CN107424152A - 器官病变的检测方法和电子设备、以及训练神经元网络的方法和电子设备 - Google Patents
器官病变的检测方法和电子设备、以及训练神经元网络的方法和电子设备 Download PDFInfo
- Publication number
- CN107424152A CN107424152A CN201710686307.5A CN201710686307A CN107424152A CN 107424152 A CN107424152 A CN 107424152A CN 201710686307 A CN201710686307 A CN 201710686307A CN 107424152 A CN107424152 A CN 107424152A
- Authority
- CN
- China
- Prior art keywords
- organ
- region
- image data
- volumetric region
- neuroid
- 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
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
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种器官病变的检测方法,该方法包括:获取第一器官的影像数据,其中,所述影像数据包括多层影像数据;经由已训练的多级神经元网络检测所述第一器官的影像数据,得到第一检测结果;基于所述第一检测结果判断所述第一器官是否发生病变。
Description
技术领域
本发明涉及医学影像处理领域,特别涉及一种器官病变的检测方法和电子设备、以及训练神经元网络的方法和电子设备。
背景技术
机体在各种致瘤因子作用下,局部组织细胞增生将形成新生物(neogrowth),因为这种新生物多呈占位性块状突起,称为肿瘤(tumour)。根据新生物的细胞特性及对机体的危害性程度,又将肿瘤分为良性肿瘤和恶性肿瘤两大类,而癌症即为恶性肿瘤的总称。
肝癌是世界上最致命的癌症之一,肝脏上的恶性肿瘤生长速度快,呈浸润性生长,易发生出血、坏死、溃疡等,并常有远处转移,造成人体消瘦、无力、贫血、食欲不振、发热以及严重的脏器功能受损等,最终造成患者死亡。现有技术中,往往通过医生分析肝CT图像以找到肝脏上的肿瘤,不仅耗时,而且还存在一定的风险,且效率极低。
因此,希望提供一种技术方案来解决上述问题。
发明内容
本发明实施例提供了一种器官病变的检测方法和电子设备、以及训练神经元网络的方法和电子设备,该方法能够准确检测出影像数据中的病变区域,从而用户可以及时根据所述病变区域的情况开展治疗。
根据本发明的一方面,提供了一种器官病变的检测方法,该方法包括:获取第一器官的影像数据,其中,所述影像数据包括多层影像数据;经由已训练的多级神经元网络检测所述第一器官的影像数据,得到第一检测结果;基于所述第一检测结果判断所述第一器官是否发生病变。
此外,根据本发明的一个实施例,其中,经由已训练的多级神经元网络检测所述第一器官的影像数据包括:识别所述影像数据中第一器官的第一体积区域;分割所述第一体积区域中的影像数据,以获得所述第一器官的多层切片数据;将多层切片数据中存在损伤的第一区域融合,得到所述第一器官的第二体积区域;基于所述第二体积区域,得到第一检测结果。
此外,根据本发明的一个实施例,其中,将多层切片中存在损伤的第一区域融合包括:将单层切片数据中存在损伤的第一区域和/或多层连续的切片数据中存在损伤的第一区域融合。
此外,根据本发明的一个实施例,所述基于所述第二体积区域,得到第一检测结果包括:判断所述第二体积区域是否超过第一阈值,以得到第一检测结果;其中,在所述第一检测结果指示所述第二体积区域超过第一阈值的情况下,检测出所述第一器官的第二体积区域发生病变。
此外,根据本发明的一个实施例,所述基于所述第二体积区域,得到第一检测结果还包括:在所述第一检测结果指示所述第二体积区域未超过第一阈值的情况下,获取所述第二体积区域的多个第三体积区域;统计所述多个第三体积区域中第四体积区域的占比是否达到第二阈值,以得到第一判断结果;在所述第一判断结果指示所述多个第三体积区域中第四体积区域的占比达到第二阈值的情况下,得到第一检测结果,检测出所述第一器官的第二体积区域发生病变。
此外,根据本发明的一个实施例,其中,识别所述影像数据中第一器官的第一体积区域包括:分割所述第一器官的影像数据,以获得多层切片数据;将多层切片数据中的第二区域融合,得到所述第一器官的第一体积区域。
此外,根据本发明的一个实施例,其中,将第一区域或第二区域融合包括:利用卷积融合所述第一区域以获得第二体积区域;或利用卷积融合所述第二区域以获得第一体积区域。
根据本发明的另一方面,还提供了一种训练神经元网络的方法,该方法包括:获取第一器官所属体积区域内的待测影像数据,其中,所述待测影像数据中包括已确定的第五体积区域;分割所述影像数据,以获得所述第一器官的多层切片数据;将多层切片数据中存在损伤的第三区域融合,得到所述第一器官的第六体积区域;基于所述第五体积区域和所述第六体积区域,获取所述神经元网络的修正系数以训练所述神经元网络。
根据本发明的另一方面,还提供了一种电子设备,包括:处理器,适于实现各指令;以及存储器;适于存储计算机程序指令,所述计算机程序指令适于由处理器加载并执行:获取第一器官的影像数据;经由已训练的神经元网络检测所述第一器官的影像数据,得到第一检测结果;基于所述第一检测结果判断所述第一器官是否发生病变。
根据本发明的另一方面,还提供了一种电子设备,包括:处理器,适于实现各指令;以及存储器;适于存储计算机程序指令,所述计算机程序指令适于由处理器加载并执行:获取第一器官所属体积区域内的待测影像数据,其中,所述待测影像数据中包括已确定的第五体积区域;分割所述影像数据,以获得所述第一器官的多层切片数据;将多层切片数据中存在损伤的第三区域融合,得到所述第一器官的第六体积区域;基于所述第五体积区域和所述第六体积区域,获取所述神经元网络的修正系数以训练所述神经元网络。
通过本发明上述实施例,利用已训练的已训练的级联神经元网络来检测器官的三维影像数据,在利用第一级已训练的神经元网络检测出器官的体积区域之后,进而利用第二级已训练的神经元网络检测出器官疑似发生病变的体积区域,从而可以快捷的获取器官的三维影像数据疑似发生病变的体积区域,更进一步地,在器官疑似发生病变的体积区域较小的情况下,利用第三级已训练的神经元网络进一步检测较小疑似发生病变的第二体积区域是否确实发生了病变。采用本发明不仅能够自动准确检测出影像数据中的病变区域,而且结果较为准确,从而用户可以及时根据所述病变区域的情况开展治疗。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
在附图中:
图1是根据本发明实施例的一种应用环境示意图;
图2是根据本发明实施例的一种器官病变的检测方法的流程图;
图3是根据本发明实施例的一种电子设备的示意图;
图4是根据本发明实施例的一种训练神经元网络的方法的流程图;
图5是根据本发明实施例的一种训练神经元网络的方法的流程图;
图6是根据本发明实施例的一种电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种器官病变的检测方法,该方法可以用于如图1所示的环境中,该环境可以包括硬件环境和网络环境。
在本实施例中,该方法可以应用于如图1所示的多个集群节点和终端构成的硬件环境中。如图1所示,该多个集群节点101中可以包括多个处理节点,该多个集群节点对外作为一个整体,用于处理从终端103发送过来的影像数据,多个集群节点和终端可以一同处理终端103获取的影像数据。具体地,多个集群节点101通过网络与终端103通过集群服务器105(或者称之为负载均衡服务器)进行连接。
上述终端103可以是各种移动终端,例如移动电话机、平板计算机和笔记本计算机,还可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置。
上述网络包括但不限于:广域网、城域网、局域网或移动数据网络。典型地,该移动数据网络包括但不局限于:全球移动通信(GSM)网络、码分多址(CDMA)网络、宽带码分多址(WCDMA)网络、长期演进(LTE)通信网络等。不同类型的通信网络可能由不同的运营商运营。通信网络的类型不构成对本发明实施例的限制。
需要说明的是,上述的多个集群节点可以为服务器侧的集群,也可以是客户端侧的集群,本发明对此不做限定。
在本发明上述运行环境下,本发明提供了如图2所示的器官病变的检测方法的流程图,该方法可以应用于终端设备103。需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。如图2所示,该方法可以包括如下步骤:
步骤S202,获取第一器官的影像数据,其中,影像数据包括多层影像数据;
步骤S204,经由已训练的多级神经元网络检测第一器官的影像数据,得到第一检测结果;
步骤S206,基于第一检测结果判断第一器官是否发生病变。
根据肿瘤的分类可知,肿瘤一般分为三类肿瘤。第一类为浅表器官肿瘤,如人的皮肤、口腔、甲状腺、乳腺、睾丸和浅表淋巴结的肿瘤;第二类为空腔脏器肿瘤,如鼻、咽、气管、肺、食道、胃肠、肾、膀胱、子宫和阴道的肿瘤;第三类为实体器官肿瘤,如骨、脑、肝、胰、脾、卵巢和前列腺的肿瘤。在步骤S202中,可以利用终端103获取人体第一器官的影像数据,上述第一器官可以是机体的任意一个器官,尤其是空腔脏器或实体器官的影像数据。
其中,该影像数据包括多层影像数据,该多层影像数据可通过一次或多次扫描获取,通过该多层影像数据可以得到该第一器官的三维结构,该三维结构不仅包括器官的表面结构,还包括器官的内部成分结构。可选的,可以通过将多层影像数据层层依据预定间隔堆积得到该第一器官的三维结构。上述多层影像数据可以由任意的成像设备产生,只要能保证三维结构不仅包括表面结构还能包括内部成分结构即可。
在步骤S204中,经由已训练的多级神经元网络检测第一器官的影像数据,得到第一检测结果。该已训练的多级神经元网络至少包括两级已训练的神经元网络,其中,第一级已训练的神经元网络用于识别出影像数据中第一器官的第一体积区域,上述第一体积区域可为第一器官的三维体积区域;第二级已训练的神经元网络用于确定第一体积区域中疑似发生病变的第二体积区域。上述病变可以是是否存在肿瘤,或者其他病变。
具体的,第一级已训练的神经元网络识别影像数据中第一器官的第一体积区域,该第一级已训练的神经元网络可以为分割网络,如U-net网络(Convolutional Networksfor Biomedical Image Segmentation Olaf Ronneberger,生物图像分割的卷积网络)。上述第一级已训练的神经元网络识别影像数据中第一器官的第一体积区域包括:分割第一器官的影像数据,以获得多层切片数据;将多层切片数据中的第二区域融合,得到第一器官的第一体积区域。
其中,上述分割可以是沿相同方向分割影像数据,从而获得的具有相同方向的多层第一切片数据。在分割获得具有相同方向的多层第一切片数据之后,可以由此得出多层第一切片数据中存在第一器官的一层或多层第二切片数据,进而可以获得该存在第一器官的一层或多层第二切片数据中,每一层第二切片数据存在第一器官的第二区域,进而将一层或多层第二切片数据存在第一器官的第二区域融合得到第一器官的第一体积区域。
需要说明的是,上述确定第二切片数据存在第二区域具体可以U-net进行确定,相关技术较为成熟在此不在进行重复累赘。
例如,获取了一些医学影像领域中的肝脏CT影像,该肝脏CT影像由多层CT图片依次依据预定间隔堆积得到该肝脏CT的三维影像数据。可以利用U-net网络对第一器官的影像数据进行分割以及融合得到第一器官的第一体积区域。现有技术中U-net网络技术较为成熟,在此不再进行累赘重复。
其中,上述融合第二区域以获得第一体积区域,具体是通过一层或多层第二切片数据中的第二区域进行卷积来得到第一体积区域。上述卷积方法在U-net网络中较为成熟,在此不再进行累赘重复。
需要说明的是,上述第一级已训练的神经元网络的训练方法,也可以通过经由第一级已训练的神经元网络识别影像数据中第一器官的第一体积区域类似的方法实现。其区别在于,训练第一级已训练的神经元网络的方法,其,获取的影像数据是已确定器官的体积区域的影像数据,其输出的是神经元网络的修正系数。本文将在下文进行描述。下文将进行详细描述。
在第一级已训练的神经元网络识别出影像数据中第一器官的第一体积区域的情况下,本发明利用级联的第二级已训练的神经元网络分割第一体积区域中的影像数据,进而得到第一器官疑似存在损伤的第二体积区域。可选的,该第二体积区域可以为疑似肿瘤区域。
该第二级已训练的神经元网络可以为分割网络,如U-net网络,上述第二级已训练的神经元网络分割第一体积区域中的影像数据,进而得到第一器官的存在损伤的第二体积区域包括:分割第一体积区域中的影像数据,以获得第一器官的多层切片数据;将多层切片数据中存在损伤的第一区域融合,得到第一器官的第二体积区域;基于第二体积区域,得到第一检测结果。
上述分割可以是沿相同方向分割第一体积区域中的影像数据,从而获得的具有相同方向的多层第三切片数据。在分割获得具有相同方向的多层第三切片数据之后,可以由此得出多层第三切片数据中存在损伤的一层或多层第四切片数据,进而可以获得该存在损伤的一层或多层第四切片数据中,每一层第四切片数据存在损伤的第一区域,进而将一层或多层切片数据存在损伤的第一区域融合得到第一器官的第二体积区域,进而基于第二体积区域判断第一器官是否发生病变。
其中,上述存在损伤的第一区域可以是存在占位性块状突起的第一区域。上述确定第四切片数据存在损伤的第一区域具体可以通过:分析该第四切片数据存在占位性块状突起的以确定存在损伤的第一区域。
进一步地,将多层第四切片数据中存在损伤的第一区域融合,得到第一器官的第二体积区域包括:将单层切片数据中存在损伤的第一区域和/或多层连续的切片数据中存在损伤的第一区域融合。
可选的,也可以利用卷积来融合第一区域以获得第二体积区域。
例如,在对肝脏CT三维影像数据分析得到肝脏的体积区域之后,利用U-net网络对肝脏的体积区域进行分割以及融合,得到肝脏疑似发生病变的——疑似肿瘤的体积区域。
需要说明的是,上述第二级已训练的神经元网络的训练方法,也可以通过经由第二级已训练的神经元网络识别第一体积区域中疑似发生病变的第二体积区域类似的方法实现。其区别在于,训练第二级已训练的神经元网络的方法,获取的影像数据是已确定的发生病变的体积区域的影像数据,其输出的是神经元网络的修正系数。本文将在下文进行描述。
进一步地,本发明对疑似发生病变的第二体积区域进行检测,基于第二体积区域,得到第一检测结果具体可以通过如下方式实现:判断第二体积区域是否超过第一阈值,以得到第一检测结果。其中,上述第一阈值可以根据经验或测试确定,上述第一阈值用于表示可以直接确认发生病变的体积区域的规定阈值。
本发明可以基于上述第一检测结果触发第三级已训练的神经元网络。在步骤S206中,在第一检测结果指示第二体积区域超过第一阈值的情况下,此时无需触发第三级已训练的神经元网络,直接检测出第一器官的第二体积区域发生病变。
也就是说,对于比较大的疑似发生病变的体积区域,可以直接确定该疑似发生病变的体积区域确实发生了病变。
在步骤S206中,在第一检测结果指示第二体积区域未超过第一阈值的情况下,此时需要触发第三级已训练的神经元网络,以通过第三级已训练的神经元网络来进一步检测该第二体积区域是否存在病变。
该第三级神经元网络是一个分类网络,其用于判断特定区域是否发生病变,该分类用于明确特定区域属于哪个类别,是确定发生病变的区域,还是未发生病变的区域。可选的,该特定区域可以为一个像素区域。具体的,第三级已训练的神经元网络获取第二体积区域的多个第三体积区域;统计多个第三体积区域中第四体积区域的占比是否达到第二阈值,以得到第一判断结果;在第一判断结果指示多个第三体积区域中第四体积区域的占比达到第二阈值的情况下,得到第一检测结果,检测出第一器官的第二体积区域发生病变。
上述第三体积区域可以为一个像素体积区域,获取第二体积区域的多个第三体积区域可以是直接提取疑似发生病变的第二体积区域中的多个像素体积区域。统计多个第三体积区域中第四体积区域,可以是统计多个第三体积区域中发生病变的第四体积区域的数目,该第四体积区域为确定发生病变的像素体积区域,上述占比为多个第四体积区域在多个第三体积区域中所占的比例,该第二阈值为占比阈值,该占比阈值可以预先根据实验,或测试设置。也就是说,通过统计疑似发生病变的第二体积区域中确定发生病变的像素的占比是否达到占比阈值,当占比达到占比阈值时就确认该第二体积区域确实发生病变,否则就不是。
采用本发明,对于比较小的疑似发生病变的体积区域,由于体积区域较小易受噪声的干扰,本发明为了避免噪声的干扰,本发明通过第三级已训练的神经元网络来进一步检测该疑似发生病变的第二体积区域是否发生病变。
可选的,该第三级已训练的神经元网络可以为resnet(Residual Networks,残差网络)分类器,其专门用于检查小病变部位,只保留满足条件的体积区域。具体的,resnet分类器获取第二体积区域中的多个第三体积区域,其可以通过分割获取,该分割可以采用现有技术中任意的分割方法,只要能实现对体积区域进行分割的功能即可;并且,由于该第三体积区域可以为像素体积区域,因此,本发明也可以不对第二体积区域进行分割,而是直接获取第二体积区域内的多个像素体积区域。进一步地,resnet分类器可以统计多个第三体积区域中确定发生病变的第四体积区域的数目,得到第二体积区域中发生病变的体积区域的占比,当占比达到占比阈值时就确认该第二体积区域确实发生病变,否则就不是。
需要说明的是,在训练第三级神经元网络的过程中,也可以通过经由第三级已训练的神经元网络进一步检测疑似发生病变的第二体积区域类似的方法实现。其区别在于,训练第三级已训练的神经元网络的方法,其获取的多个第三体积区域中第四体积区域的占比是已知的,其输出的是神经元网络的修正系数。具体训练方法还可参见现有技术中resnet技术的相关内容。
通过本发明上述实施例,利用已训练的至少两级已训练的级联神经元网络来检测器官的三维影像数据,在利用第一级已训练的神经元网络检测出器官的体积区域之后,进而利用第二级已训练的神经元网络检测出器官疑似发生病变的体积区域,从而可以快捷的获取器官的三维影像数据疑似发生病变的体积区域。进而,可以自动的依据疑似发生病变的体积区域的特征,判断出该疑似发生病变的体积区域是否真实的发生了病变。更进一步地,在器官疑似发生病变的体积区域较小的情况下,利用第三级已训练的神经元网络进一步检测较小的疑似发生病变的第二体积区域是否确实发生了病变,采用本发明不仅能够自动准确检测出影像数据中的病变区域,无需人工参与,而且结果较为准确,从而用户可以及时根据病变区域的情况开展治疗。
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根据上述实施例的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,或者网络设备等)执行本发明实施例的方法。
根据本发明实施例,在本发明上述图1的运行环境下,还提供了一种电子设备,该电子设备可以为终端103。如图3所示,该电子设备包括:
处理器301,适于实现各指令;以及
存储器303;适于存储计算机程序指令,计算机程序指令适于由处理器加载并执行:
获取第一器官的影像数据;
经由已训练的神经元网络检测第一器官的影像数据,得到第一检测结果;
基于第一检测结果判断第一器官是否发生病变。
此外,根据本发明的一个实施例,其中,处理器301经由已训练的多级神经元网络检测第一器官的影像数据加载并执行的如下步骤:识别影像数据中第一器官的第一体积区域;分割第一体积区域中的影像数据,以获得第一器官的多层切片数据;将多层切片数据中存在损伤的第一区域融合,得到第一器官的第二体积区域;基于第二体积区域,得到第一检测结果。
此外,根据本发明的一个实施例,其中,处理器301将多层切片中存在损伤的第一区域融合加载并执行的如下步骤:将单层切片数据中存在损伤的第一区域和/或多层连续的切片数据中存在损伤的第一区域融合。
此外,根据本发明的一个实施例,处理器301基于第二体积区域,得到第一检测结果加载并执行的如下步骤:判断第二体积区域是否超过第一阈值,以得到第一检测结果;其中,在第一检测结果指示第二体积区域超过第一阈值的情况下,检测出第一器官的第二体积区域发生病变。
此外,根据本发明的一个实施例,处理器301基于第二体积区域,得到第一检测结果还加载并执行的如下步骤:在第一检测结果指示第二体积区域未超过第一阈值的情况下,获取第二体积区域的多个第三体积区域;统计多个第三体积区域中第四体积区域的占比是否达到第二阈值,以得到第一判断结果;在第一判断结果指示多个第三体积区域中第四体积区域的占比达到第二阈值的情况下,得到第一检测结果,检测出第一器官的第二体积区域发生病变。
此外,根据本发明的一个实施例,其中,处理器301识别影像数据中第一器官的第一体积区域加载并执行的如下步骤:分割第一器官的影像数据,以获得多层切片数据;将多层切片数据中的第二区域融合,得到第一器官的第一体积区域。
此外,根据本发明的一个实施例,其中,处理器301将第一区域或第二区域融合加载并执行的如下步骤:利用卷积融合第一区域以获得第二体积区域;或利用卷积融合第二区域以获得第一体积区域。
通过本发明上述实施例,利用已训练的至少两级已训练的级联神经元网络来检测器官的三维影像数据,在利用第一级已训练的神经元网络检测出器官的体积区域之后,进而利用第二级已训练的神经元网络检测出器官疑似发生病变的体积区域,从而可以快捷的获取器官的三维影像数据疑似发生病变的体积区域。进而,可以自动的依据疑似发生病变的体积区域的特征,判断出该疑似发生病变的第二体积区域是否真实的发生了病变,更进一步地,在器官疑似发生病变的第二体积区域较小的情况下,利用第三级已训练的神经元网络进一步检测较小疑似发生病变的第二体积区域是否确实发生了病变。采用本发明不仅能够自动准确检测出影像数据中的病变区域,无需人工参与,而且结果较为准确,从而用户可以及时根据病变区域的情况开展治疗。
在本发明上述运行环境下,本发明提供了如图4所示的训练神经元网络的方法的流程图。上述训练神经元网络的方法可以用于训练第一级神经元网络。由于在训练神经元网络过程中,会存在损失函数,因此,本发明主要在于修正损失函数的系数,以使检测结果更为准确。如图4所示,该方法可以包括如下步骤:
步骤S402,获取第一器官的待测影像数据,其中,待测影像数据中包括已确定的第一器官体积区域;
步骤S404,分割待测影像数据,以获得第一器官的多层切片数据;
步骤S406,将多层切片数据中的目标区域融合,得到第一器官的检测体积区域,其中,目标区域为第一器官在切片中的区域;
步骤S408,基于已确定的第一器官体积区域、第一器官的检测体积区域,获取神经元网络的修正系数以训练神经元网络。
需要说明的是,在步骤S404中,分割待测影像数据可以利用多个分割模型分割待测影像数据,并且在步骤S406中可以由多个分割模型的分割结果进行融合。
训练过程通过一个损失函数,也就是测试输出和真实已确定的信息(如标注信息)的误差作为损失函数,训练神经元网络的迭代网络参数。当损失函数的值变小到不再下降,也即测试输出和真实医生的标注信息差距很小时,网络训练结束获得可用于分割未知标注信息的模型。当训练完了多个分割模型,将多个分割模型的分割结果融合作为整个第一级神经元网络的融合输出。
以CT影像数据为例,训练的时候首先明确真实CT图片输入和专家标注的对应的器官分割结果输出。这里我们设计单张CT图片对应一个医生标注的结果,以及连续三张CT图片输入对应中间那张图片的医生的标注信息。分别以这些输入输出训练多个模型。也即可以同时用单张图片训练一个分割模型和用连续多张图片训练分割模型,从而可以从多个分割模型获取更多不同平面和空间的信息,最后由多个分割模型的分割结果进而融合。
由于CT影像数据由多层CT图片构成,从而对于分割获得的每张图片,每输入一个图片到一个输出向前计算向后反推成为一个迭代周期,这个周期内会将输入图片和网络参数做卷积等操作获得输出,对比网络输出和该图片真实标注信息获得误差结果,然后误差反向传播到每一个卷积层,从而根据误差调整参数,每调整一下参数,则使得输出会和真实输出更加接近。该参数可以为修正系数。通过千万次的迭代来保证网络的输出和真值非常接近,这个过程就是梯度下降算法。具体相关内容请参见现有技术梯度下降算法的相关内容。
在本发明上述运行环境下,本发明提供了如图5所示的训练神经元网络的方法的流程图。上述训练神经元网络的方法可以用于训练第二级神经元网络。由于在训练神经元网络过程中,会存在损失函数,因此,本发明主要在于修正损失函数的系数,以使检测结果更为准确。如图5所示,该方法可以包括如下步骤:
步骤S501,获取第一器官所属体积区域内的待测影像数据,其中,待测影像数据中包括已确定的第五体积区域;
步骤S503,分割待测影像数据,以获得第一器官的多层切片数据;
步骤S505,将多层切片数据中存在损伤的第三区域融合,得到第一器官的第六体积区域;
步骤S507,基于第五体积区域和第六体积区域,获取神经元网络的修正系数以训练神经元网络。
上述第五体积区域为第一器官以确定发生病变的体积区域,上述第六区域为检测出疑似发生病变的体积区域。上述第三区域可以为发生病变的区域。
上述训练第二级神经元网络与训练第一级神经元网络的方法较为相似,仅在于获取的数据不同,其分割、融合和获取修正系数可以采用相同的方法,具体可参见训练第一级神经元网络的方法。
需要说明的是,上述训练第一级神经元网络和第二级神经元网络可以同时训练,也可以分别训练。
另外,训练第三级神经元网络可以同样利用损失函数训练得到模型。最后用这个模型去检测第二级神经元网络的较小的体积区域是否真的发生了病变,在此不再进行累赘重复。
通过本发明上述实施例,利用利用上述训练方法训练的第一级/第二级/第三级神经元网络,可以准确的检测出器官的体积区域和器官发生病变的体积区域。
根据本发明实施例,在本发明上述图1的运行环境下,还提供了一种电子设备,该电子设备可以为集群节点,该集群节点可以用于训练第二级神经元网络。如图6所示,该电子设备包括:
处理器602,适于实现各指令;以及
存储器604;适于存储计算机程序指令,计算机程序指令适于由处理器加载并执行:
获取第一器官所属体积区域内的待测影像数据,其中,待测影像数据中包括已确定的第五体积区域;
分割影像数据,以获得第一器官的多层切片数据;
将多层切片数据中存在损伤的第三区域融合,得到第一器官的第六体积区域;
基于第五体积区域和第六体积区域,获取神经元网络的修正系数以训练神经元网络。
需要说明的是,上述训练第一级神经元网络和第二级神经元网络可以同时训练,也可以分别训练。
另外,训练第三级神经元网络可以同样利用损失函数训练得到模型。最后用这个模型去检测第二级神经元网络的较小的体积区域是否真的发生了病变,在此不再进行累赘重复。
通过本发明上述实施例,利用利用上述训练方法训练的第一级/第二级/第三级神经元网络,可以准确的检测出器官的体积区域和器官发生病变的体积区域。
需要说明的是,对于上述的方法、电子设备实施例,为了简单描述,故将其都表述为一系列的动作或模块组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序或模块连接的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行,某些模块可以采用其他连接方式。
本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,上述实施例序号仅仅为了描述,所涉及的动作和模块并不一定是本发明所必须的。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种器官病变的检测方法,该方法包括:
获取第一器官的影像数据,其中,所述影像数据包括多层影像数据;
经由已训练的多级神经元网络检测所述第一器官的影像数据,得到第一检测结果;
基于所述第一检测结果判断所述第一器官是否发生病变。
2.根据权利要求1所述的检测方法,其中,经由已训练的多级神经元网络检测所述第一器官的影像数据包括:
识别所述影像数据中第一器官的第一体积区域;
分割所述第一体积区域中的影像数据,以获得所述第一器官的多层切片数据;
将多层切片数据中存在损伤的第一区域融合,得到所述第一器官的第二体积区域;
基于所述第二体积区域,得到第一检测结果。
3.根据权利要求2所述的检测方法,其中,将多层切片中存在损伤的第一区域融合包括:
将单层切片数据中存在损伤的第一区域和/或多层连续的切片数据中存在损伤的第一区域融合。
4.根据权利要求2所述的检测方法,所述基于所述第二体积区域,得到第一检测结果包括:
判断所述第二体积区域是否超过第一阈值,以得到第一检测结果;
其中,在所述第一检测结果指示所述第二体积区域超过第一阈值的情况下,检测出所述第一器官的第二体积区域发生病变。
5.根据权利要求4所述的检测方法,所述基于所述第二体积区域,得到第一检测结果还包括:
在所述第一检测结果指示所述第二体积区域未超过第一阈值的情况下,获取所述第二体积区域的多个第三体积区域;
统计所述多个第三体积区域中第四体积区域的占比是否达到第二阈值,以得到第一判断结果;
在所述第一判断结果指示所述多个第三体积区域中第四体积区域的占比达到第二阈值的情况下,得到第一检测结果,检测出所述第一器官的第二体积区域发生病变。
6.根据权利要求2所述的检测方法,其中,识别所述影像数据中第一器官的第一体积区域包括:
分割所述第一器官的影像数据,以获得多层切片数据;
将多层切片数据中的第二区域融合,得到所述第一器官的第一体积区域。
7.根据权利要求2或6所述的检测方法,其中,将第一区域或第二区域融合包括:
利用卷积融合所述第一区域以获得第二体积区域;或利用卷积融合所述第二区域以获得第一体积区域。
8.一种训练神经元网络的方法,该方法包括:
获取第一器官所属体积区域内的待测影像数据,其中,所述待测影像数据中包括已确定的第五体积区域;
分割所述影像数据,以获得所述第一器官的多层切片数据;
将多层切片数据中存在损伤的第三区域融合,得到所述第一器官的第六体积区域;
基于所述第五体积区域和所述第六体积区域,获取所述神经元网络的修正系数以训练所述神经元网络。
9.一种电子设备,包括:
处理器,适于实现各指令;以及
存储器;适于存储计算机程序指令,所述计算机程序指令适于由处理器加载并执行:
获取第一器官的影像数据;
经由已训练的神经元网络检测所述第一器官的影像数据,得到第一检测结果;
基于所述第一检测结果判断所述第一器官是否发生病变。
10.一种电子设备,包括:
处理器,适于实现各指令;以及
存储器;适于存储计算机程序指令,所述计算机程序指令适于由处理器加载并执行:
获取第一器官所属体积区域内的待测影像数据,其中,所述待测影像数据中包括已确定的第五体积区域;
分割所述影像数据,以获得所述第一器官的多层切片数据;
将多层切片数据中存在损伤的第三区域融合,得到所述第一器官的第六体积区域;
基于所述第五体积区域和所述第六体积区域,获取神经元网络的修正系数以训练所述神经元网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710686307.5A CN107424152B (zh) | 2017-08-11 | 2017-08-11 | 器官病变的检测装置、训练神经元网络的方法和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710686307.5A CN107424152B (zh) | 2017-08-11 | 2017-08-11 | 器官病变的检测装置、训练神经元网络的方法和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107424152A true CN107424152A (zh) | 2017-12-01 |
CN107424152B CN107424152B (zh) | 2020-12-18 |
Family
ID=60437955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710686307.5A Active CN107424152B (zh) | 2017-08-11 | 2017-08-11 | 器官病变的检测装置、训练神经元网络的方法和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107424152B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470185A (zh) * | 2018-02-12 | 2018-08-31 | 北京佳格天地科技有限公司 | 卫星影像的地物标注装置及方法 |
CN109064443A (zh) * | 2018-06-22 | 2018-12-21 | 哈尔滨工业大学 | 一种基于腹部超声图像的多模型器官分割方法及系统 |
CN109146899A (zh) * | 2018-08-28 | 2019-01-04 | 众安信息技术服务有限公司 | Ct图像的危及器官分割方法及装置 |
CN109584223A (zh) * | 2018-11-20 | 2019-04-05 | 北京中科研究院 | Ct图像中肺部血管分割方法 |
CN109741359A (zh) * | 2019-01-13 | 2019-05-10 | 中南大学 | 一种腹部ct序列图像病变肝脏分割方法 |
CN109801285A (zh) * | 2019-01-28 | 2019-05-24 | 太原理工大学 | 一种基于U-Net分割及ResNet训练的乳腺X线图像的处理方法 |
CN110110748A (zh) * | 2019-03-29 | 2019-08-09 | 广州思德医疗科技有限公司 | 一种原始图片的识别方法及装置 |
CN110490850A (zh) * | 2019-02-14 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种肿块区域检测方法、装置和医学图像处理设备 |
CN110533637A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种检测对象的方法及装置 |
CN110598782A (zh) * | 2019-09-06 | 2019-12-20 | 上海杏脉信息科技有限公司 | 一种训练用于医学影像的分类网络的方法与装置 |
CN110751617A (zh) * | 2018-07-06 | 2020-02-04 | 台达电子工业股份有限公司 | 口腔影像分析系统和方法 |
CN110889853A (zh) * | 2018-09-07 | 2020-03-17 | 天津大学 | 基于残差-注意力深度神经网络的肿瘤分割方法 |
CN110889852A (zh) * | 2018-09-07 | 2020-03-17 | 天津大学 | 基于残差-注意力深度神经网络的肝脏分割方法 |
CN111819599A (zh) * | 2018-01-10 | 2020-10-23 | 消化器官癌症研究所 | 一种按照3d医学图像的解剖几何形状通过一个或多个神经网络经由结构化卷积来自动分割3d医学图像的处理 |
CN111986137A (zh) * | 2019-05-21 | 2020-11-24 | 梁红霞 | 生物器官病变检测方法、装置、设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389813A (zh) * | 2015-10-30 | 2016-03-09 | 上海联影医疗科技有限公司 | 医学图像中器官的识别方法及分割方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
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 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN106803247A (zh) * | 2016-12-13 | 2017-06-06 | 上海交通大学 | 一种基于多级筛选卷积神经网络的微血管瘤自动检测方法 |
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 |
-
2017
- 2017-08-11 CN CN201710686307.5A patent/CN107424152B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389813A (zh) * | 2015-10-30 | 2016-03-09 | 上海联影医疗科技有限公司 | 医学图像中器官的识别方法及分割方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
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 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN106803247A (zh) * | 2016-12-13 | 2017-06-06 | 上海交通大学 | 一种基于多级筛选卷积神经网络的微血管瘤自动检测方法 |
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 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111819599A (zh) * | 2018-01-10 | 2020-10-23 | 消化器官癌症研究所 | 一种按照3d医学图像的解剖几何形状通过一个或多个神经网络经由结构化卷积来自动分割3d医学图像的处理 |
CN108470185A (zh) * | 2018-02-12 | 2018-08-31 | 北京佳格天地科技有限公司 | 卫星影像的地物标注装置及方法 |
CN109064443A (zh) * | 2018-06-22 | 2018-12-21 | 哈尔滨工业大学 | 一种基于腹部超声图像的多模型器官分割方法及系统 |
CN109064443B (zh) * | 2018-06-22 | 2021-07-16 | 哈尔滨工业大学 | 一种基于腹部超声图像的多模型器官分割方法 |
CN110751617A (zh) * | 2018-07-06 | 2020-02-04 | 台达电子工业股份有限公司 | 口腔影像分析系统和方法 |
CN109146899A (zh) * | 2018-08-28 | 2019-01-04 | 众安信息技术服务有限公司 | Ct图像的危及器官分割方法及装置 |
CN110889853A (zh) * | 2018-09-07 | 2020-03-17 | 天津大学 | 基于残差-注意力深度神经网络的肿瘤分割方法 |
CN110889852A (zh) * | 2018-09-07 | 2020-03-17 | 天津大学 | 基于残差-注意力深度神经网络的肝脏分割方法 |
CN110889852B (zh) * | 2018-09-07 | 2022-05-06 | 天津大学 | 基于残差-注意力深度神经网络的肝脏分割方法 |
CN109584223A (zh) * | 2018-11-20 | 2019-04-05 | 北京中科研究院 | Ct图像中肺部血管分割方法 |
CN109741359B (zh) * | 2019-01-13 | 2022-05-31 | 中南大学 | 一种腹部ct序列图像病变肝脏分割方法 |
CN109741359A (zh) * | 2019-01-13 | 2019-05-10 | 中南大学 | 一种腹部ct序列图像病变肝脏分割方法 |
CN109801285A (zh) * | 2019-01-28 | 2019-05-24 | 太原理工大学 | 一种基于U-Net分割及ResNet训练的乳腺X线图像的处理方法 |
CN110490850A (zh) * | 2019-02-14 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种肿块区域检测方法、装置和医学图像处理设备 |
US11995821B2 (en) | 2019-02-14 | 2024-05-28 | Tencent Technology (Shenzhen) Company Limited | Medical image region screening method and apparatus and storage medium |
CN110110748A (zh) * | 2019-03-29 | 2019-08-09 | 广州思德医疗科技有限公司 | 一种原始图片的识别方法及装置 |
CN110110748B (zh) * | 2019-03-29 | 2021-08-17 | 广州思德医疗科技有限公司 | 一种原始图片的识别方法及装置 |
CN111986137B (zh) * | 2019-05-21 | 2024-06-28 | 梁红霞 | 生物器官病变检测方法、装置、设备及可读存储介质 |
CN111986137A (zh) * | 2019-05-21 | 2020-11-24 | 梁红霞 | 生物器官病变检测方法、装置、设备及可读存储介质 |
CN110533637B (zh) * | 2019-08-02 | 2022-02-11 | 杭州依图医疗技术有限公司 | 一种检测对象的方法及装置 |
CN110533637A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种检测对象的方法及装置 |
CN110598782A (zh) * | 2019-09-06 | 2019-12-20 | 上海杏脉信息科技有限公司 | 一种训练用于医学影像的分类网络的方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107424152B (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107424152A (zh) | 器官病变的检测方法和电子设备、以及训练神经元网络的方法和电子设备 | |
Sajja et al. | Lung cancer detection based on CT scan images by using deep transfer learning | |
Albashish et al. | Deep CNN model based on VGG16 for breast cancer classification | |
Lopez Torres et al. | Large scale validation of the M5L lung CAD on heterogeneous CT datasets | |
CN109035197B (zh) | 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及系统 | |
CN109584252B (zh) | 基于深度学习的ct影像的肺叶段分割方法、装置 | |
Alarabeyyat et al. | Breast cancer detection using k-nearest neighbor machine learning algorithm | |
Ducros et al. | Regularization of nonlinear decomposition of spectral x‐ray projection images | |
Tran et al. | A multiple layer U-Net, U n-Net, for liver and liver tumor segmentation in CT | |
CN108615237A (zh) | 一种肺部图像处理方法及图像处理设备 | |
Fang et al. | Automatic breast cancer detection based on optimized neural network using whale optimization algorithm | |
CN106339571A (zh) | 用于分类医学图像数据组的人工神经网络 | |
CN109872325B (zh) | 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法 | |
Zheng et al. | Deep convolutional neural networks for multiplanar lung nodule detection: Improvement in small nodule identification | |
CN109598697A (zh) | 二维乳腺造影数据组的确定 | |
CN109978004B (zh) | 图像识别方法及相关设备 | |
Rani et al. | Superpixel with nanoscale imaging and boosted deep convolutional neural network concept for lung tumor classification | |
CN108846829A (zh) | 病变部位识别方法及装置、计算机装置及可读存储介质 | |
Kavur et al. | Basic ensembles of vanilla-style deep learning models improve liver segmentation from ct images | |
CN109003651A (zh) | 病灶报告生成装置和方法 | |
CN109492547A (zh) | 一种结节识别方法、装置和存储介质 | |
Krishna et al. | Computerized Classification of CT Lung Images using CNN with Watershed Segmentation | |
Iqbal et al. | A heteromorphous deep CNN framework for medical image segmentation using local binary pattern | |
Hassan et al. | A dilated residual hierarchically fashioned segmentation framework for extracting Gleason tissues and grading prostate cancer from whole slide images | |
Jehangir et al. | Lung Cancer Detection using Ensemble of Machine Learning Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |