CN110706793A - 一种基于注意力机制的甲状腺结节半监督分割方法 - Google Patents

一种基于注意力机制的甲状腺结节半监督分割方法 Download PDF

Info

Publication number
CN110706793A
CN110706793A CN201910913520.4A CN201910913520A CN110706793A CN 110706793 A CN110706793 A CN 110706793A CN 201910913520 A CN201910913520 A CN 201910913520A CN 110706793 A CN110706793 A CN 110706793A
Authority
CN
China
Prior art keywords
semi
supervised
supervised segmentation
network
attention mechanism
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
CN201910913520.4A
Other languages
English (en)
Inventor
王建荣
张瑞璇
于瑞国
魏玺
李雪威
喻梅
朱佳琳
刘志强
高洁
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN201910913520.4A priority Critical patent/CN110706793A/zh
Publication of CN110706793A publication Critical patent/CN110706793A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Software Systems (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Vascular Medicine (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开基于注意力机制的甲状腺结节半监督分割方法，包括以下步骤：步骤一，将甲状腺超声影像进行预处理，去除影像中的边缘信息区域；步骤二，构建半监督分割神经网络，同时对超声影像进行分类和分割预测任务，并对网络结构进行调整，以适应具体应用场景；步骤三，将注意力机制加入半监督分割神经网络中，提升网络效果；步骤四，通过交并比和Dice系数衡量半监督分割算法与现存全监督分割算法在甲状腺结节辅助诊断领域的表现；步骤五，不断降低像素级标签的数量，观察网络性能的变化情况。本发明半监督分割模型在保持了高分割性能的同时，得益于少量像素级标签的半监督作用，学到结节真正的良恶性特征，提升了良恶性分类能力。

Description

一种基于注意力机制的甲状腺结节半监督分割方法
技术领域
本发明属于深度学习、计算机辅助医疗和医学影像处理领域，涉及神经网络分类技术和半监督学习技术，尤其是一种基于注意力机制的甲状腺结节半监督分割方法。
背景技术
使用深度学习方法进行医疗辅助诊断的研究和应用覆盖了皮肤疾病、脑部疾病、肺部炎症以及甲状腺结节等疾病领域。Jinlian Ma等人[1]在2017年首次在甲状腺结节超声诊断中使用卷积神经网络。他们分别通过训练微调了两个在ImageNet数据库中预训练的网络，通过连接特征图，其诊断准确率为83.02％±0.72％。但其预训练的网络基于ImageNet这一自然场景图像数据集，其预训练好的特征多是自然场景下的，而非病理特征。因此这一预训练好的网络即使经过微调，在医学影像中的表现还有很大可提升的空间。
近年来，由于医疗数据标注困难，使用弱监督分割方法的研究有[2]-[5]。[5]引入软注意机制，产生一个端到端可训练的分类模型，用注意力门抑制图像中的不相关区域，突出对特定任务有用的显著特征。同时，利用注意力图以弱监督的方式学习了到对于分类具有重要影响的病灶区域。但是注意力图往往只覆盖了感兴趣对象的小的、最具鉴别性的区域，不能完全勾勒出目标前景对象。为了解决这一问题，最近的一些研究首先训练全卷积网络，找出图像中对分类最显著的部分(前景)，然后通过迭代擦除该区域迫使网络关注其他重要的部分，或通过擦除背景来提升模型的精确率。然而，上述方法要么依赖于一个训练网络对不同擦除步骤的注意映射组合，要么依赖于不同网络的注意映射组合，单一网络的注意力仍然只集中在最具辨别力的区域。除此之外，由于医疗影像中病灶区域相比正常组织区域的占比过小，背景对于模型的影响不可忽视，即弱监督方法不能确保模型的学习准确性。
参考文献
[1]J.Ma，F.Wu，J.Zhu，D.Xu，and D.Kong，“A pre-trained convolutionalneural network based method for thyroid nodule diagnosis，”Ultrasonics，vol.73，pp.221-230，2017.
[2]D.Kim，D.Cho，D.Yoo，and I.So Kweon.Two-phase learning for weaklysupervised object localization.In ICCV，2017.
[3]K.K.Singh and Y.J.Lee.Hide-and-seek：Forcing a network to bemeticulous for weakly-supervised object and action localization.In ICCV，2017
[4]B.Zhou，A.Khosla，A.Lapedriza，A.Oliva，and A.Torralba.Learning deepfeatures for discriminative localization.In CVPR，2016.
[5]Schlemper J，Oktay O，Chen L，et a1.Attention-Gated Networks forImproving Ultrasound Scan Plane Detection[J].2018.
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种基于注意力机制的甲状腺结节半监督分割方法。本发明提出一种半监督的神经网络框架，在利用大量粗粒度分类标签通过注意力机制激活或抑制实体特征的基础上，使用少量细粒度分割标签以监督模型定位到真正的病灶区域中。同时，进一步提高卷积神经网络模型在甲状腺超声辅助测试领域内的准确性和泛化能力。
本发明的目的是通过以下技术方案实现的：
一种基于注意力机制的甲状腺结节半监督分割方法，包括以下步骤：
步骤一，将甲状腺超声影像进行预处理，去除影像中的边缘信息区域；
步骤二，构建半监督分割神经网络，同时对超声影像进行分类和分割预测任务，并对网络结构进行调整，以适应具体应用场景；
步骤三，将注意力机制加入半监督分割神经网络中，提升网络效果；
步骤四，通过交并比和Dice系数衡量半监督分割算法与现存全监督分割算法在甲状腺结节辅助诊断领域的表现；
步骤五，不断降低像素级标签的数量，观察网络性能的变化情况。
进一步的，步骤一具体如下：采用U-Net将原始超声影像周围的信息区域去除，保留中间的影像部分，作为半监督分割神经网络的输入。
进一步的，步骤二具体如下：半监督分割神经网络模型具有两个输入个两个输出，输入分别是弱注释数据和全注释数据，输出分别是甲状腺结节的良恶性预测结果和结节分割预测结果。
进一步的，步骤五对全注释数据设置不同的数量，并使用交并比和Dice系数对网络性能进行评估。
与现有技术相比，本发明的技术方案所带来的有益效果是：
1.本发明的模型可以在严重缺乏全注释数据的情况下预测出更加准确、完整的甲状腺结节掩码。此外，半监督分割模型在保持了高分割性能的同时，得益于图像级标签在分类任务中对病灶区域的定位能力以及少量像素级标签的半监督作用，学到结节真正的良恶性特征，进而提升对良恶性甲状腺结节的分类能力。
2.本发明还提高了模型在具有其他风格的影像数据中的鲁棒性和泛化性能。这归因于半监督分割模型种分类与分割任务的结合，分类模块可以辅助分割模块更加关注具有鉴别性的区域。通过在相同数量(400张)的全注释数据的监督下，全监督分割网络(FCN、U-Net、SegNet)与本发明算法在新数据集下的分割结果对比，来展示本发明中模型的泛化能力。表2展示了实验结果，证明了本发明提出的半监督分割神经网络是提高辅助医疗模型泛化能力的方法之一，使得模型不再过渡依赖于训练数据集的分布情况，转而关注到真正可以区分良恶性的病灶区域。使在某些复杂疾病数据难以获得的情况下，基于这种半监督框架提升模型的性能和利用价值。
附图说明
图1是本发明的流程示意图。
图2左半边区域为良性结节分割结果，右半边区域为恶性结节分割结果。其中，针对每片区域，第一列为经过数据处理的超声影像。第二列为人工标记的像素级标签。第三列为基础网络是VGG-19的分割结果。第四列是在本发明的算法下的分割结果。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。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。
本发明提供了一种基于注意力机制的甲状腺结节半监督分割方法，如图1所示，为本发明产品分类方法一具体实施例的整体示意图，包括：
步骤S101：本发明采用U-Net，划分出原始甲状腺超声影像中的超声影像部分，去除周围的信息区域。之后，使用Z-score将数据进行了标准化，将不同量级的数据统一转化为同一个量级，统一用计算出的Z-Score值衡量，以保证数据之间的可比性。最后，将图像大小统一设置为224像素*224像素。
步骤S201：在模型最后，数据流将进行一次全局平均池化，将它定义为
Figure BDA0002215406310000031
其中g为网络当前的通道数，X为全局平均池化前的输出张量。则输出每个类别的预测值
Figure BDA0002215406310000032
Figure BDA0002215406310000033
其中
Figure BDA0002215406310000034
为当前卷积核，
Figure BDA0002215406310000035
为当前偏置，c是类别数量，σ为Softmax函数。本发明利用了类激活映射CAM的思想，筛选出模型预测的每个样本对应的类别。若分类任务为单标签分类问题，则可筛选出概率值最大的一项作为最终预测的类别。若分类任务为多标签分类，这一筛选行为可以表示成一个阈值的选择。利用这一阈值，通过式(6)得到最后全连接层在当前类别下的权重Wc。
Figure BDA0002215406310000041
Wc＝Hwf T (6)
步骤S202：基于Wc与最后一层特征图F的运算，得到对当前分类有影响的特征激活映射Fc＝F⊙Wc。其中，m为当前特征图的大小，⊙为扩展矩阵像素乘法。最后，还需要对上述特征集合进行最后一次卷积过程，得到完整的前景和背景的输出结果Ps，如式(7)所示：
Figure BDA0002215406310000043
其中，ws当前卷积核，bs为当前偏置。由此便可通过类别标签，提取相关特征及其权重，进而通过最后一层卷积得出该实例的分割结果。同时利用少量全注释数据，计算损失函数，利用反向传播算法对网络进行半监督优化。
步骤S301：本发明将注意力机制以自下而上和自顶向下的可训练前馈结构嵌入到神经网络中。其目的是使得部分特征、或特征图中对分类影响较大的区域具有较高的响应值。相反的，抑制非显著性特征区域的响应值。注意力模块由两个分支构成卷积分支和注意力分支。卷积分支由卷积块(卷积+批正则化+激活函数)组成，用于提取特征。它的输出张量定义为
Figure BDA0002215406310000044
其中N，m和p分别为网络当前的批数量，特征图大小和通道数，X为注意力模块中第一个卷积块的输出张量。注意力分支用于粗定位到卷积分支的特征图中对分类最具显著性的区域。它的输出张量定义为
Figure BDA0002215406310000045
此外，本发明对每层卷积都采用了批正则化，加快了模型的收敛速度，并使得训练过程更加容易和稳定。其中，注意力模块的特征图(LA)是由一层卷积和激活函数通过式(1)得到：
LA＝σ(BN(wuU(X)+bu)) (1)
Figure BDA0002215406310000046
其中σ是softmax激活函数，将会得到矩阵内的元素对分类影像的权重矩阵，即LAi，j∈(0，1)。
步骤S302：至此，两个分支的数据流输出完毕，通过以下方式结合，形成注意力模块的输出
Figure BDA0002215406310000048
其中
Figure BDA0002215406310000049
是像素乘法，
Figure BDA00022154063100000410
是连接操作。
步骤S401：通过公式(1)-(4)就可以得到本发明的甲状腺超声影像半监督分割的效果，以及良恶性分类的准确率。再通过与其他基础网络在半监督框架内的比较，就可以看出本发明加入注意力机制后对模型性能的影响。另外，通过与其他全监督分割的网络比较，就可以看出本发明使用半监督机制对分割性能的提升效果。
步骤S501：以不同比率(5％、6.7％、10％和13.3％)的全注释数据进行实验，对比分析模型在不同比率下的表现，以确认本发明所能接受的最小比率。
本发明方法为甲状腺良恶性结节辅助诊断技术提供了一种新思路，提出并定义一种甲状腺超声影像中的人工标记识别方法，对原始超声影像进行预处理，提取感兴趣区域，进而将其作为胶囊网络的输入图像。同时，将Dropout引入胶囊网络，在稳定训练过程的同时，提高了胶囊网络在甲状腺超声影像分类任务中的准确率。
图2左半边区域为良性结节分割结果，右半边区域为恶性结节分割结果。其中，针对每片区域，第一列为经过数据处理的超声影像。第二列为人工标记的像素级标签。第三列为基础网络是VGG-19的分割结果。第四列是在本发明的算法下的分割结果。可以看出，本发明的分割效果最佳。
本发明采用的衡量指标包括交并比、Dice系数、准确率以及F1-分数。其中，交并比和Dice系数分别用于度量结节预测区域
Figure BDA0002215406310000051
与像素级标签P之间的重合程度和相似程度。上述几种指标的计算方法如式(1)-(4)所示：
Figure BDA0002215406310000052
Figure BDA0002215406310000054
Figure BDA0002215406310000055
首先选用参数量相当的VGG19作为基准，实验结果表明(表1)，单独使用这一分类网络，对甲状腺结节的分类准确率仅有88％。若将其嵌入本发明的半监督分割框架内，分类错误率降低了30.58％。针对分割任务的实验结果显示，使用本发明的网络结构，相比VGG19具有更好的性能(Jaccard高出4.97％，Dice高出5.76％，分类错误率降低了39.98％)。其分割效果如图2所示，可以看出，本发明的模型可以生成更加准确、完整的甲状腺结节掩码。此外，半监督分割模型在保持了高分割性能的同时，得益于少量像素级标签的半监督作用，学到结节真正的良恶性特征，提升了良恶性分类能力。
其次，本发明还提高了模型在具有其他风格的影像数据中的鲁棒性和泛化性能。通过在相同像素级标签个数(400张)下，全监督分割网络(FCN、U-Net、SegNet)与本发明算法在新数据集下的分割结果，来展示本发明中模型的泛化能力。表2展示了实验结果，证明了本发明提出的半监督分割神经网络是提高辅助医疗模型泛化能力的方法之一，使得模型不再过渡依赖于训练数据集的分布情况，转而关注到真正可以区分良恶性的病灶区域。使在某些复杂疾病数据难以获得的情况下，基于这种半监督框架提升模型的性能和利用价值。
最后，表3表明了在不断降低像素级标签的情况下观察网络的性能。可以看出，随着全注释数据的增多，模型的表现也越来越好。但若这一比例过小(例如150/3000)，模型便会在一定程度上出现过拟合现象。
表1不同基础网络结构在半监督分割实验中的性能
Figure BDA0002215406310000061
在表1中粗体显示了当前指标的最佳性能，展示了在同样半监督分割的网络架构下，使用不同基础网络结构对分割效果的影响。
表2全监督分割网络与本发明的算法在新数据集下的性能对比
Figure BDA0002215406310000062
表3不同像素级标签的比例对半监督分割实验的影响
Figure BDA0002215406310000063
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (4)

1.一种基于注意力机制的甲状腺结节半监督分割方法，其特征在于，包括以下步骤：
步骤一，将甲状腺超声影像进行预处理，去除影像中的边缘信息区域；
步骤二，构建半监督分割神经网络，同时对超声影像进行分类和分割预测任务，并对网络结构进行调整，以适应具体应用场景；
步骤三，将注意力机制加入半监督分割神经网络中，提升网络效果；
步骤四，通过交并比和Dice系数衡量半监督分割算法与现存全监督分割算法在甲状腺结节辅助诊断领域的表现；
步骤五，不断降低像素级标签的数量，观察网络性能的变化情况。
2.根据权利要求1所述一种基于注意力机制的甲状腺结节半监督分割方法，其特征在于，步骤一具体如下：采用U-Net将原始超声影像周围的信息区域去除，保留中间的影像部分，作为半监督分割神经网络的输入。
3.根据权利要求1所述一种基于注意力机制的甲状腺结节半监督分割方法，其特征在于，步骤二具体如下：半监督分割神经网络模型具有两个输入个两个输出，输入分别是弱注释数据和全注释数据，输出分别是甲状腺结节的良恶性预测结果和结节分割预测结果。
4.根据权利要求1所述一种基于注意力机制的甲状腺结节半监督分割方法，其特征在于，步骤五对全注释数据设置不同的数量，并使用交并比和Dice系数对网络性能进行评估。
CN201910913520.4A 2019-09-25 2019-09-25 一种基于注意力机制的甲状腺结节半监督分割方法 Pending CN110706793A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910913520.4A CN110706793A (zh) 2019-09-25 2019-09-25 一种基于注意力机制的甲状腺结节半监督分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910913520.4A CN110706793A (zh) 2019-09-25 2019-09-25 一种基于注意力机制的甲状腺结节半监督分割方法

Publications (1)

Publication Number Publication Date
CN110706793A true CN110706793A (zh) 2020-01-17

Family

ID=69197081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910913520.4A Pending CN110706793A (zh) 2019-09-25 2019-09-25 一种基于注意力机制的甲状腺结节半监督分割方法

Country Status (1)

Country Link
CN (1) CN110706793A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111243042A (zh) * 2020-02-28 2020-06-05 浙江德尚韵兴医疗科技有限公司 基于深度学习的超声甲状腺结节良恶性特征可视化的方法
CN111476775A (zh) * 2020-04-07 2020-07-31 广州柏视医疗科技有限公司 Dr征象识别装置和方法
CN112381777A (zh) * 2020-11-09 2021-02-19 深圳开立生物医疗科技股份有限公司 一种图像处理方法、装置及电子设备和存储介质
CN112785586A (zh) * 2021-02-04 2021-05-11 天津大学 一种多尺度自注意力无监督域自适应算法
CN113610807A (zh) * 2021-08-09 2021-11-05 西安电子科技大学 基于弱监督多任务学习的新冠肺炎分割方法
CN114398979A (zh) * 2022-01-13 2022-04-26 四川大学华西医院 一种基于特征解耦的超声图像甲状腺结节分类方法
WO2022160772A1 (zh) * 2021-01-27 2022-08-04 武汉大学 一种基于视角引导多重对抗注意力的行人重识别方法
WO2023198166A1 (zh) * 2022-04-14 2023-10-19 北京联影智能影像技术研究院 图像检测方法、系统、装置及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6990086B1 (en) * 2001-01-26 2006-01-24 Cisco Technology, Inc. Method and system for label edge routing in a wireless network
CN106056595A (zh) * 2015-11-30 2016-10-26 浙江德尚韵兴图像科技有限公司 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法
CN108717554A (zh) * 2018-05-22 2018-10-30 复旦大学附属肿瘤医院 一种甲状腺肿瘤病理组织切片图像分类方法及其装置
CN108898175A (zh) * 2018-06-26 2018-11-27 北京工业大学 基于深度学习胃癌病理切片的计算机辅助模型构建方法
CN109087327A (zh) * 2018-07-13 2018-12-25 天津大学 一种级联全卷积神经网络的甲状腺结节超声图像分割方法
CN109903292A (zh) * 2019-01-24 2019-06-18 西安交通大学 一种基于全卷积神经网络的三维图像分割方法及系统
CN109961838A (zh) * 2019-03-04 2019-07-02 浙江工业大学 一种基于深度学习的超声影像慢性肾脏病辅助筛查方法
CN110060774A (zh) * 2019-04-29 2019-07-26 赵蕾 一种基于生成式对抗网络的甲状腺结节识别方法
CN110059730A (zh) * 2019-03-27 2019-07-26 天津大学 一种基于胶囊网络的甲状腺结节超声图像分类方法
CN110060235A (zh) * 2019-03-27 2019-07-26 天津大学 一种基于深度学习的甲状腺结节超声图像分割方法
CN110097131A (zh) * 2019-05-08 2019-08-06 南京大学 一种基于对抗协同训练的半监督医疗图像分割方法
CN110176012A (zh) * 2019-05-28 2019-08-27 腾讯科技（深圳）有限公司 图像中的目标分割方法、池化方法、装置及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6990086B1 (en) * 2001-01-26 2006-01-24 Cisco Technology, Inc. Method and system for label edge routing in a wireless network
CN106056595A (zh) * 2015-11-30 2016-10-26 浙江德尚韵兴图像科技有限公司 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法
CN108717554A (zh) * 2018-05-22 2018-10-30 复旦大学附属肿瘤医院 一种甲状腺肿瘤病理组织切片图像分类方法及其装置
CN108898175A (zh) * 2018-06-26 2018-11-27 北京工业大学 基于深度学习胃癌病理切片的计算机辅助模型构建方法
CN109087327A (zh) * 2018-07-13 2018-12-25 天津大学 一种级联全卷积神经网络的甲状腺结节超声图像分割方法
CN109903292A (zh) * 2019-01-24 2019-06-18 西安交通大学 一种基于全卷积神经网络的三维图像分割方法及系统
CN109961838A (zh) * 2019-03-04 2019-07-02 浙江工业大学 一种基于深度学习的超声影像慢性肾脏病辅助筛查方法
CN110059730A (zh) * 2019-03-27 2019-07-26 天津大学 一种基于胶囊网络的甲状腺结节超声图像分类方法
CN110060235A (zh) * 2019-03-27 2019-07-26 天津大学 一种基于深度学习的甲状腺结节超声图像分割方法
CN110060774A (zh) * 2019-04-29 2019-07-26 赵蕾 一种基于生成式对抗网络的甲状腺结节识别方法
CN110097131A (zh) * 2019-05-08 2019-08-06 南京大学 一种基于对抗协同训练的半监督医疗图像分割方法
CN110176012A (zh) * 2019-05-28 2019-08-27 腾讯科技（深圳）有限公司 图像中的目标分割方法、池化方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
侍新等: "基于卷积神经网络检测肺结节", 《中国医学影像技术》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111243042A (zh) * 2020-02-28 2020-06-05 浙江德尚韵兴医疗科技有限公司 基于深度学习的超声甲状腺结节良恶性特征可视化的方法
CN111476775A (zh) * 2020-04-07 2020-07-31 广州柏视医疗科技有限公司 Dr征象识别装置和方法
CN112381777A (zh) * 2020-11-09 2021-02-19 深圳开立生物医疗科技股份有限公司 一种图像处理方法、装置及电子设备和存储介质
WO2022160772A1 (zh) * 2021-01-27 2022-08-04 武汉大学 一种基于视角引导多重对抗注意力的行人重识别方法
US11804036B2 (en) 2021-01-27 2023-10-31 Wuhan University Person re-identification method based on perspective-guided multi-adversarial attention
CN112785586A (zh) * 2021-02-04 2021-05-11 天津大学 一种多尺度自注意力无监督域自适应算法
CN113610807A (zh) * 2021-08-09 2021-11-05 西安电子科技大学 基于弱监督多任务学习的新冠肺炎分割方法
CN113610807B (zh) * 2021-08-09 2024-02-09 西安电子科技大学 基于弱监督多任务学习的新冠肺炎分割方法
CN114398979A (zh) * 2022-01-13 2022-04-26 四川大学华西医院 一种基于特征解耦的超声图像甲状腺结节分类方法
WO2023198166A1 (zh) * 2022-04-14 2023-10-19 北京联影智能影像技术研究院 图像检测方法、系统、装置及存储介质

Similar Documents

Publication Publication Date Title
CN110706793A (zh) 一种基于注意力机制的甲状腺结节半监督分割方法
Saber et al. A novel deep-learning model for automatic detection and classification of breast cancer using the transfer-learning technique
Wang et al. Inferring salient objects from human fixations
Chen et al. Weakly supervised semantic segmentation with boundary exploration
Li et al. Multitask semantic boundary awareness network for remote sensing image segmentation
Xiao et al. A weakly supervised semantic segmentation network by aggregating seed cues: the multi-object proposal generation perspective
Liu et al. Weakly-supervised salient object detection with saliency bounding boxes
Fang et al. Multi-level feature fusion based locality-constrained spatial transformer network for video crowd counting
CN113344044B (zh) 一种基于领域自适应的跨物种医疗影像分类方法
Li et al. Robust deep neural networks for road extraction from remote sensing images
Gadermayr et al. Multiple instance learning for digital pathology: A review of the state-of-the-art, limitations & future potential
Li et al. Weakly supervised histopathology image segmentation with self-attention
Zhao et al. Multi-source collaborative enhanced for remote sensing images semantic segmentation
Zhan et al. Salient superpixel visual tracking with graph model and iterative segmentation
Lai et al. Toward accurate polyp segmentation with cascade boundary-guided attention
Wang et al. Multi-task generative adversarial learning for nuclei segmentation with dual attention and recurrent convolution
Belharbi et al. Negative evidence matters in interpretable histology image classification
Shang et al. Instance-level context attention network for instance segmentation
Zhang et al. Close-set camera style distribution alignment for single camera person re-identification
Yu et al. HarDNet-CPS: colorectal polyp segmentation based on harmonic densely united network
Jin et al. Inter-and intra-uncertainty based feature aggregation model for semi-supervised histopathology image segmentation
Yuan et al. An improved yolov5 for skull fracture detection
Wang et al. Self-supervised learning for high-resolution remote sensing images change detection with variational information bottleneck
Xin et al. Merged-sampling mask R-CNN with random proposal expansion for particle measurement of SEM images of molecular sieve catalysts
Zhao et al. Learning Fine-Grained Information with Capsule-Wise Attention for Salient Object Detection

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200117

WD01 Invention patent application deemed withdrawn after publication