CN109637633A - 一种基于大数据与机器学习的诊断乳腺癌病情的方法 - Google Patents
一种基于大数据与机器学习的诊断乳腺癌病情的方法 Download PDFInfo
- Publication number
- CN109637633A CN109637633A CN201811369953.XA CN201811369953A CN109637633A CN 109637633 A CN109637633 A CN 109637633A CN 201811369953 A CN201811369953 A CN 201811369953A CN 109637633 A CN109637633 A CN 109637633A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- feature
- breast
- machine learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000010801 machine learning Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 210000000481 breast Anatomy 0.000 title claims abstract description 23
- 206010006187 Breast cancer Diseases 0.000 claims abstract description 31
- 208000026310 Breast neoplasm Diseases 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 16
- 210000002569 neuron Anatomy 0.000 claims abstract description 11
- 238000002604 ultrasonography Methods 0.000 claims abstract description 10
- 230000002596 correlated effect Effects 0.000 claims abstract description 4
- 230000003211 malignant effect Effects 0.000 claims abstract description 4
- 238000012986 modification Methods 0.000 claims abstract description 4
- 230000004048 modification Effects 0.000 claims abstract description 4
- 238000003860 storage Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000003902 lesion Effects 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 230000000505 pernicious effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 241001269238 Data Species 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 201000008275 breast carcinoma Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 2
- 239000006071 cream Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于大数据与机器学习的诊断乳腺癌病情的方法，包括如下步骤，通过Hadoop分布式并行运算平台对大量的X光和超声图像进行加密存储，对二维图像信息任意选取滤波器进行卷积训练，在此基础上，通过修改滤波器上的权重使它能识别某种特征，构建具有高阶卷积层的卷积神经网络，在图像经过多个卷积层后，神经元将被编码成完全相关的空间特征，这些特征可被全连接网络学习。通过卷积神经网络的前反馈学习，实现对乳腺癌病情的分类，分类成良性或恶性，减少医疗上的乳腺癌假阳性诊断病例。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于大数据与机器学习的诊断乳腺癌病情的方法。
背景技术
随着各种新型信息发布方式的不断涌现，以及云计算、物联网等技术的兴起，以及遍布地球各个角落的各种各样的传感器，数据正以前所未有的速度在不断地增长和累积，大数据时代已经来到。如何通过机器学习、数据挖掘等方法从这些大数据中更快速、更精确地挖掘出有价值的数据，是当今学术界和工业界研究的热点。
在基于云计算平台的分布式数据挖掘方向的研究，已经得到了广泛地展开并且取得了大量优秀的成果。Hadoop是目前大数据平台中应用率最高的技术，特别是针对诸如文本、社交媒体订阅以及视频等非结构化数据。MapReduce采用shared-nothing架构设计，在执Job时，各个Job之间是彼此隔离的，通过HDFS等部件进行交互，数据存储在各个结点上，即使有一个结点损坏了也能保证数据不受损。Hadoop平台的并行运算使处理大量数据成为可能。
乳腺癌是导致全球女性死亡的第二大癌症类型，其中，浸润性乳腺癌是主要的乳腺癌类型。据报道，美国八分之一的女性都会被确诊为浸润性乳腺癌。在2017年，粗略预计有255180例患者被确诊为浸润性乳腺癌，有40610位患者死于乳腺癌。
当癌症早期发现时，常常可以治愈。一般来说，医生都会建议健康女性一年做一次乳腺癌检查，尤其是年过50的中年妇女，她们的患病率较高。乳腺癌的检查流程一般包括乳房X射线和超声图像检测，一般得到的图像大小为300*225像素，但这是一种比较主观的诊断，经常会导致假阳性结果，导致不必要的活检和手术。假阳性的一个常见原因是所谓的“高风险”病变，当通过X光进行检测时，在乳房X光片上看起来可疑，并且具有异常细胞。在这种情况下，患者通常要进行手术以去除病变；然而，90％的时间病变在手术中被发现是良性的。这意味着每年都有数千名妇女经历痛苦，昂贵，疤痕诱导的手术，这本来可以避免。
X射线图像和超声图像是一种非结构化数据。在医院里，每天都产生这些大量的非结构化的数据。面对非结构化的图像数据，传统的医疗方式是把图像交给医生诊断，但这种诊断不仅耗时而且诊断的结果非常依赖医生的水平。针对大型非结构化的图像数据，卷积神经网络有出色的表现，图像识别高效，特别使模式分类领域。因此，如何分析X射线图像和超声图像数据，选择合适的机器学习算法，用计算机诊断乳腺癌病情是良性还是恶性是本发明的重点研究问题。因此，我们提供了一种基于大数据与机器学习的诊断乳腺癌病情的方法。
发明内容
本发明的目的是为了解决医疗中的乳腺癌的拍片图像诊断，减少乳腺癌的假阳性诊断病例，而提出的一种基于大数据与机器学习的诊断乳腺癌病情的方法。
为了实现上述目的，本发明采用了如下技术方案：
设计一种基于大数据与机器学习的诊断乳腺癌病情的方法，包括如下步骤：
S1：针对乳腺癌拍片的图像的不完整性，图像数据在导入大数据平台之前需进行图像数据预处理；
S2：使用密码登陆到Hadoop分布式系统，通过人为把预处理好的大量乳腺癌检查中的X光和超声图像数据分类存储在Hadoop平台上，使用Hadoop大数据平台对图像信息进行处理分析，选取诊断为恶性的图像数据作为机器学习训练数据，数据平台数据采用加密传输，保证数据的安全性的同时不影响图像数据的使用；
S3：导入Hadoop大数据平台的二维图像信息，通过分布式计算机运算进行大量数据的卷积神经网络训练，任意选取滤波器进行卷积训练，在此基础上，通过修改滤波器上的权重使它能识别某种特征，构建具有识别图像某一特征的高阶卷积神经元；
S4：在图像经过多个卷积层后，神经元被编码成完全相关的空间特征，这些特征经过全连接神经网络学习，通过卷积神经网络的神经元反馈学习，训练出一个能分类图像的某一特征的模型，最终得到一个诊断结果模型，实现对乳腺癌病情的分类(良性或恶性)。
优选的，在S1中，图像数据预处理的具体步骤如下：
A1、将图像数据分成三部分数据集，75％用于训练数据集，12.5％用于验证数据集，剩下的12.5％作为测试数据集；
A2、把乳腺癌的图像采用3*3的中值滤波器来移除图像中的斑点噪音，将每个图像上的像素值标准化，使出现零均值；
A3、将每张图片旋转某一角度，重复n次，控制n的次数，确保整个病变区位于图像的核心，完成图像数据的初步分类。
优选的，在S2中，所述图像信息进行处理分析是对乳腺癌检查中的X光和超声图像数据进行提取、选择，使用卷积神经网络算法。
优选的，在S3中，得到一个高阶卷积神经元的具体步骤如下：
B1、特征选择，特征选择区域选择图像中出现病变的区域，特征选取与患者的乳房大小、图像拍摄的角度等因素有关，需要计算出特征选择的图像的区域；
B2、特征提取，选择滤波器对图像信息进行特征提取，特征的提取与患者的患病程度有关，计算出能表示图像特征区域特征的滤波器的大小，针对不同的特征采用不同的权值表示特征。
优选的，在S4中，所述神经元反馈学习是由图像的特征选择和特征提取的卷积形成的神经元构成的卷积神经网络学习，它能通过全网络反馈更新权重，有卷积神经网络反向传播学习的帮助，神经网络的内部权重会根据每次迭代获得的错误信息自动更新，得到图像分类模型。
优选的，所述卷积神经网络学习的具体步骤如下：
C1、将输入的图像通过滤波器检测后卷积，经过这第一节卷积层后，它就能识别某一简单特征，例如曲线；
C2、把能识别的某一简单的特征的激活图作为第二个卷积层的输入数据；
C3、第二个卷积层卷积输出激活图作为下一个卷积层的输入数据，依次卷积到N层，从N层卷积层上得到一个高阶的识别图像某一复杂特征的空间特征。
优选的，所述卷积神经网络反向传播学习的具体步骤如下：
D1、前向传播：第一个训练中，所有的权重或过滤器的值被随机初始化，是一个完全不能优先考虑任何数字的输出；
D2、损失计算：分析需要识别的图像的某一特征，用数字贴上标签，计算标签数字与随机生成权重数字的差异值；
式中：total表示总量，target表示目标量，output表示输出量。
D3、反向传播：检测出哪个权重损失最大并且寻找方法来调整它们使损失降低；
D4、权重更新：权重优化，更改数字特征。
式中：w表示权重，wi表示初始权重，η表示学习率。
优选的，在S1中的Hadoop分布式系统，数据以弹性分布式数据集对象的形式存储在Hadoop分布式系统中。
本发明提出的一种基于大数据与机器学习的诊断乳腺癌病情的方法，有益效果在于：
1.本发明针对乳腺癌在临床判断中存在比较主观的诊断，经常会导致假阳性结果，导致不必要的活检和手术，利用大数据平台分析处理乳腺癌的拍片图像数据，达到机器学习诊断乳腺癌病情。
2.本发明针对乳腺癌的拍片图像特征是高阶空间特征，使用高阶卷积层，构成卷积神经网络，提高机器学习分类的准确度。
附图说明
图1为本发明提出的一种基于大数据与机器学习的诊断乳腺癌病情的方法的卷积神经网络示意图；
图2为本发明提出的一种基于大数据与机器学习的诊断乳腺癌病情的方法的机器学习过程示意图；
图3为本发明提出的一种基于大数据与机器学习的诊断乳腺癌病情的方法的滤波器识别曲线的原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1-3，一种基于大数据与机器学习的诊断乳腺癌病情的方法，包括如下步骤：
S1：针对乳腺癌拍片的图像的不完整性，图像数据在导入大数据平台之前需进行图像数据预处理；
S2：使用密码登陆到Hadoop分布式系统，通过人为把预处理好的大量乳腺癌检查中的X光和超声图像数据分类存储在Hadoop平台上，使用Hadoop大数据平台对图像信息进行处理分析，选取诊断为恶性的图像数据作为机器学习训练数据，数据平台数据采用加密传输，保证数据的安全性的同时不影响图像数据的使用；
S3：导入Hadoop大数据平台的二维图像信息，通过分布式计算机运算进行大量数据的卷积神经网络训练，任意选取滤波器进行卷积训练，在此基础上，通过修改滤波器上的权重使它能识别某种特征，构建具有识别图像某一特征的高阶卷积神经元；
S4：在图像经过多个卷积层后，神经元被编码成完全相关的空间特征，这些特征经过全连接神经网络学习，通过卷积神经网络的神经元反馈学习，训练出一个能分类图像的某一特征的模型，最终得到一个诊断结果模型，实现对乳腺癌病情的分类(良性或恶性)。
在S1中，图像数据预处理的具体步骤如下：
A1、将图像数据分成三部分数据集，75％用于训练数据集，12.5％用于验证数据集，剩下的12.5％作为测试数据集；
A2、把乳腺癌的图像采用3*3的中值滤波器来移除图像中的斑点噪音，将每个图像上的像素值标准化，使出现零均值；
A3、将每张图片旋转某一角度，重复n次，控制n的次数，确保整个病变区位于图像的核心，完成图像数据的初步分类。
在S2中，所述图像信息进行处理分析是对乳腺癌检查中的X光和超声图像数据进行提取、选择，使用卷积神经网络算法。
在S3中，得到一个高阶卷积神经元的具体步骤如下：
B1、特征选择，特征选择区域选择图像中出现病变的区域，特征选取与患者的乳房大小、图像拍摄的角度等因素有关，需要计算出特征选择的图像的区域；
B2、特征提取，选择滤波器对图像信息进行特征提取，特征的提取与患者的患病程度有关，计算出能表示图像特征区域特征的滤波器的大小，针对不同的特征采用不同的权值表示特征。
在S4中，所述神经元反馈学习是由图像的特征选择和特征提取的卷积形成的神经元构成的卷积神经网络学习，它能通过全网络反馈更新权重，有卷积神经网络反向传播学习的帮助，神经网络的内部权重会根据每次迭代获得的错误信息自动更新，得到图像分类模型。
所述卷积神经网络学习的具体步骤如下：
C1、将输入的图像通过滤波器检测后卷积，经过这第一节卷积层后，它就能识别某一简单特征，例如曲线；
C2、把能识别的某一简单的特征的激活图作为第二个卷积层的输入数据；
C3、第二个卷积层卷积输出激活图作为下一个卷积层的输入数据，依次卷积到N层，从N层卷积层上得到一个高阶的识别图像某一复杂特征的空间特征。
所述卷积神经网络反向传播学习的具体步骤如下：
D1、前向传播：第一个训练中，所有的权重或过滤器的值被随机初始化，是一个完全不能优先考虑任何数字的输出；
D2、损失计算：分析需要识别的图像的某一特征，用数字贴上标签，计算标签数字与随机生成权重数字的差异值；
式中：total表示总量，target表示目标量，output表示输出量。
D3、反向传播：检测出哪个权重损失最大并且寻找方法来调整它们使损失降低；
D4、权重更新：权重优化，更改数字特征。
式中：w表示权重，wi表示初始权重，η表示学习率。
在S1中的Hadoop分布式系统，数据以弹性分布式数据集对象的形式存储在Hadoop分布式系统中。
为了提高本专利所提出的基于大数据与机器学习方法的运算性能，在此使用Hadoop分布式平台对该方法进行并行化实现，采用10台计算机节点组成，包括1台主节点和9台节点，每台计算机节点的配置为Intel Quad Core 2.66GHZ CPU，8GB内存、Ubuntu16.04Linux操作系统，所有计算机都通过高速光纤网络互连，Apache Hadoop软件版本为1.6.0，方法采用R语言实现。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于大数据与机器学习的诊断乳腺癌病情的方法，其特征在于，包括如下步骤：
S1：针对乳腺癌拍片的图像的不完整性，图像数据在导入大数据平台之前需进行图像数据预处理；
S2：使用密码登陆到Hadoop分布式系统，通过人为把预处理好的大量乳腺癌检查中的X光和超声图像数据分类存储在Hadoop平台上，使用Hadoop大数据平台对图像信息进行处理分析，选取诊断为恶性的图像数据作为机器学习训练数据，数据平台数据采用加密传输，保证数据的安全性的同时不影响图像数据的使用；
S3：导入Hadoop大数据平台的二维图像信息，通过分布式计算机运算进行大量数据的卷积神经网络训练，任意选取滤波器进行卷积训练，在此基础上，通过修改滤波器上的权重使它能识别某种特征，构建具有识别图像某一特征的高阶卷积神经元；
S4：在图像经过多个卷积层后，神经元被编码成完全相关的空间特征，这些特征经过全连接神经网络学习，通过卷积神经网络的神经元反馈学习，训练出一个能分类图像的某一特征的模型，最终得到一个诊断结果模型，实现对乳腺癌病情的分类(良性或恶性)。
2.根据权利要求1所述的一种基于大数据与机器学习的诊断乳腺癌病情的方法，其特征在于，在S1中，图像数据预处理的具体步骤如下：
A1、将图像数据分成三部分数据集，75％用于训练数据集，12.5％用于验证数据集，剩下的12.5％作为测试数据集；
A2、把乳腺癌的图像采用3*3的中值滤波器来移除图像中的斑点噪音，将每个图像上的像素值标准化，使出现零均值；
A3、将每张图片旋转某一角度，重复n次，控制n的次数，确保整个病变区位于图像的核心，完成图像数据的初步分类。
3.根据权利要求1所述的一种基于大数据与机器学习的诊断乳腺癌病情的方法，其特征在于，在S2中，所述图像信息进行处理分析是对乳腺癌检查中的X光和超声图像数据进行提取、选择，使用卷积神经网络算法。
4.根据权利要求1所述的一种基于大数据与机器学习的诊断乳腺癌病情的方法，其特征在于，在S3中，得到一个高阶卷积神经元的具体步骤如下：
B1、特征选择，特征选择区域选择图像中出现病变的区域，特征选取与患者的乳房大小、图像拍摄的角度等因素有关，需要计算出特征选择的图像的区域；
B2、特征提取，选择滤波器对图像信息进行特征提取，特征的提取与患者的患病程度有关，计算出能表示图像特征区域特征的滤波器的大小，针对不同的特征采用不同的权值表示特征。
5.根据权利要求1所述的一种基于大数据与机器学习的诊断乳腺癌病情的方法，其特征在于，在S4中，所述神经元反馈学习是由图像的特征选择和特征提取的卷积形成的神经元构成的卷积神经网络学习，它能通过全网络反馈更新权重，有卷积神经网络反向传播学习的帮助，神经网络的内部权重会根据每次迭代获得的错误信息自动更新，得到图像分类模型。
6.根据权利要求5所述的一种基于大数据与机器学习的诊断乳腺癌病情的方法，其特征在于，所述卷积神经网络学习的具体步骤如下：
C1、将输入的图像通过滤波器检测后卷积，经过这第一节卷积层后，它就能识别某一简单特征，例如曲线；
C2、把能识别的某一简单的特征的激活图作为第二个卷积层的输入数据；
C3、第二个卷积层卷积输出激活图作为下一个卷积层的输入数据，依次卷积到N层，从N层卷积层上得到一个高阶的识别图像某一复杂特征的空间特征。
7.根据权利要求5所述的一种基于大数据与机器学习的诊断乳腺癌病情的方法，其特征在于，所述卷积神经网络反向传播学习的具体步骤如下：
D1、前向传播：第一个训练中，所有的权重或过滤器的值被随机初始化，是一个完全不能优先考虑任何数字的输出；
D2、损失计算：分析需要识别的图像的某一特征，用数字贴上标签，计算标签数字与随机生成权重数字的差异值；
式中：total表示总量，target表示目标量，output表示输出量。
D3、反向传播：检测出哪个权重损失最大并且寻找方法来调整它们使损失降低；
D4、权重更新：权重优化，更改数字特征。
式中：w表示权重，wi表示初始权重，η表示学习率。
8.根据权利要求1所述的一种基于大数据与机器学习的诊断乳腺癌病情的方法，其特征在于，在S1中的Hadoop分布式系统，数据以弹性分布式数据集对象的形式存储在Hadoop分布式系统中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811369953.XA CN109637633B (zh) | 2018-11-17 | 2018-11-17 | 一种基于大数据与机器学习的诊断乳腺癌病情的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811369953.XA CN109637633B (zh) | 2018-11-17 | 2018-11-17 | 一种基于大数据与机器学习的诊断乳腺癌病情的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109637633A true CN109637633A (zh) | 2019-04-16 |
| CN109637633B CN109637633B (zh) | 2023-02-07 |
Family
ID=66068385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811369953.XA Active CN109637633B (zh) | 2018-11-17 | 2018-11-17 | 一种基于大数据与机器学习的诊断乳腺癌病情的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109637633B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950614A (zh) * | 2021-03-22 | 2021-06-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于多尺度空洞卷积的乳腺癌检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2007117265A (ru) * | 2007-05-08 | 2008-11-20 | Государственное учреждение Научный центр клинической и экспериментальной медицины Сибирского отделени Российской академии медицинских наук (ГУ НЦКЭМ СО РАМН) (RU) | Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы |
| CN106951928A (zh) * | 2017-04-05 | 2017-07-14 | 广东工业大学 | 一种甲状腺乳头状癌的超声图像识别方法及装置 |
| US20170249739A1 (en) * | 2016-02-26 | 2017-08-31 | Biomediq A/S | Computer analysis of mammograms |
| CN107657602A (zh) * | 2017-08-09 | 2018-02-02 | 武汉科技大学 | 基于两次迁移卷积神经网络的乳腺结构紊乱识别方法 |
-
2018
- 2018-11-17 CN CN201811369953.XA patent/CN109637633B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2007117265A (ru) * | 2007-05-08 | 2008-11-20 | Государственное учреждение Научный центр клинической и экспериментальной медицины Сибирского отделени Российской академии медицинских наук (ГУ НЦКЭМ СО РАМН) (RU) | Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы |
| US20170249739A1 (en) * | 2016-02-26 | 2017-08-31 | Biomediq A/S | Computer analysis of mammograms |
| CN106951928A (zh) * | 2017-04-05 | 2017-07-14 | 广东工业大学 | 一种甲状腺乳头状癌的超声图像识别方法及装置 |
| CN107657602A (zh) * | 2017-08-09 | 2018-02-02 | 武汉科技大学 | 基于两次迁移卷积神经网络的乳腺结构紊乱识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950614A (zh) * | 2021-03-22 | 2021-06-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于多尺度空洞卷积的乳腺癌检测方法 |
| CN112950614B (zh) * | 2021-03-22 | 2023-01-10 | 山西三友和智慧信息技术股份有限公司 | 一种基于多尺度空洞卷积的乳腺癌病理图片分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109637633B (zh) | 2023-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Budak et al. | Computer-aided diagnosis system combining FCN and Bi-LSTM model for efficient breast cancer detection from histopathological images | |
| Gautam et al. | Towards effective classification of brain hemorrhagic and ischemic stroke using CNN | |
| Kasinathan et al. | Cloud‐Based Lung Tumor Detection and Stage Classification Using Deep Learning Techniques | |
| US10039501B2 (en) | Computer-aided diagnosis (CAD) apparatus and method using consecutive medical images | |
| Ahmed et al. | Automated pulmonary nodule classification and detection using deep learning architectures | |
| Chagas et al. | A new approach for the detection of pneumonia in children using CXR images based on an real-time IoT system | |
| Elayaraja et al. | An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach | |
| La Rosa | A deep learning approach to bone segmentation in CT scans | |
| Malik et al. | A novel fusion model of hand-crafted features with deep convolutional neural networks for classification of several chest diseases using X-ray images | |
| Latif et al. | Digital forensics use case for glaucoma detection using transfer learning based on deep convolutional neural networks | |
| da Silva et al. | A cascade approach for automatic segmentation of cardiac structures in short-axis cine-MR images using deep neural networks | |
| Özbay et al. | Brain tumor detection with mRMR-based multimodal fusion of deep learning from MR images using Grad-CAM | |
| US20210201487A1 (en) | Reference image guided object detection in medical image processing | |
| Davamani et al. | Biomedical image segmentation by deep learning methods | |
| Selvaraj et al. | CEDRNN: A convolutional encoder-decoder residual neural network for liver tumour segmentation | |
| Papandrianos et al. | Exploring classification of SPECT MPI images applying convolutional neural networks | |
| Zhao et al. | AGMN: association graph-based graph matching network for coronary artery semantic labeling on invasive coronary angiograms | |
| Yi et al. | Compound scaling encoder-decoder (CoSED) network for diabetic retinopathy related bio-marker detection | |
| Liao et al. | Convolutional herbal prescription building method from multi-scale facial features | |
| Rajput et al. | A triplanar ensemble model for brain tumor segmentation with volumetric multiparametric magnetic resonance images | |
| Yuan et al. | Pulmonary arteries segmentation from CT images using PA‐Net with attention module and contour loss | |
| Nagaoka et al. | A deep learning system to diagnose COVID-19 pneumonia using masked lung CT images to avoid AI-generated COVID-19 diagnoses that include data outside the lungs | |
| Eshmawi et al. | An ensemble of deep learning enabled brain stroke classification model in magnetic resonance images | |
| CN109637633A (zh) | 一种基于大数据与机器学习的诊断乳腺癌病情的方法 | |
| Prasad et al. | Lung cancer detection using an integration of fuzzy K-means clustering and deep learning techniques for CT lung images |
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 |