CN108537793A - 一种基于改进的u-net网络的肺结节检测方法 - Google Patents
一种基于改进的u-net网络的肺结节检测方法 Download PDFInfo
- Publication number
- CN108537793A CN108537793A CN201810343476.3A CN201810343476A CN108537793A CN 108537793 A CN108537793 A CN 108537793A CN 201810343476 A CN201810343476 A CN 201810343476A CN 108537793 A CN108537793 A CN 108537793A
- Authority
- CN
- China
- Prior art keywords
- network
- lung
- nodule detection
- net networks
- segmentation
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 210000004072 lung Anatomy 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 210000004224 pleura Anatomy 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims description 2
- 206010056342 Pulmonary mass Diseases 0.000 claims 1
- 230000006854 communication Effects 0.000 claims 1
- 230000007423 decrease Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 208000020816 lung neoplasm Diseases 0.000 description 16
- 238000005070 sampling Methods 0.000 description 10
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 6
- 201000005202 lung cancer Diseases 0.000 description 6
- 230000006399 behavior Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009610 hypersensitivity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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 Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进的u‑net网络的肺结节检测方法，不同于现有的先提取候选结节再降低假阳性的检测方式，该方法只通过一个网络直接完成了结节检测任务。首先，在网络结构上引入了残差网络的‘shortcut’来改进传统的u‑net网络，解决了由于其深度不足而导致效果不佳的弊端。其次，在训练过程中使用了多切片以及单切片分别作为输入用于训练，最后通过决策融合得到最后结果。本发明利用卷积神经网络构建深度学习网络模型，改善了基于浅层传统机器学习方法进行结节检测在特征提取阶段的耗时问题，并且优化了大多数检测系统的复杂实现方式，保证了有效性的同时简化了检测流程，提高了计算机的辅助诊断能力。
Description
技术领域
本发明属于计算机辅助诊断领域，具体涉及一种基于改进的u-net网络的肺结节检测方法
背景技术
肺癌是我国死亡率和发病率最高的恶性肿瘤。目前手术仍是唯一可以根治肺癌的治疗方法。早期的肺癌是没有任何症状的，中国70％～80％的肺癌病人一发现就是晚期，失去了手术治疗的机会，随着影像检查技术的不断发展及不断改进，人工智能应用在疾病的早期检查和早期诊断，可以挽救无数患者的生命。
肺癌的计算机辅助系统需要具有高检测敏感性和低假阳性率的特点。肺结节的识别是肺癌计算机辅助设计的关键，通常分为两个主要阶段：初始肺结节检测(即肺结节感兴趣区提取)和降低假阳性。初始结节检测的目的是尽可能多的将真结节检测出来，也就是说首先要保证高敏感性，但是往往会产生大量的假阳性区域，因此通常敏感性越高，假阳性越多；因此降低假阳性的目的就是通过其他方法来去除第一阶段产生的假阳性区域，最终将肺结节的识别结果提供给医生作为诊断的参考，明确区分出结节与非结节。
而目前分类结节的方法可以分为两种：1)传统方法：大都是通过对感兴趣区域(ROI)的特征提取和对后续的机器学习方法进行训练得到分类器来对ROI进行分类。2)基于深度学习的方法：构建好需要的网络和数据集，训练出模型，然后用得到的模型对数据进行分类。
发明内容
本发明的目的在于设计一种基于深度学习网络，只通过一步直接实现肺结节检测任务的方法，避开了先进行候选结节选择再降低假阳性的复杂实现过程。
为了实现上述目的，本发明提出了一种基于改进的u-net网络来一步实现肺结节检测，跳过了候选结节检测的阶段。包括以下步骤：
步骤一：图片的获取，利用LUNA16挑战的数据集，可以直接用SimpleITK读取；
步骤二：图像预处理，利用中值滤波、均值滤波以及频域滤波等方式来去除CT图像中的伪影和噪声，并通过直方图来均衡图像的亮度，使其亮度、对比度保持一致；
步骤三：肺部分割，主要利用阈值法和形态学相关的内容进行分割。首先将三维肺部图像转换为HU单位值，然后使用两个阈值分别对原始图像进行初步分割，然后使用圆盘结构的元素对粗分割的肺部进行二维形态学开运算，以移除较小的亮点，并且平滑物体的表面，同时保持所有的灰度级和较大的亮度区域特性相对不变。然后使用三维六元素连接抽取最大体积的部分，该部分就是分割的肺部。由于一些结节的亮度较大，因此阈值分割后的肺部后很多的孔洞，因此需要进行修正，此处使用了孔洞填充算法来修补这些孔洞。最后使用了三维形态学闭运算来精炼肺部的边缘，使大部分嵌入到胸膜的结节能够大部分包含进来，以提高下一步分割的准确性；
步骤四：对预处理好的图像构建相应的标签，以便可以直接输入网络进行训练与测试；
步骤五，引入残差网络的关键思想，使用残差单元以及普通的卷积层堆叠成U型网络结构，改进传统的U-net网络；
步骤六：使用处理好的数据分别将多张切片与单张切片作为网络的输入用于训练网络，最后在决策层面上进行融合，得到最后的检测结果。
本发明基于改进的u-net网络，实现了一步到位的肺结节检测任务，自动、高效的从CT图像中检测出肺结节，对于研究人员和临床医生及时的诊断肺癌疾病和制定相关的治疗方案有很大程度上的帮助，以达到辅助医疗诊断的目的。
本发明具有以下有益效果：
(1)引入了残差的“shortcut”来改进传统的u-net网络，改善了传统网络结果由于深度不足而导致效果有限的弊端；本质上使用了卷积神经网络用于目标检测，改善了传统方法的特征提取过程。
(2)整个实现过程中只使用了一个网络就直接得到结节检测结果，保证了检测任务有效进行的同时简化了实现流程。
(3)充分考虑结节的空间信息与形状信息，分别使用单张切片与多张切片进行训练，最后融合两种训练方式的结果不仅减小了计算开销，并且改善了多切片传播的误训练现象以及单切片训练的漏诊情况。
附图说明
图1是本发明中系统整体流程的示意图
图2是本发明中使用的残差单元的结构图
图3是本发明中提出的网络结构图
具体实现方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好的理解本发明，并使本发明的上述目的、特征和优点能够更加明显易懂。需要特别提醒注意的是，在以下描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
图1是本发明基于改进的u-net网络的肺结节检测方法的整体工作流程示意图。如图1所示，本发明基于改进的u-net网络的肺结节检测方法主要包括三个阶段：图像预处理，模型训练以及分类结节。下面根据这三个阶段对本发明的具体实施过程进行说明。
S1：图像预处理
预处理是在图片上进行相关的操作，旨在提高它的质量为了增加下一个阶段的处理算法的精度和准确率。主要工作是把肺部与其它器官以及组织区分割出来。其中具体操作包括：(1)对相关的图像进行滤波处理实现去噪；(2)图像灰度直方图均衡化和亮度变换；(3)使用形态学方法以及阈值分割实现ROI的提取，得到一个精准分割的肺。
预处理是在图片上进行相关的操作，旨在提高它的质量为了增加下一个阶段的处理算法的精度和准确率。主要工作是把肺部与其它器官以及组织区分割出来。其中具体操作包括：(1)对相关的图像进行滤波处理实现去噪；(2)图像灰度直方图均衡化和亮度变换；(3)使用形态学方法以及阈值分割实现ROI的提取，得到一个精准分割的肺。
S2：模型训练
原始的u-net模型虽然容易训练，但由于深度不足，因此一定程度上影响了实验结果的准确性。本发明中，我们提出一种方法将残差网络的主要思想引入到u-net网络中的方法，不仅加深了网络的深度，并且保证了训练有效性。
通过分析剩余注意力网络通过堆叠剩余注意力模块使网络模型能够很容易的达到很深次的机制。在本发明中，我们将残差网络的主要组成部分，即残差单位，进行堆叠，每个单位包含“shortcut”和“identity mapping”。这不仅加深了网络深度，而且保留了更多的原始特征。整个网络仍然是U形结构的形式，首先下采样然后上采样，下采样特征图与相应的上采样的特征图合并。最后，通过全连接层得到最终的分类结果。
S201：残差单元
如图2所示，是本专利中使用的残差单元的网络结构。经调查该结构的训练结果优于传统的残差单元结构。对于每一个单元，可以用如下公式表示：
xl+1＝h(xl)+F(xl；wl，k)
xl与xl+1分别表示第l个残差单元的输入与输出。wl，k是第l个残差单元的权重(和误差)，k是每个残差单元包含的权重层的数量(本专利中k＝2)。F代表残差函数，堆叠了两个3*3的卷积层，每一次卷积先使用Rectified Linear Unit(ReLU)和BatchNormalization(BN)进行预激活。函数h是一个恒等映射：h(xl)＝xl。
S202：网络结构
本文中按照U型结构堆叠网络，并构成了下采样和上采用过程。下采样过程中引入残差单元加深网络结构，而上采样过程中为了避免残差传递更多的噪声信息，只使用了单纯的卷积操作。
该网络一共包含10个残差单元层，4个max-pooling层，4个up-conv层，8个卷积层，以及最后的1个全连接层，其结构如图3所示。每一次下采样时，特征图大小减半，而特征图的数量加倍；每一次上采样后，特征图的数量减半而大小加倍，再与对应的下采样过程中的特征图进行合并。为了防止过拟合，下采样过程中我们引入了dropout操作。同时，为了加快收敛速度以及进一步克服深度神经网络难以训练的弊端，我们在上采样过程中，采用了BN操作。
与U-net网络类似的是下采样可以提取特征，上采样可以完成定位；同时，残差的“捷径连接”加深了网络的深度并且保留了更多的细节特征。与残差网络使用简单的残差单元堆叠的形式对比，我们的方法使用了不同大小的单元并构成了U型结构替代了通过增加网络深度来获得更优模型的方式。
S3：分类结节
由于在训练过程中本发明使用了两种训练方式，因此在分类结节时，我们通过融合两种训练方式的分类结果来对结节与非结节进行分类，实现肺结节的检测任务。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于改进的u-net网络的肺结节检测方法，其特征在于，包括以下步骤：
Step1.图片的获取，利用Lung Nodule Analysis 2016(LUNA16)挑战的数据集，可以直接用SimpleITK读取；
Step2.图像预处理，利用中值滤波、均值滤波以及频域滤波等方式来去除CT图像中的伪影和噪声，并通过直方图来均衡图像的亮度，使其亮度、对比度保持一致；
Step3.肺部分割，主要利用阈值法和形态学相关的内容进行分割。首先将三维肺部图像转换为HU单位值，然后使用两个阈值分别对原始图像进行初步分割，然后使用圆盘结构的元素对粗分割的肺部进行二维形态学开运算，以移除较小的亮点，并且平滑物体的表面，同时保持所有的灰度级和较大的亮度区域特性相对不变。然后使用三维六元素连接抽取最大体积的部分，该部分就是分割的肺部。由于一些结节的亮度较大，因此阈值分割后的肺部后很多的孔洞，因此需要进行修正，此处使用了孔洞填充算法来修补这些孔洞。最后使用了三维形态学闭运算来精炼肺部的边缘，使大部分嵌入到胸膜的结节能够大部分包含进来，以提高下一步分割的准确性；
Step4.对预处理好的图像构建相应的标签，以便可以直接输入网络进行训练与测试；
Step5.引入残差网络的关键思想，使用残差单元以及普通的卷积层堆叠成U型网络结构，改进传统的U-net网络；
Step6.使用处理好的数据分别将多张切片与单张切片作为网络的输入用于训练网络，最后在决策层面上进行融合，得到最后的检测结果。
2.如权利要求1所述的基于改进的u-net网络的肺结节检测方法，其特征在于，整个系统只包含一个网络，直接一步到位实现了结节检测任务，不同于绝大多数的先进行候选结节检测，进一步减小假阳性的结节检测方法。整个方法结构简单，流程简洁，实现容易。
3.如权利要求1和权利要求2所述的基于改进的u-net网络的肺结节检测方法，其特征在于，在训练过程中，充分考虑了结节的体积对训练的影响，仍使用整张切片作为输入。现有的系统通常使用一种多尺度的结构解决这个问题，即在训练过程中改变感受野的大小。而在本发明中我们独立的使用了多张切片与单张切片用于训练网络。多张切片包含了部分空间信息，而单张切片可以改善多切片传播过程中由于结节体积过小而引起的学习误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810343476.3A CN108537793A (zh) | 2018-04-17 | 2018-04-17 | 一种基于改进的u-net网络的肺结节检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810343476.3A CN108537793A (zh) | 2018-04-17 | 2018-04-17 | 一种基于改进的u-net网络的肺结节检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108537793A true CN108537793A (zh) | 2018-09-14 |
Family
ID=63480765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810343476.3A Pending CN108537793A (zh) | 2018-04-17 | 2018-04-17 | 一种基于改进的u-net网络的肺结节检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537793A (zh) |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109461144A (zh) * | 2018-10-16 | 2019-03-12 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
| CN109509178A (zh) * | 2018-10-24 | 2019-03-22 | 苏州大学 | 一种基于改进的U-net网络的OCT图像脉络膜分割方法 |
| 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 |
| CN109544510A (zh) * | 2018-10-24 | 2019-03-29 | 广州大学 | 一种基于卷积神经网络的三维肺结节识别方法 |
| 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 |
| CN109754403A (zh) * | 2018-11-29 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及系统 |
| CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及系统 |
| CN110009641A (zh) * | 2019-03-08 | 2019-07-12 | 广州视源电子科技股份有限公司 | 晶状体分割方法、装置及存储介质 |
| CN110037680A (zh) * | 2019-03-12 | 2019-07-23 | 平安科技（深圳）有限公司 | 心电图的识别方法及装置、存储介质、计算机设备 |
| CN110175979A (zh) * | 2019-04-08 | 2019-08-27 | 杭州电子科技大学 | 一种基于协同注意力机制的肺结节分类方法 |
| CN110570416A (zh) * | 2019-09-12 | 2019-12-13 | 杭州海睿博研科技有限公司 | 多模态心脏图像的可视化和3d打印的方法 |
| CN110930397A (zh) * | 2019-12-06 | 2020-03-27 | 陕西师范大学 | 一种磁共振图像分割方法、装置、终端设备及存储介质 |
| CN111028236A (zh) * | 2019-11-18 | 2020-04-17 | 浙江工业大学 | 一种基于多尺度卷积U-Net的癌细胞图像分割方法 |
| CN111127482A (zh) * | 2019-12-20 | 2020-05-08 | 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 |
| WO2020119679A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 三维左心房分割方法、装置、终端设备及存储介质 |
| CN111612790A (zh) * | 2020-04-29 | 2020-09-01 | 杭州电子科技大学 | 一种基于t型注意力结构的医学图像分割方法 |
| CN111627024A (zh) * | 2020-05-14 | 2020-09-04 | 辽宁工程技术大学 | 一种改进U-net的肾脏肿瘤分割方法 |
| CN112116605A (zh) * | 2020-09-29 | 2020-12-22 | 西北工业大学深圳研究院 | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 |
| CN112163506A (zh) * | 2020-09-25 | 2021-01-01 | 伏羲九针智能科技(北京)有限公司 | 基于超声的静脉血管识别方法、装置及设备 |
| CN112163541A (zh) * | 2020-10-09 | 2021-01-01 | 上海云绅智能科技有限公司 | 一种3d目标检测方法、装置、电子设备和存储介质 |
| US10937158B1 (en) | 2019-08-13 | 2021-03-02 | Hong Kong Applied Science and Technology Research Institute Company Limited | Medical image segmentation based on mixed context CNN model |
| CN112508001A (zh) * | 2020-12-03 | 2021-03-16 | 安徽理工大学 | 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法 |
| CN112614108A (zh) * | 2020-12-24 | 2021-04-06 | 中国人民解放军总医院第一医学中心 | 基于深度学习检测甲状腺超声图像中结节的方法和装置 |
| WO2021073120A1 (zh) * | 2019-10-17 | 2021-04-22 | 平安科技（深圳）有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
| CN112767422A (zh) * | 2021-02-01 | 2021-05-07 | 推想医疗科技股份有限公司 | 图像分割模型的训练方法及装置，分割方法及装置，设备 |
| CN112819801A (zh) * | 2021-02-10 | 2021-05-18 | 桂林电子科技大学 | 一种改进U-Net的肺结节分割方法 |
| CN112889069A (zh) * | 2018-11-08 | 2021-06-01 | Oppo广东移动通信有限公司 | 用于提高低照度图像质量的方法、系统和计算机可读介质 |
| CN113168684A (zh) * | 2018-11-26 | 2021-07-23 | Oppo广东移动通信有限公司 | 提升低亮度图像的质量的方法、系统和计算机可读介质 |
-
2018
- 2018-04-17 CN CN201810343476.3A patent/CN108537793A/zh active Pending
Cited By (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109461144A (zh) * | 2018-10-16 | 2019-03-12 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
| CN109461144B (zh) * | 2018-10-16 | 2021-02-23 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
| CN109509178A (zh) * | 2018-10-24 | 2019-03-22 | 苏州大学 | 一种基于改进的U-net网络的OCT图像脉络膜分割方法 |
| CN109509178B (zh) * | 2018-10-24 | 2021-09-10 | 苏州大学 | 一种基于改进的U-net网络的OCT图像脉络膜分割方法 |
| CN109544510A (zh) * | 2018-10-24 | 2019-03-29 | 广州大学 | 一种基于卷积神经网络的三维肺结节识别方法 |
| CN109544510B (zh) * | 2018-10-24 | 2021-10-26 | 广州大学 | 一种基于卷积神经网络的三维肺结节识别方法 |
| 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 |
| 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 |
| CN112889069A (zh) * | 2018-11-08 | 2021-06-01 | Oppo广东移动通信有限公司 | 用于提高低照度图像质量的方法、系统和计算机可读介质 |
| CN112889069B (zh) * | 2018-11-08 | 2024-04-05 | Oppo广东移动通信有限公司 | 用于提高低照度图像质量的方法、系统和计算机可读介质 |
| US11887280B2 (en) | 2018-11-08 | 2024-01-30 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method, system, and computer-readable medium for improving quality of low-light images |
| CN113168684A (zh) * | 2018-11-26 | 2021-07-23 | Oppo广东移动通信有限公司 | 提升低亮度图像的质量的方法、系统和计算机可读介质 |
| CN113168684B (zh) * | 2018-11-26 | 2024-04-05 | Oppo广东移动通信有限公司 | 提升低亮度图像的质量的方法、系统和计算机可读介质 |
| CN109754403A (zh) * | 2018-11-29 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及系统 |
| 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 |
| WO2020119679A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 三维左心房分割方法、装置、终端设备及存储介质 |
| CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及系统 |
| CN110009641A (zh) * | 2019-03-08 | 2019-07-12 | 广州视源电子科技股份有限公司 | 晶状体分割方法、装置及存储介质 |
| CN110037680A (zh) * | 2019-03-12 | 2019-07-23 | 平安科技（深圳）有限公司 | 心电图的识别方法及装置、存储介质、计算机设备 |
| CN110175979A (zh) * | 2019-04-08 | 2019-08-27 | 杭州电子科技大学 | 一种基于协同注意力机制的肺结节分类方法 |
| US10937158B1 (en) | 2019-08-13 | 2021-03-02 | Hong Kong Applied Science and Technology Research Institute Company Limited | Medical image segmentation based on mixed context CNN model |
| CN110570416A (zh) * | 2019-09-12 | 2019-12-13 | 杭州海睿博研科技有限公司 | 多模态心脏图像的可视化和3d打印的方法 |
| CN110570416B (zh) * | 2019-09-12 | 2020-06-30 | 杭州海睿博研科技有限公司 | 多模态心脏图像的可视化和3d打印的方法 |
| WO2021073120A1 (zh) * | 2019-10-17 | 2021-04-22 | 平安科技（深圳）有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
| CN111028236A (zh) * | 2019-11-18 | 2020-04-17 | 浙江工业大学 | 一种基于多尺度卷积U-Net的癌细胞图像分割方法 |
| CN110930397A (zh) * | 2019-12-06 | 2020-03-27 | 陕西师范大学 | 一种磁共振图像分割方法、装置、终端设备及存储介质 |
| CN110930397B (zh) * | 2019-12-06 | 2022-10-18 | 陕西师范大学 | 一种磁共振图像分割方法、装置、终端设备及存储介质 |
| CN111127482A (zh) * | 2019-12-20 | 2020-05-08 | 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 |
| CN111612790A (zh) * | 2020-04-29 | 2020-09-01 | 杭州电子科技大学 | 一种基于t型注意力结构的医学图像分割方法 |
| CN111612790B (zh) * | 2020-04-29 | 2023-10-17 | 杭州电子科技大学 | 一种基于t型注意力结构的医学图像分割方法 |
| CN111627024A (zh) * | 2020-05-14 | 2020-09-04 | 辽宁工程技术大学 | 一种改进U-net的肾脏肿瘤分割方法 |
| CN112163506A (zh) * | 2020-09-25 | 2021-01-01 | 伏羲九针智能科技(北京)有限公司 | 基于超声的静脉血管识别方法、装置及设备 |
| CN112116605B (zh) * | 2020-09-29 | 2022-04-22 | 西北工业大学深圳研究院 | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 |
| CN112116605A (zh) * | 2020-09-29 | 2020-12-22 | 西北工业大学深圳研究院 | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 |
| CN112163541A (zh) * | 2020-10-09 | 2021-01-01 | 上海云绅智能科技有限公司 | 一种3d目标检测方法、装置、电子设备和存储介质 |
| CN112508001A (zh) * | 2020-12-03 | 2021-03-16 | 安徽理工大学 | 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法 |
| CN112614108A (zh) * | 2020-12-24 | 2021-04-06 | 中国人民解放军总医院第一医学中心 | 基于深度学习检测甲状腺超声图像中结节的方法和装置 |
| CN112614108B (zh) * | 2020-12-24 | 2024-04-19 | 中国人民解放军总医院第一医学中心 | 基于深度学习检测甲状腺超声图像中结节的方法和装置 |
| CN112767422B (zh) * | 2021-02-01 | 2022-03-08 | 推想医疗科技股份有限公司 | 图像分割模型的训练方法及装置，分割方法及装置，设备 |
| CN112767422A (zh) * | 2021-02-01 | 2021-05-07 | 推想医疗科技股份有限公司 | 图像分割模型的训练方法及装置，分割方法及装置，设备 |
| CN112819801A (zh) * | 2021-02-10 | 2021-05-18 | 桂林电子科技大学 | 一种改进U-Net的肺结节分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537793A (zh) | 一种基于改进的u-net网络的肺结节检测方法 | |
| Zhang et al. | Automatic nodule detection for lung cancer in CT images: A review | |
| Gao et al. | Classification of CT brain images based on deep learning networks | |
| Joshi et al. | Classification of brain cancer using artificial neural network | |
| Hariraj et al. | Fuzzy multi-layer SVM classification of breast cancer mammogram images | |
| CN110766051A (zh) | 一种基于神经网络的肺结节形态学分类方法 | |
| CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
| CN109598727A (zh) | 一种基于深度神经网络的ct图像肺实质三维语义分割方法 | |
| CN106780448A (zh) | 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法 | |
| CN107909566A (zh) | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 | |
| CN108805209A (zh) | 一种基于深度学习的肺结节筛查方法 | |
| Gao et al. | On combining morphological component analysis and concentric morphology model for mammographic mass detection | |
| CN107590797A (zh) | 一种基于三维残差神经网络的ct影像肺结节检测方法 | |
| Ashwin et al. | Efficient and reliable lung nodule detection using a neural network based computer aided diagnosis system | |
| Lee et al. | Is intensity inhomogeneity correction useful for classification of breast cancer in sonograms using deep neural network? | |
| CN108133476A (zh) | 一种肺结节自动检测方法及系统 | |
| CN108549912A (zh) | 一种基于机器学习的医学图像肺结节检测方法 | |
| CN112085113B (zh) | 一种重症肿瘤影像识别系统及方法 | |
| Chen et al. | Alzheimer's disease diagnosis with brain structural mri using multiview-slice attention and 3D convolution neural network | |
| Li et al. | 3D tumor detection in automated breast ultrasound using deep convolutional neural network | |
| Tang et al. | Detection of pulmonary nodules based on a multiscale feature 3D U-Net convolutional neural network of transfer learning | |
| Parveen et al. | Detection and classification of pneumonia in chest X-ray images by supervised learning | |
| Shao et al. | Application of U-Net and Optimized Clustering in Medical Image Segmentation: A Review. | |
| Farhangi et al. | Automatic lung nodule detection in thoracic CT scans using dilated slice‐wise convolutions | |
| Ukwuoma et al. | Boosting breast cancer classification from microscopic images using attention mechanism |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180914 |