CN107993221B - 心血管光学相干断层oct图像易损斑块自动识别方法 - Google Patents
心血管光学相干断层oct图像易损斑块自动识别方法 Download PDFInfo
- Publication number
- CN107993221B CN107993221B CN201711136466.4A CN201711136466A CN107993221B CN 107993221 B CN107993221 B CN 107993221B CN 201711136466 A CN201711136466 A CN 201711136466A CN 107993221 B CN107993221 B CN 107993221B
- Authority
- CN
- China
- Prior art keywords
- image
- cardiovascular
- vulnerable plaque
- hidden layer
- sample
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0062—Arrangements for scanning
- A61B5/0066—Optical coherence imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
- 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
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Vascular Medicine (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种心血管光学相干断层OCT图像易损斑块自动识别方法,包括如下步骤:a)采集心血管OCT图像;b)对心血管OCT图像进行标准化处理;c)将标准化处理后的图像进行易损斑块识别处理,d)采用栈式自编码方法对样本集构造深度学习模型:e)进行分类识别;f)采用双线性插值方法进行笛卡尔坐标系转换;g)将坐标系转换后的图像进行划分象限;h)判断划分象限后的图像中的同一个象限是否存在两个及以上的连通区域。结合心血管OCT图像特点,重新构造样本数据集,克服样本数量有限的问题。另外,学习模型往往受训练集影响,本发明多次随机抽取数据集中的样本来训练学习模型,并通过投票策略形成集成学习模型。通过大量实验证明,该技术能够取得较高的识别精度。
Description
技术领域
本发明涉及图像分析和机器学习技术领域,具体涉及一种心血管光学相干断层OCT图像易损斑块自动识别方法。
背景技术
心血管疾病是导致发病和死亡的主要原因,随着图像分析和机器学习技术进步,心血管疾病诊断治疗得到了快速发展。光学相干断层成像技术(Optical CoherenceTomography,OCT)是一种新兴的医学成像技术,在临床上受到了广泛应用。该技术也在心血管成像方面得到应用,能够区分血管壁结构,准确地显示粥样硬化斑块特征,识别易损斑块等,在心血管病变诊断、识别、治疗和评估方面起到了非常重要的作用。
在冠心病介入治疗前,需要发现易损斑块、辨别红血栓、识别钙化斑块范围等。图像的识别和解读很大程度上依赖于医生的经验,而且医生之间也存在主观差异。心血管OCT图像解读比较复杂,医生的时间占用比较多,图像的结果不能在手术室实时地反映出来,正是因为这些问题,希望通过人工智能技术来帮助医生精准快速的读图、识图、给出病变的情况。
近几年,深度神经网络在人工神经网络的研究基础上,通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据内部复杂的结构特征。深度学习在计算机视觉领域的广泛应用促进了其在医学图像分析与识别的发展。而在医学图像分析领域,标记样本数量有限,给深度学习用于医学图像分析带来了很大挑战。
目前,通过调查研究发现,国内外尚未出现采用人工智能技术实现心血管OCT图像易损斑块的自动识别技术。
发明内容
本发明为了克服以上技术的不足,提供了一种构造大量样本的数据集,克服少量训练样本的问题的心血管光学相干断层OCT图像易损斑块自动识别方法。
本发明克服其技术问题所采用的技术方案是:
一种心血管光学相干断层OCT图像易损斑块自动识别方法,包括如下步骤:
a)采集心血管OCT图像;
b)对心血管OCT图像进行标准化处理;
c)将标准化处理后的图像进行易损斑块识别处理,将OCT图像(I∈RM×W)的每列分为易损斑块和非易损斑块,将OCT图像每列(x∈RM)定义为一个样本,从而形成的数据集为:
S={(xi,yi)|xi∈RM,yi∈Y,i=1,...,N}
其中K为向量xi对应的类标签,M为图像的高度,W为图像的宽度,样本集为X={xi|i=1,...,N},标签集Y={yi|i=1,...,N,yi=1,...,K},N为样本总数;
d)采用栈式自编码方法对样本集构造深度学习模型:
d-1)将构造的样本集作为栈式自编码网络的输入数据;
d-2)通过公式z(1)=H(1)(w(1)x+b(1)),对输入样本x∈RM进行隐层变换,H(1)为激活函数,第1个隐层的权重矩阵,为第1个隐层的偏置,z(1)为第1个隐层的输出,解码过程为:H(2)为激活函数,第2个隐层的权重矩阵,为第2个隐层的偏置,为第2个隐层重建结果;
d-3)对隐层神经元加入稀疏约束项,并构成栈式稀疏自编码,通过反向传播进行优化,调整的目标损失函数为:其中C为类别数,α和β表示第二项和第三项的控制参数。xic表示标签为c第i个样本,表示标签为c第i个样本的重建结果,表示xic的第m个隐层的权值。ρ为稀疏参数,表示第i隐层的权值,xj表示第j个样本,bj表示第j个偏置;
d-4)对调整的目标损失函数,加入softmax分类器,将样本X的特征空间映射为标签空间为f(·):RM→Y;
e)将步骤d-4)中的得到的深度学习模型进行分类识别,将识别的结果进行加权求和并取平均处理,对融合结果进行二值分类;
f)将二值分类后的每幅OCT图像的识别结果采用双线性插值方法进行笛卡尔坐标系转换,并对转换后结果进行标记连通区域;
g)将坐标系转换后的图像进行划分象限,从右上角到右下角依次为1-4,判断每个连通区域是否跨象限,如果跨象限,则判断为该区域为易损斑块区域,否则判断为非易损斑块区域;
h)判断划分象限后的图像中的同一个象限是否存在两个及以上的连通区域,如果存在,则将两个连通区域之间区域合并为一个区域,如果不存在两个及以上的连通区域则保持不变。
进一步的,上述步骤b)中标准化处理的步骤为:
b-1)对采集的心血管OCT图像进行二值化分割,通过霍夫变换找出图像中导丝和导管的成像的位置,移除OCT图像顶部前1行-45行的伪目标;
b-2)对移除伪目标后的图像采用双边滤波的方法进行去噪,将传统的双边滤波的各项同性高斯邻域窗口改为各项异性的高斯邻域窗口,其中,传统的双边滤波算法的公式为:
优选的,步骤b-1)中移除OCT图像顶部前45行的伪目标。
本发明的有益效果是:结合心血管OCT图像特点,重新构造样本数据集,克服样本数量有限的问题。另外,学习模型往往受训练集影响,本发明多次随机抽取数据集中的样本来训练学习模型,并通过投票策略形成集成学习模型。通过大量实验证明,该技术能够取得较高的识别精度。
附图说明
图1为笛卡尔坐标系下的心血管OCT图像;
图2为极坐标下的心血管OCT图像;
图3为易损斑块识别结果示意图。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
一种心血管光学相干断层OCT图像易损斑块自动识别方法,包括如下步骤:
a)采集心血管OCT图像;
b)对心血管OCT图像进行标准化处理;
c)将标准化处理后的图像进行易损斑块识别处理,将OCT图像(I∈RM×W)的每列分为易损斑块和非易损斑块,将OCT图像每列(x∈RM)定义为一个样本,从而形成的数据集为:
S={(xi,yi)|xi∈RM,yi∈Y,i=1,...,N}
其中K为向量xi对应的类标签,M为图像的高度,W为图像的宽度,样本集为X={xi|i=1,...,N},标签集Y={yi|i=1,...,N,yi=1,...,K},N为样本总数;
d)采用栈式自编码方法对样本集构造深度学习模型:
d-1)将构造的样本集作为栈式自编码网络的输入数据;
d-2)通过公式z(1)=H(1)(w(1)x+b(1)),对输入样本x∈RM进行隐层变换,H(1)为激活函数,第1个隐层的权重矩阵,为第1个隐层的偏置,z(1)为第1个隐层的输出,解码过程为:H(2)为激活函数,第2个隐层的权重矩阵,为第2个隐层的偏置,为第2个隐层重建结果;
d-3)对隐层神经元加入稀疏约束项,并构成栈式稀疏自编码,通过反向传播进行优化,调整的目标损失函数为:其中C为类别数,α和β表示第二项和第三项的控制参数。xic表示标签为c第i个样本,表示标签为c第i个样本的重建结果,表示xic的第m个隐层的权值。ρ为稀疏参数,表示第i隐层的权值,xj表示第j个样本,bj表示第j个偏置;
d-4)对调整的目标损失函数,加入softmax分类器,将样本X的特征空间映射为标签空间为f(·):RM→Y;
e)将步骤d-4)中的得到的深度学习模型进行分类识别,将识别的结果进行加权求和并取平均处理,对融合结果进行二值分类;
f)将二值分类后的每幅OCT图像的识别结果采用双线性插值方法进行笛卡尔坐标系转换,并对转换后结果进行标记连通区域;
g)将坐标系转换后的图像进行划分象限,从右上角到右下角依次为1-4,判断每个连通区域是否跨象限,如果跨象限,则判断为该区域为易损斑块区域,否则判断为非易损斑块区域;
h)判断划分象限后的图像中的同一个象限是否存在两个及以上的连通区域,如果存在,则将两个连通区域之间区域合并为一个区域,如果不存在两个及以上的连通区域则保持不变。
进一步的,上述步骤b)中标准化处理的步骤为:
b-1)对采集的心血管OCT图像进行二值化分割,通过霍夫变换找出图像中导丝和导管的成像的位置,移除OCT图像顶部前1行-45行的伪目标;
b-2)对移除伪目标后的图像采用双边滤波的方法进行去噪,将传统的双边滤波的各项同性高斯邻域窗口改为各项异性的高斯邻域窗口,其中,传统的双边滤波算法的公式为:
优选的,步骤b-1)中移除OCT图像顶部前45行的伪目标。
本发明与现有技术相比,其显著优点为:(1)本发明给出了一种基于集成栈式自编码的心血管OCT图像易损斑块自动识别方法,采用栈式自编码进行学习模型,并对识别结果采用投票策略识别易损斑块区域;(2)本发明根据心血管OCT图像的特点,将心血管OCT图像的每列作为一个样本,从而构造大量样本的数据集,克服少量训练样本的问题。
本发明结合心血管OCT图像特点,重新构造样本数据集,克服样本数量有限的问题。另外,学习模型往往受训练集影响,本发明多次随机抽取数据集中的样本来训练学习模型,并通过投票策略形成集成学习模型。通过大量实验证明,该技术能够取得较高的识别精度。
下面结合实施例对本发明做进一步详细的说明:
本发明以极坐标系下心血管OCT图像作为输入,采用图像处理和机器学习手段对心血管OCT图像进行易损斑块自动识别。
通过OCT成像设备采集到的笛卡尔积坐标系下心血管OCT图像大小为704×704,图1给出了一幅笛卡尔积坐标系下心血管OCT图像,其中标记了易损斑块区域。首先将原始心血管OCT图像从笛卡尔积坐标系转换到极坐标系,图2给出了一幅图1对应的极坐标系下的心血管OCT图像。对极坐标下的心血管OCT图像进行预处理,包括移除顶部的干扰导管等干扰信息、去除噪声。然后将预处理后的OCT图像的每列作为样本重新构造数据集。从数据集中随机分别选取10万个正负样本形成训练集,共随机选择5次,分别采用栈式自编码进行建立学习模型,共得到5个学习模型,然后对这5个模型进行融合,融合规则为将得到的多个识别结果进行加权求和并取平均,并对融合结果进行二值分类。
对每幅OCT图像的识别结果采用双线性插值方法进行笛卡尔坐标系转换,并对转换后结果进行标记连通区域。对笛卡尔图像进行象限划分,划分原则为从右上角到右下角依次为1-4个象限,判断每个连通区域是否跨象限,如果跨象限,则判断为该区域为易损斑块区域,否则判断为非易损斑块区域。对同一个象限是否存在两个及以上的连通区域,如果存在,则将两个连通区域之间的区域合并为一个区域,否则保持不变。图3显示了基于集成栈式自编码的心血管OCT图像易损斑块自动识别方法的识别结果示意图。
Claims (2)
1.一种心血管光学相干断层OCT图像易损斑块自动识别方法,其特征在于,包括如下步骤:
a)采集心血管OCT图像;
b)对心血管OCT图像进行标准化处理;
c)将标准化处理后的图像进行易损斑块识别处理,将OCT图像I∈RM×W的每列分为易损斑块和非易损斑块,将OCT图像每列x∈RM定义为一个样本,从而形成的数据集为:
S={(xi,yi)|xi∈RM,yi∈Y,i=1,...,N}
其中M为图像的高度,W为图像的宽度,样本集为X={xi|i=1,...,N},标签集Y={yi|i=1,...,N,yi=1,...,K},N为样本总数,K为向量xi对应的类标签;
d)采用栈式自编码方法对样本集构造深度学习模型:
d-1)将构造的样本集作为栈式自编码网络的输入数据;
d-2)通过公式z(1)=H(1)(w(1)x+b(1)),对输入样本x∈RM进行隐层变换,H(1)为激活函数,第1个隐层的权重矩阵,为第1个隐层的偏置,z(1)为第1个隐层的输出,解码过程为:H(2)为激活函数,第2个隐层的权重矩阵,为第2个隐层的偏置,为第2个隐层重建结果;
d-3)对隐层神经元加入稀疏约束项,并构成栈式稀疏自编码,通过反向传播进行优化,调整的目标损失函数为:其中C为类别数,α和β表示第二项和第三项的控制参数, xic表示标签为c第i个样本,表示标签为c第i个样本的重建结果,表示xic的第m个隐层的权值, ρ为稀疏参数,表示第i隐层的权值,xj表示第j个样本,bj表示第j个偏置;
d-4)对调整的目标损失函数,加入softmax分类器,将样本X的特征空间映射为标签空间为f(·):RM→Y;
e)将步骤d-4)中的得到的深度学习模型进行分类识别,将识别的结果进行加权求和并取平均处理,对融合结果进行二值分类;
f)将二值分类后的每幅OCT图像的识别结果采用双线性插值方法进行笛卡尔坐标系转换,并对转换后结果进行标记连通区域;
g)将坐标系转换后的图像进行划分象限,从右上角到右下角依次为1-4,判断每个连通区域是否跨象限,如果跨象限,则判断为该区域为易损斑块区域,否则判断为非易损斑块区域;
h)判断划分象限后的图像中的同一个象限是否存在两个及以上的连通区域,如果存在,则将两个连通区域之间区域合并为一个区域,如果不存在两个及以上的连通区域则保持不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711136466.4A CN107993221B (zh) | 2017-11-16 | 2017-11-16 | 心血管光学相干断层oct图像易损斑块自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711136466.4A CN107993221B (zh) | 2017-11-16 | 2017-11-16 | 心血管光学相干断层oct图像易损斑块自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107993221A CN107993221A (zh) | 2018-05-04 |
CN107993221B true CN107993221B (zh) | 2021-11-02 |
Family
ID=62030370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711136466.4A Active CN107993221B (zh) | 2017-11-16 | 2017-11-16 | 心血管光学相干断层oct图像易损斑块自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107993221B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019237191A1 (en) * | 2018-06-11 | 2019-12-19 | Socovar, Société En Commandite | System and method for determining coronal artery tissue type based on an oct image and using trained engines |
CN109044324B (zh) * | 2018-06-20 | 2021-11-19 | 博动医学影像科技(上海)有限公司 | 基于斑块位置修正血流特征值的方法及装置 |
CN108961229A (zh) * | 2018-06-27 | 2018-12-07 | 东北大学 | 基于深度学习的心血管oct影像易损失斑块检测方法及系统 |
CN109472786B (zh) * | 2018-11-05 | 2024-05-14 | 平安科技(深圳)有限公司 | 脑出血图像处理方法、装置、计算机设备及存储介质 |
CN109697459A (zh) * | 2018-12-04 | 2019-04-30 | 云南大学 | 一种面向光学相干断层图像斑块形态检测方法 |
CN111612860B (zh) * | 2019-02-22 | 2023-09-15 | 曹生 | 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 |
GB201908766D0 (en) * | 2019-06-19 | 2019-07-31 | Michelson Diagnostics Ltd | Processing optical coherence tomography scans |
CN113096115A (zh) * | 2021-04-28 | 2021-07-09 | 博动医学影像科技(上海)有限公司 | 冠状动脉斑块状态评估方法、装置、电子设备 |
CN115345811A (zh) * | 2021-05-12 | 2022-11-15 | 深圳市中科微光医疗器械技术有限公司 | 一种引导式钙化斑块的检测评分方法、设备及存储介质 |
CN113538365A (zh) * | 2021-07-13 | 2021-10-22 | 深圳市中科微光医疗器械技术有限公司 | 一种计算腔内oct图像的ipa的方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8798347B2 (en) * | 2010-03-15 | 2014-08-05 | Siemens Aktiengesellschaft | System and method for image-based respiratory motion compensation for fluoroscopic coronary roadmapping |
CN105188550B (zh) * | 2013-03-12 | 2020-06-09 | 光学实验室成像公司 | 血管数据处理和图像配准系统、方法及装置 |
US9717417B2 (en) * | 2014-10-29 | 2017-08-01 | Spectral Md, Inc. | Reflective mode multi-spectral time-resolved optical imaging methods and apparatuses for tissue classification |
CN105069400B (zh) * | 2015-07-16 | 2018-05-25 | 北京工业大学 | 基于栈式稀疏自编码的人脸图像性别识别系统 |
US10803143B2 (en) * | 2015-07-30 | 2020-10-13 | Siemens Healthcare Gmbh | Virtual biopsy techniques for analyzing diseases |
-
2017
- 2017-11-16 CN CN201711136466.4A patent/CN107993221B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107993221A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107993221B (zh) | 心血管光学相干断层oct图像易损斑块自动识别方法 | |
CN109493308B (zh) | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 | |
Lin et al. | Automatic retinal vessel segmentation via deeply supervised and smoothly regularized network | |
CN106056595B (zh) | 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 | |
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 | |
Kar et al. | Retinal vessel segmentation using multi-scale residual convolutional neural network (MSR-Net) combined with generative adversarial networks | |
Oghli et al. | Automatic fetal biometry prediction using a novel deep convolutional network architecture | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
Jain et al. | Lung nodule segmentation using salp shuffled shepherd optimization algorithm-based generative adversarial network | |
Rehman et al. | Microscopic retinal blood vessels detection and segmentation using support vector machine and K‐nearest neighbors | |
CN114266786A (zh) | 基于生成对抗网络的胃病变分割方法及系统 | |
David et al. | Retinal blood vessels and optic disc segmentation using U-net | |
CN113159223A (zh) | 一种基于自监督学习的颈动脉超声图像识别方法 | |
CN113096137A (zh) | 一种oct视网膜图像领域适应分割方法及系统 | |
CN114398979A (zh) | 一种基于特征解耦的超声图像甲状腺结节分类方法 | |
Kareem et al. | Skin lesions classification using deep learning techniques | |
CN111127400A (zh) | 一种乳腺病变检测方法和装置 | |
Manikandan et al. | Segmentation and Detection of Pneumothorax using Deep Learning | |
CN113592769B (zh) | 异常图像的检测、模型的训练方法、装置、设备及介质 | |
CN117197594B (zh) | 一种基于深度神经网络的心脏分流分类系统 | |
Yu et al. | Convolutional neural network design for breast cancer medical image classification | |
Guy-Fernand et al. | Classification of brain tumor leveraging goal-driven visual attention with the support of transfer learning | |
CN115409812A (zh) | 一种基于融合时间注意机制的ct图像自动分类方法 | |
Kanawade et al. | A Deep Learning Approach for Pneumonia Detection from X− ray Images | |
Mani | Deep learning models for semantic multi-modal medical image segmentation |
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 |