CN110533630A - 一种基于神经网络的膀胱癌检测方法 - Google Patents
一种基于神经网络的膀胱癌检测方法 Download PDFInfo
- Publication number
- CN110533630A CN110533630A CN201910623222.1A CN201910623222A CN110533630A CN 110533630 A CN110533630 A CN 110533630A CN 201910623222 A CN201910623222 A CN 201910623222A CN 110533630 A CN110533630 A CN 110533630A
- Authority
- CN
- China
- Prior art keywords
- convolution
- layer
- network
- group
- cell
- 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
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 title claims abstract description 36
- 206010005003 Bladder cancer Diseases 0.000 title claims abstract description 34
- 201000005112 urinary bladder cancer Diseases 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 210000002700 urine Anatomy 0.000 claims abstract description 53
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 31
- 201000011510 cancer Diseases 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003475 lamination Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 description 51
- 238000004364 calculation method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000027939 micturition Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- 206010061182 Genitourinary tract infection Diseases 0.000 description 1
- 208000000450 Pelvic Pain Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 206010013990 dysuria Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000006750 hematuria Diseases 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 208000016261 weight loss Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—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
- 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
- G06T2207/20—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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于神经网络的膀胱癌检测方法，包括以下步骤：（1）采集尿脱落细胞图像样本；（2）训练尿脱落细胞分类网络；（3）采集尿脱落细胞样本；（4）获取尿脱落细胞图像；（5）将尿脱落细胞图像输入尿脱落细胞分类网络检测，获取癌症诊断结果；（6）通过高内涵同步检测方法获取癌细胞的电学特性，机械特性及形貌纹理等高内涵数据；（7）通过高内涵数据对膀胱癌进行分期分级诊断。该方法利用深度神经网络识别尿脱落细胞图像获取膀胱癌诊断结果，同时通过高内涵同步检测方法获取癌细胞高内涵数据，实现对膀胱癌的分期分级诊断。
Description
技术领域
本发明涉及深度学习技术领域，具体涉及一种基于神经网络的膀胱癌检测方法。
背景技术
膀胱癌是指发生在膀胱黏膜上的恶性肿瘤，是泌尿系统最常见的恶性肿瘤，也是全身十大常见的肿瘤之一。膀胱癌的早期症状有尿血、尿频、尿急、排尿困难和盆腔疼痛。晚期膀胱癌患者可能会出现体重减轻、肾功能不全、腹痛或骨痛。据统计，2008年全国肿瘤登记地区膀胱癌发病率为74.9％，世界人口发病率为45.3％。膀胱癌居中国男性泌尿生殖系恶性肿瘤发病率居第一位，居中国恶性肿瘤发病率第八位，占中国恶性肿瘤发病构成的2.50％。膀胱癌同其它癌症类似，越早发现越早治疗，那么治愈率越高，复发的可能性越小。对于膀胱肿瘤患者来讲，早期诊断，早期发现和早期治疗是非常关键的。如果是早期膀胱癌，只有膀胱的粘膜层受到感染，是一种浅表性的膀胱肿瘤，可采取电切、电凝和激光等手段治疗。但是晚期的膀胱癌患者，由于感染的深度比较深，数量比较多，多数需要进行膀胱全切手术。因此，膀胱癌的早期检测非常关键。病理学家主要以尿脱落细胞的核质比以及细胞核表面颗粒状形态作为依据，对患者进行诊断。但在临床中有些膀胱癌细胞的核质比并不是很高，其形状外观与正常细胞区别也不很明显，容易出现诊断的模糊性或不确定性。因此诊断的准确性在很大程度上取决于细胞病理学家的经验和直觉。传统的基于图像技术的膀胱癌检测方法通过检测尿脱落细胞的图像，进而实现膀胱癌的检测，具有无创、安全、特异性高等优点。但是由于需要人为设计特征提取方法，且特征提取能力有限，检测精度较低。
发明内容
本发明针对现有方法的不足，提供一种基于神经网络的膀胱癌检测方法，能够有效地通过尿脱落细胞图像实现膀胱癌检测。
为达到上述目的，本发明采用如下技术方案：
一种基于神经网络的膀胱癌检测方法，包括以下步骤：
(1)采集尿脱落细胞图像样本；
(2)训练尿脱落细胞分类网络；
(3)采集尿脱落细胞样本；
(4)获取尿脱落细胞图像；
(5)将尿脱落细胞图像输入尿脱落细胞分类网络检测，获取癌症诊断结果；
(6)通过高内涵同步检测方法获取癌细胞的电学特性，机械特性及形貌纹理等高内涵数据；
(7)通过高内涵数据对膀胱癌进行分期分级诊断。
本发明与现有技术方法相比，有益效果为：
1、本发明采用深度神经网络提取图像特征，减少了人为设计提取网络特征的不完备性，能够提高最终的网络检测精度。
2、本发明通过两步检测，首先通过分类网络检测细胞图像判定是否为癌细胞，其后根据癌细胞的高内涵数据对膀胱癌进行分期分级检测，提高了检测精度。
附图说明
图1为本发明方法的流程图。
图2为尿脱落细胞分类检测网络示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰明了，下面结合附图，对本发明的具体实施例作详细说明。
如图1所示，一种基于神经网络的膀胱癌检测方法，包括以下步骤：
(1)采集尿脱落细胞图像样本；
(2)训练尿脱落细胞分类网络；
(3)采集尿脱落细胞样本；
(4)获取尿脱落细胞图像；
(5)将尿脱落细胞图像输入尿脱落细胞分类网络检测，获取癌症诊断结果；
(6)通过高内涵同步检测方法获取癌细胞的电学特性，机械特性及形貌纹理等高内涵数据；
(7)通过高内涵数据对膀胱癌进行分期分级诊断。
所述步骤(1)，采集尿脱落细胞图像样本：人工采集各种尿脱落细胞图像样本，将所有细胞样本图像缩放到224x224大小，图像样本中要包含癌细胞图像和非癌细胞图像样本，并且每个样本都有分类标签，标签为图像样本所属的类别。
所述步骤(2)，训练尿脱落细胞分类网络：利用采集的尿脱落细胞图像样本训练尿脱落细胞分类网络。分类网络是基于VGG网络的改进。为了加快网络的训练速度和减小网络的参数数量，引入了分组卷积和ShuffleNet。为了能够使用12组的分组卷积，我们改变了网络结构中卷积核的数量。为了更好地抽象特征信息，分别在进行通道交换和通道融合之后使用一组卷积组，同时为了进一步减少参数量和计算量，最后一层卷积组的卷积核数量不做加倍处理，全连接层改为两层结构，其网络框架图如图2所示。
进一步，我们改进了VGG16的网络结构，网络的输入改为224x224x1的图像，所有的卷积层全部采用3x3的卷积核进行卷积，步长Sc为1，填充方式选用“SAME”；所有的池化层采用大小为3x3，步长Sp为2的最大池化，填充方式选用“SAME”。
经过所述卷积层后的特征图尺寸为：
Dc＝K (3)
其中，W0,H0分别为卷积层之前特征图的宽度和高度；Wc,Hc，Dc分别为卷积层后特征图的宽度、高度和深度，K为卷积层的卷积核数量，Sc为卷积步长。经过该种卷积层，卷积前后特征图在长度和宽度方向上保持不变。
经过所述池化层后特征图尺寸大小为：
Dp＝D0 (6)
其中，W0,H0,D0分别为池化之前特征图的宽度、高度和深度；Wp,Hp，Dp分别为池化后特征图的宽度、高度和深度，Sp为池化步长，经过该池化层后，特征图在长度和宽度方向上各缩减一半尺寸。
进一步，尿脱落细胞分类网络中引入了分组卷积和通道交换，分组卷积可实现在多GPU上并行训练网络，并减少网络参数和训练时的计算量，加快训练速度，提升检测精度。我们对卷积特征分为12组进行分组卷积，并采用通道交换和通道融合增进了信息流在组与组之间的交换，增强了网络的特征提取能力。改进后的网络由6个部分组成，包括5个卷积组和1个全连接组。
卷积组1：包含两层卷积层和一层池化层，组内每层卷积层的卷积核数量为72，采用分成12组的分组卷积。
卷积组2：包含两层卷积层和一层池化层，组内每层卷积层的卷积核数量为144，采用分组卷积分为12组。
卷积组3：包含三层卷积层和一层池化层，组内每层卷积层的卷积核数量为288，采用分组卷积分为12组。卷积后将每组特征再分为12份，与其余组进行通道交换。
卷积组4：包含三层卷积层和一层池化层，组内每层卷积层的卷积核数量为576，采用分组卷积分为12组。卷积后进行通道融合，将所有组的特征聚合起来组成一组。
卷积组5：包含四层卷积层和一层池化，每层卷积核数量为576，不使用分组卷积。
全连接组：包含两层全连接层，第一层全连接层神经元数量为2800，第二层全连接层数量为2，最后经过softmax层输出检测结果。
通过分组卷积可降低网络参数和计算量，采用通道交换增强了组与组之间信息流的传递。最后进行通道融合，最后一组卷积组以全卷积的方式对分组卷积提取得到的特征进行融合提取，增强网络的特征提取能力。网络的最后利用一层拥有2800个神经元的全连接网络起过渡作用。
进一步，尿脱落细胞分类网络的输入为224x224x1的尿脱落细胞图像，输出为一个二维向量，向量的每一维分别代表细胞图像为癌细胞图像和非癌细胞图像的概率。尿脱落细胞分类网络的训练过程为：将训练集图像调整大小(224x224x1)后输入到检测网络，利用网络预测结果和真实结果构造损失函数，通过随机梯度下降法优化网络内部参数，降低损失函数值；不断迭代此过程优化网络，直至损失函数停止下降，网络训练过程结束。
所述步骤(3)，采集尿脱落细胞样本。
所述步骤(4)，获取尿脱落细胞图像：提取需检测的尿脱落细胞在显微镜下的灰度图像。
所述步骤(5)，将尿脱落细胞图像输入尿脱落细胞分类网络检测，获取癌症诊断结果：将获取的尿脱落细胞图像缩放到224x224后输入到分类网络中，输出的二维向量中，代表癌细胞概率的元素值大则判定细胞属于癌细胞。当检测为癌细胞时进行后续分期分级检测，否则无需进行后续分期分级诊断。
所述步骤(6)，通过高内涵同步检测方法获取癌细胞的电学特性，机械特性及形貌纹理等高内涵数据。
所述步骤(7)，通过高内涵数据对膀胱癌进行分期分级诊断：不同时期癌细胞的高内涵特征是不同的，通过对对应的尿脱落细胞的机械特性、电学特性等高内涵数据进行综合分析，实现对膀胱癌的分期分级诊断。
Claims (6)
1.一种基于神经网络的膀胱癌检测方法，其特征在于，包括以下步骤：
(1)采集尿脱落细胞图像样本；
(2)训练尿脱落细胞分类网络；
(3)采集尿脱落细胞样本；
(4)获取尿脱落细胞图像；
(5)将尿脱落细胞图像输入尿脱落细胞分类网络检测，获取癌症诊断结果；
(6)通过高内涵同步检测方法获取癌细胞的电学特性，机械特性及形貌纹理等高内涵数据；
(7)通过高内涵数据对膀胱癌进行分期分级诊断。
2.根据权利要求1所述的基于神经网络的膀胱癌检测方法，其特征在于，所述步骤(1)中，通过人工采集各种尿脱落细胞灰度图像样本，将所有细胞样本图像缩放到224x224大小，图像样本中要包含癌细胞图像和非癌细胞图像样本，并且每个样本都有分类标签，标签为图像样本所属的类别。
3.根据权利要求1所述的基于神经网络的膀胱癌检测方法，其特征在于，所述步骤(2)中的分类网络是基于VGG网络的改进，网络引入了分组卷积和ShuffleNet；网络卷积层中卷积核的数量从72开始，卷积核数量不断加倍；在进行通道交换和通道融合之后分别使用一组卷积组以进一步提取更丰富的特征信息，同时最后一层卷积组的卷积核数量不做加倍处理，全连接层改为两层结构；
改进后的网络结构中，网络的输入改为224x224x1的尿脱落细胞灰度图像，所有的卷积层全部采用3x3的卷积核进行卷积，步长Sc为1，填充方式选用“SAME”；所有的池化层采用大小为3x3，步长Sp为2的最大池化，填充方式选用“SAME”；
经过所述卷积层后的特征图尺寸为：
Dc＝K (3)
其中，W0,H0分别为卷积层之前特征图的宽度和高度；Wc,Hc，Dc分别为卷积层后特征图的宽度、高度和深度，K为卷积层的卷积核数量，Sc为卷积步长；经过该种卷积层，卷积前后特征图在长度和宽度方向上保持不变；
经过所述池化层后特征图尺寸大小为：
Dp＝D0 (6)
其中，W0,H0,D0分别为池化之前特征图的宽度、高度和深度；Wp,Hp，Dp分别为池化后特征图的宽度、高度和深度，Sp为池化步长，经过该池化层后，特征图在长度和宽度方向上各缩减一半尺寸；
改进后的网络由6个部分组成，包括5个卷积组和1个全连接组，卷积组的卷积方式包含分组卷积和全卷积，并采用通道交换和通道融合增进了信息流在组与组之间的交换，增强了网络的特征提取能力，全连接组的第一层卷积层用起到过渡作用，第二层全连接层输出分类结果，网络的具体结构为：
卷积组1：包含两层卷积层和一层池化层，组内每层卷积层的卷积核数量为72，采用分成12组的分组卷积；
卷积组2：包含两层卷积层和一层池化层，组内每层卷积层的卷积核数量为144，采用分组卷积分为12组；
卷积组3：包含三层卷积层和一层池化层，组内每层卷积层的卷积核数量为288，采用分组卷积分为12组；卷积后将每组特征再分为12份，与其余组进行通道交换；
卷积组4：包含三层卷积层和一层池化层，组内每层卷积层的卷积核数量为576，采用分组卷积分为12组；卷积后进行通道融合，将所有组的特征聚合起来组成一组；
卷积组5：包含四层卷积层和一层池化，每层卷积核数量为576，不使用分组卷积；
全连接组：包含两层全连接层，第一层全连接层神经元数量为2800，第二层全连接层神经元数量为2，最后经过softmax层输出检测结果；
尿脱落细胞分类网络的输入为224x224x1的尿脱落细胞图像，输出为一个二维向量，向量的每一维分别代表细胞图像为癌细胞图像和非癌细胞图像的概率；尿脱落细胞分类网络的训练过程为：将训练集图像调整大小(224x224x1)后输入到检测网络，利用网络预测结果和真实结果构造损失函数，通过随机梯度下降法优化网络内部参数，降低损失函数值；不断迭代此过程优化网络，直至损失函数停止下降，网络训练过程结束。
4.根据权利要求1所述的基于神经网络的膀胱癌检测方法，其特征在于，所述步骤(4)中获取的尿脱落细胞图像为尿脱落细胞在显微镜下的灰度图像。
5.根据权利要求1所述的基于神经网络的膀胱癌检测方法，其特征在于，所述步骤(5)中，其具体步骤为：将获取的尿脱落细胞灰度图像缩放到224x224后输入到分类网络中，输出的二维向量中，代表癌细胞概率的元素值大则判定细胞属于癌细胞；当检测为癌细胞时进行后续分期分级检测，否则无须进行后续分期分级诊断。
6.根据权利要求1所述的基于神经网络的膀胱癌检测方法，其特征在于，所述步骤(7)中，其具体步骤为：通过高内涵同步检测方法获取对应的癌细胞的电学特性，机械特性及形貌纹理的高内涵数据，再根据高内涵数据进行综合分析，实现对膀胱癌的分期分级诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910623222.1A CN110533630A (zh) | 2019-07-11 | 2019-07-11 | 一种基于神经网络的膀胱癌检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910623222.1A CN110533630A (zh) | 2019-07-11 | 2019-07-11 | 一种基于神经网络的膀胱癌检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110533630A true CN110533630A (zh) | 2019-12-03 |
Family
ID=68659612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910623222.1A Pending CN110533630A (zh) | 2019-07-11 | 2019-07-11 | 一种基于神经网络的膀胱癌检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110533630A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114018924A (zh) * | 2021-11-23 | 2022-02-08 | 杭州智微信息科技有限公司 | 一种自动检测尿脱落细胞中异常细胞的方法 |
| CN115409844A (zh) * | 2022-11-02 | 2022-11-29 | 杭州华得森生物技术有限公司 | 循环肿瘤细胞检测设备及其方法 |
| CN117558414A (zh) * | 2023-11-23 | 2024-02-13 | 之江实验室 | 多任务肝细胞癌早期复发预测系统、电子设备、介质 |
-
2019
- 2019-07-11 CN CN201910623222.1A patent/CN110533630A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114018924A (zh) * | 2021-11-23 | 2022-02-08 | 杭州智微信息科技有限公司 | 一种自动检测尿脱落细胞中异常细胞的方法 |
| CN115409844A (zh) * | 2022-11-02 | 2022-11-29 | 杭州华得森生物技术有限公司 | 循环肿瘤细胞检测设备及其方法 |
| CN117558414A (zh) * | 2023-11-23 | 2024-02-13 | 之江实验室 | 多任务肝细胞癌早期复发预测系统、电子设备、介质 |
| CN117558414B (zh) * | 2023-11-23 | 2024-05-24 | 之江实验室 | 多任务肝细胞癌早期复发预测系统、电子设备、介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111192245B (zh) | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 | |
| CN110533630A (zh) | 一种基于神经网络的膀胱癌检测方法 | |
| 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 | |
| CN110120033A (zh) | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 | |
| CN110136149A (zh) | 基于深度神经网络的白细胞定位与分割方法 | |
| CN108596248A (zh) | 一种基于改进深度卷积神经网络的遥感影像分类模型 | |
| CN108537773A (zh) | 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法 | |
| CN109658411A (zh) | 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法 | |
| CN105469100A (zh) | 基于深度学习的皮肤活检图像病理特性识别方法 | |
| 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 | |
| CN107220966A (zh) | 一种基于影像组学的脑胶质瘤分级预测方法 | |
| CN110033440A (zh) | 基于卷积神经网络与特征融合的生物细胞计数方法 | |
| CN109034221A (zh) | 一种宫颈细胞学图像特征的处理方法及其装置 | |
| CN106096654A (zh) | 一种基于深度学习和结合策略的细胞异型性自动分级方法 | |
| CN110097974A (zh) | 一种基于深度学习算法的鼻咽癌远端转移预测系统 | |
| CN110111895A (zh) | 一种鼻咽癌远端转移预测模型的建立方法 | |
| CN111882509A (zh) | 一种基于生成对抗网络的医学图像数据生成与检测方法 | |
| CN109840290A (zh) | 一种基于端到端深度哈希的皮肤镜图像检索方法 | |
| Xiao et al. | Citrus greening disease recognition algorithm based on classification network using TRL-GAN | |
| CN115471701A (zh) | 基于深度学习和迁移学习的肺腺癌组织学亚型分类方法 | |
| Li et al. | A deep learning method for material performance recognition in laser additive manufacturing | |
| Zhang et al. | MSHT: Multi-stage hybrid transformer for the ROSE image analysis of pancreatic cancer | |
| Asif et al. | Modeling a fine-tuned deep convolutional neural network for diagnosis of kidney diseases from CT images | |
| Chen et al. | Placental super micro-vessels segmentation based on resnext with convolutional block attention and U-Net | |
| CN110210562A (zh) | 基于深度网络和稀疏Fisher矢量的图像分类方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |
|
| RJ01 | Rejection of invention patent application after publication |