CN111951246A - 一种基于深度学习的多方位x光胸片肺炎诊断方法 - Google Patents
一种基于深度学习的多方位x光胸片肺炎诊断方法 Download PDFInfo
- Publication number
- CN111951246A CN111951246A CN202010803336.7A CN202010803336A CN111951246A CN 111951246 A CN111951246 A CN 111951246A CN 202010803336 A CN202010803336 A CN 202010803336A CN 111951246 A CN111951246 A CN 111951246A
- Authority
- CN
- China
- Prior art keywords
- pneumonia
- ray chest
- chest radiography
- image
- training
- 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.)
- Granted
Links
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 44
- 238000002601 radiography Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 238000013526 transfer learning Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 210000004072 lung Anatomy 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004140 cleaning Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 abstract description 2
- 230000001788 irregular Effects 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 238000003384 imaging method Methods 0.000 abstract 1
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 208000030507 AIDS Diseases 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 201000005505 Measles Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 201000004792 malaria Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000002560 therapeutic procedure 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
- 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (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)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明属于人工智能医疗领域，公开了一种基于深度学习的多方位X光胸片肺炎诊断方法，以提高神经网络模型在X光胸片上对肺炎诊断的性能。本发明通过：输入X光胸片数据，对数据进行清洗，过滤和图像增强；根据图像的成像方位对数据进行划分；使用迁移学习方法训练优化构建的多方位的深度卷积神经网络模型；将待诊断样本输入到模型中，得到X光胸片的分类结果，实现肺炎的分类检测。本发明可以对X光胸片图像数据进行高效的处理，过滤和图像增强，对参差不齐的医疗数据进行规范化、可训练化的治理。同时，通过输入多方位的X光胸片图像，可以提取患者更全的语义信息，有效提高模型对肺炎分类诊断的准确率，敏感值和特异值，为患者提供精准诊断。
Description
技术领域
本发明涉及人工智能医疗、医学影像诊断、数据分析领域，具体涉及一种基于深度学习的多方位X光胸片肺炎诊断方法。
背景技术
由世界卫生组织的统计显示，世界每年因为患上肺炎导致死亡的儿童达200万左右，超过HIV/AIDS、疟疾和麻疹致死人数的总和，成为儿童夭折的首要原因。在美国，每年有100多万成年人因肺炎住院，约5万人死于肺炎。在中国，每年约有250万余人获得性肺炎，有12万余人死于获得性肺炎。因此，因此，降低肺炎患者死亡率的关键在于早期诊断和早期治疗，识别是否患有肺炎成为关键，配合适当的治疗，病人的存活率可以得到提高。
肺炎是指肺泡，远端气道和肺间质的感染性炎症，可由细菌、病毒和其他病原体等因素感染引起。
目前，X光胸片仍然是诊断肺炎最主要的手段。但X光胸片图像存在对比度差，肺部组织结构不清晰的问题，导致肺炎判读困难；同时基于人工的肺炎预测需要有专业的放射科医师进行阅片，然而，由于全球的放射科医生资源稀缺且人工阅片需要耗费较长时间，导致医院诊断效率不高，病人就诊体验差。此外，人工阅片在长时间工作时容易出现漏诊、误诊。在影像引导治疗的现代，这无疑是待解决的问题。
现有基于深度学习的X光胸片图像数据分类上的方法，大都是基于单方位的数据进行分类诊断。但是在实际临床诊断过程中，放射科专家通常会给患者拍摄三个方位的X光胸片图像进行严格诊断，分别是前后位(AP)、后前位(PA)、侧位(LA)。因此，尽管前人基于深度学习的单方位方法在X光胸片肺炎分类已经有不错的性能，但仍然没有得到解释的是：基于深度学习的多方位X光胸片分类效果如何，卷积神经网络在不同方位提取的特征有何异同。
基于深度学习的医疗影像诊断方法中，数据治理是关键步骤。在获得了医疗数据之后，由于这些数据的高度复杂性和异构性，为了对数据建模分析，还需要进行众多的操作来提取特定的、具有临床意义的数据队列。特别是X光胸片图像数据，还存在缺失标签，图像模糊，密度差异小等问题。因此对医疗影像数据进行过滤和增强处理也是一项至关重要的工作。
发明内容
本发明所要解决的技术方案是，针对现有的方法和技术的不足，提供了一种基于深度学习的多方位X光胸片肺炎诊断方法，能有效提高模型对肺炎分类诊断的准确率，敏感值和特异值，为患者提供精准诊断。同时，还提供了用于X光胸片图像数据的治理管道，能对X光胸片图像数据进行高效的处理，过滤和图像增强，对参差不齐的医疗数据进行规范化、可训练化的治理。
本发明所采用的技术方案是：
一种基于深度学习的多方位X光胸片肺炎诊断方法，包括以下步骤：
1)输入X光胸片图像数据集；
2)数据治理：根据数据集提供的文本元数据文件，对存在标签值缺失或数值异常的数据进行删除；然后挑选出肺炎标签为0或1的X光胸片数据，并根据胸片图像的方位信息将X光胸片划分成前后位(AP)、后前位(PA)、侧位(LA)三个子集；最后，使用局部均衡的方法对胸片进行图像增强，使得胸片的肺部纹理轮廓更加清晰；
3)深度卷积神经网络模型构建：模型包括图像特征提取阶段和分类阶段，图像特征提取阶段使用三个在ImageNet数据集上预训练的网络Inception v3、ResNet50和DenseNet121分别对输入的三个方位的胸片图像进行特征提取；分类阶段包括一个转换层、一个全局池化层和一个预测层，用于输出所输入的样本是否患有肺炎；
4)模型参数设置：依次设置训练轮次epoch、训练批次大小bactch_size、学习率learning_rate及优化函数Adam，并按照下式改进传统的二分类交叉熵损失函数L(X，y)：
L(X，y)＝-wposylogp(Y＝1|X)-wneg(1-y)logp(Y＝0|X) (1)
其中，y表示网络分类的结果，p(Y＝i|X)是网络将样本预测为类别i的概率，
|P|和|N|分别表示训练集中正样本(患有肺炎)和负样本(未患肺炎)的数量；
5)对于每个训练样本X，X＝(XPA，XAP，XLA)进行如下操作：
5.1)特征提取：对三个方位的图像XPA，XAP，XLA，分别使用InceptionV3，ResNet50和DenseNet121预训练卷积神经网络对X光胸片图像进行特征提取，得到fPA，fAP，fLA，其中fPA表示后前位的特征，fAP表示前后位的特征，fLA表示侧位的特征。基于迁移学习的方法，冻结预训练网络前面的卷积层，只开放预训练网络最后两层卷积层参与训练，拟合X光胸片数据；
5.2)特征转换：将三个特征fPA，fAP，fLA的维度使用全连接层转换为统一的维度E，并将其叠加得到融合了三个方位信息的特征f：
f＝(FC(fPA)+FC(fAP)+FC(fLA)) (2)
其中，FC表示全连接层，用于统一特征的维度大小；
5.3)分类结果：将特征f输入至全局平均池化层进行正则化处理，防止网络模型过拟合，最后采用sigmoid函数，输出分类结果y，y∈{0，1}，其中，0代表该病人未患肺炎，1代表该病人患有肺炎。
与现有技术相比，本发明的有益效果是：
本发明从实际临床诊断过程中出发，提供了一种基于深度学习的多方位X光胸片肺炎诊断方法，针对医疗X光图像数据不规范和基于深度学习的多方位X光胸片肺炎诊断研究空白问题，通过构造X光胸片图像数据的治理管道对数据进行清洗、增强，然后输入到构建的深度卷积神经网络模型，快速准确的实现是否患有肺炎的诊断。本方法构造的数据治理管道能对X光胸片图像数据进行高效的处理，过滤和图像增强，对参差不齐的医疗数据进行规范化、可训练化的治理，本方法通过多方位的图像提供的丰富信息能有效提高模型对肺炎分类诊断的准确率，敏感值和特异值，为患者提供精准诊断。
附图说明
图1为X光胸片图像数据治理管道流程图；
图2为不同方位的X光胸片图像；
图3为多方位的X光胸片肺炎分类网络架构。
具体实施方式
下面结合附图和具体实施例对本发明进一步详细说明。
参照附图1～3，一种基于深度学习的多方位X光胸片肺炎诊断方法，包括用于X光胸片图像数据的治理管道和用于识别是否患有肺炎的卷积神经网络模型。所述方法包括以下步骤：
1)输入X光胸片图像数据集；
2)数据治理：根据数据集提供的文本元数据文件，对存在标签值缺失或数值异常的数据进行删除；然后挑选出肺炎标签为0或1的X光胸片数据，并根据胸片图像的方位信息将X光胸片划分成前后位(AP)、后前位(PA)、侧位(LA)三个子集；最后，使用局部均衡的方法对胸片进行图像增强，使得胸片的肺部纹理轮廓更加清晰；
3)深度卷积神经网络模型构建：模型包括图像特征提取阶段和分类阶段，图像特征提取阶段使用三个在ImageNet数据集上预训练的网络Inception v3、ResNet50和DenseNet121分别对输入的三个方位的胸片图像进行特征提取；分类阶段包括一个转换层、一个全局池化层和一个预测层，用于输出所输入的样本是否患有肺炎；
4)模型参数设置：依次设置训练轮次epoch＝50、训练批次大小bactch_size＝16、学习率learning_rate＝0.0001及优化函数Adam，并按照下式改进传统的二分类交叉熵损失函数L(X，y)：
L(X，y)＝-wposylogp(Y＝1|X)-wneg(1-y)logp(Y＝0|X) (1)
其中，y表示网络分类的结果，p(Y＝i|X)是网络将样本预测为类别i的概率，
|P|和|N|分别表示训练集中正样本(患有肺炎)和负样本(未患肺炎)的数量；
5)对于每个训练样本X，X＝(XPA，XAP，XLA)进行如下操作：
5.1)特征提取：对三个方位的图像XPA，XAP，XLA，分别使用InceptionV3，ResNet50和DenseNet121预训练的卷积神经网络对X光胸片图像进行特征提取，得到fPA，fAP，fLA，其中fPA表示后前位的特征，fAP表示前后位的特征，fLA表示侧位的特征。基于迁移学习的方法，冻结预训练网络前面的卷积层，只开放预训练网络最后两层卷积层的参数参与训练，拟合X光胸片数据；
5.2)特征转换：将三个特征fPA，fAP，fLA的维度使用全连接层转换为统一的维度E，并将其叠加得到融合了三个方位信息的特征f：
f＝(FC(fPA)+FC(fAP)+FC(fLA)) (2)
其中，FC表示全连接层，用于统一特征的维度大小；
5.3)分类结果：将特征f输入至全局平均池化层进行正则化处理，防止网络模型过拟合，最后采用sigmoid函数，输出分类结果y，y∈{0，1}，其中，0代表该病人未患肺炎，1代表该病人患有肺炎。
为了验证本发明的有效性，表1给出了的本发明构建的网络模型的结果，使用二分类问题中惯用的接收者操作特征曲线下的面积值(AUROC)作为评价指标，对比了先前的模型结果可知，由于X光胸片图像数据存在一定模糊，边缘不清晰，本方法使用数据治理管道进行图像增强，然后输入处理后的多方位图像到构建的深度卷积神经网络模型中，在相同数据集下，使用本发明训练得到的模型性能明显优于已有的模型方法。
表1不同的X光胸片肺炎分类模型性能对比
| 模型 | AUROC |
| Wang et al.(2017) | 0.637 |
| Yao et al.(2017) | 0.703 |
| CheXNet(2017) | 0.744 |
| Pranav et al.(2018) | 0.844 |
| DeepChestX(Ours) | 0.882 |
上述说明示出并描述了发明应用的实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是其他实施例的排除，而可用于各种其他组合、修改和环境，并能在本文所述发明构想范围内，通过上述教导或相关领域的技术进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。
Claims (1)
1.一种基于深度学习的多方位X光胸片肺炎诊断方法，其特征在于，包括以下步骤：
1)输入X光胸片图像数据集；
2)数据治理：根据数据集提供的文本元数据文件，对存在标签值缺失或数值异常的数据进行删除；然后挑选出肺炎标签为0或1的X光胸片数据，并根据胸片图像的方位信息将X光胸片划分成前后位、后前位、侧位三个子集；最后，使用局部均衡的方法对胸片进行图像增强，使得胸片的肺部纹理轮廓更加清晰；
3)深度卷积神经网络模型构建：模型包括图像特征提取阶段和分类阶段，图像特征提取阶段使用三个在ImageNet数据集上预训练的网络Inception v3、ResNet50和DenseNet121分别对输入的三个方位的胸片图像进行特征提取；分类阶段包括一个转换层、一个全局池化层和一个预测层，用于输出所输入的样本是否患有肺炎；
4)模型参数设置：依次设置训练轮次epoch、训练批次大小bactch_size、学习率learning_rate及优化函数Adam，并按照下式改进传统的二分类交叉熵损失函数L(X，y)：
L(X，y)＝-wposylogp(Y＝1|X)-wneg(1-y)logp(Y＝0|X) (1)
其中，y表示网络分类的结果，p(Y＝i|X)是网络将样本预测为类别i的概率，
|P|和|N|分别表示训练集中正样本和负样本的数量；
5)对于每个训练样本X，X＝(XPA，XAP，XLA)进行如下操作：
5.1)特征提取：对三个方位的图像XPA，XAP，XLA，分别使用InceptionV3，ResNet50和DenseNet121预训练卷积神经网络对X光胸片图像进行特征提取，得到fPA，fAP，fLA，其中fPA表示后前位的特征，fAP表示前后位的特征，fLA表示侧位的特征。基于迁移学习的方法，冻结预训练网络前面的卷积层，只开放预训练网络最后两层卷积层参与训练，拟合X光胸片数据；
5.2)特征转换：将三个特征fPA，fAP，fLA的维度使用全连接层转换为统一的维度E，并将其叠加得到融合了三个方位信息的特征f：
f＝(FC(fPA)+FC(fAP)+FC(fLA)) (2)
其中，FC表示全连接层，用于统一特征的维度大小；
5.3)分类结果：将特征f输入至全局平均池化层进行正则化处理，防止网络模型过拟合，最后采用sigmoid函数，输出分类结果y，y∈{0，1}，其中，0代表该病人未患肺炎，1代表该病人患有肺炎。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010803336.7A CN111951246B (zh) | 2020-08-11 | 2020-08-11 | 一种基于深度学习的多方位x光胸片肺炎诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010803336.7A CN111951246B (zh) | 2020-08-11 | 2020-08-11 | 一种基于深度学习的多方位x光胸片肺炎诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111951246A true CN111951246A (zh) | 2020-11-17 |
| CN111951246B CN111951246B (zh) | 2022-03-04 |
Family
ID=73331697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010803336.7A Active CN111951246B (zh) | 2020-08-11 | 2020-08-11 | 一种基于深度学习的多方位x光胸片肺炎诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111951246B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668592A (zh) * | 2021-01-18 | 2021-04-16 | 四川大学 | 基于神经网络的肺结节筛选方法 |
| 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 |
| CN113012133A (zh) * | 2021-03-22 | 2021-06-22 | 华南理工大学 | 一种新冠肺炎诊断系统、介质及设备 |
| CN113034434A (zh) * | 2021-02-03 | 2021-06-25 | 深圳市第三人民医院(深圳市肝病研究所) | 一种预测covid-19严重程度的多因素人工智能分析方法 |
| CN113327666A (zh) * | 2021-06-21 | 2021-08-31 | 青岛科技大学 | 一种胸片疾病多分类网络的多标签局部至全局学习方法 |
| CN113449791A (zh) * | 2021-06-28 | 2021-09-28 | 齐鲁工业大学 | 基于深度学习的肺炎图像分类方法及系统 |
| CN113476065A (zh) * | 2021-09-06 | 2021-10-08 | 华南理工大学 | 一种多类肺炎诊断系统 |
| CN113592809A (zh) * | 2021-07-28 | 2021-11-02 | 中国海洋大学 | 一种基于通道注意力残差网络的肺炎图像检测系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023200A (zh) * | 2016-05-19 | 2016-10-12 | 四川大学 | 一种基于泊松模型的x光胸片图像肋骨抑制方法 |
| WO2017069596A1 (ko) * | 2015-10-22 | 2017-04-27 | 한국디지털병원수출사업협동조합 | Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템 |
| CN109994199A (zh) * | 2017-11-24 | 2019-07-09 | 西门子医疗保健有限责任公司 | 基于计算机的诊断系统 |
| 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 |
| CN111110269A (zh) * | 2020-01-07 | 2020-05-08 | 湖南大学 | 一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法 |
| US10691980B1 (en) * | 2019-04-18 | 2020-06-23 | Siemens Healthcare Gmbh | Multi-task learning for chest X-ray abnormality classification |
-
2020
- 2020-08-11 CN CN202010803336.7A patent/CN111951246B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017069596A1 (ko) * | 2015-10-22 | 2017-04-27 | 한국디지털병원수출사업협동조합 | Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템 |
| CN106023200A (zh) * | 2016-05-19 | 2016-10-12 | 四川大学 | 一种基于泊松模型的x光胸片图像肋骨抑制方法 |
| CN109994199A (zh) * | 2017-11-24 | 2019-07-09 | 西门子医疗保健有限责任公司 | 基于计算机的诊断系统 |
| US10691980B1 (en) * | 2019-04-18 | 2020-06-23 | Siemens Healthcare Gmbh | Multi-task learning for chest X-ray abnormality classification |
| CN111110269A (zh) * | 2020-01-07 | 2020-05-08 | 湖南大学 | 一种基于混合深度学习模型的婴幼儿肺炎快速智能诊断方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 邓棋等: "用于肺炎图像分类的优化卷积神经网络方法", 《计算机应用》 * |
Cited By (13)
| 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 |
| CN112668592A (zh) * | 2021-01-18 | 2021-04-16 | 四川大学 | 基于神经网络的肺结节筛选方法 |
| CN113034434A (zh) * | 2021-02-03 | 2021-06-25 | 深圳市第三人民医院(深圳市肝病研究所) | 一种预测covid-19严重程度的多因素人工智能分析方法 |
| CN113034434B (zh) * | 2021-02-03 | 2022-09-02 | 深圳市第三人民医院(深圳市肝病研究所) | 一种预测covid-19严重程度的多因素人工智能分析方法 |
| CN113012133A (zh) * | 2021-03-22 | 2021-06-22 | 华南理工大学 | 一种新冠肺炎诊断系统、介质及设备 |
| CN113327666A (zh) * | 2021-06-21 | 2021-08-31 | 青岛科技大学 | 一种胸片疾病多分类网络的多标签局部至全局学习方法 |
| CN113327666B (zh) * | 2021-06-21 | 2022-08-12 | 青岛科技大学 | 一种胸片疾病多分类网络的多标签局部至全局学习方法 |
| CN113449791B (zh) * | 2021-06-28 | 2022-04-26 | 齐鲁工业大学 | 基于深度学习的肺炎图像分类方法及系统 |
| CN113449791A (zh) * | 2021-06-28 | 2021-09-28 | 齐鲁工业大学 | 基于深度学习的肺炎图像分类方法及系统 |
| CN113592809A (zh) * | 2021-07-28 | 2021-11-02 | 中国海洋大学 | 一种基于通道注意力残差网络的肺炎图像检测系统及方法 |
| CN113592809B (zh) * | 2021-07-28 | 2024-05-14 | 中国海洋大学 | 一种基于通道注意力残差网络的肺炎图像检测系统及方法 |
| CN113476065B (zh) * | 2021-09-06 | 2022-04-22 | 华南理工大学 | 一种多类肺炎诊断系统 |
| CN113476065A (zh) * | 2021-09-06 | 2021-10-08 | 华南理工大学 | 一种多类肺炎诊断系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111951246B (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111951246B (zh) | 一种基于深度学习的多方位x光胸片肺炎诊断方法 | |
| CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
| CN108171232B (zh) | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 | |
| CN112101451B (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 | |
| El-Shafai et al. | Efficient Deep-Learning-Based Autoencoder Denoising Approach for Medical Image Diagnosis. | |
| CN111429407B (zh) | 基于双通道分离网络的胸部x光疾病检测装置及方法 | |
| CN107766874B (zh) | 一种超声容积生物学参数的测量方法及测量系统 | |
| Kaheel et al. | AI-based image processing for COVID-19 detection in chest CT scan images | |
| Yang et al. | CT images recognition of pulmonary tuberculosis based on improved faster RCNN and U-Net | |
| Chen et al. | LDANet: Automatic lung parenchyma segmentation from CT images | |
| CN111553890A (zh) | 基于增量学习的x光正位胸片多任务检测方法 | |
| CN113269799A (zh) | 一种基于深度学习的宫颈细胞分割方法 | |
| Tang et al. | NSCGCN: A novel deep GCN model to diagnosis COVID-19 | |
| CN110782441A (zh) | 一种基于深度学习的dr影像肺结核智能分割与检测方法 | |
| Mehmood et al. | Smart health care system for early detection of COVID-19 using X-ray scans | |
| CN113421228A (zh) | 一种基于参数迁移的甲状腺结节识别模型训练方法及系统 | |
| Pavithra et al. | An Overview of Convolutional Neural Network Architecture and Its Variants in Medical Diagnostics of Cancer and Covid-19 | |
| AlSumairi et al. | X-ray image based pneumonia classification using convolutional neural networks | |
| CN112508943A (zh) | 基于超声影像的乳腺肿瘤识别方法 | |
| CN111768845B (zh) | 一种基于最优多尺度感知的肺结节辅助检测方法 | |
| Wu et al. | Deep learning to estimate the physical proportion of infected region of lung for covid-19 pneumonia with ct image set | |
| Dan-Sebastian et al. | Adversarial graph learning and deep learning techniques for improving diagnosis within CT and ultrasound images | |
| Delimayanti et al. | Implementation of Convolutional Neural Network for COVID19 Screening using X-Rays Images | |
| CN117058467B (zh) | 一种胃肠道病变类型识别方法及系统 | |
| CN113256579A (zh) | 基于预训练模型的肺结核识别系统 |
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 |