TWM527991U - 醫療影像處理裝置 - Google Patents
醫療影像處理裝置 Download PDFInfo
- Publication number
- TWM527991U TWM527991U TW105201334U TW105201334U TWM527991U TW M527991 U TWM527991 U TW M527991U TW 105201334 U TW105201334 U TW 105201334U TW 105201334 U TW105201334 U TW 105201334U TW M527991 U TWM527991 U TW M527991U
- Authority
- TW
- Taiwan
- Prior art keywords
- breast
- breast tissue
- image
- module
- image processing
- Prior art date
Links
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Description
本新型創作是有關於一種影像處理技術,且特別是有關於一種醫療影像處理裝置。
乳腺癌(mammary carcinoma)是女性常見的惡性腫瘤之一,其主要癥狀包括乳房腫瘤(tumor)、異常分泌物或形狀變異等。提早篩檢出乳房的異常癥狀,將有助於盡早針對腫瘤進行治療,以降低癌細胞惡化或擴散等問題。諸如臨床或自我乳房檢測、活體組織檢查、乳房攝影術(mammography)、超音波(ultrasound)或磁共振(magnetic resonance)顯像等篩檢方式已廣泛在臨床上使用或成為學術研究的重要議題。
據研究指出,與低密度乳房相比,擁有高密度乳房之女性具有相對高的風險罹患乳癌。因此,乳房及乳腺組織的密度分析亦是乳癌評估的重要因素之一。另一方面,雖然現今臨床上已使用電腦輔助偵測(Computer Aided Detection;CADe)系統來自動辨識腫瘤、腫塊或鈣化點,但仍存在高偽陽性率的風險。
本新型創作提供一種醫療影像處理裝置,其可輔助乳腺組織密度分析且有效降低電腦輔助偵測系統之偽陽性。
本新型創作的一種醫療影像處理裝置,其至少包括(但不僅限於)儲存單元及處理單元。儲存單元儲存至少一片段的乳房影像,且記錄數個模組。而處理單元耦接儲存單元,且存取並執行此儲存單元所記錄的模組。而這些模組包括影像輸入模組及乳腺偵測模組。影像輸入模組取得乳房影像。而乳腺偵測模組透過乳腺組織偵測器偵測各乳房影像中的乳腺組織。此乳腺組織偵測器是基於紋理特徵分析。
基於上述,本新型創作實施例所提出的醫療影像處理裝置及其乳房影像處理方法,其可基於紋理特徵分析而偵測乳房影像中的乳腺組織。據此,本新型創作實施例便能提昇偵測乳腺組織的準確性,更能助於乳腺組織密度分析及減少電腦輔助偵測系統之偽陽性。
為讓本新型創作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。
100‧‧‧醫療影像處理裝置
110‧‧‧儲存單元
111‧‧‧影像輸入模組
113‧‧‧乳腺偵測模組
115‧‧‧偵測訓練模組
116‧‧‧密度量化模組
117‧‧‧偽陽性比對模組
118‧‧‧泌乳量評估模組
119‧‧‧左右乳房乳腺密度對稱性測量模組
150‧‧‧處理單元
S210~S230、S515、S535、S559、S570、S750、S830、S1020、S1040‧‧‧步驟
330、410、530‧‧‧乳房訓練影像
331‧‧‧乳腺組織類型
333‧‧‧皮下脂肪類型
335‧‧‧乳腺後脂肪及胸肌類型
337‧‧‧陰影類型
411‧‧‧部份影像
411_1、711、713、715、721、811、813、814、951、953、955‧‧‧影像區塊
551、553、555、557‧‧‧影像區塊群組
610、810、850‧‧‧乳房影像
611、851、853‧‧‧影像區域
圖1是依據本新型創作一實施例說明醫療影像處理裝置的方塊圖。
圖2是依據本新型創作一實施例說明一種乳房影像處理方法流程圖。
圖3是區分類型的範例。
圖4是影像區塊的範例。
圖5是訓練分類器的流程示意圖。
圖6為乳腺組織偵測的範例。
圖7是乳腺組織填補的範例。
圖8是乳腺組織填補的另一範例。
圖9是雜點去除作業的範例。
圖10是輪廓轉換的流程範例。
圖1是依據本新型創作一實施例說明醫療影像處理裝置的方塊圖。請參照圖1,醫療影像處理裝置100至少包括(但不僅限於)儲存單元110及處理單元150。醫療影像處理裝置100可以是伺服器、用戶端、桌上型電腦、筆記型電腦、網路電腦、工作站、個人數位助理(personal digital assistant;PDA)、平板個人電腦(personal computer;PC)等電子裝置,且不以此為限。
儲存單元110可以是任何型態的固定或可移動隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、快閃記憶體(flash memory)或類似元件或上述元件的組合。在本實施例中,儲存單元110係用以儲存至少一片
段的乳房影像及乳房訓練影像、程式碼、裝置組態、緩衝的或永久的資料,並記錄影像輸入模組111、乳腺偵測模組113、偵測訓練模組115、密度量化模組116、偽陽性(false positive)比對模組117、泌乳量評估模組118及左右乳房乳腺密度對稱性測量模組119等軟體程式。前述模組的詳細運作內容待稍後實施例詳細說明。本實施例中所述的儲存單元110並未限制是單一記憶體元件,上述之各軟體模組亦可以分開儲存在兩個或兩個以上相同或不同型態之記憶體元件中。
處理單元150的功能可藉由使用諸如中央處理單元(central processing unit;CPU)、微處理器、微控制器、數位信號處理(digital signal processing;DSP)晶片、場可程式化邏輯閘陣列(Field Programmable Gate Array;FPGA)等可程式化單元來實施。處理單元150的功能亦可用獨立電子裝置或積體電路(integrated circuit;IC)實施,且處理單元150亦可用硬體或軟體實施。
為了方便理解本新型創作實施例的操作流程,以下將舉諸多實施例詳細說明本新型創作實施例中醫療影像處理裝置100進行乳房影像處理的流程。圖2是依據本新型創作一實施例說明一種乳房影像處理方法流程圖。請參照圖2,本實施例的方法適用於圖1中的醫療影像處理裝置100。下文中,將搭配醫療影像處理裝置100中的各項元件及模組說明本新型創作實施例所述之方
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。
在步驟S210中,影像輸入模組111取得至少一片段的乳房影像。此乳房影像可以是自動乳房超音波(automated breast ultrasound;ABUS)、數位乳房斷層層析(digital breast tomosynthesis;DBT)、磁共振顯影(magnetic resonance imaging:MRI)等針對乳房部位的二維或三維醫療影像。在篩檢中,三維影像技術可為癌症風險提供更加可靠乳房密度評估,但本新型創作實施例不僅限於三維影像。
影像輸入模組111可自儲存單元110、透過無線或有線通訊單元(例如,Wi-Fi、乙太網路(Ethernet))、醫學影像掃描器(例如,ABUS掃描儀器、MRI掃描儀器等)或儲存裝置(例如,DVD、隨身碟、硬碟等)取得乳房影像。
在步驟S230中,乳腺偵測模組113透過乳腺組織偵測器偵測各乳房影像中的乳腺組織(Mammary Glandular Tissue)。而此乳腺組織偵測器是基於紋理特徵(texture characteristic)分析。在本實施例中,偵測訓練模組115可基於紋理特徵分析訓練乳腺組織偵測器。
具體而言,在乳腺偵測模組113透過乳腺組織偵測器進行偵測之前,偵測訓練模組115可依據多張乳房訓練影像訓練乳房組織偵測器。偵測訓練模組115可將多張乳房訓練影像的內容
區分成數種特徵類型。這些特徵類型至少包括(但不僅限於)乳腺組織類型、皮下脂肪(Subcutaneous Fat)類型、乳腺後脂肪(Retromammary Fat)及胸肌(Pectroralis Muscle)類型以及陰影(shadow)類型。
圖3是區分類型的範例。請參照圖3,醫療影像處理裝置100可透過顯示單元(例如,液晶顯示器(liquid crystal display;LCD)、電漿顯示器面板(plasma display panel;PDP)、有機發光二極體(organic light emitting diode;OLED)等)顯示乳房訓練影像,並提供輸入單元(例如,觸控裝置、鍵盤、滑鼠等),以接收使用者在乳房訓練影像上的區分操作。偵測訓練模組115可偵測區分操作對應的特徵類型及乳房訓練影像上的選擇區域(或位置)。乳房訓練影像330是經特徵類型區分後的影像,其可能包括乳腺組織類型331、皮下脂肪類型333、乳腺後脂肪及胸肌類型335以及陰影類型337
偵測訓練模組115對這些乳房訓練影像中的數個影像區塊進行該紋理特徵分析。偵測訓練模組115可先定義影像區塊的單位大小(例如,11 * 11、12 * 12或15 * 20像素(pixels)等)。
舉例而言,圖4是影像區塊的範例。請參照圖4,乳房訓練影像410中的部份影像411可以11 * 11像素作為影像區塊的單位大小(例如,影像區塊411_1)。
接著,偵測訓練模組115針對各乳房訓練影像中的各影
像區塊萃取紋理特徵。例如,偵測訓練模組115可利用灰度共生矩陣(gray-level co-occurrence matrix;GLCM)方法,取得八個不同GLCM估測的平均及標準差(standard deviation)、能量(energy)、熵(entropy)、相關度(correlation)、差矩(difference moment)、慣量(inertia)、群聚陰暗度(cluster shade)、群聚突出度(cluster prominence)及哈拉利克相關度(Haralick’s correlation)其中之一或其組合的紋理特徵。需說明的是,偵測訓練模組115亦可採用諸如馬可夫隨機場(Markov Random Field;MRF)、賈柏濾波器(Gabor Filter)等任何紋理特徵相關的演算法來萃取所需的紋理特徵,本新型創作實施例不以此為限。
偵測訓練模組115針對這些特徵類型,基於各影像區塊的紋理特徵分析訓練分類器。換句而言,偵測訓練模組115可判斷所萃取的紋理特徵對應的影像區塊屬於乳腺組織類型、皮下脂肪類型、乳腺後脂肪及胸肌類型以及陰影類型中的何者,且分別針對不同特徵類型,以對應的紋理特徵對分類器進行訓練。
在本實施例中,偵測訓練模組115可透過例如(但不僅限於)邏輯迴歸(Logistic Regression)、支持向量機器(Support Vector Machine;SVM)、類神經網路(Neural network;NN)等將各影像區塊中所萃取的紋理特徵來訓練分類器。
舉例而言,圖5是訓練分類器的流程示意圖。請參照圖5,偵測訓練模組115取得乳房訓練影像,且依據使用者對於各特
徵類型的區分操作(步驟S515),產生乳房訓練影像530。乳房訓練影像530中以不同底色表示不同特徵類型。在步驟S535,偵測訓練模組115針對不同特徵類型對應的影像區塊進行分類,以產生分別對應於乳腺組織類型、皮下脂肪類型、乳腺後脂肪及胸肌類型以及陰影類型的影像區塊群組551、553、555、557。各影像區塊群組551~557中可能具有一或多個影像區塊,相同特徵類型的影像區塊屬於相同的影像區塊群組。在步驟S559中,偵測訓練模組115對各影像區塊群組551~557擷取紋理特徵。而在步驟S570中,偵測訓練模組115以邏輯迴歸模型訓練可區分出不同特徵類型的分類器。
在本實施例中,偵測訓練模組115可將此分類器中針對乳腺組織類型的一者作為乳腺組織偵測器。換句而言,偵測訓練模組115所訓練的分類器可作為乳腺組織類型、皮下脂肪類型、乳腺後脂肪及胸肌類型以及陰影類型等特徵類型的偵測器。
在訓練完成乳腺組織偵測器之後,乳腺偵測模組113便能以乳腺組織偵測器來對影像輸入模組111所取得之乳房影像進行偵測。乳腺偵測模組113可利用偵測訓練模組115所使用的紋理特徵相關演算法來擷取各片段乳房影像中所有或部份影像區塊的紋理特徵,並透過分類器來與偵測訓練模組115所記錄的紋理特徵進行比對,以對影像區塊進行分類。舉例而言,圖6為乳腺組織偵測的範例。請參照圖6,乳房影像610中的影像區域611(以
白底色呈現)為經乳腺組織偵測器偵測出乳腺組織的區域。
由於乳腺組織偵測器是以影像區塊為單位大小(例如,11 * 11、12 * 12或15 * 20像素等)來進行分類,因此經分類器分類的乳房影像會以影像區塊的形式呈現(例如,圖6的乳房影像610由數個影像區塊所組成)。在一實施例中,乳腺偵測模組113進一步對經分類的乳房影像進行影像後處理,以調整乳腺組織的形狀。
乳腺偵測模組113可填補經分類器分類的乳房影像中乳腺組織的至少一個中空區域。乳腺偵測模組113判斷第一影像區塊鄰近是否存在經分類為乳腺組織的至少兩個第二影像區塊。舉例而言,圖7是乳腺組織填補的範例。請參照圖7,左圖是經分類的乳房影像中的部份影像區塊。影像區塊711、713、715經分類器分類成乳腺組織類型,且影像區塊721經分類器分類成皮下脂肪類型。乳腺偵測模組113判斷影像區塊721鄰近存在至少兩個經分類為乳腺組織類別的影像區塊(即,影像區塊711、713、715),便透過填補作業(步驟S750)將影像區塊721轉換成乳腺組織類型。右圖所示為經填補作業的部份影像區塊,影像區塊711、713、715、721皆屬於乳腺組織類別。
需說明的是,將非屬乳腺組織類型的影像區塊轉換成乳腺組織類型的決策機制亦可能是,判斷鄰近影像區塊是否存在一、二或四個屬於乳腺組織類型的影像區塊,且不以此為限。
圖8是乳腺組織填補的另一範例。請參照圖8,經分類的乳房影像810中的影像區塊811、813、814未經分類器分類成乳腺組織類別。在步驟S830中,由於影像區塊811、813、814鄰近存在至少兩個屬於乳腺組織類別的影像區塊,因此乳腺偵測模組113將影像區塊811、813、814進行填補作業,以將這些影像區塊811、813、814轉換成乳腺組織類別。經填補作業的乳房影像850中可區分成分別屬於乳腺組織類別及非屬乳腺組織類別(例如,皮下脂肪類型、陰影類型等)的影像區域851(以白底色呈現)、853(以網底呈現),乳房影像810中的影像區塊811、813、814皆屬於影像區域851。
在一實施例中,乳腺偵測模組113可進一步去除乳腺組織中的雜點區塊。具體而言,經分類的乳房影像中可能存在數個屬於乳腺組織類別且相連的影像區塊,乳腺偵測模組113可決定一或多個相連影像區塊所形成的影像區域(例如,圖8的影像區域851)作為乳腺組織類別的決策影像區域。接著,乳腺偵測模組113將未與決策影像區域相連且屬於乳腺組織類別的影像區塊作為雜點區塊來去除(即,轉換成非屬乳腺組織類別)。舉例而言,圖9是雜點去除作業的範例。圖9的乳房影像850存在影像區塊951、953、955,其未與屬於乳腺組織類別的最大影像區域851相連,即為雜點區塊。乳腺偵測模組113可進行雜點去除作業,以將影像區塊951、953、955轉換成非屬乳腺組織類別的影像區域
853。
接著,乳腺偵測模組113可進一步取得乳腺組織的輪廓。
乳腺偵測模組113可將以影像區塊呈現的乳腺組織輪廓轉換成平滑輪廓。舉例而言,圖10是輪廓轉換的流程範例。請參照圖10,乳腺偵測模組113對乳房影像(例如,經雜點去除作業的乳房影像)進行侵蝕(erosion),再利用高斯濾波器(Gaussian filter)進行模糊化(步驟S1020),以形成模糊化乳房影像。接著,乳腺偵測模組113利用大律二值化(Otsu thresholding;或稱最大類間方差)將乳腺組織轉換成二值化乳房影像(步驟S1040)。而此二值化乳房影像中的乳腺組織區域便是乳腺偵測模組113最後決定的乳腺組織。
在一實施例中,為了判斷是否為緻密乳房(乳腺及結締組織較多,但脂肪較少),密度量化模組116可計算各乳房影像中的乳腺組織面積,且基於乳房影像中的乳腺組織面積,計算乳腺組織量化值。具體而言,密度量化模組116分別前述乳腺偵測模組113所取得各片段乳房影像中乳腺組織面積,將各片段乳房影像的乳腺組織面積除以所屬片段乳房影像的總面積,以計算出各片段乳房影像的乳腺組織密度。密度量化模組116可平均所有片段乳房影像的乳腺組織密度,以計算出乳腺組織量化值。密度量化模組116可進一步依據密度門檻值,判斷乳腺組織量化值是否超過密度門檻值,以決定為緻密乳房。反之,若乳腺組織量化值
未超過密度門檻值,則決定為非緻密乳房。
在另一實施例中,偽陽性比對模組117可利用電腦輔助偵測(CADe)系統偵測至少一個異常位置,且將這些異常位置與對應乳房影像中的乳腺組織進行比對。具體而言,偽陽性比對模組117可記錄前述乳腺偵測模組113所取得各片段乳房影像中乳房組織的乳腺組織位置。處理單元150可另外載入透過電腦輔助偵測程式或經由外部電腦輔助偵測系統,以取得步驟S210所輸入乳房影像中的可疑病變(lesion)(例如,腫瘤、腫塊等)位置(即,異常位置)。偽陽性比對模組117將乳腺組織位置及可疑病變位置進行比對,判斷可疑病變位置是否與乳腺組織位置重疊。由於臨床統計多數病變會沿著腺體長出,故將非位於乳腺組織位置上的可疑病變排除可降低偽陽性(電腦輔助偵測系統判斷為病變,但事實非病變)。換句而言,若偽陽性比對模組117判斷可疑病變位置與乳腺組織位置重疊,則可進一步確認此可疑病變位置上發生病變的機率極高(例如,大於50%、75%、80%等),從而讓醫療人員後續針對此可疑病變位置進一步診斷。
此外,由於乳汁是由乳房中腺體所分泌,因此決定泌乳量的多寡與乳腺的發育及完整度有關。在一實施例中,泌乳量評估模組118可依據密度量化模組116之量化結果以評估泌乳量。
乳腺組織越多表示泌乳量越高,並通常存在正相關。例如,泌乳量評估模組118可判斷乳腺組織量化值是否大於泌乳量門檻值,
以判斷受量測者的泌乳量較高。或者,泌乳量評估模組118可設定5、7或10等層級的泌乳量層級,並判斷乳腺組織量化值位於這些泌乳量層級中的何者。
再一實施例中,左右乳房腺體密度對稱性測量模組119則使用密度量化模組116同時量化左右乳房之乳腺組織密度,並藉由比較左右乳房之乳腺組織密度來判斷對稱性(例如,相差比例等)。左右乳房腺體密度對稱性測量模組119亦可同時透過顯示單元以視覺化方式顯示左右乳房之乳腺組織密度圖(例如,乳腺密度以不同顏色表示不同密度程度)。
在一些實施例中,處理單元150可進一步透過顯示單元呈現諸如乳腺組織量化值、緻密乳房判斷結果、可疑病變位置、乳腺組織位置、泌乳量、左右乳房之乳腺組織密度圖及病變提示訊息等其中的一者或其組合,以協助醫療人員清楚得知檢測狀況。
綜上所述,本新型創作實施例所提出的醫療影像處理裝置及其乳房影像處理方法,其基於諸如灰度共生矩陣、馬可夫隨機場或賈柏濾波器等紋理特徵分析方法來偵測乳房影像中的乳腺組織,且進一步依據偵測出的乳腺組織來計算乳腺組織量化值,並輔助確認電腦輔助偵測系統所偵測的可疑病變。據此,本新型創作實施例可助於提昇偵測乳腺組織的準確性,更能降低電腦輔助偵測系統之偽陽性。
雖然本新型創作已以實施例揭露如上,然其並非用以限
定本新型創作,任何所屬技術領域中具有通常知識者,在不脫離本新型創作的精神和範圍內,當可作些許的更動與潤飾,故本新型創作的保護範圍當視後附的申請專利範圍所界定者為準。
100‧‧‧醫療影像處理裝置
110‧‧‧儲存單元
111‧‧‧影像輸入模組
113‧‧‧乳腺偵測模組
115‧‧‧偵測訓練模組
116‧‧‧密度量化模組
117‧‧‧偽陽性比對模組
118‧‧‧泌乳量評估模組
119‧‧‧左右乳房乳腺密度對稱性測量模組
150‧‧‧處理單元
Claims (10)
- 一種醫療影像處理裝置,包括:一儲存單元,儲存至少一乳房影像,且記錄多個模組;以及一處理單元,耦接該儲存單元,且存取並執行該儲存單元所記錄的該些模組,該些模組包括:一影像輸入模組,取得該至少一乳房影像;以及一乳腺偵測模組,透過一乳腺組織偵測器偵測各該至少一乳房影像中的一乳腺組織,其中該乳腺組織偵測器是基於一紋理特徵分析。
- 如申請專利範圍第1項所述的醫療影像處理裝置,其中該些模組更包括:一偵測訓練模組,將多張乳房訓練影像的內容區分成多種特徵類型,其中該些特徵類型包括一乳腺組織類型,對該些乳房訓練影像中的多個影像區塊進行該紋理特徵分析,且針對該些特徵類型,基於各該些影像區塊的該紋理特徵分析訓練一分類器,其中將該分類器中針對該乳腺組織類型的一者作為該乳腺組織偵測器。
- 如申請專利範圍第2項所述的醫療影像處理裝置,其中該些特徵類型更包括一皮下脂肪類型、一乳腺後脂肪及胸肌類型以及一陰影類型。
- 如申請專利範圍第2項所述的醫療影像處理裝置,其中該乳腺偵測模組填補各該至少一乳房影像中的該乳腺組織,去除該乳腺組織中的雜點區塊,且取得該乳腺組織的輪廓。
- 如申請專利範圍第4項所述的醫療影像處理裝置,其中該乳腺偵測模組判斷一第一影像區塊鄰近是否存在經分類為該乳腺組織的至少兩個第二影像區塊。
- 如申請專利範圍第1項所述的醫療影像處理裝置,其中該些模組更包括:一密度量化模組,計算各該至少一乳房影像中的一乳腺組織面積,且基於該至少一乳房影像中的該乳腺組織面積,計算一乳腺組織量化值。
- 如申請專利範圍第1項所述的醫療影像處理裝置,其中該些模組更包括:一偽陽性比對模組,利用一電腦輔助偵測(Computer Aided Detection;CADe)系統偵測至少一異常位置,且將該至少一異常位置與該至少一乳房影像中的乳腺組織進行比對。
- 如申請專利範圍第6項所述的醫療影像處理裝置,其中該些模組更包括:一泌乳量評估模組,依據該密度量化模組之量化結果以評估泌乳量。
- 如申請專利範圍第6項所述的醫療影像處理裝置,其中該些模組更包括:一左右乳房腺體密度對稱性測量模組,使用該密度量化模組同時量化左右乳房之乳腺組織密度,並藉由比較左右乳房之乳腺組織密度來判斷對稱性。
- 如申請專利範圍第1項所述的醫療影像處理裝置,更包括:一顯示單元,耦接該處理單元,呈現乳腺組織量化值、緻密乳房判斷結果、可疑病變位置、乳腺組織位置、泌乳量、左右乳房之乳腺組織密度圖及病變提示訊息等其中的一者或其組合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105201334U TWM527991U (zh) | 2016-01-28 | 2016-01-28 | 醫療影像處理裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105201334U TWM527991U (zh) | 2016-01-28 | 2016-01-28 | 醫療影像處理裝置 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM527991U true TWM527991U (zh) | 2016-09-01 |
Family
ID=57443623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105201334U TWM527991U (zh) | 2016-01-28 | 2016-01-28 | 醫療影像處理裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM527991U (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10963757B2 (en) | 2018-12-14 | 2021-03-30 | Industrial Technology Research Institute | Neural network model fusion method and electronic device using the same |
TWI727237B (zh) * | 2018-12-14 | 2021-05-11 | 財團法人工業技術研究院 | 神經網路模型融合方法及應用其之電子裝置 |
CN113421633A (zh) * | 2021-06-25 | 2021-09-21 | 上海联影智能医疗科技有限公司 | 特征分类方法、计算机设备和存储介质 |
-
2016
- 2016-01-28 TW TW105201334U patent/TWM527991U/zh not_active IP Right Cessation
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10963757B2 (en) | 2018-12-14 | 2021-03-30 | Industrial Technology Research Institute | Neural network model fusion method and electronic device using the same |
TWI727237B (zh) * | 2018-12-14 | 2021-05-11 | 財團法人工業技術研究院 | 神經網路模型融合方法及應用其之電子裝置 |
CN113421633A (zh) * | 2021-06-25 | 2021-09-21 | 上海联影智能医疗科技有限公司 | 特征分类方法、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mall et al. | Glcm based feature extraction and medical x-ray image classification using machine learning techniques | |
CN107067402B (zh) | 医疗图像处理装置及其乳房图像处理方法 | |
Khalil et al. | Improved automated detection of glaucoma from fundus image using hybrid structural and textural features | |
Maitra et al. | Identification of abnormal masses in digital mammography images | |
KR102058348B1 (ko) | 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치 및 방법 | |
CN109036547A (zh) | 一种基于聚类分析的肺部ct图像计算机辅助系统及方法 | |
TWI587844B (zh) | 醫療影像處理裝置及其乳房影像處理方法 | |
Kayode et al. | An automated mammogram classification system using modified support vector machine | |
US20210204898A1 (en) | Medical image analyzing system and method thereof | |
Ribeiro et al. | Handling inter-annotator agreement for automated skin lesion segmentation | |
TWI839758B (zh) | 醫療影像的處理方法及處理醫療影像的運算裝置 | |
TWM527991U (zh) | 醫療影像處理裝置 | |
TWI574671B (zh) | 乳房影像的分析方法以及其電子裝置 | |
Rabidas et al. | Characterization of mammographic masses based on local photometric attributes | |
Rodriguez-Rojas et al. | Predictive features of breast cancer on Mexican screening mammography patients | |
US11944486B2 (en) | Analysis method for breast image and electronic apparatus using the same | |
Rehman et al. | Dermoscopy cancer detection and classification using geometric feature based on resource constraints device (Jetson Nano) | |
WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
Domingues | An automatic mammogram system: from screening to diagnosis | |
Mabrouk et al. | Support vector machine based computer aided diagnosis system for large lung nodules classification | |
TWI767439B (zh) | 醫療影像分析系統及其方法 | |
AlShowarah | Breast Cancer Detection System using Deep Learning Based on Fusion Features and Statistical Operations. | |
Sharma et al. | Co-occurrence Matrix and statistical features as an approach for mass classification | |
TWI797767B (zh) | 基於評估腦中風之血管造影方法及血管造影裝置 | |
US11961211B2 (en) | Radiomic systems and methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4K | Annulment or lapse of a utility model due to non-payment of fees |