CN115393280A - 多个ct重建序列影像组学特征预测肺结节风险的系统 - Google Patents
多个ct重建序列影像组学特征预测肺结节风险的系统 Download PDFInfo
- Publication number
- CN115393280A CN115393280A CN202210893758.7A CN202210893758A CN115393280A CN 115393280 A CN115393280 A CN 115393280A CN 202210893758 A CN202210893758 A CN 202210893758A CN 115393280 A CN115393280 A CN 115393280A
- Authority
- CN
- China
- Prior art keywords
- image data
- omics
- lung
- dimensional
- image
- 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
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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- 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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于医学图像处理技术领域,具体涉及一种基于多个CT重建序列影像组学特征预测肺结节风险的系统。系统包括:图像预处理模块,用于对CT图像数据进行预处理;分割模块,用于从CT图像数据中分割出肺结节;特征提取模块,用于从CT图像数据中提取三维影像组学特征;预测模块,用于输入所述三维影像组学特征,得到肺结节良恶性的预测结果;其中,所述CT图像数据由如下重建序列组成:5mm肺窗、5mm纵隔窗、5mm对比增强扫描和1mm常规扫描;或,所述CT图像数据由如下重建序列组成:5mm肺窗、5mm纵隔窗和1mm常规扫描。本发明通过评估‑不同CT重建序列影像组学特征的预测价值,实现了更加准确的肺结节良恶性预测,具有很好的应用前景。
Description
技术领域
本发明属于医学图像处理技术领域,具体涉及一种基于多个CT重建序列影像组学特征预测肺结节风险的系统。
背景技术
肺癌的发病率和死亡率居癌症之首。近20年来,它也是恶性肿瘤中五年生存率较低的一种癌症。五年生存率主要受诊断时的临床分期影响。早期肺癌的五年生存率大约是晚期肺癌的十倍。早期筛查在肺癌诊断中越来越重要。目前,肺癌的早期诊断率仅为19%-38%,仍然有必要进一步提升。
胸部计算机断层扫描(CT)已成为公认的肺癌筛查标准工具。与其他成像方式相比,CT可以清晰显示微小结节,并常规用于体检或肺部微小结节的随访观察。然而,从CT图像中检测肺结节需要放射科医生仔细筛查,对CT图像中显示的良性和恶性肺结节的初步判断也需要大量的工作经验。此外,对患者的随访指导还依赖于复杂的随访机制。因此,在筛查阶段对肺结节的性质作出初步判断尤为重要。
随着计算能力和算法的快速发展,可以从医学图像中提取大量不可见的定量信息并应用于临床研究。影像组学是一种可以应用数字量化成像特征的技术,从一阶统计特征到二阶或转换的高阶特征,以促进临床研究。影像组学已被应用于肿瘤研究,可以指示肿瘤分期、病理类型、基因分型和肿瘤微环境。它还可以作为鉴别肺结节良恶性的一种候选工具。据报道,利用基线CT图像的影像组学特征预测癌症发生是可行的(Med Phys 2018;45:1537-1549.Quant Imag Med Surg 2019;9:263-272.Lung Cancer 2018;125:109-114.)。然而,没有进一步研究说明成像重建参数对结果的影响。
既往基于CT的肺结节影像组学研究仅考虑了单个或几个成像重建参数,如重建间距、卷积核、是否有增强。目前尚不能从定量角度来看,不同的重建参数是否会影响肺结节的影像组学特征。如何选择影像组学特征,进一步提升模型预测肺结节良恶性的准确性,依然是本领域亟需解决的问题。
发明内容
针对现有技术的问题,本发明提供一种基于多个CT重建序列影像组学特征预测肺结节风险的系统,目的在于选择合适的影像组学特征,实现更加准确的肺结节良恶性预测。
一种基于多个CT重建序列影像组学特征预测肺结节风险的系统,包括:
图像预处理模块,用于对CT图像数据进行预处理;
分割模块,用于从CT图像数据中分割出肺结节;
特征提取模块,用于从CT图像数据中提取三维影像组学特征;
预测模块,用于输入所述三维影像组学特征,得到肺结节良恶性的预测结果;
其中,所述CT图像数据由如下重建序列组成:5mm肺窗、5mm纵隔窗、5mm对比增强扫描和1mm常规扫描;或,所述CT图像数据由如下重建序列组成:5mm肺窗、5mm纵隔窗和1mm常规扫描。
优选的,所述预处理过程包括重采样、拉普拉斯增强和高斯滤波。
优选的,所述分割的过程应用Lung Intelligence Kit软件完成。
优选的,所述提取三维影像组学特征的过程应用Artificial Intelligence Kit软件完成。
优选的,在提取三维影像组学特征之前,CT图像数据的CT值以binWidth=25HU进行离散。
优选的,所述三维影像组学特征包括以下类别的特征中的至少一种:一阶、灰度共生矩阵、灰度游程长度矩阵、灰度大小区域矩阵、相邻灰度差矩阵、灰度相关性矩阵、形状、高斯滤波特征、一阶小波滤波特征和三维局部二进制模式相关特征。
优选的,输入所述预测模块的三维影像组学特征的种类通过如下方法进行选择:
步骤1,从CT图像数据中提取三维影像组学特征;
步骤2,采用单变量相关分析,选择部分种类的三维影像组学特征;
步骤3,采用PCA选择步骤2得到的三维影像组学特征,最终保留10个三维影像组学特征。
优选的,所述预测模块中,通过逻辑回归模型得到肺结节良恶性的预测结果。
本发明还提供一种计算机可读存储介质,其上存储有用于实现上述基于多个CT重建序列影像组学特征预测肺结节风险的系统的计算机程序。
本发明对不同重建参数的(厚度、肺窗或纵隔窗、增强与否)的CT图像进行三维影像组学特征的提取,并将这些三维影像组学特征进行组合,实现了更加准确的肺结节良恶性的预测。有助于对恶性结节的有效干预,减少对良性结节的过度医疗,具有很好的应用前景。
显然,根据本发明的上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为实验例1的流程示意图;
图2为一名患者的四个不同CT序列,从三个解剖方向(轴向、矢状、冠状)显示同一结节;
图3为实验例1中训练集和测试集中所有模型的ROC曲线;
图4为实验例1中“5SLC+1”模型在训练集和测试集的校准曲线;
图5为实验例1中训练集和测试集中所有模型决策曲线。多序列联合影像组学模型具有更明显的临床实用性(概率阈值≈0.35)。
具体实施方式
需要特别说明的是,实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法,以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
实施例1基于多个CT重建序列影像组学特征预测肺结节风险的系统本实施例的系统包括:
图像预处理模块,用于对CT图像数据进行预处理;
分割模块,用于从CT图像数据中分割出肺结节;
特征提取模块,用于从CT图像数据中提取三维影像组学特征;
预测模块,用于输入所述三维影像组学特征,得到肺结节良恶性的预测结果。
其中,所述CT图像数据由如下重建序列组成:5mm肺窗、5mm纵隔窗、5mm对比增强扫描和1mm常规扫描;或,所述CT图像数据由如下重建序列组成:5mm肺窗、5mm纵隔窗和1mm常规扫描。
采用上述系统进行肺结节良恶性预测的方法为:
步骤一,对CT图像数据进行预处理,所述预处理过程包括重采样、拉普拉斯增强和高斯滤波。
步骤二,应用Lung Intelligence Kit软件从CT图像数据中分割出肺结节。
步骤三,应用AK软件从CT图像数据中提取三维影像组学特征;在提取三维影像组学特征之前,CT图像数据的CT值以binWidth=25HU进行离散。
所述三维影像组学特征包括以下类别的特征中的至少一种:一阶、灰度共生矩阵、灰度游程长度矩阵、灰度大小区域矩阵、相邻灰度差矩阵、灰度相关性矩阵、形状、高斯滤波特征、一阶小波滤波特征和三维局部二进制模式相关特征。
步骤四,将三维影像组学特征输入逻辑回归模型,得到肺结节良恶性的预测结果。
在建模和后续预测过程中,输入逻辑回归模型的三维影像组学特征的种类通过如下方法进行选择:
步骤1,从CT图像数据中提取三维影像组学特征;
步骤2,采用单变量相关分析,选择部分种类的三维影像组学特征;
步骤3,采用PCA选择步骤2得到的三维影像组学特征,最终保留10个三维影像组学特征。
下面通过实验例对本发明的技术方案作进一步说明。实验例中未具体说明的操作步骤与实施例1相同。
实验例1重建序列组合的选择
一、实验方法
1、设计
图1显示了本实验例的流程设计框架。包括两个阶段,特征提取和影像组学分析。在第一阶段,对原始的图像进行预处理,分割肺结节,并提取影像组学特征。在第二阶段,将提取的三维影像组学特征(后文简称为“特征”)分组到15个队列中,从每个队列中筛选特征,然后构建逻辑回归模型来比较每个队列在预测良性和恶性肺结节方面的性能。
2、患者
在华西医院筛选2010-2018年期间261例病理诊断明确的肺结节患者。每个入选患者应具有四个重建序列:5mm肺窗、5mm纵隔窗、5mm对比增强扫描和1mm常规扫描。CT图像应包括整个胸部结构。此外,每个患者必须至少有一个在所有四个CT序列上都可见的肺结节。对于多发结节的患者,后续处理均指直径最大的结节。
进一步过滤后,最终纳入148名患者(592个NIFTY格式图像),57名男性和91名女性;平均年龄54.49±11.1岁,年龄范围26-77岁。其中良性75例(50.68%),恶性73例(49.32%)。基线临床病理数据,包括性别、年龄、大小、位置和病理诊断结果,均来自机构病历系统。
3、CT采集方法
图像来自64层多探测器胸部CT扫描仪(SOMATOM、Definition Flash、Siemens)。扫描参数包括:80-140kVp;98-678mA;旋转时间0.5s;重建直径295-489mm;矩阵512×512;工作台速度30.6-139.3mm/s;重建截面厚度1mm和5mm。对比增强CT图像使用拜耳公司的电动注射器以3.5-4.0mL/s的注射速率静脉注射非离子造影剂后获得。动脉期图像重建延迟18至24秒。延迟45秒重建门静脉相位图像。卷积核包括B80f、B75f、B70f、B60f、B50f、B31f、B30f、I70f3、I70f2、I50f1、I31f3、I31f1、I30f1。最后,重建5种CT序列:5mm肺窗、5mm纵隔窗和5mm对比增强扫描(后文分别简写为“5L”、“5S”和“5C”);1mm常规薄层扫描(后文简写为“1mm”)和1mm对比增强扫描。
4、图像预处理、感兴趣区域分割和特征提取
应用LK软件(Lung Intelligence Kit,版本1.5.0,GE Healthcare)完成感兴趣区域(ROI)的预处理和分割。预处理过程包括重采样(空间分辨率=1mm×1mm×1mm)、拉普拉斯增强和高斯滤波(标准偏差=0.5)。接下来,LK软件自动分割592幅图像中的肺结节,包括肺叶分割、结节检测和病变分析。该过程的输出包括不同的肺叶、血管和所有肺结节。两位放射科医生审查了每个序列的分割,确保ROI与相应的病理结果一致。软件描绘的结节约有40%是人工修改的。分割结果的一个示例如图2所示。
AK软件(人工智能工具包,版本3.3.0,GE Healthcare)自动从每个患者的每个序列中提取三维影像组学特征。每个序列计算了1409个基于以下类别的特征,特征数量在括号中:一阶(n=18)、灰度共生矩阵(GLCM,n=24)、灰度游程长度矩阵(GLRLM,n=16)、灰度大小区域矩阵(GLSZM,n=16)、相邻灰度差矩阵(NGTDM,n=5)、灰度相关性矩阵(GLDM,n=14)、形状(n=14),高斯滤波特征(n=186,Sigma=1.0,3.0,5.0)、一阶小波滤波特征(n=744,Level=1)和三维局部二进制模式相关特征(n=372,Level=2)。在所有特征提取之前,CT值以binWidth=25HU进行离散。
5、特征提取与逻辑回归模型构建
在第二阶段开始时,将获得的每个患者四个不同序列的特征分别重新组合为15个队列:①单窗口(4个队列):“5S”、“5L”、“5C”和“1mm”,每个队列中有1409个特征;②双窗联合(6个队列):“5SL”(代表同一患者的5mm纵隔窗和5mm肺窗,下同)、“5SC”、“5S+1”(代表同一患者的5mm纵隔窗和1mm常规扫描,下同)、“5LC”、“5L+1”和“5C+1”,每组2818个特征;③三窗口联合(4个队列):“5SLC”、“5SL+1”、“5LC+1”和“SC+1”,每个队列中有4227个特征;和④所有窗口联合:“5SLC+1”,具有5636个特征。
本实验例的目的是比较不同CT序列组合在预测良性和恶性肺结节中的效能。因此,有必要同时对多个组合进行稳健的统一建模分析。处理多维数据的一个挑战是特征的冗余会导致模型过度拟合。为了避免过度拟合并确保模型结果的稳定可比性,本实验例尝试了各种特征筛选算法,主要分析步骤如下:①训练组(104名患者)和测试组(44名患者)通过分层抽样以7:3的比例随机分开。缺失值和异常值(超出平均值±标准差)由特定方差的中位数代替。②用Z评分进行标准化后,依次进行单变量相关分析(截止值=0.7)和主成分分析(主成分分析,成分=10),以提取主要特征。③最后,建立逻辑回归模型。
6、统计分析
所有统计分析均使用IPMs(版本1.1,GE Healthcare)和SPSS(版本28.0)进行。通过获取ROC曲线和曲线下面积(AUC)来评估机器学习模型的识别性能。根据约登指数处最佳截断值,在训练集和测试集来计算准确性、敏感性和特异性。Delong检验用于比较配对模型的AUC。通过标准曲线和Hosmer-Lemeshow检验(HL检验)分析模型的拟合优度。进行决策曲线分析以评估每个模型的临床价值。净重分类改进(NRI)和综合判别改进(IDI)被用来评估几个性能更好的模型的改进能力。双尾p值<0.05表示有统计学意义。
二、实验结果
1、临床特征和病理结果
表1总结了患者人口统计学数据和相应肺结节的特征。在所有148例患者中,结节的最大直径为5mm至92mm(平均±SD=19.15±17.63mm)。所有结节中,65个最大直径>10mm(平均值±SD=33.54±18.49mm),而83个≤10mm(平均值±标准差=8.02±1.74mm)。此外,多数结节位于右肺上叶(51例,34.46%)。从组织学和病理学诊断结果来看,最常见的恶性结节是腺癌(49,33.11%),良性结节中比例最大的是慢性炎症(36,24.32%)。
表1患者的人口学特征和相应肺结节数据
2、影像组学特征选择
在特征选择的第一步进行单变量相关分析,每个队列中的剩余特征约占原始特征的10.8%(平均值±标准差=10.8%±1%)。在第二步PCA选择中,为了确保每组的特征能够解释组内的大部分影像信息,并且组间具有良好的可比性,每组还保留了10个特征。
3、模型性能
所有模型的ROC曲线如图3所示。有11个队列的测试集AUC数据大于0.7。模型的最佳预测性能为队列“5SLC+1”,训练集数据的AUC为0.825(95%CI 0.756-0.888),测试集数据的AUC为0.743(95%CI 0.607-0.862)。第二队列为“5SL+1”(AUC=0.741,95%CI:0.611-0.858),AUC值仅比“5SLC+1”低0.002。以下两组队列的AUC值非常相似:“5SLC”(AUC=0.737,95%CI:0.601-0.859)与“5SC”(AUC=0.737,95%CI:0.599-0.860),“5L+1”(AUC=0.709,95%CI:0.564-0.840)和“5S”(AUC=0.709,95%CI:0.567-0.830)。
表2 15个模型的预测效能
如图4所示,“5SLC+1”的校准曲线也说明该组影像组学模型的分类效果是可接受的。15个模型的决策曲线分析如图5所示。多序列联合影像组学模型能较好地预测结节的良恶性,具有明显的临床实用性。HL检验结果在五分之四的队列中p>0.05,说明模型拟合良好。然而在队列“5L+1”(p=0.023)、“5S+1”(p=0.005)和“1mm”(p=0.039)中,模型的拟合不佳。所有影像组学模型的准确性、敏感性和特异性如表2所示。NRI和IDI结果显示,与“5SLC”、“5SL+1”、“5SL”、“5L”和“5S”相比,corhort“5SLC+1”有显著改善。
通过上述结果可见,在所有不同重建序列的组合中,5mm肺窗、5mm纵隔窗、5mm对比增强扫描和1mm常规扫描的组合在预测肺癌风险方面优于其他队列。其次,5mm肺窗、5mm纵隔窗和1mm常规扫描的组合也具有较优的性能。
通过上述实施例和实验例可以看到,本发明对CT序列和三维影像组学特征的组合进行了优选,实现了更加准确的肺结节良恶性的预测,具有很好的应用前景。
Claims (9)
1.一种基于多个CT重建序列影像组学特征预测肺结节风险的系统,其特征在于,包括:
图像预处理模块,用于对CT图像数据进行预处理;
分割模块,用于从CT图像数据中分割出肺结节;
特征提取模块,用于从CT图像数据中提取三维影像组学特征;
预测模块,用于输入所述三维影像组学特征,得到肺结节良恶性的预测结果;
其中,所述CT图像数据由如下重建序列组成:5mm肺窗、5mm纵隔窗、5mm对比增强扫描和1mm常规扫描;或,所述CT图像数据由如下重建序列组成:5mm肺窗、5mm纵隔窗和1mm常规扫描。
2.按照权利要求1所述的系统,其特征在于:所述预处理过程包括重采样、拉普拉斯增强和高斯滤波。
3.按照权利要求1所述的系统,其特征在于:所述分割的过程应用Lung IntelligenceKit软件完成。
4.按照权利要求1所述的系统,其特征在于:所述提取三维影像组学特征的过程应用Artificial Intelligence Kit软件完成。
5.按照权利要求1所述的系统,其特征在于:在提取三维影像组学特征之前,CT图像数据的CT值以binWidth=25HU进行离散。
6.按照权利要求1所述的系统,其特征在于:所述三维影像组学特征包括以下类别的特征中的至少一种:一阶、灰度共生矩阵、灰度游程长度矩阵、灰度大小区域矩阵、相邻灰度差矩阵、灰度相关性矩阵、形状、高斯滤波特征、一阶小波滤波特征和三维局部二进制模式相关特征。
7.按照权利要求1或6所述的系统,其特征在于:输入所述预测模块的三维影像组学特征的种类通过如下方法进行选择:
步骤1,从CT图像数据中提取三维影像组学特征;
步骤2,采用单变量相关分析,选择部分种类的三维影像组学特征;
步骤3,采用PCA选择步骤2得到的三维影像组学特征,最终保留10个三维影像组学特征。
8.按照权利要求1所述的系统,其特征在于:所述预测模块中,通过逻辑回归模型得到肺结节良恶性的预测结果。
9.一种计算机可读存储介质,其特征在于:其上存储有用于实现权利要求1-8任一项所述的基于多个CT重建序列影像组学特征预测肺结节风险的系统的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893758.7A CN115393280A (zh) | 2022-07-27 | 2022-07-27 | 多个ct重建序列影像组学特征预测肺结节风险的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893758.7A CN115393280A (zh) | 2022-07-27 | 2022-07-27 | 多个ct重建序列影像组学特征预测肺结节风险的系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115393280A true CN115393280A (zh) | 2022-11-25 |
Family
ID=84116940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210893758.7A Pending CN115393280A (zh) | 2022-07-27 | 2022-07-27 | 多个ct重建序列影像组学特征预测肺结节风险的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393280A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823818A (zh) * | 2023-08-28 | 2023-09-29 | 四川省肿瘤医院 | 基于三维影像组学特征的肺结节识别系统和方法 |
-
2022
- 2022-07-27 CN CN202210893758.7A patent/CN115393280A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823818A (zh) * | 2023-08-28 | 2023-09-29 | 四川省肿瘤医院 | 基于三维影像组学特征的肺结节识别系统和方法 |
CN116823818B (zh) * | 2023-08-28 | 2023-11-07 | 四川省肿瘤医院 | 基于三维影像组学特征的肺结节识别系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11004196B2 (en) | Advanced computer-aided diagnosis of lung nodules | |
KR102645120B1 (ko) | 신경 네트워크들을 이용하여 단층촬영 이미지 재구축 및 라디오믹스를 통합하기 위한 시스템 및 방법 | |
Murugesan et al. | A hybrid deep learning model for effective segmentation and classification of lung nodules from CT images | |
Kumar et al. | Texture Pattern Based Lung Nodule Detection (TPLND) Technique in CT Images | |
US20110172514A1 (en) | Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties | |
Fernandes et al. | A novel fusion approach for early lung cancer detection using computer aided diagnosis techniques | |
Kumar et al. | Robust and automated lung nodule diagnosis from CT images based on fuzzy systems | |
Parveen et al. | Detection of lung cancer nodules using automatic region growing method | |
Dutande et al. | Deep residual separable convolutional neural network for lung tumor segmentation | |
Anter et al. | Automatic liver parenchyma segmentation system from abdominal CT scans using hybrid techniques | |
Antonelli et al. | Segmentation and reconstruction of the lung volume in CT images | |
Hu et al. | Early stage oral cavity cancer detection: Anisotropic pre-processing and fuzzy C-means segmentation | |
CN115393280A (zh) | 多个ct重建序列影像组学特征预测肺结节风险的系统 | |
Mabrouk et al. | Computer aided detection of large lung nodules using chest computer tomography images | |
Mastouri et al. | A morphological operation-based approach for Sub-pleural lung nodule detection from CT images | |
Harchegani et al. | Designing a Hybrid Method of Artificial Neural Network and Particle Swarm Optimization to Diagnosis Polyps from Colorectal CT Images | |
WO2023198166A1 (zh) | 图像检测方法、系统、装置及存储介质 | |
Rezaie et al. | Detection of lung nodules on medical images by the use of fractal segmentation | |
CN116612313A (zh) | 基于改进EfficientNet-B0模型的肺结节良恶性分类方法 | |
Son et al. | Liver segmentation on a variety of computed tomography (CT) images based on convolutional neural networks combined with connected components | |
Amritha et al. | Liver tumor segmentation and classification using deep learning | |
Samundeeswari et al. | A novel multilevel hybrid segmentation and refinement method for automatic heterogeneous true NSCLC nodules extraction | |
Hasanabadi et al. | Detection of pulmonary nodules in CT images using template matching and neural classifier | |
De Oliveira et al. | Information theory-based detection of noisy bit planes in medical images | |
Suganyadevi et al. | SEGMENTATION OF KIDNEY STONE REGION IN ULTRA SOUND IMAGEBY USING REGION PARTITION AND MOUNTING SEGMENTATION ALGORITHM (RPM) |
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 |