CN109902682A - 一种基于残差卷积神经网络的乳腺x线图像检测方法 - Google Patents
一种基于残差卷积神经网络的乳腺x线图像检测方法 Download PDFInfo
- Publication number
- CN109902682A CN109902682A CN201910165824.7A CN201910165824A CN109902682A CN 109902682 A CN109902682 A CN 109902682A CN 201910165824 A CN201910165824 A CN 201910165824A CN 109902682 A CN109902682 A CN 109902682A
- Authority
- CN
- China
- Prior art keywords
- residual error
- mammary gland
- line image
- neural networks
- convolutional neural
- 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
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 95
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 9
- 230000001537 neural effect Effects 0.000 claims description 7
- 239000011248 coating agent Substances 0.000 claims description 6
- 238000000576 coating method Methods 0.000 claims description 6
- 230000000505 pernicious effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 210000000481 breast Anatomy 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000006071 cream Substances 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims description 2
- 210000004907 gland Anatomy 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 210000000038 chest Anatomy 0.000 claims 1
- 238000003475 lamination Methods 0.000 claims 1
- 210000003205 muscle Anatomy 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 239000012491 analyte Substances 0.000 abstract description 3
- 238000007635 classification algorithm Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 9
- 230000003902 lesion Effects 0.000 description 8
- 206010006187 Breast cancer Diseases 0.000 description 4
- 208000026310 Breast neoplasm Diseases 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 210000002976 pectoralis muscle Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000011285 therapeutic regimen Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像信息处理技术领域,具体为一种基于残差卷积神经网络模型的乳腺x线图像检测方法,解决了背景技术中的问题,本方法中先对由已标明病况的乳腺x线图像组成的数据库进行预处理并获取感兴趣区域;再构建残差卷积神经网络模型并进行提取特征;最后SVM进行分类。本发明所述方法运用了基于深度学习的图像分类算法,能达到更高分析准确度,避免了因医生经验、能力差异带来的主观人为因素的影响,能更好地实现乳腺x线图像的分类;本发明在传统分类的基础上引入了残差学习的卷积神经网络模型;同时采用GPU加速,缩短了训练的时间,加速了实验的训练过程,进而提高了乳腺x线图像分类的准确性和处理速度。
Description
技术领域
本发明属于图像信息处理技术领域,具体为一种基于残差卷积神经网络模型的乳腺x线图像检测方法。
背景技术
随着人们生活质量的提高,乳腺癌发病率也不断升高。近十年中,我国乳腺癌死亡率迅速增长,北上广等一线城市及沿海经济发达地方已成为我国乳腺癌的高发区。
临床上,相对于X-ray、钼靶、核磁共振等图像,病理图像是医生最后确诊乳腺癌的重要标准,而对病理图像进行准确地分类是医生制订最佳治疗方案的重要依据。基于人工的病理图像分类,不仅耗时、费力,而且诊断结果容易受到诸多主观人为因素的影响,借助于计算机辅助诊断,自动将病理图像进行良、恶性分类,不仅可以提高诊断效率,还能为医生提供更加客观、准确的诊断结果,因而具有重要的临床应用价值。
发明内容
本发明的目的在于解决现有技术中的上述问题,提供了一种基于残差卷积神经网络模型的乳腺x线图像检测方法。
本发明解决其技术问题的技术方案是:一种基于残差卷积神经网络模型的乳腺x线图像检测方法,包括以下步骤:
a)对由已标明病况的乳腺x线图像组成的数据库进行预处理并获取感兴趣区域;
步骤:人工将原始数据库中所有已标明病况的乳腺x线图像分为良性、正常、恶性三类病况;
步骤:去除每一类病况所对应的乳腺x线图像上的人工干扰物,得到仅包含***与胸部肌肉的前景区域图像;
步骤:对步骤处理后的的乳腺x线图像分别进行灰度直方图归一化和gamma滤波预处理;
步骤:获取步骤得到的每幅乳腺x线图像的感兴趣区域,构建训练数据库;
b)构建残差卷积神经网络模型并进行提取特征;
步骤:搭建残差卷积神经网络模型;
步骤:将步骤中的训练数据库中训练集的乳腺x线图像输入到残差卷积神经网络模型;
步骤:微调网络,选取最优残差卷积神经网络模型,训练残差卷积神经网络模型,提取训练集中乳腺x线图像的完整特征;
c)SVM进行分类;
步骤:将步骤提取到的完整特征输入线性SVM分类器进行分类,得到乳腺x线图像的分类类别,再利用训练数据库中测试集的乳腺x线图像检测分类结果的准确度。
所述步骤中这些乳腺x线图像的来源是公共数据集,这些乳腺x线图像上已经有医生的诊断标记信息,其中诊断标记包括两部分,第一部分为病变类型,病变类型分为病变或无病变,第二部分为病变程度,病变程度为良性病变或恶性病变,故三类病况中良性为良性病变,正常为无病变,恶性为恶性病变。步骤中乳腺x线图像上的人工干扰物通常会覆盖到***与胸部肌肉的前景区域图像上,从而会影响计算机对乳腺x线图像上有效特征的学习,降低计算机学习特征的准确度,故将乳腺x线图像上的人工干扰物是提高计算机学习特征以及后续残差卷积神经网络模型提取乳腺x线图像的特征的准确性,而且能够缩短后续残差卷积神经网络模型训练时间。步骤中对乳腺x线图像进行灰度直方图归一化和gamma滤波预处理能够降低原乳腺x线图像的噪点,增强乳腺x线图像的病灶特征,有利于残差卷积神经网络模型学习精度的提高。步骤获取步骤得到的每幅乳腺x线图像的感兴趣区域,同时去除感兴趣区域外的背景区域,这能缩短后续的残差卷积神经网络模型学习的时间并提高学习效率,训练数据库的训练集用于计算机学习乳腺x线图像特征,训练数据库的测试集用于检测计算机学习特征准确度。步骤搭建好残差卷积神经网络模型之后,步骤将训练数据库的训练集输入到残差卷积神经网络模型中,计算机根据程序学习具体乳腺x线图像的特征,步骤微调网络,选取最优的残差卷积神经网络模型(所述最优的残差卷积神经网络模型即学习特征准确度最高的残差卷积神经网络模型),然后提取到训练集中乳腺x线图像的完整特征,通过步骤中的线性SVM分类器对完整特征进行分类,即可得到乳腺x线图像的分类类别,再利用训练数据库中测试集的乳腺x线图像检测分类结果的准确度,如果检测到精度不够高,则重新微调网络,直到精度达到要求。通过本发明所述方法可对未标明病况的乳腺x线图像进行分类,步骤的最优残差卷积神经网络模型有输入入口,对未标明病况的乳腺x线图像进行处理,提取到乳腺x线图像的完整特征,再经过步骤即可完成病况的识别也就是乳腺x线图像的分类。
与现有技术相比,本发明的有益效果是:本发明所述方法运用了基于深度学习的图像分类算法,能达到更高分析准确度,避免了因医生经验、能力差异带来的主观人为因素的影响,能更好地实现乳腺x线图像的分类;本发明在传统分类的基础上引入了残差学习的卷积神经网络模型;同时采用GPU加速,缩短了训练的时间,加速了实验的训练过程,进而提高了乳腺x线图像分类的准确性和处理速度。
附图说明
图1是本发明一种基于残差卷积神经网络模型的乳腺x线图像检测方法的流程图。
图2是本发明所述残差卷积神经网络模型的内部结构示意图。
图3是残差卷积神经网络模型训练流程图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其他实施方式,都属于本发明所保护的范围。
参见附图1、2、3,现对本发明提供的一种基于残差卷积神经网络模型的乳腺x线图像检测方法进行说明。
一种基于残差卷积神经网络模型的乳腺x线图像检测方法,如图1所示,包括以下步骤:
a)对由已标明病况的乳腺x线图像组成的数据库进行预处理并获取感兴趣区域;
步骤:人工将原始数据库中所有已标明病况的乳腺x线图像分为良性、正常、恶性三类病况;
步骤:去除每一类病况所对应的乳腺x线图像上的人工干扰物,得到仅包含***与胸部肌肉的前景区域图像;
步骤:对步骤处理后的乳腺x线图像分别进行灰度直方图归一化和gamma滤波预处理;
步骤:获取步骤得到的每幅乳腺x线图像的感兴趣区域,构建训练数据库,将训练数据库分为训练集和测试集;
b)构建残差卷积神经网络模型并进行提取特征;
步骤:搭建残差卷积神经网络模型;
步骤:将步骤中的训练数据库中训练集的乳腺x线图像输入到残差卷积神经网络模型;
步骤:微调网络,选取最优残差卷积神经网络模型,训练残差卷积神经网络模型提取训练集中乳腺x线图像的完整特征;
c)SVM进行分类;
步骤:将步骤提取到的完整特征输入线性SVM分类器进行分类,得到乳腺x线图像的分类类别,再利用训练数据库中测试集的乳腺x线图像检测分类结果的准确度。
残差卷积神经网络模型即深度神经网络模型能高效地自动的提取图像特征,免除了人工手动设计特定数据类型的特征的负担,能加快算法的开发周期,提高效率。残差卷积神经网络模型通过卷积操作对输入的乳腺x线图像进行低阶特征抽取,然后随着网络层数的增加,神经网络将前几层提取到的低阶特征组合成高阶特征,这些经过组合之后抽取的高阶特征相比于前几层的低阶特征能更好的表示物体的语义特征。
进一步的,作为本发明所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法的一种具体实施方式,步骤中运用canny算子边缘检测法去除人工干扰物,其步骤为:1)用高斯滤波器平滑乳腺x线图像;2)接着用一阶偏导有限差分计算梯度幅值和方向;3)对梯度幅值进行非极大值抑制;4)用双阈值算法检测和连接边缘;5)最后选取目标边缘后进行删除完成人工干扰物的去除。canny算子信噪比高、定位精确,又具备较强的去噪能力和较好的边缘检测效果,故能准确的找到人工干扰物的边缘,有助于精确去除人工干扰物,为后续获取乳腺x线图的感兴趣区域做了有效保障。
进一步的,作为本发明所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法的一种具体实施方式,步骤中使用简单线性迭代聚类图像分割算法获取感兴趣区域,并将获取了感兴趣区域的乳腺x线图像进行旋转、镜像等操作形成新的乳腺x线图像,扩充训练数据库。在保留已获取了感兴趣区域的原乳腺x线图像的基础上,将原乳腺x线图像进行旋转、镜像等操作,形成新的乳腺x线图像,从而增加了乳腺x线图像的数量,扩充了训练数据库,这样就不必重复进行预处理和获取感兴趣区域了,节省了时间。
进一步的,作为本发明所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法的一种具体实施方式,步骤训练数据库的训练集和测试集中均包括良性、正常、恶性三类病况的乳腺x线图像。不同病况的乳腺x线图像分布均匀才能好得训练计算机的学习能力,通过包括不同病况的乳腺x线图像的测试集能更精确的检测学习特征的精确度。
进一步的,作为本发明所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法的一种具体实施方式,步骤中搭建的残差卷积神经网络模型包括三个部分,第一部分为输入层,第二部分为隐含层,第三部分为输出层,隐含层连接在输入层上,输出层连接在隐含层上;所述残差卷积神经网络模型包括多个残差神经单元,每个所述残差神经单元包括相同数量的卷积层和激活层,每个卷积层后分别对应设置一个激活层,所述残差卷积神经网络模型的内部结构如图2所示。
进一步的,作为本发明所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法的一种具体实施方式,所述残差卷积神经网络模型为两个恒等的残差神经单元。本发明所述方法构建了多层次的卷积层和多个残差神经单元,实现了多级特征提取,用以达到更高分析准确度。具体实施方式中,(a)主路径的第一部分:第一个CONV2D的过滤器F1大小是(3*3),步长s大小为(1*1),卷积填充padding=“valid”即无填充卷积;(b)主路径的第二部分:第二个CONV2D的过滤器F2大小是(3*3),步长s大小为(1*1),卷积填充padding=“same”即相同卷积;(c)最后部分:将shortcut和输入一起添加到卷积模块中,然后再应用RuLU激活函数。
进一步的,作为本发明所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法的一种具体实施方式,所述残差卷积神经网络模型的激活层为RuLU函数。选用RuLU非饱和激活函数能解决所谓的“梯度消失”问题,其次,它能加快收敛速度。
进一步的,作为本发明所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法的一种具体实施方式,所述残差卷积神经网络模型采用交叉熵损失函数进行训练。采用交叉熵损失函数进行训练能在梯度下降时能避免残差卷积神经网络模型的学习速率降低的问题。
进一步的,作为本发明所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法的一种具体实施方式,所述残差卷积神经网络模型在每一层之前均经过批量标准化处理。批量标准化处理能使残差卷积神经网络模型训练加快、容忍更高的学习率、让权重更容易初始化。
进一步的,作为本发明所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法的一种具体实施方式,所述残差卷积神经网络模型对输入的训练数据库进行批量标准化之后使用ReLU函数进行预激活。选用RuLU非饱和激活函数能解决所谓的“梯度消失”问题,其次,它能加快收敛速度。
具体实施方式中,如图3所示,训练残差卷积神经网络模型的步骤为:
步骤(1):训练数据库中训练集的乳腺x线图像经过卷积模块conv_block提取局部特征,其中卷积模块内顺序包括Batch Normalization(批量标准化)层、激活函数、卷积层及Maxpooling(最大池化)层;
步骤(2): 之后训练数据库训练集的乳腺x线图像再经过AveragePooling(平均池化)操作,提取全局特征;
步骤(3):步骤(1)的局部特征与步骤(2)的全局特征经过merge(合并)操作,组成完整特征;
步骤(4):重复循环四次步骤(1)、步骤2)和步骤(3)的流程,再经过一个conv_block及全局池化(GlobalMaxPooling)。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种基于残差卷积神经网络模型的乳腺x线图像检测方法,其特征在于,包括以下步骤:
a) 对由已标明病况的乳腺x线图像组成的数据库进行预处理并获取感兴趣区域;
步骤:人工将原始数据库中所有已标明病况的乳腺x线图像分为良性、正常、恶性三类病况;
步骤:去除每一类病况所对应的乳腺x线图像上的人工干扰物,得到仅包含***与胸部肌肉的前景区域图像;
步骤:对步骤处理后的的乳腺x线图像分别进行灰度直方图归一化和gamma滤波预处理;
步骤:获取步骤得到的每幅乳腺x线图像的感兴趣区域,构建训练数据库,将训练数据库分为训练集和测试集;
b) 构建残差卷积神经网络模型并进行提取特征;
步骤:搭建残差卷积神经网络模型;
步骤:将步骤中的训练数据库中训练集的乳腺x线图像输入到残差卷积神经网络模型;
步骤:微调网络,选取最优残差卷积神经网络模型,训练残差卷积神经网络模型提取训练集中乳腺x线图像的完整特征;
c) SVM进行分类;
步骤:将步骤提取到的完整特征输入线性SVM分类器进行分类,得到乳腺x线图像的分类类别,再利用训练数据库中测试集的乳腺x线图像检测分类结果的准确度。
2.根据权利要求1所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法,其特征在于:步骤中运用canny算子边缘检测法去除人工干扰物,其步骤为:1)用高斯滤波器平滑乳腺x线图像;2)接着用一阶偏导有限差分计算梯度幅值和方向;3)对梯度幅值进行非极大值抑制;4)用双阈值算法检测和连接边缘;5)最后选取目标边缘后进行删除完成人工干扰物的去除。
3.根据权利要求1或2所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法,其特征在于:步骤中使用简单线性迭代聚类图像分割算法获取感兴趣区域,并将获取了感兴趣区域的乳腺x线图像进行旋转、镜像等操作形成新的乳腺x线图像,扩充训练数据库。
4.根据权利要求3所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法,其特征在于:步骤中训练数据库的训练集和测试集中均包括良性、正常、恶性三类病况的乳腺x线图像。
5.根据权利要求4所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法,其特征在于:步骤中搭建的残差卷积神经网络模型包括三个部分,第一部分为输入层,第二部分为隐含层,第三部分为输出层,隐含层连接在输入层上,输出层连接在隐含层上;所述残差卷积神经网络模型包括多个残差神经单元,每个所述残差神经单元包括相同数量的卷积层和激活层,每个卷积层后分别对应设置一个激活层。
6.根据权利要求5所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法,其特征在于:所述残差卷积神经网络模型为两个恒等的残差神经单元。
7.根据权利要求6所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法,其特征在于:所述残差卷积神经网络模型的激活层为RuLU函数。
8.根据权利要求7所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法,其特征在于:所述残差卷积神经网络模型采用交叉熵损失函数进行训练。
9.根据权利要求8所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法,其特征在于:所述残差卷积神经网络模型在每一层之前均经过批量标准化处理。
10.根据权利要求9所述的一种基于残差卷积神经网络模型的乳腺x线图像检测方法,其特征在于:所述残差卷积神经网络模型对输入的训练数据库进行批量标准化之后使用ReLU函数进行预激活。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910165824.7A CN109902682A (zh) | 2019-03-06 | 2019-03-06 | 一种基于残差卷积神经网络的乳腺x线图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910165824.7A CN109902682A (zh) | 2019-03-06 | 2019-03-06 | 一种基于残差卷积神经网络的乳腺x线图像检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109902682A true CN109902682A (zh) | 2019-06-18 |
Family
ID=66946212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910165824.7A Pending CN109902682A (zh) | 2019-03-06 | 2019-03-06 | 一种基于残差卷积神经网络的乳腺x线图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902682A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111062909A (zh) * | 2019-11-08 | 2020-04-24 | 哈尔滨工业大学(深圳) | 乳腺肿块良恶性判断方法及设备 |
CN111292317A (zh) * | 2020-03-11 | 2020-06-16 | 四川大学华西医院 | 一种增强图像局部特征式多任务分割乳腺导管内原位癌区域的方法 |
CN111311553A (zh) * | 2020-01-21 | 2020-06-19 | 长沙理工大学 | 基于感兴趣区域的乳腺肿瘤识别方法、装置及存储介质 |
CN112132808A (zh) * | 2020-09-23 | 2020-12-25 | 沈阳建筑大学 | 基于常态模型学习的乳腺x线图像病变检测方法和装置 |
CN113723523A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技(深圳)有限公司 | 医学影像的处理方法、装置、计算机设备及存储介质 |
CN116778208A (zh) * | 2023-08-24 | 2023-09-19 | 吉林大学 | 一种基于深度网络模型的图像聚类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980295A (zh) * | 2010-09-25 | 2011-02-23 | 西北工业大学 | 基于偏度分析的黄河主溜线检测方法 |
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*** |
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 |
CN109002831A (zh) * | 2018-06-05 | 2018-12-14 | 南方医科大学南方医院 | 一种基于卷积神经网络的乳腺密度分类方法、***及装置 |
CN109086824A (zh) * | 2018-08-01 | 2018-12-25 | 哈尔滨工程大学 | 一种基于卷积神经网络的海底底质声呐图像分类方法 |
EP3432263A1 (en) * | 2017-07-17 | 2019-01-23 | Siemens Healthcare GmbH | Semantic segmentation for cancer detection in digital breast tomosynthesis |
-
2019
- 2019-03-06 CN CN201910165824.7A patent/CN109902682A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980295A (zh) * | 2010-09-25 | 2011-02-23 | 西北工业大学 | 基于偏度分析的黄河主溜线检测方法 |
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*** |
EP3432263A1 (en) * | 2017-07-17 | 2019-01-23 | Siemens Healthcare GmbH | Semantic segmentation for cancer detection in digital breast tomosynthesis |
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 |
CN109002831A (zh) * | 2018-06-05 | 2018-12-14 | 南方医科大学南方医院 | 一种基于卷积神经网络的乳腺密度分类方法、***及装置 |
CN109086824A (zh) * | 2018-08-01 | 2018-12-25 | 哈尔滨工程大学 | 一种基于卷积神经网络的海底底质声呐图像分类方法 |
Non-Patent Citations (2)
Title |
---|
赵玲玲等: "基于深度卷积神经网络的乳腺细胞图像分类研究", 《中小企业管理与科技》 * |
霍冠英等: "《侧扫声呐图像目标分割》", 30 April 2017 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110738231B (zh) * | 2019-07-25 | 2022-12-27 | 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 |
CN111062909A (zh) * | 2019-11-08 | 2020-04-24 | 哈尔滨工业大学(深圳) | 乳腺肿块良恶性判断方法及设备 |
CN111311553A (zh) * | 2020-01-21 | 2020-06-19 | 长沙理工大学 | 基于感兴趣区域的乳腺肿瘤识别方法、装置及存储介质 |
CN111292317A (zh) * | 2020-03-11 | 2020-06-16 | 四川大学华西医院 | 一种增强图像局部特征式多任务分割乳腺导管内原位癌区域的方法 |
CN111292317B (zh) * | 2020-03-11 | 2022-06-07 | 四川大学华西医院 | 一种增强图像局部特征式多任务分割乳腺导管内原位癌区域的方法 |
CN112132808A (zh) * | 2020-09-23 | 2020-12-25 | 沈阳建筑大学 | 基于常态模型学习的乳腺x线图像病变检测方法和装置 |
CN112132808B (zh) * | 2020-09-23 | 2023-11-07 | 沈阳建筑大学 | 基于常态模型学习的乳腺x线图像病变检测方法和装置 |
CN113723523A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技(深圳)有限公司 | 医学影像的处理方法、装置、计算机设备及存储介质 |
CN113723523B (zh) * | 2021-08-31 | 2024-05-10 | 平安科技(深圳)有限公司 | 医学影像的处理方法、装置、计算机设备及存储介质 |
CN116778208A (zh) * | 2023-08-24 | 2023-09-19 | 吉林大学 | 一种基于深度网络模型的图像聚类方法 |
CN116778208B (zh) * | 2023-08-24 | 2023-11-10 | 吉林大学 | 一种基于深度网络模型的图像聚类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Khened et al. | Densely connected fully convolutional network for short-axis cardiac cine MR image segmentation and heart diagnosis using random forest | |
CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断*** | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断*** | |
Joshi et al. | Classification of brain cancer using artificial neural network | |
CN108052977B (zh) | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 | |
Zhang et al. | Coarse-to-fine stacked fully convolutional nets for lymph node segmentation in ultrasound images | |
CN107748900A (zh) | 基于区分性卷积神经网络的乳腺肿瘤分类方法和装置 | |
CN109584254A (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
CN110232383A (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别*** | |
CN110895817A (zh) | 一种基于影像组学分析的mri影像肝纤维化自动分级方法 | |
CN110288582A (zh) | 一种细胞核的准确分割方法 | |
CN108805209A (zh) | 一种基于深度学习的肺结节筛查方法 | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
CN109635846A (zh) | 一种多类医学图像判断方法和*** | |
CN109447998A (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
JP2023517058A (ja) | 画像処理に基づく腫瘍の自動検出 | |
Liu et al. | Automatic segmentation algorithm of ultrasound heart image based on convolutional neural network and image saliency | |
CN114581701A (zh) | 一种t2加权影像特征生成动态增强影像特征的方法 | |
Shao et al. | Application of U-Net and Optimized Clustering in Medical Image Segmentation: A Review. | |
Hassan et al. | A dilated residual hierarchically fashioned segmentation framework for extracting Gleason tissues and grading prostate cancer from whole slide images | |
CN110458842A (zh) | 基于双通道三维密集连接网络的脑肿瘤分割方法 | |
Wang et al. | Breast Cancer Image Classification Method Based on Deep Transfer Learning | |
CN111429404B (zh) | 一种用于心脑血管检测的成像***和方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190618 |