CN108510482A - 基于***镜图像的***检测方法、装置、设备及介质 - Google Patents
基于***镜图像的***检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN108510482A CN108510482A CN201810241901.8A CN201810241901A CN108510482A CN 108510482 A CN108510482 A CN 108510482A CN 201810241901 A CN201810241901 A CN 201810241901A CN 108510482 A CN108510482 A CN 108510482A
- Authority
- CN
- China
- Prior art keywords
- image
- cervical carcinoma
- gynecatoptron
- convolutional neural
- 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.)
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于***镜图像的***检测方法、装置、终端设备及计算机可读存储介质,其方法包括:在基于双向卷积神经网络的***检测模型中:对获取的***镜图像进行宫颈口部位的定位及提取,以生成包括***病发区域的ROI图像;通过双向卷积神经网络对所述ROI图像进行分割边沿的提取,以生成切割图像;通过分类卷积神经网络对所述切割图像进行癌症等级分类,以输出***的病变等级,快速且准确得得出***检测结果,帮助经验不足医生快速判断病变部位、发现非典型病变部位,判断病变程度、取材部位,对及时发现***及癌前病变起到帮助和促进作用。
Description
技术领域
本发明涉及医疗图像处理领域,尤其涉及一种基于***镜图像的***检测方法、装置、终端设备及计算机可读存储介质。
背景技术
图像分割算法在传统的数字图像处理领域就已经存在,主要应用阈值分割方法及其各种变种。在图像分割算法基础上又引申出图像检测算法,但它们对图像处理的等级不同,检测主要是针对图像区域级别,而分割需要处理每个像素,对图像处理更加细腻。在深度学习领域,基于卷积网络的分割算法也越来越多,应用最多的是全卷积网络(FCN)。
现有***的癌前筛查依据“三阶梯”方法,即先行液基细胞学检测(LCT)和人***瘤病毒(Human Papillomavirus,HPV)检测,异常者进行***镜下宫颈、***病变活检,继以手术治疗。***镜下宫颈活检是诊断宫颈病变不可或缺的步骤。在医生进行***镜检查时直接通过图像进行筛选及活检,受医生接受培训的周期及水平不同,医生的图像判读能力直接影响活检结果。同时,直接对数字成像图片进行***的判断和分割是最为简单和直接的方法,但判断结果受到医生专业能力的限制,并没有得到普及。目前最为有效的方法是在细胞学领域的诊断,并且也得到了计算机算法辅助,并且也应用了一些传统分割方法,但受到传统分割方法的限制,筛选结果还需要医生重新判断,操作繁琐。
在实施本发明实施例的过程中,发明人发现:临床上***筛查的方法主要是LCT/HPV、***镜和组织病理学,其中细胞学筛查已经结合了传统的图像切割方法,并且取得一定效果,但有时会诊断错误;***镜也是常用的检查方法,但其准确性受医生经验水平及培训周期影响,直接影响诊断结果。
在数字图像处理领域,图像分割是经常使用的算法,但上述提到的分割方法存在各自的弊端,阈值分割方法在应用原理上较为简单,容易受到图像本身灰度分布以及噪声干扰等因素的影响,仅利用灰度直方图得到的阈值并不能使图像分割得到满意的结果,受到图像光照的影响较大。在做***镜检查时需要额外的补光,会严重影响切割效果。
基于卷积神经网络的FCN切割算法大大改善了上述情况,可以很好地解决光照不均衡造成的不良效果,并且切割效果也较为平滑。但在分割小物体上效果较差,随着网络层次的加深,虽然层次更深的网络可以更好地拟合样本分布,但造成小物体信息的缺失更加严重。
发明内容
针对上述问题,本发明的目的在于提供一种基于***镜图像的***检测方法、装置、终端设备及计算机可读存储介质,快速且准确得得出***检测结果,帮助经验不足医生快速判断病变部位、发现非典型病变部位,判断病变程度、取材部位,对及时发现***及癌前病变起到了促进作用。
第一方面,本发明实施例提供了一种基于***镜图像的***检测方法,包括以下步骤:
在基于双向卷积神经网络的***检测模型中:
对获取的***镜图像进行宫颈口部位的定位及提取,以生成包括***病发区域的ROI图像;
通过双向卷积神经网络对所述ROI图像进行分割边沿的提取,以生成切割图像;
通过分类卷积神经网络对所述切割图像进行癌症等级分类,以输出***的病变等级。
在第一方面的第一种实现方式中,所述通过双向卷积神经网络对所述ROI图像进行分割边沿的提取,以生成切割图像,具体为:
在双向卷积神经网络中:
对所述ROI图像进行卷积运算及多层特征的特征值叠加,以获取与所述ROI图像尺寸相同的热图谱;
对所述热图谱进行反卷积运算,及高层特征与低层特征的特征值叠加,以提取边沿生成切割图像。
根据第一方面的第一种实现方式,在第一方面的第二种实现方式中,所述热图谱中的每个像素所对应的数值用于表示所述***镜图像的相同位置上的像素属于病发像素的概率;
则所述通过分类卷积神经网络对所述切割图像进行癌症等级分类,以输出***的病变等级,具体为:
根据所述切割图像,对所述***镜图像中的每个非病发像素进行像素处理,以生成处理图像;
通过分类卷积神经网络对所述处理图像进行多层特征的特征维度的叠加计算,以获取所述***镜图像所对应的***的病变等级。
根据第一方面的第二种实现方式,在第一方面的第三种实现方式中,所述根据所述切割图像,对所述***镜图像中的每个非病发像素进行像素处理,以生成处理图像,具体为:
根据所述切割图像,获取所述***镜图像中的每个非病发像素的位置;
当所述非病发像素在***病发区域的切割边沿以外时,将所述非病发像素的像素值置为0。
根据第一方面的第二种实现方式,在第一方面的第四种实现方式中,所述***的病变等级包括低级别病变、高级别病变、***、慢性***及正常子宫颈。
在第一方面的第五种实现方式中,所述基于双向卷积神经网络的***检测模型的训练步骤包括:
对获取的***镜样本图像进行预处理,以生成第一样本;
根据对抗生成网络对所述第一样本进行样本扩充,以获取第二样本;
基于深度学习的定位算法对所述第二样本中的***镜图像进行宫颈口部位的定位及提取,以生成训练ROI图像;
获取用户根据训练ROI图像进行病发区域标注的ROI-真实图像;
根据所述ROI-真实图像对所述双向卷积神经网络进行训练,以生成训练切割图像;其中,所述双向卷积神经网络每层的卷积核为3,总层次为20层,每一层包括卷积层及反卷积层;
根据所述训练切割图像,对所述第二样本中每个非病发像素进行像素处理,以获取像素处理图像;
获取用户对所述像素处理图像的反馈标签,以生成第三样本;
根据所述第三样本对所述分类卷积神经网络进行训练,以获取分类的***的病变等级;其中,所述分类卷积神经网络每层的卷积核为3,总层次为10层。
根据第一方面的第五种实现方式,在第一方面的第六种实现方式中,还包括:
根据所述ROI-真实图像及所述训练切割图像进行损失计算;其中,设损失计算函数为DLOSS,则x表示ROI-真实图像中用户标注的切割边沿坐标,y表示反卷积网络预测的训练切割图像的边沿坐标。
第二方面,本发明实施例提供了一种基于***镜图像的***检测装置,包括以下步骤:
在基于双向卷积神经网络的***检测模型中:
定位提取模块,用于对获取的***镜图像进行宫颈口部位的定位及提取,以生成包括***病发区域的ROI图像;
切割图像获取模块,用于通过双向卷积神经网络对所述ROI图像进行分割边沿的提取,以生成切割图像;
等级结果获取模块,用于通过分类卷积神经网络对所述切割图像进行癌症等级分类,以输出***的病变等级。
第三方面,本发明实施例提供了一种基于***镜图像的***检测终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述中任意一项所述的基于***镜图像的***检测方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于***镜图像的***检测方法。
本发明实施例提供了一种基于***镜图像的***检测方法、装置、终端设备及计算机可读存储介质,具有如下有益效果:
在将获取的***镜图像输入到基于双向卷积神经网络的***检测模型进行***检测时,在基于双向卷积神经网络的***检测模型中:首先对获取的***镜图像进行宫颈口部位的定位及提取,以生成包括***病发区域的ROI图像,然后通过双向卷积神经网络对所述ROI图像进行分割边沿的提取,以生成切割图像,最后通过分类卷积神经网络对所述切割图像进行癌症等级分类,以输出***的病变等级,通过双向卷积神经网络及特征融合技术,在不同阶段应用了不同的神经网络模型,可以分割出小的癌症病变区域,快速且准确地分割并归类出***的病变等级,在医生进行少量培训之后就可以进行操作,受到医生专业知识的约束也会大大降低,在没有专业医生的医院或者偏远地区也可以准确地进行***筛查和诊断,可以帮助经验不足医生快速判断病变部位、发现非典型病变部位,判断病变程度、取材部位,对及时发现***及癌前病变起到了促进作用,本发明通过人工智能识别经***镜获取的宫颈图像,及时准确地判断各种宫颈病变部位,指导医生准确获取病变组织进行病理学检查,甚至可以替代传统的细胞学检查,快速发现***及癌前病变,具有很大的社会和医学价值。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的基于***镜图像的***检测方法的流程示意图。
图2是本发明第一实施例提供的所述终端设备获取的***镜图像的示意图。
图3是本发明第一实施例提供的包括***病发区域的ROI图像的示意图。
图4是本发明第一实施例提供的获取的热图谱的示意图。
图5是本发明第一实施例提供的获取的切割图像的示意图。
图6是本发明第一实施例提供的双向卷积神经网络的示意图。
图7是本发明第一实施例提供的分类卷积神经网络的示意图。
图8是本发明第二实施例提供的基于双向卷积神经网络的***检测模型的训练步骤的流程示意图。
图9是本发明第三实施例提供的基于***镜图像的***检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明第一实施例提供了一种基于***镜图像的***检测方法,其可由终端设备来执行,并包括以下步骤:
在基于双向卷积神经网络的***检测模型中:
S11,对获取的***镜图像进行宫颈口部位的定位及提取,以生成包括***病发区域的ROI图像。
在本发明实施例中,所述终端设备可为桌上型计算机、笔记本、掌上电脑、智能平板及云端服务器等计算设备,特别的,所述终端设备可为云端服务器,只要在医院的终端拍摄到的***镜图片,云服务器会在2s内返回分割图片和病变等级。
在本发明实施例中,在基于双向卷积神经网络的***检测模型中,请参阅图2,在采集***镜图片时,并不能保证图片中只有宫颈口,大部分情形下还会有其它身体部位,所以为了消除其它部位的影响,需要先定位出宫颈口的位置并提取其位置对应的ROI图像作为后续处理的图片,ROI图像,即感兴趣区域,使用ROI指定想读入的目标,可以减少处理时间,增加精度,给图像处理带来便利;请参阅图3,所述终端设备获取用户传输的***镜图像,通过基于深度学习的定位算法对所述***镜图像进行宫颈口部位的定位及提取,以生成包括***病发区域的ROI图像,所述基于深度学习的定位算法可以很鲁棒地定位到宫颈口区域,需要说明的是,所述病发区域为宫颈口部位。
S12,通过双向卷积神经网络对所述ROI图像进行分割边沿的提取,以生成切割图像。
在本发明实施例中,具体地,在双向卷积神经网络中:请参阅图4,所述终端设备对所述ROI图像进行卷积运算及多层特征的特征值叠加,以获取与所述ROI图像尺寸相同的热图谱,请参阅图5,然后对所述热图谱进行反卷积运算,及高层特征与低层特征的特征值叠加,以提取边沿生成切割图像,请参阅图6,图6中C表示卷积层,DC表示反卷积层,所述终端设备对所述ROI图像进行卷积运算及多层特征的特征值叠加,采用多层特征相互融合机制,该融合是特征值叠加,即两个相同维度的特征进行数字相加,不改变特征图谱维度,每层的特征图谱的宽和高保持一致,放弃了会减小特征图谱尺寸(宽和高)的采样层,特征值相加是指两个维度相同的特征图像,两个特征图像中对应相同位置的数值进行求和运算,保持图像的宽和高,例如一个特征为另一个特征为那么特征相加后为图像经过卷积运算后的输出即为该层的特征,由于进行卷积运算时没有减小图像的宽和高,所以在特征叠加时的特征维度是相同的,前半部分的卷积层得到了所述ROI图像的病发区域的热图谱,热图谱的宽和高与用户输入的***镜图像相同,热图谱的每个像素所对应的数值代表所述***镜图像该位置的像素属于病发的概率,热图谱的外界边沿是病发区域粗糙且模糊的过度区域,并没有明显的边沿,然后所述终端设备对所述热图谱进行反卷积运算,及高层特征与低层特征的特征值叠加,随着卷积网络的加深,小目标的特征会越来越不明显,甚至可能消失,所以还需要网络低层次特征,相同坐标低层特征和高层特征加权叠加,形成一个新的特征图谱,随着特征的加深,低层特征会慢慢消失,但大大改善原有的信号损失程度,热图谱经过后半部分的反卷积网络,得到明显边沿图像,生成切割图像,切割图像的不同区域呈现不同的颜色。需要说明的是,考虑到卷积神经网络较小的卷积核可以保持图像中细腻的细节,所以每层卷积核大小为3,每次卷积运算时加图片扩充大小为2,并采用xavier均匀分布来初始化权重,因为神经网络会保存每层的参数,即为神经网络权重,用于图像卷积运算,即卷积运算就是该权重参数和图像进行卷积运算;双向网络的总层次为20层,所有层均为卷积层和反卷积层,特征图谱尺寸大小保持一致。
S13,通过分类卷积神经网络对所述切割图像进行癌症等级分类,以输出***的病变等级。
在本发明实施例中,所述终端设备根据所述切割图像,对所述***镜图像中的每个非病发像素进行像素处理,以生成处理图像,具体地,所述终端设备根据所述切割图像,获取所述***镜图像中的每个非病发像素的位置,若所述非病发像素在***病发区域的切割边沿以内,则所述非病发像素的像素值不变;当所述非病发像素在***病发区域的切割边沿以外时,所述终端设备将所述非病发像素的像素值置为0,请参阅图7,然后所述终端设备通过分类卷积神经网络对所述处理图像进行多层特征的特征维度的叠加计算,以获取所述***镜图像所对应的***的病变等级,所述***的病变等级包括低级别病变、高级别病变、***、慢性***及正常子宫颈,所述分类卷积神经网络采用了多层特征融合的方法和较小的卷积核,其融合方法是特征维度的增加,即拼接两个特征而形成维度更多的特征,例如一个特征为另一个特征为那么特征拼接后所述分类卷积神经网络,所述分类卷积神经网络每层卷积核大小为3,并采用xavier均匀分布来初始化权重,其总层次为10层,如图7所示,C为卷积层,P为采样层,FC为全连接层。
综上所述,本发明第一实施例提供了一种基于***镜图像的***检测方法,在将获取的***镜图像输入到基于双向卷积神经网络的***检测模型进行***检测时,在基于双向卷积神经网络的***检测模型中:首先对获取的***镜图像进行宫颈口部位的定位及提取,以生成包括***病发区域的ROI图像,然后通过双向卷积神经网络对所述ROI图像进行分割边沿的提取,以生成切割图像,最后通过分类卷积神经网络对所述切割图像进行癌症等级分类,以输出***的病变等级,通过双向卷积神经网络及特征融合技术,在不同阶段应用了不同的神经网络模型,为了适应小物体分割,在各个神经网络计算过程中使用了多层特征融合技术,同时保留了低层和顶层的特征,可以分割出小的癌症病变区域,快速且准确地分割并归类出***的病变等级,在医生进行少量培训之后就可以进行操作,受到医生专业知识的约束也会大大降低,在没有专业医生的医院或者偏远地区也可以准确地进行***筛查和诊断,可以帮助经验不足医生快速判断病变部位、发现非典型病变部位,判断病变程度、取材部位,对及时发现***及癌前病变起到了促进作用,本发明通过人工智能识别经***镜获取的宫颈图像,及时准确地判断各种宫颈病变部位,指导医生准确获取病变组织进行病理学检查,甚至可以替代传统的细胞学检查,快速发现***及癌前病变,具有很大的社会和医学价值。
为了便于对本发明的理解,下面将对本发明的一些优选实施例做更进一步的描述。
本发明第二实施例:
请参阅图8,在本发明第一实施例的基础上,所述基于双向卷积神经网络的***检测模型的训练步骤包括:
S21,对获取的***镜样本图像进行预处理,以生成第一样本。
在本发明实施例中,具体地,为了保证***镜样本图像质量的可靠性,在保证不改变***镜样本图像对比度的前提下对原***镜样本图像做了数据增强,增强方法主要为:通过平移,翻转,加噪声等。翻转是对图片进行3个方向旋转以及原图镜像图片的旋转;添加的噪声为常见的高斯噪声,以形成预处理后的第一样本。
S22,根据对抗生成网络对所述第一样本进行样本扩充,以获取第二样本。
在本发明实施例中,由于做***镜检查的病人并不是很多,有用的样本就更少,为了防止样本过少而造成的网络过拟合现象,在训练之前需做样本扩充。所述终端设备根据对抗生成网络(GAN)对所述第一样本进行样本扩充,可以生成一些非常逼真的样本,所述对抗生成网络(GAN)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一,模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。
S23,基于深度学习的定位算法对所述第二样本中的***镜图像进行宫颈口部位的定位及提取,以生成训练ROI图像。
在本发明实施例中,在采集***镜图片时,并不能保证图片中只有宫颈口,大部分情形下还会有其它身体部位,所以为了消除其它部位的影响,先定位出宫颈口的位置并提取ROI图片作为后续处理的样本图片,所述终端设备运用基于深度学习的定位算法对所述第二样本中的***镜图像进行宫颈口部位的定位及提取,以生成训练ROI图像。
S24,获取用户根据训练ROI图像进行病发区域标注的ROI-真实图像;
在本发明实施例中,在获取包括宫颈口部位的病发区域的训练ROI图像之后,将所述训练ROI图像反馈给用户(即医生),在专业经验的医生的帮助下,把病发区域的边沿线标注出来,被边沿线包围的区域为真实的病发区域,然后所述终端设备获取用户根据训练ROI图像进行病发区域标注的ROI-真实图像,将标注的这些真实区域的坐标保存起来,以作为所述双向卷积神经网络的训练样本。
S25,根据所述ROI-真实图像对所述双向卷积神经网络进行训练,以生成训练切割图像;其中,所述双向卷积神经网络每层的卷积核为3,总层次为20层,每一层包括卷积层及反卷积层。
在本发明实施例中,所述终端设备根据所述ROI-真实图像对所述双向卷积神经网络进行训练,以生成训练切割图像,采用多层特征相互融合机制,该融合只是特征值叠加,即两个相同维度的特征进行数字相加,不改变特征图谱维度,每层的特征图谱的宽和高保持一致,放弃了会减小特征图谱尺寸(宽和高)的采样层,同时,随着卷积网络的加深,小目标的特征会越来越不明显,甚至可能消失,所以还需要网络低层次特征,相同坐标低层特征和高层特征加权叠加,形成一个新的特征图谱,随着特征的加深,低层特征会慢慢消失,但大大改善原有的信号损失程度,考虑到卷积神经网络较小的卷积核可以保持图像中细腻的细节,所以每层卷积核大小为3,每次卷积运算时加图片扩充大小为2,并采用xavier均匀分布来初始化权重,双向卷积神经网络的总层次为20层,所有层均为卷积层和反卷积层,特征图谱尺寸大小保持一致。
在本发明实施例中,请参阅图6,在训练过程中,为了区分正常区域和病发区域的界限,采用了两个损失函数来评判模型的好坏程度,总LOSS值为两个损失函数之和,LOSS越小模型训练的越好。如图6所示,双向卷积神经网络中间(双向卷积神经网络衔接处)采用SoftMaxLoss损失函数,前半部分的卷积层得到了病发区域的热图谱,热图谱的宽和高与所述***镜样本图像相同,热图谱的每个像素的数值代表对应的所述***镜样本图像该位置的像素属于病发的概率,热图谱的外界边沿是病发区域粗糙且模糊的过度区域,并没有明显的边沿。热图谱经过后半部分的反卷积网络,得到明显边沿图像,即为训练切割图像,训练切割图像的不同区域呈现不同的颜色,在反卷积后面连接第二个损失函数,用来评判反卷积网络生成的训练切割图像与所述ROI-真实图像之间的相似度,根据所述ROI-真实图像及所述训练切割图像进行损失计算,反卷积神经网络生成的训练切割图像与所述ROI-真实图像之间相似度评判过程如下:
1)提取反卷积网络生成的训练切割图像和所述ROI-真实图像的切割边沿,组成边沿的每个像素的坐标分别用不同的向量表示。
2)根据下式计算两个向量之间的LOSS值,用DLOSS表示。
其中x表示ROI-真实图像中用户标注的切割边沿坐标,y表示反卷积网络预测的训练切割图像的边沿坐标。
S26,根据所述训练切割图像,对所述第二样本中每个非病发像素进行像素处理,以获取像素处理图像。
在本发明实施例中,根据所述训练切割图像,获取所述***镜图像中的每个非病发像素的位置;若所述非病发像素在***病发区域的切割边沿以内,所述非病发像素的像素值不变;若所述非病发像素在***病发区域的切割边沿以外,所述非病发像素的像素值置为0,处理完成后形成像素处理图像。
S27,获取用户对所述像素处理图像的反馈标签,以生成第三样本。
在本发明实施例中,在所述非病发区域像素处理完成形成像素处理图像后,所述终端设备将所述像素处理图像反馈给用户(即医生),由专业医生对所述像素处理图像打标签,根据癌症等级分为:低级别病变、高级别病变、***、慢性***和正常,所述终端设备获取用户对所述像素处理图像的反馈标签,以生成第三样本,作为所述分类卷积神经网络的训练样本。
S28,根据所述第三样本对所述分类卷积神经网络进行训练,以获取分类的***的病变等级;其中,所述分类卷积神经网络每层的卷积核为3,总层次为10层。
在本发明实施例中,所述终端设备根据所述第三样本对所述分类卷积神经网络进行训练,以获取分类的***的病变等级,所述分类卷积神经网络采用了多层特征融合的方法和较小的卷积核,其融合方法是特征维度的增加,即拼接两个特征而形成维度更多的特征,所述分类卷积神经网络,所述分类卷积神经网络每层卷积核大小为3,并采用xavier均匀分布来初始化权重,其总层次为10层,如图7所示,C为卷积层,P为采样层,FC为全连接层,在最后采用SoftMaxLoss损失函数进行损失计算。
在本发明实施例中,利用1000张******镜图片作为训练样本原始图片,每个癌症等级分别为200张,200张起重机图片作为测试原始图片,每个癌症等级分别为40张,其中测试的200张测试样本不在1000张训练样本中。经过样本预处理和样本扩充后,训练样本从1000张扩充到10000张,测试样本不进行扩充,在测试样本中,利用三个指标来评估分割准确率,分别为分割精度、过分割率和欠分割率,其中计算获得分割精度达到了95%以上,过分割率低于3%,欠分割率低于3%,等级分类准确率超过90%。后续通过增加训练样本还可以继续提高分割精度和分类准确率,同时降低过分割率和欠分割率。
请参阅图9,本发明第三实施例提供了一种基于***镜图像的***检测装置,包括以下步骤:
在基于双向卷积神经网络的***检测模型中:
定位提取模块11,用于对获取的***镜图像进行宫颈口部位的定位及提取,以生成包括***病发区域的ROI图像。
切割图像获取模块12,用于通过双向卷积神经网络对所述ROI图像进行分割边沿的提取,以生成切割图像。
等级结果获取模块13,用于通过分类卷积神经网络对所述切割图像进行癌症等级分类,以输出***的病变等级。
在第三实施例的第一种实现方式中,所述切割图像获取模块12具体包括:
在双向卷积神经网络中:
热图谱获取单元,用于对所述ROI图像进行卷积运算及多层特征的特征值叠加,以获取与所述ROI图像尺寸相同的热图谱。
切割图像生成单元,用于对所述热图谱进行反卷积运算,及高层特征与低层特征的特征值叠加,以提取边沿生成切割图像。
根据第三实施例的第一种实现方式,在第三实施例的第二种实现方式中,所述热图谱中的每个像素所对应的数值用于表示所述***镜图像的相同位置上的像素属于病发像素的概率。
则所述等级结果获取模块13具体包括:
处理图像生成单元,用于根据所述切割图像,对所述***镜图像中的每个非病发像素进行像素处理,以生成处理图像。
病变等级获取单元,用于通过分类卷积神经网络对所述处理图像进行多层特征的特征维度的叠加计算,以获取所述***镜图像所对应的***的病变等级。
根据第三实施例的第二种实现方式,在第三实施例的第三种实现方式中,所述处理图像生成单元具体包括:
位置获取子单元,用于根据所述切割图像,获取所述***镜图像中的每个非病发像素的位置。
第一像素处理单元,当所述非病发像素在***病发区域的切割边沿以外时,将所述非病发像素的像素值置为0。
根据第三实施例的第二种实现方式,在第三实施例的第四种实现方式中,所述***的病变等级包括低级别病变、高级别病变、***、慢性***及正常子宫颈。
在第三实施例的第五种实现方式中,所述基于双向卷积神经网络的***检测模型的训练步骤包括:
第一样本生成模块,用于对获取的***镜样本图像进行预处理,以生成第一样本。
第二样本生成模块,用于根据对抗生成网络对所述第一样本进行样本扩充,以获取第二样本。
训练ROI图像生成模块,用于基于深度学习的定位算法对所述第二样本中的***镜图像进行宫颈口部位的定位及提取,以生成训练ROI图像。
ROI-真实图像获取模块,用于获取用户根据训练ROI图像进行病发区域标注的ROI-真实图像。
双向卷积神经网络训练模块,用于根据所述ROI-真实图像对所述双向卷积神经网络进行训练,以生成训练切割图像;其中,所述双向卷积神经网络每层的卷积核为3,总层次为20层,每一层包括卷积层及反卷积层。
像素处理图像获取模块,用于根据所述训练切割图像,对所述第二样本中每个非病发像素进行像素处理,以获取像素处理图像。
第三样本生成模块,用于获取用户对所述像素处理图像的反馈标签,以生成第三样本。
分类卷积神经网络训练模块,用于根据所述第三样本对所述分类卷积神经网络进行训练,以获取分类的***的病变等级;其中,所述分类卷积神经网络每层的卷积核为3,总层次为10层。
根据第三实施例的第五种实现方式,在第三实施例的第六种实现方式中,还包括:
损失计算模块,用于根据所述ROI-真实图像及所述训练切割图像进行损失计算;其中,设损失计算函数为DLOSS,则x表示ROI-真实图像中用户标注的切割边沿坐标,y表示反卷积网络预测的训练切割图像的边沿坐标。
本发明第四实施例提供了一种基于***镜图像的***检测终端设备。该实施例的基于***镜图像的***检测终端设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,例如基于***镜图像的***检测程序。所述处理器执行所述计算机程序时实现上述各个基于***镜图像的***检测方法实施例中的步骤,例如图1所示的步骤S11。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如切割图像获取模块。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述基于***镜图像的***检测终端设备中的执行过程。
所述基于***镜图像的***检测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于***镜图像的***检测终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述部件仅仅是基于***镜图像的***检测终端设备的示例,并不构成对基于***镜图像的***检测终端设备的限定,可以包括比上述部件更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于***镜图像的***检测终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于***镜图像的***检测终端设备的控制中心,利用各种接口和线路连接整个基于***镜图像的***检测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于***镜图像的***检测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述基于***镜图像的***检测终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于***镜图像的***检测方法,其特征在于,包括以下步骤:
在基于双向卷积神经网络的***检测模型中:
对获取的***镜图像进行宫颈口部位的定位及提取,以生成包括***病发区域的ROI图像;
通过双向卷积神经网络对所述ROI图像进行分割边沿的提取,以生成切割图像;
通过分类卷积神经网络对所述切割图像进行癌症等级分类,以输出***的病变等级。
2.根据权利要求1所述的基于***镜图像的***检测方法,其特征在于,所述通过双向卷积神经网络对所述ROI图像进行分割边沿的提取,以生成切割图像,具体为:
在双向卷积神经网络中:
对所述ROI图像进行卷积运算及多层特征的特征值叠加,以获取与所述ROI图像尺寸相同的热图谱;
对所述热图谱进行反卷积运算,及高层特征与低层特征的特征值叠加,以提取边沿生成切割图像。
3.根据权利要求2所述的基于***镜图像的***检测方法,其特征在于,所述热图谱中的每个像素所对应的数值用于表示所述***镜图像的相同位置上的像素属于病发像素的概率;
则所述通过分类卷积神经网络对所述切割图像进行癌症等级分类,以输出***的病变等级,具体为:
根据所述切割图像,对所述***镜图像中的每个非病发像素进行像素处理,以生成处理图像;
通过分类卷积神经网络对所述处理图像进行多层特征的特征维度的叠加计算,以获取所述***镜图像所对应的***的病变等级。
4.根据权利要求3所述的根据所述切割图像,其特征在于,所述根据所述切割图像,对所述***镜图像中的每个非病发像素进行像素处理,以生成处理图像,具体为:
根据所述切割图像,获取所述***镜图像中的每个非病发像素的位置;
当所述非病发像素在***病发区域的切割边沿以外时,将所述非病发像素的像素值置为0。
5.根据权利要求3所述的基于***镜图像的***检测方法,其特征在于,所述***的病变等级包括低级别病变、高级别病变、***、慢性***及正常子宫颈。
6.根据权利要求1所述的基于***镜图像的***检测方法,其特征在于,所述基于双向卷积神经网络的***检测模型的训练步骤包括:
对获取的***镜样本图像进行预处理,以生成第一样本;
根据对抗生成网络对所述第一样本进行样本扩充,以获取第二样本;
基于深度学习的定位算法对所述第二样本中的***镜图像进行宫颈口部位的定位及提取,以生成训练ROI图像;
获取用户根据训练ROI图像进行病发区域标注的ROI-真实图像;
根据所述ROI-真实图像对所述双向卷积神经网络进行训练,以生成训练切割图像;其中,所述双向卷积神经网络每层的卷积核为3,总层次为20层,每一层包括卷积层及反卷积层;
根据所述训练切割图像,对所述第二样本中每个非病发像素进行像素处理,以获取像素处理图像;
获取用户对所述像素处理图像的反馈标签,以生成第三样本;
根据所述第三样本对所述分类卷积神经网络进行训练,以获取分类的***的病变等级;其中,所述分类卷积神经网络每层的卷积核为3,总层次为10层。
7.根据所述权利要求6所述的基于***镜图像的***检测方法,其特征在于,还包括:
根据所述ROI-真实图像及所述训练切割图像进行损失计算;其中,设损失计算函数为DLOSS,则x表示ROI-真实图像中用户标注的切割边沿坐标,y表示反卷积网络预测的训练切割图像的边沿坐标。
8.一种基于***镜图像的***检测装置,其特征在于,包括以下步骤:
在基于双向卷积神经网络的***检测模型中:
定位提取模块,用于对获取的***镜图像进行宫颈口部位的定位及提取,以生成包括***病发区域的ROI图像;
切割图像获取模块,用于通过双向卷积神经网络对所述ROI图像进行分割边沿的提取,以生成切割图像;
等级结果获取模块,用于通过分类卷积神经网络对所述切割图像进行癌症等级分类,以输出***的病变等级。
9.一种基于***镜图像的***检测终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于***镜图像的***检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的基于***镜图像的***检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810241901.8A CN108510482B (zh) | 2018-03-22 | 2018-03-22 | 一种基于***镜图像的***检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810241901.8A CN108510482B (zh) | 2018-03-22 | 2018-03-22 | 一种基于***镜图像的***检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108510482A true CN108510482A (zh) | 2018-09-07 |
CN108510482B CN108510482B (zh) | 2020-12-04 |
Family
ID=63378218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810241901.8A Expired - Fee Related CN108510482B (zh) | 2018-03-22 | 2018-03-22 | 一种基于***镜图像的***检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510482B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427060A (zh) * | 2018-10-30 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 一种影像识别的方法、装置、终端设备和医疗*** |
CN109493340A (zh) * | 2018-11-28 | 2019-03-19 | 武汉大学人民医院(湖北省人民医院) | 一种胃镜下食管胃底静脉曲张辅助诊断***及方法 |
CN109584229A (zh) * | 2018-11-28 | 2019-04-05 | 武汉大学人民医院(湖北省人民医院) | 一种内镜下逆行胰胆管造影术实时辅助诊断***及方法 |
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 |
CN110033456A (zh) * | 2019-03-07 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 一种医疗影像的处理方法、装置、设备和*** |
CN110033445A (zh) * | 2019-04-10 | 2019-07-19 | 司法鉴定科学研究院 | 基于深度学习的法医学检验自动化识别***及识别方法 |
CN110136113A (zh) * | 2019-05-14 | 2019-08-16 | 湖南大学 | 一种基于卷积神经网络的***病理图像分类方法 |
CN110334565A (zh) * | 2019-03-21 | 2019-10-15 | 江苏迪赛特医疗科技有限公司 | 一种显微镜病理照片的***病变细胞分类*** |
CN110490850A (zh) * | 2019-02-14 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种肿块区域检测方法、装置和医学图像处理设备 |
CN110516665A (zh) * | 2019-08-23 | 2019-11-29 | 上海眼控科技股份有限公司 | 识别图像叠加文字区域的神经网络模型构建方法与*** |
CN110706794A (zh) * | 2019-09-26 | 2020-01-17 | 中国科学院深圳先进技术研究院 | 一种医学图像处理***和医学图像处理方法 |
CN111436972A (zh) * | 2020-04-13 | 2020-07-24 | 王时灿 | 一种三维超声妇科疾病诊断装置 |
CN111476794A (zh) * | 2019-01-24 | 2020-07-31 | 武汉兰丁医学高科技有限公司 | 一种基于unet的宫颈病理组织分割方法 |
CN111914841A (zh) * | 2020-08-07 | 2020-11-10 | 温州医科大学 | 一种ct图像处理方法和装置 |
CN112435242A (zh) * | 2020-11-25 | 2021-03-02 | 江西中科九峰智慧医疗科技有限公司 | 肺部图像处理方法、装置、电子设备和存储介质 |
CN112884707A (zh) * | 2021-01-15 | 2021-06-01 | 复旦大学附属妇产科医院 | 基于***镜的***前病变检测***、设备及介质 |
WO2021114832A1 (zh) * | 2020-05-28 | 2021-06-17 | 平安科技(深圳)有限公司 | 样本图像数据增强方法、装置、电子设备及存储介质 |
WO2021139447A1 (zh) * | 2020-09-30 | 2021-07-15 | 平安科技(深圳)有限公司 | 一种宫颈异常细胞检测装置及方法 |
CN113710166A (zh) * | 2020-03-19 | 2021-11-26 | 艾多特公司 | 一种颈动脉超声诊断*** |
TWI767506B (zh) * | 2020-02-26 | 2022-06-11 | 大陸商上海商湯智能科技有限公司 | 圖像識別方法、識別模型的訓練方法、設備 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 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*** |
CN106780466A (zh) * | 2016-12-21 | 2017-05-31 | 广西师范大学 | 一种基于卷积神经网络的宫颈细胞图像识别方法 |
CN107609503A (zh) * | 2017-09-05 | 2018-01-19 | 刘宇红 | 智能癌变细胞识别***及方法、云平台、服务器、计算机 |
US20180061046A1 (en) * | 2016-08-31 | 2018-03-01 | International Business Machines Corporation | Skin lesion segmentation using deep convolution networks guided by local unsupervised learning |
-
2018
- 2018-03-22 CN CN201810241901.8A patent/CN108510482B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 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*** |
US20180061046A1 (en) * | 2016-08-31 | 2018-03-01 | International Business Machines Corporation | Skin lesion segmentation using deep convolution networks guided by local unsupervised learning |
CN106780466A (zh) * | 2016-12-21 | 2017-05-31 | 广西师范大学 | 一种基于卷积神经网络的宫颈细胞图像识别方法 |
CN107609503A (zh) * | 2017-09-05 | 2018-01-19 | 刘宇红 | 智能癌变细胞识别***及方法、云平台、服务器、计算机 |
Non-Patent Citations (2)
Title |
---|
TAO XU 等: "Multimodal Deep Learning", 《MICCAI 2016》 * |
谢珍珠 等: "边缘增强深层网络的图像超分辨率重建", 《中国图象图形学报》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11610310B2 (en) | 2018-10-30 | 2023-03-21 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, system, and storage medium for recognizing medical image |
CN109427060A (zh) * | 2018-10-30 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 一种影像识别的方法、装置、终端设备和医疗*** |
US11410306B2 (en) | 2018-10-30 | 2022-08-09 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, system, and storage medium for recognizing medical image |
CN109493340A (zh) * | 2018-11-28 | 2019-03-19 | 武汉大学人民医院(湖北省人民医院) | 一种胃镜下食管胃底静脉曲张辅助诊断***及方法 |
CN109584229A (zh) * | 2018-11-28 | 2019-04-05 | 武汉大学人民医院(湖北省人民医院) | 一种内镜下逆行胰胆管造影术实时辅助诊断***及方法 |
CN111476794B (zh) * | 2019-01-24 | 2023-10-20 | 武汉兰丁智能医学股份有限公司 | 一种基于unet的宫颈病理组织分割方法 |
CN111476794A (zh) * | 2019-01-24 | 2020-07-31 | 武汉兰丁医学高科技有限公司 | 一种基于unet的宫颈病理组织分割方法 |
CN110490850A (zh) * | 2019-02-14 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种肿块区域检测方法、装置和医学图像处理设备 |
CN109949271B (zh) * | 2019-02-14 | 2021-03-16 | 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 |
US11995821B2 (en) | 2019-02-14 | 2024-05-28 | Tencent Technology (Shenzhen) Company Limited | Medical image region screening method and apparatus and storage medium |
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 |
CN110458883A (zh) * | 2019-03-07 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 一种医疗影像的处理***、方法、装置和设备 |
CN110033456B (zh) * | 2019-03-07 | 2021-07-09 | 腾讯科技(深圳)有限公司 | 一种医疗影像的处理方法、装置、设备和*** |
CN110033456A (zh) * | 2019-03-07 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 一种医疗影像的处理方法、装置、设备和*** |
CN110334565A (zh) * | 2019-03-21 | 2019-10-15 | 江苏迪赛特医疗科技有限公司 | 一种显微镜病理照片的***病变细胞分类*** |
CN110033445A (zh) * | 2019-04-10 | 2019-07-19 | 司法鉴定科学研究院 | 基于深度学习的法医学检验自动化识别***及识别方法 |
CN110136113A (zh) * | 2019-05-14 | 2019-08-16 | 湖南大学 | 一种基于卷积神经网络的***病理图像分类方法 |
CN110136113B (zh) * | 2019-05-14 | 2022-06-07 | 湖南大学 | 一种基于卷积神经网络的***病理图像分类方法 |
CN110516665A (zh) * | 2019-08-23 | 2019-11-29 | 上海眼控科技股份有限公司 | 识别图像叠加文字区域的神经网络模型构建方法与*** |
CN110706794A (zh) * | 2019-09-26 | 2020-01-17 | 中国科学院深圳先进技术研究院 | 一种医学图像处理***和医学图像处理方法 |
TWI767506B (zh) * | 2020-02-26 | 2022-06-11 | 大陸商上海商湯智能科技有限公司 | 圖像識別方法、識別模型的訓練方法、設備 |
CN113710166A (zh) * | 2020-03-19 | 2021-11-26 | 艾多特公司 | 一种颈动脉超声诊断*** |
CN111436972A (zh) * | 2020-04-13 | 2020-07-24 | 王时灿 | 一种三维超声妇科疾病诊断装置 |
WO2021114832A1 (zh) * | 2020-05-28 | 2021-06-17 | 平安科技(深圳)有限公司 | 样本图像数据增强方法、装置、电子设备及存储介质 |
CN111914841B (zh) * | 2020-08-07 | 2023-10-13 | 温州医科大学 | 一种ct图像处理方法和装置 |
CN111914841A (zh) * | 2020-08-07 | 2020-11-10 | 温州医科大学 | 一种ct图像处理方法和装置 |
WO2021139447A1 (zh) * | 2020-09-30 | 2021-07-15 | 平安科技(深圳)有限公司 | 一种宫颈异常细胞检测装置及方法 |
CN112435242A (zh) * | 2020-11-25 | 2021-03-02 | 江西中科九峰智慧医疗科技有限公司 | 肺部图像处理方法、装置、电子设备和存储介质 |
CN112884707A (zh) * | 2021-01-15 | 2021-06-01 | 复旦大学附属妇产科医院 | 基于***镜的***前病变检测***、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108510482B (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510482A (zh) | 基于***镜图像的***检测方法、装置、设备及介质 | |
CN105894517B (zh) | 基于特征学习的ct图像肝脏分割方法及*** | |
Cha et al. | Urinary bladder segmentation in CT urography using deep‐learning convolutional neural network and level sets | |
Joshi et al. | Classification of brain cancer using artificial neural network | |
Cao et al. | Fracture detection in x-ray images through stacked random forests feature fusion | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断*** | |
Dundar et al. | Computerized classification of intraductal breast lesions using histopathological images | |
WO2021082691A1 (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
CN109919928A (zh) | 医学影像的检测方法、装置和存储介质 | |
KR102058348B1 (ko) | 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치 및 방법 | |
CN108805209A (zh) | 一种基于深度学习的肺结节筛查方法 | |
CN107506770A (zh) | 糖尿病视网膜病变眼底照相标准图像生成方法 | |
CN107229952A (zh) | 图像的识别方法及装置 | |
CN107045721A (zh) | 一种从胸部ct图像中提取肺血管的方法及装置 | |
CN106530298A (zh) | 一种基于三支决策的肝脏肿瘤ct图像分类方法 | |
CN112263217B (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
Jony et al. | Detection of lung cancer from CT scan images using GLCM and SVM | |
CN109902682A (zh) | 一种基于残差卷积神经网络的乳腺x线图像检测方法 | |
US20220028068A1 (en) | Multi-scale tumor cell detection and classification | |
Ma et al. | Automated pectoral muscle identification on MLO‐view mammograms: Comparison of deep neural network to conventional computer vision | |
CN108596174A (zh) | 一种皮肤病影像的病灶定位方法 | |
CN107845091A (zh) | 基于预筛查的快速标注方法和*** | |
CN105718947B (zh) | 基于lbp和小波矩融合特征的肺癌图像精细分类方法 | |
CN110264460A (zh) | 一种目标检测结果的鉴别方法、装置、设备及存储介质 | |
CN109658377A (zh) | 一种基于多维度信息融合的乳腺mri病变区域检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201204 |
|
CF01 | Termination of patent right due to non-payment of annual fee |