CN112116571A - 一种基于弱监督学习的x光肺部疾病自动定位方法 - Google Patents
一种基于弱监督学习的x光肺部疾病自动定位方法 Download PDFInfo
- Publication number
- CN112116571A CN112116571A CN202010960002.0A CN202010960002A CN112116571A CN 112116571 A CN112116571 A CN 112116571A CN 202010960002 A CN202010960002 A CN 202010960002A CN 112116571 A CN112116571 A CN 112116571A
- Authority
- CN
- China
- Prior art keywords
- lung
- ray
- ray film
- deep learning
- neural network
- 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 29
- 208000019693 Lung disease Diseases 0.000 title claims abstract description 20
- 210000004072 lung Anatomy 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000004913 activation Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000009466 transformation Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 230000002685 pulmonary effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000002345 respiratory system Anatomy 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010003598 Atelectasis Diseases 0.000 description 1
- 206010007572 Cardiac hypertrophy Diseases 0.000 description 1
- 208000006029 Cardiomegaly Diseases 0.000 description 1
- 206010063045 Effusion Diseases 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 206010019909 Hernia Diseases 0.000 description 1
- 206010054107 Nodule Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 206010035600 Pleural fibrosis Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 210000000867 larynx Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000003800 pharynx Anatomy 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010200 validation analysis 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (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)
Abstract
一种基于弱监督学习的X光肺部疾病自动定位方法,包括以下步骤:收集多份肺部X射线光片进行初始标记,并整理成训练集;对训练集进行预处理;构建基于类激活图和带有自监督注意力模块的深度学习神经网络,将经处理后的份肺部X射线光片进行多角度旋转,并输入到深度学习神经网络内;通过深度学习神经网络内设置的损失函数对输入的肺部X射线光片进行判断;训练过程中,依据判断结果与初始标记进行比对后对损失函数进行优化,得到优化后的深度学习神经网络;将新的肺部X射线光片输入到优化后的深度学习神经网络,对新输入的肺部X射线光片中显示的病灶进行定位;特点是可高效准确的对病灶定位,减少医生的判断时间,辅助医生决策,提高工作效率。
Description
技术领域
本发明具体涉及一种基于弱监督学习的X光肺部疾病自动定位方法。
背景技术
呼吸系统由呼吸道(鼻、咽、喉、气管和各级支气管)和肺泡组成。肺脏是呼吸系统的主要器官,即将新的空气吸入肺部,并将完成新陈代谢后的二氧化碳排出。肺部疾病属于呼吸系统疾病,是肺脏本身的疾病或全身性疾病的肺部表现。这种气体交换称呼吸。肺部X射线作为肺部疾病检查的必备项目,在各类肺部疾病的筛选和诊断中发挥着重要作用。作为一个完整的诊断流程,对肺部疾病的识别和判断只是其中一个步骤。另外一个重要的工作是,在原始的X光片上定位出病灶出现的位置。而随着计算机技术和深度学习技术的不断发展,在肺部疾病的识别方面采用计算机视觉辅助诊断成为发展趋势。通过人工进行大量的X光片检阅时医师会出现疲劳现象,因此借助计算机进行X光片进行初步检查成为必要的研究方向。尤其在深度学习领域,如果要完成此部分工作,需要大量具有像素级别的肺部X射线图像标签。然而,由于对医学图像进行像素级别的标记需要大量专业人士的时间和精力,此项工作进展缓慢。为了解决上述问题,本发明提出一种弱监督学习的肺部疾病自动检测定位方法。
发明内容
本发明所要解决的技术问题是:提供一种可提高医生工作效率、提高X光片检阅精准度的基于弱监督学习的X光肺部疾病自动定位方法。
本发明解决上述技术问题所采用的技术方案为:一种基于弱监督学习的X光肺部疾病自动定位方法,包括以下步骤:
步骤1、收集多份肺部X射线光片,对收集的多份肺部X射线光片进行初始标记,并整理成训练集;
步骤 2、对训练集进行预处理将肺部X射线光片的像素值进行归一化处理;
步骤 3、构建基于类激活图和带有自监督注意力模块的深度学习神经网络,将经过步骤2处理的每份肺部X射线光片进行多角度旋转,并将处理后的训练集输入到深度学习神经网络内;
步骤 4、通过深度学习神经网络内设置的损失函数对输入的肺部X射线光片进行判断;
步骤 5、训练过程中,依据步骤4的判断结果与初始标记进行比对后对损失函数进行优化,得到优化后的深度学习神经网络;
步骤 6、将新的肺部X射线光片输入到经步骤5优化后的深度学习神经网络,对新输入的肺部X射线光片中显示的病灶进行定位。
2.如权利要求1所述的一种基于弱监督学习的X光肺部疾病自动定位方法, 其特征在于,步骤1中对收集的多份肺部X射线光片进行初始标记为通过人工核对肺部X射线光片的病例进行有无患病标记,并记录患病类型。
3.如权利要求1所述的一种基于弱监督学习的X光肺部疾病自动定位方法, 其特征在于,采用min-max归一化处理方法对步骤2中对肺部X射线光片的像素值进行归一化处理。采用min-max归一化处理方法,也称为离差标准化,即对原始数据的线性变换,使结果值映射到[0 , 1]之间。其中样本数据中的最大值为1,最小值为0,其他值进行相应的缩放处理。
4.如权利要求1所述的一种基于弱监督学习的X光肺部疾病自动定位方法,其特征在于,步骤3中对肺部X射线光片进行多角度旋转变换,旋转变换包括顺时针旋转90度、180度和270度。
5. 如权利要求1所述的一种基于弱监督学习的X光肺部疾病自动定位方法,其特征在于,步骤4中的损失函数包括:分类损失函数和相似度损失函数,分类损失函数采用多分类的经典损失函数Multi-label softmargin loss;
其中F代表整个网络计算,A表示输入图像的仿射变换, I表示X射线光片, j表示不同的变换操作。
与现有技术相比,本发明的优点是CAM)技术在弱标签下对自然图像仍具有良好的定位性能,它可以根据图像标签定位出图像中的关键区域。本发明采用此技术用于定位肺部X光片的病灶,依据肺部X射线光片可高效准确的实现病灶的定位。此外,本发明在CAM方法的基础上加入自监督注意力模块,以此增强网络对特征的学习能力,从而增强网络对病灶的定位功能。作为计算机辅助系统,此项发明能够减少医生的判断时间,辅助医生决策,提高工作效率。
附图说明
图1是本发明的流程框图;
图2 是本发明的深度学习神经网络处理流程示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
一种基于弱监督学习的X光肺部疾病自动定位方法,通过对肺部X光片的图像分析,判断是否有肺部疾病并且标记处病灶的位置。作为计算机辅助系统,此项发明能够减少医生的判断时间,辅助医生决策,提高工作效率。如图1所示,本发明提出的肺部疾病检测定位系统主要包括以下6个步骤。
步骤1:收集5000张肺部X射线光片,并根据电子病历对这些光片进行疾病标注工作。具体包括:对每一张肺部X射线光片进行标记,标记该光片是否患病;如若患病,写明肺部疾病类型。最后统一整理,将这5000张X射线光片制成深度学习可用的数据集。
步骤2:对训练集进行预处理将肺部X射线光片的像素值进行归一化处理,对于深度学习算法,数据集的质量和数量是模型泛化能力的重要因素之一。预处理工作主要包含三个方面:样本均衡和归一化等操作。在医学图像样本中,样本不均衡问题尤其突出。由于各种疾病的发生率不一样,有些疾病可能只有几例样本。这样不均衡的数据不利于模型的训练。为了解决这个问题,本发明通过采样和数据增强来扩充训练样本的数量。其中过采样的具体方法是:先对数据进行聚类,然后对聚类后的类别样本数据少的类别进行过采样处理。数据增强技术是指:对每一个训练样本,通过沿着水平或者垂直方向翻转变换获得新的样本;对样本进行缩放处理从而获取新样本。此外,由于拍摄X光片的机器不同,样本中的图片也会存在亮度值或噪声值不同统一的情况。为了尽量减小因此带来的误差,在输入模型之前,还需要对图片的像素值进行归一化处理。具体采用min-max归一化处理方法,也称为离差标准化,是对原始数据的线性变换,使结果值映射到[0 , 1]之间。其中样本数据中的最大值为1,最小值为0,其他值进行相应的缩放处理。
步骤3:构建基于类激活图(CAM)和带有自监督注意力模块的深度学习神经网络。
如图2所示,本深度学习神经网络主要包含3个部分:X光片仿射变换模块,CAM模块和损失函数模块。
CAM模块是基于GAP(Global average pooling)技术构成的,即将分类网络中后部分的全连接层用1*1的卷积层替代。一方面保留了特征图的空间信息,一方面也可以完成分类任务。本发明中我们要完成15种肺部疾病分类(注:肺部正常也属于一类),所以
采用15个1*1的卷积核改变通道数。 接着使用GAP操作输出每个通道feature-map的平均值,之后再接一个softmax层用于分类。该层的所有参数作为权重w,对前方的GAP得到的feature-map做加权总和得到最后的输出,即CAM输出。此时CAM的输出尺寸和feature-map大小一致,故需要通过上采样方式还原叠加到原图中。这样既保证了类激活图的大小和原图一致,完成X光片病灶检测和定位任务。
自监督注意力模块由X光片仿射变换模块和损失函数模块共同完成。具体来说,对于训练集的每一张X光片,在输入模型的过程中,我们对该图片进行旋转变化,包括顺时针旋转90度,180度和270度。然后将这四张图片同时输入孪生网络(Siamese Network)。这四张输入X光片有着明确的位置关系。对于一个好的病灶检测定位网络,这四张图片的输出类特征图也应该有同样的位置关系。通过设置合适的损失函数,促进这四类特征图的相似度,从而使网络具有更智能的特征提取能力。接着,我们对类激活图进行可视化处理,根据每一像素的值画出其热力图。其中热力值偏高的部分就是病灶的位置。
步骤4:通过深度学习神经网络内设置的损失函数对输入的肺部X射线光片进行判断;对于深度学习神经网络,损失函数决定了网络的训练方向和网络性能。本发明要完成在仅有图像级别的标签样本下,对肺部疾病的检测和定位。针对这样一个任务,我们设计了如下损失函数。该损失函数包含两部分:分类损失和相似度损失。分类损失函数是为了是网络具有分类的能力,这里采用多分类的经典损失函数:Multi-label softmarginloss,具体损失函数为
此外,为了使网络具有更好的表征学习能力,根据输入的关系,我们设计了如下相似度损失函数。其中F代表整个网络计算,A表示输入图像的仿射变换, I表示X射线光片, j表示不同的变换操作,
在网络训练之前,我们采用随机初始化的方法对网络参数赋予一个小的数值。此外,我们将数据集中的进行划分:70%用于训练,15%用于验证以及15%作为测试集。
步骤5:训练过程中,依据步骤4的判断结果与初始标记进行比对后对损失函数进行优化,得到优化后的深度学习神经网络;本发明采用Pytorch框架进行模型的部署和训练。在完成网络结构设计和初始化工作后,将训练集输入网络进行模型训练。通过使用Adam优化算法和dropout等深度学习网络的训练方法使网络收敛到最优值。然后保存模型,用于新样本的检测。
步骤6:将新的肺部X射线光片输入到经步骤5优化后的深度学习神经网络,对新输入的肺部X射线光片中显示的病灶进行定位;即对于新的待测样本,将它输入到已经训练好的模型中。其中训练好的模型输出:所患肺部疾病的类型和概率和病灶的位置。
通过训练模型对常见疾病(如肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气14种)的分类、识别等学习,可实现对多种疾病的识别以及概率的输出,再加上不患病这个类别使得模型的倒数第二层输出会是15个值,对应这15种类型。接着,网络最后一层是一个softmax层,对这个15个值进行概率变化,使这15个概率值相加等于1。然后从中选出概率值最大的值所对应的那个类别,即为患病类型。并显示出热力类激活图,其中热力值大的部分即为病灶位置。
以上所述实施例仅为本发明的优选实施例,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干的变形和改进,这些都属于本发明的保护范围。
Claims (5)
1.一种基于弱监督学习的X光肺部疾病自动定位方法,其特征包括以下步骤:
步骤1、收集多份肺部X射线光片,对收集的多份肺部X射线光片进行初始标记,并整理成训练集;
步骤 2、对训练集进行预处理将肺部X射线光片的像素值进行归一化处理;
步骤 3、构建基于类激活图和带有自监督注意力模块的深度学习神经网络,将经过步骤2处理的每份肺部X射线光片进行多角度旋转,并将处理后的训练集输入到深度学习神经网络内;
步骤 4、通过深度学习神经网络内设置的损失函数对输入的肺部X射线光片进行判断;
步骤 5、训练过程中,依据步骤4的判断结果与初始标记进行比对后对损失函数进行优化,得到优化后的深度学习神经网络;
步骤 6、将新的肺部X射线光片输入到经步骤5优化后的深度学习神经网络,对新输入的肺部X射线光片中显示的病灶进行定位。
2.如权利要求1所述的一种基于弱监督学习的X光肺部疾病自动定位方法, 其特征在于,步骤1中对收集的多份肺部X射线光片进行初始标记为通过人工核对肺部X射线光片的病例进行有无患病标记,并记录患病类型。
3.如权利要求1所述的一种基于弱监督学习的X光肺部疾病自动定位方法, 其特征在于,具体采用min-max归一化处理方法对步骤2中肺部X射线光片的像素值进行归一化处理。
4.如权利要求1所述的一种基于弱监督学习的X光肺部疾病自动定位方法,其特征在于,步骤3中对肺部X射线光片进行的多角度旋转变换包括顺时针旋转90度、180度和270度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010960002.0A CN112116571A (zh) | 2020-09-14 | 2020-09-14 | 一种基于弱监督学习的x光肺部疾病自动定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010960002.0A CN112116571A (zh) | 2020-09-14 | 2020-09-14 | 一种基于弱监督学习的x光肺部疾病自动定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112116571A true CN112116571A (zh) | 2020-12-22 |
Family
ID=73802581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010960002.0A Pending CN112116571A (zh) | 2020-09-14 | 2020-09-14 | 一种基于弱监督学习的x光肺部疾病自动定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116571A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313699A (zh) * | 2021-06-09 | 2021-08-27 | 光华临港工程应用技术研发(上海)有限公司 | 基于弱监督学习的x光胸部疾病分类及定位方法、电子设备 |
CN113435607A (zh) * | 2021-06-09 | 2021-09-24 | 内蒙古大学 | 一种基于联邦学习的疾病筛查方法 |
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 |
CN113902670A (zh) * | 2021-08-31 | 2022-01-07 | 北京医准智能科技有限公司 | 一种基于弱监督学习的超声视频分割方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018176035A1 (en) * | 2017-03-24 | 2018-09-27 | The United Of America, As Represented By The Secretary, Department Of Health And Human Services | Method and system of building hospital-scale chest x-ray database for entity extraction and weakly-supervised classification and localization of common thorax diseases |
CN108898595A (zh) * | 2018-06-27 | 2018-11-27 | 慧影医疗科技(北京)有限公司 | 一种胸部疾病检测模型的构建方法及应用 |
CN109448854A (zh) * | 2018-09-14 | 2019-03-08 | 慧影医疗科技(北京)有限公司 | 一种肺结核检测模型的构建方法及应用 |
CN110008962A (zh) * | 2019-04-11 | 2019-07-12 | 福州大学 | 基于注意力机制的弱监督语义分割方法 |
CN111062947A (zh) * | 2019-08-14 | 2020-04-24 | 深圳市智影医疗科技有限公司 | 一种基于深度学习的x光胸片病灶定位方法及系统 |
-
2020
- 2020-09-14 CN CN202010960002.0A patent/CN112116571A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018176035A1 (en) * | 2017-03-24 | 2018-09-27 | The United Of America, As Represented By The Secretary, Department Of Health And Human Services | Method and system of building hospital-scale chest x-ray database for entity extraction and weakly-supervised classification and localization of common thorax diseases |
CN108898595A (zh) * | 2018-06-27 | 2018-11-27 | 慧影医疗科技(北京)有限公司 | 一种胸部疾病检测模型的构建方法及应用 |
CN109448854A (zh) * | 2018-09-14 | 2019-03-08 | 慧影医疗科技(北京)有限公司 | 一种肺结核检测模型的构建方法及应用 |
CN110008962A (zh) * | 2019-04-11 | 2019-07-12 | 福州大学 | 基于注意力机制的弱监督语义分割方法 |
CN111062947A (zh) * | 2019-08-14 | 2020-04-24 | 深圳市智影医疗科技有限公司 | 一种基于深度学习的x光胸片病灶定位方法及系统 |
Non-Patent Citations (1)
Title |
---|
YUDE WANG, JIE ZHANG, MEINA KAN, SHIGUANG SHAN, XILIN CHEN: "Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313699A (zh) * | 2021-06-09 | 2021-08-27 | 光华临港工程应用技术研发(上海)有限公司 | 基于弱监督学习的x光胸部疾病分类及定位方法、电子设备 |
CN113435607A (zh) * | 2021-06-09 | 2021-09-24 | 内蒙古大学 | 一种基于联邦学习的疾病筛查方法 |
CN113435607B (zh) * | 2021-06-09 | 2023-08-29 | 内蒙古大学 | 一种基于联邦学习的疾病筛查方法 |
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 |
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 |
CN113902670A (zh) * | 2021-08-31 | 2022-01-07 | 北京医准智能科技有限公司 | 一种基于弱监督学习的超声视频分割方法及装置 |
CN113902670B (zh) * | 2021-08-31 | 2022-07-29 | 北京医准智能科技有限公司 | 一种基于弱监督学习的超声视频分割方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116571A (zh) | 一种基于弱监督学习的x光肺部疾病自动定位方法 | |
CN110599448B (zh) | 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统 | |
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 | |
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
CN112529042B (zh) | 一种基于双重注意力多示例深度学习的医学图像分类方法 | |
CN112819093B (zh) | 基于小数据集与卷积神经网络的人机不同步识别方法 | |
CN111882560B (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
CN111080596A (zh) | 一种融合局部阴影与全局特征的尘肺病辅助筛查方法及系统 | |
CN114898327A (zh) | 一种基于轻量化深度学习网络的车辆检测方法 | |
CN116525075A (zh) | 基于少样本学习的甲状腺结节计算机辅助诊断方法及系统 | |
CN111127400A (zh) | 一种乳腺病变检测方法和装置 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
CN110097603B (zh) | 一种时尚图像主色调解析方法 | |
CN113902702A (zh) | 一种基于计算机断层扫描的肺结节良恶性辅助诊断系统 | |
CN113033667B (zh) | 一种超声图像两阶段深度学习的乳腺肿瘤分类方法和装置 | |
CN108805181B (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
CN117557840A (zh) | 一种基于小样本学习的眼底病变分级方法 | |
CN116664932A (zh) | 一种基于主动学习的结直肠癌病理组织图像分类方法 | |
CN115631488A (zh) | 基于Jetson Nano的水果成熟度无损检测方法及系统 | |
CN115205275A (zh) | 基于深度学习算法的表面缺陷检测方法 | |
CN112381766B (zh) | 一种基于小样本学习的肺部ct影像特征检测系统 | |
CN113139928A (zh) | 肺结节检测模型的训练方法和肺结节检测方法 | |
CN110705570A (zh) | 一种图像特征识别方法 | |
CN114266298B (zh) | 基于一致流形逼近与投影聚类集成的图像分割方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201222 |