CN108257128B - 一种基于3d卷积神经网络的肺结节检测装置的建立方法 - Google Patents
一种基于3d卷积神经网络的肺结节检测装置的建立方法 Download PDFInfo
- Publication number
- CN108257128B CN108257128B CN201810092248.3A CN201810092248A CN108257128B CN 108257128 B CN108257128 B CN 108257128B CN 201810092248 A CN201810092248 A CN 201810092248A CN 108257128 B CN108257128 B CN 108257128B
- Authority
- CN
- China
- Prior art keywords
- convolution
- residual
- network
- lung
- units
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 206010056342 Pulmonary mass Diseases 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 34
- 210000004072 lung Anatomy 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
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3D卷积神经网络的肺结节检测装置的建立方法,包括:建立训练样本;建立肺结节检测网络:所述肺结节分割网络包括依次连接的卷积单元、64*64*64(32)残差卷积单元A、32*32*32(64)残差卷积单元B、16*16*16(64)残差卷积单元C、8*8*8(64)残差卷积单元D、16*16*16(64)残差卷积单元E,残差卷积单元E的输出特征图与残差卷积单元C输出特征图按照通道拼接后输入至残差卷积单元F,残差卷积单元F输出特征图与残差卷积单元B输出特征图按照通道拼接后,输入至RPN网络以实现对输入图的肺结节检测;训练肺结节检测网络,获得肺结节检测装置。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于3D卷积神经网络的肺结节检测装置的建立方法。
背景技术
现有采用深度学习算法检测肺部CT图中肺结节的方法很多,但是检测精度不高。造成精度不高的主要原因为:
(1)检测阶段的召回率较低于某些特殊类型的肺结节,造成漏检的情况,使得检测精度不高。
(2)肺结节的尺寸不均衡,较小的肺结节容易被忽视。
基于上述两个原因,使得采用深度学习算法检测和分割出来的肺结节典型性和代表性不足。
因此,提高肺结节检测的准确性和训练网络分割出更具代表性的结节成为了急需解决的问题。
发明内容
本发明的目的是提供一种基于3D卷积神经网络的肺结节检测装置的建立方法。该方法建立的装置能够更加准确、快速地检测和确定肺部CT中的肺结节的三维图像。
为实现上述发明目的,本发明提供以下技术方案:
一种基于3D卷积神经网络的肺结节检测装置的建立方法,所述建立方法包括:
建立训练样本:首先,将采集的三维肺部CT图像裁剪成大量的立方体小块,然后,采用数据增强方法处理立方体小块,最后,采用难分负样本挖掘方法对增强处理后的立方体小块进行处理,获得最难区分的2n个负样本和n个正样本组成训练样本集;
建立肺结节检测网络:所述肺结节分割网络包括依次连接的128*128*128(24)卷积单元、64*64*64(32)残差卷积单元A、32*32*32(64)残差卷积单元B、16*16*16(64)残差卷积单元C、8*8*8(64)残差卷积单元D、16*16*16(64)残差卷积单元E,16*16*16(64)残差卷积单元E的输出特征图与16*16*16(64)残差卷积单元C输出特征图按照通道拼接后输入至32*32*32(64)残差卷积单元F,32*32*32(64)残差卷积单元F输出特征图与32*32*32(64)残差卷积单元B输出特征图按照通道拼接后,输入至RPN网络以实现对输入图的肺结节检测;
训练肺结节检测网络:以2倍采样频率对训练样本集中的肺结节大于30mm的小块进行采样,以6倍采样频率对训练样集本中的肺结节大于40mm的小块进行采样,其他尺寸的肺结节以正常采样频率采样,将采样后的训练样本输入到肺结节检测网络,以肺结节检测网络的预测输出与真实输出的误差收敛为目标,对肺结节检测网络进行训练,获得肺结节检测装置。
本发明建立的肺结节检测装置的肺结节检测效果准确,且计算开销小。
其中,所述将采集的三维肺部CT图像裁剪成大量的立方体小块包括:
根据以下条件对三维肺部CT图像进行裁剪:
条件一:70%立方体小块中至少包含一个肺结节目标;
条件二:30%立方体小块中从整个肺部中随机选取;
若立方体小块包含的区域超过了肺部,则用CT图像中无意义值170填充非肺部区域;
以肺结节区域的像素作为正样本,其他区域的像素作为负样本。
其中,采用难分负样本挖掘方法对增强处理后的立方体小块进行处理,获得最难区分的2n个负样本和n个正样本组成训练样本集包括:
首先,采用肺结节检测网络对增强处理后的立方体小块进行计算,输出每个像素的分类置信度,分类置信度越接近1,表示立方体小块中含有肺结节的概率越高,分类置信度越接近0,表示立方体小块中不含有肺结节的概率越高;
然后,计算分类置信度与真值标签之差的绝对值,该绝对值越大,表示该负样本越难被网络区分;
最后,选择最难以被区分的2n个负样本和n个正样本组成训练样本集。
具体地,所述64*64*64(32)残差卷积单元A中包含三个依次连接的32维输入的残差单元I;
每个残差单元I包括依次连接的32维输入、8维输出、卷积核为1×1的卷积层,8维输入、8维输出、卷积核为3×3的卷积层,8维输入、32维输出、卷积核为1×1的卷积层,每个卷积层均用于特征提取,三个卷积层级联的输出特征图和输入特征图间相加后,再经过RELU函数激活。
具体地,所述32*32*32(64)残差卷积单元B、16*16*16(64)残差卷积单元C、8*8*8(64)残差卷积单元D均包括三个依次连接的64维输入的残差单元II;
每个残差单元II包括依次连接的64维输入、16维输出、卷积核为1×1的卷积层,16维输入、16维输出、卷积核为3×3的卷积层,16维输入、64维输出、卷积核为1×1的卷积层,每个卷积层均用于特征提取,三个卷积层级联的输出特征图和输入特征图间相加后,再经过RELU函数激活。
具体地,所述16*16*16(64)残差卷积单元E和32*32*32(64)残差卷积单元F均包括两个依次连接的64维输入的残差单元II。
其中,所述RPN网络的损失函数L为交叉熵损失函数C与smoothL1函数之和。
其中,交叉熵函数C为:
其中,y为期望输出,也就是真值标签,a为网络的实际输出,a=σ(z),z=∑Wj×Xj+b,Wj和b为网路参数;
smooth L1函数为:
in which
其中Lloc表示目标区域和当前预测的损失函数值;tu表示目标区域,v为当前预测,x,y表示区域的左上角坐标,w,h分别表示区域的宽和高。
其中,所述RPN网络的损失函数L收敛条件为:
连续3个epoch的损失函数L的平均值均低于前一个epoch的损失函数值。
与现有技术相比,本发明具有的有益效果为:
本发明采用难分负样本挖掘方法对裁剪后的CT图像进行难分负样本挖掘,以提高样训练网路的准确性,建立的肺结节检测网络中,引入残差卷积单元,提高了提取特征的能力和训练的速度以及稳定性,获得更多的特征信息,RPN网络的加入提高了肺结节检测的灵活性。经试验验证,训练得到的肺结节检测装置更加准确、快速地检测和确定肺部CT中的肺结节。
附图说明
图1是实施例提供的肺结节检测装置的建立方法的流程图;
图2是实施例提供的肺结节检测网络的结构示意图;
图3是实施例提供的残差单元I的结构示意图;
图4是实施例提供的残差单元II的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1是实施例提供的肺结节分割装置的建立方法的流程图。如图1所示,本实施例提供的肺结节分割装置的建立方法包括以下步骤:
S101,建立训练样本。
一般情况下,将整张图像作为物体检测模型的输入。但是,对于3维的CT图像,由于CT图像过于庞大,现有的GPU显存容量无法满足这一需求,不能将CT图像直接作为物体检测模型的输入。为保证良好的分辨率,本实施例也不能随意地对CT进行压缩,以免丢失很多重要信息,不利于检测结果。因此,将采集的三维肺部CT图像裁剪成大量的立方体小块。将立方体小块作为模型的输入。具体地,根据以下条件对三维肺部CT图像裁剪128×128×128(像素)的立方体小块:
条件一:70%立方体小块中至少包含一个肺结节目标;
条件二:30%立方体小块中从整个肺部中随机选取;
若立方体小块包含的区域超过了肺部,则用CT图像中无意义值170填充非肺部区域;
以肺结节区域的像素作为正样本,其他区域的像素作为负样本。
需要注意的是,肺结节并不一定处于立方体小块的中心,只要存在于立方体小块中,该肺结节区域的像素即为正样本。
裁剪完毕后,采用数据增强方法处理立方体小块,以增加训练样本的鲁棒性和缓解过拟合问题。
由于负样本的数目远超过正样本,并且分布高度不平衡,所以出现大多数样本很容易被区分开,但是其中有一些拥有相似外观的疑似结节的负样本。本实施例采用了难分样本挖掘方法解决这一问题。具体过程为:
首先,采用本发明提出的肺结节检测网络对增强处理后的立方体小块进行计算,输出每个像素的分类置信度,分类置信度越接近1,表示立方体小块中含有肺结节的概率越高,分类置信度越接近0,表示立方体小块中不含有肺结节的概率越高;
然后,计算分类置信度与真值标签之差的绝对值,该绝对值越大,表示该负样本越难被网络区分;
最后,选择最难以被区分的2n个负样本和n个正样本组成训练样本集。
S102,建立肺结节检测网络。
如图2所示,肺结节检测网络包括所述肺结节分割网络包括依次连接的128*128*128(24)卷积单元201、64*64*64(32)残差卷积单元202、32*32*32(64)残差卷积单元203、16*16*16(64)残差卷积单元204、8*8*8(64)残差卷积单元205、16*16*16(64)残差卷积单元206,16*16*16(64)残差卷积单元206的输出特征图与16*16*16(64)残差卷积单元204输出特征图按照通道拼接后输入至32*32*32(64)残差卷积单元207,32*32*32(64)残差卷积单元207输出特征图与32*32*32(64)残差卷积单元203输出特征图按照通道拼接后,输入至RPN网络208以实现对输入图的肺结节检测。
128*128*128(24)卷积单元201与所有的残差卷积单元均用于对输入图进行特征提取。
图2中,R代表拼接操作,即32*32*32(64)残差卷积单元207输出特征图与32*32*32(64)残差卷积单元203输出特征图按照通道进行拼接操作。
64*64*64(32)残差卷积单元202中包含三个依次连接的32维输入的残差单元I,如图3所示,每个残差单元I包括依次连接的32维输入、8维输出、卷积核为1×1的卷积层,8维输入、8维输出、卷积核为3×3的卷积层,8维输入、32维输出、卷积核为1×1的卷积层,每个卷积层均用于特征提取,三个卷积层级联的输出特征图和输入特征图间相加后,再经过RELU函数激活。
32*32*32(64)残差卷积单元203、16*16*16(64)残差卷积单元204、8*8*8(64)残差卷积单元205均包括三个依次连接的64维输入的残差单元II。如图4所示,每个残差单元II包括依次连接的64维输入、16维输出、卷积核为1×1的卷积层,16维输入、16维输出、卷积核为3×3的卷积层,16维输入、64维输出、卷积核为1×1的卷积层,每个卷积层均用于特征提取,三个卷积层级联的输出特征图和输入特征图间相加后,再经过RELU函数激活。
16*16*16(64)残差卷积单元206和32*32*32(64)残差卷积单元207均包括两个依次连接的64维输入的残差单元II。
上述形如m*m*m(L)均表示输入和输入图片尺寸为m*m*m,通道数为L。例如:128*128*128(24)卷积单元表示输入和输出图片尺寸为128*128*128,通道数为24。
RPN(Region Proposal Networks)网络208为区域建议网络,由2个连续的卷积层构成用于提取针对目标问题的高置信度区域。RPN网络208用于对输入的特征图进行计算,输出矩形目标建议框的集合以及每个建议框的预测得分。对于本实施例,RPN网络208对输入的肺结节特征图进行计算,输出预测的肺结节坐标,直径以及概率,实现对输入图片的分类和回归。
本实施例中,肺结节检测网络中,RELU函数作为激活函数,具体为f(x)=max(0,x)。
RPN网络的损失函数L为交叉熵损失函数C与smoothL1函数之和。
其中,交叉熵函数C为:
其中,y为期望输出,也就是真值标签,a为网络的实际输出,a=σ(z),z=∑Wj×Xj+b,Wj和b为网路参数;
smooth L1函数为:
in which
S103,训练肺结节检测网络,得到肺结节检测装置。
对于训练样本集中,虽然,该训练样本集中的训练样本中去除了非常小的结节目标,但仍然存在结节尺寸及其不平衡的问题,小结节的数目远超过大结节。如果使用统一采样,网络的学习会更加倾向小结节的检测,与此同时牺牲大结节检测的准确性,这是与本发明的发明目的相悖。故为了解决这个问题,本实施例中,对训练样本集中加大了大结节的采样频率。具体如下:
以2倍采样频率对训练样本集中的肺结节大于30mm的小块进行采样,以6倍采样频率对训练样集本中的肺结节大于40mm的小块进行采样,其他尺寸的肺结节以正常采样频率采样,将采样后的训练样本输入到肺结节检测网络,以肺结节检测网络的预测输出与真实输出的误差收敛为目标,对肺结节检测网络进行训练,获得肺结节检测装置。
在训练的过程中,采用链式法则求网络参数的梯度。得到误差对每个参数的导数值时,即得到了当前的梯度值。根据梯度下降算法,参数向量减去梯度向量与学***均值均低于前一个epoch的损失函数值为收敛目标,经过多次参数迭代,得到最终的参数向量,即得到肺结节预测装置。
在获得肺结节分割装置后,对待测样本(待测肺部CT图)按照S101所述的内容进行预处理后,输入到肺结节检测装置,经计算获得待测样本的肺结节概率、坐标、直径。
经过实验对比得到:在肺结节检测网络中引入残差网络,也就是本实施例提供的肺结节检测网络的召回率为95%,收敛所需epoch数为60,未引入残差网络时,网络的召回率为85%,收敛所需epoch数为70。由此可以,引入残差网络提供了肺结节检测网络的召回率,训练速度以及稳定性。此外,对待测样本进行预测时,明显得到,引入残差网络得到的肺结节检测装置获得的测试速度更高,测试结果更准确。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于3D卷积神经网络的肺结节检测装置的建立方法,其特征在于,所述建立方法包括:
建立训练样本:首先,将采集的三维肺部CT图像裁剪成大量的立方体小块,然后,采用数据增强方法处理立方体小块,最后,采用难分负样本挖掘方法对增强处理后的立方体小块进行处理,获得最难区分的2n个负样本和n个正样本组成训练样本集;
建立肺结节检测网络:所述肺结节分割网络包括依次连接的128*128*128(24)卷积单元、64*64*64(32)残差卷积单元A、32*32*32(64)残差卷积单元B、16*16*16(64)残差卷积单元C、8*8*8(64)残差卷积单元D、16*16*16(64)残差卷积单元E,16*16*16(64)残差卷积单元E的输出特征图与16*16*16(64)残差卷积单元C输出特征图按照通道拼接后输入至32*32*32(64)残差卷积单元F,32*32*32(64)残差卷积单元F输出特征图与32*32*32(64)残差卷积单元B输出特征图按照通道拼接后,输入至RPN网络以实现对输入图的肺结节检测;
训练肺结节检测网络:以2倍采样频率对训练样本集中的肺结节大于30mm的小块进行采样,以6倍采样频率对训练样集本中的肺结节大于40mm的小块进行采样,其他尺寸的肺结节以正常采样频率采样,将采样后的训练样本输入到肺结节检测网络,以肺结节检测网络的预测输出与真实输出的误差收敛为目标,对肺结节检测网络进行训练,获得肺结节检测装置;
采用难分负样本挖掘方法对增强处理后的立方体小块进行处理,获得最难区分的2n个负样本和n个正样本组成训练样本集包括:
首先,采用肺结节检测网络对增强处理后的立方体小块进行计算,输出每个像素的分类置信度,分类置信度越接近1,表示立方体小块中含有肺结节的概率越高,分类置信度越接近0,表示立方体小块中不含有肺结节的概率越高;
然后,计算分类置信度与真值标签之差的绝对值,该绝对值越大,表示该负样本越难被网络区分;
最后,选择最难以被区分的2n个负样本和n个正样本组成训练样本集。
2.如权利要求1所述的基于3D卷积神经网络的肺结节检测装置的建立方法,其特征在于,所述将采集的三维肺部CT图像裁剪成大量的立方体小块包括:
根据以下条件对三维肺部CT图像进行裁剪:
条件一:70%立方体小块中至少包含一个肺结节目标;
条件二:30%立方体小块中从整个肺部中随机选取;
若立方体小块包含的区域超过了肺部,则用CT图像中无意义值170填充非肺部区域;
以肺结节区域的像素作为正样本,其他区域的像素作为负样本。
3.如权利要求1所述的基于3D卷积神经网络的肺结节检测装置的建立方法,其特征在于,所述64*64*64(32)残差卷积单元A中包含三个依次连接的32维输入的残差单元I;
每个残差单元I包括依次连接的32维输入、8维输出、卷积核为1×1的卷积层,8维输入、8维输出、卷积核为3×3的卷积层,8维输入、32维输出、卷积核为1×1的卷积层,每个卷积层均用于特征提取,三个卷积层级联的输出特征图和输入特征图间相加后,再经过RELU函数激活。
4.如权利要求1所述的基于3D卷积神经网络的肺结节检测装置的建立方法,其特征在于,所述32*32*32(64)残差卷积单元B、16*16*16(64)残差卷积单元C、8*8*8(64)残差卷积单元D均包括三个依次连接的64维输入的残差单元II;
每个残差单元II包括依次连接的64维输入、16维输出、卷积核为1×1的卷积层,16维输入、16维输出、卷积核为3×3的卷积层,16维输入、64维输出、卷积核为1×1的卷积层,每个卷积层均用于特征提取,三个卷积层级联的输出特征图和输入特征图间相加后,再经过RELU函数激活。
5.如权利要求1所述的基于3D卷积神经网络的肺结节检测装置的建立方法,其特征在于,所述16*16*16(64)残差卷积单元E和32*32*32(64)残差卷积单元F均包括两个依次连接的64维输入的残差单元II;
每个残差单元II包括依次连接的64维输入、16维输出、卷积核为1×1的卷积层,16维输入、16维输出、卷积核为3×3的卷积层,16维输入、64维输出、卷积核为1×1的卷积层,每个卷积层均用于特征提取,三个卷积层级联的输出特征图和输入特征图间相加后,再经过RELU函数激活。
7.如权利要求6所述的基于3D卷积神经网络的肺结节检测装置的建立方法,其特征在于,所述RPN网络的损失函数L收敛条件为:
连续3个epoch的损失函数L的平均值均低于前一个epoch的损失函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810092248.3A CN108257128B (zh) | 2018-01-30 | 2018-01-30 | 一种基于3d卷积神经网络的肺结节检测装置的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810092248.3A CN108257128B (zh) | 2018-01-30 | 2018-01-30 | 一种基于3d卷积神经网络的肺结节检测装置的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108257128A CN108257128A (zh) | 2018-07-06 |
CN108257128B true CN108257128B (zh) | 2020-09-18 |
Family
ID=62742961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810092248.3A Active CN108257128B (zh) | 2018-01-30 | 2018-01-30 | 一种基于3d卷积神经网络的肺结节检测装置的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108257128B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003260B (zh) * | 2018-06-28 | 2021-02-09 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
CN109034224B (zh) * | 2018-07-16 | 2022-03-11 | 西安电子科技大学 | 基于双分支网络的高光谱分类方法 |
CN109102502B (zh) * | 2018-08-03 | 2021-07-23 | 西北工业大学 | 基于三维卷积神经网络的肺结节检测方法 |
CN111160346A (zh) * | 2018-11-07 | 2020-05-15 | 电子科技大学 | 基于三维卷积的缺血性脑卒中分割*** |
CN109559297B (zh) * | 2018-11-15 | 2023-04-11 | 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 |
CN109685765B (zh) * | 2018-11-21 | 2023-03-14 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的x光片肺炎结果预测装置 |
CN109685768B (zh) * | 2018-11-28 | 2020-11-20 | 心医国际数字医疗***(大连)有限公司 | 基于肺部ct序列的肺结节自动检测方法及*** |
CN110009599A (zh) * | 2019-02-01 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 肝占位检测方法、装置、设备及存储介质 |
CN110533637B (zh) * | 2019-08-02 | 2022-02-11 | 杭州依图医疗技术有限公司 | 一种检测对象的方法及装置 |
CN110533120B (zh) * | 2019-09-05 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 器官结节的图像分类方法、装置、终端及存储介质 |
CN111179247A (zh) * | 2019-12-27 | 2020-05-19 | 上海商汤智能科技有限公司 | 三维目标检测方法及其模型的训练方法及相关装置、设备 |
CN112132815B (zh) * | 2020-09-25 | 2023-11-17 | 广州视源电子科技股份有限公司 | 肺结节检测模型训练方法、检测方法及装置 |
CN112561060B (zh) * | 2020-12-15 | 2022-03-22 | 北京百度网讯科技有限公司 | 神经网络训练方法及装置、图像识别方法及装置和设备 |
CN112614133B (zh) * | 2021-03-05 | 2021-07-06 | 北京小白世纪网络科技有限公司 | 一种无锚点框的三维肺结节检测模型训练方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107590797A (zh) * | 2017-07-26 | 2018-01-16 | 浙江工业大学 | 一种基于三维残差神经网络的ct影像肺结节检测方法 |
-
2018
- 2018-01-30 CN CN201810092248.3A patent/CN108257128B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107590797A (zh) * | 2017-07-26 | 2018-01-16 | 浙江工业大学 | 一种基于三维残差神经网络的ct影像肺结节检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108257128A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108257128B (zh) | 一种基于3d卷积神经网络的肺结节检测装置的建立方法 | |
CN108346154B (zh) | 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 | |
CN108230323B (zh) | 一种基于卷积神经网络的肺结节假阳性筛选方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
Wei et al. | Toward automatic building footprint delineation from aerial images using CNN and regularization | |
CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
CN109840556B (zh) | 一种基于孪生网络的图像分类识别方法 | |
WO2023193401A1 (zh) | 点云检测模型训练方法、装置、电子设备及存储介质 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN111291826A (zh) | 基于相关性融合网络的多源遥感图像的逐像素分类方法 | |
CN112800934B (zh) | 一种多类别工程车的行为识别方法及装置 | |
CN111369623A (zh) | 一种基于深度学习3d目标检测的肺部ct图像识别方法 | |
CN111046950A (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108388901B (zh) | 基于空间-语义通道的协同显著目标检测方法 | |
CN115272826A (zh) | 一种基于卷积神经网络的图像识别方法、装置及*** | |
CN117152746B (zh) | 一种基于yolov5网络的宫颈细胞分类参数获取方法 | |
CN114092814A (zh) | 基于深度学习的无人机脐橙树影像目标识别与统计方法 | |
CN111179278B (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
CN116228685B (zh) | 一种基于深度学习的肺结节检测与剔除方法 | |
CN114119577B (zh) | 高铁隧道漏缆卡扣检测方法 | |
CN109753896A (zh) | 一种基于共性自动编码器的无监督异源遥感图像变化检测方法 | |
CN112199984B (zh) | 一种大尺度遥感图像的目标快速检测方法 | |
CN104616302A (zh) | 一种目标实时识别方法 | |
CN106340038B (zh) | 一种基于单目图像中物体的深度次序推理方法 |
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 |