CN113033636A - 一种卵巢肿瘤自动鉴别系统 - Google Patents

一种卵巢肿瘤自动鉴别系统 Download PDF

Info

Publication number
CN113033636A
CN113033636A CN202110278287.4A CN202110278287A CN113033636A CN 113033636 A CN113033636 A CN 113033636A CN 202110278287 A CN202110278287 A CN 202110278287A CN 113033636 A CN113033636 A CN 113033636A
Authority
CN
China
Prior art keywords
magnetic resonance
slice
prediction
modality
patient
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
Application number
CN202110278287.4A
Other languages
English (en)
Other versions
CN113033636B (zh
Inventor
简俊明
高欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan Guoke Medical Engineering Technology Development Co ltd
Original Assignee
Jinan Guoke Medical Engineering Technology Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan Guoke Medical Engineering Technology Development Co ltd filed Critical Jinan Guoke Medical Engineering Technology Development Co ltd
Priority to CN202110278287.4A priority Critical patent/CN113033636B/zh
Publication of CN113033636A publication Critical patent/CN113033636A/zh
Application granted granted Critical
Publication of CN113033636B publication Critical patent/CN113033636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4318—Evaluation of the lower reproductive system
    • A61B5/4325—Evaluation of the lower reproductive system of the uterine cavities, e.g. uterus, fallopian tubes, ovaries
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Gynecology & Obstetrics (AREA)
  • Reproductive Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提出了一种卵巢肿瘤自动鉴别系统，是一种新型神经网络架构，包括数据获取及预处理、特征提取、多模态特征聚合、预测等步骤。该系统能够直接以多模态磁共振图像作为输入，整个流程无需人工勾画肿瘤病灶区域，也无需人工提取特征，仅通过二维卷积核就能实现基于三维图像的全自动诊断，能够有效提高基于术前磁共振图像的上皮性恶性和交界性卵巢肿瘤鉴别精度。

Description

一种卵巢肿瘤自动鉴别系统
技术领域
本发明要解决的技术问题是交界性和恶性卵巢肿瘤鉴别，该技术属于医学图像信息处理、计算机辅助诊断领域。
背景技术
恶性上皮性卵巢肿瘤发病人数占原发恶性卵巢肿瘤的90％，五年生存率为92％，是死亡率最高的妇科恶性肿瘤。而交界性上皮性卵巢肿瘤具有更低的恶性潜能、核分裂能力和核异型性，且无间质侵犯性，倾向于具有更好的预后，五年生存率为92％。恶性上皮性卵巢肿瘤患者通常要采取全面分期手术，并辅以新辅助化疗，而交界性上皮性卵巢肿瘤通常可以进行保守治疗，保留患者的卵巢功能和生育能力。因此，在术前正确地区分二者，能够帮助医生选择合理的手术方案，提升患者的术后生活质量。
研究表明多模态磁共振是一种有效鉴别二者的成像手段，但影像科医生凭经验判断来区分二者的诊断精度较低(74％-89％)，现有的影像组学方法需要人工勾画肿瘤病灶区域，在勾画的区域内提取人工设计的特征，然后经过特征筛选，构建并训练模型。
由于影像组学方法固有的特性，需要勾画肿瘤病灶区域和人工特征提取两个步骤。勾画肿瘤病灶区域比较费时耗力，需要非常专业的医学知识，且主观性较强，不同医生所勾画的肿瘤区域可能会有差异；所提取的特征没有针对性，无法针对特定的疾病来设计。上述两个原因都会导致模型的性能不稳定，精度差。
发明内容
本发明提供一种卵巢肿瘤自动鉴别系统，其特征在于，包括以下步骤：数据获取及预处理、特征提取、多模态特征聚合、预测。
进一步地，所述数据获取及预处理包括，获取患者j的k个模态的磁共振数据，并将这些磁共振数据对齐，使不同的磁共振模态有相同的大小和空间分辨率。患者j的磁共振数据集合可以表示为
Figure BDA0002979749090000021
其中mk代表第k个模态的磁共振数据，
Figure BDA0002979749090000022
代表第k个模态的第n个切片。
进一步地，所述特征提取包括，使用二维卷积神经网络(Conv(·))对每个切片分别进行特征提取，得到该患者的特征集合
Figure BDA0002979749090000023
其中
Figure BDA0002979749090000024
代表从第k个模态的第n个切片中提取到的特征图，w和h为该特征图的宽度和高度，
Figure BDA0002979749090000025
则为模态k的单模态特征向量。
进一步地，所述多模态特征聚合包括，使用模态注意力模块实现多模态特征聚合，首先使用全局均值池化(fgp(·))来获取第k模态的描述子dk和全局模态描述子d：
Figure BDA0002979749090000031
d＝{d1,d2,...,dk}
随后使用两个全连接层(ffc1(·)和ffc2(·))和一个激活层(fac(·))对全局模态描述子d进行非线性化和降维操作，从而获取模态注意力向量a：
a＝ffc2(fac(ffc1(d)))
紧接着，使用一个softmax层(fsm(·))来对各个模态的注意力值进行校准，以使其权重和为1：
Figure BDA0002979749090000032
其中，
Figure BDA0002979749090000033
为校准后的模态注意力向量，最后，根据各个模态的注意力值，对多个单模态磁共振特征向量进行加权求和，来获取最后的多模态磁共振特征向量fea(n)：
Figure BDA0002979749090000034
其中，
Figure BDA0002979749090000035
代表第个i磁共振模态的注意力值。
进一步地，所述预测包括使用分类器来获取切片级的预测结果、使用上下文多示例池化层(fcp(·))来聚合切片级的预测结果、获取患者的预测结果。
进一步地，所述使用分类器来获取切片级的预测结果包括，使用多个全连接层构成的分类器fcls(·)来获取所有切片的预测结果q：
q＝{q(1),q(2),...,q(n)}＝{fcls(fea(1)),fcls(fea(2)),...,fcls(fea(n))}。
进一步地，所述使用上下文多示例池化层(fcp(·))来聚合切片级的预测结果包括，首先，对每个切片的预测值进行调整，得到调整后的切片预测值p(i)：
Figure BDA0002979749090000036
其中，c为对每个切片进行调整时所需要考虑的上下文范围，对于
Figure BDA0002979749090000041
的情况，手动设置q(j)为0。
进一步地，所述获取患者的预测结果包括，使用池化函数fpool获取患者的预测结果P：
P＝fpool(p)＝fpool(p(1),p(2),...,p(n))。
附图说明
图1所示是本发明的主要工作流程图；
图2所示为本发明的多模态特征聚合的流程图；
图3所示为本发明的预测的流程图。
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。
请参见图1-3，本发明提供一种卵巢肿瘤自动鉴别系统，包括以下步骤：数据获取及预处理、特征提取、多模态特征聚合、预测。
从医院PACS(Picture Archiving and Communication Systems)系统中获取患者j的k个模态的磁共振数据，并将这些磁共振数据对齐，使不同的磁共振模态有相同的大小和空间分辨率。患者j的磁共振数据集合可以表示为
Figure BDA0002979749090000042
其中mk代表第k个模态的磁共振数据，
Figure BDA0002979749090000051
代表第k个模态的第n个切片。
使用二维卷积神经网络(Conv(·))对每个切片分别进行特征提取，得到该患者的特征集合
Figure BDA0002979749090000052
其中
Figure BDA0002979749090000053
代表从第k个模态的第n个切片中提取到的特征图，w和h为该特征图的宽度和高度，
Figure BDA0002979749090000054
则为模态k的单模态特征向量。
使用模态注意力模块实现多模态特征聚合，首先使用全局均值池化(fgp(·))来获取第k模态的描述子dk和全局模态描述子d：
Figure BDA0002979749090000055
d＝{d1,d2,...,dk}
随后使用两个全连接层(ffc1(·)和ffc2(·))和一个激活层(fac(·))对全局模态描述子d进行非线性化和降维操作，从而获取模态注意力向量a：
a＝ffc2(fac(ffc1(d)))
紧接着，使用一个softmax层(fsm(·))来对各个模态的注意力值进行校准，以使其权重和为1：
Figure BDA0002979749090000056
其中，
Figure BDA0002979749090000057
为校准后的模态注意力向量，最后，根据各个模态的注意力值，对多个单模态磁共振特征向量进行加权求和，来获取最后的多模态磁共振特征向量fea(n)：
Figure BDA0002979749090000061
其中，
Figure BDA0002979749090000062
代表第个i磁共振模态的注意力值。
所述预测包括使用分类器来获取切片级的预测结果、使用上下文多示例池化层(fcp(·))来聚合切片级的预测结果、获取患者的预测结果。
所述使用分类器来获取切片级的预测结果包括，使用多个全连接层构成的分类器fcls(·)来获取所有切片的预测结果q：
q＝{q(1),q(2),...,q(n)}＝{fcls(fea(1)),fcls(fea(2)),...,fcls(fea(n))}。
所述使用上下文多示例池化层(fcp(·))来聚合切片级的预测结果包括，首先，对每个切片的预测值进行调整，得到调整后的切片预测值p(i)：
Figure BDA0002979749090000063
其中，c为对每个切片进行调整时所需要考虑的上下文范围，对于
Figure BDA0002979749090000064
的情况，手动设置q(j)为0。
所述获取患者的预测结果包括，使用池化函数fpool获取患者的预测结果P：
P＝fpool(p)＝fpool(p(1),p(2),...,p(n))。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限制。

Claims (8)

1.一种卵巢肿瘤自动鉴别系统，其特征在于，包括以下步骤：数据获取及预处理、特征提取、多模态特征聚合、预测。
2.根据权利要求1所述的一种卵巢肿瘤自动鉴别系统，其特征在于，所述数据获取及预处理包括，获取患者j的k个模态的磁共振数据，并将这些磁共振数据对齐，使不同的磁共振模态有相同的大小和空间分辨率，患者j的磁共振数据集合可以表示为
Figure FDA0002979749080000011
其中mk代表第k个模态的磁共振数据，
Figure FDA0002979749080000012
代表第k个模态的第n个切片。
3.根据权利要求1所述的一种卵巢肿瘤自动鉴别系统，其特征在于，所述特征提取包括，使用二维卷积神经网络(Conv(·))对每个切片分别进行特征提取，得到该患者的特征集合
Figure FDA0002979749080000013
其中
Figure FDA0002979749080000014
代表从第k个模态的第n个切片中提取到的特征图，w和h为该特征图的宽度和高度，
Figure FDA0002979749080000015
则为模态k的单模态特征向量。
4.根据权利要求1所述的一种卵巢肿瘤自动鉴别系统，其特征在于，所述多模态特征聚合包括，使用模态注意力模块实现多模态特征聚合，首先使用全局均值池化(fgp(·))来获取第k模态的描述子dk和全局模态描述子d：
Figure FDA0002979749080000021
d＝{d1,d2,...,dk}
随后使用两个全连接层(ffc1(·)和ffc2(·))和一个激活层(fac(·))对全局模态描述子d进行非线性化和降维操作，从而获取模态注意力向量a：
a＝ffc2(fac(ffc1(d)))
紧接着，使用一个softmax层(fsm(·))来对各个模态的注意力值进行校准，以使其权重和为1：
Figure FDA0002979749080000022
其中，
Figure FDA0002979749080000023
为校准后的模态注意力向量，最后，根据各个模态的注意力值，对多个单模态磁共振特征向量进行加权求和，来获取最后的多模态磁共振特征向量fea(n)：
Figure FDA0002979749080000024
其中，
Figure FDA0002979749080000025
代表第个i磁共振模态的注意力值。
5.根据权利要求1所述的一种卵巢肿瘤自动鉴别系统，其特征在于，所述预测包括使用分类器来获取切片级的预测结果、使用上下文多示例池化层(fcp(·))来聚合切片级的预测结果、获取患者的预测结果。
6.根据权利要求5所述的一种卵巢肿瘤自动鉴别系统，其特征在于，所述使用分类器来获取切片级的预测结果包括，使用多个全连接层构成的分类器fcls(·)来获取所有切片的预测结果q：
q＝{q(1),q(2),...,q(n)}＝{fcls(fea(1)),fcls(fea(2)),...,fcls(fea(n))}。
7.根据权利要求5所述的一种卵巢肿瘤自动鉴别系统，其特征在于，所述使用上下文多示例池化层(fcp(·))来聚合切片级的预测结果包括，首先，对每个切片的预测值进行调整，得到调整后的切片预测值p(i)：
Figure FDA0002979749080000031
其中，c为对每个切片进行调整时所需要考虑的上下文范围，对于
Figure FDA0002979749080000032
的情况，手动设置q(j)为0。
8.根据权利要求5所述的一种卵巢肿瘤自动鉴别系统，其特征在于，所述获取患者的预测结果包括，使用池化函数fpool获取患者的预测结果P：P＝fpool(p)＝fpool(p(1)，p(2)，...，p(n))。
CN202110278287.4A 2021-03-17 2021-03-17 一种卵巢肿瘤自动鉴别系统 Active CN113033636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110278287.4A CN113033636B (zh) 2021-03-17 2021-03-17 一种卵巢肿瘤自动鉴别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110278287.4A CN113033636B (zh) 2021-03-17 2021-03-17 一种卵巢肿瘤自动鉴别系统

Publications (2)

Publication Number Publication Date
CN113033636A true CN113033636A (zh) 2021-06-25
CN113033636B CN113033636B (zh) 2022-11-29

Family

ID=76470618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110278287.4A Active CN113033636B (zh) 2021-03-17 2021-03-17 一种卵巢肿瘤自动鉴别系统

Country Status (1)

Country Link
CN (1) CN113033636B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677378A (zh) * 2022-05-31 2022-06-28 四川省医学科学院·四川省人民医院 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506793A (zh) * 2017-08-21 2017-12-22 中国科学院重庆绿色智能技术研究院 基于弱标注图像的服装识别方法及系统
CN108109140A (zh) * 2017-12-18 2018-06-01 复旦大学 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统
CN109447242A (zh) * 2018-10-10 2019-03-08 复旦大学 基于迭代学习的图像描述重生成系统及方法
CN111210444A (zh) * 2020-01-03 2020-05-29 中国科学技术大学 多模态磁共振影像的分割方法、装置及介质
WO2021000664A1 (zh) * 2019-07-03 2021-01-07 中国科学院自动化研究所 跨模态目标检测中的差异自动校准方法、系统、装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506793A (zh) * 2017-08-21 2017-12-22 中国科学院重庆绿色智能技术研究院 基于弱标注图像的服装识别方法及系统
CN108109140A (zh) * 2017-12-18 2018-06-01 复旦大学 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统
CN109447242A (zh) * 2018-10-10 2019-03-08 复旦大学 基于迭代学习的图像描述重生成系统及方法
WO2021000664A1 (zh) * 2019-07-03 2021-01-07 中国科学院自动化研究所 跨模态目标检测中的差异自动校准方法、系统、装置
CN111210444A (zh) * 2020-01-03 2020-05-29 中国科学技术大学 多模态磁共振影像的分割方法、装置及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ILSE M: "Attention-based deep multiple instance learning", 《PROCEEDINGS OF THE 35 TH INTERNATIONAL CONFERENCE ON MACHINE》 *
晏雍娈: "基于神经网络的多示例学习方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *
贾紫婷: "多模态医学图像融合的关键技术研究", 《计算机时代》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677378A (zh) * 2022-05-31 2022-06-28 四川省医学科学院·四川省人民医院 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统
CN114677378B (zh) * 2022-05-31 2022-09-02 四川省医学科学院·四川省人民医院 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统

Also Published As

Publication number Publication date
CN113033636B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
Agnes et al. Classification of mammogram images using multiscale all convolutional neural network (MA-CNN)
US10235755B2 (en) High-throughput adaptive sampling for whole-slide histopathology image analysis
Bi et al. Automatic liver lesion detection using cascaded deep residual networks
Li et al. Multi-view mammographic density classification by dilated and attention-guided residual learning
George et al. Remote computer-aided breast cancer detection and diagnosis system based on cytological images
Dandıl et al. Artificial neural network-based classification system for lung nodules on computed tomography scans
US7418123B2 (en) Automated method and system for computerized image analysis for prognosis
US9002092B2 (en) Image-based risk score—A prognostic predictor of survival and outcome from digital histopathology
CN109447998B (zh) 基于PCANet深度学习模型下的自动分割方法
Reshma et al. Detection of breast cancer using histopathological image classification dataset with deep learning techniques
Liu et al. Microcalcification detection in full-field digital mammograms with PFCM clustering and weighted SVM-based method
Duggento et al. An ad hoc random initialization deep neural network architecture for discriminating malignant breast cancer lesions in mammographic images
Chen et al. LDNNET: towards robust classification of lung nodule and cancer using lung dense neural network
Dutande et al. Deep residual separable convolutional neural network for lung tumor segmentation
Clancy et al. Deep learning pre-training strategy for mammogram image classification: an evaluation study
He et al. Mammographic image segmentation and risk classification based on mammographic parenchymal patterns and geometric moments
Sui et al. A pyramid architecture-based deep learning framework for breast cancer detection
Xu et al. Classifying mammographic breast density by residual learning
CN113033636A (zh) 一种卵巢肿瘤自动鉴别系统
Manishkumar et al. Detection and Classification of Breast Cancer from Mammogram Images Using Adaptive Deep Learning Technique
Harrison et al. State-of-the-art of breast cancer diagnosis in medical images via convolutional neural networks (cnns)
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
CN115690056A (zh) 基于her2基因检测的胃癌病理图像分类方法及系统
Thanya et al. Grey Wolf Optimizer Based Deep Learning for Pancreatic Nodule Detection.
CN113139928A (zh) 肺结节检测模型的训练方法和肺结节检测方法

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