CN114140399A - 用于脑肿瘤术中定性和边界定位的oct图像处理装置 - Google Patents
用于脑肿瘤术中定性和边界定位的oct图像处理装置 Download PDFInfo
- Publication number
- CN114140399A CN114140399A CN202111349961.XA CN202111349961A CN114140399A CN 114140399 A CN114140399 A CN 114140399A CN 202111349961 A CN202111349961 A CN 202111349961A CN 114140399 A CN114140399 A CN 114140399A
- Authority
- CN
- China
- Prior art keywords
- features
- oct image
- image
- qualitative
- oct
- 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.)
- Withdrawn
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开用于脑肿瘤术中定性和边界定位的OCT图像处理装置,通过图像特征提取模块包括OCT图像预处理模块以及对OCT图像预处理后的纹理特征和深度特征进行多重特征提取的特征提取模块,所述分类定性模块对提取的多重特征进行深度融合,采用特征融合算法进行分类,建立相应的OCT图像数据库;对所述OCT图像预处理后的OCT图像的纹理特征和深度特征进行多重特征提取,通过不断池化(pooling)和卷积(convolution)得到图像的特征图,将其展开,并连接全连接层,实现最终的分类输出,自动识别技术通过挖掘图像中的深层次信息,可以辅助医生进行病变的诊断和边界定位;结合人工图像比对与自动识别技术来进行组织的特征提取、分类及脑胶质瘤的边界定位。
Description
技术领域
本发明涉及用于脑肿瘤术中定性和边界定位的OCT图像处理装置,涉及肿瘤影像学技术领域。
背景技术
脑肿瘤是一种生长在大脑中的异常细胞,按照异常细胞的来源一般可分为原发性脑肿瘤和继发性脑肿瘤两类;原发性脑肿瘤是直接源于脑组织中异常生长的细胞,继发性脑肿瘤是身体其他部位正常细胞变成癌细胞后扩散到大脑中的异常细胞。脑肿瘤的术中定性和边界定位是脑肿瘤影像辅助诊断治疗中最重要且最关键的一步,可以为医生的术前规划和术中定性、边界定位提供可靠的依据,保证脑肿瘤的切除能够更彻底,并且不伤害正常组织,有可能改善病人生存质量和延长生存期。
光学相干层析成像(Optical Coherence Tomography,OCT)是一种基于低相干光干涉原理,利用样品背散/反射光与参考光相干的非接触非侵入性的新型成像技术,可提供具有微米级分辨率的一维深度,二维截面层析和三维立体的实时扫描图像。OCT技术具有非接触、无损伤、图像分辨率高且操作简单、便携等优点,主要应用于生物医学成像和诊断领域,弥补了共聚焦显微镜成像穿透深度低和超声波成像分辨率低的不足;已有大量研究结果表明:OCT能够获得和组织病理学检测相一致的结果,可清楚观察到正常组织和肿瘤组织各自具有的特征形貌,并有大量图像信息和算法可用于组织的鉴别分类。
目前,将OCT技术应用于脑肿瘤的术中定性和边界定位还未见相应报道,也存在相应的技术难点,OCT的基本原理是利用生物组织具有高散射特性,内部组织的折射率会有微小变化,光在生物组织中传播时被界面反射和散射,不同深度的出射光波的位相不同,可根据这些相位的变化对组织进行成像,因此针对脑肿瘤的术中定性和边界定位的图像处理是本领域存在的技术难点,通过OCT成像技术与信息挖掘算法的创新和突破,为脑胶质瘤高灵敏度诊断和肿瘤精准的边界定位提供新型的影像技术解决方案是本领域亟需解决的问题。
综上所述,现有技术中缺乏OCT技术应用于脑肿瘤的术中定性和边界定位的相关方案,对于OCT图像中不同组织的特征提取与分类算法以及肿瘤组织与坏死组织的鉴别阻碍了OCT的推广应用。
发明内容
本发明的目的在于提供用于脑肿瘤术中定性和边界定位的OCT图像处理装置,通过OCT图像处理装置对OCT图像特征提取、组织分类及脑胶质瘤的边界定位,为临床医生进行肿瘤切除手术提供科学依据,并开拓其在脑肿瘤研究和医学转化上的应用。
为实现上述技术目的,达到上述技术效果,本发明是通过以下技术方案实现:
用于脑肿瘤术中定性和边界定位的OCT图像处理装置,包括OCT探测系统,所述OCT探测系统用于获取脑肿瘤OCT图像,所述OCT图像处理装置还包括接收OCT探测系统的OCT图像的OCT图像数据库和OCT图像处理系统;所述OCT图像处理系统包括图像特征提取模块、分类定性模块和边界定位模块,所述图像特征提取模块包括OCT图像预处理模块以及对OCT图像预处理后的纹理特征和深度特征进行多重特征提取的特征提取模块,所述分类定性模块对提取的多重特征进行深度融合,采用特征融合算法进行分类,再通过与所述OCT图像数据库对比进行定性;所述边界定位模块获取所述分类定性模块的分类信息,对肿瘤的轮廓进行标识定位。
进一步的,所述OCT图像数据库的图像为经OCT图像处理系统的图像特征提取模块、分类定性模块和边界定位模块处理后的图像集合,并经分类定性模块进行多重特征的深度融合并进行综合定性;
所述OCT图像数据库的综合定性还包括将不同组织的OCT图像与其组织病理学图进行比对。
进一步的,所述图像特征提取模块的OCT图像预处理模块,从增强对比度、图像去噪和图像配准对OCT图像预处理;
对所述OCT图像预处理后的OCT图像的纹理特征和深度特征进行多重特征提取,所述纹理特征以预处理后的OCT图像以脑肿瘤ROI区域图像作为提取对象,提取包括5维直方图特征,92维灰度共生矩阵特征、44维灰度游程长度矩阵特征;通过提取的ROI区域灰度矩阵,计算图像的灰度直方图,提取的纹理特征有均值、方差、偏斜度、峰值和能量;
所述均值(Mean)计算公式如下:
其中,hi为灰度值为i的像素频数,Gmax为图像最大灰度值;
方差(Variance)计算公式如下:
偏斜度(Skewness)计算公式如下:
峰值(Kurtosis)计算公式如下:
能量(Energy)计算公式如下:
上述作为OCT图像的纹理特征提取;
所述深度特征提取采用基于卷积神经网络特征提取器训练得到的深度特征,采用卷积核对原始图像进行卷积运算,在卷积神经网络中,卷积操作是为了做图像特征提取,假设原始图像为x,卷积核为w,那么第n层神经网络的第i个神经元输出得到输出值为:
在卷积操作之后,采用池化层来减少网格模型计算中产生的神经元参数,上层卷积层的输出为x′,池化后的特征输出y′为:
其中,s′为池化层的赤化模板大小,i′,j′为神经元在图像上的坐标;
通过不断池化(pooling)和卷积(convolution)得到图像的特征图,将其展开,并连接全连接层,实现最终的分类输出,对已处理OCT图像的多重特征提取。
进一步的,所述分类定性模块对上述提取的多重特征进行深度融合,基于SVM分类器核函数机制,输入深度特征和纹理特征在多个核函数及其多个参数中寻优,分别找到最适合纹理特征和深度特征的核函数及参数设置,以及各自核函数的权重,然后将深度特征核函数和纹理特征核函数融合在一起实现多重特征进行深度融合,利用SVM分类器进行多特征的多核函数分类;
所述利用SVM分类器进行多特征的多核函数分类的图像,通过与所述OCT图像数据库对比进行定性,所述与所述OCT图像数据库对比包括纹理特征、深度特征和融合的多重特征;
对所述OCT图像分类定性的分类定性模块,其多重特征融合分类比重和数据库对比分类比重一致。
进一步的,所述边界定位模块通过纹理特征、深度特征和融合的多重特征对肿瘤的边界轮廓进行标识。
本发明的有益效果:
本发明的用于脑肿瘤术中定性和边界定位的OCT图像处理装置,通过图像特征提取模块包括OCT图像预处理模块以及对OCT图像预处理后的纹理特征和深度特征进行多重特征提取的特征提取模块,所述分类定性模块对提取的多重特征进行深度融合,采用特征融合算法进行分类,用于不同组织分类和病变组织诊断;区分肿瘤组织、胶质母细胞瘤浸润区和健康组织,用于肿瘤组织边界的精准定位,并建立相应的OCT图像数据库;
本发明的图像特征提取模块的OCT图像预处理模块,从增强对比度、图像去噪和图像配准对OCT图像预处理;对所述OCT图像预处理后的OCT图像的纹理特征和深度特征进行多重特征提取,通过不断池化(pooling)和卷积(convolution)得到图像的特征图,将其展开,并连接全连接层,实现最终的分类输出,对已处理OCT图像的多重特征提取,自动识别技术通过挖掘图像中的深层次信息,可以辅助医生进行病变的诊断和边界定位;结合人工图像比对与自动识别技术来进行组织的特征提取、分类及脑胶质瘤的边界定位。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明实施例所述用于脑肿瘤术中定性和边界定位的OCT图像处理装置的结构框图;
具体实施方式
为了更清楚地说明本发明实施例的技术方案,下面将结合附图对实施例对本发明进行详细说明。
用于脑肿瘤术中定性和边界定位的OCT图像处理装置,包括OCT探测系统,所述OCT探测系统用于获取脑肿瘤OCT图像,所述OCT图像处理装置还包括接收OCT探测系统的OCT图像的OCT图像数据库和OCT图像处理系统;所述OCT图像处理系统包括图像特征提取模块、分类定性模块和边界定位模块,所述图像特征提取模块包括OCT图像预处理模块以及对OCT图像预处理后的纹理特征和深度特征进行多重特征提取的特征提取模块,所述分类定性模块对提取的多重特征进行深度融合,采用特征融合算法进行分类,再通过与所述OCT图像数据库对比进行定性;所述边界定位模块获取所述分类定性模块的分类信息,对肿瘤的轮廓进行标识定位。
下面结合具体实施方式对本发明的技术方案进行说明:
实施例1
OCT图像数据库的建构
OCT图像数据库的图像为经OCT图像处理系统的图像特征提取模块、分类定性模块和边界定位模块处理后的图像集合,并经分类定性模块进行多重特征的深度融合并进行综合定性;
所述OCT图像数据库的综合定性还包括将不同组织的OCT图像与其组织病理学图进行比对;
OCT图像数据库的构建,还包括了运用计算机技术对于OCT图像数据库的特征提取、分类定性和边界定位;
利用蔡司公司搭建的1300nm波段的扫频源OCT系统采集动物活体脑组织及术中离体人脑组织的二维/三维OCT图像,把不同组织的OCT图像与其组织病理学图进行比对,作为OCT图像数据库的一部分,同时利用图像特征提取模块的OCT图像预处理模块,从增强对比度、图像去噪和图像配准对OCT图像预处理;对所述OCT图像预处理后的OCT图像的纹理特征和深度特征进行多重特征提取,通过不断池化(pooling)和卷积(convolution)得到图像的特征图,将其展开,并连接全连接层,实现最终的分类输出,对已处理OCT图像的多重特征提取,自动识别技术通过挖掘图像中的深层次信息作为OCT图像数据库的另一部分,构建OCT图像数据库。
实施例2
OCT图像的特征提取
图像特征提取模块的OCT图像预处理模块,从增强对比度、图像去噪和图像配准对OCT图像预处理;
对所述OCT图像预处理后的OCT图像的纹理特征和深度特征进行多重特征提取,所述纹理特征以预处理后的OCT图像以脑肿瘤ROI区域图像作为提取对象,提取包括5维直方图特征,92维灰度共生矩阵特征、44维灰度游程长度矩阵特征;通过提取的ROI区域灰度矩阵,计算图像的灰度直方图,提取的纹理特征有均值、方差、偏斜度、峰值和能量;
所述均值(Mean)计算公式如下:
其中,hi为灰度值为i的像素频数,Gmax为图像最大灰度值;
方差(Variance)计算公式如下:
偏斜度(Skewness)计算公式如下:
峰值(Kurtosis)计算公式如下:
能量(Energy)计算公式如下:
上述作为OCT图像的纹理特征提取;
所述深度特征提取采用基于卷积神经网络特征提取器训练得到的深度特征,采用卷积核对原始图像进行卷积运算,在卷积神经网络中,卷积操作是为了做图像特征提取,假设原始图像为x,卷积核为w,那么第n层神经网络的第i个神经元输出得到输出值为:
在卷积操作之后,采用池化层来减少网格模型计算中产生的神经元参数,上层卷积层的输出为x′,池化后的特征输出y′为:
其中,s′为池化层的赤化模板大小,i′,j′为神经元在图像上的坐标;
通过不断池化(pooling)和卷积(convolution)得到图像的特征图,将其展开,并连接全连接层,实现最终的分类输出,对已处理OCT图像的多重特征提取。
实施例3
对已多重特征提取的OCT图像进行分类定性
分类定性模块对上述提取的多重特征进行深度融合,基于SVM分类器核函数机制,输入深度特征和纹理特征在多个核函数及其多个参数中寻优,分别找到最适合纹理特征和深度特征的核函数及参数设置,以及各自核函数的权重,然后将深度特征核函数和纹理特征核函数融合在一起实现多重特征进行深度融合,利用SVM分类器进行多特征的多核函数分类;
所述利用SVM分类器进行多特征的多核函数分类的图像,通过与所述OCT图像数据库对比进行定性,所述与所述OCT图像数据库对比包括纹理特征、深度特征和融合的多重特征;
对所述OCT图像分类定性的分类定性模块,其多重特征融合分类比重和数据库对比分类比重一致。
实施例4
瘤的边界轮廓定位
基于上述实施例,边界定位模块通过纹理特征、深度特征和融合的多重特征对肿瘤的边界轮廓进行标识。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.用于脑肿瘤术中定性和边界定位的OCT图像处理装置,其特征在于:包括OCT探测系统,所述OCT探测系统用于获取脑肿瘤OCT图像,所述OCT图像处理装置还包括接收OCT探测系统的OCT图像的OCT图像数据库和OCT图像处理系统;所述OCT图像处理系统包括图像特征提取模块、分类定性模块和边界定位模块,所述图像特征提取模块包括OCT图像预处理模块以及对OCT图像预处理后的纹理特征和深度特征进行多重特征提取的特征提取模块,所述分类定性模块对提取的多重特征进行深度融合,采用特征融合算法进行分类,再通过与所述OCT图像数据库对比进行定性;所述边界定位模块获取所述分类定性模块的分类信息,对肿瘤的轮廓进行标识定位。
2.如权利要求1所述的用于脑肿瘤术中定性和边界定位的OCT图像处理装置,其特征在于:所述OCT图像数据库的图像为经OCT图像处理系统的图像特征提取模块、分类定性模块和边界定位模块处理后的图像集合,并经分类定性模块进行多重特征的深度融合并进行综合定性;
所述OCT图像数据库的综合定性还包括将不同组织的OCT图像与其组织病理学图进行比对。
3.如权利要求2所述的用于脑肿瘤术中定性和边界定位的OCT图像处理装置,其特征在于:所述图像特征提取模块的OCT图像预处理模块,从增强对比度、图像去噪和图像配准对OCT图像预处理;
对所述OCT图像预处理后的OCT图像的纹理特征和深度特征进行多重特征提取。
4.如权利要求3所述的用于脑肿瘤术中定性和边界定位的OCT图像处理装置,其特征在于:所述纹理特征以预处理后的OCT图像以脑肿瘤ROI区域图像作为提取对象,提取包括5维直方图特征,92维灰度共生矩阵特征、44维灰度游程长度矩阵特征;通过提取的ROI区域灰度矩阵,计算图像的灰度直方图,提取的纹理特征有均值、方差、偏斜度、峰值和能量;
所述均值(Mean)计算公式如下:
其中,hi为灰度值为i的像素频数,Gmax为图像最大灰度值;
方差(Variance)计算公式如下:
偏斜度(Skewness)计算公式如下:
峰值(Kurtosis)计算公式如下:
能量(Energy)计算公式如下:
上述作为OCT图像的纹理特征提取。
5.如权利要求3所述的用于脑肿瘤术中定性和边界定位的OCT图像处理装置,其特征在于:所述深度特征提取采用基于卷积神经网络特征提取器训练得到的深度特征,采用卷积核对原始图像进行卷积运算,在卷积神经网络中,卷积操作是为了做图像特征提取,假设原始图像为x,卷积核为w,那么第n层神经网络的第i个神经元输出得到输出值为:
在卷积操作之后,采用池化层来减少网格模型计算中产生的神经元参数,上层卷积层的输出为x′,池化后的特征输出y′为:
其中,s′为池化层的赤化模板大小,i′,j′为神经元在图像上的坐标;
通过不断池化(pooling)和卷积(convolution)得到图像的特征图,将其展开,并连接全连接层,实现最终的分类输出,对已处理OCT图像的多重特征提取。
6.如权利要求2所述的用于脑肿瘤术中定性和边界定位的OCT图像处理装置,其特征在于:所述分类定性模块对上述提取的多重特征进行深度融合,基于SVM分类器核函数机制,输入深度特征和纹理特征在多个核函数及其多个参数中寻优,分别找到最适合纹理特征和深度特征的核函数及参数设置,以及各自核函数的权重,然后将深度特征核函数和纹理特征核函数融合在一起实现多重特征进行深度融合,利用SVM分类器进行多特征的多核函数分类。
7.如权利要求6所述的用于脑肿瘤术中定性和边界定位的OCT图像处理装置,其特征在于:
所述利用SVM分类器进行多特征的多核函数分类的图像,通过与所述OCT图像数据库对比进行定性,所述与所述OCT图像数据库对比包括纹理特征、深度特征和融合的多重特征;
对所述OCT图像分类定性的分类定性模块,其多重特征融合分类比重和数据库对比分类比重一致。
8.如权利要求1所述的用于脑肿瘤术中定性和边界定位的OCT图像处理装置,其特征在于:所述边界定位模块通过纹理特征、深度特征和融合的多重特征对肿瘤的边界轮廓进行标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111349961.XA CN114140399A (zh) | 2021-11-15 | 2021-11-15 | 用于脑肿瘤术中定性和边界定位的oct图像处理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111349961.XA CN114140399A (zh) | 2021-11-15 | 2021-11-15 | 用于脑肿瘤术中定性和边界定位的oct图像处理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140399A true CN114140399A (zh) | 2022-03-04 |
Family
ID=80393187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111349961.XA Withdrawn CN114140399A (zh) | 2021-11-15 | 2021-11-15 | 用于脑肿瘤术中定性和边界定位的oct图像处理装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140399A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403270A (zh) * | 2023-06-07 | 2023-07-07 | 南昌航空大学 | 一种基于多特征融合的人脸表情识别方法及系统 |
-
2021
- 2021-11-15 CN CN202111349961.XA patent/CN114140399A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403270A (zh) * | 2023-06-07 | 2023-07-07 | 南昌航空大学 | 一种基于多特征融合的人脸表情识别方法及系统 |
CN116403270B (zh) * | 2023-06-07 | 2023-09-05 | 南昌航空大学 | 一种基于多特征融合的人脸表情识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Adegun et al. | Deep learning-based system for automatic melanoma detection | |
Hagiwara et al. | Computer-aided diagnosis of glaucoma using fundus images: A review | |
Mendonça et al. | PH 2-A dermoscopic image database for research and benchmarking | |
Chu et al. | Ultrasonic thyroid nodule detection method based on U-Net network | |
CN109493325A (zh) | 基于ct影像的肿瘤异质性分析系统 | |
JP2000126182A (ja) | 腫瘍診断方法 | |
Vocaturo et al. | Features for melanoma lesions characterization in computer vision systems | |
CN110946552A (zh) | 一种结合光谱和图像的宫颈癌前病变筛查方法 | |
CN103455821B (zh) | 基于bi-rads的图像分析装置和方法 | |
Gunasekaran | Leveraging object detection for the identification of lung cancer | |
Jian et al. | Diagnosis of left ventricular hypertrophy using convolutional neural network | |
JP2000126178A (ja) | 立体表面形状定量化方法、及びこれを応用した悪性腫瘍自動識別方法 | |
CN114140399A (zh) | 用于脑肿瘤术中定性和边界定位的oct图像处理装置 | |
Anuradha et al. | Identification of Suspicious Regions to Detect Oral Cancers At An Earlier Stage-A Literature Survey | |
TWI755918B (zh) | 傷口評估方法 | |
Khasana et al. | Segmentation of breast using ultrasound image for detection breast cancer | |
Moghimi et al. | Automatic evaluation of pressure sore status by combining information obtained from high-frequency ultrasound and digital photography | |
CN109816665B (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
CN109003659A (zh) | 胃幽门螺旋杆菌感染病理诊断支持系统和方法 | |
Selvarasu et al. | Image processing techniques and neural networks for automated cancer analysis from breast thermographs-A review | |
Amini | Head circumference measurement with deep learning approach based on multi-scale ultrasound images | |
Salehi et al. | Investigation and simulation of different medical image processing algorithms to improve image quality using simulink matlab | |
Cudek et al. | Automatic system for classification of melanocytic skin lesions based on images recognition | |
Sarkar et al. | Review of Artificial Intelligence methods for detecting cancer in medical image processing | |
Yang et al. | Dermoscopic Image Classification of Pigmented Nevus under Deep Learning and the Correlation with Pathological Features |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220304 |
|
WW01 | Invention patent application withdrawn after publication |