CN113344864A - 一种基于深度学习的超声甲状腺结节良恶性预测方法 - Google Patents
一种基于深度学习的超声甲状腺结节良恶性预测方法 Download PDFInfo
- Publication number
- CN113344864A CN113344864A CN202110557852.0A CN202110557852A CN113344864A CN 113344864 A CN113344864 A CN 113344864A CN 202110557852 A CN202110557852 A CN 202110557852A CN 113344864 A CN113344864 A CN 113344864A
- Authority
- CN
- China
- Prior art keywords
- nodule
- ultrasonic
- image
- neural network
- network
- 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
- 208000009453 Thyroid Nodule Diseases 0.000 title claims abstract description 33
- 208000024770 Thyroid neoplasm Diseases 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003211 malignant effect Effects 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006872 improvement Effects 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 description 12
- 238000011176 pooling Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004195 computer-aided diagnosis Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 210000001685 thyroid gland Anatomy 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method 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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明具体涉及一种基于深度学习的超声甲状腺结节良恶性预测方法。包括以下步骤:S1:采集超声结节图像样本,对超声结节图像样本进行预处理;所述预处理包括图像样本质量改进、图像样本标注数据;S2:基于图像样本标注数据训练深度神经网络;S3:将训练完成的深度神经网络用于实时超声图像,得到分割完成的结节区域图像;S4:基于分割完成的结节区域图像通过结节判定的数据库,标注结节类型,作为结节预测模型的训练样本;S5:采用前馈神经网络,使用已标注的样本数据作为训练集网络,通过特征选择计算准确率和召回率,反复迭代进行学习训练,选取评估结果最好的网络模型进行输出;S6:基于训练完成的网络模型,预测甲状腺结节的类型。
Description
技术领域
本发明涉及本发明涉及智慧医疗领域,具体涉及一种基于深度学习的超声甲状腺结节良恶性预测方法。
背景技术
在甲状腺结节的临床治疗过程中,甲状腺结节良恶性的鉴别是甲状腺结节诊治的基础目前,穿刺检查和病理检查是鉴别甲状腺结节良恶性的主要手段但是,穿刺检查和病理检查具有损伤性,对患者的正常甲状腺组织造成破坏。因此,如何有效地利用无损伤的超声检查结果来预测甲状腺结节良恶性,对于甲状腺结节诊治具有重要的意义。
为了帮助医生提高临床诊断的准确性,让患者避免不必要的检查过程,降低患者误诊率,近年来越来越多的学者试图通过机器学习专家系统等人工智能方法进行甲状腺结节良恶性鉴别,深度学习技术是机器学习领域中最新研究成果,通过构建具有很多隐藏层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性,因此,与传统的机器学习方法相比,利用深度学习来学习特征,更能够刻画数据丰富的内在信息,并展现出强大的从样本集中学习数据集本质特征的能力。
发明内容
为了解决上述问题,本发明的目的是针对现有技术中传统图像分割算法效果不理想、计算机辅助诊断准确度不高的问题,提供了一种基于深度学习的超声甲状腺结节良恶性预测方法。
为了实现以上目的,本发明采取的一种技术方案是:
一种基于深度学习的超声甲状腺结节良恶性预测方法,包括以下步骤:S1:采集超声结节图像样本,对超声结节图像样本进行预处理;所述预处理包括图像样本质量改进、图像样本标注数据;S2:基于图像样本标注数据训练深度神经网络;S3:将训练完成的深度神经网络用于实时超声图像,得到分割完成的结节区域图像;S4:基于分割完成的结节区域图像通过结节判定的数据库,标注结节类型,作为结节预测模型的训练样本;S5:采用前馈神经网络,使用已标注的样本数据作为训练集网络,通过特征选择计算准确率和召回率,反复迭代进行学习训练,选取评估结果最好的网络模型进行输出;S6:基于训练完成的网络模型,预测甲状腺结节的类型。
进一步地,所述S2中,深度神经网络采用U-Net网络。
进一步地,所述S5中,前馈神经网络采用卷积神经网络。
本发明的上述技术方案相比现有技术具有以下优点:
本发明提出了一种基于深度学习的超声甲状腺结节良恶性预测方法,重点突破基于深度学习的超声甲状腺结节的分割、基于卷积神经网络的超声甲状腺结节良恶性预测等关键技术,有效解决传统图像分割算法效果不理想、计算机辅助诊断准确度不高的问题,为构建高效的超声甲状腺结节计算机辅助诊断系统奠定技术基础。
附图说明
图1为本发明的流程方法示意图;
图2为本发明的结节的Ground Truth和U-Net分割结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图1,对本发明作进一步地详细描述。
本实施例提供了一种基于深度学习的超声甲状腺结节良恶性预测方法,如图1所示,包括以下步骤:S1:采集超声结节图像样本,对超声结节图像样本进行预处理;所述预处理包括图像样本质量改进、图像样本标注数据;S2:基于图像样本标注数据训练深度神经网络;S3:将训练完成的深度神经网络用于实时超声图像,得到分割完成的结节区域图像;S4:基于分割完成的结节区域图像通过结节判定的数据库,标注结节类型,作为结节预测模型的训练样本;S5:采用前馈神经网络,使用已标注的样本数据作为训练集网络,通过特征选择计算准确率和召回率,反复迭代进行学习训练,选取评估结果最好的网络模型进行输出;S6:基于训练完成的网络模型,预测甲状腺结节的类型。
S2中,深度神经网络采用U-Net网络。S5中,前馈神经网络采用卷积神经网络。
随着深度学习的兴起和大力发展,不同结构的神经网络在图像分割上的应用取得了巨大的进展,并且性能远超传统的分割方法。因为神经网络本质上是数量庞大的神经元根据某种特定的方式互相连接,所以很容易在提取特征的同时引入图像中的空间信息,解决了大部分传统分割方法束手无策的噪声和不均匀问题。本发明采用一个改进分割网络U-Net,不仅性能更优,甚至在数据集十分有限的情况下也能得到可观的分割结果。
U-Net是基于全卷积网络(Fully Convolutional Networks,FCN)的一种改进的全卷积网络,,它包括两大部分:特征提取和上采样部分。可以看到网络结构就像大写的字母U,所以得名U-Net。特征提取部分包括4个重复的卷积和最大池化(Max Pooling)操作,图像每经过一个池化层就增加了一个尺度,这样包括原图一共就有5个尺度。上采样部分重复的卷积操作是为了将特征通道的数量减半,网络每做一次上采样,就将得到的特征图和下采样部分相同大小的特征图做拼接操作。在最后一层,使用1×1卷积和Sigmoid激活函数得到概率热图。所以网络共包含4个池化层和4个上采样层。
可以看出U-Net相较于FCN的改进之处在于结合了多尺度的特征信息:上采样阶段结合了特征提取部分的特征图信息。并且前人经验表明它即使在偏小的数据集上也能得到较好的性能,所以本文选择U-Net网络作为分割实验的基础网络结构。
步骤2:基于CNN的超声甲状腺结节良恶性预测
卷积神经网络(Convolutional Neural Networks,CNN)是一类具有卷积计算和深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习的代表算法之一。CNN在处理图片分类问题上十分优秀,在处理甲状腺结节的B超图片分类问题上,有很强的适用性。卷积神经网络主要由五个部分组成,输入层、卷积层、池化层、全连接层Softmax层。
(1)卷积层
卷积层则是卷积神经网络中最为重要的一部分,其中的每个结点的输入,都只是上一层神经网络的一小块区域与卷积核卷积运算的结果。通过卷积运算,从而得到抽象程度更高的特征。卷积层的核心是卷积操作,对于一个大小是n×n的输入以及大小为k×k的卷积核,如果步长大小s,则输出特征图的大小为:此外,可根据需要将周围补0,以得到和输入特征图同样大小的输出特征图。
在卷积层中,用一个可学习的卷积核与上一层的若干个特征图进行卷积,然后通过一个激活函数f,如Sigmoid函数、Tanh函数、Relu函数等,利用公式(1)就可以得到相应的输出特征。
(2)池化层
池化层的主要作用是改变输入矩阵的大小,但不会改变输入矩阵的深度。通过池化层可以缩小下一层结点的输入个数,从而减少整个神经网络中的参数,在一定程度上降低过拟合的程度。
池化操作其特征图的个数与相邻前一层卷积层特征图的个数相同,但特征图变小,输出的特征可用于公式(2)计算。
通过过卷积层和池化层的处理,相当于自动完成图像特征提取的过程,在经过几次卷积层和池化层的处理,则可以认为己经完成了图像特征的提取。
(3)Softmax分类器
最后还需要通过全连接层来完成分类的任务,Softmax层通常在最后一层完成图片的分类和结果的归一化,它把全连接层的输出转化成一个概率分布,其中的每个元素是一个0到1的数值,代表输入数据是该类别的概率。假设数据集中共k中类别,则对于给定的输入X,其对应的正确类别y有y∈{1,2,…k},为了计算它属于每一个类别的概率p(y=j|X),Softmax分类器输出一个k维向量来表示它,如下式(3)所示。
Y=P(Jmin|X;(W,b)) (4)
其中,J是网络的损失函数,训练网络是通过逐层计算不断更新网络的参数,以达到最小化J的目的。
本发明实验训练网络采用的数据集是超声甲状腺病例。每个病例包含一张超声甲状腺图像和一个记录图像各种信息的文件,其中的信息包含了医生手动描绘的每个结节边缘的一系列坐标点(本发明实验的Ground Truth)、各项病症的标签和结节的良恶性诊断结果(后续分类实验的标准)等。整个数据集包含1836个真实的甲状腺结节,形状大小均有很大不同。
通过U-Net网络,得到分割效果图如下图2所示,和GroundTruth相比,U_Net可以准确地描绘出结节的大致形状。
完成所有结节区域分割后,对所有结节图像1836张B超图片的结节区域做了打标处理,主要是根据医生给出的良恶性诊断结果来达标,其中1500张以及预处理增广后的图像用作训练集,剩下的336张用作测试集。然后使用CNN模型进行训练,其识别结果如下表1所示,基本达到临床诊断水平。
表1基于U-Net+CNN的甲状腺结节诊断实验结果表
模型 | 准确率(%) | 召回率(%) |
U-Net+CNN | 89.63 | 80.14 |
由于诊断的最终结果基于结节区域的分割,因此,后续打算将分割和诊断联合,进一步优化模型结果,从而进一步提高结节的诊断水平。
本发明提出了一种基于深度学习的超声甲状腺结节良恶性预测方法,重点突破基于深度学习的超声甲状腺结节的分割、基于卷积神经网络的超声甲状腺结节良恶性预测等关键技术,有效解决传统图像分割算法效果不理想、计算机辅助诊断准确度不高的问题,为构建高效的超声甲状腺结节计算机辅助诊断系统奠定技术基础。
以上所述仅为本发明的示例性实施例,并非因此限制本发明专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (3)
1.一种基于深度学习的超声甲状腺结节良恶性预测方法,其特征在于,包括以下步骤:
S1:采集超声结节图像样本,对超声结节图像样本进行预处理;所述预处理包括图像样本质量改进、图像样本标注数据;
S2:基于图像样本标注数据训练深度神经网络;
S3:将训练完成的深度神经网络用于实时超声图像,得到分割完成的结节区域图像;
S4:基于分割完成的结节区域图像通过结节判定的数据库,标注结节类型,作为结节预测模型的训练样本;
S5:采用前馈神经网络,使用已标注的样本数据作为训练集网络,通过特征选择计算准确率和召回率,反复迭代进行学习训练,选取评估结果最好的网络模型进行输出;
S6:基于训练完成的网络模型,预测甲状腺结节的类型。
2.根据权利要求1所述的基于深度学习的超声甲状腺结节良恶性预测方法,其特征在于,所述S2中,深度神经网络采用U-Net网络。
3.根据权利要求1所述的基于深度学习的超声甲状腺结节良恶性预测方法,其特征在于,所述S5中,前馈神经网络采用卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557852.0A CN113344864A (zh) | 2021-05-21 | 2021-05-21 | 一种基于深度学习的超声甲状腺结节良恶性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557852.0A CN113344864A (zh) | 2021-05-21 | 2021-05-21 | 一种基于深度学习的超声甲状腺结节良恶性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344864A true CN113344864A (zh) | 2021-09-03 |
Family
ID=77470561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110557852.0A Pending CN113344864A (zh) | 2021-05-21 | 2021-05-21 | 一种基于深度学习的超声甲状腺结节良恶性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344864A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689927A (zh) * | 2021-10-26 | 2021-11-23 | 湖北经济学院 | 一种基于深度学习模型的超声图像处理方法及装置 |
CN113842166A (zh) * | 2021-10-25 | 2021-12-28 | 上海交通大学医学院 | 基于超声影像设备的超声图像采集方法以及相关装置 |
CN114187281A (zh) * | 2021-12-14 | 2022-03-15 | 数坤(北京)网络科技股份有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
CN114529759A (zh) * | 2022-01-25 | 2022-05-24 | 北京医准智能科技有限公司 | 一种甲状腺结节的分类方法、装置及计算机可读介质 |
CN114926486A (zh) * | 2022-05-12 | 2022-08-19 | 哈尔滨工业大学人工智能研究院有限公司 | 一种基于多层级改进的甲状腺超声图像智能分割方法 |
CN116129298A (zh) * | 2022-11-15 | 2023-05-16 | 脉得智能科技(无锡)有限公司 | 基于时空记忆网络的甲状腺视频流结节识别系统 |
CN116681790A (zh) * | 2023-07-18 | 2023-09-01 | 脉得智能科技(无锡)有限公司 | 一种超声造影图像生成模型的训练方法及图像的生成方法 |
CN117422927A (zh) * | 2023-11-09 | 2024-01-19 | 什维新智医疗科技(上海)有限公司 | 一种乳腺超声图像分类方法、系统、电子设备及介质 |
-
2021
- 2021-05-21 CN CN202110557852.0A patent/CN113344864A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113842166A (zh) * | 2021-10-25 | 2021-12-28 | 上海交通大学医学院 | 基于超声影像设备的超声图像采集方法以及相关装置 |
CN113689927A (zh) * | 2021-10-26 | 2021-11-23 | 湖北经济学院 | 一种基于深度学习模型的超声图像处理方法及装置 |
CN114187281A (zh) * | 2021-12-14 | 2022-03-15 | 数坤(北京)网络科技股份有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
CN114529759A (zh) * | 2022-01-25 | 2022-05-24 | 北京医准智能科技有限公司 | 一种甲状腺结节的分类方法、装置及计算机可读介质 |
CN114529759B (zh) * | 2022-01-25 | 2023-01-17 | 北京医准智能科技有限公司 | 一种甲状腺结节的分类方法、装置及计算机可读介质 |
CN114926486A (zh) * | 2022-05-12 | 2022-08-19 | 哈尔滨工业大学人工智能研究院有限公司 | 一种基于多层级改进的甲状腺超声图像智能分割方法 |
CN114926486B (zh) * | 2022-05-12 | 2023-02-07 | 哈尔滨工业大学人工智能研究院有限公司 | 一种基于多层级改进的甲状腺超声图像智能分割方法 |
CN116129298A (zh) * | 2022-11-15 | 2023-05-16 | 脉得智能科技(无锡)有限公司 | 基于时空记忆网络的甲状腺视频流结节识别系统 |
CN116129298B (zh) * | 2022-11-15 | 2023-11-24 | 脉得智能科技(无锡)有限公司 | 基于时空记忆网络的甲状腺视频流结节识别系统 |
CN116681790A (zh) * | 2023-07-18 | 2023-09-01 | 脉得智能科技(无锡)有限公司 | 一种超声造影图像生成模型的训练方法及图像的生成方法 |
CN116681790B (zh) * | 2023-07-18 | 2024-03-22 | 脉得智能科技(无锡)有限公司 | 一种超声造影图像生成模型的训练方法及图像的生成方法 |
CN117422927A (zh) * | 2023-11-09 | 2024-01-19 | 什维新智医疗科技(上海)有限公司 | 一种乳腺超声图像分类方法、系统、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344864A (zh) | 一种基于深度学习的超声甲状腺结节良恶性预测方法 | |
CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
CN110084318B (zh) | 一种结合卷积神经网络和梯度提升树的图像识别方法 | |
Birenbaum et al. | Longitudinal multiple sclerosis lesion segmentation using multi-view convolutional neural networks | |
CN112270666A (zh) | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
CN111488914A (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
CN112529042A (zh) | 一种基于双重注意力多示例深度学习的医学图像分类方法 | |
CN104881680A (zh) | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 | |
CN106780453A (zh) | 一种基于深度信任网络实现对脑肿瘤分割的方法 | |
CN113693563B (zh) | 一种基于超图注意力网络的脑功能网络分类方法 | |
Ibraheem et al. | 3PCNNB-net: Three parallel CNN branches for breast cancer classification through histopathological images | |
CN114864076A (zh) | 基于图注意力网络的多模态乳腺癌分类训练方法及系统 | |
WO2021243783A1 (zh) | 一种提取b超图像显著纹理特征的方法及其应用 | |
CN111598894A (zh) | 基于全局信息卷积神经网络的视网膜血管图像分割系统 | |
Ramamurthy et al. | Deep learning based genome analysis and NGS-RNA LL identification with a novel hybrid model | |
Aslan | A hybrid end-to-end learning approach for breast cancer diagnosis: convolutional recurrent network | |
CN105957092B (zh) | 用于计算机辅助诊断的乳腺钼靶图像特征自学习提取方法 | |
CN111709446A (zh) | 基于改进的密集连接网络的x线胸片分类装置 | |
CN117975170B (zh) | 基于大数据的医疗信息处理方法及系统 | |
CN116664911A (zh) | 一种基于可解释深度学习的乳腺肿瘤图像分类方法 | |
Tsai et al. | Machine learning based common radiologist-level pneumonia detection on chest X-rays | |
Malibari et al. | Artificial intelligence based prostate cancer classification model using biomedical images | |
Agarwal et al. | A Novel Hybrid System of Detecting Brain Tumors in MRI | |
Subramanian et al. | Design and Evaluation of a Deep Learning Aided Approach for Kidney Stone Detection in CT scan Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |