CN112651450B - 一种基于多示例深度学习的医学图像分类方法 - Google Patents
一种基于多示例深度学习的医学图像分类方法 Download PDFInfo
- Publication number
- CN112651450B CN112651450B CN202011605056.1A CN202011605056A CN112651450B CN 112651450 B CN112651450 B CN 112651450B CN 202011605056 A CN202011605056 A CN 202011605056A CN 112651450 B CN112651450 B CN 112651450B
- Authority
- CN
- China
- Prior art keywords
- image
- negative
- positive
- examples
- deep learning
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- 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
- 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
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于多示例深度学习的医学图像分类方法,使用多示例学习算法,对医学图像数据进行处理,将图像进行分割,将一张医学图像看作一个“包”,将图像被分割出的各个部分看作一个个“示例”,对于一个阳性的包,有部分示例是阴性的(负示例),且至少有一个示例是阳性的(正示例),对所有示例进行特征提取和学习,使得阳性示例的特征更加突出,同时增加了可学习的阴性示例的数据量,通过多示例学习对示例标签进行初始标记,之后选取合适的带标签的数据,训练深度学习模型,对医学图像进行分类,辅助医生的诊断工作,降低医生的工作量,提高医生诊断的效率和质量。
Description
技术领域
本发明涉及一种医学图像分类方法,尤其涉及一种基于多示例深度学习的医学图像分类方法。
背景技术
随着计算机技术和生物科技的高速发展以及医学影像管理系统(PictureArchiving and Comuniations Systems,PACS)的广泛应用,计算机辅助诊断(computeraided diagnosis,CAD)因其可以为医生诊断提供参考意见、提高诊断的效率、减少人为主观因素和降低误诊率等优点越来越为人们所关注。计算机辅助诊断技术是指通过医学图像处理技术以及其它可能的生理、生化手段,结合计算机的分析和计算,以辅助医生发现病灶,提高诊断的准确率的一种技术。在1963年,Lodwick等人提出了一种将X光片数字化的方法后,基于医学图像的CAD的研究不断深入,已经成为医生诊断的参考和“第二意见(Secondopinion)”。CAD对于辅助医生诊断具有重要作用,尤其在癌症领域,目前对癌症患者的医学图像诊断主要还依赖于医生的人工诊断,而通过计算机科学对医学图像进行处理和分析,对医学图像进行分类,为医生提供意见,能够有效缩短医生诊断的时间,在提高诊断效率的同时,还削弱了人为主观因素的影响,提高了诊断的准确性。
随着深度学习的发展,计算机视觉领域的研究利用大量的深度学习来处理各种图像问题,深度学习以其强大的自动提取特征能力、图像处理能力以及构建复杂模型的能力,在医学图像分类中大放异彩。然而,目前虽然已经有许多基于深度学习对肿瘤医学图像进行分类的方法被提出,但这些方法大多直接针对整张医学图像进行特征提取和学习,或只针对感兴趣的区域进行学习从而忽略了图像其它部分的意义,其实一张阳性医学图像(即恶性肿瘤的医学图像)中,并不是所有组织都是恶性的,还存在着部分良性组织,而直接使用整个图像进行特征提取,就是在本就存在大量噪声的医学图像中引入了更多影响因素;而只使用感兴趣的区域进行特征提取和模型训练,则丢弃了可以利用的良性组织的特征,直接减少了大量可学习的数据。
发明内容
本发明的目的是为了克服目前基于深度学习的医学图像分类的方法大多直接针对整张医学图像进行特征提取和学习从而在本就存在大量噪声的医学图像中引入了更多影响因素,或只针对感兴趣的区域进行学习从而忽略了图像其它部分的意义的问题,而提供一种基于多示例深度学习的医学图像分类方法,可以将医学图像分割后进行特征提取和学习,突出了恶性组织特征的同时,增加了可以使用的良性组织的数据,能够得到更加准确的分类效果。
本发明提供了一种高效准确的医学图像分类方法。使用者将待分类的医学图像作为模型的输入,输入至已经训练好的深度神经网络模型中,模型会自动给出该图像的分类结果(良性/恶性)
本发明的目的是这样实现的:
一种基于多示例深度学习的医学图像分类方法,包括如下步骤:
步骤1:收集并处理医学图像数据集,将每张图像都分割为均匀的互不重叠的S个子区域,并做好标记:每张图像都是多示例学习的一个包Di,每张图像被分割成的S个子区域则是该包中的示例({L1,L2,...,LS}∈Di)。
步骤2:数据集划分,将含有n个样本的数据集分为良性样本集({D1,D2,...,Di})和恶性样本集({Di+1,Di+2,...,Dn}),将80%的良性样本集({D1,D2,...,Di*0.8})和恶性样本集({Di+1,Di+2,...,Dn*0.8})作为训练集,剩余的20%作为测试集。
步骤3:图像特征提取,对所有包中的S个子区域(示例)进行特征提取。
步骤4:使用K-means算法对训练集中的所有示例进行初始聚类,选取训练集中良性样本集的所有示例,通过计算特征均值来确定所有负示例的中心点,以此作为K-means聚类算法中负类簇的初始中心点,选取距离负类簇中心点尽可能远的一点,作为正类簇的初始中心点,在此基础上不断迭代,迭代时保持负类簇的中心点不变,直到正类簇中心点的变化很小为止,对示例标签进行初始标记。
步骤5:训练深度学习模型,选取多示例聚类算法的输出结果中距离正类簇中心和负类簇中心的距离约为类簇半径的二分之一位置的示例,作为卷积神经网络的输入,训练深度学习模型。
步骤6:图像分类,将测试集中的所有示例输入到训练好的深度学习模型中,对于每一个示例Di[Lj],模型输出一个预测结果Di[Yj],设置阈值为y,预测结果Di[Yj]大于y时,将该示例Di[Lj]被标记为正,否则将该示例标记为负。如果一个包Di中,所有示例的预测结果都为负,则将该图像分类为良性;如果一个包Di中,至少有一个示例的预测结果为正,则将该图像分类为恶性。
与现有技术相比,本发明的有益效果是:
通过使用多示例学习算法突出了医学图像中恶性组织的特征,增加了可以利用的良性组织的数据量,能够为医生提供更为精准的图像分类,辅助医生诊断,降低医生的工作量,提高医生诊断的效率和质量。本发明能够推广至多种疾病的医学图像分类中,为疾病提供高效准确的图像分类。
附图说明
图1是本发明选择的距离类簇中心点的距离约为类簇半径二分之一位置的示例作为深度学习模型的输入的示意图;
图2是本发明模型的分类流程图。
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。
本发明提供了一种高效准确的医学图像分类方法。使用者将待分类的医学图像作为模型的输入,输入至已经训练好的深度神经网络模型中,模型会自动给出该图像的分类结果(良性/恶性)。
本发明使用的技术是:一种基于多示例深度学习的医学图像分类方法,具体实施步骤如下:
步骤1:收集并处理医学图像数据集,这里选取了BreaKHis乳腺癌数据集中在200X放大倍数下的乳腺管状腺瘤的显微图像(每个图像都带有标签,包括良性图像和恶性图像),将每张图像都分割为均匀的互不重叠的S个子区域,并做好标记:每张图像都是多示例学习的一个包Di,每张图像被分割成的S个子区域则是该包中的示例({L1,L2,...,LS}∈Di)。此时只标记了每个包Di的标签是正还是负(恶性为正,良性为负),包中示例的标签是未知的。
步骤2:数据集划分,将含有n个样本的数据集分为良性样本集({D1,D2,...,Di})和恶性样本集({Di+1,Di+2,...,Dn}),将80%的良性样本集({D1,D2,...,Di*0.8})和恶性样本集({Di+1,Di+2,...,Dn*0.8})作为训练集,剩余的20%作为测试集。
步骤3:图像特征提取,对所有包中的S个子区域(示例)进行特征提取,可以使用主成分分析(Principal Component Analysis,PCA)或深度学习等算法进行图像特征提取,最终将每个示例都表示为一个m维的特征向量。
步骤4:使用K-means算法对训练集中的所有示例进行初始聚类,选取训练集中良性样本集的所有示例,通过对所有负示例的m维特征求取均值计算所有负示例的中心点,得到向量空间中的一个m维向量C,以此作为K-means聚类算法中负类簇的初始中心点,选取距离负中心点尽可能远的一点,作为正类簇的初始中心点,在此基础上不断迭代,迭代时保持负类簇的中心点不变,直到正类簇中心点的变化小于规定的阈值为止,对示例标签进行初始标记,即将属于正类簇的示例标签都标记为正,将属于负类簇的示例标签都标记为负。
步骤5:训练深度学习模型,选取多示例聚类算法的输出结果中距离正类簇中心和负类簇中心的距离约为类簇半径的二分之一位置的示例,作为卷积神经网络的输入,训练深度学习模型。深度学习模型可以使用经典的卷积神经网络模型:
输入层:经过处理后的输入示例图像大小为32×32;
卷积层Conv1:卷积核大小为5×5,步幅s大小为1,padding值为0,使用20个过滤器,经过卷积后特征图(Feature Map)大小为28×28,权重参数的数量为20×5×5=500个;
池化层Pooling1:对图像进行下采样,过滤器大小为2×2,步幅s大小为2,使用最大池化,Feature Map大小变为14×14;
卷积层Conv2:卷积核大小为3×3,步幅s大小为1,padding值为0,使用10个过滤器,卷积后的Feature Map大小为12×12,权重参数的数量为10×20×3×3=1800个;
池化层Pooling2:过滤器大小为2×2,步幅s大小为2,使用均值池化,Feature Map大小变为6×6;
全连接层FC1:通过全连接层对卷积层和池化层提取的特征进行整合分析,该层共有50个神经元,所以该层参数的个数为10×50×6×6=18000个;
激活函数层:使用ReLu作为激活函数,其表达式为f(x)=max(0,x),使模型具有非线性建模能力;
全连接层FC2:该层共有2个神经元,所以该层参数的个数为50×2=100个;
输出层:使用softmax函数,根据全连接层整合的数据,输出预测结果。
步骤6:医学图像分类,将测试集中的所有示例输入到训练好的深度学习模型中,对于每一个示例Di[Lj],模型输出一个预测结果Di[Yj],设置阈值为y,预测结果Di[Yj]大于y时,将该示例Di[Lj]被标记为正,否则将该示例标记为负。如果一个包Di中,所有示例的预测结果都为负,则将该图像分类为良性;如果一个包Di中,至少有一个示例的预测结果为正,则将该图像分类为恶性。
综上所述,本发明提出了一种基于多示例深度学习的医学图像分类方法,使用多示例学习算法,对医学图像数据进行处理,将图像进行分割,将一张医学图像看作一个“包”,将图像被分割出的各个部分看作一个个“示例”,对于一个阳性的包,有部分示例是阴性的(负示例),且至少有一个示例是阳性的(正示例),对所有示例进行特征提取和学习,使得阳性示例的特征更加突出,同时增加了可学习的阴性示例的数据量,通过多示例学习对示例标签进行初始标记,之后选取合适的带标签的数据,训练深度学习模型,对医学图像进行分类,辅助医生的诊断工作,降低医生的工作量,提高医生诊断的效率和质量。
Claims (1)
1.一种基于多示例深度学习的医学图像分类方法,其特征是,包括如下步骤:
步骤1:收集并处理医学图像数据集,将每张图像都分割为均匀的互不重叠的S个子区域,并做好标记:每张图像都是多示例学习的一个包Di,每张图像被分割成的S个子区域则是该包中的示例{L1,L2,...,LS}∈Di;
步骤2:数据集划分,将含有n个样本的数据集分为良性样本集{D1,D2,...,Di}和恶性样本集{Di+1,Di+2,...,Dn},将80%的良性样本集{D1,D2,...,Di*0.8}和恶性样本集{Di+1,Di+2,...,Dn*0.8}作为训练集,剩余的20%作为测试集;
步骤3:图像特征提取,对所有包中的S个子区域进行特征提取;
步骤4:使用K-means算法对训练集中的所有示例进行初始聚类,选取训练集中良性样本集的所有示例,通过计算特征均值来确定所有负示例的中心点,以此作为K-means聚类算法中负类簇的初始中心点,选取距离负类簇中心点尽可能远的一点,作为正类簇的初始中心点,在此基础上不断迭代,迭代时保持负类簇的中心点不变,直到正类簇中心点的变化很小为止,对示例标签进行初始标记;
步骤5:训练深度学习模型,选取多示例聚类算法的输出结果中距离正类簇中心和负类簇中心的距离约为类簇半径的二分之一位置的示例,作为卷积神经网络的输入,训练深度学习模型;
步骤6:图像分类,将测试集中的所有示例输入到训练好的深度学习模型中,对于每一个示例Di[Lj],模型输出一个预测结果Di[Yj],设置阈值为y,预测结果Di[Yj]大于y时,将该示例Di[Lj]被标记为正,否则将该示例标记为负;如果一个包Di中,所有示例的预测结果都为负,则将该图像分类为良性;如果一个包Di中,至少有一个示例的预测结果为正,则将该图像分类为恶性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011605056.1A CN112651450B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多示例深度学习的医学图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011605056.1A CN112651450B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多示例深度学习的医学图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651450A CN112651450A (zh) | 2021-04-13 |
CN112651450B true CN112651450B (zh) | 2022-10-25 |
Family
ID=75363982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011605056.1A Active CN112651450B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多示例深度学习的医学图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651450B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313203B (zh) * | 2021-06-22 | 2022-11-01 | 哈尔滨工程大学 | 一种基于可拓理论和深度学习的医学图像分类方法 |
CN114242171B (zh) * | 2021-12-20 | 2024-09-13 | 哈尔滨工程大学 | 一种逻辑回归与多示例学习相结合的bcr分类方法 |
CN114299041A (zh) * | 2021-12-31 | 2022-04-08 | 之江实验室 | 一种基于深度多示例学习的电子胆道镜图像辅助诊断方法 |
CN115984622B (zh) * | 2023-01-10 | 2023-12-29 | 深圳大学 | 基于多模态和多示例学习分类方法、预测方法及相关装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325290A (zh) * | 2020-03-20 | 2020-06-23 | 西安邮电大学 | 一种基于多视融合多示例学习的国画图像分类方法 |
CN111368917A (zh) * | 2020-03-04 | 2020-07-03 | 西安邮电大学 | 一种用于刑侦图像分类的多示例集成学习方法 |
CN111488400A (zh) * | 2019-04-28 | 2020-08-04 | 北京京东尚科信息技术有限公司 | 数据分类方法、装置和计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10303979B2 (en) * | 2016-11-16 | 2019-05-28 | Phenomic Ai Inc. | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
CN107577994A (zh) * | 2017-08-17 | 2018-01-12 | 南京邮电大学 | 一种基于深度学习的行人、车辆附属品识别及检索方法 |
CN110008365B (zh) * | 2019-04-09 | 2023-02-07 | 广东工业大学 | 一种图像处理方法、装置、设备及可读存储介质 |
-
2020
- 2020-12-30 CN CN202011605056.1A patent/CN112651450B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488400A (zh) * | 2019-04-28 | 2020-08-04 | 北京京东尚科信息技术有限公司 | 数据分类方法、装置和计算机可读存储介质 |
CN111368917A (zh) * | 2020-03-04 | 2020-07-03 | 西安邮电大学 | 一种用于刑侦图像分类的多示例集成学习方法 |
CN111325290A (zh) * | 2020-03-20 | 2020-06-23 | 西安邮电大学 | 一种基于多视融合多示例学习的国画图像分类方法 |
Non-Patent Citations (1)
Title |
---|
"基于改进BP神经网络多示例学习的自然图像分类算法研究";黄晗;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20140915;第33-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112651450A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112651450B (zh) | 一种基于多示例深度学习的医学图像分类方法 | |
WO2020151536A1 (zh) | 一种脑部图像分割方法、装置、网络设备和存储介质 | |
Garcia et al. | Automatic lymphocyte detection on gastric cancer IHC images using deep learning | |
Duran-Lopez et al. | PROMETEO: A CNN-based computer-aided diagnosis system for WSI prostate cancer detection | |
CN108171232B (zh) | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 | |
Dundar et al. | Computerized classification of intraductal breast lesions using histopathological images | |
CN109670510A (zh) | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 | |
Naseer et al. | Lung Cancer Detection Using Modified AlexNet Architecture and Support Vector Machine. | |
CN112365980A (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 | |
Sahran et al. | Machine learning methods for breast cancer diagnostic | |
Luo et al. | Classification of tumor in one single ultrasound image via a novel multi-view learning strategy | |
Tripathi et al. | HematoNet: Expert level classification of bone marrow cytology morphology in hematological malignancy with deep learning | |
CN110379509A (zh) | 一种基于dssd的乳腺结节辅助诊断方法及系统 | |
Tang et al. | Lesion segmentation and RECIST diameter prediction via click-driven attention and dual-path connection | |
Alharthi et al. | Do it the transformer way: a comprehensive review of brain and vision transformers for autism spectrum disorder diagnosis and classification | |
CN114565786A (zh) | 基于通道注意力机制的断层扫描图像分类装置和方法 | |
Hu et al. | Automatic detection of melanins and sebums from skin images using a generative adversarial network | |
Nissar et al. | MOB-CBAM: A dual-channel attention-based deep learning generalizable model for breast cancer molecular subtypes prediction using mammograms | |
Gedeon et al. | Classification of liver lesions in CT images based on LivlesioNet, modified Multi-Scale CNN with bridge Scale method | |
Quy et al. | Multi-view digital mammography mass classification: A convolutional neural network model approach | |
CN116778250A (zh) | 基于迁移学习和cbam的冠脉病变分类方法 | |
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 | |
Mir et al. | Artificial intelligence-based techniques for analysis of body cavity fluids: a review | |
Yang et al. | Leveraging auxiliary information from EMR for weakly supervised pulmonary nodule detection | |
CN113796850A (zh) | 甲状旁腺mibi图像分析系统、计算机设备及存储介质 |
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 |