CN111612739B - 一种基于深度学习的脑梗死分类方法 - Google Patents
一种基于深度学习的脑梗死分类方法 Download PDFInfo
- Publication number
- CN111612739B CN111612739B CN202010300110.5A CN202010300110A CN111612739B CN 111612739 B CN111612739 B CN 111612739B CN 202010300110 A CN202010300110 A CN 202010300110A CN 111612739 B CN111612739 B CN 111612739B
- Authority
- CN
- China
- Prior art keywords
- cerebral infarction
- residual error
- network
- image
- training
- 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.)
- Active
Links
- 206010008118 cerebral infarction Diseases 0.000 title claims abstract description 45
- 208000026106 cerebrovascular disease Diseases 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims description 27
- 210000004556 brain Anatomy 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002490 cerebral effect Effects 0.000 claims description 3
- 238000013101 initial test Methods 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims description 2
- 230000008034 disappearance Effects 0.000 claims description 2
- 238000004880 explosion Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 230000000295 complement effect Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 208000006011 Stroke Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 2
- 206010008132 Cerebral thrombosis Diseases 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 201000001429 Intracranial Thrombosis Diseases 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 206010008088 Cerebral artery embolism Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 208000004552 Lacunar Stroke Diseases 0.000 description 1
- 206010051078 Lacunar infarction Diseases 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 201000010849 intracranial embolism Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007971 neurological deficit Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30016—Brain
-
- 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
Abstract
本发明提供一种基于深度学习的脑梗死分类方法。本发明利用深度学习的概念采用网络并行计算不同任务,对网络提取到的特征在后续的特征层进行特征的融合,从而利用融合特征进行脑梗死方面的分类。该方法不仅利用CT和MR信息可以互相补足的特征,对信息进行充分利用,同时在后续的特征层上进行融合,去除冗余信息,减少计算机的计算资源,并且提升了脑梗死检测精度。
Description
技术领域
本发明涉及医学图像识别领域,尤其涉及一种利用深度学习的方法进行医学图像融合,从而进行脑梗死方面的分类的方法。
背景技术
脑梗死又称缺血性卒中,中医称之为卒中或中风。本病系由各种原因所致的局部脑组织区域血液供应障碍,导致脑组织缺血缺氧性病变坏死,进而产生临床上对应的神经功能缺失表现。脑梗死依据发病机制的不同分为脑血栓形成、脑栓塞和腔隙性脑梗死等主要类型。其中脑血栓形成是脑梗死最常见的类型。
而由于医学领域目前研究人员仍采用传统算法对图像进行分析处理,即便能够满足医学处理的精度需求,但是十分的费时费力,需要多位专家人员对图像进行分析研究由于脑卒中的多样性,评估组织损伤必须需要准确数据模型,深度学习算法在这一领域显示出了潜力,因为它们能够在大数据环境下捕获复杂的图像特征,同时对显著水平的噪声保持鲁棒性。
发明内容
针对现有技术中存在的不足,本发明提供一种基于深度学习的脑梗死分类方法。本发明的目的是利用深度学习的概念采用网络并行计算不同任务,对网络提取到的特征在后续的特征层进行特征的融合,从而利用融合特征进行脑梗死方面的分类。该方法不仅利用CT和MR信息可以互相补足的特征,对信息进行充分利用,同时在后续的特征层上进行融合,去除冗余信息,减少计算机的计算资源,并且提升了脑梗死检测精度。
为达上述目的,本发明所采用的技术方案为:
一种基于深度学习的脑梗死分类方法,步骤如下:
步骤(1)、数据预处理
首先通过具有脑梗死诊断经验的医生选取脑梗死CT以及MR的DICOM医学图像,并且选取MR和CT各1000张正常的脑图像作为对照,构成初期的训练数据集,另挑选MR和CT图像各250张,其中脑正常和脑梗死的比例也为1:1,构成初期的测试集;
对获得的DICOM医学图像数据进行预处理,从DICOM医学图像中提取信息得到JPG格式图片,得到脑梗死MR和CT的JPG图,将图像大小统一为512*512,并且将脑梗死图像标记为1,脑正常图像标记为0,从而得到训练数据集以及测试数据集;
步骤(2)、将训练数据集输入到深度残差网络中训练网络参数,其中CT图像为一组训练,MR为一组训练,在经过部分残差网络卷积后进行特征相加得到新的特征之后,输入到残差网络的全连接层进行特征叠加,保存调整后的参数,得到脑梗死识别模型;
步骤(3)、对步骤(1)预处理后的测试数据集输入脑梗死识别模型中进行识别,得到识别结果。
进一步地,步骤(2)中所述深度残差网络包括两个部分残差网络、一全连接层和一输出层;所述的部分残差网络包括一输入层、一初始卷积层和多个残差模块,其中一个部分残差网络训练MR图像,另一个部分残差网络训练CT图像;
所述初始卷积层对原始训练数据进行卷积提取抽象化特征;
所述多个残差模块一方面用于对初始卷积层提取的抽象化特征进行再一次提取,精炼为更加具体并且具有代表性的特征,另一方面用于防止因网络深度增加所引起的梯度爆炸和梯度消失现象的产生;
所述特征叠加方式即将卷积后得到的CT和MR图像的特征进行权重的相加,而不是通道的扩展;
所述全连接层包括多个节点,用于将特征相加后的特征进行进一步组合,用于后续分类。
更进一步地,所述每个残差模块分为一条主径和一条捷径,主径用于特征的进一步压缩提取,捷径用于保证残差网络学习恒等函数非常容易,从而保证网络的性能不会受到影响;
更进一步地,在第一个残差模块前存在一个pooling最大池化操作,用于特征维度的压缩以减少过拟合现象的产生;在每个残差块中存在卷积,池化以及BatchNormaliztion批量归一化,提高训练速度以及准确度,其中批量归一化即减均值除方差,把每一层的输出均值和方差规范化,将输出从饱和区拉倒了非饱和区(导数),解决了梯度消失问题。
与现有技术相比,本发明具有以下特点:
第一,本发明针对的是脑梗死以及脑正常的医学图像分类,对CT和MR图像同时进行学习,并且由于MR图像包含大部分CT信息,所以在数据集构建上包含MR和CT图像,在图像格式上采用更为广泛的JPG格式的图片来做分析,在适用上具有很强的广泛性。
第二,传统的脑梗死研究主要集中于其机制的研究,对于脑正常以及脑梗死的分类受限于传统算法并没有过多深入的研究,并且只是局限于单一模态的学习,在信息层面上提取到的信息并不充分,本发明采用CT和MR信息互补,同时学习两大医学图像的特征信息,并且进行特征的融合,以提取到对脑梗死以及脑正常更加具有代表性的特征。
第三,传统的医学图像识别是基于传统的算法包括隐马尔可夫链,基于几何特征的算法以及经典的机器学习算法例如支持向量机来用做图像的分类,但是其缺点十分明显,一方面传统算法极大程度依赖于的人工提取的特征,并且数据的计算十分复杂,特征的提取也是在人工提取的特征上进行精炼,从而降低了训练所得模型的泛化能力,除此之外,在模型的准确率难以达到要求,并且目前对于脑梗死以及脑正常图像的研究,针对于深度学习来说,大多数采用单一的网络进行研究学习,而对于本发明采用的对图像进行并行计算并且在全连接层之前进行特征的融合以提取到高层次具体化的特征即将CT和MR图像同时但分别输入到架构好的两组网络中进行训练,并且通过卷积、池化等操作对CT和MR图像进行特征的并行提取,将学习到的特征一步步具象化,学习得到层次化的特征表示,不局限于人所定义的特征,从而更加有利于不仅对于脑梗死的分类有所提升,并且在普通疾病分类检测方面也有研究的潜力,对于模型的泛化能力的表现也优于传统算法。
附图说明
图1是本发明方法的流程图;
图2是本发明网络的总体结构图;
图3是本发明一实施例的残差模块内部结构示意图。
具体实施方式
为使本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合所附图作详细说明如下。
本发明提供一种基于深度学习的脑梗死分类方法,如图1所示,该方法包括训练阶段和测试阶段;所述训练阶段包括如下步骤:
第一步,具有脑梗死经验的医生挑选脑梗死以及脑正常的原始数据,具体从DICOM医学图像中提取对应的CT和MR医学影像信息,并以JPG格式存储,其中本发明获取了4000张用作初期的训练数据集,训练数据集中脑正常和脑梗死的比例为1:1,脑正常和脑梗死数据中MR和CT比例为1:1,另挑选MR和CT图像各250张,其中脑正常和脑梗死的比例也为1:1,得到初期的测试集,分别对脑梗死和脑出血脑正常的图像标记为0和1,其中CT为一组,MR为另一组,每组包括脑出血脑正常和脑梗死两类,并保存成txt格式用作后续训练,除此之外,将CT以及MR图片大小归一化为512*512,构建得到训练数据集和测试数据集;
第二步,将上述训练数据输入并行残差网络中训练网络参数。所述深度参差网络主要是利用了恒等变换所述深度残差网络结构如图2所示,整个网络有18层。在初始卷积层之后,分为多个残差模块。每个残差模块在一开始分为一条主径和一条捷径,其中主径上分为2个小模块,每个模块包含Convolution、Batch Normalization层结构且模块用于提取图像的各类深层特征同时归类;捷径上只存在一个模块(只包含Convolution)或者可以不存在模块。在经过主径和捷径之后对得到的特征进行特征值相加,并且也不改变通道数其中Convolution实现特征的层次化表示,增强特征的表示性以及可解释性,;BatchNormalization减均值除方差,把每一层的输出均值和方差规范化,将输出从饱和区拉倒了非饱和区(导数),很好的解决了梯度消失问题;ReLU会使一部分神经元的输出为0,这样就造成了网络的稀疏性,并且减少了参数之间互相依存的关系,缓解了过拟合的发生;最后部分是全连接层,输入为2048,输出为1000的节点,将之前的卷积特征进行分类,以softmax的形式得出输出结果。
图3为本发明一实施例的残差模块内部结构示意图。采用主路径和捷径的思想,在主路径分别经过max-pooling,3层卷积;捷径采用1层卷积或者不采用卷积;并且在每个卷积和池化中都包含Batch Normalization,以用来保证输入的特征信息的均值等于0,方差等于1,从而加速训练模型。最后将主径得到的结果和捷径得到的结果经过融合层。
进一步地,所述残差模块的融合层的操作为简单的将主径和捷径得到的结果通过简单的值得叠加从而得到新的结果,通道数保持不变;
第五步,保存调整后的参数,得到脑梗死识别模型。
继续参考图2,所述测试阶段包括如下步骤:
将预处理后的测试数据集输入到得到的脑梗死识别模型中进行识别,得到识别结果。
以上实施仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的精神和范围,本发明的保护范围应以权利要求书所述为准。
Claims (1)
1.一种基于深度学习的脑梗死分类方法,其特征在于,步骤如下:
步骤(1)、数据预处理
首先通过具有脑梗死诊断经验的医生选取脑梗死CT以及MR的DICOM医学图像,并且选取MR和CT各1000张正常的脑图像作为对照,构成初期的训练数据集,另挑选MR和CT图像各250张,其中脑正常和脑梗死的比例也为1:1,构成初期的测试集;
对获得的DICOM医学图像数据进行预处理, 从DICOM医学图像中提取信息得到JPG格式图片,得到脑梗死MR和CT的JPG图,将图像大小统一为512*512,并且将脑梗死图像标记为1,脑正常图像标记为0,从而得到训练数据集以及测试数据集;
步骤(2)、将训练数据集输入到深度残差网络中训练网络参数,其中CT图像为一组训练,MR为一组训练,在经过部分残差网络卷积后进行特征相加得到新的特征之后,输入到残差网络的全连接层进行特征叠加,保存调整后的参数,得到脑梗死识别模型;
步骤(3)、对步骤(1)预处理后的测试数据集输入脑梗死识别模型中进行识别,得到识别结果;
步骤(2)中所述深度残差网络包括两个部分残差网络、一全连接层和一输出层;所述的部分残差网络包括一输入层、一初始卷积层和多个残差模块,其中一个部分残差网络训练MR图像,另一个部分残差网络训练CT图像;
所述初始卷积层对原始训练数据进行卷积提取抽象化特征;
所述多个残差模块一方面用于对初始卷积层提取的抽象化特征进行再一次提取,精炼为更加具体并且具有代表性的特征,另一方面用于防止因网络深度增加所引起的梯度爆炸和梯度消失现象的产生;
所述特征叠加方式即将卷积后得到的CT和MR图像的特征进行权重的相加,而不是通道的扩展;
所述全连接层包括多个节点,用于将特征相加后的特征进行进一步组合,用于后续分类;
每个残差模块分为一条主径和一条捷径,主径用于特征的进一步压缩提取,捷径用于保证残差网络学习恒等函数非常容易,从而保证网络的性能不会受到影响;
在第一个残差模块前存在一个pooling最大池化操作,用于特征维度的压缩以减少过拟合现象的产生; 在每个残差块中存在卷积,池化以及Batch Normaliztion批量归一化,提高训练速度以及准确度,其中批量归一化即减均值除方差,把每一层的输出均值和方差规范化,将输出从饱和区拉倒了非饱和区,解决了梯度消失问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010300110.5A CN111612739B (zh) | 2020-04-16 | 2020-04-16 | 一种基于深度学习的脑梗死分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010300110.5A CN111612739B (zh) | 2020-04-16 | 2020-04-16 | 一种基于深度学习的脑梗死分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612739A CN111612739A (zh) | 2020-09-01 |
CN111612739B true CN111612739B (zh) | 2023-11-03 |
Family
ID=72202035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010300110.5A Active CN111612739B (zh) | 2020-04-16 | 2020-04-16 | 一种基于深度学习的脑梗死分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612739B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361655B (zh) * | 2021-07-12 | 2022-09-27 | 武汉智目智能技术合伙企业(有限合伙) | 一种基于残差网络与特征差拟合的异纤分类方法 |
CN115115628B (zh) * | 2022-08-29 | 2022-11-22 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于三维精细化残差网络的腔隙性脑梗死识别系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784324A (zh) * | 2017-10-17 | 2018-03-09 | 杭州电子科技大学 | 基于深度残差网络的白血细胞多分类识别方法 |
KR101854071B1 (ko) * | 2017-01-13 | 2018-05-03 | 고려대학교 산학협력단 | 딥러닝을 사용하여 관심 부위 이미지를 생성하는 방법 및 장치 |
CN108428229A (zh) * | 2018-03-14 | 2018-08-21 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
US10475182B1 (en) * | 2018-11-14 | 2019-11-12 | Qure.Ai Technologies Private Limited | Application of deep learning for medical imaging evaluation |
WO2020007277A1 (zh) * | 2018-07-05 | 2020-01-09 | 北京推想科技有限公司 | 一种基于深度学习的计算脑出血量的方法 |
EP3611699A1 (en) * | 2018-08-14 | 2020-02-19 | Siemens Healthcare GmbH | Image segmentation using deep learning techniques |
CN110910377A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI689875B (zh) * | 2018-06-29 | 2020-04-01 | 由田新技股份有限公司 | 利用深度學習系統的自動光學檢測分類設備及其訓練設備 |
-
2020
- 2020-04-16 CN CN202010300110.5A patent/CN111612739B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101854071B1 (ko) * | 2017-01-13 | 2018-05-03 | 고려대학교 산학협력단 | 딥러닝을 사용하여 관심 부위 이미지를 생성하는 방법 및 장치 |
CN107784324A (zh) * | 2017-10-17 | 2018-03-09 | 杭州电子科技大学 | 基于深度残差网络的白血细胞多分类识别方法 |
CN108428229A (zh) * | 2018-03-14 | 2018-08-21 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
WO2019174376A1 (zh) * | 2018-03-14 | 2019-09-19 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
WO2020007277A1 (zh) * | 2018-07-05 | 2020-01-09 | 北京推想科技有限公司 | 一种基于深度学习的计算脑出血量的方法 |
EP3611699A1 (en) * | 2018-08-14 | 2020-02-19 | Siemens Healthcare GmbH | Image segmentation using deep learning techniques |
US10475182B1 (en) * | 2018-11-14 | 2019-11-12 | Qure.Ai Technologies Private Limited | Application of deep learning for medical imaging evaluation |
CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
CN110910377A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
Non-Patent Citations (4)
Title |
---|
A patient-adapting heartbeat classifier using ECG morphology and heartbeat interval features;De Chazal P et al;《IEEE transactions on biomedical engineering》;全文 * |
Deep Learning IoT System for Online Stroke Detection in Skull Computed Tomography Images;Dourado Carlos M et al;《Computer Networks》;全文 * |
人工神经网络在脑卒中早期快速分类诊断中的应用;李雅洁;吴伟;周宝森;;实用医学杂志(10);全文 * |
基于BiGRU深度神经网络的心肌梗死检测;张行进;李润川;赵红领;王宗敏;;计算机应用与软件(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111612739A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446730B (zh) | 一种基于深度学习的ct肺结节检测装置 | |
Lin et al. | Automatic retinal vessel segmentation via deeply supervised and smoothly regularized network | |
Tang et al. | A multi-stage framework with context information fusion structure for skin lesion segmentation | |
Xu et al. | Multi-stream attention-aware graph convolution network for video salient object detection | |
CN111985538A (zh) | 基于语义辅助注意力机制的小样本图片分类模型及方法 | |
CN112150476A (zh) | 基于时空判别性特征学习的冠状动脉序列血管分割方法 | |
CN111612739B (zh) | 一种基于深度学习的脑梗死分类方法 | |
CN113706388B (zh) | 图像超分辨率重建方法及装置 | |
CN115375711A (zh) | 基于多尺度融合的全局上下文关注网络的图像分割方法 | |
CN114463605A (zh) | 基于深度学习的持续学习图像分类方法及装置 | |
Li et al. | NIA-Network: Towards improving lung CT infection detection for COVID-19 diagnosis | |
Wang et al. | Global contextual guided residual attention network for salient object detection | |
Guo et al. | CAFR-CNN: coarse-to-fine adaptive faster R-CNN for cross-domain joint optic disc and cup segmentation | |
Ma et al. | Cross-scale fusion and domain adversarial network for generalizable rail surface defect segmentation on unseen datasets | |
CN112541566B (zh) | 一种基于重构损失的图像翻译方法 | |
Zhai et al. | Coronary artery vascular segmentation on limited data via pseudo-precise label | |
Ji | Gradient-based interpretation on convolutional neural network for classification of pathological images | |
Yuan et al. | M $^ 3$ Net: Multilevel, Mixed and Multistage Attention Network for Salient Object Detection | |
CN117132849A (zh) | 基于ct平扫影像与图神经网络的脑卒中出血转化预测方法 | |
Ullah et al. | DSFMA: Deeply supervised fully convolutional neural networks based on multi-level aggregation for saliency detection | |
CN114463320B (zh) | 一种磁共振成像脑胶质瘤idh基因预测方法及系统 | |
CN115147426A (zh) | 基于半监督学习的模型训练与图像分割方法和系统 | |
Ni et al. | SFA-Net: Scale and Feature Aggregate Network for Retinal Vessel Segmentation | |
Yan et al. | Two and multiple categorization of breast pathological images by transfer learning | |
CN114332491A (zh) | 一种基于特征重构的显著性目标检测算法 |
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 |