CN109191425A - 医学影像分析方法 - Google Patents
医学影像分析方法 Download PDFInfo
- Publication number
- CN109191425A CN109191425A CN201810815480.5A CN201810815480A CN109191425A CN 109191425 A CN109191425 A CN 109191425A CN 201810815480 A CN201810815480 A CN 201810815480A CN 109191425 A CN109191425 A CN 109191425A
- Authority
- CN
- China
- Prior art keywords
- layer
- video
- indicate
- radiography
- neural network
- 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
- 238000003703 image analysis method Methods 0.000 title claims abstract description 19
- 238000002601 radiography Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 239000011248 coating agent Substances 0.000 claims abstract description 15
- 238000000576 coating method Methods 0.000 claims abstract description 15
- 230000000241 respiratory effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001737 promoting effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 2
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- BFPSDSIWYFKGBC-UHFFFAOYSA-N chlorotrianisene Chemical compound C1=CC(OC)=CC=C1C(Cl)=C(C=1C=CC(OC)=CC=1)C1=CC=C(OC)C=C1 BFPSDSIWYFKGBC-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000004304 visual acuity Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/20—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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种医学影像分析方法，包括：获取目标区域的造影视频和二维视频；基于所述二维视频，对所述造影视频进行配准，以补偿呼吸运动引起的偏差；构建神经网络模型，所述神经网络模型包括输入层、隐含层和输出层，其中，所述输入层和隐含层各包括卷积层、激活层和池化层，以及所述输出层包括全连接层；利用经配准的造影视频对所述神经网络模型进行训练，以生成经配准的造影视频的特征向量，其中，对经配准的造影视频进行数据增益和正则项约束；计算所述特征向量的预测权重，并选择预测权重高于权重阈值的特征向量，用于构建预测诊断模型。
Description
技术领域
本发明的实施例涉及图像识别技术领域，特别涉及一种基于神经网络的医学影像分析方法。
背景技术
医学影像分析是对人体健康状况进行评价的重要手段。超声造影成像技术能够反映和观察正常组织及病变组织的血流灌注情况等，在疾病诊断方面具有重要意义。传统上对超声造影影像的分析一般由医生根据先验知识进行人为判断，不仅效率低、耗时长，而且极易受伪影干扰、准确性较差。
随着人工智能、大数据分析等学科的快速发展，医学影像分析的自动化和智能化改进有越来越大的趋势。因此，有必要研究一种准确性好、干扰小、效率高的医学影像分析方法。
发明内容
本发明的实施例旨在提出一种智能化的医学影像分析方法。
根据本发明的一个方面，提出一种医学影像分析方法，包括：获取目标区域的造影视频和二维视频；基于所述二维视频，对所述造影视频进行配准，以补偿呼吸运动引起的偏差；构建神经网络模型，所述神经网络模型包括输入层、隐含层和输出层，其中，所述输入层和隐含层各包括卷积层、激活层和池化层，以及所述输出层包括全连接层；利用经配准的造影视频对所述神经网络模型进行训练，以生成经配准的造影视频的特征向量，其中，对经配准的造影视频进行数据增益和正则项约束；计算所述特征向量的预测权重，并选择预测权重高于权重阈值的特征向量，用于构建预测诊断模型。
根据一些实施方式，对所述造影视频进行配准包括：将所述二维视频向量化，并计算所述二维视频的每一帧与其余帧对应的向量的内积值，选择最大内积值对应的帧作为参考帧；使用基于灰度的图像配准算法，选择互信息作为目标函数，计算参考帧与其余帧的配准变换参数；将所述配准变换参数应用于同一帧的造影视频以实现造影视频的配准。
根据一些实施方式，所述神经网络模型包括多个隐含层，所述多个隐含层之间的关系为：
其中，Lk表示隐含层，k表示网络层的编号，input表示输入，pool表示池化层；
conv表示卷积层，卷积层的具体形式为：
其中，d、h、w、m、n、p均表示造影视频在三维空间下的坐标，K表示卷积层的学习参数，I表示输入数据或者前一层的输出；
relu表示激活层，激活层的具体形式为：
其中，x表示激活层的输入。
根据一些实施方式，所述输出层还包括softmax激活函数，其具体形式为：
Lo＝soft max(WkoLko-1+bko)
其中，Lo表示输出层的输出向量，Wko表示输出层的参数矩阵，Lko-1表示输入向量，bko表示输出层的偏移，WkoLko-1+bko表示输出层对输入向量做的线性变换，soft max(z)i表示softmax激活函数的第i个输出值，exp表示自然常数的指数，Zi表示softmax激活函数的输入向量中第i个位置上的数值。
根据一些实施方式，进行数据增益包括通过反转、旋转、缩放的方式增加数据的变化形式。
根据一些实施方式，进行正则项约束包括使用L1正则项和L2正则项，其中，L1正则项用于神经网络模型所有参数的约束，L2正则项用于卷积层参数的约束。
根据一些实施方式，使用梯度提升树算法(GBRT)计算所述特征向量的预测权重，并选择预测权重最大的前20个特征向量作为预测诊断模型的输入，使用支持向量机(SVM)算法构建预测诊断模型。
在根据本发明的实施例的医学影像分析方法中，通过对造影视频进行配准，可补偿呼吸运动引起的偏差，减小干扰；对造影视频进行数据增益可自动扩充有效数据，增强神经网络模型的训练效果；对造影视频进行正则项约束可增强神经网络模型参数的表达能力；此外，在神经网络模型提取特征向量的基础上进一步构建预测诊断模型可提高预测结果的准确性和合理性。
附图说明
通过下文中参照附图对本发明所作的描述，本发明的其它目的和优点将显而易见，并可帮助对本发明有全面的理解。
图1示出了根据本发明的一个示例性实施例的医学影像分析方法的流程图；
图2示出了图1的医学影像分析方法使用的造影视频和二维视频的一帧图像；
图3示出了图1的医学影像分析方法中对造影视频进行配准的过程的示意图；
图4示出了图1的医学影像分析方法使用的神经网络模型的示意图；以及
图5示出了图1的医学影像分析方法的预测结果的曲线图。
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明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。需要说明的是，在附图或说明书描述中，相似或相同的部分都使用相同的图号。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本披露实施例的全面理解。然而明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。在其他情况下，公知的结构和装置以图示的方式体现以简化附图。
图1示出了根据本发明的一个示例性实施例的医学影像分析方法的流程图。如图1所示，医学影像分析方法包括以下步骤：
S1：获取目标区域的造影视频和二维视频；
S2：基于所述二维视频，对所述造影视频进行配准，以补偿呼吸运动引起的偏差；
S3：构建神经网络模型，所述神经网络模型包括输入层、隐含层和输出层，其中，所述输入层和隐含层各包括卷积层、激活层和池化层，以及所述输出层包括全连接层；
S4：利用经配准的造影视频对所述神经网络模型进行训练，以生成经配准的造影视频的特征向量，其中，对经配准的造影视频进行数据增益和正则项约束；
S5：计算所述特征向量的预测权重，并选择预测权重高于权重阈值的特征向量，用于构建预测诊断模型。
在根据本发明的实施例的医学影像分析方法中，通过对造影视频进行配准，可补偿呼吸运动引起的偏差，减小干扰；对造影视频进行数据增益可自动扩充有效数据，增强神经网络模型的训练效果；对造影视频进行正则项约束可增强神经网络模型参数的表达能力；此外，在神经网络模型提取特征向量的基础上进一步构建预测诊断模型可提高预测结果的准确性和合理性。而且整个过程是自动化的，解决了传统依靠人为判断造成分析结果不准确和耗时长的问题。
超声造影成像技术(ultrasonic contrast)又称为声学造影(acousticcontrast)，是利用造影剂使后散射回声增强，明显提高超声诊断的分辨力、敏感性和特异性的技术。通过超声造影成像技术可以获得超声造影视频和造影模式下的二维视频。图2示出了图1的医学影像分析方法使用的造影视频和二维视频的一帧图像，左图为二维视频的一个画面，右图为造影视频的一个画面。如图2所示，在右图的造影视频的图像上勾画出了待分析的目标区域的边界轮廓，目标区域可以是感兴趣的病灶区。
图3示出了图1的医学影像分析方法中对造影视频进行配准的过程的示意图。参照图3，对造影视频进行配准的过程可包括如下步骤：
步骤11：将二维视频向量化，具体地，将二维视频的每一帧作为一维向量，然后计算二维视频的每一帧与其余帧对应的向量的内积值，将得到的一系列内积值降序排序后找到最大内积值，并选择最大内积值对应的帧作为参考帧(图3中示为k)，其余帧(图3中示为1，k-2，k-1，k+1，k+2，N)则作为待配准帧；
步骤12：使用基于灰度的图像配准算法，选择互信息作为目标函数，计算参考帧与其余帧的配准变换参数；
步骤13：将配准变换参数应用于同一帧的造影视频，以实现同一时刻的造影视频与二维视频的配准变化，由此减弱呼吸运动造成的数据质量下降。
图4示出了图1的医学影像分析方法使用的神经网络模型的示意图。如图4所示，神经网络模型包括输入层、隐含层和输出层，其中，输入层和隐含层各包括卷积层、激活层和池化层，以及输出层包括全连接层。
进一步地，神经网络模型包括多个隐含层，多个隐含层之间的关系为：
其中，Lk表示隐含层，k表示网络层的编号，input表示输入，pool表示池化层；在本发明的实施例中，隐含层的数目为2，各隐含层的通道数依次递增2倍。
conv表示卷积层，卷积层的具体形式为：
其中，d、h、w、m、n、p均表示造影视频在三维空间下的坐标，K表示卷积层的学习参数，/表示输入数据或者前一层的输出；
relu表示激活层，激活层的具体形式为：
其中，x表示激活层的输入。
在本发明的实施例中，输入层和一个隐含层各包括一个卷积层、一个激活层和一个池化层。
输出层除包括全连接层外还包括softmax激活函数，其具体形式为：
Lo＝soft max(WkoLko-1+bko)
其中，Lo表示输出层的输出向量，Wko表示输出层的参数矩阵，Lko-1表示输入向量，bko表示输出层的偏移，WkoLko-1+bko表示输出层对输入向量做的线性变换，soft max(z)i表示softmax激活函数的第i个输出值，exp表示自然常数的指数，Zi表示softmax激活函数的输入向量中第i个位置上的数值。
神经网络模型的输入是经配准的造影视频，用于自动学习造影视频的特征，生成特征向量。在本发明的实施例中，在池化层外还可加入一个Dropout函数用以限制过拟合。
对神经网络模型进行训练包括使用一系列数据增益方法、正则项约束方法和神经网络集成方法，利用有限的医学超声视频数据训练神经网络模型，使其达到较为理想的效果。进行数据增益包括通过反转、旋转、缩放的方式增加数据的变化形式，减轻网络过拟合，从而增强神经网络模型的训练效果。进行正则项约束包括使用L1正则项和L2正则项，其中，L1正则项用于神经网络模型所有参数的约束，L2正则项用于卷积层参数的约束，通过正则项约束，可以在限制参数幅度不过大的前提下提高特征选择能力，从而增强神经网络模型参数的表达能力。可以使用不同的数据增益方法以及不同程度的正则项约束训练多个神经网络模型，将多个神经网络模型的输出结果计算平均值，作为神经网络模型对一个样本的分类结果。将多个神经网络模型的全连接向量连接在一起，可以形成该样本的特征向量。
训练过程中使用的优化目标函数可以为交叉熵损失函数，其具体数学形式为：
其中，CE是交叉熵损失函数的英文缩写，p(x)为正确的标注，q(x)为网络输出，log为自然常数的对数。
优化过程可以使用SGD随机梯度下降算法。
构建预测诊断模型具体包括：使用梯度提升树算法(GBRT)计算神经网络模型生成的特征向量的预测权重，并选择预测权重最大的前20个特征向量作为预测诊断模型的输入，使用支持向量机(SVM)算法构建预测诊断模型。在神经网络模型提取特征向量的基础上进一步构建预测诊断模型可提高预测结果的准确性和合理性。
进一步地，构建预测诊断模型可如下进行：
步骤21：将训练集和验证集的特征矩阵归一化，具体数学形式为：
其中，X为特征矩阵(行为样本、列为特征)，E(X)为特征矩阵沿样本方向每列计算平均值后的一维向量，D(X)为特征矩阵沿样本方向每列计算标准差后的一维向量；
步骤22：使用梯度提升树(GBRT)计算所有特征向量的预测权重，将其按降序排序之后，选择权重值最大的前20个特征向量作为预测诊断模型的输入；
步骤23：基于选择出的特征向量，选择使用高斯核的支持向量机(SVM)算法建立预测诊断模型，并输出样本的类别概率，即，样本诊断有病的概率和诊断无病的概率。诊断结果使用一个ROC_AUC曲线图来定性呈现，并使用曲线下面积AUC值来定量呈现，AUC值越高，说明模型的预测诊断效果更高，AUC值最高为1。根据特定的cutoff值(截断值)可以判断样本的类别，cutoff值为ROC_AUC曲线中最靠近左上角的点对应的阈值。
图5示出了图1的医学影像分析方法的预测结果的曲线图，其中，左图和右图分别为神经网络模型在训练集和验证集上的预测AUC曲线。具体地，将本发明的医学影像分析方法应用于预测肝细胞癌(HCC)的TACE术后疗效预测方面的研究，得到神经网络模型在验证集上的AUC值可达0.88，充分证明了本发明分析方法的有效性。
虽然结合附图对本发明进行了说明，但是附图中公开的实施例旨在对本发明的实施方式进行示例性说明，而不能理解为对本发明的一种限制。
本领域普通技术人员将理解，在不背离本发明总体构思的原则和精神的情况下，可对这些实施例做出改变，本发明的范围以权利要求和它们的等同物限定。
Claims (7)
1.一种医学影像分析方法，包括：
获取目标区域的造影视频和二维视频；
基于所述二维视频，对所述造影视频进行配准，以补偿呼吸运动引起的偏差；
构建神经网络模型，所述神经网络模型包括输入层、隐含层和输出层，其中，所述输入层和隐含层各包括卷积层、激活层和池化层，以及所述输出层包括全连接层；
利用经配准的造影视频对所述神经网络模型进行训练，以生成经配准的造影视频的特征向量，其中，对经配准的造影视频进行数据增益和正则项约束；
计算所述特征向量的预测权重，并选择预测权重高于权重阈值的特征向量，用于构建预测诊断模型。
2.根据权利要求1所述的方法，其特征在于，对所述造影视频进行配准包括：
将所述二维视频向量化，并计算所述二维视频的每一帧与其余帧对应的向量的内积值，选择最大内积值对应的帧作为参考帧；
使用基于灰度的图像配准算法，选择互信息作为目标函数，计算参考帧与其余帧的配准变换参数；
将所述配准变换参数应用于同一帧的造影视频以实现造影视频的配准。
3.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括多个隐含层，所述多个隐含层之间的关系为：
其中，Lk表示隐含层，k表示网络层的编号，input表示输入，pool表示池化层；
conv表示卷积层，卷积层的具体形式为：
其中，d、h、w、m、n、p均表示造影视频在三维空间下的坐标，K表示卷积层的学习参数，I表示输入数据或者前一层的输出；
relu表示激活层，激活层的具体形式为：
其中，x表示激活层的输入。
4.根据权利要求1所述的方法，其特征在于，所述输出层还包括softmax激活函数，其具体形式为：
Lo＝softmax(WkoLko-1+bko)
其中，Lo表示输出层的输出向量，Wko表示输出层的参数矩阵，Lko-1表示输入向量，bko表示输出层的偏移，WkoLko-1+bko表示输出层对输入向量做的线性变换，soft max(z)i表示softmax激活函数的第i个输出值，exp表示自然常数的指数，Zi表示softmax激活函数的输入向量中第i个位置上的数值。
5.根据权利要求1所述的方法，其特征在于，进行数据增益包括通过反转、旋转、缩放的方式增加数据的变化形式。
6.根据权利要求1所述的方法，其特征在于，进行正则项约束包括使用L1正则项和L2正则项，其中，L1正则项用于神经网络模型所有参数的约束，L2正则项用于卷积层参数的约束。
7.根据权利要求1所述的方法，其特征在于，使用梯度提升树算法(GBRT)计算所述特征向量的预测权重，并选择预测权重最大的前20个特征向量作为预测诊断模型的输入，使用支持向量机(SVM)算法构建预测诊断模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810815480.5A CN109191425B (zh) | 2018-07-23 | 2018-07-23 | 基于多层神经网络模型医学影像分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810815480.5A CN109191425B (zh) | 2018-07-23 | 2018-07-23 | 基于多层神经网络模型医学影像分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109191425A true CN109191425A (zh) | 2019-01-11 |
| CN109191425B CN109191425B (zh) | 2022-02-11 |
Family
ID=64937196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810815480.5A Active CN109191425B (zh) | 2018-07-23 | 2018-07-23 | 基于多层神经网络模型医学影像分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109191425B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033848A (zh) * | 2019-04-16 | 2019-07-19 | 厦门大学 | 一种基于无监督学习的三维医学影像z轴插值方法 |
| CN110543364A (zh) * | 2019-07-21 | 2019-12-06 | 聊城市光明医院 | 一种医学影像快速加载方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700118A (zh) * | 2015-03-18 | 2015-06-10 | 中国科学院自动化研究所 | 基于卷积神经网络的肺结节良恶性预测方法 |
| CN104881568A (zh) * | 2015-04-27 | 2015-09-02 | 苏州敏宇医疗科技有限公司 | 一种基于云计算的肿瘤治疗疗效早期评价的系统和方法 |
| CN105184794A (zh) * | 2015-09-07 | 2015-12-23 | 中国科学院深圳先进技术研究院 | 一种基于张量图像的csm辅助分析系统及方法 |
| CN106683081A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 |
| CN106845529A (zh) * | 2016-12-30 | 2017-06-13 | 北京柏惠维康科技有限公司 | 基于多视野卷积神经网络的影像特征识别方法 |
| CN107092935A (zh) * | 2017-04-26 | 2017-08-25 | 国家电网公司 | 一种资产变更检测方法 |
| CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知系统 |
| CN108109140A (zh) * | 2017-12-18 | 2018-06-01 | 复旦大学 | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 |
| CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断系统 |
-
2018
- 2018-07-23 CN CN201810815480.5A patent/CN109191425B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700118A (zh) * | 2015-03-18 | 2015-06-10 | 中国科学院自动化研究所 | 基于卷积神经网络的肺结节良恶性预测方法 |
| CN104881568A (zh) * | 2015-04-27 | 2015-09-02 | 苏州敏宇医疗科技有限公司 | 一种基于云计算的肿瘤治疗疗效早期评价的系统和方法 |
| CN105184794A (zh) * | 2015-09-07 | 2015-12-23 | 中国科学院深圳先进技术研究院 | 一种基于张量图像的csm辅助分析系统及方法 |
| CN106683081A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 |
| CN106845529A (zh) * | 2016-12-30 | 2017-06-13 | 北京柏惠维康科技有限公司 | 基于多视野卷积神经网络的影像特征识别方法 |
| CN107092935A (zh) * | 2017-04-26 | 2017-08-25 | 国家电网公司 | 一种资产变更检测方法 |
| CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知系统 |
| CN108109140A (zh) * | 2017-12-18 | 2018-06-01 | 复旦大学 | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 |
| CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断系统 |
Non-Patent Citations (4)
| Title |
|---|
| PENGYANG WANG等: "《The Analysis and Design of the Job Recommendtion Model Based on GBRT and Time Factors》", 《2016IEEE INTERNATIONAL CONFERENCE ON KNOWLEDGE ENGINEERING AND APPLICATIONS》 * |
| 段萌等: "《基于卷积神经网络的小样本图像识别方法》", 《计算机工程与设计》 * |
| 田娟秀等: "《医学图像分析深度学习方法研究与挑战》", 《自动化学报》 * |
| 郑光远等: "《医学影像计算机辅助检测与诊断系统综述》", 《软件学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033848A (zh) * | 2019-04-16 | 2019-07-19 | 厦门大学 | 一种基于无监督学习的三维医学影像z轴插值方法 |
| CN110033848B (zh) * | 2019-04-16 | 2021-06-29 | 厦门大学 | 一种基于无监督学习的三维医学影像z轴插值方法 |
| CN110543364A (zh) * | 2019-07-21 | 2019-12-06 | 聊城市光明医院 | 一种医学影像快速加载方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109191425B (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Waheed et al. | Covidgan: data augmentation using auxiliary classifier gan for improved covid-19 detection | |
| Stephen et al. | An efficient deep learning approach to pneumonia classification in healthcare | |
| Abdi et al. | Automatic quality assessment of echocardiograms using convolutional neural networks: feasibility on the apical four-chamber view | |
| US20210350179A1 (en) | Method for detecting adverse cardiac events | |
| Zhang et al. | ANC: Attention network for COVID-19 explainable diagnosis based on convolutional block attention module | |
| US20180260951A1 (en) | Deep Image-to-Image Recurrent Network with Shape Basis for Automatic Vertebra Labeling in Large-Scale 3D CT Volumes | |
| Kibriya et al. | A novel and effective brain tumor classification model using deep feature fusion and famous machine learning classifiers | |
| JP6885517B1 (ja) | 診断支援装置及びモデル生成装置 | |
| EP3570288A1 (en) | Method for obtaining at least one feature of interest | |
| US11062443B2 (en) | Similarity determination apparatus, similarity determination method, and program | |
| Chagas et al. | A new approach for the detection of pneumonia in children using CXR images based on an real-time IoT system | |
| CN111709446A (zh) | 基于改进的密集连接网络的x线胸片分类装置 | |
| Ruijsink et al. | Quality-aware semi-supervised learning for CMR segmentation | |
| CN109191425A (zh) | 医学影像分析方法 | |
| EP3896649A1 (en) | Medical image synthesis of abnormality patterns associated with covid-19 | |
| US20210279879A1 (en) | Similarity determination apparatus, similarity determination method, and similarity determination program | |
| Perkonigg et al. | Detecting bone lesions in multiple myeloma patients using transfer learning | |
| Ge et al. | Echoquan-net: direct quantification of echo sequence for left ventricle multidimensional indices via global-local learning, geometric adjustment and multi-target relation learning | |
| Duan et al. | Combining deep learning and shape priors for bi-ventricular segmentation of volumetric cardiac magnetic resonance images | |
| Sorour et al. | A Deep Learning System for Detecting Cardiomegaly Disease Based on CXR Image | |
| Saravagi et al. | Predicting Lumbar Spondylolisthesis: A Hybrid Deep Learning Approach | |
| US11908047B2 (en) | Generating synthetic x-ray images and object annotations from CT scans for augmenting x-ray abnormality assessment systems | |
| Demin et al. | Semantic segmentation of lung radiographs using U-net type neural network | |
| Ayala-Raggi et al. | Synergizing Chest X-ray Image Normalization and Discriminative Feature Selection for Efficient and Automatic COVID-19 Recognition | |
| Iqbal et al. | Brain hemorrhage detection using hybrid machine learning algorithm |
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 |