CN108230323A - 一种基于卷积神经网络的肺结节假阳性筛选方法 - Google Patents
一种基于卷积神经网络的肺结节假阳性筛选方法 Download PDFInfo
- Publication number
- CN108230323A CN108230323A CN201810092249.8A CN201810092249A CN108230323A CN 108230323 A CN108230323 A CN 108230323A CN 201810092249 A CN201810092249 A CN 201810092249A CN 108230323 A CN108230323 A CN 108230323A
- Authority
- CN
- China
- Prior art keywords
- lung neoplasm
- lung
- sample
- coordinate
- convolutional neural
- 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.)
- Granted
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
- 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
- G06T2207/10—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
- G06T2207/20—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
- G06T2207/30—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 Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于卷积神经网络的肺结节假阳性筛选方法,包括:(1)获得肺结节检测模型输出的肺结节检测结果;(2)对肺结节检测结果进行标记生成样本;(3)根据样本和原始肺部CT图像构建数据集合;(4)将数据集合中的每个数据对的坐标x进行8个方向的随机偏移,偏移尺度为0.5X;(5)对数据集合中的每个数据对,根据样本对原始肺部CT图像进行裁剪,获得不同尺寸的训练样本,并对训练样本进行增广处理;(6)构建卷积神经网络;(7)利用3中尺寸的训练样本对卷积神经网路进行训练,获得三个肺结节假阳性筛选模型;(8)利用肺结节假阳性筛选模型对待测样本进行预测,输出预测结果。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于卷积神经网络的肺结节假阳性筛选方法。
背景技术
深度学习方法在图像处理领域取得了巨大的成就,这也为医疗图像数据应用深度学习技术识别特征部位提供了可能。目前,以深度学习为基础的CAD(computer aideddiagnosis)系统,在识别并分割CT图像中的器官、特征区域等方面具有广泛的应用。
现有的机器学习方法对肺部CT图像的肺结节识别结果中,包含较大比例的假阳性结果,即将不具备肺结节特征的区域预测为肺结节阳性,导致降低检测结果准确率的降低。
发明内容
本发明的发明目的是提供一种基于卷积神经网络的肺结节假阳性筛选方法,该方法能够将肺结节假阳性筛选出来,提升肺结节特征区域预测的准确性。
为实现上述发明目的,本发明提供以下技术方案:
一种基于卷积神经网络的肺结节假阳性筛选方法,包括以下步骤:
(1)肺结节检测模型输出的肺结节检测结果(坐标x,直径r,概率p),每个检测结果对应一个真实标签(坐标X,直径R);
(2)对肺结节检测结果进行标记生成样本(坐标x,直径r,标签Y);
(3)将样本(坐标x,直径r,标签Y)与原始肺部CT图像进行组合,形成数据对(坐标x,直径r,标签Y,原始肺部CT图像),组成数据集合;
(4)将数据集合中的每个数据对的坐标x进行8个方向的随机偏移,偏移尺度为0.5X;
(5)对于数据集合中的每个数据对,根据坐标x,直径r,从原始肺部CT图像中以坐标x为中心,裁剪出尺寸分别为32*32*32、64*64*64、96*96*96的CT切片,作为训练样本,并对训练样本进行增广处理;
(6)构建卷积神经网络,所述卷积神经网络包括依次连接的5个卷积层、1个池化层、1个全连接层以及SoftMax函数层;
(7)利用尺寸为32*32*32的训练样本对卷积神经网络进行训练,获得第一肺结节假阳性筛选模型;利用尺寸为64*64*64的训练样本对卷积神经网络进行训练,获得第二肺结节假阳性筛选模型;利用尺寸为96*96*96的训练样本对卷积神经网络进行训练,获得第三肺结节假阳性筛选模型;
(8)将待测肺部CT图像分别裁剪为32*32*32、64*64*64、96*96*96尺寸的CT切片,分别将不同尺寸的CT切片输入到与尺寸对应的第一肺结节假阳性筛选模型、第二肺结节假阳性筛选模型以及第三肺结节假阳性筛选模型,得到第一预测结果、第二预测结果以及第三预测结果,对三个预测结果求平均值,获得最终预测结果。
其中,步骤(2)的具体步骤为:
(2-1)去掉概率p<0.7的肺结节检测结果;
(2-2)对于每一个概率p≥0.7的肺结节检测结果,若坐标x与坐标X的距离<2R,则该肺结节检测结果为正样本,否则为负样本。
步骤(2)的具体步骤为:
(2-1’)将真实标签对应的肺结节检测结果作为正样本;
(2-2’)对于每一个概率p≥0.7的肺结节检测结果,若坐标x与坐标X的距离≥2R,则该肺结节检测结果为负样本。具体地,正负样本比例为3:1。
具体地,所述对训练样本进行增广处理包括:对训练样本进行随机反转、随机旋转、以及随机缩中一种或多种处理。
与现有技术相比,本发明具有的有益效果为:
利用多个尺度的输入信息,获得更加丰富的结节特征,综合每个模型的分类结果,使最终的假阳性筛选结果召回率更高。
附图说明
图1是实施例提供的基于卷积神经网络的肺结节假阳性筛选方法的流程示意图;
图2是实施例提供的肺结节检测模型的结构示意图;
图3是实施例提供的残差单元I的结构示意图;
图4是实施例提供的残差单元II的结构示意图;
图5是实施例提供的卷积神经网络的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1是实施例提供的基于卷积神经网络的肺结节假阳性筛选方法的流程示意图。如图1所示,本实施例提供的肺结节假阳性筛选方法包括以下步骤:
S101,获得肺结节检测模型输出的肺结节检测结果(坐标x,直径r,概率p)。每个检测结果对应一个真实标签(坐标X,直径R);
肺结节检测模型可以为现有的任何形式的模型,只要能够对肺结节进行检测,输出检测结果(坐标x,直径r,概率p)就可以。
本实施例中,采用的肺结节检测模型如图2所示,包括所述肺结节分割网络包括依次连接的128*128*24卷积单元201、64*64*32残差卷积单元202、32*32*64残差卷积单元203、16*16*64残差卷积单元204、8*8*64残差卷积单元205、16*16*64残差卷积单元206,16*16*64残差卷积单元206的输出特征图与16*16*64残差卷积单元204输出特征图按照通道拼接后输入至32*32*64残差卷积单元207,32*32*64残差卷积单元207输出特征图与32*32*64残差卷积单元203输出特征图按照通道拼接后,输入至RPN网络208以实现对输入图的肺结节检测。
128*128*24卷积单元201与所有的残差卷积单元均用于对输入图进行特征提取。
图2中,R代表拼接操作,即32*32*64残差卷积单元207输出特征图与32*32*64残差卷积单元203输出特征图按照通道进行拼接操作。
64*64*32残差卷积单元202中包含三个依次连接的32维输入的残差单元I,如图3所示,每个残差单元I包括依次连接的32维输入、8维输出、卷积核为1×1的卷积层,8维输入、8维输出、卷积核为3×3的卷积层,8维输入、32维输出、卷积核为1×1的卷积层,每个卷积层均用于特征提取,三个卷积层级联的输出特征图和输入特征图间相加后,再经过RELU函数激活。
32*32*64残差卷积单元203、16*16*64残差卷积单元204、8*8*64残差卷积单元205均包括三个依次连接的64维输入的残差单元II。如图4所示,每个残差单元II包括依次连接的64维输入、16维输出、卷积核为1×1的卷积层,16维输入、16维输出、卷积核为3×3的卷积层,16维输入、64维输出、卷积核为1×1的卷积层,每个卷积层均用于特征提取,三个卷积层级联的输出特征图和输入特征图间相加后,再经过RELU函数激活。
16*16*64残差卷积单元206和32*32*64残差卷积单元207均包括两个依次连接的64维输入的残差单元II。
上述形如m*m*n均表示输入和输入图片尺寸为m*m,通道数为n。例如:128*128*24卷积单元表示输入和输出图片尺寸为128*128,通道数为24。
RPN(Region Proposal Networks)网络208为区域建议网络,由2个连续的卷积层构成,用于提取针对目标问题的高置信度区域。RPN网络208用于对输入的特征图进行计算,输出矩形目标建议框的集合以及每个建议框的预测得分。对于本实施例,RPN网络208对输入的肺结节特征图进行计算,输出预测的肺结节坐标,直径以及概率,实现对输入图片的分类和回归。
每个检测结果对应一个真实标签(坐标X,直径R)是原始CT图像的真实标签,是训练肺结节检测模型所需的真实输出。
S102,对肺结节检测结果进行标记生成样本(坐标x,直径r,标签Y)。
具体地,使用两种方法生成样本:
第一种方法:去掉概率p<0.7的肺结节检测结果,在剩下的数据中,对于每一个概率p≥0.7的肺结节检测结果,若坐标x与坐标X的距离<2R,则该肺结节检测结果为正样本,否则为负样本;
第二种方法:将真实标签对应的肺结节检测结果作为正样本;对于每一个概率p≥0.7的肺结节检测结果,若坐标x与坐标X的距离≥2R,则该肺结节检测结果为负样本,正负样本比例为3:1;
按照1:1的比例混合第一种方法生成的样本和第二种方法生成的样本。
S103,根据样本和原始肺部CT图像构建数据集合。
具体地,将样本(坐标x,直径r,标签Y)与原始肺部CT图像进行组合,形成数据对(坐标x,直径r,标签Y,原始肺部CT图像),组成数据集合。
S104,将数据集合中的每个数据对的坐标x进行8个方向的随机偏移,偏移尺度为0.5X。
S105,对数据集合中的每个数据对,根据样本对原始肺部CT图像进行裁剪,获得不同尺寸的训练样本,并对训练样本进行增广处理。
具体地,对于每个数据对,根据坐标x,直径r,从原始肺部CT图像中以坐标x为中心,裁剪出尺寸分别为32*32*32、64*64*64、96*96*96的CT切片,该切片即为卷积神经网络的训练样本,用于筛除肺结节假阳性。
获得训练样本后,采用随机反转、随机旋转、以及随机缩中一种或多种处理,对训练样本进行数据增广,以丰富训练集内容。
S106,构建卷积神经网络,如图5所示,卷积神经网络包括依次连接的卷积层501、卷积层502、卷积层503、卷积层504、卷积层505、全局平均池化层(global averagepooling)506、全连接层(Fc)507以及SoftMax函数层508。
具体地,卷积层501的尺寸为图片为128*128*128、通道数为24,卷积层502的尺寸为图片为64*64*64、通道数为32,卷积层503的尺寸为图片为32*32*32、通道数为64,卷积层504的尺寸为图片为16*16*16、通道数为64,卷积层505的尺寸为图片为8*8*8、通道数为64。网络内部的卷积操作均使用残差卷积模式操作,每个卷积层均用于特征提取,这样的卷积层尺寸的设置能够增加特征提取的丰富性,提升特征提取性能。卷积层505的输出特征图通过一个全局平均池化层506对数据进行子抽样,最后通过全连接层507以及SoftMax函数层508输出预测结果。
S107,利用3中尺寸的训练样本对卷积神经网路进行训练,获得三个肺结节假阳性筛选模型。
具体地,利用尺寸为32*32*32的训练样本对卷积神经网络进行训练,获得第一肺结节假阳性筛选模型;
利用尺寸为64*64*64的训练样本对卷积神经网络进行训练,获得第二肺结节假阳性筛选模型;
利用尺寸为96*96*96的训练样本对卷积神经网络进行训练,获得第三肺结节假阳性筛选模型。
网络的收敛条件:连续的3个epoch的损失函数平均值均低于前一个epoch的损失函数值。
S108,利用肺结节假阳性筛选模型对待测样本进行预测,输出预测结果。
具体地,首先,将待测肺部CT图像分别裁剪为32*32*32、64*64*64、96*96*96尺寸的CT切片。
然后,将32*32*32的CT切片输入到第一肺结节假阳性筛选模型,经计算获得第一预测结果;将64*64*64的CT切片输入到第二肺结节假阳性筛选模型,经计算获得第二预测结果;将96*96*96的CT切片输入到第三肺结节假阳性筛选模型,经计算获得第三预测结果。
最后,对三个预测结果求平均值,获得最终预测结果。
同时由于肺结节的大小不一致情况明显,本发明使用三种不同大小尺度的CT切片来进行网络训练,获得三个尺度的肺结节假阳性筛选模型。这样为假阳性的筛选提供了多尺度的依据,进一步提升了筛选准确度。
表1为不同尺寸训练样本对模型的影响比对表。
表1
合并3种尺寸 | 32*32*32 | 64*64*64 | 96*96*96 | |
召回率 | 95% | 85% | 88% | 92% |
收敛所需epoch数 | 60 | 80 | 75 | 70 |
从表可以得到:单独尺寸的训练样本对网络训练的效果均没有合并3种尺寸的训练样本优,合并3种尺寸的训练样本训练得到的模型的召回率为95%,能够发明更多的肺结节,提取能力强,且收敛所需epoch数为60,收敛速度快,预测效果好。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于卷积神经网络的肺结节假阳性筛选方法,包括以下步骤:
(1)获得肺结节检测模型输出的肺结节检测结果(坐标x,直径r,概率p),每个检测结果对应一个真实标签(坐标X,直径R);
(2)对肺结节检测结果进行标记生成样本(坐标x,直径r,标签Y);
(3)将样本(坐标x,直径r,标签Y)与原始肺部CT图像进行组合,形成数据对(坐标x,直径r,标签Y,原始肺部CT图像),组成数据集合;
(4)将数据集合中的每个数据对的坐标x进行8个方向的随机偏移,偏移尺度为0.5X;
(5)对于数据集合中的每个数据对,根据坐标x,直径r,从原始肺部CT图像中以坐标x为中心,裁剪出尺寸分别为32*32*32、64*64*64、96*96*96的CT切片,作为训练样本,并对训练样本进行增广处理;
(6)构建卷积神经网络,所述卷积神经网络包括依次连接的5个卷积层、1个全局平均池化层、1个全连接层以及SoftMax函数层;
(7)利用尺寸为32*32*32的训练样本对卷积神经网络进行训练,获得第一肺结节假阳性筛选模型;利用尺寸为64*64*64的训练样本对卷积神经网络进行训练,获得第二肺结节假阳性筛选模型;利用尺寸为96*96*96的训练样本对卷积神经网络进行训练,获得第三肺结节假阳性筛选模型;
(8)将待测肺部CT图像分别裁剪为32*32*32、64*64*64、96*96*96尺寸的CT切片,分别将不同尺寸的CT切片输入到与尺寸对应的第一肺结节假阳性筛选模型、第二肺结节假阳性筛选模型以及第三肺结节假阳性筛选模型,得到第一预测结果、第二预测结果以及第三预测结果,对三个预测结果求平均值,获得最终预测结果。
2.如权利要求1所述的基于卷积神经网络的肺结节假阳性筛选方法,其特征在于,步骤(2)的具体步骤为:
(2-1)去掉概率p<0.7的肺结节检测结果;
(2-2)对于每一个概率p≥0.7的肺结节检测结果,若坐标x与坐标X的距离<2R,则该肺结节检测结果为正样本,否则为负样本。
3.如权利要求1所述的基于卷积神经网络的肺结节假阳性筛选方法,其特征在于,步骤(2)的具体步骤为:
(2-1’)将真实标签对应的肺结节检测结果作为正样本;
(2-2’)对于每一个概率p≥0.7的肺结节检测结果,若坐标x与坐标X的距离≥2R,则该肺结节检测结果为负样本。
4.如权利要求3所述的基于卷积神经网络的肺结节假阳性筛选方法,其特征在于,正负样本比例为3:1。
5.如权利要求1所述的基于卷积神经网络的肺结节假阳性筛选方法,其特征在于,步骤(2)的具体步骤为:
第一种方法:去掉概率p<0.7的肺结节检测结果,对于每一个概率p≥0.7的肺结节检测结果,若坐标x与坐标X的距离<2R,则该肺结节检测结果为正样本,否则为负样本;
第二种方法:将真实标签对应的肺结节检测结果作为正样本;对于每一个概率p≥0.7的肺结节检测结果,若坐标x与坐标X的距离≥2R,则该肺结节检测结果为负样本,正负样本比例为3:1;
按照1:1的比例混合第一种方法生成的样本和第二种方法生成的样本。
6.如权利要求1所述的基于卷积神经网络的肺结节假阳性筛选方法,其特征在于,所述对训练样本进行增广处理包括:对训练样本进行随机反转、随机旋转、以及随机缩中一种或多种处理。
7.如权利要求1所述的基于卷积神经网络的肺结节假阳性筛选方法,其特征在于,所述5个卷积层的尺寸依次为图片为128*128*128、通道数为24,图片为64*64*64、通道数为32,图片为32*32*32、通道数为64,图片为16*16*16、通道数为64,图片为8*8*8、通道数为64。
8.如权利要求7所述的基于卷积神经网络的肺结节假阳性筛选方法,其特征在于,卷积层内部的卷积操作均使用残差卷积模式操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810092249.8A CN108230323B (zh) | 2018-01-30 | 2018-01-30 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810092249.8A CN108230323B (zh) | 2018-01-30 | 2018-01-30 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108230323A true CN108230323A (zh) | 2018-06-29 |
CN108230323B CN108230323B (zh) | 2021-03-23 |
Family
ID=62670022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810092249.8A Active CN108230323B (zh) | 2018-01-30 | 2018-01-30 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230323B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165658A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨工业大学(威海) | 一种基于Faster-RCNN的强负样本水下目标检测方法 |
CN109492547A (zh) * | 2018-10-24 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 一种结节识别方法、装置和存储介质 |
CN109544534A (zh) * | 2018-11-26 | 2019-03-29 | 上海联影智能医疗科技有限公司 | 一种病灶图像检测装置、方法和计算机可读存储介质 |
CN109685768A (zh) * | 2018-11-28 | 2019-04-26 | 心医国际数字医疗系统(大连)有限公司 | 基于肺部ct序列的肺结节自动检测方法及系统 |
CN109685765A (zh) * | 2018-11-21 | 2019-04-26 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的x光片肺炎结果预测装置 |
CN109801224A (zh) * | 2018-12-04 | 2019-05-24 | 北京奇艺世纪科技有限公司 | 一种图片处理方法、装置、服务器和存储介质 |
CN109961423A (zh) * | 2019-02-15 | 2019-07-02 | 平安科技(深圳)有限公司 | 一种基于分类模型的肺结节检测方法、服务器及存储介质 |
CN109993732A (zh) * | 2019-03-22 | 2019-07-09 | 杭州深睿博联科技有限公司 | 乳腺x线图像的胸肌区域图像处理方法及装置 |
CN110148467A (zh) * | 2019-05-16 | 2019-08-20 | 东北大学 | 一种基于改进cnn的肺结节计算机辅助诊断装置及方法 |
CN110197493A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
CN110705570A (zh) * | 2019-09-20 | 2020-01-17 | 桂林电子科技大学 | 一种图像特征识别方法 |
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 |
CN111144494A (zh) * | 2019-12-27 | 2020-05-12 | 睿魔智能科技(深圳)有限公司 | 物体检测模型训练方法、检测方法、装置、设备及介质 |
CN111784638A (zh) * | 2020-06-04 | 2020-10-16 | 广东省智能制造研究所 | 一种基于卷积神经网络的肺结节假阳性筛除方法及系统 |
CN111798424A (zh) * | 2020-06-30 | 2020-10-20 | 广西医准智能科技有限公司 | 一种基于医学图像的结节检测方法、装置及电子设备 |
CN111916206A (zh) * | 2020-08-04 | 2020-11-10 | 重庆大学 | 一种基于级联的ct影像辅助诊断系统 |
CN112258461A (zh) * | 2020-10-13 | 2021-01-22 | 江南大学 | 一种基于卷积神经网络的肺结节检测方法 |
CN112529870A (zh) * | 2020-12-10 | 2021-03-19 | 重庆大学 | 基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法 |
CN113673706A (zh) * | 2020-05-15 | 2021-11-19 | 富泰华工业(深圳)有限公司 | 机器学习模型训练方法、装置及电子设备 |
CN116012355A (zh) * | 2023-02-07 | 2023-04-25 | 重庆大学 | 一种基于深度学习的自适应假阳性肺结节剔除方法 |
CN116703867A (zh) * | 2023-06-09 | 2023-09-05 | 太原理工大学 | 残差网络与通道注意力协同驱动下的基因突变预测方法 |
CN109961423B (zh) * | 2019-02-15 | 2024-05-31 | 平安科技(深圳)有限公司 | 一种基于分类模型的肺结节检测方法、服务器及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090252395A1 (en) * | 2002-02-15 | 2009-10-08 | The Regents Of The University Of Michigan | System and Method of Identifying a Potential Lung Nodule |
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 |
US20150254842A1 (en) * | 2012-09-13 | 2015-09-10 | The Regents Of The University Of California | System and method for automated detection of lung nodules in medical images |
CN105740875A (zh) * | 2016-03-17 | 2016-07-06 | 电子科技大学 | 一种基于多尺度三维块特征提取的肺结节多轮分类方法 |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
-
2018
- 2018-01-30 CN CN201810092249.8A patent/CN108230323B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090252395A1 (en) * | 2002-02-15 | 2009-10-08 | The Regents Of The University Of Michigan | System and Method of Identifying a Potential Lung Nodule |
US20150254842A1 (en) * | 2012-09-13 | 2015-09-10 | The Regents Of The University Of California | System and method for automated detection of lung nodules in medical images |
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 |
CN105740875A (zh) * | 2016-03-17 | 2016-07-06 | 电子科技大学 | 一种基于多尺度三维块特征提取的肺结节多轮分类方法 |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN109165658B (zh) * | 2018-08-28 | 2021-08-13 | 哈尔滨工业大学(威海) | 一种基于Faster-RCNN的强负样本水下目标检测方法 |
CN109165658A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨工业大学(威海) | 一种基于Faster-RCNN的强负样本水下目标检测方法 |
CN109492547A (zh) * | 2018-10-24 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 一种结节识别方法、装置和存储介质 |
CN109492547B (zh) * | 2018-10-24 | 2022-03-08 | 腾讯科技(深圳)有限公司 | 一种结节识别方法、装置和存储介质 |
CN109685765B (zh) * | 2018-11-21 | 2023-03-14 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的x光片肺炎结果预测装置 |
CN109685765A (zh) * | 2018-11-21 | 2019-04-26 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的x光片肺炎结果预测装置 |
CN109544534B (zh) * | 2018-11-26 | 2020-10-16 | 上海联影智能医疗科技有限公司 | 一种病灶图像检测装置、方法和计算机可读存储介质 |
CN109544534A (zh) * | 2018-11-26 | 2019-03-29 | 上海联影智能医疗科技有限公司 | 一种病灶图像检测装置、方法和计算机可读存储介质 |
US11188773B2 (en) | 2018-11-26 | 2021-11-30 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for detecting region of interset in image |
US11694086B2 (en) | 2018-11-26 | 2023-07-04 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for detecting region of interset in image |
CN109685768A (zh) * | 2018-11-28 | 2019-04-26 | 心医国际数字医疗系统(大连)有限公司 | 基于肺部ct序列的肺结节自动检测方法及系统 |
CN109801224A (zh) * | 2018-12-04 | 2019-05-24 | 北京奇艺世纪科技有限公司 | 一种图片处理方法、装置、服务器和存储介质 |
CN109961423A (zh) * | 2019-02-15 | 2019-07-02 | 平安科技(深圳)有限公司 | 一种基于分类模型的肺结节检测方法、服务器及存储介质 |
CN109961423B (zh) * | 2019-02-15 | 2024-05-31 | 平安科技(深圳)有限公司 | 一种基于分类模型的肺结节检测方法、服务器及存储介质 |
CN109993732A (zh) * | 2019-03-22 | 2019-07-09 | 杭州深睿博联科技有限公司 | 乳腺x线图像的胸肌区域图像处理方法及装置 |
CN110148467A (zh) * | 2019-05-16 | 2019-08-20 | 东北大学 | 一种基于改进cnn的肺结节计算机辅助诊断装置及方法 |
CN110197493A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
CN110705570B (zh) * | 2019-09-20 | 2022-06-21 | 桂林电子科技大学 | 一种图像特征识别方法 |
CN110705570A (zh) * | 2019-09-20 | 2020-01-17 | 桂林电子科技大学 | 一种图像特征识别方法 |
CN111144494A (zh) * | 2019-12-27 | 2020-05-12 | 睿魔智能科技(深圳)有限公司 | 物体检测模型训练方法、检测方法、装置、设备及介质 |
CN113673706A (zh) * | 2020-05-15 | 2021-11-19 | 富泰华工业(深圳)有限公司 | 机器学习模型训练方法、装置及电子设备 |
CN111784638A (zh) * | 2020-06-04 | 2020-10-16 | 广东省智能制造研究所 | 一种基于卷积神经网络的肺结节假阳性筛除方法及系统 |
CN111798424B (zh) * | 2020-06-30 | 2021-02-09 | 广西医准智能科技有限公司 | 一种基于医学图像的结节检测方法、装置及电子设备 |
CN111798424A (zh) * | 2020-06-30 | 2020-10-20 | 广西医准智能科技有限公司 | 一种基于医学图像的结节检测方法、装置及电子设备 |
CN111916206A (zh) * | 2020-08-04 | 2020-11-10 | 重庆大学 | 一种基于级联的ct影像辅助诊断系统 |
CN111916206B (zh) * | 2020-08-04 | 2023-12-08 | 重庆大学 | 一种基于级联的ct影像辅助诊断系统 |
CN112258461A (zh) * | 2020-10-13 | 2021-01-22 | 江南大学 | 一种基于卷积神经网络的肺结节检测方法 |
CN112258461B (zh) * | 2020-10-13 | 2024-04-09 | 江南大学 | 一种基于卷积神经网络的肺结节检测方法 |
CN112529870B (zh) * | 2020-12-10 | 2024-04-12 | 重庆大学 | 基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法 |
CN112529870A (zh) * | 2020-12-10 | 2021-03-19 | 重庆大学 | 基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法 |
CN116012355B (zh) * | 2023-02-07 | 2023-11-21 | 重庆大学 | 一种基于深度学习的自适应假阳性肺结节剔除方法 |
CN116012355A (zh) * | 2023-02-07 | 2023-04-25 | 重庆大学 | 一种基于深度学习的自适应假阳性肺结节剔除方法 |
CN116703867A (zh) * | 2023-06-09 | 2023-09-05 | 太原理工大学 | 残差网络与通道注意力协同驱动下的基因突变预测方法 |
CN116703867B (zh) * | 2023-06-09 | 2023-12-08 | 太原理工大学 | 残差网络与通道注意力协同驱动下的基因突变预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108230323B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230323A (zh) | 一种基于卷积神经网络的肺结节假阳性筛选方法 | |
CN109685776B (zh) | 一种基于ct图像的肺结节检测方法及系统 | |
CN108389190B (zh) | 一种基于深度学习方法的肺结节自动检测方法 | |
CN111797697B (zh) | 基于改进CenterNet的有角度高分遥感图像目标检测方法 | |
CN108664971B (zh) | 基于2d卷积神经网络的肺结节检测方法 | |
CN108257128B (zh) | 一种基于3d卷积神经网络的肺结节检测装置的建立方法 | |
CN108346154B (zh) | 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 | |
CN113989662B (zh) | 一种基于自监督机制的遥感图像细粒度目标识别方法 | |
CN109919108A (zh) | 基于深度哈希辅助网络的遥感图像快速目标检测方法 | |
CN110569738B (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
CN107203606A (zh) | 基于卷积神经网络的自然场景下文本检测与识别方法 | |
CN108629369A (zh) | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 | |
CN110647802A (zh) | 基于深度学习的遥感影像舰船目标检测方法 | |
CN113569667B (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及系统 | |
CN109800749A (zh) | 一种文字识别方法及装置 | |
CN110659601B (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
CN112561863A (zh) | 一种基于改进ResNet的医学图像多分类识别系统 | |
CN112330616A (zh) | 一种脑脊液细胞图像自动化识别和计数的方法 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN114266794A (zh) | 基于全卷积神经网络的病理切片图像癌症区域分割系统 | |
CN113011509A (zh) | 肺部支气管的分类方法、装置、电子设备和存储介质 | |
CN113221956A (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
Li et al. | Staged detection–identification framework for cell nuclei in histopathology images | |
CN116596875A (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |