CN117808813A - 呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 - Google Patents
呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 Download PDFInfo
- Publication number
- CN117808813A CN117808813A CN202410232179.7A CN202410232179A CN117808813A CN 117808813 A CN117808813 A CN 117808813A CN 202410232179 A CN202410232179 A CN 202410232179A CN 117808813 A CN117808813 A CN 117808813A
- Authority
- CN
- China
- Prior art keywords
- lesion
- lesion point
- image
- seeds
- seed
- 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
Links
- 206010056342 Pulmonary mass Diseases 0.000 title claims abstract description 32
- 210000002345 respiratory system Anatomy 0.000 title claims abstract description 31
- 210000004881 tumor cell Anatomy 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims description 13
- 230000003902 lesion Effects 0.000 claims abstract description 449
- 230000012010 growth Effects 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000009792 diffusion process Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000003709 image segmentation Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000036285 pathological change Effects 0.000 claims description 18
- 231100000915 pathological change Toxicity 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011282 treatment Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 206010054107 Nodule Diseases 0.000 description 8
- 230000035040 seed growth Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质,方法包括:获取待识别医学影像,对待识别医学影像进行转化待识别灰度图像;对待识别灰度图像进行预处理;利用基于区域生长算法对待识别医学影像进行病变点种子定位,得到待识别医学影像中的病变点种子;根据待识别医学影像病变点种子位置,根据病变点种子位置进行基于区域生长算法的分割处理,识别得到若干个待识别医学影像块;将基于待识别医学影像块作为最终分割结果;通过不断选取病变点种子的生长扩散,对病变点种子的生长扩散区域进行图像分割,使分割的图像具有更高清晰度和紧密性,并且也通过多分割病变点种子的生长扩散区域增加了图像的分割效率。
Description
技术领域
本发明涉及影像识别领域,尤其涉及一种呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质。
背景技术
图像识别技术在医学影像领域的应用是一个重要且迅速发展的研究方向,通过使用先进的计算机视觉和机器学习算法来分析、处理和解释医学影像数据,从而辅助医生进行更准确的诊断、治疗规划和疾病监测;然而,人体内部结构的复杂性以及疾病表现的多样性给图像识别带来了巨大挑战。
肺叶是指肺部的分段结构,人的左右肺各有两个主要的裂隙,将肺分成了三个大肺叶和两个小肺叶。
其中左肺的上叶、下叶和右肺的中叶、下叶分别为大肺叶,左肺的下叶和右肺的上叶分别为小肺叶。
研究发现,通过图像识别技术中可以通过图像分割技术自动或半自动地提取出医学影像中的特定结构,通过将感兴趣的区域(如肿瘤、病变器官、病变组织等)从整个医学影像中精确地分割出来,使得医生能够进行定量分析,如计算肿瘤的体积、形状和生长速度等,这种定量信息对于评估疾病进展、制定治疗方案以及监测治疗效果非常有价值。
但研究人员发现传统的图像分割技术往往需要大量的计算资源,且识别精准度不高;同时,在实际应用中,获取大量经过专家精确标注的医学影像数据既昂贵又耗时,尤其是肺部结节病变区域的精准识别和发展预判难以处理。
因此,急需一种呼吸系统肺结节肿瘤细胞影像检测方法,对医学影像进行快速和细节病变区域的精准识别分割。
发明内容
本发明的目的在于提供一种呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质,解决了现有技术中指出的上述技术问题。
本发明提供了一种呼吸系统肺结节肿瘤细胞影像检测方法包括如下操作步骤:
获取待识别医学影像,对待识别医学影像进行转化待识别灰度图像;
对所述待识别灰度图像进行预处理;利用基于区域生长算法对待识别医学影像进行病变点种子定位,得到待识别医学影像中的病变点种子;根据待识别医学影像病变点种子位置,根据所述病变点种子位置进行基于区域生长算法的分割处理,识别得到若干个待识别医学影像块;
将所述基于所述待识别医学影像块作为最终分割结果。
较佳地,对所述待识别灰度图像进行预处理;利用基于区域生长算法对待识别医学影像进行病变点种子定位,得到待识别医学影像中的病变点种子;根据待识别医学影像病变点种子位置,根据所述病变点种子位置进行基于区域生长算法的分割处理,识别得到若干个待识别医学影像块,具体包括如下操作步骤:
对所述待识别灰度图像进行预处理划分网格,得到N×N个网格图像;每个所述网格图像内覆盖有多个像素点;对所述各个网格图像进行像素点亮度的聚类,使每个所述网格图像得到若干个不同的亮度的像素点亮度簇,对所述像素点亮度簇选取最高像素点亮度簇进行后续操作;
通过所述区域生长算法对所述各个网格图像的最高像素点亮度簇确定为病变点种子;在对当前待识别灰度图像的网格图像进行区域生长处理时,选取网格图像中间区域的一个病变点种子,对该病变点种子的相邻网格图像的同样最高像素点亮度簇对应的病变点种子进行扩散,判断比较该病变点种子的区域亮度簇级别和相邻网格图像对应的病变点种子的区域亮度簇级别,若该病变点种子的区域亮度簇级别相对更高,则将相邻网格图像对应的病变点种子进行作为当前病变点种子的从属病变点种子;若该病变点种子的区域亮度簇级别相对小于或者等于相邻网格图像对应的病变点种子的区域亮度簇级别,则判定该病变点种子的区域生长操作停止处理;
根据所述从属病变点种子对相邻网格图像对应的病变点种子进行扩散,比较从属病变点种子和该从属病变点种子的相邻网格图像对应的病变点的区域亮度簇级别,若所述从属病变点种子的区域亮度簇级别高于相邻网格图像对应的病变点种子的区域亮度簇级别,则从属病变点种子的相邻网格图像对应的病变点种子作为该从属病变点种子的子从属病变点种子;若小于或者等于相邻网格图像对应的病变点种子的区域亮度簇级别,则该从属病变点种子的区域生长操作停止处理;
若当前病变点种子停止扩散,则重复上述步骤直到所有网格图像进行病变点种子扩散完成,并根据所选择的多个病变点种子的扩散范围进行分割图像,得到若干待识别医学影像块。
较佳地,所述对该病变点种子的相邻网格图像的同样最高像素点亮度簇对应的病变点种子进行扩散,判断比较该病变点种子的区域亮度簇级别和相邻网格图像对应的病变点种子的区域亮度簇级别,若该病变点种子的区域亮度簇级别相对更高,则将相邻网格图像对应的病变点种子进行作为当前病变点种子的从属病变点种子,具体操作步骤如下:
在判断该病变点种子的区域亮度簇级别大于相邻病变点种子的区域亮度簇级别时进行生长扩散;判断所述病变点种子的区域亮度簇级别与生长扩散的相邻病变点种子的区域亮度簇级别的等级差;
进一步判断病变点种子的区域亮度簇级别与生长扩散的相邻病变点种子的区域亮度簇级别的等级差判断是否大于预设等级差阈值o;当该病变点种子的区域亮度簇级别与生长扩散的相邻病变点种子的区域亮度簇级别的等级差判断大于或等于预设等级差阈值o时,则判定当前生长扩散的相邻病变点种子不符合生长扩散条件;当该病变点种子的区域亮度簇级别与生长扩散的相邻病变点种子的区域亮度簇级别的等级差判断小于预设等级差阈值o时,则判定当前生长扩散的相邻病变点种子符合生长扩散条件,对所述相邻病变点种子进行生长扩散,作为从属病变点种子;
当该病变点种子生长终止时,对该病变点种子的生长区域进行标记为老的病变点种子;重新选择病变点种子进行新的生长扩散,老的病变点种子将对其排除掉,当新的病变点种子生长接触到老的病变点种子时,所述新的病变点种子该生长方向停止生长。
较佳地,所述重新选择病变点种子进行新的生长扩散,老的病变点种子将对其排除掉,当新的病变点种子生长接触到老的病变点种子时,所述新的病变点种子停止生长,具体操作步骤如下:
选择新的病变点种子时,按照所述病变点种子的区域亮度簇级别进行判断选择病变点种子,选择最高级别的病变点种子的区域亮度簇级别作为候选病变点种子;所述多个网格图像最高级别的病变点种子的区域亮度簇级别相同,得到多个候选病变点种子;
进一步计算所述多个候选病变点种子是否存在图像网络的边界区域;通过所述候选病变点种子计算与待识别灰度图像的图像边界的切比雪夫距离,根据多个方向的切比雪夫距离选取候选病变点种子到图像边界最短切比雪夫距离的方向;若所述候选病变点种子存在多个最短切比雪夫距离的方向,则任选一个最短切比雪夫距离方向;
对所有的候选病变点种子的最短切比雪夫距离方向进行排序,选取所有候选病变点种子的最短切比雪夫距离方向中最长的切比雪夫距离方向的候选病变点种子作为新的病变点种子;若同时存在多个最长的切比雪夫距离方向的候选病变点种子,则对比候选病变点种子在在网格图像中顺序位置,以顺序位置进行选择新的病变点种子;
较佳地,所述多个候选病变点种子多次选取种植后,最后的最高级别的病变点种子生长扩散,具体操作步骤如下:
当所述新的病变点种子不断选取后,剩余最后的最高级别的病变点种子的区域亮度簇级别接近图像边界位置时,则对最后的最高级别的病变点种子做除图像边界方向外的所有方向进行生长扩散;当所述最后的最高级别的病变点种子生长接触到老的病变点种子生长区域时,则对最后的最高级别的病变点种子接触到老的病变点种子生长区域的生长方向停止生长。
较佳地,通过所述候选病变点种子计算与待识别灰度图像的图像边界的切比雪夫距离,具体操作步骤如下:
所述确定各个候选病变点种子网格图像位置和所述待识别灰度图像的图像边界位置,对所述候选病变点种子网格图像位置和所述图像边界的相应位置计算切比雪夫距离;
计算所述候选病变点种子网格图像的斜邻域方向,其中,候选病变点种子网格图像位置W(x1、x2、x3⋯xn),图像边界位置N(y1、y2、y3⋯yn),所述斜邻域方向为Max(|x1-y1|,|x2-y2|),通过所述斜邻域方向计算与图像边界的切比雪夫距离:
SWN=MAX|(|x1-y1|,|x2-y2|)-|xn-yn||;
式中,SWN为候选病变点种子网格图像的斜邻域方向到图像边界的切比雪夫距离,|xn-yn|为方向延伸位移;
通过所述候选病变点种子网格图像位置W(x1、x2、x3⋯xn),图像边界位置N(y1、y2、y3⋯yn)进一步计算候选病变点种子网格图像位置的正邻域方向,所述正邻域方向为Min(x1,y2),所述正邻域方向计算与图像边界的切比雪夫距离:
CWN=MIN|(x1,y2)-|xn-yn||;
式中,CWN为候选病变点种子网格图像的正邻域方向到图像边界的切比雪夫距离,|xn-yn|为方向延伸位移;
通过所述计算所有候选病变点种子网格图像的各正邻域方向切比雪夫距离与各邻域方向切比雪夫距离,进行选取各候选病变点种子网格图像的最短切比雪夫距离,最通过各候选病变点种子网格图像的最短切比雪夫距离选取最长的切比雪夫距离的候选病变点种子网格图像,作为新的病变点种子进行生长扩线。
相应地,本发明还提出了一种基于图像识别的医学影像检测系统,包括图像转换模块,图像分割模块,图像结果模块;
所述图像转换模块用于对获取的待识别医学影像进行转化待识别灰度图像;
所述图像分割模块用于对所述待识别灰度图像进行预处理;利用基于区域生长算法对待识别医学影像进行病变点种子定位,得到待识别医学影像中的病变点种子;根据待识别医学影像病变点种子位置,根据所述病变点种子位置进行基于区域生长算法的分割处理,识别得到若干个待识别医学影像块;
所述图像结果模块将所述待识别医学影像块作为最终分割结果。
相应地,本发明还提出了一种存储介质,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的一种呼吸系统肺结节肿瘤细胞影像检测方法的步骤。
与现有技术相比,本发明实施例至少存在如下方面的技术优势:
分析本发明提供的上述一种呼吸系统肺结节肿瘤细胞影像检测方法可知,在具体应用时通过待识别医学图像转换为待识别灰度图像可以减少彩色图像所带来的大量数据信息,为后续的图像分割加快速度;
对待识别灰度图像进行划分网格,并进行像素点亮度的聚类,可以在后续图像分割中进行按照像素点亮度簇的相近区域进行网格图像的分割图像,使分割的图像具有清晰度和整齐度,并且也增加了图像的分割效率;通过病变点种子对大于邻域方向的病变点种子的生长,可以使病变点种子快速的生长,并且网格图像更具有紧密性,使分割后的图像清晰度更高;
进一步的,通过病变点种子生长扩散后的从属病变点种子再次进行生长扩散,同样进行大于邻域方向的病变点种子的生长,直到碰到图像边界或者不符合生长条件为止,这样可以使病变点种子的生长更加稳固,使分割后的图像对医护人员的观察工作起到更大的作用,得到更多病理性数据,并提高清晰度和分割效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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为本发明实施例一提供的一种呼吸系统肺结节肿瘤细胞影像检测方法的整体流程图;
图2为本发明实施例一提供的一种呼吸系统肺结节肿瘤细胞影像检测方法的综合流程图;
图3为本发明实施例一提供的一种呼吸系统肺结节肿瘤细胞影像检测方法的病变点种子生长区域分割流程图;
图4为本发明实施例一提供的一种呼吸系统肺结节肿瘤细胞影像检测方法的病变点种子生长示意图;
图5为本发明实施例一提供的一种呼吸系统肺结节肿瘤细胞影像检测方法的病变点种子生长参考图;
图6为本发明实施例一提供的一种呼吸系统肺结节肿瘤细胞影像检测方法的病变点种子生长条件流程图;
图7为本发明实施例一提供的一种呼吸系统肺结节肿瘤细胞影像检测方法的选取新的病变点种子的条件流程图;
图8为本发明实施例一提供的一种呼吸系统肺结节肿瘤细胞影像检测方法的候选病变点种子多个方向最短切比雪夫距离的示意图;
图9为本发明实施例一提供的一种呼吸系统肺结节肿瘤细胞影像检测方法的病变点种子处图像边界方向外所有方向进行生长扩散示意图;
图10为本发明实施例一提供的一种呼吸系统肺结节肿瘤细胞影像检测方法的病变点种子邻域方向的计算流程图;
图11为本发明实施例一提供的一种基于图像识别的医学影像检测系统流程图;
图12为实施例三的应用上述一种呼吸系统肺结节肿瘤细胞影像检测方法的一种存储介质的结构示意图。
标号:图像转换模块10,图像分割模块20,图像结果模块30。
处理器1110;通信接口1120;存储器1130;计算机存储介质1140。
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。
基于本发明中的实施例,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。
下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
实施例一
如图1所示,如图2所示,本发明提出了一种呼吸系统肺结节肿瘤细胞影像检测方法,包括如下操作步骤:
S1:获取待识别医学影像,对待识别医学影像进行转化待识别灰度图像;
S2:对所述待识别灰度图像进行预处理;利用基于区域生长算法对待识别医学影像进行病变点种子定位,得到待识别医学影像中的病变点种子;根据待识别医学影像病变点种子位置,根据所述病变点种子位置进行基于区域生长算法的分割处理,识别得到若干个待识别医学影像块;
S3:将所述基于所述待识别医学影像块作为最终分割结果。
具体地,如图3所示,如图4所示,如图5所示,在步骤S2中,对所述待识别灰度图像进行预处理;利用基于区域生长算法对待识别医学影像进行病变点种子定位,得到待识别医学影像中的病变点种子;根据待识别医学影像病变点种子位置,根据所述病变点种子位置进行基于区域生长算法的分割处理,识别得到若干个待识别医学影像块,具体包括如下操作步骤:
S21:对所述待识别灰度图像进行预处理划分网格,得到N×N个网格图像;每个所述网格图像内覆盖有多个像素点;对所述各个网格图像进行像素点亮度的聚类,使每个所述网格图像得到若干个不同的亮度的像素点亮度簇,对所述像素点亮度簇选取最高像素点亮度簇进行后续操作;
解释说明,一般来说区域生长算法应用的种子对象是单个像素点,但是本发明实施例则选择的病变点种子实际上是一个多个像素点组成的亮度簇是一个种子片区域;同时,种子生长是利用相邻像素包括进来的准则,可以使用图像的差值、彩色图像的颜色、亮度等,只要是关于像素与像素间的关系描述就可以使用作为种子生长条件;
S22:通过所述区域生长算法对所述各个网格图像的最高像素点亮度簇确定为病变点种子;在对当前待识别灰度图像的网格图像进行区域生长处理时,选取网格图像中间区域的一个病变点种子,对该病变点种子的相邻网格图像的同样最高像素点亮度簇对应的病变点种子进行扩散,判断比较该病变点种子的区域亮度簇级别(或者区域亮度簇级别)和相邻网格图像对应的病变点种子的区域亮度簇级别,若该病变点种子的区域亮度簇级别相对更高,则将相邻网格图像对应的病变点种子进行作为当前病变点种子的从属病变点种子;若该病变点种子的区域亮度簇级别相对小于或者等于相邻网格图像对应的病变点种子的区域亮度簇级别,则判定该病变点种子的区域生长操作停止处理;
需要说明的是,当所述病变点种子向外生长扩散时,通过判断相邻病变点种子的区域亮度簇级别;当该病变点种子的区域亮度簇级别大于相邻病变点种子区域亮度簇级别时,则相邻病变点种子为从属病变点种子;虽然该病变点种子的区域亮度簇级别大于相邻病变点种子区域亮度簇级别,但是两者区域亮度簇级别确相互接近,没有较大的级别差距,当级别差距巨大时,该病变点种子停止生长扩散;可以使病变点种子的生长过程更加的具有紧密感,同时,也可以增加图像分割后的清晰度和规整度;并通过病变点种子的快速生长扩散也增加了图像分割的效率。
S23:然后根据所述从属病变点种子对相邻网格图像对应的病变点种子进行扩散,比较从属病变点种子和该从属病变点种子的相邻网格图像对应的病变点的区域亮度簇级别,若所述从属病变点种子的区域亮度簇级别高于相邻网格图像对应的病变点种子的区域亮度簇级别,则从属病变点种子的相邻网格图像对应的病变点种子作为该从属病变点种子的子从属病变点种子;若小于或者等于相邻网格图像对应的病变点种子的区域亮度簇级别,则该从属病变点种子的区域生长操作停止处理;
S24:若当前病变点种子停止扩散,则重复上述步骤S22--步骤S23,直到所有网格图像进行病变点种子扩散完成,并根据所选择的多个病变点种子的扩散范围进行分割图像,得到若干待识别医学影像块。
具体地,如图6所示,在步骤S22中,所述对该病变点种子的相邻网格图像的同样最高像素点亮度簇对应的病变点种子进行扩散,判断比较该病变点种子的区域亮度簇级别和相邻网格图像对应的病变点种子的区域亮度簇级别,若该病变点种子的区域亮度簇级别相对更高,则将相邻网格图像对应的病变点种子进行作为当前病变点种子的从属病变点种子,具体操作步骤如下:
S221:在判断该病变点种子的区域亮度簇级别大于相邻病变点种子的区域亮度簇级别时进行生长扩散;判断所述病变点种子的区域亮度簇级别与生长扩散的相邻病变点种子的区域亮度簇级别的等级差;
S222:进一步判断病变点种子的区域亮度簇级别与生长扩散的相邻病变点种子的区域亮度簇级别的等级差判断是否大于预设等级差阈值o;当该病变点种子的区域亮度簇级别与生长扩散的相邻病变点种子的区域亮度簇级别的等级差判断大于或等于预设等级差阈值o时,则判定当前生长扩散的相邻病变点种子不符合生长扩散条件;当该病变点种子的区域亮度簇级别与生长扩散的相邻病变点种子的区域亮度簇级别的等级差判断小于预设等级差阈值o时,则判定当前生长扩散的相邻病变点种子符合生长扩散条件,对所述相邻病变点种子进行生长扩散,作为从属病变点种子;
需要说明的是,通过预设等级差阈值o(假设等级差阈值为2;当两者区域亮度簇级别的等级差大于或等于2时(即该病变点种子区域亮度簇级别为8时,相邻病变点种子为区域亮度簇级别为6时),该病变点种子停止生长;若等级差小于2时(即该病变点种子区域亮度簇级别为8时,相邻病变点种子为区域亮度簇级别为7时),则该病变点种子开始生长(即同样从属病变点种子进行等级差判断时继续生长))来判断两者之间的区域亮度簇级别;选择区域亮度簇级别的等级差小于预设等级差阈值o的相邻病变点种子作为生长条件,可以有很好的病变点种子的生长关联性,并且保证分割出的待识别医学影像块因关联性而保证的图像清晰度;同时,防止待识别医学影像块因过大而导致利用所述待识别医学影像块所做的一些包括:检验病理、分析报告等不良影响。
S223:当该病变点种子生长终止时,对该病变点种子的生长区域进行标记为老的病变点种子(即该病变点种子的整个生长区域范围,包括:该病变点种子、从属病变点种子、子从属病变点种子与子从属病变点种子的继续生长的相邻病变点种子等);重新选择病变点种子进行新的生长扩散,老的病变点种子将对其排除掉,当新的病变点种子生长接触到老的病变点种子时,所述新的病变点种子该生长方向停止生长(即该新的病变点种子生长方向接触到老的病变点种子的生长区域停止生长,其余方向未接触到老的病变点种子生长区域的病变点种子继续生长扩散)。
具体地,如图7所示,在步骤S223中,所述重新选择病变点种子进行新的生长扩散,老的病变点种子将对其排除掉,当新的病变点种子生长接触到老的病变点种子时,所述新的病变点种子停止生长,具体操作步骤如下:
S2231:选择新的病变点种子时,按照所述病变点种子的区域亮度簇级别进行判断选择病变点种子,选择最高级别的病变点种子的区域亮度簇级别作为候选病变点种子;所述多个网格图像最高级别的病变点种子的区域亮度簇级别相同,得到多个候选病变点种子;
需要说明的是,当再次选择新的病变点种子进行生长时,需要从病变点种子的区域亮度簇级别的最高级别进行选取,对所有最高级别的病变点种子进行作为候选病变点种子;
S2232:进一步计算所述多个候选病变点种子是否存在图像网络的边界区域;通过所述候选病变点种子计算与待识别灰度图像的图像边界的切比雪夫距离(即计算所述各个候选病变点种子的各个方向到待识别灰度图像的切比雪夫距离,得到多个方向的候选病变点种子的切比雪夫距离),根据多个方向的切比雪夫距离选取候选病变点种子到图像边界最短切比雪夫距离的方向;若所述候选病变点种子存在多个最短切比雪夫距离的方向,则任选一个最短切比雪夫距离方向(如图8所示,可能存在多个最短切比雪夫距离的方向,此种情况任意选择一个方向即可);
对所有的候选病变点种子的最短切比雪夫距离方向进行排序,选取所有候选病变点种子的最短切比雪夫距离方向中最长的切比雪夫距离方向的候选病变点种子作为新的病变点种子;若同时存在多个最长的切比雪夫距离方向的候选病变点种子,则对比候选病变点种子在在网格图像中顺序位置,以顺序位置进行选择新的病变点种子;
需要说明的是,通过切比雪夫距离计算出每一个候选病变点种子的各生长方向到待识别灰度图像的图像边界位置的距离,通过选取所有候选病变点种子的最短切比雪夫距离的生长方向再次的进行比较,选取最短切比雪夫距离的生长方向中最长的切比雪夫距离的生长方向的病变点种子作为新的病变点种子(假设:第一候选病变点种子距离图像边界最短距离的方向为2、第二候选病变点种子距离图像边界最短距离的方向为3、第三候选病变点种子距离图像边界最短距离的方向为4、第四候选病变点种子距离图像边界最短距离的方向为5,第四候选病变点种子的最短距离的方向5是最长的,则说明第四候选病变点种子的各个方向距离都是距离图像边界最远的,因此作为新的病变点种子;若是存在第五候选病变点种子距离图像边界最短距离的方向为5,则第四、第五候选病变点种子距离图像边界最短距离的方向都为5,这个时候判断第四、第五两个候选病变点种子在待检测灰度图像中的网格图像位置,按照从上到下,从左到右的顺序进行选择新的病变点种子);新的病变点种子因为距离图像边界最远,所以可以对新的病变点种子进行添加更多的新的生长领域;
同时,使后续分割得到的图像更加全面;并且待检测灰度图像边界区域的病变点种子在生长过程中容易超出图像边界的生长,将图像边界外的区域像素点进行包括进去,容易导致病变点种子生长缓慢数据异常的情况(在图像处理中,不能访问图像边界之外的像素的原因主要与图像数据的结构和存储方式有关;图像边界定义了图像的尺寸和形状;而在图像边界之外,没有定义像素值,因为超出了图像数据的范围,所以图像边界之外的区域不存在于图像数据中,因此无法访问或修改)。
S2233:当所述新的病变点种子不断选取后,剩余最后的最高级别的病变点种子的区域亮度簇级别接近图像边界位置时,则对最后的最高级别的病变点种子做除图像边界方向外的所有方向进行生长扩散(如图9所示,病变点种子除图像边界方向外的所有方向进行生长扩散);当所述最后的最高级别的病变点种子生长接触到老的病变点种子生长区域时,则对最后的最高级别的病变点种子接触到老的病变点种子生长区域的生长方向停止生长(即病变点种子接触到图像边界时同样停止生长扩散);
需要说明的是,当最高级别的病变点种子不断的经过计算图像边界距离选取生长后,将会剩余接近图像边界的最后的最高级别的病变点种子,对最后的最高级别的病变点种子进行除了图像边界方向外的所有生长方向的生长扩散或接近图像边界时停止生长,避免生长超过图像边界造成访问错误,因为图像边界之外的数据不存在该待检测灰度图像的像素点;同时,保证所有的病变点种子都能够得到生长的条件,使待检测灰度图像能够得到各自生长区域的图像分割快。
举例说明,再次详见图3,图4;结合病历影像数据可知,某个患者的肺部结节的发展过程,截取其中的一个CT影像图像;CT影像图像中的病变细胞会从某个位置按照稳定或是不稳态的生长速度病变恶化,因此说分析CT影像图像中的病变区域的形状、大小、位置是可以清楚的分析得到患者癌变的肺结节情况;
然而磨玻璃样结节以及实性结节都会有细微差别,且相对来说实性结节更容易发生癌变,因此需要识别的更为清晰;
从形状上来说,良性结节的边界清晰且较为光滑,可能不会出现明显的分叶,如果是有可能癌变的结节,往往影像病变区域的边界会不清楚,有毛刺,或者有比较明显的分叶等。
且相邻或者相近的实性结节区域往往向同一个发展方向恶化延伸,此处的延伸方向上密实度较高(分叶较多)。
研究还发现如果是超过1.4mm的实性结节,或者超过9mm的部分实性结节,癌变的概率比较高;因此说本申请实施例在清楚识别病变区域的边界、病变区域以及病变区域的相关联特性起到了积极作用。
具体地,如图10所示,在步骤S2232中,通过所述候选病变点种子计算与待识别灰度图像的图像边界的切比雪夫距离,具体操作步骤如下:
S22321:所述确定各个候选病变点种子网格图像位置和所述待识别灰度图像的图像边界位置,对所述候选病变点种子网格图像位置和所述图像边界的相应位置计算切比雪夫距离;
需要说明的是,候选病变点种子存在8个方向(即上、下、左、右、左上、左下、右上、右下,8个方向),对所有的候选病变点种子的8个方向进行分别计算切比雪夫距离。
S22322:计算所述候选病变点种子网格图像的斜邻域方向(斜邻域方向即左上、左下、右上、右下,4个方向),其中,候选病变点种子网格图像位置W(x1、x2、x3⋯xn),图像边界位置N(y1、y2、y3⋯yn),所述斜邻域方向为Max(|x1-y1|,|x2-y2|),通过所述斜邻域方向计算与图像边界的切比雪夫距离:
SWN=MAX|(|x1-y1|,|x2-y2|)-|xn-yn||;
式中,SWN为候选病变点种子网格图像的斜邻域方向到图像边界的切比雪夫距离,|xn-yn|为方向延伸位移;
通过所述候选病变点种子网格图像位置W(x1、x2、x3⋯xn),图像边界位置N(y1、y2、y3⋯yn)进一步计算候选病变点种子网格图像位置的正邻域方向(正邻域方向即上、下、左、右,4个方向),所述正邻域方向为Min(x1,y2),所述正邻域方向计算与图像边界的切比雪夫距离:
CWN=MIN|(x1,y2)-|xn-yn||;
式中,CWN为候选病变点种子网格图像的正邻域方向到图像边界的切比雪夫距离,|xn-yn|为方向延伸位移;
S22323:通过所述计算所有候选病变点种子网格图像的各正邻域方向切比雪夫距离与各邻域方向切比雪夫距离,进行选取各候选病变点种子网格图像的最短切比雪夫距离,最通过各候选病变点种子网格图像的最短切比雪夫距离选取最长的切比雪夫距离的候选病变点种子网格图像,作为新的病变点种子进行生长扩线;
需要说明的是,首先确定候选病变点种子的方向,通过候选病变点种子的方向位置坐标在计算到图像边界的切比雪夫距离,这样可以方便准确的得到所有候选病变点钟的方向切比雪夫距离,从而确定新的病变点种子的生长。
实施例二
如图11所示,本实施例二提供了本发明提出了一种基于图像识别的医学影像检测系统,包括图像转换模块10,图像分割模块20,图像结果模块30;
所述图像转换模块10用于对获取的待识别医学影像进行转化待识别灰度图像;
所述图像分割模块20用于对所述待识别灰度图像进行预处理;利用基于区域生长算法对待识别医学影像进行病变点种子定位,得到待识别医学影像中的病变点种子;根据待识别医学影像病变点种子位置,根据所述病变点种子位置进行基于区域生长算法的分割处理,识别得到若干个待识别医学影像块;
所述图像结果模块30将所述待识别医学影像块作为最终分割结果。
实施例三
如图12所示,另一方面,本实施例三基于发明实施例一中提供的一种呼吸系统肺结节肿瘤细胞影像检测方法,还提供了计算机存储介质1140(简称存储介质)。
为本发明实施例三提供的计算机存储介质结构框架示意图,其包括:
存储器1130,用于存储计算机程序;
通信接口1120,用于实现将存储器1130与处理器1110进行连接;
处理器1110,用于执行计算机程序,实现如上述任意实施方式的组合公开的实施例一种涉及的呼吸系统肺结节肿瘤细胞影像检测方法。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。
对于硬件实现,处理单元可以实现在一个或多个专用集成电路、数字信号处理器、数字信号处理设备、可编程逻辑设备、现场可编程门阵列、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。
存储器可以在处理器中或在处理器外部实现。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。
这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
综上所述,本发明实例提出的一种呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质,通过待识别医学图像转换为待识别灰度图像可以减少彩色图像所带来的大量数据信息,为后续的图像分割加快速度;
进一步的,对待识别灰度图像进行划分网格,并进行像素点亮度的聚类,可以在后续图像分割中进行按照像素点亮度簇的相近区域进行网格图像的分割图像,使分割的图像具有清晰度和整齐度,并且也增加了图像的分割效率;通过病变点种子对大于邻域方向的病变点种子的生长,可以使病变点种子快速的生长,并且网格图像更具有紧密性,使分割后的图像清晰度更高;
进一步的,通过病变点种子生长扩散后的从属病变点种子再次进行生长扩散,同样进行大于邻域方向的病变点种子的生长,直到碰到图像边界或者不符合生长条件为止,这样可以使病变点种子的生长更加稳固,使分割后的图像对医护人员的观察工作起到更大的作用,得到更多病理性数据,并提高清晰度和分割效率;
进一步的,通过病变点种子停止生长后,选取新的病变点种子进行生长扩散,通过多个病变点种子的生长扩散区域,形成多个分割图像,已达到快速分割的目的;同时,也能做到对防止待识别医学影像块因过大而导致利用所述待识别医学影像块所做的一些包括:检验病理、分析报告等不良影响。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;本领域的普通技术人员可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种呼吸系统肺结节肿瘤细胞影像检测方法,其特征在于,包括如下操作步骤:
获取待识别医学影像,对待识别医学影像进行转化待识别灰度图像;
对所述待识别灰度图像进行预处理;利用基于区域生长算法对待识别医学影像进行病变点种子定位,得到待识别医学影像中的病变点种子;根据待识别医学影像病变点种子位置,根据所述病变点种子位置进行基于区域生长算法的分割处理,识别得到若干个待识别医学影像块;
将所述基于所述待识别医学影像块作为最终分割结果。
2.根据权利要求1所述一种呼吸系统肺结节肿瘤细胞影像检测方法,其特征在于,对所述待识别灰度图像进行预处理;利用基于区域生长算法对待识别医学影像进行病变点种子定位,得到待识别医学影像中的病变点种子;根据待识别医学影像病变点种子位置,根据所述病变点种子位置进行基于区域生长算法的分割处理,识别得到若干个待识别医学影像块,具体包括如下操作步骤:
对所述待识别灰度图像进行预处理划分网格,得到N×N个网格图像;每个所述网格图像内覆盖有多个像素点;对所述各个网格图像进行像素点亮度的聚类,使每个所述网格图像得到若干个不同的亮度的像素点亮度簇,对所述像素点亮度簇选取最高像素点亮度簇进行后续操作;
通过所述区域生长算法对所述各个网格图像的最高像素点亮度簇确定为病变点种子;在对当前待识别灰度图像的网格图像进行区域生长处理时,选取网格图像中间区域的一个病变点种子,对该病变点种子的相邻网格图像的同样最高像素点亮度簇对应的病变点种子进行扩散,判断比较该病变点种子的区域亮度簇级别和相邻网格图像对应的病变点种子的区域亮度簇级别,若该病变点种子的区域亮度簇级别相对更高,则将相邻网格图像对应的病变点种子进行作为当前病变点种子的从属病变点种子;若该病变点种子的区域亮度簇级别相对小于或者等于相邻网格图像对应的病变点种子的区域亮度簇级别,则判定该病变点种子的区域生长操作停止处理;
根据所述从属病变点种子对相邻网格图像对应的病变点种子进行扩散,比较从属病变点种子和该从属病变点种子的相邻网格图像对应的病变点的区域亮度簇级别,若所述从属病变点种子的区域亮度簇级别高于相邻网格图像对应的病变点种子的区域亮度簇级别,则从属病变点种子的相邻网格图像对应的病变点种子作为该从属病变点种子的子从属病变点种子;若小于或者等于相邻网格图像对应的病变点种子的区域亮度簇级别,则该从属病变点种子的区域生长操作停止处理;
若当前病变点种子停止扩散,则重复上述步骤直到所有网格图像进行病变点种子扩散完成,并根据所选择的多个病变点种子的扩散范围进行分割图像,得到若干待识别医学影像块。
3.根据权利要求2所述一种呼吸系统肺结节肿瘤细胞影像检测方法,其特征在于,所述对该病变点种子的相邻网格图像的同样最高像素点亮度簇对应的病变点种子进行扩散,判断比较该病变点种子的区域亮度簇级别和相邻网格图像对应的病变点种子的区域亮度簇级别,若该病变点种子的区域亮度簇级别相对更高,则将相邻网格图像对应的病变点种子进行作为当前病变点种子的从属病变点种子,具体操作步骤如下:
在判断该病变点种子的区域亮度簇级别大于相邻病变点种子的区域亮度簇级别时进行生长扩散;判断所述病变点种子的区域亮度簇级别与生长扩散的相邻病变点种子的区域亮度簇级别的等级差;
进一步判断病变点种子的区域亮度簇级别与生长扩散的相邻病变点种子的区域亮度簇级别的等级差判断是否大于预设等级差阈值o;当该病变点种子的区域亮度簇级别与生长扩散的相邻病变点种子的区域亮度簇级别的等级差判断大于或等于预设等级差阈值o时,则判定当前生长扩散的相邻病变点种子不符合生长扩散条件;当该病变点种子的区域亮度簇级别与生长扩散的相邻病变点种子的区域亮度簇级别的等级差判断小于预设等级差阈值o时,则判定当前生长扩散的相邻病变点种子符合生长扩散条件,对所述相邻病变点种子进行生长扩散,作为从属病变点种子;
当该病变点种子生长终止时,对该病变点种子的生长区域进行标记为老的病变点种子;重新选择病变点种子进行新的生长扩散,老的病变点种子将对其排除掉,当新的病变点种子生长接触到老的病变点种子时,所述新的病变点种子该生长方向停止生长。
4.根据权利要求3所述一种呼吸系统肺结节肿瘤细胞影像检测方法,其特征在于,所述重新选择病变点种子进行新的生长扩散,老的病变点种子将对其排除掉,当新的病变点种子生长接触到老的病变点种子时,所述新的病变点种子停止生长,具体操作步骤如下:
选择新的病变点种子时,按照所述病变点种子的区域亮度簇级别进行判断选择病变点种子,选择最高级别的病变点种子的区域亮度簇级别作为候选病变点种子;所述多个网格图像最高级别的病变点种子的区域亮度簇级别相同,得到多个候选病变点种子;
进一步计算所述多个候选病变点种子是否存在图像网络的边界区域;通过所述候选病变点种子计算与待识别灰度图像的图像边界的切比雪夫距离,根据多个方向的切比雪夫距离选取候选病变点种子到图像边界最短切比雪夫距离的方向;若所述候选病变点种子存在多个最短切比雪夫距离的方向,则任选一个最短切比雪夫距离方向;
对所有的候选病变点种子的最短切比雪夫距离方向进行排序,选取所有候选病变点种子的最短切比雪夫距离方向中最长的切比雪夫距离方向的候选病变点种子作为新的病变点种子;若同时存在多个最长的切比雪夫距离方向的候选病变点种子,则对比候选病变点种子在在网格图像中顺序位置,以顺序位置进行选择新的病变点种子。
5.根据权利要求4所述一种呼吸系统肺结节肿瘤细胞影像检测方法,其特征在于,所述多个候选病变点种子多次选取种植后,最后的最高级别的病变点种子生长扩散,如下操作步骤:
当所述新的病变点种子不断选取后,剩余最后的最高级别的病变点种子的区域亮度簇级别接近图像边界位置时,则对最后的最高级别的病变点种子做除图像边界方向外的所有方向进行生长扩散;当所述最后的最高级别的病变点种子生长接触到老的病变点种子生长区域时,则对最后的最高级别的病变点种子接触到老的病变点种子生长区域的生长方向停止生长。
6.根据权利要求5所述一种呼吸系统肺结节肿瘤细胞影像检测方法,其特征在于,通过所述候选病变点种子计算与待识别灰度图像的图像边界的切比雪夫距离,具体操作步骤如下:
所述确定各个候选病变点种子网格图像位置和所述待识别灰度图像的图像边界位置,对所述候选病变点种子网格图像位置和所述图像边界的相应位置计算切比雪夫距离;
计算所述候选病变点种子网格图像的斜邻域方向,其中,候选病变点种子网格图像位置W(x1、x2、x3⋯xn),图像边界位置N(y1、y2、y3⋯yn),所述斜邻域方向为Max(|x1-y1|,|x2-y2|),通过所述斜邻域方向计算与图像边界的切比雪夫距离:
SWN=MAX|(|x1-y1|,|x2-y2|)-|xn-yn||;
式中,SWN为候选病变点种子网格图像的斜邻域方向到图像边界的切比雪夫距离,|xn-yn|为方向延伸位移;
通过所述候选病变点种子网格图像位置W(x1、x2、x3⋯xn),图像边界位置N(y1、y2、y3⋯yn)进一步计算候选病变点种子网格图像位置的正邻域方向,所述正邻域方向为Min(x1,y2),所述正邻域方向计算与图像边界的切比雪夫距离:
CWN=MIN|(x1,y2)-|xn-yn||;
式中,CWN为候选病变点种子网格图像的正邻域方向到图像边界的切比雪夫距离,|xn-yn|为方向延伸位移;
通过所述计算所有候选病变点种子网格图像的各正邻域方向切比雪夫距离与各邻域方向切比雪夫距离,进行选取各候选病变点种子网格图像的最短切比雪夫距离,最通过各候选病变点种子网格图像的最短切比雪夫距离选取最长的切比雪夫距离的候选病变点种子网格图像,作为新的病变点种子进行生长扩线。
7.一种基于图像识别的医学影像检测系统,其特征在于,包括图像转换模块,图像分割模块,图像结果模块;
所述图像转换模块用于对获取的待识别医学影像进行转化待识别灰度图像;
所述图像分割模块用于对所述待识别灰度图像进行预处理;利用基于区域生长算法对待识别医学影像进行病变点种子定位,得到待识别医学影像中的病变点种子;根据待识别医学影像病变点种子位置,根据所述病变点种子位置进行基于区域生长算法的分割处理,识别得到若干个待识别医学影像块;
所述图像结果模块将所述待识别医学影像块作为最终分割结果。
8.一种存储介质,其特征在于,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-5任一项所述的一种呼吸系统肺结节肿瘤细胞影像检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410232179.7A CN117808813B (zh) | 2024-03-01 | 2024-03-01 | 呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410232179.7A CN117808813B (zh) | 2024-03-01 | 2024-03-01 | 呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808813A true CN117808813A (zh) | 2024-04-02 |
CN117808813B CN117808813B (zh) | 2024-06-18 |
Family
ID=90433807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410232179.7A Active CN117808813B (zh) | 2024-03-01 | 2024-03-01 | 呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808813B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400365A (zh) * | 2013-06-26 | 2013-11-20 | 成都金盘电子科大多媒体技术有限公司 | 肺区ct序列自动分割方法 |
CN103489198A (zh) * | 2013-10-21 | 2014-01-01 | 钟映春 | 从序列mr图像中自动分割脑干区域的方法 |
US20160051214A1 (en) * | 2014-08-20 | 2016-02-25 | Shenyang Neusoft Medical Systems Co., Ltd. | Three-dimensional cardiac image segmentation method and apparatus |
CN105653858A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院自动化研究所 | 一种基于影像组学的病变组织辅助预后系统和方法 |
CN106651842A (zh) * | 2016-12-09 | 2017-05-10 | 江西中科九峰智慧医疗科技有限公司 | 一种ct影像肺结节种子点自动获取和分割方法 |
KR101762678B1 (ko) * | 2016-12-28 | 2017-08-03 | 주식회사 이티엑스웍스 | 병변 영역 검출 장치 및 방법 |
CN108460774A (zh) * | 2018-03-29 | 2018-08-28 | 河北北方学院 | 一种肺部医学图像自动分割方法 |
CN111882561A (zh) * | 2020-06-18 | 2020-11-03 | 桂林电子科技大学 | 一种癌细胞识别诊断系统 |
CN114187299A (zh) * | 2021-10-27 | 2022-03-15 | 四川省妇幼保健院 | 超声定位肿瘤影像的高效精准划分方法 |
CN114764810A (zh) * | 2021-01-15 | 2022-07-19 | 南京医智镜医疗科技有限公司 | 一种医学图像分割方法 |
CN114882051A (zh) * | 2022-04-25 | 2022-08-09 | 大连理工大学 | 一种基于多模态影像的盆腔骨肿瘤的自动分割及三维重建方法 |
-
2024
- 2024-03-01 CN CN202410232179.7A patent/CN117808813B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400365A (zh) * | 2013-06-26 | 2013-11-20 | 成都金盘电子科大多媒体技术有限公司 | 肺区ct序列自动分割方法 |
CN103489198A (zh) * | 2013-10-21 | 2014-01-01 | 钟映春 | 从序列mr图像中自动分割脑干区域的方法 |
US20160051214A1 (en) * | 2014-08-20 | 2016-02-25 | Shenyang Neusoft Medical Systems Co., Ltd. | Three-dimensional cardiac image segmentation method and apparatus |
CN105653858A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院自动化研究所 | 一种基于影像组学的病变组织辅助预后系统和方法 |
CN106651842A (zh) * | 2016-12-09 | 2017-05-10 | 江西中科九峰智慧医疗科技有限公司 | 一种ct影像肺结节种子点自动获取和分割方法 |
KR101762678B1 (ko) * | 2016-12-28 | 2017-08-03 | 주식회사 이티엑스웍스 | 병변 영역 검출 장치 및 방법 |
CN108460774A (zh) * | 2018-03-29 | 2018-08-28 | 河北北方学院 | 一种肺部医学图像自动分割方法 |
CN111882561A (zh) * | 2020-06-18 | 2020-11-03 | 桂林电子科技大学 | 一种癌细胞识别诊断系统 |
CN114764810A (zh) * | 2021-01-15 | 2022-07-19 | 南京医智镜医疗科技有限公司 | 一种医学图像分割方法 |
CN114187299A (zh) * | 2021-10-27 | 2022-03-15 | 四川省妇幼保健院 | 超声定位肿瘤影像的高效精准划分方法 |
CN114882051A (zh) * | 2022-04-25 | 2022-08-09 | 大连理工大学 | 一种基于多模态影像的盆腔骨肿瘤的自动分割及三维重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117808813B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
CN111882560B (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
CN111754472A (zh) | 一种肺结节检测方法与检测系统 | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
CN112862808A (zh) | 一种基于深度学习的乳腺癌超声图像的可解释性识别方法 | |
CN113034462B (zh) | 基于图卷积的胃癌病理切片图像的处理方法及系统 | |
CN110838114B (zh) | 肺结节检测方法、装置及计算机存储介质 | |
CN112734755A (zh) | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 | |
CN116385436B (zh) | 一种基于ct图像的胆结石辅助检测系统 | |
CN112820399A (zh) | 自动诊断甲状腺结节良恶性的方法及装置 | |
CN108364297A (zh) | 血管图像分割方法、终端、存储介质 | |
CN114140378A (zh) | 扫描图像处理方法、电子设备和可读介质 | |
CN112862756A (zh) | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 | |
CN113096109A (zh) | 一种肺部医学图像分析方法、设备及系统 | |
CN117078671A (zh) | 一种甲状腺超声影像智能分析系统 | |
Shao et al. | Application of an improved u2-net model in ultrasound median neural image segmentation | |
CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
CN117392093A (zh) | 一种基于全局多尺度残差U-HRNet网络的乳腺超声医学图像分割算法 | |
CN117808813B (zh) | 呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
RU2668699C1 (ru) | Интеллектуальный способ диагностики и обнаружения новообразований в легких | |
CN116468923A (zh) | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 | |
CN115187592A (zh) | 一种适用于核磁共振图像的图像分割方法 | |
CN115222651A (zh) | 一种基于改进Mask R-CNN的肺结节检测系统 | |
Susomboon et al. | Automatic single-organ segmentation in computed tomography images |
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 |