CN111754452B - 基于深度学习的下肢深静脉血栓的检测方法、介质及终端 - Google Patents
基于深度学习的下肢深静脉血栓的检测方法、介质及终端 Download PDFInfo
- Publication number
- CN111754452B CN111754452B CN202010387879.5A CN202010387879A CN111754452B CN 111754452 B CN111754452 B CN 111754452B CN 202010387879 A CN202010387879 A CN 202010387879A CN 111754452 B CN111754452 B CN 111754452B
- Authority
- CN
- China
- Prior art keywords
- thrombus
- network model
- detection network
- image
- magnetic resonance
- 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
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了基于深度学习的下肢深静脉血栓的检测方法、介质及终端,所述检测方法通过获取检测对象的磁共振成像图像的样本组成训练集,并在所述训练集内的磁共振成像图像中框定血栓检测框;构建血栓检测网络模型,将所述训练集输入血栓检测网络模型中进行训练,得到训练后的血栓检测网络模型;所述血栓检测网络模型基于YOLOv3检测网络构建,并使用五通道的图像矩阵作为血栓检测网络模型输入;将待检测的磁共振成像图像输入训练后的血栓检测网络模型,得到静脉血栓检测结果。实现在背景复杂的医学影像中实现较高的检测效率,辅助医生快速准确地完成下肢DVT的诊断。
Description
技术领域
本发明涉及医学影像技术领域,特别涉及一种基于深度学习的下肢深静脉
血栓的检测方法、介质及终端。
背景技术
深静脉血栓(deep venous thrombosis,DVT)是血液在深静脉内不正常凝结引起的静脉回流障碍性疾病,每年的发病率约为0.1%,呈逐年上升趋势,已成为第三大心血管疾病。DVT除了下肢肿痛等症状外,50%以上患者易并发肺栓塞,死亡率超过20%。
当前用于DVT检查的影像学手段有多种,包括超声、计算机断层扫描技术(Computed Tomography,CT)、磁共振成像(Magnetic Resonance Imaging,MRI)、数字减影技术等。MRI作为一种无创性检查,具有良好软组织对比度、全视野和无辐射等优势,能准确显示髂、股、腘静脉血栓部位和周围组织情况,是诊断下肢深静脉血栓的有效检查方法。
DVT一旦明确诊断,宜尽快介入治疗,以缩短病程、提高管腔再通率、阻止病程进入慢性期。DVT的早期治疗方案包括抗凝、溶栓治疗、手术取栓和机械血栓清除术(percutaneous mechanical thrombectomy,PMT)等。由于单纯抗凝不能有效消除血栓、降低血栓后综合征发生率,而溶栓治疗具有起效快、效果好的特点,在临床上通常与PMT联合使用,能够达到迅速清除或减少血栓负荷、解除静脉栓塞的作用。导管接触性溶栓是常用的溶栓方法,为了达到更好的溶栓效果,临床医生需要在术前或术中确定出血栓堵塞的主干部位和临近的血栓分支,从而选择最佳的溶栓导管入路方式,并优先选择血管主干进行溶栓治疗。
在临床实践中,临床医生需要根据具体的血栓部位和大小选择溶栓的位置与溶栓剂量。但不同医生之间的经验差异容易导致诊断结果参差不齐,同时,磁共振扫描图像参数复杂、血栓大小不一、位置各异,医生在阅片过程中需要耗费大量时间与精力。
故此,亟需一种基于深度学习的下肢深静脉血栓的检测方法。
发明内容
针对现有技术的不足,本发明旨在提供基于深度学习的下肢深静脉血栓的检测方法、介质及终端。
本发明所采用的技术方案如下:
第一方面,一种基于深度学习的下肢深静脉血栓的检测方法,其包括:
获取检测对象的磁共振成像图像的样本组成训练集,并在所述训练集内的磁共振成像图像中框定血栓检测框;
构建血栓检测网络模型,将所述训练集输入血栓检测网络模型中进行训练,得到训练后的血栓检测网络模型;所述血栓检测网络模型基于YOLOv3检测网络构建,并使用五通道的图像矩阵作为血栓检测网络模型输入;
将待检测的磁共振成像图像输入训练后的血栓检测网络模型,得到静脉血栓检测结果。
所述的基于深度学习的下肢深静脉血栓的检测方法,其中,所述使用五通道的图像矩阵作为血栓检测网络模型输入,具体包括:
当网络在对磁共振成像图像输入进行训练时,得到网络输入分别是该层图像的上面两层,图像本身及其下面两层,共五层图像,并按空间顺序组合成五通道的图像矩阵,使用所述图像矩阵作为血栓检测网络模型输入。
所述的基于深度学习的下肢深静脉血栓的检测方法,其中,对所述血栓检测框的长宽比例进行K-means聚类分析优化。
所述的基于深度学习的下肢深静脉血栓的检测方法,其特征在于,所述K-means聚类算法中平方误差E的计算公式如下:
其中,μi是类簇Ci的均值向量,表达式为:
所述的基于深度学习的下肢深静脉血栓的检测方法,其中,所述并在所述训练集内的磁共振成像图像中框定血栓检测框,具体包括:
获取检测对象的对比度增强磁共振成像横断面、矢状面和冠状面的图像,通过横断面图像判断血栓的范围,在所述冠状面图像上完成血栓的框定。
所述的基于深度学习的下肢深静脉血栓的检测方法,其特征在于,将所述K-means聚类算法中计算最小欧几里得距离的算法改成计算IOU的算法。
所述的基于深度学习的下肢深静脉血栓的检测方法,其中,所述IOU的计算公式如下:
第二方面,一种基于深度学习的下肢深静脉血栓的检测装置,其中,包括:处理单元和通信单元;所述处理单元,用于通过获取检测对象的磁共振成像图像的样本组成训练集,并在所述训练集内的磁共振成像图像中框定血栓检测框;用于通过构建血栓检测网络模型,将所述训练集输入血栓检测网络模型中进行训练,得到训练后的血栓检测网络模型;所述血栓检测网络模型基于YOLOv3检测网络构建,并使用五通道的图像矩阵作为血栓检测网络模型输入;以及用于通过将待检测的磁共振成像图像输入训练后的血栓检测网络模型,得到静脉血栓检测结果。
第三方面,一种计算机可读存储介质,其中,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的基于深度学习的下肢深静脉血栓的检测方法中的步骤。
第四方面,一种终端,其中,包括:处理器和存储器;所述存储器上存储有可被所述处理器执行的计算机可读程序;所述处理器执行所述计算机可读程序时实现如上所述的基于深度学习的下肢深静脉血栓的检测方法中的步骤。
有益效果:与现有技术相比,本发明提供了一种基于深度学习的下肢深静脉血栓的检测方法、介质及终端,所述检测方法通过获取检测对象的磁共振成像图像的样本组成训练集,并在所述训练集内的磁共振成像图像中框定血栓检测框;构建血栓检测网络模型,将所述训练集输入血栓检测网络模型中进行训练,得到训练后的血栓检测网络模型;所述血栓检测网络模型基于YOLOv3检测网络构建,并使用五通道的图像矩阵作为血栓检测网络模型输入;将待检测的磁共振成像图像输入训练后的血栓检测网络模型,得到静脉血栓检测结果。实现在背景复杂的医学影像中实现较高的检测效率,辅助医生快速准确地完成下肢DVT的诊断。
附图说明
图1为本实施例提供的一种基于深度学习的下肢深静脉血栓的检测方法的流程图。
图2a为下肢DVT患者的CE-MRI图像,2b为框定血栓检测框。
图3为本实施例提供的基于五通道的YOLOv3改进网络结构图
图4a为两个矩形框的交集区域,图4b两个矩形框的并集区域。
图5为本实施例提供的一种基于深度学习的下肢深静脉血栓的检测装置的结构示意图。
图6为本实施例提供的一种终端的结构原理图。
具体实施方式
本发明提供基于深度学习的下肢深静脉血栓的检测方法、介质及终端,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面结合附图,通过对实施例的描述,对发明内容作进一步说明。本实施例提供了一种图像处理模型的训练方法,如图1所示,所述方法包括:
S10、获取检测对象的磁共振成像图像的样本组成训练集,并在所述训练集内的磁共振成像图像中框定血栓检测框;
具体地,检测对象的磁共振成像图像的样本可以通过临床的医生提供血栓患者的MRI,或者也可以是通过系统模拟出的磁共振成像图像。当训练集组成后需要在MRI图像上进行血栓区域框定,即划出检测框的准确位置。为深度学习网络提供检测框的金标准。
在本实施例中,血栓检测框的框定可以是通过多位临床经验丰富的医师在ITK-SNAP软件对血栓进行框定,以尽可能降低主观性的影响。框定过程中,医生需要患者的CE-MRI横断面、矢状面和冠状面的图像相互参考和补充,通过横断面图像判断静脉血栓的范围,随后在冠状面图像上完成血栓的框定,如图2a、2b所示。
S20、构建血栓检测网络模型,将所述训练集输入血栓检测网络模型中进行训练,得到训练后的血栓检测网络模型;所述血栓检测网络模型基于YOLOv3检测网络构建,并使用五通道的图像矩阵作为血栓检测网络模型输入;
具体地,本实施例中所使用的深度学习网络结构是基于YOLOv3检测网络的改进算法。YOLOv3包含5个卷积模块和5个下采样层,每个卷积模块都包含2个不同参数的卷积层和一个残差层,卷积模块用以在输入中提取图像特征,寻找图像中潜在的特征规律。每个卷积模块后都紧接一个下采样层,实现在卷积层提取特征之后精炼特征信息,减少网络的参数量,以保证深度学习网络的高效与性能。
YOLOv3将960x 320x 1的原始图像划分为30x 10x 1个单元格,分别以每个单元格作为检测的中心区域,直接预测出候选框中心点相对于网格单元左上角的相对坐标,结合由传统检测算法提出的初始检测框机制,YOLOv3可以在原始输入图像上快速生成位置精确、形状多样的候选框。同时,YOLOv3还引入了特征金字塔网络(feature pyramidnetworks,FPN)结构以保证对小目标的敏感度。FPN为了充分利用底层信息,将顶层特征通过上采样和低层特征做融合,同时对上采样后的多种尺度特征做独立预测,从而得到包含处于顶层的大目标信息和处于低层的小目标信息的检测结果。
在该实施例中所述模型的输入为五通道的图像矩阵作为网络输入,如图3所示。其中,网络输入分别是该层图像的上面两层,图像本身及其下面两层,共五层图像,并按空间顺序组合成五通道的图像矩阵。因为MRI图像的三维信息较多,仅仅使用二维图像输入的深度学习网络是不能满足实际的工作的,通过构建五通道图像矩阵作为网络输入进行自动检测模型的训练,可以使二维卷积神经网络提取到丰富的三维信息,从而有效分辨DVT与血栓类似物。
S30、将待检测的磁共振成像图像输入训练后的血栓检测网络模型,得到静脉血栓检测结果。
具体地,将一个新获取的血栓患者的MRI影像,处理后输入到训练后的血栓检测网络模型中,在MRI影像上框定出血栓区域。
在一种或多种实施方式中,为了使得检测网络更快速、准确地实现对血栓区域的框定。还对所述血栓检测框的长宽比例进行K-means聚类分析优化。
具体地,K-means算法是无监督学习的一种聚类方法。聚类算法是根据相似性原理,将具有较高相似度的数据对象认定为同一类簇,反之认定为不同类簇的一种分类方法。在传统的K-means聚类算法中,将给定的样本集按照样本之间的欧几里得距离大小,划分为K个类簇,保证簇内的样本点尽量紧密分布,而簇间的样本点尽量疏远。K-means聚类算法的目的是使样本点与类簇质心的平方误差E最小化,其中平方误差E的计算公式如下:
其中,μi是类簇Ci的均值向量,表达式为:
为了寻找最佳的类簇质心,K-means采用启发式方式在第一轮迭代中随机选取K个质心,计算所有样本点到K个质心的距离,并标记每个样本点的类别和对应的质心类别。然后在标记为同一类簇的样本点中重新求取新的质心,以此迭代,最终当每个样本点到质心的距离不变且最小时,认为聚类完成。
在上述实施方式中,将所述K-means聚类算法中计算最小欧几里得距离的算法改成计算IOU的算法。其中,所述IOU的计算公式如下:
其中S交的示意图如图4a所示,展示了两个矩形框的交集区域;S并的示意图如图4b所示,展示了两个矩形框的并集区域。
具体地,选取K为9,并针对矩形框之间特有的重叠程度指标IOU,得到9种针对血栓形状的初始检测框,并分别计算每个金标准框与9种anchor框的IOU。经统计,金标准框与其最佳初始框的IOU平均值达到0.85。因此,经过优化得到的初始框能够分别满足小血栓、普通血栓和长条形血栓的基本框定,使得网络后期不需要对检测框进行过大的调整;而没有经过优化的初始框尺寸偏大,在后期需要网络对检测框进行较大的调整。
基于上述基于深度学习的下肢深静脉血栓的方法,本发明还提供了一种基于深度学习的下肢深静脉血栓的检测装置,如图5所示,包括处理单元401和通信单元402,其中:处理单元401,所述处理单元401,用于通过获取检测对象的磁共振成像图像的样本组成训练集,并在所述训练集内的磁共振成像图像中框定血栓检测框;用于通过构建血栓检测网络模型,将所述训练集输入血栓检测网络模型中进行训练,得到训练后的血栓检测网络模型;所述血栓检测网络模型基于YOLOv3检测网络构建,并使用五通道的图像矩阵作为血栓检测网络模型输入;以及用于通过将待检测的磁共振成像图像输入训练后的血栓检测网络模型,得到静脉血栓检测结果。
基于上述基于深度学习的下肢深静脉血栓的方法,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述实施例所述的基于深度学习的下肢深静脉血栓的方法中的步骤。
基于上述基于深度学习的下肢深静脉血栓的方法,本发明还提供了一种终端,如图6所示,其包括至少一个处理器(processor)30;显示屏31;以及存储器(memory)32,还可以包括通信接口(CommunicationsInterface)33和总线34。其中,处理器30、显示屏31、存储器32和通信接口33可以通过总线34完成相互间的通信。显示屏31设置为显示初始设置模式中预设的用户引导界面。通信接口33可以传输信息。处理器30可以调用存储器32中的逻辑指令,以执行上述实施例中的方法。此外,上述的存储器32中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。存储器32作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器30通过运行存储在存储器32中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。存储器32可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。此外,上述存储介质以及终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于深度学习的下肢深静脉血栓的检测方法,其特征在于,其包括:
获取检测对象的磁共振成像图像的样本组成训练集,并在所述训练集内的磁共振成像图像中框定血栓检测框;
构建血栓检测网络模型,将所述训练集输入血栓检测网络模型中进行训练,得到训练后的血栓检测网络模型;所述血栓检测网络模型基于YOLOv3检测网络构建,并使用五通道的图像矩阵作为血栓检测网络模型输入;
将待检测的磁共振成像图像输入训练后的血栓检测网络模型,得到静脉血栓检测结果;
所述使用五通道的图像矩阵作为血栓检测网络模型输入,具体包括:
当网络在对磁共振成像图像输入进行训练时,得到网络输入分别是该层图像的上面两层,图像本身及其下面两层,共五层图像,并按空间顺序组合成五通道的图像矩阵,使用所述图像矩阵作为血栓检测网络模型输入;
所述YOLOv3检测网络包含5个卷积模块和5个下采样层,每个卷积模块都包含2个不同参数的卷积层和一个残差层;每个卷积层模块紧接一个下采样层;所述YOLOv3检测网络还包括特征金字塔网络结构。
2.根据权利要求1所述的基于深度学习的下肢深静脉血栓的检测方法,其特征在于,对所述血栓检测框的长宽比例进行K-means聚类分析优化。
4.根据权利要求1-3任一所述的基于深度学习的下肢深静脉血栓的检测方法,其特征在于,所述并在所述训练集内的磁共振成像图像中框定血栓检测框,具体包括:
获取检测对象的对比度增强磁共振成像横断面、矢状面和冠状面的图像,通过横断面图像判断血栓的范围,在所述冠状面图像上完成血栓的框定。
5.根据权利要求3所述的基于深度学习的下肢深静脉血栓的检测方法,其特征在于,将所述K-means聚类算法中计算最小欧几里得距离的算法改成计算IOU的算法。
7.一种基于深度学习的下肢深静脉血栓的检测装置,其特征在于,包括:处理单元和通信单元;所述处理单元,用于通过获取检测对象的磁共振成像图像的样本组成训练集,并在所述训练集内的磁共振成像图像中框定血栓检测框;用于通过构建血栓检测网络模型,将所述训练集输入血栓检测网络模型中进行训练,得到训练后的血栓检测网络模型;所述血栓检测网络模型基于YOLOv3检测网络构建,并使用五通道的图像矩阵作为血栓检测网络模型输入;以及用于通过将待检测的磁共振成像图像输入训练后的血栓检测网络模型,得到静脉血栓检测结果;
所述使用五通道的图像矩阵作为血栓检测网络模型输入,具体包括:
当网络在对磁共振成像图像输入进行训练时,得到网络输入分别是该层图像的上面两层,图像本身及其下面两层,共五层图像,并按空间顺序组合成五通道的图像矩阵,使用所述图像矩阵作为血栓检测网络模型输入;
所述YOLOv3检测网络包含5个卷积模块和5个下采样层,每个卷积模块都包含2个不同参数的卷积层和一个残差层;每个卷积层模块紧接一个下采样层;所述YOLOv3检测网络还包括特征金字塔网络结构。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1~6任意一项所述的基于深度学习的下肢深静脉血栓的检测方法中的步骤。
9.一种终端,其特征在于,包括:处理器和存储器;所述存储器上存储有可被所述处理器执行的计算机可读程序;所述处理器执行所述计算机可读程序时实现如权利要求1~6任意一项所述的基于深度学习的下肢深静脉血栓的检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387879.5A CN111754452B (zh) | 2020-05-09 | 2020-05-09 | 基于深度学习的下肢深静脉血栓的检测方法、介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387879.5A CN111754452B (zh) | 2020-05-09 | 2020-05-09 | 基于深度学习的下肢深静脉血栓的检测方法、介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754452A CN111754452A (zh) | 2020-10-09 |
CN111754452B true CN111754452B (zh) | 2021-05-18 |
Family
ID=72673598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010387879.5A Active CN111754452B (zh) | 2020-05-09 | 2020-05-09 | 基于深度学习的下肢深静脉血栓的检测方法、介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754452B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538451B (zh) * | 2021-05-14 | 2024-03-26 | 深圳市青云智图医疗科技有限公司 | 一种深静脉血栓的磁共振图像分割方法及装置,电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685807A (zh) * | 2018-11-16 | 2019-04-26 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于深度学习的下肢深静脉血栓自动分割方法及系统 |
CN110223280A (zh) * | 2019-06-03 | 2019-09-10 | Oppo广东移动通信有限公司 | 静脉血栓检测方法和静脉血栓检测装置 |
CN110378426A (zh) * | 2019-07-23 | 2019-10-25 | 安徽磐众信息科技有限公司 | 一种基于yolov3的乳腺结节辅助诊断方法及系统 |
CN110956610A (zh) * | 2019-10-31 | 2020-04-03 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102179203B1 (ko) * | 2018-07-09 | 2020-11-16 | 주식회사 필로시스 | 혈당 센싱 데이터 판별 방법 및 장치 |
-
2020
- 2020-05-09 CN CN202010387879.5A patent/CN111754452B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685807A (zh) * | 2018-11-16 | 2019-04-26 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于深度学习的下肢深静脉血栓自动分割方法及系统 |
CN110223280A (zh) * | 2019-06-03 | 2019-09-10 | Oppo广东移动通信有限公司 | 静脉血栓检测方法和静脉血栓检测装置 |
CN110378426A (zh) * | 2019-07-23 | 2019-10-25 | 安徽磐众信息科技有限公司 | 一种基于yolov3的乳腺结节辅助诊断方法及系统 |
CN110956610A (zh) * | 2019-10-31 | 2020-04-03 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111754452A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep learning for hemorrhagic lesion detection and segmentation on brain CT images | |
Feng et al. | CPFNet: Context pyramid fusion network for medical image segmentation | |
TWI668666B (zh) | 肝癌分群預測模型、其預測系統以及肝癌分群判斷方法 | |
CN114926477B (zh) | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 | |
CN112184690B (zh) | 冠脉血管走向的预测方法、预测模型的训练方法及装置 | |
CN110838114B (zh) | 肺结节检测方法、装置及计算机存储介质 | |
WO2022105623A1 (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
CN111951219B (zh) | 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备 | |
Dong et al. | A novel multi-attention, multi-scale 3D deep network for coronary artery segmentation | |
JP6981940B2 (ja) | 画像診断支援装置、方法及びプログラム | |
CN110956610A (zh) | 基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及系统 | |
Dong et al. | Identifying carotid plaque composition in MRI with convolutional neural networks | |
CN111754452B (zh) | 基于深度学习的下肢深静脉血栓的检测方法、介质及终端 | |
Luo et al. | Multi-Task Learning Using Attention-Based Convolutional Encoder-Decoder for Dilated Cardiomyopathy CMR Segmentation and Classification. | |
CN111145901B (zh) | 深静脉血栓溶栓疗效预测方法及系统、存储介质与终端 | |
US20230222668A1 (en) | Image processing apparatus, image processing method, and recording medium | |
KR20240096862A (ko) | 전안부 octa용 아이 트래킹 방법, 장치, 설비 및 저장 매체 | |
CN116128828A (zh) | 斑块的评估方法、系统、电子设备和介质 | |
KR102593539B1 (ko) | 인공지능 기반 온쓸개관돌의 단층 촬영 이미지 판독 장치, 시스템, 방법 및 프로그램 | |
Cao et al. | A novel method for segmentation of breast masses based on mammography images | |
CN114092425A (zh) | 基于弥散加权图像的脑缺血评分方法、电子设备及介质 | |
CN113610800A (zh) | 用于评估侧支循环的装置、非诊断方法及电子设备 | |
Ye et al. | A Novel Convolutional Neural Network Based on Adaptive Multi-Scale Aggregation and Boundary-Aware for Lateral Ventricle Segmentation on MR images | |
JP2020094905A (ja) | 心筋核医学画像データのスコアリング | |
Zheng et al. | Dual-attention deep fusion network for multi-modal medical image segmentation |
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 |