CN109409413B - X射线乳腺肿块影像自动分类方法 - Google Patents

X射线乳腺肿块影像自动分类方法 Download PDF

Info

Publication number
CN109409413B
CN109409413B CN201811140302.3A CN201811140302A CN109409413B CN 109409413 B CN109409413 B CN 109409413B CN 201811140302 A CN201811140302 A CN 201811140302A CN 109409413 B CN109409413 B CN 109409413B
Authority
CN
China
Prior art keywords
image
breast
layer
classification
gray
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
Application number
CN201811140302.3A
Other languages
English (en)
Other versions
CN109409413A (zh
Inventor
徐勇
孙利雷
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.)
Guizhou University
Original Assignee
Guizhou 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 Guizhou University filed Critical Guizhou University
Priority to CN201811140302.3A priority Critical patent/CN109409413B/zh
Publication of CN109409413A publication Critical patent/CN109409413A/zh
Application granted granted Critical
Publication of CN109409413B publication Critical patent/CN109409413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种X射线乳腺肿块影像自动分类方法。本发明首先对RGB三通道乳腺肿块影像进行三个通道的权重调整和重组，生成的乳腺肿块影像对良性恶性分类更具可分性；设计灰度网中网结构，使用以常数e为底数的指数函数对整个特征图的像素以不同权重进行重分配，按乳腺肿块影像分类规律对像素进行调整，避免了像素集中在某一狭窄区域内，实现特征增强效果，提高了乳腺肿块影像的良性恶性分类的可分性；通过灰度网中网生成特征图，输入到全连接层进行特征提取，最后使用SoftMax层进行影像分类，预测乳腺影像的良性恶性性质。

Description

X射线乳腺肿块影像自动分类方法
技术领域
本发明涉及图像处理技术领域，尤其是X射线乳腺肿块影像自动分类方法。
背景技术
使用人工智能方式进行乳腺肿块影像的自动分类，确定乳腺肿块是良性还是恶性，不仅可以节约大量宝贵的医疗资源，避免由于诊断医生经验和水平等主观原因造成诊断错误，还可以提高诊断准确性、缩短诊断时间，有着非常大的经济效益。
乳腺影像是对人体内部器官通过透射投影形成的，在透射投影过程中，射线在透射过程中会因物体的影响生成偏移，生成的乳腺影像边缘和肿块纹理模糊。使用传统方法如一阶微分算子Roberts算子、 Prewitt算子，二阶微分算子Laplace算子等进行乳腺影像目标边缘等信息进行增强，无法满足乳腺影像分类精度要求。由于乳腺肿块与腺体、肌肉等其他人体组织相似性高，所以使用传统方法对乳腺肿块进行分类，存在着效率不高、准确率低的问题。
发明内容
本发明所要解决的技术问题是提供一种X射线乳腺肿块影像自动分类方法，它能准确分辨X射线乳腺肿块影像中的乳腺肿块是良性还是恶性。
本发明是这样实现的：X射线乳腺肿块影像自动分类方法，包含三个模块：RGB通道重组子网络；灰度乳腺影像卷积特征提取模块，及特征提取和分类模块；按如下步骤进行：
1)通过RGB通道重组子网络调整RGB乳腺影像三个色彩通道的权重，得到由不同权重重新组合生成的RGB格式乳腺肿块影像；
2)通过灰度乳腺影像卷积特征提取模块在步骤1)生成获得的 RGB格式乳腺肿块影像上进行卷积操作，从而生成特征图；具体是，使用以常数e为底数的指数函数对特征图的灰度值变换，将区分度较高的亮度区域进行拉伸，增强不同类型RGB格式乳腺肿块影像的差异性，达到特征增强的目的；
3)通过特征提取和分类模块将步骤2)提取出的乳腺肿块影像的特征图输入到特征提取和分类模块的全连接层进行特征提取，再输入到Softmax层进行分类，输出乳腺肿块的良性恶性分类信息。
所述的RGB通道重组子网络是一个三层的神经网络，其中输入层是RGB格式的三通道乳腺肿块影像，经过隐藏层计算后，使用隐藏层与输出层间的三个权重wR、wG、wB分别对原图中的三个通道权重进行调整，得到三个单通道图，将三个单通道图堆叠起来，得到调整后的乳腺肿块影像。
RGB通道重组网络的具体方式如下：
输入：((XR,XG,XB),Y)，其中XR,XG,XB分别是RGB格式乳腺肿块影像三个通道的灰度图像，像素灰度值范围为[0,255]，Y是乳腺肿块影像的分类标签，值为{恶性、良性}二类；
输出：(X'R,X'G,X'B)，X'R,X'G,X'B分别是调整后的RGB三个通道的灰度值，调整后的乳腺肿块影像对于良性肿块和恶性肿块分类更具可分性；
步骤a)设置输入层到隐藏层之间权重：wRi＝1、wGi＝1、wBi＝1；
步骤b)使用(0.5,1.2)范围内随机值初始化隐藏层到输出层之间权重：wR、wG、wB；
步骤c)前向计算阶段：从输入层开始向前计算，在输出层得到重组后的灰度乳腺影像；
步骤d)输出层得到的灰度图像作为后续模块的输入；
步骤e)输出层接受后续模块反馈信息；
步骤f)后向计算阶段：从输出层开始向后计算，根据输出层接收到的误差信息，使用梯度方法调整隐藏层与输出层间权重；
至此，完成一次RGB通道重组网络的参数训练和调整。
灰度乳腺影像卷积特征提取模块，包含两个叠加在一起的灰度网中网，灰度网中网由三个网络层组成，分别是卷积层、e指数映射层和最大值下采样层；卷积层使用30个3*3的卷积核对输入图像进行卷积，生成30个特征图，输入到e指数映射层进行灰度值的差异化映射，再进行最大化下采样，得到降维后的特征图；将降维后的特征图输入到5000维的全连接层进行特征提取，再输入到Softmax层进行分类，输出乳腺影像是良性还是恶性的分类结果。
所述的输入到e指数映射层进行灰度值的差异化映射是指，使用以常e为底数的指数函数，将区分度小的低值区域进行压缩，将区分度大的高值区域进行拉伸，实现灰度乳腺影像的特征增强功能；以常数e为底的指数映射层的计算方法如下：
首先，像素点的数值范围为[0,255]，使用如下公式将数值范围压缩到[0,2]之间：
Figure RE-GDA0001934785290000031
其中，x1是输入像素值，y1是映射到[0,2]后的值；
之后，使用以e为底数的指数函数将映射到[0,2]区间的y1映射到 [0,6.39]之间：
Figure RE-GDA0001934785290000032
其中，y1是将灰度像素映射到[0,2]范围后的值，y2是映射到[0, 6.39]后的值。
在所述的步骤1)之间，先将图像进行等比例窗口缩放，再通过 RGB通道重组子网络调整RGB乳腺影像三个色彩通道的权重，图像等比例窗口缩放方法是对原始乳腺影像预处理。
使用图像等比例窗口缩放方法，将乳腺肿块影像尺寸归一化到一个固定尺寸的正方形区域，具体过程如下：
1)设置一个正方形窗口，窗口的边长为待归一化的乳腺肿块影像长边的长度；将乳腺肿块影像的左上角对齐窗口的左上角放入窗口中，再将窗口和乳腺肿块影像进行等比例缩放，尺寸归一化到固定尺寸，完成乳腺肿块影像的尺度归一化操作；乳腺肿块影像归一化尺寸为200*200像素；
2)划分训练和测试数据集：
使用MIAS数据集的90％进行乳腺肿块影像分类模型的训练，剩下的10％用作模型正确性验证。
在使用MIAS数据集的90％进行乳腺肿块影像分类模型的训练时，对样本进行扩充，包括如下方式：
1)影像平移：将乳腺肿块影像原图进行上、下、左、右四个方向的移动，完成样本扩充；
2)影像角度旋转
将乳腺肿块影像原图进行顺时针、逆时针旋转一定角度。完成样本扩充；
3)影像镜像
将乳腺肿块影像进行左右、上下镜像复制，完成样本扩充。
与现有技术相比，本发明提出一种新的乳腺肿块影像分类的深度网络框架，结合影像图像通道信息，完成乳腺影像数据特征增强功能，为乳腺肿块影像分类研究工作提出了新的思路和解决方法；使用人工智能方式进行乳腺肿块影像的自动分类，确定乳腺肿块是良性还是恶性，不仅可以节约大量宝贵的医疗资源，避免由于诊断医生经验和水平等主观原因造成诊断错误，还可以提高诊断准确性、缩短诊断时间，有着非常大的经济效益；同时，诊断准确率的提高可以极大地减少患者身心痛苦和经济负担，并有利于患者治疗，延长生存时间，具有非常大的社会价值。
附图说明
图1为本发明的GL-CNN网络结构；
图2为本发明的RGB权重调整网络；
图3为本发明的灰度网中网(GL-NIN)；
图4为本发明的e指数函数；
图5为本发明的乳腺影像尺寸归一化方法流程图。
具体实施方式
本发明的实施例：X射线乳腺肿块影像自动分类方法，包含三个模块：RGB通道重组子网络；灰度乳腺影像卷积特征提取模块，及特征提取和分类模块；按如下步骤进行：
1)通过RGB通道重组子网络调整RGB乳腺影像三个色彩通道的权重，得到由不同权重重新组合生成的RGB格式乳腺肿块影像；
所述的RGB通道重组子网络是一个三层的神经网络，其中输入层是RGB格式的三通道乳腺肿块影像，经过隐藏层计算后，使用隐藏层与输出层间的三个权重wR、wG、wB分别对原图中的三个通道权重进行调整，得到三个单通道图，将三个单通道图堆叠起来，得到调整后的乳腺肿块影像。
RGB通道重组网络的具体方式如下：
输入：((XR,XG,XB),Y)，其中XR,XG,XB分别是RGB格式乳腺肿块影像三个通道的灰度图像，像素灰度值范围为[0,255]，Y是乳腺肿块影像的分类标签，值为{恶性、良性}二类；
输出：(X'R,X'G,X'B)，X'R,X'G,X'B分别是调整后的RGB三个通道的灰度值，调整后的乳腺肿块影像对于良性肿块和恶性肿块分类更具可分性；
步骤a)设置输入层到隐藏层之间权重：wRi＝1、wGi＝1、wBi＝1；
步骤b)使用(0.5,1.2)范围内随机值初始化隐藏层到输出层之间权重：wR、wG、wB；
步骤c)前向计算阶段：从输入层开始向前计算，在输出层得到重组后的灰度乳腺影像；
步骤d)输出层得到的灰度图像作为后续模块的输入；
步骤e)输出层接受后续模块反馈信息；
步骤f)后向计算阶段：从输出层开始向后计算，根据输出层接收到的误差信息，使用梯度方法调整隐藏层与输出层间权重；
至此，完成一次RGB通道重组网络的参数训练和调整。
2)通过灰度乳腺影像卷积特征提取模块在步骤1)生成获得的 RGB格式乳腺肿块影像上进行卷积操作，从而生成特征图；具体是，使用以常数e为底数的指数函数对特征图的灰度值变换，将区分度较高的亮度区域进行拉伸，增强不同类型RGB格式乳腺肿块影像的差异性，达到特征增强的目的；
灰度乳腺影像卷积特征提取模块，包含两个灰度网中网，即image Gray LevelNetwork In Network与GL-NIN；GL-NIN由三个网络层组成，分别是卷积层、e指数映射层和最大值下采样层；卷积层使用30 个3*3的卷积核对输入图像进行卷积，生成30个特征图，输入到e 指数映射层进行灰度值的差异化映射，再进行最大化下采样，得到降维后的特征图；将降维后的特征图输入到5000维的全连接层进行特征提取，再输入到Softmax层进行分类，输出乳腺影像是良性还是恶性的分类结果。
所述的输入到e指数映射层进行灰度值的差异化映射是指，使用以常e为底数的指数函数，将区分度小的低值区域进行压缩，将区分度大的高值区域进行拉伸，实现灰度乳腺影像的特征增强功能；以常数e为底的指数映射层的计算方法如下：
首先，像素点的数值范围为[0,255]，使用如下公式将数值范围压缩到[0,2]之间：
Figure RE-GDA0001934785290000061
其中，x1是输入像素值，y1是映射到[0,2]后的值；
之后，使用以e为底数的指数函数将映射到[0,2]区间的y1映射到 [0,6.39]之间：
Figure RE-GDA0001934785290000062
其中，y1是将灰度像素映射到[0,2]范围后的值，y2是映射到[0, 6.39]后的值。
3)通过特征提取和分类模块将步骤2)提取出的乳腺肿块影像的特征图输入到特征提取和分类模块的全连接层进行特征提取，再输入到Softmax层进行分类，输出乳腺肿块的良性恶性分类信息。
图像等比例窗口缩放方法：
使用图像等比例窗口缩放方法，将乳腺肿块影像尺寸归一化到一个固定尺寸的正方形区域，具体过程如下：
1)设置一个正方形窗口，窗口的边长为待归一化的乳腺肿块影像长边的长度；将乳腺肿块影像的左上角对齐窗口的左上角放入窗口中，再将窗口和乳腺肿块影像进行等比例缩放，尺寸归一化到固定尺寸，完成乳腺肿块影像的尺度归一化操作；乳腺肿块影像归一化尺寸为200*200像素；
2)划分训练和测试数据集：
使用MIAS数据集的90％进行乳腺肿块影像分类模型的训练，剩下的10％用作模型正确性验证。MIAS共包含120个乳腺肿块，样本量过少，为增强模型的泛化能力，需要对样本进行扩充，本实施例使用如下方案对样本进行扩充。
在使用MIAS数据集的90％进行乳腺肿块影像分类模型的训练时，对样本进行扩充，包括如下方式：
1)影像平移：将乳腺肿块影像原图进行上、下、左、右四个方向的移动，完成样本扩充；具体方法：
将乳腺肿块影像原图所有像素分别向上、下、左、右四个方向进行以5个像素为倍数、移动5次，移出图像的像素丢弃，空白部位以 0补充，完成20倍样本扩充。
2)影像角度旋转
将乳腺肿块影像原图进行顺时针、逆时针旋转一定角度，完成样本扩充；具体方法：
以图像中心位置为旋转中心，以5度为倍数将乳腺肿块影像原图所有像素进行顺时针和逆时针各旋转5次，移出图像的像素丢弃，空白处以0补充，完成20倍样本扩充。
3)影像镜像
将乳腺肿块影像进行左右、上下镜像复制，完成样本扩充。具体方法：
一、左右镜像：创建与乳腺肿块影像相同尺寸的空白图像，对原始乳腺肿块影像从左向右进行图像列的复制，以从右向左方向填充到空白图像上，完成乳腺肿块影像左右方向镜像；二、上下镜像：建立与乳腺肿块影像相同尺寸的空白图像，对原始乳腺肿块影像从上向下进行图像行的复制，以从下向上方向填充到空白图像上，完成乳腺肿块影像上下方向镜像。

Claims (6)

1.一种X射线乳腺肿块影像自动分类方法，其特征在于：包含三个模块：RGB通道重组子网络；灰度乳腺影像卷积特征提取模块，及特征提取和分类模块；按如下步骤进行：
1)通过RGB通道重组子网络调整RGB乳腺影像三个色彩通道的权重，得到由不同权重重新组合生成的RGB格式乳腺肿块影像；
2)通过灰度乳腺影像卷积特征提取模块在步骤1)生成获得的RGB格式乳腺肿块影像上进行卷积操作，从而生成特征图；具体是，使用以常数e为底数的指数函数对特征图的灰度值变换，将区分度较高的亮度区域进行拉伸，增强不同类型RGB格式乳腺肿块影像的差异性，达到特征增强的目的；
3)通过特征提取和分类模块将步骤2)提取出的乳腺肿块影像的特征图输入到特征提取和分类模块的全连接层进行特征提取，再输入到Softmax层进行分类，输出乳腺肿块的良性恶性分类信息；
所述的RGB通道重组网络的具体方式如下：
输入：((XR,XG,XB),Y)，其中XR,XG,XB分别是RGB格式乳腺肿块影像三个通道的灰度图像，像素灰度值范围为[0,255]，Y是乳腺肿块影像的分类标签，值为{恶性、良性}二类；
输出：(X'R,X'G,X'B)，X'R,X'G,X'B分别是调整后的RGB三个通道的灰度值，调整后的乳腺肿块影像对于良性肿块和恶性肿块分类更具可分性；
步骤a)设置输入层到隐藏层之间权重：wRi＝1、wGi＝1、wBi＝1；
步骤b)使用(0.5,1.2)范围内随机值初始化隐藏层到输出层之间权重：wR、wG、wB；
步骤c)前向计算阶段：从输入层开始向前计算，在输出层得到重组后的灰度乳腺影像；
步骤d)输出层得到的灰度图像作为后续模块的输入；
步骤e)输出层接受后续模块反馈信息；
步骤f)后向计算阶段：从输出层开始向后计算，根据输出层接收到的误差信息，使用梯度方法调整隐藏层与输出层间权重；
至此，完成一次RGB通道重组网络的参数训练和调整。
2.根据权利要求1所述的X射线乳腺肿块影像自动分类方法，其特征在于：所述的RGB通道重组子网络是一个三层的神经网络，其中输入层是RGB格式的三通道乳腺肿块影像，经过隐藏层计算后，使用隐藏层与输出层间的三个权重wR、wG、wB分别对原图中的三个通道权重进行调整，得到三个单通道图，将三个单通道图堆叠起来，得到调整后的乳腺肿块影像。
3.根据权利要求1所述的X射线乳腺肿块影像自动分类方法，其特征在于：灰度乳腺影像卷积特征提取模块，包含两个叠加在一起的灰度网中网，灰度网中网由三个网络层组成，分别是卷积层、e指数映射层和最大值下采样层；卷积层使用30个3*3的卷积核对输入图像进行卷积，生成30个特征图，输入到e指数映射层进行灰度值的差异化映射，再进行最大化下采样，得到降维后的特征图；将降维后的特征图输入到5000维的全连接层进行特征提取，再输入到Softmax层进行分类，输出乳腺影像是良性还是恶性的分类结果。
4.根据权利要求3所述的X射线乳腺肿块影像自动分类方法，其特征在于：所述的输入到e指数映射层进行灰度值的差异化映射是指，使用以常e为底数的指数函数，将区分度小的低值区域进行压缩，将区分度大的高值区域进行拉伸，实现灰度乳腺影像的特征增强功能；以常数e为底的指数映射层的计算方法如下：
首先，像素点的数值范围为[0,255]，使用如下公式将数值范围压缩到[0,2]之间：
Figure FDA0003748384280000021
其中，x1是输入像素值，y1是映射到[0,2]后的值；
之后，使用以e为底数的指数函数将映射到[0,2]区间的y1映射到[0,6.39]之间：
Figure FDA0003748384280000031
其中，y1是将灰度像素映射到[0,2]范围后的值，y2是映射到[0,6.39]后的值。
5.根据权利要求1所述的X射线乳腺肿块影像自动分类方法，其特征在于：在所述的步骤1)之间，先将图像进行等比例窗口缩放，再通过RGB通道重组子网络调整RGB乳腺影像三个色彩通道的权重，图像等比例窗口缩放方法是对原始乳腺影像预处理，将乳腺肿块影像尺寸归一化到一个固定尺寸的正方形区域，具体过程如下：
1)设置一个正方形窗口，窗口的边长为待归一化的乳腺肿块影像长边的长度；将乳腺肿块影像的左上角对齐窗口的左上角放入窗口中，再将窗口和乳腺肿块影像进行等比例缩放，尺寸归一化到固定尺寸，完成乳腺肿块影像的尺度归一化操作；乳腺肿块影像归一化尺寸为200*200像素；
2)划分训练和测试数据集：
使用MIAS数据集的90％进行乳腺肿块影像分类模型的训练，剩下的10％用作模型正确性验证。
6.根据权利要求5所述的X射线乳腺肿块影像自动分类方法，其特征在于：在使用MIAS数据集的90％进行乳腺肿块影像分类模型的训练时，对样本进行扩充，包括如下方式：
1)影像平移：将乳腺肿块影像原图进行上、下、左、右四个方向的移动，完成样本扩充；
2)影像角度旋转
将乳腺肿块影像原图进行顺时针、逆时针旋转，完成样本扩充；
3)影像镜像
将乳腺肿块影像进行左右、上下镜像复制，完成样本扩充。
CN201811140302.3A 2018-09-28 2018-09-28 X射线乳腺肿块影像自动分类方法 Active CN109409413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811140302.3A CN109409413B (zh) 2018-09-28 2018-09-28 X射线乳腺肿块影像自动分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811140302.3A CN109409413B (zh) 2018-09-28 2018-09-28 X射线乳腺肿块影像自动分类方法

Publications (2)

Publication Number Publication Date
CN109409413A CN109409413A (zh) 2019-03-01
CN109409413B true CN109409413B (zh) 2022-09-16

Family

ID=65465581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811140302.3A Active CN109409413B (zh) 2018-09-28 2018-09-28 X射线乳腺肿块影像自动分类方法

Country Status (1)

Country Link
CN (1) CN109409413B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110320285A (zh) * 2019-07-08 2019-10-11 创新奇智(青岛)科技有限公司 一种基于超声波信号的钢轨缺陷识别方法、***及电子设备
CN111126226B (zh) * 2019-12-17 2023-07-28 杭州电子科技大学 一种基于小样本学习和特征增强的辐射源个体识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104835155A (zh) * 2015-04-30 2015-08-12 浙江大学 基于分形的早期乳腺癌钙化点计算机辅助检测方法
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***
CN106682435A (zh) * 2016-12-31 2017-05-17 西安百利信息科技有限公司 一种多模型融合自动检测医学图像中病变的***及方法
CN106780451A (zh) * 2016-12-07 2017-05-31 西安电子科技大学 X射线、超声、红外图像融合乳腺肿块图像检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050129297A1 (en) * 2003-12-15 2005-06-16 Kamath Vidya P. Classification of breast lesion method and system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104835155A (zh) * 2015-04-30 2015-08-12 浙江大学 基于分形的早期乳腺癌钙化点计算机辅助检测方法
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***
CN106780451A (zh) * 2016-12-07 2017-05-31 西安电子科技大学 X射线、超声、红外图像融合乳腺肿块图像检测方法
CN106682435A (zh) * 2016-12-31 2017-05-17 西安百利信息科技有限公司 一种多模型融合自动检测医学图像中病变的***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于神经网络的乳腺Ｘ光片中肿块检测法;史盛君等;《哈尔滨理工大学学报》;20081231;第13卷(第06期);全文 *

Also Published As

Publication number Publication date
CN109409413A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN110889852B (zh) 基于残差-注意力深度神经网络的肝脏分割方法
CN112017198B (zh) 基于自注意力机制多尺度特征的右心室分割方法及装置
CN109063710A (zh) 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法
CN110889853B (zh) 基于残差-注意力深度神经网络的肿瘤分割方法
CN110084318B (zh) 一种结合卷积神经网络和梯度提升树的图像识别方法
CN108932536B (zh) 基于深度神经网络的人脸姿态重建方法
CN108734138B (zh) 一种基于集成学习的黑色素瘤皮肤病图像分类方法
CN107169974A (zh) 一种基于多监督全卷积神经网络的图像分割方法
CN109409413B (zh) X射线乳腺肿块影像自动分类方法
CN108053417A (zh) 一种基于混合粗分割特征的3DU-Net网络的肺分割装置
CN109146899A (zh) Ct图像的危及器官分割方法及装置
CN103164855B (zh) 一种结合反射光照的贝叶斯决策前景提取方法
CN113674253A (zh) 基于U-Transformer的直肠癌CT影像自动分割方法
CN104484886B (zh) 一种mr图像的分割方法及装置
CN107194937A (zh) 一种开放环境下中医舌象图像分割方法
CN110008992B (zh) 一种用于***癌辅助诊断的深度学习方法
CN113793348B (zh) 一种视网膜血管分割方法和装置
CN104281856B (zh) 用于脑部医学图像分类的图像预处理方法和***
CN107767362A (zh) 一种基于深度学习的肺癌早筛装置
CN114332572B (zh) 基于显著图引导分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数方法
CN115578404A (zh) 一种基于深度学习的肝脏肿瘤图像增强和分割的方法
CN111027590A (zh) 一种结合深度网络特征和机器学习模型的乳腺癌数据分类方法
CN116612334B (zh) 一种基于空谱联合注意力机制的医学高光谱图像分类方法
CN111369501A (zh) 一种基于视觉特征识别口腔鳞状细胞癌的深度学习方法
CN113450305B (zh) 医疗图像的处理方法、***、设备及可读存储介质

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