CN107945167A - 基于深度神经网络的慢性阻塞性肺病的检测系统 - Google Patents
基于深度神经网络的慢性阻塞性肺病的检测系统 Download PDFInfo
- Publication number
- CN107945167A CN107945167A CN201711206943.XA CN201711206943A CN107945167A CN 107945167 A CN107945167 A CN 107945167A CN 201711206943 A CN201711206943 A CN 201711206943A CN 107945167 A CN107945167 A CN 107945167A
- Authority
- CN
- China
- Prior art keywords
- patient
- neural network
- deep neural
- mrow
- chronic obstructive
- 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
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
- G06T2207/20081—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Abstract
本发明提供一种基于深度神经网络的慢性阻塞性肺病的检测系统,包括:预处理模块,用于对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;检测模块,用于将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。本发明提供的基于深度神经网络的慢性阻塞性肺病的检测系统,通过将深度神经网络与医学影像相结合,利用人工对COPD进行诊断的临床经验知识作为先验,对早期的肺小叶细微病变进行检测,对病例作出高可靠的预测,从而提高了COPD检测的准确度。
Description
技术领域
本发明涉及神经网络技术领域,尤其涉及一种基于深度神经网络的慢性阻塞性肺病的检测系统。
背景技术
随着计算机技术的飞速发展与广泛应用,计算机辅助诊断对人类的健康发挥出越来越重要的作用。
现有技术中,通过计算机辅助诊断方法对慢性阻塞性肺病(chronic obstructivepulmonary disease,COPD)的检测系统的检测方法如下:首先,获取患者的电子计算机断层扫描(Computed Tomography,CT)影像,然后通过对CT图像进行图像处理,然后根据CT图像每个像素的像素值,判断该像素与预设像素阈值的关系,得出该像素是否为病变区域图像像素,最后根据病变区域图像像素占整个肺部图像像素的比例判断该患者患COPD的概率。
由于现有技术的检测系统中,影响预设像素阈值的因素较多,选择不同的阈值就会得出不同的结果,区分度不明显,导致对COPD CT影像的分析结果不准确。
发明内容
(一)要解决的技术问题
本发明的目的是提供一种基于深度神经网络的慢性阻塞性肺病的检测系统,利用深度神经网络去发现并辨别肉眼难以识别的早期细微的肺小叶病变,解决了现有技术中的COPD检测系统的检测结果不准确的技术问题。
(二)技术方案
为了解决上述技术问题,一方面,本发明提供一种基于深度神经网络的慢性阻塞性肺病的检测系统,包括:
预处理模块,用于对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;
检测模块,用于将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。
进一步地,所述深度神经网络模型包括深度神经网络单元和计算单元,其中,
深度神经网络单元,用于根据获取的所述第一患者的身体质量指数BMI和每个肺小叶区域图像,获取每个肺小叶病变的概率;
计算单元,用于根据每个肺小叶病变的概率,获取所述第一患者患慢性阻塞性肺病的概率。
进一步地,还包括:
训练模块,用于获取训练样本集,所述训练样本集包含多组训练样本,每组训练样本包含一位样本患者的BMI和病变肺小叶的直径,所述病变肺小叶的直径由所述样本患者的胸部CT图像中获得;
基于所述训练样本集,对所述深度神经网络模型进行训练。
进一步地,所述训练好的深度神经网络模型的激活函数为:
其中,P(i)为第i个肺小叶病变的概率,xi为第i个特征变量,K为特征变量的总数,W为连接权重。
进一步地,所述根据每个肺小叶病变的概率,获取所述第一患者患慢性阻塞性肺病的概率具体为:
其中,P为第一患者患慢性阻塞性肺病的概率,P(i)为第i个肺小叶病变的概率,N为第一患者胸部CT图像中的肺小叶区域图像的总数。
进一步地,所述系统还包括:
可视化模块,根据每个肺小叶病变的概率,将病变概率大与预设阈值的肺小叶区域进行可视化处理。
另一方面,本发明提供一种用于慢性阻塞性肺病检测的电子设备,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如下步骤:
对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;
将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。
再一方面,本发明提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如下步骤:
对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;
将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。
又一方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;
将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。
(三)有益效果
本发明提供的基于深度神经网络的慢性阻塞性肺病的检测系统,通过将深度神经网络与医学影像相结合,利用人工对COPD进行诊断的临床经验知识作为先验,再利用深度神经网络去发现并辨别肉眼难以识别的早期细微的肺小叶病变,对病例作出高可靠的预测,从而提高了COPD检测的准确度。
附图说明
图1为依照本发明实施例的基于深度神经网络的慢性阻塞性肺病的检测系统示意图;
图2为本发明实施例提供的用于慢性阻塞性肺病检测的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,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,都属于本发明保护的范围。
实施例1:
图1为依照本发明实施例的基于深度神经网络的慢性阻塞性肺病的检测系统示意图,如图1所示,本发明实施例提供一种基于深度神经网络的慢性阻塞性肺病的检测系统,包括预处理模块10和检测模块20,其中,
预处理模块10用于对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;
检测模块20用于将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。
进一步地,所述深度神经网络模型包括深度神经网络单元和计算单元,其中,
深度神经网络单元,用于根据获取的所述第一患者的身体质量指数BMI和每个肺小叶区域图像,获取每个肺小叶病变的概率;
计算单元,用于根据每个肺小叶病变的概率,获取所述第一患者患慢性阻塞性肺病的概率。
进一步地,还包括:
训练模块,用于获取训练样本集,所述训练样本集包含多组训练样本,每组训练样本包含一位样本患者的BMI和病变肺小叶的直径,所述病变肺小叶的直径由所述样本患者的胸部CT图像中获得;
基于所述训练样本集,对所述深度神经网络模型进行训练。
进一步地,所述训练好的深度神经网络模型的激活函数为:
其中,P(i)为第i个肺小叶病变的概率,xi为第i个特征变量,K为特征变量的总数,W为连接权重。
进一步地,所述根据每个肺小叶病变的概率,获取所述第一患者患慢性阻塞性肺病的概率具体为:
其中,P为第一患者患慢性阻塞性肺病的概率,P(i)为第i个肺小叶病变的概率,N为第一患者胸部CT图像中的肺小叶区域图像的总数。
进一步地,所述系统还包括:
可视化模块,根据每个肺小叶病变的概率,将病变概率大与预设阈值的肺小叶区域进行可视化处理。
具体的,本发明实施例提供的基于深度神经网络的慢性阻塞性肺病的检测系统包括两大部分,第一部分:预处理模块10;第二部分:检测模块20。
在利用系统中的深度神经网络模型对慢性阻塞性肺病进行检测之前,需要通过系统中的训练模块对深度神经网络进行训练,具体如下:
首先,通过训练模块,获取训练样本集,所述训练样本集包含多组训练样本,每组训练样本包含一位样本患者的BMI和病变肺小叶的直径,所述病变肺小叶的直径由所述样本患者的胸部CT图像中获得,所述病变肺小叶的直径是由职业医生对样本患者的胸部CT图像中的树芽征进行标注得到。
基于所述训练样本集,对所述深度神经网络模型进行训练。
根据连接权重公式W=a(x+y)+b,利用样本患者的BMI和病变肺小叶的直径,通过深度神经网络不断地学习,计算得出合适的参数a和b的值使得连接权重W的值属于0和1之间,其中,x为病变肺小叶的直径,即具有树芽征的肺小叶直径,y为样本患者的BMI。
深度神经网络模型的激活函数为:
其中,P(i)为第i个肺小叶病变的概率,xi为第i个特征变量,K为特征变量的总数,W为连接权重。
对深度神经网络进行训练完成之后,即,得到深度神经网络模型。
然后,通过系统中的预处理模块10将第一患者的一次扫描的CT医学图像缩放成合适大小的图像,所述第一患者为待检测的患者;
选取CT图像合适的窗宽窗位,将医学格式图像转化为灰度图像,保存至文件夹;
对灰度图像进行适当的缩放、旋转,以满足特定的图像变形,根据图像扫描的间距构建立体图像;
提取肺小叶区域的图像,得到多个肺小叶区域图像。
最后,通过系统中的检测模块20,利用得到的深度神经网络模型对慢性阻塞性肺病进行检测,具体如下:
将上述每个肺小叶区域图像和所述第一患者的BMI,输入到训练好的深度神经网络单元中,获取每个肺小叶病变的概率。然后,根据公式通过计算单元计算出第一患者患慢性阻塞性肺病的概率,作为最终结果输出。
其中,P为第一患者患慢性阻塞性肺病的概率,P(i)为第i个肺小叶病变的概率,N为第一患者胸部CT图像中的肺小叶区域图像的总数。
优选地,本发明实施例提供的慢性阻塞性肺病的检测系统还包括:
可视化模块,根据每个肺小叶病变的概率,将病变概率大与预设阈值的肺小叶区域进行可视化处理。即,通过训练好的深度神经网络单元,获取每个肺小叶病变的概率,然后将病变概率大与预设阈值的肺小叶区域进行可视化处理,将病变的肺小叶清晰地展示出来,用于辅助人工判别诊断。所述的预设阈值可以根据具体情况来设定,此处不做限定。本发明提供的基于深度神经网络的慢性阻塞性肺病的检测系统,通过将深度神经网络与医学影像相结合,利用人工对COPD进行诊断的临床经验知识作为先验,对早期的肺小叶细微病变检测,对病例作出高可靠的预测,从而提高了COPD检测的准确度。
实施例2:
图2为本发明实施例提供的用于慢性阻塞性肺病检测的电子设备的结构示意图,如图2所示,所述设备包括:处理器(processor)801、存储器(memory)802和总线803;
其中,处理器801和存储器802通过所述总线803完成相互间的通信;
处理器801用于调用存储器802中的程序指令,以执行如下步骤:
对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;
将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。
实施例3:
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行如下步骤:
对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;
将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。
实施例4:
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如下步骤:
对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;
将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。
本领域普通技术人员可以理解:以上所描述的装置及设备等实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于深度神经网络的慢性阻塞性肺病的检测系统,其特征在于,包括:
预处理模块,用于对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;
检测模块,用于将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。
2.根据权利要求1所述的系统,其特征在于,所述深度神经网络模型包括深度神经网络单元和计算单元,其中,
深度神经网络单元,用于根据获取的所述第一患者的身体质量指数BMI和每个肺小叶区域图像,获取每个肺小叶病变的概率;
计算单元,用于根据每个肺小叶病变的概率,获取所述第一患者患慢性阻塞性肺病的概率。
3.根据权利要求1所述的系统,其特征在于,还包括:
训练模块,用于获取训练样本集,所述训练样本集包含多组训练样本,每组训练样本包含一位样本患者的BMI和病变肺小叶的直径,所述病变肺小叶的直径由所述样本患者的胸部CT图像中获得;
基于所述训练样本集,对所述深度神经网络模型进行训练。
4.根据权利要求1所述的系统,其特征在于,所述训练好的深度神经网络模型的激活函数为:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<mrow>
<mi>W</mi>
<mo>*</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<mi>W</mi>
<mo>*</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
其中,P(i)为第i个肺小叶病变的概率,xi为第i个特征变量,K为特征变量的总数,W为连接权重。
5.根据权利要求2所述的系统,其特征在于,所述根据每个肺小叶病变的概率,获取所述第一患者患慢性阻塞性肺病的概率具体为:
<mrow>
<mi>P</mi>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>&Pi;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中,P为第一患者患慢性阻塞性肺病的概率,P(i)为第i个肺小叶病变的概率,N为第一患者胸部CT图像中的肺小叶区域图像的总数。
6.根据权利要求2或5所述的系统,其特征在于,所述系统还包括:
可视化模块,根据每个肺小叶病变的概率,将病变概率大与预设阈值的肺小叶区域进行可视化处理。
7.一种用于慢性阻塞性肺病检测的电子设备,其特征在于,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如下步骤:
对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;
将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。
8.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如下步骤:
对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;
将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。
9.一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,所述计算机程序被处理器执行时实现如下步骤:
对获取的第一患者的胸部CT图像进行灰度化处理,并提取经过灰度化处理后的所述胸部CT图像中的多个肺小叶区域图像;
将获取的所述第一患者的身体质量指数BMI,以及所述多个肺小叶区域图像,输入训练好的深度神经网络模型,获取所述第一患者患慢性阻塞性肺病的概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711206943.XA CN107945167A (zh) | 2017-11-27 | 2017-11-27 | 基于深度神经网络的慢性阻塞性肺病的检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711206943.XA CN107945167A (zh) | 2017-11-27 | 2017-11-27 | 基于深度神经网络的慢性阻塞性肺病的检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107945167A true CN107945167A (zh) | 2018-04-20 |
Family
ID=61949058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711206943.XA Pending CN107945167A (zh) | 2017-11-27 | 2017-11-27 | 基于深度神经网络的慢性阻塞性肺病的检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945167A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109065165A (zh) * | 2018-07-25 | 2018-12-21 | 东北大学 | 一种基于重建气道树图像的慢性阻塞性肺病预测方法 |
CN109247914A (zh) * | 2018-08-29 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 病症数据获取方法和装置 |
CN109817331A (zh) * | 2019-01-25 | 2019-05-28 | 温州职业技术学院 | 一种针对慢性阻塞性肺疾病的远程医疗辅助决策方法 |
CN109829892A (zh) * | 2019-01-03 | 2019-05-31 | 众安信息技术服务有限公司 | 一种预测模型的训练方法、使用该模型的预测方法及装置 |
CN111292309A (zh) * | 2020-02-13 | 2020-06-16 | 中国人民解放军国防科学技术大学 | 一种肺组织异化程度判断方法及装置 |
CN111815643A (zh) * | 2019-04-11 | 2020-10-23 | 西门子医疗有限公司 | 基于人工智能的copd评估 |
CN112292691A (zh) * | 2018-06-18 | 2021-01-29 | 谷歌有限责任公司 | 用于使用深度学习提高癌症检测的方法与系统 |
CN113576488A (zh) * | 2021-06-18 | 2021-11-02 | 深圳技术大学 | 基于心率的肺影像组学的确定方法及装置、设备及介质 |
CN113576487A (zh) * | 2021-06-18 | 2021-11-02 | 深圳技术大学 | 特征的确定、心电预测方法及装置、电子设备和存储介质 |
WO2022110525A1 (zh) * | 2020-11-24 | 2022-06-02 | 江苏大学 | 一种癌变区域综合检测装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104840209A (zh) * | 2014-02-19 | 2015-08-19 | 三星电子株式会社 | 用于病变检测的设备和方法 |
CN105118070A (zh) * | 2015-10-12 | 2015-12-02 | 西南交通大学 | 基于时间序列的无线胶囊内窥镜视频中的出血段定位方法 |
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 |
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN107301640A (zh) * | 2017-06-19 | 2017-10-27 | 太原理工大学 | 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法 |
-
2017
- 2017-11-27 CN CN201711206943.XA patent/CN107945167A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104840209A (zh) * | 2014-02-19 | 2015-08-19 | 三星电子株式会社 | 用于病变检测的设备和方法 |
CN105118070A (zh) * | 2015-10-12 | 2015-12-02 | 西南交通大学 | 基于时间序列的无线胶囊内窥镜视频中的出血段定位方法 |
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 |
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN107301640A (zh) * | 2017-06-19 | 2017-10-27 | 太原理工大学 | 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112292691A (zh) * | 2018-06-18 | 2021-01-29 | 谷歌有限责任公司 | 用于使用深度学习提高癌症检测的方法与系统 |
CN109065165B (zh) * | 2018-07-25 | 2021-08-17 | 东北大学 | 一种基于重建气道树图像的慢性阻塞性肺病预测方法 |
CN109065165A (zh) * | 2018-07-25 | 2018-12-21 | 东北大学 | 一种基于重建气道树图像的慢性阻塞性肺病预测方法 |
CN109247914A (zh) * | 2018-08-29 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 病症数据获取方法和装置 |
CN109829892A (zh) * | 2019-01-03 | 2019-05-31 | 众安信息技术服务有限公司 | 一种预测模型的训练方法、使用该模型的预测方法及装置 |
CN109817331B (zh) * | 2019-01-25 | 2022-11-01 | 温州职业技术学院 | 一种针对慢性阻塞性肺疾病的远程医疗辅助决策系统 |
CN109817331A (zh) * | 2019-01-25 | 2019-05-28 | 温州职业技术学院 | 一种针对慢性阻塞性肺疾病的远程医疗辅助决策方法 |
CN111815643A (zh) * | 2019-04-11 | 2020-10-23 | 西门子医疗有限公司 | 基于人工智能的copd评估 |
CN111292309A (zh) * | 2020-02-13 | 2020-06-16 | 中国人民解放军国防科学技术大学 | 一种肺组织异化程度判断方法及装置 |
CN111292309B (zh) * | 2020-02-13 | 2023-08-18 | 中国人民解放军国防科学技术大学 | 一种肺组织异化程度判断方法及装置 |
US11587231B2 (en) | 2020-11-24 | 2023-02-21 | Jiangsu University | Comprehensive detection device and method for cancerous region |
WO2022110525A1 (zh) * | 2020-11-24 | 2022-06-02 | 江苏大学 | 一种癌变区域综合检测装置及方法 |
CN113576487A (zh) * | 2021-06-18 | 2021-11-02 | 深圳技术大学 | 特征的确定、心电预测方法及装置、电子设备和存储介质 |
CN113576487B (zh) * | 2021-06-18 | 2023-06-13 | 深圳技术大学 | 特征的确定、心电预测方法及装置、电子设备和存储介质 |
CN113576488B (zh) * | 2021-06-18 | 2023-06-23 | 深圳技术大学 | 基于心率的肺影像组学的确定方法及装置、设备及介质 |
CN113576488A (zh) * | 2021-06-18 | 2021-11-02 | 深圳技术大学 | 基于心率的肺影像组学的确定方法及装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945167A (zh) | 基于深度神经网络的慢性阻塞性肺病的检测系统 | |
US11534097B2 (en) | Detection of electrocardiographic signal | |
CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
Roslan et al. | Skull stripping of MRI brain images using mathematical morphology | |
JP5868231B2 (ja) | 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム | |
CN105938628B (zh) | 源自图像的生物标志的直接计算 | |
CN108030488A (zh) | 基于卷积神经网络的心律失常的检测系统 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
CN108464840A (zh) | 一种乳腺肿块自动检测方法及系统 | |
CN110050281A (zh) | 学习图像中的对象的注释 | |
CN106056595A (zh) | 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 | |
JP2018529134A (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 | |
Diniz et al. | Detection of white matter lesion regions in MRI using SLIC0 and convolutional neural network | |
CN111028223B (zh) | 一种微卫星不稳定肠癌能谱ct碘水图影像组学特征处理方法 | |
CN108304887A (zh) | 基于少数类样本合成的朴素贝叶斯数据处理系统及方法 | |
CN110717894B (zh) | 癌症靶向治疗疗效评估方法及装置、设备、存储介质 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
Balasooriya et al. | Intelligent brain hemorrhage diagnosis using artificial neural networks | |
CN113095382B (zh) | 基于ct图像的可解释性肺结核分类网络识别方法 | |
CN109948396A (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN105074777B (zh) | 用于在诊断过程中支持用户的支持装置 | |
CN109801276A (zh) | 一种计算心胸比的方法及装置 | |
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 | |
CN110458801A (zh) | 一种3d双路径神经网络及基于该网络的肺部结节检测方法 | |
EP3872755A1 (en) | Method for providing airway information |
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: 20180420 |
|
RJ01 | Rejection of invention patent application after publication |