CN108389178A - 基于卷积神经网络的肺部ct预处理方法及系统 - Google Patents

基于卷积神经网络的肺部ct预处理方法及系统 Download PDF

Info

Publication number
CN108389178A
CN108389178A CN201810028242.XA CN201810028242A CN108389178A CN 108389178 A CN108389178 A CN 108389178A CN 201810028242 A CN201810028242 A CN 201810028242A CN 108389178 A CN108389178 A CN 108389178A
Authority
CN
China
Prior art keywords
lung
neural networks
convolutional neural
sizes
image block
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
Application number
CN201810028242.XA
Other languages
English (en)
Inventor
王琴
沈丰毅
沈林耀
景乃锋
蒋剑飞
绳伟光
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201810028242.XA priority Critical patent/CN108389178A/zh
Publication of CN108389178A publication Critical patent/CN108389178A/zh
Pending legal-status Critical Current

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
    • G06N3/048—Activation functions
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种基于卷积神经网络的肺部CT预处理方法及系统，包括：将每一张原始的肺部CT图像以同样顺序和大小进行切片编号，得到多个图像块；将图像块分为有病结、无组织或腔壁、有血管或其他肺部组织以及有肺部腔壁，输入卷积神经网络中进行训练。本发明的图像切片分类处理能够降低系统复杂度，同时保证肺结节特征的完整性，能够很好的用于卷积神经网络的训练，有很高的敏感性和较低的误诊率，使卷积神经网络能够在应用中快速的实现肺结节的识别和定位。

Description

基于卷积神经网络的肺部CT预处理方法及系统
技术领域
本发明涉及神经网络技术领域，具体地，涉及基于卷积神经网络的肺部CT预处理方法及系统。
背景技术
肺癌是当今世界发病率和死亡率增长最快，对人群健康和生命威胁最大的恶性肿瘤之一。如果能够在肺癌早期察觉并且开展治疗，那么病人死亡率能够大大降低。因此肺结节的检测和诊断显得极为重要。但是审查这些CT扫描图往往需要一名放射学家花费大量时间和精力才能做出准确的诊断，而以往的计算机辅助检测技术(CAD)识别肺部结节又依赖于结节尺寸和形态进行分类进而辅助医生诊断。鉴于结节尺寸和形态差异巨大，并且分类的标准也难以把握因此效果也不尽如人意。
自从Hinton在ImageNet挑战赛上提出深层卷积网络进行图像分类以来，卷积神经网络(CNNs)被证明能够在包括但不限于图像识别等各种图像处理方面均有良好的效果。一系列结构更为复杂，参数更为多样的卷积神经网络在此之后被陆续提出，例如GoogLeNet，VGGNet，ResNet，其中ResNet网络深度更是达到一千多层。
但卷积神经网络的成功离不开大量有标签的数据集的建立。在医疗影像中，我们往往缺乏足够的有效数据用于网络训练，因此如何利用好已有的数据集进行数据预处理关系着最终网络识别的准确率。
过去提出的卷积神经网络识别肺部结节的方法，均是以识别肺结节是否恶性为目标。因此训练的数据集均是经过结节分割(Segmentation)，阈值化处理之后提取出的单个完整的肺部结节块(Patch)。该类方法存在如下两个缺点：一是对于整个CAD系统来说在实际应用中仍需在一张完整的CT图中手动找出肺结节的位置然后进行分割，因此整个系统自动化程度较低缺乏实际商业价值；二是在进行结节分割和阈值处理之后，原始的结节特征中会引入干扰的特征，从而降低该结节特征分类的准确性。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于卷积神经网络的肺部CT预处理方法及系统。
根据本发明提供的一种基于卷积神经网络的肺部CT预处理方法，包括：
切片步骤：将每一张原始的肺部CT图像以同样顺序和大小进行切片编号，得到多个图像块；
分类步骤：将图像块分为有病结、无组织或腔壁、有血管或其他肺部组织以及有肺部腔壁，输入卷积神经网络中进行训练。
较佳的，每张原始的肺部CT图像按照64×64尺寸进行切片得到所述图像块，分类后的所述图像块放缩转换成67×67尺寸输入所述卷积神经网络。
较佳的，所述卷积神经网络的卷基层尺寸为96个7×7大小的卷积核，扫描时步长设置为2，得到96个31×31的卷积输出，将卷积输出通过ReLU激活输入2×2的池化层降采样，得到96个15×15的数据，之后每层卷积层尺寸为256个5×5，384个3×3，256个3×3。
较佳的，所述卷积神经网络的全连接层为两层，维度为1152，与输出SoftMax相连计算每分钟分类的目标概率，通过随机梯度下降来进行权重的更新。
根据本发明提供的一种基于卷积神经网络的肺部CT预处理系统，包括：
切片模块：将每一张原始的肺部CT图像以同样顺序和大小进行切片编号，得到多个图像块；
分类模块：将图像块分为有病结、无组织或腔壁、有血管或其他肺部组织以及有肺部腔壁，输入卷积神经网络中进行训练。
较佳的，所述切片模块将每张原始的肺部CT图像按照64×64尺寸进行切片得到所述图像块，所述分类模块将分类后的所述图像块放缩转换成67×67尺寸输入所述卷积神经网络。
较佳的，所述卷积神经网络的卷基层尺寸为96个7×7大小的卷积核，扫描时步长设置为2，得到96个31×31的卷积输出，将卷积输出通过ReLU激活输入2×2的池化层降采样，得到96个15×15的数据，之后每层卷积层尺寸为256个5×5，384个3×3，256个3×3。
较佳的，所述卷积神经网络的全连接层为两层，维度为1152，与输出SoftMax相连计算每分钟分类的目标概率，通过随机梯度下降来进行权重的更新。
与现有技术相比，本发明具有如下的有益效果：
本发明的图像切片分类处理能够降低系统复杂度，不需要额外的图像处理算法，同时保证肺结节特征的完整性，能够很好的用于卷积神经网络的训练，有很高的敏感性和较低的误诊率，使卷积神经网络能够在应用中快速的实现肺结节的识别和定位。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的流程图；
图2为本发明卷积神经网络的结构示意图；
图3和图4为本发明ReLU函数的示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示，本发明提供的一种基于卷积神经网络的肺部CT预处理方法，包括：
切片步骤：将每一张原始的肺部CT图像以同样顺序和大小进行切片编号，得到多个图像块；
分类步骤：将图像块分为有病结、无组织或腔壁、有血管或其他肺部组织以及有肺部腔壁四类，输入卷积神经网络中进行训练，其中后三类都是属于良好的块，只有第一类有病结的块属于恶性结节块。
因为切片顺序固定，分类标准明确，所以当卷积神经网络识别出有病结的块时，能够根据块对应的编号找到对应的CT扫描图的区域，准确定位到病结的位置，方便医护人员诊断。通过图像切片分类实现了肺结节定点和识别两种功能。
每张原始的肺部CT图像按照64×64尺寸进行切片得到所述图像块，分类后的所述图像块放缩转换成67×67尺寸输入卷积神经网络。
卷积神经网络一般由卷积层，池化层，全连接层等组成。卷积层负责获得图像的局部特征，并将局部特征从网络中向后传递，随着网络层次的加深，局部特征更为抽象；池化层在空间维度上进行降采样，负责减小数据量；全连接层将会计算分类评分，损失函数会根据分类评分与目标的差距进行网络权重的调整。整个网络训练过程如下：图像数据输入卷积层，在整个网络中进行前向传播，得出与目标值的损失率，再将该损失率从网络中反向传播进行网络权重参数的调整，使得能够获得更低的损失率。
如图2所示，本发明的卷积神经网络以AlexNet为基础，设计了5层卷积，3层池化，两层全连接层的卷积神经网络结构。为了避免过拟合，还加入了Dropout层，用于随机舍弃一些权重，保持ReLU单元的“活性”。分类得分函数选取了SoftMax函数，将当前图像块传入卷积网络得到的数值与目标数值相比，得到差值，然后通过随机梯度下降法将该差值回传，用于更新每层网络的权重。
首先将切片得到的4类训练数据通过放缩转换成67×67的尺寸将其输入卷积层。卷积层尺寸为96个7×7大小的卷积核，扫描的时候stride设为2.得到96个31×31的卷积输出，并将其通过ReLU激活输入2×2的池化层降采样，得到96个15×15的数据，之后每层卷积层尺寸如下256个5×5，384个3×3，256个3×3，最后连接两层全连接层，全连接层维度为1152，与输出SoftMax相连用于计算每种分类的目标概率，通过随机梯度下降来进行权重的更新。
与LeNet相比，本发明采用了非线性激活函数ReLU，如图3、图4所示，比起传统的Sigmoid函数能够防止数据在两端产生饱和的现象，从而避免权重无法进行更新的状况。同时为了避免ReLU单元出现“死亡”的现象，本设计在全连接层加入一层dropout层，随机舍弃一些权重从而保证ReLU能够正常运作。因此本设计在进行肺部结节检测的能够达到90％以上的敏感性。
在上述，基于卷积神经网络的肺部CT预处理方法的基础上，本发明还提供了一种基于卷积神经网络的肺部CT预处理系统，包括：
切片模块：将每一张原始的肺部CT图像以同样顺序和大小进行切片编号，得到多个图像块。
分类模块：将图像块分为有病结、无组织或腔壁、有血管或其他肺部组织以及有肺部腔壁四类，输入卷积神经网络中进行训练。
切片模块将每张原始的肺部CT图像按照64×64尺寸进行切片得到所述图像块，所述分类模块将分类后的所述图像块放缩转换成67×67尺寸输入卷积神经网络。
卷积神经网络的卷基层尺寸为96个7×7大小的卷积核，扫描时步长设置为2，得到96个31×31的卷积输出，将卷积输出通过ReLU激活输入2×2的池化层降采样，得到96个15×15的数据，之后每层卷积层尺寸为256个5×5，384个3×3，256个3×3。
卷积神经网络的全连接层为两层，维度为1152，与输出SoftMax相连计算每分钟分类的目标概率，通过随机梯度下降来进行权重的更新。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种基于卷积神经网络的肺部CT预处理方法，其特征在于，包括：
切片步骤：将每一张原始的肺部CT图像以同样顺序和大小进行切片编号，得到多个图像块；
分类步骤：将图像块分为有病结、无组织或腔壁、有血管或其他肺部组织以及有肺部腔壁，输入卷积神经网络中进行训练。
2.根据权利要求1所述的基于卷积神经网络的肺部CT预处理方法，其特征在于，每张原始的肺部CT图像按照64×64尺寸进行切片得到所述图像块，分类后的所述图像块放缩转换成67×67尺寸输入所述卷积神经网络。
3.根据权利要求2所述的基于卷积神经网络的肺部CT预处理方法，其特征在于，所述卷积神经网络的卷基层尺寸为96个7×7大小的卷积核，扫描时步长设置为2，得到96个31×31的卷积输出，将卷积输出通过ReLU激活输入2×2的池化层降采样，得到96个15×15的数据，之后每层卷积层尺寸为256个5×5，384个3×3，256个3×3。
4.根据权利要求2所述的基于卷积神经网络的肺部CT预处理方法，其特征在于，所述卷积神经网络的全连接层为两层，维度为1152，与输出SoftMax相连计算每分钟分类的目标概率，通过随机梯度下降来进行权重的更新。
5.一种基于卷积神经网络的肺部CT预处理系统，其特征在于，包括：
切片模块：将每一张原始的肺部CT图像以同样顺序和大小进行切片编号，得到多个图像块；
分类模块：将图像块分为有病结、无组织或腔壁、有血管或其他肺部组织以及有肺部腔壁，输入卷积神经网络中进行训练。
6.根据权利要求5所述的基于卷积神经网络的肺部CT预处理系统，其特征在于，所述切片模块将每张原始的肺部CT图像按照64×64尺寸进行切片得到所述图像块，所述分类模块将分类后的所述图像块放缩转换成67×67尺寸输入所述卷积神经网络。
7.根据权利要求6所述的基于卷积神经网络的肺部CT预处理系统，其特征在于，所述卷积神经网络的卷基层尺寸为96个7×7大小的卷积核，扫描时步长设置为2，得到96个31×31的卷积输出，将卷积输出通过ReLU激活输入2×2的池化层降采样，得到96个15×15的数据，之后每层卷积层尺寸为256个5×5，384个3×3，256个3×3。
8.根据权利要求6所述的基于卷积神经网络的肺部CT预处理系统，其特征在于，所述卷积神经网络的全连接层为两层，维度为1152，与输出SoftMax相连计算每分钟分类的目标概率，通过随机梯度下降来进行权重的更新。
CN201810028242.XA 2018-01-11 2018-01-11 基于卷积神经网络的肺部ct预处理方法及系统 Pending CN108389178A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810028242.XA CN108389178A (zh) 2018-01-11 2018-01-11 基于卷积神经网络的肺部ct预处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810028242.XA CN108389178A (zh) 2018-01-11 2018-01-11 基于卷积神经网络的肺部ct预处理方法及系统

Publications (1)

Publication Number Publication Date
CN108389178A true CN108389178A (zh) 2018-08-10

Family

ID=63076194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810028242.XA Pending CN108389178A (zh) 2018-01-11 2018-01-11 基于卷积神经网络的肺部ct预处理方法及系统

Country Status (1)

Country Link
CN (1) CN108389178A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670582A (zh) * 2018-12-28 2019-04-23 四川那智科技有限公司 一种全定点化神经网络的设计方法
CN109886967A (zh) * 2019-01-16 2019-06-14 成都蓝景信息技术有限公司 基于深度学习技术的肺部解剖学位置定位算法
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
CN111144474A (zh) * 2019-12-25 2020-05-12 昆明理工大学 基于多视图、多尺度、多任务肺结节分类方法
CN116778138A (zh) * 2023-06-27 2023-09-19 中国人民解放军陆军军医大学第二附属医院 一种肺结节定位系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1975759A (zh) * 2006-12-15 2007-06-06 中山大学 一种基于结构主元分析的人脸识别方法
US7436994B2 (en) * 2004-06-17 2008-10-14 Destiny Technology Corporation System of using neural network to distinguish text and picture in images and method thereof
CN104143101A (zh) * 2014-07-01 2014-11-12 华南理工大学 一种基于超声图像的乳腺肿瘤区域自动识别方法
CN104616392A (zh) * 2015-01-30 2015-05-13 华中科技大学 一种基于局部二值模式的纸币鉴伪方法
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
CN107274402A (zh) * 2017-06-27 2017-10-20 北京深睿博联科技有限责任公司 一种基于胸部ct影像的肺结节自动检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7436994B2 (en) * 2004-06-17 2008-10-14 Destiny Technology Corporation System of using neural network to distinguish text and picture in images and method thereof
CN1975759A (zh) * 2006-12-15 2007-06-06 中山大学 一种基于结构主元分析的人脸识别方法
CN104143101A (zh) * 2014-07-01 2014-11-12 华南理工大学 一种基于超声图像的乳腺肿瘤区域自动识别方法
CN104616392A (zh) * 2015-01-30 2015-05-13 华中科技大学 一种基于局部二值模式的纸币鉴伪方法
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
CN107274402A (zh) * 2017-06-27 2017-10-20 北京深睿博联科技有限责任公司 一种基于胸部ct影像的肺结节自动检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
徐进志 等: "《临床肺部疾病综合治疗》", 31 May 2006 *
朱国策、李朝锋: "基于卷积神经网络的胸片肺结节检测", 《传感器与微系统》 *
黄孝平: "《当代机器深度学习方法与应用研究》", 30 November 2017 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670582A (zh) * 2018-12-28 2019-04-23 四川那智科技有限公司 一种全定点化神经网络的设计方法
CN109886967A (zh) * 2019-01-16 2019-06-14 成都蓝景信息技术有限公司 基于深度学习技术的肺部解剖学位置定位算法
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
CN111144474A (zh) * 2019-12-25 2020-05-12 昆明理工大学 基于多视图、多尺度、多任务肺结节分类方法
CN111144474B (zh) * 2019-12-25 2022-06-14 昆明理工大学 基于多视图、多尺度、多任务肺结节分类方法
CN116778138A (zh) * 2023-06-27 2023-09-19 中国人民解放军陆军军医大学第二附属医院 一种肺结节定位系统
CN116778138B (zh) * 2023-06-27 2024-10-15 中国人民解放军陆军军医大学第二附属医院 一种肺结节定位系统

Similar Documents

Publication Publication Date Title
CN109102502B (zh) 基于三维卷积神经网络的肺结节检测方法
CN108389178A (zh) 基于卷积神经网络的肺部ct预处理方法及系统
Sebai et al. MaskMitosis: a deep learning framework for fully supervised, weakly supervised, and unsupervised mitosis detection in histopathology images
Janowczyk et al. Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases
Cengil et al. A deep learning based approach to lung cancer identification
Liu et al. An end-to-end deep learning histochemical scoring system for breast cancer TMA
Beevi et al. A multi-classifier system for automatic mitosis detection in breast histopathology images using deep belief networks
CN108615237A (zh) 一种肺部图像处理方法及图像处理设备
Behura The cluster analysis and feature selection: Perspective of machine learning and image processing
KR20230125169A (ko) 조직의 이미지 처리 방법 및 조직의 이미지 처리 시스템
CN109978004B (zh) 图像识别方法及相关设备
Dimililer et al. ILTDS: Intelligent lung tumor detection system on ct images
Cheng et al. Modified U-Net block network for lung nodule detection
US20240232627A1 (en) Systems and Methods to Train A Cell Object Detector
Zhao et al. Pulmonary nodule detection based on multiscale feature fusion
CN113313698B (zh) 基于神经网络的肺结节检测方法、装置及图像处理设备
Benazzouz et al. Modified U‐Net for cytological medical image segmentation
Fu et al. M3ResU-Net: a deep residual network for multi-center colorectal polyp segmentation based on multi-scale learning and attention mechanism
Gugulothu et al. A novel deep learning approach for the detection and classification of lung nodules from ct images
Chen et al. Comparative study on deep-learning-based leather surface defect identification
Sun et al. Deep convolutional nets for pulmonary nodule detection and classification
Shekar et al. An efficient stacked ensemble model for the detection of COVID-19 and skin cancer using fused feature of transfer learning and handcrafted methods
Wang et al. Deep learning based nodule detection from pulmonary CT images
Lu et al. Fine-grained calibrated double-attention convolutional network for left ventricular segmentation
Sun et al. Detection of breast tumour tissue regions in histopathological images using convolutional neural networks

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

Application publication date: 20180810

RJ01 Rejection of invention patent application after publication