WO2017092182A1 - 一种在超声影像中自动识别肝脏肿瘤类型的方法 - Google Patents

一种在超声影像中自动识别肝脏肿瘤类型的方法 Download PDF

Info

Publication number
WO2017092182A1
WO2017092182A1 PCT/CN2016/074645 CN2016074645W WO2017092182A1 WO 2017092182 A1 WO2017092182 A1 WO 2017092182A1 CN 2016074645 W CN2016074645 W CN 2016074645W WO 2017092182 A1 WO2017092182 A1 WO 2017092182A1
Authority
WO
WIPO (PCT)
Prior art keywords
roi
region
lesion
case
time
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/CN2016/074645
Other languages
English (en)
French (fr)
Inventor
林倞
曹擎星
王青
江波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Publication of WO2017092182A1 publication Critical patent/WO2017092182A1/zh
Priority to US15/989,457 priority Critical patent/US10614573B2/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Clinical applications
    • A61B8/0833—Clinical applications involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Clinical applications involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B8/469—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means for selection of a region of interest
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/481—Diagnostic techniques involving the use of contrast agents, e.g. microbubbles introduced into the bloodstream
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Definitions

  • the present invention relates to the field of medical image processing, and more particularly to a method for automatically identifying a liver tumor type in an ultrasound image.
  • HCC hepatocellular carcinoma
  • HEM hepatic hemangioma
  • FNH hepatic local nodular hyperplasia
  • HCC hepatocellular carcinoma
  • HEM hepatic hemangioma
  • FNH hepatic local nodular hyperplasia
  • most malignant cancers exhibit low enhancement during both portal and delayed phases.
  • most benign cancers show flat enhancement or high enhancement.
  • the arterial phase can provide useful information for distinguishing specific liver cancer categories.
  • the accuracy of the diagnosis depends to a large extent on the experience and level of the diagnostician.
  • doctors often need to review the entire CEUS image repeatedly, find the location of the lesion and the imaging mode of the lesion in the image, and finally diagnose the case according to their own medical knowledge in the literature.
  • This diverse and complex enhancement mode of the above-mentioned liver cancer also brings great difficulties in distinguishing different FLL categories, and the CEUS imaging blurring requires careful observation by an experienced doctor to identify and diagnose. This usually takes a lot of time to deal with each case.
  • the length of a CEUS image is usually 3 to 5 minutes. When the number and data of patients increase, it will undoubtedly require a lot of labor and time.
  • Denoising includes pre-processing of images, such as adjusting contrast, sharpening images, etc., making imaging more convenient for doctors to observe; segmentation separates the same organ or region from an image or sequence of images from other parts, typically The next step in the CAD system is to prepare; the matching criteria is to match the same parts of different types of medical images in the same case, making it easier for doctors to view the same area in different medical images; imaging of some techniques such as CT A part of the human body is scanned layer by layer to form a two-dimensional tomographic image, which is combined by 3D reconstruction to form a three-dimensional model of the organ or region.
  • images such as adjusting contrast, sharpening images, etc.
  • the portion inside the ROI region is reduced by the selected ROI, and the peripheral portion of the ROI region is amplified by the selected ROI.
  • the pruning is first adopted, and then the dynamic ROI is used to search for the best ROI of the region of interest.
  • the specific process is as follows:
  • the beneficial effects of the present invention are: the automatic image proposed in the present invention
  • the method of identifying the type of liver tumor can quickly and accurately obtain the type of lesion in the case, and overcome the deficiency of manually determining the area of the lesion.
  • Figure 2 shows the model parameters
  • Figure 5 is a schematic diagram of model structure reconfiguration.
  • the method will automatically extract an ROI in a certain frame of the three periods of imaging, as the location of the lesion, and use the AND model structure to represent.
  • the model structure is shown in Figure 1.
  • the three imaging period combinations in Figure 1 represent one case category.
  • the method extracts features of the ROI region in the following ranges: a portion inside the ROI region to describe the lesion itself; a boundary portion of the ROI region to describe the morphology of the lesion; and a range of normal tissue portions of the periphery of the ROI region , used to describe the rear echo enhancement mode of the ultrasound image.
  • the echo area of the lesion is obtained by making the difference between the lesion area and the surrounding area, the edge of the lesion area and the average gray scale inside the lesion.
  • the contrast, correlation, energy, and identity of the regional gray level co-occurrence matrix are used as the appearance features in the method.
  • the feature vector of the ROI region is represented as five parts: the internal appearance feature of the ROI region; the appearance feature of the boundary portion of the ROI region; the appearance feature of the peripheral portion of the ROI region; the average grayscale difference between the interior of the ROI region and the boundary portion of the ROI region; the ROI region The average gray scale difference between the inner and outer peripheral portions of the ROI area.
  • the representation shown in FIG. 2 can be obtained, wherein the circle with the horizontal line represents the selected local classifier, and the open circle represents the unselected local classifier, corresponding to The feature is set to zero.
  • the above method can convert a segment of the ultrasound image into a feature and represent it in a vector. This vector will be used to identify the ultrasound image.
  • the method will adjust the selection of the local classifier for each case, increase, decrease or maintain the number of local classifiers, and ensure that the number of ROIs in each partial classifier, ie, subcategory, is not Too little to achieve the purpose of reconfiguring the model structure.
  • the goal of the method is to make the local classifier scores selected for each case as high as possible, while making the ROI regions between cases with the same local classifier as similar as possible.
  • the model score is maximized, and the metric of the two ROI regions under the same local classifier is maximized, and the number of partial classifiers is kept as small as possible to prevent one in actual operation.
  • Case case of a partial classifier is specifically used as a measure of the similarity between the two.
  • the label of each node is the corresponding local classifier selected by the node or the node, and the ROI area selected by the local classifier is the optimal ROI area.
  • the number of local classifiers can also be determined at the same time, and the reconfiguration of the AND or model structure is completed. As shown in Fig. 5, the model in (a) is reconfigured to become the model in (b), and a local classifier is added to indicate the newly discovered lesion imaging mode during the first period.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Vascular Medicine (AREA)
  • Physiology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及医学影像处理领域，具体涉及一种在超声影像中自动识别肝脏肿瘤类型的方法，能够在医生根据CEUS医学影像对肝脏病灶的诊断中提供辅助诊断的方法，其中辅助诊断包括给出对病灶的识别结果及病灶较为显著的时间及位置。该方法具体包括：使用多个感兴趣区域(ROI)表示一个CEUS影像；不同的病灶用ROI在时间与空间上的表现及变化区分；通过同时在时间空间中建立模型来表示ROI间的时空关系；该模型能通过迭代式的学习方法根据已有的CEUS病灶样例确定较合适的ROI和模型的相关参数。在给出一个样例后，能够通过提前去掉部分不合适的ROI以及快速的搜索方法确定合适的ROI以及对该病灶给出参考诊断。

Description

一种在超声影像中自动识别肝脏肿瘤类型的方法 技术领域
本发明涉及医学影像处理领域，更具体地，涉及一种在超声影像中自动识别肝脏肿瘤类型的方法。
背景技术
肝脏肿瘤是第五常见的肿瘤，同时也是癌症中致人死亡的第二大杀手，肝脏局灶性病灶(FLLs)是肝脏中不正常的固态或囊性肿块。在肝癌早期发现FLLs与对FLLs的诊断对肝癌的治疗有重要的意义。而在诊断的过程中，医学影像担任了十分重要的角色，特别是近年来，随着成像技术的发展，医学影像在诊断中的地位越来越重要。医学影像包括了电子计算机断层扫描(CT)，磁共振成像(MRI)，超声成像(US)等，其中CT和MRI需要高昂的成本，复杂的器械，CT成像还会造成电离辐射。而超声成像因为其价格低，成像快，非侵入方式成像的特点得到了越来越广泛的应用。但由于超声的成像机理，超声成像得到的图像模糊、分辨率低且信噪比低。最近提出的超声造影成像(CEUS)方法，通过对FLLs在一个时间段内持续成像，研究FLLs在一定时间内的动态增强模式。通过研究FLL区域随着时间相对于周围健康组织的区别和变化，CEUS能够显著提高FLLs的检测结果。使用CEUS影像进行辅助诊断，不仅能帮助医生获得更多的信息，提高诊断的效率，同时还能为病人减少不必要的痛苦。
在实际使用CEUS影像对肝脏肿瘤的进行诊断过程中，医生通常先向病人血管内注入造影剂，随着造影剂在体内随着血液的流动，CEUS影像会形成平扫期、动脉相、门脉相、延迟相四个主要时期。各个区的持续时间以及成像特点均有所不同。放射科医生在辨识FLLs，一般通过观察病灶区域在三个时期(动脉期，门脉期，延迟期)的增强变化模式进行诊断。门脉期和延迟期主要用以在区分恶性癌症和良性癌症。恶性癌症，如肝细胞肝癌(HCC)，和良性癌症，如肝血管瘤(HEM)、肝脏局部结节性增生(FNH)时，大部分的恶性癌症在门脉期和延迟期都呈现低增强，而大部分的良性癌症则呈现平增强或高增强。另一方面，动脉期可以为区分具体的肝癌类别提供有用的信息。比如，绝大部分的HCC 病例在动脉期呈现区域高增强，而一部分病例则不均匀增强或在一个较大的结节周围呈现环状增强；在良性病例中，大部分的HEM病例呈现外围结节性增加，另一部分则呈现快速的均匀高增强；FNH病例则可能在动脉期呈现出轮辐状增强或均匀高增强。以上这些同种病例中不同的变化也会在诊断时被考虑进去。
在当前阶段，诊断的准确性很大程度依赖于诊断医生的经验和水平。在诊断时，医生们经常需要反复查看整段CEUS影像，在影像中找出病灶的位置和病灶的成像模式，最后根据自身或文献中的医学知识，对病例进行诊断。上述肝癌的这种多样、复杂的增强模式也为区分不同的FLL类别带来了很大的困难，加之CEUS成像模糊，需要有经验的医生进行细致的观察才能辨认与诊断。这通常需要花上大量的时间的精力来处理每一个病例。同时，一段CEUS影像的长度通常有3～5分钟，当病人的数量与数据增大时，无疑会需要大量医生的劳力及时间。
另一方面，最近几年计算机视觉领域发展迅猛，在自然图像、影像领域已经取得了许多不错的成果。如物体识别、定位、检测，场景的划分、分割，视频的跟踪、动作识别乃至语义解析等等。随着机器学习领域的快速发展，计算机视觉与机器学习领域越来越密切的结合，计算机视觉开始不仅仅简单的对图像、视频本身进行处理，而开始能对图像、视频的内容甚至语义进行理解、处理。在部分数据集上，方法对其中物体检测的准确率甚至已经超过了人类本身。而医学影像在计算机中的数据与结构，与自然图像并没有本质的区别，都是以一个数值代表一个像素的信息。所以计算机视觉里面的方法与技术，可以转化到医学影像领域。计算机视觉里对图像及视频内容的解析方法，同样可以在医学影像领域得到实践与应用。若能实现对医学影像的解析与理解，将可以使用计算机来辅助医生进行辅助诊断，通过给出影像中的关键部分与关键时间，给出影像中成像以及变化特点，将可以为医生的诊断节省大量的时间。而对于新医师来说，计算机辅助诊断(CAD)系统能帮助或指导他们识别病变，对训练出有经验的医生有重要的帮助。所以在实际中，对医学影像的解析有着十分可观的应用前景和价值。
如前所述，随着医学影像处理技术，机器学习、模式识别和计算机视觉技 术的发展等计算机技术的发展，CAD系统也得了发展和应用。在乳腺癌等许多其他医学领域，CAD系统已经通过辅助医生对医学图像的分析与解释，获得了不错的效果。目前，CAD系统对医学影像的处理，较为成熟的技术主要包括去噪、分割、配准、3D重建等等。去噪包括对影像的预处理，如调整对比度，锐化图像等，使得成像更有利于医生的观察；分割则将一副图像或图像序列中相同的器官或者区域与其他部分分离出来，一般为CAD系统的下一步处理做准备；配准则是将同一个病例的不同种类医学影像的相同部分匹配，使得医生能够更为方便的在不同的医学影像中查看相同的区域；CT等一些技术的成像是逐层扫描人体某一部位，形成二维断层图像，3D重建将这些二维图像组合，形成器官或者区域的三维模型。
虽然当前CAD系统在以上这些方面都有了一定程度的应用，但大多都在对医学影像进行处理，现有的系统主要集中在组织、器官的分割，局灶性病变的交互式以及自动分割，边缘检测等。对医学影像的处理也大多集中于CT等这类成像清晰，易于处理的影像上。在CEUS影像中对FLL进行识别诊断这一个部分，由于CEUS影像中病灶区域在三个造影阶段中的扰动及多样的成像模式，现在鲜有CAD系统能在CEUS影像中对FLLs进行分析识别。即使一些前沿的方法也依赖于手工确定出FLLs的位置和区域。人工标注的好坏与标注医生的技术与领域知识高度相关，而不同的医生也会对病灶会有不同的理解，会造成标注的时间及位置略有不同。另一方面，随着获取及处理技术的提高，CEUS数据的数量在以相当高的速度增长，人工标注需要耗费医生大量的时间。所以，全自动对FLLs进行分析诊断的CAD系统是极为必要的。
在医学影像处理领域，在CEUS影像中对肝脏局灶性病灶进行识别的工作并不是很多。部分方法使用了二次曲线来拟合病灶区域的平均灰度在时序上的变化，以此来表示CEUS成像中病灶的成像模式，以此来区分病灶类型，将FNH和其他病灶类型分开；或将病灶区域手工分割出来，使用级联的多个神经网络，来对病灶进行分类。还有方法提出了动态血管模式(DVP)来表示病灶的成像特点，测试时通过人工在某一帧标注出周围的正常组织区域与病灶区域，能自动生成出整个影像中两个部分的平均灰度的曲线，再使用这个曲线去区分良性和恶性肿瘤，有着相当不错的效果。在以上的这些工作中，都或多或少的需要 一定程度上的交互，手工确定出病灶区域或者正常组织的位置。人工交互严重依赖于操作人员的知识、技能与经验，很容易造成不同的医生对同一个病例有不同的解释，造成结果的扰动。另一方面，随着现在超声影像数据的不停增长，如果医生对每一个病例都需要进行手工交互，将会消耗医生大量的精力与时间，对全部数据的手工标注也将变得越来越困难。所以，一个能无需手工交互，自动进行辅助诊断的系统是十分必要的。
在医学影像处理的另一块领域，着重于对其他类型的肿瘤进行自动检测或分割。通过使用灰度信息，这些方法能够找出边缘和区域特征，最终可以实现在多种医学图像，对多种肿瘤进行分割。
对超声影像中的肝脏肿瘤的另一类处理方法是在连续的CEUS影像中，对肝脏肿瘤进行跟踪。由于人体的呼吸与运动，操作人员的抖动等，超声影像中的肿瘤会经常变化位置以及大小，有时还会被阻挡导致肿瘤的灰度变化甚至消失。这一领域的大部分方法，都使用多种特征对区域进行匹配或轻微的扰动变化来进行跟踪。或者同时考虑区域的局部信息与区域之间的空间联系，并使用模型对这两者进行联合表示。为了防止跟踪误差随着时间的推移而积累，部分方法也使用模型来表达图像外观信息与肿瘤偏差之间的联系。则是从人体的呼吸入手，尝试通过在某些帧中，对组织进行模板匹配，或者通过找出人体呼吸造成的误差，来修正肿瘤的偏移位置，并最终提高跟踪的精确度。确定病灶的位置是本方法进行识别中非常重要的一步，但是以上这些方法仍然没有对肝脏局灶性病灶进行识别。医学领域依然没有直接对病灶种类进行识别的工作。
发明内容
本发明的目的在于克服现有技术的不足，弥补现有技术的空白，提供一种在超声影像中自动识别肝脏肿瘤类型的方法。
为了实现本发明的目的，本发明的技术为：
一种在超声影像中自动识别肝脏肿瘤类型的方法，包括：
S1.使用模型来表示一个病例，使用局部分类器表示病灶可能的变化形态；
S2.输入一组病例的超声影像和每个病例的肝癌类型，作为训练样本；
S3.初始化模型参数的值，将其全部初始化为0，或以期望为0的高斯概率分布进行随机初始化；
S4.基于模型参数，在一个病例的超声影像视频中，使用动态规划算法，为 各局部分类器搜索最佳的感兴趣区域ROI位置、大小和时间，使得模型在判断训练样本的病灶类别正确时得到的分数最大；
S5.使用图割算法，确定出该病例所属的特定的变化形态和感兴趣区域ROI；
S6.基于由步骤S5确定的感兴趣区域ROI，以步骤S2中的训练样本为输入，使用cutting-plane算法对其进行训练，以算法的输出作为模型参数，同时获取该病例中病灶的可能位置、大小以及局部分类器的个数；
S7.重复步骤S4～S6对训练样本数据种的各病例进行病灶类型的获取，判断获取的病灶类型的正确性，当判断错误的个数固定；或重复步数达到预设值时，得到训练模型参数；
S8.采用由步骤S7获取的训练模型参数，在待检测病例的超声影像视频中为所有局部分类器确定最佳的感兴趣区域ROI位置、大小和时间；再使用图割算法，确定出该待检测病例所属的特定的变化形态和感兴趣区域ROI；根据确定好的变化形态和感兴趣区域ROI，使用模型得到病灶的可能性分数；
S9.对该待检测病例中所有病灶类型重复步骤S2～S8，每次重复可得到一种病灶的可能性分数，对应可能性分数最高的病灶种类即为该待检测病例的病灶类型。
优选地，对输入的病例超声影像在动脉期、门脉期和延迟期三个时期分别提取出一个感兴趣区域ROI，采用三个感兴趣区域ROI来表达肝脏局灶性病灶；
在各时期的感兴趣区域ROI，分别在ROI区域内部、ROI区域边界部分、ROI区域外围部分提取出ROI区域内部的外观特征、ROI区域边界的外观特征、ROI区域外围的外观特征，还在各时期的感兴趣区域ROI获取ROI区域内部与ROI区域边界的平均灰度差，ROI区域内部与ROI区域的外围的平均灰度差；
在提取ROI区域内部、ROI区域边界部分、ROI区域外围部分三个区域特征时，采用区域灰度共生矩阵的对比度、相关性、能量、同一性作为外观特征。
上述ROI区域内部的部分是由选定的ROI缩小得到的，ROI区域外围部分是由选定的ROI放大得到的。
局部分类器为线性局部分类器，局部分类器用来判别某个时期的ROI区域的FLL变化类别。
优选地，所述步骤S2中模型参数全部初始化为0，或以期望为0的概率进 行随机初始化。
优选地，所述步骤S3中，先采用剪枝，再采用动态规划的方法搜索最佳的感兴趣区域ROI，具体过程为：
剪枝过程包括时间和空间上的剪枝；
时序上的剪枝是对于超声影像视频中的某一帧，计算其灰度共生局灶的灰度特征，并在向量帧之间做差，得到一个用来表示每帧的变化程度值；在一个时间段内得到一串值分别用于表示该时间段内各帧的变化程度；将这一串值按时间顺序排列好，并提取其中的极值点，则得到一段时间内变化最剧烈的帧；把极值点对应的这些帧挑选出来，得到病灶区域的候选帧；将在剩下的候选帧内，根据经验去掉部分不重要的区域；
空间上的剪枝是主要使用显著性和位置先验实现；首先计算出整副图像的显著图，并将这幅显著图做归一化，将区域内的显著值求平均，得到区域的显著性值；位置先验是以图像为中心的高斯分布；将这两个部分的先验信息得到的值相乘，获得某个区域为肝脏局灶性病灶区域的概率，将概率大于该阈值的区域选择出来，作为候选的ROI区域；
使用动态规划对ROI进行搜索；在进行时间与空间上的剪枝后，三个不同的时期内会各自留下数量不等的帧，每个帧内会留下数量不同的候选ROI区域；在时序约束中，前后在时间顺序上相邻的两个ROI在空间上的位置必须相近，该动态规划方法是在前一个时期内寻找到一个ROI区域，使得该ROI区域在当前ROI区域的附近，并且它的分数加上与当前ROI的时序关系分数能达到最大值，再寻找一个局部分类器，使得当前ROI的外观分数达到最大。
优选地，所述步骤S3中，在搜索出最优的ROI后，还将调整病例对局部分类器的选择，调整方式为：增加、减少或保持局部分类器的数量；
在这个过程中，其目标是让每个病例选择的局部分类器得分最大，同时让同一个局部分类器下的两个ROI区域相似度的度量最大化。
优选地，实现上述目标的具体方式是：采用两个ROI区域特征的欧几里得距离作为两者的相似度的度量值，通过转化为图标签问题，使用图割算法进行求解。
与现有技术相比，本发明的有益效果为：本发明提出的在超声影像中自动 识别肝脏肿瘤类型的方法，能够快速精确的获取病例的病灶类型，克服了手工确定病灶区域的不足。
附图说明
图1为时空与或模型示意。
图2为模型参数示意。
图3为在空间上进行剪枝示意。
图4为模型推理方法中使用动态规划推理的示意。
图5为模型结构重配置示意图。
图6为本发明方法的部分结果示意。
具体实施方式
下面结合附图对本发明做进一步的描述，但本发明的实施方式并不限于此。
本发明主要给出一种在超声影像中自动识别肝脏肿瘤类型的方法，包括了两个部分：在超声影像对肝脏肿瘤的表示方法；和在超声影像中自动确定病灶位置、时间和大小，并进行病灶识别的方法。
为了方便说明，定义以下几个关键术语：
“向量”为一组按顺序排列的数字，可以用计算机编程语言，如C语言中的数组表示。
“模型”为一组规则，能将一个病例的超声影像视频作为输入，输出为一个是否属于某种病灶的可能值。本方法中，模型将输入按照规则划分为具有一定结构的一个向量，并与模型参数向量按元素相乘，得到可能值。值越大，越有可能属于该类病灶。
“模型参数”为一个向量，通过用户输入多个病例的超声影像视频和对应的病灶类型，使用本发明中的学习方法可以得到模型向量的具体值。
“ROI”为一个视频帧上的一块区域，由这一帧图像上这一部分的所有像素组成。在本方法中，将这些区域认定为病灶区域。
“局部分类器”为模型的一部分，输入一个ROI，将输出该ROI是否属于某种病灶的特定变化形态的值。值越大，越有可能属于该特定变化。
对于一个病例的超声视频，本方法将分别在成像的三个时期的某一帧中，自动的提取出一个ROI，作为病灶所在的位置，并用与或模型结构进行表示。模型结构如图1所示。图1中三个成像时期组合表示一个病例类别。
超声影像的成像机理使得每个ROI在一段影像的不同时间上和不同的病例上都会有相当的变化。同时，超声成像中会产生的内部回声、后方回声增强，使得提取ROI区域特征的时候，参考周围的组织的增强模式同样重要。
本方法在以下的几个范围提取ROI区域的特征：ROI区域内部的部分，用来描述病灶本身；ROI区域的边界部分，用来描述病灶的形态；以及ROI区域的外围一定范围的正常组织部分，用来描述该超声影像的后方回声增强模式。另外，将病灶区域与周围，病灶区域边缘与病灶内部的平均灰度做差，来得到病灶内部的回声模式。
提取ROI三个区域的特征时，本方法中使用了区域灰度共生矩阵的对比度、相关性、能量、同一性作为外观特征。于是，ROI区域的特征向量表示为5个部分：ROI区域内部外观特征；ROI区域边界部分外观特征；ROI区域的外围部分外观特征；ROI区域内部与ROI区域边界部分的平均灰度差；ROI区域内部与ROI区域的外围部分的平均灰度差。
病例的另外一部分特征由两个ROI区域的外观特征向量做差得到的向量，和两区域空间坐标相距的欧氏距离组成。该部分对应表示为病例的时序特征。
将所有的外观特征与时序特征拼接在一起，可以得到如图2所示的表示方式，其中带横线的圆表示被选中的局部分类器，空心圆表示未被选中的局部分类器，其对应的特征置为0。
以上的方法可以将一段超声影像视频转换为特征，用向量进行表示。该向量将用以进行超声影像的识别。
在得到超声影像的向量表示后，超声影像中对肝癌病灶区域进行识别主要需要以下步骤：
1.用户输入一组病例的超声影像和每个病例的肝癌类型，作为训练数据。
2.为模型参数设定初值。
3.使用模型参数，在每个病例的超声影像视频中为所有局部分类器确定最佳的ROI位置、大小和时间。
4.使用图割算法，确定出每个病例所属的特定的变化形态和感兴趣区域ROI。
5.基于这些感兴趣区域ROI来使用SVM的方法训练模型参数。
6.重复3～5步直到对训练数据进行病灶类型判断时，判断错误的个数不再 减少；或直到重复步数达到预设值，得到模型参数。
7.给出一个病例，使用前面得到的模型参数和方法得到该病例感兴趣区域ROI的位置、大小、时间和其变化模式。
8.对所有可能的病灶类型重复以上步骤，可能性最高的类型即为该方法识别得到的病灶类型。
其中步骤2中模型参数可全部初始化为0，或以期望为0的概率进行随机初始化。
步骤3～5中使用Latent structural SVM方法来优化模型，在获得模型参数的同时，确定出训练数据中病灶的可能位置、大小以及局部分类器的个数，在优化模型的目标函数与确定感兴趣区域ROI之间迭代训练。
步骤3中，方法在固定模型参数求解隐变量时，为每一个局部分类器搜索出一个能使其得分最高ROI区域的大小、位置及其所处的帧。搜索ROI时，本方法采用先剪枝，后用动态规划的方法求解。
在超声影像中，一般情况下帧与帧之间通常表现的十分平滑，而病灶区域开始表现出增强模式的时候，通常在时序上灰度都会与附近的帧有较大的变化。因此，在某些时间段上，那些在灰度上变化最大的几帧，有较大可能是病灶区域增强模式体现明显的时候，将这些帧挑选出来，用以作为时序上的候选帧。
具体来说，对于超声影像中的某一帧，在这帧上计算灰度共生局灶的灰度特征，并在向量帧之间做差，可以得到一个值，用来表示每帧的变化程度。将这一串值按时间顺序排列好，将其中的极值点提取出来，便可以得到一段时间内变化最剧烈的帧。把这些帧挑选出来，就可以得到病灶区域的候选帧。
在上一步时序上的剪枝步骤后，将在剩下的候选帧内，去掉不太重要的区域。在这一步剪枝过程中，主要使用显著性和位置先验。首先计算出整副图像的显著图，并将这幅显著图做归一化，将区域内的显著值求平均，得到区域的显著性值。第二项的位置先验是以图像为中心的高斯分布。将这两个部分的先验信息得到的值相乘，获得某个区域为肝脏局灶性病灶区域的概率，如图3所示。设定阈值，将概率大于该阈值的区域选择出来，作为候选的ROI区域，其中图4中所示的圆为候选的ROI区域。
之后使用动态规划对ROI进行搜索；在进行时间与空间上的剪枝后，三个 不同的时期内会各自留下数量不等的帧，每个帧内会留下数量不同的候选ROI区域(圆)，如图4所示。在本方法模型的时序约束中，前后在时间顺序上相邻的两个ROI在空间上的位置必须相近。本方法中的动态规划算法是在前一个时期内寻找到一个ROI区域，使得该ROI区域在当前ROI区域的附近，并且它的分数加上与当前ROI的时序关系分数能达到最大值，再寻找一个局部分类器，使得当前ROI的外观分数达到最大。如图4所示，实心圆为动态规划算法选出的ROI区域。
在找出最优的ROI之后，本方法将调整每个病例对局部分类器的选择，增加、减少或保持局部分类器的数量，保证每个局部分类器，即子类别下的ROI数量不至于太少，达到重配置模型结构的目的。在这个过程中，本方法的目标是让每个病例选择的局部分类器得分尽可能的高，同时让选择了相同局部分类器的病例之间ROI区域尽可能的相似。本方法中具体使模型分数最大的同时，让同一个局部分类器下的两个ROI区域相似度的度量最大化，并且，让局部分类器的个数尽可能的少，以防止实际操作时一个病例一个局部分类器的情况。这里，具体采用两个ROI区域特征的欧几里得距离作为两者的相似度的度量值。通过转化为图标签问题，使用图割算法进行求解。
在该问题得到求解后，每个节点的标签即为该样本中对应的或节点选择的局部分类器，局部分类器选择的ROI区域则为最优的ROI区域。同时，局部分类器的个数也可以同时确定下来，完成了对与或模型结构的重新配置。如图5所示，(a)中的模型经过重配置后变为(b)中的模型，在第一时期多增加了一个局部分类器用来表示新发现的病灶成像模式。
最后，步骤7、8中通过遍历所有可能的类别，从中取出最大的类别作为识别结果，同时，对应找出的ROI作为本方法的解析结果，可以为医生进行辅助诊断提供更多的信息以及参考。
以上所述的本发明的实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所作出的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (5)

  1. 一种在超声影像中自动识别肝脏肿瘤类型的方法，其特征在于，包括：
    S1.使用模型来表示一个病例，使用局部分类器表示病灶可能的变化形态；
    S2.输入一组病例的超声影像和每个病例的肝癌类型，作为训练样本；
    S3.初始化模型参数的值，将其全部初始化为0，或以期望为0的高斯概率分布进行随机初始化；
    S4.基于模型参数，在一个病例的超声影像视频中，使用动态规划算法，为各局部分类器搜索最佳的感兴趣区域ROI位置、大小和时间，使得模型在判断训练样本的病灶类别正确时得到的分数最大；
    S5.使用图割算法，确定出该病例所属的特定的变化形态和感兴趣区域ROI；
    S6.基于由步骤S5确定的感兴趣区域ROI，以步骤S2中的训练样本为输入，使用cutting-plane算法对其进行训练，以算法的输出作为模型参数，同时获取该病例中病灶的可能位置、大小以及局部分类器的个数；
    S7.重复步骤S4～S6对训练样本数据种的各病例进行病灶类型的获取，判断获取的病灶类型的正确性，当判断错误的个数固定；或重复步数达到预设值时，得到训练模型参数；
    S8.采用由步骤S7获取的训练模型参数，在待检测病例的超声影像视频中为所有局部分类器确定最佳的感兴趣区域ROI位置、大小和时间；再使用图割算法，确定出该待检测病例所属的特定的变化形态和感兴趣区域ROI；根据确定好的变化形态和感兴趣区域ROI，使用模型得到病灶的可能性分数；
    S9.对该待检测病例中所有病灶类型重复步骤S2～S8，每次重复可得到一种病灶的可能性分数，对应可能性分数最高的病灶种类即为该待检测病例的病灶类型。
  2. 根据权利要求1所述的方法，其特征在于，对输入的病例超声影像在动脉期、门脉期和延迟期三个时期分别提取出一个感兴趣区域ROI，采用三个感兴趣区域ROI来表达肝脏局灶性病灶；
    在各时期的感兴趣区域ROI，分别在ROI区域内部、ROI区域边界部分、ROI区域外围部分提取出ROI区域内部的外观特征、ROI区域边界的外观特征、ROI区域外围的外观特征，还在各时期的感兴趣区域ROI获取ROI区域内部与 ROI区域边界的平均灰度差，ROI区域内部与ROI区域的外围的平均灰度差；
    在提取ROI区域内部、ROI区域边界部分、ROI区域外围部分三个区域特征时，采用区域灰度共生矩阵的对比度、相关性、能量、同一性作为外观特征。
  3. 根据权利要求2所述的方法，其特征在于，所述步骤S3中，先采用剪枝，再采用动态规划的方法搜索最佳的感兴趣区域ROI，具体过程为：
    剪枝过程包括时间和空间上的剪枝；
    时序上的剪枝是对于超声影像视频中的某一帧，计算其灰度共生局灶的灰度特征，并在向量帧之间做差，得到一个用来表示每帧的变化程度值；在一个时间段内得到一串值分别用于表示该时间段内各帧的变化程度；将这一串值按时间顺序排列好，并提取其中的极值点，则得到一段时间内变化最剧烈的帧；把极值点对应的这些帧挑选出来，得到病灶区域的候选帧；将在剩下的候选帧内，根据经验去掉部分不重要的区域；
    空间上的剪枝是主要使用显著性和位置先验实现；首先计算出整副图像的显著图，并将这幅显著图做归一化，将区域内的显著值求平均，得到区域的显著性值；位置先验是以图像为中心的高斯分布；将这两个部分的先验信息得到的值相乘，获得某个区域为肝脏局灶性病灶区域的概率，将概率大于该阈值的区域选择出来，作为候选的ROI区域；
    使用动态规划对ROI进行搜索；在进行时间与空间上的剪枝后，三个不同的时期内会各自留下数量不等的帧，每个帧内会留下数量不同的候选ROI区域；在时序约束中，前后在时间顺序上相邻的两个ROI在空间上的位置必须相近，该动态规划方法是在前一个时期内寻找到一个ROI区域，使得该ROI区域在当前ROI区域的附近，并且它的分数加上与当前ROI的时序关系分数能达到最大值，再寻找一个局部分类器，使得当前ROI的外观分数达到最大。
  4. 根据权利要求3所述的方法，其特征在于，所述步骤S3中，在搜索出最优的ROI后，还将调整病例对局部分类器的选择，调整方式为：增加、减少或保持局部分类器的数量；
    在这个过程中，其目标是让每个病例选择的局部分类器得分最大，同时让同一个局部分类器下的两个ROI区域相似度的度量最大化。
  5. 根据权利要求4所述的方法，其特征在于，实现上述目标的具体方式是： 采用两个ROI区域特征的欧几里得距离作为两者的相似度的度量值，通过转化为图标签问题，使用图割算法进行求解。
PCT/CN2016/074645 2015-12-03 2016-02-26 一种在超声影像中自动识别肝脏肿瘤类型的方法 Ceased WO2017092182A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/989,457 US10614573B2 (en) 2015-12-03 2018-05-25 Method for automatically recognizing liver tumor types in ultrasound images

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510885104.X 2015-12-03
CN201510885104.XA CN105447872A (zh) 2015-12-03 2015-12-03 一种在超声影像中自动识别肝脏肿瘤类型的方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/989,457 Continuation US10614573B2 (en) 2015-12-03 2018-05-25 Method for automatically recognizing liver tumor types in ultrasound images

Publications (1)

Publication Number Publication Date
WO2017092182A1 true WO2017092182A1 (zh) 2017-06-08

Family

ID=55558005

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/074645 Ceased WO2017092182A1 (zh) 2015-12-03 2016-02-26 一种在超声影像中自动识别肝脏肿瘤类型的方法

Country Status (3)

Country Link
US (1) US10614573B2 (zh)
CN (1) CN105447872A (zh)
WO (1) WO2017092182A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427951A (zh) * 2018-02-08 2018-08-21 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质和计算机设备
CN111680683A (zh) * 2019-03-30 2020-09-18 上海铼锶信息技术有限公司 一种roi参数的获取方法及系统
CN111695644A (zh) * 2020-08-10 2020-09-22 华侨大学 基于光密度变换的肿瘤超声图像分类方法、装置及介质
CN111904470A (zh) * 2020-08-24 2020-11-10 西北工业大学 医学超声诊查过程的动态可解释推理辅助诊断方法
CN116958007A (zh) * 2022-03-30 2023-10-27 上海微创卜算子医疗科技有限公司 超声心动图像切面类型识别方法、电子设备和存储介质

Families Citing this family (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10592805B2 (en) * 2016-08-26 2020-03-17 Ford Global Technologies, Llc Physics modeling for radar and ultrasonic sensors
CN106557767B (zh) * 2016-11-15 2019-04-09 北京唯迈医疗设备有限公司 一种确定介入影像中roi区域的方法
CN106599861B (zh) * 2016-12-20 2019-07-26 江苏大学附属医院 一种超声报告数值自动读取方法及装置
CN106991673B (zh) * 2017-05-18 2019-10-22 深思考人工智能机器人科技（北京）有限公司 一种可解释性的宫颈细胞图像快速分级识别方法及系统
CN111095263A (zh) 2017-06-26 2020-05-01 纽约州立大学研究基金会 用于虚拟胰造影术的系统、方法和计算机可访问介质
WO2019008941A1 (ja) * 2017-07-03 2019-01-10 富士フイルム株式会社 医療画像処理装置、内視鏡装置、診断支援装置、医療業務支援装置、及び、レポート作成支援装置
CN108492297B (zh) * 2017-12-25 2021-11-19 重庆师范大学 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法
CN110310287B (zh) * 2018-03-22 2022-04-19 北京连心医疗科技有限公司 基于神经网络的危及器官自动勾画方法、设备和存储介质
US12026872B2 (en) * 2018-06-05 2024-07-02 Sumitomo Chemical Company, Limited Diagnosis assisting system, diagnosis assisting method and diagnosis assisting program
CN112292086B (zh) * 2018-06-22 2024-05-07 皇家飞利浦有限公司 超声病变评估及相关联的设备、系统和方法
CN109063712B (zh) * 2018-06-22 2021-10-15 哈尔滨工业大学 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法
CN109165668A (zh) * 2018-07-06 2019-01-08 北京安德医智科技有限公司 一种脑部异常分类的处理方法
CN109308477A (zh) * 2018-09-21 2019-02-05 北京连心医疗科技有限公司 一种基于粗分类的医学影像自动分割方法、设备和存储介质
CN109345527B (zh) * 2018-09-28 2021-05-04 广西师范大学 一种基于MaskRcnn的膀胱肿瘤检测方法
CN109598702B (zh) * 2018-10-30 2023-04-07 南方医科大学南方医院 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统
CN109658377B (zh) * 2018-10-31 2023-10-10 泰格麦迪(北京)医疗科技有限公司 一种基于多维度信息融合的乳腺mri病变区域检测方法
CN109616195A (zh) * 2018-11-28 2019-04-12 武汉大学人民医院（湖北省人民医院） 基于深度学习的纵隔超声内镜图像实时辅助诊断系统及方法
EP3671660B1 (en) * 2018-12-20 2025-06-18 Dassault Systèmes Designing a 3d modeled object via user-interaction
CN109886922B (zh) * 2019-01-17 2023-08-18 丽水市中心医院 基于SE-DenseNet深度学习框架和增强MR图像的肝细胞癌自动分级方法
CN109886273B (zh) * 2019-02-26 2022-12-16 四川大学华西医院 一种cmr图像分割分类系统
TWI711007B (zh) * 2019-05-02 2020-11-21 緯創資通股份有限公司 調整感興趣區域的方法與其運算裝置
IT201900007806A1 (it) * 2019-05-31 2020-12-01 Torino Politecnico Metodo computerizzato per classificare una massa di un organo come ciste
EP3756728A1 (en) * 2019-06-24 2020-12-30 Vision RT Limited Patient motion tracking system configured for automatic roi generation
CN110427954A (zh) * 2019-07-26 2019-11-08 中国科学院自动化研究所 基于肿瘤影像的多区域的影像组学特征提取方法
EP3786880A1 (en) * 2019-08-29 2021-03-03 Koninklijke Philips N.V. Methods for analyzing and reducing inter/intra site variability using reduced reference images and improving radiologist diagnostic accuracy and consistency
CN110717905B (zh) * 2019-09-30 2022-07-05 上海联影智能医疗科技有限公司 脑部图像检测方法、计算机设备和存储介质
CN110852332B (zh) * 2019-10-29 2020-12-01 腾讯科技（深圳）有限公司 训练样本的生成方法、装置、存储介质及电子设备
US11615881B2 (en) 2019-11-12 2023-03-28 Hepatiq, Inc. Liver cancer detection
CN112927179A (zh) * 2019-11-21 2021-06-08 粘晓菁 肝肿瘤智慧分析方法
CN111178165B (zh) * 2019-12-12 2023-07-18 河南省润通路空一体交通发展有限公司 一种基于小样本训练视频空对地目标情报自动提取方法
CN113040873A (zh) * 2019-12-27 2021-06-29 深圳市理邦精密仪器股份有限公司 超声图像的图像处理方法、超声设备以及存储介质
CN111227864B (zh) * 2020-01-12 2023-06-09 刘涛 使用超声图像利用计算机视觉进行病灶检测的装置
CN111402207B (zh) * 2020-03-02 2023-05-30 中山大学附属第一医院 一种基于复合神经网络的超声造影视频数据分析方法
CN111444971A (zh) * 2020-03-31 2020-07-24 联想(北京)有限公司 信息处理方法、装置及电子设备和存储介质
CN111436962B (zh) * 2020-04-13 2023-05-26 重庆工程职业技术学院 用于海量医学影像数据分布收集设备及其工作方法
CN111667460A (zh) * 2020-04-30 2020-09-15 清华大学 Mri影像处理系统、方法、设备及介质
CN112767370B (zh) * 2020-05-28 2024-02-20 福州宜星大数据产业投资有限公司 基于图像配准的目标区域标注方法
US11861856B2 (en) * 2020-06-27 2024-01-02 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing
LT6911B (lt) 2020-07-17 2022-05-10 Vilniaus Universitetas Ultragarsinio tyrimo ir ultragarsinio tyrimo su kontrastine medžiaga vaizdų bei duomenų analizės sistema kasos patologijų ankstyvajai diagnostikai atlikti automatiniu būdu
CN111862044B (zh) * 2020-07-21 2024-06-18 深圳蓝湘智影科技有限公司 超声图像处理方法、装置、计算机设备和存储介质
CN111951252B (zh) * 2020-08-17 2024-01-23 中国科学院苏州生物医学工程技术研究所 多时序图像处理方法、电子设备及存储介质
US20220117583A1 (en) * 2020-10-16 2022-04-21 The Board Of Trustees Of The Leland Stanford Junior University Quantification of Dynamic Contrast Enhanced Imaging using Second Order Statistics and Perfusion Modeling
EP4006832A1 (en) * 2020-11-30 2022-06-01 Koninklijke Philips N.V. Predicting a likelihood that an individual has one or more lesions
CN112807008B (zh) * 2021-01-27 2024-10-18 山东大学齐鲁医院 基于影像组学的鉴别实性小儿肺炎支原体肺炎与肺炎链球菌肺炎的系统
CN112950748B (zh) * 2021-01-29 2024-01-23 深圳市万翼数字技术有限公司 建筑图纸拼接方法及相关装置
CN113536964B (zh) * 2021-06-25 2023-09-26 合肥合滨智能机器人有限公司 一种超声视频的分类提取方法
CN114091507B (zh) * 2021-09-02 2022-07-29 北京医准智能科技有限公司 超声病灶区域检测方法、装置、电子设备及存储介质
CN113855079B (zh) * 2021-09-17 2025-01-24 仰和华健数字医疗科技(上海)有限公司 基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法
CN114052795B (zh) * 2021-10-28 2023-11-07 南京航空航天大学 一种结合超声自主扫描的病灶成像及防误扎治疗系统
US20250090144A1 (en) * 2021-12-17 2025-03-20 Oncoustics Inc. System and method for characterizing ultrasound data
US12488223B2 (en) * 2021-12-21 2025-12-02 International Business Machines Corporation Federated learning for training machine learning models
CN114512233A (zh) * 2022-02-17 2022-05-17 湖南非雀医疗科技有限公司 一种基层医生超声诊断准确性评测方法及系统
TWI830161B (zh) 2022-02-25 2024-01-21 國立陽明交通大學 腦部腫瘤種類自動判別系統、其伺服計算機裝置及計算機可讀取的儲存媒體
CN114757952A (zh) * 2022-06-15 2022-07-15 深圳瀚维智能医疗科技有限公司 超声图像处理方法、装置、设备及存储介质
TWI839758B (zh) 2022-06-20 2024-04-21 緯創資通股份有限公司 醫療影像的處理方法及處理醫療影像的運算裝置
CN116030284A (zh) * 2023-01-31 2023-04-28 上海旦影医疗科技有限公司西安分公司 一种肿瘤参数测量方法、系统、装置及介质
CN117457235B (zh) * 2023-12-22 2024-03-19 首都医科大学附属北京友谊医院 病理损伤模式预测方法、装置、存储介质及电子设备
TWI872884B (zh) * 2023-12-28 2025-02-11 財團法人工業技術研究院 影像配準方法及系統
US12555233B2 (en) 2023-12-28 2026-02-17 Industrial Technology Research Institute Image registration method and system
CN119991671B (zh) * 2025-04-16 2025-07-15 深圳熙谷威生物医疗科技有限公司 一种医学影像自动分析系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799858A (zh) * 2012-06-21 2012-11-28 华中科技大学 基于冗余特征消减的医学超声图像自动识别方法
CN105030279A (zh) * 2015-06-24 2015-11-11 华南理工大学 一种基于超声射频时间序列的组织定征方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799858A (zh) * 2012-06-21 2012-11-28 华中科技大学 基于冗余特征消减的医学超声图像自动识别方法
CN105030279A (zh) * 2015-06-24 2015-11-11 华南理工大学 一种基于超声射频时间序列的组织定征方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIU, QINGTUAN: "Computer-Aided Diagnosis of Liver Space-occupying Lesions Based on Ultrasonic Medical Image Analysis", CMFD (MEDICINE AND HYGINE TECHNOLOGY, vol. 2008, no. 5, 15 May 2008 (2008-05-15), ISSN: 1674-0246 *
SU , YANNI: "Breast Tumor Automatic Detection and Classification of Breast Tumo Using Ultrasonic Image", CMFD (INFORMATION TECHNOLOGY), vol. 2012, no. 5, 15 May 2012 (2012-05-15), ISSN: 1674-0246 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427951A (zh) * 2018-02-08 2018-08-21 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质和计算机设备
CN108427951B (zh) * 2018-02-08 2023-08-04 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质和计算机设备
CN111680683A (zh) * 2019-03-30 2020-09-18 上海铼锶信息技术有限公司 一种roi参数的获取方法及系统
CN111680683B (zh) * 2019-03-30 2023-06-02 上海铼锶信息技术有限公司 一种roi参数的获取方法及系统
CN111695644A (zh) * 2020-08-10 2020-09-22 华侨大学 基于光密度变换的肿瘤超声图像分类方法、装置及介质
CN111695644B (zh) * 2020-08-10 2023-04-18 华侨大学 基于光密度变换的肿瘤超声图像分类方法、装置及介质
CN111904470A (zh) * 2020-08-24 2020-11-10 西北工业大学 医学超声诊查过程的动态可解释推理辅助诊断方法
CN111904470B (zh) * 2020-08-24 2024-03-12 西北工业大学 医学超声诊查过程的动态可解释推理辅助诊断方法
CN116958007A (zh) * 2022-03-30 2023-10-27 上海微创卜算子医疗科技有限公司 超声心动图像切面类型识别方法、电子设备和存储介质

Also Published As

Publication number Publication date
US10614573B2 (en) 2020-04-07
US20180276821A1 (en) 2018-09-27
CN105447872A (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
US10614573B2 (en) Method for automatically recognizing liver tumor types in ultrasound images
Archana et al. Residual u-net with Self-Attention based deep convolutional adaptive capsule network for liver cancer segmentation and classification
US11101033B2 (en) Medical image aided diagnosis method and system combining image recognition and report editing
Chu et al. Ultrasonic thyroid nodule detection method based on U-Net network
Massoptier et al. A new fully automatic and robust algorithm for fast segmentation of liver tissue and tumors from CT scans
Mansoor et al. A generic approach to pathological lung segmentation
Adal et al. Automated detection of microaneurysms using scale-adapted blob analysis and semi-supervised learning
Qian et al. An integrated method for atherosclerotic carotid plaque segmentation in ultrasound image
Liu et al. Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window
CN104091346A (zh) 一种全自动ct图像冠状动脉钙化分数计算方法
Jony et al. Detection of lung cancer from CT scan images using GLCM and SVM
Liang et al. Recognizing focal liver lesions in CEUS with dynamically trained latent structured models
Wang et al. A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network.
Mehta et al. Detection of lung cancer using image processing methods
Kriti et al. A Review of Segmentation Algorithms Applied to B-Mode Breast Ultrasound Images: A Characterization Approach: Kriti et al.
Li et al. A semi-automated annotation algorithm based on weakly supervised learning for medical images
CN109816665B (zh) 一种光学相干断层扫描图像的快速分割方法及装置
Durlak et al. Growing a random forest with fuzzy spatial features for fully automatic artery-specific coronary calcium scoring
Tajbakhsh et al. Automatic interpretation of carotid intima–media thickness videos using convolutional neural networks
Liang et al. Recognizing focal liver lesions in contrast-enhanced ultrasound with discriminatively trained spatio-temporal model
Wang et al. Automated segmentation of breast arterial calcifications from digital mammography
Sachin et al. Performance analysis of deep learning models for biomedical image segmentation
Mozaffari et al. 3D Ultrasound image segmentation: A Survey
Li et al. Vessel segmentation of liver CT images by hessian-based enhancement
Fu et al. A review of retinal vessel segmentation and artery/vein classification

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16869496

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16869496

Country of ref document: EP

Kind code of ref document: A1