CN1846616A - 一种计算机辅助预测乳腺癌风险的方法 - Google Patents
一种计算机辅助预测乳腺癌风险的方法 Download PDFInfo
- Publication number
- CN1846616A CN1846616A CNA2006100185215A CN200610018521A CN1846616A CN 1846616 A CN1846616 A CN 1846616A CN A2006100185215 A CNA2006100185215 A CN A2006100185215A CN 200610018521 A CN200610018521 A CN 200610018521A CN 1846616 A CN1846616 A CN 1846616A
- Authority
- CN
- China
- Prior art keywords
- suspicious region
- zone
- width
- mammary gland
- nipple
- 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
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种计算机辅助预测乳腺癌风险的方法。首先将乳腺X光图像上的乳腺组织区域有规律地分割成小区域,计算各小区域的密度特性值。选出密度特性值满足预先设定条件的区域为初始可疑区域,列为下一步待考察对象。再根据两幅视图上划分的相应区域及相应区域的相邻区域的信息,判定参考对象集合中的初始可疑区域是否为最终可疑区域。如果没有最终可疑区域被标识出来,那么可以判断该受检者近期患乳腺癌的风险很低。如果有最终可疑区域被标识出来,即存在高风险区域,那么由最终可疑区域的密度特性值预测乳腺癌的发病风险值,由最终可疑区域的位置预测乳腺癌的发病位置。本发明能有效地提高乳腺癌风险预测的客观性、准确性和有效性。
Description
技术领域
本发明属于医学图像的计算机分析技术的应用领域,具体涉及一种计算机辅助预测乳腺癌风险的方法。
背景技术
乳腺癌是欧美等发达国家超过50岁以上妇女的最主要死因之一。我国妇女尤其是大中城市妇女的乳腺癌发病率呈逐年升高之势。有研究结果表明,早期诊断和治疗乳腺癌可以很大程度上降低患者的死亡率。对于乳腺癌的早期诊断来说,乳腺X线摄像术被认为是目前最可靠和最有效的方法。在欧美等发达国家,四十周岁及以上的妇女每年进行乳腺X线普查。我国已于2003年开始实施“百万妇女乳腺普查工程”,充分表明早期诊断乳腺癌的重要性在我国日益受到重视。
乳腺组织可以被粗略分为脂肪组织和纤维腺体组织,它们对X光的吸收程度不同,脂肪组织对X光的吸收比纤维腺体组织的吸收弱,所以导致获取的乳腺X光片上脂肪组织对应的部分较暗,而纤维腺体组织对应部分较亮,根据图像上的亮暗对比可以得到乳腺X光片上表示纤维腺体的部分在全部乳腺组织部分中所占比例,即乳腺X光片密度。1976年,Wolfe首次提出乳腺X光片密度是乳腺癌的风险因素之一。随后国际上开展了许多基于乳腺X光片密度的乳腺癌风险预测的研究,研究均表明乳腺X光片密度与乳腺癌有非常重要的联系,即乳腺X光片密度越大,患乳腺癌的风险越大。据此放射科医师可以根据当前的乳腺X光片密度来预测受检者未来发生乳腺癌的风险,从而及时有针对性地给予预防和治疗,这样可以很大程度上降低乳腺癌的发病率和死亡率,提高乳腺癌的治愈率。
目前国际上对乳腺癌风险的研究大多都是基于单幅图像的密度分析,例如美国专利申请号为20030174873和专利号为6,282,305的两个专利,但是单纯基于单幅图像的密度分析的乳腺癌风险预测所存在的不足之处是有可能将单幅图像上正常组织的局部高密度区域误作为乳腺癌的风险区域进行误报。
Roehrig等人对病人的双侧乳腺的放射图像进行对比研究(具体参见美国专利6,075,879),结果表明如果同一受检者的左右两个乳腺组织的两幅MLO视图(或CC视图)上相匹配区域的特性相似,那么该区域是病灶的机率很低。这是因为同一受检者的左右两个乳腺组织中正常组织区域是对称的,而异常组织的出现通常不是对称出现的。
发明内容
本发明的目的在于提供一种计算机辅助预测乳腺癌风险的方法,该方法可提高预测受检者乳腺癌发生风险的准确性,并提供乳腺癌发病位置的定位预测。
本发明提供的一种计算机辅助预测乳腺癌风险的方法,其步骤为:
(1)载入同一受检者左、右两侧乳腺组织的X光片的两幅MLO视图或两幅CC视图;
(2)按照同样的划分方法将上述两幅视图上的乳腺组织区域分别划分成若干个小区域;
(3)在上述两幅视图的各小区域中找出最终可疑区域,其步骤为:
(3.1)计算各小区域的密度特性值;
(3.2)分别在上述两幅视图中将密度特性值与平均值进行比较,找出满足设定条件的初始可疑区域,各构成一个参考对象集合;
(3.3)对每个参考对象集合中的各个初始可疑区域进行以下处理:首先找出该初始可疑区域在另一视图上的相应区域,如果其相应区域或该相应区域的某个相邻区域出现在另外一幅图像对应的参考对象集合中,则将当前考察的初始可疑区域标识为正常区域;否则,标识当前考察的初始可疑区域为最终可疑区域;
(4)如果在上述两幅视图上没有被标识出的最终可疑区域,那么就判定受检者在给定时期内患乳腺癌的风险很低;如果在上述两幅视图上有被标识出的最终可疑区域,那么就有患乳腺癌的风险,该最终可疑区域所在的位置就是乳腺癌可能出现的位置;
(5)找出所有被标识出的最终可疑区域中具有最高密度的区域,根据其密度特性值计算乳腺癌的发病风险值。
上述步骤(2)可以按照以下步骤将乳腺组织区域划分为若干小区域:
(2.1)在上述视图中检测出皮肤线和胸壁;
(2.2)按照下述步骤检测出乳头C的位置:
(a)沿着皮肤线搜索,如果搜索到微小的且可见的突出区域,该区域作为乳头的位置,进入步骤(2.3),否则进入步骤(b);
(b)在皮肤线和胸壁围成的区域内且接近皮肤线的区域中,搜索实际像素值小且分布相对均匀的微小区域,该区域作为乳头的位置,进入步骤(2.3),否则进入步骤(c);
(c)使用乳腺边界最高的原理来确定乳头的位置,计算皮肤线上的每个点至胸壁的距离,距离最大的点作为估计的乳头位置;
(2.3)根据步骤(2.1)、(2.2)检测到的皮肤线、胸壁和乳头,得到乳腺X光片上乳腺组织区域,借助皮肤线、胸壁及乳头的定位标记,将乳腺组织区域划分为可以按位置顺序排列的若干小区域。
本发明根据Roehrig等人对病人的双侧乳腺的放射图像研究的结果,通过乳腺X光片的密度来确定乳腺癌风险的程度及出现的部位。它首先对乳腺图像中的乳腺区域进行有规律的分区,计算密度值是以所分的区为单位进行的,再根据区域的密度值与乳腺全区的平均密度值进行比较确定高乳腺密度区域,其次将同一被检测者的左右两个乳腺的两幅MLO视图(或CC视图)进行比较,如果一幅图像上有一个高密度区域,而在另外图像上的相应区域及其相邻区域中没有高密度区域,则该高密度区域为乳腺癌可能出现的可疑区域。最后以可疑区域的位置确定可能出现癌症的位置,以具有最高密度的可疑区域的密度特性值来计算被检测者患乳腺癌的风险值。总之,本发明方法首先通过计算各个小区域内的密度特性值,再通过基于多幅视图的区域匹配方法提高风险预测的准确性,在一定程度上克服了已有的基于单幅图像密度分析的乳腺癌风险预测中风险区域误判的不足。
附图说明
图1为本发明实施例流程图;
图2为本发明实施例对乳腺单幅视图的区域划分示意图;
图3为本发明实施例多幅视图中匹配区域的示意图,对应位置的区域被视为一组相应区域。
具体实施方式
下面以MLO视图为例对本发明作进一步详细的说明,本发明方法同样适用于CC视图等乳腺x光片的视图。
如图1所示,本发明的步骤为:
(1)载入同一受检者左、右两侧乳腺组织的两幅MLO视图。
(2)将上述两幅视图上的乳腺组织区域用同样的划分方法分别划分成若
干个小区域。本实施例以五等分划分为例,具体说明该步骤:
(2.1)在上述视图中检测出皮肤线A(skin line)和胸壁B(chest wall)。
已有研究者提出了皮肤线和胸壁的检测方法,本实施例采用其中的相应算法,它使用一种迭代阈值方法来搜索图像皮肤轮廓中最好的(或者说是最圆滑的)过渡线作为皮肤线A。(具体参见B.Zheng,X.H.Wang,Y.H.Chang,L.A.Hardesty,M.A.Ganott,W.F.Good,D.Gur,“Change of Region Conspicuity inBilateral Mammograms:Potential Impact on CAD Performance,”Proc SPIE4684:742-748(2002).)
依据最大梯度搜索方法来检测胸壁,该梯度搜索方法是沿着每条水平扫描线和符合用最小二乘法计算的最大梯度点的线进行的,接下来,使用最小二乘法来拟合扫描线上的所有标记为最大梯度点的点,拟合后的线就是胸壁B。(具体参见B.Zheng,X.H.Wang,Y.H.Chang,L.A.Hardesty,M.A.Ganott,W.F.Good,D.Gur,“Change of Region Conspicuity in Bilateral Mammograms:Potential Impacton CAD Performance,”Proc SPIE 4684:742-748(2002).)
(2.2)检测乳头C的位置。在实际的临床图像中,由于乳腺X线照片的获取技术不同,乳头可能在很多图像中是不可见的。本实施例用如下步骤来确定乳头的位置:
(a)沿着皮肤线搜索,如果搜索到微小的且可见的突出区域,该区域作为乳头C的位置,进入步骤(2.3),否则进入步骤(b);
(b)在皮肤线A和胸壁B围成的区域内且接近皮肤线的区域中,搜索实际像素值小且分布相对均匀的微小区域,该区域作为乳头C的位置,进入步骤(2.3),否则进入步骤(c)。
(c)使用乳腺边界最高的原理来确定乳头的位置,计算皮肤线上的每个点至胸壁的距离,距离最大的点作为估计的乳头位置。
(具体参见B.Zheng,X.H.Wang,Y.H.Chang,L.A.Hardesty,M.A.Ganott,W.F.Good,D.Gur,“Change of Region Conspicuity in Bilateral Mammograms:Potential Impact on CAD Performance,”Proc SPIE 4684:742-748(2002).)
(2.3)将两幅视图上乳腺组织区域分别划分成若干个小区域F。
根据步骤(2.1)、(2.2)检测到的皮肤线A、胸壁B和乳头C,得到乳腺X光片上乳腺组织区域。如图2所示,本实施例从乳头C的位置向胸壁B作垂线D,以乳头C位置为中心,以垂线D的长度的1/5,2/5,3/5,4/5和1倍分别为半径画同心圆弧E,将在乳腺区域内且位于垂线D两侧的每条圆弧皆分割为五等分,连接相邻圆弧中的对应等分点就将乳腺组织区域分割成了若干小区域F。
上述实例以垂线D和圆弧的长度的五等分分割乳腺组织区域,本发明可以将垂线D的长度和在乳腺区域内且位于垂线D两侧的每条圆弧以任意等分或者按等比方式划分,还可以以其它多种方式划分,只需左、右视图按照同样划分方式划分即可。
(3)上述两幅视图的各小区域中找出最终可疑区域,其步骤为:
(3.1)计算各小区域的密度特性值:
本实施例通过计算基于灰度直方图的斜度特性表征乳腺X光片中区域的密度特性值。利用如下公式计算基于灰度直方图灰度的k阶矩m(k):
其中,h(i)是小区域中第i个像素点的灰度值,p为该小区域中所有像素点的平均灰度值,对于任一小区域的灰度直方图,N表示该小区域的总像素个数。
k值可以选取大于1的任意自然数,本实施例选取基于直方图灰度的2阶和3阶矩,利用它们得到基于灰度直方图的斜度特性S,S即表征密度特性值。S的计算公式如下:
本发明可以采用其它与区域乳腺组织密度直接相关的计算方法计算各小区域F的密度特性值,如规范化的乳腺光片模式方法(Standard Mammogram Form)和分形分析方法(fractal analysis)等。
(3.2)分别在上述两幅视图中将密度特性值与平均值进行比较,找出满足设定条件的初始可疑区域,各构成一个参考对象集合。
在本实施例中,先计算每幅图像上所有小区域S值的平均值,记为SP,再将所有S值满足S<SP-(Smax-Smin)×10%(Smax和Smin分别为相应图像上所有小区域密度特性值的最大值和最小值)的区域都定为高密度区域,即初始可疑区域,每幅图像上的初始可疑区域构成与其对应的参考对象集合。
(3.3)对参考对象集合中的各个初始可疑区域进行以下处理:首先对左侧乳腺组织MLO视图对应的参考对象集合中的初始可疑区域进行逐一考察,找出每一初始可疑区域在右侧图像上的相应区域。根据步骤(3)中划分小区域的排列位置,位于相同位置的区域被视为相应区域,如图3中的G和G’、H和H’。如果相应区域或其某个相邻区域(以相应区域为中心的8个相邻区域)出现在右侧乳腺组织MLO视图对应的参考对象集合中,则将当前考察的该初始可疑区域标识为正常区域;否则,标识当前考察的该初始可疑区域为最终可疑区域。接下来,对在右侧乳腺组织MLO视图对应的参考对象集合中的初始可疑区域实施同样的操作。这样,确定了两幅MLO视图上的所有最终可疑区域。
(4)给出预测诊断结果。
如果在两幅MLO视图上没有被标识出的最终可疑区域,那么就判定受检者在给定时期(通常为两年内)患乳腺癌的风险很低。
如果在两幅MLO视图上有被标识出的最终可疑区域,那么被标记出来的区域所在的位置就是乳腺癌可能出现的位置。
如果需要预测其风险大小,再找出所有被标识出的最终可疑区域中S值最小的区域,将其S值按公式|(S-SP)/(Smax-Smin)|计算,所得的绝对值就定为被检测者在给定时期(通常为两年内)患乳腺癌的风险值,值越大表示风险越大。
风险值的计算可以用基于密度特性值的其它方法,比如用|S-SP|的值作为风险值。
本发明通过计算乳腺X光片上的区域密度特性值,选出初始可疑区域,再利用基于多幅视图匹配的方法,去除相互匹配的可疑区域,即正常的密度较高的区域,保留非匹配可疑区域,即异常的密度较高的区域,来预测乳腺癌的发病风险。此方法在一定程度上克服了已有的基于单幅图像密度分析的乳腺癌风险预测方法的不足,提高了乳腺癌风险预测的准确性。本发明并不局限于上述实例所公开的范围,根据本发明公开的内容,本领域一般技术人员可以采用不同于上述实例的方式实现上述技术方案。
Claims (2)
1、一种计算机辅助预测乳腺癌风险的方法,本发明的步骤为:
(1)载入同一受检者左、右两侧乳腺组织的X光片的两幅MLO视图或两幅CC视图;
(2)按照同样的划分方法将上述两幅视图上的乳腺组织区域分别划分成若干个小区域;
(3)在上述两幅视图的各小区域中找出最终可疑区域,其步骤为:
(3.1)计算各小区域的密度特性值;
(3.2)分别在上述两幅视图中将密度特性值与平均值进行比较,找出满足设定条件的初始可疑区域,各构成一个参考对象集合;
(3.3)对每个参考对象集合中的各个初始可疑区域进行以下处理:首先找出该初始可疑区域在另一视图上的相应区域,如果其相应区域或该相应区域的某个相邻区域出现在另外一幅图像对应的参考对象集合中,则将当前考察的初始可疑区域标识为正常区域;否则,标识当前考察的初始可疑区域为最终可疑区域;
(4)如果在上述两幅视图上没有被标识出的最终可疑区域,那么就判定受检者在给定时期内患乳腺癌的风险很低;如果在上述两幅视图上有被标识出的最终可疑区域,那么就有患乳腺癌的风险,该最终可疑区域所在的位置就是乳腺癌可能出现的位置;
(5)找出所有被标识出的最终可疑区域中具有最高密度的区域,根据其密度特性值计算乳腺癌的发病风险值。
2、根据权利要求1所述的方法,其特征在于:步骤(2)按照以下步骤将乳腺组织区域划分为若干小区域:
(2.1)在上述视图中检测出皮肤线和胸壁;
(2.2)按照下述步骤检测出乳头C的位置:
(a)沿着皮肤线搜索,如果搜索到微小的且可见的突出区域,该区域作为乳头的位置,进入步骤(2.3),否则进入步骤(b);
(b)在皮肤线和胸壁围成的区域内且接近皮肤线的区域中,搜索实际像素值小且分布相对均匀的微小区域,该区域作为乳头的位置,进入步骤(2.3),否则进入步骤(c);
(c)使用乳腺边界最高的原理来确定乳头的位置,计算皮肤线上的每个点至胸壁的距离,距离最大的点作为估计的乳头位置;
(2.3)根据步骤(2.1)、(2.2)检测到的皮肤线、胸壁和乳头,得到乳腺X光片上乳腺组织区域,借助皮肤线、胸壁及乳头的定位标记,将乳腺组织区域划分为可以按位置顺序排列的若干小区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006100185215A CN1846616A (zh) | 2006-03-13 | 2006-03-13 | 一种计算机辅助预测乳腺癌风险的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006100185215A CN1846616A (zh) | 2006-03-13 | 2006-03-13 | 一种计算机辅助预测乳腺癌风险的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1846616A true CN1846616A (zh) | 2006-10-18 |
Family
ID=37076516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006100185215A Pending CN1846616A (zh) | 2006-03-13 | 2006-03-13 | 一种计算机辅助预测乳腺癌风险的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1846616A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101234026B (zh) * | 2008-03-07 | 2010-04-14 | 李立 | 一种乳腺病变定量化影像评价系统 |
CN103635936A (zh) * | 2011-06-29 | 2014-03-12 | 皇家飞利浦有限公司 | 显示多个配准图像 |
CN103815926A (zh) * | 2014-03-07 | 2014-05-28 | 杭州千思科技有限公司 | 乳腺癌检测方法和装置 |
CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
CN105979875A (zh) * | 2014-02-04 | 2016-09-28 | 皇家飞利浦有限公司 | 生成乳房参数图 |
CN106471547A (zh) * | 2014-05-06 | 2017-03-01 | 西门子保健有限责任公司 | 在乳房x光照相期间产生的乳房的x光图像的分析处理 |
CN108550150A (zh) * | 2018-04-17 | 2018-09-18 | 上海联影医疗科技有限公司 | 乳腺密度的获取方法、设备及可读存储介质 |
CN111429406A (zh) * | 2020-03-05 | 2020-07-17 | 北京深睿博联科技有限责任公司 | 结合多视图推理的乳腺x射线影像病变检出方法和装置 |
CN113344921A (zh) * | 2021-08-04 | 2021-09-03 | 浙江太美医疗科技股份有限公司 | 图像检测方法和装置、计算机可读存储介质和电子设备 |
-
2006
- 2006-03-13 CN CNA2006100185215A patent/CN1846616A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101234026B (zh) * | 2008-03-07 | 2010-04-14 | 李立 | 一种乳腺病变定量化影像评价系统 |
US9678644B2 (en) | 2011-06-29 | 2017-06-13 | Koninklijke Philips N.V. | Displaying a plurality of registered images |
CN103635936A (zh) * | 2011-06-29 | 2014-03-12 | 皇家飞利浦有限公司 | 显示多个配准图像 |
CN103635936B (zh) * | 2011-06-29 | 2018-02-13 | 皇家飞利浦有限公司 | 显示多个配准图像 |
CN105979875B (zh) * | 2014-02-04 | 2019-12-31 | 皇家飞利浦有限公司 | 用于生成乳房参数图的医学成像设备、方法、装置和计算机可读介质 |
CN105979875A (zh) * | 2014-02-04 | 2016-09-28 | 皇家飞利浦有限公司 | 生成乳房参数图 |
CN103815926B (zh) * | 2014-03-07 | 2016-04-27 | 杭州千思科技有限公司 | 乳腺癌检测方法和装置 |
CN103815926A (zh) * | 2014-03-07 | 2014-05-28 | 杭州千思科技有限公司 | 乳腺癌检测方法和装置 |
CN106471547A (zh) * | 2014-05-06 | 2017-03-01 | 西门子保健有限责任公司 | 在乳房x光照相期间产生的乳房的x光图像的分析处理 |
CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
CN104732213B (zh) * | 2015-03-23 | 2018-04-20 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
CN108550150A (zh) * | 2018-04-17 | 2018-09-18 | 上海联影医疗科技有限公司 | 乳腺密度的获取方法、设备及可读存储介质 |
CN108550150B (zh) * | 2018-04-17 | 2020-11-13 | 上海联影医疗科技有限公司 | 乳腺密度的获取方法、设备及可读存储介质 |
CN111429406A (zh) * | 2020-03-05 | 2020-07-17 | 北京深睿博联科技有限责任公司 | 结合多视图推理的乳腺x射线影像病变检出方法和装置 |
CN111429406B (zh) * | 2020-03-05 | 2023-10-27 | 北京深睿博联科技有限责任公司 | 结合多视图推理的乳腺x射线影像病变检出方法和装置 |
CN113344921A (zh) * | 2021-08-04 | 2021-09-03 | 浙江太美医疗科技股份有限公司 | 图像检测方法和装置、计算机可读存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1846616A (zh) | 一种计算机辅助预测乳腺癌风险的方法 | |
US8873824B2 (en) | Breast tomosynthesis with display of highlighted suspected calcifications | |
CN110942446A (zh) | 一种基于ct影像的肺结节自动检测方法 | |
CN108596887A (zh) | 一种腹部ct序列图像肝脏肿瘤自动分割方法 | |
CN111415342A (zh) | 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法 | |
KR101144964B1 (ko) | 간질성 폐질환 검출 시스템 및 그 방법 | |
Fan et al. | Mass detection and segmentation in digital breast tomosynthesis using 3D-mask region-based convolutional neural network: a comparative analysis | |
Chen et al. | Pulmonary nodule detection on chest radiographs using balanced convolutional neural network and classic candidate detection | |
US20130251207A1 (en) | Method and System to Detect the Microcalcifications in X-Ray Images Using Nonlinear Energy Operator | |
Matsubara et al. | Automated detection methods for architectural distortions around skinline and within mammary gland on mammograms | |
Shiri et al. | COLI-NET: Fully Automated COVID-19 Lung and Infection Pneumonia Lesion Detection and Segmentation from Chest CT Images | |
Wang et al. | Computer auxiliary diagnosis technique of detecting cholangiocarcinoma based on medical imaging: A review | |
EP2240904A1 (en) | A method of deriving a quantitative measure of the instability of calcific deposits of a blood vessel | |
Mobini et al. | Detection and quantification of breast arterial calcifications on mammograms: a deep learning approach | |
Matsubara et al. | Novel method for detecting mammographic architectural distortion based on concentration of mammary gland | |
Huang et al. | Computer-Aided tumor diagnosis in 3-D breast elastography | |
Bhandary et al. | Early Diagnosis of Lung Cancer Using Computer Aided Detection via Lung Segmentation Approach | |
Tripoliti et al. | Automated segmentation and quantification of inflammatory tissue of the hand in rheumatoid arthritis patients using magnetic resonance imaging data | |
Rajendran et al. | Novel fuzzy association rule image mining algorithm for medical decision support system | |
Sato et al. | Computer-aided Detection of Lung Tumors in Chest X-ray Images Using a Bone Suppression Algorithm and A Deep Learning Framework | |
Yao et al. | Computer aided detection of lytic bone metastases in the spine using routine CT images | |
Näppi et al. | Automated detection of colorectal lesions with dual-energy CT colonography | |
Solomon et al. | Computer-assisted detection of subcutaneous melanomas: feasibility assessment1 | |
Xia et al. | A novel lung nodule accurate detection of computerized tomography images based on convolutional neural network and probability graph model | |
Zhang et al. | Pneumothorax segmentation of chest X-rays using improved UNet++ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |