CN113034451A - 一种基于深度学习的胸部dr图像识别方法 - Google Patents
一种基于深度学习的胸部dr图像识别方法 Download PDFInfo
- Publication number
- CN113034451A CN113034451A CN202110273187.2A CN202110273187A CN113034451A CN 113034451 A CN113034451 A CN 113034451A CN 202110273187 A CN202110273187 A CN 202110273187A CN 113034451 A CN113034451 A CN 113034451A
- Authority
- CN
- China
- Prior art keywords
- image
- foreign matters
- dicom
- foreign
- interval
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000003702 image correction Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 239000000284 extract Substances 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 208000019693 Lung disease Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010054107 Nodule Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 208000027790 Rib fracture Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002746 orthostatic effect Effects 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine 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
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2207/10116—X-ray image
- G06T2207/10124—Digitally reconstructed radiograph [DRR]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于深度学习的胸部DR图像识别方法,主要包括:DICOM图像数据矫正处理以及异物检测。其中DICOM图像数据矫正处理以适应不同机型、不同拍摄参数和图像质量的DR影像;异物检测环节设计了适用于不同大小异物检出的目标检测网络,对矫正处理后的DICOM图像进行计算,以得到异物所在的区域及类别。本发明采用深度神经网络,自动从图像中提取多尺度的特征用于异物的检测,避免了手动从图像中提取特定的特征,从而使本算法不依赖待检测异物的图形学特征,极大的增加了本算法的适应性,而图像矫正处理阶段有效的降低了不同设备生成的不同质量的DR影像对检测结果的影像,增大了本算法的适用范围。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种基于深度学习的胸部DR图像识别方法及装置等。
背景技术
胸部X线检查是诊断肺部和心脏疾病的的关键技术,是体检筛查肺部疾病的主要手段,如肺炎、肿块结节、气胸、肋骨骨折、心影增大等等。数字化X线摄影DR(DigitalRadiography)是在X线成像系统的基础上,利用计算机数字化处理,使模拟视频信号经过采样、模/数转换后直接进入计算机中进行存储、分析和保存。DR影像具有较高的分辨率,图像锐利度好,细节显示清楚。但是,在拍摄DR影像的过程中,由于种种原因,一些异物如纽扣、拉链、项链等也被拍摄到DR影像中。这些异物通常会对医生的阅片造成干扰——大的异物可能会遮挡住病灶,从而增加漏诊的概率;小的异物如小纽扣等会被误认为是肿块结节等,从而增加误诊的概率。因此,在胸部DR影像上,异物的检测定位能提醒阅片医生,降低甚至避免异物对阅片的干扰。
目前胸部DR影像上的异物检测算法可以分为两大类:(1)传统的图形学处理方法。这类方法采用图形学中的边缘检测算法对DR影像进行处理,提取图像中物体的边缘,然后采用霍夫变换(Hough Transform)来检测识别图像中出现的各种几何形状,如圆形和椭圆等等。这类异物检测方法十分依赖待检测异物的形状特征,如纽扣的圆形特征等,对于其他不规则形状异物的检测效果往往不尽人意。(2)经典的机器学习方法。这类方法先采用传统方法手动从图像中逐像素的提取特征,然后再使用机器学习学习中的分类算法如邻近算法kNN、支持向量机SVM等对每个像素点处的特征进行分类,来决定该像素点是否属于异物物体。这类异物检测方法往往十分依赖传统特征提取方法的选取以及异物的图形学特征,对于各式各样的异物不具有普适性。
发明内容
针对以上问题,本发明提出了一种基于深度学习的胸部DR图像识别方法及装置,来更好的定位DR影像中的异物。
本发明提供了一种基于深度学习的胸部DR图像识别方法,包括:
1)DICOM图像数据矫正处理,所述矫正处理为将DR图像的灰度值统一化;
2)异物检测,搭建适用于不同大小异物检出的目标检测网络,对矫正后的DICOM图像进行计算,以得到异物所在的区域及类别。
在一些实施方式中,所述灰度值统一化方法为:将DR影像的灰度值截断在以窗位为中心,以窗宽为长度的区间里,线性的将窗口区间映射到目标区间;
在一些具体的实施方式中,所述目标区间为[0,255]。
在一些实施方式中,对于缺失窗宽或窗位信息的DICOM,直接对其图像的灰度值进行线性映射,将灰度值的最小和最大值分别映射到目标区间的最小和最大值。
在一些实施方式中,所述DICOM图像数据矫正处理还包括对DR影像进行尺寸标准化处理。
在一些实施方式中,所述标准化预处理为将图像保持宽高比按较小边缩放到600-800(优选800),如果其较大边超过1333,保持宽高比按较大边缩放到1333。
在一些实施方式中,所述目标检测网络为Faster-RCNN目标检测网络。
在一些优选的实施方式中,为使Faster-RCNN网络更好适应异物检测,进行如下操作:统计DR影像中异物的尺寸,据此重设anchor大小和宽高比;在候选区域和RoI区域的回归中,采用结合smooth-L1损失和giou损失的方式替代传统smooth-L1损失,使预测框更贴合待检测的异物。
本发明还提供一种基于深度学习的胸部DR图像识别系统,其特征在于,包括如下模块:
1)DICOM图像数据矫正模块;
2)异物检测模块;
所述图像矫正模块将DR图像的灰度值统一化,具体执行为将DR影像的灰度值截断在以窗位为中心,以窗宽为长度的区间里,线性的将窗口区间映射到目标区间;
在一些优选的实施方式中,对于缺失窗宽或窗位信息的DICOM,直接对其图像的灰度值进行线性映射,将灰度值的最小和最大值分别映射到目标区间的最小和最大值;
所述异物检测模块搭建适用于不同大小异物检出的目标检测网络,对矫正后的DICOM图像进行计算,以得到异物所在的区域及类别。
在一些实施方式中,所述目标检测网络为Faster-RCNN目标检测网络。
在一些优选的实施方式中,为使Faster-RCNN网络更好适应异物检测,进行如下操作:统计DR影像中异物的尺寸,据此重设anchor大小和宽高比;在候选区域和RoI区域的回归中,采用结合smooth-L1损失和giou损失的方式替代传统smooth-L1损失,使预测框更贴合待检测的异物。
本发明提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于实现所述的方法。
本发明提供了一种基于深度学习的胸部DR图像识别装置,包括:至少一个存储器,用于存储程序;至少一个处理器,用于加载所述程序以执行所述的方法。
本发明的有益技术效果:
1)本发明采用深度神经网络,自动从图像中提取多尺度的特征用于异物的检测,避免了手动从图像中提取特定的特征,从而使本算法不依赖待检测异物的图形学特征,极大的增加了本算法的适应性。
3)图像矫正处理阶段有效的降低了不同设备生成的不同质量的DR影像对检测结果的影像,增大了本算法的适用范围。
附图说明
图1.算法流程图
图2.网络结构示意图
图3.特征金字塔FPN示意图
图4.检测效果图
图5.检测效果图
图6.检测效果图
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
以下术语或定义仅仅是为了帮助理解本发明而提供。这些定义不应被理解为具有小于本领域技术人员所理解的范围。
除非在下文中另有定义,本发明具体实施方式中所用的所有技术术语和科学术语的含义意图与本领域技术人员通常所理解的相同。虽然相信以下术语对于本领域技术人员很好理解,但仍然阐述以下定义以更好地解释本发明。
如本发明中所使用,术语“包括”、“包含”、“具有”、“含有”或“涉及”为包含性的(inclusive)或开放式的,且不排除其它未列举的元素或方法步骤。术语“由…组成”被认为是术语“包含”的优选实施方案。如果在下文中某一组被定义为包含至少一定数目的实施方案,这也应被理解为揭示了一个优选地仅由这些实施方案组成的组。
在提及单数形式名词时使用的不定冠词或定冠词例如“一个”或“一种”,“所述”,包括该名词的复数形式。
本发明中的术语“大约”、“大体”表示本领域技术人员能够理解的仍可保证论及特征的技术效果的准确度区间。该术语通常表示偏离指示数值的±10%,优选±5%。
此外,说明书和权利要求书中的术语第一、第二、第三、(a)、(b)、(c)以及诸如此类,是用于区分相似的元素,不是描述顺序或时间次序必须的。
应理解,如此应用的术语
在适当的环境下可互换,并且本发明描述的实施方案能以不同于本发明描述或举例说明的其它顺序实施。
主要通过阶段一模型训练以及阶段二模型预测两个阶段来实现定位DR影像中的异物。
模型训练包括在采集的异物数据样本上训练一个性能最佳的深度网络。模型预测阶段使用训练好的模型在新的胸部DR影像上检测异物。
实施例1方法设计
为了使胸部DR中的异物检测具有普适性,本发明提出了一种基于深度学习的胸部DR图像识别方法,主要包括:DICOM图像获取、图像矫正处理、异物检测。具体如图1所示。
DICOM图像矫正处理。由于市面上的DR机型多样,拍摄后处理参数各不相同,成像质量差异较大,造成不同DR影像具有不同的灰度值范围。如果直接使用DR影像原始的灰度值作为输入,将不利于后续深度学习网络的训练和预测。因此,需要将DR影像的灰度值统一化,使不同的DR影像具有比较一致的灰度值范围。具体的灰度值统一化方法为:将DR影像的灰度值截断在以窗位为中心,以窗宽为长度的区间(本发明称之为窗口区间)里,然后线性的将窗口区间映射到目标区间,如[0,255]等。对于有些缺失窗宽或窗位信息的DICOM,本发明直接对其图像的灰度值进行线性映射,将灰度值的最小和最大值分别映射到目标区间的最小和最大值。这样,DR影像的灰度值就全部被映射到了一个统一的范围里。同时,为了应对不同DR影像尺寸差异较大的问题,本发明还对DR影像进行了尺寸标准化处理。具体做法是:将图像保持宽高比按较小边缩放到800,此时如果其较大边超过了1333,就保持宽高比按较大边缩放到1333。这样,用作深度学习网络输入的DR影像的尺寸就保持了大致上一致。
异物检测。在该阶段,本发明使用以特征金字塔网络(FPN)为骨干网络(backbone)的Faster-RCNN网络来进行异物的检测。Faster-RCNN网络包含三个部分:骨干网络(backbone),用来提取图像的特征;候选区域网络(RPN),用来生成一些可能包含待检测异物的候选区域;分类和回归网络,用来对候选区域进行分类(即是否是异物和是哪种类型的异物)以及微调候选区域以便更精确的定位异物(网络结构图如图2所示)。
由于异物大小、形态差异较大,对检测任务带来了一定程度上的挑战,本发明采用特征金字塔网络来提取和整合多尺度的信息,以提高检测算法的鲁棒性。特征金字塔网络结构利用了神经网络内在的多尺度信息,将多个多尺度的信息进行了融合,还能针对异物的特点适应性调整检测框的分布。其中浅层的网络更关注细节信息,高层的网络更关注语义信息,语义信息可以帮助本发明准确的检测出目标,细节信息则可以在一定程度上提升检测的精度,特征金字塔示意图如图3所示。同时,为了使Faster-RCNN网络更好的适应异物检测这一场景,本发明统计了DR影像中异物的尺寸,并据此重新设计了anchor的大小和宽高比,以便anchor能更好的覆盖影像中的异物,从而在训练过程中加速模型的收敛。最后,在候选区域和RoI区域的回归中,本发明采用结合smooth-L1损失和giou损失的方式来替代传统的smooth-L1损失,使得预测框更加贴合待检测的异物。
实施例2临床样本检测
1)样本采集
本发明手动收集10000例正位胸部DR影像,其中5000例含有异物,另外5000例不含异物。在含有异物的影像上,本发明用矩形框手动的标出异物的位置,并给其一个类别标签。然后本发明按照8:1:1的比例随机的将上述数据分为训练集、验证集和测试集,并使每个数据集中含有异物和不含异物的影像数目相同。本发明将在训练集上训练模型,用验证集来挑选性能最好的模型权重,最后在验证集上验证模型的性能,以确认模型有足够的泛化性。
2)矫正处理图像
对于含有窗宽窗位信息的DICOM,本发明将DR影像的灰度值截断在窗口区间里,然后线性的将窗口区间映射到目标区间[0,255];对于有些缺失窗宽或窗位信息的DICOM,本发明直接对其图像的灰度值进行线性映射,将灰度值的最小和最大值分别映射到0和255。然后,本发明将图像保持宽高比按较小边缩放到800,此时如果其较大边超过了1333,就保持宽高比按较大边缩放到1333。
3)训练模型
本发明搭建一个以FPN为骨干网络的Faster-RCNN网络。在训练集上,本发明采用批量随机梯度下降方法(batch-SGD)优化模型的参数。在训练的过程中,本发明通过对输入图像的随机翻转、随机旋转、随机亮度变换和随机对比度变换等方式来进行数据扩充,以增加模型的鲁棒性。通常,本发明训练200到300轮,并每隔5轮保存一次模型的参数和评估模型在验证集上的性能。模型训练完以后,本发明挑选出在验证集上性能最佳的模型参数作为模型的最终参数。最后,本发明测试一下模型在测试集上的性能,以确保模型具有足够的泛化性。
4)模型预测
本发明使用训练好的模型在新的胸部DR影像上检测异物。首先加载并固定模型的参数。然后,将待检测的DR影像按照阶段一中的矫正处理步骤(2)进行矫正处理,并将结果输入网络,得到一系列的预测。最后,挑选出置信分数大于0.5的预测作为模型的最终预测。图4、图5以及图6是采用本发明的模型进行的预测示意图,从图片检测结果可见,本发明方法能够有效应用于胸部DR影像中的异物图像识别,且效果显著,优势明显。
本发明通过上述实施例来说明本发明的工艺方法,但本发明并不局限于上述工艺步骤,即不意味着本发明必须依赖上述工艺步骤才能实施。所属技术领域的技术人员应该明了,对本发明的任何改进,对本发明所选用原料的等效替换及辅助成分的添加、具体方式的选择等,均落在本发明的保护范围和公开范围之内。
Claims (10)
1.一种基于深度学习的胸部DR图像识别方法,其特征在于,包括:
1)DICOM图像数据矫正处理,所述矫正处理为将DR图像的灰度值统一化;
2)异物检测,搭建适用于不同大小异物检出的目标检测网络,对矫正后的DICOM图像进行计算,以得到异物所在的区域及类别。
2.如权利要求1所述的图像识别方法,其特征在于,所述灰度值统一化方法为:将DR影像的灰度值截断在以窗位为中心,以窗宽为长度的区间里,线性的将窗口区间映射到目标区间;优选的,所述目标区间为[0,255]。
3.如权利要求2所述的图像识别方法,其特征在于,对于缺失窗宽或窗位信息的DICOM,直接对其图像的灰度值进行线性映射,将灰度值的最小和最大值分别映射到目标区间的最小和最大值。
4.如权利要求1-3任一权利要求所述的图像识别方法,其特征在于,还包括对DR影像进行尺寸标准化处理。
5.如权利要求4所述的图像识别方法,其特征在于,所述标准化预处理为将图像保持宽高比按较小边缩放到600-800(优选800),如果其较大边超过1333,保持宽高比按较大边缩放到1333。
6.如权利要求1-5任一所述的图像识别方法,其特征在于,所述目标检测网络为Faster-RCNN目标检测网络。
7.如权利要求6所述的图像识别方法,其特征在于,为使Faster-RCNN网络更好适应异物检测,进行如下操作:统计DR影像中异物的尺寸,据此重设anchor大小和宽高比;在候选区域和RoI区域的回归中,采用结合smooth-L1损失和giou损失的方式替代传统smooth-L1损失,使预测框更贴合待检测的异物。
8.一种基于深度学习的胸部DR图像识别系统,其特征在于,包括如下模块:
1)DICOM图像数据矫正模块;
2)异物检测模块;
所述1)图像矫正模块将DR图像的灰度值统一化,具体执行为:将DR影像的灰度值截断在以窗位为中心,以窗宽为长度的区间里,线性的将窗口区间映射到目标区间;优选的,对于缺失窗宽或窗位信息的DICOM,直接对其图像的灰度值进行线性映射,将灰度值的最小和最大值分别映射到目标区间的最小和最大值;
所述2)异物检测模块搭建适用于不同大小异物检出的目标检测网络,对矫正后的DICOM图像进行计算,以得到异物所在的区域及类别。
9.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-7任一项所述的方法。
10.一种基于深度学习的胸部DR图像识别装置,其特征在于,包括:至少一个存储器,用于存储程序;至少一个处理器,用于加载所述程序以执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110273187.2A CN113034451A (zh) | 2021-03-15 | 2021-03-15 | 一种基于深度学习的胸部dr图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110273187.2A CN113034451A (zh) | 2021-03-15 | 2021-03-15 | 一种基于深度学习的胸部dr图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113034451A true CN113034451A (zh) | 2021-06-25 |
Family
ID=76469501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110273187.2A Pending CN113034451A (zh) | 2021-03-15 | 2021-03-15 | 一种基于深度学习的胸部dr图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034451A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753896A (zh) * | 2020-06-16 | 2020-10-09 | 江西中科九峰智慧医疗科技有限公司 | 一种基于深度学习的胸片曝光问题分类方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829880A (zh) * | 2018-12-07 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度学习的ct图像检测方法、装置和控制设备 |
CN110580699A (zh) * | 2019-05-15 | 2019-12-17 | 徐州医科大学 | 基于改进Faster RCNN算法的病理图像细胞核检测方法 |
CN110866898A (zh) * | 2019-10-30 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 一种乳腺图像处理方法、设备及存储介质 |
CN111951277A (zh) * | 2020-07-28 | 2020-11-17 | 杭州电子科技大学 | 一种基于cta图像的冠状动脉分割方法 |
CN112288772A (zh) * | 2020-10-14 | 2021-01-29 | 武汉大学 | 基于在线多特征选择的通道注意力目标跟踪方法 |
-
2021
- 2021-03-15 CN CN202110273187.2A patent/CN113034451A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829880A (zh) * | 2018-12-07 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度学习的ct图像检测方法、装置和控制设备 |
CN110580699A (zh) * | 2019-05-15 | 2019-12-17 | 徐州医科大学 | 基于改进Faster RCNN算法的病理图像细胞核检测方法 |
CN110866898A (zh) * | 2019-10-30 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 一种乳腺图像处理方法、设备及存储介质 |
CN111951277A (zh) * | 2020-07-28 | 2020-11-17 | 杭州电子科技大学 | 一种基于cta图像的冠状动脉分割方法 |
CN112288772A (zh) * | 2020-10-14 | 2021-01-29 | 武汉大学 | 基于在线多特征选择的通道注意力目标跟踪方法 |
Non-Patent Citations (6)
Title |
---|
SHAOQING REN等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", ARXIV, pages 126 - 14 * |
刘祥龙等: "《飞桨PaddlePaddle深度学习实战》", 31 August 2020, 机械工业出版社, pages: 177 * |
徐义鎏;贺鹏;: "改进损失函数的Yolov3车型检测算法", 信息通信, no. 12 * |
蔡彪;沈宽;付金磊;张理泽;: "基于Mask R-CNN的铸件X射线DR图像缺陷检测研究", 仪器仪表学报, no. 03 * |
言有三: "《深度学习之人脸图像处理:核心算法与案例实战》", 31 July 2020, 机械工业出版社, pages: 38 * |
陈坤等: ""改进faster rcnn在铝型材表面缺陷 检测中的应用研究"", 《中国计量大学学报》, vol. 31, no. 2, pages 240 - 246 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753896A (zh) * | 2020-06-16 | 2020-10-09 | 江西中科九峰智慧医疗科技有限公司 | 一种基于深度学习的胸片曝光问题分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
US9743824B2 (en) | Accurate and efficient polyp detection in wireless capsule endoscopy images | |
CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
US9501823B2 (en) | Methods and systems for characterizing angle closure glaucoma for risk assessment or screening | |
CN103249358A (zh) | 医用图像处理装置 | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
CN106296613B (zh) | 一种基于dr机器的双能量减影方法 | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
US20240046632A1 (en) | Image classification method, apparatus, and device | |
CN115880266B (zh) | 一种基于深度学习的肠道息肉检测系统和方法 | |
CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
US20240005494A1 (en) | Methods and systems for image quality assessment | |
CN111062953A (zh) | 一种超声图像中甲状旁腺增生的识别方法 | |
CN110136107B (zh) | 基于dssd和时域约束x光冠脉造影序列自动分析方法 | |
CN115546232A (zh) | 一种肝脏超声图像工作区域提取方法、系统及电子设备 | |
CN104933723A (zh) | 基于稀疏表示的舌图像分割方法 | |
CN113034451A (zh) | 一种基于深度学习的胸部dr图像识别方法 | |
CN110619621A (zh) | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 | |
CN113469942B (zh) | 一种ct图像病变检测方法 | |
CN110051384B (zh) | 结合医学统计信息的胎儿颈背透明物位置检测方法及系统 | |
CN115880358A (zh) | 定位模型的构建方法、影像标志点的定位方法及电子设备 | |
CN110555850A (zh) | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 | |
CN112826449B (zh) | 一种基于自动识别的黄疸分诊信息分析方法及系统 | |
CN118314134B (zh) | 一种产科超声检查影像智能处理方法 | |
Gorokhov et al. | Bacterial colony detection method for microbiological photographic images |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Applicant after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Applicant after: Guangxi Yizhun Intelligent Technology Co.,Ltd. Address before: 1106, 11 / F, Weishi building, No.39 Xueyuan Road, Haidian District, Beijing Applicant before: Beijing Yizhun Intelligent Technology Co.,Ltd. Applicant before: Guangxi Yizhun Intelligent Technology Co.,Ltd. |