CN116228685B - 一种基于深度学习的肺结节检测与剔除方法 - Google Patents

一种基于深度学习的肺结节检测与剔除方法 Download PDF

Info

Publication number
CN116228685B
CN116228685B CN202310075484.5A CN202310075484A CN116228685B CN 116228685 B CN116228685 B CN 116228685B CN 202310075484 A CN202310075484 A CN 202310075484A CN 116228685 B CN116228685 B CN 116228685B
Authority
CN
China
Prior art keywords
lung
dimensional
lung nodule
nodule
nodules
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.)
Active
Application number
CN202310075484.5A
Other languages
English (en)
Other versions
CN116228685A (zh
Inventor
王玉娟
熊一鑫
邓磊
宋永端
金其坚
潘妍睿
陈清
代云飞
王超
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN202310075484.5A priority Critical patent/CN116228685B/zh
Publication of CN116228685A publication Critical patent/CN116228685A/zh
Application granted granted Critical
Publication of CN116228685B publication Critical patent/CN116228685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/08—Learning methods
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/30064—Lung nodule
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度学习的肺结节检测与剔除方法，该方法在网络生成结果之前进行融合，对每一个模型的预测结果保留相同权重，使用加权框融合的后处理方法的到最终结果。提出了一种根据连续图片交并比值来判断结节连续性的方法，能够快速实现结节从二维转为三维，并且能够有效的减少误判。本发明基于二维目标检测模型检测肺结节，更加节省算力，且在检测完毕后结合了三维重构技术，实现了更快速，更精确的肺结节检测，除此之外，提出了Sa‑Yolo模型，通过引入分割注意力机制，从而加强了模型对于小结节的检测效果，并且在与Yolov7融合之后，能够获得更精准的结节边界框，能够更精准、快速地检测肺结节。

Description

一种基于深度学习的肺结节检测与剔除方法
技术领域
本发明设计医学癌症方面的图像检测与重构领域，根据肺部CT图像的特征提出一种能够具有高灵敏度的肺结节检测与重构计算机辅助系统。能够在大量的肺CT图像中精准检测肺结节，并进行假阳性筛选，可以有效实现肺结节的早发现。
背景技术
肺癌是全世界癌症死亡的主要原因，大多数患者由于在疾病早期缺乏症状而错过最佳的治疗的时间。因此迫切的需要提出一种准确、快速的肺结节检测网络。常规的深度学习检测方法根据输入数据的形状可以分为二维检测模型和三维检测模型。其步骤一般是将CT数据根据Z轴方向切分成二维图片，或直接将CT数据转为三维张量进行预测，在预测完成后将预测结果进行切分与裁剪步骤再进行假阳性检验，对得到的肺结节进行剔除，得到最终的结果。
目前基于深度学习的肺结节检测与剔除模型还存在以下困难：
1、二维模型运算速度快，需要的数据量小，但是只能检测图片中的平面信息，缺少肺结节的连续空间信息，且难以对肺结节的边缘做出细致的判断；
2、三维模型能够更好的提取肺结节的空间信息，并且对肺结节的边缘形状比较敏感，但是其参数量庞大，运算速度慢，所需要的数据量对于任何研究者来说都是一个难题。
发明内容
本发明提出了一种基于深度学习的肺结节检测与剔除方法，主要解决问题如下：
1、提出了一种不同目标检测网络模型融合的方法，在网络生成结果之前进行融合，对每一个模型的预测结果保留相同权重，使用加权框融合的后处理方法的到最终结果。
2、提出了一种根据连续图片交并比值来判断结节连续性的方法，能够快速实现结节从二维转为三维，并且能够有效的减少误判。
本发明解决上述技术问题所采用的技术方案为：
一种基于深度学习的肺结节检测与剔除方法，该方法具体包括以下步骤：
S1、对待检测三维肺CT影像进行预处理，通过按照时间序列切片的方式将三维肺CT影像转换为二维切片影像，并保留原始序列；
S2、采用Sa-Yolo目标检测算法和Yolov7目标检测算法对二维切片影像中的肺结节进行检测，并且保留下所有的预测框，不对预测框进行任何的后处理操作；
S3、选用权重框融合算法对S2所保留下来的预测框进行后处理，将每个预测框的置信度作为权重，一个二维切片影像上的所有预测框进行加权平均，获得一组全新的预测框，这个新的预测框将会更加贴合肺结节，从而保证肺结节大小测量的准确性；
S4、获取到S3所获得的所有二维切片影像，并按照时间序列进行排序，之后使用肺结节筛选算法对各个二维切片影像中的肺结节进行整合，整合的方法为把每个检出肺结节的二维切片影像与其相邻二维切片影像进行比较，若相邻二维切片影像检出肺结节位置与当前二维切片影像的肺结节位置相同，则视为一个肺结节，从而达到二维肺结节的三维重构，并能够获得肺结节的三维坐标中点。
进一步地，S4中的肺结节筛选算法的过程为：
S4.1、将检测出肺结节的二维切片影像以时间序列以及Z轴方向进行排序，并获取其中每一个肺结节的包围框信息；
S4.2、第一张二维切片影像中，将该二维切片影像上的肺结节的包围框与下一张二维切片影像上的肺结节的包围框进行交并比计算；
S4.3、若交并比值满足预设值，则认为该相邻结节系该结节的同一结节的二维切片影像，若不满足预设值，则认为该相邻肺结节为另一肺结节的二维切片影像；
S4.4、重复此操作，遍历所有肺结节的二维切片影像得到所有同肺结节的二维切片影像序列，将每一个序列的肺结节以Z轴方向重新组合，即可得到只含有一个肺结节的三维肺结节。
进一步地，根据S1所保留的肺结节序列，结合肺结节在二维切片影像的位置，便能获取到肺结节在三维空间中的坐标。
S5、在获取了整个肺部CT的肺结节候选者后，需要使用3D卷积网络对三维肺结节进行假阳性分类剔除，若概率大于等于所设定阈值则认为阳性结节，若概率小于所设定阈值，则认为假阳性结节；
进一步地，S2步骤中的模型融合算法具体包括：
S2.1、将分割注意力机制引入至YoloX目标检测算法，提出一种Sa-Yolo的目标检测算法，使用Sa-Yolo网络对三维肺CT影像中的肺结节进行检测，并将全部预测框保留；
S2.2、使用Yolov7对三维肺CT影像中的肺结节进行目标检测，将全部预测框保留；
S2.3、使用加权框融合(WBF)的后处理方法，将S2.1中所保留的所有预测框融合加权计算得到肺结节的最终目标框；
进一步地，S3中的权重框融合的后处理方法为，将所有置信度大于阈值的框放入一个集合，将置信度作为权重，将所有框的坐标进行加权，最后整合成一个全新且更加贴合原物体的框。
进一步地，S5步骤中的3D卷积网络假阳性剔除的具体步骤包括：
S5.1、获得S4所获得的结节在肺部CT的三维坐标，对整个三维肺部CT切块，切出整个结节所在的区域。
S5.2、使用三维残差网络对切出CT块进行分类，并输出其属于真实结节的概率。
进一步地，所述Sa-Yolo的目标检测算法具体包括：
S1、主干网络模块：通过卷积层对二维切片不断进行下采样，精炼特征信息，输出出20*20,40*40和80*80的精炼特征层。
S2、特征增强模块：采用Split Attention对多尺度的肺结节融合特征进行权重分配，将特征分成若干块分别进行通道注意力的权重分配，再将每一块肺结节特征拼接，得到肺结节的多尺度融合特征。分割注意力机制将输出特征进行解耦，并且通过全局池化加强了重要特征的权重，以达到主干网络特征增强的目的。
S3、解耦模块：通过区域生成网络预测出结节坐标以及置信度。
与现有技术相对，本发明具有以下明显优势：
本发明基于二维目标检测模型检测肺结节，更加节省算力，且在检测完毕后结合了三维重构技术，实现了更快速，更精确的肺结节检测，除此之外，提出了Sa-Yolo模型，通过引入分割注意力机制，从而加强了模型对于小结节的检测效果，并且在与Yolov7融合之后，能够获得更精准的结节边界框，总而言之，本发明能够更精准，更快速的检测肺结节。
附图说明
图1是本方法实施的流程图。
图2Sa-Yolo结构图。
图3分割注意力结构图。
图4Yolov7结构图。
图5肺结节目标检测结构图。
图6假阳性检验网络图。
具体实施方式
以下结合附图实例对本发明作进一步详细描述。
本发明采用的技术方案为一种基于深度学习的肺结节检测与剔除方法，该方法是实施步骤如下，S1、将三维的CT影像采样为二维切片，并使二维切片保留原来的顺序，以便其在按顺序检测后能够重新整合成3D影像。
S2、肺结节目标检测：使用二维CT图像作为输入数据，首先分别使用Sa-Yolo和Yolov7对数据进行预测，但是不使用常规的非极大值抑制对网络预测结果进行后处理，而是使用加权框融合进行全部的目标框融合，相较于常规的非极大值抑制，使用加权融合所获得的框能够更加贴合结节本身，使之对于结节大小的测量更加准确。
其中Sa-Yolo结构如下图2所示，其基本骨架为YoloX。相较于普通的YoloX算法，Sa-Yolo能够显著的提高模型的表现能力以及可解释性，解耦对于特征可解释性非常重要。由于主干网络的不同输出负责不同大小的节点，因此在对主干输出执行串联操作后，通过引入分割注意力块来分割输出，其结构如下图3所示。分割注意力机制对特征分割成若干块并利用注意力机制进行权重重新分配，对特征进行划分，获得注意力，再融合的三步操作。一方面带来模型学习能力的提升，一方面使网络在输出时有选择性的选择重要的目标。
Yolov7是目前Yolo系列算法中最新的算法，其使用了创新的多分支堆叠结构进行特征提取，相比以前的Yolo，模型的跳连接结构更加的密集。使用了创新的下采样结构，并且其在特征金字塔池化中引入了部分跨层结构，节约了大量的计算开销以及推理时间，非常适合肺结节检测这一任务要求，Yolov7结构如图4所示。
常规的目标检测后处理方法非极大值抑制将同一物体的全部目标框按照置信度进行排序，只保留最大置信度的目标框。这种方法对于重叠物体来说非常不友好，并且在模型融合的过程中不能有效的利用两个网络模型的输出。加权框融合将全部框保留下来进行分数和坐标的重新多次分配，其公式如下：
其中Si表示第i个框的得分，X1,2,Y1,2表示框的坐标。该后处理方法将全部的框融合为一个预测框，对于模型融合来说，可以有效的整合全部的预测框结果，并且对于其中置信度大的框有着更高的权重。
整个肺结节目标检测过程的结构如图5所示：
S3、肺结节三维重构：二维肺结节缺少连续空间信息，因此使用三维重构的方法将二维肺结节重新整合为三维数据形式，更有利于后续步骤。主要方法为检验相连图片的目标检测框的交并比来判断是否属于同一结节，其实现过程的伪代码如下所示:
由于肺结节通常大于1.5mm，所以其在二维层面的表现形式一定的多张连续图片，因此可以筛选掉只有一张图片的肺结节减少网络的误检率。其交并比计算公式如下所示，其中(left1,right1,top1,bottom1)表示第一个结节的坐标信息，(left2,right2,top2,bottom2)表示第二个肺结节的坐标信息，S1为当前切片结节框的面积，S2为相邻结节框的面积，S3表示两肺结节预测框的交集面积，IOU为两个结节的交并比：
S3、肺结节假阳性检验：将先前确定为同一结节的图片的像素矩阵依次叠加，即可得到肺结节的三维数据，将该三维数据输入3D假阳性检验网络就可以对肺结节整体进行判断，此时的判断包含了结节的空间信息，同时因为前面高效的检验，3D卷积神经网络选择了残差网络作为分类网络，保证了该步骤的高可靠性，其具体结构如下图6所示：
实施例
在luna16数据集上的效果
表1luna16数据集算法性能
通过引用分割注意力机制，使整个系统能够更加准确地检测小结节，并通过融合Yolov7算法，使本系统在luna16数据集上对不同尺寸结节的检测效果大大提升，表明该模型融合方法在任何尺寸都能很好的提升模型的效果。
表2不同尺寸性能结果
在luna16数据集上的历年第一名敏感度与误检性能比较，在对结节保持较高敏感度的同时还能减少对非结节部位的误判，超过了历年来该比赛上的第一名。
表3历年luna挑战赛第一名性能
本发明在具体使用过程中，由于引入了分割注意力机制，将主干网络的多尺度输出进行了解耦，从而提高了模型的表现能力以及对小结节的敏感度，并且相较于常见的二维结节检测模型多了三维重构的过程，之后通过假阳性检验能够很好的整合空间信息，使得网络具有更好的效果，且相较于三维检测结节的方法，该方法对于算力的要求更少，速度更快。

Claims (5)

1.一种基于深度学习的肺结节检测与剔除方法，其特征在于：该方法具体包括以下步骤：
S1、对待检测三维肺CT影像进行预处理，通过按照时间序列切片的方式将三维肺CT影像转换为二维切片影像，并保留原始序列；
S2、采用Sa-Yolo目标检测算法和Yolov7目标检测算法对二维切片影像中的肺结节进行检测，并且保留下所有的预测框，不对预测框进行任何的后处理操作；
S3、选用权重框融合算法对S2所保留下来的预测框进行后处理，将每个预测框的置信度作为权重，一个二维切片影像上的所有预测框进行加权平均，获得一组全新的预测框，这个新的预测框将会更加贴合肺结节，从而保证肺结节大小测量的准确性；
S4、获取到S3所获得的所有二维切片影像，并按照时间序列进行排序，之后使用肺结节筛选算法对各个二维切片影像中的肺结节进行整合，整合的方法为把每个检出肺结节的二维切片影像与其相邻二维切片影像进行比较，若相邻二维切片影像检出肺结节位置与当前二维切片影像的肺结节位置相同，则视为一个肺结节，从而达到二维肺结节的三维重构，并能够获得肺结节的三维坐标中点；
S5、在获取了整个肺部CT的肺结节候选者后，需要使用3D卷积网络对三维肺结节进行假阳性分类剔除，若概率大于等于所设定阈值则认为阳性结节，若概率小于所设定阈值，则认为假阳性结节；
S2步骤包括：
S2.1、将分割注意力机制引入至YoloX目标检测算法，提出一种Sa-Yolo的目标检测算法，使用Sa-Yolo网络对三维肺CT影像中的肺结节进行检测，并将全部预测框保留；
S2.2、使用Yolov7对三维肺CT影像中的肺结节进行目标检测，将全部预测框保留；
S2.3、使用加权框融合WBF的后处理方法，将S2.1中所保留的所有预测框融合加权计算得到肺结节的最终目标框；
所述Sa-Yolo的目标检测算法具体包括：
主干网络模块：通过卷积层对二维切片不断进行下采样，精炼特征信息，输出出20*20,40*40和80*80的精炼特征层；
特征增强模块：采用Split Attention对多尺度的肺结节融合特征进行权重分配，将特征分成若干块分别进行通道注意力的权重分配，再将每一块肺结节特征拼接，得到肺结节的多尺度融合特征；分割注意力机制将输出特征进行解耦，并且通过全局池化加强了重要特征的权重，以达到主干网络特征增强的目的；
解耦模块：通过区域生成网络预测出肺结节坐标以及置信度。
2.根据权利要求1所述的一种基于深度学习的肺结节检测与剔除方法，其特征在于：S4中的肺结节筛选算法的过程为：
S4.1、将检测出肺结节的二维切片影像以时间序列以及Z轴方向进行排序，并获取其中每一个肺结节的包围框信息；
S4.2、第一张二维切片影像中，将该二维切片影像上的肺结节的包围框与下一张二维切片影像上的肺结节的包围框进行交并比计算；
S4.3、若交并比值满足预设值，则认为相邻肺结节系该肺结节的同一肺结节的二维切片影像，若不满足预设值，则认为该相邻肺结节为另一肺结节的二维切片影像；
S4.4、重复此操作，遍历所有肺结节的二维切片影像得到所有同肺结节的二维切片影像序列，将每一个序列的肺结节以Z轴方向重新组合，即可得到只含有一个肺结节的三维肺结节。
3.根据权利要求1所述的一种基于深度学习的肺结节检测与剔除方法，其特征在于：根据S1所保留的肺结节序列，结合肺结节在二维切片影像的位置，便能获取到肺结节在三维空间中的坐标。
4.根据权利要求1所述的一种基于深度学习的肺结节检测与剔除方法，其特征在于：S3中的权重框融合的后处理方法为，将所有置信度大于阈值的框放入一个集合，将置信度作为权重，将所有框的坐标进行加权，最后整合成一个全新且更加贴合原物体的框。
5.根据权利要求1所述的一种基于深度学习的肺结节检测与剔除方法，其特征在于：S5步骤中的3D卷积网络假阳性剔除的具体步骤包括：
S5.1、获得S4所获得的肺结节在肺部CT的三维坐标，对整个三维肺部CT切块，切出整个肺结节所在的区域；
S5.2、使用三维残差网络对切出CT块进行分类，并输出其属于真实肺结节的概率。
CN202310075484.5A 2023-02-07 2023-02-07 一种基于深度学习的肺结节检测与剔除方法 Active CN116228685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310075484.5A CN116228685B (zh) 2023-02-07 2023-02-07 一种基于深度学习的肺结节检测与剔除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310075484.5A CN116228685B (zh) 2023-02-07 2023-02-07 一种基于深度学习的肺结节检测与剔除方法

Publications (2)

Publication Number Publication Date
CN116228685A CN116228685A (zh) 2023-06-06
CN116228685B true CN116228685B (zh) 2023-08-22

Family

ID=86583781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310075484.5A Active CN116228685B (zh) 2023-02-07 2023-02-07 一种基于深度学习的肺结节检测与剔除方法

Country Status (1)

Country Link
CN (1) CN116228685B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807764A (zh) * 2019-09-20 2020-02-18 成都智能迭迦科技合伙企业(有限合伙) 一种基于神经网络的肺癌筛查方法
CN112258461A (zh) * 2020-10-13 2021-01-22 江南大学 一种基于卷积神经网络的肺结节检测方法
CN112581436A (zh) * 2020-12-11 2021-03-30 佛山市普世医学科技有限责任公司 基于深度学习的肺结节识别与分割方法及系统
WO2021208726A1 (zh) * 2020-11-23 2021-10-21 平安科技（深圳）有限公司 基于注意力机制的目标检测方法、装置及计算机设备
CN113838021A (zh) * 2021-09-18 2021-12-24 长春理工大学 基于改进的YOLOv5网络的肺结节检测系统
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
CN114897764A (zh) * 2022-03-02 2022-08-12 苏州仰视科技有限公司 基于标准化通道注意力的肺结节假阳性排除方法及装置
CN115131280A (zh) * 2022-03-29 2022-09-30 中国计量大学 一种融合注意力机制的改进YOLO v4肺结节检测方法
CN115661029A (zh) * 2022-09-20 2023-01-31 徐州市第一人民医院 基于YOLOv5的肺结节检测与识别系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6898303B2 (en) * 2000-01-18 2005-05-24 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
CN108446730B (zh) * 2018-03-16 2021-05-28 推想医疗科技股份有限公司 一种基于深度学习的ct肺结节检测装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807764A (zh) * 2019-09-20 2020-02-18 成都智能迭迦科技合伙企业(有限合伙) 一种基于神经网络的肺癌筛查方法
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
CN112258461A (zh) * 2020-10-13 2021-01-22 江南大学 一种基于卷积神经网络的肺结节检测方法
WO2021208726A1 (zh) * 2020-11-23 2021-10-21 平安科技（深圳）有限公司 基于注意力机制的目标检测方法、装置及计算机设备
CN112581436A (zh) * 2020-12-11 2021-03-30 佛山市普世医学科技有限责任公司 基于深度学习的肺结节识别与分割方法及系统
CN113838021A (zh) * 2021-09-18 2021-12-24 长春理工大学 基于改进的YOLOv5网络的肺结节检测系统
CN114897764A (zh) * 2022-03-02 2022-08-12 苏州仰视科技有限公司 基于标准化通道注意力的肺结节假阳性排除方法及装置
CN115131280A (zh) * 2022-03-29 2022-09-30 中国计量大学 一种融合注意力机制的改进YOLO v4肺结节检测方法
CN115661029A (zh) * 2022-09-20 2023-01-31 徐州市第一人民医院 基于YOLOv5的肺结节检测与识别系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多尺度分割注意力的无人机航拍图像目标检测算法;冒国韬，等;《航空学报》;全文 *

Also Published As

Publication number Publication date
CN116228685A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN110084292B (zh) 基于DenseNet和多尺度特征融合的目标检测方法
CN109685776B (zh) 一种基于ct图像的肺结节检测方法及系统
CN110321923B (zh) 不同尺度感受野特征层融合的目标检测方法、系统及介质
WO2020215985A1 (zh) 医学影像分割方法、装置、电子设备和存储介质
Kampffmeyer et al. Semantic segmentation of small objects and modeling of uncertainty in urban remote sensing images using deep convolutional neural networks
CN110766051A (zh) 一种基于神经网络的肺结节形态学分类方法
CN112132818B (zh) 基于图卷积神经网络构建的肺结节检测和临床分析方法
CN111091105A (zh) 基于新的边框回归损失函数的遥感图像目标检测方法
CN114565900A (zh) 基于改进YOLOv5和双目立体视觉的目标检测方法
CN110853011B (zh) 用于肺结节检测的卷积神经网络模型的构建方法
CN112258461B (zh) 一种基于卷积神经网络的肺结节检测方法
Chatterjee et al. On building classification from remote sensor imagery using deep neural networks and the relation between classification and reconstruction accuracy using border localization as proxy
CN109671055B (zh) 肺结节检测方法及装置
CN111667459A (zh) 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质
CN114332473A (zh) 目标检测方法、装置、计算机设备、存储介质及程序产品
CN117037004A (zh) 基于多尺度特征融合和上下文增强的无人机影像检测方法
CN115937736A (zh) 基于注意力和上下文感知的小目标检测方法
Li et al. 3DCentripetalNet: Building height retrieval from monocular remote sensing imagery
Wang et al. Data-driven model SSD-BSP for multi-target coal-gangue detection
CN114283326A (zh) 一种结合局部感知和高阶特征重构的水下目标重识别方法
CN114170526A (zh) 基于轻量化网络的遥感影像多尺度目标检测识别方法
CN117557804A (zh) 联合目标结构嵌入和多层次特征融合的多标签分类方法
CN113096080A (zh) 图像分析方法及系统
CN116228685B (zh) 一种基于深度学习的肺结节检测与剔除方法
CN109299304B (zh) 目标图像检索方法及系统

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
GR01 Patent grant
GR01 Patent grant