CN109658399A - 一种头颈斑块图像识别方法及装置 - Google Patents
一种头颈斑块图像识别方法及装置 Download PDFInfo
- Publication number
- CN109658399A CN109658399A CN201811525168.9A CN201811525168A CN109658399A CN 109658399 A CN109658399 A CN 109658399A CN 201811525168 A CN201811525168 A CN 201811525168A CN 109658399 A CN109658399 A CN 109658399A
- Authority
- CN
- China
- Prior art keywords
- patch
- magnetic resonance
- neck
- resonance image
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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]
-
- 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
- G06T2207/30016—Brain
Abstract
本说明书提供一种头颈斑块图像识别方法及装置,所述方法包括:获取待识别的头颈磁共振图像;将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中,获得所述待识别的头颈磁共振图像中的斑块识别结果;其中,所述斑块识别模型包括U型卷积神经网络模型,所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。本说明书实施例实现了头颈斑块的自动识别,提高了头颈斑块识别结果的准确性。
Description
技术领域
本说明书属于图像处理技术领域,尤其涉及一种头颈斑块图像识别方法及装置。
背景技术
脑卒中目前已成为成年人致死率和致残率最高的疾病之一,而我国脑卒中患者中,其中70%以上为缺血性脑卒中。缺血性脑卒中的主要致病因素是动脉粥样硬化斑块破裂所引起的血栓栓塞,检查血管壁结构能有效提高脑卒中的确诊率,而检查血管壁结构中的一项是对斑块进行识别诊断。
由于头颈斑块非常小,越小的物体识别难度就越大,对于头颈部斑块分割或者检测的方法比较少。现有技术中,对于斑块的检测主要是经过临床影像科医生肉眼识别,而医生每天阅读大量的片子,会导致视觉疲劳,也会由于一些个人主观因素比如经验、阅历等导致诊断结果有一定误差。因此,本领域亟需一种能够准确识别出头颈斑块的技术方案。
发明内容
本说明书目的在于提供一种头颈斑块图像识别方法及装置,实现了头颈斑块的自动识别,提高了头颈斑块识别结果的准确性。
一方面本说明书实施例提供了一种头颈斑块图像识别方法,包括:
获取待识别的头颈磁共振图像;
将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中,获得所述待识别的头颈磁共振图像中的斑块识别结果;
其中,所述斑块识别模型采用U型卷积神经网络模型,所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。
进一步地,所述方法的另一个实施例中,所述斑块识别模型中的每个所述密集连接块输出的特征图的数量不同。
进一步地,所述方法的另一个实施例中,所述斑块识别模型中的所述密集连接块包括多层密集连接层,各密集连接层之间密集连接。
进一步地,所述方法的另一个实施例中,所述密集连接块的数量为多个,各所述密集连接块中的密集连接层的数量相同。
进一步地,所述方法的另一个实施例中,所述斑块识别模型采用下述方法构建:
获取多个样本数据,所述样本数据包括:头颈磁共振图像和所述头颈磁共振图像中的斑块标记;
建立所述斑块识别模型,将所述样本数据中的头颈磁共振图像作为所述斑块识别模型的输入数据,将对应的所述头颈磁共振图像中的斑块标记作为所述斑块识别模型的输出标签,对所述斑块识别模型进行训练,直至所述斑块识别模型达到预设要求。
进一步地,所述方法的另一个实施例中,所述方法还包括:采用交叉验证法优化所述斑块识别模型。
进一步地,所述方法的另一个实施例中,所述获取多个样本数据,包括:
获取多个头颈磁共振图像,并对所述头颈磁共振图像进行归一化处理;
将获取到的头颈磁共振图像进行斑块标注,获得所述头颈磁共振图像中的斑块标记;
相应地,所述将所述归一化处理后的头颈磁共振图像作为所述斑块识别模型的输入数据,包括:
将所述归一化处理后的头颈磁共振图像作为所述斑块识别模型的输入数据。
另一方面,本说明书提供了一种头颈斑块图像识别装置,包括:
图像获取模块,用于获取待识别的头颈磁共振图像;
图像识别模块,用于将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中,获得所述待识别的头颈磁共振图像中的斑块识别结果;
其中,所述斑块识别模型采用U型卷积神经网络模型,所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。
进一步地,所述装置的另一个实施例中,所述斑块识别模型中的每个所述密集连接块输出的特征图的数量不同。
进一步地,所述装置的另一个实施例中,所述斑块识别模型中的所述密集连接块包括多层密集连接层,各密集连接层之间密集连接。
进一步地,所述装置的另一个实施例中,所述密集连接块的数量为多个,各所述密集连接块中的密集连接层的数量相同。
进一步地,所述装置的另一个实施例中,所述装置还包括:模型构建模块用于采用下述方法构建所述斑块识别模型:
获取多个样本数据,所述样本数据包括:头颈磁共振图像和所述头颈磁共振图像中标记的斑块;
建立所述斑块识别模型,将所述样本数据中的头颈磁共振图像作为所述斑块识别模型的输入数据,将对应的所述头颈磁共振图像中标记的斑块作为所述斑块识别模型的输出标签,对所述斑块识别模型进行训练,直至所述斑块识别模型达到预设要求。
进一步地,所述装置的另一个实施例中,所述模型构建模块还用于:
采用交叉验证法优化所述斑块识别模型。
进一步地,所述装置的另一个实施例中,所述模型构建模块具体用于:
获取多个头颈磁共振图像,并对所述头颈磁共振图像进行归一化处理,将所述归一化处理后的头颈磁共振图像作为所述斑块识别模型的输入数据;
将获取到的多个头颈磁共振图像进行斑块标注,获得所述头颈磁共振图像中的斑块标记。
还一方面,本说明书提供了头颈斑块图像识别处理设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现本说明书实施例中的头颈斑块图像识别方法。
再一方面,本说明书提供了一种头颈斑块图像识别系统,包括:
数据采集模块,用于采集样本数据,所述样本数据包括:头颈磁共振图像和所述头颈磁共振图像中标记的斑块;
检测模型构建模块,用于构建斑块识别模型,并进行模型训练和模型优化,其中所述斑块识别模型采用U型卷积神经网络模型,所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块;
模型测试模块,用于输入待识别的头颈磁共振图像,获得头颈斑块识别结果。
本说明书提供的头颈斑块图像识别方法、装置、处理设备、系统,基于深度学习,将U型卷积神经网络模型与密集卷积神经网络模型相结合,构建出斑块识别模型,再将待识别的头颈磁共振图像输入到构建的斑块识别模型中,即可以获得待识别的头颈磁共振图像的斑块识别结果,实现了头颈斑块的自动识别,不需要人工肉眼识别,提高了头颈斑块的识别结果。此外,本说明书实施例中的斑块识别模型将U型卷积神经网络模型与密集卷积神经网络模型相结合,可以减少训练样本数据,比较好的保留图像信息,提高特征图的复用次数,进一步提高斑块识别的效率以及准确性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书一个实施例中头颈斑块图像识别方法的流程示意图;
图2是本说明书一个实施例中斑块识别模型的网络架构示意图;
图3是本说明书提供的头颈斑块图像识别装置一个实施例的模块结构示意图;
图4是本说明书又一实施例中头颈斑块图像识别装置的结构示意图;
图5是本说明书一个实施例中头颈斑块图像识别系统工作流程示意图;
图6是应用本申请实施例头颈斑块识别服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
本说明书实施例中提供了一种头颈斑块图像识别方法,通过将U型卷积神经网络与秘密卷积神经网络模型进行结合,构建斑块识别模型。利用构建的斑块识别模型对头颈磁共振图像进行斑块识别,实现头颈斑块的自动识别,识别出头颈磁共振图像中的斑块区域,为脑卒中的诊断提供了数据基础。
本说明书中头颈斑块图像识别方法可以应用在客户端或服务器中,客户端可以是智能手机、平板电脑、智能可穿戴设备(智能手表、虚拟现实眼镜、虚拟现实头盔等)、智能车载设备等电子设备。
具体的,图1是本说明书一个实施例中头颈斑块图像识别方法的流程示意图,如图1所示,本说明书一个实施例中提供的头颈斑块图像识别方法的整体过程可以包括:
步骤102、获取待识别的头颈磁共振图像。
磁共振检查是目前比较常见的医学检查方法,本说明书实施例中,可以获取用户的头颈磁共振图像即头颈一体化血管壁磁共振图像,基于获取到的待识别的头颈磁共振图像进行头颈斑块的识别。
步骤104、将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中,获得所述待识别的头颈磁共振图像中的斑块识别结果;
其中,所述斑块识别模型采用U型卷积神经网络模型,所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。
在具体的实施过程中,可以基于深度学习方法,构建出斑块识别模型,如:可以利用已有的脑卒中患者的头颈磁共振图像数据,进行模型训练,学习从输入磁共振图像到输出头颈斑块分割结果的函数映射关系,构建斑块识别模型。图2是本说明书一个实施例中斑块识别模型的网络架构示意图,如图2所示,本说明书实施例中的斑块识别模型可以将U型卷积神经网络模型(即U-Net)与密集卷积神经网络模型即(DenseNet)相结合。如图2所示,斑块识别模型的总体架构可以是U型卷积神经网络模型的结构,U型卷积神经网络模型中的卷积层可以采用密集卷积神经网络模型中的密集连接块(即dense block)。
U-Net可以理解为卷积神经网络的一种变形,主要其结构形似字母U,因而得名U-Net。U-Net的整个神经网络主要有两部分组成:收缩路径和扩展路径,收缩路径主要是用来捕捉图片中的上下文信息,而与之相对称的扩展路径则是为了对图片中所需要分割出来的部分进行精准定位。DenseNet可以理解为一种具有密集连接的卷积神经网络,在该网络中,任何两层之间都有直接的连接,也就是说,网络每一层的输入都是前面所有层输出的并集,而该层所学习的特征图也会被直接传给其后面所有层作为输入。如图2所示,本说明书实施例将U型卷积神经网络模型的每一个卷积层都可以采用密集连接块,密集连接存在于每一个密集连接块内。密集连接可以缓解梯度消失问题,加强特征传播,鼓励特征复用,极大的减少了参数量,提高图像识别的准确性。
斑块识别模型构建完成后,将待识别的头颈磁共振图像输入到构建的斑块识别模型中,可以获得待识别的头颈磁共振图像的斑块识别结果如:可以识别出待识别的头颈磁共振图像中是否有斑块,若有,还可以识别出斑块所在的区域,或斑块的形状、大小等。
如图2所示,每个密集连接块上方的数字可以表示该密集连接块输出的特征图的数量,本说明书一个实施例中,每个密集连接块输出的特征图的数量可以不同,如图2所示,各密集连接块输出的特征图的数量可以是:32、64、128、256、512,当然,根据实际需要也可以是其他数量的特征图,本说明书实施例不作具体限定。密集连接块位于U型卷积神经网络模型不同的卷积层处,将不同密集连接块输出的特征图数量设置为不同,可以适应U型卷积神经网络模型的结构需要,更好的保留图像信息,提高图像识别结果。
如图2所示,图2中左下角为每个密集连接块的结构示意图,本说明书一个实施例中,每个密集连接块中可以包括多层密集连接层,图2中左下角每个小圆圈可以表示密集连接块中的一个密集连接层,各个密集连接层之间密集连接。如图2所示,密集连接块中的任何两个密集连接层之间都有直接的连接,即在密集连接块内每一层的输入都是前面所有层输出的并集,而该层所学习到的特征图也会被直接传给其后面所有密集连接层作为输入。在密集连接块中采用多层密集连接层的密集连接方式,可以提高特征图的复用性,提高斑块识别结果的准确性。
本说明书一些实施例中,密集连接块的数量有多个,各所述密集连接块中的密集连接层的数量相同。如图2所示,U型卷积神经网络模型中第二至第五个密集连接块的输出特征数量较原始的dense block中设置的更大,可能会导致参数量迅速更多。本说明书实施例中将每个密集连接块均中的密集连接层的数量设置为相同,可以保持恰当的计算量,降低网络模型的计算量,提高图像识别的效率。如图2所示,每个密集连接块中可以设为5层密集连接层,当然,根据实际需要,也可以设置为其他数量的密集连接层,本说明书实施例不作具体限定。
此外,如图2所示,本说明书一些实施例中,斑块识别模型中的卷积核大小可以均设置为3*3,激活函数可以均设置为ReLU(Rectified Linear Units),斑块识别模型中的其他连接方式可以与U-Net结构一致,编码过程实际为下采样层,下采样层可以采用2*2的最大池化操作;解码过程其实为上采样过程,可以采用2*2大小的反卷积操作,中间则对编码、解码中对应层的输出特征图进行拼接融合,最终输出图像识别结果。
本说明书实施例,基于深度学习,将U型卷积神经网络模型与密集卷积神经网络模型相结合,构建出斑块识别模型,再将待识别的头颈磁共振图像输入到构建的斑块识别模型中,即可以获得待识别的头颈磁共振图像的斑块识别结果,实现了头颈斑块的自动识别,不需要人工肉眼识别,提高了头颈斑块的识别结果。此外,本说明书实施例中的斑块识别模型将U型卷积神经网络模型与密集卷积神经网络模型相结合,可以减少训练样本数据,比较好的保留图像信息,提高特征图的复用次数,进一步提高斑块识别的效率以及准确性。
在上述实施例的基础上,本说明书一些实施例中,所述斑块识别模型可以采用下述方法构建:
获取多个样本数据,所述样本数据包括:头颈磁共振图像和所述头颈磁共振图像中的斑块标记;
建立所述斑块识别模型,将所述样本数据中的头颈磁共振图像作为所述斑块识别模型的输入数据,将对应的所述头颈磁共振图像中的斑块标记作为所述斑块识别模型的输出标签,对所述斑块识别模型进行训练,直至所述斑块识别模型达到预设要求。
在具体的实施例过程中,可以获取历史用户的头颈磁共振图像作为样本数据,样本数据可以是确诊为脑卒中的用户的头颈磁共振图像。样本数据还可以包括获取到的头颈磁共振图像中的斑块标记作为训练标签,样本数据的具体数量可以根据实际需要进行选择,本说明书实施例不作具体限定。本说明书一个实施例中,在获取到多个头颈磁共振图像后,可以对获取到的头颈磁共振图像进行归一化处理,即对样本数据中的头颈磁共振图像的像素进行统一处理,如:将头颈磁共振图像的像素点归一化到0-1之间,将归一化处理后的头颈磁共振图像作为模型的输入数据,方便后续进行模型训练。并对获取到的头颈磁共振图像进行斑块标注,可以由专业的医生进行标注或者根据用户的诊断结果进行标注等,具体可以标注出斑块的位置、大小等内容。
样本数据准备结束后,可以构建斑块识别模型,如:构建斑块识别模型的网络架构等,斑块识别模型的网络架构具体可以参考上述实施例的记载,此处不再赘述。其中,斑块识别模型中还可以包括多个模型参数,如:卷积核的大小、密集连接块的数量等。斑块识别模型构建完成后,可以将样本数据中的头颈磁共振图像作为斑块识别模型的输入数据,将对应的头颈磁共振图像中的斑块标记作为斑块识别模型的输出数据,对斑块识别模型进行模型训练,直至所述斑块识别模型达到预设要求,如:模型输出精度符合要求或模型训练次数符合要求,即可以认为模型训练结束。
本说明书实施例利用深度学习训练构建出斑块识别模型,可以实现头颈斑块的自动识别,不需要人工识别,提高了头颈斑块识别的准确性。
本说明书一些实施例中,在模型训练结束后,还可以采用交叉验证法优化斑块识别模型,提高模型识别结果的准确性。交叉验证可以认为是一种统计学上将数据样本切割成较小子集的实用方法,可以在样本数据中,拿出大部分样本进行建模型,留小部分样本用刚建立的模型进行预报,并求这小部分样本的预报误差,记录它们的平方加和,这个过程一直进行,直到所有的样本都被预报了一次而且仅被预报一次。
需要说明的是,本说明书实施例中的头颈斑块图像识别方法可以不限于识别头颈斑块,还可以用于其他的图像识别过程,如:识别其他的病灶区(如:脑肿瘤)等。可以利用其他部位的磁共振图像训练构建对应的识别模型,完成其他病灶区的自动识别。
本说明书实施例提供的头颈斑块图像识别方法,基于深度学习方法的构建斑块识别模型,利用深度学习技术达到对脑中风患者头颈斑块自动检测的目的,实现了自动检测出磁共振血管壁影像中的斑块,提高对脑卒中疾病诊断的准确性和预防能力。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
基于上述所述的头颈斑块图像识别方法,本说明书一个或多个实施例还提供一种头颈斑块图像识别装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图3是本说明书提供的头颈斑块图像识别装置一个实施例的模块结构示意图,如图3所示,本说明书中提供的头颈斑块图像识别装置包括:图像获取模块31、图像识别模块32,其中:
图像获取模块31,可以用于获取待识别的头颈磁共振图像;
图像识别模块32,可以用于将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中,获得所述待识别的头颈磁共振图像中的斑块识别结果;
其中,所述斑块识别模型采用U型卷积神经网络模型,所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。
本说明书实施例提供的头颈斑块图像识别装置,基于深度学习,将U型卷积神经网络模型与密集卷积神经网络模型相结合,构建出斑块识别模型,再将待识别的头颈磁共振图像输入到构建的斑块识别模型中,即可以获得待识别的头颈磁共振图像的斑块识别结果,实现了头颈斑块的自动识别,不需要人工肉眼识别,提高了头颈斑块的识别结果。此外,本说明书实施例中的斑块识别模型将U型卷积神经网络模型与密集卷积神经网络模型相结合,可以减少训练样本数据,比较好的保留图像信息,提高特征图的复用次数,进一步提高斑块识别的效率以及准确性。
在上述实施例的基础上,所述斑块识别模型中的每个所述密集连接块输出的特征图的数量不同。
本说明书实施例提供的头颈斑块图像识别装置,将不同密集连接块输出的特征图数量设置为不同,可以适应U型卷积神经网络模型的结构需要,更好的保留图像信息,提高图像识别结果。
在上述实施例的基础上,所述斑块识别模型中的所述密集连接块包括多层密集连接层,各密集连接层之间密集连接。
本说明书实施例在密集连接块中采用多层密集连接层的密集连接方式,可以提高特征图的复用性,提高斑块识别结果的准确性。
在上述实施例的基础上,所述密集连接块的数量为多个,各所述密集连接块中的密集连接层的数量相同。
本说明书实施例,将每个密集连接块均中的密集连接层的数量设置为相同,可以保持恰当的计算量,降低网络模型的计算量,提高图像识别的效率。
图4是本说明书又一实施例中头颈斑块图像识别装置的结构示意图,如图4所示,在上述实施例的基础上,所述装置还包括:模型构建模块41用于采用下述方法构建所述斑块识别模型:
获取多个样本数据,所述样本数据包括:头颈磁共振图像和所述头颈磁共振图像中标记的斑块;
建立所述斑块识别模型,将所述样本数据中的头颈磁共振图像作为所述斑块识别模型的输入数据,将对应的所述头颈磁共振图像中标记的斑块作为所述斑块识别模型的输出标签,对所述斑块识别模型进行训练,直至所述斑块识别模型达到预设要求。
本说明书实施例,利用深度学习训练构建出斑块识别模型,可以实现头颈斑块的自动识别,不需要人工识别,提高了头颈斑块识别的准确性。
在上述实施例的基础上,所述模型构建模块还用于:
采用交叉验证法优化所述斑块识别模型。
本说明书实施例,利用交叉验证方法进行模型的优化,提高模型构建的准确性,进一步提高模型识别结果的准确性。
在上述实施例的基础上,所述模型构建模块具体用于:
获取多个头颈磁共振图像,并对所述头颈磁共振图像进行归一化处理,将所述归一化处理后的头颈磁共振图像作为所述斑块识别模型的输入数据;
将获取到的多个头颈磁共振图像进行斑块标注,获得所述头颈磁共振图像中的斑块标记。
本说明书实施例,对样本数据中的头颈磁共振图像的像素进行统一处理,方便后续进行模型训练,提高模型构建的准确性。
需要说明的,上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书实施例还提供一种头颈斑块图像识别处理设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述实施例的头颈斑块图像识别方法,如:
获取待识别的头颈磁共振图像;
将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中,获得所述待识别的头颈磁共振图像中的斑块识别结果;
其中,所述斑块识别模型采用U型卷积神经网络模型,所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
需要说明的,上述所述的处理设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
图5是本说明书一个实施例中头颈斑块图像识别系统工作流程示意图,如图5所示,本说明书实施例还提供一种头颈斑块图像识别系统,可以包括:
数据采集模块51,可以用于采集样本数据,所述样本数据包括:头颈磁共振图像和所述头颈磁共振图像中标记的斑块;
检测模型构建模块52,可以用于构建斑块识别模型,并进行模型训练和模型优化,其中所述斑块识别模型采用U型卷积神经网络模型,所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块;
模型测试模块53,可以用于输入待识别的头颈磁共振图像,获得头颈斑块识别结果。
如图5所示,数据采集模块51可以采用历史用户的头颈一体化血管壁磁共振图像,并进行斑块标注,获得样本数据,作为模型训练的输入和输出。检测模型构建模块52可以用于构建深度卷积识别模型即斑块识别模型的网络结构,模型的网络结构可以参考上述实施例的记载,此处不再赘述。利用设计的深度卷积识别模型网络对已预处理好的样本数据进行训练,并经过大量的训练及交叉验证,不断改善优化模型,最终选取训练较优的模型用于模型测试与结果显示。模型测试模块53可以对头颈一体化磁共振血管壁图像进行斑块在线测试,并可在线显示所识别的斑块结果。此外,头颈斑块图像识别系统还可以包括模型应用模块,可以将模型应用到临床诊断中,用于辅助医生识别可能会导致脑卒中的斑块,从而提升对脑卒中患者的早期发现率。
本说明书实施例提供的头颈斑块图像识别系统,基于深度学习方法的构建斑块识别模型,利用深度学习技术达到对脑中风患者头颈斑块自动检测的目的,实现了自动检测出磁共振血管壁影像中的斑块,提高对脑卒中疾病诊断的准确性和预防能力。
本说明书提供的头颈斑块图像识别系统可以为单独的头颈斑块图像识别系统,也可以应用在多种数据分析处理系统中。所述系统可以包括上述实施例中任意一个头颈斑块图像识别装置。所述的系统可以为单独的服务器,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测系统可以包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图6是应用本申请实施例头颈斑块识别服务器的硬件结构框图。如图6所示,服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本邻域普通技术人员可以理解,图6所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图6中所示更多或者更少的组件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图6所示不同的配置。
存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的头颈斑块图像识别方法对应的程序指令/模块,处理器100通过运行存储在存储器200内的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果。
本说明书实施例提供的上述头颈斑块图像识别方法或装置可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作系统的c++语言在PC端实现、linux系统实现,或其他例如使用android、iOS系统程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
需要说明的是说明书上述所述的装置、计算机存储介质、系统根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照对应方法实施例的描述,在此不作一一赘述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机数据处理和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书实施例的可选实施方案范围之内。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本发明是参照根据本发明实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。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说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对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一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (16)
1.一种头颈斑块图像识别方法,其特征在于,包括:
获取待识别的头颈磁共振图像;
将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中,获得所述待识别的头颈磁共振图像中的斑块识别结果;
其中,所述斑块识别模型采用U型卷积神经网络模型,所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。
2.如权利要求1所述的方法,其特征在于,所述斑块识别模型中的每个所述密集连接块输出的特征图的数量不同。
3.如权利要求1所述的方法,其特征在于,所述斑块识别模型中的所述密集连接块包括多层密集连接层,各密集连接层之间密集连接。
4.如权利要求3所述的方法,其特征在于,所述密集连接块的数量为多个,各所述密集连接块中的密集连接层的数量相同。
5.如权利要求1所述的方法,其特征在于,所述斑块识别模型采用下述方法构建:
获取多个样本数据,所述样本数据包括:头颈磁共振图像和所述头颈磁共振图像中的斑块标记;
建立所述斑块识别模型,将所述样本数据中的头颈磁共振图像作为所述斑块识别模型的输入数据,将对应的所述头颈磁共振图像中的斑块标记作为所述斑块识别模型的输出标签,对所述斑块识别模型进行训练,直至所述斑块识别模型达到预设要求。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:采用交叉验证法优化所述斑块识别模型。
7.如权利要求5所述的方法,其特征在于,所述获取多个样本数据,包括:
获取多个头颈磁共振图像,并对所述头颈磁共振图像进行归一化处理;
将获取到的多个头颈磁共振图像进行斑块标注,获得所述头颈磁共振图像中的斑块标记;
相应地,所述将所述归一化处理后的头颈磁共振图像作为所述斑块识别模型的输入数据,包括:
将所述归一化处理后的头颈磁共振图像作为所述斑块识别模型的输入数据。
8.一种头颈斑块图像识别装置,其特征在于,包括:
图像获取模块,用于获取待识别的头颈磁共振图像;
图像识别模块,用于将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中,获得所述待识别的头颈磁共振图像中的斑块识别结果;
其中,所述斑块识别模型采用U型卷积神经网络模型,所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。
9.如权利要求8所述的装置,其特征在于,所述斑块识别模型中的每个所述密集连接块输出的特征图的数量不同。
10.如权利要求8所述的装置,其特征在于,所述斑块识别模型中的所述密集连接块包括多层密集连接层,各密集连接层之间密集连接。
11.如权利要求10所述的装置,其特征在于,所述密集连接块的数量为多个,各所述密集连接块中的密集连接层的数量相同。
12.如权利要求8所述的装置,其特征在于,所述装置还包括:模型构建模块用于采用下述方法构建所述斑块识别模型:
获取多个样本数据,所述样本数据包括:头颈磁共振图像和所述头颈磁共振图像中标记的斑块;
建立所述斑块识别模型,将所述样本数据中的头颈磁共振图像作为所述斑块识别模型的输入数据,将对应的所述头颈磁共振图像中标记的斑块作为所述斑块识别模型的输出标签,对所述斑块识别模型进行训练,直至所述斑块识别模型达到预设要求。
13.如权利要求12所述的装置,其特征在于,所述模型构建模块还用于:
采用交叉验证法优化所述斑块识别模型。
14.如权利要求12所述的装置,其特征在于,所述模型构建模块具体用于:
获取多个头颈磁共振图像,并对所述头颈磁共振图像进行归一化处理,将所述归一化处理后的头颈磁共振图像作为所述斑块识别模型的输入数据;
将获取到的多个头颈磁共振图像进行斑块标注,获得所述头颈磁共振图像中的斑块标记。
15.一种头颈斑块图像识别处理设备,其特征在于,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-7任一项所述的方法。
16.一种头颈斑块图像识别系统,其特征在于,包括:
数据采集模块,用于采集样本数据,所述样本数据包括:头颈磁共振图像和所述头颈磁共振图像中标记的斑块;
检测模型构建模块,用于构建斑块识别模型,并进行模型训练和模型优化,其中所述斑块识别模型采用U型卷积神经网络模型,所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块;
模型测试模块,用于输入待识别的头颈磁共振图像,获得头颈斑块识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525168.9A CN109658399A (zh) | 2018-12-13 | 2018-12-13 | 一种头颈斑块图像识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525168.9A CN109658399A (zh) | 2018-12-13 | 2018-12-13 | 一种头颈斑块图像识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109658399A true CN109658399A (zh) | 2019-04-19 |
Family
ID=66114466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811525168.9A Pending CN109658399A (zh) | 2018-12-13 | 2018-12-13 | 一种头颈斑块图像识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658399A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136147A (zh) * | 2019-05-21 | 2019-08-16 | 湖北工业大学 | 一种基于U-Net模型的分割医学图像的方法、装置及存储介质 |
CN111583210A (zh) * | 2020-04-29 | 2020-08-25 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络模型集成的乳腺癌图像自动识别方法 |
CN111613321A (zh) * | 2020-04-16 | 2020-09-01 | 杭州电子科技大学 | 一种基于密集卷积神经网络的心电图卒中辅助诊断方法 |
CN116309582A (zh) * | 2023-05-19 | 2023-06-23 | 之江实验室 | 一种便携式超声扫描图像的识别方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529605A (zh) * | 2016-11-28 | 2017-03-22 | 东华大学 | 基于免疫理论的卷积神经网络模型的图像识别方法 |
CN107145893A (zh) * | 2017-03-13 | 2017-09-08 | 中国矿业大学 | 一种基于卷积深度网络的图像识别算法及系统 |
CN107644225A (zh) * | 2017-10-31 | 2018-01-30 | 北京青燕祥云科技有限公司 | 肺部病灶识别方法、装置和实现装置 |
CN108364025A (zh) * | 2018-02-11 | 2018-08-03 | 广州市碳码科技有限责任公司 | 基于深度学习的胃镜图像识别方法、装置、设备及介质 |
CN108542390A (zh) * | 2018-03-07 | 2018-09-18 | 清华大学 | 基于多对比度磁共振影像的血管斑块成分识别方法 |
CN108846840A (zh) * | 2018-06-26 | 2018-11-20 | 张茂 | 肺部超声图像分析方法、装置、电子设备及可读存储介质 |
CN108985366A (zh) * | 2018-07-06 | 2018-12-11 | 武汉兰丁医学高科技有限公司 | 基于卷积深度网络的b超图像识别算法及系统 |
-
2018
- 2018-12-13 CN CN201811525168.9A patent/CN109658399A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529605A (zh) * | 2016-11-28 | 2017-03-22 | 东华大学 | 基于免疫理论的卷积神经网络模型的图像识别方法 |
CN107145893A (zh) * | 2017-03-13 | 2017-09-08 | 中国矿业大学 | 一种基于卷积深度网络的图像识别算法及系统 |
CN107644225A (zh) * | 2017-10-31 | 2018-01-30 | 北京青燕祥云科技有限公司 | 肺部病灶识别方法、装置和实现装置 |
CN108364025A (zh) * | 2018-02-11 | 2018-08-03 | 广州市碳码科技有限责任公司 | 基于深度学习的胃镜图像识别方法、装置、设备及介质 |
CN108542390A (zh) * | 2018-03-07 | 2018-09-18 | 清华大学 | 基于多对比度磁共振影像的血管斑块成分识别方法 |
CN108846840A (zh) * | 2018-06-26 | 2018-11-20 | 张茂 | 肺部超声图像分析方法、装置、电子设备及可读存储介质 |
CN108985366A (zh) * | 2018-07-06 | 2018-12-11 | 武汉兰丁医学高科技有限公司 | 基于卷积深度网络的b超图像识别算法及系统 |
Non-Patent Citations (1)
Title |
---|
GAO HUANG ET AL.: "Densely Connected Convolutional Networks", 《ARXIV》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136147A (zh) * | 2019-05-21 | 2019-08-16 | 湖北工业大学 | 一种基于U-Net模型的分割医学图像的方法、装置及存储介质 |
CN111613321A (zh) * | 2020-04-16 | 2020-09-01 | 杭州电子科技大学 | 一种基于密集卷积神经网络的心电图卒中辅助诊断方法 |
CN111583210A (zh) * | 2020-04-29 | 2020-08-25 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络模型集成的乳腺癌图像自动识别方法 |
CN116309582A (zh) * | 2023-05-19 | 2023-06-23 | 之江实验室 | 一种便携式超声扫描图像的识别方法、装置及电子设备 |
CN116309582B (zh) * | 2023-05-19 | 2023-08-11 | 之江实验室 | 一种便携式超声扫描图像的识别方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Padoy | Machine and deep learning for workflow recognition during surgery | |
CN109658399A (zh) | 一种头颈斑块图像识别方法及装置 | |
CN109685077A (zh) | 一种乳腺肿块图像识别方法及装置 | |
Nakawala et al. | “Deep-Onto” network for surgical workflow and context recognition | |
CN107358157A (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
CN109313940A (zh) | 医疗装置植入路径的虚拟评估 | |
CN107977969A (zh) | 一种内窥镜荧光图像的分割方法、装置及存储介质 | |
CN109658400A (zh) | 一种基于头颅ct影像的评分方法及系统 | |
CN110517780A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
WO2020118618A1 (zh) | 一种乳腺肿块图像识别方法及装置 | |
CN109344889A (zh) | 一种脑疾病分类方法、装置和用户终端 | |
CN109344920A (zh) | 顾客属性预测方法、存储介质、系统及设备 | |
Azad et al. | Medical diagnosis using deep learning techniques: a research survey | |
CN110211680A (zh) | 一种虚拟诊疗方法、装置及系统 | |
CN113707264A (zh) | 基于机器学习的药物推荐方法、装置、设备及介质 | |
CN116187448B (zh) | 一种信息展示的方法、装置、存储介质及电子设备 | |
CN115329818A (zh) | 基于vr的多模态融合注意力评估方法、系统及存储介质 | |
CN106355574A (zh) | 一种基于深度学习的腹内脂肪分割方法 | |
Fareed et al. | ADD-Net: an effective deep learning model for early detection of Alzheimer disease in MRI scans | |
CN111950637B (zh) | 紫质检测方法、装置、皮肤检测仪和可读存储介质 | |
Lamia et al. | Detection of pneumonia infection by using deep learning on a mobile platform | |
CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
Basiev et al. | Open surgery tool classification and hand utilization using a multi-camera system | |
Kruse et al. | Glottisnetv2: temporal glottal midline detection using deep convolutional neural networks | |
CN109685843A (zh) | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 |
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 |
Application publication date: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |