CN110189307A - 一种基于多模型融合的肺结节检测方法及系统 - Google Patents
一种基于多模型融合的肺结节检测方法及系统 Download PDFInfo
- Publication number
- CN110189307A CN110189307A CN201910399988.6A CN201910399988A CN110189307A CN 110189307 A CN110189307 A CN 110189307A CN 201910399988 A CN201910399988 A CN 201910399988A CN 110189307 A CN110189307 A CN 110189307A
- Authority
- CN
- China
- Prior art keywords
- lung
- model
- indicate
- lung neoplasm
- testing result
- 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.)
- Granted
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
- G06T2207/10081—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例公开了一种肺结节检测方法及系统,包括A、获取待检测的3D肺部CT序列;B、将所述待检测的3D肺部CT序列进行预处理;C、将预处理之后的3D肺部CT序列输入至不同的肺结节检测网络模型中,以分别获取各个模型的初次的肺结节检测结果;D、将所述各个模型的初次的肺结节检测结果进行加权融合处理,以获取融合处理之后的最终肺结节检测结果。由上,本发明的肺结节检测方法及系统有利于提高肺结节检测的精确度和效率。
Description
技术领域
本申请涉及医学检测领域,尤其涉及一种基于多模型融合的肺结节检测方法及系统。
背景技术
国家癌症中心发布的“2018年全国最新肺癌报告”显示,肺癌是世界上最常见的恶性肿瘤,也是排名第一位的肿瘤死因,我国肺癌的新发病例和死亡病例数远超其他国家,肺癌的疾病负担一直以来都十分为沉重。我国肺癌患者的5年相对生存率仅为16.1%,肺癌总体5年生存率不尽人意,其主要原因之一是发现太晚。而早期诊断和早期治疗是提高肺癌总体治疗效果的唯一途径。美国预防服务工作组肺癌筛查指南推荐、唯一可以使用的早期肺癌筛查手段是低剂量CT(low dose CT,LDCT),利用LDCT健康筛查,可以发现早期肺癌微小病灶,是目前最为敏感的影像学检查方法。
早期肺癌常表现为无症状的肺结节,由于肺结节具有形态复杂,且易与肺内其他组织粘连等特点,即使是经验丰富的医生也难以做出准确判断,而且肺部CT影像数据呈现爆炸式增长,极大增加了放射科医师的工作量,在疾病检测过程中容易造成误诊和漏诊。随着计算机视觉的发展,计算机辅助检测技术能够有效减轻医师的工作负担,辅助他们完成基于医学影像的疾病判断,同时也提高了疾病判断的稳定性和效率。针对肺部结节医学征象种类繁多,表现复杂多样,医师在筛查大量医学影像时难以精确和稳定地判断。
因此,目前亟需一种肺结节检测的方法和\或系统,以提高肺结节检测的精确度和效率。
发明内容
有鉴于此,本发明的主要目的在于提供一种肺结节检测的方法及系统,以提高肺结节检测的精确度和效率。
本申请提供一种肺结节检测方法,其特征在于,包括:
A、获取待检测的3D肺部CT序列;
B、将所述待检测的3D肺部CT序列进行预处理;
C、将预处理之后的3D肺部CT序列输入至不同的肺结节检测网络模型中,以分别获取各个模型的初次的肺结节检测结果;
D、将所述各个模型的初次的肺结节检测结果进行加权融合处理,以获取融合处理之后的最终肺结节检测结果。
由上,本申请的肺结节检测方法,首先通过不同的肺结节检测网络模型分别获取各个模型的初次的肺结节检测结果,之后将各个模型的初次的肺结节检测结果进行加权融合处理,以获取融合处理之后的最终肺结节检测结果,从而有利于提高真阳性预测结果的预测置信度,降低假阳性预测结果的预测置信度。从而提高肺结节检测的精确度和效率。
优选地,所述不同的肺结节检测网络模型的获取方法为:
N1、获取指定数量的3D肺部CT序列;
N2、将所述指定数量的3D肺部CT序列进行预处理;
N3、将预处理之后的3D肺部CT序列中的指定数量的数据作为训练集,将所述训练集输入至不同的肺结节检测器中进行训练,以获取训练完成的不同的肺结节检测网络模型。
由上,有利于获取不同的肺结节检测网络模型,以用于进行肺结节的初步检测。其中,所述肺结节检测器,可以是以下检测器的任意组合:Retina Net目标检测器、FasterRCNN目标检测器、Mask RCNN目标检测器、Retina Unet目标检测器。其他能够具有肺结节检测效果的检测器也在本申请的保护范围。
优选地,所述N3之后还包括:
N4、将预处理之后的3D肺部CT序列中的指定数量的数据作为测试集,将所述测试集输入至所述训练完成的不同的肺结节检测网络模型测试,并保留测试结果中符合指定标准的肺结节检测网络模型。
由上,有利于获取符合指定标准的肺结节检测网络模型。
优选地,步骤D所述加权融合处理的步骤,包括:
将所述各个第一次的肺结节检测结果分别计算重叠度IoU;并将重叠度IoU值大于指定阈值的肺结节检测结果的候选框的得分及坐标进行加权处理,以获取加权处理之后的加权平均得分和加权平均坐标,并将所述加权平均得分大于指定阈值的候选框的加权平均坐标作为肺结节检测结果的目标框。
由上,有利于更精确有效地获取肺结节检测结果,从而提高真阳性预测结果的预测置信度,降低假阳性预测结果的预测置信度。
优选地,获取所述加权平均得分的计算公式为:
Os=(∑SiWi)/((2n-m)×W′)
其中,Os表示加权平均得分;Si表示第i个模型预测的候选框的得分;Wi表示第i个模型的权重;n表示模型的总个数;m表示n个模型在该位置上检测出的框并且该框符合IoU大于设定阈值的数量;W’表示所有Wi的均值。
由上,有利于更加精确的获取候选框的得分。
优选地,获取所述加权平均坐标的计算公式为:
Oc=∑CiSiWi/∑SiWi
其中,Oc表示加权平均坐标;Ci表示第i个模型预测的候选框的坐标;Si表示第i个模型预测的候选框的得分;Wi表示第i个模型的权重。
由上,有利于更加精确的获取候选框的坐标位置。
优选地,模型的权重W的计算公式为:
W=IoU*a*p
其中,IoU表示重叠度;a表示模型预测出的候选框的面积,p表示以模型预测的框为中心的正态分布的密度系数。
本申请还提供一种肺结节检测系统,包括:
获取模块,用于获取待检测的3D肺部CT序列;
预处理模块,用于将所述待检测的3D肺部CT序列进行预处理;
第一检测模块,用于将预处理之后的3D肺部CT序列输入至不同的肺结节检测网络模型中,以分别获取各个模型的初次的肺结节检测结果;
融合处理模块,用于将所述各个模型的初次的肺结节检测结果进行加权融合处理,以获取融合处理之后的最终肺结节检测结果。
由上,本申请的肺结节检测系统,将各个模型的初次的肺结节检测结果进行加权融合处理,以获取融合处理之后的最终肺结节检测结果,有利于提高真阳性预测结果的预测置信度,降低假阳性预测结果的预测置信度。从而提高肺结节检测的精确度和效率。
优选地,所述融合处理模块,具体用于:
将各个所述初次的肺结节检测结果分别计算重叠度IoU;并将IoU大于指定阈值的肺结节检测结果的候选框的得分及坐标进行加权处理,以获取加权处理之后的加权平均得分和加权平均坐标,并将所述加权平均得分大于指定阈值的候选框的加权平均坐标作为肺结节检测结果的目标框。
由上,有利于更精确有效地获取肺结节检测结果,从而提高真阳性预测结果的预测置信度,降低假阳性预测结果的预测置信度。
优选地,所述加权平均得分的计算公式为:
Os=(∑SiWi)/((2n-m)×W′)
其中,Os表示加权平均得分;Si表示第i个模型预测的候选框的得分;Wi表示第i个模型的权重;n表示模型的总个数;m表示n个模型在该位置上检测出的框并且该框符合IoU大于设定阈值的数量;W’表示所有Wi的均值;
其中,所述加权平均坐标的计算公式为:
Oc=∑CiSiWi/∑SiWi
其中,Oc表示加权平均坐标;Ci表示第i个模型预测的候选框的坐标;Si表示第i个模型预测的候选框的得分;Wi表示第i个模型的权重。
由上,有利于更加精确的获取候选框的得分。以及有利于更加精确的获取候选框的坐标位置。
综上所述,本申请提供的肺结节检测方法及系统,有利于提高肺结节检测的精确度和效率。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例提供的一种肺结节检测方法的流程示意图;
图2为本发明实施例提供的3D肺部CT序列预处理的示意图;
图3为本发明实施例提供的一种肺结节检测中的融合处理的流程示意图;
图4为本发明实施例提供的一种肺结节检测系统的结构示意图中的融合处理的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,本申请提供一种肺结节检测方法,包括:
S101,获取待检测的3D肺部CT序列。
S102,将所述待检测的3D肺部CT序列进行预处理。包括:提取肺部区域,运用阈值分割、凸包络、膨胀和剪裁等方法对3D肺部CT序列进行预处理,以获取预处理之后的3D肺部CT序列。
S103,将预处理之后的3D肺部CT序列输入至不同的肺结节检测网络模型中,以分别获取各个模型的初次的肺结节检测结果。
其中,所述不同的肺结节检测网络模型的获取方法为:
N1、获取指定数量的3D肺部CT序列;
N2、将所述指定数量的3D肺部CT序列进行预处理;
N3、将预处理之后的3D肺部CT序列中的指定数量的数据作为训练集,将所述训练集输入至不同的肺结节检测器中进行训练,以获取训练完成的不同的肺结节检测网络模型。其中,所述肺结节检测器,至少包括以下其二:Retina Net目标检测器、Faster RCNN目标检测器、Mask RCNN目标检测器、Retina Unet目标检测器。本申请的肺结节检测器可以是上述的目标检测器,但不限于上述的检测器,其他能够具有肺结节检测效果的检测器也在本申请的保护范围。
N4、将预处理之后的3D肺部CT序列中的指定数量的数据作为测试集,将所述测试集输入至所述训练完成的不同的肺结节检测网络模型测试,并保留测试结果中符合指定标准的肺结节检测网络模型。
S104,将所述各个模型的初次的肺结节检测结果进行加权融合处理,以获取融合处理之后的最终肺结节检测结果。
具体地,所述加权融合处理的步骤,包括:
将所述各个第一次的肺结节检测结果分别计算重叠度IoU;并将重叠度IoU大于指定阈值的肺结节检测结果的候选框的得分(其中,所述得分指的是肺结节检测网络模型输出该候选框位置是否是结节的概率值)及坐标进行加权处理,以获取加权处理之后的加权平均得分和加权平均坐标,并据此获取加权融合处理之后的肺结节检测结果,例如将加权平均得分大于指定阈值的候选框的加权平均坐标作为肺结节检测结果的目标框。其中,IoU表示重叠度,是产生的候选框与原标记框的交叠率,即它们的交集与并集的比值。最理想情况是完全重叠,即比值为1。
具体地,获取所述加权平均得分的计算公式为:
Os=(∑SiWi)/((2n-m)×W′)
其中,Os表示加权平均得分;Si表示第i个模型预测的候选框的得分;Wi表示第i个模型的权重;n表示模型的总个数;m表示n个模型在该位置上检测出的框并且该框符合IoU大于设定阈值的数量;W’表示所有Wi的均值。
具体地,获取所述加权平均坐标的计算公式为:
Oc=∑CiSiWi/∑SiWi
其中,Oc表示加权平均坐标;Ci表示第i个模型预测的候选框的坐标;Si表示第i个模型预测的候选框的得分(其中,所述得分指的是肺结节检测网络模型输出该候选框位置是否是结节的概率值);Wi表示第i个模型的权重。
其中,模型权重W的计算公式为:
W=IoU*a*p
其中,IoU表示重叠度;a表示模型预测出的框的面积,p表示以模型预测的框为中心的正态分布的密度系数。
实施例二
基于上述实施例一中的肺结节检测方法,如图4所示,本申请还提供一种肺结节检测系统,包括:
获取模块401,用于获取待检测的3D肺部CT序列;
预处理模块402,用于将所述待检测的3D肺部CT序列进行预处理;
第一检测模块403,用于将预处理之后的3D肺部CT序列输入至不同的肺结节检测网络模型中,以分别获取各个模型的初次的肺结节检测结果;
融合处理模块404,用于将所述各个模型的初次的肺结节检测结果进行加权融合处理,以获取融合处理之后的最终肺结节检测结果。
其中,所述融合处理模块404,具体用于:
将各个所述初次的肺结节检测结果分别计算重叠度IoU;并将IoU大于指定阈值的肺结节检测结果的候选框的得分(其中,所述得分指的是肺结节检测网络模型输出该候选框位置是否是结节的概率值);及坐标进行加权处理,以获取加权处理之后的加权平均得分和加权平均坐标,并将所述加权平均得分大于指定阈值的候选框的加权平均坐标作为肺结节检测结果的目标框。
其中,所述加权平均得分的计算公式为:
Os=(∑SiWi)/((2n-m)×W′)
其中,Os表示加权平均得分;Si表示第i个模型预测的候选框的得分(其中,所述得分指的是肺结节检测网络模型输出该候选框位置是否是结节的概率值);Wi表示第i个模型的权重;n表示模型的总个数;m表示n个模型在该位置上检测出的框并且该框符合IoU大于设定阈值的数量;W’表示所有Wi的均值;
其中,所述加权平均坐标的计算公式为:
Oc=∑CiSiWi/∑SiWi
其中,Oc表示加权平均坐标;Ci表示第i个模型预测的候选框的坐标;Si表示第i个模型预测的候选框的得分;Wi表示第i个模型的权重。
其中,模型权重W的计算公式为:
W=IoU*a*p
其中,IoU表示重叠度,是产生的候选框与原标记框的交叠率,即它们的交集与并集的比值。最理想情况是完全重叠,即比值为1。a表示模型预测出的框的面积,p表示以模型预测的框为中心的正态分布的密度系数。
综上所述,本申请提供的基于多模型融合的肺结节检测方法及系统。有利于提高肺结节检测的精确度和效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种肺结节检测方法,其特征在于,包括:
A、获取待检测的3D肺部CT序列;
B、将所述待检测的3D肺部CT序列进行预处理;
C、将预处理之后的3D肺部CT序列输入至不同的肺结节检测网络模型中,以分别获取各个模型的初次的肺结节检测结果;
D、将所述各个模型的初次的肺结节检测结果进行加权融合处理,以获取融合处理之后的最终肺结节检测结果。
2.根据权利要求1所述的方法,其特征在于,所述不同的肺结节检测网络模型的获取方法为:
N1、获取指定数量的3D肺部CT序列;
N2、将所述指定数量的3D肺部CT序列进行预处理;
N3、将预处理之后的3D肺部CT序列中的指定数量的数据作为训练集,将所述训练集输入至不同的肺结节检测器中进行训练,以获取训练完成的不同的肺结节检测网络模型。
3.根据权利要求2所述的方法,其特征在于,所述N3之后还包括:
N4、将预处理之后的3D肺部CT序列中的指定数量的数据作为测试集,将所述测试集输入至所述训练完成的不同的肺结节检测网络模型测试,并保留测试结果中符合指定标准的肺结节检测网络模型。
4.根据权利要求1所述的方法,其特征在于,步骤D所述加权融合处理的步骤,包括:
将所述各个第一次的肺结节检测结果分别计算重叠度IoU值;并将IoU值大于指定阈值的肺结节检测结果的候选框的得分及坐标进行加权处理,以获取加权处理之后的加权平均得分和加权平均坐标,并将加权平均得分大于指定阈值的候选框的加权平均坐标作为肺结节检测结果的目标框。
5.根据权利要求4所述的方法,其特征在于,获取所述加权平均得分的计算公式为:
Os=(∑SiWi)/((2n-m)×W′)
其中,Os表示加权平均得分;Si表示第i个模型预测的候选框的得分;Wi表示第i个模型的权重;n表示模型的总个数;m表示n个模型在该位置上检测出的框并且该框符合IoU大于设定阈值的数量;W’表示所有Wi的均值。
6.根据权利要求4所述的方法,其特征在于,获取所述加权平均坐标的计算公式为:
Oc=∑CiSiWi/∑SiWi
其中,Oc表示加权平均坐标;Ci表示第i个模型预测的候选框的坐标;Si表示第i个模型预测的候选框的得分;Wi表示第i个模型的权重。
7.根据权利要求5或6所述的方法,其特征在于,模型的权重W的计算公式为:
W=IoU*a*p
其中,IoU表示重叠度;a表示模型预测出的框的面积,p表示以模型预测的框为中心的正态分布的密度系数。
8.一种肺结节检测系统,其特征在于,包括:
获取模块,用于获取待检测的3D肺部CT序列;
预处理模块,用于将所述待检测的3D肺部CT序列进行预处理;
第一检测模块,用于将预处理之后的3D肺部CT序列输入至不同的肺结节检测网络模型中,以分别获取各个模型的初次的肺结节检测结果;
融合处理模块,用于将所述各个模型的初次的肺结节检测结果进行加权融合处理,以获取融合处理之后的最终肺结节检测结果。
9.根据权利要求8所述的系统,其特征在于,所述融合处理模块,具体用于:
将各个所述初次的肺结节检测结果分别计算重叠度IoU值;并将IoU值大于指定阈值的肺结节检测结果的候选框的得分及坐标进行加权处理,以获取加权处理之后的加权平均得分和加权平均坐标,并将所述加权平均得分大于指定阈值的候选框的加权平均坐标作为肺结节检测结果的目标框。
10.根据权利要求9所述的系统,其特征在于,所述加权平均得分的计算公式为:
Os=(∑SiWi)/((2n-m)×W′)
其中,Os表示加权平均得分;Si表示第i个模型预测的候选框的得分;Wi表示第i个模型的权重;n表示模型的总个数;m表示n个模型在该位置上检测出的框并且该框符合IoU大于设定阈值的数量;W’表示所有Wi的均值;
其中,所述加权平均坐标的计算公式为:
Oc=∑CiSiWi/∑SiWi
其中,Oc表示加权平均坐标;Ci表示第i个模型预测的候选框的坐标;Si表示第i个模型预测的候选框的得分;Wi表示第i个模型的权重;
其中,模型的权重W的计算公式为:
W=IoU*a*p
其中,IoU表示重叠度;a表示模型预测出的框的面积,p表示以模型预测的框为中心的正态分布的密度系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910399988.6A CN110189307B (zh) | 2019-05-14 | 2019-05-14 | 一种基于多模型融合的肺结节检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910399988.6A CN110189307B (zh) | 2019-05-14 | 2019-05-14 | 一种基于多模型融合的肺结节检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110189307A true CN110189307A (zh) | 2019-08-30 |
CN110189307B CN110189307B (zh) | 2021-11-23 |
Family
ID=67716215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910399988.6A Active CN110189307B (zh) | 2019-05-14 | 2019-05-14 | 一种基于多模型融合的肺结节检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189307B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969619A (zh) * | 2019-12-19 | 2020-04-07 | 广州柏视医疗科技有限公司 | 一种自动识别鼻咽癌原发肿瘤的方法及装置 |
CN110992312A (zh) * | 2019-11-15 | 2020-04-10 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN111260618A (zh) * | 2020-01-13 | 2020-06-09 | 北京妙医佳健康科技集团有限公司 | 病灶检测系统构建的方法、装置及电子设备 |
CN111401189A (zh) * | 2020-03-10 | 2020-07-10 | 苏州紫光人工智能技术研发有限公司 | 基于闭合主曲线和掩码区域卷积神经网络的肢体识别算法 |
CN113688957A (zh) * | 2021-10-26 | 2021-11-23 | 苏州浪潮智能科技有限公司 | 一种基于多模型融合的目标检测方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
CN108133476A (zh) * | 2017-12-26 | 2018-06-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
CN108460403A (zh) * | 2018-01-23 | 2018-08-28 | 上海交通大学 | 一种图像中多尺度特征融合的目标检测方法与系统 |
CN108520219A (zh) * | 2018-03-30 | 2018-09-11 | 台州智必安科技有限责任公司 | 一种卷积神经网络特征融合的多尺度快速人脸检测方法 |
CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
CN109685768A (zh) * | 2018-11-28 | 2019-04-26 | 心医国际数字医疗系统(大连)有限公司 | 基于肺部ct序列的肺结节自动检测方法及系统 |
-
2019
- 2019-05-14 CN CN201910399988.6A patent/CN110189307B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
CN108133476A (zh) * | 2017-12-26 | 2018-06-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
CN108460403A (zh) * | 2018-01-23 | 2018-08-28 | 上海交通大学 | 一种图像中多尺度特征融合的目标检测方法与系统 |
CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
CN108520219A (zh) * | 2018-03-30 | 2018-09-11 | 台州智必安科技有限责任公司 | 一种卷积神经网络特征融合的多尺度快速人脸检测方法 |
CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
CN109685768A (zh) * | 2018-11-28 | 2019-04-26 | 心医国际数字医疗系统(大连)有限公司 | 基于肺部ct序列的肺结节自动检测方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992312A (zh) * | 2019-11-15 | 2020-04-10 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN110992312B (zh) * | 2019-11-15 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN110969619A (zh) * | 2019-12-19 | 2020-04-07 | 广州柏视医疗科技有限公司 | 一种自动识别鼻咽癌原发肿瘤的方法及装置 |
CN111260618A (zh) * | 2020-01-13 | 2020-06-09 | 北京妙医佳健康科技集团有限公司 | 病灶检测系统构建的方法、装置及电子设备 |
CN111260618B (zh) * | 2020-01-13 | 2023-08-25 | 北京妙医佳健康科技集团有限公司 | 病灶检测系统构建的方法、装置及电子设备 |
CN111401189A (zh) * | 2020-03-10 | 2020-07-10 | 苏州紫光人工智能技术研发有限公司 | 基于闭合主曲线和掩码区域卷积神经网络的肢体识别算法 |
CN113688957A (zh) * | 2021-10-26 | 2021-11-23 | 苏州浪潮智能科技有限公司 | 一种基于多模型融合的目标检测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110189307B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189307A (zh) | 一种基于多模型融合的肺结节检测方法及系统 | |
US10255679B2 (en) | Visualization and quantification of lung disease utilizing image registration | |
US10165964B2 (en) | Systems and methods for quantifying regional fissure features | |
ES2914387T3 (es) | Estudio inmediato | |
CN107247887A (zh) | 基于人工智能帮助肺癌筛查的方法及系统 | |
CN110010219A (zh) | 光学相干层析图像视网膜病变智能检测系统及检测方法 | |
CN105051784A (zh) | 对模拟准确度和性能的图像质量评估 | |
JP2007305107A (ja) | レポート作成支援装置、レポート作成支援方法およびそのプログラム | |
Zhou et al. | Transfer learning of the ResNet-18 and DenseNet-121 model used to diagnose intracranial hemorrhage in CT scanning | |
Garcia et al. | Diagnostic performance of an artificial intelligence-driven cardiac-structured reporting system for myocardial perfusion SPECT imaging | |
CN110021022A (zh) | 一种基于深度学习的甲状腺核医学图像诊断方法 | |
De Silva et al. | Deep learning-based automatic detection of ellipsoid zone loss in spectral-domain OCT for hydroxychloroquine retinal toxicity screening | |
Gao et al. | CCE-Net: a rib fracture diagnosis network based on contralateral, contextual, and edge enhanced modules | |
Chhatlani et al. | DermaGenics-Early Detection of Melanoma using YOLOv5 Deep Convolutional Neural Networks | |
CN111402231A (zh) | 一种用于肺部ct影像质量的自动评估系统及方法 | |
Zhou et al. | Computer aided diagnosis for diabetic retinopathy based on fundus image | |
US11734915B2 (en) | Automated and assisted identification of stroke using feature-based brain imaging | |
Chen et al. | Automatic and visualized grading of dental caries using deep learning on panoramic radiographs | |
Huang et al. | LRFNet: A deep learning model for the assessment of liver reserve function based on Child‐Pugh score and CT image | |
Vorberg et al. | Detection of Pulmonary Embolisms in NCCT Data Using nnDetection | |
EP2720192B1 (en) | Method, system and computer readable medium for liver diagnosis | |
CN115861600B (zh) | 一种spect图像的roi区域识别方法及系统 | |
Berkaya et al. | Segmentation of 2D myocardial perfusion SPECT images | |
US20230377319A1 (en) | Automated and assisted identification of stroke using feature-based brain imaging | |
Huang et al. | A Dual-Functional System for the Classification and Diameter Measurement of Aortic Dissections Using CTA Volumes via Deep Learning |
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 | ||
CP03 | Change of name, title or address |
Address after: 100000 Zhongguancun Dongsheng Science Park, 66 xixiaokou Road, Haidian District, Beijing A206, 2f, building B-2, Northern Territory Patentee after: Huiying medical technology (Beijing) Co.,Ltd. Address before: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing Patentee before: HUIYING MEDICAL TECHNOLOGY (BEIJING) Co.,Ltd. |
|
CP03 | Change of name, title or address |