CN112001896A - 一种甲状腺边界不规则度检测装置 - Google Patents
一种甲状腺边界不规则度检测装置 Download PDFInfo
- Publication number
- CN112001896A CN112001896A CN202010767580.2A CN202010767580A CN112001896A CN 112001896 A CN112001896 A CN 112001896A CN 202010767580 A CN202010767580 A CN 202010767580A CN 112001896 A CN112001896 A CN 112001896A
- Authority
- CN
- China
- Prior art keywords
- irregularity
- thyroid gland
- image
- gland boundary
- boundary
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
Abstract
本发明涉及一种甲状腺边界不规则度检测装置,包括:TNet模型构建和训练模块:基于卷积神经网络VGG‑19模型来构建TNet模型;感兴趣图像获取模块:通过选取感兴趣坐标点的方式来获取感兴趣图像;甲状腺良恶性检测模块:通过所述TNet模型对所述感兴趣图像进行检测,并产生“随访”或“穿刺”作为输出;甲状腺边界不规则度检测模块:用于对所述感兴趣图像中的甲状腺边界进行不规则度检测,再通过构建整体不规则度度量函数来判断甲状腺边界的不规则度。本发明能够有效检测甲状腺边界的不规则度,且识别率较好,为医生正确判断病况提供可靠依据。
Description
技术领域
本发明涉及辅助医学诊断领域,特别是涉及一种甲状腺边界不规则度检测装置。
背景技术
甲状腺癌症是全球女性中最常见的癌症之一,女性的发病率是男性的三倍。在2018年,每20位被诊断出癌症的女性病例中就有1位是甲状腺癌。超声成像是一种用于癌症诊断的非侵入性、非辐射性且低成本的技术。然而,由于超声图像质量低,识别甲状腺和通过超声检测癌症迹象是一项艰巨的任务。
近年来,卷积神经网络(CNN)显示出了出色的目标检测能力,特别是对于大规模的视觉识别任务。CNN已用于包括医学成像在内的不同的计算机视觉任务,它在特征学习中表现出强大的功能,并且能够从图像中学习具有区分性和鲁棒性的对象特征(例如线条、形状、纹理和颜色)。有许多已经开发了的用于对象分类问题的CNN模型,例如在ImageNet数据集的“大规模视觉识别挑战”(ILSVRC)的背景下设计的VGGNet。VGG模型源自于DCNN训练的约120万张带标签的图像,它包含来自ILSVRC数据集的1000个不同类别,其中该数据集中的每个单个对象均作为主体,且位于图像中心,并伴有些许杂乱的背景。VGG模型将整个图像作为输入并预测对象的类别标签。VGG模型网络的体系结构包括权重层、规范化层、最大池化层、全连接层以及在输出层中具有softmax激活的线性层。
发明内容
本发明所要解决的技术问题是提供一种甲状腺边界不规则度检测装置,能够有效检测甲状腺边界的不规则度。
本发明解决其技术问题所采用的技术方案是:提供一种甲状腺边界不规则度检测装置,包括:
TNet模型构建和训练模块:构建并训练基于卷积神经网络的VGG-19模型,调整所述VGG-19模型的最后三层结构;将所述VGG-19模型训练好的层迁移到新的卷积神经网络模型中,来构建TNet初始模型,并对所述TNet初始模型进行预训练,得到TNet模型;
感兴趣图像获取模块:通过选取感兴趣坐标点的方式对甲状腺超声图像的甲状腺边界进行截取,得到感兴趣图像;
甲状腺良恶性检测模块:用于将所述感兴趣图像输入到所述TNet模型中,所述TNet模型对所述感兴趣图像进行检测,并产生“随访”或“穿刺”作为输出;
甲状腺边界不规则度检测模块:用于对所述感兴趣图像中的甲状腺边界进行不规则度检测,再通过构建整体不规则度度量函数来判断甲状腺边界的不规则度。
所述甲状腺边界不规则度检测模块中对所述感兴趣图像中的甲状腺边界进行不规则度检测,包括椭圆拟合法,具体为:当所述感兴趣坐标点X的数量满足|X|≥5时,通过最小化最小二乘代价函数来计算出用于拟合椭圆的最佳常数参数向量,公式为:
cost(A)=∑(x,y)∈X[g(x,y|A)-f]2
其中,g(x,y|A)表示椭圆方程且g(x,y|A)=ax2+bxy+cy2+dx+ey+f,(x,y)∈X表示所述感兴趣坐标点,A是拟合椭圆的最佳常数参数[a,b,c,d,e,f]的向量;
根据拟合椭圆求出每个所述感兴趣坐标点(x,y)∈X的归一化平方误差向量E(x,y),公式为:
所述甲状腺边界不规则度检测模块中对所述感兴趣图像中的甲状腺边界进行不规则度检测,还包括多边形曲率法,具体为:将多边形拟合到所述感兴趣坐标点(x,y)∈X上,再计算所述多边形的曲率,公式为:
其中,若所述K(x,y)≥预设阈值tk,则表示甲状腺边界不规则。
所述甲状腺边界不规则度检测模块中对所述感兴趣图像中的甲状腺边界进行不规则度检测,还包括坐标点纹理特征法,具体为:在所述感兴趣图像中,以每个所述感兴趣坐标点为中心,提取高度为Wh和宽度为Ww的窗口图像所述窗口图像的宽度范围和长度范围公式分别为:
其中,将所述窗口图像的高度Wh和宽度Ww设置为所述感兴趣图像最小尺寸的16%;
所述甲状腺边界不规则度检测模块中通过构建整体不规则度度量函数来判断甲状腺边界的不规则度,具体为:根据所述归一化平方误差向量、多边形的曲率和纹理特征描述算子来构建整体不规则度度量函数,公式为:
其中,Irr(x,y)表示每个所述感兴趣坐标点(x,y)∈X处的不规则度指标函数,公式为:
所述甲状腺边界不规则度检测模块中通过构建整体不规则度度量函数来判断甲状腺边界的不规则度,还包括:根据所述整体不规则度度量函数来构建不规则度度量标签,公式为:
其中,若所述rirregularity∈[0,0.1),则表示甲状腺边界规则;若所述rirregularity∈[0.1,0.2),则表示甲状腺边界尚规则;若所述rirregularity∈[0.2,0.65),则表示甲状腺边界欠规则;其他情况则表示甲状腺边界不规则。
所述TNet模型构建和训练模块中的调整所述VGG-19模型架构的最后三层架构,具体为:调整所述VGG-19模型的全连接层、softmax层和输出层。
所述感兴趣图像获取模块中还包括:通过双三次插值法将所述感兴趣图像大小调整为224*224像素。
所述TNet模型构建和训练模块中,利用ImageNet数据集对所述VGG-19模型进行预训练。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明将迁移学习和卷积神经网络思想引入来构建TNet模型,通过调整TNet模型架构,以及对TNet模型一系列参数设置,使得TNet模型有较好的识别性能;本发明提供的甲状腺边界不规则度检测装置通过三种不同的方式能够有效检测甲状腺边界的不规则度,并将三种检测结果同时作为甲状腺边界不规则度的评判条件,提高了可靠性;本发明还引入整体不规则度度量函数来对甲状腺边界的不规则度进行评价,并根据整体不规则度度量函数来构建不规则度度量标签,便于医生更好更快更精确地做出判断。
附图说明
图1是本发明实施方式的流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种甲状腺边界不规则度检测装置,通过引入迁移学习(TL)和卷积神经网络(CNN)的思想对超声图像(US)的甲状腺良恶性进行检测,本实施方式采用了VGG-19模型并利用ImageNet数据集对所述VGG-19模型进行训练,ImageNet数据集包含的图像数量之广,图像种类之多,使得预训练VGG-19模型能有较好的泛化能力,将所述预训练VGG-19模型相应的信息传递到用于检测甲状腺良恶性的新神经网络模型中,本实施方式中将新的用于检测甲状腺良恶性的卷积神经网络模型称为TNet模型。
如图1所示,为本发明实施方式的流程图,本实施方式中的甲状腺边界不规则度检测装置主要包括:TNet模型构建和训练模块、感兴趣图像获取模块、甲状腺良恶性检测模块和甲状腺边界不规则度检测模块,各个模块的作用分别为:
所述TNet模型构建和训练模块:构建并训练基于卷积神经网络的VGG-19模型,调整所述VGG-19模型的最后三层结构;将所述VGG-19模型训练好的层迁移到新的卷积神经网络模型中,来构建TNet初始模型,并对所述TNet初始模型进行预训练,得到TNet模型。
所述感兴趣图像获取模块:通过选取感兴趣坐标点的方式对甲状腺超声图像的甲状腺边界进行截取,得到感兴趣图像。
所述甲状腺良恶性检测模块:用于将所述感兴趣图像输入到所述TNet模型中,所述TNet模型对所述感兴趣图像进行检测,并产生“随访”或“穿刺”作为输出。
所述甲状腺边界不规则度检测模块:用于对所述感兴趣图像中的甲状腺边界进行不规则度检测,再通过构建整体不规则度度量函数来判断甲状腺边界的不规则度。
本实施方式中,通过超声仪器对患者的甲状腺进行检查,并获取患者的甲状腺超声图像。通常,获取到的甲状腺超声图像捕获了大部分甲状腺组织,但甲状腺超声图像还具有噪声,原因包括:
(1)甲状腺超声图像可能包含非肿瘤物体;
(2)使用不同品牌和型号的超声仪器来捕获甲状腺超声图像;
(3)甲状腺对象具有不同的形状、方向、纹理和大小;
(4)在不同的焦点和比例条件下捕获甲状腺超声图像,会导致甲状腺超声图像具有不同的亮度和大小。
进一步地,本实施方式中通过截取甲状腺超声图像中的甲状腺边界来提取感兴趣图像,以进行准确识别,具体为:医生可以截取甲状腺超声图像中甲状腺的感兴趣坐标点(x,y)∈X,即医生可以通过手动标记截取来提取感兴趣图像,将提取的感兴趣图像尺寸大小统一后作为所述TNet模型的输入,以进行良恶性预测。
本实施方式中采用卷积神经网络VGG-19模型为基础,所述VGG-19模型用于从图像中识别对象,并且所述VGG-19模型的参数已在ImageNet数据集上进行了预训练。所述VGG-19模型具有16个卷积层和3个可学习权重的全连接层(总共47个层)的网络,并包含数百万个参数。
本实施方式首先需要调整所述VGG-19模型架构的最后三层架构,即对全连接层(fc8)、softmax层(prob)和输出层(输出)进行调整,本实施方式中的TNet模型有两个输出类别,为这两个输出类别添加了一个新的全连接层(fc8')、一个softmax层(prob')和一个分类输出层(output'),其中最后一个全连接层的输出被馈送到二分类softmax(或归一化指数函数),从而在得出两个输出分类结果标签:“随访”或“穿刺”,“随访”表示甲状腺良性,“穿刺”表示甲状腺恶性。
本实施方式在检测之前,需要通过预设的甲状腺超声图像来对所述TNet模型进行训练,以使得TNet模型有较好的泛化能力,训练好之后,即可将需要检测的甲状腺图像进行预处理后输入进TNet模型进行识别。将感兴趣图像在输入所述TNet模型之前,需要使用双三次插值法将医生截取的感兴趣图像重新缩放为224*224像素,用以使图像标准化,并将缩放后的感兴趣图像作为所述TNet模型的输入。进一步地,将所述TNet模型的网络参数设置如下:迭代次数设置为15000,初始学习率设置为0.001,以及批大小(mini-batch)设置为8,其他网络参数设置为默认值。基于这些参数配置能够确保甲状腺良恶性识别的准确性,并根据识别结果,所述TNet模型提供“随访”建议或“穿刺”建议。
本实施方式中的TNet模型包含16个卷积层,并且每个卷积层都有一组可训练卷积滤波器,可以从甲状腺超声图像中提取有用的特征,这些有用的特征是后续识别甲状腺良恶性的基础。
本实施方式中,所述甲状腺边界不规则度检测模块通过椭圆拟合法、多边形曲率法和坐标点纹理特征法来对甲状腺边界的不规则度进行检测,最后再通过构建整体不规则度度量函数来判断甲状腺边界的不规则度。
以下对所述甲状腺边界不规则度检测模块进行详细说明:
所述甲状腺边界不规则度检测模块中对所述感兴趣图像中的甲状腺边界进行不规则度检测,包括椭圆拟合法,具体为:当所述感兴趣坐标点X的数量满足|X|≥5时,通过最小化最小二乘代价函数来计算出用于拟合椭圆的最佳常数参数向量,公式为:
cost(A)=∑(x,y)∈X[g(x,y|A)-f]2
其中,g(x,y|A)表示椭圆方程且g(x,y|A)=ax2+bxy+cy2+dx+ey+f,(x,y)∈X表示所述感兴趣坐标点,A是拟合椭圆的最佳常数参数[a,b,c,d,e,f]的向量,若甲状腺边界离拟合椭圆越近则表示越规则,若甲状腺边界边界离拟合椭圆越远越则表示越不规则。
根据拟合椭圆求出每个所述感兴趣坐标点(x,y)∈X的归一化平方误差向量E(x,y),公式为:
进一步地,所述甲状腺边界不规则度检测模块中对所述感兴趣图像中的甲状腺边界进行不规则度检测,还包括多边形曲率法,具体为:将多边形拟合到所述感兴趣坐标点(x,y)∈X上,再基于平面微分几何来计算所述多边形的曲率,公式为:
其中,若所述K(x,y)越大,则表示在甲状腺边界上感兴趣坐标点处的边界变化程度越急剧,代表有较强的不规则性,若所述K(x,y)≥预设阈值tk,则表示甲状腺边界不规则。
进一步地,所述甲状腺边界不规则度检测模块中对所述感兴趣图像中的甲状腺边界进行不规则度检测,还包括坐标点纹理特征法,具体为:在所述感兴趣图像中,以每个所述感兴趣坐标点为中心,提取高度为Wh和宽度为Ww的窗口图像所述窗口图像的宽度范围和长度范围公式分别为:
所述甲状腺边界不规则度检测模块中通过构建整体不规则度度量函数来判断甲状腺边界的不规则度,具体为:根据所述归一化平方误差向量、多边形的曲率和纹理特征描述算子来构建整体不规则度度量函数,公式为:
其中,Irr(x,y)表示每个所述感兴趣坐标点(x,y)∈X处的不规则度指标函数,公式为:
进一步地,所述甲状腺边界不规则度检测模块中通过构建整体不规则度度量函数来判断甲状腺边界的不规则度,还包括:根据所述整体不规则度度量函数来构建不规则度度量标签,公式为:
其中,若所述rirregularity∈[0,0.1),则表示甲状腺边界规则;若所述rirregularity∈[0.1,0.2),则表示甲状腺边界尚规则;若所述rirregularity∈[0.2,0.65),则表示甲状腺边界欠规则;其他情况则为不规则,医生可以根据实际情况对每个标签的范围进行微调。
由此可见,本发明提供的甲状腺边界不规则度检测装置能够有效检测甲状腺边界的不规则度情况,通过整体不规则度度量函数来构建不规则度度量标签,能够为医生做出准确判断提供可靠依据。
Claims (9)
1.一种甲状腺边界不规则度检测装置,其特征在于,包括:
TNet模型构建和训练模块:构建并训练基于卷积神经网络的VGG-19模型,调整所述VGG-19模型的最后三层结构;将所述VGG-19模型训练好的层迁移到新的卷积神经网络模型中,来构建TNet初始模型,并对所述TNet初始模型进行预训练,得到TNet模型;
感兴趣图像获取模块:通过选取感兴趣坐标点的方式对甲状腺超声图像的甲状腺边界进行截取,得到感兴趣图像;
甲状腺良恶性检测模块:用于将所述感兴趣图像输入到所述TNet模型中,所述TNet模型对所述感兴趣图像进行检测,并产生“随访”或“穿刺”作为输出;
甲状腺边界不规则度检测模块:用于对所述感兴趣图像中的甲状腺边界进行不规则度检测,再通过构建整体不规则度度量函数来判断甲状腺边界的不规则度。
2.根据权利要求1所述的甲状腺边界不规则度检测装置,其特征在于,所述甲状腺边界不规则度检测模块中对所述感兴趣图像中的甲状腺边界进行不规则度检测,包括椭圆拟合法,具体为:当所述感兴趣坐标点X的数量满足|X|≥5时,通过最小化最小二乘代价函数来计算出用于拟合椭圆的最佳常数参数向量,公式为:
cost(A)=∑(x,y)∈X[g(x,y|A)-f]2
其中,g(x,y|A)表示椭圆方程且g(x,y|A)=ax2+bxy+cy2+dx+ey+f,(x,y)∈X表示所述感兴趣坐标点,A是拟合椭圆的最佳常数参数[a,b,c,d,e,f]的向量;
根据拟合椭圆求出每个所述感兴趣坐标点(x,y)∈X的归一化平方误差向量E(x,y),公式为:
7.根据权利要求1所述的甲状腺边界不规则度检测装置,其特征在于,所述TNet模型构建和训练模块中的调整所述VGG-19模型架构的最后三层架构,具体为:调整所述VGG-19模型的全连接层、softmax层和输出层。
8.根据权利要求1所述的甲状腺边界不规则度检测装置,其特征在于,所述感兴趣图像获取模块中还包括:通过双三次插值法将所述感兴趣图像大小调整为224*224像素。
9.根据权利要求1所述的甲状腺边界不规则度检测装置,其特征在于,所述TNet模型构建和训练模块中,利用ImageNet数据集对所述VGG-19模型进行预训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767580.2A CN112001896B (zh) | 2020-08-03 | 2020-08-03 | 一种甲状腺边界不规则度检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767580.2A CN112001896B (zh) | 2020-08-03 | 2020-08-03 | 一种甲状腺边界不规则度检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001896A true CN112001896A (zh) | 2020-11-27 |
CN112001896B CN112001896B (zh) | 2021-05-11 |
Family
ID=73462604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010767580.2A Active CN112001896B (zh) | 2020-08-03 | 2020-08-03 | 一种甲状腺边界不规则度检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001896B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113647985A (zh) * | 2021-08-10 | 2021-11-16 | 什维新智医疗科技(上海)有限公司 | 一种结节纵横比提取装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170365053A1 (en) * | 2014-11-24 | 2017-12-21 | The Institute Of Cancer Research Royal Cancer Hospital | Scoring of tumor infiltration by lymphocytes |
CN108537751A (zh) * | 2018-03-31 | 2018-09-14 | 华南理工大学 | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 |
US20190066298A1 (en) * | 2014-04-24 | 2019-02-28 | Koninklijke Philips N.V. | System for monitoring lesion size trends and methods of operation thereof |
CN109658411A (zh) * | 2019-01-21 | 2019-04-19 | 杭州英库医疗科技有限公司 | 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法 |
CN110473196A (zh) * | 2019-08-14 | 2019-11-19 | 中南大学 | 一种基于深度学习的腹部ct图像目标器官配准方法 |
CN110673213A (zh) * | 2019-10-10 | 2020-01-10 | 吉林大学 | 基于不规则模型孔径的共偏移距Kirchhoff叠前深度偏移成像方法 |
CN111344644A (zh) * | 2018-08-01 | 2020-06-26 | 深圳市大疆创新科技有限公司 | 用于基于运动的自动图像捕获的技术 |
-
2020
- 2020-08-03 CN CN202010767580.2A patent/CN112001896B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190066298A1 (en) * | 2014-04-24 | 2019-02-28 | Koninklijke Philips N.V. | System for monitoring lesion size trends and methods of operation thereof |
US20170365053A1 (en) * | 2014-11-24 | 2017-12-21 | The Institute Of Cancer Research Royal Cancer Hospital | Scoring of tumor infiltration by lymphocytes |
CN108537751A (zh) * | 2018-03-31 | 2018-09-14 | 华南理工大学 | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 |
CN111344644A (zh) * | 2018-08-01 | 2020-06-26 | 深圳市大疆创新科技有限公司 | 用于基于运动的自动图像捕获的技术 |
CN109658411A (zh) * | 2019-01-21 | 2019-04-19 | 杭州英库医疗科技有限公司 | 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法 |
CN110473196A (zh) * | 2019-08-14 | 2019-11-19 | 中南大学 | 一种基于深度学习的腹部ct图像目标器官配准方法 |
CN110673213A (zh) * | 2019-10-10 | 2020-01-10 | 吉林大学 | 基于不规则模型孔径的共偏移距Kirchhoff叠前深度偏移成像方法 |
Non-Patent Citations (3)
Title |
---|
MICHALIS SAVELONAS 等: "A computer-aided system for malignancy risk assessment of nodules in thyroid US images based on boundary features", 《ELSEVIER》 * |
OLFA MOUSSA 等: "Thyroid nodules classification and diagnosis in ultrasound images using fine-tuning deep convolutional neural network", 《WILEY》 * |
曲明 等: "超声引导下微波消融治疗甲状腺良性结节", 《临床医学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113647985A (zh) * | 2021-08-10 | 2021-11-16 | 什维新智医疗科技(上海)有限公司 | 一种结节纵横比提取装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112001896B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stacke et al. | Measuring domain shift for deep learning in histopathology | |
CN109583342B (zh) | 基于迁移学习的人脸活体检测方法 | |
WO2018120942A1 (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
Lakshminarayanan et al. | Deep Learning-Based Hookworm Detection in Wireless Capsule Endoscopic Image Using AdaBoost Classifier. | |
CN112001895B (zh) | 一种甲状腺钙化检测装置 | |
CN110021425B (zh) | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 | |
CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
CN109614869B (zh) | 一种基于多尺度压缩奖惩网络的病理图像分类方法 | |
CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
CN112150442A (zh) | 基于深度卷积神经网络及多实例学习的新冠诊断系统 | |
Tania et al. | Intelligent image-based colourimetric tests using machine learning framework for lateral flow assays | |
CN112700461B (zh) | 一种肺结节检测和表征类别识别的系统 | |
WO2019184851A1 (zh) | 图像处理方法和装置及神经网络模型的训练方法 | |
CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
Lan et al. | Run: Residual u-net for computer-aided detection of pulmonary nodules without candidate selection | |
CN112750531A (zh) | 一种中医自动化望诊系统、方法、设备和介质 | |
CN112001896B (zh) | 一种甲状腺边界不规则度检测装置 | |
CN114708493A (zh) | 一种中医裂纹舌诊便携设备及使用方法 | |
Casti et al. | Cooperative strategy for a dynamic ensemble of classification models in clinical applications: the case of MRI vertebral compression fractures | |
CN112001894B (zh) | 一种甲状腺边界平滑度检测装置 | |
CN112927215A (zh) | 一种消化道活检病理切片自动分析方法 | |
CN110910497A (zh) | 实现增强现实地图的方法和系统 | |
CN116309333A (zh) | 一种基于深度学习的wsi图像弱监督病理分析方法及装置 | |
CN113205484B (zh) | 一种基于迁移学习的乳腺组织分类识别方法 | |
CN114170224A (zh) | 应用生成式染色归一化的细胞病理分类的系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |