CN112734749A - 一种基于卷积神经网络模型的声带白斑辅助诊断系统 - Google Patents
一种基于卷积神经网络模型的声带白斑辅助诊断系统 Download PDFInfo
- Publication number
- CN112734749A CN112734749A CN202110084511.6A CN202110084511A CN112734749A CN 112734749 A CN112734749 A CN 112734749A CN 202110084511 A CN202110084511 A CN 202110084511A CN 112734749 A CN112734749 A CN 112734749A
- Authority
- CN
- China
- Prior art keywords
- network
- neural network
- leukoplakia
- network model
- vocal
- 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
- 208000002741 leukoplakia Diseases 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 17
- 230000001755 vocal effect Effects 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 16
- 210000001260 vocal cord Anatomy 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 15
- 241000519995 Stachys sylvatica Species 0.000 abstract description 9
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010827 pathological analysis Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 2
- 231100000915 pathological change Toxicity 0.000 abstract 1
- 230000036285 pathological change Effects 0.000 abstract 1
- 230000003902 lesion Effects 0.000 description 12
- 206010028980 Neoplasm Diseases 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 206010020718 hyperplasia Diseases 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 206010058314 Dysplasia Diseases 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000002576 laryngoscopy Methods 0.000 description 3
- 230000003211 malignant effect Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 208000023514 Barrett esophagus Diseases 0.000 description 2
- 208000023665 Barrett oesophagus Diseases 0.000 description 2
- 208000009565 Pharyngeal Neoplasms Diseases 0.000 description 2
- 206010034811 Pharyngeal cancer Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001839 endoscopy Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 1
- 206010017993 Gastrointestinal neoplasms Diseases 0.000 description 1
- 206010023825 Laryngeal cancer Diseases 0.000 description 1
- 206010064912 Malignant transformation Diseases 0.000 description 1
- 208000013154 Vocal cord disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 201000010536 head and neck cancer Diseases 0.000 description 1
- 208000014829 head and neck neoplasm Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010562 histological examination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004393 laryngeal mucosa Anatomy 0.000 description 1
- 206010023841 laryngeal neoplasm Diseases 0.000 description 1
- 230000036212 malign transformation Effects 0.000 description 1
- 208000025402 neoplasm of esophagus Diseases 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000007556 vascular defect Effects 0.000 description 1
- 238000011179 visual inspection 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10068—Endoscopic 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
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical 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)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于卷积神经网络模型的声带白斑辅助诊断系统,它包括下述过程:读取内窥镜声带白斑图像;建立两阶段的神经网络模型,自动学习分割与分类图像;生成包括诊断或诊断建议的报告的软件模块。本发明提供的基于卷积神经网络模型的声带白斑辅助诊断系统,对二分类的白斑的高敏感性和特异性,能够正确检测大多数病变。本发明是将病理诊断和临床决策结合起来进行了分组训练,这使得评估更为现实,并且有利于将来的临床推广。
Description
技术领域
本发明涉及一种基于卷积神经网络模型的声带白斑辅助诊断系统,具体地,涉及一种基于内窥镜视频图像的声带白斑智能分割与分类算法,属于医疗影像分析领域。
背景技术
声带白斑是一种临床指标,没有考虑其组织学特征和预后。在声带上呈现白色斑块或斑块的肉眼检查在很大程度上是相同的,而病理学分类可能呈现各种类型。病理上,声带白斑可伴有单纯性增生,不典型增生,甚至癌变。因此,它被认为是喉上皮向恶性转化的光谱范围内的癌前病变。
喉癌通常会先于不典型增生。声带白斑的恶变率与增生程度成正比,且差异很大,估计低至1.7%,高至46.3%。声带白斑的早期诊断和治疗可预防进展和恶性肿瘤。2017年世界卫生组织的头颈肿瘤分类提出了一个两级系统,其组织病理学标准相当明确:低级(LG)包括鳞状增生和轻度不典型增生,高等级(HG)包括中度和重度不典型增生和癌。因此,一些耳鼻喉科医师提出,LG组低风险的声带白斑患者通常需要采取保守治疗或观望政策,而HG组和声带白斑浸润性癌需要手术治疗或密切随访以监测可能进展为更具侵略性的病理。临床上,处理声带白斑的一个挑战是评估病变的潜在恶性转化,从而建立最佳的治疗方案。
喉镜检查是诊断声带白斑最重要的检查方法。迄今为止,未经活检,仅凭喉镜检查无法确定声带白斑的程度或范围。因此,一些耳鼻喉科医生和病理学家推荐喉镜结合随机的3点活检标本进行早期检测和随访,但是这种方法是侵入性的,费时的并且难以遵守。此外,喉镜下的术前活检不太可能完全符合术后病理结果,即使对于有经验的内镜医师,这通常也会导致过度治疗或治疗不足。临床实践中的另一个挑战是,并非所有声带白斑的病例都需要进行组织学检查的喉镜检查,而且很难确定哪些病例需要进行活检。
由于存在这些争议和不确定性,可能需要采用新技术进一步改善声带白斑的检测对于临床管理非常重要。目前,除了白光检查外,图像内窥镜检查(IEE),例如接触式内窥镜检查(CE)和窄带成像(NBI),已被用于准确诊断喉部病变。但是,观察程序本身是耗时的过程,并且观察者之间可能会有所不同。
令人鼓舞的是,结合了深度学习(DL)和卷积神经网络(CNN)的人工智能(AI)出现了,并在胃肠道癌的检测中显示了令人鼓舞的结果。此外,一项单机构研究表明,用于检测咽癌的AI系统具有令人鼓舞的性能,高灵敏度和可接受的特异性。然而,尚无研究报道将AI用于声带白斑的病理分级和范围评估。因此,开发了一种使用最新的DL与CNN并以病理诊断为金标准的AI系统,以验证其在预测病理分级和定义声带白斑病变程度方面的实用性。但是依然存在以下问题:
1.现有的深度学习方法在处理内窥镜声带白斑图像时,对于小目标的识别存在困难;
2.目前的方法没有把声带白斑的分割和分类集成在一个模型中,对于良恶性的分类仍然需要人工参与。
发明内容
为了解决上述技术问题,本发明提供了一种基于卷积神经网络模型的声带白斑辅助诊断系统。
本发明提供了一种基于卷积神经网络模型的声带白斑辅助诊断系统,它包括下述过程:
读取内窥镜声带白斑图像;
建立两阶段的神经网络模型,自动学习分割与分类;
生成包括诊断或诊断建议的报告的软件模块。
其中,所述的两阶段的神经网络模型,由区域建议网络RPN,基于区域的分类子网络和语义分割子网络组成。
其中,b步骤所述的建立方法为:
步骤1:图像处理、缩放;
步骤2:缩放后的图片输入至区域推荐网络中,区域推荐网络的整体结构由卷积神经网络和图像金字塔组成;获得若干感兴趣区域;
步骤3:在原图中对若干感兴趣区域所对应的区域进行裁剪,然后对裁剪的区域进行缩放,统一缩放为特征图,特征图的值利用ROI Align方法进行计算;
步骤4:将步骤3处理好的特征图分别输入到分割网络,分类网络以及回归网络,最后得到最终的结果。
所述的步骤1所述的图像处理方法为:把输入图像记为X,然后利用双线性插值的方法把原图X缩放为512*512px大小,得到新图Xnew,具体公式如下:
其中,(x1,y1)、(x2,y1)、(x1,y2)、(x2,y2)分别是插值点周围四个点的坐标,Q**代表各点坐标简写,f(·)表示该点的像素值。
所述的步骤3所述的特征图缩放为7*7。
所述的步骤4所述的分割网络采用的是基于注意力机制的全卷积神经网络模型。
所述的步骤4所述分割网络和分类网络的输出采用交叉熵损失函数(CrossEntropy),回归网络的输出采用平均绝对值损失函数(Mean Absolute Error);
k代表RoI区域的索引,K代表RoI区域的总数,i代表某个特征图的元素索引,Rk代表某个RoI区域的元素集合,mi表示某元素的类别,yk代表某RoI区域的类别,Zki代表四个坐标位置。
本发明与现有技术相比,具有如下的优点和有益效果:
目前,有一些使用计算机辅助检测技术对喉镜图像进行分类或分割的研究。2015年,H.Irem Turkmen等人[Irem Turkmen H,Elif Karsligil M,Kocak I.Classificationof laryngeal disorders based on shape and vascular defects of vocalfolds.Comput Biol Med.2015.62:76-85.]通过使用人工提取和“定向梯度直方图”(HOG)描述符将人声带障碍分为五类。该研究的一个缺陷是训练集是主观的,病理学不是分类的金标准。彬吉等[BinJi,JianjunRen,XiujuanZheng,CongTan,RongJi,YuZhao,
KaiLiu.A multi-scale recurrent fully convolution neural network forlaryngeal leukoplakia segmentation.Biomed Signa l Process Control.2019.59.]报道了一种多尺度递归全卷积神经网络(CNN)进行喉白斑分割。但是,该文献报道的数据集仅包括在良好条件下拍摄的静态WLI。众所周知,NBI在区分良性和恶性病变方面至关重要。本发明系统考虑将WLI和NBI包括在数据集中,以各种方式使用并应用于不同的医院。此外,由于条件复杂(例如,反射光,模糊,气道分泌物),实时视频检测的要求更高。本系统在监视器上实时显示了声带白斑的程度和亚型,而没有暂停。令人鼓舞的是,本发明系统内部验证研究中显示出对二分类的白斑的高敏感性(WLI为93%,NBI为99%)和特异性(WLI为94%,NBI为97%)。
Kono M.等人[Kono M,Ishihara R,Kato Y,et al.Diagnosis of pharyngealcancer on endoscopic video images by Mask region-based convolutional neuralnetwork.Dig Endosc.2020.]使用带有CNN的DL实时诊断咽癌,灵敏度为92%。但是,特异性和准确性分别为47%和66%,明显低于本发明训练集。同时,本发明的分割算法还可以通过mAP高(WL为0.81,NBI为0.92)正确检测大多数病变。
桥本隆太郎等[Hashimoto R,Requa J,Dao T,et al.Artificial intelligenceusing convolutional neural networks for real-time detection of earlyesophageal neoplasia in Barrett's esophagus(with video).GastrointestEndosc.2020.91(6):1264-1271.e1.]报道了一项针对IoU阈值为0.3的CNN的研究,用于实时检测巴雷特食管中的早期食道肿瘤。总体mAP为0.7533,NBI的mAP为0.802,明显低于本发明训练集。更重要的是,本发明是将病理诊断和临床决策结合起来进行了分组训练,这使得评估更为现实,并且有利于将来的临床推广。
综上所述,本发明提供的基于卷积神经网络模型的声带白斑辅助诊断系统,对二分类的白斑的高敏感性和特异性,能够正确检测大多数病变。本发明是将病理诊断和临床决策结合起来进行了分组训练,这使得评估更为现实,并且有利于将来的临床推广。
显然,根据本发明的上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1本发明的系统结构框图;
图2为ResNet50/101和图像金字塔的细节图;其中,Conv代表卷积操作,各层的特征图输入到区域推荐网络(Region Proposal Network,RPN)中,获得若干感兴趣区域(Region of Interest,ROI)。ROI由矩形框的四个角坐标点和是否为背景的分类结果组成。
图3为标注过程;
图4白光模式下的声带白斑分割和分类效果图
图5窄带成像模式下的声带白斑分割和分类效果图
图6实施例结构图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
具体的实施方式为:首先采用labelme软件对每张图像中的区域进行标注,如图3所示,其中(A)为原始图像,(B)为医生标注病变区域,(C)为标注后的结果展示。
选择31例HG不典型增生和浸润性癌患者和23例LG异常增生的患者。其中,伴有HG不典型增生和浸润性癌的声带白斑42例,LG不典型增生23例(患者可能有多个病变)。在NBI模式下的555张图像和WLI模式下的536张图像中,NBI模式下的228张(33.4%)和WLI模式下的228张(33.4%)是NSG图像(n=43个病灶),在NBI模式下的455张图像(N=43个病变)。WLI中的228例(33.4%)是SG的图像(n=91个病变)。将所有图像按6:2:2的比例分别分为训练集,验证集和测试集。在NBI模式下,训练集中有301张图像,验证集中有127张图像,测试集中有127张图像。在WLI模式下,训练集中有290张图像,验证集中有123张图像,测试集中有123张图像。
图像处理采用opencv-python,利用resize函数实现双线性插值,从而把图片缩放到512*512px的大小,然后输入到ResNet网络中,对图像金字塔中每层特征图的每一个元素点构建若干候选的RoI区域,RoI区域的长款尺寸由(0.5,1,2)的比例和(8,16,32,64,128)的长度的两两组合构成,一个元素点共15个RoI区域。分别用RPN网络对每个RoI区域进行坐标回归和前景和背景分类。为每一个真实的区域选择匹配的RoI区域,首先把判断为前景的区域按照交并比(Intersect of Union,IoU)和RPN网络的输出值score进行排序,选择IoU最高的且score值最高的若干RoI区域作为真实区域的匹配区域,最后输入到分割网络、坐标回归网络以及分类网络中进行训练。
数据划分为训练集、验证集和测试集,其比例分别为7:2:1。
神经网络模型构建采用tensorflow1.14构建上述模型,使用Adam算法进行训练。
在每一个epoch中,模型在训练集和验证集上测试表现。当训练集中的损失函数值持续下降,验证集上的损失函数值开始上升时,停止训练,并把模型参数作为最终的模型参数。
实施例的结果
在不同交并比下,模型的对于声带白斑的检出率
在不同交并比下,模型对于声带白斑的分类准确率
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本发明未公开技术属本领域技术人员公知常识。
Claims (7)
1.一种基于卷积神经网络模型的声带白斑辅助诊断系统,其特征在于:它包括下述过程:
读取内窥镜声带白斑图像;
建立两阶段的神经网络模型,自动学习分割与分类图像;
生成包括诊断或诊断建议的报告的软件模块。
2.根据权利要求1所述的声带白斑辅助诊断系统,其特征在于:两阶段的神经网络模型,由区域建议网络RPN,基于区域的分类子网络和语义分割子网络组成。
3.根据权利要求2所述的系统,其特征在于:b步骤所述的建立方法为:
步骤1:图像处理、缩放;
步骤2:缩放后的图片输入至区域推荐网络中,区域推荐网络的整体结构由卷积神经网络和图像金字塔组成;获得若干感兴趣区域;
步骤3:在原图中对若干感兴趣区域所对应的区域进行裁剪,然后对裁剪的区域进行缩放,统一缩放为特征图,特征图的值利用ROI Align方法进行计算;
步骤4:将步骤3处理好的特征图分别输入到分割网络,分类网络以及回归网络,最后得到最终的结果。
5.根据权利要求3所述的系统,其特征在于:步骤3所述的特征图缩放为7*7。
6.根据权利要求3所述的系统,其特征在于:步骤4所述的分割网络采用的是基于注意力机制的全卷积神经网络模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021100331574 | 2021-01-11 | ||
CN202110033157 | 2021-01-11 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734749A true CN112734749A (zh) | 2021-04-30 |
Family
ID=75594879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110084511.6A Pending CN112734749A (zh) | 2021-01-11 | 2021-01-21 | 一种基于卷积神经网络模型的声带白斑辅助诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734749A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578335A (zh) * | 2022-09-29 | 2023-01-06 | 西安理工大学 | 基于多尺度特征提取的声带白斑图像分类方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492272A (zh) * | 2018-03-26 | 2018-09-04 | 西安交通大学 | 基于注意力模型及多任务神经网络的心血管易损斑块识别方法及系统 |
CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
US20190287234A1 (en) * | 2016-12-06 | 2019-09-19 | Siemens Energy, Inc. | Weakly supervised anomaly detection and segmentation in images |
CN110570425A (zh) * | 2019-10-18 | 2019-12-13 | 北京理工大学 | 一种基于深度强化学习算法的肺结节分析方法及装置 |
CN110599448A (zh) * | 2019-07-31 | 2019-12-20 | 浙江工业大学 | 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统 |
CN110796636A (zh) * | 2019-09-25 | 2020-02-14 | 中国人民解放军战略支援部队信息工程大学 | 基于卷积神经网络的ct图像骨质状况检测方法及装置 |
CN111161290A (zh) * | 2019-12-27 | 2020-05-15 | 西北大学 | 一种图像分割模型的构建方法、图像分割方法及系统 |
CN112017189A (zh) * | 2020-10-26 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
-
2021
- 2021-01-21 CN CN202110084511.6A patent/CN112734749A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190287234A1 (en) * | 2016-12-06 | 2019-09-19 | Siemens Energy, Inc. | Weakly supervised anomaly detection and segmentation in images |
CN108492272A (zh) * | 2018-03-26 | 2018-09-04 | 西安交通大学 | 基于注意力模型及多任务神经网络的心血管易损斑块识别方法及系统 |
CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
CN110599448A (zh) * | 2019-07-31 | 2019-12-20 | 浙江工业大学 | 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统 |
CN110796636A (zh) * | 2019-09-25 | 2020-02-14 | 中国人民解放军战略支援部队信息工程大学 | 基于卷积神经网络的ct图像骨质状况检测方法及装置 |
CN110570425A (zh) * | 2019-10-18 | 2019-12-13 | 北京理工大学 | 一种基于深度强化学习算法的肺结节分析方法及装置 |
CN111161290A (zh) * | 2019-12-27 | 2020-05-15 | 西北大学 | 一种图像分割模型的构建方法、图像分割方法及系统 |
CN112017189A (zh) * | 2020-10-26 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
Non-Patent Citations (6)
Title |
---|
CHIA-HUNG YEH: "Enhanced Visual Attention-Guided Deep Neural Networks for Image Classification", 《IEEE ACCESS ( VOLUME: 8)》 * |
KAIMING HE: "Deep Residual Learning for Image Recognition", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
RINTARO HASHIMOTO: "Artificial intelligence using convolutional neural networks for", 《GASTROINTESTINAL ENDOSCOPY 》 * |
佚名: "使用双线性插值进行图像放大的实现", 《HTTPS://WENKU.BAIDU.COM/VIEW/BB4F9B22CFC789EB172DC852.HTML》 * |
吉彬: "改进U-Net在喉白斑病灶分割中的应用", 《计算机工程 图形图像处理》 * |
唐思源: "基于BP神经网络的医学图像分割新方法", 《计算机科学 模式识别与图像处理》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578335A (zh) * | 2022-09-29 | 2023-01-06 | 西安理工大学 | 基于多尺度特征提取的声带白斑图像分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7335552B2 (ja) | 画像診断支援装置、学習済みモデル、画像診断支援装置の作動方法および画像診断支援プログラム | |
RU2765619C1 (ru) | Компьютерная классификация биологической ткани | |
US10957043B2 (en) | AI systems for detecting and sizing lesions | |
CN110600122B (zh) | 一种消化道影像的处理方法、装置、以及医疗系统 | |
EP1842481B1 (en) | Medical image processing method | |
WO2021147429A1 (zh) | 内窥镜图像展示方法、装置、计算机设备及存储介质 | |
Liedlgruber et al. | Computer-aided decision support systems for endoscopy in the gastrointestinal tract: a review | |
CN111899229A (zh) | 一种基于深度学习多模型融合技术的胃早癌辅助诊断方法 | |
CN111968091B (zh) | 一种临床图像中病变区域的检测和分类方法 | |
Segui et al. | Categorization and segmentation of intestinal content frames for wireless capsule endoscopy | |
CN110189303B (zh) | 一种基于深度学习和图像增强的nbi图像处理方法及其应用 | |
CN114372951A (zh) | 基于图像分割卷积神经网络的鼻咽癌定位分割方法和系统 | |
CN110974179A (zh) | 一种基于深度学习的电子染色内镜下胃早癌的辅助诊断系统 | |
CN111862090A (zh) | 一种基于人工智能的食管癌术前管理的方法和系统 | |
Ghosh et al. | Block based histogram feature extraction method for bleeding detection in wireless capsule endoscopy | |
JP4855673B2 (ja) | 医用画像処理装置 | |
CN112734749A (zh) | 一种基于卷积神经网络模型的声带白斑辅助诊断系统 | |
Ciaccio et al. | Recommendations to quantify villous atrophy in video capsule endoscopy images of celiac disease patients | |
CN114581408A (zh) | 一种基于yolov5的胃镜息肉检测方法 | |
Wang et al. | Three feature streams based on a convolutional neural network for early esophageal cancer identification | |
Ye et al. | Segmentation and feature extraction of endoscopic images for making diagnosis of acute appendicitis | |
Ciobanu et al. | Steps towards computer-assisted classification of colonoscopy video frames | |
CN117541800B (zh) | 基于喉镜影像的喉部异常部位分割方法 | |
CN117830631A (zh) | 一种基于transformer的肠胃道内窥镜图像分类和分割方法 | |
CN117853794A (zh) | 上消化道内镜图像多任务分类方法、装置、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |
|
RJ01 | Rejection of invention patent application after publication |