CN111680687B - 一种应用于乳腺x线图像异常识别的深度融合分类方法 - Google Patents
一种应用于乳腺x线图像异常识别的深度融合分类方法 Download PDFInfo
- Publication number
- CN111680687B CN111680687B CN202010526315.5A CN202010526315A CN111680687B CN 111680687 B CN111680687 B CN 111680687B CN 202010526315 A CN202010526315 A CN 202010526315A CN 111680687 B CN111680687 B CN 111680687B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- roi
- channels
- convolution
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种应用于乳腺X线图像异常识别的深度融合模型及其分类方法,涉及图像处理方法技术领域,该方法对乳腺X线图像进行预处理以去除噪声并提高图像质量;收集异常组织图像类别(即良性和恶性)的感兴趣区域(ROI),并从正常组织图像类别的随机位置提取ROI;从ROI图像中随机提取更小的ROI子块图像;构建深度融合模型,并采用ROI子块图像训练深度融合模型;使用多数表决完成每一个ROI图像的分类,以获得最终预测,该方法融合所有预训练VGG16五个块的深度信息,使得每一个模块的不同通道之间的信息将高度相关,1×1卷积层将整合跨通道信息并进一步实现降维,并可以有效地减少模型参数,从而提升模型的性能。
Description
技术领域
本发明涉及图像处理方法技术领域,具体涉及一种应用于乳腺X线图像异常识别的深度融合分类方法。
背景技术
乳腺癌是女性最常见的癌症类型之一。早期发现和治疗可以有效提高治愈率并降低死亡率,早期诊断和治疗可以将乳腺癌的治愈率从40%提高到90%。使用乳腺X线图像检测乳腺癌是一种高效低成本的技术,放射线医师可以通过分析这些图像进行诊断。然而,每天产生的大量乳腺X线照片的检测工作给放射科医生带来了巨大的工作量,并有可能发生错误诊断。因此,开发计算机辅助诊断(CAD)系统可以有效地减轻放射科医生的压力并提高诊断准确性。CAD可以帮助放射科医师区分正常或异常组织并诊断病理阶段。用于乳腺X线图像的自动诊断系统需要提取感兴趣区域(ROI),然后将ROI分类为正常或异常(即良性和恶性)组织。这项任务非常具有挑战性,因为钙化或肿块的形状和纹理信息互不相同,而且血管和肌肉纤维的存在也对鲁棒的识别任务产生干扰。这些因素使得模型很难找到合适的区分正常或异常组织的模式。
为了解决这个问题,越来越多的技术被提出。研究工作主要集中在特征提取和分类模型选择上。例如通过提取基于Gabor特征、基于二维Haar小波特征、以及基于词袋模型(BOF)特征,获取这些特征后通过使用支持向量机等分类方法完成正常和异常组织分类问题。
最近,越来越多的研究人员开始研究将深度学习模型应用到乳腺X线图像异常识别上。例如使用基于迁移学习的深度模型来提取乳腺病变的深度特征、应用卷积神经网络(CNN)来识别异常、采用迁移学习方法对收集的乳腺肿块进行分类等。但是现有的技术存在以下问题:
(1)现有的技术并没有事先确定感兴趣区域图像隐含模式的具体数量,对进行几分类并没有给出具体指导意见。
(2)现有技术在原始提取的ROI图像上提取深度特征并完成分类。
(3)基于预训练深度学习模型,例如VGG16等模型,并没有充分覆盖深度学习模型不同层次深度信息的“粒度”和挖掘各模块不同通道之间的跨通道信息。
发明内容
本发明提供了一种应用于乳腺X线图像异常识别的深度融合分类方法,用以解决背景技术中提出的问题。
一种应用于乳腺X线图像异常识别的深度融合分类方法,包括如下步骤:
S1:图像预处理;
对乳腺X线图像进行预处理以去除噪声并提高图像质量;
S2:提取正常组织和异常组织图像感兴趣区域ROI;
收集异常组织图像类别(即良性和恶性)的感兴趣区域(ROI),并从正常组织图像类别的随机位置提取ROI;
S3:提取ROI子块;
从ROI图像中随机提取更小的ROI子块图像,原始的ROI图像大小为120×120像素,ROI子块图像大小为72×72像素,ROI子块需要通过逐子块中心化和数据增强来重新处理;
S4:构建深度融合模型;
构建深度融合模型,并采用ROI子块图像训练深度融合模型;
S5:完成ROI图像的分类;
使用多数表决完成每一个ROI图像的分类,以获得最终预测。进一步地,步骤S4ROI子块图像训练深度融合模型具体步骤为:
S41:将ROI子块图像送入VGG16卷积层模块,依次通过五个卷积块进行处理,提取具有判别性的深度特征;
S42:将每个卷积块的每个池化层分别送入L1~L5分支,并将每一分支导出的GAP信息连接起来形成更长的全局平均池化层GAP,L1~L4分支均包括批归一化层、平均池化层和1×1卷积核的卷积层,L5分支包括批归一化层、1×1卷积核的卷积层;
S43:将全局平均池化层连接到批归一化层,再经过全连接层1和全连接2微调后而输出;
进一步地,步骤S5 ROI图像的分类具体步骤为:先对从一张ROI图像i提取的所有子块进行预测,然后我们通过多数投票策略获得ROI图像i的最终预测,如下所示:
其中xi表示图像i,lj(xi)表示ROI图像i的第j个子块的预测标签,n是图像i的子块总数,n设置为25。
具体的,所述VGG16卷积层模块包括五个卷积块,第一卷积块包括两个3×3卷积核的卷积层,一个池化大小2×2的池化层,卷积层通道数为64;第二卷积块包括两个3×3卷积核的卷积层,一个池化大小为2×2的池化层,卷积层通道数为128;第三卷积块包括三个3×3卷积核的卷积层,一个池化大小为2×2的池化层,卷积层通道数为256;第四卷积块包括三个3×3卷积核的卷积层,一个池化大小2×2的池化层,卷积层通道数为512;第五卷积块包括三个3×3卷积核的卷积层,一个池化大小2×2的池化层,卷积层通道数为512。
具体地,所述L1分支的批归一化层的通道数为64,平均池化层的通道数为64,池化大小为16×16,卷积层的通道数为32,所述L2分支的批归一化层的通道数为128,平均池化层的通道数为128,池化大小为8×8,卷积层的通道数为32,所述L3分支的批归一化层的通道数为256,平均池化层的通道数为256,池化大小为4×4,卷积层的通道数为32,所述L4分支的批归一化层的通道数为512,平均池化层的通道数为512,池化大小2×2,卷积层的通道数为64,所述L5分支的批归一划层的通道数为512,卷积层的通道数为64。
具体地,所述全连接层1和全连接层2的节点数均为1024。
与现有技术相比,本发明的有益效果主要表现在:本发明通过设计了一个基于预训练VGG16的深度融合学习模型,融合所有预训练VGG16五个块的深度信息来改善分类模型的辨别力,使得每一个模块的不同通道之间的信息将高度相关,1×1卷积层将整合跨通道信息并进一步实现降维,并可以有效地减少模型参数,从而提升模型的性能。
附图说明:
图1为本发明使用t-SNE可视化ROI图像的结果展示图;
图2为本发明提供的深度融合模型网络结构框图;
图3位本发明运用深度融合模型开展乳腺X线图像异常识别的整个流程原理框图;
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
如图1所示,一种应用于乳腺X线图像异常识别的深度融合分类方法,包括如下步骤:
S1:图像预处理;
对乳腺X线图像进行预处理以去除噪声并提高图像质量;
S2:提取正常组织和异常组织图像感兴趣区域ROI;
收集异常组织图像类别(即良性和恶性)的感兴趣区域(ROI),并从正常组织图像类别的随机位置提取ROI;
S3:提取ROI子块;
从ROI图像中随机提取更小的ROI子块图像,原始的ROI图像大小为120×120像素,ROI子块图像大小为72×72像素,ROI子块需要通过逐子块中心化和数据增强来重新处理;
S4:构建深度融合模型;
构建深度融合模型,并采用ROI子块图像训练深度融合模型,所述模型的具体网络结构如表1所示,通过t-SNE可视化异常组织图像类别(即良性和恶性)的ROI图像和正常组织图像类别的ROI图像后,我们发现良性和恶性ROI图像共享相似的模式并且彼此缺乏可区分性,而正常类别和异常类别具有一定程度的可区分性,见图1,其中图1中(A)可视化三个类别(即良性,恶性和正常类别),(B)良性和恶性类的可视化,(C)可视化肿瘤(良性和恶性)和正常类。
因此,我们设计的深度融合模型用于区分正常和异常(包括良性和恶性)类别;
S5:完成ROI图像的分类;
使用多数投票完成每一个ROI图像的分类,以获得最终预测。
进一步地,步骤S4 ROI子块图像训练深度融合模型具体步骤为:
S41:将ROI子块图像送入VGG16卷积层模块,依次通过五个卷积块进行处理,提取具有判别性的深度特征;
S42:将每个卷积块的每个池化层分别送入L1~L5分支,并将每一分支导出的GAP信息连接起来形成更长的全局平均池化层GAP,每个卷积块的池化层覆盖了不同的深度信息“粒度”,浅层捕获局部模式(例如边缘),而深层捕获全局模式(例如组织结构),L1~L5分支融合所有五个卷积块的深度信息将有助于改善深度融合模型的辨别力。
L1~L4分支均包括批归一化层、平均池化层和1×1卷积核的卷积层,L5分支包括批归一化层、1×1卷积核的卷积层,所述1×1卷积核的卷积层将整合L1-L5分支信息并进一步实现降维,有效地减少模型参数;其中,批归一化层用来对上一层输入数据进行归一化处理,该层的主要目的是在训练过程中确保每一批数据的分布保持不变;平均池化层的目的是确保L1~L4分支最后输出层的高度和宽度与L5分支的最后输出层的高度和宽度保持一致,因此L5分支不需要再设置平均池化层;1×1卷积核的卷积层的目的主要是实现跨通道信息整合和网络层(通道维度)的降维,这样可以提升网络模型的性能和降低参数;
S43:将全局平均池化层连接到批归一化层,再经过全连接层1和全连接层2微调后而输出;在获得深度特征后,通过上述层完成softmax分类器的学习,目的是完成分类任务。具体来讲,全局平均池化层整合了L1~L5分支的深度融合特征,然后再次通过批归一化层进行数据处理,其次通过两个全连接层学习softmax分类器的权重参数,最终能够完成两路分类任务的预测,即为正常或者异常类别;
进一步地,步骤S5 ROI图像的分类具体步骤为:先对从一张ROI图像i提取的所有子块进行预测,然后我们通过多数投票策略获得ROI图像i的最终预测,如下所示:
其中xi表示图像i,lj(xi)表示ROI图像i的第j个子块的预测标签,n是图像i的子块总数,n设置为25。
进一步地,所述VGG16卷积层模块包括五个卷积块,第一卷积块包括两个3×3卷积核的卷积层,一个池化大小2×2的池化层,卷积层通道数为64;第二卷积块包括两个3×3卷积核的卷积层,一个池化大小为2×2的池化层,卷积层通道数为128;第三卷积块包括三个3×3卷积核的卷积层,一个池化大小为2×2的池化层,卷积层通道数为256;第四卷积块包括三个3×3卷积核的卷积层,一个池化大小2×2的池化层,卷积层通道数为512;第五卷积块包括三个3×3卷积核的卷积层,一个池化大小2×2的池化层,卷积层通道数为512。
进一步地,所述L1分支的批归一化层的通道数为64,平均池化层的通道数为64,池化大小为16×16,卷积层的通道数为32,所述L2分支的批归一化层的通道数为128,平均池化层的通道数为128,池化大小为8×8,卷积层的通道数为32,所述L3分支的批归一化层的通道数为256,平均池化层的通道数为256,池化大小为4×4,卷积层的通道数为32,所述L4分支的批归一化层的通道数为512,平均池化层的通道数为512,池化大小2×2,卷积层的通道数为64,所述L5分支的批归一划层的通道数为512,卷积层的通道数为64。
进一步地,所述全连接层1和全连接层2的节点数均为1024。
表1基于VGG16的深度融合模型的具体网络结构
Claims (4)
1.一种应用于乳腺X线图像异常识别的深度融合分类方法,其特征在于,包括如下步骤:
S1:图像预处理;
对乳腺X线图像进行预处理以去除噪声并提高图像质量;
S2:提取正常组织和异常组织图像感兴趣区域ROI;
收集异常组织图像类别(即良性和恶性)的感兴趣区域(ROI),并从正常组织图像类别的随机位置提取ROI;
S3:提取ROI子块;
从ROI图像中随机提取更小的ROI子块图像,原始的ROI图像大小为120×120像素,ROI子块图像大小为72×72像素,ROI子块需要通过逐子块中心化和数据增强来重新处理;
S4:构建深度融合模型;
构建深度融合模型,并采用ROI子块图像训练深度融合模型;
S5:完成ROI图像的分类;
使用多数投票完成每一个ROI图像的分类,以获得最终预测;
其中,步骤S4采用ROI子块图像训练深度融合模型具体步骤为:
S41:将ROI子块图像送入VGG16卷积层模块,依次通过五个卷积块进行处理,提取具有判别性的深度特征;
S42:将每个卷积块的每个池化层分别送入L1~L5分支,并将每一分支导出的GAP信息连接起来形成更长的全局平均池化层GAP,L1~L4分支均包括批归一化层、平均池化层和1×1卷积核的卷积层,L5分支包括批归一化层、1×1卷积核的卷积层;
S43:将全局平均池化层连接到批归一化层,再经过全连接层1和全连接2微调后而输出;
步骤S5中ROI图像的分类具体步骤为:首先对从一张ROI图像i提取的所有子块进行预测,然后我们通过多数投票策略获得ROI图像i的最终预测,如下所示:
其中xi表示图像i,lj(xi)表示ROI图像i的第j个子块的预测标签,n是图像i的子块总数,n设置为25。
2.根据权利要求1所述的一种应用于乳腺X线图像异常识别的深度融合分类方法,其特征在于:所述VGG16卷积层模块包括五个卷积块,第一卷积块包括两个3×3卷积核的卷积层,一个池化大小2×2的池化层,卷积层通道数为64;第二卷积块包括两个3×3卷积核的卷积层,一个池化大小为2×2的池化层,卷积层通道数为128;第三卷积块包括三个3×3卷积核的卷积层,一个池化大小为2×2的池化层,卷积层通道数为256;第四卷积块包括三个3×3卷积核的卷积层,一个池化大小2×2的池化层,卷积层通道数为512;第五卷积块包括三个3×3卷积核的卷积层,一个池化大小2×2的池化层,卷积层通道数为512。
3.根据权利要求1所述的一种应用于乳腺X线图像异常识别的深度融合分类方法,其特征在于:所述L1分支的批归一化层的通道数为64,平均池化层的通道数为64,池化大小为16×16,卷积层的通道数为32,所述L2分支的批归一化层的通道数为128,平均池化层的通道数为128,池化大小为8×8,卷积层的通道数为32,所述L3分支的批归一化层的通道数为256,平均池化层的通道数为256,池化大小为4×4,卷积层的通道数为32,所述L4分支的批归一化层的通道数为512,平均池化层的通道数为512,池化大小2×2,卷积层的通道数为64,所述L5分支的批归一划层的通道数为512,卷积层的通道数为64。
4.根据权利要求1所述的一种应用于乳腺X线图像异常识别的深度融合分类方法,其特征在于:所述全连接层1和全连接层2的节点数均为1024。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526315.5A CN111680687B (zh) | 2020-06-09 | 2020-06-09 | 一种应用于乳腺x线图像异常识别的深度融合分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526315.5A CN111680687B (zh) | 2020-06-09 | 2020-06-09 | 一种应用于乳腺x线图像异常识别的深度融合分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680687A CN111680687A (zh) | 2020-09-18 |
CN111680687B true CN111680687B (zh) | 2022-05-10 |
Family
ID=72435286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010526315.5A Active CN111680687B (zh) | 2020-06-09 | 2020-06-09 | 一种应用于乳腺x线图像异常识别的深度融合分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680687B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI798585B (zh) * | 2020-09-04 | 2023-04-11 | 長庚醫療財團法人高雄長庚紀念醫院 | 喉部異物辨識系統及方法 |
CN114881929A (zh) * | 2022-04-07 | 2022-08-09 | 北京医准智能科技有限公司 | 一种针对乳腺x线图像整体性质量异常的检测方法及装置 |
CN116630680B (zh) * | 2023-04-06 | 2024-02-06 | 南方医科大学南方医院 | 一种x线摄影联合超声的双模态影像分类方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573238A (zh) * | 2015-01-09 | 2015-04-29 | 江西理工大学 | 一种忆阻细胞神经网络的电路设计方法 |
CN107680678A (zh) * | 2017-10-18 | 2018-02-09 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 |
CN108537773A (zh) * | 2018-02-11 | 2018-09-14 | 中国科学院苏州生物医学工程技术研究所 | 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法 |
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 |
CN109635835A (zh) * | 2018-11-08 | 2019-04-16 | 深圳蓝韵医学影像有限公司 | 一种基于深度学习与迁移学习的乳腺病变区域检测方法 |
CN109685115A (zh) * | 2018-11-30 | 2019-04-26 | 西北大学 | 一种双线性特征融合的细粒度概念模型及学习方法 |
CN110674866A (zh) * | 2019-09-23 | 2020-01-10 | 兰州理工大学 | 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法 |
CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10664716B2 (en) * | 2017-07-19 | 2020-05-26 | Vispek Inc. | Portable substance analysis based on computer vision, spectroscopy, and artificial intelligence |
CN107657602A (zh) * | 2017-08-09 | 2018-02-02 | 武汉科技大学 | 基于两次迁移卷积神经网络的乳腺结构紊乱识别方法 |
US10489639B2 (en) * | 2018-02-12 | 2019-11-26 | Avodah Labs, Inc. | Automated sign language translation and communication using multiple input and output modalities |
CN109800820B (zh) * | 2019-01-30 | 2020-03-03 | 四川大学华西医院 | 一种基于超声造影图像均匀程度的分类方法 |
-
2020
- 2020-06-09 CN CN202010526315.5A patent/CN111680687B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573238A (zh) * | 2015-01-09 | 2015-04-29 | 江西理工大学 | 一种忆阻细胞神经网络的电路设计方法 |
CN107680678A (zh) * | 2017-10-18 | 2018-02-09 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 |
CN108537773A (zh) * | 2018-02-11 | 2018-09-14 | 中国科学院苏州生物医学工程技术研究所 | 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法 |
CN109635835A (zh) * | 2018-11-08 | 2019-04-16 | 深圳蓝韵医学影像有限公司 | 一种基于深度学习与迁移学习的乳腺病变区域检测方法 |
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 |
CN109685115A (zh) * | 2018-11-30 | 2019-04-26 | 西北大学 | 一种双线性特征融合的细粒度概念模型及学习方法 |
CN110674866A (zh) * | 2019-09-23 | 2020-01-10 | 兰州理工大学 | 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法 |
CN110827242A (zh) * | 2019-10-23 | 2020-02-21 | 华中科技大学 | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
《Breast cancer detection using deep convolutional neural networks and support vector machines》;Dina A. Ragab等;《BIOINFORMATICS AND GENOMICS》;20190128;第1-23页 * |
《Mammographic image classification with deep fusion learning》;Xiangchun Yu等;《Scientific Reports》;20200901;第1-11页 * |
《基于卷积特征深度融合的海上目标跟踪算法》;张永梅 等;《计算机工程与设计》;20200116;第41卷(第01期);第258-264页 * |
《基于深度学习的乳腺癌病理图像分类研究综述》;李华 等;《计算机工程与应用》;20200601;第56卷(第13期);第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111680687A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680687B (zh) | 一种应用于乳腺x线图像异常识别的深度融合分类方法 | |
Dheeba et al. | Computer-aided detection of breast cancer on mammograms: A swarm intelligence optimized wavelet neural network approach | |
Omonigho et al. | Breast cancer: tumor detection in mammogram images using modified alexnet deep convolution neural network | |
EP0757544B1 (en) | Computerized detection of masses and parenchymal distortions | |
Hossain | Microc alcification segmentation using modified u-net segmentation network from mammogram images | |
Mabrouk et al. | Fully automated computer-aided diagnosis system for micro calcifications cancer based on improved mammographic image techniques | |
Hussein et al. | Fully automatic segmentation of gynaecological abnormality using a new viola–jones model | |
Sharma et al. | Classification of mammogram images by using CNN classifier | |
Ghongade et al. | Detection and classification of breast cancer from digital mammograms using RF and RF-ELM algorithm | |
Unni et al. | Tumour detection in double threshold segmented mammograms using optimized GLCM features fed SVM | |
Yurdusev et al. | Detection and classification of microcalcifications in mammograms images using difference filter and Yolov4 deep learning model | |
Cai et al. | Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning | |
Jubeen et al. | An automatic breast cancer diagnostic system based on mammographic images using convolutional neural network classifier | |
Taifi et al. | Mammogram classification using nonsubsampled contourlet transform and gray-level co-occurrence matrix | |
Malik et al. | Lung cancer detection at initial stage by using image processing and classification techniques | |
CN110136112B (zh) | 一种基于乳腺x线摄影钙化计算机辅助检测算法 | |
Sridevi et al. | A combined deep CNN-lasso regression feature fusion and classification of MLO and CC view mammogram image | |
Fadhil et al. | A computer-aided detection system for breast cancer detection and classification | |
CONTOURLET | A robust approach to classify microcalcification in digital mammograms using contourlet transform and support vector machine | |
Abdel-Qader et al. | A Computer‐Aided Diagnosis System for Breast Cancer Using Independent Component Analysis and Fuzzy Classifier | |
Thivya et al. | Analysis of framelets for breast cancer diagnosis | |
Yasir et al. | Machine Vision based Intelligent Breast Cancer Detection | |
Yusof et al. | Computer-aided detection and diagnosis for microcalcifications in mammogram: a review | |
Saffari et al. | On improving breast density segmentation using conditional generative adversarial networks | |
Kamra et al. | Extraction of orientation field using Gabor Filter and Gradient based approach for the detection of subtle signs in mammograms |
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 |