,用于后续结节粗定位神经网络的训练。
步骤3中,对结节识别及对结节的大致位置进行粗定位的过程具体为:对于完成角度和位置匹配后的特定参数条件下的良性甲状腺模板,根据该良性甲状腺模板对应角度与位置上的超声图像,结合相应的蝶形曲面模型参数特征信息,通过训练后的神经网络模型,对待识别甲状腺超声图像进行初步识别,得到该待识别甲状腺超声图像是否为良性甲状腺超声图像以及图像中是否存在结节的结果。若存在结节,则通过神经网络模型进一步学习和对比良性甲状腺模板蝶形曲面模型的图像特征及参数与待识别甲状腺超声图像及其相应参数,进一步确定待识别甲状腺超声图像中结节可能存在的位置范围,并以此作为结节的初始轮廓,完成结节的粗定位过程。
局部二值拟合模型是一种基于区域的水平集分割算法,其建立在CV模型的基础之上。CV模型的基本思想是将图像分为两个区域,分别为要检测的对象区域和剩余的背景区域,并设定一个全局拟合的能量泛函,通过最小化两个区域对应的能量和来演化轮廓曲线。但CV模型等默认图像灰度在目标区域内和背景区域的分布是均匀的,因此在分割超声图像时,不均匀的灰度分布会对演化过程产生错误的引导,导致分割所得轮廓曲线与真实边缘偏差较大。而局部二值拟合模型在CV模型的能量泛函中引入了一个非负核函数,使能量泛函中的全局拟合项转变为局部拟合项,从而利用这种局部思想较好地完成对医学上常见的灰度不均匀图像的分割。
步骤4中,局部二值拟合模型对轮廓曲线进行迭代和演化的过程具体为:
步骤402,设置局部二值拟合模型的参数,参数包括轮廓曲线外部和内部的图像灰度与局部平均灰度差值的比重λ1与λ2、模型中采用的Heaviside函数与Dirac函数中的参数ε、高斯核函数中的尺度参数σ、惩罚项系数μ与长度约束项系数ν。
模型中采用的Heaviside函数和Dirac函数分别为:
模型中采用的高斯核函数为:
步骤403,对于水平集函数,逐像素点计算该点附近曲线轮廓内外图像灰度的平均值,进而采用基于能量的图像分割方法与区域型水平集方法,计算局部二值拟合模型对应的水平集函数演化方程,并对水平集函数进行演化,演化方程如下式;
式中I(y)表示像素点y处的灰度值;f1(x)与f2(x)分别表示拟合像素点x附近曲线轮廓内外图像灰度的平均值,分别为
步骤404,判断水平集函数是否达到收敛条件,若满足收敛条件,则停止演化,输出最终演化后的轮廓曲线;若不满足,则返回步骤403,继续迭代和演化。本实施例中,收敛条件取为迭代次数。
步骤5中,有效轮廓的选取过程主要针对出现一个以上闭合轮廓曲线的情况,该种情况下干扰轮廓主要为远离初始轮廓的干扰轮廓和靠近初始轮廓的短小干扰轮廓。相应的图像处理步骤选取过程具体为:
步骤501,对得到的最终水平集函数(即演化后的轮廓曲线)进行二值化处理,得到二值化图像;
步骤502,读取水平集函数二值化图像的最外围轮廓,并将其与初始轮廓进行对比,舍弃内部区域交集为空的轮廓,从而排除远离初始轮廓这一目标区域的干扰轮廓,获得初始轮廓附近的轮廓;
步骤503,在剩余的轮廓中选取长度最长的轮廓作为轮廓选取的最终结果,从而剔除了目标区域附近较为短小的干扰轮廓,获得最终的目标轮廓,完成结节的精细定位。
本发明另一实施例提供了一种基于良性甲状腺模板的恶性结节边缘检测图像处理系统,如图6所示,可以包括:参数化的良性甲状腺模板构建模块、初始轮廓曲线获取模块、初始轮廓曲线处理模块和结节位置定位模块。其中:
参数化的良性甲状腺模板构建模块:利用已标记的良性甲状腺三维图像和恶性甲状腺三维图像,形成参数化的良性甲状腺模板;
初始轮廓曲线获取模块:对于待识别甲状腺结节超声图像,根据其标注信息和图像信息,与参数化的良性甲状腺模板进行匹配,获得特定参数条件下的良性甲状腺模板,并结合参数化的良性甲状腺模板的三维图像特征,对结节的大致位置进行粗定位,得到结节的初始轮廓曲线;
初始轮廓曲线处理模块:对初始轮廓曲线进行迭代和演化,得到演化后的轮廓曲线;
结节位置定位模块:对演化后的轮廓曲线进行有效轮廓的选取,得到最终的外围轮廓曲线和分割结果,对结节的位置进行精细定位。
本发明第三个实施例提供了一种设备,包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序,处理器执行计算机程序时能够用于执行本发明上述实施例中任一项的方法。
可选地,存储器,用于存储程序;存储器,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器,用于执行存储器存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构,也可以是集成在一起的集成结构。当处理器和存储器是独立结构时,存储器、处理器可以通过总线耦合连接。
本发明第四个实施例一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行本发明上述实施例中任一项的方法。
本发明上述实施例提供的基于良性甲状腺模板的恶性结节边缘检测图像处理方法、系统、设备以及介质,通过获取已标记的良性甲状腺三维图像与患结节甲状腺三维图像(即恶性甲状腺三维图像),构建数据集;通过神经网络对良性和恶性甲状腺三维图像数据集进行学习,形成参数化的良性甲状腺模板;对于待识别的甲状腺结节超声图像,根据其标注信息与图像信息,对参数化良性甲状腺模板进行匹配,并结合良性甲状腺模板的三维图像及特征信息,对待识别甲状腺超声图像是否为良性甲状腺图像及是否存在结节进行识别,若存在结节则进一步对结节的大致位置进行粗定位,得到结节的初始轮廓曲线;采用局部二值拟合模型对轮廓曲线进行迭代和演化,得到演化后的轮廓曲线;通过图像处理步骤对演化后的轮廓曲线进行有效轮廓的选取,减少结节内部及外部干扰轮廓,得到最终的外围轮廓曲线和分割结果,完成结节的精细定位。与现有技术相比,本发明上述实施例提供的基于良性甲状腺模板的恶性结节边缘检测图像处理方法,具有自主识别能力更强、对不同甲状腺图像输入适应性更佳、分割效果更好、数值实现更加精确、对于灰度不均匀图像的分割适应性更强等优点。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (12)
1.一种基于良性甲状腺模板的恶性结节边缘检测图像处理方法,其特征在于,包括如下步骤:
利用已标记的良性甲状腺三维图像和恶性甲状腺三维图像,形成参数化的良性甲状腺模板;
对于待识别甲状腺结节超声图像,根据其标注信息和图像信息,与所述参数化的良性甲状腺模板进行匹配,获得特定参数条件下的良性甲状腺模板,并结合参数化的良性甲状腺模板的三维图像特征,对结节的大致位置进行粗定位,得到结节的初始轮廓曲线;
对所述初始轮廓曲线进行迭代和演化,得到演化后的轮廓曲线;
对所述演化后的轮廓曲线进行有效轮廓的选取,得到最终的外围轮廓曲线和分割结果,对结节的位置进行精细定位。
2.根据权利要求1所述的基于良性甲状腺模板的恶性结节边缘检测图像处理方法,其特征在于,所述形成参数化的良性甲状腺模板的方法,包括:
获取已标记的良性甲状腺三维图像与恶性甲状腺三维图像,分别构成数据集;
利用良性和恶性甲状腺三维图像数据集对神经网络模型进行学习和训练,获取良性甲状腺模板的三维图像特征,并根据所述良性甲状腺模板的三维图像特征的先验数据和知识,结合数据集中各图像的标注信息进行分类和参数化,形成参数化的良性甲状腺模板。
3.根据权利要求2所述的基于良性甲状腺模板的恶性结节边缘检测图像处理方法,其特征在于,还包括如下任意一项或任意多项特征:
-所述参数化的良性甲状腺模板为一种蝶形曲面模型模板,通过蝶形曲面对甲状腺的外表面进行建模与模拟,形成后续对结节的粗定位的量化参考;
-所述参数化的良性甲状腺模板的三维图像特征包括形状参数和图像特征,其中:
所述形状参数,包括甲状腺整体参数、单叶整体参数和/或单叶局部参数;其中:
所述甲状腺整体参数包括:甲状腺体积和/或甲状腺左右两叶不对称体积;
所述单叶整体参数包括:甲状腺左右两叶的上下径、左右径、前后径、单叶表面积、单叶比表面积和/或单叶纵横比;
所述单叶局部参数包括:甲状腺左右两叶横切面面积、横切面圆度和椭圆度、横切面边界曲率、凹凸性和/或光滑性;
所述图像特征,包括:甲状腺的轮廓形状、拓扑结构、图像纹理、表面信息和/或局部灰度;
-所述数据集中各图像的标注信息,包括:患者年龄段、性别、民族和/或生活地区。
4.根据权利要求1所述的基于良性甲状腺模板的恶性结节边缘检测图像处理方法,其特征在于,所述待识别甲状腺结节超声图像与所述参数化的良性甲状腺模板的匹配方法,包括:
首先,将待识别甲状腺结节超声图像中的标注信息作为参数化的良性甲状腺模板的输入参数,输入到参数化的良性甲状腺模板中,获得特定参数条件下的良性甲状腺模板;
其次,对于待识别甲状腺结节超声图像,利用其图像信息,根据所述特定参数条件下的良性甲状腺模板辨别待识别甲状腺结节超声图像的对应角度与位置,完成待识别甲状腺结节超声图像与良性甲状腺模板的匹配过程,并在所述特定参数条件下的良性甲状腺模板中,提取对应角度与位置上的良性甲状腺超声图像及相应的参数化的良性甲状腺模板的三维图像特征,用于后续结节粗定位神经网络的训练。
5.根据权利要求4所述的基于良性甲状腺模板的恶性结节边缘检测图像处理方法,其特征在于,所述待识别甲状腺结节超声图像中的标注信息包括:患者年龄段、性别、民族和/或生活地区;相应地,所述良性甲状腺模板的输入参数,包括:患者年龄段、性别、民族和/或生活地区。
6.根据权利要求1所述的基于良性甲状腺模板的恶性结节边缘检测图像处理方法,其特征在于,所述对结节的大致位置进行粗定位的方法,包括:
对于完成匹配的所述特定参数条件下的良性甲状腺模板,根据该良性甲状腺模板对应角度与位置上的超声图像,结合相应的参数化的良性甲状腺模板的三维图像特征,通过训练后的神经网络模型,对待识别甲状腺超声图像进行初步识别,得到待识别甲状腺超声图像是否为良性甲状腺超声图像以及图像中是否存在结节的结果;若存在结节,则通过神经网络模型进一步学习和对比参数化的良性甲状腺模板的三维图像特征与待识别甲状腺超声图像及其相应参数,进一步确定待识别甲状腺超声图像中结节可能存在的位置范围,并以此作为结节的初始轮廓,完成结节的粗定位过程。
7.根据权利要求1所述的基于良性甲状腺模板的恶性结节边缘检测图像处理方法,其特征在于,所述对所述初始轮廓曲线进行迭代和演化,采用局部二值拟合模型,包括:
设置局部二值拟合模型的参数;
对于所述水平集函数,逐像素点计算该点附近曲线轮廓内外图像灰度的平均值,进而根据基于能量的图像分割方法与区域型水平集方法原理,计算局部二值拟合模型对应的水平集函数演化方程,并对水平集函数进行迭代和演化;
判断水平集函数是否达到收敛条件,若满足收敛条件,则停止演化,输出最终演化后的轮廓曲线;若不满足,继续执行对水平集函数进行迭代和演化的步骤。
8.根据权利要求7所述的基于良性甲状腺模板的恶性结节边缘检测图像处理方法,其特征在于,所述局部二值拟合模型的参数,包括:轮廓曲线外部和内部的图像灰度与局部平均灰度差值的比重、模型中采用的Heaviside与Dirac函数中的参数、高斯核函数中的尺度参数、惩罚项系数与长度约束项系数。
9.根据权利要求1所述的基于良性甲状腺模板的恶性结节边缘检测图像处理方法,其特征在于,所述对所述演化后的轮廓曲线进行有效轮廓的选取的方法,包括:
对演化后的轮廓曲线进行二值化处理,得到二值化图像;
读取所述二值化图像的最外围轮廓曲线,并将其与所述初始轮廓曲线进行对比,舍弃内部区域交集为空的轮廓曲线,从而排除远离目标区域的轮廓;
在剩余的轮廓曲线中选取长度最长的轮廓曲线作为轮廓选取的最终结果,从而剔除了目标区域附近的干扰轮廓,获得最终定位的结节轮廓曲线,完成结节的精细定位过程。
10.一种基于良性甲状腺模板的恶性结节边缘检测图像处理系统,其特征在于,包括:
参数化的良性甲状腺模板构建模块:该模块利用已标记的良性甲状腺三维图像和恶性甲状腺三维图像,形成参数化的良性甲状腺模板;
初始轮廓曲线获取模块:该模块对于待识别甲状腺结节超声图像,根据其标注信息和图像信息,与所述参数化的良性甲状腺模板进行匹配,获得特定参数条件下的良性甲状腺模板,并结合参数化的良性甲状腺模板的三维图像特征,对结节的大致位置进行粗定位,得到结节的初始轮廓曲线;
初始轮廓曲线处理模块:该模块对所述初始轮廓曲线进行迭代和演化,得到演化后的轮廓曲线;
结节位置定位模块:该模块对所述演化后的轮廓曲线进行有效轮廓的选取,得到最终的外围轮廓曲线和分割结果,对结节的位置进行精细定位。
11.一种设备,包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时能够用于执行权利要求1至9中任一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时可用于执行权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011219313.8A CN112215842B (zh) | 2020-11-04 | 2020-11-04 | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011219313.8A CN112215842B (zh) | 2020-11-04 | 2020-11-04 | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215842A true CN112215842A (zh) | 2021-01-12 |
CN112215842B CN112215842B (zh) | 2022-12-09 |
Family
ID=74058236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011219313.8A Active CN112215842B (zh) | 2020-11-04 | 2020-11-04 | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215842B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113842164A (zh) * | 2021-09-14 | 2021-12-28 | 上海市第六人民医院 | 用于检测braf-v600e突变的系统和方法 |
CN113842166A (zh) * | 2021-10-25 | 2021-12-28 | 上海交通大学医学院 | 基于超声影像设备的超声图像采集方法以及相关装置 |
CN115100474A (zh) * | 2022-06-30 | 2022-09-23 | 武汉兰丁智能医学股份有限公司 | 基于拓扑特征分析的甲状腺穿刺图像分类方法 |
EP4195146A1 (en) * | 2021-12-13 | 2023-06-14 | FUJI-FILM Corporation | Ultrasound diagnostic apparatus and control method of ultrasound diagnostic apparatus |
CN116778027A (zh) * | 2023-08-22 | 2023-09-19 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于神经网络的曲面参数化方法及装置 |
CN117333435A (zh) * | 2023-09-15 | 2024-01-02 | 什维新智医疗科技(上海)有限公司 | 甲状腺结节边界清晰度检测方法、系统、电子设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020172403A1 (en) * | 2001-03-28 | 2002-11-21 | Arch Development Corporation | Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images |
CN106997596A (zh) * | 2017-04-01 | 2017-08-01 | 太原理工大学 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
CN108615034A (zh) * | 2017-12-14 | 2018-10-02 | 燕山大学 | 一种模板匹配与神经网络算法结合的车牌识别方法 |
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 |
CN111652896A (zh) * | 2020-05-29 | 2020-09-11 | 北京理工大学 | 惯导辅助陨石坑由粗到精检测方法 |
-
2020
- 2020-11-04 CN CN202011219313.8A patent/CN112215842B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020172403A1 (en) * | 2001-03-28 | 2002-11-21 | Arch Development Corporation | Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images |
CN106997596A (zh) * | 2017-04-01 | 2017-08-01 | 太原理工大学 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
CN108615034A (zh) * | 2017-12-14 | 2018-10-02 | 燕山大学 | 一种模板匹配与神经网络算法结合的车牌识别方法 |
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 |
CN111652896A (zh) * | 2020-05-29 | 2020-09-11 | 北京理工大学 | 惯导辅助陨石坑由粗到精检测方法 |
Non-Patent Citations (2)
Title |
---|
JUNYING CHEN 等: "《A review of thyroid gland segmentation and thyroid nodule segmentation methods for medical ultrasound images》", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
YE ZHU 等: "《An Image Augmentation Method Using Convolutional Network for Thyroid Nodule Classification by Transfer Learning》", 《2017 3RD IEEE INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATIONS》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113842164A (zh) * | 2021-09-14 | 2021-12-28 | 上海市第六人民医院 | 用于检测braf-v600e突变的系统和方法 |
CN113842164B (zh) * | 2021-09-14 | 2024-02-20 | 上海市第六人民医院 | 用于检测braf-v600e突变的系统和方法 |
CN113842166A (zh) * | 2021-10-25 | 2021-12-28 | 上海交通大学医学院 | 基于超声影像设备的超声图像采集方法以及相关装置 |
EP4195146A1 (en) * | 2021-12-13 | 2023-06-14 | FUJI-FILM Corporation | Ultrasound diagnostic apparatus and control method of ultrasound diagnostic apparatus |
CN115100474A (zh) * | 2022-06-30 | 2022-09-23 | 武汉兰丁智能医学股份有限公司 | 基于拓扑特征分析的甲状腺穿刺图像分类方法 |
CN116778027A (zh) * | 2023-08-22 | 2023-09-19 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于神经网络的曲面参数化方法及装置 |
CN116778027B (zh) * | 2023-08-22 | 2023-11-07 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于神经网络的曲面参数化方法及装置 |
CN117333435A (zh) * | 2023-09-15 | 2024-01-02 | 什维新智医疗科技(上海)有限公司 | 甲状腺结节边界清晰度检测方法、系统、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112215842B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215842B (zh) | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 | |
US10546014B2 (en) | Systems and methods for segmenting medical images based on anatomical landmark-based features | |
CN109166133B (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
CN106485695B (zh) | 基于统计形状模型的医学图像Graph Cut分割方法 | |
CN109300113B (zh) | 一种基于改进凸包方法的肺结节辅助检测系统及方法 | |
CN109272512B (zh) | 一种自动分割左心室内外膜的方法 | |
CN107403201A (zh) | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 | |
CN108734694A (zh) | 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法 | |
CN107886514A (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
RU2654199C1 (ru) | Сегментация тканей человека на компьютерном изображении | |
Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
CN109214397A (zh) | 一种肺部ct图像中肺结节的分割方法 | |
CN113781640A (zh) | 基于弱监督学习的三维人脸重建模型建立方法及其应用 | |
CN111784653B (zh) | 基于形状约束的多尺度网络mri胰腺轮廓定位方法 | |
CN107403438A (zh) | 改进模糊聚类算法的超声图像病灶区分割方法 | |
Peng et al. | A region‐appearance‐based adaptive variational model for 3D liver segmentation | |
US20220301224A1 (en) | Systems and methods for image segmentation | |
Zhu et al. | Automatic delineation of the myocardial wall from CT images via shape segmentation and variational region growing | |
CN112820399A (zh) | 自动诊断甲状腺结节良恶性的方法及装置 | |
Liu et al. | Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement | |
CN111798424A (zh) | 一种基于医学图像的结节检测方法、装置及电子设备 | |
CN113706434A (zh) | 基于深度学习对胸部增强ct图像的后处理方法 | |
CN114494215A (zh) | 基于Transformer的甲状腺结节检测方法 | |
CN112258536B (zh) | 一种胼胝体及小脑蚓部的一体化定位及分割方法 | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |