CN116206160A - 基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法 - Google Patents
基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法 Download PDFInfo
- Publication number
- CN116206160A CN116206160A CN202310349725.0A CN202310349725A CN116206160A CN 116206160 A CN116206160 A CN 116206160A CN 202310349725 A CN202310349725 A CN 202310349725A CN 116206160 A CN116206160 A CN 116206160A
- Authority
- CN
- China
- Prior art keywords
- network model
- nasopharyngeal carcinoma
- automatic
- sketching
- image
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法,包括图像预处理、读取数据集并定义常量、构建鼻咽癌病变组织自动识别和勾画网络模型、训练并验证网络模型、输入测试集并得到模型训练结果。分类可以对鼻咽癌数据集实现高精度分类,而分割是否运行是基于分类模型对数据集的判断,无需手动的进行二次操作,本发明可以体现该系统高精度、自适应的特点。本发明解决了鼻咽癌病变组织自动识别和勾画任务中图像构造复杂、组织形状不规则且大小不一、与周围组织边缘模糊难以识别所导致的识别和分割精度不足等问题,一定程度上提升了鼻咽癌病变组织自动识别和勾画模型的精度。
Description
技术领域
本发明涉及一种基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法。
背景技术
根据国际癌症研究机构(International Agency for Research on Cancer,IARC)发布的数据显示,2020年全球约有133354例新的鼻咽癌患者与鼻咽癌相关的死亡病例高达80008起。医学影像为专家提供有关鼻咽癌的详细信息,但鼻咽癌病变组织的形状、大小、位置各异。病变甚至可能只占整个图像系列的很小一部分。传统的医学图像分割标注一直由放射科医师在临床进行,需要专业的经验和大量的时间,因此传统的医学图像处理成本高且效率低。
人工智能(Artificial Intelligence,AI)在医学图像处理领域中,已经取得了成功的应用,如图像分类、图像分割、物体检测、图像生成和图像变换。图像识别分类和自动分割是人工智能辅助诊断技术中两种最热门的应用,它可以自动将医学图像分为良性和恶性或者区分疾病的阶段,自动分割可以辅助医生对病变组织做出精准的定位。2021年黄伦明等人基于卷积神经网络在鼻咽癌中的应用,其网络模型能达到的自动识别准确率为0.91,而邓一术等人在基于MR图像的鼻咽癌识别及肿瘤分割方法及系统中使用的训练网络模型自动勾画的精度仅为0.768。
基于现有的结果发现,鼻咽癌的识别与自动勾画是分开进行的,没有一整套的自动化的识别方法。并且在自动识别任务的精度上还可以有所提升。尤其是而自动勾画精度关系到手术过程中肿瘤组织的定位、切割与放疗,不精确的定位难以达到理想的治疗效果。因此,目前的模型难以达到辅助医疗诊断的病变组织定精准定位要求,其模型的性能还有很大的提升空间。
发明内容
本发明是为了解决上述现有技术存在的问题而提供一种基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法。本发明针对鼻咽癌MRI图像数据集的自动识别和勾画任务。其中,选用了医生常用的T1增强序列(T1WIC)图像作为最终的数据集,通过对网络模型的优化,可以进一步的提升模型的鲁棒性和泛化能力,在适用对象方面,可以适用于鼻咽癌MRI的T1增强序列图像。通过提出的自适应判别方法,可以实现对鼻咽癌MRI图像识别与分割的智能化,减少了操作步骤,提升了工作效率。
本发明所采用的技术方案有:
基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法,包括如下步骤:
1)图像预处理;
对医学图像的数据集进行脱敏处理,用以保护病患隐私信息,在脱敏处理完成后对数据集进行格式转换;
对于不同部位的医学图像数据,按照相同部位的分类规则对医学图像数据集进行分类,然后对每个相同部位的所有的原本数据格式dcm,通过脚本转化为png格式的图像,随后对转化后的图像进行数据集划分;
对于同一部位不同诊断类型的医学图像数据,对所在同一部位所有不同诊断类型医学图像数据的原本数据格式dcm,通过脚本转化dcm格式的图像转化为nii格式的图像,随后对nii格式的图像进行标注并保存生成nii.gz格式的图像,再用脚本对标注的图像进行格式转换生成png格式,最后对转化后的图像进行数据集划分;
2)读取数据集并定义常量;
将划分后的数据集输入到构建的鼻咽癌病变组织自动识别网络模型与鼻咽癌病变组织自动勾画网络模型中并设置两个网络模型训练时的常量,所述常量为image_shape、batch_size、epoch;
3)鼻咽癌病变组织自动识别网络模型的构建;
选用由5个残差模块构成的卷积神经网络模型作为基础,在所述卷积神经网络模型中加入CBAM注意力机制与预训练权重,由此构建成鼻咽癌病变组织自动识别网络模型,所述预训练权重在鼻咽癌病变组织自动识别网络模型训练时加入,通过函数式API方式连接CBAM注意力机制;所述鼻咽癌病变组织自动识别网络模型中每个残差模块中设置两个卷积层,在残差模块的每个卷积层后加入Batch Normalization和ReLU激活函数;
4)鼻咽癌病变组织自动勾画网络模型的构建;
所述鼻咽癌病变组织自动勾画网络模型以Unet网络模型作为基础,其包括七个残差模块和3个上采样层,其中三个残差模块组成下采样部分,其余三个残差模块与3个上采样层交错布置形成上采样部分,剩余一个残差模块连接在下采样部分输出端与上上采样部分的输入端之间;在上采样部分的输出端还设置一个卷积层,在卷积层的后侧加入sigmoid激活函数;在所有七个残差模块每个残差模块内设置两个卷积层,残差模块的每个卷积层后加入Batch Normalization和ReLU激活函数;
5)网络模型的训练;
分别对鼻咽癌病变组织自动识别网络模型与鼻咽癌病变组织自动勾画网络模型进行网络模型训练。
进一步地,针对鼻咽癌病变组织自动识别网络模型的图像数据集划分是通过使用K折交叉验证法进行数据集划分,对应得到三个数据集,分别为:训练集、验证集、测试集;训练集、验证集、测试集的划分比例设置为7:2:1。
进一步地,鼻咽癌病变组织自动识别网络模型的网络模型训练是通过采用K折交叉验证法以及加入CBAM注意力机制后,自动实现对鼻咽癌病变组织自动识别网络模型的训练。
进一步地,针对鼻咽癌病变组织自动勾画网络模型的图像数据集划分是通过设置随机种子进行数据集划分。
进一步地,采用戴斯系数损失函数对鼻咽癌病变组织自动勾画网络模型进行训练。
本发明公开了分为两个部分:一个部分为分类(即鼻咽癌病变组织自动识别网络模型),另一个部分为分割(即鼻咽癌病变组织自动勾画网络模型),自适应异构网络模型的技术流程包括图像预处理、读取数据集并定义常量、构建鼻咽癌病变组织自动识别和勾画网络模型、训练并验证网络模型、输入测试集并得到模型训练结果。分类可以对鼻咽癌数据集实现高精度分类,而分割是否运行是基于分类模型对数据集的判断,无需手动的进行二次操作,本发明可以体现该系统高精度、自适应的特点。本发明解决了鼻咽癌病变组织自动识别和勾画任务中图像构造复杂、组织形状不规则且大小不一、与周围组织边缘模糊难以识别所导致的识别和分割精度不足等问题,一定程度上提升了鼻咽癌病变组织自动识别和勾画模型的精度。
附图说明
图1为本发明流程示意图。
图2为鼻咽癌病变组织自动勾画网络模型的示意图。
图3为本发明的评价指标的柱状图。
图4为本发明的不同图层的病变组织自动勾画效果图。
具体实施方式
下面结合附图对本发明作进一步的说明。
如图1至图4,本发明基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法,包括如下步骤:
1)图像预处理;
在图像预处理过程中首要的步骤是对数据集进行脱敏处理,我们需要隐匿所有病患的私人信息防止信息泄露以确保数据的安全性和私密性。在脱敏处理完成之后对数据集进行格式转换,其中不同的任务图像转换的格式要求也不同。根据针对识别分类任务和分割任务,图像预处理的过程不相同,分别如下:
对于不同部位的医学图像数据,按照相同部位的分类规则对医学图像数据集进行分类,然后对每个相同部位的所有的原本数据格式dcm,通过脚本转化为png格式的图像,随后对转化后的图像进行筛选和数据集划分,即针对分类任务的图像预处理:
分类目的:将医学图像数据分为不同的类别,以帮助医生诊断疾病或进行治疗决策。其目的是提高医疗诊断和治疗的准确性和效率,促进疾病的早期发现和预防。
医学图像分类可以应用于许多医学领域,如肿瘤学、心血管学、神经科学等。例如,在肿瘤学中,医学图像分类可以用于区分肿瘤类型、识别肿瘤的大小和位置、评估肿瘤的生长和转移等,帮助医生制定个性化的治疗计划。在心血管学中,医学图像分类可以用于检测心脏病的类型和程度、识别动脉瘤、血管狭窄等,帮助医生做出准确的诊断和治疗决策。医学图像分类可以为医生提供更多的诊断和治疗信息,提高医疗工作的效率和准确性,为患者提供更好的医疗服务。
对于同一部位不同诊断类型的医学图像数据,对所在同一部位所有不同诊断类型医学图像数据的原本数据格式dcm,通过脚本转化dcm格式的图像转化为nii格式的图像,随后对nii格式的图像进行标注并保存生成nii.gz格式的图像,再用脚本对标注的图像进行格式转换生成png格式,最后对转化后的图像进行筛选和数据集划分,即针对分割任务的图像预处理。
分割目的:医学图像分割是指将医学图像中的不同组织或结构分割为不同的区域或部分的过程。医学图像分割的目的是为了提取感兴趣的解剖结构或病理区域,并为医生提供更全面、准确的医学信息,帮助医生诊断和治疗疾病。医学图像分割可以应用于许多医学领域,如肿瘤学、神经科学、心血管学等。例如,在肿瘤学中,医学图像分割可以用于确定肿瘤的边界和大小、计算肿瘤的体积和生长速度、评估肿瘤的转移情况等。在神经科学中,医学图像分割可以用于识别和量化神经元、神经纤维束、脑血管等结构。在心血管学中,医学图像分割可以用于检测心脏病变、血管狭窄和动脉瘤等。总之,医学图像分割可以为医生提供更多的医学信息,帮助医生做出更准确、更全面的诊断和治疗决策,提高医疗工作的效率和准确性,为患者提供更好的医疗服务。
图像预处理对图像进行筛选是从MRI图像中选取鼻咽间隙原始部位周围9-39片切片。目的:原数据集中MRI扫描的图层太多其中包含了大量颈部的淋巴位置,这些位置的图层不是本次研究任务的主要方向,因此需要筛选出鼻咽腔壁位置及其周围区域的鼻咽癌图像。
在图像预处理过程中,不停转化格式的原因是因为dcm格式的图像是医学图像的特殊格式,无论是图像的查看、筛选还标注都非常的不方便,为了方便上述操作和划分数据集,需要将图像转化为方便处理的格式。
2)读取数据集并定义常量;
将划分后的数据集输入到构建的鼻咽癌病变组织自动识别网络模型与鼻咽癌病变组织自动勾画网络模型中并设置两个网络模型训练时的常量,所述常量为image_shape、batch_size、epoch;
3)鼻咽癌病变组织自动识别网络模型的构建;
选用由5个残差模块构成的卷积神经网络模型作为基础,在所述卷积神经网络模型中加入CBAM注意力机制与预训练权重,由此构建成鼻咽癌病变组织自动识别网络模型,所述预训练权重在模型训练时加入,通过函数式API方式连接CBAM注意力机制;所述鼻咽癌病变组织自动识别网络模型中每个残差模块中设置两个卷积层,在残差模块的每个卷积层后加入Batch Normalization和ReLU激活函数;
在卷积神经网络模型中加入了CBAM注意力机制,可以更好的聚焦于局部信息加强特征的提取。在网络模型训练时加入了预训练权重,可以加速训练,使得模型收敛更快从而达到更好的效果。
4)鼻咽癌病变组织自动勾画网络模型的构建;
所述鼻咽癌病变组织自动勾画网络模型以Unet网络模型作为基础,其包括七个残差模块和三个上采样层,其中三个残差模块组成下采样部分,其余三个残差模块与三个上采样层交错布置形成上采样部分,剩余一个残差模块连接在下采样部分输出端与上上采样部分的输入端之间;在上采样部分的输出端还设置一个卷积层,在卷积层的后侧加入sigmoid激活函数;在所有七个残差模块每个残差模块内设置两个卷积层,残差模块的每个卷积层后加入Batch Normalization和ReLU激活函数;
5)网络模型的训练;
采用戴斯系数损失函数对鼻咽癌病变组织自动勾画网络模型进行训练。
模型训练时选用戴斯系数损失函数,可以更好的应对自动勾画任务的样本不均匀的情况。为了使模型训练时可以更好的收敛,使用适应性学习率,通过在不同epoch上调整学习率,可以降低loss,提高精确度,同时可以减少模型训练的时间。
针对鼻咽癌病变组织自动勾画网络模型的图像数据集划分是通过设置随机种子进行数据集划分,对应得到三个数据集,分别为:训练集、验证集、测试集;训练集、验证集、测试集的划分比例设置为7:2:1。
鼻咽癌病变组织自动识别网络模型的网络模型训练是通过采用K折交叉验证法以及加入CBAM注意力机制后,自动实现对鼻咽癌病变组织自动识别网络模型的训练。
针对鼻咽癌病变组织自动识别网络模型的图像数据集划分是通过使用K折交叉验证法进行数据集划分,对应得到三个数据集,分别为:训练集、验证集、测试集;训练集、验证集、测试集的划分比例设置为7:2:1。
6)输入测试集并得到模型训练结果。
在本实例中,根据输出的结果对网络模型进行性能的评估,通过结合多个评价指标和对比网络模型的学习曲线,评估和测试网络模型的鲁棒性、泛化能力。其中,选用的评估指标包括准确率(Accuracy)、精确度(Precision)、F1值(F1 Score)、灵敏度(Sensitivity)、混淆矩阵(Confusion Matrix)和Dice相似系数(Dice SimilarityCoefficient,DSC),各个评价指标在T1增强序列(T1WIC)图像上的数值详见表1。
表1是在测试集当中,鼻咽癌病变组织自动识别模型的性能
Accuracy | Precision | F1-Score | Sensitivity | |
T1WIC | 0.96 | 0.97 | 0.96 | 0.96 |
表1的各个评价指标均高于0.9,所有指标的数值越接近于1,说明模型的性能越好。其中,准确率已经达到了0.96相比较当前的0.91的准确率已经得到了明显的提升。
在分类模型的预测中,混淆矩阵图中第二、第四象限数值越大越好,反之第一、第四象限的数值越小越好,所有象限的数值均在0到1之间。本发明的分类预测结果中混淆矩阵的第二、第三象限数值已经高达0.97,可见模型性能的优越性。
如图3所示,是鼻咽癌病变组织自动勾画网络模型的柱状图。图中所展示的结果均为Dice相似系数的数值,该系数解释了模型训练时预测的分割区域和真实的分割区域的重合程度,系数值取值范围在0和1之间,若系数值越接近于1,则说明模型的性能越好。在图中可以观察到本发明的网络模型得到了较为优异的分割结果为0.813,邓一术等人在一种基于MR图像的鼻咽癌识别及肿瘤分割方法及系统的专利中训练网络模型后得到的分割结果为0.768,相比较之下本发明的网络模型训练效果和性能均已得到了明显提升。
鼻咽癌病变组织自动勾画的效果如图4所示,每行图片都是随机选取T1增强序列(T1WIC)图像的不同图层,由左往右三列图像分别是原图、预测和自动分割的效果图。从图中可以看出,无论是预测还是自动分割,所有的分割区域都可以更好更准确的集中在病变区域。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (5)
1.基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法,其特征在于:包括如下步骤:
1)图像预处理;
对医学图像的数据集进行脱敏处理,用以保护病患隐私信息,在脱敏处理完成后对数据集进行格式转换;
对于不同部位的医学图像数据,按照相同部位的分类规则对医学图像数据集进行分类,然后对每个相同部位的所有的原本数据格式dcm,通过脚本转化为png格式的图像,随后对转化后的图像进行数据集划分;
对于同一部位不同诊断类型的医学图像数据,对所在同一部位所有不同诊断类型医学图像数据的原本数据格式为dcm,通过脚本将dcm格式的图像转化为nii格式的图像,随后对nii格式的图像进行标注并保存生成nii.gz格式的图像,再用脚本对标注的图像进行格式转换生成png格式,最后对转化后的图像进行数据集划分;
2)读取数据集并定义常量;
将划分后的数据集输入到构建的鼻咽癌病变组织自动识别网络模型与鼻咽癌病变组织自动勾画网络模型中并设置两个网络模型训练时的常量,所述常量为image_shape、batch_size、epoch;
3)鼻咽癌病变组织自动识别网络模型的构建;
选用由5个残差模块构成的卷积神经网络模型作为基础,在所述卷积神经网络模型中加入CBAM注意力机制和预训练权重,由此构建成鼻咽癌病变组织自动识别网络模型,所述预训练权重在鼻咽癌病变组织自动识别网络模型训练时加入,通过函数式API方式连接CBAM注意力机制;所述鼻咽癌病变组织自动识别网络模型中每个残差模块中设置两个卷积层,在残差模块的每个卷积层后加入Batch Normalization和ReLU激活函数;
4)鼻咽癌病变组织自动勾画网络模型的构建;
所述鼻咽癌病变组织自动勾画网络模型以Unet网络模型作为基础,其包括七个残差模块和3个上采样层,其中三个残差模块组成下采样部分,其余三个残差模块与3个上采样层交错布置形成上采样部分,剩余一个残差模块连接在下采样部分输出端与上上采样部分的输入端之间;在上采样部分的输出端还设置一个卷积层,在卷积层的后侧加入sigmoid激活函数;在所有七个残差模块每个残差模块内设置两个卷积层,残差模块的每个卷积层后加入Batch Normalization和ReLU激活函数;
5)网络模型的训练;
分别对鼻咽癌病变组织自动识别网络模型与鼻咽癌病变组织自动勾画网络模型进行网络模型训练。
2.如权利要求1所述的基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法,其特征在于:针对鼻咽癌病变组织自动识别网络模型的图像数据集划分是通过使用K折交叉验证法进行数据集划分,对应得到三个数据集,分别为:训练集、验证集、测试集;训练集、验证集、测试集的划分比例设置为7:2:1。
3.如权利要求2所述的基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法,其特征在于:鼻咽癌病变组织自动识别网络模型的网络模型训练是通过采用K折交叉验证法以及加入CBAM注意力机制后,自动实现对鼻咽癌病变组织自动识别网络模型的训练。
4.如权利要求1所述的基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法,其特征在于:针对鼻咽癌病变组织自动勾画网络模型的图像数据集划分是通过设置随机种子进行数据集划分。
5.如权利要求1所述的基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法,其特征在于:采用戴斯系数损失函数对鼻咽癌病变组织自动勾画网络模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310349725.0A CN116206160A (zh) | 2023-04-04 | 2023-04-04 | 基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310349725.0A CN116206160A (zh) | 2023-04-04 | 2023-04-04 | 基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116206160A true CN116206160A (zh) | 2023-06-02 |
Family
ID=86507879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310349725.0A Pending CN116206160A (zh) | 2023-04-04 | 2023-04-04 | 基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206160A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681717A (zh) * | 2023-08-04 | 2023-09-01 | 经智信息科技(山东)有限公司 | 一种ct图像的分割处理方法及装置 |
-
2023
- 2023-04-04 CN CN202310349725.0A patent/CN116206160A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681717A (zh) * | 2023-08-04 | 2023-09-01 | 经智信息科技(山东)有限公司 | 一种ct图像的分割处理方法及装置 |
CN116681717B (zh) * | 2023-08-04 | 2023-11-28 | 经智信息科技(山东)有限公司 | 一种ct图像的分割处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270660B (zh) | 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 | |
Carass et al. | Longitudinal multiple sclerosis lesion segmentation: resource and challenge | |
CN108492297B (zh) | 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法 | |
CN107748900B (zh) | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 | |
Soni et al. | Light weighted healthcare CNN model to detect prostate cancer on multiparametric MRI | |
Alzu’bi et al. | Kidney tumor detection and classification based on deep learning approaches: a new dataset in CT scans | |
Li et al. | A fully automatic computer-aided diagnosis system for hepatocellular carcinoma using convolutional neural networks | |
Reshma et al. | Detection of breast cancer using histopathological image classification dataset with deep learning techniques | |
CN111488914A (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 | |
CN112101451A (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 | |
CN112270666A (zh) | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 | |
Patel et al. | Hybrid approach for feature extraction of lung cancer detection | |
Sadeghibakhi et al. | Multiple sclerosis lesions segmentation using attention-based CNNs in FLAIR images | |
Katiyar et al. | A Comparative study of Lung Cancer Detection and Classification approaches in CT images | |
CN116206160A (zh) | 基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法 | |
Rahman et al. | Mri brain tumor classification using deep convolutional neural network | |
Khan et al. | A hybrid attention-based residual Unet for semantic segmentation of brain tumor | |
Sailunaz et al. | A survey on brain tumor image analysis | |
Popat et al. | Research perspective and review towards brain tumour segmentation and classification using different image modalities | |
Vavekanand | A Deep Learning Approach for Medical Image Segmentation Integrating Magnetic Resonance Imaging to Enhance Brain Tumor Recognition | |
Costa et al. | A deep learning-based radiomics approach for COVID-19 detection from CXR images using ensemble learning model | |
Dass et al. | A novel approach for small object detection in medical images through deep ensemble convolution neural network | |
Asiri et al. | A novel inherited modeling structure of automatic brain tumor segmentation from MRI | |
Ghosal et al. | A deep adaptive convolutional network for brain tumor segmentation from multimodal MR 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 |