CN111554383A - 一种用于乳腺肿瘤检测的神经网络及其检测系统 - Google Patents
一种用于乳腺肿瘤检测的神经网络及其检测系统 Download PDFInfo
- Publication number
- CN111554383A CN111554383A CN202010330974.1A CN202010330974A CN111554383A CN 111554383 A CN111554383 A CN 111554383A CN 202010330974 A CN202010330974 A CN 202010330974A CN 111554383 A CN111554383 A CN 111554383A
- Authority
- CN
- China
- Prior art keywords
- neural network
- breast
- mammary gland
- output
- node
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 96
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 25
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 25
- 210000000481 breast Anatomy 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 46
- 238000003745 diagnosis Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 13
- 210000005075 mammary gland Anatomy 0.000 claims description 102
- 230000006870 function Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 20
- 230000009471 action Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000013178 mathematical model Methods 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 9
- 210000004204 blood vessel Anatomy 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 235000013405 beer Nutrition 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012634 optical imaging Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 230000005855 radiation Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000003331 infrared imaging Methods 0.000 abstract description 2
- 230000002068 genetic effect Effects 0.000 abstract 1
- 238000003333 near-infrared imaging Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 208000030270 breast disease Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002441 reversible effect Effects 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于乳腺肿瘤检测的神经网络，通过以下步骤进行训练：S1、获取临床数据，所述临床数据包括训练数据集，所述训练数据集包括乳腺特征和诊断结果；S2、对乳腺特征进行多源特征融合后得到乳腺特征向量，将所述训练数据集的乳腺特征作为输入，将所述训练数据集的诊断结果作为输出，利用GA算法计算神经网络的初始权值；S3、利用所述训练数据集对神经网络进行训练。这种用于乳腺肿瘤检测的神经网络利用基于红外成像技术获取的乳腺特征进行训练，训练完成后的神经网络能够根据病患的临床数据进行乳腺肿瘤的检测，在提高检测的准确率的同时，还能够避免患者在检测过程中受到辐射的伤害。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种用于乳腺肿瘤检测的神经网络及其检测系统。
背景技术
乳腺疾病是女性的常见病，近些年的临床经验总结表明，乳腺检测的准确率低下是乳腺癌患者死亡率无法降低的原因之一。现有技术中存在乳腺钼靶、乳腺CT、乳腺B超和乳腺MRI等乳腺检测方法，但是这些方法存在成本高和具有辐射的问题。因此，有必要发明一种用于乳腺肿瘤检测的神经网络及其检测系统。
发明内容
本发明要解决的技术问题是：为了解决现有技术中的乳腺检测方法价格昂贵和存在辐射的问题，本发明提供了一种用于乳腺肿瘤检测的神经网络及其检测系统来解决上述问题。
本发明解决其技术问题所采用的技术方案是一种用于乳腺肿瘤检测的神经网络，通过以下步骤进行训练：
S1、获取临床数据，所述临床数据包括训练数据集，所述训练数据集包括乳腺特征和诊断结果，对乳腺特征进行多源特征融合后得到乳腺特征向量；
S2、将所述训练数据集的乳腺特征向量作为输入，将所述训练数据集的诊断结果作为输出，利用GA算法计算神经网络的初始权值；
S3、利用所述训练数据集对神经网络进行训练。
作为优选，步骤S1具体包括以下步骤：
S11、获取患者的基本信息，所述基本信息包括乳腺的诊断结果；
S12、采集B组A个近红外灯照射下的乳腺图像和两帧暗图像，对乳腺图像和两帧暗图像进行特征分析获取乳腺图像整体特征，对乳腺图像进行分片处理，对分片后的乳腺图像进行特征分析获取分片乳腺图像特征；
S13、计算两帧暗图像的平均值Darklmg，将所有乳腺图像减去平均值Darklmg；
对第一组的A个近红外LED灯的乳腺图像进行叠加和归一化处理后获取乳腺静态图像，对乳腺静态图像进行滤波处理后获取乳腺的血管图和血管的形态学特征，对乳腺静态图像进行轮廓提取算法处理后获取乳腺轮廓；
S14、根据朗伯比尔模型对乳腺轮廓内的B组乳腺图像进行求解，获取乳腺轮廓内乳腺的三维几何形状和乳腺的平均衰减系数；利用近红外光学成像理论，得到乳腺组织内部的光学吸收系数；对乳腺轮廓内的乳腺的光学吸收系数进行统计分析获取乳腺光学系数特征；
S15、乳腺特征包括基本信息、乳腺图像整体特征、分片乳腺图像特征、血管的形态学特征和乳腺光学系数特征，对乳腺特征进行多源特征融合得到乳腺特征向量。
作为优选，步骤S2具体包括以下步骤：
S21、将所述训练数据集的乳腺特征向量集X作为神经网络的输入，将所述训练数据集的诊断结果作为神经网络的期望输出向量集T，所述训练数据集的乳腺特征向量集X和所述训练数据集的期望输出向量集T的由以下公式确定：
X＝{Xori (1),Xori (2),…,Xori (Q)}；
Xori (p)＝[Xori_1 p,Xori_2 p,…,Xori_m p](p＝1,2,…,Q)；
T＝{t(1),t(2),…,t(Q)}；
t(p)＝[t1 p,t2 p,…,tq p](p＝1,2,…,Q)；
式中：
Q为所述训练数据集的个数；
Xori (p)为第p个所述训练数据集对应的乳腺特征向量；
m为乳腺特征向量的维度；
q为诊断结果的种类；
tq为第q种诊断结果，当诊断结果为第q种时，tq＝1；
神经网络包括输入层、隐含层和输出层，所述输入层包括m个节点，所述隐含层包括n个节点，所述输出层包括q个节点；
所述输入层节点和隐含层节点之间的权重系数为wij，i∈[1,m],j∈[1,n]，所述隐含层节点和输出层节点之间的权重系数为vjk(j∈[1,n],k∈[1,q])，所述隐含层各节点之间的偏值为bj，j∈[1,n]，所述输出层各节点之间的偏值为ck，(k∈[1,q])，神经网络的学习因子为η，所述隐含层节点和输出层节点之间的激活函数为g(x)＝1/(1+exp(-x))；
S22、利用GA算法获取神经网络的所述初始权值，所述初始权值包括初始加权系数和初始偏值，所述初始加权系数包括wij(0)和vjk(0)，所述初始偏值包括bj(0)和ck(0)；
所述wij(0)为wij的初始值，所述vjk(0)为vjk的初始值，所述bj(0)为bj的初始值，所述ck(0)为ck的初始值。
作为优选，步骤S3具体包括以下步骤：
S31、利用归一化函数xi p对所述训练数据集的乳腺特征向量集X进行归一化处理，归一化函数xi p的数学模型由以下公式确定：
S32、计算神经网络的隐含层节点的输出函数Ojp(r)和输出层节点的输出函数yk p(r)，Ojp(r)和yk p(r)的数学模型由以下公式确定：
Ojp(r)＝g(w1j(r)x1 p+w2j(r)x2 p+…+wmj(r)xm p+bj(r)),j＝{1,2,…,n},p＝{1,2,…,Q}；
yk p(r)＝g(v1k(r)O1 p(r)+v2k(r)O2 p(r)+…+vnk(r)On p(r)+ck(r)),k＝{1,2,…,q},p＝{1,2,…,Q}；
式中：
r为当前的迭代次数；
Ojp(r)为r代隐含层的第j个节点在第p组数据作用下的输出；
yk p(r)为r代输出层的第k个节点在第p组数据作用下的输出；
S33、计算所述输入层和隐含层各节点的误差，误差的数学模型由以下公式确定：
δk p(r)＝yk p(r)(1-yk p(r))(tk p-yk p(r),k＝{1,2,…,q},p＝{1,2,…,Q}；
ζj p(r)＝(vj1(r)δ1 p(r)+vj2(r)δ2 p(r)+…+vjq(r)δq p(r))Ojp(r)(1-Ojp(r)),j＝{1,2,…,n},p＝{1,2,…,Q}；
式中：
r为当前的迭代次数；
δk p(r)为r代输出层的第k个节点在第p组数据作用下的输出误差；
ζj p(r)为r代隐含层的第j个节点在第p组数据作用下的输出误差；
S34、调整神经网络的加权系数和偏值，加权系数和偏值的数学模型由以下公式确定：
vjk(r+1)＝vjk(r)+η(δk 1(r)Oj1(r)+δk 2(r)Oj2(r)+…+δk Q(r)OjQ(r))；
ck(r+1)＝ck(r)+η(δk 1(r)+δk 2(r)+…+δk Q(r))；
wij(r+1)＝wij(r)+η(ζj 1(r)xi 1+ζj 2(r)xi 2+…+ζj Q(r)xi Q)；
bj(r+1)＝bj(r)+η(ζj 1(r)+ζj 2(r)+…+ζj Q(r))；
式中：
vjk(r+1)为r+1代隐含层的第j个节点和输出层的第k个节点之间的权重系数；
vjk(r)为r代隐含层的第j个节点和输出层的第k个节点之间的权重系数；
ck(r+1)为r+1代输出层的第k个节点的偏值；
ck(r)为r代输出层的第k个节点的偏值；
wij(r+1)为r+1代输入层的第i个节点和隐含层的第j个节点之间的权重系数；
wij(r)为r代输入层的第i个节点和隐含层的第j个节点之间的权重系数；
bj(r+1)为r+1代隐含层的第j个节点的偏值；
bj(r)为r代隐含层的第j个节点的偏值；
S35、计算神经网络的输出误差和整体误差，所述输出误差和整体误差的数学模型由以下公式确定：
J(r)＝J1(r)+J2(r)+…+JQ(r)；
式中：
Jp(r)为r代第p组数据作用下神经网络的输出误差；
J(r)为r代神经网络的整体误差；
S36、将所述整体误差J(r)与误差精度ε作对比，若整体误差J(r)不小于误差精度ε则将迭代次数r的数值加1，重新进入步骤S32；
若整体误差J(r)小于误差精度ε则说明神经网络满足误差要求。
作为优选，所述临床数据还包括测试数据集，所述测试数据集包括乳腺特征和诊断结果；
神经网络还通过以下步骤进行测试：
将所述测试数据集的乳腺特征进行多源特征融合后得到所述测试数据集的乳腺特征向量，将所述测试数据集的乳腺特征向量作为神经网络的输入，神经网络根据所述测试数据集的乳腺特征向量计算得到实际输出，将所述测试数据集的诊断结果作为神经网络的期望输出，根据实际输出与期望输出计算准确率；
若准确率满足检测阈值则神经网络训练完成，若准确率不满足检测阈值则重新进行神经网络的训练。
一种用于乳腺肿瘤检测的检测系统，包括图像采集模块、图像处理模块、特征融合模块、输入模块和输出模块；
所述图像采集模块被配置为获取乳腺图像和两帧暗图像；
所述图像处理模块被配置为根据乳腺图像获取乳腺特征；
所述特征融合模块被配置为将乳腺特征进行多源特征融合得到乳腺特征向量；
所述输入模块被配置为将乳腺特征向量输入至上述一种用于乳腺肿瘤检测的神经网络中；
所述输出模块被配置为输出所述神经网络给出的诊断结果。
本发明的有益效果是，这种用于乳腺肿瘤检测的神经网络利用基于红外成像技术获取的乳腺特征进行训练，训练完成后的神经网络能够根据病患的临床数据进行乳腺肿瘤的检测，在提高检测的准确率的同时，还能够避免患者在检测过程中受到辐射的伤害。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明实施例提供的一种近红外成像系统的系统图。
图2是本发明实施例提供的一种神经网络的结构图。
图3是本发明一种用于乳腺肿瘤检测的神经网络的训练过程的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
如图1所示，是用于获取乳腺图像的近红外成像系统的系统图，包括：PC、CCD摄像机、乳腺摆放装置、加压装置、近红外LED灯阵列和电源。电源用于为PC、CCD摄像机、加压装置和近红外LED灯阵列供电；加压装置用于向位于乳腺摆放装置上的乳腺施加压力；近红外LED等阵列包括A个设置在乳腺摆放装置周围的近红外LED灯，A个近红外LED灯的位置不相同；CCD摄像机用于获取在近红外LED灯照射下的乳腺图像；PC用于对CCD摄像机获取的乳腺图像进行处理。
如图2～3所示，本发明提供了一种用于乳腺肿瘤检测的神经网络。
神经网络包括输入层、隐含层和输出层，输入层包括m个节点，隐含层包括n个节点，输出层包括q个节点。
神经网络的训练过程如下：
S1、获取临床数据，临床数据包括用于训练神经网络的训练数据集，训练数据集包括乳腺特征和诊断结果，对乳腺特征进行多源特征融合后得到乳腺特征向量，具体包括以下步骤：
S11、采集临床人员的基本信息，基本信息包括年龄、家族病史、既往病史和乳腺的诊断结果；
S12、利用近红外成像系统获取临床人员的乳腺图像；
将乳腺摆放装置设置在暗室环境下，通过加压装置向位于乳腺摆放装置上的患者乳腺施加压力，循环点亮乳腺周围的近红外LED灯阵列，CCD摄像机采集B组A个近红外LED灯照射时的合格的乳腺图像和两帧暗图像；
对乳腺图像和两帧暗图像进行特征分析获取乳腺图像整体特征，对乳腺图像进行分片处理，对分片后的乳腺图像进行特征分析获取分片乳腺图像特征；
S13、计算两帧暗图像的平均值DarkImg，将所有的乳腺图像减去两帧暗图像的平均值DarkImg；
对乳腺图像进行平滑滤波处理后，将第一组的A个近红外LED灯的乳腺图像进行叠加和归一化处理获取乳腺静态图像，利用各向性异性滤波器对乳腺静态图像进行滤波处理后获取乳腺的血管图和血管的形态学特征，对乳腺静态图像进行轮廓提取算法处理后获取乳腺轮廓；
S14、根据朗伯比尔模型对乳腺轮廓内的B组乳腺图像进行求解，获取乳腺轮廓内乳腺的三维几何形状和乳腺的平均衰减系数；利用近红外光学成像理论，得到乳腺组织内部的光学吸收系数；对乳腺轮廓内的乳腺的光学吸收系数进行统计分析获取乳腺光学系数特征；
S15、将获取的基本信息、乳腺图像整体特征、分片乳腺图像特征、血管的形态学特征和乳腺光学系数特征记为乳腺特征，对乳腺特征进行多源特征融合获取乳腺特征的m维乳腺特征向量；
S2、将训练数据集的乳腺特征作为输入，将训练数据集的诊断结果作为输出，利用GA算法计算神经网络的初始权值，具体包括以下步骤：
S21、将训练数据集的乳腺特征向量集X作为神经网络的输入，将训练数据集的诊断结果作为神经网络的期望输出向量集T，训练数据集的乳腺特征向量集X和训练数据集的期望输出向量集T由以下公式确定：
X＝{Xori (1),Xori (2),…,Xori (Q)}；
Xori (p)＝[Xori_1 p,Xori_2 p,…,Xori_m p](p＝1,2,…,Q)；
T＝{t(1),t(2),…,t(Q)}；
t(p)＝[t1 p,t2 p,…,tq p](p＝1,2,…,Q)；
式中：
Q为训练数据集的个数；
Xori (p)为第p个训练数据集对应的乳腺特征向量；
m为乳腺特征向量的维度；
q为诊断结果的种类；
tq为第q种诊断结果，当诊断结果为第q种时，tq＝1；
在本实施例中，权值包括加权系数和偏值，输入层节点和隐含层节点之间的权重系数为wij，i∈[1,m],j∈[1,n]，隐含层节点和输出层节点之间的权重系数为vjk(j∈[1,n],k∈[1,q])，隐含层各节点之间的偏值为bj，j∈[1,n]，输出层各节点之间的偏值为ck，(k∈[1,q])，神经网络的学习因子为η，隐含层节点和输出层节点之间的激活函数为g(x)＝1/(1+exp(-x))；
S22、利用GA算法获取神经网络的初始权值，初始权值为GA算法初始化后神经网络中的各节点之间的最优加权系数和各节点上的最优偏值；初始加权系数包括wij(0)和vjk(0)，初始偏值包括bj(0)和ck(0)；wij(0)为wij的初始值，vjk(0)为vjk的初始值，bj(0)为bj的初始值，ck(0)为ck的初始值；
在本实施例中，GA算法的计算过程主要包括以下步骤：
种群初始化，种群中的每个个体和神经网络所有节点的初始权重和偏值对应；利用适应度函数计算每个个体的适应值，适应度函数为训练集利用该个体构成的神经网络，进行乳腺图像诊断，对应诊断的准确率；
利用选择算法来对种群进行选择，选择其中较优的个体；
将选出的较优个体作为父代个体，进而利用交叉算法对个体进行交叉操作，得到子代个体；
利用变异算法对种群中的子代个体进行变异，避免种群早熟，扩大解的搜索范围；
重复上述步骤，当达到设定的迭代次数时，将种群中最优个体对应的数值作为神经网络中各节点的权值的初始值和偏值的初始值；
S3、利用训练数据集对神经网络进行训练，具体包括以下步骤：
S31、利用归一化函数xi p对训练数据集的乳腺特征向量集X进行归一化处理，归一化函数xi p的数学模型由以下公式确定：
S32、计算神经网络的隐含层节点的输出函数Ojp(r)和输出层节点的输出函数yk p(r)，Ojp(r)和yk p(r)的数学模型由以下公式确定：
Ojp(r)＝g(w1j(r)x1 p+w2j(r)x2 p+…+wmj(r)xm p+bj(r)),j＝{1,2,…,n},p＝{1,2,…,Q}；
yk p(r)＝g(v1k(r)O1 p(r)+v2k(r)O2 p(r)+…+vnk(r)On p(r)+ck(r)),k＝{1,2,…,q},p＝{1,2,…,Q}；
式中：
r为当前的迭代次数；
Ojp(r)为r代隐含层的第j个节点在第p组数据作用下的输出；
yk p(r)为r代输出层的第k个节点在第p组数据作用下的输出；
S33、计算输入层和隐含层各节点的误差，误差的数学模型由以下公式确定：
δk p(r)＝yk p(r)(1-yk p(r))(tk p-yk p(r),k＝{1,2,…,q},p＝{1,2,…,Q}；
ζj p(r)＝(vj1(r)δ1 p(r)+vj2(r)δ2 p(r)+…+vjq(r)δq p(r))Ojp(r)(1-Ojp(r)),j＝{1,2,…,n},p＝{1,2,…,Q}；
式中：
r为当前的迭代次数；
δk p(r)为r代输出层的第k个节点在第p组数据作用下的输出误差；
ζj p(r)为r代隐含层的第j个节点在第p组数据作用下的输出误差；
S34、调整神经网络的加权系数和偏值，加权系数和偏值的数学模型由以下公式确定：
vjk(r+1)＝vjk(r)+η(δk 1(r)Oj1(r)+δk 2(r)Oj2(r)+…+δk Q(r)OjQ(r))；
ck(r+1)＝ck(r)+η(δk 1(r)+δk 2(r)+…+δk Q(r))；
wij(r+1)＝wij(r)+η(ζj 1(r)xi 1+ζj 2(r)xi 2+…+ζj Q(r)xi Q)；
bj(r+1)＝bj(r)+η(ζj 1(r)+ζj 2(r)+…+ζj Q(r))；
式中：
vjk(r+1)为r+1代隐含层的第j个节点和输出层的第k个节点之间的权重系数；
vjk(r)为r代隐含层的第j个节点和输出层的第k个节点之间的权重系数；
ck(r+1)为r+1代输出层的第k个节点的偏值；
ck(r)为r代输出层的第k个节点的偏值；
wij(r+1)为r+1代输入层的第i个节点和隐含层的第j个节点之间的权重系数；
wij(r)为r代输入层的第i个节点和隐含层的第j个节点之间的权重系数；
bj(r+1)为r+1代隐含层的第j个节点的偏值；
bj(r)为r代隐含层的第j个节点的偏值；
S35、计算神经网络的输出误差和整体误差，输出误差和整体误差的数学模型由以下公式确定：
J(r)＝J1(r)+J2(r)+…+JQ(r)；
式中：
Jp(r)为r代第p组数据作用下神经网络的输出误差；
J(r)为r代神经网络的整体误差；
S36、将整体误差J(r)与误差精度ε作对比，若整体误差J(r)不小于误差精度ε则将迭代次数r的数值加1，重新进入步骤S32；
若整体误差J(r)小于误差精度ε则说明神经网络满足误差要求。
根据另外的实施例，神经网络还通过以下步骤进行测试：
在本实施例中，在步骤S1中随机将临床数据分为用于训练神经网络的训练数据集和用于对神经网络进行测试的测试数据集，测试数据集和训练数据集均包括乳腺特征和诊断结果；
将测试数据集的乳腺特征进行多源特征融合后得到测试数据集的乳腺特征向量，将测试数据集的乳腺特征向量作为神经网络的输入，神经网络根据测试数据集的乳腺特征向量计算得到实际输出，将测试数据集的诊断结果作为神经网络的期望输出，根据实际输出与期望输出计算准确率；准确率为实际输出与期望输出的比值，将准确率与预设的检测阈值进行对比；
若准确率满足检测阈值则证明神经网络训练完成，神经网络能够根据近红外成像系统获取的乳腺特征输出检测结果；
若准确率不满足检测阈值则重新进行神经网络的训练。
基于以上的神经网络，本发明还提供了一种用于乳腺肿瘤检测的检测系统，包括图像采集模块、图像处理模块、特征融合模块、输入模块和输出模块。
图像采集模块被配置为获取乳腺图像和两帧暗图像。
图像处理模块被配置为根据乳腺图像获取乳腺特征。
特征融合模块被配置为将乳腺特征进行多源特征融合得到乳腺特征向量。
输入模块被配置为将乳腺特征向量输入至神经网络中。
输出模块被配置为输出神经网络给出的与输入的乳腺特征向量对应的诊断结果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对所述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (6)
1.一种用于乳腺肿瘤检测的神经网络，其特征在于，通过以下步骤进行训练：
S1、获取临床数据，所述临床数据包括训练数据集，所述训练数据集包括乳腺特征和诊断结果，对乳腺特征进行多源特征融合后得到乳腺特征向量；
S2、将所述训练数据集的乳腺特征向量作为输入，将所述训练数据集的诊断结果作为输出，利用GA算法计算神经网络的初始权值；
S3、利用所述训练数据集对神经网络进行训练。
2.如权利要求1所述的一种用于乳腺肿瘤检测的神经网络，其特征在于：
步骤S1具体包括以下步骤：
S11、获取患者的基本信息，所述基本信息包括乳腺的诊断结果；
S12、采集B组A个近红外灯照射下的乳腺图像和两帧暗图像，对乳腺图像和两帧暗图像进行特征分析获取乳腺图像整体特征，对乳腺图像进行分片处理，对分片后的乳腺图像进行特征分析获取分片乳腺图像特征；
S13、计算两帧暗图像的平均值DarkImg，将所有乳腺图像减去平均值DarkImg；
对第一组的A个近红外LED灯的乳腺图像进行叠加和归一化处理后获取乳腺静态图像，对乳腺静态图像进行滤波处理后获取乳腺的血管图和血管的形态学特征，对乳腺静态图像进行轮廓提取算法处理后获取乳腺轮廓；
S14、根据朗伯比尔模型对乳腺轮廓内的B组乳腺图像进行求解，获取乳腺轮廓内乳腺的三维几何形状和乳腺的平均衰减系数；利用近红外光学成像理论，得到乳腺组织内部的光学吸收系数；对乳腺轮廓内的乳腺的光学吸收系数进行统计分析获取乳腺光学系数特征；
S15、乳腺特征包括基本信息、乳腺图像整体特征、分片乳腺图像特征、血管的形态学特征和乳腺光学系数特征，对乳腺特征进行多源特征融合得到乳腺特征向量。
3.如权利要求2所述的一种用于乳腺肿瘤检测的神经网络，其特征在于：
步骤S2具体包括以下步骤：
S21、将所述训练数据集的乳腺特征向量集X作为神经网络的输入，将所述训练数据集的诊断结果作为神经网络的期望输出向量集T，所述训练数据集的乳腺特征向量集X和所述训练数据集的期望输出向量集T的由以下公式确定：
X＝{Xori (1),Xori (2),…,Xori (Q)}；
Xori (p)＝[Xori_1 p,Xori_2 p,…,Xori_m p](p＝1,2,…,Q)；
T＝{t(1),t(2),…,t(Q)}；
t(p)＝[t1 p,t2 p,…,tq p](p＝1,2,…,Q)；
式中：
Q为所述训练数据集的个数；
Xori (p)为第p个所述训练数据集对应的乳腺特征向量；
m为乳腺特征向量的维度；
q为诊断结果的种类；
tq为第q种诊断结果，当诊断结果为第q种时，tq＝1；
神经网络包括输入层、隐含层和输出层，所述输入层包括m个节点，所述隐含层包括n个节点，所述输出层包括q个节点；
所述输入层节点和隐含层节点之间的权重系数为wij，i∈[1,m],j∈[1,n]，所述隐含层节点和输出层节点之间的权重系数为vjk(j∈[1,n],k∈[1,q])，所述隐含层各节点之间的偏值为bj，j∈[1,n]，所述输出层各节点之间的偏值为ck，(k∈[1,q])，神经网络的学习因子为η，所述隐含层节点和输出层节点之间的激活函数为g(x)＝1/(1+exp(-x))；
S22、利用GA算法获取神经网络的所述初始权值，所述初始权值包括初始加权系数和初始偏值，所述初始加权系数包括wij(0)和vjk(0)，所述初始偏值包括bj(0)和ck(0)；
所述wij(0)为wij的初始值，所述vjk(0)为vjk的初始值，所述bj(0)为bj的初始值，所述ck(0)为ck的初始值。
4.如权利要求3所述的一种用于乳腺肿瘤检测的神经网络，其特征在于：
步骤S3具体包括以下步骤：
S31、利用归一化函数xi p对所述训练数据集的乳腺特征向量集X进行归一化处理，归一化函数xi p的数学模型由以下公式确定：
S32、计算神经网络的隐含层节点的输出函数Ojp(r)和输出层节点的输出函数yk p(r)，Ojp(r)和yk p(r)的数学模型由以下公式确定：
Ojp(r)＝g(w1j(r)x1 p+w2j(r)x2 p+…+wmj(r)xm p+bj(r)),j＝{1,2,…,n},p＝{1,2,…,Q}；
yk p(r)＝g(v1k(r)O1 p(r)+v2k(r)O2 p(r)+…+vnk(r)On p(r)+ck(r)),k＝{1,2,…,q},p＝{1,2,…,Q}；
式中：
r为当前的迭代次数；
Ojp(r)为r代隐含层的第j个节点在第p组数据作用下的输出；
yk p(r)为r代输出层的第k个节点在第p组数据作用下的输出；
S33、计算所述输入层和隐含层各节点的误差，误差的数学模型由以下公式确定：
δk p(r)＝yk p(r)(1-yk p(r))(tk p-yk p(r),k＝{1,2,…,q},p＝{1,2,…,Q}；
ζj p(r)＝(vj1(r)δ1 p(r)+vj2(r)δ2 p(r)+…+vjq(r)δq p(r))Ojp(r)(1-Ojp(r)),j＝{1,2,…,n},p＝{1,2,…,Q}；
式中：
r为当前的迭代次数；
δk p(r)为r代输出层的第k个节点在第p组数据作用下的输出误差；
ζj p(r)为r代隐含层的第j个节点在第p组数据作用下的输出误差；
S34、调整神经网络的加权系数和偏值，加权系数和偏值的数学模型由以下公式确定：
vjk(r+1)＝vjk(r)+η(δk 1(r)Oj1(r)+δk 2(r)Oj2(r)+…+δk Q(r)OjQ(r))；
ck(r+1)＝ck(r)+η(δk 1(r)+δk 2(r)+…+δk Q(r))；
wij(r+1)＝wij(r)+η(ζj 1(r)xi 1+ζj 2(r)xi 2+…+ζj Q(r)xi Q)；
bj(r+1)＝bj(r)+η(ζj 1(r)+ζj 2(r)+…+ζj Q(r))；
式中：
vjk(r+1)为r+1代隐含层的第j个节点和输出层的第k个节点之间的权重系数；
vjk(r)为r代隐含层的第j个节点和输出层的第k个节点之间的权重系数；
ck(r+1)为r+1代输出层的第k个节点的偏值；
ck(r)为r代输出层的第k个节点的偏值；
wij(r+1)为r+1代输入层的第i个节点和隐含层的第j个节点之间的权重系数；
wij(r)为r代输入层的第i个节点和隐含层的第j个节点之间的权重系数；
bj(r+1)为r+1代隐含层的第j个节点的偏值；
bj(r)为r代隐含层的第j个节点的偏值；
S35、计算神经网络的输出误差和整体误差，所述输出误差和整体误差的数学模型由以下公式确定：
J(r)＝J1(r)+J2(r)+…+JQ(r)；
式中：
Jp(r)为r代第p组数据作用下神经网络的输出误差；
J(r)为r代神经网络的整体误差；
S36、将所述整体误差J(r)与误差精度ε作对比，若整体误差J(r)不小于误差精度ε则将迭代次数r的数值加1，重新进入步骤S32；
若整体误差J(r)小于误差精度ε则说明神经网络满足误差要求。
5.如权利要求4所述的一种用于乳腺肿瘤检测的神经网络，其特征在于：
所述临床数据还包括测试数据集，所述测试数据集包括乳腺特征和诊断结果；
神经网络还通过以下步骤进行测试：
将所述测试数据集的乳腺特征进行多源特征融合后得到所述测试数据集的乳腺特征向量，将所述测试数据集的乳腺特征向量作为神经网络的输入，神经网络根据所述测试数据集的乳腺特征向量计算得到实际输出，将所述测试数据集的诊断结果作为神经网络的期望输出，根据实际输出与期望输出计算准确率；
若准确率满足检测阈值则神经网络训练完成，若准确率不满足检测阈值则重新进行神经网络的训练。
6.一种用于乳腺肿瘤检测的检测系统，其特征在于，包括图像采集模块、图像处理模块、特征融合模块、输入模块和输出模块；
所述图像采集模块被配置为获取乳腺图像和两帧暗图像；
所述图像处理模块被配置为根据乳腺图像获取乳腺特征；
所述特征融合模块被配置为将乳腺特征进行多源特征融合得到乳腺特征向量；
所述输入模块被配置为将乳腺特征向量输入至如权利要求1～5所述的一种用于乳腺肿瘤检测的神经网络中；
所述输出模块被配置为输出所述神经网络给出的诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010330974.1A CN111554383B (zh) | 2020-04-24 | 2020-04-24 | 一种用于乳腺肿瘤检测的神经网络及其检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010330974.1A CN111554383B (zh) | 2020-04-24 | 2020-04-24 | 一种用于乳腺肿瘤检测的神经网络及其检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111554383A true CN111554383A (zh) | 2020-08-18 |
| CN111554383B CN111554383B (zh) | 2023-09-05 |
Family
ID=72005774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010330974.1A Active CN111554383B (zh) | 2020-04-24 | 2020-04-24 | 一种用于乳腺肿瘤检测的神经网络及其检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111554383B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991339A (zh) * | 2021-04-27 | 2021-06-18 | 浙江杜比医疗科技有限公司 | 一种肿瘤级别分析装置及相关组件 |
| CN113180601A (zh) * | 2021-04-27 | 2021-07-30 | 浙江杜比医疗科技有限公司 | 一种动态光学乳腺成像的肿瘤特征分析装置及相关组件 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6125194A (en) * | 1996-02-06 | 2000-09-26 | Caelum Research Corporation | Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing |
| CN101683269A (zh) * | 2008-07-24 | 2010-03-31 | 卡尔斯特里姆保健公司 | 用于数字x射线检测器的暗校正 |
| CN103778600A (zh) * | 2012-10-25 | 2014-05-07 | 北京三星通信技术研究有限公司 | 图像处理系统 |
| CN104091347A (zh) * | 2014-07-26 | 2014-10-08 | 刘宇清 | 一种基于3d打印技术的颅内肿瘤手术规划模拟方法 |
| CN106204599A (zh) * | 2016-07-14 | 2016-12-07 | 安翰光电技术（武汉）有限公司 | 用于消化道内图像的自动分段系统和方法 |
| CN106482938A (zh) * | 2016-10-14 | 2017-03-08 | 温州大学 | 基于ga‑bp网络的液压制动系统多源融合故障预示方法 |
| CN107993232A (zh) * | 2018-01-03 | 2018-05-04 | 深圳市人民医院 | 一种肿瘤图像分析处理方法和装置 |
| CN109598709A (zh) * | 2018-11-29 | 2019-04-09 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
| CN110403576A (zh) * | 2019-08-01 | 2019-11-05 | 中国医学科学院北京协和医院 | 三维光声成像在乳腺肿瘤评分系统中的应用 |
| WO2020019671A1 (zh) * | 2018-07-23 | 2020-01-30 | 哈尔滨工业大学（深圳） | 一种乳腺肿块检测与分类系统、计算机可读存储介质 |
-
2020
- 2020-04-24 CN CN202010330974.1A patent/CN111554383B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6125194A (en) * | 1996-02-06 | 2000-09-26 | Caelum Research Corporation | Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing |
| CN101683269A (zh) * | 2008-07-24 | 2010-03-31 | 卡尔斯特里姆保健公司 | 用于数字x射线检测器的暗校正 |
| CN103778600A (zh) * | 2012-10-25 | 2014-05-07 | 北京三星通信技术研究有限公司 | 图像处理系统 |
| CN104091347A (zh) * | 2014-07-26 | 2014-10-08 | 刘宇清 | 一种基于3d打印技术的颅内肿瘤手术规划模拟方法 |
| CN106204599A (zh) * | 2016-07-14 | 2016-12-07 | 安翰光电技术（武汉）有限公司 | 用于消化道内图像的自动分段系统和方法 |
| CN106482938A (zh) * | 2016-10-14 | 2017-03-08 | 温州大学 | 基于ga‑bp网络的液压制动系统多源融合故障预示方法 |
| CN107993232A (zh) * | 2018-01-03 | 2018-05-04 | 深圳市人民医院 | 一种肿瘤图像分析处理方法和装置 |
| WO2020019671A1 (zh) * | 2018-07-23 | 2020-01-30 | 哈尔滨工业大学（深圳） | 一种乳腺肿块检测与分类系统、计算机可读存储介质 |
| CN109598709A (zh) * | 2018-11-29 | 2019-04-09 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
| CN110403576A (zh) * | 2019-08-01 | 2019-11-05 | 中国医学科学院北京协和医院 | 三维光声成像在乳腺肿瘤评分系统中的应用 |
Non-Patent Citations (3)
| Title |
|---|
| 梁玉荣;: "近红外光检查在乳腺癌诊断中的应用", no. 05, pages 64 - 65 * |
| 董永峰等: "基于特征融合的卷积神经网络乳腺癌图像分类", vol. 47, no. 6, pages 70 - 74 * |
| 马满芳;陆惠玲;王媛媛;吴华锋;季明;周涛;: "基于遗传算法―BP神经网络的乳腺肿瘤辅助诊断模型", vol. 15, no. 11, pages 144 - 145 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991339A (zh) * | 2021-04-27 | 2021-06-18 | 浙江杜比医疗科技有限公司 | 一种肿瘤级别分析装置及相关组件 |
| CN113180601A (zh) * | 2021-04-27 | 2021-07-30 | 浙江杜比医疗科技有限公司 | 一种动态光学乳腺成像的肿瘤特征分析装置及相关组件 |
| CN112991339B (zh) * | 2021-04-27 | 2021-09-17 | 浙江杜比医疗科技有限公司 | 一种肿瘤级别分析装置及相关组件 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111554383B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230218172A1 (en) | Systems, methods, and media for selectively presenting images captured by confocal laser endomicroscopy | |
| CN109670510B (zh) | 一种基于深度学习的胃镜活检病理数据筛查系统 | |
| CN113011485B (zh) | 多模态多病种长尾分布眼科疾病分类模型训练方法和装置 | |
| CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| US20200285906A1 (en) | A system and method for automated labeling and annotating unstructured medical datasets | |
| CN110390351A (zh) | 一种基于深度学习的致痫灶三维自动定位系统 | |
| CN109472263B (zh) | 一种结合全局和局部信息的大脑磁共振图像分割方法 | |
| CN113516210B (zh) | 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置 | |
| CN105640577A (zh) | 一种自动检测放射影像中局部性病变的方法和系统 | |
| CN110731773B (zh) | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 | |
| CN109255354B (zh) | 面向医用ct的计算机图像处理方法和装置 | |
| CN109215040B (zh) | 一种基于多尺度加权学习的乳腺肿瘤分割方法 | |
| Kollias et al. | Ai-enabled analysis of 3-d ct scans for diagnosis of covid-19 & its severity | |
| CN111554383B (zh) | 一种用于乳腺肿瘤检测的神经网络及其检测系统 | |
| Zhang et al. | Hybrid graph convolutional network for semi-supervised retinal image classification | |
| Cao et al. | A deep learning approach for detecting colorectal cancer via Raman spectra | |
| CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
| CN116840214A (zh) | 一种诊断脑肿瘤和脑梗死的方法 | |
| Zeng et al. | Automated detection of diabetic retinopathy using a binocular siamese-like convolutional network | |
| Mamun et al. | Lcdctcnn: Lung cancer diagnosis of ct scan images using cnn based model | |
| Kumar et al. | Mdcf: Multi-disease classification framework on fundus image using ensemble cnn models | |
| CN116109565A (zh) | 一种基于重生网络的早产儿视网膜病异常检测方法 | |
| US20240282090A1 (en) | Multi-modal method for classifying thyroid nodule based on ultrasound and infrared thermal images | |
| CN114360718A (zh) | 一种基于特征拟合的pet/ct自动肺癌诊断分类系统及构建方法 | |
| Liu et al. | MTFIL-Net: automated Alzheimer’s disease detection and MMSE score prediction based on feature interactive learning |
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 |