CN110555827B - 基于深度学习驱动的超声成像信息计算机处理系统 - Google Patents
基于深度学习驱动的超声成像信息计算机处理系统 Download PDFInfo
- Publication number
- CN110555827B CN110555827B CN201910721584.4A CN201910721584A CN110555827B CN 110555827 B CN110555827 B CN 110555827B CN 201910721584 A CN201910721584 A CN 201910721584A CN 110555827 B CN110555827 B CN 110555827B
- Authority
- CN
- China
- Prior art keywords
- patch
- network
- deep learning
- classification
- model
- 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
Links
Images
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习驱动的超声成像信息计算机处理系统,包括:高频超声图像获取模块;组织器官膜状结构信息定位模块;patch小块获取模块,采用滑动窗口自动获取小块区域范围,筛选掉成像质量低于设定阈值的patch小块,将其余patch小块用于深度学习网络的训练和测试;网络训练模块,用于根据组织器官膜状结构和实质结构区域的不同图像特点,分别选择符合两种区域图像特点的深度学习网络模型进行训练以及后续特征的提取;两级分类模块,用于利用组织器官膜状结构模型A和实质模型B对patch小块获取模块输出的patch小块进行分类结果处理,经投票方法得到整体高频超声图像的分类结果。本发明应用到肝硬化的分期诊断中达到了较高的准确率和灵敏度。
Description
技术领域
本发明涉及一种计算机处理系统,尤其是涉及一种基于深度学习驱动的针对组织器官膜状结构和实质结构特点的超声成像信息计算机处理系统。
背景技术
超声成像主要是根据超声的反射、折射、衰减及多普勒效应等物理特性,向人体发射超声波,利用人体器官、组织在声学性质上的差异而产生不同回声,将其接收、放大和信息处理后形成波型、曲线、图像或频谱,显示器官组织形态学方面的状况和变化,以及器官组织功能状况和血流动力学方面的生理病理状况。超声检查对人体无操作、无痛苦、无危害,超声仪器购买及使用价格低、操作简便,尤其适合对人体软组织的探测和心血管脏器的血流动力学观察,已经成为内脏、软组织器官病变的首选影像学检查方法,在临床诊断中得到广泛应用。
深度学习常用的网络结构包括:递归神经网络(RNN),深度信念网络(DBN),层叠自动编码机(SAE)和卷积神经网络(CNN)等。卷积神经网络的研究历史可以追溯到上个世纪60年代,它采用了三种基本概念来帮助改进机器学习系统:局部感受野(local receptivefields)、共享权重(shared weights)和池化降维(pooling),由于以上的特点,卷积神经网络对平移、比例缩放等变换可以保持高度不变性。
如何将机器学习尤其是深度学习技术应用在超声成像信息处理上,从而来提高信息识别精度成为当下需要解决的技术问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习驱动的针对组织器官膜状结构和实质结构特点的超声成像信息计算机处理系统。
本发明的目的可以通过以下技术方案来实现:
一种基于深度学习驱动的超声成像信息计算机处理系统,包括:
高频超声图像获取模块,用于获取病变组织的超声图像信息;
组织器官膜状结构信息定位模块,与高频超声图像获取模块连接,用于对接收的超声图像信息进行处理,并找到组织器官膜状结构区域和实质区域的大体界限;
patch小块获取模块,与组织器官膜状结构信息定位模块连接,采用滑动窗口自动获取小块区域范围,筛选掉成像质量低于设定阈值的patch小块(如对比度小于0.005的黑色背景小块),将其余patch小块用于深度学习网络的训练和测试;
网络训练模块,与patch小块获取模块连接,用于根据组织器官膜状结构区域和实质区域的不同图像特点,分别选择符合两种区域图像特点的深度学习网络模型进行训练以及后续特征的提取;
两级分类模块,分别与patch小块获取模块和网络训练模块连接,用于利用网络训练模块训练后的组织器官膜状结构模型A和实质模型B对patch小块获取模块输出的patch小块进行分类结果处理,经投票方法得到整体高频超声图像的分类结果;
基于深度学习驱动的超声成像信息计算机处理系统的应用,在肝硬化的分期诊断中,通过两级分类网络对肝包膜以及肝实质区域的特征学习与分类,最终在肝硬化的分期诊断中达到了较高的准确率。
优选地,所述的patch小块获取模块针对组织器官膜状结构和实质区域不同的图像特点,在获取patch小块时采取不同的滑动窗口策略,分别得到组织器官膜状结构和实质的patch小块训练集与测试集。
优选地,所述的patch小块获取模块中组织器官膜状结构patch小块的获取采用的是可变长滑动窗口,实质patch小块的获取采用的是多策略滑动窗口。可变长滑动窗口根据组织器官膜状结构的不同特点,分别选取滑动长窗口1和滑动长窗口2获取组织器官膜状结构图像的patch小块;多策略滑动窗口即改变原来滑动窗口的原点位置和步长,获得一组新的数据作为验证集。
所述的组织器官膜状结构patch小块的尺寸为40×40,实质patch小块的尺寸为60×60。
优选地,所述的网络训练模块包括:
改进型cifar网络模型,用于自动提取组织器官膜状结构patch小块特征;
resnet-32残差神经网络模块,用于自动提取实质patch小块特征。
所述的改进型cifar网络模型和resnet-32残差神经网络模块的激活函数选取ReLU函数。所述的resnet-32残差神经网络每个卷积层后面加上BN层。
优选地,所述的改进型cifar网络模型共有3组网络块组成,在原有网络基础上增加conv-2层的卷积核数量,目的是让模型更好的学习到组织器官膜状结构形态特征和周围组织特征。
优选地,所述的改进型cifar网络模型池化方式组合为Max方式(最大降维)、Max方式(最大降维)和Ave方式(平均降维),将前两层网络层设置为Max方式的目的是降低噪声的干扰,最后一层设置为Ave方式的目的是保留足够的有效信息用以后续的分类操作。
优选地,所述的两级分类模块的第一级是利用组织器官膜状结构模型A做分类,第二级是利用实质模型B做分类。
优选地,所述的应用到肝硬化的分期诊断中,两级分类网络对肝包膜模型实现0和1的二分类。
优选地,所述的应用到肝硬化的分期诊断中,肝包膜模型二分类中0代表的是正常时期、轻度肝硬化时期和中度肝硬化时期的三个时期的集合,1代表的是重度肝硬化时期。
优选地,所述的应用到肝硬化的分期诊断中,两级分类网络对肝实质模型实现0、1和2的三分类。
优选地,所述的应用到肝硬化的分期诊断中,肝实质模型三分类中0代表的是正常时期,1代表的是轻度肝硬化时期,2代表的是中度肝硬化时期。
优选地,所述的应用到肝硬化的分期诊断中,两级分类模块最终投票方法阈值的设定会根据分类类别数的不同而有所差异,在二分类中Top-1概率阈值为0.7,最终Score分数为0.6,即patch小块Top-1的值大于0.7方可作为有效小块,预测为某类的小块数须占整幅超声图像获得的小块总数60%以上方可判定为该类;在三分类中Top-1概率阈值取为0.6,最终Score分数为0.5。
与现有技术相比,本发明具有以下优点:
1)信息处理准确率和灵敏度高,在肝硬化的分期诊断中,验证集中正常对照组、轻度肝硬化、中度肝硬化和重度肝硬化的识别率依次为95.00%、88.90%、94.10%和92.30%,优于其他几种较为先进的数据处理方法。
2)实用性强,对于待诊断的超声图像利用patch小块投票方法给出疾病严重程度的指标-分数,在肝硬化高频超声图像分期诊断的应用中验证了本发明的适用性,也将大大提高以后医学影像诊断的工作效率。
附图说明
图1是本发明的工作流程图;
图2是本发明的组织器官膜状结构小块可变长滑动窗口流程图;
图3是本发明的实质小块多策略滑动窗口流程图;
图4是改进型cifar网络结构图;
图5是resnet-32残差神经网络结构图。
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明在高频超声图像的基础上设计出一种基于深度学习驱动的针对组织器官膜状结构和实质结构特点的超声成像信息计算机处理系统,该系统利用深度学习技术结合两级分类思想设计了一个应用于肝硬化超声信息处理的计算机处理系统,在验证集中正常对照组、轻度肝硬化、中度肝硬化和重度肝硬化的识别率依次为95.00%、88.90%、94.10%和92.30%,取得了较为理想的辅助处理效果。
本发明基于深度学习驱动的超声成像信息计算机处理系统主要包括:针对组织器官膜状结构和实质区域不同的图像特点,在获取patch小块时采取不同的滑动窗口策略,分别得到组织器官膜状结构和实质的patch小块训练集与测试集。构建了一种改进型cifar网络模型用以自动提取组织器官膜状结构patch小块特征,提出了一种resnet-32残差神经网络用以自动提取实质patch小块特征。利用组织器官膜状结构模型A和实质模型B对patch小块的分期结果,经投票方法得到整体高频超声图像的分期结果。
所述的patch小块获取模块中包膜patch小块的获取采用的是可变长滑动窗口,实质patch小块的获取采用的是多策略滑动窗口。可变长滑动窗口根据组织器官膜状结构的不同特点,分别选取滑动长窗口1和滑动长窗口2获取组织器官膜状结构图像的patch小块;多策略滑动窗口即改变原来滑动窗口的原点位置和步长,获得一组新的数据作为验证集。
所述的改进型cifar网络模型共有3组网络块组成,在原有网络基础上增加conv-2层的卷积核数量,目的是让模型更好的学习到组织器官膜状结构形态特征和周围组织特征。池化方式组合为Max方式-Max方式-Ave方式,将前两层网络层设置为Max方式的目的是降低噪声的干扰,最后一层设置为Ave方式的目的是保留足够的有效信息用以后续的分类操作。所述的resnet-32残差神经网络每个卷积层后面加上BN层。所述的两个网络模型激活函数均选取ReLU函数,相对于Sigmoid、TanH等激活函数,ReLU函数具有相对宽阔的兴奋边界,保证了网络的稀疏激活性,同时提高了网络的收敛速度。
如图1所示,以肝硬化分期为例,主要包含训练学习和量化分期两个过程,训练学习过程的步骤为:首先根据肝包膜结构定位的大致位置分离肝包膜区域和实质区域,然后采用不同的滑动窗口策略获取patch小块区域,最后通过改进型cifar网络模型提取肝包膜patch小块特征,通过Resnet网络模型提取肝实质patch小块特征;量化分期过程的步骤为:首先将肝包膜patch小块馈送到模型A中自动提取特征,并根据小块的投票结果完成是否为重度肝硬化的分期;之后当判定为非重度肝硬化时,将肝实质patch小块馈送到模型B中自动提取特征,根据小块的投票结果完成其余三个时期的量化分期。
如图2、3所示,以肝硬化分期为例,分别是包膜patch小块和实质patch小块获取的工作流程图,对应可变长滑动窗口和多策略滑动窗口的工作原理。
如图4、5所示,分别是改进型cifar网络和resnet-32残差神经网络结构图,对应patch包膜小块的特征提取和实质patch小块的特征提取。
本发明的创新点如下:
1)根据高频超声中组织器官膜状结构和实质区域的特点,提出一种的两级分类思想,即利用改进型cifar网络提取组织器官膜状结构特征做第一级分类处理,利用resnet网络提取实质特征做第二级分类处理;
2)结合小块的投票方法做最终高频超声图像的判定,并且在阈值的选取中既做到保证分类结果的可靠性,又做到有一定的容错性,少部分patch小块的错误分类不会影响最终判定的结果;
3)根据高频超声中组织器官膜状结构和实质区域的特点,利用可变长滑动窗口获取组织器官膜状结构patch小块,利用多策略滑动窗口获取实质patch小块,并利用灰度共生矩阵的对比度指标对小块做了进一步筛选。
4)本发明系统应用到肝硬化的分期诊断中达到了较高的准确率,具有实用性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习驱动的超声成像信息计算机处理系统,其特征在于,包括:
高频超声图像获取模块,用于获取组织器官的超声图像信息;
组织器官膜状结构信息定位模块,与高频超声图像获取模块连接,用于对接收的超声图像信息进行处理,并找到组织器官膜状结构区域和实质区域的大体界限;
patch小块获取模块,与组织器官膜状结构信息定位模块连接,采用滑动窗口自动获取小块区域范围,筛选掉成像质量低于设定阈值的patch小块,将其余patch小块用于深度学习网络的训练和测试;
网络训练模块,与patch小块获取模块连接,用于根据组织器官膜状结构区域和实质区域的不同图像特点,分别选择符合两种区域图像特点的深度学习网络模型进行训练以及后续特征的提取;
两级分类模块,分别与patch小块获取模块和网络训练模块连接,用于利用网络训练模块训练后的组织器官膜状结构模型A和实质模型B对patch小块获取模块输出的patch小块进行分类结果处理,经投票方法得到整体高频超声图像的分类结果。
2.根据权利要求1所述的一种基于深度学习驱动的超声成像信息计算机处理系统,其特征在于,所述的patch小块获取模块针对组织器官膜状结构区域和实质区域不同的图像特点,在获取patch小块时采取不同的滑动窗口策略,分别得到组织器官膜状结构和实质的patch小块训练集与测试集。
3.根据权利要求1所述的一种基于深度学习驱动的超声成像信息计算机处理系统,其特征在于,所述的patch小块获取模块中组织器官膜状结构patch小块的获取采用的是可变长滑动窗口,实质patch小块的获取采用的是多策略滑动窗口。
4.根据权利要求1所述的一种基于深度学习驱动的超声成像信息计算机处理系统,其特征在于,所述的网络训练模块包括:
改进型cifar网络模型,用于自动提取组织器官膜状结构patch小块特征;
resnet-32残差神经网络模块,用于自动提取实质patch小块特征;
所述的改进型cifar网络模型共有3组网络块组成,在原有网络基础上增加conv-2层的卷积核数量,目的是让模型更好的学习到组织器官膜状结构线形态特征和周围组织特征;
所述的改进型cifar网络模型池化方式组合为Max方式、Max方式和Ave方式,将前两层网络层设置为Max方式的目的是降低噪声的干扰,最后一层设置为Ave方式的目的是保留足够的有效信息用以后续的分类操作。
5.根据权利要求1所述的一种基于深度学习驱动的超声成像信息计算机处理系统,其特征在于,所述的两级分类模块的第一级是利用组织器官膜状结构模型A做的分类,第二级是利用实质模型B做的分类。
6.根据权利要求1所述的一种基于深度学习驱动的超声成像信息计算机处理系统,其特征在于,应用到肝硬化的分期诊断中,两级分类网络对肝包膜模型实现0和1的二分类。
7.根据权利要求6所述的一种基于深度学习驱动的超声成像信息计算机处理系统,其特征在于,所述的应用到肝硬化的分期诊断中,两级分类网络对肝包膜模型做二分类中0代表的是正常时期、轻度肝硬化时期和中度肝硬化时期的三个时期的集合,1代表的是重度肝硬化时期。
8.根据权利要求1所述的一种基于深度学习驱动的超声成像信息计算机处理系统,其特征在于,应用到肝硬化的分期诊断中,两级分类网络对肝实质模型实现0、1和2的三分类。
9.根据权利要求8所述的一种基于深度学习驱动的超声成像信息计算机处理系统,其特征在于,所述的应用到肝硬化的分期诊断中,两级分类网络对肝实质模型做三分类中0代表的是正常时期,1代表的是轻度肝硬化时期,2代表的是中度肝硬化时期。
10.根据权利要求1所述的一种基于深度学习驱动的超声成像信息计算机处理系统,其特征在于,应用到肝硬化的分期诊断中,两级分类模块最终投票方法阈值的设定会根据分类类别数的不同而有所差异,在二分类中Top-1概率阈值为0.7,最终Score分数为0.6,即patch小块Top-1的值大于0.7方可作为有效小块,预测为某类的小块数须占整幅超声图像获得的小块总数60%以上方可判定为该类;在三分类中Top-1概率阈值取为0.6,最终Score分数为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721584.4A CN110555827B (zh) | 2019-08-06 | 2019-08-06 | 基于深度学习驱动的超声成像信息计算机处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721584.4A CN110555827B (zh) | 2019-08-06 | 2019-08-06 | 基于深度学习驱动的超声成像信息计算机处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555827A CN110555827A (zh) | 2019-12-10 |
CN110555827B true CN110555827B (zh) | 2022-03-29 |
Family
ID=68736892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910721584.4A Active CN110555827B (zh) | 2019-08-06 | 2019-08-06 | 基于深度学习驱动的超声成像信息计算机处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555827B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815613B (zh) * | 2020-07-17 | 2023-06-27 | 上海工程技术大学 | 一种基于包膜线形态特征分析的肝硬化疾病分期识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574820A (zh) * | 2015-12-04 | 2016-05-11 | 南京云石医疗科技有限公司 | 一种基于深度学习的自适应超声图像增强方法 |
CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
CN108154517A (zh) * | 2017-12-26 | 2018-06-12 | 北京华想联合科技有限公司 | 一种基于肝脏超声图像的肝包膜线自动提取方法 |
CN109063712A (zh) * | 2018-06-22 | 2018-12-21 | 哈尔滨工业大学 | 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法及系统 |
US10335572B1 (en) * | 2015-07-17 | 2019-07-02 | Naveen Kumar | Systems and methods for computer assisted operation |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10176642B2 (en) * | 2015-07-17 | 2019-01-08 | Bao Tran | Systems and methods for computer assisted operation |
US10748277B2 (en) * | 2016-09-09 | 2020-08-18 | Siemens Healthcare Gmbh | Tissue characterization based on machine learning in medical imaging |
-
2019
- 2019-08-06 CN CN201910721584.4A patent/CN110555827B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10335572B1 (en) * | 2015-07-17 | 2019-07-02 | Naveen Kumar | Systems and methods for computer assisted operation |
CN105574820A (zh) * | 2015-12-04 | 2016-05-11 | 南京云石医疗科技有限公司 | 一种基于深度学习的自适应超声图像增强方法 |
CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
CN108154517A (zh) * | 2017-12-26 | 2018-06-12 | 北京华想联合科技有限公司 | 一种基于肝脏超声图像的肝包膜线自动提取方法 |
CN109063712A (zh) * | 2018-06-22 | 2018-12-21 | 哈尔滨工业大学 | 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法及系统 |
Non-Patent Citations (3)
Title |
---|
Diagnosis of Cirrhosis Stage via Deep Neural Network;Zhiping Xu et al;《2017 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)》;20171218;745-749页 * |
Learning to Diagnose Cirrhosis with Liver Capsule Guided Ultrasound Image Classification;Xiang Liu et al;《Sensors》;20170113;第17卷(第17期);1-11页 * |
基于超声的计算机辅助诊断肝纤维化研究进展;翟岳仙等;《中国医学影像技术》;20190720;第35卷(第7期);1107-1110页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110555827A (zh) | 2019-12-10 |
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 | |
CN111539930A (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
CN111353539A (zh) | 一种基于双路注意力卷积神经网络的宫颈oct图像分类方法及系统 | |
Zhuang et al. | Breast ultrasound lesion classification based on image decomposition and transfer learning | |
CN111681210A (zh) | 基于深度学习的剪切波弹性图鉴别乳腺结节良恶性的方法 | |
CN111297399B (zh) | 一种基于超声视频的胎心定位和胎心率提取方法 | |
CN114066884B (zh) | 视网膜血管分割方法及装置、电子设备和存储介质 | |
CN111275706A (zh) | 一种基于剪切波弹性成像超声组学深度分析方法及系统 | |
Qomariah et al. | Segmentation of microaneurysms for early detection of diabetic retinopathy using MResUNet | |
CN110555827B (zh) | 基于深度学习驱动的超声成像信息计算机处理系统 | |
CN110610480B (zh) | 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型 | |
Behboodi et al. | Breast lesion segmentation in ultrasound images with limited annotated data | |
Shirbahadurkar et al. | A modern screening approach for detection of diabetic retinopathy | |
CN112741651B (zh) | 一种内窥镜超声影像的处理方法及系统 | |
Raja et al. | Analysis of ultrasound kidney images using content descriptive multiple features for disorder identification and ANN based classification | |
Asgariandehkordi et al. | Deep ultrasound denoising using diffusion probabilistic models | |
Zhang et al. | Boundary-aware semi-supervised deep learning for breast ultrasound computer-aided diagnosis | |
CN113658700B (zh) | 一种基于机器学习的门脉高压无创评估方法及系统 | |
Putri et al. | Retracted: Implementation of Neural Network Classification for Diabetes Mellitus Prediction System through Iridology Image | |
Vasanthselvakumar et al. | Detection and classification of kidney disorders using deep learning method | |
CN110969117A (zh) | 一种基于Attention机制的全卷积神经网络的眼底图像分割方法 | |
Shi et al. | Weakly supervised vulnerable plaques detection by IVOCT image | |
CN112967295A (zh) | 一种基于残差网络和注意力机制的图像处理方法及系统 | |
Tang et al. | Dual-Path Convolutional Neural Network for Chronic Kidney Disease Classification in Ultrasound Echography | |
CN116309593B (zh) | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |