CN106940816A - 基于3d全连接卷积神经网络的ct图像肺结节检测系统 - Google Patents

基于3d全连接卷积神经网络的ct图像肺结节检测系统 Download PDF

Info

Publication number
CN106940816A
CN106940816A CN201710173432.6A CN201710173432A CN106940816A CN 106940816 A CN106940816 A CN 106940816A CN 201710173432 A CN201710173432 A CN 201710173432A CN 106940816 A CN106940816 A CN 106940816A
Authority
CN
China
Prior art keywords
training
segmentation
net
network
image
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
CN201710173432.6A
Other languages
English (en)
Other versions
CN106940816B (zh
Inventor
程国华
陈波
季红丽
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.)
HANGZHOU JIANPEI TECHNOLOGY Co Ltd
Original Assignee
HANGZHOU JIANPEI TECHNOLOGY 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 HANGZHOU JIANPEI TECHNOLOGY Co Ltd filed Critical HANGZHOU JIANPEI TECHNOLOGY Co Ltd
Priority to CN201710173432.6A priority Critical patent/CN106940816B/zh
Publication of CN106940816A publication Critical patent/CN106940816A/zh
Application granted granted Critical
Publication of CN106940816B publication Critical patent/CN106940816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Abstract

本发明公开了一种基于3D全连接卷积神经网络的CT图像肺结节检测系统。该检测系统包括训练数据集构建、3D卷积神经网络分类网络训练、3D全连接卷积分割网络训练、假阳性抑制及用训练完成的分割网络与假阳性抑制网络，进行肺结节检测这五个步骤。采用本发明技术方案可以实现全自动检测，无需任何人工干预，同时能有效提高结节检测的召回率，大幅降低假阳性病灶，获得肺结节病灶区域的像素级定位、定量、定性结果。

Description

基于3D全连接卷积神经网络的CT图像肺结节检测系统
技术领域
本发明涉及医学影像计算机辅助诊断技术领域，尤其涉及基于3D全连接卷积神经网络的CT图像肺结节检测系统。
背景技术
肺癌是全球患病率最高、致死人数最多的癌症。肺癌的早期筛查与治疗能极大够提高病人的术后5 年存活率。而肺癌早期大部分表现为结节性病变，因此肺结节的检测对肺癌早期筛查至关重要。而CT图像分辨率高、成本低廉、对病患无危害，已成为肺部筛查的主要手段。现有的CT图像肺结节检测方法可分为传统方法、深度学习方法、传统与深度学习相结合的方法。传统方法主要采用经典的图像处理方法提取候选区域(如[1] K. Murphy,B. van Ginneken, A. M. R. Schilham, B. J. de Hoop, H. A. Gietema, and M.Prokop, “A large scale evaluation of automatic pulmonary nodule detection inchest CT using local image features and k-nearest-neighbour classification,”Medical Image Analysis, vol. 13, pp. 757–770, 2009. [2] C. Jacobs, E. M. vanRikxoort, T. Twellmann, E. T. Scholten, P. A. de Jong, J. M. Kuhnigk, M.Oudkerk, H. J. de Koning, M. Prokop, C. Schaefer-Prokop, and B. van Ginneken,“Automatic detection of subsolid pulmonary nodules in thoracic computedtomography images,” Medical Image Analysis, vol. 18, pp. 374–384, 2014. [3]A. A. A. Setio, C. Jacobs, J. Gelderblom, and B. van Ginneken, “Automaticdetection of large pulmonary solid nodules in thoracic CT images,” MedicalPhysics, vol. 42, no. 10, pp. 5642–5653, 2015.)，然后对候选区域提取特征(如灰度均值方差、SIFT、GLCM、EHD等)，利用提取的特征，经过传统分类算法(如SVM、决策树等)得到检测区域。传统方法检测速度慢，而且精度较低。随着近年深度学习技术的飞速发展，已有许多学者采用传统与深度学习相结合的方法，即用深度卷积网络替代传统的特征提取与分类算法(如Dou, Qi, et al. "Multi-level contextual 3D CNNs for false positivereduction in pulmonary nodule detection." IEEE Transactions on BiomedicalEngineering (2016))，以提高检测精度。但候选区域仍采用传统算法提取，造成提取速度仍较慢，而且候选区域数量极大，精度仍有所限制。全卷积神经网络最早应用于自然图像的分割，它计算速度快，并且能得到像素级分割效果( Jonathan, Evan Shelhamer, andTrevor Darrell. "Fully convolutional networks for semantic segmentation."Proceedings of the IEEE Conference on Computer Vision and PatternRecognition. 2015.)然而，迄今为止，尚未见到该项技术直接应用于肺结节检测。主要问题在于，原算法使用了其他2D分类网络的卷积核 (如VGG/GoogleNet),并应用于2D图像分割。然而CT图像没有公开的3D卷积分类网，而且，肺结节目标过小，样本极不平衡，难以训练，导致目前还没有3D全卷积网络应用于CT图像诊断。
发明内容
本发明所要解决的技术问题是有效提高结节检测的召回率，同时大幅降低假阳性病灶，获得肺结节病灶区域的像素级定位、定量、定性结果。为解决上述技术问题，本发明提出了以训练一个有效的3D全卷积神经网络模型，应用于3D肺部CT图像的肺结节检测的技术方案，其具体步骤如下：
（1）训练数据集构建，包括：数据预处理、训练区域选取、数据增强等；
其中，所述训练区域选取包括原始训练数据集和区域训练数据集；所述原始训练数据集为固定空间分辨率的CT影像序号，用于测试模型和补充区域训练数据；所述区域训练数据集，由原始训练数据集采样固定大小的立方块形成，分为分类训练与分割网络训练数据集，分别用于训练3D卷积神经网络分类网与3D全连接卷积分割网络；
（2）3D卷积神经网络分类网(简称分类网)训练，使用分类训练数据集训练构建卷积网络，得到分类网；
（3）3D全连接卷积分割网络(简称分割网)训练，包括分割初训练和数据补充与分割网修正；
（4）假阳性抑制：用（3）训练的分割网络提取病灶候选区，将肺结节病灶候选区分为正负样本，训练分类网；
（5）网络训练完成，用训练的分割与假阳性抑制网络，进行肺结节检测，得到最终的肺结节检测区域。
进一步地，所述步骤（1）中，所述分割网络的训练数据集图像是分类网络训练数据集图像的2-3倍，对应的分类标签为其正中心区域立方块（小于等于60×60×60 mm3）对应的像素标定，对区域训练数据集的图像以记标签的方式分为负样本（无结节）和正样本（有结节）；同时对所有正样本经过平移、旋转、缩放、镜像进行增强。
进一步地，所述步骤（3）的训练方法包括：
a）分割网初训练：在分类网的基础上添加多个3D反卷积跳跃结构，利用分割网络数据集对每个跳跃结构逐层训练分割网，得到分割模型；
b）数据补充与分割网修正：首先，使用a）训练的分割模型，对原始训练数据集进行前向检测，得到病灶概率图；然后，对检测结果进行病灶概率阈值估算：即选取一系列阈值，对检测的病灶概率图进行阈值化与连通域分析，根据精度需求选取适当的阈值。再，通过估算的病灶概率阈值，二值化病灶概率图并连通域分析，可得到一系列病灶候选区域；最后，判断分割网的精度是否满足需求，若是，进行（4）步骤，若否，将其中新增的错误候选区，添加到全卷积网络分割训练集中，重复（3） 步骤直到满足条件。
本发明与现有技术相比，具有如下优点：
（1）本发明可以产生像素级检测结果，可对结节进行定量分析；
（2）本发明采用了区域训练的方法，解决了肺结节这种因目标太小，导致样本极不平衡而难以训练的问题；
（3）本发明不需要进行肺分割，从而消除了因为肺分割造成的错误检测；
（4）本发明提供的胸部CT影像的肺结节自动检测系统，召回率与假阳性率均优于传统算法及传统算法与深度学习结合的算法；
（5）本发明在应用部署中，前向检测可实现全自动检测，无需任何人工干预。
附图说明
图1 为基于3D全连接卷积神经网络的CT图像肺结节检测系统流程图。
图2为基于3D全连接卷积神经网络的CT图像肺结节检测系统实施例。
具体实施方式
本发明的发明思想为：采用全卷积分割网络进行像素级检测与定位，用卷积分类网络进行假阳性目标抑制。下面结合附图和实施实例对本发明作进一步的描述。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施的限制。图1 为本发明基于3D全连接卷积神经网络的CT图像肺结节检测系统流程图。
包括：步骤 S01训练数据集构建。包括：数据预处理、训练区域选取、数据增强等。训练数据集分为两部分：原始训练数据集与区域训练数据集。原始训练数据集为固定空间分辨率的CT影像序列，用于测试模型与补充区域训练数据。区域训练数据集，由原始训练数据集采样固定大小的立方块而形成。区域训练数据集分为分类训练与分割训练数据集，分别用于训练3D卷积神经网络分类网(简称分类网)与3D全连接卷积分割网络(简称分割网)。其中，分类训练数据的标签为0与1的数字，分别表示整个立方块为负样本(没有结节)与正样本(有结节)。分割训练数据集图像立方块的长宽高为分类预训练数据的2-3倍，对应的分类标签为其正中心区域立方块(立方块大小与分类训练数据大小相同)对应的像素标定。所有正样本经过平移、旋转、缩放、镜像进行增强。
步骤S02分类网训练。构建分类网：网络结构包括多次3D卷积、池化、BatchNormalization层等。使用分类训练数据集训练构建的卷积网络，直至网络收敛，取得满足要求的精度。
步骤S03分割网训练。此步分为两小步：分割网初训练和数据补充与分割网修正：
分割网初训练：在分类网的基础上添加多个3D反卷积跳跃结构(skip structure)，分类网部分的权重继承S02训练的权重。使用全卷积网络分割数据集，对每个跳跃结构逐层训练分割网，直至网络收敛，取得满足要求的精度；
数据补充与分割网修正：经过训练的分割模型，对分割数据集，有着较高的分类精度，然而并不能代表对图像所有部位的分割定位精度。因此，需要使用原始训练数据集对分割训练数据集进行补充。使用训练的分割网，对原始训练数据集进行前向检测，得到病灶概率图。对检测结果进行病灶概率阈值估算：即选取一系列阈值，对检测的病灶概率图进行阈值化与连通域分析，根据精度需求选取适当的阈值。使用估算的病灶概率阈值，二值化概率图并连通域分析，可得到一系列病灶候选区域。将其中新增的错误候选区，添加到全卷积网络分割训练集中。重复、直到分割网络精度满足要求。
步骤S04假阳性抑制
使用步骤S03训练的分割网，对原始训练数据集进行前向检测，并对检测结果进行病灶概率阈值估算及连通域分析，得到一系列病灶候选区域。将病灶候选区分为正负样本，重新训练分类网络。
步骤S05前向检测流程
当训练完毕，整个肺结节前向检测流程如下：输入待检测图像，经过数据预处理（分辨率重采样、灰阶归一化等），送入步骤S03得到的分割模型，经概率阈值二值化及连通域分析，得到候选区。候选区经过步骤S04的分类模型，得到最终的肺结节检测区域。统计可得肺结节诊断的定位、定量、定性结果。
以上仅是对流程图进行简单的陈述，现结合图2实施例，对本发明进行详细描述。
其具体步骤包括：
（1）构建训练数据集
a)将输入CT序列及对应的肺结节掩膜文件，重采样成空间分辨率(0.7，0.7，1.4)(顺序x,y,z，单位：mm)，作为原始训练数据；
b)分类训练数据集的构建：样本立方块的大小设为64×64×32(顺序x,y,z，单位：像素)。以各个肺结节为中心获取立方块，经过数据增强作为分类训练数据的正样本。数据增强的方式包括：平移（随机平移2-20像素）、旋转(随机5-30度)、缩放(0.7-1.3倍)、镜像(0.5概率随机)。所有数据增强，均需要90%以上的肺结节像素落在64×64×32的立方内，否则舍弃相应的增强样本。负样本数据由假阳性样本与其他负样本构成。采用背景技术中的经典图像处理的方法检测结节，以其中错误检测的目标作为中心取64×64×32的立方块，形成假阳性样本。其中，包含肺结节像素的假阳性样本，予以舍弃。其他负样本，在原始训练数据中随机取样不包含肺结节像素的立方块。所有立方块中的Hu值均归一化到[-1150,350]的窗口中。正样本标定为1，负样本标定为0；
c)分割训练数据集的构建：样本立方块的大小设为192×192×96。正样本、负样本的选取和增强方式与分类训练相同。每个样本中心64×64×32的立方块对应的肺结节掩膜，为该样本对应的像素标定。
（2）3D卷积神经网络分类网(简称分类网)训练
构建分类网：以C表示卷积，P表示池化，S表示Softmax层。构建的网络结构为C1→P1→C2→P2→C3→C4→P3→C5→C6→C7→C8→C9→S。其中，C1卷积核大小为：5×5×3，C2-6为3×3×3，C7-9为1×1×1；C1-9的核数目依次为：64, 64, 128, 128, 256, 256, 512, 512,2；所有卷积步长均为1；每次卷积后接一层Batch Normalization。所有池化均为最大池化，P1步长为2×2×1，P2-3步长为2×2×2。其主要训练参数包括：优化器为ADAM；学习率为0.001；损失函数为交叉熵与权重L2正则项之和；L2正则项权重为0.001。用分类训练数据集训练分类网，直到测试数据正负样本的分类精度分别高于95%与99%。
（3）3D全连接卷积分割网络(简称分割网)训练
分割网初训练：首先，构建分割网：在分类网的基础上添加3D反卷积跳跃结构，详细结构图如图2所示。其中，虚线方框中的部分为分类网结构，虚线框外为添加的跳跃结构。UP1-3层为上采样层(即反卷积层)，其步长与P1-3层一致，核大小为步长的两倍；SC1-3层均为核大小为1×1×1、核数目为2的卷积层；A1-3为UP1-3与SC1-3的求和结果。最终检测结果可由A1或A2与A3分别经过2×2×1与4×4×2倍上采样得到。其主要训练参数：初始权重继承分类网的权重，学习率为5e-4，损失函数中肺结节像素的权重为非结节区域的5倍，其他与分类网保持一致。训练过程先以A3上采样结果为检测结果训练，直到正负像素的分割精度分别高于85%与98%；再以A2上采样结果为检测结果继续训练，直到正负像素的分割精度分别高于90%与99%，最终以A1为检测结果训练，直到正负像素的分割精度分别高于92%与99%；
数据补充与分割网修正：
首次，使用中训练的分割网，对原始训练数据集进行前向检测，得到病灶概率图；
然后，对检测结果进行病灶概率阈值估算。在[0.1,0.5]区间中，以0.05为步长，取不同的阈值，分别对病灶概率图进行阈值化。对不同阈值化后的病灶图进行连通域分析，计算相应的召回率与假阳性率。综合考虑召回率与假阳性率(如召回率高于95%，假阳性率<100FP/S等)，选取合适的阈值；
再，使用选取的概率阈值，对病灶概率图进行阈值化和连通域分析，得到一系列病灶候选区域。将其中新增的错误候选区，添加到全卷积网络分割训练集中；
最后，重复步骤、或满足特定条件(召回率高于95%，假阳性率<50FP/S)，进入下一步。
（4）假阳性抑制
使用步骤(3)训练的分割网及概率阈值，对原始训练数据集进行前向检测，得到病灶候选区域。将病灶候选区分为正负样本，重新训练分类网络。样本选取、处理方法、分类网络模型及参数与步骤(2)一致。
（5）前向检测流程
当训练完毕，整个肺结节前向检测流程如下：输入待检测图像，经过数据预处理（分辨率重采样、灰阶归一化等），送入步骤(3)得到的分割模型，经概率阈值二值化，得到候选区。候选区经过步骤(4)的分类模型，得到最终的肺结节检测区域。统计可得肺结节诊断的定位、定量、定性结果。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (3)

1.基于3D全连接卷积神经网络的CT图像肺结节检测系统，其特征在于，包括如下步骤：
（1）训练数据集构建，包括：数据预处理、训练区域选取、数据增强等；
其中，所述训练区域选取包括原始训练数据集和区域训练数据集；所述原始训练数据集为固定空间分辨率的CT影像序号，用于测试模型和补充区域训练数据；所述区域训练数据集，由原始训练数据集采样固定大小的立方块形成，分为分类训练与分割网络训练数据集，分别用于训练3D卷积神经网络分类网与3D全连接卷积分割网络；
（2）3D卷积神经网络分类网(简称分类网)训练，使用分类训练数据集训练构建卷积网络，得到分类网；
（3）3D全连接卷积分割网络(简称分割网)训练，包括分割初训练和数据补充与分割网修正；
（4）假阳性抑制：用（3）训练的分割网络提取病灶候选区，将肺结节病灶候选区分为正负样本，训练分类网；
（5）网络训练完成，用训练的分割与假阳性抑制网络，进行肺结节检测，得到最终的肺结节检测区域。
2.如权利要求1所述的基于3D全连接卷积神经网络的CT图像肺结节检测系统，其特征在于，所述步骤（1）中，所述分割网络的训练数据集图像是分类网络训练数据集图像的2-3倍，对应的分类标签为其正中心区域立方块（小于等于60×60×60 mm3）对应的像素标定，对区域训练数据集的图像以记标签的方式分为负样本（无结节）和正样本（有结节）；同时对所有正样本经过平移、旋转、缩放、镜像进行增强。
3.如权利要求1所述的基于3D全连接卷积神经网络的CT图像肺结节检测系统，其特征在于，所述步骤（3）的训练方法包括：
a）分割网初训练：在分类网的基础上添加多个3D反卷积跳跃结构，利用分割网络数据集对每个跳跃结构逐层训练分割网，得到分割模型；
b）数据补充与分割网修正：首先，使用a）训练的分割模型，对原始训练数据集进行前向检测，得到病灶概率图；然后，对检测结果进行病灶概率阈值估算：即选取一系列阈值，对检测的病灶概率图进行阈值化与连通域分析，根据精度需求选取适当的阈值；
再，通过估算的病灶概率阈值，二值化病灶概率图并连通域分析，可得到一系列病灶候选区域；最后，判断分割网的精度是否满足需求，若是，进行（4）步骤，若否，将其中新增的错误候选区，添加到全卷积网络分割训练集中，重复（3） 步骤直到满足条件。
CN201710173432.6A 2017-03-22 2017-03-22 基于3d全卷积神经网络的ct图像肺结节检测系统 Active CN106940816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710173432.6A CN106940816B (zh) 2017-03-22 2017-03-22 基于3d全卷积神经网络的ct图像肺结节检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710173432.6A CN106940816B (zh) 2017-03-22 2017-03-22 基于3d全卷积神经网络的ct图像肺结节检测系统

Publications (2)

Publication Number Publication Date
CN106940816A true CN106940816A (zh) 2017-07-11
CN106940816B CN106940816B (zh) 2020-06-09

Family

ID=59462966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710173432.6A Active CN106940816B (zh) 2017-03-22 2017-03-22 基于3d全卷积神经网络的ct图像肺结节检测系统

Country Status (1)

Country Link
CN (1) CN106940816B (zh)

Cited By (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274406A (zh) * 2017-08-07 2017-10-20 北京深睿博联科技有限责任公司 一种检测敏感区域的方法及装置
CN107292884A (zh) * 2017-08-07 2017-10-24 北京深睿博联科技有限责任公司 一种识别mri图像中水肿和血肿的方法及装置
CN107492097A (zh) * 2017-08-07 2017-12-19 北京深睿博联科技有限责任公司 一种识别mri图像感兴趣区域的方法及装置
CN107507201A (zh) * 2017-09-22 2017-12-22 深圳天琴医疗科技有限公司 一种医学图像分割方法及装置
CN107862695A (zh) * 2017-12-06 2018-03-30 电子科技大学 一种基于全卷积神经网络的改进型图像分割训练方法
CN107945168A (zh) * 2017-11-30 2018-04-20 上海联影医疗科技有限公司 一种医学图像的处理方法及医学图像处理系统
CN107993228A (zh) * 2017-12-15 2018-05-04 中国人民解放军总医院 一种基于心血管oct影像的易损斑块自动检测方法和装置
CN108010021A (zh) * 2017-11-30 2018-05-08 上海联影医疗科技有限公司 一种医学图像处理系统和方法
CN108022238A (zh) * 2017-08-09 2018-05-11 深圳科亚医疗科技有限公司 对3d图像中对象进行检测的方法、计算机存储介质和系统
CN108052909A (zh) * 2017-12-15 2018-05-18 中国人民解放军总医院 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置
CN108090904A (zh) * 2018-01-03 2018-05-29 深圳北航新兴产业技术研究院 一种医学图像实例分割方法和装置
CN108090903A (zh) * 2017-12-29 2018-05-29 苏州体素信息科技有限公司 肺结节检测模型训练方法和装置、肺结节检测方法和装置
CN108109152A (zh) * 2018-01-03 2018-06-01 深圳北航新兴产业技术研究院 医学图像分类和分割方法和装置
CN108133476A (zh) * 2017-12-26 2018-06-08 安徽科大讯飞医疗信息技术有限公司 一种肺结节自动检测方法及系统
CN108154468A (zh) * 2018-01-12 2018-06-12 平安科技（深圳）有限公司 肺结节探测方法、应用服务器及计算机可读存储介质
CN108171709A (zh) * 2018-01-30 2018-06-15 北京青燕祥云科技有限公司 肝占位性病灶区域的检测方法、装置和实现装置
CN108171694A (zh) * 2017-12-28 2018-06-15 深圳开立生物医疗科技股份有限公司 基于卷积神经网络的结节检测方法、系统及设备
CN108389201A (zh) * 2018-03-16 2018-08-10 北京推想科技有限公司 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法
CN108446730A (zh) * 2018-03-16 2018-08-24 北京推想科技有限公司 一种基于深度学习的ct肺结节检测方法
CN108447046A (zh) * 2018-02-05 2018-08-24 龙马智芯（珠海横琴）科技有限公司 病灶的检测方法和装置、设备、计算机可读存储介质
CN108537784A (zh) * 2018-03-30 2018-09-14 四川元匠科技有限公司 一种基于深度学习的ct图肺结节检测方法
CN108564577A (zh) * 2018-04-12 2018-09-21 重庆邮电大学 基于卷积神经网络的太阳能电池片断栅缺陷检测方法
CN108615237A (zh) * 2018-05-08 2018-10-02 上海商汤智能科技有限公司 一种肺部图像处理方法及图像处理设备
CN108648178A (zh) * 2018-04-17 2018-10-12 杭州依图医疗技术有限公司 一种影像结节检测的方法及装置
CN108648179A (zh) * 2018-04-17 2018-10-12 杭州依图医疗技术有限公司 一种分析肺结节的方法及装置
CN108717869A (zh) * 2018-05-03 2018-10-30 中国石油大学(华东) 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统
CN108717707A (zh) * 2018-04-10 2018-10-30 杭州依图医疗技术有限公司 一种结节匹配方法及装置
CN108717700A (zh) * 2018-04-09 2018-10-30 杭州依图医疗技术有限公司 一种检测结节长短径长度的方法及装置
CN108765369A (zh) * 2018-04-20 2018-11-06 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
CN108805209A (zh) * 2018-06-14 2018-11-13 清华大学深圳研究生院 一种基于深度学习的肺结节筛查方法
CN108830826A (zh) * 2018-04-28 2018-11-16 四川大学 一种检测肺结节的系统及方法
CN108986085A (zh) * 2018-06-28 2018-12-11 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN109003260A (zh) * 2018-06-28 2018-12-14 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN109102506A (zh) * 2018-08-20 2018-12-28 东北大学 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法
CN109146857A (zh) * 2018-08-02 2019-01-04 常州市第二人民医院 胸部ct影像的肺结节自检测方法
CN109308495A (zh) * 2018-07-05 2019-02-05 北京昆仑医云科技有限公司 从患者的医学图像自动预测生理状况的装置和系统
CN109447969A (zh) * 2018-10-29 2019-03-08 北京青燕祥云科技有限公司 肝占位性病变识别方法、装置和实现装置
CN109493347A (zh) * 2017-09-12 2019-03-19 深圳科亚医疗科技有限公司 在图像中对稀疏分布的对象进行分割的方法和系统
CN109685768A (zh) * 2018-11-28 2019-04-26 心医国际数字医疗系统(大连)有限公司 基于肺部ct序列的肺结节自动检测方法及系统
CN109816650A (zh) * 2019-01-24 2019-05-28 强联智创（北京）科技有限公司 一种基于二维dsa图像的目标区域识别方法及其系统
CN109919961A (zh) * 2019-02-22 2019-06-21 北京深睿博联科技有限责任公司 一种用于颅内cta图像中动脉瘤区域的处理方法及装置
CN109934220A (zh) * 2019-02-22 2019-06-25 上海联影智能医疗科技有限公司 一种影像兴趣点的展示方法、装置及终端
CN109961423A (zh) * 2019-02-15 2019-07-02 平安科技（深圳）有限公司 一种基于分类模型的肺结节检测方法、服务器及存储介质
CN109961446A (zh) * 2019-03-27 2019-07-02 深圳视见医疗科技有限公司 Ct/mr三维图像分割处理方法、装置、设备及介质
CN110070527A (zh) * 2019-04-18 2019-07-30 成都雷熵科技有限公司 一种基于区域全连接神经网络病灶检测方法
CN110232383A (zh) * 2019-06-18 2019-09-13 湖南省华芯医疗器械有限公司 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN110458801A (zh) * 2019-06-24 2019-11-15 深圳市未来媒体技术研究院 一种3d双路径神经网络及基于该网络的肺部结节检测方法
CN110490212A (zh) * 2019-02-26 2019-11-22 腾讯科技（深圳）有限公司 钼靶影像处理设备、方法和装置
CN110853038A (zh) * 2019-10-15 2020-02-28 哈尔滨工程大学 一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法
CN110992383A (zh) * 2020-03-03 2020-04-10 天津精诊医疗科技有限公司 一种基于深度学习的ct图像肝脏动脉分割方法及系统
CN111091575A (zh) * 2019-12-31 2020-05-01 电子科技大学 一种基于强化学习方法的医学图像分割方法
CN111144474A (zh) * 2019-12-25 2020-05-12 昆明理工大学 基于多视图、多尺度、多任务肺结节分类方法
CN111178429A (zh) * 2019-11-25 2020-05-19 上海联影智能医疗科技有限公司 利用患者深度图像提供医疗指导的系统和方法
CN111242926A (zh) * 2020-01-13 2020-06-05 北京妙医佳健康科技集团有限公司 病灶检测方法、装置及电子设备
CN111260618A (zh) * 2020-01-13 2020-06-09 北京妙医佳健康科技集团有限公司 病灶检测系统构建的方法、装置及电子设备
CN111369675A (zh) * 2020-04-14 2020-07-03 中国医学科学院肿瘤医院 基于肺结节脏层胸膜投影的三维可视模型重建方法及装置
US10803984B2 (en) 2017-10-06 2020-10-13 Canon Medical Systems Corporation Medical image processing apparatus and medical image processing system
CN111814787A (zh) * 2020-06-16 2020-10-23 东南大学 一种面向可见光图像的锁孔检测方法
CN112233058A (zh) * 2019-07-15 2021-01-15 上海交通大学医学院附属第九人民医院 一种头颈部ct影像中淋巴结检测的方法
CN112241947A (zh) * 2019-07-19 2021-01-19 财团法人资讯工业策进会 乳房影像分析方法、系统及非暂态计算机可读取媒体
CN112734755A (zh) * 2021-03-15 2021-04-30 四川大学 基于3d全卷积神经网络与多任务学习的肺叶分割方法
CN113269257A (zh) * 2021-05-27 2021-08-17 中山大学孙逸仙纪念医院 一种图像分类方法、装置、终端设备及存储介质
CN113706548A (zh) * 2020-05-09 2021-11-26 北京康兴顺达科贸有限公司 基于ct影像对胸部前纵隔病灶自动分割的方法
US11517197B2 (en) 2017-10-06 2022-12-06 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
CN116797596A (zh) * 2023-08-17 2023-09-22 杭州健培科技有限公司 一种肺结节所属肺段识别模型和训练方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102842132A (zh) * 2012-07-12 2012-12-26 上海联影医疗科技有限公司 一种ct肺结节检测方法
CN106372390A (zh) * 2016-08-25 2017-02-01 姹ゅ钩 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102842132A (zh) * 2012-07-12 2012-12-26 上海联影医疗科技有限公司 一种ct肺结节检测方法
CN106372390A (zh) * 2016-08-25 2017-02-01 姹ゅ钩 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FAUSTO MILLETARI 等: "V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation", 《2016 FOURTH INTERNATIONAL CONFERENCE ON 3D VISION》 *
IRO LAINA 等: "Deeper Depth Prediction with Fully Convolutional Residual Networks", 《2016 FOURTH INTERNATIONAL CONFERENCE ON 3D VISION》 *

Cited By (103)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274406A (zh) * 2017-08-07 2017-10-20 北京深睿博联科技有限责任公司 一种检测敏感区域的方法及装置
CN107292884A (zh) * 2017-08-07 2017-10-24 北京深睿博联科技有限责任公司 一种识别mri图像中水肿和血肿的方法及装置
CN107492097A (zh) * 2017-08-07 2017-12-19 北京深睿博联科技有限责任公司 一种识别mri图像感兴趣区域的方法及装置
CN107492097B (zh) * 2017-08-07 2020-06-02 杭州深睿博联科技有限公司 一种识别mri图像感兴趣区域的方法及装置
CN107292884B (zh) * 2017-08-07 2020-09-29 杭州深睿博联科技有限公司 一种识别mri图像中水肿和血肿的方法及装置
CN108022238A (zh) * 2017-08-09 2018-05-11 深圳科亚医疗科技有限公司 对3d图像中对象进行检测的方法、计算机存储介质和系统
CN110838124B (zh) * 2017-09-12 2021-06-18 深圳科亚医疗科技有限公司 用于分割具有稀疏分布的对象的图像的方法、系统和介质
CN109493347A (zh) * 2017-09-12 2019-03-19 深圳科亚医疗科技有限公司 在图像中对稀疏分布的对象进行分割的方法和系统
CN109493347B (zh) * 2017-09-12 2021-03-23 深圳科亚医疗科技有限公司 在图像中对稀疏分布的对象进行分割的方法和系统
CN110838124A (zh) * 2017-09-12 2020-02-25 深圳科亚医疗科技有限公司 用于分割具有稀疏分布的对象的图像的方法、系统和介质
CN107507201A (zh) * 2017-09-22 2017-12-22 深圳天琴医疗科技有限公司 一种医学图像分割方法及装置
US10803984B2 (en) 2017-10-06 2020-10-13 Canon Medical Systems Corporation Medical image processing apparatus and medical image processing system
US11847761B2 (en) 2017-10-06 2023-12-19 Canon Medical Systems Corporation Medical image processing apparatus having a plurality of neural networks corresponding to different fields of view
US11517197B2 (en) 2017-10-06 2022-12-06 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
CN108010021A (zh) * 2017-11-30 2018-05-08 上海联影医疗科技有限公司 一种医学图像处理系统和方法
CN107945168A (zh) * 2017-11-30 2018-04-20 上海联影医疗科技有限公司 一种医学图像的处理方法及医学图像处理系统
CN108010021B (zh) * 2017-11-30 2021-12-10 上海联影医疗科技股份有限公司 一种医学图像处理系统和方法
CN107945168B (zh) * 2017-11-30 2021-12-10 上海联影医疗科技股份有限公司 一种医学图像的处理方法及医学图像处理系统
CN107862695A (zh) * 2017-12-06 2018-03-30 电子科技大学 一种基于全卷积神经网络的改进型图像分割训练方法
CN108052909A (zh) * 2017-12-15 2018-05-18 中国人民解放军总医院 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置
CN107993228A (zh) * 2017-12-15 2018-05-04 中国人民解放军总医院 一种基于心血管oct影像的易损斑块自动检测方法和装置
CN107993228B (zh) * 2017-12-15 2021-02-02 中国人民解放军总医院 一种基于心血管oct影像的易损斑块自动检测方法和装置
CN108133476B (zh) * 2017-12-26 2022-02-01 安徽科大讯飞医疗信息技术有限公司 一种肺结节自动检测方法及系统
CN108133476A (zh) * 2017-12-26 2018-06-08 安徽科大讯飞医疗信息技术有限公司 一种肺结节自动检测方法及系统
CN108171694A (zh) * 2017-12-28 2018-06-15 深圳开立生物医疗科技股份有限公司 基于卷积神经网络的结节检测方法、系统及设备
CN108090903A (zh) * 2017-12-29 2018-05-29 苏州体素信息科技有限公司 肺结节检测模型训练方法和装置、肺结节检测方法和装置
CN108090904A (zh) * 2018-01-03 2018-05-29 深圳北航新兴产业技术研究院 一种医学图像实例分割方法和装置
CN108109152A (zh) * 2018-01-03 2018-06-01 深圳北航新兴产业技术研究院 医学图像分类和分割方法和装置
CN108154468A (zh) * 2018-01-12 2018-06-12 平安科技（深圳）有限公司 肺结节探测方法、应用服务器及计算机可读存储介质
CN108154468B (zh) * 2018-01-12 2022-03-01 平安科技（深圳）有限公司 肺结节探测方法、应用服务器及计算机可读存储介质
CN108171709A (zh) * 2018-01-30 2018-06-15 北京青燕祥云科技有限公司 肝占位性病灶区域的检测方法、装置和实现装置
CN108447046B (zh) * 2018-02-05 2019-07-26 龙马智芯（珠海横琴）科技有限公司 病灶的检测方法和装置、计算机可读存储介质
CN108447046A (zh) * 2018-02-05 2018-08-24 龙马智芯（珠海横琴）科技有限公司 病灶的检测方法和装置、设备、计算机可读存储介质
CN108446730B (zh) * 2018-03-16 2021-05-28 推想医疗科技股份有限公司 一种基于深度学习的ct肺结节检测装置
CN108446730A (zh) * 2018-03-16 2018-08-24 北京推想科技有限公司 一种基于深度学习的ct肺结节检测方法
CN108389201A (zh) * 2018-03-16 2018-08-10 北京推想科技有限公司 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法
CN108537784B (zh) * 2018-03-30 2021-08-24 四川元匠科技有限公司 一种基于深度学习的ct图肺结节检测方法
CN108537784A (zh) * 2018-03-30 2018-09-14 四川元匠科技有限公司 一种基于深度学习的ct图肺结节检测方法
CN108717700A (zh) * 2018-04-09 2018-10-30 杭州依图医疗技术有限公司 一种检测结节长短径长度的方法及装置
CN108717700B (zh) * 2018-04-09 2021-11-30 杭州依图医疗技术有限公司 一种检测结节长短径长度的方法及装置
CN108717707A (zh) * 2018-04-10 2018-10-30 杭州依图医疗技术有限公司 一种结节匹配方法及装置
CN108564577A (zh) * 2018-04-12 2018-09-21 重庆邮电大学 基于卷积神经网络的太阳能电池片断栅缺陷检测方法
CN108648179A (zh) * 2018-04-17 2018-10-12 杭州依图医疗技术有限公司 一种分析肺结节的方法及装置
CN108648178A (zh) * 2018-04-17 2018-10-12 杭州依图医疗技术有限公司 一种影像结节检测的方法及装置
CN108765369A (zh) * 2018-04-20 2018-11-06 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
WO2019200740A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
CN108830826A (zh) * 2018-04-28 2018-11-16 四川大学 一种检测肺结节的系统及方法
CN108717869B (zh) * 2018-05-03 2021-08-13 中国石油大学(华东) 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统
CN108717869A (zh) * 2018-05-03 2018-10-30 中国石油大学(华东) 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统
CN108615237B (zh) * 2018-05-08 2021-09-07 上海商汤智能科技有限公司 一种肺部图像处理方法及图像处理设备
CN108615237A (zh) * 2018-05-08 2018-10-02 上海商汤智能科技有限公司 一种肺部图像处理方法及图像处理设备
CN108805209B (zh) * 2018-06-14 2021-11-19 清华大学深圳研究生院 一种基于深度学习的肺结节筛查方法
CN108805209A (zh) * 2018-06-14 2018-11-13 清华大学深圳研究生院 一种基于深度学习的肺结节筛查方法
WO2020000643A1 (zh) * 2018-06-28 2020-01-02 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、设备及可读存储介质
US10909682B2 (en) 2018-06-28 2021-02-02 Shenzhen Imsight Medical Technology Co. Ltd. Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium
CN108986085A (zh) * 2018-06-28 2018-12-11 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN109003260A (zh) * 2018-06-28 2018-12-14 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN108986085B (zh) * 2018-06-28 2021-06-01 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN109308495A (zh) * 2018-07-05 2019-02-05 北京昆仑医云科技有限公司 从患者的医学图像自动预测生理状况的装置和系统
CN109308495B (zh) * 2018-07-05 2021-07-02 科亚医疗科技股份有限公司 从患者的医学图像自动预测生理状况的装置和系统
CN109146857A (zh) * 2018-08-02 2019-01-04 常州市第二人民医院 胸部ct影像的肺结节自检测方法
CN109102506B (zh) * 2018-08-20 2021-08-13 东北大学 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法
CN109102506A (zh) * 2018-08-20 2018-12-28 东北大学 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法
CN109447969A (zh) * 2018-10-29 2019-03-08 北京青燕祥云科技有限公司 肝占位性病变识别方法、装置和实现装置
CN109447969B (zh) * 2018-10-29 2021-08-10 北京青燕祥云科技有限公司 肝占位性病变识别方法、装置和实现装置
CN109685768A (zh) * 2018-11-28 2019-04-26 心医国际数字医疗系统(大连)有限公司 基于肺部ct序列的肺结节自动检测方法及系统
CN109816650A (zh) * 2019-01-24 2019-05-28 强联智创（北京）科技有限公司 一种基于二维dsa图像的目标区域识别方法及其系统
CN109816650B (zh) * 2019-01-24 2022-11-25 强联智创（北京）科技有限公司 一种基于二维dsa图像的目标区域识别方法及其系统
CN109961423A (zh) * 2019-02-15 2019-07-02 平安科技（深圳）有限公司 一种基于分类模型的肺结节检测方法、服务器及存储介质
US11107212B2 (en) 2019-02-22 2021-08-31 Shanghai United Imaging Intelligence Co., Ltd. Methods and systems for displaying a region of interest of a medical image
CN109934220A (zh) * 2019-02-22 2019-06-25 上海联影智能医疗科技有限公司 一种影像兴趣点的展示方法、装置及终端
CN109919961A (zh) * 2019-02-22 2019-06-21 北京深睿博联科技有限责任公司 一种用于颅内cta图像中动脉瘤区域的处理方法及装置
US11900594B2 (en) 2019-02-22 2024-02-13 Shanghai United Imaging Intelligence Co., Ltd. Methods and systems for displaying a region of interest of a medical image
CN110490212B (zh) * 2019-02-26 2022-11-08 腾讯科技（深圳）有限公司 钼靶影像处理设备、方法和装置
CN110490212A (zh) * 2019-02-26 2019-11-22 腾讯科技（深圳）有限公司 钼靶影像处理设备、方法和装置
CN109961446B (zh) * 2019-03-27 2021-06-01 深圳视见医疗科技有限公司 Ct/mr三维图像分割处理方法、装置、设备及介质
CN109961446A (zh) * 2019-03-27 2019-07-02 深圳视见医疗科技有限公司 Ct/mr三维图像分割处理方法、装置、设备及介质
CN110070527A (zh) * 2019-04-18 2019-07-30 成都雷熵科技有限公司 一种基于区域全连接神经网络病灶检测方法
CN110232383A (zh) * 2019-06-18 2019-09-13 湖南省华芯医疗器械有限公司 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN110458801A (zh) * 2019-06-24 2019-11-15 深圳市未来媒体技术研究院 一种3d双路径神经网络及基于该网络的肺部结节检测方法
CN112233058A (zh) * 2019-07-15 2021-01-15 上海交通大学医学院附属第九人民医院 一种头颈部ct影像中淋巴结检测的方法
CN112241947A (zh) * 2019-07-19 2021-01-19 财团法人资讯工业策进会 乳房影像分析方法、系统及非暂态计算机可读取媒体
CN112241947B (zh) * 2019-07-19 2024-02-13 财团法人资讯工业策进会 多视角乳房影像分析方法、系统及非暂态计算机可读取媒体
CN110853038A (zh) * 2019-10-15 2020-02-28 哈尔滨工程大学 一种用于肝脏肿瘤CT图像分割技术的DN-U-net网络方法
CN111178429A (zh) * 2019-11-25 2020-05-19 上海联影智能医疗科技有限公司 利用患者深度图像提供医疗指导的系统和方法
CN111144474B (zh) * 2019-12-25 2022-06-14 昆明理工大学 基于多视图、多尺度、多任务肺结节分类方法
CN111144474A (zh) * 2019-12-25 2020-05-12 昆明理工大学 基于多视图、多尺度、多任务肺结节分类方法
CN111091575B (zh) * 2019-12-31 2022-10-18 电子科技大学 一种基于强化学习方法的医学图像分割方法
CN111091575A (zh) * 2019-12-31 2020-05-01 电子科技大学 一种基于强化学习方法的医学图像分割方法
CN111260618A (zh) * 2020-01-13 2020-06-09 北京妙医佳健康科技集团有限公司 病灶检测系统构建的方法、装置及电子设备
CN111260618B (zh) * 2020-01-13 2023-08-25 北京妙医佳健康科技集团有限公司 病灶检测系统构建的方法、装置及电子设备
CN111242926A (zh) * 2020-01-13 2020-06-05 北京妙医佳健康科技集团有限公司 病灶检测方法、装置及电子设备
CN110992383A (zh) * 2020-03-03 2020-04-10 天津精诊医疗科技有限公司 一种基于深度学习的ct图像肝脏动脉分割方法及系统
CN111369675A (zh) * 2020-04-14 2020-07-03 中国医学科学院肿瘤医院 基于肺结节脏层胸膜投影的三维可视模型重建方法及装置
CN111369675B (zh) * 2020-04-14 2023-07-21 中国医学科学院肿瘤医院 基于肺结节脏层胸膜投影的三维可视模型重建方法及装置
CN113706548A (zh) * 2020-05-09 2021-11-26 北京康兴顺达科贸有限公司 基于ct影像对胸部前纵隔病灶自动分割的方法
CN113706548B (zh) * 2020-05-09 2023-08-22 北京康兴顺达科贸有限公司 基于ct影像对胸部前纵隔病灶自动分割的方法
CN111814787B (zh) * 2020-06-16 2024-04-12 东南大学溧阳研究院 一种面向可见光图像的锁孔检测方法
CN111814787A (zh) * 2020-06-16 2020-10-23 东南大学 一种面向可见光图像的锁孔检测方法
CN112734755A (zh) * 2021-03-15 2021-04-30 四川大学 基于3d全卷积神经网络与多任务学习的肺叶分割方法
CN113269257A (zh) * 2021-05-27 2021-08-17 中山大学孙逸仙纪念医院 一种图像分类方法、装置、终端设备及存储介质
CN116797596B (zh) * 2023-08-17 2023-11-28 杭州健培科技有限公司 一种肺结节所属肺段识别模型和训练方法
CN116797596A (zh) * 2023-08-17 2023-09-22 杭州健培科技有限公司 一种肺结节所属肺段识别模型和训练方法

Also Published As

Publication number Publication date
CN106940816B (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN106940816A (zh) 基于3d全连接卷积神经网络的ct图像肺结节检测系统
Patravali et al. 2D-3D fully convolutional neural networks for cardiac MR segmentation
Lin et al. Automatic retinal vessel segmentation via deeply supervised and smoothly regularized network
Gao et al. A deep learning based approach to classification of CT brain images
Sert et al. Ensemble of convolutional neural networks for classification of breast microcalcification from mammograms
Ashwin et al. Efficient and reliable lung nodule detection using a neural network based computer aided diagnosis system
Karim et al. DeepKneeExplainer: explainable knee osteoarthritis diagnosis from radiographs and magnetic resonance imaging
Han et al. Automatic recognition of 3D GGO CT imaging signs through the fusion of hybrid resampling and layer-wise fine-tuning CNNs
Du et al. UNet retinal blood vessel segmentation algorithm based on improved pyramid pooling method and attention mechanism
CN112329871B (zh) 一种基于自校正卷积与通道注意力机制的肺结节检测方法
CN110751636A (zh) 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法
Appan K et al. Retinal image synthesis for cad development
CN113343755A (zh) 红细胞图像中的红细胞分类系统及方法
Shekar et al. Review on diabetic retinopathy with deep learning methods
Nie et al. Recent advances in diagnosis of skin lesions using dermoscopic images based on deep learning
Farhangi et al. Automatic lung nodule detection in thoracic CT scans using dilated slice‐wise convolutions
Qin et al. A review of retinal vessel segmentation for fundus image analysis
Cao et al. 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans
Bhuvaneswari et al. Contrast enhancement of retinal images using green plan masking and whale optimization algorithm
Singamshetty et al. Brain Tumor Detection Using the Inception Deep Learning Technique
Shankara et al. Detection of lung cancer using convolution neural network
Peng et al. Blood vessels segmentation by using cdnet
Khan et al. A Computer-Aided Diagnostic System to Identify Diabetic Retinopathy, Utilizing a Modified Compact Convolutional Transformer and Low-Resolution Images to Reduce Computation Time. Biomedicines. 2023. No. 11. Art. 1566
Yao et al. Pointnu-net: Keypoint-assisted convolutional neural network for simultaneous multi-tissue histology nuclei segmentation and classification
Henna et al. A data augmented approach to transfer learning for Covid-19 detection

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 311200 floor 4-6, East Building e, Hangzhou Bay Information Port, Xiaoshan District, Hangzhou City, Zhejiang Province

Applicant after: HANGZHOU JIANPEI TECHNOLOGY Co.,Ltd.

Address before: 310018, No. 3, No. 3, No. 4, Hangzhou economic and Technological Development Zone, Zhejiang, Hangzhou

Applicant before: HANGZHOU JIANPEI TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant