CN110232396B - X射线乳腺影像深度学习分类方法 - Google Patents

X射线乳腺影像深度学习分类方法 Download PDF

Info

Publication number
CN110232396B
CN110232396B CN201910278910.9A CN201910278910A CN110232396B CN 110232396 B CN110232396 B CN 110232396B CN 201910278910 A CN201910278910 A CN 201910278910A CN 110232396 B CN110232396 B CN 110232396B
Authority
CN
China
Prior art keywords
membership
sample
convolution
classification
membership degree
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
CN201910278910.9A
Other languages
English (en)
Other versions
CN110232396A (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 CN201910278910.9A priority Critical patent/CN110232396B/zh
Publication of CN110232396A publication Critical patent/CN110232396A/zh
Application granted granted Critical
Publication of CN110232396B publication Critical patent/CN110232396B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (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。本发明从图像处理角度设计了对X射线乳腺肿块影像进行自动分类网络，该网络首先对X射线乳腺肿块影像使用两条计算路径使用不同大小的卷积核进行卷积及下采样操作，提取不同尺度类型的卷积特征图，将两条计算路径输入的特征图进行叠加融合，得到双计算路径融合后的特征信息。再对融合特征使用全卷积网络进行特征提取，最后送入Softmax分类层对特征进行分类，得到乳腺肿块影像分类结果。使用适用于X射线乳腺肿块影像分类的基于隶属度的目标函数对模型进行训练，新的目标函数通过增大乳腺肿块样本与所属类别的隶属度、减小与非所属类别的隶属度实现增强模型泛化能力，提升分类准确性。

Description

X射线乳腺影像深度学习分类方法
技术领域
本发明涉及图像处理技术领域，尤其是X射线乳腺影像深度学习分类方法。
背景技术
据GLOBOCAN统计，全球每年新增约1200万癌症患者，癌症患者死亡人数约820万。癌症对社会造成极大的负担，尤其在发展中国家，癌症对个人生活和生存质量影响更为严重。乳腺癌是威胁女性生命健康最主要的恶性肿瘤之一。乳腺钼靶X线摄影检查，因其成本低、对患者伤害小、简便易行且分辨率高，满足医学要求，成为当前乳腺癌主流检查方法。X射线乳腺影像为乳腺癌诊断提供了非常丰富且直观的病灶信息，方便医生对患者进行检查和分析来确定患者症状，在乳腺癌诊断中应用最为广泛。
乳腺影像中肿块纹理与其他人体组织如肌肉、腺体等相似性高；乳腺肿块边缘模糊，与背景区分度低；乳腺影像的色彩变化集中在一个较窄的区域内，使用卷积操作提取的特征相似性高，难以区分，这些因素都增加了乳腺肿块影像特征提取的难度。使用CNN对乳腺影像进行特征提取，由于乳腺肿块的轮廓、纹理、形状等变化较小，若对乳腺影像使用过多的卷积操作，会造成影像特征的过度抽取，降低影像特征的质量。
发明内容
本发明所要解决的技术问题是提供一种X射线乳腺影像深度学习分类方法，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。
X射线乳腺影像深度学习分类方法，包括1)设计提取乳腺肿块影像多尺度卷积特征的双计算路径子网络结构；2)全卷积X射线乳腺肿块特征提取及分类模块；3)基于隶属度的目标函数优化方法。
具体步骤如下：
1)双计算路径子网络，使用两条计算路径，分别使用不同大小的卷积核对输入的乳腺肿块影像进行卷积和相应的下采样操作，得到两种类型的乳腺肿块影像卷积特征，再通过叠加的方法进行特征融合，得到融合后的多尺度卷积特征；
2)将步骤1)生成的融合后的多尺度卷积特征，使用全卷积网络进行特征提取；具体是，将融合后的多尺度卷积特征使用两层各 1000个1*1大小的卷积核进行卷积，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；
3)引入类别隶属度度量方法，设计新的目标函数，将样本与聚类中心的隶属度信息引入到目标函数的设计中，通过增大样本与所属类别的隶属度、减小与非所属类别的隶属度，实现模型准确率的提升。
所述的双计算路径方法，包含9个神经网络层，分别是四个卷积层、四个下最大化下采样层和一个特征图融合层；200*200大小的X 射线乳腺肿块影像分别输入到两个计算路径中进行卷积特征提取，最后将两条计算路径所生成的特征图进行叠加融合，得到融合后的特征。
所述的将两条计算路径所生成的特征图进行叠加融合的具体操作是，分别使用两组7*7大小的卷积核和5*5大小的卷积核对输入的乳腺肿块影像进行卷积计算，并在每个卷积层后接一个2*2最大化下采样层；在第二个最大化下采样层后，使用叠加的方法将两条计算路径生成的乳腺肿块特征图进行融合，生成新的融合后的特征。
所述的将隶属度信息引入目标函数设计，新的目标函数具体实现如下：
目标函数中，样本与类别间的隶属度计算公式：
Figure RE-GDA0002140312720000031
uij指第j个样本与第i个聚类中心之间的隶属度；
Figure RE-GDA0002140312720000032
指第j个样本与第i个聚类中心的欧氏距离的平方值；
c指分类个数；
隶属度度量样本到所有分类的隶属关系的强度，当样本离聚类中心越近时，隶属强度越大，反之隶属强度越小；隶属度取值范围是 [0,1]，且单个样本到所有分类的隶属度的和为1，隶属度的性质公式如下：
Figure RE-GDA0002140312720000033
c指分类个数；
隶属度惩罚项：
Figure RE-GDA0002140312720000034
n指训练数据集中样本量总个数；
c指分类个数；
η指样本与除它所属聚类之外的其他类别的隶属度惩罚项权重，用于控制隶属度惩罚项对训练误差的贡献大小；
hθ(xi)指在参数θ下样本xi的预测值与所属类别的隶属度，i表示第i个样本；
Figure RE-GDA0002140312720000035
是在参数θ下样本xi的预测值与第j个非所属类别的隶属度，i表示第i个样本。
式中的第一项，是预测值与所属聚类的隶属度的惩罚项；如图(2) 所示，y＝-ln(x)函数单调递减，对于目标函数来说，该项输入理想值为1。由函数图形可以看出，通过增大样本与所属分类的隶属度可以减小隶属度误差，使模型向减小样本与所属分类的类内距离的方向演进，实现模型准确率的提升。
式中第二项，是预测值与除所属聚类外的其他聚类之间的隶属度惩罚项；如图(2)所示，y＝-ln(1-x)函数单调递增，对于目标函数来说，该项输入理想值为0。由函数图形可以看出，通过减小样本与非所属分类的隶属度可以减小隶属度误差，使模型向增大样本与非所属分类的类间距离的方向演进，提升模型的泛化能力。
交叉熵隶属度目标函数：
J(θ)＝CrossEntropy+λS(θ) (4)
CrossEntropy是交叉熵函数，用于度量预测值与样本标签的差异；
λ是隶属度惩罚项系数，用于调整隶属度惩罚项贡献的大小。
由于采用了上述技术方案，与现有技术相比，本发明从图像处理角度设计了对X射线乳腺肿块影像进行自动分类网络，该网络首先对X射线乳腺肿块影像使用两条计算路径使用不同大小的卷积核进行卷积及下采样操作，提取不同尺度类型的卷积特征图，将两条计算路径输入的特征图进行叠加融合，得到双计算路径融合后的特征信息。再对融合特征使用全卷积网络进行特征提取，最后送入Softmax 分类层对特征进行分类，得到乳腺肿块影像分类结果。在模型训练过程中，使用适用于X射线乳腺肿块影像分类的基于隶属度的目标函数对模型进行训练，新的目标函数通过增大乳腺肿块样本与所属类别的隶属度、减小与非所属类别的隶属度实现增强模型泛化能力，提升分类准确性。
附图说明
图1为本发明的乳腺影像多尺度卷积特征提取网络结构；
图2为本发明的乳腺影像分类深度学习网络结构；
图3为分类误差映射函数。
具体实施方式
本发明的实施例：X射线乳腺影像深度学习分类方法，包括1) 设计提取乳腺肿块影像多尺度卷积特征的双计算路径子网络结构；2) 全卷积X射线乳腺肿块特征提取及分类模块；3)基于隶属度的目标函数优化方法。
具体步骤如下：
1)双计算路径子网络，使用两条计算路径，分别使用不同大小的卷积核对输入的乳腺肿块影像进行卷积和相应的下采样操作，得到两种类型的乳腺肿块影像卷积特征，再通过叠加的方法进行特征融合，得到融合后的多尺度卷积特征；
2)将步骤1)生成的融合后的多尺度卷积特征，使用全卷积网络进行特征提取；具体是，将融合后的多尺度卷积特征使用两层各 1000个1*1大小的卷积核进行卷积，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；
3)引入类别隶属度度量方法，设计新的目标函数，将样本与聚类中心的隶属度信息引入到目标函数的设计中，通过增大样本与所属类别的隶属度、减小与非所属类别的隶属度，实现模型准确率的提升。
所述的双计算路径方法，包含9个神经网络层，分别是四个卷积层、四个下最大化下采样层和一个特征图融合层；200*200大小的X 射线乳腺肿块影像分别输入到两个计算路径中进行卷积特征提取，最后将两条计算路径所生成的特征图进行叠加融合，得到融合后的特征。
所述的将两条计算路径所生成的特征图进行叠加融合的具体操作是，分别使用两组(两组7*7，两组5*5，一共两组，其中一组只使用7*7大小卷积核，另一组只使用5*5大小卷积核)7*7大小的卷积核和5*5大小的卷积核对输入的乳腺肿块影像进行卷积计算，并在每个卷积层后接一个2*2最大化下采样层；在第二个最大化下采样层后，使用叠加的方法将两条计算路径生成的乳腺肿块特征图进行融合，生成新的融合后的特征。
所述的将隶属度信息引入目标函数设计，新的目标函数具体实现如下：
目标函数中，样本与类别间的隶属度计算公式：
Figure RE-GDA0002140312720000061
uij指第j个样本与第i个聚类中心之间的隶属度；
Figure RE-GDA0002140312720000062
指第j个样本与第i个聚类中心的欧氏距离的平方值；
c指分类个数；
隶属度度量样本到所有分类的隶属关系的强度，当样本离聚类中心越近时，隶属强度越大，反之隶属强度越小；隶属度取值范围是 [0,1]，且单个样本到所有分类的隶属度的和为1，隶属度的性质公式如下：
Figure RE-GDA0002140312720000063
c指分类个数；
隶属度惩罚项：
Figure RE-GDA0002140312720000064
n指训练数据集中样本量总个数；
c指分类个数；
η指样本与除它所属聚类之外的其他类别的隶属度惩罚项权重，用于控制隶属度惩罚项对训练误差的贡献大小；
hθ(xi)指在参数θ下样本xi的预测值与所属类别的隶属度，i表示第i个样本；
Figure RE-GDA0002140312720000065
是在参数θ下样本xi的预测值与第j个非所属类别的隶属度，i表示第i个样本。
式中的第一项，是预测值与所属聚类的隶属度的惩罚项；如图(2) 所示，y＝-ln(x)函数单调递减，对于目标函数来说，该项输入理想值为1。由函数图形可以看出，通过增大样本与所属分类的隶属度可以减小隶属度误差，使模型向减小样本与所属分类的类内距离的方向演进，实现模型准确率的提升。
式中第二项，是预测值与除所属聚类外的其他聚类之间的隶属度惩罚项；如图(2)所示，y＝-ln(1-x)函数单调递增，对于目标函数来说，该项输入理想值为0。由函数图形可以看出，通过减小样本与非所属分类的隶属度可以减小隶属度误差，使模型向增大样本与非所属分类的类间距离的方向演进，提升模型的泛化能力。
交叉熵隶属度目标函数：
J(θ)＝CrossEntropy+λS(θ) (4)
CrossEntropy是交叉熵函数，用于度量预测值与样本标签的差异；
λ是隶属度惩罚项系数，用于调整隶属度惩罚项贡献的大小。

Claims (3)

1.一种X射线乳腺影像深度学习分类方法，其特征在于：包括1)设计提取乳腺肿块影像多尺度卷积特征的双计算路径子网络结构；2)全卷积X射线乳腺肿块特征提取及分类模块；3)基于隶属度的目标函数优化方法；
具体步骤如下：
1)双计算路径子网络，使用两条计算路径，分别使用不同大小的卷积核对输入的乳腺肿块影像进行卷积和相应的下采样操作，得到两种类型的乳腺肿块影像卷积特征，再通过叠加的方法进行特征融合，得到融合后的多尺度卷积特征；
2)将步骤1)生成的融合后的多尺度卷积特征，使用全卷积网络进行特征提取；具体是，将融合后的多尺度卷积特征使用两层各1000个1*1大小的卷积核进行卷积，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；
3)引入类别隶属度度量方法，设计新的目标函数，将样本与聚类中心的隶属度信息引入到目标函数的设计中，通过增大样本与所属类别的隶属度、减小与非所属类别的隶属度，实现模型准确率的提升；
所述的将隶属度信息引入目标函数设计，新的目标函数具体实现如下：
目标函数中，样本与类别间的隶属度计算公式：
Figure FDA0003638901700000011
uij指第j个样本与第i个聚类中心之间的隶属度；
Figure FDA0003638901700000012
指第j个样本与第i个聚类中心的欧氏距离的平方值；
c指分类个数；
隶属度度量样本到所有分类的隶属关系的强度，当样本离聚类中心越近时，隶属强度越大，反之隶属强度越小；隶属度取值范围是[0,1]，且单个样本到所有分类的隶属度的和为1，隶属度的性质公式如下：
Figure FDA0003638901700000021
c指分类个数；
隶属度惩罚项：
Figure FDA0003638901700000022
n指训练数据集中样本量总个数；
c指分类个数；
η指样本与除它所属聚类之外的其他类别的隶属度惩罚项权重，用于控制隶属度惩罚项对训练误差的贡献大小；
hθ(xi)指在参数θ下样本xi的预测值与所属类别的隶属度，i表示第i个样本；
Figure FDA0003638901700000023
是在参数θ下样本xi的预测值与第j个非所属类别的隶属度，i表示第i个样本；
式中的第一项，是预测值与所属聚类的隶属度的惩罚项；y＝-ln(x)函数单调递减，对于目标函数来说，该项输入理想值为1；由函数图形可以看出，通过增大样本与所属分类的隶属度可以减小隶属度误差，使模型向减小样本与所属分类的类内距离的方向演进，实现模型准确率的提升；
式中第二项，是预测值与除所属聚类外的其他聚类之间的隶属度惩罚项；y＝-ln(1-x)函数单调递增，对于目标函数来说，该项输入理想值为0；由函数图形可以看出，通过减小样本与非所属分类的隶属度可以减小隶属度误差，使模型向增大样本与非所属分类的类间距离的方向演进，提升模型的泛化能力；
交叉熵隶属度目标函数：
J(θ)＝CrossEntropy+λS(θ) (4)
CrossEntropy是交叉熵函数，用于度量预测值与样本标签的差异；
λ是隶属度惩罚项系数，用于调整隶属度惩罚项贡献的大小。
2.根据权利要求1所述的X射线乳腺影像深度学习分类方法，其特征在于，其特征在于：所述的双计算路径方法，包含9个神经网络层，分别是四个卷积层、四个下最大化下采样层和一个特征图融合层；200*200大小的X射线乳腺肿块影像分别输入到两个计算路径中进行卷积特征提取，最后将两条计算路径所生成的特征图进行叠加融合，得到融合后的特征。
3.根据权利要求2所述的X射线乳腺影像深度学习分类方法，其特征在于，其特征在于：所述的将两条计算路径所生成的特征图进行叠加融合的具体操作是，分别使用两组7*7大小的卷积核和5*5大小的卷积核对输入的乳腺肿块影像进行卷积计算，并在每个卷积层后接一个2*2最大化下采样层；在第二个最大化下采样层后，使用叠加的方法将两条计算路径生成的乳腺肿块特征图进行融合，生成新的融合后的特征。
CN201910278910.9A 2019-04-09 2019-04-09 X射线乳腺影像深度学习分类方法 Active CN110232396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910278910.9A CN110232396B (zh) 2019-04-09 2019-04-09 X射线乳腺影像深度学习分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910278910.9A CN110232396B (zh) 2019-04-09 2019-04-09 X射线乳腺影像深度学习分类方法

Publications (2)

Publication Number Publication Date
CN110232396A CN110232396A (zh) 2019-09-13
CN110232396B true CN110232396B (zh) 2022-07-01

Family

ID=67860664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910278910.9A Active CN110232396B (zh) 2019-04-09 2019-04-09 X射线乳腺影像深度学习分类方法

Country Status (1)

Country Link
CN (1) CN110232396B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782444A (zh) * 2019-10-25 2020-02-11 深圳技术大学 全息微波***肿块识别方法及识别***
CN113139931B (zh) * 2021-03-17 2022-06-03 杭州迪英加科技有限公司 甲状腺切片图像分类模型训练方法、装置
CN113177559B (zh) * 2021-04-22 2023-06-02 重庆兆光科技股份有限公司 结合广度和密集卷积神经网络的图像识别方法、***、设备及介质
CN114298177A (zh) * 2021-12-16 2022-04-08 广州瑞多思医疗科技有限公司 一种适用于深度学习训练数据的扩充增强方法、***及可读存储介质
CN115423806B (zh) * 2022-11-03 2023-03-24 南京信息工程大学 一种基于多尺度跨路径特征融合的乳腺肿块检测方法

Citations (6)

* Cited by examiner, † Cited by third party
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
CN104008386A (zh) * 2014-05-13 2014-08-27 中国科学院深圳先进技术研究院 肿瘤类型识别方法和***
CN108464840A (zh) * 2017-12-26 2018-08-31 安徽科大讯飞医疗信息技术有限公司 一种乳腺肿块自动检测方法及***
CN108765387A (zh) * 2018-05-17 2018-11-06 杭州电子科技大学 基于Faster RCNN乳腺DBT影像肿块自动检测方法
CN108830282A (zh) * 2018-05-29 2018-11-16 电子科技大学 一种乳腺x光图像的乳腺肿块信息提取及分类方法
CN109409413A (zh) * 2018-09-28 2019-03-01 贵州大学 X射线乳腺肿块影像自动分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080234578A1 (en) * 2007-03-19 2008-09-25 General Electric Company Multi-modality mammography reconstruction method and system
US9146663B2 (en) * 2008-12-08 2015-09-29 Hologic, Inc. Displaying computer-aided detection information with associated breast tomosynthesis image information

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
CN104008386A (zh) * 2014-05-13 2014-08-27 中国科学院深圳先进技术研究院 肿瘤类型识别方法和***
CN108464840A (zh) * 2017-12-26 2018-08-31 安徽科大讯飞医疗信息技术有限公司 一种乳腺肿块自动检测方法及***
CN108765387A (zh) * 2018-05-17 2018-11-06 杭州电子科技大学 基于Faster RCNN乳腺DBT影像肿块自动检测方法
CN108830282A (zh) * 2018-05-29 2018-11-16 电子科技大学 一种乳腺x光图像的乳腺肿块信息提取及分类方法
CN109409413A (zh) * 2018-09-28 2019-03-01 贵州大学 X射线乳腺肿块影像自动分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Classification of mammographic masses by deep learning;Xiaoyong Zhang 等;《2017 56th Annual Conference of the Society of Instrument and Control Engineers of Japan (SICE)》;20171113;793-796 *
Joint Weakly and Semi-Supervised Deep Learning for Localization and Classification of Masses in Breast Ultrasound Images;Seung Yeon Shin 等;《IEEE Transactions on Medical Imaging》;20190331;第38卷(第3期);762-774 *
基于AdaBoost和深度学习的红外乳腺癌检测方法研究;侯丽;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190315(第03(2019)期);I138-926 *
基于卷积神经网络的乳腺肿瘤良恶性鉴定技术研究;韩哲;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20180915(第09(2018)期);E072-165 *
基于深度学习的乳腺X射线影像分类方法研究;孙利雷 等;《计算机工程与应用》;20181101;第54卷(第21期);13-19 *

Also Published As

Publication number Publication date
CN110232396A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110232396B (zh) X射线乳腺影像深度学习分类方法
Abdelrahman et al. Convolutional neural networks for breast cancer detection in mammography: A survey
Xue et al. An application of transfer learning and ensemble learning techniques for cervical histopathology image classification
Rahaman et al. A survey for cervical cytopathology image analysis using deep learning
CN109523521B (zh) 基于多切片ct图像的肺结节分类和病灶定位方法和***
Saxena et al. Machine learning methods for computer-aided breast cancer diagnosis using histopathology: a narrative review
Wajid et al. Local energy-based shape histogram feature extraction technique for breast cancer diagnosis
Hussain et al. A comparison of SVM kernel functions for breast cancer detection
CN109034045A (zh) 一种基于卷积神经网络的白细胞自动识别方法
Halder et al. COVID-19 detection from lung CT-scan images using transfer learning approach
CN109658411A (zh) 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法
CN109064455B (zh) 一种基于bi-rads的乳腺超声图像多尺度融合的分类方法
CN112700461B (zh) 一种肺结节检测和表征类别识别的***
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
CN101551854B (zh) 不平衡医学影像处理***及其处理方法
Agrawal et al. HEp-2 cell image classification: A comparative analysis
Biradar et al. Lung Cancer detection and classification using 2D convolutional neural network
Bakkouri et al. Multi-scale CNN based on region proposals for efficient breast abnormality recognition
Xu et al. Multi-scale attention-guided network for mammograms classification
CN111639697A (zh) 基于非重复采样与原型网络的高光谱图像分类方法
Ghanem et al. AUTO-BREAST: A fully automated pipeline for breast cancer diagnosis using AI technology
Seyyedi et al. SCREENet: A multi-view deep convolutional neural network for classification of high-resolution synthetic mammographic screening scans
Djebbar et al. Deep convolutional neural networks for detection and classification of tumors in mammograms
Sridevi et al. A combined deep CNN-lasso regression feature fusion and classification of MLO and CC view mammogram image
Ning et al. Multiscale context-cascaded ensemble framework (MsC 2 EF): application to breast histopathological image

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