CN116386043A - 一种脑神经医疗影像胶质瘤区域快速标记方法及系统 - Google Patents
一种脑神经医疗影像胶质瘤区域快速标记方法及系统 Download PDFInfo
- Publication number
- CN116386043A CN116386043A CN202310317225.9A CN202310317225A CN116386043A CN 116386043 A CN116386043 A CN 116386043A CN 202310317225 A CN202310317225 A CN 202310317225A CN 116386043 A CN116386043 A CN 116386043A
- Authority
- CN
- China
- Prior art keywords
- glioma
- marking
- medical image
- image data
- region
- 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
- 206010018338 Glioma Diseases 0.000 title claims abstract description 112
- 208000032612 Glial tumor Diseases 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 43
- 210000004556 brain Anatomy 0.000 title claims abstract description 14
- 210000005036 nerve Anatomy 0.000 title claims abstract description 9
- 239000002356 single layer Substances 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000002372 labelling Methods 0.000 claims abstract description 18
- 239000003550 marker Substances 0.000 claims abstract description 14
- 239000010410 layer Substances 0.000 claims description 34
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 abstract description 13
- 201000007983 brain glioma Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002365 multiple layer Substances 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000029824 high grade glioma Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 201000011614 malignant glioma Diseases 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Abstract
Description
技术领域
本发明属于胶质瘤技术领域,具体涉及一种脑神经医疗影像胶质瘤区域快速标记方法及系统。
背景技术
脑胶质瘤的术前临床诊断主要依靠核磁共振成像,在核磁共振不同序列的图像上,可以看到脑胶质瘤呈现异常信号。研究胶质瘤影像学特点时,需要有经验的医生和研究人员手工标注脑胶质瘤的累及区域,从而提取其区域内的影像学特征。传统的标注方法为医生在每一层磁共振图像上,沿肿瘤边缘手工标记出肿瘤累及区域,但是,肿瘤常累及数层至数十层图像,这样逐层的标注操作耗时长、效率低,不利于医学诊疗与研究应用。
发明内容
为了解决上述所存在的技术问题,提高对脑胶质瘤累及区域标注的效率,本发明提供了一种脑神经医疗影像胶质瘤区域快速标记方法及系统,采用创新算法辅助医生快速完成脑胶质就累及区域的标记。
所采用的技术方案如下:
一方面,本发明提供了一种脑神经医疗影像胶质瘤区域快速标记方法,所述方法包括如下步骤:
步骤1,读取包含有单层医疗影像切片的医疗影像数据文件;
步骤2,针对单层医疗影像数据S进行滤波,得到其颜色空间集合C;
步骤3,采用建立好的胶质瘤自动识别模型对滤波后的单层医疗影像数据进行胶质瘤区域自动预测,得到预测胶质瘤区域;
步骤4,选取预测胶质瘤区域中的各标记点,采用逐一对每一标记点向其数据数组四周扩散方法寻找与之匹配的胶质瘤区域中的其余标记点;
进一步地,还包括针对多层医疗影像数据S的快速标注方法,具体方法是:
步骤6,重复步骤1至步骤3,依次完成每层医疗影像切片的读取和滤波,得到Cm,Cm+1…Cn,m<n;其中的Cm为第m层的颜色空间集合;
步骤7,对每层医疗影像切片中坐标相同的标记点Pm,Pm+1…Pn,都执行步骤4和步骤5,得到各层医疗影像数据中的胶质瘤标记区域。
优选地,所述步骤2中所采用的滤波方法是:
采用遍历单层医疗影像数据S中的每一项s,得到最大值smax和最小值smin;采用下述滤波函数对单层医疗影像数据S进行滤波处理,得到相应的识别影像:
其中g为滤波参数,优选取值为2.2,其中的s为医疗影像数据S中的其一元素,包含有颜色和坐标信息。
进一步优选地,所述步骤3中建立胶质瘤自动识别模型的方法是:
获取若干例胶质瘤患者数据信息,并进行人工胶质瘤区域标注;
通过深度学习算法,针对已标注好的胶质瘤进行建模,得到胶质瘤自动识别的UNet模型。
进一步优选地,所述步骤3中基于BRATS数据库,将训练好的UNet模型进行预测胶质瘤大致区域。
优选地,所述步骤4中采用逐一对每一标记点向其数据数组四周扩散方法寻找与之匹配的临近标记点,其方法是:在预测胶质瘤区域中选取起始标记点p;从胶质瘤颜色空间集合C中得到标记点p处颜色值cp及坐标(xp,yp);设置匹配算法阈值k;选取与起始标记点p相对应的四周临近标记点q,根据如下判定公式判定临近标记点q是否为有效标记点:
k-|cq-cp|>=0
优选地,所述步骤1中读取的医疗影像数据文件为NIFTI协议文件或DICOM文件。
另一方面,本发明还提供了一种脑神经医疗影像胶质瘤区域快速标记系统,所述系统包括:医疗影像读取模块,用于读取包含有单层医疗影像切片的医疗影像数据文件;
滤波模块,其对单层医疗影像数据S进行滤波处理,得到颜色空间集合C;
胶质瘤自动识别模型,其对滤波后的单层医疗影像数据S进行胶质瘤区域预测;
判定模块,对预测胶质瘤区域中的各标记点是否为有效标记点做出判定;
标记区域形成模块,集合所有被判定为有效的标记点,形成胶质瘤标记区域。
优选地,所述胶质瘤自动识别模型为通过Unet方法建立的Unet模型。
进一步优选地,所述医疗影像读取模块还包括用于读取多层医疗影像切片的医疗影像数据文件。
本发明技术方案具有如下优点:
A.本发明通过创新算法辅助医生标注方式,采用预先训练好的UNet模型对新的医疗影像数据进行胶质瘤大致区域预测,然后在其预测区域内通过选择起始位置点,根据胶质瘤区域信号异常的图像特点,自动判断剩余区域的肿瘤范围,不要求精确标注肿瘤边缘,从而实现快速准确标注胶质瘤累及范围。
B.本发明只需要在单层上选择预测胶质瘤区域内的起始位置,即可在所有层面内寻找肿瘤边界,从而实现多次面三维标注,效率高,大大降低医生的劳动强度。
C.由于脑胶质瘤的形状多为接近椭球的不规则体,以往的辅助标注通常是半自动化标注,需要医师先标出肿瘤内区域,再标出肿瘤外区域,然后利用图像灰度值的差别寻找肿瘤边界,本发明方法利用Unet模型先自动识别肿瘤大致边界,再利用边界识别算法确定最终边界,从而实现从半自动肿瘤标记到全自动肿瘤标记的提升。
附图说明
为了更清楚地说明本发明具体实施方式,下面将对具体实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是本发明所提供的快速标记方法流程图;
图2是本发明所提供的快速标记系统组成图;
图3是本发明中输入的单层医疗影像切片的医疗影像;
图4是本发明中识别并使用默认阈值结果影像;
图5是调整阈值后的结果影像。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动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。
如图1所示,本发明提供了一种脑神经医疗影像胶质瘤区域快速标记方法,具体包括如下步骤:
【S01】读取包含有单层医疗影像切片的医疗影像数据文件。
这里读取的医疗影像数据文件,如NIFTI协议文件,DICOM文件等影像数据,数据会包含单层或多层医疗影像切片。
【S02】针对单层医疗影像数据S进行滤波,得到其颜色空间集合C。
针对单层医疗影像数据S中的每一项s进行滤波,得到颜色空间集合C,在每一项s中包含有颜色和位置信息c。
首先遍历单层医疗影像数据S得到最大值smax和最小值smin,带有滤波参数g(优选取值为2.2)的滤波函数为:
【S03】采用建立好的胶质瘤自动识别模型对滤波后的单层医疗影像数据S进行胶质瘤区域自动预测,得到预测胶质瘤区域。
首先建立胶质瘤自动识别模型,其具体方法是:获取若干例胶质瘤患者数据信息,通过医师辅助进行人工胶质瘤区域标注;然后通过深度学习算法,针对已标注好的胶质瘤区域进行建模,得到胶质瘤自动识别的UNet模型。
在磁共振图像上,胶质瘤区域常呈现异常信号,如T2W图像上,肿瘤累及区域呈现明显高于正常脑组织的信号特点。在磁共振增强图像上,恶性胶质瘤区域呈现明显高于正常组织的信号特点。本发明通过所建立的UNet模型预测胶质瘤大致区域,选择预测胶质瘤区域中一点,比如中心点,从而得到胶质瘤区域在C中标记点P,P属于集合C。得到标记点P处颜色值cp,坐标(xp,yp)和匹配算法阈值k。
【S04】选取预测胶质瘤区域中的各标记点,采用逐一对每一标记点向其数据数组四周扩散方法寻找与之匹配的胶质瘤区域中的其余标记点。
在预测胶质瘤区域中选取起始标记点p;从胶质瘤颜色空间集合C中得到标记点p处颜色值cp及坐标(xp,yp);设置匹配算法阈值k;选取与起始标记点p相对应的四周临近标记点q,根据如下判定公式判定临近标记点q是否为有效标记点:
k-|cq-cp|>=0
还包括针对多层医疗影像数据的快速标注方法,具体方法是:
【S06】重复步骤1至步骤3,依次完成每层医疗影像切片的读取和滤波,得到Cm,Cm+1…Cn,m<n;
【S07】对每层医疗影像切片中坐标相同的标记点Pm,Pm+1…Pn,都执行【S04】和【S05】,得到各层医疗影像数据中的胶质瘤标记区域。
针对步骤【S06】和步骤【S07】中的多层医疗影像数据快速标注。因为胶质瘤区域在空间为不规则椭球形,多层切面间具有截面形状相对一致,平滑过渡的特点,从而得到连续层次Sm,Sm+1...Sn且m<n。依次对每层进行滤波,得到各层的颜色空间集合Cm,Cm+1…Cn;然后针对每层坐标相同的标记点Pm,Pm+1…Pn,都重置执行步骤【S04】和【S05】,直到各层的有效标记点集合中不再加入新标记点和所有的已知标记点都被访问时,所得结果就是各层的胶质瘤标记区域。
实施例:
图3为输入的脑神经医疗影像,经设定的UNet模型处理后,在所设定的默认阈值k(k值为20-40)下形成的胶质瘤标记区域影像,如图4所示;图5为进一步调整阈值k,在最佳阈值情况下,得到更为准确的胶质瘤标记区域图像,完成自动选取。
如图2所示,本发明所提供的系统包括:内嵌于计算机中的医疗影像读取模块、滤波模块、胶质瘤自动识别模型、判定模块和标记区域形成模块,通过计算机程序将各个模块间形成数据传输。其中的医疗影像读取模块用于读取包含有单层医疗影像切片或多层医疗影像切片的医疗影像数据文件;滤波模块对单层医疗影像数据S进行滤波处理,得到颜色空间集合C,逐一对各层进行医疗影像数据S进行滤波后,得到各层对应的颜色空间集合C;再通过训练好的胶质瘤自动识别模型对滤波后的单层医疗影像数据或逐一对各层医疗影像数据进行胶质瘤区域大致预测,在预测胶质瘤区域内,通过判定模块对区域中的各标记点是否为有效标记点做出判定,其依据上述方法中所提供的关系式,通过设定阈值k,实现对有效标记点的判定;通过集合区域内所有的有效标记点,进而得到真正的胶质瘤标记区域。
对于多层医疗影像切片来讲,本发明只需要在单层上选择预测胶质瘤区域内的起始位置,即可在所有层面内寻找肿瘤边界,从而实现多次面三维标注,效率高,大大降低医生的劳动强度。
本发明未述及之处均适用于现有技术。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (10)
2.根据权利要求1所述的脑神经医疗影像胶质瘤区域快速标记方法,其特征在于,还包括针对多层医疗影像数据S的快速标注方法,具体方法是:
步骤6,重复步骤1至步骤3,依次完成每层医疗影像切片的读取和滤波,得到Cm,Cm+1…Cn,m<n;
步骤7,对每层医疗影像切片中坐标相同的标记点Pm,Pm+1…Pn,都执行步骤4和步骤5,得到各层医疗影像数据中的胶质瘤标记区域。
4.根据权利要求3所述的脑神经医疗影像胶质瘤区域快速标记方法,其特征在于,所述步骤3中建立胶质瘤自动识别模型的方法是:
获取若干例胶质瘤患者数据信息,并进行人工胶质瘤区域标注;
通过深度学习算法,针对已标注好的胶质瘤进行建模,得到胶质瘤自动识别的UNet模型。
5.根据权利要求4所述的脑神经医疗影像胶质瘤区域快速标记方法,其特征在于,所述步骤3中基于BRATS数据库,将训练好的UNet模型预测胶质瘤大致区域。
7.根据权利要求1所述的脑神经医疗影像胶质瘤区域快速标记方法,其特征在于,所述步骤1中读取的医疗影像数据文件为NIFTI协议文件或DICOM文件。
8.一种脑神经医疗影像胶质瘤区域快速标记系统,其特征在于,所述系统包括:医疗影像读取模块,用于读取包含有单层医疗影像切片的医疗影像数据文件;
滤波模块,其对单层医疗影像数据S进行滤波处理,得到颜色空间集合C;
胶质瘤自动识别模型,其对滤波后的单层医疗影像数据S进行胶质瘤区域预测;
判定模块,对预测胶质瘤区域中的各标记点是否为有效标记点做出判定;
标记区域形成模块,集合所有被判定为有效的标记点,形成胶质瘤标记区域。
9.根据权利要求8所述的脑神经医疗影像胶质瘤区域快速标记系统,其特征在于,所述胶质瘤自动识别模型为通过Unet方法建立的Unet模型。
10.根据权利要求8所述的脑神经医疗影像胶质瘤区域快速标记系统,其特征在于,所述医疗影像读取模块还包括用于读取多层医疗影像切片的医疗影像数据文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310317225.9A CN116386043A (zh) | 2023-03-27 | 2023-03-27 | 一种脑神经医疗影像胶质瘤区域快速标记方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310317225.9A CN116386043A (zh) | 2023-03-27 | 2023-03-27 | 一种脑神经医疗影像胶质瘤区域快速标记方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116386043A true CN116386043A (zh) | 2023-07-04 |
Family
ID=86965060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310317225.9A Pending CN116386043A (zh) | 2023-03-27 | 2023-03-27 | 一种脑神经医疗影像胶质瘤区域快速标记方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116386043A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180025489A1 (en) * | 2016-07-25 | 2018-01-25 | Case Western Reserve University | Quantifying mass effect deformation with structural radiomics in brain tumor patients |
CN108319969A (zh) * | 2018-01-12 | 2018-07-24 | 复旦大学 | 基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统 |
CN111027548A (zh) * | 2019-12-06 | 2020-04-17 | 中国人民解放军第四军医大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 |
CN112102221A (zh) * | 2019-05-31 | 2020-12-18 | 深圳市前海安测信息技术有限公司 | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 |
CN112132917A (zh) * | 2020-08-27 | 2020-12-25 | 盐城工学院 | 一种直肠癌淋巴结转移的智能诊断方法 |
WO2021030193A1 (en) * | 2019-08-13 | 2021-02-18 | Nantomics, Llc | System and method for classifying genomic data |
CN113343976A (zh) * | 2021-05-13 | 2021-09-03 | 武汉大学 | 基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法 |
CN113516653A (zh) * | 2021-08-11 | 2021-10-19 | 中科(厦门)数据智能研究院 | 一种多特征融合计算识别胶质瘤复发与坏死的方法 |
CN114926477A (zh) * | 2022-05-16 | 2022-08-19 | 东北大学 | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 |
CN115546605A (zh) * | 2022-09-16 | 2022-12-30 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种基于图像标注和分割模型的训练方法及装置 |
-
2023
- 2023-03-27 CN CN202310317225.9A patent/CN116386043A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180025489A1 (en) * | 2016-07-25 | 2018-01-25 | Case Western Reserve University | Quantifying mass effect deformation with structural radiomics in brain tumor patients |
CN108319969A (zh) * | 2018-01-12 | 2018-07-24 | 复旦大学 | 基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统 |
CN112102221A (zh) * | 2019-05-31 | 2020-12-18 | 深圳市前海安测信息技术有限公司 | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 |
WO2021030193A1 (en) * | 2019-08-13 | 2021-02-18 | Nantomics, Llc | System and method for classifying genomic data |
CN111027548A (zh) * | 2019-12-06 | 2020-04-17 | 中国人民解放军第四军医大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 |
CN112132917A (zh) * | 2020-08-27 | 2020-12-25 | 盐城工学院 | 一种直肠癌淋巴结转移的智能诊断方法 |
CN113343976A (zh) * | 2021-05-13 | 2021-09-03 | 武汉大学 | 基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法 |
CN113516653A (zh) * | 2021-08-11 | 2021-10-19 | 中科(厦门)数据智能研究院 | 一种多特征融合计算识别胶质瘤复发与坏死的方法 |
CN114926477A (zh) * | 2022-05-16 | 2022-08-19 | 东北大学 | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 |
CN115546605A (zh) * | 2022-09-16 | 2022-12-30 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种基于图像标注和分割模型的训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vijayarajeswari et al. | Classification of mammogram for early detection of breast cancer using SVM classifier and Hough transform | |
CN106682435B (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
Tian et al. | Multi-path convolutional neural network in fundus segmentation of blood vessels | |
EP1995690B1 (en) | Generating an anatomical model using a rule-based segmentation and classification process | |
CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
CN110648338B (zh) | 图像分割方法、可读存储介质及图像处理装置 | |
WO2002094097A1 (en) | Boundary finding in dermatological examination | |
Joshi et al. | Glaucoma detection using image processing and supervised learning for classification | |
CN108695000B (zh) | 基于超声图像的甲状腺弥漫性疾病智能诊断系统 | |
CN106780520A (zh) | 一种mri腰椎图像中椎骨的自动提取方法 | |
CN113436150A (zh) | 用于淋巴结转移风险预测的超声影像组学模型的构建方法 | |
CN113239755A (zh) | 一种基于空谱融合深度学习的医学高光谱图像分类方法 | |
Anandgaonkar et al. | Brain tumor detection and identification from T1 post contrast MR images using cluster based segmentation | |
Bansal et al. | An improved hybrid classification of brain tumor MRI images based on conglomeration feature extraction techniques | |
CN116386043A (zh) | 一种脑神经医疗影像胶质瘤区域快速标记方法及系统 | |
Popat et al. | Research perspective and review towards brain tumour segmentation and classification using different image modalities | |
CN116664932A (zh) | 一种基于主动学习的结直肠癌病理组织图像分类方法 | |
CN108304776A (zh) | 指静脉图像互通识别的方法、装置及存储介质 | |
CN108921860B (zh) | 一种前列腺磁共振图像全自动分割方法 | |
Hussain et al. | A Hybrid Approach for the Lung (s) Nodule Detection Using the Deformable Model and Distance Transform. | |
Patil et al. | Automated macula proximity diagnosis for early finding of diabetic macular edema | |
Satpute et al. | Brain Tumor Detection using Deep Learning Technique | |
Xu et al. | Segmentation of pulmonary CT Image by using convolutional neural network based on membership function | |
Gheysari et al. | Lung ct image segmentation using reinforcement learning | |
Javadi et al. | Automated detection, 3D position of facial skin lesions using genetic algorithm and Kinect camera |
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 |