CN108022647A - 基于ResNet-Inception模型的肺结节良恶性预测方法 - Google Patents
基于ResNet-Inception模型的肺结节良恶性预测方法 Download PDFInfo
- Publication number
- CN108022647A CN108022647A CN201711233696.2A CN201711233696A CN108022647A CN 108022647 A CN108022647 A CN 108022647A CN 201711233696 A CN201711233696 A CN 201711233696A CN 108022647 A CN108022647 A CN 108022647A
- Authority
- CN
- China
- Prior art keywords
- layer
- lung neoplasm
- image data
- resnet
- layers
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于ResNet‑Inception模型的肺结节良恶性预测方法,获取已知肺结节区域的具有标签的肺结节图像,对具有标签的肺结节图像进行预处理,得到训练图像数据集、验证图像数据集和预测图像数据集;建立基于ResNet‑Inception模型的肺结节图像分类模型;将预测图像数据集输入基于ResNet‑Inception模型的肺结节图像分类模型的最终形式中,得到预测图像数据集中肺结节图像的肺结节良恶性预测结果。本发明方法设计了新的网络结构模型,根据肺结节CT图像即可获得该肺结节的良恶性预测。
Description
技术领域
本发明属于医学图像处理技术领域,具体涉及一种基于ResNet-Inception模型的肺结节良恶性预测方法。
背景技术
肺部疾病在医学影像上的病灶通常表现是肺结节,根据模式识别等方法的不断研究,人们提出了利用计算机来辅助放射科医生来检测肺结节的技术,即计算机辅助诊断(Computer Aided Diagnosis,CAD)***。在CAD中涉及到用一些常见的算法进行评估或分类,例如神经网络、k-means或支持向量机等算法。但是传统算法的主要缺点是提取的特征只是局部区域,对于常见的方差等特征不够稳健。基于数据集的差异性,目前深度学习算法已被广泛应用到CAD***中。
近些年,随机梯度下降方法成为训练深度网络的主流方法。在2015年,微软亚研院的何凯明提出了一种新型的网络结构,称作ResNet(Residual Network)。它功能强大,在多项视觉比赛中均取得第一名的好成绩,比如ImageNet检测、ImageNet定位任务、COCO检测任务和COCO分割任务等。在ILSVRC2010年左右还主要是浅层网络,大部分需要手动调教特征。在2012年的ILSVRC比赛中出现了8层的AlexNet网络,它降低了10%的错误率。随后在2014年的ILSVRC比赛中出现的VGGNet和GoogleNet也是取得了优异的成绩,它们分别用19层和22层将错误率也降低到了7.3%和6.7%。到了2015年的ILSVRC比赛,出现的ResNet将卷积层增加到了152层,将错误率降到了3.57%。ResNet网络可以被看作是并行和串行多个模块的结合。ResNet网络的上部分的输入和输出一样,看上去有点像RNN,因此它可以被看作是一个很好的生物神经网络模型。根据ResNet网络结构模型可以直观的发现它有两个重要的思想,第一个是跳跃式连接方法,第二个则是Batch Normalization层的使用。
在以往的网络结构中,我们发现每个卷积层都会用一个尺寸的卷积核进行卷积,然后再输入下一层。但是在GoogLeNet中提出,如果只采用一个尺寸的卷积核是可能学习到的特征并不完整,它希望可以将多尺度卷积核多学习的特征一起输入到下一层。但是这样会产生巨大的数据计算量,因此在GoogLeNet网络的最初模型Inception-v2中,提出的Inception结构的主要思想是在计算量增加的多个地方进行维度缩减,即是增加几个1×1的卷积核来用于减少计算,还可以修正线性激活函数值。
发明内容
针对现有技术的不足,本发明提出一种基于ResNet-Inception模型的肺结节良恶性预测方法。
一种基于ResNet-Inception模型的肺结节良恶性预测方法,包括以下步骤:
步骤1:获取已知肺结节区域的具有标签的肺结节图像,对具有标签的肺结节图像进行预处理,得到训练图像数据集、验证图像数据集和预测图像数据集;
步骤1.1:获取已知肺结节区域的具有标签的肺结节图像,对具有标签的肺结节图像进行结节区域分割,并进行裁剪,得到裁剪后的肺结节图像;
步骤1.2:将裁剪后的肺结节图像进行划分得到训练图像数据集、验证图像数据集和预测图像数据集;
步骤1.3:将各数据集中的肺结节图像旋转至四个不同方向,获取各个肺结节图像的四个方向矢量上的图像,得到预处理后的训练图像数据集、验证图像数据集和预测图像数据集。
步骤2:建立基于ResNet-Inception模型的肺结节图像分类模型;
所述基于ResNet-Inception模型的肺结节图像分类模型结构为:
第一层依次为卷积层C1、Batch Normalization层BN1、Scale层Scale1和激活函数层ReLU1;
第二层为最大池化层P1;
第三层采用Inception-v2模型中的Inception结构,并行四个卷积层,第一个卷积层Ca1后连接有激活函数层ReLU1,第二个卷积层Ca2后连接有激活函数层ReLU2、卷积层C2和激活函数层ReLU3,第三个卷积层Ca3后连接有激活函数层ReLU4、卷积层C3和激活函数层ReLU5,第四个卷积层Ca4前接一个最大池化层P2,第四个卷积层Ca4后接一个激活函数层ReLU6;四个并行卷积层均连接Concat层;
第四层为最大池化层P3;
第五层采用ResNet模型中的跳跃式连接方式,两个并行的卷积层通过Elwise层和激活函数层ReLU8连接,第一个卷积层Ca5后连接Batch Normalization层BN2和Scale层Scale2,第二个卷积层C4后连接Batch Normalization层BN3、Scale层Scale3和激活函数层ReLU7,之后连接卷积层C5,之后连接Batch Normalization层BN4和Scale层Scale4;
第六层为平均池化层P4;
第七层为Dropout层;
第八层为全连接层F1。
步骤3:将训练图像数据集和验证图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型,训练基于ResNet-Inception模型的肺结节图像分类模型的训练参数,从而获取基于ResNet-Inception模型的肺结节图像分类模型的最终形式;
步骤4:将预测图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型的最终形式中,得到预测图像数据集中肺结节图像的肺结节良恶性预测结果。
本发明的有益效果:
本发明提出一种基于ResNet-Inception模型的肺结节良恶性预测方法,本发明方法将ResNet中的Batch Normalization层和跳跃式连接方式与GoogLeNet中的Inception结构相结合起来设计了新的网络结构模型,根据肺结节CT图像即可获得该肺结节的良恶性预测,支撑医生进行诊断和后续管理方案决策,降低漏诊断和过诊断概率,为受检者提供精准医疗服务。
附图说明
图1为本发明具体实施方式中基于ResNet-Inception模型的肺结节良恶性预测方法的流程图;
图2为本发明具体实施方式中基于ResNet-Inception模型的肺结节图像分类模型的结构示意图;
图3为本发明具体实施方式中绘制预测结果ROC曲线。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
一种基于ResNet-Inception模型的肺结节良恶性预测方法,如图1所示,包括以下步骤:
步骤1:获取已知肺结节区域的具有标签的肺结节图像,对具有标签的肺结节图像进行预处理,得到训练图像数据集、验证图像数据集和预测图像数据集。
步骤1.1:获取已知肺结节区域的具有标签的肺结节图像,对具有标签的肺结节图像进行结节区域分割,并进行裁剪,得到裁剪后的肺结节图像。
本实施方式中,在肺部图像数据库联盟(LIDC-IDRI)中获取已知肺结节区域的具有标签的肺结节图像700个。根据四名放射科医师的真实标签,对具有标签的肺结节图像进行结节区域分割,得到最小的边界矩形,将图像进行裁剪,裁剪成53×53的图像。
步骤1.2:将裁剪后的肺结节图像进行划分得到训练图像数据集、验证图像数据集和预测图像数据集。
本实施方式中,将裁剪后的肺结节图像平均分为十份,其比例是8∶1∶1,分别作为训练图像数据集、验证图像数据集和预测图像数据集。在此基础上做扩充不会造成数据泄露,这样会使结果的准确性更值得信赖。
步骤1.3:将各数据集中的肺结节图像旋转至四个不同方向,获取各个肺结节图像的四个方向矢量上的图像,得到预处理后的训练图像数据集、验证图像数据集和预测图像数据集。
本实施方式中,以各数据集中的肺结节图像为中心,将每个的肺结节图像旋转到四个不同的方向,获取各个肺结节图像的四个方向矢量上的图像,每个矢量代表一个方向上的一个感兴趣区域,向量中的所有像素值被下采样到8位。从这700个肺结节图像,生成了17441个样本图像。根据四名放射科医师提供的恶性肿瘤水平,计算四名放射科医师的平均评分,最后根据平均评分做出最终的真实标签。所有中间等级的病例(3级)都被消除,剩余11484个样本图像用于分类。其中具有良性标签的样本图像5500例,具有恶性标签的样本图像5984例。
步骤2:建立基于ResNet-Inception模型的肺结节图像分类模型。
本实施方式中,建立基于ResNet-Inception模型的肺结节图像分类模型,如图2所示,
第一层依次为卷积层C1、Batch Normalization层BN1、Scale层Scale1和激活函数层ReLU1。
本实施方式中,第一层中,卷积层C1尺寸为7×7,步长为2,边缘扩充为3,仿照ResNet网络在卷积层后面加一个归一化层,即在后面紧跟着一个Batch Normalization层BN1、Scale层Scale1和激活函数层ReLU1。
第二层为最大池化层P1。
本实施方式中,第二层中,最大池化层P1尺寸为3×3,步长为2。
第三层采用Inception-v2模型中的Inception结构,并行四个卷积层,第一个卷积层Ca1后连接有激活函数层ReLU1,第二个卷积层Ca2后连接有激活函数层ReLU2、卷积层C2和激活函数层ReLU3,第三个卷积层Ca3后连接有激活函数层ReLU4、卷积层C3和激活函数层ReLU5,第四个卷积层Ca4前接一个最大池化层P2,第四个卷积层Ca4后接一个激活函数层ReLU6;四个并行卷积层均连接Concat层。
本实施方式中,第三层中,把它归为一个Inception结构,它仿照Inception-v2结构,按照GoogLeNet中第一个Inception的尺寸设置方法,并行四个尺寸为1×1的卷积层,第一个卷积层Ca1尺寸为1×1,有64个卷积核,后连接有激活函数层ReLU1,第二个卷积层Ca2尺寸为1×1,有96个卷积核,后连接有激活函数层ReLU2、尺寸为3×3有128个卷积核的卷积层C2和激活函数层ReLU3,第三个卷积层Ca3尺寸为1×1有16个卷积核,后连接有激活函数层ReLU4、尺寸为5×5有32个卷积核的卷积层C3和激活函数层ReLU5,第四个卷积层Ca4尺寸为1×1,有32个卷积核,前接一个3×3的最大池化层P2,第四个卷积层Ca4后接一个激活函数层ReLU6;四个并行卷积层均连接Concat层。将并行的四个64个、128个、32个和32个卷积核个数合并为一个256个卷积核数作为输出。
第四层为最大池化层P3。
本实施方式中,第四层中,最大池化层P3尺寸为7×7。
第五层采用ResNet模型中的跳跃式连接方式,两个并行的卷积层通过Elwise层和激活函数层ReLU8连接,第一个卷积层Ca5后连接Batch Normalization层BN2和Scale层Scale2,第二个卷积层C4后连接Batch Normalization层BN3、Scale层Scale3和激活函数层ReLU7,之后连接卷积层C5,之后连接Batch Normalization层BN4和Scale层Scale4。
本实施方式中,第五层中,第一个卷积层Ca5尺寸为1×1、有64个卷积核,第二个卷积层C4尺寸为3×3、有64个卷积核,卷积层C5尺寸为3×3、有64个卷积核。
第六层为平均池化层P4。
本实施方式中,第六层中,平均池化层P4尺寸为7×7,步长设定为1。
第七层为Dropout层。
第八层为全连接层F1。
步骤3:将训练图像数据集和验证图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型,训练基于ResNet-Inception模型的肺结节图像分类模型的训练参数,从而获取基于ResNet-Inception模型的肺结节图像分类模型的最终形式。
步骤4:将预测图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型的最终形式中,得到预测图像数据集中肺结节图像的肺结节良恶性预测结果。
得到预测结果,绘制预测结果ROC曲线,如图3所示。
Claims (3)
1.一种基于ResNet-Inception模型的肺结节良恶性预测方法,其特征在于,包括以下步骤:
步骤1:获取已知肺结节区域的具有标签的肺结节图像,对具有标签的肺结节图像进行预处理,得到训练图像数据集、验证图像数据集和预测图像数据集;
步骤2:建立基于ResNet-Inception模型的肺结节图像分类模型;
步骤3:将训练图像数据集和验证图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型,训练基于ResNet-Inception模型的肺结节图像分类模型的训练参数,从而获取基于ResNet-Inception模型的肺结节图像分类模型的最终形式;
步骤4:将预测图像数据集输入基于ResNet-Inception模型的肺结节图像分类模型的最终形式中,得到预测图像数据集中肺结节图像的肺结节良恶性预测结果。
2.根据权利要求1所述的基于ResNet-Inception模型的肺结节良恶性预测方法,其特征在于,所述步骤1包括以下步骤:
步骤1.1:获取已知肺结节区域的具有标签的肺结节图像,对具有标签的肺结节图像进行结节区域分割,并进行裁剪,得到裁剪后的肺结节图像;
步骤1.2:将裁剪后的肺结节图像进行划分得到训练图像数据集、验证图像数据集和预测图像数据集;
步骤1.3:将各数据集中的肺结节图像旋转至四个不同方向,获取各个肺结节图像的四个方向矢量上的图像,得到预处理后的训练图像数据集、验证图像数据集和预测图像数据集。
3.根据权利要求1所述的基于ResNet-Inception模型的肺结节良恶性预测方法,其特征在于,所述基于ResNet-Inception模型的肺结节图像分类模型结构为:
第一层依次为卷积层C1、Batch Normalization层BN1、Scale层Scalel和激活函数层ReLU1;
第二层为最大池化层P1;
第三层采用Inception-v2模型中的Inception结构,并行四个卷积层,第一个卷积层Ca1后连接有激活函数层ReLU1,第二个卷积层Ca2后连接有激活函数层ReLU2、卷积层C2和激活函数层ReLU3,第三个卷积层Ca3后连接有激活函数层ReLU4、卷积层C3和激活函数层ReLU5,第四个卷积层Ca4前接一个最大池化层P2,第四个卷积层Ca4后接一个激活函数层ReLU6;四个并行卷积层均连接Concat层;
第四层为最大池化层P3;
第五层采用ResNet模型中的跳跃式连接方式,两个并行的卷积层通过Elwise层和激活函数层ReLU8连接,第一个卷积层Ca5后连接Batch Normalization层BN2和Scale层Scale2,第二个卷积层C4后连接Batch Normalization层BN3、Scale层Scale3和激活函数层ReLU7,之后连接卷积层C5,之后连接Batch Normalization层BN4和Scale层Scale4;
第六层为平均池化层P4;
第七层为Dropout层;
第八层为全连接层F1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711233696.2A CN108022647B (zh) | 2017-11-30 | 2017-11-30 | 基于ResNet-Inception模型的肺结节良恶性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711233696.2A CN108022647B (zh) | 2017-11-30 | 2017-11-30 | 基于ResNet-Inception模型的肺结节良恶性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108022647A true CN108022647A (zh) | 2018-05-11 |
CN108022647B CN108022647B (zh) | 2022-01-25 |
Family
ID=62077600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711233696.2A Active CN108022647B (zh) | 2017-11-30 | 2017-11-30 | 基于ResNet-Inception模型的肺结节良恶性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108022647B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493342A (zh) * | 2018-12-13 | 2019-03-19 | 杭州电子科技大学 | 一种基于深度学习的皮肤病图片病变类型分类方法 |
CN109544563A (zh) * | 2018-11-12 | 2019-03-29 | 北京航空航天大学 | 一种面向违禁物安检的被动毫米波图像人体目标分割方法 |
CN109559297A (zh) * | 2018-11-15 | 2019-04-02 | 大连大学 | 一种基于三维区域生成网络的肺结节检测的方法 |
CN109801285A (zh) * | 2019-01-28 | 2019-05-24 | 太原理工大学 | 一种基于U-Net分割及ResNet训练的乳腺X线图像的处理方法 |
CN109886346A (zh) * | 2019-02-26 | 2019-06-14 | 四川大学华西医院 | 一种心肌mri图像分类*** |
CN110222726A (zh) * | 2019-05-15 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及电子设备 |
RU2707510C1 (ru) * | 2019-06-27 | 2019-11-27 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Сибирский государственный медицинский университет" Министерства здравоохранения Российской Федерации | Способ прогнозирования течения саркоидоза органов дыхания по морфологическому строению гранулемы |
CN110738235A (zh) * | 2019-09-16 | 2020-01-31 | 平安科技(深圳)有限公司 | 肺结核判定方法、装置、计算机设备及存储介质 |
CN111310783A (zh) * | 2020-01-05 | 2020-06-19 | 天津大学 | 基于脑电微状态特征与神经网络模型的言语状态检测方法 |
CN111539306A (zh) * | 2020-04-21 | 2020-08-14 | 中南大学 | 基于激活表达可替换性的遥感图像建筑物识别方法 |
CN111709425A (zh) * | 2020-05-26 | 2020-09-25 | 漳州卫生职业学院 | 一种基于特征迁移的肺部ct图像分类方法 |
CN111815592A (zh) * | 2020-06-29 | 2020-10-23 | 郑州大学 | 一种肺结节检测模型的训练方法 |
CN112862837A (zh) * | 2021-01-27 | 2021-05-28 | 南京信息工程大学 | 一种基于卷积神经网络的图像处理方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556650A (zh) * | 2009-04-01 | 2009-10-14 | 东北大学 | 一种分布式自适应肺结节计算机检测方法及*** |
US9691019B1 (en) * | 2017-03-07 | 2017-06-27 | Google Inc. | Depth concatenation using a matrix computation unit |
CN106971198A (zh) * | 2017-03-03 | 2017-07-21 | 北京市计算中心 | 一种基于深度学习的尘肺病等级判定方法及*** |
-
2017
- 2017-11-30 CN CN201711233696.2A patent/CN108022647B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556650A (zh) * | 2009-04-01 | 2009-10-14 | 东北大学 | 一种分布式自适应肺结节计算机检测方法及*** |
CN106971198A (zh) * | 2017-03-03 | 2017-07-21 | 北京市计算中心 | 一种基于深度学习的尘肺病等级判定方法及*** |
US9691019B1 (en) * | 2017-03-07 | 2017-06-27 | Google Inc. | Depth concatenation using a matrix computation unit |
Non-Patent Citations (2)
Title |
---|
GUIXIA KANG,ETC.: "3D multi-view convolutional neural networks for lung nodule classification", 《PLOS ONE》 * |
郭薇等: "一种基于蚁群算法特征建模与分类的肺结节检测方法", 《***仿真学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544563A (zh) * | 2018-11-12 | 2019-03-29 | 北京航空航天大学 | 一种面向违禁物安检的被动毫米波图像人体目标分割方法 |
CN109559297A (zh) * | 2018-11-15 | 2019-04-02 | 大连大学 | 一种基于三维区域生成网络的肺结节检测的方法 |
CN109493342B (zh) * | 2018-12-13 | 2021-02-09 | 杭州电子科技大学 | 一种基于深度学习的皮肤病图片病变类型分类方法 |
CN109493342A (zh) * | 2018-12-13 | 2019-03-19 | 杭州电子科技大学 | 一种基于深度学习的皮肤病图片病变类型分类方法 |
CN109801285A (zh) * | 2019-01-28 | 2019-05-24 | 太原理工大学 | 一种基于U-Net分割及ResNet训练的乳腺X线图像的处理方法 |
CN109886346A (zh) * | 2019-02-26 | 2019-06-14 | 四川大学华西医院 | 一种心肌mri图像分类*** |
CN110222726A (zh) * | 2019-05-15 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及电子设备 |
RU2707510C1 (ru) * | 2019-06-27 | 2019-11-27 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Сибирский государственный медицинский университет" Министерства здравоохранения Российской Федерации | Способ прогнозирования течения саркоидоза органов дыхания по морфологическому строению гранулемы |
CN110738235A (zh) * | 2019-09-16 | 2020-01-31 | 平安科技(深圳)有限公司 | 肺结核判定方法、装置、计算机设备及存储介质 |
CN111310783A (zh) * | 2020-01-05 | 2020-06-19 | 天津大学 | 基于脑电微状态特征与神经网络模型的言语状态检测方法 |
CN111539306A (zh) * | 2020-04-21 | 2020-08-14 | 中南大学 | 基于激活表达可替换性的遥感图像建筑物识别方法 |
CN111539306B (zh) * | 2020-04-21 | 2021-07-06 | 中南大学 | 基于激活表达可替换性的遥感图像建筑物识别方法 |
CN111709425A (zh) * | 2020-05-26 | 2020-09-25 | 漳州卫生职业学院 | 一种基于特征迁移的肺部ct图像分类方法 |
CN111815592A (zh) * | 2020-06-29 | 2020-10-23 | 郑州大学 | 一种肺结节检测模型的训练方法 |
CN112862837A (zh) * | 2021-01-27 | 2021-05-28 | 南京信息工程大学 | 一种基于卷积神经网络的图像处理方法和*** |
CN112862837B (zh) * | 2021-01-27 | 2023-06-23 | 南京信息工程大学 | 一种基于卷积神经网络的图像处理方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN108022647B (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108022647A (zh) | 基于ResNet-Inception模型的肺结节良恶性预测方法 | |
CN106202177B (zh) | 一种文本分类方法及装置 | |
Le et al. | A learning-based approach for surface defect detection using small image datasets | |
CN108038844A (zh) | 一种基于轻巧型cnn的肺结节良恶性预测方法 | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
Shen et al. | An automated lung segmentation approach using bidirectional chain codes to improve nodule detection accuracy | |
CN112464701B (zh) | 基于轻量化特征融合ssd的人员是否佩戴口罩检测方法 | |
CN109035187A (zh) | 一种医学图像的标注方法及装置 | |
Wu et al. | Residual attention based network for hand bone age assessment | |
WO2019001208A1 (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
CN107680678A (zh) | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断*** | |
CN109741317B (zh) | 医学影像智能评价方法 | |
CN107274402A (zh) | 一种基于胸部ct影像的肺结节自动检测方法及*** | |
CN105426870A (zh) | 一种人脸关键点定位方法及装置 | |
CN110059697A (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN105095856A (zh) | 基于掩膜的有遮挡人脸识别方法 | |
CN109741316B (zh) | 医学影像智能评片*** | |
Tang et al. | Cmu-net: a strong convmixer-based medical ultrasound image segmentation network | |
CN108038857A (zh) | 一种基于语义信息与边缘约束的前景目标检测方法 | |
US20120099771A1 (en) | Computer aided detection of architectural distortion in mammography | |
Yang et al. | Road detection via deep residual dense u-net | |
CN110264444A (zh) | 基于弱分割的损伤检测方法及装置 | |
CN109242047A (zh) | 基于K-means++聚类和残差网络分类的银行卡***检测与识别方法 | |
CN110189307A (zh) | 一种基于多模型融合的肺结节检测方法及*** | |
CN108416304B (zh) | 一种利用上下文信息的三分类人脸检测方法 |
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 |