CN113222009A - 一种基于甲状腺超声视频估算结节纵横比的方法 - Google Patents
一种基于甲状腺超声视频估算结节纵横比的方法 Download PDFInfo
- Publication number
- CN113222009A CN113222009A CN202110505891.6A CN202110505891A CN113222009A CN 113222009 A CN113222009 A CN 113222009A CN 202110505891 A CN202110505891 A CN 202110505891A CN 113222009 A CN113222009 A CN 113222009A
- Authority
- CN
- China
- Prior art keywords
- thyroid
- nodule
- video
- frames
- frame
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明涉及一种基于甲状腺超声视频估算结节纵横比的方法,包括:甲状腺结节超声视频图像获取模块,分别对甲状腺从横向切面扫描和纵向切面扫描,获取两个甲状腺超声视频图像;超声视频预处理模块;提取关键帧模块,对甲状腺超声视频帧按照相似度进行分类,相似度越高的帧划分为同一簇的几率越大,提取同簇中最能代表此类视频帧的一帧作为关键帧;最终提取到的K个关键帧即为甲状腺超声视频的关键帧;甲状腺结节部分提取模块,对于所提取出的关键帧,标注所对应的甲状腺结节掩模,根据所述掩模提取出甲状腺结节的部分;特征计算模块,计算每个关键帧中甲状腺结节的形状轮廓部分、拓扑结构和纵轴和横轴特征。
Description
技术领域
本发明涉及甲状腺结节纵横比识别技术,具体设计一种基于甲状腺超声视频提取关键帧,得到甲状腺结节掩模、轮廓、纵横比等信息。
背景技术
甲状腺结节是内分泌疾病中的多发病和常见病。过去十年,甲状腺癌在世界范围内的发病率以6%的速度逐年递增,在我国每年以平均20%左右的速度增长,成为增速最快的恶性肿瘤,因此,甲状腺疾病的监测、预防就显得尤为重要。超声波成像(UltrasoundImaging)凭借其无痛、无损、无辐射、速度快、价格低的优点,被广泛应用在甲状腺结节的前期诊断中。而这一工作的效率与准确度很大程度上受诸如医生的经验、工作状态等主观因素的影响。
目前常规的诊断是由医生在一段甲状腺超声视频中人工读片挑选关键帧,之后基于这张图像进行分析。这种诊断方式不但没有考虑到图像序列信息,存在很大的误诊和漏诊概率。且工作量大,对医生经验性要求较高。ACR TI-RADS(Thyroid imaging reportingand data system)分级系统,为超声医生提供了一个相对客观的评分标准,其中,纵横比失常被认为是一个尤为重要的指标。一般来说,甲状腺结节竖向生长具有很强的特异性,存在一定的癌变的可能性。目前临床上,均是基于单帧图像以肉眼筛选出甲状腺结节纵横比大于1的病例,这种方法存在一定的主观误差,且效率过低,同时忽略了甲状腺超声视频序列中的详细信息,存在一定的误诊概率。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于甲状腺超声视频估算结节纵横比的方法,本发明主要是利用聚类算法在甲状腺超声视频提取关键帧,提取甲状腺结节部分,并计算结节轮廓、最小外接矩形、纵横比等信息。技术方案如下:
一种基于甲状腺超声视频估算结节纵横比的方法,其特征在于,包括:
甲状腺结节超声视频图像获取模块,分别对甲状腺从横向切面扫描和纵向切面扫描,获取两个甲状腺超声视频图像;
超声视频预处理模块,对已经获得的甲状腺超声视频图像进行预处理,并转化图像颜色空间至HSV颜色空间;
提取关键帧模块,对甲状腺超声视频帧按照相似度进行分类,相似度越高的帧划分为同一簇的几率越大,提取同簇中最能代表此类视频帧的一帧作为关键帧;最终提取到的K个关键帧即为甲状腺超声视频的关键帧;
甲状腺结节部分提取模块,对于所提取出的关键帧,标注所对应的甲状腺结节掩模,根据所述掩模提取出甲状腺结节的部分;
特征计算模块,计算每个关键帧中甲状腺结节的形状轮廓部分、拓扑结构和纵轴和横轴特征,方法为:通过OpenCV中的函数findContours()查找结节轮廓,函数输入为8位单通道的掩模图像,输出为检测到的结节轮廓向量。之后通过OpenCV中的boundingRect()函数得到结节的最小外接矩形,函数输入为检测到的甲状腺结节轮廓点集合,输出为结节最小外接矩形的左上点的坐标,以及矩形的宽度和高度,通过所述操作,得到对应甲状腺结节的轮廓点向量、结节最小外接矩形以及拓扑结构信息,甲状腺结节最小外接矩形的长和宽对应结节的横轴与纵轴,纵横比即为纵轴比横轴。
进一步地,甲状腺超声视频预处理模块中,对已经获得的甲状腺超声视频图像用双边滤波方法进行预处理。
进一步地,甲状腺超声视频预处理模块中,利用双边滤波方法去噪的方法为:颜色空间滤波器的σ值为7、坐标空间中滤波器的σ值为5。
进一步地,甲状腺结节超声视频图像获取模块所获得的是灰度图像,甲状腺超声视频预处理模块中,转化图像颜色空间至HSV颜色空间的方法为:将灰度图像转为RGB图像,之后将彩色图像的RGB形式转化为HSV形式,其中HSV分别代表Hue色调,Saturation饱和度,Value明度。
进一步地,提取关键帧模块,包括:
聚类算法参数:甲状腺超声视频总帧数N、存放所有帧V、存放各帧HSV组H、各帧相似度S、聚类迭代次数I、聚类簇类总数K;
构造初始聚类:将甲状腺超声视频按照次序划分为N帧,对其进行编号,将全部视频帧按照序号存入V中,并计算各个视频帧的HSV向量,将其存入H中,计算各个视频帧的相似度存入S,选定前1到K帧作为K个簇类,并将1-K帧分别作为各个簇类的中心;
分配各帧所属簇类:计算K个聚类中心之间的相似度,将相似度最高的两帧甲状腺超声图像归为一类,之后将下一帧作为新的聚类中心,通过对比当前帧与各个初始采样聚类中心的相似度,将采样帧分配到与其最类似的簇类之中,重复所述过程,直至甲状腺超声视频所有帧全部被分配完;
寻找最匹配簇类中心:对比各个簇类中心与簇内甲状腺超声视频帧的相似度之和是否为簇内最高,若不是,则重新分配簇类中心,直至寻找到与簇内所有帧的相似度最高的帧,确定其为潜在关键帧,迭代一定次数后,即得到最佳关键帧,最终得到能够代表甲状腺超声视频的关键帧集合。
进一步地,甲状腺结节部分提取模块,包括:对关键帧中的结节部分,绘制结节的感兴趣区域ROI,标签制作软件为图像标注工具Labelme,标注文件为json格式文件。提取ROI区域的各点坐标,将ROI区域外部置0,内部置255,对标签图像进行二值化处理,即得到甲状腺结节的掩模数据。
本申请提供了一种基于甲状腺超声视频估算结节纵横比的方法,首先通过聚类算法将甲状腺超声视频帧划分为若干个簇,在每个簇中选择相应帧作为甲状腺超声视频的关键帧。之后对关键帧进行处理,得到所述甲状腺结节的部分。提取甲状腺结节的轮廓以及横轴和纵轴等特征信息,根据纵轴与横轴之比,得到甲状腺结节的纵横比。通过本申请提供的方法,能够在甲状腺超声视频中自动筛选出具有结节纵横比,为进一步的甲状腺结节恶性筛查提供辅助治疗。
附图说明
图1:本发明基于甲状腺超声视频估算结节纵横比的方法的总体流程图
图2:本发明方法的步骤(2)中使用的双边滤波高斯核
图3:本发明方法的步骤(3)中使用的关键帧提取模块流程图
图4:本发明方法纵横比<1的良性结节和纵横比>1的恶性结节对比图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施方案进行详细描述。
1、甲状腺结节超声视频图像获取模块
在本发明实施例中,所述数据是在天津医科大学总医院的超声科中采集的,共采集到528例甲状腺超声视频文件。这些病例同时具有ACR TI-RADS评分结果以及术后病理结果。文件类型为WMV文件,视频时长为4s,帧速率为30.00帧/秒,帧宽度和帧高度分别为800和600。视频中包含病人隐私信息和仪器标注文字信息,由一系列灰度图像构成。且分为横向扫描和纵向扫描两个视频。
2.超声视频预处理模块
将已经获得的甲状腺超声视频图像转化为图像序列,通过图片裁剪去除图片中病人隐私信息和仪器标注文字信息。之后利用双边滤波增加超声图像对比度、抑制图像噪声并保留边缘信息,降低原始甲状腺超声视频图像的复杂度,双边滤波是一种非线性滤波的方法,能够在图像空间邻近度和像素值相似度上进行折中处理,采用两个高斯滤波的结合,一个主要负责计算空间邻近度的权值,另一个则是负责计算像素值相似度的权值。
空间域核函数表达式如下所示:
其中(xi,yi),(xc,yc)分别为当前点和中心点的坐标,σd为空间域标准差。
双边滤波不仅考虑了像素空间距离的关联性,同时还考虑了邻域像素灰度值的关联性,因此引入值域核函数来进行调和,其表达式如下:
其中f(xi,yi)和f(xc,yc)分别表示当前点和中心点的像素强度,σr为值域核标准差,将空域核函数与值域核函数进行相乘就能得到双边滤波权重,其表达式如下:
坐标点(xi,yi)处的像素经过滤波后的像素强度变为
当滤波区域位于图像平坦区时,相邻像素差值几乎不变,此时由空间域核函数主导权重,而当滤波区域位于图像边界处时,相邻像素差值较大,此时由值域核函数主导权重。
将灰度图像转为RGB图像,即做伪彩色处理,映射关系如下,其中R(x,y)、G(x,y)、B(x,y)分别表示R、G、B通道的颜色值,f(x,y)表示特定点灰度图像的灰度值,f是所选灰度图像的灰度值。
之后将彩色图像的RGB形式转化为HSV形式,其中HSV分别代表Hue色调,Saturation饱和度,Value明度。RGB至HSV彩色空间转换公式如下。
3.提取关键帧模块,包括:
(1)构造初始聚类
关键帧是一段视频相似内容的集中概括,为了将甲状腺超声视频中的详细信息通过较少的视频帧表现出来,本发明利用k均值聚类提取甲状腺超声视频中的关键帧集合。它可以在很大程度上减少人工诊断的工作量,同时提高超声医师在病例库中检索超声视频的准确性和效率。对于输入的甲状腺超声视频样本集D,将其按照次序化为为N帧,将全部视频帧按照序号存入V中,将其进行一个初始划分C:
V={x1,x2...,xN}
C={C1,C2...,CK}
其中,视频帧率为30帧/秒,视频持续时间为4s,转为图片序列为120张,由于视频时长为4s,因此本发明将K值设定为4。并将1-4帧分别作为各个簇类的初始中心。
计算各个视频帧的HSV向量,将其存入H中。在HSV空间中,H代表色调,S代表饱和度,V代表亮度。HSV颜色空间具有两个重要的特征:色调分量H与亮度分量V分离,V分量与图像的彩色信息无关。其次色调分量H及饱和度分量S与人感受彩色的方式密切相关。这些特点使HSV颜色空间非常适合基于彩色感知特性进行处理分析的图像算法。
在HSV颜色空间中,两个像素Pi和Pj的颜色的欧氏距离公式如下:
计算各个视频帧的相似度存入S,本发明定义两个像素颜色相似度公式为:
其中,d为像素Pi和Pj的颜色的欧氏距离,k、L为常数。
(2)分配各帧所属簇类:
对于当前的划分C,不断迭代计算这K个聚类中心之间的相似度,将相似度最高的两帧甲状腺超声图像归为一类。之后将下一帧作为新的聚类中心,通过对比当前帧与各个初始采样聚类中心的相似度,将采样帧分配到与其最类似的簇类之中。公式如下:
其中ui是簇Ci的聚类中心,有时也称为质心,表达式为:
(3)寻找最匹配簇类中心
在经过上述操作后,需要评估是否找到最佳簇类中心。对比各个簇类中心与簇内甲状腺超声视频帧的相似度之和是否为簇内最高,若不是,则重新分配簇类中心,直至该帧与簇内所有帧的相似度最高,此时可以基本确定其满足关键帧特点。迭代一定次数后,即可得到最佳关键帧。
maxS(xi,ui)i∈1,2....,k
更新后的ui为新的聚类中心。在经过以上操作后,K均值聚类算法能够找出K个簇中最恰当的中心元素,即获得了甲状腺超声视频图像中“最具代表性”关键帧集合。
4.甲状腺结节部分提取模块
在本发明实施例中,由两位来自于天津医科大学总医院超声科的医生对每位患者的关键帧中的结节部分进行注释,两名医生擅长甲状腺结节超声诊断以及甲状腺结节穿刺,具有十余年的临床经验。标签制作软件为常用图像标注工具Labelme,两名医生在该标注工具中绘制结节的感兴趣区域(ROI),标注文件为json格式文件。本发明提取标注好的ROI区域的各点坐标,将ROI区域外部置0,内部置255,对标签图像进行二值化处理,即得到甲状腺结节的掩模数据。最终形成的掩模图像与提取出的关键帧图像大小相同,利用OpenCV中的位与函数为bitwise_and,将提取出的关键帧图像和生成的掩模图像对应的像素点逐一相与,其中ROI部分为1,其余为0,通过点乘,即可提取出只含有甲状腺结节的图像。
5.特征计算模块
轮廓是定义限定形状或对象的边或线,是机器视觉中常用概念,通常用于目标检测和识别等任务。首先在只含有甲状腺结节的图像通过轮廓查找函数找到甲状腺结节的外周轮廓,通过OpenCV中的findContours()函数找到甲状腺结节的轮廓,并将结节轮廓存储为一系列点向量。同时可以得到甲状腺结节的拓扑信息。
之后根据提取出的轮廓点,通过OpenCV中的boundingRect()函数找到该结节的最小外接矩形,同时得到该最小外接矩形的左上角坐标点(x,y)、宽度w、高度h等参数。对只含有甲状腺结节的图像进行裁剪,提取出结节感兴趣区域(Region of Interest,ROI),裁剪范围为:
[y:y+h,x;x+w]。
其中,(x,y)分别为甲状腺结节的最小外接矩形的左上角坐标点,h为结节纵轴长度,w为结节横轴长度。
至此,甲状腺结节的ROI区域被提取出来了,同时得到了结节的轮廓信息、拓扑信息、横轴与纵轴等特征信息。
6.结节纵横比失常识别模块,
超声探头垂直于气管描述结节的最大径叫做纵,平行于气管描述甲状腺结节的最大径叫做横,纵横比定义为纵值比横值。本发明定义纵横比为:
其中,h为结节纵轴长度,w为结节横轴长度,z为结节的纵横比。
一般来说,人体受重力影响,良性结节沿着人体长轴生长,即横向生长,因此当纵横比小于1时,一般提示为良性结节。而恶性结节能够突破重力作用,沿垂直于人体的长轴生长,因此当纵横比大于1时,一般多提示结节为恶性病变,必要时需要进行细针穿刺,做病理检查进一步来确定结节的良恶性。
Claims (5)
1.一种基于甲状腺超声视频估算结节纵横比的方法,其特征在于,包括:
甲状腺结节超声视频图像获取模块,分别对甲状腺从横向切面扫描和纵向切面扫描,获取两个甲状腺超声视频图像。
超声视频预处理模块,对已经获得的甲状腺超声视频图像用双边滤波方法进行预处理,采用两个高斯滤波,一个负责计算空间邻近度的权值,另一个负责计算像素值相似度的权值;转化图像颜色空间至HSV颜色空间;
提取关键帧模块,对甲状腺超声视频帧按照相似度进行分类,相似度越高的帧划分为同一簇的几率越大,提取同簇中最能代表此类视频帧的一帧作为关键帧;最终提取到的K个关键帧即为甲状腺超声视频的关键帧;
甲状腺结节部分提取模块,对于所提取出的关键帧,标注所对应的甲状腺结节掩模,根据所述掩模提取出甲状腺结节的部分;
特征计算模块,计算每个关键帧中甲状腺结节的形状轮廓部分、拓扑结构和纵轴和横轴特征,方法如下:通过OpenCV中的函数findContours()查找结节轮廓,函数输入为8位单通道的掩模图像,输出为检测到的结节轮廓向量;之后通过OpenCV中的boundingRect()函数得到结节的最小外接矩形,函数输入为检测到的甲状腺结节轮廓点集合,输出为结节最小外接矩形的左上点的坐标,以及矩形的宽度和高度,通过上述操作,得到对应甲状腺结节的轮廓点向量、结节最小外接矩形以及拓扑结构信息,甲状腺结节最小外接矩形的长和宽对应结节的横轴与纵轴,纵横比即为纵轴比横轴。
2.根据权利要求1所述的基于甲状腺超声视频估算结节纵横比的方法,其特征在于,甲状腺超声视频预处理模块中,利用双边滤波方法去噪的方法为:颜色空间滤波器的σ值为7、坐标空间中滤波器的σ值为5。
3.根据权利要求2所述的基于甲状腺超声视频估算结节纵横比的方法,其特征在于,甲状腺结节超声视频图像获取模块所获得的是灰度图像,甲状腺超声视频预处理模块中,转化图像颜色空间至HSV颜色空间的方法为:将灰度图像转为RGB图像,之后将彩色图像的RGB形式转化为HSV形式,其中HSV分别代表Hue色调,Saturation饱和度,Value明度。
4.根据权利要求1所述的基于甲状腺超声视频估算结节纵横比的方法,其特征在于,提取关键帧模块,包括:
聚类算法参数:甲状腺超声视频总帧数N、存放所有帧V、存放各帧HSV组H、各帧相似度S、聚类迭代次数I、聚类簇类总数K;
构造初始聚类:将甲状腺超声视频按照次序划分为N帧,对其进行编号,将全部视频帧按照序号存入V中,并计算各个视频帧的HSV向量,将其存入H中,计算各个视频帧的相似度存入S,选定前1到K帧作为K个簇类,并将1-K帧分别作为各个簇类的中心;
分配各帧所属簇类:计算K个聚类中心之间的相似度,将相似度最高的两帧甲状腺超声图像归为一类,之后将下一帧作为新的聚类中心,通过对比当前帧与各个初始采样聚类中心的相似度,将采样帧分配到与其最类似的簇类之中,重复所述过程,直至甲状腺超声视频所有帧全部被分配完;
寻找最匹配簇类中心:对比各个簇类中心与簇内甲状腺超声视频帧的相似度之和是否为簇内最高,若不是,则重新分配簇类中心,直至寻找到与簇内所有帧的相似度最高的帧,确定其为潜在关键帧,迭代一定次数后,即得到最佳关键帧,最终得到能够代表甲状腺超声视频的关键帧集合。
5.根据权利要求1所述的基于甲状腺超声视频估算结节纵横比的方法,其特征在于,甲状腺结节部分提取模块,包括:对关键帧中的结节部分,绘制结节的感兴趣区域ROI,标签制作软件为图像标注工具Labelme,标注文件为json格式文件。提取ROI区域的各点坐标,将ROI区域外部置0,内部置255,对标签图像进行二值化处理,即得到甲状腺结节的掩模数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110505891.6A CN113222009A (zh) | 2021-05-10 | 2021-05-10 | 一种基于甲状腺超声视频估算结节纵横比的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110505891.6A CN113222009A (zh) | 2021-05-10 | 2021-05-10 | 一种基于甲状腺超声视频估算结节纵横比的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113222009A true CN113222009A (zh) | 2021-08-06 |
Family
ID=77094217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110505891.6A Pending CN113222009A (zh) | 2021-05-10 | 2021-05-10 | 一种基于甲状腺超声视频估算结节纵横比的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222009A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113647985A (zh) * | 2021-08-10 | 2021-11-16 | 什维新智医疗科技(上海)有限公司 | 一种结节纵横比提取装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220585A (zh) * | 2017-03-31 | 2017-09-29 | 南京邮电大学 | 一种基于多特征融合镜头聚类的视频关键帧提取方法 |
CN110427825A (zh) * | 2019-07-01 | 2019-11-08 | 上海宝钢工业技术服务有限公司 | 基于关键帧与快速支持向量机融合的视频火焰识别方法 |
CN111612752A (zh) * | 2020-05-15 | 2020-09-01 | 江苏省人民医院(南京医科大学第一附属医院) | 基于Faster-RCNN的超声图像甲状腺结节智能检测系统 |
CN112184671A (zh) * | 2020-09-29 | 2021-01-05 | 平安科技(深圳)有限公司 | 甲状腺结节纵横比计算方法、装置、设备和存储介质 |
CN112270667A (zh) * | 2020-11-02 | 2021-01-26 | 郑州大学 | 一种基于ti-rads的集成深度学习多标签识别方法 |
CN112419396A (zh) * | 2020-12-03 | 2021-02-26 | 前线智能科技(南京)有限公司 | 一种甲状腺超声视频自动分析方法与系统 |
-
2021
- 2021-05-10 CN CN202110505891.6A patent/CN113222009A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220585A (zh) * | 2017-03-31 | 2017-09-29 | 南京邮电大学 | 一种基于多特征融合镜头聚类的视频关键帧提取方法 |
CN110427825A (zh) * | 2019-07-01 | 2019-11-08 | 上海宝钢工业技术服务有限公司 | 基于关键帧与快速支持向量机融合的视频火焰识别方法 |
CN111612752A (zh) * | 2020-05-15 | 2020-09-01 | 江苏省人民医院(南京医科大学第一附属医院) | 基于Faster-RCNN的超声图像甲状腺结节智能检测系统 |
CN112184671A (zh) * | 2020-09-29 | 2021-01-05 | 平安科技(深圳)有限公司 | 甲状腺结节纵横比计算方法、装置、设备和存储介质 |
CN112270667A (zh) * | 2020-11-02 | 2021-01-26 | 郑州大学 | 一种基于ti-rads的集成深度学习多标签识别方法 |
CN112419396A (zh) * | 2020-12-03 | 2021-02-26 | 前线智能科技(南京)有限公司 | 一种甲状腺超声视频自动分析方法与系统 |
Non-Patent Citations (1)
Title |
---|
张一凡 等: ""基于K均值聚类的视频关键帧提取技术研究"", 《电脑与信息技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113647985A (zh) * | 2021-08-10 | 2021-11-16 | 什维新智医疗科技(上海)有限公司 | 一种结节纵横比提取装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zebari et al. | Improved threshold based and trainable fully automated segmentation for breast cancer boundary and pectoral muscle in mammogram images | |
Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
Kurt et al. | A novel automatic suspicious mass regions identification using Havrda & Charvat entropy and Otsu's N thresholding | |
Bhattacharjee et al. | Review on histopathological slide analysis using digital microscopy | |
Jaffar et al. | Fuzzy entropy based optimization of clusters for the segmentation of lungs in CT scanned images | |
WO2002094097A1 (en) | Boundary finding in dermatological examination | |
EP2027567A2 (en) | Method for processing biomedical images | |
Alam et al. | Pectoral muscle elimination on mammogram using K-means clustering approach | |
CN113222009A (zh) | 一种基于甲状腺超声视频估算结节纵横比的方法 | |
Rahmatika et al. | Automated segmentation of breast tissue and pectoral muscle in digital mammography | |
Tosun et al. | Unsupervised tissue image segmentation through object-oriented texture | |
Ali et al. | Mammograms Segmentation and extraction for breast cancer regions based on region growing | |
Devanathan | Lesion segmentation in dermoscopic images using superpixel based fast fuzzy c-means clustering | |
Kalsoom et al. | An efficient liver tumor detection using machine learning | |
Lynn et al. | Segmentation of skin lesion towards melanoma skin cancer classification | |
Shanmugavadivu et al. | Segmentation of microcalcification regions in digital mammograms using self-guided region-growing | |
Touil et al. | A new conditional region growing approach for an accurate detection of microcalcifications from mammographic images | |
Tun et al. | Implementation of lung cancer nodule feature extraction using digital image processing | |
Gheysari et al. | Lung ct image segmentation using reinforcement learning | |
CN113256614B (zh) | 一种医学影像处理系统 | |
Selvan | Boundary extraction in images using hierarchical clustering-based segmentation | |
Choudhary et al. | A survey on: detection of skin cancer lesions using segmentation through dermoscopic images | |
Kurniastuti et al. | Segmentation of Finger Nails Image based on Image Processing methods | |
Kherde et al. | Detection of abnormalities in liver using image processing techniques | |
Messadi et al. | Segmentation of dermatoscopic images used for computer-aided diagnosis of melanoma |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210806 |