CN109685810A - 一种基于深度学习的肝包虫病灶识别方法及系统 - Google Patents
一种基于深度学习的肝包虫病灶识别方法及系统 Download PDFInfo
- Publication number
- CN109685810A CN109685810A CN201811548687.7A CN201811548687A CN109685810A CN 109685810 A CN109685810 A CN 109685810A CN 201811548687 A CN201811548687 A CN 201811548687A CN 109685810 A CN109685810 A CN 109685810A
- Authority
- CN
- China
- Prior art keywords
- liver
- lesion
- layer
- hydatid cyst
- echinococcus hydatid
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
- 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
- G06T2207/20081—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Abstract
本发明公开了一种基于深度学习的肝包虫病灶识别方法及系统，方法包括：S1、从包虫病病例中获取包虫CT图像集；S2、基于公共数据集训练和验证肝脏分割模型，用以进行肝脏分割和肝脏体积定量；S3、通过肝脏分割模型从包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证病灶识别模型，在训练和验证中将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签；S4、通过肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将肝脏区域作为VOI区输入病灶识别模型，得到识别结果。本发明所提供的方法及系统，能够挖掘肝脏占位等特征信息，使用手工标注包虫病灶的平扫CT图像，利用卷积神经网络模型对各种包虫病灶进行识别与分类。
Description
技术领域
本发明涉及肝包虫识别技术领域，具体涉及一种基于深度学习的肝包虫病灶识别方法及系统。
背景技术
包虫病是一种危害严重的人兽共患寄生虫病，遍及世界各大陆。我国包虫病受威胁人口数和患者数居全球首位，其中青海省三江源地区的重灾区两性包虫的感染率在8.93-12.38％。该地区环境恶劣，医疗资源匮乏，医生水平非同质现象较为明显。
包虫病目前筛查方法较为单一，主要靠便携式B超来进行。该筛查方法有以下缺点:(1)对医生的经验依赖很高，如果医生经验不足或者水平不高，筛查结果准确度难以保障，不同医生也可能得出不同的结论。(2)受环境、气候等因素等影响该筛查方法效率低下，以青海省为例，受医疗水平限制，筛查工作大都由相对低海海拔地区的医生前去协助完成，而包虫病高发区大多在高海拔、缺氧、生存环境恶劣、经济落后的地区，筛查人员无法长期开展筛查工作。因此，亟需研发出一种专门应用于包虫病的筛查工作的技术方案。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于深度学习的肝包虫病灶识别方法及系统，能够挖掘肝脏占位等特征信息，使用手工标注包虫病灶的平扫CT图像，利用卷积神经网络模型对各种包虫病灶进行识别与分类。
为实现上述目的，本发明采用的技术方案如下：
一种基于深度学习的肝包虫病灶识别方法，包括：
S1、从包虫病病例中获取包虫CT图像集；
S2、基于公共数据集训练和验证肝脏分割模型，用以进行肝脏分割和肝脏体积定量；
S3、通过所述肝脏分割模型从所述包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证病灶识别模型，在训练和验证中将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签；
S4、通过所述肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将所述肝脏区域作为VOI区输入所述病灶识别模型，得到识别结果。
进一步，如上所述的一种基于深度学习的肝包虫病灶识别方法，步骤S3中，通过ITK-SNAP软件将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签。
进一步，如上所述的一种基于深度学习的肝包虫病灶识别方法，所述肝脏分割模型为全卷积神经网络模型，网络结构包括：卷积路径和反卷积路径，所述卷积路径包括：从左至右依次排列的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、dropout层和第五卷积层；
所述反卷积路径包括：从左至右依次排列的第一反卷积层、第一上采样层、第二反卷积层、第二上采样层、第三反卷积层、第三上采样层和第四反卷积层；
通过所述卷积路径中的卷积层和池化层对图像信息进行聚合，通过所述反卷积路径中的反卷积层和上采样层对图像的分辨率进行恢复；在分割肝脏后，通过计算肝脏区域内的体素点个数对肝脏体积进行定量。
进一步，如上所述的一种基于深度学习的肝包虫病灶识别方法，所述病灶识别模型为卷积神经网络模型，网络结构为：
在VGG16网络的基础上，将VGG16网络的全连接层改为卷积层，将第五个池化层的参数由2×2的最大池化，步长为2，改为3×3的最大池化，步长为1，外加一个填充。
进一步，如上所述的一种基于深度学习的肝包虫病灶识别方法，其特征在于，所述公共数据集包括：若干腹腔CT训练样本和若干测试样本。
本发明还提供一种基于深度学习的肝包虫病灶识别系统，包括：
获取模块，用于从包虫病病例中获取包虫CT图像集；
第一训练模块，用于基于公共数据集训练和验证肝脏分割模型，用以进行肝脏分割和肝脏体积定量；
第二训练模块，用于通过所述肝脏分割模型从所述包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证病灶识别模型，在训练和验证中将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签；
识别模块，用于通过所述肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将所述肝脏区域作为VOI区输入所述病灶识别模型，得到识别结果。
进一步，如上所述的一种基于深度学习的肝包虫病灶识别系统，所述第二训练模块具体用于通过ITK-SNAP软件将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签。
进一步，如上所述的一种基于深度学习的肝包虫病灶识别系统，所述肝脏分割模型为全卷积神经网络模型，网络结构包括：卷积路径和反卷积路径，所述卷积路径包括：从左至右依次排列的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、dropout层和第五卷积层；
所述反卷积路径包括：从左至右依次排列的第一反卷积层、第一上采样层、第二反卷积层、第二上采样层、第三反卷积层、第三上采样层和第四反卷积层；
通过所述卷积路径中的卷积层和池化层对图像信息进行聚合，通过所述反卷积路径中的反卷积层和上采样层对图像的分辨率进行恢复；在分割肝脏后，通过计算肝脏区域内的体素点个数对肝脏体积进行定量。
进一步，如上所述的一种基于深度学习的肝包虫病灶识别系统，所述病灶识别模型为卷积神经网络模型，网络结构为：
在VGG16网络的基础上，将VGG16网络的全连接层改为卷积层，将第五个池化层的参数由2×2的最大池化，步长为2，改为3×3的最大池化，步长为1，外加一个填充。
进一步，如上所述的一种基于深度学习的肝包虫病灶识别系统，所述公共数据集包括：若干腹腔CT训练样本和若干测试样本。
本发明的有益效果在于：本发明所提供的方法及系统，深度学习算法中的全卷积神经网络在对图像信息挖掘上具有强大的效果，能够挖掘肝脏占位等特征信息，使用手工标注包虫病灶的平扫CT图像，利用卷积神经网络模型对各种包虫病灶进行识别与分类。对肝包虫病的临床研究、诊断、治疗、预后判断提供重大帮助，在很大程度上可以帮助基层医生提高诊断准确率，减少医生的工作量。使患者更早得到明确的诊断及精准的治疗方案，具有重要的社会民生价值。
附图说明
图1为本发明实施例中提供的一种基于深度学习的肝包虫病灶识别方法的流程示意图；
图2为本发明实施例中提供的肝脏分割模型的结构示意图；
图3为本发明实施例中提供的病灶识别模型的结构示意图；
图4为本发明实施例中提供的一种基于深度学习的肝包虫病灶识别系统的结构示意图
具体实施方式
下面结合说明书附图与具体实施方式对本发明做进一步的详细说明。
近年来,大数据与人工智能等前沿技术在医疗领域应用已经成为一种趋势，深度学习在医疗辅助诊断领域得到广泛应用。将深度学习应用于肝包虫病早期诊断中，可以缓解边远地区医疗资源匮乏的问题，挽救无数患者的生命。卷积神经网络在图像分类、检测等很多任务中相对传统模式识别方法取得了令人瞩目的突破。本发明拟运用卷积神经网络搭建肝包虫病辅助诊断模型，在平扫CT上检测并分类囊性包虫与泡性包虫病灶，基于卷积神经网络的对囊性包虫及泡性包虫进行识别和分类，搭建模型，随后制作成软件广泛应用于包虫病的筛查工作，需要说明的是，本文所述的“诊断”应结合上下文理解为病灶识别，不应理解为疾病治疗。具体地，提供一种基于深度学习的肝包虫病灶识别方法，可以智能识别肝包虫病灶，提高识别准确度。
如图1所示，一种基于深度学习的肝包虫病灶识别方法，包括：
S1、从包虫病病例中获取包虫CT图像集；
提供已确诊包虫病病例600例，其中囊性包虫300例，泡性包虫300例，每个病例均包含腹部平扫CT影像和增强CT影像。CT平扫影像的技术参数如下:CT选用Phillips 256层iCT扫描仪，扫描范围为膈顶至下腔静脉，扫描参数为管电压:120KV、电流:300mA、层厚:5mm、层间距:10mm。CT增强的影像技术参数如下:CT选用Phillips 256层iCT扫描仪，肝脏三期动态增强扫描时，扫描范围为膈顶至下腔静脉，随后造影剂由肘静脉注入后，分别于25-30s、50-55s、180s时开始动脉期、门脉期、延迟期检查，扫描参数为管电压:120KV、电流:300mA、FOV:350mm、层厚:1mm、层间距:1mm、重建层厚:5mm，螺距:0.985；增强扫描所用造影剂为碘佛醇(碘含量370mg/mL)，用量为90ml，盐水40ml，造影剂和盐水注入速度为4.5ml/s。
S2、基于公共数据集训练和验证肝脏分割模型，用以进行肝脏分割和肝脏体积定量；
肝脏分割模型为全卷积神经网络模型，网络结构包括：卷积路径和反卷积路径，
卷积路径包括：从左至右依次排列的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、dropout层和第五卷积层；
反卷积路径包括：从左至右依次排列的第一反卷积层、第一上采样层、第二反卷积层、第二上采样层、第三反卷积层、第三上采样层和第四反卷积层；
通过卷积路径中的卷积层和池化层对图像信息进行聚合，通过反卷积路径中的反卷积层和上采样层对图像的分辨率进行恢复；在分割肝脏后，通过计算肝脏区域内的体素点个数对肝脏体积进行定量。
为减少CT图像中肝脏周围组织对分割算法的干扰，并定量肝脏体积，使用131个腹腔CT训练样本和70个测试样本进行肝脏分割算法的训练与验证。肝脏分割算法拟采用近年来在医疗图像领域广泛应用的全卷积神经网络算法(FCN)。首先使用一个简化的FCN对降采样的CT图像进行肝脏定位和粗分割，再将粗分割后的图像肝脏区域输入到更深层的FCN中，该FCN拟采用较小的卷积核，从而在实现精细分割的同时减小参数量。其网络结构如图2所示，该模型包括两个路径，其中通过卷积和池化在卷积路径中的前后信息进行聚合，并且通过反卷积路径中的反卷积和上采样来恢复全图像的分辨率。在分割肝脏后，可以通过计算肝脏区域内的体素点个数来对肝脏体积进行定量。
S3、通过肝脏分割模型从包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证病灶识别模型，在训练和验证中将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签；
病灶识别模型为卷积神经网络模型，网络结构为：
在VGG16网络的基础上，将VGG16网络的全连接层改为卷积层，将第五个池化层的参数由2×2的最大池化，步长为2，改为3×3的最大池化，步长为1，外加一个填充。
S4、通过肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将肝脏区域作为VOI区输入病灶识别模型，得到识别结果。
在平扫CT上，将首先使用训练好的肝脏粗分割模型找到肝脏的VOI区作为目标检测网络的输入。拟尝试目标检测领域效果较好的SSD等模型。将囊性病灶与泡性病灶分别赋予不同的目标标签以训练病灶识别模型，使其能够检出并判别两类病灶。其网络结构如图3所示，SSD算法基准网络为VGG16，改变VGG16的全连接层为卷积层，将第五个池化层的参数由2×2的最大池化，步长为2，转变为3×3的最大池化，步长为1，外加一个填充。上述变化过程也会改变感受野，同时利用带孔(Hole algorithm)卷积将卷积核膨胀大，这样一来感受野也随之变大，因此，卷积之后保留的图像信息也会更加丰富。将300×300分辨率的图片作为输入，第一层有64个卷积滤波器，每个卷积核的大小是3×3，水平和垂直方向的滑动步长为1，以及尺寸为2×2的池化层池化操作之后形成150×150×64的输出，之后的层都是类似的过程。为建立真实标签框与默认框之间的关系，将真实框与默认框进行匹配，选取真实标签框与默认框的阈值高于0.5的默认框，这样可以产生多个重叠的默认框而不是只选取具有最大重叠的默认框，这样做可以获得更高的置信度。
本发明针对包虫病影像特征设计深度学习算法。深度学习算法中的卷积神经网络在对图像信息挖掘上具有强大的效果，能够挖掘肝脏占位等特征信息。使用手工标注包虫病灶的平扫CT图像，利用卷积神经网络模型对囊性包虫病和泡性包虫病病灶进行检测与鉴别，保障筛查结果的准确度。
如图4所示，一种基于深度学习的肝包虫病灶识别系统，包括：
获取模块1，用于从包虫病病例中获取包虫CT图像集；
第一训练模块2，用于基于公共数据集训练和验证肝脏分割模型，用以进行肝脏分割和肝脏体积定量；
第二训练模块3，用于通过肝脏分割模型从包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证病灶识别模型，在训练和验证中将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签；
识别模块4，用于通过肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将肝脏区域作为VOI区输入病灶识别模型，得到识别结果。
第二训练模块3具体用于通过ITK-SNAP软件将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签。
肝脏分割模型为全卷积神经网络模型，网络结构包括：卷积路径和反卷积路径，
卷积路径包括：从左至右依次排列的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、dropout层和第五卷积层；
反卷积路径包括：从左至右依次排列的第一反卷积层、第一上采样层、第二反卷积层、第二上采样层、第三反卷积层、第三上采样层和第四反卷积层；
通过卷积路径中的卷积层和池化层对图像信息进行聚合，通过反卷积路径中的反卷积层和上采样层对图像的分辨率进行恢复；在分割肝脏后，通过计算肝脏区域内的体素点个数对肝脏体积进行定量。
病灶识别模型为卷积神经网络模型，网络结构为：
在VGG16网络的基础上，将VGG16网络的全连接层改为卷积层，将第五个池化层的参数由2×2的最大池化，步长为2，改为3×3的最大池化，步长为1，外加一个填充。
公共数据集包括：若干腹腔CT训练样本和若干测试样本。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度学习的肝包虫病灶识别方法，其特征在于，包括：
S1、从包虫病病例中获取包虫CT图像集；
S2、基于公共数据集训练和验证肝脏分割模型，用以进行肝脏分割和肝脏体积定量；
S3、通过所述肝脏分割模型从所述包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证病灶识别模型，在训练和验证中将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签；
S4、通过所述肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将所述肝脏区域作为VOI区输入所述病灶识别模型，得到识别结果。
2.根据权利要求1所述的一种基于深度学习的肝包虫病灶识别方法，其特征在于，步骤S3中，通过ITK-SNAP软件将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签。
3.根据权利要求1所述的一种基于深度学习的肝包虫病灶识别方法，其特征在于，所述肝脏分割模型为全卷积神经网络模型，网络结构包括：卷积路径和反卷积路径，
所述卷积路径包括：从左至右依次排列的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、dropout层和第五卷积层；
所述反卷积路径包括：从左至右依次排列的第一反卷积层、第一上采样层、第二反卷积层、第二上采样层、第三反卷积层、第三上采样层和第四反卷积层；
通过所述卷积路径中的卷积层和池化层对图像信息进行聚合，通过所述反卷积路径中的反卷积层和上采样层对图像的分辨率进行恢复；在分割肝脏后，通过计算肝脏区域内的体素点个数对肝脏体积进行定量。
4.根据权利要求1所述的一种基于深度学习的肝包虫病灶识别方法，其特征在于，所述病灶识别模型为卷积神经网络模型，网络结构为：
在VGG16网络的基础上，将VGG16网络的全连接层改为卷积层，将第五个池化层的参数由2×2的最大池化，步长为2，改为3×3的最大池化，步长为1，外加一个填充。
5.根据权利要求1所述的一种基于深度学习的肝包虫病灶识别方法，其特征在于，所述公共数据集包括：若干腹腔CT训练样本和若干测试样本。
6.一种基于深度学习的肝包虫病灶识别系统，其特征在于，包括：
获取模块，用于从包虫病病例中获取包虫CT图像集；
第一训练模块，用于基于公共数据集训练和验证肝脏分割模型，用以进行肝脏分割和肝脏体积定量；
第二训练模块，用于通过所述肝脏分割模型从所述包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证病灶识别模型，在训练和验证中将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签；
识别模块，用于通过所述肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将所述肝脏区域作为VOI区输入所述病灶识别模型，得到识别结果。
7.根据权利要求6所述的一种基于深度学习的肝包虫病灶识别系统，其特征在于，所述第二训练模块具体用于通过ITK-SNAP软件将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签。
8.根据权利要求6所述的一种基于深度学习的肝包虫病灶识别系统，其特征在于，所述肝脏分割模型为全卷积神经网络模型，网络结构包括：卷积路径和反卷积路径，
所述卷积路径包括：从左至右依次排列的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、dropout层和第五卷积层；
所述反卷积路径包括：从左至右依次排列的第一反卷积层、第一上采样层、第二反卷积层、第二上采样层、第三反卷积层、第三上采样层和第四反卷积层；
通过所述卷积路径中的卷积层和池化层对图像信息进行聚合，通过所述反卷积路径中的反卷积层和上采样层对图像的分辨率进行恢复；在分割肝脏后，通过计算肝脏区域内的体素点个数对肝脏体积进行定量。
9.根据权利要求6所述的一种基于深度学习的肝包虫病灶识别系统，其特征在于，所述病灶识别模型为卷积神经网络模型，网络结构为：
在VGG16网络的基础上，将VGG16网络的全连接层改为卷积层，将第五个池化层的参数由2×2的最大池化，步长为2，改为3×3的最大池化，步长为1，外加一个填充。
10.根据权利要求6所述的一种基于深度学习的肝包虫病灶识别系统，其特征在于，所述公共数据集包括：若干腹腔CT训练样本和若干测试样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811548687.7A CN109685810A (zh) | 2018-12-18 | 2018-12-18 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811548687.7A CN109685810A (zh) | 2018-12-18 | 2018-12-18 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109685810A true CN109685810A (zh) | 2019-04-26 |
Family
ID=66186786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811548687.7A Pending CN109685810A (zh) | 2018-12-18 | 2018-12-18 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109685810A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414615A (zh) * | 2019-08-02 | 2019-11-05 | 中国科学院合肥物质科学研究院 | 基于阶段性深度修复图像及改进Double-DQN技术的玉米草地贪夜蛾检测方法 |
| CN111144506A (zh) * | 2019-12-30 | 2020-05-12 | 深圳大学 | 基于超声图像的肝包虫识别方法、存储介质及超声设备 |
| CN111429412A (zh) * | 2020-03-17 | 2020-07-17 | 北京青燕祥云科技有限公司 | 肝包虫超声ai辅助诊断方法及系统 |
| CN112132801A (zh) * | 2020-09-18 | 2020-12-25 | 上海市肺科医院 | 一种基于深度学习的肺大泡病灶检测方法及系统 |
| CN112330731A (zh) * | 2020-11-30 | 2021-02-05 | 深圳开立生物医疗科技股份有限公司 | 图像处理装置、方法、设备、超声系统及可读存储介质 |
| CN113017670A (zh) * | 2021-03-01 | 2021-06-25 | 北京小白世纪网络科技有限公司 | 一种基于3D UNet的纵隔肿物识别方法、装置及存储介质 |
| CN113837062A (zh) * | 2021-09-22 | 2021-12-24 | 内蒙古工业大学 | 一种分类方法、装置、存储介质及电子设备 |
| CN114822867A (zh) * | 2022-03-01 | 2022-07-29 | 四川大学 | 用于包虫病的早期预测的系统、计算机装置和存储介质 |
| CN115831329A (zh) * | 2022-12-21 | 2023-03-21 | 青海大学附属医院 | 融合医生关注图像的包虫分类模型构建方法、系统及介质 |
| CN116503607A (zh) * | 2023-06-28 | 2023-07-28 | 天津市中西医结合医院（天津市南开医院） | 一种基于深度学习的ct图像分割方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050238233A1 (en) * | 2002-08-20 | 2005-10-27 | Miguel Mulet Parada | Computation of contour |
| CN101881773A (zh) * | 2009-05-06 | 2010-11-10 | 中国疾病预防控制中心寄生虫病预防控制所 | 一种检测囊型包虫病的免疫层析试条及其制备方法 |
| CN105653858A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院自动化研究所 | 一种基于影像组学的病变组织辅助预后系统和方法 |
| CN108492319A (zh) * | 2018-03-09 | 2018-09-04 | 西安电子科技大学 | 基于深度全卷积神经网络的运动目标检测方法 |
| CN108806793A (zh) * | 2018-04-17 | 2018-11-13 | 平安科技（深圳）有限公司 | 病变监测方法、装置、计算机设备和存储介质 |
-
2018
- 2018-12-18 CN CN201811548687.7A patent/CN109685810A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050238233A1 (en) * | 2002-08-20 | 2005-10-27 | Miguel Mulet Parada | Computation of contour |
| CN101881773A (zh) * | 2009-05-06 | 2010-11-10 | 中国疾病预防控制中心寄生虫病预防控制所 | 一种检测囊型包虫病的免疫层析试条及其制备方法 |
| CN105653858A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院自动化研究所 | 一种基于影像组学的病变组织辅助预后系统和方法 |
| CN108492319A (zh) * | 2018-03-09 | 2018-09-04 | 西安电子科技大学 | 基于深度全卷积神经网络的运动目标检测方法 |
| CN108806793A (zh) * | 2018-04-17 | 2018-11-13 | 平安科技（深圳）有限公司 | 病变监测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 温浩 等: "包虫病影像诊断技术和手术治疗进展", 《国际医学寄生虫病杂志》 * |
| 胡彦婷 等: "基于SIFT-LBP 稀疏编码的肝包虫CT图像分类", 《科技通报》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414615B (zh) * | 2019-08-02 | 2021-12-10 | 中国科学院合肥物质科学研究院 | 基于阶段性深度修复图像的玉米草地贪夜蛾检测方法 |
| CN110414615A (zh) * | 2019-08-02 | 2019-11-05 | 中国科学院合肥物质科学研究院 | 基于阶段性深度修复图像及改进Double-DQN技术的玉米草地贪夜蛾检测方法 |
| CN111144506A (zh) * | 2019-12-30 | 2020-05-12 | 深圳大学 | 基于超声图像的肝包虫识别方法、存储介质及超声设备 |
| CN111144506B (zh) * | 2019-12-30 | 2024-01-23 | 深圳华大智造科技股份有限公司 | 基于超声图像的肝包虫识别方法、存储介质及超声设备 |
| CN111429412A (zh) * | 2020-03-17 | 2020-07-17 | 北京青燕祥云科技有限公司 | 肝包虫超声ai辅助诊断方法及系统 |
| CN111429412B (zh) * | 2020-03-17 | 2023-11-03 | 北京青燕祥云科技有限公司 | 肝包虫超声ai辅助诊断方法及系统 |
| CN112132801B (zh) * | 2020-09-18 | 2023-05-05 | 上海市肺科医院 | 一种基于深度学习的肺大泡病灶检测方法及系统 |
| CN112132801A (zh) * | 2020-09-18 | 2020-12-25 | 上海市肺科医院 | 一种基于深度学习的肺大泡病灶检测方法及系统 |
| CN112330731A (zh) * | 2020-11-30 | 2021-02-05 | 深圳开立生物医疗科技股份有限公司 | 图像处理装置、方法、设备、超声系统及可读存储介质 |
| CN113017670A (zh) * | 2021-03-01 | 2021-06-25 | 北京小白世纪网络科技有限公司 | 一种基于3D UNet的纵隔肿物识别方法、装置及存储介质 |
| CN113837062A (zh) * | 2021-09-22 | 2021-12-24 | 内蒙古工业大学 | 一种分类方法、装置、存储介质及电子设备 |
| CN114822867A (zh) * | 2022-03-01 | 2022-07-29 | 四川大学 | 用于包虫病的早期预测的系统、计算机装置和存储介质 |
| CN114822867B (zh) * | 2022-03-01 | 2023-04-18 | 四川大学 | 用于包虫病的早期预测的系统、计算机装置和存储介质 |
| CN115831329B (zh) * | 2022-12-21 | 2023-08-18 | 青海大学附属医院 | 融合医生关注图像的包虫分类模型构建方法、系统及介质 |
| CN115831329A (zh) * | 2022-12-21 | 2023-03-21 | 青海大学附属医院 | 融合医生关注图像的包虫分类模型构建方法、系统及介质 |
| CN116503607A (zh) * | 2023-06-28 | 2023-07-28 | 天津市中西医结合医院（天津市南开医院） | 一种基于深度学习的ct图像分割方法和系统 |
| CN116503607B (zh) * | 2023-06-28 | 2023-09-19 | 天津市中西医结合医院（天津市南开医院） | 一种基于深度学习的ct图像分割方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685810A (zh) | 一种基于深度学习的肝包虫病灶识别方法及系统 | |
| CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
| CN111657945B (zh) | 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 | |
| CN109685809A (zh) | 一种基于神经网络的肝包虫病灶分割方法及系统 | |
| CN109166104A (zh) | 一种病变检测方法、装置及设备 | |
| Chen et al. | U-net plus: Deep semantic segmentation for esophagus and esophageal cancer in computed tomography images | |
| Bhadoria et al. | Comparison of segmentation tools for multiple modalities in medical imaging | |
| Zhang et al. | Cerebrovascular segmentation in MRA via reverse edge attention network | |
| CN106570930A (zh) | 一种基于三维超体素描述的数字化生理生物体建模方法 | |
| CN110163877A (zh) | 一种mri心室结构分割的方法与系统 | |
| CN110070527A (zh) | 一种基于区域全连接神经网络病灶检测方法 | |
| Chen et al. | In-series U-Net network to 3D tumor image reconstruction for liver hepatocellular carcinoma recognition | |
| CN109620288A (zh) | 一种普外科腹部超声诊断设备及其使用方法 | |
| Xu et al. | RUnT: A network combining residual U-Net and transformer for vertebral edge feature fusion constrained spine CT image segmentation | |
| Zhou et al. | Rib fracture detection with dual-attention enhanced U-Net | |
| Hill et al. | Emerging artificial intelligence applications in liver magnetic resonance imaging | |
| CN112508943A (zh) | 基于超声影像的乳腺肿瘤识别方法 | |
| CN113256754B (zh) | 一种分割后小面积肿瘤块的堆叠投影重建方法 | |
| Dickson et al. | A Dual Channel Multiscale Convolution U-Net Methodfor Liver Tumor Segmentation from Abdomen CT Images | |
| Zhang et al. | Medical image fusion based a densely connected convolutional networks | |
| CN112541909A (zh) | 基于切片感知的三维神经网络的肺结节探测方法及系统 | |
| Al-Shayeh et al. | Efficient 3D object visualization via 2D images | |
| Wei et al. | Segmentation of lung lobes in volumetric CT images for surgical planning of treating lung cancer | |
| Xu et al. | Automatic segmentation of orbital wall from CT images via a thin wall region supervision-based multi-scale feature search network | |
| Shaaban et al. | An Efficient Breast Cancer Segmentation System based on Deep Learning Techniques |
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: 20190426 |
|
| RJ01 | Rejection of invention patent application after publication |