CN110264462B - 一种基于深度学习的乳腺超声肿瘤识别方法 - Google Patents
一种基于深度学习的乳腺超声肿瘤识别方法 Download PDFInfo
- Publication number
- CN110264462B CN110264462B CN201910555112.6A CN201910555112A CN110264462B CN 110264462 B CN110264462 B CN 110264462B CN 201910555112 A CN201910555112 A CN 201910555112A CN 110264462 B CN110264462 B CN 110264462B
- Authority
- CN
- China
- Prior art keywords
- image
- breast
- breast ultrasound
- training
- convolution
- 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.)
- Expired - Fee Related
Links
- 210000000481 breast Anatomy 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 48
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 238000002604 ultrasonography Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 230000003211 malignant effect Effects 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000002790 cross-validation Methods 0.000 claims description 20
- 238000011161 development Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000003416 augmentation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (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)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于深度学习的乳腺超声肿瘤识别方法,其包括以下步骤:S1、对已有病例的乳腺超声图像进行良性与恶性标注;S2、对标注后的乳腺超声图像进行预处理;S3、采用卷积神经网络模型获取预处理后的图像的特征;S4、将获取的特征及对应的标注作为训练数据分别对不同的分类模型进行训练;S5、采用stacking方法对所有训练后的分类模型进行融合;S6、将待识别乳腺超声肿瘤作为融合后的模型的输入,根据输出结果完成识别。本方法只需放入待识别的乳腺超声图像,即可直接获得图像识别结果,识别时间短,并且可通过连接服务器进行诊断,或者直接部署在本地计算机,灵活性较大,界面简单,也易于上手,对用户友好。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种基于深度学习的乳腺超声肿瘤识别方法。
背景技术
当给定一张乳腺超声图像,医生会首先对图像进行诊断,判定该图像中是否存在肿瘤以及是否是良性或者恶性肿瘤,从而为之后的治疗给出大的方向。现有实现相同功能通常为基于商业软件中的医疗综合辅助***给出识别建议。
医疗综合辅助***大致工作原理如下:商业医疗综合辅助***的提供方根据自己本地数据,使用多种基于决策的过程判定一张图像是否是良性或者恶性肿瘤,其决策方法一般会根据输入图像基于商业软件提供方自带的手工特征提取,再根据手工特征对特征进行算法上的处理得到结果。
该方法的缺点如下:商业软件非开源的缺点使得对图像的判别和诊断过程不是透明的,对图像的处理无法了解其原理,而且基于多种特征的提取耗费时间,通常判别一张图像需要等待较长时间,并且无法利用新的数据学***始终都是同样的,不利于长期使用。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于深度学习的乳腺超声肿瘤识别方法解决了现有乳腺超声肿瘤识别速度慢的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种基于深度学习的乳腺超声肿瘤识别方法,其包括以下步骤:
S1、对已有病例的乳腺超声图像进行良性与恶性标注,得到标注后的乳腺超声图像;
S2、对标注后的乳腺超声图像进行预处理,得到预处理后的图像;
S3、采用卷积神经网络模型获取预处理后的图像的特征;
S4、将获取的特征及对应的标注作为训练数据分别对不同的分类模型进行训练,得到训练后的分类模型;
S5、采用stacking方法对所有训练后的分类模型进行融合,得到融合后的模型;
S6、将待识别乳腺超声肿瘤作为融合后的模型的输入,根据输出结果完成识别。
进一步地,步骤S1的具体方法包括以下子步骤:
S1-1、获取并将已有病例的乳腺超声图像的私人信息去除,得到仅保留图像信息的乳腺超声图像;
S1-2、将仅保留图像信息的乳腺超声图像随机打乱顺序,并采用数值化ID对其进行编号,得到编号后的乳腺超声图像;
S1-3、对编号后的乳腺超声图像进行良性与恶性标注,得到标注后的乳腺超声图像。
进一步地,步骤S2的具体方法包括以下子步骤:
S2-1、采用双线性插值算法对标注后的乳腺超声图像进行图像尺寸大小统一处理,得到统一尺寸的图像;
S2-2、对统一尺寸后的图像以0.4的概率做随机镜像翻转,并以0.4的概率做随机上下翻转,将翻转后的图像作为新的样本完成图像增广,得到预处理后的图像。
进一步地,步骤S3的具体方法包括以下子步骤:
S3-1、根据卷积神经网络模型的输出层形状和卷积核大小调整通过卷积核后的图像的大小,得到卷积处理后的图像;
S3-2、通过池化层对卷积处理后的图像中相邻的四个不同元素做池化运算,使每四个相邻元素缩减为一个,得到缩减后的图像;
S3-3、将缩减后的图像送入激活函数层,并对其进行三次卷积-池化处理,得到与该图像对应的特征维度;其中三次卷积-池化处理中采用的卷积核大小分别为128、256和512,卷积核的高和宽的步长均为1;
S3-4、将得到的特征维度拉伸为一个向量,得到预处理后的图像的特征向量,即预处理后的图像的特征。
进一步地,步骤S4的具体方法包括以下子步骤:
S4-1、将获取的特征的80%作为训练集,10%作为开发集以及10%作为测试集;
S4-2、将训练集与开发集进行n折交叉验证划分,得到交叉验证划分后的数据;
S4-3、将交叉验证划分后的数据分别作为逻辑回归模型、SVM模型和深度神经网络模型的训练集并对其进行训练,得到训练后的逻辑回归模型、SVM模型和深度神经网络模型;
S4-5、采用测试集对训练后的逻辑回归模型、SVM模型和深度神经网络模型进行测试,若测试合格则输出对应的模型,否则返回步骤S4-3。
进一步地,步骤S4-2的具体方法为:
将训练集与开发集进行6折交叉验证划分,其中每一折交叉验证划分数据对应的训练集保持六分之一的不同,并使每折交叉验证划分数据所包含的开发集不同。
本发明的有益效果为:
1、本发明采用端到端的流程,由于未使用传统图像识别中的大量手工特征,使得对图像的处理相较于传统基于特征的学习方法更加快速。用户只需在输入中放入想要识别的乳腺超声图像,即可直接获得图像识别结果,识别时间短,并且可通过连接服务器进行诊断,或者直接部署在本地计算机,灵活性较大,界面简单,也易于上手,对用户友好。
2、本发明对数据集做交叉验证得到不同折上训练集的预测结果,再结合Stacking集成方法对不同的分类模型做集成处理,得到总体的模型,所以综合使用了预训练的特征提取网络以及Stacking模型集成方法可以适用于医院所搜集的较小规模的乳腺超声数据集,在小数据集上可以有效防止过拟合。
附图说明
图1为本发明的流程示意图。
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,该基于深度学习的乳腺超声肿瘤识别方法包括以下步骤:
S1、对已有病例的乳腺超声图像进行良性与恶性标注,得到标注后的乳腺超声图像;
S2、对标注后的乳腺超声图像进行预处理,得到预处理后的图像;
S3、采用卷积神经网络模型获取预处理后的图像的特征;
S4、将获取的特征及对应的标注作为训练数据分别对不同的分类模型进行训练,得到训练后的分类模型;
S5、采用stacking方法对所有训练后的分类模型进行融合,得到融合后的模型;
S6、将待识别乳腺超声肿瘤作为融合后的模型的输入,根据输出结果完成识别。
步骤S1的具体方法包括以下子步骤:
S1-1、获取并将已有病例的乳腺超声图像的私人信息去除,得到仅保留图像信息的乳腺超声图像;
S1-2、将仅保留图像信息的乳腺超声图像随机打乱顺序,并采用数值化ID对其进行编号,得到编号后的乳腺超声图像;
S1-3、对编号后的乳腺超声图像进行良性与恶性标注,得到标注后的乳腺超声图像。
步骤S2的具体方法包括以下子步骤:
S2-1、采用双线性插值算法对标注后的乳腺超声图像进行图像尺寸大小统一处理,得到统一尺寸的图像;
S2-2、对统一尺寸后的图像以0.4的概率做随机镜像翻转,并以0.4的概率做随机上下翻转,将翻转后的图像作为新的样本完成图像增广,得到预处理后的图像。
步骤S3的具体方法包括以下子步骤:
S3-1、根据卷积神经网络模型的输出层形状和卷积核大小调整通过卷积核后的图像的大小,得到卷积处理后的图像;
S3-2、通过池化层对卷积处理后的图像中相邻的四个不同元素做池化运算,使每四个相邻元素缩减为一个,得到缩减后的图像;
S3-3、将缩减后的图像送入激活函数层,并对其进行三次卷积-池化处理,得到与该图像对应的特征维度;其中三次卷积-池化处理中采用的卷积核大小分别为128、256和512,卷积核的高和宽的步长均为1;
S3-4、将得到的特征维度拉伸为一个向量,得到预处理后的图像的特征向量,即预处理后的图像的特征。
步骤S4的具体方法包括以下子步骤:
S4-1、将获取的特征的80%作为训练集,10%作为开发集以及10%作为测试集;
S4-2、将训练集与开发集进行n折交叉验证划分,得到交叉验证划分后的数据;
S4-3、将交叉验证划分后的数据分别作为逻辑回归模型、SVM模型和深度神经网络模型的训练集并对其进行训练,得到训练后的逻辑回归模型、SVM模型和深度神经网络模型;
S4-5、采用测试集对训练后的逻辑回归模型、SVM模型和深度神经网络模型进行测试,若测试合格则输出对应的模型,否则返回步骤S4-3。
步骤S4-2的具体方法为:将训练集与开发集进行6折交叉验证划分,其中每一折交叉验证划分数据对应的训练集保持六分之一的不同,并使每折交叉验证划分数据所包含的开发集不同。
在本发明的一个实施例中,假设获取的特征集为(1,2,3,4,5,6,7),交叉验证划分方法为:
第一折:(1,2,3,4,5)作为训练集,(6)作为开发集,(7)作为测试集;
第二折:(2,3,4,5,6)作为训练集,(1)作为开发集,(7)作为测试集;
第三折:(1,3,4,5,6)作为训练集,(2)作为开发集,(7)作为测试集;
第四折:(1,2,4,5,6)作为训练集,(3)作为开发集,(7)作为测试集;
第五折:(1,2,3,5,6)作为训练集,(4)作为开发集,(7)作为测试集;
第六折:(1,2,3,4,6)作为训练集,(5)作为开发集,(7)作为测试集。
在具体实施过程中,预处理后的图像大小设置为(224,224,3),经过步骤S3-2得到的缩减后的图像大小为(112,112,64),经过步骤S3-3的处理后得到的特征维度为(7,7,512),通过对该特征维度进行拉伸可得到向量维度为25088维,将该25088维的向量作为该预处理后的图像的特征。
综上所述,本发明采用端到端的流程,由于未使用传统图像识别中的大量手工特征,使得对图像的处理相较于传统基于特征的学习方法更加快速。用户只需在输入中放入想要识别的乳腺超声图像,即可直接获得图像识别结果,识别时间短,并且可通过连接服务器进行诊断,或者直接部署在本地计算机,灵活性较大,界面简单,也易于上手,对用户友好。
Claims (4)
1.一种基于深度学习的乳腺超声肿瘤识别方法,其特征在于,包括以下步骤:
S1、对已有病例的乳腺超声图像进行良性与恶性标注,得到标注后的乳腺超声图像;
S2、对标注后的乳腺超声图像进行预处理,得到预处理后的图像;
S3、采用卷积神经网络模型获取预处理后的图像的特征;
S4、将获取的特征及对应的标注作为训练数据分别对不同的分类模型进行训练,得到训练后的分类模型;
S5、采用stacking方法对所有训练后的分类模型进行融合,得到融合后的模型;
S6、将待识别乳腺超声肿瘤作为融合后的模型的输入,根据输出结果完成识别;
步骤S4的具体方法包括以下子步骤:
S4-1、将获取的特征的80%作为训练集,10%作为开发集以及10%作为测试集;
S4-2、将训练集与开发集进行n折交叉验证划分,得到交叉验证划分后的数据;
S4-3、将交叉验证划分后的数据分别作为逻辑回归模型、SVM模型和深度神经网络模型的训练集并对其进行训练,得到训练后的逻辑回归模型、SVM模型和深度神经网络模型;
S4-4、采用测试集对训练后的逻辑回归模型、SVM模型和深度神经网络模型进行测试,若测试合格则输出对应的模型,否则返回步骤S4-3;
其中步骤S4-2的具体方法为:
将训练集与开发集进行6折交叉验证划分,其中每一折交叉验证划分数据对应的训练集保持六分之一的不同,并使每折交叉验证划分数据所包含的开发集不同。
2.根据权利要求1所述的基于深度学习的乳腺超声肿瘤识别方法,其特征在于,所述步骤S1的具体方法包括以下子步骤:
S1-1、获取并将已有病例的乳腺超声图像的私人信息去除,得到仅保留图像信息的乳腺超声图像;
S1-2、将仅保留图像信息的乳腺超声图像随机打乱顺序,并采用数值化ID对其进行编号,得到编号后的乳腺超声图像;
S1-3、对编号后的乳腺超声图像进行良性与恶性标注,得到标注后的乳腺超声图像。
3.根据权利要求1所述的基于深度学习的乳腺超声肿瘤识别方法,其特征在于,所述步骤S2的具体方法包括以下子步骤:
S2-1、采用双线性插值算法对标注后的乳腺超声图像进行图像尺寸大小统一处理,得到统一尺寸的图像;
S2-2、对统一尺寸后的图像以0.4的概率做随机镜像翻转,并以0.4的概率做随机上下翻转,将翻转后的图像作为新的样本完成图像增广,得到预处理后的图像。
4.根据权利要求1所述的基于深度学习的乳腺超声肿瘤识别方法,其特征在于,所述步骤S3的具体方法包括以下子步骤:
S3-1、根据卷积神经网络模型的输出层形状和卷积核大小调整通过卷积核后的图像的大小,得到卷积处理后的图像;
S3-2、通过池化层对卷积处理后的图像中相邻的四个不同元素做池化运算,使每四个相邻元素缩减为一个,得到缩减后的图像;
S3-3、将缩减后的图像送入激活函数层,并对其进行三次卷积-池化处理,得到与该图像对应的特征维度;其中三次卷积-池化处理中采用的卷积核大小分别为128、256和512,卷积核的高和宽的步长均为1;
S3-4、将得到的特征维度拉伸为一个向量,得到预处理后的图像的特征向量,即预处理后的图像的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910555112.6A CN110264462B (zh) | 2019-06-25 | 2019-06-25 | 一种基于深度学习的乳腺超声肿瘤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910555112.6A CN110264462B (zh) | 2019-06-25 | 2019-06-25 | 一种基于深度学习的乳腺超声肿瘤识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110264462A CN110264462A (zh) | 2019-09-20 |
CN110264462B true CN110264462B (zh) | 2022-06-28 |
Family
ID=67921398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910555112.6A Expired - Fee Related CN110264462B (zh) | 2019-06-25 | 2019-06-25 | 一种基于深度学习的乳腺超声肿瘤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264462B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866893B (zh) * | 2019-09-30 | 2021-04-06 | 中国科学院计算技术研究所 | 基于病理图像的tmb分类方法、***及tmb分析装置 |
CN110837859A (zh) * | 2019-11-01 | 2020-02-25 | 越亮传奇科技股份有限公司 | 一种融合多维度医疗数据的肿瘤精细分类***及方法 |
CN112927179A (zh) * | 2019-11-21 | 2021-06-08 | 粘晓菁 | 肝肿瘤智慧分析方法 |
CN111091560A (zh) * | 2019-12-19 | 2020-05-01 | 广州柏视医疗科技有限公司 | 鼻咽癌原发肿瘤图像识别方法及*** |
CN111291789B (zh) * | 2020-01-19 | 2022-07-05 | 华东交通大学 | 基于多阶段多特征深度融合的乳腺癌图像识别方法及*** |
CN111275116A (zh) * | 2020-01-20 | 2020-06-12 | 太原理工大学 | 基于三维卷积神经网络的乳腺肿瘤超声图像分类方法 |
CN111292299A (zh) * | 2020-01-21 | 2020-06-16 | 长沙理工大学 | 一种乳腺肿瘤识别方法、装置及存储介质 |
CN111429412B (zh) * | 2020-03-17 | 2023-11-03 | 北京青燕祥云科技有限公司 | 肝包虫超声ai辅助诊断方法及*** |
CN111626153B (zh) * | 2020-05-13 | 2022-10-18 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
CN112348106B (zh) * | 2020-11-18 | 2022-06-28 | 电子科技大学 | 一种基于关键点学习的乳腺超声影像分类方法 |
CN113689927B (zh) * | 2021-10-26 | 2022-01-18 | 湖北经济学院 | 一种基于深度学习模型的超声图像处理方法及装置 |
CN116485791B (zh) * | 2023-06-16 | 2023-09-29 | 华侨大学 | 基于吸收度的双视图乳腺肿瘤病变区自动检测方法及*** |
CN117114072A (zh) * | 2023-08-31 | 2023-11-24 | 四川维思模医疗科技有限公司 | 一种超声图像用于模拟***训练应用的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301221A (zh) * | 2017-06-16 | 2017-10-27 | 华南理工大学 | 一种多特征维度堆融合的数据挖掘方法 |
CN107851194A (zh) * | 2015-08-04 | 2018-03-27 | 西门子公司 | 用于脑肿瘤分类的视觉表示学习 |
CN108364006A (zh) * | 2018-01-17 | 2018-08-03 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
CN108520518A (zh) * | 2018-04-10 | 2018-09-11 | 复旦大学附属肿瘤医院 | 一种甲状腺肿瘤超声图像识别方法及其装置 |
CN109886349A (zh) * | 2019-02-28 | 2019-06-14 | 成都新希望金融信息有限公司 | 一种基于多模型融合的用户分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2882643A1 (en) * | 2012-08-31 | 2014-03-06 | Children's Hospital Medical Center | Use of interleukin-27 as a diagnostic biomarker for bacterial infection in critically ill patients |
-
2019
- 2019-06-25 CN CN201910555112.6A patent/CN110264462B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107851194A (zh) * | 2015-08-04 | 2018-03-27 | 西门子公司 | 用于脑肿瘤分类的视觉表示学习 |
CN107301221A (zh) * | 2017-06-16 | 2017-10-27 | 华南理工大学 | 一种多特征维度堆融合的数据挖掘方法 |
CN108364006A (zh) * | 2018-01-17 | 2018-08-03 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
CN108520518A (zh) * | 2018-04-10 | 2018-09-11 | 复旦大学附属肿瘤医院 | 一种甲状腺肿瘤超声图像识别方法及其装置 |
CN109886349A (zh) * | 2019-02-28 | 2019-06-14 | 成都新希望金融信息有限公司 | 一种基于多模型融合的用户分类方法 |
Non-Patent Citations (2)
Title |
---|
Augmented breast tumor classification by perfusion analysis;Bruce Yu-Sun Lin;《LSU Doctoral Dissertations》;20101231;1-96页 * |
基于机器学习算法的胰腺癌诊断模型研究;邢晓蕊;《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》;20190115;E072-2068 * |
Also Published As
Publication number | Publication date |
---|---|
CN110264462A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264462B (zh) | 一种基于深度学习的乳腺超声肿瘤识别方法 | |
CN109886273B (zh) | 一种cmr图像分割分类*** | |
Zhang et al. | Mdnet: A semantically and visually interpretable medical image diagnosis network | |
JP7375006B2 (ja) | 画像セマンティックセグメンテーションネットワークのトレーニング方法、装置、機器及びコンピュータプログラム | |
US10853623B2 (en) | Method and apparatus for generating information | |
Alshazly et al. | COVID-Nets: deep CNN architectures for detecting COVID-19 using chest CT scans | |
US9886758B2 (en) | Annotation of skin image using learned feature representation | |
US9750450B2 (en) | Method, electronic apparatus, and computer readable medium of constructing classifier for skin-infection detection | |
Hassan et al. | Review and classification of AI-enabled COVID-19 CT imaging models based on computer vision tasks | |
Karthik et al. | Contour-enhanced attention CNN for CT-based COVID-19 segmentation | |
US10878570B2 (en) | Knockout autoencoder for detecting anomalies in biomedical images | |
CN111078552A (zh) | 页面显示异常的检测方法、装置及存储介质 | |
CN112365980A (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及*** | |
CN114882978A (zh) | 引入图片翻译信息的胃部图像处理方法及*** | |
Li et al. | GRAND: A large-scale dataset and benchmark for cervical intraepithelial Neoplasia grading with fine-grained lesion description | |
Yue et al. | Attention-driven cascaded network for diabetic retinopathy grading from fundus images | |
CN116433704A (zh) | 一种基于中心点的细胞核分割方法及相关设备 | |
Yue et al. | Adaptive context exploration network for polyp segmentation in colonoscopy images | |
Lyu et al. | FETNet: Feature erasing and transferring network for scene text removal | |
CN113610080B (zh) | 基于跨模态感知的敏感图像识别方法、装置、设备及介质 | |
Ashtari-Majlan et al. | Deep learning and computer vision for glaucoma detection: A review | |
CN109685143A (zh) | 一种甲状腺锝扫图像的识别模型构建方法及装置 | |
CN114649092A (zh) | 基于半监督学习和多尺度特征融合的辅助诊断方法及装置 | |
Mahanty et al. | SRGAN Assisted Encoder-Decoder Deep Neural Network for Colorectal Polyp Semantic Segmentation. | |
Lu et al. | Boundary-aware polyp segmentation network |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220628 |