CN111882509A - 一种基于生成对抗网络的医学图像数据生成与检测方法 - Google Patents
一种基于生成对抗网络的医学图像数据生成与检测方法 Download PDFInfo
- Publication number
- CN111882509A CN111882509A CN202010501146.XA CN202010501146A CN111882509A CN 111882509 A CN111882509 A CN 111882509A CN 202010501146 A CN202010501146 A CN 202010501146A CN 111882509 A CN111882509 A CN 111882509A
- Authority
- CN
- China
- Prior art keywords
- generation
- medical image
- network
- countermeasure network
- image data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 35
- 230000000694 effects Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 2
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010073069 Hepatic cancer Diseases 0.000 description 1
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06N20/00—Machine learning
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于生成对抗网络的医学图像数据生成与检测方法,通过生成对抗网络合成医学图像,并用合成医学图像与真实图像数据集混合,扩充数据集,以扩充的数据集训练检测器,获取最终检测网络模型,将扩充数据集输入最终检测网络模型,得到检测结果。本发明的生成对抗网络结构包括一个生成器、一个判别器和一个使用跳跃连接计算残差的约束器,生成器的隐藏层输出依次接上batch_norm层和dropout层。本发明解决医学图像数据量少的问题,提高了检测网络的泛化能力,减少过拟合的风险。
Description
技术领域
本发明属于医学图像分析领域,具体涉及一种基于生成对抗网络的医学图像数据生成与检测方法。
背景技术
机器学习算法被广泛用于医学图像分析,通过在给定数据集上训练模型来完成新数据上的特定任务,比如分类、分割和检测等。常用的算法有支持向量机(SVM)、隐马尔科夫(HMM)等。然而,传统的机器学习算法需要利用先验知识从原始数据中人工提取特征,从而训练模型。由于特征提取难度较大,模型可能存在拟合能力不够的问题;另一方面,医学图像在数据量上远远比不过传统图像,使用传统的模型过拟合现象严重。
近年来,越来越多的研究者在医学图像上进行研究,以定位和分类肝脏疾病,如肝细胞癌(HCC)、转移肝腺癌、肝血管瘤等。其中对于医学图像的研究大概可以分为三类。一类是医学图像分类,对医学图像的进一步处理获得形状、颜色、纹理以及与周围组织的关系等数据信息来对图像进行准确的分类;通常使用更深的人工神经网络(Neural Network)结构,提高目标的特征表示能力,提高分类速度,以达到更好的分类效果。第二类是医学图像分割,医学图像分割是医学图像处理定量分析的关键技术,是配准、三维重建等后续研究的基础;例如,以医学胸部医学图像为实验对象,提出了一种基于区域生长法的医学图像分割方案,并进行肺组织的有效分割。最后一类是医学图像的病灶检测,使用特定的检测模型和算法,来实现对医学图像中存在的疾病进行检测,包括大部分研究人员在进行的肺结节检测,目前已经达到了比较高的准确率;还有对肝脏肿瘤的检测、辅助医生的临床诊断,实现早发现早治疗的目标;实现检测的方法包括单阶段(One-stage)的目标检测方法和两阶段(Two-stage)的目标检测方法。然而,目前一个疾病的医学图像样本集往往只有几十个样本,检测的过拟合现象同样十分严重。
生成对抗式模型不仅在机器学习人工智能领域占有重要地位,生成对抗式模型的方法本身也具有很大的研究价值。最近,生成对抗式模型的方法被广泛应用于小数据集的扩充训练上,是解决医学图像样本少问题的一个重要方法。生成方法模型和判别方法模型是生成对抗式模型的两个分支,生成式模型是生成方法学习得到的模型,生成方法涉及对数据的分布假设和分布参数学习,并能够根据学习而来的模型采样出新的样本。
发明内容
针对现有技术中存在不足,本发明提供了一种基于生成对抗网络的医学图像数据生成与检测方法,通过采集CT图像,利用生成对抗网络对CT图像进行训练并生成,同时扩充数据集,达到提高疾病病灶检测效果的目的。
本发明是通过以下技术手段实现上述技术目的的。
一种基于生成对抗网络的医学图像数据生成与检测方法,具体为:
设计生成对抗网络,包括生成器、判别器和约束器;
训练生成对抗网络:先对生成对抗网络训练n次,再开始训练约束器,直到约束器的准确率达到稳定,约束器准确率最优时的生成对抗网络模型处理合成医学图像,具体为:所述生成器合成医学图像,所述判别器辨别合成医学图像与真实图像,预先训练好的约束器约束合成医学图像在Wasserstein距离上远离真实图像;
将合成医学图像以不同比例与真实图像混合,形成多个数据集,利用检测器检测多个数据集,选择检测效果最好时的混合数据集,与预处理的医学图像数据集一起作为最终数据集;
将所述最终数据集作为训练集,训练过程中将测试集检测效果最好时的检测网络模型作为最终检测网络模型,所述最终数据集输入最终检测网络模型,得到检测结果。
进一步,所述生成对抗网络最终的损失函数为:
其中:LWGAN为生成对抗网络原有损失,Lconstraint为约束器损失,G表示生成对抗网络对高斯噪声z的操作,D指的是判别器,x′表示真实数据分布,λ2为加权参数。
更进一步,所述M(G(z))-M(x′)表示生成数据分布与真实数据分布之间的Wasserstein距离,通过该值表示生成数据分布和真实数据分布之间的差异性,称为类间距离;表示生成数据分布和真实数据分布之间的类内距离。
进一步,所述生成器分为输入层、隐藏层和输出层,隐藏层的输出依次接上batch_norm层和dropout层。
进一步,所述约束器的网络采用多层卷积进行堆叠提取特征,使用跳跃连接计算残差,每个残差块包括3层卷积层,层与层之间使用Leaky_RELU激活函数,每个残差块后面使用下采样池化。
进一步,所述生成器和判别器以交替的方式更新网络。
进一步,所述预处理的医学图像数据集是对图像的像素值进行处理。
本发明的有益效果在于:
(1)本发明的生成对抗网络包含生成器、判别器与约束器,约束后的合成医学图像,提高后续检测效果;通过生成器与判别器的交替训练,达到生成高质量图像的目的;生成器隐藏层的输出依次接上batch_norm层和dropout层,解决了使用机器学习对医学图像进行病灶检测过程中,由于数据量小,容易导致过拟合的问题。
(2)本发明将合成医学图像以不同比例与真实图像混合,形成多个数据集,利用检测器检测多个数据集,选择检测效果最好时的混合数据集,与预处理的医学图像数据集一起作为最终数据集,从而对数据集进行扩充,增加了数据中特征的多样性,使训练出的检测器鲁棒性更好,减少过拟合的风险。
附图说明
图1为本发明基于生成对抗网络的医学图像数据生成与检测方法流程图;
图2为本发明生成对抗网络的整体结构图;
图3为本发明生成器的网络结构图,图3(a)为本发明生成器的网络整体结构图,图3(b)为本发明隐藏层的机构图;
图4为本发明判别器、约束器共用的网络结构图;
图5为本发明生成对抗网络训练流程图;
图6为本发明训练检测网络流程图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
本发明的整体实施流程如图1,基于生成对抗网络的医学图像数据生成与检测方法包括医学图像预处理、训练生成对抗网络、合成医学图像并扩充数据集、训练检测器、对测试的数据进行病灶检测。本实施例中,医学图像以CT图像为例,且在进行本发明方法之前,将采集的CT图像一部分作为数据生成与检测的试验组,另一部分作为真实图像(对照组)。具体步骤如下:
步骤一,CT图像预处理
CT值的单位是Hu(Hounsfield),范围是-1024-3071,CT值用于衡量人体组织对X射线的吸收率,设定CT图像水的吸收率为0Hu。在CT图像读取的过程中,发现图像的像素值有可能不是CT值范围内,通常是0-4096,这是常见到的像素值,需要将图像像素值转换为CT值,转换公式为Hu=pixel_value*rescale_slope+rescale_intercept,其中pixel_value表示像素值,rescale_slope表示缩放斜率,rescale_intercept表示缩放截距。通过对图像的像素值进行处理,使得CT图像轮廓更明显、区分度更大、减少周围区域的干扰。
步骤二,训练生成对抗网络
图2是本发明生成对抗网络的结构图。该网络包括一个生成器、一个判别器和一个约束器。
(1)生成器
如图3(a)为本发明设计的生成器网络结构图,由于CT图像大小为512*512,生成器网络设计为九层,分为输入层、隐藏层和输出层。
①输入层
生成网络的输入层利用一层全连接的神经网络将高斯噪声向量转换为8*8*512的特征矩阵,这层特征矩阵的作用是为了生成图像时具有多样性,将高斯噪声向量转化为特征矩阵的目的是为了接下来的反卷积操作。
②隐藏层
本发明设计的生成网络隐藏层为3层反卷积,卷积核的大小选择3*3,如图3(b)所示,每一层后面使用relu激活函数。每个生成器隐藏层的输出依次接上batch_norm层和dropout层,batch_norm层的作用是将每个隐藏层的输出批归一化,有助于防止梯度爆炸,并且还可以减少在训练过程中过拟合的风险,dropout层的作用是使得在每次更新迭代时使隐藏层的神经元部分失活,起到减少过拟合的作用。
③输出层
输出层的目的是对特征图进行加权挑选,将原本的8张特征图处理为一张并输出;此时得到的结果便是合成CT图像。
(2)判别器和约束器
本发明提出的生成对抗网络,由于判别器和约束器的输入和输出大小一样,所以使用相同的网络结构。网络结构如图4所示,网络采用多层卷积进行堆叠提取特征,为了确保判别器在分辨真伪时的性能,适当地加厚了卷积层的层数,并使用跳跃连接计算残差,提高训练时梯度传播的效果。每个残差块包括3层卷积层,层与层之间使用Leaky_RELU激活函数,每个残差块后面使用下采样池化,将特征图进一步缩小一半,在保证特征信息传播的情况下,逐步减少冗余信息。网络输出层使用全卷积的模式,相比使用全连接进行特征筛选,减少了参数量,使网络更简洁。
(3)生成对抗网络的训练
A.将预处理的CT图像数据分为训练集和测试集,人工制作好每个数据的类别标签,以检测器所需的格式保存。
B.生成对抗网络的训练过程如图5所示。本发明提出的生成对抗网络的训练方式与一般的生成对抗网络不同,对于原有的WGAN,以交替的方式更新网络的生成器和判别器,每更新1次生成器,需更新5次判别器;此外,对于前25次迭代和第100次迭代,每更新1次生成器,更新100次判别器。为了让生成对抗网络达到最优的生成效果,即生成数据对检测准确率起明显的提高作用,在训练生成对抗网络的过程中加入了约束器,其作用是评价训练阶段生成器生成的数据质量,在训练过程中先对生成对抗网络训练n次,再开始训练约束器,直到约束器的准确率达到稳定,记录下此刻的局部最优准确率,如此反复。在每次开始训练约束器前,需要将约束器参数重新初始化,以确保训练结果与上一次训练无关。重复训练这个步骤直至100个epoch,将其中约束器准确率最高时的生成对抗网络模型保存下来。
使用生成对抗网络,在具有6GB内存的Nvidia GTX 980ti GPU上训练,迭代次数(iteration)大小设置为60。使用ADAMy优化器执行生成对抗网络实验所有的步骤,优化器参数设置为β1=0.5、β2=0.9,生成器与判别器的学习率设置为10-5,约束器和分类器的学习率设置为10-3。在所有实验和评价中,使用5倍交叉验证,每一个折叠使用不同的训练集和测试集,迭代流程大约花费20个小时的时间。
本发明生成对抗网络的对抗方式选择Wasserstein GAN(WGAN)形式,其中约束器的损失设置为:
其中:Lconstraint表示约束器损失,G表示生成对抗网络对高斯噪声z的操作(如卷积、池化、RELU函数、批归一化等),E表示分布函数的期望值,M表示约束器的映射输出,x′表示真实数据分布。
M(G(z))-M(x′)表示生成数据分布与真实数据分布之间的Wasserstein距离,通过该值可以表示生成数据分布和真实数据分布之间的差异性,称为类间距离;表示生成数据分布和真实数据分布之间的类内距离;λ1为加权参数,用于平衡类间距离和类内距离。
结合约束器损失Lconstraint和生成对抗网络原有损失LWGAN,得到生成对抗网络最终的损失函数:
其中:D指的是判别器,λ2为加权参数,用于控制两个损失之间的权衡。
为了使约束器收敛,在训练约束器时将加权参数λ1范围限制在[-0.1,0.1];优选地,参数λ1=10,λ2=0.01。通过实验发现,损失函数加入类间距离和类内距离的损失后,生成对抗网络更容易生成对分类效果有提升的数据。
保存下来的生成对抗网络模型,用于处理合成CT图像,具体为:生成器合成CT图像,判别器辨别合成CT图像与真实图像,预先训练好的约束器网络,使得合成CT图像在Wasserstein距离上远离真实图像,通过约束器约束后的合成CT图像在后端进行检测时,能得到更好的检测效果。同时通过生成器与判别器的交替训练,达到生成高质量图像的目的。
步骤三,扩充CT图像数据集
本发明通过将合成CT图像、真实图像混合,达到扩充数据集的效果。合成CT图像和真实图像将按一定的比值混合,将两者的混合比例设定为0.2∶1、0.4∶1、0.6∶1、0.8∶1、1∶1,共5个数据集,并用检测器进行检测,将预处理的CT图像数据集在检测器上的检测结果作为基线。对比不同比例下的检测效果,选择检测效果最好时的混合数据集,与预处理的CT图像数据集一起作为最终数据集。
步骤四,训练检测网络
本发明最终用于检测CT图像的检测器,将步骤三中的最终数据集作为训练集,用ubuntu系统下的pytorch框架进行训练。训练过程中用测试集(即预处理的CT图像数据包含测试集)进行测试,将测试集检测效果最好时的检测网络模型保存下来作为最终的检测网络模型。如图6所示
步骤五,图像检测
将步骤三最终的数据集输入步骤四最终训练好的检测网络模型,即可得到检测结果。
本发明的方法,解决了利用机器学习进行医学图像目标检测时样本少的问题。通过生成对抗网络扩充CT图像数据,提高了检测网络的能力和准确度,大大减少了人工检测的工作量,快速得到结果。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (8)
1.一种基于生成对抗网络的医学图像数据生成与检测方法,其特征在于,具体为:
设计生成对抗网络,包括生成器、判别器和约束器;
训练生成对抗网络:先对生成对抗网络训练n次,再开始训练约束器,直到约束器的准确率达到稳定,约束器准确率最优时的生成对抗网络模型处理合成医学图像,具体为:所述生成器合成医学图像,所述判别器辨别合成医学图像与真实图像,预先训练好的约束器约束合成医学图像在Wasserstein距离上远离真实图像;
将合成医学图像以不同比例与真实图像混合,形成多个数据集,利用检测器检测多个数据集,选择检测效果最好时的混合数据集,与预处理的医学图像数据集一起作为最终数据集;
将所述最终数据集作为训练集,训练过程中将测试集检测效果最好时的检测网络模型作为最终检测网络模型,所述最终数据集输入最终检测网络模型,得到检测结果。
5.根据权利要求1所述的基于生成对抗网络的医学图像数据生成与检测方法,其特征在于,所述生成器分为输入层、隐藏层和输出层,隐藏层的输出依次接上batch_norm层和dropout层。
6.根据权利要求1所述的基于生成对抗网络的医学图像数据生成与检测方法,其特征在于,所述约束器的网络采用多层卷积进行堆叠提取特征,使用跳跃连接计算残差,每个残差块包括3层卷积层,层与层之间使用Leaky_RELU激活函数,每个残差块后面使用下采样池化。
7.根据权利要求1所述的基于生成对抗网络的医学图像数据生成与检测方法,其特征在于,所述生成器和判别器以交替的方式更新网络。
8.根据权利要求1所述的基于生成对抗网络的医学图像数据生成与检测方法,其特征在于,所述预处理的医学图像数据集是对图像的像素值进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010501146.XA CN111882509A (zh) | 2020-06-04 | 2020-06-04 | 一种基于生成对抗网络的医学图像数据生成与检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010501146.XA CN111882509A (zh) | 2020-06-04 | 2020-06-04 | 一种基于生成对抗网络的医学图像数据生成与检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111882509A true CN111882509A (zh) | 2020-11-03 |
Family
ID=73154041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010501146.XA Pending CN111882509A (zh) | 2020-06-04 | 2020-06-04 | 一种基于生成对抗网络的医学图像数据生成与检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882509A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435341A (zh) * | 2020-11-23 | 2021-03-02 | 推想医疗科技股份有限公司 | 三维重建网络的训练方法及装置、三维重建方法及装置 |
CN113205521A (zh) * | 2021-04-23 | 2021-08-03 | 复旦大学 | 一种医学影像数据的图像分割方法 |
CN113256572A (zh) * | 2021-05-12 | 2021-08-13 | 中国科学院自动化研究所 | 基于修复和选择性增强的胃镜图像分析系统、方法及设备 |
CN113611410A (zh) * | 2021-09-08 | 2021-11-05 | 温州医科大学附属第一医院 | 一种脂肪性肝炎风险诊断设备、系统及其残差网络的训练方法 |
CN113935913A (zh) * | 2021-10-08 | 2022-01-14 | 北京计算机技术及应用研究所 | 一种具有视觉感知隐蔽性的黑盒图像对抗样本生成方法 |
CN116822589A (zh) * | 2023-06-14 | 2023-09-29 | 西南交通大学 | 一种烟火图像生成方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493308A (zh) * | 2018-11-14 | 2019-03-19 | 吉林大学 | 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 |
CN110021037A (zh) * | 2019-04-17 | 2019-07-16 | 南昌航空大学 | 一种基于生成对抗网络的图像非刚性配准方法及系统 |
-
2020
- 2020-06-04 CN CN202010501146.XA patent/CN111882509A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493308A (zh) * | 2018-11-14 | 2019-03-19 | 吉林大学 | 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 |
CN110021037A (zh) * | 2019-04-17 | 2019-07-16 | 南昌航空大学 | 一种基于生成对抗网络的图像非刚性配准方法及系统 |
Non-Patent Citations (1)
Title |
---|
LI MA等: "Combining DC-GAN with ResNet for blood cell image classification", MEDICAL & BIOLOGICAL ENGINEERING & COMPUTING, pages 1251 - 1264 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435341A (zh) * | 2020-11-23 | 2021-03-02 | 推想医疗科技股份有限公司 | 三维重建网络的训练方法及装置、三维重建方法及装置 |
CN112435341B (zh) * | 2020-11-23 | 2022-08-19 | 推想医疗科技股份有限公司 | 三维重建网络的训练方法及装置、三维重建方法及装置 |
CN113205521A (zh) * | 2021-04-23 | 2021-08-03 | 复旦大学 | 一种医学影像数据的图像分割方法 |
CN113256572A (zh) * | 2021-05-12 | 2021-08-13 | 中国科学院自动化研究所 | 基于修复和选择性增强的胃镜图像分析系统、方法及设备 |
CN113611410A (zh) * | 2021-09-08 | 2021-11-05 | 温州医科大学附属第一医院 | 一种脂肪性肝炎风险诊断设备、系统及其残差网络的训练方法 |
CN113611410B (zh) * | 2021-09-08 | 2023-03-24 | 温州医科大学附属第一医院 | 一种脂肪性肝炎风险诊断设备、系统及其残差网络的训练方法 |
CN113935913A (zh) * | 2021-10-08 | 2022-01-14 | 北京计算机技术及应用研究所 | 一种具有视觉感知隐蔽性的黑盒图像对抗样本生成方法 |
CN116822589A (zh) * | 2023-06-14 | 2023-09-29 | 西南交通大学 | 一种烟火图像生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111882509A (zh) | 一种基于生成对抗网络的医学图像数据生成与检测方法 | |
CN110503187B (zh) | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 | |
Wang et al. | A multi-view deep convolutional neural networks for lung nodule segmentation | |
Pezeshk et al. | 3-D convolutional neural networks for automatic detection of pulmonary nodules in chest CT | |
Zhang et al. | Photoacoustic image classification and segmentation of breast cancer: a feasibility study | |
CN107748900B (zh) | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 | |
Byra et al. | Early prediction of response to neoadjuvant chemotherapy in breast cancer sonography using Siamese convolutional neural networks | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
CN110853011B (zh) | 用于肺结节检测的卷积神经网络模型的构建方法 | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
Shukla et al. | AI-DRIVEN novel approach for liver cancer screening and prediction using cascaded fully convolutional neural network | |
Shen et al. | Mass image synthesis in mammogram with contextual information based on GANs | |
CN110473196A (zh) | 一种基于深度学习的腹部ct图像目标器官配准方法 | |
CN112101451A (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
Huang et al. | One-stage pulmonary nodule detection using 3-D DCNN with feature fusion and attention mechanism in CT image | |
CN111179237A (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
CN107729926A (zh) | 一种基于高维空间变换的数据扩增方法、机器识别系统 | |
CN114693933A (zh) | 基于生成对抗网络和多尺度特征融合的医学影像分割装置 | |
Nguyen et al. | Pulmonary nodule detection based on faster R-CNN with adaptive anchor box | |
Feulner et al. | Lymph node detection in 3-D chest CT using a spatial prior probability | |
JP2023517058A (ja) | 画像処理に基づく腫瘍の自動検出 | |
Gupta et al. | Partially-independent framework for breast cancer histopathological image classification | |
Hassan et al. | A dilated residual hierarchically fashioned segmentation framework for extracting gleason tissues and grading prostate cancer from whole slide images | |
Majid et al. | Enhanced transfer learning strategies for effective kidney tumor classification with CT imaging |
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 |