CN108899087A - 基于深度学习的x光片智能诊断方法 - Google Patents
基于深度学习的x光片智能诊断方法 Download PDFInfo
- Publication number
- CN108899087A CN108899087A CN201810648064.0A CN201810648064A CN108899087A CN 108899087 A CN108899087 A CN 108899087A CN 201810648064 A CN201810648064 A CN 201810648064A CN 108899087 A CN108899087 A CN 108899087A
- Authority
- CN
- China
- Prior art keywords
- model
- image data
- disaggregated
- ray
- disaggregated model
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于深度学习的X光片智能诊断方法,包括如下步骤:获取预设存储器中存储的胸部X光片的影像数据;将所述胸部X光片的影像数据以预设方式进行增广;将增广后的影像数据进行预处理操作,以使数据特征符合标准;将预处理后的影像数据进行分类形成若干个分类模型,并分别对每一个分类模型设计模型训练以生成模型训练预测结果;获取最终的CNN特征图,并根据CNN特征图生成热力图;根据每一个分类模型的模型训练预测结果计算得到集成结果。本发明深度学习大量的胸部X光片中肺部疾病特征,实现对多种肺部疾病的精准预测,提供诊断依据,预测时间大大少于人工诊断时间,节省了医生的时间。
Description
技术领域
本发明涉及医疗影像识别技术,尤其涉及基于深度学习的X光片智能诊断方法。
背景技术
胸部X光片检查是最常用的医疗影像检查工具,在对涵盖肺炎在内的疾病进行筛查诊断和管理的过程中占据着至关重要的地位,然而从胸部X光照片中监测肺部疾病对于放射科医师而言是一个困难的任务。因为肺部疾病在X光片上的表现经常难以识别,它可能与其他病症重叠,也可以与其他很多良性异常类似。这些原因导致放射科医师在诊断肺部疾病时表现差异很大。
发明内容
为了克服现有技术的不足,本发明的目的在于提供基于深度学习的X光片智能诊断方法,其能解决现有技术中人工识别X光片难以诊断肺部病症表现的问题。
本发明的目的采用以下技术方案实现:
基于深度学习的X光片智能诊断方法,包括如下步骤:
获取步骤:获取预设存储器中存储的胸部X光片的影像数据;
增广步骤:将所述胸部X光片的影像数据以预设方式进行增广;
处理步骤:将增广后的影像数据进行预处理操作,以使数据特征符合标准;
分类步骤:将预处理后的影像数据进行分类形成若干个分类模型,并分别对每一个分类模型设计模型训练以生成模型训练预测结果;
生成步骤:获取最终的CNN特征图,并根据CNN特征图生成热力图;
集成步骤:根据每一个分类模型的模型训练预测结果计算得到集成结果。
优选的,还包括部署步骤:将进行模型训练后的分类模型部署至服务器端,并构建REST API服务器。
优选的,增广步骤中的预设方式包括将影像数据随机水平反转、随机左右平移、随机上下平移、随机缩放。
优选的,处理步骤具体包括如下子步骤:
获取增广后的影像数据;
将所述影像数据进行归一化处理;
统一所述影像数据的图像形状;
将所述影像数据进行标准化处理;
随机打乱所述影像数据。
优选的,所述分类模型至少包括DenseNet121模型、DenseNet169模型、DenseNet201模型、ResNet50模型、InceptinV3模型、InceptinResNetV2模型、NASNetMobile模型。
优选的,在分类步骤中,“分别对每一个分类模型设计模型训练”具体包括如下步骤:
输入任意一个预处理后的影像数据;
分别对每一个分类模型对应调节参数,使每一个分类模型均使用Focal Loss损失函数,所述参数至少包括批尺寸、学习率;
设计每一个分类模型的Adam优化器;
设计每一个分类模型的学习速率定时器回调函数;
设计每一个分类模型保存回调函数;
设计每一个分类模型在模型训练过程中的可视化回调函数;
设计记录每一个分类模型AUC并保存最高AUC模板的回调函数;
设计记录训练数据结构数据流的回调函数。
优选的,所述生成步骤具体包括如下步骤:
获取最终的CNN特征图;
根据CNN特征图获取每一个分类模型的分类层权重;
生成预处理后的影像数据的色彩映射图像;
生成热力图。
优选的,集成步骤具体包括如下步骤:
获取每一个分类模型的模型训练预测结果;
将所有模型训练预测结果做加权平均处理以得到集成结果并进行输出。
相比现有技术,本发明的有益效果在于:
本发明深度学习大量的胸部X光片中肺部疾病特征,实现对多种肺部疾病的精准预测,提供诊断依据,预测时间大大少于人工诊断时间,节省了医生的时间。
附图说明
图1为本发明的基于深度学习的X光片智能诊断方法的流程图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述:
如图1所示,本发明提供一种基于深度学习的X光片智能诊断方法,具体包括如下步骤:
S1:获取预设存储器中存储的胸部X光片的影像数据;
在本发明中,对数据的深度学习是关键,本发明所示的预设存储器并不一定是实际的电子器件,只是表示影响数据来自于某一个或某一些的存储区间,本发明的影响数据可以来自于某一研究院或者肺部X光数据库ChestX-ray14,该数据库包含14种肺部疾病(肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气)的10万多张X光前视图,约42G。
S2:将所述胸部X光片的影像数据以预设方式进行增广;
本步骤中,预设方式包括将影像数据随机水平反转、随机左右平移、随机上下平移、随机缩放。在前面步骤中酸度学习大量学习数据,是为了丰富训练数据,提高模型的泛化能力,在不盖板图像真实度的前提下,做数据增广。进行数据增广之前,先读取影响数据,转换为array。左右平移、上下平移、放大缩小的范围均设定为0.9-1.1.数据增广是为了增大数据量,这些操作均是随机操作。
S3:将增广后的影像数据进行预处理操作,以使数据特征符合标准;
为了让模型更好的收敛,对影像数据的每一个唯独的值进行重新调校,使得最终的数据向量落在[-1,1]区间内。
具体为:获取增广后的影像数据;
将所述影像数据进行归一化处理,将像素值除以255,使数据向量落在[0,1]做数据归一化;
统一所述影像数据的图像形状;
将所述影像数据进行标准化处理;图像像素值除以均值和标准差,使得数据的每一个维度具有零均值和单位方差,做数据特征标准化;
随机打乱所述影像数据。为了减少训练数据间的关联性,让模型泛化能力更强,打乱样本数据的顺序。
S4:将预处理后的影像数据进行分类形成若干个分类模型,并分别对每一个分类模型设计模型训练以生成模型训练预测结果;
上述分类模型至少包括DenseNet121模型、DenseNet169模型、DenseNet201模型、ResNet50模型、InceptinV3模型、InceptinResNetV2模型、NASNetMobile模型。
“分别对每一个分类模型设计模型训练”具体包括如下步骤:
输入任意一个预处理后的影像数据;输入经过数据增广和预处理后的一组X光片影像,影像数量根据显卡的显存容量和模型大小调整;
分别对每一个分类模型对应调节参数,使每一个分类模型均使用Focal Loss损失函数,所述参数至少包括批尺寸、学习率;在imagenet上预训练好的模型上迁移学习,微调batch_size,学习率,输入图片大小等参数,直到模型loss收敛到最小;
设计每一个分类模型的Adam优化器;设置参数beta=0.9,decay=1e-4;
设计每一个分类模型的学习速率定时器回调函数;
设计每一个分类模型保存回调函数;
设计每一个分类模型在模型训练过程中的可视化回调函数;
设计记录每一个分类模型AUC并保存最高AUC模板的回调函数;
设计记录训练数据结构数据流的回调函数。
训练这组模型,调节超参数,是模型收敛,得到每个模型的预测结果,作为集成结果的输入。
S5:获取最终的CNN特征图,并根据CNN特征图生成热力图;
具体为:
获取最终的CNN特征图;
根据CNN特征图获取每一个分类模型的分类层权重;
生成预处理后的影像数据的色彩映射图像;
将上述生成的色彩映射图像和原图加权重叠在一起生成热力图。
为了对分类结果给出解释,借鉴Grad-CAM生成热力图,可视化模型分类的参照部位,为模型分类提供依据。
S6:根据每一个分类模型的模型训练预测结果计算得到集成结果。
获取每一个分类模型的模型训练预测结果;将所有模型训练预测结果做加权平均处理以得到集成结果并进行输出。
S7:将进行模型训练后的分类模型部署至服务器端,并构建RESTAPI服务器。把上述训练好的模型部署在服务器端,并构建REST API服务器.在客户端访问服务器后,输入一张胸部x光片,点击预测后就可以得到患者对14中胸部疾病的预测结果。
具体是安装RESTAPI服务器环境,修改apache服务器配置文件,创建Web服务器代码文件,客户端代码文件,创建WSGI配置文件,创建项目的软链接,建立CUDA库的软链接,将训练好的模型部署到服务器,启动ApacheWeb服务器,启动Redis数据库,启动模型服务。因为患者的胸部X光片数据属于敏感信息,所以模型服务器部署在医院内部网络中,与外网隔离.服务器要安装GPU,CUDA,CUDNN。
本发明主要由数据增广预处理,多模型训练,多模型融合,模型部署等部分组成.原始胸部X光片通过数据增广,预处理,转换成模型可训练数据,提供给多个模型进行训练.训练完成后,模型保存并部署在服务器端.当在客户端上传患者胸部X光片数据后,利用服务器端的模型,对患者是否患有14种肺部疾病进行诊断,并可提供热力图,提供诊断依据。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (8)
1.基于深度学习的X光片智能诊断方法,其特征在于,包括如下步骤:
获取步骤:获取预设存储器中存储的胸部X光片的影像数据;
增广步骤:将所述胸部X光片的影像数据以预设方式进行增广;
处理步骤:将增广后的影像数据进行预处理操作,以使数据特征符合标准;
分类步骤:将预处理后的影像数据进行分类形成若干个分类模型,并分别对每一个分类模型设计模型训练以生成模型训练预测结果;
生成步骤:获取最终的CNN特征图,并根据CNN特征图生成热力图;
集成步骤:根据每一个分类模型的模型训练预测结果计算得到集成结果。
2.如权利要求1所述的X光片智能诊断方法,其特征在于,还包括部署步骤:将进行模型训练后的分类模型部署至服务器端,并构建REST API服务器。
3.如权利要求1所述的X光片智能诊断方法,其特征在于,增广步骤中的预设方式包括将影像数据随机水平反转、随机左右平移、随机上下平移、随机缩放。
4.如权利要求3所述的X光片智能诊断方法,其特征在于,处理步骤具体包括如下子步骤:
获取增广后的影像数据;
将所述影像数据进行归一化处理;
统一所述影像数据的图像形状;
将所述影像数据进行标准化处理;
随机打乱所述影像数据。
5.如权利要求4所述的X光片智能诊断方法,其特征在于,所述分类模型至少包括DenseNet121模型、DenseNet169模型、DenseNet201模型、ResNet50模型、InceptinV3模型、InceptinResNetV2模型、NASNetMobile模型。
6.如权利要求4所述的X光智能诊断方法,其特征在于,在分类步骤中,“分别对每一个分类模型设计模型训练”具体包括如下步骤:
输入任意一个预处理后的影像数据;
分别对每一个分类模型对应调节参数,使每一个分类模型均使用Focal Loss损失函数,所述参数至少包括批尺寸、学习率;
设计每一个分类模型的Adam优化器;
设计每一个分类模型的学习速率定时器回调函数;
设计每一个分类模型保存回调函数;
设计每一个分类模型在模型训练过程中的可视化回调函数;
设计记录每一个分类模型AUC并保存最高AUC模板的回调函数;
设计记录训练数据结构数据流的回调函数。
7.如权利要求3所述的X光片智能诊断方法,其特征在于,所述生成步骤具体包括如下步骤:
获取最终的CNN特征图;
根据CNN特征图获取每一个分类模型的分类层权重;
生成预处理后的影像数据的色彩映射图像;
生成热力图。
8.如权利要求7所述的X光片智能诊断方法,其特征在于,集成步骤具体包括如下步骤:
获取每一个分类模型的模型训练预测结果;
将所有模型训练预测结果做加权平均处理以得到集成结果并进行输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810648064.0A CN108899087A (zh) | 2018-06-22 | 2018-06-22 | 基于深度学习的x光片智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810648064.0A CN108899087A (zh) | 2018-06-22 | 2018-06-22 | 基于深度学习的x光片智能诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108899087A true CN108899087A (zh) | 2018-11-27 |
Family
ID=64345831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810648064.0A Pending CN108899087A (zh) | 2018-06-22 | 2018-06-22 | 基于深度学习的x光片智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108899087A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598719A (zh) * | 2018-12-06 | 2019-04-09 | 中山大学 | 一种基于深度学习的肺部疾病检测方法 |
CN109886922A (zh) * | 2019-01-17 | 2019-06-14 | 丽水市中心医院 | 基于SE-DenseNet深度学习框架和多模态增强MR图像的肝细胞癌自动分级方法 |
CN110390665A (zh) * | 2019-05-30 | 2019-10-29 | 哈尔滨工业大学(深圳) | 基于深度学习多通道与图嵌法的膝关节病症超声诊断方法 |
CN111046858A (zh) * | 2020-03-18 | 2020-04-21 | 成都大熊猫繁育研究基地 | 一种基于图像的动物物种细分类方法、系统及介质 |
CN111353330A (zh) * | 2018-12-20 | 2020-06-30 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111354459A (zh) * | 2020-02-25 | 2020-06-30 | 成都联客信息技术有限公司 | 一种针对中医推拿的辅助诊断专家系统 |
CN111709446A (zh) * | 2020-05-14 | 2020-09-25 | 天津大学 | 基于改进的密集连接网络的x线胸片分类装置 |
WO2021017736A1 (zh) * | 2019-07-31 | 2021-02-04 | 平安科技(深圳)有限公司 | 一种图像分析装置 |
CN113012823A (zh) * | 2021-03-30 | 2021-06-22 | 海口讯婕城医疗科技有限公司 | 一种用于心电图机的云平台系统 |
CN113192625A (zh) * | 2021-03-08 | 2021-07-30 | 北京航空航天大学 | 一种基于深度学习的肺部疾病辅助诊断云平台 |
CN114842968A (zh) * | 2022-06-30 | 2022-08-02 | 北京超数时代科技有限公司 | 一种基于人工智能的数字肠镜诊疗系统 |
CN117336453A (zh) * | 2023-11-27 | 2024-01-02 | 湖南苏科智能科技有限公司 | 一种安检图像转换方法、系统、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
CN106682435A (zh) * | 2016-12-31 | 2017-05-17 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
CN107280697A (zh) * | 2017-05-15 | 2017-10-24 | 北京市计算中心 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
CN107665736A (zh) * | 2017-09-30 | 2018-02-06 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
-
2018
- 2018-06-22 CN CN201810648064.0A patent/CN108899087A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
CN106682435A (zh) * | 2016-12-31 | 2017-05-17 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
CN107280697A (zh) * | 2017-05-15 | 2017-10-24 | 北京市计算中心 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
CN107665736A (zh) * | 2017-09-30 | 2018-02-06 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598719A (zh) * | 2018-12-06 | 2019-04-09 | 中山大学 | 一种基于深度学习的肺部疾病检测方法 |
CN111353330A (zh) * | 2018-12-20 | 2020-06-30 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN109886922A (zh) * | 2019-01-17 | 2019-06-14 | 丽水市中心医院 | 基于SE-DenseNet深度学习框架和多模态增强MR图像的肝细胞癌自动分级方法 |
CN109886922B (zh) * | 2019-01-17 | 2023-08-18 | 丽水市中心医院 | 基于SE-DenseNet深度学习框架和增强MR图像的肝细胞癌自动分级方法 |
CN110390665A (zh) * | 2019-05-30 | 2019-10-29 | 哈尔滨工业大学(深圳) | 基于深度学习多通道与图嵌法的膝关节病症超声诊断方法 |
WO2021017736A1 (zh) * | 2019-07-31 | 2021-02-04 | 平安科技(深圳)有限公司 | 一种图像分析装置 |
CN111354459A (zh) * | 2020-02-25 | 2020-06-30 | 成都联客信息技术有限公司 | 一种针对中医推拿的辅助诊断专家系统 |
CN111046858B (zh) * | 2020-03-18 | 2020-09-08 | 成都大熊猫繁育研究基地 | 一种基于图像的动物物种细分类方法、系统及介质 |
CN111046858A (zh) * | 2020-03-18 | 2020-04-21 | 成都大熊猫繁育研究基地 | 一种基于图像的动物物种细分类方法、系统及介质 |
CN111709446A (zh) * | 2020-05-14 | 2020-09-25 | 天津大学 | 基于改进的密集连接网络的x线胸片分类装置 |
CN113192625A (zh) * | 2021-03-08 | 2021-07-30 | 北京航空航天大学 | 一种基于深度学习的肺部疾病辅助诊断云平台 |
CN113012823A (zh) * | 2021-03-30 | 2021-06-22 | 海口讯婕城医疗科技有限公司 | 一种用于心电图机的云平台系统 |
CN114842968A (zh) * | 2022-06-30 | 2022-08-02 | 北京超数时代科技有限公司 | 一种基于人工智能的数字肠镜诊疗系统 |
CN114842968B (zh) * | 2022-06-30 | 2022-09-13 | 北京超数时代科技有限公司 | 一种基于人工智能的数字肠镜诊疗系统 |
CN117336453A (zh) * | 2023-11-27 | 2024-01-02 | 湖南苏科智能科技有限公司 | 一种安检图像转换方法、系统、设备及存储介质 |
CN117336453B (zh) * | 2023-11-27 | 2024-01-30 | 湖南苏科智能科技有限公司 | 一种安检图像转换方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108899087A (zh) | 基于深度学习的x光片智能诊断方法 | |
CN111739075B (zh) | 一种结合多尺度注意力的深层网络肺部纹理识别方法 | |
WO2019194865A1 (en) | Enhanced convolutional neural network for image segmentation | |
CN110189288A (zh) | 生成可用于半导体样本的检查的训练集的方法和其系统 | |
CN110533070A (zh) | 一种小样本下基于迁移原形网络的机械故障智能诊断方法 | |
CN112784801A (zh) | 基于文本和图片的双模态胃部疾病分类方法及装置 | |
CN112101451A (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 | |
CN110827294A (zh) | 网络模型训练方法及装置、病灶区域确定方法及装置 | |
CN110555836A (zh) | 一种超声图像中胎儿标准切面的自动识别方法和系统 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
CN114724670A (zh) | 一种医学报告生成方法、装置、存储介质和电子设备 | |
CN110503078A (zh) | 一种基于深度学习的远距离人脸识别方法和系统 | |
CN111127400A (zh) | 一种乳腺病变检测方法和装置 | |
CN111583385A (zh) | 一种可变形数字人解剖学模型的个性化变形方法及系统 | |
CN114930346A (zh) | 用于基于数据的模型的质量保证系统和方法 | |
CN113658146A (zh) | 一种结节分级方法、装置、电子设备及存储介质 | |
Peng et al. | Automatic monitoring system for seed germination test based on deep learning | |
CN111281387B (zh) | 基于人工神经网络的左心房与心房瘢痕的分割方法及装置 | |
CN117710760A (zh) | 残差的注意神经网络用于胸部x线病灶检测的方法 | |
CN111275059B (zh) | 一种图像处理方法、装置和计算机可读存储介质 | |
CN111325282B (zh) | 适应多机型的乳腺x射线影像识别方法和装置 | |
Valério et al. | Deepmammo: deep transfer learning for lesion classification of mammographic images | |
CN111598144B (zh) | 图像识别模型的训练方法和装置 | |
CN115170897A (zh) | 一种基于掩码区域卷积神经网络的图像处理方法及其应用 | |
CN113902672A (zh) | 基于空间转换优化元学习的罕见皮肤病变分类系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |