CN110288574A - 一种超声辅助诊断肝肿块系统及方法 - Google Patents
一种超声辅助诊断肝肿块系统及方法 Download PDFInfo
- Publication number
- CN110288574A CN110288574A CN201910513318.2A CN201910513318A CN110288574A CN 110288574 A CN110288574 A CN 110288574A CN 201910513318 A CN201910513318 A CN 201910513318A CN 110288574 A CN110288574 A CN 110288574A
- Authority
- CN
- China
- Prior art keywords
- subgraph
- channel
- image
- neural network
- hepatoncus
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 239000002671 adjuvant Substances 0.000 title claims abstract description 20
- 238000000926 separation method Methods 0.000 claims abstract description 14
- 238000002604 ultrasonography Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 57
- 239000013598 vector Substances 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 10
- 239000011248 coating agent Substances 0.000 claims description 6
- 238000000576 coating method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 210000004185 liver Anatomy 0.000 abstract description 10
- 230000004913 activation Effects 0.000 abstract description 4
- 230000000505 pernicious effect Effects 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 8
- 208000014018 liver neoplasm Diseases 0.000 description 3
- 206010019646 Hepatic cyst Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 201000007270 liver cancer Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 235000003255 Carthamus tinctorius Nutrition 0.000 description 1
- 244000020518 Carthamus tinctorius Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种超声辅助诊断肝肿块系统及方法,包括以下模块:图像预处理模块、子图像分割模块、RGB通道分离模块与CNN网络模型构建模块。本发明采用了一种集成了基于patch的CNN、类激活映射和更快速的R‑CNN技术的医疗图像异常检测方法,首先对原始图像预处理,去除不相关;再将原始图像分割成多张子图像,为每张子图像构建一个多层CNN网络模型,输入子图像进行识别;然后将子图像的网络进行连接,作为最终的模型识别结果,相较于现有技术中人工扫查判断所带来主观判断不准确且效率低下的问题,本发明能够自动识别超声图像中的肝异常肿块图像,并能够自动标识出肿块给出良恶性分析,更加准确且高效。
Description
技术领域
本发明涉及医疗诊断技术领域,具体为一种超声辅助诊断肝肿块系统及方法。
背景技术
现有技术中暂无超声辅助诊断肝肿块系统,均为人工扫查判断,由于主观判断及技术差距,较易造成漏诊误诊发生。
鉴于此,本发明提供一种集成了基于patch的CNN(卷积神经网络)、类激活映射和更快速的R-CNN技术的医疗图像异常检测方法,采用深度迁移学习的方法进行有效的特征学习而不需要过度拟合。这种集成是对以前基于滑动窗口的效率方法的改进。首先对原始图像预处理,去除不相关;再将原始图像分割成多张子图像,为每张子图像构建一个多层CNN网络模型,输入子图像进行识别;然后将子图像的网络进行连接,作为最终的模型识别结果。
发明内容
本发明的目的在于提供一种超声辅助诊断肝肿块系统及方法,具备效率高、检查准确的优点,解决了现有技术中人工扫查判断,由于主观判断及技术差距,较易造成漏诊误诊发生的问题。
为实现上述目的,本发明提供如下技术方案:一种超声辅助诊断肝肿块
系统,包括以下模块:
图像预处理模块:用于识别出原始超声图像中目标区域,并将目标区域以外的部分用背景色代替;
子图像分割模块:用于将预处理后图像分割成若干227X227像素子图像;
RGB通道分离模块:用于对每个子图像进行RGB通道分离,分别得到三个通道图像;
CNN网络模型构建模块:用于为每个通道图像构建一个CNN网络模型,称为通道神经网络,将通道图像分别输入对应的通道神经网络进行识别;
子图像网络结果融合模块:用于针对每张子图像,通过将不同通道神经网络的权值向量进行融合而将三个通道神经网络相互连接,形成一个子图像神经网络,一张子图像得到一个子图像神经网络,将每个子图像神经网络进行连接,连接的方法是将每个子图像神经网络的识别结果加权相加,作为最终的模型识别结果。
一种超声辅助诊断肝肿块方法,包括以下步骤:
步骤S1:超声图像具有特定的形状,并且边缘清晰,可直接使用边缘检测方法识别得出目标区域,然后将目标区域以外的部分用背景色代替;
步骤S2:将预处理后图像分割成若干227X227像素子图像;
步骤S3:对每个子图像进行RGB通道分离,分别得到三个通道图像;
步骤S4:为每个通道图像构建一个CNN网络模型,称为通道神经网络,将通道图像分别输入对应的通道神经网络进行识别;
步骤S5:针对每张子图像,通过将不同通道神经网络的权值向量进行融合而将三个通道神经网络相互连接,形成一个子图像神经网络,一张子图像得到一个子图像神经网络,将每个子图像神经网络进行连接,连接的方法是将每个子图像神经网络的识别结果加权相加,作为最终的模型识别结果。
优选的,所述步骤S2中超声图像分割的算法为:Meanshift算法。
优选的,所述步骤S3中RGB通道分离的方法为:读取RGB图像的图像信息并保存成矩阵形式,该矩阵有三行,即三个向量,分别对应R通道图像、G 通道图像、B通道图像的图像信息,再将这三个向量分别保存成三张图像,便分离出了三通道图像。
优选的,所述步骤S4中通道神经网络中每个通道包括三段依次连接的卷积层、归一化层、卷积层、激活层、池化层与全连接层。
优选的,所述步骤S5中将不同通道神经网络的权值向量进行融合采用组稀流算法。
与现有技术相比,本发明的有益效果如下:与人工扫查诊断相比,本发明创造具有以下优点:
1、自动识别肝脏超声图像中的肿块,避免漏诊;
2、自动判断肿块良恶性倾向,避免误诊;
3、24工作无疲劳;
4、系统自动升级,应用越多越智能;
5、应用场景广泛,可用于大规模体检、肿瘤鉴别,可用于大型医疗机构、社区医院。
附图说明
图1为本发明流程图;
图2为本发明RGB通道分离的示意图;
图3为本发明通道神经网络的示意图。
具体实施方式
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,所描述的实施例仅仅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做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。
请参阅图1至图3,本发明提供一种技术方案:一种超声辅助诊断肝肿块
系统,包括以下模块:
图像预处理模块:用于识别出原始超声图像中目标区域,并将目标区域以外的部分用背景色代替;
子图像分割模块:用于将预处理后图像分割成若干227X227像素子图像;
RGB通道分离模块:用于对每个子图像进行RGB通道分离,分别得到三个通道图像;
CNN网络模型构建模块:用于为每个通道图像构建一个CNN网络模型,称为通道神经网络,将通道图像分别输入对应的通道神经网络进行识别;
子图像网络结果融合模块:用于针对每张子图像,通过将不同通道神经网络的权值向量进行融合而将三个通道神经网络相互连接,形成一个子图像神经网络,一张子图像得到一个子图像神经网络,将每个子图像神经网络进行连接,连接的方法是将每个子图像神经网络的识别结果加权相加,作为最终的模型识别结果。
一种超声辅助诊断肝肿块方法,包括以下步骤:
步骤S1:超声图像具有特定的形状,并且边缘清晰,可直接使用边缘检测方法识别得出目标区域,然后将目标区域以外的部分用背景色代替,去除不相关,背景色通常为黑色;
步骤S2:将预处理后图像分割成若干227X227像素子图像,超声图像分割的算法为:Meanshift算法,从学术角度讲图像分割算法主要分成3大类,一是基于边缘的,二是基于区域的,三是基于纹理的。由于基于纹理的也可以看成是基于区域的,所以有些专家也把分割方法分成基于边缘和基于区域两大类,选择算法的时候主要参考你要分割的图像样本的特点,如果图像的边界特别分明,比如绿叶和红花,在边界处红绿明显不同,可以精确提取到边界,这时候用基于边缘的方法就可行。但如果是像医学图像一样,轮廓不是特别明显,比如心脏图像,左心房和左心室颜色比较接近,它们之间的隔膜仅仅是颜色比它们深一些,但是色彩上来说很接近,这时候用基于边缘的方法就不合适了,用基于区域的方法更好。再比如带纹理的图像,例如条纹衫,如果用基于边缘的方法很可能就把每一条纹都分割成一个物体,但实际上衣服是一个整体,这时候用基于纹理的方法就能把纹理相同或相似的区域分成一个整体,不过总体来说,对于肝脏图像,基于区域的方法更加成熟一些,即采用Meanshift分割算法;
步骤S3:对每个子图像进行RGB通道分离,分别得到三个通道图像,RGB 色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB即是代表红、绿、蓝三个通道的颜色。在步骤S1中,对原始超声图像进行了分割,得到了多个子图像,此时对任意一个子图像,可以根据它的三通道获得三张基于子图像产生的图像。例如从R通道可以获取根据red颜色分量构成的通道图像,从G通道可以获取根据green颜色分量构成的通道图像,具体地,读取RGB图像的图像信息并保存成矩阵形式,该矩阵有三行,即三个向量,分别对应R通道图像、G通道图像、B通道图像的图像信息,再将这三个向量分别保存成三张图像,便分离出了三通道图像。在进行了三通道分离之后,该三张图像能够保持其原先的光影即肝部特征信息,同时利用通道分离实际上增加了图像的色彩信息,理论上在获得更多的图像信息的条件下,神经网络能够获得更好的训练效果,同时识别率也会进一步上升;
步骤S4:为每个通道图像构建一个CNN网络模型,称为通道神经网络,将通道图像分别输入对应的通道神经网络进行识别。再所述步骤S3中通道神经网络中每个通道包括三段依次连接的归一化层、卷积层、激活层、池化层与全连接层:
①归一化层:
接受数据输入,把数据经过处理后使之限定在一定的范围内。使用最大- 最小标准化方法,对原始数据进行线性变换,设minA和maxA分别是属性A 的最小值和最大值,将A的一个原始值x通过最大-最小标准化映射到区间 [0,1],公式如下:
②卷积层:
卷积层用来做特征提取,filter大小为5X5X1。
激活层:
激活层的作用是使归一化后的数据发生非线性变化,使用ReLU激活函数:
Relu(z)=max(0,z)
③池化层:
池化层将激活层输出实现特征降维,压缩数据和参数的数量,减小过拟合,同时提高模型的容错性。从上层输入中依次取4X4区域中的最大值生成 2X2的特征。
卷积、激活、池化层经过若干次迭代,最终输出到全连接层。
④全连接层:
全连接层是神经网络的输出层,连接最终池化层的所有特征,并利用 softmax分类器将最终结果分为正常、异常两类输出。
全连接层将权重矩阵与输入向量相乘再加上偏置,将n个(-∞,+∞)的实数映射为K个(-∞,+∞)的实数(分数);Softmax将K个(-∞,+∞)的实数映射为K个(0,1)的实数(概率),同时保证它们之和为1。具体如下:
y^=softmax(z)=softmax(WTx+b)
其中,x为全连接层的输入,W为权重,b为偏置项,y^为Softmax输出的概率,Softmax的计算方式如下:
步骤S5:针对每个子图像,在传统神经网络训练权值向量的基础上,根据组稀流(GroupLasso)算法对权值向量进行优化,同时将不同通道的神经网络的权值向量融合,从而将三个通道神经网络相互连接,得到子图像神经网络,一张子图像得到一个子图像神经网络,将每个子图像神经网络进行连接,连接的方法是将每个子图像神经网络的识别结果加权相加,作为最终的模型识别结。在基于McCulloch-Pitts神经元模型的传统卷积神经网络中,各个神经元之间依靠权值向量进行信息传递,训练神经网络的实质即是在训练神经网络层的权值向量。传统CNN权值训练主要采用后向传播算法。在CNN的输入端输入训练集图像之后,后向传播算法通过调节各个神经网络层的权值向量,使得神经网络对于训练集的肝肿块识别的正确率最高。在调节结束之后,即达到了训练神经网络的目的,此时的权值向量即不再改变。基于组稀流的联合特征选择算法应用于神经网络训练权值向量的过程中,能够提高神经网络的特征选择能力以及识别准确率。本发明采用基于GroupLasso的联合特征选择能够提高神经网络的特征选择能力以及识别准确率,GroupLasso算法的约束方程如下所示:
其中y表示样品的真实标签,θ表示投影向量,z表示样品矩阵,λ表示正则化参数,人为设定。
工作原理:该超声辅助诊断肝肿块系统使用时,超声辅助诊断肝肿块系统启动后,能够自动识别扫查中的肝脏超声图像,自动标记出肿块性异常图像区域,判断其良恶性。前期数据库主要采集阳性病例为肝囊性肿块、血管瘤、肝癌、肝内钙化灶等,在利用学习迁移技术及深度神经网络技术学习大量正常肝脏超声切面图像后,输入标记好的阳性肝脏肿块性超声图像学习,形成超声辅助诊断肝肿块系统。其中经测试肝囊肿及肝癌自动识别率均达到 96%以上,但存在一定的假阳性及假阴性率,工作人员在后台从系统中剔除假阳性及假阴性标记图像,超声辅助诊断肝肿块系统智能升级。工作流程:工作人员采集输入肝脏超声图像,系统自动识别肝脏肿块,并标识显示在任务栏中,报告栏中提示肿块良恶性诊断,选择任务栏目中标识条目人工再次判断,后台剔除假阳及假阴性图像优化系统,根据系统提示修正报告,譬如肝囊性肿块修正为肝囊肿。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种超声辅助诊断肝肿块系统,其特征在于:包括以下模块:
图像预处理模块:用于识别出原始超声图像中目标区域,并将目标区域以外的部分用背景色代替;
子图像分割模块:用于将预处理后图像分割成若干227X227像素子图像;
RGB通道分离模块:用于对每个子图像进行RGB通道分离,分别得到三个通道图像;
CNN网络模型构建模块:用于为每个通道图像构建一个CNN网络模型,称为通道神经网络,将通道图像分别输入对应的通道神经网络进行识别;
子图像网络结果融合模块:用于针对每张子图像,通过将不同通道神经网络的权值向量进行融合而将三个通道神经网络相互连接,形成一个子图像神经网络,一张子图像得到一个子图像神经网络,将每个子图像神经网络进行连接,连接的方法是将每个子图像神经网络的识别结果加权相加,作为最终的模型识别结果。
2.一种超声辅助诊断肝肿块方法,其特征在于:包括以下步骤:
步骤S1:超声图像具有特定的形状,并且边缘清晰,可直接使用边缘检测方法识别得出目标区域,然后将目标区域以外的部分用背景色代替;
步骤S2:将预处理后图像分割成若干227X227像素子图像;
步骤S3:对每个子图像进行RGB通道分离,分别得到三个通道图像;
步骤S4:为每个通道图像构建一个CNN网络模型,称为通道神经网络,将通道图像分别输入对应的通道神经网络进行识别;
步骤S5:针对每张子图像,通过将不同通道神经网络的权值向量进行融合而将三个通道神经网络相互连接,形成一个子图像神经网络,一张子图像得到一个子图像神经网络,将每个子图像神经网络进行连接,连接的方法是将每个子图像神经网络的识别结果加权相加,作为最终的模型识别结果。
3.根据权利要求1所述的一种超声辅助诊断肝肿块方法,其特征在于:所述步骤S2中超声图像分割的算法为:Meanshift算法。
4.根据权利要求1所述的一种超声辅助诊断肝肿块方法,其特征在于:所述步骤S3中RGB通道分离的方法为:读取RGB图像的图像信息并保存成矩阵形式,该矩阵有三行,即三个向量,分别对应R通道图像、G通道图像、B通道图像的图像信息,再将这三个向量分别保存成三张图像,便分离出了三通道图像。
5.根据权利要求1所述的一种超声辅助诊断肝肿块方法,其特征在于:所述步骤S4中通道神经网络中每个通道包括三段依次连接的卷积层、归一化层、卷积层、激活层、池化层与全连接层。
6.根据权利要求1所述的一种超声辅助诊断肝肿块方法,其特征在于:所述步骤S5中将不同通道神经网络的权值向量进行融合采用组稀流算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910513318.2A CN110288574A (zh) | 2019-06-13 | 2019-06-13 | 一种超声辅助诊断肝肿块系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910513318.2A CN110288574A (zh) | 2019-06-13 | 2019-06-13 | 一种超声辅助诊断肝肿块系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110288574A true CN110288574A (zh) | 2019-09-27 |
Family
ID=68004623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910513318.2A Pending CN110288574A (zh) | 2019-06-13 | 2019-06-13 | 一种超声辅助诊断肝肿块系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288574A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929789A (zh) * | 2019-11-22 | 2020-03-27 | 北京理工大学 | 基于多期ct影像分析的肝肿瘤自动分类方法及装置 |
CN113257392A (zh) * | 2021-04-20 | 2021-08-13 | 哈尔滨晓芯科技有限公司 | 一种超声机普适外接数据自动预处理方法 |
WO2021254427A1 (zh) * | 2020-06-17 | 2021-12-23 | 谈斯聪 | 超声图像数据采集分析识别一体化机器人,平台 |
TWI810498B (zh) * | 2019-11-21 | 2023-08-01 | 國立臺灣大學醫學院附設醫院 | 肝腫瘤智慧分析裝置 |
Citations (4)
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 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN108509920A (zh) * | 2018-04-04 | 2018-09-07 | 南京信息工程大学 | 基于CNN的多patch多通道联合特征选择学习的人脸识别方法 |
CN109493333A (zh) * | 2018-11-08 | 2019-03-19 | 四川大学 | 基于卷积神经网络的超声甲状腺结节钙化点提取算法 |
-
2019
- 2019-06-13 CN CN201910513318.2A patent/CN110288574A/zh active Pending
Patent Citations (4)
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 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN108509920A (zh) * | 2018-04-04 | 2018-09-07 | 南京信息工程大学 | 基于CNN的多patch多通道联合特征选择学习的人脸识别方法 |
CN109493333A (zh) * | 2018-11-08 | 2019-03-19 | 四川大学 | 基于卷积神经网络的超声甲状腺结节钙化点提取算法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI810498B (zh) * | 2019-11-21 | 2023-08-01 | 國立臺灣大學醫學院附設醫院 | 肝腫瘤智慧分析裝置 |
CN110929789A (zh) * | 2019-11-22 | 2020-03-27 | 北京理工大学 | 基于多期ct影像分析的肝肿瘤自动分类方法及装置 |
WO2021254427A1 (zh) * | 2020-06-17 | 2021-12-23 | 谈斯聪 | 超声图像数据采集分析识别一体化机器人,平台 |
CN113257392A (zh) * | 2021-04-20 | 2021-08-13 | 哈尔滨晓芯科技有限公司 | 一种超声机普适外接数据自动预处理方法 |
CN113257392B (zh) * | 2021-04-20 | 2024-04-16 | 哈尔滨晓芯科技有限公司 | 一种超声机普适外接数据自动预处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584254B (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
CN110288574A (zh) | 一种超声辅助诊断肝肿块系统及方法 | |
CN104680524B (zh) | 一种叶类蔬菜病害诊断方法 | |
CN112102256B (zh) | 面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断系统 | |
CN108765408A (zh) | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 | |
CN110136103A (zh) | 医学影像解释方法、装置、计算机设备及存储介质 | |
CN109934154B (zh) | 一种遥感影像变化检测方法及检测装置 | |
CN106709511A (zh) | 基于深度学习的城市轨道交通全景监控视频故障检测方法 | |
CN110853009B (zh) | 基于机器学习的视网膜病理图像分析系统 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN106296699A (zh) | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 | |
CN112365464B (zh) | 一种基于gan的医学图像病变区域弱监督定位方法 | |
CN110555836A (zh) | 一种超声图像中胎儿标准切面的自动识别方法和系统 | |
CN110472667A (zh) | 基于反卷积神经网络的小目标分类方法 | |
CN109635846A (zh) | 一种多类医学图像判断方法和系统 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN110910377B (zh) | 一种基于神经网络的脑梗死mri图像识别方法 | |
CN110288597A (zh) | 基于注意力机制的无线胶囊内窥镜视频显著性检测方法 | |
CN109214298A (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
CN108629369A (zh) | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 | |
CN110472495B (zh) | 一种基于图形推理全局特征的深度学习人脸识别方法 | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
CN108629370A (zh) | 一种基于深度置信网络的分类识别算法及装置 | |
CN106446805B (zh) | 一种眼底照中视杯的分割方法及系统 | |
CN113052228A (zh) | 一种基于SE-Inception的肝癌病理切片分类方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190927 |