CN107945179A - 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 - Google Patents
一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 Download PDFInfo
- Publication number
- CN107945179A CN107945179A CN201711389241.XA CN201711389241A CN107945179A CN 107945179 A CN107945179 A CN 107945179A CN 201711389241 A CN201711389241 A CN 201711389241A CN 107945179 A CN107945179 A CN 107945179A
- Authority
- CN
- China
- Prior art keywords
- lung neoplasm
- lung
- convolutional neural
- neural networks
- lbp
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20172—Image enhancement details
-
- 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
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于特征融合的卷积神经网络的肺结节良恶性检测方法,该方法首先需要在肺部CT图像中根据专家的标注绘制出肺结节的位置区域,然后根据位置信息分割出肺结节的感兴趣区域,并得到相同大小的只含肺结节的图像;其次,提取肺结节图像的HOG特征和LBP特征,得到相应的可视化特征图;然后将肺结节图像、LBP特征图和HOG特征图都作为卷积神经网络的输入进行卷积运算,进一步提取图像特征,最终通过分类得出所属良恶性的概率。在特征提取的过程中,由于LBP和HOG提取到的是局部的信息,而卷积神经网络提取到的是全局的信息,将传统特征与卷积神经网络CNN特征融合来进行肺结节良恶性分析,能够得到更高的准确率,并且有更好的鲁棒性。
Description
技术领域
本发明提供了一种基于特征融合的卷积神经网络的肺结节良恶性检测方法。
背景技术
肺癌是目前全球范围内造成死亡率最高的恶性肿瘤疾病,占所有癌症死亡率的27%。据美国SEER统计,在肺癌被确认时,绝大多数患者的肿瘤都已发生扩散和转移,确认后生存5年以上的患者不超过15%。肺结节性病变诊断中的关键问题是正确检测和准确识别肺结节。对肺结节进行检测诊断并确认后,能够有效判断病变的良恶性。临床上,对肺结节的检测诊断是比较困难的,目前对肺结节的误判及漏判率仍然很高,采用计算机辅助诊断来对结节的良恶性进行早期检测,对病人存活率的提高具有重要意义。
目前,对肺癌的诊断主要通过提取肺结节CT图像的形状、纹理、密度等特征并通过机器学习算法进行分类。通过提取肺结节有效的三维纹理特征进行肺结节的良恶性分类,或者利用肺结节的三维图像,在传统二维特征的基础上增加空间位置特征,然后采用支持向量机的分类算法对多维向量所描述的肺结节进行良恶性的二分类,在LIDC数据集上获得了73.78%的准确率。其缺点是特征选取需通过人工设计。利用自编码网络来提取深度特征并借助于二叉决策树作为分类器,构建计算机辅助系统,进行肺结节的良恶性分类,达到75%的识别率。虽然该方法无需人工选取特征,但是过程中所需参数众多。采用改进的自生成神经网络对PET/CT图像中肺结节进行良恶性及不同类别肿瘤的分类,利用竞争学习机制,在对样本的学习过程中采用非监督学习方法,自动生成一棵神经树,也不需要人为地参与网络中的参数及结构调整。相较传统自生成神经网络和BP算法有较高的准确率,但其需要多次优化会导致运行时间长、时间复杂度较高等问题。
近年来,卷积神经网络在图像分类与识别领域都取得了很好的应用效果,它可以利用图像的空间特性以减少参数,同时可以灵活地调节特征提取的空间尺度大小。
发明内容
本发明解决的技术问题是:提出了通过卷积神经网络进行肺结节特征提取并分类的方法,并提出融合传统特征的思路,通过一定方式来强化良恶性区分度较大的特征(本发明中主要是HOG特征和LBP特征),又不失去隐含的肺结节特征,从而达到更好的检测效果。
本发明一种基于特征融合的卷积神经网络的肺结节良恶性检测方法,包括以下步骤:
步骤(1)、首先是数据的预处理阶段,需要从原始的肺部CT图像信息中提取准确的肺结节区域的图像信息;
步骤(2)、形状和边缘是判断肺结节良恶性的一项重要标准,HOG特征是描述边缘和形状信息的最好特征之一,因此该步骤将会从步骤(1)中得到的肺结节区域的图像信息中提取肺结节的HOG特征,生成肺结节的HOG特征图;
步骤(3)、LBP特征是一种在灰度范围内非常有效的纹理谱描述符,其分类能力强、计算效率高,对单调的灰度变化具有不变性,且能结合图像的整体特征,并且纹理特征在肺结节的良恶性分析中非常重要,因此该步骤从步骤(1)中得到的肺结节区域的图像信息中提取肺结节的LBP特征,生成肺结节的LBP特征图;
步骤(4)、将步骤(1)得到的肺结节原始图与步骤(2)得到的HOG特征图、步骤(3)得到的LBP特征图进行特征融合(通道融合),得到融合后的特征信息;步骤(2)(3)中所述的HOG特征和LBP特征为传统图像特征,通过融合传统特征,一定程度上强化良恶性区分度较大的特征。
步骤(5)、将步骤(4)得到的融合后的特征信息作为卷积神经网络的网络结构的输入,进行分类,输出肺结节的良恶性倾向。进一步地,步骤(4)中所述的特征融合是指将HOG特征图、LBP特征图和肺结节区域的图像以多通道的方式融合到一起,以提高图像的表达能力。
进一步地,步骤(5)中所述的网络结构是将(4)得到的图像信息作为输入,通过卷积神经网络进一步进行特征提取,最后通过softmax分类器进行分类。
本发明提供的基于特征融合的卷积神经网络的肺结节良恶性检测方法,将传统特征与卷积神经网络CNN特征融合来进行肺结节良恶性分析,不仅利用了卷积神经网络自主学习图像特征的优势,同时在网络结构中融合图像的HOG和LBP特征,取得了较传统方法更高的分类精度和AUC,首先将从给定的CT图像中提取肺结节感兴趣区域,然后将提取结节的LBP特征和HOG特征,分别表征结节的纹理特征和形状特征,取LBP和HOG特征的特征图与原始图像进行通道融合,然后输入神经网络,进行良恶性性分类,最终得到结节属于恶性肿瘤的概率。
附图说明
图1为本发明的整体流程框架图;
图2为提取LBP特征示意图;
图3为提取HOG特征示意图;
图4为卷积神经网络的网络结构图。
具体实施方式
本发明提供基于传统特征和卷积神经网络CNN特征融合的肺结节良恶性分析方法,主要步骤介绍如下,整体流程框架见图1:
1、图像预处理
对CT图像首先进行平滑去燥的预处理,去除噪声。然后根据标注信息获取图像的结节部位的感兴趣区域。
2、提取LBP和HOG特征
由于LBP和HOG特征提取的是结节的纹理和形状特征,而卷积神经网络获取的是全局信息的特征。因此,本发明提出使用特征融合的方法,得到具有更加完备信息的特征表示。首先分别获取LBP和HOG特征,然后与肺结节图像通过通道融合的拼接方式融合到一起,最后采用卷积神经网络提取最终的特征。
1)、LBP特征提取
在高分辨率CT图像中研究肺部影像的纹理特征分析方法在最近十五年中有了很大的发展。考虑到本发明中由肺部CT图像中取出的肺结节为灰度图,而LBP特征是一种在灰度范围内非常有效的纹理谱描述符,其分类能力强、计算效率高,对单调的灰度变化具有不变性,且能结合图像的整体特征。
如图2所示,本发明中选用可以适应不同尺度纹理特征的LBP特征提取方法,该方法可以将原始的3×3邻域扩展为任意邻域,并用圆形邻域替代正方形邻域,对于没有完全落在像素点位置上的灰度值采用双线性插值算法进行计算。这种LBP算子的半径和像素点个数可以是任意的。
LBP描述符的基本原理是通过比较中心像素与其邻域像素之间的亮度值大小,来计算特征值。
(1)选定半径R和采样点个数N来确定采样方式和邻域,对于没有完全落在像素点位置上的灰度值采用双线性插值算法进行计算。
(2)gc表示中心像素的亮度值,gi表示相邻像素的亮度值,s(a)表示符号函数,比较中心像素与其邻域像素之间的亮度值大小,用符号函数来计算比较结果,继而得出表示纹理特征的LBP值LBPN,R。
(3)计算出每个像素点对应的LBP值,最终得到可视化的LBP特征图。
2)、HOG特征提取
HOG[10]是描述边缘和形状信息的最好特征之一,该特征是在一个大小统一、网格密集的细胞单元上进行计算,利用相互重叠的局部对比度归一化技术提高描述能力。本发明选择HOG特征作为融合特征之一。
如图3所示,HOG特征的方法流程如下:
(1)颜色空间归一化处理。
(2)分割样本图像为若干个小块(block),每块由相邻的4个单元(cell)组成,每个单元由8×8像素组成,块与块之间采用重叠两个单元的形式进行滑动。计算出像素点(x,y)的水平方向和垂直方向的梯度Ix(x,y)和Iy(x,y)。
Ix(x,y)=I(x+1,y)-I(x-1,y)
Iy(x,y)=I(x,y+1)-I(x,y-1)
(3)计算像素点(x,y)处的梯度幅值m(x,y)和梯度方向θ(x,y)。
(4)把每块的梯度方向平均划分为16个无向的直方图通道(bin),统计所有像素点各个方向的直方图特征,从而得到每个单元的直方图特征,进一步得到每块的直方图。可视化HOG特征,得到整幅图像的HOG特征图。
3、多通道特征融合
将以上得到的特征图和原图进行多通道融合,将融合后的特征信息作为卷积神经网络的网络结构的输入,通过图4的网络结构进行分类,最终得到结节的良恶性,输出肺结节的良恶性倾向。
本发明提供的基于特征融合的卷积神经网络的肺结节良恶性检测方法,将传统特征与卷积神经网络CNN特征融合来进行肺结节良恶性分析,不仅利用了卷积神经网络自主学习图像特征的优势,同时在网络结构中融合图像的HOG和LBP特征,取得了较传统方法更高的分类精度和AUC,首先将从给定的CT图像中提取肺结节感兴趣区域,然后将提取结节的LBP特征和HOG特征,分别表征结节的纹理特征和形状特征,取LBP和HOG特征的特征图与原始图像进行通道融合,然后输入神经网络,进行良恶性性分类,最终得到结节属于恶性肿瘤的概率。
本发明未详细阐述的技术内容属于本领域技术人员的公知技术。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于特征融合的卷积神经网络的肺结节良恶性检测方法,其特征在于,包括以下步骤:
步骤(1)、首先对数据进行预处理,从原始的肺部CT图像信息中提取准确的肺结节区域的图像信息;
步骤(2)、从步骤(1)中得到的肺结节区域的图像信息中提取肺结节的HOG特征,生成肺结节的HOG特征图;
步骤(3)、从步骤(1)中得到的肺结节区域的图像信息中提取肺结节的LBP特征,生成肺结节的LBP特征图;
步骤(4)、将步骤(1)得到的肺结节原始图与步骤(2)得到的HOG特征图、步骤(3)得到的LBP特征图进行特征融合,得到融合后的特征信息;
步骤(5)、将步骤(4)得到的融合后的特征信息作为卷积神经网络的网络结构的输入,进行分类,输出肺结节的良恶性倾向。
2.根据权利要求1所述的方法,其特征在于:步骤(4)中所述的特征融合是指将HOG特征图、LBP特征图和肺结节区域的图像以多通道的方式融合到一起。
3.根据权利要求1所述的方法,其特征在于:步骤(5)中所述的网络结构是将(4)得到的图像信息作为输入,通过卷积神经网络进一步进行特征提取,然后通过softmax分类器进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711389241.XA CN107945179A (zh) | 2017-12-21 | 2017-12-21 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711389241.XA CN107945179A (zh) | 2017-12-21 | 2017-12-21 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107945179A true CN107945179A (zh) | 2018-04-20 |
Family
ID=61942048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711389241.XA Pending CN107945179A (zh) | 2017-12-21 | 2017-12-21 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945179A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN108634934A (zh) * | 2018-05-07 | 2018-10-12 | 北京长木谷医疗科技有限公司 | 对脊柱矢状位图像进行处理的方法和设备 |
CN108986891A (zh) * | 2018-07-24 | 2018-12-11 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
CN109003274A (zh) * | 2018-07-27 | 2018-12-14 | 广州大学 | 一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质 |
CN109034256A (zh) * | 2018-08-02 | 2018-12-18 | 燕山大学 | 一种ltp与hog特征融合的乳腺肿瘤检测系统与方法 |
CN109086690A (zh) * | 2018-07-13 | 2018-12-25 | 北京旷视科技有限公司 | 图像特征提取方法、目标识别方法及对应装置 |
CN109255782A (zh) * | 2018-09-03 | 2019-01-22 | 图兮深维医疗科技(苏州)有限公司 | 一种肺结节图像的处理方法、装置、设备及存储介质 |
CN109800813A (zh) * | 2019-01-24 | 2019-05-24 | 青岛中科智康医疗科技有限公司 | 一种数据驱动乳腺钼靶肿块检测的计算机辅助系统及方法 |
CN109978846A (zh) * | 2019-03-18 | 2019-07-05 | 哈尔滨商业大学 | 一种基于体局部方向三值模式的肺结节纹理特征提取系统及方法 |
CN110287982A (zh) * | 2019-05-08 | 2019-09-27 | 中国科学技术大学 | 一种基于卷积神经网络的ct影像分类方法、装置及介质 |
CN110309860A (zh) * | 2019-06-06 | 2019-10-08 | 昆明理工大学 | 基于卷积神经网络对肺结节的恶性程度进行分类的方法 |
CN110570405A (zh) * | 2019-08-26 | 2019-12-13 | 天津大学 | 一种基于混合特征的肺结节智能诊断方法 |
CN110580681A (zh) * | 2019-09-12 | 2019-12-17 | 杭州海睿博研科技有限公司 | 高分辨率心机运动模式分析装置和方法 |
CN111160442A (zh) * | 2019-12-24 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、计算机设备和存储介质 |
CN111583320A (zh) * | 2020-03-17 | 2020-08-25 | 哈尔滨医科大学 | 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 |
CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
WO2020224406A1 (zh) * | 2019-05-08 | 2020-11-12 | 腾讯科技(深圳)有限公司 | 图像分类方法、计算机可读存储介质和计算机设备 |
CN112163472A (zh) * | 2020-09-15 | 2021-01-01 | 东南大学 | 一种基于多视角特征融合的滚动轴承诊断方法 |
CN112270667A (zh) * | 2020-11-02 | 2021-01-26 | 郑州大学 | 一种基于ti-rads的集成深度学习多标签识别方法 |
CN112365436A (zh) * | 2020-01-09 | 2021-02-12 | 西安邮电大学 | 一种针对ct影像的肺结节恶性度分级方法 |
CN112420195A (zh) * | 2020-11-06 | 2021-02-26 | 清华大学 | 一种高血压风险预测方法及装置 |
CN113128521A (zh) * | 2021-04-30 | 2021-07-16 | 西安微电子技术研究所 | 一种小型化人工智能模型特征提取方法、系统、计算机设备及存储介质 |
CN113256614A (zh) * | 2021-06-22 | 2021-08-13 | 国家超级计算天津中心 | 一种医学影像处理系统 |
CN113706517A (zh) * | 2021-09-01 | 2021-11-26 | 什维新智医疗科技(上海)有限公司 | 一种基于gulbp算子的结节良恶性判断装置 |
WO2022100496A1 (zh) * | 2020-11-13 | 2022-05-19 | 上海健康医学院 | 一种肺结节分类方法、介质及电子设备 |
CN116740654A (zh) * | 2023-08-14 | 2023-09-12 | 安徽博诺思信息科技有限公司 | 基于图像识别技术的变电站作业防控方法 |
CN116797533A (zh) * | 2023-03-24 | 2023-09-22 | 东莞市冠锦电子科技有限公司 | 电源适配器的外观缺陷检测方法及其系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700118A (zh) * | 2015-03-18 | 2015-06-10 | 中国科学院自动化研究所 | 基于卷积神经网络的肺结节良恶性预测方法 |
-
2017
- 2017-12-21 CN CN201711389241.XA patent/CN107945179A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700118A (zh) * | 2015-03-18 | 2015-06-10 | 中国科学院自动化研究所 | 基于卷积神经网络的肺结节良恶性预测方法 |
Non-Patent Citations (1)
Title |
---|
HUAFENG WANG 等: ""A hybrid CNN feature model for pulmonary nodule malignancy risk differentiation"", 《JOURNAL OF X-RAY SCIENCE AND TECHNOLOGY》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108634934A (zh) * | 2018-05-07 | 2018-10-12 | 北京长木谷医疗科技有限公司 | 对脊柱矢状位图像进行处理的方法和设备 |
CN108634934B (zh) * | 2018-05-07 | 2021-01-29 | 北京长木谷医疗科技有限公司 | 对脊柱矢状位图像进行处理的方法和设备 |
CN108615237B (zh) * | 2018-05-08 | 2021-09-07 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN109086690A (zh) * | 2018-07-13 | 2018-12-25 | 北京旷视科技有限公司 | 图像特征提取方法、目标识别方法及对应装置 |
WO2020019612A1 (zh) * | 2018-07-24 | 2020-01-30 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
CN108986891A (zh) * | 2018-07-24 | 2018-12-11 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
TWI715117B (zh) * | 2018-07-24 | 2021-01-01 | 大陸商北京市商湯科技開發有限公司 | 醫療影像處理方法及裝置、電子設備及儲存介質 |
CN109003274A (zh) * | 2018-07-27 | 2018-12-14 | 广州大学 | 一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质 |
CN109034256A (zh) * | 2018-08-02 | 2018-12-18 | 燕山大学 | 一种ltp与hog特征融合的乳腺肿瘤检测系统与方法 |
CN109255782A (zh) * | 2018-09-03 | 2019-01-22 | 图兮深维医疗科技(苏州)有限公司 | 一种肺结节图像的处理方法、装置、设备及存储介质 |
CN109800813A (zh) * | 2019-01-24 | 2019-05-24 | 青岛中科智康医疗科技有限公司 | 一种数据驱动乳腺钼靶肿块检测的计算机辅助系统及方法 |
CN109800813B (zh) * | 2019-01-24 | 2023-12-22 | 青岛中科智康医疗科技有限公司 | 一种数据驱动乳腺钼靶肿块检测的计算机辅助系统及方法 |
CN109978846A (zh) * | 2019-03-18 | 2019-07-05 | 哈尔滨商业大学 | 一种基于体局部方向三值模式的肺结节纹理特征提取系统及方法 |
US11908580B2 (en) | 2019-05-08 | 2024-02-20 | Tencent Technology (Shenzhen) Company Limited | Image classification method, computer-readable storage medium, and computer device |
WO2020224406A1 (zh) * | 2019-05-08 | 2020-11-12 | 腾讯科技(深圳)有限公司 | 图像分类方法、计算机可读存储介质和计算机设备 |
CN110287982A (zh) * | 2019-05-08 | 2019-09-27 | 中国科学技术大学 | 一种基于卷积神经网络的ct影像分类方法、装置及介质 |
CN110309860A (zh) * | 2019-06-06 | 2019-10-08 | 昆明理工大学 | 基于卷积神经网络对肺结节的恶性程度进行分类的方法 |
CN110570405A (zh) * | 2019-08-26 | 2019-12-13 | 天津大学 | 一种基于混合特征的肺结节智能诊断方法 |
CN110580681A (zh) * | 2019-09-12 | 2019-12-17 | 杭州海睿博研科技有限公司 | 高分辨率心机运动模式分析装置和方法 |
CN111160442A (zh) * | 2019-12-24 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、计算机设备和存储介质 |
CN111160442B (zh) * | 2019-12-24 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 图像分类方法、计算机设备和存储介质 |
CN112365436A (zh) * | 2020-01-09 | 2021-02-12 | 西安邮电大学 | 一种针对ct影像的肺结节恶性度分级方法 |
CN112365436B (zh) * | 2020-01-09 | 2023-04-07 | 西安邮电大学 | 一种针对ct影像的肺结节恶性度分级系统 |
CN111583320A (zh) * | 2020-03-17 | 2020-08-25 | 哈尔滨医科大学 | 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 |
CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
CN112163472A (zh) * | 2020-09-15 | 2021-01-01 | 东南大学 | 一种基于多视角特征融合的滚动轴承诊断方法 |
CN112270667A (zh) * | 2020-11-02 | 2021-01-26 | 郑州大学 | 一种基于ti-rads的集成深度学习多标签识别方法 |
CN112420195A (zh) * | 2020-11-06 | 2021-02-26 | 清华大学 | 一种高血压风险预测方法及装置 |
WO2022100496A1 (zh) * | 2020-11-13 | 2022-05-19 | 上海健康医学院 | 一种肺结节分类方法、介质及电子设备 |
CN113128521B (zh) * | 2021-04-30 | 2023-07-18 | 西安微电子技术研究所 | 一种小型化人工智能模型特征提取方法、系统、计算机设备及存储介质 |
CN113128521A (zh) * | 2021-04-30 | 2021-07-16 | 西安微电子技术研究所 | 一种小型化人工智能模型特征提取方法、系统、计算机设备及存储介质 |
CN113256614A (zh) * | 2021-06-22 | 2021-08-13 | 国家超级计算天津中心 | 一种医学影像处理系统 |
CN113706517A (zh) * | 2021-09-01 | 2021-11-26 | 什维新智医疗科技(上海)有限公司 | 一种基于gulbp算子的结节良恶性判断装置 |
CN113706517B (zh) * | 2021-09-01 | 2024-05-24 | 什维新智医疗科技(上海)有限公司 | 一种基于gulbp算子的结节良恶性判断装置 |
CN116797533A (zh) * | 2023-03-24 | 2023-09-22 | 东莞市冠锦电子科技有限公司 | 电源适配器的外观缺陷检测方法及其系统 |
CN116797533B (zh) * | 2023-03-24 | 2024-01-23 | 东莞市冠锦电子科技有限公司 | 电源适配器的外观缺陷检测方法及其系统 |
CN116740654A (zh) * | 2023-08-14 | 2023-09-12 | 安徽博诺思信息科技有限公司 | 基于图像识别技术的变电站作业防控方法 |
CN116740654B (zh) * | 2023-08-14 | 2023-11-07 | 安徽博诺思信息科技有限公司 | 基于图像识别技术的变电站作业防控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945179A (zh) | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 | |
Castro et al. | Elastic deformations for data augmentation in breast cancer mass detection | |
CN106780460B (zh) | 一种用于胸部ct影像的肺结节自动检测系统 | |
Vas et al. | Lung cancer detection system using lung CT image processing | |
CN109447065A (zh) | 一种乳腺影像识别的方法及装置 | |
Sinha et al. | Efficient segmentation methods for tumor detection in MRI images | |
CN104715238B (zh) | 一种基于多特征融合的行人检测方法 | |
Cortina-Januchs et al. | Detection of pore space in CT soil images using artificial neural networks | |
Das et al. | Detection and classification of acute lymphocytic leukemia | |
CN109363698A (zh) | 一种乳腺影像征象识别的方法及装置 | |
CN105205804A (zh) | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 | |
CN108010013A (zh) | 一种肺ct图像肺结节检测方法 | |
CN107273608A (zh) | 一种油藏地质剖面图矢量化方法 | |
CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN111415728A (zh) | 基于cnn和gan的ct图像数据自动分类方法及设备 | |
CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
Unni et al. | Tumour detection in double threshold segmented mammograms using optimized GLCM features fed SVM | |
CN108830842A (zh) | 一种基于角点检测的医学图像处理方法 | |
Galsgaard et al. | Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement | |
Ouyang et al. | The research of the strawberry disease identification based on image processing and pattern recognition | |
CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
Liu et al. | Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement | |
Anandgaonkar et al. | Brain tumor detection and identification from T1 post contrast MR images using cluster based segmentation | |
Sarath et al. | A two-stage multiple instance learning framework for the detection of breast cancer in mammograms |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |