CN112767346B - 基于多影像的全卷积单阶段乳腺图像病灶检测方法及装置 - Google Patents
基于多影像的全卷积单阶段乳腺图像病灶检测方法及装置 Download PDFInfo
- Publication number
- CN112767346B CN112767346B CN202110060410.5A CN202110060410A CN112767346B CN 112767346 B CN112767346 B CN 112767346B CN 202110060410 A CN202110060410 A CN 202110060410A CN 112767346 B CN112767346 B CN 112767346B
- Authority
- CN
- China
- Prior art keywords
- image
- scale
- fusion
- images
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 230000003902 lesion Effects 0.000 title claims abstract description 59
- 210000000481 breast Anatomy 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000002146 bilateral effect Effects 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims description 105
- 210000005075 mammary gland Anatomy 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 20
- 230000000007 visual effect Effects 0.000 claims description 16
- 238000003672 processing method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 210000004907 gland Anatomy 0.000 abstract description 6
- 206010028980 Neoplasm Diseases 0.000 abstract description 5
- 230000002308 calcification Effects 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 206010006187 Breast cancer Diseases 0.000 description 8
- 208000026310 Breast neoplasm Diseases 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000009607 mammography Methods 0.000 description 5
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 4
- 229910052750 molybdenum Inorganic materials 0.000 description 4
- 239000011733 molybdenum Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000280 densification Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- ODOJGYBXTZYZCP-UHFFFAOYSA-N molybdenum palladium Chemical compound [Mo].[Pd].[Pd].[Pd] ODOJGYBXTZYZCP-UHFFFAOYSA-N 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 210000000062 pectoralis major Anatomy 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000004083 survival effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
针对现有的乳腺病灶检测算法不能很好结合双侧乳腺信息,不能同时满足包括肿块、钙化等多病种识别检出以及在不对称致密型腺体上表现效果一般的情况,本发明提出了融合多影像信息的全卷积单阶段乳腺X线影像病灶检测方法。采用不基于anchor的方法来进行病灶检测,从原始影像中抽取不同尺度的特征,将不同尺度的特征进行融合,以及将不同影像的信息进行融合,最后直接预测特征图上某一点是否对应一个病灶以及病灶的具体位置。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种乳腺图像中病灶区域检测的处理方法。
背景技术
乳腺癌是女性发病率最高的恶性肿瘤,我国每年新增乳腺癌病例超过27万人,且乳腺癌的发病率呈逐年上升的趋势,严重威胁女性健康。乳腺癌早期诊断非常重要,早期精确诊断可使乳腺癌患者5年生存率从25%提高到99%。乳腺X线筛查被认为是乳腺癌筛查的首选检查方法。目前乳腺X线摄影依靠主观诊断,存在总体准确率不够高并受限于评价者水平的问题。相较于某位医疗专家的个人经验判断,人工智能识别算法有可能更加快速、高效、精准的识别X线影响中的病灶,辅助医生进行临床诊断,同时也节约了临床与影像医生的大量精力。
乳腺X线摄影技术的成像原理是将三维立体的乳腺映射到二维平面视图上,导致正常组织堆积重叠之后与肿块组织成像相似,尤其仅凭单张视图难以区分。因此,临床上常用的诊断方法是结合同一病患的多幅乳腺X线图像进行分析,以提高对乳腺病灶的诊断率。乳腺X线影像会对同一乳房在两个不同视角(CC位和MLO位)进行拍摄,因此在一般情况下一个病灶会在两个视角同时反映出来,也就是说在CC位和MLO位会分别看到一个病灶,并且它们是同一病灶的不同视角。
现有的乳腺病灶检测分析算法通常对病人的四张乳腺X线影像(即两侧乳房各自的CC位和MLO位图像)进行分析,但是现有算法往往不能很好结合双侧乳腺信息,通常分别给出每张影像上的病灶检测结果,没有有效利用对侧乳房图像中的信息和不同视角图像的信息。现有技术中也有部分算法使用了双侧或多视角乳腺图像进行处理,但是还存在以下问题:
1、现有的基于anchor-free的检测方法在对病灶进行识别和回归时一般仅利用位于物体内部的分类结果和对物体矩形框的回归结果,会造成某些低质量的预测框(和真实矩形框位置差别较大的预测框)得到较高的分类分数,而有些高质量的预测框得到较低的分类分数,进一步影响后续的非极大值抑制过程(NMS过程,用于去除非最优预测框)的结果,造成检测框不准确。且现有技术中常用的anchor-free方法仅针对肿块病灶,未能涵盖所有类型以及形状的病灶,尤其是形状分布不均的病灶(比如钙化),因而造成漏检。
2、现有的检测方法在利用双侧乳腺信息进行乳腺癌诊断时,未能更好利用左右两侧的特征信息,忽略了网络自动对双侧特征的挖掘提取能力。
3、现有的大多数病灶检测模型并没有很好利用同一乳房的双视角信息进行乳腺癌诊断,仅依靠单视角影像进行检测,常常会因为腺体重叠将正常腺体误诊为病灶,或漏诊不明显的病灶;
4、现有的大多数病灶检测模型都是基于双阶段的检测方法,双阶段的方法速度较慢,需要较长的时间才能完成诊断。
5、现有的病灶检测模型对于非对称致密的检出效果较差,因为非对称致密的检测同时依赖于双侧乳房对比,并且要结合同一乳房两个视角的信息才容易判断。
发明内容
本发明正是基于上述技术问题至少之一,提出了一种融合多影像信息的全卷积单阶段乳腺X线影像病灶检测方法,本发明采用不基于anchor的方法来进行病灶检测,从原始影像中抽取不同尺度的特征,将不同尺度的特征进行融合,以及将不同影像的信息进行融合,最后直接预测特征图上某一点是否对应一个病灶以及病灶的具体位置。Center-ness预测分支更有效保留了位于物体中心的特征点所预测出来的病灶,从而提升整体检出效果。
有鉴于此,本发明的第一方面的实施例,提出了一种乳腺图像处理方法,其特征在于,包括:
获取同一次检测中双侧乳腺不同视角的图像作为待处理图像,其中所述待处理图像包括:左侧头尾位(LCC)图像、左侧内外侧斜位(LMLO位)图像、右侧头尾位(RCC)图像和右侧内外侧斜位(RMLO)图像;
获取每幅待处理图像对应的多个不同尺度特征数据;
将所述每幅待处理图像对应的多个不同尺度特征数据融合,得到每幅待处理图像对应的多尺度融合特征;
将左侧乳腺图像对应的所述多尺度融合特征和右侧乳腺图像对应的所述多尺度融合特征进行融合,得到左右融合特征;
将同侧乳腺的头尾位图像和内外侧斜位图像对应的所述多尺度融合特征进行融合,得到多视角融合特征;
根据所述左右融合特征和所述多视角融合特征,使用病灶检测和回归网络,确定图像中的病灶区域。
更进一步,获取每幅待处理图像对应的多个不同尺度特征数据的步骤包括:
使用预先训练的多尺度特征提取网络对所述待处理图像进行处理,其中,所述多尺度特征提取网络包括卷积神经网络,所述多尺度特征数据包括多个不同分辨率的特征数据。
另一种可选的实施方式中,将左侧乳腺图像对应的所述多尺度融合特征和右侧乳腺图像对应的所述多尺度融合特征进行融合的步骤包括:
将双侧乳腺图像朝向调整到同一方向;
使用偏移预测网络将双侧乳腺图像的相同位置对齐;
将所述左侧乳腺图像和所述右侧乳腺图像相同位置处对应的多尺度融合特征拼接和差分,分别得到拼接特征和权重;
将所述拼接特征和所述权重相乘,得到所述左右融合特征。。
优选的,将同侧乳腺的头尾位图像和内外侧斜位图像对应的所述多尺度融合特征进行融合,得到多视角融合特征的步骤包括:
确定所述头尾位图像和所述内外侧斜位图像中每个位置对应的深度;
将相同深度对应的所述多尺度融合特征进行池化聚合,得到池化特征;
将所述多尺度融合特征和对应另一视角图像的池化特征相乘,得到所述多视角融合特征。
更进一步,确定图像中的病灶区域的步骤还包括:
使用所述病灶检测和回归网络确定病灶分类得分,
使用所述病灶检测和回归网络中的中心性检测分支(centre-ness分支)确定中心性得分,
根据所述病灶分类得分和所述中心性检测分支,确定图像中的病灶区域。
本发明另一方面的实施例提出一种图像处理装置,包括:
图像获取单元,用于获取同一次检测中双侧乳腺不同视角的图像作为待处理图像,其中所述待处理图像包括:左侧头尾位(LCC)图像、左侧内外侧斜位(LMLO位)图像、右侧头尾位(RCC)图像和右侧内外侧斜位(RMLO)图像;
多尺度特征提取单元,用于获取每幅待处理图像对应的多个不同尺度特征数据;
多尺度特征融合单元,用于将所述每幅待处理图像对应的多个不同尺度特征数据融合,得到每幅待处理图像对应的多尺度融合特征;
左右特征融合单元,用于将左侧乳腺图像对应的所述多尺度融合特征和右侧乳腺图像对应的所述多尺度融合特征进行融合,得到左右融合特征;
多视角特征融合单元,用于将同侧乳腺的头尾位图像和内外侧斜位图像对应的所述多尺度融合特征进行融合,得到多视角融合特征;
病灶检测单元,根据所述左右融合特征和所述多视角融合特征,使用病灶检测和回归网络,确定图像中的病灶区域。
再一个方面,本发明的又一个实施例提供一种电子设备,包括:处理器和存储器;所述处理器和存储器相连,其中,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序,以执行前述实施例中的图像处理方法。
再一个方面,本发明的又一个实施例提供一种计算机存储介质,所述计算机存储介质存储有一条或多条第一指令,所述一条或多条第一指令适于由处理器加载并执行前述实施例中的图像处理方法。
通过以上技术方案,可以更好的利用乳腺X线检测双侧乳腺多个不同视角的图像。上述方案中给出的方法能够直接确定图像中的病灶区域,有效地提升医生的敏感性,防止病灶的漏检。
此外,本发明方案使用了不同于基于预测框(anchor)的方法,不需要预设不同位置、尺度以及形状的anchor,有效避免了anchor难以涵盖所有病灶的问题,从而提高病灶的检出率,尤其是不规则病灶(如钙化)的检出率;
另一方面,相对于双阶段的检测方法,本发明中使用的单阶段检测方法只需要进行一次病灶检测,而不需要分两步进行病灶检测,因而计算量更小,速度更快,占用显存更小。
而与现有技术中的单阶段anchor free的乳腺钼靶病灶检测方法相比,本发明的方案额外增加了一个Center-ness预测分支,用来预测当前特征点是否位于物体的中心。如果直接采用是否位于物体内部的分类结果和对物体矩形框的回归结果,有可能某些低质量的预测框(和真实矩形框位置差别较大的预测框)会得到较高的分类分数,而有些高质量的预测框会得到较低的分类分数,这样的话在NMS过程中将会出现低质量但得分高的预测框将高质量但得分较低的预测框删除掉的情况。在增加了Center-ness分支后,通过预测每一个特征点是否位于物体中心,位于物体中心的特征点对于矩形框的预测往往更加准确,将优先采用位于中心的特征点所预测出来的病灶,从而提升整体检出效果。
抽取不同尺度的特征图有利于分别预测不同大小的病灶,而多尺度特征融合能够将不同尺度的特征相互结合,使不同层级的特征图同时具有局部精细特征以及全局抽象特征,更有利于病灶的检出。
另外,本发明方案综合利用同一病人同一机位两侧乳房的的两张乳腺钼钯影像的信息,实现了左右影像的特征融合,来提取出判别性更强的特征,有效地提升了模型的效果。本发明的方案将两侧的特征进行拼接,从而使网络能够利用到两张影像上的信息,同时将两侧的特征进行差分求出每一个区域特征的权重,进而显式地将医生的先验知识编码进网络中,降低了网络进行拟合的难度。在进行左右影像的特征融合后,本发明的模型对于严重依赖两侧信息才能判断的病灶(如非对称致密)的效果有了明显提升。
和现有技术中左右结合方式不同的是,本发明方案除了对两侧特征进行差分外,还同时保留了左右两侧的特征放入之后的特征图里,这样能够使网络有能力利用两侧特征自动发掘出更加有用的信息。
最后,将MLOCC位两个视角的特征进行融合,使得网络能够同时利用到两个视角的特征。对于一些不容易确定的病灶,可利用另外视角的信息来帮助确定是否为一病灶。用两个视角相同深度的特征图响应作为额外的信息,可以有利于寻找肿块、非对称致密等病灶。
附图说明
图1示出了双侧乳腺不同视角乳腺图像的一个示例;
图2示出了根据本发明的实施例一的乳腺图像处理方法的示意图;
图3示出了根据本发明的实施例一的乳腺图像处理方法的整体流程框图;
图4示出了根据本发明的实施例一的方法中获取多尺度特征的示意图;
图5示出了根据本发明的实施例一的方法中的左右融合步骤的示意图;
图6示出了根据本发明的实施例一的方法中的多角度融合步骤的示意图;
图7示出了根据本发明的实施例一的方法对乳腺图像中的病灶进行检测的一个示例图;
图8示出了根据本发明的实施例一的方法在对乳腺图像中的病灶进行检测的另一个示例图;
图9示出了根据本发明的实施例二的图像处理装置的示意框图;
图10示出了根据本发明的实施例三的电子设备的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
图2示出了根据本发明的一个实施例的乳腺图像处理方法的示意框图。
如图2所示,根据本发明的一个实施例的乳腺图像的处理方法,本实施例以乳腺X线图像为例对发明方案进行阐述,本发明的方法不仅限于乳腺X线图像(包括普通X线图像和钼靶X线图像),也可用于乳腺检查中使用的彩超、CT、核磁共振等医学成像方法获取的图像。
乳腺图像处理方法,包括以下步骤:
S201:获取同一次检测中双侧乳腺不同视角的图像作为待处理图像,其中所述待处理图像包括:左侧头尾位(LCC)图像、左侧内外侧斜位(LMLO位)图像、右侧头尾位(RCC)图像和右侧内外侧斜位(RMLO)图像;
在乳腺X摄像摄影检查中,头尾位和内外侧斜位(或称为内外斜位)是首选检测体位,也被称为标准体位,通常可以满足乳腺检查需求。内外侧斜位检测中,摄影平台角度与被检者胸大肌外侧缘平行,一般为30°~70°,将可动性组织向固定组织充分移动后持实压力,X射线自内上向外下投射,可大致确定局限性病变的上下空间位置。标准的内外侧斜位影像具有在单一体位中使所有乳腺组织成像的最大机会,乳腺外上的深部组织也能显示出来。头尾位为内外侧斜位的补充体位。摄影平台角度为0,充分托起乳腺以消除上部固定组织的盲区后持实压力,X射线自上向下投射,可确定局限性病变的内外空间位置,能完整显示乳腺内侧组织。
本步骤中对如何获取乳腺图像的头尾位图像和内外侧斜位图像并不做限定,可以直接在一次乳腺X线摄影检测后获取相应的检测图像,也可以从过往检测图像的数据库中获取相应图像。或者,图像可以来自病人提供的X摄像摄影照片。获取图像时,需保证头尾位图像和内外侧斜位图像为针对乳腺的同一次检测的图像。本步骤需要获取同一病人两侧乳腺的头尾位和内外侧斜位共四张图像,例如附图1所示。
本实施例中的乳腺图像也可以是钼靶X线图像、彩超图像、CT图像或MRI图像。
S202:获取每幅待处理图像对应的多个不同尺度特征数据。
参考附图4,通过本步骤,获取之前步骤S201中获取的左侧头尾位图像、右侧头尾位图像、左侧内外侧斜位图像和右侧内外侧斜位图像的多个不同尺度的特征数据。
本步骤中,使用多尺度特征提取网络对图像不同尺度的特征进行提取。其中,利用卷积神经网络(如ResNet)对输入影像进行特征提取,得到从精细到抽象的若干层特征。靠近输入影像端的特征下采样次数较少,分辨率较高,适合刻画较小病灶;远离输入影像端的特征下采样次数较多,分辨率较低,适合刻画较大病灶。
这样,就获得了LCC图像、RCC图像、LMLO图像和RMLO图像四张图像各自对应的多个不同尺度的图像特征数据。
S203:将所述每幅待处理图像对应的多个不同尺度特征数据融合,得到每幅待处理图像对应的多尺度融合特征;
本步骤中,对LCC图像、RCC图像、LMLO图像和RMLO图像各自对应的多个不同尺度的图像特征数据进行融合。在利用多尺度特征提取网络得到的特征,靠近输入端的用于检测较小病灶;远离输入端的用于检测较大病灶。但靠近输入端的特征抽取到的是局部精细特征,缺乏全局抽象信息;同时远离输入端的抽取到的是全局抽象特征,缺乏局部精细信息,都不利于病灶的识别,为了使这些特征同时具备局部精细特征和全局抽象特征,我们将提取到的多尺度特征进行特征融合,使得各层级特征既具有局部精细特性,又具有全局抽象特性。融合的方法可以采用FPN、PANet、NAS-FPN、BiFPN等不同网络结构。
将不同尺度的特征进行融合后,就得到了LCC图像、RCC图像、LMLO图像和RMLO图像各自对应的多尺度融合特征。
S204:将左侧乳腺图像对应的所述多尺度融合特征和右侧乳腺图像对应的所述多尺度融合特征进行融合,得到左右融合特征;
正常女性的两侧乳房腺体是比较对称的,如果乳腺中发生了病变,那么就会破坏这种对称性,因此专业的钼钯医生在阅读影像时会将同一视角的两侧乳房进行对比,如果某个区域在两侧乳房是比较对称的,那么就表明该区域极有可能是正常;而如果某个区域在两侧乳房是不对称的,那么就表明该区域很有可能存在病灶。为了模拟医生的阅片过程,将上述知识编码进网络里面来,首先将左右两张影像之一进行翻转,使得两张影像中乳腺为同一朝向,例如,对于CC位图像,可以先将LCC图像或RCC图像进行翻转,是LCC图像和RCC图像中的乳腺朝向相同,之后,利用偏移预测网络(可选用resnet回归网络)预测LCC图像和RCC图像之间的偏移值,用来将LCC图像和RCC图像对齐;然后将对齐后的两侧图像相同位置的多尺度融合特征拼接起来,同时将两侧影像相同位置的特征进行差分,根据差分后的响应大小作为每个位置的权重,将该权重乘在拼接好的影像特征上得到新的特征。以此来实现左右影像的特征融合。此种方法我们将左右两侧特征同时加入到我们的特征图里,能够使网络有能力结合两侧影像的信息来寻找病灶,同时还显式地计算了左右两侧特征的差异,差异较大的地方特征得到增强,差异较小的地方特征进行衰减,进而使得特征图关注在两侧差异较大的地方,有利于寻找到影像里的病灶。
对于LMLO图像和RMLO图像,处理方法相同。本步骤中使用的图像特征均为之前步骤得到的多尺度融合特征。
如附图5所示,本步骤可以通过一个左右特征融合网络来完成拼接、查分、权重相乘等工作,得到LCC图像和RCC图像的左右拼接特征以及LMLO图像和RMLO图像的左右拼接特征。
S205:将同侧乳腺的头尾位图像和内外侧斜位图像对应的所述多尺度融合特征进行融合,得到多视角融合特征;
同一个乳房会从内外侧斜位(mediolateral oblique projection,MLO)和头尾位(craniocaudal projection,CC)这两个不同的视角进行拍摄,同一个病灶在这两个视角上深度是一致的,如果患者乳腺内存在病灶,那么一般情况下在两个视角的相同深度都能发现这一病灶,如果只能在一个视角发现病灶,而另一个视角的相同深度无法找到这一病灶,那么就表明这一病灶很可能是腺体重叠所造成的假象。
参考附图6,本步骤中首先训练深度对应网络(例如空间变换网络STN),对LCC图像、RCC图像、LMLO图像和RMLO图像的每个位置预测出对应的深度,然后将之前步骤已经获取的多尺度融合特征沿预测出的深度进行聚合,也就是说把同一深度的特征通过池化(pooling)的方式聚合到一起,来作为注意力,并将该注意力作用到另一视角的相应深度上,即,将LCC或RCC图像经池化聚合的特征作用到LMLO或RMLO图像相应深度的特征上,得到左侧或右侧的多视角融合特征。以此来实现两个视角的特征融合。
同样,本步骤可以通过一个多视角融合网络(或称为MLOCC融合网络)实现本步骤中的深度预测、池化聚合等计算。
S206:根据所述左右融合特征和所述多视角融合特征,使用病灶检测和回归网络,确定图像中的病灶区域;
参考附图3的流程框图,多尺度融合特征的特征图上的每一个点都在原始影像上有一个位置的对应关系。在本步骤中,使用病灶检测和回归网络完成最终的病灶区域检测。在病灶识别网络中,预测特征图上的每一点在原始影像中的对应位置是否处于一个病灶的内部;如果预测结果为真,则利用回归网络找出病灶的矩形框位置。
除此之外,本步骤还可以有一个额外的Center-ness预测分支,用来预测该特征点是否位于物体的中心,当同一病灶有多个预测框时,Center-ness预测分支能够帮助选择最合适的一个预测框。在回归网络中,预测该点到病灶矩形框的四条边的偏移,也就是说我们分别预测该点到病灶上边缘、下边缘、左边缘、右边缘的偏移,从而得到病灶的位置。
对于每一个特征点,centerness训练的目标值定义为:
其中l、r、t、b分别为特征点到病灶左边缘、右边缘、上边缘以及下边缘的距离。
在做预测的时候将centerness值与分类得分相乘,得到新的分数,用于后续的NMS过程来选择最合适的预测框。
参考附图3,本步骤中的病灶检测和回归网络将使用之前步骤获取的左右融合特征和多视角融合特征作为网络输入同时利用双侧乳房不同视角四张图像的信息,对于严重依赖两侧信息才能判断的病灶(如非对称致密)的效果有了明显提升,也使得网络能够同时利用到两个视角的特征,对于一些不容易确定的病灶,可利用另外视角的信息来帮助确定是否为一病灶。用两个视角相同深度的特征图响应作为额外的信息,可以有利于寻找肿块、非对称致密等病灶。
如附图7和附图8所示,图中不同框分别表示实际病灶和本发明算法的检测结果。
此外,本发明的检测结果评估还可以采用机器学习算法中常用的FROC(Free-Response Receiver Operating Characteristic)准则来衡量。具体的,本发明中FROC准则刻画的是召回率(测试所有乳腺图像中实际是病灶的检测出来个数/测试所有乳腺图像中实际是病灶个数)和平均每个乳腺图像对上的假阳性病灶比例(测试中所有不是实际病灶预测成病灶的个数/测试乳腺图像的个数,FP/image)之间的关系。结果如下表所示:
FP/img | 0.125 | 0.25 | 0.5 | 1 | 2 |
肿块recall | 0.895 | 0.928 | 0.941 | 0.962 | 0.968 |
非对称致密recall | 0.656 | 0.721 | 0.770 | 0.869 | 0.918 |
钙化recall | 0.844 | 0.893 | 0.937 | 0.961 | 0.962 |
本发明各实施方式中一般以乳腺X线图像或钼靶乳腺X线图像作为示例,针对现有的乳腺病灶检测算法不能很好结合双侧乳腺信息,不能同时满足包括肿块、钙化等多病种识别检出以及在不对称致密型腺体上表现效果一般的情况,为解决临床难点问题以及真正意义上辅助医生诊断,提高医生诊断效率,提出了融合多影像信息的全卷积单阶段乳腺X线影像病灶检测方法。本发明采用不基于anchor的方法来进行病灶检测,从原始影像中抽取不同尺度的特征,将不同尺度的特征进行融合,以及将不同影像的信息进行融合,最后直接预测特征图上某一点是否对应一个病灶以及病灶的具体位置。Center-ness预测分支更有效保留了位于物体中心的特征点所预测出来的病灶,从而提升整体检出效果。
实施例二
如图9所示,本发明的实施例二提供一种图像处理装置,图像处理装置可以是运行于终端中的一个计算机程序(包括程序代码)。该图像处理装置可以执行实施例一中的乳腺图像处理方法,具体包括:
图像获取单元,用于获取同一次检测中双侧乳腺不同视角的图像作为待处理图像,其中所述待处理图像包括:左侧头尾位(LCC)图像、左侧内外侧斜位(LMLO位)图像、右侧头尾位(RCC)图像和右侧内外侧斜位(RMLO)图像;
多尺度特征提取单元,用于获取每幅待处理图像对应的多个不同尺度特征数据;
多尺度特征融合单元,用于将所述每幅待处理图像对应的多个不同尺度特征数据融合,得到每幅待处理图像对应的多尺度融合特征;
左右特征融合单元,用于将左侧乳腺图像对应的所述多尺度融合特征和右侧乳腺图像对应的所述多尺度融合特征进行融合,得到左右融合特征;
多视角特征融合单元,用于将同侧乳腺的头尾位图像和内外侧斜位图像对应的所述多尺度融合特征进行融合,得到多视角融合特征;
病灶检测单元,根据所述左右融合特征和所述多视角融合特征,使用病灶检测和回归网络,确定图像中的病灶区域。
上述图像处理装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本发明的实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本发明的其它实施例中,基于模型训练装置也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。
根据本发明的另一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行实施例二中相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如附图9中所示的图像处理装置设备,以及来实现本发明实施例的模型训练方法。所述计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述计算设备中,并在其中运行。
实施例三
如附图10所示本发明的实施例三提供一种电子设备,其特征在于,包括:处理器和存储器;所述处理器和存储器相连,其中,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序,以执行实施例一中所述的乳腺图像处理方法。
本实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机、医学图像获取装置等等的固定终端。图10示出的终端设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,终端设备可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有终端设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许终端设备600与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的终端设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
实施例四
本发明的实施例六提供一种计算机可读存储介质,所述计算机可读存储介质存储有一条或多条第一指令,所述一条或多条第一指令适于由处理器加载并执行前述实施例中的图像处理方法。
需要说明的是,本发明上述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述终端设备中所包含的;也可以是单独存在,而未装配入该终端设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被本发明所述的电子设备执行时,使得该电子设备执行本发明的乳腺图像处理方法,获取双侧乳腺不同视角的乳腺图像,获取每张乳腺图像的多尺度特征,将多尺度特征进行融合得到多尺度融合特征,分别将左侧乳腺图像和右侧乳腺图像对应的多尺度融合特征进行左右特征融合,得到左右融合特征,将同侧不同视角的乳腺图像对应的多尺度融合特征进行多视角特征融合,得到多视角融合特征,使用目标检测和回归网络,根据左右融合特征和多视角融合特征,得到病灶区域。
本发明各实施例方法中的步骤可根据实际需要进行顺序调整、合并和删减。
本发明各实施例装置中的单元可根据实际需要进行合并、划分和删减。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上结合附图详细说明了本发明的技术方案,以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种乳腺图像处理方法,其特征在于,包括:
获取同一次检测中双侧乳腺不同视角的图像作为待处理图像,其中所述待处理图像包括:左侧头尾位LCC图像、左侧内外侧斜位LMLO图像、右侧头尾位RCC图像和右侧内外侧斜位RMLO图像;
获取每幅待处理图像对应的多个不同尺度特征数据;
将所述每幅待处理图像对应的多个不同尺度特征数据融合,得到每幅待处理图像对应的多尺度融合特征;
将左侧乳腺图像对应的所述多尺度融合特征和右侧乳腺图像对应的所述多尺度融合特征进行融合,得到左右融合特征;
将同侧乳腺的头尾位图像和内外侧斜位图像对应的所述多尺度融合特征进行融合,得到多视角融合特征;
根据所述左右融合特征和所述多视角融合特征,使用病灶检测和回归网络,确定图像中的病灶区域;
其中,将同侧乳腺的头尾位图像和内外侧斜位图像对应的所述多尺度融合特征进行融合,得到多视角融合特征的步骤包括:
确定所述同侧头尾位图像和所述内外侧斜位图像中每个位置对应的深度;
将所述同侧乳腺的头尾位图像和内外侧斜位图像中深度相同的位置对应的所述多尺度融合特征分别通过池化的方式聚合,得到对应的池化特征;
将所述多尺度融合特征和对应另一视角图像的池化特征相乘,得到所述多视角融合特征。
2.如权利要求1所述的方法,其特征在于:
所述获取每幅待处理图像对应的多个不同尺度特征数据的步骤包括:
使用预先训练的多尺度特征提取网络对所述待处理图像进行处理,其中,所述多尺度特征提取网络包括卷积神经网络,所述多尺度特征数据包括多个不同分辨率的特征数据。
3.如权利要求2所述的方法,其特征在于,所述将左侧乳腺图像对应的所述多尺度融合特征和右侧乳腺图像对应的所述多尺度融合特征进行融合的步骤包括:
将双侧乳腺图像朝向调整到同一方向;
使用偏移预测网络将双侧乳腺图像的相同位置对齐;
将所述左侧乳腺图像和所述右侧乳腺图像相同位置处对应的多尺度融合特征拼接和差分,分别得到拼接特征和权重;
将所述拼接特征和所述权重相乘,得到所述左右融合特征。
4.如权利要求2或3所述的方法,其特征在于,所述根据所述左右融合特征和所述多视角融合特征,使用病灶检测和回归网络,确定图像中的病灶区域的步骤还包括:
使用所述病灶检测和回归网络确定病灶分类得分,
使用所述病灶检测和回归网络中的中心性检测分支centre-ness分支确定中心性得分,
根据所述病灶分类得分和所述中心性得分,确定图像中的病灶区域。
6.一种图像处理装置,包括:
图像获取单元,用于获取同一次检测中双侧乳腺不同视角的图像作为待处理图像,其中所述待处理图像包括:左侧头尾位LCC图像、左侧内外侧斜位LMLO图像、右侧头尾位RCC图像和右侧内外侧斜位RMLO图像;
多尺度特征提取单元,用于获取每幅待处理图像对应的多个不同尺度特征数据;
多尺度特征融合单元,用于将所述每幅待处理图像对应的多个不同尺度特征数据融合,得到每幅待处理图像对应的多尺度融合特征;
左右特征融合单元,用于将左侧乳腺图像对应的所述多尺度融合特征和右侧乳腺图像对应的所述多尺度融合特征进行融合,得到左右融合特征;
多视角特征融合单元,用于将同侧乳腺的头尾位图像和内外侧斜位图像对应的所述多尺度融合特征进行融合,得到多视角融合特征;
病灶检测单元,用于根据所述左右融合特征和所述多视角融合特征,使用病灶检测和回归网络,确定图像中的病灶区域;
其中,所述多视角特征融合单元中,将同侧乳腺的头尾位图像和内外侧斜位图像对应的所述多尺度融合特征进行融合,得到多视角融合特征的步骤包括:
确定所述同侧头尾位图像和所述内外侧斜位图像中每个位置对应的深度;
将所述同侧乳腺的头尾位图像和内外侧斜位图像中深度相同的位置对应的所述多尺度融合特征分别通过池化的方式聚合,得到对应的池化特征;
将所述多尺度融合特征和对应另一视角图像的池化特征相乘,得到所述多视角融合特征。
7.一种电子设备,其特征在于,包括:处理器和存储器;所述处理器和存储器相连,其中,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序,以执行如权利要求1-5任一项所述的方法。
8.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时,执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110060410.5A CN112767346B (zh) | 2021-01-18 | 2021-01-18 | 基于多影像的全卷积单阶段乳腺图像病灶检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110060410.5A CN112767346B (zh) | 2021-01-18 | 2021-01-18 | 基于多影像的全卷积单阶段乳腺图像病灶检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767346A CN112767346A (zh) | 2021-05-07 |
CN112767346B true CN112767346B (zh) | 2021-10-29 |
Family
ID=75702361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110060410.5A Active CN112767346B (zh) | 2021-01-18 | 2021-01-18 | 基于多影像的全卷积单阶段乳腺图像病灶检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767346B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114305503B (zh) * | 2021-12-09 | 2024-05-14 | 上海杏脉信息科技有限公司 | 乳腺疾病随访系统、介质及电子设备 |
CN114881929A (zh) * | 2022-04-07 | 2022-08-09 | 北京医准智能科技有限公司 | 一种针对乳腺x线图像整体性质量异常的检测方法及装置 |
CN114943717B (zh) * | 2022-05-31 | 2023-04-07 | 北京医准智能科技有限公司 | 一种乳腺病灶检测方法、装置、电子设备及可读存储介质 |
CN114862842A (zh) * | 2022-06-06 | 2022-08-05 | 北京医准智能科技有限公司 | 图像处理装置、电子设备及介质 |
CN114820591B (zh) * | 2022-06-06 | 2023-02-21 | 北京医准智能科技有限公司 | 图像处理方法、装置、电子设备及介质 |
CN114820592B (zh) * | 2022-06-06 | 2023-04-07 | 北京医准智能科技有限公司 | 图像处理装置、电子设备及介质 |
CN115132357B (zh) * | 2022-08-30 | 2022-12-23 | 深圳大学总医院 | 基于医学影像图预测目标疾病指标状态的装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011224355A (ja) * | 2010-03-30 | 2011-11-10 | Toshiba Corp | 画像処理装置及び画像処理装置の制御プログラム |
CN106682435A (zh) * | 2016-12-31 | 2017-05-17 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
CN109753853A (zh) * | 2017-11-06 | 2019-05-14 | 北京航天长峰科技工业集团有限公司 | 一种同时完成行人检测与行人重识别的方法 |
CN110123347A (zh) * | 2019-03-22 | 2019-08-16 | 杭州深睿博联科技有限公司 | 用于乳腺钼靶的图像处理方法及装置 |
CN110633731A (zh) * | 2019-08-13 | 2019-12-31 | 杭州电子科技大学 | 一种基于交错感知卷积的单阶段无锚框目标检测方法 |
CN111291789A (zh) * | 2020-01-19 | 2020-06-16 | 华东交通大学 | 基于多阶段多特征深度融合的乳腺癌图像识别方法及系统 |
CN112053325A (zh) * | 2020-08-12 | 2020-12-08 | 华东交通大学 | 一种乳腺肿块图像处理和分类系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034256B (zh) * | 2018-08-02 | 2021-03-30 | 燕山大学 | 一种ltp与hog特征融合的乳腺肿瘤检测系统与方法 |
US11657497B2 (en) * | 2019-03-26 | 2023-05-23 | The Johns Hopkins University | Method and apparatus for registration of different mammography image views |
-
2021
- 2021-01-18 CN CN202110060410.5A patent/CN112767346B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011224355A (ja) * | 2010-03-30 | 2011-11-10 | Toshiba Corp | 画像処理装置及び画像処理装置の制御プログラム |
CN106682435A (zh) * | 2016-12-31 | 2017-05-17 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
CN109753853A (zh) * | 2017-11-06 | 2019-05-14 | 北京航天长峰科技工业集团有限公司 | 一种同时完成行人检测与行人重识别的方法 |
CN110123347A (zh) * | 2019-03-22 | 2019-08-16 | 杭州深睿博联科技有限公司 | 用于乳腺钼靶的图像处理方法及装置 |
CN110633731A (zh) * | 2019-08-13 | 2019-12-31 | 杭州电子科技大学 | 一种基于交错感知卷积的单阶段无锚框目标检测方法 |
CN111291789A (zh) * | 2020-01-19 | 2020-06-16 | 华东交通大学 | 基于多阶段多特征深度融合的乳腺癌图像识别方法及系统 |
CN112053325A (zh) * | 2020-08-12 | 2020-12-08 | 华东交通大学 | 一种乳腺肿块图像处理和分类系统 |
Non-Patent Citations (7)
Title |
---|
CenterNet: Keypoint Triplets for Object Detection;Kaiwen Duan等;《arXiv:1904.08189v3》;20190419;1-10 * |
Detection of Breast Cancer Using Fusion of MLO and CC View Features Through a Hybrid Technique Based on Binary Firefly Algorithm and Optimum-Path Forest Classifier;S. Sasikala等;《Applied Nature-Inspired Computing: Algorithms and Case Studies》;20190811;23-40 * |
Improving performance of computer-aided detection of masses by incorporating bilateral mammographic density asymmetry: An assessment;Xingwei Wang等;《Academic Radiology》;20120331;第19卷(第3期);303-310 * |
一种双视图信息融合的乳腺肿块自动检测算法;蒋慧琴等;《郑州大学学报(理学版)》;20201116;第52卷(第4期);28-36 * |
医学影像计算机辅助检测与诊断系统综述;郑光远等;《软件学报》;20180111;第29卷(第5期);1471-1514 * |
基于FCOS算法的乳腺癌影像病灶检测;陈志刚;《现代计算机》;20200715;57-60、69 * |
基于改进自适应权值的双目视觉局部匹配算法研究;古春光;《中国优秀硕士学位论文全文数据库_信息科技辑》;20190515(第5期);I138-1320 * |
Also Published As
Publication number | Publication date |
---|---|
CN112767346A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112767346B (zh) | 基于多影像的全卷积单阶段乳腺图像病灶检测方法及装置 | |
JP7183376B2 (ja) | 検出精度を向上させるために関心領域の異なるビューからの複数の画像を用いるコンピュータ支援検出 | |
KR102154733B1 (ko) | 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법 | |
CN112561908B (zh) | 乳腺图像病灶匹配方法、装置及存储介质 | |
CN101742961B (zh) | 诊断支持设备及系统 | |
WO2021179491A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
KR101840350B1 (ko) | 의료 영상 판독 과정에서 사용자의 시선 정보를 이용한 판독 효율 증대 방법 및 그 장치 | |
US20150003702A1 (en) | Processing and displaying a breast image | |
JP2020010805A (ja) | 特定装置、プログラム、特定方法、情報処理装置及び特定器 | |
JP2008073338A (ja) | 医用画像処理装置、医用画像処理方法及びプログラム | |
Wang et al. | An interpretable deep neural network for colorectal polyp diagnosis under colonoscopy | |
WO2022110525A1 (zh) | 一种癌变区域综合检测装置及方法 | |
JP2022164527A (ja) | 医用画像による腫瘍検出及び診断装置 | |
CN110738633B (zh) | 一种机体组织的三维图像处理方法及相关设备 | |
JP2009301254A (ja) | 画像処理装置および方法ならびにプログラム | |
KR102389067B1 (ko) | 척추 측만증 평가 방법 및 이를 이용한 척추 측만증 평가용 디바이스 | |
Zhou et al. | Improved breast lesion detection in mammogram images using a deep neural network | |
Zhang et al. | A new window loss function for bone fracture detection and localization in X-ray images with point-based annotation | |
Noguchi et al. | A fundamental study assessing the diagnostic performance of deep learning for a brain metastasis detection task | |
Zeng et al. | Clinical application of a novel computer-aided detection system based on three-dimensional CT images on pulmonary nodule | |
US10249050B2 (en) | Image processing apparatus and image processing method | |
US20160210774A1 (en) | Breast density estimation | |
KR20230050253A (ko) | 흉막 삼출의 검출 방법 및 이를 위한 장치 | |
Al et al. | Reinforcement learning-based automatic diagnosis of acute appendicitis in abdominal ct | |
JP2011182946A (ja) | 医用画像表示装置及び医用画像表示方法 |
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 | ||
CP03 | Change of name, title or address |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Patentee after: Guangxi Yizhun Intelligent Technology Co.,Ltd. Address before: 1106, 11 / F, Weishi building, No.39 Xueyuan Road, Haidian District, Beijing Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd. Patentee before: Guangxi Yizhun Intelligent Technology Co.,Ltd. |
|
CP03 | Change of name, title or address |