CN109727253A - 基于深度卷积神经网络自动分割肺结节的辅助检测方法 - Google Patents
基于深度卷积神经网络自动分割肺结节的辅助检测方法 Download PDFInfo
- Publication number
- CN109727253A CN109727253A CN201811353550.6A CN201811353550A CN109727253A CN 109727253 A CN109727253 A CN 109727253A CN 201811353550 A CN201811353550 A CN 201811353550A CN 109727253 A CN109727253 A CN 109727253A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- depth convolutional
- image
- layer
- 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
Abstract
本发明公开了一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，首先读取肺部CT图像数据；对肺部CT图像数据进行预处理，依次包括图像插值、去噪及归一化处理，进而获得预处理图像；然后对得到的预处理图像提取肺实质区域和血管区域，剔除所述预处理图像中肺实质区域外的数据和血管区域数据，获得候选区域；然后使用深度卷积神经网络探测并分割所述候选区域，获得若干个独立候选区域；使用深度卷积神经网络对独立候选区域进行识别，获得结节区域；最后对结节区域的边界进行微调，得到精确分割的三维肺结节模型。本发明能够有效探测和分割肺结节，并很好地区分结节与其他类似物的边界。
Description
技术领域
本发明属于医学影像探测方法技术领域，具体涉及一种基于深度卷积神经网络自动分割肺结节的辅助检测方法。
背景技术
计算机辅助诊断治疗主要指借助影像学和医学图像处理技术，使用计算机分析病人X光、CT、MRI、超声等影像和其他生理、生化数据，辅助医生发现病灶、诊断疾病、规划治疗方案。实践证明，计算机辅助诊断在提高诊断准确率、提高工作效率、减少漏诊等方面取得了极大的促进作用。随着计算机技术和人工智能技术的发展，计算机辅助诊断也在走向智能化。
肺癌是近年来发病率和死亡率增长最快，对人群健康和生命威胁最大的恶性肿瘤之一，分别占据男性和女性恶性肿瘤发病率和死亡率的第一名和第二名。而跟据统计调查显示，早期肺癌的诊断能够大幅提高治疗方案的效果，使其五年生还率从15％提升到65％-80％。医学影像为肺癌筛查提供了一个良好的无创方法，探测和识别肺结节对于早期肺癌的诊断具有十分重要的意义。肺结节是一些CT影像中的小病灶、高密度阴影的统称。肺结节大多在3cm以下，影像学的表现十分复杂。有些结节完全呈实性，边界光滑，无分叶或毛刺；有些结节在影像上表现似毛玻璃样，而根据毛玻璃影中实性成分的多少，又可以分为纯毛玻璃影、部分实性毛玻璃影和完全实性毛玻璃影。
由于影像学表现的复杂性和其重要临床意义，全自动化计算机辅助探测肺结节一直是医学影像领域的重要问题。有很多图像算法应用于肺结节探测和分割，例如阈值法、形态学算法、活动轮廓法以及非线性回归等。近年来，研究者提出了一些深度学习模型，用于肺结节探测与分割，效果较以前的方法有明显改善，但也面临着如下问题：二维网络无法很好的利用三维形状和纹理信息，难以正确分割三维边界；肺区域影像和结节特征具有较高复杂性，难以区分结节和其他类似物体(例如血管)。本发明提出了一种新的基于深度卷积网络探测与分割肺结节的方法，有效地克服了这些不足。
发明内容
本发明的目的是提供一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，能够有效探测和分割肺结节，并很好地区分结节与其他类似物的边界。
本发明所采用的技术方案是，一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，具体包括以下步骤：
步骤1、读取肺部CT图像数据；
步骤2、对肺部CT图像数据进行预处理，依次包括图像插值、去噪及归一化处理，进而获得预处理图像；
步骤3、对所述步骤2得到的预处理图像提取肺实质区域和血管区域，然后剔除所述预处理图像中肺实质区域外的数据和血管区域数据，获得候选区域；然后使用深度卷积神经网络探测并分割所述候选区域，获得若干个独立候选区域；
步骤4、使用深度卷积神经网络对所述独立候选区域进行识别，获得结节区域；
步骤5、对结节区域的边界进行微调，得到精确分割的三维肺结节模型。
本发明的特点还在于：
步骤1中CT图像数据为层厚不大于2.5mm的原始薄层数据。
步骤2中图像插值时将体素间隔拉伸为正方体，提取肺实质区域时使用深度卷积神经网络分割肺实质，提取血管区域时使用Frangi血管增强滤波方法，所述图像的去噪及归一化时采用各项异性滤波方法。
步骤3中提取肺实质区域具体按以下步骤实施：
步骤3.1、获取经所述步骤2插值、去噪、归一化后得到的CT数据，以及标记出的肺实质区域和非肺实质区域的标准分割结果；
步骤3.2、构建深度卷积神经网络模型，该模型的输入层为一组CT数据，后续为一系列的dense net block，每个block为卷积层与batch normalization层的组合，相邻两个block之间以池化层连接；多个dense net blocks之后使用Upsampling层与卷积层逐步将提取到的特征还原到原图像大小；
卷积层数学表达为：
其中为l-1层的输出，为卷积核，为卷积运算(图像A与卷积核k的卷积运算定义为： 为偏置项，f(x)为激活函数，通常取relu函数:f(x)＝max(x，0)；
Dense net block为卷积层和Batch normalization层的组合，并且将其每个Batch normalization层的输出与其后的每一个卷积层输入相连接；
Batch normalization层用来正则化输入该层的数据，数学表达为：
其中
Pooling层和Upsampling层用来调整特征图像的维度，Pooling缩小图像维度，Upsampling放大图像维度；
步骤3.3、选取与所述卷积层相匹配的损失函数，并使用反向传播算法更新模型的参数，具体为：
通过残差公式把残差传播到每层参数上，具体通过如下公式完成：
卷积层反向传播函数：
其中，rot180()表示矩阵旋转180度操作，以残差作为计算卷积核的梯度的中间变量，把l+1层的所有与卷积核有影响的节点对该卷积核求取梯度，再以的梯度更新参数；
池化层反向传播函数：
其中，kron()积意为将残差传播到上一层的对应位置的小区域，从而实现残差的上采样；Upsampling层的反向传播与其相反，每次Upsampling之后的残差需要累加到对应Unet的dense net block上；
Batch normalization层的反向传播函数为：
通过残差求出相应参数γ，β的梯度，Batch normalization层的残差再往前传播需要累加到之前所有dense net block的残差上；
步骤3.4、将步骤3.1获得的CT图像数据和标准分割结果分为k组，每次选择k-1组数据做如步骤3.2～步骤3.3所述的卷积神经网络的训练，余下一组做测试，如此重复多次选取最佳参数，获得候选区域；
步骤3.5、以所述步骤3.2～步骤3.4的深度卷积神经网络探测方法获得若干个独立候选区域。
步骤4中使用深度卷积神经网络对所述独立候选区域进行识别时采用如所述步骤3.2～步骤3.4的深度卷积神经网络探测方法。
步骤5中采用条件随机场模型优化结节边界。
步骤5中对结节区域的边界进行微调时采用CRF方法或者fast marching方法，目的是将分割轮廓更加贴近结节边界。
本发明的有益效果是，一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，充分利用现有的高性能计算设备和医疗大数据，能够达到较高的检测率、分割出较精确的三维模型；并且可以通过自动学习提取出特征信息，有助于总结肺结节影像学特征的规律，帮助肺结节良恶性识别和医生的精确诊断。
附图说明
图1是本发明一种基于深度卷积神经网络自动分割肺结节的辅助检测方法流程图；
图2是本发明一种基于深度卷积神经网络自动分割肺结节的辅助检测方法中Dense net block模型结构图；
图3是本发明一种基于深度卷积神经网络自动分割肺结节的辅助检测方法中深度卷积神经网络模型结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，流程图如图1所示，具体包括以下步骤：
步骤1、读取肺部CT图像数据，其中，CT图像数据为层厚不大于2.5mm的原始薄层数据；
步骤2中图像插值时将体素间隔拉伸为正方体，提取肺实质区域时使用深度卷积神经网络分割肺实质，提取血管区域时使用Frangi血管增强滤波方法，所述图像的去噪及归一化时采用各项异性滤波方法，
其中，对肺部CT图像数据进行预处理，依次包括图像插值、去噪及归一化处理，进而获得预处理图像；
步骤2、对肺部CT图像数据进行预处理，依次包括图像插值、去噪及归一化处理，进而获得预处理图像；
步骤3、对所述步骤2得到的预处理图像提取肺实质区域和血管区域，然后剔除所述预处理图像中肺实质区域外的数据和血管区域数据，获得候选区域；然后使用深度卷积神经网络探测并分割所述候选区域，获得若干个独立候选区域，具体为：对所述步骤2得到的预处理图像提取肺实质区域和血管区域，然后剔除所述预处理图像中肺实质区域外的数据和血管区域数据，获得候选区域；然后使用深度卷积神经网络探测并分割所述候选区域，获得若干个独立候选区域；
其中，提取肺实质区域具体按以下步骤实施：
步骤3.1、获取经所述步骤2插值、去噪、归一化后得到的CT数据，以及标记出的肺实质区域和非肺实质区域的标准分割结果；
步骤3.2、构建深度卷积神经网络模型，如图3所示。该图展示了整个深度卷积神经网络结构，通过pooling层不断的压缩特征图像的维度，高效的抓取有效信息，并通过upsampling层将特征逐渐还原，并每个阶段加入相应的原特征图像，这种网络结构能够很好的适用于大型图片的分割、识别模型，在CT图像中能得到很好的效果，该模型的输入层为一组CT数据，后续为一系列的dense net block，每个block为卷积层与batchnormalization层的组合，相邻两个block之间以池化层连接；多个dense net blocks之后使用upsampling层与卷积层逐步将提取到的特征还原到原图像大小；
卷积层数学表达为：
其中为l-1层的输出，为卷积核，为卷积运算，图像A与卷积核k的卷积运算定义为： 为偏置项，f(x)为激活函数，通常取relu函数:f(x)＝max(x，0)。
Dense net block为卷积层和Batch normalization层的组合，并且将其每个Batch normalization层的输出与其后的每一个卷积层输入相连接，如图2所示，图2展示了dense net block的内部由多个卷积层与Batch normalization层相连接组成，Batchnormalization的输出将会连接到之后的每一个卷积层，这样使得高阶特征和低阶特征能相互组合，提高特征提取的鲁棒性，同时也能减少反向传播的梯度弥撒，使得网络能够更加的深，能适应更复杂的诊断任务；
Batch normalization层用来正则化输入该层的数据，数学表达为：
其中
Pooling层和upsampling层用来调整特征图像的维度，pooling缩小图像维度，upsampling放大图像维度；
步骤3.3、选取与所述卷积层相匹配的损失函数，并使用反向传播算法更新模型的参数，具体为：
通过残差公式把残差传播到每层参数上，具体通过如下公式完成：
卷积层反向传播函数：
其中，rot180()表示矩阵旋转180度操作，以残差δi l作为计算卷积核kilj的梯度的中间变量，把l+1层的所有与ki l j卷积核有影响的节点对该卷积核求取梯度，再以ki l j的梯度更新参数。
池化层反向传播函数：
其中，kron()积意为将残差传播到上一层的对应位置的小区域，从而实现残差的上采样；Upsampling层的反向传播与其相反，每次Upsampling之后的残差需要累加到对应Unet的dense net block上。
Batch normalization层的反向传播函数为：
通过残差求出相应参数γ，β的梯度，Batch normalization层的残差再往前传播需要累加到之前所有dense net block的残差上；
步骤3.4、将步骤3.1获得的CT图像数据和标准分割结果分为k组，每次选择k-1组数据做如步骤3.2～步骤3.3所述的卷积神经网络的训练，余下一组做测试，如此重复多次选取最佳参数，获得候选区域；
步骤3.5、以所述步骤3.2～步骤3.4的深度卷积神经网络探测方法获得若干个独立候选区域；
步骤4、使用深度卷积神经网络对所述独立候选区域进行识别，获得结节区域；其中，采用如步骤3.2～步骤3.4的深度卷积神经网络探测方法对独立候选区域进行识别时；
步骤5、对结节区域的边界进行微调，得到精确分割的三维肺结节模型，其中，采用条件随机场模型优化结节边界，对结节区域的边界进行微调时采用CRF方法或者fastmarching方法，目的是将分割轮廓更加贴近结节边界。
Claims (7)
1.一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，其特征在于，具体包括以下步骤：
步骤1、读取肺部CT图像数据；
步骤2、对肺部CT图像数据进行预处理，依次包括图像插值、去噪及归一化处理，进而获得预处理图像；
步骤3、对所述步骤2得到的预处理图像提取肺实质区域和血管区域，然后剔除所述预处理图像中肺实质区域外的数据和血管区域数据，获得候选区域；然后使用深度卷积神经网络探测并分割所述候选区域，获得若干个独立候选区域；
步骤4、使用深度卷积神经网络对所述独立候选区域进行识别，获得结节区域；
步骤5、对结节区域的边界进行微调，得到精确分割的三维肺结节模型。
2.根据权利要求1所述的一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，其特征在于，所述步骤1中CT图像数据为层厚不大于2.5mm的原始薄层数据。
3.根据权利要求1所述的一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，其特征在于，所述步骤2中图像插值时将体素间隔拉伸为正方体，提取肺实质区域时使用深度卷积神经网络分割肺实质，提取血管区域时使用Frangi血管增强滤波方法，所述图像的去噪及归一化时采用各项异性滤波方法。
4.根据权利要求1所述的一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，其特征在于，所述步骤3中提取肺实质区域具体按以下步骤实施：
步骤3.1、获取经所述步骤2插值、去噪、归一化后得到的CT数据，以及标记出的肺实质区域和非肺实质区域的标准分割结果；
步骤3.2、构建深度卷积神经网络模型，该模型的输入层为一组CT数据，后续为一系列的dense net block，每个block为卷积层与batch normalization层的组合，相邻两个block之间以池化层连接；多个dense net blocks之后使用Upsampling层与卷积层逐步将提取到的特征还原到原图像大小；
卷积层数学表达为：
其中，为l-1层的输出，为卷积核，为卷积运算，如图像A与卷积核k的卷积运算定义为： 为偏置项，f(x)为激活函数，通常取relu函数:f(x)＝max(x，0)；
Dense net block为卷积层和Batch normalization层的组合，并且将其每个Batchnormalization层的输出与其后的每一个卷积层输入相连接；
Batch normalization层用来正则化输入该层的数据，数学表达为：
其中
Pooling层和Upsampling层用来调整特征图像的维度，Pooling缩小图像维度，Upsampling放大图像维度；
步骤3.3、选取与所述卷积层相匹配的损失函数，并使用反向传播算法更新模型的参数，具体为：
通过残差公式把残差传播到每层参数上，具体通过如下公式完成：
卷积层反向传播函数：
其中，rot180()表示矩阵旋转180度操作，以残差作为计算卷积核的梯度的中间变量，把l+1层的所有与卷积核有影响的节点对该卷积核求取梯度，再以的梯度更新参数；
池化层反向传播函数：
其中，kron()积意为将残差传播到上一层的对应位置的小区域，从而实现残差的上采样；Upsampling层的反向传播与其相反，每次Upsampling之后的残差需要累加到对应Unet的dense net block上；
Batch normalization层的反向传播函数为：
通过残差求出相应参数γ，β的梯度，Batch normalization层的残差再往前传播需要累加到之前所有dense net block的残差上；
步骤3.4、将步骤3.1获得的CT图像数据和标准分割结果分为k组，每次选择k-1组数据做如步骤3.2～步骤3.3所述的卷积神经网络的训练，余下一组做测试，如此重复多次选取最佳参数，获得候选区域；
步骤3.5、以所述步骤3.2～步骤3.4的深度卷积神经网络探测方法获得若干个独立候选区域。
5.根据权利要求4所述的一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，其特征在于，所述步骤4中使用深度卷积神经网络对所述独立候选区域进行识别时采用如所述步骤3.2～步骤3.4的深度卷积神经网络探测方法。
6.根据权利要求1～5任一项所述的一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，其特征在于，所述步骤5中采用条件随机场模型优化结节边界。
7.根据权利要求1～5任一项所述的一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，其特征在于，所述步骤5中对结节区域的边界进行微调时采用CRF方法或者fast marching方法，目的是将分割轮廓更加贴近结节边界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811353550.6A CN109727253A (zh) | 2018-11-14 | 2018-11-14 | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811353550.6A CN109727253A (zh) | 2018-11-14 | 2018-11-14 | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109727253A true CN109727253A (zh) | 2019-05-07 |
Family
ID=66295042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811353550.6A Pending CN109727253A (zh) | 2018-11-14 | 2018-11-14 | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109727253A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110197716A (zh) * | 2019-05-20 | 2019-09-03 | 广东技术师范大学 | 医学影像的处理方法、装置及计算机可读存储介质 |
| CN110473188A (zh) * | 2019-08-08 | 2019-11-19 | 福州大学 | 一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法 |
| CN110717913A (zh) * | 2019-09-06 | 2020-01-21 | 浪潮电子信息产业股份有限公司 | 一种图像分割方法及装置 |
| CN110717916A (zh) * | 2019-09-29 | 2020-01-21 | 华中科技大学 | 一种基于卷积神经网络的肺栓塞检测系统 |
| CN110853024A (zh) * | 2019-11-14 | 2020-02-28 | 北京推想科技有限公司 | 医疗图像处理方法、装置、存储介质及电子设备 |
| CN110969622A (zh) * | 2020-02-28 | 2020-04-07 | 南京安科医疗科技有限公司 | 用于辅助肺炎诊断的图像处理方法和系统 |
| CN111415743A (zh) * | 2020-03-17 | 2020-07-14 | 北京推想科技有限公司 | 肺炎分类方法、装置、介质及电子设备 |
| CN111754472A (zh) * | 2020-06-15 | 2020-10-09 | 南京冠纬健康科技有限公司 | 一种肺结节检测方法与检测系统 |
| CN111415356B (zh) * | 2020-03-17 | 2020-12-29 | 推想医疗科技股份有限公司 | 肺炎征象的分割方法、装置、介质及电子设备 |
| CN112258514A (zh) * | 2020-11-20 | 2021-01-22 | 福州大学 | 一种ct影像肺血管的分割方法 |
| CN112581436A (zh) * | 2020-12-11 | 2021-03-30 | 佛山市普世医学科技有限责任公司 | 基于深度学习的肺结节识别与分割方法及系统 |
| WO2021164429A1 (zh) * | 2020-02-21 | 2021-08-26 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置及设备 |
| CN113781403A (zh) * | 2021-08-19 | 2021-12-10 | 东北大学 | 一种胸部ct影像处理方法与装置 |
| CN114511581A (zh) * | 2022-04-20 | 2022-05-17 | 四川大学华西医院 | 一种多任务多分辨率协作的食管癌病变分割方法及装置 |
| CN114757943A (zh) * | 2022-06-10 | 2022-07-15 | 肺诊网(苏州)网络科技有限公司 | 一种数字影像人工智能分析方法和系统 |
| TWI802510B (zh) * | 2022-09-21 | 2023-05-11 | 國泰醫療財團法人國泰綜合醫院 | 肺部結節輔助判讀系統及其方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102324109A (zh) * | 2011-09-26 | 2012-01-18 | 上海理工大学 | 基于模糊隶属度模型的非实质性肺结节三维分割方法 |
| CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及系统 |
| CN108510456A (zh) * | 2018-03-27 | 2018-09-07 | 华南理工大学 | 基于感知损失的深度卷积神经网络的草图简化方法 |
| CN108537784A (zh) * | 2018-03-30 | 2018-09-14 | 四川元匠科技有限公司 | 一种基于深度学习的ct图肺结节检测方法 |
| CN108648172A (zh) * | 2018-03-30 | 2018-10-12 | 四川元匠科技有限公司 | 一种基于3D-Unet的CT图肺结节检测系统 |
| CN108670285A (zh) * | 2018-06-05 | 2018-10-19 | 胡晓云 | 一种ct肺结核检测人工智能诊疗系统 |
| CN108765369A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技（深圳）有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
-
2018
- 2018-11-14 CN CN201811353550.6A patent/CN109727253A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102324109A (zh) * | 2011-09-26 | 2012-01-18 | 上海理工大学 | 基于模糊隶属度模型的非实质性肺结节三维分割方法 |
| CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及系统 |
| CN108510456A (zh) * | 2018-03-27 | 2018-09-07 | 华南理工大学 | 基于感知损失的深度卷积神经网络的草图简化方法 |
| CN108537784A (zh) * | 2018-03-30 | 2018-09-14 | 四川元匠科技有限公司 | 一种基于深度学习的ct图肺结节检测方法 |
| CN108648172A (zh) * | 2018-03-30 | 2018-10-12 | 四川元匠科技有限公司 | 一种基于3D-Unet的CT图肺结节检测系统 |
| CN108765369A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技（深圳）有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
| CN108670285A (zh) * | 2018-06-05 | 2018-10-19 | 胡晓云 | 一种ct肺结核检测人工智能诊疗系统 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110197716A (zh) * | 2019-05-20 | 2019-09-03 | 广东技术师范大学 | 医学影像的处理方法、装置及计算机可读存储介质 |
| CN110473188A (zh) * | 2019-08-08 | 2019-11-19 | 福州大学 | 一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法 |
| CN110473188B (zh) * | 2019-08-08 | 2022-03-11 | 福州大学 | 一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法 |
| CN110717913A (zh) * | 2019-09-06 | 2020-01-21 | 浪潮电子信息产业股份有限公司 | 一种图像分割方法及装置 |
| CN110717913B (zh) * | 2019-09-06 | 2022-04-22 | 浪潮电子信息产业股份有限公司 | 一种图像分割方法及装置 |
| CN110717916A (zh) * | 2019-09-29 | 2020-01-21 | 华中科技大学 | 一种基于卷积神经网络的肺栓塞检测系统 |
| CN110717916B (zh) * | 2019-09-29 | 2022-08-30 | 华中科技大学 | 一种基于卷积神经网络的肺栓塞检测系统 |
| CN110853024A (zh) * | 2019-11-14 | 2020-02-28 | 北京推想科技有限公司 | 医疗图像处理方法、装置、存储介质及电子设备 |
| WO2021164429A1 (zh) * | 2020-02-21 | 2021-08-26 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置及设备 |
| CN110969622A (zh) * | 2020-02-28 | 2020-04-07 | 南京安科医疗科技有限公司 | 用于辅助肺炎诊断的图像处理方法和系统 |
| CN111415743A (zh) * | 2020-03-17 | 2020-07-14 | 北京推想科技有限公司 | 肺炎分类方法、装置、介质及电子设备 |
| CN111415356B (zh) * | 2020-03-17 | 2020-12-29 | 推想医疗科技股份有限公司 | 肺炎征象的分割方法、装置、介质及电子设备 |
| CN111754472A (zh) * | 2020-06-15 | 2020-10-09 | 南京冠纬健康科技有限公司 | 一种肺结节检测方法与检测系统 |
| CN112258514A (zh) * | 2020-11-20 | 2021-01-22 | 福州大学 | 一种ct影像肺血管的分割方法 |
| CN112581436A (zh) * | 2020-12-11 | 2021-03-30 | 佛山市普世医学科技有限责任公司 | 基于深度学习的肺结节识别与分割方法及系统 |
| CN113781403A (zh) * | 2021-08-19 | 2021-12-10 | 东北大学 | 一种胸部ct影像处理方法与装置 |
| CN113781403B (zh) * | 2021-08-19 | 2023-10-13 | 东北大学 | 一种胸部ct影像处理方法与装置 |
| CN114511581A (zh) * | 2022-04-20 | 2022-05-17 | 四川大学华西医院 | 一种多任务多分辨率协作的食管癌病变分割方法及装置 |
| CN114511581B (zh) * | 2022-04-20 | 2022-07-08 | 四川大学华西医院 | 一种多任务多分辨率协作的食管癌病变分割方法及装置 |
| CN114757943A (zh) * | 2022-06-10 | 2022-07-15 | 肺诊网(苏州)网络科技有限公司 | 一种数字影像人工智能分析方法和系统 |
| CN114757943B (zh) * | 2022-06-10 | 2022-09-27 | 肺诊网(苏州)网络科技有限公司 | 一种数字影像人工智能分析方法和系统 |
| TWI802510B (zh) * | 2022-09-21 | 2023-05-11 | 國泰醫療財團法人國泰綜合醫院 | 肺部結節輔助判讀系統及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109727253A (zh) | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 | |
| Li et al. | Benign and malignant classification of mammogram images based on deep learning | |
| CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
| CN108171232B (zh) | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 | |
| CN107203999B (zh) | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 | |
| WO2020001217A1 (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
| CN109063710A (zh) | 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法 | |
| CN109584244B (zh) | 一种基于序列学习的海马体分割方法 | |
| CN109523521A (zh) | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 | |
| CN110533683B (zh) | 一种融合传统特征与深度特征的影像组学分析方法 | |
| CN112258514B (zh) | 一种ct影像肺血管的分割方法 | |
| Lameski et al. | Skin lesion segmentation with deep learning | |
| CN109166104A (zh) | 一种病变检测方法、装置及设备 | |
| CN110164550B (zh) | 一种基于多视角协同关系的先天性心脏病辅助诊断方法 | |
| Tan et al. | Analysis of segmentation of lung parenchyma based on deep learning methods | |
| CN110675411A (zh) | 基于深度学习的宫颈鳞状上皮内病变识别算法 | |
| CN110570394B (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| CN110675379A (zh) | 一种融合空洞卷积的u形脑肿瘤分割网络 | |
| CN112232433B (zh) | 一种基于双通路网络的肺结节良恶性分类方法 | |
| CN111260639A (zh) | 多视角信息协作的乳腺良恶性肿瘤分类方法 | |
| Singh et al. | A study on convolution neural network for breast cancer detection | |
| CN109919216B (zh) | 一种用于计算机辅助诊断前列腺癌的对抗学习方法 | |
| Khachnaoui et al. | Deep learning for automatic pulmonary embolism identification using cta images | |
| Zhang et al. | Classification of benign and malignant pulmonary nodules based on deep learning | |
| Liu et al. | Right Ventricle Segmentation of Cine MRI Using Residual U-net Convolutinal 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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |