CN116503635A - 一种基于机器学习的肺炎ct图像分类识别方法 - Google Patents
一种基于机器学习的肺炎ct图像分类识别方法 Download PDFInfo
- Publication number
- CN116503635A CN116503635A CN202211316714.4A CN202211316714A CN116503635A CN 116503635 A CN116503635 A CN 116503635A CN 202211316714 A CN202211316714 A CN 202211316714A CN 116503635 A CN116503635 A CN 116503635A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- convolution
- feature
- identified
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 20
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 abstract description 21
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 6
- 208000019693 Lung disease Diseases 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 241000579895 Chlorostilbon Species 0.000 description 1
- 208000032376 Lung infection Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 206010040882 skin lesion Diseases 0.000 description 1
- 231100000444 skin lesion Toxicity 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- 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
- G06T2207/20081—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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及影像检测技术领域,为一种CT图像分别识别方法,具体涉及一种基于机器学习的肺炎CT图像分类识别方法,包括:获取待识别图像;将所述待识别图像输入至图像处理模型进行处理,得到第一图像,所述第一图像包含待识别的第一特征;将所述第一图像输入至训练后的识别模型,得到识别结果,所述识别模型包括呈收敛状态的卷积神经网络以及与所述卷积神经网络结合的分类器网络;本申请实施例提供的技术方案中,通过配置有卷积神经网络以及对应的分类器网络实现对于肺部CT图像的特征提取以及分类识别,得到对应的肺部CT图像中异常特征以及异常特征的分类结果,实现了对于肺部疾病的自动化识别。
Description
技术领域
本申请涉及影像检测技术领域,为一种CT图像分别识别方法,具体涉及一种基于机器学习的肺炎CT图像分类识别方法。
背景技术
肺炎是一种可以通过细菌或病毒等引起的严重肺部感染,可以通过肺部影像检查手段进行确诊,目前主流的影像检查手段肺部CT(Computed Tomography,CT)。其中肺部CT的检查原理是利用X光、超声波和极精准的传感器等对人体的某个组织器官做一个断面扫描。其断层剖析图像的特点是扫描时间快,且可以清晰显示病变组织情况。
而针对于现有的临床医疗场景下,针对于肺部的影像学检查需要对病症特征进行检验主要通过影像科医师的主观判断,在临床诊断中工作量大,加上医生主观疲劳且诊断水平存在差异,人体结构的多样性、差异性和病因、病种的多样性等等,容易判别错误而造成误诊。面对这种情况,为了提高对肺部医学影像的识别和诊断水平,降低医师工作成本,将计算机、大数据、人工智能、物联网技术和医疗数据相结合构建智慧医疗,成为了国内外科研研究者和临床工作者备受关注的问题。在现有技术中,人工智能是解决此技术问题的较好的技术方案,可以通过卷积神经网络(Convolutional Neural Networks,CNN)提取胸片数据特征和影像分析实现语义检测、特征识别、病种辨别等,从而实现智慧医疗层次的辅助诊断。
但现有的卷积神经网络在针对于CT图像的识别处理应用的成熟度较低,产生较大的识别误差,无法较为精准的对肺炎的种类进行识别判断。
发明内容
为了解决以上的技术问题,本申请提供一种基于机器学习的肺炎CT图像分类识别方法,通过构建神经网络结构实现对于肺部CT图像进行降噪、识别以及分类,提高了识别的准确度。
为了达到上述目的,本申请实施例采用的技术方案如下:
第一方面,一种基于机器学习的肺炎CT图像分类识别方法,包括:获取待识别图像;将所述待识别图像输入至图像处理模型进行处理,得到第一图像,所述第一图像包含待识别的第一特征;将所述第一图像输入至训练后的识别模型,得到识别结果,所述识别模型包括呈收敛状态的卷积神经网络以及与所述卷积神经网络结合的分类器网络,具体包括以下方法:基于所述卷积神经网络对所述第一图像进行特征提取,得到所述第一图像中的第一特征;将所述第一特征输入至所述分类器网络中得到识别结果;所述卷积神经网络包括特征提取网络和特征优化网络,所述特征提取网络用于提取所述第一图像中的第一特征,所述特征优化网络用于将所述第一特征进行优化,得到优化后的第一特征;所述分类器网络包括池化层、全连接层和Sigmoid层。
第一方面的第一种实现方式中,将所述待识别图像输入至图像处理模型进行处理,得到第一图像,包括:获取所述待识别图像的特定像素信息,所述特定像素信息以像素点位置信息为排列基准呈九宫格形式进行排列,基于中值滤波对所述特定像素信息处理得到滤波后的待识别图像;对所述滤波后的待识别通过二值化处理进行分割,得到第一分割图像和第二分割图像,基于预设置的分割阈值得到目标分割图像;将所述目标分割图像进行膨胀处理和腐蚀处理得到第一图像。
第一方面的第二种实现方式中,所述特征提取网络包括第一卷积网络、以及分别与所述第一卷积网络连接的第二卷积网络和第三卷积网络,所述第二卷积网络和所述第三卷积网络并列设置;所述第一图像经过所述第一卷积网络进行卷积处理分别输入至所述第二卷积网络和所述第三卷积网络处理。
结合第一方面的第二种可能的实现方式,在第三种可能的实现方式中,所述第一卷积网络与所述第二卷积网络、所述第三卷积网络之间设置有第一过滤器;所述第二卷积网络和所述第三卷积网络输出端设置有第二过滤器;所述第二过滤器分别通过卷积层以及池化层连接有第三过滤器。
结合第一方面的第三种可能的实现方式,在第四种可能的实现方式中,所述第一卷积神经网络中设置有三层卷积层,所述三层卷积层通过池化层和卷积层与所述第一过滤器连接。
第一方面的第五种实现方式中,所述特征优化网络包括第一特征优化网络、第二特征优化网络和第三特征优化网络;所述第一特征优化网络、所述第二特征优化网络和所述第三特征优化网络中分别配置有对应的Resnet网络和压缩网络。
结合第一方面的第五种可能的实现方式,在第六种可能的实现方式中,所述Resnet网络包括激活函数层,所述激活函数层与所述多路卷积通道连接,所述多路卷积通道分别提取出不同的特征数据进行特征堆叠,所述激活函数层接收堆叠后的特征进行特征映射处理,所述激活函数层内配置有ReLU函数。
结合第一方面的第六种可能的实现方式,在第七种可能的实现方式中,所述第一特征优化网络中的所述Resnet网络对应的卷积通道为三层卷积结构,所述第二特征优化网络、所述第三特征优化网络中的所述Resnet网络对应的卷积通道为二层卷积结构。
结合第一方面的第七种可能的实现方式,在第八种可能的实现方式中,所述第一特征优化网络、所述第二特征优化网络和所述第三特征优化网络中的输入层为经过批归一化处理的BN激活函数和加ReLU激活函数的双单元输入层。
结合第一方面的第八种可能的实现方式,在第九种可能的实现方式中,所述批归一化处理基于以下公式进行:
第二方面,一种基于机器学习的肺炎CT图像分类识别装置,包括:图像获取模块,用于获取待识别图像;图像处理模块,用于对所述待识别图像进行处理得到第一图像,所述第一图像包含待识别的第一特征;图像识别模块,用于将所述第一图像中的特征进行提取并对特征进行识别,得到识别结果;所述图像识别模块中配置有识别模型,所述识别模型包括呈收敛状态的卷积神经网络以及与所述卷积神经网络结合的分类器网络。
第二方面的第一种实现方式中,所述图像识别模块包括:特征提取单元,用于对所述第一图像进行特征提取得到第一特征;识别单元,用于对所述第一特征进行分类得到识别结果;所述卷积神经网络包括特征提取网络和特征优化网络,所述特征提取网络用于提取所述第一图像中的第一特征,所述特征优化网络用于将所述第一特征进行优化,得到优化后的第一特征;所述分类器网络包括池化层、全连接层和Sigmoid层。
第三方面,提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一项所述的方法。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的方法。
本申请实施例提供的技术方案中,通过配置有卷积神经网络以及对应的分类器网络实现对于肺部CT图像的特征提取以及分类识别,得到对应的肺部CT图像中异常特征以及异常特征的分类结果,实现了对于肺部疾病的自动化识别。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中示例数字在附图的各个视图中代表相似的机构。
图1是本申请实施例提供的终端设备的结构示意图。
图2是本申请的一些实施例所示的肺炎CT图像分类识别方法的流程图。
图3是根据本申请实施例提供的装置方框示意图。
图4是根据本申请实施例提供的装置中的图像识别模块方框示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
(1)响应于,用于表示所执行的操作所依赖的条件或者状态,当满足所依赖的条件或状态时,所执行的一个或多个操作可以是实时的,也可以具有设定的延迟;在没有特别说明的情况下,所执行的多个操作不存在执行先后顺序的限制。
(2)基于,用于表示所执行的操作所依赖的条件或者状态,当满足所依赖的条件或状态时,所执行的一个或多个操作可以是实时的,也可以具有设定的延迟;在没有特别说明的情况下,所执行的多个操作不存在执行先后顺序的限制。
(3)卷积神经网络,是一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络是受生物学上感受野(Receptive Field)的机制而提出的。卷积神经网络专门用来处理具有类似网格结构的数据的神经网络。例如,时间序列数据(可以认为是在时间轴上有规律地采样形成的一维网格)和图像数据(可以看作是二维的像素网格),在本实施例中采用的卷积神经网络针对于图像数据进行处理。
本申请实施例提供的技术方案,主要的应用场景为针对于肺部CT图像进行识别,将肺部CT图像中存在的异常进行识别并且针对于识别后的异常进行确定为具体的病灶情况,采用的方案为计算机辅助诊疗技术,通过卷积神经网络对于CT图像进行特征提取并对提取到的特征进行异常识别与分类。在现有技术中,将卷积神经网络和计算机辅助诊断应用于智慧医疗当中,同样也可以取得非常成功的成果。例如利用深度卷积神经网络来对皮肤病变分类、阿尔茨海默病分类诊断、大脑肿瘤分割、乳腺癌检测等等。类似的还有肺炎方面的研究,在现有技术中使用DenseNet-121网络,使用迁移学习的方式来训练模型,得到的效果是AUC覆盖面积值为0.6,通过此方法来实现对于肺部病灶的识别。还采用121层的卷积神经网络ChexNet,使用的胸片数据集是ChestX-ray14,包含超过10万种具有14种疾病的正面X射线影像,测试集是经过四名放射学专家标注过的。他们将ChexNet的分类性能与放射学人员进行了比较,测试数据显示ChexNet在F1指标上超过了放射科医生的平均表现。
计算机辅助诊断之所以可以提高放射科医生的诊断正确率,是因为在以往的诊断方式里,放射科医生的诊断过程是一个完全主观判断的过程。由于诊断医生个人的经验和知识业务水平的限制干扰和影像,出现了疏忽和过错而导致看漏个别细微的病灶特征,这也是为什么不同医师间的阅片结果是有所差异,同时大多数放射科医生会因为工作量的增加导致身体疲劳而出现误诊。
所以,基于以上的技术背景,本实施例采用一种特定的卷积神经网络结构对于肺部CT图像进行特征识别,得到异常特征以及异常特征所对应的肺部疾病的分类。
在本实施例中,本申请实施例提供一种终端设备100,该终端设备包括存储器110、处理器120以及存储在存储器中并可在处理器上运行的计算机程序,其中处理器执行肺部CT图像分别识别方法。在本实施例中,该终端设备与用户端进行通信,将获取到的检测信息下发至对应的用户端,在硬件上实现对于检测信息的发送。其中,针对于发送信息的方式基于网络实现,并且在终端设备进行应用之前需要对用户端与终端设备建立关联关系,可以通过注册的方式实现对于终端设备与用户端之间的关联。其中终端设备可以针对多个用户端,也可以针对一个用户端,并且用户端通过密码以及其他加密的方式与终端设备进行通信。在本实施例中,用户端可以包括为医生用户端和患者用户端,即识别结果可以下发至医生端进行复核或者作为医学诊断的病理数据,还可以为直接下发至用户端作为用户了解病情的依据。其中,针对于医生端以及患者端所进行的配置不相同,产生的应用场景也不同,在本实施例中不属于重点描述技术方案不再详细描述。
在本实施例中,该终端可以为服务器,针对于服务器的物理结构,包括存储器、处理器和通信单元。存储器、处理器以及通信单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器用于存储特定的信息和程序,通信单元用于将处理后的信息进行发送至对应的用户端。
本实施例将存储模块划分为两个存储区域,其中一个存储区为程序存储单元,另一个存储区域为数据存储单元。程序存储单元相当于固件区,该区域的读写权限设置为只读模式,其内存储的数据不可擦除和更改。而数据存储单元中的数据可以进行擦除或读写,当数据存储区域的容量已满时,新写入的数据会对最早期的历史数据进行覆盖。
其中,存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Ele超声ric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图2,在本实施例中,针对于肺部CT图像分别识别方法,其工作逻辑为,获取待识别的图像,此图像为CT图像,针对CT图像进行预处理对图像进行降噪以及图像增强,得到清晰的包含关键特征的图像。并通过设置卷积神经网络以及分类器网络分别对图像进行特征提取以及提取后的特征的识别与分类,得到分类后的结果。具体包括以下方法:
步骤S210.获取待识别图像。
在本实施例中,待识别图像的获取基于搭建的终端设备实现,包括主动获取和被动获取,其中主动获取为对应的操作者基于终端设备调取存储在终端设备中的目标待识别图像。被动获取为终端设备基于预先配置的推送机制将获取到的待识别图像下发至对应的用户端,此过程属于较为现有技术不再进行详细的描述。
步骤S220.将所述待识别图像输入至图像处理模型进行处理,得到第一图像,所述第一图像包含待识别的第一特征。
在本实施例中,此过程为图像预处理过程,针对于待识别图像为CT图像,而针对于CT图像因为CT设备的扫描采集具有对于后续特征提取以及识别的噪音,在进行特征提取和识别之前需要对待识别图像进行降噪处理,通过降噪处理得到清晰的且包含待识别特征的图像。
针对于此过程包括以下子过程:
步骤S221.获取所述待识别图像的特定像素信息,所述特定像素信息以像素点位置信息为排列基准呈九宫格形式进行排列,基于中值滤波对所述特定像素信息处理得到滤波后的待识别图像。
在本实施例中,针对于中值滤波在去除图像中的噪声的同时,还可以保持图像的边缘特征。中值滤波是一种非线性的平滑技术,它将图像中的像素按照九宫格的进行排列,而九宫格的中间像素值为待滤波像素值,围绕该像素值周围设置8个像素,获取该像素周围8个像素的中值。
步骤S222.对所述滤波后的待识别通过二值化处理进行分割,得到第一分割图像和第二分割图像,基于预设置的分割阈值得到目标分割图像。
在本实施例中,因为步骤S221过程中获取的图像为整体肺部CT图像,而针对于识别所需要使用的图像为整体肺部CT图像中包含目标特征的图像,而因为整体肺部图像包含了非必要处理的图像,所以需要对整体肺部CT图像中的包含有待处理特征的图像进行获取。在本实施例中采用的方式为二值化分割,具体为就是将图像像素变为只有两个数值的图像,在本实施例中数值设置为0和255,0代表黑色255代表白色,这样一幅图像经过二值化后就变为了黑白图像。图像的灰度直方图中往往都会有个两个峰顶和一个峰谷,峰谷可以作为图像二值化的阈值,两个峰顶一个是前景一个是背景,大于峰谷的值设置为255,小于峰谷的数值设为0,可以把前景从背景中分割出来。在本实施例中,提取肺部图像的方法采用阈值分割方法实现,通过设置待处理图像中的阈值范围,提取分属不同阈值的图像,实现了对于图像的分割处理。
步骤S223.将所述目标分割图像进行膨胀处理和腐蚀处理得到第一图像。
在步骤S222处理过程中因为肺部纹理有的像素值偏大导致二值化后图像有空洞,需要对产生空洞的图像进行补偿处理。在本实施例中,采用的方法为膨胀处理和腐蚀处理,具体为设置膨胀操作是用一个小窗口,在窗口尺寸大小上选择为3*3大小的窗口,对步骤S221中的图像进行扫描,被扫描的像素与窗口内的像素做“与”操作,如果都为0,则该像素为0,否则为1。腐蚀操作与膨胀操作过程一样,只是设置数据时不同,如果“与”操作后都为1,则该像素为1,否则为0。在本实施例中,膨胀操作和腐蚀操作它具有填补图像空洞和平滑边缘的作用。
步骤S230.将所述第一图像输入至训练后的识别模型,得到识别结果,所述识别模型包括呈收敛状态的卷积神经网络以及与所述卷积神经网络结合的分类器网络。
在本实施例中,针对于识别模型为两个卷积结构,两个卷积结构分别起到不同的作用,分别为特征提取作用以及分类识别作用。所以,在本实施例中两个卷积结构分别为卷积神经网络以及对应的分类器网络,其中分类器网络的主体结构同样为卷积神经网络,基于此卷积结构的处理方法具体为:
步骤S231.基于所述卷积神经网络对所述第一图像进行特征提取,得到所述第一图像中的第一特征。
在本实施例中,因为在进行卷积处理过程中涉及到的特征量较大即经过卷积处理后的输出的特征图像较多,则针对于此卷积神经网络包括两个作用的结构,分别为特征提取网络和特征优化网络,其中针对于特征提取网络用于对特征的提取,特征优化网络用于对提取后的特征进行优化。
在本实施例中,特征提取网络包括第一卷积网络、以及分别与所述第一卷积网络连接的第二卷积网络和第三卷积网络,所述第二卷积网络和所述第三卷积网络并列设置;所述第一图像经过所述第一卷积网络进行卷积处理分别输入至所述第二卷积网络和所述第三卷积网络处理。
其中,第一卷积网络与所述第二卷积网络、所述第三卷积网络之间设置有第一过滤器;所述第二卷积网络和所述第三卷积网络输出端设置有第二过滤器;所述第二过滤器分别通过卷积层以及池化层连接有第三过滤器。
具体的,在本实施例中,第一卷积神经网络中设置有三层卷积层,所述三层卷积层通过池化层和卷积层与所述第一过滤器连接。
在本实施例中,针对于设置有第三层卷及网络的结构是组合网络的浅层特征提取模块,通过多种不同类型的卷积并行组合,其中部分结构将大卷积核拆分为串联的小卷积核,将7×7的大卷积核拆分为1×7和7×1的小卷积核,通过这种非对称的结构可以实现提取出更加多层次的结构特征,增加多样性。在本实施例中,在此卷积结构中并联了最大池化层和卷积层,避免了对特征图的压缩过大而丢失较多的数据信息。1×1的卷积核可以起到输入维度避免过大,也可以将同个坐标空间的不同通道的相关性特征链接起来。
其中,针对于特征优化网络包括第一特征优化网络、第二特征优化网络和第三特征优化网络;所述第一特征优化网络、所述第二特征优化网络和所述第三特征优化网络中分别配置有对应的Resnet网络和压缩网络。
在本实施例中,针对于第一特征优化网络、第二特征优化网络和第三特优化网络为三种不同结构的卷积结构块,其中第二特征优化网络和第三特征优化网络有着非对称卷积结构。三种结构块的区别在于采用的Inception结构的卷积核数量、大小尺寸和卷积通道数不同。三种结构块的公式计算如下所示:
其中,h(xi|δ)表示第i个第二特征优化网络中的δ=A,B,C的结构特征图,函数g表示网络激活函数,函数F是线性转换函数,用来计算特征优化网络中的结构块中多路卷积的输出特征,L(l,j)标注为第l层卷积网络中的第j个输出特征,标注为l层网络中的第n个权值参数,/>标注为第l层网络中的第n个权值参数。
在本实施例中,第一特征优化网络有三路卷积通道,1×1的卷积核起到降低输入维度,多路卷积通道分别提取出不同的特征数据进行特征堆叠,并加上原输入进行残差连接叠加并输入至ReLU激活函数中得到更高级的特征映射。
在本实施例中,第二特征优化网络有两路卷积通道,其中有一路是非对称结构的,将7×7的卷积核拆解为1×7和7×1的小卷积核,这种非对称结构,可以使计算成本和参数能够得到较好降幅。同样两路通道的计算结果会通过残差连接和原输入特征进行堆叠至激活函数中。组合网络通过残差连接思想可以很好地缓解网络由于层数过深而出现网络结构层面上的分类性能下降。
在本实施例中,第三特征优化网络两路卷积通道和三个通道分支。一分支经过1×1的192个卷积过滤器,二分支经过1×1的128个卷积过滤器,和1×3和3×1非对称卷积过滤器,数量分别为224和256。最后这两个分支会经过2048个1×1的卷积运算并和三分支残差连接。
具体的,Resnet网络包括激活函数层,所述激活函数层与所述多路卷积通道连接,所述多路卷积通道分别提取出不同的特征数据进行特征堆叠,所述激活函数层接收堆叠后的特征进行特征映射处理,所述激活函数层内配置有ReLU函数。
其中,第一特征优化网络中的所述Resnet网络对应的卷积通道为三层卷积结构,所述第二特征优化网络、所述第三特征优化网络中的所述Resnet网络对应的卷积通道为二层卷积结构。
在本实施例中,针对于压缩网络包括对应于第一特征优化网络的第一压缩网络,用于将第一特征优化网络输出的特征图像的尺寸从35×35变为17×17;还包括对应于第二特征优化网络的第二压缩网络,用于将第二特征优化网络输出的特征图像从17×17变为8×8。
步骤S232.将所述第一特征输入至所述分类器网络中得到识别结果。
在本实施例中,分类器网络包括池化层、全连接层和Sigmoid层。
在本实施例中,为了提高分类器网络的训练速度,为了提高网络特征提取的收敛速率,还可以解决数据分布问题,在训练过程中采用批归一化处理实现,针对于批归一化计算公式如下:
其中,M(xi)为求每一批中的数据均值,Var(xi)是求每一批中的数据方差,然后使用第三个式子把计算得到的均值和方差作为输入数据进行归一化操作,使其分布范围在[0,1]之间,α是一个极小正值,用以缓冲公式被除数是负值。针对结构中的第一特征优化网络、第二特征优化网络和第三特征优化网络中的输入层为经过批归一化BN加ReLU的双单元输入层。
参阅图3,本实施例还提供一种肺部CT图像分别识别装置300,包括:图像获取模块310,用于获取待识别图像。图像处理模块320,用于对所述待识别图像进行处理得到第一图像,所述第一图像包含待识别的第一特征。图像识别模块330,用于将所述第一图像中的特征进行提取并对特征进行识别,得到识别结果;所述图像识别模块中配置有识别模型,所述识别模型包括呈收敛状态的卷积神经网络以及与所述卷积神经网络结合的分类器网络。
针对于图像识别模块330,请参阅图4,包括:特征提取单元331,用于对所述第一图像进行特征提取得到第一特征。识别单元332,用于对所述第一特征进行分类得到识别结果。
在本实施例中,卷积神经网络包括特征提取网络和特征优化网络,所述特征提取网络用于提取所述第一图像中的第一特征,所述特征优化网络用于将所述第一特征进行优化,得到优化后的第一特征。
所述分类器网络包括池化层、全连接层和Sigmoid层。
本申请实施例提供的技术方案中,通过配置有卷积神经网络以及对应的分类器网络实现对于肺部CT图像的特征提取以及分类识别,得到对应的肺部CT图像中异常特征以及异常特征的分类结果,实现了对于肺部疾病的自动化识别。
需要理解的是,针对上述内容没有进行名词解释的技术术语,本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义在此均不作限定。
本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及偏好标签的技术特征/技术术语进行确定,例如阈值、阈值区间、阈值范围等。对于一些未作解释的技术特征术语,本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导,从而清楚、完整地实施上述技术方案。未作解释的技术特征术语的前缀,例如“第一”、“第二”、“示例”、“目标”等,可以根据前后文进行毫无疑义地推导和确定。未作解释的技术特征术语的后缀,例如“集合”、“列表”等,也可以根据前后文进行毫无疑义地推导和确定。
本申请实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解,本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的,因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
另外,本领域普通技术人员可以理解的是,本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外,本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品,所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET,Python等,或类似的常规程序编程语言,如"C"编程语言,Visual Basic,Fortran2003,Perl,COBOL 2002,PHP,ABAP,动态编程语言如Python,Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网络(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非申请专利范围中明确说明,本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的申请专利范围并不仅限于披露的实施例,相反,申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件装置实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或行动装置上安装所描述的系统。
同样应当理解的是,为了简化本申请揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (10)
1.一种基于机器学习的肺炎CT图像分类识别方法,其特征在于,包括:
获取待识别图像;
将所述待识别图像输入至图像处理模型进行处理,得到第一图像,所述第一图像包含待识别的第一特征;
将所述第一图像输入至训练后的识别模型,得到识别结果,所述识别模型包括呈收敛状态的卷积神经网络以及与所述卷积神经网络结合的分类器网络,具体包括以下方法:
基于所述卷积神经网络对所述第一图像进行特征提取,得到所述第一图像中的第一特征;
将所述第一特征输入至所述分类器网络中得到识别结果;
所述卷积神经网络包括特征提取网络和特征优化网络,所述特征提取网络用于提取所述第一图像中的第一特征,所述特征优化网络用于将所述第一特征进行优化,得到优化后的第一特征;
所述分类器网络包括池化层、全连接层和Sigmoid层。
2.根据权利要求1所述的基于机器学习的肺炎CT图像分类识别方法,其特征在于,将所述待识别图像输入至图像处理模型进行处理,得到第一图像,包括:
获取所述待识别图像的特定像素信息,所述特定像素信息以像素点位置信息为排列基准呈九宫格形式进行排列,基于中值滤波对所述特定像素信息处理得到滤波后的待识别图像;
对所述滤波后的待识别通过二值化处理进行分割,得到第一分割图像和第二分割图像,基于预设置的分割阈值得到目标分割图像;
将所述目标分割图像进行膨胀处理和腐蚀处理得到第一图像。
3.根据权利要求1所述的基于机器学习的肺炎CT图像分类识别方法,其特征在于,所述特征提取网络包括第一卷积网络、以及分别与所述第一卷积网络连接的第二卷积网络和第三卷积网络,所述第二卷积网络和所述第三卷积网络并列设置;所述第一图像经过所述第一卷积网络进行卷积处理分别输入至所述第二卷积网络和所述第三卷积网络处理。
4.根据权利要求3所述的基于机器学习的肺炎CT图像分类识别方法,其特征在于,所述第一卷积网络与所述第二卷积网络、所述第三卷积网络之间设置有第一过滤器;所述第二卷积网络和所述第三卷积网络输出端设置有第二过滤器;所述第二过滤器分别通过卷积层以及池化层连接有第三过滤器。
5.根据权利要求3所述的基于机器学习的肺炎CT图像分类识别方法,其特征在于,所述第一卷积神经网络中设置有三层卷积层,所述三层卷积层通过池化层和卷积层与所述第一过滤器连接。
6.根据权利要求1所述的基于机器学习的肺炎CT图像分类识别方法,其特征在于,所述特征优化网络包括第一特征优化网络、第二特征优化网络和第三特征优化网络;所述第一特征优化网络、所述第二特征优化网络和所述第三特征优化网络中分别配置有对应的Resnet网络和压缩网络。
7.根据权利要求6所述的基于机器学习的肺炎CT图像分类识别方法,其特征在于,所述Resnet网络包括激活函数层,所述激活函数层与所述多路卷积通道连接,所述多路卷积通道分别提取出不同的特征数据进行特征堆叠,所述激活函数层接收堆叠后的特征进行特征映射处理,所述激活函数层内配置有ReLU函数。
8.根据权利要求7所述的基于机器学习的肺炎CT图像分类识别方法,其特征在于,所述第一特征优化网络中的所述Resnet网络对应的卷积通道为三层卷积结构,所述第二特征优化网络、所述第三特征优化网络中的所述Resnet网络对应的卷积通道为二层卷积结构。
9.根据权利要求7所述的基于机器学习的肺炎CT图像分类识别方法,其特征在于,所述第一特征优化网络、所述第二特征优化网络和所述第三特征优化网络中的输入层为经过批归一化处理的BN激活函数加ReLU激活函数的双单元输入层。
10.根据权利要求9所述的基于机器学习的肺炎CT图像分类识别方法,其特征在于,所述批归一化处理基于以下公式进行:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316714.4A CN116503635A (zh) | 2022-10-26 | 2022-10-26 | 一种基于机器学习的肺炎ct图像分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316714.4A CN116503635A (zh) | 2022-10-26 | 2022-10-26 | 一种基于机器学习的肺炎ct图像分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116503635A true CN116503635A (zh) | 2023-07-28 |
Family
ID=87323636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211316714.4A Pending CN116503635A (zh) | 2022-10-26 | 2022-10-26 | 一种基于机器学习的肺炎ct图像分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503635A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934228A (zh) * | 2017-03-06 | 2017-07-07 | 杭州健培科技有限公司 | 基于机器学习的肺部气胸ct影像分类诊断方法 |
CN110569852A (zh) * | 2019-09-10 | 2019-12-13 | 瑞森网安(福建)信息科技有限公司 | 基于卷积神经网络的图像识别方法 |
CN111931867A (zh) * | 2020-09-21 | 2020-11-13 | 长沙理工大学 | 基于轻量级模型的新冠肺炎x射线图像分类方法及系统 |
US20210390338A1 (en) * | 2020-06-15 | 2021-12-16 | Dalian University Of Technology | Deep network lung texture recogniton method combined with multi-scale attention |
CN114091648A (zh) * | 2020-07-29 | 2022-02-25 | 中移(苏州)软件技术有限公司 | 基于卷积神经网络的图像分类方法、装置及卷积神经网络 |
-
2022
- 2022-10-26 CN CN202211316714.4A patent/CN116503635A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934228A (zh) * | 2017-03-06 | 2017-07-07 | 杭州健培科技有限公司 | 基于机器学习的肺部气胸ct影像分类诊断方法 |
CN110569852A (zh) * | 2019-09-10 | 2019-12-13 | 瑞森网安(福建)信息科技有限公司 | 基于卷积神经网络的图像识别方法 |
US20210390338A1 (en) * | 2020-06-15 | 2021-12-16 | Dalian University Of Technology | Deep network lung texture recogniton method combined with multi-scale attention |
CN114091648A (zh) * | 2020-07-29 | 2022-02-25 | 中移(苏州)软件技术有限公司 | 基于卷积神经网络的图像分类方法、装置及卷积神经网络 |
CN111931867A (zh) * | 2020-09-21 | 2020-11-13 | 长沙理工大学 | 基于轻量级模型的新冠肺炎x射线图像分类方法及系统 |
Non-Patent Citations (4)
Title |
---|
"《计算机在材料加工中的应用》", 31 March 2012, 煤炭工业出版社, pages: 35 - 36 * |
CHRISTIAN SZEGEDY ET.AL: "Inception-v4, inception-resnet and the impact of residual connections on learning", 《THIRTY-FIRST AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》, 12 February 2017 (2017-02-12), pages 4278 - 4284 * |
M. RUBAIYAT HOSSAIN MONDAL ET.AL: "CO-IRv2: Optimized InceptionResNetV2 for COVID-19 detection fromchest CT images", 《PLOS ONE》, pages 2 - 13 * |
武志远;马圆;唐浩;姚二林;郭秀花;: "基于深度卷积神经网络方法构建肺部多模态图像分类诊断模型", 中国卫生统计, no. 06, pages 8 - 10 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Predict pneumonia with chest X-ray images based on convolutional deep neural learning networks | |
Rajan et al. | Brain tumor detection and segmentation by intensity adjustment | |
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 | |
Choi et al. | Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images | |
Taşcı et al. | Shape and texture based novel features for automated juxtapleural nodule detection in lung CTs | |
CN111709485B (zh) | 医学影像处理方法、装置和计算机设备 | |
Hussein et al. | Fully‐automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG) | |
CN111862044A (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
Toğaçar et al. | Brain hemorrhage detection based on heat maps, autoencoder and CNN architecture | |
CN116703901B (zh) | 肺部医学ct影像分割及分类装置及设备 | |
CN111681205B (zh) | 图像分析方法、计算机设备和存储介质 | |
CN114445334A (zh) | 图像分析的方法、装置、设备及存储介质 | |
Senthilkumaran et al. | Brain image segmentation | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
Elayaraja et al. | An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach | |
Zhang et al. | LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis | |
Bian et al. | Skin lesion image classification method based on extension theory and deep learning | |
Rani et al. | Radon transform-based improved single seeded region growing segmentation for lung cancer detection using AMPWSVM classification approach | |
CN114299052A (zh) | 基于脑部影像的出血区域确定方法、装置、设备及介质 | |
CN112967254A (zh) | 基于胸部ct影像肺部疾病识别和检测方法 | |
CN111260636A (zh) | 模型训练方法及设备、图像处理方法及设备以及介质 | |
CN116503635A (zh) | 一种基于机器学习的肺炎ct图像分类识别方法 | |
CN110428405A (zh) | 一种检测生物组织图像中肿块的方法、相应设备及介质 | |
CN114612484B (zh) | 基于无监督学习的视网膜oct图像分割方法 | |
CN115222752A (zh) | 基于特征解耦的病理图像特征提取器训练方法及装置 |
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 |