CN107748900B - 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 - Google Patents
基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 Download PDFInfo
- Publication number
- CN107748900B CN107748900B CN201711091437.0A CN201711091437A CN107748900B CN 107748900 B CN107748900 B CN 107748900B CN 201711091437 A CN201711091437 A CN 201711091437A CN 107748900 B CN107748900 B CN 107748900B
- Authority
- CN
- China
- Prior art keywords
- discriminative
- neural network
- convolutional neural
- inter
- intra
- 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
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质,所述方法包括:对多幅超声图像中的肿瘤进行分割获取感兴趣区域并进行数据增广,得到训练集;构建区分性卷积神经网络模型,基于所述训练图像计算所述区分性卷积神经网络的模型参数;其中,所述区分性卷积神经网络模型的结构为:在卷积神经网络的基础上增加区分性辅助分支,接入卷积层、池化层和全连接层,并引入Inter‑intra Loss函数用于增强同类之间的相似性以及不同类之间的差异性;获取一幅待分类的乳腺超声图像,对所述超声图像进行分割,获取感兴趣区域;将所述感兴趣区域输入到所述区分性卷积神经网络得到分类结果。本发明的分类方法能够有效提高乳腺超声图像中的肿瘤分类性能。
Description
技术领域
本发明属于针对医学图像的数据分类领域,尤其涉及一种基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质。
背景技术
对于女性来说,乳腺癌是发病率和致死率较高的疾病之一。早发现早治疗是提高治疗效率的关键。医学影像已成为临床上辅助疾病诊断的主要方式。相比较钼靶、核磁共振等其他影像,超声具有辐射少、价格便宜、对致密性组织检测敏感等优点。因此,超声图像已成为辅助乳腺癌早期诊断的主要工具之一。
由于影像医生的经验不同,使得人工对乳腺超声图像进行诊断具有一定的主观性。而利用计算机辅助诊断技术能够对乳腺超声图像进行自动分析,从而可以为临床医生提供一个客观的诊断结果。
传统的基于乳腺超声图像的计算机辅助诊断技术主要包括分割,特征提取,分类等过程。分割是将肿瘤从背景中分出来,是后续分析的基础。特征提取是对分割出的肿瘤提取量化的特征,使得提取的特征能够对肿瘤进行较好的表达。分类过程是通过对提取的特征进行有效分析,完成良恶性的分类。特征提取和分类是辅助诊断技术的关键环节。本发明主要着重于特征提取和分类技术。
现有的乳腺超声图像的特征提取主要集中在纹理特征的提取。相关方法主要包括基于灰度共生矩阵的纹理特征提取、基于小波的纹理特征提取、基于Ranklet的纹理特征提取等方法。现有的肿瘤分类方法主要基于经典的机器学习模型,主要包括SVM、Adaboost、贝叶斯分类器等。
然而,现有的特征提取和分类方法存在一定的局限性。在特征提取方面,虽然纹理特征是良恶性肿瘤的一个重要临床区分特性,然而,还存在一些未知的图像特征可以对肿瘤进行分类,因此,仅仅利用纹理特性在图像较为复杂的情况下很难取得令人满意的分类性能。另外,人工设计的特征泛化性能较差,针对不同设备的图像(不同数据)需要进行重新设计。在分类方面,现有的分类器大多是浅层模型,很难对特征的有效信息进行充分学习。
因此,如何更准确地对肿瘤图像进行特征学习,以及提高分类性能,是本领域技术人员目前迫切解决的技术问题。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于区分性卷积神经网络的乳腺超声图像分类装置和存储介质。该方法首先对训练数据进行数据増广,对每幅乳腺超声图像加入高斯噪声,产生新的图像,将产生的新图像加入到训练集,构成新的训练集;然后设计区分性卷积神经网络。以卷积神经网络为主要架构,设计区分性辅助branch以及Inter-intra Loss,并将其引入到卷积神经网络架构中,获得区分性卷积神经网络,用于特征提取和分类。
为实现上述目的,本发明采用如下技术方案:
一种用于乳腺肿瘤分类的区分性卷积神经网络的训练方法,包括:
对多幅超声图像中的肿瘤进行分割获取感兴趣区域并进行数据增广,得到训练集;
构建区分性卷积神经网络模型,基于所述训练图像计算所述区分性卷积神经网络的模型参数;其中,所述区分性卷积神经网络模型的结构为:在卷积神经网络的基础上增加区分性辅助分支,接入卷积层、池化层和全连接层,并引入Inter-intra Loss函数用于增强同类之间的相似性以及不同类之间的差异性。
进一步地,所述对多幅超声图像中的肿瘤进行分割是基于C-V主动轮廓模型。
进一步地,所述训练图像包括:对多幅超声图像中的肿瘤进行分割得到的部分感兴趣区域图像,以及基于所述感兴趣区域图像进行数据增广得到的图像。
进一步地,所述数据增广是利用高斯噪声模型,通过变换模型的参数实现。
进一步地,所述Inter-intra Loss函数为:
其中,ci是第i类的中心,δqi是指示函数,若第q个样本属于第i类,δqi-1,否则,δqi-0,w是网络的参数,M表示训练样本的总个数,N表示训练样本的类别数目。
进一步地,通过最小化最小二乘Loss和Inter-intra Loss来获得所述区分性卷积神经网络每个层的参数。
根据本发明的第二目的,本发明还提供了一种基于所述区分性卷积神经网络的乳腺肿瘤分类方法,包括:
获取一幅待分类的乳腺超声图像,对所述超声图像进行分割,获取感兴趣区域;
将所述感兴趣区域输入到所述区分性卷积神经网络得到分类结果。
根据本发明的第三目的,本发明还提供了一种基于区分性卷积神经网络的乳腺肿瘤分类装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的区分性卷积神经网络的乳腺肿瘤分类方法。
根据本发明的第四目的,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行所述的区分性卷积神经网络的乳腺肿瘤分类方法。
本发明的有益效果
1、本发明提出一种基于区分性卷积神经网络的乳腺肿瘤分析方法,提出了一种区分性branch结构,并在该结构中引入了新的Inter-intra Loss。然后在卷积神经网络架构中,引入区分性branch,设计区分性卷积神经网络模型,避免了人工设计特征,其能够从图像中自动地学习特征,提出的区分性辅助branch以及Inter-intra Loss能够增强特征的区分性。
2、本发明提出的区分性卷积神经网络以卷积神经网络为主体架构,是一种深层的学习模型,能够更有效地挖掘对分类有用的信息。作为一种端到端的学习模型,区分性卷积神经网络可将特征提取和分类两个过程有效的耦合在一起,提高了乳腺超声图像中的肿瘤分类性能。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明区分性卷积神经网络结构图;
图2为基于区分性卷积神经网络的乳腺超声图像分类方法。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明提出的总体思路:本发明首先提出了区分性辅助branch以及Inter-intraLoss,并将其引入到卷积神经网络架构中,设计区分性卷积神经网络。不同于传统的特征方法,区分性卷积神经网络避免了人工设计特征,其能够从图像中自动地学习特征,提出的区分性辅助branch以及Inter-intra Loss能够增强特征的区分性。另外,区分性卷积神经网络以卷积神经网络为主体架构,是一种深层的学习模型。作为一种端到端的学习模型,区分性卷积神经网络可将特征提取和分类两个过程有效的耦合在一起。
实施例一
本实施例公开了一种基于区分性卷积神经网络的乳腺肿瘤分类方法,分为训练和测试两个阶段:
训练阶段:
步骤(11):利用C-V主动轮廓模型对超声图像中的肿瘤进行分割,获取感兴趣区域(region of interest,ROI),并选择一部分作为训练图像;
步骤(12):对训练图像进行数据増广,得到新的训练集;
步骤(13):构建区分性卷积神经网络模型,基于所述训练集计算所述区分性卷积神经网络的模型参数。
测试阶段:
步骤(14):获取一幅待分类的乳腺超声图像,利用C-V活动轮廓模型对超声图像中的肿瘤进行分割,获取感兴趣区域(region of interest,ROI);
步骤(15):将ROI输入到训练好的区分性卷积神经网络中,即可得到分类结果;
其中涉及的步骤具体包括:
1、ROI提取
ROI提取是指将图像中的感兴趣区域提取出来。在本发明中的乳腺超声图像分类任务中,感兴趣区域即为图像中的肿瘤区域。本发明通过经典的图像分割方法C-V活动轮廓分割方法对肿瘤进行分割。基于分割好的肿瘤区域,取该区域的内接矩形作为图像的ROI。
2、数据増广
为了提高模型的泛化能力,本发明在训练阶段增大训练数据的规模。通过对每一幅训练图像增加噪声,获得含有噪声的乳腺超声图像。本发明拟利用高斯噪声模型,通过变换模型的参数,来增加训练数据的规模。
3、区分性卷积神经网络
本发明拟利用一种端到端的模型来对ROI区域进行分析,提出了区分性卷积神经网络模型。在卷积神经网络架构中引入新的区分性辅助branch。该辅助branch主要用于增强学习到的特征的区分性。
卷积神经网络架构中,卷积层通过对图像进行卷积运算学到图像中不同层次的局部特点。为了减少计算量,卷积层后面一般会加池化层,卷积层的输出是池化层的输入。池化层一般采用最大池化法对输入映射进行降采样,即在一个邻域内选择该邻域内最大的点来代表该邻域。池化层能够减少映射的大小,从而降低计算复杂度。经过后面几层的卷积层-池化层循环之后,会接一个全连接层。该层将池化层的所有输出映射转换为一个列向量。
所述区分性卷积神经网络模型的结构为:在卷积神经网络的基础上增加分支(区分性辅助branch),接入卷积层、池化层和全连接层(此处的全连接层又称区分层),并引入新的Inter-intra Loss来提高特征的区分性;所述分支中的卷积层连接在卷积神经网络的池化层上。
本发明新设计的Inter-intra Loss用于增强同类之间的相似性以及不同类之间的差异性。区分性卷积神经网络的结构设计思路如图1所示。
基于设计的网络结构,区分性卷积神经网络的Loss函数主要设计思路如下式所示:
Min Llsq+Linter-intra (1)
在上式中,ci是第i类的中心,可通过第i类的训练样本的平均值获得。δqi是指示函数,若第q个样本属于第i类,δqi-1,否则,δqi-0。w和b是网络的参数,M表示训练样本的总个数,N表示训练样本的类别数目。
通过最小化最小二乘Loss Llsq和Inter-intra LossLinter-intra来获得每个层的参数。Llsq用于进行训练数据拟合,Linter-intra用于提高特征的区分性。在Llsq中,第一项是拟合项,用于保证训练误差最小,第二项是正则化项,用于提高网络的泛化能力。在Linter-intra中,第一项用于保证最小化类内差异性,第二项用于最大化类间的差异。
本发明拟利用随机梯度下降法对Loss函数进行优化求解,可获得区分性卷积神经网络的模型参数。
实施例二
本实施例的目的是提供一种计算装置。
一种基于区分性卷积神经网络的乳腺肿瘤分类装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
接收多幅超声图像,对其中的肿瘤进行分割,获取训练图像;
构建区分性卷积神经网络模型,基于所述训练图像计算所述区分性卷积神经网络的模型参数;其中,所述区分性卷积神经网络模型的结构为:在卷积神经网络的基础上增加区分性辅助分支,接入卷积层、池化层和全连接层;
接收一幅待分类的乳腺超声图像,对所述超声图像进行分割,获取感兴趣区域;
将所述感兴趣区域输入到所述区分性卷积神经网络得到分类结果。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:
接收多幅超声图像,对其中的肿瘤进行分割,获取训练图像;
构建区分性卷积神经网络模型,基于所述训练图像计算所述区分性卷积神经网络的模型参数;其中,所述区分性卷积神经网络模型的结构为:在卷积神经网络的基础上增加区分性辅助分支,接入卷积层、池化层和全连接层;
接收一幅待分类的乳腺超声图像,对所述超声图像进行分割,获取感兴趣区域;
将所述感兴趣区域输入到所述区分性卷积神经网络得到分类结果。
以上实施例二和三的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本发明涉及的区分性卷积神经网络模型架构中引入的区分性辅助branch以及Inter-intra Loss能够增强特征的区分性;并且该模型将特征提取和分类两个过程有效的耦合在一起,提高了乳腺超声图像中的肿瘤分类性能。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (6)
1.一种基于区分性卷积神经网络的乳腺肿瘤分类装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现:
对多幅超声图像中的肿瘤进行分割获取感兴趣区域并进行数据增广,得到训练图像集;
构建区分性卷积神经网络模型,基于所述训练图像集计算所述区分性卷积神经网络的模型参数;其中,所述区分性卷积神经网络模型的结构为:
包括连接的卷积层、池化层、多层卷积层-池化层循环和全连接层;
在池化层的输出端增加区分性辅助分支,接入卷积层、池化层和全连接层,并引入Inter-intra Loss函数用于增强同类之间的相似性以及不同类之间的差异性;所述分支中的卷积层连接在卷积神经网络的池化层上;
设计区分性辅助branch以及Inter-intra Loss,并将其引入到卷积神经网络架构中,获得区分性卷积神经网络,用于特征提取和分类,区分性辅助branch以及Inter-intraLoss能够增强特征的区分性;辅助branch主要用于增强学习到的特征的区分性;
通过最小化最小二乘Loss Llsq和Inter-intra Loss Linter-intra来获得每个层的参数;Llsq用于进行训练数据拟合,Linter-intra用于提高特征的区分性;在Llsq中,第一项是拟合项,用于保证训练误差最小,第二项是正则化项,用于提高网络的泛化能力;在Linter-intra中,第一项用于保证最小化类内差异性,第二项用于最大化类间的差异;
所述Inter-intra Loss函数为:
其中,c1是第i类的中心,δqi是指示函数,若第q个样本属于第i类,δqi=1,否则,δqi=0,w是网络的参数,M表示训练样本的总个数,N表示训练图像集的类别数目。
2.如权利要求1所述的一种基于区分性卷积神经网络的乳腺肿瘤分类装置,其特征在于,所述对多幅超声图像中的肿瘤进行分割是基于C-V主动轮廓模型。
3.如权利要求1所述的一种基于区分性卷积神经网络的乳腺肿瘤分类装置,其特征在于,所述训练图像包括:对多幅超声图像中的肿瘤进行分割得到的部分感兴趣区域图像,以及基于所述感兴趣区域图像进行数据增广得到的图像。
4.如权利要求3所述的一种基于区分性卷积神经网络的乳腺肿瘤分类装置,其特征在于,所述数据增广是利用高斯噪声模型,通过变换模型的参数实现。
5.如权利要求1所述的一种基于区分性卷积神经网络的乳腺肿瘤分类装置,其特征在于,通过最小化最小二乘Loss和Inter-intra Loss来获得所述区分性卷积神经网络每个层的参数。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时执行:
对多幅超声图像中的肿瘤进行分割获取感兴趣区域并进行数据增广,得到训练图像集;
构建区分性卷积神经网络模型,基于所述训练图像集计算所述区分性卷积神经网络的模型参数;其中,所述区分性卷积神经网络模型的结构为:
包括连接的卷积层、池化层、多层卷积层-池化层循环和全连接层;
在池化层的输出端增加区分性辅助分支,接入卷积层、池化层和全连接层,并引入Inter-intra Loss函数用于增强同类之间的相似性以及不同类之间的差异性;所述分支中的卷积层连接在卷积神经网络的池化层上;
设计区分性辅助branch以及Inter-intra Loss,并将其引入到卷积神经网络架构中,获得区分性卷积神经网络,用于特征提取和分类,区分性辅助branch以及Inter-intraLoss能够增强特征的区分性;辅助branch主要用于增强学习到的特征的区分性;
通过最小化最小二乘Loss Llsq和Inter-intra Loss Linter-intra来获得每个层的参数;Llsq用于进行训练数据拟合,Linter-intra用于提高特征的区分性;在Llsq中,第一项是拟合项,用于保证训练误差最小,第二项是正则化项,用于提高网络的泛化能力;在Linter-intra中,第一项用于保证最小化类内差异性,第二项用于最大化类间的差异;
所述Inter-intra Loss函数为:
其中,ci是第i类的中心,δqi是指示函数,若第q个样本属于第i类,δqi=1,否则,δqi=0,w是网络的参数,M表示训练样本的总个数,N表示训练图像集的类别数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711091437.0A CN107748900B (zh) | 2017-11-08 | 2017-11-08 | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711091437.0A CN107748900B (zh) | 2017-11-08 | 2017-11-08 | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107748900A CN107748900A (zh) | 2018-03-02 |
CN107748900B true CN107748900B (zh) | 2020-09-25 |
Family
ID=61250851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711091437.0A Active CN107748900B (zh) | 2017-11-08 | 2017-11-08 | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107748900B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805858A (zh) * | 2018-04-10 | 2018-11-13 | 燕山大学 | 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法 |
CN108550150B (zh) * | 2018-04-17 | 2020-11-13 | 上海联影医疗科技有限公司 | 乳腺密度的获取方法、设备及可读存储介质 |
CN108734211B (zh) | 2018-05-17 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 图像处理的方法和装置 |
CN108830282A (zh) * | 2018-05-29 | 2018-11-16 | 电子科技大学 | 一种乳腺x光图像的乳腺肿块信息提取及分类方法 |
CN109102496B (zh) * | 2018-07-10 | 2022-07-26 | 武汉科技大学 | 基于变分生成对抗模型识别乳腺肿瘤区域的方法及装置 |
CN109214408A (zh) * | 2018-07-10 | 2019-01-15 | 武汉科技大学 | 基于生成对抗模型识别肝肿瘤的方法及装置 |
CN109214433A (zh) * | 2018-08-20 | 2019-01-15 | 福建师范大学 | 一种卷积神经网络区分肝癌分化等级的方法 |
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 |
CN109528230B (zh) * | 2018-11-21 | 2021-08-17 | 山东浪潮科学研究院有限公司 | 一种基于多级变换网络的乳腺肿瘤分割方法及装置 |
CN110634125B (zh) * | 2019-01-14 | 2022-06-10 | 广州爱孕记信息科技有限公司 | 基于深度学习的胎儿超声图像识别方法及系统 |
CN109949288A (zh) * | 2019-03-15 | 2019-06-28 | 上海联影智能医疗科技有限公司 | 肿瘤类型确定系统、方法及存储介质 |
US11653900B2 (en) * | 2019-04-04 | 2023-05-23 | Koninklijke Philips N.V. | Data augmentation for training deep learning models with ultrasound images |
CN110210513B (zh) * | 2019-04-23 | 2021-04-09 | 深圳信息职业技术学院 | 数据分类方法、装置及终端设备 |
CN110458186B (zh) * | 2019-06-26 | 2021-08-31 | 山东大学 | 基于局部参考相似性编码的乳腺超声图像分类方法及系统 |
CN110427954A (zh) * | 2019-07-26 | 2019-11-08 | 中国科学院自动化研究所 | 基于肿瘤影像的多区域的影像组学特征提取方法 |
WO2021054901A1 (en) * | 2019-09-19 | 2021-03-25 | Ngee Ann Polytechnic | Automated system and method of monitoring anatomical structures |
CN111275116A (zh) * | 2020-01-20 | 2020-06-12 | 太原理工大学 | 基于三维卷积神经网络的乳腺肿瘤超声图像分类方法 |
CN112215217B (zh) * | 2020-12-03 | 2021-04-13 | 印迹信息科技(北京)有限公司 | 模拟医师阅片的数字图像识别方法及装置 |
CN113421240B (zh) * | 2021-06-23 | 2023-04-07 | 深圳大学 | 一种基于超声自动乳腺全容积成像的乳腺分类方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010003041A2 (en) * | 2008-07-03 | 2010-01-07 | Nec Laboratories America, Inc. | Mitotic figure detector and counter system and method for detecting and counting mitotic figures |
CN103337074B (zh) * | 2013-06-18 | 2016-01-13 | 大连理工大学 | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 |
-
2017
- 2017-11-08 CN CN201711091437.0A patent/CN107748900B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于卷积神经网络的行人再识别算法;姚万超;《万方数据知识服务平台》;20170925;第36-39页 * |
基于深度学习的医学图像模式分类研究;苏宝星;《中国优秀硕士学位论文全文数据库》;20170215;论文第14,49-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107748900A (zh) | 2018-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107748900B (zh) | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 | |
Cao et al. | An experimental study on breast lesion detection and classification from ultrasound images using deep learning architectures | |
Adegun et al. | Deep learning techniques for skin lesion analysis and melanoma cancer detection: a survey of state-of-the-art | |
Sori et al. | DFD-Net: lung cancer detection from denoised CT scan image using deep learning | |
KR102108050B1 (ko) | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 | |
Chan et al. | Texture-map-based branch-collaborative network for oral cancer detection | |
CN110929789A (zh) | 基于多期ct影像分析的肝肿瘤自动分类方法及装置 | |
CN111476796B (zh) | 一种结合多种网络的半监督冠状动脉分割系统及分割方法 | |
Alkassar et al. | Going deeper: magnification‐invariant approach for breast cancer classification using histopathological images | |
Mittapalli et al. | Multiscale CNN with compound fusions for false positive reduction in lung nodule detection | |
Sadad et al. | Internet of medical things embedding deep learning with data augmentation for mammogram density classification | |
CN112545562A (zh) | 多模态多参数乳腺癌筛查系统、装置及计算机存储介质 | |
Ge et al. | Unsupervised histological image registration using structural feature guided convolutional neural network | |
Chen et al. | Breast tumor classification in ultrasound images by fusion of deep convolutional neural network and shallow LBP feature | |
Hassan et al. | A dilated residual hierarchically fashioned segmentation framework for extracting gleason tissues and grading prostate cancer from whole slide images | |
Elayaraja et al. | An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach | |
CN113764101B (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
Wang et al. | Multiscale feature fusion for skin lesion classification | |
Han et al. | Automatic classification method of thyroid pathological images using multiple magnification factors | |
Sharanyaa et al. | DCNET: A Novel Implementation of Gastric Cancer Detection System through Deep Learning Convolution Networks | |
Arega et al. | Automatic myocardial scar segmentation from multi-sequence cardiac MRI using fully convolutional densenet with inception and squeeze-excitation module | |
Alzubaidi et al. | Multi-class breast cancer classification by a novel two-branch deep convolutional neural network architecture | |
Naeem et al. | DVFNet: A deep feature fusion-based model for the multiclassification of skin cancer utilizing dermoscopy images | |
Liu et al. | U2F-GAN: weakly supervised super-pixel segmentation in thyroid ultrasound images | |
CN116206160A (zh) | 基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法 |
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 |