CN111179227A - 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 - Google Patents

基于辅助诊断和主观美学的乳腺超声图像质量评价方法 Download PDF

Info

Publication number
CN111179227A
CN111179227A CN201911290623.6A CN201911290623A CN111179227A CN 111179227 A CN111179227 A CN 111179227A CN 201911290623 A CN201911290623 A CN 201911290623A CN 111179227 A CN111179227 A CN 111179227A
Authority
CN
China
Prior art keywords
image
network
dnn
images
supervision
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
Application number
CN201911290623.6A
Other languages
English (en)
Other versions
CN111179227B (zh
Inventor
黄庆华
周家康
习佳宁
李学龙
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201911290623.6A priority Critical patent/CN111179227B/zh
Publication of CN111179227A publication Critical patent/CN111179227A/zh
Application granted granted Critical
Publication of CN111179227B publication Critical patent/CN111179227B/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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • G06T2207/10132—Ultrasound 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
    • G06T2207/30068—Mammography; Breast
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (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)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于辅助诊断和主观美学的乳腺超声图像质量评价方法。首先，构建少量强监督标注信息和大量弱监督标注信息的超声图像数据库；然后，采用多种小样本学习策略，训练病灶ROI的自动分割深度网络模型DNN‑1；接着，将ROI图像与原始图像一同输入，训练得到超声辅助诊断网络DNN‑2；最后，迁移辅助诊断网络的卷积层，结合医生的美学评分，训练得到美学评价卷积神经网络DNN‑3，并基于attention机制结合DNN‑2，得到乳腺超声图像质量评价结果。

Description

基于辅助诊断和主观美学的乳腺超声图像质量评价方法
技术领域
本发明属医学图像处理技术领域，具体涉及一种基于辅助诊断和主观美学的乳腺超声图像质量评价方法。
背景技术
在医学超声检查过程中，图像质量对于诊断的准确性至关重要。目前，虽然没有世界范围内的统一标准，但对于灰阶超声(B超)和多普勒超声，各个国家或地区均有相关衡量标准，如探头配置、显示器性能，图像的均匀度、灵敏度(最大可视深度、信号噪声比)、几何精度、空间分辨率和对比度分辨率等。如文献“Sassaroli Elisabetta,Crake Calum,Scorza Andrea,Kim Don-Soo,Park Mi-Ae.Image quality evaluation of ultrasoundimaging systems:advanced B-modes.[J].Journal of applied clinical medicalphysics,2019,20(3).”提出了通过计算灰度映射函数、图像对比度、对比度-噪声比和高对比度空间分辨率等来衡量不同先进超声模式(HI mode、SCI mode、TAC mode)图像质量的方法。
但超声图像的价值更多体现在是否有助于医生进行诊断、是否含有目标敏感区域、是否为标准切面等医师更为关注的属性上。文献“Lin Zehui,Li Shengli,Ni Dong,Liao Yimei,Wen Huaxuan,Du Jie,Chen Siping,Wang Tianfu,Lei Baiying.Multi-tasklearning for quality assessment of fetal head ultrasound images.[J].Medicalimage analysis,2019,58.”提出采用迁移学习的方式，参考Faster R-CNN训练目标检测网络，再迁移其卷积层参数，结合分类标签训练分类网络，以此识别胎儿头部的关键解剖结构和超声图像的放大倍数，对胎儿头部的超声平面进行评分，判断胎儿的超声图像是否为标准图像。
在医学图像领域，能否精准分割病灶区域对于辅助诊断结果至关重要，也是体现图像质量的重要标准。上述文献中训练的模型只能实现目标区域的大致定位，而无法做到精确分割，精确分割需要大量手工标记图像，不同部位的图像需要具有相应丰富经验的医师进行标记。
发明内容
为了提高图像质量评价方法的准确性，有效辅助医生进行诊断，本发明提供一种基于辅助诊断和主观美学的乳腺超声图像质量评价方法。将多种特征结合起来对于乳腺超声图像质量进行评价。
一种基于辅助诊断和主观美学的乳腺超声图像质量评价方法，其特征在于步骤如下：
步骤1：构建得到乳腺超声图像数据库，数据库包括乳腺超声图像及其强监督标注信息或弱监督标注信息，所述的强监督标注信息是指精确标注出图像中的病灶ROI、对应诊断结果和美学评分的信息，所述的弱监督标注信息是指仅标注出图像对应诊断结果和美学评分的信息；所述的美学评分为1-5级标识，分数越高图像质量越好；其中，数据库中带有强监督标注信息的乳腺超声图像不少于500幅，带有弱监督标注信息的乳腺超声图像不少于1200幅。
步骤2：采用多种小样本学习策略，训练病灶ROI的自动分割深度网络模型DNN-1，具体为：
步骤2.1：将每一幅带强监督标注图像横向均分为m段，纵向均分为n段，以此切割出m*n个互相不重叠的小图像块，并将包括病灶ROI边缘的图像块标记为1，其余图像块标记为0；然后，将所有小图像块输入卷积网络，得到小图像块的抽象特征矢量；再以小图像块的抽象特征矢量及小图像块的标记为输入，训练SVM分类器，得到判断小图像块是否含有病灶ROI的分类决策面；
步骤2.2：随机从数据库中选择200幅带弱监督标注的图像，采用步骤2.1中的方式将每一幅图像分别划分为m*n个图像块，并利用步骤2.1得到的分类决策面对每一个图像块进行分类，每个图像块得到是否含有病灶ROI的伪标签1或0；
步骤2.3：以步骤2.2得到的所有带伪标签的图像块和步骤2.1中对带强监督标注图像切割得到的所有带标记的小图像块为输入，重新训练SVM分类器，得到新的判断小图像块是否含有病灶ROI的分类决策面；
步骤2.4：采用步骤2.1中的方式对数据库中剩余带弱监督标注图像分别划分为m*n个图像块，并利用步骤2.3得到分类决策面对每一个图像块进行分类，每个图像块得到标签1或0，至此，数据库中所有带弱监督标注图像均完成了图像块标记；
步骤2.5：对所有标记过的弱监督标注图像，进行边缘检测和拼接，得到弱监督图像的近似病灶ROI轮廓。
步骤2.6：以近似病灶ROI轮廓作为弱监督标注图像的强监督标注信息，和弱监督标注图像一起输入DNN-1网络，DNN-1网络采用RCNN网络模型，对网络进行训练，得到训练好的网络，网络的输出为图像的病灶ROI自动分割结果；
步骤3：以原始弱监督标注超声图像和经DNN-1分割得到的病灶ROI图像作为输入，对DNN-2网络进行训练，得到训练好的网络，网络输出为该图像是否为病灶图像的分类结果；
所述的DNN-2网络包括两个独立的VGG网络，分别对应全局图像输入和局部图像输入，两个VGG网络的卷积层得到的特征向量，经过Softmax归一化后，再经过全连接层连接得到DNN-2网络最终的输出。
步骤4：以数据库中所有图像及其美学评分为输入，对DNN-3网络进行训练，DNN-3网络为独立的VGG网络，并采用迁移学习方式将训练好的DNN-2网络中对应全局图像输入的VGG网络参数迁移作为DNN-3网络的初始化参数，得到训练好的网络，网络输出为图像的美学评分；
对任意一幅待处理的乳腺超声图像，将其分别输入到训练好的DNN-2网络中对应全局图像输入的VGG网络和训练好的DNN-3网络，并基于attention机制对网络倒数第二层输出的特征矢量进行融合处理，融合后的特征向量经softmax归一化和全连接层连接后，得到该图像的质量评价结果。
本发明的有益效果是：由于强监督标注图像的获取成本较高，数量较少，本发明采用给弱监督标注图像增加伪标签的策略，以较少的强监督标注图像和较多的弱监督图像训练病灶ROI分割网络，提高了网络的泛化性能；设计了病灶ROI图像和全局图像一起输入的辅助诊断分类决策网络，在提高病灶ROI输入权重的同时保留了全局信息，可以提升诊断准确性；利用attention机制结合主观美学评价特征和超声辅助诊断特征，使得图像质量评分综合了医生的美学和医学标准。
附图说明
图1是本发明的基于辅助诊断和主观美学的乳腺超声图像质量评价方法流程图。
图2是本发明基于深度学习的超声图像诊断分类决策模型。
图3是本发明结合迁移学习的美学评价模型及特征矢量获取。
图4是本发明基于attention机制特征融合的质量评价算法架构。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
如图1所示，本发明提供了一种基于辅助诊断和主观美学的乳腺超声图像质量评价方法，其具体实现过程如下：
1、构建乳腺超声图像数据库。
以乳腺解剖结构和超声成像原理为先验知识，对医院提供的受测者超声图像进行人工标注，以此构建一个增量型超声影像数据库。先验知识包括乳腺的超声的BI-RADS特征评分，以及部分患者的活检结果等信息。这其中，强监督标注信息是指医师对关键的感兴趣检测区域ROI(即图像中乳腺肿瘤等具体病灶区域)进行精确手动分割、标注真实检测结果和美学评分，带此类标注信息的图像不少于500幅；弱监督标注是指医师仅对图像给出真实诊断结果和美学评分、并不标注病灶ROI，带此类标注信息的图像不少于1200幅。美学评分采用1-5级标识，分数越高表明图像质量越好，5级为标准切面，该图像即为想获得的图像。
2、训练病灶分割模型。
利用经典的基于区域的卷积神经网络(RCNN)学习强监督标注的图像，获得病灶ROI的自动分割深度网络模型(DNN-1)。为解决样本数量不足的问题，采用数据扩增、孪生卷积神经网络模型、为弱监督标注图像标注伪标签的方式获得更多样本，增大数据集以提升模型的泛化能力。具体如下：
1)将数据库中每一幅强监督标注图像分解成m*n个图像块，将包括病灶ROI边缘的图像块标为1，其余标为0，训练一个SVM分类器，获得分类决策面；
2)将数据库中部分弱监督标注图像分解成为m*n图像块，根据前面获得的分类决策面，为每个图像块添加伪标签1或0；
3)根据新增的图像块标注，重新训练SVM分类器，获得新的分类决策面；
4)根据新的分类决策面，对剩余未进行新标注的弱监督标注图像中的图像块添加标签1或0；至此，对所有弱监督标注图像的图像块完成了新的标记；
5)对每一幅新标注后的弱监督标注图像的图像块，用边缘检测和拼接方法，获得该弱监督标注图像的近似ROI轮廓。
6)以近似ROI轮廓作为弱监督标注图像的标注信息，返回RCNN模型中进行训练，得到训练好的网络，网络的输出为图像的病灶ROI自动分割结果，训练好的RCNN模型记为DNN-1模型。
3、采用全局输入和局部输入结合的方式训练辅助诊断模型。
对病灶ROI的自动分割深度网络模型筛选得到的图像，结合辅助诊断模型，由是否能明显检测识别作为最终图像质量评价的依据，判断乳腺肿瘤良恶性。具体思路是：图像分类采取局部和全局信息相结合的形式，将ROI图像与原始图像一同输入，训练超声辅助诊断网络(DNN-2)。DNN-2网络包含两个独立的VGG网络，对应两个输入，一个对应输入是ROI图像，另一个对应输入是完整图像，图像分别输入到对应的VGG网络后，经由VGG网络的卷积层得到两个长度为1024的特征向量，经过Softmax归一化后，经过全连接得到一长度为512的特征向量，再经全连接层连接到最终的分类结果。如图2所示。
4、训练美学评价模型DNN-3，以attention机制结合DNN-2，得到乳腺超声图像质量评价结果。
数据库中的图像已有专业医师的美学评分，以数据库中所有图像及其美学评分为输入，对DNN-3网络进行训练，DNN-3网络为独立的VGG网络，并采用迁移学习方式将训练好的DNN-2网络中对应全局图像输入的VGG网络参数迁移作为DNN-3网络的初始化参数，得到训练好的网络，网络输出为图像的美学评分，DNN-3网络结构如图3所示。同时，结合attention方法，进行多种特征的动态融合表示，结合美学评价网络特征和辅助诊断网络特征，然后结合分类器获得准确的医学超声图像美学评价结果(1-5级)，其架构如图4所示。根据该评价结果，评分低于4级的病灶ROI所对应的乳腺超声图像直接淘汰，只保留5级的图像，即医学层面上的超声标准切面。

Claims (1)

1.一种基于辅助诊断和主观美学的乳腺超声图像质量评价方法，其特征在于步骤如下：
步骤1：构建得到乳腺超声图像数据库，数据库包括乳腺超声图像及其强监督标注信息或弱监督标注信息，所述的强监督标注信息是指精确标注出图像中的病灶ROI、对应诊断结果和美学评分的信息，所述的弱监督标注信息是指仅标注出图像对应诊断结果和美学评分的信息；所述的美学评分为1-5级标识，分数越高图像质量越好；其中，数据库中带有强监督标注信息的乳腺超声图像不少于500幅，带有弱监督标注信息的乳腺超声图像不少于1200幅；
步骤2：采用多种小样本学习策略，训练病灶ROI的自动分割深度网络模型DNN-1，具体为：
步骤2.1：将每一幅带强监督标注图像横向均分为m段，纵向均分为n段，以此切割出m*n个互相不重叠的小图像块，并将包括病灶ROI边缘的图像块标记为1，其余图像块标记为0；然后，将所有小图像块输入卷积网络，得到小图像块的抽象特征矢量；再以小图像块的抽象特征矢量及小图像块的标记为输入，训练SVM分类器，得到判断小图像块是否含有病灶ROI的分类决策面；
步骤2.2：随机从数据库中选择200幅带弱监督标注的图像，采用步骤2.1中的方式将每一幅图像分别划分为m*n个图像块，并利用步骤2.1得到的分类决策面对每一个图像块进行分类，每个图像块得到是否含有病灶ROI的伪标签1或0；
步骤2.3：以步骤2.2得到的所有带伪标签的图像块和步骤2.1中对带强监督标注图像切割得到的所有带标记的小图像块为输入，重新训练SVM分类器，得到新的判断小图像块是否含有病灶ROI的分类决策面；
步骤2.4：采用步骤2.1中的方式对数据库中剩余带弱监督标注图像分别划分为m*n个图像块，并利用步骤2.3得到分类决策面对每一个图像块进行分类，每个图像块得到标签1或0，至此，数据库中所有带弱监督标注图像均完成了图像块标记；
步骤2.5：对所有标记过的弱监督标注图像，进行边缘检测和拼接，得到弱监督图像的近似病灶ROI轮廓；
步骤2.6：以近似病灶ROI轮廓作为弱监督标注图像的强监督标注信息，和弱监督标注图像一起输入DNN-1网络，DNN-1网络采用RCNN网络模型，对网络进行训练，得到训练好的网络，网络的输出为图像的病灶ROI自动分割结果；
步骤3：以原始弱监督标注超声图像和经DNN-1分割得到的病灶ROI图像作为输入，对DNN-2网络进行训练，得到训练好的网络，网络输出为该图像是否为病灶图像的分类结果；
所述的DNN-2网络包括两个独立的VGG网络，分别对应全局图像输入和局部图像输入，两个VGG网络的卷积层得到的特征向量，经过Softmax归一化后，再经过全连接层连接得到DNN-2网络最终的输出；
步骤4：以数据库中所有图像及其美学评分为输入，对DNN-3网络进行训练，DNN-3网络为独立的VGG网络，并采用迁移学习方式将训练好的DNN-2网络中对应全局图像输入的VGG网络参数迁移作为DNN-3网络的初始化参数，得到训练好的网络，网络输出为图像的美学评分；
对任意一幅待处理的乳腺超声图像，将其分别输入到训练好的DNN-2网络中对应全局图像输入的VGG网络和训练好的DNN-3网络，并基于attention机制对网络倒数第二层输出的特征矢量进行融合处理，融合后的特征向量经softmax归一化和全连接层连接后，得到该图像的质量评价结果。
CN201911290623.6A 2019-12-16 2019-12-16 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 Active CN111179227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911290623.6A CN111179227B (zh) 2019-12-16 2019-12-16 基于辅助诊断和主观美学的乳腺超声图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911290623.6A CN111179227B (zh) 2019-12-16 2019-12-16 基于辅助诊断和主观美学的乳腺超声图像质量评价方法

Publications (2)

Publication Number Publication Date
CN111179227A true CN111179227A (zh) 2020-05-19
CN111179227B CN111179227B (zh) 2022-04-05

Family

ID=70652035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911290623.6A Active CN111179227B (zh) 2019-12-16 2019-12-16 基于辅助诊断和主观美学的乳腺超声图像质量评价方法

Country Status (1)

Country Link
CN (1) CN111179227B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709950A (zh) * 2020-08-20 2020-09-25 成都金盘电子科大多媒体技术有限公司 一种乳腺钼靶ai辅助筛查方法
CN111820950A (zh) * 2020-06-23 2020-10-27 无锡祥生医疗科技股份有限公司 个性化信息确定装置和超声训练方法
CN111968124A (zh) * 2020-10-26 2020-11-20 四川省肿瘤医院 基于半监督语义分割的肩部肌骨超声结构分割方法
CN111968091A (zh) * 2020-08-19 2020-11-20 南京图格医疗科技有限公司 一种临床图像中病变区域的检测和分类方法
CN112336381A (zh) * 2020-11-07 2021-02-09 吉林大学 一种基于深度学习的超声心动图收缩/舒张末期帧自动识别方法
CN112686305A (zh) * 2020-12-29 2021-04-20 深圳龙岗智能视听研究院 一种自监督学习辅助下的半监督学习方法及系统
CN112767386A (zh) * 2021-02-01 2021-05-07 福州大学 基于主题特征和评分分布的图像美学质量评价方法及系统
CN112990267A (zh) * 2021-02-07 2021-06-18 哈尔滨医科大学 基于风格迁移模型的乳腺超声成像方法、装置及存储介质
CN113436139A (zh) * 2021-05-10 2021-09-24 上海大学 一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统及方法
CN114581382A (zh) * 2022-02-21 2022-06-03 北京医准智能科技有限公司 一种针对乳腺病灶的训练方法、装置及计算机可读介质
CN117373695A (zh) * 2023-10-12 2024-01-09 北京透彻未来科技有限公司 基于极深卷积神经网络的泛癌病理诊断系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1751309A (zh) * 2002-12-18 2006-03-22 Ge医疗系统环球技术有限公司 结合体外测试数据的医学数据分析方法和设备
WO2013179188A1 (en) * 2012-05-31 2013-12-05 Koninklijke Philips N.V. Method and system for quantitative evaluation of image segmentation
CN104143101A (zh) * 2014-07-01 2014-11-12 华南理工大学 一种基于超声图像的乳腺肿瘤区域自动识别方法
CN106339591A (zh) * 2016-08-25 2017-01-18 汤平 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统
CN108257135A (zh) * 2018-02-01 2018-07-06 浙江德尚韵兴图像科技有限公司 基于深度学习方法解读医学图像特征的辅助诊断系统
CN108647684A (zh) * 2018-05-02 2018-10-12 深圳市唯特视科技有限公司 一种基于引导注意力推理网络的弱监督语义分割方法
CN108665456A (zh) * 2018-05-15 2018-10-16 广州尚医网信息技术有限公司 基于人工智能的乳腺超声病灶区域实时标注的方法及系统
CN108875829A (zh) * 2018-06-20 2018-11-23 鲁东大学 一种乳腺肿瘤图像的分类方法及系统
CN109528230A (zh) * 2018-11-21 2019-03-29 济南浪潮高新科技投资发展有限公司 一种基于多级变换网络的乳腺肿瘤分割方法及装置
CN109583440A (zh) * 2017-09-28 2019-04-05 北京西格码列顿信息技术有限公司 结合影像识别与报告编辑的医学影像辅助诊断方法及系统
CN109670489A (zh) * 2019-02-18 2019-04-23 广州视源电子科技股份有限公司 基于多实例学习的弱监督式早期老年性黄斑病变分类方法
CN109727243A (zh) * 2018-12-29 2019-05-07 无锡祥生医疗科技股份有限公司 乳腺超声图像识别分析方法及系统
CN109801256A (zh) * 2018-12-15 2019-05-24 华南理工大学 一种基于感兴趣区域和全局特征的图像美学质量评估方法
CN110189323A (zh) * 2019-06-05 2019-08-30 深圳大学 一种基于半监督学习的乳腺超声图像病灶分割方法
CN110245662A (zh) * 2019-06-18 2019-09-17 腾讯科技（深圳）有限公司 检测模型训练方法、装置、计算机设备和存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1751309A (zh) * 2002-12-18 2006-03-22 Ge医疗系统环球技术有限公司 结合体外测试数据的医学数据分析方法和设备
WO2013179188A1 (en) * 2012-05-31 2013-12-05 Koninklijke Philips N.V. Method and system for quantitative evaluation of image segmentation
CN104143101A (zh) * 2014-07-01 2014-11-12 华南理工大学 一种基于超声图像的乳腺肿瘤区域自动识别方法
CN106339591A (zh) * 2016-08-25 2017-01-18 汤平 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统
CN109583440A (zh) * 2017-09-28 2019-04-05 北京西格码列顿信息技术有限公司 结合影像识别与报告编辑的医学影像辅助诊断方法及系统
CN108257135A (zh) * 2018-02-01 2018-07-06 浙江德尚韵兴图像科技有限公司 基于深度学习方法解读医学图像特征的辅助诊断系统
CN108647684A (zh) * 2018-05-02 2018-10-12 深圳市唯特视科技有限公司 一种基于引导注意力推理网络的弱监督语义分割方法
CN108665456A (zh) * 2018-05-15 2018-10-16 广州尚医网信息技术有限公司 基于人工智能的乳腺超声病灶区域实时标注的方法及系统
CN108875829A (zh) * 2018-06-20 2018-11-23 鲁东大学 一种乳腺肿瘤图像的分类方法及系统
CN109528230A (zh) * 2018-11-21 2019-03-29 济南浪潮高新科技投资发展有限公司 一种基于多级变换网络的乳腺肿瘤分割方法及装置
CN109801256A (zh) * 2018-12-15 2019-05-24 华南理工大学 一种基于感兴趣区域和全局特征的图像美学质量评估方法
CN109727243A (zh) * 2018-12-29 2019-05-07 无锡祥生医疗科技股份有限公司 乳腺超声图像识别分析方法及系统
CN109670489A (zh) * 2019-02-18 2019-04-23 广州视源电子科技股份有限公司 基于多实例学习的弱监督式早期老年性黄斑病变分类方法
CN110189323A (zh) * 2019-06-05 2019-08-30 深圳大学 一种基于半监督学习的乳腺超声图像病灶分割方法
CN110245662A (zh) * 2019-06-18 2019-09-17 腾讯科技（深圳）有限公司 检测模型训练方法、装置、计算机设备和存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JASJIT SURI等: "Image Quality Assessment via Segmentation of Breast Lesion in X-ray and Ultrasound Phantom Images from Fischer"s Full Field Digital Mammography and Ultrasound (FFDMUS) System", 《TECHNOLOGY IN CANCER RESEARCH & TREATMENT》 *
SUBHABRATA BHATTACHARYA等: "A framework for photo-quality assessment and enhancement based on visual aesthetics", 《PROCEEDINGS OF THE 18TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》 *
WEINING WANG等: "Synthesized computational aesthetic evaluation of photos", 《NEUROCOMPUTING》 *
XIAODAN ZHANG等: "Fusion global and local deep representations with neural attention for aesthetic quality assessment", 《SIGNAL PROCESSING: IMAGE COMMUNICATION》 *
肖婷: "基于深度特征迁移与融合的乳腺超声图像分类", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
边成: "基于深度学习的全乳超声解剖层分割与病灶检测", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111820950A (zh) * 2020-06-23 2020-10-27 无锡祥生医疗科技股份有限公司 个性化信息确定装置和超声训练方法
CN111968091A (zh) * 2020-08-19 2020-11-20 南京图格医疗科技有限公司 一种临床图像中病变区域的检测和分类方法
CN111968091B (zh) * 2020-08-19 2022-04-01 南京图格医疗科技有限公司 一种临床图像中病变区域的检测和分类方法
CN111709950B (zh) * 2020-08-20 2020-11-06 成都金盘电子科大多媒体技术有限公司 一种乳腺钼靶ai辅助筛查方法
CN111709950A (zh) * 2020-08-20 2020-09-25 成都金盘电子科大多媒体技术有限公司 一种乳腺钼靶ai辅助筛查方法
CN111968124A (zh) * 2020-10-26 2020-11-20 四川省肿瘤医院 基于半监督语义分割的肩部肌骨超声结构分割方法
CN112336381B (zh) * 2020-11-07 2022-04-22 吉林大学 一种基于深度学习的超声心动图收缩/舒张末期帧自动识别方法
CN112336381A (zh) * 2020-11-07 2021-02-09 吉林大学 一种基于深度学习的超声心动图收缩/舒张末期帧自动识别方法
CN112686305A (zh) * 2020-12-29 2021-04-20 深圳龙岗智能视听研究院 一种自监督学习辅助下的半监督学习方法及系统
CN112767386A (zh) * 2021-02-01 2021-05-07 福州大学 基于主题特征和评分分布的图像美学质量评价方法及系统
CN112767386B (zh) * 2021-02-01 2022-09-06 福州大学 基于主题特征和评分分布的图像美学质量评价方法及系统
CN112990267A (zh) * 2021-02-07 2021-06-18 哈尔滨医科大学 基于风格迁移模型的乳腺超声成像方法、装置及存储介质
CN112990267B (zh) * 2021-02-07 2022-06-28 哈尔滨医科大学 基于风格迁移模型的乳腺超声成像方法、装置及存储介质
CN113436139A (zh) * 2021-05-10 2021-09-24 上海大学 一种基于深度学习的小肠核磁共振影像图像识别和生理学信息提取系统及方法
CN114581382A (zh) * 2022-02-21 2022-06-03 北京医准智能科技有限公司 一种针对乳腺病灶的训练方法、装置及计算机可读介质
CN114581382B (zh) * 2022-02-21 2023-02-21 北京医准智能科技有限公司 一种针对乳腺病灶的训练方法、装置及计算机可读介质
CN117373695A (zh) * 2023-10-12 2024-01-09 北京透彻未来科技有限公司 基于极深卷积神经网络的泛癌病理诊断系统
CN117373695B (zh) * 2023-10-12 2024-05-17 北京透彻未来科技有限公司 基于极深卷积神经网络的泛癌病理诊断系统

Also Published As

Publication number Publication date
CN111179227B (zh) 2022-04-05

Similar Documents

Publication Publication Date Title
CN111179227B (zh) 基于辅助诊断和主观美学的乳腺超声图像质量评价方法
US11229419B2 (en) Method for processing 3D image data and 3D ultrasonic imaging method and system
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
CN107798679B (zh) 乳腺钼靶图像乳房区域分割与钙化点检测方法
CN111553892B (zh) 基于深度学习的肺结节分割计算方法、装置及系统
CN109035283B (zh) 一种基于随机选取分区的肺气肿精准检测与量化分析方法
CN110543912B (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
CN111932559A (zh) 基于深度学习的新冠肺炎肺部病灶区域分割系统
Włodarczyk et al. Spontaneous preterm birth prediction using convolutional neural networks
Bano et al. AutoFB: Automating fetal biometry estimation from standard ultrasound planes
CN110279433A (zh) 一种基于卷积神经网络的胎儿头围自动精确测量方法
CN115546605A (zh) 一种基于图像标注和分割模型的训练方法及装置
CN108670301B (zh) 一种基于超声影像的脊柱横突定位方法
CN114565572A (zh) 一种基于图像序列分析的脑出血ct图像分类方法
CN117541586A (zh) 一种基于可变形yolo的甲状腺结节检测方法
CN109363676A (zh) 一种乳腺电阻抗扫描成像的双乳对称性检测方法
Aji et al. Automatic measurement of fetal head circumference from 2-dimensional ultrasound
CN115409812A (zh) 一种基于融合时间注意机制的ct图像自动分类方法
CN116452523A (zh) 一种超声图像质量量化评价方法
US20220249060A1 (en) Method for processing 3d image data and 3d ultrasonic imaging method and system
CN113838020A (zh) 一种基于钼靶影像的病变区域量化方法
WO2023133929A1 (zh) 一种基于超声的人体组织对称性检测分析方法
Chen et al. Leveraging deep learning to identify calcification and colloid in thyroid nodules
CN111862014A (zh) 一种基于左右侧脑室分割的alvi自动测量方法及装置
CN115880295B (zh) 具有精准定位功能的计算机辅助肿瘤消融导航系统

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