CN109635835A - 一种基于深度学习与迁移学习的乳腺病变区域检测方法 - Google Patents
一种基于深度学习与迁移学习的乳腺病变区域检测方法 Download PDFInfo
- Publication number
- CN109635835A CN109635835A CN201811326514.0A CN201811326514A CN109635835A CN 109635835 A CN109635835 A CN 109635835A CN 201811326514 A CN201811326514 A CN 201811326514A CN 109635835 A CN109635835 A CN 109635835A
- Authority
- CN
- China
- Prior art keywords
- lump
- layer
- image
- training
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 230000003902 lesion Effects 0.000 title claims abstract description 16
- 210000000481 breast Anatomy 0.000 title claims abstract description 13
- 238000013526 transfer learning Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 8
- 230000003321 amplification Effects 0.000 claims abstract description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 5
- 238000002360 preparation method Methods 0.000 claims abstract description 5
- 210000001519 tissue Anatomy 0.000 claims description 21
- 238000009432 framing Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000002441 reversible effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 206010006272 Breast mass Diseases 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 4
- 239000006071 cream Substances 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000000105 evaporative light scattering detection Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 4
- 238000002203 pretreatment Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 210000004907 gland Anatomy 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000013480 data collection Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 230000002308 calcification Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 208000008771 Lymphadenopathy Diseases 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 208000013228 adenopathy Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习与迁移学习的乳腺病变区域检测方法，训练集和测试集的准备及扩增；根据乳腺数据集中医生标记的肿块位置信息，提取可用的肿块图像并将其尺寸归一化为100*100像素大小作为正样本，本发明利用AlexNet网络在ImageNet数据集上训练自然图像的分类模型的参数模型,在特定的乳腺图像数据集上进行训练和迁移学习,能够成功解决卷积神经网络在小规模乳腺数据集上的二分类问题，使它能够识别出乳腺图像中的病变区域，从而提高对乳腺病变的预测效果。
Description
技术领域
本发明是一种基于深度学习与迁移学习的乳腺病变区域检测方法，属于医疗领域。
背景技术
现有技术中，乳腺癌是一种常见的恶性肿瘤，早期诊断和治疗是降低乳腺癌死亡率的关键。乳腺图像中的病变区域包括肿块、钙化点、双侧不对称、结构扭曲等形式，其中肿块以及钙化点簇是乳腺癌最常见的影像学征象，因此肿块和钙化点的自动检测也成为计算机辅助诊断系统的两个主要方面。其中肿块由于其边缘模糊，形状各异，与周围组织对比度较低等因素，一直都是计算机辅助检测的一个重难点。因此如不加以强调，本专利中的病变区域均指肿块。
深度学习思想源于人类视觉系统分级处理信息的模式，其思想就是对输入信息的分级描述和表达。深度学习是在对输入信息进行逐层加工，从而把初始的与输出目标之间联系不太密切的输入表示，转化成与输出目标联系更密切的表示，使原来仅基于最后一层输出映射难以完成的任务成为可能。即通过多层处理，逐渐将初始的“低层”特征表示转化成为“高层”特征表示。因此可以认为深度学习就是在进行“特征学习”或者“表示学习”。
现阶段深度学习中的卷积神经网络(CNN)在自然图像分析取得了很大的进步，CNN在自然图像上得到的“知识”体现在CNN的权值参数中，将自然图像知识迁移到医学图像就是迁移网络参数。寻找自然图像领域和医学图像领域中共享的模型参数，利用自然图像领域的模型参数优化医学图像领域的模型参数，实现不同领域的知识迁移，利于医学图像领域的分类，其中《基于滑动窗融合的两次稀疏表示的图像处理方法》，申请人：西安电子科技大学。此方法通过分别提取训练集图像块和目标图像块的灰度特征向量，利用稀疏分类器实现对可疑区域的第一次检测，将第一次稀疏表示的检测结果，基于滑动窗自适应融合后提取感兴趣区域，进行第二次稀疏表示检测。该方法存在的不足是：仅利用了图像块的灰度值进行分析，并未考虑图像的纹理、边缘、形状等其它信息，一定程度上影响肿块检出率，也会造成较高的假阳率。
《基于深度学习的乳腺钼靶图像自动分类方法》，申请人：南京信息工程大学。此方法通过建立各尺寸的训练样本集以及对应的标签训练一个8层的卷积神经网络，并提取该网络全连接层的特征后输入SVM分类器进行分类，得到输入图像块的预测类别。该方法存在的不足是：从头训练一个卷积神经网络需要大量的带标签的数据并且调参过程复杂度较高，对于小数据集来说不具备适用性，尤其是在极度缺乏带医生标记信息的医学图像的情况下。
发明内容
针对现有技术存在的不足，本发明目的是提供一种基于深度学习与迁移学习的乳腺病变区域检测方法，以解决上述背景技术中提出的问题。
为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于深度学习与迁移学习的乳腺病变区域检测方法，包括如下步骤：
S1：训练集和测试集的准备及扩增；根据乳腺数据集中医生标记的肿块位置信息，提取可用的肿块图像并将其尺寸归一化为100*100像素大小作为正样本，同时在乳腺图像上随机确定等量的100*100像素大小的正常组织作为负样本。对正负样本均旋转90，180，270度并做上下、左右翻转，如此最终的训练数据中共包含840个等量的正负样本。正样本的类标设定为1，负样本的类标设定为0；
S2：目标图像块准备；对原始乳腺图像进行下采样处理，并利用最大类间方差法得到乳腺轮廓，确定有效乳腺区域的最大范围；然后利用固定大小的滑动窗在确定出轮廓的乳腺图像内部按照从左到右、从上到下的顺序进行滑动并得到一系列的感兴趣区域，同时存储其在预处理后的乳腺图像上对应的坐标信息；
S3：AlexNet网络微调，利用训练数据集对预训练模型进行微调；AlexNet网络模型由5个卷积层、3个最大池化层和3个全连接层组成；激活函数采用relu函数，以及局部归一化层LRN和防止过拟合的dropout层的设计，其中在卷积层与全连接层参数设计时，卷积核的大小分别为11*11、5*5、3*3、3*3，输出特征图的个数分别为96、256、384、384、256，每一步卷积层的步长分别为4、1、1、1、1，卷积层的计算公式如下所示：
其中Wi表示第i层卷积核所对应的权值向量；运算符表示将第i-1层特征映射图与第i层卷积核进行卷积运算，bi是第i层对应的偏置项，f(·)表示一个非线性的激励函数；激活函数选用relu函数，表达式如下：
relu(x)＝max(x,0)
该激活函数在x＜0时梯度为0，负的梯度在这个relu被置零，不会对任何数据有所响应，局部归一化LRN是对一个局部的输入区域进行的归一化，Dropout层则按照一定的概率随机的屏蔽掉网络的部分神经元，阻止网络过拟合，
CNN的训练过程包括前向传播与反向传播两个过程，将输入的原始矩阵经过前向传递后，利用损失函数得到与期望值之间的差值，将该差值通过梯度下降法进行反向传导，逐层更新卷积神经网络各层对应的权重Wk和偏置bk，反向传导的强度通过学习速率η来控制，E是定义的代价函数，
AlexNet网络三个全连接层输出神经元数分别为4096、4096、1000，其中最后一个全连接层神经元数为1000，代表输出类别的个数，利用预训练模型进行微调时，会将输出个数改成目标集的类别数2，由于修改为自己对应的数据类别，故将该层的权重学习率设置为全局的10倍，保证在非微调层学习的更快，在微调层学习的较慢一点，这种设置方法可以在保留原模型特性的基础上根据目标特性对微调层进行微调；
S4：提取特征；将微调后的AlexNet作为特征提取器，去掉最后一个全连接层的输出，将倒数第二个全连接层的输出作为待提取图像特征；因此对每一个通过滑窗得到的目标图像块，都会对应一个4096维的特征向量；
S5：SVM分类器训练；利用训练图像块提取的特征向量和其对应的类标值，类标值为1代表肿块，类标值为0代表正常组织，将SVM分类器中的核设定为线性核，以图像块的特征向量为输入，对应的类标值为输出，训练SVM分类器；
S6：分类判定；利用S5中训练好的线性SVM分类器对目标集中提取到的图像块的特征向量进行分类，最终得到每个目标图像块的分类结果；分类结果分为肿块和正常组织，分类器输出值为1代表此目标图像块为肿块，输出值为0代表此目标图像为正常组织；
S7：确定检测结果是否为真阳肿块；提取分类器输出类标为1的图像块的坐标信息，并与医生标记的肿块位置进行重叠率判断，如果像素重合率达到设定的阈值，则认为检测出来的可疑区域是肿块，否则为正常组织；
S8：将输出类标为1的图像块利用其坐标信息显示在预处理后的乳腺图像上；考虑到相同目标会同时被多个具有一定重叠率的标记框标记，利用标记框之间的位置关系对标记结果进行优化；具体操作为：取得两个待考察标记框左上角位置的坐标信息，计算之间的欧氏距离；若距离小于设定的阈值则合并这两个标记框，认为其指代同一个目标，否则认为两者指代不同的目标予以保留，同时更新合并后的标记框对应的坐标信息即可；
S9：统计目标数据集中包含的肿块数量，以及检测到的肿块数量，计算该肿块检测算法的检出率和平均假阳率；当乳腺肿块检测系统检测出的可疑肿块与医生标记的肿块相符时，该可疑肿块被认定为真阳性肿块；反之，当检测出的可疑肿块与医生标记的肿块不一致时，该可疑肿块被认定为假阳性肿块。
进一步地，检测率和平均假阳率的定义如下：
检出率＝检测出的真阳性肿块个数/数据集中包含的肿块个数；
平均假阳率＝检测出的假阳性肿块个数/数据集中乳腺图像个数。
进一步地，所述微调网络时通常会有一个初始化的模型参数文件，然后根据我们的分类识别任务对其进行特定的微调，本发明中利用的模型就是在ImageNet数据集中预训练好的AlexNet网络模型，具体步骤如下：
(1)首先将训练集和测试集中的图像块转化为固定尺寸227*227作为卷积神经网络的输入，并将每一张图像块对应的标注信息作为监督信息；
(2)计算训练数据集的均值，因为数据集中特定乳腺图像的均值跟ImageNet数据集中的均值差别较大；
(3)修改网络最后一层的输出类别，由原始的1000个分类改为二分类，并且同时设置最后一层的参数学习速率为0.001，迭代次数设置为100次后即可开始训练网络。
本发明的有益效果：本发明的一种基于深度学习与迁移学习的乳腺病变区域检测方法，本发明利用AlexNet网络在ImageNet数据集上训练自然图像的分类模型的参数模型,在特定的乳腺图像数据集上进行训练和迁移学习,能够成功解决卷积神经网络在小规模乳腺数据集上的二分类问题，使它能够识别出乳腺图像中的病变区域，从而提高对乳腺病变的预测效果。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明提供一种技术方案：一种基于深度学习与迁移学习的乳腺病变区域检测方法，包括如下步骤：
S1：训练集和测试集的准备及扩增；根据乳腺数据集中医生标记的肿块位置信息，提取可用的肿块图像并将其尺寸归一化为100*100像素大小作为正样本，同时在乳腺图像上随机确定等量的100*100像素大小的正常组织作为负样本。对正负样本均旋转90，180，270度并做上下、左右翻转，如此最终的训练数据中共包含840个等量的正负样本。正样本的类标设定为1，负样本的类标设定为0；
S2：目标图像块准备；对原始乳腺图像进行下采样处理，并利用最大类间方差法得到乳腺轮廓，确定有效乳腺区域的最大范围；然后利用固定大小的滑动窗在确定出轮廓的乳腺图像内部按照从左到右、从上到下的顺序进行滑动并得到一系列的感兴趣区域，同时存储其在预处理后的乳腺图像上对应的坐标信息；
S3：AlexNet网络微调，利用训练数据集对预训练模型进行微调；AlexNet网络模型由5个卷积层、3个最大池化层和3个全连接层组成；激活函数采用relu函数，以及局部归一化层LRN和防止过拟合的dropout层的设计，其中在卷积层与全连接层参数设计时，卷积核的大小分别为11*11、5*5、3*3、3*3，输出特征图的个数分别为96、256、384、384、256，每一步卷积层的步长分别为4、1、1、1、1，卷积层的计算公式如下所示：
其中Wi表示第i层卷积核所对应的权值向量；运算符表示将第i-1层特征映射图与第i层卷积核进行卷积运算，bi是第i层对应的偏置项，f(·)表示一个非线性的激励函数；激活函数选用relu函数，表达式如下：
relu(x)＝max(x,0)
该激活函数在x＜0时梯度为0，负的梯度在这个relu被置零，不会对任何数据有所响应，局部归一化LRN是对一个局部的输入区域进行的归一化，Dropout层则按照一定的概率随机的屏蔽掉网络的部分神经元，阻止网络过拟合，
CNN的训练过程包括前向传播与反向传播两个过程，将输入的原始矩阵经过前向传递后，利用损失函数得到与期望值之间的差值，将该差值通过梯度下降法进行反向传导，逐层更新卷积神经网络各层对应的权重Wk和偏置bk，反向传导的强度通过学习速率η来控制，E是定义的代价函数，
AlexNet网络三个全连接层输出神经元数分别为4096、4096、1000，其中最后一个全连接层神经元数为1000，代表输出类别的个数，利用预训练模型进行微调时，会将输出个数改成目标集的类别数2，由于修改为自己对应的数据类别，故将该层的权重学习率设置为全局的10倍，保证在非微调层学习的更快，在微调层学习的较慢一点，这种设置方法可以在保留原模型特性的基础上根据目标特性对微调层进行微调；
S4：提取特征；将微调后的AlexNet作为特征提取器，去掉最后一个全连接层的输出，将倒数第二个全连接层的输出作为待提取图像特征；因此对每一个通过滑窗得到的目标图像块，都会对应一个4096维的特征向量；
S5：SVM分类器训练；利用训练图像块提取的特征向量和其对应的类标值，类标值为1代表肿块，类标值为0代表正常组织，将SVM分类器中的核设定为线性核，以图像块的特征向量为输入，对应的类标值为输出，训练SVM分类器，
S6：分类判定；利用S5中训练好的线性SVM分类器对目标集中提取到的图像块的特征向量进行分类，最终得到每个目标图像块的分类结果；分类结果分为肿块和正常组织，分类器输出值为1代表此目标图像块为肿块，输出值为0代表此目标图像为正常组织；
S7：确定检测结果是否为真阳肿块；提取分类器输出类标为1的图像块的坐标信息，并与医生标记的肿块位置进行重叠率判断，如果像素重合率达到设定的阈值，则认为检测出来的可疑区域是肿块，否则为正常组织；
S8：将输出类标为1的图像块利用其坐标信息显示在预处理后的乳腺图像上；考虑到相同目标会同时被多个具有一定重叠率的标记框标记，利用标记框之间的位置关系对标记结果进行优化；具体操作为：取得两个待考察标记框左上角位置的坐标信息，计算之间的欧氏距离；若距离小于设定的阈值则合并这两个标记框，认为其指代同一个目标，否则认为两者指代不同的目标予以保留，同时更新合并后的标记框对应的坐标信息即可；
S9：统计目标数据集中包含的肿块数量，以及检测到的肿块数量，计算该肿块检测算法的检出率和平均假阳率；当乳腺肿块检测系统检测出的可疑肿块与医生标记的肿块相符时，该可疑肿块被认定为真阳性肿块；反之，当检测出的可疑肿块与医生标记的肿块不一致时，该可疑肿块被认定为假阳性肿块。
检测率和平均假阳率的定义如下：
检出率＝检测出的真阳性肿块个数/数据集中包含的肿块个数；
平均假阳率＝检测出的假阳性肿块个数/数据集中乳腺图像个数。
所述微调网络时通常会有一个初始化的模型参数文件，然后根据我们的分类识别任务对其进行特定的微调，本发明中利用的模型就是在ImageNet数据集中预训练好的AlexNet网络模型，具体步骤如下：
(1)首先将训练集和测试集中的图像块转化为固定尺寸227*227作为卷积神经网络的输入，并将每一张图像块对应的标注信息作为监督信息；
(2)计算训练数据集的均值，因为数据集中特定乳腺图像的均值跟ImageNet数据集中的均值差别较大；
(3)修改网络最后一层的输出类别，由原始的1000个分类改为二分类，并且同时设置最后一层的参数学习速率为0.001，迭代次数设置为100次后即可开始训练网络。
实施例1：训练集和测试集的准备及扩增；根据乳腺数据集中医生标记的肿块位置信息，提取可用的肿块图像并将其尺寸归一化为100*100像素大小作为正样本，同时在乳腺图像上随机确定等量的100*100像素大小的正常组织作为负样本。对正负样本均旋转90，180，270度并做上下、左右翻转，如此最终的训练数据中共包含840个等量的正负样本。正样本的类标设定为1，负样本的类标设定为0；
目标图像块准备；对原始乳腺图像进行下采样处理，并利用最大类间方差法得到乳腺轮廓，确定有效乳腺区域的最大范围；然后利用固定大小的滑动窗在确定出轮廓的乳腺图像内部按照从左到右、从上到下的顺序进行滑动并得到一系列的感兴趣区域，同时存储其在预处理后的乳腺图像上对应的坐标信息；
AlexNet网络微调，利用训练数据集对预训练模型进行微调；AlexNet网络模型由5个卷积层、3个最大池化层和3个全连接层组成；激活函数采用relu函数，以及局部归一化层LRN和防止过拟合的dropout层的设计，其中在卷积层与全连接层参数设计时，卷积核的大小分别为11*11、5*5、3*3、3*3，输出特征图的个数分别为96、256、384、384、256，每一步卷积层的步长分别为4、1、1、1、1，卷积层的计算公式如下所示：
其中Wi表示第i层卷积核所对应的权值向量；运算符表示将第i-1层特征映射图与第i层卷积核进行卷积运算，bi是第i层对应的偏置项，f(·)表示一个非线性的激励函数；激活函数选用relu函数，表达式如下：
relu(x)＝max(x,0)
该激活函数在x＜0时梯度为0，负的梯度在这个relu被置零，不会对任何数据有所响应，局部归一化LRN是对一个局部的输入区域进行的归一化，Dropout层则按照一定的概率随机的屏蔽掉网络的部分神经元，阻止网络过拟合，
CNN的训练过程包括前向传播与反向传播两个过程，将输入的原始矩阵经过前向传递后，利用损失函数得到与期望值之间的差值，将该差值通过梯度下降法进行反向传导，逐层更新卷积神经网络各层对应的权重Wk和偏置bk，反向传导的强度通过学习速率η来控制，E是定义的代价函数，
AlexNet网络三个全连接层输出神经元数分别为4096、4096、1000，其中最后一个全连接层神经元数为1000，代表输出类别的个数，利用预训练模型进行微调时，会将输出个数改成目标集的类别数2，由于修改为自己对应的数据类别，故将该层的权重学习率设置为全局的10倍，保证在非微调层学习的更快，在微调层学习的较慢一点，这种设置方法可以在保留原模型特性的基础上根据目标特性对微调层进行微调；
提取特征；将微调后的AlexNet作为特征提取器，去掉最后一个全连接层的输出，将倒数第二个全连接层的输出作为待提取图像特征；因此对每一个通过滑窗得到的目标图像块，都会对应一个4096维的特征向量；
SVM分类器训练；利用训练图像块提取的特征向量和其对应的类标值，类标值为1代表肿块，类标值为0代表正常组织，将SVM分类器中的核设定为线性核，以图像块的特征向量为输入，对应的类标值为输出，训练SVM分类器，
分类判定；利用S5中训练好的线性SVM分类器对目标集中提取到的图像块的特征向量进行分类，最终得到每个目标图像块的分类结果；分类结果分为肿块和正常组织，分类器输出值为1代表此目标图像块为肿块，输出值为0代表此目标图像为正常组织；
确定检测结果是否为真阳肿块；提取分类器输出类标为1的图像块的坐标信息，并与医生标记的肿块位置进行重叠率判断，如果像素重合率达到设定的阈值，则认为检测出来的可疑区域是肿块，否则为正常组织；
将输出类标为1的图像块利用其坐标信息显示在预处理后的乳腺图像上；考虑到相同目标会同时被多个具有一定重叠率的标记框标记，利用标记框之间的位置关系对标记结果进行优化；具体操作为：取得两个待考察标记框左上角位置的坐标信息，计算之间的欧氏距离；若距离小于设定的阈值则合并这两个标记框，认为其指代同一个目标，否则认为两者指代不同的目标予以保留，同时更新合并后的标记框对应的坐标信息即可；
统计目标数据集中包含的肿块数量，以及检测到的肿块数量，计算该肿块检测算法的检出率和平均假阳率；当乳腺肿块检测系统检测出的可疑肿块与医生标记的肿块相符时，该可疑肿块被认定为真阳性肿块；反之，当检测出的可疑肿块与医生标记的肿块不一致时，该可疑肿块被认定为假阳性肿块。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种基于深度学习与迁移学习的乳腺病变区域检测方法，其特征在于包括如下步骤：
S1：训练集和测试集的准备及扩增；根据乳腺数据集中医生标记的肿块位置信息，提取可用的肿块图像并将其尺寸归一化为100*100像素大小作为正样本，同时在乳腺图像上随机确定等量的100*100像素大小的正常组织作为负样本。对正负样本均旋转90，180，270度并做上下、左右翻转，如此最终的训练数据中共包含840个等量的正负样本。正样本的类标设定为1，负样本的类标设定为0；
S2：目标图像块准备；对原始乳腺图像进行下采样处理，并利用最大类间方差法得到乳腺轮廓，确定有效乳腺区域的最大范围；然后利用固定大小的滑动窗在确定出轮廓的乳腺图像内部按照从左到右、从上到下的顺序进行滑动并得到一系列的感兴趣区域，同时存储其在预处理后的乳腺图像上对应的坐标信息；
S3：AlexNet网络微调，利用训练数据集对预训练模型进行微调；AlexNet网络模型由5个卷积层、3个最大池化层和3个全连接层组成；激活函数采用relu函数，以及局部归一化层LRN和防止过拟合的dropout层的设计，其中在卷积层与全连接层参数设计时，卷积核的大小分别为11*11、5*5、3*3、3*3，输出特征图的个数分别为96、256、384、384、256，每一步卷积层的步长分别为4、1、1、1、1，卷积层的计算公式如下所示：
其中Wi表示第i层卷积核所对应的权值向量；运算符表示将第i-1层特征映射图与第i层卷积核进行卷积运算，bi是第i层对应的偏置项，f(·)表示一个非线性的激励函数；激活函数选用relu函数，表达式如下：
relu(x)＝max(x,0)
该激活函数在x＜0时梯度为0，负的梯度在这个relu被置零，不会对任何数据有所响应，局部归一化LRN是对一个局部的输入区域进行的归一化，Dropout层则按照一定的概率随机的屏蔽掉网络的部分神经元，阻止网络过拟合，
CNN的训练过程包括前向传播与反向传播两个过程，将输入的原始矩阵经过前向传递后，利用损失函数得到与期望值之间的差值，将该差值通过梯度下降法进行反向传导，逐层更新卷积神经网络各层对应的权重Wk和偏置bk，反向传导的强度通过学习速率η来控制，E是定义的代价函数，
AlexNet网络三个全连接层输出神经元数分别为4096、4096、1000，其中最后一个全连接层神经元数为1000，代表输出类别的个数，利用预训练模型进行微调时，会将输出个数改成目标集的类别数2，由于修改为自己对应的数据类别，故将该层的权重学习率设置为全局的10倍，保证在非微调层学习的更快，在微调层学习的较慢一点，这种设置方法可以在保留原模型特性的基础上根据目标特性对微调层进行微调；
S4：提取特征；将微调后的AlexNet作为特征提取器，去掉最后一个全连接层的输出，将倒数第二个全连接层的输出作为待提取图像特征；因此对每一个通过滑窗得到的目标图像块，都会对应一个4096维的特征向量；
S5：SVM分类器训练；利用训练图像块提取的特征向量和其对应的类标值，类标值为1代表肿块，类标值为0代表正常组织，将SVM分类器中的核设定为线性核，以图像块的特征向量为输入，对应的类标值为输出，训练SVM分类器；
S6：分类判定；利用S5中训练好的线性SVM分类器对目标集中提取到的图像块的特征向量进行分类，最终得到每个目标图像块的分类结果；分类结果分为肿块和正常组织，分类器输出值为1代表此目标图像块为肿块，输出值为0代表此目标图像为正常组织；
S7：确定检测结果是否为真阳肿块；提取分类器输出类标为1的图像块的坐标信息，并与医生标记的肿块位置进行重叠率判断，如果像素重合率达到设定的阈值，则认为检测出来的可疑区域是肿块，否则为正常组织；
S8：将输出类标为1的图像块利用其坐标信息显示在预处理后的乳腺图像上；考虑到相同目标会同时被多个具有一定重叠率的标记框标记，利用标记框之间的位置关系对标记结果进行优化；具体操作为：取得两个待考察标记框左上角位置的坐标信息，计算之间的欧氏距离；若距离小于设定的阈值则合并这两个标记框，认为其指代同一个目标，否则认为两者指代不同的目标予以保留，同时更新合并后的标记框对应的坐标信息即可；
S9：统计目标数据集中包含的肿块数量，以及检测到的肿块数量，计算该肿块检测算法的检出率和平均假阳率；当乳腺肿块检测系统检测出的可疑肿块与医生标记的肿块相符时，该可疑肿块被认定为真阳性肿块；反之，当检测出的可疑肿块与医生标记的肿块不一致时，该可疑肿块被认定为假阳性肿块。
2.根据权利要求1所述的一种基于深度学习与迁移学习的乳腺病变区域检测方法，其特征在于：检测率和平均假阳率的定义如下：
检出率＝检测出的真阳性肿块个数/数据集中包含的肿块个数；
平均假阳率＝检测出的假阳性肿块个数/数据集中乳腺图像个数。
3.根据权利要求1所述的一种基于深度学习与迁移学习的乳腺病变区域检测方法，其特征在于：所述微调网络时通常会有一个初始化的模型参数文件，然后根据我们的分类识别任务对其进行特定的微调，本发明中利用的模型就是在ImageNet数据集中预训练好的AlexNet网络模型，具体步骤如下：
(1)首先将训练集和测试集中的图像块转化为固定尺寸227*227作为卷积神经网络的输入，并将每一张图像块对应的标注信息作为监督信息；
(2)计算训练数据集的均值，因为数据集中特定乳腺图像的均值跟ImageNet数据集中的均值差别较大；
(3)修改网络最后一层的输出类别，由原始的1000个分类改为二分类，并且同时设置最后一层的参数学习速率为0.001，迭代次数设置为100次后即可开始训练网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811326514.0A CN109635835A (zh) | 2018-11-08 | 2018-11-08 | 一种基于深度学习与迁移学习的乳腺病变区域检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811326514.0A CN109635835A (zh) | 2018-11-08 | 2018-11-08 | 一种基于深度学习与迁移学习的乳腺病变区域检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109635835A true CN109635835A (zh) | 2019-04-16 |
Family
ID=66067494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811326514.0A Pending CN109635835A (zh) | 2018-11-08 | 2018-11-08 | 一种基于深度学习与迁移学习的乳腺病变区域检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109635835A (zh) |
Cited By (45)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210570A (zh) * | 2019-06-10 | 2019-09-06 | 上海延华大数据科技有限公司 | 基于深度学习的糖尿病视网膜病变图像多分类方法 |
| CN110378385A (zh) * | 2019-06-20 | 2019-10-25 | 安徽省农业科学院畜牧兽医研究所 | 一种牛肉纹理自动评级方法、系统、装置和存储介质 |
| CN110414539A (zh) * | 2019-08-05 | 2019-11-05 | 腾讯科技（深圳）有限公司 | 一种提取特征描述信息的方法和相关装置 |
| CN110459303A (zh) * | 2019-06-27 | 2019-11-15 | 浙江工业大学 | 基于深度迁移的医疗影像异常检测装置 |
| CN110555461A (zh) * | 2019-07-31 | 2019-12-10 | 中国地质大学（武汉） | 基于多结构卷积神经网络特征融合的场景分类方法及系统 |
| CN110706218A (zh) * | 2019-09-26 | 2020-01-17 | 四川大学 | 基于动态增强磁共振成像的乳腺肿瘤定位分析方法 |
| CN111047582A (zh) * | 2019-12-17 | 2020-04-21 | 山东大学齐鲁医院 | 基于深度学习的小肠镜下克罗恩病辅助诊断系统 |
| CN111062935A (zh) * | 2019-12-27 | 2020-04-24 | 深圳大学 | 一种乳腺肿瘤检测方法、存储介质及终端设备 |
| CN111127400A (zh) * | 2019-11-29 | 2020-05-08 | 深圳蓝韵医学影像有限公司 | 一种乳腺病变检测方法和装置 |
| CN111242877A (zh) * | 2019-12-31 | 2020-06-05 | 北京深睿博联科技有限责任公司 | 乳腺x射线影像配准方法和装置 |
| CN111275104A (zh) * | 2020-01-16 | 2020-06-12 | 重庆金山医疗技术研究院有限公司 | 一种模型训练方法、装置、服务器及存储介质 |
| CN111291789A (zh) * | 2020-01-19 | 2020-06-16 | 华东交通大学 | 基于多阶段多特征深度融合的乳腺癌图像识别方法及系统 |
| CN111311553A (zh) * | 2020-01-21 | 2020-06-19 | 长沙理工大学 | 基于感兴趣区域的乳腺肿瘤识别方法、装置及存储介质 |
| CN111310831A (zh) * | 2020-02-19 | 2020-06-19 | 中国科学院光电技术研究所 | 一种基于深度学习的小目标检测网络逐层训练方法 |
| CN111680687A (zh) * | 2020-06-09 | 2020-09-18 | 江西理工大学 | 一种应用于乳腺x线图像异常识别的深度融合模型及其分类方法 |
| CN111767937A (zh) * | 2019-11-13 | 2020-10-13 | 杭州海康威视数字技术股份有限公司 | 目标检测模型训练方法、装置、电子设备及存储介质 |
| CN111784639A (zh) * | 2020-06-05 | 2020-10-16 | 浙江大学 | 基于深度学习的口腔全景片龋齿深度识别方法 |
| CN111833311A (zh) * | 2020-06-18 | 2020-10-27 | 安徽农业大学 | 基于深度学习的图像识别方法及在水稻病害识别上的应用 |
| CN111863237A (zh) * | 2020-05-29 | 2020-10-30 | 东莞理工学院 | 一种基于深度学习的移动端疾病智能辅助诊断系统 |
| CN111915576A (zh) * | 2020-07-15 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种循环残差乳腺x射线良恶性诊断学习方法及装置 |
| CN112101451A (zh) * | 2020-09-14 | 2020-12-18 | 北京联合大学 | 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 |
| CN112132808A (zh) * | 2020-09-23 | 2020-12-25 | 沈阳建筑大学 | 基于常态模型学习的乳腺x线图像病变检测方法和装置 |
| CN112434739A (zh) * | 2020-11-25 | 2021-03-02 | 西安交通大学 | 一种基于多核学习的支持向量机的化工过程故障诊断方法 |
| CN112614119A (zh) * | 2020-12-28 | 2021-04-06 | 上海市精神卫生中心（上海市心理咨询培训中心） | 医学图像感兴趣区域可视化方法、装置、存储介质和设备 |
| WO2021077522A1 (zh) * | 2019-10-25 | 2021-04-29 | 深圳技术大学 | 全息微波乳房肿块识别方法及识别系统 |
| CN113205484A (zh) * | 2021-04-06 | 2021-08-03 | 武汉大学 | 一种基于迁移学习的乳腺组织分类识别方法 |
| CN113257413A (zh) * | 2021-06-22 | 2021-08-13 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
| CN113344854A (zh) * | 2021-05-10 | 2021-09-03 | 深圳瀚维智能医疗科技有限公司 | 基于乳腺超声视频的病灶检测方法、装置、设备及介质 |
| CN113379030A (zh) * | 2021-05-19 | 2021-09-10 | 北京创安恒宇科技有限公司 | 一种基于多维安全控制措施模型识别的比对方法 |
| CN113408620A (zh) * | 2021-06-21 | 2021-09-17 | 西安工业大学 | 一种乳腺组织病理图像分类方法 |
| CN113450305A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 医疗图像的处理方法、系统、设备及可读存储介质 |
| CN113642518A (zh) * | 2021-08-31 | 2021-11-12 | 山东省计算中心（国家超级计算济南中心） | 基于迁移学习的her2病理图像细胞膜着色完整性判别方法 |
| WO2022089473A1 (en) * | 2020-10-30 | 2022-05-05 | International Business Machines Corporation | Multiple operating point false positive removal for lesion identification |
| CN114494160A (zh) * | 2022-01-10 | 2022-05-13 | 复旦大学 | 一种基于完全融合集成网络候选框的骨折检测方法 |
| CN114820592A (zh) * | 2022-06-06 | 2022-07-29 | 北京医准智能科技有限公司 | 图像处理装置、电子设备及介质 |
| US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
| CN115187591A (zh) * | 2022-09-08 | 2022-10-14 | 深圳市资福医疗技术有限公司 | 一种病灶检测方法、系统、设备及存储介质 |
| CN115273908A (zh) * | 2022-08-05 | 2022-11-01 | 东北农业大学 | 一种基于分类器融合的生猪咳嗽声音识别方法 |
| US11587236B2 (en) | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
| CN116206248A (zh) * | 2023-04-28 | 2023-06-02 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于机器学习引导深度学习的目标检测方法 |
| US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
| US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
| US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
| CN116796251A (zh) * | 2023-08-25 | 2023-09-22 | 江苏省互联网行业管理服务中心 | 一种基于图文多模态的不良网站分类方法、系统及设备 |
| CN116882486A (zh) * | 2023-09-05 | 2023-10-13 | 浙江大华技术股份有限公司 | 一种迁移学习权重的构建方法和装置及设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
| CN106485251A (zh) * | 2016-10-08 | 2017-03-08 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
| US20170083793A1 (en) * | 2015-09-18 | 2017-03-23 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for skin-infection detection |
| CN106682704A (zh) * | 2017-01-20 | 2017-05-17 | 中国科学院合肥物质科学研究院 | 一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法 |
| US20170249739A1 (en) * | 2016-02-26 | 2017-08-31 | Biomediq A/S | Computer analysis of mammograms |
| CN107133616A (zh) * | 2017-04-02 | 2017-09-05 | 南京汇川图像视觉技术有限公司 | 一种基于深度学习的无分割字符定位与识别方法 |
| CN107239802A (zh) * | 2017-06-28 | 2017-10-10 | 广东工业大学 | 一种图像分类方法及装置 |
| CN107665336A (zh) * | 2017-09-20 | 2018-02-06 | 厦门理工学院 | 智能冰箱中基于Faster‑RCNN的多目标检测方法 |
| US20180075628A1 (en) * | 2016-09-12 | 2018-03-15 | Zebra Medical Vision Ltd. | Systems and methods for automated detection of an indication of malignancy in a mammographic image |
| US20180144466A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image acquisition |
| CN108596040A (zh) * | 2018-03-29 | 2018-09-28 | 中山大学 | 一种基于双目视觉的串联通道融合行人检测方法 |
-
2018
- 2018-11-08 CN CN201811326514.0A patent/CN109635835A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170083793A1 (en) * | 2015-09-18 | 2017-03-23 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for skin-infection detection |
| US20170249739A1 (en) * | 2016-02-26 | 2017-08-31 | Biomediq A/S | Computer analysis of mammograms |
| CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
| US20180075628A1 (en) * | 2016-09-12 | 2018-03-15 | Zebra Medical Vision Ltd. | Systems and methods for automated detection of an indication of malignancy in a mammographic image |
| CN106485251A (zh) * | 2016-10-08 | 2017-03-08 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
| US20180144466A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image acquisition |
| CN106682704A (zh) * | 2017-01-20 | 2017-05-17 | 中国科学院合肥物质科学研究院 | 一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法 |
| CN107133616A (zh) * | 2017-04-02 | 2017-09-05 | 南京汇川图像视觉技术有限公司 | 一种基于深度学习的无分割字符定位与识别方法 |
| CN107239802A (zh) * | 2017-06-28 | 2017-10-10 | 广东工业大学 | 一种图像分类方法及装置 |
| CN107665336A (zh) * | 2017-09-20 | 2018-02-06 | 厦门理工学院 | 智能冰箱中基于Faster‑RCNN的多目标检测方法 |
| CN108596040A (zh) * | 2018-03-29 | 2018-09-28 | 中山大学 | 一种基于双目视觉的串联通道融合行人检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| MANALI SHAHA ET AL: "Transfer Learning for Image Classification", 《2018 SECOND INTERNATIONAL CONFERENCE ON ELECTRONICS, COMMUNICATION AND AEROSPACE TECHNOLOGY (ICECA)》, 1 October 2018 (2018-10-01), pages 656 - 660 * |
| 周爱明等: "基于深度学习的蝴蝶科级标本图像自动识别", 《昆虫学报》, vol. 60, no. 11, 1 February 2018 (2018-02-01), pages 1339 - 1348 * |
| 马樱: "《基于数据挖掘的软件缺陷预测技术》", 31 December 2017, pages: 31 - 32 * |
Cited By (61)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210570A (zh) * | 2019-06-10 | 2019-09-06 | 上海延华大数据科技有限公司 | 基于深度学习的糖尿病视网膜病变图像多分类方法 |
| CN110378385A (zh) * | 2019-06-20 | 2019-10-25 | 安徽省农业科学院畜牧兽医研究所 | 一种牛肉纹理自动评级方法、系统、装置和存储介质 |
| CN110459303A (zh) * | 2019-06-27 | 2019-11-15 | 浙江工业大学 | 基于深度迁移的医疗影像异常检测装置 |
| CN110555461A (zh) * | 2019-07-31 | 2019-12-10 | 中国地质大学（武汉） | 基于多结构卷积神经网络特征融合的场景分类方法及系统 |
| CN110414539A (zh) * | 2019-08-05 | 2019-11-05 | 腾讯科技（深圳）有限公司 | 一种提取特征描述信息的方法和相关装置 |
| CN110706218A (zh) * | 2019-09-26 | 2020-01-17 | 四川大学 | 基于动态增强磁共振成像的乳腺肿瘤定位分析方法 |
| CN110706218B (zh) * | 2019-09-26 | 2022-03-08 | 四川大学 | 基于动态增强磁共振成像的乳腺肿瘤定位分析方法 |
| WO2021077522A1 (zh) * | 2019-10-25 | 2021-04-29 | 深圳技术大学 | 全息微波乳房肿块识别方法及识别系统 |
| CN111767937A (zh) * | 2019-11-13 | 2020-10-13 | 杭州海康威视数字技术股份有限公司 | 目标检测模型训练方法、装置、电子设备及存储介质 |
| CN111127400A (zh) * | 2019-11-29 | 2020-05-08 | 深圳蓝韵医学影像有限公司 | 一种乳腺病变检测方法和装置 |
| CN111047582A (zh) * | 2019-12-17 | 2020-04-21 | 山东大学齐鲁医院 | 基于深度学习的小肠镜下克罗恩病辅助诊断系统 |
| CN111062935B (zh) * | 2019-12-27 | 2023-10-20 | 深圳大学 | 一种乳腺肿瘤检测方法、存储介质及终端设备 |
| CN111062935A (zh) * | 2019-12-27 | 2020-04-24 | 深圳大学 | 一种乳腺肿瘤检测方法、存储介质及终端设备 |
| CN111242877A (zh) * | 2019-12-31 | 2020-06-05 | 北京深睿博联科技有限责任公司 | 乳腺x射线影像配准方法和装置 |
| CN111275104A (zh) * | 2020-01-16 | 2020-06-12 | 重庆金山医疗技术研究院有限公司 | 一种模型训练方法、装置、服务器及存储介质 |
| CN111291789A (zh) * | 2020-01-19 | 2020-06-16 | 华东交通大学 | 基于多阶段多特征深度融合的乳腺癌图像识别方法及系统 |
| CN111291789B (zh) * | 2020-01-19 | 2022-07-05 | 华东交通大学 | 基于多阶段多特征深度融合的乳腺癌图像识别方法及系统 |
| CN111311553A (zh) * | 2020-01-21 | 2020-06-19 | 长沙理工大学 | 基于感兴趣区域的乳腺肿瘤识别方法、装置及存储介质 |
| CN111310831A (zh) * | 2020-02-19 | 2020-06-19 | 中国科学院光电技术研究所 | 一种基于深度学习的小目标检测网络逐层训练方法 |
| CN113450305A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 医疗图像的处理方法、系统、设备及可读存储介质 |
| CN111863237A (zh) * | 2020-05-29 | 2020-10-30 | 东莞理工学院 | 一种基于深度学习的移动端疾病智能辅助诊断系统 |
| CN111784639A (zh) * | 2020-06-05 | 2020-10-16 | 浙江大学 | 基于深度学习的口腔全景片龋齿深度识别方法 |
| CN111680687A (zh) * | 2020-06-09 | 2020-09-18 | 江西理工大学 | 一种应用于乳腺x线图像异常识别的深度融合模型及其分类方法 |
| CN111680687B (zh) * | 2020-06-09 | 2022-05-10 | 江西理工大学 | 一种应用于乳腺x线图像异常识别的深度融合分类方法 |
| CN111833311B (zh) * | 2020-06-18 | 2023-12-22 | 安徽农业大学 | 基于深度学习的图像识别方法及在水稻病害识别上的应用 |
| CN111833311A (zh) * | 2020-06-18 | 2020-10-27 | 安徽农业大学 | 基于深度学习的图像识别方法及在水稻病害识别上的应用 |
| CN111915576A (zh) * | 2020-07-15 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种循环残差乳腺x射线良恶性诊断学习方法及装置 |
| CN112101451A (zh) * | 2020-09-14 | 2020-12-18 | 北京联合大学 | 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 |
| CN112101451B (zh) * | 2020-09-14 | 2024-01-05 | 北京联合大学 | 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 |
| CN112132808B (zh) * | 2020-09-23 | 2023-11-07 | 沈阳建筑大学 | 基于常态模型学习的乳腺x线图像病变检测方法和装置 |
| CN112132808A (zh) * | 2020-09-23 | 2020-12-25 | 沈阳建筑大学 | 基于常态模型学习的乳腺x线图像病变检测方法和装置 |
| WO2022089473A1 (en) * | 2020-10-30 | 2022-05-05 | International Business Machines Corporation | Multiple operating point false positive removal for lesion identification |
| US11688065B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Lesion detection artificial intelligence pipeline computing system |
| US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
| US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
| US11587236B2 (en) | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
| US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
| US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
| US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
| CN112434739A (zh) * | 2020-11-25 | 2021-03-02 | 西安交通大学 | 一种基于多核学习的支持向量机的化工过程故障诊断方法 |
| CN112614119B (zh) * | 2020-12-28 | 2024-04-12 | 上海市精神卫生中心（上海市心理咨询培训中心） | 医学图像感兴趣区域可视化方法、装置、存储介质和设备 |
| CN112614119A (zh) * | 2020-12-28 | 2021-04-06 | 上海市精神卫生中心（上海市心理咨询培训中心） | 医学图像感兴趣区域可视化方法、装置、存储介质和设备 |
| CN113205484B (zh) * | 2021-04-06 | 2022-08-05 | 武汉大学 | 一种基于迁移学习的乳腺组织分类识别方法 |
| CN113205484A (zh) * | 2021-04-06 | 2021-08-03 | 武汉大学 | 一种基于迁移学习的乳腺组织分类识别方法 |
| CN113344854A (zh) * | 2021-05-10 | 2021-09-03 | 深圳瀚维智能医疗科技有限公司 | 基于乳腺超声视频的病灶检测方法、装置、设备及介质 |
| CN113379030A (zh) * | 2021-05-19 | 2021-09-10 | 北京创安恒宇科技有限公司 | 一种基于多维安全控制措施模型识别的比对方法 |
| CN113408620A (zh) * | 2021-06-21 | 2021-09-17 | 西安工业大学 | 一种乳腺组织病理图像分类方法 |
| CN113257413A (zh) * | 2021-06-22 | 2021-08-13 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
| WO2022268102A1 (zh) * | 2021-06-22 | 2022-12-29 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
| CN113642518B (zh) * | 2021-08-31 | 2023-08-22 | 山东省计算中心（国家超级计算济南中心） | 基于迁移学习的her2病理图像细胞膜着色完整性判别方法 |
| CN113642518A (zh) * | 2021-08-31 | 2021-11-12 | 山东省计算中心（国家超级计算济南中心） | 基于迁移学习的her2病理图像细胞膜着色完整性判别方法 |
| CN114494160A (zh) * | 2022-01-10 | 2022-05-13 | 复旦大学 | 一种基于完全融合集成网络候选框的骨折检测方法 |
| CN114494160B (zh) * | 2022-01-10 | 2023-04-18 | 复旦大学 | 一种基于完全融合集成网络候选框的骨折检测方法 |
| CN114820592A (zh) * | 2022-06-06 | 2022-07-29 | 北京医准智能科技有限公司 | 图像处理装置、电子设备及介质 |
| CN114820592B (zh) * | 2022-06-06 | 2023-04-07 | 北京医准智能科技有限公司 | 图像处理装置、电子设备及介质 |
| CN115273908A (zh) * | 2022-08-05 | 2022-11-01 | 东北农业大学 | 一种基于分类器融合的生猪咳嗽声音识别方法 |
| CN115187591A (zh) * | 2022-09-08 | 2022-10-14 | 深圳市资福医疗技术有限公司 | 一种病灶检测方法、系统、设备及存储介质 |
| CN116206248A (zh) * | 2023-04-28 | 2023-06-02 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于机器学习引导深度学习的目标检测方法 |
| CN116796251A (zh) * | 2023-08-25 | 2023-09-22 | 江苏省互联网行业管理服务中心 | 一种基于图文多模态的不良网站分类方法、系统及设备 |
| CN116882486A (zh) * | 2023-09-05 | 2023-10-13 | 浙江大华技术股份有限公司 | 一种迁移学习权重的构建方法和装置及设备 |
| CN116882486B (zh) * | 2023-09-05 | 2023-11-14 | 浙江大华技术股份有限公司 | 一种迁移学习权重的构建方法和装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635835A (zh) | 一种基于深度学习与迁移学习的乳腺病变区域检测方法 | |
| Xue et al. | An application of transfer learning and ensemble learning techniques for cervical histopathology image classification | |
| CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
| CN108648191B (zh) | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 | |
| 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 | |
| CN110334565A (zh) | 一种显微镜病理照片的宫颈癌病变细胞分类系统 | |
| CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
| CN107369160A (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
| CN109376636A (zh) | 基于胶囊网络的眼底视网膜图像分类方法 | |
| CN107464250A (zh) | 基于三维mri图像的乳腺肿瘤自动分割方法 | |
| CN108734138A (zh) | 一种基于集成学习的黑色素瘤皮肤病图像分类方法 | |
| CN106096654A (zh) | 一种基于深度学习和结合策略的细胞异型性自动分级方法 | |
| Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
| Liang et al. | Identification of colon cancer using multi-scale feature fusion convolutional neural network based on shearlet transform | |
| CN109447998A (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
| CN109544518A (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
| CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
| CN110097974A (zh) | 一种基于深度学习算法的鼻咽癌远端转移预测系统 | |
| CN109977955A (zh) | 一种基于深度学习的宫颈癌前病变识别的方法 | |
| CN108717693A (zh) | 一种基于rpn的视盘定位方法 | |
| Cao et al. | Gastric cancer diagnosis with mask R-CNN | |
| CN110853011A (zh) | 用于肺结节检测的卷积神经网络模型的构建方法 | |
| CN109993230A (zh) | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 | |
| CN110363768A (zh) | 一种基于深度学习的早期癌病灶范围预测辅助系统 | |
| CN114842238B (zh) | 一种嵌入式乳腺超声影像的识别方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: No.103, baguang District Service Center, No.2 BaiShaWan Road, baguang community, Kuiyong street, Dapeng New District, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Lanying Medical Technology Co.,Ltd. Address before: 518000 Shenzhen, Baoan District, Guangdong Shiyan street, Lang Xin neighborhood committee, brick factory village, Liyuan Industrial Zone, hung lung hi tech Industrial Park (blue Yun Industrial Park), 1 1 buildings. Applicant before: SHENZHEN LANYUN MEDICAL IMAGE CO.,LTD. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |