CN108830282A - 一种乳腺x光图像的乳腺肿块信息提取及分类方法 - Google Patents
一种乳腺x光图像的乳腺肿块信息提取及分类方法 Download PDFInfo
- Publication number
- CN108830282A CN108830282A CN201810530455.2A CN201810530455A CN108830282A CN 108830282 A CN108830282 A CN 108830282A CN 201810530455 A CN201810530455 A CN 201810530455A CN 108830282 A CN108830282 A CN 108830282A
- Authority
- CN
- China
- Prior art keywords
- breast
- classification
- task
- lump
- ray image
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种乳腺X光图像的乳腺肿块信息提取及分类方法,包括以下步骤:S1、将乳腺X光图像输入四个并行卷积神经网络;S2、基于四个并行卷积神经网络提取乳腺X光图像的高层语义特征;S3、对提取的高层语义特征进行多标签多任务学习网络训练,并得到乳腺肿块的分类信息。本发明提供的乳腺X光图像的乳腺肿块信息提取及分类方法,可以有效去除卷积神经网络提取的冗余特征,通过多标签多任务网络可以使得四个分类任务互相纠缠约束并相互促进,为医生提供清楚的乳腺肿块分类信息,提供乳腺肿块相关疾病的辅助诊断。
Description
技术领域
本发明属于乳腺X光图像处理技术领域,具体涉及一种乳腺X光图像的乳腺肿块信息提取及分类方法。
背景技术
乳腺癌是女性最常见的恶性肿瘤之一,据相关数据表明,每两分钟就有一名女性被诊断出患有乳腺癌。在我国,乳腺癌是导致40~50岁女性死亡的主要原因,平均每12分钟就有一名女性死于乳腺癌;城市女性中,大约每一万人中就有3~4人罹患乳腺癌,不仅如此,乳腺癌的发病率正以每年3%~4%的速度急剧上升。因此,早期发现、早期诊断和早期治疗被公认为控制乳腺癌发展的有效措施,且对提高患者的生存率及生活质量具有重要的意义,其中早期发现居首要之位。
乳腺肿块是乳腺癌必有的症状和体征,一般为单个,形态不定,质较硬韧。近几年,为了提高乳腺癌的诊断效率,乳腺肿块在早期研究中一直向着智能化方向发展,随着现在科学技术地不断发展,人工智能技术不断进步,人工神经网络技术也日益成熟,它的分类能力也越来越强,并具有智能性,为乳腺肿瘤识别提供了一种新的方法。
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现;它包括卷积层(convolutional layer)和池化层(pooling layer)。
目前在医学影像分析领域,卷积神经网络主要用于单一学习任务的实现。比如对乳腺X光图像中单纯的肿块信息提取,进行单纯的肿瘤良恶性判断,很难和医生的医学诊断凭据相结合,难以在医生的诊断过程中提供更加可靠的数据依据。
发明内容
针对现有技术中的上述不足,本发明提供的乳腺X光图像的乳腺肿块信息提取及分类方法解决了现有技术中利用卷积神经网络对乳腺X光图像进行分析时,只能进行单纯的肿块良恶性信息提取,难以为医生提供准确的诊断凭据的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种乳腺X光图像的乳腺肿块信息提取及分类方法,包括以下步骤:
S1、将乳腺X光图像输入四个并行卷积神经网络;
S2、基于四个并行卷积神经网络提取乳腺X光图像的高层语义特征;
S3、对提取的高层语义特征进行多标签多任务学习网络训练,并得到乳腺肿块的分类信息。
进一步地,所述步骤S2中:
每个所述并行卷积神经网络均包括两个卷积层、两个最大池化层和一个全连接层;网络顺序为依次为卷积层、池化层、卷积层、池化层和全连接层;
每个所述卷积层包括6个5×5的卷积核,每个所述池化层包括1个2×2的核,所述全连接层的尺寸为192×1;
每个所述卷积神经网络均提取192个乳腺X光图像的特征,将每个所述卷积神经网络提取的192个特征表示为一组高层语义特征向量,分别为X1,X2,X3和X4。
近一步地,所述多标签多任务网络的搭建方法具体为:
将4组所述高层语义特征向量X1,X2,X3和X4,分别作为多标签多任务学习中用于获得分类预估值的4个激励函数的输入值,将分类预估值与实际标签之间的关系作为多标签多任务学习的目标函数,对该目标函数求极小值,并利用随机梯度下降法对目标函数进行网络训练,获得多标签多任务网络的所有核函数的取值和偏移值,实现多标签多任务网络的搭建;
所述激励函数为softmax函数或ReLU函数。
进一步地,所述步骤S3中:
多标签多任务网络中的分类任务包括乳腺肿块形状的分类任务、乳腺肿块边缘的分类任务、乳腺肿块BI-BADS分级的分类任务和乳腺肿块良恶性的分类任务;
在所述乳腺肿块形状的分类任务中,分类的标签为:
Y1=[-7,-6,-5,-4,-3,-2,-1,1,2,3,4,5,6,7]
分别对应乳腺肿块的14种形状;
在所述乳腺肿块边缘的分类任务中,分类的标签为:
Y2=[-9,-8,-7,-6,-5,-4,-3,-2,-1,1,2,3,4,5,6,7,8,9]
分别对应乳腺肿块的18种不同边缘;
在所述乳腺肿块BI-BADS分级的分类任务中,分类的标签为:
Y3=[0,1,2,3,4,5,6]
分别对应乳腺肿块在BI-BADS标准中的7种不同分值;
在所述乳腺肿块的良恶性的分类任务中,分类标签为:
Y4=[1,2,3]
分别对应乳腺肿块的良性、恶性和可疑待定三类。
进一步地,在所述多标签多任务网络的目标函数包括总损失函数L(W,b)和第j个任务的损失函数Li,j(W,b);
总损失函数L(W,b)为:
式中,Lj为第j个任务的损失函数,λj为第j个任务的损失函数的损失权重,其中,j=1,2,3,4;分别为肿块形状分类任务,肿块边缘分类任务,肿块BI-BADS分级分类任务和肿块良恶性分类任务;
第j个任务的损失函数Li,j(W,b)定义为:
其中,N为训练样本的总数目;
i表示第i个样本;
表示第j个任务中经过卷积神经网络的全连接层后预测为第k个标签值的输出值;
Cj表示第j个任务的标签数目。
进一步地,所述总损失函数L中,第j个任务的损失函数的损失权重λj分别为和1;
所述第j个任务的损失函数Li,j中,第j个任务的标签数目Cj分别为14,18,7,3。
本发明的有益效果为:本发明提供的乳腺X光图像的乳腺肿块信息提取及分类方法,可以有效去除卷积神经网络提取的冗余特征,通过多标签多任务网络可以使得四个分类任务互相纠缠约束并相互促进,为医生提供清楚的乳腺肿块分类信息,提供乳腺肿块相关疾病的辅助诊断。
附图说明
图1为本发明提供的实施例中乳腺X光图像的乳腺肿块信息提取及分类方法实现流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种乳腺X光图像的乳腺肿块信息提取及分类方法,包括以下步骤:
S1、将乳腺X光图像输入四个并行卷积神经网络;
S2、基于四个并行卷积神经网络提取乳腺X光图像的高层语义特征;
上述步骤S2中:
每个所述并行卷积神经网络均包括两个卷积层、两个最大池化层和一个全连接层;网络顺序为依次为卷积层、池化层、卷积层、池化层和全连接层;
每个所述卷积层包括6个5×5的卷积核,每个所述池化层包括1个2×2的核,所述全连接层的尺寸为192×1;
每个所述卷积神经网络均提取192个乳腺X光图像的特征,将每个所述卷积神经网络提取的192个特征表示为一组高层语义特征向量,分别为X1,X2,X3和X4。
S3、对提取的高层语义特征进行多标签多任务学习网络训练,并得到乳腺肿块的分类信息。
上述多标签多任务网络的搭建方法具体为:
将4组所述高层语义特征作为多标签多任务学习中用于获得分类预估值的4个激励函数的输入值,将分类预估值与实际标签之间的关系作为多标签多任务学习的目标函数,对该目标函数求极小值,并利用随机梯度下降法对目标函数进行网络训练,获得多标签多任务网络的所有核函数的取值和偏移值,实现多标签多任务网络的搭建;激励函数为softmax函数或ReLU函数。
上述多标签多任务网络中的分类任务包括乳腺肿块形状的分类任务、乳腺肿块边缘的分类任务、乳腺肿块BI-BADS分级的分类任务和乳腺肿块良恶性的分类任务;该四组分类任务中的激励函数的输入分别对应卷积神经网络提取的4组高层语义特征向量X1、X2、X3和X4,即四类不同的训练目标导致每个卷积神经网络提取出的高层语义特征是有明显差别的。
在所述乳腺肿块形状的分类任务中,分类的标签为:
Y1=[-7,-6,-5,-4,-3,-2,-1,1,2,3,4,5,6,7]
分别对应乳腺肿块的14种形状;
在所述乳腺肿块边缘的分类任务中,分类的标签为:
Y2=[-9,-8,-7,-6,-5,-4,-3,-2,-1,1,2,3,4,5,6,7,8,9]
分别对应乳腺肿块的18种不同边缘;
在所述乳腺肿块BI-BADS分级的分类任务中,分类的标签为:
Y3=[0,1,2,3,4,5,6]
分别对应乳腺肿块在BI-BADS标准中的7种不同分值;
在所述乳腺肿块的良恶性的分类任务中,分类标签为:
Y4=[1,2,3]
分别对应乳腺肿块的良性、恶性和可疑待定三类。
在多标签多任务的网络的目标函数包括总损失函数L(W,b)为和第j个任务的损失函数Li,j(W,b);
总损失函数L(W,b)为:
式中,Lj为第j个任务的损失函数;
λj为第j个任务的损失函数的损失权重,其中,j=1,2,3,4;分别为肿块形状分类任务,肿块边缘分类任务,肿块BI-BADS分级分类任务和肿块良恶性分类任务;损失权重λj分别为和1;
第j个任务的损失函数Li,j(W,b)定义为:
其中,N为训练样本的总数目;
i表示第i个训练样本;
表示第j个任务中经过卷积神经网络的全连接层后预测为第k个标签值的输出值;
Cj为第j个任务的标签数目,分别为14,18,7,3。
在本发明的一个实施例中,在上述多标签多任务网络的搭建过程中,利用随机梯度下降法对目标函数进行网络训练的过程具体为:
对总损失函数L(W,b)分别求取关于核函数值W的梯度为偏移值b的梯度为
根据W的梯度,得到W的迭代更新公式为:
b的迭代更新公式为:
式中,ρ为步长,可设置为0-0.1之间的任意值;
利用公式(3)和公式(4)分别对W和b进行迭代更新,当达到预先设置的判定条件时,迭代停止,从而获得多标签多任务的所有核函数值W和偏移值b,完成多标签多任务网络的搭建。随机梯度下降训练每次都是用相同的样本进行梯度计算,因此网络训练的速度非常快。
本发明提供的乳腺X光图像的乳腺肿块信息提取及分类方法,可以有效去除卷积神经网络提取的冗余特征,通过多标签多任务网络可以使得四个分类任务互相纠缠约束并相互促进,为医生提供清楚的乳腺肿块分类信息,提供乳腺肿块相关疾病的辅助诊断。
Claims (6)
1.一种乳腺X光图像的乳腺肿块信息提取及分类方法,其特征在于,包括以下步骤:
S1、将乳腺X光图像输入四个并行卷积神经网络;
S2、基于四个并行卷积神经网络提取乳腺X光图像的高层语义特征;
S3、对提取的高层语义特征进行多标签多任务学习网络训练,并得到乳腺肿块的分类信息。
2.根据权利要求1所述的乳腺X光图像的乳腺肿块信息提取及分类方法,其特征在于,所述步骤S2中:
每个所述并行卷积神经网络均包括两个卷积层、两个最大池化层和一个全连接层;网络顺序为依次为卷积层、池化层、卷积层、池化层和全连接层;
每个所述卷积层包括6个5×5的卷积核,每个所述池化层包括1个2×2的核,所述全连接层的尺寸为192×1;
每个所述卷积神经网络均提取192个乳腺X光图像的特征,将每个所述卷积神经网络提取的192个特征表示为一组高层语义特征向量,分别为X1,X2,X3和X4。
3.根据权利要求2所述的乳腺X光图像的乳腺肿块信息提取及分类方法,其特征在于,所述多标签多任务网络的搭建方法具体为:
将4组所述高层语义特征向量X1,X2,X3和X4,分别作为多标签多任务学习中用于获得分类预估值的4个激励函数的输入值,将分类预估值与实际标签之间的关系作为多标签多任务学习的目标函数,对该目标函数求极小值,并利用随机梯度下降法对目标函数进行网络训练,获得多标签多任务网络的所有核函数的取值和偏移值,实现多标签多任务网络的搭建;
所述激励函数为softmax函数或ReLU函数。
4.根据权利要求3所述的乳腺X光图像的乳腺肿块信息提取及分类方法,其特征在于,所述步骤S3中:
多标签多任务网络中的分类任务包括乳腺肿块形状的分类任务、乳腺肿块边缘的分类任务、乳腺肿块BI-BADS分级的分类任务和乳腺肿块良恶性的分类任务;
在所述乳腺肿块形状的分类任务中,分类的标签为:
Y1=[-7,-6,-5,-4,-3,-2,-1,1,2,3,4,5,6,7]
分别对应乳腺肿块的14种形状;
在所述乳腺肿块边缘的分类任务中,分类的标签为:
Y2=[-9,-8,-7,-6,-5,-4,-3,-2,-1,1,2,3,4,5,6,7,8,9]
分别对应乳腺肿块的18种不同边缘;
在所述乳腺肿块BI-BADS分级的分类任务中,分类的标签为:
Y3=[0,1,2,3,4,5,6]
分别对应乳腺肿块在BI-BADS标准中的7种不同分值;
在所述乳腺肿块的良恶性的分类任务中,分类标签为:
Y4=[1,2,3]
分别对应乳腺肿块的良性、恶性和可疑待定三类。
5.根据权利要求3所述的乳腺X光图像的乳腺肿块信息提取及分类方法,其特征在于,在所述多标签多任务网络的目标函数包括总损失函数L(W,b)和第j个任务的损失函数Li,j(W,b);
总损失函数L(W,b)为:
式中,Lj为第j个任务的损失函数,λj为第j个任务的损失函数的损失权重,其中,j=1,2,3,4;分别为肿块形状分类任务,肿块边缘分类任务,肿块BI-BADS分级分类任务和肿块良恶性分类任务;
第j个任务的损失函数Li,j(W,b)定义为:
其中,N为训练样本的总数目;
i表示第i个样本;
xyk表示第j个任务中经过卷积神经网络的全连接层后预测为第k个标签值的输出值;
Cj表示第j个任务的标签数目。
6.根据权利要求5所述的乳腺X光图像的乳腺肿块信息提取及分类方法,其特征在于,所述总损失函数L中,第j个任务的损失函数的损失权重λj分别为和1;
所述第j个任务的损失函数Li,j中,第j个任务的标签数目Cj分别为14,18,7,3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810530455.2A CN108830282A (zh) | 2018-05-29 | 2018-05-29 | 一种乳腺x光图像的乳腺肿块信息提取及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810530455.2A CN108830282A (zh) | 2018-05-29 | 2018-05-29 | 一种乳腺x光图像的乳腺肿块信息提取及分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830282A true CN108830282A (zh) | 2018-11-16 |
Family
ID=64146109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810530455.2A Pending CN108830282A (zh) | 2018-05-29 | 2018-05-29 | 一种乳腺x光图像的乳腺肿块信息提取及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830282A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886143A (zh) * | 2019-01-29 | 2019-06-14 | 上海鹰瞳医疗科技有限公司 | 多标签分类模型训练方法和设备 |
CN110232396A (zh) * | 2019-04-09 | 2019-09-13 | 贵州大学 | X射线乳腺影像深度学习分类方法 |
CN110414539A (zh) * | 2019-08-05 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 一种提取特征描述信息的方法和相关装置 |
CN110414562A (zh) * | 2019-06-26 | 2019-11-05 | 平安科技(深圳)有限公司 | X光片的分类方法、装置、终端及存储介质 |
CN110428007A (zh) * | 2019-08-01 | 2019-11-08 | 科大讯飞(苏州)科技有限公司 | X光图像目标检测方法、装置及设备 |
CN110599476A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 基于机器学习的疾病分级方法、装置、设备及介质 |
CN110728674A (zh) * | 2019-10-21 | 2020-01-24 | 清华大学 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
CN110738231A (zh) * | 2019-07-25 | 2020-01-31 | 太原理工大学 | 改进S-DNet神经网络模型的乳腺X射线图像的分类方法 |
CN110827296A (zh) * | 2019-11-01 | 2020-02-21 | 南京信息工程大学 | 多目标集成式深度神经网络的乳腺x光影像分析方法 |
CN111709950A (zh) * | 2020-08-20 | 2020-09-25 | 成都金盘电子科大多媒体技术有限公司 | 一种乳腺钼靶ai辅助筛查方法 |
CN112614096A (zh) * | 2020-12-17 | 2021-04-06 | 北京医准智能科技有限公司 | 一种基于序数回归的乳腺钼靶病灶良恶性分析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425986A (zh) * | 2013-08-31 | 2013-12-04 | 西安电子科技大学 | 基于边缘邻域加权的乳腺肿块图像特征提取方法 |
CN105975915A (zh) * | 2016-04-28 | 2016-09-28 | 大连理工大学 | 一种基于多任务卷积神经网络的前方车辆参数识别方法 |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
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*** |
CN106997475A (zh) * | 2017-02-24 | 2017-08-01 | 中国科学院合肥物质科学研究院 | 一种基于并行卷积神经网络的害虫图像识别方法 |
CN107220506A (zh) * | 2017-06-05 | 2017-09-29 | 东华大学 | 基于深度卷积神经网络的乳腺癌风险评估分析*** |
CN107341506A (zh) * | 2017-06-12 | 2017-11-10 | 华南理工大学 | 一种基于多方面深度学习表达的图像情感分类方法 |
CN107748900A (zh) * | 2017-11-08 | 2018-03-02 | 山东财经大学 | 基于区分性卷积神经网络的乳腺肿瘤分类方法和装置 |
CN107886514A (zh) * | 2017-11-22 | 2018-04-06 | 浙江中医药大学 | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 |
CN108052977A (zh) * | 2017-12-15 | 2018-05-18 | 福建师范大学 | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 |
-
2018
- 2018-05-29 CN CN201810530455.2A patent/CN108830282A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425986A (zh) * | 2013-08-31 | 2013-12-04 | 西安电子科技大学 | 基于边缘邻域加权的乳腺肿块图像特征提取方法 |
CN105975915A (zh) * | 2016-04-28 | 2016-09-28 | 大连理工大学 | 一种基于多任务卷积神经网络的前方车辆参数识别方法 |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
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*** |
CN106997475A (zh) * | 2017-02-24 | 2017-08-01 | 中国科学院合肥物质科学研究院 | 一种基于并行卷积神经网络的害虫图像识别方法 |
CN107220506A (zh) * | 2017-06-05 | 2017-09-29 | 东华大学 | 基于深度卷积神经网络的乳腺癌风险评估分析*** |
CN107341506A (zh) * | 2017-06-12 | 2017-11-10 | 华南理工大学 | 一种基于多方面深度学习表达的图像情感分类方法 |
CN107748900A (zh) * | 2017-11-08 | 2018-03-02 | 山东财经大学 | 基于区分性卷积神经网络的乳腺肿瘤分类方法和装置 |
CN107886514A (zh) * | 2017-11-22 | 2018-04-06 | 浙江中医药大学 | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 |
CN108052977A (zh) * | 2017-12-15 | 2018-05-18 | 福建师范大学 | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 |
Non-Patent Citations (4)
Title |
---|
SIHONG CHEN等: "Automatic Scoring of Multiple Semantic Attributes With Multi-Task Feature Leverage: A Study on Pulmonary Nodules in CT Images", 《 IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
SIHONG CHEN等: "Bridging Computational Features Toward Multiple Semantic Features with Multi-task Regression: A Study of CT Pulmonary Nodules", 《MICCAI 2016》 * |
XIAOGUANG TU等: "Automatic Categorization and Scoring of Solid, Part-Solid and Non-Solid Pulmonary Nodules in CT Images with Convolutional Neural Network", 《SCIENTIFIC REPORTS》 * |
薛迪秀: "基于卷积神经网络的医学图像癌变识别研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886143A (zh) * | 2019-01-29 | 2019-06-14 | 上海鹰瞳医疗科技有限公司 | 多标签分类模型训练方法和设备 |
CN110232396A (zh) * | 2019-04-09 | 2019-09-13 | 贵州大学 | X射线乳腺影像深度学习分类方法 |
CN110232396B (zh) * | 2019-04-09 | 2022-07-01 | 贵州大学 | X射线乳腺影像深度学习分类方法 |
CN110414562B (zh) * | 2019-06-26 | 2023-11-24 | 平安科技(深圳)有限公司 | X光片的分类方法、装置、终端及存储介质 |
CN110414562A (zh) * | 2019-06-26 | 2019-11-05 | 平安科技(深圳)有限公司 | X光片的分类方法、装置、终端及存储介质 |
WO2020258507A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | X光片的分类方法、装置、终端及存储介质 |
CN110738231A (zh) * | 2019-07-25 | 2020-01-31 | 太原理工大学 | 改进S-DNet神经网络模型的乳腺X射线图像的分类方法 |
CN110428007A (zh) * | 2019-08-01 | 2019-11-08 | 科大讯飞(苏州)科技有限公司 | X光图像目标检测方法、装置及设备 |
CN110414539A (zh) * | 2019-08-05 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 一种提取特征描述信息的方法和相关装置 |
CN110599476A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 基于机器学习的疾病分级方法、装置、设备及介质 |
CN110599476B (zh) * | 2019-09-12 | 2023-05-23 | 腾讯科技(深圳)有限公司 | 基于机器学习的疾病分级方法、装置、设备及介质 |
CN110728674A (zh) * | 2019-10-21 | 2020-01-24 | 清华大学 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
CN110728674B (zh) * | 2019-10-21 | 2022-04-05 | 清华大学 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
CN110827296A (zh) * | 2019-11-01 | 2020-02-21 | 南京信息工程大学 | 多目标集成式深度神经网络的乳腺x光影像分析方法 |
CN111709950B (zh) * | 2020-08-20 | 2020-11-06 | 成都金盘电子科大多媒体技术有限公司 | 一种乳腺钼靶ai辅助筛查方法 |
CN111709950A (zh) * | 2020-08-20 | 2020-09-25 | 成都金盘电子科大多媒体技术有限公司 | 一种乳腺钼靶ai辅助筛查方法 |
CN112614096A (zh) * | 2020-12-17 | 2021-04-06 | 北京医准智能科技有限公司 | 一种基于序数回归的乳腺钼靶病灶良恶性分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830282A (zh) | 一种乳腺x光图像的乳腺肿块信息提取及分类方法 | |
Zhang et al. | DeepPap: deep convolutional networks for cervical cell classification | |
Ghyar et al. | Computer vision based approach to detect rice leaf diseases using texture and color descriptors | |
Kumar et al. | Resnet-based approach for detection and classification of plant leaf diseases | |
Swasono et al. | Classification of tobacco leaf pests using VGG16 transfer learning | |
Song et al. | Simultaneous cell detection and classification in bone marrow histology images | |
Chanda et al. | Plant disease identification and classification using back-propagation neural network with particle swarm optimization | |
Khoshdeli et al. | Detection of nuclei in H&E stained sections using convolutional neural networks | |
CN109271895A (zh) | 基于多尺度特征学习和特征分割的行人重识别方法 | |
Karthikeyan et al. | Feature selection and parameters optimization of support vector machines based on hybrid glowworm swarm optimization for classification of diabetic retinopathy | |
Sertel et al. | Texture classification using nonlinear color quantization: Application to histopathological image analysis | |
Ji et al. | Research on urine sediment images recognition based on deep learning | |
CN109740734A (zh) | 一种优化卷积神经网络中神经元空间排布的方法 | |
CN109344856A (zh) | 一种基于多层判别式特征学习的脱机签名鉴别方法 | |
Wang et al. | Neutrophils identification by deep learning and voronoi diagram of clusters | |
Raj et al. | Computer aided agriculture development for crop disease detection by segmentation and classification using deep learning architectures | |
Al-Hadidi et al. | Glioblastomas brain tumour segmentation based on convolutional neural networks. | |
Sharmila et al. | Convolution Neural Networks based lungs disease detection and Severity classification | |
Mamatha et al. | Lung Cancer Prediction from CT Images and using Deep Learning Techniques | |
Krawczyk et al. | Breast thermogram analysis using a cost-sensitive multiple classifier system | |
Tsai et al. | Deep learning techniques for colorectal cancer tissue classification | |
Kaur et al. | MRI Image segmentation using deep learning for brain tumor detection | |
Pareek et al. | Clustering based segmentation with 1D-CNN model for grape fruit disease detection | |
Zhang et al. | Lightweight Multi-scale Convolutional Neural Network for Rice Leaf Disease Recognition. | |
Shireesha et al. | Citrus fruit and leaf disease detection using DenseNet |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |