CN108171700A - 基于对抗网络的医学图像肺结节检测方法 - Google Patents
基于对抗网络的医学图像肺结节检测方法 Download PDFInfo
- Publication number
- CN108171700A CN108171700A CN201810028896.2A CN201810028896A CN108171700A CN 108171700 A CN108171700 A CN 108171700A CN 201810028896 A CN201810028896 A CN 201810028896A CN 108171700 A CN108171700 A CN 108171700A
- Authority
- CN
- China
- Prior art keywords
- network
- data set
- medical image
- obtains
- confrontation
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Abstract
本发明公开了一种基于对抗网络的医学图像肺结节检测方法,主要解决现有技术对医学图像肺结节遮挡情况而导致检测精度低的问题。其实现方案为:1)对医学图像进行数据预处理,获取样本数据集;2)对样本数据集进行缩放和裁剪的处理,并对处理后的所有样本中加入高斯噪声,组成扩充后的样本数据集;3)将Faster‑RCNN检测器与对抗空间丢弃网络ASDN进行叠加,构建基于对抗网络的新型检测器;4)利用样本数据集对新型检测器进行训练,得到训练好的新型检测模型;5)用训练好的检测模型对测试数据集进行肺结节检测,得到每张医学图像中的肺结节检测结果。本发明提高了对医学图像肺结节的检测精度,可用于计算机辅助诊断系统。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种医学图像肺结节的检测方法,可用于计算机辅助诊断系统。
背景技术
肺结节是肺癌最重要的早期征象之一,根据肺结节的病变特征能推断出肺部病灶的病变特性。所以,对肺部疾病患者进行及早的肺结节检测和治疗是降低肺癌死亡率的关键措施。肺癌因其高发病率、高死亡率已成为癌症中最为致命的肿瘤疾病,随着人们生活习惯的改变和环境的日益恶化,肺癌人群日益增加,社会对此关注度也日益重视。结合肺结节的医学特性,利用深度学习技术对医学图像进行处理和研究,能为医生提供有用的参考信息,辅助医生及时地对肺部疾病患者做出准确的诊断。
现有的肺癌计算机辅助诊断主要流程包括:肺结节的特征提取和肺结节的分类识别。在特征提取环节,对肺结节的形态学特征、纹理特征、局部特征等方面的病理特征和图像信息进行人工提取特征。人工提取特征的步骤繁琐,效率低。分类识别方法通常是基于统计学得到的,例如贝叶斯分类算法、人工神经网络、模糊聚类等。这些方法共同的理论基础是传统统计学,均属于浅层结构模型,通常需要强的先验知识或者需要通过不同的特征尝试和参数选择才能得到满意的特征,给整个分类问题带来复杂性。现有的医学图像肺结节的检测流程复杂繁琐,检测精度较低,且不能实现端对端网络的肺结节检测。
Setio等人于2016年提出了“Pulmonary Nodule Detection in CT Images:FalsePositive Reduction Using Multi-View Convolutional Networks”,该方法将传统的方法与深度学习方法相结合,设计了一种多视角的二维卷积神经网络,取得了不错的检测效果,检测准确度较高。但该方法由于仍采用传统方法来推荐候选结节,未能充分利用深度学习的优势,虽说提高了检测精度,但仍然不能实现端对端网络的肺结节检测。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于对抗网络的医学图像肺结节检测方法,以通过对抗网络与目标检测器的相互对抗学习,提高肺结节图像的检测精度,且实现端对端网络的肺结节检测。
本发明的技术方案设计这样实现的:
一.技术原理
生成对抗网络是一种生成模型,它包括生成器网络和判别器网络。让这两个网络相互竞争,并通过生成器网络不断捕捉训练库里真实图像的概率分布,将输入的随机噪声转变成新的样本;通过判别器网络同时观察真实和假造的数据,判断数据是否为真;通过对两组模型的不断训练,使生成器不断生成新的结果,两个网络相互交替优化,直到生成器生成的样本与原始样本没有区别,从而提高检测精度。
二.根据上述原理,本发明的技术方案包括如下:
(1)从肺部图像数据库联盟LIDC的原始数据集随机选取100个病例的图像,通过读取原始数据集的XML格式注释文件,提取出肺结节坐标信息,并用病例图像和肺结节坐标信息组成样本数据集;
(2)对样本数据集进行缩放和裁剪的预处理,并对预处理后的所有样本进行复制,在复制后的样本中加入高斯噪声,组成扩充后的样本数据集;
(3)将Faster-RCNN检测器与对抗空间丢弃网络ASDN进行叠加,得到基于对抗网络的新型检测器;
(4)用步骤2的样本数据集对新型检测器进行训练,得到训练好的检测模型;
(5)用训练好的检测模型对测试数据集中每张医学图像进行测试,得到每张医学图像中的肺结节检测结果。
本发明具有如下优点:
第一,本发明针对现有的含肺结节医学图像数据量较少的情况,对含有肺结节目标的数据引入高斯噪声进行数据扩充,可使网络结构学习更多的特征,解决了数据量不足的问题。
第二,本发明利用Faster-RCNN检测器和对抗空间丢弃网络进行目标检测,通过对抗空间丢弃网络生成遮挡特征,提高检测器对医学图像肺结节遮挡情况的鲁棒性,提高检测精度。
第三,本发明将生成遮挡特征、提取候选框、检测与识别三个工作过程集成于同一网络结构,实现了端对端网络的医学图像检测。
附图说明
图1是本发明的实现流程图;
图2是用本发明对单张图像的检测结果图。
具体实施方式
以下参照图1,对本发明的具体实施方式和效果做进一步描述。
步骤1,获取医学图像。
从肺部图像数据库联盟LIDC的原始数据集随机选取100个病例的图像,通过读取原始数据集的XML格式注释文件,提取出肺结节坐标信息,并用病例图像和肺结节坐标信息组成样本数据集。
步骤2,引入高斯噪声,扩充数据样本集。
对数据样本集进行数据扩充,即对数据样本进行缩放和裁剪,并对所有样本进行复制,在复制后的数据样本中加入高斯噪声,组成扩充后的样本数据集,具体实现如下:
(2a)通过自适应裁剪含肺结节的图像:在含肺结节的图像中定位结节中心,将其作为裁剪中心点,对结节进行裁剪,并将裁剪后的图像扩大成512*512像素,构成原始数据样本图像;
(2b)对(2a)中原始数据样本图像均加入均值为0和方差为0.02的高斯噪声,得到新数据样本图像;
(2c)用(2a)中原始数据样本图像与(2b)中新数据样本图像组成扩充后的数据样本集。
步骤3,根据Faster-RCNN检测器和对抗空间丢弃网络ASDN,构建基于对抗网络的新型检测器。
所述Faster-RCNN检测器,包括:用于特征提取的卷积网络,用于生成候选窗口的区域建议网络,用于得到目标类别和边界框的分类网络;
所述对抗空间丢弃网络ASDN,其工作过程如下:
首先,医学图像经过特征提取,得到大小为d×d×c的深层特征X,其中d是空间维度,c是通道数,使用这个深层特征X作为对抗空间丢弃网络的输入,在深层特征X上生成一个掩码M,其中Mij是掩码M的第i行和第j列的值;
其次,根据Mij的值,确定深层特征X的第i行和第j列的所有通道的值:
如果Mij=1,则删除深层特征X的第i行和第j列的所有通道值,即Xijk=0;
如果Mij=0,则深层特征X的第i行和第j列的所有通道值Xijk保持不变,其中Xijk是深层特征X的第k通道的第i行和第j列的值。
本步骤是通过Faster-RCNN检测器与对抗空间丢弃网络ASDN的叠加实现,即将Faster-RCNN检测器的卷积网络生成的深层特征作为对抗空间丢弃网络的输入,将卷积网络的输出端与对抗空间丢弃网络的输入端相连接;将对抗空间丢弃网络的输出作为Faster-RCNN检测器的分类网络的输入,并将对抗空间丢弃网络的输出端与分类网络的输入端相连接,得到基于对抗网络的新型检测器。
步骤4,训练新型检测器。
(4a)用步骤2得到的样本数据集迭代训练Faster-RCNN检测器10000次,得到Faster-RCNN检测器的模型;
(4b)以(4a)产生的模型作为预训练模型,用样本数据集迭代训练对抗空间丢弃网络ASDN网络10000次,得到对抗空间丢弃网络ASDN预训练模型;
(4b1)对医学图像进行特征提取,得到大小为d×d的特征图Xp,其中d是空间维度;设定大小为的滑动窗口,将滑动窗口在特征图上移动,并将特征图中空间位置被覆盖的值丢弃掉,得到多个新特征图;
(4b2)将(4b1)中得到的新特征图送到分类器中判别,得到相应的损失值,并从中选择损失值最高的特征图;
(4b3)将所选损失值最高的特征图和与其对应的掩码M组成n对训练样本{(X1,M1),...,(Xn,Mn)};
(4b4)根据训练样本,计算二进制交叉熵损失值:
其中Aij(Xp)是对输入特征图Xp的第i行和第j列的ASDN网络的输出,是对输入特征图Xp的第i行和第j列中掩码M的值,n是通道数;
(4b5)使用(4b4)中的二进制交叉熵损失值L对抗空间丢弃网络ASDN网络进行迭代训练10000次,得到对抗空间丢弃网络ASDN预训练模型;
(4c)将(4a)中的Faster-RCNN检测器模型和(4b)中的对抗空间丢弃网络ASDN预训练模型进行权重参数复制,得到初始化联合模型;
(4d)以(4c)产生的初始化联合模型作为预训练模型,用步骤2获得的样本数据集对新型检测器迭代训练60000次,得到最终的检测模型。
步骤5,肺结节检测。
用训练好的检测模型对测试数据集中每张医学图像进行测试,得到每张医学图像中的肺结节检测结果,具体实现如下:
(5a)将测试数据集中的单张图像数据输入到训练好的检测模型,得到特征提取网络的特征图;
(5b)对(5a)中得到的特征图通过区域建议网络生成建议框,选取最高得分的建议框,即得到一个感兴趣区域;
(5c)将感兴趣区域输入到分类网络中,得到图像中肺结节的检测结果。
本发明的效果可通过以下仿真结果进一步说明。
1.仿真条件:
仿真实验采用的数据样本集是在肺部图像数据库联盟LIDC数据集中随机选取的100个病例图像。仿真实验的目的是检测出医学图像中的肺结节目标,得到测试数据集的检测平均精度。
仿真实验的计算机环境:操作系统为Linux ubuntu 14.04版本;软件平台为:MatlabR2014b、Python、caffe。
2.仿真内容与结果分析:
仿真1,用本发明对测试数据集中每张医学图像进行测试,得到单张医学图像中的肺结节检测结果,如图2所示。
从图2可见,本发明能够正确的检测出医学图像中肺结节目标,检测肺结节目标的概率值是0.957。
仿真2,用本发明与现有的Faster-RCNN检测器、Fast-RCNN检测器和A-Fast-RCNN检测器分别利用训练好的检测模型对测试数据集中每张医学图像进行测试,将每种检测器都迭代训练60000次,得到检测器对测试数据集的检测平均精度,如表1。
表1 Fast-RCNN、Faster-RCNN、A-Fast-RCNN检测器与本发明的检测平均精度参数
检测器 | 检测平均精度 |
Fast-RCNN | 47.75% |
Faster-RCNN | 80.60% |
A-Fast-RCNN | 49.56% |
本发明 | 81.75% |
从表1可见,使用本发明方法对医学图像进行肺结节检测能够获得较精确的结果。
Claims (6)
1.基于对抗网络的医学图像肺结节检测方法,包括:
(1)从肺部图像数据库联盟LIDC的原始数据集随机选取100个病例的图像,通过读取原始数据集的XML格式注释文件,提取出肺结节坐标信息,并用病例图像和肺结节坐标信息组成样本数据集;
(2)对样本数据集进行缩放和裁剪的预处理,并对预处理后的所有样本进行复制,在复制后的样本中加入高斯噪声,组成扩充后的样本数据集;
(3)将Faster-RCNN检测器与对抗空间丢弃网络ASDN进行叠加,得到基于对抗网络的新型检测器;
(4)用步骤2的样本数据集对新型检测器进行训练,得到训练好的检测模型;
(5)用训练好的检测模型对测试数据集中每张医学图像进行测试,得到每张医学图像中的肺结节检测结果。
2.根据权利要求1所述的方法,其特征在于:步骤(2)中加入的高斯噪声,其均值为0,方差为0.02。
3.根据权利要求1所述的方法,其特征在于:步骤(3)中的Faster-RCNN检测器,包括:用于特征提取的卷积网络,用于生成候选窗口的区域建议网络,用于得到目标类别和边界框的分类网络。
4.根据权利要求1所述的方法,其特征在于:步骤(3)中的对抗空间丢弃网络ASDN其工作过程如下:
(3a)医学图像经过特征提取,得到大小为d×d×c的深层特征X,其中d是空间维度,c是通道数,使用这个深层特征X作为对抗空间丢弃网络的输入,在深层特征X上生成一个掩码M,其中Mij是掩码M的第i行和第j列的值;
(3b)根据Mij的值,确定深层特征X的第i行和第j列的所有通道的值:
如果Mij=1,则删除深层特征X的第i行和第j列的所有通道值,即Xijk=0;
如果Mij=0,则深层特征X的第i行和第j列的所有通道值Xijk保持不变,其中Xijk是深层特征X的第k通道的第i行和第j列的值。
5.根据权利要求1或3或4所述的方法,其特征在于:步骤(3)中将Faster-RCNN检测器与对抗空间丢弃网络ASDN进行叠加,是将Faster-RCNN检测器的卷积网络生成的深层特征作为对抗空间丢弃网络的输入,将卷积网络的输出端与对抗空间丢弃网络的输入端相连接;将对抗空间丢弃网络的输出作为Faster-RCNN检测器的分类网络的输入,并将对抗空间丢弃网络的输出端与分类网络的输入端相连接,得到基于对抗网络的新型检测器。
6.根据权利要求1所述的方法,其特征在于:步骤(4)中对新型检测器进行训练,按如下步骤进行:
(4a)用样本数据集迭代训练Faster-RCNN检测器10000次,得到Faster-RCNN检测器的模型;
(4b)以(4a)产生的模型作为预训练模型,用样本数据集迭代训练对抗空间丢弃网络ASDN网络10000次,得到对抗空间丢弃网络ASDN预训练模型;
(4b1)对医学图像进行特征提取,得到大小为d×d的特征图Xp,其中d是空间维度;设定大小为的滑动窗口,将滑动窗口在特征图上移动,并将特征图中空间位置被覆盖的值丢弃掉,得到多个新特征图;
(4b2)将(4b1)中得到的新特征图送到分类器中判别,得到相应的损失值,并从中选择损失值最高的特征图;
(4b3)将所选损失值最高的特征图和与其对应的掩码M组成n对训练样本{(X1,M1),...,(Xn,Mn)};
(4b4)对(4b3)中的训练样本使用二进制交叉熵损失值L来迭代训练对抗空间丢弃网络ASDN网络10000次,得到对抗空间丢弃网络ASDN预训练模型,
其中:是对输入特征图Xp的第i行和第j列的ASDN网络的输出,是对输入特征图Xp的第i行和第j列中掩码M的值,n是通道数;
(4c)将(4a)中的Faster-RCNN检测器模型和(4b)中的对抗空间丢弃网络ASDN预训练模型进行权重参数复制,得到初始化联合模型;
(4d)以(4c)产生的初始化联合模型作为预训练模型,用(2)获得的样本数据集对新型检测器迭代训练60000次,得到最终的检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810028896.2A CN108171700A (zh) | 2018-01-12 | 2018-01-12 | 基于对抗网络的医学图像肺结节检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810028896.2A CN108171700A (zh) | 2018-01-12 | 2018-01-12 | 基于对抗网络的医学图像肺结节检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108171700A true CN108171700A (zh) | 2018-06-15 |
Family
ID=62514427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810028896.2A Pending CN108171700A (zh) | 2018-01-12 | 2018-01-12 | 基于对抗网络的医学图像肺结节检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171700A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109089040A (zh) * | 2018-08-20 | 2018-12-25 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置及终端设备 |
CN109146857A (zh) * | 2018-08-02 | 2019-01-04 | 常州市第二人民医院 | 胸部ct影像的肺结节自检测方法 |
CN109300107A (zh) * | 2018-07-24 | 2019-02-01 | 深圳先进技术研究院 | 磁共振血管壁成像的斑块处理方法、装置和计算设备 |
CN109583302A (zh) * | 2018-10-29 | 2019-04-05 | 杭州电子科技大学 | 一种移动机器人可行区域训练数据集扩充方法 |
CN110097103A (zh) * | 2019-04-22 | 2019-08-06 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
CN110176302A (zh) * | 2019-04-17 | 2019-08-27 | 南京医科大学 | 利用生成对抗网络模型的下肢力线智能标定确认方法 |
CN110516747A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于对抗生成网络和自编码结合的肺结节良恶性分类方法 |
CN110570417A (zh) * | 2019-09-12 | 2019-12-13 | 慧影医疗科技(北京)有限公司 | 肺结节分类方法、装置及图像处理设备 |
CN110969606A (zh) * | 2019-11-29 | 2020-04-07 | 华中科技大学 | 一种纹理表面缺陷检测方法及系统 |
CN110993094A (zh) * | 2019-11-19 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 一种基于医学图像的智能辅助诊断方法及终端 |
CN111784593A (zh) * | 2020-06-04 | 2020-10-16 | 广东省智能制造研究所 | 一种面向深度学习的肺结节ct图像数据增强方法及系统 |
CN111833348A (zh) * | 2020-08-10 | 2020-10-27 | 上海工程技术大学 | 一种基于图像处理的血管沉积物自动检测方法 |
CN112116546A (zh) * | 2019-06-19 | 2020-12-22 | 西门子医疗有限公司 | 类别感知的对抗肺结节合成 |
CN112241766A (zh) * | 2020-10-27 | 2021-01-19 | 西安电子科技大学 | 基于样本生成和迁移学习的肝脏ct图像多病变分类方法 |
CN112669284A (zh) * | 2020-12-29 | 2021-04-16 | 天津大学 | 一种利用生成对抗网络来实现肺结节检测的方法 |
CN113591864A (zh) * | 2021-07-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 文本识别模型框架的训练方法、装置及系统 |
-
2018
- 2018-01-12 CN CN201810028896.2A patent/CN108171700A/zh active Pending
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300107A (zh) * | 2018-07-24 | 2019-02-01 | 深圳先进技术研究院 | 磁共振血管壁成像的斑块处理方法、装置和计算设备 |
CN109146857A (zh) * | 2018-08-02 | 2019-01-04 | 常州市第二人民医院 | 胸部ct影像的肺结节自检测方法 |
CN109089040B (zh) * | 2018-08-20 | 2021-05-14 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置及终端设备 |
CN109089040A (zh) * | 2018-08-20 | 2018-12-25 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置及终端设备 |
CN109583302B (zh) * | 2018-10-29 | 2020-09-18 | 杭州电子科技大学 | 一种移动机器人可行区域训练数据集扩充方法 |
CN109583302A (zh) * | 2018-10-29 | 2019-04-05 | 杭州电子科技大学 | 一种移动机器人可行区域训练数据集扩充方法 |
CN110176302A (zh) * | 2019-04-17 | 2019-08-27 | 南京医科大学 | 利用生成对抗网络模型的下肢力线智能标定确认方法 |
CN110097103A (zh) * | 2019-04-22 | 2019-08-06 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
CN112116546A (zh) * | 2019-06-19 | 2020-12-22 | 西门子医疗有限公司 | 类别感知的对抗肺结节合成 |
CN110516747A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于对抗生成网络和自编码结合的肺结节良恶性分类方法 |
CN110570417A (zh) * | 2019-09-12 | 2019-12-13 | 慧影医疗科技(北京)有限公司 | 肺结节分类方法、装置及图像处理设备 |
CN110993094A (zh) * | 2019-11-19 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 一种基于医学图像的智能辅助诊断方法及终端 |
CN110969606A (zh) * | 2019-11-29 | 2020-04-07 | 华中科技大学 | 一种纹理表面缺陷检测方法及系统 |
CN110969606B (zh) * | 2019-11-29 | 2023-08-08 | 华中科技大学 | 一种纹理表面缺陷检测方法及系统 |
CN111784593A (zh) * | 2020-06-04 | 2020-10-16 | 广东省智能制造研究所 | 一种面向深度学习的肺结节ct图像数据增强方法及系统 |
CN111833348A (zh) * | 2020-08-10 | 2020-10-27 | 上海工程技术大学 | 一种基于图像处理的血管沉积物自动检测方法 |
CN111833348B (zh) * | 2020-08-10 | 2023-07-14 | 上海工程技术大学 | 一种基于图像处理的血管沉积物自动检测方法 |
CN112241766A (zh) * | 2020-10-27 | 2021-01-19 | 西安电子科技大学 | 基于样本生成和迁移学习的肝脏ct图像多病变分类方法 |
CN112669284A (zh) * | 2020-12-29 | 2021-04-16 | 天津大学 | 一种利用生成对抗网络来实现肺结节检测的方法 |
CN113591864A (zh) * | 2021-07-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 文本识别模型框架的训练方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171700A (zh) | 基于对抗网络的医学图像肺结节检测方法 | |
CN107016665B (zh) | 一种基于深度卷积神经网络的ct肺结节检测方法 | |
CN109948459B (zh) | 一种基于深度学习的足球动作评估方法与系统 | |
CN107103187A (zh) | 基于深度学习的肺结节检测分级与管理的方法及系统 | |
CN108389201B (zh) | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 | |
CN107492095A (zh) | 基于深度学习的医学图像肺结节检测方法 | |
CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
CN106446933B (zh) | 基于上下文信息的多目标检测方法 | |
CN108334899A (zh) | 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法 | |
CN110503654A (zh) | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 | |
CN110766051A (zh) | 一种基于神经网络的肺结节形态学分类方法 | |
CN106485695A (zh) | 基于统计形状模型的医学图像Graph Cut分割方法 | |
CN106778005A (zh) | 基于多参数mri的前列腺癌计算机辅助检测方法及系统 | |
CN106156793A (zh) | 结合深层特征提取和浅层特征提取的医学图像分类方法 | |
CN108010013A (zh) | 一种肺ct图像肺结节检测方法 | |
CN108205806A (zh) | 一种锥束ct图像三维颅面结构的自动解析方法 | |
CN109872296A (zh) | 一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法 | |
CN109671068A (zh) | 一种基于深度学习的腹部肌肉标注方法及装置 | |
CN107507197A (zh) | 一种基于聚类算法和卷积神经网络的肺实质提取方法 | |
CN107480607A (zh) | 一种智能录播系统中站立人脸检测定位的方法 | |
CN108717693A (zh) | 一种基于rpn的视盘定位方法 | |
CN108846416A (zh) | 显著图像的提取处理方法及系统 | |
CN106897572A (zh) | 基于流形学习的肺结节病例匹配辅助检测系统及其工作方法 | |
CN104182755A (zh) | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 | |
Bhuvaneswari et al. | Classification of lung diseases by image processing techniques using computed tomography images |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180615 |
|
WD01 | Invention patent application deemed withdrawn after publication |