CN114140395A - 肺部纤维化智能判定方法 - Google Patents

肺部纤维化智能判定方法 Download PDF

Info

Publication number
CN114140395A
CN114140395A CN202111320635.6A CN202111320635A CN114140395A CN 114140395 A CN114140395 A CN 114140395A CN 202111320635 A CN202111320635 A CN 202111320635A CN 114140395 A CN114140395 A CN 114140395A
Authority
CN
China
Prior art keywords
image
sample
pulmonary fibrosis
training
intelligent
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Withdrawn
Application number
CN202111320635.6A
Other languages
English (en)
Inventor
张源
刘静怡
江震
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.)
Anhui Medical College
Original Assignee
Anhui Medical College
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 Anhui Medical College filed Critical Anhui Medical College
Priority to CN202111320635.6A priority Critical patent/CN114140395A/zh
Publication of CN114140395A publication Critical patent/CN114140395A/zh
Withdrawn legal-status Critical Current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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了肺部纤维化智能判定方法，包括如下步骤：获取训练样本，预先标定出每张CT影像胸片样本图像中各个肺区所包含的各个种类的尘肺纤维阴影像素作为样本标签。将训练样本输入至卷积神经网络模型。每一张CT影像胸片样本图像依序经过卷积后，分别生成不同映射尺度的目标特征向量。对卷积神经网络模型的模型参数进行调整，以训练出肺部纤维化智能判定模型，并对采集的CT影像胸片图像进行肺部纤维化的分类及定位。检测模块中输入的图像为整张CT影像胸片，特征学习模型设计为将最后三层全连接层替换为卷积层，这样设计的目的是为了实现输入图像和输出也是图像的端到端检测，同时可以直接检测出不同肺区的病灶区域。

Description

肺部纤维化智能判定方法
技术领域
本发明涉及医学影像分析技术领域，尤其涉及肺部纤维化智能判定方法。
背景技术
常见的目标检测采用的策略首先是对一张整个图像移动窗口滑块生成独立的图像块，使用这些图像块选择目标候选区域，继而判别目标类别和位置，最后将目标识别区域进行整合。但是，这个策略存在两个问题，一是在对整个图像输入到特征提取模型中是需要利用滑动窗口来实现的，也即检测到的目标特征是在图像块中，对于整个图像来说，目标区域在图像块中未必是完整的，那么在图像块中就存在非目标区域和目标区域的两种样本，这样对后期的图像块整合就带来了难度，如果方法不得当，整合的目标区域就会出现冗余或者明显的缺失，即无法准确定位；二是基于滑动窗口的目标检测，会带来大量的计算开销，因为在目标图像中，存在目标区域的窗口毕竟是少数，这种检测的方法类似于穷举法，既浪费了训练和测试时间，又增加了实验设备的存储资源浪费。
发明内容
为解决上述背景技术中的技术问题，本发明提供肺部纤维化智能判定方法。本发明采用以下技术方案实现：肺部纤维化智能判定方法，包括如下步骤：
S1、获取训练样本，所述训练样本包括多张CT影像胸片样本图像；所述CT影像胸片样本图像为具有不同大小尘肺纤维阴影像素的各个肺区图像；
S2、预先标定出每张CT影像胸片样本图像中各个肺区所包含的各个种类的尘肺纤维阴影像素，并将标定后的CT影像胸片样本图像作为样本标签；
S3、将训练样本输入至卷积神经网络模型；对于每一张CT影像胸片样本图像依序经过卷积神经网络模型的其中的几个卷积层卷积后，分别生成不同映射尺度的目标特征向量；
S4、基于生成不同映射尺度的目标特征向量和训练集中预先标定的样本标签，通过复合训练损失函数对所述卷积神经网络模型的模型参数进行调整，以训练出肺部纤维化智能判定模型；
S5、通过肺部纤维化智能判定模型对采集的CT影像胸片图像进行肺部纤维化的分类及定位。
作为上述方案的进一步改进，所述的步骤S3中，所述卷积神经网络模型包括依序相连的8个卷积层，各个卷积层均使用1×1的卷积核进行相应的特征提取；
当CT影像胸片样本图像经过卷积层conv4、conv5、conv6、conv8后，会分别生成多个用于与样本标签比较的目标特征向量。
作为上述方案的进一步改进，所述的步骤S3中，所述的卷积层conv1-3的图像像素均为512×515，卷积层conv4、卷积层conv5、卷积层conv6、卷积层conv7、卷积层conv8的图像像素依次分别为256×256、128×128、64×64、32×32、16×16。
作为上述方案的进一步改进，所述的步骤S3中，设置卷积神经网络模型的模型参数随机初始化，设置初始学习率为0.001，动量0.9，权重延迟0.0005，批处理尺寸32张，迭代次数10k次。
作为上述方案的进一步改进，所述的步骤S3中，通过如下复合训练损失函数对所述卷积神经网络模型的模型参数W进行调整的方法如下步骤：将目标分类误差函数定义为：
Figure BDA0003345052130000021
其中，W是卷积神经网络模型的模型参数，S＝{S1,S2,...,SN}是训练样本集合，N是卷积层的数量，αn是误差函数ln的权重，Xi是标注好的样本图像块，Yi＝(yi,bi)是标注好的样本标签，yi∈{0,1,...,K}是真实目标框坐标；(x，y，w，h)分别表示目标框的中心点坐标和宽长值；将坐标误差函数定义为：
Figure BDA0003345052130000031
其中，m是检测时的预测目标框所在卷积层的层数，i是检测的初始目标框坐标，j是真实目标框坐标，坐标误差函数采用smoothL1()求解预测目标框和真实目标框的坐标误差，则
Figure BDA0003345052130000032
的计算方法为：
Figure BDA0003345052130000033
其中，
Figure BDA0003345052130000034
表示预测目标框的中心、长宽坐标，
Figure BDA0003345052130000035
表示真实目标框的中心、长宽坐标，
Figure BDA0003345052130000036
表示预测目标框和真实目标框的坐标差值；
将目标分类误差函数与坐标误差函数联合训练学习，融合每一个卷积层输出的目标特征向量，则误差函数表示为：
Figure BDA0003345052130000037
其中，p(X)＝(p0(X),...,pK(X))是目标分类概率值，λ是平衡参数且通过交叉验证设置为1，分类误差函数采用交叉熵函数计算，Lobj(p(X),y)＝-logpy(X)。
作为上述方案的更进一步改进，所述利用平铺初始检测框方式训练学习特殊尺度的不同目标，假设使用m个卷积层来预测，则每层的初始目标检测框的尺寸比例表示为：
Figure BDA0003345052130000038
其中，smin就是最低层的尺度系数为，smax最高层的尺度系数为，k为初始目标框的数量。
作为上述方案的更进一步改进，所述初始目标框的宽和长计算公式分别表示为：
Figure BDA0003345052130000041
则每个初始目标框的第i行和第j列的中心点设置为
Figure BDA0003345052130000042
m是m×m特征映射图的尺寸。
采用上述任意一种所述的肺部纤维化智能判定方法的肺部纤维化智能判定装置，包括：
样本获取模块，其用于训练样本包括多张CT影像胸片样本图像；所述CT影像胸片样本图像为具有不同大小尘肺纤维阴影像素的各个肺区图像；
样本标定模块，其用于预先标定出每张CT影像胸片样本图像中各个肺区所包含的各个种类的尘肺纤维阴影像素，并将标定后的CT影像胸片样本图像作为样本标签；
样本训练模块，其用于将训练样本输入至卷积神经网络模型；对于每一张CT影像胸片样本图像依序经过卷积神经网络模型的其中的几个卷积层卷积后，分别生成不同映射尺度的目标特征向量；
模型建立模块，其基于生成不同映射尺度的目标特征向量和训练集中预先标定的样本标签，用于通过复合训练损失函数对所述卷积神经网络模型的模型参数进行调整，以训练出肺部纤维化智能判定模型；
判定模块，其用于利用肺部纤维化智能判定模型对采集的CT影像胸片图像进行肺部纤维化的分类判定及定位。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时，实现上述任意一种所述的肺部纤维化智能判定方法的步骤。
本发明还提供一种计算机终端，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一种所述的肺部纤维化智能判定方法的步骤。
本发明的有益效果为：
1.本发明的肺部纤维化智能判定方法中，输入的图像由训练用的图像块替换为整张CT影像胸片，特征学习模型设计为将最后三层全连接层替换为卷积层，这样设计的目的是为了实现输入图像和输出也是图像的端到端检测，同时可以直接检测出不同肺区的病灶区域；
2.为了减少训练学习的时间和存储开销，检测的区域不是整张图像，而是均匀的在图像中不同位置进行密集取样，抽样采用不同的尺度和纵横比，针对卷积后的特征映射层进行分类和回归，采用非极大抑制算法(NMS)来选取置信度最高的疑似纤维化区域框作为最终检测结果，整个检测区域是端到端且一步完成，简洁高效，极大的减少了计算量，大幅减少了训练时间。
3.在学习特征的过程中，同时增加训练学习检测框位置的参数项，目的是既要判别对象属性，又实现精准定位。
附图说明
图1为本发明实施例1提供的肺部纤维化智能判定方法流程示意图；
图2为本发明实施例1提供的多尺度特征映射尘肺阴影检测模型的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
请结合图1，肺部纤维化智能判定方法，包括如下步骤：
S1、获取训练样本，所述训练样本包括多张CT影像胸片样本图像；所述CT影像胸片样本图像为具有不同大小尘肺纤维阴影像素的各个肺区图像；
S2、预先标定出每张CT影像胸片样本图像中各个肺区所包含的各个种类的尘肺纤维阴影像素，并将标定后的CT影像胸片样本图像作为样本标签；
S3、将训练样本输入至卷积神经网络模型；对于每一张CT影像胸片样本图像依序经过卷积神经网络模型的其中的几个卷积层卷积后，分别生成不同映射尺度的目标特征向量；
S4、基于生成不同映射尺度的目标特征向量和训练集中预先标定的样本标签，通过复合训练损失函数对所述卷积神经网络模型的模型参数进行调整，以训练出肺部纤维化智能判定模型；
S5、通过肺部纤维化智能判定模型对采集的CT影像胸片图像进行肺部纤维化的分类及定位。
请结合图2，所述的步骤S3中，所述卷积神经网络模型包括依序相连的8个卷积层，各个卷积层均使用1×1的卷积核进行相应的特征提取；
当CT影像胸片样本图像经过卷积层conv4、conv5、conv6、conv8后，会分别生成多个用于与样本标签比较的目标特征向量。
所述的步骤S3中，所述的卷积层conv1-3的图像像素均为512×515，卷积层conv4、卷积层conv5、卷积层conv6、卷积层conv7、卷积层conv8的图像像素依次分别为256×256、128×128、64×64、32×32、16×16。
所述的步骤S3中，设置卷积神经网络模型的模型参数随机初始化，设置初始学习率为0.001，动量0.9，权重延迟0.0005，批处理尺寸32张，迭代次数10k次。
所述的步骤S3中，通过如下复合训练损失函数对所述卷积神经网络模型的模型参数W进行调整的方法如下步骤：
将目标分类误差函数定义为：
Figure BDA0003345052130000061
其中，W是卷积神经网络模型的模型参数，S＝{S1,S2,...,SN}是训练样本集合，N是卷积层的数量，αn是误差函数ln的权重，Xi是标注好的样本图像块，Yi＝(yi,bi)是标注好的样本标签，yi∈{0,1,...,K}是真实目标框坐标，(x，y，w，h)分别表示目标框的中心点坐标和宽长值；
将坐标误差函数定义为：
Figure BDA0003345052130000062
其中，m是检测时的预测目标框所在卷积层的层数，i是检测的初始目标框坐标，j是真实目标框坐标，坐标误差函数采用smoothL1()求解预测目标框和真实目标框的坐标误差，则
Figure BDA0003345052130000071
的计算方法为：
Figure BDA0003345052130000072
其中，
Figure BDA0003345052130000073
表示预测目标框的中心、长宽坐标，
Figure BDA0003345052130000074
表示真实目标框的中心、长宽坐标，
Figure BDA0003345052130000075
表示预测目标框和真实目标框的坐标差值；
将目标分类误差函数与坐标误差函数联合训练学习，融合每一个卷积层输出的目标特征向量，则误差函数表示为：
Figure BDA0003345052130000076
其中，p(X)＝(p0(X),...,pK(X))是目标分类概率值，λ是平衡参数且通过交叉验证设置为1，分类误差函数采用交叉熵函数计算，Lobj(p(X),y)＝-logpy(X)。
利用平铺初始检测框方式训练学习特殊尺度的不同目标，假设使用m个卷积层来预测，则每层的初始目标检测框的尺寸比例表示为：
Figure BDA0003345052130000077
其中，smin就是最低层的尺度系数为，smax最高层的尺度系数为，k为初始目标框的数量；
所述初始目标框的宽和长计算公式分别表示为：
Figure BDA0003345052130000078
则每个初始目标框的第i行和第j列的中心点设置为
Figure BDA0003345052130000079
m是m×m特征映射图的尺寸。
实施例2
本实施例提供了一种采用实施例1的肺部纤维化智能判定方法的肺部纤维化智能判定装置，包括：
样本获取模块，其用于训练样本包括多张CT影像胸片样本图像；所述CT影像胸片样本图像为具有不同大小尘肺纤维阴影像素的各个肺区图像；
样本标定模块，其用于预先标定出每张CT影像胸片样本图像中各个肺区所包含的各个种类的尘肺纤维阴影像素，并将标定后的CT影像胸片样本图像作为样本标签；
样本训练模块，其用于将训练样本输入至卷积神经网络模型；对于每一张CT影像胸片样本图像依序经过卷积神经网络模型的其中的几个卷积层卷积后，分别生成不同映射尺度的目标特征向量；
模型建立模块，其基于生成不同映射尺度的目标特征向量和训练集中预先标定的样本标签，用于通过复合训练损失函数对所述卷积神经网络模型的模型参数进行调整，以训练出肺部纤维化智能判定模型；
判定模块，其用于利用肺部纤维化智能判定模型对采集的CT影像胸片图像进行肺部纤维化的分类判定及定位。
实施例3
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时，实现上述实施例1的肺部纤维化智能判定方法的步骤。
实施例4
本实施例提供了一种计算机终端，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例1的肺部纤维化智能判定方法的步骤。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.肺部纤维化智能判定方法，其特征在于，包括如下步骤：
S1、获取训练样本，所述训练样本包括多张CT影像胸片样本图像；所述CT影像胸片样本图像为具有不同大小尘肺纤维阴影像素的各个肺区图像；
S2、预先标定出每张CT影像胸片样本图像中各个肺区所包含的各个种类的尘肺纤维阴影像素，并将标定后的CT影像胸片样本图像作为样本标签；
S3、将训练样本输入至卷积神经网络模型；对于每一张CT影像胸片样本图像依序经过卷积神经网络模型的其中的几个卷积层卷积后，分别生成不同映射尺度的目标特征向量；
S4、基于生成不同映射尺度的目标特征向量和训练集中预先标定的样本标签，通过复合训练损失函数对所述卷积神经网络模型的模型参数进行调整，以训练出肺部纤维化智能判定模型；
S5、通过肺部纤维化智能判定模型对采集的CT影像胸片图像进行肺部纤维化的分类及定位。
2.如权利要求1所述的肺部纤维化智能判定方法，其特征在于，所述的步骤S3中，所述卷积神经网络模型包括依序相连的8个卷积层，各个卷积层均使用1×1的卷积核进行相应的特征提取；
当CT影像胸片样本图像经过卷积层conv4、conv5、conv6、conv8后，会分别生成多个用于与样本标签比较的目标特征向量。
3.如权利要求2所述的肺部纤维化智能判定方法，其特征在于，所述的步骤S3中，所述的卷积层conv1-3的图像像素均为512×515，卷积层conv4、卷积层conv5、卷积层conv6、卷积层conv7、卷积层conv8的图像像素依次分别为256×256、128×128、64×64、32×32、16×16。
4.如权利要求1所述的肺部纤维化智能判定方法，其特征在于，所述的步骤S3中，设置卷积神经网络模型的模型参数随机初始化，设置初始学习率为0.001，动量0.9，权重延迟0.0005，批处理尺寸32张，迭代次数10k次。
5.如权利要求2所述的肺部纤维化智能判定方法，其特征在于，所述的步骤S3中，通过如下复合训练损失函数对所述卷积神经网络模型的模型参数进行调整的方法如下步骤：
将目标分类误差函数定义为：
Figure FDA0003345052120000021
其中，W是卷积神经网络模型的模型参数，S＝{S1,S2,...,SN}是训练样本集合，N是卷积层的数量，αn是误差函数ln的权重，Xi是标注好的样本图像块，Yi＝(yi,bi)是标注好的样本标签；yi∈{0,1,...,K}是真实目标框坐标；x，y，w，h分别表示目标框的中心点坐标和宽长值；将坐标误差函数定义为：
Figure FDA0003345052120000022
其中，m是检测时的预测目标框所在卷积层的层数，i是检测的初始目标框坐标，j是真实目标框坐标，坐标误差函数采用smoothL1()求解预测目标框和真实目标框的坐标误差，则
Figure FDA0003345052120000023
的计算方法为：
Figure FDA0003345052120000024
其中，
Figure FDA0003345052120000025
表示预测目标框的中心、长宽坐标，
Figure FDA0003345052120000026
表示真实目标框的中心、长宽坐标，
Figure FDA0003345052120000027
表示预测目标框和真实目标框的坐标差值；
将目标分类误差函数与坐标误差函数联合训练学习，融合每一个卷积层输出的目标特征向量，则误差函数表示为：
Figure FDA0003345052120000031
其中，p(X)＝(p0(X),...,pK(X))是目标分类概率值，λ是平衡参数且通过交叉验证设置为1，分类误差函数采用交叉熵函数计算，Lobj(p(X),y)＝-logpy(X)。
6.如权利要求5所述的肺部纤维化智能判定方法，其特征在于，利用平铺初始检测框方式训练学习特殊尺度的不同目标，假设使用m个卷积层来预测，则每层的初始目标检测框的尺寸比例表示为：
Figure FDA0003345052120000032
其中，smin就是最低层的尺度系数为，smax最高层的尺度系数为，k为初始目标框的数量。
7.如权利要求5所述的肺部纤维化智能判定方法，其特征在于，所述初始目标框的宽和长计算公式分别表示为：
Figure FDA0003345052120000033
则每个初始目标框的第i行和第j列的中心点设置为
Figure FDA0003345052120000034
m是m×m特征映射图的尺寸。
8.采用如权利要求1至7任意一项所述的肺部纤维化智能判定方法的肺部纤维化智能判定装置，其特征在于，包括：
样本获取模块，其用于训练样本包括多张CT影像胸片样本图像；所述CT影像胸片样本图像为具有不同大小尘肺纤维阴影像素的各个肺区图像；
样本标定模块，其用于预先标定出每张CT影像胸片样本图像中各个肺区所包含的各个种类的尘肺纤维阴影像素，并将标定后的CT影像胸片样本图像作为样本标签；
样本训练模块，其用于将训练样本输入至卷积神经网络模型；对于每一张CT影像胸片样本图像依序经过卷积神经网络模型的其中的几个卷积层卷积后，分别生成不同映射尺度的目标特征向量；
模型建立模块，其基于生成不同映射尺度的目标特征向量和训练集中预先标定的样本标签，用于通过复合训练损失函数对所述卷积神经网络模型的模型参数进行调整，以训练出肺部纤维化智能判定模型；
判定模块，其用于利用肺部纤维化智能判定模型对采集的CT影像胸片图像进行肺部纤维化的分类判定及定位。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时，实现如权利要求1至7中任意一项所述的肺部纤维化智能判定方法的步骤。
10.一种计算机终端，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任意一项所述的肺部纤维化智能判定方法的步骤。
CN202111320635.6A 2021-11-09 2021-11-09 肺部纤维化智能判定方法 Withdrawn CN114140395A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111320635.6A CN114140395A (zh) 2021-11-09 2021-11-09 肺部纤维化智能判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111320635.6A CN114140395A (zh) 2021-11-09 2021-11-09 肺部纤维化智能判定方法

Publications (1)

Publication Number Publication Date
CN114140395A true CN114140395A (zh) 2022-03-04

Family

ID=80392520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111320635.6A Withdrawn CN114140395A (zh) 2021-11-09 2021-11-09 肺部纤维化智能判定方法

Country Status (1)

Country Link
CN (1) CN114140395A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972296A (zh) * 2022-06-14 2022-08-30 中日友好医院(中日友好临床医学研究所) 一种基于肺图的高分辨ct图像分析方法、设备及系统
CN117315378A (zh) * 2023-11-29 2023-12-29 北京大学第三医院（北京大学第三临床医学院） 一种尘肺病的分级判定方法及相关设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972296A (zh) * 2022-06-14 2022-08-30 中日友好医院(中日友好临床医学研究所) 一种基于肺图的高分辨ct图像分析方法、设备及系统
CN114972296B (zh) * 2022-06-14 2023-02-07 中日友好医院(中日友好临床医学研究所) 一种基于肺图的高分辨ct图像分析方法、设备及系统
CN117315378A (zh) * 2023-11-29 2023-12-29 北京大学第三医院（北京大学第三临床医学院） 一种尘肺病的分级判定方法及相关设备
CN117315378B (zh) * 2023-11-29 2024-03-12 北京大学第三医院（北京大学第三临床医学院） 一种尘肺病的分级判定方法及相关设备

Similar Documents

Publication Publication Date Title
CN111259930B (zh) 自适应注意力指导机制的一般性目标检测方法
CN108898047B (zh) 基于分块遮挡感知的行人检测方法及系统
CN106897738B (zh) 一种基于半监督学习的行人检测方法
CN111507370B (zh) 获得自动标注图像中检查标签的样本图像的方法和装置
CN112069874B (zh) 胚胎光镜图像中细胞的识别方法及系统、设备及存储介质
CN112465880B (zh) 基于多源异构数据认知融合的目标检测方法
CN110766041B (zh) 一种基于深度学习的害虫检测方法
CN107633226B (zh) 一种人体动作跟踪特征处理方法
CN110264444B (zh) 基于弱分割的损伤检测方法及装置
CN114140395A (zh) 肺部纤维化智能判定方法
CN111798417A (zh) 一种基于ssd遥感图像目标检测的方法及装置
CN113326735B (zh) 一种基于YOLOv5的多模态小目标检测方法
CN111160407A (zh) 一种深度学习目标检测方法及系统
CN114663426B (zh) 一种基于关键骨区定位的骨龄评估方法
CN109934095A (zh) 一种基于深度学习的遥感图像水体提取方法及系统
CN117079132A (zh) 基于高斯距离损失的遥感图像目标检测方法
CN111598844B (zh) 一种图像分割方法、装置、电子设备和可读存储介质
CN111222534B (zh) 一种基于双向特征融合和更平衡l1损失的单发多框检测器优化方法
CN112509017A (zh) 一种基于可学习差分算法的遥感影像变化检测方法
CN112364974A (zh) 一种基于激活函数改进的YOLOv3算法
CN113128518A (zh) 基于孪生卷积网络和特征混合的sift误匹配检测方法
CN112861678A (zh) 一种图像识别方法及装置
CN109886105B (zh) 基于多任务学习的价格牌识别方法、系统及存储介质
CN117173595A (zh) 基于改进YOLOv7的无人机航拍图像目标检测方法
CN115359248A (zh) 基于元学习的机器人导航避障方法与系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220304