CN110664426A - 基于深度密集卷积网络的胃部补水充盈程度判断方法 - Google Patents
基于深度密集卷积网络的胃部补水充盈程度判断方法 Download PDFInfo
- Publication number
- CN110664426A CN110664426A CN201911003193.5A CN201911003193A CN110664426A CN 110664426 A CN110664426 A CN 110664426A CN 201911003193 A CN201911003193 A CN 201911003193A CN 110664426 A CN110664426 A CN 110664426A
- Authority
- CN
- China
- Prior art keywords
- image
- stomach
- network
- filling
- degree
- 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.)
- Granted
Links
- 210000002784 stomach Anatomy 0.000 title claims abstract description 71
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 19
- 208000005718 Stomach Neoplasms Diseases 0.000 claims abstract description 18
- 206010017758 gastric cancer Diseases 0.000 claims abstract description 18
- 201000011549 stomach cancer Diseases 0.000 claims abstract description 18
- 210000001015 abdomen Anatomy 0.000 claims abstract description 4
- 238000013519 translation Methods 0.000 claims description 8
- 239000003623 enhancer Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000002496 gastric effect Effects 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000008595 infiltration Effects 0.000 description 5
- 238000001764 infiltration Methods 0.000 description 5
- 230000003042 antagnostic effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20—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
- G06T2207/30092—Stomach; Gastric
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Pulmonology (AREA)
- Physiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于医疗技术领域,提供了基于深度密集卷积网络的胃部补水充盈程度判断方法,包括以下步骤:输入胃癌患者腹部的CT图像,辅助网络辅助无标注的CT图像进行自动化分割,再将所述带标注的CT图像和所述无标注的CT图像输入分割网络进行自动化分割,以提取ROI区域图像;经典图像增强器对ROI区域图像进行数据集扩充处理,并输出第一增强数据;生成模型图像增强器对ROI区域图像进行数据增强处理,然后输出第二增强数据;将所述第一增强数据和所述第二增强数据输入到深度密集卷积网络,经过深度密集卷积网络的特征提取和多层次特征合并,最后输出胃部补水充盈程度的等级的结果信息,对胃癌患者的胃腔充盈状态给出科学的评估并作出准确分类。
Description
技术领域
本发明属于医疗技术领域,尤其涉及基于深度密集卷积网络的胃部补水充盈程度判断方法。
背景技术
胃癌是我国最常见的消化道恶性肿瘤之一,胃癌患者的死亡率极高。胃癌不仅会严重破坏消化系统,而且可能发生转移,影响其它器官的正常功能。随着医学影像技术的快速发展,通过检查CT明确肿瘤大小及浸润深度已经成为胃癌临床诊断的重要检查手段。最大肿瘤直径对胃癌患者的病发程度有很大影响,肿瘤侵润深度与其密切相关,随着侵润深度的增加,肿瘤的长度及厚度增大,胃癌分期就越高。因此,肿瘤浸润深度对胃癌的临床分期和治疗效果的评定具有很大的指导作用。
肿瘤沿胃壁浸润造成胃壁增厚,胃壁增厚是进展期胃癌显著的表现之一。胃的正常胃壁厚度与胃腔充盈状态有关,不同充盈状态下测得的胃壁厚度具有显著差异,不能一概而论。因此,我们在测量胃壁厚度之前,首先要对胃癌患者的胃部补水充盈程度进行判断,做到精确的分类。针对胃癌患者补水充盈程度的判断问题,研发兼具准确性和医学含义的胃癌患者补水充盈程度判断系统。
基于此,研究并开发设计基于深度密集卷积网络的胃部补水充盈程度判断方法。
发明内容
本发明的主要目的在于解决上述技术问题之一提供基于深度密集卷积网络的胃部补水充盈程度判断方法。
本发明是这样实现的,基于深度密集卷积网络的胃部补水充盈程度判断方法,包括以下步骤:
步骤1:输入胃癌患者腹部的CT图像,CT图像包括带标注的图像和无标注的CT图像,基于所述带标注的CT图像预训练辅助网络和分割网络,所述辅助网络辅助所述无标注的CT图像进行自动化分割,再将所述带标注的CT图像和所述无标注的CT图像输入分割网络进行自动化分割,以提取ROI区域图像;
步骤2:将所述ROI区域图像输入到经典图像增强器和生成模型图像增强器;所述经典图像增强器对所述ROI区域图像进行数据集扩充处理,并输出第一增强数据;所述生成模型图像增强器对所述ROI区域图像进行数据增强处理,然后输出第二增强数据;
步骤3:将所述第一增强数据和所述第二增强数据输入到深度密集卷积网络,经过深度密集卷积网络的特征提取和多层次特征合并,最后输出胃部补水充盈程度的等级的结果信息。
本发明还提供优选的,步骤2中的所述经典图像增强器对所述ROI区域图像进行数据集扩充处理,具体为:所述经典图像增强器对所述ROI区域图像进行平移、旋转、缩放、翻转的操作。
本发明还提供优选的,对所述ROI区域图像进行平移、旋转、缩放、翻转的操作具体为:对所述ROI区域图像进行不同方向、不同尺度的平移,不同角度的旋转,上下、左右翻转,不同比例的放缩的操作。
本发明还提供优选的,步骤1中的在使用带标注的CT图像训练分割网络和辅助网络之前,首先将CT图像的分辨率归一化到0.6*0.6*0.6mm。
本发明还提供优选的,所述ROI区域图像为三维区域图像。
本发明还提供优选的,所述生成模型图像增强器通过学习各个等级的胃部充盈程度的分布来生成各个等级的胃部图片,所述各个等级的胃部图片为第二增强数据。
本发明还提供优选的,所述生成模型图像增强器包括生成器和判别器,所述生成器和所述判别器均通过学习各个等级的胃部充盈程度的分布来生成各个等级的胃部图片;输入所述ROI区域图像到所述生成模型图像增强器后,首先通过所述生成器处理进行第一次数据增强处理以生成第一胃部图像,然后将第一胃部图像输入到所述判别器进行第二次数据增强处理以生成第二胃部图像,并且所述第二胃部图像为所述第二增强数据。
本发明还提供优选的,所述生成器为自编码器;所述判别器为对抗生成网络。
本发明还提供优选的,所述经典图像增强器为卷积神经网络。
本发明还提供优选的,所述辅助网络为回归性质的网络,其通过学习出图像的目标区域大小属性以辅助所述无标注的CT图像进行自动化分割。
与现有技术相比,本发明的有益效果是:本发明的基于深度密集卷积网络的胃部补水充盈程度判断方法,对胃癌患者的胃腔充盈状态给出科学的评估并作出准确分类,随着深度学习的快速发展,深度学习已经应用到了医学影像的多个领域,通过借助深度学习的力量,研发出科学、准确、具有实际临床意义的胃腔充盈状态分类模型。
附图说明
图1为本发明的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,本发明提供一种技术方案:基于深度密集卷积网络的胃部补水充盈程度判断方法,包括以下步骤:
步骤1:输入胃癌患者腹部的CT图像,CT图像包括带标注的图像和无标注的CT图像,首先将CT图像的分辨率归一化到0.6*0.6*0.6mm,基于带标注的CT图像预训练辅助网络和分割网络,辅助网络为回归性质的网络,其通过学习出图像的目标区域大小属性以辅助无标注的CT图像进行自动化分割,辅助网络辅助无标注的CT图像进行自动化分割,再将带标注的CT图像和无标注的CT图像输入分割网络进行自动化分割,以提取ROI区域图像,ROI区域图像为三维区域图像,辅助网络约束分割网络提取的ROI区域图像的大小。
步骤2:将ROI区域图像输入到经典图像增强器和生成模型图像增强器;经典图像增强器对ROI区域图像进行不同方向、不同尺度的平移,不同角度的旋转,上下、左右翻转,不同比例的放缩的操作,从而进行数据集扩充处理,并输出第一增强数据,经典图像增强器为卷积神经网络;生成模型图像增强器包括生成器和判别器,生成器和判别器均通过学习各个等级的胃部充盈程度的分布来生成各个等级的胃部图片;输入ROI区域图像到生成模型图像增强器后,首先通过生成器处理进行第一次数据增强处理以生成第一胃部图像,然后将第一胃部图像输入到判别器进行第二次数据增强处理以生成第二胃部图像,并且第二胃部图像为第二增强数据,生成模型图像增强器对ROI区域图像进行数据增强处理,然后输出第二增强数据,生成器为自编码器;判别器为对抗生成网络。
步骤3:将第一增强数据和第二增强数据输入到深度密集卷积网络,经过深度密集卷积网络的特征提取和多层次特征合并,最后输出胃部补水充盈程度的等级的结果信息。
本实施例中,在原始的腹部CT图像中,有很多冗余的解剖学结构,因此首先要做的是提取胃部结构,去掉冗余结构对结果的影响。我们首先对腹部CT的分辨率归一化到0.6*0.6*0.6mm,之后使用完全标注的CT图像训练分割网络和辅助网络,辅助网络是回归性质的网络,其可以学习出图像级别的属性,如目标区域大小,来辅助分割网络进行分割。将分割网络和辅助回归网络学到的先验应用到未标注数据的自动化分割,最终完成胃部ROI区域提取。将扣取出来的ROI区域输入到下一阶段进行数据增强。
卷积神经网络对放置在不同方向的对象也能进行稳健的分类,具有旋转不变性。更具体地,卷积神经网络对于平移,不同视角,尺度大小等可以是不变的。通过对胃部三维区域不同方向、不同尺度的平移,不同角度的旋转,上下、左右翻转,不同比例的放缩等操作可以在原有数据的基础上扩充大量的数据。因此,可以训练更加具有深度的网络,提高胃部充盈程度分类的准确率。
由于收集大量的医学数据是一件十分复杂的工作,古典的数据增强方法比如平移、旋转、缩放、翻转等,但是这些对于医学图像小的修改仅仅只能获取很小的数据信息的增加,对于一些结构复杂的医学图像该方法不在适用。为此将变分自编码器和对抗生成网络相结合生层胃部图片,这种结合可以弥补两种生成模型的不足,结合各自的优点,生成出高质量的胃部图像。自编码器训练更加容易,会更加快速的学习出各个等级胃部数据的分布,对抗生成网络生成的图片质量较高,且对抗生成网络具有多分类功能,保证了生成的各个等级胃部数据可靠性和多样性。自编码器为该网络的生成器,对抗生成网络的判别部分为该网络的判别器。我们首先训练判别器,在训练判别器时,会冻结生成器,之后在训练生成器时我们会冻结判别器,保证两个模型独立工作,互不干预。增强了模型的生成能力,使生成的图像的分布更加接近原始胃部图像。
本发明的基于深度密集卷积网络的胃部补水充盈程度判断方法,在密集网络的基础上进行了改进。本系统首先应用深度密集网络,进行图像特征提取,发现新的特征,并增加了特征重用。因为网络所有层相互之间之间连接,增加了网络的宽度,且使得网络不仅着眼于胃腔的局部区域,也充分利用了胃腔的全局特征。该网络避免了模型过拟合,提高了模型的分类准确率并且具有以下优点:节省参数,模型的深度虽然很深,但是参数数量却很少,可以更好的节约显存,降低存储开销;节省计算,模型通过层与层之间的互通,将模型很好的压缩,计算量大大降低;抗过拟合,通过传统的数据增强和生成模型模型网络为深度模型提供了大量的数据,且网络可以充分利用浅层的特征,因而容易得到一个光滑且更加鲁棒的结果;泛化性能更强,即使没有数据增强,模型的结果也不会下降很多。
综上所述,本发明的基于深度密集卷积网络的胃部补水充盈程度判断方法,对胃癌患者的胃腔充盈状态给出科学的评估并作出准确分类,随着深度学习的快速发展,深度学习已经应用到了医学影像的多个领域,通过借助深度学习的力量,研发出科学、准确、具有实际临床意义的胃腔充盈状态分类模型。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于深度密集卷积网络的胃部补水充盈程度判断方法,其特征在于:包括以下步骤:
步骤1:输入胃癌患者腹部的CT图像,CT图像包括带标注的图像和无标注的CT图像,基于所述带标注的CT图像预训练辅助网络和分割网络,所述辅助网络辅助所述无标注的CT图像进行自动化分割,再将所述带标注的CT图像和所述无标注的CT图像输入分割网络进行自动化分割,以提取ROI区域图像;
步骤2:将所述ROI区域图像输入到经典图像增强器和生成模型图像增强器;所述经典图像增强器对所述ROI区域图像进行数据集扩充处理,并输出第一增强数据;所述生成模型图像增强器对所述ROI区域图像进行数据增强处理,然后输出第二增强数据;
步骤3:将所述第一增强数据和所述第二增强数据输入到深度密集卷积网络,经过深度密集卷积网络的特征提取和多层次特征合并,最后输出胃部补水充盈程度的等级的结果信息。
2.如权利要求1所述的基于深度密集卷积网络的胃部补水充盈程度判断方法,其特征在于:步骤2中的所述经典图像增强器对所述ROI区域图像进行数据集扩充处理,具体为:所述经典图像增强器对所述ROI区域图像进行平移、旋转、缩放、翻转的操作。
3.如权利要求2所述的基于深度密集卷积网络的胃部补水充盈程度判断方法,其特征在于:对所述ROI区域图像进行平移、旋转、缩放、翻转的操作具体为:对所述ROI区域图像进行不同方向、不同尺度的平移,不同角度的旋转,上下、左右翻转,不同比例的放缩的操作。
4.如权利要求1所述的基于深度密集卷积网络的胃部补水充盈程度判断方法,其特征在于:步骤1中的在使用带标注的CT图像训练分割网络和辅助网络之前,首先将CT图像的分辨率归一化到0.6*0.6*0.6mm。
5.如权利要求1所述的基于深度密集卷积网络的胃部补水充盈程度判断方法,其特征在于:所述ROI区域图像为三维区域图像。
6.如权利要求1所述的基于深度密集卷积网络的胃部补水充盈程度判断方法,其特征在于:所述生成模型图像增强器通过学习各个等级的胃部充盈程度的分布来生成各个等级的胃部图片,所述各个等级的胃部图片为第二增强数据。
7.如权利要求6所述的基于深度密集卷积网络的胃部补水充盈程度判断方法,其特征在于:所述生成模型图像增强器包括生成器和判别器,所述生成器和所述判别器均通过学习各个等级的胃部充盈程度的分布来生成各个等级的胃部图片;输入所述ROI区域图像到所述生成模型图像增强器后,首先通过所述生成器处理进行第一次数据增强处理以生成第一胃部图像,然后将第一胃部图像输入到所述判别器进行第二次数据增强处理以生成第二胃部图像,并且所述第二胃部图像为所述第二增强数据。
8.如权利要求7所述的基于深度密集卷积网络的胃部补水充盈程度判断方法,其特征在于:所述生成器为自编码器;所述判别器为对抗生成网络。
9.如权利要求1所述的基于深度密集卷积网络的胃部补水充盈程度判断方法,其特征在于:所述经典图像增强器为卷积神经网络。
10.如权利要求1所述的基于深度密集卷积网络的胃部补水充盈程度判断方法,其特征在于:所述辅助网络为回归性质的网络,其通过学习出图像的目标区域大小属性以辅助所述无标注的CT图像进行自动化分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911003193.5A CN110664426B (zh) | 2019-10-18 | 2019-10-18 | 基于深度密集卷积网络的胃部补水充盈程度判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911003193.5A CN110664426B (zh) | 2019-10-18 | 2019-10-18 | 基于深度密集卷积网络的胃部补水充盈程度判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110664426A true CN110664426A (zh) | 2020-01-10 |
CN110664426B CN110664426B (zh) | 2023-04-28 |
Family
ID=69083395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911003193.5A Active CN110664426B (zh) | 2019-10-18 | 2019-10-18 | 基于深度密集卷积网络的胃部补水充盈程度判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110664426B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111493805A (zh) * | 2020-04-23 | 2020-08-07 | 重庆金山医疗技术研究院有限公司 | 一种状态检测装置、方法、系统及可读存储介质 |
CN112991346A (zh) * | 2021-05-13 | 2021-06-18 | 深圳科亚医疗科技有限公司 | 用于医学图像分析的学习网络的训练方法和训练系统 |
CN113421274A (zh) * | 2021-07-13 | 2021-09-21 | 上海工程技术大学 | 一种基于ct影像的胃癌智能分期方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09187445A (ja) * | 1995-12-31 | 1997-07-22 | Shimadzu Corp | X線透視撮影装置 |
US20080086076A1 (en) * | 2007-05-17 | 2008-04-10 | Allen Gerber | Anti-aspiration device with content monitoring functionality |
US20170169725A1 (en) * | 2015-12-15 | 2017-06-15 | International Business Machines Corporation | System and method for monitoring gastric fullness |
CN106991445A (zh) * | 2017-04-05 | 2017-07-28 | 重庆大学 | 一种基于深度学习的超声造影肿瘤自动识别与检测方法 |
CN107961036A (zh) * | 2017-11-08 | 2018-04-27 | 绍兴文理学院 | 一种超声充盈造影胃动力检测法 |
-
2019
- 2019-10-18 CN CN201911003193.5A patent/CN110664426B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09187445A (ja) * | 1995-12-31 | 1997-07-22 | Shimadzu Corp | X線透視撮影装置 |
US20080086076A1 (en) * | 2007-05-17 | 2008-04-10 | Allen Gerber | Anti-aspiration device with content monitoring functionality |
US20170169725A1 (en) * | 2015-12-15 | 2017-06-15 | International Business Machines Corporation | System and method for monitoring gastric fullness |
CN106991445A (zh) * | 2017-04-05 | 2017-07-28 | 重庆大学 | 一种基于深度学习的超声造影肿瘤自动识别与检测方法 |
CN107961036A (zh) * | 2017-11-08 | 2018-04-27 | 绍兴文理学院 | 一种超声充盈造影胃动力检测法 |
Non-Patent Citations (5)
Title |
---|
YANG ET AL: "Effect of the degree of gastric filling on the measured thickness of advanced gastric cancer by computed tomography", 《ONCOLOGY LETTERS》 * |
仝开军 等: "CT 定位像胃泡径线定量分析对胃充盈程度的评估", 《临床放射学杂志》 * |
杨丽 等: "胃腔充盈程度对进展期胃癌肿瘤厚度测量的影响", 《中国医学影像技术》 * |
林玉菊 等: "基于DRR 图像的膀胱径线与体积相关性研究", 《医疗装备》 * |
黄永 等: "64排螺旋CT检查前饮水与未饮水对胃癌术前TN分期准确性的影响", 《南京医科大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111493805A (zh) * | 2020-04-23 | 2020-08-07 | 重庆金山医疗技术研究院有限公司 | 一种状态检测装置、方法、系统及可读存储介质 |
CN112991346A (zh) * | 2021-05-13 | 2021-06-18 | 深圳科亚医疗科技有限公司 | 用于医学图像分析的学习网络的训练方法和训练系统 |
CN112991346B (zh) * | 2021-05-13 | 2022-04-26 | 深圳科亚医疗科技有限公司 | 用于医学图像分析的学习网络的训练方法和训练系统 |
US12094188B2 (en) | 2021-05-13 | 2024-09-17 | Shenzhen Keya Medical Technology Corporation | Methods and systems for training learning network for medical image analysis |
CN113421274A (zh) * | 2021-07-13 | 2021-09-21 | 上海工程技术大学 | 一种基于ct影像的胃癌智能分期方法 |
CN113421274B (zh) * | 2021-07-13 | 2022-08-02 | 上海工程技术大学 | 一种基于ct影像的胃癌智能分期方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110664426B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615636B (zh) | Ct影像的肺叶段分割中的血管树构造方法、装置 | |
CN110664426B (zh) | 基于深度密集卷积网络的胃部补水充盈程度判断方法 | |
CN107045721A (zh) | 一种从胸部ct图像中提取肺血管的方法及装置 | |
JP4640845B2 (ja) | 画像処理装置およびそのプログラム | |
Ren et al. | An unsupervised semi-automated pulmonary nodule segmentation method based on enhanced region growing | |
CN111553892A (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN112950546A (zh) | 一种钡餐造影图像的食道癌检测方法及系统 | |
Wang et al. | Gastric polyps detection by improved faster R-CNN | |
Wang et al. | Malignancy characterization of hepatocellular carcinoma using hybrid texture and deep features | |
Wu et al. | Rcnn-slicenet: A slice and cluster approach for nuclei centroid detection in three-dimensional fluorescence microscopy images | |
CN115439650A (zh) | 基于ct图像跨模态迁移学习的肾脏超声图像分割方法 | |
Shi et al. | Metabolic anomaly appearance aware U-Net for automatic lymphoma segmentation in whole-body PET/CT scans | |
Chen et al. | Feature fusion adversarial learning network for liver lesion classification | |
Zhang et al. | Development of a Deep Learning System to Detect Esophageal Cancer by Barium Esophagram | |
Liu et al. | Robust and accurate pulmonary nodule detection with self-supervised feature learning on domain adaptation | |
CN116777893A (zh) | 一种基于乳腺超声横纵切面特征结节的分割与识别方法 | |
Liu et al. | U2F-GAN: weakly supervised super-pixel segmentation in thyroid ultrasound images | |
CN115526898A (zh) | 一种医学影像分割方法 | |
Chen et al. | Hybrid Attention Fusion Segmentation Network for Diffuse Large B-cell Lymphoma in PET-CT | |
CN115082718A (zh) | 基于组织病理图像的胶质瘤分级方法、装置、设备及介质 | |
Tanwar et al. | Classification of benign and malignant colorectal polyps using pit pattern classification | |
Xie et al. | Pulmonary nodules detection via 3D multi-scale dual path network | |
Cao et al. | A new method for false-positive reduction in detection of lung nodules in CT images | |
Zia et al. | Detection and classification of lung nodule in diagnostic CT: A TSDN method based on improved 3D-FASTER R-CNN and multi-scale multi-crop convolutional neural network | |
Zhao et al. | Ultrasound Nodule Segmentation Using Asymmetric Learning with Simple Clinical Annotation |
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 |