TWI817884B - 影像偵測系統及其運作方法 - Google Patents
影像偵測系統及其運作方法 Download PDFInfo
- Publication number
- TWI817884B TWI817884B TW112100035A TW112100035A TWI817884B TW I817884 B TWI817884 B TW I817884B TW 112100035 A TW112100035 A TW 112100035A TW 112100035 A TW112100035 A TW 112100035A TW I817884 B TWI817884 B TW I817884B
- Authority
- TW
- Taiwan
- Prior art keywords
- images
- neural network
- image
- group
- limit value
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 210000004556 brain Anatomy 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 36
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 10
- 238000002610 neuroimaging Methods 0.000 claims 1
- 238000011017 operating method Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 7
- 230000002490 cerebral effect Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 108010017480 Hemosiderin Proteins 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000007278 cognition impairment Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007570 microbleeding Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Landscapes
- Inspection Of Paper Currency And Valuable Securities (AREA)
Abstract
本發明提出一種影像偵測系統的運作方法，其包含以下步驟。將複數個磁振造影影像進行正規化處理，以得出複數個正規化影像；透過第一神經網路從複數個正規化影像中提取出複數個實質腦影像；透過第二神經網路從複數個實質腦影像中初步判斷至少一候選區域；將至少一候選區域對應於複數個磁振造影影像中一組影像區域進行灰階變化處理以得出一組新候選影像區域，進而將此組新候選影像區域與複數個磁振造影影像中其餘區域合併以做為複數個輸入影像；透過第三神經網路從複數個輸入影像中判定偵測結果。
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影像偵測系統及其運作方法。
腦部微出血是近年來日漸受到重視的一個症狀。有許多研究顯示腦部微出血是腦中風、癡呆與認知障礙等病因的診斷指標，隨著腦部微出血數目增加，認知缺陷逐漸加重。因此，是否能夠正確計數腦部微出血為一重要課題。
然而，在腦部微出血的意義越來越重要的情況下，臨床上醫師診斷患者時須從醫學影像上以肉眼進行觀察，往往耗費大量的時間與心力。
本發明提出一種影像偵測系統及其運作方法，改善先前技術的問題。
在本發明的一實施例中，本發明所提出的影像偵測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：將複數個磁振造影影像進行正規化處理，以得出複數個正規化影像；透過第一神經網路從複數個正規化影像中提取出複數個實質腦影像；透過第二神經網路從複數個實質腦影像中初步判斷至少一候選區域；將至少一候選區域對應於複數個磁振造影影像中一組影像區域進行灰階變化處理以得出一組新候選影像區域，進而將此組新候選影像區域與複數個磁振造影影像中其餘區域合併以做為複數個輸入影像；透過第三神經網路從複數個輸入影像中判定偵測結果。
在本發明的一實施例中，正規化處理從複數個磁振造影影像中排除灰階極端值，以得出複數個正規化影像。
在本發明的一實施例中，第一神經網路為遮罩區域卷積神經網路，遮罩區域卷積神經網路從複數個正規化影像中提取出複數個實質腦影像以濾除掉背景資訊。
在本發明的一實施例中，第二神經網路為YOLO神經網路，灰階變化處理先將此組影像區域正規化到下限值至上限值之間，接著將此組影像區域的整體灰階值乘上預定倍數，並將此組影像區域的整體灰階值超過上限值的部分設為上限值，進而以上限值減去將此組影像區域的整體灰階值。
在本發明的一實施例中，複數個輸入影像為複數個三維輸入影像，第三神經網路為三維卷積神經網路，三維卷積神經網路分析複數個三維輸入影像以得出偵測結果。
在本發明的一實施例中，本發明所提出的影像偵測系統的運作方法包含以下步驟：將複數個磁振造影影像進行正規化處理，以得出複數個正規化影像；透過第一神經網路從複數個正規化影像中提取出複數個實質腦影像；透過第二神經網路從複數個實質腦影像中初步判斷至少一候選區域；將至少一候選區域對應於複數個磁振造影影像中一組影像區域進行灰階變化處理以得出一組新候選影像區域，進而將此組新候選影像區域與複數個磁振造影影像中其餘區域合併以做為複數個輸入影像；透過第三神經網路從複數個輸入影像中判定偵測結果。
在本發明的一實施例中，正規化處理從複數個磁振造影影像中排除灰階極端值，以得出複數個正規化影像。
在本發明的一實施例中，第一神經網路為遮罩區域卷積神經網路，遮罩區域卷積神經網路從複數個正規化影像中提取出複數個實質腦影像以濾除掉背景資訊。
在本發明的一實施例中，第二神經網路為YOLO神經網路，灰階變化處理先將此組影像區域正規化到下限值至上限值之間，接著將此組影像區域的整體灰階值乘上預定倍數，並將此組影像區域的整體灰階值超過上限值的部分設為上限值，進而以上限值減去將此組影像區域的整體灰階值。
在本發明的一實施例中，複數個輸入影像為複數個三維輸入影像，第三神經網路為三維卷積神經網路，三維卷積神經網路分析複數個三維輸入影像以得出偵測結果。
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。藉由本發明的影像偵測系統及其運作方法，透過三個不同神經網路所串連而成的架構，一步步地對影像進行操作，得到更加準確的偵測結果。
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影像偵測系統100，其可應用在電腦，或是廣泛地運用在相關之技術環節。本技術態樣之影像偵測系統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圖來說明影像偵測系統100之具體實施方式。
應瞭解到，影像偵測系統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。
第1圖是依照本發明一實施例之一種影像偵測系統100的方塊圖。如第1圖所示，影像偵測系統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，影像偵測系統100電性連接核磁造影機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線路間接連線至處理器120。
於使用時，核磁造影機190可取得病人的磁振造影影像，儲存裝置110可儲存病人的磁振造影影像。儲存裝置110儲存至少一指令，處理器120用以存取並執行至少一指令以：取得複數個磁振造影影像。實作上，舉例而言，磁振造影影像可為磁敏感性加權影像（susceptibility weighted angiography, SWAN）。應瞭解到，腦部微出血（cerebral microbleeds, CMBs）是一種微小血管病變導致的含鐵血黃素沉積，通常在磁敏感性加權影像表現得最為明顯，呈現均值黑色低信號病灶，多數其直徑大小在 2~5 mm，病灶周圍無水腫。
接下來，處理器120用以存取並執行至少一指令以：將複數個磁振造影影像進行正規化處理，以得出複數個正規化影像。在本發明的一實施例中，上述的正規化處理從複數個磁振造影影像中排除灰階極端值，以得出複數個正規化影像，從而避免極端值正規化時影響影像的強度。
應瞭解到，不同的數據有時在強度值的範圍不同，或是相同的特徵在影像上明亮不同，如果直接輸入進去神經網路進行訓練，可能就會導致模型的誤判。再者，由於醫學影像（如：磁振造影影像）為三維數據影像，要對其操作的話需要將其切面（slice）存成一張張的圖片，並在存取時將影像強度統一正規化。因此，實作上，舉例而言，本發明將磁振造影影像透過上述正規化處理，使其灰階強度值分布於0-255之間，上述正規化處理將灰階值強度取中間的96%分布，排除上下各2%的極端值。
接下來，處理器120用以存取並執行至少一指令以：透過第一神經網路從複數個正規化影像中提取出複數個實質腦影像。
應瞭解到，由於腦部微出血分布於實質腦上，其餘的頭皮與顱骨並不會有病灶的出現，在第一神經網路的模型的訓練上屬於背景。為了排除這些雜訊使模型更為精準，訓練速度更加快速，在本發明的一實施例中，第一神經網路可為遮罩區域卷積神經網路（Mask R-CNN），遮罩區域卷積神經網路具有簡單、快速及準確度高等優點，遮罩區域卷積神經網路從複數個正規化影像中提取出複數個實質腦影像以濾除掉背景資訊（如：頭皮與顱骨）。實務上，遮罩區域卷積神經網路已預先對腦部遮罩訓練過，可以成功以遮罩方式分離出腦實質區塊。
接下來，處理器120用以存取並執行至少一指令以：透過第二神經網路從複數個實質腦影像中初步判斷至少一候選區域。在本發明的一實施例中，第二神經網路為YOLO神經網路（YOLO neural network）。實作上，舉例而言，使用YOLO架構具有單一網路優點，能將物體的邊界框（bounding box）、類別、機率都判斷出來。由於一次觀察整張影像，背景的錯誤偵測率會比區域性卷積神經網路（R-CNN）更低，且網路具有全程（end to end）、速度快、易訓練等優點。實務上，YOLO神經網路，進行初步的腦部微出血偵測，該網路會去分析每一張切面，檢查疑似腦部微出血的區域。由於該階段只是初步偵測，篩選出疑似候選者，所以將篩選條件設置為較不嚴格，以確保能將大部分的候選區域被檢測到。
YOLO網路判斷為候選區域（如：疑似腦部微出血的區域）會將其以框線標記，並記錄其四個角落的座標，之後會由後續的第三神經網路進行更進一步的判斷。
接下來，處理器120用以存取並執行至少一指令以：將至少一候選區域對應於複數個磁振造影影像中一組影像區域進行灰階變化處理以得出一組新候選影像區域，進而將此組新候選影像區域與複數個磁振造影影像中其餘區域合併以做為複數個輸入影像。
在本發明的一實施例中，上述的灰階變化處理先將此組影像區域正規化到下限值（如：0）至上限值（如：1）之間，接著將此組影像區域的整體灰階值乘上預定倍數（如：1.5），並將此組影像區域的整體灰階值超過上限值的部分設為上限值，進而以上限值減去將此組影像區域的整體灰階值。
實作上，舉例而言，經由 YOLO標示出來的候選區域，由座標定位其三維數據，取原本複數個磁振造影影像中16 × 16 × 5大小的影像區域，為了增強數據的強度及對比度，將數據做正規化到0-1區間，接著將其灰階值強度整體乘上1.5，超過1的部分在令其為 1，最後為了方便後面的第三神經網路觀察以1減去所有值。處理過後的此組影像區域，再合併於原檔案的複數個磁振造影影像中其餘區域，成為 16 × 32 × 5大小的輸入影像，做為後續的第三神經網路的輸入進行二分類。
實作上，舉例而言，為了讓腦部微出血區塊增量使模型有較多資料可以訓練，會將訓練集中的微出血檔案（如：上述影像區域）進行水平、垂直、水平垂直翻轉，增量為 4 倍。另外，處理器120亦可將輸入影像再進行上述正規化處理，正規化的輸入影像與未正規化的輸入影像皆做為後續的第三神經網路的輸入影像，藉以實現資料增量，從而提升第三神經網路的準確度。
接下來，處理器120用以存取並執行至少一指令以：透過第三神經網路從複數個輸入影像中判定偵測結果（如：腦部微出血的結果）。在本發明的一實施例中，複數個輸入影像為複數個三維輸入影像，第三神經網路為三維卷積神經網路（3D CNN），三維卷積神經網路分析複數個三維輸入影像以得出偵測結果。實務上，三維卷積神經網路除了 x、y 軸的變化外，對於資料的判斷新增了z軸資訊，對於醫學影像上來說，除了單張切面外，還會對其上下切面的區域進行分析，讓準確度提高。三維卷積神經網路可以是一個二分類網路，判斷數據是否為腦部微出血。
於使用時，顯示器130可顯示關聯於偵測結果的使用者介面。實作上，舉例而言，本發明將上述過程已由圖形使用者介面整合而成，擁有簡易操作、方便查看等功能。主要操作分成四個按鍵，先由Load按鍵選擇檔案讀入，影像會呈現在SWAN欄位上與CMBs detection欄位，右邊的Zoom In欄位則是可以依滑鼠的位置去放大周圍細節。接著點擊Run按鍵開始執行偵測動作，程式會執行一段時間，最終會將結果標記於CMBs detection欄位中呈現，並將微出血個數呈現在界面下方。Export按鍵則是使用者可以將病患資料輸入在上方欄位，按下按鍵後會將資料以excel的格式存取下來，且一併將偵測結果等圖片檔案一起以病患ID為檔名存取。藉此，影像偵測系統100提供一個圖形使用者見面讓操作者方便使用，能夠自由選擇影像，偵測時間快速並隨時查看影像上的局部細節，最後能將結果全部保存下來。
應瞭解到，腦部微出血的偵測僅為例示，實務上，影像偵測系統100可用於偵測各種不同的感興趣區域，且皆具有良好的準確率。
為了對上述影像偵測系統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影像偵測系統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～S206（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（SRAM）、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，將複數個磁振造影影像進行正規化處理，以得出複數個正規化影像。在本發明的一實施例中，正規化處理從複數個磁振造影影像中排除灰階極端值，以得出複數個正規化影像。
於步驟S202，透過第一神經網路從複數個正規化影像中提取出複數個實質腦影像。在本發明的一實施例中，第一神經網路為遮罩區域卷積神經網路，遮罩區域卷積神經網路從複數個正規化影像中提取出複數個實質腦影像以濾除掉背景資訊。
於步驟S203，透過第二神經網路從複數個實質腦影像中初步判斷至少一候選區域。在本發明的一實施例中，第二神經網路為YOLO神經網路。
於步驟S204，將至少一候選區域的座標定位原檔案（如：上述的複數個磁振造影影像）擷取對應得一組影像區域；具體而言，將至少一候選區域對應於複數個磁振造影影像中一組影像區域進行灰階變化處理以得出一組新候選影像區域。在本發明的一實施例中，上述的灰階變化處理先將此組影像區域正規化到下限值至上限值之間，接著將此組影像區域的整體灰階值乘上預定倍數，並將此組影像區域的整體灰階值超過上限值的部分設為上限值，進而以上限值減去將此組影像區域的整體灰階值。
於步驟S205，灰階變化處理後合併；具體而言，將上述的一組新候選影像區域與複數個磁振造影影像中其餘區域合併以做為複數個輸入影像。
於步驟S206，透過第三神經網路從複數個輸入影像中判定偵測結果。在本發明的一實施例中，複數個輸入影像為複數個三維輸入影像，第三神經網路為三維卷積神經網路，三維卷積神經網路分析複數個三維輸入影像以得出偵測結果。
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。藉由本發明的影像偵測系統100及其運作方法200，透過三個不同神經網路所串連而成的架構，一步步地對影像進行操作，得到更加準確的偵測結果。
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:影像偵測系統
110:儲存裝置
120:處理器
130:顯示器
190:核磁造影機
200:運作方法
S201～S206: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影像偵測系統的方塊圖；以及
第2圖是依照本發明一實施例之一種影像偵測系統的運作方法的流程圖。
200:運作方法
S201~S206:步驟
Claims (10)
- 一種影像偵測系統，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： 將複數個磁振造影影像進行一正規化處理，以得出複數個正規化影像； 透過一第一神經網路從該些正規化影像中提取出複數個實質腦影像； 透過一第二神經網路從該些實質腦影像中初步判斷至少一候選區域； 將該至少一候選區域對應於該些磁振造影影像中一組影像區域進行一灰階變化處理以得出一組新候選影像區域，進而將該組新候選影像區域與該些磁振造影影像中其餘區域合併以做為複數個輸入影像；以及 透過一第三神經網路從該些輸入影像中判定一偵測結果。
- 如請求項1所述之影像偵測系統，其中該正規化處理從該些磁振造影影像中排除灰階極端值，以得出該些正規化影像。
- 如請求項1所述之影像偵測系統，其中該第一神經網路為一遮罩區域卷積神經網路，該遮罩區域卷積神經網路從該些正規化影像中提取出該些實質腦影像以濾除掉背景資訊。
- 如請求項1所述之影像偵測系統，其中該第二神經網路為一YOLO神經網路，該灰階變化處理先將該組影像區域正規化到一下限值至一上限值之間，接著將該組影像區域的整體灰階值乘上一預定倍數，並將該組影像區域的整體灰階值超過該上限值的部分設為該上限值，進而以該上限值減去將該組影像區域的整體灰階值。
- 如請求項1所述之影像偵測系統，其中該些輸入影像為複數個三維輸入影像，該第三神經網路為三維卷積神經網路，該三維卷積神經網路分析該些三維輸入影像以得出該偵測結果。
- 一種影像偵測系統的運作方法，該運作方法包含以下步驟： 將複數個磁振造影影像進行一正規化處理，以得出複數個正規化影像； 透過一第一神經網路從該些正規化影像中提取出複數個實質腦影像； 透過一第二神經網路從該些實質腦影像中初步判斷至少一候選區域； 將該至少一候選區域對應於該些磁振造影影像中一組影像區域進行一灰階變化處理以得出一組新候選影像區域，進而將該組新候選影像區域與該些磁振造影影像中其餘區域合併以做為複數個輸入影像；以及 透過一第三神經網路從該些輸入影像中判定一偵測結果。
- 如請求項6所述之運作方法，其中該正規化處理從該些磁振造影影像中排除灰階極端值，以得出該些正規化影像。
- 如請求項6所述之運作方法，其中該第一神經網路為一遮罩區域卷積神經網路，該遮罩區域卷積神經網路從該些正規化影像中提取出該些實質腦影像以濾除掉背景資訊。
- 如請求項6所述之運作方法，其中該第二神經網路為一YOLO神經網路，該灰階變化處理先將該組影像區域正規化到一下限值至一上限值之間，接著將該組影像區域的整體灰階值乘上一預定倍數，並將該組影像區域的整體灰階值超過該上限值的部分設為該上限值，進而以該上限值減去將該組影像區域的整體灰階值。
- 如請求項6所述之運作方法，其中該些輸入影像為複數個三維輸入影像，該第三神經網路為三維卷積神經網路，該三維卷積神經網路分析該些三維輸入影像以得出該偵測結果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112100035A TWI817884B (zh) | 2023-01-03 | 2023-01-03 | 影像偵測系統及其運作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112100035A TWI817884B (zh) | 2023-01-03 | 2023-01-03 | 影像偵測系統及其運作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI817884B true TWI817884B (zh) | 2023-10-01 |
| TW202429471A TW202429471A (zh) | 2024-07-16 |
Family
ID=89857846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112100035A TWI817884B (zh) | 2023-01-03 | 2023-01-03 | 影像偵測系統及其運作方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI817884B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108428225A (zh) * | 2018-01-30 | 2018-08-21 | 李家菊 | 基于多尺度多特征的影像科用脑部图像融合识别方法 |
| TW201901621A (zh) * | 2017-05-17 | 2019-01-01 | 國立臺灣大學 | 產生針對腦部疾病之影像生物標記之方法 |
| US20210225491A1 (en) * | 2017-11-17 | 2021-07-22 | Young Saem AHN | Diagnostic image converting apparatus, diagnostic image converting module generating apparatus, diagnostic image recording apparatus, diagnostic image converting method, diagnostic image converting module generating method, diagnostic image recording method, and computer recordable recording medium |
| CN115311193A (zh) * | 2022-05-11 | 2022-11-08 | 临沂大学 | 一种基于双重注意力机制的异常脑图像分割方法及系统 |
-
2023
- 2023-01-03 TW TW112100035A patent/TWI817884B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201901621A (zh) * | 2017-05-17 | 2019-01-01 | 國立臺灣大學 | 產生針對腦部疾病之影像生物標記之方法 |
| US20210225491A1 (en) * | 2017-11-17 | 2021-07-22 | Young Saem AHN | Diagnostic image converting apparatus, diagnostic image converting module generating apparatus, diagnostic image recording apparatus, diagnostic image converting method, diagnostic image converting module generating method, diagnostic image recording method, and computer recordable recording medium |
| CN108428225A (zh) * | 2018-01-30 | 2018-08-21 | 李家菊 | 基于多尺度多特征的影像科用脑部图像融合识别方法 |
| CN115311193A (zh) * | 2022-05-11 | 2022-11-08 | 临沂大学 | 一种基于双重注意力机制的异常脑图像分割方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
| Amin et al. | A method for the detection and classification of diabetic retinopathy using structural predictors of bright lesions | |
| Fraz et al. | QUARTZ: Quantitative Analysis of Retinal Vessel Topology and size–An automated system for quantification of retinal vessels morphology | |
| US8270688B2 (en) | Method for intelligent qualitative and quantitative analysis assisting digital or digitized radiography softcopy reading | |
| CN101208042B (zh) | 异常阴影候选检测方法、异常阴影候选检测装置 | |
| US20020086347A1 (en) | Method for quantitative analysis of blood vessel structure | |
| JP6215227B2 (ja) | イメージング検査プロトコル更新推奨部 | |
| Diniz et al. | Detection of white matter lesion regions in MRI using SLIC0 and convolutional neural network | |
| TWI719587B (zh) | 眼底圖像定量分析的前置處理方法及存放裝置 | |
| Lu et al. | AI-model for identifying pathologic myopia based on deep learning algorithms of myopic maculopathy classification and “plus” lesion detection in fundus images | |
| Hachaj et al. | CAD system for automatic analysis of CT perfusion maps | |
| Wang et al. | SCCNN: A diagnosis method for hepatocellular carcinoma and intrahepatic cholangiocarcinoma based on siamese cross contrast neural network | |
| Kanca et al. | Learning hand-crafted features for k-NN based skin disease classification | |
| Miao et al. | Classification of diabetic retinopathy based on multiscale hybrid attention mechanism and residual algorithm | |
| Maheswari et al. | A novel approach for retinal lesion detection in diabetic retinopathy images | |
| Feng et al. | Improved detection of focal cortical dysplasia in normal‐appearing FLAIR images using a Bayesian classifier | |
| Wang et al. | Assessment of stroke risk using MRI-VPD with automatic segmentation of carotid plaques and classification of plaque properties based on deep learning | |
| TWI817884B (zh) | 影像偵測系統及其運作方法 | |
| CN112200794A (zh) | 一种基于卷积神经网络的多模型糖网病变自动筛查方法 | |
| Sahoo et al. | Detection of diabetic retinopathy from retinal fundus image using wavelet based image segmentation | |
| Zhou et al. | Computer aided diagnosis for diabetic retinopathy based on fundus image | |
| JP3956234B2 (ja) | 医用画像処理装置 | |
| Yang et al. | Detection of microaneurysms and hemorrhages based on improved Hessian matrix | |
| US20230215153A1 (en) | Automated and assisted identification of stroke using feature-based brain imaging | |
| EP4216153A1 (en) | Skin surface analysis device and skin surface analysis method |