CN111582393A - 基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法 - Google Patents
基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法 Download PDFInfo
- Publication number
- CN111582393A CN111582393A CN202010402193.9A CN202010402193A CN111582393A CN 111582393 A CN111582393 A CN 111582393A CN 202010402193 A CN202010402193 A CN 202010402193A CN 111582393 A CN111582393 A CN 111582393A
- Authority
- CN
- China
- Prior art keywords
- network
- benign
- classification
- resolution
- types
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000001575 pathological effect Effects 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 230000003211 malignant effect Effects 0.000 title claims abstract description 11
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 7
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 20
- 206010041823 squamous cell carcinoma Diseases 0.000 claims abstract description 18
- 238000013145 classification model Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 206010061218 Inflammation Diseases 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 230000004054 inflammatory process Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 11
- 208000009956 adenocarcinoma Diseases 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000007170 pathology Effects 0.000 claims 4
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 210000004072 lung Anatomy 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract 1
- 230000002757 inflammatory effect Effects 0.000 abstract 1
- 201000005249 lung adenocarcinoma Diseases 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法,属于医学图像处理领域,包括以下步骤:肺部CT图像的多分辨率预处理;构建3D多分辨率深度学习网络的多分类模型;训练构建的多分类模型得出最优模型的权值参数实现肺结节良恶性的多种病理类型的分类。本发明采用双通路网络为深度学习模型的主网络架构,双通路网络中的残差网络部分可以实现肺结节图像底层特征的重复利用,密集连接网络部分可以生成高层新特征。本发明所采用的3D多分辨率深度学习网络模型可以根据肺结节的内部隐层特征对炎症性肺结节、鳞癌性肺结节、腺癌性肺结节以及良性其他类等四种不同病理类型的肺结节做出分类诊断。
Description
技术领域
本发明属于医学图像处理领域,具体涉及基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法。
背景技术
对肺结节进行良恶性多种病理类型的精确预测是计算机辅助诊疗的一个重要研究方向,在肺部CT影像分析和实际临床应用中具有非常重要的意义。传统的人工方式阅片诊断肺结节,仅是对肺结节的良恶性做出诊断,并且过于依赖医生的诊断水平,具有较强的主观性,同时会给医学工作者带来巨大的工作负荷。而深度学习方法不仅可以深入地挖掘图像数据复杂的隐性表征,而且可以对更深层次的特征做进一步的分析与处理,从而实现肺结节的多病理类型分类预诊断,使其更加智能化,有利于提高临床的诊断效率和诊断准确率。
深度学习有很多代表性的算法:双通路网路(Dual Path Networks,DPN)融合了深度残差网络(Deep Residual Networks,ResNet)和密集连接网络(Densely ConnectedConvolutional Networks,DenseNet)两大标志性深度学习网络的核心思想;DenseNet可以从之前的层级中提取到新的特征,而ResNet本质上是对之前层级中已提取特征的复用。限于国内外数据集还不具备明确的病理类型信息,所以还未能利用DPN网络模型做肺结节的多种病理类型分类,这些问题也是目前研究中需要面对和亟待解决的关键难题。
发明内容
针对传统的人工方式阅片诊断肺结节的方法过于依赖医生的诊断水平,具有较强的主观性,工作负荷大,不能对肺结节的具体病理类型做出诊断等问题,本发明提出了一种基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法包括以下步骤:
S1收集具备明确病理类型的CT影像数据;
S2按肺结节区域的中心点O和直径D提取3D肺结节数据并存储;
S3通过B样条插值算法生成对应的三个分辨率的数据体;
S4将步骤S3中数据进行线下样本扩充,并在线上进行标准化和错切处理后作为训练网络的输入;
S5构建3D多分辨双通路网络多分类模型;
S6采用随机梯度下降法将步骤S4中的数据体在对应的输入网络中进行训练和迭代求解;
S7进行分类准确率以及受试者工作特性曲线验证。
上述方法中,所述步骤S1中收集炎症、鳞癌、腺癌和良性其他四种病理类型的CT影像数据,层厚均为1mm,结节直径D大小在3mm≤D≤30mm。将其按照类别比例划分为训练集、验证集和测试集。
上述方法中,所述步骤S2中人工确定肺结节的中心点O、直径D大小,并根据直径D将肺结节分为三个分辨率,3mm≤D≤14mm为低分辨率,对应的像素提取窗口为20×20×20;14mm<D≤21mm为中分辨率,对应的像素提取窗口为30×30×30;21mm<D≤30mm为高分辨率,对应的像素提取窗口为45×45×45。
上述方法中,所述步骤S3是以O点为中心,依据CT影像肺结节中心按像素提取窗口进行3D图像提取并通过B样条插值法生成其余两个分辨率的3D图像并对应保存,形成输入数据体。
上述方法中,所述步骤S4中,首先将训练集和验证集的炎症、鳞癌和良性其他类样本根据样本的数量情况进行线下数据扩充,炎症、鳞癌和良性其他类分别在×轴、Y轴和Z轴旋转[90°,270°],另外又单独对鳞癌采取在Y轴和Z轴分别翻转[90°,270°]的操作,最终炎症和良性其他类扩展了6倍,鳞癌扩展了10倍,腺癌不作数据扩展,线上输入数据会先进行输入数据进行0-1标准化,将训练样本数据采用2像素点随机平移和错切进行线上数据扩充,保证样本分类的均衡性。
上述方法中,所述3D多分辨深度学习网络模型由双通路网络单元模块堆叠而成,其结构与参数见表1,其中密集连接通路基本通道为32,递增为16,尾端分类比例系数为λ1=0.3,λ2=0.3,λ3=0.4,尾端分类各自的概率P1、P2、P3由下式给出:
式中,给定N对输入样本和真实标签值的对应{(D1,y1),...,(DN,yN)},Dj为第j个输入样本,yj为Dj对应的真实标签,则为网络预测的结果,k为分类的类别数,在这里k值为4,ηi为第i个分辨率网络的参数,计算完三个分辨率网络各自的预测概率Pi后,在尾端按比例系数λ1、λ2、λ3进行概率融合得到融合概率Pf,如下所示:
上述方法中,S6中网络参数初始化采用He初始化,学习率设置为0.003,每经过100轮迭代降低30%,网络批量(batch-size)大小采用16,损失函数选取交叉熵损失函数,根据验证集准确率收敛趋势和迭代轮数判断算法是否收敛,若未收敛直至收敛后保存网络参数。
本发明的有益效果在于:能够对肺结节的炎症、鳞癌、腺癌和良性其他类等四种病理类型做出预诊断,放射科医生只需要确认肺部CT图像中肺结节的中心位置和大小,输入设计的深度学习网络后便可得到网络模型的预测结果。相较于人工方式诊断具有实时性强、准确率高以及鲁棒性的特点,不仅能够对肺结节良恶性的多种病理类型做出诊断,并且本发明能很好地适应不同大小的肺结节,具有良好的可扩展性。
附图说明
图1是20×20×20低分辨率3D双通路网络示意图。
图2是30×30×30中分辨率3D双通路网络示意图。
图3是45×45×45高分辨率3D双通路网络示意图。
图4是融合低、中、高分辨率3D双通路网络结构示意图。
图5是多分辨3D数据处理示意图。
图6是双通路单元(DPN unit)结构示意图。
具体实施方式
下面结合附图及具体实施对本发明作进一步详细的说明。本发明实现基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法,主要包括以下步骤:
S1收集具备明确病理类型的CT影像数据,层厚为1mm。
收集炎症、鳞癌、腺癌和良性其他等四种病理类型的CT影像数据,要求均具备明确病理类型,并且层厚均为1mm,结节直径D大小在3mm≤D≤30mm。将其按照类别比例划分为训练集、验证集和测试集。
S2按肺结节区域的中心点O和直径D提取将3D肺结节数据体并存储。
人工确定所收集CT影像数据中肺结节的中心点O、直径大小D,并根据D将其分为三个分辨率,若3mm≤D≤14mm为低分辨率,对应的像素提取窗口为20×20×20;14mm<D≤21mm为中分辨率,对应的像素提取窗口为30×30×30;21mm<D≤30mm为高分辨率,对应的像素提取窗口为45×45×45。
S3通过B样条插值算法生成对应的三个分辨率的数据体。
将训练集、验证集和测试集中的肺结节,以其中心O点为中心按相应的像素窗口大小提取3D图像,并通过B样条插值生成其余两个分辨率的3D图像,如图5所示,并对应保存。
S4将步骤S3中数据进行线下样本扩充,并在线上进行标准化和错切处理后作为训练网络的输入。
首先将训练集和验证集中的炎症、鳞癌和良性其他类等,根据各类的样本数量情况进行线下数据扩充。炎症、鳞癌和良性其他类分别在X轴、Y轴和Z轴旋转[90°,270°],即每类扩展了6倍,另外又单独对鳞癌采取在Y轴和Z轴分别翻转[90°,270°]的操作,最终炎症和良性其他类扩展了6倍,鳞癌扩展了10倍,腺癌不作数据扩展。线上输入数据会先对输入数据进行0-1标准化,将训练样本数据采用2像素点随机平移和错切的方式进行线上数据扩充,以保证样本分类的均衡性。
S5构建多分辨3D双通路压缩激励网络。
利用图6中双通路(DPN)网络单元的架构构建图1、图2、图3和图4中3D多分辨双通路网络深度学习的多分类模型。图6中,BN为批量归一化,ReLU为ReLU激活函数,Conv表示卷积操作,X1l和X2l分别表示第l层残差连接通路和密集连接通路的网络输入,其中密集连接通路基本通道为32,递增为16。整体网络共采用三个分辨率的网络,网络输入像素维度分别为低分辨网络:20×20×20、中分辨网络:30×30×30以及高分辨网络:45×45×45,每个分辨率网络的主体框架都由图1中双通路网络(DPN)单元堆叠而成。以图1中的3D低分辨率多分类双通路网络模型为例,在图1中,从左至右,图中的3*3*3@64表示当前层采用64个维度为3*3*3卷积核进行卷积。MP代表Ma×pooling3D,表示对数据进行最大池化操作。特征立方体下方的4*4*4@(128+64)表示当前层输出的大小为4*4*4,且残差连接通路的特征通道数为128,密集连接通路的通道数为64,其余类似。GAP/GMP代表Global AveragePooling3D和Global Ma×Pooling3D,表示对上一层的输出特征分别进行全局平均池化以及全局最大池化操作,取两个输出的平均值作为下一层的输入,最后经由Softma×分类器得出分类结果。整体网络构建参数由表1给出。
图4中尾端分类比例系数分别为λ1=0.3,λ2=0.3,λ3=0.4。尾端分类各自的概率P1、P2、P3由下式给出:
式中,表示N个输入样本和真实标签值一一对应的集合为{(D1,y1),...,(DN,yN)},Dj为第j个输入样本,yj为Dj对应的真实标签,则为网络预测的结果,k为分类的类别数,在这里k值为4,ηi为第i个分辨率网络的参数。计算完Pi后,在尾端按比例系数λ1、λ2、λ3进行概率融合得到融合概率Pf,如下所示:
表1 3D多分辨率双通路深度学习网络模型详细结构
表1中,C代表卷积层,DPN-C代表双通路压缩激励模块中的卷积层,FC代表全连接层,通道数中相加项前者为残差连接通路通道数,后者为密集连接通路通道数。
S6采用随机梯度下降法将步骤S4中的数据体在对应的输入网络中进行训练和迭代求解。
采用随机梯度下降法(Stochastic Gradient Descent,SGD)将S3中训练集的数据体在对应的输入网络中进行训练和迭代求解。网络参数初始化采用He初始化,学习率设置为0.003并每过100轮迭代降低30%,网络批量(batch size)大小采用16,损失函数选取交叉熵损失函数。根据验证集准确率收敛趋势和迭代轮数判断算法是否收敛,若未收敛直至收敛后保存网络参数。
S7进行分类准确率以及受试者工作特性曲线验证;
网络收敛后,将所保存的网络训练参数载入构建的网络中,再输入测试集数据体进行分类准确率和受试者工作特性曲线验证。
最后应说明的是,以上实施实例仅用以说明本发明的技术方案而非限制,尽管参照较佳的实施实例对本发明进行了详细的说明,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的修改或等同替换,而不脱离本发明技术方案的精神和范围,都应涵盖在本发明的保护范围之内。
Claims (7)
1.基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法,其特征在于包括以下步骤:
S1收集具有明确病理信息的高分辨率薄层CT图像;
S2按肺结节区域的中心点O和直径D提取3D肺结节体数据并存储;
S3通过B样条插值算法生成对应的三个分辨率的数据体;
S4将步骤S3中数据体进行线下样本扩充,并在线上进行标准化和错切处理后作为训练网络的输入;
S5构建3D多分辨双通路网络多分类模型;
S6采用随机梯度下降法将步骤S4中的数据体在对应的输入网络中进行训练和迭代求解;
S7进行分类准确率以及受试者工作特性曲线验证。
2.根据权利要求1所述的肺结节良恶性多种病理类型分类的预测方法,其特征在于,收集炎症、鳞癌、腺癌和良性其他四种病理类型的CT影像数据,层厚均为1mm,结节直径D大小在3mm≤D≤30mm,将其按照类别比例划分为训练集、验证集和测试集。
3.根据权利要求1所述的多病理类型分类的预测方法,其特征在于,所述步骤S2中人工确定肺结节的中心点O、直径D,若3mm≤D≤14mm为低分辨率,对应的像素提取窗口为20×20×20;14mm<D≤21mm为中分辨率,对应的像素提取窗口为30×30×30;21mm<D≤30mm为高分辨率,对应的像素提取窗口为45×45×45。
4.根据权利要求1所述的多种病理类型分类的预测方法,其特征在于,所述步骤S3是以O点为中心,依据CT影像肺结节中心按像素提取窗口进行3D图像提取并通过B样条插值法生成其余两个分辨率的3D图像并对应保存,形成输入数据体。
5.根据权利要求1所述的多种病理类型分类的预测方法,其特征在于,所述步骤S4中,首先将训练集和验证集的炎症、鳞癌和良性其他类样本根据样本的数量情况进行线下数据扩充,炎症、鳞癌和良性其他类分别在X轴、Y轴和Z轴旋转[90°,270°],另外又单独对鳞癌采取在Y轴和Z轴分别翻转[90°,270°]的操作,最终炎症和良性其他类扩展了6倍,鳞癌扩展了10倍,腺癌不作数据扩展,线上输入数据会先进行输入数据进行0-1标准化,将训练样本数据采用2像素点随机平移和错切进行线上数据扩充,保证样本分类的均衡性。
6.根据权利要求1所述的多种病理类型分类的预测方法,其特征在于,所述3D多分辨深度学习网络模型由双通路网络单元模块堆叠而成,其结构与参数见表1,其中密集连接通路基本通道为32,递增为16,尾端分类比例系数为λ1=0.3,λ2=0.3,λ3=0.4,尾端分类各自的概率P1、P2、P3由下式给出:
式中,给定N对输入样本和真实标签值的对应{(D1,y1),…,(DN,yN)},Dj为第j个输入样本,yj为Dj对应的真实标签,则为网络预测的结果,k为分类的类别数,在这里k值为4,ηi为第i个分辨率网络的参数,计算完三个分辨率网络各自的预测概率Pi后,在尾端按比例系数λ1、λ2、λ3进行概率融合得到融合概率Pf,如下所示:
表1 3D多分辨率双通路深度学习网络模型详细结构
表1中,C代表卷积层,DPN-C代表双通路压缩激励模块中的卷积层,FC代表全连接层,通道数中相加项前者为残差连接通路通道数,后者为密集连接通路通道数。
7.根据权利要求1所述的多种病理类型分类的预测方法,其特征在于,S6中网络参数初始化采用He初始化,学习率设置为0.003,每经过100轮迭代降低30%,网络批量(batch-size)大小采用16,损失函数选取交叉熵损失函数,根据验证集准确率收敛趋势和迭代轮数判断算法是否收敛,若未收敛直至收敛后保存网络参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010402193.9A CN111582393A (zh) | 2020-05-13 | 2020-05-13 | 基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010402193.9A CN111582393A (zh) | 2020-05-13 | 2020-05-13 | 基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582393A true CN111582393A (zh) | 2020-08-25 |
Family
ID=72117294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010402193.9A Pending CN111582393A (zh) | 2020-05-13 | 2020-05-13 | 基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582393A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232433A (zh) * | 2020-10-27 | 2021-01-15 | 河北工业大学 | 一种基于双通路网络的肺结节良恶性分类方法 |
CN112364920A (zh) * | 2020-11-12 | 2021-02-12 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
CN112560927A (zh) * | 2020-12-08 | 2021-03-26 | 上海市胸科医院 | 一种肺腺癌浸润性影像组学分类模型的构建方法 |
CN112614093A (zh) * | 2020-12-10 | 2021-04-06 | 西北工业大学深圳研究院 | 基于多尺度空间注意力网络的乳腺病理图像分类方法 |
-
2020
- 2020-05-13 CN CN202010402193.9A patent/CN111582393A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232433A (zh) * | 2020-10-27 | 2021-01-15 | 河北工业大学 | 一种基于双通路网络的肺结节良恶性分类方法 |
CN112232433B (zh) * | 2020-10-27 | 2022-08-26 | 河北工业大学 | 一种基于双通路网络的肺结节良恶性分类方法 |
CN112364920A (zh) * | 2020-11-12 | 2021-02-12 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
CN112364920B (zh) * | 2020-11-12 | 2023-05-23 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
CN112560927A (zh) * | 2020-12-08 | 2021-03-26 | 上海市胸科医院 | 一种肺腺癌浸润性影像组学分类模型的构建方法 |
CN112614093A (zh) * | 2020-12-10 | 2021-04-06 | 西北工业大学深圳研究院 | 基于多尺度空间注意力网络的乳腺病理图像分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582393A (zh) | 基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法 | |
CN110084813B (zh) | 一种基于三维深度学习网络的肺结节良恶性预测方法 | |
CN111584073B (zh) | 构建肺结节良恶性的多种病理类型诊断模型的方法 | |
CN111598881B (zh) | 基于变分自编码器的图像异常检测方法 | |
CN109598220B (zh) | 一种基于多元输入多尺度卷积的人数统计方法 | |
CN111274903A (zh) | 一种基于图卷积神经网络的宫颈细胞图像分类方法 | |
US20230306761A1 (en) | Methods for identifying cross-modal features from spatially resolved data sets | |
CN111539491B (zh) | 基于深度学习与注意力机制的多发性结节分类系统和方法 | |
CN112132818A (zh) | 基于图卷积神经网络构建三阶段的图像处理方法 | |
CN107480702A (zh) | 面向hcc病理图像识别的特征选择与特征融合方法 | |
CN113221282B (zh) | 基于贝叶斯残差卷积网络的航空发动机寿命预测方法 | |
CN108415883A (zh) | 基于子空间聚类的凸非负矩阵分解方法 | |
CN109214246B (zh) | 基于全局方向信息的指纹检索方法 | |
CN112098878A (zh) | 一种锂电池soh估算和rul预测的端到端神经网络建立方法 | |
Zhang et al. | Pulmonary nodule detection based on 3D feature pyramid network with incorporated squeeze‐and‐excitation‐attention mechanism | |
CN116091490A (zh) | 一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检测方法 | |
CN114863062A (zh) | 基于点、体素特征表示的工业场景3d点云模型构建方法 | |
CN115631847B (zh) | 基于多组学特征的早期肺癌诊断系统、存储介质及设备 | |
CN117058079A (zh) | 基于改进ResNet模型的甲状腺显像图像自动诊断方法 | |
CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 | |
CN115578325A (zh) | 一种基于通道注意配准网络的图像异常检测方法 | |
CN114004782A (zh) | 参数化评估医学图像数据集的函数的计算机实现的方法 | |
CN113515685A (zh) | 一种融合Embedding强化拓扑与节点内容信息的社团检测方法 | |
CN112086174A (zh) | 一种三维知识诊断模型构建方法和系统 | |
Xue | Classification of pulmonary lesions based on CNN and chest X-ray images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200825 |