CN108428229B - 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 - Google Patents
一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 Download PDFInfo
- Publication number
- CN108428229B CN108428229B CN201810206846.9A CN201810206846A CN108428229B CN 108428229 B CN108428229 B CN 108428229B CN 201810206846 A CN201810206846 A CN 201810206846A CN 108428229 B CN108428229 B CN 108428229B
- Authority
- CN
- China
- Prior art keywords
- network
- residual error
- lung
- information
- channel
- 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.)
- Expired - Fee Related
Links
Images
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
-
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法,属于医学图像处理和计算机视觉领域。以217个肺部三维计算机断层扫描(CT)图像为源数据,经过预处理得到若干组数据集合,其中每组数据包含一个CT图像小块、相应的几何信息图像小块和一个类别标签。构建双通道残差网络框架,分别以CT图像小块和相应的几何信息小块为各个通道的输入,通过双通道残差网络分别学习肺部纹理的表观信息和几何信息,并将其有效融合,从而得到较高的识别率。此外,所提出的网络结构清晰,容易构建,易于实现。
Description
技术领域
本发明属于医学图像处理和计算机视觉领域,涉及利用深度神经网络框架,提取肺部计算机断层扫描(CT)图像的表观和几何信息的相关特征,并对不同类别的肺部CT图像纹理进行分类,具体涉及到一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法。
背景技术
弥漫性肺疾患是在CT图像的肺部区域内,呈现出广泛分布的大面积肺部阴影的肺部疾病的总称。由于这些肺部阴影纹理繁杂,容易混淆,即使对于经验丰富的放射线科专家,也很难做到准确识别不同的肺部纹理。因此,需要建立一种计算机辅助诊断(CAD)系统,对弥漫性肺疾患CT图像的肺部纹理进行准确且高效的自动识别。建立这种CAD系统的一项关键技术,是对CT图像中的肺部区域的任意感兴趣区域(ROI)内的肺部纹理进行准确且高效的自动识别。
传统的CT图像肺部纹理识别,通常基于两步式的方法,即首先以人工方式设计能表征肺部纹理特性的特征量,然后训练能有效区分特征量的分类器。由于分类器训练的技术相对成熟,大多数方法往往采用现有的方法,如神经网络、支持向量机、K-近邻分类器等;因此,科研人员将主要精力放在设计能充分表征肺部纹理特性的特征量上,例如一种基于特征袋的肺部纹理识别方法(R.Xu,Y.Hirano,R.Tachibana,and S.Kido,“Classificationof diffuse lung disease patterns on high-resolution computed tomography by abag of words approach,”in International Conference on Medical ImageComputing&Computer-assisted Intervention(MICCAI),2011,p.183.)。
近年来,随着深度学习发展,深度神经网络在图像处理和计算机视觉领域带来了革命性的影响。它将传统的图像识别方法的两步合二为一,即将特征量设计与分类器训练融合成一个整体的端到端框架,直接从图像数据中挖掘和学习能有效表征数据的特征量,并将之应用于图像识别任务中。基于这种模式,深度学习在自然图像识别、人脸识别等方面,相对于传统的图像识别方法,表现出了卓越的性能。最近,深度学习同样被应用到肺部纹理识别中,例如有研究利用卷积神经网络(CNN)对肺部纹理进行分类(M.Anthimopoulos,S.Christodoulidis,and et.al.,“Lung pattern classification for interstitiallung diseases using a deep convolutional neural network,”IEEE Transactions onMedical Imaging,vol.35,no.5,pp.1207–1216,2016),使识别性能获得小幅提升。
虽然深度学习方法已经被应用于CT图像的肺部纹理识别中,并且与传统的识别方法相比,在识别精度上有了一定的提升,但是与CAD系统的实际需求相比,肺部纹理识别精度还存在一定的差距。上述基于深度学习的方法存在两个问题,首先,构建的网络层数较少,无法学习高效表征肺部纹理的特征量,不能充分发挥深度学习的优势。其次,针对肺部纹理图像的特殊性,不同的肺部纹理,不仅体现在像素明暗变化所反映的表观区别上,还反映在纹理细微结构的几何差异上。上述基于深度学习的方法仅挖掘肺部纹理的表观信息,忽略了其几何特点,从而未能充分学习有效的特征,无法完成高精度的纹理识别。
基于以上问题,本发明设计了一个基于深度神经网络提取表观和几何特征的肺部纹理识别框架,该框架运用残差网络(Kaiming He,Xiangyu Zhang,and et.al.,“Deepresiduallearning for image recognition,”in Computer Vision andPatternRecognition,2016,pp.770–778.)中的残差模块,构建了一个18层的双通道残差网络。它具有双通道的网络结构,能分别提取和学习肺部纹理的表观和几何特征,并将其有机融合,实现了肺部纹理的高精度自动识别。
发明内容
本发明旨在克服现有技术的不足,提供了一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法。该方法具有深层的双通道网络结构,能分别提取肺部纹理的表观和几何信息,并将其有机融合,实现了的肺部纹理的高精度自动识别。
本发明的具体技术方案为,一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法,包括下列步骤:
1)准备初始数据:初始数据包括用来训练、验证和测试的肺部纹理CT图像小块、对应的几何信息图像小块和对应的类别标签。
2)双通道残差网络的构建:基于残差网络中跳跃结构的思想,构建一个18层的双通道残差网络。
3)基于步骤(2)得到双通道残差网络进行训练。
双通道残差网络的构建,具体包括以下步骤:
2-1)构建的双通道残差网络共18层,由15个卷积层和3个全连接层组成;上面的通道利用(32×32×1的CT图像小块)图像表观信息作为输入,下面的通道利用对应的(32×32×3的几何信息图像小块)图像几何信息作为输入;
2-2)跳跃结构计算卷积层输入信息与经卷积层计算后输出信息的残差,网络通过对残差的学习,可以有效的加深网络层数,避免梯度消失、梯度爆炸问题,使网络能够高效的学习;残差计算公式如下:
y=F(x,{Wi})+x
式中,y表示卷积层的最终输出结果,F表示卷积计算函数,x表示网络的输入,i表示卷积层索引数,定义域为[1,15],Wi表示第i个卷积层的系数,由网络训练得到;
2-3)网络的上、下两通道的最后一个卷积层的输出,在分别经过最大池化后,直接进行串接操作,从而融合上、下通道的信息;
2-4)为了保证双通道残差网络对图片分类时具备旋转不变性和平移不变性,在第一个卷积层后和最后一个卷积层后加入一个最大池化层;
2-5)为了扩大网络的感受野,将第6、第10、第14个卷积层的卷积步长设置为2(默认为1),起到了2倍下采样的作用,不断扩大网络的感受野。
基于步骤(2)得到的双通道残差网络进行训练,具体包括以下步骤:
3-1)使用小批量训练模式,利用交叉熵的平均值作为损失函数来衡量分类结果与实际类别结果的差别,公式如下:
式中,L(·)表示损失函数值,n表示该批量中参与训练的样本数,本发明中n为30,x表示该批量中参与训练的数据矩阵,∑为求和运算符,y′表示与x相对应的实际类别标签矩阵,log(·)表示对数运算,y表示经网络分类得到的x的类别标签矩阵。
3-2)使用步骤(3-1)中的损失函数优化双通道残差网络。
本发明的有益效果是:
本发明基于深度学习的思想,利用残差网络中的跳跃结构,构建了一个18层的双通道残差网络。两个通道的输入分别为原始图像和对应的几何信息图像。通过该网络,可以得到较高正确识别率的分类结果。该系统具有以下特点:
1、系统容易构建,仅仅依靠原始的CT图像小块和对应的几何信息图像小块,通过双通道残差网络就可以得到较高正确识别率的分类结果;
2、程序简单,易于实现;
3、利用残差网络中的跳跃结构,在保证网络能够正常学习的情况下,加深了双通道残差网络的层数,提升了网络挖掘图像特征的能力。
4、以残差网络为基础,构建双通道网络,分别学习肺部纹理的表观信息和几何信息,并将其有效融合,显著提升了识别正确率。
附图说明
图1为具体实施流程图。
图2为7类肺部纹理CT图像小块的样例,其中,(a)结节状;(b)肺气肿;(c)蜂窝状;(d)固定型;(e)毛玻璃状;(f)正常;(g)带线条的毛玻璃状。
图3为肺部纹理图,其中(a)CT图像小块;(b)提取的几何信息图小块的样例。
图4为网络结构简图。
图5为分类结果识别正确率与其他方法的比较,其中(a)LeNet-5模型识别准确率;(b)特征袋(Bag-of-Feature)模型识别准确率;(c)5层卷积神经网络(CNN-5)模型识别准确率;(d)单一残差网络(ResNet-18)模型识别准确率;(e)本发明(DB-ResNet-18)识别准确率。
图6为分类结果混乱矩阵与其他方法的比较,其中(a)特征袋(Bag-of-Feature)模型混乱矩阵;(b)5层卷积神经网络(CNN-5)模型混乱矩阵;(c)单一残差网络(ResNet-18)模型混乱矩阵;(d)本发明(DB-ResNet-18)混乱矩阵。
具体实施方式
本发明提出了一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法,结合附图及实施例详细说明如下:
本发明构建了一个双通道残差网络,利用肺部CT图像进行训练,在测试中达到了较高的正确识别率,具体实施流程如图1所示,所述方法包括下列步骤;
1)准备初始数据:
1-1)在实验中共收集了217位病人的肺部CT图像。其中,187位病人的CT图像中包含弥漫性肺病的6种典型纹理,即结节状、肺气肿、蜂窝状、固定型、毛玻璃状和带线条的毛玻璃状纹理;剩余30位病人的CT图像中,只呈现正常的肺部组织纹理。利用此217幅CT图像,生成用于试验的7种肺部纹理图像小块(包含正常组织的纹理)。
1-2)邀请三位富有经验的放射学专家,对217幅CT图像,进行如下操作:
1-2-1)在每幅CT图像的冠状轴方向上选择3张含有典型肺部纹理的断层;
1-2-2)三位专家分别在3个断层上利用标注工具,手动标注出含有典型肺部纹理(包括肺病纹理和正常肺部组织纹理)的区域;
1-2-3)对于每一张断层的标注结果,取三位专家的交集作为最终标记结果。
1-3)利用最终的标注结果,在CT图像的相应断层上,使用32×32×1的扫描框,对CT图像进行采样。从相应断层的左上角开始,分别在水平和垂直方向上,以8个像素间距为步长进行扫描。当搜索框的中心点落在标记区域内时,保存搜索框内的CT图像区域,并记录好相应CT图像区域的肺部纹理类别,最终得到一系列大小为32×32×1的7类典型肺部纹理CT图像小块。图2给出了所得到的7种肺部纹理CT图像小块的样例。
1-4)对步骤(1-3)所得的全部32×32×1的CT图像区域小块内的全部1024个像素点,按照如下公式计算大小为3×3海森矩阵(Hessian Matrix)。
对每个像素点所得的海森矩阵,进行矩阵的特征值分解,在每个像素点上将得到3个特征值。将这些特征值按照像素点的位置排列,重组为32×32×3的图像,该图像反映原始的32×32×1的CT图像小块的几何特征,是对应的几何信息图像小块。图3给出了CT图像小块和相应的几何信息图像小块的样例。
1-5)通过步骤(1-3)和(1-4),共得到72348组数据,每组数据包括一张32×32×1的CT图像小块、32×32×3的几何信息图像小块以及相应肺部纹理的类别标签。随机选取其中的54392组作为训练集和验证集来训练并改善双通道残差网络,剩余的17956组作为测试集对模型和参数已经确定的网络进行测试。训练集、验证集和测试集间互相独立。
2)双通道残差网络的构建:基于残差网络中跳跃结构的思想,构建一个18层的双通道残差网络。图4展示的是网络结构简图。
2-1)本发明构建的双通道残差网络共18层,由15个卷积层和3个全连接层组成。上面的通道利用32×32×1的CT图像小块(图像表观信息)作为输入,下面的通道利用对应的32×32×3的几何信息图像小块(图像几何信息)作为输入。
2-2)跳跃结构计算卷积层输入信息与经卷积层计算后输出信息的残差,网络通过对残差的学习,可以有效的加深网络层数,避免梯度消失、梯度爆炸问题,使网络能够高效的学习。残差计算公式如下:
y=F(x,{Wi})+x
式中,y表示卷积层的最终输出结果,F表示卷积计算函数,x表示网络的输入,i表示卷积层索引数,定义域为[1,15],Wi表示第i个卷积层的系数,由网络训练得到。
2-3)网络的上、下两通道的最后一个卷积层的输出,在分别经过最大池化后,直接进行串接操作,从而融合上、下通道的信息。
2-4)为了保证双通道残差网络对图片分类时具备旋转不变性和平移不变性,在第一个卷积层后和最后一个卷积层后加入了一个最大池化层。
2-5)为了扩大网络的感受野,将第6、第10、第14个卷积层的卷积步长设置为2(默认为1),起到了2倍下采样的作用,不断扩大网络的感受野。
3)基于步骤(2)得到双通道残差网络进行训练。
3-1)利用如下公式计算交叉熵的平均值,作为损失函数来衡量分类结果与实际类别结果的差别。
式中,L(·)表示损失函数值,n表示该批量中参与训练的样本数,本发明中n为30,x表示该批量中参与训练的数据矩阵,∑为求和运算符,y′表示与x相对应的实际类别标签矩阵,log(·)表示对数运算,y表示经网络分类得到的x的类别标签矩阵。
3-2)使用步骤(3-1)中损失函数优化双通道残差网络。直至损失函数在连续的20个训练周期内无新的最小值时,停止训练。
本实施例对测试数据的分类结果识别正确率与其他方法的比较如图5所示,其中(a)为LeNet-5(Y.Lecun,L.Bottou,Y.Bengio,and P.Haffner,“Gradient-based learningapplied to document recognition,”Proceedings of the IEEE,vol.86,no.11,pp.2278–2324,1998.)模型识别准确率;(b)为特征袋(Bag-of-Feature)(R.Xu,Y.Hirano,R.Tachibana,and S.Kido,“Classification of diffuse lung disease patterns onhigh-resolution computed tomography by a bag of words approach,”inInternational Conference on Medical Image Computing&Computer-assistedIntervention(MICCAI),2011,p.183.)模型识别准确率;(c)为5层卷积神经网络(CNN-5)(M.Anthimopoulos,S.Christodoulidis,and et.al.,“Lung pattern classificationfor interstitial lung diseases using a deep convolutional neural network,”IEEE Transactions on Medical Imaging,vol.35,no.5,pp.1207–1216,2016.)模型识别准确率;(d)为单一残差网络(ResNet-18)(Kaiming He,Xiangyu Zhang,and et.al.,“Deepresidual learning for image recognition,”in Computer Vision and PatternRecognition,2016,pp.770–778.)模型识别准确率;(e)为本发明(DB-ResNet-18)识别准确率。
本实施例对测试数据的分类结果混乱矩阵与其他方法的比较如图6所示,其中(a)为特征袋(Bag-of-Feature)模型的混乱矩阵;(b)为5层卷积神经网络(CNN-5)模型的混乱矩阵;(c)为单一残差网络(ResNet-18)模型的混乱矩阵;(d)为本发明(DB-ResNet-18)的混乱矩阵。
Claims (1)
1.一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法,其特征在于,包括下列步骤:
1)准备初始数据:初始数据包括用来训练、验证和测试的肺部纹理CT图像小块、对应的几何信息图像小块和对应的类别标签;
2)双通道残差网络的构建:基于残差网络中跳跃结构的思想,构建一个18层的双通道残差网络;
所述双通道残差网络的构建,具体包括以下步骤:
2-1)构建的双通道残差网络共18层,由15个卷积层和3个全连接层组成;上面的通道利用图像表观信息作为输入,下面的通道利用对应的图像几何信息作为输入;
2-2)跳跃结构计算卷积层输入信息与经卷积层计算后输出信息的残差,网络通过对残差的学习;残差计算公式如下:
y=F(x,{Wi})+x
式中,y表示卷积层的最终输出结果,F表示卷积计算函数,x表示网络的输入,i表示卷积层索引数,定义域为[1,15],Wi表示第i个卷积层的系数,由网络训练得到;
2-3)网络的上、下两通道的最后一个卷积层的输出,在分别经过最大池化后,直接进行串接操作,从而融合上、下通道的信息;
2-4)在第一个卷积层后和最后一个卷积层后加入一个最大池化层;
2-5)将第6、第10、第14个卷积层的卷积步长设置为2;
3)基于步骤2)得到双通道残差网络进行训练;具体包括以下步骤:
3-1)使用小批量训练模式,利用交叉熵的平均值作为损失函数来衡量分类结果与实际类别结果的差别,公式如下:
式中,L(·)表示损失函数值,n表示该批量中参与训练的样本数,其中n为30,x表示该批量中参与训练的数据矩阵,∑为求和运算符,y′表示与x相对应的实际类别标签矩阵,log(·)表示对数运算,y表示经网络分类得到的x的类别标签矩阵;
3-2)使用步骤(3-1)中的损失函数优化双通道残差网络。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810206846.9A CN108428229B (zh) | 2018-03-14 | 2018-03-14 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
US16/649,650 US11170502B2 (en) | 2018-03-14 | 2019-01-07 | Method based on deep neural network to extract appearance and geometry features for pulmonary textures classification |
PCT/CN2019/070588 WO2019174376A1 (zh) | 2018-03-14 | 2019-01-07 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810206846.9A CN108428229B (zh) | 2018-03-14 | 2018-03-14 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108428229A CN108428229A (zh) | 2018-08-21 |
CN108428229B true CN108428229B (zh) | 2020-06-16 |
Family
ID=63157963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810206846.9A Expired - Fee Related CN108428229B (zh) | 2018-03-14 | 2018-03-14 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11170502B2 (zh) |
CN (1) | CN108428229B (zh) |
WO (1) | WO2019174376A1 (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428229B (zh) * | 2018-03-14 | 2020-06-16 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
CN109300136B (zh) * | 2018-08-28 | 2021-08-31 | 众安信息技术服务有限公司 | 一种基于卷积神经网络的危及器官自动分割方法 |
CN109460756B (zh) * | 2018-11-09 | 2021-08-13 | 天津新开心生活科技有限公司 | 医学影像处理方法、装置、电子设备及计算机可读介质 |
CN109871806A (zh) * | 2019-02-21 | 2019-06-11 | 山东大学 | 基于深度残差纹理网络的地形识别方法及系统 |
CN110321920B (zh) | 2019-05-08 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、计算机可读存储介质和计算机设备 |
CN110472663A (zh) * | 2019-07-15 | 2019-11-19 | 西北工业大学 | 基于内省学习的遥感图像分类方法 |
US20230021568A1 (en) * | 2020-01-10 | 2023-01-26 | Carestream Health, Inc. | Method and system to predict prognosis for critically ill patients |
CN111612739B (zh) * | 2020-04-16 | 2023-11-03 | 杭州电子科技大学 | 一种基于深度学习的脑梗死分类方法 |
CN111652170A (zh) * | 2020-06-09 | 2020-09-11 | 电子科技大学 | 基于二通道残差深度神经网络的二次雷达信号处理方法 |
CN111739076B (zh) * | 2020-06-15 | 2022-09-30 | 大连理工大学 | 面向多种ct肺部纹理识别的非监督保内容域适应方法 |
CN111739075B (zh) * | 2020-06-15 | 2024-02-06 | 大连理工大学 | 一种结合多尺度注意力的深层网络肺部纹理识别方法 |
CN111985532B (zh) * | 2020-07-10 | 2021-11-09 | 西安理工大学 | 一种场景级上下文感知的情感识别深度网络方法 |
CN112017136A (zh) * | 2020-08-06 | 2020-12-01 | 杭州深睿博联科技有限公司 | 一种基于深度学习的肺部ct图像参数重建方法、系统、终端及存储介质 |
CN112270667B (zh) * | 2020-11-02 | 2023-04-25 | 郑州大学 | 一种基于ti-rads的集成深度学习多标签识别方法 |
CN112465830B (zh) * | 2020-11-11 | 2024-04-26 | 上海健康医学院 | 一种磨玻璃样肺结节自动分割方法及计算机设备 |
CN112560932A (zh) * | 2020-12-10 | 2021-03-26 | 山东建筑大学 | 一种基于双分支网络特征融合的车辆重识别方法 |
CN112488234B (zh) * | 2020-12-10 | 2022-04-29 | 武汉大学 | 一种基于注意力池化的端到端组织病理图像分类方法 |
CN112652032B (zh) * | 2021-01-14 | 2023-05-30 | 深圳科亚医疗科技有限公司 | 器官的建模方法、图像分类装置和存储介质 |
CN113128601B (zh) * | 2021-04-22 | 2022-04-29 | 北京百度网讯科技有限公司 | 分类模型的训练方法和对图像进行分类的方法 |
CN113065570B (zh) * | 2021-06-03 | 2021-08-24 | 北京远鉴信息技术有限公司 | 一种图像审核的检测方法、装置及电子设备 |
CN113269765B (zh) * | 2021-06-04 | 2022-10-28 | 重庆大学 | 可扩张卷积神经网络训练方法及ct影像分割模型构建方法 |
CN113469972B (zh) * | 2021-06-30 | 2024-04-23 | 沈阳东软智能医疗科技研究院有限公司 | 标注医学切片图像的方法、装置、存储介质及电子设备 |
CN113657486B (zh) * | 2021-08-16 | 2023-11-07 | 浙江新再灵科技股份有限公司 | 基于电梯图片数据的多标签多属性分类模型建立方法 |
CN113837199B (zh) * | 2021-08-30 | 2024-01-09 | 武汉理工大学 | 一种基于跨层残差双路金字塔网络的图像特征提取方法 |
CN113888515B (zh) * | 2021-10-12 | 2024-06-14 | 浙江大学 | 基于深度学习和人类视觉特性的双通道立体图像质量评价方法 |
CN114359157B (zh) * | 2021-12-08 | 2023-06-16 | 南通大学 | 一种基于深度学习的结直肠息肉检测方法 |
CN114708236B (zh) * | 2022-04-11 | 2023-04-07 | 徐州医科大学 | 一种基于tsn和ssn在超声图像中的甲状腺结节良恶性分类方法 |
CN114648680B (zh) * | 2022-05-17 | 2022-08-16 | 腾讯科技(深圳)有限公司 | 图像识别模型的训练方法、装置、设备、介质 |
CN115272218A (zh) * | 2022-07-22 | 2022-11-01 | 重庆文理学院 | 一种基于cbam机制的残差网络的医学影像辅助检测方法 |
CN116089883B (zh) * | 2023-01-30 | 2023-12-19 | 北京邮电大学 | 用于提高已有类别增量学习新旧类别区分度的训练方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107590797A (zh) * | 2017-07-26 | 2018-01-16 | 浙江工业大学 | 一种基于三维残差神经网络的ct影像肺结节检测方法 |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5873824A (en) * | 1996-11-29 | 1999-02-23 | Arch Development Corporation | Apparatus and method for computerized analysis of interstitial infiltrates in chest images using artificial neural networks |
WO2003070102A2 (en) * | 2002-02-15 | 2003-08-28 | The Regents Of The University Of Michigan | Lung nodule detection and classification |
US6819790B2 (en) * | 2002-04-12 | 2004-11-16 | The University Of Chicago | Massive training artificial neural network (MTANN) for detecting abnormalities in medical images |
US10593035B2 (en) * | 2015-03-18 | 2020-03-17 | University Of South Florida | Image-based automated measurement model to predict pelvic organ prolapse |
US10458895B2 (en) * | 2016-06-06 | 2019-10-29 | Case Western Reserve University | Predicting response to pemetrexed chemotherapy in non-small cell lung cancer (NSCLC) with baseline computed tomography (CT) shape and texture features |
US10970887B2 (en) * | 2016-06-24 | 2021-04-06 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
CN106530296A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种基于pet/ct图像特征的肺部检测方法和装置 |
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 |
CN107016665B (zh) | 2017-02-16 | 2021-05-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
US10586132B2 (en) * | 2018-01-08 | 2020-03-10 | Visteon Global Technologies, Inc. | Map and environment based activation of neural networks for highly automated driving |
CN108428229B (zh) * | 2018-03-14 | 2020-06-16 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
US10970837B2 (en) * | 2019-03-18 | 2021-04-06 | Siemens Healthcare Gmbh | Automated uncertainty estimation of lesion segmentation |
-
2018
- 2018-03-14 CN CN201810206846.9A patent/CN108428229B/zh not_active Expired - Fee Related
-
2019
- 2019-01-07 WO PCT/CN2019/070588 patent/WO2019174376A1/zh active Application Filing
- 2019-01-07 US US16/649,650 patent/US11170502B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107590797A (zh) * | 2017-07-26 | 2018-01-16 | 浙江工业大学 | 一种基于三维残差神经网络的ct影像肺结节检测方法 |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US20200258218A1 (en) | 2020-08-13 |
WO2019174376A1 (zh) | 2019-09-19 |
CN108428229A (zh) | 2018-08-21 |
US11170502B2 (en) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428229B (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
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 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN111882560B (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
CN109034210A (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
CN105069746A (zh) | 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统 | |
CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
CN110059697A (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN107833213A (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN110675421B (zh) | 基于少量标注框的深度图像协同分割方法 | |
CN111209864B (zh) | 一种电力设备目标识别方法 | |
CN113011509B (zh) | 肺部支气管的分类方法、装置、电子设备和存储介质 | |
CN108549912A (zh) | 一种基于机器学习的医学图像肺结节检测方法 | |
CN110032952B (zh) | 一种基于深度学习的道路边界点检测方法 | |
CN111062928A (zh) | 一种医学ct图像中病变的识别方法 | |
CN114120141A (zh) | 一种可全天候遥感监测自动分析方法及其系统 | |
CN112102296A (zh) | 一种基于人类概念学的电力设备目标识别方法 | |
CN114155556A (zh) | 一种基于加入通道混洗模块的堆叠沙漏网络的人体姿态估计方法及系统 | |
CN110288577A (zh) | 一种3d实现多器官病灶整合的控制方法及控制装置 | |
CN116543165B (zh) | 一种基于双通道复合深度网络的遥感图像果树分割方法 | |
CN114693698B (zh) | 一种基于神经网络的计算机辅助肺气道分割方法 | |
Song et al. | A region-based approach to building detection in densely build-up high resolution satellite image | |
CN110705570A (zh) | 一种图像特征识别方法 | |
CN117593648B (zh) | 基于弱监督学习的遥感目标建筑物提取方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200616 Termination date: 20210314 |
|
CF01 | Termination of patent right due to non-payment of annual fee |