CN109657719B - 一种基于卷积神经网络的图像识别方法 - Google Patents

一种基于卷积神经网络的图像识别方法 Download PDF

Info

Publication number
CN109657719B
CN109657719B CN201811557964.0A CN201811557964A CN109657719B CN 109657719 B CN109657719 B CN 109657719B CN 201811557964 A CN201811557964 A CN 201811557964A CN 109657719 B CN109657719 B CN 109657719B
Authority
CN
China
Prior art keywords
layer
neural network
convolutional neural
dimensional feature
dimensional
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
CN201811557964.0A
Other languages
English (en)
Other versions
CN109657719A (zh
Inventor
张恒瑜
包勇
文耀锋
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.)
Changzhou Industrial Technology Research Institute of Zhejiang University
Original Assignee
Changzhou Industrial Technology Research Institute of Zhejiang University
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 Changzhou Industrial Technology Research Institute of Zhejiang University filed Critical Changzhou Industrial Technology Research Institute of Zhejiang University
Priority to CN201811557964.0A priority Critical patent/CN109657719B/zh
Publication of CN109657719A publication Critical patent/CN109657719A/zh
Application granted granted Critical
Publication of CN109657719B publication Critical patent/CN109657719B/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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于卷积神经网络的图像识别方法，包括以下步骤：S100、标注：为断面图的每个分区赋唯一值Labelj，为断面图中的异物区赋唯一值Labelm，S200，获取训练集：选取同一目标物的M个标注后的断面图依序排列并层叠得到目标物的立体图集，将立体图集作为一个训练样本，收集若干个训练样本组成训练集；S300、构建卷积神经网络；S400、将所述训练集输入所述卷积神经网络中进行训练，得到卷积神经网络分类模型。这种基于卷积神经网络的图像识别方法将标注后的多张断面图按序层叠后作为训练样本对卷积神经网络进行训练，得到能够根据CT图得到异物所处位置的卷积神经网络分类模型，这种卷积神经网络分类模型能够辅助医生高效准确的判断出异物所在位置。

Description

一种基于卷积神经网络的图像识别方法
技术领域
本发明涉及基于深度学习的图片识别方法，尤其涉及一种基于卷积神经网络的图像识别方法。
背景技术
CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查；根据所采用的射线不同可分为：X射线CT(X-CT)、超声CT(UCT)以及γ射线CT(γ-CT)等。
通过CT扫描获得若干张连续的二维的断面图，医生通过对这些断面图进行观察，从而找到病症所在。由于人的器官是立体的，当器官中出现异物(例如肿瘤、肺结节等)，医生可能需要观察较多数量的断面图后才能找到异物的所在部位。有些器官例如肺部，是一种可以分为18段的结构，当肺部产生异物时，目前对于CT图的处理方法只能定位异物的具体坐标，并不能直接得到异物产生在肺部的哪个段中；对于医生来说，异物的具体坐标对于病情的诊断并没有多大意义，医生仍然需要对断面图进行观察才能得知异物产生的位置；而且并不是每张肺部的断面图都包含18个段，除非是经验非常丰富的医生，否则很难又快有准的区分出肺部的每一段，这也给诊断的过程造成了很大的阻碍。
发明内容
本发明要解决的技术问题是：为了解决现有技术中缺乏高效准确的从CT图中得到异物所处器官部位的方法，本发明提供了一种基于卷积神经网络的图像识别方法来解决上述问题。
本发明解决其技术问题所采用的技术方案是：一种基于卷积神经网络的图像识别方法，包括以下步骤：
S100、标注：为断面图的每个分区赋唯一值Labelj，为断面图中的异物区赋唯一值Labelm，其中j为1～n，n为目标物具有的分区数量，所述分区内每个像素的灰度值为Labelj，所述异物区内每个像素的灰度值为Labelm；
S200，获取训练集：选取同一目标物的M个标注后的断面图依序排列并层叠得到目标物的立体图集，将立体图集作为一个训练样本，收集若干个训练样本组成训练集；
S300、构建卷积神经网络；
S400、将所述训练集输入所述卷积神经网络中进行训练，得到卷积神经网络分类模型。
作为优选，还包括步骤，DICOM格式的CT断面图转换成维度为512*512*1并且格式为PNG的所述断面图。
作为优选，在所述步骤S200中，以某一张断面图为中心上下各取10张断片图层叠得到维度为512*512*21的立体图集，通过reshape函数调整立体图集的维度成128*128*21。
作为优选，所述卷积神经网络依次包括输入层、第一卷积层、第一ReLU层、第一池化层、第二卷积层、第二ReLU层、第二池化层、第三卷积层、第三ReLU层、第三池化层、第一全连接层、第二全连接层和输出层；
在所述步骤S400中包括以下步骤：
S401、在第一卷积层中，维度为128*128*21的立体图集通过64个3*3*21的卷积核进行卷积，步数为1，补零之后得到128*128*64的三维特征图；
S402、第一ReLU层中，通过函数ReLU对三维特征图进行非线性映射；
S403、重复一次步骤S401和一次步骤S402；
S404、在第一池化层中，128*128*64的三维特征图经过2*2的最大池化，步数为2，得到64*64*64的三维特征图；
S405、在第二卷积层中，64*64*64的三维特征图通过128个3*3*64的卷积核进行卷积，步数为1，补零之后得到64*64*128的三维特征图；
S406、第二ReLU层中，通过函数ReLU对三维特征图进行非线性映射；
S407、重复两次步骤S405和两次步骤S406；
S408、在第二池化层中，64*64*128的三维特征图经过2*2的最大池化，步数为2，得到32*32*128的三维特征图；
S409、第三卷积层中，32*32*128的三维特征图通过256个3*3*128的卷积核进行卷积，步数为1，补零之后得到32*32*256的三维特征图；；
S410、第三ReLU层中，通过函数ReLU对三维特征图进行非线性映射；
S411、重复两次步骤S409和两次步骤S410；
S412、在第三池化层中，32*32*256的三维特征图经过2*2的最大池化，得到16*16*256的三维特征图；
S413、在第一全连接层中，将16*16*256的三维特征图转换为1000维的特征向量V1；
S414、在第二全连接层中，将1000维的特征向量V1转换为18维的特征向量V2；
S415、在输出层，利用Softmax函数归一化所述特征向量V2，得到特征向量S；
S416、将特征向量S作为预测值与真实值Y输入交叉熵中计算残差Loss，根据残差Loss反向传播，更新卷积核的权值。
本发明的有益效果是，这种基于卷积神经网络的图像识别方法将标注后的多张断面图按序层叠后作为训练样本对卷积神经网络进行训练，得到能够根据CT图得到异物所处位置的卷积神经网络分类模型，这种卷积神经网络分类模型能够辅助医生高效准确的判断出异物所在位置。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是一种基于卷积神经网络的图像识别方法的实施例的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
以为了确定肺部中肺结节的位置举例，提供一种基于卷积神经网络的图像识别方法的实施例，如图1所示，包括以下步骤：
S01、通过对某位患者进行CT扫描获取一组包含若干张连续CT断面图的原始图集，CT断面图的格式为DICOM，把这些CT断面图转换成维度为512*512*1并且格式为PNG的断面图；
S100、标注：为断面图的每个分区赋唯一值Labelj，为断面图中的异物区赋唯一值Labelm，其中j为1～n，人的肺部分为18个分区，所以n为18，此实例中，第一分区至第十八分区的Labelj分别为1、2、3…18，Labelm为200，分区内每个像素的灰度值为Labelj，；例如第一分区内所有像素的灰度值为1，异物区内每个像素的灰度值为200，背景区域内的像素的灰度值为0；
S200，获取训练集：选取一个患者的肺部的一张经过标注后的的断面图，并且以这一张断面图为中心上下各取10张连续的断片图层叠得到维度为512*512*21的立体图集，通过reshape函数调整立体图集的维度成128*128*21，将此立体图集作为一个训练样本，收集若干个不同患者的训练样本组成训练集；
S300、构建卷积神经网络，卷积神经网络依次包括输入层、第一卷积层、第一ReLU层、第一池化层、第二卷积层、第二ReLU层、第二池化层、第三卷积层、第三ReLU层、第三池化层、第一全连接层、第二全连接层和输出层；
S400、将训练集输入卷积神经网络中进行训练，得到卷积神经网络分类模型。
具体步骤为：
S401、在第一卷积层中，维度为128*128*21的立体图集通过64个3*3*21的卷积核进行卷积，步数为1，补零之后得到128*128*64的三维特征图；
S402、第一ReLU层中，通过函数ReLU对三维特征图进行非线性映射；
S403、重复一次步骤S401和一次步骤S402；
S404、在第一池化层中，128*128*64的三维特征图经过2*2的最大池化，步数为2，得到64*64*64的三维特征图；
S405、在第二卷积层中，64*64*64的三维特征图通过128个3*3*64的卷积核进行卷积，步数为1，补零之后得到64*64*128的三维特征图；
S406、第二ReLU层中，通过函数ReLU对三维特征图进行非线性映射；
S407、重复两次步骤S405和两次步骤S406；
S408、在第二池化层中，64*64*128的三维特征图经过2*2的最大池化，步数为2，得到32*32*128的三维特征图；
S409、第三卷积层中，32*32*128的三维特征图通过256个3*3*128的卷积核进行卷积，步数为1，补零之后得到32*32*256的三维特征图；；
S410、第三ReLU层中，通过函数ReLU对三维特征图进行非线性映射；
S411、重复两次步骤S409和两次步骤S410；
S412、在第三池化层中，32*32*256的三维特征图经过2*2的最大池化，得到16*16*256的三维特征图；
S413、在第一全连接层中，将16*16*256的三维特征图转换为1000维的特征向量V1；
S414、在第二全连接层中，将1000维的特征向量V1转换为18维的特征向量V2；
S415、在输出层，利用Softmax函数归一化特征向量V2，得到特征向量S；Softmax函数为
Figure BDA0001912476930000071
其中Vi是全连接层的分类器前级输出单元的输出，i表示类别索引，此实例中i＝1、2、3…18，总的类别个数为C＝18。Si表示的是当前元素的指数与所有元素指数和的比值，Softmax将多分类的输出数值转化为相对概率，例如当
Figure BDA0001912476930000072
表示异物在第一分区的概率为0.3，在第三分区的概率为0.6，在第七分区的概率为0.1。
S416、将特征向量S作为预测值与真实值Y输入交叉熵中计算残差Loss，根据残差Loss反向传播，更新卷积核的权值。
交叉熵为
Figure BDA0001912476930000081
其中Yi为异物在第i个分区内的概率。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对所述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (4)

1.一种基于卷积神经网络的图像识别方法，其特征在于，包括以下步骤：
S100、标注：为断面图的每个分区赋唯一值Labelj，为断面图中的异物区赋唯一值Labelm，其中j为1~n，n为目标物具有的分区数量，所述分区内每个像素的灰度值为Labelj，所述异物区内每个像素的灰度值为Labelm；
S200，获取训练集：选取同一目标物的M个标注后的断面图依序排列并层叠得到目标物的立体图集，将立体图集作为一个训练样本，收集若干个训练样本组成训练集；
S300、构建卷积神经网络；
S400、将所述训练集输入所述卷积神经网络中进行训练，得到卷积神经网络分类模型。
2.如权利要求1所述的一种基于卷积神经网络的图像识别方法，其特征在于，还包括步骤，DICOM格式的CT断面图转换成维度为512*512*1并且格式为PNG的所述断面图。
3.如权利要求2所述的一种基于卷积神经网络的图像识别方法，其特征在于：在所述步骤S200中，以某一张断面图为中心上下各取10张断片图层叠得到维度为512*512*21的立体图集，通过reshape函数调整立体图集的维度成128*128*21。
4.如权利要求3所述的一种基于卷积神经网络的图像识别方法，其特征在于：所述卷积神经网络依次包括输入层、第一卷积层、第一ReLU层、第一池化层、第二卷积层、第二ReLU层、第二池化层、第三卷积层、第三ReLU层、第三池化层、第一全连接层、第二全连接层和输出层；
在所述步骤S400中包括以下步骤：
S401、在第一卷积层中，维度为128*128*21的立体图集通过64个3*3*21的卷积核进行卷积，步数为1，补零之后得到128*128*64的三维特征图；
S402、第一ReLU层中，通过函数ReLU对三维特征图进行非线性映射；
S403、重复一次步骤S401和一次步骤S402；
S404、在第一池化层中，128*128*64的三维特征图经过2*2的最大池化，步数为2，得到64*64*64的三维特征图；
S405、在第二卷积层中，64*64*64的三维特征图通过128个3*3*64的卷积核进行卷积，步数为1，补零之后得到64*64*128的三维特征图；
S406、第二ReLU层中，通过函数ReLU对三维特征图进行非线性映射；
S407、重复两次步骤S405和两次步骤S406；
S408、在第二池化层中，64*64*128的三维特征图经过2*2的最大池化，步数为2，得到32*32*128的三维特征图；
S409、第三卷积层中，32*32*128的三维特征图通过256个3*3*128的卷积核进行卷积，步数为1，补零之后得到32*32*256的三维特征图；；
S410、第三ReLU层中，通过函数ReLU对三维特征图进行非线性映射；
S411、重复两次步骤S409和两次步骤S410；
S412、在第三池化层中，32*32*256的三维特征图经过2*2的最大池化，得到16*16*256的三维特征图；
S413、在第一全连接层中，将16*16*256的三维特征图转换为1000维的特征向量V1；
S414、在第二全连接层中，将1000维的特征向量V1转换为18维的特征向量V2；
S415、在输出层，利用Softmax函数归一化所述特征向量V2，得到特征向量S；
S416、将特征向量S作为预测值与真实值Y输入交叉熵中计算残差Loss，根据残差Loss反向传播，更新卷积核的权值。
CN201811557964.0A 2018-12-19 2018-12-19 一种基于卷积神经网络的图像识别方法 Active CN109657719B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811557964.0A CN109657719B (zh) 2018-12-19 2018-12-19 一种基于卷积神经网络的图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811557964.0A CN109657719B (zh) 2018-12-19 2018-12-19 一种基于卷积神经网络的图像识别方法

Publications (2)

Publication Number Publication Date
CN109657719A CN109657719A (zh) 2019-04-19
CN109657719B true CN109657719B (zh) 2022-09-30

Family

ID=66115683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811557964.0A Active CN109657719B (zh) 2018-12-19 2018-12-19 一种基于卷积神经网络的图像识别方法

Country Status (1)

Country Link
CN (1) CN109657719B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210567A (zh) * 2019-06-06 2019-09-06 广州瑞智华创信息科技有限公司 一种基于卷积神经网络的服装图像分类与检索方法及系统
CN113205008B (zh) * 2021-04-16 2023-11-17 深圳供电局有限公司 一种动态告警窗的告警控制方法
CN114678113B (zh) * 2022-03-14 2023-07-18 浙江大学 一种基于卷积神经网络的智能急诊预检分诊系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
CN108717568A (zh) * 2018-05-16 2018-10-30 陕西师范大学 一种基于三维卷积神经网络的图像特征提取与训练方法
CN108921030A (zh) * 2018-06-04 2018-11-30 浙江大学 一种快速学习的sar自动目标识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
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
CN108717568A (zh) * 2018-05-16 2018-10-30 陕西师范大学 一种基于三维卷积神经网络的图像特征提取与训练方法
CN108921030A (zh) * 2018-06-04 2018-11-30 浙江大学 一种快速学习的sar自动目标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络的手势识别方法;杨文斌等;《安徽工程大学学报》;20180215(第01期);全文 *

Also Published As

Publication number Publication date
CN109657719A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
CN109657719B (zh) 一种基于卷积神经网络的图像识别方法
US11430140B2 (en) Medical image generation, localizaton, registration system
US20230038364A1 (en) Method and system for automatically detecting anatomical structures in a medical image
US10997466B2 (en) Method and system for image segmentation and identification
JP7218215B2 (ja) 画像診断装置、画像処理方法及びプログラム
US11210779B2 (en) Detection and quantification for traumatic bleeding using dual energy computed tomography
CN112116609A (zh) 基于图像中的结构或材料分割的机器学习分类方法与系统
CN110570515A (zh) 一种利用ct图像进行人体骨骼三维建模的方法
DE102021124341A1 (de) Künstliche- intelligenz- pipeline- datenverarbeitungssystem zur läsionserkennung
CN107636659A (zh) 使用深度神经网络检测医学图像中的地标的方法和系统
Pradhan et al. Transforming view of medical images using deep learning
CN107980149A (zh) 用于脊椎标记的方法、装置和系统
CN110738633A (zh) 一种机体组织的三维图像处理方法及相关设备
CN104217423A (zh) 选出图像数据组的自动产生
WO2024126468A1 (en) Echocardiogram classification with machine learning
US11712192B2 (en) Biomarker for early detection of alzheimer disease
Grimwood et al. Assisted probe positioning for ultrasound guided radiotherapy using image sequence classification
Peng et al. Lung contour detection in chest X-ray images using mask region-based convolutional neural network and adaptive closed polyline searching method
CN115705644A (zh) 用于病变的早期检测和定位的方法和系统
Daoud et al. An edge-based selection method for improving regions-of-interest localizations obtained using multiple deep learning object-detection models in breast ultrasound images
CN115131279A (zh) 通过深度学习模型的疾病分类
CN115035207A (zh) 胎儿颅脑标准切面生成方法、装置和超声成像显示系统
Kassem et al. Efficient classification model of pneumonia infection based on deep transfer learning and chest X-Ray images
KR102258070B1 (ko) 발의 유형 평가 방법 및 이를 이용한 발의 유형 평가용 디바이스
CN114767153A (zh) 基于人工智能的肺炎超声图像快速评估方法和系统

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
GR01 Patent grant
GR01 Patent grant