CN113936165B - Ct图像的处理方法、终端及计算机存储介质 - Google Patents
Ct图像的处理方法、终端及计算机存储介质 Download PDFInfo
- Publication number
- CN113936165B CN113936165B CN202111040750.8A CN202111040750A CN113936165B CN 113936165 B CN113936165 B CN 113936165B CN 202111040750 A CN202111040750 A CN 202111040750A CN 113936165 B CN113936165 B CN 113936165B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- model
- network
- hierarchical
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000002759 z-score normalization Methods 0.000 claims description 4
- 230000004075 alteration Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 201000005202 lung cancer Diseases 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 4
- 238000005381 potential energy Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医疗辅助方法技术领域，提供一种CT图像的处理方法、终端及计算机存储介质，所述方法包括：步骤100，进行样本学习，得到CT图像的第一分级样本；步骤200，使用区域增长算法基于VGG‑16网络进行分类学习，得到CT图像识别的预训练模型；步骤300，采集的CT图像的样本数据，采用PG‑GAN对抗网络进行样本学习，得到CT图像的第二分级样本；步骤400，将图像直方图信息继续执行图像归一化，将图像映射到预训练模型对应的图像数据域内；步骤500，得到适用于实际场景数据的应用模型；步骤600，利用实际运行模型计算对CT图像进行分类预测，得到预测结果报告。本发明能提高CT图像处理的可靠性。
Description
技术领域
本发明涉及医疗辅助方法技术领域，尤其涉及一种CT图像的处理方法、终端及计算机存储介质。
背景技术
胸部CT图像的判断一直以来都是业界一个难题，分为临床派和技术派，临床派主导人工肉眼查看医学图像，坚持在图像中人工查找病变位置和影像学特征，但是人工处理，第一严重依赖医生的个人经验，无法做到标准化，第二存在误诊和漏诊的可能，医疗质量非常难以控制；另一种希望使用机器学习对分型分症进行辅助判断，其中又有两种方式，一种通过自定义的神经网络进行传统的机器学习，一种通过深度神经网络进行学习影像学特征，将使用后者结合最新的科技手段进行图像处理。
目前结合深度学习的CT图像处理方法，主要面对两类难题，第一类问题是：由于一般其他机器学习任务样本数量都是万以上数量级，医疗图像的同一个样本的训练集一般只有百或者千数量级别医疗场景下的样本问题，而CT图像的样本量少且不平衡，考虑到患者疾病的多样性，特别是各种压型等情况，找到非常标准的样本非常少；同时更要命的是样本不均衡，例如肺癌，在同一个医院找到的数据，肺癌1期的要远远大于肺癌3期的数据，这样会严重影响机器学习的准确率。第二类问题是：判断标准困难，由于疾病复杂性，外加亚型等问题存在，加上各种误诊漏诊，导致影像学标注非常困难，肺癌2期3期，2.5期怎么标注，患者影像学上有一部分2期的特征，又有一部分3期的特征，临床上会归纳为2.5期，机器学习上应该怎么标注，也会严重影响机器学习的准确率。
发明内容
本发明主要解决现有技术的CT图像的样本量少且不平衡以及判断标准困难，会严重影响机器学习的准确率的技术问题，提出一种CT图像的处理方法、终端及计算机存储介质，能有效适应不同实际用户不同型号的CT图像采集设备，提高CT图像处理的可靠性。
本发明提供一种CT图像的处理方法，包括以下过程：
步骤100，利用CT图像的公开数据集，采用PG-GAN对抗网络进行样本学习，得到CT图像的第一分级样本；
步骤200，利用CT图像的分级样本，使用区域增长算法基于VGG-16网络进行分类学习，得到CT图像识别的预训练模型；
步骤300，利用实际用户的CT图像采集设备，采集的CT图像的样本数据，采用PG-GAN对抗网络进行样本学习，得到CT图像的第二分级样本；
步骤400，根据CT图像的第二分级样本，将图像直方图信息继续执行图像归一化，将图像映射到预训练模型对应的图像数据域内；
步骤500，对预训练模型进行微调，得到适用于实际场景数据的应用模型；
步骤600，针对患者真实的CT图像，利用实际运行模型计算对CT图像进行分类预测，得到预测结果报告。
进一步的，所述步骤200，包括：
步骤201，对CT图像的分级样本进行预处理；
步骤202，使用区域增长算法对CT图像的分级样本进行机器学习，使用VGG-16网络进行特征提取；
步骤203，使用区域生长算法对CT图像的分级样本进行边界提取；使用灰度图像的色差进行生长，当满足如下生长停止的条件时，则停止生长：
其中，yi表示当前节点，xi表示当前CT图像所有节点；
步骤204，利用全连接条件随机场架构对CT图像的分级样本进行处理；
步骤205，过参数优化，得到CT图像识别的预训练模型。
进一步的，步骤201，对CT图像的分级样本进行预处理，包括以下过程：
使用平衡滤波器去除采样过程中的噪声和底纹；
对CT图像的强度值进行标准量化，使用统计直方图进行图像灰度统计，采用Z-Score标准化进行CT图像归一化操作，对序列x1，x2，…，xn进行变换：
其中，其中为序列x1，x2，…，xn的均值，σ为序列x1，x2，…，xn的标准差。
进一步的，所述步骤500，包括：
步骤501，把训练好的模型的权重拿来建模；
步骤502，在VGG-16网络上运行提取瓶颈特征，单独保存；
步骤503，瓶颈特征层数据，之后连接全连接层，进行微调；
步骤504，最终生成实际运行模型，并且发布生产。
对应的，本发明还提供一种终端，包括CT图像采集设备、计算模型终端和打印终端；
所述计算模型终端，包括：处理器和存储器；
所述存储器用于存储计算机程序，所述处理器运行计算机程序，所述计算机程序执行本发明任意实施例提供的CT图像的处理方法。
对应的，本发明还提供一种计算机存储介质，所述计算机存储介质存储所述计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行本发明任意实施例提供的CT图像的处理方法。
本发明提供的一种CT图像的处理方法、终端及计算机存储介质，针对CT图像的样本量少且不平衡的情况，通过机器学习训练，同时引入迁移学习方式，在不进行数据共享的情况，进行模型训练，最终模型能有效适应不同实际用户不同型号的CT图像采集设备，提高CT图像处理的可靠性。本发明使用标注工具对数据进行标注，能提高80％以上的效率，在提高效率的同时，集成了图像切割等功能，大大提高批量数据操作效率；通过本发明的发明平均疾病分类准确率均超过87％，最高准确率可以达到93.4％。
附图说明
图1是本发明提供的CT图像的处理方法的实现流程图；
图2是本发明采用的VGG-16网络的示意图；
图3是本发明步骤500的示意图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
如图1所示，本发明实施例提供的CT图像的处理方法，包括以下过程：
步骤100，利用CT图像的公开数据集，采用PG-GAN对抗网络进行样本学习，得到CT图像的第一分级样本。
本步骤的第一分级样本根据公开数据集得到。本发明可以适用于多种类型的CT图像，包括门诊、住院、急诊开具的CT图像数据，例如胸部CT图像。收集CT图像的公开数据集，公开数据集中涵盖CT图像及CT图像对应的图像报告，使用ITK-SNAP工具对CT图像和图像报告，按WHO公布的ICD-10的分类进行分类标注，标注分类的同时对CT图像进行感兴趣区域切割，得到感兴趣区域图像组成的分级样本。其中，感兴趣区域(region of interest，ROI)，是机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。
PG-GAN对抗网络(PROGRESSIVE GROWING OF GANS，渐进式地的生成式对抗网络)由判别器和生成器组成，其中，生成器根据隐变量用来生成样本，判别器来评估生成图像和真实图像间的差别；渐进式地增加生成器和判别器的模型流程如下：首先，从一个很低的分辨率开始，逐步添加新的层使得模型在训练过程中能更好地完善细节。这种方式既能加速训练，也能使训练更加稳定，并且能生成质量极高的图，这种方式能生成高分辨率的样本，并且非常适合在不平衡数据集和小样本数据集上的训练学习，而CT图像由于各种诊断亚型的存在和并发症存在，有效、有显著特征的数据集非常小，得病的样本数量和没得病的样本数量非常悬殊。PG-GAN能很好解决不平衡数据集和小样本数据集上的训练学习问题。本步骤通过样本学习，生成更多的样本，达到扩大样本数量的目的。
步骤200，利用CT图像的分级样本，使用区域增长算法基于VGG-16网络进行分类学习，得到CT图像识别的预训练模型。
步骤201，对CT图像的分级样本进行预处理。
预处理包括：1)使用平衡滤波器去除采样过程中的噪声和底纹；2)对CT图像的强度值进行标准量化，使用统计直方图进行图像灰度统计，采用Z-Score标准化进行CT图像归一化操作，对序列x1，x2，…，xn进行变换：
其中，其中为序列x1，x2，…，xn的均值，σ为序列x1，x2，…，xn的标准差。
步骤202，使用区域增长算法对CT图像的分级样本进行机器学习，使用VGG-16网络进行特征提取。
在本步骤中，VGG-16的网络用来做特征提取，利用神经网络的机器学习方式让计算机学习图像特征，神经网络结构见图2示意图，通过反复堆叠3*3的小型卷积核和2*2的最大池化层，从上往下依次为：第一组(3*3卷积层+3*3卷积层+2*2的最大池化层)，第二组(3*3卷积层+3*3卷积层+2*2的最大池化层)，第三组(3*3卷积层+3*3卷积层+3*3卷积层+2*2的最大池化层)，第四组(3*3卷积层+3*3卷积层+3*3卷积层+2*2的最大池化层)，第五组(3*3卷积层+3*3卷积层+3*3卷积层+2*2的最大池化层)+第五组(全连接层+全连接层+全连接层+分类器)，构筑了16层深的卷积神经网络，通过对样本的计算和学习，寻找样本图像中的图像特征。VGG-16网络的优点是提高准确率的同时，简化了卷积神经网络的结构。
步骤203，使用区域生长算法对CT图像的分级样本进行边界提取。
区域生长算法的基本思想是将有相似性质的像素点合并到一起，对每一个区域要先指定一个种子点作为生长的起点，然后将种子点周围领域的像素点和种子点进行对比，将具有相似性质的点合并起来继续向外生长，直到没有满足条件的像素被包括进来为止。这样一个区域的生长就完成了。
在本步骤中，使用CT图像的极值点作为种子点。CT图像一般为白色为器官组织，因此使用CT图像的白色极值点作为种子点。使用灰度图像的色差进行生长，当满足如下生长停止的条件时，则停止生长：
其中，yi表示当前节点，xi表示当前CT图像所有节点。
步骤204，利用全连接条件随机场架构对CT图像的分级样本进行处理。
本步骤为了排除底纹和噪声对训练结果的影像，利用全连接条件随机场架构对CT图像的分级样本进行处理，全连接条件随机场(FCRF)由等人提出，能够高效的对任意维度和大小的图像进行完全图建模。其形式化定义如下，若将输入图像和对应标注表示成I和y，则对于任意两个像素i和像素j的吉布斯能(Gibbs Energy)，E(y)表达式形式为：
E(y)由一元势能函数和二元势能函数/>组成，其中，一元势能函数/>用于描述像素i自身强度值对其分类的影响，二元势能函数/>用于描述不同像素之间的互相影响，其表达式形式为：
其中，ω1和ω2是权重因子，Ii，Ij分别是像素i和j的强度和位置向量，θα，θβ和θγ是控制平滑性和相似性程度的系数。二值指示函数μ用于判断yi和yj是否相等，若相等，其值为0，反之为1。本步骤引入全连接条件随机场架构(FCRF)，能够高效的对任意维度和大小的CT图像进行完全图建模。
步骤205，通过参数优化，得到CT图像识别的预训练模型。
预训练模型也叫预训练网络，标记为模型A。
步骤300，利用实际用户的CT图像采集设备，采集的CT图像的样本数据，采用PG-GAN对抗网络进行样本学习，得到CT图像的第二分级样本。
其中，第二分级样本根据实际用户采集的数据得到。本步骤针对实际用户，进行适应性的建模，在实际用户中，收集CT图像及CT图像对应的图像报告(图像报告中包含诊断分类)，重复步骤100的操作，完成第二分级样本的数据准备工作。数据主要包括：指定数量的CT图像以及对应的诊断分类，并且对数据使用Rect-label进行标注。Rect-label是一款支持不规则多边形目标区域的多标签标注工具，标注输入的是图片，输出的是标签和图像对应的ROI区域的坐标列表。目前通用标注工具中，只有Rect-label支持多边形和不规则目标区域的标注，本文涉及的场景需要进行不规则多边形标注，因此使用这个工具。
步骤400，根据CT图像的第二分级样本，将图像直方图信息继续执行图像归一化，将图像映射到预训练模型对应的图像数据域内。
将每一张图像的直方图信息利用步骤201的预处理方式处理，并且结合预训练模型的直方图基线进行归一化处理，得到归一化后的图像。具体方法如下，
重复进行步骤201，1)使用平衡滤波器去除采样过程中的噪声和底纹；2)对CT图像的强度值进行标准量化，使用统计直方图进行图像灰度统计，采用Z-Score标准化进行CT图像归一化操作，便于不同级别的样本分类可以统一处理。
步骤500，对预训练模型进行微调，得到适用于实际场景数据的应用模型。
利用步骤400处理完成的CT图像和预训练模型A，进行机器学习的微调，其中，微调的主要思想是将数据训练分成2步，大规模模型的预训练+少量下游任务数据微调，利用大规模数据进行模型选择和训练，获得预训练模型，然后利用微调技术，将预训练模型卷积网络中的几个高层网络在小数据量上获得定制化调整和特征提取，完成后将获得针对特殊场景的定制化模型。本步骤将预训练模型的瓶颈特征，微调预训练网络的高层，图3展示了基于VGG-16的微调的方法，具体实施步骤如下：
步骤501，把训练好的模型的权重拿来建模；
步骤502，在VGG-16网络上运行提取瓶颈特征(网络在全连接之前的最后一层激活的特征映射卷积)，单独保存；
步骤503，瓶颈特征层数据，之后连接全连接层，进行微调；
步骤504，最终生成实际运行模型，并且发布生产。实际运行模型标记为模型B。
步骤600，针对患者真实的CT图像，利用实际运行模型计算对CT图像进行分类预测，得到预测结果报告。
在真实应用场景中，患者在影像科拍摄完成肺部CT图像后，根据CT图像采集设备得到的CT图像数据，调用实际运行模型，得到机器预测的结果，并且生成检测报告。本发明能够辅助检测人员对患者病情类型进行识别，辅助医生诊断。
本发明还提供一种终端，包括CT图像采集设备、计算模型终端和打印终端；所述计算模型终端，包括：处理器和存储器；所述存储器用于存储计算机程序，所述处理器运行计算机程序，所述计算机程序执行本发明任意实施例提供的CT图像的处理方法。打印终端采用影像报告的打印设备。
本发明还提供一种计算机存储介质，所述计算机存储介质存储所述计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行本发明任意实施例提供的CT图像的处理方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部技术特征进行等同替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种CT图像的处理方法，其特征在于，包括以下过程：
步骤100，利用CT图像的公开数据集，采用PG-GAN对抗网络进行样本学习，得到CT图像的第一分级样本；其中，所述公开数据集中涵盖CT图像及CT图像对应的图像报告；
步骤200，利用CT图像的第一分级样本，使用区域生长算法基于VGG-16网络进行分类学习，得到CT图像识别的预训练模型，包括步骤201至步骤205：
步骤201，对CT图像的第一分级样本进行预处理，包括以下过程：
使用平衡滤波器去除采样过程中的噪声和底纹；
对CT图像的强度值进行标准量化，使用统计直方图进行图像灰度统计，采用Z-Score标准化进行CT图像归一化操作，对序列x1，x2，…，xn进行变换：
其中，为序列x1，x2，…，xn的均值，σ为序列x1，x2，…，xn的标准差；
步骤202，使用区域生长算法对CT图像的第一分级样本进行机器学习，使用VGG-16网络进行特征提取；
步骤203，使用区域生长算法对CT图像的第一分级样本进行边界提取；使用灰度图像的色差进行生长，当满足如下生长停止的条件时，则停止生长：
其中，yi表示当前节点，xi表示当前CT图像所有节点；
步骤204，利用全连接条件随机场架构对CT图像的第一分级样本进行处理；
步骤205，通过参数优化，得到CT图像识别的预训练模型；
步骤300，利用实际用户的CT图像采集设备，采集的CT图像的样本数据，采用PG-GAN对抗网络进行样本学习，得到CT图像的第二分级样本；其中，所述CT图像的样本数据中涵盖CT图像及CT图像对应的图像报告；
步骤400，根据CT图像的第二分级样本，将图像直方图信息执行图像归一化，将图像映射到预训练模型对应的图像数据域内；
步骤500，对预训练模型进行微调，得到适用于实际场景数据的实际运行模型；
步骤600，针对患者真实的CT图像，利用实际运行模型计算对CT图像进行分类预测，得到预测结果报告。
2.根据权利要求1所述的CT图像的处理方法，其特征在于，所述步骤500，包括：
步骤501，把训练好的模型的权重拿来建模；
步骤502，在VGG-16网络上运行提取瓶颈特征，单独保存；
步骤503，瓶颈特征层，之后连接全连接层，进行微调；
步骤504，最终生成实际运行模型，并且发布生产。
3.一种终端，其特征在于，包括CT图像采集设备、计算模型终端和打印终端；
所述计算模型终端，包括：处理器和存储器；
所述存储器用于存储计算机程序，所述处理器运行计算机程序，所述计算机程序执行权利要求1或2所述的CT图像的处理方法。
4.一种计算机存储介质，其特征在于，所述计算机存储介质存储计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行权利要求1或2所述的CT图像的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111040750.8A CN113936165B (zh) | 2021-09-07 | 2021-09-07 | Ct图像的处理方法、终端及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111040750.8A CN113936165B (zh) | 2021-09-07 | 2021-09-07 | Ct图像的处理方法、终端及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113936165A CN113936165A (zh) | 2022-01-14 |
| CN113936165B true CN113936165B (zh) | 2024-06-07 |
Family
ID=79275186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111040750.8A Active CN113936165B (zh) | 2021-09-07 | 2021-09-07 | Ct图像的处理方法、终端及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113936165B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
| WO2018023917A1 (zh) * | 2016-07-30 | 2018-02-08 | 上海联影医疗科技有限公司 | 一种下肢血管的提取方法及系统 |
| CN107767376A (zh) * | 2017-11-02 | 2018-03-06 | 西安邮电大学 | 基于深度学习的x线片骨龄预测方法及系统 |
| CN109034045A (zh) * | 2018-07-20 | 2018-12-18 | 中南大学 | 一种基于卷积神经网络的白细胞自动识别方法 |
| CN109978037A (zh) * | 2019-03-18 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 图像处理方法、模型训练方法、装置、和存储介质 |
| CN110378408A (zh) * | 2019-07-12 | 2019-10-25 | 台州宏创电力集团有限公司 | 基于迁移学习和神经网络的电力设备图像识别方法和装置 |
| CN110929610A (zh) * | 2019-11-12 | 2020-03-27 | 上海五零盛同信息科技有限公司 | 基于cnn模型和迁移学习的植物病害识别方法及系统 |
| CN111062465A (zh) * | 2019-12-10 | 2020-04-24 | 中山大学 | 一种神经网络结构自调整的图像识别模型及方法 |
| CN111723738A (zh) * | 2020-06-19 | 2020-09-29 | 安徽工业大学 | 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统 |
| CN111767800A (zh) * | 2020-06-02 | 2020-10-13 | 华南师范大学 | 遥感影像场景分类得分融合方法、系统、设备及存储介质 |
| CN111783841A (zh) * | 2020-06-09 | 2020-10-16 | 中科院成都信息技术股份有限公司 | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 |
| WO2021017372A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10482600B2 (en) * | 2018-01-16 | 2019-11-19 | Siemens Healthcare Gmbh | Cross-domain image analysis and cross-domain image synthesis using deep image-to-image networks and adversarial networks |
-
2021
- 2021-09-07 CN CN202111040750.8A patent/CN113936165B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018023917A1 (zh) * | 2016-07-30 | 2018-02-08 | 上海联影医疗科技有限公司 | 一种下肢血管的提取方法及系统 |
| CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
| CN107767376A (zh) * | 2017-11-02 | 2018-03-06 | 西安邮电大学 | 基于深度学习的x线片骨龄预测方法及系统 |
| CN109034045A (zh) * | 2018-07-20 | 2018-12-18 | 中南大学 | 一种基于卷积神经网络的白细胞自动识别方法 |
| CN109978037A (zh) * | 2019-03-18 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 图像处理方法、模型训练方法、装置、和存储介质 |
| CN110378408A (zh) * | 2019-07-12 | 2019-10-25 | 台州宏创电力集团有限公司 | 基于迁移学习和神经网络的电力设备图像识别方法和装置 |
| WO2021017372A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 |
| CN110929610A (zh) * | 2019-11-12 | 2020-03-27 | 上海五零盛同信息科技有限公司 | 基于cnn模型和迁移学习的植物病害识别方法及系统 |
| CN111062465A (zh) * | 2019-12-10 | 2020-04-24 | 中山大学 | 一种神经网络结构自调整的图像识别模型及方法 |
| CN111767800A (zh) * | 2020-06-02 | 2020-10-13 | 华南师范大学 | 遥感影像场景分类得分融合方法、系统、设备及存储介质 |
| CN111783841A (zh) * | 2020-06-09 | 2020-10-16 | 中科院成都信息技术股份有限公司 | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 |
| CN111723738A (zh) * | 2020-06-19 | 2020-09-29 | 安徽工业大学 | 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于GAN和自适应迁移学习的样本生成方法;周立君;刘宇;白璐;茹志兵;于帅;;应用光学;20200115(01);全文 * |
| 迁移学习与GAN结合的医学图像融合模型;肖儿良;周莹;简献忠;;小型微型计算机系统;20200904(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113936165A (zh) | 2022-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Predict pneumonia with chest X-ray images based on convolutional deep neural learning networks | |
| CN109409416B (zh) | 特征向量降维方法和医学图像识别方法、装置及存储介质 | |
| CN110490850B (zh) | 一种肿块区域检测方法、装置和医学图像处理设备 | |
| CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
| CN107169974A (zh) | 一种基于多监督全卷积神经网络的图像分割方法 | |
| CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
| CN112132817A (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
| CN108664976B (zh) | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 | |
| CN111080579B (zh) | 基于深度学习实现图像分割和分类的骨龄评估方法 | |
| CN113205509B (zh) | 一种基于位置卷积注意力网络的血管斑块ct影像分割方法 | |
| Popescu et al. | Retinal blood vessel segmentation using pix2pix gan | |
| CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
| Priya | Resnet based feature extraction with decision tree classifier for classificaton of mammogram images | |
| CN113421228A (zh) | 一种基于参数迁移的甲状腺结节识别模型训练方法及系统 | |
| CN112070760A (zh) | 一种基于卷积神经网络的骨量检测方法 | |
| CN108765431B (zh) | 一种图像的分割方法及其在医学领域的应用 | |
| CN113011340B (zh) | 一种基于视网膜图像的心血管手术指标风险分类方法及系统 | |
| Al-Haija et al. | Development of breast cancer detection model using transfer learning of residual neural network (resnet-50) | |
| CN113936165B (zh) | Ct图像的处理方法、终端及计算机存储介质 | |
| CN116310335A (zh) | 一种基于Vision Transformer的翼状胬肉病灶区域的分割方法 | |
| Guo et al. | Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation | |
| CN115239695A (zh) | 一种基于时序图像的肺结节识别系统及方法 | |
| Valério et al. | Deepmammo: deep transfer learning for lesion classification of mammographic images | |
| CN113177602B (zh) | 图像分类方法、装置、电子设备和存储介质 | |
| CN115311491A (zh) | 一种基于课程学习及空间注意力的骨折假阳性筛除方法 |
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 | ||
| GR01 | Patent grant |