CN113888518A - 一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法 - Google Patents

一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法 Download PDF

Info

Publication number
CN113888518A
CN113888518A CN202111195818.XA CN202111195818A CN113888518A CN 113888518 A CN113888518 A CN 113888518A CN 202111195818 A CN202111195818 A CN 202111195818A CN 113888518 A CN113888518 A CN 113888518A
Authority
CN
China
Prior art keywords
classification
image
probability
segmentation
benign
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
CN202111195818.XA
Other languages
English (en)
Inventor
雷文斌
李芸
赵章宗
雷国庆
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.)
Chongqing Pengkang Big Data Co ltd
Guangzhou Tianpeng Computer Technology Co ltd
Chongqing Nanpeng Artificial Intelligence Technology Research Institute Co ltd
First Affiliated Hospital of Sun Yat Sen University
Original Assignee
Chongqing Pengkang Big Data Co ltd
Guangzhou Tianpeng Computer Technology Co ltd
Chongqing Nanpeng Artificial Intelligence Technology Research Institute Co ltd
First Affiliated Hospital of Sun Yat Sen 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 Chongqing Pengkang Big Data Co ltd, Guangzhou Tianpeng Computer Technology Co ltd, Chongqing Nanpeng Artificial Intelligence Technology Research Institute Co ltd, First Affiliated Hospital of Sun Yat Sen University filed Critical Chongqing Pengkang Big Data Co ltd
Priority to CN202111195818.XA priority Critical patent/CN113888518A/zh
Publication of CN113888518A publication Critical patent/CN113888518A/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
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10068—Endoscopic 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
    • G06T2207/20172—Image enhancement details
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Endoscopes (AREA)

Abstract

本发明涉及图像识别技术领域，具体涉及一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法；包括以下步骤：S1、系统研发；S10、采集训练数据并对病灶的区域、良恶性进行标注；S11、训练一个图像分割、分类多任务模型，并实现图像的病灶区域分割和图像分类。本发明利用基于深度学习的图像分割、图像分类多任务方法对待检测图像进行预测，并综合两者的预测结果，得到图像属于正常、良性或恶性的概率，同时根据分割结果输出病灶区域，供内镜操作医生参考，并且视频最近若干帧取平均概率的方法可以平滑逐帧预测到的概率，降低图像噪声、运动模糊、某些罕见图像形态的影响，降低输出概率的波动，提高检测准确率。

Description

一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及 良恶性分类方法
技术领域
本发明涉及图像识别技术领域，具体涉及一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法。
背景技术
耳鼻喉科医生在使用喉咽内镜检查患者喉咽部位时，受医生的知识储备和经验影响很大，一些低年资的医生容易对恶性肿瘤判断发生漏检和误检，漏检导致患者诊断和治疗的延误，误检导致患者受到不必要的活检创伤、心理伤害和费用。此外，不同的医院、不同的医生对同一患者也可能诊断出不同的结果，甚至同一医生对同一患者在两次检查中也可能做出不同的诊断，人类的判断会受主观因素影响，如疲劳、情绪、临场发挥等。基于计算机辅助的喉咽内镜影像诊断技术可以带来一致性的诊疗质量。在不同医院、不同医生、不同的时间点对同一次内镜视频的诊断结果可以做到完全相同。
医生对于计算机辅助诊断的需求主要有两点：
(1)肿瘤检测、良恶性分类的高灵敏性、特异性；
(2)在画面中提供清晰的病灶定位，便于医生了解所诊断出的病灶区域。
综上所述，研发一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法，仍是图像识别技术领域中急需解决的关键问题。
发明内容
针对现有技术所存在的上述缺点，本发明的目的在于提供一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法，本发明利用基于深度学习的图像分割、图像分类多任务方法对待检测图像进行预测，并综合两者的预测结果，得到图像属于正常、良性或恶性的概率，同时根据分割结果输出病灶区域，供内镜操作医生参考。相比于医生的人工诊断，本技术可以给患者带来一致性的诊断能力，不受医生年资、经验、疲劳、情绪、临场发挥等影像；相比于基于单一深度学习模型的病灶识别技术，本技术可以同时获得高分类准确率和病灶区域自动划分，其中高准确率意味着高灵敏性、高特异性，更少的误诊和漏诊，病灶区域自动划分便于医生了解本方法所诊断出的病灶区域位置；相比多个单任务模型，多任务模型可以共享一个模型结构，占用更少的内存；前向推理的速度加快；两个关联的任务可以共享模型信息，提升彼此的表现。
为实现上述目的，本发明提供了如下技术方案：
一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法，包括以下步骤：
S1、系统研发：
S10、采集训练数据并对病灶的区域、良恶性进行标注；
S11、训练一个图像分割、分类多任务模型，并实现图像的病灶区域分割和图像分类；
S2、实际应用：
S20、将喉咽内镜采集到的视频传输到预设程序中，当镜头进入喉咽待查部位后，开启多任务模型，综合分割、分类的输出结果，得到当前帧的正常、良性或恶性预测概率，并在画面中显示分割出的病灶位置和轮廓；
S21、综合分类的方法：
Figure DEST_PATH_IMAGE001
其中，
Figure 375249DEST_PATH_IMAGE002
输入图像；
Figure DEST_PATH_IMAGE003
，预测输入图像是类别r的得分；
Figure 561642DEST_PATH_IMAGE004
，预测输入图像是类别r的概率，由预测得分归一化得到；
Figure DEST_PATH_IMAGE005
，分类模块测输入图像是类别r的概率；
Figure 143409DEST_PATH_IMAGE006
, 当r为良性或者恶性时，表示分割模块预测图像 (h,w）像素是病灶的概率，当r为正常时，表示分割模块预测该像素是正常的概率
Figure DEST_PATH_IMAGE007
，分割模块的输出像素总数；
Figure 156364DEST_PATH_IMAGE008
，分割输出加权面积占比的非线性系数，一般取1/4
Figure DEST_PATH_IMAGE009
，缩放系数，一般取2；
S22、对于输入视频，通过所述步骤S4可以获得每一帧正常、良性或恶性的概率。
本发明进一步设置为：在所述步骤S10中，采集训练数据为大量喉咽内镜检查的视频，抽取其中喉咽部位不同位置、角度的帧图像。
本发明进一步设置为：在所述步骤S11中，分割部分用于将输入图像的病灶区域分割出来。
本发明进一步设置为：在所述步骤S11中，分类部分用于判断输入图像属于正常、良性肿物或恶性肿瘤中的一种。
本发明进一步设置为：在所述步骤S22中，计算最近若干一段时间内，正常、良性或恶性的平均概率，达到特定阈值即可判定当前发现了良性肿物或恶性肿瘤，或是取当前平均概率最大的分类作为当前视频发现的分类。
本发明进一步设置为：对于喉咽内镜的视频输出，将图像逐帧进行前述的类别概率预测，得到
Figure 664968DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
、
Figure 827572DEST_PATH_IMAGE012
、…、
Figure DEST_PATH_IMAGE013
、
Figure 832437DEST_PATH_IMAGE014
…；
Figure 958787DEST_PATH_IMAGE013
表示第t帧图像类别为r的概率。
本发明进一步设置为：计算最近一段时间输入某个概率的平均值，得到最近这段视频出现某个类别的概率估计：
Figure 317087DEST_PATH_IMAGE016
其中，
T表示参考时间窗口长度；
tnow表示当前时间；
Figure DEST_PATH_IMAGE017
表示最近这段视频出现类别r的概率估计；
根据
Figure 599776DEST_PATH_IMAGE018
、
Figure 837860DEST_PATH_IMAGE018
估计当前是否发现良性肿物或恶性肿瘤。
有益效果
采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：
(1)、相比于医生的人工诊断，本技术可以给患者带来一致性的诊断能力，不受医生年资、经验、疲劳、情绪、临场发挥等影像。
(2)、相比于基于单一深度学习模型的病灶识别技术，本技术可以同时获得高分类准确率和病灶区域自动划分。其中高准确率意味着高灵敏性、高特异性，更少的误诊和漏诊；病灶区域自动划分便于医生了解本方法所诊断出的病灶区域位置。
(3)、相比多个单任务模型，多任务模型可以共享一个模型结构，占用更少的内存；前向推理的速度加快；两个关联的任务可以共享模型信息，提升彼此的表现。
(4)、基于深度学习的方法，意味着随着训练数据和疑难病例的逐步积累，模型的准确率、泛化能力、对疑难病例的分辨能力都会越来越强。
(5)、视频最近若干帧取平均概率的方法可以平滑逐帧预测到的概率，降低图像噪声、运动模糊、某些罕见图像形态的影响，降低输出概率的波动，提高检测准确率。
附图说明
图1为利用分割、分类多任务模型对内镜图像进行病灶分割、良恶性预测的示意图；
图2为逐帧预测分类概率与计算最近若干帧平均概率方法示意图；
图3为本方法具体实施方案中分割、分类多任务模型详细结构。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将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作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。
下面结合实施例对本发明作进一步的描述。
实施例1
请参照图1、图2和图3所示，一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法，包括以下步骤：
步骤一、系统研发阶段：
10）数据采集：采集大量喉咽内镜检查过程中的内镜视频，所涉及的正常、良性肿物、恶性肿瘤的患者的数量应该足够，每类大于100例，每类数量占比均匀，最多一类与最少一类的差异不超过50%；使用的内镜应是可以电子录像的内窥镜，能提供清晰、色彩良好的图像或视频。
11）图像抽取：对上述步骤10中采集到的内镜视频进行抽帧，抽取的图像帧应满足：
a.画面所处的部位是喉咽待查部位；
b.抽取的图像来自不同的有代表性的位置、角度，覆盖组织各种活动形态；
c.抽取的部位覆盖了所有待查的组织；
d.尽量避免在同一位置的重复抽样。
12）图像像素级标注：请有一定经验的喉咽内镜操作医生使用标注工具对前一步骤抽取的图片进行像素级标注。可以采用labelme、cvat等标注工具，将病灶所在的区域用多边形画出，并附带良性/恶性的类别信息。
13）利用步骤12中的标注数据，训练一个图像分割、分类多任务模型。该模型在输入图像后采用了一组共享模块，然后分别进入图像分割任务模块和图像分类任务模块， 详细结构如图3所示。分割模块的输出是同输入分辨率的掩码图像，0表示正常图像，1表示病灶图像；分类模块的输出是当前画面的类别，包括正常、良性肿物、恶性肿瘤这三类。若图像中包含恶性肿瘤，则其分类为恶性肿瘤；否则若图像中包含良性肿物，则其分类为良性肿物；若既没有恶性肿瘤也没有良性肿物，则其分类为正常。
训练数据的预处理操作包括：
a.随机左右翻转；
b.随机旋转；
c.随机裁剪；
d.随机噪声；
训练采用的损失函数定义如下：
Figure 700773DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
是分类模块的分类softmax loss 损失函数；
Figure 738131DEST_PATH_IMAGE022
是分割模块的像素级softmax loss作为损失函数。
Figure DEST_PATH_IMAGE023
是分类、分割的相对权重因子，约趋近于1表示分类结果越重要；约趋近于0表示分割结果越重要。经实验，我们采用
Figure 547430DEST_PATH_IMAGE024
作为经验参数。
优化方法采用随机梯度下降法；
学习率的更新方法，采用在第一阶段从0线性增加到学习率lr_start，然后第二阶段采用余弦退火策略逐步下降到lr_end。
步骤二、实际应用阶段：
20）将喉咽内镜采集到的视频传输到计算机程序中，当镜头进入喉咽待查部位后，内镜操作人员开启分割、分类多任务模型，逐帧进行图像分割、分类的预测。
21）综合分类、分割的输出结果，得到当前帧的正常/良性/恶性预测概率。
22）综合的方法：
Figure DEST_PATH_IMAGE025
其中，
Figure 582513DEST_PATH_IMAGE026
输入图像；
Figure DEST_PATH_IMAGE027
，预测输入图像是类别r的得分；
Figure 641647DEST_PATH_IMAGE028
，预测输入图像是类别r的概率，由预测得分归一化得到；
Figure DEST_PATH_IMAGE029
，分类模型预测输入图像是类别r的概率；
Figure 794279DEST_PATH_IMAGE030
Figure DEST_PATH_IMAGE031
，当r为良性或者恶性时，表示分割模块预测图像 (h,w）像素是病灶的概率，当r为正常时，表示分割模块预测该像素是正常的概率；
Figure 601961DEST_PATH_IMAGE032
，分割模型的输出像素总数；
Figure 916267DEST_PATH_IMAGE008
，分割输出加权面积占比的非线性系数，取1/4；
Figure 753773DEST_PATH_IMAGE009
，缩放系数，取2。
23）对于喉咽内镜的视频输出，将图像逐帧进行前述的类别概率预测，得到
Figure DEST_PATH_IMAGE033
、
Figure 943053DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE035
、…、
Figure 369355DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE037
…，
Figure 542978DEST_PATH_IMAGE036
表示第t帧图像类别为r的概率。
计算最近2秒内输入某个概率的平均值，得到最近这段视频出现某个类别的概率估计；
Figure 867781DEST_PATH_IMAGE038
其中，
T表示参考的时间窗口长度；
tnow表示当前时间；
Figure DEST_PATH_IMAGE039
表示最近这段视频出现类别r的概率估计；
若
Figure 860751DEST_PATH_IMAGE040
大于阈值0.6，则认为当前视频发现了恶性肿瘤；否则若
Figure 938297DEST_PATH_IMAGE040
大于阈值0.6，则认为当前视频发现了恶性肿物；否则认为当前视频为正常。
24）将当前帧的分割的位置和轮廓用红色边界线的方式绘制到原始输入图像上，同时在旁边附带各分类的概率；将结果在显示器上展示给内镜操作者。
本发明利用基于深度学习的图像分割、图像分类多任务方法对待检测图像进行预测，并综合两者的预测结果，得到图像属于正常、良性或恶性的概率，同时根据分割结果输出病灶区域，供内镜操作医生参考。相比于医生的人工诊断，本技术可以给患者带来一致性的诊断能力，不受医生年资、经验、疲劳、情绪、临场发挥等影像；相比于基于单一深度学习模型的病灶识别技术，本技术可以同时获得高分类准确率和病灶区域自动划分，其中高准确率意味着高灵敏性、高特异性，更少的误诊和漏诊，病灶区域自动划分便于医生了解本方法所诊断出的病灶区域位置；相比多个单任务模型，多任务模型可以共享一个模型结构，占用更少的内存；前向推理的速度加快；两个关联的任务可以共享模型信息，提升彼此的表现。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法，其特征在于，包括以下步骤：
S1、系统研发；
S10、采集训练数据并对病灶的区域、良恶性进行标注；
S11、训练一个图像分割、分类多任务模型，并实现图像的病灶区域分割和图像分类；
S2、实际应用；
S20、将喉咽内镜采集到的视频传输到预设程序中，当镜头进入喉咽待查部位后，开启多任务模型，综合分割、分类的输出结果，得到当前帧的正常、良性或恶性预测概率，并在画面中显示分割出的病灶位置和轮廓；
S21、综合分类的方法：
，
Figure 276490DEST_PATH_IMAGE001
其中，
Figure 823009DEST_PATH_IMAGE002
输入图像；
Figure 183452DEST_PATH_IMAGE003
，预测输入图像是类别r的得分；
Figure 817302DEST_PATH_IMAGE004
，预测输入图像是类别r的概率，由预测得分归一化得到；
Figure 909892DEST_PATH_IMAGE005
，分类模块测输入图像是类别r的概率；
Figure 943707DEST_PATH_IMAGE006
，当r为良性或者恶性时，表示分割模块预测图像 (h,w）像素是病灶的概率，当r为正常时，表示分割模块预测该像素是正常的概率；
Figure 281410DEST_PATH_IMAGE007
，分割模块的输出像素总数；
Figure 271231DEST_PATH_IMAGE008
，分割输出加权面积占比的非线性系数，一般取1/4
Figure 95574DEST_PATH_IMAGE009
，缩放系数，一般取2；
S22、对于输入视频，通过所述步骤S4可以获得每一帧正常、良性或恶性的概率。
2.根据权利要求1所述的一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法，其特征在于，在所述步骤S10中，采集训练数据为大量喉咽内镜检查的视频，抽取其中喉咽部位不同位置、角度的帧图像。
3.根据权利要求1所述的一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法，其特征在于，在所述步骤S11中，分割部分用于将输入图像的病灶区域分割出来。
4.根据权利要求1所述的一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法，其特征在于，在所述步骤S11中，分类部分用于判断输入图像属于正常、良性肿物或恶性肿瘤中的一种。
5.根据权利要求1所述的一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法，其特征在于，在所述步骤S22中，计算最近若干一段时间内，正常、良性或恶性的平均概率，达到特定阈值即可判定当前发现了良性肿物或恶性肿瘤，或是取当前平均概率最大的分类作为当前视频发现的分类。
6.根据权利要求2所述的一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法，其特征在于，对于喉咽内镜的视频输出，将图像逐帧进行前述的类别概率预测，得到
Figure 803636DEST_PATH_IMAGE010
、
Figure 679451DEST_PATH_IMAGE011
、
Figure 602407DEST_PATH_IMAGE012
、…、
Figure 36800DEST_PATH_IMAGE013
、
Figure 793010DEST_PATH_IMAGE014
…；
Figure 971050DEST_PATH_IMAGE013
表示第t帧图像类别为r的概率。
7.根据权利要求6所述的一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法，其特征在于，计算最近一段时间某个类别预测概率的平均值，得到最近这段视频出现该类别的概率估计：
Figure DEST_PATH_IMAGE015
其中，
T表示参考时间窗口长度；
tnow表示当前时间；
Figure 561562DEST_PATH_IMAGE016
表示最近这段视频出现类别r的概率估计；
根据
Figure 688829DEST_PATH_IMAGE017
、
Figure 105904DEST_PATH_IMAGE017
估计当前是否发现良性肿物或恶性肿瘤。
CN202111195818.XA 2021-10-14 2021-10-14 一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法 Pending CN113888518A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111195818.XA CN113888518A (zh) 2021-10-14 2021-10-14 一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111195818.XA CN113888518A (zh) 2021-10-14 2021-10-14 一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法

Publications (1)

Publication Number Publication Date
CN113888518A true CN113888518A (zh) 2022-01-04

Family

ID=79002658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111195818.XA Pending CN113888518A (zh) 2021-10-14 2021-10-14 一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法

Country Status (1)

Country Link
CN (1) CN113888518A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648509A (zh) * 2022-03-25 2022-06-21 中国医学科学院肿瘤医院 一种基于多分类任务的甲状腺癌检出系统
CN114926471A (zh) * 2022-05-24 2022-08-19 北京医准智能科技有限公司 一种图像分割方法、装置、电子设备及存储介质
CN115049666A (zh) * 2022-08-16 2022-09-13 浙江卡易智慧医疗科技有限公司 基于彩色小波协方差深度图模型的内镜虚拟活检装置
CN115578335A (zh) * 2022-09-29 2023-01-06 西安理工大学 基于多尺度特征提取的声带白斑图像分类方法
CN115661150A (zh) * 2022-12-26 2023-01-31 武汉楚精灵医疗科技有限公司 鼻咽腔内镜图像异常的识别方法及装置
CN116704305A (zh) * 2023-06-20 2023-09-05 华中科技大学同济医学院附属协和医院 基于深度学习算法的超声心动图多模态多切面分类方法
WO2024016992A1 (zh) * 2022-07-22 2024-01-25 浙江省肿瘤医院 基于舌象图像的肿瘤预测系统、方法及其应用

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648509A (zh) * 2022-03-25 2022-06-21 中国医学科学院肿瘤医院 一种基于多分类任务的甲状腺癌检出系统
CN114926471A (zh) * 2022-05-24 2022-08-19 北京医准智能科技有限公司 一种图像分割方法、装置、电子设备及存储介质
WO2024016992A1 (zh) * 2022-07-22 2024-01-25 浙江省肿瘤医院 基于舌象图像的肿瘤预测系统、方法及其应用
CN115049666A (zh) * 2022-08-16 2022-09-13 浙江卡易智慧医疗科技有限公司 基于彩色小波协方差深度图模型的内镜虚拟活检装置
CN115049666B (zh) * 2022-08-16 2022-11-08 浙江卡易智慧医疗科技有限公司 基于彩色小波协方差深度图模型的内镜虚拟活检装置
CN115578335A (zh) * 2022-09-29 2023-01-06 西安理工大学 基于多尺度特征提取的声带白斑图像分类方法
CN115661150A (zh) * 2022-12-26 2023-01-31 武汉楚精灵医疗科技有限公司 鼻咽腔内镜图像异常的识别方法及装置
CN116704305A (zh) * 2023-06-20 2023-09-05 华中科技大学同济医学院附属协和医院 基于深度学习算法的超声心动图多模态多切面分类方法

Similar Documents

Publication Publication Date Title
CN113888518A (zh) 一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法
EP3848891A1 (en) Computer vision-based method and system for monitoring speed of intestinal lens removal in real time
Zhang et al. Detection of microaneurysms using multi-scale correlation coefficients
US20170287134A1 (en) Annotation of skin image using learned feature
CN109117890B (zh) 一种图像分类方法、装置和存储介质
CN117274270B (zh) 基于人工智能的消化内镜实时辅助系统及方法
US20220301159A1 (en) Artificial intelligence-based colonoscopic image diagnosis assisting system and method
CN112786163B (zh) 一种超声图像处理显示方法、系统及存储介质
CN115880266B (zh) 一种基于深度学习的肠道息肉检测系统和方法
CN113823400A (zh) 肠道退镜速度监测方法、装置及计算机可读存储介质
CN114842957B (zh) 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法
Ghosh et al. Block based histogram feature extraction method for bleeding detection in wireless capsule endoscopy
CN114332910A (zh) 一种面向远红外图像的相似特征计算的人体部位分割方法
Vasudeva et al. Classifying Skin Cancer and Acne using CNN
KR20210033902A (ko) 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 진단방법, 장치 및 소프트웨어 프로그램
CN114565538B (zh) 一种内镜图像处理方法、系统、存储介质及设备
Arnold et al. Indistinct frame detection in colonoscopy videos
CN114693912B (zh) 具有眼球追踪功能的内镜检查系统、存储介质及设备
CN114049934B (zh) 辅助诊断方法、装置、系统、设备和介质
CN117132523A (zh) 超声影像处理方法、装置、设备及计算机可读存储介质
CN110445954B (zh) 图像采集方法、装置及电子设备
Gatoula et al. Enhanced CNN-based gaze estimation on wireless capsule endoscopy images
Chowdhury et al. Detection of cotton wool spots from retinal images using fuzzy C means
Sobhi et al. Extraction of Laryngeal Cancer Informative Frames from Narrow Band Endoscopic Videos
CN109949903B (zh) 医学影像静止画面捕捉方法及系统

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