CN108022647B - 基于ResNet-Inception模型的肺结节良恶性预测方法 - Google Patents

基于ResNet-Inception模型的肺结节良恶性预测方法 Download PDF

Info

Publication number
CN108022647B
CN108022647B CN201711233696.2A CN201711233696A CN108022647B CN 108022647 B CN108022647 B CN 108022647B CN 201711233696 A CN201711233696 A CN 201711233696A CN 108022647 B CN108022647 B CN 108022647B
Authority
CN
China
Prior art keywords
layer
lung nodule
data set
image data
resnet
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
Application number
CN201711233696.2A
Other languages
English (en)
Other versions
CN108022647A (zh
Inventor
齐守良
刘力瑶
杨帆
赵歆卓
张白桦
钱唯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201711233696.2A priority Critical patent/CN108022647B/zh
Publication of CN108022647A publication Critical patent/CN108022647A/zh
Application granted granted Critical
Publication of CN108022647B publication Critical patent/CN108022647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提出一种基于ResNet‑Inception模型的肺结节良恶性预测方法，获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行预处理，得到训练图像数据集、验证图像数据集和预测图像数据集；建立基于ResNet‑Inception模型的肺结节图像分类模型；将预测图像数据集输入基于ResNet‑Inception模型的肺结节图像分类模型的最终形式中，得到预测图像数据集中肺结节图像的肺结节良恶性预测结果。本发明方法设计了新的网络结构模型，根据肺结节CT图像即可获得该肺结节的良恶性预测。

Description

基于ResNet-Inception模型的肺结节良恶性预测方法
技术领域
本发明属于医学图像处理技术领域，具体涉及一种基于ResNet-Inception模型的肺结节良恶性预测方法。
背景技术
肺部疾病在医学影像上的病灶通常表现是肺结节，根据模式识别等方法的不断研究，人们提出了利用计算机来辅助放射科医生来检测肺结节的技术，即计算机辅助诊断(Computer Aided Diagnosis，CAD)系统。在CAD中涉及到用一些常见的算法进行评估或分类，例如神经网络、k-means或支持向量机等算法。但是传统算法的主要缺点是提取的特征只是局部区域，对于常见的方差等特征不够稳健。基于数据集的差异性，目前深度学习算法已被广泛应用到CAD系统中。
近些年，随机梯度下降方法成为训练深度网络的主流方法。在2015年，微软亚研院的何凯明提出了一种新型的网络结构，称作ResNet(Residual Network)。它功能强大，在多项视觉比赛中均取得第一名的好成绩，比如ImageNet检测、ImageNet定位任务、COCO检测任务和COCO分割任务等。在ILSVRC2010年左右还主要是浅层网络，大部分需要手动调教特征。在2012年的ILSVRC比赛中出现了8层的AlexNet网络，它降低了10％的错误率。随后在2014年的ILSVRC比赛中出现的VGGNet和GoogleNet也是取得了优异的成绩，它们分别用19层和22层将错误率也降低到了7.3％和6.7％。到了2015年的ILSVRC比赛，出现的ResNet将卷积层增加到了152层，将错误率降到了3.57％。ResNet网络可以被看作是并行和串行多个模块的结合。ResNet网络的上部分的输入和输出一样，看上去有点像RNN，因此它可以被看作是一个很好的生物神经网络模型。根据ResNet网络结构模型可以直观的发现它有两个重要的思想，第一个是跳跃式连接方法，第二个则是Batch Normalization层的使用。
在以往的网络结构中，我们发现每个卷积层都会用一个尺寸的卷积核进行卷积，然后再输入下一层。但是在GoogLeNet中提出，如果只采用一个尺寸的卷积核是可能学习到的特征并不完整，它希望可以将多尺度卷积核多学习的特征一起输入到下一层。但是这样会产生巨大的数据计算量，因此在GoogLeNet网络的最初模型Inception-v2中，提出的Inception结构的主要思想是在计算量增加的多个地方进行维度缩减，即是增加几个1×1的卷积核来用于减少计算，还可以修正线性激活函数值。
发明内容
针对现有技术的不足，本发明提出一种基于ResNet-Inception模型的肺结节良恶性预测方法。
一种基于ResNet-Inception模型的肺结节良恶性预测方法，包括以下步骤：
步骤1：获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行预处理，得到训练图像数据集、验证图像数据集和预测图像数据集；
步骤1.1：获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行结节区域分割，并进行裁剪，得到裁剪后的肺结节图像；
步骤1.2：将裁剪后的肺结节图像进行划分得到训练图像数据集、验证图像数据集和预测图像数据集；
步骤1.3：将各数据集中的肺结节图像旋转至四个不同方向，获取各个肺结节图像的四个方向矢量上的图像，得到预处理后的训练图像数据集、验证图像数据集和预测图像数据集。
步骤2：建立基于ResNet-Inception模型的肺结节图像分类模型；
所述基于ResNet-Inception模型的肺结节图像分类模型结构为：
第一层依次为卷积层C1、Batch Normalization层BN1、Scale层Scale1和激活函数层ReLU1；
第二层为最大池化层P1；
第三层采用Inception-v2模型中的Inception结构，并行四个卷积层，第一个卷积层Ca1后连接有激活函数层ReLU1，第二个卷积层Ca2后连接有激活函数层ReLU2、卷积层C2和激活函数层ReLU3，第三个卷积层Ca3后连接有激活函数层ReLU4、卷积层C3和激活函数层ReLU5，第四个卷积层Ca4前接一个最大池化层P2，第四个卷积层Ca4后接一个激活函数层ReLU6；四个并行卷积层均连接Concat层；
第四层为最大池化层P3；
第五层采用ResNet模型中的跳跃式连接方式，两个并行的卷积层通过Elwise层和激活函数层ReLU8连接，第一个卷积层Ca5后连接Batch Normalization层BN2和Scale层Scale2，第二个卷积层C4后连接Batch Normalization层BN3、Scale层Scale3和激活函数层ReLU7，之后连接卷积层C5，之后连接Batch Normalization层BN4和Scale层Scale4；
第六层为平均池化层P4；
第七层为Dropout层；
第八层为全连接层F1。
步骤3：将训练图像数据集和验证图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型，训练基于ResNet-Inception模型的肺结节图像分类模型的训练参数，从而获取基于ResNet-Inception模型的肺结节图像分类模型的最终形式；
步骤4：将预测图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型的最终形式中，得到预测图像数据集中肺结节图像的肺结节良恶性预测结果。
本发明的有益效果：
本发明提出一种基于ResNet-Inception模型的肺结节良恶性预测方法，本发明方法将ResNet中的Batch Normalization层和跳跃式连接方式与GoogLeNet中的Inception结构相结合起来设计了新的网络结构模型，根据肺结节CT图像即可获得该肺结节的良恶性预测，支撑医生进行诊断和后续管理方案决策，降低漏诊断和过诊断概率，为受检者提供精准医疗服务。
附图说明
图1为本发明具体实施方式中基于ResNet-Inception模型的肺结节良恶性预测方法的流程图；
图2为本发明具体实施方式中基于ResNet-Inception模型的肺结节图像分类模型的结构示意图；
图3为本发明具体实施方式中绘制预测结果ROC曲线。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
一种基于ResNet-Inception模型的肺结节良恶性预测方法，如图1所示，包括以下步骤：
步骤1：获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行预处理，得到训练图像数据集、验证图像数据集和预测图像数据集。
步骤1.1：获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行结节区域分割，并进行裁剪，得到裁剪后的肺结节图像。
本实施方式中，在肺部图像数据库联盟(LIDC-IDRI)中获取已知肺结节区域的具有标签的肺结节图像700个。根据四名放射科医师的真实标签，对具有标签的肺结节图像进行结节区域分割，得到最小的边界矩形，将图像进行裁剪，裁剪成53×53的图像。
步骤1.2：将裁剪后的肺结节图像进行划分得到训练图像数据集、验证图像数据集和预测图像数据集。
本实施方式中，将裁剪后的肺结节图像平均分为十份，其比例是8∶1∶1，分别作为训练图像数据集、验证图像数据集和预测图像数据集。在此基础上做扩充不会造成数据泄露，这样会使结果的准确性更值得信赖。
步骤1.3：将各数据集中的肺结节图像旋转至四个不同方向，获取各个肺结节图像的四个方向矢量上的图像，得到预处理后的训练图像数据集、验证图像数据集和预测图像数据集。
本实施方式中，以各数据集中的肺结节图像为中心，将每个的肺结节图像旋转到四个不同的方向，获取各个肺结节图像的四个方向矢量上的图像，每个矢量代表一个方向上的一个感兴趣区域，向量中的所有像素值被下采样到8位。从这700个肺结节图像，生成了17441个样本图像。根据四名放射科医师提供的恶性肿瘤水平，计算四名放射科医师的平均评分，最后根据平均评分做出最终的真实标签。所有中间等级的病例(3级)都被消除，剩余11484个样本图像用于分类。其中具有良性标签的样本图像5500例，具有恶性标签的样本图像5984例。
步骤2：建立基于ResNet-Inception模型的肺结节图像分类模型。
本实施方式中，建立基于ResNet-Inception模型的肺结节图像分类模型，如图2所示，
第一层依次为卷积层C1、Batch Normalization层BN1、Scale层Scale1和激活函数层ReLU1。
本实施方式中，第一层中，卷积层C1尺寸为7×7，步长为2，边缘扩充为3，仿照ResNet网络在卷积层后面加一个归一化层，即在后面紧跟着一个Batch Normalization层BN1、Scale层Scale1和激活函数层ReLU1。
第二层为最大池化层P1。
本实施方式中，第二层中，最大池化层P1尺寸为3×3，步长为2。
第三层采用Inception-v2模型中的Inception结构，并行四个卷积层，第一个卷积层Ca1后连接有激活函数层ReLU1，第二个卷积层Ca2后连接有激活函数层ReLU2、卷积层C2和激活函数层ReLU3，第三个卷积层Ca3后连接有激活函数层ReLU4、卷积层C3和激活函数层ReLU5，第四个卷积层Ca4前接一个最大池化层P2，第四个卷积层Ca4后接一个激活函数层ReLU6；四个并行卷积层均连接Concat层。
本实施方式中，第三层中，把它归为一个Inception结构，它仿照Inception-v2结构，按照GoogLeNet中第一个Inception的尺寸设置方法，并行四个尺寸为1×1的卷积层，第一个卷积层Ca1尺寸为1×1，有64个卷积核，后连接有激活函数层ReLU1，第二个卷积层Ca2尺寸为1×1，有96个卷积核，后连接有激活函数层ReLU2、尺寸为3×3有128个卷积核的卷积层C2和激活函数层ReLU3，第三个卷积层Ca3尺寸为1×1有16个卷积核，后连接有激活函数层ReLU4、尺寸为5×5有32个卷积核的卷积层C3和激活函数层ReLU5，第四个卷积层Ca4尺寸为1×1，有32个卷积核，前接一个3×3的最大池化层P2，第四个卷积层Ca4后接一个激活函数层ReLU6；四个并行卷积层均连接Concat层。将并行的四个64个、128个、32个和32个卷积核个数合并为一个256个卷积核数作为输出。
第四层为最大池化层P3。
本实施方式中，第四层中，最大池化层P3尺寸为7×7。
第五层采用ResNet模型中的跳跃式连接方式，两个并行的卷积层通过Elwise层和激活函数层ReLU8连接，第一个卷积层Ca5后连接Batch Normalization层BN2和Scale层Scale2，第二个卷积层C4后连接Batch Normalization层BN3、Scale层Scale3和激活函数层ReLU7，之后连接卷积层C5，之后连接Batch Normalization层BN4和Scale层Scale4。
本实施方式中，第五层中，第一个卷积层Ca5尺寸为1×1、有64个卷积核，第二个卷积层C4尺寸为3×3、有64个卷积核，卷积层C5尺寸为3×3、有64个卷积核。
第六层为平均池化层P4。
本实施方式中，第六层中，平均池化层P4尺寸为7×7，步长设定为1。
第七层为Dropout层。
第八层为全连接层F1。
步骤3：将训练图像数据集和验证图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型，训练基于ResNet-Inception模型的肺结节图像分类模型的训练参数，从而获取基于ResNet-Inception模型的肺结节图像分类模型的最终形式。
步骤4：将预测图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型的最终形式中，得到预测图像数据集中肺结节图像的肺结节良恶性预测结果。
得到预测结果，绘制预测结果ROC曲线，如图3所示。

Claims (2)

1.一种基于ResNet-Inception模型的肺结节良恶性预测方法，其特征在于，包括以下步骤：
步骤1：获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行预处理，得到训练图像数据集、验证图像数据集和预测图像数据集；
步骤2：建立基于ResNet-Inception模型的肺结节图像分类模型；
步骤3：将训练图像数据集和验证图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型，训练基于ResNet-Inception模型的肺结节图像分类模型的训练参数，从而获取基于ResNet-Inception模型的肺结节图像分类模型的最终形式；
步骤4：将预测图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型的最终形式中，得到预测图像数据集中肺结节图像的肺结节良恶性预测结果；
所述基于ResNet-Inception模型的肺结节图像分类模型结构为：
第一层依次为卷积层C1、Batch Normalization层BN1、Scale层Scalel和激活函数层ReLU1；
第二层为最大池化层P1；
第三层采用Inception-v2模型中的Inception结构，并行四个卷积层，第一个卷积层Ca1后连接有激活函数层ReLU1，第二个卷积层Ca2后连接有激活函数层ReLU2、卷积层C2和激活函数层ReLU3，第三个卷积层Ca3后连接有激活函数层ReLU4、卷积层C3和激活函数层ReLU5，第四个卷积层Ca4前接一个最大池化层P2，第四个卷积层Ca4后接一个激活函数层ReLU6；四个并行卷积层均连接Concat层；
第四层为最大池化层P3；
第五层采用ResNet模型中的跳跃式连接方式，两个并行的卷积层通过Elwise层和激活函数层ReLU8连接，第一个卷积层Ca5后连接Batch Normalization层BN2和Scale层Scale2，第二个卷积层C4后连接Batch Normalization层BN3、Scale层Scale3和激活函数层ReLU7，之后连接卷积层C5，之后连接Batch Normalization层BN4和Scale层Scale4；
第六层为平均池化层P4；
第七层为Dropout层；
第八层为全连接层F1。
2.根据权利要求1所述的基于ResNet-Inception模型的肺结节良恶性预测方法，其特征在于，所述步骤1包括以下步骤：
步骤1.1：获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行结节区域分割，并进行裁剪，得到裁剪后的肺结节图像；
步骤1.2：将裁剪后的肺结节图像进行划分得到训练图像数据集、验证图像数据集和预测图像数据集；
步骤1.3：将各数据集中的肺结节图像旋转至四个不同方向，获取各个肺结节图像的四个方向矢量上的图像，得到预处理后的训练图像数据集、验证图像数据集和预测图像数据集。
CN201711233696.2A 2017-11-30 2017-11-30 基于ResNet-Inception模型的肺结节良恶性预测方法 Active CN108022647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711233696.2A CN108022647B (zh) 2017-11-30 2017-11-30 基于ResNet-Inception模型的肺结节良恶性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711233696.2A CN108022647B (zh) 2017-11-30 2017-11-30 基于ResNet-Inception模型的肺结节良恶性预测方法

Publications (2)

Publication Number Publication Date
CN108022647A CN108022647A (zh) 2018-05-11
CN108022647B true CN108022647B (zh) 2022-01-25

Family

ID=62077600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711233696.2A Active CN108022647B (zh) 2017-11-30 2017-11-30 基于ResNet-Inception模型的肺结节良恶性预测方法

Country Status (1)

Country Link
CN (1) CN108022647B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544563B (zh) * 2018-11-12 2021-08-17 北京航空航天大学 一种面向违禁物安检的被动毫米波图像人体目标分割方法
CN109559297B (zh) * 2018-11-15 2023-04-11 大连大学 一种基于三维区域生成网络的肺结节检测的方法
CN109493342B (zh) * 2018-12-13 2021-02-09 杭州电子科技大学 一种基于深度学习的皮肤病图片病变类型分类方法
CN109801285A (zh) * 2019-01-28 2019-05-24 太原理工大学 一种基于U-Net分割及ResNet训练的乳腺X线图像的处理方法
CN109886346A (zh) * 2019-02-26 2019-06-14 四川大学华西医院 一种心肌mri图像分类系统
CN110222726A (zh) * 2019-05-15 2019-09-10 北京字节跳动网络技术有限公司 图像处理方法、装置及电子设备
RU2707510C1 (ru) * 2019-06-27 2019-11-27 Федеральное государственное бюджетное образовательное учреждение высшего образования "Сибирский государственный медицинский университет" Министерства здравоохранения Российской Федерации Способ прогнозирования течения саркоидоза органов дыхания по морфологическому строению гранулемы
CN110738235B (zh) * 2019-09-16 2023-05-30 平安科技（深圳）有限公司 肺结核判定方法、装置、计算机设备及存储介质
CN111310783B (zh) * 2020-01-05 2022-08-30 天津大学 基于脑电微状态特征与神经网络模型的言语状态检测方法
CN111539306B (zh) * 2020-04-21 2021-07-06 中南大学 基于激活表达可替换性的遥感图像建筑物识别方法
CN111709425A (zh) * 2020-05-26 2020-09-25 漳州卫生职业学院 一种基于特征迁移的肺部ct图像分类方法
CN111815592A (zh) * 2020-06-29 2020-10-23 郑州大学 一种肺结节检测模型的训练方法
CN112862837B (zh) * 2021-01-27 2023-06-23 南京信息工程大学 一种基于卷积神经网络的图像处理方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101556650A (zh) * 2009-04-01 2009-10-14 东北大学 一种分布式自适应肺结节计算机检测方法及系统
US9691019B1 (en) * 2017-03-07 2017-06-27 Google Inc. Depth concatenation using a matrix computation unit
CN106971198A (zh) * 2017-03-03 2017-07-21 北京市计算中心 一种基于深度学习的尘肺病等级判定方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101556650A (zh) * 2009-04-01 2009-10-14 东北大学 一种分布式自适应肺结节计算机检测方法及系统
CN106971198A (zh) * 2017-03-03 2017-07-21 北京市计算中心 一种基于深度学习的尘肺病等级判定方法及系统
US9691019B1 (en) * 2017-03-07 2017-06-27 Google Inc. Depth concatenation using a matrix computation unit

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
3D multi-view convolutional neural networks for lung nodule classification;Guixia Kang,etc.;《PLoS ONE》;20171116;第1-21页 *
一种基于蚁群算法特征建模与分类的肺结节检测方法;郭薇等;《系统仿真学报》;20100508(第05期);全文 *

Also Published As

Publication number Publication date
CN108022647A (zh) 2018-05-11

Similar Documents

Publication Publication Date Title
CN108022647B (zh) 基于ResNet-Inception模型的肺结节良恶性预测方法
Mohanakurup et al. Breast cancer detection on histopathological images using a composite dilated Backbone Network
US10909682B2 (en) Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium
JP6547069B2 (ja) 物体検出のためのサブカテゴリ認識機能付き畳み込みニューラルネットワーク
Li et al. Deep learning based gastric cancer identification
CN111325739B (zh) 肺部病灶检测的方法及装置，和图像检测模型的训练方法
Hosseini et al. Review of medical image classification using the adaptive neuro-fuzzy inference system
Naresh et al. Early detection of lung cancer using neural network techniques
CN111784701B (zh) 结合边界特征增强和多尺度信息的超声图像分割方法及系统
CN112365973B (zh) 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统
US11684333B2 (en) Medical image analyzing system and method thereof
US20220237789A1 (en) Weakly supervised multi-task learning for cell detection and segmentation
Li et al. MultiR-net: a novel joint learning network for COVID-19 segmentation and classification
CN112990214A (zh) 一种医学图像特征识别预测模型
Liu et al. Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement
Zhou et al. Hierarchical pathology screening for cervical abnormality
Chi et al. MID-UNet: Multi-input directional UNet for COVID-19 lung infection segmentation from CT images
Lin et al. Pulmonary nodule detection based on IR-UNet++
Sengodan et al. Early detection and classification of malignant lung nodules from CT images: an optimal ensemble learning
Qi et al. Wdls: Deep level set learning for weakly supervised aeroengine defect segmentation
CN116245832B (zh) 一种图像处理方法、装置、设备及存储介质
Krishnakumar et al. Optimal Trained Deep Learning Model for Breast Cancer Segmentation and Classification
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
Aryal et al. Context-aware self-supervised learning of whole slide images
Zaki et al. Graph-based methods for cervical cancer segmentation: Advancements, limitations, and future directions

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