CN112634210A - 一种基于三维ct影像的肺结节检测方法 - Google Patents
一种基于三维ct影像的肺结节检测方法 Download PDFInfo
- Publication number
- CN112634210A CN112634210A CN202011455228.1A CN202011455228A CN112634210A CN 112634210 A CN112634210 A CN 112634210A CN 202011455228 A CN202011455228 A CN 202011455228A CN 112634210 A CN112634210 A CN 112634210A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- dimensional
- training
- data set
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 11
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于三维CT影像的肺结节检测方法，属于图像处理领域。该方法包括以下步骤：S1：构建数据集及其预处理；S2：搭建肺结节检测训练模型；S3：使用经过强化的CT图像数据集训练网络模型；S4：使用训练完成的网络模型在测试集上进行预测。采用多种CT图像数据增强方法和新型深度卷积神经网络结构，充分利用三维肺部CT影像的空间信息，优化神经网络参数规模，既保证了各尺寸等级肺结节检测的查准率和查全率，也明显提升了检测效率，使得算法的实用性有了巨大提升。
Description
技术领域
本发明属于图像处理领域，涉及一种基于三维CT影像的肺结节检测方法。
背景技术
近年来深度学习在计算机视觉领域的巨大成功，吸引了大量研究者致力于探索基于深度神经网络的早期肺癌诊断方法，其中深度卷积神经网络已经在肺结节检测相关研究中被广泛运用。
目前，以基于深度卷积神经网络为基础的肺结节检测方法已经有了较好的准确率，但是仍然普遍存在一些技术上的不足，从而限制了这些肺结节检测方法在实际临床诊断中的大规模应用。这些不足主要体现在以下几个方面。
(1)部分肺结节检测方法仅仅针对二维的肺部CT影像，虽然通过一些方法可以利用部分三维信息，但是仍然不充分，因此存在着漏检误检率较高的问题；
(2)部分肺结节检测方法虽然基于三维CT影像取得了较为优良的敏感度和特异度，但是由于其深度神经网络结构复杂冗余，计算复杂度居高不下，检测耗时较长，检测效率存在不足；
(3)常规的目标检测算法对肺结节多尺度信息利用不足，通常对较大尺寸的肺结节有着不错的检出率，对小结节的检测性能却不尽人意。
发明内容
有鉴于此，本发明的目的在于提供一种基于三维CT影像的肺结节检测方法。采用多种CT图像数据增强方法和新型深度卷积神经网络结构，充分利用三维肺部CT影像的空间信息，优化神经网络参数规模，既保证了各尺寸等级肺结节检测的查准率和查全率，也明显提升了检测效率，使得算法的实用性有了巨大提升。
为达到上述目的，本发明提供如下技术方案：
一种基于三维CT影像的肺结节检测方法，该方法包括以下步骤：
S1：构建数据集及其预处理；
S2：搭建肺结节检测训练模型；
S3：使用经过强化的CT图像数据集训练网络模型；
S4：使用训练完成的网络模型在测试集上进行预测。
可选的，所述S1具体为：
数据集中.raw文件中的给出的是CT的X射线衰减值，单位为HU，按照空气衰减值为-1000HU、骨骼衰减值为400HU为参考将衰减值截断并换算成像素灰度值；
数据集中的.mhd文件中给出的是CT图像的相关参数，利用.mhd文件中给出的offset和ElementSpacing参数换算标注文件中肺结节的三维坐标；
除通过对CT图像进行翻转和旋转扩充数据集之外，还引入Mosaic数据增强方法，在训练时将含有肺结节标注的4张CT图像拼接在一起。
可选的，所述S2具体为：
检测模型以CSPDarknet53作为骨干网络BackBone搭建深度神经网络，在原Darknet的残差块添加跨阶段部分连接结构CSP；
网络中对BackBone隐层输入特征图的各个通道使用DropBlock正则化方法以防止网络过拟合；
网络的特征金字塔环节使用SPP-block实现CT图像多感受野特征提取以分离出更显著的多尺度特征；
使用PAN-block完成多尺度特征融合，提升网络对不同尺寸等级的肺结节的检测能力；
网络激活函数由Leaky ReLU替换为Mish。
可选的，所述S3具体为：
对强化扩充后的数据集划分为10个子集，采用十折交叉验证方法进行交叉训练；
训练过程引入自对抗训练方法，通过网络对原CT图像进行对抗性攻击增强网络抗干扰能力；
训练的损失函数选取CIoU-loss，综合考虑预测BBox与Ground True BBox之间的重叠面积、中心点距离和长宽比一致性。
本发明的有益效果在于：针对肺部CT影像的肺结节图像目标检测问题，使用了新型的数据增强方法和网络结构搭建深度神经网络，有效提升了网络模型的鲁棒性、多尺度特征提取能力、训练和推理效率以及肺结节检测精确度和召回率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明流程示意图；
图2为针对CT图像的Mosaic数据增强方法示意图；
图3为本发明搭建的网络模型结构示意图；
图4为本发明中跨阶段部分连接结构示意图；
图5为本发明算法肺结节检测结果示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1，具体流程为：
Step1：构建数据集及其预处理
本发明选取的数据集是主流的肺结节公用数据集LUNA16，该数据集包含888例低剂量肺部CT影像，包含了1186个肺结节，由.mhd和.raw文件组成。
.mhd文件中给出的是CT图像的相关参数，由于标注文件中的肺结节标注使用的是世界坐标系，不便使用，因此需要利用.mhd文件中给出的offset和ElementSpacing参数换算标注文件中肺结节的三维坐标。换算方法如下式所示：
.raw文件中的给出的是三维坐标上的CT的X射线衰减值(单位：HU)，无法直接显示。处理方式是，按照空气衰减值为-1000HU、骨骼衰减值为400HU为参考，将衰减值截断并换算成像素灰度值。
为了提升算法泛化性能，必须对数据集中的CT图像进行数据增强和数据扩充。最常用的方法是对CT图像进行翻转和旋转以扩充数据集，本技术方案还引入Mosaic数据增强方法。
实施方法是，训练时在网络前增加一个在线增强模块，其功能是将含有肺结节标注的4张CT图像裁剪后拼接在一起，保持图像分辨率为512×512，并对应换算调整标注结节坐标，如图2所示。Mosaic数据增强能有效丰富检测目标的背景，而且变相地增加了batchsize，能明显提升训练时的收敛速度。
Step2：搭建肺结节检测训练模型
网络模型的结构如图3所示，以CSPDarknet53为BackBone，以SPP-block和PAN-block作为Neck，最后连接三个YOLO Head作为疑似肺结节预测模块。
检测模型以CSPDarknet53作为骨干网络BackBone搭建深度神经网络，CSPDarknet相比Darknet的区别是在原Darknet的残差块添加跨阶段部分连接结构(CSP-connection)，能够提高特征重用性并降低计算量。图4即为CSPDarknet53的第一个残差块的跨阶段部分连接结构图，其余残差块的CSP结构与之类似。
网络中对BackBone隐层输入特征图的各个通道使用DropBlock正则化方法，即在隐层的各个通道的特征图中随机置零若干区域来引入噪声。DropBlock正则化可以防止网络过拟合，有效降低肺结节检测的假阳性率。
网络的特征金字塔环节使用SPP-block实现CT图像多感受野特征提取以分离出更显著的多尺度特征。本发明中，SPP-block中的三个最大池化层的过滤器分别为13×13/1、9×9/1和5×5/1。
网络使用PAN-block完成多尺度特征融合，分别向三个Yolo Head输出64×64×128、32×32×512和16×16×1024的特征图。PAN-block结构的双向多尺度特征融合可以提升网络对不同尺寸等级的肺结节的检测能力。
网络激活函数由常用的Leaky ReLU替换为Mish，能得到更好的准确度和泛化性。Mish函数的表达式为：
f(x)＝xtanh(softplus(x))＝xtanh(ln(1+ex))
Step3：使用经过强化的CT图像数据集训练网络模型
按照9：1的比例将数据集划分为训练集和测试集，其中，训练集又被划分为10个子集，采用十折交叉验证方法进行交叉训练，即9个子集参与训练，1个子集进行模型验证。
训练时的网络输入是根据标注切分出的含有结节的CT切面及其前后两个切面组成的512×512×3图像块，以便利用肺结节的三维空间信息。
训练过程引入自对抗训练方法。具体实施方法是，在两个前后向阶段中，第一个阶段神经网络对CT图像进行修改，第二个阶段在被修改过的图像上进行肺结节检测。经过这样的对抗性攻击，网络抗干扰能力得到增强。
综合考虑预测预测框与标注框之间的重叠面积、中心点距离和长宽比一致性，网络模型的损失函数选取的是CIoU-loss：
LossCIoU＝1-IoU+RDIoU+αv
where
上式中，ρ2(b,bgt)表示预测框中心点与标注框中心点之间的欧氏距离的平方，c是预测框和标注框的最小包含框的对角线长度，α是折衷参数，v是长宽比一致性参数。
网络模型的预测结果通过非极大值抑制得到最终的检测结果。
Step4：使用训练完成的网络模型在测试集上进行预测
网络模型完成所有轮次的十折交叉验证训练后，在测试集中对模型进行测试。测试时的输入是没有经过Mosaic数据增强和切片的完整CT图像块，依次输入由连续三张CT切面组成的图像块进行检测，检测的结果如图5所示。测试结果表明，检测结果与标注信息匹配度较高，本发明提出的肺结节检测模型具有优良的检测准确度。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于三维CT影像的肺结节检测方法，其特征在于：该方法包括以下步骤：
S1：构建数据集及其预处理；
S2：搭建肺结节检测训练模型；
S3：使用经过强化的CT图像数据集训练网络模型；
S4：使用训练完成的网络模型在测试集上进行预测。
2.根据权利要求1所述的一种基于三维CT影像的肺结节检测方法，其特征在于：所述S1具体为：
数据集中.raw文件中的给出的是CT的X射线衰减值，单位为HU，按照空气衰减值为-1000HU、骨骼衰减值为400HU为参考将衰减值截断并换算成像素灰度值；
数据集中的.mhd文件中给出的是CT图像的相关参数，利用.mhd文件中给出的offset和ElementSpacing参数换算标注文件中肺结节的三维坐标；
除通过对CT图像进行翻转和旋转扩充数据集之外，还引入Mosaic数据增强方法，在训练时将含有肺结节标注的4张CT图像拼接在一起。
3.根据权利要求1所述的一种基于三维CT影像的肺结节检测方法，其特征在于：所述S2具体为：
检测模型以CSPDarknet53作为骨干网络BackBone搭建深度神经网络，在原Darknet的残差块添加跨阶段部分连接结构CSP；
网络中对BackBone隐层输入特征图的各个通道使用DropBlock正则化方法以防止网络过拟合；
网络的特征金字塔环节使用SPP-block实现CT图像多感受野特征提取以分离出更显著的多尺度特征；
使用PAN-block完成多尺度特征融合，提升网络对不同尺寸等级的肺结节的检测能力；
网络激活函数由Leaky ReLU替换为Mish。
4.根据权利要求3所述的一种基于三维CT影像的肺结节检测方法，其特征在于：所述S3具体为：
对强化扩充后的数据集划分为10个子集，采用十折交叉验证方法进行交叉训练；
训练过程引入自对抗训练方法，通过网络对原CT图像进行对抗性攻击增强网络抗干扰能力；
训练的损失函数选取CIoU-loss，综合考虑预测BBox与Ground True BBox之间的重叠面积、中心点距离和长宽比一致性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011455228.1A CN112634210B (zh) | 2020-12-10 | 2020-12-10 | 一种基于三维ct影像的肺结节检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011455228.1A CN112634210B (zh) | 2020-12-10 | 2020-12-10 | 一种基于三维ct影像的肺结节检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112634210A true CN112634210A (zh) | 2021-04-09 |
| CN112634210B CN112634210B (zh) | 2024-04-09 |
Family
ID=75309905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011455228.1A Active CN112634210B (zh) | 2020-12-10 | 2020-12-10 | 一种基于三维ct影像的肺结节检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112634210B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113205473A (zh) * | 2021-07-05 | 2021-08-03 | 深圳科亚医疗科技有限公司 | 用于医学图像检测的数据增强的方法、装置和存储介质 |
| CN114022756A (zh) * | 2021-09-24 | 2022-02-08 | 惠州学院 | 排水盖周边垃圾的视觉识别方法、电子设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6760468B1 (en) * | 1996-02-06 | 2004-07-06 | Deus Technologies, Llc | Method and system for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
| WO2014127224A1 (en) * | 2013-02-14 | 2014-08-21 | The Research Foundation For The State University Of New York | Method for adaptive computer-aided detection of pulmonary nodules in thoracic computed tomography images using hierarchical vector quantization and apparatus for same |
| CN108389201A (zh) * | 2018-03-16 | 2018-08-10 | 北京推想科技有限公司 | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 |
| CN109544510A (zh) * | 2018-10-24 | 2019-03-29 | 广州大学 | 一种基于卷积神经网络的三维肺结节识别方法 |
| EP3540692A1 (en) * | 2018-03-16 | 2019-09-18 | Infervision | A computed tomography pulmonary nodule detection method based on deep learning |
| CN110309860A (zh) * | 2019-06-06 | 2019-10-08 | 昆明理工大学 | 基于卷积神经网络对肺结节的恶性程度进行分类的方法 |
| CN110689547A (zh) * | 2019-09-25 | 2020-01-14 | 重庆大学 | 一种基于三维ct影像的肺结节分割方法 |
| CN110766051A (zh) * | 2019-09-20 | 2020-02-07 | 四川大学华西医院 | 一种基于神经网络的肺结节形态学分类方法 |
| CN110942446A (zh) * | 2019-10-17 | 2020-03-31 | 付冲 | 一种基于ct影像的肺结节自动检测方法 |
| CN111127438A (zh) * | 2019-12-25 | 2020-05-08 | 昆明理工大学 | 基于改进yolo算法的肺部ct图像中结节检测方法 |
| CN111723817A (zh) * | 2020-06-30 | 2020-09-29 | 重庆大学 | 一种肺结节辅助检测方法 |
-
2020
- 2020-12-10 CN CN202011455228.1A patent/CN112634210B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6760468B1 (en) * | 1996-02-06 | 2004-07-06 | Deus Technologies, Llc | Method and system for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
| WO2014127224A1 (en) * | 2013-02-14 | 2014-08-21 | The Research Foundation For The State University Of New York | Method for adaptive computer-aided detection of pulmonary nodules in thoracic computed tomography images using hierarchical vector quantization and apparatus for same |
| CN108389201A (zh) * | 2018-03-16 | 2018-08-10 | 北京推想科技有限公司 | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 |
| EP3540692A1 (en) * | 2018-03-16 | 2019-09-18 | Infervision | A computed tomography pulmonary nodule detection method based on deep learning |
| CN109544510A (zh) * | 2018-10-24 | 2019-03-29 | 广州大学 | 一种基于卷积神经网络的三维肺结节识别方法 |
| CN110309860A (zh) * | 2019-06-06 | 2019-10-08 | 昆明理工大学 | 基于卷积神经网络对肺结节的恶性程度进行分类的方法 |
| CN110766051A (zh) * | 2019-09-20 | 2020-02-07 | 四川大学华西医院 | 一种基于神经网络的肺结节形态学分类方法 |
| CN110689547A (zh) * | 2019-09-25 | 2020-01-14 | 重庆大学 | 一种基于三维ct影像的肺结节分割方法 |
| CN110942446A (zh) * | 2019-10-17 | 2020-03-31 | 付冲 | 一种基于ct影像的肺结节自动检测方法 |
| CN111127438A (zh) * | 2019-12-25 | 2020-05-08 | 昆明理工大学 | 基于改进yolo算法的肺部ct图像中结节检测方法 |
| CN111723817A (zh) * | 2020-06-30 | 2020-09-29 | 重庆大学 | 一种肺结节辅助检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| RAUNAK DEY: "Diagnostic classification of lung nodules using 3D neural networks", 2018 IEEE 15TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2018) * |
| 杨晶晶;王骞;宣晓华;: "基于深度卷积神经网络算法的肺结节检测模型", 数学建模及其应用, no. 04 * |
| 管姝;张骞予;谢红薇;强彦;程臻;: "CT影像识别的卷积神经网络模型", 计算机辅助设计与图形学学报, no. 08, 15 August 2018 (2018-08-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113205473A (zh) * | 2021-07-05 | 2021-08-03 | 深圳科亚医疗科技有限公司 | 用于医学图像检测的数据增强的方法、装置和存储介质 |
| CN114022756A (zh) * | 2021-09-24 | 2022-02-08 | 惠州学院 | 排水盖周边垃圾的视觉识别方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112634210B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109102502B (zh) | 基于三维卷积神经网络的肺结节检测方法 | |
| CN106940816B (zh) | 基于3d全卷积神经网络的ct图像肺结节检测系统 | |
| CN108428229B (zh) | 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 | |
| CN110969088B (zh) | 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法 | |
| CN106204503B (zh) | 基于改进置信度更新函数及匹配准则的图像修复算法 | |
| CN111860336B (zh) | 基于位置感知的高分辨遥感图像倾斜船舶目标检测方法 | |
| CN111414968A (zh) | 一种基于卷积神经网络特征图的多模态遥感影像匹配方法 | |
| CN110807764A (zh) | 一种基于神经网络的肺癌筛查方法 | |
| CN106683091A (zh) | 一种基于深度卷积神经网络的目标分类及姿态检测方法 | |
| CN109978807A (zh) | 一种基于生成式对抗网络的阴影去除方法 | |
| CN112634210A (zh) | 一种基于三维ct影像的肺结节检测方法 | |
| CN104217459B (zh) | 一种球面特征提取方法 | |
| CN110378997A (zh) | 一种基于orb-slam2的动态场景建图与定位方法 | |
| CN109363698A (zh) | 一种乳腺影像征象识别的方法及装置 | |
| Szczypiński et al. | A model of deformable rings for interpretation of wireless capsule endoscopic videos | |
| CN101449291A (zh) | 自动识别解剖结构中癌前异常的过程和系统及对应的计算机程序 | |
| Xu et al. | DeepMask: an algorithm for cloud and cloud shadow detection in optical satellite remote sensing images using deep residual network | |
| CN112149620A (zh) | 基于无锚点的自然场景文字区域检测模型的构建方法 | |
| CN110503637A (zh) | 一种基于卷积神经网络的道路裂缝自动检测方法 | |
| CN109671055A (zh) | 肺结节检测方法及装置 | |
| CN111222534B (zh) | 一种基于双向特征融合和更平衡l1损失的单发多框检测器优化方法 | |
| CN111626307A (zh) | 一种基于l-orb算法的植株图像实时拼接方法 | |
| Haiying et al. | False-positive reduction of pulmonary nodule detection based on deformable convolutional neural networks | |
| Jiang et al. | Msk-unet: A modified u-net architecture based on selective kernel with multi-scale input for pavement crack detection | |
| KR102407248B1 (ko) | 데이터 증대 및 이미지 분할을 활용한 딥러닝 기반 위 병변 분류시스템 |
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 |