CN111626379A - 肺炎x光图像检测方法 - Google Patents

肺炎x光图像检测方法 Download PDF

Info

Publication number
CN111626379A
CN111626379A CN202010644916.6A CN202010644916A CN111626379A CN 111626379 A CN111626379 A CN 111626379A CN 202010644916 A CN202010644916 A CN 202010644916A CN 111626379 A CN111626379 A CN 111626379A
Authority
CN
China
Prior art keywords
feature map
value
feature
pneumonia
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.)
Granted
Application number
CN202010644916.6A
Other languages
English (en)
Other versions
CN111626379B (zh
Inventor
滕皓
陆慧娟
朱文杰
严珂
叶敏超
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.)
China Jiliang University
Original Assignee
China Jiliang 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 China Jiliang University filed Critical China Jiliang University
Priority to CN202010644916.6A priority Critical patent/CN111626379B/zh
Publication of CN111626379A publication Critical patent/CN111626379A/zh
Application granted granted Critical
Publication of CN111626379B publication Critical patent/CN111626379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray 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
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种肺炎X光图像检测方法，包括以下步骤：1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；2)用目标检测模型RetinaNet对训练数据进行训练，最终得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据处理结果调整卷积操作的卷积核参数；4)输入待检测肺炎X光图像至训练好的目标检测模型，所述目标检测模型输出检测结果。本发明提高了模型训练精度，使得预测结果更准确。

Description

肺炎X光图像检测方法
技术领域
本发明属于图像信息技术领域，具体涉及一种肺炎X光图像检测方法。
背景技术
肺炎可以引起呼吸衰竭、败血症以及全身器官的衰竭，它的危害不容忽视。因此，对于肺炎的诊断和治疗是刻不容缓的。2020年初爆发的新型冠状病毒(2019-nCoV)就有可能导致肺炎。
目标检测是当前计算机视觉中的一个重要环节，算法输入一张肺炎X光图像，经过测试，该算法用一个矩形框定位肺炎病灶。由于肺炎X光图像的纹理信息较多，而语义信息较少，需要采用深度卷积网络提取语义特征。而且肺炎X光图像的通道数单一、病灶边界框模糊，定位问题难度上升。
目前应用在肺炎X光图像中的目标检测包括SSD、Mask RCNN、Faster RCNN、RetinaNet 等，以上模型都采用深度学习的技术，步骤大致分为两步，第一步提取图像的特征，第二步预测图像中存在目标的矩形框坐标以及它的类别。其中用到一种先验框的技术，称为锚框，每个锚框预测一个目标类别以及一组坐标。在RetinaNet中就用到了锚框技术，RetinaNet是一阶段目标检测模型，结合FPN50以及Focal Loss技术预测目标矩形框以及类别，但是其中仍然存在以下问题：
(1)由于肺炎X光图像边界框模糊，而模型损失函数中定位损失以及分类损失地位相同，易导致定位问题的训练失败。
(2)在RetinaNet模型提取特征时，用到的Relu激活函数在负输入时值为0，易导致负输入的神经元梯度为0导致失效。
(3)在RetinaNet模型提取特征时，卷积神经网路虽然加强了每个通道平面上像素间的联系，而通道与通道之间的信息没有联系。
发明内容
有鉴于此，为了解决上述现有技术问题，本发明提出了一种提高模型训练精度的肺炎X光图像检测方法，提高了检测准确度。
本发明的技术解决方案是，提供了一种肺炎X光图像检测方法，包括以下步骤：
1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；
2)用目标检测模型RetinaNet对训练数据进行训练，所述目标检测模型RetinaNet包括特征提取网络和预测网络，所述特征提取网络包括第一特征网络ResNet50和第二特征网络FPN，所述第一特征网络ResNet50对训练数据集中的肺炎X光图像依次进行下采样和卷积操作，获得第一特征图C1、第二特征图C2、第三特征图C3、第四特征图C4和第五特征图C5，所述第二特征网络FPN对第五特征图C5依次进行下采样和卷积，获得第六特征图P6和第七特征图P7；
第五特征图C5作为输入预测网络的特征图P5，对第五特征图C5进行上采样，得到特征图A5，所述第四特征图经过全局池化得到的向量与C4相乘的结果特征图与特征图 A5叠加，得到特征图P4，对特征图P4进行上采样得到特征图A4，所述第三特征图经过全局池化得到的向量与C3相乘的结果特征图与特征图A4叠加得到特征图P3，
所述预测网络接收特征图P3、特征图P4、特征图P5、第六特征图P6和第七特征图P7，将特征图P3、特征图P4、特征图P5、第六特征图P6和第七特征图P7经过卷积得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；
3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据所述损失函数的处理结果调整所述第一特征网络和第二特征网络中卷积操作的卷积核，以优化所述目标检测模型RetinaNet，利用验证集数据集对所述目标检测模型RetinaNet予以验证，从而完成所述目标检测模型RetinaNet的训练；
4)输入待检测肺炎X光图像至训练好的目标检测模型RetinaNet，所述目标检测模型RetinaNet输出检测结果。
可选的，步骤2)中，每次下采样和卷积后输入Mish激活函数处理，通过所述Mish激活函数进行特征提取得到相应的特征图。
可选的，将所述全局池化，采用以下公式实现：
Figure BDA0002572670860000021
在公式中pi,j代表图像(i,j)位置处的像素值，H、W代表特征图的高和宽；经过以上操作得到一个向量。
可选的，植入自适应权值，获得定位损失函数和分类损失函数，所述定位损失函数为：
Figure BDA0002572670860000031
分类损失函数公式为：
Figure BDA0002572670860000032
r可以控制权重随时间变化的速率，r的取值范围为100～1000；α取值为2～5，本发明中取值为自然底数e，而β可以调整初始权重，取值范围为2～5，本发明中取值为自然底数e，t为step数目，在训练的过程中，设置t值为0，每经过一个step，t自增1， x为定位信息的预测值与真实值的差值，p为预测的分类信息与真实值的差值。
本发明与现有技术相比，具有如下优点：
本发明中，在肺炎X光图像检测方法中，自适应权值的损失函数使得肺炎X光检测的回归问题的训练强度得到增加，在没有提升模型训练负担，没有增加模型的参数的条件下，有效降低损失函数的值；采用Mish激活函数使得负输入的神经元得到很好地利用，防止训练过程中信息的更多丢失；特征图的通道之间产生联系，识别的图像更清晰，植入权重值使得卷积网络的通道选择更加灵活。综上，本发明提高了模型的训练精度，提高了图像检测精度。
附图说明
图1是本发明的模型框架图。
图2是Mish激活函数图像。
具体实施方式
以下结合附图对本发明的优选实施例进行详细描述，但本发明并不仅仅限于这些实施例。本发明涵盖任何在本发明的精神和范围上做的替代、修改、等效方法以及方案。
为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。
在下列段落中参照附图以举例方式更具体地描述本发明。需说明的是，附图均采用较为简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
本发明的一种肺炎X光图像检测方法，包括以下步骤：
1)对原始肺炎X光数据集按比例进行分割，使之成为两个部分，一部分用来训练，为训练数据集，另一部分用来验证，为验证数据集；
2)用目标检测模型RetinaNet对训练数据进行训练，所述目标检测模型RetinaNet包括特征提取网络和预测网络，所述特征提取网络包括第一特征网络ResNet50和第二特征网络FPN(所述特征网络已在深度学习代码框架Pytorch中被实现)，所述第一特征网络ResNet50对训练数据集中的肺炎X光图像依次进行下采样和卷积操作，获得第一特征图C1、第二特征图C2、第三特征图C3、第四特征图C4和第五特征图C5，所述第一特征网络FPN对第五特征图C5依次进行下采样和卷积，获得第六特征图P6和第七特征图P7；
第五特征图C5作为输入预测网络的特征图P5，对第五特征图C5进行上采样，得到特征图A5，所述第四特征图经过全局池化得到的向量与C4相乘的结果特征图与特征图 A5叠加，得到特征图P4，对特征图P4进行上采样得到特征图A4，所述第三特征图经过全局池化得到的向量与C3相乘的结果特征图与特征图A4叠加得到特征图P3，
所述预测网络接收特征图P3、特征图P4、特征图P5、第六特征图P6和第七特征图P7，将特征图P3、特征图P4、特征图P5、第六特征图P6和第七特征图P7经过卷积得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；
3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据所述损失函数的处理结果调整所述第一特征网络和第二特征网络中卷积操作的卷积核，以优化所述目标检测模型RetinaNet，利用验证集数据集对所述目标检测模型RetinaNet予以验证，从而完成所述目标检测模型RetinaNet的训练；
4)输入待检测肺炎X光图像至训练好的目标检测模型RetinaNet，所述目标检测模型RetinaNet输出检测结果。
步骤2)中，每次下采样和卷积后输入Mish激活函数处理，通过所述Mish激活函数进行特征提取得到相应的特征图。
将所述全局池化，采用以下公式实现：
Figure BDA0002572670860000041
在公式中pi,j代表图像(i,j)位置处的像素值，H、W代表特征图的高和宽；经过以上操作得到一个向量。
植入自适应权值，获得定位损失函数和分类损失函数，所述定位损失函数为：
Figure BDA0002572670860000051
分类损失函数公式为：
Figure BDA0002572670860000052
r可以控制权重随时间变化的速率，r的取值范围为100～1000；α取值为2～5，本发明中取值为自然底数e，而β可以调整初始权重，取值范围为2～5，本发明中取值为自然底数e，t为step数目，在训练的过程中，设置t值为0，每经过一个step，t自增1， x为定位信息的预测值与真实值的差值，p为预测的分类信息与真实值的差值。
卷积操作中卷积核为参数，自图像左上角至右下角遍历图像，对应元素相乘得到另一张图像，将该图像所得到的值作为Mish激活函数的输入，得到Mish激活函数的输出值即为特征图。将得到的预测结果与数据集的真实值输入到损失函数中，计算损失函数的值，该值为该模型的误差值，计算损失函数的微分值，对卷积核参数进行更新迭代，最终得到局部最优解。预测时，将图像输入模型，首先提取特征得到预测值，此时该预测值无需再次计算损失函数，表现为图像中的病灶的检测框。
本发明中，用采用Mish激活函数代替现有技术的Relu激活函数，现有技术的Relu激活函数公式如下：
Figure BDA0002572670860000053
Mish激活函数公式如下：
Mish(x)＝x*tanh(ln(1+ex)) (2)
梯度下降过程求微分，若等于0的话会丢失信息，在x＜0处，Mish激活函数具有一定曲率，使得梯度不为0，从而使得输入为负值的神经元保持有效。
在图1中，输入图像为一张肺炎X光图像，该模型将FPN(Feature PyramidNetworks) 与ResNet50结合，原始图像大小为3×1024×1024，由于显存的限制，将其重设置大小为3×416×416。原始图像经过两次下采样得到C1，其大小为3×104×104，接着经过卷积得到C2，其大小为3×104×104；然后经过一次下采样得到C3，其大小为3×52×52，再经过一次下采样得到C4，其大小为3×26×26，接着又经过一次下采样得到C5，其大小为3×13×13，再次经过一次下采样得到P6，其大小为3×7×7，最后经过一次下采样得到P7，其大小为3×4×4。以上过程将P6,P7,C5作为输出。以上涉及图像尺寸仅为例子，实际可以根据场合调整。
首先将C5进行一次上采样记为A5，然后将C4进行一次全局池化，全局池化公式如下所示：
Figure BDA0002572670860000061
在公式中pi,j代表图像(i,j)位置处的像素值，H、W代表特征图的高和宽。经过以上操作得到一个向量，该向量与C4作乘法，得到通道信息经过加强与减弱后的特征图，将其与A5相加得到P4；同样地将P4上采样记为A4，将C3进行全局池化，得到一个向量，该向量与C3作乘法得到通道信息经过加强与减弱后的特征图，将其与A4相加得到P3。最终将P3、P4作为输出。特征图的通道之间产生联系，识别的图像更清晰。
将得到的P3、P4、P5、P6、P7作为预测结果，每一个像素采用9个预测框，将结果经过卷积得到预测值，其大小为9×4，代表每个锚框四个坐标值；9×1，代表每个锚框一个预测值，预测该锚框是否包含肺炎病灶的概率。
其损失函数为Focal Loss，定位损失采用的是smooth L1,公式如下所示：
Figure BDA0002572670860000062
分类损失采用的是Focal Loss，公式如下所示：
FL(pt)＝-αt(1-pt)γlog(pt)
Figure BDA0002572670860000063
应用一个对数函数来设置损失函数的权值:
Figure BDA0002572670860000064
在公式(1)中，r可以控制权重随时间变化的速率，r的取值范围为100～1000；α取值为2～5，本专利取值为自然底数e，而β可以调整初始权重，取值范围为2～5，本专利取值为自然底数e。t为step数目，在训练的过程中，设置t值为0，每经过一个step， t自增1。
植入自适应权值的损失函数，其定位损失函数公式如下：
Figure BDA0002572670860000071
其分类损失函数公式如下所示：
Figure BDA0002572670860000072
保存训练的模型，对每一个模型进行测试，记录每个模型的平均精度，总计100个模型，选取最高精度模型最为最终结果。
本发明的动态损失函数能优选完成简单的任务，困难的任务后面完成，有利于训练，完成简单任务获得的信息能用于解决困难的任务。
虽然以上将实施例分开说明和阐述，但涉及部分共通之技术，在本领域普通技术人员看来，可以在实施例之间进行替换和整合，涉及其中一个实施例未明确记载的内容，则可参考有记载的另一个实施例。
以上仅就本发明较佳的实施例作了说明，但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例，其具体结构允许有变化。总之，凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。

Claims (4)

1.一种肺炎X光图像检测方法，其特征在于：包括如下步骤：
1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；
2)用目标检测模型RetinaNet对训练数据进行训练，所述目标检测模型RetinaNet包括特征提取网络和预测网络，所述特征提取网络包括第一特征网络ResNet50和第二特征网络FPN，所述第一特征网络ResNet50对训练数据集中的肺炎X光图像依次进行下采样或卷积操作，获得第一特征图C1、第二特征图C2、第三特征图C3、第四特征图C4和第五特征图C5，所述第二特征网络FPN对第五特征图C5依次进行下采样和卷积，获得第六特征图P6和第七特征图P7；
第五特征图C5作为输入预测网络的特征图P5，对第五特征图C5进行上采样，得到特征图A5，所述第四特征图经过全局池化得到的向量与C4相乘的结果特征图与特征图A5叠加，得到特征图P4，对特征图P4进行上采样得到特征图A4，所述第三特征图经过全局池化得到的向量与C3相乘的结果特征图与特征图A4叠加得到特征图P3，
所述预测网络接收特征图P3、特征图P4、特征图P5、第六特征图P6和第七特征图P7，将特征图P3、特征图P4、特征图P5、第六特征图P6和第七特征图P7经过卷积得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；
3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据所述损失函数的处理结果调整所述第一特征网络和第二特征网络中卷积操作的卷积核，以优化所述目标检测模型RetinaNet，利用验证集数据集对所述目标检测模型RetinaNet予以验证，从而完成所述目标检测模型RetinaNet的训练；
4)输入待检测肺炎X光图像至训练好的目标检测模型RetinaNet，所述目标检测模型RetinaNet输出检测结果。
2.根据权利要求1所述的肺炎X光图像检测方法，其特征在于：步骤2)中，每次下采样和卷积后输入Mish激活函数处理，通过所述Mish激活函数进行特征提取得到相应的特征图。
3.根据权利要求1所述的肺炎X光图像检测方法，其特征在于：将所述全局池化，采用以下公式实现：
Figure FDA0002572670850000021
在公式中pi,j代表图像(i,j)位置处的像素值，H、W代表特征图的高和宽；经过以上操作得到一个向量。
4.根据权利要求1、2或3所述的肺炎X光图像检测方法，其特征在于：植入自适应权值，获得定位损失函数和分类损失函数，所述定位损失函数为：
Figure FDA0002572670850000022
分类损失函数公式为：
Figure FDA0002572670850000023
r可以控制权重随时间变化的速率，r的取值范围为100～1000；α取值为2～5，本发明中取值为自然底数e，而β可以调整初始权重，取值范围为2～5，本发明中取值为自然底数e，t为step数目，在训练的过程中，设置t值为0，每经过一个step，t自增1，x为定位信息的预测值与真实值的差值，p为预测的分类概率与真实值的差值。
CN202010644916.6A 2020-07-07 2020-07-07 肺炎x光图像检测方法 Active CN111626379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010644916.6A CN111626379B (zh) 2020-07-07 2020-07-07 肺炎x光图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010644916.6A CN111626379B (zh) 2020-07-07 2020-07-07 肺炎x光图像检测方法

Publications (2)

Publication Number Publication Date
CN111626379A true CN111626379A (zh) 2020-09-04
CN111626379B CN111626379B (zh) 2024-01-05

Family

ID=72260432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010644916.6A Active CN111626379B (zh) 2020-07-07 2020-07-07 肺炎x光图像检测方法

Country Status (1)

Country Link
CN (1) CN111626379B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112652398A (zh) * 2020-12-22 2021-04-13 浙江大学 一种基于机器学习算法的新冠肺炎重症化预测方法及系统
CN112669312A (zh) * 2021-01-12 2021-04-16 中国计量大学 一种基于深度特征对称融合的胸片肺炎检测方法及系统
CN114266735A (zh) * 2021-12-07 2022-04-01 河海大学 一种胸部x光图像病变异常检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292887A (zh) * 2017-06-20 2017-10-24 电子科技大学 一种基于深度学习自适应权重的视网膜血管分割方法
CN110008925A (zh) * 2019-04-15 2019-07-12 中国医学科学院皮肤病医院 一种基于集成学习的皮肤自动检测方法
CN110517262A (zh) * 2019-09-02 2019-11-29 上海联影医疗科技有限公司 目标检测方法、装置、设备及存储介质
US20200012904A1 (en) * 2018-07-03 2020-01-09 General Electric Company Classification based on annotation information
CN110717532A (zh) * 2019-09-27 2020-01-21 广东工业大学 基于SE-RetinaGrasp模型的机器人目标抓取区域实时检测方法
CN111209917A (zh) * 2020-01-03 2020-05-29 天津大学 一种肺炎检测装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292887A (zh) * 2017-06-20 2017-10-24 电子科技大学 一种基于深度学习自适应权重的视网膜血管分割方法
US20200012904A1 (en) * 2018-07-03 2020-01-09 General Electric Company Classification based on annotation information
CN110008925A (zh) * 2019-04-15 2019-07-12 中国医学科学院皮肤病医院 一种基于集成学习的皮肤自动检测方法
CN110517262A (zh) * 2019-09-02 2019-11-29 上海联影医疗科技有限公司 目标检测方法、装置、设备及存储介质
CN110717532A (zh) * 2019-09-27 2020-01-21 广东工业大学 基于SE-RetinaGrasp模型的机器人目标抓取区域实时检测方法
CN111209917A (zh) * 2020-01-03 2020-05-29 天津大学 一种肺炎检测装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ILYAS SIRAZITDINOV等: "Deep neural network ensemble for pneumonia localization from a large-scale chest x-ray database" *
张物华;李锵;关欣;: "基于多尺度卷积神经网络的X光图像中肺炎病灶检测" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112652398A (zh) * 2020-12-22 2021-04-13 浙江大学 一种基于机器学习算法的新冠肺炎重症化预测方法及系统
CN112669312A (zh) * 2021-01-12 2021-04-16 中国计量大学 一种基于深度特征对称融合的胸片肺炎检测方法及系统
CN114266735A (zh) * 2021-12-07 2022-04-01 河海大学 一种胸部x光图像病变异常检测方法
CN114266735B (zh) * 2021-12-07 2024-06-07 河海大学 一种胸部x光图像病变异常检测方法

Also Published As

Publication number Publication date
CN111626379B (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN111784671B (zh) 基于多尺度深度学习的病理图像病灶区域检测方法
CN110930416B (zh) 一种基于u型网络的mri图像前列腺分割方法
WO2018108129A1 (zh) 用于识别物体类别的方法及装置、电子设备
CN112132959B (zh) 数字岩心图像处理方法、装置、计算机设备及存储介质
CN111626379A (zh) 肺炎x光图像检测方法
CN109271958B (zh) 人脸年龄识别方法及装置
US10783643B1 (en) Segmentation-based damage detection
CN111275686B (zh) 用于人工神经网络训练的医学图像数据的生成方法及装置
CN112669323B (zh) 图像处理方法及相关设备
CN109815931B (zh) 一种视频物体识别的方法、装置、设备以及存储介质
CN110245620B (zh) 一种基于注意力的非最大化抑制方法
CN111652317A (zh) 基于贝叶斯深度学习的超参数图像分割方法
CN116645592B (zh) 一种基于图像处理的裂缝检测方法和存储介质
CN112884668A (zh) 基于多尺度的轻量级低光图像增强方法
CN115082676A (zh) 一种伪标签模型的训练方法、装置、设备及存储介质
CN113269774B (zh) 一种mri图像的帕金森病分类及标注病灶区域的方法
CN117831121A (zh) 一种基于深度学习的多人人体姿态估计方法
CN116823848A (zh) 基于图像融合技术的多模态脑肿瘤分割方法
CN115965637A (zh) 管状结构分割的设备和方法
CN115457023A (zh) 基于图卷积的视网膜血管轮廓及高不确定度区域的图像细化分割方法
CN111882551B (zh) 病理图像细胞计数方法、系统及装置
CN112508168B (zh) 基于预测框自动修正的边框回归神经网络构建方法
CN113034473A (zh) 基于Tiny-YOLOv3的肺炎图像目标检测方法
CN112509052A (zh) 黄斑中心凹的检测方法、装置、计算机设备和存储介质
CN111080588A (zh) 基于多尺度神经网络的快速胎儿mr图像大脑提取方法

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