RU2812866C1 - Способ обработки снимков компьютерной томографии (КТ-снимков) - Google Patents
Способ обработки снимков компьютерной томографии (КТ-снимков) Download PDFInfo
- Publication number
- RU2812866C1 RU2812866C1 RU2023128095A RU2023128095A RU2812866C1 RU 2812866 C1 RU2812866 C1 RU 2812866C1 RU 2023128095 A RU2023128095 A RU 2023128095A RU 2023128095 A RU2023128095 A RU 2023128095A RU 2812866 C1 RU2812866 C1 RU 2812866C1
- Authority
- RU
- Russia
- Prior art keywords
- pathology
- pathologies
- value
- images
- neural network
- Prior art date
Links
- 238000002591 computed tomography Methods 0.000 title claims abstract description 65
- 238000012545 processing Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims description 24
- 230000007170 pathology Effects 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 21
- 208000002151 Pleural effusion Diseases 0.000 claims abstract description 19
- 238000007596 consolidation process Methods 0.000 claims abstract description 19
- 239000005337 ground glass Substances 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims description 2
- 208000001528 Coronaviridae Infections Diseases 0.000 abstract description 10
- 210000004072 lung Anatomy 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 6
- 208000025721 COVID-19 Diseases 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000005338 frosted glass Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
Изобретение относится к обработке изображений компьютерной томографии легких. Техническим результатом заявленного решения является увеличение точности обработки данных КТ-изображений одновременно трех патологий, вызванных коронавирусной инфекцией: матовое стекло, консолидация, плевральный выпот. Технический результат достигается тем, что формируют для каждой из трех патологий на снимках компьютерной томографии пациентов интервал значений по шкале Хаунсфилда; бинарную маску с учетом значения яркости пикселя; осуществляют нормализацию данных КТ; осуществляют конкатенацию массива данных и трех бинарных масок; отправляют полученный массив данных на вход свёрточной нейронной сети для обучения. 2 н. и 6 з.п. ф-лы.
Description
Область техники
Настоящее изобретение относится к обработке медицинских сигналов, в частности к нормализации изображений компьютерная томография (КТ) легких для более лучшего анализа и диагностики вызванных коронавирусной инфекцией патологий легких с использованием сверточных нейронных сетей.
Уровень техники
Коронавирусная болезнь 2019 года (COVID-19), инфекционное заболевание, которое привело к глобальной пандемией и самой актуальной угрозой, стоящей перед человечеством.
В связи с этим становиться актуальной проблема ранней и точной диагностики наличия заболевания COVID. Наиболее оперативным методом выявления данного заболевания, является компьютерная томография (КТ) легких. Лучевые методы, не являясь основными в диагностике коронавирусной инфекции, стали наиболее информативными для выявления наличия и выраженности изменений в легких. Раннее выявление поражения легких COVID-19 оказывает существенное влияние на лечение осложнений или на постановку альтернативного диагноза.
В уровне техники известен источник информации US 2023/0154006 А1, раскрывающий способ диагностики коронавирусной инфекции, включающий: получение компьютерного томографа, КТ, необработанных сканов; нормализацию необработанных КТ-сканирований для получения нормализованных данных; генерирование расширенных данных на основе необработанных КТ-сканирований и имитационной модели; сегментацию трех разных двухмерных изображений из нормализованных данных; определения для каждого вокселя наличие/отсутствие коронавирусной инфекции.
Недостатком данного способа является отсутствие постановки более точного диагноза, в частности, не возможность определения таких патологий, вызванных коронавирусной инфекцией, как: матовое стекло, консолидация, плевральный выпот.
В уровне техники известен источник информации CN 112633404 А, раскрывающий способ диагностики коронавирусной инфекции, включающий два этапа обработки. На первом этапе: получение изображений КТ снимка; предварительная обработка, применение нейронной сети для выделения векторов признаков с заранее заданными параметрами. На втором этапе: сбор данных для более детального анализа, сегментация и нормализация изображения; определения патологии матовое стекло.
Недостатком данного способа является отсутствие постановки более точного диагноза, в частности, не возможность определения таких патологий, вызванных коронавирусной инфекцией, как: консолидация, плевральный выпот.
Целью настоящего изобретения является разработки алгоритма для автоматической локализации патологий на КТ-снимках для повышения эффективности работы врача, что позволит увеличить качество медицинской диагностики.
Техническим результатом, достигаемым заявленным решением, является увеличение точности обработки данных КТ-изображений посредством одновременного определения трех патологий, вызванных коронавирусной инфекцией: матовое стекло, консолидация, плевральный выпот.
Раскрытие изобретения
Поставленная цель, требуемый и получаемый при использовании изобретения технический результат достигаются тем, что способ обработки снимков компьютерной томографии (КТ-снимков) для формирования обучающих данных для нейронной сети, обнаруживающей патологии, содержит следующие этапы:
прием набора КТ-снимков пациентов, на которых диагностированы одновременно три патологии;
формирование для каждой из трех патологий интервала значений по шкале Хаунсфилда;
формирование для каждой из трех патологии бинарной маски, при котором если значение яркости пикселя попадает в диапазон сформированного ранее для данной патологии интервала значений, то элементу массива присваивается значение 1, в противном случае присваивается значение 0;
осуществляют нормализацию данных КТ, при которой если значение массива данных КТ меньше значения нижней границы, то ему присваивается значение -1024; если значение массива данных КТ больше верхней границы, то ему присваивается 800, далее к каждому элементу прибавляется 1024 и производится деление на 1824 чтобы привести значение всех элементов в диапазон [0; 1];
осуществление конкатенации массива данных в диапазоне [0; 1] и трех бинарных масок;
отправка полученного массива данных на вход сверточной нейронной сети для обучения;
сохранение полученной модели нейронной сети на устройстве обнаружения патологий.
При этом формирование интервала значений заключается в следующем:
- расчет математического ожидания ц значений шкалы Хаунсфилда (1) для вокселей данного класса патологий по всему обучающему набору данных;
- расчет дисперсии D значений шкалы Хаунсфилда (2) для вокселей данного класса патологий по всему обучающему набору данных;
- расчет среднеквадратического отклонения а значений шкалы Хаунсфилда (3) для вокселей данного класса патологий по всему обучающему набору данных.
Кроме этого формируемый интервал значений по шкале Хаунсфилда определяется по формуле [μ-1.5*σ; μ+1.5*σ].
При этом первая патология является патологией «матовое стекло», вторая патология - «зона консолидации», третья патология «плевральный выпот».
Причем массив данных, который подается на вход сверточной нейронной сети для обучения имеет размер 512×512×4.
Поставленная цель, требуемый и получаемый при использовании изобретения технический результат достигаются тем, что способ диагностики патологий на КТ-снимках пациента с помощью нейронной сети, реализуемый устройством обнаружения патологий, содержит этапы:
получение КТ-снимка пациента и сохранение его в базе данных;
инициализация запроса на получение КТ-снимка из базы данных устройством обнаружения;
обработка КТ-снимка нейронной сетью, расположенной в устройстве обнаружения и обученной способом по пункту 1;
сегментация областей, на которых обнаружены такие патологии.
При этом первая патология является патологией «матовое стекло», вторая патология - «зона консолидации», третья патология «плевральный выпот».
Причем устройство обнаружения получает КТ-снимок от устройства томографии по сети.
Осуществление изобретения
Заявленное изобретение раскрывает формирование вспомогательных данных, которые поступают на вход сверточной нейронной сети вместе с изображением КТ легких, и обрезку значений КТ в определенном диапазоне.
Используемая нейронная сеть обучается на большом разнородном наборе данных, охватывающем широкий спектр патологических состояний, в частности, матовое стекло, консолидация, плевральный выпот.
Используемая нейронная сеть обучается на исторических данных пациентов, собранных за определенный промежуток времени и сохраненных в устройстве хранения, в частности снимки компьютерной томографии (КТ-снимок) грудной клетки пациентов с различными патологиями легких и подтвержденными диагнозами. КТ-снимок представляет серию двумерных изображений одинакового разрешения (2D слайсов), полученных путем измерения и сложной компьютерной обработки разностей ослабления рентгеновского излучения различными по плотности тканями. Рентгеновские снимки выполняются с разных ракурсов, из них складывается единая картина. Изображения на этих снимках делаются с различных поперечных срезов тела, с шагом в сантиметр или миллиметр. Таким образом, вся серия двумерных изображений составляет один трехмерный снимок, содержащий набор вокселей с координатами х, у, z, определяющих область объекта исследований и фон.
Полученный трехмерный массив вокселей содержит эталонную разметку врача с информаций о том какие воксели принадлежат той или иной патологии. При серьезных осложнениях КТ-снимок может указывать сразу на несколько патологий, обнаруженных у пациента, таких как: матовое стекло, консолидация, плевральный выпот.
В связи с этим в контексте нейросетевой обработки биомедицинского изображения, остро встает вопрос о том, как проводить первичную подготовку данных для входа в нейросеть, чтобы максимально точно сегментировать область каждой отдельной патологии для постановки правильного диагноза и назначения лечения.
В заявленном решении для получения данных, которые подаются на вход нейронной сети для обучения используются два этапа обработки.
Первый из них представляет собой этап предобработки для получения интервалов значений коэффициента ослабления, выражаемого в единицах Хаунсфилда для каждого класса патологий (матовое стекло, зона консолидация, плевральный выпот), который показывает, насколько ткань способна поглощать (ослаблять) рентгеновские лучи.
Для этого на всем наборе КТ-снимков (набор обучающих данных), на котором диагностированы патологии (матовое стекло, зона консолидация, плевральный выпот) проводится предварительная обработка с использованием значений шкалы Хаунсфилда:
- расчет математического ожидания р значений шкалы Хаунсфилда (1) для вокселей каждого класса патологий по всему обучающему набору данных:
,
где xi - значение шкалы Хаунсфилда для i-ого вокселя; N - количество вокселей, принадлежащих данному классу патологий, во всем наборе данных; j=[1, N];
- расчет дисперсии D значений шкалы Хаунсфилда (2) для вокселей каждого класса патологий по всему обучающему набору данных:
,
где xi - значение шкалы Хаунсфилда для i-ого вокселя; N - количество вокселей, принадлежащих данному классу патологий, во всем наборе данных; j=[1, N];
- расчет среднеквадратического отклонения σ значений шкалы Хаунсфилда (3) для вокселей каждого класса патологий по всему обучающему набору данных:
.
На основе среднеквадратического отклонения а значений шкалы Хаунсфилда формируется интервала значений [μ-1.5*σ; μ+1.5*σ] для вокселей каждого класса патологии.
Анализ большого объема исторических данных пациентов, содержащий КТ-снимки различных пациентов с диагностированными патологиями: матовое стекло, зона консолидация, плевральный выпот, показал, что использование 1,5*σ в данном случае является оптимальным значением, поскольку если взять 2*σ, то будет выделено слишком много вокселей, которые не относится к патологии (шум) (примерно 95% всех вокселей принадлежащих конкретной патологии), а если 1*σ, то будет выделено слишком мало вокселей, которые не относится к патологии (примерно 68% всех вокселей принадлежащих конкретной патологии).
Таким образом, итог первого этапа обработки является диапазон [μ 1.5*σ; μ +1.5*σ] формируется для каждой патологии (матовое стекло, зона консолидация, плевральный выпот) отдельно.
Второй этап выполняется для каждого слайса КТ-снимка легких и содержит под этапы.
1. Формирование бинарной маски для каждой из трех патологий - массива равного по размеру слайсу КТ (512×512×1).
Для этого определяют значение яркости пикселей на каждом слайсе и сравнивают с определенными на первом этапе интервалами.
Если значение яркости соответствующего пикселя в слайсе КТ попадает в диапазон сформированного ранее для данной патологии интервала, то элементу нового массива присваивается значение 1, если значение яркости соответствующего пикселя в слайсе КТ не попадает в диапазон сформированного ранее для данной патологии интервала, то элементу нового массива присваивается значение 0.
В результате получается три бинарных маски: бинарная маска, состоящая из 0 и 1, для патологии матовое стекло; бинарная маска, состоящая из 0 и 1, для патологии зона консолидация; бинарная маска, состоящая из 0 и 1, для патологии плевральный выпот.
2. Нормализация массива данных КТ (воксели в случая 3D, пиксели в случае 2D).
Значения необработанных данных КТ-снимков выражены в единицах Хаунсфилда (HU), что означает, что они линейно нормализованы на основе коэффициентов ослабления рентгеновских лучей в воде и воздухе. Однако единица HU неоптимальна для КТ легких, поскольку средние значения КТ легких варьируются в разных наборах данных. На основе справочной информации о физической природе шкалы Хаунсфилда, назначаются интервалы области, в которой могут находиться интересующие ткани [-1024; 800].
На основе данного интервала происходит нормализация массива данных, содержащего данные КТ по каждой патологии:
если значение массива данных меньше значения нижней границы, то ему присваивается значение -1024; если значение массива данных КТ больше верхней границы, то ему присваивается 800.
Далее к каждому элементу прибавляется 1024 и производится деление на 1824 чтобы привести значение всех элементов в диапазон [0; 1].
3. Конкатенация.
Полученный массив данных КТ в диапазоне [0; 1] с размером 512×512×1 и три полученные бинарные маски с размером 512×512×1 каждая конкатенируются вдоль последней (третьей) оси:
бинарная маска патологии №1 размером [512×512×1] + бинарная маска патологии №2 размером [512×512×1] + бинарная маска патологии №3 размером [512×512×1] + КТ-изображение размером [512×512×1] = массив размером [512×512×4] который подается в нейронную сеть для обучения.
Обученная модель нейронной сети сохраняется на устройстве обнаружения (детектирования) патологий, которое в режиме реального времени при поступлении новых КТ-снимков пациентов осуществляет сегментацию областей, на которых обнаружены такие патологии как матовое стекло, зона консолидация, плевральный выпот.
При поступлении пациента в медицинское учреждение (например, больницу) происходит сбор клинических данных, таких как: пол, возраст, анализ крови, КТ-снимки и т.д., которые сохраняются в базе данных, соединенной с устройством обнаружения по сети.
В некоторых вариантах реализации сеть может быть и/или включать в себя общедоступную сеть (например, Интернет), частную сеть (например, локальную сеть (LAN), глобальную сеть (WAN)) и т.д.), проводную сеть (например, сеть Ethernet), беспроводную сеть (например, сеть 802.11, сеть Wi-Fi и т.д.), сотовую сеть (например, сеть долгосрочного развития (LTE)), беспроводную локальную сеть (WLAN).
Устройство классификации КТ-снимков для пациентов с COVID-19 содержит: блок отображения, блок хранения, процессор, содержащий: блок предварительной обработки данных, блок выделения признаков, блок детекции, выполненные в виде, например, арифметико-логического устройства (АЛУ). Процессор управляет каждым из вышеперечисленных блоков для реализации соответствующих функций.
Для постановки диагноза устройство классификации инициализирует запрос на получение КТ-снимка с подозрением на COVID-19 в базу данных.
В одном из вариантов изобретения устройство обнаружения может получать КТ-снимки напрямую от устройства компьютерной томографии по сети и сохранять их в своем блоке хранения для последующей обработки.
Полученный КТ-снимок поступает в блок предварительной обработки данных, который использует ранее изложенный способ предварительной обработки для ограничения массива данных КТ диапазоном значений [1024; 800] и масштабирования массива данных в диапазоне [0; 1]. Также в данном блоке происходит формирование бинарной маски для каждой из трех патологий получается алгоритмом раскрытым выше. В результате которого формируется три бинарных маски: бинарная маска, состоящая из 0 и 1, для патологии матовое стекло; бинарная маска, состоящая из 0 и 1, для патологии зона консолидация; бинарная маска, состоящая из 0 и 1, для патологии плевральный выпот.
Предобработанные данные поступают в блок детекции, в котором реализуется модель обученной нейронной сети. В данном блоке происходит детекция патологий путем сегментации КТ-снимка, на основе нормализованного КТ-снимка и трех бинарных масках соответствующих трем патологиям.
Результатом работы блока детекции является раскрашенный КТ-снимком, в котором выделены области, относящейся патологиям: матовое стекло, зона консолидации, плевральный выпот.
Полученные выше данные отправляются на блок отображения для представления медицинскому работнику (например, врачу).
Как следует из описания заявленного изобретения, предложенный способ обработки снимков компьютерной томографии (КТ-снимков) для формирования обучающих данных для нейронной сети, обнаруживающей патологии и способ диагностики патологий на КТ-снимках пациента с помощью нейронной сети, реализуемый устройством обнаружения патологий обеспечивают достижение заявленного технического результата, а именно обеспечивают увеличение точности обработки данных КТ-изображений посредством одновременного определения трех патологий, вызванных коронавирусной инфекцией: матовое стекло, консолидация, плевральный выпот.
Проведенный анализ показывает, что все общие и частные признаки группы изобретений являются существенными, так как каждый из них необходим для промышленного осуществления заявленной группы изобретений, а в совокупности признаки позволяют достичь заявленного технического результата.
Таким образом, в разделах «Уровень техники» и «Раскрытие изобретения» было показано, что все общие и частные признаки предложенного решения являются существенными и в совокупности удовлетворяют критерию патентоспособности «новизна». В разделе «Осуществление изобретения» было показано, что заявленная группа изобретений технически осуществимо, позволяет решать поставленные изобретательские задачи и уверенно достигать требуемого технического результата при его (изобретения) использовании, что свидетельствует о промышленной применимости предложенных решений. Исходя из сказанного выше, мы считаем, что заявленный способ обработки снимков компьютерной томографии (КТ-снимков) для формирования обучающих данных для нейронной сети, обнаруживающей патологии, а также способ диагностики патологий на КТ-снимках пациента с помощью нейронной сети, реализуемый устройством обнаружения патологий, удовлетворяют всем требованиям охраноспособности, предъявляемым к изобретениям.
Claims (22)
1. Способ обработки снимков компьютерной томографии (КТ-снимков) для формирования обучающих данных для нейронной сети, обнаруживающей патологии, содержащий следующие этапы:
прием набора КТ-снимков пациентов, на которых диагностированы одновременно три патологии;
формирование для каждой из трех патологий интервала значений по шкале Хаунсфилда;
формирование для каждой из трех патологии бинарной маски, при котором если значение яркости пикселя попадает в диапазон сформированного ранее для данной патологии интервала значений, то элементу массива присваивается значение 1, в противном случае присваивается значение 0;
осуществляют нормализацию данных КТ, при которой если значение массива данных КТ меньше значения нижней границы, то ему присваивается значение - 1024; если значение массива данных КТ больше верхней границы, то ему присваивается 800, далее к каждому элементу прибавляется 1024 и производится деление на 1824, чтобы привести значение всех элементов в диапазон [0; 1];
осуществление конкатенации массива данных в диапазоне [0; 1] и трех бинарных масок;
отправка полученного массива данных на вход сверточной нейронной сети для обучения;
сохранение полученной модели нейронной сети на устройстве обнаружения патологий.
2. Способ по п. 1, отличающийся тем, что формирование интервала значений заключается в следующем:
- расчет математического ожидания р значений шкалы Хаунсфилда (1) для вокселей данного класса патологий по всему обучающему набору данных;
- расчет дисперсии D значений шкалы Хаунсфилда (2) для вокселей данного класса патологий по всему обучающему набору данных;
- расчет среднеквадратического отклонения σ значений шкалы Хаунсфилда (3) для вокселей данного класса патологий по всему обучающему набору данных.
3. Способ по п. 1, отличающийся тем, что формируемый интервал значений по шкале Хаунсфилда определяется по формуле [μ-1.5*σ; μ+1.5*σ].
4. Способ по п. 1, отличающийся тем, первая патология является патологией «матовое стекло», вторая патология - «зона консолидации», третья патология «плевральный выпот».
5. Способ по п. 1, отличающийся тем, что массив данных, который подается на вход сверточной нейронной сети для обучения, имеет размер 512×512×4.
6. Способ диагностики патологий на КТ-снимках пациента с помощью нейронной сети, реализуемый устройством обнаружения патологий, содержащий этапы:
получение КТ-снимка пациента и сохранение его в базе данных;
инициализация запроса на получение КТ-снимка из базы данных устройством обнаружения;
обработка КТ-снимка нейронной сетью, расположенной в устройстве обнаружения и обученной способом по п. 1;
сегментация областей, на которых обнаружены такие патологии.
7. Способ по п. 6, отличающийся тем, что первая патология является патологией «матовое стекло», вторая патология - «зона консолидации», третья патология «плевральный выпот».
8. Способ по п. 6, отличающийся тем, что устройство обнаружения получает КТ-снимок от устройства томографии по сети.
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2812866C1 true RU2812866C1 (ru) | 2024-02-05 |
Family
ID=
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020190821A1 (en) * | 2019-03-15 | 2020-09-24 | Genentech, Inc. | Deep convolutional neural networks for tumor segmentation with positron emission tomography |
| WO2023139570A1 (es) * | 2022-01-21 | 2023-07-27 | Indigo Technologies S.A.S. | Sistema y método para caracterizar tumores pulmonares (solidos, subsólidos y vidrio esmerilado) basado en criterios invasivos mediante distancia pixelar y algoritmos de aprendizaje profundo |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020190821A1 (en) * | 2019-03-15 | 2020-09-24 | Genentech, Inc. | Deep convolutional neural networks for tumor segmentation with positron emission tomography |
| WO2023139570A1 (es) * | 2022-01-21 | 2023-07-27 | Indigo Technologies S.A.S. | Sistema y método para caracterizar tumores pulmonares (solidos, subsólidos y vidrio esmerilado) basado en criterios invasivos mediante distancia pixelar y algoritmos de aprendizaje profundo |
Non-Patent Citations (2)
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898595B (zh) | 一种胸部图像中病灶区域的定位模型的构建方法及应用 | |
| CN107622492B (zh) | 肺裂分割方法及系统 | |
| CN109493325B (zh) | 基于ct影像的肿瘤异质性分析系统 | |
| US9135695B2 (en) | Method for creating attenuation correction maps for PET image reconstruction | |
| US5742700A (en) | Quantitative dental caries detection system and method | |
| EP1426903A2 (en) | Computer aided diagnosis of an image set | |
| Cossellu et al. | Reliability of frontal sinus by cone beam-computed tomography (CBCT) for individual identification | |
| CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| CN115345893B (zh) | 基于图像处理的卵巢组织癌变区域分割方法 | |
| JP2004105729A (ja) | コンピュータ支援による断層撮影マンモグラフィデータの分析 | |
| Al Mubarok et al. | Pneumonia detection with deep convolutional architecture | |
| EP3424017B1 (en) | Automatic detection of an artifact in patient image data | |
| CN110021022A (zh) | 一种基于深度学习的甲状腺核医学图像诊断方法 | |
| CN111445463A (zh) | 相似肺部疾病病例的检索方法、装置和计算机设备 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| Mostafapour et al. | A Novel Unsupervised Approach for COVID-19 Lung Lesion Detection Based on Object Completion Technique | |
| Jusman et al. | Analysis of features extraction performance to differentiate of dental caries types using gray level co-occurrence matrix algorithm | |
| Yang et al. | A multi-stage progressive learning strategy for COVID-19 diagnosis using chest computed tomography with imbalanced data | |
| US9895126B2 (en) | System and method for quantification of muscle and fat using abdominal CT imaging | |
| CN112529900B (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
| US20180293727A1 (en) | Rib unfolding from magnetic resonance images | |
| JP2019536538A (ja) | スペクトルｃｔにおける骨及びハードプラークのセグメンテーション | |
| RU2812866C1 (ru) | Способ обработки снимков компьютерной томографии (КТ-снимков) | |
| US20220122261A1 (en) | Probabilistic Segmentation of Volumetric Images | |
| CN113838020B (zh) | 一种基于钼靶影像的病变区域量化方法 |