CN110570419A - 特征信息的获取方法、装置和存储介质 - Google Patents

特征信息的获取方法、装置和存储介质 Download PDF

Info

Publication number
CN110570419A
CN110570419A CN201910866701.6A CN201910866701A CN110570419A CN 110570419 A CN110570419 A CN 110570419A CN 201910866701 A CN201910866701 A CN 201910866701A CN 110570419 A CN110570419 A CN 110570419A
Authority
CN
China
Prior art keywords
neural network
classification
image
interest
feature
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
Application number
CN201910866701.6A
Other languages
English (en)
Inventor
石磊
曹一迪
魏子昆
蔡嘉楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
According To Hangzhou Medical Technology Co Ltd
Original Assignee
According To Hangzhou Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by According To Hangzhou Medical Technology Co Ltd filed Critical According To Hangzhou Medical Technology Co Ltd
Priority to CN201910866701.6A priority Critical patent/CN110570419A/zh
Publication of CN110570419A publication Critical patent/CN110570419A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开涉及一种特征信息的获取方法、装置以及计算机可读介质。该特征信息的获取方法，包括：获取包括关注对象的第一图像；获取所述第一图像的关联图像；根据关注对象的特征值将第一图像及其关联图像输入与其对应的分类模型，以对应地得到至少一组所述关注对象的特征信息。本公开的特征信息的获取方法、装置以及计算机可读介质，根据关注对象的特征值将包含关注对象的第一图像及其关联图像输入与其对应的分类模型中进行分类，能够获得更加准确的关注对象的特征信息，提高获取的特征信息的准确度。

Description

特征信息的获取方法、装置和存储介质
技术领域
本公开涉及计算机图像处理技术领域。更具体地，本公开涉及一种特征信息的获取方法、装置和计算机存储介质。
背景技术
乳腺钼靶是利用低剂量的X光检查人类的乳腺，其具有普查、诊断、活检等多种功能。乳腺钼靶影像对乳腺癌的诊断敏感性和特异性较高，不受患者年龄以及体形的限制，已成为医院的常规检查手段。利用乳腺钼靶影像，医生可以较好地判别出乳腺肿块以及对肿块性质进行判断。但是，医生人工判别存在着依赖主观经验，且不同医生之间的判断结果可能不同，难以获取准确度高的乳腺肿块信息。
提出了本公开的技术方案以解决以上问题。
公开内容
本公开意图提供一种特征信息的获取方法、装置以及计算机可读介质，其能够根据关注对象的特征值将包含关注对象的第一图像及其关联图像输入与其对应的分类模型中进行分类，获得更加准确的关注对象的特征信息，提高获取的特征信息的准确度。
根据本公开的第一方案，提供一种特征信息的获取方法，包括：
获取包括关注对象的第一图像；
获取所述第一图像的关联图像；
根据关注对象的特征值将第一图像及其关联图像输入与其对应的分类模型，以对应地得到至少一组所述关注对象的特征信息。
在一些实施例中，所述根据关注对象的特征值将第一图像及其关联图像输入与其对应的分类模型包括：将关注对象的特征值与特征值阈值进行比较，并根据比较结果将第一图像及其关联图像输入与其对应的分类模型。
在一些实施例中，所述特征值阈值包括第一阈值，
若关注对象的特征值小于所述第一阈值，所述分类模型包括至少一个分类神经网络模型；
若关注对象的特征值大于所述第一阈值，所述分类模型包括至少两个神经网络模型和与所述至少两个神经网络模型的输出相连的至少一个分类器，其中，各个神经网络模型的分辨率均不同。
在一些实施例中，所述关注对象的特征信息包括第一分类维度的特征信息，
若关注对象的特征值大于所述第一阈值，所述分类模型包括两个神经网络模型和与所述两个神经网络模型的输出相连的一个分类器。
在一些实施例中，所述关注对象的特征信息包括第一分类维度至第n分类维度的特征信息，
若关注对象的特征值大于所述第一阈值，所述分类模型包括两个神经网络模型和与所述两个神经网络模型各分类维度信息的输出对应相连的n个分类器。
在一些实施例中，所述特征值阈值包括第一阈值和第二阈值，
若所述关注对象的特征值小于所述第一阈值，所述分类模型包括至少一个分类神经网络模型；
若所述关注对象的特征值大于所述第一阈值、小于所述第二阈值，所述分类模型包括至少两个神经网络模型和与所述至少两个神经网络模型的输出相连的至少一个分类器，其中各个神经网络模型的分辨率均不同；
若所述关注对象的特征值大于所述第二阈值，所述分类模型包括至少三个神经网络模型和与所述至少三个神经网络模型的输出相连的至少一个分类器，其中各个神经网络模型的分辨率均不同。
在一些实施例中，所述关注对象的特征信息包括第一分类维度的特征信息，
若关注对象的特征值大于所述第一阈值、小于所述第二阈值，所述分类模型包括两个神经网络模型和与所述两个神经网络模型的输出相连的一个分类器；
若所述关注对象的特征值大于所述第二阈值，所述分类模型包括至三个神经网络模型和与所述三个神经网络模型的输出相连的一个分类器。
在一些实施例中，所述关注对象的特征信息包括第一分类维度至第n分类维度的特征信息，
若关注对象的特征值大于所述第一阈值、小于所述第二阈值，所述分类模型包括两个神经网络模型和与所述两个神经网络模型各分类维度信息的输出对应相连的n个分类器。
若所述关注对象的特征值大于所述第二阈值，所述分类模型包括至三个神经网络模型和与所述三个神经网络模型各分类维度信息的输出对应相连的n个分类器。
根据本公开的第二方案，还提供了一种特征信息的获取装置，包括：
采集单元，用于获取包括关注对象的第一图像；
处理单元，用于获取所述第一图像的关联图像，并根据关注对象的特征值将第一图像及其关联图像输入与其对应的分类模型，以对应地得到至少一组所述关注对象的特征信息。
根据本公开的第三方案，还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现根据本公开实施例中任何一项所述的特征信息的获取方法。
本公开的各种实施例的特征信息的获取方法、装置以及计算机可读介质，根据关注对象的特征值将包含关注对象的第一图像及其关联图像输入与其对应的分类模型中进行分类，能够获得更加准确的关注对象的特征信息，提高获取的特征信息的准确度。
应当理解，前面的大体描述以及后续的详细描述只是例示性的和说明性的，并非对所要求保护的本公开的限制。
附图说明
在未必按照比例绘制的附图中，不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例，并且与说明书和权利要求书一起用于解释所公开的实施例。
图1示出根据本公开实施例的特征信息的获取方法的流程图；
图2示出根据本公开实施例的特征信息的获取方法的另一流程图；
图3示出根据本公开实施例的特征信息的获取装置的示意图。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例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公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
在本公开的描述中，需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。
图1和图2示出根据本公开实施例的特征信息的获取方法的流程图，如图1和图2所示，本公开提供了一种特征信息的获取方法，包括：
步骤101：获取包括关注对象的第一图像。
具体地，在步骤101中，获取包括关注对象的第一图像包括：
获取包括关注对象的原始图像；
截取原始图像中包括关注对象的目标区域以得到第一图像。
关注对象是指原始图像中，检测出的区域或者用户感兴趣的区域。原始图像可以为照相机等摄像设备采集的图像，或者为具有摄像功能或者图像处理功能的电子设备获取的图像，例如手机、笔记本电脑、PAD等设备获取的图像。在医学领域，原始图像可以包括但不限于由各类医学成像设备获取的身体各部位或器官的医学影像，例如：X射线摄影设备、计算机断层扫描设备(CT)、核磁共振成像设备(MRI)等获取的医学影像。只要具有摄像功能或具有图像处理功能的设备获取的图像均可以作为原始图像，本公开不进行一一举例说明。
对于不同的原始图像，关注对象通常具有不同的表现形式。例如，对于医学影像，关注对象为检测出的病灶。具体来说，乳腺钼靶X线图像中，关注对象可以为检测出的乳腺肿块；肺部CT扫描图像中，关注对象可以为检测出的肺部结节等。对于其他图像，例如人脸影像，关注对象可以为人脸影像中感兴趣的区域，感兴趣的区域包括两颊、眼睛等目标区域。
本公开实施例可以将从原始图像中所检测到的多个具有轮廓信息的对象作为关注对象，进一步地，在该原始图像中确定出每个关注对象的位置区域并进行截取以获得第一图像。本实施例中第一图像是与关注对象对应的图像，对哪一个关注对象进行分析，该第一图像即基于该关注对象获得。
可以理解的是，该位置区域为需要截取的目标区域，将该目标区域规则化后对其进行截取可获得第一图像。比如，该目标区域可以规则化为包含关注对象的正方形区域，相应地，第一图像为正方形图像。本公开中将目标区域规则化为正方形，只是为了方便后续的图像处理。在实际应用中，也可以将目标区域规则化为其他形状，如圆形、矩形等等，本公开不具体限定。
以乳腺钼靶X线图像为例对第一图像的获取进行说明。关注对象为原始乳腺图像中检测出的肿块，以检测的肿块的中心所在的位置为中心，在其周围圈定出目标区域，例如圈定出包含肿块的圆形区域，并截取该目标区域以获得第一图像。第一图像根据肿块的直径进行截取，例如，截取出方形的第一图像，第一图像的边长一般为检出的肿块直径的1.2-1.5倍。
在一些实施例中，可以先圈定出目标区域，再根据目标区域确定出第一图像的目标边界，并将所述目标边界包围的图像作为第一图像。例如，圈定出包含肿块的圆形区域，然后在该圆形区域的周围确定出一方形边界，截取该方形边界包围的图像即为第一图像。
步骤S102：获取所述第一图像的关联图像。
在一些实施例中，关联图像可以为第一图像的掩码图像。具体来说，根据高斯滤波，获得相应的掩码处理后的图像，从而得到信息增强的掩码图像，有利于机器学习过程中对感兴趣区域的学习，以获取该区域的特征信息。例如，乳腺钼靶X线图像中，乳腺肿块的掩码图像可以大致给出肿块区域的位置，有利于肿块区域的特征信息的获取。
步骤S103：根据关注对象的特征值将第一图像及其关联图像输入与其对应的分类模型，以对应地得到至少一组所述关注对象的特征信息。
具体来说，根据关注对象的特征值确定待输入的第一图像及其关联图像所适用的分类模型，并将第一图像及其关联图像输入与其对应的分类模型中进行分类，获得关注对象的不同分类维度的特征信息。
关注对象的特征值为用于表征关注对象的量化数值，例如，以乳腺肿块为关注对象时，特征值可以为用于表示肿块大小的肿块半径。特征信息为用于表征关注对象的信息，例如，以乳腺肿块为关注对象时，乳腺肿块的特征信息可以包括三方面的信息，分别是密度信息、形状信息、边缘信息。乳腺肿块的不同分类维度的特征信息可以为密度、形状以及边缘三个分类维度的信息。
本公开实施例中，所述分类模型包括：至少一个分类神经网络模型，或至少两个神经网络模型以及与所述至少两个神经网络模型的输出相连的至少一个分类器。
上述的根据关注对象的特征值将第一图像及其关联图像输入相应的分类模型，包括：
将关注对象的特征值与特征值阈值进行比较，并根据比较结果将第一图像及其关联图像输入至与其对应的分类模型。
具体来说，特征值阈值是根据关注对象的特征值的数量分布关系来确定的。例如，以乳腺肿块为关注对象时，其特征值可以为乳腺肿块的半径，可以通过获取每个乳腺肿块半径对应的乳腺肿块数量的分布直方图，根据乳腺肿块半径和对应的乳腺肿块数量的分布图来确定乳腺肿块的半径阈值，例如，根据分布图确定在一组乳腺肿块样本中，75％的乳腺肿块的半径在0.8cm以下，则可以以乳腺肿块半径为0.8cm为界，即半径阈值可以为0.8cm，基于该半径阈值将乳腺肿块大小界定在两个范围，如乳腺肿块半径大于0.8cm的乳腺肿块和乳腺肿块半径小于0.8cm的乳腺肿块。在一些实施例中，特征值阈值包括第一阈值，
若关注对象的特征值小于所述第一阈值，所述分类模型包括至少一个分类神经网络模型；
若关注对象的特征值大于所述第一阈值，所述分类模型包括至少两个神经网络模型和与所述至少两个神经网络模型的输出相连的至少一个分类器，其中，各个神经网络模型的分辨率均不同。
如图2所示，当关注对象的特征值小于所述第一阈值时，利用分类神经网络模型对关注对象进行分类，以获取关注对象的特征信息；当关注对象的特征值大于所述第一阈值时，利用N个不同的神经网络模型(如图2所示的第一神经网络模型至第N神经网络模型，N≥2)进行特征提取，并将不同的神经网络模型提取的特征向量输入至与其对应的分类器中进行分类以获取关注对象的最终特征信息。
以获取乳腺肿块的特征信息为例进行说明，乳腺肿块的特征值为乳腺肿块的半径大小，对应地，第一阈值为乳腺肿块的半径阈值，比如0.8cm。当乳腺肿块的半径小于该半径阈值时，直接将包含乳腺肿块的第一图像及其关联图像输入一个分类神经网络模型中进行分类，以获得乳腺肿块的不同分类维度下的特征信息。当乳腺肿块的半径大于半径阈值时，将包含乳腺肿块的第一图像及其关联图像输入至少两个分辨率不同的神经网络模型中分别进行特征提取获得相应的特征向量，再将至少两个神经网络模型输出的相应的特征向量链接，获得最终的特征向量，将最终的特征向量输入分类器进行分类以获得对乳腺肿块在不同分类维度下进行分类后的特征信息。本实施例中，分类器为SVM分类器。
在一具体实施例中，特征值阈值包括第一阈值，关注对象的特征信息包括第一分类维度的特征信息，
若关注对象的特征值大于所述第一阈值，所述分类模型包括两个神经网络模型和与所述两个神经网络模型的输出相连的一个分类器。
具体来说，当关注对象的特征值大于所述第一阈值时，将第一图像及其关联图像分别输入至两个分辨率不同的神经网络模型中分别对其进行特征提取，获得两组特征向量。每一组特征向量中包含多个分类维度下的特征，当需要获得关注对象的第一分类维度下的特征信息时，将通过神经网络模型输出的第一分类维度下的两组特征向量链接，获得链接后的特征向量，将链接后的特征向量作为分类器的输入，输入第一分类维度的分类器中，便可获得第一分类维度下的特征信息。
仍以获取乳腺肿块的特征信息为例进行说明，乳腺肿块的特征信息包括密度、形状以及边缘三个分类维度的特征信息，且每一分类维度中包含多个分类类别的特征信息，例如，乳腺肿块的密度信息包括高密度、等密度、低密度、中等密度等分类类别的密度信息，乳腺肿块的形状信息包括圆形、卵圆形、分叶型、不规则型等分类类别的形状信息，乳腺肿块的边缘信息包括清晰、小分叶、模糊等分类类别的边缘信息。
将第一图像及其关联图像分别输入至两个分辨率不同的神经网络模型中分别对其进行特征提取，获得两组特征向量。第一组特征向量中包括高密度、圆形、清晰三个不同分类维度下的分类类别的特征向量，第二组特征向量中包括高密度、圆形、清晰三个不同分类维度下的分类类别的特征向量，将第一组特征向量和第二组特征向量中的形状特征向量链接后输入形状分类器中，便可获得形状信息，例如，经分类器分类后输出乳腺肿块的形状为圆形，该形状信息即为第一分类维度下的特征信息。
在另一具体实施例中，特征值阈值包括第一阈值，关注对象的特征信息包括第一分类维度至第n分类维度的特征信息，
若关注对象的特征值大于所述第一阈值，所述分类模型包括两个神经网络模型和与所述两个神经网络模型各分类维度信息的输出对应相连的n个分类器。
此种情形下，如果需要获得多个分类维度下的特征信息，需要将链接后的不同分类维度的特征向量输入不同分类维度下的分类器中分别进行分类。
仍以获取乳腺肿块的特征信息为例进行说明，在利用两个分辨率不同的神经网络模型对乳腺肿块的特征进行提取，获得包括高密度、圆形、清晰三个分类维度的两组特征向量，每组特征向量均包括密度、形状、边缘三个不同分类维度下的分类类别的特征向量，将两组特征向量中的相对应的分类类别的特征向量链接后，输入不同的分类器中进行分类，可以获得不同分类维度的特征信息。例如，将两组特征向量中的形状特征向量链接后输入形状分类器中，便可获得形状信息，例如，经分类器分类后输出乳腺肿块的形状为圆形，该形状信息即为第一分类维度下的特征信息；将两组特征向量中的密度特征向量链接后输入密度分类器中，便可获得密度信息，例如，经分类器分类后输出乳腺肿块的密度为高密度，该密度信息即为第二分类维度下的特征信息；将两组特征向量中的边缘特征向量链接后的特征向量输入边缘分类器中，便可获得边缘信息，例如，经分类器分类后输出乳腺肿块的边缘清晰，该边缘信息即为第三分类维度下的特征信息。
采用SVM分类器对通过多分辨率神经网络模型提取的特征向量进行分类，分类速度快，准确性高；特征提取和分类分别进行，能够降低计算处理量，提高计算处理效率。
需要说明的是，关注对象既指第一图像中的关注对象，也指关联图像中的关注对象；因此，关注对象的特征值既指第一图像中关注对象的特征值，也指关联图像中关注对象的特征值。
本公开实施例提供的特征信息的获取方法，根据关注对象的特征值将包含关注对象的第一图像及其关联图像输入与其对应的分类模型中进行分类，能够获得更加准确的关注对象的特征信息，提高获取的特征信息的准确度。
本公开实施例中，特征值阈值至少包括一个阈值。具体来说，为了提高获取的特征信息的准确度，可以根据关注对象的特征值的数量分布关系确定多个阈值，也即特征值阈值包括多个阈值，并根据多个阈值划分出多个范围。在一些实施例中，特征值阈值包括第一阈值和第二阈值，
若所述关注对象的特征值小于所述第一阈值，所述分类模型包括至少一个分类神经网络模型；
若所述关注对象的特征值大于所述第一阈值、小于所述第二阈值，所述分类模型包括至少两个神经网络模型和与所述至少两个神经网络模型的输出相连的至少一个分类器，其中各个神经网络模型的分辨率均不同；
若所述关注对象的特征值大于所述第二阈值，所述分类模型包括至少三个神经网络模型和与所述至少三个神经网络模型的输出相连的至少一个分类器，其中各个神经网络模型的分辨率均不同。
具体地，仍以获取乳腺肿块的特征信息为例，当乳腺肿块的半径小于第一半径阈值时，将第一图像及其关联图像输入分类神经网络模型中进行分类，可以获得乳腺肿块的密度、形状以及边缘三个分类维度的特征信息。
当乳腺肿块的半径大于第一半径阈值、小于第二半径阈值时，将第一图像及其关联图像分别输入至两个分辨率不同的神经网络模型中进行特征提取，可以获得乳腺肿块的两组特征向量。每组特征向量均包括乳腺肿块的密度、形状、边缘三个分类维度的信息。将通过两个神经网络模型获得的两组特征向量中相应的特征向量链接，可以获得最终的特征向量，将最终的特征向量输入SVM分类器便可获得分类后的乳腺肿块的密度、形状、边缘信息。
当乳腺肿块的半径大于第一半径阈值和第二半径阈值时，将第一图像及其关联图像分别输入至三个分辨率不同的神经网络模型中进行特征提取，可以获得乳腺肿块的三组特征向量。每组特征向量均包括乳腺肿块的密度、形状、边缘三个分类维度的信息。将通过三个神经网络模型获得的三组特征向量中相应的特征向量链接，可以获得最终的特征向量，将最终的特征向量输入SVM分类器便可获得分类后的乳腺肿块的密度、形状、边缘信息。
由上可知，随着乳腺肿块的半径的增大，对其密度、形状、边缘等特征信息进行获取时，采用的分类神经网络模型的个数增多。即，乳腺肿块的半径较小时，采用一个分类神经网络模型即可获取较为精确的乳腺肿块的特征信息，随着半径的增大，则可以采用多个不同分辨率的神经网络模型来对对乳腺肿块进行特征提取并通过分类器进行分类以获得更准确的乳腺肿块的特征信息。
在一具体实施例中，所述关注对象的特征信息包括第一分类维度的特征信息，
若关注对象的特征值大于所述第一阈值、小于所述第二阈值，所述分类模型包括两个神经网络模型和与所述两个神经网络模型的输出相连的一个分类器；
若所述关注对象的特征值大于所述第二阈值，所述分类模型包括至三个神经网络模型和与所述三个神经网络模型的输出相连的一个分类器。
在另一具体实施例中，所述关注对象的特征信息包括第一分类维度至第n分类维度的特征信息，
若关注对象的特征值大于所述第一阈值、小于所述第二阈值，所述分类模型包括两个神经网络模型和与所述两个神经网络模型各分类维度信息的输出对应相连的n个分类器。
若所述关注对象的特征值大于所述第二阈值，所述分类模型包括至三个神经网络模型和与所述三个神经网络模型各分类维度信息的输出对应相连的n个分类器。
具体来说，通过不同分辨率的神经网络模型提取出关注对象的特征向量后，如果需要获得一个分类维度下的特征信息，将经不同分辨率的神经网络模型提取的该分类维度下的特征向量链接后输入该分类维度的分类器中进行分类，便可获得该分类维度下的特征信息。如果需要获得多个分类维度下的特征信息，将经神经网络模型提取的不同维度下的特征向量相应的链接后分别输入不同分类维度的分类器中进行分类，便可获得不同分类维度下的特征信息。具体的分类实现过程如上述的特征值包括第一阈值时的情形，在此不再赘述。进一步地，在将第一图像及其关联图像输入分类神经网络模型前，需要对其图像进行参数调整，以适应不同分辨率的神经网络模型。
分类神经网络模型的输入参数包括分辨率(尺寸)大小，仍以获取肿块的特征信息为例，当包含乳腺肿块的第一图像的分辨率不满足输入条件时，将第一图像及其关联图像分别进行缩放，以适应分类神经网络模型的输入参数，并将缩放后的第一图像及其关联图像输入两个分类神经网络模型中进行分类。
对于特征值阈值包括多个阈值的情况，先根据多个阈值划分出多个范围，再将第一图像及其关联图像输入不同阈值范围对应的分类神经网络模型中进行分类，与上述特征值阈值包括第一阈值和第二阈值的情形类似，本公开不再赘述。
在一些实施例中，分类神经网络模型和神经网络模型均为多通道神经网络模型。获取第一图像及其关联图像后，将其作为分类神经网络模型或神经网络模型的两个通道的输入，输入至分类神经网络模型或神经网络模型中，将第一图像及其关联图像输入分类神经网络模型可输出关注对象的不同分类维度的特征信息；将第一图像及其关联图像输入不同分辨率的神经网络模型，并将不同神经网络模型输出的相应的特征向量链接后输入至不同的分类器可以对关注对象进行分类获得关注对象的不同分类维度的特征信息。
以分类神经网络模型为例，对双通道的分类神经网络模型进行说明，本公开实施例中，通过双通道分类神经网络模型对关注对象的特征信息进行分类，即将第一图像作为其中一个通道的输入，提取第一图像中关注对象的特征向量；将关联图像作为另一个通道的输入，提取关联图像中关注对象的特征向量；两个通道提取的特征向量经过分类神经网络模型的全连接层进行融合以得到分类神经网络模型的输出，将分类神经网络模型的输出通过softmax函数得到关注对象的特征信息。本公开通过使用一个通道输入包含关注对象的第一图像，另一个通道输入第一图像的关联图像，形成双通道输入，能够提高关注对象中特征信息获取的准确度。
分类神经网络至少包括输入层、卷积层、池化层、全连接层、输出层。分类神经网络的第一层为输入层，输入层用于向网络中输入符合标准的图像。本实施例中，输入层包含两个通道，第一个通道用于输入第一图像，第二个通道用于输入第一图像的关联图像。在实际的图像输入中，根据具体情况对输入图像进行预处理，预处理包括图像增强、噪声去除等。卷积层主要采用可训练的卷积核来对输入数据进行卷积操作，并将结果以某种组合形式输出，其本质是对输入数据的特征提取。经多个卷积层和池化层后，连接着1个或1个以上的全连接层。全连接层中的每个神经元与其前一层的所有神经元进行全连接。全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息，并将其输出至输出层。为了提升CNN网络性能，全连接层每个神经元的激励函数一般采用ReLU函数。输出层的数据被传递至分类层，由分类层进行分类后输出分类结果，从而得到关注对象的各特征信息。
分类神经网络模型在处理多分类(分类维度C>2)问题时，采用softmax回归分类函数将输出层数据经过softmax回归后得到归一化概率，依据概率确定出分类结果。即使用softmax函数进行映射以得到对应的分类类别概率，基于概率确定出最终获取的关注对象的特征信息。本实施例中，将包含乳腺肿块的第一图像及其关联图像输入分类神经网络模型中，便可输出乳腺肿块的密度、形状、边缘三个分类维度的信息。
本公开实施例的分类神经网络是基于Resnet18网络、Resnet34网络、Resnet50网络或Alexnet构建的分类神经网络。
在一些实施例中，关注对象的特征信息包括第一分类维度至第n分类维度的信息；
分类神经网络模型的输出层的神经元个数配置为m个，每个神经元代表一个分类类别，所述第一分类维度包含m1个分类类别，所述第二分类维度包含m2个分类类别，……所述第n分类维度包含mn个分类类别，其中，m＝m1+m2+……mn。
在一具体实施例中，仍以获取乳腺肿块的特征信息为例，乳腺肿块的特征信息包括三个分类维度的信息，分别是密度、形状、边缘。乳腺肿块特征信息分类神经网络为一基于ResNet18网络优化的残差神经网络，最终输出乳腺肿块的密度、形状、边缘三个softmax向量。由于乳腺肿块密度、形状、边缘类型共用了很多底层的形态或纹理特征，因此，乳腺肿块信息分类神经网络采用多任务学习，让一个乳腺肿块信息分类神经网络可以同时输出乳腺肿块密度、形状、边缘三个分类维度上的分类，以减小模型大小，加快处理速度。
具体地，在ResNet18的全连接层，将神经元个数设置为512，并将输出层L的神经元个数设定为12，分别为乳腺肿块密度类型五分类，形状类型四分类和边缘类型三分类的概率分布值。即从三个分类维度对乳腺肿块的特征信息进行分类，且每一分类维度中包含多个分类类别的特征信息，例如，乳腺肿块的密度信息中包括高密度、等密度、低密度、中等密度、含脂肪密度五种密度，乳腺肿块的形状信息中包括圆形、卵圆形、分叶型、不规则型四种形状，乳腺肿块的边缘信息包括清晰、小分叶、模糊三种边缘，使得输出层L包含三个分类维度的子向量。将输出层的三个分类维度的子向量分别输入softmax激活，可以得到三个分类维度上各个类别的归一化概率值，依概率值判断各类型的特征信息。即各个分类中归一化得分最高的类别将会被认为是该分类维度下的最终特征信息。本实施例中，可以获得乳腺肿块的密度、形状和边缘三个分类维度的特征信息，例如获得的乳腺肿块的特征信息为高密度、圆形以及边界清晰，如此，可以从多个维度给出乳腺肿块的特征信息，对乳腺肿块进行精确诊断。基于ResNet18网络优化的残差神经网络有助于解决梯度消失和梯度爆炸问题，能够在训练更深网络的同时，又能保证良好的性能。
本公开实施例中，分类神经网络模型是经预先训练获得的分类神经网络模型，能够对第一图像及其关联图像进行特征提取，并根据提取的特征对关注对象的特征信息进行分类以获得最终的特征信息。分类神经网络模型可以将图像直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。
分类神经网络模型的训练步骤包括：
(1)获取预设数量的包含关注对象的第一图像及其关联图像的训练数据集。
具体来说，将第一图像及其关联图像组合在一起，构成双通道输入图像，并根据双通道输入图像形成训练数据集。
训练数据集的数量尽可能多，并且尽可能多的获取关注对象的不同分类维度的信息数据，训练数据集的数量越多最终训练得到的分类神经网络模型越精确。
在乳腺肿块的分类神经网络模型的训练过程中，收集大量乳腺影像，训练数据集中包含有肿块样本的多个类型的集合，每个类型的样本集合中包含多个特征信息样本，即训练数据集中包含肿块密度、形状、边缘等多组样本的集合。
(2)构建分类神经网络结构，并输入训练数据集，对分类神经网络的参数进行训练，得到分类神经网络模型。
具体地，构建分类神经网络，用于对并行输入的第一图像及其关联图像两个通道的图像特征进行深度学习；将第一图像及其关联图像输入双通道分类神经网络，对神经网络进行训练、调优，获得训练好的分类神经网络模型；
在通过训练得到分类神经网络模型后，便能够使用该分类神经网络模型对输入的第一图像及其关联图像进行分类，获得关注对象的不同分类维度的特征信息。
利用上述训练数据集进行机器学习训练，获取每一关注对象中不同分类维度的特征信息的相似概率，根据所述相似概率，确定关注对象的特征信息归属的类别，便可获得最终的用于分类的分类神经网络模型。
本实施例中，不同分辨率的神经网络模型的结构与分类神经网络模型类似，其区别仅在于，神经网络模型用于对关注对象的特征进行提取，获得相应的特征向量；而分类神经网络模型进行特征提取获得特征向量后可直接进行分类获得特征信息。利用不同分辨率的神经网络模型进行特征提取后，还需要将不同神经网络模型输出的相应的特征向量链接，获得最终的特征向量，并将最终的特征向量输入SVM分类器中进行分类，以获得分类后的特征信息。
神经网络模型的训练与分类神经网络模型的训练类似，在此不再赘述。
具体来说，采用不同分辨率的神经网络模型对第一图像及其关联图像进行特征提取，输出多组特征向量，对多组特征向量中相应的特征向量链接，获得最终的特征向量，将最终的特征向量输入SVM分类器可以获得分类后的特征信息SVM分类器。
与分类神经网络模型一样，SVM分类器基于机器学习训练获得。由于SVM分类器的训练是针对每一个分类维度，将每一个分类维度的不同分辨率的神经网络的输出分类结果组合成高维向量作为训练样本的输入，将对应肿块的分类的标注作为训练样本的标签，训练支持向量机(SVM)模型，可以获得训练好的SVM分类器。
在通过训练得到SVM分类器后，将通过多分辨率的分类神经网络获得的关注对象在某一个分类维度下的特征向量链接，得到该分类维度下的高维特征向量，然后输入至对应分类维度下的SVM分类器中，得到该维度下的最终分类结果。
如图3所示，本公开的实施例还提供了一种特征信息的获取装置300，包括：
采集单元301，用于获取包括关注对象的第一图像；
处理单元302，用于获取所述第一图像的关联图像，并根据关注对象的特征值将第一图像及其关联图像输入与其对应的分类模型，以对应地得到至少一组所述关注对象的特征信息。
其中，分类模型包括：至少一个分类神经网络模型，或至少两个神经网络模型以及与所述至少两个神经网络模型的输出相连的至少一个分类器。
本公开的各种实施例的特征信息的获取装置300，根据关注对象的特征值将包含关注对象的第一图像及其关联图像输入相应的相应的分类模型中进行分类，能够获得更加准确的关注对象的特征信息，提高获取的特征信息的准确度。本公开的实施例还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现根据本公开的实施例中任一项所述的特征信息的获取方法。
在一些实施例中，执行算机可执行指令处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，该处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。
在一些实施例中，计算机可读存储介质可以为存储器，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
在一些实施例中，计算机可执行指令可以实现为多个程序模块，多个程序模块共同实现根据本公开中任何一项所述的特征信息的获取方法。
本公开描述了各种操作或功能，其可以实现为软件代码或指令或者定义为软件代码或指令。显示单元可以实现为在存储器上存储的软件代码或指令模块，其由处理器执行时可以实现相应的步骤和方法。
这样的内容可以是可以直接执行(“对象”或“可执行”形式)的源代码或差分代码(“delta”或“patch”代码)。这里描述的实施例的软件实现可以通过其上存储有代码或指令的制品提供，或者通过操作通信接口以通过通信接口发送数据的方法提供。机器或计算机可读存储介质可以使机器执行所描述的功能或操作，并且包括以可由机器(例如，计算装置、电子系统等)访问的形式存储信息的任何机制，例如可记录/不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存装置等)。通信接口包括与硬连线、无线、光学等介质中的任何一种接口以与其他装置通信的任何机制，例如存储器总线接口、处理器总线接口、因特网连接、磁盘控制器等。通信接口可以通过提供配置参数和/或发送信号来配置以准备通信接口，以提供描述软件内容的数据信号。可以通过向通信接口发送一个或多个命令或信号来访问通信接口。
本公开的实施例的计算机可执行指令可以组织成一个或多个计算机可执行组件或模块。可以用这类组件或模块的任何数量和组合来实现本公开的各方面。例如，本公开的各方面不限于附图中示出的和本文描述的特定的计算机可执行指令或特定组件或模块。其他实施例可以包括具有比本文所示出和描述的更多或更少功能的不同的计算机可执行指令或组件。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本公开的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本公开的示例性实施例，不用于限制本公开，本公开的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本公开做出各种修改或等同替换，这种修改或等同替换也应视为落在本公开的保护范围内。

Claims (10)

1.一种特征信息的获取方法，包括：
获取包括关注对象的第一图像；
获取所述第一图像的关联图像；
根据关注对象的特征值将第一图像及其关联图像输入与其对应的分类模型，以对应地得到至少一组所述关注对象的特征信息。
2.根据权利要求1所述的特征信息的获取方法，其特征在于，所述根据关注对象的特征值将第一图像及其关联图像输入与其对应的分类模型包括：将关注对象的特征值与特征值阈值进行比较，并根据比较结果将第一图像及其关联图像输入与其对应的分类模型。
3.根据权利要求2所述的特征信息的获取方法，其特征在于，所述特征值阈值包括第一阈值，
若关注对象的特征值小于所述第一阈值，所述分类模型包括至少一个分类神经网络模型；
若关注对象的特征值大于所述第一阈值，所述分类模型包括至少两个神经网络模型和与所述至少两个神经网络模型的输出相连的至少一个分类器，其中，各个神经网络模型的分辨率均不同。
4.根据权利要求3所述的特征信息的获取方法，其特征在于，所述关注对象的特征信息包括第一分类维度的特征信息，
若关注对象的特征值大于所述第一阈值，所述分类模型包括两个神经网络模型和与所述两个神经网络模型的输出相连的一个分类器。
5.根据权利要求3所述的特征信息的获取方法，其特征在于，所述关注对象的特征信息包括第一分类维度至第n分类维度的特征信息，
若关注对象的特征值大于所述第一阈值，所述分类模型包括两个神经网络模型和与所述两个神经网络模型各分类维度信息的输出对应相连的n个分类器。
6.根据权利要求2所述的特征信息的获取方法，其特征在于，所述特征值阈值包括第一阈值和第二阈值，
若所述关注对象的特征值小于所述第一阈值，所述分类模型包括至少一个分类神经网络模型；
若所述关注对象的特征值大于所述第一阈值、小于所述第二阈值，所述分类模型包括至少两个神经网络模型和与所述至少两个神经网络模型的输出相连的至少一个分类器，其中各个神经网络模型的分辨率均不同；
若所述关注对象的特征值大于所述第二阈值，所述分类模型包括至少三个神经网络模型和与所述至少三个神经网络模型的输出相连的至少一个分类器，其中各个神经网络模型的分辨率均不同。
7.根据权利要求6所述的特征信息的获取方法，其特征在于，所述关注对象的特征信息包括第一分类维度的特征信息，
若关注对象的特征值大于所述第一阈值、小于所述第二阈值，所述分类模型包括两个神经网络模型和与所述两个神经网络模型的输出相连的一个分类器；
若所述关注对象的特征值大于所述第二阈值，所述分类模型包括至三个神经网络模型和与所述三个神经网络模型的输出相连的一个分类器。
8.根据权利要求6所述的特征信息的获取方法，其特征在于，所述关注对象的特征信息包括第一分类维度至第n分类维度的特征信息，
若关注对象的特征值大于所述第一阈值、小于所述第二阈值，所述分类模型包括两个神经网络模型和与所述两个神经网络模型各分类维度信息的输出对应相连的n个分类器。
若所述关注对象的特征值大于所述第二阈值，所述分类模型包括至三个神经网络模型和与所述三个神经网络模型各分类维度信息的输出对应相连的n个分类器。
9.一种特征信息的获取装置，其特征在于，包括：
采集单元，用于获取包括关注对象的第一图像；
处理单元，用于获取所述第一图像的关联图像，并根据关注对象的特征值将第一图像及其关联图像输入与其对应的分类模型，以对应地得到至少一组所述关注对象的特征信息。
10.一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现根据权利要求1-8任一项所述的特征信息的获取方法。
CN201910866701.6A 2019-09-12 2019-09-12 特征信息的获取方法、装置和存储介质 Pending CN110570419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910866701.6A CN110570419A (zh) 2019-09-12 2019-09-12 特征信息的获取方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910866701.6A CN110570419A (zh) 2019-09-12 2019-09-12 特征信息的获取方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN110570419A true CN110570419A (zh) 2019-12-13

Family

ID=68779868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910866701.6A Pending CN110570419A (zh) 2019-09-12 2019-09-12 特征信息的获取方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN110570419A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667460A (zh) * 2020-04-30 2020-09-15 清华大学 Mri影像处理系统、方法、设备及介质
CN111709950A (zh) * 2020-08-20 2020-09-25 成都金盘电子科大多媒体技术有限公司 一种乳腺钼靶ai辅助筛查方法
CN112348082A (zh) * 2020-11-06 2021-02-09 上海依智医疗技术有限公司 深度学习模型构建方法、影像处理方法及可读存储介质
CN116798596A (zh) * 2022-03-14 2023-09-22 数坤(北京)网络科技股份有限公司 一种信息关联方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106340021A (zh) * 2016-08-18 2017-01-18 上海联影医疗科技有限公司 血管提取方法
CN106709917A (zh) * 2017-01-03 2017-05-24 青岛海信医疗设备股份有限公司 神经网络模型训练方法、装置及系统
CN109145877A (zh) * 2018-09-29 2019-01-04 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备及存储介质
CN109801264A (zh) * 2018-12-21 2019-05-24 杭州依图医疗技术有限公司 一种肺结节分析的方法及装置
CN109993201A (zh) * 2019-02-14 2019-07-09 平安科技（深圳）有限公司 一种图像处理方法、装置和可读存储介质
CN110008971A (zh) * 2018-08-23 2019-07-12 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读存储介质及计算机设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106340021A (zh) * 2016-08-18 2017-01-18 上海联影医疗科技有限公司 血管提取方法
CN106709917A (zh) * 2017-01-03 2017-05-24 青岛海信医疗设备股份有限公司 神经网络模型训练方法、装置及系统
CN110008971A (zh) * 2018-08-23 2019-07-12 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读存储介质及计算机设备
CN109145877A (zh) * 2018-09-29 2019-01-04 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备及存储介质
CN109801264A (zh) * 2018-12-21 2019-05-24 杭州依图医疗技术有限公司 一种肺结节分析的方法及装置
CN109993201A (zh) * 2019-02-14 2019-07-09 平安科技（深圳）有限公司 一种图像处理方法、装置和可读存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667460A (zh) * 2020-04-30 2020-09-15 清华大学 Mri影像处理系统、方法、设备及介质
CN111709950A (zh) * 2020-08-20 2020-09-25 成都金盘电子科大多媒体技术有限公司 一种乳腺钼靶ai辅助筛查方法
CN111709950B (zh) * 2020-08-20 2020-11-06 成都金盘电子科大多媒体技术有限公司 一种乳腺钼靶ai辅助筛查方法
CN112348082A (zh) * 2020-11-06 2021-02-09 上海依智医疗技术有限公司 深度学习模型构建方法、影像处理方法及可读存储介质
CN116798596A (zh) * 2022-03-14 2023-09-22 数坤(北京)网络科技股份有限公司 一种信息关联方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
Al-Antari et al. Deep learning computer-aided diagnosis for breast lesion in digital mammogram
US10482603B1 (en) Medical image segmentation using an integrated edge guidance module and object segmentation network
Halder et al. Lung nodule detection from feature engineering to deep learning in thoracic CT images: a comprehensive review
Kallenberg et al. Unsupervised deep learning applied to breast density segmentation and mammographic risk scoring
CN109003267B (zh) 从3d图像自动检测目标对象的计算机实现方法和系统
US20170249739A1 (en) Computer analysis of mammograms
Tan et al. Expert knowledge-infused deep learning for automatic lung nodule detection
CN110570419A (zh) 特征信息的获取方法、装置和存储介质
Kuang et al. Unsupervised multi-discriminator generative adversarial network for lung nodule malignancy classification
Tsivgoulis et al. An improved SqueezeNet model for the diagnosis of lung cancer in CT scans
Songsaeng et al. Multi-scale convolutional neural networks for classification of digital mammograms with breast calcifications
Elayaraja et al. An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach
Zhou et al. Deep learning-based breast region extraction of mammographic images combining pre-processing methods and semantic segmentation supported by Deeplab v3+
Pawar et al. Local Binary Patterns Descriptor Based on Sparse Curvelet Coefficients for False‐Positive Reduction in Mammograms
Zebari et al. Enhancing Brain Tumor Classification with Data Augmentation and DenseNet121
Anas et al. Advancing Breast Cancer Detection: Enhancing YOLOv5 Network for Accurate Classification in Mammogram Images
Wang et al. Optic disc detection based on fully convolutional neural network and structured matrix decomposition
Saumiya et al. Unified automated deep learning framework for segmentation and classification of liver tumors
Talha et al. Lung nodules detection using semantic segmentation and classification with optimal features
Meena et al. Original Research Article An improved convolutional neural network-based model for detecting brain tumors from augmented MRI images
Altan et al. CLAHE based enhancement to transfer learning in COVID-19 detection
Retico Computer-aided detection for pulmonary nodule identification: improving the radiologist's performance?
Mathina Kani et al. Classification of skin lesion images using modified Inception V3 model with transfer learning and augmentation techniques
Akram et al. Recognizing Breast Cancer Using Edge-Weighted Texture Features of Histopathology Images.
Hareesh et al. Deep Learning-Based Classification of Lung Cancer Lesions in CT Scans: Comparative Analysis of CNN, VGG-16, and MobileNet Models

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191213