CN116109856A - 一种多模态乳腺能谱图像分类方法 - Google Patents

一种多模态乳腺能谱图像分类方法 Download PDF

Info

Publication number
CN116109856A
CN116109856A CN202211368857.XA CN202211368857A CN116109856A CN 116109856 A CN116109856 A CN 116109856A CN 202211368857 A CN202211368857 A CN 202211368857A CN 116109856 A CN116109856 A CN 116109856A
Authority
CN
China
Prior art keywords
image
energy spectrum
classification
model
mammary gland
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
Application number
CN202211368857.XA
Other languages
English (en)
Inventor
郑元杰
陈思羽
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.)
Shandong Normal University
Original Assignee
Shandong Normal University
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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202211368857.XA priority Critical patent/CN116109856A/zh
Publication of CN116109856A publication Critical patent/CN116109856A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种多模态乳腺能谱图像分类方法，属于医疗影像处理领域，包含以下步骤：步骤1、图像采集与数据集制作；步骤2、数据预处理；步骤3、图像特征提取；步骤4、损失计算；步骤5、模型训练；步骤6、给出预测分类结果。本发明综合利用乳腺对比增强摄影图像的特点，提出了一种新的特征提取与分类模型，提高了对比增强能谱乳腺摄影图像分类的精准性；本发明将功能模块化，预处理模型、特征提取模型以及分类模型各自完成相关工作，互不干扰，在数据符合条件的情况下，可以独立工作，亦可独立优化模型，灵活性强。

Description

一种多模态乳腺能谱图像分类方法
技术领域
本发明涉及医疗影像处理领域，具体是一种多模态乳腺能谱图像分类方法，尤其涉及一种基于神经网络CNN和Transformer的多模态乳腺能谱图像分类方法。
背景技术
乳腺癌是多发于女性乳腺部位的一种恶性肿瘤，随着环境的改变和人们生活习惯的变化，乳腺癌的发病率在全球呈现上升趋势。乳腺癌的发病率高居女性恶性肿瘤中的第一位。虽然乳腺不是维持人体生命活动的重要器官，原位乳腺癌并不致命，但是乳腺癌细胞丧失了正常细胞的活性，结构松散，极易扩散，游离的癌细胞以血液或淋巴液为载体可扩散至全身，威胁人类生命。乳腺筛查可以帮助提升早期病例的比例，及早开展对于恶性乳腺肿瘤的综合治疗。因此，及时的筛查和治疗对于预防乳腺癌的发生至关重要。
对患者进行早期的检查可以显著降低乳腺癌患者的死亡率。目前，乳腺癌的检查措施主要有乳腺钼靶检查、乳腺超声检查和乳腺MRI检查、乳腺能谱摄影等。其中，乳腺能谱摄影是比较新颖的筛查乳腺癌的方法。这种方法能同时得到多幅乳腺的图像，具有较高的敏感性和特异性，是一种具有良好应用前景的技术。
通过面向乳腺能谱图像的人工智能技术可以帮助影像科医师在早期发现乳腺病变。如今利用人工智能技术构建的乳腺癌辅助诊断系统已经取得不错的成效，其结果也获得了临床医生的认可。
目前，在部分医疗条件较好的医院，对患有乳腺类疾病的患者，通常的方法是用专业设备采集一系列乳腺及相关部位的对比增强能谱图像，为了对患病部位进行全面准确的观察，需要对乳腺等部位图像采集多张照片，分别包括乳腺低能谱摄影图像、乳腺高能谱摄影图像。同时对乳腺不同方位也需要采集多张图像，包括头尾位、内外斜侧位。现有的乳腺癌图像识别分类方法大多都是基于医院拍摄的对比增强能谱的电子图像进行识别分类，该类方法主要部署于医院内部，在完成对比增强能谱报告拍摄后即刻进行分类操作，辅助专业放射技师对判断乳腺是否存在恶性肿瘤。
但是，目前大部分医院不具有辅助识别分类系统，即使有也仅存在于医院内部系统之中，且这些辅助识别分类方式都仅限于所属医院的对比增强能谱报告，无法扩充到其他医院进行使用，乳腺癌的辅助识别范围及广度受限较大，所以乳腺检查很大程度受限于影像医师的自身水平以及其经验，人眼分辨能力以及人为疏忽等原因，存在误判、遗漏的风险，并且从患者拿到对比增强能谱报告到挂号咨询专业技师诊断，其间存在较长时间间隔，在这期间病情极有可能继续加重。
因此，乳腺对比增强能谱实际应用更具有推广和诊断价值，基于乳腺对比增强能谱进行乳腺病灶辅助识别分类具有广泛的应用意义，让广大妇女通过乳腺对比增强能谱摄影这种广泛应用的常规检查及时获取检查结果，更准确的判别疾病。
然而现有深度学习的方法仅将自然图像的分类算法移植到乳腺能谱图像中，对于乳腺能谱影像中的多种模态缺乏有效利用。所以这些方法直接移植到乳腺能谱摄影中对乳腺能谱图像分类的准确率不高。为了克服通用深度学习分类算法的缺点，需要对乳腺能谱图像分类方法进行改进。
综上所述，现有技术中如何辅助医生准确诊断乳腺图像、提高乳腺能谱图像分类准确率的问题，尚缺乏行之有效的解决方案。
发明内容
本发明的目的在于提供一种多模态乳腺能谱图像分类方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种多模态乳腺能谱图像分类系统，包括：
图像输入模块，用于获取若干个多模态对比增强能谱乳腺摄影图像；
预处理模块，与图像输入模块相连，用于预处理对比增强能谱乳腺摄影图像，包括裁剪、增强、归一化等部分；
特征提取模块，与预处理模块相连，用于提取乳腺能谱摄影图像的特征；
图像分类模块，与图像分类模块相连，用于将提取的特征输入到分类器中，输出图像分类结果。
一种多模态乳腺能谱图像分类方法，采用权利要求1所述的系统，包含以下步骤：
步骤1、图像采集与数据集制作；
步骤2、数据预处理；
步骤3、图像特征提取；
步骤4、损失计算；
步骤5、模型训练；
步骤6、给出预测分类结果。
作为本发明的进一步技术方案：所述步骤1具体是：采集对比增强乳腺能谱图像，并将数据集与测试集进行随机划分，防止模型过拟合。
作为本发明的进一步技术方案：所述步骤2具体是：包括裁剪能谱图像、对乳腺能谱图像进行像素均值化、图像增强等操作。
作为本发明的进一步技术方案：所述步骤3具体是：将卷积神经网络中局部注意机制和Transformer中多头注意力机制的优势结合起来，采用CCT模型提取图像特征并给出图像的类别预测。
作为本发明的进一步技术方案：所述步骤4具体是：将预测分类结果与真实良恶性标签计算，选用交叉熵损失函数计算对比增强能谱图像产生的类别置信度之间的信息熵损失。
作为本发明的进一步技术方案：所述步骤5具体是：将损失函数计算的损失，通过梯度反向传播，并对模型迭代训练，拟合训练数据，得到最优模型。
作为本发明的进一步技术方案：所述步骤6具体是：将对比增强能谱乳腺摄影图像输入到分类器中，分类模型给出乳腺癌图像的分类结果。
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权利要求2-8任一项所述的多模态乳腺能谱图像分类方法中的步骤。
作为本发明的进一步技术方案：所述数字输出模块为输出IO模块。
与现有技术相比，本发明的有益效果是：
1、综合利用乳腺对比增强摄影图像的特点，提出了一种新的特征提取与分类模型，提高了对比增强能谱乳腺摄影图像分类的精准性；
2、本发明将功能模块化，预处理模型、特征提取模型以及分类模型各自完成相关工作，互不干扰，在数据符合条件的情况下，可以独立工作，亦可独立优化模型，灵活性强。
附图说明
图1是本发明方法的整体流程示意图；
图2多模态乳腺能谱图；
图3是乳腺能谱图像数据集划分示意图；
图4是分类网络模型示意图；
图5是模型训练模块示意图；
图6是CCT网络模型示意图；
图7是多模态乳腺能谱图像分类模型流程示意图；
图8是CCT网络模型实施例示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。
实施例1，如图1-3所示，一种多模态乳腺能谱图像分类方法，采用权利要求1所述的系统，包含以下步骤：
步骤1、图像采集与数据集制作；
步骤2、数据预处理；
步骤3、图像特征提取；
步骤4、损失计算；
步骤5、模型训练；
步骤6、给出预测分类结果。
步骤1中，采集并划分对比增强乳腺能谱图像数据集，包括以下步骤：
所述步骤1的具体过程为：
步骤1.1接收采集到的乳腺能谱图像数据后，对CCT进行训练之前，需要对大量能谱图像数据进行标注和预处理，用于训练的图像应当按照类别归类为良性、恶性。标注后乳腺对比增强能谱图片拥有良恶性肿瘤标签。同时由于良恶性的样本的数量分布不均衡，需要随机预留部分良性图像数据。
步骤1.2 按照0.8和0.2的比例将其随机划分为训练集和测试集。
进一步地，步骤2中对多模态对比增强能谱乳腺摄影图像进行数据预处理。所述步骤2的具体过程为：
步骤2.1对采集的乳腺能谱图像进行裁剪，编写迭代算法，逐像素点检测对训练无增益效果的大面积黑色像素点，若某一列的黑色像素点全为黑，则删掉。
步骤2.2对裁剪完的乳腺能谱图像进行图像增强，可以强调能谱图像的整体或局部特性，增大能谱图像中不同物体特征之间的差别。同时通过对图像进行旋转、翻转、平移、增加噪声等操作，实现图像增广，防止模型出现过拟合现象，从而加强分类模型鲁棒性，提高模型的分类性能。
进一步地，步骤3中采用CCT模型提取图像特征并给出图像的类别预测，所述步骤3的具体过程为：
步骤3.1：图像输入。将输入图像拆分为非重叠图像块，每幅三通道图像以块为单位输出到CCT 茎模块中，经过卷积核大小为3×3的卷积操作和GeLU的转换，得到输出，再进行以块为单位的标准化，重复三次提取图像特征。
步骤3.2：分四个阶段来生成多尺度特征。在每个阶段开始之前采用2×2、步长为2的卷积层降低特征分辨率，在CCT模块中再用DW卷积提升通道维度，进而得到分层信息。堆叠多个CCT模块进行特征变换的同时保持特征分辨率不变，因此，该CCT模块可以同时获得乳腺能谱图像的局部信息和全局信息。
其中CCT模块包含一个局部感知单元、一个轻量型多头自注意力模块以及一个逆残差前馈网络。
局部感知单元：Transformer中的绝对位置编码会破坏信息不变性，并且Transformer忽略了块内的局部相关性与结构信息。因此提出了局部感知单元来提升局部信息，弥补Transformer中局部相关信息缺失的问题，定义如下：
            （1）
轻量级多头自注意力模块：transformer自注意力模块中，设输入X，经过线性变换得到Q、K以及V矩阵，然后通过如下方式执行自注意力操作，但计算复杂度过大：
为减少计算复杂度，发明人采用DW卷积降低K与V的空间大小，即
。   （3）
此外，发明人在自注意力模块中添加了相对位置偏置B，最终轻量级多头注意力机制如图所示：
   （4）
最后可以得到四个不同分辨率的分层特征。所得四个不同分辨率的特征对应的stride分别为4、8、16、32。
逆残差前馈网络：
逆残差前馈网络包含一个前馈网络以及两个逆残差网络，其中前馈网络包含两个全连接层+GeLU激活函数，第一个FC（全连接层）用于扩展特征维度，第二个FC用于降低特征维度。
               （5）
本文所提逆残差前馈网络逆残差模块，包含一个扩展层、深度卷积以及投影层。发明人改变了短连接的位置以获得更好的性能：
       （6）
注：这里在推理阶段可以进行合并，即跳过连接可以移除掉。它的作用则是利用微小的代价提取局部解雇信息。
基于上述所提到的三个成分，CCT模块定义如下：
X＝LPU(X)X＝LMHSA(LN(X))+XX＝IRFFN(LN(X))+X   （7）
步骤3.3：将CMT 主干模块的输出结果采用了GAP+FC方式进行分类。
GlobalAverage Pooling（GAP）的意思就是全局平均池化，目的是平均提取的全部的特征层表示，防止模型过拟合。
步骤3.4：图像特征融合。多头注意力层中各batch块输出的特征，通过分类向量学习到所有batch对这幅图片的特征表示，进行融合，使分类块具有与整幅图片相同水平的语义容量，最后将class模块输入多层感知机再将输出结果输入到sigmod激活函数里得到类别分布。
所述步骤4的具体过程为：
该过程如图所示，Pi表示乳腺能谱摄影图像的第i个样本的预测结果。已知乳腺能谱摄影图像的真实良恶性类别为P1，乳腺能谱摄影图像的预测良恶性类别分布为P2，我们的目的是使得真实值与预测值的差距尽可能小，因此我们定义了目标函数如下：
公式表示一个概率分布的熵函数，其目的是使预测结果所包含的信息尽可能简洁和准确，公式如下：
DKL散度表示两个结果的相似程度，散度越大，相似度越小，因此我们的优化结果是使和DKL尽可能地小，这样可以保证模型在提取到特征信息尽可能少的情况下预测结果与真实分类结果越相近。
此处需要说明的是，本实施例的基于卷积神经网络CNN和Transformer的乳腺癌图像识别分类系统中的各个模块，与实施例中的基于多模态融合的对比增强能谱乳腺摄影分类方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例二：
如图8所示，本实施例提供了一种基于神经网络CNN和Transformer的多模态的乳腺能谱图像分类系统，其包括：
图像输入模块，用于获取若干个多模态对比增强能谱乳腺摄影图像；
预处理模块，其用于预处理对比增强能谱乳腺摄影图像，包括裁剪、增强、归一化等部分；
特征提取模块，其用于提取乳腺能谱摄影图像的特征；
图像分类模块，其用于将提取的特征输入到分类器中，输出图像分类结果。
实施例三：
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基于多模态融合的对比增强能谱乳腺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。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (9)

1.一种多模态乳腺能谱图像分类系统，其特征在于，包括：
图像输入模块，用于获取若干个多模态对比增强能谱乳腺摄影图像；
预处理模块，与图像输入模块相连，用于预处理对比增强能谱乳腺摄影图像，包括裁剪、增强、归一化等部分；
特征提取模块，与预处理模块相连，用于提取乳腺能谱摄影图像的特征；
图像分类模块，与图像分类模块相连，用于将提取的特征输入到分类器中，输出图像分类结果。
2.一种多模态乳腺能谱图像分类方法，其特征在于，采用权利要求1所述的系统，包含以下步骤：
步骤1、图像采集与数据集制作；
步骤2、数据预处理；
步骤3、图像特征提取；
步骤4、损失计算；
步骤5、模型训练；
步骤6、给出预测分类结果。
3.根据权利要求2所述的一种多模态乳腺能谱图像分类方法，其特征在于，所述步骤1具体是：采集对比增强乳腺能谱图像，并将数据集与测试集进行随机划分，防止模型过拟合。
4.根据权利要求2所述的一种多模态乳腺能谱图像分类方法，其特征在于，所述步骤2具体是：包括裁剪能谱图像、对乳腺能谱图像进行像素均值化、图像增强等操作。
5.根据权利要求2所述的一种多模态乳腺能谱图像分类方法，其特征在于，所述步骤3具体是：将卷积神经网络中局部注意机制和Transformer中多头注意力机制的优势结合起来，采用CCT模型提取图像特征并给出图像的类别预测。
6.根据权利要求2所述的一种多模态乳腺能谱图像分类方法，其特征在于，所述步骤4具体是：将预测分类结果与真实良恶性标签计算，选用交叉熵损失函数计算对比增强能谱图像产生的类别置信度之间的信息熵损失。
7.根据权利要求2所述的一种多模态乳腺能谱图像分类方法，其特征在于，所述步骤5具体是：将损失函数计算的损失，通过梯度反向传播，并对模型迭代训练，拟合训练数据，得到最优模型。
8.根据权利要求2所述的一种多模态乳腺能谱图像分类方法，其特征在于，所述步骤6具体是：将对比增强能谱乳腺摄影图像输入到分类器中，分类模型给出乳腺癌图像的分类结果。
9.一种计算机设备，其特征在于，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权利要求2-8任一项所述的多模态乳腺能谱图像分类方法中的步骤。
CN202211368857.XA 2022-11-03 2022-11-03 一种多模态乳腺能谱图像分类方法 Pending CN116109856A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211368857.XA CN116109856A (zh) 2022-11-03 2022-11-03 一种多模态乳腺能谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211368857.XA CN116109856A (zh) 2022-11-03 2022-11-03 一种多模态乳腺能谱图像分类方法

Publications (1)

Publication Number Publication Date
CN116109856A true CN116109856A (zh) 2023-05-12

Family

ID=86264528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211368857.XA Pending CN116109856A (zh) 2022-11-03 2022-11-03 一种多模态乳腺能谱图像分类方法

Country Status (1)

Country Link
CN (1) CN116109856A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315282A (zh) * 2023-10-16 2023-12-29 深圳市锐明像素科技有限公司 图像的处理方法、处理装置、电子设备以及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315282A (zh) * 2023-10-16 2023-12-29 深圳市锐明像素科技有限公司 图像的处理方法、处理装置、电子设备以及存储介质

Similar Documents

Publication Publication Date Title
Li et al. Attention dense-u-net for automatic breast mass segmentation in digital mammogram
Yousef et al. A holistic overview of deep learning approach in medical imaging
CN106682435B (zh) 一种多模型融合自动检测医学图像中病变的系统及方法
CN112884759B (zh) 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置
Kumar et al. Medical images classification using deep learning: a survey
Kumaraswamy et al. A review on cancer detection strategies with help of biomedical images using machine learning techniques
Pradhan et al. Lung cancer detection using 3D convolutional neural networks
Abd Al-Ameer et al. Lung cancer detection using image processing and deep learning
Azour et al. Design guidelines for mammogram-based computer-aided systems using deep learning techniques
Maalem et al. A deep-based compound model for lung cancer detection
Souid et al. Xception-ResNet autoencoder for pneumothorax segmentation
CN118314394A (zh) 一种基于多视图的直肠癌手术难度评估方法
CN116109856A (zh) 一种多模态乳腺能谱图像分类方法
Almutairi et al. An Efficient USE‐Net Deep Learning Model for Cancer Detection
Anas et al. Advancing Breast Cancer Detection: Enhancing YOLOv5 Network for Accurate Classification in Mammogram Images
Garg et al. State-of-the-art review of deep learning for medical image analysis
CN113838019A (zh) 一种基于钼靶影像的乳腺疾病辅助筛查方法
Morano et al. Deep multimodal fusion of data with heterogeneous dimensionality via projective networks
Waseem Sabir et al. FibroVit—Vision transformer-based framework for detection and classification of pulmonary fibrosis from chest CT images
Dawood et al. Brain tumors detection using computed tomography scans based on deep neural networks
Alghanimi et al. CNN and ResNet50 Model Design for Improved Ultrasound Thyroid Nodules Detection
Khan et al. Region Extraction with Deep Cascaded Neural Architecture for Preserving Image Intensities
Jha et al. Interpretability of self-supervised learning for breast cancer image analysis
Kumar et al. Abnormality detection in smartphone-captured chest radiograph using multi-pretrained models
Sujatha et al. Implementing U-Net Model for Automatic Segmentation of MRI Brain Tumor

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