CN113855079A - 基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法 - Google Patents
基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法 Download PDFInfo
- Publication number
- CN113855079A CN113855079A CN202111093241.1A CN202111093241A CN113855079A CN 113855079 A CN113855079 A CN 113855079A CN 202111093241 A CN202111093241 A CN 202111093241A CN 113855079 A CN113855079 A CN 113855079A
- Authority
- CN
- China
- Prior art keywords
- breast
- real
- image
- training
- data
- 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
- 210000000481 breast Anatomy 0.000 title claims abstract description 54
- 208000030270 breast disease Diseases 0.000 title claims abstract description 42
- 238000011897 real-time detection Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 230000003902 lesion Effects 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 22
- 238000002604 ultrasonography Methods 0.000 claims description 16
- 230000003211 malignant effect Effects 0.000 claims description 14
- 201000010099 disease Diseases 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 10
- 230000003416 augmentation Effects 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 210000005075 mammary gland Anatomy 0.000 description 10
- 206010006187 Breast cancer Diseases 0.000 description 6
- 208000026310 Breast neoplasm Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010058314 Dysplasia Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 201000000079 gynecomastia Diseases 0.000 description 1
- 208000027866 inflammatory disease Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002445 nipple Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种一种基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法,包括:收集乳腺超声检查时的视频数据,对视频数据进行预处理后,输入至yolov5网络进行训练,得到实时检测模型;根据得到的实时检测模型,对每个病例筛选出乳腺病灶图像,并进行预处理,训练基于EfficientNetV2‑L网络的多视角乳腺疾病分类模型;将乳腺疾病实时检测的回波形成实时的视频,输入到实时检测模型中,将置信度大于一阈值的病灶图输出;对于存在的存在可疑病灶图,进行病灶的大小提醒,如果无病灶则输出预测报告;将病灶图片输入到乳腺疾病分类模型中,预测乳腺疾病的类型和置信度,并输出相关信息。本发明能够协助医生进行乳腺病变的筛查工作,提高了诊断效率和准确率。
Description
技术领域
本发明涉及乳腺超声筛查领域,尤其涉及到一种基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法。
背景技术
乳腺疾病是指源于乳腺腺体、脂肪、淋巴、血管、乳头等乳腺相关组织的疾病。乳腺疾病包括乳腺炎症性疾病、乳腺良性病变、乳腺恶性肿瘤、先天发育异常及男性乳腺发育等。其中乳腺癌在中国年发病约27万,在中国女性的恶性肿瘤排行榜中列第一,而且有年轻化的趋势。中国政府在10多年前就设立了包括乳腺癌在内的“两癌筛查”项目,每年为全体适龄妇女提供免费筛查福利。但是,受限于医疗影像医师不足的原因,每年受惠的妇女人次仅是200万左右,缺口巨大。随着生活压力的逐渐增大,出现乳腺疾病多发、早发等现象,及时发现并治疗有助于患者的康复。定期做乳腺检查,是预防乳腺癌最有效的方式。实际上,当下中国女性早期乳腺癌中I期检出率仅有20%至25%,患者5年生存率只有80%左右。而若在乳腺癌早期阶段发现并及早接受规范化治疗,患者的5年无病生存率可达95%,II期患者5年存活率也能达到80%以上。
“实时识别病变”是目前医生对乳腺疾病超声筛查最大的要求。超声检测的难点在于图像采集与阅片需要同时完成。此外,相较于磁共振、CT和心电图等检查结果,超声影像大多是依靠医生采集的不同切面的动态图像进行诊断的,对超声医生个人的操作技术水平要求比较高,目前尚缺少相应的辅助分析技术。
发明内容
本发明的目的在于提供一种基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法,用于解决上述现有技术中缺乏诊断辅助技术的问题。
本发明一种基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法,其中,包括:收集乳腺超声检查时的视频数据,对视频数据进行预处理后,输入至yolov5网络进行训练,得到实时检测模型;根据得到的实时检测模型,对每个病例筛选出乳腺病灶图像,并进行预处理,训练基于EfficientNetV2-L网络的多视角乳腺疾病分类模型;将乳腺疾病实时检测的回波形成实时的视频,输入到实时检测模型中,将置信度大于一阈值的病灶图输出;对于存在的存在可疑病灶图,进行病灶的大小提醒,如果无病灶则输出预测报告;将病灶图片输入到乳腺疾病分类模型中,预测乳腺疾病的类型和置信度,并输出相关信息。
根据上述方法的一实施例,其中,收集乳腺超声检查时的视频数据,对数据进行预处理后,输入至yolov5网络进行训练,得到实时检测模型包括:步骤1:收集一定数量的乳腺超声检查的视频数据,视频数据中良性病变和恶性病变图像的比例大体为1:1;步骤2:视频数据中每隔一秒抽取一帧图像并缩放,组成检测的图像数据集,通过分别框出有病灶的区域和标记对应病灶的类别确定图像数据集的标签,病灶的类别由病理切片作为标准,包括良性和恶性;步骤3:对图像数据集进行预处理;步骤4:将预处理后的图像数据集输入到yolov5网络中进行训练,得到实时检测模型。
根据上述方法的一实施例,其中,步骤1中,收集1100个乳腺超声检查时的视频数据,视频数据包括乳腺疾病例和无乳腺疾病例比例为10比1。
根据上述方法的一实施例,其中,步骤2中,视频中每隔一秒抽取一帧,并调整图像尺寸为512*512,每张图像的标签保存格式为[类别,xmin,ymin,xmax,ymax],其中(xmin,ymin)为图像的左上角坐标,(xmax,ymax)为右下角坐标。
根据上述方法的一实施例,其中,yolov5网络进行训练时,每次用四份图像作为训练,一份图像作为验证。
根据上述方法的一实施例,其中,数据增强包括:裁剪、旋转、平移、缩放、色彩空间调整、马赛克增广、自对抗训练增广、多图组合、混合增强MixUp、随机遮挡Cutout以及图像遮挡。
根据上述方法的一实施例,其中,根据得到的实时检测模型,对每个病例筛选出乳腺病灶图像包括:对检测模型的数据进行筛选,对每个病例筛选出4个不同角度乳腺病灶图像,且四张图像之间存在一定的角度差异,四张图像为一组,构成一个四通道的图像,然后将图像缩放,得到乳腺病灶图像。
根据上述方法的一实施例,其中,数据预处理包括:对四通道的添加标签的图像进行数据增强包括:使用随机擦除,随机遮挡Cutout,随机隐藏补丁Hide and Seek,网格遮挡Grid Mask,混合增强MixUp,混合遮挡CutMix,马赛克增强,几何畸变与光照畸变;将数据增强后的图像随机分成五份,训练EfficientNetV2-L网络权重时每次都用四份图像数据作为训练,一份图像数据作为验证。
根据上述方法的一实施例,其中,训练基于EfficientNetV2-L网络的多视角乳腺疾病分类模型,包括:将预处理后的数据输入到EfficientNetV2-L网络中训练,训练参数为epochs=420,学习率=0.0001,类别=3,batchsize=32,损失函数为交叉熵,经过420次循环迭代和五折交叉验证训练之后得到乳腺疾病分类模型。
根据上述方法的一实施例,其中,输出相关信息包括:输出病灶图片和乳腺疾病的类型和置信度的辅助诊断报告。
本发明采用上述基于乳腺超声影像的实时检测和乳腺疾病分析方法,可识别出乳腺超声检查图像中是否存在疑似乳腺疾病区域,同时精确标识、显示病灶大小、类型,并对疑似病灶进行评分,从而协助医生进行乳腺病变的筛查工作,提高了诊断效率和准确率,可以有效平衡我国医疗资源分布不均衡的问题。
附图说明
图1为本发明基于超声图像乳腺疾病实时检测模型训练图;
图2为本发明基于超声图像乳腺疾病分类模型训练图;
图3为本发明乳腺超声影像的实时检测和乳腺疾病分析工作流程图;
图4为本发明的实施例一种基于乳腺超声影像的实时检测和乳腺疾病分析系统效果图。
图4左边为一个良性的乳腺病灶,右边为一个恶性的乳腺病灶,标记框图中框显示。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
如图1所示,本发明使用一种基于yolov5的乳腺病灶实时检测网络,其中包括数据准备,数据预处理,数据训练和数据验证。
步骤1:首先需要收集1100个乳腺超声检查时的视频数据,其中包含存在乳腺疾病1000例和无乳腺疾病100例,需要保证良性病变和恶性病变之间的比例为1:1;
步骤2:然后视频中每隔一秒抽取一帧并缩放到512*512,作为检测的数据集,获得的图像数据集标签是由两位有经验的超声科医生分别框出有病灶的区域和标记对应病灶的类别,当两位医生标注结果不一致的时,采用第三个医生进行评审,疾病的类别由病理切片作为标准,如图4所示,每张图像的标签保存格式为[类别,xmin,ymin,xmax,ymax],其中(xmin,ymin)为左上角坐标,(xmax,ymax)为右下角坐标,类别包括良性、恶性,在训练yolov5时候,本发明的良恶性病灶的类别均为1,其中没有病灶的标记为[none,0,0,1,1]。由于数据中大量的是没有病灶的图像,为了保证数据的均衡性,从而使得模型效果最优,本发明保留全部的有病灶图像,且数据比例是有病灶图像:无病灶图像=1:1。
步骤3:然后进行数据预处理,数据预处理的部分包含数据增强和五折交叉验证,首先将图像数据随机分成五份,训练yolov5时每次都用4份数据作为训练1份数据作为验证,数据增强包括:裁剪、旋转、平移、缩放、色彩空间调整、马赛克增广、自对抗训练增广、多图组合、混合增强MixUp、随机遮挡Cutout、图像遮挡。
步骤4:将预处理的数据输入到yolov5网络中进行训练,训练参数为:epochs(训练集中的所有样本训练次数)=60,num_workers(子进程数)=4,学习率=0.0001,类别=1,batchsize(一次迭代使用的样本数)=32,损失函数=Giou_loss,经过60次循环迭代和五折交叉验证训练之后得到实时检测模型1,调整网络参数,保证检出率达到95%以上,过程如图1所示。
在图2中,本发明训练一种基于EfficientNetV2-L网络的多视角乳腺疾病分类模型,训练过程包括数据准备,数据预处理,数据训练和数据验证。
步骤1:首先需要从是实时检测模型1中的数据进行筛选,因为已经做好了良恶性分类,只需要针对每个病例进行筛选出4个不同角度乳腺病灶图像,需要尽量保证四张图之间存在较大的角度差异,以便达到更好的分辨效果。因此可以通过上面手段获得500*4个恶性病变图像,500*4个良性病变图像,为了更好的分类,也从图像中找到500*4张正常的图像,数据均衡可以有效增加算法的鲁棒性,其中4个角度数据为一组,构成一个4通道的图像,然后将图像缩放成1024*1024*4。
步骤2:数据预处理,标注好的数据,即500个良性四通道图像、500个恶性四通道图像和500个正常四通道图像进行数据增强,使用随机擦除,随机遮挡Cutout,随机隐藏补丁Hide and Seek,网格遮挡Grid Mask,混合增强MixUp,混合遮挡CutMix,马赛克增强,几何畸变与光照畸变,之后将据增强后的数据随机分成5份,训练EfficientNetV2-L网络权重时每次都用4份数据作为训练1份数据作为验证;
步骤3:数据训练,将预处理数据输入到EfficientNetV2-L网络中训练,训练参数为epochs=420,学习率=0.0001,类别=3,batchsize=32,训练得到分类模型2,损失函数为交叉熵,经过420次循环迭代和五折交叉验证训练之后得到乳腺疾病分类模型2,过程如图2所示。
在图3中,本发明的乳腺超声影像实时检测和乳腺疾病分析方法的工作流程图。
步骤1:乳腺疾病实时检测,超声科医生开始在乳腺上进行检查时,超声波的回波会形成实时的视频,为了达到实时检测,首先将视频的每一帧缩放成512*512的图像;然后输入到实时检测模型1中,将置信度大于0.3的病灶实时显示到屏幕上,检测框可以达到实时给医生起到提示的作用,医生可以根据屏幕的实时提醒可以更好的对乳腺疾病的诊断。
步骤2:手动选择多视角病灶图,如果存在可疑病灶,需要提醒医生病灶的大小,然后医生根据经验保存病灶不同角度的4张有乳腺病灶图,如果是N个病灶,则保存4*N张有乳腺病灶图,N<5的正整数,将获得的有病灶的图像缩放成1024*1024*4。如果无病灶则输出诊断报告。
步骤3:病灶区域分类,待乳腺检查完毕后,将病灶图片输入到乳腺疾病分类模型2中,预测乳腺疾病的类型和置信度,如果只有恶性病变或只有良性病变,那么输出最大病变图像、精确标识、病变大小、类型和置信度;如果既有恶性又有良性的病变,那么则输出最大恶性病变图像、精确标识、病变大小、类型和置信度。
步骤4:输出图像和测量的结果输出为辅助诊断报告
本发明一种基于乳腺超声影像的实时检测和乳腺疾病分析方法,包括实时检测模型的训练、疾病分类模型训练和模型的验证。本发明中为了能够实时检测病灶的区域,使用的是yolov5(You only look once:yolo,v5为第五版本)的网络作为本发明的实时检测模型,使用yolov5网络训练出的模型能够在普通cpu机器上达到每秒15帧,在带有gpuGTX1080ti的机器上能够达到每秒100帧,因此能够在大部分机器上实现实时检测乳腺病灶。
Yolov5训练出的模型是一种能够检测和分类的网络,本身不作为分类网络有如下三个原因:1.在yolov5模型中添加多分类会增加模型学习的难度,导致降低病灶检测的效果;2.超声科医生在筛查病灶的时候,往往针对一个病灶会查看多角度的形状,才能最终确认乳腺病灶的类型;3.yolov5模型较小,分类能力有限。因此本发明使用EfficientNetV2-L(EfficientNet的第二版本,网络模型参数大:Large)作为疾病分类模型,能够有效解决上述存在的问题,EfficientNetV2-L是一个高准确率和快速的一个分类网络,由于作为本发明的疾病分类模型,所以速度并不需要达到实时的要求,更多需要考虑乳腺病灶不同角度的空间信息,比单独使用单张图像更能精准的分类出乳腺病灶类型。
训练好的实时检测模型和疾病分类模型,本发明最后一步就是验证模型,也即是模型在实际临床上对超声科医生进行辅助诊断。超声科医生在检查乳腺时,通过实时乳腺病灶检测模型,屏幕上能够实时提醒医生可疑病灶的位置和区域,可以有效防止漏诊,同时需要超声科医生对不同角度的可疑病灶图片进行保存,然后使用乳腺病灶分类模型得到病灶的类型和置信度,并且输出辅助诊断报告,报告内容包括:病灶大小,深度,类型以及置信度。可以有效的提醒医生并减少漏诊和误诊。
本发明可识别出乳腺超声检查图像中是否存在疑似乳腺病变区域,同时精确标识、显示病灶大小、类型,并对疑似病灶进行评分,从而协助医生进行乳腺病变的筛查工作,提高了诊断效率和准确率,平衡我国医疗资源分布不均衡的问题。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法,其特征在于,包括:
收集乳腺超声检查时的视频数据,对视频数据进行预处理后,输入至yolov5网络进行训练,得到实时检测模型;
根据得到的实时检测模型,对每个病例筛选出乳腺病灶图像,并进行预处理,训练基于EfficientNetV2-L网络的多视角乳腺疾病分类模型;
将乳腺疾病实时检测的回波形成实时的视频,输入到实时检测模型中,将置信度大于一阈值的病灶图输出;
对于存在的存在可疑病灶图,进行病灶的大小提醒,如果无病灶则输出预测报告;
将病灶图片输入到乳腺疾病分类模型中,预测乳腺疾病的类型和置信度,并输出相关信息。
2.如权利要求1所述的方法,其特征在于,收集乳腺超声检查时的视频数据,对数据进行预处理后,输入至yolov5网络进行训练,得到实时检测模型包括:
步骤1:收集一定数量的乳腺超声检查的视频数据,视频数据中良性病变和恶性病变图像的比例大体为1:1;
步骤2:视频数据中每隔一秒抽取一帧图像并缩放,组成检测的图像数据集,通过分别框出有病灶的区域和标记对应病灶的类别确定图像数据集的标签,病灶的类别由病理切片作为标准,包括良性和恶性;
步骤3:对图像数据集进行预处理;
步骤4:将预处理后的图像数据集输入到yolov5网络中进行训练,得到实时检测模型。
3.如权利要求2所述的方法,其特征在于,步骤1中,收集1100个乳腺超声检查时的视频数据,视频数据包括乳腺疾病例和无乳腺疾病例比例为10比1。
4.如权利要求2所述的方法,其特征在于,步骤2中,视频中每隔一秒抽取一帧,并调整图像尺寸为512*512,每张图像的标签保存格式为[类别,xmin,ymin,xmax,ymax],其中(xmin,ymin)为图像的左上角坐标,(xmax,ymax)为右下角坐标。
5.如权利要求2所述的方法,其特征在于,yolov5网络进行训练时,每次用四份图像作为训练,一份图像作为验证。
6.如权利要求5所述的方法,其特征在于,数据增强包括:裁剪、旋转、平移、缩放、色彩空间调整、马赛克增广、自对抗训练增广、多图组合、混合增强MixUp、随机遮挡Cutout以及图像遮挡。
7.如权利要求1所述的方法,其特征在于,根据得到的实时检测模型,对每个病例筛选出乳腺病灶图像包括:
对检测模型的数据进行筛选,对每个病例筛选出4个不同角度乳腺病灶图像,且四张图像之间存在一定的角度差异,四张图像为一组,构成一个四通道的图像,然后将图像缩放,得到乳腺病灶图像。
8.如权利要求2所述的方法,其特征在于,数据预处理包括:对四通道的添加标签的图像进行数据增强包括:使用随机擦除,随机遮挡Cutout,随机隐藏补丁Hide and Seek,网格遮挡Grid Mask,混合增强MixUp,混合遮挡CutMix,马赛克增强,几何畸变与光照畸变;将数据增强后的图像随机分成五份,训练EfficientNetV2-L网络权重时每次都用四份图像数据作为训练,一份图像数据作为验证。
9.如权利要求1所述的方法,其特征在于,训练基于EfficientNetV2-L网络的多视角乳腺疾病分类模型,包括:将预处理后的数据输入到EfficientNetV2-L网络中训练,训练参数为epochs=420,学习率=0.0001,类别=3,batchsize=32,损失函数为交叉熵,经过420次循环迭代和五折交叉验证训练之后得到乳腺疾病分类模型。
10.如权利要求1所述的方法,其特征在于,输出相关信息包括:输出病灶图片和乳腺疾病的类型和置信度的辅助诊断报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111093241.1A CN113855079A (zh) | 2021-09-17 | 2021-09-17 | 基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111093241.1A CN113855079A (zh) | 2021-09-17 | 2021-09-17 | 基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113855079A true CN113855079A (zh) | 2021-12-31 |
Family
ID=78996486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111093241.1A Pending CN113855079A (zh) | 2021-09-17 | 2021-09-17 | 基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113855079A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757953A (zh) * | 2022-06-15 | 2022-07-15 | 深圳瀚维智能医疗科技有限公司 | 医学超声图像识别方法、设备及存储介质 |
CN114842238A (zh) * | 2022-04-01 | 2022-08-02 | 苏州视尚医疗科技有限公司 | 一种嵌入式乳腺超声影像的识别方法 |
CN115919231A (zh) * | 2022-10-24 | 2023-04-07 | 广州艾普凌智技术有限公司 | 一种基于内镜图像深度卷积网络模型的训练方法,应用及装置 |
CN117392119A (zh) * | 2023-12-07 | 2024-01-12 | 华侨大学 | 基于位置先验和特征感知的肿瘤病变区域检测方法及装置 |
CN117576052A (zh) * | 2023-11-27 | 2024-02-20 | 中国矿业大学 | 一种乳腺x线摄影的病灶诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
CN108665456A (zh) * | 2018-05-15 | 2018-10-16 | 广州尚医网信息技术有限公司 | 基于人工智能的乳腺超声病灶区域实时标注的方法及系统 |
CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
CN111461165A (zh) * | 2020-02-26 | 2020-07-28 | 上海商汤智能科技有限公司 | 图像识别方法、识别模型的训练方法及相关装置、设备 |
CN112446862A (zh) * | 2020-11-25 | 2021-03-05 | 北京医准智能科技有限公司 | 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法 |
CN112862783A (zh) * | 2021-02-08 | 2021-05-28 | 杭州电子科技大学 | 一种基于神经网络的甲状腺ct图像结节自动诊断系统 |
CN112990015A (zh) * | 2021-03-16 | 2021-06-18 | 北京智源人工智能研究院 | 一种病变细胞自动识别方法、装置和电子设备 |
CN113344849A (zh) * | 2021-04-25 | 2021-09-03 | 山东师范大学 | 一种基于YOLOv5的微乳头检测系统 |
-
2021
- 2021-09-17 CN CN202111093241.1A patent/CN113855079A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
US20180276821A1 (en) * | 2015-12-03 | 2018-09-27 | Sun Yat-Sen University | Method for Automatically Recognizing Liver Tumor Types in Ultrasound Images |
CN108665456A (zh) * | 2018-05-15 | 2018-10-16 | 广州尚医网信息技术有限公司 | 基于人工智能的乳腺超声病灶区域实时标注的方法及系统 |
CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
CN111461165A (zh) * | 2020-02-26 | 2020-07-28 | 上海商汤智能科技有限公司 | 图像识别方法、识别模型的训练方法及相关装置、设备 |
CN112446862A (zh) * | 2020-11-25 | 2021-03-05 | 北京医准智能科技有限公司 | 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法 |
CN112862783A (zh) * | 2021-02-08 | 2021-05-28 | 杭州电子科技大学 | 一种基于神经网络的甲状腺ct图像结节自动诊断系统 |
CN112990015A (zh) * | 2021-03-16 | 2021-06-18 | 北京智源人工智能研究院 | 一种病变细胞自动识别方法、装置和电子设备 |
CN113344849A (zh) * | 2021-04-25 | 2021-09-03 | 山东师范大学 | 一种基于YOLOv5的微乳头检测系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842238A (zh) * | 2022-04-01 | 2022-08-02 | 苏州视尚医疗科技有限公司 | 一种嵌入式乳腺超声影像的识别方法 |
CN114842238B (zh) * | 2022-04-01 | 2024-04-16 | 苏州视尚医疗科技有限公司 | 一种嵌入式乳腺超声影像的识别方法 |
CN114757953A (zh) * | 2022-06-15 | 2022-07-15 | 深圳瀚维智能医疗科技有限公司 | 医学超声图像识别方法、设备及存储介质 |
CN115919231A (zh) * | 2022-10-24 | 2023-04-07 | 广州艾普凌智技术有限公司 | 一种基于内镜图像深度卷积网络模型的训练方法,应用及装置 |
CN115919231B (zh) * | 2022-10-24 | 2023-09-19 | 广州艾普凌智技术有限公司 | 一种基于内镜图像深度卷积网络模型的训练方法,应用及装置 |
CN117576052A (zh) * | 2023-11-27 | 2024-02-20 | 中国矿业大学 | 一种乳腺x线摄影的病灶诊断方法 |
CN117392119A (zh) * | 2023-12-07 | 2024-01-12 | 华侨大学 | 基于位置先验和特征感知的肿瘤病变区域检测方法及装置 |
CN117392119B (zh) * | 2023-12-07 | 2024-03-12 | 华侨大学 | 基于位置先验和特征感知的肿瘤病变区域检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11101033B2 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
CN113855079A (zh) | 基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法 | |
US7599542B2 (en) | System and method for detection and display of diseases and abnormalities using confidence imaging | |
US8014576B2 (en) | Method and system of computer-aided quantitative and qualitative analysis of medical images | |
US7646902B2 (en) | Computerized detection of breast cancer on digital tomosynthesis mammograms | |
CN109741346A (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
CN109447966A (zh) | 医学图像的病灶定位识别方法、装置、设备及存储介质 | |
ES2914387T3 (es) | Estudio inmediato | |
US9439621B2 (en) | Reduced image reading time and improved patient flow in automated breast ultrasound using enchanced, whole breast navigator overview images | |
US9311717B2 (en) | Processing and displaying a breast image with overlaid glandular contour | |
CN113781439B (zh) | 超声视频病灶分割方法及装置 | |
CN111227864A (zh) | 使用超声图像利用计算机视觉进行病灶检测的方法与装置 | |
CN106780451A (zh) | X射线、超声、红外图像融合乳腺肿块图像检测方法 | |
CN101103924A (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 | |
CN105654490A (zh) | 一种基于超声弹性图像的病变区域提取方法及装置 | |
CN110728239B (zh) | 一种利用深度学习的胃癌增强ct图像自动识别系统 | |
CN111214255A (zh) | 一种医学超声图像计算机辅助诊断方法 | |
ITRM20060213A1 (it) | Metodo di elaborazione di immagini biomediche | |
CN110288698B (zh) | 基于mri的半月板三维重建系统 | |
EP3027116A1 (en) | Reduced image reading time and improved patient flow in automated breast ultrasound using enhanced, whole-breast navigator overview images | |
CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
Zhang et al. | Comparison of multiple feature extractors on Faster RCNN for breast tumor detection | |
JP2000350722A (ja) | 器官の注目する要素の配置および三次元表現の方法 | |
CN110648333B (zh) | 基于中智学理论的乳腺超声视频图像实时分割系统 | |
KR20210065228A (ko) | 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법 |
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 |