CN110660045B - 基于卷积神经网络的淋巴结识别的半监督方法 - Google Patents

基于卷积神经网络的淋巴结识别的半监督方法 Download PDF

Info

Publication number
CN110660045B
CN110660045B CN201910815297.XA CN201910815297A CN110660045B CN 110660045 B CN110660045 B CN 110660045B CN 201910815297 A CN201910815297 A CN 201910815297A CN 110660045 B CN110660045 B CN 110660045B
Authority
CN
China
Prior art keywords
size
convolution
lymph node
channels
output
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
Application number
CN201910815297.XA
Other languages
English (en)
Other versions
CN110660045A (zh
Inventor
郑小青
王洪成
郑松
孔亚广
陈杰
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910815297.XA priority Critical patent/CN110660045B/zh
Publication of CN110660045A publication Critical patent/CN110660045A/zh
Application granted granted Critical
Publication of CN110660045B publication Critical patent/CN110660045B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开的基于卷积神经网络的淋巴结识别的半监督方法。包括一下步骤：先获取并预处理淋巴结图像，得到淋巴结图像样本；将淋巴结图像样本按照9:1的比例随机分为训练数据集和验证数据集，将训练数据集进行翻转和剪切的数据增强，之后从训练数据中选取20％作为有标签数据，剩下的训练数据作为无标签数据，验证数据集不做任何处理；将训练样本集输入模型分类器并不断迭代训练，每迭代1000步使用验证样本集验证模型分类器，记录验证集的正确率。本发明的识别方法将淋巴结识别的过程实现了处理流程的简化，将淋巴结图像特征提取及风格识别融为一体，识别速度快，而且识别准确率高，收敛速度快，识别准确率高，具有较好的鲁棒性、扩展性。

Description

基于卷积神经网络的淋巴结识别的半监督方法
技术领域
本发明属于半监督图像分类识别方法技术领域，特别是涉及一种卷积神经网络在淋巴结识别的方法。
背景技术
一直以来，淋巴结肿大是诱发许多疾病的根本原因，如淋巴瘤、炎症等，但是淋巴结的临床诊断一直是一个费时耗力的难题，这是由于医学图像固有的特点所决定的。一方面，人体组织是一个多种组织融合的实体，要把这种实体的影像清晰地通过图像方式展示出来，其过程本身就是一个错综复杂的操作；另一方面，人体内的各种组织相似度很大，这就造成了医学成像数据的模糊和不均匀。
正是医学图像的上述特性医生识别病变组织的难度，本文针对对腹腔淋巴结自动识别的问题，设计了一个基于卷积的半监督模型。
发明内容
本发明针对现有技术的不足，提出了一种基于卷积神经网络的淋巴结识别的半监督方法。
本发明的所采用的技术方案是，基于卷积网络的淋巴结识别方法，包括以下步骤：
步骤1，获取并预处理淋巴结图像，得到淋巴结图像样本；具体为将淋巴结图像归一化处理，并将归一化处理过的淋巴结图像调整为32×32×3的统一格式；
步骤2，将步骤1得到的淋巴结图像样本按照9:1的比例随机分为训练数据集和验证数据集，将训练数据集进行翻转和剪切的数据增强，之后从训练数据中选取20％作为有标签数据DL(x,y)，剩下的训练数据作为无标签数据DUL(x,y)，验证数据集不做任何处理；
步骤3，将步骤2中的训练样本集输入模型分类器并不断迭代训练，每迭代1000步使用验证样本集验证模型分类器，记录验证集的正确率；
其中具体迭代训练过程为：
(1)、采样有标签数据
Figure BDA0002186181180000011
采样
Figure BDA0002186181180000012
(2)、代入模型分类器计算监督交叉熵损失Ls
Figure BDA0002186181180000021
其中fθ()表示模型分类器；
(3)、采样两个无标签样本
Figure BDA0002186181180000022
采样
Figure BDA0002186181180000023
(4)、计算假的标签
Figure BDA0002186181180000024
Figure BDA0002186181180000025
其中fθ′()表示滑动平均模型分类器；
(5)、采样插值系数λ
采样λ～Q，其中Q随机分布在0～1之间；
(6)、计算插值um、
Figure BDA0002186181180000026
um＝Mixλ(uj,uk),
Figure BDA0002186181180000027
其中Mixλ(a,b)＝λa+(1-λ)b；
(7)、计算平方误差LUS
Figure BDA0002186181180000028
(8)、计算总的损失L
L＝Ls+w(t)·LUS，其中w(t)取100.0，
(9)、计算梯度gθ
Figure BDA0002186181180000029
(10)、更新滑动平均参数
θ′＝αθ′+(1-α)θ，其中α取1.0
(11)、使用随机梯度SGD或Adam优化器更新参数θ；
所述收敛的条件为：迭代次数不大于10000且达到残差值最小；
步骤4，将步骤1的淋巴结图像样本输入步骤3训练后的模型分类器中，完成淋巴结图像识别；
模型分类器中网络模型包含第一卷积单元、第二卷积单元和第三专门用来减少图像尺寸的卷积单元以及第四卷积单元，输入是通道为3的图像，分辨率大小是32×32；
第一卷积单元是连续3层是感受野大小是3×3，卷积核是128的卷积层，步长为1，边缘填充为2，输出为128个通道、大小为32×32的特征，接着是感受野大小是3×3步长为2的maxpool和随机失活是0.1的dropout，此时的输出为128个通道、大小为16×16的特征；接着是连续3层是感受野大小是3×3卷积核是256的卷积层，步长为1，边缘填充为2，输出为256个通道、大小为32×32的特征，接着是感受野大小是3×3的步长为2的最大池化和随机失活是0.1的dropout此时的输出为256个通道、大小为8×8的特征；
第二卷积单元是先是使用leakyrelu进行预激活，之后包含3个分支，第1个分支为shorcut；第2个分支为有32输出通道的1×1的步长为1的卷积；第3个分支为有32通道的1×1的步长为1的卷积再连续连接2个有32个通道的3×3的步长为1的卷积；之后第二个和第三个分支使用256通道的1×1的步长为1的卷积,然后将3个分支相加，得到最后的输出尺寸是8×8×256的结果；
第三专门用来减少图像尺寸的卷积单元是包含2个分支，第1个分支是感受野大小是3×3步长为2的最大池化；第二个分支是256通道的3×3的步长为2的卷积；最后，将2个分支在输出通道上合并，输出尺寸为4×4×512；
第四卷积单元是先是使用leakyrelu进行预激活，之后包含3个分支，第1个分支为shorcut；第2个分支为有64输出通道的1×1的步长为1的卷积；第3个分支为有64通道的1×1的步长为1的卷积再连续连接2个有64个通道的3×3的步长为1的卷积；之后第二个和第三个分支使用256通道的1×1的步长为1的卷积,然后将3个分支相加，得到最后的输出尺寸是4×4×512的结果；
最后是感受野大小是3×3步长为2的平均池化和随机失活是0.1的dropout以及softmax分类层，用于计算输出属于每一类的概率。
本发明的有益效果是：
本发明的识别方法将淋巴结识别的过程实现了处理流程的简化，将淋巴结图像特征提取及风格识别融为一体，识别速度快，而且识别准确率高，收敛速度快，识别准确率高，具有较好的鲁棒性、扩展性。
附图说明
图1是本发明基于卷积神经网络的淋巴结识别方法中模型分类器网络总的结构图；
图2是本发明基于卷积神经网络的淋巴结识别方法中模型分类器网络结构中的Basic Conv结构图；
图3是本发明基于卷积神经网络的淋巴结识别方法中模型分类器网络结构中的stem结构图；
图4是本发明基于卷积神经网络的淋巴结别方法中模型分类器网络结构中的Basic Conv结构图；
图5是本发明基于卷积神经网络的淋巴结识别方法中模型分类器网络结构中的Mix A结构图；
图6是本发明基于卷积神经网络的淋巴结识别方法中模型分类器网络结构中的Reduction结构图；
图7是本发明基于卷积神经网络的淋巴结识别方法中模型分类器网络结构中的Mix B结构图；
图8是本发明基于卷积神经网络的淋巴结识别方法中模型分类器网络结构中深度残差卷积结构图；
具体实施方式
fθ(x)：θ是神经网络fθ(x)的训练参数
fθ′(x)：θ′是θ的滑动平均参数，fθ′(x)是滑动平均神经网络
DL(x,y)：有标签训练数据的集合
DUL(x,y)：无标签训练数据的集合
α：滑动平均率取1.0
w(t):取100.0
T：总的迭代数
Q：随机分布在0～1之间
Mixλ(a,b)＝λa+(1-λ)b
for t＝1,…,T
采样
Figure BDA0002186181180000041
→采样minibatch标签数据
Figure BDA0002186181180000042
→监督损失(交叉熵)
采样
Figure BDA0002186181180000043
→采样两个无标签样本
Figure BDA0002186181180000044
→计算假的标签
采样λ～Q→采样插值系数
Figure BDA0002186181180000045
→计算插值
Figure BDA0002186181180000046
→平方误差L＝Ls+w(t)·LUS→总的损失
Figure BDA0002186181180000047
→计算梯度
θ′＝αθ′+(1-α)θ→更新滑动平均参数
θ←Step(θ,gθ)→SGD,Adam
end for
return θ
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于卷积神经网络的淋巴结识别方法，包括以下步骤：
步骤1，获得并预处理淋巴结图像，得到淋巴结图像样本；
将淋巴结图像归一化处理，并将归一化处理过的淋巴结图像调整为32×32×3的统一格式，得到淋巴结图像样本。
步骤2，将步骤1的淋巴结样本分成训练样本集和验证样本集；
将步骤1得到的淋巴结图像样本按照9:1的比例随机分为训练数据集和验证数据集，将训练数据集进行翻转和剪切的数据增强，之后从训练数据中选取20％作为有标签数据，剩下的训练数据作为无标签数据。
步骤3，将步骤2中的训练样本集输入模型分类器并不断迭代训练，同时使用验证样本集不断验证模型分类器；
步骤3，将步骤2中的训练样本集输入模型分类器并不断迭代训练，每迭代1000步使用验证样本集验证模型分类器，记录验证集的正确率。
其中具体迭代训练过程为：
(1)、采样有标签数据
Figure BDA0002186181180000051
采样
Figure BDA0002186181180000052
(2)、代入模型分类器计算监督交叉熵损失Ls
Figure BDA0002186181180000053
其中fθ()表示模型分类器；
(3)、采样两个无标签样本
Figure BDA0002186181180000054
采样
Figure BDA0002186181180000055
(4)、计算假的标签
Figure BDA0002186181180000056
Figure BDA0002186181180000057
其中fθ′()表示滑动平均模型分类器；
(5)、采样插值系数λ
采样λ～Q，其中Q随机分布在0～1之间；
(6)、计算插值um、
Figure BDA0002186181180000061
um＝Mixλ(uj,uk),
Figure BDA0002186181180000062
其中Mixλ(a,b)＝λa+(1-λ)b；
(7)、计算平方误差LUS
Figure BDA0002186181180000063
(8)、计算总的损失L
L＝Ls+w(t)·LUS，其中w(t)取100.0，
(9)、计算梯度gθ
Figure BDA0002186181180000064
(10)、更新滑动平均参数
θ′＝αθ′+(1-α)θ，其中α取1.0
(11)、使用随机梯度SGD或Adam优化器更新参数θ；
所述收敛的条件为：迭代次数不大于10000且达到残差值最小；
将步骤2中的训练样本集批量输入模型分类器中，首次迭代时，模型分类器权重参数为随机初始化参数，通过前向传播算法不断向前传递特征，并计算残差，随后通过反向传播算法将残差不断向后传递，修正权重参数，如此不断迭代以使得残差值最小或者残差值保持相对稳定，一般迭代在10000以内都能够达到残差值最小，即收敛，具体流程如图1所示。
如图1-图7所示，模型分类器中网络模型包含47层，输入是通道为32×32×3的图像；
第一卷积单元是连续3层是感受野大小是3×3卷积核是128的卷积层，步长为1，边缘填充为2，每个卷积层的参数量为3×3×3×128+128，即3584，输出为128个通道、大小为32×32的特征，接着是感受野大小是3×3，步长为2的maxpool，随机失活是0.1的dropout，此时的输出为128个通道、大小为16×16的特征。接着是连续3层是感受野大小是3×3卷积核是256的卷积层，步长为1，边缘填充为2，每个卷积层的参数量为3×3×128×256+256，即295168，输出为256个通道、大小为32×32的特征，接着是感受野大小是3×3，步长为2的最大池化，随机失活是0.1的dropout，此时的输出为256个通道、大小为8×8的特征；在卷积之后进行Weight Normalization和Batch Normalization以及leakyrelu。网络模型引入Weight Normalization，Weight Normalization和Batch Normalization都属于参数重写(Reparameterization)的方法，只是采用的方式不同，Weight Normalization是对网络权值W进行normalization，因此也称为Weight Normalization；Batch Normalization是对网络某一层输入数据进行normalization。Weight Normalization相比Batch Normalization有以下三点优势：
①Weight Normalization通过重写深度学习网络的权重W的方式来加速深度学习网络参数收敛，没有引入minbatch的依赖。
②Batch Normalization基于一个mini batch的数据计算均值和方差，而不是基于整个Training set来做，相当于进行梯度计算式引入噪声。因此，BatchNormalization不适用于对噪声敏感的强化学习、生成模型(Generative model：GAN，VAE)使用。相反，WeightNormalization对通过标量g和向量v对权重W进行重写，重写向量v是固定的，因此，基于Weight Normalization的Normalization可以看做比Batch Normalization引入更少的噪声。
③不需要额外的存储空间来保存mini batch的均值和方差，同时实现WeightNormalization时，对深度学习网络进行正向信号传播和反向梯度计算带来的额外计算开销也很小。因此，要比采用Batch Normalization进行normalization操作时，速度快。
第二卷积单元是先是使用leakyrelu进行预激活，之后包含3个分支，第1个分支为shorcut；第2个分支为有32输出通道的1×1的步长为1的卷积；第3个分支为有32通道的1×1的步长为1的卷积，接着连续连接2个有32个通道的3×3的步长为1的卷积。之后第二个和第三个分支使用256通道的1×1的步长为1的卷积,然后将3个分支相加，得到最后的输出尺寸是8×8×256的结果。
深度残差网络如图8所示。残差网络更容易优化，并且能够通过增加相当的深度来提高准确率。核心是解决了增加深度带来的副作用(退化问题)，这样能够通过单纯地增加网络深度，来提高网络性能。因为CNN能够提取low/mid/high-level的特征，网络的层数越多，意味着能够提取到不同level的特征越丰富。并且，越深的网络提取的特征越抽象，越具有语义信息。
只使用3×3的卷积，可能的情况下给定的5×5和7×7过滤器能分成多个3×3。
通过1×1的卷积我们就可以对原始图片做一个变换，得到一张新的图片，从而可以提高泛化的能力减小过拟合，同时在这个过程中根据所选用的1×1卷积和filter的数目不同，可以实现跨通道的交互和信息的整合，而且还可以改变图片的维度.而且因为通过对维度的操作，虽然网络的层数增加了，但是网络的参数却可以大大减小，节省计算量。
第三专门用来减少图像尺寸的卷积单元是包含2个分支，第1个分支是感受野大小是3×3，步长为2的最大池化；第二个分支是256通道的3×3的步长为2的卷积。最后，将2个分支在输出通道上合并，输出尺寸为4×4×(256+256)＝4×4×512。
第四卷积单元是先是使用leakyrelu进行预激活，之后包含3个分支，第1个分支为shorcut；第2个分支为有64输出通道的1×1的步长为1的卷积；第3个分支为有64通道的1×1的步长为1的卷积，接着连续连接2个有64个通道的3×3的步长为1的卷积。之后第二个和第三个分支使用256通道的1×1的步长为1的卷积,然后将3个分支相加，得到最后的输出尺寸是4×4×512的结果。
最后是感受野大小是3×3步长为2的最大池化和随机失活是0.1的dropout以及softmax分类层，用于计算输出属于每一类的概率。

Claims (1)

1.基于卷积神经网络的淋巴结识别的半监督方法，其特征在于，包括以下步骤：
步骤1，获取并预处理淋巴结图像，得到淋巴结图像样本；具体为将淋巴结图像归一化处理，并将归一化处理过的淋巴结图像调整为32×32×3的统一格式；
步骤2，将步骤1得到的淋巴结图像样本按照9:1的比例随机分为训练数据集和验证数据集，将训练数据集进行翻转和剪切的数据增强，之后从训练数据中选取20％作为有标签数据DL(x,y)，剩下的训练数据作为无标签数据DUL(x,y)，验证数据集不做任何处理；
步骤3，将步骤2中的训练样本集输入模型分类器并不断迭代训练，每迭代1000步使用验证样本集验证模型分类器，记录验证集的正确率；
其中具体迭代训练过程为：
(1)、采样有标签数据
Figure FDA0003301261470000011
采样
Figure FDA0003301261470000012
(2)、代入模型分类器计算监督交叉熵损失Ls
Figure FDA0003301261470000013
其中fθ()表示模型分类器；
(3)、采样两个无标签样本
Figure FDA0003301261470000014
采样
Figure FDA0003301261470000015
(4)、计算假的标签
Figure FDA0003301261470000016
Figure FDA0003301261470000017
其中fθ′()表示滑动平均模型分类器；
(5)、采样插值系数λ
采样λ～Q，其中Q随机分布在0～1之间；
(6)、计算插值um、
Figure FDA0003301261470000018
Figure FDA0003301261470000019
其中Mixλ(a,b)＝λa+(1-λ)b；
(7)、计算平方误差LUS
Figure FDA00033012614700000110
(8)、计算总的损失L
L＝Ls+w(t)·LUS，其中w(t)取100.0，
(9)、计算梯度gθ
Figure FDA0003301261470000021
(10)、更新滑动平均参数
θ′＝αθ′+(1-α)θ，其中α取1.0
(11)、使用随机梯度SGD或Adam优化器更新参数θ；
参数收敛的条件为：迭代次数不大于10000且达到残差值最小；
步骤4，将步骤1的淋巴结图像样本输入步骤3训练后的模型分类器中，完成淋巴结图像识别；
模型分类器中网络模型包含第一卷积单元、第二卷积单元和第三专门用来减少图像尺寸的卷积单元以及第四卷积单元，输入是通道为3的图像，分辨率大小是32×32；
第一卷积单元是连续3层是感受野大小是3×3，卷积核是128的卷积层，步长为1，边缘填充为2，输出为128个通道、大小为32×32的特征，接着是感受野大小是3×3步长为2的maxpool和随机失活是0.1的dropout，此时的输出为128个通道、大小为16×16的特征；接着是连续3层是感受野大小是3×3卷积核是256的卷积层，步长为1，边缘填充为2，输出为256个通道、大小为32×32的特征，接着是感受野大小是3×3的步长为2的最大池化和随机失活是0.1的dropout此时的输出为256个通道、大小为8×8的特征；
第二卷积单元是先是使用leakyrelu进行预激活，之后包含3个分支，第1个分支为shorcut；第2个分支为有32输出通道的1×1的步长为1的卷积；第3个分支为有32通道的1×1的步长为1的卷积再连续连接2个有32个通道的3×3的步长为1的卷积；之后第二个和第三个分支使用256通道的1×1的步长为1的卷积,然后将3个分支相加，得到最后的输出尺寸是8×8×256的结果；
第三专门用来减少图像尺寸的卷积单元是包含2个分支，第1个分支是感受野大小是3×3步长为2的最大池化；第二个分支是256通道的3×3的步长为2的卷积；最后，将2个分支在输出通道上合并，输出尺寸为4×4×512；
第四卷积单元是先是使用leakyrelu进行预激活，之后包含3个分支，第1个分支为shorcut；第2个分支为有64输出通道的1×1的步长为1的卷积；第3个分支为有64通道的1×1的步长为1的卷积再连续连接2个有64个通道的3×3的步长为1的卷积；之后第二个和第三个分支使用256通道的1×1的步长为1的卷积,然后将3个分支相加，得到最后的输出尺寸是4×4×512的结果；
最后是感受野大小是3×3步长为2的平均池化和随机失活是0.1的dropout以及softmax分类层，用于计算输出属于每一类的概率。
CN201910815297.XA 2019-08-30 2019-08-30 基于卷积神经网络的淋巴结识别的半监督方法 Active CN110660045B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910815297.XA CN110660045B (zh) 2019-08-30 2019-08-30 基于卷积神经网络的淋巴结识别的半监督方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910815297.XA CN110660045B (zh) 2019-08-30 2019-08-30 基于卷积神经网络的淋巴结识别的半监督方法

Publications (2)

Publication Number Publication Date
CN110660045A CN110660045A (zh) 2020-01-07
CN110660045B true CN110660045B (zh) 2021-12-10

Family

ID=69037928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910815297.XA Active CN110660045B (zh) 2019-08-30 2019-08-30 基于卷积神经网络的淋巴结识别的半监督方法

Country Status (1)

Country Link
CN (1) CN110660045B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798464A (zh) * 2020-06-30 2020-10-20 天津深析智能科技有限公司 基于深度学习的淋巴瘤病理图像智能识别方法
CN112381169B (zh) * 2020-11-23 2023-01-13 济南博观智能科技有限公司 一种图像识别方法、装置、电子设备及可读存储介质
CN115018852B (zh) * 2022-08-10 2022-12-06 四川大学 一种基于半监督学习的腹部淋巴结检测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN108665005A (zh) * 2018-05-16 2018-10-16 南京信息工程大学 一种利用dcgan提高基于cnn图像识别性能的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190139216A1 (en) * 2017-11-03 2019-05-09 Siemens Healthcare Gmbh Medical Image Object Detection with Dense Feature Pyramid Network Architecture in Machine Learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN108665005A (zh) * 2018-05-16 2018-10-16 南京信息工程大学 一种利用dcgan提高基于cnn图像识别性能的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Severity Assessment of Lymph Nodes in CT Images using Deep Learning Paradigm;Hitesh Tekchandani等;《IEEE》;20181011;第686-691页 *
医学图像分析深度学习方法研究与挑战;田娟秀等;《自动化学报》;20180331;第44卷(第3期);第401-424页 *

Also Published As

Publication number Publication date
CN110660045A (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN111681252B (zh) 一种基于多路径注意力融合的医学图像自动分割方法
CN110660045B (zh) 基于卷积神经网络的淋巴结识别的半监督方法
CN107526785B (zh) 文本分类方法及装置
CN107203999B (zh) 一种基于全卷积神经网络的皮肤镜图像自动分割方法
Lameski et al. Skin lesion segmentation with deep learning
CN111783782A (zh) 融合改进UNet和SegNet的遥感图像语义分割方法
CN112036288B (zh) 基于跨连接多特征融合卷积神经网络的面部表情识别方法
CN110533683B (zh) 一种融合传统特征与深度特征的影像组学分析方法
CN111814611B (zh) 一种嵌入高阶信息的多尺度人脸年龄估计方法及系统
CN110610489B (zh) 基于注意力机制的光学喉镜图像病变区标注方法
CN115170582A (zh) 基于多尺度特征融合和网格注意力机制的肝脏影像分割方法
CN114782350A (zh) 一种基于注意力机制的多模态特征融合的mri脑瘤图像分割方法
CN111861906A (zh) 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法
CN114140469B (zh) 一种基于多层注意力的深度分层图像语义分割方法
CN108268890A (zh) 一种高光谱图像分类方法
CN117409030B (zh) 基于动态管状卷积的octa图像血管分割方法及其系统
CN110956617A (zh) 基于循环注意力模型的大脑核磁共振异常图像可视化方法
Dong et al. Supervised learning-based retinal vascular segmentation by m-unet full convolutional neural network
CN112990359B (zh) 一种影像数据处理方法、装置、计算机及存储介质
CN111986216B (zh) 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法
CN112419169B (zh) 基于噪声先验的cnn医学ct图像去噪方法
CN116630964A (zh) 一种基于离散小波注意力网络的食品图像分割方法
CN112907503B (zh) 基于自适应卷积神经网络的南美白对虾品质检测方法
CN115564953A (zh) 图像分割方法、装置、设备及存储介质
CN115879513B (zh) 一种数据的层次化标准化方法、装置和电子设备

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