CN108446730A - 一种基于深度学习的ct肺结节检测方法 - Google Patents
一种基于深度学习的ct肺结节检测方法 Download PDFInfo
- Publication number
- CN108446730A CN108446730A CN201810217568.7A CN201810217568A CN108446730A CN 108446730 A CN108446730 A CN 108446730A CN 201810217568 A CN201810217568 A CN 201810217568A CN 108446730 A CN108446730 A CN 108446730A
- Authority
- CN
- China
- Prior art keywords
- lung
- deep learning
- lung neoplasm
- neoplasm
- sequential images
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Abstract
本发明提供了一种基于深度学习的CT肺结节检测方法。该方法包括以下步骤:S1:获取用户的3D肺部CT序列影像;S2:将获取的3D肺部CT序列影像处理为2D图像数据;S3:将2D图像数据输入至预设的深度学习网络模型进行训练,从而得到训练好的肺结节检测模型;S4:将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型,从而得到初步的肺结节检测结果;S5:对于初步的肺结节检测结果,利用基于深度学习的肺区域分割算法来去除假阳性肺结节,从而得到最终的肺结节检测结果。本发明可以实现对肺结节的检测,充分利用了CT序列映像的3D信息,将3D信息融入到2D的深度学习网络结构中,避免了应用3D深度学习网络带来的过拟合以及对计算资源的过度依赖。
Description
技术领域
本发明涉及医学影像处理领域,尤其涉及一种基于深度学习的CT肺结节检测方法。
背景技术
肺癌是中国发病率和死亡率最高的疾病,近30年肺癌死亡率增长了465%,其中很大的原因是75%的癌症患者都是在中晚期才确诊,即便在发达国家里,肺癌是所有恶性肿瘤中最常见最致命的一种。早期肺癌检出率低于25%,但是早期肺癌5年生存率达到55%,但因为其早期特征不明显,发现肺癌的最佳方法就是定期进行肺结节的筛查。
CT是通常采用的比较可靠的筛选方式,一组1.25mm层厚的CT会有200-300张层面图像,面对产生的大量CT图像,如果能够运用人工智能技术帮助医生给出一定的辅助诊断,在节约人力的同时,还能够减少因为过度疲劳造成的漏诊。
深度学习神经网络模型的灵感来源于人类大脑的生物学结构,但相比人类大脑,深度学习神经网络的层次更清晰,“神经元”单元的连接更为规律,信号传送的方向也更明确。由于深度学习能够以极小的特征单位来描述图像(以像素为单位),深度学习人工智能能够分析和建立比传统逻辑方法复杂数万倍的模型,更准确地完成图像识别和分类等任务。深度学习最广为认知的应用是谷歌的阿法狗(AlphaGo),在人机大战中,AlphaGo压倒性地战胜了围棋世界冠军李世石和柯洁。除了围棋,深度学习在图像识别、语音识别等领域都颠覆了传统的方法,并在各大应用场景都带来了巨大突破,如无人驾驶车、语音识别、人脸识别等,近期人工智能在医疗影像科研领域也有重大突破。
利用深度学习技术使得漏诊情况得以改善,进一步提高CT在肺癌筛查中的价值。深度学习不但对病灶的精确评估有非常大的临床意义,而且在影像学评估中带来了潜力和希望。
发明内容
本发明提供了一种基于深度学习的CT肺结节检测方法,其包括以下步骤:
S1:获取用户的3D肺部CT序列影像;
S2:将获取的3D肺部CT序列影像处理为2D图像数据;
S3:将2D图像数据输入至预设的深度学习网络模型进行训练,从而得到训练好的肺结节检测模型;
S4:将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型,从而得到初步的肺结节检测结果;
S5:对于初步的肺结节检测结果,利用基于深度学习的肺区域分割算法来去除假阳性肺结节,从而得到最终的肺结节检测结果。
优选地,S2步骤还包括:对于获取的3D肺部CT序列影像,以含有肺结节的每个层面为中心,向前取n个层面,向后取n个层面,从而2n+1个层面构成2D图像数据,其中,n为≥1的整数。
优选地,在S3步骤,所述预设的深度学习网络模型包括多尺度特征,并且所述多尺度特征被应用于训练的过程中。
优选地,所述多尺度特征是通过融合深度学习网络模型不同层的响应信息而构建的。
优选地,在S4步骤,在将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型之前,将测试的3D肺部CT序列影像以含有肺结节的每个层面为中心,向前取n个层面,向后取n个层面,从而2n+1个层面构成2D图像数据,其中,n为≥1的整数。
优选地,在S5步骤:通过预设的肺区域分割模型,对初步的肺结节检测结果进行肺区域分割,去除假阳性肺结节。
优选地,构建深度学习网络模型,并利用2D的肺区域图像进行训练,从而得到预设的肺区域分割模型。
本发明提供的技术方案带来的有益效果体现在:可以实现对肺结节的检测,充分利用了CT序列影像的3D信息,将3D信息融入到2D的深度学习网络结构中,避免了应用3D深度学习网络带来的过拟合以及对计算资源的过度依赖。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明的基于深度学习的CT肺结节检测方法的流程图。
图2根据本发明的基于深度学习的CT肺结节检测方法的训练过程的示意图。
图3是根据本发明的预设的深度学习网络模型的结构图。
图4是根据本发明的基于深度学习的CT肺结节检测方法的测试过程的示意图。
图5是根据本发明的基于深度学习的CT肺结节检测方法的肺结节检测结果的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式做进一步地详细描述。
本发明的总体构思为,将肺部CT序列进行处理,处理成2n+1个2D的图像输入到深度学习网络,对深度学习网络结构进行了定制化修改,其能够接收2n+1个图像作为输入并且融合了多尺度的特征;通过对训练样本的学习得到肺结节的检测模型,利用该模型实现肺结节的检测,最后通过肺区域的分割,去除肺外的假阳性肺结节,得到最终的肺结节检测结果。
图1是根据本发明的基于深度学习的CT肺结节检测方法的流程图。
在S1步骤,获取用户的3D肺部CT序列影像;
在S2步骤,将获取的3D肺部CT序列影像处理为2D图像数据;
在S3步骤,将2D图像数据输入至预设的深度学习网络模型进行训练,从而得到训练好的肺结节检测模型;
在S4步骤,将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型,从而得到初步的肺结节检测结果;
在S5步骤,在初步的肺结节检测结果中,利用基于深度学习的肺区域分割算法来去除假阳性肺结节,从而得到最终的肺结节检测结果。
图2根据本发明的基于深度学习的CT肺结节检测方法的训练过程的示意图。在S1和S2步骤,首先收集带有肺结节的3D肺部CT序列影像,以含有肺结节的每个层面为中心,前后各取n个层面,一共2n+1个层面作为一个训练样本输入预设的深度学习网络模型进行训练,其中,n为≥1的整数。预设的深度学习网络模型进行训练是2n+1通道多尺度的基于区域的卷积神经网络模型,经过多轮训练,得到训练好的肺结节检测模型。因此,本发明将获取的3D肺部CT序列影像处理为2D图像数据,将3D信息融入到2D的深度学习网络结构中,不仅充分地利用了影像的上下文信息,还避免了应用3D深度学习网络带来的过拟合以及对计算资源的过度依赖。
图3是根据本发明的预设的深度学习网络模型的结构图。参照图3,该深度学习网络模型对输入的影像进行多尺度的特征提取。具体地,输入的影像数据通过卷积层来得到更深层次的特征图,池化层是对输入的特征图进行压缩,一方面使特征图变小,简化网络计算复杂度;一方面进行特征压缩,提取主要特征,即输入的影像数据每通过一个卷积层和池化层都会有相应的特征图。然后对相应的特征图进行上采样(upsampling),其主要目的是放大原图像。区域生成网络能够生成高质量的区域建议框。结节定位模块用于最终的分类,将得到的结果映射到输入数据的类型空间中。
因此,本发明的深度学习网络模型通过在不同特征层次上进行肺结节的候选区域提取,实现多尺度特征的融合,丰富了特征的表示能力,有利于训练得到更好的肺结节检测模型,实现了基于多尺度特征的肺结节检测模型。
图4是根据本发明的基于深度学习的CT肺结节检测方法的测试过程的示意图。参照图4,利用训练好的肺结节检测模型,对测试的CT数据进行测试,在将测试的CT数据输入至训练好的肺结节检测模型之前,将测试数据以含有肺结节的每个层面为中心,向前取n个层面,向后取n个层面,其中,n为≥1的整数,即将测试的CT数据同样依次处理成2n+1个层面作为一个输入样本,然后通过肺结节检测模型的计算,得到初步的肺结节检测结果。
参照图5,利用基于深度学习的肺区域分割算法将肺区域分割出来,去掉检测结果中肺以外的假阳性肺结节,得到最终的肺结节检测结果。首先构建深度学习网络模型,并利用3D肺部CT序列影像进行训练,从而得到基于深度学习的肺区域分割模型,然后将初步的肺结节检测结果输入至训练好的基于深度学习的肺区域分割模型,从而得到最终的肺结节检测结果。因此,本发明的肺区域分割算法通过构建深度学习网络模型并进行训练能够实现对肺结节的精细化处理。
本发明的基于深度学习的CT肺结节检测方法一方面利用深度学习的优势,直接学习到肺结节的特征,更适应于复杂情况下肺结节检测;另一方面,本发明能够充分地利用肺部CT影像的3D上下文信息,将3D信息融入到2D的深度学习网络结构中,避免了应用3D深度学习网络带来的过拟合以及对计算资源的过度依赖。
以上详细描述了本发明的具体实施例,但可以理解,在不脱离本发明的精神下可以对其做出修改。本发明的权利要求旨在覆盖这些修改,以保证其落入本发明的真实范围和精神内。
Claims (7)
1.一种基于深度学习的CT肺结节检测方法,其特征在于包括以下步骤:
S1:获取用户的3D肺部CT序列影像;
S2:将获取的3D肺部CT序列影像处理为2D图像数据;
S3:将2D图像数据输入至预设的深度学习网络模型进行训练,从而得到训练好的肺结节检测模型;
S4:将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型,从而得到初步的肺结节检测结果;
S5:对于初步的肺结节检测结果,利用基于深度学习的肺区域分割算法来去除假阳性肺结节,从而得到最终的肺结节检测结果。
2.根据权利要求1所述的基于深度学习的CT肺结节检测方法,其特征在于,S2步骤还包括:
对于获取的3D肺部CT序列影像,以含有肺结节的每个层面为中心,向前取n个层面,向后取n个层面,从而2n+1个层面构成2D图像数据,其中,n为≥1的整数。
3.根据权利要求1所述的基于深度学习的CT肺结节检测方法,其特征在于,在S3步骤,
所述预设的深度学习网络模型包括多尺度特征,并且所述多尺度特征被应用于训练的过程中。
4.根据权利要求1所述的基于深度学习的CT肺结节检测方法,其特征在于,所述多尺度特征是通过融合深度学习网络模型不同层的响应信息而构建的。
5.根据权利要求1所述的基于深度学习的CT肺结节检测方法,其特征在于,在S4步骤,
在将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型之前,将测试的3D肺部CT序列影像以含有肺结节的每个层面为中心,向前取n个层面,向后取n个层面,从而2n+1个层面构成2D图像数据,其中,n为≥1的整数。
6.根据权利要求1所述的基于深度学习的CT肺结节检测方法,其特征在于,在S5步骤:
通过预设的肺区域分割模型,对初步的肺结节检测结果进行肺区域分割,去除假阳性肺结节。
7.根据权利要求6所述的基于深度学习的CT肺结节检测方法,其特征在于,
构建深度学习网络模型,并利用3D肺部CT序列影像进行训练,从而得到预设的肺区域分割模型。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810217568.7A CN108446730B (zh) | 2018-03-16 | 2018-03-16 | 一种基于深度学习的ct肺结节检测装置 |
US16/351,896 US10937157B2 (en) | 2018-03-16 | 2019-03-13 | Computed Tomography pulmonary nodule detection method based on deep learning |
JP2019049066A JP6993371B2 (ja) | 2018-03-16 | 2019-03-15 | ディープラーニングに基づいたコンピュータ断層撮影肺結節検出法 |
EP19163039.1A EP3540692A1 (en) | 2018-03-16 | 2019-03-15 | A computed tomography pulmonary nodule detection method based on deep learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810217568.7A CN108446730B (zh) | 2018-03-16 | 2018-03-16 | 一种基于深度学习的ct肺结节检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446730A true CN108446730A (zh) | 2018-08-24 |
CN108446730B CN108446730B (zh) | 2021-05-28 |
Family
ID=63194771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810217568.7A Active CN108446730B (zh) | 2018-03-16 | 2018-03-16 | 一种基于深度学习的ct肺结节检测装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10937157B2 (zh) |
EP (1) | EP3540692A1 (zh) |
JP (1) | JP6993371B2 (zh) |
CN (1) | CN108446730B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255782A (zh) * | 2018-09-03 | 2019-01-22 | 图兮深维医疗科技(苏州)有限公司 | 一种肺结节图像的处理方法、装置、设备及存储介质 |
CN109523521A (zh) * | 2018-10-26 | 2019-03-26 | 复旦大学 | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 |
CN109636817A (zh) * | 2018-11-30 | 2019-04-16 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
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 |
CN110189307A (zh) * | 2019-05-14 | 2019-08-30 | 慧影医疗科技(北京)有限公司 | 一种基于多模型融合的肺结节检测方法及系统 |
CN110739049A (zh) * | 2019-10-10 | 2020-01-31 | 上海联影智能医疗科技有限公司 | 图像勾画方法、装置、存储介质及计算机设备 |
CN110969623A (zh) * | 2020-02-28 | 2020-04-07 | 北京深睿博联科技有限责任公司 | 一种肺部ct多征象自动检测方法、系统、终端及存储介质 |
CN110992377A (zh) * | 2019-12-02 | 2020-04-10 | 北京推想科技有限公司 | 图像分割方法、装置、计算机可读存储介质和设备 |
CN111062947A (zh) * | 2019-08-14 | 2020-04-24 | 深圳市智影医疗科技有限公司 | 一种基于深度学习的x光胸片病灶定位方法及系统 |
CN111080625A (zh) * | 2019-12-18 | 2020-04-28 | 北京推想科技有限公司 | 肺部影像条索检测模型的训练方法及其训练装置 |
CN111369623A (zh) * | 2020-02-27 | 2020-07-03 | 复旦大学 | 一种基于深度学习3d目标检测的肺部ct图像识别方法 |
CN111402254A (zh) * | 2020-04-03 | 2020-07-10 | 杭州华卓信息科技有限公司 | 一种ct图像肺结节高性能自动检测方法及装置 |
CN111553892A (zh) * | 2020-04-23 | 2020-08-18 | 北京小白世纪网络科技有限公司 | 基于深度学习的肺结节分割计算方法、装置及系统 |
CN111915556A (zh) * | 2020-06-22 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种基于双分支网络的ct图像病变检测方法、系统、终端及存储介质 |
CN112116558A (zh) * | 2020-08-17 | 2020-12-22 | 您好人工智能技术研发昆山有限公司 | 一种基于深度学习的ct影像肺结节检测系统 |
CN112241948A (zh) * | 2020-09-23 | 2021-01-19 | 深圳视见医疗科技有限公司 | 一种自适应层厚的肺结节检测分析方法及系统 |
CN113971728A (zh) * | 2021-10-25 | 2022-01-25 | 北京百度网讯科技有限公司 | 图像识别方法、模型的训练方法、装置、设备及介质 |
CN114119546A (zh) * | 2021-11-25 | 2022-03-01 | 推想医疗科技股份有限公司 | 检测mri影像的方法及装置 |
CN114332132A (zh) * | 2021-12-31 | 2022-04-12 | 联影智能医疗科技(成都)有限公司 | 图像分割方法、装置和计算机设备 |
CN111915556B (zh) * | 2020-06-22 | 2024-05-14 | 杭州深睿博联科技有限公司 | 一种基于双分支网络的ct图像病变检测方法、系统、终端及存储介质 |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019173452A1 (en) * | 2018-03-07 | 2019-09-12 | Rensselaer Polytechnic Institute | Deep neural network for ct metal artifact reduction |
JP7313192B2 (ja) * | 2019-05-27 | 2023-07-24 | キヤノンメディカルシステムズ株式会社 | 診断支援装置、及び、x線ct装置 |
CN110942446A (zh) * | 2019-10-17 | 2020-03-31 | 付冲 | 一种基于ct影像的肺结节自动检测方法 |
CN110570425B (zh) * | 2019-10-18 | 2023-09-08 | 北京理工大学 | 一种基于深度强化学习算法的肺结节分析方法及装置 |
CN110852350B (zh) * | 2019-10-21 | 2022-09-09 | 北京航空航天大学 | 一种基于多尺度迁移学习的肺结节良恶性分类方法和系统 |
CN110992312B (zh) * | 2019-11-15 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN110782446B (zh) * | 2019-10-25 | 2022-04-15 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
CN112365504A (zh) * | 2019-10-29 | 2021-02-12 | 杭州脉流科技有限公司 | Ct左心室分割方法、装置、设备和存储介质 |
CN110853011B (zh) * | 2019-11-11 | 2022-05-27 | 河北工业大学 | 用于肺结节检测的卷积神经网络模型的构建方法 |
KR102322995B1 (ko) * | 2019-12-10 | 2021-11-09 | (주)헬스허브 | 다이나믹 윈도우 기반 인공지능 노듈 세그먼테이션 방법 및 그 장치 |
CN111127482B (zh) * | 2019-12-20 | 2023-06-30 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像肺气管的分割方法及系统 |
CN111476766B (zh) * | 2020-03-31 | 2023-08-22 | 哈尔滨商业大学 | 基于深度学习的肺结节ct图像检测系统 |
CN111539918B (zh) * | 2020-04-15 | 2023-05-02 | 复旦大学附属肿瘤医院 | 基于深度学习的磨玻璃肺结节风险分层预测系统 |
CN111862001B (zh) * | 2020-06-28 | 2023-11-28 | 微医云(杭州)控股有限公司 | Ct影像的半自动标注方法及装置、电子设备、存储介质 |
CN111815593B (zh) * | 2020-06-29 | 2024-03-01 | 郑州大学 | 基于对抗学习的肺结节域适应分割方法、装置及存储介质 |
CN111798425B (zh) * | 2020-06-30 | 2022-05-27 | 天津大学 | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 |
CN111815608B (zh) * | 2020-07-13 | 2023-08-25 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎患者康复时间预测方法及系统 |
CN111986189B (zh) * | 2020-08-27 | 2022-12-27 | 上海市公共卫生临床中心 | 一种基于ct影像的多类别肺炎筛查深度学习装置 |
CN112184657A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 一种肺结节自动检测方法、装置及计算机系统 |
CN112184659B (zh) * | 2020-09-24 | 2023-08-25 | 上海健康医学院 | 一种肺部图像处理方法、装置及设备 |
CN112365498B (zh) * | 2020-12-10 | 2024-01-23 | 南京大学 | 一种针对二维图像序列中多尺度多形态目标的自动检测方法 |
CN112634210B (zh) * | 2020-12-10 | 2024-04-09 | 重庆大学 | 一种基于三维ct影像的肺结节检测方法 |
US11776128B2 (en) * | 2020-12-11 | 2023-10-03 | Siemens Healthcare Gmbh | Automatic detection of lesions in medical images using 2D and 3D deep learning networks |
CN113077427B (zh) * | 2021-03-29 | 2023-04-25 | 北京深睿博联科技有限责任公司 | 一种类别预测模型的生成方法及装置 |
CN113012144A (zh) * | 2021-04-08 | 2021-06-22 | 湘南学院附属医院 | 一种肺部肿瘤的自动勾画方法、勾画系统、计算设备和存储介质 |
CN113269747B (zh) * | 2021-05-24 | 2023-06-13 | 浙江大学医学院附属第一医院 | 一种基于深度学习的病理图片肝癌扩散检测方法及系统 |
CN113554655B (zh) * | 2021-07-13 | 2021-12-31 | 中国科学院空间应用工程与技术中心 | 基于多特征增强的光学遥感图像分割方法及装置 |
CN113744183B (zh) * | 2021-07-27 | 2024-04-19 | 山东师范大学 | 肺结节检测方法及系统 |
CN113658174B (zh) * | 2021-09-02 | 2023-09-19 | 北京航空航天大学 | 基于深度学习和图像处理算法的微核组学图像检测方法 |
US11367191B1 (en) * | 2021-10-07 | 2022-06-21 | Qure.Ai Technologies Private Limited | Adapting report of nodules |
CN113889231A (zh) * | 2021-10-15 | 2022-01-04 | 长春工业大学 | 一种基于手工特征和深度特征融合的肺结节图像处理方法 |
CN114677383B (zh) * | 2022-03-03 | 2024-03-15 | 西北工业大学 | 基于多任务学习的肺结节检测分割方法 |
CN114693671B (zh) * | 2022-04-25 | 2022-11-29 | 香港中文大学(深圳) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 |
CN115393321A (zh) * | 2022-08-26 | 2022-11-25 | 南通大学 | 一种基于深度学习的多层螺旋ct对肺结核多分类检出方法 |
CN115131345B (zh) * | 2022-08-29 | 2023-02-03 | 杭州堃博生物科技有限公司 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
CN116228685B (zh) * | 2023-02-07 | 2023-08-22 | 重庆大学 | 一种基于深度学习的肺结节检测与剔除方法 |
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 |
CN116258717B (zh) * | 2023-05-15 | 2023-09-08 | 广州思德医疗科技有限公司 | 病灶识别方法、装置、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030016850A1 (en) * | 2001-07-17 | 2003-01-23 | Leon Kaufman | Systems and graphical user interface for analyzing body images |
CN103186703A (zh) * | 2011-12-30 | 2013-07-03 | 无锡睿影信息技术有限公司 | 一种基于胸片的计算机辅助检测肺结节的方法 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5881124A (en) * | 1994-03-31 | 1999-03-09 | Arch Development Corporation | Automated method and system for the detection of lesions in medical computed tomographic scans |
US6141437A (en) * | 1995-11-22 | 2000-10-31 | Arch Development Corporation | CAD method, computer and storage medium for automated detection of lung nodules in digital chest images |
US7058210B2 (en) * | 2001-11-20 | 2006-06-06 | General Electric Company | Method and system for lung disease detection |
EP3582151A1 (en) * | 2015-08-15 | 2019-12-18 | Salesforce.com, Inc. | Three-dimensional (3d) convolution with 3d batch normalization |
CN106504232B (zh) * | 2016-10-14 | 2019-06-14 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测系统 |
JP7293118B2 (ja) * | 2017-02-22 | 2023-06-19 | ザ ユナイテッド ステイツ オブ アメリカ, アズ リプレゼンテッド バイ ザ セクレタリー, デパートメント オブ ヘルス アンド ヒューマン サービシーズ | インスタンス重み付けを伴うランダムフォレストを使用するマルチパラメトリックmriにおける前立腺がんの検出、およびホリスティックネスト型ネットワークを用いたディープラーニングによるmr前立腺セグメント化 |
US10580131B2 (en) * | 2017-02-23 | 2020-03-03 | Zebra Medical Vision Ltd. | Convolutional neural network for segmentation of medical anatomical images |
-
2018
- 2018-03-16 CN CN201810217568.7A patent/CN108446730B/zh active Active
-
2019
- 2019-03-13 US US16/351,896 patent/US10937157B2/en active Active
- 2019-03-15 JP JP2019049066A patent/JP6993371B2/ja active Active
- 2019-03-15 EP EP19163039.1A patent/EP3540692A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030016850A1 (en) * | 2001-07-17 | 2003-01-23 | Leon Kaufman | Systems and graphical user interface for analyzing body images |
CN103186703A (zh) * | 2011-12-30 | 2013-07-03 | 无锡睿影信息技术有限公司 | 一种基于胸片的计算机辅助检测肺结节的方法 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
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 (4)
Title |
---|
HAEIL LEE ET AL.: "Contextual convolutional neural networks for lung nodule classification using Gaussian-weighted average image patches", 《COMPUTER-AIDED DIAGNOSIS MEDICAL IMAGING 2017》 * |
XIANRONG ZHOU ET AL.: "Three-Dimentional CT Image Segmentation by Combining 2D Fully Convolutional Network with 3D Majority Voting", 《 INTERNATIONAL WORKSHOP ON DEEP LEARNING IN MEDICAL IMAGE ANALYSIS》 * |
宫延新: "基于BP神经网络的体绘制转换函数研究及应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王钏: "基于卷积神经网络的血管图像分割", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255782A (zh) * | 2018-09-03 | 2019-01-22 | 图兮深维医疗科技(苏州)有限公司 | 一种肺结节图像的处理方法、装置、设备及存储介质 |
CN109523521A (zh) * | 2018-10-26 | 2019-03-26 | 复旦大学 | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 |
CN109523521B (zh) * | 2018-10-26 | 2022-12-20 | 复旦大学 | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 |
CN109636817A (zh) * | 2018-11-30 | 2019-04-16 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
CN109636817B (zh) * | 2018-11-30 | 2020-10-30 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
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 |
CN110189307A (zh) * | 2019-05-14 | 2019-08-30 | 慧影医疗科技(北京)有限公司 | 一种基于多模型融合的肺结节检测方法及系统 |
CN110189307B (zh) * | 2019-05-14 | 2021-11-23 | 慧影医疗科技(北京)有限公司 | 一种基于多模型融合的肺结节检测方法及系统 |
CN111062947A (zh) * | 2019-08-14 | 2020-04-24 | 深圳市智影医疗科技有限公司 | 一种基于深度学习的x光胸片病灶定位方法及系统 |
CN111062947B (zh) * | 2019-08-14 | 2023-04-25 | 深圳市智影医疗科技有限公司 | 一种基于深度学习的x光胸片病灶定位方法及系统 |
CN110739049A (zh) * | 2019-10-10 | 2020-01-31 | 上海联影智能医疗科技有限公司 | 图像勾画方法、装置、存储介质及计算机设备 |
CN110992377A (zh) * | 2019-12-02 | 2020-04-10 | 北京推想科技有限公司 | 图像分割方法、装置、计算机可读存储介质和设备 |
CN111080625A (zh) * | 2019-12-18 | 2020-04-28 | 北京推想科技有限公司 | 肺部影像条索检测模型的训练方法及其训练装置 |
CN111080625B (zh) * | 2019-12-18 | 2020-12-29 | 推想医疗科技股份有限公司 | 肺部影像条索检测模型的训练方法及其训练装置 |
CN111369623A (zh) * | 2020-02-27 | 2020-07-03 | 复旦大学 | 一种基于深度学习3d目标检测的肺部ct图像识别方法 |
CN111369623B (zh) * | 2020-02-27 | 2022-11-15 | 复旦大学 | 一种基于深度学习3d目标检测的肺部ct图像识别方法 |
CN110969623A (zh) * | 2020-02-28 | 2020-04-07 | 北京深睿博联科技有限责任公司 | 一种肺部ct多征象自动检测方法、系统、终端及存储介质 |
CN111402254A (zh) * | 2020-04-03 | 2020-07-10 | 杭州华卓信息科技有限公司 | 一种ct图像肺结节高性能自动检测方法及装置 |
CN111553892A (zh) * | 2020-04-23 | 2020-08-18 | 北京小白世纪网络科技有限公司 | 基于深度学习的肺结节分割计算方法、装置及系统 |
CN111553892B (zh) * | 2020-04-23 | 2021-11-05 | 北京小白世纪网络科技有限公司 | 基于深度学习的肺结节分割计算方法、装置及系统 |
CN111915556A (zh) * | 2020-06-22 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种基于双分支网络的ct图像病变检测方法、系统、终端及存储介质 |
CN111915556B (zh) * | 2020-06-22 | 2024-05-14 | 杭州深睿博联科技有限公司 | 一种基于双分支网络的ct图像病变检测方法、系统、终端及存储介质 |
CN112116558A (zh) * | 2020-08-17 | 2020-12-22 | 您好人工智能技术研发昆山有限公司 | 一种基于深度学习的ct影像肺结节检测系统 |
CN112241948A (zh) * | 2020-09-23 | 2021-01-19 | 深圳视见医疗科技有限公司 | 一种自适应层厚的肺结节检测分析方法及系统 |
CN113971728A (zh) * | 2021-10-25 | 2022-01-25 | 北京百度网讯科技有限公司 | 图像识别方法、模型的训练方法、装置、设备及介质 |
CN114119546A (zh) * | 2021-11-25 | 2022-03-01 | 推想医疗科技股份有限公司 | 检测mri影像的方法及装置 |
CN114332132A (zh) * | 2021-12-31 | 2022-04-12 | 联影智能医疗科技(成都)有限公司 | 图像分割方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
US10937157B2 (en) | 2021-03-02 |
JP2019193776A (ja) | 2019-11-07 |
JP6993371B2 (ja) | 2022-01-13 |
CN108446730B (zh) | 2021-05-28 |
US20190287242A1 (en) | 2019-09-19 |
EP3540692A1 (en) | 2019-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446730A (zh) | 一种基于深度学习的ct肺结节检测方法 | |
WO2020215984A1 (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
Min et al. | Overview of deep learning in gastrointestinal endoscopy | |
Wang et al. | Boundary-aware context neural network for medical image segmentation | |
CN109886273B (zh) | 一种cmr图像分割分类系统 | |
WO2020151536A1 (zh) | 一种脑部图像分割方法、装置、网络设备和存储介质 | |
Sahu et al. | FINE_DENSEIGANET: Automatic medical image classification in chest CT scan using Hybrid Deep Learning Framework | |
EP4006831A1 (en) | Image processing method and apparatus, server, medical image processing device and storage medium | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
CN110084237A (zh) | 肺结节的检测模型构建方法、检测方法和装置 | |
Wang et al. | Information bottleneck-based interpretable multitask network for breast cancer classification and segmentation | |
Heydarheydari et al. | Auto-segmentation of head and neck tumors in positron emission tomography images using non-local means and morphological frameworks | |
CN110246109A (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
CN111462082A (zh) | 一种病灶图片识别装置、方法、设备及可读存储介质 | |
Zhang et al. | CdcSegNet: automatic COVID-19 infection segmentation from CT images | |
Abbasi et al. | Automatic brain ischemic stroke segmentation with deep learning: A review | |
Zhang et al. | Attention-guided feature extraction and multiscale feature fusion 3d resnet for automated pulmonary nodule detection | |
Malik et al. | A novel fusion model of hand-crafted features with deep convolutional neural networks for classification of several chest diseases using x-ray images | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans | |
Sun et al. | Detection of breast tumour tissue regions in histopathological images using convolutional neural networks | |
CN116645346A (zh) | 肩袖扫描图像的处理方法、电子设备及存储介质 | |
Xian et al. | Automatic tongue image quality assessment using a multi-task deep learning model | |
Velichko et al. | A Comprehensive Review of Deep Learning Approaches for Magnetic Resonance Imaging Liver Tumor Analysis |
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 | ||
CB02 | Change of applicant information |
Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant after: Tuxiang Medical Technology Co., Ltd Address before: 100025 C, Chaoyang District International Ocean Center, Beijing, 807 Applicant before: Beijing Tuoxiang Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |