CN113256579A - 基于预训练模型的肺结核识别系统 - Google Patents

基于预训练模型的肺结核识别系统 Download PDF

Info

Publication number
CN113256579A
CN113256579A CN202110546008.8A CN202110546008A CN113256579A CN 113256579 A CN113256579 A CN 113256579A CN 202110546008 A CN202110546008 A CN 202110546008A CN 113256579 A CN113256579 A CN 113256579A
Authority
CN
China
Prior art keywords
module
picture
tuberculosis
image
training
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
Application number
CN202110546008.8A
Other languages
English (en)
Inventor
曹永忠
芮扬
郝亚蒙
薛杰
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.)
Yangzhou University
Original Assignee
Yangzhou University
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 Yangzhou University filed Critical Yangzhou University
Priority to CN202110546008.8A priority Critical patent/CN113256579A/zh
Publication of CN113256579A publication Critical patent/CN113256579A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/24—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
    • G06F18/24—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于预训练模型的肺结核识别系统，包括：图像采集模块，用以采集人体胸部CT图片；图像预处理模块，对采集到的CT图片进行预处理；特征提取模块，用以对预处理后的图片进行特征提取并且进行降维；分类模块，用以对降维后的图片进行分类，得出识别结果，本发明能够获得更加丰富和抽象的特征表达，提高预测精度。

Description

基于预训练模型的肺结核识别系统
技术领域
本发明涉及深度学习技术领域，特别涉及一种肺结核识别系统。
背景技术
结核病是由结核分枝杆菌引起的慢性传染病，可侵及许多脏器，以肺部结核感染最为常见。如果在早期阶段没有发现，可能会危及生命。若能及时诊断，并予合理治疗，大多可获临床痊愈。肺结核分为原发型的肺结核、血行播散型的肺结核、继发型肺结核，继发型的肺结核又分为浸润型的肺结核、慢性纤维空洞型肺结核。原发型肺结核的肺CT表现主要为肺门，以及纵隔淋巴结的增大，血行播散型的肺结核肺CT表现主要为双肺满布粟粒样的结节，而且分布均匀，结节大小不均一。浸润型的肺结核肺部CT表现为主要病变在双肺上叶的尖段、后段以及下叶的背段，通常还可以见到结核球，结核球内部常可以看到斑点或者是环状的钙化，结核球周围还可以见到卫星灶，有时可以见到结核的空洞，常常为薄壁空洞，有时也可以见到厚壁不规则的空洞。慢性纤维空洞型的肺结核肺CT的表现主要为厚壁空洞，空洞壁周围会有大量的纤维粘连、渗出以及干酪样的改变。
结核病的早期诊断可以预防疾病的进一步传播。结核病诊断常用以下3种方法。1.肺结核病免疫学诊断2.胸部Ⅹ线检查3、痰结核菌检查。其中，肺结核病免疫学诊断常用的有结核菌素纯蛋白衍化物(PPD)试验和血中、痰中结核抗体检测阳性检查，这种诊断方式虽然对结核病的诊断有很大帮助，但是需要极专业的医生实验几个小时才能得出诊断结果，比较耗时且造成医疗资源的浪费；痰结核菌检查常用痰涂片检查和痰结核菌培养方式诊断，这种诊断方式结果可信度高，并能做结核菌药敏试验，但需时6-8周，应用受到限制；Ⅹ线检查胸部Ⅹ线检查不但可以早期发现结核病，而且可以确定病灶的部位、性质、范围，了解发病情况及用于治疗效果的判断，并且开展方便，病人乐于接受。
近年来，计算机视觉领域得到广泛的应用，应用计算机视觉帮助诊断人类疾病，确定病灶位置和形状，是医学领域的一大突破发展,这得益于机器学习算法和深度学习算法的发展。利用深度学习方法提取肺部图像特征可以帮助诊断结核病，大大减轻了医生的工作量，且与人的诊断相比，基于计算机的诊断方法可以产生更准确的输出性能，有较少的误诊，从而可以使用更少的资产进行更有效的大规模筛选。
想要将深度学习应用于小型图像数据集，通常不会贸然采用复杂网络并且从头开始训练(training from scratch)，因为训练代价高，且很难避免过拟合问题。相对的，通常会采用一种更高效的方法——使用预训练网络。预训练网络的使用通常有两种方式，一种是利用预训练网络简单提取图像的特征，之后可能会利用这些特征进行其他操作(比如和文本信息结合以用于image caption，或者简单的进行分类)；另一种是对预训练的网络进行裁剪和微调，以适应自己的任务。
第一种方式训练代价极低，因为它就是简单提取个特征，不涉及训练；缺点是保存提取出来的特征需要占用一定空间，且无法使用图像增强(而图像增强对于防止小型数据集的过拟合非常重要)。第二种方式可以使用图像增强，但训练代价也会大幅增加。(当然相对于从头训练来说，使用预训练网络的训练代价肯定要低得多)。
发明内容
本发明的目的是提供一种基于预训练模型的肺结核识别系统，能够获得更加丰富和抽象的特征表达，提高预测精度。
本发明的目的是这样实现的：一种基于预训练模型的肺结核识别系统，包括：
图像采集模块，用以采集人体胸部CT图片；
图像预处理模块，对采集到的CT图片进行预处理；
特征提取模块，用以对预处理后的图片进行特征提取并且进行降维；
分类模块，用以对降维后的图片进行分类，得出识别结果。
作为本发明的进一步改进，所述图像预处理模块包括：
图片大小适配模块，用以将调整图片大小；
图片色彩调节模块，用以将彩色图片变为黑白图片；
直方图均衡化模块，用以对黑白图片进行直方图均衡化处理，查看像素分布；
数据划分模块，将数据集划分为训练集和测试集，分别用于训练肺结核识别模型和测试模型效果，其中训练集和测试集划分比例为8：2；
数据标签编码模块，对数据集和测试集标签进行编码，编码目的是为了便于计算；
正则化模块，用以将图像像素正则化到0-1之间。
作为本发明的进一步改进，所述特征提取模块采用DensetNet201网络，并对其进行修改，具体为：在Densetnet201网络结构的基础上，去掉了原结构的最后一层Dense层，然后添加了一层全局平均池化层和三层Dense层。
作为本发明的进一步改进，所述分类模块采用XGBoost分类器。
与现有技术相比，本发明的有益效果在于：
(1)本发明使用深度学习预训练模型DensetNet201用于肺部特征提取：DenseNet201网络层数较深，能够获得更加丰富和抽象的特征表达。而且DenseNet网络将每一层与其余层密集连接，可以确保各层之间的信息流动达到最大，实现特征重用，可以有效避免梯度消失或者爆炸问题；
(2)本发明在预训练模型DensetNet201模型的基础上，去掉了原结构的最后一层Dense层，然后添加了一层全局平均池化层和三层Dense层，并且添加了XGBoost分类层；其中原预训练模型DensetNet201最后一层Dense层的作用是对特征进行分类，添加的一层全局平均池化层和三层Dense层用于对图像特征进行降维，新添加的XGBoost分类层替换了softmax分类层，可以更好地对肺结核图像进行分类；
(3)使用机器学习XGBoost算法用于结果分类：XGBoost是一种提升树模型，它将许多树模型集成在一起，形成一个很强的分类器；XGBoost对损失函数做了二阶泰勒展开，并且在目标函数中加入了正则项，用来权衡目标函数和模型的复杂程度，防止过拟合；XGBoost支持并行处理，可以大大缩短运算时间；
(4)将深度学习预训练模型DenseNet201与机器学习XGBoost分类器相结合，以自动化和有效的方式协助对TB感染者进行早期诊断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明系统结构示意图。
图2为胸片处理流程示意图。
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。
如图1所示的一种基于预训练模型的肺结核识别系统，其特征在于，包括：
图像采集模块，用以采集人体胸部CT图片；
图像预处理模块，用以对采集到的CT图片进行预处理；包括：
图片大小适配模块，用以将调整图片大小；
图片色彩调节模块，用以将彩色图片变为黑白图片；
直方图均衡化模块，用以对黑白图片进行直方图均衡化处理，查看像素分布；
数据划分模块，将数据集划分为训练集和测试集，分别用于训练肺结核识别模型和测试模型效果，其中训练集和测试集划分比例为8：2，数据集是用来训练模型的图片，是从开源的网站获得，这些图片都是被标记过的，是正常图片还是肺结核图像，把这些图片送到模型中去学习正常的图片什么样，不正常的怎么样；可选用三个很有名的数据集NLM,Belarus,and RSNA；
数据标签编码模块，对数据集和测试集标签进行编码；
正则化模块，用以将图像像素正则化到0-1之间；
特征提取模块，用以对预处理后的图片进行特征提取并且进行降维，具体采用DensetNet201网络，并对其进行修改，具体为：在Densetnet201网络结构的基础上，去掉了原结构的最后一层Dense层，然后添加了一层全局平均池化层和三层Dense层；
分类模块，用以对降维后的图片进行分类，得出识别结果，采用XGBoost分类器。
如图2所示，本发明工作过程如下：
1.读取胸片图片；
2.图片大小适配；
3.变成黑白图片；
4.直方图均衡化查看像素分布；
5.数据集和数据标签划分；
6.将标签从文本形式编码成数字形式，便于计算；
7.将图像像素正则化到0-1之间；
8.加载预训练模型Densenet201，去掉densene201最后的全连接层；
9.用去掉最后一层的densene201模型去提取图像特征；
10.添加平均池化层和四层dense层，为了对图像进行降维，便于送入分类器去分类；
11.加载分类器XGBoost模型；
12.将DenseNet201提取到的特征送入XGBoost模型进行分类，得到结果。
为了评估本发明性能，使用以下实验评价指标展现模型效果：Accuracy、Precision、Recall、F1，其中Accuracy表示预测对的样本数占样本总数的比例，Precision表示预测为正的样本中有多少是真正的正样本，Recall表示样本中的正例有多少被预测正确了，F1是基于召回率和精确率计算的，计算公式如下所示：
Figure BDA0003073669520000071
Figure BDA0003073669520000072
Figure BDA0003073669520000073
Figure BDA0003073669520000074
其中，True Positive(TP)表示预测为正例实际为正例的个数，False Positive(FP)表示预测为正例实际为负例的个数，True Negative(TN)表示预测为负例实际为负例的个数，False Negative(FN)表示预测为负例实际为正例的个数；具体而言，TP就是用测试图片送入模型去判断它是不是肺结核的图片，如果模型预测的是肺结核图片，然后医生确认他确实是肺结核图片，就说明预测正确，就是TP；其他同理；TN就是系统预测的是肺结核图片，但是实际上经医生诊断不是肺结核图片，就是TN。
DenseNet201-XGBoost模型分类效果如下表：
Architecture Accuracy Precision Recall F1-score
nomal 0.99 0.98 1 0.99
tuberculosis 0.99 1 0.98 0.99
Macro avg 0.99 0.99 0.99 0.99
由上述实验结果可知：本文所提出的基于预训练模型DenseNet201-XGBoost的肺结核识别模型，在肺结核识别应用上面具有很好的效果，预测精度可达99％。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (4)

1.一种基于预训练模型的肺结核识别系统，其特征在于，包括：
图像采集模块，用以采集人体胸部CT图片；
图像预处理模块，对采集到的CT图片进行预处理；
特征提取模块，用以对预处理后的图片进行特征提取并且进行降维；
分类模块，用以对降维后的图片进行分类，得出识别结果。
2.根据权利要求1所述的基于预训练模型的肺结核识别系统，其特征在于，所述图像预处理模块包括：
图片大小适配模块，用以将调整图片大小；
图片色彩调节模块，用以将彩色图片变为黑白图片；
直方图均衡化模块，用以对黑白图片进行直方图均衡化处理，查看像素分布；
数据划分模块，将数据集划分为训练集和测试集，分别用于训练肺结核识别模型和测试模型效果，其中训练集和测试集划分比例为8：2；
数据标签编码模块，对数据集和测试集标签进行编码；
正则化模块，用以将图像像素正则化到0-1之间。
3.根据权利要求1所述的基于预训练模型的肺结核识别系统，其特征在于，所述特征提取模块采用DensetNet201网络，并对其进行修改，具体为：在Densetnet201网络结构的基础上，去掉了原结构的最后一层Dense层，然后添加了一层全局平均池化层和三层Dense层。
4.根据权利要求1所述的基于预训练模型的肺结核识别系统，其特征在于，所述分类模块采用XGBoost分类器。
CN202110546008.8A 2021-05-19 2021-05-19 基于预训练模型的肺结核识别系统 Pending CN113256579A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110546008.8A CN113256579A (zh) 2021-05-19 2021-05-19 基于预训练模型的肺结核识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110546008.8A CN113256579A (zh) 2021-05-19 2021-05-19 基于预训练模型的肺结核识别系统

Publications (1)

Publication Number Publication Date
CN113256579A true CN113256579A (zh) 2021-08-13

Family

ID=77182772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110546008.8A Pending CN113256579A (zh) 2021-05-19 2021-05-19 基于预训练模型的肺结核识别系统

Country Status (1)

Country Link
CN (1) CN113256579A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325516A (zh) * 2018-08-13 2019-02-12 众安信息技术服务有限公司 一种面向图像分类的集成学习方法及装置
CN110415816A (zh) * 2019-07-26 2019-11-05 郑州大学 一种基于迁移学习的皮肤病临床图像多分类方法
CN111553412A (zh) * 2020-04-27 2020-08-18 广州市妇女儿童医疗中心（广州市妇幼保健院、广州市儿童医院、广州市妇婴医院、广州市妇幼保健计划生育服务中心） 对性早熟分类模型进行训练的方法、装置和设备
WO2020168820A1 (zh) * 2019-02-22 2020-08-27 中国石油大学(华东) 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法
CN111754453A (zh) * 2020-05-11 2020-10-09 佛山市第四人民医院(佛山市结核病防治所) 基于胸透图像的肺结核检测方法、系统和存储介质
CN112069484A (zh) * 2020-11-10 2020-12-11 中国科学院自动化研究所 基于多模态交互式的信息采集方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325516A (zh) * 2018-08-13 2019-02-12 众安信息技术服务有限公司 一种面向图像分类的集成学习方法及装置
WO2020168820A1 (zh) * 2019-02-22 2020-08-27 中国石油大学(华东) 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法
CN110415816A (zh) * 2019-07-26 2019-11-05 郑州大学 一种基于迁移学习的皮肤病临床图像多分类方法
CN111553412A (zh) * 2020-04-27 2020-08-18 广州市妇女儿童医疗中心（广州市妇幼保健院、广州市儿童医院、广州市妇婴医院、广州市妇幼保健计划生育服务中心） 对性早熟分类模型进行训练的方法、装置和设备
CN111754453A (zh) * 2020-05-11 2020-10-09 佛山市第四人民医院(佛山市结核病防治所) 基于胸透图像的肺结核检测方法、系统和存储介质
CN112069484A (zh) * 2020-11-10 2020-12-11 中国科学院自动化研究所 基于多模态交互式的信息采集方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DEVVI SARWINDA，ALHADI BUSTAMAM，RADIFA H. PARADISA AND ET AL.: ""Analysis of Deep Feature Extraction for Colorectal Cancer Detection"", 《2020 4TH INTERNATIONAL CONFERENCE ON INFORMATICS AND COMPUTATIONAL SCIENCES (ICICOS)》, pages 1 - 5 *
王浩华: "《数学实验及典型案例分析》", 30 June 2017, 中国科学技术大学出版社 *

Similar Documents

Publication Publication Date Title
WO2022063199A1 (zh) 一种肺结节自动检测方法、装置及计算机系统
CN111951246B (zh) 一种基于深度学习的多方位x光胸片肺炎诊断方法
El-Shafai et al. Efficient Deep-Learning-Based Autoencoder Denoising Approach for Medical Image Diagnosis.
US11704808B1 (en) Segmentation method for tumor regions in pathological images of clear cell renal cell carcinoma based on deep learning
Yang et al. CT images recognition of pulmonary tuberculosis based on improved faster RCNN and U-Net
Bhosale et al. Deep convolutional neural network based Covid-19 classification from radiology X-Ray images for IoT enabled devices
WO2021209887A1 (en) Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis
CN113269799A (zh) 一种基于深度学习的宫颈细胞分割方法
JP2024043567A (ja) 特徴分離に基づく病理画像特徴抽出器の訓練方法、訓練装置、電子機器、記憶媒体及び病理画像分類システム
CN112085742A (zh) 一种基于上下文注意力的nafld超声视频诊断方法
Xu et al. An automatic detection scheme of acute stanford type A aortic dissection based on DCNNs in CTA images
CN110782441A (zh) 一种基于深度学习的dr影像肺结核智能分割与检测方法
CN114140437A (zh) 一种基于深度学习的眼底硬渗出物分割方法
Ghafoor COVID-19 pneumonia level detection using deep learning algorithm
CN113822252B (zh) 显微镜下病理图像细胞鲁棒检测方法
CN115861292A (zh) 基于ct图像二维投影及深度学习的肺结核传染性判别方法
Gomes et al. Potential features of icu admission in x-ray images of covid-19 patients
Kalaivani et al. Deep Learning with Multi-Class Classification for Detection of Covid-19 and Pneumonia
CN113256579A (zh) 基于预训练模型的肺结核识别系统
CN112766333B (zh) 医学影像处理模型训练方法、医学影像处理方法及装置
Thammarach et al. AI chest 4 all
CN114140830A (zh) 一种基于循环肿瘤细胞图像的重复识别抑制方法
Zhang et al. Pneumothorax segmentation of chest X-rays using improved UNet++
Ogundokun et al. Application of pre-trained CNN methods to identify COVID-19 pneumonia from Chest X-Ray
Yousuf et al. Analysis of tuberculosis detection techniques using chest x-rays: A review

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: 20210813