CN109671060B - 基于选择性搜索和cnn的计算机辅助乳腺肿块检测方法 - Google Patents
基于选择性搜索和cnn的计算机辅助乳腺肿块检测方法 Download PDFInfo
- Publication number
- CN109671060B CN109671060B CN201811487180.5A CN201811487180A CN109671060B CN 109671060 B CN109671060 B CN 109671060B CN 201811487180 A CN201811487180 A CN 201811487180A CN 109671060 B CN109671060 B CN 109671060B
- Authority
- CN
- China
- Prior art keywords
- mammary gland
- molybdenum target
- qvj
- qvi
- preprocessed
- 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
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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出了一种基于选择性搜索和CNN的计算机辅助乳腺肿块检测方法,用于解决现有技术中存在的因候选框质量差和分类准确率低导致的检测准确率低的技术问题,实现步骤为:1.获取多幅乳腺钼靶X线图像及其医师标注文件;2.对N幅乳腺钼靶X线图像进行预处理;3.获取N幅预处理后的乳腺钼靶X线图像的目标框集合;4.基于选择性搜索算法获取N幅预处理后的乳腺钼靶X线图像的候选框集合;5.构建卷积神经网络CNN并初始化;6.对初始化后的卷积神经网络进行训练;7.获取待检测乳腺钼靶X线图像的肿块区域。本发明乳腺肿块检测的检出率高且假阳率低,可应用于计算机辅助乳腺肿块检测系统中。
Description
技术领域
本发明属于图像处理领域,更进一步涉及在医学影像处理领域中的一种基于选择性搜索和CNN的计算机辅助乳腺肿块检测方法,可用于计算机辅助乳腺肿块检测系统中。
背景技术
乳腺癌是女性中高发的恶性肿瘤,公开数据表明,乳腺癌占所有癌症病例的23%,以及全球女性中癌症相关死亡的14%。而早期筛查能有效地降低乳腺癌的发病率和死亡率。乳腺钼靶X线是较为先进的一种检查方式,清晰度好,对比度高,能比较可靠地鉴别出乳腺的良性病变和恶性肿瘤。肿块是乳腺疾病在乳腺钼靶X线图像上一个主要表现。由于乳腺组织的非刚性及不同视角的变换,病变的形状、大小、边缘、纹理的多变性,正常组织的视觉干扰,再加上医师阅片量大,容易因疲劳而造成误诊和漏诊,而另外一名专家或者计算机辅助系统对同一张乳腺图像的二次阅读可提高检测的准确率,因此可以实现乳腺肿块自动检测作为辅助阅读器的计算机辅助系统的发展对临床实践具有重要意义。
现有的计算机辅助乳腺钼靶X线图像肿块检测方法主要分为两步,先采用候选框生成方法生成一系列的候选框,再提取候选框的特征并进行分类。一般来说,候选框质量越高,分类准确率越高,计算机辅助乳腺钼靶X线图像肿块检测的准确率越高。本领域采用检出率和假阳率来评估计算机辅助乳腺钼靶X线图像肿块检测的准确率,检出率指检出的肿块占实际肿块数目的比例,假阳率指每幅图像中错分为肿块组织的正常组织的平均数目。
目前,计算机辅助乳腺钼靶X线图像肿块检测方法中通常采用滑窗的方法得到一系列的候选框,再提取灰度共生矩阵SGLD特征、局部二值模式LBP特征或基于肿块特性设计的其他特征,然后用SVM、稀疏表示分类器等传统机器学习分类器对这些基于先验知识提取的特征进行分类,实现乳腺肿块的检测。例如,授权公告号为CN104182755B的“基于塔型PCA的乳腺钼靶X线图像肿块特征提取方法”中国专利中,通过固定大小的窗口在乳腺钼靶X线图像上滑动生成一系列图像块,将每个图像块由内而外划分为5层,构成一个塔型结构,分层提取每个图像块的灰度特征,并根据乳腺肿块密度分布特征分别对每层的灰度特征进行PCA降维得到每个乳腺钼靶X线图像块的特征。该方法分层提取的特征表征了乳腺肿块中间密度大边缘密度小的分布特征,更为鲁棒地表示乳腺钼靶X线图像块的特征,提高了乳腺钼靶X线图像肿块检测的准确率。但是仍然存在的不足是,由于肿块大小不一,通过固定大小的窗口在乳腺钼靶X线图像上生成的候选框不能完全覆盖到不同大小的肿块,虽然后期对候选框根据阈值对某些候选框进行融合并采用区域生长方法生成新的候选框,但新的候选框位置并不能很精确标示出肿块区域的最小边界框。且对每个乳腺钼靶X线候选框由内而外构成塔型结构时需要手动设置每层图像块的大小,而由于肿块大小、形态、边缘的多变性,固定的层次划分方式无法对所有病变区域的特征很好的表征,影响了后续对每个候选框进行分类的准确率,进而影响了乳腺钼靶X线图像肿块检测的准确率,其检出率为88%,假阳率5.6。
为了提高肿块组织和正常组织分类的准确率,越来越多的研究者将卷积神经网络CNN应用于肿块组织和正常组织的分类中。通过用肿块组织和正常组织样本组成的数据集对应用在自然图像上的Alexnet、VGG等卷积神经网络中权重参数进行微调,实现肿块组织和正常组织的分类。卷积神经网络CNN通过多个变换阶段对底层特征进行组合形成抽象的高级表示,避免了显式的特征提取,可以隐式地从训练数据中自动地学习到分层特征,对数据进行更本质的描述,同时稀疏连接和参数共享的特点使得卷积神经网络对图像的缩放、位移、光照等多种变换具有很强的鲁棒性,有效提高了肿块组织和正常组织的分类准确率,但是现有的应用在自然图像上的卷积神经网络是为了实现1000个物品的分类任务而设计的,其权重参数多,需要大量的有标注的样本和大量的计算和存储器资源,而在医学影像处理领域,大量的有医师标注的医学图像获取难度大,在训练样本数目不足的情况下对卷积神经网络CNN训练时易出现过拟合现象,即训练好的卷积神经网络在训练样本上分类准确率高而在未知样本上分类准确率低的情况。
在计算机辅助乳腺肿块检测任务中,除了通过提高肿块组织和正常组织分类的准确率来提高检测准确率,还可通过生成高质量的候选框来显著提高乳腺肿块检测的准确率,而选择性搜索算法是一种与类独立的启发式的候选框生成方法,在目标检测任务中,可用于生成不同目标类别的不同大小的一系列候选框。
发明内容
本发明的目的在于克服上述现有技术的不足,提出了一种基于选择性搜索和CNN的计算机辅助乳腺肿块检测方法,用于解决现有技术中存在的因候选框质量差和分类准确率低导致的检测准确率低的技术问题。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)获取多幅乳腺钼靶X线图像及其医师标注文件:
从乳腺影像数字数据库DDSM中选取N幅含有肿块的乳腺钼靶X线图像以及每幅图像的医师标注文件,N≥500;
(2)对N幅乳腺钼靶X线图像进行预处理:
(2a)对N幅乳腺钼靶X线图像以c为采样间隔进行下采样,得到N幅下采样乳腺钼靶X线图像,N≥500,2≤c≤5;
(2b)对每幅下采样乳腺钼靶X线图像的左右边缘各裁剪r列像素区域,上下边缘各裁剪l行像素区域,用于去除图像边缘上的白色条带噪声,得到N幅裁剪后的下采样乳腺钼靶X线图像并保存,5≤r≤15,30≤l≤50;
(2c)采用最大类间方差方法对每幅裁剪后的下采样乳腺钼靶X线图像进行分割,得到N幅包括乳腺区域和非乳腺区域的二值图像,并确定每幅二值图像中乳腺区域的最小外接矩形;
(2d)对裁剪后的下采样乳腺钼靶X线图像中与二值图像对应的乳腺区域的最小外接矩形以外的非乳腺区域进行裁剪,得到N幅预处理后的乳腺钼靶X线图像;
(3)获取N幅预处理后的乳腺钼靶X线图像的目标框集合{G1,G2,...,Gq,...,GN}:
将从每幅预处理后的乳腺钼靶X线图像对应的医师标注文件中提取的k个肿块区域组合成目标框集合,得到N幅预处理后的乳腺钼靶X线图像的目标框集合组成的集合{G1,G2,...,Gq,...,GN},k为每幅预处理后的乳腺钼靶X线图像中由医师标注的肿块区域的数目,k≥1,Gq为第q幅预处理后的乳腺钼靶X线图像的目标框集合,Gq={gq1,gq2,...,gqi,...,gqk},gqi为第q幅预处理后的乳腺钼靶X线图像的第i个目标框,gqi={xqi1,yqi1,xqi2,yqi2},xqi1,yqi1,xqi2,yqi2分别为第i个目标框在第q幅预处理后的乳腺钼靶X线图像中的最小列位置、最小行位置、最大列位置和最大行位置;
(4)基于选择性搜索算法获取N幅预处理后的乳腺钼靶X线图像的候选框集合{L1,L2,...,Lq,...,LN}:
(4a)对N幅预处理后的乳腺钼靶X线图像的中第q幅图像进行超像素分割,得到分割区域集合Rqv={rqv1,...,rqvi,...,rqvj,...,rqvm},并计算Rqv中每个邻接区域对(rqvi,rqvj)的相似度s(rqvi,rqvj),组合得到相似度矩阵Sqv,其中,v为当前迭代次数,v=1,rqvi和rqvj为Rqv中两个不同的分割区域,m为Rqv中分割区域的总数目,m≥2;
(4b)对相似度矩阵Sqv中最大值所对应的邻接区域对(r′qvi,r′qvj)中的两个区域进行合并,得到区域rqvt,并将rqvt添加到Rqv中,得到分割区域集合Rq(v+1):Rq(v+1)=Rqv∪rqvt;
(4c)从相似度矩阵Sqv中去除与区域r′qvi和r′qvj邻接的区域的相似度值,得到相似度矩阵S′qv:并判断S′qv是否为空集,若是,执行步骤(4e),否则,计算Rqv中所有与rqvt邻接的区域的相似度再将添加到S′qv中,得到相似度矩阵Sq(v+1):并执行步骤(4d),其中,为Rqv中与区域r′qvi邻接的所有区域,为Rqv中与区域r′qvj邻接的所有区域,为Rqv中与区域rqvt邻接的所有区域;
(4d)令v=v+1,重复执行步骤(4b)和(4c);
(4e)取分割区域集合Rq(v+1)中每个分割区域的最小外接矩形,形成第q幅预处理后的乳腺钼靶X线图像的候选框集合Lq={lq1,lq2,...,lqj,...,lqn},其中,n为候选框的总数目,lqj为第q幅预处理后的乳腺钼靶X线图像的第j个候选框,lqj={xqj1,yqj1,xqj2,yqj2},xqj1,yqj1,xqj2,yqj2分别为候选框在预处理后的乳腺钼靶X线图像中的最小列位置、最小行位置、最大列位置和最大行位置;
(4f)对N幅预处理后的乳腺钼靶X线图像的中除第q幅图像以外的其他图像执行(4a)~(4e),并对所有预处理后的乳腺钼靶X线图像的候选框集合进行合并,得到候选框集合的集合{L1,L2,...,Lq,...,LN};
(5)构建卷积神经网络CNN并初始化:
构建卷积神经网络CNN,包含依次层叠的大小为R×R的输入层Input、卷积层conv、批量归一化层BN、池化层pool、激活函数层ReLU、全连接层fc及用于获取肿块组织和正常组织分类概率的分类层softmax,并采用高斯分布函数对该卷积神经网络各层的权重进行初始化,得到初始化后的卷积神经网络model0,其中,90≤R≤150;
(6)对初始化后的卷积神经网络model0进行训练:
(6a)计算每幅预处理后的乳腺钼靶X线图像的目标框集合Gq中每个目标框gqi与候选框集合Lq中每个候选框lqj的交叠比其中,gqi∩lqj为目标框gqi与候选框lqj在预处理后的乳腺钼靶X线图像上取交集后的区域,size(gqi∩lqj)为取交集后的区域内的像素总数目,gqi∪lqj为目标框gqi与候选框lqj在预处理后的乳腺钼靶X线图像上的取并集后的区域,size(gqi∪lqj)为取并集后的区域内像素总数目;
(6b)将大于等于阈值iou的所有交叠比Overlap(gqi,lqj)对应的gqi和lqj合并成正样本集P={p1,...,pu,...,pK},同时从小于阈值iou的所有交叠比Overlap(gpi,lqj)对应的lqj中随机选取K个合并成负样本集H={h1,...,hw,...,hK},并从P和H中分别随机取ratio×K个样本组合成训练样本集T={t1,t2,...,t2×ratio×K},P和H中剩余的样本组合成验证样本集V={v1,v2,...,v2×(1-ratio)×K},其中,0.2≤iou≤0.5,pu表示正样本,K为正样本的总数目,hw表示负样本,ratio为构建训练样本集T时从P所取的样本数目占P中总样本数目的比例和从H中所取的样本数目占H中总样本数目的比例,0.5≤ratio≤0.8;
(6c)设置迭代总次数为epochs,epochs≥5,当前迭代次数iter=1,初始卷积神经网络model′iter为model0;
(6d)通过T对model′iter的权重参数进行调节,得到卷积神经网络model″iter,再将V输入到model″iter中对各个样本进行分类,然后基于所有样本的分类结果计算V的分类准确率acciter,同时保存model″iter和acciter,完成一次迭代,最后判断iter与epochs是否相等,若是,执行步骤(6f),否则,执行步骤(6e);
(6e)令iter=iter+1,同时将model′iter更新为model″iter-1,并执行步骤(6d);
(6f)选取迭代得到的所有分类准确率中最大的分类准确率accmax,并将accmax对应的卷积神经网络model″max作为训练好的卷积神经网络model1;
(7)获取待检测乳腺钼靶X线图像的肿块区域:
采用步骤(2)的方法对待检测乳腺钼靶X线图像进行预处理,再采用步骤(4)的方法获取预处理后的待检测乳腺钼靶X线图像的候选框集合L′q,将L′q中的每个候选框作为卷积神经网络model1的输入,得到每个候选框的分类结果,然后将分类结果为肿块组织的候选框标记在预处理后的乳腺钼靶X线图像上,得到标记有肿块区域的预处理后的乳腺钼靶X线图像上。
本发明与现有技术相比,具有如下优点:
第一,本发明基于选择性搜索算法获取候选区域时,先采用超像素生成算法得到一系列的初始区域,再基于多种相似性准则对初始区域进行自底向上的、层次化的合并,得到一系列大小不同的候选框,避免了现有技术中采用滑窗方法进行盲目式、穷举式搜索方式生成的候选框不能适应不同病变大小的不足,生成的候选框质量更高,有效提高了乳腺肿块检测的准确率。
第二,本发明在对候选框进行肿块组织和正常组织的分类时,根据肿块大小的统计特性设计的卷积神经网络,通过多层的卷积、池化等操作提取特征,并通过softmax分类器实现自动分类,避免了现有技术中因卷积神经网络CNN权重参数多而训练样本数目不足导致的过拟合现象,提高了分类的准确率,进一步提高了乳腺肿块检测的准确率。
附图说明
图1为本发明的实现流程图;
图2为本发明的卷积神经网络的结构图;
图3为本发明基于选择性搜索算法生成的候选框的图;
图4为本发明的乳腺钼靶X线图像的检测结果图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步的详细说明。
需要说明的是本发明不属于乳腺疾病的诊断和治疗方法。
参照图1,本发明的实现步骤如下:
步骤1)获取多幅乳腺钼靶X线图像及其医师标注文件。
从乳腺影像数字数据库DDSM中选取N=820幅含有肿块的乳腺钼靶X线图像以及每幅图像的医师标注文件,医师标注文件中医师以文本的方式给出了肿块区域的链式编码,通过对这些链式编码进行计算可还原出肿块在乳腺钼靶X线图像上的区域范围;
步骤2)对820乳腺钼靶X线图像进行预处理:
2a)对820幅乳腺钼靶X线图像以5为采样间隔进行下采样,得到820幅下采样乳腺钼靶X线图像;
其中,对820幅乳腺钼靶X线图像以5为采样间隔进行下采样的具体实施步骤为:
对820幅乳腺钼靶X线图像中的每幅图像,分别从行方向和列方向每隔5个像素保留一个像素,将保留的所有像素构成下采样后的乳腺钼靶X线图像,得到820幅下采样乳腺钼靶X线图像;
2b)对每幅下采样乳腺钼靶X线图像的左右边缘各裁剪r=10列像素区域,上下边缘各裁剪r=40行像素区域,用于去除图像边缘上的白色条带噪声,得到820幅裁剪后的下采样乳腺钼靶X线图像并保存;
2c)采用最大类间方差方法对每幅裁剪后的下采样乳腺钼靶X线图像进行分割,得到820幅包括乳腺区域和非乳腺区域的二值图像,并确定每幅二值图像中乳腺区域的最小外接矩形;
其中,采用最大类间方差方法对每幅裁剪后的下采样乳腺钼靶X线图像进行分割的具体实现步骤为:
2c1)将每幅裁剪后的下采样乳腺钼靶X线图像灰度范围内的任意一个灰度作为初始分割阈值t,并将图像中灰度大于等于t的像素作为前景,灰度小于t的像素作为背景,然后计算t对应的类间方差g:
g=ω0(μ0-μ)2+ω1(μ1-μ)2
其中,ω0和ω1分别为背景的像素数目和前景的像素数目占整幅图像像素总数目的比例,μ为每幅裁剪后的下采样乳腺钼靶X线图像的平均灰度,ω0、ω1及μ的计算公式分别为:
μ=ω0μ0+ω1μ1
其中,N0和N1分别为背景和前景像素的总数目,M和F分别为裁剪后的下采样乳腺钼靶X线图像的行像素和列像素数目,μ0和μ1分别为前景和背景的平均灰度;
2c2)对每幅裁剪后的下采样乳腺钼靶X线图像的所有灰度进行遍历,并选取每幅图像类间方差最大时对应的分割阈值t′;
2c3)将每幅裁剪后的下采样乳腺钼靶X线图像中,大于阈值灰度t′的像素区域作为乳腺区域,小于阈值灰度t′的像素区域作为非乳腺区域,得到820幅包括乳腺区域和非乳腺区域的二值图像。
2d)对裁剪后的下采样乳腺钼靶X线图像中与二值图像对应的乳腺区域的最小外接矩形以外的非乳腺区域进行裁剪,得到820幅预处理后的乳腺钼靶X线图像;
步骤3)获取820幅预处理后的乳腺钼靶X线图像的目标框集合{G1,G2,...,Gq,...,G820}:
将从每幅预处理后的乳腺钼靶X线图像对应的医师标注文件中提取的k个肿块区域组合成目标框集合,得到820幅预处理后的乳腺钼靶X线图像的目标框集合组成的集合{G1,G2,...,Gq,...,G820},k为每幅预处理后的乳腺钼靶X线图像中由医师标注的肿块区域的数目,由于一幅含有肿块的乳腺钼靶X线图像一般含有一个肿块,但是也有的图像不止一个肿块,所以k≥1,Gq为第q幅预处理后的乳腺钼靶X线图像的目标框集合Gq={gq1,gq2,...,gqi,...,gqk},gqi为第q幅预处理后的乳腺钼靶X线图像的第i个目标框,gqi={xqi1,yqi1,xqi2,yqi2},xqi1,yqi1,xqi2,yqi2分别为第i个目标框在第q幅预处理后的乳腺钼靶X线图像中的最小列位置、最小行位置、最大列位置和最大行位置;
步骤4)基于选择性搜索算法获取820幅预处理后的乳腺钼靶X线图像的候选框集合{L1,L2,...,Lq,...,L820}:
(4a)对820幅预处理后的乳腺钼靶X线图像的中第q幅图像采用线性谱聚类的超像素分割方法LSC进行超像素分割,得到分割区域集合Rqv={rqv1,...,rqvi,...,rqvj,...,rqvm},并计算Rqv中每个邻接区域对(rqvi,rqvj)的相似度s(rqvi,rqvj),组合得到相似度矩阵Sqv,其中,v为当前迭代次数,v=1,rqvi和rqvj为Rqv中两个不同的分割区域,m为Rqv中分割区域的总数目;
其中,计算Rqv中每个邻接区域对(rqvi,rqvj)的相似度s(rqvi,rqvj)的具体实现步骤为:
(4a3)分别计算区域rqvi和rqvj在n1=25个区间上的L1归一化的灰度直方图,得到两个一维向量和并计算每个邻接区域对(rqvi,rqvj)的灰度相似度其中,是Cqvi中的第k′个,是Cqvj中的第k′个,为取和中的较小值;
(4a4)分别计算区域rqvi和rqvj在8个方向上的方差为σ=0.8的高斯微分,并计算每个方向在n2=10个区间上的纹理直方图,得到两个一维向量和然后计算每个邻接区域对(rqvi,rqvj)的纹理相似度其中,是Tqvi中的第k″个,是Tqvj第k″个,为取和的较小值;
(4a5)对ssize(rqvi,rqvj)、sfill(rqvi,rqvj)、sgray(rqvi,rqvj)及stexture(rqvi,rqvj)进行加权求和计算每个邻接区域对(rqvi,rqvj)的相似度s(rqvi,rqvj)=a1ssize(rqvi,rqvj)+a2sfill(rqvi,rqvj)+a3sgray(rqvi,rqvj)+a4stexture(rqvi,rqvj),为了优先合并小的、镶嵌的区域,所以令a1=2、a2=2;因为肿块内部灰度一致性较强,所以令a3=1;由于肿块周围腺体组织的干扰,纹理相似度在区域合并时的作用较小,所以令a4=0.5;
4b)对相似度矩阵Sqv中最大值所对应的邻接区域对(r′qvi,r′qvj)中的两个区域进行合并,得到区域rqvt,并将rqvt添加到Rqv中,得到分割区域集合Rq(v+1):Rq(v+1)=Rqv∪rqvt;
4c)从相似度矩阵Sqv中去除与区域r′qvi和r′qvj邻接的区域的相似度值,得到相似度矩阵S′qv:并判断S′qv是否为空集,若是,执行步骤4e),否则,计算Rqv中所有与rqvt邻接的区域的相似度再将添加到S′qv中,得到相似度矩阵Sq(v+1):并执行步骤4d),其中,为Rqv中与区域r′qvi邻接的所有区域,为Rqv中与区域r′qvj邻接的所有区域,为Rqv中与区域rqvt邻接的所有区域;
4d)令v=v+1,重复执行步骤4b)和4c);
4e)取分割区域集合Rq(v+1)中每个分割区域的最小外接矩形,形成第q幅预处理后的乳腺钼靶X线图像的候选框集合Lq={lq1,lq2,...,lqj,...,lqn},其中,n为候选框的总数目,lqj为第q幅预处理后的乳腺钼靶X线图像的第j个候选框,lqj={xqj1,yqj1,xqj2,yqj2},xqj1,yqj1,xqj2,yqj2分别为候选框在预处理后的乳腺钼靶X线图像中的最小列位置、最小行位置、最大列位置和最大行位置;
4f)对820幅预处理后的乳腺钼靶X线图像的中除第q幅图像以外的其他图像执行4a)~4e),并对所有预处理后的乳腺钼靶X线图像的候选框集合进行合并,得到候选框集合的集合{L1,L2,...,Lq,...,L820};
步骤5)构建卷积神经网络CNN并初始化:
通过对乳腺钼靶X线图像数据库DDSM中含有肿块的预处理后的乳腺钼靶X线图像中肿块大小进行统计分析发现,肿块大小的平均值、中位数均集中在130*130左右,所以将卷积神经网络的输入大小设计为130*130。
构建卷积神经网络CNN,包含依次层叠的大小为130×130的输入层Input、卷积层conv、批量归一化层BN、池化层pool、激活函数层ReLU、全连接层fc及用于获取肿块组织和正常组织分类概率的分类层softmax,完成卷积神经网络的构建后,通过高斯分布函数对该卷积神经网络各权重进行初始化,得到初始化后的卷积神经网络model0;
如图2所示,构建卷积神经网络CNN的具体实现步骤为:
将大小为130*130像素的图像输入到卷积层conv1,对其进行填充大小为1,卷积核大小为5*5,步长为1的卷积操作,卷积核数目为16,再进行批量归一化BN、2*2的最大池化pool1及线性整流函数ReLU的激活操作,得到16张64*64的卷积特征图;
将16张64*64的卷积特征图输入到卷积层conv2,,对其进行填充为1,卷积核大小为3*3,步长为1的卷积操作,卷积核数目为32,再进行批量归一化BN、2*2的最大池化pool2及线性整流函数ReLU的激活操作,得到32张32*32的卷积特征图;
将32张64*64的卷积特征图输入到卷积层conv3,,对其进行填充为1,卷积核大小为3*3,步长为1的卷积操作,卷积核数目为64,再进行批量归一化BN、2*2的最大池化pool3及线性整流函数ReLU的激活操作,得到64张16*16的卷积特征图;
将64张16*16的卷积特征图输入到卷积层conv4,,对其进行填充为0,卷积核大小为3*3,步长为1的卷积操作,卷积核数目为64,再进行批量归一化BN、2*2的最大池化pool4及线性整流函数ReLU的激活操作,得到64张9*9的卷积特征图;
将64张9*9的卷积特征图输入到全连接层fc1,fc1节点数目为512,再进行线性整流函数ReLU的激活操作,得到1*512维向量;
将1*512维向量输入到全连接层fc2,fc2节点数目为2,再进行线性整流函数ReLU的激活操作,得到1*2维向量;
将1*2维向量输入到分类层softmax,根据softmax函数计算得到输入图像分别属于肿块组织和正常组织的分类概率,并将最大概率对应的标签作为输入图像的分类结果。
步骤6)对初始化后的卷积神经网络model0进行训练:
6a)计算每幅预处理后的乳腺钼靶X线图像的目标框集合Gq中每个目标框gqi与候选框集合Lq中每个候选框lqj的交叠比其中,gqi∩lqj为目标框gqi与候选框lqj在预处理后的乳腺钼靶X线图像上取交集后的区域,size(gqi∩lqj)为取交集后的区域内的像素总数目,gqi∪lqj为目标框gqi与候选框lqj在预处理后的乳腺钼靶X线图像上的取并集后的区域,size(gqi∪lqj)为取并集后的区域内像素总数目;
6b)将大于等于阈值iou=0.2的所有交叠比Overlap(gqi,lqj)对应的gqi和lqj合并成正样本集P={p1,...,pu,...,pK},同时从小于阈值iou的所有交叠比Overlap(gpi,lqj)对应的lqj中随机选取K个合并成负样本集H={h1,...,hw,...,hK},并从P和N中分别随机取ratio×K=0.8K个样本组合成训练样本集T={t1,t2,...,t1.6×K},P和H中剩余的样本组合成验证样本集V={v1,v2,...,v0.4×K},pu表示正样本,K为正样本的总数目,hw表示负样本,ratio为构建训练样本集T时从P所取的样本数目占P中总样本数目的比例和从H中所取的样本数目占H中总样本数目的比例;
6c)设置迭代总次数为epochs=20,当前迭代次数iter=1,初始卷积神经网络model′iter为model0;
6d)通过T对model′iter的权重参数进行调节,得到卷积神经网络model″iter,再将V输入到model″iter中对各个样本进行分类,然后基于所有样本的分类结果计算V的分类准确率acciter,同时保存model″iter和acciter,完成一次迭代,最后判断iter与epochs是否相等,若是,执行步骤6f),否则,执行步骤6e);
其中,采用小批量梯度下降法通过T对model′iter的权重参数进行调节的具体操作为:在前向传播阶段:从T中随机选取24个样本作为model′iter的输入,经过model′iter中各层的逐级变换,在softmax层得到所有实际输出的分别属于肿块组织和正常组织的分类概率,并根据24个样本实际输出的分类概率与理想分类概率计算交叉熵损失函数;在后向传播阶段:根据反向传播算法,计算交叉熵损失函数对各层权重的梯度,采用梯度下降法对各层权重进行更新,得到调节后的卷积神经网络model″iter;
基于所有样本的分类结果计算V的分类准确率acciter的计算公式为:
其中,TP是医师标注为肿块组织且卷积神经网络model″iter分类为肿块组织的样本数目,TN是医师标注为正常组织且卷积神经网络model″iter分类为正常组织的样本数目,FP是医师标注为正常组织而卷积神经网络model″iter分类为肿块组织的样本数目,FN是医师标注为肿块组织而卷积神经网络model″iter分类为正常组织的样本数目。
6e)令iter=iter+1,同时将model′iter更新为model″iter-1,并执行步骤6d);
6f)选取迭代得到的所有分类准确率中最大的分类准确率accmax,并将accmax对应的卷积神经网络model″max作为训练好的卷积神经网络model1;
步骤7)获取待检测乳腺钼靶X线图像的肿块区域:
采用步骤2)的方法对待检测乳腺钼靶X线图像进行预处理,再采用步骤4)的方法获取预处理后的待检测乳腺钼靶X线图像的候选框集合L′q,将L′q中的每个候选框作为卷积神经网络model1的输入,得到每个候选框的分类结果,然后将分类结果为肿块组织的候选框标记在预处理后的乳腺钼靶X线图像上,得到标记有肿块区域的预处理后的乳腺钼靶X线图像上。
以下结合仿真实验,对本发明的技术效果作详细说明。
1.仿真条件:
本发明是在中央处理器为Inter(R)Core i7-7700 3.60GHZ、内存16G、WINDOWS7操作系统上,运用MATLAB软件进行的仿真。
2.仿真内容及结果分析
从DDSM乳腺钼靶X线图像数据库中取出547幅含有乳腺肿块的待检测图像,对每幅图像进行预处理后,将基于选择性搜索方法得到的每幅图像的候选框输入到model1中,实现对乳腺图像中肿块区域的检测。
本发明用召回率recall评估选择性搜索算法生成的候选框质量。对于一个含有肿块区域的目标框,至少有一个候选框与其交叠比大于0.2,即认为该肿块区域被召回。召回率指召回的肿块区域数目占总肿块区域数目的百分比。候选框越接近医师标注的含有肿块的目标框,候选框的质量越高,召回率recall越大。本发明对547幅待检测图像采用选择性搜索算法生成的候选框的召回率recall为97%。图3为其中一幅待检测图像基于选择性搜索算法生成的候选框的图,其中(a)为将所有候选框显示在预处理后的乳腺钼靶X线图像上的图,(b)随机选取的10个候选框。一般来说,分类准确率相同时,候选框的召回率recall越高,检测准确率越高。
本发明以检出率和假阳率为乳腺肿块的检测性能进行评测,仿真得到的乳腺肿块检出率为93%,假阳率为3.5,与现有技术相比,有效提高了检出率,降低了假阳率。图4为乳腺钼靶X线图像的检测结果图,其中,以粗线标记的框为目标框,即医师标注的肿块区域,细线标记的框是本发明检测出的肿块区域。
Claims (4)
1.一种基于选择性搜索和CNN的计算机辅助乳腺肿块检测方法,其特征在于,包括如下步骤:
(1)获取多幅乳腺钼靶X线图像及其医师标注文件:
从乳腺影像数字数据库DDSM中选取N幅含有肿块的乳腺钼靶X线图像以及每幅图像的医师标注文件,N≥500;
(2)对N幅乳腺钼靶X线图像进行预处理:
(2a)对N幅乳腺钼靶X线图像以c为采样间隔进行下采样,得到N幅下采样乳腺钼靶X线图像,N≥500,2≤c≤5;
(2b)对每幅下采样乳腺钼靶X线图像的左右边缘各裁剪r列像素区域,上下边缘各裁剪l行像素区域,用于去除图像边缘上的白色条带噪声,得到N幅裁剪后的下采样乳腺钼靶X线图像并保存,5≤r≤15,30≤l≤50;
(2c)采用最大类间方差方法对每幅裁剪后的下采样乳腺钼靶X线图像进行分割,得到N幅包括乳腺区域和非乳腺区域的二值图像,并确定每幅二值图像中乳腺区域的最小外接矩形;
(2d)对裁剪后的下采样乳腺钼靶X线图像中与二值图像对应的乳腺区域的最小外接矩形以外的非乳腺区域进行裁剪,得到N幅预处理后的乳腺钼靶X线图像;
(3)获取N幅预处理后的乳腺钼靶X线图像的目标框集合{G1,G2,...,Gq,...,GN}:
将从每幅预处理后的乳腺钼靶X线图像对应的医师标注文件中提取的k个肿块区域组合成目标框集合,得到N幅预处理后的乳腺钼靶X线图像的目标框集合组成的集合{G1,G2,...,Gq,...,GN},k为每幅预处理后的乳腺钼靶X线图像中由医师标注的肿块区域的数目,k≥1,Gq为第q幅预处理后的乳腺钼靶X线图像的目标框集合,Gq={gq1,gq2,...,gqi,...,gqk},gqi为第q幅预处理后的乳腺钼靶X线图像的第i个目标框,gqi={xqi1,yqi1,xqi2,yqi2},xqi1,yqi1,xqi2,yqi2分别为第i个目标框在第q幅预处理后的乳腺钼靶X线图像中的最小列位置、最小行位置、最大列位置和最大行位置;
(4)基于选择性搜索算法获取N幅预处理后的乳腺钼靶X线图像的候选框集合{L1,L2,...,Lq,...,LN}:
(4a)对N幅预处理后的乳腺钼靶X线图像的中第q幅图像进行超像素分割,得到分割区域集合Rqv={rqv1,...,rqvi,...,rqvj,...,rqvm},并计算Rqv中每个邻接区域对(rqvi,rqvj)的相似度s(rqvi,rqvj),组合得到相似度矩阵Sqv,其中,v为当前迭代次数,v=1,rqvi和rqvj为Rqv中两个不同的分割区域,m为Rqv中分割区域的总数目,m≥2;
(4b)对相似度矩阵Sqv中最大值所对应的邻接区域对(r′qvi,r′qvj)中的两个区域进行合并,得到区域rqvt,并将rqvt添加到Rqv中,得到分割区域集合Rq(v+1):Rq(v+1)=Rqv∪rqvt;
(4c)从相似度矩阵Sqv中去除与区域r′qvi和r′qvj邻接的区域的相似度值,得到相似度矩阵S′qv:并判断S′qv是否为空集,若是,执行步骤(4e),否则,计算Rqv中所有与rqvt邻接的区域的相似度再将添加到S′qv中,得到相似度矩阵Sq(v+1):并执行步骤(4d),其中,为Rqv中与区域r′qvi邻接的所有区域,为Rqv中与区域r′qvj邻接的所有区域,为Rqv中与区域rqvt邻接的所有区域;
(4d)令v=v+1,重复执行步骤(4b)和(4c);
(4e)取分割区域集合Rq(v+1)中每个分割区域的最小外接矩形,形成第q幅预处理后的乳腺钼靶X线图像的候选框集合Lq={lq1,lq2,...,lqj,...,lqn},其中,n为候选框的总数目,lqj为第q幅预处理后的乳腺钼靶X线图像的第j个候选框,lqj={xqj1,yqj1,xqj2,yqj2},xqj1,yqj1,xqj2,yqj2分别为候选框在预处理后的乳腺钼靶X线图像中的最小列位置、最小行位置、最大列位置和最大行位置;
(4f)对N幅预处理后的乳腺钼靶X线图像的中除第q幅图像以外的其他图像执行(4a)~(4e),并对所有预处理后的乳腺钼靶X线图像的候选框集合进行合并,得到候选框集合的集合{L1,L2,...,Lq,...,LN};
(5)构建卷积神经网络CNN并初始化:
构建卷积神经网络CNN,包含依次层叠的大小为R×R的输入层Input、卷积层conv、批量归一化层BN、池化层pool、激活函数层ReLU、全连接层fc及用于获取肿块组织和正常组织分类概率的分类层softmax,并采用高斯分布函数对该卷积神经网络各层的权重进行初始化,得到初始化后的卷积神经网络model0,其中,90≤R≤150;
(6)对初始化后的卷积神经网络model0进行训练:
(6a)计算每幅预处理后的乳腺钼靶X线图像的目标框集合Gq中每个目标框gqi与候选框集合Lq中每个候选框lqj的交叠比其中,gqi∩lqj为目标框gqi与候选框lqj在预处理后的乳腺钼靶X线图像上取交集后的区域,size(gqi∩lqj)为取交集后的区域内的像素总数目,gqi∪lqj为目标框gqi与候选框lqj在预处理后的乳腺钼靶X线图像上的取并集后的区域,size(gqi∪lqj)为取并集后的区域内像素总数目;
(6b)将大于等于阈值iou的所有交叠比Overlap(gqi,lqj)对应的gqi和lqj合并成正样本集P={p1,...,pu,...,pK},同时从小于阈值iou的所有交叠比Overlap(gpi,lqj)对应的lqj中随机选取K个合并成负样本集H={h1,...,hw,...,hK},并从P和H中分别随机取ratio×K个样本组合成训练样本集T={t1,t2,...,t2×ratio×K},P和H中剩余的样本组合成验证样本集V={v1,v2,...,v2×(1-ratio)×K},其中,0.2≤iou≤0.5,pu表示正样本,K为正样本的总数目,hw表示负样本,ratio为构建训练样本集T时从P所取的样本数目占P中总样本数目的比例和从H中所取的样本数目占H中总样本数目的比例,0.5≤ratio≤0.8;
(6c)设置迭代总次数为epochs,epochs≥5,当前迭代次数iter=1,初始卷积神经网络model′iter为model0;
(6d)通过T对model′iter的权重参数进行调节,得到卷积神经网络model″iter,再将V输入到model″iter中对各个样本进行分类,然后基于所有样本的分类结果计算V的分类准确率acciter,同时保存model″iter和acciter,完成一次迭代,最后判断iter与epochs是否相等,若是,执行步骤(6f),否则,执行步骤(6e);
(6e)令iter=iter+1,同时将model′iter更新为model″iter-1,并执行步骤(6d);
(6f)选取迭代得到的所有分类准确率中最大的分类准确率accmax,并将accmax对应的卷积神经网络model″max作为训练好的卷积神经网络model1;
(7)获取待检测乳腺钼靶X线图像的肿块区域:
采用步骤(2)的方法对待检测乳腺钼靶X线图像进行预处理,再采用步骤(4)的方法获取预处理后的待检测乳腺钼靶X线图像的候选框集合L′q,将L′q中的每个候选框作为卷积神经网络model1的输入,得到每个候选框的分类结果,然后将分类结果为肿块组织的候选框标记在预处理后的乳腺钼靶X线图像上,得到标记有肿块区域的预处理后的乳腺钼靶X线图像上。
2.根据权利要求1所述的基于选择性搜索和CNN的计算机辅助乳腺肿块检测方法,其特征在于,步骤(2c)中所述的采用最大类间方差方法对每幅裁剪后的下采样乳腺钼靶X线图像进行分割,实现步骤为:
(2c1)将每幅裁剪后的下采样乳腺钼靶X线图像灰度范围内的任意一个灰度作为初始分割阈值t,并将图像中灰度大于等于t的像素作为前景,灰度小于t的像素作为背景,然后计算t对应的类间方差g:
g=ω0(μ0-μ)2+ω1(μ1-μ)2
其中,ω0和ω1分别为背景的像素数目和前景的像素数目占整幅图像像素总数目的比例,μ为每幅裁剪后的下采样乳腺钼靶X线图像的平均灰度,ω0、ω1及μ的计算公式分别为:
μ=ω0μ0+ω1μ1
其中,N0和N1分别为背景和前景像素的总数目,M和F分别为裁剪后的下采样乳腺钼靶X线图像的行像素和列像素数目,μ0和μ1分别为前景和背景的平均灰度;
(2c2)对每幅裁剪后的下采样乳腺钼靶X线图像的所有灰度进行遍历,并选取每幅图像类间方差最大时对应的分割阈值t′;
(2c3)将每幅裁剪后的下采样乳腺钼靶X线图像中,大于阈值灰度t′的像素区域作为乳腺区域,小于阈值灰度t′的像素区域作为非乳腺区域,得到N幅包括乳腺区域和非乳腺区域的二值图像。
3.根据权利要求1所述的基于选择性搜索和CNN的计算机辅助乳腺肿块检测方法,其特征在于,步骤(4a)中所述的计算Rqv中每个邻接区域对(rqvi,rqvj)的相似度s(rqvi,rqvj),实现步骤为:
(4a3)分别计算区域rqvi和rqvj在n1个区间上的L1归一化的灰度直方图,得到两个一维向量和并计算每个邻接区域对(rqvi,rqvj)的灰度相似度其中,是Cqvi中的第k′个,是Cqvj中的第k′个,n1为L1归一化的灰度直方图中的区间数目,且20≤n1≤75,为取和中的较小值;
(4a4)分别计算区域rqvi和rqvj在8个方向上的方差为σ的高斯微分,并计算每个方向在n2个区间上的纹理直方图,得到两个一维向量和然后计算每个邻接区域对(rqvi,rqvj)的纹理相似度其中,0.8≤σ≤1,n2为每个方向上的纹理直方图的区间数,且60≤n2≤240,是Tqvi中的第k″个,是Tqvj第k″个,为取和的较小值;
(4a5)对ssize(rqvi,rqvj)、sfill(rqvi,rqvj)、sgray(rqvi,rqvj)及stexture(rqvi,rqvj)进行加权求和计算每个邻接区域对(rqvi,rqvj)的相似度s(rqvi,rqvj)=a1ssize(rqvi,rqvj)+a2sfill(rqvi,rqvj)+a3sgray(rqvi,rqvj)+a4stexture(rqvi,rqvj),
其中,a1、a2、a3、a4分别ssize(rqvi,rqvj)、sfill(rqvi,rqvj)、sgray(rqvi,rqvj)及stexture(rqvi,rqvj)的经验权值,且ai≥0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487180.5A CN109671060B (zh) | 2018-12-06 | 2018-12-06 | 基于选择性搜索和cnn的计算机辅助乳腺肿块检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487180.5A CN109671060B (zh) | 2018-12-06 | 2018-12-06 | 基于选择性搜索和cnn的计算机辅助乳腺肿块检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109671060A CN109671060A (zh) | 2019-04-23 |
CN109671060B true CN109671060B (zh) | 2021-12-17 |
Family
ID=66143581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811487180.5A Active CN109671060B (zh) | 2018-12-06 | 2018-12-06 | 基于选择性搜索和cnn的计算机辅助乳腺肿块检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109671060B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110722A (zh) * | 2019-04-30 | 2019-08-09 | 广州华工邦元信息技术有限公司 | 一种基于深度学习模型识别结果的区域检测修正方法 |
CN111667491B (zh) * | 2020-05-09 | 2023-04-21 | 中山大学 | 基于深度对抗网络的带边界标注信息乳腺肿块图生成方法 |
CN112766181B (zh) * | 2021-01-22 | 2022-09-23 | 电子科技大学 | 一种提高线图识别准确率的方法 |
CN113421240B (zh) * | 2021-06-23 | 2023-04-07 | 深圳大学 | 一种基于超声自动乳腺全容积成像的乳腺分类方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803247A (zh) * | 2016-12-13 | 2017-06-06 | 上海交通大学 | 一种基于多级筛选卷积神经网络的微血管瘤自动检测方法 |
CN107886514A (zh) * | 2017-11-22 | 2018-04-06 | 浙江中医药大学 | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 |
CN108334860A (zh) * | 2018-03-01 | 2018-07-27 | 北京航空航天大学 | 细胞图像的处理方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952269B (zh) * | 2017-02-24 | 2019-09-20 | 北京航空航天大学 | 近邻可逆的视频前景物体序列检测分割方法及系统 |
-
2018
- 2018-12-06 CN CN201811487180.5A patent/CN109671060B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803247A (zh) * | 2016-12-13 | 2017-06-06 | 上海交通大学 | 一种基于多级筛选卷积神经网络的微血管瘤自动检测方法 |
CN107886514A (zh) * | 2017-11-22 | 2018-04-06 | 浙江中医药大学 | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 |
CN108334860A (zh) * | 2018-03-01 | 2018-07-27 | 北京航空航天大学 | 细胞图像的处理方法和装置 |
Non-Patent Citations (2)
Title |
---|
《Saliency Detection Based On Deep Learning and Graph Cut》;LU H et al;《Springer Link》;20180918;全文 * |
《基于深度学习的目标检测算法研究》;赵怀瑾;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180315(第2018年第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109671060A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109671060B (zh) | 基于选择性搜索和cnn的计算机辅助乳腺肿块检测方法 | |
EP3432263B1 (en) | Semantic segmentation for cancer detection in digital breast tomosynthesis | |
Choi et al. | Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images | |
CN107886514A (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
CN108734694A (zh) | 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法 | |
CN112862808A (zh) | 一种基于深度学习的乳腺癌超声图像的可解释性识别方法 | |
JP7294695B2 (ja) | 学習済モデルによるプログラム、情報記録媒体、分類装置、ならびに、分類方法 | |
CN112819747A (zh) | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 | |
CN111415728A (zh) | 基于cnn和gan的ct图像数据自动分类方法及设备 | |
CN114972341B (zh) | 基于贝叶斯辅助学习的wsi图像分类方法、系统及介质 | |
Tan et al. | GLCM-CNN: gray level co-occurrence matrix based CNN model for polyp diagnosis | |
JP2024027079A (ja) | 腫瘍微小環境を考慮した全スライド病理画像分類システム及び構築方法 | |
Liu et al. | Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement | |
Jiang et al. | Breast cancer detection and classification in mammogram using a three-stage deep learning framework based on PAA algorithm | |
Zhang et al. | Fully multi-target segmentation for breast ultrasound image based on fully convolutional network | |
CN114581474A (zh) | 一种基于宫颈癌ct影像的临床靶区自动勾画方法 | |
Sarath et al. | A two-stage multiple instance learning framework for the detection of breast cancer in mammograms | |
US20210398282A1 (en) | Digital tissue segmentation using image entropy | |
Keyvanpour et al. | WARM: a new breast masses classification method by weighting association rule mining | |
CN114565786A (zh) | 基于通道注意力机制的断层扫描图像分类装置和方法 | |
Nagalakshmi | Breast cancer semantic segmentation for accurate breast cancer detection with an ensemble deep neural network | |
Ponnusamy et al. | RETRACTED ARTICLE: Computer aided innovation method for detection and classification of cervical cancer using ANFIS classifier | |
CN109635866B (zh) | 处理肠图像的方法 | |
Siddiqui et al. | Classification of lung cancer computed tomography images using a 3-dimensional deep convolutional neural network with multi-layer filter | |
Liu et al. | Automatic ct segmentation from bounding box annotations using convolutional neural networks |
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 |