CN116777893B - 一种基于乳腺超声横纵切面特征结节的分割与识别方法 - Google Patents
一种基于乳腺超声横纵切面特征结节的分割与识别方法 Download PDFInfo
- Publication number
- CN116777893B CN116777893B CN202310816792.9A CN202310816792A CN116777893B CN 116777893 B CN116777893 B CN 116777893B CN 202310816792 A CN202310816792 A CN 202310816792A CN 116777893 B CN116777893 B CN 116777893B
- Authority
- CN
- China
- Prior art keywords
- module
- cbs
- nodule
- characteristic
- csp2
- 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
- 210000000481 breast Anatomy 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 26
- 230000011218 segmentation Effects 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 206010006272 Breast mass Diseases 0.000 claims abstract description 13
- 230000001537 neural effect Effects 0.000 claims abstract description 12
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 101100441251 Arabidopsis thaliana CSP2 gene Proteins 0.000 claims description 44
- 102100027557 Calcipressin-1 Human genes 0.000 claims description 26
- 101100247605 Homo sapiens RCAN1 gene Proteins 0.000 claims description 26
- 101150064416 csp1 gene Proteins 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 230000015556 catabolic process Effects 0.000 abstract 1
- 238000006731 degradation reaction Methods 0.000 abstract 1
- 206010054107 Nodule Diseases 0.000 description 21
- 206010006187 Breast cancer Diseases 0.000 description 11
- 208000026310 Breast neoplasm Diseases 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 210000000988 bone and bone Anatomy 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000003211 malignant effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000008506 pathogenesis Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于乳腺超声横纵切面特征结节的分割与识别方法,涉及乳腺结节检测技术领域,该方法实现了结节检测、提取、外扩、调整固定尺寸,以及最后结节横纵切面的良恶识别。针对结节横纵切面设计了一种双路深度神经分类网络,该网络能够分别对结节横切面、纵切面数据进行特征提取和计算。将Resnet101提取的横切面特征与DenseNet161提取的纵切面特征concat起来,然后送入两层全连接网络,进行特征降维和特征相似计算,经过过softmax输出最终的分类结果。本发明提出的双路深度神经网络分类网络有效融合乳腺超声横纵切面的特征,提高了模型的良恶分类能力和鲁棒性。
Description
技术领域
本发明涉及乳腺结节检测技术领域,特别是涉及一种基于乳腺超声横纵切面特征结节的分割与识别方法。
背景技术
在世界范围内,乳腺癌以其高发病率、高死亡率严重威胁女性身体健康,且近年来乳腺癌新增病例持续上升。乳腺癌是2020年发病人数第一位的恶性肿瘤,早期乳腺癌患者预后效果较好,但是晚期乳腺癌患者预后较差,急需更有效的治疗方案,但因其发病机理不确定性和病情隐匿,使得早期乳腺癌很难被发现。目前有关乳腺癌的发病原因尚没有统一的认识,所以全面综合对乳腺癌进行了解和研究已经成为医工学界急需解决的问题。近些年也有大量学者就乳腺癌领域进行了大量的工作,取得了相当重要的研究成果,同时根据相关研究数据表明,乳腺癌早期发现和早期治疗对降低乳腺癌的发病率和死亡率具有十分重要的意义。
解读医疗影像需要专业的经验和技能,结果的准确性往往依赖于操作员的经验水平。不同的操作员可能对同一图像有不同的解读,可能导致诊断的不一致性。且目前现有技术无法区分某些病变,这可能导致漏诊或延迟诊断,特别是在早期疾病阶段。某些医疗影像技术,如X射线和CT扫描,会产生辐射暴露。虽然辐射水平通常是安全的,但长期或过度的暴露可能对患者的健康产生潜在风险。
人工智能是精准医学时代重要的发展方向,大数据的发展、医疗资源的紧缺、诊疗模式的转变为人工智能提供了很大的机遇。目前,人工智能已在医学影像、病理、辅助决策系统等方面取得一定的进展。同时疾病进展预测和更早更准确地诊断意味着可以节省更多的医疗费用和拯救更多的生命。人工智能可以自动执行图像分析和解读,减轻医生的工作负担并提高诊断的效率。它可以快速处理大量的医疗影像数据,加快诊断速度,有助于及早发现病变并提供更及时的治疗。人工智能在医疗影像解读中具有较高的准确性和一致性。通过训练算法和大规模数据集,人工智能可以识别和分析图像中的特征,并提供更可靠的诊断结果。它可以帮助减少人为误差和主观性,提高诊断的一致性。
发明内容
为了解决以上技术问题,本发明提供一种基于乳腺超声横纵切面特征结节的分割与识别方法,包括以下步骤
S1、乳腺超声图像处理:将乳腺超声图像调整为固定尺寸640x640,并对图像采用数据增强方法扩充数据集;
S2、将乳腺超声图像送入yolov5结节检测网络进行结节检测,输出结节相对坐标位置,根据原始图像大小,通过图像处理算法得到原始乳腺超声图像的结节的绝对坐标位置;
S3、通过图像处理算法,取结节外接矩形框的最长边*0.15作为外扩的像素距离,将外扩的像素距离加在结节的最长边和最短边上,得到新的结节矩形框的坐标;
S4、按照原始结节的宽高比将结节resize到224x224,最短边不足224则采用像素0进行填充,从而得到乳腺结节横纵切面;
S5、将乳腺结节横纵切面送入双路深度神经分类网络,对结节进行良恶分类。
本发明进一步限定的技术方案是:
进一步的,步骤S2中,修改yolov5结节检测网络参数,batch size=8,learningrate=0.001,multis scale=0.5。
前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,步骤S2中,yolov5结节检测网络包括backbone模块、Neck模块以及head模块,backbone模块用于乳腺超声特征提取,Neck模块用于对backbone模块提取的不同大小特征图谱进行组合,head模块用于对不同大小的结节进行检测。
前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,backbone模块中,输入依次通过2个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块以及1个SSPF模块;
在CBS模块中,输入依次经过Conv2d、BatchNorm以及SILU;CSP1模块的输出依次通过1个CBS模块和1个Resx模块得到特征图谱,将CSP1模块的输出通过CBS模块得到的特征与特征图谱concat起来,最后再通过CBS模块;在SSPF模块中,将通过1个CBS模块的特征和分别通过3个maxpool模块的特征concat起来,然后输入CBS模块。
前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,Resx模块中,输入分别通过步长为1的CBS模块和步长为3的CBS模块,使用Shortcut模块连接Resx模块的输入和输出。
前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,Neck模块包括CBS模块和CSP2模块;CSP2模块的输出依次通过1个CBS模块和1个Resx模块得到特征图谱,将CSP2模块的输出通过CBS模块得到的特征与特征图谱concat起来,最后再通过CBS模块;
backbone模块的SSPF模块输出特征经过Neck模块的第1个CBS模块上采样到256x40x40,然后与backbone模块的第3个CSP1模块中的Resx*3输出的特征concat后,再通过第1个CSP2模块;接着通过第二个CBS模块上采样到128x40x40,然后与backbone模块的第2个CSP1模块中的Resx*2输出的特征concat后,再通过第2个CSP2模块;将第2个CSP2模块的输出特征通过第3个CBS模块降采样后,与第2个CBS模块输出的特征concat成256x40x40;然后将依次通过第3个CSP2模块和第4个CBS模块得到特征向量与第1个CBS模块的特征concat成512x20x20,最后通过第4个CSP2模块。
前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,CSP2模块的Resx模块与CSP1模块的Resx模块不同,CSP2模块的Resx模块中,输入分别通过步长为1的CBS模块和步长为3的CBS模块,不包含Shortcut模块。
前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,head模块包括三个不同尺度的检测器,Neck模块的第2个CSP2模块、第3个CSP2模块以及第4个CSP2模块的输出特征单独通过1个Conv后分别输入至三个检测器中。
前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,步骤S5的双路深度神经分类网络中,首先通过Resnet101网络进行横切面结节特征提取,通过DenseNet161网络进行纵切面结节特征提取,将Resnet101网络和DenseNet161网络输出的特征向量concat后,利用2层全连接层进行计算和降维,且通过后一全连接层将降维后的特征向量进行组合计算后经过Softmax输出分类结果。
前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,Resnet101网络输出的特征向量通过一层avg pooling后与DenseNet161网络输出的特征向量依次通过batchNorm2和avg pooling后的输出concat。
本发明的有益效果是:
(1)本发明中,针对乳腺超声图像的横纵切面数据,开发了一种yolov5结节检测网络负责对乳腺超声结节进行检测定位,对结节检测网络预测得到结节位置标采用图像处理算法对结节进行提取和外扩;同时设计了一种新的结节resize方式,按照结节原始宽高比resize到224x224,从而最大限度保留结节原始形状信息和纹理信息;
(2)本发明中,针对乳腺超声横纵切面的结节图像,设计了一种双路深度神经分类网络分别对乳腺超声图像横切面、纵切面的特征进行提取,Resnet101网络负责提取横切面结节特征,DenseNet161网络负责提取纵切面结节特征,然后将每个切面的特征图谱进行特征融合,送入全连接层计算特征相似度,并经过Softmax计算良恶的分类概率,从而通过不同结构的网络提取乳腺超声不同切面的特征然后进一步融合,提高了模型分类能力和鲁棒性。
附图说明
图1为本发明的整体流程示意图;
图2为本发明实施例中yolov5结节检测网络的结构示意图;
图3为本发明实施例中结节图像直接resize方式和采用本发明方法resize方式的结果对比示意图;
图4为本发明实施例中双路深度神经分类网络的结构示意图。
具体实施方式
本实施例提供的一种基于乳腺超声横纵切面特征结节的分割与识别方法,针对乳腺超声图像设计了一种yolov5结节检测网络和一种双路深度神经分类网络,yolov5结节检测网络负责定位结节在图像中位置,并输出对应的坐标信息,双路深度神经分类网络负责横纵切面特征提取、特征融合以及结节良恶性分类,还通过一种新的结节resize方式和双路深度神经分类网络提高了乳腺超声结节的分类能力和鲁棒性。
一种基于乳腺超声横纵切面特征结节的分割与识别方法,如图1所示,包括以下步骤
S1、乳腺超声图像处理:将乳腺超声图像统一调整为固定尺寸640x640,并对图像采用数据增强方法扩充数据集。
S2、将乳腺超声图像送入yolov5结节检测网络进行结节检测,输出结节相对坐标位置,修改yolov5结节检测网络参数,batch size=8,learning rate=0.001,multisscale=0.5,使其能够对乳腺超声图像小结节精准检测,网络输出层对乳腺超声图像进行后处理,将图像调整到原始图像大小,并获取乳腺结节的坐标位置。
如图2所示,yolov5结节检测网络包括backbone模块、Neck模块以及head模块,backbone模块用于乳腺超声特征提取,Neck模块用于对backbone模块提取的不同大小特征图谱进行组合,head模块用于对不同大小的结节进行检测。
backbone模块中,输入依次通过2个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块以及1个SSPF模块;
在CBS模块中,输入依次经过Conv2d、BatchNorm以及SILU;CSP1模块的输出依次通过1个CBS模块和1个Resx模块得到特征图谱,将CSP1模块的输出通过CBS模块得到的特征与特征图谱concat起来,最后再通过CBS模块;在SSPF模块中,将通过1个CBS模块的特征和分别通过3个maxpool模块的特征concat起来,然后输入CBS模块;
CSP1模块的Resx模块中,输入分别通过步长为1的CBS模块和步长为3的CBS模块,使用Shortcut模块连接Resx模块的输入和输出。
Neck模块包括CBS模块和CSP2模块;CSP2模块与CSP1模块结构相似,区别仅在于CSP2模块的Resx模块不包含Shortcut模块,CSP2模块的输出依次通过1个CBS模块和1个Resx模块得到特征图谱,将CSP2模块的输出通过CBS模块得到的特征与特征图谱concat起来,最后再通过CBS模块;
backbone模块的SSPF模块输出特征经过Neck模块的第1个CBS模块上采样到256x40x40,然后与backbone模块的第3个CSP1模块中的Resx*3输出的特征concat后,再通过第1个CSP2模块;接着通过第二个CBS模块上采样到128x40x40,然后与backbone模块的第2个CSP1模块中的Resx*2输出的特征concat后,再通过第2个CSP2模块;将第2个CSP2模块的输出特征通过第3个CBS模块降采样后,与第2个CBS模块输出的特征concat成256x40x40;然后将依次通过第3个CSP2模块和第4个CBS模块得到特征向量与第1个CBS模块的特征concat成512x20x20,最后通过第4个CSP2模块;
CSP2模块的Resx模块与CSP1模块的Resx模块不同,CSP2模块的Resx模块中,输入分别通过步长为1的CBS模块和步长为3的CBS模块,不包含Shortcut模块。
head模块包括三个不同尺度的检测器,即利用基于网格的anchor在不同尺度的特征图进行目标检测的过程,当输入为640x640大小的图像时,三个尺度上的特征图分别为80x80、40x40以及20x20,三个不同的检测器能够对不同大小乳腺超声结节进行精准检测,然后经过后处理输出结节相应的坐标位置;
Neck模块的第2个CSP2模块、第3个CSP2模块以及第4个CSP2模块的输出特征单独通过1个Conv后分别输入至三个检测器中。
S3、由于乳腺结节形状多变,直接使用yolov5结节检测网络获得结节位置坐标并reszie到224x224,如图3中的a部分所示,会导致结节图像丢失许多形状纹理信息,导致模型在识别结节良恶时不准确;所以本实施例提出一种新的结节resize方式,该方式在固定结节尺寸的同时,最大限度保留乳腺结节信息,如图3中的b部分所示,从yolov5结节检测网络获取的结节位置信息,找出结节外接矩形框最长边max_length,将最长边外扩max_length*0.15,最短边外扩max_length*0.15。
S4、将结节最长边resize到224,然后按照原始宽高比对最短边进行resize,最短边resize后不足224则采用像素0进行填充,从而得到乳腺结节横纵切面,该方式能够有效保留结节原始宽高形状以及宽高比例信息,预防模型在预测结节良恶因结节图像特征变化而导致模型预测结果改变。
S5、将乳腺结节横纵切面送入双路深度神经分类网络,对结节进行良恶分类,如图4所示,该双路深度神经分类网络分别对乳腺结节横纵切面进行特征提取组合,使用Resnet101网络负责横切面结节特征提取,densent161网络负责纵切面特征提取,然后将Reshet101网络和DenseNet161网络输出的特征向量concat起来;并设计两层全连接层,对concat的特征向量进行计算和降维,并在最后一层全连接层将降维后的特征向量进行组合计算,并经过Softmax输出分类结果;从而充分学习不同乳腺结节切面的特征,并在最后对不同结节特征加入融合,增加了特征信息,提高了模型对乳腺结节分类能力和鲁棒性。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (8)
1.一种基于乳腺超声横纵切面特征结节的分割与识别方法,其特征在于:包括以下步骤
S1、乳腺超声图像处理:将乳腺超声图像调整为固定尺寸640x640,并对图像采用数据增强方法扩充数据集;
S2、将乳腺超声图像送入yolov5结节检测网络进行结节检测,输出结节相对坐标位置,根据原始图像大小,通过图像处理算法得到原始乳腺超声图像的结节的绝对坐标位置;
yolov5结节检测网络包括backbone模块、Neck模块以及head模块,backbone模块用于乳腺超声特征提取,Neck模块用于对backbone模块提取的不同大小特征图谱进行组合,head模块用于对不同大小的结节进行检测;
S3、通过图像处理算法,取结节外接矩形框的最长边*0.15作为外扩的像素距离,将外扩的像素距离加在结节的最长边和最短边上,得到新的结节矩形框的坐标;
S4、按照原始结节的宽高比将结节resize到224x224,最短边不足224则采用像素0进行填充,从而得到乳腺结节横纵切面;
S5、将乳腺结节横纵切面送入双路深度神经分类网络,对结节进行良恶分类;
双路深度神经分类网络中,首先通过Resnet101网络进行横切面结节特征提取,通过DenseNet161网络进行纵切面结节特征提取,将Resnet101网络和DenseNet161网络输出的特征向量concat后,利用2层全连接层进行计算和降维,且通过后一全连接层将降维后的特征向量进行组合计算后经过Softmax输出分类结果。
2.根据权利要求1所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,其特征在于:所述步骤S2中,修改yolov5结节检测网络参数,batch size=8,learning rate=0.001,multis scale=0.5。
3.根据权利要求1所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,其特征在于:所述backbone模块中,输入依次通过2个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块以及1个SSPF模块;
在CBS模块中,输入依次经过Conv2d、BatchNorm以及SILU;CSP1模块的输出依次通过1个CBS模块和1个Resx模块得到特征图谱,将CSP1模块的输出通过CBS模块得到的特征与特征图谱concat起来,最后再通过CBS模块;在SSPF模块中,将通过1个CBS模块的特征和分别通过3个maxpool模块的特征concat起来,然后输入CBS模块。
4.根据权利要求3所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,其特征在于:所述Resx模块中,输入分别通过步长为1的CBS模块和步长为3的CBS模块,使用Shortcut模块连接Resx模块的输入和输出。
5.根据权利要求1所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,其特征在于:所述Neck模块包括CBS模块和CSP2模块;CSP2模块的输出依次通过1个CBS模块和1个Resx模块得到特征图谱,将CSP2模块的输出通过CBS模块得到的特征与特征图谱concat起来,最后再通过CBS模块;
backbone模块的SSPF模块输出特征经过Neck模块的第1个CBS模块上采样到256x40x40,然后与backbone模块的第3个CSP1模块中的Resx*3输出的特征concat后,再通过第1个CSP2模块;接着通过第二个CBS模块上采样到128x40x40,然后与backbone模块的第2个CSP1模块中的Resx*2输出的特征concat后,再通过第2个CSP2模块;将第2个CSP2模块的输出特征通过第3个CBS模块降采样后,与第2个CBS模块输出的特征concat成256x40x40;然后将依次通过第3个CSP2模块和第4个CBS模块得到特征向量与第1个CBS模块的特征concat成512x20x20,最后通过第4个CSP2模块。
6.根据权利要求5所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,其特征在于:所述CSP2模块的Resx模块与CSP1模块的Resx模块不同,CSP2模块的Resx模块中,输入分别通过步长为1的CBS模块和步长为3的CBS模块,不包含Shortcut模块。
7.根据权利要求1所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,其特征在于:所述head模块包括三个不同尺度的检测器,Neck模块的第2个CSP2模块、第3个CSP2模块以及第4个CSP2模块的输出特征单独通过1个Conv后分别输入至三个检测器中。
8.根据权利要求1所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法,其特征在于:所述Resnet101网络输出的特征向量通过一层avg pooling后与DenseNet161网络输出的特征向量依次通过batchNorm2和avg pooling后的输出concat。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816792.9A CN116777893B (zh) | 2023-07-05 | 2023-07-05 | 一种基于乳腺超声横纵切面特征结节的分割与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816792.9A CN116777893B (zh) | 2023-07-05 | 2023-07-05 | 一种基于乳腺超声横纵切面特征结节的分割与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777893A CN116777893A (zh) | 2023-09-19 |
CN116777893B true CN116777893B (zh) | 2024-05-07 |
Family
ID=88009803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310816792.9A Active CN116777893B (zh) | 2023-07-05 | 2023-07-05 | 一种基于乳腺超声横纵切面特征结节的分割与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777893B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838020A (zh) * | 2021-09-17 | 2021-12-24 | 上海仰和华健人工智能科技有限公司 | 一种基于钼靶影像的病变区域量化方法 |
CN114742796A (zh) * | 2022-04-11 | 2022-07-12 | 平安科技(深圳)有限公司 | 一种乳腺超声结节检测方法、装置、电子设备及存储介质 |
CN115423806A (zh) * | 2022-11-03 | 2022-12-02 | 南京信息工程大学 | 一种基于多尺度跨路径特征融合的乳腺肿块检测方法 |
CN115937089A (zh) * | 2022-10-18 | 2023-04-07 | 重庆生物智能制造研究院 | 一种基于改进yolov5病灶检测模型的训练检测方法 |
CN116228709A (zh) * | 2023-03-01 | 2023-06-06 | 中国医学科学院北京协和医院 | 一种胰腺实性占位病灶的交互式超声内镜图像识别方法 |
KR20230088538A (ko) * | 2021-12-10 | 2023-06-20 | 동국대학교 산학협력단 | 딥러닝 기반 유방 종양 검출 장치 및 방법 |
-
2023
- 2023-07-05 CN CN202310816792.9A patent/CN116777893B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838020A (zh) * | 2021-09-17 | 2021-12-24 | 上海仰和华健人工智能科技有限公司 | 一种基于钼靶影像的病变区域量化方法 |
KR20230088538A (ko) * | 2021-12-10 | 2023-06-20 | 동국대학교 산학협력단 | 딥러닝 기반 유방 종양 검출 장치 및 방법 |
CN114742796A (zh) * | 2022-04-11 | 2022-07-12 | 平安科技(深圳)有限公司 | 一种乳腺超声结节检测方法、装置、电子设备及存储介质 |
CN115937089A (zh) * | 2022-10-18 | 2023-04-07 | 重庆生物智能制造研究院 | 一种基于改进yolov5病灶检测模型的训练检测方法 |
CN115423806A (zh) * | 2022-11-03 | 2022-12-02 | 南京信息工程大学 | 一种基于多尺度跨路径特征融合的乳腺肿块检测方法 |
CN116228709A (zh) * | 2023-03-01 | 2023-06-06 | 中国医学科学院北京协和医院 | 一种胰腺实性占位病灶的交互式超声内镜图像识别方法 |
Non-Patent Citations (2)
Title |
---|
Breast Cancer Detection from Histopathology Images Based on YOLOv5;Wafaa Rajaa Drioua et al.;《2022 7th International Conference on Frontiers of Signal Processing (ICFSP)》;20220207;30-34 * |
基于深度学习的肺结节检测研究;王波;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20230215(第02期);1-69 * |
Also Published As
Publication number | Publication date |
---|---|
CN116777893A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886514B (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
CN107016665B (zh) | 一种基于深度卷积神经网络的ct肺结节检测方法 | |
CN109584252B (zh) | 基于深度学习的ct影像的肺叶段分割方法、装置 | |
CN109685768B (zh) | 基于肺部ct序列的肺结节自动检测方法及系统 | |
Alilou et al. | A comprehensive framework for automatic detection of pulmonary nodules in lung CT images | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN109492547B (zh) | 一种结节识别方法、装置和存储介质 | |
CN112862824A (zh) | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 | |
CN112862808A (zh) | 一种基于深度学习的乳腺癌超声图像的可解释性识别方法 | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
Naresh et al. | Early detection of lung cancer using neural network techniques | |
CN112446892A (zh) | 一种基于注意力学习的细胞核分割方法 | |
CN113744183A (zh) | 肺结节检测方法及系统 | |
CN114565761A (zh) | 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 | |
CN112734755A (zh) | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 | |
KR20200082660A (ko) | 머신러닝 기반 병리 진단 방법 및 장치 | |
Zhao et al. | D2a u-net: Automatic segmentation of covid-19 lesions from ct slices with dilated convolution and dual attention mechanism | |
CN113782181A (zh) | 一种基于ct图像的肺结节良恶性诊断方法及装置 | |
Nurmaini et al. | An improved semantic segmentation with region proposal network for cardiac defect interpretation | |
Dawoud | Fusing shape information in lung segmentation in chest radiographs | |
Khan | Identification of lung cancer using convolutional neural networks based classification | |
Malik et al. | Lung cancer detection at initial stage by using image processing and classification techniques | |
CN111402231B (zh) | 一种用于肺部ct影像质量的自动评估系统及方法 | |
CN112488996A (zh) | 非齐次三维食管癌能谱ct弱监督自动标注方法与系统 | |
CN116777893B (zh) | 一种基于乳腺超声横纵切面特征结节的分割与识别方法 |
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 |