CN107492099B - 医学图像分析方法、医学图像分析系统以及存储介质 - Google Patents

医学图像分析方法、医学图像分析系统以及存储介质 Download PDF

Info

Publication number
CN107492099B
CN107492099B CN201710751978.5A CN201710751978A CN107492099B CN 107492099 B CN107492099 B CN 107492099B CN 201710751978 A CN201710751978 A CN 201710751978A CN 107492099 B CN107492099 B CN 107492099B
Authority
CN
China
Prior art keywords
medical image
neural network
classification result
medical
classifier
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.)
Active
Application number
CN201710751978.5A
Other languages
English (en)
Other versions
CN107492099A (zh
Inventor
李莹莹
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201710751978.5A priority Critical patent/CN107492099B/zh
Publication of CN107492099A publication Critical patent/CN107492099A/zh
Priority to US15/954,981 priority patent/US10706333B2/en
Application granted granted Critical
Publication of CN107492099B publication Critical patent/CN107492099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

一种医学图像分析方法、医学图像分析系统以及存储介质。该医学图像分析方法包括：获取医学图像；使用神经网络处理所述医学图像，确定所述医学图像的分类结果；将所述医学图像输入到与所述分类结果相对应的辅助诊断装置中。该医学图像分析方法可以将各种类型的医学图像辅助诊断装置进行融合，实现多类医学图像的自动分析，缓解医疗资源稀缺且不均衡的现象。

Description

医学图像分析方法、医学图像分析系统以及存储介质
技术领域
本公开的实施例涉及一种医学图像分析方法、医学图像分析系统以及存储介质。
背景技术
深度学习是机器学习的一种，其可以对数据进行表征学习。深度学习可以采用非监督式或半监督式的特征学习和分层特征提取算法获取特征。深度学习的基本结构是深度学习神经网络。深度学习神经网络是一种具备至少一个隐含层的人工神经网络，其可以通过组合低层特征形成更加抽象的高层的表示属性类别的特征，以发现数据的分布式特征表示。
发明内容
本公开至少一实施例提供一种医学图像分析方法，其包括：获取医学图像；使用神经网络处理所述医学图像，确定所述医学图像的分类结果；将所述医学图像输入到与所述分类结果相对应的辅助诊断装置中。
例如，在本公开至少一个实施例提供的医学图像分析方法中，使用所述神经网络处理所述医学图像，确定所述医学图像的分类结果，包括：通过所述神经网络提取所述医学图像的特征；以及基于所述医学图像的特征，通过分类器对所述医学图像进行分类以得到所述分类结果。
例如，在本公开至少一个实施例提供的医学图像分析方法中，基于所述医学图像的特征，通过所述分类器对所述医学图像进行分类以得到所述分类结果，包括：基于所述医学图像的特征，通过所述分类器计算所述医学图像针对多个不同类别的多个得分数；根据所述多个得分数的排序确定所述医学图像的分类结果。
例如，在本公开至少一个实施例提供的医学图像分析方法中，所述多个得分数为多个预测概率，所述分类结果与所述多个预测概率中的最大预测概率相对应。
例如，在本公开至少一个实施例提供的医学图像分析方法中，所述辅助诊断装置被配置为分析与所述分类结果对应的医学图像的特征，所述辅助诊断装置为辅助诊断装置组的一部分，所述辅助诊断装置组的各辅助诊断装置被配置为分析不同类别的医学图像的特征。
例如，在本公开至少一个实施例提供的医学图像分析方法中，所述辅助诊断装置组中的辅助诊断装置的数量与所述多个得分数的数量相同。
例如，在本公开至少一个实施例提供的医学图像分析方法中，在获取所述医学图像前，所述医学图像分析方法还包括：在训练阶段，利用医学图像库中的样本图像训练所述神经网络，以生成所述神经网络的参数。
例如，在本公开至少一个实施例提供的医学图像分析方法中，所述训练阶段的损失函数为对数似然损失函数，所述对数似然损失函数表示为：
C＝-ln ay
其中，C表示所述对数似然损失函数，y表示所述医学图像的类别，ay表示y对应的预测概率。
本公开至少一实施例还提供一种医学图像分析系统，其与辅助诊断装置连接。该医学图像分析系统包括：神经网络和图像采集装置，所述神经网络包括输入层和输出层，所述图像采集装置与所述神经网络的输入层连接，所述辅助诊断装置与所述神经网络的输出层连接。所述图像采集装置被配置为获取医学图像。所述神经网络被配置为：接收并处理所述医学图像，确定所述医学图像的分类结果；以及根据所述分类结果将所述医学图像输入到所述辅助诊断装置中。所述辅助诊断装置被配置为对所述医学图像进行分析。
例如，在本公开至少一个实施例提供的医学图像分析系统中，所述神经网络包括分类器，所述神经网络被配置为提取所述医学图像的特征，所述分类器被配置为基于所述医学图像的特征，对所述医学图像进行分类以得到所述分类结果。
例如，在本公开至少一个实施例提供的医学图像分析系统中，所述分类器包括SVM分类器和SoftMax分类器中的至少之一。
例如，在本公开至少一个实施例提供的医学图像分析系统中，所述分类器被配置为：基于所述医学图像的特征计算所述医学图像针对多个不同类别的多个得分数；以及根据所述多个得分数的排序确定所述医学图像的分类结果。
例如，在本公开至少一个实施例提供的医学图像分析系统中，所述多个得分数为多个预测概率，所述分类结果与所述多个预测概率中的最大预测概率相对应。
例如，在本公开至少一个实施例提供的医学图像分析系统中，所述辅助诊断装置被配置为分析与所述分类结果对应的医学图像的特征，所述辅助诊断装置为辅助诊断装置组的一部分，所述辅助诊断装置组的各辅助诊断装置被配置为分析不同类别的医学图像的特征。
例如，在本公开至少一个实施例提供的医学图像分析系统中，所述辅助诊断装置组中的辅助诊断装置的数量与所述多个得分数的数量相同。
例如，在本公开至少一个实施例提供的医学图像分析系统中，所述神经网络为卷积神经网络。
本公开至少一实施例还提供一种存储介质，存储有适于由处理器运行的计算机指令，所述计算机指令被处理器运行时可以执行上述任一所述的医学图像分析方法。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。
图1是本公开一实施例提供的一种医学图像分析方法的示意性流程图；
图2是卷积神经网络的一种示例性的构型；
图3是本公开一实施例提供的一种医学图像分析系统的示意性框图；
图4是本公开一实施例提供的一种医学图像分析系统的另一示意性框图；以及
图5是本公开另一实施例提供一种医学图像分析系统的示意性框图。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。
深度学习神经网络可以应用于图片、视频以及语音识别等方面，其可以提升识别的准确性，减少抽取特征的时间，提高计算效率。由于人工神经网络结构的加深、算法的提升，以及图像处理器(Graphics Processing Unit，简称GPU)带来的计算能力的提升和训练数据的增多等因素，深度学习神经网络逐渐应用于文本处理、自然语言理解、人脸识别、医疗诊断、人机对话以及情感计算等各方面。
在下述中，所称的辅助诊断装置，又称为计算辅助诊断装置(CAD)，是一种对医学图像进行辅助解读的计算机系统，其可以根据医学图像的内容提供有关医学图像的内容的参数或状态描述，医生等可以基于这些参数或状态描述，结合临床检查、活检等得到的数据并结合个人医疗经验，诊断患者的疾病。
本公开的实施例提供一种医学图像分析方法、医学图像分析系统以及存储介质，其可以将各种类型的医学图像辅助诊断装置进行融合，实现多类医学图像的自动分析，提高计算机辅助诊断系统(CAD)的运行效率，缓解医疗资源稀缺且不均衡的现象。
下面对本公开的实施例进行详细说明，但是本公开并不限于这些具体的实施例。
图1示出了本公开一实施例提供的一种医学图像分析方法的示意性流程图，图2示出了卷积神经网络的一种示例性构型。
例如，如图1所示，本公开实施例提供的医学图像分析方法可以包括，但不限于，以下操作：
操作S10：获取医学图像；
操作S20：使用神经网络处理医学图像，确定医学图像的分类结果；
操作S30：将医学图像输入到与分类结果相对应的辅助诊断装置中。
本公开实施例提供的医学图像分析方法可以将各种类型的医学图像辅助诊断装置进行融合，实现多类医学图像的自动分析，提高计算机辅助诊断系统(CAD)的运行效率，缓解医疗资源稀缺且不均衡的现象。
例如，在操作S10中，医学图像可以通过图像采集装置获取。在本公开中，图像采集装置例如可以包括超声设备、X射线设备、核磁共振设备、核医学设备、医用光学设备以及热成像设备等，本公开在此不作限定。
例如，医学图像可以为各种类型的图像。例如，按照获取医学图像的设备划分，医学图像可以包括超声图像、X射线计算机断层摄影(Computed Tomography，CT)、核磁共振(Magnetic Resonance Imaging，MRI)图像、数字血管剪影(Digital SubtractionAngiography，DSA)和正电子断层摄影(Positron Emission Computed Tomography PET)等。按照医学图像的内容划分，医学图像可以包括脑组织核磁共振图像、脊髓核磁共振图像、眼底图像、血管图像、胰腺CT图像和肺部CT图像等。
例如，医学图像可以为二维图像，也可以为三维图像。医学图像可以为灰度图像，也可以为彩色图像。
需要说明的是，在使用神经网络处理医学图像前，医学图像分析方法还可以包括对医学图像进行预处理的操作。预处理可以消除医学图像中的无关信息或噪声信息，以便于更好地对医学图像进行识别并分类。预处理例如可以包括对医学图像进行缩放、伽玛(Gamma)校正、图像增强或降噪滤波等处理。例如，医学图像的滤波操作主要包括空域方法和频域方法。空域方法主要包括平滑和滤波操作，频域方法主要包括傅里叶变换等各种频域变换操作。
例如，在操作S20中，使用神经网络处理医学图像，确定医学图像的分类结果，可以包括以下操作：
操作S201：通过神经网络提取医学图像的特征；以及
操作S202：基于医学图像的特征，通过分类器对医学图像进行分类以得到分类结果。
例如，神经网络可以包括卷积神经网络(CNN)、栈式自编码网络、稀疏编码网络、循环神经网络(RNN)、深度信念网络等。本公开的实施例可以采用上述神经网络中的一种或几种的组合对医学图像进行处理。
例如，在一个实施例中，神经网络为卷积神经网络。卷积神经网络可用于提取医学图像的特征信息，以准确判断医学图像的类型，提高医学图像的分类正确率。卷积神经网络例如为深度卷积神经网络(Deep CNN)。
例如，如图2所示，输入图像通过输入层输入到卷积神经网络后，依次经过若干个处理过程(如图2中的每个层级)后输出类别标识，这些层级构成了神经网络的隐含层。卷积神经网络主要的组成部分包括：多个卷积层、多个池化层(又称为子采样层)和全连接层。一个完整的卷积神经网络由这三种层叠加组成。例如，图2仅示出了卷积神经网络的三个层级，即第一层级、第二层级和第三层级，每个层级包括一个卷积层和一个池化层。由此，每个层级的处理过程可以包括：对输入图像进行卷积(convolution)以及子采样(sub-sampling)。根据实际需要，每个层级的处理过程还可以包括归一化处理(LCN，localconstant normalization)等。
卷积层是卷积神经网络的核心层。卷积层可以对输入图像应用若干个过滤器(即卷积核)，以提取多种类型的特征。每个过滤器可以提取一种类型的特征。对输入图像应用一个过滤器之后得到的结果被称为特征图(feature map)，特征图的数目与过滤器的数目相等。一个层级的卷积层输出的特征图可以被输入到相邻的下一个层级的卷积层并被再次处理以得到新的特征图。例如，如图2所示，第一层级的卷积层可以输出第一特征图，该第一特征图可以被输入到第二层级的卷积层，第二层级的卷积层对第一特征图进行处理以得到第二特征图。
例如，池化层设置在相邻的卷积层之间。一方面，池化层可以用于缩减输入图像或特征图的规模，简化计算的复杂度，在一定程度上减小过拟合的现象；另一方面，池化层也可以进行特征压缩，提取输入图像的主要特征。例如，一个尺寸为12×12的输入图像，通过6×6的滤波器对其进行子采样，那么可以得到2×2的输出图像，这意味着输入图像上的36个像素合并为输出图像中的1个像素。实现子采样的方法有很多种，这些方法包括但不限于：最大值合并(max-pooling)、平均值合并(avg-pooling)、随机合并、欠采样(decimation，例如选择固定的像素)、解复用输出(demuxout，将输入图像拆分为多个更小的图像)等。通常最后一个池化层或卷积层连接到一个或多个全连接层，全连接层用于连接输入图像的所有特征。全连接层的输出为一个一维矩阵，也就是向量。例如，根据实际需要，全连接层可以连接到分类器，分类器可以根据提取的特征对输入图像进行分类。分类器的分类结果经过输出层输出以作为卷积神经网络的最终输出。
例如，分类器为Softmax分类器时，每个类别标识(label)被赋予一定的预测概率，而具有最大预测概率的类别标识被选择为输入图像的标识或类别。
例如，分类器为SVM分类器时，每个类别标识以其相对分离超平面的距离被赋予一定的分类评分，而具有最高分类评分的类别标识被选择为输入图像的标识或类别。
例如，在操作S201中，卷积神经网络中的卷积层用于提取医学图像的特征。根据实际需求，每个卷积层可以设置多个过滤器，以提取医学图像的多种特征。医学图像的特征例如可以包括纹理特征、形状特征和边缘特征等。
例如，在本公开的实施例中，卷积神经网络可以采用Inception-ResNet、GoogLeNet v3等模型。或者，卷积神经网络也可以采用根据医学图像分类原理自定义的卷积神经网络。本公开的实施例对此不作限制。
例如，在操作S202中，全连接层将卷积层提取的医学图像的所有特征输入分类器。分类器可以基于医学图像的所有特征，对医学图像进行分类以得到分类结果。
例如，操作S202可以包括以下操作：
操作S2021：基于医学图像的特征，通过分类器计算医学图像针对多个不同类别的多个得分数；
操作S2022：根据多个得分数的排序确定医学图像的分类结果。
例如，分类器可以包括支持向量机(Support Vector Machine，SVM)分类器、SoftMax分类器以及最邻近规则(KNN)分类器等。例如，SoftMax分类器是基于预测概率对医学图像进行分类的分类器，SVM分类器是基于分离超平面对医学图像进行分类的分类器。
例如，当分类器为SoftMax分类器时，SoftMax分类器具有多个类别标识，多个得分数为多个预测概率，且多个预测概率与多个类别标识相对应。多个预测概率的绝对值大小表征该医学图像属于不同类别时的概率大小。分类结果与多个预测概率中的最大预测概率相对应，例如，与最大预测概率对应的类别为步骤S20输出的分类结果。
例如，分类结果表示医学图像的类别，不同类别的医学图像具有不同类型的特征。例如，分类结果可以为眼底图像、脑组织核磁共振图像、脊髓核磁共振图像、血管图像、胰腺CT图像和肺部CT图像等。
例如，在操作S30中，辅助诊断装置被配置为分析与分类结果对应的医学图像的特征。辅助诊断装置为辅助诊断装置组的一部分。辅助诊断装置组包括多个辅助诊断装置，且该多个辅助诊断装置被配置为分析不同类别的医学图像的特征。根据分类结果，神经网络可以将医学图像输入到与分类结果对应的辅助诊断装置中，然后，辅助诊断装置对医学图像自动进行分析。因此，本公开实施例提供的医学图像分析方法可以实现多个辅助诊断装置之间的融合。
例如，辅助诊断装置组中的多个辅助诊断装置的数量与多个得分数的数量相同。多个辅助诊断装置与多个得分数一一对应，从而确定得分数最高的辅助诊断装置所对应的类别为所述医学图像的分类结果，并将所述医学图像输入该辅助诊断装置中进行分析。但本公开不限于此，多个得分数也可以对应一个辅助诊断装置。
例如，辅助诊断装置组中的每个辅助诊断装置可以分析对应组织(例如，脑组织、肺部等)的医学图像的一种特征，也可以分析对应组织的医学图像的多种特征。本公开的实施例对此不作限制。
例如，辅助诊断装置可以基于卷积神经网络对医学图像进行检测、分割和分析。多个辅助诊断装置可以采用相同结构的卷积神经网络对医学图像进行处理，也可以采用不同结构的卷积神经网络对医学图像进行处理。本公开对此不作限制。
例如，在一个例子中，神经网络的分类器为SoftMax分类器，且假设SoftMax分类器具有第一类别标识、第二类别标识和第三类别标识。第一类别标识表示眼底图像，第二类别标识表示脑组织核磁共振图像，第三类别标识表示肺部CT图像。通过神经网络对医学图像进行处理后，SoftMax分类器可以输出第一得分数、第二得分数和第三得分数，且第一得分数、第二得分数和第三得分数分别表示第一类别标识、第二类别标识和第三类别标识的预测概率。例如第一得分数为0.9、第二得分数为0.04，第三得分数为0.06，则SoftMax分类器输出与第一得分数相对应的第一类别标识，即分类结果为第一类别标识，其表示输入的医学图像为眼底图像。由此，该医学图像可以被送入与第一类别标识相对应的辅助诊断装置中，辅助诊断装置对该医学图像进行眼底特征的分析。
例如，在另一个例子中，神经网络的分类器为SVM分类器，且假设SVM分类器也具有第一类别标识、第二类别标识和第三类别标识。第一类别标识表示眼底图像，第二类别标识表示血管图像，第三类别标识表示肺部图像。通过神经网络对医学图像进行处理后，SVM分类器可以输出第一得分数、第二得分数和第三得分数，且第一得分数、第二得分数和第三得分数分别表示第一类别标识、第二类别标识和第三类别标识相对于分离超平面的距离的分类评分。例如第一得分数为-2.6、第二得分数为0.8，第三得分数为0.2，则SVM分类器输出与第二得分数相对应的第二类别标识，即分类结果为第二类别标识，其表示输入的医学图像为血管图像。由此，该医学图像可以被送入与第二类别标识相对应的辅助诊断装置中，辅助诊断装置对该医学图像进行血管特征的分析。
例如，在进行操作S10前，该医学图像分析方法还包括利用不同类型的医学图像对神经网络进行训练。训练阶段包括：利用医学图像库中的样本图像训练神经网络，以生成神经网络的参数。
例如，在训练阶段中，神经网络的初始参数可以设置为随机数，也可以采用基于ImageNet等图像数据库的已训练好的神经网络的参数。
例如，医学图像库可以包括不同类型的样本图像，从而可以得到神经网络与不同类型的医学图像对应的参数和特征模型。根据实际需求，样本图像可以包括脑组织核磁共振图像、脊髓核磁共振图像、眼底图像、血管图像、胰腺CT图像和肺部CT图像等不同类型的医学图像。例如，样本图像可以包括健康的医学图像和病变的医学图像。样本图像可以包括对不同年龄段、不同地方的人进行采样得到的医学图像，从而提高神经网络分类的准确性和全面性。
例如，当需要对四个不同组织的医学图像的特征进行自动分析，且该四个组织分别为眼底、肺结节、脑组织以及胰腺时，则医学图像库可以包括眼底样本图像组、肺结节样本图像组、脑组织样本图像组以及胰腺样本图像组。例如，眼底样本图像组中可以包括健康的眼底图像和病变的眼底图像。其余各样本图像组也类似。
例如，训练阶段可以包括反向传播(Back propagation)过程。在反向传播过程中，可以采用损失函数计算神经网络的参数的误差；然后，根据该误差计算神经网络的参数的修正值，并根据修正值对神经网络的参数进行修正，以获取较好的神经网络模型，从而提高医学图像的分类准确率。
例如，神经网络的参数可以包括卷积层的权重和偏置。
例如，损失函数可以为对数似然(log-likelihood)损失函数、交叉熵损失函数、折叶(Hinge)损失函数、指数损失函数和0-1损失函数等。
例如，当神经网络的分类器为SoftMax分类器时，损失函数可以为对数似然损失函数。当神经网络的分类器为SVM分类器时，损失函数可以为Hinge损失函数。
例如，对数似然损失函数C表示为：
C＝-ln ay
其中，y表示输入的医学图像的类别，ay表示y对应的预测概率。若y类别的预测概率越大，则ay越趋近于1，C越趋近于0；若y类别的预测概率越小，则ay越趋近于0，C越趋近于无穷大。例如，C越大，则神经网络的参数的修正值越大。
例如，在一个示例中，SoftMax分类器具有第一类别标识和第二类别标识。第一类别标识表示眼底图像，第二类别标识表示脑组织核磁共振图像。输入的样本图像为眼底图像，从而目标分类结果为第一类别标识。例如，神经网络对样本图像进行处理后，SoftMax分类器输出第一预测概率和第二预测概率，且第一预测概率为0.4，第二预测概率为0.6。由于第二预测概率大于第一预测概率，SoftMax分类器输出第二类别标识，即实际分类结果为第二类别标识，其表示输入的样本图像为脑组织核磁共振图像。该实际分类结果与目标分类结果不相同，因此，神经网络的参数需要进行修正。例如，修正神经网络的参数可以包括以下操作：首先，计算对数似然损失函数C，在上述情况下，y表示眼底图像，ay为第一预测概率，即ay＝0.4，C＝-ln ay＝-ln0.4＝0.9；然后，可以基于对数似然损失函数C计算神经网络的参数的修正值；接着，根据修正值对神经网络的参数进行修正。对神经网络的参数进行修正之后，神经网络重新对样本图像进行处理，且SoftMax分类器输出修正后的第一预测概率和修正后的第二预测概率，例如，修正后的第一预测概率为0.8，修正后的第二预测概率为0.2。由于修正后的第一预测概率大于修正后的第二预测概率，SoftMax分类器输出第一类别标识，即实际分类结果为第一类别标识，其表示输入的样本图像为眼底图像。实际分类结果与目标分类结果相同。迭代上述过程，完成神经网络的训练。
需要说明的是，上述示例仅是示意性说明神经网络的训练过程。本领域技术人员应当知道，在训练阶段，需要利用大量样本图像对神经网络进行训练；同时，在每一幅样本图像训练过程中，可以包括多次反复迭代以对神经网络的参数进行修正。
值得注意的是，训练阶段还包括对神经网络的参数进行微调(fine-tune)，以获取更优化的参数。
图3示出了本公开一实施例提供的一种医学图像分析系统的示意性框图，图4示出了本公开一实施例提供的一种医学图像分析系统的另一示意性框图。
例如，如图3所示，本公开实施例提供的医学图像分析系统包括神经网络100和图像采集装置200。该医学图像分析系统与辅助诊断装置组300连接。图像采集装置200与神经网络100的输入层连接，辅助诊断装置组300与神经网络100的输出层连接。
本公开实施例提供的医学图像分析系统可以将各种类型的医学图像辅助诊断装置进行融合，从而成为一个全自动的医学图像分析系统。该医学图像分析系统可以实现多类医学图像的自动分析，缓解医疗资源稀缺且不均衡的现象。
例如，图像采集装置200被配置为获取医学图像。
例如，神经网络100被配置为接收并处理医学图像，以确定医学图像的分类结果。神经网络100还被配置为根据分类结果将医学图像输入到辅助诊断装置组300中的相应辅助诊断装置(例如，第一辅助诊断装置301、第二辅助诊断装置302、第三辅助诊断装置303或第四辅助诊断装置304)中。该相应辅助诊断装置被配置为对医学图像进行分析，以获取医学图像中的信息。
例如，神经网络100可以为卷积神经网络，从而能够准确判断医学图像的类型，提高医学图像的分类正确率。卷积神经网络可以为深度卷积神经网络。神经网络100也可以为其他类型的深度学习神经网络。
例如，卷积神经网络可以采用Inception-ResNet、GoogLeNet v3等模型。或者，卷积神经网络也可以采用根据医学图像分类原理自定义的卷积神经网络。
例如，神经网络100可以包括输入层、卷积层、池化层、全连接层、分类器101和输出层等。神经网络100的卷积层被配置提取医学图像的特征，分类器101被配置为基于所提取的医学图像的特征，对医学图像进行分类以得到分类结果。例如，在进行基于所提取的医学图像的特征，对医学图像进行分类以得到分类结果的操作时，分类器101被配置为基于所提取的医学图像的特征计算医学图像针对多个不同类别的多个得分数，并根据多个得分数的排序确定医学图像的分类结果。
例如，分类器101可以包括SVM分类器、SoftMax分类器以及最邻近规则(KNN)分类器等。
例如，当分类器101为SoftMax分类器时，多个得分数为多个预测概率，分类结果与多个预测概率中的最大预测概率相对应。
例如，辅助诊断装置组300包括多个辅助诊断装置，该多个辅助诊断装置被配置为分析不同类别的医学图像的特征。如图3所示，多个辅助诊断装置可以包括第一辅助诊断装置301、第二辅助诊断装置302、第三辅助诊断装置303和第四辅助诊断装置304。需要说明的是，本公开包括但不限于图3所示的示例。
例如，如图4所示，辅助诊断装置组300中的每个辅助诊断装置与一个分类结果相对应，且被配置为分析与分类结果对应的医学图像的特征。各辅助诊断装置还被配置为输出分析结果，以用于后续操作。例如，分类结果可以包括第一类图像、第二类图像、第三类图像和第四类图像，且第一类图像为眼底图像，第二类图像为肺部CT图像，第三类图像为脑组织核磁共振图像，第四类图像为胰腺CT图像。在这种情况下，第一辅助诊断装置301可以被配置为分析眼底组织的医学图像的特征，第二辅助诊断装置302可以被配置为分析肺部组织的医学图像的特征，第三辅助诊断装置303可以被配置为分析脑组织的医学图像的特征，第四辅助诊断装置304可以被配置为分析胰腺组织的医学图像的特征。
例如，辅助诊断装置组300中的每个辅助诊断装置可以分析对应组织的医学图像的多种特征，也可以仅分析对应组织的医学图像一种特征。第二辅助诊断装置302例如可以仅用于分析肺部组织的肺结节图像的特征，或者，第二辅助诊断装置302也可以用于分析肺部组织的肺结节、肺痨和肺气肿等各种肺部图像的特征。
例如，辅助诊断装置组300中的多个辅助诊断装置的数量与多个得分数的数量可以相同，也可不相同。
例如，当辅助诊断装置组300中的多个辅助诊断装置分析同一组织的医学图像的特征时，则该多个辅助诊断装置可以与一个分类结果相对应。因此，辅助诊断装置组300中的多个辅助诊断装置的数量多于多个得分数的数量。例如，第一辅助诊断装置301可以分析肺部组织的肺气肿图像的特征，第二辅助诊断装置302可以分析肺部组织的肺结节图像的特征，从而，当分类结果为肺部CT图像时，则该医学图像可以被同时输入到第一辅助诊断装置301和第二辅助诊断装置302中。
需要说明的是，关于图像采集装置200、神经网络100、辅助诊断装置组300、医学图像、预测概率、分类结果等的相关详细说明可以参考医学图像分析方法的实施例中的相关描述，重复之处在此不再赘述。
图5示出了本公开另一实施例提供一种医学图像分析系统的示意性框图。
例如，如图5所示，本公开实施例提供的医学图像分析系统包括处理器70、存储器75。该医学图像分析系统与辅助诊断装置组300连接。应当注意，图5所示的医学图像分析系统的组件只是示例性的，而非限制性的，根据实际应用需要，该医学图像分析系统还可以具有其他组件。
例如，辅助诊断装置组300可以包括多个辅助诊断装置(例如，图5所示的辅助诊断装置305和辅助诊断装置310)。
例如，处理器70、存储器75和辅助诊断装置组300中的各辅助诊断装置等组件之间可以通过网络连接进行通信。
例如，网络可以包括无线网络、有线网络、和/或无线网络和有线网络的任意组合。网络可以包括局域网、互联网、电信网、基于互联网和/或电信网的物联网(Internet ofThings)、和/或以上网络的任意组合等。有线网络例如可以采用双绞线、同轴电缆或光纤传输等方式进行通信，无线网络例如可以采用3G/4G/5G移动通信网络、蓝牙、Zigbee或者WiFi等通信方式。本公开对网络的类型和功能在此不作限制。
例如，处理器70、存储器75和辅助诊断装置组300中的各辅助诊断装置等组件之间可以直接或间接地互相通信。
例如，处理器70可以控制医学图像分析系统中的其它组件以执行期望的功能。处理器70可以是中央处理单元(CPU)或者图形处理器(GPU)或者现场可编程逻辑阵列(FPGA)等具有数据处理能力和/或程序执行能力的器件。中央处理器(CPU)可以为X86或ARM架构等。GPU可以单独地直接集成到主板上，或者内置于主板的北桥芯片中。GPU也可以内置于中央处理器(CPU)上。由于GPU具有强大的图像处理能力，本公开实施例可使用GPU对卷积神经网络进行训练以及基于卷积神经网络进行图像处理。
例如，存储器75可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。在存储器75上可以存储一个或多个计算机指令，处理器70可以运行所述计算机指令，以实现各种功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据，例如样本图像、训练数据以及应用程序使用和/或产生的各种数据等。
例如，医学图像分析系统还可以包括输出设备(未示出)。输出设备可以用于输出辅助诊断装置组300的分析结果。例如，输出设备可以为显示器、投影仪等，以显示分析结果和/或医学图像。医生可以通过显示器或投影屏幕等查看分析结果和/或医学图像，并结合分析结果和医学图像对病患进行疾病诊断和治疗等操作。
例如，医学图像分析系统还可以包括输入设备(未示出)。输入设备例如可以为键盘、鼠标、遥控器或带触摸功能的触摸屏等。输入设备可被用于从外部计算机设备、从用户(例如医生)等处接收指令。医生可以利用该输入设备实现与医学图像分析系统进行交互。
例如，计算机指令被处理器70执行时可以实现以下操作：获取医学图像；使用神经网络处理医学图像，确定医学图像的分类结果；将医学图像输入到与分类结果相对应的辅助诊断装置中，以进行分析。
例如，在一个示例中，计算机指令被处理器70执行时实现的“使用神经网络处理医学图像，确定医学图像的分类结果”的操作，包括：通过神经网络提取医学图像的特征；以及基于医学图像的特征，通过分类器对医学图像进行分类以得到分类结果。
例如，在一个示例中，计算机指令被处理器70执行时实现的“基于医学图像的特征，通过分类器对医学图像进行分类以得到分类结果”的操作，包括：基于医学图像的特征，通过分类器计算医学图像针对多个不同类别的多个得分数；以及根据多个得分数的排序确定医学图像的分类结果。
例如，神经网络的分类器可以包括支持向量机SVM分类器和SoftMax分类器等。当神经网络的分类器为SoftMax分类器时，多个得分数为多个预测概率，分类结果与多个预测概率中的最大预测概率相对应。
例如，辅助诊断装置被配置为分析与分类结果对应的医学图像的特征，辅助诊断装置为辅助诊断装置组的一部分，辅助诊断装置组的各辅助诊断装置被配置为分析不同类别的医学图像的特征。辅助诊断装置组中的辅助诊断装置的数量可以与多个得分数的数量相同。
例如，在一个示例中，计算机指令被处理器70执行时还可以实现以下操作：在训练阶段，利用医学图像库中的样本图像训练神经网络，以生成神经网络的参数。
例如，训练阶段的损失函数可以为对数似然(log-likelihood)损失函数、交叉熵损失函数、折叶(Hinge)损失函数、指数损失函数和0-1损失函数等。
例如，训练阶段的损失函数可以为对数似然损失函数，且对数似然损失函数C表示为：
C＝-ln ay
其中，y表示输入的医学图像的类别，ay表示y对应的预测概率。若类别y的预测概率越大，则ay越趋近于1，C越趋近于0；若类别y的预测概率越小，则ay越趋近于0，C越趋近于无穷大。例如，C越大，则神经网络的参数的修正值越大。
需要说明的是，关于神经网络、辅助诊断装置组、损失函数、预测概率、分类结果等的相关详细说明可以参考医学图像分析方法的实施例中的相关描述，重复之处在此不再赘述。
本公开至少一实施例还提供一种存储介质。该存储介质存储有适于由处理器运行的计算机指令。计算机指令被处理器执行时可以执行根据上文所述医学图像分析方法中的一个或多个步骤。
例如，在本公开实施例的一个示例中，该存储介质可以应用于上述任一实施例所述的医学图像分析系统中，例如，其可以为医学图像分析系统中的存储器75。
例如，关于存储介质的说明可以参考医学图像分析系统的实施例中对于存储器75的描述，重复之处不再赘述。
对于本公开，还有以下几点需要说明：
(1)本公开实施例附图只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计。
(2)在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上所述仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (11)

1.一种医学图像分析方法，包括：
获取医学图像；
使用神经网络处理所述医学图像，确定所述医学图像的分类结果；
将所述医学图像输入到与所述分类结果相对应的多个辅助诊断装置中；
其中，所述多个辅助诊断装置被配置为分别分析所述医学图像的多个不同特征，辅助诊断装置组包括所述多个辅助诊断装置，所述辅助诊断装置组的部分辅助诊断装置被配置为分别分析不同类别的医学图像的特征，
其中，使用所述神经网络处理所述医学图像，确定所述医学图像的分类结果，包括：
通过所述神经网络提取所述医学图像的特征；以及
基于所述医学图像的特征，通过分类器对所述医学图像进行分类以得到所述分类结果，
其中，基于所述医学图像的特征，通过分类器对所述医学图像进行分类以得到所述分类结果，包括：
基于所述医学图像的特征，通过所述分类器计算所述医学图像针对多个不同类别的多个得分数；
根据所述多个得分数的排序确定所述医学图像的分类结果。
2.根据权利要求1所述的医学图像分析方法，其中，所述多个得分数为多个预测概率，所述分类结果与所述多个预测概率中的最大预测概率相对应。
3.根据权利要求1所述的医学图像分析方法，其中，所述辅助诊断装置组中的辅助诊断装置的数量大于所述多个得分数的数量。
4.根据权利要求1所述的医学图像分析方法，其中，在获取所述医学图像前，所述医学图像分析方法还包括：
在训练阶段，利用医学图像库中的样本图像训练所述神经网络，以生成所述神经网络的参数。
5.根据权利要求4所述的医学图像分析方法，其中，
所述训练阶段的损失函数包括对数似然损失函数，所述对数似然损失函数表示为：
C＝-ln ay
其中，C表示所述对数似然损失函数，y表示所述医学图像的类别，ay表示y对应的预测概率。
6.一种医学图像分析系统，与多个辅助诊断装置连接，包括：
神经网络，包括输入层和输出层；
与所述神经网络的输入层连接的图像采集装置；以及
所述多个辅助诊断装置与所述神经网络的输出层连接，其中，
所述图像采集装置被配置为获取医学图像；
所述神经网络被配置为：
接收并处理所述医学图像，确定所述医学图像的分类结果，以及
根据所述分类结果将所述医学图像输入到所述多个辅助诊断装置中；以及
所述多个辅助诊断装置被配置为分别分析所述医学图像的多个不同特征，
其中，辅助诊断装置组包括所述多个辅助诊断装置，所述辅助诊断装置组的部分辅助诊断装置被配置为分别分析不同类别的医学图像的特征，其中，所述神经网络包括分类器，所述神经网络被配置为提取所述医学图像的特征，所述分类器被配置为基于所述医学图像的特征，对所述医学图像进行分类以得到所述分类结果，
在执行基于所述医学图像的特征，对所述医学图像进行分类以得到所述分类结果时，所述分类器被配置为：
基于所述医学图像的特征计算所述医学图像针对多个不同类别的多个得分数；以及
根据所述多个得分数的排序确定所述医学图像的分类结果。
7.根据权利要求6所述的医学图像分析系统，其中，所述分类器包括SVM分类器和SoftMax分类器中的至少之一。
8.根据权利要求6所述的医学图像分析系统，其中，所述多个得分数为多个预测概率，所述分类结果与所述多个预测概率中的最大预测概率相对应。
9.根据权利要求6所述的医学图像分析系统，其中，所述辅助诊断装置组中的辅助诊断装置的数量大于所述多个得分数的数量。
10.根据权利要求6-9任一项所述的医学图像分析系统，其中，所述神经网络为卷积神经网络。
11.一种存储介质，存储有适于由处理器运行的计算机指令，所述计算机指令被处理器运行时可以执行根据权利要求1-5任一所述的医学图像分析方法。
CN201710751978.5A 2017-08-28 2017-08-28 医学图像分析方法、医学图像分析系统以及存储介质 Active CN107492099B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710751978.5A CN107492099B (zh) 2017-08-28 2017-08-28 医学图像分析方法、医学图像分析系统以及存储介质
US15/954,981 US10706333B2 (en) 2017-08-28 2018-04-17 Medical image analysis method, medical image analysis system and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710751978.5A CN107492099B (zh) 2017-08-28 2017-08-28 医学图像分析方法、医学图像分析系统以及存储介质

Publications (2)

Publication Number Publication Date
CN107492099A CN107492099A (zh) 2017-12-19
CN107492099B true CN107492099B (zh) 2021-08-20

Family

ID=60650720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710751978.5A Active CN107492099B (zh) 2017-08-28 2017-08-28 医学图像分析方法、医学图像分析系统以及存储介质

Country Status (2)

Country Link
US (1) US10706333B2 (zh)
CN (1) CN107492099B (zh)

Families Citing this family (86)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10366302B2 (en) * 2016-10-10 2019-07-30 Gyrfalcon Technology Inc. Hierarchical category classification scheme using multiple sets of fully-connected networks with a CNN based integrated circuit as feature extractor
US10657838B2 (en) * 2017-03-15 2020-05-19 International Business Machines Corporation System and method to teach and evaluate image grading performance using prior learned expert knowledge base
KR101977645B1 (ko) * 2017-08-25 2019-06-12 주식회사 메디웨일 안구영상 분석방법
US10796221B2 (en) 2017-10-19 2020-10-06 General Electric Company Deep learning architecture for automated image feature extraction
US10460440B2 (en) * 2017-10-24 2019-10-29 General Electric Company Deep convolutional neural network with self-transfer learning
CN108230311A (zh) * 2018-01-03 2018-06-29 四川大学 一种乳腺癌检测方法及装置
CN108875909A (zh) * 2018-01-22 2018-11-23 深圳市铱硙医疗科技有限公司 医学影像的分类方法及装置
CN108305671B (zh) * 2018-01-23 2021-01-01 深圳科亚医疗科技有限公司 由计算机实现的医学图像调度方法、调度系统及存储介质
CN108364025A (zh) * 2018-02-11 2018-08-03 广州市碳码科技有限责任公司 基于深度学习的胃镜图像识别方法、装置、设备及介质
CN108416371A (zh) * 2018-02-11 2018-08-17 艾视医疗科技成都有限公司 一种糖尿病性视网膜病变自动检测方法
WO2019167883A1 (ja) * 2018-02-28 2019-09-06 富士フイルム株式会社 機械学習装置および方法
CN108416379A (zh) * 2018-03-01 2018-08-17 北京羽医甘蓝信息技术有限公司 用于处理宫颈细胞图像的方法和装置
CN110310723A (zh) * 2018-03-20 2019-10-08 青岛海信医疗设备股份有限公司 骨骼图像处理方法、电子设备及存储介质
CN108875904A (zh) * 2018-04-04 2018-11-23 北京迈格威科技有限公司 图像处理方法、图像处理装置和计算机可读存储介质
US11497478B2 (en) * 2018-05-21 2022-11-15 Siemens Medical Solutions Usa, Inc. Tuned medical ultrasound imaging
WO2019229931A1 (ja) * 2018-05-31 2019-12-05 日本電気株式会社 情報処理装置、制御方法、及びプログラム
KR102162895B1 (ko) * 2018-06-04 2020-10-07 주식회사 딥바이오 듀얼 클래스를 지원하는 질병 진단 시스템 및 그 방법
CN108960305A (zh) * 2018-06-21 2018-12-07 四川希氏异构医疗科技有限公司 一种内镜影像判定系统及方法
WO2019245359A1 (en) 2018-06-21 2019-12-26 N.V. Nutricia Method and system for characterizing stool patterns of young infants
CN108899075A (zh) * 2018-06-28 2018-11-27 众安信息技术服务有限公司 一种基于深度学习的dsa图像检测方法、装置及设备
CN109147940B (zh) * 2018-07-05 2021-05-25 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
US10635979B2 (en) * 2018-07-20 2020-04-28 Google Llc Category learning neural networks
CN108961296B (zh) * 2018-07-25 2020-04-14 腾讯医疗健康(深圳)有限公司 眼底图像分割方法、装置、存储介质和计算机设备
KR102185893B1 (ko) * 2018-08-07 2020-12-02 주식회사 딥바이오 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 방법
CN110827961B (zh) * 2018-08-10 2022-08-23 北京连心医疗科技有限公司 一种自适应放疗结构自动勾画方法、设备和存储介质
CN109190682B (zh) * 2018-08-13 2020-12-18 北京安德医智科技有限公司 一种基于3d核磁共振影像的脑部异常的分类方法及设备
CN110503640B (zh) * 2018-08-21 2022-03-22 深圳科亚医疗科技有限公司 对医学图像进行分析的装置、系统及计算机可读介质
CN110008971B (zh) * 2018-08-23 2022-08-09 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读存储介质及计算机设备
CN109214451A (zh) * 2018-08-28 2019-01-15 北京安德医智科技有限公司 一种脑部异常的分类方法及设备
AU2019357949B2 (en) 2018-10-09 2022-09-29 Light AI Inc. Image processing of streptococcal infection in pharyngitis subjects
CN109659026A (zh) * 2018-10-30 2019-04-19 平安科技（深圳）有限公司 人工智能的病种分析方法及装置、存储介质、计算机设备
US10848791B1 (en) * 2018-10-30 2020-11-24 Amazon Technologies, Inc. Determining portions of video content based on artificial intelligence model
CN109497986A (zh) * 2018-11-22 2019-03-22 杭州脉流科技有限公司 基于深度神经网络的心电图智能分析方法、装置、计算机设备和系统
CN109614993A (zh) * 2018-11-26 2019-04-12 深圳先进技术研究院 乳腺医学超声图像的自动化分类方法及装置
CN109840471B (zh) * 2018-12-14 2023-04-14 天津大学 一种基于改进Unet网络模型的可行道路分割方法
US10430691B1 (en) * 2019-01-22 2019-10-01 StradVision, Inc. Learning method and learning device for object detector based on CNN, adaptable to customers' requirements such as key performance index, using target object merging network and target region estimating network, and testing method and testing device using the same to be used for multi-camera or surround view monitoring
US10423860B1 (en) * 2019-01-22 2019-09-24 StradVision, Inc. Learning method and learning device for object detector based on CNN to be used for multi-camera or surround view monitoring using image concatenation and target object merging network, and testing method and testing device using the same
US10387752B1 (en) * 2019-01-22 2019-08-20 StradVision, Inc. Learning method and learning device for object detector with hardware optimization based on CNN for detection at distance or military purpose using image concatenation, and testing method and testing device using the same
US10402695B1 (en) * 2019-01-23 2019-09-03 StradVision, Inc. Learning method and learning device for convolutional neural network using 1×H convolution for image recognition to be used for hardware optimization, and testing method and testing device using the same
US10387754B1 (en) * 2019-01-23 2019-08-20 StradVision, Inc. Learning method and learning device for object detector based on CNN using 1×H convolution to be used for hardware optimization, and testing method and testing device using the same
CN109816612A (zh) * 2019-02-18 2019-05-28 京东方科技集团股份有限公司 图像增强方法和装置、计算机可读存储介质
CN109886346A (zh) * 2019-02-26 2019-06-14 四川大学华西医院 一种心肌mri图像分类系统
CN109977967B (zh) * 2019-03-06 2020-12-25 浙江科技学院 基于参数共享深度学习网络的立体图像视觉显著提取方法
CN110033020A (zh) * 2019-03-07 2019-07-19 李胜利 基于深度学习的胎儿超声图像中标准切面图像识别方法及识别系统
US20200303060A1 (en) * 2019-03-18 2020-09-24 Nvidia Corporation Diagnostics using one or more neural networks
CN110084270A (zh) * 2019-03-22 2019-08-02 上海鹰瞳医疗科技有限公司 病理切片图像识别方法及设备
CN110379491B (zh) * 2019-06-18 2022-07-15 平安科技（深圳）有限公司 识别脑胶质瘤方法、装置、设备和存储介质
JP7558946B2 (ja) * 2019-07-31 2024-10-01 株式会社ニコン 情報処理システム、情報処理装置、情報処理方法、及びプログラム
CN110598535B (zh) 2019-07-31 2021-03-23 广西大学 一种监控视频数据中使用的人脸识别分析方法
US12014823B2 (en) * 2019-08-30 2024-06-18 GE Precision Healthcare LLC Methods and systems for computer-aided diagnosis with deep learning models
CN110738235B (zh) * 2019-09-16 2023-05-30 平安科技（深圳）有限公司 肺结核判定方法、装置、计算机设备及存储介质
CN110717907A (zh) * 2019-10-06 2020-01-21 浙江大学 一种基于深度学习的手部肿瘤智能检测方法
CN110738643B (zh) * 2019-10-08 2023-07-28 上海联影智能医疗科技有限公司 脑出血的分析方法、计算机设备和存储介质
CN110807495B (zh) * 2019-11-08 2023-09-12 腾讯科技（深圳）有限公司 多标签分类方法、装置、电子设备及存储介质
US11842557B2 (en) * 2019-11-18 2023-12-12 Positive One Corporation Assignment control apparatus, assignment control system, and assignment control method
CN110993094B (zh) * 2019-11-19 2023-05-23 中国科学院深圳先进技术研究院 一种基于医学图像的智能辅助诊断方法及终端
CN110930392A (zh) * 2019-11-26 2020-03-27 北京华医共享医疗科技有限公司 基于GoogLeNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质
CN110647874B (zh) * 2019-11-28 2020-08-28 北京小蝇科技有限责任公司 一种端到端的血细胞识别模型构造方法及应用
CN111080594B (zh) * 2019-12-09 2024-03-26 上海联影智能医疗科技有限公司 切片标记确定方法、计算机设备和可读存储介质
CN111144271B (zh) * 2019-12-23 2021-02-05 山东大学齐鲁医院 一种内镜下自动识别活检部位及活检数量的方法及系统
CN111127431A (zh) * 2019-12-24 2020-05-08 杭州求是创新健康科技有限公司 一种基于区域自适应多任务神经网络的干眼症分级评估系统
CN111160441B (zh) * 2019-12-24 2024-03-26 上海联影智能医疗科技有限公司 分类方法、计算机设备和存储介质
CN111340083A (zh) * 2020-02-20 2020-06-26 京东方科技集团股份有限公司 医学图像的处理方法、装置、设备及存储介质
CN111461220B (zh) * 2020-04-01 2022-11-01 腾讯科技（深圳）有限公司 图像分析方法、图像分析装置及图像分析系统
US20210334955A1 (en) * 2020-04-24 2021-10-28 Nvidia Corporation Image annotation using one or more neural networks
CN111598871B (zh) * 2020-05-15 2023-08-04 安徽医学高等专科学校 多特征融合辅助检测肺部磨玻璃影结节系统及介质
CN111680754B (zh) * 2020-06-11 2023-09-19 抖音视界有限公司 图像分类方法、装置、电子设备及计算机可读存储介质
CN111524582B (zh) * 2020-07-03 2020-10-20 嘉兴太美医疗科技有限公司 医学影像信息的加载方法、装置、系统和计算机可读介质
CN111797786B (zh) * 2020-07-09 2024-06-25 郑州中普医疗器械有限公司 用于离体生物样本的检测方法及四分类、计算机设备和计算机可读存储介质
CN111784683B (zh) * 2020-07-10 2022-05-17 天津大学 病理切片检测方法及装置、计算机设备及存储介质
CN112149717B (zh) * 2020-09-03 2022-12-02 清华大学 基于置信度加权的图神经网络训练方法及装置
WO2022081922A1 (en) * 2020-10-14 2022-04-21 Ischemaview, Inc. Identifying vessel occlusions using spatial patterns
CN112259199B (zh) * 2020-10-29 2024-08-13 西交利物浦大学 医疗图像分类模型的训练方法、系统、存储介质及医疗图像处理装置
CN112465786B (zh) * 2020-12-01 2024-09-10 平安科技（深圳）有限公司 模型训练方法、数据处理方法、装置、客户端及存储介质
CN112686867B (zh) * 2020-12-31 2024-07-26 上海商汤善萃医疗科技有限公司 医学图像的识别方法及装置、电子设备和存储介质
CN112749663B (zh) * 2021-01-15 2023-07-07 金陵科技学院 基于物联网和ccnn模型的农业果实成熟度检测系统
CN112597982B (zh) * 2021-03-04 2021-05-28 中国人民解放军总医院 基于人工智能的图像分类方法、装置、设备和介质
CN113223730B (zh) * 2021-03-30 2023-06-06 武汉市疾病预防控制中心 基于人工智能的疟疾分类方法及设备
CN113130050B (zh) * 2021-04-20 2023-11-24 皖南医学院第一附属医院（皖南医学院弋矶山医院） 一种医学信息显示方法及显示系统
CN113178248B (zh) * 2021-04-28 2024-07-23 联仁健康医疗大数据科技股份有限公司 医学图像数据库建立方法、装置、设备及存储介质
CN113555110B (zh) * 2021-07-15 2024-06-25 北京鹰瞳科技发展股份有限公司 一种训练多疾病转诊模型的方法及设备
CN113642447B (zh) * 2021-08-09 2022-03-08 杭州弈胜科技有限公司 卷积神经网络级联的监控图像车辆检测方法及其系统
CN113888490A (zh) * 2021-09-27 2022-01-04 上海商汤智能科技有限公司 图像分析方法和相关装置、设备、存储介质
WO2023108300A1 (en) * 2021-12-17 2023-06-22 Oncoustics Inc. System and method for characterizing biological tissue
CN115018154A (zh) * 2022-06-06 2022-09-06 邢台路桥建设总公司 一种黄土湿陷性预测方法
CN115429284B (zh) * 2022-09-16 2024-05-03 山东科技大学 心电信号分类方法、系统、计算机设备以及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101103924A (zh) * 2007-07-13 2008-01-16 华中科技大学 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统
CN102467667A (zh) * 2010-11-11 2012-05-23 江苏大学 一种医学图像分类方法
CN104123722A (zh) * 2014-07-08 2014-10-29 东北大学 一种核磁图像超分辨率的系统及方法
CN106600610A (zh) * 2016-12-07 2017-04-26 上海智臻智能网络科技股份有限公司 一种fcm图像分割方法及装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100146299A1 (en) * 2008-10-29 2010-06-10 Ashwin Swaminathan System and method for confidentiality-preserving rank-ordered search
RU2013124021A (ru) * 2010-10-25 2014-12-10 Конинклейке Филипс Электроникс Н.В. Система для сегментации медицинского изображения
CN103117010B (zh) * 2011-11-17 2016-08-24 深圳迈瑞生物医疗电子股份有限公司 一种超声成像模拟系统
CN103425986B (zh) * 2013-08-31 2016-08-10 西安电子科技大学 基于边缘邻域加权的乳腺肿块图像特征提取方法
US11238975B2 (en) * 2014-04-02 2022-02-01 University Of Louisville Research Foundation, Inc. Computer aided diagnosis system for classifying kidneys
KR20160049897A (ko) * 2014-10-28 2016-05-10 삼성전자주식회사 연속적인 의료 영상을 이용한 컴퓨터 보조 진단 장치 및 방법
KR102251242B1 (ko) * 2014-11-26 2021-05-12 삼성전자주식회사 컴퓨터 보조 진단 장치 및 방법
CN106056595B (zh) * 2015-11-30 2019-09-17 浙江德尚韵兴医疗科技有限公司 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统
US9739783B1 (en) * 2016-03-15 2017-08-22 Anixa Diagnostics Corporation Convolutional neural networks for cancer diagnosis
CN106156793A (zh) * 2016-06-27 2016-11-23 西北工业大学 结合深层特征提取和浅层特征提取的医学图像分类方法
US10074038B2 (en) * 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
US10127659B2 (en) * 2016-11-23 2018-11-13 General Electric Company Deep learning medical systems and methods for image acquisition
US10242443B2 (en) * 2016-11-23 2019-03-26 General Electric Company Deep learning medical systems and methods for medical procedures
CN106777953A (zh) * 2016-12-09 2017-05-31 江西中科九峰智慧医疗科技有限公司 医学影像数据的分析方法及系统
CN106780482A (zh) * 2017-01-08 2017-05-31 广东工业大学 一种医学图像分类方法
US11393587B2 (en) * 2017-12-04 2022-07-19 International Business Machines Corporation Systems and user interfaces for enhancement of data utilized in machine-learning based medical image review

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101103924A (zh) * 2007-07-13 2008-01-16 华中科技大学 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统
CN102467667A (zh) * 2010-11-11 2012-05-23 江苏大学 一种医学图像分类方法
CN104123722A (zh) * 2014-07-08 2014-10-29 东北大学 一种核磁图像超分辨率的系统及方法
CN106600610A (zh) * 2016-12-07 2017-04-26 上海智臻智能网络科技股份有限公司 一种fcm图像分割方法及装置

Also Published As

Publication number Publication date
CN107492099A (zh) 2017-12-19
US10706333B2 (en) 2020-07-07
US20190065897A1 (en) 2019-02-28

Similar Documents

Publication Publication Date Title
CN107492099B (zh) 医学图像分析方法、医学图像分析系统以及存储介质
WO2020215984A1 (zh) 基于深度学习的医学图像检测方法及相关设备
Frid-Adar et al. GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification
US11854703B2 (en) Simulating abnormalities in medical images with generative adversarial networks
CN109166130B (zh) 一种图像处理方法及图像处理装置
JP6522161B2 (ja) ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー
Luca et al. Impact of quality, type and volume of data used by deep learning models in the analysis of medical images
WO2021186592A1 (ja) 診断支援装置及びモデル生成装置
JP7333132B1 (ja) マルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム
CN115147600A (zh) 基于分类器权重转换器的gbm多模态mr图像分割方法
Saad et al. A survey on training challenges in generative adversarial networks for biomedical image analysis
CN113705595A (zh) 异常细胞转移程度的预测方法、装置和存储介质
CN113724185B (zh) 用于图像分类的模型处理方法、装置及存储介质
CN113888520A (zh) 用于生成牛眼图的系统和方法
CN112750110A (zh) 基于神经网络对肺部病灶区进行评估的评估系统和相关产品
CN117711576A (zh) 用于提供医学报告的模板数据结构的方法和系统
AU2019204365C1 (en) Method and System for Image Segmentation and Identification
Balasubramaniam et al. Medical Image Analysis Based on Deep Learning Approach for Early Diagnosis of Diseases
Oğuz et al. Introduction to deep learning and diagnosis in medicine
Ankireddy Assistive diagnostic tool for brain tumor detection using computer vision
CN112884706B (zh) 一种基于神经网络模型的图像评估系统和相关产品
Peng et al. Classification of Non-tumorous Facial Pigmentation Disorders Using Generative Adversarial Networks and Improved SMOTE
Subandi et al. Pneumonia Medical Image Classification Using Convolution Neural Network Model AlexNet& GoogleNet
US20240185577A1 (en) Reinforced attention
US20240303973A1 (en) Actor-critic approach for generating synthetic images

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