EP4232998A1 - Procede de traitement d'image radiologique - Google Patents

Procede de traitement d'image radiologique

Info

Publication number
EP4232998A1
EP4232998A1 EP21794159.0A EP21794159A EP4232998A1 EP 4232998 A1 EP4232998 A1 EP 4232998A1 EP 21794159 A EP21794159 A EP 21794159A EP 4232998 A1 EP4232998 A1 EP 4232998A1
Authority
EP
European Patent Office
Prior art keywords
radiological
anomaly
influence
image
pixel
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
Application number
EP21794159.0A
Other languages
German (de)
English (en)
Inventor
Fernando Manuel Sanchez Bermudez
Sébastien Gorges
Catherine GIRARD
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.)
Thales SA
Original Assignee
Thales SA
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 Thales SA filed Critical Thales SA
Publication of EP4232998A1 publication Critical patent/EP4232998A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30168—Image quality inspection

Definitions

  • the invention relates to a radiological image processing method, and falls within the field of medical devices for the exploitation of images obtained by X-ray imaging, and more specifically in the field of treatment of image and automatic learning to assist in the diagnosis of radiological examinations.
  • a radiological anomaly corresponds to any visible sign in a radiological examination suggestive of a pathology in the patient.
  • these anomalies can be opacities, condensations, calcifications, infiltrations...
  • Recent work proposes providing diagnostic assistance, based for the most part on neural networks, more specifically on networks performing image classification.
  • Such examples are described in "Abnormality Detection and Localization in Chest X-Rays Using Deep Convolutional Neural Networks", ArXiv:1705.09850 [Cs], 2017, http://arxiv.org/abs/1705.09850, by Islam, Mohammad Tariqul, Md Abdul Aowal, Ahmed Tahseen Minhaz, and Khalid Ashraf, and in the “CheXNet document: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning", ArXiv:1711.05225 [Cs, Stat], http://arxiv.org/abs/1711.05225, 2017, by Rajpurkar, Pranav, Jeremy Irvin, Kaylie Zhu, Brandon Yang, Hershel Mehta, Tony Duan, Daisy Ding, et al.
  • An object of the invention is to overcome the problems mentioned above, and in particular to improve the post-processing of the digital images to better highlight the radiological anomalies detected, to facilitate the work of the radiologist and to reduce the diagnostic time. .
  • a method for processing a radiological image /(x,y), in digital format comprising at least one radiological anomaly detected using a convolutional neural network having been trained to detect radiological anomalies on radiological examinations.
  • the radiological image /(x,y) is characterized by the intensity of each of its pixels /(x,y), and by at least one radiological anomaly influence map C k (x,y) which attributes , for each pixel (x,y) of the radiological image /(x,y), a value representative of the proportion in which the pixel had an influence in the detection result of the radiological anomaly k.
  • the method is implemented by computer and comprises the steps of:
  • the method of the invention makes it possible to highlight the anomalies detected, to facilitate the work of the radiologist and to reduce the diagnostic time.
  • each anomaly influence map C k (x, y) uses the following affine transformation: in which:
  • C kn (x,y) is the normalized radiological anomaly influence map of the radiological anomaly influence map C k (x,y).
  • the fusion C(x,y) uses an average of the normalized radiological anomaly influence maps C kn (x,y) weighted by the probability pk of presence of each anomaly in using the following relation: if
  • represents the number of anomalies detected
  • Pk represents the probability pk of presence of each anomaly, calculated by the convolutional neural network.
  • Such a fusion has the advantage of having a single map to weight the contribution of each pixel of the image in the calculation of intensity histograms.
  • the processing uses an intensity histogram equalization, the calculation of the histogram of which is modified by weighting the contribution of each pixel according to the following relationship:
  • Such processing has the advantage of improving the contrast of the image, particularly that of the areas of the image presenting anomalies which have been detected, since the influence of the corresponding pixels in the calculation of the histogram is increased. .
  • the processing can use a variation of the method proposed in the document "Automatic x-ray image contrast enhancement based on parameter auto-optimization”. Journal of Applied Clinical Medical Physics 18(6):218-23, by Qiu, Jianfeng, H. Harold Li, Tiezhi Zhang, Fangfang Ma, and Deshan Yang, 2017", in which the calculation of image entropy processed is modified by the following relation: where: h(I t ) represents the modified entropy of the processed image I t
  • U represents the set of intensity levels of the digital image
  • p u replaces the probability that a pixel of the digital image has the intensity u by the following relation:
  • H(u) represents the level of the modified histogram for the intensity u according to the following relationship:
  • a computer program product comprising program code instructions recorded on a medium readable by a computer, to implement the steps of the method as described above. , when said program is run on a computer.
  • FIG.1 schematically illustrates a radiological image processing method, implemented by computer, according to one aspect of the invention
  • FIG. 1 is illustrated, according to one aspect of the invention, a method of processing a radiological image / (x, y), in digital format comprising at least one radiological anomaly detected using a neural network convolution having been trained for detection of radiological anomalies on radiological examinations 1.
  • the radiological image /(x,y) is characterized by the intensity of each of its pixels /(x,y), and by at least one radiological anomaly influence map C k (x,y) 2 which assigns, for each pixel (x,y) of the radiological image /(x,y) , a value representative of the proportion in which the pixel has had an influence in the result of detection of the radiological anomaly k.
  • the method is implemented by computer, and comprises the steps of:
  • a method according to the invention allows automatic processing of radiological images /(x,y) which improves the visibility of the regions in which the presence of an anomaly is detected. This invention therefore facilitates the diagnosis of pathologies from radiological examinations without the intervention of a radiologist or another user, and provides an image on which the visibility of possible radiological anomalies is improved, facilitating the study by a radiologist .
  • the existing processing operations are modified to increase the influence of the areas of the image on which an anomaly has been detected.
  • the treatments will be more effective on these regions, facilitating the highlighting of the anomalies detected.
  • the detection step 1 can use a convolutional neural network having been trained for the detection of radiological anomalies representative of pathologies on radiological examinations.
  • This type of network often requires the input image to have a specific resolution and number of channels (one for a gray scale image, three for an RGB image). If the input image is of a different resolution, the image can be scaled to the requested resolution and the number of channels adapted.
  • Honolulu, HI IEEE. https://doi.org/10.1109/CVPR.2017.243) which takes as input images of size 224x224 with three channels.
  • the radiological images of arbitrary resolution and with a single channel, are resized to 224x224 and converted into three channels, repeating the same value for each channel.
  • the influence estimation step 2 can be implemented according to state-of-the-art estimates, for example, as proposed in the document "Grad-cam: Visual explanations from deep networks via gradient- based localization" Proceedings of the IEEE international conference on computer vision, 618-626, 2017, by Selvaraju, Ramprasaath R, Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh, and Dhruv Batra, compatible with a multitude of different architectures, which produces a map with a resolution equal to the resolution of the output of a chosen convolution layer in the sensing network architecture.
  • the radiological anomaly influence map must then be resized, for example by bilinear interpolation, to the original resolution of the image.
  • C k (x,y) the radiological anomaly influence map corresponding to the detected anomaly k.
  • Any other radiological anomaly influence map estimate 2 compatible with the chosen detection method may be valid.
  • the radiological anomaly influence maps C k (x,y) can be normalized in different ways.
  • An implementation solution for the merging step 4 of the normalized radiological anomaly influence maps C kn (x,y) of each detected anomaly k is to average the maps weighted by the probability of presence of each
  • represents the number of anomalies detected
  • p k represents the probability p k of the presence of each anomaly calculated by the convolutional neural network.
  • the cards can be merged in different ways.
  • the processing step can use an intensity histogram equalization, the calculation of the histogram of which is modified by weighting the contribution of each pixel according to the following relationship: in which:
  • /(x,y) represents the intensity of the pixel (x,y).
  • the processing can use a variation of the method proposed in the document “Automatic x-ray image contrast enhancement based on parameter auto-optimization”. Journal of Applied Clinical Medical Physics 18(6):218-23, by Qiu, Jianfeng, H. Harold Li, Tiezhi Zhang, Fangfang Ma, and Deshan Yang, 2017", in which the calculation of image entropy processed is modified by the following relation: log Pu where: h(I t ) represents the modified entropy of the processed image I t
  • U represents the set of intensity levels of the digital image
  • p u replaces the probability that a pixel of the digital image has the intensity u by the following relation:
  • H(u) represents the level of the modified histogram for the intensity u according to the following relationship:
  • the processing 5 can also be applied differently to the processing methods mentioned above as well as to other known processing methods.
  • the present invention can be implemented on a computer program product comprising computer code executable by computer, stored on a computer-readable medium and adapted to implement the method as previously described.
  • the invention can be implemented on a local computer or on a network distributed platform.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

Procédé de traitement d'image radiologique d'une image radiologique /(x, y), au format numérique comprenant au moins une anomalie radiologique détectée en utilisant un réseau de neurones convolutif ayant été entraîné pour une détection d'anomalies radiologiques sur des examens radiologiques, l'image radiologique /(x, y) étant caractérisée par l'intensité de chacun de ses pixels /(x,y), et par au moins une carte d'influence d'anomalie radiologique Ck(x,y) qui attribue, pour chaque pixel (x,y) de l'image radiologique /(x,y), une valeur représentative de la proportion dans laquelle le pixel a eu une influence dans le résultat de détection de l'anomalie radiologique k, mis en oeuvre par ordinateur, comprenant les étapes de: - normalisation (3) des cartes d'influence d'anomalie radiologique Ck(x,y) en cartes d'influence d'anomalie radiologique normalisées Ckn(x,y); - fusion (4) des cartes d'influence d'anomalie radiologique normalisées Ckn(x,y) en une seule carte d'influence fusionnée C(x,y); - traitement (5) d'amélioration de l'image /(x, y), exploitant un histogramme d'intensités, dans lequel l'apport de chaque pixel dans le calcul de l'histogrammes d'intensités est pondéré par la carte d'influence fusionnée C(x,y).

Description

DESCRIPTION
Titre de l’invention : Procédé de traitement d'image radiologique
[0001] L’invention porte sur un procédé de traitement d'image radiologique, et s’inscrit dans le domaine des dispositifs médicaux pour l’exploitation d’images obtenues par imagerie à rayons X, et plus précisément dans le domaine du traitement d’image et de l’apprentissage automatique pour l’assistance au diagnostic d’examens radiologiques.
[0002] Pour établir un diagnostic à partir d’un examen radiologique, les radiologues appliquent différents post-traitements (optimisation du contraste, fenêtrage, rehaussement de contours, ...) aux images afin de mettre en évidence certaines anomalies indiquant la présence d’une ou plusieurs pathologies. Une anomalie radiologique correspond à tout signe visible dans un examen radiologique évocateur d’une pathologie chez le patient. Par exemple, ces anomalies peuvent être des opacités, des condensations, des calcifications, des infiltrations....
[0003] Ces post-traitements nécessitent un paramétrage, établis par défaut ou fournis par l’utilisateur, ou sont automatiques et reposent sur des mesures réalisées sur l’image entière ou sur une région d’intérêt, d'acronyme ROI pour "Region Of Interest" en langue anglaise, définie par l’utilisateur.
[0004] Ces posttraitements requièrent souvent une intervention humaine pour les paramétrer ou pour définir une ROI. Aussi, la définition des paramètres ou d’une ROI peut demander du temps et peut s’avérer difficile si les anomalies concernées sont peu visibles avant d’appliquer ces traitements. Le temps de diagnostic peut dont se voir augmenté.
[0005] Lorsque ces mesures sont réalisées sur l’image entière, les résultats obtenus peuvent ne pas être optimaux pour la visualisation d’anomalies localisées sur des régions particulières de l’image.
[0006] Alternativement, des systèmes à base d’algorithmes d’apprentissage automatique ont été récemment utilisés pour une assistance au diagnostic, d'acronyme CAD pour "Computer-Aided Diagnosis" en langue anglaise à partir d’examens radiologiques. Néanmoins, la plupart d’entre eux sont encore en phase expérimentale et leurs résultats sont difficilement interprétables. L’étude de l’examen par un radiologue est donc nécessaire pour établir un diagnostic. [0007] De nombreux post-traitements existent pour améliorer la qualité des images radiologiques, notamment pour améliorer le contraste. Beaucoup d’entre eux sont basés sur l’égalisation d’histogramme d'acronyme HE pour "Histogram Equalization" en langue anglaise, comme divulgué dans le document "Computer vision: algorithms and applications", Springer Science & Business Media, de Szeliski, Richard, 2010, au paragraphe 3.1 .4. Dans cette approche, les intensités des pixels sont modifiées pour obtenir la distribution d’intensités la plus homogène possible sur l’ensemble des pixels de l’image. L’algorithme HE ne précise aucun paramétrage mais ne parvient pas à améliorer les contrastes de toutes les régions de l’image.
[0008] Pour surmonter ce problème, de nombreuses variantes existent, notamment une égalisation d'histogramme adaptative à contraste limité d'intensités d'acronyme CLAHE pour "Contrast Limited Adaptative Histogram Equalization" en langue anglaise, comme décrit dans le document "Adaptive histogram equalization and its variations", Computer vision, graphics, and image processing 39 (3): 355-368, de Pizer, Stephen M, E Philip Amburn, John D Austin, Robert Cromartie, Ari Geselowitz, Trey Greer, Bart ter Haar Romeny, John B Zimmerman, et Karel Zuiderveld. 1987, et dans le document "Modified Contrast Limited Adaptive Histogram Equalization Based on Local Contrast Enhancement for Mammogram Images" Mobile Communication and Power Engineering, édité par Vinu V Das et Yogesh Chaba, 296:397-403, Communications in Computer and Information Science, Berlin, Heidelberg: Springer Berlin Heidelberg, https://doi.org/10.1007/978-3-642-35864-7_60, de Mohan, Shelda, et M. Ravishankar, 2013. Ces variantes doivent être paramétrées, et certains travaux proposent des méthodes de paramétrage automatique. Dans la méthode "Automatic x-ray image contrast enhancement based on parameter auto-optimization", Journal of Applied Clinical Medical Physics 18 (6): 218-23, https://doi.org/10.1002/acm2, 2017, la solution de Pizer est couplée avec un filtre passe-haut et leur paramètres sont optimisés afin de maximiser l’entropie de l’image traitée. Le document "Improved Lung Nodule Visualization on Chest Radiographs Using Digital Filtering and Contrast Enhancement" 5 (12): 4 de Kwan, Benjamin Y M, et Hon Keung Kwan, 2011 , propose d’utiliser HE après un autre traitement ou de simplement appliquer HE sur une ROI définie par l’utilisateur.
[0009] Les methodes de Pizer et de Mohan proposent des améliorations de HE (Histogram Equalization) pour surmonter le problème mentionné auparavant. Cependant, ces méthodes doivent être paramétrées, soit avec des paramètres par défaut qui peuvent être inadéquats pour chaque image, soit de façon manuelle par le radiologue.
[0010] La méthode de Kwan propose l’application de HE après un filtre passe-haut, les limitations de HE restent donc présentes. Alternativement, il propose le calcul de HE sur une ROI, mais ceci requiert la définition de la ROI par un utilisateur. Cette tâche demande donc l’intervention du radiologue et peut parfois s’avérer compliquée si le radiologue n’as pas d’a priori sur la localisation des anomalies à visualiser.
[0011] Le document "Automatic x-ray image contrast enhancement based on parameter auto-optimization". Journal of Applied Clinical Medical Physics 18 (6): 218-23, de Qiu, Jianfeng, H. Harold Li, Tiezhi Zhang, Fangfang Ma, et Deshan Yang, 2017, propose une variante de la méthode de Pizer en la couplant à un filtre passe- haut. Il décrit également une stratégie de paramétrage automatique dans laquelle les paramètres sont optimisés à fin de maximiser l’entropie de l’image traitée.
[0012] Il existe d’autres méthodes pour améliorer le contraste, comme celle introduite dans le document "Contrast Enhancement of Medical X-Ray Image Using Morphological Operators with Optimal Structuring Element ", ArXiv:1905.08545 [Cs, Eess], http://arxiv.org/abs/1905.08545, 2019, de Kushol, Rafsanjany, Md Nishat Raihan, Md Sirajus Salekin, et A. B. M. Ashikur Rahman. Ce document propose également une stratégie pour effectuer un paramétrage automatique.
[0013] Dans les approches de Kushol et Qiu tous les pixels de l’image ont la même influence dans le calcul de la grandeur permettant d’optimiser les paramètres. Le résultat ainsi obtenu peut ne pas être optimal pour certaines régions de l’image qui, comme dans le cas de HE, aurait une distribution sensiblement différente à celle de l’image entière.
[0014] De récents travaux proposent de faire de l’assistance au diagnostic, en se basant pour la plupart sur de réseaux de neurones, plus concrètement sur des réseaux faisant de la classification d’images. De tels exemples sont décrits dans le document "Abnormality Detection and Localization in Chest X-Rays Using Deep Convolutional Neural Networks", ArXiv:1705.09850 [Cs], 2017, http://arxiv.org/abs/1705.09850, de Islam, Mohammad Tariqul, Md Abdul Aowal, Ahmed Tahseen Minhaz, et Khalid Ashraf, et dans le document "CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning", ArXiv:1711.05225 [Cs, Stat], http://arxiv.org/abs/1711.05225, 2017, de Rajpurkar, Pranav, Jeremy Irvin, Kaylie Zhu, Brandon Yang, Hershel Mehta, Tony Duan, Daisy Ding, et al.
[0015] Les méthodes de Islam ou de Rajpurkar ne permettent pas d'améliorer la visibilité d’anomalies sur des images radiologiques mais elles estiment la présence d’anomalies radiologiques associées à une pathologie. Ces technologies sont encore en phase expérimentale et nécessitent l’intervention d’un radiologue pour confirmer le diagnostic.
[0016] Plusieurs méthodes d'explication visuelle (pour "visual explanation" en langue anglaise) des résultats obtenus à partir de réseaux de neurones pour la classification d’images ont été proposées. Ces méthodes produisent une carte d’influence qui attribue pour chaque pixel de l’image en entrée, une valeur mesurant dans quelle proportion le pixel a eu une influence dans le résultat de classification. Plus la valeur est élevée, plus le pixel a eu un impact dans le résultat de classification obtenu. Cela est le cas dans le document "Grad-cam: Visual explanations from deep networks via gradient-based localization", Proceedings of the IEEE international conference on computer vision, 618-626, 2017, de Selvaraju, Ramprasaath R, Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh, et Dhruv Batra, dans le document "Layer-Wise Relevance Propagation for Deep Neural Network Architectures", Information Science and Applications (ICISA) 2016, édité par Kuinam J. Kim et Nikolai Joukov, 376:913-22, Lecture Notes in Electrical Engineering, Singapore: Springer Singapore, https://doi.org/10.1007/978-981 -10-0557-2_87, de Binder, Alexander, Sebastian Bach, Gregoire Montavon, Klaus-Robert Müller, et Wojciech Samek, dans le document "Learning Deep Features for Discriminative Localization", 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2921 -29, Las Vegas, NV, USA: IEEE. https://doi.org/10.1109/CVPR.2016.319, de Zhou, Bolei, Aditya Khosla, Agata Lapedriza, Aude Oliva, et Antonio Torralba, et du document "Visualizing and Understanding Convolutional Networks" ArXiv:1311 .2901 [Cs], novembre. http://arxiv.org/abs/1311 .2901 , 2016, de Zeiler, Matthew D., et Rob Fergus. Lorsque ces méthodes sont appliquées à des réseaux de neurones pour la classification d’images radiologiques (selon si les images présentent d’anomalies radiologiques), les cartes d’influences produites correspondent à des cartes d'influence d’anomalies radiologiques.
[0017] Un but de l'invention est de pallier les problèmes précédemment cités, et notamment d'améliorer les post-traitements des images numériques pour mieux mettre en évidence les anomalies radiologiques détectées, faciliter le travail du radiologue et réduire le temps de diagnostic.
[0018] Aussi, il est proposé, selon un aspect de l'invention, un procédé de traitement d'une image radiologique /(x,y), au format numérique comprenant au moins une anomalie radiologique détectée en utilisant un réseau de neurones convolutif ayant été entrainé pour une détection d'anomalies radiologiques sur des examens radiologiques. L'image radiologique /(x,y) est caractérisée par l'intensité de chacun de ses pixels /(x,y), et par au moins une carte d'influence d'anomalie radiologique Ck(x,y) qui attribue, pour chaque pixel (x,y) de l'image radiologique /(x,y) , une valeur représentative de la proportion dans laquelle le pixel a eu une influence dans le résultat de détection de l'anomalie radiologique k. Le procédé est mis en oeuvre par ordinateur et comprend les étapes de :
- normalisation des cartes d'influence d'anomalie radiologique Ck(x,y) en cartes d'influence d'anomalie radiologique normalisées Ckn(x,y);
- fusion des cartes d'influence d'anomalie radiologique normalisées Ckn(x,y) en une seule carte d'influence fusionnée C(x,y);
- traitement d'amélioration de l'image /(x,y), exploitant un histogramme d’intensités, dans lequel l'apport de chaque pixel dans le calcul de l'histogramme d'intensités est pondéré par la carte d'influence fusionnée C(x,y).
[0019] Le procédé de l'invention permet de mettre en évidences les anomalies détectées, de faciliter le travail du radiologue et de réduire le temps de diagnostic.
[0020] Le document "Abnormality Detection and Localization in Chest X-Rays Using Deep Convolutional Neural Networks", ArXiv:1705.09850 [Cs], 2017, http://arxiv.org/abs/1705.09850, de Islam, Mohammad Tariqul, Md Abdul Aowal, Ahmed Tahseen Minhaz, et Khalid Ashraf, et le document "CheXNet: Radiologist- Level Pneumonia Detection on Chest X-Rays with Deep Learning",
ArXiv:1711.05225 [Cs, Stat], http://arxiv.org/abs/1711.05225, 2017, de Rajpurkar, Pranav, Jeremy Irvin, Kaylie Zhu, Brandon Yang, Hershel Mehta, Tony Duan, Daisy Ding, et al, divulgue des réseaux de neurones permettant d'identifier des images comprenant de telles anomalies radiologiques.
[0021] L'entrainement (ou optimisation ou apprentissage) du réseau de neurones lui permet de produire pour chaque anomalie k une probabilité pk de présence à partir de l’image d’entrée, lorsque que cette probabilité est supérieure à un seuil TT donné, par exemple TT=0.5, on considère que l’anomalie a été détectée.
[0022] Dans un mode de mise en oeuvre, la normalisation de chaque carte d'influence d'anomalie Ck(x,y) utilise la transformation affine suivante : dans laquelle:
Ckn(x,y) est la carte d'influence d'anomalie radiologique normalisée de la carte d'influence d'anomalie radiologique Ck(x,y).
[0023] Une telle normalisation permet de s’assurer que toutes les cartes normalisées Ckn(x,y) sont dans la même plage de valeurs (entre 0 et 1 dans ce cas). Cette procédure permet d’équilibrer les influences des différentes cartes lors de l’étape de fusion (une carte comprenant de valeurs entre 0 et 100 aurait beaucoup plus d’influence qu’une carte comprenant de valeurs entre 0 et 1 ).
[0024] Selon un mode de mise en oeuvre, la fusion C(x,y) utilise une moyenne des cartes d'influence d'anomalie radiologique normalisées Ckn(x,y) pondérée par la probabilité pk de présence de chaque anomalie en utilisant la relation suivante: si|K| > 0 sinon dans laquelle
| K| représente le nombre d’anomalies détectées; et
Pk représente la probabilité pk de présence de chaque anomalie, calculée par le réseau de neurones convolutif.
[0025] Une telle fusion présente l'avantage d’avoir une unique carte pour pondérer la contribution de chaque pixel de l’image dans le calcul d’histogrammes d’intensités. [0026] Dans un mode de mise en oeuvre, le traitement utilise une égalisation d'histogramme d'intensités, dont le calcul de l'histogramme est modifié en pondérant la contribution de chaque pixel selon la relation suivante:
H(u) = Sx,y C(x,y) l(I(x,y) = u) dans laquelle:
H(u) représente le niveau de l’histogramme modifié pour l’intensité u ; et l(x) représente la fonction indicatrice : l(x) = si x est vrai ; sinon l(x,y) représente l'intensité du pixel (x, y).
[0027] Un tel traitement présente l'avantage d’améliorer le contraste de l’image, particulièrement celui des zones de l’image présentant des anomalies ayant été détectées car l’influence des pixels correspondants dans le calcul de l’histogramme est accrue.
[0028] En variante, le traitement peut utiliser une variation de la méthode proposée dans le document "Automatic x-ray image contrast enhancement based on parameter auto-optimization". Journal of Applied Clinical Medical Physics 18 (6): 218 -23, de Qiu, Jianfeng, H. Harold Li, Tiezhi Zhang, Fangfang Ma, et Deshan Yang, 2017", dans laquelle le calcul de l'entropie de l'image traitée est modifié par la relation suivante: dans laquelle: h(It) représente l'entropie modifiée de l’image traitée It
U représente l’ensemble des niveaux d’intensité de l’image numérique; et pu remplace la probabilité qu’un pixel de l’image numérique ait l’intensité u par la relation suivante : dans laquelle H(u) représente le niveau de l’histogramme modifié pour l’intensité u selon la relation suivante:
H(u) = Sx,y C(x.y) l(I(x,y) = u) [0029] Un tel traitement améliore le contraste de l’image, particulièrement celui des zones de l’image présentant des anomalies ayant été détectées, par l’augmentation relative de la contribution des pixels correspondants dans le calcul de l’entropie de l’image traitée.
[0030] Selon un autre aspect de l'invention, il est également proposé un produit programme d'ordinateur comprenant des instructions de code de programme enregistrés sur un support lisible par un ordinateur, pour mettre en oeuvre des étapes du procédé tel que précédemment décrit, lorsque ledit programme est exécuté sur un ordinateur.
[0031 ] L'invention sera mieux comprise à l'étude de quelques modes de réalisation décrits à titre d'exemples nullement limitatifs et illustrés par le dessin annexé sur lequel:
[0032] [Fig.1 ] illustre schématiquement un procédé de traitement d'image radiologique, mis en oeuvre par ordinateur, selon un aspect de l'invention;
[0033] Sur la figure 1 est illustré, selon un aspect de l'invention, un procédé de traitement d'une image radiologique /(x,y), au format numérique comprenant au moins une anomalie radiologique détectée en utilisant un réseau de neurones convolutif ayant été entrainé pour une détection d'anomalies radiologiques sur des examens radiologiques 1. L'image radiologique /(x,y) est caractérisée par l'intensité de chacun de ses pixels /(x,y), et par au moins une carte d'influence d'anomalie radiologique Ck(x,y) 2 qui attribue, pour chaque pixel (x,y) de l'image radiologique /(x,y) , une valeur représentative de la proportion dans laquelle le pixel a eu une influence dans le résultat de détection de l'anomalie radiologique k.
[0034] Le procédé est mis en oeuvre par ordinateur, et comprend les étapes de :
- normalisation 3 des cartes d'influence d'anomalie radiologique Ck(x,y) en cartes d'influence d'anomalie radiologique normalisées Ckn(x,y);
- fusion 4 des cartes d'influence d'anomalie radiologique normalisées Ckn(x,y) en une seule carte d'influence fusionnée C(x,y);
[0035] - traitement 5 d'amélioration de l'image /(x,y), exploitant un histogramme d’intensités, dans lequel l'apport de chaque pixel dans le calcul de l'histogramme d'intensités est pondéré par la carte d'influence fusionnée C(x,y). [0036] Un procédé selon l'invention permet un traitement automatique d’images radiologiques /(x,y) qui améliore la visibilité des régions sur lesquelles la présence d’une anomalie est détectée. Cette invention facilite donc le diagnostic de pathologies à partir d’examens radiologiques sans intervention d’un radiologue ou d’un autre utilisateur, et fournit une image sur laquelle la visibilité d’éventuelles anomalies radiologiques est améliorée, facilitant l’étude par un radiologue.
[0037] Pour ce faire, les traitements existants sont modifiés pour augmenter l’influence des zones de l’image sur lesquelles une anomalie a été détectée. Ainsi, les traitements seront plus efficaces sur ces régions, facilitant la mise en évidence des anomalies détectées.
[0038] Cela est notamment obtenu en pondérant la contribution de chaque pixel de l'image par la valeur correspondante de la carte d'influence fusionnée C(x,y) dans le calcul de l’histogramme d’intensités.
[0039] L'étape de détection 1 peut utiliser un réseau de neurones convolutif ayant été entrainé pour la détection d'anomalies radiologiques représentatives de pathologies sur des examens radiologiques.
[0040] L’utilisation d’une détection différente est possible tant qu’il existe une estimation de cartes d’influence d'anomalie radiologiques compatible.
[0041] L’implémentation d’un tel réseau de neurones et son entrainement ou apprentissage sont amplement décrits dans la littérature. Ce type de réseaux produit pour chaque anomalie k une probabilité pk de présence à partir de l’image d’entrée, lorsque que cette probabilité est supérieure à un seuil n donné, valant par exemple n = 0.5, on considère que l’anomalie a été détectée. En notant K l’ensemble des anomalies détectées : k G K si et seulement si pk > n
[0042] Ce type de réseaux requiert souvent que l’image d’entrée ait une résolution et un nombre de canaux précis (un pour une image en échelle de gris, trois pour une image RGB). Si l’image d’entrée est d’une résolution différente l’image peut être redimensionnée à la résolution demandée et le nombre des canaux adaptés.
[0043] Par exemple (Rajpurkar et al. 2017) utilisent l’architecture de réseau DenseNet-121 (Huang, Gao, Zhuang Liu, Laurens Van Der Maaten, et Kilian Q. Weinberger. 2017. « Densely Connected Convolutional Networks >>. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2261-69.
Honolulu, HI: IEEE. https://doi.org/10.1109/CVPR.2017.243) qui prend en entrée des images de taille 224x224 à trois canaux. Dans ce cas les images radiologiques, d’une résolution arbitraire et à un seul canal, sont redimensionnées à 224x224 et converties en trois canaux, en répétant la même valeur pour chaque canal.
[0044] L'étape d'estimation d'influence 2 peut être implémentée selon des estimations de l’état de l’art, par exemple, tel que proposé dans le document "Grad-cam: Visual explanations from deep networks via gradient-based localization" Proceedings of the IEEE international conference on computer vision, 618-626, 2017, de Selvaraju, Ramprasaath R, Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh, et Dhruv Batra, compatible avec une multitude d’architectures différentes, qui produit une carte d’une résolution égale à la résolution de la sortie d’une couche de convolution choisi dans l’architecture du réseau de détection. La carte d'influence d'anomalie radiologique doit alors être redimensionnée, par exemple par interpolation bilinéaire, à la résolution originale de l’image.
[0045] On note Ck(x,y), la carte d'influence d'anomalie radiologique correspondant à l’anomalie détectée k.
[0046] Par exemple, lorsque l'estimation d'influence 2 de Selvaraju, Ramprasaath R, Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh, et Dhruv Batra, est appliquée à la dernière couche de convolution de la détection de Rajpurkar, Pranav, Jeremy Irvin, Kaylie Zhu, Brandon Yang, Hershel Mehta, Tony Duan, Daisy Ding, la résolution de sortie est de 7x7. La carte d'influence d'anomalie radiologique est alors redimensionnée à la taille de l’image originale.
[0047] Toute autre estimation de carte d’influence d'anomalie radiologique 2 compatible avec la méthode de détection choisie peut être valable.
[0048] Concernant l'étape de normalisation 3 de chaque carte d'influence d'anomalie radiologique Ck(x,y), une possibilité d’implémentation est l’application d’une transformation affine pour que toutes les valeurs soient comprises entre 0 et 1 :
Cft(x,y) - min Cfe(u, v) C (x y = _ _ fen ’ max Ck (u, v) — min Cfe (u, v) u,v u,v dans laquelle Ckn(x,y) est la carte normalisée de la carte d'influence d'anomalie radiologique Ck(x,y).
[0049] Les cartes d'influence d'anomalie radiologique Ck(x,y) peuvent être normalisées de façon différente.
[0050] Une solution d’implémentation pour l'étape de fusion 4 des cartes d'influence d'anomalie radiologique normalisées Ckn(x,y) de chaque anomalie k détectée est de faire la moyenne des cartes pondérée par la probabilité de présence de chaque
.. anomalie dans laquelle
| K| représente le nombre d’anomalies détectées; et pk représente la probabilité pk de présence de chaque anomalie calculée par le réseau de neurones convolutif.
[0051] En variante, les cartes peuvent être fusionnées de façon différente.
[0052] L'étape de traitement peut utiliser une égalisation d'histogramme d'intensités, dont le calcul de l'histogramme est modifié en pondérant la contribution de chaque pixel selon la relation suivante: dans laquelle:
H(u) représente le niveau de l’histogramme modifié pour l’intensité u ; et l(x) représente la fonction indicatrice : l(x) = si x est vrai ; sinon
/(x,y) représente l'intensité du pixel (x, y).
[0053] En variante, le traitement peut utiliser une variation de la méthode proposée dans le document "Automatic x-ray image contrast enhancement based on parameter auto-optimization". Journal of Applied Clinical Medical Physics 18 (6): 218 -23, de Qiu, Jianfeng, H. Harold Li, Tiezhi Zhang, Fangfang Ma, et Deshan Yang, 2017", dans laquelle le calcul de l'entropie de l'image traitée est modifié par la relation suivante: log Pu dans laquelle: h(It) représente l'entropie modifiée de l’image traitée It
U représente l’ensemble des niveaux d’intensité de l’image numérique; et pu remplace la probabilité qu’un pixel de l’image numérique ait l’intensité u par la relation suivante : dans laquelle H(u) représente le niveau de l’histogramme modifié pour l’intensité u selon la relation suivante:
H(u) = Sx,y C(x,y) l(l(x,y) = u)
[0054] Le traitement 5 peut également s'appliquer différemment aux méthodes de traitements précédemment citées ainsi qu'à d'autres méthodes de traitement connues.
[0055] La présente invention peut être implémenté sur un produit programme d'ordinateur comprenant du code informatique exécutable par ordinateur, stocké sur un support lisible par ordinateur et adapté pour mettre en oeuvre le procédé tel que précédemment décrit.
[0056] L'invention peut être implémentée sur un ordinateur local ou sur une plateforme distribuée en réseau.

Claims

REVENDICATIONS
1 . Procédé de traitement d'une image radiologique /(x,y), au format numérique comprenant au moins une anomalie radiologique détectée en utilisant un réseau de neurones convolutif ayant été entrainé pour une détection d'anomalies radiologiques sur des examens radiologiques, l'image radiologique /(x,y) étant caractérisée par l'intensité de chacun de ses pixels /(x,y), et par au moins une carte d'influence d'anomalie radiologique Ck(x,y) qui attribue, pour chaque pixel (x,y) de l'image radiologique /(x,y) , une valeur représentative de la proportion dans laquelle le pixel a eu une influence dans le résultat de détection de l'anomalie radiologique k, le procédé étant mis en oeuvre par ordinateur, comprenant les étapes de:
- normalisation (3) des cartes d'influence d'anomalie radiologique Ck(x,y) en cartes d'influence d'anomalie radiologique normalisées Ckn(x,y);
- fusion (4) des cartes d'influence d'anomalie radiologique normalisées Ckn(x,y) en une seule carte d'influence fusionnée C(x,y);
- traitement (5) d'amélioration de l'image /(x,y), exploitant un histogramme d’intensités, dans lequel l'apport de chaque pixel dans le calcul de l'histogramme d'intensités est pondéré par la carte d'influence fusionnée C(x,y).
2. Procédé selon la revendication 1 , dans lequel la normalisation (3) de chaque carte d'influence d'anomalie Ck(x,y) utilise la transformation affine suivante : dans laquelle:
Ckn(x,y) est la carte d'influence d'anomalie radiologique normalisée de la carte d'influence d'anomalie radiologique Ck(x,y).
3. Procédé selon l’une des revendications précédentes, dans lequel la fusion (4) C(x,y) utilise une moyenne des cartes d'influence d'anomalie radiologique normalisées Ckn(x,y) pondérée par la probabilité pk de présence de chaque anomalie si|K| > 0 sinon dans laquelle
| K| représente le nombre d’anomalies détectées; et
Pk représente la probabilité pk de présence de chaque anomalie calculée par le réseau de neurones convolutif.
4. Procédé selon l'une des revendications 1 à 3, dans lequel le traitement (5) utilise une égalisation d'histogramme d'intensités, dont le calcul de l'histogramme est modifié en pondérant la contribution de chaque pixel selon la relation suivante : dans laquelle:
H(u) représente le niveau de l’histogramme modifié pour l’intensité u ; et l(x) représente la fonction indicatrice : l(x) = si x est vrai ; sinon
/(x,y) représente l'intensité du pixel (x, y).
5. Produit programme d'ordinateur comprenant des instructions de code de programme enregistrés sur un support lisible par un ordinateur, pour mettre en oeuvre des étapes du procédé selon l'une des revendications précédentes, lorsque ledit programme est exécuté sur un ordinateur.
EP21794159.0A 2020-10-20 2021-10-18 Procede de traitement d'image radiologique Pending EP4232998A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2010735A FR3115385B1 (fr) 2020-10-20 2020-10-20 Procédé de traitement d'image radiologique
PCT/EP2021/078760 WO2022084223A1 (fr) 2020-10-20 2021-10-18 Procede de traitement d'image radiologique

Publications (1)

Publication Number Publication Date
EP4232998A1 true EP4232998A1 (fr) 2023-08-30

Family

ID=74553933

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21794159.0A Pending EP4232998A1 (fr) 2020-10-20 2021-10-18 Procede de traitement d'image radiologique

Country Status (6)

Country Link
US (1) US12536653B2 (fr)
EP (1) EP4232998A1 (fr)
JP (1) JP2023548796A (fr)
CN (1) CN116528766B (fr)
FR (1) FR3115385B1 (fr)
WO (1) WO2022084223A1 (fr)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934460B (zh) * 2024-03-21 2024-06-25 深圳市金利源绝缘材料有限公司 基于视觉检测的绝缘板表面缺陷智能检测方法
CN119880192B (zh) * 2025-01-15 2026-01-16 北京航空航天大学 一种融合电学成像和单路吸收光谱的火焰温度成像测量方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100562290C (zh) * 2005-05-31 2009-11-25 柯尼卡美能达医疗印刷器材株式会社 图像处理方法以及图像处理装置
RU2431196C1 (ru) * 2010-03-31 2011-10-10 Закрытое Акционерное Общество "Импульс" Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения
US8861886B2 (en) * 2011-04-14 2014-10-14 Carestream Health, Inc. Enhanced visualization for medical images
CN108447040A (zh) * 2018-02-09 2018-08-24 深圳市朗驰欣创科技股份有限公司 直方图均衡化方法、装置及终端设备
US10909671B2 (en) * 2018-10-02 2021-02-02 International Business Machines Corporation Region of interest weighted anomaly detection
WO2020110776A1 (fr) * 2018-11-28 2020-06-04 富士フイルム株式会社 Dispositif de classification, programme et procédé de classification, et dispositif d'affichage de résultat de classification
JP7317498B2 (ja) * 2018-12-14 2023-07-31 キヤノン株式会社 処理システム、処理装置、処理方法、およびプログラム
JP7302368B2 (ja) * 2019-08-20 2023-07-04 コニカミノルタ株式会社 医用情報処理装置及びプログラム
JP6815711B1 (ja) * 2020-01-31 2021-01-20 学校法人慶應義塾 診断支援プログラム、装置、及び方法
US11449717B2 (en) * 2020-03-12 2022-09-20 Fujifilm Business Innovation Corp. System and method for identification and localization of images using triplet loss and predicted regions
US12056880B2 (en) * 2020-08-03 2024-08-06 Korea Advanced Institute Of Science And Technology Method of classifying lesion of chest x-ray radiograph based on data normalization and local patch and apparatus thereof

Also Published As

Publication number Publication date
JP2023548796A (ja) 2023-11-21
FR3115385A1 (fr) 2022-04-22
FR3115385B1 (fr) 2023-03-24
WO2022084223A1 (fr) 2022-04-28
US20230289958A1 (en) 2023-09-14
CN116528766A (zh) 2023-08-01
US12536653B2 (en) 2026-01-27
CN116528766B (zh) 2026-01-06

Similar Documents

Publication Publication Date Title
US12165292B2 (en) Generating an image mask for a digital image by utilizing a multi-branch masking pipeline with neural networks
US11393100B2 (en) Automatically generating a trimap segmentation for a digital image by utilizing a trimap generation neural network
CN109410219B (zh) 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质
EP0949588A1 (fr) Procédé de recalage de deux images differentes d'un meme objet
CN117115184B (zh) 一种医疗图像分割模型的训练方法、分割方法及相关产品
EP0945830A1 (fr) Procédé de traitement d'images incluant des étapes de segmentation d'une image multidimentionnelle et appareil d'imagerie médicale utilisant ce procédé
CN113724267B (zh) 一种乳腺超声图像肿瘤分割方法及装置
WO2022084223A1 (fr) Procede de traitement d'image radiologique
Saravanan et al. RETRACTED ARTICLE: A brain tumor image segmentation technique in image processing using ICA-LDA algorithm with ARHE model
EP2435985A1 (fr) Procede de quantification de l'evolution de pathologies impliquant des changements de volumes de corps, notamment de tumeurs
FR2884013A1 (fr) Systeme et procede d'amelioration d'images volumetriques
CN119151969B (zh) 基于扩散模型的多层次特征融合医学图像分割方法及系统
CN117635426A (zh) 一种基于多尺度注意力的磁共振图像超分辨率重建方法
Zhang et al. Photo-realistic dehazing via contextual generative adversarial networks
CN118447041A (zh) 肿瘤组织细胞图像分割方法、装置、设备、介质及产品
Joshua et al. An adaptive low-light image enhancement method via fusion of a new intuitionistic fuzzy generator and fractal-fractional derivative
Dogra et al. Effective image fusion strategies in scientific signal processing disciplines: Application to cancer and carcinoma treatment planning
Kala et al. Brain magnetic resonance image inpainting via deep edge region-based generative adversarial network
Vijila Rani et al. Detection of cervix tumor using an intelligent system accompanied with PNN classification approach
CN120318072A (zh) 图像超分辨率重建方法、装置、设备、介质及程序产品
CN111507950B (zh) 图像分割的方法和装置、电子设备及计算机可读存储介质
Hu et al. A novel CNN architecture for image restoration with implicit frequency selection
Ayoub et al. High quality dehazed image and video based on enhanced multi-scale guided filtering dehazing technique
Nanthini et al. A DL-DeNoiseNet Framework for Robust Image Denoising and Artifact Reduction in Medical Image Diagnostics
Li et al. Multi-scale error-driven dense residual network for image super-resolution reconstruction

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230418

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20251223