CN110931112A - 一种基于多维信息融合和深度学习的脑部医学影像分析方法 - Google Patents
一种基于多维信息融合和深度学习的脑部医学影像分析方法 Download PDFInfo
- Publication number
- CN110931112A CN110931112A CN201911231451.5A CN201911231451A CN110931112A CN 110931112 A CN110931112 A CN 110931112A CN 201911231451 A CN201911231451 A CN 201911231451A CN 110931112 A CN110931112 A CN 110931112A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- medical image
- classification
- brain
- network
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 56
- 230000004927 fusion Effects 0.000 title claims abstract description 29
- 210000004556 brain Anatomy 0.000 title claims abstract description 24
- 238000003703 image analysis method Methods 0.000 title claims abstract description 20
- 238000003745 diagnosis Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000010191 image analysis Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 201000010099 disease Diseases 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 238000011981 development test Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 208000014644 Brain disease Diseases 0.000 claims description 24
- 238000002372 labelling Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 9
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 4
- 235000019580 granularity Nutrition 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 230000002503 metabolic effect Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 7
- 239000010410 layer Substances 0.000 description 13
- 238000013136 deep learning model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
Images
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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于多维信息融合和深度学习的脑部医学影像分析方法，包括如下步骤：S1、开发测试环境平台搭建：搭建深度学习训练用工作站，配置训练框架；S2、对主流深度学习算法和网络模型进行研究：对主流的深度学习算法、网络模型、医学影像分析检测框架和数据集进行测试，并分析各种深度学习算法和卷积网络模型在图像分割、目标检测和疾病分类分级方面的优缺点；S3、制作医学影像训练数据集、验证数据集和测试数据集；S4、基于多个深度学习网络的医学影像分析诊断研究。本发明能分别训练不同的深度学习卷积神经网络，通过构建加权贝叶斯网络，对不同类型医学影像的分析结果进行处理，从而得到最后的分析诊断结果，诊断结果的准确性大大提高。
Description
技术领域
本发明涉及医学影像分析技术领域，尤其涉及一种基于多维信息融合和深度学习的脑部医学影像分析方法。
背景技术
医疗关乎着人民的生命健康。日前，医疗数据量特别是医学影像数据量巨大，但能否利用好这庞大的医学影像数据为医疗事业做出贡献至关重要。源于深度学习在图像检测分类方面的优势，基于深度学习的医学影像分析将在医学影像的分割、分类、分级以及辅助医生进行病症诊断方面发挥重要作用。与医师读片相比，基于深度学习的人工智能医学影像分析具备许多优势：人类做出诊断大多凭借经验印象，基于深度学习的医学影像分析是对图像全信息的识别和利用，通过对多维度医学影像的深度学习，可获得更高的诊断准确性；基于深度学习的医学影像分析模型建立后其阅片重复性很高，能够避免人类阅片受情绪和疲劳度的影响而导致的重复性较差；基于深度学习的医学影像分析模型的知识经验随着病例增多会不断优化，漏诊率误诊率不断降低；基于深度学习的影像分析虽前期建模投入成本大，时间较长，但形成成熟的模型后，读片速度及质量较高，能胜任多名医学影像医师的工作，用工成本较低。因此，基于深度学习的医学影像分析诊断将具有广阔的市场应用前景。
现有基于深度学习的医学影像分析技术存在如下问题：
1、针对医学影像的分割检测和分类分级问题，无适用的公开数据集，需要建立专门的带多级标签的数据集；
2、现有图像分类、目标检测框架和卷积神经网络无法直接应用于医学影像的分割检测和分类分级问题，需要对它们针对医学影像分析的具体应用要求进行改造；
3、不能充分利用医学影像的不同层次特征，来实现对脑部疾病的分类和分级；
4、不能实现不同类型医学影像的配准和融合问题，不能综合利用多种卷积神经网络，提升脑部疾病分类分级诊断的准确度。
发明内容
(一)发明目的
为解决背景技术中存在的技术问题，本发明提出一种基于多维信息融合和深度学习的脑部医学影像分析方法，能建立专门的带多级标签的数据集，能构建专用于医学影像的分割检测和分类和分级问题的深度学习模型，能分别训练不同的深度学习卷积神经网络，通过构建加权贝叶斯网络，对不同类型医学影像的分析结果进行处理，从而得到最后的分析诊断结果，极大地提高了诊断结果的准确性。
(二)技术方案
本发明提供了一种基于多维信息融合和深度学习的脑部医学影像分析方法，包括如下步骤：
S1、开发测试环境平台搭建：
搭建深度学习训练用工作站，配置训练框架；
S2、对主流深度学习算法和网络模型进行研究：
对主流的深度学习算法、网络模型、医学影像分析检测框架和数据集进行测试，并分析各种深度学习算法和卷积网络模型在图像分割、目标检测和疾病分类分级方面的优缺点；
S3、制作医学影像训练数据集、验证数据集和测试数据集：
针对医学影像分析的要求和特点，选择一定数量的针对典型脑部疾病的医学影像作为样本，对于同一病历，采集多种类型、不同角度的医学影像，加注多级分类标签；
S4、基于多个深度学习网络的医学影像分析诊断研究：
基于特定类型的医学影像数据集和对病灶进行检测、分类和分级的应用需求，分别训练不同的深度学习卷积神经网络，得到针对某一特定医学影像的病灶目标分割检测、分类分级的初步结果，然后通过构建加权贝叶斯网络，对多个初步结果进行处理得到最后的分析诊断结果。
优选的，还包括：
S5、基于层级特征融合的卷积神经网络结构改进研究：
借鉴Dense Net和改进的Multi-Scale Dense Net，融合利用医学影像不同层次的特征来提升分类分级的准确度，对Multi-Scale Dense Net进行剪枝处理，以降低网络结构复杂度；
设计中间层分类网络，以提取并融合不同粒度的特征，保证中间层分类具有较高的准确率；
将中间层分类网络提取到的影像特征与Multi-Scale Dense Net最后层提取到的特征进行融合，在网络最后层进行病灶目标分类分级。
优选的，在S5中：
将sMRI、fMRI和PET的医学影像输入改进后的Muti-Scale DenseNet中，经过中间层分类网络后得到脑部疾病的大类别，同时得到用于大分类的目标特征；
将中间层网络提取得到的目标特征与主干网络提取到的特征进行融合，获得关于目标不同分类级别的特征；
基于不同级别的特征预测目标的病症的分级结果。
优选的，还包括：
S6、基于多维度医学影像信息融合研究：
采用针对同一病症的sMRI、fMRI和PET的多种医学影像，对这些影像进行配准，然后利用卷积神经网络对它们提取相应特征，并对不同类型的医学影像提取的特征进行融合，以获得更加丰富的病灶目标的特征；
对融合后的特征进行降维，减少冗余特征，同时确保关键特征不会丢失，最后再通过一个卷积神经网络进行最后的分类分级，以保证分析诊断的准确率。
优选的，获取的病灶目标的特征包括结构特征和代谢特征。
优选的，还包括：
S7、在构建脑部疾病数据库和脑部疾病分析框架和网络模型的基础上，开发脑部疾病分析诊断系统。
优选的，将脑部疾病分析诊断系统集成在能够联网的便携式移动设备中，移动设备中内置有数据共享模块，以共享医学影像信息和对应的诊断结果，提高信息交换效率。
优选的，通过对脑部结构、病症位置、病症分类和分级等信息进行标注，来构建专用训练数据集。
优选的，开发自动标注工具，在加注多级分类标签时，能对数据集自动进行多级分类标记，降低数据集标注工作量。
优选的，针对医学影像的分析要求包括对医学影像的检测定位、分割、分类和分析共四种要求。
与现有技术相比，本发明的上述技术方案具有如下有益的技术效果：本发明能建立专门的带多级标签的数据集，能构建专用于医学影像的分割检测和分类和分级问题的深度学习模型，对于结构性sMRI、功能性fMRI和PET等不同类型的医学影像，分别训练不同的CNN网络进行分析，然后通过构建加权贝叶斯网络，对不同类型医学影像的分析结果进行处理得到最后的分析诊断结果，极大地提高了诊断结果的准确性。
附图说明
图1为本发明提出的一种基于多维信息融合和深度学习的脑部医学影像分析方法的流程图。
图2为本发明提出的一种基于多维信息融合和深度学习的脑部医学影像分析方法中基于多个深度学习网络的医学影像分析诊断结果融合结构示意图。
图3为本发明提出的一种基于多维信息融合和深度学习的脑部医学影像分析方法中基于层间信息融合的脑部疾病分类分级处理流程示意图。
图4为本发明提出的一种基于多维信息融合和深度学习的脑部医学影像分析方法中多种医学影像信息融合处理过程的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
如图1-4所示，本发明提出的一种基于多维信息融合和深度学习的脑部医学影像分析方法，包括如下步骤：
S1、开发测试环境平台搭建：
搭建深度学习训练用工作站，配置训练框架；
S2、对主流深度学习算法和网络模型进行研究：
对主流的深度学习算法、网络模型、医学影像分析检测框架和数据集进行测试，并分析各种深度学习算法和卷积网络模型在图像分割、目标检测和疾病分类分级方面的优缺点；
S3、制作医学影像训练数据集、验证数据集和测试数据集：
针对医学影像分析的要求和特点，选择一定数量的针对典型脑部疾病的医学影像作为样本，对于同一病历，采集多种类型、不同角度的医学影像，加注多级分类标签；
S4、基于多个深度学习网络的医学影像分析诊断研究：
基于特定类型的医学影像数据集和对病灶进行检测、分类和分级的应用需求，分别训练不同的深度学习卷积神经网络，得到针对某一特定医学影像的病灶目标分割检测、分类分级的初步结果，然后通过构建加权贝叶斯网络，对多个初步结果进行处理得到最后的分析诊断结果。
在一个可选的实施例中，还包括：
S5、基于层级特征融合的卷积神经网络结构改进研究：
借鉴Dense Net和改进的Multi-Scale Dense Net，融合利用医学影像不同层次的特征来提升分类分级的准确度，对Multi-Scale Dense Net进行剪枝处理，以降低网络结构复杂度；
设计中间层分类网络，以提取并融合不同粒度的特征，保证中间层分类具有较高的准确率；
将中间层分类网络提取到的影像特征与Multi-Scale Dense Net最后层提取到的特征进行融合，在网络最后层进行病灶目标分类分级。
需要说明的是，DenseNet作为一种拥有较深层数的卷积神经网络,具有如下优点：拥有更少的参数数量；旁路加强了特征的重用；网络更易于训练,并具有一定的正则效果。通过借鉴Dense Net和改进的Multi-Scale Dense Net，能更好的融合针对不同层次特征来提升分类分级的准确度。
在一个可选的实施例中，在S5中：
将sMRI、fMRI和PET的医学影像输入改进后的Muti-Scale DenseNet中，经过中间层分类网络后得到脑部疾病的大类别，同时得到用于大分类的目标特征；
将中间层网络提取得到的目标特征与主干网络提取到的特征进行融合，获得关于目标不同分类级别的特征；
基于不同级别的特征预测目标的病症的分级结果。
在一个可选的实施例中，还包括：
S6、基于多维度医学影像信息融合研究：
采用针对同一病症的sMRI、fMRI和PET的多种医学影像，对这些影像进行配准，然后利用卷积神经网络对它们提取相应特征，并对不同类型的医学影像提取的特征进行融合，以获得更加丰富的病灶目标的特征；
对融合后的特征进行降维，减少冗余特征，同时确保关键特征不会丢失，最后再通过一个卷积神经网络进行最后的分类分级，以保证分析诊断的准确率。
在一个可选的实施例中，获取的病灶目标的特征包括结构特征和代谢特征。
在一个可选的实施例中，还包括：
S7、在构建脑部疾病数据库和脑部疾病分析框架和网络模型的基础上，开发脑部疾病分析诊断系统。
在一个可选的实施例中，将脑部疾病分析诊断系统集成在能够联网的便携式移动设备中，移动设备中内置有数据共享模块，以共享医学影像信息和对应的诊断结果，提高信息交换效率。
在一个可选的实施例中，通过对脑部结构、病症位置、病症分类和分级等信息进行标注，来构建专用训练数据集。
需要说明的是，目前网络上开源的数据集主要是针对图像分类和物体检测识别，如括cifar10、cifar100、Microsoft COCO、Pscaol Voc、CUB_200_2011、Stanford Dogs和ImageNet等。其中，cifar10和cifar100只包含类别标签主要用来训练分类模型，而其它数据集则包含类别、边框等信息，可用于训练分类和物体检测等模型。然而，很少有与医学影像分割检测和分类分级商品相关的数据集，因此，对于医学影像这一特定任务，需要针对项目需要创建专用的数据集。通过对脑部结构、病症位置、病症分类和分级等信息进行标注，来构建专用训练数据集，数据全面、充分，能应用于针对医学影像深度学习模型的构建过程。
在一个可选的实施例中，开发自动标注工具，在加注多级分类标签时，能对数据集自动进行多级分类标记，降低数据集标注工作量。
在一个可选的实施例中，针对医学影像的分析要求包括对医学影像的检测定位、分割、分类和分析共四种要求。
本发明能建立专门的带多级标签的数据集，能构建专用于医学影像的分割检测和分类和分级问题的深度学习模型，对于结构性sMRI、功能性fMRI和PET等不同类型的医学影像，分别训练不同的CNN网络进行分析，然后通过构建加权贝叶斯网络，对不同类型医学影像的分析结果进行处理得到最后的分析诊断结果，极大地提高了诊断结果的准确性。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，包括如下步骤：
S1、开发测试环境平台搭建：
搭建深度学习训练用工作站，配置训练框架；
S2、对主流深度学习算法和网络模型进行研究：
对主流的深度学习算法、网络模型、医学影像分析检测框架和数据集进行测试，并分析各种深度学习算法和卷积网络模型在图像分割、目标检测和疾病分类分级方面的优缺点；
S3、制作医学影像训练数据集、验证数据集和测试数据集：
针对医学影像分析的要求和特点，选择一定数量的针对典型脑部疾病的医学影像作为样本，对于同一病历，采集多种类型、不同角度的医学影像，加注多级分类标签；
S4、基于多个深度学习网络的医学影像分析诊断研究：
基于特定类型的医学影像数据集和对病灶进行检测、分类和分级的应用需求，分别训练不同的深度学习卷积神经网络，得到针对某一特定医学影像的病灶目标分割检测、分类分级的初步结果，然后通过构建加权贝叶斯网络，对多个初步结果进行处理得到最后的分析诊断结果。
2.根据权利要求1所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，还包括：
S5、基于层级特征融合的卷积神经网络结构改进研究：
借鉴Dense Net和改进的Multi-Scale Dense Net，融合利用医学影像不同层次的特征来提升分类分级的准确度，对Multi-Scale Dense Net进行剪枝处理，以降低网络结构复杂度；
设计中间层分类网络，以提取并融合不同粒度的特征，保证中间层分类具有较高的准确率；
将中间层分类网络提取到的影像特征与Multi-Scale Dense Net最后层提取到的特征进行融合，在网络最后层进行病灶目标分类分级。
3.根据权利要求2所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，在S5中：
将sMRI、fMRI和PET的医学影像输入改进后的Muti-Scale DenseNet中，经过中间层分类网络后得到脑部疾病的大类别，同时得到用于大分类的目标特征；
将中间层网络提取得到的目标特征与主干网络提取到的特征进行融合，获得关于目标不同分类级别的特征；
基于不同级别的特征预测目标的病症的分级结果。
4.根据权利要求2所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，还包括：
S6、基于多维度医学影像信息融合研究：
采用针对同一病症的sMRI、fMRI和PET的多种医学影像，对这些影像进行配准，然后利用卷积神经网络对它们提取相应特征，并对不同类型的医学影像提取的特征进行融合，以获得更加丰富的病灶目标的特征；
对融合后的特征进行降维，减少冗余特征，同时确保关键特征不会丢失，最后再通过一个卷积神经网络进行最后的分类分级，以保证分析诊断的准确率。
5.根据权利要求4所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，获取的病灶目标的特征包括结构特征和代谢特征。
6.根据权利要求4所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，还包括：
S7、在构建脑部疾病数据库和脑部疾病分析框架和网络模型的基础上，开发脑部疾病分析诊断系统。
7.根据权利要求6所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，将脑部疾病分析诊断系统集成在能够联网的便携式移动设备中，移动设备中内置有数据共享模块，以共享医学影像信息和对应的诊断结果，提高信息交换效率。
8.根据权利要求1所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，通过对脑部结构、病症位置、病症分类和分级等信息进行标注，来构建专用训练数据集。
9.根据权利要求1所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，开发自动标注工具，在加注多级分类标签时，能对数据集自动进行多级分类标记，降低数据集标注工作量。
10.根据权利要求1所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，针对医学影像的分析要求包括对医学影像的检测定位、分割、分类和分析共四种要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911231451.5A CN110931112B (zh) | 2019-12-05 | 2019-12-05 | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911231451.5A CN110931112B (zh) | 2019-12-05 | 2019-12-05 | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110931112A true CN110931112A (zh) | 2020-03-27 |
| CN110931112B CN110931112B (zh) | 2023-04-18 |
Family
ID=69856812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911231451.5A Active CN110931112B (zh) | 2019-12-05 | 2019-12-05 | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110931112B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112022097A (zh) * | 2020-09-09 | 2020-12-04 | 天津工业大学 | 一种头带式异质体监测设备及头部异质体监测方法、系统 |
| CN112164446A (zh) * | 2020-10-13 | 2021-01-01 | 电子科技大学 | 一种基于多网络融合的医疗影像报告生成方法 |
| CN112348059A (zh) * | 2020-10-23 | 2021-02-09 | 北京航空航天大学 | 基于深度学习的多种染色病理图像分类方法及系统 |
| CN112633405A (zh) * | 2020-12-30 | 2021-04-09 | 上海联影智能医疗科技有限公司 | 模型训练方法、医学影像分析方法及装置、设备、介质 |
| CN114496233A (zh) * | 2022-04-07 | 2022-05-13 | 广东工业大学 | 一种心肌梗死并发症的辅助诊断系统 |
| US11610306B2 (en) | 2020-12-16 | 2023-03-21 | Industrial Technology Research Institute | Medical image analysis method and device |
| CN116092673A (zh) * | 2023-04-10 | 2023-05-09 | 华南理工大学 | 一种便携式多信息融合分析及干预评估系统及其方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
| CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| CN110517253A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于3d多目标特征学习的肺结节良恶性分类的方法 |
-
2019
- 2019-12-05 CN CN201911231451.5A patent/CN110931112B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
| CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术（北京）有限公司 | 用于分析医学影像的方法和装置 |
| CN110517253A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于3d多目标特征学习的肺结节良恶性分类的方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112022097A (zh) * | 2020-09-09 | 2020-12-04 | 天津工业大学 | 一种头带式异质体监测设备及头部异质体监测方法、系统 |
| CN112164446A (zh) * | 2020-10-13 | 2021-01-01 | 电子科技大学 | 一种基于多网络融合的医疗影像报告生成方法 |
| CN112348059A (zh) * | 2020-10-23 | 2021-02-09 | 北京航空航天大学 | 基于深度学习的多种染色病理图像分类方法及系统 |
| US11610306B2 (en) | 2020-12-16 | 2023-03-21 | Industrial Technology Research Institute | Medical image analysis method and device |
| CN112633405A (zh) * | 2020-12-30 | 2021-04-09 | 上海联影智能医疗科技有限公司 | 模型训练方法、医学影像分析方法及装置、设备、介质 |
| CN114496233A (zh) * | 2022-04-07 | 2022-05-13 | 广东工业大学 | 一种心肌梗死并发症的辅助诊断系统 |
| CN116092673A (zh) * | 2023-04-10 | 2023-05-09 | 华南理工大学 | 一种便携式多信息融合分析及干预评估系统及其方法 |
| CN116092673B (zh) * | 2023-04-10 | 2023-06-16 | 华南理工大学 | 一种便携式多信息融合分析及干预评估系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110931112B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110931112B (zh) | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 | |
| TWI766618B (zh) | 關鍵點檢測方法、電子設備及電腦可讀儲存介質 | |
| CN107133651B (zh) | 基于超网络判别子图的功能磁共振影像数据分类方法 | |
| CN103268495B (zh) | 计算机系统中基于先验知识聚类的人体行为建模识别方法 | |
| CN109920501A (zh) | 基于卷积神经网络和主动学习的电子病历分类方法及系统 | |
| Xu et al. | Recognition of rust grade and rust ratio of steel structures based on ensembled convolutional neural network | |
| CN108875624A (zh) | 基于多尺度的级联稠密连接神经网络的人脸检测方法 | |
| CN109770903A (zh) | 功能磁共振影像的分类预测方法、系统、装置 | |
| CN107944360A (zh) | 一种诱导多能干细胞识别方法、系统及电子设备 | |
| Ajagbe et al. | Investigating the efficiency of deep learning models in bioinspired object detection | |
| CN111274886B (zh) | 一种基于深度学习的行人闯红灯违法行为分析方法及系统 | |
| CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
| CN113662664B (zh) | 一种基于仪器追踪的外科手术质量客观自动化评估方法 | |
| CN110543912A (zh) | 自动获取胎儿关键切面超声视频中心动周期视频的方法 | |
| CN112613428B (zh) | 基于平衡损失的Resnet-3D卷积牛视频目标检测方法 | |
| CN114387499A (zh) | 一种海岛滨海湿地水鸟识别方法、分布查询系统及介质 | |
| Zhou et al. | Convolutional neural networks–based model for automated sewer defects detection and classification | |
| Wang et al. | Cellular structure image classification with small targeted training samples | |
| CN112581450A (zh) | 基于膨胀卷积金字塔与多尺度金字塔的花粉检测方法 | |
| Gang et al. | Recognition of honeycomb lung in CT images based on improved MobileNet model | |
| Lin et al. | An analysis of English classroom behavior by intelligent image recognition in IoT | |
| CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
| CN108229285A (zh) | 物体分类方法、物体分类器的训练方法、装置和电子设备 | |
| Li et al. | An automatic plant leaf stoma detection method based on YOLOv5 | |
| Nassar et al. | Assessing data quality of annotations with Krippendorff alpha for applications in computer vision |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230809 Address after: 510000 No. 80, Zhongshan 2nd Road, Yuexiu District, Guangzhou, Guangdong Patentee after: GUANGZHOU UNIVERSAL MEDICAL IMAGING TECHNOLOGY CO.,LTD. Address before: 528402, Xueyuan Road, 1, Shiqi District, Guangdong, Zhongshan Patentee before: University OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA, ZHONGSHAN INSTITUTE |
|
| TR01 | Transfer of patent right |