CN116883655A - 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统 - Google Patents
一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统 Download PDFInfo
- Publication number
- CN116883655A CN116883655A CN202310778976.0A CN202310778976A CN116883655A CN 116883655 A CN116883655 A CN 116883655A CN 202310778976 A CN202310778976 A CN 202310778976A CN 116883655 A CN116883655 A CN 116883655A
- Authority
- CN
- China
- Prior art keywords
- image
- breast
- tumor
- bpe
- area
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 28
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 25
- 210000000481 breast Anatomy 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 title claims abstract description 20
- 206010006187 Breast cancer Diseases 0.000 claims abstract description 38
- 208000026310 Breast neoplasm Diseases 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 12
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 235000006679 Mentha X verticillata Nutrition 0.000 claims description 6
- 235000002899 Mentha suaveolens Nutrition 0.000 claims description 6
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000009499 grossing Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 5
- 239000002245 particle Substances 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
Classifications
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- 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.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明涉及医学图像处理技术领域,尤其是一种基于乳腺和肿瘤分割的BPE自动化提取方法和系统,包括获取乳腺肿瘤动态增强MRI图像数据;图像预处理:获取原始MRI图像的TCI子图、图像去噪;构建图;图像区域对比,得到肿瘤区域;图像区域融合,得到乳腺区域。使用Bilateral滤波器对乳腺肿瘤MRI图像进行预处理,具有平滑图像的同时,保留图像区域轮廓细节的特点,区域对比准则使用与所分割图像匹配的参数,基于粒子群优化算法并选择合理的寻优目标函数,针对要处理的乳腺肿瘤MRI图像,优化区域对比准则公式中的参数值,提升了分割效果。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种基于乳腺和肿瘤分割的BPE自动化提取方法和系统。
背景技术
乳腺癌是发生在女性身上最常见的恶性肿瘤之一,对其的诊断与预前评估吸引了科学界越来越多的关注。非侵入诊断方式中的MRI影像诊断,以其无损伤、无辐射、软组织分辨率高、信息量丰富的特点,成为现代乳腺肿瘤诊断的主要方式之一。BPE是指乳腺核磁共振MRI成像检查,一种医学检查方法。具体是指注射对比剂后,观察乳腺核磁上正常纤维腺体增强,BPE检查在乳腺癌风险预测、保乳术后切缘评估、新辅助治疗疗效以及高危人群评估等方面起到重要的作用,它对临床医学上有很大的指导意义。
传统的乳腺和肿瘤分隔的自动化提取方法在实际的使用过程中,使用区域对比准则,使得分割方法对于MRI图像的噪声不敏感,提高了乳腺MRI图像的分割效果,但是在区域对比准则中,决定分割效果的重要参数是经验而设定的,对于不同MRI图像,可能产生过分割与欠分割的问题,导致传统的方法不便于进行临床应用;同时,受到理论基础、经验和认知的差别影响,临床医生和技术人员对于MRI图像的分析和判断存在不可避免。因此,亟需选择合理的寻优目标函数,针对要处理的MRI图像,优化参数进而大大提升的分割效果,尽量避免出现过分割与欠分割的问题,为此我们提出了一种基于乳腺和肿瘤分割的BPE自动化提取方法和系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种基于乳腺和肿瘤分割的BPE自动化提取方法和系统。
为达到以上目的,本发明采用的技术方案为:一种基于乳腺和肿瘤分割的BPE自动化提取方法,包括如下步骤:
S1:获取乳腺肿瘤动态增强MRI图像数据;
S2:图像预处理:获取原始MRI图像的TCI子图、图像去噪;
S3:构建图;
S4:图像区域对比,得到肿瘤区域;
S5:图像区域融合,得到乳腺区域。
优选的,在S1中,乳腺肿瘤动态增项MRI图像数据由BPE获得。
优选的,在S2中,获取原始MRI图像中的TCI子图时,使乳腺肿瘤区域处于TCI子图的大致中心位置,且包含完整的乳腺肿瘤区域,同时,乳腺肿瘤区域占TCI子图尺寸的30%以上。
优选的,在S2中,采用Bilateral滤波器,在进行图像滤波平滑的同时,保留图像区域边缘特征。
优选的,在S3中,图可用G=(V,E)来表示,其中V代表定点,E代表边的集合,对预处理后的图像进行分割,步骤如下:A1,建立图像到图的映射,图中每个顶点Vi的与原图像中的唯一体素点相对应,将当前顶点Vi与该顶点的八邻域的一个顶点相连接,得到边E((Vi,Vj)∈E);A2,选择六邻域的建图模板,对整个乳腺肿瘤MRI图像进行遍历。
优选的,在S3中,完成图像的映射图G=(V,E)后,边集E定义为无效,遍历边集E根据区域对比准则,判断边是否为有效边,若有效,则两区域融合,成为新的区域,边集遍历完成后,图像分为若干区域。
优选的,其中,当边两端的顶点属于不同区域时进行融合判定,减少运算复杂度,实现图像的快速分割。
优选的,区域对比准则公式如下:
其中,Dif(c1,c2)代表区域之间的差异,也就是两个子图C1,C2之间的差异大小,具体见下列公式:
Dif(c1,c2)=∣μ(c1)-μ(c2)∣,
MInt(C1,C2)代表两个区域的最小区域之内差异,也就是相邻子图C1,C2内部灰度差异的较小者,公式如下:
MInt(C1,C2)=min(δ(c1)+τ(c1),δ(c2)+τ(c2)),
其中,μ(c)代表区域C内部的所有体素点的灰度均值;δ(c)表示区域C内部的所有体素点的灰度标准差;τ(c)是门限函数,定义如下:
其中,∣C∣标识区域C内所有的体素点的个数,α=0.02,k=2000。
一种基于乳腺和肿瘤分割的BPE自动化提取系统,包括有图像获取模块、预处理模块、构建模块、对比模块以及融合模块;
其中图像获取模块用以乳腺肿瘤动态增强MRI图像的获取;
预处理模块用以原始图像的TCI子图获取以及图像降噪处理;
对比模块用以图像的区域对比,得到肿瘤区域;融合模块用以图像的区域融合,并得到乳腺区域。
与现有技术相比,本发明具有以下有益效果:
1、使用Bilateral滤波器对乳腺肿瘤MRI图像进行预处理,具有平滑图像的同时,保留图像区域轮廓细节的特点;
2、区域对比准则使用与所分割图像匹配的参数,基于粒子群优化算法并选择合理的寻优目标函数,针对要处理的乳腺肿瘤MRI图像,优化区域对比准则公式中的参数值,提升了分割效果。
附图说明
图1为本发明的流程框图;
图2为本发明的原始乳腺肿瘤MRI图像;
图3为本发明的图2中的图像经过Bilateral滤波后的图像。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
如附图1-3所示的一种基于乳腺和肿瘤分割的BPE自动化提取方法,包括如下步骤:
S1:获取乳腺肿瘤动态增强MRI图像数据;
S2:图像预处理:获取原始MRI图像的TCI子图、图像去噪;
S3:构建图;
S4:图像区域对比,得到肿瘤区域;
S5:图像区域融合,得到乳腺区域。
在S1中,乳腺肿瘤动态增项MRI图像数据由BPE获得。
在S2中,获取原始MRI图像中的TCI子图时,使乳腺肿瘤区域处于TCI子图的大致中心位置,且包含完整的乳腺肿瘤区域,同时,乳腺肿瘤区域占TCI子图尺寸的30%以上。
在S2中,采用Bilateral滤波器,在进行图像滤波平滑的同时,保留图像区域边缘特征。
在S3中,图可用G=(V,E)来表示,其中V代表定点,E代表边的集合,对预处理后的图像进行分割,步骤如下:A1,建立图像到图的映射,图中每个顶点Vi的与原图像中的唯一体素点相对应,将当前顶点Vi与该顶点的八邻域的一个顶点相连接,得到边E((Vi,Vj)∈E);A2,选择六邻域的建图模板,对整个乳腺肿瘤MRI图像进行遍历。
在S3中,完成图像的映射图G=(V,E)后,边集E定义为无效,遍历边集E根据区域对比准则,判断边是否为有效边,若有效,则两区域融合,成为新的区域,边集遍历完成后,图像分为若干区域。
其中,当边两端的顶点属于不同区域时进行融合判定,减少运算复杂度,实现图像的快速分割。
区域对比准则公式如下:
其中,Dif(c1,c2)代表区域之间的差异,也就是两个子图C1,C2之间的差异大小,具体见下列公式:
Dif(c1,c2)=∣μ(c1)-μ(c2)∣,
MInt(C1,C2)代表两个区域的最小区域之内差异,也就是相邻子图C1,C2内部灰度差异的较小者,公式如下:
MInt(C1,C2)=min(δ(c1)+τ(c1),δ(c2)+τ(c2)),
其中,μ(c)代表区域C内部的所有体素点的灰度均值;δ(c)表示区域C内部的所有体素点的灰度标准差;τ(c)是门限函数,定义如下:
其中,∣C∣标识区域C内所有的体素点的个数,α=0.02,k=2000。
一种基于乳腺和肿瘤分割的BPE自动化提取系统,包括有图像获取模块、预处理模块、构建模块、对比模块以及融合模块;
其中图像获取模块用以乳腺肿瘤动态增强MRI图像的获取;
预处理模块用以原始图像的TCI子图获取以及图像降噪处理;
对比模块用以图像的区域对比,得到肿瘤区域;融合模块用以图像的区域融合,并得到乳腺区域。
通过实验统计,其运行时间与TCI子图尺寸有关,20幅乳腺肿瘤MRI图像的平均TCI子图尺寸为159X124到320X162之间,算法平均运行时间为12min,算法平均迭代次数是320次,基于CPU为Pentium(3.0HZ),内存为Kingston(2GB)的计算机上运行效果,预计于多核并行的服务器上运行时,时间将会大幅缩短,提升提取效率。
本发明的工作流程:
参照说明书附图1-3所示,乳腺肿瘤动态增项MRI图像数据由BPE获得,获取原始MRI图像中的TCI子图时,使乳腺肿瘤区域处于TCI子图的大致中心位置,且包含完整的乳腺肿瘤区域,同时,乳腺肿瘤区域占TCI子图尺寸的30%以上;采用Bilateral滤波器,在进行图像滤波平滑的同时,保留图像区域边缘特征;图可用G=(V,E)来表示,其中V代表定点,E代表边的集合,对预处理后的图像进行分割,步骤如下:A1,建立图像到图的映射,图中每个顶点Vi的与原图像中的唯一体素点相对应,将当前顶点Vi与该顶点的八邻域的一个顶点相连接,得到边E((Vi,Vj)∈E);A2,选择六邻域的建图模板,对整个乳腺肿瘤MRI图像进行遍历;完成图像的映射图G=(V,E)后,边集E定义为无效,遍历边集E根据区域对比准则,判断边是否为有效边,若有效,则两区域融合,成为新的区域,边集遍历完成后,图像分为若干区域;当边两端的顶点属于不同区域时进行融合判定,减少运算复杂度,实现图像的快速分割;
综上:使用Bilateral滤波器对乳腺肿瘤MRI图像进行预处理,具有平滑图像的同时,保留图像区域轮廓细节的特点,区域对比准则使用与所分割图像匹配的参数,基于粒子群优化算法并选择合理的寻优目标函数,针对要处理的乳腺肿瘤MRI图像,优化区域对比准则公式中的参数值,提升了分割效果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (9)
1.一种基于乳腺和肿瘤分割的BPE自动化提取方法,其特征在于:包括如下步骤:
S1:获取乳腺肿瘤动态增强MRI图像数据;
S2:图像预处理:获取原始MRI图像的TCI子图、图像去噪;
S3:构建图;
S4:图像区域对比,得到肿瘤区域;
S5:图像区域融合,得到乳腺区域。
2.根据权利要求1所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法,其特征在于,在S1中,乳腺肿瘤动态增项MRI图像数据由BPE获得。
3.根据权利要求1所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法,其特征在于,在S2中,获取原始MRI图像中的TCI子图时,使乳腺肿瘤区域处于TCI子图的大致中心位置,且包含完整的乳腺肿瘤区域,同时,乳腺肿瘤区域占TCI子图尺寸的30%以上。
4.根据权利要求1所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法,其特征在于,在S2中,采用Bilateral滤波器,在进行图像滤波平滑的同时,保留图像区域边缘特征。
5.根据权利要求1所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法,其特征在于,在S3中,图可用G=(V,E)来表示,其中V代表定点,E代表边的集合,对预处理后的图像进行分割,步骤如下:A1,建立图像到图的映射,图中每个顶点Vi的与原图像中的唯一体素点相对应,将当前顶点Vi与该顶点的八邻域的一个顶点相连接,得到边E((Vi,Vj)∈E);A2,选择六邻域的建图模板,对整个乳腺肿瘤MRI图像进行遍历。
6.根据权利要求1所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法,其特征在于,在S3中,完成图像的映射图G=(V,E)后,边集E定义为无效,遍历边集E根据区域对比准则,判断边是否为有效边,若有效,则两区域融合,成为新的区域,边集遍历完成后,图像分为若干区域。
7.根据权利要求6所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法,其特征在于,其中,当边两端的顶点属于不同区域时进行融合判定,减少运算复杂度,实现图像的快速分割。
8.根据权利要求6所述的一种基于乳腺和肿瘤分割的BPE自动化提取方法,其特征在于,区域对比准则公式如下:
其中,Dif(c1,c2)代表区域之间的差异,也就是两个子图C1,C2之间的差异大小,具体见下列公式:
Dif(c1,c2)=∣μ(c1)-μ(c2)∣,
MInt(C1,C2)代表两个区域的最小区域之内差异,也就是相邻子图C1,C2内部灰度差异的较小者,公式如下:
MInt(C1,C2)=min(δ(c1)+τ(c1),δ(c2)+τ(c2)),
其中,μ(c)代表区域C内部的所有体素点的灰度均值;δ(c)表示区域C内部的所有体素点的灰度标准差;τ(c)是门限函数,定义如下:
其中,∣C∣标识区域C内所有的体素点的个数,α=0.02,k=2000。
9.一种基于乳腺和肿瘤分割的BPE自动化提取系统,其特征在于,包括有图像获取模块、预处理模块、构建模块、对比模块以及融合模块;
其中图像获取模块用以乳腺肿瘤动态增强MRI图像的获取;
预处理模块用以原始图像的TCI子图获取以及图像降噪处理;
对比模块用以图像的区域对比,得到肿瘤区域;融合模块用以图像的区域融合,并得到乳腺区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310778976.0A CN116883655A (zh) | 2023-06-29 | 2023-06-29 | 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310778976.0A CN116883655A (zh) | 2023-06-29 | 2023-06-29 | 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116883655A true CN116883655A (zh) | 2023-10-13 |
Family
ID=88267219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310778976.0A Pending CN116883655A (zh) | 2023-06-29 | 2023-06-29 | 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883655A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893539A (zh) * | 2024-03-15 | 2024-04-16 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种乳腺图像识别处理方法 |
-
2023
- 2023-06-29 CN CN202310778976.0A patent/CN116883655A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893539A (zh) * | 2024-03-15 | 2024-04-16 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种乳腺图像识别处理方法 |
CN117893539B (zh) * | 2024-03-15 | 2024-06-07 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种乳腺图像识别处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | A novel white blood cell segmentation scheme using scale-space filtering and watershed clustering | |
US7599533B2 (en) | Image processing system and image processing method | |
WO2019000455A1 (zh) | 图像分割的方法及系统 | |
Win et al. | Automated segmentation of cell nuclei in cytology pleural fluid images using OTSU thresholding | |
CN116883655A (zh) | 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统 | |
US7480401B2 (en) | Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data | |
Viji et al. | Modified texture based region growing segmentation of MR brain images | |
Kaftan et al. | Fuzzy pulmonary vessel segmentation in contrast enhanced CT data | |
CN113139981A (zh) | 基于深度神经网络的dce-mri乳腺肿瘤图像分割方法 | |
CN111563876A (zh) | 一种医学影像的获取方法、显示方法 | |
Jamil et al. | Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments | |
CN112529900B (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
EP2386102A1 (en) | Method and system for the automatic recognition of lesions in a set of breast magnetic resonance images | |
Kim et al. | Tongue diagnosis method for extraction of effective region and classification of tongue coating | |
Ukai et al. | Computer-aided diagnosis system for lung cancer based on retrospective helical CT image | |
CN110533667B (zh) | 基于图像金字塔融合的肺部肿瘤ct影像3d分割方法 | |
CN110009645B (zh) | 一种肝癌病灶影像的双层轮廓分割方法 | |
CN109034256B (zh) | 一种ltp与hog特征融合的乳腺肿瘤检测系统与方法 | |
KR101474162B1 (ko) | 흉부 컴퓨터 단층 영상의 간유리음영 결절 자동 분할 시스템 및 그 분할 방법 | |
CN112634280B (zh) | 基于能量泛函的mri图像脑肿瘤分割方法 | |
Hou et al. | Research on tumor image segmentation in medical imaging based on extremum adaptive median filtering | |
CN112037217A (zh) | 一种基于荧光成像的术中血流成像方法 | |
You et al. | Extraction of samples from airway and vessel trees in 3D lung CT based on a multi-scale principal curve tracing algorithm | |
CN113808100B (zh) | 一种乳腺结节粗钙化识别装置 | |
CN113808101B (zh) | 一种乳腺结节钙化分析装置 |
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 |