CN114187288A - 基于协同深度学习和肺部ct图像的covid-19检测方法 - Google Patents
基于协同深度学习和肺部ct图像的covid-19检测方法 Download PDFInfo
- Publication number
- CN114187288A CN114187288A CN202111558884.9A CN202111558884A CN114187288A CN 114187288 A CN114187288 A CN 114187288A CN 202111558884 A CN202111558884 A CN 202111558884A CN 114187288 A CN114187288 A CN 114187288A
- Authority
- CN
- China
- Prior art keywords
- resnet
- image
- network
- cooperative
- covid
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 23
- 208000025721 COVID-19 Diseases 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012512 characterization method Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims 1
- 206010035664 Pneumonia Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 208000019693 Lung disease Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 150000007523 nucleic acids Chemical class 0.000 description 3
- 102000039446 nucleic acids Human genes 0.000 description 3
- 108020004707 nucleic acids Proteins 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 208000029523 Interstitial Lung disease Diseases 0.000 description 1
- 206010025080 Lung consolidation Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000013526 transfer learning 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
- G06F18/21—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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于协同深度学习和肺部CT图像的COVID‑19检测方法,其中用到的模型由2个预训练的残差神经网络(ResNet‑50)和1个协同网络组成,每个Res‑Net‑50学习图像表示和分类,并将学习到的图像表示作为协同网络的输入,该网络具有全连接结构来预测输入图像对是否属于同一类。因此,在每个ResNet‑50的分类误差和两个ResNet‑50的协作误差的监督下,可以端到端地训练协同网络模型,进一步加强网络学习特征表征的能力,能有效地对易混淆样本做出准确的判别。
Description
技术领域
本发明属于医学图像分类检测技术领域,具体涉及一种基于协同深度学习 和肺部CT图像的COVID-19检测方法。
背景技术
目前,使用核酸检测作为新冠的检测结果,核酸检测也被看作是此病症检 测的金标准,但核酸检测耗时长且有一定假阴性,通常需要进行多次检测才能 保证检测结果无误。除此之外,核酸对于早期病变和无症状患者检测都表现出 一定的不足;与其相比CT有更快的检测速度,且有着更为广泛的应有和便宜的 价格。然而,由于新冠肺炎CT与有其他病毒引起的肺炎CT有极大的相似性, 这使得临床的人工诊断耗时耗力,且存在误诊漏诊的可能性。普通的肺炎胸部 CT多体现在肺部炎症性和渗出性的改变,而新冠肺炎的CT早期呈现出的是多 发的小的斑片状影以及间质性的改变,是以肺的外侧带为主,随着病情的进展, 可以发展成为双肺的多发的磨玻璃状影以及浸润影,严重的出现肺实变,这些 不同在CT的表现上是及其相似的。
近几年,随着深度学习的发展,其在医疗图像识别方面的应用也得到了不 错的成绩,尤其是在CT和X光片的识别区分方面;卷积神经网络作为深度学 习中应用较为广泛的神经网络,在疾病的诊断方面做出了极为出色的成就。在 COVID-19全球蔓延的过程中,为了快速完成其诊断并尽可能减少COVID-19对 全球经济生活的损害,许多研究人员将注意力集中在使用深度学习检测方法, 他们大多提出了胸部CT扫描分析的方法,特别提到了区分COVID-19和其他肺 部疾病的问题,即肺炎(CAP)和间质性肺病(IDL);但在现实状况中这类方法存 在数据集不足的问题,这可能导致准确性差和泛化能力不足,加上它们之间有很强大类间相似性及类内差异性,给分类和诊断问题带来了极大的困扰。
针对数据不足的问题,大量实验已经证明使用迁移学习可以有效地解决医 学影像分类中的小样本学习问题,但并不能改善医学影像中类间相似和类内差 异的问题。
发明内容
鉴于上述,本发明提供了一种基于协同深度学习和肺部CT图像的 COVID-19检测方法,能够实现对COVID-19的识别,并能对不同的肺部疾病进 行分类。
一种基于协同深度学习和肺部CT图像的COVID-19检测方法,首先构建由 两个残差神经网络ResNet-50和一个协同网络所组成的检测模型,所述残差神经 网络ResNet-50用于学习图像表示和分类并将学习到的图像表示作为协同网络 的输入;然后利用包含有COVID-19的训练集肺部CT图像对该模型进行训练, 最后利用训练完成的模型对测试集肺部CT图像进行检测分类。
进一步地,在对模型进行训练之前需对训练集肺部CT图像进行预处理,首 先采用双三次内插将每张图像重塑为相同的大小,并对图像进行宽度/中心的缩 放以增强对比度;然后对图像进行二值化处理,使用腐蚀算法去除图像中的噪 声,使用闭运算去除图像边缘的空洞,同时采用开合操作用以移除图像中差异 较大的床层区域,最后通过补水法提取完整的肺部区域作为ROI输入至模型。
进一步地,所述残差神经网络ResNet-50采用的损失函数表达式如下:
式中:L(θ)为残差神经网络ResNet-50在参数θ下的损失函数,N为每个批次输 入的样本数量,K为分类数量,为本批次内第i个样本输入至残差神经网络 ResNet-50在倒数第二个全连接层所生成的深度特征,其中下标j表示该样本输 入至残差神经网络ResNet-50检测输出的类别,l{y(i)=j}为判别函数,若y(i)=j成 立,则l{y(i)=j}=1,否则l{y(i)=j}=0,y(i)为第i个样本的真值类别。
进一步地,所述协同网络由嵌入层、全连接学习层和输出层依次连接组成, 两个残差神经网络ResNet-50在倒数第二个全连接层生成的深度特征分别表示 为fA和fB,将fA与fB进行联结得到一个组合特征fA,B输入至协同网络中,得到 的输出结果用于判断输入至两个残差神经网络ResNet-50的图像对是否属于同 一类别,如果存在协同错误,则提供校正反馈。
进一步地,所述协同网络采用的损失函数表达式如下:
进一步地,本发明根据残差神经网络ResNet-50和协同网络的损失函数采用 小批量随机梯度下降算法对模型进行训练以优化模型参数。
进一步地,利用训练完成的模型进行测试时,将测试图像对分别输入至两 个残差神经网络ResNet-50,对应得到两个预测向量P(A)和P(B)即残差神经网络 ResNet-50中最后一个全连接层的输出,此时额外的协同网络在最后的分类预测 中被丢弃,最终的输出预测结果为y:
其中:M为预测向量的维度,P(A)i和P(B)i分别为预测向量P(A)和P(B)中第i个 元素值。
本发明的主要贡献在于提出一种协同深度学习方法,该方法同时从多个图 像中学习区分特征的表示,使协同深度学习模型中的ResNet-50模块能够在学习 过程中相互促进,因为如果一个ResNet-50做出正确的决定,则另一个ResNet-50 的错误可能会导致协同错误,从而实时地将两个ResNet-50产生的协同错误进行 反向传播、修正网络的权值,进一步加强网络的表征能力,针对易混淆样本提 高了其训练权重,可以对其做出更准确地判别。
本发明由于采用了协同学习的方法,ResNet-50对于特征学习的能力得到了 加强,能更好的应对医学图像中存在的类内差异和类间相似的问题,优化了基 于深度学习的算法准确性不高的问题。加入的协同学习模块使得ResNet-50之间 可以互相学习,共同优化,模型对易混淆样本具有很好的辨别能力,能大大提 高针对肺部CT图像的COVID-19的鉴别能力,以及对于不同肺部疾病的分类准 确率。
附图说明
图1为本发明协同网络模型的整体结构流程示意图。
图2为本发明模型中协同网络部分的结构示意图。
图3为CT图像预处理过程示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技 术方案进行详细说明。
本发明基于协同深度学习和肺部CT图像的COVID-19检测方法,具体包括 如下步骤:
(1)图像对输入。
与传统的残差神经网络ResNet-50不同,本发明所提出的协同深度学习同时 接受从训练集中随机选择的n个输入图像,每个图像和它的类标签一起被输入 到ResNet-50,并且每对图像具有对应的协同标签,用来判断这一对图像是否属 于同一类别,并将其提供给协同网络使用。
数据在输入网络之前按以下步骤进行预处理。首先,我们将所有CT图像 重塑为相同的224*224*3大小。然后,我们在CT图像中进行“宽度/中心”缩 放(宽度:1600,中心:-500)以增强对比度。为了统一的图像尺寸,我们使用双三 次内插,以每个图像的尺寸调整为224×224×3。
为了去除床板面积的影响,需要在CT图像上对肺部进行分割;如图3所示, 首先用补水法对预处理后的CT图像进行分割,然后依次进行腐蚀和开合操作, 去除差异较大的床层区域,仅提取完整的肺区域,并选择具有完整肺空间的图 像作为输入。
本实施方式先对图像进行二值化处理,将100以下的像素值设为0,接下来 使用腐蚀算法去除噪声,使用闭运算去除边缘的空洞,然后open操作用于移除 下面的床板区域,最后通过补水法提取有效区域,得到仅肺部区域的CT图像。
(2)ResNet-50模块。
如图1所示,作为协同深度学习网络的基本组成部分,它包括两个完整的 ResNet-50。由于ResNet-50拥有出色的表现能力,考虑到医学图像样本的有限 性,我们使用预训练的ResNet-50作为网络中两个ResNet-50模块的初始模型, 分别表示为ResNet50-A、ResNet50-B,该预训练的网络包括50个学习层。 ResNet50-A、ResNet50-B的可学习参数分别被标记为θA和θB,并不相互共享参 数。使用图像序列X={x(1),x(2),…,x(N)}和其相对应的标签序列Y= {y(1),y(2),…,y(N)}来训练每个ResNet-50模块,旨在找到一组参数θ以减少后续 的交叉熵损失:
其中:K是分类的数量,N为每个批次训练样本的数量,z(i)=F(x(i),θ)代表前向 运算,这个优化问题可以通过使用小批量随机梯度下降算法来解决。对于K个 分类问题来说,需要去除原始网络中的所有全连接层,用1024个神经元的全连 接层和K个神经元的全连接层代替,这些新添加的层的参数通过均匀分布 U(-0.05,0.05)老初始化。
(3)协同网络模块。
为了通过每对图像的协同标签进一步监督每个ResNet-50组件的训练,如图 2所示,我们设计了一个由嵌入层、全连接学习层和输出层组成的协同网络。一 对图像(XA,XB)被输入到两个ResNet-50组件(ResNet50-A,ResNet50-B)中, ResNet50中倒数第二个全连接层的输出定义为ResNet50学习到的深度图像特 征,可以通过前向计算得到,形式如下:
fA=F(xA,θ(i))
fB=F(xB,θ(j))
然后,将两幅图像的深层特征连接为fA,B并输入到协同网络中;在此模型中 共有三个标签值,其中两个为输入图像对的类别真值yA和yB,另一个为协同网 络的标签值ys,定义如下:
其中:ys=1表示所输入图像对为同一类别,为一个正图像对;ys=0表示所输入 图像对为不同类别,为一个负图像对。通过添加另一个sigmoid层并使用以下二 元交叉熵损失可以方便地监视协同信号:
(4)训练过程。
提议的协同深度学习模型由2个ResNet-50组件和一个协同网络组成;在端 到端训练期间,每个ResNet-50组件和协同网络的参数都可以更新为:
θ(A)(t+1)=θ(A)·(t)-η(t)·Δ(A)
θ(B)(t+1)=θ(B)·(t)-η(t)·Δ(B)
θS(A,B)(t+1)=θS(A,B)·(t)-η(t)·ΔS(A,B)
其中:η(t)为可变学习率,S(A,B)表示ResNet50-A和ResNet50-B之间的协同网络;梯度值计算为:
其中:λ代表了分类误差的和协同误差之间的权衡。
(5)测试过程。
当用训练好的协同网络用于测试图像分类时,每个ResNet-50部分会得出一 个预测向量P(A)=(P(A)1,P(A)2……P(A)M)、P(B)=(P(B)1,P(B)2……P(B)M), 它是其最后一个全连接层的激活值。此时额外的协同学习网络在最后的分类预 测中被丢弃,测试图像的输出标签可以预测为结果y:
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本 发明,熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并 把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此, 本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做 出的改进和修改都应该在本发明的保护范围之内。
Claims (8)
1.一种基于协同深度学习和肺部CT图像的COVID-19检测方法,其特征在于:首先构建由两个残差神经网络ResNet-50和一个协同网络所组成的检测模型,所述残差神经网络ResNet-50用于学习图像表示和分类并将学习到的图像表示作为协同网络的输入;然后利用包含有COVID-19的训练集肺部CT图像对该模型进行训练,最后利用训练完成的模型对测试集肺部CT图像进行检测分类。
2.根据权利要求1所述的COVID-19检测方法,其特征在于:在对模型进行训练之前需对训练集肺部CT图像进行预处理,首先采用双三次内插将每张图像重塑为相同的大小,并对图像进行宽度/中心的缩放以增强对比度;然后对图像进行二值化处理,使用腐蚀算法去除图像中的噪声,使用闭运算去除图像边缘的空洞,同时采用开合操作用以移除图像中差异较大的床层区域,最后通过补水法提取完整的肺部区域作为ROI输入至模型。
4.根据权利要求1所述的COVID-19检测方法,其特征在于:所述协同网络由嵌入层、全连接学习层和输出层依次连接组成,两个残差神经网络ResNet-50在倒数第二个全连接层生成的深度特征分别表示为fA和fB,将fA与fB进行联结得到一个组合特征fA,B输入至协同网络中,得到的输出结果用于判断输入至两个残差神经网络ResNet-50的图像对是否属于同一类别,如果存在协同错误,则提供校正反馈。
6.根据权利要求1所述的COVID-19检测方法,其特征在于:根据残差神经网络ResNet-50和协同网络的损失函数采用小批量随机梯度下降算法对模型进行训练以优化模型参数。
8.根据权利要求1所述的COVID-19检测方法,其特征在于:该方法同时从多个图像中学习区分特征的表示,使协同深度学习模型中的ResNet-50模块能够在学习过程中相互促进,因为如果一个ResNet-50做出正确的决定,则另一个ResNet-50的错误可能会导致协同错误,从而实时地将两个ResNet-50产生的协同错误进行反向传播、修正网络的权值,进一步加强网络的表征能力,针对易混淆样本提高了其训练权重,可以对其做出更准确地判别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111558884.9A CN114187288A (zh) | 2021-12-20 | 2021-12-20 | 基于协同深度学习和肺部ct图像的covid-19检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111558884.9A CN114187288A (zh) | 2021-12-20 | 2021-12-20 | 基于协同深度学习和肺部ct图像的covid-19检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187288A true CN114187288A (zh) | 2022-03-15 |
Family
ID=80605580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111558884.9A Pending CN114187288A (zh) | 2021-12-20 | 2021-12-20 | 基于协同深度学习和肺部ct图像的covid-19检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187288A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114869224A (zh) * | 2022-03-28 | 2022-08-09 | 浙江大学 | 基于协同深度学习和肺部听诊音的肺部疾病分类检测方法 |
CN116523840A (zh) * | 2023-03-30 | 2023-08-01 | 苏州大学 | 一种基于深度学习的肺部ct图像检测系统以及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169527A (zh) * | 2017-06-06 | 2017-09-15 | 西北工业大学 | 基于协同深度学习的医学图像分类方法 |
CN112633404A (zh) * | 2020-12-30 | 2021-04-09 | 复旦大学 | 基于DenseNet的COVID-19患者的CT影像分类方法及装置 |
US11076824B1 (en) * | 2020-08-07 | 2021-08-03 | Shenzhen Keya Medical Technology Corporation | Method and system for diagnosis of COVID-19 using artificial intelligence |
-
2021
- 2021-12-20 CN CN202111558884.9A patent/CN114187288A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169527A (zh) * | 2017-06-06 | 2017-09-15 | 西北工业大学 | 基于协同深度学习的医学图像分类方法 |
US11076824B1 (en) * | 2020-08-07 | 2021-08-03 | Shenzhen Keya Medical Technology Corporation | Method and system for diagnosis of COVID-19 using artificial intelligence |
CN112633404A (zh) * | 2020-12-30 | 2021-04-09 | 复旦大学 | 基于DenseNet的COVID-19患者的CT影像分类方法及装置 |
Non-Patent Citations (3)
Title |
---|
JIANPENG ZHANG等: "Medical image classification using synergic deep learning", 《MEDICAL IMAGE ANALYSIS》, vol. 54, 18 February 2019 (2019-02-18), pages 10 - 19 * |
YIWEI GAO等: "Corona Virus Disease (COVID-19) Detection in CT Images Using Synergic Deep Learning", 《IMAGE AND GRAPHICS》, 30 September 2021 (2021-09-30), pages 809 - 819, XP047611912, DOI: 10.1007/978-3-030-87358-5_66 * |
张建鹏: "基于深度学习的医学图像分类技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 07, 15 July 2021 (2021-07-15), pages 138 - 464 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114869224A (zh) * | 2022-03-28 | 2022-08-09 | 浙江大学 | 基于协同深度学习和肺部听诊音的肺部疾病分类检测方法 |
CN116523840A (zh) * | 2023-03-30 | 2023-08-01 | 苏州大学 | 一种基于深度学习的肺部ct图像检测系统以及方法 |
CN116523840B (zh) * | 2023-03-30 | 2024-01-16 | 苏州大学 | 一种基于深度学习的肺部ct图像检测系统以及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | A deep learning algorithm for one-step contour aware nuclei segmentation of histopathology images | |
CN107767378B (zh) | 基于深度神经网络的gbm多模态磁共振图像分割方法 | |
Paulinas et al. | A survey of genetic algorithms applications for image enhancement and segmentation | |
CN114187288A (zh) | 基于协同深度学习和肺部ct图像的covid-19检测方法 | |
CN113192633B (zh) | 基于注意力机制的胃癌细粒度分类方法 | |
Deif et al. | Diagnosis of oral squamous cell carcinoma using deep neural networks and binary Particle Swarm optimization on histopathological images: an AIoMT approach | |
Babu et al. | Colon cancer prediction using 2DR e CA segmentation and hybrid features on histopathology images | |
Zhao et al. | Cascade and Fusion of Multitask Convolutional Neural Networks for Detection of Thyroid Nodules in Contrast‐Enhanced CT | |
Liang et al. | Genetic programming for evolving figure-ground segmentors from multiple features | |
Bilal et al. | An aggregation of aggregation methods in computational pathology | |
CN116884623B (zh) | 基于激光扫描成像的医疗康复预测系统 | |
CN115471701A (zh) | 基于深度学习和迁移学习的肺腺癌组织学亚型分类方法 | |
Kareem et al. | Skin lesions classification using deep learning techniques | |
Qi et al. | Curriculum feature alignment domain adaptation for epithelium-stroma classification in histopathological images | |
Yang et al. | Retinal vessel segmentation based on an improved deep forest | |
Malik et al. | Lung cancer detection at initial stage by using image processing and classification techniques | |
Khan et al. | Ddnet: Diabetic retinopathy detection system using skip connection-based upgraded feature block | |
CN114970862B (zh) | 一种基于多实例知识蒸馏模型的pdl1表达水平预测方法 | |
Bai et al. | A unified deep learning model for protein structure prediction | |
Haji-Maghsoudi et al. | Automatic organs' detection in WCE | |
Wei et al. | Genetic U-Net: automatically designing lightweight U-shaped CNN architectures using the genetic algorithm for retinal vessel segmentation | |
CN115661185A (zh) | 一种眼底图像血管分割方法及系统 | |
Percannella et al. | Joint Intensity Classification and Specimen Segmentation on HEp-2 Images: A Deep Learning Approach | |
Bijoy et al. | Detecting cervix type using deep learning and GPU | |
Mo et al. | A multi-level context fusion network for exudate segmentation in retinal images |
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 |