CN114943856A - 一种肺结节区域识别方法、标注方法及识别系统 - Google Patents

一种肺结节区域识别方法、标注方法及识别系统 Download PDF

Info

Publication number
CN114943856A
CN114943856A CN202110388340.6A CN202110388340A CN114943856A CN 114943856 A CN114943856 A CN 114943856A CN 202110388340 A CN202110388340 A CN 202110388340A CN 114943856 A CN114943856 A CN 114943856A
Authority
CN
China
Prior art keywords
pixel point
sagittal
image
coronal
horizontal axis
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
CN202110388340.6A
Other languages
English (en)
Other versions
CN114943856B (zh
Inventor
何雅坤
易思琪
张涛
胡仕北
周鹏
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.)
Sichuan Cancer Hospital
Original Assignee
Sichuan Cancer Hospital
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 Sichuan Cancer Hospital filed Critical Sichuan Cancer Hospital
Priority to CN202110388340.6A priority Critical patent/CN114943856B/zh
Publication of CN114943856A publication Critical patent/CN114943856A/zh
Application granted granted Critical
Publication of CN114943856B publication Critical patent/CN114943856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Optics & Photonics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Pulmonology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种肺结节区域识别方法、标注方法及识别系统，所述肺结节区域识别方法包括：对CT扫描层图像进行分类；分别对横轴位图像集合、冠状位图像集合和矢状位图像集合进行预处理；分别对横轴位图像信息集合、冠状位图像信息集合和矢状位图像信息集合进行比对处理；对横轴位疑似区域数据、冠状位疑似区域数据和矢状位疑似区域数据进行筛选处理。本发明提供了一种肺结节区域识别方法，能够智能识别出CT扫描层图像中的肺结节，提高了识别效率。

Description

一种肺结节区域识别方法、标注方法及识别系统
技术领域
本发明涉及CT影像识别领域，特别是涉及一种肺结节区域识别方法、标注方法及识别系统。
背景技术
肺癌是全球发病率最高的恶性肿瘤之一，也是发病率和病死率最高的恶性肿瘤之一。而在肺癌演变过程中，肺结节是肺癌早期最常见的表现形式和特征。因此，对肺癌的检测最终归结于对肺结节的检测。而在众多检测方式中，通过CT影像检查则可直接显示和观察病变。现有的肺结节识别均通过医师手动筛查、肉眼识别的方式，其效率低下。
同时，随着人们健康意识的提高，做CT肺部体检的被检者越来越多，而CT肺结节的后处理较为繁琐，需要操作技师根据影像影像诊断报告，在CT图像层中的肺结节直径最大层面对肺结节在横轴位、冠状位和矢状位上进行数值标注，消耗了医师的大量工作时间。
发明内容
针对上述问题，本发明提供了一种肺结节区域识别方法，利用代表肺结节的密度增高影在CT扫描层图像中会突然消失的特点，智能识别出CT扫描层图像中的肺结节，提高了识别效率。
本发明的技术方案是：
一种肺结节区域识别方法，包括以下步骤：
S10、对CT扫描层图像进行分类，得到横轴位图像集合、冠状位图像集合和矢状位图像集合；
S20、分别对横轴位图像集合、冠状位图像集合和矢状位图像集合进行预处理，得到横轴位图像信息集合、冠状位图像信息集合和矢状位图像信息集合；
S30、分别对横轴位图像信息集合、冠状位图像信息集合和矢状位图像信息集合进行比对处理，得到横轴位图像信息变化数据、冠状位图像信息变化数据和矢状位图像信息变化数据；
S40、根据横轴位图像信息变化数据得到横轴位疑似区域数据，根据冠状位图像信息变化数据得到冠状位疑似区域数据，根据矢状位图像信息变化数据得到矢状位疑似区域数据。
S50、对横轴位疑似区域数据、冠状位疑似区域数据和矢状位疑似区域数据进行筛选处理，得到肺结节区域数据。
上述技术方案的工作原理如下：
本方案的技术原理如下：本方案首先将CT扫描层图像分类，从而得到三个方位的图像集合，其中每个图像集合包括若干层(或者说若干张)图像，然后分别对三个方位的图像集合中的图像进行预处理，分别得到每张图像的图像信息；在得到图像信息后，按照扫描顺序对图像信息依次进行比对处理即可以得到图像信息变化数据，由于代表肺结节的密度增高影在CT扫描层图像中呈突变的特点，或者说图像中代表肺结节的亮点在扫描顺序下呈突然消失的特点，因此，本方案利用得到的图像信息变化数据进行变化分析可以得到若干疑似区域数据，即图像中疑似代表肺结节的亮点的位置信息；同时，在得到若干疑似区域数据之后，本方案还可以对若干疑似区域数据再进行筛选处理，从而提高识别的准确度。
进一步的，在步骤S20中：
横轴位图像信息集合X＝{Xi|i＝1,2,...,r},其中r的值为横轴位图像集合所包括的横轴位图像层数，Xi表示第i层横轴位图像的横轴位图像信息；且横轴位图像信息Xi|i＝1,2,...,r包括横轴位图像中的横轴位像素点坐标D1ij和与横轴位像素点坐标D1ij对应的横轴位像素点灰度值E1ij，其中j＝1,2,...，k；k的值为横轴位图像的像素点个数；
冠状位图像信息集合M＝{Mf|f＝1,2,...,p},其中p的值为冠状位图像集合所包括的冠状位图像层数，Mf表示第f层冠状位图像的冠状位图像信息；且冠状位图像信息Mf|f＝1,2,...,p包括包括冠状位图像中的冠状位像素点坐标D2fs和与冠状位像素点坐标D2fs对应的冠状位像素点灰度值E2fs，其中s＝1,2,...，t；t的值为冠状位图像的像素点个数；
矢状位图像信息集合N＝{Nh|h＝1,2...,q}，其中q的值为矢状位图像集合所包括的矢状位图像层数，Nh表示第h层矢状位图像的矢状位图像信息；且矢状位图像信息Nh|h＝1,2...,q包括矢状位图像中的矢状位像素点坐标D3hw和与矢状位像素点坐标D3hw对应的矢状位像素点灰度值E3hw，其中w＝1,2,...，z；z的值为矢状位图像的像素点个数。
CT图像本身即是由一定数目由黑到白不同灰度的象素按矩阵排列所构成，因此本方案中，图像信息直接选取为像素点坐标和与像素点坐标一一对应的灰度值，方便图像信息的获取。
进一步的，步骤S30中具体为：
将横轴位像素点灰度值E1ij|i＝1,2,...,r；j＝1,2,...，k分别与设定的灰度值V1进行比较；当E1ij大于等于V1时，对应的横轴位像素点标记为1，当E1ij小于V1时，对应的横轴位像素点标记为0，从而得到横轴位图像信息变化数据；
将冠状位像素点灰度值E2fs|f＝1,2,...,p；s＝1,2,...，t分别与设定的灰度值V2进行比较；当E2fs大于等于V2时，对应的冠状位像素点标记为1，当E2fs小于V2时，对应的冠状位像素点标记为0，从而得到冠状位图像信息变化数据；
将矢状位像素点灰度值E3hw|h＝1,2...,q；w＝1,2,...，z分别与设定的灰度值V3进行比较；当E3hw大于等于V3时，对应的矢状位像素点标记为1，当E3hw小于V3时，对应的矢状位像素点标记为0，从而得到矢状位图像信息变化数据。
本方案中，通过将灰度值与设定值进行大小比较判断，将图像中灰度值的大小变化转化为0和1之间的变化，从而得到图像信息变化数据，便于系统后续的处理。
进一步的，步骤S40具体包括：
S401、找出横轴位原序列0，G11j，G12j，...，G1rj中的横轴位突变列，其中j＝1,2,...，k；G11j表示第一层的横轴位图像中坐标为j的横轴位像素点的标记数字，G1rj表示第r层的横轴位图像中坐标也为j的横轴位像素点的标记数字；横轴位突变列的元素全为1，且横轴位突变列在横轴位原序列的前一个元素和后一个元素皆为0；
找出冠状位原序列0，G21s，G22s，...，G2fs中的冠状位突变列，其中s＝1,2,...，t；G21s表示第一层的冠状位图像中坐标为s的冠状位像素点的标记数字，G2fs表示第f层的冠状位图像中坐标也为s的冠状位像素点的标记数字；冠状位突变列的元素全为1，且冠状位突变列在冠状位原序列的前一个元素和后一个元素皆为0；
找出矢状位原序列0，G31w，G32w，...，G3hw中的矢状位突变列，其中w＝1,2,...，z；G31w表示第一层的矢状位图像中坐标为w的矢状位像素点的标记数字，G3hw表示第h层的矢状位图像中坐标也为w的矢状位像素点的标记数字；矢状位突变列的元素全为1，且矢状位突变列在矢状位原序列的前一个元素和后一个元素皆为0；
S402、根据横轴位突变列的元素，得到横轴位突变列的元素对应的突变横轴位像素点坐标集合，并且，若突变横轴位像素点坐标集合中的任意一个横轴位像素点坐标为其它一个突变横轴位像素点坐标集合中的横轴位像素点坐标的邻点，那么合并该两个突变横轴位像素点坐标集合为一个突变横轴位像素点坐标集合；
根据冠状位突变列的元素，得到冠状位突变列的元素对应的突变冠状位像素点坐标集合，并且，若突变冠状位像素点坐标集合中的任意一个冠状位像素点坐标为其它一个突变冠状位像素点坐标集合中的横冠状位像素点坐标的邻点，那么合并该两个突变冠状位像素点坐标集合为一个突变冠状位像素点坐标集合；
根据矢状位突变列的元素，得到矢状位突变列的元素对应的突变矢状位像素点坐标集合，并且，若突变矢状位像素点坐标集合中的任意一个矢状位像素点坐标为其它一个突变矢状位像素点坐标集合中的矢状位像素点坐标的邻点，那么合并该两个突变矢状位像素点坐标集合为一个突变矢状位像素点坐标集合；
S403、计算突变横轴位像素点坐标集合中横轴位像素点的最大层数差，若最大层数差大于设定的数值U1，则判定该突变横轴位像素点坐标集合为所述横轴位疑似区域数据；
计算突变冠状位像素点坐标集合中冠状位像素点的最大层数差，若最大层数差大于设定的数值U2，则判定该突变冠状位像素点坐标集合为所述冠状位疑似区域数据；
计算突变矢状位像素点坐标集合中矢状位像素点的最大层数差，若最大层数差大于设定的数值U3，则判定该突变矢状位像素点坐标集合为所述矢状位疑似区域数据。
在CT扫描层图像中，代表肺结节的亮点会出现突然消失的特点，例如，在某几层的CT图像中出现了代表肺结节的亮点，那么该亮点通常不会持续出现在后续的所有层的CT图像中，即代表肺结节的亮点只会连续出现在较少的几层图像中，而代表血管或肺叶的亮点则会呈现一个连续的特点，往往会连续出现在较多的图像层中；因此本方案中，首先利用突变列的方式，找到CT扫描层图像中所有不连续的亮点的像素点坐标集合(一个亮点可能包括了多个像素点)，然后再判断这些亮点是否有相连接的，若相连接，则将相互连接的亮点合并为一个亮点，然后再通过合并后的亮点的像素点坐标集合判断亮点的长度，从而判断其是否可能为代表肺结节的亮点。
进一步的，步骤S50具体为：
找出所述突变横轴位像素点坐标集合包括的所有横轴位像素点坐标在冠状位图像和矢状位图像上的关联像素点坐标，并计算关联像素点坐标属于突变冠状位像素点坐标集合或突变矢状位像素点坐标集合的数量，若数量大于设定的值B1，则该突变横轴位像素点坐标集合为肺结节区域数据；
找出所述冠状位断面像素点坐标集合包括的所有冠状位像素点坐标在横轴位图像和矢状位图像上的关联像素点坐标，并计算关联像素点坐标属于突变横轴位像素点坐标集合或突变矢状位像素点坐标集合的数量，若数量大于设定的值B2，则该突变冠状位像素点坐标集合也为肺结节区域数据；
即在本方案中，还利用横轴位、冠状位和矢状位的关联性，进一步筛选判断代表肺结节的亮点，从而提高识别的准确度。
进一步的，在将横轴位像素点灰度值E1ij|i＝1,2,...,r；j＝1,2,...，k与设定的灰度值V1进行比较时，V1的值等于第i层横轴位像图像的平均灰度值；
在将冠状位像素点灰度值E2fs|f＝1,2,...,p；s＝1,2,...，t与设定的灰度值V2进行比较时，V2的值等于第f层冠状位像图像的平均灰度值；
在将矢状位像素点灰度值E3hw|h＝1,2...,q；w＝1,2,...，z与设定的灰度值V3进行比较时，V3的值等于第h层矢状位像图像的平均灰度值。
即在本方案中，V1、V2和V3的值会根据对比的像素点所述的层数而变化，从而降低本方案的识别误差。
另一方面，本发明还提供了一种肺结节区域标注方法，包括以下步骤：
使用所述的肺结节区域识别方法得到肺结节区域数据；
判断肺结节区域数据包括的横轴位像素点坐标所属横轴位图像层数量最多的一层；对该层被肺结节区域数据包括的横轴位像素点坐标对应的图像区域的进行数字标注；
判断肺结节区域数据包括的冠状位像素点坐标所属冠状位图像层数量最多的一层；对该层被肺结节区域数据包括的冠状位像素点坐标对应的图像区域的进行数字标注；
判断肺结节区域数据包括的矢状位像素点坐标所属矢状位图像层数量最多的一层；对该层被肺结节区域数据包括的矢状位像素点坐标对应的图像区域的进行数字标注。
即在本方案中，图像层包括肺结节区域数据中的像素点坐标数量最多的一层即为肺结节直径最大层面，然后再对该层中肺结节区域数据包括的像素点坐标对应的图像区域的进行数字标注，这种判断方法，提高了标识效率。
另一方面，本发明还提供了一种肺结节区域识别系统，包括处理器，所述处理器用于执行所述的肺结节区域识别方法。
本发明的有益效果包括：
1.本方案利用得到的图像信息变化数据进行变化分析可以得到若干疑似区域数据，即图像中疑似代表肺结节的亮点的位置信息；同时，在得到若干疑似区域数据之后，本方案还可以对若干疑似区域数据再进行筛选处理，从而提高识别的准确度。
2.本方案中，图像信息直接选取为像素点坐标和与像素点坐标一一对应的灰度值，方便图像信息的获取。
3.本方案中，通过将灰度值与设定值进行大小比较判断，将图像中灰度值的大小变化转化为0和1之间的变化，从而得到图像信息变化数据，便于系统后续的处理。
4.本方案中，首先利用突变列的方式，找到CT扫描层图像中所有不连续的亮点的像素点坐标集合(一个亮点可能包括了多个像素点)，然后再判断这些亮点是否有相连接的，若相连接，则将相互连接的亮点合并为一个亮点，然后再通过合并后的亮点的像素点坐标集合判断亮点的长度，从而判断其是否可能为代表肺结节的亮点，提高了识别的准确率。
5.在本方案中，还利用横轴位、冠状位和矢状位的关联性，进一步筛选判断代表肺结节的亮点，从而提高识别的准确度。
6.在本方案中，V1、V2和V3的值会根据对比的像素点所述的层数而变化，从而降低本方案的识别误差。
7.本方案中，通过选取图像层包括肺结节区域数据中的像素点坐标数量最多的一层即为肺结节直径最大层面，然后再对该层中肺结节区域数据包括的像素点坐标对应的图像区域的进行数字标注，提高了标识效率。
附图说明
图1是本发明公开的一种肺结节区域识别方法的流程示意图；
图2是实施例提供的CT扫描图像；
具体实施方式
下面将结合附图对本发明的实施例进行详细说明。
实施例1
如图1和图2所示：
一种肺结节区域识别方法，包括以下步骤：
S10、对CT扫描层图像进行分类，得到横轴位图像集合、冠状位图像集合和矢状位图像集合；
在CT扫描中，横轴位又称横断位，即左右、前后构成的面为水平位；冠状位，又称额状面即从左右方向，沿人体的长轴将人体纵切为前、后两部分的切面，矢状面就是把人体分成左右两面的解剖面；如图2所示，左上是横轴位图像，右上是冠状位图像，左下是矢状位图像；在CT扫描之后，可以得到横轴位图像集合、冠状位图像集合和若干矢状位集合，举例来讲，横轴位图像集合类似于把一个立体的像，在其横轴位方向上将立体的像分为若干层图片，每一层图像均为横轴位图像。
S20、分别对横轴位图像集合、冠状位图像集合和矢状位图像集合进行预处理，得到横轴位图像信息集合、冠状位图像信息集合和矢状位图像信息集合；
在步骤S20中：
横轴位图像信息集合X＝{Xi|i＝1,2,...,r},其中r的值为横轴位图像集合所包括的横轴位图像层数，Xi表示第i层横轴位图像的横轴位图像信息；且横轴位图像信息Xi|i＝1,2,...,r包括横轴位图像中的横轴位像素点坐标D1ij和与横轴位像素点坐标D1ij对应的横轴位像素点灰度值E1ij，其中j＝1,2,...，k；k的值为横轴位图像的像素点个数；
冠状位图像信息集合M＝{Mf|f＝1,2,...,p},其中p的值为冠状位图像集合所包括的冠状位图像层数，Mf表示第f层冠状位图像的冠状位图像信息；且冠状位图像信息Mf|f＝1,2,...,p包括包括冠状位图像中的冠状位像素点坐标D2fs和与冠状位像素点坐标D2fs对应的冠状位像素点灰度值E2fs，其中s＝1,2,...，t；t的值为冠状位图像的像素点个数；
矢状位图像信息集合N＝{Nh|h＝1,2...,q}，其中q的值为矢状位图像集合所包括的矢状位图像层数，Nh表示第h层矢状位图像的矢状位图像信息；且矢状位图像信息Nh|h＝1,2...,q包括矢状位图像中的矢状位像素点坐标D3hw和与矢状位像素点坐标D3hw对应的矢状位像素点灰度值E3hw，其中w＝1,2,...，z；z的值为矢状位图像的像素点个数。
CT图像本身即是由一定数目由黑到白不同灰度的象素按矩阵排列所构成，在CT图像中密度增高影即为图像中的亮点，因此本步骤中，横轴位图像信息集合包括所有层数的的横轴位图像信息，且横轴位图像信息包括图像上的所有横轴位像素点坐标和与横轴位像素点坐标一一对应的横轴位像素点灰度值，从而方便图像信息的获取；当然，本步骤中，也可以对分类后的横轴位图像集合、冠状位图像集合和矢状位图像集合再进一个转化处理，将其统一转换为像素相同的灰度图像，从而减少误差。
S30、分别对横轴位图像信息集合、冠状位图像信息集合和矢状位图像信息集合进行比对处理，得到横轴位图像信息变化数据、冠状位图像信息变化数据和矢状位图像信息变化数据；
其中，步骤S30可以具体为：
将横轴位像素点灰度值E1ij|i＝1,2,...,r；j＝1,2,...，k分别与设定的灰度值V1进行比较；当E1ij大于等于V1时，对应的横轴位像素点标记为1，当E1ij小于V1时，对应的横轴位像素点标记为0，从而得到横轴位图像信息变化数据；
将冠状位像素点灰度值E2fs|f＝1,2,...,p；s＝1,2,...，t分别与设定的灰度值V2进行比较；当E2fs大于等于V2时，对应的冠状位像素点标记为1，当E2fs小于V2时，对应的冠状位像素点标记为0，从而得到冠状位图像信息变化数据；
将矢状位像素点灰度值E3hw|h＝1,2...,q；w＝1,2,...，z分别与设定的灰度值V3进行比较；当E3hw大于等于V3时，对应的矢状位像素点标记为1，当E3hw小于V3时，对应的矢状位像素点标记为0，从而得到矢状位图像信息变化数据。
即在本步骤中，通过将灰度值与设定值进行大小比较判断，将图像中灰度值的大小变化转化为0和1之间的变化，从而得到图像信息变化数据，便于系统后续的处理。
更完整的，在本步骤中，在将横轴位像素点灰度值E1ij|i＝1,2,...,r；j＝1,2,...，k与设定的灰度值V1进行比较时，V1的值等于第i层横轴位像图像的平均灰度值；
在将冠状位像素点灰度值E2fs|f＝1,2,...,p；s＝1,2,...，t与设定的灰度值V2进行比较时，V2的值等于第f层冠状位像图像的平均灰度值；
在将矢状位像素点灰度值E3hw|h＝1,2...,q；w＝1,2,...，z与设定的灰度值V3进行比较时，V3的值等于第h层矢状位像图像的平均灰度值。
比如，当属于第一层的横轴位图像的横轴位像素点在进行灰度值比较时，V1的值等于就等于第一层横轴位图像的平均灰度值；当属于第二层的横轴位图像的横轴位像素点在进行灰度值比较时，V1的值等于就等于第二层横轴位图像的平均灰度值。
S40、根据横轴位图像信息变化数据得到横轴位疑似区域数据，根据冠状位图像信息变化数据得到冠状位疑似区域数据，根据矢状位图像信息变化数据得到矢状位疑似区域数据；
其中，步骤S40具体包括：
S401、找出横轴位原序列0，G11j，G12j，...，G1rj中的横轴位突变列，其中j＝1,2,...，k；G11j表示第一层的横轴位图像中坐标为j的横轴位像素点的标记数字，G1rj表示第r层的横轴位图像中坐标也为j的横轴位像素点的标记数字；横轴位突变列的元素全为1，且横轴位突变列在横轴位原序列的前一个元素和后一个元素皆为0；
找出冠状位原序列0，G21s，G22s，...，G2fs中的冠状位突变列，其中s＝1,2,...，t；G21s表示第一层的冠状位图像中坐标为s的冠状位像素点的标记数字，G2fs表示第f层的冠状位图像中坐标也为s的冠状位像素点的标记数字；冠状位突变列的元素全为1，且冠状位突变列在冠状位原序列的前一个元素和后一个元素皆为0；
找出矢状位原序列0，G31w，G32w，...，G3hw中的矢状位突变列，其中w＝1,2,...，z；G31w表示第一层的矢状位图像中坐标为w的矢状位像素点的标记数字，G3hw表示第h层的矢状位图像中坐标也为w的矢状位像素点的标记数字；矢状位突变列的元素全为1，且矢状位突变列在矢状位原序列的前一个元素和后一个元素皆为0；
S402、根据横轴位突变列的元素，得到横轴位突变列的元素对应的突变横轴位像素点坐标集合，并且，若突变横轴位像素点坐标集合中的任意一个横轴位像素点坐标为其它一个突变横轴位像素点坐标集合中的横轴位像素点坐标的邻点，那么合并该两个突变横轴位像素点坐标集合为一个突变横轴位像素点坐标集合；
根据冠状位突变列的元素，得到冠状位突变列的元素对应的突变冠状位像素点坐标集合，并且，若突变冠状位像素点坐标集合中的任意一个冠状位像素点坐标为其它一个突变冠状位像素点坐标集合中的横冠状位像素点坐标的邻点，那么合并该两个突变冠状位像素点坐标集合为一个突变冠状位像素点坐标集合；
根据矢状位突变列的元素，得到矢状位突变列的元素对应的突变矢状位像素点坐标集合，并且，若突变矢状位像素点坐标集合中的任意一个矢状位像素点坐标为其它一个突变矢状位像素点坐标集合中的矢状位像素点坐标的邻点，那么合并该两个突变矢状位像素点坐标集合为一个突变矢状位像素点坐标集合；
S403、计算突变横轴位像素点坐标集合中横轴位像素点的最大层数差，若最大层数差大于设定的数值U1，则判定该突变横轴位像素点坐标集合为所述横轴位疑似区域数据；
计算突变冠状位像素点坐标集合中冠状位像素点的最大层数差，若最大层数差大于设定的数值U2，则判定该突变冠状位像素点坐标集合为所述冠状位疑似区域数据；
计算突变矢状位像素点坐标集合中矢状位像素点的最大层数差，若最大层数差大于设定的数值U3，则判定该突变矢状位像素点坐标集合为所述矢状位疑似区域数据。
例如，横轴位图像集合包括10层横轴位图像，每层横轴位图像均包括坐标为1到20的20个像素点，若第2层、第3层和第4层横轴位图像中坐标为11的横轴位像素点的标号均为1，而剩余层坐标为11的横轴位像素点的标号均为0，则得到的横轴位原序列为：0,0,1,1,1,0,0,0,0,0,0；此时横轴位突变列即为1,1,1；然后根据该横轴位突变列1,1,1中的元素在横轴位原序列中的位置，即可以得到对应的突变横轴位像素点坐标集合{第2层坐标11，第3层坐标11，第4层坐标11}；在得到突变横轴位像素点坐标集合之后，本步骤还会对所有突变横轴位像素点坐标集合进行一个合并处理，比如若存在另一个突变横轴位像素点坐标集合{第4层坐标10，第5层坐标10}，第4层坐标11和第4层坐标10在第4层横轴位图像上是相邻的，或者说像素点坐标为11的点和像素点坐标为10的点它们代表的图像点是连接的，此时，则合并这个突变横轴位像素点坐标集合为一个新的突变横轴位像素点坐标集合{第2层坐标11，第3层坐标11，第4层坐标11，第4层坐标10，第5层坐标10}；在合并处理完成之后，本步骤还会对突变横轴位像素点坐标集合所包括到的最大层数进行计算并判断，比如，突变横轴位像素点坐标集合{第2层坐标11，第3层坐标11，第4层坐标11，第4层坐标10，第5层坐标10}的最大层数差为5，然后将该最大层数差5和设定的值进行判断，其中，在本步骤中，设定的值U1、U2和U3与CT的扫描厚度有关，比如CT扫描厚度为1毫米时U1、U2和U3的值均大于CT扫描厚度为5毫米时的值，同时，U1、U2和U3的值可以相同，也可以不同；当判定最大层数差大于设定的值时，则判定该突变横轴位像素点坐标集合为所述横轴位疑似区域数据。
S50、对横轴位疑似区域数据、冠状位疑似区域数据和矢状位疑似区域数据进行筛选处理，得到肺结节区域数据。
其中，步骤S50具体为：
找出所述突变横轴位像素点坐标集合包括的所有横轴位像素点坐标在冠状位图像和矢状位图像上的关联像素点坐标，并计算关联像素点坐标属于突变冠状位像素点坐标集合或突变矢状位像素点坐标集合的数量，若数量大于设定的值B1，则该突变横轴位像素点坐标集合为肺结节区域数据；
找出所述冠状位断面像素点坐标集合包括的所有冠状位像素点坐标在横轴位图像和矢状位图像上的关联像素点坐标，并计算关联像素点坐标属于突变横轴位像素点坐标集合或突变矢状位像素点坐标集合的数量，若数量大于设定的值B2，则该突变冠状位像素点坐标集合也为肺结节区域数据；
找出所述矢状位断面像素点坐标集合包括的所有矢状位像素点坐标在横轴位图像和冠状位图像上的关联像素点坐标，并计算关联像素点坐标属于突变横轴位像素点坐标集合或突变冠状位像素点坐标集合的数量，若数量大于设定的值B3，则该突变矢状位像素点坐标集合也为肺结节区域数据。
可以理解的是，横轴位图像、冠状位图像和矢状位图像表示是同一个立体像的几个不同的视图，因此横轴位图像、冠状位图像和矢状位图像是存在关联性的，在本步骤中，可以预先设置好每一个横轴位像素点坐标在冠状位图像和矢状位图像上的关联像素点坐标、每一个冠状位像素点坐标在横轴位图像和矢状位图像上的关联像素点坐标、以及每一个矢状位像素点坐标在在横轴位图像和冠状位图像上的关联像素点坐标；然后计算其关联像素点坐标也属于突变像素点坐标集合的数量，并判断该数量是否大于设定的值，若是，则该像素点坐标集合判断为肺结节区域数据，其中，在本步骤，设定的B1、B2和B3的值可以相同也可以不同，其具体的值也可以根据CT扫描的厚度而决定。
实施例2
本实施例公开了一种肺结节区域标注方法，包括以下步骤：
使用实施例1所述的肺结节区域识别方法得到肺结节区域数据；
判断肺结节区域数据包括的横轴位像素点坐标所属横轴位图像层数量最多的一层；对该层被肺结节区域数据包括的横轴位像素点坐标对应的图像区域的进行数字标注；
判断肺结节区域数据包括的冠状位像素点坐标所属冠状位图像层数量最多的一层；对该层被肺结节区域数据包括的冠状位像素点坐标对应的图像区域的进行数字标注；
判断肺结节区域数据包括的矢状位像素点坐标所属矢状位图像层数量最多的一层；对该层被肺结节区域数据包括的矢状位像素点坐标对应的图像区域的进行数字标注。
可以理解的是，一个肺结节在CT扫描下，会在横轴位图像、冠状位图像和矢状位图像上均有对应的密度增高影区域，通过实施例1的方法所得到的肺结节区域数据包括了代表肺结节区域的横轴位像素点坐标集合，冠状位像素点坐标集合和矢状位像素点坐标集合，然后对一个肺结节区域数据的横轴位像素点坐标集合，冠状位像素点坐标集合和矢状位像素点坐标集合分别进行计算和判断，以在图像层中包括肺结节区域数据中的像素点坐标数量最多的一层为肺结节直径最大层面的判断根据，得到肺结节在横轴位的最大层面，在冠状位的最大层面和在矢状位的最大层面，然后再对三个层面中肺结节区域数据包括的像素点坐标对应的图像区域的进行数字标注，这种判断方法，提高了标识效率。
实施例3
本实施例公开了一种肺结节区域识别系统，包括处理器，所述处理器用于执行所述的肺结节区域识别方法。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于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，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (8)

1.一种肺结节区域识别方法，其特征在于，包括以下步骤：
S10、对CT扫描层图像进行分类，得到横轴位图像集合、冠状位图像集合和矢状位图像集合；
S20、分别对横轴位图像集合、冠状位图像集合和矢状位图像集合进行预处理，得到横轴位图像信息集合、冠状位图像信息集合和矢状位图像信息集合；
S30、分别对横轴位图像信息集合、冠状位图像信息集合和矢状位图像信息集合进行比对处理，得到横轴位图像信息变化数据、冠状位图像信息变化数据和矢状位图像信息变化数据；
S40、根据横轴位图像信息变化数据得到横轴位疑似区域数据，根据冠状位图像信息变化数据得到冠状位疑似区域数据，根据矢状位图像信息变化数据得到矢状位疑似区域数据；
S50、对横轴位疑似区域数据、冠状位疑似区域数据和矢状位疑似区域数据进行筛选处理，得到肺结节区域数据。
2.根据权利要求1所述的一种肺结节识别方法，其特征在于，在步骤S20中：
横轴位图像信息集合X＝{Xi|i＝1,2,...,r},其中r的值为横轴位图像集合所包括的横轴位图像层数，Xi表示第i层横轴位图像的横轴位图像信息；且横轴位图像信息Xi|i＝1,2,...,r包括横轴位图像中的横轴位像素点坐标D1ij和与横轴位像素点坐标D1ij对应的横轴位像素点灰度值E1ij，其中j＝1,2,...，k；k的值为横轴位图像的像素点个数；
冠状位图像信息集合M＝{Mf|f＝1,2,...,p},其中p的值为冠状位图像集合所包括的冠状位图像层数，Mf表示第f层冠状位图像的冠状位图像信息；且冠状位图像信息Mf|f＝1,2,...,p包括包括冠状位图像中的冠状位像素点坐标D2fs和与冠状位像素点坐标D2fs对应的冠状位像素点灰度值E2fs，其中s＝1,2,...，t；t的值为冠状位图像的像素点个数；
矢状位图像信息集合N＝{Nh|h＝1,2...,q}，其中q的值为矢状位图像集合所包括的矢状位图像层数，Nh表示第h层矢状位图像的矢状位图像信息；且矢状位图像信息Nh|h＝1,2...,q包括矢状位图像中的矢状位像素点坐标D3hw和与矢状位像素点坐标D3hw对应的矢状位像素点灰度值E3hw，其中w＝1,2,...，z；z的值为矢状位图像的像素点个数。
3.根据权利要求2所述的一种肺结节区域识别方法，其特征在于，步骤S30中具体为：
将横轴位像素点灰度值E1ij|i＝1,2,...,r；j＝1,2,...，k分别与设定的灰度值V1进行比较；当E1ij大于等于V1时，对应的横轴位像素点标记为1，当E1ij小于V1时，对应的横轴位像素点标记为0，从而得到横轴位图像信息变化数据；
将冠状位像素点灰度值E2fs|f＝1,2,...,p；s＝1,2,...，t分别与设定的灰度值V2进行比较；当E2fs大于等于V2时，对应的冠状位像素点标记为1，当E2fs小于V2时，对应的冠状位像素点标记为0，从而得到冠状位图像信息变化数据；
将矢状位像素点灰度值E3hw|h＝1,2...,q；w＝1,2,...，z分别与设定的灰度值V3进行比较；当E3hw大于等于V3时，对应的矢状位像素点标记为1，当E3hw小于V3时，对应的矢状位像素点标记为0，从而得到矢状位图像信息变化数据。
4.根据权利要求3所述的一种肺结节区域识别方法，其特征在于，步骤S40具体包括：
S401、找出横轴位原序列0，G11j，G12j，...，G1rj中的横轴位突变列，其中j＝1,2,...，k；G11j表示第一层的横轴位图像中坐标为j的横轴位像素点的标记数字，G1rj表示第r层的横轴位图像中坐标也为j的横轴位像素点的标记数字；横轴位突变列的元素全为1，且横轴位突变列在横轴位原序列的前一个元素和后一个元素皆为0；
找出冠状位原序列0，G21s，G22s，...，G2fs中的冠状位突变列，其中s＝1,2,...，t；G21s表示第一层的冠状位图像中坐标为s的冠状位像素点的标记数字，G2fs表示第f层的冠状位图像中坐标也为s的冠状位像素点的标记数字；冠状位突变列的元素全为1，且冠状位突变列在冠状位原序列的前一个元素和后一个元素皆为0；
找出矢状位原序列0，G31w，G32w，...，G3hw中的矢状位突变列，其中w＝1,2,...，z；G31w表示第一层的矢状位图像中坐标为w的矢状位像素点的标记数字，G3hw表示第h层的矢状位图像中坐标也为w的矢状位像素点的标记数字；矢状位突变列的元素全为1，且矢状位突变列在矢状位原序列的前一个元素和后一个元素皆为0；
S402、根据横轴位突变列的元素，得到横轴位突变列的元素对应的突变横轴位像素点坐标集合，并且，若突变横轴位像素点坐标集合中的任意一个横轴位像素点坐标为其它一个突变横轴位像素点坐标集合中的横轴位像素点坐标的邻点，那么合并该两个突变横轴位像素点坐标集合为一个突变横轴位像素点坐标集合；
根据冠状位突变列的元素，得到冠状位突变列的元素对应的突变冠状位像素点坐标集合，并且，若突变冠状位像素点坐标集合中的任意一个冠状位像素点坐标为其它一个突变冠状位像素点坐标集合中的横冠状位像素点坐标的邻点，那么合并该两个突变冠状位像素点坐标集合为一个突变冠状位像素点坐标集合；
根据矢状位突变列的元素，得到矢状位突变列的元素对应的突变矢状位像素点坐标集合，并且，若突变矢状位像素点坐标集合中的任意一个矢状位像素点坐标为其它一个突变矢状位像素点坐标集合中的矢状位像素点坐标的邻点，那么合并该两个突变矢状位像素点坐标集合为一个突变矢状位像素点坐标集合；
S403、计算突变横轴位像素点坐标集合中横轴位像素点的最大层数差，若最大层数差大于设定的数值U1，则判定该突变横轴位像素点坐标集合为所述横轴位疑似区域数据；
计算突变冠状位像素点坐标集合中冠状位像素点的最大层数差，若最大层数差大于设定的数值U2，则判定该突变冠状位像素点坐标集合为所述冠状位疑似区域数据；
计算突变矢状位像素点坐标集合中矢状位像素点的最大层数差，若最大层数差大于设定的数值U3，则判定该突变矢状位像素点坐标集合为所述矢状位疑似区域数据。
5.根据权利要求3所述的一种肺结节区域识别方法，其特征在于，步骤S50具体为：
找出所述突变横轴位像素点坐标集合包括的所有横轴位像素点坐标在冠状位图像和矢状位图像上的关联像素点坐标，并计算关联像素点坐标属于突变冠状位像素点坐标集合或突变矢状位像素点坐标集合的数量，若数量大于设定的值B1，则该突变横轴位像素点坐标集合为肺结节区域数据；
找出所述冠状位断面像素点坐标集合包括的所有冠状位像素点坐标在横轴位图像和矢状位图像上的关联像素点坐标，并计算关联像素点坐标属于突变横轴位像素点坐标集合或突变矢状位像素点坐标集合的数量，若数量大于设定的值B2，则该突变冠状位像素点坐标集合也为肺结节区域数据；
找出所述矢状位断面像素点坐标集合包括的所有矢状位像素点坐标在横轴位图像和冠状位图像上的关联像素点坐标，并计算关联像素点坐标属于突变横轴位像素点坐标集合或突变冠状位像素点坐标集合的数量，若数量大于设定的值B3，则该突变矢状位像素点坐标集合也为肺结节区域数据。
6.根据权利要求3所述的一种肺结节区域识别方法，其特征在于，在将横轴位像素点灰度值E1ij|i＝1,2,...,r；j＝1,2,...，k与设定的灰度值V1进行比较时，V1的值等于第i层横轴位像图像的平均灰度值；
在将冠状位像素点灰度值E2fs|f＝1,2,...,p；s＝1,2,...，t与设定的灰度值V2进行比较时，V2的值等于第f层冠状位像图像的平均灰度值；
在将矢状位像素点灰度值E3hw|h＝1,2...,q；w＝1,2,...，z与设定的灰度值V3进行比较时，V3的值等于第h层矢状位像图像的平均灰度值。
7.一种肺结节区域标注方法，其特征在于，包括以下步骤：
使用权利要求1-6中任一所述的肺结节区域识别方法得到肺结节区域数据；
判断肺结节区域数据包括的横轴位像素点坐标所属横轴位图像层数量最多的一层；对该层被肺结节区域数据包括的横轴位像素点坐标对应的图像区域的进行数字标注；
判断肺结节区域数据包括的冠状位像素点坐标所属冠状位图像层数量最多的一层；对该层被肺结节区域数据包括的冠状位像素点坐标对应的图像区域的进行数字标注；
判断肺结节区域数据包括的矢状位像素点坐标所属矢状位图像层数量最多的一层；对该层被肺结节区域数据包括的矢状位像素点坐标对应的图像区域的进行数字标注。
8.一种肺结节区域识别系统，其特征在于，包括处理器，所述处理器用于执行如权利要求1-6中任一所述的肺结节区域识别方法。
CN202110388340.6A 2021-04-12 2021-04-12 一种肺结节区域识别方法、标注方法及识别系统 Active CN114943856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110388340.6A CN114943856B (zh) 2021-04-12 2021-04-12 一种肺结节区域识别方法、标注方法及识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110388340.6A CN114943856B (zh) 2021-04-12 2021-04-12 一种肺结节区域识别方法、标注方法及识别系统

Publications (2)

Publication Number Publication Date
CN114943856A true CN114943856A (zh) 2022-08-26
CN114943856B CN114943856B (zh) 2024-04-26

Family

ID=82905722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110388340.6A Active CN114943856B (zh) 2021-04-12 2021-04-12 一种肺结节区域识别方法、标注方法及识别系统

Country Status (1)

Country Link
CN (1) CN114943856B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030103663A1 (en) * 2001-11-23 2003-06-05 University Of Chicago Computerized scheme for distinguishing between benign and malignant nodules in thoracic computed tomography scans by use of similar images
KR20070082138A (ko) * 2006-02-15 2007-08-21 재단법인 아산사회복지재단 다양한 의료 이미지를 제공하는 의료 영상 저장 전송시스템 및 방법
US20140037170A1 (en) * 2012-08-03 2014-02-06 Canon Kabushiki Kaisha Image processing apparatus, image processing method and storage medium
CN103793905A (zh) * 2012-11-02 2014-05-14 上海联影医疗科技有限公司 确定脑部图像冠状位方向的方法及装置
CN103871036A (zh) * 2012-12-12 2014-06-18 上海联影医疗科技有限公司 用于三维数字减影血管造影图像的快速配准和拼接方法
KR20150141831A (ko) * 2014-06-10 2015-12-21 원광대학교산학협력단 의료 영상 분석 장치 및 이의 폐결절과 폐혈관 구분 방법
CN106558045A (zh) * 2016-10-20 2017-04-05 上海联影医疗科技有限公司 一种肺组织分割方法、装置，医学图像处理系统
CN107845091A (zh) * 2017-10-31 2018-03-27 北京青燕祥云科技有限公司 基于预筛查的快速标注方法和系统
CN109978887A (zh) * 2018-12-10 2019-07-05 深圳市旭东数字医学影像技术有限公司 基于医学图像的脊髓自动分割方法及其系统
CN111563876A (zh) * 2020-03-24 2020-08-21 上海依智医疗技术有限公司 一种医学影像的获取方法、显示方法
CN112419247A (zh) * 2020-11-12 2021-02-26 复旦大学 基于机器学习的mr图像脑肿瘤检测方法和系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030103663A1 (en) * 2001-11-23 2003-06-05 University Of Chicago Computerized scheme for distinguishing between benign and malignant nodules in thoracic computed tomography scans by use of similar images
KR20070082138A (ko) * 2006-02-15 2007-08-21 재단법인 아산사회복지재단 다양한 의료 이미지를 제공하는 의료 영상 저장 전송시스템 및 방법
US20140037170A1 (en) * 2012-08-03 2014-02-06 Canon Kabushiki Kaisha Image processing apparatus, image processing method and storage medium
CN103793905A (zh) * 2012-11-02 2014-05-14 上海联影医疗科技有限公司 确定脑部图像冠状位方向的方法及装置
CN103871036A (zh) * 2012-12-12 2014-06-18 上海联影医疗科技有限公司 用于三维数字减影血管造影图像的快速配准和拼接方法
KR20150141831A (ko) * 2014-06-10 2015-12-21 원광대학교산학협력단 의료 영상 분석 장치 및 이의 폐결절과 폐혈관 구분 방법
CN106558045A (zh) * 2016-10-20 2017-04-05 上海联影医疗科技有限公司 一种肺组织分割方法、装置，医学图像处理系统
CN107845091A (zh) * 2017-10-31 2018-03-27 北京青燕祥云科技有限公司 基于预筛查的快速标注方法和系统
CN109978887A (zh) * 2018-12-10 2019-07-05 深圳市旭东数字医学影像技术有限公司 基于医学图像的脊髓自动分割方法及其系统
CN111563876A (zh) * 2020-03-24 2020-08-21 上海依智医疗技术有限公司 一种医学影像的获取方法、显示方法
CN112419247A (zh) * 2020-11-12 2021-02-26 复旦大学 基于机器学习的mr图像脑肿瘤检测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHANG, SHI-WE等: "Embryonic development of the striated muscle complex in rats with anorectal malformations", 《JOURNAL OF PEDIATRIC SURGERY》, vol. 43, no. 8, 31 August 2008 (2008-08-31), pages 1452 - 1458, XP023436431, DOI: 10.1016/j.jpedsurg.2008.02.059 *

Also Published As

Publication number Publication date
CN114943856B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
Yang et al. Comparison of methods for image analysis on cDNA microarray data
CN101027692B (zh) 用于基于滑降的簇的对象表征的系统和方法
CN110807764A (zh) 一种基于神经网络的肺癌筛查方法
CN112132166B (zh) 一种数字细胞病理图像智能分析方法、系统及装置
CN112381811B (zh) 一种实现医学影像数据标注的方法、装置及设备
CN110969623B (zh) 一种肺部ct多征象自动检测方法、系统、终端及存储介质
CN115115841B (zh) 一种阴影斑点图像处理分析方法及系统
CN112215799A (zh) 一种磨玻璃肺结节自动分类方法及系统
CN111340770A (zh) 结合全局加权lbp和纹理分析的癌症预后模型构建方法
CN115713590A (zh) 一种基于ct的三维重建图像处理方法及系统
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
CN116883341A (zh) 一种基于深度学习的肝脏肿瘤ct图像自动分割方法
CN103169506A (zh) 一种自动识别肝癌的超声诊断装置和方法
CN113130050B (zh) 一种医学信息显示方法及显示系统
CN114445328A (zh) 基于改进Faster R-CNN的医学影像脑肿瘤检测方法与系统
CN108399354A (zh) 计算机视觉识别肿瘤的方法和装置
CN114098779A (zh) 尘肺病等级智能判别方法
CN112132798B (zh) 基于Mini ARU-Net网络的复杂背景PCB标记点图像检测方法
CN114943856A (zh) 一种肺结节区域识别方法、标注方法及识别系统
CN1914640A (zh) 从医学图像中自动提取骨的系统和方法
CN107833631A (zh) 一种医学影像计算机辅助分析方法
CN117078698A (zh) 一种基于深度学习的外周血管影像辅助分割方法及系统
CN113256717B (zh) 一种细胞涂片辅助分析方法和系统
CN112132189A (zh) 一种面向cbct图像的密度峰值超像素预处理方法
CN116113984A (zh) 皮肤表面分析装置及皮肤表面分析方法

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