CN110060774B - 一种基于生成式对抗网络的甲状腺结节识别方法 - Google Patents

一种基于生成式对抗网络的甲状腺结节识别方法 Download PDF

Info

Publication number
CN110060774B
CN110060774B CN201910352207.8A CN201910352207A CN110060774B CN 110060774 B CN110060774 B CN 110060774B CN 201910352207 A CN201910352207 A CN 201910352207A CN 110060774 B CN110060774 B CN 110060774B
Authority
CN
China
Prior art keywords
network
image
thyroid
thyroid nodule
focus
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
CN201910352207.8A
Other languages
English (en)
Other versions
CN110060774A (zh
Inventor
赵蕾
宋军
郑天雷
樊红彬
王荣
崔莹莹
唐璐
赵卫国
姚玉娟
张珂
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.)
Affiliated Hospital of Xuzhou Medical University
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201910352207.8A priority Critical patent/CN110060774B/zh
Publication of CN110060774A publication Critical patent/CN110060774A/zh
Application granted granted Critical
Publication of CN110060774B publication Critical patent/CN110060774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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

Abstract

本发明公开了一种基于生成式对抗网络的甲状腺结节识别方法，包括如下步骤：筛选患有甲状腺疾病病人的数据，建立甲状腺结节数据库，对甲状腺结节和甲状腺实质进行圈画标注；语义分割：以U‑net作为生成网络的条件生成对抗网络模型，输入标注完成的图像实现语义分割；良恶性分类输入：经过多次卷积、激活、池化后，卷积神经网络使用全连接层对提取出的特征进行整合，实现图像良恶性判断；病灶输入卷积神经网后，卷积神经网自动分类病灶，输出病灶的良恶性判别结果；根据以上训练结果，给出病人病情的参考诊断报告。本发明提高医生对于甲状腺结节良恶性判别的准确度，减少超声对甲状腺筛查的时间，减轻医护人员的工作强度，增加患者满意度。

Description

一种基于生成式对抗网络的甲状腺结节识别方法
技术领域
本发明涉及一种图像处理与医学辅助诊断领域，具体是一种基于生成式对抗网络的甲状腺结节识别方法。
背景技术
甲状腺存在于人体颈部的下部,其功能是产生激素，为身体细胞提供能量。目前，甲状腺癌的发病率呈上升趋势。 虽然甲状腺癌的发病率很高，但是，在超过 50％的成人中，大多数甲状腺结节结果大约只有 7％为恶性且良恶性结节诊断方式差别迥异，因此对甲状腺结节良恶性的判别对于甲状腺疾病的诊断与治疗起到重要的临床指导意义。
超声（Ultrasound,US）技术是一种无创、便携和安全的成像模式，广泛应用于甲状腺结节的诊断和随访中。在美国，甲状腺超声检查已经是评估甲状腺结节的最佳诊断工具，可帮助临床医生选择最合适的治疗策略，帮助他们有效地确定结节是否是良性或恶性。但是，在检测不可触及的甲状腺癌评估中，超声图像的甲状腺良恶性判别仍存在诸多问题，例如数据仅仅来自于单一机构和回顾性质，只有小部分的结节被完全评估，无法全面考虑利用超声图像对甲状腺良恶性判别潜在的多重问题，因此需要进一步研究包括各种类型的甲状腺恶性肿瘤。在选用代表图像方面，大多使用单个图像作为代表图像，忽略了其他标准视图的研究，更是无法确定横向和纵向图像是否有助于减少放射科医师在选择代表性图像时的变化；另外细针穿刺活检可以在大多数情况下区分恶性和良性结节，但它毕竟是一种侵入性手术，会给患者造成不适，因此不作为我们判断甲状腺良恶性的首选筛查方式。
在甲状腺病变的研究中，国内外研究内容大多数是围绕超声检查技术进行的，而超声图像本身的属性是反映甲状腺良恶性判别标准的关键因素。超声图像诊断最大区别于其他影像学检查，例如：计算机断层扫描（Computed Tomography,CT）、磁共振成像（Magnetic Resonance Imaging,MRI）等。在于整个超声学诊断过程完全取决于首次操作的医生的视觉评估，整个诊断过程缺少可重复性，因此如何量化超声数据，使得医生能够定性、定量分析甲状腺结节的特性是课题解决问题的关键。关于超声图像的甲状腺良恶性判别模型研究也得到了越来越多的关注。从超声图像中检测甲状腺结节对临床指标和诊断的计算非常重要。最近几年，随着高速度、多功能电子计算机硬件以及高性能计算机软件的研发，超声技术得以不断提高，同时，日益廉价的大容量存储介质得以让更多的宝贵医学图像得以保存，使得基于大数据模式背景下的医学图像诊断发挥着重要的作用，在构建超声图像的甲状腺良恶性判别模型中，提高模型的准确度，使得模型与临床病理达到高度的一致性，以实现更准确的甲状腺结节良恶性的判别。
随着甲状腺结节和甲状腺癌的发病率在世界范围内不断增加，甲状腺结节和甲状腺癌的临床管理负担逐年递增。因此诊断恶性和良性甲状腺结节至关重要，这样可以避免不必要的细针穿刺（FNA）活检和外科手术，节约大量的医疗资源。
发明内容
针对上述现有技术存在的问题，本发明提供一种基于生成式对抗网络的甲状腺结节识别方法，提高医生对于甲状腺结节良恶性判别的准确度，降低了甲状腺结节良恶性的误诊率，减少甲状腺超声筛查的时间，减轻医护人员的工作强度及压力，增加患者在诊疗过程中的满意度。
为了实现上述目的，本发明采用的技术方案是：一种基于生成式对抗网络的甲状腺结节识别方法，包括如下步骤：
A．建立甲状腺结节数据库
筛选甲状腺结节病人病理的数据，根据病理数据拷贝病人的超声图像数据，区分出病理报告指示的良恶性图像数据；利用标注工具对甲状腺结节和实质进行圈画标注，保存数据，以备后续处理；
B．语义分割
先以U-net作为生成网络的条件生成对抗网络模型，利用所述对抗网络模型训练网络，将甲状腺原始图像、分割标注图像输入对抗网络模型，生成网络不断生成图像，再由判断网络分辨该图像是否为真实图像，最终生成网络生成能欺骗判断网络的图像完成训练；对于训练好的分割网络，输入步骤A中标注完成的图像实现语义分割，分割出病灶图像；
C．良恶性分类输入
通过卷积神经网络对被分割出来的病灶图像，卷积提取图像特征，然后使用激活函数Relu使网络非线性，提高网络的学习能力；经过两次上述操作后使用最大池化函数对矩阵进行降维、扩大视野，同时使网络具有一定的平移不变性、旋转不变性、缩放不变性；经过多次卷积、激活、池化后，卷积神经网络使用全连接层对提取出的特征进行整合，实现图像良恶性判断；病灶输入卷积神经网后，卷积神经网将自动分类病灶，输出病灶的良恶性；
D．根据以上训练结果，给出关于病人病情的参考诊断报告。
本发明进一步的，对步骤A中标注完成的图像进行预处理；所述预处理包括如下步骤：
a．将标注完成的图像分为两类，一类是超声设备产生的原始图像，一类是包含不同界面的屏幕截图；逐行逐列扫描图像，分析像素值、分布及变化情况，综合分析判断即可分割出需要的超声图像；根据像素RGB三个维度值的差异情况提取出标签，将标签区域像素值置零，同时根据标签周围组织像素填充被置零的标签区域；
b.消除样本图样中无关部分，对图像进行直方图均衡化、小波去噪预处理；
c.对图像进行尺寸的调整。
本发明进一步的，所述判断网络采用4层步长为2的卷积层，在对图像进行特征提取的同时对图像进行降维，并且采用激活函数lrelu增强网络的非线性；对于输入网络的图像内容，判断网络会对其正确性进行判断。
本发明进一步的，所述卷积神经网络选用VGG16，通过VGG16对被分割出来的病灶进行良恶性判断，对于输入卷积神经网络的三通道图像，卷积神经网络先对每个通道使用64个3x3的卷积提取图像特征。
本发明进一步的，所述样本数据进行脱敏处理。
本发明进一步的，所述标注工具为Anaconda 2。
本发明采用生成式对抗网络进行甲状腺结节分割模型建立，在训练好网络后对GAN网络进行测试，调整参考网络的层及其层的参数，设定合适的损失函数，调整学习速率等，最终设计出基于GAN的最适合甲状腺及病灶分割的网络，利用此网络自动提取深度特征获得更好的诊断效果，为人工智能辅助肿瘤诊断提供临床依据和参考。其取得的效果如下：
（1）以病理结果作为金标准和甲状腺结节超声图像分类的依据，并在超声图像中对甲状腺实质和结节分别进行标注，建立甲状腺结节的超声图像数据库，完成对于多类型甲状腺结节的分割，建立超声甲状腺结节数据库。便于多种模型方法反复测试，同时也有利于其它疾病判别模型的建立。
（2）根据数据库内容对甲状腺结节特性提取后进行网络模型构建，通过训练提高模型的交并比，使得与真实的甲状腺疾病的超声图像达到高度的一致与有效。
（3）从超声图像中准确检测甲状腺结节，对于甲状腺恶性判别的解释非常有帮助，并且可以提高超声引导下针吸的诊断性能。
（4）利用建立的超声图像数据库，建立甲状腺良恶性判别模型，有效的减少了甲状腺良恶性判别的误诊率。
（5）超声图像噪声较多、不同医师拍摄手法更是有所差别，根据超声图像对甲状腺的良恶性判别模型的建立，在自动诊断前有效的减少了这些情况对结果的影响。
（6）通过基于卷积神经网络的人工智能辅助，大大减少甲状腺超声筛查的时间，从而减轻医护人员的工作强度及压力，增加患者的就医满意度。
（7）能够辅助医生做甲状腺结节的良恶性判别，大大减低医生的工作量，帮助尤其是年资青的医生做出更加准确的超声报告。
（8）有很多影像学检查不明确的结节需要通过穿刺或外科手术来最终确定，这不仅无形当中增加了病人的精神负担和经济负担，而通过经过该项目训练的网络进行诊断后，可以大大减少病人的负担，提高医疗服务治疗，缓和医患矛盾。
附图说明
图1是本发明工作流程示意图；
图2是本发明条件生成对抗网络模型；
图3是本发明条件生成对抗网络生成网络训练流程图；
图4是本发明条件生成对抗网络判断网络训练流程图；
图5是本发明判断网络结构图；
图6是本发明语义分割示例图；
图7是本发明VGG16结构图；
图8是本发明良恶性判断网络示例图。
具体实施方式
下面将结合附图对本发明作进一步说明。
如图1所示，本发明一种基于生成式对抗网络的甲状腺结节识别方法的一种实施例，包括如下步骤：
A．建立甲状腺结节数据库
通过筛选病理科甲状腺结节病人的数据，且拷贝相关病人的超声检查图片，其中良性报告2023例，恶性报告2203例。利用Anaconda 2标注工具对甲状腺结节进行圈画标注，保存为Josn格式数据，以便后处理使用。
B．语义分割
将上述步骤完成的标注图像进行语义分割，CGAN（U-net）即以U-net作为生成网络的条件生成对抗网络模型，如图2所示，其中c是条件，即甲状腺原始图像， G为生成网络（U-net），G(c)为生成图像，x为真实图像，D为判断网络。
训练生成网络时，如图3所示：甲状腺原始图像作为条件c输入生成网络，生成网络生成分割图像G（c）输入判断网络。判断网络通过c和G（c）输出对生成的分割图像的判别结果。最后根据真实分割图像x、生成的分割图像G（c）和判别结果更新生成网络权重，完成生成网络的一次训练。
训练判断网络时，如图4所示，甲状腺原始图像作为条件c输入生成网络生成分割图像G（c），判断网络分别通过输入网络的c、G（c）和c、真实分割图像x对G（c）和x进行判别，输出判别结果。最后根据判别结果计算判断网络的损失，更新判断网络的权重。
判断网络结构如图5所示，网络采用4层步长为2的卷积层，在对图像进行特征提取的同时对图像进行降维，并且采用激活函数lrelu增强网络的非线性。对于输入网络的c、G（c）或c、x，判断网络会对其进行判断，正确时输出1，错误时输出0。
如图6所示，对于训练好的分割网络，输入甲状腺原始图像，生成网络分割出病灶及实质图像。（图中中心部分为病灶，病灶周围圆形区域为甲状腺实质。）
C．良恶性分类输入
通过卷积神经网络对被分割出来的病灶图像，卷积提取图像特征，然后使用激活函数Relu使网络非线性，提高网络的学习能力；经过两次上述操作后使用最大池化函数对矩阵进行降维、扩大视野，同时使网络具有一定的平移不变性、旋转不变性、缩放不变性；经过多次卷积、激活、池化后，卷积神经网络使用全连接层对提取出的特征进行整合，实现图像良恶性判断；如图7所示，病灶输入卷积神经网后，卷积神经网将自动分类病灶，输出病灶的良恶性。
D．根据以上训练结果，出具关于病人病灶情况和数量的报告。
在本发明的另一些具体实施方式中，其余与上述实施方式相同，不同之处在于，如图1所示，对步骤A中标注完成的图像进行预处理；所述预处理包括如下步骤：
a．将标注完成的图像分为两类，一类是超声设备产生的原始图像，一类是包含不同界面的屏幕截图；逐行逐列扫描图像，分析像素值、分布及变化情况，综合分析判断即可分割出需要的超声图像；根据像素RGB三个维度值的差异情况提取出标签，将标签区域像素值置零，同时根据标签周围组织像素填充被置零的标签区域；
b.消除样本图样中无关部分，对图像进行直方图均衡化、小波去噪预处理；
c.对图像进行尺寸的调整，以便分割及分类网络进行处理。
在本发明的另一些具体实施方式中，其余与上述实施方式相同，不同之处在于，如图6所示，所述卷积神经网络选用VGG16，通过VGG16对被分割出来的病灶进行良恶性判断，对于输入卷积神经网络的三通道图像，卷积神经网络先对每个通道使用64个3x3的卷积提取图像特征。
VGG16具有一定的提取特征的能力，但对于某些直观简单但不太适合网络提取的特征，可直接用图像处理准确地提取出来，作为参数输入网络的后部几层，可在一定程度上缩短网络训练时间，提高网络分类识别的能力。该实施例利用VGG16进行语义分割，并且调整该网络的部分层使其达到更好的分割效果。当然病灶良恶性判断可以从ResNet、GoogLeNet、VGG16中选择最适合甲状腺病灶分类的来进行病灶良恶性判断，同时根据分类结果设计一种分类效果更好地网络用于良恶性判断。
在本发明的另一些具体实施方式中，其余与上述实施方式相同，不同之处在于，所述样本数据进行脱敏处理。对某些敏感信息通过脱敏规则进行数据的变形，实现敏感隐私数据的可靠保护。这样就可以在开发、测试和其它非生产环境以及外包环境中安全地使用脱敏后的真实数据集。
经试验表明采用本发明的技术方案：分割网络能对图片进行合适的语义分割。其中甲状腺、病灶的交并比IoU及总体的均交并比MIoU平均至少达到0.80，真阳性率TPR至少达到0.91，准确率ACC至少达到0.90。减轻超声医生工作量，降低了超声检查医生对于甲状腺结节筛选的日常工作量，使原本一次15分钟左右且无法得到准确定性的检查在较短时间内完成，且诊断结果高于普通医生水平，按照模型预计恶性诊断的准确性能够达到90%以上。
本发明方法与传统方法指标对比如下：
表1：语义分割效果对比
评价指标 SVM FCN vgg16(segnet) 本发明方法
TPR 0.61 0.86 0.88 0.91
ACC 0.35 0.84 0.90 0.90
MIOU 0.28 0.74 0.78 0.80
表2：良恶性判断效果对比
评价指标 SVM CNN Googlenet 本发明采用vgg16
SN（敏感性） 0.60 0.73 0.80 0.82
SP（特异性） 0.64 0.71 0.81 0.80
ACC（准确性） 0.66 0.70 0.79 0.81
PPV（阳性预测值） 0.66 0.76 0.84 0.86
NPV（阴性预测值） 0.59 0.68 0.74 0.74
当然，上述实施例仅是本发明的优选方案，具体并不局限于此，在此基础上可根据实际需要做出具有针对性的调整，从而得到不同的实施方式。由于可能实现的方式较多，这里就不再一一举例说明。

Claims (6)

1. 一种基于生成式对抗网络的甲状腺结节识别方法，其特征在于，包括如下步骤：
A．建立甲状腺结节数据库
筛选甲状腺结节病人病理的数据，根据病理数据拷贝病人的超声图像数据，区分出病理报告指示的良恶性图像数据；利用标注工具对甲状腺结节和实质进行圈画标注，保存数据，以备后续处理；
B．语义分割
先以U-net作为生成网络的条件生成对抗网络模型，利用所述对抗网络模型训练网络，将甲状腺原始图像、分割标注图像输入对抗网络模型，生成网络不断生成图像，再由判断网络分辨该图像是否为真实图像，最终生成网络生成能欺骗判断网络的图像完成训练；对于训练好的分割网络，输入步骤A中标注完成的图像实现语义分割，分割出病灶图像；
C．良恶性分类输入
通过卷积神经网络对被分割出来的病灶图像，卷积提取图像特征，然后使用激活函数Relu使网络非线性，提高网络的学习能力；经过两次上述操作后使用最大池化函数对矩阵进行降维、扩大视野，同时使网络具有一定的平移不变性、旋转不变性、缩放不变性；经过多次卷积、激活、池化后，卷积神经网络使用全连接层对提取出的特征进行整合，实现图像良恶性判断；病灶输入卷积神经网络后，卷积神经网络将自动分类病灶，输出病灶的良恶性；
D．根据以上训练结果，关于病人病情的参考诊断报告。
2.根据权利要求1所述的一种基于生成式对抗网络的甲状腺结节识别方法，其特征在于，对步骤A中标注完成的图像进行预处理；所述预处理包括如下步骤：
a．将标注完成的图像分为两类，一类是超声设备产生的原始图像，一类是包含不同界面的屏幕截图；逐行逐列扫描图像，分析像素值、分布及变化情况，综合分析判断即可分割出需要的超声图像；根据像素RGB三个维度值的差异情况提取出标签，将标签区域像素值置零，同时根据标签周围组织像素填充被置零的标签区域；
b.消除样本图样中无关部分，对图像进行直方图均衡化、小波去噪预处理；
c.对图像进行尺寸的调整。
3.根据权利要求1所述的一种基于生成式对抗网络的甲状腺结节识别方法，其特征在于，所述判断网络采用4层步长为2的卷积层，在对图像进行特征提取的同时对图像进行降维，并且采用激活函数lrelu增强网络的非线性；对于输入网络的图像内容，判断网络会对其正确性进行判断。
4.根据权利要求1或3所述的一种基于生成式对抗网络的甲状腺结节识别方法，其特征在于，所述卷积神经网络选用VGG16，通过VGG16对被分割出来的病灶进行良恶性判断，对于输入卷积神经网络的三通道图像，卷积神经网络先对每个通道使用64个3x3的卷积提取图像特征。
5.根据权利要求1所述的一种基于生成式对抗网络的甲状腺结节识别方法，其特征在于，所述样本数据进行脱敏处理。
6. 根据权利要求1所述的一种基于生成式对抗网络的甲状腺结节识别方法，其特征在于，所述标注工具为Anaconda 2。
CN201910352207.8A 2019-04-29 2019-04-29 一种基于生成式对抗网络的甲状腺结节识别方法 Active CN110060774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910352207.8A CN110060774B (zh) 2019-04-29 2019-04-29 一种基于生成式对抗网络的甲状腺结节识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910352207.8A CN110060774B (zh) 2019-04-29 2019-04-29 一种基于生成式对抗网络的甲状腺结节识别方法

Publications (2)

Publication Number Publication Date
CN110060774A CN110060774A (zh) 2019-07-26
CN110060774B true CN110060774B (zh) 2022-12-09

Family

ID=67321526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910352207.8A Active CN110060774B (zh) 2019-04-29 2019-04-29 一种基于生成式对抗网络的甲状腺结节识别方法

Country Status (1)

Country Link
CN (1) CN110060774B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428407A (zh) * 2019-07-31 2019-11-08 深圳市人民医院 一种超声影像分析系统及其分析方法
CN110706793A (zh) * 2019-09-25 2020-01-17 天津大学 一种基于注意力机制的甲状腺结节半监督分割方法
CN110930318B (zh) * 2019-10-31 2023-04-18 中山大学 一种低剂量ct图像修复去噪方法
CN110827297A (zh) * 2019-11-04 2020-02-21 中国科学院自动化研究所 基于改进的条件生成对抗网络的绝缘子分割方法
CN111096767A (zh) * 2020-01-08 2020-05-05 南京市第一医院 基于深度学习的纵膈淋巴结超声弹性图像分割分类方法
CN113534251A (zh) * 2020-04-22 2021-10-22 中国石油天然气股份有限公司 基于卷积神经网络的地震数据断裂识别方法及装置
CN112017790B (zh) * 2020-09-09 2023-06-20 平安科技（深圳）有限公司 基于对抗网络的电子病历筛查方法、装置、设备及介质
CN112365973B (zh) * 2020-11-02 2022-04-19 太原理工大学 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统
CN112529894B (zh) * 2020-12-22 2022-02-15 徐州医科大学 一种基于深度学习网络的甲状腺结节的诊断方法
CN112927808A (zh) * 2021-03-01 2021-06-08 北京小白世纪网络科技有限公司 一种基于甲状腺超声图像的结节分级系统及方法
CN113012249B (zh) * 2021-03-02 2024-02-06 东软教育科技集团有限公司 一种在ct图像上生成病灶的方法、装置及存储介质
CN112950615B (zh) * 2021-03-23 2022-03-04 内蒙古大学 一种基于深度学习分割网络的甲状腺结节侵袭性预测方法
CN113223005B (zh) * 2021-05-11 2022-04-29 天津大学 一种甲状腺结节自动分割及分级的智能系统
CN113223716A (zh) * 2021-05-20 2021-08-06 复旦大学附属中山医院 一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法
CN113408620A (zh) * 2021-06-21 2021-09-17 西安工业大学 一种乳腺组织病理图像分类方法
CN113724827A (zh) * 2021-09-03 2021-11-30 上海深至信息科技有限公司 一种超声报告中病灶区域自动标注的方法和系统
CN114898866B (zh) * 2022-05-24 2024-03-15 广州锟元方青医疗科技有限公司 一种甲状腺细胞辅助诊断方法、设备和存储介质
CN116386848A (zh) * 2023-03-10 2023-07-04 王子骁 基于ai技术的多维度甲状腺结节精准化评价系统及方法
CN116681790B (zh) * 2023-07-18 2024-03-22 脉得智能科技(无锡)有限公司 一种超声造影图像生成模型的训练方法及图像的生成方法
CN116934738B (zh) * 2023-08-14 2024-03-22 威朋（苏州）医疗器械有限公司 基于超声图像的器官与结节联合分割方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107680678A (zh) * 2017-10-18 2018-02-09 北京航空航天大学 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统
CN109523521A (zh) * 2018-10-26 2019-03-26 复旦大学 基于多切片ct图像的肺结节分类和病灶定位方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8945829B2 (en) * 2011-03-22 2015-02-03 Cornell University Distinguishing benign and malignant indeterminate thyroid lesions

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107680678A (zh) * 2017-10-18 2018-02-09 北京航空航天大学 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统
CN109523521A (zh) * 2018-10-26 2019-03-26 复旦大学 基于多切片ct图像的肺结节分类和病灶定位方法和系统

Also Published As

Publication number Publication date
CN110060774A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN110060774B (zh) 一种基于生成式对抗网络的甲状腺结节识别方法
CN108573490B (zh) 一种针对肿瘤影像数据的智能读片系统
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
Wang et al. Breast cancer detection using extreme learning machine based on feature fusion with CNN deep features
Jiang et al. An automatic detection system of lung nodule based on multigroup patch-based deep learning network
WO2018120942A1 (zh) 一种多模型融合自动检测医学图像中病变的系统及方法
CN111243042A (zh) 基于深度学习的超声甲状腺结节良恶性特征可视化的方法
CN112529894B (zh) 一种基于深度学习网络的甲状腺结节的诊断方法
US20210219944A1 (en) Systems and Media for Automatically Diagnosing Thyroid Nodules
CN107133638B (zh) 基于两分类器的多参数mri前列腺癌cad方法及系统
US20090082637A1 (en) Multi-modality fusion classifier with integrated non-imaging factors
CN111028206A (zh) 一种基于深度学习前列腺癌自动检测和分类系统
CN104424386A (zh) 基于多参数磁共振影像的前列腺癌计算机辅助识别系统
Kisilev et al. From medical image to automatic medical report generation
Xie et al. Interpretable classification from skin cancer histology slides using deep learning: A retrospective multicenter study
CN114782307A (zh) 基于深度学习的增强ct影像直肠癌分期辅助诊断系统
Wang et al. A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network
WO2022110525A1 (zh) 一种癌变区域综合检测装置及方法
Elayaraja et al. An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach
Xing et al. Automatic detection of A‐line in lung ultrasound images using deep learning and image processing
CN114332910A (zh) 一种面向远红外图像的相似特征计算的人体部位分割方法
CN112767374A (zh) 基于mri的阿尔茨海默症病灶区域语义分割算法
Ali et al. Improving classification accuracy for prostate cancer using noise removal filter and deep learning technique
Bhardwaj et al. Two-tier grading system for npdr severities of diabetic retinopathy in retinal fundus images
Ayalew et al. Atelectasis detection in chest X-ray images using convolutional neural networks and transfer learning with anisotropic diffusion filter

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
TR01 Transfer of patent right

Effective date of registration: 20230418

Address after: 221000 No.99, Huaihai West Road, Xuzhou City, Jiangsu Province

Patentee after: THE AFFILIATED HOSPITAL OF XUZHOU MEDICAL University

Address before: 221000 Room 601, Unit 1, Building 4, Fuli Dongyuan, Quanshan District, Xuzhou City, Jiangsu Province

Patentee before: Zhao Lei

TR01 Transfer of patent right