CN107871318A - 一种基于模型迁移的冠状动脉钙化斑块检测方法 - Google Patents
一种基于模型迁移的冠状动脉钙化斑块检测方法 Download PDFInfo
- Publication number
- CN107871318A CN107871318A CN201711134737.2A CN201711134737A CN107871318A CN 107871318 A CN107871318 A CN 107871318A CN 201711134737 A CN201711134737 A CN 201711134737A CN 107871318 A CN107871318 A CN 107871318A
- Authority
- CN
- China
- Prior art keywords
- image
- candidate
- calcified plaque
- plaque
- images
- 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.)
- Granted
Links
Classifications
-
- 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
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于模型迁移的冠状动脉钙化斑块检测方法,读取训练集中的冠状动脉CT图像,根据医学影像标准,提取所述冠状动脉CT图像中的候选钙化斑块,对所述候选钙化斑块图像进行数据增强操作,将数据增强后的候选钙化斑块图像输入到已通过自然图像训练完成的全卷积网络模型中进行训练,得到检测模型,读取测试集中冠状动脉CT图像,根据医学影像标准,提取测试集中冠状动脉CT图像中的候选钙化斑块,将候选钙化斑块图像作为检测模型的输入,端对端得到每个像素是否属于钙化斑块的检测结果。本发明根据卷积神经网络模型可以在不同领域间迁移的特点,使用少量的训练样本训练检测冠状动脉钙化斑块的模型。
Description
技术领域
本发明涉及人工智能与医学图像处理领域,特别涉及一种基于模型迁移的冠状动脉钙化斑块检测方法。
背景技术
冠心病在许多国家已经成为死亡原因的第一位。冠状动脉中的钙化斑块会造成冠脉血管狭窄,心肌缺氧,心脏舒缩功能下降,引发冠心病。因此,冠状动脉钙化斑块检测对于冠心病的预防有着至关重要的作用。
在传统的医学图像处理方法中,钙化斑块检测过程仍然需要人工介入,比如种子点或初始化区域的选取。
近年来,随着深度学习的发展,卷积神经网络已经在自然图像处理领域取得了空前的成果。但是,在医学图像领域,由于卷积神经网络的训练需要大量的有标记数据,而冠状动脉钙化斑块检测的专业性过强,只能通过专家来标记斑块,导致有标记的数据集规模不足以训练深度网络。
发明内容
本发明为了克服有标记的数据集规模过小的困难,将自然图像检测作为源域,冠状动脉钙化斑块检测作为目标域,提出一种基于模型迁移的冠状动脉钙化斑块检测方法。利用源域和目标域的参数共享模型,将利用自然图像训练完成的卷积神经网络的参数作为检测冠状动脉钙化斑块的卷积神经网络的初始化参数,减少训练深度卷积神经网络参数的计算量,用医学图像的小数据集训练深度卷积神经网络来检测冠状动脉图像中的钙化斑块。
本发明一种基于模型迁移的冠状动脉钙化斑块检测方法,主要包括以下步骤:
步骤1,读取训练集中的冠状动脉CT图像;
步骤2,根据医学影像标准,提取所述冠状动脉CT图像中的候选钙化斑块;
步骤3,对所述候选钙化斑块图像进行数据增强操作;
步骤4,将数据增强后的候选钙化斑块图像输入到已通过自然图像训练完成的全卷积网络模型中进行训练,得到检测模型;
步骤5,读取测试集中冠状动脉CT图像;
步骤6,根据医学影像标准,提取测试集中冠状动脉CT图像中的候选钙化斑块;
步骤7,将所述步骤6中得到的候选钙化斑块图像作为所述步骤4得到的检测模型的输入,端对端得到每个像素是否属于钙化斑块的检测结果。
本发明提供的一种基于模型迁移的冠状动脉钙化斑块检测方法,根据卷积神经网络模型可以在不同领域间迁移的特点,使用少量的训练样本训练检测冠状动脉钙化斑块的模型。
附图说明
图1是本发明提供的一种基于模型迁移的冠状动脉钙化斑块检测方法流程图。
具体实施方式
本发明的总体构思是,通过直接对病人的冠状动脉CT图像进行全自动分析,得到图像中的候选钙化斑块,然后通过深度学习中的模型迁移方法,利用经过自然图像训练的深度学习模型来训练冠状动脉钙化斑块的卷积神经网络模型,从而准确地预测冠状动脉医学图像中的钙化斑块。
下面结合附图对本发明实施例提供的一种基于模型迁移的冠状动脉钙化斑块的检测方法进行详细描述。
图1为本发明实施例提供的一种基于模型迁移的冠状动脉钙化斑块检测方法流程图。
步骤S101,读取训练集中的冠状动脉CT图像。
训练集中的冠状动脉CT图像的钙化斑块标记由医学专家完成。斑块的标记为像素级标记,若像素属于钙化斑块,则标记为TRUE,反之,则标记为FALSE。
在本实施例中,冠状动脉CT图像为DICOM序列切片文件。训练集中含有14558个DICOM文件,每张图像分辨率为512*512,像素间距为0.4mm。
步骤S102,根据医学影像标准,提取通过步骤S101读取的冠状动脉CT图像中的候选钙化斑块。
医学影像标准中,钙化斑块的定义为CT值超过130Hu并且面积不小于2mm2。
对冠状动脉CT图像使用阈值法筛选CT值超过130Hu的像素点。公式如下,
其中,C(x,y)为经阈值筛选后的二值图像,T(x,y)为训练集中的原始图像,t的值为130Hu。
提取C(x,y)中面积不小于2mm2的方法为连通分量标记,由于本实施例中图像的像素间距为0.4mm,所以提取包含20个像素以上的连通区域。在本实施例中,提取的大小超过20的连通区域数量为54168。
删除C(x,y)中包含像素小于20的连通区域,获得候选钙化斑块掩码图像M(x,y)。
利用掩码图像M(x,y)对原始图像T(x,y)进行非候选钙化斑块像素点的屏蔽处理,得到只包含候选钙化斑块的图像S(x,y),公式如下,
步骤S103,对步骤S102提取的候选钙化斑块图像S(x,y)进行数据增强操作。
将候选钙化斑块图像依次进行截取、水平与竖直翻转。
在本实施例中,每幅图像被随机截取10幅大小为224*224的图像,并水平与竖直翻转。经过数据增强后训练样本数量为436740。
增强的后候选钙化斑块图像指的是CT图像中仅存在候选钙化斑块部分,其他不属于候选钙化斑块的部分像素值设为0。
步骤S104,将步骤S103中得到的数据增强后的候选钙化斑块图像输入到已通过自然图像训练完成的全卷积网络模型中进行训练,得到检测模型。
在本实施例中,将步骤S103中得到的数据增强后的候选钙化斑块输入到已通过Microsoft COCO数据集训练完成的全卷积网络模型中进行训练。COCO数据集是微软团队赞助的图像识别、分割和图像语义数据集。全卷积网络是对图像进行像素级分类来解决语义级别的图像分割问题。
全卷积网络使用AlexNet做微调,网络中包括7个卷积层、5个池化层与3个上采样层。
步骤S105,读取测试集中冠状动脉CT图像。
在本实施例中,测试集中含有6202个DICOM文件,每张图像分辨率为512*512,像素间距为0.4mm。
步骤S106,根据医学影像标准,提取步骤S105中读取的冠状动脉CT图像中的候选钙化斑块。
对图像使用阈值法筛选CT值超过130Hu的像素点。公式如下,
其中,C(x,y)为经阈值筛选后的二值图像,T(x,y)为训练集中的原始图像,t的值为130Hu。
提取C(x,y)中面积不小于2mm2的方法为连通分量标记,由于本实施例中图像的像素间距为0.4mm,所以提取包含20个像素以上的连通区域。在本实施例中,提取的大小超过20的连通区域数量为54168。
删除C(x,y)中包含像素小于20的连通区域,获得候选钙化斑块掩码图像M(x,y)。
利用掩码图像M(x,y)对原始图像T(x,y)进行非候选钙化斑块像素点的屏蔽处理,得到只包含候选钙化斑块的图像S(x,y),公式如下,
步骤S107,将步骤S106中得到的候选钙化斑块图像作为步骤S104得到的检测模型的输入,端对端得到每个像素是否属于钙化斑块的检测结果。
虽然参考优选实施例对本发明进行描述,但以上所述实例并不构成本发明保护范围的限定,任何在本发明的精神以及原则内的修改,等同替换和改进等,均应包含在本发明的权利要求保护范围内。
Claims (4)
1.一种基于模型迁移的冠状动脉钙化斑块检测方法,其特征在于,包括以下步骤:
步骤1,读取训练集中的冠状动脉CT图像;
步骤2,根据医学影像标准,提取所述冠状动脉CT图像中的候选钙化斑块;
步骤3,对所述候选钙化斑块图像进行数据增强操作;
步骤4,将数据增强后的候选钙化斑块图像输入到已通过自然图像训练完成的全卷积网络模型中进行训练,得到检测模型;
步骤5,读取测试集中冠状动脉CT图像;
步骤6,根据医学影像标准,提取测试集中冠状动脉CT图像中的候选钙化斑块;
步骤7,将所述步骤6中得到的候选钙化斑块图像作为所述步骤4得到的检测模型的输入,端对端得到每个像素是否属于钙化斑块的检测结果。
2.如权利要求1所述的一种基于模型迁移的冠状动脉钙化斑块检测方法,其特征在于,所述步骤2根据医学影像标准,提取所述冠状动脉CT图像中的候选钙化斑块的具体过程为:
对冠状动脉CT图像使用阈值法筛选CT值超过130Hu的像素点,公式如下:
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
<mo>,</mo>
<mi>T</mi>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>></mo>
<mi>t</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
<mo>,</mo>
<mi>T</mi>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>&le;</mo>
<mi>t</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中,C(x,y)为经阈值筛选后的二值图像,T(x,y)为训练集中的原始图像,t的值为130Hu;
提取C(x,y)中包含20个像素以上的连通区域方法为连通分量标记;
删除C(x,y)中包含像素小于20的连通区域,获得候选钙化斑块掩码图像M(x,y);
利用掩码图像M(x,y)对原始图像T(x,y)进行非候选钙化斑块像素点的屏蔽处理,得到只包含候选钙化斑块的图像S(x,y),公式如下:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>C</mi>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>,</mo>
<mi>M</mi>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
<mo>,</mo>
<mi>M</mi>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>=</mo>
<mn>0.</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
3.如权利要求1所述的一种基于模型迁移的冠状动脉钙化斑块检测方法,其特征在于,所述步骤3对所述候选钙化斑块图像进行数据增强操作是指将候选钙化斑块图像依次进行截取、水平与竖直翻转。
4.如权利要求1所述的一种基于模型迁移的冠状动脉钙化斑块检测方法,其特征在于,所述步骤4具体包括以下过程:
将所述步骤3中得到的数据增强后的候选钙化斑块输入到已通过Microsoft COCO数据集训练完成的全卷积网络模型中进行训练;
全卷积网络使用AlexNet做微调,网络中包括7个卷积层、5个池化层与3个上采样层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711134737.2A CN107871318B (zh) | 2017-11-16 | 2017-11-16 | 一种基于模型迁移的冠状动脉钙化斑块检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711134737.2A CN107871318B (zh) | 2017-11-16 | 2017-11-16 | 一种基于模型迁移的冠状动脉钙化斑块检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107871318A true CN107871318A (zh) | 2018-04-03 |
CN107871318B CN107871318B (zh) | 2018-11-09 |
Family
ID=61754073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711134737.2A Active CN107871318B (zh) | 2017-11-16 | 2017-11-16 | 一种基于模型迁移的冠状动脉钙化斑块检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107871318B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285158A (zh) * | 2018-07-24 | 2019-01-29 | 深圳先进技术研究院 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
CN109300107A (zh) * | 2018-07-24 | 2019-02-01 | 深圳先进技术研究院 | 磁共振血管壁成像的斑块处理方法、装置和计算设备 |
CN109389592A (zh) * | 2018-09-30 | 2019-02-26 | 数坤(北京)网络科技有限公司 | 计算冠脉钙化积分的方法、装置及*** |
CN109523526A (zh) * | 2018-11-08 | 2019-03-26 | 腾讯科技(深圳)有限公司 | 组织结节检测及其模型训练方法、装置、设备和*** |
CN109949271A (zh) * | 2019-02-14 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 一种基于医学图像的检测方法、模型训练的方法及装置 |
CN110021016A (zh) * | 2019-04-01 | 2019-07-16 | 数坤(北京)网络科技有限公司 | 一种钙化检测方法 |
CN110222759A (zh) * | 2019-06-03 | 2019-09-10 | 中国医科大学附属第一医院 | 一种冠状动脉易损斑块自动识别*** |
CN110443268A (zh) * | 2019-05-30 | 2019-11-12 | 杭州电子科技大学 | 一种基于深度学习的肝癌ct图像良性恶性分类方法 |
CN111145173A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
CN111598891A (zh) * | 2019-02-20 | 2020-08-28 | 深圳先进技术研究院 | 斑块稳定性的识别方法、装置、设备及存储介质 |
CN111598870A (zh) * | 2020-05-15 | 2020-08-28 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法 |
CN111612756A (zh) * | 2020-05-18 | 2020-09-01 | 中山大学 | 冠状动脉特异性钙化检测方法及装置 |
CN111861994A (zh) * | 2020-06-17 | 2020-10-30 | 西安电子科技大学 | 冠状动脉壁图像分割方法、***、存储介质、计算机设备 |
CN112288752A (zh) * | 2020-10-29 | 2021-01-29 | 中国医学科学院北京协和医院 | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 |
CN113538471A (zh) * | 2021-06-30 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 斑块的分割方法、装置、计算机设备和存储介质 |
CN114049282A (zh) * | 2022-01-07 | 2022-02-15 | 浙江大学 | 一种冠状动脉的构建方法、装置、终端及存储介质 |
CN114127780A (zh) * | 2019-05-16 | 2022-03-01 | 腾讯美国有限责任公司 | 用于冠状动脉钙沉积检测和标记的***和方法 |
CN114972376A (zh) * | 2022-05-16 | 2022-08-30 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050043614A1 (en) * | 2003-08-21 | 2005-02-24 | Huizenga Joel T. | Automated methods and systems for vascular plaque detection and analysis |
US20080159610A1 (en) * | 2007-01-02 | 2008-07-03 | General Electric Company, A New York Corporation | Automatic coronary artery calcium detection and labeling system |
CN103479399A (zh) * | 2013-10-11 | 2014-01-01 | 华北电力大学(保定) | 一种血管内超声图像序列中钙化斑块帧的自动检索方法 |
CN106408017A (zh) * | 2016-09-13 | 2017-02-15 | 天津大学 | 基于深度学习的超生颈动脉内中膜厚度测量装置和方法 |
-
2017
- 2017-11-16 CN CN201711134737.2A patent/CN107871318B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050043614A1 (en) * | 2003-08-21 | 2005-02-24 | Huizenga Joel T. | Automated methods and systems for vascular plaque detection and analysis |
US20080159610A1 (en) * | 2007-01-02 | 2008-07-03 | General Electric Company, A New York Corporation | Automatic coronary artery calcium detection and labeling system |
CN103479399A (zh) * | 2013-10-11 | 2014-01-01 | 华北电力大学(保定) | 一种血管内超声图像序列中钙化斑块帧的自动检索方法 |
CN106408017A (zh) * | 2016-09-13 | 2017-02-15 | 天津大学 | 基于深度学习的超生颈动脉内中膜厚度测量装置和方法 |
Non-Patent Citations (2)
Title |
---|
LIU CHANG-WEI等: "Further evaluation of coronary artery with 16-multidetector CT coronary angiography", 《SOUTH CHINA JOURNAL OF CARDIOLOGY》 * |
时亚松: "OCT影像下血管内膜提取及纤维斑块识别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300107A (zh) * | 2018-07-24 | 2019-02-01 | 深圳先进技术研究院 | 磁共振血管壁成像的斑块处理方法、装置和计算设备 |
US11210783B2 (en) | 2018-07-24 | 2021-12-28 | Shenzhen Institutes Of Advanced Technology | Method and device of processing plaques in magnetic resonance imaging of vessel wall, and computer device |
CN109300107B (zh) * | 2018-07-24 | 2021-01-22 | 深圳先进技术研究院 | 磁共振血管壁成像的斑块处理方法、装置和计算设备 |
CN109285158A (zh) * | 2018-07-24 | 2019-01-29 | 深圳先进技术研究院 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
CN109389592A (zh) * | 2018-09-30 | 2019-02-26 | 数坤(北京)网络科技有限公司 | 计算冠脉钙化积分的方法、装置及*** |
CN109389592B (zh) * | 2018-09-30 | 2021-01-26 | 数坤(北京)网络科技有限公司 | 计算冠脉钙化积分的方法、装置及*** |
US11880972B2 (en) | 2018-11-08 | 2024-01-23 | Tencent Technology (Shenzhen) Company Limited | Tissue nodule detection and tissue nodule detection model training method, apparatus, device, and system |
CN109523526A (zh) * | 2018-11-08 | 2019-03-26 | 腾讯科技(深圳)有限公司 | 组织结节检测及其模型训练方法、装置、设备和*** |
CN109523526B (zh) * | 2018-11-08 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 组织结节检测及其模型训练方法、装置、设备和*** |
CN109949271A (zh) * | 2019-02-14 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 一种基于医学图像的检测方法、模型训练的方法及装置 |
CN111598891A (zh) * | 2019-02-20 | 2020-08-28 | 深圳先进技术研究院 | 斑块稳定性的识别方法、装置、设备及存储介质 |
CN111598891B (zh) * | 2019-02-20 | 2023-08-08 | 深圳先进技术研究院 | 斑块稳定性的识别方法、装置、设备及存储介质 |
CN110021016B (zh) * | 2019-04-01 | 2020-12-18 | 数坤(北京)网络科技有限公司 | 一种钙化检测方法 |
CN110021016A (zh) * | 2019-04-01 | 2019-07-16 | 数坤(北京)网络科技有限公司 | 一种钙化检测方法 |
CN114127780A (zh) * | 2019-05-16 | 2022-03-01 | 腾讯美国有限责任公司 | 用于冠状动脉钙沉积检测和标记的***和方法 |
CN110443268A (zh) * | 2019-05-30 | 2019-11-12 | 杭州电子科技大学 | 一种基于深度学习的肝癌ct图像良性恶性分类方法 |
CN110443268B (zh) * | 2019-05-30 | 2022-02-08 | 杭州电子科技大学 | 一种基于深度学习的肝部ct图像良性恶性分类方法 |
CN110222759A (zh) * | 2019-06-03 | 2019-09-10 | 中国医科大学附属第一医院 | 一种冠状动脉易损斑块自动识别*** |
CN110222759B (zh) * | 2019-06-03 | 2021-03-30 | 中国医科大学附属第一医院 | 一种冠状动脉易损斑块自动识别*** |
CN111145173A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
CN111145173B (zh) * | 2019-12-31 | 2024-04-26 | 上海联影医疗科技股份有限公司 | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 |
CN111598870B (zh) * | 2020-05-15 | 2023-09-15 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法 |
CN111598870A (zh) * | 2020-05-15 | 2020-08-28 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法 |
CN111612756B (zh) * | 2020-05-18 | 2023-03-21 | 中山大学 | 冠状动脉特异性钙化检测方法及装置 |
CN111612756A (zh) * | 2020-05-18 | 2020-09-01 | 中山大学 | 冠状动脉特异性钙化检测方法及装置 |
CN111861994A (zh) * | 2020-06-17 | 2020-10-30 | 西安电子科技大学 | 冠状动脉壁图像分割方法、***、存储介质、计算机设备 |
CN111861994B (zh) * | 2020-06-17 | 2024-02-13 | 西安电子科技大学 | 冠状动脉壁图像分割方法、***、存储介质、计算机设备 |
CN112288752A (zh) * | 2020-10-29 | 2021-01-29 | 中国医学科学院北京协和医院 | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 |
CN112288752B (zh) * | 2020-10-29 | 2021-08-27 | 中国医学科学院北京协和医院 | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 |
CN113538471A (zh) * | 2021-06-30 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 斑块的分割方法、装置、计算机设备和存储介质 |
CN113538471B (zh) * | 2021-06-30 | 2023-09-22 | 上海联影医疗科技股份有限公司 | 斑块的分割方法、装置、计算机设备和存储介质 |
CN114049282A (zh) * | 2022-01-07 | 2022-02-15 | 浙江大学 | 一种冠状动脉的构建方法、装置、终端及存储介质 |
CN114972376A (zh) * | 2022-05-16 | 2022-08-30 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
CN114972376B (zh) * | 2022-05-16 | 2023-08-25 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107871318B (zh) | 2018-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871318B (zh) | 一种基于模型迁移的冠状动脉钙化斑块检测方法 | |
CN109961443A (zh) | 基于多期ct影像引导的肝脏肿瘤分割方法及装置 | |
CN109345508A (zh) | 一种基于两阶段神经网络的骨龄评价方法 | |
CN107248155A (zh) | 一种基于swi图像的脑静脉血管分割方法 | |
CN108052977A (zh) | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 | |
CN106339591A (zh) | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务*** | |
CN107563434A (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
Deligiannidis et al. | Emerging trends in image processing, computer vision and pattern recognition | |
CN104700389B (zh) | 双能ct扫描图像中的对象识别方法 | |
Jaisakthi et al. | Automatic skin lesion segmentation using semi-supervised learning technique | |
CN110047075A (zh) | 一种基于对抗网络的ct图像分割方法 | |
Jony et al. | Detection of lung cancer from CT scan images using GLCM and SVM | |
CN111784701A (zh) | 结合边界特征增强和多尺度信息的超声图像分割方法及*** | |
Deng et al. | Segmentation of dermoscopy images based on fully convolutional neural network | |
CN107506766A (zh) | 图像分割方法及装置 | |
Varma et al. | An alternative approach to detect breast cancer using digital image processing techniques | |
Sukassini et al. | Noise removal using morphology and median filter methods in mammogram images | |
Tripathy et al. | Performance observation of mammograms using an improved dynamic window based adaptive median filter | |
Talavera-Martínez et al. | Comparative study of dermoscopic hair removal methods | |
CN106846301A (zh) | 视网膜图像分类方法及装置 | |
CN105956587B (zh) | 一种基于形状约束的膝关节磁共振图像序列半月板自动提取方法 | |
Maalinii et al. | Brain tumour extraction using morphological reconstruction and thresholding | |
Wang et al. | Retinal artery/vein classification via rotation augmentation and deeply supervised u-net segmentation | |
CN109377461A (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
Auzine et al. | Endoscopic image analysis using deep convolutional gan and traditional data augmentation |
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 |