CN114565557A - 一种基于坐标注意力的对比增强能谱摄影分类方法及装置 - Google Patents
一种基于坐标注意力的对比增强能谱摄影分类方法及装置 Download PDFInfo
- Publication number
- CN114565557A CN114565557A CN202210044328.8A CN202210044328A CN114565557A CN 114565557 A CN114565557 A CN 114565557A CN 202210044328 A CN202210044328 A CN 202210044328A CN 114565557 A CN114565557 A CN 114565557A
- Authority
- CN
- China
- Prior art keywords
- classification
- coordinate
- attention
- contrast
- energy spectrum
- 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
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20084—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
- G06T2207/30068—Mammography; Breast
Abstract
本发明属于医疗影像处理领域,提供了一种基于坐标注意力的对比增强能谱乳腺摄影分类方法及装置,对增强后的对比增强能谱乳腺摄影图像进行归一化处理;对归一化处理后的能谱图像采用尺度调整处理;将尺度调整后的图像输入特征提取网络训练学习,根据所述特征提取网络模型提取特征,然后根据所述坐标注意力模块进行注意力嵌入和生成,捕获感兴趣区域,最后由分类网络模型输出能谱图像的分类结果。本发明可以沿一个空间方向进行特征捕获,同时可以沿另一空间方向保留精确的位置信息,比传统图像分类方法考虑的信息更加全面,实践证明此方法保证了算法的鲁棒性,并且提高了分类精度。
Description
技术领域
本发明属于医疗影像处理技术领域,尤其涉及一种基于坐标注意力的对比增强能谱摄影分类方法及装置。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
通常情况下,医疗摄影是临床非常重要的常规检查手段,而对比增强能谱摄影则是在其基础上通过使用对比剂做进一步检查的新型成像技术,在静脉注射碘剂后的规定时间内,经高、低能瞬间切换曝光等后处理,进行头尾位和内外侧斜位投照,每个摄影体位均可获得低能影像和高能影像各一张,两张图像经过系统后处理可得到一幅类似减影的图像。放射医师根据检查所得的图像数据进行良恶性诊断,然而,诊断结果与医生个体经验水平有着直接联系。
随着计算机技术的发展,基于对比增强能谱摄影的计算机辅助诊断系统开始被用于辅助医生诊断疾病,能够提升患癌的筛查效率和准确率,帮助影像科医师在早期发现身体部位病变。
现有深度学习的方法仅将自然图像的分类算法移植到对比增强能谱摄影中,仅考虑图像局部特征,没有考虑摄影中肿块附近区域对肿块病变判断的影响,无法准确定位并识别目标病变区域,所以这些方法对能谱图像分类的准确率不高。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供一种基于坐标注意力的对比增强能谱摄影分类方法,其基于深度学习网络,将坐标注意力模块引入图像分类模型,根据输入的乳腺图像数据提取多种特征,并通过坐标注意力块进行加权从而进行对比增强能谱摄影的分类。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于坐标注意力的对比增强能谱摄影分类方法,包括如下步骤:
获取对比增强能谱摄影数据以及进行良恶性归类得到对应的良恶性标签;
将对比增强能谱摄影数据进行预处理,将预处理后的对比增强能谱摄影数据结合特征提取网络进行训练,通过特征提取网络的第一个全连接层,获取深度特征图;
引入坐标注意力机制,根据深度特征图和良恶性标签对分类网络模型进行训练,将通道通道注意力分解为两个特征编码过程,对深度特征图进行坐标信息嵌入和坐标注意力生成;
基于训练后的分类网络模型进行良恶性分类,得到待分类影像的良恶性分类结果。
本发明的第二个方面提供一种基于坐标注意力的对比增强能谱摄影分类系统,包括:
数据获取模块,被配置为:获取对比增强能谱摄影数据以及进行良恶性归类得到对应的良恶性标签;
特征提取模块,被配置为:将对比增强能谱摄影数据进行预处理,将预处理后的对比增强能谱摄影数据结合特征提取网络进行训练,通过特征提取网络的第一个全连接层,获取深度特征图;
图像分类模块,被配置为:引入坐标注意力机制,根据深度特征图和良恶性标签对分类网络模型进行训练,将通道通道注意力分解为两个特征编码过程,对深度特征图进行坐标信息嵌入和坐标注意力生成;
基于训练后的分类网络模型进行良恶性分类,得到待分类影像的良恶性分类结果。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的一种基于坐标注意力的对比增强能谱摄影分类方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在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如上述所述的一种基于坐标注意力的对比增强能谱摄影分类方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明将坐标注意力模块引入图像分类模型,根据输入的乳腺图像数据提取多种特征,并通过坐标注意力块进行加权从而进行对比增强能谱乳腺摄影的分类,能够在输入对比增强能谱摄影图像数据中提取特征信息,分别对于水平方向和垂直方向进行图像的坐标信息嵌入和坐标注意力生成,并从通道中提取与分类任务相关的有效图像特征,增强网络的特征提取能力,从而获得较为良好的分类结果。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明的基于坐标注意力的对比增强能谱乳腺摄影分类方法流程图;
图2(a)-图2(d)是本发明训练分类模型时输入的对比增强能谱乳腺摄影分类图像;
图3是本发明中坐标注意力机制的内部结构图;
图4是本发明的基于坐标注意力的对比增强能谱乳腺摄影分类装置。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
乳腺癌筛查是对无症状、表面健康的女性进行筛查,以达到早期乳腺癌诊断的目的。针对乳腺癌筛查的成像技术手段有:超声成像、计算机断层扫描、核磁共振成像、乳腺摄影检查和对比增强能谱乳腺摄影等。这些检查技术能够通过获取人体解剖结构信息和生理、生活等功能代谢信息,辅助医生对病人的情况进行判断。
实施例一
如图1所示,本实施例提供一种基于坐标注意力的对比增强能谱摄影分类方法,包括如下步骤:
S101:获取对比增强能谱摄影数据;
S102:根据临床检测报告对对比增强能谱摄影数据进行良恶性分类;
所述根据临床诊断报告对所有对比增强能谱摄影图像分为良性和恶性,并进行编号和重命名。
S103:将对比增强能谱摄影数据进行预处理,包括图像裁剪、图像增强处理、数据集划分、归一化处理以及尺度调整;
S104:将预处理后的对比增强能谱摄影数据结合特征提取网络进行训练,通过特征提取网络的第一个全连接层,获取深度特征图;
S105:引入坐标注意力机制,根据深度特征图和良恶性标签对分类网络模型进行训练,将通道通道注意力分解为两个特征编码过程,对深度特征图进行坐标信息嵌入和坐标注意力生成;
S106:基于训练后的分类网络模型进行良恶性分类,得到待分类影像的良恶性分类结果。
S101中,所述对比增强能谱摄影数据包括:CC位能谱低能图像、MLO位的能谱低能图像、CC位能谱减影图像以及及MLO位能谱减影图像。
其中,以乳腺摄像数据为例,如图2(a)-图2(d)所示,为对比增强能谱乳腺摄影进行图像分类的实例图。
对比增强能谱乳腺摄影图像可以预先存储在计算机设备的存储器中,当需要对其进行处理时,处理器直接从计算机设备的存储器中读取图像。处理器也可以从外部设备中获取乳腺能谱图像。比如,将待检测对象的乳腺能谱图像存储在云端,当需要进行处理操作时,处理器从云端获取待检测对象的对比增强能谱乳腺摄影图像。本实施例对处理器获取对比增强能谱乳腺摄影图像的具体方式不做限定。
根据临床检测报告对对比增强能谱乳腺摄影数据进行良恶性分类,获取采集到的对比增强能谱乳腺摄影数据后,用于训练的图像应当按照临床检测报告归类为良性或者恶性。同时由于良恶性的样本的数量不均衡,需要随机预留部分良性图像数据。
S103中,所述图像预处理包括:
由于采集到的图像黑色边缘背景对特征的提取会产生一定的影响,所以在预处理时选择去除黑色边缘背景。
(1)将对比增强能谱摄影图像进行裁剪,所述图像的裁剪包括:
将能谱图像转化成灰度图;通过遍历的方法判断某一列是不是空白内容,即计算这一列中的像素值是否是全黑色背景。在灰度图里,像素的灰度值为0代表像素为纯黑色,255代表像素为纯白色。
设置接近0的阈值,如果一个像素的灰度值低于这个阀值,可以判定这个像素为黑色,这个阀值就是white参数。对于一行或一列上来说,除了要判断单个像素是否为白色,还要判断这一行是不是空白内容。
(2)对裁剪后的对比增强能谱摄影进行图像增强处理,所述图像增强处理可以有目的地强调图像的整体或局部特性,扩大图像中不同物体特征之间的差别。同时通过对图像的旋转、翻转、平移、增加噪声等操作,可以增加图像的数量,防止网络发生过拟合,也可以增强分类网络的鲁棒性。
(3)将增强后的对比增强能谱摄影划分为训练集和测试集,包括:
所述数据增强后的图像随机预留出总图像的20%作为测试集,用训练完成的网络对此部分数据进行预测,检验分类效果,剩余的80%作为训练集,用作网络模型的调参训练。
(5)对归一化处理后的对比增强能谱摄影图像采用尺度调整处理。
例如可以将归一化之后的图像调整到224×224像素大小,以满足分类网络的输入要求。
S104中,所述特征提取网络由多层卷积神经网络为骨干网络组成,其骨干网可以采用多种架构,可以采用VGGNet,ResNet,SeResNet,ResNext,WideResNet,Res2Net等,在本申请的实施例中并不进行具体限定。
以最常用的ResNet50为例,使用前4个卷积块作为特征提取网络,则输入长宽高尺寸为(w,h,3)的原始图像,经过4个卷积网络块会下采样16倍,即输出的特征图尺寸是(w/16,h/16,3)。网络的前几层学习的是相对泛化的特征,比如边缘、颜色等,而靠后几层的网络学习到的特征更高层。
S105中,如图3所示,所述根据深度特征图和坐标注意力机制,对深度特征图进行坐标信息嵌入和坐标注意力生成,包括:
(1)通过坐标注意力机制将通道通道注意力分解为两个特征编码过程,分别沿两个空间方向进行坐标信息嵌入,生成一对方向感知的特征图;
这样,可以沿一个空间方向捕获远程依赖关系,同时可以沿另一空间方向保留精确的位置信息,有助于网络更准确地定位感兴趣的对象。
传统的通道注意力机制是对空间信息进行全局编码,表示为:
式中,H表示输入注意力模块的特征图的高,W表示表示输入注意力模块的特征图的宽。
本实施例中,在坐标注意力中,将等式(1)中公式化的全局池分解,给定输入X,我们使用池核的两个空间范围(H,1)或(1,W)分别沿水平坐标和垂直坐标对每个通道进行编码。
因此,所述沿水平坐标对每个通道编码公式为:
式中,h表示输入注意力模块的特征图的高,i表示特征图中每个点的纵坐标值,xc(·)表示对括号内的坐标点进行全局池化操作,即将第c个通道的空间特征编码为一个全局特征。
所述沿垂直坐标对每个通道编码公式为:
式中,j表示输入注意力模块的特征图中每个点的横坐标值,w表示输入注意力模块的特征图的宽。
(2)将一对方向感知的特征图输入全局池化层,进行两个空间方向的特征聚合,生成坐标注意力。
充分利用捕获的位置信息,从而可以准确地突出显示感兴趣的区域,以增强关注对象的表示。
所述坐标注意力网络,运用平均池化层、全局池化层、1×1卷积层,沿水平和垂直方向经过信息嵌入和注意力生成两个步骤,充分利用图像特征的位置信息,准确捕获感兴趣的区域和通道间的关系;所述分类网络,运用全连接层和sigmoid激活函数用于对比增强能谱乳腺摄影图像的精准分类。
实施例二
本实施例提供一种基于坐标注意力的对比增强能谱摄影分类系统,包括:
数据获取模块,被配置为:获取对比增强能谱摄影数据以及进行良恶性归类得到对应的良恶性标签;
特征提取模块,被配置为:将对比增强能谱摄影数据进行预处理,将预处理后的对比增强能谱摄影数据结合特征提取网络进行训练,通过特征提取网络的第一个全连接层,获取深度特征图;
图像分类模块,被配置为:引入坐标注意力机制,根据深度特征图和良恶性标签对分类网络模型进行训练,将通道通道注意力分解为两个特征编码过程,对深度特征图进行坐标信息嵌入和坐标注意力生成;
基于训练后的分类网络模型进行良恶性分类,得到待分类影像的良恶性分类结果。
实施例三
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,该程序被处理器执行时实现如上述所述的一种基于坐标注意力的对比增强能谱摄影分类方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在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如上述所述的一种基于坐标注意力的对比增强能谱摄影分类方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于坐标注意力的对比增强能谱摄影分类方法,其特征在于,包括如下步骤:
获取对比增强能谱摄影数据以及进行良恶性归类得到对应的良恶性标签;
将对比增强能谱摄影数据进行预处理,将预处理后的对比增强能谱摄影数据结合特征提取网络进行训练,通过特征提取网络的第一个全连接层,获取深度特征图;
引入坐标注意力机制,根据深度特征图和良恶性标签对分类网络模型进行训练,将通道通道注意力分解为两个特征编码过程,对深度特征图进行坐标信息嵌入和坐标注意力生成;
基于训练后的分类网络模型进行良恶性分类,得到待分类影像的良恶性分类结果。
2.如权利要求1所述的一种基于坐标注意力的对比增强能谱摄影分类方法,其特征在于,所述将对比增强能谱摄影数据进行预处理包括:
将对比增强能谱摄影图像进行裁剪;
对裁剪后的对比增强能谱摄影进行图像增强处理;
将增强后的乳腺能谱图像进行全局对比度归一化处理;
对归一化处理后的对比增强能谱摄影图像采用尺度调整处理。
3.如权利要求1所述的一种基于坐标注意力的对比增强能谱摄影分类方法,其特征在于,所述对比增强能谱摄影数据包括:CC位能谱低能图像、MLO位的能谱低能图像、CC位能谱减影图像以及及MLO位能谱减影图像。
4.如权利要求1所述的一种基于坐标注意力的对比增强能谱摄影分类方法,其特征在于,所述特征提取网络由多层卷积神经网络,所述多层卷积神经网络包括多个卷积块,采用前4个卷积块作为特征提取网络,经过4个卷积网络块下采样,得到泛化特征,其他卷积块学习高层特征。
5.如权利要求1所述的一种基于坐标注意力的对比增强能谱摄影分类方法,其特征在于,所述将通道通道注意力分解为两个特征编码过程包括:
分别沿水平坐标和垂直坐标对每个通道进行编码,对深度特征图进行坐标信息嵌入,生成一对方向感知的特征图;
将一对方向感知的特征图输入全局池化层,进行两个空间方向的特征聚合,生成坐标注意力。
8.一种基于坐标注意力的对比增强能谱摄影分类系统,其特征在于,包括:
数据获取模块,被配置为:获取对比增强能谱摄影数据以及进行良恶性归类得到对应的良恶性标签;
特征提取模块,被配置为:将对比增强能谱摄影数据进行预处理,将预处理后的对比增强能谱摄影数据结合特征提取网络进行训练,通过特征提取网络的第一个全连接层,获取深度特征图;
图像分类模块,被配置为:引入坐标注意力机制,根据深度特征图和良恶性标签对分类网络模型进行训练,将通道通道注意力分解为两个特征编码过程,对深度特征图进行坐标信息嵌入和坐标注意力生成;
基于训练后的分类网络模型进行良恶性分类,得到待分类影像的良恶性分类结果。
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,该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于坐标注意力的对比增强能谱摄影分类方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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1-7中任一项所述的一种基于坐标注意力的对比增强能谱摄影分类方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210044328.8A CN114565557A (zh) | 2022-01-14 | 2022-01-14 | 一种基于坐标注意力的对比增强能谱摄影分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210044328.8A CN114565557A (zh) | 2022-01-14 | 2022-01-14 | 一种基于坐标注意力的对比增强能谱摄影分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565557A true CN114565557A (zh) | 2022-05-31 |
Family
ID=81711584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210044328.8A Pending CN114565557A (zh) | 2022-01-14 | 2022-01-14 | 一种基于坐标注意力的对比增强能谱摄影分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565557A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972280A (zh) * | 2022-06-07 | 2022-08-30 | 重庆大学 | 精细坐标注意力模块及其在表面缺陷检测中的应用 |
-
2022
- 2022-01-14 CN CN202210044328.8A patent/CN114565557A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972280A (zh) * | 2022-06-07 | 2022-08-30 | 重庆大学 | 精细坐标注意力模块及其在表面缺陷检测中的应用 |
CN114972280B (zh) * | 2022-06-07 | 2023-11-17 | 重庆大学 | 精细坐标注意力模块及其在表面缺陷检测中的应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | Multichannel fully convolutional network for coronary artery segmentation in X-ray angiograms | |
Arora et al. | Automated skin lesion segmentation using attention-based deep convolutional neural network | |
Chan et al. | Texture-map-based branch-collaborative network for oral cancer detection | |
JP4354737B2 (ja) | 多重エネルギ画像による計算機支援診断 | |
CN109363698B (zh) | 一种乳腺影像征象识别的方法及装置 | |
CN110046627B (zh) | 一种乳腺影像识别的方法及装置 | |
CN109363697B (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN116097302A (zh) | 用于病灶检测的利用联合训练的连接式机器学习模型 | |
Rajee et al. | Gender classification on digital dental x-ray images using deep convolutional neural network | |
CN113191392B (zh) | 一种乳腺癌图像信息瓶颈多任务分类和分割方法及系统 | |
CN112287970A (zh) | 基于多视角多模态的乳腺能谱图像分类系统、设备及介质 | |
Xiao et al. | A cascade and heterogeneous neural network for CT pulmonary nodule detection and its evaluation on both phantom and patient data | |
Tummala et al. | Liver tumor segmentation from computed tomography images using multiscale residual dilated encoder‐decoder network | |
CN114565557A (zh) | 一种基于坐标注意力的对比增强能谱摄影分类方法及装置 | |
Goutham et al. | Automatic localization of landmarks in cephalometric images via modified U-Net | |
Xu et al. | Improved cascade R-CNN for medical images of pulmonary nodules detection combining dilated HRNet | |
CN112967295B (zh) | 一种基于残差网络和注意力机制的图像处理方法及系统 | |
Mahoro et al. | Breast masses detection on mammograms using recent one-shot deep object detectors | |
CN113191393A (zh) | 基于多模态融合的对比增强能谱乳腺摄影分类方法及系统 | |
Sridhar et al. | Lung Segment Anything Model (LuSAM): A Prompt-integrated Framework for Automated Lung Segmentation on ICU Chest X-Ray Images | |
Amritha et al. | Liver tumor segmentation and classification using deep learning | |
Anas et al. | Advancing Breast Cancer Detection: Enhancing YOLOv5 Network for Accurate Classification in Mammogram Images | |
Ghafoor et al. | Multiclass Segmentation using Teeth Attention Modules for Dental X-ray Images | |
Akbaba et al. | Determination of Appropriate Thresholding Method in Segmentation Stage in Detecting Breast Cancer Cells | |
Sreelekshmi et al. | A Review on Multimodal Medical Image Fusion |
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 |