CN114782712A - 基于医学影像的特征处理方法、装置、设备及介质 - Google Patents

基于医学影像的特征处理方法、装置、设备及介质 Download PDF

Info

Publication number
CN114782712A
CN114782712A CN202210476269.1A CN202210476269A CN114782712A CN 114782712 A CN114782712 A CN 114782712A CN 202210476269 A CN202210476269 A CN 202210476269A CN 114782712 A CN114782712 A CN 114782712A
Authority
CN
China
Prior art keywords
focus
region
texture
sub
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
CN202210476269.1A
Other languages
English (en)
Inventor
刘晶
彭成宝
陈慧婷
张霞
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.)
Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Original Assignee
Shenyang Neusoft Intelligent Medical Technology Research Institute 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 Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd filed Critical Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Priority to CN202210476269.1A priority Critical patent/CN114782712A/zh
Publication of CN114782712A publication Critical patent/CN114782712A/zh
Pending legal-status Critical Current

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种基于医学影像的特征处理方法、装置、设备及介质。该方法包括：确定医学影像的病灶区域内提取的每一病灶子区域的初始纹理特征，以及所述病灶区域对应的代表性纹理特征；根据每一所述病灶子区域面向所述代表性纹理特征的纹理特征值，确定各所述病灶子区域间的连通关系；基于所述连通关系，组合各所述病灶子区域的初始纹理特征，得到所述病灶区域的连通纹理特征。本申请实现对病灶区域内部特征的相关性分析，确保病灶区域内纹理特征的全面有效性，解决现有技术中病灶区域内的纹理特征提取不够全面的问题，进一步提高医学影像内病灶分类的准确率。

Description

基于医学影像的特征处理方法、装置、设备及介质
技术领域
本申请实施例涉及图像处理技术领域，具体涉及一种基于医学影像的特征处理方法、装置、设备及介质。
背景技术
近年来，在医学影像中识别出某一病灶时，为了准确分析病灶的恶化程度，通常会提取从医学影像的病灶区域内提取相应的纹理特征，以定量分析病灶区域内的组织结构异质性，从而发掘病灶区域的恶化程度。
目前，对于医学影像内的病灶区域，通常会采用多尺度平稳小波变换(StationaryWavelet Transform，简称为SWT)的算法对该病灶区域进行不同尺度下的分解和重构，得到在水平和垂直方向下多分辨率多层次的纹理特征图。但是，现有的特征处理主要是从整个病灶区域提取纹理特征，而缺乏对病灶区域内部特征之间的相关性分析，无法全面有效的提取病灶区域内的纹理特征，进而导致对于分析病灶恶化程度的准确率降低。
发明内容
本申请提供一种基于医学影像的特征处理方法、装置、设备及存储介质，按照病灶区域内各个病灶子区域间的连通情况，实现对病灶区域内部特征的相关性分析，确保病灶区域内纹理特征的全面有效性，从而提高医学影像内病灶分类的准确率。
第一方面，本申请实施例提供了一种基于医学影像的特征处理方法，该方法包括：
确定医学影像的病灶区域内提取的每一病灶子区域的初始纹理特征，以及所述病灶区域对应的代表性纹理特征；
根据每一所述病灶子区域面向所述代表性纹理特征的纹理特征值，确定各所述病灶子区域间的连通关系；
基于所述连通关系，组合各所述病灶子区域的初始纹理特征，得到所述病灶区域的连通纹理特征。
第二方面，本申请实施例提供了一种基于医学影像的特征处理装置，该装置包括：
纹理特征分析模块，用于确定医学影像的病灶区域内提取的每一病灶子区域的初始纹理特征，以及所述病灶区域对应的代表性纹理特征；
连通确定模块，用于根据每一所述病灶子区域面向所述代表性纹理特征的纹理特征值，确定各所述病灶子区域间的连通关系；
连通特征处理模块，用于基于所述连通关系，组合各所述病灶子区域的初始纹理特征，得到所述病灶区域的连通纹理特征。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：
处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行本申请第一方面中提供的基于医学影像的特征处理方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序使得计算机执行如本申请第一方面中提供的基于医学影像的特征处理方法。
第五方面，本申请实施例提供了一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如本申请第一方面中提供的基于医学影像的特征处理方法。
本申请实施例提供的一种基于医学影像的特征处理方法、装置、设备及介质，首先从医学影像的病灶区域内提取出各个病灶子区域，并确定每一病灶子区域的初始纹理特征和该病灶区域对应的代表性纹理特征，然后根据每一病灶子区域面向该代表性纹理特征的纹理特征值，确定各病灶子区域间的连通关系，并基于该连通关系，组合各个病灶子区域的初始纹理特征，得到病灶区域的连通纹理特征，从而实现对病灶区域内部特征的相关性分析，确保病灶区域内纹理特征的全面有效性，解决现有技术中病灶区域内的纹理特征提取不够全面的问题，进一步提高医学影像内病灶分类的准确率。
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，对于本领域普通技术人员来讲，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为本申请实施例示出的一种基于医学影像的特征处理方法的流程图；
图2为本申请实施例示出的在病灶区域内提取病灶子区域的示意图；
图3为本申请实施例示出的病灶区域内各病灶子区域连通情况的示意图；
图4为本申请实施例示出的另一种基于医学影像的特征处理方法的流程图；
图5为本申请实施例示出的病灶子区域的初始纹理特征提取过程的示意图；
图6为本申请实施例示出的病灶区域的代表性纹理特征确定过程的示意图；
图7为本申请实施例示出的一种基于医学影像的特征处理装置的原理框图；
图8是本申请实施例提供的电子设备的示意性框图。
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，本领域普通技术人员在没有做出创造性劳动的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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请适用于通过纹理分析来辅助挖掘病灶内部潜在特征的各种医学影像内。考虑到医学影像内现有的特征处理主要是从医学影像内的整个病灶区域提取纹理特征，缺乏对病灶区域内部特征之间的相关性分析，从而导致病灶区域的纹理特征不够全面。因此，本申请设计了一种对医学影像内的病灶区域进行纹理特征全面提取的方法，通过为病灶区域划分出多个病灶子区域，然后对各个病灶子区域间的纹理特征进行相关性分析，以组合得到病灶区域的纹理特征，从而确保病灶区域内纹理特征的全面有效性，进一步提高医学影像内病灶分类的准确率。
图1为本申请实施例示出的一种基于医学影像的特征处理方法的流程图。参照图1，该方法具体可以包括如下步骤：
S110，确定医学影像的病灶区域内提取的每一病灶子区域的初始纹理特征，以及病灶区域对应的代表性纹理特征。
根据各种病灶相关的医学实验和医学理论基础，可知不同类型病灶在相应的病灶区域内会存在不同的纹理分析价值。因此，在对任一医学影像内的病灶纹理特征进行分析时，首先会根据医学影像内的病灶标注情况，从该医学影像中分割出对应的病灶区域。
示例性的，本申请中的医学影像可以为二维图像，也可以为三维图像，对此不作限定。如果医学影像为二维图像，那么直接执行后续病灶特征分析处理即可。然而，如果医学影像为三维图像，那么首先需要根据医学影像的各个维度方向，将某一特定维度方向上的像素特征进行均值处理，从而对该医学影像进行二维化处理，使得医学影像转换为二维图像，后续对于转换后的二维图像执行相应的病灶特征分析处理。此时，对于任一二维化的医学影像，通过病灶分析处理可以在该医学影像内进行对应的病灶标注。然后，对病灶标注后的医学影像进行二值化处理，以准确突显出医学影像内的病灶轮廓，得到二值化后的标注图像。最后，对该医学影像和二值化后的标注图像进行像素灰度处理，即可从医学影像内提取出对应的病灶区域。
作为本申请中的一种可选实现方案，为了准确分析病灶区域内部特征之间的相关性，可以根据相关病灶的医学临床实验和医学理论基础，确定出预先设定的病灶区域内存在纹理分析价值的区域划分标准。进而，按照该病灶区域内设定的区域划分标准，即可从该病灶区域内进一步提取出多个具有纹理分析价值的病灶子区域，以便后续通过对各个病灶子区域进行纹理特征分析，来分析病灶区域的内部特征间的纹理相关性。如图2所示，对于任一医学影像内的病灶区域mi，可以在mi内提取出具有纹理分析价值的k个感兴趣区域，也就是本申请中的病灶子区域R＝{ri1,ri2,L,rik}。然后，通过对每一病灶子区域进行纹理特征分析，即可得到每一病灶子区域的初始纹理特征。
同时，考虑到造成同一类型病灶的因素存在一定的共性，因此病灶区域也会存在一些能够表示该病灶区域与其他区域之间的显著性差异的纹理特征，也就是本申请中的代表性纹理特征。
在本申请中，可以预先获取大量与该医学影像存在相同类型病灶的医疗图像数据集P＝{p1,p2,L,pn}。然后，采用与本申请中的病灶区域内每一病灶子区域相同的纹理特征提取方式，分别分析该数据集P内每一医疗图像的病灶区域，并从该病灶区域内的每一病灶子区域中提取出对应的初始纹理特征。进而，通过对该数据集P内每一医疗图像的病灶区域内的每一病灶子区域的初始纹理特征进行纹理特征显著性分析，从而筛选出最能够表示该病灶区域与其他区域间的纹理差异的前几个初始纹理特征，作为该病灶区域的代表性纹理特征。
S120，根据每一病灶子区域面向代表性纹理特征的纹理特征值，确定各病灶子区域间的连通关系。
在确定出医学影像的病灶区域内每一病灶子区域的初始纹理特征后，考虑到病灶区域的代表性纹理特征能够突出表示病灶区域与其他区域之间的显著性差异。因此，为了准确衡量病灶区域的内部特征之间的相关性，本申请可以分别对每一病灶子区域的初始纹理特征和该代表性纹理特征进行特征分析，从而计算出每一病灶子区域面向该代表性纹理特征的纹理特征值，该纹理特征值能够表示每一病灶子区域的初始纹理特征在该代表性纹理特征上表现出的信息量高低。此时，按照各个病灶子区域在病灶区域内所处的实际位置，来组合各个病灶子区域的纹理特征值，即可得到该病灶区域对应的特征值矩阵。
然后，在该病灶区域对应的特征值矩阵内，通过判断各个病灶子区域在该特征值矩阵内是否相连以及各个病灶子区域的纹理特征值是否相同，即可确定出各病灶子区域间的连通关系。其中，如果任意两个病灶子区域在特征值矩阵内存在公用边或者公用角，那么可以确定这两个病灶子区域相连。例如，如果该病灶区域对应的特征值矩阵内任一病灶子区域的纹理特征值与其周围相连的8个其他病灶子区域内某一病灶子区域的纹理特征值相同，那么确定两者连通。
示例性的，对于图3中所示的特征值矩阵，可以确定纹理特征值为5的4个位置相连的病灶子区域连通，而且纹理特征值为3的2个位置相连的病灶子区域连通。
S130，基于连通关系，组合各病灶子区域的初始纹理特征，得到病灶区域的连通纹理特征。
在确定病灶区域内各个病灶子区域间的连通关系后，考虑到连通的病灶子区域的纹理特征之间存在一定的共性，因此如图3所示，本申请可以将已连通的相应病灶子区域的依次初始纹理特征合并在一起，从而得到该病灶区域的连通纹理特征。此时，在该连通纹理特征内，能够将具有共性纹理特征的各个病灶子区域的初始纹理特征紧密排列在一起，来全面有效的表示该病灶区域内部特征间的相关性，确保病灶区域的连通纹理特征的准确性。
此外，为了对病灶区域的等级进行准确分类，本申请可以获取到与本申请中医学影像内病灶区域的纹理分析价值匹配的大量历史医学影像，作为相应的训练样本。然后，采用上述病灶区域的连通纹理特征的纹理特征处理方式，可以从每一训练样本内提取出对应的样本病灶区域，并确定每一训练样本内样本病灶区域的连通纹理特征。进而，在初始的深度残差网络(Deep residual network，简称为ResNet)上，采用每一训练样本内样本病灶区域的连通纹理特征对该ResNet网络进行训练，即可构建出本申请中的病灶分类模型，用于识别任一医学影像内病灶区域的等级。
其中，本申请的ResNet网络通过短路机制加入了残差单元，形成了残差学习。因为基于不同参数下特征提取时特征的可扩展性和特征维数爆炸的问题，网络参数的增加会造成梯度爆炸、消失，而导致模型不能收敛。因此，该ResNet网络允许其可以尽可能的加深，但其将输入中的一部分数据不经过卷积网络，直接送入到输出，保留一部分原始信息，这种结构有效防止了反向传播时的梯度弥散问题，从而使得网络深度可以达到上百层甚至更深，也解决了特征维数爆炸的问题。又因为病灶子区域及分类远远少于ResNet网络，因此将ResNet网络作为基础架构，将网络深度进行了降低，卷积核大小进行了减小。此时，卷积层的参数设置分别可以为16@3×3、16@2×2和32@2×2，且步长均为1，并使用线性修正单元(Rectified Liner Units，简称为ReLu)作为激活函数。卷积神经网络通过结合二维的连通纹理特征的局部感知区域、共享权重、在空间上充分利用数据本身包含的连通局部性等特征，通过卷积操作提取二维的连通纹理特征的各种不同的局部特征和连通纹理特征的连通边缘、轮廓特征，可有效提取到共性特征内部和外部区域特征之间的关系，为判别病灶等级提供更有利的信息。池化层采用2×2，步长为2的最大池化，池化层的作用是在语义上把相似的特征合并起来，主要提取二维特征连通的纹理、边缘等。池化层通过池化操作使得特征对噪声和异常特征值具有很好的抑制性。池化层底层提取的信息通过神经元连接传递到下一层，逐渐传递到高层，进而提取到病灶区域的连通纹理特征最本质的结构信息。两个全连接的节点个数分别为64和32，并在训练时使用丢弃层(Dropout)随机忽略一部分神经元，同时可以避免过拟合，最后使用逻辑回归(softmax)算法输出分类结果。全连接层每个神经元与其前一层进行全连接，该层将前期所提取的各种局部特征综合起来，最后通过输出层得到每个类别的后验概率。
因此，在采用上述方式构建出病灶分类模型后，可以将本申请中医学影像内病灶区域的连通纹理特征输入到所构建病灶分类模型中，通过该病灶分类模型对该病灶区域的连通纹理特征进行相应的分析，从而输出该医学影像内的病灶分类结果，进一步提高病灶等级分析的准确性。
本申请实施例提供的技术方案，首先从医学影像的病灶区域内提取出各个病灶子区域，并确定每一病灶子区域的初始纹理特征和该病灶区域对应的代表性纹理特征，然后根据每一病灶子区域面向该代表性纹理特征的纹理特征值，确定各病灶子区域间的连通关系，并基于该连通关系，组合各个病灶子区域的初始纹理特征，得到病灶区域的连通纹理特征，从而实现对病灶区域内部特征的相关性分析，确保病灶区域内纹理特征的全面有效性，解决现有技术中病灶区域内的纹理特征提取不够全面的问题，进一步提高医学影像内病灶分类的准确率。
作为本申请实施例中的一种可选实现方案，本申请可以对上述每一步骤进行详细的示例性说明。图4为本申请实施例示出的另一种基于医学影像的特征处理方法的流程图。如图4所示，该方法具体可以包括如下步骤：
S410，基于医学影像内病灶区域的纹理分析价值，从病灶区域内提取出各病灶子区域；对每一病灶子区域进行多级平稳小波变换，得到该病灶子区域的初始纹理特征。
在对病灶区域内各个病灶子区域进行纹理特征分析时，本申请首先可以根据相关病灶的医学临床实验和医学理论基础，确定出由有经验的医学实验人员预先设定的病灶区域内存在纹理分析价值的区域划分标准。进而，按照该病灶区域内设定的区域划分标准，即可从该病灶区域内进一步提取出多个具有纹理分析价值的病灶子区域。
然后，考虑到多尺度平稳小波变换SWT算法能够对输入图像进行不同尺度水平和垂直方向多分辨率多层次的特征分解，从而将图片信息一层一层分解剥离开来，不仅符合视觉系统感受野细胞结构，而且可以获得深层次频率域和空间域的最佳联合分辨率，非常适合用于图像纹理的表示和判别。因此，本申请在从病灶区域中提取出各个病灶子区域后，可以通过对每一病灶子区域多级平稳小波变换，来提取每一病灶子区域的初始纹理特征。
示例性的，如图5所示，对于每一病灶子区域rij(1≤j≤k)，可以进行n级的二维SWT分解。此时，在每一分解级下，病灶子区域可以被分解为低频分量LL、水平高频分量LH、垂直高频分量HL和对角线高频分量HH这4个频带。考虑到LH、HL和HH表示的水平、垂直和对角方向分解的高频分量可以表达病灶子区域与其他区域存在明显纹理特征差异的显著性信息，因此在每一分解级下继续对下一级进行SWT分解时，可以仅对该分解级下的LL低频分量继续进行SWT分解，依次循环，直至对病灶子区域完成n级的SWT分解。然后，通过提取该病灶子区域在分解后每一分解级下的各个频率分量下的影像组学纹理特征，从而得到该病灶子区域的初始纹理特征，此时该初始纹理特征是一个纹理向量。
对每一病灶子区域均执行上述步骤，即可得到每一病灶子区域的初始纹理特征。
S420，获取与医学影像内病灶区域的纹理分析价值匹配的历史医学影像，作为对应的训练样本；从每一训练样本的样本病灶区域内，提取出对应的样本病灶子区域，并确定每一样本病灶子区域的初始纹理特征；对各样本病灶子区域的初始纹理特征进行特征筛选，得到病灶区域对应的代表性纹理特征。
为了准确分析病灶区域内能够表示该病灶区域与其他区域之间的显著性差异的纹理特征，本申请可以按照采集大量与该医学影像内病灶区域存在相同的纹理分析价值的历史医学影像，例如与该医学影像存在相同类型病灶的医疗图像数据集P＝{p1,p2,L,pn}，作为本申请中的训练样本。然后，从每一训练样本pi内提取出对应的样本病灶区域mi，并从该样本病灶区域mi内提取出多个样本病灶子区域rij。进而，采用上述提取医学影像的病灶区域内每一病灶子区域的初始纹理特征的相同步骤，即可确定出每一样本病灶子区域rij的初始纹理特征tij。
然后，为了对每一训练样本内各个样本病灶子区域的初始纹理特征间的相关性进行分析，本申请可以对每一训练样本内的样本病灶区域mi内各个样本病灶子区域rij的横向相关性和位置关系，或者纵向相关性和位置关系进行分析，并将每一样本病灶区域mi内各个样本病灶子区域rij的初始纹理特征统一排列成对应的二维纹理特征，也就是
Figure BDA0003625698420000091
进而，通过分析
Figure BDA0003625698420000092
内任意两个初始纹理特征之间的相似程度，来分析各个样本病灶子区域rij的初始纹理特征之间的相关性。然后，按照各个样本病灶子区域的初始纹理特征之间的相关性，可以从各个样本病灶子区域的初始纹理特征中，筛选出与其他纹理特征间的特征差异较大的多个初始纹理特征，作为本申请中病灶区域对应的代表性纹理特征。
作为本申请中的一种可选实现方案，对各样本病灶子区域的初始纹理特征进行特征筛选，得到病灶区域对应的代表性纹理特征，可以具体为：针对每一训练样本的样本病灶区域，基于该样本病灶区域内每两个样本病灶子区域间的纹理特征相似度，从该样本病灶区域内各样本病灶子区域间的初始纹理特征中，筛选出该训练样本对应的差异纹理特征；基于每一差异纹理特征在各训练样本下的被筛选总次数，确定病灶区域对应的代表性纹理特征。
也就是说，对于每一训练样本的样本病灶区域mi，本申请均可以通过比较任意两个样本病灶子区域的初始纹理特征之间的皮尔逊相关系数的绝对值大小，来衡量这两个样本病灶子区域的初始纹理特征之间的相关性程度。
示例性的，对于每一训练样本的样本病灶区域mi内合并排列后的整体纹理特征
Figure BDA0003625698420000093
可以通过下述公式来计算其内任意两个初始纹理特征
Figure BDA0003625698420000094
和
Figure BDA0003625698420000095
之间的皮尔逊相关系数：
Figure BDA0003625698420000096
然后，在计算出
Figure BDA0003625698420000097
内任意两个初始纹理特征
Figure BDA0003625698420000098
和
Figure BDA0003625698420000099
之间的皮尔逊相关系数后，可以对各个皮尔逊相关系数(ρi12,ρi13,L,ρik-1,k)按照从大到小的顺序排列，以此表示两个初始纹理特征之间的相关性程度。然后，排除靠前的皮尔逊相关系数大于预设阈值H的各个初始纹理特征，保留剩余的相关性程度较小的各个初始纹理特征，作为本申请中该样本病灶区域内与其他样本病灶子区域存在特征差异的各个样本病灶子区域的差异纹理特征，可以记为
Figure BDA0003625698420000101
其中c为对各个样本病灶子区域的初始纹理特征进行初步特征筛选后的特征维度，从而可在各个样本病灶子区域内筛选出具有内部结构差异的初始纹理特征，且把纹理特征的维数降到一个相对小的规模。
可选的，为了确保差异纹理特征的准确性，本申请在采用皮尔逊相关系数对各个样本病灶子区域的初始纹理特征进行初步的特征筛选后，还会进一步采用最小绝对收缩和选择算子lasso再次对初步筛选后得到的差异纹理特征进行二次特征筛选，此时所使用的损失函数为：
Figure BDA0003625698420000102
其中，y为样本标签，α为正则化系数，L1范数可促进特征的稀疏性，避免过度拟合。此时，各个样本病灶子区域经过二次特征筛选后的差异纹理特征可以记为：
Figure BDA0003625698420000103
其中r为对各个样本病灶子区域的初始纹理特征进行二次特征筛选后的特征维度。
最后，对于训练样本的数据集P＝{p1,p2,L,pn}内每一训练样本内样本病灶区域内的各个样本病灶子区域rij，均执行上述的特征筛选步骤。然后，计算特征筛选后剩余的每一差异纹理特征在各个训练样本下总共出现的次数，作为本申请中每一差异纹理特征的被筛选总次数。进而，按照剩余的各个差异纹理特征的被筛选总次数，可以筛选出总次数最高的前几个差异纹理特征，作为该病灶区域对应的代表性纹理特征，用于代表病灶区域内各病灶子区域中最优显著性意义的纹理特征。例如，如图6所示，本申请可以从二次特征筛选后的差异纹理特征
Figure BDA0003625698420000104
中筛选出被筛选总次数最高的前5个差异纹理特征，作为本申请中该病灶区域的代表性纹理特征F＝{f1,f2,f3,f4,f5}。
需要说明的是，本申请中S410和S420之间不存在先后的执行顺序，可以同时执行，也可以依次执行，本申请对此不作限定。
S430，利用预设定的区间特征阈值，对每一病灶子区域面向代表性纹理特征的纹理特征值进行转换，得到每一病灶子区域转换后的纹理特征值。
作为本申请中的一种可选实现方案，由于病灶区域的代表性纹理特征有多个，且各个代表性纹理特征所表示的该病灶区域与其他区域间的纹理差异的显著性程度不同。因此，本申请在代表性纹理特征的筛选过程中，已经按照各个代表性纹理特征对于病灶区域与其他区域间纹理特征的显著性程度的优劣顺序，对各个代表性纹理特征进行排序。而且，在代表性纹理特征的筛选过程中，已经计算出每一病灶子区域的初始纹理特征在当前的代表性纹理特征下的纹理特征值，此时可以直接获取每一病灶子区域在当前的代表性纹理特征下的纹理特征值，以便后续利用预设定的区间特征阈值对其进行特征值转换。
由于各个病灶子区域的纹理特征值较为分散，因此为了确保病灶区域的连通准确性，本申请可以针对各个病灶子区域的纹理特征值预先设定一个对应的区间特征阈值。例如，如果各个病灶子区域的纹理特征值为0到100之间的数值，那么可以设定处于(0，10)区间内的纹理特征值能够转换为该区域的特征阈值1，处于(11，20)区间内的纹理特征值能够转换为该区域的特征阈值2，以此类推，即可将各个区间内的纹理特征值转换为该区域统一的特征阈值，以便于后续按照各个病灶子区域的纹理特征值对其进行连通判断。
在本申请中，在初步确定每一病灶子区域面向某一代表性纹理特征的纹理特征值时，可以通过判断每一病灶子区域的纹理特征值处于预设定的哪一区间内，来将该病灶子区域的纹理特征值转换为该区间设定的特征阈值，进而得到该病灶子区域转换后的纹理特征值。
S440，根据各病灶子区域在病灶区域内的实际位置和各病灶子区域转换后的纹理特征值，确定病灶区域内的连通区域。
通过分析各个病灶子区域内任意两个病灶子区域在病灶区域内的实际位置之间是否存在公用边或者公用角，来判断这两个病灶子区域是否相连。同时，结合这两个病灶子区域转换后的纹理特征值是否相同，来确定这两个病灶子区域是否连通。此时，如果任意两个病灶子区域在病灶区域内的实际位置相连，且这两个病灶子区域转换后的纹理特征值相同，那么可以确定这两个病灶子区域连通。按照上述步骤，即可确定出病灶区域内由相应病灶子区域组成的连通区域。例如，图3中纹理特征值为5的4个位置相连的病灶子区域连通，而且纹理特征值为3的2个位置相连的病灶子区域连通。
S450，针对每一连通区域，组合该连通区域内各病灶子区域的初始纹理特征，得到该连通区域的连通纹理特征；根据各连通区域的纹理特征值大小，按序组合各连通区域的连通纹理特征，得到病灶区域的连通纹理特征。
在确定出病灶区域内的各个连通区域后，考虑到每一连通区域均由至少一个病灶子区域组成，因此针对每一连通区域，可以将该连通区域内各病灶子区域的初始纹理特征依次排列而组合起来，从而得到该连通区域的连通纹理特征。
然后，在得到每一连通区域的连通纹理特征后，可以按照各个连通区域的纹理特征值大小，按序将各个连通区域的连通纹理特征再组合起来，从而得到病灶区域的连通纹理特征。
作为本申请中的一种可选实现方案，考虑到存在多个病灶子区域转换后的纹理特征值相同，但是实际位置并不相连而导致组成多个纹理特征值相同的连通区域的情况，此时在根据各连通区域的纹理特征值大小，按序组合各连通区域的连通纹理特征时，无法确定纹理特征值相同的各个连通区域的前后顺序。因此，本申请对于各个病灶子区域面向当前的代表性纹理特征的纹理特征值，可以继续计算各个病灶子区域面向下一个代表性纹理特征的纹理特征值。然后对各个病灶子区域面向当前的代表性纹理特征的纹理特征值相同时确定的各个连通区域，可以按照各个连通区域在下一个代表性纹理特征下转换后的纹理特征值大小，来对这两个连通区域的连通纹理特征进行按序组合。
示例性的，对于代表性纹理特征F＝{f1,f2,f3,f4,f5}，可以首先计算出各个病灶子区域在代表性纹理特征f1下转换后的纹理特征值，然后以此判断各个病灶子区域是否连通，确定出病灶区域内的各个连通区域。此时，在按照各个连通区域的纹理特征值大小，按序组合各个连通区域的连通纹理特征时，如果存在多个连通区域的纹理特征值相同，那么需要继续计算这几个连通区域内各个病灶子区域在代表性纹理特征f2下转换后的纹理特征值，以此继续按照这几个连通区域在代表性纹理特征f2下转换后的纹理特征值大小，来按序组合这几个连通区域的连通纹理特征。如果这几个连通区域在代表性纹理特征f2下转换后的纹理特征值仍然相同，那么继续计算这几个连通区域内各个病灶子区域在代表性纹理特征f3下转换后的纹理特征值，直至将各个连通区域内各个病灶子区域的初始纹理特征完全组合成该病灶区域的连通纹理特征即可。
本申请实施例提供的技术方案，首先从医学影像的病灶区域内提取出各个病灶子区域，并确定每一病灶子区域的初始纹理特征和该病灶区域对应的代表性纹理特征，然后根据每一病灶子区域面向该代表性纹理特征的纹理特征值，确定各病灶子区域间的连通关系，并基于该连通关系，组合各个病灶子区域的初始纹理特征，得到病灶区域的连通纹理特征，从而实现对病灶区域内部特征的相关性分析，确保病灶区域内纹理特征的全面有效性，解决现有技术中病灶区域内的纹理特征提取不够全面的问题，进一步提高医学影像内病灶分类的准确率。
图7为本申请实施例示出的一种基于医学影像的特征处理装置的原理框图。如图7所示，该装置700可以包括：
纹理特征分析模块710，用于确定医学影像的病灶区域内提取的每一病灶子区域的初始纹理特征，以及所述病灶区域对应的代表性纹理特征；
连通确定模块720，用于根据每一所述病灶子区域面向所述代表性纹理特征的纹理特征值，确定各所述病灶子区域间的连通关系；
连通特征处理模块730，用于基于所述连通关系，组合各所述病灶子区域的初始纹理特征，得到所述病灶区域的连通纹理特征。
进一步的，所述纹理特征分析模块710，可以包括：
初始纹理分析单元，用于基于所述医学影像内病灶区域的纹理分析价值，从所述病灶区域内提取出各所述病灶子区域；对每一所述病灶子区域进行多级平稳小波变换，得到该病灶子区域的初始纹理特征。
进一步的，所述纹理特征分析模块710，还可以包括：
代表性纹理分析单元，用于获取与所述医学影像内病灶区域的纹理分析价值匹配的历史医学影像，作为对应的训练样本；从每一所述训练样本的样本病灶区域内，提取出对应的样本病灶子区域，并确定每一样本病灶子区域的初始纹理特征；对各所述样本病灶子区域的初始纹理特征进行特征筛选，得到所述病灶区域对应的代表性纹理特征。
进一步的，所述代表性纹理分析单元，可以具体用于：
针对每一训练样本的样本病灶区域，基于该样本病灶区域内每两个样本病灶子区域间的纹理特征相似度，从该样本病灶区域内各所述样本病灶子区域间的初始纹理特征中，筛选出该训练样本对应的差异纹理特征；
基于每一差异纹理特征在各所述训练样本下的被筛选总次数，确定所述病灶区域对应的代表性纹理特征。
进一步的，所述连通确定模块720，可以具体用于：
利用预设定的区间特征阈值，对每一所述病灶子区域面向所述代表性纹理特征的纹理特征值进行转换，得到每一所述病灶子区域转换后的纹理特征值；
根据各所述病灶子区域在所述病灶区域内的实际位置和各所述病灶子区域转换后的纹理特征值，确定所述病灶区域内的连通区域。
进一步的，所述连通特征处理模块730，可以具体用于：
针对每一连通区域，组合该连通区域内各所述病灶子区域的初始纹理特征，得到该连通区域的连通纹理特征；
根据各所述连通区域的纹理特征值大小，按序组合各所述连通区域的连通纹理特征，得到所述病灶区域的连通纹理特征。
进一步的，所述基于医学影像的特征处理装置700，还可以包括：
病灶分类模块，用于将所述病灶区域的连通纹理特征输入到预构建的病灶分类网络中，得到所述医学影像内的病灶分类结果；
其中，所述病灶分类网络的训练样本为与所述医学影像内病灶区域的纹理分析价值匹配的历史医学影像，且所述病灶分类网络通过对每一所述训练样本内样本病灶区域的连通纹理特征进行训练得到。
本申请实施例中，首先从医学影像的病灶区域内提取出各个病灶子区域，并确定每一病灶子区域的初始纹理特征和该病灶区域对应的代表性纹理特征，然后根据每一病灶子区域面向该代表性纹理特征的纹理特征值，确定各病灶子区域间的连通关系，并基于该连通关系，组合各个病灶子区域的初始纹理特征，得到病灶区域的连通纹理特征，从而实现对病灶区域内部特征的相关性分析，确保病灶区域内纹理特征的全面有效性，解决现有技术中病灶区域内的纹理特征提取不够全面的问题，进一步提高医学影像内病灶分类的准确率。
应理解的是，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，图7所示的装置700可以执行本申请提供的任一方法实施例，并且装置700中的各个模块的前述和其它操作和/或功能分别为了实现本申请实施例的各个方法中的相应流程，为了简洁，在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的装置700。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。
图8是本申请实施例提供的电子设备800的示意性框图。
如图8所示，该电子设备800可包括：
存储器810和处理器820，该存储器810用于存储计算机程序，并将该程序代码传输给该处理器820。换言之，该处理器820可以从存储器810中调用并运行计算机程序，以实现本申请实施例中的方法。
例如，该处理器820可用于根据该计算机程序中的指令执行上述方法实施例。
在本申请的一些实施例中，该处理器820可以包括但不限于：
通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
在本申请的一些实施例中，该存储器810包括但不限于：
易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。
在本申请的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器810中，并由该处理器820执行，以完成本申请提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该电子设备中的执行过程。
如图8所示，该电子设备还可包括：
收发器830，该收发器830可连接至该处理器820或存储器810。
其中，处理器820可以控制该收发器830与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器830可以包括发射机和接收机。收发器830还可以进一步包括天线，天线的数量可以为一个或多个。
应当理解，该电子设备中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
本申请实施例还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本申请实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。例如，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以该权利要求的保护范围为准。

Claims (10)

1.一种基于医学影像的特征处理方法，其特征在于，包括：
确定医学影像的病灶区域内提取的每一病灶子区域的初始纹理特征，以及所述病灶区域对应的代表性纹理特征；
根据每一所述病灶子区域面向所述代表性纹理特征的纹理特征值，确定各所述病灶子区域间的连通关系；
基于所述连通关系，组合各所述病灶子区域的初始纹理特征，得到所述病灶区域的连通纹理特征。
2.根据权利要求1所述的方法，其特征在于，所述确定医学影像的病灶区域内提取的每一病灶子区域的初始纹理特征，包括：
基于所述医学影像内病灶区域的纹理分析价值，从所述病灶区域内提取出各所述病灶子区域；
对每一所述病灶子区域进行多级平稳小波变换，得到该病灶子区域的初始纹理特征。
3.根据权利要求1所述的方法，其特征在于，所述确定所述病灶区域对应的代表性纹理特征，包括：
获取与所述医学影像内病灶区域的纹理分析价值匹配的历史医学影像，作为对应的训练样本；
从每一所述训练样本的样本病灶区域内，提取出对应的样本病灶子区域，并确定每一样本病灶子区域的初始纹理特征；
对各所述样本病灶子区域的初始纹理特征进行特征筛选，得到所述病灶区域对应的代表性纹理特征。
4.根据权利要求3所述的方法，其特征在于，所述对各所述样本病灶子区域的初始纹理特征进行特征筛选，得到所述病灶区域对应的代表性纹理特征，包括：
针对每一训练样本的样本病灶区域，基于该样本病灶区域内每两个样本病灶子区域间的纹理特征相似度，从该样本病灶区域内各所述样本病灶子区域间的初始纹理特征中，筛选出该训练样本对应的差异纹理特征；
基于每一差异纹理特征在各所述训练样本下的被筛选总次数，确定所述病灶区域对应的代表性纹理特征。
5.根据权利要求1所述的方法，其特征在于，所述根据每一所述病灶子区域面向所述代表性纹理特征的纹理特征值，确定各所述病灶子区域间的连通关系，包括：
利用预设定的区间特征阈值，对每一所述病灶子区域面向所述代表性纹理特征的纹理特征值进行转换，得到每一所述病灶子区域转换后的纹理特征值；
根据各所述病灶子区域在所述病灶区域内的实际位置和各所述病灶子区域转换后的纹理特征值，确定所述病灶区域内的连通区域。
6.根据权利要求5所述的方法，其特征在于，所述基于所述连通关系，组合各所述病灶子区域的初始纹理特征，得到所述病灶区域的连通纹理特征，包括：
针对每一连通区域，组合该连通区域内各所述病灶子区域的初始纹理特征，得到该连通区域的连通纹理特征；
根据各所述连通区域的纹理特征值大小，按序组合各所述连通区域的连通纹理特征，得到所述病灶区域的连通纹理特征。
7.根据权利要求1所述的方法，其特征在于，在基于所述连通关系，组合各所述病灶子区域的初始纹理特征，得到所述病灶区域的连通纹理特征之后，还包括：
将所述病灶区域的连通纹理特征输入到预构建的病灶分类网络中，得到所述医学影像内的病灶分类结果；
其中，所述病灶分类网络的训练样本为与所述医学影像内病灶区域的纹理分析价值匹配的历史医学影像，且所述病灶分类网络通过对每一所述训练样本内样本病灶区域的连通纹理特征进行训练得到。
8.一种基于医学影像的特征处理装置，其特征在于，包括：
纹理特征分析模块，用于确定医学影像的病灶区域内提取的每一病灶子区域的初始纹理特征，以及所述病灶区域对应的代表性纹理特征；
连通确定模块，用于根据每一所述病灶子区域面向所述代表性纹理特征的纹理特征值，确定各所述病灶子区域间的连通关系；
连通特征处理模块，用于基于所述连通关系，组合各所述病灶子区域的初始纹理特征，得到所述病灶区域的连通纹理特征。
9.一种电子设备，其特征在于，包括：
处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行权利要求1-7中任一项所述的基于医学影像的特征处理方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序使得计算机执行如权利要求1-7中任一项所述的基于医学影像的特征处理方法。
CN202210476269.1A 2022-04-29 2022-04-29 基于医学影像的特征处理方法、装置、设备及介质 Pending CN114782712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210476269.1A CN114782712A (zh) 2022-04-29 2022-04-29 基于医学影像的特征处理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210476269.1A CN114782712A (zh) 2022-04-29 2022-04-29 基于医学影像的特征处理方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114782712A true CN114782712A (zh) 2022-07-22

Family

ID=82434566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210476269.1A Pending CN114782712A (zh) 2022-04-29 2022-04-29 基于医学影像的特征处理方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114782712A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049666A (zh) * 2022-08-16 2022-09-13 浙江卡易智慧医疗科技有限公司 基于彩色小波协方差深度图模型的内镜虚拟活检装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049666A (zh) * 2022-08-16 2022-09-13 浙江卡易智慧医疗科技有限公司 基于彩色小波协方差深度图模型的内镜虚拟活检装置
CN115049666B (zh) * 2022-08-16 2022-11-08 浙江卡易智慧医疗科技有限公司 基于彩色小波协方差深度图模型的内镜虚拟活检装置

Similar Documents

Publication Publication Date Title
Rammurthy et al. Whale Harris hawks optimization based deep learning classifier for brain tumor detection using MRI images
Kumar et al. A comparative study of CNN, BoVW and LBP for classification of histopathological images
Suha et al. An extended machine learning technique for polycystic ovary syndrome detection using ovary ultrasound image
CN109977994B (zh) 一种基于多示例主动学习的代表性图像选取方法
Ansari et al. Improved support vector machine and image processing enabled methodology for detection and classification of grape leaf disease
Sekanina et al. Image processing and CGP
Qader et al. An improved deep convolutional neural network by using hybrid optimization algorithms to detect and classify brain tumor using augmented MRI images
Liu et al. Automatic taxonomic identification based on the Fossil Image Dataset (> 415,000 images) and deep convolutional neural networks
CN117015796A (zh) 处理组织图像的方法和用于处理组织图像的系统
Rojas-Thomas et al. Neural networks ensemble for automatic DNA microarray spot classification
Akaramuthalvi et al. Comparison of Conventional and Automated Machine Learning approaches for Breast Cancer Prediction
CN114782712A (zh) 基于医学影像的特征处理方法、装置、设备及介质
WO2023014789A1 (en) System and method for pathology image analysis using a trained neural network and active learning framework
Mukherjee et al. Ore image segmentation by learning image and shape features
Admass et al. Convolutional neural networks and histogram-oriented gradients: a hybrid approach for automatic mango disease detection and classification
Behara et al. Artificial intelligence in medical diagnostics: A review from a South African context
Cahyo et al. A Comparison of Multi Class Support Vector Machine vs Deep Convolutional Neural Network for Brain Tumor Classification
Gupta et al. Brain tumor detection using improved Otsu’s thresholding method and supervised learning techniques at early stage
Lanjewar et al. Modified transfer learning frameworks to identify potato leaf diseases
Lafraxo et al. Computer-aided system for bleeding detection in wce images based on cnn-gru network
Wang et al. SAC-Net: Enhancing Spatiotemporal Aggregation in Cervical Histological Image Classification via Label-Efficient Weakly Supervised Learning
Selvi et al. A novel enhanced gray scale adaptive method for prediction of breast cancer
Prasad et al. Lung cancer detection and classification using deep neural network based on hybrid metaheuristic algorithm
Hudec et al. Texture similarity evaluation via siamese convolutional neural network
Lam et al. Statistical bootstrap-based principal mode component analysis for dynamic background subtraction

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