CN112270676B - 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法 - Google Patents
一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法 Download PDFInfo
- Publication number
- CN112270676B CN112270676B CN202011266244.6A CN202011266244A CN112270676B CN 112270676 B CN112270676 B CN 112270676B CN 202011266244 A CN202011266244 A CN 202011266244A CN 112270676 B CN112270676 B CN 112270676B
- Authority
- CN
- China
- Prior art keywords
- region
- features
- feature
- muscle layer
- segmentation
- 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
- 210000003205 muscle Anatomy 0.000 title claims abstract description 41
- 230000008595 infiltration Effects 0.000 title claims abstract description 40
- 238000001764 infiltration Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 26
- 206010014733 Endometrial cancer Diseases 0.000 title claims abstract description 18
- 206010014759 Endometrial neoplasm Diseases 0.000 title claims abstract description 18
- 238000002595 magnetic resonance imaging Methods 0.000 title description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 210000004291 uterus Anatomy 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 claims description 3
- 230000002980 postoperative effect Effects 0.000 claims description 3
- 238000004195 computer-aided diagnosis Methods 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 201000003914 endometrial carcinoma Diseases 0.000 abstract description 2
- 238000007477 logistic regression Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000004996 female reproductive system Anatomy 0.000 description 1
- 230000009245 menopause Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种MRI图像子宫内膜癌肌层浸润深度计算机辅助判断方法,属于医学图像处理技术领域。本发明首先人工选择子宫体区域作为感兴趣区域(ROI),然后基于Otsu分割和形态学处理得到含肿瘤和宫腔的区域,对此区域提取了几何特征,直方图特征及灰度共生矩阵特征,经过特征选择后,建立支持向量机浸润深度分类模型。本发明能较好地在MRI图像中区分子宫内膜癌肌层浸润的深浅程度,可以辅助医生对子宫内膜癌肌层浸润的深浅程度的判断。
Description
技术领域
本发明涉及一种MRI图像子宫内膜癌肌层浸润深度计算机辅助判断方法,属于医学图像处理技术领域。
背景技术
子宫内膜癌是女性生殖系统常见的恶性肿瘤,好发于绝经期及围绝经期妇女,发病高峰55-65岁。子宫内膜癌的术前分期中,需要人工根据MRI图像判读肌层浸润为深肌层浸润还是浅肌层浸润,其对预测预后及评估淋巴结转移风险有很重要的作用。浸润深度大于或等于肌层厚度50%被认为是深肌层浸润,否则是浅肌层浸润。MRI是一种重要且无创的子宫内膜癌术前评估的影像学方法。然而,术前利用MRI判断肌层浸润程度存在观察者间的差异,尤其是对于经验较少的医生。计算机辅助诊断方法可以缓解这一问题。
目前在MRI图像中对子宫内膜癌肌层浸润深度评估的计算机辅助诊断方法较少报道。现有的研究如Arnaldo Stanzione等人的“Deep Myometrial Infiltration ofEndometrial Cancer on MRI”,Yoshiko Ueno等人的“endometrial carcinoma:MRImaging–based Texture Model for Preoperative Risk Stratification”等,其主要对肿瘤区域的纹理特征进行分析,主要步骤包括人工画出肿瘤区域作为感兴趣区、提取基于直方图的一阶统计特征或大量的影像组学特征、特征选择、建立逻辑回归或者随机森林模型进行浸润程度分类。上述方法仅使用纹理特征来区分浸润深浅程度,然而,纹理特征并不能反映出由于肌层浸润导致的肌层组织在结构上的改变,从其他角度挖掘更多的有助于分类的特征,进行多特征融合仍然是必要的。
发明内容
本发明的目的是为解决如何采取一种多特征融合的计算机辅助判断方法用于在MRI图像中判断子宫内膜癌肌层浸润深度的技术问题。
为达到解决上述问题的目的,本发明所采取的技术方案是提供一种MRI图像子宫内膜癌肌层浸润深度计算机辅助判断方法,包括以下步骤:
步骤1:MRI图像的读取;
步骤2:在切片上人工圈画子宫体区域作为感兴趣区即ROI区域;
步骤3:进行肿瘤和宫腔区域的图像分割;在ROI区域内,基于大津法(Otsu)和形态学处理分割出包含肿瘤和宫腔的连通域,记作区域R;具体地,先以初始的结构元素对ROI进行腐蚀以减少浆膜层附近亮度对Otsu分割的影响,然后进行Otsu分割;在分割得到的多个区域中,选择形心和ROI的形心最近的区域做进一步处理;其中,过度分割将会导致此区域的凸包面积与其自身面积之差过大,采用形态学处理缓解这一问题,由此得到第一轮分割的结果R1区域;然后根据R1初步估计无浸润处肌层厚度,用来选取适当大小的结构元素增加对ROI腐蚀的程度以减少浆膜层附近亮度对Otsu分割的影响;重复上述步骤得到R2;求出R2与R1的差集中的最大区域,将R2和此最大区域取并集得到最终较优的分割结果,即区域R,认为此区域即包含肿瘤和宫腔的连通域;
步骤4:进行几何特征的提取;利用ROI的边缘曲线和分割结果R区域,较密集地采样肌层厚度,将较大的厚度记为Le,较小的厚度记为Se,则定义几何特征LS,其计算式为:LS=(Le-Se)/Le;
步骤5:进行纹理特征的提取;首先,R区域中具有高灰度值的像素通过阈值分割算法被移除,剩余的区域被认为是肿瘤区域;在此区域中提取基于直方图的一阶统计特征和基于灰度共生矩阵(GLCM)的特征;使用的基于直方图的一阶统计特征有均值,标准差,偏度,峰度和熵;使用的GLCM纹理特征有Contrast,Dissimilarity,Homogeneity,ASM,Energy和Correlation;
步骤6:进行特征选择;为降低冗余特征和维度灾难的影响,对步骤5中得到的纹理特征进行特征选择,采用递归特征消除算法(RFE)进行特征选择,RFE根据分类器的权重参数评估特征重要度,需要经过多轮分类器训练;具体地,第一轮中使用所有的特征训练分类器,然后将特征重要度最低的特征从特征集合中删除;每个特征的重要度为分类器中对应的特征权重值的平方;重复上述步骤直到特征集合中的特征都被删除;最终可以得到特征删除的先后顺序,最后被删除的k个特征被选为优化后的特征子集;
步骤7:基于支持向量机建立肌层浸润深度分类模型;所有样本的深浅程度的标签以术后病理检查的结果为金标准;经过上述步骤1-步骤6,将几何特征LS和选择出的k个纹理特征进行融合训练一个线性核的支持向量机(LSVM),从而得到肌层浸润深度和浅度分类模型;使用此模型即可对新样本进行预测。
优选地,所述步骤1中MRI图像设为矢状位T2WI FS FSE序列的MRI图像。
优选地,所述步骤2中切片的选择原则设为与邻近的切片相比,此切片中肿瘤边缘距浆膜层最近。
相比现有技术,本发明具有如下有益效果:
本发明的目的是为克服现有技术的不足,提供一种多特征融合的计算机辅助判断方法用于在MRI图像中,判断子宫内膜癌肌层浸润深度;本发明方法除了提取纹理特征,还融合了几何特征用于反映因肌层浸润导致的肌层组织在结构上的改变。在人工画出子宫体作为感兴趣区后,将自动地提取特征并给出浸润程度的分类结果。本发明能够在MRI图像中较好地对子宫内膜癌肌层浸润深浅程度进行分类。
本发明的优点在于:
1.提取了几何特征用于反映由于肌层浸润导致的肌层组织在结构上的改变。
2.将几何特征和纹理特征融合,相比单一类型的特征,分类器可以综合几何特征和纹理特征两个角度给出更可靠的浸润程度判断。
附图说明
图1为本发明方法的流程示意图;
图2为本发明方法中肿瘤和宫腔区域图像分割的流程图;
图3为本发明方法中提取几何特征LS的示意图;
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下:
如图1-3所示,附图1为本发明方法的流程示意图;一种MRI图像子宫内膜癌肌层浸润深度计算机辅助判断方法,包括以下步骤:
步骤1:图像读取,读取MRI图像(矢状位T2WI FS FSE序列的MRI图像),并将其灰度级归一化为0-255。
步骤2:选择感兴趣区;在切片上人工沿着浆膜层圈画子宫体区域作为感兴趣区(ROI)。选择切片的原则:与邻近的切片相比,此切片中肿瘤边缘距浆膜层最近。自动将沿着浆膜层圈画的曲线的起止点用直线连接,则此封闭曲线围成的区域即ROI。
步骤3:肿瘤和宫腔区域的图像分割:在ROI区域内,基于Otsu分割和形态学处理得到包含肿瘤和宫腔的连通域,记作区域R。结合附图2,详细步骤如下,先以初始的结构元素对ROI进行腐蚀以减少浆膜层附近亮度对Otsu分割的影响,初始的腐蚀运算结构元素选为15乘15的全1矩阵,所有使用的具体形态学处理运算已标注在附图2中,图中erosion(x)*m+dilation(y)*n表示先迭代执行腐蚀运算m次,结构元素为x*x的全1矩阵,然后迭代执行膨胀运算n次,结构元素为y*y的全1矩阵。接着使用Otsu在灰度值低于150的区域内进行分割。在分割得到的多个区域中,选择形心和ROI的形心最近的区域做进一步处理,记作A区域。其中,过度分割将会导致A区域的凸包面积与其自身面积之差过大,采用形态学处理缓解这一问题。具体地,计算A区域的凸包面积和A区域自身面积之差是否超过一定阈值,本发明中阈值设为300。若超过,则进一步进行形态学处理后,作为R1区域,否则直接将A区域作为第一轮分割结果R1(附图2中实线为第一轮,虚线为第二轮)。根据R1初步评估无浸润处肌层厚度m,m的计算与步骤4中计算Lm的方法相同,其中z1取2。此时使用和第一轮相同的步骤进行第二轮分割得到R2区域,求出R2与R1的差集中的最大区域,将R2和此最大区域取并集得到最终较优的分割结果即区域R,认为R区域即为包含肿瘤和宫腔的连通域。
步骤4:几何特征的提取;结合附图3,在ROI的边缘曲线上至多可以采样到n个点对{(Ai,Bi)|i=1,2,...,n},其中Ai和Ai+1,Ai和Bi之间的间隔点数都是固定的,分别记为step和width。Mi是AiBi的中点,Ni是AiBi的垂直平分线和分割结果R区域的边缘曲线的交点,li是MiNi的长度。{p1,p2,...,pn}是{l1,l2,...,ln}的降序排列。定义的几何特征LS按如下式(1),式(2),式(3)计算;
LS=(Le-Se)/Le 式(3)
其中,
n1=round(n/z1);n2=round(n/z2)
1≤z1,z2≤n;z1,z2∈Z.
z1和z2可以设为3和n;上述的参数width和step按照如下方法自动确定;首先,width被初始化为40,step等于max(width/1.6,15),由此计算z1=1时的Le,记作Lm那么,
width=min(max(Lm/1.2,15),40)
step=width/4.
步骤5:纹理特征的提取;首先,R区域中具有高灰度值的像素通过阈值分割算法被移除,剩余的区域被认为是肿瘤区域,此处灰度阈值取190。在此区域中提取基于直方图的一阶统计特征和基于GLCM的特征。使用的基于直方图的一阶统计特征有均值,标准差,偏度,峰度和熵。使用的GLCM纹理特征有Contrast,Dissimilarity,Homogeneity,ASM,Energy和Correlation。对于GLCM特征,可以先将原始的256级灰度转换为8级灰度,然后在0,45,90和135度四个方向,以间距为1计算特征值,每个特征在四个方向的平均值作为每个特征的最终结果。
步骤6:特征选择;为降低特征冗余和维度灾难的影响,对上面得到的纹理特征进行特征选择,本发明采用递归特征消除算法(RFE)进行特征选择,此算法属于一种包裹式特征选择算法。RFE根据分类器的权重参数评估特征重要度,需要经过多轮分类器训练。具体地,第一轮中使用所有的特征训练分类器,然后将特征重要度最低的特征从特征集合中删除,其中,每个特征的重要度为分类器中对应的特征权重值的平方。重复上述步骤直到特征集合中的特征都被删除。最终可以得到特征删除的先后顺序。本实施例中,最后被删除的5个特征被选为优化后的特征子集,RFE的分类器使用带有L2正则化的逻辑回归分类器,使用scikit-learn中的RFE和逻辑回归分类器的实现,其中逻辑回归的惩罚项C可以取1×10-5,其余参数为默认值。
步骤7:基于支持向量机建立肌层浸润深度分类模型;所有样本的深浅程度的标签以术后病理检查结果为金标准。深肌层浸润标签为1,浅肌层浸润标签为0。经过上述步骤,将几何特征LS和选择出的5个纹理特征进行融合,训练一个线性核的支持向量机(LSVM),从而得到肌层浸润的深度和浅度分类模型。使用此模型即可对新样本进行预测。特征标准化使用公式X*=(X-μ)/σ,其中μ和σ分别是训练集特征向量的均值和标准差,LSVM的惩罚参数使用scikit-learn中的网格搜索法(Gridsearch)确定,其中惩罚项C的搜索范围可以设为1×10-5到1×103,其余参数取默认值。
以上所述,仅为本发明的较佳实施例,并非对本发明任何形式上和实质上的限制,应当指出,对于本技术领域的普通技术人员,在不脱离本发明的前提下,还将可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员,在不脱离本发明的精神和范围的情况下,当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变,均仍属于本发明的技术方案的范围内。
Claims (3)
1.一种MRI图像子宫内膜癌肌层浸润深度计算机辅助判断方法,其特征在于:包括以下步骤:
步骤1:MRI图像的读取;
步骤2:在切片上人工圈画子宫体区域作为感兴趣区即ROI区域;
步骤3:进行肿瘤和宫腔区域的图像分割;在ROI区域内,基于Otsu和形态学处理分割出包含肿瘤和宫腔的连通域,记作区域R;先以初始的结构元素对ROI进行腐蚀以减少浆膜层附近亮度对Otsu分割的影响,然后进行Otsu分割;在分割得到的多个区域中,选择形心和ROI的形心最近的区域做进一步处理;其中,过度分割将会导致此区域的凸包面积与其自身面积之差过大,采用形态学处理缓解这一问题,由此得到第一轮分割的结果R1区域;然后根据R1初步估计无浸润处肌层厚度,用来选取适当大小的结构元素增加对ROI腐蚀的程度以减少浆膜层附近亮度对Otsu分割的影响;重复上述步骤得到R2;求出R2与R1的差集中的最大区域,将R2和此最大区域取并集得到最终较优的分割结果,即区域R,认为此区域即包含肿瘤和宫腔的连通域;
步骤4:进行几何特征的提取;利用ROI的边缘曲线和分割结果R区域,密集地采样肌层厚度,将较大的厚度记为Le,较小的厚度记为Se,则定义几何特征LS,其计算式为:LS=(Le-Se)/Le;
步骤5:进行纹理特征的提取;首先,R区域中具有高灰度值的像素通过阈值分割算法被移除,剩余的区域被认为是肿瘤区域;在此区域中提取基于直方图的一阶统计特征和基于灰度共生矩阵GLCM的特征;使用的基于直方图的一阶统计特征有均值、标准差、偏度、峰度和熵;使用的GLCM纹理特征有Contrast、Dissimilarity、Homogeneity、ASM、Energy和Correlation;
步骤6:进行特征选择;为降低冗余特征和维度灾难的影响,对步骤5中得到的纹理特征进行特征选择,采用递归特征消除算法RFE进行特征选择,RFE根据分类器的权重参数评估特征重要度,需要经过多轮分类器训练;第一轮中使用所有的特征训练分类器,然后将特征重要度最低的特征从特征集合中删除;每个特征的重要度为分类器中对应的特征权重值的平方;重复上述步骤直到特征集合中的特征都被删除;最终可以得到特征删除的先后顺序,最后被删除的k个特征被选为优化后的特征子集;
步骤7:基于支持向量机建立肌层浸润深度分类模型;所有样本的深浅程度的标签以术后病理检查的结果为金标准;经过上述步骤1-步骤6,将几何特征LS和选择出的k个纹理特征进行融合训练一个线性核的支持向量机LSVM,从而得到肌层浸润深度和浅度分类模型;使用此模型即可对新样本进行预测。
2.如权利要求1所述的一种MRI图像子宫内膜癌肌层浸润深度计算机辅助判断方法,其特征在于:所述步骤1中MRI图像设为矢状位T2WI FS FSE序列的MRI图像。
3.如权利要求1所述的一种MRI图像子宫内膜癌肌层浸润深度计算机辅助判断方法,其特征在于:所述步骤2中切片的选择原则设为与邻近的切片相比,此切片中肿瘤边缘距浆膜层最近。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011266244.6A CN112270676B (zh) | 2020-11-13 | 2020-11-13 | 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011266244.6A CN112270676B (zh) | 2020-11-13 | 2020-11-13 | 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270676A CN112270676A (zh) | 2021-01-26 |
CN112270676B true CN112270676B (zh) | 2022-07-15 |
Family
ID=74340493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011266244.6A Active CN112270676B (zh) | 2020-11-13 | 2020-11-13 | 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270676B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949723B (zh) * | 2021-03-08 | 2023-02-14 | 西安交通大学医学院第一附属医院 | 一种子宫内膜病理图像分类方法 |
CN113034462B (zh) * | 2021-03-22 | 2022-09-23 | 福州大学 | 基于图卷积的胃癌病理切片图像的处理方法及系统 |
CN113178264A (zh) * | 2021-05-04 | 2021-07-27 | 温州医科大学附属第一医院 | 一种深肌层浸润数据预测方法及系统 |
CN113421272B (zh) * | 2021-06-22 | 2023-05-23 | 厦门理工学院 | 一种肿瘤浸润深度的监测方法、装置、设备和存储介质 |
CN114240839B (zh) * | 2021-11-17 | 2023-04-07 | 东莞市人民医院 | 基于深度学习的膀胱肿瘤肌层侵犯预测方法及相关装置 |
CN116109559A (zh) * | 2022-11-22 | 2023-05-12 | 武汉楚精灵医疗科技有限公司 | 胃部标志物的浸润深度检测方法、装置及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104305998A (zh) * | 2014-10-22 | 2015-01-28 | 中国人民解放军第四军医大学 | 一种膀胱壁三维厚度测量与定量分析方法 |
CN104794426A (zh) * | 2015-01-13 | 2015-07-22 | 宁夏医科大学 | 基于cad系统提高前列腺肿瘤mri图像识别率的方法 |
US11107217B2 (en) * | 2016-04-21 | 2021-08-31 | The Trustees Of The University Of Pennsylvania | In vivo detection of EGFR mutation in glioblastoma via MRI signature consistent with deep peritumoral infiltration |
CN111832563A (zh) * | 2020-07-17 | 2020-10-27 | 江苏大学附属医院 | 一种基于超声图像的智能化乳腺肿瘤辨别方法 |
-
2020
- 2020-11-13 CN CN202011266244.6A patent/CN112270676B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112270676A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270676B (zh) | 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法 | |
Dheeba et al. | Classification of malignant and benign microcalcification using SVM classifier | |
Salama et al. | An improved approach for computer-aided diagnosis of breast cancer in digital mammography | |
Blot et al. | Background texture extraction for the classification of mammographic parenchymal patterns | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
CN116912255B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
Spyridonos, P. Ravazoula, D. Cavouras, K. Berberidis, G. Nikiforidis | Computer-based grading of haematoxylin-eosin stained tissue sections of urinary bladder carcinomas | |
Niranjana et al. | A review on image processing methods in detecting lung cancer using CT images | |
Arafa et al. | Computer-aided detection system for breast cancer based on GMM and SVM | |
CN109191422B (zh) | 基于常规ct图像的缺血性脑卒中早期检测系统和方法 | |
Sakr et al. | Automated focal liver lesion staging classification based on Haralick texture features and multi-SVM | |
Oliver et al. | Automatic classification of breast tissue | |
El Abbadi et al. | Breast cancer diagnosis by CAD | |
Gomez et al. | Feature selection and classifier performance in computer-aided diagnosis for breast ultrasound | |
Ramaprabha | A comparative study on the methods used for the detection of breast cancer | |
Kiyuna et al. | Automatic classification of hepatocellular carcinoma images based on nuclear and structural features | |
Valliappan et al. | A theoretical methodology and prototype implementation for detection segmentation classification of digital mammogram tumor by machine learning and problem solving approach | |
Torrent et al. | A supervised micro-calcification detection approach in digitised mammograms | |
Li et al. | A novel approach of computer-aided detection of focal ground-glass opacity in 2D lung CT images | |
CN109978846B (zh) | 一种基于体局部方向三值模式的肺结节纹理特征提取系统及方法 | |
Joykutty et al. | Automatic tuberculosis detection using adaptive thresholding in chest radiographs | |
Makandar et al. | Classification of mass type based on segmentation techniques with support vector machine model for diagnosis of breast cancer | |
Gardezi et al. | Machine learning applications in Breast Cancer diagnosis | |
Guo et al. | A novel 2D ground-glass opacity detection method through local-to-global multilevel thresholding for segmentation and minimum bayes risk learning for classification | |
Duraipandian et al. | Smart digital mammographic screening system for bulk image processing |
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 |