CN112270667B - 一种基于ti-rads的集成深度学习多标签识别方法 - Google Patents
一种基于ti-rads的集成深度学习多标签识别方法 Download PDFInfo
- Publication number
- CN112270667B CN112270667B CN202011214496.4A CN202011214496A CN112270667B CN 112270667 B CN112270667 B CN 112270667B CN 202011214496 A CN202011214496 A CN 202011214496A CN 112270667 B CN112270667 B CN 112270667B
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- loss
- model
- original
- 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.)
- Active
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本发明涉及一种基于TI‑RADS的集成深度学习多标签识别方法,包括以下步骤:S1、预处理,对采集到的原始甲状腺超声图像进行预处理,所述预处理包括对所述原始甲状腺超声图像进行结节边界的分割、结节感兴趣区域的提取;S2、特征工程,所述特征工程为对步骤S1预处理后的原始甲状腺超声图像进行几何特征和纹理特征的提取;S3、搭建模型,将EfficientNet模型、特征工程、FPN网络模型通过Concatenate函数进行特征融合得到深度学习模型;S4、将步骤S1预处理后的原始甲状腺超声图像以及步骤S2中提取的几何特征和纹理特征输入到步骤S3中的深度学习模型,输出多标签分类结果;本发明具有可释性强、分类结果精准的优点。
Description
技术领域
本发明属于甲状腺结节辅助诊断方法技术领域,基于TI-RADS的集成深度学习多标签识别方法。
背景技术
甲状腺结节是生长在甲状腺的肿块,近年来发病率呈上升趋势,结节多为良性,但仍有5%-15%为恶性。超声检查由于其具有价格低廉、安全、无创性的优点,成为医生诊断甲状腺结节的首选方式。临床上,医生通常根据经验诊断甲状腺结节,他们观察超声图像,并与评分标准比较,得到甲状腺结节的风险等级评分。美国放射学会(American Collegeof Radiology,ACR)提出了甲状腺影像报告和数据系统(TI-RADS),分析了甲状腺结节的5个特征:成分、回声、形态、边缘和强回声。人工诊断甲状腺超声图像是一个很大的挑战。
此外,超声图像的日益增长也给医生带来了巨大的负担和超负荷工作。随着人工智能在甲状腺结节诊断中的应用,出现了一些新的智能诊断模型。它们可以根据加载的超声图像预测良恶性。通过大量的图像和训练,大多数模型都获得了良好的性能。
然而,现有技术通常使用机器学习或深度学习的方法来提取特征并分类,一些存在的机器学习方法往往是对某一类的单个特征进行分类,精度往往不够理想,而深度学习的方法在医学可解释性上有些欠缺。
发明内容
本发明的目的是克服现有技术的不足而提供一种基于TI-RADS的集成深度学习多标签识别方法。
本发明的技术方案如下:
一种基于TI-RADS的集成深度学习多标签识别方法,包括以下步骤:
S1、预处理,对采集到的原始甲状腺超声图像进行预处理,所述预处理包括对所述原始甲状腺超声图像进行结节边界的分割、结节感兴趣区域的提取;
S2、特征工程,所述特征工程为对步骤S1预处理后的原始甲状腺超声图像进行几何特征和纹理特征的提取;
S3、搭建模型,将EfficientNet模型、特征工程、FPN网络模型通过Concatenate函数进行特征融合得到深度学习模型;
S4、将步骤S1预处理后的原始甲状腺超声图像以及步骤S2中提取的几何特征和纹理特征输入到步骤S3中的深度学习模型,输出多标签分类结果。
进一步,步骤S1中,对所述原始甲状腺超声图像进行预处理的具体过程如下:
S11、对所述原始甲状腺超声图像进行结节边界的分割,根据医生在超声图像中的标记来确定结节的位置,然后使用图像标注软件labelme进行分割,分割之后保存成一个json 文件,经过转换得到二进制mask图像,将二进制mask图像与原始甲状腺超声图像叠加之后得到包含结节的前景图;
S12、对所述原始甲状腺超声图像进行结节感兴趣区域的提取,将步骤S11中得到二进制mask图像,输入到OpenCV中查找图像轮廓的函数找到目标区域,得出结节最小外接矩阵的坐标点(x,y,w,h),然后对原始甲状腺超声图像自动裁剪。
进一步,步骤S2中,所述特征工程,是根据对所述原始甲状腺超声图像进行结节边界的分割后得到的mask二值图像提取的几何特征和使用灰度共生矩阵对前景图像提取的纹理特征。
进一步,所述几何特征包括纵横比、圆形度以及弥漫性,所述纹理特征包括能量、熵、对比度以及相关系数,其中:
1)纵横比,是结节外接矩形高度与宽度的比值,计算公式如式1,良性结节的纵横比通常小于1,而恶性的结节纵横比通常大于1;
2)圆形度,是结节边缘是否规则的度量,该值越大,结节就越规则,越接近圆形;公式如式2,其中Snodule表示结节区域的面积,Cnodule表示边缘最小圆的周长;
3)弥漫性,是衡量结节的规整程度,该值越大,结节越不规整,是恶性的概率也越大;公式如式3,其中Snodule表示结节区域的面积,MCR表示结节区域外接最小矩阵的面积;
4)能量能反映出图像灰度分布的均匀程度和纹理的粗细程度,能量计算公式如式4;
5)熵是所有像素点的随机性度量,反映超声图像的灰度分布的复杂度;熵计算公式如式5;
6)对比度衡量图像的清晰度和纹理沟纹的深浅程度,该值越大,说明超声图像越清晰;对比度计算公式如式6;
7)相关性系数度量图像的灰度级在行或列方向上的相似程度,该值的大小反映了局部灰度相关性,值越大,相关性也越大;相关系数计算公式如式7。
进一步,步骤S4的具体过程如下:
S41、集成EfficientNet模型,通过迁移学习,将EfficientNet-B0在ImageNet上训练的权重应用到甲状腺结节超声图像上,将提取的ROI图像作为输入,尺寸大小设为128*128,输出多个第一一维向量;
S42、集成FPN网络模型,将分割后的mask二值图像和前景图像分别作为输入,尺寸大小设置为128*128,卷积核大小为3*3,从不同尺度提取特征,然后将两个输出拼接为第二一维向量;
S43、将集成EfficientNet模型输出的第一一维向量、提取的几何特征和纹理特征对应的七个第三一维向量、集成FPN网络模型输出的第二一维向量通过Concatenate函数进行特征融合之后的结果,输入到全连接层中输出多标签分类结果。
进一步,所述多标签分类包括成分、回声、边缘、强回声、形态,其中成分、回声、边缘、强回声是属于多分类,采用softmax函数进行分类,形态属于二分类,采用sigmoid 函数进行分类。
进一步,所述深度学习模型采用焦点损失作为损失函数,总的损失函数为:
Losstotal=lossc+losse+losss+lossm+lossf;
其中,lossc,losse,losss,lossm,lossf分别代表成分、回声、形态、边缘、强回声每一类的损失。
进一步,所述深度学习模型采用随机梯度下降法进行优化。
进一步,还包括对所述深度学习模型进行训练,取现有的采集到的原始甲状腺超声图像作为训练集,在进行步骤S1时,训练集中的原始甲状腺超声图像进行图像数量的增广,采用水平翻转,竖直翻转,亮度增强,颜色变换的方式,经过数据增广,将增广后的数据用于深度学习模型的训练。
与现有技术相比,本发明的有益效果是:
本发明采用集成的深度学习模型,将提取的几何特征与纹理特征同深度学习相结合,把利用特征工程提取的几何特征和纹理特征融合到模型中,使用一个集成的深度学习结构去实现多标签的分类,能够有效增加可释性、提高分类的准确性;本发明中集成深度学习模型包含EfficientNet模型、特征工程、FPN网络模型,最终输出TI-RADS成分、回声、形态、边缘、强回声每一类特征的结果,取得了较高的分类结果,为医生准确地识别良恶性提供了依据;
总之,本发明增加了可解释性,并达到了较好的分类结果,能够有效地对TI-RADS每一类的特征进行分类,为临床医生提供了参考依据,并能够减轻医生的工作量。
附图说明
图1为本发明的流程图。
图2为本发明实施例测试状态下ROC曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种基于TI-RADS的集成深度学习多标签识别方法,包括以下步骤:
S1、预处理,对采集到的原始甲状腺超声图像进行预处理,所述预处理包括对所述原始甲状腺超声图像进行结节边界的分割、结节感兴趣区域的提取;
S2、特征工程,所述特征工程为对步骤S1预处理后的原始甲状腺超声图像进行几何特征和纹理特征的提取;
S3、搭建模型,将EfficientNet模型、特征工程、FPN网络模型通过Concatenate函数进行特征融合得到深度学习模型;
S4、将步骤S1预处理后的原始甲状腺超声图像以及步骤S2中提取的几何特征和纹理特征输入到步骤S3中的深度学习模型,输出多标签分类结果。
本实施例中,进行步骤S2时,提取几何特征和纹理特征采用现有技术中传统的手动提取特征和灰度共生矩阵方法即可;步骤S3中的FPN网络模型为特征金字塔网络模型,主要用于提取形态和边缘特征,它包含一个卷积神经网络,有三个卷积层和三个池化层。
本实施例中,步骤S1中,对所述原始甲状腺超声图像进行预处理的具体过程如下:
S11、对所述原始甲状腺超声图像进行结节边界的分割,根据医生在超声图像中的标记来确定结节的位置,然后使用图像标注软件labelme进行分割,分割之后保存成一个json 文件,经过转换得到二进制mask图像,将二进制mask图像与原始甲状腺超声图像叠加之后得到包含结节的前景图;
S12、对所述原始甲状腺超声图像进行结节感兴趣区域的提取,将步骤S11中得到二进制mask图像,输入到OpenCV中查找图像轮廓的函数找到目标区域,得出结节最小外接矩阵的坐标点(x,y,w,h),然后对原始甲状腺超声图像自动裁剪;
步骤S12中,x,y代表最小外接矩阵的左上角坐标点,w代表宽度,h代表高度;为了避免结节边缘特征的丢失,向结节外扩大10个像素点进行裁剪。
本实施例中,步骤S2中,所述特征工程,是根据对所述原始甲状腺超声图像进行结节边界的分割后得到的mask二值图像提取的几何特征和使用灰度共生矩阵对前景图像提取的纹理特征。
本实施例中,所述几何特征包括纵横比、圆形度以及弥漫性,所述纹理特征包括能量、熵、对比度以及相关系数。
本实施例中,步骤S4的具体过程如下:
S41、集成EfficientNet模型,通过迁移学习,将EfficientNet-B0在ImageNet上训练的权重应用到甲状腺结节超声图像上,将提取的ROI图像作为输入,尺寸大小设为128*128,输出多个第一一维向量;
S42、集成FPN网络模型,将分割后的mask二值图像和前景图像分别作为输入,尺寸大小设置为128*128,卷积核大小为3*3,从不同尺度提取特征,然后将两个输出拼接为第二一维向量;
S43、将集成EfficientNet模型输出的第一一维向量、提取的几何特征和纹理特征对应的七个第三一维向量(即纵横比、圆形度、弥漫性、能量、熵、对比度、相关系数)、集成FPN网络模型输出的第二一维向量通过Concatenate函数进行特征融合之后的结果,输入到全连接层中输出多标签分类结果。
本实施例中,所述多标签分类包括成分、回声、边缘、强回声、形态,其中成分、回声、边缘、强回声是属于多分类,采用softmax函数进行分类,形态属于二分类,采用sigmoid函数进行分类。
本实施例中,所述深度学习模型采用焦点损失作为损失函数,总的损失函数为:
Losstotal=lossc+losse+losss+lossm+lossf;
其中,lossc,losse,losss,lossm,lossf分别代表成分、回声、形态、边缘、强回声每一类的损失。
本实施例中,所述深度学习模型采用随机梯度下降法进行优化。
本实施例中,还包括对所述深度学习模型进行训练,取现有的采集到的原始甲状腺超声图像作为训练集,在进行步骤S1时,训练集中的原始甲状腺超声图像进行图像数量的增广,采用水平翻转,竖直翻转,亮度增强,颜色变换的方式,经过数据增广,将增广后的数据用于深度学习模型的训练。
本发明对深度学习模型进行训练的过程如下,选取采集到的587张甲状腺超声图像作为原始甲状腺超声图像,其中包含有289个病人,将587张原始甲状腺超声图像中的410张作为训练集,剩余的177张作为测试集;在训练时,采用训练集中的410张原始甲状腺超声图像进行训练,在进行步骤S1时,对410张原始甲状腺超声图像进行结节边界的分割、结节感兴趣区域的提取、以及图像数量的增广,通过图像数量的增广将410张图像增广到6560张,利用增广得到的6560张图像训练深度学习模型;
本发明对深度学习模型进行训练的过程如下,将前述测试集中的177张原始甲状腺超声图像进行包含原始甲状腺超声图像进行结节边界的分割、结节感兴趣区域的提取的预处理、特征工程后,输入到深度学习模型中进行多标签分类测试。实验采用ROC曲线下的面积AUC值作为评价指标,最终成分、回声、形态、边缘、强回声的宏平均AUC值分别达到了79.02%,83.49%,90.76%,83.53%,82.21%。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于TI-RADS的集成深度学习多标签识别方法,其特征在于,包括以下步骤:
S1、预处理,对采集到的原始甲状腺超声图像进行预处理,所述预处理包括对所述原始甲状腺超声图像进行结节边界的分割、结节感兴趣区域的提取;
S2、特征工程,所述特征工程为对步骤S1预处理后的原始甲状腺超声图像进行几何特征和纹理特征的提取;
S3、搭建模型,将EfficientNet模型、特征工程、FPN网络模型通过Concatenate函数进行特征融合得到深度学习模型;
S4、将步骤S1预处理后的原始甲状腺超声图像以及步骤S2中提取的几何特征和纹理特征输入到步骤S3中的深度学习模型,输出多标签分类结果;
步骤S1中,对所述原始甲状腺超声图像进行预处理的具体过程如下:
S11、对所述原始甲状腺超声图像进行结节边界的分割,根据医生在超声图像中的标记来确定结节的位置,然后使用图像标注软件labelme进行分割,分割之后保存成一个json文件,经过转换得到二进制mask图像,将二进制mask图像与原始甲状腺超声图像叠加之后得到包含结节的前景图;
S12、对所述原始甲状腺超声图像进行结节感兴趣区域的提取,将步骤S11中得到二进制mask图像,输入到OpenCV中查找图像轮廓的函数找到目标区域,得出结节最小外接矩阵的坐标点(x,y,w,h),然后对原始甲状腺超声图像自动裁剪;
步骤S4的具体过程如下:
S41、集成EfficientNet模型,通过迁移学习,将Efficientnet-B0在ImageNet上训练的权重应用到甲状腺结节超声图像上,将提取的ROI图像作为输入,尺寸大小设为128*128,输出多个第一一维向量;
S42、集成FPN网络模型,将分割后的mask二值图像和前景图像分别作为输入,尺寸大小设置为128*128,卷积核大小为3*3,从不同尺度提取特征,然后将两个输出拼接为第二一维向量;
S43、将集成EfficientNet模型输出的第一一维向量、提取的几何特征和纹理特征对应的七个第三一维向量、集成FPN网络模型输出的第二一维向量通过Concatenate函数进行特征融合之后的结果,输入到全连接层中输出多标签分类结果。
2.根据权利要求1所述的基于TI-RADS的集成深度学习多标签识别方法,其特征在于,步骤S2中,所述特征工程,是根据对所述原始甲状腺超声图像进行结节边界的分割后得到的mask二值图像提取的几何特征和使用灰度共生矩阵对前景图像提取的纹理特征。
3.根据权利要求2所述的基于TI-RADS的集成深度学习多标签识别方法,其特征在于:所述多标签分类包括成分、回声、边缘、强回声、形态,其中成分、回声、边缘、强回声是属于多分类,采用softmax函数进行分类,形态属于二分类,采用sigmoid函数进行分类。
4.根据权利要求3所述的基于TI-RADS的集成深度学习多标签识别方法,其特征在于:所述深度学习模型采用焦点损失作为损失函数,总的损失函数为:
Losstotal=lossc+losse+losss+lossm+lossf;
其中,lossc,losse,losss,lossm,lossf分别代表成分、回声、形态、边缘、强回声每一类的损失。
5.根据权利要求1所述的基于TI-RADS的集成深度学习多标签识别方法,其特征在于:所述深度学习模型采用随机梯度下降法进行优化。
6.根据权利要求1-5任一项所述的基于TI-RADS的集成深度学习多标签识别方法,其特征在于:还包括对所述深度学习模型进行训练,取现有的采集到的原始甲状腺超声图像作为训练集,在进行步骤S1时,训练集中的原始甲状腺超声图像进行图像数量的增广,采用水平翻转,竖直翻转,亮度增强,颜色变换的方式,经过数据增广,将增广后的数据用于深度学习模型的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011214496.4A CN112270667B (zh) | 2020-11-02 | 2020-11-02 | 一种基于ti-rads的集成深度学习多标签识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011214496.4A CN112270667B (zh) | 2020-11-02 | 2020-11-02 | 一种基于ti-rads的集成深度学习多标签识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270667A CN112270667A (zh) | 2021-01-26 |
CN112270667B true CN112270667B (zh) | 2023-04-25 |
Family
ID=74345019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011214496.4A Active CN112270667B (zh) | 2020-11-02 | 2020-11-02 | 一种基于ti-rads的集成深度学习多标签识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270667B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927217B (zh) * | 2021-03-23 | 2022-05-03 | 内蒙古大学 | 一种基于目标检测的甲状腺结节侵袭性预测方法 |
CN113222009A (zh) * | 2021-05-10 | 2021-08-06 | 天津大学 | 一种基于甲状腺超声视频估算结节纵横比的方法 |
CN113449777B (zh) * | 2021-06-08 | 2022-12-30 | 上海深至信息科技有限公司 | 一种甲状腺结节自动分级方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211116A (zh) * | 2019-06-03 | 2019-09-06 | 东北大学 | 一种基于深度学习网络和浅层纹理特征融合的甲状腺超声图像结节分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945179A (zh) * | 2017-12-21 | 2018-04-20 | 王华锋 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
CN108428229B (zh) * | 2018-03-14 | 2020-06-16 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
-
2020
- 2020-11-02 CN CN202011214496.4A patent/CN112270667B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211116A (zh) * | 2019-06-03 | 2019-09-06 | 东北大学 | 一种基于深度学习网络和浅层纹理特征融合的甲状腺超声图像结节分析方法 |
Non-Patent Citations (1)
Title |
---|
Danyang Cao et al..An improved object detection algorithm based on multi-scaled and deformable convolutional neural networks.Human-centric Computing and Information Sciences volume.2020,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112270667A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11101033B2 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
CN112270667B (zh) | 一种基于ti-rads的集成深度学习多标签识别方法 | |
CN109584254B (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
Li et al. | Dilated-inception net: multi-scale feature aggregation for cardiac right ventricle segmentation | |
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 | |
CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
CN107886514A (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
CN108961207B (zh) | 基于多模态超声图像的淋巴结良恶性病变辅助诊断方法 | |
KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
CN111242959A (zh) | 基于卷积神经网络的多模态医学图像的目标区域提取方法 | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
CN110874860A (zh) | 基于混合损失函数的对称监督模型的目标提取方法 | |
Pradhan et al. | Lung cancer detection using 3D convolutional neural networks | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
Wen et al. | Pulmonary nodule detection based on convolutional block attention module | |
Zhang et al. | Machine learning model comparison for automatic segmentation of intracoronary optical coherence tomography and plaque cap thickness quantification | |
CN112419246B (zh) | 量化食管粘膜IPCLs血管形态分布的深度检测网络 | |
Malik et al. | Lung cancer detection at initial stage by using image processing and classification techniques | |
Benčević et al. | Epicardial adipose tissue segmentation from CT images with a semi-3D neural network | |
CN115018780B (zh) | 一种融合全局推理和mlp架构的甲状腺结节分割方法 | |
CN116524315A (zh) | 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法 | |
CN114359308A (zh) | 一种基于边缘响应与非线性损失的主动脉夹层分割方法 |
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 |