TWI683276B - 病灶偵測裝置及其方法 - Google Patents

病灶偵測裝置及其方法 Download PDF

Info

Publication number
TWI683276B
TWI683276B TW106139059A TW106139059A TWI683276B TW I683276 B TWI683276 B TW I683276B TW 106139059 A TW106139059 A TW 106139059A TW 106139059 A TW106139059 A TW 106139059A TW I683276 B TWI683276 B TW I683276B
Authority
TW
Taiwan
Prior art keywords
lesion
interest
sliding window
target
range
Prior art date
Application number
TW106139059A
Other languages
English (en)
Other versions
TW201918992A (zh
Inventor
張瑞峰
徐振峰
陳鴻豪
陳榮泰
江宗臻
王宥崴
賴信宏
Original Assignee
太豪生醫股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 太豪生醫股份有限公司 filed Critical 太豪生醫股份有限公司
Priority to TW106139059A priority Critical patent/TWI683276B/zh
Priority to CN201711380623.6A priority patent/CN109767417B/zh
Priority to US16/170,058 priority patent/US10650557B2/en
Publication of TW201918992A publication Critical patent/TW201918992A/zh
Application granted granted Critical
Publication of TWI683276B publication Critical patent/TWI683276B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4312—Breast evaluation or disorder diagnosis

Abstract

本發明提供一種病灶偵測裝置及其方法。在此方法中，先取得醫療影像。決定目標病灶之大小及滑動視窗，此滑動視窗的邊長係至少為目標病灶之兩倍邊長。透過滑動視窗滑動掃描醫療影像，此滑動視窗每次滑動距離不大於目標病灶之邊長。基於掃描結果取得興趣範圍。基於機器學習技術辨識興趣範圍，再進行聚合病灶候選及多重尺寸聚合以確定病灶位置。藉此，能有效提升運算時間，更能提升偵測精確度。

Description

病灶偵測裝置及其方法
本發明是有關於一種醫療影像偵測，且特別是有關於一種病灶偵測裝置及其方法。
現今臨床上已廣泛使用電腦輔助偵測（Computer Aided Detection；CADe）系統來自動辨識腫瘤、腫塊或鈣化點等病灶，以輔助醫生診療之判斷。然而，現今的電腦輔助偵測技術仍存在許多缺點，例如，高偽陽性的風險等精準度問題、及偵測效率問題，且精準度及偵測效率往往不能兼顧。例如，為了提高偵測精準度，現有電腦輔助偵測可能會將不同興趣區域(Region of Interest，ROI)、或興趣體積(Volume of Interest，VOI)重疊範圍提高，但卻造成ROI或VOI數量過多，從而拖慢偵測速度。由此可知，有必要改善針對醫療影像的病灶偵測技術。
有鑑於此，本發明提供一種病灶偵測裝置及其方法，提供更有效率的滑動偵測技術，並有效提升偵測精準度。
本發明的病灶偵測方法，其包括下列步驟。取得醫療影像。決定目標病灶之大小及滑動視窗，此滑動視窗的邊長係至少為目標病灶之兩倍邊長。透過滑動視窗滑動掃描醫療影像，此滑動視窗每次滑動距離不大於目標病灶之邊長。基於掃描結果取得興趣範圍。辨識興趣範圍以確定病灶位置。
在本發明的一實施例中，上述辨識興趣範圍以確定病灶位置包括下列步驟。辨識興趣範圍以決定病灶候選。將病灶候選中相距小於相異門檻值的病灶候選聚合成一群組。
在本發明的一實施例中，上述辨識興趣範圍以決定病灶候選包括下列步驟。透過機器學習技術自興趣範圍決定病灶候選。
在本發明的一實施例中，上述辨識興趣範圍以確定病灶位置之後，更包括下列步驟。調整目標病灶大小。依據調整之目標病灶之大小再次掃描醫療影像。依據不同大小之目標病灶的掃描結果來確定病灶位置。
本發明的病灶偵測裝置，其包括儲存器及處理器。儲存器記錄數個模組及醫療影像。處理器耦接儲存器，且存取並載入儲存器所記錄的那些模組。那些模組包括興趣範圍取出模組、及病灶確認模組。興趣範圍取出模組取得醫療影像，決定目標病灶之大小及滑動視窗，透過滑動視窗滑動掃描醫療影像，並基於掃描結果取得興趣範圍，此滑動視窗的邊長係至少為目標病灶之兩倍邊長，且滑動視窗每次滑動距離不大於目標病灶之邊長。而病灶確認模組辨識識別範圍以確定病灶位置。
在本發明的一實施例中，上述的滑動視窗的邊長係滑動距離之兩倍。
在本發明的一實施例中，上述的那些模組包括病灶辨識模組及候選聚合模組。病灶辨識模組辨識興趣範圍以決定病灶候選。候選聚合模組將病灶候選中相距小於相異門檻值的病灶候選聚合成一群組。
在本發明的一實施例中，上述的病灶辨識模組透過機器學習技術自興趣範圍決定病灶候選。
在本發明的一實施例中，上述的那些模組更包括多重尺寸聚合模組，其調整目標病灶之大小，而興趣範圍取出模組依據調整之目標病灶之大小再次掃描醫療影像，多重尺寸聚合模組並依據不同大小之目標病灶的辨識結果，使病灶確認模組確定病灶位置。
基於上述，本發明實施例設定的滑動視窗大小及滑動距離，相較於習知興趣區域取出僅移動一畫素的效率更高，且結合機器學習、候選聚合、多重尺寸聚合等技術進一步提升偵測精確度。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
圖1是依據本發明一實施例之病灶偵測裝置1之元件方塊圖。請參照圖1，病灶偵測裝置1至少包括但不僅限於儲存器110及處理器120。此病灶偵測裝置1可能係電腦主機、伺服器甚至是裝備在即時醫療影像掃描器上。
儲存器110可以係任何型態的固定或可移動隨機存取記憶體(RAM)、唯讀記憶體(ROM)、快閃記憶體(flash memory)、傳統硬碟(hard disk drive)、固態硬碟(solid-state drive)或類似元件，並用以記錄興趣範圍取出模組111、病灶辨識模組112、候選聚合模組113、多重尺寸聚合模組114及病灶確認模組115等軟體程式、二維或三維醫療影像(例如，自動乳房超音波(automated breast ultrasound；ABUS)、斷層層析(tomosynthesis)、磁共振顯影(magnetic resonance imaging：MRI)等各種影像)、目標病灶之大小、滑動視窗大小、滑動距離、病灶候選、病灶位置相關資料及資訊。前述模組、資料、檔案及資訊待後續實施例再詳細說明。
處理器120與儲存器110連接，並可以是中央處理單元(CPU)，或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位信號處理器(DSP)、可程式化控制器、特殊應用積體電路(ASIC)或其他類似元件或上述元件的組合。在本發明實施例中，處理器120用以執行病灶偵測裝置1的所有作業，且可存取並執行上述儲存器110中記錄的模組。
為了方便理解本發明實施例的操作流程，以下將舉諸多實施例詳細說明本發明實施例中病灶偵測裝置1對醫療影像的偵測方法。圖2是依據本發明一實施例說明一種病灶偵測方法之流程圖。請參照圖2，本實施例的方法適用於圖1中的病灶偵測裝置1。下文中，將搭配病灶偵測裝置1的各項元件及模組說明本發明實施例所述之方法。本方法的各個流程可依照實施情形而隨之調整，且並不僅限於此。
經擷取網路封包、用戶上傳、透過外部或內建儲存媒介(例如，隨身碟、光碟、外接硬碟等)甚至是直接透過外部或內建影像擷取單元(例如，照相機、攝影機等)即時成像，而使醫療影像儲存於儲存器110中，興趣範圍取出模組111即可取得一張或更多張醫療影像(步驟S210)。
接著，興趣範圍取出模組111決定目標病灶之大小及滑動視窗(步驟S220)。具體而言，本實施例係採用滑動視窗之物件偵測技術來取出興趣區域(Region of Interest，ROI)、或針對三維影像的興趣體積(Volume of Interest，VOI)。興趣範圍取出模組111會設定特定腫瘤(tumor)、腫塊(lesion)、微鈣化(microcalcification)等各種病灶的大小為偵測基準，而由於醫療影像中病灶周圍的資訊(例如，陰影、強度分佈等)有助於辨識此病灶，因此若目標病灶之邊長(假設可大致包含目標病灶一正方形或正方體之邊長、一圓形或球體之直徑、或其他多邊形或體兩邊最大垂直距離等)為LT，則滑動視窗的邊長係至少為目標病灶之兩倍邊長2*LT (例如，2*LT、2.5*LT、2.6*LT等)。而當滑動視窗(其形狀係正方形或體、或其他多邊形或體)每次滑動時，滑動視窗範圍內的影像會被掃瞄且興趣範圍會被取出。此外，滑動視窗每次滑動距離(stride)亦是影響效能的一大因素，雖然採用較小的滑動距離可使醫療影像中的病灶有較高的機會被完全覆蓋，然最終會造成取出興趣範圍的數量過多。事實上，病灶的尺寸應不大於目標病灶的尺寸，只要滑動視窗係至少為2*LT且滑動距離不大於LT(例如，LT、0.8*LT、0.5*LT等)，皆能確保病灶可完全被至少一個興趣範圍給覆蓋。最佳的情況是，若滑動距離設為LT，則產生覆蓋整個病灶的興趣範圍同時將可有效減少執行時間。而滑動視窗的邊長可設為滑動距離之兩倍。
當決定目標病灶、滑動視窗及滑動距離決定後，興趣範圍取出模組111即可透過設定的滑動視窗滑動掃描醫療影像(步驟S230)，自特定起始位置並每次移動設定的滑動距離依序掃描醫療影像，每移動至一定點即掃描滑動視窗內的影像，即可基於掃描結果取得一個或更多個興趣範圍(步驟S240)。
以圖3A-3D為例，假設醫療影像係二維影像，請先參照圖3A，假設目標病灶TF之邊長為LF，則滑動視窗SW(形狀係正方形)的邊長LW可設為2*LF，使滑動視窗SW可完整地覆蓋目標病灶TF。請接著參照圖3B-3D，滑動視窗SW每次移動滑動距離ST(設為LF，即滑動視窗SW邊長LW之二分之一)並取得ROI，且當滑動視窗SW移動至圖3D所示位置時將可覆蓋完整的病灶。
而取得興趣範圍後，即可對這些興趣範圍進一步辨識，使病灶辨識模組112確定一個或更多個病灶位置(步驟S250)。具體而言，病灶辨識模組112會辨識這些興趣範圍以決定一個或多個病灶候選。而於本實施例中，每一興趣範圍將會透過機器學習(machine learning)技術來決定病灶候選。機器學習技術針對影像辨識，可透過諸如AlexNet、VGGNet-16、ResNet-34等各種卷積神經網路(Convolutional Neural Network，CNN)架構、其他神經網路、深度簡明(brief)網路、循環(recurrent)神經網路等深度學習架構來應用於本實施例中，以透過這些架構來估測興趣範圍內存在病灶的似然度，並據以分類，且將似然度大於門檻值的興趣範圍作為病灶候選。需說明的是，本發明實施例採用深度學習技術係在於其精確度及執行效率高等優點，然於其他實施例中，亦可採用其他決策樹(decision tree)、人工神經網路(artificial neural network，ANN)、支援向量機(support vector machine，SVM)等其他機器學習技術、甚至是其他影像偵測技術來判斷興趣範圍內是否存在病灶。
值得注意的是，醫療影像中實際病灶可能係由前述決定的數個重疊病灶候選所包覆(如圖3A-3D的ROI都偵測到相同病灶而作為病灶候選)，因此候選聚合模組113進一步將這些病灶候選中相距小於相異(dissimilarity)門檻值的病灶候選聚合成一個群組，從而決定病灶集合。具體而言，候選聚合模組113係基於階層群集(hierarchical clustering，HC)，在階層群集中，連結的準則係判斷資料集合之間距離上的相異程度。當兩集合間的相異程度小於門檻值時，即可將此二集合結合成一個群集。
請參照圖4的相異門檻值之決定。於本實施例中，由於可覆蓋病灶(尺寸小於目標病灶邊長LF)之兩興趣範圍之中心點的最長歐基里德(Euclidean)距離是
Figure 02_image001
，因此相異門檻值LT可設為
Figure 02_image001
。本實施例的階層群集可整理成下表(1)(假設a、b分別代表兩興趣範圍中心點的位置)： 表(1) 最終，位於相同群集的所有中心點會加權平均成為單一位置，以作為聚合群集的中心點，其中賦予各病灶候選的權重值係其估測的似然度。
以圖5A-5E為例，請先參照圖5A-5C，任一病灶候選與其最鄰近的病灶候選相距小於相異門檻值，將歸類至同一群組G中。請接著參照圖5D-5E，當病灶候選與最鄰近的另一病灶候選相距大於相異門檻值時，將歸類至不同群組G1、G2。而同一群組的病灶候選即可被病灶確認模組115認定為屬於同一病灶(下稱病灶集合)。
值得注意的是，當使用較低相異門檻值時，較多病灶候選將會出現且密集分佈在體積周圍，最終階層群集所使用最鄰近準則將會把過多病灶候選歸類到一個群組，並使病灶集合所覆蓋到實際病灶的範圍產生差異。因此，為了減緩過度聚合，群組大小(單一群組中病灶候選的個數)須加以限制，且似然度較高的病灶候選應優先被聚合。於本實施例中，最大群組大小可稱為聚合程度(degree of aggregation，DoA)，而由於實際病灶(其大小應小於目標病灶之大小(邊長為LF))可被最多八個邊長為2*LF的興趣範圍給完全覆蓋，因此最佳DoA將不會大於八。由此可知，經機器學習技術分類後，病灶候選將藉由刪除病灶似然度小於門檻值且所述群組大小大於DoA的興趣範圍而被挑選出。
需說明的是，前述相異門檻值(即，
Figure 02_image001
)及聚合程度(即，8)係以三維興趣體積(VOI)所推得，然其數值會因醫療影像或興趣範圍的維度(例如，二維、三維)而變更，本發明不加以限制。
事實上，透過前述步驟即可確認病灶位置，但為了進一步提升偵測的精準度，多重尺寸聚合模組114會調整欲偵測目標病灶之大小，而興趣範圍取出模組111則依據調整之目標病灶之大小再次掃描醫療影像以取得不同大小之興趣範圍。多重尺寸聚合模組114並依據不同大小之目標病灶的辨識結果，使病灶確認模組115透過最大似然估測(maximum likelihood)或經加權平均的最大似然估測確定病灶位置。換言之，前述步驟將伴隨著不同大小之目標病灶分別執行多次(兩次、三次、五次等)，最終不同大小之目標病灶所決定的病灶集合可能會相互重疊。而由於不同大小之目標病灶所決定的病灶集合係由聚合數個病灶候選所形成，因此可使用病灶候選的最大似然度來代表各病灶集合的似然度。接著，多重尺寸聚合模組114可選擇具有最高似然度的病灶集合，並將覆蓋此病灶集合中心的其他集合拋棄，直到沒有其他集合重疊，病灶確認模組115即可依據最後所存的病灶集合確認病灶位置及尺寸。
綜上所述，本發明實施例在滑動視窗的物件偵測技術中，針對不同維度(例如，二維、三維)之醫療影像，採用較佳的參數(即，滑動視窗的邊長至少係目標病灶之兩倍邊長，且每次滑動距離不大於目標病灶之邊長)來取得興趣區域或興趣體積，從而提升運算速度，但仍維持精確度。接著，結合機器學習技術、候選聚合及多重尺寸聚合等步驟，更加輔助確認病灶位置及尺寸，並為電腦輔助偵測技術帶來突破性的進步。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
1‧‧‧病灶偵測裝置110‧‧‧儲存器111‧‧‧興趣範圍取出模組112‧‧‧病灶辨識模組113‧‧‧候選聚合模組114‧‧‧多重尺寸聚合模組115‧‧‧病灶確認模組120‧‧‧處理器S210~S250‧‧‧步驟SW‧‧‧滑動視窗LW‧‧‧滑動視窗之邊長TF‧‧‧目標病灶LF‧‧‧目標病灶之邊長ST‧‧‧滑動距離a、b‧‧‧兩興趣範圍中心點的位置G、G1、G2‧‧‧群組
圖1是依據本發明一實施例之病灶偵測裝置的元件方塊圖。 圖2是依據本發明一實施例之病灶偵測方法的流程圖。 圖3A-3D是一範例說明滑動掃描流程。 圖4是一範例說明相異門檻值。 圖5A-5E是一範例說明候選聚合流程。
S210~S250‧‧‧步驟

Claims (8)

  1. 一種病灶偵測方法，包括：取得一醫療影像；決定一目標病灶之大小及一滑動視窗，其中該滑動視窗的邊長係至少為該目標病灶之兩倍邊長；透過該滑動視窗滑動掃描該醫療影像，其中，該滑動視窗對應於該醫療影像的一部分，且該滑動視窗每接收一滑動指令時，掃描該滑動視窗對應於該醫療影像的部分，其中該滑動視窗每次滑動距離不大於該目標病灶之邊長；基於掃描結果取得至少一興趣範圍；辨識該至少一興趣範圍以決定至少一病灶候選；將該至少一病灶候選中相距小於相異門檻值的病灶候選聚合成至少一群組，其中，相同群組的病灶候選對應於一實際病灶；以及依據該至少一群組確定至少一病灶位置。
  2. 如申請專利範圍第1項所述的病灶偵測方法，其中該滑動視窗的邊長係該滑動距離之兩倍。
  3. 如申請專利範圍第1項所述的病灶偵測方法，其中辨識該至少一興趣範圍以決定該至少一病灶候選的步驟，包括：透過一機器學習技術自該至少一興趣範圍決定該至少一病灶候選。
  4. 如申請專利範圍第1項所述的病灶偵測方法，其中辨識該至少一興趣範圍以確定至少一病灶位置之後，更包括：調整該目標病灶之大小；依據調整之該目標病灶之大小再次掃描該醫療影像；以及依據不同大小之目標病灶的掃描結果來確定該至少一病灶位置。
  5. 一種病灶偵測裝置，包括：一儲存器，記錄多個模組及一醫療影像；以及一處理器，耦接該儲存器，且存取並載入該儲存器所記錄的該些模組，該些模組包括：一興趣範圍取出模組，取得該醫療影像，決定一目標病灶之大小及一滑動視窗，透過該滑動視窗滑動掃描該醫療影像，並基於掃描結果取得至少一興趣範圍，其中，該滑動視窗對應於該醫療影像的一部分，且該滑動視窗每接收一滑動指令時，掃描該滑動視窗對應於該醫療影像的部分，其中，該滑動視窗的邊長係至少為該目標病灶之兩倍邊長，而該滑動視窗每次滑動距離不大於該目標病灶之邊長；以及一病灶辨識模組，辨識該至少一興趣範圍以決定至少一病灶候選；一候選聚合模組，將該至少一病灶候選中相距小於相異門檻值的病灶候選聚合成至少一群組，其中，相同群組的病灶候選對應於一實際病灶；以及 一病灶確認模組，辨識該至少一興趣範圍中的該至少一群組，以確定至少一病灶位置。
  6. 如申請專利範圍第5項所述的病灶偵測裝置，其中該滑動視窗的邊長係該滑動距離之兩倍。
  7. 如申請專利範圍第5項所述的病灶偵測裝置，其中該病灶辨識模組透過一機器學習技術自該至少一興趣範圍決定該至少一病灶候選。
  8. 如申請專利範圍第5項所述的病灶偵測裝置，其中該些模組更包括：一多重尺寸聚合模組，調整該目標病灶之大小，而該興趣範圍取出模組依據調整之該目標病灶之大小再次掃描該醫療影像，該多重尺寸聚合模組並依據不同大小之目標病灶的辨識結果，使該病灶確認模組確定該至少一病灶位置。
TW106139059A 2017-11-10 2017-11-10 病灶偵測裝置及其方法 TWI683276B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW106139059A TWI683276B (zh) 2017-11-10 2017-11-10 病灶偵測裝置及其方法
CN201711380623.6A CN109767417B (zh) 2017-11-10 2017-12-20 病灶检测装置及其方法
US16/170,058 US10650557B2 (en) 2017-11-10 2018-10-25 Focus detection apparatus and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106139059A TWI683276B (zh) 2017-11-10 2017-11-10 病灶偵測裝置及其方法

Publications (2)

Publication Number Publication Date
TW201918992A TW201918992A (zh) 2019-05-16
TWI683276B true TWI683276B (zh) 2020-01-21

Family

ID=66432859

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106139059A TWI683276B (zh) 2017-11-10 2017-11-10 病灶偵測裝置及其方法

Country Status (3)

Country Link
US (1) US10650557B2 (zh)
CN (1) CN109767417B (zh)
TW (1) TWI683276B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883769A (zh) * 2020-01-15 2021-06-01 赛义德·皮拉斯特 一种识别无人机航拍视频内人类交互行为的方法
CN112037218B (zh) * 2020-09-15 2022-08-09 嘉兴市第一医院 一种基于ct影像的新冠肺炎量化分析方法
CN117635613B (zh) * 2024-01-25 2024-04-16 武汉大学人民医院（湖北省人民医院） 一种眼底病灶监测装置及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI543750B (zh) * 2014-02-25 2016-08-01 財團法人金屬工業研究發展中心 微波成像方法及應用其之成像系統與骨質評估方法
TWI552013B (zh) * 2012-07-26 2016-10-01 萬國商業機器公司 對患者組織超音波衰減影像中可疑關注區域分類之方法、裝置和電腦程式產品

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7466848B2 (en) 2002-12-13 2008-12-16 Rutgers, The State University Of New Jersey Method and apparatus for automatically detecting breast lesions and tumors in images
US7916933B2 (en) * 2007-01-18 2011-03-29 Northrop Grumman Systems Corporation Automatic target recognition system for detection and classification of objects in water
US20100158332A1 (en) 2008-12-22 2010-06-24 Dan Rico Method and system of automated detection of lesions in medical images
CN102596037B (zh) * 2009-10-30 2016-03-16 皇家飞利浦电子股份有限公司 对图像数据表示的病灶的三维分析
JP5675229B2 (ja) * 2010-09-02 2015-02-25 キヤノン株式会社 画像処理装置及び画像処理方法
TW201232427A (en) 2011-01-28 2012-08-01 Avermedia Information Inc Human face detection method and computer product thereof
KR101580254B1 (ko) * 2012-03-14 2015-12-24 삼성전자 주식회사 주파수 영역에서의 의료 영상 진단 장치 및 방법
CN103455821B (zh) 2012-05-29 2019-05-28 北京三星通信技术研究有限公司 基于bi-rads的图像分析装置和方法
WO2015016784A1 (en) 2013-08-01 2015-02-05 National University Of Singapore A method and apparatus for tracking microblog messages for relevancy to an entity identifiable by an associated text and an image
KR20150098119A (ko) 2014-02-19 2015-08-27 삼성전자주식회사 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법
CN103942786B (zh) * 2014-04-09 2016-08-31 北京航空航天大学 无人机可见光和红外图像的自适应团块目标检测方法
KR20160032586A (ko) 2014-09-16 2016-03-24 삼성전자주식회사 관심영역 크기 전이 모델 기반의 컴퓨터 보조 진단 장치 및 방법
KR20160049897A (ko) 2014-10-28 2016-05-10 삼성전자주식회사 연속적인 의료 영상을 이용한 컴퓨터 보조 진단 장치 및 방법
CN104408461B (zh) * 2014-11-05 2018-03-16 浙江工业大学 一种基于滑动窗口局部匹配窗口的动作识别方法
KR102307356B1 (ko) 2014-12-11 2021-09-30 삼성전자주식회사 컴퓨터 보조 진단 장치 및 방법
JP2019008337A (ja) 2015-10-26 2019-01-17 三郎 山内 物体識別システム、物体識別方法、プログラム及びコンピュータ記憶媒体
US9881234B2 (en) 2015-11-25 2018-01-30 Baidu Usa Llc. Systems and methods for end-to-end object detection
US9589374B1 (en) * 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
CN106339591B (zh) 2016-08-25 2019-04-02 汤一平 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统
CN106372390B (zh) 2016-08-25 2019-04-02 汤一平 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统
CN107247962B (zh) * 2017-05-23 2019-07-05 华中科技大学 一种基于滑动窗口的实时电器识别方法和系统
CN107203995A (zh) * 2017-06-09 2017-09-26 合肥工业大学 内窥镜影像智能分析方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI552013B (zh) * 2012-07-26 2016-10-01 萬國商業機器公司 對患者組織超音波衰減影像中可疑關注區域分類之方法、裝置和電腦程式產品
TWI543750B (zh) * 2014-02-25 2016-08-01 財團法人金屬工業研究發展中心 微波成像方法及應用其之成像系統與骨質評估方法

Also Published As

Publication number Publication date
TW201918992A (zh) 2019-05-16
US20190147629A1 (en) 2019-05-16
CN109767417B (zh) 2023-11-03
CN109767417A (zh) 2019-05-17
US10650557B2 (en) 2020-05-12

Similar Documents

Publication Publication Date Title
JP6631808B2 (ja) 虹彩利用生体認証のための装置および方法
Tombari et al. Classification and evaluation of cost aggregation methods for stereo correspondence
TWI683276B (zh) 病灶偵測裝置及其方法
CN105046197B (zh) 基于聚类的多模板行人检测方法
El-Regaily et al. Survey of computer aided detection systems for lung cancer in computed tomography
CN105266845B (zh) 用于基于探头速度支持计算机辅助诊断的设备和方法
JP6819898B2 (ja) 自動３ｄ脳腫瘍セグメンテーション及び分類
US20150098645A1 (en) Method, apparatus and system for selecting a frame
Taha et al. Automatic polyp detection in endoscopy videos: A survey
WO2016185617A1 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
JP2013513167A (ja) プルーニング機能、画像スケーリング、および、空間制約付き特徴マッチングによる画像認識アルゴリズムの性能の改善
JP2007307358A (ja) 画像処理方法および装置ならびにプログラム
JP2010530270A (ja) Ｃｔ画像データにおける出血性脳卒中の検出
JP2008142542A (ja) クラスタ変更グラフ・カットを使用する検出の方法および装置
CN111860587B (zh) 一种用于图片小目标的检测方法
JP2006325937A (ja) 画像判定装置、画像判定方法およびそのプログラム
US20160133028A1 (en) Apparatus and method for avoiding region of interest re-detection
JP2006006359A (ja) 画像生成装置、画像生成装置方法、およびそのプログラム
JP2006527051A5 (zh)
EP3712845B1 (en) Image identifying method and image identifying device
JP2023517058A (ja) 画像処理に基づく腫瘍の自動検出
CN114399731B (zh) 一种单粗点监督下的目标定位方法
CN110705569A (zh) 一种基于纹理特征的图像局部特征描述子提取方法
JP2013250796A (ja) 番号標検出装置、番号標検出方法及びコンピュータプログラム
JP2005034211A (ja) 画像判別装置、方法およびプログラム