TW202329887A - 超音波影像處理系統及其運作方法 - Google Patents
超音波影像處理系統及其運作方法 Download PDFInfo
- Publication number
- TW202329887A TW202329887A TW111102783A TW111102783A TW202329887A TW 202329887 A TW202329887 A TW 202329887A TW 111102783 A TW111102783 A TW 111102783A TW 111102783 A TW111102783 A TW 111102783A TW 202329887 A TW202329887 A TW 202329887A
- Authority
- TW
- Taiwan
- Prior art keywords
- region
- judgment model
- ultrasound images
- interest
- roi
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims description 20
- 238000002604 ultrasonography Methods 0.000 claims abstract description 60
- 238000013526 transfer learning Methods 0.000 claims abstract description 37
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000011017 operating method Methods 0.000 abstract description 3
- 238000012546 transfer Methods 0.000 description 4
- 208000024770 Thyroid neoplasm Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000013076 thyroid tumor Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 201000010198 papillary carcinoma Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002091 elastography Methods 0.000 description 1
- 238000012333 histopathological diagnosis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002559 palpation Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 208000030901 thyroid gland follicular carcinoma Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本發明提出一種超音波影像處理系統的運作方法，其包含以下步驟。從複數個超音波影像中每一者取得感興趣區域，感興趣區域為腫瘤區域；將感興趣區域進行標準化，以得出標準化的感興趣區域；使用複數個不同的分類器對標準化的感興趣區域進行遷移式學習，以得出判斷模型以判斷腫瘤區域的狀態。
Description
本發明是有關於一種系統及其運作方法，且特別是有關於一種超音波影像處理系統及其運作方法。
甲狀腺腫瘤是非常常見的疾病。一般多經由醫師的觸診檢查才發現，盛行率約最高約65%左右，女性比男性多。
目前臨床上診斷甲狀腺腫瘤的首選之超音波影像施行細針穿刺配合細胞學報告或以粗針切片後以病理組織學診斷，但以此方法一般都只能診斷出典型的乳突癌，其他分類如濾泡癌等在超音波影像中表現類似但較沒有像乳突癌有明顯或明確的特色，利用細胞學觀察細胞核的異常也難以辨別。市場上有軟體使用傳統機器學習方式以「無回音區域」、「高回音點」、「回音型態」、「紋理」、「邊緣」等特徵分析超音波影像上的甲狀腺腫瘤，但仍缺乏使用深度學習如卷積神經網絡的技術來判別良惡性。
本發明提出一種超音波影像處理系統及其運作方法，改善先前技術的問題。
在本發明的一實施例中，本發明所提出的超音波影像處理系統包含儲存裝置以及處理器。儲存裝置儲存至少一指令，處理器電性連接儲存裝置。處理器用以存取並執行至少一指令以：從複數個超音波影像中每一者取得感興趣區域，感興趣區域為腫瘤區域；將感興趣區域進行標準化，以得出標準化的感興趣區域；使用複數個不同的分類器對標準化的感興趣區域進行遷移式學習，以得出判斷模型以判斷腫瘤區域的狀態。
在本發明的一實施例中，處理器用以存取並執行至少一指令以：將複數個超音波原圖進行直方圖均衡化及水平翻轉進行資料增強以得出複數個超音波影像。
在本發明的一實施例中，處理器用以存取並執行至少一指令以：從複數個超音波影像中每一者取得感興趣區域與其餘區域；在將感興趣區域進行標準化之前，對感興趣區域進行預處理，預處理係將感興趣區域的各像素的影像強度值除以其餘區域的影像強度平均值。
在本發明的一實施例中，處理器用以存取並執行至少一指令以：將感興趣區域轉換到預設灰階級別以得出標準化的感興趣區域，標準化的感興趣區域符合複數個不同的分類器的輸入大小。
在本發明的一實施例中，複數個超音波影像包含複數個灰階超音波影像以及複數個彈性超音波影像，處理器用以存取並執行至少一指令以：將複數個彈性超音波影像分解為複數個紅色超音波影像、複數個綠色超音波影像、以及複數個藍色超音波影像；使用複數個不同的分類器將對應於複數個灰階超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第一判斷模型；使用複數個不同的分類器將對應於複數個彈性超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第二判斷模型；使用複數個不同的分類器將對應於複數個紅色超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第三判斷模型；使用複數個不同的分類器將對應於複數個綠色超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第四判斷模型；使用複數個不同的分類器將對應於複數個藍色超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第五判斷模型；從第一判斷模型、第二判斷模型、第三判斷模型、第四判斷模型與第五判斷模型中挑選出一判斷準確率最高的判斷模型。
在本發明的一實施例中，本發明所提出的超音波影像處理系統的運作方法包含以下步驟：從複數個超音波影像中每一者取得感興趣區域，感興趣區域為腫瘤區域；將感興趣區域進行標準化，以得出標準化的感興趣區域；使用複數個不同的分類器對標準化的感興趣區域進行遷移式學習，以得出判斷模型以判斷腫瘤區域的狀態。
在本發明的一實施例中，運作方法更包含：將複數個超音波原圖進行直方圖均衡化及水平翻轉進行資料增強以得出複數個超音波影像。
在本發明的一實施例中，從複數個超音波影像中每一者取得感興趣區域之步驟包含：從複數個超音波影像中每一者取得感興趣區域與其餘區域；在將感興趣區域進行標準化之前，對感興趣區域進行預處理，預處理係將感興趣區域的各像素的影像強度值除以其餘區域的影像強度平均值。
在本發明的一實施例中，將感興趣區域進行標準化之步驟包含：將感興趣區域轉換到預設灰階級別以得出標準化的感興趣區域，標準化的感興趣區域符合複數個不同的分類器的輸入大小。
在本發明的一實施例中，複數個超音波影像包含複數個灰階超音波影像以及複數個彈性超音波影像，使用複數個不同的分類器對標準化的感興趣區域進行遷移式學習之步驟包含：將複數個彈性超音波影像分解為複數個紅色超音波影像、複數個綠色超音波影像、以及複數個藍色超音波影像；使用複數個不同的分類器將對應於複數個灰階超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第一判斷模型；使用複數個不同的分類器將對應於複數個彈性超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第二判斷模型；使用複數個不同的分類器將對應於複數個紅色超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第三判斷模型；使用複數個不同的分類器將對應於複數個綠色超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第四判斷模型；使用複數個不同的分類器將對應於複數個藍色超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第五判斷模型；從第一判斷模型、第二判斷模型、第三判斷模型、第四判斷模型與第五判斷模型中挑選出一判斷準確率最高的判斷模型。
綜上所述，本發明之技術方案與現有技術相比具有明顯的優點和有益效果。藉由本發明的超音波影像處理系統及其運作方法，藉由判斷模型，去除影像上與評估者的誤差，使其更為客觀精準。
以下將以實施方式對上述之說明作詳細的描述，並對本發明之技術方案提供更進一步的解釋。
為了使本發明之敘述更加詳盡與完備，可參照所附之圖式及以下所述各種實施例，圖式中相同之號碼代表相同或相似之元件。另一方面，眾所週知的元件與步驟並未描述於實施例中，以避免對本發明造成不必要的限制。
請參照第1圖，本發明之技術態樣是一種超音波影像處理系統100，其可應用在電腦，或是廣泛地運用在相關之技術環節。本技術態樣之超音波影像處理系統100可達到相當的技術進步，並具有産業上的廣泛利用價值。以下將搭配第1圖來說明超音波影像處理系統100之具體實施方式。
應瞭解到，超音波影像處理系統100的多種實施方式搭配第1圖進行描述。於以下描述中，為了便於解釋，進一步設定許多特定細節以提供一或多個實施方式的全面性闡述。然而，本技術可在沒有這些特定細節的情況下實施。於其他舉例中，為了有效描述這些實施方式，已知結構與裝置以方塊圖形式顯示。此處使用的「舉例而言」的用語，以表示「作為例子、實例或例證」的意思。此處描述的作為「舉例而言」的任何實施例，無須解讀為較佳或優於其他實施例。
實作上，在本發明的一實施例中，超音波影像處理系統100可為伺服器、電腦主機或其他計算機設備。以伺服器言，已發展或開發中的許多技術可管理計算機伺服器的運作，大致上可以提供可存取性、一致性與效率。遠端管理允許用於伺服器的輸入輸出介面（例如：顯示螢幕、滑鼠、鍵盤…等）的移除，以及網路管理者實體訪問每一個伺服器的需求。 舉例而言，包含許多計算機伺服器的龐大資料中心一般使用多種遠端管理工具來管理，以配置、監控與除錯伺服器硬體與軟體。
應瞭解到，本文中所使用之『約』、『大約』或『大致』係用以修飾任何可些微變化的數量，但這種些微變化並不會改變其本質。於實施方式中若無特別說明，則代表以『約』、『大約』或『大致』所修飾之數值的誤差範圍一般是容許在百分之二十以內，較佳地是於百分之十以內，而更佳地則是於百分五之以內。
實作上，在本發明的一實施例中，超音波影像處理系統100可選擇性地與超音波掃描裝置190建立連線。應瞭解到，於實施方式與申請專利範圍中，涉及『連線』之描述，其可泛指一元件透過其他元件而間接與另一元件進行有線與/或無線通訊，或是一元件無須透過其他元件而實體連接至另一元件。舉例而言，超音波影像處理系統100可透過其他元件而間接與超音波掃描裝置190進行有線與/或無線通訊，或是超音波影像處理系統100無須透過其他元件而實體連接至超音波掃描裝置190，熟習此項技藝者應視當時需要彈性選擇之。
第1圖是依照本發明一實施例之一種超音波影像處理系統100的方塊圖。如第1圖所示，超音波影像處理系統100包含儲存裝置110、處理器120以及顯示器130。舉例而言，儲存裝置110可為硬碟、快閃儲存裝置或其他儲存媒介，處理器120可為中央處理器，顯示器130可為內建顯示器或外接螢幕。
在架構上，超音波影像處理系統100電性連接超音波掃描裝置190，儲存裝置110電性連接處理器120，處理器120電性連接顯示器130。應瞭解到，於實施方式與申請專利範圍中，涉及『電性連接』之描述，其可泛指一元件透過其他元件而間接電氣耦合至另一元件，或是一元件無須透過其他元件而直接電連結至另一元件。舉例而言，儲存裝置110可為內建儲存裝置直接電連結至處理器120，或是儲存裝置110可為外部儲存設備透過網路裝置間接連線至處理器120。
實作上，舉例而言，超音波掃描裝置190可擷取病人的超音波原圖。實作上，舉例而言，超音波掃描裝置190可擷取病人的甲狀腺的超音波原圖。雖然第1圖之超音波掃描裝置190僅繪示出一個，但此並不限制本發明，實務上，超音波掃描裝置190可泛指一個或多個超音波掃描裝置，熟習此項技藝者應視當時需要彈性選擇之。
在本發明的一實施例中，儲存裝置110儲存照片及至少一指令，處理器120用以存取並執行至少一指令以：將複數個超音波原圖進行直方圖均衡化（histogram equalization）及水平翻轉（horizontal flipping）進行資料增強（data augmentation）以得出複數個超音波影像，藉以避免後續遷移式學習因圖片數量相對較少而導致過度學習（overfitting）之情況。
接下來，處理器120用以存取並執行至少一指令以：從複數個超音波影像中每一者取得感興趣區域，感興趣區域為腫瘤區域。上述的感興趣區域可由處理器120執行軟體自動判斷之。或者，於其他實施例中，上述的感興趣區域可由使用者預設之區域中選取。
關於上述感興趣區域，具體而言，在本發明的一實施例中，處理器120用以存取並執行至少一指令以：從複數個超音波影像中每一者取得感興趣區域與其餘區域；在將感興趣區域進行標準化之前，對感興趣區域進行預處理，預處理係將感興趣區域的各像素的影像強度值除以其餘區域的影像強度平均值，藉以有效降低不同超音波掃描裝置190或不同拍攝者所造成影像上的誤差。
接下來，處理器120用以存取並執行至少一指令以：將感興趣區域進行標準化，以得出標準化的感興趣區域。
關於上述標準化，具體而言，在本發明的一實施例中，處理器120用以存取並執行至少一指令以：將感興趣區域轉換到預設灰階級別（如：0～255灰階範圍的級別）以得出標準化的感興趣區域，標準化的感興趣區域符合後續遷移式學習中複數個不同的分類器的輸入大小。藉此，標準化的感興趣區域不僅有利於後續遷移式學習，亦可有效降低不同超音波掃描裝置190或不同拍攝者所造成影像上的誤差。
接下來，處理器120用以存取並執行至少一指令以：使用複數個不同的分類器對標準化的感興趣區域進行遷移式學習，以得出判斷模型以判斷腫瘤區域的狀態（如：良性或惡性）。藉由判斷模型，去除影像上與評估者的誤差，使其更為客觀精準。
在本發明的一實施例中，上述複數個超音波影像包含複數個灰階超音波影像以及複數個彈性超音波（US Elastography）影像。灰階超音波影像可表示腫瘤輪廓，實作上，舉例而言，若腫瘤輪廓為不規則邊緣，就表示惡性機會很高。彈性超音波影像可反映腫瘤的軟硬程度，若組織硬，則彈性較差，以藍色表示，軟的組織以紅色表示，軟硬程度適中部分則以綠色表示。實作上，舉例而言，若腫瘤整體呈現藍色，則惡性的機率較高。
關於上述遷移式學習，處理器120用以存取並執行至少一指令以：將複數個彈性超音波影像分解為複數個紅色超音波影像、複數個綠色超音波影像、以及複數個藍色超音波影像；使用複數個不同的分類器將對應於複數個灰階超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第一判斷模型；使用複數個不同的分類器將對應於複數個彈性超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第二判斷模型；使用複數個不同的分類器將對應於複數個紅色超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第三判斷模型；使用複數個不同的分類器將對應於複數個綠色超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第四判斷模型；使用複數個不同的分類器將對應於複數個藍色超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第五判斷模型；從第一判斷模型、第二判斷模型、第三判斷模型、第四判斷模型與第五判斷模型中挑選出一判斷準確率最高的判斷模型，藉以進一步提高判斷的精確度。
為了對上述超音波影像處理系統100的運作方法做更進一步的闡述，請同時參照第1～2圖，第2圖是依照本發明一實施例之一種超音波影像處理系統100的運作方法200的流程圖。如第2圖所示，運作方法200包含步驟S201～S203（應瞭解到，在本實施例中所提及的步驟，除特別敘明其順序者外，均可依實際需要調整其前後順序，甚至可同時或部分同時執行）。
運作方法200可以採用非暫態電腦可讀取記錄媒體上的電腦程式產品的形式，此電腦可讀取記錄媒體具有包含在介質中的電腦可讀取的複數個指令。適合的記錄媒體可以包括以下任一者：非揮發性記憶體，例如：唯讀記憶體（ROM）、可程式唯讀記憶體（PROM）、可抹拭可程式唯讀記憶體（EPROM）、電子抹除式可程式唯讀記憶體（EEPROM）；揮發性記憶體，例如：靜態存取記憶體（SRAM）、動態存取記憶體（DRAM）、雙倍資料率隨機存取記憶體（DDR-RAM）；光學儲存裝置，例如：唯讀光碟（CD-ROM）、唯讀數位多功能影音光碟（DVD-ROM）；磁性儲存裝置，例如：硬碟機、軟碟機。
於步驟S201，從複數個超音波影像中每一者取得感興趣區域，感興趣區域為腫瘤區域。於步驟S202，將感興趣區域進行標準化，以得出標準化的感興趣區域。於步驟S203，使用複數個不同的分類器對標準化的感興趣區域進行遷移式學習，以得出判斷模型以判斷腫瘤區域的狀態。
在本發明的一實施例中，運作方法200更包含：將複數個超音波原圖進行直方圖均衡化及水平翻轉進行資料增強以得出複數個超音波影像。
在本發明的一實施例中，步驟S201包含：從複數個超音波影像中每一者取得感興趣區域與其餘區域；在將感興趣區域進行標準化之前，對感興趣區域進行預處理，預處理係將感興趣區域的各像素的影像強度值除以其餘區域的影像強度平均值。
在本發明的一實施例中，步驟S202包含：將感興趣區域轉換到預設灰階級別以得出標準化的感興趣區域，標準化的感興趣區域符合複數個不同的分類器的輸入大小。
在本發明的一實施例中，複數個超音波影像包含複數個灰階超音波影像以及複數個彈性超音波影像，步驟S203包含：將複數個彈性超音波影像分解為複數個紅色超音波影像、複數個綠色超音波影像、以及複數個藍色超音波影像；使用複數個不同的分類器將對應於複數個灰階超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第一判斷模型；使用複數個不同的分類器將對應於複數個彈性超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第二判斷模型；使用複數個不同的分類器將對應於複數個紅色超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第三判斷模型；使用複數個不同的分類器將對應於複數個綠色超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第四判斷模型；使用複數個不同的分類器將對應於複數個藍色超音波影像中每一者的標準化的感興趣區域進行遷移式學習，以得出第五判斷模型；從第一判斷模型、第二判斷模型、第三判斷模型、第四判斷模型與第五判斷模型中挑選出一判斷準確率最高的判斷模型。
綜上所述，本發明之技術方案與現有技術相比具有明顯的優點和有益效果。藉由本發明的超音波影像處理系統100及其運作方法200，藉由判斷模型，去除影像上與評估者的誤差，使其更為客觀精準。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附符號之說明如下：
100:超音波影像處理系統
110:儲存裝置
120:處理器
130:顯示器
190:超音波掃描裝置
200:運作方法
S201～S203:步驟
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：
第1圖是依照本發明一實施例之一種超音波影像處理系統的方塊圖；以及
第2圖是依照本發明一實施例之一種超音波影像處理系統的運作方法的流程圖。
200:運作方法
S201~S203:步驟
Claims (10)
- 一種超音波影像處理系統，包含： 一儲存裝置，儲存至少一指令；以及 一處理器，電性連接該儲存裝置，其中該處理器用以存取並執行該至少一指令以： 從複數個超音波影像中每一者取得一感興趣區域，該感興趣區域為一腫瘤區域； 將該感興趣區域進行標準化，以得出一標準化的感興趣區域；以及 使用複數個不同的分類器對該標準化的感興趣區域進行一遷移式學習，以得出一判斷模型以判斷該腫瘤區域的狀態。
- 如請求項1所述之超音波影像處理系統，其中該處理器用以存取並執行該至少一指令以： 將複數個超音波原圖進行直方圖均衡化及水平翻轉進行資料增強以得出該複數個超音波影像。
- 如請求項1所述之超音波影像處理系統，其中該處理器用以存取並執行該至少一指令以： 從複數個超音波影像中每一者取得該感興趣區域與一其餘區域；以及 在將該感興趣區域進行標準化之前，對該感興趣區域進行一預處理，該預處理係將該感興趣區域的各像素的影像強度值除以該其餘區域的影像強度平均值。
- 如請求項1所述之超音波影像處理系統，其中該處理器用以存取並執行該至少一指令以： 將該感興趣區域轉換到一預設灰階級別以得出該標準化的感興趣區域，該標準化的感興趣區域符合該複數個不同的分類器的輸入大小。
- 如請求項1所述之超音波影像處理系統，其中該複數個超音波影像包含複數個灰階超音波影像以及複數個彈性超音波影像，該處理器用以存取並執行該至少一指令以： 將該複數個彈性超音波影像分解為複數個紅色超音波影像、複數個綠色超音波影像、以及複數個藍色超音波影像； 使用該複數個不同的分類器將對應於該複數個灰階超音波影像中每一者的該標準化的感興趣區域進行該遷移式學習，以得出一第一判斷模型； 使用該複數個不同的分類器將對應於該複數個彈性超音波影像中每一者的該標準化的感興趣區域進行該遷移式學習，以得出一第二判斷模型； 使用該複數個不同的分類器將對應於該複數個紅色超音波影像中每一者的該標準化的感興趣區域進行該遷移式學習，以得出一第三判斷模型； 使用該複數個不同的分類器將對應於該複數個綠色超音波影像中每一者的該標準化的感興趣區域進行該遷移式學習，以得出一第四判斷模型； 使用該複數個不同的分類器將對應於該複數個藍色超音波影像中每一者的該標準化的感興趣區域進行該遷移式學習，以得出一第五判斷模型；以及 從該第一判斷模型、該第二判斷模型、該第三判斷模型、該第四判斷模型與該第五判斷模型中挑選出一判斷準確率最高的判斷模型。
- 一種超音波影像處理系統的運作方法，該運作方法包含以下步驟： 從複數個超音波影像中每一者取得一感興趣區域，該感興趣區域為一腫瘤區域； 將該感興趣區域進行標準化，以得出一標準化的感興趣區域；以及 使用複數個不同的分類器對該標準化的感興趣區域進行一遷移式學習，以得出一判斷模型以判斷該腫瘤區域的狀態。
- 如請求項6所述之運作方法，更包含： 將複數個超音波原圖進行直方圖均衡化及水平翻轉進行資料增強以得出該複數個超音波影像。
- 如請求項6所述之運作方法，其中從該複數個超音波影像中每一者取得該感興趣區域之步驟包含： 從複數個超音波影像中每一者取得該感興趣區域與一其餘區域；以及 在將該感興趣區域進行標準化之前，對該感興趣區域進行一預處理，該預處理係將該感興趣區域的各像素的影像強度值除以該其餘區域的影像強度平均值。
- 如請求項6所述之運作方法，其中將該感興趣區域進行標準化之步驟包含： 將該感興趣區域轉換到一預設灰階級別以得出該標準化的感興趣區域，該標準化的感興趣區域符合該複數個不同的分類器的輸入大小。
- 如請求項6所述之運作方法，其中該複數個超音波影像包含複數個灰階超音波影像以及複數個彈性超音波影像，使用該複數個不同的分類器對該標準化的感興趣區域進行該遷移式學習之步驟包含： 將該複數個彈性超音波影像分解為複數個紅色超音波影像、複數個綠色超音波影像、以及複數個藍色超音波影像； 使用該複數個不同的分類器將對應於該複數個灰階超音波影像中每一者的該標準化的感興趣區域進行該遷移式學習，以得出一第一判斷模型； 使用該複數個不同的分類器將對應於該複數個彈性超音波影像中每一者的該標準化的感興趣區域進行該遷移式學習，以得出一第二判斷模型； 使用該複數個不同的分類器將對應於該複數個紅色超音波影像中每一者的該標準化的感興趣區域進行該遷移式學習，以得出一第三判斷模型； 使用該複數個不同的分類器將對應於該複數個綠色超音波影像中每一者的該標準化的感興趣區域進行該遷移式學習，以得出一第四判斷模型； 使用該複數個不同的分類器將對應於該複數個藍色超音波影像中每一者的該標準化的感興趣區域進行該遷移式學習，以得出一第五判斷模型；以及 從該第一判斷模型、該第二判斷模型、該第三判斷模型、該第四判斷模型與該第五判斷模型中挑選出一判斷準確率最高的判斷模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111102783A TWI802243B (zh) | 2022-01-22 | 2022-01-22 | 超音波影像處理系統及其運作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111102783A TWI802243B (zh) | 2022-01-22 | 2022-01-22 | 超音波影像處理系統及其運作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI802243B TWI802243B (zh) | 2023-05-11 |
| TW202329887A true TW202329887A (zh) | 2023-08-01 |
Family
ID=87424331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111102783A TWI802243B (zh) | 2022-01-22 | 2022-01-22 | 超音波影像處理系統及其運作方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI802243B (zh) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112927179A (zh) * | 2019-11-21 | 2021-06-08 | 粘晓菁 | 肝肿瘤智慧分析方法 |
| CN113951930B (zh) * | 2021-09-16 | 2023-11-28 | 杭州影想未来科技有限公司 | 一种三维颈部超声自动扫查与评估系统及方法 |
-
2022
- 2022-01-22 TW TW111102783A patent/TWI802243B/zh active
Also Published As
| Publication number | Publication date |
|---|---|
| TWI802243B (zh) | 2023-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Byra et al. | Breast mass classification in sonography with transfer learning using a deep convolutional neural network and color conversion | |
| Chang et al. | Computer‐aided diagnosis for classifying benign versus malignant thyroid nodules based on ultrasound images: a comparison with radiologist‐based assessments | |
| Liang et al. | Convolutional neural network for breast and thyroid nodules diagnosis in ultrasound imaging | |
| Kumar et al. | Automated segmentation of thyroid nodule, gland, and cystic components from ultrasound images using deep learning | |
| Flores et al. | Improving classification performance of breast lesions on ultrasonography | |
| CN112070119B (zh) | 超声切面图像质量控制方法、装置和计算机设备 | |
| Cai et al. | Robust phase-based texture descriptor for classification of breast ultrasound images | |
| Byra et al. | Classification of breast lesions using segmented quantitative ultrasound maps of homodyned K distribution parameters | |
| Agner et al. | Textural kinetics: a novel dynamic contrast-enhanced (DCE)-MRI feature for breast lesion classification | |
| Kalyan et al. | Artificial neural network application in the diagnosis of disease conditions with liver ultrasound images | |
| Mi et al. | Deep learning-based multi-class classification of breast digital pathology images | |
| Moon et al. | Tumor detection in automated breast ultrasound images using quantitative tissue clustering | |
| Singh et al. | Integrating radiologist feedback with computer aided diagnostic systems for breast cancer risk prediction in ultrasonic images: An experimental investigation in machine learning paradigm | |
| Nemat et al. | Classification of breast lesions in ultrasonography using sparse logistic regression and morphology‐based texture features | |
| Bai et al. | Thyroid nodules risk stratification through deep learning based on ultrasound images | |
| US11010893B2 (en) | Image identifying method and image identifying device | |
| Hu et al. | Reproducibility of quantitative high‐throughput BI‐RADS features extracted from ultrasound images of breast cancer | |
| US9886757B2 (en) | Lesion detecting method and lesion detecting apparatus for breast image in rotating manner | |
| Kumarganesh et al. | An efficient approach for brain image (tissue) compression based on the position of the brain tumor | |
| TWI743693B (zh) | 良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體 | |
| Zhang et al. | A region‐based segmentation method for ultrasound images in HIFU therapy | |
| Armya et al. | Medical images segmentation based on unsupervised algorithms: a review | |
| TWI802243B (zh) | 超音波影像處理系統及其運作方法 | |
| Sparks et al. | Multiattribute probabilistic prostate elastic registration (MAPPER): application to fusion of ultrasound and magnetic resonance imaging | |
| Byra et al. | Impact of ultrasound image reconstruction method on breast lesion classification with neural transfer learning |