CN108734694A - 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法 - Google Patents

基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法 Download PDF

Info

Publication number
CN108734694A
CN108734694A CN201810309381.XA CN201810309381A CN108734694A CN 108734694 A CN108734694 A CN 108734694A CN 201810309381 A CN201810309381 A CN 201810309381A CN 108734694 A CN108734694 A CN 108734694A
Authority
CN
China
Prior art keywords
region
faster
cnn
thyroid tumors
ultrasonoscopy
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
Application number
CN201810309381.XA
Other languages
English (en)
Inventor
古万荣
林镇溪
毛宜军
梁早清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Agricultural University
Original Assignee
South China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China Agricultural University filed Critical South China Agricultural University
Priority to CN201810309381.XA priority Critical patent/CN108734694A/zh
Publication of CN108734694A publication Critical patent/CN108734694A/zh
Pending legal-status Critical Current

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于faster r‑cnn的甲状腺肿瘤超声图像自动识别方法，包括步骤：对已经标注的甲状腺肿瘤超声图像进行数据增强，增加训练样本的个数和尺度；使用resnet‑50网络模型对图像数据集进行特征提取；使用区域建议网络RPN生成建议窗口(proposals)，并映射到特征图上生成区域建议框；然后通过RoI pooling使得每个RoI生成固定尺寸的特征图；最后利用softmax Loss和softmax L1 Loss对分类概率和边框回归联合训练。本发明方法不需要手工进行肿瘤超声图像分割，能够端到端训练网络，并采用数据增强提高识别率。

Description

基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法
技术领域
本发明涉及医疗图像识别的技术领域，尤其是指一种基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法。
背景技术
近年来，随着硬件的提升，人工智能兴起的浪潮带给了人们智能化的生活，而为人工智能的发展带来突破性拐点的当属深度学习了。深度学习可以极大地减少人为提取特征的过程，广泛地应用在图像处理，自然语言处理等任务上。而深度学习技术也慢慢地应用在了医疗领域，医疗图像的解读通常依赖于医生，具有较强的主观性，医生在高强度的工作下，连续大量读片可能漏诊或误诊。
传统的医疗图像识别借助于计算机辅助诊断***(CAD)以辅助医生分析和判断医学数据，渐渐地发展为通过利用图像分割技术结合机器学习的方法来进行医疗图像识别，最近也开始利用深度学习技术代替机器学习的方法，但是仍然依赖于图像分割技术然后在利用机器学习或者深度学习的方法。本发明深度学习在图像处理方面的优势，通过自动分析肿瘤图像的特征，能够实现一种端到端训练而不用图像分割的甲状腺肿瘤超声图像自动识别方法，从而辅助医生的判断，减少工作量，提高效率。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，不需要手工进行肿瘤超声图像分割，能够端到端训练网络，并采用数据增强提高识别率。
为实现上述目的，本发明所提供的技术方案为：基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，包括以下步骤：
步骤S1：对已标注的甲状腺超声肿瘤图片进行划分，得到训练集；
步骤S2：对步骤S1中的训练集进行数据增强处理；
步骤S3：使用resnet-50网络模型对步骤S2中的数据进行特征提取；
步骤S4：通过区域建议网络RPN结合步骤S3得到的所有特征图，在步骤S2得到的原始图片上生成区域建议框；
步骤S5：将步骤S4得到的区域建议框映射到步骤S3中得到的特征图上进行RoIpooling，通过RoI pooling层使得每个RoI生成固定尺寸的特征图；
步骤S6：利用softmax Loss和softmax L1Loss对分类概率和边框回归联合训练。
步骤S2中所述的数据增强处理步骤如下：
2.1)多次随机裁剪图片的某一区域，如果该区域包含完整的肿瘤区域，则标记该区域并加入到训练集中；
2.2)对图片进行不同尺度的缩放，以及进行边缘增强；
2.3)对数据进行重采样。
步骤S4中生成区域建议框的步骤如下：
4.1)使用3×3大小的卷积核在特征图上滑动，设定一种anchor机制，分别以每一个像素点为中心点，然后基于这个中心点生成3个不同面积大小和3种不同尺寸比例候选区域；
4.2)过滤掉映射到原图中超过原图边界的候选区域；
4.3)判断每个候选区域是否含有目标类，以及目标类的具***置。
步骤S6中定义的联合损失函数如下：
分类概率采用的softmax Loss定义为：
其中，i为每个批量anchor的下标，pi为anchor是目标类的概率，为ground-truth的标签；
边框回归采用的softmax L1Loss定义为：
其中，ti是一个长度为4的向量，表示预测的边框值；是一个长度为4的向量，表示真实的边框值；
联合损失函数为：
其中，Ncls，Nreg为归一化的参数；λ为平衡损失函数的权重。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明提出了一种基于faster-rcnn可以端到端训练的甲状腺肿瘤超声图像识别方法，不像传统方法需要进行图像分割。
2、采用resnet-50作为faster r-cnn的特征提取卷积网络，使得训练更加有效。
3、使用数据增强技术增加训练样本的个数，避免由于数据量少而产生的过拟合。
附图说明
图1为本发明方法的处理步骤流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示，本实施例所提供的基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，包括以下步骤：
步骤S1：对包含368个样本的数据集按照4:3:3的比例划分，分别得到训练集，验证集和测试集。
步骤S2：对步骤S1中的训练集按照以下方式进行数据增强处理。
2.1)多次随机裁剪图片的某一区域，如果该区域包含完整的肿瘤区域，则标记该区域并并加入到训练集中，其中裁剪区域为[50,50,1000,1000]。
2.2)对图片按照128,512,1024尺度的缩放，以及进行canny边缘增强。
2.3)对训练集进行重采样。
步骤S3：使用resnet-50网络模型对步骤S2中的数据进行特征提取。
步骤S4：通过区域建议网络RPN结合步骤S3得到的所有特征图，在步骤S2得到的原始图片上生成区域建议框，生成区域建议框步骤如下：
4.1)使用3×3大小的卷积核在特征图上滑动，设定一种anchor机制，分别以每一个像素点为中心点，然后基于这个中心点生成3个不同面积大小(128,256,512，对应到特征分别为3,6,12)和3种不同尺寸比例(1:1，1:2,2:1)候选区域。
4.2)过滤掉映射到原图中超过原图边界的候选区域。
4.3)判断每个候选区域是否含有目标类，以及目标类的具***置。
步骤S5：将步骤S4得到的区域提议框映射到步骤S3中得到的特征图上进行RoIpooling，通过RoI pooling层使得每个RoI生成固定尺寸的特征图。
步骤S6：利用softmax Loss和softmax L1Loss对分类概率和边框回归联合训练。其中，损失函数定义如下：
分类概率采用的softmax Loss定义为：
其中，i为每个批量anchor的下标，pi为anchor是目标类的概率，为ground-truth的标签。
边框回归采用的softmax L1 Loss定义为：
其中，ti是一个长度为4的向量，表示预测的边框值；是一个长度为4的向量，表示真实的边框值。
联合损失函数为：
其中，Ncls，Nreg为归一化的参数；λ为平衡损失函数的权重。这里设定Ncls＝256,Nreg＝2400,λ＝10。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (4)

1.基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，其特征在于，包括以下步骤：
步骤S1：对已标注的甲状腺超声肿瘤图片进行划分，得到训练集；
步骤S2：对步骤S1中的训练集进行数据增强处理；
步骤S3：使用resnet-50网络模型对步骤S2中的数据进行特征提取；
步骤S4：通过区域建议网络RPN结合步骤S3得到的所有特征图，在步骤S2得到的原始图片上生成区域建议框；
步骤S5：将步骤S4得到的区域建议框映射到步骤S3中得到的特征图上进行RoIpooling，通过RoI pooling层使得每个RoI生成固定尺寸的特征图；
步骤S6：利用softmax Loss和softmax L1Loss对分类概率和边框回归联合训练。
2.根据权利要求1所述的基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，其特征在于，步骤S2中所述的数据增强处理步骤如下：
2.1)多次随机裁剪图片的某一区域，如果该区域包含完整的肿瘤区域，则标记该区域并加入到训练集中；
2.2)对图片进行不同尺度的缩放，以及进行边缘增强；
2.3)对数据进行重采样。
3.根据权利要求1所述的基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，其特征在于，步骤S4中生成区域建议框的步骤如下：
4.1)使用3×3大小的卷积核在特征图上滑动，设定一种anchor机制，分别以每一个像素点为中心点，然后基于这个中心点生成3个不同面积大小和3种不同尺寸比例候选区域；
4.2)过滤掉映射到原图中超过原图边界的候选区域；
4.3)判断每个候选区域是否含有目标类，以及目标类的具***置。
4.根据权利要求1所述的基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，其特征在于，步骤S6中定义的联合损失函数如下：
分类概率采用的softmax Loss定义为：
其中，i为每个批量anchor的下标，pi为anchor是目标类的概率，为ground-truth的标签；
边框回归采用的softmax L1Loss定义为：
其中，ti是一个长度为4的向量，表示预测的边框值；是一个长度为4的向量，表示真实的边框值；
联合损失函数为：
其中，Ncls，Nreg为归一化的参数；λ为平衡损失函数的权重。
CN201810309381.XA 2018-04-09 2018-04-09 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法 Pending CN108734694A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810309381.XA CN108734694A (zh) 2018-04-09 2018-04-09 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810309381.XA CN108734694A (zh) 2018-04-09 2018-04-09 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法

Publications (1)

Publication Number Publication Date
CN108734694A true CN108734694A (zh) 2018-11-02

Family

ID=63940644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810309381.XA Pending CN108734694A (zh) 2018-04-09 2018-04-09 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法

Country Status (1)

Country Link
CN (1) CN108734694A (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472801A (zh) * 2018-11-22 2019-03-15 廖祥 一种用于多尺度的神经形态检测和分割方法
CN109498061A (zh) * 2018-12-27 2019-03-22 深圳开立生物医疗科技股份有限公司 超声图像处理方法、装置、设备及计算机可读存储介质
CN109528230A (zh) * 2018-11-21 2019-03-29 济南浪潮高新科技投资发展有限公司 一种基于多级变换网络的乳腺肿瘤分割方法及装置
CN109598224A (zh) * 2018-11-27 2019-04-09 微医云(杭州)控股有限公司 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法
CN109671053A (zh) * 2018-11-15 2019-04-23 首都医科大学附属北京友谊医院 一种胃癌图像识别***、装置及其应用
CN109685067A (zh) * 2018-12-26 2019-04-26 江西理工大学 一种基于区域和深度残差网络的图像语义分割方法
CN109858451A (zh) * 2019-02-14 2019-06-07 清华大学深圳研究生院 一种非配合手部检测方法
CN109925002A (zh) * 2019-01-15 2019-06-25 胡秋明 人工智能超声心动图数据采集***及其数据采集方法
CN110009656A (zh) * 2019-03-05 2019-07-12 腾讯科技（深圳）有限公司 目标对象的确定方法、装置、存储介质及电子装置
CN110060235A (zh) * 2019-03-27 2019-07-26 天津大学 一种基于深度学习的甲状腺结节超声图像分割方法
CN110084240A (zh) * 2019-04-24 2019-08-02 网易（杭州）网络有限公司 一种文字提取***、方法、介质和计算设备
CN110211097A (zh) * 2019-05-14 2019-09-06 河海大学 一种基于Faster R-CNN参数迁移的裂缝图像检测方法
CN110287998A (zh) * 2019-05-28 2019-09-27 浙江工业大学 一种基于Faster-RCNN的科技文献图片提取方法
CN110472699A (zh) * 2019-08-24 2019-11-19 福州大学 一种基于gan的电力场所有害生物运动模糊图像检测方法
CN110570410A (zh) * 2019-09-05 2019-12-13 河北工业大学 一种自动识别检测焊缝缺陷的检测方法
CN111062953A (zh) * 2019-12-17 2020-04-24 北京化工大学 一种超声图像中甲状旁腺增生的识别方法
CN111179275A (zh) * 2019-12-31 2020-05-19 电子科技大学 一种医学超声图像分割方法
CN111341443A (zh) * 2020-03-09 2020-06-26 西安中科长青医疗科技研究院有限公司 一种基于深度学习的超声甲状腺结节智能评估方法
CN111611998A (zh) * 2020-05-21 2020-09-01 中山大学 一种基于候选区域面积和宽高的自适应特征块提取方法
CN111931915A (zh) * 2020-08-06 2020-11-13 中国科学院重庆绿色智能技术研究院 一种基于diou损失函数的训练网络的方法
CN112418124A (zh) * 2020-11-30 2021-02-26 国电大渡河枕头坝发电有限公司 基于视频图像的鱼类智能监测方法
WO2021169452A1 (zh) * 2020-09-27 2021-09-02 平安科技（深圳）有限公司 甲状腺结节图像的处理方法、装置和计算机设备
CN113450300A (zh) * 2020-03-24 2021-09-28 北京基石生命科技有限公司 一种基于机器学习的原代肿瘤细胞图片识别方法及***
CN115035030A (zh) * 2022-05-07 2022-09-09 北京大学深圳医院 图像识别方法、装置、计算机设备和计算机可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160113630A1 (en) * 2014-10-23 2016-04-28 Samsung Electronics Co., Ltd. Ultrasound imaging apparatus and method of controlling the same
CN106504233A (zh) * 2016-10-18 2017-03-15 国网山东省电力公司电力科学研究院 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及***
CN106709568A (zh) * 2016-12-16 2017-05-24 北京工业大学 基于深层卷积网络的rgb‑d图像的物体检测和语义分割方法
US20170143312A1 (en) * 2014-09-03 2017-05-25 Contextvision Ab Methods and systems for automatic control of subjective image quality in imaging of objects
CN106877237A (zh) * 2017-03-16 2017-06-20 天津大学 一种基于航拍图像的检测输电线路中绝缘子缺失的方法
CN107169421A (zh) * 2017-04-20 2017-09-15 华南理工大学 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法
CN107451615A (zh) * 2017-08-01 2017-12-08 广东工业大学 基于Faster RCNN的甲状腺***状癌超声图像识别方法及***
WO2018015414A1 (en) * 2016-07-21 2018-01-25 Siemens Healthcare Gmbh Method and system for artificial intelligence based medical image segmentation
CN107680678A (zh) * 2017-10-18 2018-02-09 北京航空航天大学 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170143312A1 (en) * 2014-09-03 2017-05-25 Contextvision Ab Methods and systems for automatic control of subjective image quality in imaging of objects
US20160113630A1 (en) * 2014-10-23 2016-04-28 Samsung Electronics Co., Ltd. Ultrasound imaging apparatus and method of controlling the same
WO2018015414A1 (en) * 2016-07-21 2018-01-25 Siemens Healthcare Gmbh Method and system for artificial intelligence based medical image segmentation
CN106504233A (zh) * 2016-10-18 2017-03-15 国网山东省电力公司电力科学研究院 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及***
CN106709568A (zh) * 2016-12-16 2017-05-24 北京工业大学 基于深层卷积网络的rgb‑d图像的物体检测和语义分割方法
CN106877237A (zh) * 2017-03-16 2017-06-20 天津大学 一种基于航拍图像的检测输电线路中绝缘子缺失的方法
CN107169421A (zh) * 2017-04-20 2017-09-15 华南理工大学 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法
CN107451615A (zh) * 2017-08-01 2017-12-08 广东工业大学 基于Faster RCNN的甲状腺***状癌超声图像识别方法及***
CN107680678A (zh) * 2017-10-18 2018-02-09 北京航空航天大学 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张巧丽等: "基于深度学习的医学影像诊断综述", 《计算机科学》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109671053A (zh) * 2018-11-15 2019-04-23 首都医科大学附属北京友谊医院 一种胃癌图像识别***、装置及其应用
CN109528230A (zh) * 2018-11-21 2019-03-29 济南浪潮高新科技投资发展有限公司 一种基于多级变换网络的乳腺肿瘤分割方法及装置
CN109528230B (zh) * 2018-11-21 2021-08-17 山东浪潮科学研究院有限公司 一种基于多级变换网络的乳腺肿瘤分割方法及装置
CN109472801A (zh) * 2018-11-22 2019-03-15 廖祥 一种用于多尺度的神经形态检测和分割方法
CN109598224A (zh) * 2018-11-27 2019-04-09 微医云(杭州)控股有限公司 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法
CN109685067A (zh) * 2018-12-26 2019-04-26 江西理工大学 一种基于区域和深度残差网络的图像语义分割方法
CN109685067B (zh) * 2018-12-26 2022-05-03 江西理工大学 一种基于区域和深度残差网络的图像语义分割方法
CN109498061A (zh) * 2018-12-27 2019-03-22 深圳开立生物医疗科技股份有限公司 超声图像处理方法、装置、设备及计算机可读存储介质
CN109925002A (zh) * 2019-01-15 2019-06-25 胡秋明 人工智能超声心动图数据采集***及其数据采集方法
CN109858451A (zh) * 2019-02-14 2019-06-07 清华大学深圳研究生院 一种非配合手部检测方法
CN109858451B (zh) * 2019-02-14 2020-10-23 清华大学深圳研究生院 一种非配合手部检测方法
CN110009656A (zh) * 2019-03-05 2019-07-12 腾讯科技（深圳）有限公司 目标对象的确定方法、装置、存储介质及电子装置
CN110060235A (zh) * 2019-03-27 2019-07-26 天津大学 一种基于深度学习的甲状腺结节超声图像分割方法
CN110084240A (zh) * 2019-04-24 2019-08-02 网易（杭州）网络有限公司 一种文字提取***、方法、介质和计算设备
CN110211097A (zh) * 2019-05-14 2019-09-06 河海大学 一种基于Faster R-CNN参数迁移的裂缝图像检测方法
CN110287998A (zh) * 2019-05-28 2019-09-27 浙江工业大学 一种基于Faster-RCNN的科技文献图片提取方法
CN110472699A (zh) * 2019-08-24 2019-11-19 福州大学 一种基于gan的电力场所有害生物运动模糊图像检测方法
CN110570410A (zh) * 2019-09-05 2019-12-13 河北工业大学 一种自动识别检测焊缝缺陷的检测方法
CN111062953A (zh) * 2019-12-17 2020-04-24 北京化工大学 一种超声图像中甲状旁腺增生的识别方法
CN111179275A (zh) * 2019-12-31 2020-05-19 电子科技大学 一种医学超声图像分割方法
CN111179275B (zh) * 2019-12-31 2023-04-25 电子科技大学 一种医学超声图像分割方法
CN111341443A (zh) * 2020-03-09 2020-06-26 西安中科长青医疗科技研究院有限公司 一种基于深度学习的超声甲状腺结节智能评估方法
CN113450300A (zh) * 2020-03-24 2021-09-28 北京基石生命科技有限公司 一种基于机器学习的原代肿瘤细胞图片识别方法及***
CN111611998A (zh) * 2020-05-21 2020-09-01 中山大学 一种基于候选区域面积和宽高的自适应特征块提取方法
CN111931915A (zh) * 2020-08-06 2020-11-13 中国科学院重庆绿色智能技术研究院 一种基于diou损失函数的训练网络的方法
WO2021169452A1 (zh) * 2020-09-27 2021-09-02 平安科技（深圳）有限公司 甲状腺结节图像的处理方法、装置和计算机设备
CN112418124A (zh) * 2020-11-30 2021-02-26 国电大渡河枕头坝发电有限公司 基于视频图像的鱼类智能监测方法
CN112418124B (zh) * 2020-11-30 2024-07-12 国能大渡河枕头坝发电有限公司 基于视频图像的鱼类智能监测方法
CN115035030A (zh) * 2022-05-07 2022-09-09 北京大学深圳医院 图像识别方法、装置、计算机设备和计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN108734694A (zh) 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法
Valkonen et al. Metastasis detection from whole slide images using local features and random forests
CA3010836C (en) Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions
CN109191472A (zh) 基于改进U-Net网络的胸腺细胞图像分割方法
CN108564589A (zh) 一种基于改进全卷积神经网络的植物叶片分割方法
CN112215842B (zh) 基于良性甲状腺模板的恶性结节边缘检测图像处理方法
CN110569782A (zh) 一种基于深度学习目标检测方法
CN109671060B (zh) 基于选择性搜索和cnn的计算机辅助乳腺肿块检测方法
CN108681737A (zh) 一种复杂光照下图像特征提取方法
CN111553349A (zh) 一种基于全卷积网络的场景文本定位与识别方法
CN115829942A (zh) 基于非负性约束稀疏自编码器的电子电路缺陷检测方法
CN114581474A (zh) 一种基于***ct影像的临床靶区自动勾画方法
Naiemi et al. Scene text detection using enhanced extremal region and convolutional neural network
CN112508860B (zh) 一种免疫组化图像核阳性的人工智能判读方法及***
Lyu et al. HRED-net: high-resolution encoder-decoder network for fine-grained image segmentation
Liu et al. An Image Segmentation Method for the blind sidewalks recognition by using the convolutional neural network U-net
Peng et al. NDWI-DeepLabv3+: High-Precision Extraction of Water Bodies from Remote Sensing Images
Vengaloor et al. Deep Learning Based Feature Discriminability Boosted Concurrent Metal Surface Defect Detection System Using YOLOv-5s-FRN
Nandanwar et al. Analysis of pixel intensity variation by performing morphological operations for image segmentation on cervical cancer pap smear image
Cui RETRACTED ARTICLE: Research on English translation distortion detection based on image evolution
CN111860519B (zh) 一种航空发动机管路图像分割方法及***
Jiang et al. Weakly Supervised Fatigue Crack Detection in Steel Bridge Girders Using a Proposed Two‐Stage Network Training with a Segmentation Refinement Module
Inamdar et al. A Novel Attention based model for Semantic Segmentation of Prostate Glands using Histopathological Images
CN117893934B (zh) 一种改进的UNet3+网络无人机影像铁路轨道线检测方法与装置
CN116824306B (zh) 基于多模态元数据的笔石化石图像识别模型的训练方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181102

RJ01 Rejection of invention patent application after publication