CN113469981A - 图像处理方法、装置及存储介质 - Google Patents

图像处理方法、装置及存储介质 Download PDF

Info

Publication number
CN113469981A
CN113469981A CN202110778691.8A CN202110778691A CN113469981A CN 113469981 A CN113469981 A CN 113469981A CN 202110778691 A CN202110778691 A CN 202110778691A CN 113469981 A CN113469981 A CN 113469981A
Authority
CN
China
Prior art keywords
feature
medical scanning
focus
information
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.)
Granted
Application number
CN202110778691.8A
Other languages
English (en)
Other versions
CN113469981B (zh
Inventor
郑超
阳光
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.)
Shukun Shenzhen Intelligent Network Technology Co ltd
Original Assignee
Shukun Beijing Network Technology Co Ltd
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 Shukun Beijing Network Technology Co Ltd filed Critical Shukun Beijing Network Technology Co Ltd
Priority to CN202110778691.8A priority Critical patent/CN113469981B/zh
Publication of CN113469981A publication Critical patent/CN113469981A/zh
Application granted granted Critical
Publication of CN113469981B publication Critical patent/CN113469981B/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
    • G06T7/0002—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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明实施例公开了一种图像处理方法、装置及存储介质。该方案通过获取多张医学扫描图像，根据多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对病灶区域的特征信息，以得到多个特征信息，对多个特征信息进行至少一次特征组合，生成目标特征集合，根据目标特征集合确定病灶属性信息。本申请实施例所提供的方案可以提取病灶区域的特征信息，并通过特征组合后确定病灶属性信息，从而对病灶进行诊断，提升了医学扫描图像分析的效率和准确性。

Description

图像处理方法、装置及存储介质
技术领域
本发明涉及数据处理技术领域，具体涉及一种图像处理方法、装置及存储介质。
背景技术
目前，在临床上超过70％的诊断都依赖于医学影像，包括超声、病理、内窥镜、CT(计算机断层成像)、CR(计算机X线摄影)、MRI(磁共振成像)等等多种手段。人工智能应用于医学影像主要是通过深度学习，实现机器对医学影像的分析判断，协助医生完成诊断。
在现有技术中通过对医学影像分析已广泛应用于良恶性肿瘤、脑功能与精神障碍、心脑血管疾病等重大疾病的临床辅助筛查、诊断、分级、治疗决策与引导、疗效评估等方面。然而在对医学图像进行病变检测和分析仅能够利用单一模型对单一病种进行病变检测和分析，且对使用的神经网络模型精度有着很高的要求，前期需要大量的训练，针对不同的疾病需要人工手动调整模型的设置需求，导致医学图像分析的效率低，人工成本高。另外，现有技术仅能够对整个医学图像进行分析，而无法针对所关注的疾病区域进行分析，导致医学图像处理的复杂度高，医学图像分析的效率和准确性低。
发明内容
本发明实施例提供一种图像处理方法、装置及存储介质，旨在提升医学扫描图像分析的效率和准确性。
本发明实施例提供一种图像处理方法，包括：
获取多张医学扫描图像；
根据所述多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对所述病灶区域的特征信息，以得到多个特征信息；
对所述多个特征信息进行至少一次特征组合，生成目标特征集合；
根据所述目标特征集合确定病灶属性信息。
本发明实施例还提供一种图像处理装置，包括：
获取单元，用于获取多张医学扫描图像；
提取单元，用于根据所述多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对所述病灶区域的特征信息，以得到多个特征信息；
组合单元，用于对所述多个特征信息进行至少一次特征组合，生成目标特征集合；
确定单元，用于根据所述目标特征集合确定病灶属性信息。
本发明实施例还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本发明实施例所提供的任一图像处理方法。
本发明实施例提供的图像处理方案，通过获取多张医学扫描图像，根据多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对病灶区域的特征信息，以得到多个特征信息，对多个特征信息进行至少一次特征组合，生成目标特征集合，根据目标特征集合确定病灶属性信息。本申请实施例所提供的方案可以提取病灶区域的特征信息，并通过特征组合后确定病灶属性信息，从而对病灶进行诊断，提升了医学扫描图像分析的效率和准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的图像处理方法的一种系统示意图；
图2是本发明实施例提供的图像处理方法的第一流程示意图
图3是本发明实施例提供的图像处理方法的第二流程示意图；
图4是本发明实施例提供的图像处理装置的第一种结构示意图；
图5是本发明实施例提供的图像处理装置的第二种结构示意图；
图6是本发明实施例提供的服务器的结构示意图。
具体实施方式
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，本领域技术人员在没有作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。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例提供一种图像处理方法、装置及存储介质。具体地，本申请实施例的图像处理方法可以由计算机设备执行，其中，该计算机设备可以为终端或者服务器等设备。该终端可以为智能手机、平板电脑、笔记本电脑、触控屏幕、游戏机、个人计算机(PC，Personal Computer)、个人数字助理(Personal Digital Assistant，PDA)等终端设备，终端还可以包括客户端，该客户端可以是媒体播放客户端或即时通信客户端等。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
请参阅图1，图1为本申请实施例提供的图像处理装置的系统示意图。该系统可以包括至少一个终端1000，至少一个服务器2000，至少一个数据库3000，以及网络4000。用户持有的终端1000可以通过网络4000连接到不同的服务器。终端1000是具有计算硬件的任何设备，该计算硬件能够支持和执行与多媒体对应的软件产品。另外，当系统包括多个终端1000、多个服务器2000、多个网络4000时，不同的终端1000可以通过不同的网络4000、通过不同的服务器2000相互连接。网络4000可以是无线网络或者有线网络，比如无线网络为无线局域网(WLAN)、局域网(LAN)、蜂窝网络、2G网络、3G网络、4G网络、5G网络等。另外，该系统可以包括多个数据库3000，多个数据库3000耦合到不同的服务器2000，并且可以将与各应用相关的信息存储于数据库3000中。
在本申请实施例中，在获取到多张医学扫描图像后，可以基于人工智能中的机器学习/深度学习获取扫描图像中针对病灶区域的特征信息，并基于该特征信息进行特征组合以及诊断。
其中，人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
而机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本发明实施例提供一种图像处理方法，该图像处理方法的执行主体可以是本发明实施例提供的图像处理装置，或者集成了该图像处理装置的服务器，其中该图像处理装置可以采用硬件或者软件的方式实现。
如图2所示，图2是本发明实施例提供的图像处理方法的第一流程示意图，该图像处理方法的具体流程可以如下：
101、获取多张医学扫描图像。
具体地，计算机设备接收由医学成像装置采集的医学扫描图像。这里，计算机设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等。进一步地，计算机设备可以从医学成像装置中实时地获取医学扫描图像，也可以从服务器中获取由医学成像装置采集的医学扫描图像。这里，服务器可以是独立的物理服务器，诸如影像归档和通信系统(Picture Archiving and Communication Systems，PACS)，也可以是多个物理服务器构成的服务器集群或者分布式系统，或者还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。计算机设备和服务器可以通过有线或无线通信方式进行直接或间接地连接，本公开实施例对此不作进一步限制。
医学成像装置可以包括X线成像设备、磁共振(Magnetic Resonance Imaging，MRI)成像设备、超声成像设备、核医学成像设备、热成像设备、医用光学成像设备等。医学扫描图像可以对人体或动物进行某个部位进行扫描得到的，如医学扫描图像包括胸部的CT扫描图像、磁共振成像图像等其他医学扫描图像。医学扫描图像通常包括病灶区域和非病灶区域，病灶区域可以是指医学图像中用于反映发生病变的区域，非病灶区域可以是指医学图像中用于反映未发生病变的区域，如该非病灶区域可以是指医学图像中免疫细胞所在的区域。
102、根据多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对病灶区域的特征信息，以得到多个特征信息。
在本申请实施例中，可以获取医学参考图像来与上述医学扫描图像进行对比，从而确定该医学扫描图像中的病灶区域。由于医学参考图像仅包括病灶区域，而医学扫描图像包括病灶区域和非病灶区域，医学参考图像中的病灶区域与医学扫描图像中的病灶区域具有相似性，医学参考图像中的病灶区域与医学扫描图像中的非病灶区域具有差异性。因此可以对该医学参考图像和医学扫描图像进行相似性识别，得到该医学扫描图像的候选病灶区域；即对该医学参考图像和医学扫描图像进行对比，得到医学扫描图像中与医学参考图像之间具有相似性的区域，将具有相似性的区域作为医学扫描图像的候选病灶区域。
进一步的，若上述候选病灶区域为一个，则可以将其确定为病灶区域，若上述候选病灶区域为多个，则需要进一步从中确定目标病灶区域，具体的，可以在获取到多个候选病灶区域后，获取该多个候选病灶区域的区域尺寸信息，然后与上述医学参考图像中的病灶区域的尺寸信息进行对比，将尺寸最为接近的候选病灶区域作为目标病灶区域。
当然，在另一实施例中，还可以由用户比如医生手动从上述多个候选病灶区域中选取目标病灶区域。
需要说明的是，上述识别医学扫描图像中的病灶区域的过程可以由服务器来执行，也可以由终端来执行，当然，也可以由终端和服务器共同来执行，本申请对此不做进一步限定。
在一实施例中，在确定病灶区域之后，还可以进一步在每张医学扫描图像中提取针对所述病灶区域的特征信息。上述特征信息可以包括纹理特征、细胞形态特征以及尺寸特征等中的至少一种。其中，细胞形态特征指的是待处理病理图像对应的细胞形态特征，该细胞形态特征的获取方式可以基于实际需求预先配置。
进一步的，以上述特征信息为纹理特征为例进行说明，可以对医学扫描图像中的病灶区域进行纹理特征提取，得到对应的纹理特征。其中，对医学扫描图像中病灶区域进行纹理特征提取的方式可以预先配置，例如，可以采用GLCM(Grey-Level Co-occurrenceMatrix，灰度共生矩阵)方法、或LBP(Local Binary Pattern，局部二值化)方法等。可选的，可以采用LBP方法进行纹理特征提取，该方法是通过比较一个像素点与周围8个像素值之间的大小，得到一个8bit(比特)的二值化编码，然后将该二值化编码转化为0～255的整数，此时该整数即为LBP图中该像素的值，最后将LBP图像进行直方图转换，从而得到LBPH(LocalBinary Patterns Histograms，LBP特征的统计直方图)的纹理特征向量。
在一实施例中，上述特征信息还可以为医学扫描图像中针对病灶区域的多个特征信息的融合特征。比如可以对多个特征信息进行拼接，得到融合后的特征。也可以分别对多个特征信息设置不同的权重，然后基于对应的权重、对多个特征进行加权融合，得到融合后的特征等。
在提取到每张医学扫描图像中针对所述病灶区域的特征信息后，即可得到多个特征信息。需要说明的是，在进行特征信息提取时，若出现系统无法识别的特征信息，则可以通过用户补充的方式来确定医学扫描图像中针对所述病灶区域的特征信息。
103、对多个特征信息进行至少一次特征组合，生成目标特征集合。
在一实施例中，可以先对上述多个特征信息进行去重，集体的，可以在得到多个特征信息后，检测其中的重复特征信息，然后将检测到的重复特征信息进行删除，当去重完成后，再进一步执行特征组合，以生成目标特征集合。
其中，在进行特征组合时，可以针对每一个特征信息对剩余的特征信息进行遍历，以判断是否能够进行组合，若判断为是，则进行特征组合，在全部遍历完成后，继续针对组合后的特征集合进行遍历，以判断是否能继续组合，最终直到剩余的特征集合都无法进行组合时，将其确定为目标特征集合，该目标特征集合的数量可以为一个或多个，比如在将多个特征信息经过多次组合后最终剩余三个特征集合，且这三个特征集合无法再继续进行组合，则可以将这三个特征集合作为目标特征集合。
进一步的，在进行特征组合的过程中，可以根据先验知识库或者用户制定的规则来判断是否能够后进行组合。需要说明的是，在此过程中，还可以通过人工补充的方式进行特征组合，并进行描述，然后存入先验知识库中。
104、根据目标特征集合确定病灶属性信息。
在本申请实施例中，可以预先建立一个数据库，该数据库中可以存储多个病灶属性信息以及该病灶属性信息对应的预设特征集合，然后在得到目标特征集合之后，通过将其在数据库里进行匹配，即可确定病灶属性信息，并针对该病灶属性信息生成对应的诊断报告。也即根据所述目标特征集合确定病灶属性信息的步骤，包括：
在预设数据库中查找与所述目标特征集合相似度最高的预设特征集合；
获取所述预设特征集合对应的病灶属性信息并根据所述病灶属性信息生成诊断报告。
由上所述，本发明实施例提出的图像处理方法可以通过获取多张医学扫描图像，根据多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对病灶区域的特征信息，以得到多个特征信息，对多个特征信息进行至少一次特征组合，生成目标特征集合，根据目标特征集合确定病灶属性信息。本申请实施例所提供的方案可以提取病灶区域的特征信息，并通过特征组合后确定病灶属性信息，从而对病灶进行诊断，提升了医学扫描图像分析的效率和准确性。
根据前面实施例所描述的方法，以下将作进一步详细说明。
请参阅图3，图3是本发明实施例提供的图像处理方法的第二流程示意图。所述方法包括：
201、获取多张医学扫描图像。
在一实施例中，医学扫描图像可以对人体或动物进行某个部位进行扫描得到的，如医学扫描图像包括胸部的CT扫描图像、磁共振成像图像等其他医学扫描图像。医学扫描图像通常包括病灶区域和非病灶区域。
202、分别对多张医学扫描图像进行图像识别，以得到每张医学扫描图像对应的子病灶区域。
在本实施例中，需要先确定每一张医学扫描图像中的子病灶区域，具体可以针对每一张医学扫描图像，将其与医学参考图像进行对比，从而确定每一张医学扫描图像中的子病灶区域，其中上述医学参考图像为仅包括病灶区域的图像，因此通过相似性对比即可进行确定子病灶区域。
其中，若一张医学扫描图像中通过对比确定多个子病灶区域，还可以选取相似度最高的子病灶区域作为该扫描图像的子病灶区域，或者通过用户手动选取的方式确定子病灶区域。
203、根据每张医学扫描图像对应的子病灶区域确定目标病灶区域。
在一实施例中，在获取到每一张医学扫描图像中的子病灶区域之后，可以根据每一个子病灶区域在全部医学扫描图像中出现的频率，选取出频率最高的子病灶区域作为目标病灶区域。其中，上述子病灶区域在全部医学扫描图像中出现的频率可以通过计算每张医学扫描图像对应的子病灶区域与其他医学扫描图像对应的子病灶区域的平均重复率来表示，最终选取重复率最高的子病灶区域作为目标病灶区域。也即根据每张医学扫描图像对应的子病灶区域确定目标病灶区域的步骤，包括：
计算每张医学扫描图像对应的子病灶区域分别与其他医学扫描图像对应的子病灶区域的多个重复率；
根据多个重复率计算重复率均值，以得到每张医学扫描图像对应的子病灶区域的重复率均值；
选取重复率均值最高的医学扫描图像对应的子病灶区域作为目标病灶区域。
在另一实施例中，还可以在将所有的子病灶区域整合后，计算整合区域中每个单位区域出现的频率，其中该频率可以通过每个单位病灶区域在多个子病灶区域中的覆盖率进行表示，最后将覆盖率满足一定条件比如大于60的覆盖率的单位区域进行拼接即可得到最终的目标病灶区域。也即根据每张医学扫描图像对应的子病灶区域确定目标病灶区域的步骤，包括：
将每张医学扫描图像对应的子病灶区域进行整合，生成病灶区域集合；
在病灶区域集合中划分多个单位病灶区域，并计算每个单位病灶区域在多个子病灶区域中的覆盖率；
确定满足预设覆盖率的多个单位病灶区域，根据多个单位病灶区域生成目标病灶区域。
204、在每张医学扫描图像中提取针对病灶区域的特征信息，以得到多个特征信息。
在一实施例中，在确定病灶区域之后，还可以进一步在每张医学扫描图像中提取针对所述病灶区域的特征信息。上述特征信息可以包括纹理特征、细胞形态特征以及尺寸特征等中的至少一种。其中，细胞形态特征指的是待处理病理图像对应的细胞形态特征，该细胞形态特征的获取方式可以基于实际需求预先配置，本申请实施例不限定。
205、对每张医学扫描图像内所提取到的多个特征信息进行特征组合，以得到每张医学扫描图像分别对应的第一特征集合。
在一实施例中，可以先对上述多个特征信息进行去重，集体的，可以在得到多个特征信息后，检测其中的重复特征信息，然后将检测到的重复特征信息进行删除，当去重完成后，再进一步执行特征组合，以得到每张医学扫描图像分别对应的第一特征集合。
206、对多个第一特征集合再次进行特征组合，得到多个第二特征集合。
其中，在对多个特征信息或多个第一特征集合进行特征组合时，需要先从中挑选可以进行组合的样本，比如针对每个特征信息或第一特征集合，遍历剩余的特征信息或第一特征集合并判断是否能后进行组合，若是，则可以将能够进行组合的特征信息或第一特征集合进行组合。也即对多个特征信息或多个第一特征集合进行特征组合的步骤，包括：
在多个特征信息或多个第一特征集合中查找满足组合条件的特征信息样本或第一特征集合样本；
对特征信息样本或第一特征集合样本进行特征组合。
进一步的，在判断是否能够进行组合时可以根据特征信息或第一特征集合的特征参数来进行判断，比如若特征信息或第一特征集合的特征参数相同，则确定可以进行组合，因此上述在多个特征信息或多个第一特征集合中查找满足组合条件的特征信息样本或第一特征集合样本的步骤，包括：
分别获取多个特征信息或多个第一特征集合的特征参数；
将特征参数相同的特征信息或第一特征集合确定为特征信息样本或第一特征集合样本。
207、判断多个第二特征集合中是否存在满足组合条件的第二特征集合样本。
208、若不存在，将多个第二特征集合确定为目标特征集合。
在本申请实施例中，若上述多个第二特征集合中存在满足组合条件的第二特征集合样本，则可以继续进行特征组合，并在每次组合完成后都判断是否能够继续组合，直到最终得到的特征集合中没有满足组合条件的特征集合样本，此时便可以将最终得到的特征集合作为目标特征集合。
在本申请实施例中通过上述方式建立了一种分析树结构，通过对针对病灶的特征信息进行至少一次组合，并最终进行识别，该分析树可以是计算机自动生成，也可以是人工将这些计算机识别出来的特征进行组合，可以大幅提升对复杂病灶诊断的准确性，以及提高诊断效率。
209、将目标特征集合在预设数据库中进行匹配，并根据匹配结果确定病灶的诊断报告。
在一实施例中，可以预先建立一个数据库，该数据库中可以存储多个病灶属性信息以及该病灶属性信息对应的预设特征集合，然后在得到目标特征集合之后，通过将其在数据库里进行匹配，即可确定病灶属性信息，并针对该病灶属性信息生成对应的诊断报告。
在另一实施例中，在确定目标特征集合的匹配结果时，还可以通过训练好的分类器来实现，即可以将组合后的目标特征集合输入至预训练好的分类器，该分类器输出针对上述病灶对应的分类结果。可选，上述中的分类器的具体类型可以根据实际需求预先配置，本申请实施例不限定。例如，该分类器可以为SVM(Support Vector Machine，支持向量机)分类器、LR(Logistic Regression，逻辑回归)分类器、决策树分类器、贝叶斯分类器等。
可选的，在本申请实施例中分类器可以选取SVM分类器，该SVM分类器所采用的核函数可以为线性核函数、高斯核函数和多项式核函数中的任一项。可选的，在本申请实施例中可以选取线性核函数作为SVM分类器的核函数，此时得到的SVM分类器的鲁棒性更好，最终得到的分类结果的准确性更高。
由上所述，本发明实施例提出的图像处理方法可以获取多张医学扫描图像，分别对多张医学扫描图像进行图像识别，以得到每张医学扫描图像对应的子病灶区域，根据每张医学扫描图像对应的子病灶区域确定目标病灶区域，在每张医学扫描图像中提取针对病灶区域的特征信息，以得到多个特征信息，对每张医学扫描图像内所提取到的多个特征信息进行特征组合，以得到每张医学扫描图像分别对应的第一特征集合，对多个第一特征集合再次进行特征组合，得到多个第二特征集合，判断多个第二特征集合中是否存在满足组合条件的第二特征集合样本，若不存在，将多个第二特征集合确定为目标特征集合，将目标特征集合在预设数据库中进行匹配，并根据匹配结果确定病灶的诊断报告。本申请实施例所提供的方案可以提取病灶区域的特征信息，并通过特征组合后在数据库中匹配，从而对病灶进行诊断，从而提升医学扫描图像分析的效率和准确性。
为了实施以上方法，本发明实施例还提供一种图像处理装置，该图像处理装置具体可以集成在终端设备如手机、平板电脑等设备中。
例如，如图4所示，是本发明实施例提供的图像处理装置的第一种结构示意图。该图像处理装置可以包括：
获取单元301，用于获取多张医学扫描图像；
提取单元302，用于根据所述多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对所述病灶区域的特征信息，以得到多个特征信息；
组合单元303，用于对所述多个特征信息进行至少一次特征组合，生成目标特征集合；
确定单元304，用于根据所述目标特征集合确定病灶属性信息。
在一实施例中，请进一步参阅图5，其中，所述提取单元302可以具体包括：
识别子单元3021，用于分别对所述多张医学扫描图像进行图像识别，以得到每张医学扫描图像对应的子病灶区域；
确定子单元3022，用于根据所述每张医学扫描图像对应的子病灶区域确定目标病灶区域；
提取子单元3023，用于在每张医学扫描图像中提取针对所述病灶区域的特征信息，以得到多个特征信息。
在一实施例中，上述确定子单元3022，具体用于计算所述每张医学扫描图像对应的子病灶区域分别与其他医学扫描图像对应的子病灶区域的多个重复率，根据所述多个重复率计算重复率均值，以得到每张医学扫描图像对应的子病灶区域的重复率均值，选取所述重复率均值最高的医学扫描图像对应的子病灶区域作为目标病灶区域。
在一实施例中，上述确定子单元3022，还具体用于将所述每张医学扫描图像对应的子病灶区域进行整合，生成病灶区域集合，在所述病灶区域集合中划分多个单位病灶区域，并计算每个单位病灶区域在多个子病灶区域中的覆盖率，确定满足预设覆盖率的多个单位病灶区域，根据所述多个单位病灶区域生成目标病灶区域。
在一实施例中，所述组合单元302可以具体包括：
第一组合子单元3021，用于对每张医学扫描图像内所提取到的多个特征信息进行特征组合，以得到所述对每张医学扫描图像分别对应的第一特征集合；
第二组合子单元3022，用于对多个第一特征集合再次进行特征组合，以得到目标特征集合。
在一实施例中，上述第二组合子单元3022，具体用于对多个第一特征集合再次进行特征组合，得到多个第二特征集合，判断所述多个第二特征集合中是否存在满足组合条件的第二特征集合样本，若不存在，将所述多个第二特征集合确定为目标特征集合，若存在，则继续执行特征组合的步骤。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
应当说明的是，本发明实施例提供的图像处理装置与上文实施例中的图像处理方法属于同一构思，在图像处理装置上可以运行图像处理方法实施例中提供的任一方法，其具体实现过程详见图像处理方法实施例，此处不再赘述。
本发明实施例提出的图像处理装置，通过获取多张医学扫描图像，根据多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对病灶区域的特征信息，以得到多个特征信息，对多个特征信息进行至少一次特征组合，生成目标特征集合，根据所述目标特征集合确定病灶属性信息。本申请实施例所提供的方案可以提取病灶区域的特征信息，并通过特征组合后确定病灶属性信息，从而对病灶进行诊断，提升了医学扫描图像分析的效率和准确性。
本发明实施例还提供一种服务器，如图6所示，其示出了本发明实施例所涉及的服务器的结构示意图，具体来讲：
该服务器可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图6中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或单元，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及单元，处理器401通过运行存储在存储器402的软件程序以及单元，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
服务器还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取多张医学扫描图像；
根据所述多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对所述病灶区域的特征信息，以得到多个特征信息；
对所述多个特征信息进行至少一次特征组合，生成目标特征集合；
根据所述目标特征集合确定病灶属性信息。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
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可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
由上所述，本发明实施例提出的服务器，通过获取多张医学扫描图像，根据多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对病灶区域的特征信息，以得到多个特征信息，对多个特征信息进行至少一次特征组合，生成目标特征集合，根据所述目标特征集合确定病灶属性信息。本申请实施例所提供的方案可以提取病灶区域的特征信息，并通过特征组合后确定病灶属性信息，从而对病灶进行诊断，提升了医学扫描图像分析的效率和准确性。
另外，本发明实施例还提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种图像处理方法中。例如，该指令可以执行：
获取多张医学扫描图像；
根据所述多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对所述病灶区域的特征信息，以得到多个特征信息；
对所述多个特征信息进行至少一次特征组合，生成目标特征集合；
根据所述目标特征集合确定病灶属性信息。
以上操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种图像处理方法，因此，可以实现本发明实施例所提供的任一种图像处理方法所能实现的有益效果，详见前面的实施例，在此不再赘述。以上对本发明实施例所提供的一种图像处理方法、装置及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (13)

1.一种图像处理方法，其特征在于，包括：
获取多张医学扫描图像；
根据所述多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对所述病灶区域的特征信息，以得到多个特征信息；
对所述多个特征信息进行至少一次特征组合，生成目标特征集合；
根据所述目标特征集合确定病灶属性信息。
2.如权利要求1所述的图像处理方法，其特征在于，根据所述多张医学扫描图像确定病灶区域的步骤，包括：
分别对所述多张医学扫描图像进行图像识别，以得到每张医学扫描图像对应的子病灶区域；
根据所述每张医学扫描图像对应的子病灶区域确定目标病灶区域。
3.如权利要求2所述的图像处理方法，其特征在于，根据所述每张医学扫描图像对应的子病灶区域确定目标病灶区域的步骤，包括：
计算所述每张医学扫描图像对应的子病灶区域分别与其他医学扫描图像对应的子病灶区域的多个重复率；
根据所述多个重复率计算重复率均值，以得到每张医学扫描图像对应的子病灶区域的重复率均值；
选取所述重复率均值最高的医学扫描图像对应的子病灶区域作为目标病灶区域。
4.如权利要求2所述的图像处理方法，其特征在于，根据所述每张医学扫描图像对应的子病灶区域确定目标病灶区域的步骤，包括：
将所述每张医学扫描图像对应的子病灶区域进行整合，生成病灶区域集合；
在所述病灶区域集合中划分多个单位病灶区域，并计算每个单位病灶区域在多个子病灶区域中的覆盖率；
确定满足预设覆盖率的多个单位病灶区域，根据所述多个单位病灶区域生成目标病灶区域。
5.如权利要求1所述的图像处理方法，其特征在于，对所述多个特征信息进行至少一次特征组合，生成目标特征集合的步骤，包括：
对每张医学扫描图像内所提取到的多个特征信息进行特征组合，以得到所述每张医学扫描图像分别对应的第一特征集合；
对多个第一特征集合再次进行特征组合，以得到目标特征集合。
6.如权利要求5所述的图像处理方法，其特征在于，对多个特征信息或多个第一特征集合进行特征组合的步骤，包括：
在所述多个特征信息或多个第一特征集合中查找满足组合条件的特征信息样本或第一特征集合样本；
对所述特征信息样本或第一特征集合样本进行特征组合。
7.如权利要求6所述的图像处理方法，其特征在于，在所述多个特征信息或多个第一特征集合中查找满足组合条件的特征信息样本或第一特征集合样本的步骤，包括：
分别获取所述多个特征信息或多个第一特征集合的特征参数；
将所述特征参数相同的特征信息或第一特征集合确定为特征信息样本或第一特征集合样本。
8.如权利要求6所述的图像处理方法，其特征在于，对多个第一特征集合再次进行特征组合，以得到目标特征集合的步骤，包括：
对多个第一特征集合再次进行特征组合，得到多个第二特征集合；
判断所述多个第二特征集合中是否存在满足组合条件的第二特征集合样本；
若不存在，将所述多个第二特征集合确定为目标特征集合；
若存在，则继续执行特征组合的步骤。
9.如权利要求1所述的图像处理方法，其特征在于，根据所述目标特征集合确定病灶属性信息的步骤，包括：
在预设数据库中查找与所述目标特征集合相似度最高的预设特征集合；
获取所述预设特征集合对应的病灶属性信息并根据所述病灶属性信息生成诊断报告。
10.一种图像处理装置，其特征在于，包括：
获取单元，用于获取多张医学扫描图像；
提取单元，用于根据所述多张医学扫描图像确定病灶区域，并在每张医学扫描图像中提取针对所述病灶区域的特征信息，以得到多个特征信息；
组合单元，用于对所述多个特征信息进行至少一次特征组合，生成目标特征集合；
确定单元，用于根据所述目标特征集合确定病灶属性信息。
11.如权利要求10所述的图像处理装置，其特征在于，所述提取单元具体包括：
识别子单元，用于分别对所述多张医学扫描图像进行图像识别，以得到每张医学扫描图像对应的子病灶区域；
确定子单元，用于根据所述每张医学扫描图像对应的子病灶区域确定目标病灶区域；
提取子单元，用于在每张医学扫描图像中提取针对所述病灶区域的特征信息，以得到多个特征信息。
12.如权利要求10所述的图像处理装置，其特征在于，所述组合单元具体包括：
第一组合子单元，用于对每张医学扫描图像内所提取到的多个特征信息进行特征组合，以得到所述对每张医学扫描图像分别对应的第一特征集合；
第二组合子单元，用于对多个第一特征集合再次进行特征组合，以得到目标特征集合。
13.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至9任一项所述的图像处理方法。
CN202110778691.8A 2021-07-09 2021-07-09 图像处理方法、装置及存储介质 Active CN113469981B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110778691.8A CN113469981B (zh) 2021-07-09 2021-07-09 图像处理方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110778691.8A CN113469981B (zh) 2021-07-09 2021-07-09 图像处理方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113469981A true CN113469981A (zh) 2021-10-01
CN113469981B CN113469981B (zh) 2022-07-08

Family

ID=77879435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110778691.8A Active CN113469981B (zh) 2021-07-09 2021-07-09 图像处理方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113469981B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092426A (zh) * 2021-11-12 2022-02-25 数坤(北京)网络科技股份有限公司 一种图像关联方法、装置、电子设备和存储介质
CN114240880A (zh) * 2021-12-16 2022-03-25 数坤(北京)网络科技股份有限公司 医学扫描数据处理方法、装置、医疗设备以及存储介质
CN116798636A (zh) * 2022-03-14 2023-09-22 数坤(北京)网络科技股份有限公司 医学诊断方法以及相关设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2518689A1 (en) * 2011-04-27 2012-10-31 Cornelis Blokker Method for comparing medical images of a patient
CN104063712A (zh) * 2014-06-27 2014-09-24 杭州科度科技有限公司 一种车辆信息提取方法和系统
WO2017028916A1 (en) * 2015-08-19 2017-02-23 Brainlab Ag Reference array holder
US20180137244A1 (en) * 2016-11-17 2018-05-17 Terarecon, Inc. Medical image identification and interpretation
CN110021014A (zh) * 2019-03-29 2019-07-16 无锡祥生医疗科技股份有限公司 基于神经网络的神经组织识别方法、系统及存储介质
CN111339811A (zh) * 2019-08-27 2020-06-26 杭州海康威视系统技术有限公司 图像处理方法、装置、设备及存储介质
CN111429551A (zh) * 2020-03-20 2020-07-17 北京达佳互联信息技术有限公司 图像编辑方法、装置、电子设备和存储介质
CN111429338A (zh) * 2020-03-18 2020-07-17 百度在线网络技术（北京）有限公司 用于处理视频的方法、装置、设备和计算机可读存储介质
US20200258223A1 (en) * 2018-05-14 2020-08-13 Tempus Labs, Inc. Determining biomarkers from histopathology slide images
CN111666993A (zh) * 2020-05-28 2020-09-15 平安科技（深圳）有限公司 医学图像样本筛查方法、装置、计算机设备和存储介质
CN111965197A (zh) * 2020-07-23 2020-11-20 广东工业大学 一种基于多特征融合的缺陷分类方法
US20210125331A1 (en) * 2019-10-25 2021-04-29 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for generating and tracking shapes of a target
CN112926609A (zh) * 2019-12-05 2021-06-08 上海高德威智能交通系统有限公司 图像处理方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2518689A1 (en) * 2011-04-27 2012-10-31 Cornelis Blokker Method for comparing medical images of a patient
CN104063712A (zh) * 2014-06-27 2014-09-24 杭州科度科技有限公司 一种车辆信息提取方法和系统
WO2017028916A1 (en) * 2015-08-19 2017-02-23 Brainlab Ag Reference array holder
US20180137244A1 (en) * 2016-11-17 2018-05-17 Terarecon, Inc. Medical image identification and interpretation
US20200258223A1 (en) * 2018-05-14 2020-08-13 Tempus Labs, Inc. Determining biomarkers from histopathology slide images
CN110021014A (zh) * 2019-03-29 2019-07-16 无锡祥生医疗科技股份有限公司 基于神经网络的神经组织识别方法、系统及存储介质
CN111339811A (zh) * 2019-08-27 2020-06-26 杭州海康威视系统技术有限公司 图像处理方法、装置、设备及存储介质
US20210125331A1 (en) * 2019-10-25 2021-04-29 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for generating and tracking shapes of a target
CN112926609A (zh) * 2019-12-05 2021-06-08 上海高德威智能交通系统有限公司 图像处理方法及装置
CN111429338A (zh) * 2020-03-18 2020-07-17 百度在线网络技术（北京）有限公司 用于处理视频的方法、装置、设备和计算机可读存储介质
CN111429551A (zh) * 2020-03-20 2020-07-17 北京达佳互联信息技术有限公司 图像编辑方法、装置、电子设备和存储介质
CN111666993A (zh) * 2020-05-28 2020-09-15 平安科技（深圳）有限公司 医学图像样本筛查方法、装置、计算机设备和存储介质
CN111965197A (zh) * 2020-07-23 2020-11-20 广东工业大学 一种基于多特征融合的缺陷分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
COTHA, NKP等: "Multi-Labeled Classification of Demographic Attributes of Patients: a case study of diabetics patients", 《ARXIV》 *
郑光远等: "医学影像计算机辅助检测与诊断系统综述", 《软件学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092426A (zh) * 2021-11-12 2022-02-25 数坤(北京)网络科技股份有限公司 一种图像关联方法、装置、电子设备和存储介质
CN114240880A (zh) * 2021-12-16 2022-03-25 数坤(北京)网络科技股份有限公司 医学扫描数据处理方法、装置、医疗设备以及存储介质
CN116798636A (zh) * 2022-03-14 2023-09-22 数坤(北京)网络科技股份有限公司 医学诊断方法以及相关设备
CN116798636B (zh) * 2022-03-14 2024-03-26 数坤(北京)网络科技股份有限公司 医学诊断方法以及相关设备

Also Published As

Publication number Publication date
CN113469981B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
Mazurowski et al. Deep learning in radiology: An overview of the concepts and a survey of the state of the art with focus on MRI
Öztürk Stacked auto-encoder based tagging with deep features for content-based medical image retrieval
Zuo et al. R2AU‐Net: attention recurrent residual convolutional neural network for multimodal medical image segmentation
CN113469981B (zh) 图像处理方法、装置及存储介质
Kou et al. Microaneurysms segmentation with a U-Net based on recurrent residual convolutional neural network
US20170337687A1 (en) System and method for computer aided diagnosis
Zheng et al. Deep convolutional neural networks for multiplanar lung nodule detection: Improvement in small nodule identification
Zhang et al. Dictionary pruning with visual word significance for medical image retrieval
Charfi et al. Computer‐aided diagnosis system for ulcer detection in wireless capsule endoscopy images
Orozco et al. Lung nodule classification in CT thorax images using support vector machines
Vijila Rani et al. Lung lesion classification scheme using optimization techniques and hybrid (KNN-SVM) classifier
Sethanan et al. Double AMIS-ensemble deep learning for skin cancer classification
Zhang et al. LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis
Jiang et al. Abdominal adipose tissues extraction using multi-scale deep neural network
Wu et al. Automatic classification method of liver ultrasound standard plane images using pre-trained convolutional neural network
Renukadevi et al. Optimizing deep belief network parameters using grasshopper algorithm for liver disease classification
Yang et al. Deep hybrid convolutional neural network for segmentation of melanoma skin lesion
Zhang et al. SODNet: small object detection using deconvolutional neural network
Tong et al. Pulmonary nodule detection based on isodata-improved faster rcnn and 3d-cnn with focal loss
Wang et al. Segment medical image using U-Net combining recurrent residuals and attention
Alyami et al. Automatic skin lesions detection from images through microscopic hybrid features set and machine learning classifiers
Goel et al. A hybrid of modified YOLOv3 with BBO/EE optimizer for lung cancer detection
Shekar et al. An efficient stacked ensemble model for the detection of COVID-19 and skin cancer using fused feature of transfer learning and handcrafted methods
Hassan et al. Towards optimal cropping: breast and liver tumor classification using ultrasound images
Han et al. Explainable prediction of renal cell carcinoma from contrast-enhanced ct images using deep convolutional transfer learning and the shapley additive explanations approach

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230116

Address after: 518026 Rongchao Economic and Trade Center A308-D9, No. 4028, Jintian Road, Fuzhong Community, Lianhua Street, Futian District, Shenzhen, Guangdong Province

Patentee after: Shukun (Shenzhen) Intelligent Network Technology Co.,Ltd.

Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Patentee before: Shukun (Beijing) Network Technology Co.,Ltd.