CN107729911A - 一种基于dr的肺结核智能识别方法及系统 - Google Patents

一种基于dr的肺结核智能识别方法及系统 Download PDF

Info

Publication number
CN107729911A
CN107729911A CN201710618397.4A CN201710618397A CN107729911A CN 107729911 A CN107729911 A CN 107729911A CN 201710618397 A CN201710618397 A CN 201710618397A CN 107729911 A CN107729911 A CN 107729911A
Authority
CN
China
Prior art keywords
pulmonary tuberculosis
intelligent
image feature
sample
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710618397.4A
Other languages
English (en)
Inventor
吴文辉
陶信东
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.)
Jiangxi Zhongke Nine Peak Wisdom Medical Technology Co Ltd
Original Assignee
Jiangxi Zhongke Nine Peak Wisdom Medical 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 Jiangxi Zhongke Nine Peak Wisdom Medical Technology Co Ltd filed Critical Jiangxi Zhongke Nine Peak Wisdom Medical Technology Co Ltd
Priority to CN201710618397.4A priority Critical patent/CN107729911A/zh
Publication of CN107729911A publication Critical patent/CN107729911A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • 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
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于DR的肺结核智能识别方法及系统，其通过大量人工标注的样本来训练形成深度神经网络，该深度神经网通过自主学习肺结核影像特征，并以此来识别DR图像中肺结核影像特征。由此构成的肺结核智能识别方案能够实现对DR图像中的肺结核影像特征进行自动化识别，可实现基于DR的肺结核自动筛查，有效降低筛查成本。再者，本方案识别效率高，识别精度高，有效避免漏检未识别的现象，有效解决现有技术所存在的问题。

Description

一种基于DR的肺结核智能识别方法及系统
技术领域
本发明涉及图像识别技术，具体涉及DR图像的识别技术。
背景技术
肺结核(pulmonary tuberculosis PTB)是由结核分枝杆菌引发的肺部感染性疾病，一种严重威胁人类健康的疾病。世界卫生组织(WHO)统计表明，全世界每年发生结核病800～1000万，每年约有300万人死于结核病，是造成死亡人数最多的单一传染病。1993年WHO宣布“全球结核病紧急状态”，认为结核病已成为全世界重要的公共卫生问题。中国是世界上结核疫情最严重的国家之一。
现有的CAD系统一般基于高分辨率薄片计算层析成象(HRCT)的图像，自动地在形态学上检测(识别)所关心部位或可能是临床相关的其他结构上可检测的状态。当再现并显示医学图像时，CAD系统典型地标记或识别所研究的部位。标记是为了引起对所标记的可疑部位的注意，并且更进一步提供对损伤(所关心部位)的分类或表征。
也就是说，CAD(和/或CADx)系统可以识别出胸部研究中的微钙化(microcalcifications)或者MSCT中的结核为恶性的还是良性的。CAD系统结合了放射科医师的专业知识，并且基本上提供了与在医学图像数据中检测异常有关的第二种意见，并且可以再现诊断建议。通过支持对怀疑为癌症的损伤的早期检测和分类，CAD系统允许较早地介入，理论上会为病人产生较好的预后。
然而现有HRCT成本高，普及率低，实用性不强。由此，由此造成现有肺结核筛查，基本都是依靠纯人工阅片，这不仅成本高、效率低、耗时长；而且在人工识别阅片时，极大的依赖于医生的个人经验，存在漏诊的现象。
由此可见提供一种低成本、高效的肺结核筛查技术是本领域亟需解决的技术问题。
发明内容
针对现有肺结核自动筛查技术所存在的问题，需要一种低成本且高效的肺结核识别方案。
为此，本发明所要解决的技术问题是提供一种基于DR的肺结核智能识别方法及系统。
为了解决上述技术问题，本发明提供的基于DR的肺结核智能识别方法，通过大量人工标注的样本来训练一个深度神经网络，所述深度神经网通过自主学习肺结核影像特征，并以此来识别DR图像中肺结核影像特征。
进一步的，所述样本包括包含结核病人胸片的正样本和其他人胸片样本，在标注时首先从历史样本数据中筛选出候选样本，再对候选样本进行审核。
进一步的，采用随机梯度下降模型训练形成深度神经网络，并利用GPU加速训练。
进一步的，所述深度神经网络包括5个交替出现的卷积层，ReLU层和池化层，以及2个全连接层。
进一步的，所述深度神经网络通过误差反向传播模型进行自主学习肺结核影像特征。
进一步的，所述智能识别方法还根据DR图像中肺结核影像特征的识别结果给出疑似肺结核的概率。
了解决上述技术问题，本发明提供的基于DR的肺结核智能识别系统，包括：
样本库，所述样本库中存储大量人工标注的样本；
神经网络训练模块，所述神经网络训练模块从样本库中获取经过标注的样本，并进行训练形成深度神经网络，自主学习肺结核影像特征；
识别模块，所述识别模块调用深度神经网络对DR图像进行肺结核影像特征的识别。
进一步的，所述识别系统中还包括DR图像获取模块，所述DR图像获取模块与识别模块数据连接，将待识别的DR图像传至识别模块。
进一步的，所述识别系统中还包括概率计算模块，所述概率计算模块与识别模块数据连接，根据识别模块识别DR图像中肺结核影像特征的识别结果计算出疑似肺结核的概率。
进一步的，所述识别系统中还包括一输出模块，所述输出模块与概率计算模块数据连接，输出概率计算模块的计算结果。
由此构成的肺结核智能识别方案能够实现对DR图像中的肺结核影像特征进行自动化识别，可实现基于DR的肺结核自动筛查，有效降低筛查成本。再者，本方案识别效率高，识别精度高，有效避免漏检未识别的现象，有效解决现有技术所存在的问题。
在此基础上，本方案通过训练形成深度神经网络，通过深度学习DR图像中肺结核影像特征，能够精确识别出DR图像中出现的肺结核影像特征，大大提高识别精度。
附图说明
以下结合附图和具体实施方式来进一步说明本发明。
图1为本发明实例中神经网络结构示意图；
图2为本发明实例中基于DR的肺结核智能识别系统组成示意图；
图3为本发明实例中进行胸片异常识别的示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
针对肺结核的自动筛查，本实例方案实现基于DR的肺结核智能识别，成本低且效率高，还能够有效避免漏检未识别的现象。
在此基础上，本实例方案采用深度学习方法，自主学习DR图像中肺结核影像特征，以此实现精确识别，有效提高识别精度。
具体，本方案通过大量人工标注的样本来训练一个深度神经网络，使其能自主学习到结核影像特征，由此来识别DR图像中的肺结核影像特征。
这里使用的大量样本包含结核病人胸片的正样本和其他人胸片的样本，每个样本都标注了图像的类别。
本方案中在进行样本标注时，使用人机结合的方式，即首先从历史样本数据中筛选出候选肺结核样本，再由医生对候选样本进行审核，以确认是否为肺结核，从而大大提高标注的效率。
如此标注的样本采用随机梯度下降模型(SGD)来训练形成一个深度神经网络，同时在训练过程中还利用GPU加速训练过程。
参见图1，其所示为本实例中深度神经网络的结构示意图。
由图可知，本实例中深度神经网络组成超过7层，包括5个交替出现的卷积层，ReLU层和池化层，以及2个全连接层。
其中，卷积层是对图像(不同的数据窗口数据)和滤波矩阵(一组固定的权重：由于每个神经元的权重固定，从而可以作为一个恒定的滤波器filter)做内积(逐个元素相乘再求和)的操作，不同的滤波器filter会得到不同的输出数据，比如边缘和轮廓。
ReLU层用于对卷积层的处理结果进行取绝对值的操作，使其具有网络非线性的特征。
池化层，用于对ReLU层的处理结果取区域平均或最大。
由此构成的分层结构的深度神经网络，其每一层通过训练都能形成对相应图像特征的识别功能，且越靠后的层越能形成更为抽象和全局的特征识别功能。即较浅的层能够学习简单和局部的图像特征(如各种方向的边缘)，越深的层则能学到更为抽象和全局的特征。
本实例中的深度神经网络具体基于误差反向传播(BP)算法来自主学习肺结核影像特征，并以此来识别DR图像中的肺结核影像特征。
该深度神经网络进行自主学习训练时，其计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。
通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。
此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。
据此，本实例中的深度神经网络可采用高性能的多线程服务来识别DR图像中的肺结核影像特征。
在此基础上，为了能够更加直观的显示识别结果，本方案还进一步还根据DR图像中肺结核影像特征的识别结果给出疑似肺结核的概率，即给出DR图像疑似结核或非结核的概率。
针对上述的基于DR的肺结核智能识别方案，本实例还进一步提供可实现该肺结核智能识别方案的肺结核智能识别系统。
参见图2，该基于DR的肺结核智能识别100主要包括样本库110、神经网络训练模块120、识别模块130、概率计算模块140、DR图像获取模块150以及输出模块160。
其中，样本库110，用于存储大量人工标注的样本，以供神经网络训练模块120训练使用。根据需要，样本库100中的样本可根据实际情况下进行调整。
神经网络训练模块120，其与样本库110数据连接，从样本库中获取经过标注的样本，并进行训练形成深度神经网络，该深度神经网络能够自主学习结核影像特征。
识别模块130，其分别与神经网络训练模块120，概率计算模块140以及DR图像获取模块150数据连接。该识别模块130接收DR图像获取模块150中发送的待识别DR图像，调用深度神经网络对待识别DR图像进行肺结核影像特征识别，并将识别结果传至概率计算模块140。
概率计算模块140，其分别与识别模块130和输出模块160数据连接，其根据识别模块识别DR图像中肺结核影像特征的识别结果，计算出疑似肺结核的概率。
DR图像获取模块150，其与识别模块和DR系统数据连接，从DR系统中获取待识别的DR图像，并将其传至识别模块。
输出模块160，其与概率计算模块数据连接，用于输出概率计算模块的计算结果。
由此构成的基于DR的肺结核智能识别100在运行前，由神经网络训练模块120从样本库100获取经过标注的样本，并进行训练形成能够自主学习结核影像特征的深度神经网络模型。
系统运行时，通过DR图像获取模块150获取到待识别的胸片，并将其传至识别模块130；
识别模块130在获取到的待识别的DR图像后，将调用深度神经网络对DR图像进行肺结核影像特征识别识别，深度神经网络基于自主学习的结核影像特征识别，对待识别的DR图像进行肺结核影像特征识别，并将识别结果传至概率计算模块140；
概率计算模块140在获取到识别模块130发送的识别结果后，对其进行计算确定该DR图像疑似肺结核的概率，并将概率结果传至输出模块160。
输出模块160在获得概率计算结果后将对外输出，如图片实现、文字显示、声音播报等等。
由此构成的基于DR的肺结核智能识别系统在具体应用时，通过大量人工标注的样本来训练一个深度神经网络，使其能学习到结核的影像特征，从而对输入的DR图像进行肺结核筛查，并给出可疑程度的概率。
在实际应用时，本系统可嵌入PACS系统中，当被调用时，系统可返回输入图像有肺结核的概率；当概率超过某个阈值时，可对医生进行提醒，以进行进一步的检查。
参见图3，其所示为本肺结核智能识别系统的一个应用实例。该应用实例中，运行本系统的设备，其GPU通过0.384秒即可完成对输入DR图像的肺结核筛查，并给出可疑程度的概率，效率非常的高。
另外，本系统在实际应用时能够帮助医生有效避免漏诊的情况，并有效提高工作。
例如，本系统用于对人工阅片结果的校核，以避免漏诊，实现流程如下。
放射科医生获取DR图像进行人工阅片、写报告；报告进入系统，报告中未提到疑似肺结核；若本系统针对该DR图像识别出肺结核影像特征，则提示医生重新阅片；最后，医生如发现确有异常，则修改报告；由此可有效避免漏诊的情况。
再者，本系统直接进行胸片识别，保证识别精度和效率，实现流程如下。
系统获取并识别DR图像，若识别出肺结核影像特征，则在DR图像上相应的位置上进行提示，并自动填写部分报告；医生阅片时看到系统给出的提示，可迅速找到病灶；最后由医生对自动生成的报告进行修改或审核。
最后需要指出的上述方案，为纯软件架构，可以透过程序代码布设于实体媒体，如硬盘、软盘、光盘片、或是任何机器可读取(如智能型手机、计算机可读取)储存媒体，当机器加载程序代码且执行，如智能型手机加载且执行，机器成为用以实行本方案的装置。
再者，上述方案亦可以程序代码型态透过一些传送媒体，如电缆、光纤、或是任何传输型态进行传送，当程序代码被机器，如智能型手机接收、加载且执行，机器成为用以实行上述方案的装置。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于DR的肺结核智能识别方法，其特征在于，通过大量标注的样本来训练形成深度神经网络，所述深度神经网通过自主学习肺结核影像特征，并以此来识别DR图像中肺结核影像特征。
2.根据权利要求1所述的基于DR的肺结核智能识别方法，其特征在于，所述样本包括包含结核病人胸片的正样本和其他人胸片样本，在标注时首先从历史样本数据中筛选出候选样本，再对候选样本进行审核。
3.根据权利要求1所述的基于DR的肺结核智能识别方法，其特征在于，采用随机梯度下降模型训练形成深度神经网络，并利用GPU加速训练。
4.根据权利要求1所述的基于DR的肺结核智能识别方法，其特征在于，所述深度神经网络包括5个交替出现的卷积层，ReLU层和池化层，以及2个全连接层。
5.根据权利要求1所述的基于DR的肺结核智能识别方法，其特征在于，所述深度神经网络通过误差反向传播模型进行自主学习肺结核影像特征。
6.根据权利要求1所述的基于DR的肺结核智能识别方法，其特征在于，所述智能识别方法还根据DR图像中肺结核影像特征的识别结果给出疑似肺结核的概率。
7.一种基于DR的肺结核智能识别系统，其特征在于，包括：
样本库，所述样本库中存储大量人工标注的样本；
神经网络训练模块，所述神经网络训练模块从样本库中获取经过标注的样本，并进行训练形成深度神经网络，自主学习肺结核影像特征；
识别模块，所述识别模块调用深度神经网络对DR图像进行肺结核影像特征的识别。
8.根据权利要求7所述的基于DR的肺结核智能识别系统，其特征在于，所述识别系统中还包括DR图像获取模块，所述DR图像获取模块与识别模块数据连接，将待识别的DR图像传至识别模块。
9.根据权利要求7所述的基于DR的肺结核智能识别系统，其特征在于，所述识别系统中还包括概率计算模块，所述概率计算模块与识别模块数据连接，根据识别模块识别DR图像中肺结核影像特征的识别结果计算出疑似肺结核的概率。
10.根据权利要求9所述的基于DR的肺结核智能识别系统，其特征在于，所述识别系统中还包括一输出模块，所述输出模块与概率计算模块数据连接，输出概率计算模块的计算结果。
CN201710618397.4A 2017-07-26 2017-07-26 一种基于dr的肺结核智能识别方法及系统 Pending CN107729911A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710618397.4A CN107729911A (zh) 2017-07-26 2017-07-26 一种基于dr的肺结核智能识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710618397.4A CN107729911A (zh) 2017-07-26 2017-07-26 一种基于dr的肺结核智能识别方法及系统

Publications (1)

Publication Number Publication Date
CN107729911A true CN107729911A (zh) 2018-02-23

Family

ID=61201298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710618397.4A Pending CN107729911A (zh) 2017-07-26 2017-07-26 一种基于dr的肺结核智能识别方法及系统

Country Status (1)

Country Link
CN (1) CN107729911A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448854A (zh) * 2018-09-14 2019-03-08 慧影医疗科技（北京）有限公司 一种肺结核检测模型的构建方法及应用
CN110379504A (zh) * 2018-04-11 2019-10-25 天启慧眼(北京)信息技术有限公司 一种肺结核的智能筛查和上报方法及系统
CN110555825A (zh) * 2019-07-23 2019-12-10 北京赛迈特锐医疗科技有限公司 胸部x线影像智能诊断系统及其诊断方法
CN110619947A (zh) * 2019-09-19 2019-12-27 南京工程学院 基于轻量级深度学习的肺部ct辅助筛查系统及筛查方法
CN111932564A (zh) * 2020-09-24 2020-11-13 平安科技（深圳）有限公司 图片识别方法、装置、电子设备及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001026026A2 (en) * 1999-10-04 2001-04-12 University Of Florida Local diagnostic and remote learning neural networks for medical diagnosis
CN105160361A (zh) * 2015-09-30 2015-12-16 东软集团股份有限公司 一种图像识别方法及装置
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
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001026026A2 (en) * 1999-10-04 2001-04-12 University Of Florida Local diagnostic and remote learning neural networks for medical diagnosis
CN105160361A (zh) * 2015-09-30 2015-12-16 东软集团股份有限公司 一种图像识别方法及装置
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
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
胡宝民等: "《河北省区域创新系统研究》", 28 February 2006, 河北科学技术出版社 *
邓力，俞栋著；谢磊译: "《深度学习方法及应用》", 31 December 2015, 机械工业出版社 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110379504A (zh) * 2018-04-11 2019-10-25 天启慧眼(北京)信息技术有限公司 一种肺结核的智能筛查和上报方法及系统
CN109448854A (zh) * 2018-09-14 2019-03-08 慧影医疗科技（北京）有限公司 一种肺结核检测模型的构建方法及应用
CN110555825A (zh) * 2019-07-23 2019-12-10 北京赛迈特锐医疗科技有限公司 胸部x线影像智能诊断系统及其诊断方法
CN110619947A (zh) * 2019-09-19 2019-12-27 南京工程学院 基于轻量级深度学习的肺部ct辅助筛查系统及筛查方法
CN111932564A (zh) * 2020-09-24 2020-11-13 平安科技（深圳）有限公司 图片识别方法、装置、电子设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN107729911A (zh) 一种基于dr的肺结核智能识别方法及系统
Hemdan et al. Covidx-net: A framework of deep learning classifiers to diagnose covid-19 in x-ray images
CN1663530B (zh) 用于处理图像数据以帮助检测疾病的方法和装置
CN110175993A (zh) 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法
CN106504232A (zh) 一种基于3d卷积神经网络的肺部结节自动检测方法
CN107730484A (zh) 一种基于深度学习的异常胸片智能识别方法及系统
JP6807820B2 (ja) 画像検索装置、方法およびプログラム
CN107730489A (zh) 无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法
CN109528230B (zh) 一种基于多级变换网络的乳腺肿瘤分割方法及装置
JP2018175226A (ja) 医用画像分類装置、方法およびプログラム
CN110070540A (zh) 图像生成方法、装置、计算机设备及存储介质
CN108596198A (zh) 一种基于深度学习的气胸x光图像识别方法及系统
Shen et al. Guest editorial: special issue on imaging-based diagnosis of COVID-19
CN109584223A (zh) Ct图像中肺部血管分割方法
CN111883256A (zh) 基于电子病历数据的肺结核患者预警系统及预警方法
CN108596868A (zh) 一种基于深度学习的胸部dr中肺结节识别方法及系统
Li et al. PNet: An efficient network for pneumonia detection
Sohan et al. (Retracted) COVID-19 detection using machine learning: a large scale assessment of x-ray and CT image datasets
Malhotra et al. Computer aided diagnosis of pneumonia from chest radiographs
CN110782441A (zh) 一种基于深度学习的dr影像肺结核智能分割与检测方法
CN104915989B (zh) 基于ct影像的血管三维分割方法
EP4182943A1 (en) Lung ultrasound processing systems and methods
CN106778830A (zh) 基于双聚类挖掘及AdaBoost的肿瘤分类方法
CN113313699A (zh) 基于弱监督学习的x光胸部疾病分类及定位方法、电子设备
CN116228660A (zh) 胸部正片异常部位检测方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180223

RJ01 Rejection of invention patent application after publication