CN112201328A - 一种基于交叉注意力机制的乳腺肿块分割方法 - Google Patents
一种基于交叉注意力机制的乳腺肿块分割方法 Download PDFInfo
- Publication number
- CN112201328A CN112201328A CN202011081302.8A CN202011081302A CN112201328A CN 112201328 A CN112201328 A CN 112201328A CN 202011081302 A CN202011081302 A CN 202011081302A CN 112201328 A CN112201328 A CN 112201328A
- Authority
- CN
- China
- Prior art keywords
- network
- images
- image
- breast
- ray
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及X射线辅助诊断技术,旨在提供一种基于交叉注意力机制的乳腺肿块分割方法。包括步骤:制作数据集;交叉注意力机制预处理;构建深度卷积神经网络;调整图像网络数据集图像网络数据集的预训练权值分布;利用数据预处理结果,调整预训练权值分布,训练深度卷积神经网络;利用深度卷积神经网络对待检测的X射线影像进行推理。本发明利用交叉注意力机制快速训练模型,通过交叉注意力机制使得网络能从MLO位和CC位两个方位来选择肿块特征,学习调整交叉注意力权重值。与传统只从CC位或者MLO位判断肿块,该发明可以快速、高效的自动分割出乳腺X射线图像上的肿块,提升乳腺X射线图像中肿块的检出率和准确率,具有较高的实际应用和推广价值。
Description
技术领域
本发明涉及乳腺X射线辅助诊断技术,特别涉及一种基于交叉注意力机制(CrossAttention)的乳腺肿块分割方法。
背景技术
乳腺癌已经发展成为女性最常见的癌症之一。乳腺内肿块的准确识别是乳腺疾病确诊的必要条件,由于受到乳房内高密度、等密度腺体组织的干扰,乳腺X射线中的肿块极难用肉眼识别,如通过人工阅片进行识别需要耗费医生大量的精力和时间。利用人工智能学习大量肿块X射线样本,能更快阅片,更准确的定位肿块位置,为医生后续判断肿块良恶性奠定坚实的基础。
临床工作中,一般对双侧乳腺进行摄片检查,通常每侧乳腺需要拍摄两个体位。头尾位(CC)是将乳腺上下压迫,内外侧斜位(MLO)是X线以45°从内上方向下方投射,所以一次钼靶检查可以获得四幅图像。乳腺X射线中诊断中,需要结合MLO和CC位来综合判断影像中是否存在肿块,而现有技术仅只能从MLO或CC位之一来判断肿块,极易产生漏检、误检,不能达到临床要求的准确率。
发明内容
本发明要解决的技术问题是,克服现有技术中的不足,提供一种基于交叉注意力机制的乳腺肿块分割方法。
为解决上述技术问题,本发明的解决方案是:
提供一种基于交叉注意力机制的乳腺肿块分割方法,包括以下步骤:
(1)制作数据集
取足量的乳腺X射线DICOM(Digital Imaging and Communications inMedicine)图像,经脱敏处理后转换为RGB三原色图像;按临床医学判断标准对乳腺X射线图像肿块进行交叉标注,然后制作成为训练数据集;在训练数据集中,针对每个病案生成与原图像大小一致的掩码(mask)二值图像;该二值图像中像素不为0的(x0,y0)位置表示原始图像相同位置存在肿块,反之则不存在肿块。
(2)交叉注意力机制预处理
从步骤(1)得到的数据集中,取N张样本及其对应肿块的(mask)二值图像进行归一化处理,N不小于40000;从归一化处理后的图像中,取每个病例的单侧乳房CC位和MLO位两幅乳腺X射线图像,即左右乳房的CC位和MLO位两幅图像各自组成一个图像批次(batch);将两幅图片的大小零填充(zeros padding)到相同的长宽,输入图像的批尺寸(batch size)为2。
(3)构建深度卷积神经网络EfficientNet
构建EfficientNet-B0网络结构,该网络组成包括:一个卷积核大小为3x3、滑动步长为2x2、填充大小为1x1的卷积层;7个移动反转瓶颈(Mobile Inverted bottleneck)块(简称为MBConv),一个全卷积层,一个逻辑回归(Logistic)层;EfficientNet-B0网络结构是由移动反转瓶颈块组成网络主干,每个移动反转瓶颈块均由两个常规卷积、一个深度可分离卷积(Depth wise Convolution)和一个注意力(Attention)模块这三部分组成。
(4)调整图像网络数据集图像网络数据集(ImageNet)的预训练权值分布
使用在图像网络数据集上预训练好的权值模型文件,设深度卷积神经网络的注意力单元中所有卷积层的权值Wa尺寸为(C1,C2),调整图像网络数据集预训练权值Wb尺寸为(2C1,2C2),且相应的将原偏置Ba尺寸为(C2,1)调整为Bb=[Ba Ba]尺寸为(2C2,1);同时将注意力单元的所有卷积层的数据顺序由(N,C,H,W)设置为(N/2,C*2,H,W),将卷积层卷积核的数据顺序由(Cout,Cin,Hk,Wk)设置为(2*Cout,2*Cin,Hk,Wk)。
(5)利用步骤(2)中的数据预处理结果,调整步骤(4)中的预训练权值分布,训练步骤(3)中的深度卷积神经网络。
(6)利用深度卷积神经网络对待检测的X射线影像进行推理
将待检测的乳腺X射线图像的单侧乳房CC位和MLO位零填充为统一大小,然后进行归一化处理;输入到步骤(5)经过训练的深度卷积神经网络,输出取值范围为0-1的概率图;取0.5的阈值将概率图二值化,二值化后的概率图中白色区域表示在原始图像该处存在肿块病变,反之则不存在肿块病变。
本发明中,所述步骤(1)中对乳腺X射线图像肿块数据进行交叉标注的操作,是由多名具备临床资质的执业医师按临床医学判断标准执行;每一幅乳腺X射线图像均由多人标注,并从中选取标注一致的样本用于制作训练数据集。
本发明中,所述步骤(5)具体包括:
建立权值更新方程:
wt+1=wt+ηΔθt
bt+1=bt+ηΔθt
其中,wt表示上一时刻网络的权值,wt+1表示当前时刻网络的权值,η表示学习速率,Δθt表示利用反向传播算法求得当前梯度增量;bt表示上一时刻网络的偏置,wt+1表示当前时刻网络的偏置;
设定损失函数表达式为:
其中,xi表示一幅图像,hθ(x(i))表示网络的预测输出,yi表示与xi对应的掩码输出,θ为网络参数,m表示输入网络图片的数目;i表示批次图像从1到m;m为批次图像数目;
取单侧乳房的CC位和MLO位乳腺X射线图像记为一个批次图像,将其全部归一化并输入网络;通过最小化损失函数来更新权值,直到损失函数达到预设的阈值则完成训练;
归一化公式如下所示:
与现有技术相比,本发明的技术效果是:
本发明利用交叉注意力机制快速训练模型,通过交叉注意力机制使得网络能从MLO位和CC位两个方位来选择肿块特征,学习调整交叉注意力权重值。与传统只从CC位或者MLO位判断肿块,该发明可以快速、高效的自动分割出乳腺X射线图像上的肿块,提升乳腺X射线图像中肿块的检出率和准确率,具有较高的实际应用和推广价值。
附图说明
图1为本发明的操作流程图。
图2为CC位或MLO注意力机制结构图。
图3为CC位和MLO交叉注意力机制结构图。
图4为应用交叉注意力机制的深度卷积神经的输入肿块概率图。
图5为应用交叉注意力机制的深度卷积神经的输出的肿块概率图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述;
本实施例中,基于深度学习自动分割乳腺肿块的方法,包括以下步骤:
(1)制作数据集
取足量的脱敏乳腺x射线DICOM图像,将其转换为RGB三原色图像;按临床医学判断标准对乳腺X射线图像肿块数据进行交叉标注,然后制作成为训练数据集;对乳腺X射线图像肿块数据进行交叉标注的操作,是由多名具备临床资质的执业医师按临床医学判断标准执行。每一幅乳腺X射线图像均由多位医生标注,并从中选取标一致的样本用于制作训练数据集。在该数据集中,针对每个病案生成与原图像大小一致的掩码二值图像;该二值图像中像素不为0的(x0,y0)位置表示原始图像相同位置存在肿块,反之则不存在肿块。
(2)交叉注意力机制(Cross Attention)预处理
从步骤(1)中的数据集中取N张样本及其对应的肿块二值图,进行归一化处理;N的取值范围为不小于40000。从归一化处理后的图像中,取每个病例的单侧乳房CC位和MLO位两幅乳腺X射线图像,即左右乳房的CC位和MLO位两幅图像各自组成一个batch,将两幅图片的大小零填充(zeros padding)到相同的长宽,输入图像的批尺寸为2。
(3)构建深度卷积神经网络EfficientNet
构建EfficientNet-B0网络结构,该网络组成为一个卷积核大小为3x3,滑动步长为2x2,填充大小为1x1的卷积层,7个移动反转瓶颈块,简称为MBConv,一个全卷积层,一个逻辑回归(Logistic)层。EfficientNet-B0网络结构是由7个移动反转瓶颈快组成网络主干,每个移动反转瓶颈块均由两个常规卷积、一个深度可分离卷积(Depth wiseConvolution)和一个注意力(Attention)模块这三部分组成;
7个移动反转瓶颈的网络层如下表所示:
网络层编号(stage) | EfficientNet-B0网络层名称 | 网络层数量 | 网络层输出通道数 |
1 | MBConv1,k3x3 | 1 | 16 |
2 | MBConv6,k3x3 | 2 | 24 |
3 | MBConv6,k5x5 | 2 | 40 |
4 | MBConv6,k3x3 | 3 | 80 |
5 | MBConv6,k5x5 | 3 | 112 |
6 | MBConv6,k5x5 | 4 | 192 |
7 | MBConv6,k3x3 | 1 | 320 |
其中,MBConv1表示该移动反转瓶颈块中的第一个常规卷积输入通道和输出通道相等,MBConv6表示该block中第一个常规卷积输出通道是输入通道的6倍;
K3x3表示移动反转瓶颈块中深度可分离卷积的卷积核大小为3x3;K5x5表示移动反转瓶颈块中深度可分离卷积的卷积核大小为5x5;其中stage2,stage3,stage4,stage6四个移动反转瓶颈块其第一层深度可分离卷积的滑动步长为2,其余滑动步长为1。
(4)调整图像网络数据集预训练权值分布
具体实施过程是:
使用在图像网络数据集上预训练好的权值模型文件,假设步骤(3)中构建的卷积神经网络的注意力单元所有卷积层的权值Wa尺寸为(C1,C2),调整图像网络数据集预训练权值Wb尺寸为(2C1,2C2),且相应的将原偏置Ba(尺寸(C2,1))调整为Bb=[BaBa](尺寸为(2C2,1))。同时将注意力单元的所有卷积层的数据顺序由(N,C,H,W)设置为(N/2,C*2,H,W),将卷积层卷积核的数据顺序由(Cout,Cin,Hk,Wk)设置为(Cout,2*Cin,Hk,Wk)。
本例中,N取2;CC位或MLO注意力机制(Attention)结构图如图2所示,CC位和MLO交叉注意力机制(Cross Attention)结构单元图如图3所示。图中Fse表示挤压(Squeeze)卷积,Fex表示活化(Excitation)卷积。
(5)利用步骤(2)中的数据处理结果,调整步骤(4)中的预训练权值分布,训练步骤(3)中的深度卷积神经网络;其具体实施过程是:
建立权值更新方程:
wt+1=wt+ηΔθt
bt+1=bt+ηAθt
其中,wt表示上一时刻网络的权值,wt+1表示当前时刻网络的权值,η表示学习速率,Δθt表示利用反向传播算法求得当前梯度增量;bt表示上一时刻网络的偏置,wt+1表示当前时刻网络的偏置。
设定损失函数表达式为:
其中,xi表示一幅图像,hθ(x(i))表示网络的预测输出,yi表示与xi对应的掩码输出,θ为网络参数,m表示输入网络图片的数目;i表示批次图像从1到m;m为批次图像数目;
取单侧乳房的CC位和MLO位乳腺X射线图像记为一个批次图像,将其全部归一化并输入网络,通过最小化损失函数来更新权值,直到损失函数达到预设的阈值则完成训练;
归一化公式如下所示:
本例中N值取2,预设损失阈值设为0.0002。
(6)利用深度卷积神经网络对待检测的X射线影像进行推理
待分割图像是临床病案中单侧乳房的CC位和MLO位X射线影像,将其填充到相同大小并归一化,并将其输入到步骤(5)已训练结束的卷积神经网络中;网络输出分割后的概率图像,取0.5的阈值将概率图二值化,如图4所示。二值化后的概率图中白色区域表示在原始图像该处存在肿块病变,反之则不存在肿块病变。本发明所述肿块分割,是指对乳腺X射线图像进行有效地增强及准确地分割,以供临床医生进一步对图像进行识别与判断。
申请人需要强调的是,本发明直接的技术目的是对X射线影像中的不同区域进行准确分割。因此,本发明的技术方案只能在医疗实践活动中作为一种辅助技术手段。本发明不能直接用于判断受验者是否存在某种疾病,更无法作为针对受验者的疾病治疗手段,因此本发明不具备疾病的诊断或治疗目的。
此外,需要说明的是,本发明在具体的实施过程中使用的预训练模型是基于图像网络数据集数据训练的分类模型,其所使用的训练参数和方法和现有技术中的模型相同,在此不再详述。
最后,需要指出的是,以上所述仅是本发明的具体实施例。然而,本发明并不局限于以上的实施方式,还可以对其进行改进和变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形和改进,均应认为是本发明的保护范围。
Claims (4)
1.一种基于交叉注意力机制的乳腺肿块分割方法,其特征在于,包括以下步骤:
(1)制作数据集
取足量的乳腺X射线DICOM图像,经脱敏处理后转换为RGB三原色图像;按临床医学判断标准对乳腺X射线图像肿块进行交叉标注,然后制作成为训练数据集;在训练数据集中,针对每个病案生成与原图像大小一致的掩码二值图像;该二值图像中像素不为0的(x0,y0)位置表示原始图像相同位置存在肿块,反之则不存在肿块;
(2)交叉注意力机制预处理
从步骤(1)得到的数据集中,取N张样本及其对应肿块的掩码二值图像进行归一化处理,N不小于40000;从归一化处理后的图像中,取每个病例的单侧乳房CC位和MLO位两幅乳腺X射线图像,即左右乳房的CC位和MLO位两幅图像各自组成一个图像批次;将两幅图片的大小零填充到相同的长宽,输入图像的批尺寸为2;
(3)构建深度卷积神经网络EfficientNet
构建EfficientNet-B0网络结构,该网络组成包括:一个卷积核大小为3x3、滑动步长为2x2、填充大小为1x1的卷积层;7个移动反转瓶颈块,一个全卷积层,一个逻辑回归层;EfficientNet-B0网络结构是由移动反转瓶颈块组成网络主干,每个移动反转瓶颈块均由两个常规卷积、一个深度可分离卷积和一个注意力模块这三部分组成;
(4)调整图像网络数据集的预训练权值分布
使用在图像网络数据集上预训练好的权值模型文件,设深度卷积神经网络的注意力单元中所有卷积层的权值Wa尺寸为(C1,C2),调整图像网络数据集预训练权值Wb尺寸为(2C1,2C2),且相应的将原偏置Ba尺寸为(C2,1)调整为Bb=[Ba Ba]尺寸为(2C2,1);同时将注意力单元的所有卷积层的数据顺序由(N,C,H,W)设置为(N/2,C*2,H,W),将卷积层卷积核的数据顺序由(Cout,Cin,Hk,Wk)设置为(2*Cout,2*Cin,Hk,Wk);
(5)利用步骤(2)中的数据预处理结果,调整步骤(4)中的预训练权值分布,训练步骤(3)中的深度卷积神经网络;
(6)利用深度卷积神经网络对待检测的X射线影像进行推理
将待检测的乳腺X射线图像的单侧乳房CC位和MLO位零填充为统一大小,然后进行归一化处理;输入到步骤(5)经过训练的深度卷积神经网络,输出取值范围为0-1的概率图;取0.5的阈值将概率图二值化,二值化后的概率图中白色区域表示在原始图像该处存在肿块,反之则不存在肿块。
2.根据权利要求1所述的方法,其特征在于,所述步骤(1)中对乳腺X射线图像肿块数据进行交叉标注的操作,是由多名具备临床资质的执业医师按临床医学判断标准执行;每一幅乳腺X射线图像均由多人标注,并从中选取标注一致的样本用于制作训练数据集。
3.根据权利要求1所述的方法,其特征在于,所述步骤(3)中,7个移动反转瓶颈块的网络层如下表所示:
其中,MBConv1表示该移动反转瓶颈块中的第一个常规卷积输入通道和输出通道相等,MBConv6表示该移动反转瓶颈块中第一个常规卷积输出通道是输入通道的6倍;
K3x3表示移动反转瓶颈块中深度可分离卷积的卷积核大小为3x3;K5x5表示移动反转瓶颈块中深度可分离卷积的卷积核大小为5x5;其中stage2、stage3、stage4、stage6四个移动反转瓶颈块其第一层深度可分离卷积的滑动步长为2,其余滑动步长为1。
4.根据权利要求1所述的方法,其特征在于,所述步骤(5)具体包括:
建立权值更新方程:
wt+1=wt+ηΔθt
bt+1=bt+ηΔθt
其中,wt表示上一时刻网络的权值,wt+1表示当前时刻网络的权值,η表示学习速率,Δθt表示利用BP算法求得当前梯度增量;bt表示上一时刻网络的偏置,wt+1表示当前时刻网络的偏置;
设定损失函数表达式为:
其中,xi表示一幅图像,hθ(x(i))表示网络的预测输出,yi表示与xi对应的掩码输出,θ为网络参数,m表示输入网络图片的数目;i表示批次图像从1到m;m为批次图像数目;
取单侧乳房的CC位和MLO位乳腺X射线图像记为一个批次图像,将其全部归一化并输入网络;通过最小化损失函数来更新权值,直到损失函数达到预设的阈值则完成训练;
归一化公式如下所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011081302.8A CN112201328B (zh) | 2020-10-09 | 2020-10-09 | 一种基于交叉注意力机制的乳腺肿块分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011081302.8A CN112201328B (zh) | 2020-10-09 | 2020-10-09 | 一种基于交叉注意力机制的乳腺肿块分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112201328A true CN112201328A (zh) | 2021-01-08 |
CN112201328B CN112201328B (zh) | 2022-06-21 |
Family
ID=74014262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011081302.8A Active CN112201328B (zh) | 2020-10-09 | 2020-10-09 | 一种基于交叉注意力机制的乳腺肿块分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112201328B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663431A (zh) * | 2022-05-19 | 2022-06-24 | 浙江大学 | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 |
CN114820592A (zh) * | 2022-06-06 | 2022-07-29 | 北京医准智能科技有限公司 | 图像处理装置、电子设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240102A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 |
CN109685077A (zh) * | 2018-12-13 | 2019-04-26 | 深圳先进技术研究院 | 一种乳腺肿块图像识别方法及装置 |
CN110009656A (zh) * | 2019-03-05 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 目标对象的确定方法、装置、存储介质及电子装置 |
WO2019245597A1 (en) * | 2018-06-18 | 2019-12-26 | Google Llc | Method and system for improving cancer detection using deep learning |
CN110738671A (zh) * | 2019-10-14 | 2020-01-31 | 浙江德尚韵兴医疗科技有限公司 | 一种基于深度学习自动分割乳腺钙化点的方法 |
CN110993064A (zh) * | 2019-11-05 | 2020-04-10 | 北京邮电大学 | 面向深度学习的医学影像标注方法及装置 |
CN111401480A (zh) * | 2020-04-27 | 2020-07-10 | 上海市同济医院 | 一种基于融合注意力机制的乳腺mri自动辅助诊断新方法 |
CN111539930A (zh) * | 2020-04-21 | 2020-08-14 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 |
-
2020
- 2020-10-09 CN CN202011081302.8A patent/CN112201328B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240102A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 |
WO2019245597A1 (en) * | 2018-06-18 | 2019-12-26 | Google Llc | Method and system for improving cancer detection using deep learning |
CN109685077A (zh) * | 2018-12-13 | 2019-04-26 | 深圳先进技术研究院 | 一种乳腺肿块图像识别方法及装置 |
CN110009656A (zh) * | 2019-03-05 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 目标对象的确定方法、装置、存储介质及电子装置 |
CN110738671A (zh) * | 2019-10-14 | 2020-01-31 | 浙江德尚韵兴医疗科技有限公司 | 一种基于深度学习自动分割乳腺钙化点的方法 |
CN110993064A (zh) * | 2019-11-05 | 2020-04-10 | 北京邮电大学 | 面向深度学习的医学影像标注方法及装置 |
CN111539930A (zh) * | 2020-04-21 | 2020-08-14 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 |
CN111401480A (zh) * | 2020-04-27 | 2020-07-10 | 上海市同济医院 | 一种基于融合注意力机制的乳腺mri自动辅助诊断新方法 |
Non-Patent Citations (3)
Title |
---|
ZHANTAO CAO 等: "An experimental study on breast lesion detection and classification from ultrasound images using deep learning architectures", 《BMC MEDICAL IMAGING VOLUME》 * |
李志宇 等: "乳腺X线摄影癌周透亮带的影像特征及其病理基础与价值", 《现代生物医学进展》 * |
范怀玉 等: "超声乳腺肿瘤图像中种子点的自动定位研究", 《光学仪器》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663431A (zh) * | 2022-05-19 | 2022-06-24 | 浙江大学 | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 |
CN114663431B (zh) * | 2022-05-19 | 2022-08-30 | 浙江大学 | 基于强化学习和注意力的胰腺肿瘤图像分割方法及系统 |
CN114820592A (zh) * | 2022-06-06 | 2022-07-29 | 北京医准智能科技有限公司 | 图像处理装置、电子设备及介质 |
CN114820592B (zh) * | 2022-06-06 | 2023-04-07 | 北京医准智能科技有限公司 | 图像处理装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112201328B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10111632B2 (en) | System and method for breast cancer detection in X-ray images | |
CN108052977B (zh) | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 | |
Mahmood et al. | Breast lesions classifications of mammographic images using a deep convolutional neural network-based approach | |
CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
CN107451615A (zh) | 基于Faster RCNN的甲状腺乳头状癌超声图像识别方法及系统 | |
CN112201328B (zh) | 一种基于交叉注意力机制的乳腺肿块分割方法 | |
CN111062947B (zh) | 一种基于深度学习的x光胸片病灶定位方法及系统 | |
Sarosa et al. | Mammogram breast cancer classification using gray-level co-occurrence matrix and support vector machine | |
CN111488912B (zh) | 一种基于深度学习神经网络的喉部疾病诊断系统 | |
Zewdie et al. | Classification of breast cancer types, sub-types and grade from histopathological images using deep learning technique | |
CN108510489B (zh) | 一种基于深度学习的尘肺检测方法与系统 | |
Al-Masni et al. | A deep learning model integrating FrCN and residual convolutional networks for skin lesion segmentation and classification | |
Zdolsek et al. | Deep neural networks with promising diagnostic accuracy for the classification of atypical femoral fractures | |
Srivastav et al. | Breast cancer detection in mammogram images using machine learning methods and clahe algorithm | |
CN116228767B (zh) | 基于计算机视觉的x光肺部肿块图像处理方法 | |
Suganya Devi et al. | Detection of abnormalities in mammograms using deep convolutional neural networks | |
CN113870194B (zh) | 深层特征和浅层lbp特征融合的乳腺肿瘤超声图像处理装置 | |
CN115880245A (zh) | 一种基于自监督的乳腺癌疾病分类方法 | |
US20210275123A1 (en) | Method for providing fracture-detection tool | |
CN113920100A (zh) | 基于知识蒸馏的弱监督骨扫描图像热点分割方法及系统 | |
Mouzai et al. | Xray-Net: Self-supervised pixel stretching approach to improve low-contrast medical imaging | |
CN110738671A (zh) | 一种基于深度学习自动分割乳腺钙化点的方法 | |
CN115578400A (zh) | 图像处理方法、图像分割网络的训练方法及装置 | |
Auccahuasi et al. | Detection of microcalcifications in digital mammography images, using deep learning techniques, based on peruvian casuistry | |
Cerekci et al. | Quantitative evaluation of Saliency-Based Explainable artificial intelligence (XAI) methods in Deep Learning-Based mammogram analysis |
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 |