CN115019082B - 一种非侵入性的肝功能分级系统 - Google Patents
一种非侵入性的肝功能分级系统 Download PDFInfo
- Publication number
- CN115019082B CN115019082B CN202210355831.5A CN202210355831A CN115019082B CN 115019082 B CN115019082 B CN 115019082B CN 202210355831 A CN202210355831 A CN 202210355831A CN 115019082 B CN115019082 B CN 115019082B
- Authority
- CN
- China
- Prior art keywords
- liver
- image
- nlbp
- nlgbp
- images
- 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.)
- Active
Links
- 230000003908 liver function Effects 0.000 title claims abstract description 54
- 210000004185 liver Anatomy 0.000 claims abstract description 67
- 102100031290 E3 UFM1-protein ligase 1 Human genes 0.000 claims abstract description 45
- 101100155298 Homo sapiens UFL1 gene Proteins 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 claims description 6
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 6
- 102100027378 Prothrombin Human genes 0.000 claims description 3
- 108010094028 Prothrombin Proteins 0.000 claims description 3
- 230000001476 alcoholic effect Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 229940109239 creatinine Drugs 0.000 claims description 3
- 229940039716 prothrombin Drugs 0.000 claims description 3
- 210000005228 liver tissue Anatomy 0.000 abstract description 4
- 238000001574 biopsy Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 239000008280 blood Substances 0.000 abstract description 2
- 210000004369 blood Anatomy 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002489 hematologic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005779 cell damage Effects 0.000 description 1
- 208000037887 cell injury Diseases 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000005229 liver cell Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种非侵入性的肝功能分级系统，该系统包括NLGBP特征提取模块和SVM分类器，其中NLGBP特征提取模块用于对肝脏ROI图像提取NLGBP特征；SVM分类器用于根据NLGBP特征获取肝脏分级结果。该分级系统克服了血液指标评分和肝脏组织活检方法的缺陷；且通过多尺度多方向的特征提取与NLBP特征相结合，深入挖掘CT图像特征，精确获取类间细微的差异，从而得到准确的肝功能分级结果。
Description
技术领域
本发明属于医学图像处理技术领域，具体涉及一种非侵入性的肝功能分级系统。
背景技术
肝功能检查用于监测人体肝脏分泌、排泄，合成储备功能，是诊断肝细胞损伤、纤维化和肝硬化等肝胆系统疾病的重要手段之一。肝功能评价广泛应用于肝脏外科切除、肝移植、介入治疗等方面。目前，对肝功能进行评价面临的主要问题如下：1)基于血液学指标估算肝功能评分的方法中，血液学检测需要空腹完成，时效性不足，无法满足急诊及危重病人快速诊疗的需求；2)肝脏组织活检方法准确率高，但创伤性大，患者不易接受，临床不将其作为常规检查。
研究显示，肝脏CT图像的影像特征与肝脏病变具有良好的相关性，肝脏CT图像已成为除病理学检查以外良好的潜在替代评估方法。然而，肝脏正常和异常组织在影像学的差异明显，人眼视觉能够区分，而不同等级肝功能CT图像的类间差异细微，对其分类更具挑战性，基于CT图像进行肝功能评价的研究目前鲜有报道。人眼直接观察肝脏组织无法辨别差异，但是从熵、均值等统计值及直方图可以看出，图像之间存在差异。如果能够进一步深入挖掘CT图像特征，开展与肝功能相关的智能医学影像识别方面的研究，揭示医学影像与肝功能分级之间的相关性，将为构建基于CT图像特征描述的肝功能分级新体系，为实现快速、无创的肝功能分级提供理论和技术支持。
发明内容
发明目的：本发明提供一种非侵入性的肝功能分级系统，该系统能够根据肝脏ROI图像得到对应的肝功能分级。
技术方案：本发明采用如下技术方案：
一种非侵入性的肝功能分级系统，包括：
NLGBP特征提取模块1，用于对肝脏ROI图像提取NLGBP特征FNLGBP；
SVM分类器2，用于根据NLGBP特征获取肝脏分级结果；
所述NLGBP特征提取模块包括：
多尺度纹理特征提取模块11，用于提取肝脏ROI图像的多尺度纹理特征Fu,v(x,y)：
其中，I(x,y)表示肝脏ROI图像中坐标(x,y)处的灰度值，“*”表示卷积运算；Au,v(x,y)和θu,v(x,y)分别表示第v个尺度、第u个方向上的幅频和相频响应，u＝0,1,…,7，v＝1,2,…,5；Ψu,v(x,y)为多尺度纹理特征提取滤波器，定义为：
其中，(x,y)为像素点坐标，σx和σy分别为图像中X轴和Y轴上高斯包络的标准差，fv为复正弦平面波在第v个尺度上的中心频率，fmax表示多尺度纹理特征提取滤波器的最大频率；θu为复正弦平面波在第u个方向的角度，θu＝πu/8；
主要方向计算模块12，用于计算像素点(x,y)处各个尺度上的幅频响应最大和最小值所对应的方向数值D1,v(x,y)和D2,v(x,y)：
方向编码模块13，用于根据像素点(x,y)处各个尺度上的幅频响应最大和最小值所对应的方向数值D1,v(x,y)和D2,v(x,y)按下式进行编码：
Cv(x,y)＝8D1,v(x,y)+D2,v(x,y) (5)
其中，Cv(x,y)表示像素点(x,y)在第v个尺度上的编码值，图像中每个像素点的编码值构成方向编码图像；
方向编码图像直方图统计模块14，用于将每个尺度的方向编码图像进行分块直方图统计，并将所有尺度的直方图进行级联，得到方向编码图像的直方图具体步骤为：
将第v个尺度的方向编码图像Cv分为K个子块，计算第k个子块的直方图k＝1,2,…,K；即有：
其中，“∪”表示级联；
像素点排序模块15，用于对肝脏ROI图像中所有像素点按灰度值从小到大进行排序：
其中，表示肝脏ROI图像排序前像素点灰度值构成的集合，表示排序后像素点灰度值构成的序列，M是肝脏ROI图像的像素点数量，sort(·)表示升序排序函数；
anchor确定模块16，用于根据排序后中心像素点灰度值构成的序列确定J个anchor，其中第j个anchor的灰度值为：
其中j＝1,...,J，为向下取整运算符；
差异编码模块17，用于计算像素点与每个anchor之间的差异编码；对于像素点(x,y)，其与第j个anchor的差异编码为：
其中表示像素点(x,y)周围半径为r的邻域内第p个像素点处的灰度值，p＝0,1,…,P-1，P为像素点(x,y)周围半径为r的邻域内像素总数；U(NLBP(x,y))的计算如下：
其中s(·)为符号函数，定义为：
NLBP编码图像获取模块18，用于获取肝脏ROI图像的NLBP编码图像，
对于一幅肝脏ROI图像，生成J个NLBP编码图像，其中第j个NLBP编码图像在像素点(x,y)处的灰度值为j＝1,...,J；
NLBP编码直方图统计模块19，用于获取NLBP编码图像的直方图具体步骤为：
S19.1、对J个NLBP编码图像做如下操作：
将第j个NLBP编码图像分为K个子块，计算其中第k个子块的直方图级联后得到第j个NLBP编码图像的直方图/>
S19.2、将J个NLBP编码图像的直方图进行级联，得到肝脏ROI图像对应的NLBP编码图像的直方图/>
NLGBP特征获取模块20，用于将方向编码图像的直方图和NLBP编码图像的直方图级联，得到肝脏ROI图像的NLGBP特征FNLGBP：
所述SVM分类器按如下步骤进行训练：
S1、采集患者肝脏CT图像和同时期的血液学指标；从肝脏CT图像中提取ROI图像；计算MELD评分；根据MELD评分将肝功能划分为三个等级；
构建训练样本集，所述训练样本集中的样本为肝脏ROI图像，所述样本的标签为肝功能等级；
S2、将样本中的肝脏ROI图像输入NLGBP特征提取模块1中，得到对应的NLGBP特征；以NLGBP特征为输入，样本标签为输出，训练SVM分类器。
具体地，所述MELD评分Rmeld的计算式为：
Rmeld＝3.8×ln a+11.2×ln(INR)+9.6×ln b+6.4×c
其中a和b分别为胆红素浓度和肌酐浓度，单位均为mg/dl；INR为凝血酶原时间国际标准化比值；c为病因影响因子，当患者为胆汁性或酒精性时c为0，其他c为1；
具体地，根据MELD评分将肝功能划分为三个等级，具体为：
Rmeld<15时，等级为低危；15≤Rmeld≤18时，等级为中危；Rmeld≥18时，等级为高危。
作为优选，所述多尺度纹理特征提取模块11中，
作为优选，所述方向编码图像直方图统计模块14和NLBP编码直方图统计模块19采用相同的划分方式将图像划分为K个子块。
有益效果：本发明公开的非侵入性的肝功能分级系统根据肝脏ROI图像得到其肝功能分级结果，克服了血液指标评分和肝脏组织活检方法的缺陷；且通过多尺度多方向的特征提取与NLBP特征相结合，深入挖掘CT图像特征，增大了不同肝功能等级所对应的CT图像之间的特征差异，获得了图像较大范围的像素关系，有效的克服了不同肝功能等级之间差异性过小的不足，精确获取类间细微的差异，从而得到准确的肝功能分级结果。
附图说明
图1为本发明公开的肝功能分级系统组成示意图；
图2为不同肝功能等级的肝脏ROI示意图；
图3为不同肝功能等级的肝脏ROI图像的幅频响应图；
图4为不同肝功能等级的肝脏ROI图像的不同尺度的方向编码图；
图5为像素点邻域内的像素点编码示意图；
图6为不同肝功能等级的肝脏ROI图像的NLGBP编码图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
本发明公开了一种非侵入性的肝功能分级系统，如图1所示，包括：
NLGBP特征提取模块1，用于对肝脏ROI图像提取NLGBP特征FNLGBP；
SVM分类器2，用于根据NLGBP特征获取肝脏分级结果；
所述NLGBP特征提取模块包括：
多尺度纹理特征提取模块11，用于提取肝脏ROI图像的多尺度纹理特征
其中，I(x,y)表示肝脏ROI图像中坐标(x,y)处的灰度值，“*”表示卷积运算；Au,v(x,y)和θu,v(x,y)分别表示第v个尺度、第u个方向上的幅频和相频响应，u＝0,1,…,7，v＝1,2,…,5。肝脏ROI图像为从肝脏CT图像中提取到的，如图2所示，为不同肝功能等级的ROI图像；图3为不同肝功能等级的肝脏ROI图像的幅频响应图，其中图3(a)和图3(b)分别为低危和高危肝功能ROI图像，以及在不同方向，不同尺度下的幅频响应图。
Ψu,v(x,y)为多尺度纹理特征提取滤波器，定义为：
其中，(x,y)为像素点坐标，σx和σy分别为图像中X轴和Y轴上高斯包络的标准差，本实施例中，fv为复正弦平面波在第v个尺度上的中心频率，/>fmax表示多尺度纹理特征提取滤波器的最大频率；θu为复正弦平面波在第u个方向的角度，θu＝πu/8；
从多尺度多方向提取纹理特征，充分考虑了不同肝功能等级的ROI图像纹理结构相似、纹理细节不丰富的特点。为了进一步增大不同肝功能等级之间的差异，提取更为丰富的细节特征的同时克服特征的维度过高的问题，在各个尺度上计算每个像素点的主要方向。
主要方向计算模块12，用于计算像素点(x,y)处各个尺度上的幅频响应最大和最小值所对应的方向数值D1,v(x,y)和D2,v(x,y)：
方向编码模块13，用于根据像素点(x,y)处各个尺度上的幅频响应最大和最小值所对应的方向数值D1,v(x,y)和D2,v(x,y)按下式进行编码：
Cv(x,y)＝8D1,v(x,y)+D2,v(x,y) (5)
其中，Cv(x,y)表示像素点(x,y)在第v个尺度上的编码值，图像中每个像素点的编码值构成方向编码图像；如图4所示，为不同肝功能等级的肝脏ROI图像不同尺度的方向编码图；其中图4(a)和图4(b)分别为低危和高危肝功能ROI图像，以及在5个尺度的方向编码图。
方向编码图像直方图统计模块14，用于将每个尺度的方向编码图像进行分块直方图统计，并将所有尺度的直方图进行级联，得到方向编码图像的直方图具体步骤为：
将第v个尺度的方向编码图像Cv分为K个子块，计算第k个子块的直方图k＝1,2,…,K；即有：
其中，“∪”表示级联；
像素点排序模块15，用于对肝脏ROI图像中所有像素点按灰度值从小到大进行排序：
其中，表示肝脏ROI图像排序前像素点灰度值构成的集合，表示排序后像素点灰度值构成的序列，M是肝脏ROI图像的像素点数量，sort(·)表示升序排序函数；
像素点排序模块15图像的所有像素点的灰度值进行排序，能够获得较大范围的像素关系对紧致邻域的影响。
anchor确定模块16，用于根据排序后中心像素点灰度值构成的序列确定J个anchor；其中第j个anchor的灰度值为：
其中j＝1,...,J，为向下取整运算符；
差异编码模块17，用于计算像素点与每个anchor之间的差异编码；对于像素点(x,y)，其与第j个anchor的差异编码为：
其中表示像素点(x,y)周围半径为r的邻域内第p个像素点处的灰度值，p＝0,1,…,P-1，P为像素点(x,y)周围半径为r的邻域内像素总数；U(NLBP(x,y))的计算如下：
其中s(·)为符号函数，定义为：
如图5所示，当r＝1时，像素点(x,y)周围的8个像素点构成其邻域，即P＝8，图5中像素点中的数字表示邻域内像素点的编号，即p的值。式(11)计算了像素点(x,y)周围半径为r的邻域内相邻像素点灰度值之差的和。
差异编码模块17采用扩展的旋转不变编码方式，对其邻域中的像素点与每个anchor之间的差异进行编码。在纹理图像中有局部的冗余，计算的anchor通过简单的平均，可以大致捕捉到图像中强度的分布信息。很明显，当图像旋转，计算的anchor是不变的。
NLBP编码图像获取模块18，用于获取肝脏ROI图像的NLBP编码图像；
对于一幅肝脏ROI图像，会生成J个NLBP编码图像，其中第j个NLBP编码图像在像素点(x,y)处的灰度值为差异编码模块17计算得到的j＝1,...,J。如图6所示，为J取不同值时不同肝功能等级的肝脏ROI图像的NLGBP编码图像；其中图6(a)为低危时J分别取1-4时得到的NLBP编码图像，图6(b)为高危时J分别取1-4时得到的NLBP编码图像。NLBP编码直方图统计模块19，用于获取NLBP编码图像的直方图/>具体步骤为：
S19.1、对J个NLBP编码图像做如下操作：
采用方向编码图像直方图统计模块14对方向编码图像划分方式，将第j个NLBP编码图像分为K个子块，计算其中第k个子块的直方图级联后得到第j个NLBP编码图像的直方图/>
S19.2、将J个NLBP编码图像的直方图进行级联，得到肝脏ROI图像对应的NLBP编码图像的直方图/>
NLGBP特征获取模块20，用于将方向编码图像的直方图和NLBP编码图像的直方图级联，得到肝脏ROI图像的NLGBP特征FNLGBP：
所述SVM分类器2按如下步骤进行训练：
S1、采集患者肝脏CT图像和同时期的血液学指标；从肝脏CT图像中提取ROI图像；计算MELD评分；根据MELD评分将肝功能划分为三个等级；
所述MELD评分Rmeld的计算式为：
Rmeld＝3.8×ln a+11.2×ln(INR)+9.6×ln b+6.4×c
其中a和b分别为胆红素浓度和肌酐浓度，单位均为mg/dl；INR为凝血酶原时间国际标准化比值；c为病因影响因子，当患者为胆汁性或酒精性时c为0，其他c为1；
根据MELD评分将肝功能划分为三个等级，具体为：
Rmeld<15时，等级为低危；15≤Rmeld≤18时，等级为中危；Rmeld≥18时，等级为高危。
构建训练样本集，所述训练样本集中的样本为肝脏ROI图像，所述样本的标签为肝功能等级；
S2、将样本中的肝脏ROI图像输入NLGBP特征提取模块1中，得到对应的NLGBP特征；以NLGBP特征为输入，样本标签为输出，训练SVM分类器。
在使用时，获取待分级的肝脏ROI图像，将其输入非侵入性的肝功能分级系统中，NLGBP特征提取模块1提取输入图像的NLGBP特征FNLGBP；SVM分类器2根据FNLGBP得到输入图像的肝功能分级结果。
最后，应当理解的是，本发明中所述实施例仅用以说明本发明实施例的原则；其他的变形也可能属于本发明的范围；因此，作为示例而非限制，本发明实施例的替代配置可视为与本发明的教导一致；相应地，本发明的实施例不限于本发明明确介绍和描述的实施例。
Claims (6)
1.一种非侵入性的肝功能分级系统，其特征在于，包括：
NLGBP特征提取模块(1)，用于对肝脏ROI图像提取NLGBP特征FNLGBP；
SVM分类器(2)，用于根据NLGBP特征获取肝脏分级结果；
所述NLGBP特征提取模块包括：
多尺度纹理特征提取模块(11)，用于提取肝脏ROI图像的多尺度纹理特征Fu,v(x,y)：
其中，I(x,y)表示肝脏ROI图像中坐标(x,y)处的灰度值，“*”表示卷积运算；Au,v(x,y)和θu,v(x,y)分别表示第v个尺度、第u个方向上的幅频和相频响应，u＝0,1,…,7，v＝1,2,…,5；Ψu,v(x,y)为多尺度纹理特征提取滤波器，定义为：
其中，(x,y)为像素点坐标，σx和σy分别为图像中X轴和Y轴上高斯包络的标准差，fv为复正弦平面波在第v个尺度上的中心频率，fmax表示多尺度纹理特征提取滤波器的最大频率，θu为复正弦平面波在第u个方向的角度，θu＝πu/8；
主要方向计算模块(12)，用于计算像素点(x,y)处各个尺度上的幅频响应最大和最小值所对应的方向数值D1,v(x,y)和D2,v(x,y)：
方向编码模块(13)，用于根据像素点(x,y)处各个尺度上的幅频响应最大和最小值所对应的方向数值D1,v(x,y)和D2,v(x,y)按下式进行编码：
Cv(x,y)＝8D1,v(x,y)+D2,v(x,y) (5)
其中，Cv(x,y)表示像素点(x,y)在第v个尺度上的编码值，图像中每个像素点的编码值构成方向编码图像；
方向编码图像直方图统计模块(14)，用于将每个尺度的方向编码图像进行分块直方图统计，并将所有尺度的直方图进行级联，得到方向编码图像的直方图具体步骤为：
将第v个尺度的方向编码图像Cv分为K个子块，计算第k个子块的直方图k＝1,2,*,K；即有：
其中，“∪”表示级联；
像素点排序模块(15)，用于对肝脏ROI图像中所有像素点按灰度值从小到大进行排序：
其中，表示肝脏ROI图像排序前像素点灰度值构成的集合，/>表示排序后像素点灰度值构成的序列，M是肝脏ROI图像的像素点数量，sort(·)表示升序排序函数；
anchor确定模块(16)，用于根据排序后中心像素点灰度值构成的序列确定J个anchor，其中第j个anchor的灰度值为：
其中j＝1,...,J， 为向下取整运算符；
差异编码模块(17)，用于计算像素点与每个anchor之间的差异编码；对于像素点(x,y)，其与第j个anchor的差异编码为：
其中表示像素点(x,y)周围半径为r的邻域内第p个像素点处的灰度值，p＝0,1,…,P-1，P为像素点(x,y)周围半径为r的邻域内像素总数；U(NLBP(x,y))的计算如下：
其中s(·)为符号函数，定义为：
NLBP编码图像获取模块(18)，用于获取肝脏ROI图像的NLBP编码图像，
对于一幅肝脏ROI图像，生成J个NLBP编码图像，其中第j个NLBP编码图像在像素点(x,y)处的灰度值为
NLBP编码直方图统计模块(19)，用于获取NLBP编码图像的直方图具体步骤为：
S19.1、对J个NLBP编码图像做如下操作：
将第j个NLBP编码图像分为K个子块，计算其中第k个子块的直方图级联后得到第j个NLBP编码图像的直方图/>
S19.2、将J个NLBP编码图像的直方图进行级联，得到肝脏ROI图像对应的NLBP编码图像的直方图/>
NLGBP特征获取模块(20)，用于将方向编码图像的直方图和NLBP编码图像的直方图级联，得到肝脏ROI图像的NLGBP特征FNLGBP：
2.根据权利要求1所述的肝功能分级系统，其特征在于，所述SVM分类器按如下步骤进行训练：
S1、采集患者肝脏CT图像和同时期的血液学指标；从肝脏CT图像中提取ROI图像；计算MELD评分；根据MELD评分将肝功能划分为三个等级；
构建训练样本集，所述训练样本集中的样本为肝脏ROI图像，所述样本的标签为肝功能等级；
S2、将样本中的肝脏ROI图像输入NLGBP特征提取模块(1)中，得到对应的NLGBP特征；以NLGBP特征为输入，样本标签为输出，训练SVM分类器。
3.根据权利要求2所述的肝功能分级系统，其特征在于，所述MELD评分Rmeld的计算式为：
Rmeld＝3.8×lna+11.2×ln(INR)+9.6×lnb+6.4×c
其中a和b分别为胆红素浓度和肌酐浓度，单位均为mg/dl；INR为凝血酶原时间国际标准化比值；c为病因影响因子，当患者为胆汁性或酒精性时c为0，其他c为1。
4.根据权利要求3所述的肝功能分级系统，其特征在于，根据MELD评分将肝功能划分为三个等级，具体为：
Rmeld<15时，等级为低危；15≤Rmeld≤18时，等级为中危；Rmeld≥18时，等级为高危。
5.根据权利要求1所述的肝功能分级系统，其特征在于，所述多尺度纹理特征提取模块(11)中，
6.根据权利要求1所述的肝功能分级系统，其特征在于，所述方向编码图像直方图统计模块(14)和NLBP编码直方图统计模块(19)采用相同的划分方式将图像划分为K个子块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210355831.5A CN115019082B (zh) | 2022-04-06 | 2022-04-06 | 一种非侵入性的肝功能分级系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210355831.5A CN115019082B (zh) | 2022-04-06 | 2022-04-06 | 一种非侵入性的肝功能分级系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115019082A CN115019082A (zh) | 2022-09-06 |
| CN115019082B true CN115019082B (zh) | 2024-05-07 |
Family
ID=83067596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210355831.5A Active CN115019082B (zh) | 2022-04-06 | 2022-04-06 | 一种非侵入性的肝功能分级系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115019082B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
| CN107169998A (zh) * | 2017-06-09 | 2017-09-15 | 西南交通大学 | 一种基于肝脏超声造影图像的实时跟踪及定量分析方法 |
| CN110074809A (zh) * | 2019-06-17 | 2019-08-02 | 祁小龙 | Ct图像的肝静脉压力梯度分类方法以及计算机设备 |
| CN112200763A (zh) * | 2020-08-24 | 2021-01-08 | 江苏科技大学 | 一种基于肝脏ct影像的肝功能分级方法 |
| CN113205111A (zh) * | 2021-04-07 | 2021-08-03 | 零氪智慧医疗科技(天津)有限公司 | 适用于肝脏肿瘤的识别方法、装置及电子设备 |
| CN114049345A (zh) * | 2021-11-25 | 2022-02-15 | 江苏科技大学 | 一种基于数据集的肝脏ct图像分类方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015054666A1 (en) * | 2013-10-10 | 2015-04-16 | Board Of Regents, The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multi-classifier ensemble schemes |
| CN111178449B (zh) * | 2019-12-31 | 2021-11-05 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法 |
-
2022
- 2022-04-06 CN CN202210355831.5A patent/CN115019082B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
| CN107169998A (zh) * | 2017-06-09 | 2017-09-15 | 西南交通大学 | 一种基于肝脏超声造影图像的实时跟踪及定量分析方法 |
| CN110074809A (zh) * | 2019-06-17 | 2019-08-02 | 祁小龙 | Ct图像的肝静脉压力梯度分类方法以及计算机设备 |
| CN112200763A (zh) * | 2020-08-24 | 2021-01-08 | 江苏科技大学 | 一种基于肝脏ct影像的肝功能分级方法 |
| CN113205111A (zh) * | 2021-04-07 | 2021-08-03 | 零氪智慧医疗科技(天津)有限公司 | 适用于肝脏肿瘤的识别方法、装置及电子设备 |
| CN114049345A (zh) * | 2021-11-25 | 2022-02-15 | 江苏科技大学 | 一种基于数据集的肝脏ct图像分类方法 |
Non-Patent Citations (7)
| Title |
|---|
| Non-invasive diagnosis of liver fibrosis: A review of current imaging modalities;Wu, L;《GASTROENTEROLOGIA Y HEPATOLOGIA》;20200521;全文 * |
| Performance evaluation of the textural analysis algorithms in liver fibrosis detection using ultrasound software phantoms;Cristian Vicas;《Proceedings of the 2010 IEEE 6th International Conference on Intelligent Computer Communication and Processing》;20101021;全文 * |
| 基于图像硬度和边缘纹理特征量的肝纤维化诊断研究;瞿祥和;《硕士电子期刊》;20170215;全文 * |
| 基于多尺度方向数值模式的肝功能分级方法;黄炜嘉;《计算机工程与设计》;20220316;全文 * |
| 基于小波变换的肝脏CT图像分类;韩晓军;赵宇;杨国环;;天津工业大学学报;20150225(第01期);全文 * |
| 基于形状纹理特征的食管癌和肝包虫病图像分类;娜迪亚・阿卜杜迪克依木;姚娟;刘志华;严传波;;中国医学物理学杂志;20191225(第12期);全文 * |
| 娜迪亚・阿卜杜迪克依木 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115019082A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
| CN109191457B (zh) | 一种病理图像质量有效性识别方法 | |
| US5627907A (en) | Computerized detection of masses and microcalcifications in digital mammograms | |
| CN103249358B (zh) | 医用图像处理装置 | |
| Vécsei et al. | Automated Marsh-like classification of celiac disease in children using local texture operators | |
| Tang et al. | Segnet-based gland segmentation from colon cancer histology images | |
| CN113269225A (zh) | 基于影像组学的非侵入式肝脏上皮样血管平滑肌脂肪瘤图像分类装置 | |
| CN111160135A (zh) | 基于改进的Faster R-cnn的尿红细胞病变识别与统计方法和系统 | |
| CN108695000B (zh) | 基于超声图像的甲状腺弥漫性疾病智能诊断系统 | |
| CN113781455B (zh) | 宫颈细胞图像异常检测方法、装置、设备及介质 | |
| CN112200763A (zh) | 一种基于肝脏ct影像的肝功能分级方法 | |
| CN108596174A (zh) | 一种皮肤病影像的病灶定位方法 | |
| CN114529505A (zh) | 一种基于深度学习的乳腺病变风险评估系统 | |
| CN110390678A (zh) | 一种结直肠癌ihc染色图像的组织类型分割方法 | |
| Li et al. | Computer aided diagnosis of fatty liver ultrasonic images based on support vector machine | |
| CN112270667A (zh) | 一种基于ti-rads的集成深度学习多标签识别方法 | |
| JP2024027078A (ja) | マルチスケールに基づく全スライド病理特徴融合抽出方法、システム、電子機器及び記憶媒体 | |
| Pitoya et al. | Dermoscopy image segmentation in melanoma skin cancer using Otsu thresholding method | |
| CN115019082B (zh) | 一种非侵入性的肝功能分级系统 | |
| CN114764855A (zh) | 基于深度学习的膀胱镜下肿瘤智能分割方法、装置及设备 | |
| CN111724356A (zh) | 一种用于ct影像肺炎识别的图像处理方法和系统 | |
| CN1226609C (zh) | 分析生物样品用的方法 | |
| CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
| Wang et al. | Investigation of methodologies for the segmentation of squamous epithelium from cervical histological virtual slides | |
| CN115101150A (zh) | 一种普外科临床用肿瘤手术的标本收集方法 |
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 |