CN110705570A - 一种图像特征识别方法 - Google Patents
一种图像特征识别方法 Download PDFInfo
- Publication number
- CN110705570A CN110705570A CN201910891187.1A CN201910891187A CN110705570A CN 110705570 A CN110705570 A CN 110705570A CN 201910891187 A CN201910891187 A CN 201910891187A CN 110705570 A CN110705570 A CN 110705570A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- training
- data set
- image data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000006911 nucleation Effects 0.000 claims description 9
- 238000010899 nucleation Methods 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 15
- 230000002685 pulmonary effect Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000916 dilatatory effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
Abstract
本发明提供了一种图像特征识别方法,包括提供图像数据集,对所述图像数据集中的每个图像进行形态学处理,并将形态学处理后的图像和原图像结合;将结合后的图像根据已知的标签使用矩形框标出设定特征的位置;将所述图像数据集中的图像随机分为训练集和验证集;利用深度残差网络标记所述设定特征点的位置并对所述训练集进行学习训练,以得到神经网络;利用所述神经网络对所述验证集中的图像进行试验,直到所述神经网络达到控制要求。本发明使用残差网络有效地提高了图像中设定特征位置识别的准确度,并且未对图像的轮廓进行分割处理,可以有效地保留了图像中的所有特征,取得良好的实验结果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像特征识别方法。
背景技术
在肺部肺结节的检测过程中,影像学医师在根据图像影像来诊断肺部疾病的过程中,通常情况下根据自身多年的诊断经验对图像中的肺结节进行定性分析,会出现不同的影像学医师得到有分歧的诊断结果,以至于在诊断结果上存在很大的主观性。因此研究人员通过计算机辅助技术与医学图像相结合,提高图像中肺结节的检出率。将计算机视觉技术与X光图像相结合,可以减少因为医务人员的个体差异对肺部肺结节判断的差异性。
通过使用机器学习、深度学习以及图像处理技术对图像进行处理,从而降低医务人员在读取图像时的主观随意性,因此使用计算机辅助诊断技术以及计算机算法对图像肺结节进行识别检测具有很大的研究意义。传统的肺结节定位方法主要为通过滑动窗口的方法将图像分为大小相同的几块并进行斑点检测,其在一定程度上造成图像某些肺结节影像的特征丢失。同时使用传统检测方法识别肺结节位置时,使实验得到的假阳性肺结节个数较多。
发明内容
本发明的目的在于提供一种图像特征识别方法,以解决现有的图像处理方法无法准确识别图像中设定特征、误识别几率大的问题。
为了达到上述目的,本发明提供了一种图像特征识别方法,包括:
提供图像数据集,对所述图像数据集中的每个图像进行形态学处理,并将形态学处理后的图像和原图像结合;
将结合后的图像根据已知的标签使用矩形框标出设定特征的位置;
将所述图像数据集中的图像随机分为训练集和验证集;
利用深度残差网络标记所述设定特征点的位置并对所述训练集进行学习训练,以得到神经网络;
利用所述神经网络对所述验证集中的图像进行试验,直到所述神经网络达到控制要求。
可选的,对所述图像数据集中的每个图像进行形态学处理的步骤包括:
设置两个框架结构元素,选择5*5的椭圆形核结构与8*8的椭圆形核结构;
利用8*8椭圆形核结构对每个图像进行形态学膨胀,以去除图像边缘的细节;
利用5*5椭圆形核结构对每个图像再次进行形态学膨胀,以对图像的边缘轮廓进行增强。
可选的,所述矩形框的尺寸与所述设定特征面积的大小正相关。
可选的,在进行学习训练时,当所述训练集的损失值介于0.009~0.004之间时得到所述神经网络。
可选的,所述深度残差网络包括恒等残差块及卷积残差块。
在本发明提供的一种图像特征识别方法中,包括提供图像数据集,对所述图像数据集中的每个图像进行形态学处理,并将形态学处理后的图像和原图像结合;将结合后的图像根据已知的标签使用矩形框标出设定特征的位置;将所述图像数据集中的图像随机分为训练集和验证集;利用深度残差网络标记所述设定特征点的位置并对所述训练集进行学习训练,以得到神经网络;利用所述神经网络对所述验证集中的图像进行试验,直到所述神经网络达到控制要求。本发明使用残差网络有效地提高了图像中设定特征位置识别的准确度,并且未对图像的轮廓进行分割处理,可以有效地保留了图像中的所有特征,取得良好的实验结果。
附图说明
图1为本发明实施例提供的一种图像特征识别方法的流程图;
图2为本发明实施例提供的训练集经过网络训练的损失值的示意图;
图3为本发明实施例提供的测试集通过网络验证后的损失值的示意图。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
如图1所示,本实施例提供了一种图像特征识别方法,包括:
步骤S1:提供图像数据集,对所述图像数据集中的每个图像进行形态学处理,并将形态学处理后的图像和原图像结合;
步骤S2:将结合后的图像根据已知的标签使用矩形框标出设定特征的位置;
步骤S3:将所述图像数据集中的图像随机分为训练集和验证集;
步骤S4:利用深度残差网络标记所述设定特征点的位置并对所述训练集进行学习训练,以得到神经网络;
步骤S5:利用所述神经网络对所述验证集中的图像进行试验,直到所述神经网络达到控制要求。
具体的,本实施例以所述图像为胸片,所述设定特征为肺结节为例进行说明。
将胸片数据集进行形态学处理,将形态学处理之后的图像与图像进行结合,将结合后的图像根据已知的标签使用矩形框标记出胸片中的肺结节的具体位置。将数据集中的胸片随机分为学习训练集和验证集进行实验。将标有肺结节位置的胸片作为输入数据载入神经网络的输入层中,通过残差网络对特征进行训练,最终识别出胸片中肺结节的位置。深度残差网络训练学习时训练集的损失值Loss与迭代次数的关系如图2所示。
训练集的损失值Loss如图2所示,当网络迭代次数达到150次时,损失值已经达到0.01数量级。迭代150次后,损失值在0.009~0.004之间波动。在神经网络进行训练时,损失值在小范围内进行波动属于正常范围,所以使用该神经网络进行训练时,训练集的损失值被认为基本保持不变。通过训练好的神经网络对验证集的数据测试验证,得到测试结果如图3所示。可见,神经网络迭代次数达到250次后,损失值小幅度变化,且不会持续增长,说明神经网络设置良好,未出现网络过拟合现象。可以将训练学习好的神经网络保存,利用该网络模型对胸片中肺结节的位置定位分析。
形态学处理的步骤包括
将原图像进行形态学处理,设置两个框架结构元素,选择5*5椭圆形核结构与8*8椭圆形核结构。利用8*8椭圆形核结构对图像一次膨胀,去除影像边缘的细节。利用5*5椭圆形核结构对图像再次进行形态学膨胀,最终使图像的边缘轮廓变得更加明显。
采用8*8椭圆形核结构对图像一次膨胀,图像膨胀的定义为:
公式(1)表示X被B进行膨胀,X为原始图片,B为结构元素,使用B将图片X中物体周围的点进行合并,从而使图片中的物体的边缘进行膨胀。
利用5*5椭圆形核结构对图像再次进行形态学膨胀,图像腐蚀的公式定义为:
公式(2)表示X图片被B进行腐蚀,X为原始图片,B为所设置的结构元素,使用B将图片X中物体边缘进行缩小,从而消除物体间的粘连部分,起到滤波的效果。
标记胸片中的肺结节
对肺结节位置标记时,使用矩形框进行标记,矩形框的大小随着肺结节面积的大小而变化。选择的矩形框坐标如下:
矩形框的左侧下方坐标为:
x=centerX+r×0.2-100 (3)
y=centerY+r×0.2-100 (4)
矩形框的右侧下方坐标为:
x=centerX+r×0.2+100 (5)
y=centerY+r×0.2-100 (6)
矩形框的左侧上方坐标为:
x=centerX+r×0.2-100 (7)
y=centerY+r×0.2+100 (8)
矩形框的右侧上方坐标为
x=centerX+r×0.2+100 (9)
y=centerY+r×0.2+100 (10)
深度残差网络
深度残差网络在传统卷积神经网络上加入了循环,引入了残差块,在很大程度上减少了图像特征的缺失。深度残差网络主要由恒等残差块、卷积残差块组成。
深度残差神经网络网络层的具体传输过程如下:
(1)输入层:输入图片尺寸为224*224。采用经过形态学处理过后的图片,图片大小为224*224,为三通道彩色图片。
(2)卷积层:网络采用的卷积层的类型为ZeroPadding,主要用来保证特征图的大小保持不变,即确保所有输入图片的大小保持一致。
(3)卷积层:网络采用的卷积层的简称为Conv,卷积层使用64个卷积核,其尺寸大小为7*7,将步长设定值定为2。
(4)归一化层:将上一网络层所输出的影像图片特征归一化,使用此层用来避免网络的过拟合。
(5)池化层:在池化层中使用的池化核尺寸为3*3,步长设定值定为2。
(6)包含卷积残差块与两个恒等残差块。
(7)包含卷积残差块与三个恒等残差块。
(8)包含卷积残差块与五个恒等残差块。
(9)包含卷积残差块与两个恒等残差块。
(10)平均池化层:池化层采用的池化核大小为7*7。
(11)flatten层:flatten层连接在上一层与全连接层之间,主要用来将上一层的输出数据转化为一维数组。
全连接层:全连接层能够将上一层输出特征保存并完成最终分类。
算法在肺结节定位的准确率上取得了较好的结果,在疑似肺结节的平均数上本文结果与其它文献相比,有了一定的提高。所以,在之后的工作中,应当在保证肺结节识别准确的基础上,减少疑似肺结节的个数。
应理解,本发明不限于应用于肺结节的识别中,还可以应用于任何需要在图片中识别出设定特征的场合。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (5)
1.一种图像特征识别方法,其特征在于,包括:
提供图像数据集,对所述图像数据集中的每个图像进行形态学处理,并将形态学处理后的图像和原图像结合;
将结合后的图像根据已知的标签使用矩形框标出设定特征的位置;
将所述图像数据集中的图像随机分为训练集和验证集;
利用深度残差网络标记所述设定特征点的位置并对所述训练集进行学习训练,以得到神经网络;
利用所述神经网络对所述验证集中的图像进行试验,直到所述神经网络达到控制要求。
2.如权利要求1所述的一种图像特征识别方法,其特征在于,对所述图像数据集中的每个图像进行形态学处理的步骤包括:
设置两个框架结构元素,选择5*5的椭圆形核结构与8*8的椭圆形核结构;
利用8*8椭圆形核结构对每个图像进行形态学膨胀,以去除图像边缘的细节;
利用5*5椭圆形核结构对每个图像再次进行形态学膨胀,以对图像的边缘轮廓进行增强。
3.如权利要求1所述的一种图像特征识别方法,其特征在于,所述矩形框的尺寸与所述设定特征面积的大小正相关。
4.如权利要求1所述的一种图像特征识别方法,其特征在于,在进行学习训练时,当所述训练集的损失值介于0.009~0.004之间时得到所述神经网络。
5.如权利要求1所述的一种图像特征识别方法,其特征在于,所述深度残差网络包括恒等残差块及卷积残差块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891187.1A CN110705570B (zh) | 2019-09-20 | 2019-09-20 | 一种图像特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891187.1A CN110705570B (zh) | 2019-09-20 | 2019-09-20 | 一种图像特征识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705570A true CN110705570A (zh) | 2020-01-17 |
CN110705570B CN110705570B (zh) | 2022-06-21 |
Family
ID=69195463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910891187.1A Active CN110705570B (zh) | 2019-09-20 | 2019-09-20 | 一种图像特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705570B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968063A (zh) * | 2020-09-07 | 2020-11-20 | 北京凌云光技术集团有限责任公司 | 一种形态学图像滤波装置及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573085A (zh) * | 2015-01-28 | 2015-04-29 | 深圳酷派技术有限公司 | 图像检索方法、图像检索装置和终端 |
CN105678758A (zh) * | 2015-12-31 | 2016-06-15 | 天津慧医谷科技有限公司 | 一种图像特征自动识别提取方法 |
CN106097305A (zh) * | 2016-05-31 | 2016-11-09 | 上海理工大学 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
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 |
CN108230323A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
CN108389190A (zh) * | 2018-02-08 | 2018-08-10 | 贵州联科卫信科技有限公司 | 一种基于深度学习方法的肺结节自动检测方法 |
CN108921029A (zh) * | 2018-06-04 | 2018-11-30 | 浙江大学 | 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法 |
CN109003672A (zh) * | 2018-07-16 | 2018-12-14 | 北京睿客邦科技有限公司 | 一种基于深度学习的早期肺癌检测分类一体化设备及系统 |
CN109685768A (zh) * | 2018-11-28 | 2019-04-26 | 心医国际数字医疗系统(大连)有限公司 | 基于肺部ct序列的肺结节自动检测方法及系统 |
CN110060238A (zh) * | 2019-04-01 | 2019-07-26 | 桂林电子科技大学 | 基于深度学习的pcb板标注印刷质量检测方法 |
CN110210555A (zh) * | 2019-05-29 | 2019-09-06 | 西南交通大学 | 基于深度学习的钢轨鱼鳞伤损检测方法 |
-
2019
- 2019-09-20 CN CN201910891187.1A patent/CN110705570B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573085A (zh) * | 2015-01-28 | 2015-04-29 | 深圳酷派技术有限公司 | 图像检索方法、图像检索装置和终端 |
CN105678758A (zh) * | 2015-12-31 | 2016-06-15 | 天津慧医谷科技有限公司 | 一种图像特征自动识别提取方法 |
CN106097305A (zh) * | 2016-05-31 | 2016-11-09 | 上海理工大学 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
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 |
CN108230323A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
CN108389190A (zh) * | 2018-02-08 | 2018-08-10 | 贵州联科卫信科技有限公司 | 一种基于深度学习方法的肺结节自动检测方法 |
CN108921029A (zh) * | 2018-06-04 | 2018-11-30 | 浙江大学 | 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法 |
CN109003672A (zh) * | 2018-07-16 | 2018-12-14 | 北京睿客邦科技有限公司 | 一种基于深度学习的早期肺癌检测分类一体化设备及系统 |
CN109685768A (zh) * | 2018-11-28 | 2019-04-26 | 心医国际数字医疗系统(大连)有限公司 | 基于肺部ct序列的肺结节自动检测方法及系统 |
CN110060238A (zh) * | 2019-04-01 | 2019-07-26 | 桂林电子科技大学 | 基于深度学习的pcb板标注印刷质量检测方法 |
CN110210555A (zh) * | 2019-05-29 | 2019-09-06 | 西南交通大学 | 基于深度学习的钢轨鱼鳞伤损检测方法 |
Non-Patent Citations (3)
Title |
---|
AIDEN NIBALI等: "Pulmonary nodule classification with deep residual networks", 《SPRINGER》 * |
QI DOU等: "Automated Pulmonary Nodule Detection via 3D ConvNets with Online Sample Filtering and Hybrid-Loss Residual Learning", 《ARXIV:1708.03867V1 [CS.CV]》 * |
王成弟等: "利用深度学习技术辅助肺结节的人工智能检测", 《CHINESE JOURNAL OF RESPIRATORY AND CRITICAL CARE MEDICINE》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968063A (zh) * | 2020-09-07 | 2020-11-20 | 北京凌云光技术集团有限责任公司 | 一种形态学图像滤波装置及方法 |
CN111968063B (zh) * | 2020-09-07 | 2024-01-26 | 凌云光技术股份有限公司 | 一种形态学图像滤波装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110705570B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428229B (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
CN108171232B (zh) | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 | |
CN107016665B (zh) | 一种基于深度卷积神经网络的ct肺结节检测方法 | |
WO2022063199A1 (zh) | 一种肺结节自动检测方法、装置及计算机系统 | |
CN110197492A (zh) | 一种心脏mri左心室分割方法及系统 | |
CN103955698B (zh) | 从超声图像中自动定位标准切面的方法 | |
CN112150442A (zh) | 基于深度卷积神经网络及多实例学习的新冠诊断系统 | |
CN104143101A (zh) | 一种基于超声图像的乳腺肿瘤区域自动识别方法 | |
CN111462116A (zh) | 基于影像组学特征的多模态参数模型优化融合方法 | |
JP2008080132A (ja) | 高次元画像空間内の対象を検出するためのシステム及び方法 | |
CN112329871B (zh) | 一种基于自校正卷积与通道注意力机制的肺结节检测方法 | |
Akbarizadeh et al. | Detection of lung nodules in CT scans based on unsupervised feature learning and fuzzy inference | |
Seum et al. | A comparative study of cnn transfer learning classification algorithms with segmentation for COVID-19 detection from CT scan images | |
Ghorakavi | TBNet: pulmonary tuberculosis diagnosing system using deep neural networks | |
CN116091490A (zh) | 一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检测方法 | |
Xu et al. | A new object detection algorithm based on yolov3 for lung nodules | |
CN110705570B (zh) | 一种图像特征识别方法 | |
Sangeetha et al. | Diagnosis of Pneumonia using Image Recognition Techniques | |
CN111476802B (zh) | 一种医学图像分割与肿瘤检测方法,设备及可读存储介质 | |
Wong et al. | Mass classification in digitized mammograms using texture features and artificial neural network | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
Giv et al. | Lung segmentation using active shape model to detect the disease from chest radiography | |
CN113139928B (zh) | 肺结节检测模型的训练方法和肺结节检测方法 | |
CN112633327B (zh) | 分阶段金属表面缺陷检测方法、系统、介质、设备及应用 | |
TWI745940B (zh) | 醫療影像分析系統及其方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200117 Assignee: Guangxi Yiyoumi Information Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980046079 Denomination of invention: A Method for Image Feature Recognition Granted publication date: 20220621 License type: Common License Record date: 20231107 |