CN114757942A - 一种基于深度学习的多层螺旋ct对活动性肺结核的检测方法 - Google Patents
一种基于深度学习的多层螺旋ct对活动性肺结核的检测方法 Download PDFInfo
- Publication number
- CN114757942A CN114757942A CN202210593973.5A CN202210593973A CN114757942A CN 114757942 A CN114757942 A CN 114757942A CN 202210593973 A CN202210593973 A CN 202210593973A CN 114757942 A CN114757942 A CN 114757942A
- Authority
- CN
- China
- Prior art keywords
- image
- tuberculosis
- lung parenchyma
- active tuberculosis
- training
- 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
- 201000008827 tuberculosis Diseases 0.000 title claims abstract description 49
- 238000002591 computed tomography Methods 0.000 title claims abstract description 46
- 208000036981 active tuberculosis Diseases 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 210000004072 lung Anatomy 0.000 claims abstract description 42
- 208000008128 pulmonary tuberculosis Diseases 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 208000013210 hematogenous Diseases 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 230000003902 lesion Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 5
- 208000015181 infectious disease Diseases 0.000 description 4
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 206010013453 Disseminated tuberculosis Diseases 0.000 description 2
- 206010027458 Metastases to lung Diseases 0.000 description 2
- 201000006836 Miliary Tuberculosis Diseases 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000002458 infectious effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 208000029523 Interstitial Lung disease Diseases 0.000 description 1
- 241000187479 Mycobacterium tuberculosis Species 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000007479 molecular analysis Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 238000012360 testing method 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉目标检测任务技术领域,尤其涉及一种基于深度学习的多层螺旋CT对活动性肺结核的检测方法,包括:S1:收集汇总活动性肺结核CT影像,转换CT图像格式,并对转换后的图像进行预处理;S2:将预处理后的图像输入基于阈值的肺实质分割模型,获得肺实质图像;S3:将肺实质图像交由放射科医生进行标注,标注出原发性肺结核、继发性肺结核以及血行播散性肺结核的病灶区域,制作样本数据集;S4:将样本数据集输入已训练好的DetectionTransformer网络模型中进行预测处理,获得检测结果。本发明采用多层螺旋CT图像作为数据集,能够更好的显示活动性肺结核在放射学中的特征,包括厚壁空洞、肺实质、小叶中心结节和树芽征,大幅提高了对于病灶检测的准确度。
Description
技术领域
本发明涉及计算机视觉目标检测任务技术领域,尤其涉及一种基于深度学习的多层螺旋CT对活动性肺结核的检测方法。
背景技术
肺结核(TB)是世界上第二大死亡原因,在传染病中排名第一,超过艾滋病。2019年,约有120万感染结核病患者死亡。2021年报告中的调查结果更为严重,报告了987万新发病例和130万人死亡。结核病是一类经由结核分枝杆菌产生的传染病。如果不及时治疗,结核病的死亡率很高,它通常会影响肺部,但也会影响肺部以外的部位。当患有活动性结核病(Active pulmonary tuberculosis,ATB)的人干咳,打喷嚏或以其他方式排出传染性细菌时,它会经由空气中传播。通过初期诊治和恰当治疗可以预防大多数结核病患的死亡。
如今,有许多基于分子分析和细菌培养的高度准确的诊断方法。但不幸的是,大多数方法的成本都不允许在发展中国家大规模采用,而这些国家恰恰是受疾病影响最大的。目前,最便宜和最流行的诊断技术,如痰涂片镜检,存在着敏感性的问题。因此,在结核病的发现和治疗方面还有很长的路要走。诊断结核病现在仍然是一项重大挑战,特别是在大量不受监管的私营机构和卫生系统薄弱的国家中,诊断测试往往过于昂贵或过于缓慢。
在目前的结核病医治和分析方法中,X线检查是影像筛查肺结核的辅助诊断检查之一,但是由于X线检查的局限性,对肺结核患者的诊断存在一定的漏诊率。随着计算机断层扫描(Computed Tomography,CT)技术在中小型医院的普及,CT在识别胸部实质病变的早期反应以及检测结核患者肺部病情的严重程度有很大帮助。在另一方面,CT图像可以更好的显示活动性肺结核在放射学中的特征,包括厚壁空洞、肺实质、小叶中心结节和树芽征等。然而,在CT上诊断肺结核,需要有一定诊断能力的放射科医生来进行,并且得耗费大量时间,这对于高负荷的国家和一些偏远地区的中小型医院,显然是一项艰难的任务,因为这些地方专业放射科医生都很稀缺并且经验欠缺。这些情况就会使ATB的检出率降低和患者尽早进行ATB治疗受到阻碍。
目前,深度学习在许多对图像的分类任务中取得了超人的表现。这种在自然图像中识别物体的成功激发了对将深度学习应用于医学图像的新兴趣。最近出现了许多报告,深度网络在许多异常检测任务中确实获得了惊人的准确性。值得注意的是,医学放射图像异常检测领域缺少大型标准数据集,创建高质量和数量级更大的数据集必定会推动这一领域向前发展。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种基于深度学习的多层螺旋CT对活动性肺结核的检测方法,采用多层螺旋CT图像作为数据集,相比X光图像,能够更好的显示活动性肺结核在放射学中的特征,包括厚壁空洞、肺实质、小叶中心结节和树芽征,大幅提高了对于病灶检测的准确度。
为了实现上述目的,本发明采用了如下技术方案:
一种基于深度学习的多层螺旋CT对活动性肺结核的检测方法,具体步骤如下:
S1:收集汇总活动性肺结核CT影像,转换CT图像格式,并对转换后的图像进行预处理;
S2:将预处理后的图像输入基于阈值的肺实质分割模型,获得肺实质图像;
S3:将肺实质图像交由放射科医生进行标注,标注出原发性肺结核、继发性肺结核以及血行播散性肺结核的病灶区域,制作样本数据集;
S4:将样本数据集输入已训练好的Detection Transformer网络模型中进行预测处理,获得检测结果。
优选地,在步骤S1中,转换CT图像格式具体为:调用pydicom库,将原dcom格式的CT图像切片转换为png格式。
优选地,在步骤S1中,预处理包括对随机图像进行随机增强,增强方式包括图片翻转、对比度归一化或添加高斯噪声。
优选地,在步骤S2中,肺实质分割模型具体为:采用基于全局阈值的肺实质分割算法,分割出肺实质区域,进行取反操作,以半径为5的圆形结构单元,进行闭运算,再次取反,提取最大连通区域,获得躯干的掩膜,将该掩膜进行孔洞填充获得新的掩膜,将两个掩膜相减即可得到肺实质掩膜,最后用掩膜乘原图获得肺实质图像。
优选地,在步骤S3中,标注由经验丰富的放射科医生对肺实质分割图像进行标注,标注病灶的外界矩阵和类别,病灶类别为:原发性肺结核、继发性肺结核以及血行播散性肺结核。
优选地,在步骤S4中,Detection Transformer网络模型训练流程为:
给定一张图片,经CNN backbone提取特征feature,然后转为特征序列输入到transformer的encode-decode,结果直接输出指定长度为N的无序的预测集合,集合中每个元素包含预测物体的类别cls和坐标bbox;
采用Detection Transformer网络模型训练数据样本集,设置训练学习率为0.0001,训练次数为500次,每批次训练的图片数batch_size为4;训练学习后对待测试样本进行检测,并将输出检测结果。
通过采用上述技术方案:使用CT图像作为特征样本,首先,CT图像能够更加清晰地看到活动性肺结核病灶,并根据病灶划分活动性肺结核的种类,便于医生观察患病区域并快速处理病情。其次,采用肺实质分割方法,减少不重要信息对实验结果的影响,提高了检测结果的准确率。同时,根据活动性肺结核的病灶特征和肺结核类别划分的条件,实现对原发性肺结核、血行播散性肺结核和继发性肺结核三种典型的活动性肺结核的检测。
与现有技术相比,本发明具有以下有益效果:
1、本发明采用多层螺旋CT图像作为数据集,相比X光图像,能够更好的显示活动性肺结核在放射学中的特征,包括厚壁空洞、肺实质、小叶中心结节和树芽征,大幅提高了对于病灶检测的准确度。
2、本发明通过对肺部CT图像进行肺实质分割,提高病灶检测的注意力,避免不相关因素的对目标检测的干扰,提高模型的准确率。
附图说明
图1为本发明的整体流程图;
图2为本发明中Detection Transformer的流程图。
具体实施方式
下面结合附图将对本发明实施例中的技术方案进行清楚、完整地描述,以使本领域的技术人员能够更好的理解本发明的优点和特征,从而对本发明的保护范围做出更为清楚的界定。本发明所描述的实施例仅仅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做出创造性劳动的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。
参照图1-2,一种基于深度学习的多层螺旋CT对活动性肺结核的检测方法,具体步骤如下:
S1:收集汇总活动性肺结核CT影像,转换CT图像格式,并对转换后的图像进行预处理;
S2:将预处理后的图像输入基于阈值的肺实质分割模型,获得肺实质图像;
S3:将肺实质图像交由放射科医生进行标注,标注出原发性肺结核、继发性肺结核以及血行播散性肺结核的病灶区域,制作样本数据集;
S4:将样本数据集输入已训练好的Detection Transformer网络模型中进行预测处理,获得检测结果。
具体的,在步骤S1中,转换CT图像格式具体为:调用pydicom库,将原dcom格式的CT图像切片转换为png格式。
具体的,在步骤S1中,预处理包括对随机图像进行随机增强,增强方式包括图片翻转、对比度归一化或添加高斯噪声。
具体的,在步骤S2中,肺实质分割模型具体为:采用基于全局阈值的肺实质分割算法,分割出肺实质区域,进行取反操作,以半径为5的圆形结构单元,进行闭运算,再次取反,提取最大连通区域,获得躯干的掩膜,将该掩膜进行孔洞填充获得新的掩膜,将两个掩膜相减即可得到肺实质掩膜,最后用掩膜乘原图获得肺实质图像。
具体的,在步骤S3中,标注由经验丰富的放射科医生对肺实质分割图像进行标注,标注病灶的外界矩阵和类别,病灶类别为:原发性肺结核、继发性肺结核以及血行播散性肺结核。
具体的,参照图2,在步骤S4中,Detection Transformer网络模型训练流程为:
给定一张图片,经CNN backbone提取特征feature,然后转为特征序列输入到transformer的encode-decode,结果直接输出指定长度为N的无序的预测集合,集合中每个元素包含预测物体的类别cls和坐标bbox。
其中,CNN输出的结果是一个H*W*C的张量(tensor),代表了图片提取出的特征图(feature map)。将feature map变成(H*W)*C的二维矩阵放到transformer中。
模型输出的结果是固定的,也就是说最多检测一张图片中N个目标。其中N表示整个数据集中图片上最多物体的数目,因为整个训练和测试都Batch进行,如果不设置最大输出集合数,无法进行batch训练;如果图片中物体不够N个,那么就采用no object填充,表示该元素是背景。
set prediction,输入一副图像,网络的输出就是最终的预测的集合,也不需要任何后处理能够直接得到预测的集合。对于每一个预测值(pred),找到对应的GT(grouptruth),然后每个(Pred,GT)求损失(loss),再进行训练。
bipartite matching loss,假设目前有两个sets,左边的sets是模型预测得到的N个元素,每个元素里有一个bbox和对这个bbox预测的类别的概率分布,预测的类别可以是空,用来表示;右边的sets是本发明的ground truth,每个元素里有一个标签的类别和对应的bbox,如果标签的数量不足N则用来补充,可以认为是background。
两边sets的元素数量都是N,做一个配对的操作,让左边的元素都能找到右边的一个配对元素,每个左边元素找到的右边元素都是不同的,也就是一一对应。这样的组合可以有N!种,所有组合记作σN。这个N即是模型可以预测的最大数量。
采用Detection Transformer网络模型训练数据样本集,设置训练学习率为0.0001,训练次数为500次,每批次训练的图片数batch_size为4。训练学习后对待测试样本进行检测,并将输出检测结果。
具体实施例:
以6000张包含活动性肺结核的多层螺旋CT图片为训练样本,对采集到的CT图像使用labelme手动标注出发生原发性肺结核、继发性肺结核和血行播散性肺结核的区域,制作样本数据集。在活动性肺结核检测项目中,深度学习模型的检测目标类别数目为3,即原发性肺结核、继发性肺结核和血行播散性肺结核,设置训练学习率为0.0001,训练轮数epoch为500,每批次训练图片数batch_size为4,训练用于检测间质性肺炎的DetectionTransformer深度学习模型,直至模型收敛。
综上所述,本发明使用CT图像作为特征样本,首先,CT图像能够更加清晰地看到活动性肺结核病灶,并根据病灶划分活动性肺结核的种类,便于医生观察患病区域并快速处理病情。其次,采用肺实质分割方法,减少不重要信息对实验结果的影响,提高了检测结果的准确率。同时,根据活动性肺结核的病灶特征和肺结核类别划分的条件,实现对原发性肺结核、血行播散性肺结核和继发性肺结核三种典型的活动性肺结核的检测。
本发明中披露的说明和实践,对于本技术领域的普通技术人员来说,都是易于思考和理解的,且在不脱离本发明原理的前提下,还可以做出若干改进和润饰。因此,在不偏离本发明精神的基础上所做的修改或改进,也应视为本发明的保护范围。
Claims (6)
1.一种基于深度学习的多层螺旋CT对活动性肺结核的检测方法,其特征在于,具体步骤如下:
S1:收集汇总活动性肺结核CT影像,转换CT图像格式,并对转换后的图像进行预处理;
S2:将预处理后的图像输入基于阈值的肺实质分割模型,获得肺实质图像;
S3:将肺实质图像交由放射科医生进行标注,标注出原发性肺结核、继发性肺结核以及血行播散性肺结核的病灶区域,制作样本数据集;
S4:将样本数据集输入已训练好的Detection Transformer网络模型中进行预测处理,获得检测结果。
2.根据权利要求1所述的一种基于深度学习的多层螺旋CT对活动性肺结核的检测方法,其特征在于,在步骤S1中,转换CT图像格式具体为:调用pydicom库,将原dcom格式的CT图像切片转换为png格式。
3.根据权利要求1所述的一种基于深度学习的多层螺旋CT对活动性肺结核的检测方法,其特征在于,在步骤S1中,预处理包括对随机图像进行随机增强,增强方式包括图片翻转、对比度归一化或添加高斯噪声。
4.根据权利要求1所述的一种基于深度学习的多层螺旋CT对活动性肺结核的检测方法,其特征在于,在步骤S2中,肺实质分割模型具体为:采用基于全局阈值的肺实质分割算法,分割出肺实质区域,进行取反操作,以半径为5的圆形结构单元,进行闭运算,再次取反,提取最大连通区域,获得躯干的掩膜,将该掩膜进行孔洞填充获得新的掩膜,将两个掩膜相减即可得到肺实质掩膜,最后用掩膜乘原图获得肺实质图像。
5.根据权利要求1所述的一种基于深度学习的多层螺旋CT对活动性肺结核的检测方法,其特征在于,在步骤S3中,标注由经验丰富的放射科医生对肺实质分割图像进行标注,标注病灶的外界矩阵和类别,病灶类别为:原发性肺结核、继发性肺结核以及血行播散性肺结核。
6.根据权利要求1所述的一种基于深度学习的多层螺旋CT对活动性肺结核的检测方法,其特征在于,在步骤S4中,Detection Transformer网络模型训练流程为:
给定一张图片,经CNN backbone提取特征feature,然后转为特征序列输入到transformer的encode-decode,结果直接输出指定长度为N的无序的预测集合,集合中每个元素包含预测物体的类别cls和坐标bbox;
采用Detection Transformer网络模型训练数据样本集,设置训练学习率为0.0001,训练次数为500次,每批次训练的图片数batch_size为4;训练学习后对待测试样本进行检测,并将输出检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210593973.5A CN114757942A (zh) | 2022-05-27 | 2022-05-27 | 一种基于深度学习的多层螺旋ct对活动性肺结核的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210593973.5A CN114757942A (zh) | 2022-05-27 | 2022-05-27 | 一种基于深度学习的多层螺旋ct对活动性肺结核的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114757942A true CN114757942A (zh) | 2022-07-15 |
Family
ID=82336531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210593973.5A Pending CN114757942A (zh) | 2022-05-27 | 2022-05-27 | 一种基于深度学习的多层螺旋ct对活动性肺结核的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757942A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115393321A (zh) * | 2022-08-26 | 2022-11-25 | 南通大学 | 一种基于深度学习的多层螺旋ct对肺结核多分类检出方法 |
CN116188473A (zh) * | 2023-05-05 | 2023-05-30 | 天津医科大学总医院 | 一种基于图像深度学习的肺部病灶识别方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175993A (zh) * | 2019-05-27 | 2019-08-27 | 西安交通大学医学院第一附属医院 | 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法 |
CN110766713A (zh) * | 2019-10-30 | 2020-02-07 | 上海微创医疗器械(集团)有限公司 | 肺部图像分割方法、装置和肺部病变区域识别设备 |
US20200372650A1 (en) * | 2019-05-20 | 2020-11-26 | Riken | Identifying device, learning device, method, and storage medium |
CN112184657A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 一种肺结节自动检测方法、装置及计算机系统 |
CN113095382A (zh) * | 2021-03-30 | 2021-07-09 | 浙江大学 | 基于ct图像的可解释性肺结核分类网络识别方法 |
CN113327258A (zh) * | 2021-07-15 | 2021-08-31 | 重庆邮电大学 | 一种基于深度学习的肺部ct图像识别方法 |
CN113344887A (zh) * | 2021-06-16 | 2021-09-03 | 南通大学 | 一种基于深度学习与模糊逻辑的间质性肺炎评估方法 |
CN113450355A (zh) * | 2021-08-30 | 2021-09-28 | 武汉幻视智能科技有限公司 | 一种基于多膜态ct图像和3dcnn网络提取图像特征的方法 |
WO2021213124A1 (zh) * | 2020-04-21 | 2021-10-28 | 深圳睿心智能医疗科技有限公司 | 血流特征预测方法、装置、计算机设备和存储介质 |
CN113888466A (zh) * | 2021-09-03 | 2022-01-04 | 武汉科技大学 | 一种基于ct图像的肺结节图像检测方法及系统 |
CN113902702A (zh) * | 2021-10-08 | 2022-01-07 | 国科宁波生命与健康产业研究院 | 一种基于计算机断层扫描的肺结节良恶性辅助诊断系统 |
CN114004793A (zh) * | 2021-10-18 | 2022-02-01 | 深圳睿心智能医疗科技有限公司 | 血流特性获取方法、装置、电子设备及存储介质 |
-
2022
- 2022-05-27 CN CN202210593973.5A patent/CN114757942A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200372650A1 (en) * | 2019-05-20 | 2020-11-26 | Riken | Identifying device, learning device, method, and storage medium |
CN110175993A (zh) * | 2019-05-27 | 2019-08-27 | 西安交通大学医学院第一附属医院 | 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法 |
CN110766713A (zh) * | 2019-10-30 | 2020-02-07 | 上海微创医疗器械(集团)有限公司 | 肺部图像分割方法、装置和肺部病变区域识别设备 |
WO2021213124A1 (zh) * | 2020-04-21 | 2021-10-28 | 深圳睿心智能医疗科技有限公司 | 血流特征预测方法、装置、计算机设备和存储介质 |
CN112184657A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 一种肺结节自动检测方法、装置及计算机系统 |
WO2022063199A1 (zh) * | 2020-09-24 | 2022-03-31 | 上海健康医学院 | 一种肺结节自动检测方法、装置及计算机系统 |
CN113095382A (zh) * | 2021-03-30 | 2021-07-09 | 浙江大学 | 基于ct图像的可解释性肺结核分类网络识别方法 |
CN113344887A (zh) * | 2021-06-16 | 2021-09-03 | 南通大学 | 一种基于深度学习与模糊逻辑的间质性肺炎评估方法 |
CN113327258A (zh) * | 2021-07-15 | 2021-08-31 | 重庆邮电大学 | 一种基于深度学习的肺部ct图像识别方法 |
CN113450355A (zh) * | 2021-08-30 | 2021-09-28 | 武汉幻视智能科技有限公司 | 一种基于多膜态ct图像和3dcnn网络提取图像特征的方法 |
CN113888466A (zh) * | 2021-09-03 | 2022-01-04 | 武汉科技大学 | 一种基于ct图像的肺结节图像检测方法及系统 |
CN113902702A (zh) * | 2021-10-08 | 2022-01-07 | 国科宁波生命与健康产业研究院 | 一种基于计算机断层扫描的肺结节良恶性辅助诊断系统 |
CN114004793A (zh) * | 2021-10-18 | 2022-02-01 | 深圳睿心智能医疗科技有限公司 | 血流特性获取方法、装置、电子设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115393321A (zh) * | 2022-08-26 | 2022-11-25 | 南通大学 | 一种基于深度学习的多层螺旋ct对肺结核多分类检出方法 |
CN116188473A (zh) * | 2023-05-05 | 2023-05-30 | 天津医科大学总医院 | 一种基于图像深度学习的肺部病灶识别方法及系统 |
CN116188473B (zh) * | 2023-05-05 | 2023-07-04 | 天津医科大学总医院 | 一种基于图像深度学习的肺部病灶识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Umer et al. | COVINet: a convolutional neural network approach for predicting COVID-19 from chest X-ray images | |
CN108898595B (zh) | 一种胸部图像中病灶区域的定位模型的构建方法及应用 | |
US11275976B2 (en) | Medical image assessment with classification uncertainty | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
CN111951246B (zh) | 一种基于深度学习的多方位x光胸片肺炎诊断方法 | |
CN114757942A (zh) | 一种基于深度学习的多层螺旋ct对活动性肺结核的检测方法 | |
CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及系统 | |
JP2021527473A (ja) | 即時精密検査 | |
CN110176002B (zh) | 一种x射线图像的病灶检测方法及终端设备 | |
CN112581458B (zh) | 一种图像处理方法和装置 | |
Thian et al. | Deep learning systems for pneumothorax detection on chest radiographs: a multicenter external validation study | |
Ma et al. | Developing and verifying automatic detection of active pulmonary tuberculosis from multi-slice spiral CT images based on deep learning | |
CN109460717B (zh) | 消化道共聚焦激光显微内镜病变图像识别方法及装置 | |
Fujima et al. | Utility of deep learning for the diagnosis of otosclerosis on temporal bone CT | |
CN111883256A (zh) | 基于电子病历数据的肺结核患者预警系统及预警方法 | |
CN115019049A (zh) | 基于深度神经网络的骨显像骨病灶分割方法、系统及设备 | |
CN116797554A (zh) | 图像处理方法以及装置 | |
CN112085742A (zh) | 一种基于上下文注意力的nafld超声视频诊断方法 | |
CN111226287A (zh) | 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质 | |
Hussain et al. | Automated Deep Learning of COVID-19 and Pneumonia Detection Using Google AutoML. | |
Horry et al. | Systematic investigation into generalization of COVID-19 CT deep learning models with Gabor ensemble for lung involvement scoring | |
Azli et al. | Ultrasound image segmentation using a combination of edge enhancement and kirsch’s template method for detecting follicles in ovaries | |
CN113450306B (zh) | 提供骨折检测工具的方法 | |
CN115409812A (zh) | 一种基于融合时间注意机制的ct图像自动分类方法 | |
Shimja et al. | Empowering diagnosis: an astonishing deep transfer learning approach with fine tuning for precise lung disease classification from CXR 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220715 |