CN108898595B - 一种胸部图像中病灶区域的定位模型的构建方法及应用 - Google Patents

一种胸部图像中病灶区域的定位模型的构建方法及应用 Download PDF

Info

Publication number
CN108898595B
CN108898595B CN201810682166.4A CN201810682166A CN108898595B CN 108898595 B CN108898595 B CN 108898595B CN 201810682166 A CN201810682166 A CN 201810682166A CN 108898595 B CN108898595 B CN 108898595B
Authority
CN
China
Prior art keywords
chest
image
model
ray
positioning
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.)
Active
Application number
CN201810682166.4A
Other languages
English (en)
Other versions
CN108898595A (zh
Inventor
柴象飞
郭娜
左盼莉
孟博文
王成
黎安伟
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.)
Huiying medical technology (Beijing) Co.,Ltd.
Original Assignee
Huiying Medical Technology Beijing Co ltd
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 Huiying Medical Technology Beijing Co ltd filed Critical Huiying Medical Technology Beijing Co ltd
Priority to CN201810682166.4A priority Critical patent/CN108898595B/zh
Publication of CN108898595A publication Critical patent/CN108898595A/zh
Application granted granted Critical
Publication of CN108898595B publication Critical patent/CN108898595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/045—Combinations of networks
    • 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
    • G06T2207/10116—X-ray image
    • 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

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)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种胸部图像中病灶区域的定位模型的构建方法及应用，包括：A、获取指定数量的胸部疾病患者的胸部X光图像；B、对所述X光图像进行图像预处理，以获取预处理后的图像数据；C、将所述预处理后的图像数据输入至卷积神经网络模型进行训练，以获取训练后的用于胸部图像中病灶区域的定位的模型。由上，本申请通过上述模型能够准确地预测图像中病灶位置的区域位置，以供用户参考，以大大减少医生的诊断时间，降低漏诊和误诊率。

Description

一种胸部图像中病灶区域的定位模型的构建方法及应用
技术领域
本发明涉及医学影像领域，特别是涉及一种胸部图像中病灶区域的定位模型的构建方法及应用。
背景技术
胸部疾病直接关系到患者的身体健康，作为经济便捷的检测方法，X线胸片是胸部疾病筛查的主要手段，医生可以通过该X胸片来进行胸部疾病的诊断，诊断的效率和准确度都依赖于医生的经验水平。但由于缺乏大量专业的医学影像医生，很难保证诊断的效率和准确度。
因此，目前亟需一种胸部图像中病灶区域的定位模型，以快速准确地提供一胸部图像中病灶区域的定位结果，供用户参考，以减少医生的诊断时间，提高诊断地效率及精确度。
发明内容
有鉴于此，本申请提供一种胸部图像中病灶区域的定位模型的构建方法及应用，以快速准确地提供一胸部图像中病灶区域的定位结果，供用户参考，以减少医生的诊断时间，提高诊断地效率及精确度。
本申请提供一种胸部图像中病灶区域的定位模型的构建方法，包括：
A、获取指定数量的胸部疾病患者的胸部X光图像；
B、对所述X光图像进行图像预处理，以获取预处理后的图像数据；
C、将所述预处理后的图像数据输入至卷积神经网络模型进行训练，以获取训练后的用于胸部图像中病灶区域的定位的模型。
由上，本申请的胸部图像中病灶区域的定位模型，可以实现快速准确地提供一胸部图像中病灶区域的定位结果，供用户参考，以减少医生的诊断时间，提高诊断地效率及精确度。
优选地，所述步骤B包括：
B1、进行胸部X光图像分割，包括：使用Unet网络训练胸部分割模型，对全部胸部X光图像进行胸部分割，以获取分割后的胸部区域X光图像；
B2、将分割后的胸部区域X光图像与未分割的原始的胸部X光图像进行合并训练，以获取合并训练后的胸部X光图像；或者
将分割后的胸部区域X光图像与未分割的原始的胸部X光图像进行进行复合叠加处理，以产生3通道的复合胸部X光图像；
B3、将合并训练后的胸部X光图像或者复核处理后的复合胸部X光图像进行随机旋转以进行图像数据扩增。
由上，对于B1：如图2所示，右侧的图为用分割后的胸片(胸部X光图像)能使Unet网络准确定位到胸部，并提高网络的胸部区域输入尺寸，同时减少其他部位的干扰，经实验表明，使用分割后的胸片能使AUC提高1个点。对于B2：仅使用分割后的胸片，可能损失一些整体信息，且引入分割干扰，考虑整合整体和局部信息，将分割后的胸片集和原胸片集合并，即数据量扩大了一倍，这样既能提高增加信息量，也能减小过拟合风险。另外，考虑到仅使用分割后胸片，会损失一些整体信息，且分割可能存在缺失，故在原始胸片上加上(原始胸片+原始胸片+分割后的胸部区域)，产生3通道的复合胸片，如图3所示右侧的图片为复合胸片。对于B3：深度学习需要大量的数据，以防止过拟合，所有数据扩增是非常必要的。由于胸片的整体信息非常重要，缺失了某一部分就不能判断为某种疾病，这与普通物体分类识别不同，不能用随机裁剪来增广数据，所以使用了小角度的随机旋转，±90°旋转及水平翻转来扩增数据。
优选地，步骤C所述卷积神经网络模型为被修改为适应胸部X光图像的图像中病灶区域的定位的模型，包括：
将卷积神经网络模型的分类算法修改为激活函数为Sigmoid的二分类算法。
由上，如图4中Inception-ResNet-v2 Network所示，为适应胸片的14类疾病的诊断，需对其进行适应性修改，即将图4中左边的虚线框所示模块修改为右边的虚线框所示模块，由于一个病人可能患有多种胸部疾病，所以不能采用Softmax激活函数的多分类(类别间互斥)，而应该为Sigmoid激活函数的多标签分类。
优选地，所述二分类算法的优化目标函数为：
Figure GDA0002516702220000031
其中，k是指胸部疾病的类别；yik∈{0，1}表示元素i是否为类别k，其中；pik是由Sigmoid激活函数输出，表示类别为k时概率；αk为单疾病自身的样本不平衡系数；βk为疾病间的样本不平衡系数。
由上，在二分类模型中常使用交叉熵损失函数为优化目标函数，对于胸片图像中病灶区域的定位的多标签模型，不能使用多分类模型的损失函数，因为类别的兼容性，导致每类的负类不能用其他类的正类表示；考虑不同疾病的独立性，将胸片多疾病图像中病灶区域的定位分解为多个单疾病图像中病灶区域的定位，每类图像中病灶区域的定位为一个二分类模型；考虑用卷积神经网络提取特征的相似性，不同疾病可用同一网络提取相似特征，并在最后一层区分不同疾病，即使用图4中修改后的网络模型，同时对于原有的函数进行了修改，以避免现有函数的缺陷(模型训练后期损失函数将会出现较大波动，且不同疾病间的预测效果差异很大，不能实现胸部多疾病的检测。这是由于疾病分布及数据采集存在样本不均衡，且模型为多疾病图像中病灶区域的定位模型，单疾病的正负样本也必然不均衡)。本申请的该函数能较好的反映胸片多疾病图像中病灶区域的定位情况。
优选地，所述步骤C之后还包括：
对所述用于胸部图像中病灶区域的定位的模型进行测试，通过获取AUC值及召回率测试该模型的定位准确度。
由上，AUC(Area Under roc Curve)是一种用来度量分类效果好坏的一个标准。AUC越接近1说明分类效果越好，对应本申请为疾病的检测结果越好。召回率(Recall)为预测为正例的数据占实际为正例数据的比例，召回率越接近1说明检测结果越好。如表1所示，(若无特别说明，表中值代表AUC值)对比了使用公式(3)和公式(4)作为目标优化函数的测试结果，使用修改后公式(4)能使平均AUC值提升11.6个百分点，效果显著；在“ChestX-ray14”数据集上分别使用1.1和1.2的方法进行胸片预处理，经1.3的数据扩充后进行模型训练测试，结果显示，1.1和1.2方法测试结果非常接近，较直接使用胸片能提高约2个百分点，比Andrew Y.Ng论文结果提升约4个百分点；使用国内医院提供的测试数据(1000张，包含10种疾病)，对模型进行测试，AUC值为0.938，召回率为0.907，结果显示模型能较准确预测疾病类别，能力达经验丰富的专业医学影像医生水平。
优选地，所述步骤C之后还包括：
D、提取所述卷积神经网络的最后一层的数据，并将所述数据按疾病类别加权处理，得到与疾病对应的特征图；
E、根据所述特征图制作热图；并将所述热图与原始的胸部X光图像通过alpha透明度通道相加，以获取可视化的病灶区域。
由上，通过该可视化的病灶区域的显示，可以供用户参考(此处的用户一般指医生)，以减少医生的诊断时间，提高诊断地效率及精确度。本申请还将获取得到的可视化的病灶区域与专业医生勾画的相应的疾病区域进行比对，可以通过二者的重合度判断该胸部图像中病灶区域的定位的模型的定位准确度；以图5所示Cardiomegaly(心影增大)为例，图5中的划线区域51为专业医生勾画的相应疾病区域，图5中的52为用CAMs制作的热图的热区；该热图中热区与勾画区域重合较好，能正确反映病灶区，实现疾病区域的定位及可视化。
优选地，所述步骤B1包括：
B11、通过连通域分析，初步定位胸部区域；
B12、将所述胸部区域的边缘的非图像区域删除。
由上，B11有利于初步定位胸部区域的同时可以缓解目标物体尺度过小问题。B12有利于减少对均值和方差的影响
本申请还提供一种基于上述的胸部图像中病灶区域的定位模型的胸部图像中病灶区域的定位方法，包括如下步骤：
A’、输入患者的胸部X光图像；
B’、将所述胸部X光图像进行预处理，以获取预处理后的图像数据；
C’、将所述预处理后的图像数据输入至训练好的胸部图像中病灶区域的定位模型进行胸部图像中病灶区域的定位。
综上所述，本申请通过可以实现快速准确地提供一胸部图像中病灶区域的定位结果，供用户参考，以减少医生的诊断时间，提高诊断地效率及精确度。
附图说明
图1为本申请实施例提供的一种胸部图像中病灶区域的定位模型的构建方法的流程示意图；
图2为本申请实施例提供的对胸部X光图像进行胸部分割的示意图；
图3为本申请实施例提供的复合胸片的示意图；
图4为本申请实施例提供的卷积神经网络Inception-ResNet-v2模型结构及适应性修改；
图5为本申请实施例提供的心影增大病灶区域可视化示意图。
具体实施方式
下面将结合本申请实施例中的附图对本申请进行说明。
实施例一
如图1所示，本申请提供一种胸部图像中病灶区域的定位模型的构建方法，包括：
S101，获取指定数量的胸部疾病患者的胸部X光图像；所述胸部X光图像可以使用已有的大量的胸部疾病患者的胸部X光图像。
之后步骤S102-104，对所述X光图像进行图像预处理，以获取预处理后的图像数据。
S102，进行胸部X光图像分割，包括：使用Unet网络训练胸部分割模型，对全部胸部X光图像进行胸部分割，以获取分割后的胸部区域X光图像。具体的，包括：B11、通过连通域分析，初步定位胸部区域。B12、将所述胸部区域的边缘的非图像区域删除。如图2所示，右侧的图为用分割后的胸片(胸部X光图像)能使Unet网络准确定位到胸部，并提高网络的胸部区域输入尺寸，同时减少其他部位的干扰，经实验表明，使用分割后的胸片能使AUC提高1个点。
S103，将分割后的胸部区域X光图像与未分割的原始的胸部X光图像进行合并训练，以获取合并训练后的胸部X光图像；仅使用分割后的胸片，可能损失一些整体信息，且引入分割干扰，考虑整合整体和局部信息，将分割后的胸片集和原胸片集合并，即数据量扩大了一倍，这样既能提高增加信息量，也能减小过拟合风险。或者
S104，将分割后的胸部区域X光图像与未分割的原始的胸部X光图像进行进行复合叠加处理，以产生3通道的复合胸部X光图像；考虑到仅使用分割后胸片，会损失一些整体信息，且分割可能存在缺失，故在原始胸片上加上(原始胸片+原始胸片+分割后的胸部区域)，产生3通道的复合胸片，如图3所示右侧的图片为复合胸片。
S105，将合并训练后的胸部X光图像或者复核处理后的复合胸部X光图像进行随机旋转以进行图像数据扩增。深度学习需要大量的数据，以防止过拟合，所有数据扩增是非常必要的。由于胸片的整体信息非常重要，缺失了某一部分就不能判断为某种疾病，这与普通物体分类识别不同，不能用随机裁剪来增广数据，所以使用了小角度的随机旋转，±90°旋转及水平翻转来扩增数据。
S106，将所述预处理后的图像数据输入至卷积神经网络模型进行训练，以获取训练后的用于胸部图像中病灶区域的定位的模型。其中，所述卷积神经网络模型为被修改为适应胸部X光图像的图像中病灶区域的定位的模型，包括：
将卷积神经网络模型的分类算法修改为激活函数为Sigmoid的二分类算法。如图4中Inception-ResNet-v2 Network所示，为适应胸片的14类疾病的诊断，需对其进行适应性修改，即将图4中左边的虚线框所示模块修改为右边的虚线框所示模块，由于一个病人可能患有多种胸部疾病，所以不能采用Softmax激活函数的多分类(类别间互斥)，而应该为Sigmoid激活函数的多标签分类。
在二分类模型中常使用交叉熵损失函数为优化目标函数，其方程式如式(1)所示，
Figure GDA0002516702220000071
其中，yi∈{0，1}表示元素i的类别，pi表示元素i为1类时的概率，即Sigmoid激活函数的输出。
对于多分类模型(类别间互斥)，可直接对其推广，变为log-likelihood损失函数，如式(2)所示，k∈{0，1，...，c}表示类别，yik∈{0，1}表示元素i是否为类别k，pik由Softmax激活函数输出，表示为类别K时概率。
Figure GDA0002516702220000072
对于胸片图像中病灶区域的定位的多标签模型，不能使用多分类模型的损失函数，因为类别的兼容性，导致每类的负类不能用其他类的正类表示；考虑不同疾病的独立性，将胸片多疾病图像中病灶区域的定位分解为多个单疾病图像中病灶区域的定位，每类图像中病灶区域的定位为一个二分类模型，可以使用式(1)的损失函数；考虑用卷积神经网络提取特征的相似性，不同疾病可用同一网络提取相似特征，并在最后一层区分不同疾病，即使用图3种修改后的网络模型，相应的损失函数如式(3)所示，k∈{0，1，...，c}表示类别，yik∈{0，1}表示元素i是否为类别k，pik由Sigmoid激活函数输出，表示为类别K时概率。
Figure GDA0002516702220000073
若直接使用式(3)作为优化目标函数进行模型训练，模型训练后期损失函数将会出现较大波动，且不同疾病间的预测效果差异很大，不能实现胸部多疾病的检测。这是由于疾病分布及数据采集存在样本不均衡，且模型为多疾病图像中病灶区域的定位模型，单疾病的正负样本也必然不均衡，所以需要对损失函数进行修改，修改后如式(4)所示，
Figure GDA0002516702220000081
其中，k是指胸部疾病的类别；yik∈{0，1}表示元素i是否为类别k，其中；pik是由Sigmoid激活函数输出，表示类别为k时概率；αk为单疾病自身的样本不平衡系数；βk为疾病间的样本不平衡系数。即在式(3)中加入两个不平衡参数αk、βk，αk为单疾病自身的样本不平衡系数，由疾病内的正负样本比例决定，βk为疾病间的样本不平衡系数，由疾病间正类的比例决定，这样，修改后的损失函数能较好的反映胸片多疾病图像中病灶区域的定位情况。
S107，对所述用于胸部图像中病灶区域的定位的模型进行测试，通过获取AUC值及召回率对该模型的定位准确度进行判断。其中，AUC(Area Under roc Curve)是一种用来度量分类效果好坏的一个标准。AUC越接近1说明分类效果越好，对应本申请为疾病的检测结果越好。召回率(Recall)为预测为正例的数据占实际为正例数据的比例，召回率越接近1说明检测结果越好。如表1所示，(表中数值代表AUC值，该表的最左列代表14中胸部疾病的名称)对比了使用公式(3)和公式(4)作为目标优化函数的测试结果，使用修改后公式(4)能使平均AUC值提升11.6个百分点，效果显著；在“ChestX-ray14”数据集上分别使用1.1和1.2的方法进行胸片预处理，经1.3的数据扩充后进行模型训练测试，结果显示，1.1和1.2方法测试结果非常接近，较直接使用胸片能提高约2个百分点，比Andrew Y.Ng论文结果提升约4个百分点；使用国内医院提供的测试数据(1000张，包含10种疾病)，对模型进行测试，AUC值为0.938，召回率为0.907，结果显示模型能较准确预测疾病类别，能力达经验丰富的专业医学影像医生水平。
Figure GDA0002516702220000091
表1模型测试结果
S108，提取所述卷积神经网络的最后一层的数据，并将所述数据按疾病类别加权处理，得到与疾病对应的特征图。
S109，根据所述特征图制作热图；并将所述热图与原始的胸部X光图像通过alpha透明度通道相加，以获取可视化的病灶区域。通过该可视化的病灶区域的显示，可以供用户参考(此处的用户一般指医生)，以减少医生的诊断时间，提高诊断地效率及精确度。本申请还将获取得到的可视化的病灶区域与专业医生勾画的相应的疾病区域进行比对，可以通过二者的重合度判断该胸部图像中病灶区域的定位的模型的定位准确度；以图5所示Cardiomegaly(心影增大)为例，图5中的划线区域51为专业医生勾画的相应疾病区域，图5中的52为用CAMs制作的热图的热区；该热图中热区与勾画区域重合较好，能正确反映病灶区，实现疾病区域的定位及可视化。
实施例二
本申请还提供一种基于上述的胸部图像中病灶区域的定位模型的胸部图像中病灶区域的定位方法，包括如下步骤：
A’、输入患者的胸部X光图像；
B’、将所述胸部X光图像进行预处理，以获取预处理后的图像数据；
C’、将所述预处理后的图像数据输入至训练好的胸部图像中病灶区域的定位模型进行胸部图像中病灶区域的定位。
综上所述，本申请通过可以实现快速准确地提供一胸部图像中病灶区域的定位结果，供用户参考，以减少医生的诊断时间，提高诊断地效率及精确度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种胸部图像中病灶区域的定位模型的构建方法，其特征在于，包括步骤：
A、获取指定数量的胸部疾病患者的胸部X光图像；
B、对所述X光图像进行图像预处理，以获取预处理后的图像数据；
C、将所述预处理后的图像数据输入至卷积神经网络模型进行训练，以获取训练后的用于胸部图像中病灶区域的定位的模型；
所述步骤B包括：
B1、进行胸部X光图像分割，包括：使用Unet网络训练胸部分割模型，对全部胸部X光图像进行胸部分割，以获取分割后的胸部区域X光图像；
B2、将分割后的胸部区域X光图像与未分割的原始的胸部X光图像进行合并训练，以获取合并训练后的胸部X光图像；或者
将分割后的胸部区域X光图像与未分割的原始的胸部X光图像进行复合叠加处理，以产生3通道的复合胸部X光图像；
B3、将合并训练后的胸部X光图像或者复核处理后的复合胸部X光图像进行随机旋转以进行图像数据扩增。
2.根据权利要求1所述的方法，其特征在于，步骤C所述卷积神经网络模型为被修改为适应胸部X光图像的图像中病灶区域的定位的模型，包括：
将卷积神经网络模型的分类算法修改为激活函数为Sigmoid的二分类算法。
3.根据权利要求2所述的方法，其特征在于，所述二分类算法的优化目标函数为：
Figure FDA0002838022170000011
其中，k是指胸部疾病的类别；yik∈{0，1}表示元素i是否为类别k，其中；pik是由Sigmoid激活函数输出，表示类别为k时概率；αk为单疾病自身的样本不平衡系数；βk为疾病间的样本不平衡系数。
4.根据权利要求3所述的方法，其特征在于，所述步骤C之后还包括：
对所述用于胸部图像中病灶区域的定位的模型进行测试，通过获取AUC值及召回率测试该模型的定位准确度。
5.根据权利要求3所述的方法，其特征在于，所述步骤C之后还包括：
D、提取所述卷积神经网络的最后一层的数据，并将所述数据按疾病类别加权处理，得到与疾病对应的特征图；
E、根据所述特征图制作热图；并将所述热图与原始的胸部X光图像通过alpha透明度通道相加，以获取可视化的病灶区域。
6.根据权利要求1所述的方法，其特征在于，所述步骤B1包括：
B11、通过连通域分析，初步定位胸部区域；
B12、将所述胸部区域的边缘的非图像区域删除。
7.一种基于权利要求1-6任一项所述的胸部图像中病灶区域的定位模型的胸部图像中病灶区域的定位方法，其特征在于，包括如下步骤：
A’、输入患者的胸部X光图像；
B’、将所述胸部X光图像进行预处理，以获取预处理后的图像数据；
C’、将所述预处理后的图像数据输入至训练好的胸部图像中病灶区域的定位模型进行胸部图像中病灶区域的定位。
CN201810682166.4A 2018-06-27 2018-06-27 一种胸部图像中病灶区域的定位模型的构建方法及应用 Active CN108898595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810682166.4A CN108898595B (zh) 2018-06-27 2018-06-27 一种胸部图像中病灶区域的定位模型的构建方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810682166.4A CN108898595B (zh) 2018-06-27 2018-06-27 一种胸部图像中病灶区域的定位模型的构建方法及应用

Publications (2)

Publication Number Publication Date
CN108898595A CN108898595A (zh) 2018-11-27
CN108898595B true CN108898595B (zh) 2021-02-19

Family

ID=64346242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810682166.4A Active CN108898595B (zh) 2018-06-27 2018-06-27 一种胸部图像中病灶区域的定位模型的构建方法及应用

Country Status (1)

Country Link
CN (1) CN108898595B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598730B (zh) * 2018-12-03 2019-12-20 鄂珑江 胸片分割及处理方法、系统及电子设备
CN109767429B (zh) * 2018-12-28 2021-08-06 上海联影智能医疗科技有限公司 一种图像筛查方法及装置
CN109949321B (zh) * 2019-03-26 2019-12-10 电子科技大学 基于三维Unet网络的脑部核磁共振图像组织分割方法
CN110197493B (zh) * 2019-05-24 2021-04-23 清华大学深圳研究生院 眼底图像血管分割方法
CN110163296B (zh) * 2019-05-29 2020-12-18 北京达佳互联信息技术有限公司 图像识别的方法、装置、设备及存储介质
CN110349134B (zh) * 2019-06-27 2022-12-09 广东技术师范大学天河学院 一种基于多标签卷积神经网络的管道病害图像分类方法
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
CN110767239A (zh) * 2019-09-20 2020-02-07 平安科技（深圳）有限公司 一种基于深度学习的声纹识别方法、装置及设备
CN111275118B (zh) * 2020-01-22 2022-09-16 复旦大学 基于自我修正式标签生成网络的胸片多标签分类方法
CN111553890B (zh) * 2020-04-22 2021-01-08 上海全景云医学影像诊断有限公司 基于增量学习的x光正位胸片多任务检测方法
CN111754453A (zh) * 2020-05-11 2020-10-09 佛山市第四人民医院(佛山市结核病防治所) 基于胸透图像的肺结核检测方法、系统和存储介质
CN111544021B (zh) * 2020-05-11 2022-06-17 徐州医科大学 一种基于胸部ct的covid-19疾病进展评价方法及装置
CN111738992B (zh) * 2020-06-04 2023-12-22 讯飞医疗科技股份有限公司 肺部病灶区域提取方法、装置、电子设备和存储介质
CN112116571A (zh) * 2020-09-14 2020-12-22 中国科学院大学宁波华美医院 一种基于弱监督学习的x光肺部疾病自动定位方法
CN113076993B (zh) * 2021-03-31 2023-04-18 零氪智慧医疗科技(天津)有限公司 用于胸部x光片识别的信息处理方法、模型训练方法
CN116452579B (zh) * 2023-06-01 2023-12-08 中国医学科学院阜外医院 一种基于胸片图像的肺动脉高压智能评估方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016665A (zh) * 2017-02-16 2017-08-04 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
CN107578405A (zh) * 2017-08-30 2018-01-12 北京网医智捷科技有限公司 一种基于深度卷积神经网络的肺部结节自动检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10417788B2 (en) * 2016-09-21 2019-09-17 Realize, Inc. Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016665A (zh) * 2017-02-16 2017-08-04 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
CN107578405A (zh) * 2017-08-30 2018-01-12 北京网医智捷科技有限公司 一种基于深度卷积神经网络的肺部结节自动检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays;Pranav Rajpurkar等;《https://arxiv.org/pdf/1711.05225.pdf%202017.pdf》;20171225;第1-7页 *
损失函数loss大大总结;watersink;《https://blog.csdn.net/qq_14845119/article/details/80787753》;20180623;第1-12页 *

Also Published As

Publication number Publication date
CN108898595A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
CN108898595B (zh) 一种胸部图像中病灶区域的定位模型的构建方法及应用
CN111539930B (zh) 基于深度学习的动态超声乳腺结节实时分割与识别的方法
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
CN112101451B (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
WO2017096407A1 (en) Systems and methods for analyzing pathologies utilizing quantitative imaging
CN101103924A (zh) 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统
CN111784701B (zh) 结合边界特征增强和多尺度信息的超声图像分割方法及系统
CN109919254B (zh) 乳腺密度分类方法、系统、可读存储介质和计算机设备
CN105956386B (zh) 基于健康人胸片的健康指标指数分类系统和方法
Jony et al. Detection of lung cancer from CT scan images using GLCM and SVM
Hussain et al. Femur segmentation in DXA imaging using a machine learning decision tree
Kriti et al. A review of segmentation algorithms applied to B-mode breast ultrasound images: A characterization approach
CN112529900B (zh) 匹配乳腺图像中roi的方法、装置、终端与存储介质
CN116630680B (zh) 一种x线摄影联合超声的双模态影像分类方法及系统
Oliver et al. Automatic diagnosis of masses by using level set segmentation and shape description
CN113838020B (zh) 一种基于钼靶影像的病变区域量化方法
Dabade et al. A review paper on computer aided system for lung cancer detection
Saglam et al. COVID-19 Detection from X-ray Images Using a New CNN Approach
Saleh et al. Classification the Mammograms Based on Hybrid Features Extraction Techniques Using Multilayer Perceptron Classifier
Amritha et al. Liver tumor segmentation and classification using deep learning
CN111265234A (zh) 一种肺部纵膈淋巴结的性质判定方法及系统
Paul et al. Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization
Nandanwar et al. Analysis of pixel intensity variation by performing morphological operations for image segmentation on cervical cancer pap smear image
RU2812866C1 (ru) Способ обработки снимков компьютерной томографии (КТ-снимков)
Raghavendra et al. Electron microscopy images for automatic bacterial trichomoniasis diagnostic classification separating and sorting of overlapping microbes

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
CP03 Change of name, title or address

Address after: 100000 Zhongguancun Dongsheng Science Park, 66 xixiaokou Road, Haidian District, Beijing A206, 2f, building B-2, Northern Territory

Patentee after: Huiying medical technology (Beijing) Co.,Ltd.

Address before: 100192 room 206, 2nd floor, building C-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing

Patentee before: HUIYING MEDICAL TECHNOLOGY (BEIJING) Co.,Ltd.

CP03 Change of name, title or address