CN108010013A - 一种肺ct图像肺结节检测方法 - Google Patents
一种肺ct图像肺结节检测方法 Download PDFInfo
- Publication number
- CN108010013A CN108010013A CN201711072977.4A CN201711072977A CN108010013A CN 108010013 A CN108010013 A CN 108010013A CN 201711072977 A CN201711072977 A CN 201711072977A CN 108010013 A CN108010013 A CN 108010013A
- Authority
- CN
- China
- Prior art keywords
- lung
- image
- deep learning
- training
- doubtful
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种肺CT图像肺结节检测方法,所述检测方法包括以下步骤:通过最大类间方差法对肺部CT图像进行分割,从分割后的肺部CT图像中提取肺实质,通过开操作去除噪声,并从肺实质中提取疑似结节;对真实肺结节点和疑似肺结节点,分别标记,制作成标签数据,供后续深度学习训练做准备;利用深度学习模型对肺结节点图像进行训练和测试,在训练过程中使用深度学习框架caffe,并利用GPU加速技术进行计算,节约运算时间。本发明减少了人工提取特征过程和操作流程,保证网络提取到的特征为高层特征,是抽象特征的组合描述。同时深度学习技术相较于传统方法在训练和测试过程具有更高的准确性。
Description
技术领域
本发明涉及计算机辅助医疗诊断领域,尤其涉及一种肺CT图像肺结节检测方法。
背景技术
肺癌是最常见的肺原发性恶性肿瘤,近半个世纪以来,世界各国特别是人口密集的工业发达国家,肺癌的发病率和死亡率迅速上升。随着工业化的发展,在我国肺癌的发病率和死亡率明显上升。肺癌和其他疾病一样,也是从一般到特殊,从正常到恶变,从分子、细胞到系统和全身的发展过程。肺癌到中晚期确诊,患者一般失去了治疗的最佳时期,而早期诊断肺癌后患者的生存率会有大幅提升,肺癌的早期诊断和治疗对提高患者生存率意义重大。随着医学影像学的不断发展,各种成像工具,如核磁共振、正电子发射计算机断层扫描等的产生为肺癌的早期诊断提供了重要依据。
CT是目前检测肺结节较好的影像学方法,CT扫描产生的图像往往可以达到几百层,但巨大的CT影像阅读量和较小的结节点使诊断医生的工作强度大幅度攀升,容易引起疲劳,进而导致阅读效率和质量下降,造成一定几率的误诊、漏诊。
为了减轻放射医师的阅片负担和由于阅片疲劳给放射医师正确诊断带来的困难,计算机辅助诊断系统对解决上述问题具有非常大的优势,越来越受到研究人员的重视。计算机辅助诊断是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段,结合计算机的分析计算,辅助发现病灶,提高诊断的准确率。因此计算机辅助检测肺结节的技术有助于医生在不确定的情况下,给予比较公正的第三方参考意见。
传统的计算机辅助诊断识别肺结节的基本思路是肺实质分割,提取疑似结节区域,肺结节的自动识别。其中肺实质分割通常采用的算法为基于阈值的分割方法、基于区域生长的分割方法、基于边缘检测的分割方法、基于各相关学科一些新理论的分割方法,如遗传算法,模拟退火算法,神经网络方法等。疑似结节区域的提取方法包括用迭代阈值法、基于聚类的方法、基于分类的方法、基于形态学的方法、基于形状的方法等。肺结节的自动识别过程包括特征提取和分类检测。
传统的肺结节自动识别过程中特征选择是由手工提取特征,包括:CT图像的灰度特征、纹理特征、形态特征等。分类算法包括SVM(支持向量机)、贝叶斯分类器、线性判别分类器等,识别过程为提取特征,分类器训练,测试。
发明人在实现本发明的过程中,发现现有技术中至少存在以下缺点和不足:
1、传统的肺结节自动识别过程需要人工进行特征提取,对于特征提取者要求较高,需要有丰富的经验,人工设计特征提取方法。但是提取到的特征区分度不明显,不仅需要判断这些区域的大小、位置、形状、密度、边缘、纹理等因素,还要分析上下文环境,这对疑似结节特征的提取提高了要求。
2、疑似结节的提取涉及肺实质的分割、感兴趣区域的提取。肺部CT图像中存在支气管、血管等,这些对肺实质分割、疑似结节提取造成了极大的困难。特别是和肺结节外观非常相似的血管,造成提取的感兴趣区域有大量的假阳性,增加了肺结节识别的难度。
发明内容
本发明提供了一种肺CT图像肺结节检测方法,本发明基于深度学习技术,根据CT图像的特点利用最大类间方差法进行图像中肺实质提取,并对提取出的肺实质提取疑似肺结节,最后利用深度学习模型根据肺结节点图像进行训练和测试,最终达到计算机辅助诊断的目的,详见下文描述:
一种肺CT图像肺结节检测方法,所述检测方法包括以下步骤:
通过最大类间方差法对肺部CT图像进行分割,从分割后的肺部CT图像中提取肺实质,通过开操作去除噪声,并从肺实质中提取疑似结节;
对真实肺结节点和疑似肺结节点,分别标记,制作成标签数据,供后续深度学习训练做准备;
利用深度学习模型对肺结节点图像进行训练和测试。
其中,所述深度学习模型为深度学习网络AlexNet。
本发明提供的技术方案的有益效果是:
1、使用最大类间方差法处理CT图像,可以快速有效地分割出肺实质区域,是提取疑似肺结节点的基础,减少了提取疑似节点过程中提取肺部外侧节点的可能性,降低了非病灶节点对实验过程的影响;
2、在应用深度学习训练图像过程中,利用GPU加速计算技术,大大减少图像训练样本和验证数据集的时间,极大提升了图像处理效率;
3、将深度学习技术应用于肺部CT图像结节点识别,减少了人工提取特征过程和操作流程,保证网络提取到的特征为高层特征,是抽象特征的组合描述。同时深度学习技术相较于传统方法在训练和测试过程具有更高的准确性。
附图说明
图1为一种肺CT图像肺结节检测方法的流程图;
图2为病人肺部CT图像;
图3为图像预处理结果图;
其中,(a)为原始CT图像;(b)为最大类间方差法分割后的二进制图像;(c)为开运算后图像;(d)为提取疑似肺结节图像。
图4为两幅疑似肺结节点图像;
图5为两幅肺结节点图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实施例1
基于深度学习技术的肺部CT图像辅助诊断技术的主要流程可以分为两个部分:肺部CT图像中肺实质分割和疑似结节提取、深度学习训练与测试,参见图1,该方法的流程如图1所示,详见下文描述:
101:通过最大类间方差法对肺部CT图像进行分割,从分割后的肺部CT图像中提取肺实质,通过开操作去除噪声,并从肺实质中提取疑似结节;
102:对真实肺结节点和疑似肺结节点,分别标记,制作成标签数据,供后续深度学习训练做准备;
103:利用深度学习模型对肺结节点图像进行训练和测试。
其中,步骤103中的深度学习模型为深度学习网络AlexNet。
综上所述,本发明实施例通过上述步骤101-步骤103根据CT图像的特点利用最大类间方差法进行图像中肺实质提取,并对提取出的肺实质提取疑似肺结节,最后利用深度学习模型根据肺结节点图像进行训练和测试,最终达到计算机辅助诊断的目的。
实施例2
下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍,详见下文描述:
201:通过最大类间方差法对肺部CT图像进行分割,从分割后的肺部CT图像中提取肺实质,通过开操作去除噪声,并从肺实质中提取疑似结节;
图像阈值分割是传统和最常用的图像分割方法。它是最基础和最广泛使用的分割技术,因为它的实现简单,计算量少,性能稳定。在许多情况下,它是图像分析,特征提取和模式识别所必需的图像预处理过程。图像阈值化的目的是根据灰度级划分像素集合,并且每个子集被形成为具有对应于真实场景的区域。每个区域都具有一致的属性。可以通过从灰度级选择一个或多个阈值来实现这种划分。图像分割包括基于区域的方法,基于边缘的方法等。基于区域的方法仍然广泛应用于肺CT图像,并具有良好的表现。基于共同区域的方法包括区域增长方法,阈值法,聚类方法等。阈值主要包括迭代阈值法,最大类间方差法和熵法。
最大类间方差是一种自适应阈值法,它寻求最佳阈值,使目标类和背景类得到最佳分离,由类的方差表示。假设图像大小为M*N,灰度级为L=[1,2,...,L],则像素的概率分布为灰色直方图:
其中,ni为灰度级为i的像素点的个数。
概率pi的总和为1,图像分为两类C0和C1,灰度级分别为[1,2,...,k],[k+1,k+2...,L],则每一类的概率为:
其中,
定义这两个类的平均灰度级:
其中,μ为整个图像的平均灰度级。
其中,C0和C1的内方差和为:
为了评估灰度k对于目标类和背景类的分离性能,引入了评估标准来定义两类方差的加权和:
具有最大方差的灰度阈值k是最优分割阈值。肺部图像处理包括肺实质分割和疑似结节提取。图像由最大类间方差法提取肺实质,并通过开操作去除噪声。然后,在肺实质中提取疑似淋巴结。
202:对真实肺结节点和疑似肺结节点,分别标记,制作成标签数据,供后续深度学习训练做准备;
通过该步骤的处理,利用GPU加速计算技术,减少图像训练样本和验证数据集的时间,极大提升了图像处理效率。
203:利用深度学习模型对标记的肺结节点图像数据(即标签数据)进行训练和测试。
神经网络由多个感知器互相连接而成,整个网络包含:输入层、隐含层和输出层。在多层网络结构模型中,卷积神经网络是第一个能真正成功训练的多层网络,利用卷积和池化操作降低需要学习的参数数量。
不同于深度置信网络,卷积神经网络属于区分性训练算法。其中,每一个图像块作为多层结构网络的可视层输入,在卷积层中通过一组滤波器和非线性层变换,提取出图像局部特征。
为了减少需要训练的权值数量,引入了其他优化方法:权值共享。经过卷积层得到的特征向量通常维数较大,冗余信息很多,易引起计算过拟合。因而在这层的不同位置对特征进行汇聚统计的降采样操作,即池化。通过组合多层卷积层和池化层形成的深度学习模型能够获取到对平移、缩放和旋转不变的观测样本的显著特征。利用卷积神经网络提取特征向量,通常提取高层网络特征,此时获取的特征已经是抽象特征的组合描述。需要训练一个用于提取特征向量的神经网络模型。神经网络模型是深度学习的核心,也是实验的基础。不同的网络模型有不同的特点,本发明实施例选取AlexNet来提取特征。
AlexNet共8层,前5层是卷积层,后3层为全连接层。首层为卷积层,在三个通道上采用11×11的卷积模板,间隔为4个像素的采样频率上对图像进行卷积操作。得到基本的卷积数据,进行一次ReLU和Norm变换,随后进行池化,得到规模为13×13×96的结果作为输出传入下一层。第二层仍是卷积层,处理过程与第一层类似,利用第一层的输出结果作为输入,经过卷积、ReLU、Norm和池化,输出结果规模为13×13×256。四个卷积层处理过程基本相同,与前两层不同,处理过程仅是卷积和ReLU,第四层输出数据规模为13×13×324。第五层与一至四层均不同,在第三层的基础上增加了池化操作,与一、二层相比,去掉Norm的过程,输出数据规模变为6×6×256。经过五个卷积过程,第六层进入全连接层,全连接后达到4096个节点,本层最终节点为4096个。第七层fc7是上一个全连接层fc6进行ReLU后,进行dropout进行全连接的结果,本层节点数量为4096个。最后一层全连接层fc8是上一个fc7再次进行ReLU以及dropout后进行全连接的结果。最后输出为融合label的softmax loss。
综上所述,本发明实施例通过上述步骤201-步骤203根据CT图像的特点利用最大类间方差法进行图像中肺实质提取,并对提取出的肺实质提取疑似肺结节,最后利用深度学习模型根据肺结节点图像进行训练和测试,最终达到计算机辅助诊断的目的。
实施例3
下面结合具体的实验数据、附图对实施例1和2中的方案进行进一步地介绍,详见下文描述:
本次实验数据为高危患者的低剂量肺部CT影像(mhd格式)数据,每个影像包含一系列胸腔的多个轴向切片。原始图像为三维图像,由不同数量的二维图像组成。所有CT影像数据严格按照国际通行的医疗信息脱敏标准,由医院进行脱敏处理。采用图像处理算法将每张二维图像转换为png格式图像,以便于后续处理。
实验中选择不同患者的多个肺切片,尽可能涵盖患者较多的肺部信息,使数据样本可以有更好的表现。将每张二维图像利用最大类间方差法提取出肺实质,并在肺实质中选取真实的肺节点和疑似肺节点若干,分别作为标记。使用深度学习框架Caffe作为深度学习处理工具,深度学习网络AlexNet作为上述图像训练模型。训练前将感兴趣区域图片扩冲到227*227的规模,使其适合作为网络输入。将标记数据作为神经网络输入,进行有监督学习,得到肺节点自动识别模型。
通过上述表格中的数据可以看出,本发明实施例提供的方法得到的实验效果要远好于现有技术中的方法,提高了识别率。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种肺CT图像肺结节检测方法,其特征在于,所述检测方法包括以下步骤:
通过最大类间方差法对肺部CT图像进行分割,从分割后的肺部CT图像中提取肺实质,通过开操作去除噪声,并从肺实质中提取疑似结节;
对真实肺结节点和疑似肺结节点,分别标记,制作成标签数据,供后续深度学习训练做准备;
利用深度学习模型对肺结节点图像进行训练和测试,在训练过程中使用深度学习框架caffe,并利用GPU加速技术进行计算,节约运算时间。
2.根据权利要求1所述的一种肺CT图像肺结节检测方法,其特征在于,所述深度学习模型为深度学习网络AlexNet。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711072977.4A CN108010013A (zh) | 2017-11-03 | 2017-11-03 | 一种肺ct图像肺结节检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711072977.4A CN108010013A (zh) | 2017-11-03 | 2017-11-03 | 一种肺ct图像肺结节检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108010013A true CN108010013A (zh) | 2018-05-08 |
Family
ID=62052116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711072977.4A Pending CN108010013A (zh) | 2017-11-03 | 2017-11-03 | 一种肺ct图像肺结节检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108010013A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765408A (zh) * | 2018-05-31 | 2018-11-06 | 杭州同绘科技有限公司 | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 |
CN109255354A (zh) * | 2018-10-15 | 2019-01-22 | 天津大学 | 面向医用ct的计算机图像处理方法和装置 |
CN109816667A (zh) * | 2019-01-21 | 2019-05-28 | 杭州英库医疗科技有限公司 | 一种基于ct影像的肺结节分割方法 |
CN110059697A (zh) * | 2019-04-29 | 2019-07-26 | 上海理工大学 | 一种基于深度学习的肺结节自动分割方法 |
CN110246126A (zh) * | 2019-06-14 | 2019-09-17 | 吉林大学第一医院 | 一种从肺部ct图像中提取末端支气管树的方法 |
WO2019238104A1 (zh) * | 2018-06-16 | 2019-12-19 | 深圳市前海安测信息技术有限公司 | 实现肺结节图像分类检测的计算机装置及方法 |
CN110766659A (zh) * | 2019-09-24 | 2020-02-07 | 西人马帝言(北京)科技有限公司 | 医学图像识别方法、装置、设备和介质 |
CN111160413A (zh) * | 2019-12-12 | 2020-05-15 | 天津大学 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
CN111563523A (zh) * | 2019-02-14 | 2020-08-21 | 西门子医疗有限公司 | 利用机器训练的异常检测的copd分类 |
CN113344887A (zh) * | 2021-06-16 | 2021-09-03 | 南通大学 | 一种基于深度学习与模糊逻辑的间质性肺炎评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090103797A1 (en) * | 2007-10-18 | 2009-04-23 | Lin Hong | Method and system for nodule feature extraction using background contextual information in chest x-ray images |
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
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 |
-
2017
- 2017-11-03 CN CN201711072977.4A patent/CN108010013A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090103797A1 (en) * | 2007-10-18 | 2009-04-23 | Lin Hong | Method and system for nodule feature extraction using background contextual information in chest x-ray images |
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
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 |
Non-Patent Citations (2)
Title |
---|
乐毅: "《深度学习-caffe之经典模型详解与实战》", 31 December 2016 * |
黑啸吉: "基于低剂量CT图像的肺结节分割算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765408A (zh) * | 2018-05-31 | 2018-11-06 | 杭州同绘科技有限公司 | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 |
CN108765408B (zh) * | 2018-05-31 | 2021-09-10 | 杭州同绘科技有限公司 | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 |
WO2019238104A1 (zh) * | 2018-06-16 | 2019-12-19 | 深圳市前海安测信息技术有限公司 | 实现肺结节图像分类检测的计算机装置及方法 |
CN109255354A (zh) * | 2018-10-15 | 2019-01-22 | 天津大学 | 面向医用ct的计算机图像处理方法和装置 |
CN109255354B (zh) * | 2018-10-15 | 2021-08-31 | 天津大学 | 面向医用ct的计算机图像处理方法和装置 |
CN109816667A (zh) * | 2019-01-21 | 2019-05-28 | 杭州英库医疗科技有限公司 | 一种基于ct影像的肺结节分割方法 |
CN111563523A (zh) * | 2019-02-14 | 2020-08-21 | 西门子医疗有限公司 | 利用机器训练的异常检测的copd分类 |
CN111563523B (zh) * | 2019-02-14 | 2024-03-26 | 西门子医疗有限公司 | 利用机器训练的异常检测的copd分类 |
CN110059697A (zh) * | 2019-04-29 | 2019-07-26 | 上海理工大学 | 一种基于深度学习的肺结节自动分割方法 |
CN110246126A (zh) * | 2019-06-14 | 2019-09-17 | 吉林大学第一医院 | 一种从肺部ct图像中提取末端支气管树的方法 |
CN110766659A (zh) * | 2019-09-24 | 2020-02-07 | 西人马帝言(北京)科技有限公司 | 医学图像识别方法、装置、设备和介质 |
CN111160413A (zh) * | 2019-12-12 | 2020-05-15 | 天津大学 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
CN111160413B (zh) * | 2019-12-12 | 2023-11-17 | 天津大学 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
CN113344887A (zh) * | 2021-06-16 | 2021-09-03 | 南通大学 | 一种基于深度学习与模糊逻辑的间质性肺炎评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108010013A (zh) | 一种肺ct图像肺结节检测方法 | |
CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
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 | |
CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
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 | |
CN112465827B (zh) | 一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法 | |
Bai et al. | Liver tumor segmentation based on multi-scale candidate generation and fractal residual network | |
Li et al. | Lung nodule detection with deep learning in 3D thoracic MR images | |
CN110310281A (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
CN105719295B (zh) | 一种基于三维超体素的颅内出血区域分割方法及系统 | |
CN111931811B (zh) | 一种基于超像素图像相似度的计算方法 | |
CN107506761A (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
CN108898175A (zh) | 基于深度学习胃癌病理切片的计算机辅助模型构建方法 | |
CN109978037A (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
CN109461163A (zh) | 一种用于磁共振标准水模的边缘检测提取算法 | |
Yao et al. | Pneumonia Detection Using an Improved Algorithm Based on Faster R‐CNN | |
CN114693933A (zh) | 基于生成对抗网络和多尺度特征融合的医学影像分割装置 | |
Sammouda | Segmentation and analysis of CT chest images for early lung cancer detection | |
EP4118617A1 (en) | Automated detection of tumors based on image processing | |
Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
Shao et al. | Application of U-Net and Optimized Clustering in Medical Image Segmentation: A Review. | |
CN110570405A (zh) | 一种基于混合特征的肺结节智能诊断方法 | |
CN117392389A (zh) | 基于mt-sass网络的肾癌mri图像分割分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |