CN111862075A - 一种基于深度学习的肺部图像分析系统及其分析方法 - Google Patents

一种基于深度学习的肺部图像分析系统及其分析方法 Download PDF

Info

Publication number
CN111862075A
CN111862075A CN202010749645.0A CN202010749645A CN111862075A CN 111862075 A CN111862075 A CN 111862075A CN 202010749645 A CN202010749645 A CN 202010749645A CN 111862075 A CN111862075 A CN 111862075A
Authority
CN
China
Prior art keywords
image
neural network
lung
training
detected
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
Application number
CN202010749645.0A
Other languages
English (en)
Inventor
黄志伟
李沙
许志坚
蔡飞翔
杨懿
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.)
Southwest Medical University
Original Assignee
Southwest Medical 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 Southwest Medical University filed Critical Southwest Medical University
Priority to CN202010749645.0A priority Critical patent/CN111862075A/zh
Publication of CN111862075A publication Critical patent/CN111862075A/zh
Pending legal-status Critical Current

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
    • 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
    • G06T2207/20—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
    • 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

本发明提供一种基于深度学习的肺部图像分析系统及其分析方法，包括输入模块、输出模块和检测模块；所述的输入模块用于获取待检测图像，并将待检测图像传输到所述检测模块；所述检测模块用于通过训练好的卷积神经网络检测待检测图像中的肺部轮廓区域内的病变区域的形状特点及颜色的灰度特征，并与网络训练所得的肺部疾病的病症图像特征进行对比，获取对比结果；所述输出模块用于展示检测模块的对比结果。通过构建基于深度学习的卷积神经网络，并使用所述卷积神经网络对胸片的肺部是否存在病变来进行初步的分析，给医生临床诊断提供辅助的信息分析，解决了传统检测技术中核酸检测周期长，并提高了CT检测的准确性。

Description

一种基于深度学习的肺部图像分析系统及其分析方法
技术领域
本发明涉及一种基于深度学习的肺部图像分析系统及其分析方法，属于医疗设备领域中的医学胸片肺部疾病种类识别，涉及深度学习卷积神经网络、长短期记忆网络相结合的相关算法，利用深度学习方法实现医学影像计算机辅助诊断技术。
背景技术
随着中国经济持续增长和社会人口老年化加剧，肺部疾病的致病因素以及患者越来越多，引起了人们的重视。目前，影像学检查是新型冠状病毒肺炎的重要检测方法之一，因其检测周期短而具有不可替代的作用。
目前临床上尚无融入成熟可靠的读取辨识胸片的人工智能图像分析方法。一个可以准确分辨正常肺部与病变肺部的人工智能(AI)系统可以辅助医生更早的诊断、规划与治疗，弥补检查方法复杂缓慢，医护人员工作繁重等问题。
发明内容
针对上述问题，本发明提供了一种基于深度学习的肺部图像分析系统及其分析方法。
一种基于深度学习的肺部图像分析系统，其包括输入模块、输出模块和检测模块；
所述的输入模块用于获取待检测图像，并将待检测图像传输到所述检测模块；
所述检测模块用于通过训练好的卷积神经网络检测待检测图像中的肺部轮廓区域内的病变区域的形状特点及颜色的灰度特征，并与网络训练所得的肺部疾病的病症图像特征进行对比，获取对比结果；
所述输出模块用于展示检测模块的对比结果。
进一步的，所述检测模块包括两个子模块：建模子模块，判断子模块；
所述建模子模块用于建立基于深度学习的卷积神经网络；
所述判断子模块用于判断所述检测图像是否符合肺部疾病的胸片特征，所述对比结果为所述待检测图像与网络训练所得的肺部疾病的病症图像特征对比是否符合。
其中，所述建模子模块包括神经网络构建单元、神经网络训练单元；
所述神经网络构建单元用于构建卷积神经网络；所述神经网络训练单元用于对所述卷积神经网络进行训练，获得训练好的卷积神经网络。
其中，所述判断子模块包括检测区域识别单元、病灶检测单元、判断单元；
所述检测区域识别单元用于识别出所述待检测图像中肺部疾病进行判断的关键区域；
所述病灶检测单元用于调用所述训练好的卷积神经网络检测所述待检测图像中是否存在类似肺部疾病胸片的典型特征；
所述判断单元用于调用先调用检测区域识别单元判断该区域是否为肺部图像，若是，对所述待检测图像进行病症检测，否则，不对所述待检测图像进行病症检测；
所述病症检测包括：通过调用所述检测区域识别单元和病灶检测单元，判断所述待检测图像是否具有类似肺部疾病胸片的典型特征，若是，则所述检测结果为符合，否则，所述检测结果为不符合。
进一步的，所述神经网络构建单元用于构建卷积神经网络，包括：
构建包括前端网络和后端网络的卷积神经网络；
采用信息库的肺部疾病胸片CT对前端网络进行分类训练，获取卷积神经网络的初始权重和偏置。
其中，所述神经网络训练单元包括：
训练数据选取子单元、训练数据预处理子单元、先验框确定子单元、损失函数定义子单元、训练子单元；
所述训练数据准备子单元用于选取用于训练所述卷积神经网络的训练数据；
所述训练数据预处理子单元用于对所述训练数据进行归一化处理和数据增强处理，获取预处理数据；
所述先验框确定子单元用于获取对所述卷积神经网络进行训练时使用的先验框；
所述损失函数定义子单元用于定义对所述卷积神经网络进行训练时使用的损失函数；
所述训练子单元用于使用所述预处理数据、损失函数对所述卷积神经网络进行训练，所述训练包括更新所述权重。
上述系统的分析方法为，一种基于深度学习的肺部图像分析方法，包括以下步骤：
获取待检测图像，
通过训练好的卷积神经网络检测待检测图像中的肺部轮廓区域内的病变区域的形状特点及颜色的灰度特征，并与网络训练所得的肺部疾病的病症图像特征进行对比，获取对比结果；
展示对比结果；
所述并与网络训练所得的肺部疾病的病症图像特征进行对比，包括：
若在所述待检测图像中检测不到有区于周边肺实质灰度的其他灰度，则对比结果为不符合；
否则，在检测所述待检测图像中存在有区于周边肺实质灰度的其他灰度，将所述待检测图像中的病变部位用最小外接框进行标注，获得病变区域框；
判断所述病变区域框内的病变部位的形状、边缘轮廓特征和灰度值，若属于卷积网络训练学习所得的肺部疾病的胸片特征，则所述对比结果为符合。
本发明的有益效果为：本发明通过构建基于深度学习的卷积神经网络，并使用所述卷积神经网络对胸片的肺部是否存在病变来进行初步的分析，给医生临床诊断提供辅助的信息分析，解决了传统检测技术中核酸检测周期长，并提高了CT检测的准确性。
附图说明
图1是本发明系统结构示意图；
图2是检测模块的构成；
图3是构建神经网络的流程图；
图4是本发明卷积神经网络的一个完整网络模型；
图5是本发明网络的训练和测试基本流程；
图6是本发明的混淆矩阵对网络分类测试结果准确性的检验结果。
具体实施方式
结合以下实例对本发明作进一步描述。
本实施例的目的在于辅助医生提高新型冠状病毒胸片图像分析的效率。本实施例采样了三类样本，分别为新型冠状病毒、普通肺病、正常情况。利用30000张肺部疾病影像数据集 (每类10000张)完成对病人肺部疾病三分类的监督学习，有效利用疾病边界框提高分类精度，构造出的一个高效准确的胸片分类模型。
计算机通过寻找胸片中诸如轮廓边缘和色阶差异较明显所构成的病灶区形状之类的低级特点来分类图片，继而通过一系列卷积层级建构出更为抽象的概念，即输出描述该图像属于某一特定病症分类的概率的数字。这是CNN(卷积神经网络)工作方式运用于肺部疾病图像分析的大体概述。
本实施例将27000张胸(每类9000)片用于训练，3000(每类1000)张用于对训练结果的测试。对测试结果运用roc曲线、混淆矩阵、分类报告这三种检验方法分别对算法结果检验分析。结果对三分类疾病信息分析平均准确率达到了99.0％。具体的过程为：
如图1，本发明的一种基于深度学习的肺部图像分析系统，其包括输入模块1、检测模块 2和检测模块3；
所述输入模块1用于获取待检测胸片图像，并将所述待检测胸片图像传输到所述检测模块；
所述检测模块2用于通过训练好的卷积神经网络检测待检测图像中的肺部轮廓区域内的病变区域的形状特点及颜色的灰度特征是否符合网络训练所得的新型冠状病毒肺炎的病症图像特征，获取该待检测胸片是否符合新型冠状病毒图像的特点；
所述输出模块3用于展示所述输出结果。
所述检测模块2包括建模子模块、判断子模块；
在所述建模子模块中用于建立基于深度学习的卷积神经网络；所述判断子模块用于判断所述检测图像是否符合新冠肺炎疾病的图像特点来获得检测特点，所述检测结果为所述待检测胸片是否符合新型冠状病毒图像的特点。
所述建模子模块包括神经网络构建单元、神经网络训练单元；
所述神经网络构建单元用于构建卷积神经网络；所述神经网络训练单元对所述卷积神经网络进行训练，获得训练好的卷积神经网络。如图2所示，图上○输入层，Δ隐藏层，□输出层。实际中，输入层会有很多，隐藏层也可能不止这两层。输入层接受大量外部的非线性输入信息。隐藏层是输入层和输出层之间众多神经元链接成的各个层面，包含(激活函数，非线性变换等)输出层则接受信息在神经元中传输、分析、权衡得出结果，这些输出结果，就是我们大脑经过一个复杂学习过程得到的最终成果。
所述神经网络构建单元用于构建卷积神经网络，如图3所示，包括：
构建包括前端网络和后端网络的卷积神经网络；
本实施例采用开源数据集国家生物信息中心公布的《2019新型冠状病毒信息库》胸片 CT对前端网络进行分类训练，获取卷积神经网络的初始权重和偏置。
所述卷积神经网络的前端网络，包括：
使用顺序容器构建网络并实例化。
在神经网络下都构造了以下函数：卷积函数(Cov2d)、用于加速神经网络训练，加速收敛速度及稳定性的算法(Batchnom2d)、线性整流函数(Relu)、和最大池化函数(Maxpool2d)。
其中除输入通道数(in_channels)为256；输出通道数(out_channels)为1024；
卷积核大小(kernel_size)为3*3；
Maxpool窗口大小设为2*2，输入的每一条边补充1的层数(padding＝1)。
将上层网络Conv2d中传递下来的tensor直接进行修改(inplace＝true)，这样能够节省运算内存，不用多存储其他变量。
本实施例造的分类器classifier是用来把上层网络输出的具有1024个通道数的样本输入转变成输出通道数为3，也即转变成拥有3种特征值的输出，这里的每种特征值代表一种检测结果标签。
对forward函数的实现：每个神经网络本实施例定义了4层，本实施例需要在前向传播函数(forward)中有机地将它们组合起来，其中的view()函数的参数设为了(-1，1024)，-1 指在不告诉函数有多少行的情况下，根据原tensor数据和batchsize自动分配行数；1024指转换后有1024行。
构建网络基本模型算基本完成，如图4所示；训练和测试基本流程，如图5所示。混淆矩阵对网络分类测试结果准确性的检验结果，如图6所示，我们定义的三分类：新型冠状病毒肺炎疾病为COVID19、普通常见肺炎疾病为CP、健康对照为Nomal。通过图示对角线上的数值可知本发明通过对胸片识别，新型冠状病毒肺炎疾病识别准确率达到了99.0％，其中常见普通肺炎疾病识别准确率为94.0％，健康对照的识别准确率为98.0％。

Claims (7)

1.一种基于深度学习的肺部图像分析系统，其特征在于，其包括输入模块、输出模块和检测模块；
所述的输入模块用于获取待检测图像，并将待检测图像传输到所述检测模块；
所述检测模块用于通过训练好的卷积神经网络检测待检测图像中的肺部轮廓区域内的病变区域的形状特点及颜色的灰度特征，并与网络训练所得的肺部疾病的病症图像特征进行对比，获取对比结果；
所述输出模块用于展示检测模块的对比结果。
2.根据权利要求1所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述检测模块包括两个子模块：建模子模块，判断子模块；
所述建模子模块用于建立基于深度学习的卷积神经网络；
所述判断子模块用于判断所述检测图像是否符合肺部疾病的胸片特征，所述对比结果为所述待检测图像与网络训练所得的肺部疾病的病症图像特征对比是否符合。
3.根据权利要求2所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述建模子模块包括神经网络构建单元、神经网络训练单元；
所述神经网络构建单元用于构建卷积神经网络；所述神经网络训练单元用于对所述卷积神经网络进行训练，获得训练好的卷积神经网络。
4.根据权利要求2所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述判断子模块包括检测区域识别单元、病灶检测单元、判断单元；
所述检测区域识别单元用于识别出所述待检测图像中肺部疾病进行判断的关键区域；
所述病灶检测单元用于调用所述训练好的卷积神经网络检测所述待检测图像中是否存在类似肺部疾病胸片的典型特征；
所述判断单元用于调用先调用检测区域识别单元判断该区域是否为肺部图像，若是，对所述待检测图像进行病症检测，否则，不对所述待检测图像进行病症检测；
所述病症检测包括：通过调用所述检测区域识别单元和病灶检测单元，判断所述待检测图像是否具有类似肺部疾病胸片的典型特征，若是，则所述检测结果为符合，否则，所述检测结果为不符合。
5.根据权利要求3所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述神经网络构建单元用于构建卷积神经网络，包括：
构建包括前端网络和后端网络的卷积神经网络；
采用信息库的肺部疾病胸片CT对前端网络进行分类训练，获取卷积神经网络的初始权重和偏置。
6.根据权利要求3所述的一种基于深度学习的肺部图像分析系统，其特征在于，所述神经网络训练单元包括：
训练数据选取子单元、训练数据预处理子单元、先验框确定子单元、损失函数定义子单元、训练子单元；
所述训练数据准备子单元用于选取用于训练所述卷积神经网络的训练数据；
所述训练数据预处理子单元用于对所述训练数据进行归一化处理和数据增强处理，获取预处理数据；
所述先验框确定子单元用于获取对所述卷积神经网络进行训练时使用的先验框；
所述损失函数定义子单元用于定义对所述卷积神经网络进行训练时使用的损失函数；
所述训练子单元用于使用所述预处理数据、损失函数对所述卷积神经网络进行训练，所述训练包括更新所述权重。
7.一种基于深度学习的肺部图像分析方法，其特征在于，包括以下步骤：
获取待检测图像，
通过训练好的卷积神经网络检测待检测图像中的肺部轮廓区域内的病变区域的形状特点及颜色的灰度特征，并与网络训练所得的肺部疾病的病症图像特征进行对比，获取对比结果；
展示对比结果；
所述并与网络训练所得的肺部疾病的病症图像特征进行对比，包括：
若在所述待检测图像中检测不到有区于周边肺实质灰度的其他灰度，则对比结果为不符合；
否则，在检测所述待检测图像中存在有区于周边肺实质灰度的其他灰度，将所述待检测图像中的病变部位用最小外接框进行标注，获得病变区域框；
判断所述病变区域框内的病变部位的形状、边缘轮廓特征和灰度值，若属于卷积网络训练学习所得的肺部疾病的胸片特征，则所述对比结果为符合。
CN202010749645.0A 2020-07-30 2020-07-30 一种基于深度学习的肺部图像分析系统及其分析方法 Pending CN111862075A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010749645.0A CN111862075A (zh) 2020-07-30 2020-07-30 一种基于深度学习的肺部图像分析系统及其分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010749645.0A CN111862075A (zh) 2020-07-30 2020-07-30 一种基于深度学习的肺部图像分析系统及其分析方法

Publications (1)

Publication Number Publication Date
CN111862075A true CN111862075A (zh) 2020-10-30

Family

ID=72946751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010749645.0A Pending CN111862075A (zh) 2020-07-30 2020-07-30 一种基于深度学习的肺部图像分析系统及其分析方法

Country Status (1)

Country Link
CN (1) CN111862075A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112690815A (zh) * 2020-11-30 2021-04-23 四川大学 基于肺部图像报告辅助诊断病变等级的系统和方法
CN112950534A (zh) * 2021-01-22 2021-06-11 华东师范大学 一种基于人工智能的便携式超声肺炎辅助诊断系统
CN113450310A (zh) * 2021-05-31 2021-09-28 四川大学华西医院 一种窄带光成像膀胱镜检图像的分析系统和方法
CN113591791A (zh) * 2021-08-16 2021-11-02 郑州大学 基于自学习人工智能的肺癌自动化识别系统
CN115115620A (zh) * 2022-08-23 2022-09-27 安徽中医药大学 一种基于深度学习的肺炎病变模拟方法及系统
CN117274413A (zh) * 2023-09-01 2023-12-22 南京航空航天大学 一种基于eit的电导率图像重建方法、系统及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358594A (zh) * 2017-07-13 2017-11-17 深圳市前海博志信息技术有限公司 基于x射线和超声波检查的乳腺图像处理系统及方法
CN107958453A (zh) * 2017-12-01 2018-04-24 深圳蓝韵医学影像有限公司 乳腺图像病变区域的检测方法、装置及计算机存储介质
CN110084237A (zh) * 2019-05-09 2019-08-02 北京化工大学 肺结节的检测模型构建方法、检测方法和装置
CN110599448A (zh) * 2019-07-31 2019-12-20 浙江工业大学 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统
CN110969622A (zh) * 2020-02-28 2020-04-07 南京安科医疗科技有限公司 用于辅助肺炎诊断的图像处理方法和系统
CN111325739A (zh) * 2020-02-28 2020-06-23 北京推想科技有限公司 肺部病灶检测的方法及装置，和图像检测模型的训练方法
CN111340827A (zh) * 2020-05-18 2020-06-26 天津精诊医疗科技有限公司 一种肺部ct影像数据处理分析方法及系统
CN111413492A (zh) * 2020-04-30 2020-07-14 山东大学 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统
CN111462097A (zh) * 2020-04-03 2020-07-28 深圳前海微众银行股份有限公司 基于联邦学习的图像处理方法、装置、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358594A (zh) * 2017-07-13 2017-11-17 深圳市前海博志信息技术有限公司 基于x射线和超声波检查的乳腺图像处理系统及方法
CN107958453A (zh) * 2017-12-01 2018-04-24 深圳蓝韵医学影像有限公司 乳腺图像病变区域的检测方法、装置及计算机存储介质
CN110084237A (zh) * 2019-05-09 2019-08-02 北京化工大学 肺结节的检测模型构建方法、检测方法和装置
CN110599448A (zh) * 2019-07-31 2019-12-20 浙江工业大学 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统
CN110969622A (zh) * 2020-02-28 2020-04-07 南京安科医疗科技有限公司 用于辅助肺炎诊断的图像处理方法和系统
CN111325739A (zh) * 2020-02-28 2020-06-23 北京推想科技有限公司 肺部病灶检测的方法及装置，和图像检测模型的训练方法
CN111462097A (zh) * 2020-04-03 2020-07-28 深圳前海微众银行股份有限公司 基于联邦学习的图像处理方法、装置、设备及存储介质
CN111413492A (zh) * 2020-04-30 2020-07-14 山东大学 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统
CN111340827A (zh) * 2020-05-18 2020-06-26 天津精诊医疗科技有限公司 一种肺部ct影像数据处理分析方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
史霄波: "医疗健康数据特征学习模型研究", 《中国博士论文全文数据库 信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112690815A (zh) * 2020-11-30 2021-04-23 四川大学 基于肺部图像报告辅助诊断病变等级的系统和方法
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
CN112950534A (zh) * 2021-01-22 2021-06-11 华东师范大学 一种基于人工智能的便携式超声肺炎辅助诊断系统
CN113450310A (zh) * 2021-05-31 2021-09-28 四川大学华西医院 一种窄带光成像膀胱镜检图像的分析系统和方法
CN113591791A (zh) * 2021-08-16 2021-11-02 郑州大学 基于自学习人工智能的肺癌自动化识别系统
CN115115620A (zh) * 2022-08-23 2022-09-27 安徽中医药大学 一种基于深度学习的肺炎病变模拟方法及系统
CN115115620B (zh) * 2022-08-23 2022-12-13 安徽中医药大学 一种基于深度学习的肺炎病变模拟方法及系统
CN117274413A (zh) * 2023-09-01 2023-12-22 南京航空航天大学 一种基于eit的电导率图像重建方法、系统及设备
CN117274413B (zh) * 2023-09-01 2024-04-05 南京航空航天大学 一种基于eit的电导率图像重建方法、系统及设备

Similar Documents

Publication Publication Date Title
CN111862075A (zh) 一种基于深度学习的肺部图像分析系统及其分析方法
CN108364006B (zh) 基于多模式深度学习的医学图像分类装置及其构建方法
Manickam et al. Automated pneumonia detection on chest X-ray images: A deep learning approach with different optimizers and transfer learning architectures
Mamalakis et al. DenResCov-19: A deep transfer learning network for robust automatic classification of COVID-19, pneumonia, and tuberculosis from X-rays
CN112365464B (zh) 一种基于gan的医学图像病变区域弱监督定位方法
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN111488914A (zh) 一种基于多任务学习的阿尔茨海默症分类及预测系统
Abdollahi et al. An artificial intelligence system for detecting the types of the epidemic from X-rays: artificial intelligence system for detecting the types of the epidemic from X-rays
Li et al. Explainable multi-instance and multi-task learning for COVID-19 diagnosis and lesion segmentation in CT images
Senan et al. Automated diagnosis of chest X-ray for early detection of COVID-19 disease
Raftarai et al. Predictive models of hospital readmission rate using the improved AdaBoost in COVID-19
Tobias et al. CNN-based deep learning model for chest X-ray health classification using tensorflow
Radha Analysis of COVID-19 and pneumonia detection in chest X-ray images using deep learning
Kumar et al. Lungcov: A diagnostic framework using machine learning and Imaging Modality
CN113688942A (zh) 基于深度学习的头侧片腺样体图像自动评估方法和装置
CN113052227A (zh) 一种基于SE-ResNet的肺结核识别方法
CN112508943A (zh) 基于超声影像的乳腺肿瘤识别方法
Costa et al. A deep learning-based radiomics approach for COVID-19 detection from CXR images using ensemble learning model
CN113255718B (zh) 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法
Shang et al. Identification of common oral disease lesions based on U-Net
CN111951228B (zh) 一种融合梯度激活映射和深度学习模型的癫痫灶定位系统
CN114926396A (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
Siddiqui et al. Attention based covid-19 detection using generative adversarial network
Alani et al. COVID-CNNnet: Convolutional Neural Network for Coronavirus Detection
Kassylkassova et al. Automated Pneumonia Diagnosis using a 2D Deep Convolutional Neural Network with Chest X-Ray Images

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