CN110570425B - 一种基于深度强化学习算法的肺结节分析方法及装置 - Google Patents
一种基于深度强化学习算法的肺结节分析方法及装置 Download PDFInfo
- Publication number
- CN110570425B CN110570425B CN201910994341.8A CN201910994341A CN110570425B CN 110570425 B CN110570425 B CN 110570425B CN 201910994341 A CN201910994341 A CN 201910994341A CN 110570425 B CN110570425 B CN 110570425B
- Authority
- CN
- China
- Prior art keywords
- image
- lung nodule
- analysis
- reinforcement learning
- result
- 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
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
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于深度强化学习算法的肺结节分析方法及装置,所述方法包括构造肺结节分析模型;然后获得待分析图像;将待分析图像数据输入至分析模型中的识别模块,识别模块根据预设征象分类模型给出肺结节的分类结果;根据分类结果确定待分析图像数据的分析结果并输出。本发明实施例所提供的肺结节分析方法通过深度强化学习原理进行肺结节的分析,提高了肺结节分析结果的准确性。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种基于深度学习算法的肺结节分析方法及装置。
背景技术
肺癌患者在就诊时,医生需要人为观测其肺部影像,对患者所患有的肺结节进行分析,目前影像检查诊断需求逐年增多,每年的影像数据增长与放射科医生增长比悬殊太大,美国约为2.84倍,中国约为7.32倍。有经验医生远远不能满足临床的需求。据国家卫健委统计显示,2013至2015年三年中,全国累计完成放射诊疗12.4亿人次。而“2017中国医师协会放射医师年会”数据显示,全国放射从业人员约15.8万,其中放射医师只有约8万,具有副主任医师以上职称的只有2万人。一个普通医院的放射科医生每天平均要写80-100份CT报告,有时甚至上百个。一个病人的医疗影像有250-300张,而医生往往要对一个病人的影像反复看3-4遍才能写诊断报告。即便是满负荷工作,也需要十几个小时才能把所有的CT影像全部看完,基于深度学习的CAD技术逐渐得到医生的信赖和采用,特别是肺结节的检测任务,基于深度学习的CAD技术能够大大减少医生的工作量,但是影像科专家无法再抽出大量时间做样本标注工作,从而导致漏诊误诊。
基于此,目前亟需提供一种基于深度强化学习算法的肺结节分析的方法及装置,用于提高分析肺结节的准确率。
发明内容
本发明的目的是提供一种基于深度强化学习算法的肺结节分析方法及装置,用于提高分析肺结节的准确率。
本发明所采用的技术方案是,一种基于深度强化学习算法的肺结节分析方法,包括:
构造一种基于深度强化学习算法的肺结节分析模型,所述肺结节分析模型包括胶囊网络模块、识别模块、结果确定模块;
获取待分析图像;
将所述待分析图像输入所述肺结节分析模型,肺结节分析模型中的胶囊网络模块计算图像的Qtarget值,所述识别模块包括预设征象分类模型,并由所述预设征象分类模型给出肺结节的分类结果;
通过结果确定模块根据所述分类结果确定所述待分析图像数据的分析结果并输出。
本发明构造的一种基于深度强化学习算法的肺结节分析模型,其特征在于:
首先输入大量图片,胶囊网络对输入图片进行两级卷积之后再对特征使用胶囊封装并进行学习,产生一个算法方案;
对于一张512×512像素的CT图像,算法首先使用滑动窗口在CT图像上获取32×32像素图像块,同时记录下图像块的左上角坐标(xi,yi);从CT图像上提取的全部图像块集合可以视为胶囊网络所处的环境E,E图块集中的所有图块可以视为一个事件的所有状态S,S中的每个图像块对应强化学习算法中的一个状态st,st∈S;
胶囊网络从环境E中接收一个图像块,算法方案中的胶囊网络采用学到的策略π对S中的st从动作空间A中选择执行相应的动作at,输出此状态的类别属性cj;
当胶囊网络对从一张CT影像上取得的所有图块si执行完相应的动作at后,标记为一集(Episode)结束,并将最后的结果按预设征象分类模型给出分类结果,按图块的坐标位置显示在CT图像上;从而构造了一种基于深度强化学习算法的肺结节分析模型。
本发明胶囊网络计算目标Qtarget值采用如下方法进行计算:
基于在线深度强化学习策略,采用了传统的DQN算法,其目标Qtarget值用式(1)计算:
式中,rt+1——下一个动作的回报,γ——折扣因子,——下一个状态的最大的Qtarget值。
用于计算目标Qtarget值的目标网络是动态的,随着网络的更新而变化。而最终的目标Qtarget值是一集中所有状态正确时回报的累加,也是确定的。本发明根据所述分类结果确定所述待分析图像数据的分析结果并输出,输出患者的肺结节分析结果为患者患有的肺结节的征象。
可选的,所述所述预设分类神经网络模型为预设征象分类胶囊网络模型;所述预设征象分类胶囊网络模型是通过对多个患者对应的特征向量、每个患者患有的肺结节的征象进行训练得到的。
可选的,使用CapsNet代替Qtarget值函数,其中CapsNet的损失函数表达式如下:
Lj(ωj)=Es,a~ρ(·)[(yj-Q(s,a:ωj))2] (2)
式中,ρ(·)表示对于一个state(待诊断图像块)经由CapsNet预测给出的图像块中征象类别,Es,a~ρ(·)表示环境值,yj表示第j次迭代目标函数的值,表示上一步计算的Qtarget值
相应的,本发明还提供了一种基于深度强化学习算法的肺结节分析装置,包括:
数据存储装置,用于存储一个或多个程序;
构造模块,用于构造基于深度强化学习不同算法的肺结节分析模型;
获取模块,用于获得患者的肺部图像;
分析模块,用于将所述待分析图像划分区域形成图像数据,并将数据输入预先训练好的肺结节分析模型,获得所述分析模型输出的分类结果;
分析结果确定模块,根据所述分类结果确定所述待分析图像的分析结果;
输出模块,用于分析结果的数据输出和肺结节图像输出;
中央处理器,用于执行所述一个或多个程序,使得实现本发明任意实施例所提供的用于肺结节分析方法。
可选的,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的肺结节分析方法。
附图说明
图1是本发明实施例一所提供的一种基于深度强化学习算法的肺结节分析方法的流程图;
图2是本发明实施例二所提供的一种基于深度强化学习算法的肺结节分析方法的流程图;
图3是本发明实施例三所提供的一种基于深度强化学习算法的肺结节分析装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明,本技术领域的人员会理解,下面实施例旨在用于解释本发明,而不应视为对本发明的限制。除非特别说明,下面实施例中没有明确描述具体技术或条件的,本领域技术人员可以按照本领域内的常用的技术或条件或按照产品说明书进行。所用试剂或仪器未注明生产厂商者,均为通过市场可购买到的常规产品。
实施例一
图1是本发明实施例一所提供的一种基于深度强化学习算法的肺结节分析方法的流程图。本实施例可适用于根据肺部图像对肺结节进行分析时的情形。该方法可以由肺结节分析装置执行,该肺结节分析装置可以采用软件和/或硬件的方式实现,例如,该肺结节分析装置可配置于计算机设备中。如图1所示,具体包括以下步骤:
构造一种基于深度强化学习算法的肺结节分析模型,所述肺结节分析模型包括胶囊网络模块、识别模块、结果确定模块;
获取待分析图像;
将所述待分析图像输入所述肺结节分析模型,肺结节分析模型中的胶囊网络模块计算图像的Qtarget值,所述识别模块包括预设征象分类模型,并由所述预设征象分类模型给出肺结节的分类结果;
根据所述分类结果确定所述待分析图像数据的分析结果并输出。
本发明构造的一种基于深度强化学习算法的肺结节分析模型,其特征在于:
首先输入大量图片,胶囊网络对输入图片进行两级卷积之后再对特征使用胶囊封装并进行学习,产生一个算法方案;
对于一张512×512像素的CT图像,算法首先使用滑动窗口在CT图像上获取32×32像素图像块,同时记录下图像块的左上角坐标(xi,yi);从CT图像上提取的全部图像块集合可以视为胶囊网络所处的环境E,E图块集中的所有图块可以视为一个事件的所有状态S,S中的每个图像块对应强化学习算法中的一个状态st,st∈S;
胶囊网络从环境E中接收一个图像块,算法方案中的胶囊网络采用学到的策略π对S中的st从动作空间A中选择执行相应的动作at,输出此状态的类别属性cj;
当胶囊网络对从一张CT影像上取得的所有图块si执行完相应的动作at后,标记为一集(Episode)结束,并将最后的结果按预设征象分类模型给出分类结果,按图块的坐标位置显示在CT图像上;从而构造了一种基于深度强化学习算法的肺结节分析模型。
本发明胶囊网络计算目标Qtarget值采用如下方法进行计算:
基于在线深度强化学习策略,采用了传统的DQN算法,其目标Qtarget值用式(1)计算:
式中,rt+1——下一个动作的回报,γ——折扣因子,——下一个状态的最大的Qtarget值。
用于计算目标Qtarget值的目标网络是动态的,随着网络的更新而变化。而最终的目标Qtarget值是一集中所有状态正确时回报的累加,也是确定的。
本发明根据所述分类结果确定所述待分析图像数据的分析结果并输出,输出患者的肺结节分析结果为患者患有的肺结节的征象。
实施例二
图2是本发明实施例二所提供的一种基于深度强化学习算法的肺结节
分析方法的流程图。本实施例在上述实施例的基础上进行进一步地优化。
如图2所示,所述方法包括:
构造一种基于深度强化学习算法的肺结节分析模型,所述肺结节分析模型包括胶囊网络模块、识别模块、结果确定模块;
获取待分析图像;
将所述待分析图像输入所述肺结节分析模型,肺结节分析模型中的胶囊网络模块计算图像的Qtarget值,所述识别模块包括预设征象分类模型,并由所述预设征象分类模型给出肺结节的分类结果;
所述预设分类神经网络模型为预设征象分类CapsNet胶囊网络模型;所述预设征象分类CapsNet胶囊网络模型是通过对多个患者对应的特征向量、每个患者患有的肺结节的征象进行训练得到的。
根据所述分类结果确定所述待分析图像数据的分析结果并输出。
本发明构造的一种基于深度强化学习算法的肺结节分析模型,其特征在于:
首先输入大量图片,胶囊网络对输入图片进行两级卷积之后再对特征使用胶囊封装并进行学习,产生一个算法方案;
对于一张的512×512像素的CT图像,算法首先使用滑动窗口在CT图像上获取32×32像素图像块,同时记录下图像块的左上角坐标(xi,yi);从CT图像上提取的全部图像块集合可以视为胶囊网络所处的环境E,E图块集中的所有图块可以视为一个事件的所有状态S,S中的每个图像块对应强化学习算法中的一个状态st,st∈S;
胶囊网络从环境E中接收一个图像块,算法方案中的胶囊网络采用学到的策略π对S中的st从动作空间A中选择执行相应的动作at,输出此状态的类别属性cj;
当胶囊网络对从一张CT影像上取得的所有图块si执行完相应的动作at后,标记为一集(Episode)结束,并将最后的结果按预设征象分类模型给出分类结果,按图块的坐标位置显示在CT图像上;从而构造了一种基于深度强化学习算法的肺结节分析模型。
本发明胶囊网络计算目标Qtarget值采用如下方法进行计算:
使用CapsNet预测Qtarget值函数,其中CapsNet的损失函数表达式如下:
Lj(ωj)=Es,a~ρ(.)[(yj-Q(s,a:ωj))2] (2)
式中,ρ(·)表示对于一个state(待诊断图像块)经由CapsNet预测给出的图像块中征象类别,Es,a~ρ(·)表示环境值,yj表示第j次迭代目标函数的值,表示上一步计算的Qtarget值
CapsNet旨在弥补CNN的缺陷。与CNN胶囊神经网络模型相比,胶囊神经网络模型采取了另一种方法,胶囊模型采用是解析树形结构,每一个活动的胶囊(Capsule)与解析树上的每一个节点一一对应,可以为一个对象及其组成部件提供层次结构。CapsNet可以使用较少的训练数据进行训练。即使在密集的场景中,CapsNet也能很好地运行。一个CapsNet的胶囊包含一组神经元。通过检测和学习图像中的指定区域,它输出一个矢量。矢量长度和属性元素定义为对象的存在估计概率和对象属性参数的编码。当物体发生轻微变化时,胶囊的矢量输出长度不方便,方向发生变化,所以每个胶囊都是等变的。
为了弥补CNN的缺陷,提高算法的识别性能,对DQN算法进行了改造,使用一个CapsNet代替DQN中的CNN Q值函数。由于使用的是32×32的图片作为输入,所以构造了一个新的的胶囊网络。胶囊网络在对输入图片进行两级卷积之后再对特征使用胶囊封装。由于胶囊网络的特性是试图记住图像上的每一个细节,这样做的好处是适当忽略部分底层共性的特征,可以减少胶囊网络的运算量。
预设五种动作对应的正确状态(图像块)类别。本次实验总选择了3600个CT图像用作训练和150个CT图像用于5折性能验证。
为了平衡强度值并减少伪影和CT图像之间不同对比度值的影响,对数据集进行了归一化处理。每个图像的z值是通过从每个图像x中减去所有CT图像的平均像素强度μ,然后除以所有图像像素强度的标准差σ来计算的。这一步骤可以消除各样本之间的基准值不同的差异。
对于这些CT图像进行32×32像素的滑窗图块采集,滑动间隔为11像素。从每张CT可以取出46×46=2116块图片。在本实验中对于每一个智能体识别正确给预回报为vr=1,则每一集的Qtarget为2116。
当训练Caps-DQN时,将经验重放存储器D的最大容量N设置为3k。每次从D中提取50小批量样本。对于ε贪婪策略,本实验将ε设置为在300个周期内从1线性减少到0.1。实验不仅考虑到直接利益,而且考虑到未来的回报,损失函数中γ的值设置为0.9。
实验代码在Tensorflow深度学习构架下运行,并使用了Keras包。Keras可以利用图形处理单元来加速深度学习算法。我们在Nvidia GTX1080ti GPU卡上训练Caps-DQN算法架构。
本发明根据所述分类结果确定所述待分析图像数据的分析结果并输出,输出患者的肺结节分析结果为患者患有的肺结节的征象。
实施例三
图3是本发明实施例三所提供的一种基于深度强化学习算法的肺结节分析装置的结构示意图。图3示出了适于用来实现本发明实施方式的示例性装置的框图。图3显示的装置仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图3所示,一种基于深度强化学习算法的肺结节分析装置,具体包括:
数据存储装置,用于存储一个或多个程序;
构造模块,用于构造基于深度强化学习不同算法的肺结节分析模型;
获取模块,用于获得患者的肺部图像;
分析模块,用于将所述待分析图像划分区域形成图像数据,并将数据输入预先训练好的肺结节分析模型,获得所述分析模型输出的分类结果;
分析结果确定模块,根据所述分类结果确定待分析图像的分析结果;
输出模块,用于分析结果的数据输出和肺结节图像输出;
中央处理器,用于执行所述一个或多个程序,使得实现本发明任意实施例所提供的用于肺结节分析方法。
可选的,本发明还提供一种计算机可读存储介质,其上存储计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的肺结节分析方法。
显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
Claims (5)
1.一种基于深度强化学习算法的肺结节分析方法,其特征在于,具体包括以下步骤:
步骤一:构造基于深度强化学习算法的肺结节分析模型,所述肺结节分析模型包括胶囊网络模块、识别模块、结果确定模块;具体包括以下步骤:
步骤(一):首先输入大量图片,胶囊网络对输入图片进行两级卷积之后再对特征使用胶囊封装并进行学习,产生一个算法方案;
步骤(二):对于一张512×512像素的CT图像,算法首先使用滑动窗口在CT图像上获取32×32像素图像块,同时记录下图像块的左上角坐标(xi,yi);从CT图像上提取的全部图像块集合视为胶囊网络所处的环境E,E图块集中的所有图块视为一个事件的所有状态S,S中的每个图像块对应强化学习算法中的一个状态st,st∈S;
步骤(三):胶囊网络从环境E中接收一个图像块,算法方案中的胶囊网络采用学到的策略π对S中的st从动作空间A中选择执行相应的动作at,输出此状态的类别属性cj;
步骤(四):当胶囊网络对从一张CT影像上取得的所有图块si执行完相应的动作at后,标记为一集Episode结束,并将最后的结果按预设征象分类模型给出分类结果,按图块的坐标位置显示在CT图像上;从而构造了一种基于深度强化学习算法的肺结节分析模型;
步骤二:获取待分析图像;
步骤三:将所述待分析图像输入所述肺结节分析模型,肺结节分析模型中的胶囊网络模块基于在线深度强化学习策略,采用传统的DQN算法,其目标Qtarget值用式(1)计算:
式中,rt+1——下一个动作的回报,γ——折扣因子,——下一个状态的最大的Qtarget值;
所述识别模块包括预设征象分类模型,并由所述预设征象分类模型给出肺结节的分类结果;
步骤四:通过结果确定模块根据所述分类结果确定所述待分析图像数据的分析结果并输出。
2.根据权利要求1所述的一种基于深度强化学习算法的肺结节分析方法,其特征在于,所述步骤四中所述分析结果为患者患有的肺结节的征象。
3.根据权利要求1所述的一种基于深度强化学习算法的肺结节分析方法,其特征在于,所述步骤三中计算图像的Qtarget值迭代过程中使用CapsNet预测Qtarget函数值,其中CapsNet的损失函数表达式如下:
式中,ρ(·)表示对于一个待诊断图像块经由CapsNet预测给出的图像块中征象类别,Es,a~ρ(·)表示环境值,yj表示第j次迭代目标函数的值,表示上一步计算的Qtarget值。
4.一种基于深度强化学习算法的肺结节分析装置,用于实施权利要求1-3任一项所述的方法,其特征在于,包括:数据存储装置,用于存储一个或多个程序;构造模块,用于构造基于深度强化学习算法的肺结节分析模型;获取模块,用于获得患者的肺部图像;分析模块,用于将所述待分析图像划分区域形成图像数据,并将数据输入预先训练好的肺结节分析模型,获得所述分析模型输出的分类结果;分析结果确定模块,根据所述分类结果确定所述待分析图像的分析结果;输出模块,用于分析结果的数据输出和肺结节图像输出;中央处理器。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-3中任意一项所述的肺结节分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910994341.8A CN110570425B (zh) | 2019-10-18 | 2019-10-18 | 一种基于深度强化学习算法的肺结节分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910994341.8A CN110570425B (zh) | 2019-10-18 | 2019-10-18 | 一种基于深度强化学习算法的肺结节分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570425A CN110570425A (zh) | 2019-12-13 |
CN110570425B true CN110570425B (zh) | 2023-09-08 |
Family
ID=68785297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910994341.8A Active CN110570425B (zh) | 2019-10-18 | 2019-10-18 | 一种基于深度强化学习算法的肺结节分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570425B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734749A (zh) * | 2021-01-11 | 2021-04-30 | 四川大学华西医院 | 一种基于卷积神经网络模型的声带白斑辅助诊断系统 |
CN113763332A (zh) * | 2021-08-18 | 2021-12-07 | 上海建桥学院有限责任公司 | 一种基于三元胶囊网络算法的肺结节分析方法、装置及存储介质 |
CN113808082B (zh) * | 2021-08-19 | 2023-10-03 | 东北大学 | 肺图像的处理方法及装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108784636A (zh) * | 2018-06-01 | 2018-11-13 | 武汉大学人民医院(湖北省人民医院) | 一种基于深度强化学习的人工智能胶囊内镜检查方法及系统 |
CN109241287A (zh) * | 2018-09-21 | 2019-01-18 | 中山大学 | 基于强化学习和胶囊网络的文本分类模型及方法 |
CN109785963A (zh) * | 2019-01-16 | 2019-05-21 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺结节筛查算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446730B (zh) * | 2018-03-16 | 2021-05-28 | 推想医疗科技股份有限公司 | 一种基于深度学习的ct肺结节检测装置 |
-
2019
- 2019-10-18 CN CN201910994341.8A patent/CN110570425B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108784636A (zh) * | 2018-06-01 | 2018-11-13 | 武汉大学人民医院(湖北省人民医院) | 一种基于深度强化学习的人工智能胶囊内镜检查方法及系统 |
CN109241287A (zh) * | 2018-09-21 | 2019-01-18 | 中山大学 | 基于强化学习和胶囊网络的文本分类模型及方法 |
CN109785963A (zh) * | 2019-01-16 | 2019-05-21 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺结节筛查算法 |
Non-Patent Citations (1)
Title |
---|
韩光辉 等.肺部CT 图像病变区域检测方法.《自动化学报》.2017,第43卷(第12期),第2071-2090页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110570425A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sermesant et al. | Applications of artificial intelligence in cardiovascular imaging | |
Su et al. | Lung nodule detection based on faster R-CNN framework | |
US10646156B1 (en) | Adaptive image processing in assisted reproductive imaging modalities | |
US10210613B2 (en) | Multiple landmark detection in medical images based on hierarchical feature learning and end-to-end training | |
US10706333B2 (en) | Medical image analysis method, medical image analysis system and storage medium | |
Dangi et al. | A distance map regularized CNN for cardiac cine MR image segmentation | |
Lin et al. | AANet: Adaptive attention network for COVID-19 detection from chest X-ray images | |
KR101874348B1 (ko) | 피검체의 흉부 pa 영상의 판독을 지원하는 방법 및 이를 이용한 장치 | |
CN110570425B (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
CN110969245B (zh) | 医学图像的目标检测模型训练方法和装置 | |
Sander et al. | Automatic segmentation with detection of local segmentation failures in cardiac MRI | |
CN110197492A (zh) | 一种心脏mri左心室分割方法及系统 | |
Shi et al. | Automatic segmentation of cardiac magnetic resonance images based on multi-input fusion network | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及系统 | |
JP2022536388A (ja) | 生殖補助技術における適応型画像処理方法およびシステム | |
Duchateau et al. | Machine learning approaches for myocardial motion and deformation analysis | |
Caesarendra et al. | Automated Cobb angle measurement for adolescent idiopathic scoliosis using convolutional neural network | |
CN109191465A (zh) | 一种基于深度学习网络判定、标识人体左右第一肋骨的系统 | |
Popescu et al. | Anatomically informed deep learning on contrast-enhanced cardiac magnetic resonance imaging for scar segmentation and clinical feature extraction | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
Peña-Solórzano et al. | Findings from machine learning in clinical medical imaging applications–Lessons for translation to the forensic setting | |
Wang et al. | Automatic measurement of fetal head circumference using a novel GCN-assisted deep convolutional network | |
CN113643263A (zh) | 一种上肢骨定位与前臂骨融合畸形的识别方法及系统 | |
CN113763332A (zh) | 一种基于三元胶囊网络算法的肺结节分析方法、装置及存储介质 | |
Bardosi et al. | Metacarpal bones localization in x-ray imagery using particle filter segmentation |
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 |