Nothing Special   »   [go: up one dir, main page]

CN107958453A - 乳腺图像病变区域的检测方法、装置及计算机存储介质 - Google Patents

乳腺图像病变区域的检测方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN107958453A
CN107958453A CN201711258095.7A CN201711258095A CN107958453A CN 107958453 A CN107958453 A CN 107958453A CN 201711258095 A CN201711258095 A CN 201711258095A CN 107958453 A CN107958453 A CN 107958453A
Authority
CN
China
Prior art keywords
image
lesion region
galactophore image
galactophore
region
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.)
Granted
Application number
CN201711258095.7A
Other languages
English (en)
Other versions
CN107958453B (zh
Inventor
郑杰
胡阳
陈晶
郭朋
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.)
Shenzhen Lanying Medical Technology Co.,Ltd.
Original Assignee
Shenzhen Blue Ribbon Medical Imaging Co Ltd
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 Shenzhen Blue Ribbon Medical Imaging Co Ltd filed Critical Shenzhen Blue Ribbon Medical Imaging Co Ltd
Priority to CN201711258095.7A priority Critical patent/CN107958453B/zh
Publication of CN107958453A publication Critical patent/CN107958453A/zh
Application granted granted Critical
Publication of CN107958453B publication Critical patent/CN107958453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种乳腺图像病变区域的检测方法。该方法包括：接收待检测的乳腺图像，对所述待检测的乳腺图像进行预处理；基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域；基于K均值聚类算法对所述可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域；提取所述感兴趣区域的特征信息，并根据所述特征信息检测所述感兴趣区域是否为乳腺病变区域。本发明还公开了一种乳腺图像病变区域的检测装置及计算机可读存储介质。本发明可提高乳腺图像中病变区域分割的准确性，从而提高乳腺病变区域检测结果的准确性。

Description

乳腺图像病变区域的检测方法、装置及计算机存储介质
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种乳腺图像病变区域的检测方法、装置及计算机存储介质。
背景技术
乳腺癌是一种常见的恶性肿瘤，早期诊断和治疗是降低乳腺癌死亡率的关键。而计算机辅助检测系统可通过检测出可疑病变区域，辅助医生做出最终的诊断决策，从而提高乳腺癌患者的存活率和生活质量。由于肿块和钙化点簇是乳腺癌最常见的影像学征象，因此肿块和钙化点的自动检测也成为计算机辅助诊断系统的两个主要方面。其中，肿块由于其边缘模糊，形状各异，与周围组织对比度较低等因素，一直都是计算机辅助检测的一个难点。尤其对于致密型乳腺，由于乳腺内腺体数量多、脂肪组织少、自然对比度差，所以X线片显示乳腺全视野内均为密实团片状高密度影，皮下脂肪层较薄，腺体层与皮下脂肪层分界清晰，当其内出现肿块时，容易被致密的腺体组织所掩盖，难以显示其边界，所以很容易导致漏诊。
现有技术中，对于致密型乳腺图像的处理方法主要包括以下两种：1)通过将致密型乳腺图像分为若干子区域，并提取各个子区域的密度特征后进行聚类分析，最后显示聚类结果；2)通过K-means方法找到乳腺图像中的感兴趣区域，然后提取表征肿块的特征用以区分肿块和正常组织。其中，第1)种方法仅仅依据乳腺病变区域密度这一特征，对于致密型乳腺图像中的病变区域的检测效果不佳，而第2)种方法仅仅依靠K-means聚类算法去提取感兴趣区域，对边缘较为清晰、形状较为规则的圆形或者类圆形的病变区域分割效果较好，但是对形状不规则，隐匿在致密组织区域中的病变不能得到其较为准确的肿块边缘。因此，现有技术无法对致密性乳腺图像中的病变区域进行准确分割，从而导致检测结果的准确性较差。
发明内容
本发明的主要目的在于提供一种乳腺图像病变区域的检测方法、装置及计算机存储介质，旨在提高乳腺病变区域检测结果的准确性。
为实现上述目的，本发明提供一种乳腺图像病变区域的检测方法，所述乳腺图像病变区域的检测方法包括：
接收待检测的乳腺图像，对所述待检测的乳腺图像进行预处理；
基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域；
基于K均值聚类算法对所述可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域；
提取所述感兴趣区域的特征信息，并根据所述特征信息检测所述感兴趣区域是否为乳腺病变区域。
可选地，所述基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域的步骤，包括：
基于Nystrom抽样算法对经过预处理后的乳腺图像中的像素点按预设比例进行抽样，得到样本数据；
根据所述样本数据的第一特征向量得到与所有像素点对应的整个数据集的第二特征向量；
基于K均值聚类算法对前k1个特征值对应的第二特征向量进行一次聚类分割，分割成k1簇；
获取所述经过预处理后的乳腺图像中灰度最大值的位置信息，根据所述位置信息获取对应的簇，将对应的簇作为可疑乳腺病变区域。
可选地，所述基于K均值聚类算法对所述可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域的步骤，包括：
获取所述可疑乳腺病变区域的像素点；
基于K均值聚类算法对所述可疑乳腺病变区域的像素点进行二次聚类分割，获得对应的感兴趣区域。
可选地，所述接收待检测的乳腺图像，对所述待检测的乳腺图像进行预处理的步骤，包括：
接收待检测的乳腺图像，对所述待检测的乳腺图像进行反白处理；
对经反白处理后的乳腺图像进行图像增强处理，得到增强图像；
对所述增强图像进行二值化处理。
可选地，所述对经反白处理后的乳腺图像进行图像增强处理，得到增强图像的步骤之后，包括：
对所述增强图像进行下采样处理；
所述对所述增强图像进行二值化处理的步骤，包括：
对经下采样处理后的增强图像进行二值化处理。
可选地，所述提取所述感兴趣区域的特征信息，并根据所述特征信息检测所述感兴趣区域是否为乳腺病变区域的步骤，包括：
提取所述感兴趣区域的特征信息，检测所述特征信息是否在预设范围内；
当所述特征信息在预设范围内时，则所述感兴趣区域为乳腺病变区域。
可选地，所述乳腺图像病变区域的检测方法还包括：
根据所述乳腺病变区域构造对应的二值图像；
利用预设函数对所述二值图像中对象的轮廓进行标记，并在所述经过预处理后的乳腺图像上显示经标记的轮廓。
可选地，所述特征信息包括：面积、离心率、圆形度、固性和占空比。
此外，为实现上述目的，本发明还提供一种乳腺图像病变区域的检测装置，所述乳腺图像病变区域的检测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的乳腺图像病变区域的检测程序，所述乳腺图像病变区域的检测程序被所述处理器执行时实现如上所述的乳腺图像病变区域的检测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有乳腺图像病变区域的检测程序，所述乳腺图像病变区域的检测程序被处理器执行时实现如上所述的乳腺图像病变区域的检测方法的步骤。
本发明提供一种乳腺图像病变区域的检测方法、装置及计算机存储介质，通过接收待检测的乳腺图像，对所述待检测的乳腺图像进行预处理；基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域；基于K均值聚类算法对所述可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域；提取所述感兴趣区域的特征信息，并根据所述特征信息检测所述感兴趣区域是否为乳腺病变区域。通过上述方式，终端在接收到待检测的乳腺图像时，对该待检测的乳腺图像进行预处理，从而利于后续进行聚类分割处理，然后基于Nystrom谱聚类算法(即将Nystrom抽样算法与K均值聚类算法相结合)对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域，即包含乳腺病变区域的大致范围，通过一次聚类分割可减少大范围的虚假分割点，为后续的二次聚类分割提供一个较小范围的区域。再基于K均值聚类算法对可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域。经过二次聚类分割，可得到更加准确的乳腺病变区域的轮廓范围。然后分别提取这些感兴趣区域的特征信息，并根据特征信息检测所述感兴趣区域是否为乳腺病变区域，从而滤除假阳性病变区域，提高检测结果的准确性。因此，本发明通过对乳腺图像进行两次聚类分割，可提高乳腺图像中病变区域分割的准确性，从而提高乳腺病变区域检测结果的准确性。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明乳腺图像病变区域的检测方法第一实施例的流程示意图；
图3为本发明实施例中基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域的细化流程示意图；
图4为本发明实施例中基于K均值聚类算法对所述可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域的细化流程示意图；
图5为本发明实施例中提取所述感兴趣区域的特征信息，并根据所述特征信息检测所述感兴趣区域是否为乳腺病变区域的细化流程示意图；
图6为本发明实施例中接收待检测的乳腺图像，对所述待检测的乳腺图像进行预处理的细化流程示意图；
图7为本发明乳腺图像病变区域的检测方法第二实施例的流程示意图；
图8为本发明实施例中待检测乳腺图像的示意图；
图9为本发明实施例中增强图像的示意图；
图10为本发明实施例中经过预处理后的乳腺图像的示意图；
图11为本发明实施例中经一次聚类分割后获得的可疑乳腺病变区域的示意图；
图12为本发明实施例中经二次聚类分割后获得的感兴趣区域的示意图；
图13为本发明实施例中对乳腺病变区域所处位置进行轮廓标记并显示的示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在现有技术中，对于致密型乳腺图像的处理方法主要包括以下两种：1)通过将致密型乳腺图像分为若干子区域，并提取各个子区域的密度特征后进行聚类分析，最后显示聚类结果；2)通过K-means方法找到乳腺图像中的感兴趣区域，然后提取表征肿块的特征用以区分肿块和正常组织。其中，第1)种方法仅仅依据乳腺病变区域密度这一特征，对于致密型乳腺图像中的病变区域的检测效果不佳，而第2)种方法仅仅依靠K-means聚类算法去提取感兴趣区域，对边缘较为清晰、形状较为规则的圆形或者类圆形的病变区域分割效果较好，但是对形状不规则，隐匿在致密组织区域中的病变不能得到其较为准确的肿块边缘。因此，现有技术无法对致密性乳腺图像中的病变区域进行准确分割，从而导致检测结果的准确性较差。
为了解决上述技术问题，本发明提供一种乳腺图像病变区域的检测方法、装置及计算机存储介质，通过接收待检测的乳腺图像，对所述待检测的乳腺图像进行预处理；基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域；基于K均值聚类算法对所述可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域；提取所述感兴趣区域的特征信息，并根据所述特征信息检测所述感兴趣区域是否为乳腺病变区域。通过上述方式，终端在接收到待检测的乳腺图像时，对该待检测的乳腺图像进行预处理，从而利于后续进行聚类分割处理，然后基于Nystrom谱聚类算法(即将Nystrom抽样算法与K均值聚类算法相结合)对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域，即包含乳腺病变区域的大致范围，通过一次聚类分割可减少大范围的虚假分割点，为后续的二次聚类分割提供一个较小范围的区域。再基于K均值聚类算法对可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域。经过二次聚类分割，可得到更加准确的乳腺病变区域的轮廓范围。然后分别提取这些感兴趣区域的特征信息，并根据特征信息检测所述感兴趣区域是否为乳腺病变区域，从而滤除假阳性病变区域，提高检测结果的准确性。因此，本发明通过对乳腺图像进行两次聚类分割，可提高乳腺图像中病变区域分割的准确性，从而提高乳腺病变区域检测结果的准确性。
请参阅图1，图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC，也可以是平板电脑、便携计算机、智能手机等具有显示功能的可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、Wi-Fi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及乳腺图像病变区域的检测程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的乳腺图像病变区域的检测程序，并执行以下操作：
接收待检测的乳腺图像，对所述待检测的乳腺图像进行预处理；
基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域；
基于K均值聚类算法对所述可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域；
提取所述感兴趣区域的特征信息，并根据所述特征信息检测所述感兴趣区域是否为乳腺病变区域。
进一步地，处理器1001可以调用存储器1005中存储的乳腺图像病变区域的检测程序，还执行以下操作：
基于Nystrom抽样算法对经过预处理后的乳腺图像中的像素点按预设比例进行抽样，得到样本数据；
根据所述样本数据的第一特征向量得到与所有像素点对应的整个数据集的第二特征向量；
基于K均值聚类算法对前k1个特征值对应的第二特征向量进行一次聚类分割，分割成k1簇；
获取所述经过预处理后的乳腺图像中灰度最大值的位置信息，根据所述位置信息获取对应的簇，将对应的簇作为可疑乳腺病变区域。
进一步地，处理器1001可以调用存储器1005中存储的乳腺图像病变区域的检测程序，还执行以下操作：
获取所述可疑乳腺病变区域的像素点；
基于K均值聚类算法对所述可疑乳腺病变区域的像素点进行二次聚类分割，获得对应的感兴趣区域。
进一步地，处理器1001可以调用存储器1005中存储的乳腺图像病变区域的检测程序，还执行以下操作：
接收待检测的乳腺图像，对所述待检测的乳腺图像进行反白处理；
对经反白处理后的乳腺图像进行图像增强处理，得到增强图像；
对所述增强图像进行二值化处理。
进一步地，处理器1001可以调用存储器1005中存储的乳腺图像病变区域的检测程序，还执行以下操作：
对所述增强图像进行下采样处理；
对经下采样处理后的增强图像进行二值化处理。
进一步地，处理器1001可以调用存储器1005中存储的乳腺图像病变区域的检测程序，还执行以下操作：
提取所述感兴趣区域的特征信息，检测所述特征信息是否在预设范围内；
当所述特征信息在预设范围内时，则所述感兴趣区域为乳腺病变区域。
进一步地，处理器1001可以调用存储器1005中存储的乳腺图像病变区域的检测程序，还执行以下操作：
根据所述乳腺病变区域构造对应的二值图像；
利用预设函数对所述二值图像中对象的轮廓进行标记，并在所述经过预处理后的乳腺图像上显示经标记的轮廓。
进一步地，所述特征信息包括：面积、离心率、圆形度、固性和占空比。
基于上述硬件结构，提出本发明乳腺图像病变区域的检测方法实施例。
本发明提出一种乳腺图像病变区域的检测方法。
请参阅图2，图2为本发明乳腺图像病变区域的检测方法第一实施例的流程示意图。
在本发明实施例中，该乳腺图像病变区域的检测方法包括：
步骤S10，接收待检测的乳腺图像，对所述待检测的乳腺图像进行预处理；
在本发明实施例中，该乳腺图像病变区域的检测方法可用于对乳腺图像进行聚类分割，进而根据聚类分割得到的各区域的特征信息检测该区域是否为乳腺病变区域。本发明可提高乳腺图像中的病变区域分割的准确性，从而提高乳腺图像病变区域的检测结果的准确性，为医生提供更多的诊断依据，使得医生的诊断更准确。本发明实施例的终端可以是PC，也可以是平板电脑、便携计算机、智能手机等具有显示功能的可移动式终端设备。
在本发明实施例中，终端在接收到待检测的乳腺图像时，可先对该待检测的乳腺图像进行预处理。具体的，预处理可以包括反白处理、图像增强处理、下采样处理和二值化处理，最终得到如图10所示的经过预处理后的乳腺图像。其中，反白处理可解决待检测的乳腺图像中存在的乳腺区域灰度低，背景区域灰度高的问题；图像增强处理可提高经反白处理后的乳腺图像中病变区域和正常组织区域的对比度；下采样处理，可缩小图像，提高后续图像聚类处理速度；二值化处理可以将增强图像分成背景和乳腺组织区域两个部分，最大范围确定了有效的乳腺组织区域，从而方便后续对乳腺组织区域进行聚类分割等步骤。
步骤S20，基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域；
然后，基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域，即包含乳腺病变区域的大致范围，如图11所示，最终得到可疑乳腺病变区域为图11中的1区域。经过一次聚类分割，可减少大范围的虚假分割点，然后通过统计各区域灰度，得到满足灰度阈值的区域，即可疑乳腺病变区域，作为后续二次聚类分割的初始区域。
需要说明的是，在图像分割中，谱聚类算法是通过计算像素点之间的相似度矩阵并求解该矩阵的特征值与特征向量，通过对特征向量进行聚类完成对图像的划分。谱聚类算法可将图像划分为多个区域，使得同一区域内部像素点相似度高，不同区域之间相似度低，获得了较好的分割效果。然而，谱聚类算法计算过程中产生的相似度矩阵规模过大，特征值与特征向量的存储、计算使得谱聚类算法计算复杂度过高。因此，本发明实施例中，采用了Nystrom谱聚类算法，即将Nystrom抽样算法与K均值(K-means)聚类算法相结合，可通过Nystrom抽样算法抽取小部分数据作为样本数据，然后根据样本数据的特征向量推导出整个数据集的特征向量的近似值，从而可提高K-means聚类算法的运算速度。
具体的，请参阅图3，图3为本发明实施例中基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域的细化流程示意图。步骤S20包括：
步骤S21，基于Nystrom抽样算法对经过预处理后的乳腺图像中的像素点按预设比例进行抽样，得到样本数据；
步骤S22，根据所述样本数据的第一特征向量得到与所有像素点对应的整个数据集的第二特征向量；
步骤S23，基于K均值聚类算法对前k1个特征值对应的第二特征向量进行一次聚类分割，分割成k1簇；
步骤S24，获取所述经过预处理后的乳腺图像中灰度最大值的位置信息，根据所述位置信息获取对应的簇，将对应的簇作为可疑乳腺病变区域。
针对经预处理后的图像较大，像素点较多的情况，终端可利用Nystrom抽样算法将经过预处理后的乳腺图像中的像素点拉成列向量，然后按预设比例对像素点进行抽样，得到样本数据，其中，预设比例的设定可以依据不大于原始数据1％量的原则进行设定，可以设为1％，也可以根据实际情况进行设定。然后，根据该样本数据的第一特征向量得到与所有像素点对应的整个数据集的第二特征向量，即通过样本数据的第一特征向量推导出整个数据集的第二特征向量的近似值，进而基于K均值(K-means)聚类算法对前k1个特征值对应的第二特征向量进行一次聚类分割，分割成k1簇，得到乳腺图像分割结果，其中k1是类别数，k1≥1且为整数。通过将聚类类别数分别设置为3、5、7对比实验结果发现，聚类类别数为5的时候能得到较为有意义并且有效的聚类结果。通过Nystrom谱聚类算法之后，图像被分成5簇，即{Ci}，i＝1,2,…,5，如图11所示。考虑到肿块区域较正常组织而言具有较高的亮度，故获取经过预处理后的乳腺图像中灰度最大值的位置信息，根据该位置信息获取对应的簇，将对应的簇作为可疑乳腺病变区域(即图11中1区域)，进而作为二次分割的初始区域。
步骤S30，基于K均值聚类算法对所述可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域；
然后，基于K均值(K-means)聚类算法对可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域。经过二次聚类分割，可得到更加准确的乳腺病变区域的轮廓范围。
具体的，请参阅图4，图4为本发明实施例中基于K均值聚类算法对所述可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域的细化流程示意图。步骤S30包括：
步骤S31，获取所述可疑乳腺病变区域的像素点；
步骤S32，基于K均值聚类算法对所述可疑乳腺病变区域的像素点进行二次聚类分割，获得对应的感兴趣区域。
在获得可疑乳腺病变区域之后，终端先获取该可疑乳腺病变区域的像素点拉成列向量，然后基于K均值(K-means)聚类算法对该可疑乳腺病变区域的像素点进行二次聚类分割，其中，通过设置不同的聚类类别数进行对比实验后发现，该二次聚类分割的聚类类别数可以设置为3，此时的聚类效果较好。从而，经过二次聚类分割后，得到如图12所示的结果图，将可疑乳腺病变区域分为了3簇，这3簇均为感兴趣区域。
步骤S40，提取所述感兴趣区域的特征信息，并根据所述特征信息检测所述感兴趣区域是否为乳腺病变区域。
为滤除假阳性病变区域，提高检测结果的准确性，终端会提取感兴趣区域的特征信息，并根据特征信息检测所述感兴趣区域是否为乳腺病变区域。由于图12中的感兴趣区域包括3簇，因此，需要分别提取各簇区域的特征信息，然后根据这些特征信息检测对应的区域是否为乳腺病变区域。
其中，特征信息包括面积、离心率、圆形度、固性和占空比。面积Sa即为当前区域的像素点个数；离心率表示与当前区域具有相同标准二阶中心矩的椭圆的离心率，其计算公式为Eccentricity＝L/W，其中L和W分别为该椭圆的半焦距和长半轴的长度；圆形度用于描述图像类圆形的程度，其计算公式为Circularity＝4×pi×Sa/C2，其中Sa为当前区域的面积，C为当前区域的周长；固性的计算公式为：Solidity＝Sa/Sb，其中Sa为当前区域的面积，Sb为包含该当前区域的最小凸多边形的面积；占空比的计算公式为：Extent＝Sa/Sr，其中Sa为当前区域的面积，Sr为包含该当前区域的最小边界矩形的面积。需要说明的是，Sa、L、W、C、Sb和Sr可通过Matlab中的相关函数计算得到，进而得到面积Sa、离心率Eccentricity、圆形度Circularity、固性Solidity和占空比Extent，具体的，可参照现有技术，此处不作赘述。此外，在具体实施例中，还可以提取更多的其他特征信息，以判断感兴趣区域是否为乳腺病变区域。
具体的，请参阅图5，图5为本发明实施例中提取所述感兴趣区域的特征信息，并根据所述特征信息检测所述感兴趣区域是否为乳腺病变区域的细化流程示意图。步骤S40包括：
步骤S41，提取所述感兴趣区域的特征信息，检测所述特征信息是否在预设范围内；
步骤S42，当所述特征信息在预设范围内时，则所述感兴趣区域为乳腺病变区域。
终端在提取到感兴趣区域的特征信息之后，检测特征信息是否在预设范围内，当所述特征信息在预设范围内时，则所述感兴趣区域为乳腺病变区域。经过查阅资料和试验发现，各个特征信息(面积、离心率、圆形度、固性和占空比)对应的预设范围分别为：40-90000之间，大于0.3，大于0.735，大于0.79，大于0.26，即面积Sa在40-90000之间，离心率Eccentricity＞0.3，圆形度Circularity＞0.735，固性Solidity＞0.79，占空比Extent＞0.26时，则该对应区域为乳腺病变区域。例如图12中，得到只有区域2的各个特征信息均在预设范围内，则可判断该区域2为乳腺病变区域，而其他区域的为假阳性病变区域。
本发明提供一种乳腺图像病变区域的检测方法，通过接收待检测的乳腺图像，对所述待检测的乳腺图像进行预处理；基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域；基于K均值聚类算法对所述可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域；提取所述感兴趣区域的特征信息，并根据所述特征信息检测所述感兴趣区域是否为乳腺病变区域。通过上述方式，终端在接收到待检测的乳腺图像时，对该待检测的乳腺图像进行预处理，从而利于后续进行聚类分割处理，然后基于Nystrom谱聚类算法(即将Nystrom抽样算法与K均值聚类算法相结合)对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域，即包含乳腺病变区域的大致范围，通过一次聚类分割可减少大范围的虚假分割点，为后续的二次聚类分割提供一个较小范围的区域。再基于K均值聚类算法对可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域。经过二次聚类分割，可得到更加准确的乳腺病变区域的轮廓范围。然后分别提取这些感兴趣区域的特征信息，并根据特征信息检测所述感兴趣区域是否为乳腺病变区域，从而滤除假阳性病变区域，提高检测结果的准确性。因此，本发明通过对乳腺图像进行两次聚类分割，可提高乳腺图像中病变区域分割的准确性，从而提高乳腺病变区域检测结果的准确性。
进一步的，请参阅图6，图6为本发明实施例中接收待检测的乳腺图像，对所述待检测的乳腺图像进行预处理的细化流程示意图。
步骤S11，接收待检测的乳腺图像，对所述待检测的乳腺图像进行反白处理；
步骤S12，对经反白处理后的乳腺图像进行图像增强处理，得到增强图像；
步骤S13，对所述增强图像进行二值化处理。
在本发明实施例中，当终端接收到待检测的乳腺图像(如图8)时，由于原始的乳腺图像(待检测的乳腺图像)中存在乳腺区域灰度低，背景区域灰度高的问题，因此，可以先对待检测的乳腺图像进行反白处理，反白处理是指将非白的部分变成白的，白的部分变成黑的。
为提高经反白处理后的乳腺图像中病变区域和正常组织区域的对比度，接着可利用基于频率协调的显著性检测方法对经反白处理后的乳腺图像进行图像增强处理，从而得到增强图像，如图9所示。需要说明的是，图像增强是采用一系列技术去改善图像的视觉效果，或将图像转换成一种更适合于人或机器进行分析和处理的形式。图像增强处理是有选择地突出某些感兴趣的信息，抑制一些不需要的信息，提高图像的使用价值。其中，具体的图像增强处理过程可参照现有技术，此处不再赘述。此外，在具体实施例中，图像增强处理方法并不限于上述的基于频率协调的显著性检测方法，还可以为基于空间域的显著性检测方法及其他可增强图像内部区域对比度的方法。
然后采用最大类间方差法对增强图像进行二值化处理，从而获得乳腺组织区域，如图10所示。最大类间方差法，又称为大津法(OTSU算法)，是日本学者大津(NobuyukiOtsu)于1979年提出的一种自适应的阈值确定的方法，可以按图像的灰度特性，将图像分成背景和目标两个部分。在本发明实施例中应用最大类间方差对增强图像进行处理，则可以将增强图像分成背景和乳腺组织区域两个部分，最大范围确定了有效的乳腺组织区域，从而方便后续对乳腺组织区域进行聚类分割等步骤。其中，具体的处理过程可参照现有的最大类间方差法对图像进行二值化处理的过程，此处不再赘述。
需要说明的是，为提高后续图像聚类处理速度，在步骤S12和步骤S13之间，还可以包括以下步骤：
对所述增强图像进行下采样处理；
此时，步骤S13可以包括：
对经下采样处理后的增强图像进行二值化处理。
在本发明实施例中，由于原始乳腺图像(即待检测的乳腺图像)的尺寸多为3000×2000像素甚至更大，为了利于后续图像聚类处理，提高处理速度，在不影响图像精度的基础上，可以对增强图像进行下采样处理。下采样处理即缩小图像，其原理为：对于一幅尺寸为M×N的图像，对其进行s倍下采样，即得到(M/s)×(N/s)尺寸的得分辨率图像，当然s应该是M和N的公约数才行。在本发明实施例中，可对增强图像进行5倍下采样处理(下5采样处理)，即每5个像素点中去一个像素点。然后，再采用最大类间方差法对经下采样处理后的增强图像进行二值化处理，从而获得乳腺组织区域，如图10所示。
进一步的，请参阅图7，图7为本发明乳腺图像病变区域的检测方法第二实施例的流程示意图。
基于图2所示的第一实施例，在步骤S40之后，该乳腺图像病变区域的检测方法还包括：
步骤S50，根据所述乳腺病变区域构造对应的二值图像；
步骤S60，利用预设函数对所述二值图像中对象的轮廓进行标记，并在所述经过预处理后的乳腺图像上显示经标记的轮廓。
为方便医生查看检测出的乳腺病变区域所在的位置，进而做出更为准确的诊断，本发明实施例中将检测出的乳腺病变区域的轮廓进行了标记，并显示在经预处理后的乳腺图像中。首先，根据检测出的乳腺病变区域构造对应的二值图像，其中，二值图像是指每个像素不是黑就是白，其灰度值没有中间过渡的图像，一般用于描述文字或者图形，占用空间少，还可描述目标区域的轮廓。具体的，将该乳腺病变区域中包含的像素点的值设为1(1代表白)，整个图像中的其他像素点的值设为0(0代表黑)，从而构造出与经预处理后的乳腺图像等大的二值图像，然后利用预设函数对该二值图像中对象的轮廓进行标记，并在经过预处理后的乳腺图像上显示经标记的轮廓，其中，预设函数可以为Matlab中的bwboundaries函数，也可以为OpenCV中的cvFindContours函数及其他可用于获取和标记二值图像中对象的轮廓的函数。此时，请参阅图13，图13为本发明实施例中对乳腺病变区域所处位置进行轮廓标记并显示的示意图，如图13所示，图12中所示的乳腺病变区域2的轮廓经标记，并显示在经预处理后的乳腺图像中。
本发明还提出一种计算机存储介质，该计算机存储介质上存储有乳腺图像病变区域的检测程序，所述乳腺图像病变区域的检测程序被处理器执行时实现如以上任一项实施例所述的乳腺图像病变区域的检测方法的步骤。
本发明计算机存储介质的具体实施例与上述乳腺图像病变区域的检测方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种乳腺图像病变区域的检测方法，其特征在于，所述乳腺图像病变区域的检测方法包括以下步骤：
接收待检测的乳腺图像，对所述待检测的乳腺图像进行预处理；
基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域；
基于K均值聚类算法对所述可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域；
提取所述感兴趣区域的特征信息，并根据所述特征信息检测所述感兴趣区域是否为乳腺病变区域。
2.如权利要求1所述的乳腺图像病变区域的检测方法，其特征在于，所述基于Nystrom谱聚类算法对经过预处理后的乳腺图像进行一次聚类分割，获得可疑乳腺病变区域的步骤，包括：
基于Nystrom抽样算法对经过预处理后的乳腺图像中的像素点按预设比例进行抽样，得到样本数据；
根据所述样本数据的第一特征向量得到与所有像素点对应的整个数据集的第二特征向量；
基于K均值聚类算法对前k1个特征值对应的第二特征向量进行一次聚类分割，分割成k1簇；
获取所述经过预处理后的乳腺图像中灰度最大值的位置信息，根据所述位置信息获取对应的簇，将对应的簇作为可疑乳腺病变区域。
3.如权利要求1所述的乳腺图像病变区域的检测方法，其特征在于，所述基于K均值聚类算法对所述可疑乳腺病变区域进行二次聚类分割，获得对应的感兴趣区域的步骤，包括：
获取所述可疑乳腺病变区域的像素点；
基于K均值聚类算法对所述可疑乳腺病变区域的像素点进行二次聚类分割，获得对应的感兴趣区域。
4.如权利要求1所述的乳腺图像病变区域的检测方法，其特征在于，所述接收待检测的乳腺图像，对所述待检测的乳腺图像进行预处理的步骤，包括：
接收待检测的乳腺图像，对所述待检测的乳腺图像进行反白处理；
对经反白处理后的乳腺图像进行图像增强处理，得到增强图像；
对所述增强图像进行二值化处理。
5.如权利要求4所述的乳腺图像病变区域的检测方法，其特征在于，所述对经反白处理后的乳腺图像进行图像增强处理，得到增强图像的步骤之后，包括：
对所述增强图像进行下采样处理；
所述对所述增强图像进行二值化处理的步骤，包括：
对经下采样处理后的增强图像进行二值化处理。
6.如权利要求1所述的乳腺图像病变区域的检测方法，其特征在于，所述提取所述感兴趣区域的特征信息，并根据所述特征信息检测所述感兴趣区域是否为乳腺病变区域的步骤，包括：
提取所述感兴趣区域的特征信息，检测所述特征信息是否在预设范围内；
当所述特征信息在预设范围内时，则所述感兴趣区域为乳腺病变区域。
7.如权利要求1所述的乳腺图像病变区域的检测方法，其特征在于，所述乳腺图像病变区域的检测方法还包括：
根据所述乳腺病变区域构造对应的二值图像；
利用预设函数对所述二值图像中对象的轮廓进行标记，并在所述经过预处理后的乳腺图像上显示经标记的轮廓。
8.如权利要求1至7中任一项所述的乳腺图像病变区域的检测方法，其特征在于，所述特征信息包括：面积、离心率、圆形度、固性和占空比。
9.一种乳腺图像病变区域的检测装置，其特征在于，所述乳腺图像病变区域的检测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的乳腺图像病变区域的检测程序，所述乳腺图像病变区域的检测程序被所述处理器执行时实现如权利要求1至8中任一项所述的乳腺图像病变区域的检测方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有乳腺图像病变区域的检测程序，所述乳腺图像病变区域的检测程序被处理器执行时实现如权利要求1至8中任一项所述的乳腺图像病变区域的检测方法的步骤。
CN201711258095.7A 2017-12-01 2017-12-01 乳腺图像病变区域的检测方法、装置及计算机存储介质 Active CN107958453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711258095.7A CN107958453B (zh) 2017-12-01 2017-12-01 乳腺图像病变区域的检测方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711258095.7A CN107958453B (zh) 2017-12-01 2017-12-01 乳腺图像病变区域的检测方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN107958453A true CN107958453A (zh) 2018-04-24
CN107958453B CN107958453B (zh) 2022-01-28

Family

ID=61963088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711258095.7A Active CN107958453B (zh) 2017-12-01 2017-12-01 乳腺图像病变区域的检测方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN107958453B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872307A (zh) * 2019-01-30 2019-06-11 腾讯科技（深圳）有限公司 一种检测生物组织图像中肿块的方法、相应设备及介质
CN109893100A (zh) * 2019-04-18 2019-06-18 盐城工学院 一种乳腺癌风险评估中乳腺密度定量化计算的方法
CN110097071A (zh) * 2019-03-18 2019-08-06 深圳蓝韵医学影像有限公司 基于谱聚类与K-means结合的乳腺病变区域的识别方法与装置
CN110136112A (zh) * 2019-05-14 2019-08-16 华侨大学 一种基于乳腺x线摄影钙化计算机辅助检测算法
CN110334229A (zh) * 2019-04-30 2019-10-15 王松年 可视化显示方法、设备、系统及计算机可读存储介质
CN110634129A (zh) * 2019-08-23 2019-12-31 首都医科大学宣武医院 一种基于dsa图像的定位方法及系统
CN111862075A (zh) * 2020-07-30 2020-10-30 西南医科大学 一种基于深度学习的肺部图像分析系统及其分析方法
CN112087970A (zh) * 2018-05-23 2020-12-15 Eizo株式会社 信息处理装置、信息处理方法、计算机程序
CN113012162A (zh) * 2021-03-08 2021-06-22 重庆金山医疗器械有限公司 一种内窥镜检查区域的清洁度检测方法、装置及相关设备
WO2021217854A1 (zh) * 2020-04-30 2021-11-04 平安科技（深圳）有限公司 假阳性过滤方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289657A (zh) * 2011-05-12 2011-12-21 西安电子科技大学 基于视觉注意机制的乳腺x线影像肿块检测系统
CN102956035A (zh) * 2011-08-25 2013-03-06 深圳市蓝韵实业有限公司 用于乳腺x线图像中提取乳腺区域的预处理方法及系统
CN104732213A (zh) * 2015-03-23 2015-06-24 中山大学 一种基于乳腺磁共振图像的计算机辅助肿块检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289657A (zh) * 2011-05-12 2011-12-21 西安电子科技大学 基于视觉注意机制的乳腺x线影像肿块检测系统
CN102956035A (zh) * 2011-08-25 2013-03-06 深圳市蓝韵实业有限公司 用于乳腺x线图像中提取乳腺区域的预处理方法及系统
CN104732213A (zh) * 2015-03-23 2015-06-24 中山大学 一种基于乳腺磁共振图像的计算机辅助肿块检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
印世乐，曾志勇: "一种改进的 Nystrom 谱聚类图像分割算法", 《计算机与现代化》 *
孙娟，王兵，杨颖，田学东: "聚类分析在肺结节识别中的应用", 《计算机应用》 *
张权，胡玉兰: "谱聚类图像分割算法研究", 《沈阳理工大学学报》 *
李艳凤，陈后金: "基于解剖学特征的乳腺 X 线图像胸肌分割", 《自动化学报》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11810293B2 (en) 2018-05-23 2023-11-07 Eizo Corporation Information processing device, information processing method, and computer program
CN112087970A (zh) * 2018-05-23 2020-12-15 Eizo株式会社 信息处理装置、信息处理方法、计算机程序
CN112087970B (zh) * 2018-05-23 2023-08-08 Eizo株式会社 信息处理装置、信息处理方法以及记录介质
CN109872307A (zh) * 2019-01-30 2019-06-11 腾讯科技（深圳）有限公司 一种检测生物组织图像中肿块的方法、相应设备及介质
CN110097071A (zh) * 2019-03-18 2019-08-06 深圳蓝韵医学影像有限公司 基于谱聚类与K-means结合的乳腺病变区域的识别方法与装置
CN109893100A (zh) * 2019-04-18 2019-06-18 盐城工学院 一种乳腺癌风险评估中乳腺密度定量化计算的方法
CN110334229A (zh) * 2019-04-30 2019-10-15 王松年 可视化显示方法、设备、系统及计算机可读存储介质
CN110136112B (zh) * 2019-05-14 2022-11-04 华侨大学 一种基于乳腺x线摄影钙化计算机辅助检测算法
CN110136112A (zh) * 2019-05-14 2019-08-16 华侨大学 一种基于乳腺x线摄影钙化计算机辅助检测算法
CN110634129A (zh) * 2019-08-23 2019-12-31 首都医科大学宣武医院 一种基于dsa图像的定位方法及系统
CN110634129B (zh) * 2019-08-23 2022-08-23 首都医科大学宣武医院 一种基于dsa图像的定位方法及系统
WO2021217854A1 (zh) * 2020-04-30 2021-11-04 平安科技（深圳）有限公司 假阳性过滤方法、装置、设备及存储介质
CN111862075A (zh) * 2020-07-30 2020-10-30 西南医科大学 一种基于深度学习的肺部图像分析系统及其分析方法
CN113012162A (zh) * 2021-03-08 2021-06-22 重庆金山医疗器械有限公司 一种内窥镜检查区域的清洁度检测方法、装置及相关设备

Also Published As

Publication number Publication date
CN107958453B (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN107958453A (zh) 乳腺图像病变区域的检测方法、装置及计算机存储介质
CN111091576B (zh) 图像分割方法、装置、设备及存储介质
CN111062952B (zh) 肺部图像分割设备、方法及存储介质
CN112785565B (zh) 目标检测方法及装置、电子设备和存储介质
Zhou et al. Salient region detection via integrating diffusion-based compactness and local contrast
CN110473186B (zh) 一种基于医学图像的检测方法、模型训练的方法及装置
CN106530279B (zh) 一种图像处理方法及系统
CN109684925B (zh) 一种基于深度图像的人脸活体检测方法及设备
CN110348543A (zh) 眼底图像识别方法、装置、计算机设备及存储介质
CN108549886A (zh) 一种人脸活体检测方法及装置
US20140233820A1 (en) Segmentation and Fracture Detection in CT Images
CN111091127A (zh) 一种图像检测方法、网络模型训练方法以及相关装置
CN106372629A (zh) 一种活体检测方法和装置
CN109363698A (zh) 一种乳腺影像征象识别的方法及装置
US20230334235A1 (en) Detecting occlusion of digital ink
CN114820584B (zh) 肺部病灶定位装置
CN112446862A (zh) 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法
Jony et al. Detection of lung cancer from CT scan images using GLCM and SVM
CN104281856B (zh) 用于脑部医学图像分类的图像预处理方法和系统
WO2019184851A1 (zh) 图像处理方法和装置及神经网络模型的训练方法
CN114365190A (zh) 基于vrds 4d医学影像的脾脏肿瘤识别方法及相关装置
CN109559303A (zh) 钙化点的识别方法、装置和计算机可读存储介质
CN114529462A (zh) 一种基于改进YOLO V3-Tiny的毫米波图像目标检测方法及系统
CN111598144B (zh) 图像识别模型的训练方法和装置
CN113128373A (zh) 基于图像处理的色斑评分方法、色斑评分装置及终端设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: No.103, baguang District Service Center, No.2 BaiShaWan Road, baguang community, Kuiyong street, Dapeng New District, Shenzhen, Guangdong 518000

Patentee after: Shenzhen Lanying Medical Technology Co.,Ltd.

Address before: 518000 Shenzhen, Baoan District, Guangdong Shiyan street, Lang Xin neighborhood committee, brick factory village, Liyuan Industrial Zone, hung lung hi tech Industrial Park (blue Yun Industrial Park), 1 1 buildings.

Patentee before: SHENZHEN LANYUN MEDICAL IMAGE CO.,LTD.

CP03 Change of name, title or address