CN116705252B - 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 - Google Patents
前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 Download PDFInfo
- Publication number
- CN116705252B CN116705252B CN202310718899.XA CN202310718899A CN116705252B CN 116705252 B CN116705252 B CN 116705252B CN 202310718899 A CN202310718899 A CN 202310718899A CN 116705252 B CN116705252 B CN 116705252B
- Authority
- CN
- China
- Prior art keywords
- diagnosis model
- ultrasonic scanning
- video
- prostate
- scanning video
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010276 construction Methods 0.000 title claims abstract description 10
- 206010060862 Prostate cancer Diseases 0.000 title description 5
- 208000000236 Prostatic Neoplasms Diseases 0.000 title description 5
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 42
- 201000011510 cancer Diseases 0.000 claims abstract description 39
- 210000002307 prostate Anatomy 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000005012 migration Effects 0.000 claims abstract description 7
- 238000013508 migration Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 20
- 238000002604 ultrasonography Methods 0.000 claims description 17
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010827 pathological analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Abstract
本发明提供一种前列腺显著癌诊断模型的构建方法,应用于图像处理技术领域,包括如下步骤:基于2D卷积神经网络对ImageNet数据集进行预训练得到网络参数;将网络参数迁移到3D卷积神经网络中;使用样本数据集对诊断模型迁移训练。一种前列腺显著癌诊断模型的图像分类方法,通过上述前列腺显著癌诊断模型实现,包括如下步骤:获取患者的超声扫查视频并进行预处理;将待测超声扫查视频输入至诊断模型中得到预测概率;将预测概率与设定的阈值概率进行对比并输出诊断结果。通过3D卷积神经网络模型在卷积层中加入时间维度,可以同时考虑不同切面和不同位置的超声信号,提高诊断准确度和稳定性。
Description
技术领域
本发明属于图像处理技术领域,具体涉及前列腺癌诊断模型的构建方法、图像分类方法、设备、介质。
背景技术
前列腺癌是男性常见的恶性肿瘤之一,早期发现和及时治疗对患者生命和健康具有重要意义。超声影像作为一种无创检查手段,被广泛应用于前列腺癌的诊断和治疗。
然而,传统的前列腺超声影像诊断方法主要依靠医生的经验和判断,存在主观性和检测精度低、漏诊率高等问题,严重影响了诊断效果和治疗效果。
近年来,卷积神经网络在医学图像处理领域得到广泛应用,并在多项医疗图像识别任务中取得了良好的效果。
然而,目前的现有技术往往只是对二维超声图像进行诊断,不能充分利用超声图像的三维信息,诊断精确度较低,因此,需要设计一种针对前列腺超声影像的3D卷积神经网络的诊断模型和图像分类方法。
发明内容
鉴于现有技术中存在上述问题,本发明的目的是提供一种前列腺显著癌诊断模型的构建方法,对患者的超声扫查视频进行处理,构建诊断模型,通过3D卷积神经网络模型在卷积层中加入时间维度,可以同时考虑不同切面和不同位置的超声信号,提高诊断准确度和稳定性。
一种前列腺显著癌诊断模型的构建方法,所述诊断模型包括特征提取模块、FPN特征聚合模块、SE注意力模块和预测模块;
所述诊断模型的构建过程包括如下步骤:
S1、基于2D卷积神经网络对ImageNet数据集进行预训练得到网络参数;
S2、将所述网络参数迁移到3D卷积神经网络中;
S3、使用样本数据集对所述诊断模型进行迁移训练。
其进一步的技术方案为:S3、使用样本数据集对所述诊断模型进行迁移训练的过程具体包括如下步骤:
S31、构建样本数据集,所述样本数据集包括患者的超声扫查视频、与超声扫查视频对应的病理诊断结果;
S32、将样本数据集进行预处理,从而划分为训练集、验证集和测试集;
S33、基于3D卷积神经网络对所述训练集中患者的超声扫查视频进行网络训练;
S34、利用所述验证集中患者的超声扫查视频对训练过程的超参数进行优化而得到初步的诊断模型;
S35、利用所述测试集中患者的超声扫查视频对初步的诊断模型进行测试而得到所述诊断模型。
为了保障样本数据集的普遍性,所述训练集中患者的超声扫查视频包括显著癌患者的超声扫查视频和非显著癌患者的超声扫查视频,所述显著癌患者的超声扫查视频的数量与非显著癌患者的超声扫查视频的数量之差小于预设值。
其进一步的技术方案为:所述特征提取模块用于对输入的完成预处理的患者的超声扫查视频进行特征提取并输出特征图;
所述FPN特征聚合模块用于将特征提取模块输出的不同尺度的特征图进行融合处理而得到融合后的特征图;
所述SE注意力模块用于将FPN特征聚合模块输出的不同通道的特征图进行加权处理;
所述预测模块用于对SE注意力模块输出的信号进行处理并输出预测概率,然后将预测概率与设定的阈值概率进行对比,判断输入的样本患者是否为显著癌患者。
其进一步的技术方案为:所述特征提取模块为3DResNet50网络结构,包括1个初始卷积层和4个卷积阶段;
所述FPN特征聚合模块包括4个1x1x1的卷积层和4个3x3x3的卷积层;
所述SE注意力模块包括全局池化层、全连接层一和sigmoid层;
所述预测模块包括平均池化层、全连接层二和softmax层。
本发明的第二个目的在于,提出一种前列腺显著癌诊断模型的图像分类方法,所述诊断模型为通过如上述的前列腺显著癌诊断模型的构建方法得到的诊断模型,包括如下步骤:
获取患者的超声扫查视频,并对视频数据进行预处理;
将完成预处理的待测超声扫查视频输入至诊断模型中得到预测概率;
将预测概率与设定的阈值概率进行对比,并输出分类结果。
若诊断模型输出的预测概率大于阈值概率,则判断输入的样本视频为第一类,若诊断模型输出的预测概率不大于阈值概率,则判断输入的样本视频为第二类。
其进一步的技术方案为:所述获取患者的超声扫查视频,并对视频数据进行预处理的具体过程包括:
获取患者自底向尖的前列腺超声扫查视频;
对超声扫查视频依次进行直方图均衡化、同态滤波和归一化处理;
所述直方图均衡化的过程包括:对超声扫查视频的视频帧的灰度像素值进行分布统计,通过变换使分布在每一个灰度等级上的像素个数的差值处于预设范围内;
所述同态滤波的过程包括:通过同态滤波算法对超声扫查视频中的超声图像进行频域增强,提高超声图像的质量;
所述归一化过程包括:将超声扫查视频中每一帧超声图像的像素值归一化到0和1之间。
本发明的第三个目的在于,提出一种电子设备,所述电子设备包括:存储器和至少一个处理器,所述存储器中存储有计算机程序;所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述电子设备执行所述的前列腺显著癌诊断模型的图像分类方法。
本发明的第四个目的在于,提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的前列腺显著癌诊断模型的图像分类方法。
本发明的有益效果是:该前列腺显著癌诊断模型的构建方法,基于3D卷积神经网络对患者的超声扫查视频进行网络训练构建诊断模型,通过在卷积层中加入时间维度,可以同时考虑不同切面和不同位置的超声信号,充分利用超声图像的三维信息,提高诊断的准确度和稳定性;此外,通过FPN特征聚合模块将不同尺度的特征进行融合,增加特征的丰富程度,通过SE注意力模块对特征通道维度加权,提高模型诊断性能。
前列腺显著癌诊断模型的图像分类方法,对获取的超声扫查视频进行预处理,并传输入前列腺显著癌的诊断模型中,利用诊断模型对视频数据进行处理和判断并输出图像分类结果,能够有效提高分类结果的准确性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明诊断模型的构建方法的流程图;
图2是本发明的诊断模型的结构示意图;
图3是本发明的诊断方法的流程图。
具体实施方式
实施例一
如图1、图2所示,一种前列腺显著癌诊断模型的构建方法,诊断模型从输入端至输出端依次包括特征提取模块、FPN特征聚合模块、SE注意力模块和预测模块。
如图2所示,特征提取模块用于对输入的完成预处理的超声扫查视频进行特征提取并输出特征图。具体的,特征提取模块为3DResNet50网络结构,包括1个初始卷积层和4个卷积阶段;特征提取模块将经过预处理的超声扫查视频在空间维度上进行32倍下采样,同时增加特征通道数,得到提取的特征图。
FPN特征聚合模块用于将特征提取模块输出的不同尺度的特征图进行融合处理而得到融合后的特征图。具体的,FPN特征聚合模块包括4个1x1x1的卷积层和4个3x3x3的卷积层;首先,分别使用4个1x1x1的卷积层将4个卷积阶段输出的具有不同通道数的特征图变化为具有相同通道数的特征图,然后使用插值算法将此时的特征图统一到相同的空间维度,再分别使用4个3x3x3的卷积层对插值后的特征图进行平滑操作,最后将4个来自不同尺度、具有相同通道数、相同空间维度的特征图进行拼接,得到融合后的特征图。
SE注意力模块用于将FPN特征聚合模块输出的不同通道的特征图进行加权处理;SE注意力模块包括全局池化层、全连接层一和sigmoid层。
其中,全局池化层用于对特征图进行池化,得到特征向量;全连接层一包括第一全连接层和第二全连接层,所述第一全连接层用于将特征向量进行降维,第二全连接层用于恢复特征向量的维度;全连接层一的隐藏层维度为2048;sigmoid层用于将第二全连接层输出的特征向量进行处理后得到不同特征通道的注意力权重,并对原始特征图进行加权处理,得到加权后的特征图。
预测模块包括平均池化层、全连接层二和softmax层,用于对SE注意力模块输出的信号进行处理并输出预测概率,然后将预测概率与设定的阈值概率进行对比,判断输入的样本患者是否为显著癌患者。
如图1所示,诊断模型的构建过程包括如下步骤:
S1、基于2D卷积神经网络对ImageNet数据集进行预训练得到网络参数,即得到一组二维的预训练权重。
S2、将所述网络参数迁移到3D卷积神经网络中,即将二维的预训练权重通过复制添加维度后迁移到三维的卷积神经网络中,将加载了预训练权重的3D卷积神经网络作为诊断模型中的特征提取模块,而FPN特征聚合模块、SE注意力模块和预测模块采用随机初始化权重。
S3、使用样本数据集对所述诊断模型进行迁移训练。
如图1所示,使用样本数据集对所述诊断模型进行迁移训练的过程具体包括如下步骤:
S31、构建样本数据集,所述样本数据集包括患者的超声扫查视频、与超声扫查视频对应的病理诊断结果。其中,超声扫查视频为患者前列腺自底向尖超声扫查视频,超声扫查匀速进行,且包含患者完整前列腺的扫查图像。具体的,样本数据集需来自不同医院,由不同品牌、不同型号的超声机采集得到,使其具有一定的样本多样性,能够保证训练的诊断模型具有良好的泛化性。
S32、将样本数据集进行预处理,将样本数据集按照8:1:1的比例划分划分为训练集、验证集和测试集。
S33、基于3D卷积神经网络对所述训练集中患者的超声扫查视频进行网络训练。其中,训练集中患者的超声扫查视频包括显著癌患者的超声扫查视频和非显著癌患者的超声扫查视频,显著癌患者的超声扫查视频的数量与非显著癌患者的超声扫查视频的数量之差小于预设值。即显著癌患者的超声扫查视频的数量与非显著癌患者的超声扫查视频的数量大致相同,有利于提高样本数据集的普遍性。
S34、利用所述验证集中患者的超声扫查视频对训练过程的超参数进行优化而得到初步的诊断模型。具体的,通过验证集中的样本对训练的超参数不断进行优化和微调,直至模型收敛且验证集上的精度可以达到最优。其中,训练的超参数可设置为:使用AdamW优化器,学习率设置为0.001,采用CrossEntropyLoss进行分类,不断迭代训练,迭代轮数可设置为500轮。
S35、利用所述测试集中患者的超声扫查视频对初步的诊断模型进行测试而得到所述诊断模型。具体的,测试集的精度选取训练过程中所得的最优诊断模型,用于后续的测试和推理。
实施例二
如图3所示,本发明的第二方面,提出一种前列腺显著癌诊断模型的图像分类方法,所述诊断模型为通过如上述的前列腺显著癌诊断模型的构建方法得到的诊断模型,包括如下步骤:
(1)获取患者的超声扫查视频,并对视频数据进行预处理。预处理的过程具体包括如下步骤:获取患者自底向尖的前列腺超声扫查视频;对超声扫查视频依次进行直方图均衡化、同态滤波和归一化处理。
具体的,直方图均衡化的过程包括:对超声扫查视频的视频帧的灰度像素值进行分布统计,通过变换使分布在每一个灰度等级上的像素个数的差值处于预设范围内。
同态滤波的过程包括:通过同态滤波算法对超声扫查视频中的超声图像进行频域增强,提高超声图像的质量;用于除去超声图像中的乘性噪声、提高对比度和标准化亮度。
归一化过程包括:将超声扫查视频中每一帧超声图像的像素值归一化到0和1之间。
(2)将完成预处理的待测超声扫查视频输入至诊断模型中得到预测概率。
具体的,通过特征提取模块对待测超声扫查视频进行特征提取;由FPN特征聚合模块将特征提取模块不同阶段输出的特征进行多尺度特征融合得到融合后的特征;由SE注意力模块对融合后的特征进行注意力加权从而得到加权后的特征;预测模块将加权后的特征通过平均池化层、全连接层二和softmax层处理后,输出诊断模型的预测概率。
(3)将预测概率与设定的阈值概率进行对比,并输出分类结果。若诊断模型输出的预测概率大于阈值概率,则判断输入的样本视频为第一类,若诊断模型输出的预测概率不大于阈值概率,则判断输入的样本视频为第二类;阈值概率可为0.5,通过图像分类结果可以判断该样本视频是否为显著癌患者的样本视频。
实施例三
本发明的第三方面,提出一种电子设备,所述电子设备包括:存储器和至少一个处理器,所述存储器中存储有计算机程序;所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述电子设备执行所述的前列腺显著癌诊断模型的图像分类方法。
实施例四
本发明的第四方面,提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的前列腺显著癌诊断模型的图像分类方法。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种前列腺显著癌诊断模型的构建方法,其特征在于,所述诊断模型包括特征提取模块、FPN特征聚合模块、SE注意力模块和预测模块;
所述诊断模型的构建过程包括如下步骤:
S1、基于2D卷积神经网络对ImageNet数据集进行预训练得到网络参数;
S2、将所述网络参数迁移到3D卷积神经网络中;
S3、使用样本数据集对所述诊断模型进行迁移训练,所述样本数据集包括患者的超声扫查视频、与超声扫查视频对应的病理诊断结果;
所述特征提取模块用于对输入的完成预处理的患者的超声扫查视频进行特征提取并输出特征图;
所述FPN特征聚合模块用于将特征提取模块输出的不同尺度的特征图进行融合处理而得到融合后的特征图;
所述SE注意力模块用于将FPN特征聚合模块输出的不同通道的特征图进行加权处理;
所述预测模块用于对SE注意力模块输出的信号进行处理并输出预测概率,然后将预测概率与设定的阈值概率进行对比,判断输入的样本患者是否为显著癌患者;
所述S3、使用样本数据集对所述诊断模型进行迁移训练的过程,具体包括如下步骤:
S31、构建样本数据集;
S32、将样本数据集进行预处理,从而划分为训练集、验证集和测试集;
S33、基于3D卷积神经网络对所述训练集中患者的超声扫查视频进行网络训练;
S34、利用所述验证集中患者的超声扫查视频对训练过程的超参数进行优化而得到初步的诊断模型;
S35、利用所述测试集中患者的超声扫查视频对初步的诊断模型进行测试而得到所述诊断模型;
所述训练集中患者的超声扫查视频包括显著癌患者的超声扫查视频和非显著癌患者的超声扫查视频,所述显著癌患者的超声扫查视频的数量与非显著癌患者的超声扫查视频的数量之差小于预设值。
2.根据权利要求1所述的前列腺显著癌诊断模型的构建方法,其特征在于,所述特征提取模块为3DResNet50网络结构,包括1个初始卷积层和4个卷积阶段;
所述FPN特征聚合模块包括4个1x1x1的卷积层和4个3x3x3的卷积层;
所述SE注意力模块包括全局池化层、全连接层一和sigmoid层;
所述预测模块包括平均池化层、全连接层二和softmax层。
3.一种前列腺显著癌诊断模型的图像分类方法,所述诊断模型为通过如权利要求1至2中任一项所述的前列腺显著癌诊断模型的构建方法得到的诊断模型,其特征在于,包括如下步骤:
获取患者的超声扫查视频,并对视频数据进行预处理;
将完成预处理的待测超声扫查视频输入至诊断模型中得到预测概率;
将预测概率与设定的阈值概率进行对比,并输出分类结果。
4.根据权利要求3所述的前列腺显著癌诊断模型的图像分类方法,其特征在于,若诊断模型输出的预测概率大于阈值概率,则判断输入的样本视频为第一类,若诊断模型输出的预测概率不大于阈值概率,则判断输入的样本视频为第二类。
5.根据权利要求3所述的前列腺显著癌诊断模型的图像分类方法,其特征在于,所述获取患者的超声扫查视频,并对视频数据进行预处理的具体过程包括:
获取患者自底向尖的前列腺超声扫查视频;
对超声扫查视频依次进行直方图均衡化、同态滤波和归一化处理;
所述直方图均衡化的过程包括:对超声扫查视频的视频帧的灰度像素值进行分布统计,通过变换使分布在每一个灰度等级上的像素个数的差值处于预设范围内;
所述同态滤波的过程包括:通过同态滤波算法对超声扫查视频中的超声图像进行频域增强,提高超声图像的质量;
所述归一化过程包括:将超声扫查视频中每一帧超声图像的像素值归一化到0和1之间。
6.一种电子设备,其特征在于,所述电子设备包括:存储器和至少一个处理器,所述存储器中存储有计算机程序;所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述电子设备执行如权利要求3所述的前列腺显著癌诊断模型的图像分类方法。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求3所述的前列腺显著癌诊断模型的图像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310718899.XA CN116705252B (zh) | 2023-06-16 | 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310718899.XA CN116705252B (zh) | 2023-06-16 | 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116705252A CN116705252A (zh) | 2023-09-05 |
CN116705252B true CN116705252B (zh) | 2024-05-31 |
Family
ID=
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991445A (zh) * | 2017-04-05 | 2017-07-28 | 重庆大学 | 一种基于深度学习的超声造影肿瘤自动识别与检测方法 |
CN108766555A (zh) * | 2018-04-08 | 2018-11-06 | 深圳大学 | 胰腺神经内分泌肿瘤恶性程度的计算机诊断方法及系统 |
CN109829443A (zh) * | 2019-02-23 | 2019-05-31 | 重庆邮电大学 | 基于图像增强与3d卷积神经网络的视频行为识别方法 |
CN110084794A (zh) * | 2019-04-22 | 2019-08-02 | 华南理工大学 | 一种基于注意力卷积神经网络的皮肤癌图片识别方法 |
CN110363768A (zh) * | 2019-08-30 | 2019-10-22 | 重庆大学附属肿瘤医院 | 一种基于深度学习的早期癌病灶范围预测辅助系统 |
CN110517256A (zh) * | 2019-08-30 | 2019-11-29 | 重庆大学附属肿瘤医院 | 一种基于人工智能的早期癌辅助诊断系统 |
CN110992338A (zh) * | 2019-11-28 | 2020-04-10 | 华中科技大学 | 一种原发灶转移辅助诊断系统 |
CN111584066A (zh) * | 2020-04-13 | 2020-08-25 | 清华大学 | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 |
CN111933274A (zh) * | 2020-07-15 | 2020-11-13 | 平安科技(深圳)有限公司 | 疾病分类诊断方法、装置、电子设备及存储介质 |
CN112085742A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种基于上下文注意力的nafld超声视频诊断方法 |
CN112086197A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学附属翔安医院 | 基于超声医学的乳腺结节检测方法及系统 |
CN112674720A (zh) * | 2020-12-24 | 2021-04-20 | 四川大学 | 基于3d卷积神经网络的阿尔茨海默症的预诊断方法 |
CN113160942A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
CN113408208A (zh) * | 2021-06-25 | 2021-09-17 | 成都欧珀通信科技有限公司 | 模型训练方法、信息提取方法、相关装置及存储介质 |
CN113421228A (zh) * | 2021-06-03 | 2021-09-21 | 山东师范大学 | 一种基于参数迁移的甲状腺结节识别模型训练方法及系统 |
CN113888470A (zh) * | 2021-09-06 | 2022-01-04 | 清华大学 | 基于卷积神经网络和多模态医学影像的诊断方法和装置 |
CN114469174A (zh) * | 2021-12-17 | 2022-05-13 | 上海深至信息科技有限公司 | 一种基于超声扫查视频的动脉斑块识别方法及系统 |
CN114529718A (zh) * | 2022-01-21 | 2022-05-24 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种结外鼻型nk/t细胞淋巴瘤诊断与预后模型的构建方法 |
CN115482229A (zh) * | 2022-09-26 | 2022-12-16 | 蚌埠医学院第一附属医院 | 常规超声和超声造影图像乳腺肿瘤识别方法及装置 |
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991445A (zh) * | 2017-04-05 | 2017-07-28 | 重庆大学 | 一种基于深度学习的超声造影肿瘤自动识别与检测方法 |
CN108766555A (zh) * | 2018-04-08 | 2018-11-06 | 深圳大学 | 胰腺神经内分泌肿瘤恶性程度的计算机诊断方法及系统 |
CN109829443A (zh) * | 2019-02-23 | 2019-05-31 | 重庆邮电大学 | 基于图像增强与3d卷积神经网络的视频行为识别方法 |
CN110084794A (zh) * | 2019-04-22 | 2019-08-02 | 华南理工大学 | 一种基于注意力卷积神经网络的皮肤癌图片识别方法 |
CN110363768A (zh) * | 2019-08-30 | 2019-10-22 | 重庆大学附属肿瘤医院 | 一种基于深度学习的早期癌病灶范围预测辅助系统 |
CN110517256A (zh) * | 2019-08-30 | 2019-11-29 | 重庆大学附属肿瘤医院 | 一种基于人工智能的早期癌辅助诊断系统 |
CN110992338A (zh) * | 2019-11-28 | 2020-04-10 | 华中科技大学 | 一种原发灶转移辅助诊断系统 |
CN111584066A (zh) * | 2020-04-13 | 2020-08-25 | 清华大学 | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 |
CN111933274A (zh) * | 2020-07-15 | 2020-11-13 | 平安科技(深圳)有限公司 | 疾病分类诊断方法、装置、电子设备及存储介质 |
CN112085742A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种基于上下文注意力的nafld超声视频诊断方法 |
CN112086197A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学附属翔安医院 | 基于超声医学的乳腺结节检测方法及系统 |
CN112674720A (zh) * | 2020-12-24 | 2021-04-20 | 四川大学 | 基于3d卷积神经网络的阿尔茨海默症的预诊断方法 |
CN113160942A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
CN113421228A (zh) * | 2021-06-03 | 2021-09-21 | 山东师范大学 | 一种基于参数迁移的甲状腺结节识别模型训练方法及系统 |
CN113408208A (zh) * | 2021-06-25 | 2021-09-17 | 成都欧珀通信科技有限公司 | 模型训练方法、信息提取方法、相关装置及存储介质 |
CN113888470A (zh) * | 2021-09-06 | 2022-01-04 | 清华大学 | 基于卷积神经网络和多模态医学影像的诊断方法和装置 |
CN114469174A (zh) * | 2021-12-17 | 2022-05-13 | 上海深至信息科技有限公司 | 一种基于超声扫查视频的动脉斑块识别方法及系统 |
CN114529718A (zh) * | 2022-01-21 | 2022-05-24 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种结外鼻型nk/t细胞淋巴瘤诊断与预后模型的构建方法 |
CN115482229A (zh) * | 2022-09-26 | 2022-12-16 | 蚌埠医学院第一附属医院 | 常规超声和超声造影图像乳腺肿瘤识别方法及装置 |
Non-Patent Citations (4)
Title |
---|
"Domain Knowledge Powered Deep Learning for Breast Cancer Diagnosis Based on Contrast-Enhanced Ultrasound Videos";Chen Chen等;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20210930;第40卷(第9期);第2439-2451页 * |
"基于全卷积DenseNet的前列腺MRI分割新方法";胡学刚等;《计算机应用研究》;20190514;第37卷(第06期);第1886-1889、1894页 * |
"基于卷积神经网络和多信息融合的三维乳腺超声分类方法";孔小函等;《中国生物医学工程学报》;20180820;第37卷(第04期);第414-422页 * |
"超声医学在卵巢肿瘤诊断和化疗效果评估中 应用的研究进展";程广文等;《复旦学报(医学版)》;20210706;第48卷(第4期);第545-550页 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Automatic tumor segmentation in breast ultrasound images using a dilated fully convolutional network combined with an active contour model | |
CN108389201B (zh) | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 | |
Grampurohit et al. | Brain tumor detection using deep learning models | |
US20230281809A1 (en) | Connected machine-learning models with joint training for lesion detection | |
CN111199233A (zh) | 一种改进的深度学习色情图像识别方法 | |
CN116958825B (zh) | 一种移动式遥感图像采集方法及公路维护监测方法 | |
CN112150476A (zh) | 基于时空判别性特征学习的冠状动脉序列血管分割方法 | |
Zhuang et al. | Breast ultrasound lesion classification based on image decomposition and transfer learning | |
CN113155464B (zh) | 面向轴承故障识别的cnn模型可视化优化方法 | |
Reddy | Effective CNN-MSO method for brain tumor detection and segmentation | |
Hou et al. | Image quality assessment guided collaborative learning of image enhancement and classification for diabetic retinopathy grading | |
CN112541566B (zh) | 一种基于重构损失的图像翻译方法 | |
Srinivasarao et al. | Cloud-Based LeNet-5 CNN for MRI Brain Tumor Diagnosis and Recognition. | |
CN116705252B (zh) | 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 | |
CN114494952B (zh) | 一种基于感知损失的乳腺mri影像时间序列生成方法 | |
CN116705252A (zh) | 前列腺癌诊断模型的构建方法、图像分类方法、设备、介质 | |
CN115761358A (zh) | 一种基于残差胶囊网络对心肌纤维化进行分类的方法 | |
CN115910385A (zh) | 一种病理程度预测方法、系统、介质、设备及终端 | |
CN115661029A (zh) | 基于YOLOv5的肺结节检测与识别系统 | |
CN110853012B (zh) | 获得心脏参数的方法、装置及计算机存储介质 | |
Sharma et al. | Deep Learning-Based Algorithm for Identifying and Detecting Brain Glioma Tumors | |
Annavarapu et al. | An adaptive watershed segmentation based medical image denoising using deep convolutional neural networks | |
CN112132790A (zh) | Dac-gan模型构建方法及在乳腺mr图像中的应用 | |
Li et al. | An optimization r-cnn method for Ovarian cyst detection | |
CN116433607B (zh) | 基于关键区域特征双重加权融合的儿童手骨x光图像骨龄评估方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |