CN110379509A - 一种基于dssd的乳腺结节辅助诊断方法及系统 - Google Patents
一种基于dssd的乳腺结节辅助诊断方法及系统 Download PDFInfo
- Publication number
- CN110379509A CN110379509A CN201910666081.1A CN201910666081A CN110379509A CN 110379509 A CN110379509 A CN 110379509A CN 201910666081 A CN201910666081 A CN 201910666081A CN 110379509 A CN110379509 A CN 110379509A
- Authority
- CN
- China
- Prior art keywords
- dssd
- image
- breast
- diagnosis
- mammary gland
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 33
- 206010006272 Breast mass Diseases 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 23
- 210000000481 breast Anatomy 0.000 claims abstract description 13
- 208000030270 breast disease Diseases 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000003902 lesion Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000003475 lamination Methods 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 4
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000004195 computer-aided diagnosis Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000002059 diagnostic imaging Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 210000004907 gland Anatomy 0.000 abstract 2
- 206010006187 Breast cancer Diseases 0.000 description 6
- 208000026310 Breast neoplasm Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- ODOJGYBXTZYZCP-UHFFFAOYSA-N molybdenum palladium Chemical compound [Mo].[Pd].[Pd].[Pd] ODOJGYBXTZYZCP-UHFFFAOYSA-N 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003716 rejuvenation Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000005186 women's health Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
-
- 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
- G06T2207/30068—Mammography; Breast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医学影像技术领域，尤其为一种基于DSSD的乳腺结节辅助诊断方法及系统，系统包括乳腺影像工作站、乳腺云诊断系统、乳腺诊断移动终端，腺影像工作站负责采集乳腺图像，腺云诊断系统包括有训练集和测试集预处理、标注、神经网络判别，练集和测试集预处理包括多尺度图像去噪和增强。方法为乳腺影像工作站获取采集乳腺图，然后主要利用DSSD神经网络判别，最后将乳腺云诊断系统处理得到的结果发送到乳腺诊断移动终端。本发明，针对医学影像(非自然图像)领域开发出基于深度学习的计算机辅助诊断(CAD)系统，为放射科医生提供诊断的第二意见，能够更加有效地辅助医生做出诊断。
Description
技术领域
本发明涉及医学影像技术领域，具体为一种基于DSSD的乳腺结节辅助诊断方法及系统。
背景技术
乳腺癌是发生在乳腺腺上皮组织的恶性肿瘤，一直是威胁女性健康的恐怖杀手之一。全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势。中国患乳腺癌有非常高的概率，并且以每年14％的速度增长，并且呈现年轻化趋势。临床上，乳腺的钼钯是有效的检查方式，但存在假阳性率高的缺点；此外，临床上医生的主观性较强，导致较高的误诊率。
上世纪80年代开始，研究者们陆续提出了一些计算机方法对钼靶图像进行辅助诊断，此类算法大多基于传统的CAD算法。2014年以来，基于深度学习人工智能逐渐成为计算机视觉的主流方法论，研究者们利用深度学习算法使用大规模数据训练预测模型，在无需手动干预的情况下在包括乳腺钼靶影像、眼底影像、皮肤影像、CT影像、病理影像等多个临床场景下实现了疾病的准确预测与分类。
发明内容
本发明的目的在于提供一种基于DSSD的乳腺结节辅助诊断方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于DSSD的乳腺结节辅助诊断方法，包括如下步骤：
步骤1：乳腺影像工作站负责采集乳腺图像，将图像送入乳腺云诊断系统进行图像处理；
步骤2：乳腺云诊断系统将收集来的图像分成训练集和测试集两部分进行处理和分析，其中：训练集和测试集包括预处理、标注、神经网络判别；
步骤3：将识别结果发送至乳腺诊断移动终端，作为辅助诊断结果交由医生做最后诊断。
优选的，训练集和测试集预处理包括多尺度图像去噪和增强，将训练集和测试集图像进行作标注处理，放入DSSD神经网络中进行训练识别。
优选的，DSSD神经网络包括特征层、反卷积模块、反卷积层以及预测模块。
优选的，特征层为6层，其构成是以ResNet101为基础网络，conv3_x层作为ResNet101中的卷积层，之后五层是一系列逐渐变小的卷积层；预测模块是在SSD预测模块(a)的基础上添加了一个残差单元，并在残差旁路将原来的特征图做卷积处理后与网络主干道的特征图做通道间加法从而形成了一个新的预测模块(b)。
优选的，DSSD神经网络识别病灶基于回归与分类的过程，其中：生成识别边框是一个回归的过程，判断识别框内病灶所属类别是一个分类过程，因此，总体目标损失函数是定位损失和置信损失的加权和：
其中N是与真实边框对应的默认边框的个数；c是每一类的置信度；α是权重项被设置为1；定位损失Lloc(x,l,g)是预测框l与真实目标框g之间的smoothL1损失。l＝(lx,ly,lw,lh)各项分别表示预测边框的中心位置(x,y)和其边框的宽w、高h；g＝(gx,gy,gw,gh),各项分别表示真实目标的中心位置(x，y)和其边框的宽w、高h，
置信损失Lconf(x,c)是多类置信度的Softmax损失：
优选的，使用K-means聚类算法来获得病灶宽高比的k个聚类中心，并且使用手肘法来确定最优k值，手肘法的核心指标是SSE(sum of the squared errors，误差平方和)：
其中，ci是第i个簇，p是ci中的样本点，mi是ci的质心(ci中所有样本的均值)，SSE是所有样本的聚类误差，代表了聚类效果的好坏，当k小于真实聚类数时，SSE的下降幅度会很大，而当k到达真实聚类数时，SSE的下降幅度会骤减，因此，从标签文件中获取病灶的宽和高从而得到宽高比，然后以宽高比为特征运行K-means算法。
本发明还提供一种基于DSSD的乳腺结节辅助诊断系统，包括：
乳腺影像工作站，用于负责采集乳腺图像，并将采集的乳腺图像上传到乳腺云诊断系统进行图像处理；
乳腺云诊断系统，将收集来的图像分成训练集和测试集两部分进行处理和分析，然后送入到DSSD神经网络；
DSSD神经网络，对乳腺云诊断系统上传的处理分析图像进行训练识别，然后将识别结果发送至乳腺诊断移动终端；
乳腺诊断移动终端，接收该识别结果，作为辅助诊断结果交由医生做最后诊断。
优选的，乳腺云诊断系统包括有训练集和测试集预处理、标注、DSSD神经网络判别。
优选的，训练集和测试集预处理包括多尺度图像去噪和增强。
与现有技术相比，本发明的有益效果是：
乳腺癌是全球女性最常见的癌症，也是女性癌症死亡的主要原因。乳腺X射线摄影是乳腺癌筛查和诊断的主要手段，针对医学影像(非自然图像)领域开发出基于深度学习的计算机辅助诊断(CAD)系统，为放射科医生提供诊断的第二意见，这对于乳腺癌的早期筛查及诊断尤为重要。本发明针对医学影像(非自然图像)领域开发出基于深度学习的计算机辅助诊断(CAD)系统，为放射科医生提供诊断的第二意见，能够更加有效地辅助医生做出诊断。
附图说明
图1为本发明系统原理图；
图2为本发明系统工作流程图；
图3为本发明中DSSD神经网络结构原理图；
图4为本发明中DSSD神经网络的反卷积模块结构原理图；
图5为本发明中DSSD神经网络的预测模块结构原理图。
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1～5，本发明提供一种技术方案：
参见图1，一种基于DSSD的乳腺结节辅助诊断系统，包括乳腺影像工作站、乳腺云诊断系统、乳腺诊断移动终端。乳腺影像工作站负责采集乳腺图像。所述的乳腺云诊断系统包括有训练集和测试集预处理、标注、神经网络判别。所述的训练集和测试集预处理包括多尺度图像去噪和增强。所述的判别主要利用DSSD神经网络。
采用DSSD神经网络，由于DSSD设计了反卷积模块融合了各个特征提取层的语义信息，所以在检测精度以及小病灶目标检测能力上有更出色的表现。其结构如图2所示，其基础网络为ResNet101，其中conv3_x层为ResNet101中的卷积层，之后五层是一系列逐渐变小的卷积层，它们一起作为DSSD网络的特征层(共6层)。在这之后DSSD添加了一系列反卷积层并设计了反卷积模块来融合先前的特征层(conv3_x、卷积层)和反卷积层。另外，DSSD还设计了新的预测模块并将预测移到了反卷积层上进行。
反卷积模块的功能是将高层特征映射信息与低层特征映射信息进行融合，其结构如图2所示。可见，DSSD使用已学习好的反卷积层代替双线性上采样，并在每个卷积层之后添加归一化层。另外，DSSD在结合高层特征映射和低层特征映射时，采用基于元素点积的方式以获得更好的精度。
DSSD的预测模块如下图4所示，它是在SSD预测模块(a)的基础上添加了一个残差单元，并在残差旁路将原来的特征图做卷积处理后与网络主干道的特征图做通道间加法从而形成了一个新的预测模块(b)。
DSSD识别病灶是一个回归与分类的过程。生成识别边框是一个回归的过程，判断识别框内病灶所属类别是一个分类过程。因此，总体目标损失函数是定位损失和置信损失的加权和：
其中N是与真实边框对应的默认边框的个数；c是每一类的置信度；α是权重项被设置为1；定位损失Lloc(x,l,g)是预测框l与真实目标框g之间的smoothL1损失。l＝(lx,ly,lw,lh)各项分别表示预测边框的中心位置(x,y)和其边框的宽w、高h；g＝(gx,gy,gw,gh),各项分别表示真实目标的中心位置(x,y)和其边框的宽w、高h。
置信损失Lconf(x,c)是多类置信度的Softmax损失：
由DSSD识别过程可知，宽高比的个数越多，先验框的数量也就越多，便能找到与真实目标更加匹配的先验框从而提高检测精度，但同时也会在预测及进行NMS时花更多的时间。所以选取一个合适的宽高比十分重要。因此针对自己的数据集，我们重新选取了先验框的宽高比。
使用K-means聚类算法来获得病灶宽高比的k个聚类中心，并且使用手肘法来确定最优k值。手肘法的核心指标是SSE(sum of the squared errors，误差平方和)：
其中，ci是第i个簇，p是ci中的样本点，mi是ci的质心(ci中所有样本的均值)，SSE是所有样本的聚类误差，代表了聚类效果的好坏。当k小于真实聚类数时，SSE的下降幅度会很大，而当k到达真实聚类数时，SSE的下降幅度会骤减。因此，从标签文件中获取病灶的宽和高从而得到宽高比，然后以宽高比为特征运行K-means算法。
最后将识别结果发送至乳腺诊断移动终端，作为辅助诊断结果交由医生做最后诊断。
本发明的技术方案如下：
一种基于DSSD的乳腺结节辅助诊断系统，包括乳腺影像工作站、乳腺云诊断系统、乳腺诊断移动终端。乳腺影像工作站负责采集乳腺图像。所述的乳腺云诊断系统包括有训练集和测试集预处理、标注、神经网络判别。所述的训练集和测试集预处理包括多尺度图像去噪和增强。所述的判别主要利用DSSD神经网络。将乳腺云诊断系统处理得到的结果发送到乳腺诊断移动终端。
本发明的工作原理和工作过程如下：
1、乳腺影像工作站负责采集乳腺图像，将图像送入乳腺云诊断系统进行图像处理。
2、乳腺云诊断系统将收集来的图像分成训练集和测试集两部分进行处理和分析。包括有训练集和测试集预处理、标注、神经网络判别。其中训练集和测试集预处理包括多尺度图像去噪和增强。将训练集和测试集图像进行作标注处理，放入DSSD神经网络中进行训练识别。
3、将识别结果发送至乳腺诊断移动终端，作为辅助诊断结果交由医生做最后诊断。
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 (9)
1.一种基于DSSD的乳腺结节辅助诊断方法，其特征在于，包括如下步骤：
步骤1：乳腺影像工作站负责采集乳腺图像，将图像送入乳腺云诊断系统进行图像处理；
步骤2：乳腺云诊断系统将收集来的图像分成训练集和测试集两部分进行处理和分析，其中：训练集和测试集包括预处理、标注、神经网络判别；
步骤3：将识别结果发送至乳腺诊断移动终端，作为辅助诊断结果交由医生做最后诊断。
2.根据权利要求1所述的一种基于DSSD的乳腺结节辅助诊断方法，其特征在于：训练集和测试集预处理包括多尺度图像去噪和增强，将训练集和测试集图像进行作标注处理，放入DSSD神经网络中进行训练识别。
3.根据权利要求2所述的一种基于DSSD的乳腺结节辅助诊断方法，其特征在于：DSSD神经网络包括特征层、反卷积模块、反卷积层以及预测模块。
4.根据权利要求3所述的一种基于DSSD的乳腺结节辅助诊断方法，其特征在于：特征层为6层，其构成是以ResNet101为基础网络，conv3_x层作为ResNet101中的卷积层，之后五层是一系列逐渐变小的卷积层；预测模块是在SSD预测模块(a)的基础上添加了一个残差单元，并在残差旁路将原来的特征图做卷积处理后与网络主干道的特征图做通道间加法从而形成了一个新的预测模块(b)。
5.根据权利要求2～4中任一项所述的一种基于DSSD的乳腺结节辅助诊断方法，其特征在于：DSSD神经网络识别病灶基于回归与分类的过程，其中：生成识别边框是一个回归的过程，判断识别框内病灶所属类别是一个分类过程，因此，总体目标损失函数是定位损失和置信损失的加权和：
其中N是与真实边框对应的默认边框的个数；c是每一类的置信度；α是权重项被设置为1；定位损失Lloc(x,l,g)是预测框l与真实目标框g之间的smoothL1损失。l＝(lx,ly,lw,lh)各项分别表示预测边框的中心位置(x,y)和其边框的宽w、高h；g＝(gx,gy,gw,gh),各项分别表示真实目标的中心位置(x，y)和其边框的宽w、高h，
置信损失Lconf(x,c)是多类置信度的Softmax损失：
6.根据权利要求5所述的一种基于DSSD的乳腺结节辅助诊断方法，其特征在于：使用K-means聚类算法来获得病灶宽高比的k个聚类中心，并且使用手肘法来确定最优k值，手肘法的核心指标是SSE(sum of the squared errors，误差平方和)：
其中，ci是第i个簇，p是ci中的样本点，mi是ci的质心(ci中所有样本的均值)，SSE是所有样本的聚类误差，代表了聚类效果的好坏，当k小于真实聚类数时，SSE的下降幅度会很大，而当k到达真实聚类数时，SSE的下降幅度会骤减，因此，从标签文件中获取病灶的宽和高从而得到宽高比，然后以宽高比为特征运行K-means算法。
7.一种基于DSSD的乳腺结节辅助诊断系统，其特征在于，包括：
乳腺影像工作站，用于负责采集乳腺图像，并将采集的乳腺图像上传到乳腺云诊断系统进行图像处理；
乳腺云诊断系统，将收集来的图像分成训练集和测试集两部分进行处理和分析，然后送入到DSSD神经网络；
DSSD神经网络，对乳腺云诊断系统上传的处理分析图像进行训练识别，然后将识别结果发送至乳腺诊断移动终端；以及
乳腺诊断移动终端，接收该识别结果，作为辅助诊断结果交由医生做最后诊断。
8.根据权利要求6所述的一种基于DSSD的乳腺结节辅助诊断系统，其特征在于：乳腺云诊断系统包括有训练集和测试集预处理、标注、DSSD神经网络判别。
9.根据权利要求8所述的一种基于DSSD的乳腺结节辅助诊断系统，其特征在于：训练集和测试集预处理包括多尺度图像去噪和增强。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910666081.1A CN110379509A (zh) | 2019-07-23 | 2019-07-23 | 一种基于dssd的乳腺结节辅助诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910666081.1A CN110379509A (zh) | 2019-07-23 | 2019-07-23 | 一种基于dssd的乳腺结节辅助诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110379509A true CN110379509A (zh) | 2019-10-25 |
Family
ID=68255117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910666081.1A Pending CN110379509A (zh) | 2019-07-23 | 2019-07-23 | 一种基于dssd的乳腺结节辅助诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110379509A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111243730A (zh) * | 2020-01-17 | 2020-06-05 | 视隼智能科技(上海)有限公司 | 一种基于乳腺超声影像的乳腺病灶智能分析方法及系统 |
| CN111325282A (zh) * | 2020-03-05 | 2020-06-23 | 北京深睿博联科技有限责任公司 | 适应多机型的乳腺x射线影像识别方法和装置 |
| CN112070089A (zh) * | 2020-09-23 | 2020-12-11 | 西安交通大学医学院第二附属医院 | 一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 |
| CN113539471A (zh) * | 2021-03-26 | 2021-10-22 | 内蒙古卫数数据科技有限公司 | 一种基于常规检验数据的乳腺增生辅助诊断方法及系统 |
Citations (2)
| 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 |
| CN109685776A (zh) * | 2018-12-12 | 2019-04-26 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及系统 |
-
2019
- 2019-07-23 CN CN201910666081.1A patent/CN110379509A/zh active Pending
Patent Citations (2)
| 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 |
| CN109685776A (zh) * | 2018-12-12 | 2019-04-26 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 《MATLAB图像处理——能力提高与应用案例》: "《MATLAB图像处理——能力提高与应用案例》", 31 January 2019, 北京：北京航空航天大学出版社 * |
| CHENG-YANG FU: "DSSD: Deconvolutional Single Shot Detector", 《ARXIV》 * |
| WEI LIU: "SSD: Single Shot MultiBox Detector", 《ARXIV》 * |
| 陈珊: "基于多尺度特征的乳腺肿块检测方法研究", 《智能计算机与应用》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111243730A (zh) * | 2020-01-17 | 2020-06-05 | 视隼智能科技(上海)有限公司 | 一种基于乳腺超声影像的乳腺病灶智能分析方法及系统 |
| CN111243730B (zh) * | 2020-01-17 | 2023-09-22 | 苏州视尚医疗科技有限公司 | 一种基于乳腺超声影像的乳腺病灶智能分析方法及系统 |
| CN111325282A (zh) * | 2020-03-05 | 2020-06-23 | 北京深睿博联科技有限责任公司 | 适应多机型的乳腺x射线影像识别方法和装置 |
| CN111325282B (zh) * | 2020-03-05 | 2023-10-27 | 北京深睿博联科技有限责任公司 | 适应多机型的乳腺x射线影像识别方法和装置 |
| CN112070089A (zh) * | 2020-09-23 | 2020-12-11 | 西安交通大学医学院第二附属医院 | 一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 |
| CN113539471A (zh) * | 2021-03-26 | 2021-10-22 | 内蒙古卫数数据科技有限公司 | 一种基于常规检验数据的乳腺增生辅助诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443798B (zh) | 一种基于磁共振图像的自闭症检测方法、装置及系统 | |
| CN110379509A (zh) | 一种基于dssd的乳腺结节辅助诊断方法及系统 | |
| CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| CN109670510A (zh) | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 | |
| CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
| CN114926477B (zh) | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 | |
| CN110506278A (zh) | 隐空间中的目标检测 | |
| CN108010021A (zh) | 一种医学图像处理系统和方法 | |
| CN110503630A (zh) | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 | |
| CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
| CN109064455B (zh) | 一种基于bi-rads的乳腺超声图像多尺度融合的分类方法 | |
| CN111476754B (zh) | 一种骨髓细胞影像人工智能辅助分级诊断系统及方法 | |
| CN109255354B (zh) | 面向医用ct的计算机图像处理方法和装置 | |
| CN109509552A (zh) | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 | |
| CN112651450B (zh) | 一种基于多示例深度学习的医学图像分类方法 | |
| CN109902682A (zh) | 一种基于残差卷积神经网络的乳腺x线图像检测方法 | |
| CN109886346A (zh) | 一种心肌mri图像分类系统 | |
| CN110232396A (zh) | X射线乳腺影像深度学习分类方法 | |
| CN114358194A (zh) | 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法 | |
| CN112861994A (zh) | 基于Unet迁移学习的胃印戒细胞癌图像智能分类系统 | |
| CN106778047A (zh) | 一种基于多维度医学图像的中医面诊综合系统 | |
| CN113537357A (zh) | 一种基于深度残差网络的甲状腺癌ct影像分类系统 | |
| Yang et al. | A multi-stage progressive learning strategy for COVID-19 diagnosis using chest computed tomography with imbalanced data | |
| CN114159083B (zh) | 一种基于深度树模型的冠状动脉自动解剖标注方法及系统 |
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: 20191025 |
|
| RJ01 | Rejection of invention patent application after publication |