CN110246578A - 一种肺癌样本快速检测方法 - Google Patents
一种肺癌样本快速检测方法 Download PDFInfo
- Publication number
- CN110246578A CN110246578A CN201910508037.8A CN201910508037A CN110246578A CN 110246578 A CN110246578 A CN 110246578A CN 201910508037 A CN201910508037 A CN 201910508037A CN 110246578 A CN110246578 A CN 110246578A
- Authority
- CN
- China
- Prior art keywords
- image
- lung cancer
- images
- convolutional neural
- feature
- 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
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 46
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 40
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 210000004072 lung Anatomy 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 230000036541 health Effects 0.000 claims description 10
- 230000003902 lesion Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000002265 prevention Effects 0.000 claims description 7
- 238000009415 formwork Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 2
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种肺癌样本快速检测方法，通过从CT影像图像中提取肺部区域的分割图像模板，并对所述分割图像进行处理，采用肺癌图像精细分类方法，将纹理特征与形状特征融合，通过分配两种特征的权重，用融合特征进行模板匹配，并将处理结果与健康云服务平台内基于大数据的数据库进行分类比对判断，将大大提高肺癌诊断的效率及准确度。
Description
技术领域
本发明涉及肺癌检测技术领域，具体是一种肺癌样本快速检测方法。
背景技术
肺癌是当今世界各国最常见的恶性肿瘤，其死亡率居于各种肿瘤的首位，对人类健康和生命构成极大威胁。在我国，肺癌每年约致50万例患者死亡，占整个癌症病例的28％，而肺癌病人的5年存活率只有14％。然而，研究显示I期肺癌术后10年生存率可达到92％。因此，降低肺癌患者死亡率的关键在于早期诊断和早期治疗，早期肺癌的肺结节检测成为关键，配合适当的治疗，病人的存活率可以提高到50％。
目前筛查诊断肺癌5种基本的方法，X光胸片是首选筛查手段，其次就是CT、MIR和PET。CT被认为是检测肺结节的最佳方法——“金标准”。然而，因为经济、方便和放射剂量适中等原因，X光胸片更常用，事实上，几乎所有的早期肺癌都是通过胸片发现的，但对放射科医生来说，基于胸片发现早期肺癌是一件很困难的任务。当今公认的世界上最为普及的、经济的和传统的肺癌诊断方法是通过胸部X-光射线图像(主要是用CR/DR技术所产生的数字化的X-光射线图像)来诊断早期肺癌。目前在经济比较发达地区，在健康普查时都进行胸部X光技术来检查是否有肺部疾病。然而对大量普查胸部图片进行诊断，对于放射科医生来说是一项艰巨任务。
随着云时代的到来，大数据也受到原来越多的关注，以往医院肺癌诊断的图像单独存放，每个医院只能根据自家存储的影响进行训练医生，提高对肺癌的诊断能力，其效果见效慢，且由于样本少，难以达到快速、准确诊断的目的，如果能基于大数据将所有诊断图像进行图像处理，并通过云计算集中进行分类识别，必将大大提高肺癌诊断的效率和准确度。
发明内容
本发明所要解决的技术问题是提供一种肺癌样本快速检测方法，以解决现有技术中存在的缺陷。
本发明解决上述技术问题的技术方案如下：
一种肺癌样本快速检测方法，通过从CT影像图像中提取肺部区域的分割图像模板，并根据如下步骤对所述分割图像进行处理：
步骤一、使用基于灰度变化的病灶区域检测方法对原始输入图像进行病灶定位；
步骤二、将定位到的病灶部分随机生成大量尺度不一的模板，经过前一步的病灶定位，直接将模板块的产生部位控制在病灶部位，减少冗余模板的产生，每一个样本都随机产生大量的图像块作为图像的模板；
步骤三、将输入图像进行不同尺度的缩放，分别对缩放的图像块与模板块进行特征提取，提取纹理特征MB-LBP与形状特征小波矩，鉴于纹理特征对医学图像识别效果较好，我们通过实验调整权重分配的参数，将不同权重的纹理特征分别融合小波矩描述的形状特征，两种权重下的融合特征看成两类纹理特征；
步骤四、通过对图像的不同位置进行匹配，将匹配的结果表示成特征响应图的形式；
步骤五、使用改进的均值空间金字塔模型将特征响应图转化为一个八维的特征向量：
步骤六、特征向量作为输入，利用支持向量机实现肺癌图像精细分类；通过上述步骤处理后的图像分类通过网络发送到健康云服务平台，所述的健康云服务平台，主要包括了接收和读取用户发送过来的胸部X光片或者CT影像图像的图像读取模块，将纹理特征与形状特征融合，通过分配两种特征的权重，用融合特征进行模板匹配，以用户访问平台的装备的用户名或号码为文件夹名的文件夹生成模块，基于深度卷积神经网络对分割后的肺部区域图像进行分类的疑似肺癌类型分类模块，存放有以疑似肺癌类型为索引的生成健康咨询文件的早期预防和治疗的健康文件生成模块，用于将用户的健康咨询文件反馈给访问用户的文件自动传输模块，用于将早期预防和治疗的健康文件提供给用户到所述的健康云服务平台的网站上下载的下载服务模块。
进一步的，所述分割图像模块通过基于全卷积神经网络的方式从CT影像图像中肺部区域进行分割，将所述的卷积神经网络改为全卷积神经网络，在所述的卷积神经网络的全连接层改为反卷积层，这样输入一幅图像后直接在输出端得到密集预测，也就是每个像素所属的类，从而得到一个端对端的方法来实现肺部对象图像语义分割；
进一步的，所述的深度卷积神经网络是在所述的卷积神经网络的第八层的全连接层后连接了一个Softmax分类器，用于对疑似肺癌类型进行分类识别；
本发明的有益效果是：采用肺癌图像精细分类方法，将纹理特征与形状特征融合，通过分配两种特征的权重，用融合特征进行模板匹配，并将处理结果与基于大数据的数据库进行分类比对，必将大大提高肺癌诊断的效率及准确度。
附图说明
图1为本发明结构示意图；
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种肺癌样本快速检测方法，通过从CT影像图像中提取肺部区域的分割图像模板，并根据如下步骤对所述分割图像进行处理：
步骤一、使用基于灰度变化的病灶区域检测方法对原始输入图像进行病灶定位；
步骤二、将定位到的病灶部分随机生成大量尺度不一的模板，经过前一步的病灶定位，直接将模板块的产生部位控制在病灶部位，减少冗余模板的产生，每一个样本都随机产生大量的图像块作为图像的模板；
步骤三、将输入图像进行不同尺度的缩放，分别对缩放的图像块与模板块进行特征提取，提取纹理特征MB-LBP与形状特征小波矩，鉴于纹理特征对医学图像识别效果较好，我们通过实验调整权重分配的参数，将不同权重的纹理特征分别融合小波矩描述的形状特征，两种权重下的融合特征看成两类纹理特征；
步骤四、通过对图像的不同位置进行匹配，将匹配的结果表示成特征响应图的形式；
步骤五、使用改进的均值空间金字塔模型将特征响应图转化为一个八维的特征向量：
步骤六、特征向量作为输入，利用支持向量机实现肺癌图像精细分类；
通过上述步骤处理后的图像分类通过网络发送到健康云服务平台，所述的健康云服务平台，主要包括了接收和读取用户发送过来的胸部X光片或者CT影像图像的图像读取模块，将纹理特征与形状特征融合，通过分配两种特征的权重，用融合特征进行模板匹配，以用户访问平台的装备的用户名或号码为文件夹名的文件夹生成模块，基于深度卷积神经网络对分割后的肺部区域图像进行分类的疑似肺癌类型分类模块，存放有以疑似肺癌类型为索引的生成健康咨询文件的早期预防和治疗的健康文件生成模块，用于将用户的健康咨询文件反馈给访问用户的文件自动传输模块，用于将早期预防和治疗的健康文件提供给用户到所述的健康云服务平台的网站上下载的下载服务模块。
更具体的，所述分割图像模块通过基于全卷积神经网络的方式从CT影像图像中肺部区域进行分割，将所述的卷积神经网络改为全卷积神经网络，在所述的卷积神经网络的全连接层改为反卷积层，这样输入一幅图像后直接在输出端得到密集预测，也就是每个像素所属的类，从而得到一个端对端的方法来实现肺部对象图像语义分割；
更具体的，所述的深度卷积神经网络是在所述的卷积神经网络的第八层的全连接层后连接了一个Softmax分类器，用于对疑似肺癌类型进行分类识别；
具体工作原理：
所述的预防肺癌自助健康云服务***根据用户发送过来的胸部X光片或者CT影像图像，采用基于全卷积神经网络的从CT影像图像中肺部区域的分割方法对CT影像图像进行肺部对象的分割，然后进行图像处理；然后根据疑似肺癌类型分类规范用深度卷积神经网络对分割后的肺部图像进行识别分类；如果该用户有历史胸部X光片或者CT影像图像，就再与该用户的历史胸部X光片或者CT影像图像进行比对，对比其不同点；如果该用户有病理学专家临床诊断报告，就结合这些信息进行综合分析，提出诊断和治疗建议，自动生成自助健康检测结果报告，然后将健康检测结果报告递交给资深放射科医生进行确认，最后将健康检测结果报告信息反馈给用户；
为了得到比较精准的疑似肺癌类型识别精度，要求每种类别、包括具有组合特征的类别的疑似肺癌类型特征图像至少在3000个以上，可采用数据增强变换技术来增加输入数据的量；
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种肺癌样本快速检测方法，其特征在于：通过从CT影像图像中提取肺部区域的分割图像模板，并根据如下步骤对所述分割图像进行处理：
步骤一、使用基于灰度变化的病灶区域检测方法对原始输入图像进行病灶定位；
步骤二、将定位到的病灶部分随机生成大量尺度不一的模板，经过前一步的病灶定位，直接将模板块的产生部位控制在病灶部位，减少冗余模板的产生，每一个样本都随机产生大量的图像块作为图像的模板；
步骤三、将输入图像进行不同尺度的缩放，分别对缩放的图像块与模板块进行特征提取，提取纹理特征MB-LBP与形状特征小波矩，鉴于纹理特征对医学图像识别效果较好，我们通过实验调整权重分配的参数，将不同权重的纹理特征分别融合小波矩描述的形状特征，两种权重下的融合特征看成两类纹理特征；
步骤四、通过对图像的不同位置进行匹配，将匹配的结果表示成特征响应图的形式；
步骤五、使用改进的均值空间金字塔模型将特征响应图转化为一个八维的特征向量；
步骤六、特征向量作为输入，利用支持向量机实现肺癌图像精细分类；
通过上述步骤处理后的图像分类通过网络发送到健康云服务平台，所述的健康云服务平台，主要包括了接收和读取用户发送过来的胸部X光片或者CT影像图像的图像读取模块，将纹理特征与形状特征融合，通过分配两种特征的权重，用融合特征进行模板匹配，以用户访问平台的装备的用户名或号码为文件夹名的文件夹生成模块，基于深度卷积神经网络对分割后的肺部区域图像进行分类的疑似肺癌类型分类模块，存放有以疑似肺癌类型为索引的生成健康咨询文件的早期预防和治疗的健康文件生成模块，用于将用户的健康咨询文件反馈给访问用户的文件自动传输模块，用于将早期预防和治疗的健康文件提供给用户到所述的健康云服务平台的网站上下载的下载服务模块；
其中，所述分割图像模块通过基于全卷积神经网络的方式从CT影像图像中肺部区域进行分割，将所述的卷积神经网络改为全卷积神经网络，在所述的卷积神经网络的全连接层改为反卷积层，这样输入一幅图像后直接在输出端得到密集预测，也就是每个像素所属的类，从而得到一个端对端的方法来实现肺部对象图像语义分割。
2.根据权利要求1所述的一种肺癌样本快速检测方法，其特征在于：所述的深度卷积神经网络是在所述的卷积神经网络的第八层的全连接层后连接了一个Softmax分类器，用于对疑似肺癌类型进行分类识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910508037.8A CN110246578A (zh) | 2019-06-12 | 2019-06-12 | 一种肺癌样本快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910508037.8A CN110246578A (zh) | 2019-06-12 | 2019-06-12 | 一种肺癌样本快速检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110246578A true CN110246578A (zh) | 2019-09-17 |
Family
ID=67886835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910508037.8A Pending CN110246578A (zh) | 2019-06-12 | 2019-06-12 | 一种肺癌样本快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110246578A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112967293A (zh) * | 2021-03-04 | 2021-06-15 | 首都师范大学 | 一种图像语义分割方法、装置及存储介质 |
| CN113450899A (zh) * | 2021-06-22 | 2021-09-28 | 上海市第一人民医院 | 基于人工智能的心肺检查影像的智能导诊方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718947A (zh) * | 2016-01-21 | 2016-06-29 | 吉林大学 | 基于lbp和小波矩融合特征的肺癌图像精细分类方法 |
| 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*** |
| CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务*** |
| CN109003672A (zh) * | 2018-07-16 | 2018-12-14 | 北京睿客邦科技有限公司 | 一种基于深度学习的早期肺癌检测分类一体化设备及*** |
-
2019
- 2019-06-12 CN CN201910508037.8A patent/CN110246578A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718947A (zh) * | 2016-01-21 | 2016-06-29 | 吉林大学 | 基于lbp和小波矩融合特征的肺癌图像精细分类方法 |
| 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*** |
| CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务*** |
| CN109003672A (zh) * | 2018-07-16 | 2018-12-14 | 北京睿客邦科技有限公司 | 一种基于深度学习的早期肺癌检测分类一体化设备及*** |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112967293A (zh) * | 2021-03-04 | 2021-06-15 | 首都师范大学 | 一种图像语义分割方法、装置及存储介质 |
| CN112967293B (zh) * | 2021-03-04 | 2024-07-12 | 江苏中科重德智能科技有限公司 | 一种图像语义分割方法、装置及存储介质 |
| CN113450899A (zh) * | 2021-06-22 | 2021-09-28 | 上海市第一人民医院 | 基于人工智能的心肺检查影像的智能导诊方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Multi-scale coarse-to-fine segmentation for screening pancreatic ductal adenocarcinoma | |
| Becker et al. | Deep learning in mammography: diagnostic accuracy of a multipurpose image analysis software in the detection of breast cancer | |
| US20220254023A1 (en) | System and Method for Interpretation of Multiple Medical Images Using Deep Learning | |
| US7529394B2 (en) | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system | |
| Reiser et al. | Computerized mass detection for digital breast tomosynthesis directly from the projection images | |
| US9392986B2 (en) | Method and apparatus for cone beam breast CT image-based computer-aided detection and diagnosis | |
| Bogoni et al. | Impact of a computer-aided detection (CAD) system integrated into a picture archiving and communication system (PACS) on reader sensitivity and efficiency for the detection of lung nodules in thoracic CT exams | |
| KR101919866B1 (ko) | 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치 | |
| Dong et al. | One step further into the blackbox: a pilot study of how to build more confidence around an AI-based decision system of breast nodule assessment in 2D ultrasound | |
| Costaridou | Medical image analysis methods | |
| Lai et al. | DBT Masses Automatic Segmentation Using U‐Net Neural Networks | |
| Abe et al. | Computer-aided diagnosis in chest radiology | |
| Ahmed et al. | Automated pulmonary nodule classification and detection using deep learning architectures | |
| CN110246578A (zh) | 一种肺癌样本快速检测方法 | |
| Prasad et al. | An approach to detect COVID-19 disease from CT scan images using CNN-VGG16 model | |
| Arzhaeva et al. | Computer‐aided detection of interstitial abnormalities in chest radiographs using a reference standard based on computed tomography | |
| Dolejsi et al. | The lung time: Annotated lung nodule dataset and nodule detection framework | |
| Gebre et al. | Detecting hip osteoarthritis on clinical CT: a deep learning application based on 2-D summation images derived from CT | |
| Bhowmik et al. | Automated triage of screening breast mri examinations in high-risk women using an ensemble deep learning model | |
| Xu et al. | Improved cascade R-CNN for medical images of pulmonary nodules detection combining dilated HRNet | |
| Sheng et al. | Modeling nodule growth via spatial transformation for follow-up prediction and diagnosis | |
| Roy et al. | Automated detection of lung nodules in CT scans: False‐positive reduction with the radial‐gradient index | |
| Jaglan et al. | Escalate the efficacy of breast tumor detection through magnetic resonance imaging: a framework | |
| He et al. | Medical image analysis of multiple myeloma based on convolutional neural network | |
| Suárez-Cuenca et al. | Automated detection of pulmonary nodules in CT: false positive reduction by combining multiple classifiers |
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: 20190917 |