TW202301370A - 肺炎區域檢測方法及系統 - Google Patents
肺炎區域檢測方法及系統 Download PDFInfo
- Publication number
- TW202301370A TW202301370A TW110122494A TW110122494A TW202301370A TW 202301370 A TW202301370 A TW 202301370A TW 110122494 A TW110122494 A TW 110122494A TW 110122494 A TW110122494 A TW 110122494A TW 202301370 A TW202301370 A TW 202301370A
- Authority
- TW
- Taiwan
- Prior art keywords
- pneumonia
- image
- area
- standard format
- pneumonia area
- Prior art date
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本申請公開一種肺炎區域檢測方法及系統，該方法包括:獲取待處理之醫學影像；藉由預設之圖像預處理方法處理所述待處理之醫學影像，以獲取標準格式圖像；獲取初始肺炎區域之邊框尺寸；藉由預設演算法與所述標準格式影像處理所述初始肺炎區域之邊框尺寸，以獲取標準格式之肺炎區域之邊框尺寸；輸入所述標準格式圖像與所述標準格式之肺炎區域之邊框尺寸至肺炎區域檢測模型，以獲取輸出肺炎區域。該方法能夠確認肺炎區域之邊框及尺寸，準確識別肺炎區域，降低後期辨別時之工作量。
Description
本申請涉及醫學影像識別技術領域，尤其涉及一種肺炎區域檢測方法及系統。
隨著醫療技術之進步，醫學影像技術已成為現代醫療診治中不可或缺之手段。醫學影像是檢測肺炎之重要手段，然，醫學影像中之肺炎區域特徵不明顯，且難以單獨依據醫學影像進行疾病診斷。
目前，相關技術中常使用圖像目標檢測技術來輔助肺炎區域識別，然，相關技術中肺炎區域識別之準確率與精度較低。
鑒於此，本申請提供一種肺炎區域檢測方法及肺炎區域檢測系統，能夠確認肺炎區域之邊框及尺寸，準確識別肺炎區域，降低後期辨別時之工作量。
本申請之肺炎區域檢測方法包括:獲取待處理之醫學影像；藉由預設之圖像預處理方法處理所述待處理之醫學影像，以獲取標準格式圖像；獲取初始肺炎區域之邊框尺寸；藉由預設演算法與所述標準格式影像處理所述初始肺炎區域之邊框尺寸，以獲取標準格式之肺炎區域之邊框尺寸；輸入所述標準格式圖像與所述標準格式之肺炎區域之邊框尺寸至肺炎區域檢測模型，以獲取輸出肺炎區域。
本申請之肺炎區域檢測系統包括:訊息獲取模組，用於獲取待處理之醫學影像與初始肺炎區域之邊框尺寸；圖像預處理模組，連接所述訊息獲取模組，用於藉由預設之圖像預處理方法處理所述待處理醫學影像以獲取標準格式圖像；均值計算模組，連接所述圖像預處理模組與所述訊息獲取模組，藉由預設之圖像預處理方法處理所述待處理之醫學影像，以獲取標準格式圖像；肺炎區域檢測模型，連接所述訊息獲取模組與均值計算模組，用於根據所述標準格式圖像與所述標準格式肺炎區域邊框尺寸獲取輸出肺炎區域。
本申請藉由肺炎區域之錨點及尺寸，準確識別肺炎區域，降低後期辨別時之工作量。
為能夠更清楚地理解本申請之上述目的、特徵與優點，下面結合附圖與具體實施例對本申請進行詳細描述。需要說明的是，於不衝突之情況下，本申請之實施例及實施例中之特徵可以相互組合。於下面之描述中闡述了很多具體細節以便於充分理解本申請，所描述之實施例僅係本申請一部分實施例，而不係全部之實施例。
需要說明的是，雖於流程圖中示出了邏輯順序，但於某些情況下，可以以不同於流程圖中之循序執行所示出或描述之步驟。本申請實施例中公開之方法包括用於實現方法之一個或複數步驟或動作。方法步驟與/或動作可以於不脫離請求項之範圍之情況下彼此互換。換句話說，除非指定步驟或動作之特定順序，否則特定步驟與/或動作之順序與/或使用可以於不脫離請求項範圍之情況下被修改。
隨著醫療技術之進步，醫學影像技術已成為現代醫療診治中不可或缺之手段。醫學影像是檢測肺炎之重要手段，然，醫學影像中之肺炎區域特徵不明顯，且難以單獨依據醫學影像進行疾病診斷。
目前，相關技術中常使用圖像目標檢測技術來輔助肺炎區域識別，然，肺炎區域識別之準確率與精度較低。
基於此，本申請提供一種肺炎區域檢測方法及系統，可藉由確認圖像中肺炎區域之錨點及尺寸，準確識別肺炎區域，降低後期辨別時之工作量。
參照圖1，是本申請一實施例提供之肺炎區域檢測系統10之模組示意圖。如圖1所示，所述肺炎區域檢測系統10包括:訊息獲取模組100、圖像預處理模組200、均值計算模組300、肺炎區域檢測模型400。所述圖像預處理模組200連接所述訊息獲取模組100。所述均值計算模組300連接所述圖像預處理模組200與所述訊息獲取模組100。所述肺炎區域檢測模型400連接所述訊息獲取模組100與均值計算模組300。
於本申請實施例中，所述訊息獲取模組100用於獲取待處理之醫學影像。所述待處理之醫學影像包括，但不局限於，X光片(X-ray Film)、電子電腦斷層掃描(Computed Tomography, CT)圖像、磁共振檢查(Magnetic Resonance, MR)圖像、超聲(Ultrasound)檢查圖像、核醫學(Nuclear Medicine)圖像等。
可以理解，所述訊息獲取模組100還用於獲取初始肺炎區域之邊框(bounding box, bbox)尺寸。所述初始肺炎區域之邊框尺寸可以根據所述待處理之醫學影像之圖像大小進行設置。可以理解的是，所述初始肺炎區域之邊框尺寸小於所述待處理之醫學影像之圖像大小。
於本申請實施例中，所述圖像預處理模組200用於藉由預設之圖像預處理方法處理所述待處理之醫學影像，以獲取標準格式圖像。可以理解的是，所述圖像預處理方法包括:計算所述待處理之醫學影像之尺寸平均值及標準差，並根據所述待處理之醫學影像之尺寸平均值及標準差批量輸出標準格式圖像。其中，所述尺寸平均值為所述待處理之醫學影像之平均圖像尺寸，所述標準差為每個所述待處理之醫學影像尺寸與所述平均圖像尺寸之間之標準差。於本申請實施例中，首先根據所述待處理之醫學影像之平均圖像尺寸及標準差將所述待處理之醫學影像之尺寸統一調整至平均圖像尺寸，再根據平均圖像尺寸與標準圖像格式對應之尺寸之間之比例對所述待處理之醫學影像進行縮放，以批量獲取標準格式之醫學影像(即所述標準格式圖像)。可以理解，於其中一個實施例中，所述標準格式圖像之格式可以為1024*1024畫素。
於本申請實施例中，所述均值計算模組300用於根據所述標準格式影像處理所述初始肺炎區域之邊框尺寸，以獲取標準格式之肺炎區域邊框尺寸。於本身實施例中，所述均值計算模組300可以使用K均值聚類演算法或其他類似演算法，於此不作具體限定。示例之，K均值計算(K-means)是一種基於無監督之劃分聚類演算法。當所述均值計算模組300使用K均值聚類演算法時，所述K均值計算可以用於根據所述初始肺炎區域之邊框尺寸計算及篩選適合於所述標準格式圖像尺寸之肺炎區域邊框尺寸。
於本申請實施例中，所述肺炎區域之邊框尺寸可以由肺炎區域錨點尺寸*縮放比例計算得出。其中，所述肺炎區域錨點為待處理之醫學影像中可以用於判斷肺炎區域之圖像區域。由於待處理之醫學影像之大小可能不相同，因此於計算所述肺炎區域邊框尺寸之時候，需要將所述肺炎區域錨點與縮放比例相乘，以換算得出所述肺炎區域錨點於標準格式圖像下之尺寸。
於本申請實施例中，所述肺炎區域錨點之形狀可以是規則之幾何圖形，例如矩形、圓形、橢圓形等，亦可以是非規則之幾何圖形，本申請於此不做限制。
於本申請實施例中，所述肺炎區域檢測模型400用於根據所述標準格式圖像與所述標準格式肺炎區域邊框尺寸獲取輸出肺炎區域。
可以理解，肺炎區域檢測模型400可以為EfficientDet肺炎區域檢測模型。其中，EfficientNet是一種單級檢測框架之卷積神經網路。EfficientNet藉由一種新之模型縮放方法，使用一個複合係數來從深度(depth)，寬度(width)，畫素(resolution)三個維度放大網路，再基於神經結構搜索技術可以獲得更優之一組複合係數，包括更寬(wider)、更深(deeper)、以及畫素更高(higher resolution)。
可以理解，EfficientDet構建於EfficientNet之上，對EfficientNet網路進行模型縮放，並藉由結合雙向特徵金字塔網路(BiFPN)實現對肺炎區域檢測之優化。EfficientDet模型可以根據計算速度與計算精度分為EfficientDet D1至EfficientDet D7。隨著模型之型號數位增大，計算速度逐漸變慢，然精度亦逐漸提高。例如，與EfficientDet D1相比，EfficientDet D7之計算速度逐漸變慢，然精度亦逐漸提高。可以理解的是，本申請實施例中使用的是EfficientDet D4模型，用以兼顧或平衡EfficientDet之計算速度與精度。
可以理解，以往之特徵金字塔網路神經網路中，特徵融合是藉由簡單相加來融合，意味著每個特徵圖之權重相等。然而不同之特徵對結果之貢獻不同，因此BiFPN層引入一個可學習之權重衰減(weight decay)，藉由AdamW學習效率優化器將權重衰減與整體權重一起計算，以學習不同輸入特徵之重要性，同時反復應用自上向下與自下而上之多尺度特徵融合。因此，於本申請實施例中，肺炎區域檢測模型400還可使用所述AdamW學習效率優化器，以提高肺炎區域檢測模型400之收斂程度。於本申請實施例中，權重衰減可以設置為0.1。
於本申請實施例中，所述肺炎區域檢測模型400還用以使用focal loss函數來區分所述標準格式圖像中之背景與肺炎區域。可以理解的是，使用focal loss函數可以提高所述肺炎區域檢測系統10之學習效率。
於本申請實施例中，若所述標準格式圖像中不存於肺炎區域，則所述肺炎區域檢測系統10可直接輸出所述標準格式圖像。
圖2系本申請另一實施例提供之肺炎區域檢測系統10a之模組示意圖。其中，如圖2所示，所述肺炎區域檢測系統10a包括訊息獲取模組100、圖像預處理模組200、均值計算模組300、肺炎區域檢測模型400。可以理解，圖2所示之肺炎區域檢測系統10a與圖1所示之肺炎區域檢測系統10之區別於，肺炎區域檢測系統10a還包括模型驗證模組500。所述模型驗證模組500連接所述肺炎區域檢測模型400。
於本申請實施例中，所述模型驗證模組500用於獲取標準肺炎區域並驗證所述輸出肺炎區域與所述標準肺炎區域之重疊度(Intersection over Union，IOU)。其中，若所述輸出肺炎區域與所述標準肺炎區域之重疊度大於預設值(例如0.5)，則輸出所述輸出肺炎區域，並將所述肺炎區域記為真值。若所述輸出肺炎區域與所述標準肺炎區域之重疊度小於所述預設值，則不輸出所述輸出肺炎區域，並將所述肺炎區域記為假值。
於本申請實施例中，可以使用召回率(mAP)來計算所述肺炎區域檢測系統10a輸出肺炎區域與標準肺炎區域之重疊度(IOU)，以驗證所述肺炎區域檢測模型400之輸出結果是否滿足訓練需求。
可以理解的是，於使用召回率(mAP)計算IOU時，可以篩選IOU為0.5至0.95，步進0.05之數值進行計算。其中，召回率(mAP)可由公式(1)計算獲得。
其中，參數
為IOU閾值。
於本申請實施例中，還可以使用敏感度(sensitivity)來驗證所述肺炎區域檢測系統10是否能正確檢驗出所述標準格式圖像中是否存於肺炎區域。
於本申請實施例中，所述肺炎區域檢測模型400還用於根據所述模型驗證模組500輸出之mAP與sensitivity等參數判斷是否需要繼續進行訓練。
可以理解的是，於進行圖像目標檢測時，常採用影像翻轉、平移等方式來擴充訓練集，而對影像翻轉、平移等方式會增加模型訓練時之網路需求資源，且對於肺炎區域識別之效果有限。因此，於本申請實施例中，所述肺炎區域檢測系統10於所述肺炎區域檢測模型400訓練時，是藉由選擇合適之肺炎區域錨點及尺寸，而非增加訓練集，因此能夠準確之辨別肺炎區域。
可以理解的是，於本申請實施例中，所述肺炎區域檢測模型400於訓練時，可將所述肺炎區域檢測模型400之學習率衰減(learning rate decay)設置為1000(即每反覆運算1000次衰減一次)，將單次訓練所選取之樣本數(batch size)設置為8，將所有樣本訓練之次數(epoch)設置為300。可以理解，當所述肺炎區域檢測模型400設置如上述所述參數時，所述肺炎區域檢測模型400輸出之肺炎區域mAP為54.3%，sensitivity為63%。即，可以準確識別肺炎區域，降低後期辨別時之工作量。
於本申請實施例中，所述肺炎區域檢測系統10/10a可以根據K均值聚類演算法將不同規格之醫學影像做歸一化處理，以得到標準格式之醫學影像。將所述標準格式之醫學影像輸入EfficientDet模型，以診斷所述醫學影像中是否存於肺炎區域。可以理解的是，由於已經對輸入所述EfficientDet模型之醫學影像做了歸一化處理，因此所述EfficientDet模型無需對影像之規格進行處理，僅需進行肺炎區域錨點與邊框之選擇，提高了肺炎區域檢測系統10/10a之檢測效率，並降低了於計算時對於計算資源之需求。
圖3是本申請一實施例提供之肺炎區域檢測方法之流程示意圖。所述肺炎區域檢測方法應用於肺炎區域檢測系統10/10a。所述肺炎區域檢測方法至少包括以下步驟:
S100:獲取待處理醫學影像。
於本申請實施例中，可藉由所述訊息獲取模組100獲取待處理醫學影像。其中，所述訊息獲取模組100之功能及作用可參考圖1及圖2所示所述訊息獲取模組100之描述，於此不再贅述。
S200:藉由預設之圖像預處理方法處理所述待處理之醫學影像以獲取標準格式圖像。
於本申請實施例中，可以藉由所述圖像預處理模組200以及預設之圖像預處理方法處理所述待處理醫學影像以獲取標準格式圖像。其中，所述圖像預處理模組200之功能及作用可參考圖1及圖2所示所述圖像預處理模組200之描述，於此不再贅述。
於本申請實施例中，所述圖像預處理方法包括:計算所述待處理醫學影像之尺寸平均值及標準差；根據所述待處理醫學影像之尺寸平均值及標準差輸出標準格式圖像。於其中一個實施例中，所述標準格式圖像之格式可以為1024*1024畫素。
S300:獲取初始肺炎區域之邊框尺寸。
於本申請實施例中，可以藉由所述訊息獲取模組100獲取初始肺炎區域bbox尺寸。所述初始肺炎區域邊框尺寸可以根據所述待處理醫學影像之圖像大小進行設置。可以理解的是，所述初始肺炎區域邊框尺寸小於所述待處理醫學影像之圖像大小。其中，所述訊息獲取模組100之功能及作用可參考圖1及圖2所示所述訊息獲取模組100之描述，於此不再贅述。
S400:藉由預設演算法與所述標準格式影像處理所述初始肺炎區域之邊框尺寸以獲取標準格式肺炎區域之邊框尺寸。
於本申請實施例中，可以藉由所述均值計算模組300中預設之K均值聚類演算法與所述標準格式影像處理所述初始肺炎區域邊框尺寸以獲取標準格式肺炎區域邊框尺寸。其中，均值計算模組300之功能及作用可參考圖1及圖2所示均值計算模組300之描述，於此不再贅述。
於本申請實施例中，所述藉由K均值聚類演算法與所述標準格式影像處理所述初始肺炎區域邊框尺寸以獲取標準格式肺炎區域邊框尺寸包括:對所述標準格式圖像進行特徵提取，以獲取所述標準格式圖像之肺炎區域特徵；藉由所述標準格式肺炎區域邊框尺寸與所述標準格式圖像之肺炎區域特徵獲取所述輸出肺炎區域。
S500:輸入所述標準格式圖像與所述標準格式之肺炎區域邊框尺寸至肺炎區域檢測模型以獲取輸出肺炎區域。
於本申請實施例中，可以藉由所述肺炎區域檢測模型400以及所述標準格式圖像與所述標準格式肺炎區域邊框尺寸獲取輸出肺炎區域。其中，肺炎區域檢測模型400之功能及作用可參考圖1及圖2所示肺炎區域檢測模型400之描述，於此不再贅述。
於本申請實施例中，所述方法還包括藉由類別權重係數與FocalLoss損失函數優化所述肺炎區域檢測模型400。
於本申請實施例中，可以使用所述模型驗證模組500獲取標準肺炎區域；驗證所述輸出肺炎區域與所述標準肺炎區域，以獲取所述輸出肺炎區域與所述標準肺炎區域之重疊度；若所述重疊度大於0.5，則輸出所述輸出肺炎區域。其中，所述模型驗證模組500之功能及作用可參考圖1及圖2所示模型驗證模組500之描述，於此不再贅述。
上面結合附圖對本申請實施例作了詳細說明，但本申請不限於上述實施例，於所屬技術領域普通技術人員所具備之知識範圍內，還可以於不脫離本申請宗旨之前提下做出各種變化。此外，於不衝突之情況下，本申請之實施例及實施例中之特徵可以相互組合。
10;10a:肺炎區域檢測系統
100:訊息獲取模組
200:圖像預處理模組
300:均值計算模組
400:肺炎區域檢測模型
500:模型驗證模組
S100-S500:步驟
圖1係肺炎區域檢測系統之示意圖。
圖2係肺炎區域檢測系統之示意圖。
圖3係生成肺炎區域檢測方法之流程圖。
無
10:肺炎區域檢測系統
100:訊息獲取模組
200:圖像預處理模組
300:均值計算模組
400:肺炎區域檢測模型
Claims (10)
- 一種肺炎區域檢測方法，其改良在於，所述方法包括: 獲取待處理之醫學影像； 藉由預設之圖像預處理方法處理所述待處理之醫學影像，以獲取標準格式圖像； 獲取初始肺炎區域之邊框尺寸； 藉由預設演算法與所述標準格式影像處理所述初始肺炎區域之邊框尺寸，以獲取標準格式之肺炎區域之邊框尺寸； 輸入所述標準格式圖像與所述標準格式之肺炎區域之邊框尺寸至肺炎區域檢測模型，以獲取輸出肺炎區域。
- 如請求項1所述之肺炎區域檢測方法，其中，所述圖像預處理方法包括: 計算所述待處理之醫學影像之尺寸平均值及標準差； 根據所述待處理之醫學影像之尺寸平均值及標準差輸出所述標準格式圖像，所述標準格式圖像之格式為1024*1024畫素。
- 如請求項1所述之肺炎區域檢測方法，其中，所述輸入所述標準格式圖像與所述標準格式之肺炎區域之邊框尺寸至肺炎區域檢測模型，以獲取輸出肺炎區域包括: 對所述標準格式圖像進行特徵提取，以獲取所述標準格式圖像之肺炎區域特徵； 藉由所述標準格式之肺炎區域之邊框尺寸與所述標準格式圖像之肺炎區域特徵獲取所述輸出肺炎區域。
- 如請求項3所述之肺炎區域檢測方法，其中，所述方法還包括:藉由類別權重係數與FocalLoss損失函數優化所述肺炎區域檢測模型。
- 如請求項1所述之肺炎區域檢測方法，其中，所述方法還包括: 獲取標準肺炎區域； 驗證所述輸出肺炎區域與所述標準肺炎區域，以獲取所述輸出肺炎區域與所述標準肺炎區域之重疊度； 若所述重疊度大於預設值，則輸出所述輸出肺炎區域。
- 一種肺炎區域檢測系統，其改良在於，所述系統包括: 訊息獲取模組，用於獲取待處理之醫學影像與初始肺炎區域之邊框尺寸； 圖像預處理模組，連接所述訊息獲取模組，用於藉由預設之圖像預處理方法處理所述待處理醫學影像以獲取標準格式圖像； 均值計算模組，連接所述圖像預處理模組與所述訊息獲取模組，藉由預設之圖像預處理方法處理所述待處理之醫學影像，以獲取標準格式圖像； 肺炎區域檢測模型，連接所述訊息獲取模組與均值計算模組，用於根據所述標準格式圖像與所述標準格式肺炎區域邊框尺寸獲取輸出肺炎區域。
- 如請求項6所述之肺炎區域檢測系統，其中，所述圖像預處理模組用於: 計算所述待處理之醫學影像之尺寸平均值及標準差； 根據所述待處理之醫學影像之尺寸平均值及標準差輸出所述標準格式圖像，所述標準格式圖像之格式為1024*1024畫素。
- 如請求項6所述之肺炎區域檢測系統，其中，所述肺炎區域檢測模型用於: 對所述標準格式圖像進行特徵提取，以獲取所述標準格式圖像之肺炎區域特徵； 藉由所述標準格式之肺炎區域之邊框尺寸與所述標準格式圖像之肺炎區域特徵獲取所述輸出肺炎區域。
- 如請求項8所述之肺炎區域檢測系統，其中，所述均值計算模組還用於: 藉由類別權重係數與FocalLoss損失函數優化所述肺炎區域檢測模型。
- 如請求項6所述之肺炎區域檢測系統，其中，所述系統還包括模型驗證模組； 所述模型驗證模組連接所述肺炎區域檢測模型，用於獲取標準肺炎區域；驗證所述輸出肺炎區域與所述標準肺炎區域，以獲取所述輸出肺炎區域與所述標準肺炎區域之重疊度；若所述重疊度大於預設值，則輸出所述輸出肺炎區域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110122494A TWI778670B (zh) | 2021-06-18 | 2021-06-18 | 肺炎區域檢測方法及系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110122494A TWI778670B (zh) | 2021-06-18 | 2021-06-18 | 肺炎區域檢測方法及系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI778670B TWI778670B (zh) | 2022-09-21 |
| TW202301370A true TW202301370A (zh) | 2023-01-01 |
Family
ID=84958150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110122494A TWI778670B (zh) | 2021-06-18 | 2021-06-18 | 肺炎區域檢測方法及系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI778670B (zh) |
-
2021
- 2021-06-18 TW TW110122494A patent/TWI778670B/zh active
Also Published As
| Publication number | Publication date |
|---|---|
| TWI778670B (zh) | 2022-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12051199B2 (en) | Image processing method and apparatus, server, medical image processing device and storage medium | |
| CN111259982B (zh) | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 | |
| Jiang et al. | An automatic detection system of lung nodule based on multigroup patch-based deep learning network | |
| WO2022063199A1 (zh) | 一种肺结节自动检测方法、装置及计算机系统 | |
| WO2021017372A1 (zh) | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 | |
| WO2018120942A1 (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 | |
| CN113744183B (zh) | 肺结节检测方法及系统 | |
| CN110164550B (zh) | 一种基于多视角协同关系的先天性心脏病辅助诊断方法 | |
| US20230154006A1 (en) | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis | |
| Liu et al. | Joint optic disc and cup segmentation based on densely connected depthwise separable convolution deep network | |
| CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
| CN111553892A (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| Wang et al. | Quadruple augmented pyramid network for multi-class COVID-19 segmentation via CT | |
| JP2023516651A (ja) | 訓練データにおける欠落したアノテーションに対処するためのクラス別損失関数 | |
| US12026877B2 (en) | Device and method for pneumonia detection based on deep learning | |
| CN116091490A (zh) | 一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检测方法 | |
| CN117649400B (zh) | 一种异常检测框架下的影像组学分析方法及系统 | |
| Kamil et al. | Segmentation of chest X-ray images using U-Net model | |
| Yumeng et al. | Pneumonia Detection in chest X-rays: A deep learning approach based on ensemble RetinaNet and Mask R-CNN | |
| CN113284613A (zh) | 一种基于深度学习的人脸诊断系统 | |
| CN110910366B (zh) | 基于3d cam的大脑核磁共振异常图像的可视化方法 | |
| Liu et al. | Direct detection and measurement of nuchal translucency with neural networks from ultrasound images | |
| US12026879B2 (en) | Method for detecting the presence of pneumonia area in medical images of patients, detecting system, and electronic device employing method | |
| TWI778670B (zh) | 肺炎區域檢測方法及系統 | |
| CN113744201B (zh) | Ct切片图像的处理方法、装置、设备和ct扫描仪 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GD4A | Issue of patent certificate for granted invention patent |