CN106971198A - 一种基于深度学习的尘肺病等级判定方法及*** - Google Patents
一种基于深度学习的尘肺病等级判定方法及*** Download PDFInfo
- Publication number
- CN106971198A CN106971198A CN201710123839.8A CN201710123839A CN106971198A CN 106971198 A CN106971198 A CN 106971198A CN 201710123839 A CN201710123839 A CN 201710123839A CN 106971198 A CN106971198 A CN 106971198A
- Authority
- CN
- China
- Prior art keywords
- pneumoconiosis
- grade
- convolutional neural
- medical image
- neural networks
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习的尘肺病等级判定方法,所述方法对尘肺胸片的医学影像进行分类及图像增强预处理,之后通过卷积神经网络的深度学习方法对大批量的尘肺病进行分类判定,最终利用得到的尘肺病等级判断模型实现对待判断尘肺病医学影像的判断。本发明具有可以快速、准确、高效进行尘肺病等级判断的有益效果。
Description
技术领域
本发明涉及情报分析技术领域,更具体地,涉及一种基于深度学习的尘肺病等级判定方法。
背景技术
尘肺病的规范名称是尘肺埃沉着病,该病是由于在职业活动中长期吸入生产性粉尘,并在肺内而引起的以肺组织弥漫性纤维化为主的全身性疾病。尘肺病按其吸入粉尘的种类不同,可分为无机尘肺和有机尘肺。在生产劳动中吸入无机粉尘所致的尘肺,称为无机尘肺。尘肺大部分为无机尘肺。吸入有机粉尘所致的尘肺称为有机尘肺,如棉尘肺、农民肺等。
目前,由于尘肺病体检过程复杂且对象群体庞大,致使有关政府、企业及医疗机构都要花费大量的人力、物力、和财力用于职工的尘肺病体检。于是,越来越多的科研开始着力于研究利用人工智能算法,利用计算机去辅助医生解决尘肺病等级准确判断的问题。对于尘肺病等级的判断大多基于DR设备拍摄的X光影像进行判断,但由于X光影像中阴影密度不均,使用传统的基于纹理或形状特征的方法不能够很好的表达特征字典,最终并不能快速准确判断尘肺病等级。
近年来,随着计算机硬件技术的发展,深度学习越来越备受瞩目与关注。面临大数据时代的来临,越来越多的精准医疗项目迫切需要深度学习去替代旧的语义特征识别方法,去解决各种医学影像识别与诊断问题。在未来互联网推动下,医疗行业数据将呈现***性趋势。
现有技术中,在计算机应用与软件期刊的“灰度共生矩阵在尘肺阴影密集度判读中的应用”中提供了一种基于灰度共生矩阵的方法产生四个特征值,从而对尘肺胸片的纹理特征进行有效的描述,并通过BP神经网络进行分类,从而实现对尘肺病比较有效的判读。
上述现有技术中所记载的技术方案虽然一定程度上解决了尘肺病等级的判断,但是也存在一定的技术缺陷:1、尘肺病医学影像的样本量比较少,不利于准确判定方法的有效性;2、所利用的特征方法比较单一,无法避免人为选择特征的不完备性。
发明内容
本发明为克服上述问题或者至少部分地解决上述问题,提供一种基于深度学习的尘肺病等级判定方法及***,对尘肺病医学影像进行图像增强预处理后,通过卷积神经网络的深度学习方法对大批量的尘肺病进行等级判断。
根据本发明的一个方面,提供一种基于深度学习的尘肺病等级判定方法,包括:
步骤1,基于尘肺病医学影像的等级分类样本,利用卷积神经网络模型训练获得尘肺病等级判断模型;
步骤2,将所述待判断尘肺病医学影像作为输入,利用所述尘肺病等级判断模型进行判断,获得所述待判断尘肺病的等级。
本申请提出一种基于深度学习的尘肺病等级判定方法,所述方法对尘肺胸片的医学影像进行分类及图像增强预处理,之后通过卷积神经网络的深度学习方法对大批量的尘肺病进行分类判定,最终利用得到的尘肺病等级判断模型实现对待判断尘肺病医学影像的判断。本发明具有可以快速、准确、高效进行尘肺病等级判断的有益效果。
附图说明
图1为根据本发明实施例一种基于深度学习的尘肺病等级判定方法的整体流程示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明与一般的大数据基于语义特征等机器学习的技术方案不同,将应用最新的深度学习技术,结合医疗影像大数据进行尘肺病的诊断,推动精准医疗的建设。
本研究通过卷积神经网络深度学习模型的方法,对尘肺病患者肺部医学影像(例如X光片等)进行人工智能诊断。
如图1,示出本发明一个具体实施例中一种基于深度学习的尘肺病等级判定方法。总体上,包括:步骤1,基于尘肺病医学影像的等级分类样本,利用卷积神经网络模型训练获得尘肺病等级判断模型;步骤2,将所述待判断尘肺病医学影像作为输入,利用所述尘肺病等级判断模型进行判断,获得所述待判断尘肺病的等级。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,所述步骤1前还包括:步骤0,对尘肺病医学影像的等级分类样本进行灰度变换及图像增强处理;并将处理后的尘肺医学影像转化为矩阵的形式并进行保存。本具体实施例中,对图像进行灰度变换及图像增强处理,能够使得患病医学影像中尘肺胸片骨骼与肺叶区的轮廓更加明显,更加清晰,从而便于之后的特征采集;本具体实施例的降采样处理将图片信息转化为卷积神经网络模型可以直接作为训练输入的矩阵形式,便于卷积神经网络快速读取。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,所述步骤0前还包括:对尘肺病医学影像按照尘肺病患病等级进行分类。本具体实施例中,可以将大批量的已患病的肺部医学影像,按照尘肺病等级进行分类。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,所述对尘肺病医学影像按照尘肺病患病等级进行分类的分类标准为新GBZ 70-2015职业性尘肺病的诊断的标准进行判定,其中患病种类分类3类,分别为:一期,二期,三期。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,所述步骤1进一步包括:设置卷积神经网络,设置学习率、输入医学影像的大小。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,所述步骤1进一步包括:将所述卷积神经网络模型的参数存储于参数服务器中;利用卷积神经网络模型训练的过程在训练服务器中进行;基于所述训练服务器将训练中得到的梯度,对应修改所述参数服务器中卷积神经网络模型的参数。将所述卷积神经网络模型的参数存储于参数服务器中;利用卷积神经网络模型训练的过程在训练服务器中进行;上述训练任务采用分布式并行计算,即使数据量过大,训练速度及稳定性也能够大大提高。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,所述步骤1进一步包括:利用10折交叉法进行卷积神经网络模型的训练;基于算法的敏感度和特异性,绘制ROC曲线图;选取ROC曲线面积最大所对应的模型,作为尘肺病等级判断模型。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,所述步骤0进一步包括:
S01,利用高斯金字塔方法对尘肺病医学影像的等级分类样本进行灰度变换及图像增强处理;
S02,将处理后的尘肺医学影像进行降采样处理;
S03,将处理后的尘肺医学影像转化为矩阵的形式并按照尘肺病等级进行保存。
上述本发明具体实施例提到的高斯金字塔(英文:GaussianPyramid)为在图像处理、计算机视觉、信号处理上所使用的一项技术。高斯金字塔本质上为信号的多尺度表示法,亦即将同一信号或图片多次的进行高斯模糊,并且向下取样,藉以产生不同尺度下的多组信号或图片以进行后续的处理,例如在影像辨识上,可以借由比对不同尺度下的图片,以防止要寻找的内容可能在图片上有不同的大小。高斯金字塔的理论基础为尺度空间理论,而后续也衍生出了多分辨率分析。
上述本发明具体实施例提到的降采样是降低特定信号的采样率的过程,通常用于降低数据传输速率或者数据大小。降采样是降低特定信号的采样率的过程,通常用于降低数据传输速率或者数据大小。降采样因子(常用表示符号为M)一般是大于1的整数或有理数。这个因子表达了采样周期变成原来的几倍大,或者等价地表示采样率变成原来的几分之一。由于降采样降低了采样率,因此需要保证在新的较低的采样率下奈奎斯特采样定理仍然成立。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,所述卷积神经网络模型为:ResNet深度学习模型和Inception深度学习模型。本发明不限于使用上述神经网络模型。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,所述卷积神经网络模型的激活函数为ReLu函数。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,所述激活函数ReLu函数公式如下:f(x)=max(0,x)
也可以调整公式如下:
其中x为输入值,同时为卷积神经网络添加dropout层,可有效防止过拟合的发生。在训练过程中,在ImageNet集的训练模型基础上进行迁移学习,有效提高卷积神经网络的收敛速度。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,所述步骤利用卷积神经网络模型训练获得尘肺病等级判断模型进一步包括:
卷积神经网络包括四种层,分别为:输入层、卷积层、降采样层和输出层;
所述输入层需用于处理预处理后的尘肺医学影像,将三通道设置为1;
所述卷积层为CNNs的特征提取层,一个卷积层只用来提取上一层中的特征,被一个可学习的卷积核进行卷积,然后通过一个激活函数,就可以得到输出特征,特征为:
其中,表示为肺部胸片输入第l层第j个输出特征矩阵所对应的多个输入特征矩阵的集合,其中表示M中输入的各种特征矩阵的偏置项,表示卷积核;
所述降采样层:降采样方法选择最大池降采样方法;
所述输出层:最终提取卷积神经网络的最后一层,放入分类器内进行分类,分类器为softmax。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,所述步骤利用10折交叉法进行卷积神经网络模型的训练进一步包括:利用10折交叉法进行卷积神经网络模型的训练,其中训练集、验证集和测试集比例为8:1:1,尘肺病每个等级的影像样本数量相等。
在本发明另一个具体实施例中,一种基于深度学习的尘肺病等级判定方法,包括以下步骤:
数据收集和尘肺胸片预处理:首先,对大数据量的胸片进行标注判定;对尘肺胸片通过高斯金字塔的方法进行灰度变换及图像增强处理,从而使尘肺胸片骨骼与肺叶区的轮廓更加明显,更加清晰;之后,将这些胸片进行256*256的降采样,以矩阵形式按照正常、一期、二期、三期存储为lmdb、或protobuf数据库,便于提供读取速度。
模型详细设计:设计卷积神经网络,调整学习率、图像输入大小等参数。考虑到算法的高效性及精度的稳定性,图像不宜过大或过小。本方法采用ResNet和Inception进行训练,并将训练模型的学习率设置为0.0001,选择激活函数为ReLu,公式如下:
f(x)=max(0,x)
也可以调整公式如下:
其中x为输入值,同时为卷积神经网络添加dropout层,可有效防止过拟合的发生。在训练过程中,在ImageNet集的训练模型基础上进行迁移学习,有效提高卷积神经网络的收敛速度。
本方法将多个任务分布在不同的配有GPU的机器上用于分布式并行计算。这些机器分为两类,一类为参数服务器(Parameter Server,ps),用于存储计算模型参数,另一类用于计算损失方程的梯度。将计算得到的梯度,返回到参数服务器中,并对相应的模型参数进行更新。
基于ROC曲线选取合适模型:通过10折交叉法进行训练,训练集、验证集及测试集比例按照8:1:1进行测试,其中尘肺每个等级的图像数量必须均等。并根据算法的敏感度和特异性,画质ROC曲线图。通过10折交叉法验证后,选取ROC曲线面积最大所对应的模型,作为该方法的尘肺病分期判读模型。
本发明具有以下有益效果:1.通过深度学习方法,避免人为选择特征的不完备性,提高尘肺胸片的识别精度,辅助医生判读。2.通过图像增强的方法,提高训练图像的网络,提高收敛速度。3.通过分布式并行计算的方法,提高本发明算法的速度及稳定性。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。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 (10)
1.一种尘肺病等级判定方法,其特征在于,包括:
步骤1,基于尘肺病医学影像的等级分类样本,利用卷积神经网络模型训练获得尘肺病等级判断模型;
步骤2,将所述待判断尘肺病医学影像作为输入,利用所述尘肺病等级判断模型进行判断,获得所述待判断尘肺病的等级。
2.如权利要求1所述的方法,所述步骤1前还包括:
步骤0,对尘肺病医学影像的等级分类样本进行灰度变换及图像增强处理;将处理后的尘肺医学影像进行降采样处理,并将处理后的尘肺医学影像转化为矩阵的形式并进行保存。
3.如权利要求1所述的方法,其特征在于,所述步骤0前还包括:对尘肺病医学影像按照尘肺病患病等级进行分类。
4.如权利要求1所述的方法,其特征在于,所述步骤1进一步包括:设置卷积神经网络,设置学习率、输入医学影像的大小。
5.如权利要求1所述的方法,其特征在于,所述步骤1进一步包括:将所述卷积神经网络模型的参数存储于参数服务器中;利用卷积神经网络模型训练的过程在训练服务器中进行;基于所述训练服务器将训练中得到的梯度,对应修改所述参数服务器中卷积神经网络模型的参数。
6.如权利要求1所述的方法,其特征在于,所述步骤1进一步包括:利用10折交叉法进行卷积神经网络模型的训练;基于算法的敏感度和特异性,绘制ROC曲线图;选取ROC曲线面积最大所对应的模型,作为尘肺病等级判断模型。
7.如权利要求2所述的方法,其特征在于,所述步骤0进一步包括:
S01,利用高斯金字塔方法对尘肺病医学影像的等级分类样本进行灰度变换及图像增强处理;
S02,将处理后的尘肺医学影像进行降采样处理;
S03,将处理后的尘肺医学影像转化为矩阵的形式并按照尘肺病等级进行保存。
8.如权利要求1所述的方法,其特征在于,所述卷积神经网络模型为:ResNet深度学习模型和Inception深度学习模型。
9.如权利要求2所述的方法,其特征在于,所述步骤利用卷积神经网络模型训练获得尘肺病等级判断模型进一步包括:
卷积神经网络包括四种层,分别为:输入层、卷积层、降采样层和输出层;
所述输入层需用于处理预处理后的尘肺医学影像,将三通道设置为1;
所述卷积层为CNNs的特征提取层,一个卷积层只用来提取上一层中的特征,被一个可学习的卷积核进行卷积,然后通过一个激活函数,就可以得到输出特征,特征为:
其中,表示为肺部胸片输入第l层第j个输出特征矩阵所对应的多个输入特征矩阵的集合,其中表示M中输入的各种特征矩阵的偏置项,表示卷积核;
所述降采样层:降采样方法选择最大池降采样方法;
所述输出层:最终提取卷积神经网络的最后一层,放入分类器内进行分类,分类器为softmax。
10.如权利要求6所述的方法,其特征在于,所述步骤利用10折交叉法进行卷积神经网络模型的训练进一步包括:利用10折交叉法进行卷积神经网络模型的训练,其中训练集、验证集和测试集比例为8:1:1,尘肺病每个等级的影像样本数量相等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710123839.8A CN106971198A (zh) | 2017-03-03 | 2017-03-03 | 一种基于深度学习的尘肺病等级判定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710123839.8A CN106971198A (zh) | 2017-03-03 | 2017-03-03 | 一种基于深度学习的尘肺病等级判定方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106971198A true CN106971198A (zh) | 2017-07-21 |
Family
ID=59330127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710123839.8A Pending CN106971198A (zh) | 2017-03-03 | 2017-03-03 | 一种基于深度学习的尘肺病等级判定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971198A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022647A (zh) * | 2017-11-30 | 2018-05-11 | 东北大学 | 基于ResNet-Inception模型的肺结节良恶性预测方法 |
CN108399616A (zh) * | 2018-02-11 | 2018-08-14 | 西安理工大学 | 基于深度残差网络的骨科病病变分类分级方法 |
CN108428229A (zh) * | 2018-03-14 | 2018-08-21 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
CN108510489A (zh) * | 2018-03-30 | 2018-09-07 | 四川元匠科技有限公司 | 一种基于深度学习的尘肺检测方法与*** |
CN109902818A (zh) * | 2019-01-15 | 2019-06-18 | 中国科学院信息工程研究所 | 一种面向深度学习训练任务的分布式加速方法及*** |
CN110009629A (zh) * | 2019-04-12 | 2019-07-12 | 北京天明创新数据科技有限公司 | 一种尘肺病筛查***及其数据训练方法 |
CN110428896A (zh) * | 2019-04-22 | 2019-11-08 | 应急总医院 | 职业性尘肺病辅助筛查智能模型 |
CN110680326A (zh) * | 2019-10-11 | 2020-01-14 | 北京大学第三医院(北京大学第三临床医学院) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 |
CN110852350A (zh) * | 2019-10-21 | 2020-02-28 | 北京航空航天大学 | 一种基于多尺度迁移学习的肺结节良恶性分类方法和*** |
CN110889847A (zh) * | 2019-12-10 | 2020-03-17 | 苏州大学 | 一种基于红外成像的核辐射损伤评估***、方法 |
CN111275121A (zh) * | 2020-01-23 | 2020-06-12 | 北京百度网讯科技有限公司 | 一种医学影像处理方法、装置和电子设备 |
CN111524579A (zh) * | 2020-04-27 | 2020-08-11 | 北京百度网讯科技有限公司 | 肺功能曲线检测方法、装置、设备以及存储介质 |
CN113255889A (zh) * | 2021-05-26 | 2021-08-13 | 安徽理工大学 | 一种基于深度学习的职业性尘肺病多模态分析方法 |
WO2022000360A1 (zh) * | 2020-07-01 | 2022-01-06 | 深圳市职业病防治院 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886318A (zh) * | 2014-03-31 | 2014-06-25 | 武汉天仁影像科技有限公司 | 尘肺病大体成像中病灶区域的提取与分析方法 |
CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务*** |
-
2017
- 2017-03-03 CN CN201710123839.8A patent/CN106971198A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886318A (zh) * | 2014-03-31 | 2014-06-25 | 武汉天仁影像科技有限公司 | 尘肺病大体成像中病灶区域的提取与分析方法 |
CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务*** |
Non-Patent Citations (2)
Title |
---|
EIICHIRO OKUMURA 等: "Computerized Classification of Pneumoconiosis on Digital Chest Radiography Artificial Neural Network with Three Stages", 《JOURNAL OF DIGITAL IMAGING》 * |
MARIOS ANTHIMOPOULOS 等: "Lung Pattern Classification for Interstitial Lung Diseases Using a Deep Convolutional Neural Network", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022647B (zh) * | 2017-11-30 | 2022-01-25 | 东北大学 | 基于ResNet-Inception模型的肺结节良恶性预测方法 |
CN108022647A (zh) * | 2017-11-30 | 2018-05-11 | 东北大学 | 基于ResNet-Inception模型的肺结节良恶性预测方法 |
CN108399616A (zh) * | 2018-02-11 | 2018-08-14 | 西安理工大学 | 基于深度残差网络的骨科病病变分类分级方法 |
CN108399616B (zh) * | 2018-02-11 | 2021-11-16 | 西安理工大学 | 基于深度残差网络的骨科病病变分类分级方法 |
CN108428229B (zh) * | 2018-03-14 | 2020-06-16 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
CN108428229A (zh) * | 2018-03-14 | 2018-08-21 | 大连理工大学 | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 |
CN108510489A (zh) * | 2018-03-30 | 2018-09-07 | 四川元匠科技有限公司 | 一种基于深度学习的尘肺检测方法与*** |
CN108510489B (zh) * | 2018-03-30 | 2021-08-03 | 四川元匠科技有限公司 | 一种基于深度学习的尘肺检测方法与*** |
CN109902818A (zh) * | 2019-01-15 | 2019-06-18 | 中国科学院信息工程研究所 | 一种面向深度学习训练任务的分布式加速方法及*** |
CN109902818B (zh) * | 2019-01-15 | 2021-05-25 | 中国科学院信息工程研究所 | 一种面向深度学习训练任务的分布式加速方法及*** |
CN110009629A (zh) * | 2019-04-12 | 2019-07-12 | 北京天明创新数据科技有限公司 | 一种尘肺病筛查***及其数据训练方法 |
CN110428896B (zh) * | 2019-04-22 | 2023-09-08 | 应急总医院 | 职业性尘肺病辅助筛查智能模型 |
CN110428896A (zh) * | 2019-04-22 | 2019-11-08 | 应急总医院 | 职业性尘肺病辅助筛查智能模型 |
CN110680326A (zh) * | 2019-10-11 | 2020-01-14 | 北京大学第三医院(北京大学第三临床医学院) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 |
CN110680326B (zh) * | 2019-10-11 | 2022-05-06 | 北京大学第三医院(北京大学第三临床医学院) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 |
CN110852350A (zh) * | 2019-10-21 | 2020-02-28 | 北京航空航天大学 | 一种基于多尺度迁移学习的肺结节良恶性分类方法和*** |
CN110889847A (zh) * | 2019-12-10 | 2020-03-17 | 苏州大学 | 一种基于红外成像的核辐射损伤评估***、方法 |
CN111275121A (zh) * | 2020-01-23 | 2020-06-12 | 北京百度网讯科技有限公司 | 一种医学影像处理方法、装置和电子设备 |
CN111275121B (zh) * | 2020-01-23 | 2023-07-18 | 北京康夫子健康技术有限公司 | 一种医学影像处理方法、装置和电子设备 |
CN111524579B (zh) * | 2020-04-27 | 2023-08-29 | 北京百度网讯科技有限公司 | 肺功能曲线检测方法、装置、设备以及存储介质 |
CN111524579A (zh) * | 2020-04-27 | 2020-08-11 | 北京百度网讯科技有限公司 | 肺功能曲线检测方法、装置、设备以及存储介质 |
WO2022000360A1 (zh) * | 2020-07-01 | 2022-01-06 | 深圳市职业病防治院 | 一种用于人工智能筛查尘肺病胸片遴选、标注及验证方法 |
CN113255889A (zh) * | 2021-05-26 | 2021-08-13 | 安徽理工大学 | 一种基于深度学习的职业性尘肺病多模态分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971198A (zh) | 一种基于深度学习的尘肺病等级判定方法及*** | |
Al-Haija et al. | Breast cancer diagnosis in histopathological images using ResNet-50 convolutional neural network | |
Jadhav et al. | Identification of plant diseases using convolutional neural networks | |
Kumar et al. | Resnet-based approach for detection and classification of plant leaf diseases | |
CN108648191B (zh) | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 | |
Buty et al. | Characterization of lung nodule malignancy using hybrid shape and appearance features | |
CN109800789A (zh) | 基于图网络的糖尿病视网膜病变分类方法及装置 | |
Reddy et al. | Resnet-based modified red deer optimization with DLCNN classifier for plant disease identification and classification | |
CN107437252A (zh) | 用于黄斑病变区域分割的分类模型构建方法和设备 | |
Skouta et al. | Automated binary classification of diabetic retinopathy by convolutional neural networks | |
Zhao et al. | Fine-grained diabetic wound depth and granulation tissue amount assessment using bilinear convolutional neural network | |
CN110717451A (zh) | 一种基于深度学习的药用植物叶部病害图像识别方法 | |
CN108664986A (zh) | 基于lp范数正则化的多任务学习图像分类方法及*** | |
CN107133626A (zh) | 一种基于部分平均随机优化模型的医学影像分类方法 | |
Elalfi et al. | Artificial neural networks in medical images for diagnosis heart valve diseases | |
Al-Haija et al. | Development of breast cancer detection model using transfer learning of residual neural network (resnet-50) | |
ter Haar Romeny | A deeper understanding of deep learning | |
He et al. | Midcn: A multiple instance deep convolutional network for image classification | |
Echaniz et al. | Ongoing work on deep learning for lung cancer prediction | |
Kapoor et al. | Lung Cancer Detection Using VGG16 and CNN | |
Bakkouri et al. | DermoNet: A computer-aided diagnosis system for dermoscopic disease recognition | |
Almola et al. | Citrus diseases recognition by using CNN | |
Pan et al. | BAW: learning from class imbalance and noisy labels with batch adaptation weighted loss | |
Hettiarachchi et al. | UrbanAgro: Utilizing advanced deep learning to support Sri Lankan urban farmers to detect and control common diseases in tomato plants | |
Sharma et al. | A Comprehensive Review on Automatic Detection and Early Prediction of Tomato Diseases and Pests Control Based on Leaf/Fruit Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170721 |