CN117218200A - 一种基于精准识别的骨肿瘤病灶定位方法及装置 - Google Patents
一种基于精准识别的骨肿瘤病灶定位方法及装置 Download PDFInfo
- Publication number
- CN117218200A CN117218200A CN202311260780.9A CN202311260780A CN117218200A CN 117218200 A CN117218200 A CN 117218200A CN 202311260780 A CN202311260780 A CN 202311260780A CN 117218200 A CN117218200 A CN 117218200A
- Authority
- CN
- China
- Prior art keywords
- image
- bone tumor
- data
- algorithm
- tumor lesions
- 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
- 208000018084 Bone neoplasm Diseases 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003902 lesion Effects 0.000 claims abstract description 63
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000001186 cumulative effect Effects 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 13
- 238000005315 distribution function Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000002405 diagnostic procedure Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 206010009944 Colon cancer Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 208000000453 Skin Neoplasms Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 201000000849 skin cancer Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Processing (AREA)
Abstract
本发明属于图像处理技术领域,具体是涉及一种基于精准识别的骨肿瘤病灶定位方法及装置;主要包括以下步骤:骨肿瘤病灶图像数据采集、数据预处理、特征提取与选择、人工智能算法,通过对大量已知骨肿瘤病灶图像进行学习和训练,综合不同模态的图像信息,去除图像数据中的模态差异、图像噪声,能够实现自动化的病灶识别和定位,从而加速诊断过程和提高准确性。
Description
技术领域
本发明属于图像处理技术领域,具体是涉及一种基于精准识别的骨肿瘤病灶定位方法及装置。
背景技术
骨肿瘤是发生于骨骼或其附属组织的肿瘤,是一种恶性肿瘤,它对患者的生命和健康带来巨大威胁;在临床治疗和手术操作过程中,对骨肿瘤病灶的准确定位至关重要。然而,传统的骨肿瘤病灶定位方法往往依赖于医学影像技术,如X射线、MRI和CT等,受临床医师经验等主观因素以及医学影像图片分辨率、模态差异、图像噪声等客观因素的影响,传统骨肿瘤诊治过程中不能够对病灶准确识别与定位。此外,传统诊疗方式中大量重复性工作使得临床效率低下。
近年来,随着人工智能越来越多地应用于肺癌、皮肤癌、结肠癌等多种癌症诊治中,以深度学习为基础的模型能够自主从原始数据中选择最合适的特征训练,在图像识别、分割、风险预测及疗效预测等方面取得突出的成绩;因此,本申请基于人工智能算法提出一种基于精准识别的骨肿瘤病灶定位方法及装置。
发明内容
针对现有技术的不足,本发明提供了一种基于精准识别的骨肿瘤病灶定位方法及装置,结合大量的骨肿瘤病灶图像数据,利人工智能算法,通过大数据的学习和训练,精确识别和定位骨肿瘤病灶。
为了实现上述目的,本发明所采取的技术方案如下:一种基于精准识别的骨肿瘤病灶定位方法,包括以下步骤:
(1)骨肿瘤病灶图像数据采集:对骨肿瘤病灶X射线、MRI和CT多个图像模态数据采集;
(2)数据预处理:将多个图像模态进行数据预处理,通过去除图像中的噪声、增强病灶的对比度,并将不同模态的图像转换到相同的坐标系下,以确保数据的一致性和可比性;
(3)特征提取与选择:从预处理后的图像中提取与骨肿瘤特征相关的视觉特征数据,通过提取所述视觉特征数据,揭示病灶的各种特征信息,为后续的分类和定位提供有效的输入;
(4)人工智能算法:使用所述视觉特征数据作为训练集,采用BP神经网络来评估和优化,实现对新的骨肿瘤病灶图像的自动化识别和定位。
进一步地,步骤2中,所述数据预处理包括去噪、图像增强和图像配准三个步骤。
进一步地,去噪过程采用高斯滤波算法,在高斯滤波算法中,图像的每一个像素都与其周围像素进行加权平均,所使用的权重值由高斯函数的曲线决定,利用高斯函数的特性,平滑地对图像进行模糊处理。
算法公式如下:g(x,y)=∑∑w(x,y)*f(x-i,y-j)
其中,g(x,y)表示输出图像中的某个像素值,f(x-i,y-j)表示输入图像中的某个像素值,w(i,j)表示对应位置的高斯权重。
进一步地,高斯权重计算公示如下:
其中,σ表示高斯核的标准差,决定了权重的衰减速度;标准差越大,权重衰减越慢,模糊效果越明显。
进一步地,图像增强采用直方图均衡化算法,通过重新分配图像像素的灰度级,使得图像的直方图在整个灰度范围内均匀分布,从而增强图像的对比度,通过对图像像素的累积分布函数(CDF)进行变换来实现,算法公示如下:
HE(i)=round(((CDF(i)-CDF_min)/(M*N-1))*(G-1))
其中,HE(i)表示新的灰度映射函数中第i个灰度级对应的新灰度级,CDF(i)表示原始图像的累积分布函数,CDF_min表示最小累积分布值,M和N分别表示图像的宽度和高度,G表示灰度级的总数(通常为256)。
进一步地,直方图均衡化地具体步骤如下:
A.计算原始图像的灰度直方图:统计图像中每个灰度级出现的频次,生成原始直方图;
B.计算原始图像的累积分布函数(CDF):使用原始直方图,计算每个灰度级的累积和,并进行标准化处理,得到累积分布函数;
C.计算新的灰度映射函数:将CDF进行线性映射,将灰度级从0到255映射到新的灰度级;
D.对原始图像进行像素级映射:使用新的灰度映射函数,对原始图像的每个像素进行映射,生成增强后的图像。
进一步地,图像配准采用特征点匹配算法,提取图像中具有显著性、不受尺度、旋转和亮度变化影响的特征点,然后根据所述特征点的描述子进行匹配。
进一步地,步骤3中,所述特征提取数据为形态学特征数据、纹理特征数据、直方图特征数据。
进一步地,在所述BP神经网络模型中,包含有输入层(I),隐含层(H)和输出层(O),识别结果分为两类:有病灶和无病灶。
一种基于精准识别的骨肿瘤病灶定位方法的装置,包含有供电模块、数据传输模块、数据处理模块、显示器,显示器与数据传输模块、数据处理模块电性相连;图像数据通过无线或者有线方式传输到数据处理模块,对数据预处理以及运用算法实现图像数据中骨肿瘤病灶精准定位,并在显示器中显示出。
与现有技术相比,本发明具有如下的有益效果:
1.本发明通过对大量已知骨肿瘤病灶图像进行学习和训练,综合不同模态的图像信息,提高病灶的识别和定位准确性。
2.本发明通过图像数据采集与预处理、特征提取与选择、人工智能算法和病灶定位装置,去除图像数据中的模态差异、图像噪声,能够实现自动化的病灶识别和定位,从而加速诊断过程和提高准确性。
附图说明
图1为本发明骨肿瘤病灶定位方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示,一种基于精准识别的骨肿瘤病灶定位方法,包括以下步骤:
(1)骨肿瘤病灶图像数据采集:对骨肿瘤病灶X射线、MRI和CT多个图像模态数据采集;
(2)数据预处理:将多个图像模态进行数据预处理,通过去除图像中的噪声、增强病灶的对比度,并将不同模态的图像转换到相同的坐标系下,以确保数据的一致性和可比性;
数据预处理包括去噪、图像增强和图像配准三个步骤,具体方法如下:
1)去噪算法:高斯滤波
高斯滤波通过对图像进行加权平均,以去除图像中的高频噪声或细节信息,从而实现图像的模糊化效果,其原理是基于高斯函数对图像进行卷积操作;高斯函数是一种呈钟形的曲线,具有以下特点:中心点(峰值)具有最大值,且从中心点向两边逐渐变小。图像的每一个像素都与其周围像素进行加权平均,所使用的权重值是由高斯函数的曲线决定,利用高斯函数的特性,平滑地对图像进行模糊处理。
算法公式如下:g(x,y)=∑∑w(x,y)*f(x-i,y-j)
其中,g(x,y)表示输出图像中的某个像素值,f(x-i,y-j)表示输入图像中的某个像素值,w(i,j)表示对应位置的高斯权重。
高斯权重计算公示如下:
其中,σ表示高斯核的标准差,决定了权重的衰减速度;标准差越大,权重衰减越慢,模糊效果越明显。
2)图像增强算法:直方图均衡化算法(直方图特征数据)
通过重新分配图像像素的灰度级,使得图像的直方图在整个灰度范围内均匀分布,从而增强图像的对比度。
直方图均衡化通过对图像像素的累积分布函数(CDF)进行变换来实现,具体步骤如下:
A.计算原始图像的灰度直方图:统计图像数据中每个灰度级出现的频次,生成原始直方图;
B.计算原始图像的累积分布函数(CDF):使用原始直方图,计算每个灰度级的累积和,并进行标准化处理,得到累积分布函数;
C.计算新的灰度映射函数:将CDF进行线性映射,将灰度级从0到255映射到新的灰度级;
D.对原始图像进行像素级映射:使用新的灰度映射函数,对原始图像的每个像素进行映射,生成增强后的图像。
直方图均衡化的算法公式如下:
HE(i)=round(((CDF(i)-CDF_min)/(M*N-1))*(G-1))
其中,HE(i)表示新的灰度映射函数中第i个灰度级对应的新灰度级,CDF(i)表示原始图像的累积分布函数,CDF_min表示最小累积分布值,M和N分别表示图像的宽度和高度,G表示灰度级的总数(通常为256)。
3)图像配准算法:特征点匹配算法(纹理特征数据)
特征点匹配的原理是通过提取图像中具有显著性、不受尺度、旋转和亮度变化影响的特征点,然后根据这些特征点的描述子来进行匹配。特征点提取和描述子计算是特征点匹配的两个关键步骤。
特征点匹配的算法流程如下:
特征点检测:在两幅图像中使用特征点检测算法Harris角点检测提取出具有显著性的特征点。
描述子计算:对于每个特征点,通过计算其周围区域的局部特征描述子SIFT描述子来表示该特征点的特征。
特征点匹配:将待匹配图像的特征点与参考图像的特征点进行匹配。匹配算法为基于距离度量的最近邻匹配、基于相似性度量的最优匹配的RANSAC算法。
验证和筛选匹配对:根据匹配对的准确性和一致性,使用阈值筛选来验证和筛选特征点匹配对。
(3)特征提取与选择:从预处理后的图像中提取与骨肿瘤特征相关的视觉特征数据,通过提取所述视觉特征数据,揭示病灶的各种特征信息,为后续的分类和定位提供有效的输入;
从预处理后的图像中提取与骨肿瘤特征相关的视觉特征数据,这些视觉特征数据包括形态学特征(如病灶的大小、形状等)、纹理特征(如病灶的纹理、颜色等)以及直方图,通过提取这些视觉特征数据,揭示病灶的各种特征信息,为后续的分类和定位提供有效的输入。
特征提取数据主要包括三部分:形态学特征数据、纹理特征数据、直方图特征数据。为了将特征数据更好的融合,此处可采取卡尔曼滤波或者粒子滤波算法,不再赘述。也可以直接对三部分数据当做人工智能算法输入。
(4)人工智能算法:使用所述视觉特征数据作为训练集,采用BP神经网络来评估和优化,实现对新的骨肿瘤病灶图像的自动化识别和定位,识别结果分为两类:有病灶和无病灶。
使用BP神经网络模型;其包括:输入层(I),隐含层(H)和输出层(O),在传播过程中,误差向前,而信号从输入层到隐含层逐层处理,最后到达输出层,而且下一层的神经元只能被当前的神经元影响;如果输出层的值和期望输出不一样,则生成一个误差值,将这个误差值反向传播,BP神经网络会根据该误差值调整网络的阈值和权值,如此循环,就能逐渐接近期望输出。将视觉特征数据当成输入层数据进行输入,然后通过BP网络进行训练,输出层分为两类:有病灶和无病灶。
估测模型的拟合和预测效果通过决定系数(R2)、均方根误差(RMSE)、相对均方根误差(rRMSE)作为评价指标。
式中,Li为无病灶特征数据;为无病灶特征数据平均值;/>为模型估测值;n为样本数量。
通过数据采集与预处理、特征提取与选择、人工智能算法实现骨肿瘤病灶的自动化识别和定位,为医生提供准确的诊断和治疗指导。
一种基于精准识别的骨肿瘤病灶定位方法的装置,包含有供电模块、数据传输模块、数据处理模块、显示器,显示器与数据传输模块、数据处理模块电性相连;图像数据通过无线或者有线方式传输到数据处理模块,对数据预处理以及运用算法实现图像数据中骨肿瘤病灶精准定位,并在显示器中显示出。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于精准识别的骨肿瘤病灶定位方法,其特征在于,包括以下步骤:
(1)骨肿瘤病灶图像数据采集:对骨肿瘤病灶X射线、MRI和CT多个图像模态数据采集;
(2)数据预处理:将多个图像模态进行数据预处理,通过去除图像中的噪声、增强病灶的对比度,并将不同模态的图像转换到相同的坐标系下,以确保数据的一致性和可比性;
(3)特征提取与选择:从预处理后的图像中提取与骨肿瘤特征相关的视觉特征数据,通过提取所述视觉特征数据,揭示病灶的各种特征信息,为后续的分类和定位提供有效的输入;
(4)人工智能算法:使用所述视觉特征数据作为训练集,采用BP神经网络来评估和优化,实现对新的骨肿瘤病灶图像的自动化识别和定位。
2.根据权利要求1所述的一种基于精准识别的骨肿瘤病灶定位方法,其特征在于,步骤2中,所述数据预处理包括去噪、图像增强和图像配准三个步骤。
3.根据权利要求2所述的一种基于精准识别的骨肿瘤病灶定位方法,其特征在于:去噪过程采用高斯滤波算法,在高斯滤波算法中,图像的每一个像素都与其周围像素进行加权平均,所使用的权重值由高斯函数的曲线决定,利用高斯函数的特性,平滑地对图像进行模糊处理;
算法公式如下:
g(x,y)=∑∑w(x,y)*f(x-i,y-j)
其中,g(x,y)表示输出图像中的某个像素值,f(x-i,y-j)表示输入图像中的某个像素值,w(i,j)表示对应位置的高斯权重。
4.根据权利要求3所述的一种基于精准识别的骨肿瘤病灶定位方法,其特征在于,高斯权重计算公示如下:
其中,σ表示高斯核的标准差,决定了权重的衰减速度;标准差越大,权重衰减越慢,模糊效果越明显。
5.根据权利要求2所述的一种基于精准识别的骨肿瘤病灶定位方法,其特征在于,图像增强采用直方图均衡化算法,通过重新分配图像像素的灰度级,使得图像的直方图在整个灰度范围内均匀分布,从而增强图像的对比度,通过对图像像素的累积分布函数(CDF)进行变换来实现,算法公示如下:
HE(i)=round(((CDF(i)-CDF_min)/(M*N-1))*(G-1))
其中,HE(i)表示新的灰度映射函数中第i个灰度级对应的新灰度级,CDF(i)表示原始图像的累积分布函数,CDF_min表示最小累积分布值,M和N分别表示图像的宽度和高度,G表示灰度级的总数(通常为256)。
6.根据权利要求5所述的一种基于精准识别的骨肿瘤病灶定位方法,其特征在于:直方图均衡化地具体步骤如下:
A.计算原始图像的灰度直方图:统计图像中每个灰度级出现的频次,生成原始直方图;
B.计算原始图像的累积分布函数(CDF):使用原始直方图,计算每个灰度级的累积和,并进行标准化处理,得到累积分布函数;
C.计算新的灰度映射函数:将CDF进行线性映射,将灰度级从0到255映射到新的灰度级;
D.对原始图像进行像素级映射:使用新的灰度映射函数,对原始图像的每个像素进行映射,生成增强后的图像。
7.根据权利要求2所述的一种基于精准识别的骨肿瘤病灶定位方法,其特征在于,图像配准采用特征点匹配算法,提取图像中具有显著性、不受尺度、旋转和亮度变化影响的特征点,然后根据所述特征点的描述子进行匹配。
8.根据权利要求1所述的一种基于精准识别的骨肿瘤病灶定位方法,其特征在于,步骤3中,所述特征提取数据为形态学特征数据、纹理特征数据、直方图特征数据。
9.根据权利要求1所述的一种基于精准识别的骨肿瘤病灶定位方法,其特征在于,步骤4中,在所述BP神经网络模型中,包含有输入层(I),隐含层(H)和输出层(O),识别结果分为两类:有病灶和无病灶。
10.包含权利要求1-9所述的一种基于精准识别的骨肿瘤病灶定位方法的装置,其特征在于,包含有供电模块、数据传输模块、数据处理模块、显示器,显示器与数据传输模块、数据处理模块电性相连;图像数据通过无线或者有线方式传输到数据处理模块,对数据预处理以及运用算法实现图像数据中骨肿瘤病灶精准定位,并在显示器中显示出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311260780.9A CN117218200A (zh) | 2023-09-27 | 2023-09-27 | 一种基于精准识别的骨肿瘤病灶定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311260780.9A CN117218200A (zh) | 2023-09-27 | 2023-09-27 | 一种基于精准识别的骨肿瘤病灶定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117218200A true CN117218200A (zh) | 2023-12-12 |
Family
ID=89048021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311260780.9A Pending CN117218200A (zh) | 2023-09-27 | 2023-09-27 | 一种基于精准识别的骨肿瘤病灶定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117218200A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118280530A (zh) * | 2024-04-07 | 2024-07-02 | 中国人民解放军总医院第一医学中心 | 术前自适应匹配肿瘤形态的辅助规划方法及系统 |
CN118351113A (zh) * | 2024-06-17 | 2024-07-16 | 厦门海荭兴仪器股份有限公司 | 基于人工智能的微塑料智能识别定位和尺寸计算系统 |
CN118658186A (zh) * | 2024-08-16 | 2024-09-17 | 一脉通(深圳)智能科技有限公司 | 基于图像处理的指纹识别方法及系统 |
-
2023
- 2023-09-27 CN CN202311260780.9A patent/CN117218200A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118280530A (zh) * | 2024-04-07 | 2024-07-02 | 中国人民解放军总医院第一医学中心 | 术前自适应匹配肿瘤形态的辅助规划方法及系统 |
CN118351113A (zh) * | 2024-06-17 | 2024-07-16 | 厦门海荭兴仪器股份有限公司 | 基于人工智能的微塑料智能识别定位和尺寸计算系统 |
CN118658186A (zh) * | 2024-08-16 | 2024-09-17 | 一脉通(深圳)智能科技有限公司 | 基于图像处理的指纹识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Dual-branch residual network for lung nodule segmentation | |
CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
CN117218200A (zh) | 一种基于精准识别的骨肿瘤病灶定位方法及装置 | |
CN109064470B (zh) | 一种基于自适应模糊聚类的图像分割方法及装置 | |
CN108664976B (zh) | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 | |
Udeshani et al. | Statistical feature-based neural network approach for the detection of lung cancer in chest x-ray images | |
CN109753997A (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
Liu et al. | Automatic lung segmentation based on image decomposition and wavelet transform | |
CN110458859B (zh) | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 | |
Parveen et al. | Detection of lung cancer nodules using automatic region growing method | |
Saifullah et al. | Modified histogram equalization for improved CNN medical image segmentation | |
CN114092450B (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
CN108765427A (zh) | 一种前列腺图像分割方法 | |
CN117237342B (zh) | 一种呼吸康复ct影像智能分析方法 | |
Akkar et al. | Diagnosis of lung cancer disease based on back-propagation artificial neural network algorithm | |
CN108765431B (zh) | 一种图像的分割方法及其在医学领域的应用 | |
CN113780421B (zh) | 基于人工智能的脑部pet影像识别方法 | |
CN111932549B (zh) | 一种基于sp-fcn的mri脑肿瘤图像分割系统及方法 | |
CN113763309B (zh) | 一种基于改进U-net网络和LSTM网络的肝脏血管超声图像目标识别与跟踪方法 | |
CN118351300A (zh) | 基于U-Net模型的危机器官自动勾画方法及系统 | |
CN118136237A (zh) | 一种基于图像处理的食管癌筛查系统及方法 | |
CN113658193B (zh) | 基于信息融合的肝脏ct影像肿瘤分割方法 | |
CN106997592A (zh) | 具有实时性的模糊聚类医学图像分割方法 | |
CN110136112A (zh) | 一种基于乳腺x线摄影钙化计算机辅助检测算法 | |
CN114757894A (zh) | 一种骨肿瘤病灶分析系统 |
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 |