CN104700118A - 基于卷积神经网络的肺结节良恶性预测方法 - Google Patents
基于卷积神经网络的肺结节良恶性预测方法 Download PDFInfo
- Publication number
- CN104700118A CN104700118A CN201510117906.6A CN201510117906A CN104700118A CN 104700118 A CN104700118 A CN 104700118A CN 201510117906 A CN201510117906 A CN 201510117906A CN 104700118 A CN104700118 A CN 104700118A
- Authority
- CN
- China
- Prior art keywords
- lung neoplasm
- convolutional neural
- image block
- neural networks
- multiple dimensioned
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002685 pulmonary effect Effects 0.000 title abstract 12
- 206010028980 Neoplasm Diseases 0.000 title abstract 5
- 201000011510 cancer Diseases 0.000 title abstract 5
- 230000036210 malignancy Effects 0.000 title abstract 5
- 208000020816 lung neoplasm Diseases 0.000 claims description 72
- 230000000505 pernicious effect Effects 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003211 malignant effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的基于卷积神经网络的肺结节良恶性预测方法,包括:从肺结节坐标中获取多尺度肺结节图像块;根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络;根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络;利用训练的卷积神经网络提取肺结节的低维特征;利用所述低维特征训练非线性分类器,并预测未知肺结节图像块。本发明可以准确地预测未知肺结节图像块的良恶性。
Description
技术领域
本发明涉及医学图像领域,特别是涉及一种基于卷积神经网络的肺结节良恶性预测方法。
背景技术
目前的肺结节良恶性提取方法包括:肺结节分割;特征提取;分类器训练,以上方法依赖于肺结节的预分割。目前的很多分割方法都依赖于算法的初始化,如区域生长算法,水平集算法等。不同的初始化会对最终的分割结果产生不同的影响,因此,利用这样的分割结果得到的特征,通常是不准确的。
发明内容
本发明提供的基于卷积神经网络的肺结节良恶性预测方法,可以准确地预测未知肺结节图像块。
根据本发明的一方面,提供一种基于卷积神经网络的肺结节良恶性预测方法,包括:
从肺结节坐标中获取多尺度肺结节图像块;根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络;根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络;利用训练的卷积神经网络提取肺结节的低维特征;利用所述低维特征训练非线性分类器,并预测未知肺结节图像块。
本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法,通过根据多个肺结节图像块构造多个肺结节图像块对应的各个卷积神经网络,并且根据各个卷积神经网络得到多维图像块对应的低维特征,利用低维特征训练非线性分类器,从而准确地预测未知肺结节图像块。
附图说明
图1为本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法流程图;
图2为本发明实施例提供的不同参数配置下的卷积神经网络的预测精确度示意图;
图3为本发明实施例提供的良性肺结节和恶性肺结节对应的降维特征示意图;
图4为本发明实施例提供的多尺度肺结节图像块。
具体实施方式
本发明的总体构思是,通过根据多个肺结节图像块构造多个肺结节图像块对应的各个卷积神经网络,并且根据各个卷积神经网络得到多维图像块对应的低维特征,利用低维特征训练非线性分类器,从而准确地预测未知肺结节图像块。
下面结合附图对本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法进行详细描述。
图1为本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法流程图。
参照图1,在步骤S101,从肺结节坐标中获取多尺度肺结节图像块。
这里,多个肺结节图像块可以为三个尺度的图像块,分别为32*32*32、64*64*64和96*96*96。在提取结节图像块之前,首先需要将CT图像重采样到0.5mm/pixel的分辨率,从而解决不同CT图像之间分辨率不一致的问题。在截取结节图像块时,每个尺度的立方体的中心对应肺结节的中心。
在步骤S102,根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络。
这里,对应于三个尺度的图像块的输入,构造相应的三个卷积神经网络,每个卷积神经网络包括两个卷积层,每个卷基层后连接一个Max-pooling层,网络的最后采用全连接结构,输出50维特征。最后,每个网络的50维特征连接起来,得到150维特征,作为最终的多尺度特征。在这一步中,们每个卷积层中都拥有100个卷积核,卷积核的大小为5*5,max-pooling区域的大小为2*2。
根据本发明的示例性实施例,所述根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络包括:
根据公式(1)计算所述卷积神经网络的卷积层:
其中,fc为所述肺结节图像块,hc为卷积核,b为标量。
max-pooling层的计算公式如(2)所示:
其中,s为max-pooling的区域大小。
在步骤S103,根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络。
这里,所述损失函数包括:三个对应每个独立的子网络的特征层的Hinge Loss损失函数。训练的过程中,同时优化这4个损失函数。在这四个损失函数中,三个独立子网络对应的损失函数权值维为0.001,最终150维特征对应的损失函数的权值为1。
根据本发明的示例性实施例,所述根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络包括:
根据公式(3)计算损失函数:
loss=max(0,1-tyfeat) (3)
其中,loss为所述多维图像块对应的损失函数,yfeat为所述卷积神经网络的输出概率,t为肺结节的良恶性表示。
在步骤S104,利用训练的卷积神经网络提取肺结节的低维特征。
根据本发明的示例性实施例,所述利用训练的卷积神经网络提取肺结节的低维特征包括:
根据所述肺结节图像块利用所述卷积神经网络提取所述肺结节的低维特征。
这里,将肺结节图像块输入所述卷积神经网络中,提取出卷积神经网络的最后一层特征层的输出值,并将最后一层特征层的输出值作为肺结节图像对应的低维特征。
在步骤S105,利用所述低维特征训练非线性分类器,并预测未知肺结节图像块。
这里,分类器的最优参数通过交叉验证方法获得。
根据本发明的示例性实施例,所述非线性分类器包括随机森林分类器或支持向量机分类器,利用所述低维特征训练非线性分类器,并预测未知肺结节图像块包括:
利用所述低维特征训练随机森林分类器,并预测未知肺结节图像块;或
利用所述低维特征训练支持向量机分类器,并预测未知肺结节图像块。
图2为本发明实施例提供的不同参数配置下的卷积神经网络的预测精确度示意图。
参照图2,对于卷积神经网络的结构使用了8中不同的配置(每层网络的卷积核数目和特征层的隐含节点数目),每个配置下,网络均可以达到84%以上的分类准确度。
图3为本发明实施例提供的良性肺结节和恶性肺结节对应的降维特征示意图。
参照图3,训练集的肺结节样本和测试集的肺结节样本提取到的150维特征,采用PCA降维的方式,将特征降到2维子空间中显示的结果。由此可将良性结节和恶性结节很好的区分开,说明了提取到的150维特征具有高度区分性,可以有效地用来区分良恶性结节。
图4为本发明实施例提供的多尺度肺结节图像块。
参照图4,(a)图为良性结节的多维度输入,(b)图为恶性结节的多维度输入。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种基于卷积神经网络的肺结节良恶性预测方法,其特征在于,所述方法包括:
从肺结节坐标中获取多尺度肺结节图像块;
根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络;
根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络;
利用训练的卷积神经网络提取肺结节的低维特征;
利用所述低维特征训练非线性分类器,并预测未知肺结节图像块。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络包括:
根据下式计算所述卷积神经网络的卷积层:
其中,fc为所述肺结节图像块,hc为卷积核,b为标量。
3.根据权利要求1所述的方法,其特征在于,所述根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络包括:
根据下式计算所述损失函数:
loss=max(0,1-tyfeat)
其中,loss为所述多维图像块对应的损失函数,yfeat为所述卷积神经网络的输出概率,t为肺结节的良恶性表示。
4.根据权利要求1所述的方法,其特征在于,所述利用训练的卷积神经网络提取肺结节的低维特征包括:
根据所述肺结节图像块利用所述卷积神经网络提取所述肺结节的低维特征。
5.根据权利要求1所述的方法,其特征在于,所述非线性分类器包括随机森林分类器或支持向量机分类器,利用所述低维特征训练非线性分类器,并预测未知肺结节图像块包括:
利用所述低维特征训练随机森林分类器,并预测未知肺结节图像块;或
利用所述低维特征训练支持向量机分类器,并预测未知肺结节图像块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510117906.6A CN104700118A (zh) | 2015-03-18 | 2015-03-18 | 基于卷积神经网络的肺结节良恶性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510117906.6A CN104700118A (zh) | 2015-03-18 | 2015-03-18 | 基于卷积神经网络的肺结节良恶性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104700118A true CN104700118A (zh) | 2015-06-10 |
Family
ID=53347215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510117906.6A Pending CN104700118A (zh) | 2015-03-18 | 2015-03-18 | 基于卷积神经网络的肺结节良恶性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700118A (zh) |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN106097340A (zh) * | 2016-06-12 | 2016-11-09 | 山东大学 | 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法 |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
CN106407697A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的慢性疲劳综合症预测方法和预测系统 |
CN106407695A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的焦虑症预测方法和预测系统 |
CN106407698A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的植物神经紊乱预测方法和预测系统 |
CN106407694A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的神经衰弱预测方法和预测系统 |
CN106407696A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的痱子预测方法和预测系统 |
CN106407693A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的乙肝预测方法和预测系统 |
CN106446551A (zh) * | 2016-09-28 | 2017-02-22 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的慢性肠胃炎预测方法和预测系统 |
CN106446550A (zh) * | 2016-09-28 | 2017-02-22 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的伤风感冒预测方法和预测系统 |
CN106504232A (zh) * | 2016-10-14 | 2017-03-15 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测方法 |
CN106529116A (zh) * | 2015-09-11 | 2017-03-22 | 西门子保健有限责任公司 | 诊断系统和诊断方法 |
CN106780448A (zh) * | 2016-12-05 | 2017-05-31 | 清华大学 | 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法 |
CN106780482A (zh) * | 2017-01-08 | 2017-05-31 | 广东工业大学 | 一种医学图像分类方法 |
CN106874489A (zh) * | 2017-02-21 | 2017-06-20 | 烟台中科网络技术研究所 | 一种基于卷积神经网络的肺结节图像块检索方法及装置 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107103334A (zh) * | 2017-04-26 | 2017-08-29 | 太原理工大学 | 一种基于卷积神经网络和字典对学习的肺结节分类方法 |
CN107132268A (zh) * | 2017-06-21 | 2017-09-05 | 佛山科学技术学院 | 一种用于识别肺癌组织的数据处理装置及系统 |
CN107194929A (zh) * | 2017-06-21 | 2017-09-22 | 太原理工大学 | 一种基于深度信念网络的肺结节良恶性分类方法 |
CN107220373A (zh) * | 2017-06-19 | 2017-09-29 | 太原理工大学 | 一种基于医学征象和卷积神经网络的肺结节ct图像哈希检索方法 |
CN107273925A (zh) * | 2017-06-12 | 2017-10-20 | 太原理工大学 | 一种基于局部感受野和半监督深度自编码的肺结节诊断方法 |
CN107665736A (zh) * | 2017-09-30 | 2018-02-06 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN107833229A (zh) * | 2017-11-02 | 2018-03-23 | 上海联影医疗科技有限公司 | 信息处理方法、装置及系统 |
CN107909572A (zh) * | 2017-11-17 | 2018-04-13 | 合肥工业大学 | 基于图像增强的肺结节检测方法及系统 |
CN107945179A (zh) * | 2017-12-21 | 2018-04-20 | 王华锋 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
CN108230323A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
CN108389178A (zh) * | 2018-01-11 | 2018-08-10 | 上海交通大学 | 基于卷积神经网络的肺部ct预处理方法及系统 |
CN108629764A (zh) * | 2018-04-17 | 2018-10-09 | 杭州依图医疗技术有限公司 | 一种确定肺结节良恶性的方法及装置 |
CN108670285A (zh) * | 2018-06-05 | 2018-10-19 | 胡晓云 | 一种ct肺结核检测人工智能诊疗系统 |
CN109191425A (zh) * | 2018-07-23 | 2019-01-11 | 中国科学院自动化研究所 | 医学影像分析方法 |
JP2019028073A (ja) * | 2017-07-25 | 2019-02-21 | 同方威視技術股▲分▼有限公司 | Ct画像を再構成する方法及びデバイス、並びに記憶媒体 |
CN109523521A (zh) * | 2018-10-26 | 2019-03-26 | 复旦大学 | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 |
CN109636817A (zh) * | 2018-11-30 | 2019-04-16 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
CN110021430A (zh) * | 2019-04-09 | 2019-07-16 | 科大讯飞股份有限公司 | 一种病灶的属性信息预测方法及装置 |
CN110246580A (zh) * | 2019-06-21 | 2019-09-17 | 上海优医基医疗影像设备有限公司 | 基于神经网络和随机森林的颅侧面影像分析方法和系统 |
US10853409B2 (en) | 2016-12-13 | 2020-12-01 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image search |
TWI712961B (zh) * | 2019-08-07 | 2020-12-11 | 瑞昱半導體股份有限公司 | 全連接卷積神經網路影像處理方法與電路系統 |
TWI713054B (zh) * | 2019-04-18 | 2020-12-11 | 大陸商北京市商湯科技開發有限公司 | 圖像分割方法及裝置、電子設備和儲存媒體 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030194124A1 (en) * | 2002-04-12 | 2003-10-16 | The University Of Chicago | Massive training artificial neural network (MTANN) for detecting abnormalities in medical images |
US20040184647A1 (en) * | 2002-10-18 | 2004-09-23 | Reeves Anthony P. | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans |
CN103366180A (zh) * | 2013-06-14 | 2013-10-23 | 山东大学 | 一种基于自动特征学习的细胞图像分割方法 |
CN103886318A (zh) * | 2014-03-31 | 2014-06-25 | 武汉天仁影像科技有限公司 | 尘肺病大体成像中病灶区域的提取与分析方法 |
CN103984959A (zh) * | 2014-05-26 | 2014-08-13 | 中国科学院自动化研究所 | 一种基于数据与任务驱动的图像分类方法 |
CN104217225A (zh) * | 2014-09-02 | 2014-12-17 | 中国科学院自动化研究所 | 一种视觉目标检测与标注方法 |
-
2015
- 2015-03-18 CN CN201510117906.6A patent/CN104700118A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030194124A1 (en) * | 2002-04-12 | 2003-10-16 | The University Of Chicago | Massive training artificial neural network (MTANN) for detecting abnormalities in medical images |
US20040184647A1 (en) * | 2002-10-18 | 2004-09-23 | Reeves Anthony P. | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans |
CN103366180A (zh) * | 2013-06-14 | 2013-10-23 | 山东大学 | 一种基于自动特征学习的细胞图像分割方法 |
CN103886318A (zh) * | 2014-03-31 | 2014-06-25 | 武汉天仁影像科技有限公司 | 尘肺病大体成像中病灶区域的提取与分析方法 |
CN103984959A (zh) * | 2014-05-26 | 2014-08-13 | 中国科学院自动化研究所 | 一种基于数据与任务驱动的图像分类方法 |
CN104217225A (zh) * | 2014-09-02 | 2014-12-17 | 中国科学院自动化研究所 | 一种视觉目标检测与标注方法 |
Non-Patent Citations (3)
Title |
---|
SHIH-CHUNG B.LO ETAL: "Artificial Convolution Neural Network Techniquesand Applications for Lung Nodule Detection", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
李学沧 等: "基于卷积神经网络的小细胞型肺癌辅助检测方法", 《中国数字医学》 * |
陈先昌: "基于卷积神经网络的深度学习算法与应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10176580B2 (en) | 2015-09-11 | 2019-01-08 | Siemens Healthcare Gmbh | Diagnostic system and diagnostic method |
CN106529116B (zh) * | 2015-09-11 | 2020-02-11 | 西门子保健有限责任公司 | 诊断系统 |
CN106529116A (zh) * | 2015-09-11 | 2017-03-22 | 西门子保健有限责任公司 | 诊断系统和诊断方法 |
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN106097340A (zh) * | 2016-06-12 | 2016-11-09 | 山东大学 | 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法 |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
CN106407694A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的神经衰弱预测方法和预测系统 |
CN106407696A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的痱子预测方法和预测系统 |
CN106407693A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的乙肝预测方法和预测系统 |
CN106446551A (zh) * | 2016-09-28 | 2017-02-22 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的慢性肠胃炎预测方法和预测系统 |
CN106446550A (zh) * | 2016-09-28 | 2017-02-22 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的伤风感冒预测方法和预测系统 |
CN106407698A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的植物神经紊乱预测方法和预测系统 |
CN106407697A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的慢性疲劳综合症预测方法和预测系统 |
CN106407695A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的焦虑症预测方法和预测系统 |
CN106504232A (zh) * | 2016-10-14 | 2017-03-15 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测方法 |
CN106504232B (zh) * | 2016-10-14 | 2019-06-14 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测系统 |
CN106780448A (zh) * | 2016-12-05 | 2017-05-31 | 清华大学 | 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法 |
US10853409B2 (en) | 2016-12-13 | 2020-12-01 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image search |
CN106780482A (zh) * | 2017-01-08 | 2017-05-31 | 广东工业大学 | 一种医学图像分类方法 |
CN107016665B (zh) * | 2017-02-16 | 2021-05-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN106874489B (zh) * | 2017-02-21 | 2020-05-12 | 烟台中科网络技术研究所 | 一种基于卷积神经网络的肺结节图像块检索方法及装置 |
CN106874489A (zh) * | 2017-02-21 | 2017-06-20 | 烟台中科网络技术研究所 | 一种基于卷积神经网络的肺结节图像块检索方法及装置 |
CN107103334A (zh) * | 2017-04-26 | 2017-08-29 | 太原理工大学 | 一种基于卷积神经网络和字典对学习的肺结节分类方法 |
CN107273925B (zh) * | 2017-06-12 | 2020-10-09 | 太原理工大学 | 基于局部感受野和半监督深度自编码的肺实质ct影像处理装置 |
CN107273925A (zh) * | 2017-06-12 | 2017-10-20 | 太原理工大学 | 一种基于局部感受野和半监督深度自编码的肺结节诊断方法 |
CN107220373A (zh) * | 2017-06-19 | 2017-09-29 | 太原理工大学 | 一种基于医学征象和卷积神经网络的肺结节ct图像哈希检索方法 |
CN107220373B (zh) * | 2017-06-19 | 2019-09-17 | 太原理工大学 | 一种基于医学征象和卷积神经网络的肺结节ct图像哈希检索方法 |
CN107194929A (zh) * | 2017-06-21 | 2017-09-22 | 太原理工大学 | 一种基于深度信念网络的肺结节良恶性分类方法 |
CN107194929B (zh) * | 2017-06-21 | 2020-09-15 | 太原理工大学 | 一种对肺部ct图像感兴趣区域的追踪方法 |
CN107132268A (zh) * | 2017-06-21 | 2017-09-05 | 佛山科学技术学院 | 一种用于识别肺癌组织的数据处理装置及系统 |
JP2019028073A (ja) * | 2017-07-25 | 2019-02-21 | 同方威視技術股▲分▼有限公司 | Ct画像を再構成する方法及びデバイス、並びに記憶媒体 |
CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN107665736A (zh) * | 2017-09-30 | 2018-02-06 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
US10810735B2 (en) * | 2017-09-30 | 2020-10-20 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for analyzing medical image |
CN107665736B (zh) * | 2017-09-30 | 2021-05-25 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN107833229A (zh) * | 2017-11-02 | 2018-03-23 | 上海联影医疗科技有限公司 | 信息处理方法、装置及系统 |
CN107909572A (zh) * | 2017-11-17 | 2018-04-13 | 合肥工业大学 | 基于图像增强的肺结节检测方法及系统 |
CN107945179A (zh) * | 2017-12-21 | 2018-04-20 | 王华锋 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
CN108389178A (zh) * | 2018-01-11 | 2018-08-10 | 上海交通大学 | 基于卷积神经网络的肺部ct预处理方法及系统 |
CN108230323B (zh) * | 2018-01-30 | 2021-03-23 | 浙江大学 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
CN108230323A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
CN108629764A (zh) * | 2018-04-17 | 2018-10-09 | 杭州依图医疗技术有限公司 | 一种确定肺结节良恶性的方法及装置 |
CN108670285A (zh) * | 2018-06-05 | 2018-10-19 | 胡晓云 | 一种ct肺结核检测人工智能诊疗系统 |
CN109191425A (zh) * | 2018-07-23 | 2019-01-11 | 中国科学院自动化研究所 | 医学影像分析方法 |
CN109191425B (zh) * | 2018-07-23 | 2022-02-11 | 中国科学院自动化研究所 | 基于多层神经网络模型医学影像分析方法 |
CN109523521A (zh) * | 2018-10-26 | 2019-03-26 | 复旦大学 | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 |
CN109523521B (zh) * | 2018-10-26 | 2022-12-20 | 复旦大学 | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 |
CN109636817B (zh) * | 2018-11-30 | 2020-10-30 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
CN109636817A (zh) * | 2018-11-30 | 2019-04-16 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
CN110021430A (zh) * | 2019-04-09 | 2019-07-16 | 科大讯飞股份有限公司 | 一种病灶的属性信息预测方法及装置 |
TWI713054B (zh) * | 2019-04-18 | 2020-12-11 | 大陸商北京市商湯科技開發有限公司 | 圖像分割方法及裝置、電子設備和儲存媒體 |
CN110246580A (zh) * | 2019-06-21 | 2019-09-17 | 上海优医基医疗影像设备有限公司 | 基于神经网络和随机森林的颅侧面影像分析方法和系统 |
CN110246580B (zh) * | 2019-06-21 | 2021-10-15 | 上海优医基医疗影像设备有限公司 | 基于神经网络和随机森林的颅侧面影像分析方法和系统 |
TWI712961B (zh) * | 2019-08-07 | 2020-12-11 | 瑞昱半導體股份有限公司 | 全連接卷積神經網路影像處理方法與電路系統 |
US11423635B2 (en) | 2019-08-07 | 2022-08-23 | Realtek Semiconductor Corp. | Method for processing image using fully connected convolutional neural network and circuit system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700118A (zh) | 基于卷积神经网络的肺结节良恶性预测方法 | |
CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN107909015A (zh) | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 | |
CN105975913B (zh) | 一种基于自适应聚类学习的道路网提取的方法 | |
CN102254319A (zh) | 一种多层次分割的遥感影像变化检测方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN104778457A (zh) | 基于多示例学习的视频人脸识别算法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN104732545A (zh) | 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 | |
CN114677565B (zh) | 特征提取网络的训练方法和图像处理方法、装置 | |
CN108446616A (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
CN104361351A (zh) | 一种基于区域统计相似度的合成孔径雷达图像分类方法 | |
CN105095913A (zh) | 基于近邻正则联合稀疏表示的遥感图像分类方法及系统 | |
CN105718848A (zh) | 一种指纹图像的质量评估方法及装置 | |
CN103593853A (zh) | 基于联合稀疏表达的遥感影像多尺度面向对象分类方法 | |
CN110751195A (zh) | 一种基于改进YOLOv3的细粒度图像分类方法 | |
CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
CN109002771B (zh) | 一种基于递归神经网络的遥感图像分类方法 | |
CN106097252A (zh) | 基于图Graph模型的高光谱图像超像素分割方法 | |
CN104217436A (zh) | 基于多特征联合稀疏图的sar图像分割方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150610 |
|
WD01 | Invention patent application deemed withdrawn after publication |