CN113314215A - 超声甲状腺结节样例丰富及良恶性自动辅助识别系统 - Google Patents
超声甲状腺结节样例丰富及良恶性自动辅助识别系统 Download PDFInfo
- Publication number
- CN113314215A CN113314215A CN202110556851.4A CN202110556851A CN113314215A CN 113314215 A CN113314215 A CN 113314215A CN 202110556851 A CN202110556851 A CN 202110556851A CN 113314215 A CN113314215 A CN 113314215A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- benign
- thyroid
- malignant
- nodule
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明属于医学图像处理以及计算机辅助疾病诊断领域,具体涉及一种超声甲状腺结节样例丰富及良恶性自动辅助识别系统。包括以下步骤:搜集甲状腺结节超声原始图像和病理报告,构建甲状腺结节数据库;基于UNet网络结构对超声图像进行分割;基于条件变分自编码机由原始超声图像自动生成衍生超声图像,有效地丰富超声样本数据;基于SE‑ResNet50的网络结构对结节进行特征提取,结合超声诊断甲状腺结节的内外部回声、纵横比、边界边缘等临床特征,使用三分支多特征卷积神经网络,对结节进行良恶性自动分类。本发明能够有效丰富超声图像,改善医学数据库中存在的类别不平衡问题,实现了对超声甲状腺结节全自动分割及良恶性分类的计算机辅助诊断系统,为临床诊断提供了第二客观参考。
Description
技术领域
本发明属于医学图像处理以及计算机辅助疾病诊断领域,具体涉及一种超声甲状腺结节样例丰富及良恶性自动辅助识别系统。
背景技术
甲状腺结节指影像上发现的甲状腺局灶性病变,常出现在多种甲状腺疾病中。研究显示,高分辨率超声可在19%-68%的随机人群中检测出甲状腺结节,其中恶性结节即甲状腺癌患病率约为7%-15%。鉴别甲状腺结节的良恶性始终是临床关注的焦点。
超声是甲状腺结节在临床应用中最常用的检查方法,它具有安全、无创、价格低等优点。良性与恶性的甲状腺结节在超声图像中存在不同的特征表现,诸如内外部回声、纵横比、边界边缘、有无囊性变等特征。但超声图像易受到斑点噪声和回声扰动的影响,较难区分结节的边界。同时,甲状腺结节良恶性的诊断依赖于超声科医生的专业知识和临床经验,诊断结果受医生主观性影响较大。因此,基于计算机辅助技术的甲状腺超声图像结节分割和分类系统具有实际应用价值。
近年来,随着深度学习的快速发展,深度卷积神经网络被广泛应用到医学图像处理中,但深度学习网络的训练需要大量样本数据。然而临床医学图像的收集和标注费时费力,数据整理任务繁复,公开数据集的数量相对较少,同时医学数据库中常见类别不平衡等问题。
本发明提出超声甲状腺结节样例丰富及良恶性自动辅助识别系统,该系统对甲状腺超声图像结节区域进行自动分割;对甲状腺结节样例进行丰富,改善类别不平衡问题;并对甲状腺结节的良恶性进行自动分类。利用计算机辅助医生诊断,能够有效提高医生诊断准确率及效率,具有实际应用价值。
发明内容
本发明为解决现存的技术问题,提出一种超声甲状腺结节样例丰富及良恶性自动辅助识别系统。本发明采用基于UNet网络结构实现了甲状腺结节的自动分割;采用条件变分自编码机(Conditional Variational Auto Decoder,CVAE)来生成超声图像,有效地丰富超声样本数据;采用基于SE-ResNet50网络结构对结节进行特征提取,结合超声诊断甲状腺结节的内外部回声、纵横比、边界边缘等临床特征,使用三分支多特征卷积神经网络,对结节进行良恶性自动分类。
为实现上述目的,本发明提供了如下方案:
超声甲状腺结节样例丰富及良恶性自动辅助识别系统,包括以下步骤:
步骤一:收集甲状腺结节患者的超声原始图像及其对应的病理报告,并对超声图像甲状腺结节区域进行标注,构建超声甲状腺结节数据库;
步骤二:基于UNet网络结构实现对步骤一中超声甲状腺结节图像的自动分割,得到超声图像ROI区域。
步骤三:基于条件变分自编码机来生成超声图像,拟合步骤二甲状腺结节分割后图像的条件概率分布,丰富步骤四分类网络训练所需的良性超声图像样本数据。
步骤四:基于SE-ResNet50网络结构对甲状腺结节进行特征提取,结合超声诊断甲状腺结节内外部回声、纵横比、边界边缘等临床特征对步骤二的输出图像进行处理,将处理后的图像作为训练甲状腺结节分类网络的输入图像,并对三分支多特征卷积神经网络进行验证及测试,实现对甲状腺结节的良恶性自动分类。
所述步骤一中包括如下步骤:
步骤1.1:收集甲状腺结节患者的超声原始图像及其对应病理报告。
步骤1.2:由超声科医师使用Anaconda中的标注软件Labelme对超声图像中甲状腺结节轮廓进行标注,标注文件保存为json格式文件。
步骤1.3:将步骤1.2中所有标注文件统一转为mask图像,并统一调整图像大小,完成构建超声甲状腺结节数据库。
所述步骤二中包括如下步骤:
步骤2.1:将步骤一中超声甲状腺结节数据库按比例划分为训练集、验证集以及测试集。
步骤2.2:将步骤2.1中的训练集和验证集图像输入到UNet网络结构中,训练甲状腺结节分割网络模型。
步骤2.3:保存步骤2.2中在验证集上Dice系数最高的模型用于测试。
步骤2.4:调用步骤2.3保存的最佳网络模型,对步骤2.1中的测试集数据进行测试,得到该网络在测试集上的Dice系数和Sensitivity,并得到超声测试数据集ROI区域。
所述步骤三中包括如下步骤:
步骤3.1:将步骤二得到的超声甲状腺结节图像x输入到CVAE编码器中,编码器将输入x编码为隐变量z。编码器包括四个卷积层,通道数成倍递增。
训练CVAE模型,通过梯度下降算法拟合损失函数(公式1)
步骤3.4:对训练完成的隐变量z进行重采样,生成新的超声甲状腺结节样本。完成对步骤二中超声甲状腺结节数据库中数量较少类别样本的丰富,即对良性样本进行丰富解决超声甲状腺结节数据中存在的类别不平衡问题。
所述步骤四中包括如下步骤:
步骤4.1:获得三分支多特征卷积神经网络MVCNN进行良恶性分类的第二分支的输入图像。为增强网络对超声图像特征纵横比的学习,在保持长宽比不变下,将步骤二UNet分割结果得到结节ROI大小调整为224*224,将其作为MVCNN第二分支的输入图像。
步骤4.2:获得三分支多特征卷积神经网络MVCNN进行良恶性分类的第一分支的输入图像。考虑到良恶性结节内部和周围甲状腺实质的超声差异,将步骤4.1得到的结节ROI按1.5倍大小裁剪,将其作为MVCNN第一分支的输入图像。
步骤4.3:获得三分支多特征卷积神经网络MVCNN进行良恶性分类的第三分支的输入图像。考虑到良恶性结节边界和边缘的差异,为增强网络对于边缘的学习,将步骤4.1得到的结节轮廓线扩张得到带状区域,将其作为MVCNN第三分支的输入图像。
步骤4.4:分别利用步骤4.1、步骤4.2及步骤4.3获得的输入图像对超声甲状腺结节分类网络进行训练及测试,网络结构均采用SE-ResNet50。
步骤4.5:根据步骤4.4中三个分支网络对甲状腺结节的分类准确率,为三分支多特征卷积神经网络结构中每个分支的特征赋予权重。其中,准确率越高的分支,特征权重越大,权重和为1。
步骤4.6:将步骤4.5中三个分支网络的特征通过全连接层连接和融合,完成构建三分支多特征卷积神经网络结构MVCNN。
步骤4.7:基于步骤4.6构建的三分支多特征卷积神经网络MVCNN,结合步骤4.1、步骤4.2及步骤4.3获得的输入图像对超声甲状腺结节良恶性分类网络进行训练及测试,网络结构均采用SE-ResNet50,结节分类输出结果为0(良性)或1(恶性),实现甲状腺结节良恶性识别。
本发明与现有技术相比,具有如下有益效果:
本发明所要解决的技术问题是,提供一种超声甲状腺结节样例丰富及良恶性自动辅助识别系统,对甲状腺结节样例进行丰富,并实现了对甲状腺超声图像的全自动结节分割及良恶性分类。利用本发明所提供的计算机辅助诊断,为临床诊断提供了第二客观参考,能够有效提高医生诊断准确率。
(1)搜集甲状腺病人超声影像建立超声甲状腺结节图像数据库,构建了一套对超声甲状腺结节图像进行自动分割和结节良恶性自动分类的计算机辅助诊断系统,有效地提高了医生对甲状腺良恶性判断的准确度,降低了甲状腺恶性结节的漏诊和误诊率。
(2)临床医学图像的收集和标注费时费力,公开数据集的数量相对较少,同时医学数据库中常存在类别不平衡等问题。本发明基于条件变分自编码机实现了对甲状腺结节样例的有效丰富,为解决医学数据收集整理困难且数据库存在类别不平衡的问题提供了一种有效的途径。
附图说明
图1是本发明工作流程示意图;
图2是本发明CVAE数据增强结构图;
图3是本发明三分支多特征卷积神经网络结构示意图。
具体实施方式
下面结合附图对本发明作更进一步地说明。
实施例1:
如图1所示,本发明为一种超声甲状腺结节样例丰富及良恶性自动辅助识别系统,包括如下步骤:
A.建立甲状腺超声图像数据库
收集超声影像科和病理科甲状腺结节患者的超声图像及对应病理报告,由超声科医师利用Anaconda的Labelme标注工具对甲状腺结节轮廓进行勾画标注,标注文件以json格式保存。将标注文件统一转为mask图像,并统一调整图像大小,完成构建超声甲状腺结节数据库。
在本实施例中,超声甲状腺结节数据库共包含3769张原始图像及其对应mask图像。其中良性结节共1303组,恶性结节共2466组。
B.基于UNet网络对超声甲状腺结节进行分割
将上述甲状腺超声图像数据库中超声图像输到入UNet为主干网络的分割模型中,得到测试集超声图像ROI区域,并获得该网络在测试集上的Dice系数和Sensitivity。
在本实施例中,为实现甲状腺结节自动分割,将甲状腺超声图像数据库中的数据划分为:训练集2769组、验证集500组、测试集500组。
C.基于条件变分自编码机实现超声甲状腺结节数据丰富
如图2所示,采用CVAE来生成超声图像。训练编码器和解码器的参数阶段,利用梯度下降算法优化拟合损失函数达到最优值;测试阶段,利用解码器对完成训练的隐变量进行重采样,生成图像新样本,实现超声甲状腺结节数据丰富。
在本实施例中,为解决结节分类过程中存在的超声甲状腺结节类别不平衡问题,将训练集的良性结节数量丰富至与恶性结节数量一致,即训练集中良恶性结节数量均为1978张。
D.甲状腺结节良恶性分类
如图3所示,采用基于SE-ResNet50的网络结构对结节进行特征提取,结合超声诊断甲状腺结节内外部回声、纵横比、边界边缘等临床特征作为训练甲状腺结节分类网络的输入图像,并对三分支多特征卷积神经网络进行验证及测试。分类网络输出结果为0(良性)或者1(恶性),实现对超声甲状腺结节的良恶性分类。
在本实施例中,内外部回声分支、ROI分支,以及边界分支比重分别为0.4、0.4和0.2。在每个分支网络中,训练集中的良恶性样本均为1978张;验证集中的良恶性样本分别为130张、244张;测试集中的良恶性样本分别为131张、244张。
实施例2:
在本发明的另一些具体实施方式中,其余与上述实施方式相同,不同之处在于,如图1所示,在甲状腺结节良恶性分类中,为验证CVAE生成图像在三分支多特征卷积神经网络中对甲状腺结节良恶性分类的有效性,本实施例中,未对训练集中良性样本进行数据丰富。
在本实施例中,训练集中良恶性样本分别为1042张、1978张;验证集中的良恶性样本分别为130张、244张;测试集中的良恶性样本分别为131张、244张。未进行样本丰富的三分支多特征卷积神经网络网络MVCNN与样本丰富后的三分支多特征卷积神经网络CVAE-MVCNN在测试集上的分类结果如表1所示。
表1超声甲状腺结节数据库测试集分类结果
综上,本发明利用条件变分自编码机对超声甲状腺结节样本数据进行丰富,改善了医学数据库存在的类别不平衡问题,有效提高了结节分类精度;对结节进行分割与分类,实现甲状腺结节良恶性自动辅助识别系统,利用计算机辅助医生诊断,有效提高医生诊断准确率及效率。
最后,需要注意的是,以上列举的仅是本发明的具体实施例。显然,本发明不限于以上实施例,还可以有很多变形和应用场景。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (3)
1.超声甲状腺结节样例丰富及良恶性自动辅助识别系统,其特征在于:包括如下步骤:
步骤一:收集甲状腺结节患者的超声原始图像及其对应的病理报告,并对超声图像甲状腺结节区域进行标注,构建超声甲状腺结节数据库;
步骤二:基于UNet网络结构实现对步骤一中超声甲状腺结节图像的自动分割,得到超声图像ROI区域。
步骤三:基于条件变分自编码机来生成超声图像,拟合步骤二甲状腺结节分割后图像的条件概率分布,丰富步骤四分类网络训练所需的良性超声图像样本数据。
步骤四:基于SE-ResNet50网络结构对甲状腺结节进行特征提取,结合超声诊断甲状腺结节内外部回声、纵横比、边界边缘等临床特征对步骤二的输出图像进行处理,将处理后的图像作为训练甲状腺结节分类网络的输入图像,并对三分支多特征卷积神经网络进行验证及测试,实现对甲状腺结节的良恶性自动分类。
2.根据权利要求1所述的一种超声甲状腺结节样例丰富及良恶性自动辅助识别系统,其特征在于:所述步骤三包括如下步骤:
步骤3.1:将步骤二得到的超声甲状腺结节图像x输入到CVAE编码器中,编码器将输入x编码为隐变量z。编码器包括四个卷积层,通道数成倍递增。
训练CVAE模型,通过梯度下降算法拟合损失函数(公式1)
步骤3.4对训练完成的隐变量z进行重采样,生成新的超声甲状腺结节样本。完成对步骤二中超声甲状腺结节数据库中数量较少类别样本的丰富,即对良性样本进行丰富解决超声甲状腺结节数据中存在的类别不平衡问题。
3.根据权利要求1所述的一种超声甲状腺结节样例丰富及良恶性自动辅助识别系统,其特征在于:步骤四包括如下步骤:
步骤4.1:获得三分支多特征卷积神经网络MVCNN进行良恶性分类的第二分支的输入图像。为增强网络对超声图像特征纵横比的学习,在保持长宽比不变下,将步骤二UNet分割结果得到结节ROI大小调整为224*224,将其作为MVCNN第二分支的输入图像。
步骤4.2:获得三分支多特征卷积神经网络MVCNN进行良恶性分类的第一分支的输入图像。考虑到良恶性结节内部和周围甲状腺实质的超声差异,将步骤4.1得到的结节ROI按1.5倍大小裁剪,将其作为MVCNN第一分支的输入图像。
步骤4.3:获得三分支多特征卷积神经网络MVCNN进行良恶性分类的第三分支的输入图像。考虑到良恶性结节边界和边缘的差异,为增强网络对于边缘的学习,将步骤4.1得到的结节轮廓线扩张得到带状区域,将其作为MVCNN第三分支的输入图像。
步骤4.4:分别利用步骤4.1、步骤4.2及步骤4.3获得的输入图像对超声甲状腺结节分类网络进行训练及测试,网络结构均采用SE-ResNet50。
步骤4.5:根据步骤4.4中三个分支网络对甲状腺结节的分类准确率,为三分支多特征卷积神经网络结构中每个分支的特征赋予权重。其中,准确率越高的分支,特征权重越大,权重和为1。
步骤4.6:将步骤4.5中三个分支网络的特征通过全连接层连接和融合,完成构建三分支多特征卷积神经网络结构MVCNN。
步骤4.7:基于步骤4.6构建的三分支多特征卷积神经网络MVCNN,结合步骤4.1、步骤4.2及步骤4.3获得的输入图像对超声甲状腺结节良恶性分类网络进行训练及测试,网络结构均采用SE-ResNet50,结节分类输出结果为0(良性)或1(恶性),实现甲状腺结节良恶性识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556851.4A CN113314215A (zh) | 2021-05-21 | 2021-05-21 | 超声甲状腺结节样例丰富及良恶性自动辅助识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556851.4A CN113314215A (zh) | 2021-05-21 | 2021-05-21 | 超声甲状腺结节样例丰富及良恶性自动辅助识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113314215A true CN113314215A (zh) | 2021-08-27 |
Family
ID=77374027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110556851.4A Withdrawn CN113314215A (zh) | 2021-05-21 | 2021-05-21 | 超声甲状腺结节样例丰富及良恶性自动辅助识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113314215A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706517A (zh) * | 2021-09-01 | 2021-11-26 | 什维新智医疗科技(上海)有限公司 | 一种基于gulbp算子的结节良恶性判断装置 |
CN114898866A (zh) * | 2022-05-24 | 2022-08-12 | 广州锟元方青医疗科技有限公司 | 一种甲状腺细胞辅助诊断方法、设备和存储介质 |
CN116386848A (zh) * | 2023-03-10 | 2023-07-04 | 王子骁 | 基于ai技术的多维度甲状腺结节精准化评价系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875818A (zh) * | 2018-06-06 | 2018-11-23 | 西安交通大学 | 基于变分自编码机与对抗网络结合的零样本图像分类方法 |
CN112364920A (zh) * | 2020-11-12 | 2021-02-12 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
CN112820399A (zh) * | 2021-01-26 | 2021-05-18 | 北京小白世纪网络科技有限公司 | 自动诊断甲状腺结节良恶性的方法及装置 |
-
2021
- 2021-05-21 CN CN202110556851.4A patent/CN113314215A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875818A (zh) * | 2018-06-06 | 2018-11-23 | 西安交通大学 | 基于变分自编码机与对抗网络结合的零样本图像分类方法 |
CN112364920A (zh) * | 2020-11-12 | 2021-02-12 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
CN112820399A (zh) * | 2021-01-26 | 2021-05-18 | 北京小白世纪网络科技有限公司 | 自动诊断甲状腺结节良恶性的方法及装置 |
Non-Patent Citations (3)
Title |
---|
TIANJIAO LIU,ET AL.: "Automated detection and classification of thyroid nodules in ultrasound images using clinical-knowle dge-guide d convolutional neural networks", 《MEDICAL IMAGE ANALYSIS》 * |
张佳嘉等: "多分支卷积神经网络肺结节分类方法及其可解释性", 《计算机科学》 * |
林岚等: "深度学习算法在甲状腺超声图像结节良恶性分类中的应用", 《医疗卫生装备》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706517A (zh) * | 2021-09-01 | 2021-11-26 | 什维新智医疗科技(上海)有限公司 | 一种基于gulbp算子的结节良恶性判断装置 |
CN113706517B (zh) * | 2021-09-01 | 2024-05-24 | 什维新智医疗科技(上海)有限公司 | 一种基于gulbp算子的结节良恶性判断装置 |
CN114898866A (zh) * | 2022-05-24 | 2022-08-12 | 广州锟元方青医疗科技有限公司 | 一种甲状腺细胞辅助诊断方法、设备和存储介质 |
CN114898866B (zh) * | 2022-05-24 | 2024-03-15 | 广州锟元方青医疗科技有限公司 | 一种甲状腺细胞辅助诊断方法、设备和存储介质 |
CN116386848A (zh) * | 2023-03-10 | 2023-07-04 | 王子骁 | 基于ai技术的多维度甲状腺结节精准化评价系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113314215A (zh) | 超声甲状腺结节样例丰富及良恶性自动辅助识别系统 | |
CN109447940B (zh) | 卷积神经网络训练方法、超声图像识别定位方法及系统 | |
CN107451615A (zh) | 基于Faster RCNN的甲状腺乳头状癌超声图像识别方法及系统 | |
CN109949297B (zh) | 基于Reception和Faster R-CNN的肺结节检测方法 | |
CN109064455B (zh) | 一种基于bi-rads的乳腺超声图像多尺度融合的分类方法 | |
CN113610859B (zh) | 一种基于超声图像的甲状腺结节自动分割方法 | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN112651450B (zh) | 一种基于多示例深度学习的医学图像分类方法 | |
CN112348830B (zh) | 基于改进3D U-Net的多器官分割方法 | |
CN113223004A (zh) | 一种基于深度学习的肝脏图像分割方法 | |
CN112381846A (zh) | 一种基于非对称网络的超声甲状腺结节分割方法 | |
CN113343755A (zh) | 红细胞图像中的红细胞分类系统及方法 | |
CN113033667B (zh) | 一种超声图像两阶段深度学习的乳腺肿瘤分类方法和装置 | |
Hao et al. | Vp-detector: A 3d multi-scale dense convolutional neural network for macromolecule localization and classification in cryo-electron tomograms | |
CN111724356B (zh) | 一种用于ct影像肺炎识别的图像处理方法和系统 | |
Nie et al. | Semantic-guided encoder feature learning for blurry boundary delineation | |
CN114898147A (zh) | 一种基于双端多注意力学习的新冠肺炎胸片图像分类系统 | |
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 | |
CN116524315A (zh) | 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法 | |
CN115409812A (zh) | 一种基于融合时间注意机制的ct图像自动分类方法 | |
CN115147303A (zh) | 一种基于掩膜引导的二维超声医学图像修复方法 | |
CN114565626A (zh) | 基于PSPNet改进的肺部CT图像分割算法 | |
Nalla et al. | Influence of Convolutional Neural Network Depth on the Efficacy of Automated Breast Cancer Screening Systems | |
CN114418949A (zh) | 基于三维u型网络与通道注意力的肺结节检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210827 |
|
WW01 | Invention patent application withdrawn after publication |