CN114240846A - 降低医学图像病灶分割结果假阳率的系统及方法 - Google Patents

降低医学图像病灶分割结果假阳率的系统及方法 Download PDF

Info

Publication number
CN114240846A
CN114240846A CN202111394790.2A CN202111394790A CN114240846A CN 114240846 A CN114240846 A CN 114240846A CN 202111394790 A CN202111394790 A CN 202111394790A CN 114240846 A CN114240846 A CN 114240846A
Authority
CN
China
Prior art keywords
area
tissue
segmentation
medical image
lesion
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
Application number
CN202111394790.2A
Other languages
English (en)
Inventor
杨丽琴
罗啸
吴秋雯
胡斌
周书怡
耿辰
耿道颖
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.)
Huashan Hospital of Fudan University
Original Assignee
Huashan Hospital of Fudan University
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 Huashan Hospital of Fudan University filed Critical Huashan Hospital of Fudan University
Priority to CN202111394790.2A priority Critical patent/CN114240846A/zh
Publication of CN114240846A publication Critical patent/CN114240846A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10132—Ultrasound image
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明提供了一种降低医学图像病灶分割结果假阳率的系统及方法，包括：模块M1：获取医学图像；模块M2：利用分割技术对获取的医学图像进行组织分割和病灶分割，分别得到第一组织区域和第一病灶区域；模块M3：对第一组织区域进行膨胀操作，得到第二组织区域；模块M4：对第一病灶区域与第二组织区域进行假阳性降低处理，得到第二病灶区域，第二病灶区域为降低假阳率病灶检测分割结果。通过医学图像分割的解剖组织结构和病灶的空间膨胀和卷积方法，解决了病灶分割结果假阳率高的问题，取得了提高病灶诊断正确性与分割精准度的效果。

Description

降低医学图像病灶分割结果假阳率的系统及方法
技术领域
本发明涉及医学图像处理技术领域，具体地，涉及降低医学图像病灶分割结果假阳率的系统及方法。
背景技术
专利文献CN109859205B(申请号：201910133908.2)公开了一种斑块检测方法及设备，所述方法包括：获取血管影像的拉直图像和参考图像；利用分割技术对所述拉直图像进行斑块定位筛选，得到第一狭窄区域，所述第一狭窄区域为对应所述血管影像中斑块模糊定位的区域；创建所述参考图像的特征曲线；在所创建的所述参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，从而得到第二狭窄区域，所述第二狭窄区域为对应所述血管影像中斑块精准定位的区域。
专利文献CN108171698A(申请号：201810022147.9)公开了一种自动检测人体心脏冠脉钙化斑块的方法，包括步骤：S1、采用深度学习神经网络对冠脉CTA序列原始图进行分割，获得人体心脏冠脉提取图；S2、对人体心脏冠脉提取图进行处理，生成各分支血管的拉直图片；S3、对各拉直图片进行血管分割，获得各分支血管的拉直血管图；S4、调整窗宽窗位，对各拉直血管图计算其整幅图像的像素值，若其存在像素值大于220的像素点，则判定为存在钙化斑块，筛选出带有钙化斑块的拉直血管图；S5、将带有钙化斑块的拉直血管图转化为灰度图，对灰度值大于220的像素点填充颜色，获得钙化斑块提取结果；S6、计算血管狭窄率，获得量化值。
专利文献CN108765363A(申请号：201810248396.X)公开了一种基于人工智能的冠脉CTA自动后处理系统，包括：数据获取模块，所述数据获取模块从Dicom服务器中获取Dicom格式的原始图像序列；血管分割模块，所述血管分割模块对获取的原始图像序列进行血管分割，获得血管分割结果；中心线提取模块，所述中心线提取模块根据所述血管分割结果，提取血管中心线；血管分段模块，所述血管分段模块对提取出的血管中心线做分段处理，并对每个分段血管命名；图像后处理模块，所述图像后处理模块根据原始的原始图像序列及分段的血管中心线生成所需的医学图像；人机交互模块，输出所生成的医学图像结果。
以上现有技术中都是通过血管拉直重建后的直径，进行血管狭窄的判断、间接判断斑块病灶的存在和假阳性情况，而并不是直接针对斑块分割结果进行假阳性消除，方法复杂、容易造成病灶漏检。
专利文献CN111047609B(申请号：202010173149.5)公开了一种肺炎病灶分割方法和装置，解决了现有肺炎病灶分割方式的准确率低和效率低的问题。该肺炎病灶分割方法包括：基于图像语义分割模型预测出阳性层面的医学影像数据上的病灶区域；以及统计各平行层面的病灶面积，并结合各平行层面的病灶面积计算出病灶体积；其中，图像语义分割模型通过如下训练步骤建立：将全部已标记或部分已标记的样本数据输入病灶分割模型，以获得病灶分割模型输出的预测结果；基于病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域，从预测结果中筛除低级假阳区域以获得样本数据的伪标签，并加入未标记的样本数据；以及复查伪标签，并对标记的样本数据进行标记以更新已标记的样本数据。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种降低医学图像病灶分割结果假阳率的系统及方法。
根据本发明提供的一种降低医学图像病灶分割结果假阳率的系统，包括：
模块M1：获取医学图像；
模块M2：利用分割技术对获取的医学图像进行组织分割和病灶分割，分别得到第一组织区域和第一病灶区域；
模块M3：对第一组织区域进行膨胀操作得到第二组织区域；
模块M4：对第一病灶区域与第二组织区域进行假阳性降低处理，得到第二病灶区域，第二病灶区域为降低假阳率病灶检测分割结果。
优选地，所述医学图像是通过包括磁共振成像、计算机断层扫描成像、超声成像、正电子发射断层显像或病理切片扫描技术获取的图像。
优选地，在所述模块M2中，所述第一组织区域为对应医学图像中组织的分割区域。
在所述模块M2中，所述第一病灶区域为对应医学图像中病灶粗分割的区域。
所述分割技术采用人工、半自动分割技术或基于人工智能的全自动分割技术。
优选地，在所述模块M3中，
模块M3.1：提取第一组织区域在x,y,z三个方向分辨率，分别为rx,ry,rz；
模块M3.2：将第一组织区域T1延rx,ry,rz中最大值对应的方向逐层选取；
模块M3.3：将第i层组织分割区域ti作为第i层的膨胀卷积核ki，分割区域的几何中心为膨胀卷积核中心；
模块M3.4：将第i层组织分割区域ti与膨胀卷积核ki进行卷积运算，得到第i层膨胀后组织区域t'i；当第i层组织分割区域ti存在多个连通区域，则对每一个连通区域进行单独膨胀处理；
模块M3.6：最终得到的所有层的膨胀后组织区域为第二组织区域。
优选地，在所述模块M4中，将第一病灶区域覆盖到第二组织区域上，消除第一病灶区域中与第二组织区域没有任何重叠部分的区域，保留重叠部分得到第二病灶区域。
根据本发明提供的一种降低医学图像病灶分割结果假阳率的方法，包括：
步骤S1：获取医学图像；
步骤S2：利用分割技术对获取的医学图像进行组织分割和病灶分割，分别得到第一组织区域和第一病灶区域；
步骤S3：对第一组织区域进行膨胀操作得到第二组织区域；
步骤S4：对第一病灶区域与第二组织区域进行假阳性降低处理，得到第二病灶区域，第二病灶区域为降低假阳率病灶检测分割结果。
优选地，所述医学图像是通过包括磁共振成像、计算机断层扫描成像、超声成像、正电子发射断层显像或病理切片扫描技术获取的图像。
优选地，在所述步骤S2中，所述第一组织区域为对应医学图像中组织的分割区域。
在所述步骤S2中，所述第一病灶区域为对应医学图像中病灶粗分割的区域。
所述分割技术采用人工、半自动分割技术或基于人工智能的全自动分割技术。
优选地，在所述步骤S3中，
步骤S3.1：提取第一组织区域在x,y,z三个方向分辨率，分别为rx,ry,rz；
步骤S3.2：将第一组织区域T1延rx,ry,rz中最大值对应的方向逐层选取；
步骤S3.3：将第i层组织分割区域ti作为第i层的膨胀卷积核ki，分割区域的几何中心为膨胀卷积核中心；
步骤S3.4：将第i层组织分割区域ti与膨胀卷积核ki进行卷积运算，得到第i层膨胀后组织区域t'i；当第i层组织分割区域ti存在多个连通区域，则对每一个连通区域进行单独膨胀处理；
步骤S3.6：最终得到的所有层的膨胀后组织区域为第二组织区域。
优选地，在所述步骤S4中，将第一病灶区域覆盖到第二组织区域上，消除第一病灶区域中与第二组织区域没有任何重叠部分的区域，保留重叠部分得到第二病灶区域。
与现有技术相比，本发明具有如下的有益效果：通过医学图像分割的解剖组织结构和病灶的空间膨胀和卷积方法，解决了病灶分割结果假阳率高的问题，取得了提高病灶诊断正确性与分割精准度的效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为降低医学图像病灶分割结果假阳率的方法流程图。
图2为降低医学图像病灶分割结果假阳率的系统处理图像示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
本发明提供一种降低医学图像病灶分割结果假阳率的方法，如图1至2所示，包括：
步骤S1：获取医学图像I；
步骤S2：通过分割技术对医学图像进行分割，得到第一组织区域T1和第一病灶区域L1；
步骤S3：对第一组织区域T1进行膨胀操作，得到第二组织区域T2；
步骤S4：将第一病灶区域L1覆盖到第二组织区域T2上，保留重叠部分得到第二病灶区域L2，即为所述降低假阳率病灶检测分割结果。
所述第二病灶区域L2为医学图像中，进行假阳性率降低处理的精确分割的病灶区域。
其中，图2(a)为原始图像；图2(b)为第一组织区域；图2(c)为第一病灶区域；图2(d)为第二组织区域与第一病灶区域；图2(e)为第二病灶区域。
具体地，所述医学图像I包括由磁共振成像、计算机断层扫描成像、超声成像、正电子发射断层显像或病理切片扫描等技术获取的图像。
具体地，所述第一组织区域T1为对应所述医学图像中组织的分割区域，所述第一病灶区域L1为对应所述医学图像中病灶粗分割的区域。所述分割技术，包括基于计算机辅助技术的具有专业知识与资质的医疗工作者人工或半自动分割技术、基于人工智能的全自动分割技术等。
具体地，第一组织区域T1进行膨胀操作，将其直径扩大至原本的两倍，得到第二组织区域T2。
具体地，所述膨胀操作包括以下步骤：
步骤S3.1：提取第一组织区域T1在x,y,z三个方向分辨率，分别为rx,ry,rz；
步骤S3.2：将第一组织区域T1延rx,ry,rz中最大值对应的方向逐层选取；
步骤S3.3：将第i层组织分割区域ti作为该层的膨胀卷积核ki，分割区域的几何中心为膨胀卷积核中心；
步骤S3.4：将该层组织分割区域ti与膨胀卷积核ki进行卷积运算，得到该层膨胀后组织区域t'i；
如果步骤S3.3和步骤S3.4中的ti存在多个连通区域，则对每一个连通区域进行单独膨胀处理；
步骤S3.5：最终得到所有层的膨胀后组织区域，即第二组织区域T2。
具体地，步骤S4采用：将所述第一病灶区域L1覆盖到所述第二组织区域T2上；消除第一病灶区域L1中与第二组织区域T2没有任何重叠部分的区域；保留第一病灶区域L1中与第二组织区域T2有重叠部分的连通域，即为第二病灶区域L2。
本发明提供一种降低医学图像病灶分割结果假阳率的系统，包括：
模块M1：获取医学图像I；
模块M2：通过分割技术对医学图像进行分割，得到第一组织区域T1和第一病灶区域L1；
模块M3：对第一组织区域T1进行膨胀操作，得到第二组织区域T2；
模块M4：将第一病灶区域L1覆盖到第二组织区域T2上，保留重叠部分得到第二病灶区域L2，即为所述降低假阳率病灶检测分割结果。
所述第二病灶区域L2为医学图像中，进行假阳性率降低处理的精确分割的病灶区域。
具体地，所述医学图像I包括由磁共振成像、计算机断层扫描成像、超声成像、正电子发射断层显像或病理切片扫描等技术获取的图像。
具体地，所述第一组织区域T1为对应所述医学图像中组织的分割区域，所述第一病灶区域L1为对应所述医学图像中病灶粗分割的区域。所述分割技术，包括基于计算机辅助技术的具有专业知识与资质的医疗工作者人工或半自动分割技术、基于人工智能的全自动分割技术等。
具体地，第一组织区域T1进行膨胀操作，将其直径扩大至原本的两倍，得到第二组织区域T2。
具体地，所述膨胀操作包括以下步骤：
模块M3.1：提取第一组织区域T1在x,y,z三个方向分辨率，分别为rx,ry,rz；
模块M3.2：将第一组织区域T1延rx,ry,rz中最大值对应的方向逐层选取；
模块M3.3：将第i层组织分割区域ti作为该层的膨胀卷积核ki，分割区域的几何中心为膨胀卷积核中心；
模块M3.4：将该层组织分割区域ti与膨胀卷积核ki进行卷积运算，得到该层膨胀后组织区域t'i；
如果模块M3.3和模块M3.4中的ti存在多个连通区域，则对每一个连通区域进行单独膨胀处理；
模块M3.5：最终得到所有层的膨胀后组织区域，即第二组织区域T2。
具体地，模块M4采用：将所述第一病灶区域L1覆盖到所述第二组织区域T2上；消除第一病灶区域L1中与第二组织区域T2没有任何重叠部分的区域；保留第一病灶区域L1中与第二组织区域T2有重叠部分的连通域，即为第二病灶区域L2。
本发明通过医学图像分割的解剖组织结构和病灶的空间膨胀和卷积方法，解决了病灶分割结果假阳率高的问题，取得了提高病灶诊断正确性与分割精准度的效果。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种降低医学图像病灶分割结果假阳率的系统，其特征在于，包括：
模块M1：获取医学图像；
模块M2：利用分割技术对获取的医学图像进行组织分割和病灶分割，分别得到第一组织区域和第一病灶区域；
模块M3：对第一组织区域进行膨胀操作得到第二组织区域；
模块M4：对第一病灶区域与第二组织区域进行假阳性降低处理，得到第二病灶区域，第二病灶区域为降低假阳率病灶检测分割结果。
2.根据权利要求1所述的降低医学图像病灶分割结果假阳率的系统，其特征在于，所述医学图像是通过包括磁共振成像、计算机断层扫描成像、超声成像、正电子发射断层显像或病理切片扫描技术获取的图像。
3.根据权利要求1所述的降低医学图像病灶分割结果假阳率的系统，其特征在于，在所述模块M2中，所述第一组织区域为对应医学图像中组织的分割区域。
在所述模块M2中，所述第一病灶区域为对应医学图像中病灶粗分割的区域。
所述分割技术采用人工、半自动分割技术或基于人工智能的全自动分割技术。
4.根据权利要求1所述的降低医学图像病灶分割结果假阳率的系统，其特征在于，在所述模块M3中，
模块M3.1：提取第一组织区域在x,y,z三个方向分辨率，分别为rx,ry,rz；
模块M3.2：将第一组织区域T1延rx,ry,rz中最大值对应的方向逐层选取；
模块M3.3：将第i层组织分割区域ti作为第i层的膨胀卷积核ki，分割区域的几何中心为膨胀卷积核中心；
模块M3.4：将第i层组织分割区域ti与膨胀卷积核ki进行卷积运算，得到第i层膨胀后组织区域t'i；当第i层组织分割区域ti存在多个连通区域，则对每一个连通区域进行单独膨胀处理；
模块M3.6：最终得到的所有层的膨胀后组织区域为第二组织区域。
5.根据权利要求1所述的降低医学图像病灶分割结果假阳率的系统，其特征在于，在所述模块M4中，将第一病灶区域覆盖到第二组织区域上，消除第一病灶区域中与第二组织区域没有任何重叠部分的区域，保留重叠部分得到第二病灶区域。
6.一种降低医学图像病灶分割结果假阳率的方法，其特征在于，包括：
步骤S1：获取医学图像；
步骤S2：利用分割技术对获取的医学图像进行组织分割和病灶分割，分别得到第一组织区域和第一病灶区域；
步骤S3：对第一组织区域进行膨胀操作得到第二组织区域；
步骤S4：对第一病灶区域与第二组织区域进行假阳性降低处理，得到第二病灶区域，第二病灶区域为降低假阳率病灶检测分割结果。
7.根据权利要求6所述的降低医学图像病灶分割结果假阳率的方法，其特征在于，所述医学图像是通过包括磁共振成像、计算机断层扫描成像、超声成像、正电子发射断层显像或病理切片扫描技术获取的图像。
8.根据权利要求6所述的降低医学图像病灶分割结果假阳率的方法，其特征在于，在所述步骤S2中，所述第一组织区域为对应医学图像中组织的分割区域。
在所述步骤S2中，所述第一病灶区域为对应医学图像中病灶粗分割的区域。
所述分割技术采用人工、半自动分割技术或基于人工智能的全自动分割技术。
9.根据权利要求6所述的降低医学图像病灶分割结果假阳率的方法，其特征在于，在所述步骤S3中，
步骤S3.1：提取第一组织区域在x,y,z三个方向分辨率，分别为rx,ry,rz；
步骤S3.2：将第一组织区域T1延rx,ry,rz中最大值对应的方向逐层选取；
步骤S3.3：将第i层组织分割区域ti作为第i层的膨胀卷积核ki，分割区域的几何中心为膨胀卷积核中心；
步骤S3.4：将第i层组织分割区域ti与膨胀卷积核ki进行卷积运算，得到第i层膨胀后组织区域t'i；当第i层组织分割区域ti存在多个连通区域，则对每一个连通区域进行单独膨胀处理；
步骤S3.6：最终得到的所有层的膨胀后组织区域为第二组织区域。
10.根据权利要求6所述的降低医学图像病灶分割结果假阳率的方法，其特征在于，在所述步骤S4中，将第一病灶区域覆盖到第二组织区域上，消除第一病灶区域中与第二组织区域没有任何重叠部分的区域，保留重叠部分得到第二病灶区域。
CN202111394790.2A 2021-11-23 2021-11-23 降低医学图像病灶分割结果假阳率的系统及方法 Pending CN114240846A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111394790.2A CN114240846A (zh) 2021-11-23 2021-11-23 降低医学图像病灶分割结果假阳率的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111394790.2A CN114240846A (zh) 2021-11-23 2021-11-23 降低医学图像病灶分割结果假阳率的系统及方法

Publications (1)

Publication Number Publication Date
CN114240846A true CN114240846A (zh) 2022-03-25

Family

ID=80750566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111394790.2A Pending CN114240846A (zh) 2021-11-23 2021-11-23 降低医学图像病灶分割结果假阳率的系统及方法

Country Status (1)

Country Link
CN (1) CN114240846A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049642A (zh) * 2022-08-11 2022-09-13 合肥合滨智能机器人有限公司 一种颈动脉血管内中膜测量与斑块检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049642A (zh) * 2022-08-11 2022-09-13 合肥合滨智能机器人有限公司 一种颈动脉血管内中膜测量与斑块检测方法

Similar Documents

Publication Publication Date Title
CN111784671B (zh) 基于多尺度深度学习的病理图像病灶区域检测方法
CN110930421B (zh) 一种用于cbct牙齿图像的分割方法
US10997466B2 (en) Method and system for image segmentation and identification
US10991091B2 (en) System and method for an automated parsing pipeline for anatomical localization and condition classification
CN111882560B (zh) 一种基于加权全卷积神经网络的肺实质ct图像分割方法
Bouraoui et al. 3D segmentation of coronary arteries based on advanced mathematical morphology techniques
CN111667456B (zh) 一种冠状动脉x光序列造影中血管狭窄检测方法及装置
CN107203989A (zh) 基于全卷积神经网络的端对端胸部ct图像分割方法
CN110110723B (zh) 一种图像中目标区域自动提取的方法及装置
CN112734755A (zh) 基于3d全卷积神经网络与多任务学习的肺叶分割方法
Chen et al. A lung dense deep convolution neural network for robust lung parenchyma segmentation
CN113744183A (zh) 肺结节检测方法及系统
Feng et al. Deep learning for chest radiology: a review
Dovganich et al. Automatic out-of-distribution detection methods for improving the deep learning classification of pulmonary X-ray images
CN114240846A (zh) 降低医学图像病灶分割结果假阳率的系统及方法
Goutham et al. Automatic localization of landmarks in cephalometric images via modified U-Net
AU2020223750B2 (en) Method and System for Image Annotation
Pal et al. A fully connected reproducible SE-UResNet for multiorgan chest radiographs segmentation
CN117523204A (zh) 面向医疗场景的肝脏肿瘤图像分割方法、装置和可读存储介质
CN113744201B (zh) Ct切片图像的处理方法、装置、设备和ct扫描仪
Wen et al. A novel lesion segmentation algorithm based on U-Net network for Tuberculosis CT image
CN115294023A (zh) 肝脏肿瘤自动分割方法及装置
Nasim et al. Review on multimodality of different medical image fusion techniques
Cakir et al. Automated Aortic Valve Calcific Area Segmentation in Echocardiography Images Using Fully Convolutional Neural Networks
US20220414882A1 (en) Method for automatic segmentation of coronary sinus

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