CN111724343A - 一种基于对抗式学习的甲状腺结节超声影像数据集增强方法 - Google Patents
一种基于对抗式学习的甲状腺结节超声影像数据集增强方法 Download PDFInfo
- Publication number
- CN111724343A CN111724343A CN202010417314.7A CN202010417314A CN111724343A CN 111724343 A CN111724343 A CN 111724343A CN 202010417314 A CN202010417314 A CN 202010417314A CN 111724343 A CN111724343 A CN 111724343A
- Authority
- CN
- China
- Prior art keywords
- network
- resolution
- training
- data set
- image
- 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 37
- 208000009453 Thyroid Nodule Diseases 0.000 title claims abstract description 30
- 208000024770 Thyroid neoplasm Diseases 0.000 title claims abstract description 17
- 230000003042 antagnostic effect Effects 0.000 title claims abstract description 15
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 10
- 230000003211 malignant effect Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 24
- 206010028980 Neoplasm Diseases 0.000 claims description 18
- 201000011510 cancer Diseases 0.000 claims description 18
- 238000013145 classification model Methods 0.000 claims description 13
- 230000036210 malignancy Effects 0.000 claims description 9
- 238000002604 ultrasonography Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 7
- 210000001685 thyroid gland Anatomy 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000000750 progressive effect Effects 0.000 description 4
- 208000024799 Thyroid disease Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000021510 thyroid gland disease Diseases 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 206010054107 Nodule Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000000750 endocrine system Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013188 needle biopsy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Images
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
- 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
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- G06T5/92—
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Abstract
本发明涉及一种基于对抗式学习的甲状腺结节超声影像数据集增强方法,用于甲状腺结节的数据集扩充和模型适应能力的扩充,进而通过深度学习技术实现对甲状腺结节的良恶性的准确判断,相对于传统数据增强方法,生成对抗网络在图像生成的效果上有着潜在优势,一定程度上可以解决分类网络中由于数据集较少带来的过拟合问题。
Description
技术领域
本发明属于图像处理与医学的交叉领域,涉及渐进式对抗生成网络和甲状腺结节良恶性的判断,特别涉及一种基于对抗式学习的甲状腺结节超声影像数据集增强方法。
背景技术
如今,甲状腺疾病已经成为仅次于糖尿病内分泌系统的第二大疾病,并且在逐年增长。甲状腺相关疾病已经严重威胁患者的健康,患病率呈逐年增高的趋势。同时,在现代医学中,随着医学成像技术的不断发展与进步,医学影像已经成为了医生在临床诊断与临床治疗过程中不可忽视的参考依据,而基于超声波技术的彩色多普勒超声技术以其无辐射、简单方便、经济等优势在医学成像技术中应用最广,在甲状腺疾病的诊断中也广泛使用。除此以外,目前常用的甲状腺结节的检查方法还有核素扫描、超声造影、超声引导下细针穿刺活细胞检查等。超声引导下穿刺活检仍是目前诊断甲状腺疾病的“金标准”,但其价格相对较高且有创伤。
而甲状腺超声检查是费用廉价、检测方便、无创伤的、病人容易接受的检查方法,其能够根据结节的形成、边界、钙化点、结节内血流信号及周边淋巴结等情况鉴别结节的良恶性,为术前病情评估及手术方式提供重要参考价值。甲状腺结节的常规声像图表现具有多样性,部分恶性结节的常规超声表现并不典型,且部分良性结节的常规超声表现具有恶性声像图征象,这些情况均会带来一定程度的误诊。在临床的超声检查中如果能够有效地提高甲状腺结节良恶性判断的准确率,那么患者将可以减少多余的检查甚至不进行过度的手术治疗,这将有效地减轻病患的经济压力。
近几年,卷积神经网络的引入使得深度学习领域广受关注,同时,深度学习取得的突破性进展为辅助医生进行医学影像分析提供了良好的机会。深度学习可以自动学习并提取图像的特征,根据学习到的特征,逐渐生成自己的判断准则来对给定的医疗影像图片进行分类。然而,深度学习样本数据集有一个重要的前提:需要有大规模的数据集来支持深度学习的模型训练,才能防止过拟合,提高准确性和鲁棒性。此外,人工标注医学影像数据不仅需要消耗一定的时间成本,而且对医学影像的标注带有一定的主观性,人为的标注过程可能由于审查疲劳等因素而存在标注缺漏,从而导致漏诊。因此,以少量优质的影像数据集为基础,实现医疗影像数据集的数据增强就显得格外重要。常规的数据增强方式包括空间几何变换类、噪声类、模糊类等方法,这些方法对模型的优化只能取得部分效果。
生成对抗网络模型(GenerativeAdversarial Nets)由Goodfellow等人于2014年首次提出,是一种生成式模型,基于无标记的数据自主学习,生成逼真的数据。而生成式对抗网络结构与算法的不断完善,在图像合成方向上表现出巨大的优势。生成对抗网络可通过生成新图像、加入噪声、引入子过程等方式扩展数据集并进一步优化模型,从而提高模型在各种环境下的适应能力。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于对抗式学习的甲状腺结节超声影像数据集增强方法,用于甲状腺结节的数据集扩充和模型适应能力的扩充,进而通过深度学习技术实现对甲状腺结节的良恶性的准确判断,相对于传统数据增强方法,生成对抗网络在图像生成的效果上有着潜在优势,一定程度上可以解决分类网络中由于数据集较少带来的过拟合问题。
本发明解决其技术问题是通过以下技术方案实现的:
一种基于对抗式学习的甲状腺结节超声影像数据集增强方法,其特征在于:所述方法的步骤为:
1)学习训练低分辨率图像,生成低分辨率图像;
2)采用平滑过渡的技巧进行转换;
3)增加网络层数,在较高的分辨率下学习训练,生成图像;
4)重复步骤2)、3)多次,直至形成清晰图像;
5)通过实验评估和验证数据集增强网络的效果。
而且,所述步骤1)对低分辨率图像进行训练的具体步骤为:
a、选择4*4像素的低分辨率生成器和判别器;
b、输入对应于512维超平面随机点的潜在向量,在[-1,1]中表示训练和生成的图像;
c、采用LReLU激活函数。
而且,所述步骤2)中转换的具体操作为:当生成器与判别器从低分辨率转成高分辨率的过程中,将高分辨率层的操作看做一种加入权重值的残缺块,权重值α在0到1之间线性变化,可以理解为生成器的输入为两张真实图片分辨率之间进行插值处理;α=0时,也就是高分辨率层并未加入到网络中,而当α=1时,也就是网络已经成功加入高分辨率层并成为一般的网络结构模型,而图片的分辨率的加倍与减半由最近邻卷积与平局池化层实现。
而且,所述步骤3)的具体操作为:充分利用上个分辨率训练的结果,导入上个分辨率训练的参数,生成器和鉴别器均增加一层,采用LReLU激活函数,稳定训练当前分辨率。
而且,所述步骤4)中重复步骤2)、3)的次数为5~7次。
而且,所述步骤5)中验证的具体操作为:采用GoogLeNet网络模型,随机初始化网络参数,对甲状腺结节的良恶性进行分类;对比训练集经过随机旋转、随机剪裁、加噪的数据增强方式处理后选择合适的图像加入原数据集与数据集经过渐进生成对抗网络数据增强的分类效果,通过灵敏度、特异性及准确率来评估网络性能,灵敏度、特异性及准确率的计算公式为:
其中:TN代表良性,表示的是分类模型准确的将良性肿瘤图片划分为良性的数量;
TP代表了恶性,表示的是分类模型准确的将恶性肿瘤图片划分为恶性的图片数量;
FP代表假恶性,指的是分类模型错误的把良性肿瘤划分为恶性肿瘤的图片数量;
FN代表假阴性,代表分类模型将恶性肿瘤错误的划分到良性肿瘤类别中的数量。
本发明的优点和有益效果为:
1、本发明一种基于对抗式学习的甲状腺结节超声影像数据集增强方法,在基于对抗式学习的甲状腺结节超声影像数据增强网络中,采用渐进式训练过程,使用非常低分辨率的图像开始训练生成器和识别器,并且每次都增加一个更高分辨率的网络层,通过实验效果可以看出,经过渐进式生成对抗网络增强的数据集在分类准确率上比经过随机裁剪旋转、噪音增强的数据集提高了约4%。
2、本发明一种基于对抗式学习的甲状腺结节超声影像数据集增强方法,用于甲状腺结节的数据集扩充和模型适应能力的扩充,进而通过深度学习技术实现对甲状腺结节的良恶性的准确判断,相对于传统数据增强方法,生成对抗网络在图像生成的效果上有着潜在优势,一定程度上可以解决分类网络中由于数据集较少带来的过拟合问题。
附图说明
图1为本发明的网络架构图。
具体实施方式
下面通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种基于对抗式学习的甲状腺结节超声影像数据集增强方法,其特征在于:所述方法的步骤为:
S0101:训练开始于有着一个4*4像素的低分辨率的生成器和判别器,生成器与鉴别器对称,输入的潜在向量对应于512维超平面的随机点,在[-1,1]中表示训练和生成的图像,经过4*4的卷积和3*3的卷积操作,采用LReLU激活函数。
S0201:本发明中,网络是变化的,首先在低分辨率下训练好之后过渡到高分辨率。当生成器与判别器从低分辨率转成高分辨率的过程中,将高分辨率层的操作看做一种加入权重值的残缺块,权重值α在0到1之间线性变化,可以理解为生成器的输入为两张真实图片分辨率之间进行插值处理,例如将4*4像素输入处理为8*8像素输入时,其真实输入如下:
X=X4pixel*(1-α)+X8pixel*α
α=0时,也就是高分辨率层并未加入到网络中,而当α=1时,也就是网络已经成功加入高分辨率层并成为一般的网络结构模型。而图片的分辨率的加倍与减半由最近邻卷积与平局池化层实现。此步骤对于稳定学习过程,将低分辨率学习到的特征传给高分辨率具有重要的作用。
S0301:通过分辨率的提高和时间的推移,学习越来越多的细节,具体步骤如下:通过之前低分辨率学到的特征,加入高分辨率层,采用两次3×3的卷积操作,激活函数选用LReLU,进行高分率的训练过程。
S0401:重复步骤S0201、步骤S0301多次,网络的层数不断增加,本发明采用6层网络,所以重复5次,可根据输出要求进行调整,最后一层需要增加1*1卷积操作。
S0501:通过分类网络验证本发明提出的基于对抗式学习的甲状腺结节超声影像数据集增强网络的效果,具体步骤如下:采用GoogLeNet网络模型,随机初始化网络参数,对甲状腺结节的良恶性进行分类。对比训练集由经过随机旋转、随机剪裁、加噪的数据增强方式处理后选择合适的图像加入原数据集与数据集经过渐进生成对抗网络数据增强的分类效果,通过灵敏度,特异性和准确率来评估网络性能,灵敏度,特异性和准确率的计算公式为:
TN代表良性,表示的是分类模型准确的将良性肿瘤图片划分为良性的数量;TP代表恶性,表示的是分类模型准确的将恶性肿瘤图片划分为恶性的图片数量;FP代表假恶性,指的是分类模型错误的把良性肿瘤划分为恶性肿瘤的图片数量;FN代表假阴性,代表分类模型将恶性肿瘤错误的划分到良性肿瘤类别中的数量。
为了验证数据样本经过渐进式生成对抗网络增强后,分类网络能提高分类的准确率,进行了三次实验。第一次实验采用GoogLeNet网络模型,随机初始化网络参数,在原始数据集上进行实验;第二次实验只是将数据集改成普通增强的甲状腺数据集;第三次实验同样采用GoogLeNet网络模型在数据集ImageNet上进行预训练,然后利用经过扩充后的甲状腺超声图像进行微调网络,最后利用测试集测试分类结果的准确率。
分类测试的结果显示,经过数据增强的甲状腺数据集,用GoogLeNet分类模型进行分类的准确率94.375%,未经过数据增强的甲状腺数据集,分类的准确率只有93.125%。但是,经过随机旋转等方式进行的数据增强方式的准确率只有90.625%,从实验二的灵敏度与特异性数据可以看出,两者的数据差距较大,其原因可能是因为在随机裁剪的过程中,有结节的图像信息被删除,网络无法学习到有用的信息,从而使得准确率下降。从三个实验的最终结果来看,经过数据增强的分类准确率明显增加,主要是GoogLeNet网络参数大,数据量不足容易导致网络过拟合。
表1 生成器模型结构表
表2 实验评价指标表
表3 实验分类验证结果表
在表3中,实验证明,经过生成对抗网络数据增强的甲状腺图像可以有效地提高分类网络的准确率,可以避免数据不足而出现过拟合的现象。
本发明在甲状腺超声影像数据较少的情况下,选择使用渐进式对抗生成网络,实现甲状腺数据集的扩展以及模型适应能力的提高。该网络从低分辨的特征开始,网络的层数不断调整,低分辨率层训练稳定后,通过平滑技巧传递给高分辨率网络。本发明经过分类网络验证得到,基于渐进式对抗式学习的超声影像数据集增强的图像效果相对于其他的生成对抗网络方法的图像效果更好;经过渐进式生成对抗网络增强的数据集在分类准确率上比经过随机裁剪旋转、噪音增强的数据集提高了约4%。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (6)
1.一种基于对抗式学习的甲状腺结节超声影像数据集增强方法,其特征在于:所述方法的步骤为:
1)学习训练低分辨率图像,生成低分辨率图像;
2)采用平滑过渡的技巧进行转换;
3)增加网络层数,在较高的分辨率下学习训练,生成图像;
4)重复步骤2)、3)多次,直至形成清晰图像;
5)通过实验评估和验证数据集增强网络的效果。
2.根据权利要求1所述的基于对抗式学习的甲状腺结节超声影像数据集增强方法,其特征在于:所述步骤1)对低分辨率图像进行训练的具体步骤为:
a、选择4*4像素的低分辨率生成器和判别器;
b、输入对应于512维超平面随机点的潜在向量,在[-1,1]中表示训练和生成的图像;
c、采用LReLU激活函数。
3.根据权利要求1所述的基于对抗式学习的甲状腺结节超声影像数据集增强方法,其特征在于:所述步骤2)中转换的具体操作为:当生成器与判别器从低分辨率转成高分辨率的过程中,将高分辨率层的操作看做一种加入权重值的残缺块,权重值α在0到1之间线性变化,可以理解为生成器的输入为两张真实图片分辨率之间进行插值处理;α=0时,也就是高分辨率层并未加入到网络中,而当α=1时,也就是网络已经成功加入高分辨率层并成为一般的网络结构模型,而图片的分辨率的加倍与减半由最近邻卷积与平局池化层实现。
4.根据权利要求1所述的基于对抗式学习的甲状腺结节超声影像数据集增强方法,其特征在于:所述步骤3)的具体操作为:充分利用上个分辨率训练的结果,导入上个分辨率训练的参数,生成器和鉴别器均增加一层,采用LReLU激活函数,稳定训练当前分辨率。
5.根据权利要求1所述的基于对抗式学习的甲状腺结节超声影像数据集增强方法,其特征在于:所述步骤4)中重复步骤2)、3)的次数为5~7次。
6.根据权利要求1所述的基于对抗式学习的甲状腺结节超声影像数据集增强方法,其特征在于:所述步骤5)中验证的具体操作为:采用GoogLeNet网络模型,随机初始化网络参数,对甲状腺结节的良恶性进行分类;对比训练集经过随机旋转、随机剪裁、加噪的数据增强方式处理后选择合适的图像加入原数据集与数据集经过渐进生成对抗网络数据增强的分类效果,通过灵敏度、特异性及准确率来评估网络性能,灵敏度、特异性及准确率的计算公式为:
其中:TN代表良性,表示的是分类模型准确的将良性肿瘤图片划分为良性的数量;TP代表恶性,表示的是分类模型准确的将恶性肿瘤图片划分为恶性的图片数量;FP代表假恶性,指的是分类模型错误的把良性肿瘤划分为恶性肿瘤的图片数量;FN代表假阴性,代表分类模型将恶性肿瘤错误的划分到良性肿瘤类别中的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417314.7A CN111724343A (zh) | 2020-05-18 | 2020-05-18 | 一种基于对抗式学习的甲状腺结节超声影像数据集增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417314.7A CN111724343A (zh) | 2020-05-18 | 2020-05-18 | 一种基于对抗式学习的甲状腺结节超声影像数据集增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111724343A true CN111724343A (zh) | 2020-09-29 |
Family
ID=72564520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010417314.7A Pending CN111724343A (zh) | 2020-05-18 | 2020-05-18 | 一种基于对抗式学习的甲状腺结节超声影像数据集增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724343A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681790A (zh) * | 2023-07-18 | 2023-09-01 | 脉得智能科技(无锡)有限公司 | 一种超声造影图像生成模型的训练方法及图像的生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109872296A (zh) * | 2019-01-04 | 2019-06-11 | 中山大学 | 一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法 |
CN110111236A (zh) * | 2019-04-19 | 2019-08-09 | 大连理工大学 | 基于渐进式对抗生成网络的多目标草图生成图像的方法 |
CN110516747A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于对抗生成网络和自编码结合的肺结节良恶性分类方法 |
CN111160413A (zh) * | 2019-12-12 | 2020-05-15 | 天津大学 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
-
2020
- 2020-05-18 CN CN202010417314.7A patent/CN111724343A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109872296A (zh) * | 2019-01-04 | 2019-06-11 | 中山大学 | 一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法 |
CN110111236A (zh) * | 2019-04-19 | 2019-08-09 | 大连理工大学 | 基于渐进式对抗生成网络的多目标草图生成图像的方法 |
CN110516747A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于对抗生成网络和自编码结合的肺结节良恶性分类方法 |
CN111160413A (zh) * | 2019-12-12 | 2020-05-15 | 天津大学 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
Non-Patent Citations (4)
Title |
---|
DWARIKANATH MAHAPATRA 等: "Progressive Generative Adversarial Networks for Medical Image Super resolution", 《ARXIV》 * |
TERO KARRAS 等: "PROGRESSIVE GROWING OF GANS FOR IMPROVED QUALITY, STABILITY, AND VARIATION", 《ARXIV》 * |
张骞晖2: "对抗网络之PG-GAN,无条件下生成更真实的人脸图像", 《CSDN》 * |
陈文兵 等: "基于条件生成式对抗网络的数据增强方法", 《计算机应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681790A (zh) * | 2023-07-18 | 2023-09-01 | 脉得智能科技(无锡)有限公司 | 一种超声造影图像生成模型的训练方法及图像的生成方法 |
CN116681790B (zh) * | 2023-07-18 | 2024-03-22 | 脉得智能科技(无锡)有限公司 | 一种超声造影图像生成模型的训练方法及图像的生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | Automated diagnosis of breast ultrasonography images using deep neural networks | |
CN109493308B (zh) | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 | |
Huang et al. | Machine learning in ultrasound computer-aided diagnostic systems: a survey | |
Almajalid et al. | Development of a deep-learning-based method for breast ultrasound image segmentation | |
Wang et al. | Deep learning in medical ultrasound image analysis: a review | |
US20200107818A1 (en) | Ultrasound cardiac doppler study automation | |
Koundal et al. | Computer-aided diagnosis of thyroid nodule: a review | |
US20090268952A1 (en) | Method and apparatus for automatically developing a high performance classifier for producing medically meaningful descriptors in medical diagnosis imaging | |
Yi et al. | Technology trends and applications of deep learning in ultrasonography: image quality enhancement, diagnostic support, and improving workflow efficiency | |
CN108875741B (zh) | 一种基于多尺度模糊的声学图像纹理特征提取方法 | |
CN114092439A (zh) | 一种多器官实例分割方法及系统 | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
WO2022095258A1 (zh) | 图像目标分类方法、装置、设备、存储介质及程序 | |
CN116862877A (zh) | 基于卷积神经网络的扫描图像分析系统及其方法 | |
CN113679426A (zh) | 超声图处理系统 | |
CN113159223A (zh) | 一种基于自监督学习的颈动脉超声图像识别方法 | |
CN112001895A (zh) | 一种甲状腺钙化检测装置 | |
CN111724343A (zh) | 一种基于对抗式学习的甲状腺结节超声影像数据集增强方法 | |
CN103169506A (zh) | 一种自动识别肝癌的超声诊断装置和方法 | |
CN113633315A (zh) | 采用超声图处理系统的超声图处理方法 | |
CN113902702A (zh) | 一种基于计算机断层扫描的肺结节良恶性辅助诊断系统 | |
CN117350979A (zh) | 一种基于医疗超声影像的任意病灶分割和追踪系统 | |
Liu et al. | Deep learning radiomics for focal liver lesions diagnosis on long-range contrast-enhanced ultrasound and clinical factors | |
Wang et al. | Diagnosis of thyroid nodules based on lightweight residual network | |
CN117274147A (zh) | 一种基于混合Swin Transformer U-Net的肺部CT图像分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200929 |
|
RJ01 | Rejection of invention patent application after publication |