CN112071421A - 一种深度学习预估方法及其应用 - Google Patents
一种深度学习预估方法及其应用 Download PDFInfo
- Publication number
- CN112071421A CN112071421A CN202010905111.2A CN202010905111A CN112071421A CN 112071421 A CN112071421 A CN 112071421A CN 202010905111 A CN202010905111 A CN 202010905111A CN 112071421 A CN112071421 A CN 112071421A
- Authority
- CN
- China
- Prior art keywords
- symptom
- data
- deep learning
- estimation method
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 208000024891 symptom Diseases 0.000 claims abstract description 78
- 238000003745 diagnosis Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 18
- 201000010099 disease Diseases 0.000 claims abstract description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 16
- 238000012935 Averaging Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 206010035664 Pneumonia Diseases 0.000 claims description 7
- 208000004998 Abdominal Pain Diseases 0.000 claims description 4
- 206010011224 Cough Diseases 0.000 claims description 4
- 206010012735 Diarrhoea Diseases 0.000 claims description 4
- 208000000059 Dyspnea Diseases 0.000 claims description 4
- 206010013975 Dyspnoeas Diseases 0.000 claims description 4
- 206010019233 Headaches Diseases 0.000 claims description 4
- 208000000112 Myalgia Diseases 0.000 claims description 4
- 206010028813 Nausea Diseases 0.000 claims description 4
- 206010037660 Pyrexia Diseases 0.000 claims description 4
- 206010016256 fatigue Diseases 0.000 claims description 4
- 231100000869 headache Toxicity 0.000 claims description 4
- 208000015001 muscle soreness Diseases 0.000 claims description 4
- 230000008693 nausea Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 3
- 208000025721 COVID-19 Diseases 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011994 high resolution computer tomography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T7/0002—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]
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请属于图像成像技术领域，特别是涉及一种深度学习预估方法及其应用。当前新冠CT影响诊断技术依赖单幅图像，需要放剂师从CT序列图像中选定单幅图像来完成诊断估计，占用大量放剂师时间；对于单个病人而言，多帧连续的CT图像对于疾病诊断比单幅图像的容错率高。本申请提供了一种深度学习预估方法，包括：对症状数据和图像数据进行预处理；对症状特征和图像特征进行融合；对融合后的数据进行通道特征提取；设计损失函数；采用Adam优化算法来优化；根据病人数据集构造配对作为网络输入；训练网络，得到深度学习预估方法。结合病人的症状信息可以提高准确率，同时病人的症状信息在临床中可以快速获取。
Description
技术领域
本申请属于图像成像技术领域，特别是涉及一种深度学习预估方法及其应用。
背景技术
CT检查是现代一种较先进的医学扫描检查技术，主要是针对扫描人体大脑的情况。CT 检查一般包括平扫CT、增强CT和脑池造影CT。CT是用X线束对人体某部一定厚度的层面进 行扫描，由探测器接收透过该层面的X线，转变为可见光后，由光电转换变为电信号，再经 模拟/数字转换器(analog/digitalconverter)转为数字，输入计算机处理。
图像学检查是医学诊断快捷、方便的手段之一，胸部X线检查漏诊率较高，CT尤其是高分 辨率CT(high resolution CT，HRCT)在该病诊断中发挥了重要作用。
当前新冠CT影响诊断技术依赖单幅图像，需要放剂师从CT序列图像中选定单幅图像来完 成诊断估计，占用大量放剂师时间；对于单个病人而言，多帧连续的CT图像对于疾病诊断比 单幅图像的容错率高。
发明内容
1.要解决的技术问题
基于当前新冠CT影响诊断技术依赖单幅图像，需要放剂师从CT序列图像中选定单幅图像 来完成诊断估计，占用大量放剂师时间；对于单个病人而言，多帧连续的CT图像对于疾病诊 断比单幅图像的容错率高的问题，本申请提供了一种深度学习预估方法及其应用。
2.技术方案
为了达到上述的目的，本申请提供了一种深度学习预估方法，所述方法包括如下步骤：
步骤1：对症状数据和图像数据进行预处理；使用卷积(卷积尺寸3x3)操作对图像数据 提取特征，使用卷积(卷积尺寸1x1)对症状数据进行特征提取；
步骤2：对症状特征和图像特征进行融合；使注意力机制将症状特征融合到图像特征当 中，症状特征通过卷积映射为通道掩码(数值分布在0-1之间)，通过掩码和图像特征点乘 从而加强和抑制部分通道的数据；
步骤3：对融合后的数据进行通道特征提取；使用平均化通道池化和最大化通道池化将 融合后的数据转换为向量形式，从而压缩融合的数据，进而使用卷积对转换后的向量进行特 征提取；
步骤4：设计损失函数我们提出的网络模型功能类似于函数，针对数据输入有相应的预 测的输出结果。在训练过程中，通过设计损失函数完成预测的数据结果和真实的数据结果之 间的误差度量；
步骤5：采用Adam优化算法来优化；采用Adam优化算法来优化步骤4中的损失函数，完成网络模型的参数(包括卷步骤1,2,3中的卷积)更新；
步骤6：根据病人数据集构造配对作为网络输入；
步骤7：训练网络，得到深度学习预估方法。
进一步地，所述步骤1中对症状数据进行预处理包括对于症状数据进行编码，根据病人 的临床症状表现，如果病人具有具体的症状表现则在症状编码对应的位值设为1，否则为0。
本申请提供的另一种实施方式为：所述步骤1中对症状数据进行预处理包括对于症状数 据进行编码，根据病人的临床症状表现，如果病人具有具体的症状表现则在症状编码对应的 位值设为1，否则为0。
本申请提供的另一种实施方式为：所述临床症状表现包括发热，咳嗽，肌肉酸痛，疲劳， 头疼，恶心，腹泻，腹疼，呼吸困难。
本申请提供的另一种实施方式为：所述症状数据编码还包括性别和年龄。
本申请提供的另一种实施方式为：所述图像数据选取连续图像序列作为网络数据输入的 图像数据；所述图像序列数据图像序列数据首先经过一个卷积进行图像特征粗提取。
本申请提供的另一种实施方式为：所述图像为CT图像。
本申请提供的另一种实施方式为：所述步骤2中采用症状信息融合单元完成图像特征和 症状特征的融合。
本申请提供的另一种实施方式为：所述症状信息融合单元包括若干症状信息融合模块， 所述症状信息融合模块级联在一起，所述症状信息融合模块采用残差连接。
本申请提供的另一种实施方式为：所述步骤3中采用预测模块中的通道平均化池化和通 道最大化池化完成通道特征提取。
本申请还提供一种深度学习预估方法的应用，将所述的深度学习预估方法应用于新冠肺 炎早期临床分型及诊断或者其他疾病的诊断评估。
3.有益效果
与现有技术相比，本申请提供的一种深度学习预估方法的有益效果在于：
本申请提供的深度学习预估方法，为一种用于新冠肺炎早期临床分型及诊断的深度学习 预估方法，可以有效帮助放射技师对新冠肺炎的诊断，优化诊断流程，节约医疗资源。
本申请提供的深度学习预估方法，结合病人临床症状和CT图像能提高诊断准确率。
本申请提供的深度学习预估方法，解决新冠肺炎早期临床分型及诊断准确率提升的问题。
本申请提供的深度学习预估方法，为一种基于深度学习技术的融合临床症状的快速诊断 网络，该网络的输入包括病人的CT图像序列和临床症状。临床症状作为先验知识，通过症 状信息融合模块加入到图像特征当中，再利用预测模块，完成对病人的诊断估计(是否患有 COVID-19)和临床分型估计(具体患COVID-19程度：轻微或重度)。
本申请提供的深度学习预估方法，基于CT图像序列而不是单张CT图像可以提高诊断的 容错率。
本申请提供的深度学习预估方法，使用连续的CT图像序列，减少放剂师的挑选特定单 张时间，可以直接将肺部图像数据输入到网络方法。
本申请提供的深度学习预估方法，结合病人的症状信息可以提高准确率，同时病人的症 状信息在临床中可以快速获取。
本申请提供的深度学习预估方法，使用通道平均化和最大化池化而不是通常的全连接层，可 以有效减少网络参数。
附图说明
图1是本申请的深度学习预估方法的网络架构关系示意图。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述， 所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况 下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中 的某些特征，获得其它优选的实施方式。
参见图1，本申请提供一种深度学习预估方法，所述方法包括如下步骤：
步骤1：对症状数据和图像数据进行预处理；使用卷积(卷积尺寸3x3)操作对图像数据 提取特征，使用卷积(卷积尺寸1x1)对症状数据进行特征提取。
步骤2：对症状特征和图像特征进行融合；使注意力机制将症状特征融合到图像特征当 中，症状特征通过卷积映射为通道掩码(数值分布在0-1之间)，通过掩码和图像特征点乘 从而加强和抑制部分通道的数据。
步骤3：对融合后的数据进行通道特征提取；使用平均化通道池化和最大化通道池化将 融合后的数据转换为向量形式，从而压缩融合的数据，进而使用卷积对转换后的向量进行特 征提取。
步骤4：设计损失函数我们提出的网络模型功能类似于函数，针对数据输入有相应的预 测的输出结果。在训练过程中，通过设计损失函数完成预测的数据结果和真实的数据结果之 间的误差度量。
步骤5：采用Adam优化算法来优化；采用Adam优化算法来优化步骤4中的损失函数，完成网络模型的参数(包括卷步骤1,2,3中的卷积)更新。
步骤6：根据病人数据集构造配对作为网络输入；
步骤7：训练网络，得到深度学习预估方法。进一步地，所述步骤1中对症状数据进行 预处理包括对于症状数据进行编码，根据病人的临床症状表现，如果病人具有具体的症状表 现则在症状编码对应的位值设为1，否则为0。
进一步地，所述临床症状表现包括发热，咳嗽，肌肉酸痛，疲劳，头疼，恶心，腹泻，腹疼，呼吸困难。
进一步地，所述症状数据编码还包括性别和年龄。
进一步地，所述图像数据选取连续图像序列作为网络数据输入的图像数据；所述图像序 列数据图像序列数据首先经过一个卷积进行图像特征粗提取。
进一步地，所述图像为CT图像。
进一步地，所述步骤2中采用症状信息融合单元完成图像特征和症状特征的融合。
进一步地，所述症状信息融合单元包括若干症状信息融合模块，所述症状信息融合模块 级联在一起，所述症状信息融合模块采用残差连接。
进一步地，所述步骤3中采用预测模块中的通道平均化池化和通道最大化池化完成通道 特征提取。
本申请还提供一种深度学习预估方法的应用，将权利要求1～9中任一项所述的深度学习预估 方法应用于新冠肺炎早期临床分型及诊断或者其他疾病的诊断评估。
实施例
步骤1：症状数据和CT图像数据预处理
对于症状数据进行编码，根据病人的临床症状表现(发热，咳嗽，肌肉酸痛，疲劳，头 疼，恶心，腹泻，腹疼，呼吸困难)，如果病人具有具体的症状表现则在症状编码对应的位值设为1，否则为0。另外，考虑到病人的性别和年龄，症状数据编码需加上性别(男1，女 2)和年龄。
对于CT图像数据，选取包含肺部区域(从上肺部到下肺部)的连续图像序列(例如连 续的160张CT图像)作为网络数据输入的图像数据。图像序列数据首先经过一个卷积(卷积核为1x1x32)进行图像特征粗提取。
步骤2：设计症状信息融合模块
如图1所示，对于模块的输入信息，首先使用两个卷积进行特征提取得到特征Fs，批量 正则化是为了约束数据使得输出服从均值为0，方差为1的正态分布，从而避免变量分布偏 移的问题。症状编码经过卷积Hcap映射为通道特征Fc，与卷积特征通道数相同，公式表示 为
Fc＝Hcap(Fs)
其中，Hcap表示卷积操作。
经过卷积后的特征经过通道平均化池化(channel average pooling)，图像特征映射到通 道特征Fe(1x1x32)，公式表示为
Fe＝He(y)
其中，He表示为卷积操作(1x1x32)，y表示症状编码。
与自注意力(self-attention)机制类似，将症状信息融合到图像特征当中，公式表示为 FCA＝Sigmoid(Hca(Sigmoid(Fe)*Fc))
其中，Hca表示为卷积操作(1x1x32)，Simoid表示激活函数将数值映射到0-1之间，‘*’ 表示点乘操作。
共使用5个症状信息融合模块级联在一起。对于每个级联模块中，使用残差连接，减少 信息损失，公式表示为
其中，
表示为第i个级联模块的输入信息，
表示为第i个级联模块的输出信息。
表1症状信息融合模块参数设置
| 部件 | 卷积核 |
| 卷积1 | 3x3x32x16 |
| 卷积2 | 3x3x16x32 |
| 卷积3(He) | 1x1x11x32 |
| 卷积4(Hca) | 1x1x32x32 |
步骤3：设置预测模块
基于步骤2中的处理过程得到特征处理结果Mn，采用通道平均化池化和通道最大化池化 处理得到两个通道特征，使用Concatnetaion联合这个两个通道特征，经过卷积得到融合特征 Fsk，公式表示为：
FSK＝HSK(Concatenation(Hcap(Mn)，Hcmp(Mn)))
其中，Hsk表示为卷积(卷积核为1x1x64x32)，Hcap表示为通道平均化池化操作，Hcmp 表示为通道最大化池化操作。
基于融合特征Fsk，通过卷积Hd(卷积核为1x1x32x2)预测诊断估计z1，公式表示为：
z1＝Hd(FSK)
基于融合特征Fsk，通过卷积Hs(卷积核为1x1x32x3)预测临床分型估计z2，公式表示 为：
z2＝Hs(FSK)
步骤4：设计损失函数
给定训练数据集D＝{(x1，y1，r1，s2)，(x2，y2，r2，s2)，...，(xn，yn，rn，sn)}，其中，xi是第i个病 人扫描的CT图像序列，yi是第i个病人的症状编码，n是训练样本的总数，ri是第i个病人的 COVID-19诊断结果(0表示正常，1表示患有该病)，si是第i个病人的COVID-19临床分 型诊断结果(0表示正常，1表示轻度患者，2表示重度患者)。x＝{x1，x2，...，xn}表示为病 人的图像序列集合，y＝{y1，y2，...，yn}表示为病人的症状编码集合。损失函数表示为
Loss＝a*CrossEntropy(G(x，y)，r)+b*CrossEntropy(G(x，y)，s)
其中，a和b表示平衡因子，a＝1和b＝1。G表示提出的深度学习方法。CrossEntropy表 示为交叉熵损失函数。
步骤5：采用Adam优化算法来优化。
步骤6：根据病人数据集构造配对D作为网络输入。
步骤7：训练网络，得到用于新冠肺炎早期临床分型及诊断的深度学习预估方法G。
表2：实验结果
本申请提出的方法可以适用于疾病预测，例如新冠疾病。通过获取病人的CT影像数据 以及对应病人的临床症状信息，使用本申请的方法可以预测当前病人是否患有新冠疾病，同 时当病人患有该疾病可以预测出病人的疾病严重情况(普通/重度)。
尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解， 在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的 保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文 字意义或范围所包含的全部修改。
Claims (10)
1.一种深度学习预估方法，其特征在于：所述方法包括如下步骤：
步骤1：对症状数据和图像数据进行预处理；
步骤2：对症状特征和图像特征进行融合；
步骤3：对融合后的数据进行通道特征提取；
步骤4：设计损失函数，通过设计损失函数完成预测的数据结果和真实的数据结果之间的误差度量；
步骤5：采用Adam优化算法来优化步骤4中的损失函数，完成网络模型的参数更新；
步骤6：根据病人数据集构造配对作为网络输入；
步骤7：训练网络，得到深度学习预估方法。
2.如权利要求1所述的深度学习预估方法，其特征在于：所述步骤1中对症状数据进行预处理包括对于症状数据进行编码，根据病人的临床症状表现，如果病人具有具体的症状表现则在症状编码对应的位值设为1，否则为0。
3.如权利要求2所述的深度学习预估方法，其特征在于：所述临床症状表现包括发热，咳嗽，肌肉酸痛，疲劳，头疼，恶心，腹泻，腹疼，呼吸困难。
4.如权利要求2所述的深度学习预估方法，其特征在于：所述症状数据编码还包括性别和年龄。
5.如权利要求1所述的深度学习预估方法，其特征在于：所述图像数据选取连续图像序列作为网络数据输入的图像数据；所述图像序列数据图像序列数据首先经过一个卷积进行图像特征粗提取。
6.如权利要求1～5中任一项所述的深度学习预估方法，其特征在于：所述图像为CT图像。
7.如权利要求1所述的深度学习预估方法，其特征在于：所述步骤2中采用症状信息融合单元完成图像特征和症状特征的融合。
8.如权利要求7所述的深度学习预估方法，其特征在于：所述症状信息融合单元包括若干症状信息融合模块，所述症状信息融合模块级联在一起，所述症状信息融合模块采用残差连接。
9.如权利要求1所述的深度学习预估方法，其特征在于：所述步骤3中采用预测模块中的通道平均化池化和通道最大化池化完成通道特征提取。
10.一种深度学习预估方法的应用，其特征在于：将权利要求1～9中任一项所述的深度学习预估方法应用于新冠肺炎早期临床分型及诊断或者其他疾病的诊断评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010905111.2A CN112071421A (zh) | 2020-09-01 | 2020-09-01 | 一种深度学习预估方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010905111.2A CN112071421A (zh) | 2020-09-01 | 2020-09-01 | 一种深度学习预估方法及其应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112071421A true CN112071421A (zh) | 2020-12-11 |
Family
ID=73665223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010905111.2A Pending CN112071421A (zh) | 2020-09-01 | 2020-09-01 | 一种深度学习预估方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112071421A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018120942A1 (zh) * | 2016-12-31 | 2018-07-05 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
| CN108986912A (zh) * | 2018-07-12 | 2018-12-11 | 北京三医智慧科技有限公司 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
| CN109740686A (zh) * | 2019-01-09 | 2019-05-10 | 中南大学 | 一种基于区域池化和特征融合的深度学习图像多标记分类方法 |
| CN110008992A (zh) * | 2019-02-28 | 2019-07-12 | 合肥工业大学 | 一种用于前列腺癌辅助诊断的深度学习方法 |
| CN110428432A (zh) * | 2019-08-08 | 2019-11-08 | 梅礼晔 | 结肠腺体图像自动分割的深度神经网络算法 |
| CN110534192A (zh) * | 2019-07-24 | 2019-12-03 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
| CN110619635A (zh) * | 2019-07-25 | 2019-12-27 | 深圳大学 | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 |
| CN110738697A (zh) * | 2019-10-10 | 2020-01-31 | 福州大学 | 基于深度学习的单目深度估计方法 |
| CN111476772A (zh) * | 2020-04-03 | 2020-07-31 | 北京推想科技有限公司 | 基于医学影像的病灶分析方法和装置 |
| CN111476766A (zh) * | 2020-03-31 | 2020-07-31 | 哈尔滨商业大学 | 基于深度学习的肺结节ct图像检测系统 |
| CN111488912A (zh) * | 2020-03-16 | 2020-08-04 | 哈尔滨工业大学 | 一种基于深度学习神经网络的喉部疾病诊断系统 |
| CN111524599A (zh) * | 2020-04-24 | 2020-08-11 | 中国地质大学（武汉） | 一种基于机器学习的新冠肺炎数据处理方法及预测系统 |
| CN111584073A (zh) * | 2020-05-13 | 2020-08-25 | 山东大学 | 基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型的诊断模型 |
-
2020
- 2020-09-01 CN CN202010905111.2A patent/CN112071421A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018120942A1 (zh) * | 2016-12-31 | 2018-07-05 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
| CN108986912A (zh) * | 2018-07-12 | 2018-12-11 | 北京三医智慧科技有限公司 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
| CN109740686A (zh) * | 2019-01-09 | 2019-05-10 | 中南大学 | 一种基于区域池化和特征融合的深度学习图像多标记分类方法 |
| CN110008992A (zh) * | 2019-02-28 | 2019-07-12 | 合肥工业大学 | 一种用于前列腺癌辅助诊断的深度学习方法 |
| CN110534192A (zh) * | 2019-07-24 | 2019-12-03 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
| CN110619635A (zh) * | 2019-07-25 | 2019-12-27 | 深圳大学 | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 |
| CN110428432A (zh) * | 2019-08-08 | 2019-11-08 | 梅礼晔 | 结肠腺体图像自动分割的深度神经网络算法 |
| CN110738697A (zh) * | 2019-10-10 | 2020-01-31 | 福州大学 | 基于深度学习的单目深度估计方法 |
| CN111488912A (zh) * | 2020-03-16 | 2020-08-04 | 哈尔滨工业大学 | 一种基于深度学习神经网络的喉部疾病诊断系统 |
| CN111476766A (zh) * | 2020-03-31 | 2020-07-31 | 哈尔滨商业大学 | 基于深度学习的肺结节ct图像检测系统 |
| CN111476772A (zh) * | 2020-04-03 | 2020-07-31 | 北京推想科技有限公司 | 基于医学影像的病灶分析方法和装置 |
| CN111524599A (zh) * | 2020-04-24 | 2020-08-11 | 中国地质大学（武汉） | 一种基于机器学习的新冠肺炎数据处理方法及预测系统 |
| CN111584073A (zh) * | 2020-05-13 | 2020-08-25 | 山东大学 | 基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型的诊断模型 |
Non-Patent Citations (1)
| Title |
|---|
| 刘忠雨 等: "《深度学习进阶：卷积神经网络和对象检测》", 31 May 2020, 华中科技大学出版社, pages: 115 - 47 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109584164B (zh) | 基于二维影像迁移学习的医学图像超分辨率三维重建方法 | |
| CN107292858B (zh) | 一种基于低秩分解和稀疏表示的多模态医学图像融合方法 | |
| CN112348936A (zh) | 一种基于深度学习的低剂量锥束ct图像重建方法 | |
| CN115512182B (zh) | 一种基于聚焦学习的ct血管造影智能成像方法 | |
| CN113808106A (zh) | 一种基于深度学习的超低剂量pet图像重建系统及方法 | |
| Gajera et al. | CT-scan denoising using a charbonnier loss generative adversarial network | |
| Lin et al. | BATFormer: Towards boundary-aware lightweight transformer for efficient medical image segmentation | |
| CN116612334B (zh) | 一种基于空谱联合注意力机制的医学高光谱图像分类方法 | |
| Chen et al. | Bone suppression of chest radiographs with cascaded convolutional networks in wavelet domain | |
| WO2022047627A1 (zh) | 一种深度学习预估方法及其应用 | |
| CN115601268A (zh) | 基于多尺度自注意力生成对抗网络的ldct图像去噪方法 | |
| WO2023000244A1 (zh) | 一种图像处理方法、系统及其应用 | |
| CN112819740B (zh) | 一种基于多成份低秩字典学习的医学图像融合方法 | |
| Liu et al. | Medical image super-resolution method based on dense blended attention network | |
| CN116778021B (zh) | 医学图像生成方法、装置、电子设备和存储介质 | |
| CN116385317B (zh) | 基于自适应卷积与Transformer混合结构的低剂量CT图像恢复方法 | |
| CA2854992C (en) | Process and apparatus for data registration | |
| CN112071421A (zh) | 一种深度学习预估方法及其应用 | |
| CN116402954A (zh) | 一种基于深度学习的脊柱三维结构的重建方法 | |
| CN114638745B (zh) | 一种基于多借鉴信息的医学影像智能转换方法 | |
| CN111445406A (zh) | 一种低剂量ct图片质量改善方法、系统及设备 | |
| Zhao et al. | A CNN-Transformer Hybrid Network for Recognizing Uterine Fibroids | |
| Yasarla et al. | Learning to segment brain anatomy from 2d ultrasound with less data | |
| Van der Sluijs et al. | Diagnostically Lossless Compression of Medical Images | |
| CN117315065B (zh) | 一种核磁共振成像精准加速重建方法以及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230619 Address after: 381, West Side, Phase 1, Huiheng Building, No. 138 Gaoxin South Seventh Road, Gaoxin District Community, Yuehai Street, Shenzhen, Guangdong Province, 518000 Applicant after: Guochuang Yucheng Medical Device Development (Shenzhen) Co.,Ltd. Address before: Room A101, building 1, Yinxing Zhijie phase II, No. 1301-76, sightseeing Road, Xinlan community, Guanlan street, Longhua District, Shenzhen, Guangdong 518000 Applicant before: Shenzhen National Research Institute of high performance Medical Devices Co.,Ltd. |