CN113052831A - 脑部医学影像异常检测方法、装置、设备及存储介质 - Google Patents
脑部医学影像异常检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113052831A CN113052831A CN202110401742.5A CN202110401742A CN113052831A CN 113052831 A CN113052831 A CN 113052831A CN 202110401742 A CN202110401742 A CN 202110401742A CN 113052831 A CN113052831 A CN 113052831A
- Authority
- CN
- China
- Prior art keywords
- brain
- medical image
- detected
- image
- candidate region
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 196
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000005856 abnormality Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 23
- 230000003902 lesion Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000000078 claw Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- 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
- 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
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种脑部医学影像异常检测方法、装置、设备及存储介质,其中,具体实现方案为:获取未包含病灶的脑部三维医学影像样本;构建自编码器模型,初始化自编码器模型的模型参数,并将脑部三维医学影像样本作为输入和目标以训练所述自编码器模型;获取待检测脑部医学影像,并获取待检测脑部医学影像之中的病灶候选区域掩码图像;将待检测脑部医学影像输入至经过训练的自编码器模型,获得重构图像,并根据病灶候选区域掩码图像计算重构图像与待检测脑部医学影像间的重构误差;根据重构误差检测待检测脑部医学影像是否存在病灶。本申请降低了异常检测的实现难度和成本,同时提高了准确率。
Description
技术领域
本申请涉及计算机视觉、深度学习及医学影像处理技术领域,尤其涉及一种脑部医学影像异常检测方法、装置、设备及存储介质。
背景技术
现有技术中,可以将计算机视觉技术应用于医学影像的辅助诊断,通过预先训练好的模型检测医学影像中是否存在病灶,减去医生阅片的工作量。
在医学影像的诊断中,如计算机断层扫描、核磁共振成像等,其病灶的类型十分多样,表现各不相同,所以在进行模型训练时需要收集大量的各个病灶类型的样本数据,以至于在样本收集方面会耗费大量人力物力,此外,若出现未在样本数据中的病灶类型的医学影像可能需要重新对模型进行训练,在实际应用中没有很强的适用性。
发明内容
本申请旨在提供一种脑部医学影像异常检测方法、装置、设备及存储介质。
根据本申请的第一方面,提供了一种脑部医学影像异常检测方法,包括:
获取脑部三维医学影像样本,其中,所述脑部三维医学影像样本为未包含病灶的脑部三维医学影像;
构建自编码器模型,初始化所述自编码器模型的模型参数,并将所述脑部三维医学影像样本作为输入和目标以训练所述自编码器模型;
获取待检测脑部医学影像,并获取所述待检测脑部医学影像之中的病灶候选区域掩码图像;
将所述待检测脑部医学影像输入至经过训练的所述自编码器模型,获得重构图像,并根据所述病灶候选区域掩码图像计算所述重构图像与所述待检测脑部医学影像间的重构误差;
根据所述重构误差检测所述待检测脑部医学影像是否存在病灶。
在本申请的一些实施例中,所述自编码器初始模型包括编码器和解码器;所述将所述脑部三维医学影像样本作为输入和目标以训练所述自编码器模型,包括:
将所述脑部三维医学影像样本输入所述编码器,经过多层的全卷积网络,映射到编码空间;
将编码向量输入到解码器,经过多层的反卷积网络,得到与所述脑部三维医学影像样本相似的重构图像样本;
计算所述重构图像样本和所述脑部三维医学影像样本间的重构误差;
根据所述重构误差和预设的损失函数对所述自编码器初始模型进行训练。
其中,所述损失函数是基于重构误差的L2范数和特征向量的L1范数构建的。
在本申请的一些实施例中,所述根据所述病灶候选区域掩码图像计算所述重构图像与所述待检测脑部医学影像间的重构误差,包括:
根据所述病灶候选区域掩码图像,确定出所述重构图像之中的第一病灶候选区域;
根据所述病灶候选区域掩码图像,确定出所述待检测脑部医学影像之中的第二病灶候选区域;
计算所述第一病灶候选区域与所述第二病灶候选区域间的病灶候选区域重构误差,并将所述病灶候选区域重构误差作为所述重构图像与所述待检测脑部医学影像间的重构误差。
根据本申请的第二方面,提供了一种脑部医学影像异常检测装置,包括:
第一获取模块,用于获取脑部三维医学影像样本,其中,所述脑部三维医学影像样本为未包含病灶的脑部三维医学影像;
训练模块,用于构建自编码器模型,初始化所述自编码器模型的模型参数,并将所述脑部三维医学影像样本作为输入和目标以训练所述自编码器模型;
第二获取模块,用于获取待检测脑部医学影像,并获取与所述待检测脑部医学影像对应的冰爪候选区域掩码图像;
第三获取模块,用于将所述待检测脑部医学影像输入至经过训练的所述自编码器模型,获得重构图像,并根据所述病灶区域掩码图像计算所述重构图像与所述待检测脑部医学影像间的重构误差;
检测模块,用于根据所述重构误差检测所述待检测脑部医学影像是否存在病灶。
在本申请的一些实施例中,所述自编码器初始模型包括编码器和解码器;所述训练模块具体用于:
将所述脑部三维医学影像样本输入所述编码器,经过多层的全卷积网络,映射到编码空间;
将编码向量输入到解码器,经过多层的反卷积网络,得到与所述脑部三维医学影像样本相似的重构图像样本;
计算所述重构图像样本和所述脑部三维医学影像样本间的重构误差;
根据所述重构误差和预设的损失函数对所述自编码器初始模型进行训练。
其中,所述损失函数是基于重构误差的L2范数和特征向量的L1范数构建的。
在本申请实施例中,所述第三获取模块具体用于:
根据所述病灶候选区域掩码图像,确定出所述重构图像之中的第一病灶候选区域;
根据所述病灶候选区域掩码图像,确定出所述待检测脑部医学影像之中的第二病灶候选区域;
计算所述第一病灶候选区域与所述第二病灶候选区域间的病灶候选区域重构误差,并所述病灶候选区域重构误差作为所述重构图像与所述待检测脑部医学影像间的重构误差。
根据本申请的第三方面,提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本申请第一方面实施例所述的脑部医学影像异常检测方法。
根据本申请的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本申请第一方面所述的脑部医学影像异常检测方法。
根据本申请实施例的技术方案,通过将未包含病灶的脑部三维医学影像样本输入至自编码器初始模型进行训练,即可得到自编码器模型,无需采集各种不同病灶类型医学影像样本,降低了实现复杂性和成本,同时提高了模型适用性。此外,将待检测脑部医学影像输入至训练的自编码器模型获得重构图像,并根据病灶候选区域掩码图像计算重构图像与待检测脑部医学影像间的重构误差,判断待检测脑部医学影像是否存在病灶,有效地提高算法对于异常区域的敏感度,从而提高异常检测的准确率。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的一种脑部医学影像异常检测方法的流程示意图;
图2为本申请实施例所提供的训练自编码模型的流程示意图;
图3为本申请实施例所提供的一种脑部医学影像异常检测装置的结构框图;
图4为本申请实施例所提供的一种计算机设备的框图的结构框图;
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
基于神经网络技术在图像视觉方面的飞速发展,在医学影像处理领域也有广泛的应用。通常脑部疾病的病灶类型各种各样,表现各不相同,其对应的不同病灶类型的脑部医学影像就会有较大的差异性,但同一正常结构在医学影像上的表现差异性较小。采用有监督神经网络方法进行脑部医学影像异常检测,需要获取不同类型病灶的医学影像及其标注作为样本进行模型训练,其中,获取不同类型病灶的医学影像及标注数据的实现难度较大、成本较高,且适用性较差。
基于以上问题,本申请采用无监督卷积神经网络自编码器技术,并结合传统图像处理技术筛选病灶候选区域,实现对脑部医学影像的异常检测,降低了实现的难度的同时也提高了异常检测的准确率。
下面参考附图描述本申请实施例的脑部医学影像异常检测方法、装置、计算机设备及计算机可读存储介质。
图1为本申请实施例所提供的一种脑部医学影像异常检测方法的流程示意图。需要说明的是,本申请实施例的脑部医学影像异常检测方法可应用于本申请实施例的脑部医学影像异常检测装置。其中,该脑部医学影像异常检测装置可被配置于计算机设备中。如图1所示,该脑部医学影像异常检测方法可以包括如下步骤:
步骤101,获取脑部三维医学影像样本,其中,脑部三维医学影像样本为未包含病灶的脑部三维医学影像。
在本申请实施例中,脑部三维医学影像样本为指定模态下的脑部三维影像样本,该指定模态可以为计算机断层扫描或核磁共振成像,或者其他脑部诊断方式。需要说明的是,该脑部三维医学影像样本均为未包含病灶的脑部三维医学影像,也就是说,该脑部三维医学影像样本均为正常结构的脑部三维医学影像。
步骤102,构建自编码器模型,初始化自编码器模型的模型参数,并将脑部三维医学影像样本作为输入和目标以训练自编码器模型。
需要说明的是,自编码器是神经网络的一种形式,它的输入数据与输出数据是相同的。他们通过将输入数据压缩到一个潜在表示空间里面,然后再根据这个表示空间将数据进行重构得到最后的输出数据。自编码器能从数据样本中进行无监督学习,这意味着可将这个算法应用到某个数据集中,来取得良好的性能,且不需要任何新的特征工程,只需要适当的训练数据。
自编码器可理解为由两级联网络组成,第一个网络是编码器,将输入压缩为潜在空间表示,也就是负责接收输入信号x,并将输入信号通过编码函数h变换为信号y=h(x);第二个网络是解码器,将编码后的信号y作为输入,通过解码函数f得到重构的信号r=f(y)=f(h(x)),整个网络就是为了让重构信号r和输入信号x尽量接近,编码器对特征进行提取,解码器根据提取的特征重构信号。
在本申请实施例中,如图2所示,将脑部三维医学影像样本作为输入和目标以训练自编码器模型,可通过以下步骤实现:
步骤201,将脑部三维医学影像样本输入所述编码器,经过多层的全卷积网络,映射到编码空间。
在本申请实施例中,编码器由一系列卷积层组成,作为一种示例,输入至编码器的脑部三维医学影像样本在其中的变换过程可以为:输入的脑部三维医学影像样本每经过一个卷积层后长宽尺寸变为原来的一半,经过多层的全卷积网络后,编码器输出的张量经过一个线性映射后映射到一个编码空间中,其中,编码空间是一个较低维数的特征空间。
步骤202,将编码向量输入到解码器,经过多层的反卷积网络,得到与脑部三维医学影像样本相似的重构图像样本。
在本申请实施例中,解码器由一系列反卷积层和上采样操作组成,将由编码器输出的编码向量输入至解码器后,经过多层反卷积网络,得到与脑部三维医学影像样本相似的重构图像样本。基于上述示例,编码向量输入到解码器后的变换过程可以为:编码向量每经过一个反卷积层后都会通过上采样操作使得长宽尺寸变为原来的两倍,所以编码器最终输出的重构图像样本和输入至编码器的脑部三维医学影像样本具有相同的尺寸和通道数。
步骤203,计算重构图像样本和脑部三维医学影像样本间的重构误差。
在本申请实施例中,重构图像样本和脑部三维医学影像样本之间的重构误差,是根据重构图像样本与原输入至自编码器的脑部三维医学影像样本进行比较计算获得的。该重构误差可以为重构图像样本与其对应的脑部三维医学影像样本之间的归一化的均方误差,也可以采用其他表示误差的方式计算,本申请对此不作限定。
步骤204,根据重构误差和预设的损失函数对自编码器模型进行训练。
在本申请实施例中,损失函数是基于重构误差的L2范数和特征向量的L1范数构建的,在初始模型训练的过程中,根据计算得到的重构误差及损失函数,不断的调整模型参数,实现对自编码器模型的训练。
步骤103,获取待检测脑部医学影像,并获取待检测脑部医学影像对应的病灶候选区域掩码图像。
需要说明的是,由于将脑部医学影像直接输入至自编码模型中计算重构误差,可能会出现模型过拟合的情况,导致病灶区域无法被检测出来,所以本申请先获取待检测脑部医学影像对应的病灶候选区域掩码图像,再综合病灶候选区域掩码图像、重构图像及待检测医学影像计算重构误差,判断待检测脑部医学影像是否存在病灶,这样可以有效地提高算法对于异常区域的敏感度,从而提高异常检测的准确率。
在本申请实施例中,此处待检测脑部医学影像可以为计算机断层扫描影像或核磁共振成像影像,或者其他脑部诊断的医学影像。需要说明的是,在医学影像上,许多脑部疾病表现为病灶区域的密度明显高于或者低于周围的正常区域的密度值。也就是说,根据待检测脑部医学影像各区域的密度值即可区分该医学影像之中哪些区域为正常区域,哪些区域可能为病灶区域,其中可能为病灶区域的区域即可作为病灶候选区域。
在本申请实施例中,可以将待检测脑部医学影像通过一系列数字图像处理的技术,结合医学中的相关知识,筛选出该待检测脑部医学影像中可能存在病灶的候选区域,其具体的实现方式可以为:待检测脑部医学影像首先通过设置阈值的方式获取该医学影像中颅骨所在区域,进而得到颅骨内部的脑部区域;然后在该医学影像的脑部区域中通过设置阈值的方式,得到低于和高于正常脑部区域密度的病灶候选区域,可以通过一个和待检测脑部医学影像相同长宽的掩码图像进行表示,作为一种示例,病灶候选区域的像素点可以通过1表示,影像上其他区域像素点可以通过0表示,该病灶候选区域可理解为可能存在病灶的区域。
步骤104,将待检测脑部医学影像输入至经过训练的自编码器模型,获得重构图像,并根据病灶候选区域掩码图像计算重构图像与待检测脑部医学影像间的重构误差。
需要说明的是,待检测脑部医学影像输入的经过训练的自编码器模型,其在训练时,使用的脑部医学影像样本需要与该待检测脑部医学影像为同一模态,也就是说,若待检测脑部医学影像为计算机断层扫描影像,那么其输入的自编码器模型也应该是由计算机断层扫描影像样本数据训练得到。
在本申请实施例中,待检测脑部医学影像输入至经过训练的自编码器模型后,经过编码器中的多层全卷积网络,映射到编码空间,该编码向量再进入解码器,经过多层的反卷积网络,得到待检测脑部医学影像的重构图像。
为了提高算法对于异常区域的敏感度,得到的待检测脑部医学影像重构图像需要结合病灶候选区域掩码图像,找到重构图像中的病灶候选区域,基于病灶候选区域来计算该重构图像与待检测脑部医学影像的重构误差,从而提高检测的准确率。
在本申请实施例中,根据病灶候选区域掩码图像计算重构图像与待检测脑部医学影像间的重构误差的实现过程如下:根据病灶候选区域掩码图像,确定出重构图像之中的第一病灶候选区域;根据病灶候选区域掩码图像,确定出待检测脑部医学影像之中的第二病灶候选区域;计算第一病灶候选区域与第二病灶候选区域间的病灶候选区域重构误差,并将病灶候选区域重构误差作为所述重构图像与所述待检测脑部医学影像间的重构误差。
也就是说,将重构图像各像素点与病灶候选区域掩码图像进行对比,确定出重构图像中的病灶候选区域,该区域即为重构图像之中的第一病灶候选区域。同样,将待检测医学影像各像素点与病灶候选区域掩码图像进行对比,确定出待检测医学影像中的病灶候选区域,该区域即为待检测医学影像之中的第二病灶候选区域。
此外,计算第一病灶候选区域与第二病灶候选区域间的病灶候选区域重构误差,也就是,将重构图像之中的第一病灶候选区域的各像素点与待检测医学影像之中的第二病灶候选区域的各像素点进行对比,计算其重构误差,该重构误差可以为归一化的均方误差,也可以采用其他表示误差的方式计算,本申请对此不作限定。将病灶候选区域重构误差作为重构图像与待检测脑部医学影像间的重构误差。
步骤105,根据重构误差检测待检测脑部医学影像是否存在病灶。
在本申请实施例中,将重构误差与预先设定的阈值进行对比,若当前重构误差高于预先设定的阈值,则该病灶候选区域为病灶区域,也就是说,其对应待检测脑部医学影像存在病灶,且其病灶区域为重构误差高于预先设定的阈值的病灶候选区域;若当前重构阈值不高于预先设定的阈值,则该病灶候选区域不是病灶区域,当该待检测脑部医学影像中的所有病灶候选区域均不是病灶区域时,该待检测脑部医学影像不存在病灶。其中,预先设定的阈值可以参考以下方式获取:通过将另一批不存在病灶的脑部医学影像样本输入至自编码器模型后,得到的重构误差的最大值可作为预先设定的阈值的参考。
根据本申请实施例提出的脑部医学影像异常检测方法,通过将未包含病灶的脑部三维医学影像样本输入至自编码器初始模型进行训练,即可得到自编码器模型,无需采集各种不同病灶类型医学影像样本,降低了实现复杂性和成本,同时提高了模型适用性。此外,将待检测脑部医学影像输入至训练的自编码器模型获得重构图像,并根据病灶候选区域掩码图像计算重构图像与待检测脑部医学影像间的重构误差,判断待检测脑部医学影像是否存在病灶,有效地提高算法对于异常区域的敏感度,从而提高异常检测的准确率。
为了实现上述实施例,本申请还提出一种脑部医学影像异常检测装置。
图3为本申请实施例提供的一种脑部医学影像异常检测装置的结构示意图。如图3所示,该脑部医学影像异常检测装置包括:第一获取模块310、训练模块320、第二获取模块330、第三获取模块340和检测模块350。
具体地,第一获取模块310,用于获取脑部三维医学影像样本,其中,脑部三维医学影像样本为未包含病灶的脑部三维医学影像;
训练模块320,用于构建自编码器模型,初始化自编码器模型的模型参数,并将脑部三维医学影像样本作为输入和目标以训练所述自编码器模型;
第二获取模块330,用于获取待检测脑部医学影像,并获取所述待检测脑部医学影像之中的病灶候选区域掩码图像;
第三获取模块340,用于将所述待检测脑部医学影像输入至经过训练的自编码器模型,获得重构图像,并根据病灶候选区域掩码图像计算重构图像与待检测脑部医学影像间的重构误差;
检测模块350,用于根据重构误差检测待检测脑部医学影像是否存在病灶。
在本申请实施例中,自编码器初始模型包括编码器和解码器,训练模块320具体用于:
将脑部三维医学影像样本输入所述编码器,经过多层的全卷积网络,映射到编码空间;
将编码向量输入到解码器,经过多层的反卷积网络,得到与脑部三维医学影像样本相似的重构图像样本;
计算重构图像样本和所述脑部三维医学影像样本间的重构误差;
根据重构误差和预设的损失函数对自编码器初始模型进行训练。
其中,损失函数是基于重构误差的L2范数和特征向量的L1范数构建的。
在本申请实施例中,第三获取模块340具体用于:
根据病灶候选区域掩码图像,确定出重构图像之中的第一病灶候选区域;
根据病灶候选区域掩码图像,确定出待检测脑部医学影像之中的第二病灶候选区域;
计算第一病灶候选区域与第二病灶候选区域间的病灶候选区域重构误差,并将病灶候选区域重构误差作为重构图像与待检测脑部医学影像间的重构误差。
需要说明的是,前述对脑部医学影像异常检测方法实施例的解释说明也适用于该实施例的脑部医学影像异常检测装置,此处不再赘述。
根据本申请实施例的脑部医学影像异常检测装置,通过将未包含病灶的脑部三维医学影像样本输入至自编码器初始模型进行训练,即可得到自编码器模型,无需采集各种不同病灶类型医学影像样本,降低了实现复杂性和成本,同时提高了模型适用性。此外,将待检测脑部医学影像输入至训练的自编码器模型获得重构图像,并根据病灶候选区域掩码图像计算重构图像与待检测脑部医学影像间的重构误差,判断待检测脑部医学影像是否存在病灶,有效地提高算法对于异常区域的敏感度,从而提高异常检测的准确率。
为了实现上述实施例,本申请还提供了一种计算机设备和一种计算机可读存储介质。
图4为根据本申请实施例的用于实现脑部医学影像异常检测的计算机设备的框图。计算机设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示,该计算机设备包括:存储器410、处理器420及存储在所述存储器上并可在处理器上运行的计算机程序430。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。
存储器410即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的脑部医学影像异常检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的脑部医学影像异常检测方法。
存储器410作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的脑部医学影像异常检测方法对应的程序指令/模块(例如,附图3所示的第一获取模块310、训练模块320、第二获取模块330、第三获取模块340和检测模块350)。处理器420通过运行存储在存储器420中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的脑部医学影像异常检测方法。
存储器410可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据用以脑部医学影像异常检测方法的计算机设备的使用所创建的数据等。此外,存储器410可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器410可选包括相对于处理器420远程设置的存储器,这些远程存储器可以通过网络连接至用以实现脑部医学影像异常检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用以脑部医学影像异常检测方法的计算机设备还可以包括:输入装置440和输出装置450。处理器420、存储器410、输入装置440和输出装置450可以通过总线或者其他方式连接,图4中以通过总线连接为例。
输入装置440可接收输入的数字或字符信息,以及产生与用以实现脑部医学影像异常检测方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置450可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种脑部医学影像异常检测方法,其特征在于,包括:
获取脑部三维医学影像样本,其中,所述脑部三维医学影像样本为未包含病灶的脑部三维医学影像;
构建自编码器模型,初始化所述自编码器模型的模型参数,并将所述脑部三维医学影像样本作为输入和目标以训练所述自编码器模型;
获取待检测脑部医学影像,并获取与所述待检测脑部医学影像对应的病灶候选区域掩码图像;
将所述待检测脑部医学影像输入至经过训练的所述自编码器模型,获得重构图像,并根据所述病灶候选区域掩码图像计算所述重构图像与所述待检测脑部医学影像间的重构误差;
根据所述重构误差检测所述待检测脑部医学影像是否存在病灶。
2.根据权利要求1所述的方法,其特征在于,所述自编码器初始模型包括编码器和解码器;所述将所述脑部三维医学影像样本作为输入和目标以训练所述自编码器模型,包括:
将所述脑部三维医学影像样本输入所述编码器,经过多层的全卷积网络,映射到编码空间;
将编码向量输入到解码器,经过多层的反卷积网络,得到与所述脑部三维医学影像样本相似的重构图像样本;
计算所述重构图像样本和所述脑部三维医学影像样本间的重构误差;
根据所述重构误差和预设的损失函数对所述自编码器模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述损失函数是基于重构误差的L2范数和特征向量的L1范数构建的。
4.根据权利要求1所述的方法,其特征在于,所述根据所述病灶候选区域掩码图像计算所述重构图像与所述待检测脑部医学影像间的重构误差,包括:
根据所述病灶候选区域掩码图像,确定出所述重构图像之中的第一病灶候选区域;
根据所述病灶候选区域掩码图像,确定出所述待检测脑部医学影像之中的第二病灶候选区域;
计算所述第一病灶候选区域与所述第二病灶候选区域间的病灶候选区域重构误差,并将所述病灶候选区域重构误差作为所述重构图像与所述待检测脑部医学影像间的重构误差。
5.一种脑部医学影像异常检测装置,其特征在于,包括:
第一获取模块,用于获取脑部三维医学影像样本,其中,所述脑部三维医学影像样本为未包含病灶的脑部三维医学影像;
训练模块,用于构建自编码器模型,初始化所述自编码器模型的模型参数,并将所述脑部三维医学影像样本作为输入和目标以训练所述自编码器模型;
第二获取模块,用于获取待检测脑部医学影像,并获取与所述待检测脑部医学影像对应的病灶候选区域掩码图像;
第三获取模块,用于将所述待检测脑部医学影像输入至经过训练的所述自编码器模型,获得重构图像,并根据所述病灶候选区域掩码图像计算所述重构图像与所述待检测脑部医学影像间的重构误差;
检测模块,用于根据所述重构误差检测所述待检测脑部医学影像是否存在病灶。
6.根据权利要求5所述的装置,其特征在于,所述自编码器初始模型包括编码器和解码器;所述训练模块具体用于:
将所述脑部三维医学影像样本输入所述编码器,经过多层的全卷积网络,映射到编码空间;
将编码向量输入到解码器,经过多层的反卷积网络,得到与所述脑部三维医学影像样本相似的重构图像样本;
计算所述重构图像样本和所述脑部三维医学影像样本间的重构误差;
根据所述重构误差和预设的损失函数对所述自编码器模型进行训练。
7.根据权利要求6所述的装置,其特征在于,所述损失函数是基于重构误差的L2范数和特征向量的L1范数构建的。
8.根据权利要求5所述的装置,其特征在于,所述第三获取模块具体用于:
根据所述病灶候选区域掩码图像,确定出所述重构图像之中的第一病灶候选区域;
根据所述病灶候选区域掩码图像,确定出所述待检测脑部医学影像之中的第二病灶候选区域;
计算所述第一病灶候选区域与所述第二病灶候选区域间的病灶候选区域重构误差,并将所述病灶候选区域重构误差作为所述重构图像与所述待检测脑部医学影像间的重构误差。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1至4中任一项所述的脑部医学影像异常检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的脑部医学影像异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401742.5A CN113052831B (zh) | 2021-04-14 | 2021-04-14 | 脑部医学影像异常检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401742.5A CN113052831B (zh) | 2021-04-14 | 2021-04-14 | 脑部医学影像异常检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052831A true CN113052831A (zh) | 2021-06-29 |
CN113052831B CN113052831B (zh) | 2024-04-23 |
Family
ID=76519662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110401742.5A Active CN113052831B (zh) | 2021-04-14 | 2021-04-14 | 脑部医学影像异常检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052831B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554642A (zh) * | 2021-08-12 | 2021-10-26 | 北京安德医智科技有限公司 | 对病灶鲁棒的脑区定位方法及装置、电子设备和存储介质 |
CN113705490A (zh) * | 2021-08-31 | 2021-11-26 | 重庆大学 | 基于重构和预测的异常检测方法 |
CN113743414A (zh) * | 2021-08-02 | 2021-12-03 | 清华大学 | 基于语义编码的病灶识别方法、装置及系统 |
CN113888663A (zh) * | 2021-10-15 | 2022-01-04 | 推想医疗科技股份有限公司 | 重建模型训练方法、异常检测方法、装置、设备及介质 |
CN114005514A (zh) * | 2021-11-26 | 2022-02-01 | 杭州涿溪脑与智能研究所 | 医学影像诊断方法、系统及装置 |
CN115294400A (zh) * | 2022-08-23 | 2022-11-04 | 北京医准智能科技有限公司 | 图像分类模型的训练方法、装置、电子设备及存储介质 |
CN117649400A (zh) * | 2024-01-25 | 2024-03-05 | 江西省肿瘤医院(江西省第二人民医院、江西省癌症中心) | 一种异常检测框架下的影像组学分析方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
US20180247405A1 (en) * | 2017-02-27 | 2018-08-30 | International Business Machines Corporation | Automatic detection and semantic description of lesions using a convolutional neural network |
CN110348515A (zh) * | 2019-07-10 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 图像分类方法、图像分类模型训练方法及装置 |
CN111476772A (zh) * | 2020-04-03 | 2020-07-31 | 北京推想科技有限公司 | 基于医学影像的病灶分析方法和装置 |
CN111584066A (zh) * | 2020-04-13 | 2020-08-25 | 清华大学 | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 |
CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
CN112075927A (zh) * | 2020-10-15 | 2020-12-15 | 首都医科大学附属北京天坛医院 | 脑卒中的病因分类方法及装置 |
CN112102266A (zh) * | 2020-08-31 | 2020-12-18 | 清华大学 | 基于注意力机制的脑梗死医学影像分类模型的训练方法 |
CN112102315A (zh) * | 2020-11-02 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 医学影像处理方法、装置、计算机设备和存储介质 |
CN112488178A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 网络模型的训练方法及装置、图像处理方法及装置、设备 |
CN112634255A (zh) * | 2020-12-30 | 2021-04-09 | 清华大学 | 脑部病灶检测模型的建立方法、装置以及计算机设备 |
CN112634224A (zh) * | 2020-12-17 | 2021-04-09 | 北京大学 | 基于目标影像的病灶检测方法和装置 |
-
2021
- 2021-04-14 CN CN202110401742.5A patent/CN113052831B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180247405A1 (en) * | 2017-02-27 | 2018-08-30 | International Business Machines Corporation | Automatic detection and semantic description of lesions using a convolutional neural network |
CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
CN110348515A (zh) * | 2019-07-10 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 图像分类方法、图像分类模型训练方法及装置 |
CN111476772A (zh) * | 2020-04-03 | 2020-07-31 | 北京推想科技有限公司 | 基于医学影像的病灶分析方法和装置 |
CN111584066A (zh) * | 2020-04-13 | 2020-08-25 | 清华大学 | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 |
CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
CN112102266A (zh) * | 2020-08-31 | 2020-12-18 | 清华大学 | 基于注意力机制的脑梗死医学影像分类模型的训练方法 |
CN112075927A (zh) * | 2020-10-15 | 2020-12-15 | 首都医科大学附属北京天坛医院 | 脑卒中的病因分类方法及装置 |
CN112102315A (zh) * | 2020-11-02 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 医学影像处理方法、装置、计算机设备和存储介质 |
CN112488178A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 网络模型的训练方法及装置、图像处理方法及装置、设备 |
CN112634224A (zh) * | 2020-12-17 | 2021-04-09 | 北京大学 | 基于目标影像的病灶检测方法和装置 |
CN112634255A (zh) * | 2020-12-30 | 2021-04-09 | 清华大学 | 脑部病灶检测模型的建立方法、装置以及计算机设备 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743414A (zh) * | 2021-08-02 | 2021-12-03 | 清华大学 | 基于语义编码的病灶识别方法、装置及系统 |
CN113554642A (zh) * | 2021-08-12 | 2021-10-26 | 北京安德医智科技有限公司 | 对病灶鲁棒的脑区定位方法及装置、电子设备和存储介质 |
CN113554642B (zh) * | 2021-08-12 | 2022-03-11 | 北京安德医智科技有限公司 | 对病灶鲁棒的脑区定位方法及装置、电子设备和存储介质 |
CN113705490A (zh) * | 2021-08-31 | 2021-11-26 | 重庆大学 | 基于重构和预测的异常检测方法 |
CN113705490B (zh) * | 2021-08-31 | 2023-09-12 | 重庆大学 | 基于重构和预测的异常检测方法 |
CN113888663A (zh) * | 2021-10-15 | 2022-01-04 | 推想医疗科技股份有限公司 | 重建模型训练方法、异常检测方法、装置、设备及介质 |
CN114005514A (zh) * | 2021-11-26 | 2022-02-01 | 杭州涿溪脑与智能研究所 | 医学影像诊断方法、系统及装置 |
CN115294400A (zh) * | 2022-08-23 | 2022-11-04 | 北京医准智能科技有限公司 | 图像分类模型的训练方法、装置、电子设备及存储介质 |
CN117649400A (zh) * | 2024-01-25 | 2024-03-05 | 江西省肿瘤医院(江西省第二人民医院、江西省癌症中心) | 一种异常检测框架下的影像组学分析方法及系统 |
CN117649400B (zh) * | 2024-01-25 | 2024-05-03 | 江西省肿瘤医院(江西省第二人民医院、江西省癌症中心) | 一种异常检测框架下的影像组学分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113052831B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052831B (zh) | 脑部医学影像异常检测方法、装置、设备及存储介质 | |
CN110321920B (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
US10565477B2 (en) | Deep learning medical systems and methods for image reconstruction and quality evaluation | |
US10628943B2 (en) | Deep learning medical systems and methods for image acquisition | |
US11929174B2 (en) | Machine learning method and apparatus, program, learned model, and discrimination apparatus using multilayer neural network | |
Faghani et al. | Mitigating bias in radiology machine learning: 3. Performance metrics | |
US20210233244A1 (en) | System and method for image segmentation using a joint deep learning model | |
Guo et al. | Dual attention enhancement feature fusion network for segmentation and quantitative analysis of paediatric echocardiography | |
US10366488B2 (en) | Image processing used to estimate abnormalities | |
US11741598B2 (en) | Method for aiding visualization of lesions in medical imagery and apparatus using the same | |
CN112435341B (zh) | 三维重建网络的训练方法及装置、三维重建方法及装置 | |
CN113168912B (zh) | 使用深度学习确定3d数据集中对象的增长速度 | |
Urbaniak et al. | Quality assessment of compressed and resized medical images based on pattern recognition using a convolutional neural network | |
KR20200131737A (ko) | 의료 영상에서 병변의 시각화를 보조하는 방법 및 이를 이용한 장치 | |
Liu et al. | 3d tomographic pattern synthesis for enhancing the quantification of covid-19 | |
Jin et al. | An unsupervised multi‐focus image fusion method based on Transformer and U‐Net | |
An et al. | COVID-19 screening in chest X-ray images using lung region priors | |
CN113192031B (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
CN111209946B (zh) | 三维图像处理方法、图像处理模型训练方法及介质 | |
Pramod Kumar et al. | Volumetric lung nodule segmentation in thoracic CT scan using freehand sketch | |
Agrawal et al. | ReSE‐Net: Enhanced UNet architecture for lung segmentation in chest radiography images | |
Ab Aziz et al. | The comprehensive review of neural network: an intelligent medical image compression for data sharing | |
CN112086174A (zh) | 一种三维知识诊断模型构建方法和系统 | |
WO2022264608A1 (ja) | 医用画像診断システム、医用画像診断システム評価方法及びプログラム | |
JP7493113B1 (ja) | スペクトルコンピュータ断層撮影撮像のための警告信号の制御 |
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 |