CN116883372A - 一种基于血管区域图像自适应识别肿瘤的方法及系统 - Google Patents

一种基于血管区域图像自适应识别肿瘤的方法及系统 Download PDF

Info

Publication number
CN116883372A
CN116883372A CN202310885584.4A CN202310885584A CN116883372A CN 116883372 A CN116883372 A CN 116883372A CN 202310885584 A CN202310885584 A CN 202310885584A CN 116883372 A CN116883372 A CN 116883372A
Authority
CN
China
Prior art keywords
image
region
target
mode
interest
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
CN202310885584.4A
Other languages
English (en)
Other versions
CN116883372B (zh
Inventor
肖燕妮
杨力
徐培
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.)
Hunan Zhonghui Information Technology Co ltd
Chongqing University
Original Assignee
Hunan Zhonghui Information Technology Co ltd
Chongqing University
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 Hunan Zhonghui Information Technology Co ltd, Chongqing University filed Critical Hunan Zhonghui Information Technology Co ltd
Priority to CN202310885584.4A priority Critical patent/CN116883372B/zh
Publication of CN116883372A publication Critical patent/CN116883372A/zh
Application granted granted Critical
Publication of CN116883372B publication Critical patent/CN116883372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于血管区域图像自适应识别肿瘤的方法及系统，其中，所述方法包括：基于CT成像设备按照不同的剂量标准对目标部位进行成像扫描处理；基于若干个不同剂量下的CT目标图像按照目标部位进行对齐处理，形成多模态CT目标图像；对多模态CT目标图像进行感兴趣区域提取处理；将若干个感兴趣区域图像进行拟合处理；对以拟合感兴趣区域图像为中心的多模态CT目标图像内的预设图像区域进行血管图像提取处理；将多模态CT图像下的若干个血管区域图像输入已训练的卷积神经网络模型对拟合感兴趣区域图像进行肿瘤识别处理，输出肿瘤识别结果。在本发明实施例中，可以通过CT图像中的感兴趣区域周边血管图像较为准确的进行肿瘤识别。

Description

一种基于血管区域图像自适应识别肿瘤的方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于血管区域图像自适应识别肿瘤的方法及系统。
背景技术
CT设备为医疗领域医疗成像扫描设备，广泛应用于各种成像扫描检测，如肺部扫描成像检查；但是对于扫描形成的CT目标图像中一些病变区域是否可能为肿瘤区域，需要具有相当临床经验的医生才能进行判断识别，导致识别效率较低。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于血管区域图像自适应识别肿瘤的方法及系统，可以通过CT图像中的感兴趣区域周边血管图像较为准确的进行肿瘤识别，无需具有相当临床经验的医生也可以进行有效的判断识别，提高了识别效率。
为了解决上述技术问题，本发明实施例提供了一种基于血管区域图像自适应识别肿瘤的方法，所述方法包括：
基于CT成像设备按照不同的剂量标准对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像；
基于若干个不同剂量下的CT目标图像按照目标部位进行对齐处理，形成多模态CT目标图像；
基于预设感兴趣区域提取算法对所述多模态CT目标图像进行感兴趣区域提取处理，获得多模态CT图像下的若干个感兴趣区域图像；
将多模态CT图像下的若干个感兴趣区域图像进行拟合处理，获得拟合感兴趣区域图像；
对以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内的预设图像区域进行血管图像提取处理，获得多模态CT图像下的若干个血管区域图像；
将多模态CT图像下的若干个血管区域图像输入已训练的卷积神经网络模型对拟合感兴趣区域图像进行肿瘤识别处理，输出肿瘤识别结果；所述已训练的卷积神经网络模型为使用反向传播算法及交叉熵损失函数对初始卷积神经网络模型的参数进行调整，并利用标记训练数据集训练直至收敛或达到训练次数获得的模型。
可选的，所述基于CT成像设备按照不同的剂量标准对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像，包括：
基于所述CT成像设备按照不同的剂量标准设置相同扫描层数对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像；其中，不同的剂量标准至少为两个剂量标准。
可选的，所述基于若干个不同剂量下的CT目标图像按照目标部位进行对齐处理，形成多模态CT目标图像，包括：
基于所述CT成像设备的成像参数确定所述CT成像设备中的伪影传播规律信息及扰动规律信息；
基于所述CT成像设备中的伪影传播规律信息及扰动规律信息对若干个不同剂量下的CT目标图像进行伪影校正处理，获得校正后的若干个不同剂量下的CT目标图像；
在校正后的若干个不同剂量下的CT目标图像中的每一个剂量下的CT目标图像中的目标部位选取一个参考点；
基于所述参考点将校正后的若干个不同剂量下的CT目标图像进行对齐处理，形成多模态CT目标图像。
可选的，所述基于所述参照点将校正后的若干个不同剂量下的CT目标图像进行对齐处理，形成多模态CT目标图像，包括：
获得校正后的若干个不同剂量下的CT目标图像中各个像素点相对于参考点的相对坐标信息；
基于校正后的若干个不同剂量下的CT目标图像中各个像素点相对于参考点的相对坐标信息计算获得每一个剂量下的CT目标图像的中心点；
将每一个剂量下的CT目标图像的中心点进行对齐处理，形成多模态CT目标图像。
可选的，所述基于预设感兴趣区域提取算法对所述多模态CT目标图像进行感兴趣区域提取处理，包括：
对所述多模态CT目标图像进行非目标位置去除预处理处理，获得预处理后的多模态CT目标图像；
计算获得预处理后的多模态CT目标图像的二值化阈值，并基于所述二值化阈值对预处理后的多模态CT目标图像进行图像二值化处理，获得二值化结果；
基于所述二值化结果提取到所述多模态CT图像下的若干个初始感兴趣区域图像；
对所述多模态CT图像下的若干个初始感兴趣区域图像进行二次提取处理，获得多模态CT图像下的若干个感兴趣区域图像。
可选的，所述计算获得预处理后的多模态CT目标图像的二值化阈值，包括：
基于二维最大类间方差法对预处理后的多模态CT目标图像进行二值化阈值寻优计算处理，获得预处理后的多模态CT目标图像的二值化阈值。
可选的，所述对所述多模态CT图像下的若干个初始感兴趣区域图像进行二次提取处理，获得多模态CT图像下的若干个感兴趣区域图像，包括：
基于形态学算法对所述多模态CT图像下的若干个初始感兴趣区域图像进行开运算处理，获得多模态CT图像下的若干个感兴趣区域图像。
可选的，所述将多模态CT图像下的若干个感兴趣区域图像进行拟合处理，获得拟合感兴趣区域图像，包括：
提取所述多模态CT图像下的若干个感兴趣区域图像的中心点及边缘关键点，所述边缘关键点为基于Harris角点检测算法对若干个感兴趣区域图像检测提取的点；
将若干个感兴趣区域图像以所述中心点进行对齐，并以边缘关键点对应叠加进行拟合处理，获得拟合感兴趣区域图像。
可选的，所述对以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内的预设图像区域进行血管图像提取处理，包括：
获得以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内预设图像区域；
基于自适应阈值对所述预设图像区域进行二值化处理，并根据二值化处理结果进行血管图像提取处理。
另外，本发明实施例还提供了一种基于血管区域图像自适应识别肿瘤的系统，所述系统包括：
成像扫描模块：用于基于CT成像设备按照不同的剂量标准对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像；
图像对齐模块：用于基于若干个不同剂量下的CT目标图像按照目标部位进行对齐处理，形成多模态CT目标图像；
感兴趣区域提取模块：用于基于预设感兴趣区域提取算法对所述多模态CT目标图像进行感兴趣区域提取处理，获得多模态CT图像下的若干个感兴趣区域图像；
拟合处理模块：用于将多模态CT图像下的若干个感兴趣区域图像进行拟合处理，获得拟合感兴趣区域图像；
血管图像提取模块：用于对以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内的预设图像区域进行血管图像提取处理，获得多模态CT图像下的若干个血管区域图像；
自适应识别模块：用于将多模态CT图像下的若干个血管区域图像输入已训练的卷积神经网络模型对拟合感兴趣区域图像进行肿瘤识别处理，输出肿瘤识别结果；所述已训练的卷积神经网络模型为使用反向传播算法及交叉熵损失函数对初始卷积神经网络模型的参数进行调整，并利用标记训练数据集训练直至收敛或达到训练次数获得的模型。
在本发明实施例中，通过提取多模态CT目标图像中的若干个感兴趣区域图像，并通过拟合的方式形成拟合感兴趣区域图像，再以拟合感兴趣区域图像为中心在多模态CT目标图像内得到预设图像区域，然后提取预设图像区域中的若干个血管区域图像；通过若干个血管区域图像利用卷积神经网络模型来实现重量自适应识别，能够较为快速的、准确的识别感兴趣区域是否为存在肿瘤，并且无需具有相当临床经验的医生辅助识别；同时提高了肿瘤识别的效率，降低了一般用户对CT目标图像内肿瘤识别的成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，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它的附图。
图1是本发明实施例中的基于血管区域图像自适应识别肿瘤的方法的流程示意图；
图2是本发明实施例中的基于血管区域图像自适应识别肿瘤的系统的结构组成示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一，请参阅图1，图1是本发明实施例中的基于血管区域图像自适应识别肿瘤的方法的流程示意图。
如图1所示，一种基于血管区域图像自适应识别肿瘤的方法，所述方法包括：
S11：基于CT成像设备按照不同的剂量标准对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像；
在本发明具体实施过程中，所述基于CT成像设备按照不同的剂量标准对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像，包括：基于所述CT成像设备按照不同的剂量标准设置相同扫描层数对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像；其中，不同的剂量标准至少为两个剂量标准。
具体的，在CT成像设备上设置不同的剂量标准和设置每一种剂量标准下所扫描的扫描层数相同，然后控制CT成像设备在不同剂量标准下采用相同的扫描层数对目标部位进行成像扫描处理，在此，目标部位可以为患者的肺部，从而获得若干个不同剂量下的CT目标图像；其中，不同的剂量标准中至少包含有两种不同的剂量标准。
S12：基于若干个不同剂量下的CT目标图像按照目标部位进行对齐处理，形成多模态CT目标图像；
在本发明具体实施过程中，所述基于若干个不同剂量下的CT目标图像按照目标部位进行对齐处理，形成多模态CT目标图像，包括：基于所述CT成像设备的成像参数确定所述CT成像设备中的伪影传播规律信息及扰动规律信息；基于所述CT成像设备中的伪影传播规律信息及扰动规律信息对若干个不同剂量下的CT目标图像进行伪影校正处理，获得校正后的若干个不同剂量下的CT目标图像；在校正后的若干个不同剂量下的CT目标图像中的每一个剂量下的CT目标图像中的目标部位选取一个参考点；基于所述参考点将校正后的若干个不同剂量下的CT目标图像进行对齐处理，形成多模态CT目标图像。
进一步的，所述基于所述参照点将校正后的若干个不同剂量下的CT目标图像进行对齐处理，形成多模态CT目标图像，包括：获得校正后的若干个不同剂量下的CT目标图像中各个像素点相对于参考点的相对坐标信息；基于校正后的若干个不同剂量下的CT目标图像中各个像素点相对于参考点的相对坐标信息计算获得每一个剂量下的CT目标图像的中心点；将每一个剂量下的CT目标图像的中心点进行对齐处理，形成多模态CT目标图像。
具体的，由于CT设备在对目标扫描成像时，CT目标图像可能被伪影影响，因此需要进行伪影校正；在本申请中，需要通过CT设备中的技术参数以及在扫描时设置的成像参数来获得CT设备的成像参数信息；再通过成像参数信息来建立相关的成像模型，通过该成像模型来确定CT成像设备中的伪影传播规律信息及扰动规律信息，在通过伪影传播规律信息及扰动规律信息来对若干个不同剂量下的CT目标图像中的伪影进行识别，在识别到相关的伪影之后，对若干个不同剂量下的CT目标图像进行伪影校正处理，即可得到校正后的若干个不同剂量下的CT目标图像；在伪影识别时，首先是利用若干个不同剂量下的CT目标图像来进行反投影重建处理，即可得到反投影重建CT目标图像，再通过伪影传播规律信息及扰动规律信息和反投影重建CT目标图像进行伪影的识别即可。
在识别到若干个不同剂量下的CT目标图像中的伪影之后，则需要根据该伪影的类型进行伪影校正处理，具体是根据伪影类型对若干个不同剂量下的CT目标图像进行拉东变换操作，获得伪影类型的投影域数据，然后再根据伪影类型的投影域数据对若干个不同剂量下的CT目标图像中的伪影进行校正处理，即可得到校正后的若干个不同剂量下的CT目标图像。
在进行对齐处理时，首先需要在校正后的若干个不同剂量下的CT目标图像中的每一个剂量下的CT目标图像中的目标部位中选取一个参考点，然后再根据这个参考点来进行对齐处理，即可得到多模态CT目标图像。
在对齐处理时，需要获得校正后的若干个不同剂量下的CT目标图像中各个像素点相对于参考点的相对坐标信息；然后再根据校正后的若干个不同剂量下的CT目标图像中各个像素点相对于参考点的相对坐标信息计算获得每一个剂量下的CT目标图像的中心点；最后将每一个剂量下的CT目标图像的中心点进行对齐处理，即可形成多模态CT目标图像。
S13：基于预设感兴趣区域提取算法对所述多模态CT目标图像进行感兴趣区域提取处理，获得多模态CT图像下的若干个感兴趣区域图像；
在本发明具体实施过程中，所述基于预设感兴趣区域提取算法对所述多模态CT目标图像进行感兴趣区域提取处理，包括：对所述多模态CT目标图像进行非目标位置去除预处理处理，获得预处理后的多模态CT目标图像；计算获得预处理后的多模态CT目标图像的二值化阈值，并基于所述二值化阈值对预处理后的多模态CT目标图像进行图像二值化处理，获得二值化结果；基于所述二值化结果提取到所述多模态CT图像下的若干个初始感兴趣区域图像；对所述多模态CT图像下的若干个初始感兴趣区域图像进行二次提取处理，获得多模态CT图像下的若干个感兴趣区域图像。
进一步的，所述计算获得预处理后的多模态CT目标图像的二值化阈值，包括：基于二维最大类间方差法对预处理后的多模态CT目标图像进行二值化阈值寻优计算处理，获得预处理后的多模态CT目标图像的二值化阈值。
进一步的，所述对所述多模态CT图像下的若干个初始感兴趣区域图像进行二次提取处理，获得多模态CT图像下的若干个感兴趣区域图像，包括：基于形态学算法对所述多模态CT图像下的若干个初始感兴趣区域图像进行开运算处理，获得多模态CT图像下的若干个感兴趣区域图像。
具体的，首先可以包括Sobel边缘检测算法、拉普拉斯边缘检测算法、Canny边缘检测算法一种或多种组合的方式对多模态CT目标图像的目标边缘提取，然后根据所提取到的目标边缘来进行非目标位置去除处理，即可获得预处理后的多模态CT目标图像；在本申请中采用二维最大类间方差法对预处理后的多模态CT目标图像进行二值化阈值寻优计算处理，具体为：将预处理后的多模态CT目标图像的CT值转化为大于0的整数，因此其灰度值范围大概为1-2048，即图像灰度等级为L＝2048；再确定领域区域距离和连通区域形式，如距离为1、8连通方式，则指与像素点距离小于等于1,的所有9个像素构成的区域，也就是3*3的领域块；统计所有像素的领域平均值像素值，其灰度级别也为L＝2048；然后使用第一相关公式统计所有图像的二维灰度直方图，该第一相关公式：Pij＝rij/N,Pij≥0,其中，灰度值为i的像素个数为ni，因此预处理后的多模态CT目标图像的像素个数为N＝n1+n2+…+nL；灰度值为j的像素个数为nj，rij为预处理后的多模态CT目标图像中灰度等级为i，领域平均灰度等级为j的像素点的个数；再通过第二相关公式计算图像中的整体平均值向量；第二相关公式：/> 然后从s＝1，t＝1开始穷举，分别计算出前景和背景区域的均值向量；直到s>L且t>L时，寻到最优阈值，最优阈值表现为(s*,t*)＝argmax tr[σB(s,t)],s≥1,L≥t；σB(s,t)为类间方差矩阵；将该最优阈值作为二值化阈值，并通过该二值化阈值对预处理后的多模态CT目标图像进行图像二值化处理，获得二值化结果；再根据二值化结果提取到多模态CT图像下的若干个初始感兴趣区域图像；最后对多模态CT图像下的若干个初始感兴趣区域图像进行二次提取处理，获得多模态CT图像下的若干个感兴趣区域图像。
在进行二次提取处理时，使用形态学算法对多模态CT图像下的若干个初始感兴趣区域图像进行开运算处理，获得多模态CT图像下的若干个感兴趣区域图像；开运算其先使用结构元素B腐蚀A，在用B膨胀上一步的结果图像，即可得到开运算结果；使用开运算计算之后，使得若干个感兴趣区域图像更加平滑，同时有效的去除比结构元素小的亮点部分而保持结构元素大的暗点的部分。
S14：将多模态CT图像下的若干个感兴趣区域图像进行拟合处理，获得拟合感兴趣区域图像；
在本发明具体实施过程中，所述将多模态CT图像下的若干个感兴趣区域图像进行拟合处理，获得拟合感兴趣区域图像，包括：提取所述多模态CT图像下的若干个感兴趣区域图像的中心点及边缘关键点，所述边缘关键点为基于Harris角点检测算法对若干个感兴趣区域图像检测提取的点；将若干个感兴趣区域图像以所述中心点进行对齐，并以边缘关键点对应叠加进行拟合处理，获得拟合感兴趣区域图像。
具体的，提取该多模态CT图像下的若干个感兴趣区域图像的中心点及边缘关键点；其中该边缘关键点为使用Harris角点检测算法对若干个感兴趣区域图像检测提取的点，且一般为弯曲转向点和曲率极值点；然后将若干个感兴趣区域图像以中心点进行对齐，并以边缘关键点对应叠加进行拟合处理，获得拟合感兴趣区域图像。
S15：对以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内的预设图像区域进行血管图像提取处理，获得多模态CT图像下的若干个血管区域图像；
在本发明具体实施过程中，所述对以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内的预设图像区域进行血管图像提取处理，包括：获得以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内预设图像区域；基于自适应阈值对所述预设图像区域进行二值化处理，并根据二值化处理结果进行血管图像提取处理。
在本发明具体实施过程中，通过以拟合感兴趣区域图像为中心来获得多模态CT目标图像内预设图像区域，该预设图像区域需要大于拟合感兴趣区域图像；然后采用自适应阈值对预设图像区域进行二值化处理，最后再根据二值化处理结果进行血管图像提取处理。
S16：将多模态CT图像下的若干个血管区域图像输入已训练的卷积神经网络模型对拟合感兴趣区域图像进行肿瘤识别处理，输出肿瘤识别结果；所述已训练的卷积神经网络模型为使用反向传播算法及交叉熵损失函数对初始卷积神经网络模型的参数进行调整，并利用标记训练数据集训练直至收敛或达到训练次数获得的模型。
在本发明具体实施过程中，通过将多模态CT图像下的若干个血管区域图像输入已训练的卷积神经网络模型对拟合感兴趣区域图像进行肿瘤识别处理，输出肿瘤识别结果；其中已训练的卷积神经网络模型为使用反向传播算法及交叉熵损失函数对初始卷积神经网络模型的参数进行调整，并利用标记训练数据集训练直至收敛或达到训练次数获得的模型；标记训练数据集为目标位置中存在肿瘤的区域周边的血管图像，并在这些血管图像中进行肿瘤标记处理；通过训练，使得已训练的卷积神经网络模型可以较为准确的识别到拟合感兴趣区域图像是否存在有肿瘤。
在本发明实施例中，通过提取多模态CT目标图像中的若干个感兴趣区域图像，并通过拟合的方式形成拟合感兴趣区域图像，再以拟合感兴趣区域图像为中心在多模态CT目标图像内得到预设图像区域，然后提取预设图像区域中的若干个血管区域图像；通过若干个血管区域图像利用卷积神经网络模型来实现重量自适应识别，能够较为快速的、准确的识别感兴趣区域是否为存在肿瘤，并且无需具有相当临床经验的医生辅助识别；同时提高了肿瘤识别的效率，降低了一般用户对CT目标图像内肿瘤识别的成本。
实施例二，请参阅图2，图2是本发明实施例中的基于血管区域图像自适应识别肿瘤的系统的结构组成示意图。
如图2所示，一种基于血管区域图像自适应识别肿瘤的系统，所述系统包括：
成像扫描模块21：用于基于CT成像设备按照不同的剂量标准对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像；
在本发明具体实施过程中，所述基于CT成像设备按照不同的剂量标准对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像，包括：基于所述CT成像设备按照不同的剂量标准设置相同扫描层数对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像；其中，不同的剂量标准至少为两个剂量标准。
具体的，在CT成像设备上设置不同的剂量标准和设置每一种剂量标准下所扫描的扫描层数相同，然后控制CT成像设备在不同剂量标准下采用相同的扫描层数对目标部位进行成像扫描处理，在此，目标部位可以为患者的肺部，从而获得若干个不同剂量下的CT目标图像；其中，不同的剂量标准中至少包含有两种不同的剂量标准。
图像对齐模块22：用于基于若干个不同剂量下的CT目标图像按照目标部位进行对齐处理，形成多模态CT目标图像；
在本发明具体实施过程中，所述基于若干个不同剂量下的CT目标图像按照目标部位进行对齐处理，形成多模态CT目标图像，包括：基于所述CT成像设备的成像参数确定所述CT成像设备中的伪影传播规律信息及扰动规律信息；基于所述CT成像设备中的伪影传播规律信息及扰动规律信息对若干个不同剂量下的CT目标图像进行伪影校正处理，获得校正后的若干个不同剂量下的CT目标图像；在校正后的若干个不同剂量下的CT目标图像中的每一个剂量下的CT目标图像中的目标部位选取一个参考点；基于所述参考点将校正后的若干个不同剂量下的CT目标图像进行对齐处理，形成多模态CT目标图像。
进一步的，所述基于所述参照点将校正后的若干个不同剂量下的CT目标图像进行对齐处理，形成多模态CT目标图像，包括：获得校正后的若干个不同剂量下的CT目标图像中各个像素点相对于参考点的相对坐标信息；基于校正后的若干个不同剂量下的CT目标图像中各个像素点相对于参考点的相对坐标信息计算获得每一个剂量下的CT目标图像的中心点；将每一个剂量下的CT目标图像的中心点进行对齐处理，形成多模态CT目标图像。
具体的，由于CT设备在对目标扫描成像时，CT目标图像可能被伪影影响，因此需要进行伪影校正；在本申请中，需要通过CT设备中的技术参数以及在扫描时设置的成像参数来获得CT设备的成像参数信息；再通过成像参数信息来建立相关的成像模型，通过该成像模型来确定CT成像设备中的伪影传播规律信息及扰动规律信息，在通过伪影传播规律信息及扰动规律信息来对若干个不同剂量下的CT目标图像中的伪影进行识别，在识别到相关的伪影之后，对若干个不同剂量下的CT目标图像进行伪影校正处理，即可得到校正后的若干个不同剂量下的CT目标图像；在伪影识别时，首先是利用若干个不同剂量下的CT目标图像来进行反投影重建处理，即可得到反投影重建CT目标图像，再通过伪影传播规律信息及扰动规律信息和反投影重建CT目标图像进行伪影的识别即可。
在识别到若干个不同剂量下的CT目标图像中的伪影之后，则需要根据该伪影的类型进行伪影校正处理，具体是根据伪影类型对若干个不同剂量下的CT目标图像进行拉东变换操作，获得伪影类型的投影域数据，然后再根据伪影类型的投影域数据对若干个不同剂量下的CT目标图像中的伪影进行校正处理，即可得到校正后的若干个不同剂量下的CT目标图像。
在进行对齐处理时，首先需要在校正后的若干个不同剂量下的CT目标图像中的每一个剂量下的CT目标图像中的目标部位中选取一个参考点，然后再根据这个参考点来进行对齐处理，即可得到多模态CT目标图像。
在对齐处理时，需要获得校正后的若干个不同剂量下的CT目标图像中各个像素点相对于参考点的相对坐标信息；然后再根据校正后的若干个不同剂量下的CT目标图像中各个像素点相对于参考点的相对坐标信息计算获得每一个剂量下的CT目标图像的中心点；最后将每一个剂量下的CT目标图像的中心点进行对齐处理，即可形成多模态CT目标图像。
感兴趣区域提取模块23：用于基于预设感兴趣区域提取算法对所述多模态CT目标图像进行感兴趣区域提取处理，获得多模态CT图像下的若干个感兴趣区域图像；
在本发明具体实施过程中，所述基于预设感兴趣区域提取算法对所述多模态CT目标图像进行感兴趣区域提取处理，包括：对所述多模态CT目标图像进行非目标位置去除预处理处理，获得预处理后的多模态CT目标图像；计算获得预处理后的多模态CT目标图像的二值化阈值，并基于所述二值化阈值对预处理后的多模态CT目标图像进行图像二值化处理，获得二值化结果；基于所述二值化结果提取到所述多模态CT图像下的若干个初始感兴趣区域图像；对所述多模态CT图像下的若干个初始感兴趣区域图像进行二次提取处理，获得多模态CT图像下的若干个感兴趣区域图像。
进一步的，所述计算获得预处理后的多模态CT目标图像的二值化阈值，包括：基于二维最大类间方差法对预处理后的多模态CT目标图像进行二值化阈值寻优计算处理，获得预处理后的多模态CT目标图像的二值化阈值。
进一步的，所述对所述多模态CT图像下的若干个初始感兴趣区域图像进行二次提取处理，获得多模态CT图像下的若干个感兴趣区域图像，包括：基于形态学算法对所述多模态CT图像下的若干个初始感兴趣区域图像进行开运算处理，获得多模态CT图像下的若干个感兴趣区域图像。
具体的，首先可以包括Sobel边缘检测算法、拉普拉斯边缘检测算法、Canny边缘检测算法一种或多种组合的方式对多模态CT目标图像的目标边缘提取，然后根据所提取到的目标边缘来进行非目标位置去除处理，即可获得预处理后的多模态CT目标图像；在本申请中采用二维最大类间方差法对预处理后的多模态CT目标图像进行二值化阈值寻优计算处理，具体为：将预处理后的多模态CT目标图像的CT值转化为大于0的整数，因此其灰度值范围大概为1-2048，即图像灰度等级为L＝2048；再确定领域区域距离和连通区域形式，如距离为1、8连通方式，则指与像素点距离小于等于1,的所有9个像素构成的区域，也就是3*3的领域块；统计所有像素的领域平均值像素值，其灰度级别也为L＝2048；然后使用第一相关公式统计所有图像的二维灰度直方图，该第一相关公式：Pij＝rij/N,Pij≥0,j＝1,2,…L；i＝1,2,…L；其中，灰度值为i的像素个数为ni，因此预处理后的多模态CT目标图像的像素个数为N＝n1+n2+…+nL；灰度值为j的像素个数为nj，rij为预处理后的多模态CT目标图像中灰度等级为i，领域平均灰度等级为j的像素点的个数；再通过第二相关公式计算图像中的整体平均值向量；第二相关公式：/> 然后从s＝1，t＝1开始穷举，分别计算出前景和背景区域的均值向量；直到s>L且t>L时，寻到最优阈值，最优阈值表现为(s*,t*)＝argmax tr[σB(s,t)],s≥1,L≥t；σB(s,t)为类间方差矩阵；将该最优阈值作为二值化阈值，并通过该二值化阈值对预处理后的多模态CT目标图像进行图像二值化处理，获得二值化结果；再根据二值化结果提取到多模态CT图像下的若干个初始感兴趣区域图像；最后对多模态CT图像下的若干个初始感兴趣区域图像进行二次提取处理，获得多模态CT图像下的若干个感兴趣区域图像。
在进行二次提取处理时，使用形态学算法对多模态CT图像下的若干个初始感兴趣区域图像进行开运算处理，获得多模态CT图像下的若干个感兴趣区域图像；开运算其先使用结构元素B腐蚀A，在用B膨胀上一步的结果图像，即可得到开运算结果；使用开运算计算之后，使得若干个感兴趣区域图像更加平滑，同时有效的去除比结构元素小的亮点部分而保持结构元素大的暗点的部分。
拟合处理模块24：用于将多模态CT图像下的若干个感兴趣区域图像进行拟合处理，获得拟合感兴趣区域图像；
在本发明具体实施过程中，所述将多模态CT图像下的若干个感兴趣区域图像进行拟合处理，获得拟合感兴趣区域图像，包括：提取所述多模态CT图像下的若干个感兴趣区域图像的中心点及边缘关键点，所述边缘关键点为基于Harris角点检测算法对若干个感兴趣区域图像检测提取的点；将若干个感兴趣区域图像以所述中心点进行对齐，并以边缘关键点对应叠加进行拟合处理，获得拟合感兴趣区域图像。
具体的，提取该多模态CT图像下的若干个感兴趣区域图像的中心点及边缘关键点；其中该边缘关键点为使用Harris角点检测算法对若干个感兴趣区域图像检测提取的点，且一般为弯曲转向点和曲率极值点；然后将若干个感兴趣区域图像以中心点进行对齐，并以边缘关键点对应叠加进行拟合处理，获得拟合感兴趣区域图像。
血管图像提取模块25：用于对以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内的预设图像区域进行血管图像提取处理，获得多模态CT图像下的若干个血管区域图像；
在本发明具体实施过程中，所述对以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内的预设图像区域进行血管图像提取处理，包括：获得以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内预设图像区域；基于自适应阈值对所述预设图像区域进行二值化处理，并根据二值化处理结果进行血管图像提取处理。
在本发明具体实施过程中，通过以拟合感兴趣区域图像为中心来获得多模态CT目标图像内预设图像区域，该预设图像区域需要大于拟合感兴趣区域图像；然后采用自适应阈值对预设图像区域进行二值化处理，最后再根据二值化处理结果进行血管图像提取处理。
自适应识别模块26：用于将多模态CT图像下的若干个血管区域图像输入已训练的卷积神经网络模型对拟合感兴趣区域图像进行肿瘤识别处理，输出肿瘤识别结果；所述已训练的卷积神经网络模型为使用反向传播算法及交叉熵损失函数对初始卷积神经网络模型的参数进行调整，并利用标记训练数据集训练直至收敛或达到训练次数获得的模型。
在本发明具体实施过程中，通过将多模态CT图像下的若干个血管区域图像输入已训练的卷积神经网络模型对拟合感兴趣区域图像进行肿瘤识别处理，输出肿瘤识别结果；其中已训练的卷积神经网络模型为使用反向传播算法及交叉熵损失函数对初始卷积神经网络模型的参数进行调整，并利用标记训练数据集训练直至收敛或达到训练次数获得的模型；标记训练数据集为目标位置中存在肿瘤的区域周边的血管图像，并在这些血管图像中进行肿瘤标记处理；通过训练，使得已训练的卷积神经网络模型可以较为准确的识别到拟合感兴趣区域图像是否存在有肿瘤。
在本发明实施例中，通过提取多模态CT目标图像中的若干个感兴趣区域图像，并通过拟合的方式形成拟合感兴趣区域图像，再以拟合感兴趣区域图像为中心在多模态CT目标图像内得到预设图像区域，然后提取预设图像区域中的若干个血管区域图像；通过若干个血管区域图像利用卷积神经网络模型来实现重量自适应识别，能够较为快速的、准确的识别感兴趣区域是否为存在肿瘤，并且无需具有相当临床经验的医生辅助识别；同时提高了肿瘤识别的效率，降低了一般用户对CT目标图像内肿瘤识别的成本。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于血管区域图像自适应识别肿瘤的方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于血管区域图像自适应识别肿瘤的方法，其特征在于，所述方法包括：
基于CT成像设备按照不同的剂量标准对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像；
基于若干个不同剂量下的CT目标图像按照目标部位进行对齐处理，形成多模态CT目标图像；
基于预设感兴趣区域提取算法对所述多模态CT目标图像进行感兴趣区域提取处理，获得多模态CT图像下的若干个感兴趣区域图像；
将多模态CT图像下的若干个感兴趣区域图像进行拟合处理，获得拟合感兴趣区域图像；
对以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内的预设图像区域进行血管图像提取处理，获得多模态CT图像下的若干个血管区域图像；
将多模态CT图像下的若干个血管区域图像输入已训练的卷积神经网络模型对拟合感兴趣区域图像进行肿瘤识别处理，输出肿瘤识别结果；所述已训练的卷积神经网络模型为使用反向传播算法及交叉熵损失函数对初始卷积神经网络模型的参数进行调整，并利用标记训练数据集训练直至收敛或达到训练次数获得的模型。
2.根据权利要求1所述的自适应识别肿瘤的方法，其特征在于，所述基于CT成像设备按照不同的剂量标准对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像，包括：
基于所述CT成像设备按照不同的剂量标准设置相同扫描层数对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像；其中，不同的剂量标准至少为两个剂量标准。
3.根据权利要求1所述的自适应识别肿瘤的方法，其特征在于，所述基于若干个不同剂量下的CT目标图像按照目标部位进行对齐处理，形成多模态CT目标图像，包括：
基于所述CT成像设备的成像参数确定所述CT成像设备中的伪影传播规律信息及扰动规律信息；
基于所述CT成像设备中的伪影传播规律信息及扰动规律信息对若干个不同剂量下的CT目标图像进行伪影校正处理，获得校正后的若干个不同剂量下的CT目标图像；
在校正后的若干个不同剂量下的CT目标图像中的每一个剂量下的CT目标图像中的目标部位选取一个参考点；
基于所述参考点将校正后的若干个不同剂量下的CT目标图像进行对齐处理，形成多模态CT目标图像。
4.根据权利要求3所述的自适应识别肿瘤的方法，其特征在于，所述基于所述参照点将校正后的若干个不同剂量下的CT目标图像进行对齐处理，形成多模态CT目标图像，包括：
获得校正后的若干个不同剂量下的CT目标图像中各个像素点相对于参考点的相对坐标信息；
基于校正后的若干个不同剂量下的CT目标图像中各个像素点相对于参考点的相对坐标信息计算获得每一个剂量下的CT目标图像的中心点；
将每一个剂量下的CT目标图像的中心点进行对齐处理，形成多模态CT目标图像。
5.根据权利要求1所述的自适应识别肿瘤的方法，其特征在于，所述基于预设感兴趣区域提取算法对所述多模态CT目标图像进行感兴趣区域提取处理，包括：
对所述多模态CT目标图像进行非目标位置去除预处理处理，获得预处理后的多模态CT目标图像；
计算获得预处理后的多模态CT目标图像的二值化阈值，并基于所述二值化阈值对预处理后的多模态CT目标图像进行图像二值化处理，获得二值化结果；
基于所述二值化结果提取到所述多模态CT图像下的若干个初始感兴趣区域图像；
对所述多模态CT图像下的若干个初始感兴趣区域图像进行二次提取处理，获得多模态CT图像下的若干个感兴趣区域图像。
6.根据权利要求5所述的自适应识别肿瘤的方法，其特征在于，所述计算获得预处理后的多模态CT目标图像的二值化阈值，包括：
基于二维最大类间方差法对预处理后的多模态CT目标图像进行二值化阈值寻优计算处理，获得预处理后的多模态CT目标图像的二值化阈值。
7.根据权利要求5所述的自适应识别肿瘤的方法，其特征在于，所述对所述多模态CT图像下的若干个初始感兴趣区域图像进行二次提取处理，获得多模态CT图像下的若干个感兴趣区域图像，包括：
基于形态学算法对所述多模态CT图像下的若干个初始感兴趣区域图像进行开运算处理，获得多模态CT图像下的若干个感兴趣区域图像。
8.根据权利要求1所述的自适应识别肿瘤的方法，其特征在于，所述将多模态CT图像下的若干个感兴趣区域图像进行拟合处理，获得拟合感兴趣区域图像，包括：
提取所述多模态CT图像下的若干个感兴趣区域图像的中心点及边缘关键点，所述边缘关键点为基于Harris角点检测算法对若干个感兴趣区域图像检测提取的点；
将若干个感兴趣区域图像以所述中心点进行对齐，并以边缘关键点对应叠加进行拟合处理，获得拟合感兴趣区域图像。
9.根据权利要求1所述的自适应识别肿瘤的方法，其特征在于，所述对以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内的预设图像区域进行血管图像提取处理，包括：
获得以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内预设图像区域；
基于自适应阈值对所述预设图像区域进行二值化处理，并根据二值化处理结果进行血管图像提取处理。
10.一种基于血管区域图像自适应识别肿瘤的系统，其特征在于，所述系统包括：
成像扫描模块：用于基于CT成像设备按照不同的剂量标准对目标部位进行成像扫描处理，获得若干个不同剂量下的CT目标图像；
图像对齐模块：用于基于若干个不同剂量下的CT目标图像按照目标部位进行对齐处理，形成多模态CT目标图像；
感兴趣区域提取模块：用于基于预设感兴趣区域提取算法对所述多模态CT目标图像进行感兴趣区域提取处理，获得多模态CT图像下的若干个感兴趣区域图像；
拟合处理模块：用于将多模态CT图像下的若干个感兴趣区域图像进行拟合处理，获得拟合感兴趣区域图像；
血管图像提取模块：用于对以所述拟合感兴趣区域图像为中心的所述多模态CT目标图像内的预设图像区域进行血管图像提取处理，获得多模态CT图像下的若干个血管区域图像；
自适应识别模块：用于将多模态CT图像下的若干个血管区域图像输入已训练的卷积神经网络模型对拟合感兴趣区域图像进行肿瘤识别处理，输出肿瘤识别结果；所述已训练的卷积神经网络模型为使用反向传播算法及交叉熵损失函数对初始卷积神经网络模型的参数进行调整，并利用标记训练数据集训练直至收敛或达到训练次数获得的模型。
CN202310885584.4A 2023-07-19 2023-07-19 一种基于血管区域图像自适应识别肿瘤的方法及系统 Active CN116883372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310885584.4A CN116883372B (zh) 2023-07-19 2023-07-19 一种基于血管区域图像自适应识别肿瘤的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310885584.4A CN116883372B (zh) 2023-07-19 2023-07-19 一种基于血管区域图像自适应识别肿瘤的方法及系统

Publications (2)

Publication Number Publication Date
CN116883372A true CN116883372A (zh) 2023-10-13
CN116883372B CN116883372B (zh) 2024-08-13

Family

ID=88265873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310885584.4A Active CN116883372B (zh) 2023-07-19 2023-07-19 一种基于血管区域图像自适应识别肿瘤的方法及系统

Country Status (1)

Country Link
CN (1) CN116883372B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117237435A (zh) * 2023-11-16 2023-12-15 北京智源人工智能研究院 肿瘤预后效果评估的方法、装置、电子设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480677A (zh) * 2017-08-07 2017-12-15 北京深睿博联科技有限责任公司 一种识别三维ct图像中感兴趣区域的方法及装置
CN107492097A (zh) * 2017-08-07 2017-12-19 北京深睿博联科技有限责任公司 一种识别mri图像感兴趣区域的方法及装置
CN109242844A (zh) * 2018-09-04 2019-01-18 青岛大学附属医院 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质
CN110047082A (zh) * 2019-03-27 2019-07-23 深圳大学 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统
CN110084237A (zh) * 2019-05-09 2019-08-02 北京化工大学 肺结节的检测模型构建方法、检测方法和装置
CN110880177A (zh) * 2019-11-26 2020-03-13 北京推想科技有限公司 一种图像识别方法及装置
CN112348800A (zh) * 2020-11-11 2021-02-09 北方民族大学 融合多尺度特征的密集神经网络肺部肿瘤图像识别方法
WO2022063200A1 (zh) * 2020-09-24 2022-03-31 上海健康医学院 用于非小细胞肺癌预后生存预测的方法、介质及电子设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480677A (zh) * 2017-08-07 2017-12-15 北京深睿博联科技有限责任公司 一种识别三维ct图像中感兴趣区域的方法及装置
CN107492097A (zh) * 2017-08-07 2017-12-19 北京深睿博联科技有限责任公司 一种识别mri图像感兴趣区域的方法及装置
CN109242844A (zh) * 2018-09-04 2019-01-18 青岛大学附属医院 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质
CN110047082A (zh) * 2019-03-27 2019-07-23 深圳大学 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统
CN110084237A (zh) * 2019-05-09 2019-08-02 北京化工大学 肺结节的检测模型构建方法、检测方法和装置
CN110880177A (zh) * 2019-11-26 2020-03-13 北京推想科技有限公司 一种图像识别方法及装置
WO2022063200A1 (zh) * 2020-09-24 2022-03-31 上海健康医学院 用于非小细胞肺癌预后生存预测的方法、介质及电子设备
CN112348800A (zh) * 2020-11-11 2021-02-09 北方民族大学 融合多尺度特征的密集神经网络肺部肿瘤图像识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高雷鸣: "基于迁移学习和卷积神经网络的肺部肿瘤图像识别方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, 15 February 2021 (2021-02-15), pages 072 - 495 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117237435A (zh) * 2023-11-16 2023-12-15 北京智源人工智能研究院 肿瘤预后效果评估的方法、装置、电子设备和存储介质
CN117237435B (zh) * 2023-11-16 2024-02-06 北京智源人工智能研究院 肿瘤预后效果评估的方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN116883372B (zh) 2024-08-13

Similar Documents

Publication Publication Date Title
US11508059B2 (en) Methods and systems for detecting a centerline of a vessel
CN110176012B (zh) 图像中的目标分割方法、池化方法、装置及存储介质
US20220157047A1 (en) Feature Point Detection
Chanwimaluang et al. Hybrid retinal image registration
WO2022088581A1 (zh) 图像检测模型的训练方法及相关装置、设备、存储介质
US7519207B2 (en) Detection and correction method for radiograph orientation
CN109035203B (zh) 医学图像处理方法、装置、设备及存储介质
CN110176010B (zh) 一种图像检测方法、装置、设备及存储介质
CN116883372B (zh) 一种基于血管区域图像自适应识别肿瘤的方法及系统
CN110458859B (zh) 一种基于多序列mri的多发性骨髓瘤病灶的分割系统
CN111199197B (zh) 一种人脸识别的图像提取方法及处理设备
CN113989407B (zh) Ct影像中肢体部位识别模型训练方法及系统
CN111127404B (zh) 一种医疗影像轮廓快速提取方法
CN115222755B (zh) 一种基于医疗成像设备的医疗图像目标分割方法及装置
CN111951215A (zh) 一种图像检测方法、装置及计算机可读存储介质
CN108038840A (zh) 一种图像处理方法、装置、图像处理设备及存储介质
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN114757953B (zh) 医学超声图像识别方法、设备及存储介质
CN114943753A (zh) 基于局部结构矢量对齐的位姿配准方法及装置
CN111275719B (zh) 钙化假阳识别及其模型训练的方法、装置、终端及介质
CN114612533A (zh) 头部多模态ct图像配准方法、装置及放射治疗设备
Rashmi et al. Extended template matching method for region of interest extraction in cephalometric landmarks annotation
CN111178453A (zh) 一种基于svm的医疗图像智能化匹配方法及存储介质
CN113693739B (zh) 肿瘤导航修正方法、装置及便携式荧光影像导航设备
CN116309593B (zh) 基于数学模型的肝脏穿刺活检b超图像处理方法及系统

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