JP2021518966A - 医用画像認識方法及びシステム、並びに、モデルトレーニング方法、コンピュータ装置、及びプログラム - Google Patents
医用画像認識方法及びシステム、並びに、モデルトレーニング方法、コンピュータ装置、及びプログラム Download PDFInfo
- Publication number
- JP2021518966A JP2021518966A JP2021508060A JP2021508060A JP2021518966A JP 2021518966 A JP2021518966 A JP 2021518966A JP 2021508060 A JP2021508060 A JP 2021508060A JP 2021508060 A JP2021508060 A JP 2021508060A JP 2021518966 A JP2021518966 A JP 2021518966A
- Authority
- JP
- Japan
- Prior art keywords
- medical image
- recognition
- recognition target
- training
- sample
- 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
- 238000012549 training Methods 0.000 title claims abstract description 299
- 238000000034 method Methods 0.000 title claims abstract description 167
- 238000012545 processing Methods 0.000 claims description 109
- 238000000605 extraction Methods 0.000 claims description 82
- 230000008569 process Effects 0.000 claims description 44
- 238000012795 verification Methods 0.000 claims description 44
- 238000003860 storage Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 16
- 238000003706 image smoothing Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000002829 reductive effect Effects 0.000 claims description 14
- 210000004072 lung Anatomy 0.000 description 92
- 238000002591 computed tomography Methods 0.000 description 39
- 230000006870 function Effects 0.000 description 33
- 238000010606 normalization Methods 0.000 description 27
- 238000004364 calculation method Methods 0.000 description 14
- 239000000284 extract Substances 0.000 description 13
- 230000009466 transformation Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000010200 validation analysis Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 206010014561 Emphysema Diseases 0.000 description 8
- 230000002146 bilateral effect Effects 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000009499 grossing Methods 0.000 description 7
- 201000005202 lung cancer Diseases 0.000 description 7
- 208000020816 lung neoplasm Diseases 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000012216 screening Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 230000033558 biomineral tissue development Effects 0.000 description 4
- 239000012141 concentrate Substances 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 210000004872 soft tissue Anatomy 0.000 description 4
- 206010003598 Atelectasis Diseases 0.000 description 3
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 210000000416 exudates and transudate Anatomy 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 201000003144 pneumothorax Diseases 0.000 description 3
- 210000002784 stomach Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 2
- 208000018672 Dilatation Diseases 0.000 description 2
- 206010058314 Dysplasia Diseases 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 208000034189 Sclerosis Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000000621 bronchi Anatomy 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004761 fibrosis Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 210000002751 lymph Anatomy 0.000 description 2
- 210000001370 mediastinum Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000011514 reflex Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 210000000278 spinal cord Anatomy 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 230000003601 intercostal effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 210000003492 pulmonary vein Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Library & Information Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Bioethics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Mathematical Physics (AREA)
Abstract
Description
コンピュータ装置が実行する医用画像認識方法であって、
認識対象医用画像集合を取得するステップであって、前記認識対象医用画像集合は、少なくとも1つの認識対象医用画像を含む、ステップと、
前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、前記認識対象領域は、前記認識対象医用画像中の一部の画像である、ステップと、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、前記医用画像認識モデルは、医用画像サンプル集合に基づいてトレーニングして得られたものであり、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものであり、前記認識結果は、認識対象医用画像のタイプを示すためのものである、ステップと、を含む医用画像認識方法を提供する。
コンピュータ装置が実行するモデルのトレーニング方法であって、
トレーニング対象の医用画像サンプル集合を取得するステップであって、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものである、ステップと、
前記医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出するステップであって、前記トレーニング対象領域は、前記医用画像サンプル中の一部の画像である、ステップと、
前記各医用画像サンプルに対応するトレーニング対象領域と、前記各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得するステップと、を含むモデルのトレーニング方法を提供する。
認識対象医用画像集合を取得する取得モジュールであって、前記認識対象医用画像集合に、少なくとも1つの認識対象医用画像が含まれる取得モジュールと、
前記取得モジュールによって取得された前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出する抽出モジュールであって、前記認識対象領域は、前記認識対象医用画像中の一部の画像である抽出モジュールと、
医用画像認識モデルで、前記抽出モジュールによって抽出された各認識対象領域の認識結果を決定する決定モジュールであって、前記医用画像認識モデルは、医用画像サンプル集合に基づいてトレーニングして得られたものであり、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものであり、前記認識結果は、認識対象医用画像のタイプを示すためのものである決定モジュールと、を含むコンピュータ装置を提供する。
トレーニング対象の医用画像サンプル集合を取得する取得モジュールであって、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものである取得モジュールと、
前記取得モジュールによって取得された前記医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出する抽出モジュールであって、前記トレーニング対象領域は、前記医用画像サンプル中の一部の画像である抽出モジュールと、
前記抽出モジュールによって抽出された前記各医用画像サンプルに対応するトレーニング対象領域と、前記各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得するトレーニングモジュールと、を含むコンピュータ装置を提供する。
プログラムを記憶しているメモリと、
プロセッサと、を含むコンピュータ装置であって、
前記プロセッサは、前記メモリに記憶されているプログラムを実行して、
認識対象医用画像集合を取得するステップであって、前記認識対象医用画像集合に、少なくとも1つの認識対象医用画像が含まれる、ステップと、
前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、前記認識対象領域は、前記認識対象医用画像中の一部の画像である、ステップと、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、前記医用画像認識モデルは、医用画像サンプル集合に基づいてトレーニングして得られたものであり、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものであり、前記認識結果は、認識対象医用画像のタイプを示すためのものである、ステップとを実行するコンピュータ装置を提供する。
プログラムを記憶しているメモリと、
プロセッサと、を含むコンピュータ装置であって、
前記プロセッサは、前記メモリに記憶されているプログラムを実行して、
トレーニング対象の医用画像サンプル集合を取得するステップであって、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものである、ステップと、
前記医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出するステップであって、前記トレーニング対象領域は、前記医用画像サンプル中の一部の画像である、ステップと、
前記各医用画像サンプルに対応するトレーニング対象領域と、前記各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得するステップとを実行するコンピュータ装置を提供する。
画像処理装置と、
医用画像を走査し、前記画像処理装置に前記医用画像を送信するための画像走査装置と、を含む医用画像認識システムであって、
前記画像処理装置は、
認識対象医用画像集合を取得するステップであって、前記認識対象医用画像集合に、少なくとも1つの認識対象医用画像が含まれる、ステップと、
前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、前記認識対象領域は、前記認識対象医用画像中の一部の画像である、ステップと、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、前記医用画像認識モデルは、医用画像サンプル集合に基づいてトレーニングして得られたものであり、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものであり、前記認識結果は、認識対象医用画像のタイプを示すためのものである、ステップとを実行し、
もしくは、前記画像処理装置は、
トレーニング対象の医用画像サンプル集合を取得するステップであって、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものである、ステップと、
前記医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出するステップであって、前記トレーニング対象領域は、前記医用画像サンプル中の一部の画像である、ステップと、
前記各医用画像サンプルに対応するトレーニング対象領域と、前記各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得するステップとを実行する医用画像認識システムを提供する。
認識対象医用画像集合を取得するステップであって、前記認識対象医用画像集合に、少なくとも1つの認識対象医用画像が含まれる、ステップと、
前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、前記認識対象領域は、前記認識対象医用画像中の一部の画像である、ステップと、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、前記医用画像認識モデルは、医用画像サンプル集合に基づいてトレーニングして得られたものであり、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものであり、前記認識結果は、認識対象医用画像のタイプを示すためのものである、ステップとを実現する少なくとも1つのプログラムコードが記憶されているコンピュータ可読記憶媒体を提供する。
トレーニング対象の医用画像サンプル集合を取得するステップであって、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものである、ステップと、
前記医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出するステップであって、前記トレーニング対象領域は、前記医用画像サンプル中の一部の画像である、ステップと、
前記各医用画像サンプルに対応するトレーニング対象領域と、前記各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得するステップとを実現する少なくとも1つのプログラムコードが記憶されているコンピュータ可読記憶媒体を提供する。
認識対象オリジナル医用画像集合を取得するステップであって、認識対象オリジナル医用画像集合は、少なくとも1つの認識対象オリジナル医用画像を含む、ステップと、
認識対象オリジナル医用画像集合中の各認識対象オリジナル医用画像のラベル情報を取得するステップであって、ラベル情報は、認識対象オリジナル医用画像に関連する情報を含む、ステップと、
認識対象オリジナル医用画像集合から認識対象医用画像集合を取得するまで、認識対象オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、認識対象オリジナル医用画像を認識対象医用画像として決定するステップとを更に含んでよい。
認識対象オリジナル医用画像集合を取得するステップであって、認識対象オリジナル医用画像集合は、少なくとも1つの認識対象オリジナル医用画像を含む、ステップと、
認識対象オリジナル医用画像集合中の各認識対象オリジナル医用画像のラベル情報を取得するステップであって、ラベル情報は、認識対象オリジナル医用画像に関連する情報を含む、ステップと、
認識対象オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、認識対象オリジナル医用画像を目標医用画像とマッチングするステップであって、目標医用画像は、予め設定された画像テンプレートである、ステップと、
認識対象オリジナル医用画像集合から認識対象医用画像集合を取得するまで、認識対象オリジナル医用画像と目標医用画像とのマッチングに成功すれば、認識対象オリジナル医用画像を認識対象医用画像として決定するステップとを更に含んでよい。
所定の反射値に基づいて認識対象医用画像集合中の各認識対象医用画像を二値化処理し、各認識対象医用画像に対応する二値医用画像を取得するステップと、
目標医用画像を用いて各二値医用画像をマッチングして、各二値医用画像に対応する処理対象領域を抽出するステップであって、目標医用画像は、予め設定された画像テンプレートである、ステップと、
各処理対象領域に対して画像平滑化処理を行って、各処理対象領域に対応する抽出対象輪郭を生成するステップであって、画像平滑化処理は、各処理対象領域に対するオープニング処理又はクロージング処理のうちの少なくとも一方を含む、ステップと、
各抽出対象輪郭を用いて各認識対象医用画像から、対応する認識対象領域をそれぞれ抽出するステップとを含んでよい。
まず、Bを用いてAに対して収縮を行い、その後にBを用いて結果に対して膨張を行うという意味である。
まず、Bを用いてAに対して膨張を行い、その後にBを用いて結果に対して収縮を行うという意味である。
認識対象領域が第1の所定領域以上であれば、認識対象領域を縮小処理し、
認識対象領域が第2の所定領域以下であれば、認識対象領域を拡大処理するステップを含んでよい。
各認識対象領域に対応する反射値の区間を取得するステップであって、反射値の区間の最大値は第1の反射値で、反射値の区間の最小値は第2の反射値である、ステップと、
反射値の区間に基づいて各認識対象領域を正規化処理して、正規化領域を得るステップとを含んでよく、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップは、
医用画像認識モデルで、各認識対象領域の正規化領域に対応する認識結果を決定するステップを含み、
反射値の区間に基づいて各認識対象領域を正規化処理して、正規化領域を得るステップは、
オリジナル医用画像集合を取得するステップであって、オリジナル医用画像集合は、少なくとも1つのオリジナル医用画像を含む、ステップと、
オリジナル医用画像集合中の各オリジナル医用画像のラベル情報を取得するステップであって、ラベル情報は、オリジナル医用画像に関連する情報を含む、ステップと、
オリジナル医用画像集合からトレーニング対象の医用画像サンプル集合を取得するまで、オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、オリジナル医用画像を医用画像サンプルとして決定するステップとを更に含んでよい。
オリジナル医用画像集合を取得するステップであって、オリジナル医用画像集合は、少なくとも1つのオリジナル医用画像を含む、ステップと、
オリジナル医用画像集合中の各オリジナル医用画像のラベル情報を取得するステップであって、ラベル情報は、オリジナル医用画像に関連する情報を含む、ステップと、
オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、オリジナル医用画像を目標医用画像とマッチングするステップであって、目標医用画像は、予め設定された画像テンプレートである、ステップと、
オリジナル医用画像集合からトレーニング対象の医用画像サンプル集合を取得するまで、オリジナル医用画像と目標医用画像とのマッチングに成功すれば、オリジナル医用画像を医用画像サンプルとして決定するステップとを更に含んでよい。
目標医用画像を用いて各二値医用画像をマッチングして、各二値医用画像に対応する処理対象領域を抽出するステップであって、目標医用画像は、予め設定された画像テンプレートである、ステップと、
各処理対象領域に対して画像平滑化処理を行って、各処理対象領域に対応する抽出対象輪郭を生成するステップであって、画像平滑化処理は、各処理対象領域に対するオープニング処理又はクロージング処理のうちの少なくとも一方を含む、ステップと、
各抽出対象輪郭を用いて各医用画像サンプルから、対応するトレーニング対象領域をそれぞれ抽出するステップとを含んでよい。
CT値=α×(μm−μw)/μw
μmが物質の減衰係数であり、μwが水の減衰係数であり、αがスケール因子であり、その値が1000であるときに、CT値の単位はHuである。人体内の異なる組織は、異なる減衰係数を有するため、それらのCT値もそれぞれ異なる。CT値の高低に応じて、それぞれ骨組織、軟組織、脂肪、水、気体であり、水のCT値は約0Huである。
まず、Bを用いてAに対して収縮を行い、その後にBを用いて結果に対して膨張を行うという意味である。
まず、Bを用いてAに対して膨張を行い、その後にBを用いて結果に対して収縮を行うという意味である。
(1)平均値フィルタ
平均値フィルタは、典型的な線形フィルタアルゴリズムであり、画像において目標画素にその周囲の隣接画素(目標画素を中心とする周囲の8つの画素がフィルタテンプレートを構成し、即ち目標画素自体を除去する)を含むテンプレートを与え、テンプレート中の全ての画素の平均値で元の画素値を代替することである。それは、ノイズ画像、特に大きい孤立点を有する画像に対して非常に敏感であり、非常に少ない点に大きな差があっても平均値の明らかな変動を引き起こす。
メディアンフィルタは、非線形平滑化技術であり、各画素点の階調値を、該点のある近傍ウィンドウ内の全ての画素点の階調値の中央値に設定し、つまり、中心画素の値を全ての画素値の中間値(平均値ではない)に換えることである。メディアンフィルタでは、中間値を選択することにより画像孤立点ノイズの影響を回避し、インパルス性ノイズに良好な除去作用を有し、特にノイズを除去すると共に、信号のエッジを保存し、ぼやけないようにすることができる。これらの優れた特性は、線形フィルタ方法が有しないものである。また、メディアンフィルタのアルゴリズムは簡単であり、ハードウェアで実現しやすい。したがって、メディアンフィルタ方法が提案された直後、デジタル信号処理の分野において重要に応用されている。
ガウスフィルタは、線形平滑化フィルタであり、ガウスノイズの除去に適用され、画像処理のノイズ低減プロセスに広く適用される。平易に言えば、ガウスフィルタは、画像全体に対して加重平均を行うプロセスであり、各画素点の値はそれら自体と近傍内の他の画素値を加重平均して得られる。ガウスフィルタの具体的な操作は、画像中の各画素を1つのテンプレート(又は畳み込み、マスクと呼ばれる)を用いて走査し、テンプレートによって決定された近傍内画素の加重平均階調値でテンプレートの中心画素点の値を替わることである。ガウスフィルタを行う一般的な原因は、実画像の空間内の画素は緩やかに変化するため、隣接点の画素変化が目立ちにくいが、ランダムな2つの点が大きな画素差を形成する可能性があるからである。この点に基づいて、ガウスフィルタは信号を保留したままノイズを低減する。残念なことに、この方法は、エッジに近い場所では無効となるため、ガウスフィルタはエッジをぼかすことになる。しかしながら、ガウス平滑化フィルタは、正規分布に従うノイズの抑制には、依然として非常に有効である。
バイラテラルフィルタ(Bilateral filter)は、非線形フィルタ方法であり、画像の空間的近接度と画素値類似度を組み合わせる折衷した処理であり、空間領域情報と階調類似性を同時に考慮して、エッジを保存しノイズを除去するという目的を達成する。簡単、非反復、局所的な特徴を有する。バイラテラルフィルタは、エッジを平滑化しない方法を提供できるが、より多くの処理時間が必要とすることが犠牲になる。バイラテラルフィルタは、ガウスフィルタと同様に、各画素及びそれらの領域ごとに加重平均値を構成し、加重計算は2つの部分を含み、第1の部分の加重方式がガウスフィルタ平滑化の方式と同じであり、第2の部分もガウス加重に属するが、中心画素点と他の画素点の空間距離に基づく加重ではなく、他の画素と中心画素の輝度差分値に基づく加重である。バイラテラルフィルタをガウス平滑化と見なしてよく、類似する画素に高い重みを付与し、類似しない画素に小さい重みを付与して、画像分類に用いてもよい。
トレーニング対象領域が第1の所定領域以上であれば、トレーニング対象領域を縮小処理し、
トレーニング対象領域が第2の所定領域以下であれば、トレーニング対象領域を拡大処理するステップを含んでよい。
各トレーニング対象領域に対応する反射値の区間を取得するステップであって、反射値の区間の最大値は第1の反射値で、反射値の区間の最小値は第2の反射値である、ステップと、
反射値の区間に基づいて各トレーニング対象領域を正規化処理して、正規化領域を得るステップとを更に含んでよく、
各医用画像サンプルに対応するトレーニング対象領域と各医用画像サンプルに含まれる対応するアノテーション情報に基づいて、トレーニングして医用画像認識モデルを取得するステップは、
各医用画像サンプルに対応する正規化領域と各医用画像サンプルに含まれる対応するアノテーション情報に基づいて、トレーニングして医用画像認識モデルを取得するステップを含んでよく、
反射値の区間に基づいて各トレーニング対象領域を正規化処理して、正規化領域を得るステップは、
確率的勾配降下アルゴリズム(stochastic gradient descent、SGD)で、残差ネットワークresnet−18構造により、各医用画像サンプルに対応するトレーニング対象領域と、各医用画像サンプルに含まれる対応するアノテーション情報とをトレーニングして、トレーニング結果を取得するステップと、
トレーニング結果に基づいて、複数の検証セット損失値を取得するステップと、
複数の検証セット損失値に基づいて、医用画像認識モデルを決定するステップとを含んでよい。
複数の検証セット損失値から、目標検証セット損失値を決定するステップであって、目標検証セット損失値は、複数の検証セット損失値のうちの最小値である、ステップと、
目標検証セット損失値に対応するトレーニング結果を医用画像認識モデルとして決定するステップとを含んでよい。
(2)データ前処理:フィッティング前にデータに対して前処理を行うことは非常に有用であり、応答データに対して変換と明らかな誤りの除去を含む;
(3)合理的なフィッティングは、特異が発生して予測が無限大となる場合を処理する能力をもつべきである;
(5)データを幾つかのサブセットに分解し、異なるサブセットに対して異なる曲線フィッティングを用いる;
(6)複雑な問題を進化の方式で解決することは好ましく、即ち、1つの問題の少量の独立変数を先解決する。通常、低次元問題の解は、近似マッピングにより高次元問題解の開始点とする。
認識対象医用画像集合を取得するステップであって、認識対象医用画像集合に、少なくとも1つの認識対象医用画像が含まれる、ステップと、
認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、認識対象領域は、認識対象医用画像中の一部である、ステップと、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、認識結果は、認識対象医用画像のタイプを示すためのものである、ステップとを更に含んでよい。
認識対象医用画像集合を取得する取得モジュールであって、該認識対象医用画像集合に、少なくとも1つの認識対象医用画像が含まれる取得モジュール301と、
該取得モジュール301によって取得された該認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出する抽出モジュールであって、該認識対象領域は、該認識対象医用画像中の一部の画像である抽出モジュール302と、
医用画像認識モデルで、該抽出モジュール302によって抽出された各認識対象領域の認識結果を決定する決定モジュールであって、該医用画像認識モデルは、医用画像サンプル集合に基づいてトレーニングして得られたものであり、該医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、該アノテーション情報は、医用画像サンプルのタイプを示すためのものであり、該認識結果は、認識対象医用画像のタイプを示すためのものである決定モジュール303とを含む。
トレーニング対象の医用画像サンプル集合を取得する取得モジュールであって、該医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、該アノテーション情報は、医用画像サンプルのタイプを示すためのものである取得モジュール401と、
該取得モジュール401によって取得された該医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出する抽出モジュールであって、該トレーニング対象領域は、該医用画像サンプル中の一部の画像である抽出モジュール402と、
該抽出モジュールによって抽出された該各医用画像サンプルに対応するトレーニング対象領域と、該各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得するトレーニングモジュール403とを含む。
該取得モジュール401は、さらに、トレーニング対象の医用画像サンプル集合を取得する前に、オリジナル医用画像集合を取得し、該オリジナル医用画像集合は、少なくとも1つのオリジナル医用画像を含み、
該取得モジュール401は、さらに、該オリジナル医用画像集合中の各オリジナル医用画像のラベル情報を取得し、該ラベル情報は、該オリジナル医用画像に関連する情報を含み、
該決定モジュール404は、該オリジナル医用画像集合から該トレーニング対象の医用画像サンプル集合を取得するまで、該取得モジュール401によって取得された該オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、該オリジナル医用画像が該医用画像サンプルであると決定する。
該取得モジュール401は、さらに、オリジナル医用画像集合を取得し、該オリジナル医用画像集合は、少なくとも1つのオリジナル医用画像を含み、
該取得モジュール401は、さらに、該オリジナル医用画像集合中の各オリジナル医用画像のラベル情報を取得し、該ラベル情報は、該オリジナル医用画像に関連する情報を含み、
該マッチングモジュール405は、該取得モジュール401によって取得された該オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、該オリジナル医用画像を目標医用画像とマッチングし、該目標医用画像は、予め設定された画像テンプレートであり、
該決定モジュール404は、該オリジナル医用画像集合から該トレーニング対象の医用画像サンプル集合を取得するまで、該取得モジュール401によって取得された該オリジナル医用画像と該目標医用画像とのマッチングに成功すれば、該オリジナル医用画像が該医用画像サンプルであると決定する。
該抽出モジュール402は、具体的には、所定の反射値に基づいて該医用画像サンプル集合中の各医用画像サンプルを二値化処理し、該各医用画像サンプルに対応する二値医用画像を取得し、予め設定された画像テンプレートである目標医用画像を用いて各二値医用画像をマッチングして、該各二値医用画像に対応する処理対象領域を抽出し、各処理対象領域に対して、オープニング処理又はクロージング処理のうちの少なくとも一方を含む画像平滑化処理を行って、該各処理対象領域に対応する抽出対象輪郭を生成し、各抽出対象輪郭を用いて該各医用画像サンプルから、対応する該トレーニング対象領域をそれぞれ抽出する。
該処理モジュール406は、該抽出モジュール402が該医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出した後に、該トレーニング対象領域が第1の所定領域以上であれば、該トレーニング対象領域を縮小処理し、
該処理モジュール406は、該抽出モジュール402によって抽出された該トレーニング対象領域が第2の所定領域以下であれば、該トレーニング対象領域を拡大処理する。
該取得モジュール401は、さらに、該抽出モジュール402が該医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出した後に、各トレーニング対象領域に対応する反射値の区間を取得し、該反射値の区間の最大値は第1の反射値で、該反射値の区間の最小値は第2の反射値であり、
該処理モジュール406は、さらに、該取得モジュール401によって取得された該反射値の区間に基づいて該各トレーニング対象領域を正規化処理して、正規化領域を得て、
該トレーニングモジュール403は、具体的には、該各医用画像サンプルに対応する正規化領域と該各医用画像サンプルに含まれる対応するアノテーション情報に基づいて、トレーニングして該医用画像認識モデルを取得し、
該処理モジュール406は、具体的には、
ただし、該xoutは該正規化領域を表し、該xは該トレーニング対象領域の画素点の値を表し、該xmaxは該第1の反射値を表し、該xminは該第2の反射値を表す。
該トレーニングモジュール403は、具体的には、確率的勾配降下アルゴリズムSGDで、残差ネットワークresnet−18構造により、該各医用画像サンプルに対応するトレーニング対象領域と、該各医用画像サンプルに含まれる対応するアノテーション情報とをトレーニングして、トレーニング結果を取得し、
該トレーニング結果に基づいて、複数の検証セット損失値を取得し、
該複数の検証セット損失値に基づいて、該医用画像認識モデルを決定する。
該決定モジュール404は、具体的には、該複数の検証セット損失値から、目標検証セット損失値を決定し、該目標検証セット損失値は、該複数の検証セット損失値のうちの最小値であり、
該目標検証セット損失値に対応するトレーニング結果を該医用画像認識モデルとして決定する。
該取得モジュール401は、さらに、該トレーニングモジュール403が該各医用画像サンプルに対応するトレーニング対象領域と、該各医用画像サンプルに含まれる対応するアノテーション情報に基づいて、トレーニングして医用画像認識モデルを取得した後に、認識対象医用画像集合を取得し、該認識対象医用画像集合に、少なくとも1つの認識対象医用画像が含まれ、
該抽出モジュール402は、さらに、該取得モジュール401によって取得された該認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出し、該認識対象領域は、該認識対象医用画像中の一部の画像であり、
該決定モジュール404は、さらに、該医用画像認識モデルで、該抽出モジュール402によって抽出された各認識対象領域の認識結果を決定し、該認識結果は、認識対象医用画像のタイプを示すためのものである。
認識対象医用画像集合を取得するステップであって、該認識対象医用画像集合は、少なくとも1つの認識対象医用画像を含む、ステップと、
該認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、該認識対象領域は、該認識対象医用画像中の一部の画像である、ステップと、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、該医用画像認識モデルは、医用画像サンプル集合に基づいてトレーニングして得られたものであり、該医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、該アノテーション情報は、医用画像サンプルのタイプを示すためのものであり、該認識結果は、認識対象医用画像のタイプを示すためのものである、ステップとを実行する。
認識対象オリジナル医用画像集合を取得するステップであって、該認識対象オリジナル医用画像集合は、少なくとも1つの認識対象オリジナル医用画像を含む、ステップと、
該認識対象オリジナル医用画像集合中の各認識対象オリジナル医用画像のラベル情報を取得するステップであって、該ラベル情報は、該認識対象オリジナル医用画像に関連する情報を含む、ステップと、
該認識対象オリジナル医用画像集合から該認識対象医用画像集合を取得するまで、該認識対象オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、該認識対象オリジナル医用画像を該認識対象医用画像として決定するステップとを実行する。
認識対象オリジナル医用画像集合を取得するステップであって、該認識対象オリジナル医用画像集合は、少なくとも1つの認識対象オリジナル医用画像を含む、ステップと、
該認識対象オリジナル医用画像集合中の各認識対象オリジナル医用画像のラベル情報を取得するステップであって、該ラベル情報は、該認識対象オリジナル医用画像に関連する情報を含む、ステップと、
認識対象オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、該認識対象オリジナル医用画像を目標医用画像とマッチングするステップであって、該目標医用画像は、予め設定された画像テンプレートである、ステップと、
該認識対象オリジナル医用画像集合から該認識対象医用画像集合を取得するまで、該認識対象オリジナル医用画像と該目標医用画像とのマッチングに成功すれば、該認識対象オリジナル医用画像を該認識対象医用画像として決定するステップとを実行する。
所定の反射値に基づいて該認識対象医用画像集合中の各認識対象医用画像を二値化処理し、該各認識対象医用画像に対応する二値医用画像を取得するステップと、
目標医用画像を用いて各二値医用画像をマッチングして、該各二値医用画像に対応する処理対象領域を抽出するステップであって、該目標医用画像は、予め設定された画像テンプレートである、ステップと、
各処理対象領域に対して画像平滑化処理を行って、該各処理対象領域に対応する抽出対象輪郭を生成するステップであって、該画像平滑化処理は、該各処理対象領域に対するオープニング処理又はクロージング処理のうちの少なくとも一方を含む、ステップと、
各抽出対象輪郭を用いて該各認識対象医用画像から、対応する該認識対象領域をそれぞれ抽出するステップとを実行する。
該認識対象領域が第1の所定領域以上であれば、該認識対象領域を縮小処理し、
該認識対象領域が第2の所定領域以下であれば、該認識対象領域を拡大処理するステップを実行する。
各認識対象領域に対応する反射値の区間を取得するステップであって、該反射値の区間の最大値は第1の反射値で、該反射値の区間の最小値は第2の反射値である、ステップと、
該反射値の区間に基づいて該各認識対象領域を正規化処理して、正規化領域を得るステップとを実行し、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップは、
該医用画像認識モデルで、該各認識対象領域の正規化領域に対応する認識結果を決定するステップを含み、
該反射値の区間に基づいて該各認識対象領域を正規化処理して、正規化領域を得るステップは、
トレーニング対象の医用画像サンプル集合を取得するステップであって、医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、該アノテーション情報は、医用画像サンプルのタイプを示すためのものである、ステップと、
該医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出するステップであって、該トレーニング対象領域は、該医用画像サンプル中の一部の画像である、ステップと、
該各医用画像サンプルに対応するトレーニング対象領域と、該各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得するステップとを実行する。
オリジナル医用画像集合を取得するステップであって、該オリジナル医用画像集合は、少なくとも1つのオリジナル医用画像を含む、ステップと、
該オリジナル医用画像集合中の各オリジナル医用画像のラベル情報を取得するステップであって、該ラベル情報は、該オリジナル医用画像に関連する情報を含む、ステップと、
該オリジナル医用画像集合から該トレーニング対象の医用画像サンプル集合を取得するまで、該オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、該オリジナル医用画像を該医用画像サンプルとして決定するステップとを実行する。
オリジナル医用画像集合を取得するステップであって、該オリジナル医用画像集合は、少なくとも1つのオリジナル医用画像を含む、ステップと、
該オリジナル医用画像集合中の各オリジナル医用画像のラベル情報を取得するステップであって、該ラベル情報は、該オリジナル医用画像に関連する情報を含む、ステップと、
該オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、該オリジナル医用画像を目標医用画像とマッチングするステップであって、該目標医用画像は、予め設定された画像テンプレートである、ステップと、
該オリジナル医用画像集合から該トレーニング対象の医用画像サンプル集合を取得するまで、該オリジナル医用画像と該目標医用画像とのマッチングに成功すれば、該オリジナル医用画像を該医用画像サンプルとして決定するステップとを実行する。
所定の反射値に基づいて該医用画像サンプル集合中の各医用画像サンプルを二値化処理し、該各医用画像サンプルに対応する二値医用画像を取得するステップと、
目標医用画像を用いて各二値医用画像をマッチングして、該各二値医用画像に対応する処理対象領域を抽出するステップであって、該目標医用画像は、予め設定された画像テンプレートである、ステップと、
各処理対象領域に対して画像平滑化処理を行って、該各処理対象領域に対応する抽出対象輪郭を生成するステップであって、該画像平滑化処理は、該各処理対象領域に対応するオープニング処理又はクロージング処理のうちの少なくとも一方を含む、ステップと、
各抽出対象輪郭を用いて該各医用画像サンプルから、対応する該トレーニング対象領域をそれぞれ抽出するステップとを実行する。
該トレーニング対象領域が第1の所定領域以上であれば、該トレーニング対象領域を縮小処理し、
該トレーニング対象領域が第2の所定領域以下であれば、該トレーニング対象領域を拡大処理するステップを実行する。
各トレーニング対象領域に対応する反射値の区間を取得するステップであって、該反射値の区間の最大値は第1の反射値で、該反射値の区間の最小値は第2の反射値である、ステップと、
該反射値の区間に基づいて該各トレーニング対象領域を正規化処理して、正規化領域を得るステップとを実行し、
CPU 522は、具体的には、
該各医用画像サンプルに対応する正規化領域と該各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして該医用画像認識モデルを取得するステップを実行し、
CPU 522は、具体的には、
確率的勾配降下アルゴリズムSGDで、残差ネットワークresnet−18構造により、該各医用画像サンプルに対応するトレーニング対象領域と、該各医用画像サンプルに含まれる対応するアノテーション情報とをトレーニングして、トレーニング結果を取得するステップと、
該トレーニング結果に基づいて、複数の検証セット損失値を取得するステップと、
該複数の検証セット損失値に基づいて、該医用画像認識モデルを決定するステップとを実行する。
該複数の検証セット損失値から、目標検証セット損失値を決定するステップであって、該目標検証セット損失値は、該複数の検証セット損失値のうちの最小値である、ステップと、
該目標検証セット損失値に対応するトレーニング結果を該医用画像認識モデルとして決定するステップとを実行する。
認識対象医用画像集合を取得するステップであって、該認識対象医用画像集合は、少なくとも1つの認識対象医用画像を含む、ステップと、
該認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、該認識対象領域は、該認識対象医用画像中の一部の画像である、ステップと、
該医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、該認識結果は、認識対象医用画像のタイプを示すためのものである、ステップとを実行する。
認識対象医用画像集合を取得するステップであって、該認識対象医用画像集合は、少なくとも1つの認識対象医用画像を含む、ステップと、
該認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、該認識対象領域は、該認識対象医用画像中の一部の画像である、ステップと、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、該医用画像認識モデルは、医用画像サンプル集合に基づいてトレーニングして得られたものであり、該医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、該アノテーション情報は、医用画像サンプルのタイプを示すためのものであり、該認識結果は、認識対象医用画像のタイプを示すためのものである、ステップとを実現する少なくとも1つのプログラムコードが記憶されているコンピュータ可読記憶媒体であってよい記憶媒体を提供する。
トレーニング対象の医用画像サンプル集合を取得するステップであって、該医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、該アノテーション情報は、医用画像サンプルのタイプを示すためのものである、ステップと、
該医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出するステップであって、該トレーニング対象領域は、該医用画像サンプル中の一部の画像である、ステップと、
該各医用画像サンプルに対応するトレーニング対象領域と、該各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得するステップとを実現する少なくとも1つのプログラムコードが記憶されているコンピュータ可読記憶媒体であってよい記憶媒体を提供する。
301 取得モジュール
302 抽出モジュール
303 決定モジュール
40 コンピュータ装置
401 取得モジュール
402 抽出モジュール
403 トレーニングモジュール
404 決定モジュール
405 マッチングモジュール
406 処理モジュール
500 コンピュータ装置
522 中央処理装置
526 電源
530 記憶媒体
532 メモリ
541 オペレーティングシステム
542 アプリケーションプログラム
544 データ
550 有線又は無線ネットワークインタフェース
558 入出力インタフェース
Claims (20)
- コンピュータ装置が実行する医用画像認識方法であって、
認識対象医用画像集合を取得するステップであって、前記認識対象医用画像集合は、少なくとも1つの認識対象医用画像を含む、ステップと、
前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、前記認識対象領域は、前記認識対象医用画像中の一部の画像である、ステップと、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、前記医用画像認識モデルは、医用画像サンプル集合に基づいてトレーニングして得られたものであり、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものであり、前記認識結果は、認識対象医用画像のタイプを示すためのものである、ステップとを含む、ことを特徴とする認識方法。 - 認識対象医用画像集合を取得する前記ステップの前に、前記方法は、
認識対象オリジナル医用画像集合を取得するステップであって、前記認識対象オリジナル医用画像集合は、少なくとも1つの認識対象オリジナル医用画像を含む、ステップと、
前記認識対象オリジナル医用画像集合中の各認識対象オリジナル医用画像のラベル情報を取得するステップであって、前記ラベル情報は、前記認識対象オリジナル医用画像に関連する情報を含む、ステップと、
前記認識対象オリジナル医用画像集合から前記認識対象医用画像集合を取得するまで、前記認識対象オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、前記認識対象オリジナル医用画像を前記認識対象医用画像として決定するステップとを更に含む、ことを特徴とする請求項1に記載の認識方法。 - 認識対象医用画像集合を取得する前記ステップの前に、前記方法は、
認識対象オリジナル医用画像集合を取得するステップであって、前記認識対象オリジナル医用画像集合は、少なくとも1つの認識対象オリジナル医用画像を含む、ステップと、
前記認識対象オリジナル医用画像集合中の各認識対象オリジナル医用画像のラベル情報を取得するステップであって、前記ラベル情報は、前記認識対象オリジナル医用画像に関連する情報を含む、ステップと、
前記認識対象オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、前記認識対象オリジナル医用画像を目標医用画像とマッチングするステップであって、前記目標医用画像は、予め設定された画像テンプレートである、ステップと、
前記認識対象オリジナル医用画像集合から前記認識対象医用画像集合を取得するまで、前記認識対象オリジナル医用画像と前記目標医用画像とのマッチングに成功すれば、前記認識対象オリジナル医用画像を前記認識対象医用画像として決定するステップとを更に含む、ことを特徴とする請求項1に記載の認識方法。 - 前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出する前記ステップは、
所定の反射値に基づいて前記認識対象医用画像集合中の各認識対象医用画像を二値化処理し、前記各認識対象医用画像に対応する二値医用画像を取得するステップと、
目標医用画像を用いて各二値医用画像をマッチングして、前記各二値医用画像に対応する処理対象領域を抽出するステップであって、前記目標医用画像は、予め設定された画像テンプレートである、ステップと、
各処理対象領域に対して画像平滑化処理を行って、前記各処理対象領域に対応する抽出対象輪郭を生成するステップであって、前記画像平滑化処理は、前記各処理対象領域に対するオープニング処理又はクロージング処理のうちの少なくとも一方を含む、ステップと、
各抽出対象輪郭を用いて前記各認識対象医用画像から、対応する前記認識対象領域をそれぞれ抽出するステップとを含む、ことを特徴とする請求項1に記載の認識方法。 - 前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出する前記ステップの後、前記方法は、
前記認識対象領域が第1の所定領域以上であれば、前記認識対象領域を縮小処理し、
前記認識対象領域が第2の所定領域以下であれば、前記認識対象領域を拡大処理するステップを更に含む、ことを特徴とする請求項1に記載の認識方法。 - 前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出する前記ステップの後、前記方法は、
各認識対象領域に対応する反射値の区間を取得するステップであって、前記反射値の区間の最大値は第1の反射値であり、前記反射値の区間の最小値は第2の反射値である、ステップと、
前記反射値の区間に基づいて前記各認識対象領域を正規化処理して、正規化領域を得るステップと、を更に含み、
医用画像認識モデルで、各認識対象領域の認識結果を決定する前記ステップは、
前記医用画像認識モデルで、前記各認識対象領域の正規化領域に対応する認識結果を決定するステップを含み、
前記反射値の区間に基づいて前記各認識対象領域を正規化処理して、正規化領域を得る前記ステップは、
- コンピュータ装置が実行するモデルのトレーニング方法であって、
トレーニング対象の医用画像サンプル集合を取得するステップであって、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものである、ステップと、
前記医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出するステップであって、前記トレーニング対象領域は、前記医用画像サンプル中の一部の画像である、ステップと、
前記各医用画像サンプルに対応するトレーニング対象領域と、前記各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得するステップとを含む、ことを特徴とする方法。 - 前記各医用画像サンプルに対応するトレーニング対象領域と、前記各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得する前記ステップは、
確率的勾配降下アルゴリズムSGDで、残差ネットワークresnet−18構造により、前記各医用画像サンプルに対応するトレーニング対象領域と、前記各医用画像サンプルに含まれる対応するアノテーション情報とをトレーニングして、トレーニング結果を取得するステップと、
前記トレーニング結果に基づいて、複数の検証セット損失値を取得するステップと、
前記複数の検証セット損失値に基づいて、前記医用画像認識モデルを決定するステップとを含む、ことを特徴とする請求項7に記載の方法。 - 前記複数の検証セット損失値に基づいて、前記医用画像認識モデルを決定する前記ステップは、
前記複数の検証セット損失値から、目標検証セット損失値を決定するステップであって、前記目標検証セット損失値は、前記複数の検証セット損失値のうちの最小値である、ステップと、
前記目標検証セット損失値に対応するトレーニング結果を前記医用画像認識モデルとして決定するステップとを含む、ことを特徴とする請求項8に記載の方法。 - 前記各医用画像サンプルに対応するトレーニング対象領域と、前記各医用画像サンプルに含まれる対応するアノテーション情報に基づいて、トレーニングして医用画像認識モデルを取得するステップの後、前記方法は、
認識対象医用画像集合を取得するステップであって、前記認識対象医用画像集合に、少なくとも1つの認識対象医用画像が含まれる、ステップと、
前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、前記認識対象領域は、前記認識対象医用画像中の一部の画像である、ステップと、
前記医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、前記認識結果は、認識対象医用画像のタイプを示すためのものである、ステップとを更に含む、ことを特徴とする請求項7に記載の方法。 - プログラムを記憶しているメモリと、
プロセッサと、を含むコンピュータ装置であって、
前記プロセッサは、前記メモリに記憶されているプログラムを実行して、
認識対象医用画像集合を取得するステップであって、前記認識対象医用画像集合は、少なくとも1つの認識対象医用画像を含む、ステップと、
前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、前記認識対象領域は、前記認識対象医用画像中の一部の画像である、ステップと、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、前記医用画像認識モデルは、医用画像サンプル集合に基づいてトレーニングして得られたものであり、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものであり、前記認識結果は、認識対象医用画像のタイプを示すためのものである、ステップとを実行する、ことを特徴とするコンピュータ装置。 - 前記プロセッサは、さらに、
認識対象オリジナル医用画像集合を取得するステップであって、前記認識対象オリジナル医用画像集合は、少なくとも1つの認識対象オリジナル医用画像を含む、ステップと、
前記認識対象オリジナル医用画像集合中の各認識対象オリジナル医用画像のラベル情報を取得するステップであって、前記ラベル情報は、前記認識対象オリジナル医用画像に関連する情報を含む、ステップと、
前記認識対象オリジナル医用画像集合から前記認識対象医用画像集合を取得するまで、前記認識対象オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、前記認識対象オリジナル医用画像を前記認識対象医用画像として決定するステップとを実行する、ことを特徴とする請求項11に記載のコンピュータ装置。 - 前記プロセッサは、さらに、
認識対象オリジナル医用画像集合を取得するステップであって、前記認識対象オリジナル医用画像集合は、少なくとも1つの認識対象オリジナル医用画像を含む、ステップと、
前記認識対象オリジナル医用画像集合中の各認識対象オリジナル医用画像のラベル情報を取得するステップであって、前記ラベル情報は、前記認識対象オリジナル医用画像に関連する情報を含む、ステップと、
前記認識対象オリジナル医用画像のラベル情報がサンプル抽出条件を満足すれば、前記認識対象オリジナル医用画像を目標医用画像とマッチングするステップであって、前記目標医用画像は、予め設定された画像テンプレートである、ステップと、
前記認識対象オリジナル医用画像集合から前記認識対象医用画像集合を取得するまで、前記認識対象オリジナル医用画像と前記目標医用画像とのマッチングに成功すれば、前記認識対象オリジナル医用画像を前記認識対象医用画像として決定するステップとを実行する、ことを特徴とする請求項11に記載のコンピュータ装置。 - 前記プロセッサは、
所定の反射値に基づいて前記認識対象医用画像集合中の各認識対象医用画像を二値化処理し、前記各認識対象医用画像に対応する二値医用画像を取得するステップと、
目標医用画像を用いて各二値医用画像をマッチングして、前記各二値医用画像に対応する処理対象領域を抽出するステップであって、前記目標医用画像は、予め設定された画像テンプレートである、ステップと、
各処理対象領域に対して画像平滑化処理を行って、前記各処理対象領域に対応する抽出対象輪郭を生成するステップであって、前記画像平滑化処理は、前記各処理対象領域に対するオープニング処理又はクロージング処理のうちの少なくとも一方を含む、ステップと、
各抽出対象輪郭を用いて前記各認識対象医用画像から、対応する前記認識対象領域をそれぞれ抽出するステップとを実行する、ことを特徴とする請求項11に記載のコンピュータ装置。 - 前記プロセッサは、さらに、
前記認識対象領域が第1の所定領域以上であれば、前記認識対象領域を縮小処理し、
前記認識対象領域が第2の所定領域以下であれば、前記認識対象領域を拡大処理するステップを実行する、ことを特徴とする請求項11に記載のコンピュータ装置。 - 前記プロセッサは、さらに、
各認識対象領域に対応する反射値の区間を取得するステップであって、前記反射値の区間の最大値は第1の反射値であり、前記反射値の区間の最小値は第2の反射値である、ステップと、
前記反射値の区間に基づいて前記各認識対象領域を正規化処理して、正規化領域を得るステップとを実行し、
前記プロセッサは、
前記医用画像認識モデルで、前記各認識対象領域の正規化領域に対応する認識結果を決定するステップを実行し、
前記プロセッサは、
- プログラムを記憶しているメモリと、
プロセッサと、を含むコンピュータ装置であって、
前記プロセッサは、前記メモリに記憶されているプログラムを実行して、
トレーニング対象の医用画像サンプル集合を取得するステップであって、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものである、ステップと、
前記医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出するステップであって、前記トレーニング対象領域は、前記医用画像サンプル中の一部の画像である、ステップと、
前記各医用画像サンプルに対応するトレーニング対象領域と、前記各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得するステップとを実行する、ことを特徴とするコンピュータ装置。 - 画像処理装置と、
医用画像を走査し、前記画像処理装置に前記医用画像を送信するための画像走査装置と、を含む医用画像認識システムであって、
前記画像処理装置は、
認識対象医用画像集合を取得するステップであって、前記認識対象医用画像集合は、少なくとも1つの認識対象医用画像を含む、ステップと、
前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、前記認識対象領域は、前記認識対象医用画像中の一部の画像である、ステップと、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、前記医用画像認識モデルは、医用画像サンプル集合に基づいてトレーニングして得られたものであり、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものであり、前記認識結果は、認識対象医用画像のタイプを示すためのものである、ステップとを実行し、
もしくは、前記画像処理装置は、
トレーニング対象の医用画像サンプル集合を取得するステップであって、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものである、ステップと、
前記医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出するステップであって、前記トレーニング対象領域は、前記医用画像サンプル中の一部の画像である、ステップと、
前記各医用画像サンプルに対応するトレーニング対象領域と、前記各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得するステップとを実行する、ことを特徴とする医用画像認識システム。 - プロセッサによってロードされ実行されると、
認識対象医用画像集合を取得するステップであって、前記認識対象医用画像集合は、少なくとも1つの認識対象医用画像を含む、ステップと、
前記認識対象医用画像集合中の各認識対象医用画像に対応する認識対象領域を抽出するステップであって、前記認識対象領域は、前記認識対象医用画像中の一部の画像である、ステップと、
医用画像認識モデルで、各認識対象領域の認識結果を決定するステップであって、前記医用画像認識モデルは、医用画像サンプル集合に基づいてトレーニングして得られたものであり、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものであり、前記認識結果は、認識対象医用画像のタイプを示すためのものである、ステップとを実現する少なくとも1つのプログラムコードが記憶されている、ことを特徴とするコンピュータ可読記憶媒体。 - プロセッサによってロードされ実行されると、
トレーニング対象の医用画像サンプル集合を取得するステップであって、前記医用画像サンプル集合は、少なくとも1つの医用画像サンプルを含み、各医用画像サンプルに、対応するアノテーション情報が含まれ、前記アノテーション情報は、医用画像サンプルのタイプを示すためのものである、ステップと、
前記医用画像サンプル集合中の各医用画像サンプルに対応するトレーニング対象領域を抽出するステップであって、前記トレーニング対象領域は、前記医用画像サンプル中の一部の画像である、ステップと、
前記各医用画像サンプルに対応するトレーニング対象領域と、前記各医用画像サンプルに含まれる対応するアノテーション情報とに基づいて、トレーニングして医用画像認識モデルを取得するステップとを実現する少なくとも1つのプログラムコードが記憶されている、ことを特徴とするコンピュータ可読記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811296263.6A CN109461495B (zh) | 2018-11-01 | 2018-11-01 | 一种医学图像的识别方法、模型训练的方法及服务器 |
CN201811296263.6 | 2018-11-01 | ||
PCT/CN2019/114090 WO2020088469A1 (zh) | 2018-11-01 | 2019-10-29 | 一种医学图像的识别方法、模型训练的方法及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021518966A true JP2021518966A (ja) | 2021-08-05 |
JP7383010B2 JP7383010B2 (ja) | 2023-11-17 |
Family
ID=65609213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021508060A Active JP7383010B2 (ja) | 2018-11-01 | 2019-10-29 | 医用画像認識方法及びシステム、並びに、モデルトレーニング方法、コンピュータ装置、及びプログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US11961226B2 (ja) |
EP (1) | EP3770850B1 (ja) |
JP (1) | JP7383010B2 (ja) |
CN (1) | CN109461495B (ja) |
WO (1) | WO2020088469A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023002773A (ja) * | 2021-10-27 | 2023-01-10 | 阿波▲羅▼智▲聯▼(北京)科技有限公司 | 画像処理方法、装置、電子機器、記憶媒体及びコンピュータプログラム |
Families Citing this family (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461495B (zh) | 2018-11-01 | 2023-04-14 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
CN109820507B (zh) * | 2019-03-25 | 2024-03-08 | 钟霁媛 | 疾病辅助诊断方法及装置 |
CN109934841A (zh) * | 2019-03-27 | 2019-06-25 | 上海宽带技术及应用工程研究中心 | 肝部轮廓的检测方法、系统、存储介质、终端及显示系统 |
CN109978860B (zh) * | 2019-03-27 | 2021-07-16 | 北京青燕祥云科技有限公司 | 胸水判别方法、装置和计算机设备 |
CN110009645B (zh) * | 2019-04-11 | 2023-06-23 | 东北大学 | 一种肝癌病灶影像的双层轮廓分割方法 |
CN110176302A (zh) * | 2019-04-17 | 2019-08-27 | 南京医科大学 | 利用生成对抗网络模型的下肢力线智能标定确认方法 |
US11195277B2 (en) * | 2019-04-25 | 2021-12-07 | GE Precision Healthcare LLC | Systems and methods for generating normative imaging data for medical image processing using deep learning |
CN110135508B (zh) * | 2019-05-21 | 2022-11-29 | 腾讯科技(深圳)有限公司 | 模型训练方法、装置、电子设备及计算机可读存储介质 |
CN110491480B (zh) * | 2019-05-22 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 |
CN110175255B (zh) * | 2019-05-29 | 2022-04-05 | 腾讯医疗健康(深圳)有限公司 | 图像标注的方法、基于病理图像的标注展示方法及装置 |
CN110390665B (zh) * | 2019-05-30 | 2021-11-02 | 哈尔滨工业大学(深圳) | 基于深度学习多通道与图嵌法的膝关节病症超声诊断方法 |
CN110363744B (zh) * | 2019-06-10 | 2021-08-06 | 深圳市智影医疗科技有限公司 | 一种肺部年龄检测方法及设备 |
CN110276411B (zh) * | 2019-06-28 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、设备、存储介质和医疗电子设备 |
CN110288097A (zh) * | 2019-07-01 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法以及相关装置 |
CN110378313B (zh) * | 2019-07-26 | 2021-05-18 | 玖壹叁陆零医学科技南京有限公司 | 细胞团识别方法、装置及电子设备 |
KR102078876B1 (ko) * | 2019-09-03 | 2020-02-20 | 주식회사 루닛 | 기흉 검출 방법 및 시스템 |
CN110766652B (zh) * | 2019-09-06 | 2022-12-20 | 上海联影智能医疗科技有限公司 | 网络训练方法、装置、分割方法、计算机设备和存储介质 |
CN110517783B (zh) * | 2019-09-18 | 2023-02-03 | 东软集团股份有限公司 | 模型训练方法、装置以及心脏疾病诊断装置、设备、介质 |
CN110633385B (zh) * | 2019-09-24 | 2023-05-12 | 天津医科大学 | 一种医学影像的检索与压缩方法 |
CN110717910B (zh) * | 2019-10-16 | 2020-09-08 | 太原华瑞星辰医药科技有限公司 | 基于卷积神经网络的ct图像目标检测方法及ct扫描仪 |
CN112855127A (zh) * | 2019-11-28 | 2021-05-28 | 北京国双科技有限公司 | 气井积液识别方法及装置 |
CN111191062B (zh) * | 2019-12-11 | 2023-08-04 | 中国平安财产保险股份有限公司 | 图片处理方法、装置、计算机设备和存储介质 |
CN111079753B (zh) * | 2019-12-20 | 2023-08-22 | 长沙千视通智能科技有限公司 | 一种基于深度学习与大数据结合的车牌识别方法及装置 |
CN111163265A (zh) * | 2019-12-31 | 2020-05-15 | 成都旷视金智科技有限公司 | 图像处理方法、装置、移动终端及计算机存储介质 |
CN111311589A (zh) * | 2020-03-05 | 2020-06-19 | 上海市肺科医院(上海市职业病防治院) | 一种肺部结节检测及性质判定系统及方法 |
US11599742B2 (en) * | 2020-04-22 | 2023-03-07 | Dell Products L.P. | Dynamic image recognition and training using data center resources and data |
CN111784631A (zh) * | 2020-05-20 | 2020-10-16 | 上海联影智能医疗科技有限公司 | 一种图像处理装置、方法及存储介质 |
CN111640127B (zh) * | 2020-05-29 | 2023-08-22 | 成都金盘电子科大多媒体技术有限公司 | 一种用于骨科的精准临床诊断导航方法 |
CN111640126B (zh) * | 2020-05-29 | 2023-08-22 | 成都金盘电子科大多媒体技术有限公司 | 基于医学影像的人工智能诊断辅助方法 |
CN113515988B (zh) * | 2020-07-09 | 2023-05-23 | 腾讯科技(深圳)有限公司 | 掌纹识别方法、特征提取模型训练方法、设备及介质 |
CN112053292B (zh) * | 2020-07-21 | 2024-06-07 | 深圳先进技术研究院 | 医学图像的处理方法、处理装置及计算机可读存储介质 |
CN111861926B (zh) * | 2020-07-24 | 2023-09-29 | 南京信息工程大学滨江学院 | 一种基于空域组增强机制与长短时记忆网络的图像去雨方法 |
CN112233125B (zh) * | 2020-10-15 | 2023-06-02 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
CN112259199B (zh) * | 2020-10-29 | 2024-08-13 | 西交利物浦大学 | 医疗图像分类模型的训练方法、系统、存储介质及医疗图像处理装置 |
CN112257638A (zh) * | 2020-10-30 | 2021-01-22 | 重庆紫光华山智安科技有限公司 | 一种图像比对方法、系统、设备及计算机可读存储介质 |
TWI777319B (zh) * | 2020-12-03 | 2022-09-11 | 鴻海精密工業股份有限公司 | 幹細胞密度確定方法、裝置、電腦裝置及儲存介質 |
CN112883774A (zh) * | 2020-12-31 | 2021-06-01 | 厦门易仕特仪器有限公司 | 行人重识别数据增强方法、装置、设备及可读存储介质 |
CN112967778B (zh) * | 2021-03-17 | 2024-02-02 | 复旦大学附属华山医院 | 基于机器学习的炎症性肠病精准用药方法及系统 |
CN113688788B (zh) * | 2021-04-02 | 2023-04-25 | 四川大学 | 基于深度学习的头侧片上气道图像自动识别方法和系统 |
CA3212928A1 (en) * | 2021-04-02 | 2022-10-06 | John Chen | Systems and methods to process electronic medical images for diagnostic or interventional use |
CN112991320B (zh) * | 2021-04-07 | 2022-04-01 | 德州市人民医院 | 脑出血患者血肿扩大风险预测系统及方法 |
CN112948952B (zh) * | 2021-04-08 | 2023-05-23 | 郑州航空工业管理学院 | 一种盾构隧道衬砌背后空洞的演化预测方法 |
CN112927230B (zh) * | 2021-04-26 | 2024-08-16 | 常州市第一人民医院 | 一种影像图像的处理分析系统 |
IT202100012116A1 (it) * | 2021-05-11 | 2022-11-11 | Lightscience Srl | Sistema e metodo di controllo qualità di campioni biologici |
CN113362225B (zh) * | 2021-06-03 | 2022-06-14 | 太原科技大学 | 基于残差递归补偿和特征融合的多描述压缩图像增强方法 |
CN113361435A (zh) * | 2021-06-16 | 2021-09-07 | 中国农业大学 | 一种卷积神经网络实现的信号曲线自动解卷积方法 |
CN113610764A (zh) * | 2021-07-12 | 2021-11-05 | 深圳市银星智能科技股份有限公司 | 地毯识别方法、装置、智能设备及存储介质 |
CN113380381A (zh) * | 2021-07-13 | 2021-09-10 | 深圳市中科微光医疗器械技术有限公司 | 获取医学诊断信息的方法、装置、电子设备及存储介质 |
CN113762285A (zh) * | 2021-09-10 | 2021-12-07 | 程明霞 | 一种分析和处理医学影像的系统及方法 |
US11521321B1 (en) * | 2021-10-07 | 2022-12-06 | Qure.Ai Technologies Private Limited | Monitoring computed tomography (CT) scan image |
CN113903433B (zh) * | 2021-10-14 | 2022-11-15 | 数坤(北京)网络科技股份有限公司 | 一种图像处理方法、装置和电子设备 |
CN113902804A (zh) * | 2021-10-14 | 2022-01-07 | 北京卓越乐享网络科技有限公司 | 识别图像中的透明区域的方法及装置、设备和介质 |
CN113786214B (zh) * | 2021-11-16 | 2022-03-08 | 深圳迈瑞软件技术有限公司 | 一种超声成像设备及其超声图像的快速标注方法 |
US11861832B2 (en) * | 2021-12-03 | 2024-01-02 | Qure.Ai Technologies Private Limited | Automatically determining a brock score |
CN114092470B (zh) * | 2021-12-08 | 2022-08-09 | 之江实验室 | 一种基于深度学习的肺裂自动检测方法及装置 |
CN114429638B (zh) * | 2022-04-06 | 2022-07-08 | 四川省大数据中心 | 一种施工图审查管理系统 |
CN114881937B (zh) * | 2022-04-15 | 2022-12-09 | 北京医准智能科技有限公司 | 一种针对超声切面的检测方法、装置及计算机可读介质 |
CN115272328B (zh) * | 2022-09-28 | 2023-01-24 | 北京核信锐视安全技术有限公司 | 一种面向新冠肺炎的肺部超声影像检测模型训练系统 |
CN116152246B (zh) * | 2023-04-19 | 2023-07-25 | 之江实验室 | 一种图像识别方法、装置、设备及存储介质 |
CN116597988B (zh) * | 2023-07-18 | 2023-09-19 | 济南蓝博电子技术有限公司 | 一种基于医疗信息的智慧医院运营方法及系统 |
CN116681701B (zh) * | 2023-08-02 | 2023-11-03 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种儿童肺部超声图像处理方法 |
CN117808975B (zh) * | 2024-02-27 | 2024-05-03 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的肺部图像手术规划三维重建方法 |
CN117934286B (zh) * | 2024-03-21 | 2024-06-04 | 西华大学 | 一种轻量级图像超分辨率方法、装置及其电子设备 |
CN118230098B (zh) * | 2024-05-23 | 2024-08-02 | 电子科技大学(深圳)高等研究院 | 用于医学图像的模型训练方法、分割方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015015851A1 (ja) * | 2013-07-30 | 2015-02-05 | コニカミノルタ株式会社 | 医用画像システム及び関節軟骨状態のスコア判定方法 |
JP2015106307A (ja) * | 2013-11-29 | 2015-06-08 | セコム株式会社 | 物体検出装置 |
JP2017227993A (ja) * | 2016-06-20 | 2017-12-28 | 日本電信電話株式会社 | 画像正規化装置、方法、及びコンピュータ読み取り可能な記録媒体 |
US20180033144A1 (en) * | 2016-09-21 | 2018-02-01 | Realize, Inc. | Anomaly detection in volumetric images |
WO2018098077A1 (en) * | 2016-11-23 | 2018-05-31 | General Electric Company | Deep learning medical systems and methods for medical procedures |
JP2018117883A (ja) * | 2017-01-25 | 2018-08-02 | 国立大学法人大阪大学 | 学習装置、識別装置、識別方法、及びプログラム |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3852998B2 (ja) * | 1996-12-25 | 2006-12-06 | シャープ株式会社 | 画像処理装置 |
US7400757B2 (en) * | 2001-10-04 | 2008-07-15 | Siemens Medical Solutions Usa, Inc. | System and method for segmenting the left ventricle in a cardiac image |
CN104462738B (zh) * | 2013-09-24 | 2018-10-30 | 西门子公司 | 一种标注医学图像的方法、装置和系统 |
CN115690558A (zh) * | 2014-09-16 | 2023-02-03 | 华为技术有限公司 | 数据处理的方法和设备 |
CN114398511A (zh) * | 2015-12-17 | 2022-04-26 | 北京安和福祉科技有限公司 | 一种医疗系统可视化设备及其标签标注方法 |
CN105975793A (zh) * | 2016-05-23 | 2016-09-28 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 一种基于数字病理图像的癌症辅助诊断方法 |
CN106780460B (zh) * | 2016-12-13 | 2019-11-08 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
JP6801490B2 (ja) * | 2017-02-14 | 2020-12-16 | 日本電気株式会社 | 画像認識システム |
US10169873B2 (en) * | 2017-03-23 | 2019-01-01 | International Business Machines Corporation | Weakly supervised probabilistic atlas generation through multi-atlas label fusion |
CN107563983B (zh) * | 2017-09-28 | 2020-09-01 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
CN108427951B (zh) * | 2018-02-08 | 2023-08-04 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质和计算机设备 |
JP7028322B2 (ja) * | 2018-07-09 | 2022-03-02 | 富士通株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
CN109461495B (zh) * | 2018-11-01 | 2023-04-14 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
JP2022113972A (ja) * | 2021-01-26 | 2022-08-05 | 株式会社エヌ・ティ・ティ・ロジスコ | 画像認識を用いた検品システム、検品方法及び検品システム用プログラム |
-
2018
- 2018-11-01 CN CN201811296263.6A patent/CN109461495B/zh active Active
-
2019
- 2019-10-29 WO PCT/CN2019/114090 patent/WO2020088469A1/zh unknown
- 2019-10-29 JP JP2021508060A patent/JP7383010B2/ja active Active
- 2019-10-29 EP EP19878946.3A patent/EP3770850B1/en active Active
-
2020
- 2020-10-23 US US17/078,266 patent/US11961226B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015015851A1 (ja) * | 2013-07-30 | 2015-02-05 | コニカミノルタ株式会社 | 医用画像システム及び関節軟骨状態のスコア判定方法 |
JP2015106307A (ja) * | 2013-11-29 | 2015-06-08 | セコム株式会社 | 物体検出装置 |
JP2017227993A (ja) * | 2016-06-20 | 2017-12-28 | 日本電信電話株式会社 | 画像正規化装置、方法、及びコンピュータ読み取り可能な記録媒体 |
US20180033144A1 (en) * | 2016-09-21 | 2018-02-01 | Realize, Inc. | Anomaly detection in volumetric images |
WO2018098077A1 (en) * | 2016-11-23 | 2018-05-31 | General Electric Company | Deep learning medical systems and methods for medical procedures |
JP2018117883A (ja) * | 2017-01-25 | 2018-08-02 | 国立大学法人大阪大学 | 学習装置、識別装置、識別方法、及びプログラム |
Non-Patent Citations (2)
Title |
---|
マシンビジョン・画像検査のための画像処理入門, vol. 月刊「画像ラボ」別冊, JPN6023011167, 10 April 2017 (2017-04-10), pages 44, ISSN: 0005020685 * |
野村 香織 KAORI NOMURA: "FMD検査支援のためのH型プローブを用いた超音波画像の3次元再構成と動脈検出の頑健化 Reconstruction", 情報処理学会 研究報告 コンピュータビジョンとイメージメディア(CVIM) 2016−CVIM−20, JPN6022000389, 25 February 2016 (2016-02-25), JP, pages 1 - 8, ISSN: 0005020686 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023002773A (ja) * | 2021-10-27 | 2023-01-10 | 阿波▲羅▼智▲聯▼(北京)科技有限公司 | 画像処理方法、装置、電子機器、記憶媒体及びコンピュータプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN109461495A (zh) | 2019-03-12 |
US20210042564A1 (en) | 2021-02-11 |
EP3770850A4 (en) | 2021-08-18 |
EP3770850A1 (en) | 2021-01-27 |
US11961226B2 (en) | 2024-04-16 |
EP3770850B1 (en) | 2024-06-26 |
WO2020088469A1 (zh) | 2020-05-07 |
CN109461495B (zh) | 2023-04-14 |
JP7383010B2 (ja) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7383010B2 (ja) | 医用画像認識方法及びシステム、並びに、モデルトレーニング方法、コンピュータ装置、及びプログラム | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN108416360B (zh) | 基于乳腺钼靶钙化特征的癌症诊断系统及方法 | |
Jaffar et al. | Fuzzy entropy based optimization of clusters for the segmentation of lungs in CT scanned images | |
Maiora et al. | Abdominal CTA image analisys through active learning and decision random forests: Aplication to AAA segmentation | |
JP2017510406A (ja) | 画像内における血管構造の抑制 | |
CN104637044A (zh) | 钙化斑块及其声影的超声图像提取系统 | |
JP2006034585A (ja) | 画像表示装置、画像表示方法およびそのプログラム | |
US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
WO2022086910A1 (en) | Anatomically-informed deep learning on contrast-enhanced cardiac mri | |
US20240062498A1 (en) | Systems and methods for rendering models based on medical imaging data | |
Krishna et al. | Classification of liver tumor using SFTA based Naïve Bayes classifier and support vector machine | |
Armya et al. | Medical images segmentation based on unsupervised algorithms: a review | |
CN112288752B (zh) | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 | |
CN112862787B (zh) | Cta影像数据处理方法、装置及存储介质 | |
US12051195B2 (en) | Method and system to assess medical images for suitability in clinical interpretation | |
WO2021197176A1 (en) | Systems and methods for tumor characterization | |
Mousavi Moghaddam et al. | Lung parenchyma segmentation from CT images with a fully automatic method | |
Akkasaligar et al. | Analysis of polycystic kidney disease in medical ultrasound images | |
KR102595106B1 (ko) | 천장골관절염 진단을 위한 딥러닝 네트워크 모델 생성 방법 및 시스템 | |
Zakaria et al. | Graphcut as a Segmentation Method of Covid-19 X-Ray Image for Diagnose Purpose | |
Aal et al. | Survey: Automatic recognition of musculoskeletal disorders from radiographs | |
Janane et al. | Deep Learning with Images using Tensorflow | |
Edwin et al. | Classification of Liver Tumor using Modified SFTAbased Multi Class Support Vector Machine | |
Paulos | Detection and Quantification of Stenosis in Coronary Artery Disease (CAD) Using Image Processing Technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201028 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201028 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220111 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220408 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220829 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221124 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230327 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230725 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230802 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231030 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231107 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7383010 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |