CN110490892A - 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 - Google Patents
一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 Download PDFInfo
- Publication number
- CN110490892A CN110490892A CN201910594057.1A CN201910594057A CN110490892A CN 110490892 A CN110490892 A CN 110490892A CN 201910594057 A CN201910594057 A CN 201910594057A CN 110490892 A CN110490892 A CN 110490892A
- Authority
- CN
- China
- Prior art keywords
- network
- ultrasound image
- usfaster
- thyroid
- image
- 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
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 61
- 210000001685 thyroid gland Anatomy 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 208000009453 Thyroid Nodule Diseases 0.000 claims abstract description 14
- 208000024770 Thyroid neoplasm Diseases 0.000 claims abstract description 14
- 230000000306 recurrent effect Effects 0.000 claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract 2
- 238000002059 diagnostic imaging Methods 0.000 abstract 1
- 239000000284 extract Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 8
- 230000007812 deficiency Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 208000003464 asthenopia Diseases 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 208000035977 Rare disease Diseases 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 208000038009 orphan disease Diseases 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于USFaster R‑CNN的甲状腺超声图像结节自动定位识别方法，属于人工智能和深度学习领域。该方法包括甲状腺超声图像的预处理，深度神经网络模型的搭建，网络模型训练和优化，其中深度神经网络模型包括底层卷积特征提取网络，候选框生成网络，特征图池化层、分类与候选框回归网络。利用深度学习方法，实现甲状腺超声图像特征自动提取，候选框自动生成，筛选，位置修正。实现甲状腺结节的自动定位识别功能。本发明可以有效辅助医生进行甲状腺超声图像诊断，提高诊断的客观性和准确率，有效降低医生的工作量以及小目标结节的漏检率。
Description
技术领域
本发明属于人工智能和深度学习领域，特别涉及一种基于USFaster R-CNN(针对超声图像的更快速区域卷积神经网络)的甲状腺超声图像结节自动定位与识别方法。
背景技术
近年来，随着影像技术的发展，甲状腺结节的检出率显著升高，甲状腺结节非常普遍，约有三分之一的成年人在检查中发现甲状腺结节。尽管其中大部分为良性，但也约有4-5％的甲状腺结节存在恶变风险。超声(US)在甲状腺疾病诊断中的应用广泛，但是诊断医生通过超声图像进行评估肿瘤时具有很大的主观性，这很大程度上取决于不同医生的临床经验。使用人工智能的甲状腺计算机辅助诊断***(CAD)是解决这一问题的一种选择，CAD可以为医生提供客观可靠的诊断意见，为临床提供参考。这不仅可以有效解决不同医生的主观分歧，提高诊断的准确率，还可以降低医生们的工作量以及漏检率。
目标检测是当前计算机视觉和机器学习领域的研究热点，它能够框出图像中的目标位置并识别目标种类，基于深度学习的目标检测方法在提高检测速度和准确率方面具有很大的潜力，其在医疗领域尤其是医学影像方面的应用，可以节省了大量人力物力。但在这前人们必须让神经网络“学到”图像的特征，才能使它工作，这往往需要一个足够大的数据集来监督训练网络参数。对于医学图像，在训练数据方面存在很大的局限性，医学图像的标注需要大量的专业知识和精力，有些罕见疾病的医学图像的数量远远达不到训练的标准。同时，超声图像相比于日常图像特征要更少(缺乏颜色特征)，对比度低，良恶性结节的特征差别不明显，属于细粒度分类问题。有些结节的体积较小，诊断医生在长时间工作情况下，由于视觉疲劳或者经验不足等原因，很有可能漏掉小结节。这些都是甲状腺超声图像结节定位与识别存在的问题。
基于深度学习的目标检测算法大致分成两类：一是基于Region Proposal的twostage目标检测算法，二是基于回归问题的one stage目标检测算法。第一类需要产生候选框，通过卷积神经网络对目标进行分类，最后进行边界框位置的修正。第二类则不产生候选框，直接将目标边框定位的问题转化为回归问题处理，直接对预测的目标进行回归。两者性能上存在差异，前者在检测准确率和定位精度上占优势，后者在检测速度上更占优势。
发明内容
本发明的目的是解决现有的甲状腺超声图像检测方法的不足，提供一种基于USFasterR-CNN(针对超声图像的更快速区域卷积神经网络)的甲状腺超声图像结节自动定位识别的方法，实现自动框出甲状腺超声图像中的结节并判断出结节种类的方法，尤其是对小目标甲状腺结节的检出率有明显提升。
为达上述目的，本发明提供的一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法，包括以下步骤：
(1)首先对甲状腺超声图像进行预处理，截取出待处理区域，去除超声图像中与甲状腺图像无关信息，用图像标注工具labelImg，根据诊断医生的标记以及诊断报告框出超声图像中的甲状腺结节，并进行结节种类的标注，制作成xml文件作为训练集的groundtrue标签，然后去除图像中的诊断医生的人工标注，以免影响对网络的训练效果，最后将超声图像以及对应的xml文件分成训练集，验证集和测试集；
(2)用大型数据集ImageNet数据集预先训练已经搭建好的USFaster R-CNN深度神经网络，得到训练好的网络参数，然后在用甲状腺超声图像训练集训练网络时将预先训练好的网络参数迁移到USFaster R-CNN网络中，这样使得网络收敛得更快并且具有更强的泛化能力；
(3)当初步训练好网络模型后使用验证集对训练的超参数进行微调和优化，使模型达到最好的识别和定位效果；
(4)将待识别与定位的甲状腺超声图像，即测试集，读取到USFaster R-CNN网络，实现甲状腺结节的自动定位与识别。
本发明步骤(1)中所述去除图像中的诊断医生的人工标记，使用阈值分割将图像二值化，计算二值图像的所有四连通区域并排序，其中像素点大于阈值的连通区域即是需要找的人工标记区域，然后采用双线性插值算法将连通区域进行插值，达到去除人工标记的目的。所述阈值为10～20，取20效果最佳。
本发明步骤(2)中所述USFaster R-CNN深度神经网络包括底层卷积特征提取网络，候选框生成网络，特征图池化层、分类与候选框回归网络。
本发明所述底层卷积特征提取网络的结构为：采用4个卷积层，每个卷积层后都跟随1层最大池化层，前三个卷积层各有2层卷积，第四个卷积层有3层卷积，同时设计一个特征拼接层，首先将第三层的两层卷积叠加起来，再通过一个1*1的卷积层升维的输出与第四层卷积的结果拼接后输出作为特征提取网络的总输出，得到带有甲状腺超声图像信息的特征图。其中底层卷积特征提取网络的作用是将输入的图像用卷积的方式自动提取特征，提供给候选框生成网络。本方法结合超声图像的特点：与自然图像相比特征要更少，以及医学图像数据集在数量上的局限性。设计了一个拥有四层卷积层的特征提取网络，并在最后一层中使用1*1卷积进一步增加网络的非线性能力。同时在第三层和第四层之间加入特征拼接层，具体将第三层卷积中的两个卷积叠加，然后使用一个1*1的卷积层升维，最后和第四层卷积的结果相加作为特征层的输出，这样类似于残差的结构能够进一步加大第三层卷积特征在整个网络中的影响，也就能够进一步的利用更多的浅层特征，这样比单独使用第四层卷积的特征效果要更好。
本发明所述候选框生成网络在超声图像上生成的候选框数量为(W/8*H/8)*9，其中W，H分别为超声图像的宽和高，候选框的尺寸的边长为64，128和256，三种比例分别为1：1，1：2和2：1。甲状腺超声图像经过底层卷积特征提取网络，在池化层的作用下，采样8倍得到特征图，即如果原图像的尺寸为W*H，那么特征图的大小为W/8*H/8。也就是特征图上的一个像素点对应于原图像的8*8个像素点。然后特征图又作为候选框生成网络的输入，候选框生成网络在特征图上使用一个3*3大小，步长为1的卷积滑动窗口，并在每个像素点上生成锚点，每个锚点对应在原图像中生成9个不同比例和大小的候选框。根据甲状腺结节大小的特点，设计的三种尺寸为64,128和256,三种比例为1:2,1:1和2:1,这样更有利于框出超声图像中医生们容易漏检的小结节，该网络还会计算这些框中存在目标的概率同时初步调整框的大小和位置使其更精确，筛选出大概率包含目标的候选框。
本发明所述特征图池化层、分类和候选框回归网络之间加入一个1*1*128的卷积层，在降低参数的同时可以增加网络的非线性，提高拟合效果。含有少量候选框的超声图像和特征图将输入到特征图池化层被统一到同样大小，最后进入分类和框回归网络进行进一步精确目标的位置和目标的分类工作。
本发明步骤(3)中所述的超参数是：学习率通常设置为0.0001～0.01之间，本设计学习率经多次实验比较固定为0.0001，迭代次数一般设置为2000～50000次，取决于数据量大小以及模型是否达到稳定收敛状态，本网络结构迭代次数设计为50000，得到最终网络模型。
本发明步骤(4)中，IOU>0.5时，同时分类结果与ground true标签一致，则认为实现定位与识别正确。
相比于现有技术，本发明具有如下优点：
第一，本发明提供的基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法，用于辅助医生进行甲状腺超声图像中病灶区的定位和分类，具有客观性，有效避免诊断医生由于视觉疲劳或经验不足导致小结节漏检。是一种全自动的定位和识别方法，无需人工参与，只需将甲状腺超声图像读取到深度学习网络中，***将自动框出病灶取并标出结节种类。
第二，采用网络参数迁移方法，较浅的底层特征网络以及加入特征拼接层。可以有效弥补医学图像数据量少的不足，同时加大浅层纹理特征在整个网络中的影响，这更加适用于特征较少的超声图像。加入1*1卷积操作对特征图进行升维和降维，可以减少训练参数，加快网络的训练速度，增加网络的非线性能力。
第三，较浅的特征提取网络会得到较大的特征图，提高了特征图的分辨率，更大程度地利用底层卷积的纹理特征。这会让候选框生成网络在超声图像中生成更多的候选框，将框的尺寸设置为[64,128,256]，符合超声图像中甲状腺结节的大小，因此对于小结节的检出率有很大提升。
附图说明
图1是本发明实施例中的甲状腺超声图像预处理图；
图2是本发明实施例中的利用USFaster R-CNN深度学习网络训练过程图；
图3是本发明实施例中的底层卷积特征提取网络结构图；
图4是本发明实施例中的候选框生成网络细节图；
图5是本发明实施例中的甲状腺超声图像结节自动定位识别效果图。
具体实施方式
以下实施例用于对本发明作进一步详细说明，不应来限制本发明的保护范围。
本发明实施例提供的一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法，具体步骤如下：
步骤一、图像处理。获取甲状腺超声图像，从医院共收集300人的甲状腺超声图像，其中250人确诊为患有良性或者恶性结节，50人为正常。每个人包含5-15张图像，共有2232张图像。对超声图像进行预处理：首先只把图像中甲状腺部分作为感兴趣区域截取出来，去除图像中与甲状腺无关信息，如图1中b所示。根据医生诊断报告中的描述以及超声图像中的病灶区标记位置对病灶区域进行ground true标注制作对应的xml文件，该标注不会在图像中显示，只是在xml文件中注明了病灶区的位置和种类信息。每张图像对应一个xml文件。然后去除影像师在阅读超声图片时对病灶区所做的标记。人工标记不仅会影像病灶区图像的纹理，还会影响病灶区定位的可信度。去除人工标记步骤如下：
(1)根据标签区域比图像周围区域亮度明显更高的特点，使用阈值分割将图像二值化。
(2)计算二值图像的所有四连通区域并排序，其中像素点的灰度值大于某个阈值的连通区域就是要找的标签区域，经过观察统计，阈值取20时效果最好。
(3)采用双线性插值算法将步骤(2)中找出的区域进行插值，达到去除标记的目的。效果如图1中c所示。
从300人中随机取出50人的超声图像作为测试集，为了保证能够测试模型的泛化能力，这50人的图像不参与任何与构建模型有关的训练中，然后将剩余的250人按照4：1的比例分类训练集和验证集。训练集用于训练构建的模型参数，验证集用来调整模型中的超参数，使网络模型达到最优。
步骤二、网络模型的搭建。深度学习网络结构由底层卷积特征提取网络，候选框生成网络，特征图池化层，分类和候选框回归网络组成。其中底层卷积特征提取网络采用4个卷积层，每个卷积层后都跟随1层最大池化层，前三个卷积层各有2层卷积，第四个卷积层有3层卷积，同时设计一个层将第三层的两层卷积叠加起来，再通过一个1*1的卷积层升维的输出与第四层卷积的结果相加作为特征提取网络的总输出。网络结构如图3所示。特征提取网络主要将图像进行下采样，同时通过卷积自动对图像中的特征进行提取，得到具有原图像特征信息的特征图。特征图再作为输入进入候选框生成网络，生成候选框的具体流程如图4所示。使用一个3*3大小，步长为1的卷积滑动窗口，并在每个像素点上生成锚点，每个锚点对应在原图像中生成9个不同比例和大小的候选框。然后特征图将通过两个1*1卷积，一组得到两个分数，得到生成的候选框中是否包含物体的概率，IOU大于阈值的作为前景，即含有目标，小于阈值的判断为背景，即不包含目标。另一组得到4个坐标，分别为生成候选框的横坐标，纵坐标，宽和高。随后进行自动筛选，只留下少量的含有目标的候选框。然后进入特征图池化层将候选框区大小统一，这样就能作为后面分类和框回归网络的输入。分类和框回归网络的作用是进一步将候选框中的目标进行分类，以及候选框的位置修正，达到更精确的目标定位与识别。
步骤三、网络训练。由于甲状腺超声图像数据集过小，不足以训练具有很强泛化能力的深度学习网络，很容易发生过拟合现象。首先用大型数据集ImageNet数据集训练网络，得到网络参数，然后在使用甲状腺超声图像训练网络时将参数迁移过来，可以加快网络收敛，也使网络更具有泛化能力，如图2所示。训练网络的操作***环境时Ubuntu16.04 64位，硬件GPU是通过Nvidia TITAN X(Pascal)显卡加速。在得到初步网络参数后，使用验证集测试网络输出效果，对网络中的超参数进行调试和优化，使深度网络达到最优状态。最终学习率设计为固定0.0001，迭代次数设计为50000，网络模型的loss值趋于稳定，代表深度学习网络很好的学到图像中的特征。
步骤四、甲状腺结节自动定位与识别。将测试集的甲状腺超声图像读取到USFaster R-CNN深度学习网络中，将实现自动框出甲状腺结节并且判断结节种类。其中包含医生容易漏检的小结节。IOU>0.5时，同时分类结果与ground true标签一致，则认为实现定位与识别正确。识别效果如图5所示。
Claims (9)
1.一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法，其特征在于，包括以下步骤：
(1)首先对甲状腺超声图像进行预处理，截取出待处理区域，去除超声图像中与甲状腺图像无关信息，用图像标注工具labelImg，根据诊断医生的标记以及诊断报告框出超声图像中的甲状腺结节，并进行结节种类的标注，制作成xml文件作为训练集的ground true标签，然后去除图像中的诊断医生的人工标注，以免影响对网络的训练效果，最后将超声图像以及对应的xml文件分成训练集，验证集和测试集；
(2)用大型数据集ImageNet数据集预先训练已经搭建好的USFaster R-CNN深度神经网络，得到训练好的网络参数，然后在用甲状腺超声图像训练集训练网络时将预先训练好的网络参数迁移到USFaster R-CNN网络中，这样使得网络收敛得更快并且具有更强的泛化能力；
(3)当初步训练好网络模型后使用验证集对训练的超参数进行微调和优化，使模型达到最好的识别和定位效果；
(4)将待识别与定位的甲状腺超声图像，即测试集，读取到USFaster R-CNN网络，实现甲状腺结节的自动定位与识别。
2.根据权利要求1所述的一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法，其特征在于，步骤(1)中所述去除图像中的诊断医生的人工标记，使用阈值分割将图像二值化，计算二值图像的所有四连通区域并排序，其中像素点大于阈值的连通区域即是需要找的人工标记区域，然后采用双线性插值算法将连通区域进行插值，达到去除人工标记的目的。
3.根据权利要求2所述的一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法，其特征在于，所述阈值为10～20。
4.根据权利要求1所述的一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法，其特征在于，步骤(2)中所述USFaster R-CNN深度神经网络，包括底层卷积特征提取网络，候选框生成网络，特征图池化层、分类和候选框回归网络。
5.根据权利要求4所述的一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法，其特征在于，所述底层卷积特征提取网络的结构为：采用4个卷积层，每个卷积层后都跟随1层最大池化层，前三个卷积层各有2层卷积，第四个卷积层有3层卷积，同时设计一个特征拼接层，首先将第三层的两层卷积叠加起来，再通过一个1*1的卷积层升维的输出与第四层卷积的结果拼接后输出作为特征提取网络的总输出，得到带有甲状腺超声图像信息的特征图。
6.根据权利要求4所述的一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法，其特征在于，所述候选框生成网络在超声图像上生成的候选框数量为(W/8*H/8)*9，其中W，H分别为超声图像的宽和高，候选框的尺寸的边长为64,128和256，三种比例分别为1:1,1:2和2:1。
7.根据权利要求4所述的一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法，其特征在于，所述特征图池化层、分类和候选框回归网络之间加入一个1*1*128的卷积层，在降低参数的同时可以增加网络的非线性，提高拟合效果。
8.根据权利要求1所述的一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法，其特征在于，步骤(3)中所述的超参数是：学习率为0.0001～0.01，迭代次数为2000～50000次。
9.根据权利要求1所述的一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法，其特征在于，步骤(4)中，IOU>0.5时，同时分类结果与ground true标签一致，则认为实现定位与识别正确。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910594057.1A CN110490892A (zh) | 2019-07-03 | 2019-07-03 | 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910594057.1A CN110490892A (zh) | 2019-07-03 | 2019-07-03 | 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110490892A true CN110490892A (zh) | 2019-11-22 |
Family
ID=68546544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910594057.1A Pending CN110490892A (zh) | 2019-07-03 | 2019-07-03 | 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110490892A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160441A (zh) * | 2019-12-24 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 分类方法、计算机设备和存储介质 |
| CN111461202A (zh) * | 2020-03-30 | 2020-07-28 | 上海尽星生物科技有限责任公司 | 甲状腺结节超声图像实时识别方法及装置 |
| CN111612752A (zh) * | 2020-05-15 | 2020-09-01 | 江苏省人民医院（南京医科大学第一附属医院） | 基于Faster-RCNN的超声图像甲状腺结节智能检测*** |
| CN111652838A (zh) * | 2020-04-16 | 2020-09-11 | 上海长征医院 | 基于目标检测网络的甲状腺结节定位与超声报告纠错方法 |
| CN111820950A (zh) * | 2020-06-23 | 2020-10-27 | 无锡祥生医疗科技股份有限公司 | 个性化信息确定装置和超声训练方法 |
| CN111862044A (zh) * | 2020-07-21 | 2020-10-30 | 长沙大端信息科技有限公司 | 超声图像处理方法、装置、计算机设备和存储介质 |
| CN112001877A (zh) * | 2020-05-18 | 2020-11-27 | 天津大学 | 一种基于深度学习的甲状腺恶性结节检测方法 |
| CN112036400A (zh) * | 2020-07-09 | 2020-12-04 | 北京航空航天大学 | 构建用于目标检测的网络的方法和目标检测方法及*** |
| CN112419396A (zh) * | 2020-12-03 | 2021-02-26 | 前线智能科技(南京)有限公司 | 一种甲状腺超声视频自动分析方法与*** |
| CN112614108A (zh) * | 2020-12-24 | 2021-04-06 | 中国人民解放军总医院第一医学中心 | 基于深度学习检测甲状腺超声图像中结节的方法和装置 |
| CN112754530A (zh) * | 2021-01-18 | 2021-05-07 | 居天智慧(深圳)有限公司 | 甲状腺识别无线超声仪 |
| CN112927217A (zh) * | 2021-03-23 | 2021-06-08 | 内蒙古大学 | 一种基于目标检测的甲状腺结节侵袭性预测方法 |
| CN113555087A (zh) * | 2021-07-19 | 2021-10-26 | 吉林大学第一医院 | 一种基于卷积神经网络算法的人工智能阅片方法 |
| CN113610859A (zh) * | 2021-06-07 | 2021-11-05 | 东北大学 | 一种基于超声图像的甲状腺结节自动分割方法 |
| CN115294401A (zh) * | 2022-08-23 | 2022-11-04 | 北京医准智能科技有限公司 | 一种基于ct图像的分类方法、装置、设备及存储介质 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780448A (zh) * | 2016-12-05 | 2017-05-31 | 清华大学 | 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法 |
| CN107239802A (zh) * | 2017-06-28 | 2017-10-10 | 广东工业大学 | 一种图像分类方法及装置 |
| CN107451615A (zh) * | 2017-08-01 | 2017-12-08 | 广东工业大学 | 基于Faster RCNN的甲状腺***状癌超声图像识别方法及*** |
| CN107527065A (zh) * | 2017-07-25 | 2017-12-29 | 北京联合大学 | 一种基于卷积神经网络的花卉品种识别模型建立方法 |
| CN108108677A (zh) * | 2017-12-12 | 2018-06-01 | 重庆邮电大学 | 一种基于改进的cnn人脸表情识别方法 |
| CN108509839A (zh) * | 2018-02-02 | 2018-09-07 | 东华大学 | 一种基于区域卷积神经网络高效的手势检测识别方法 |
| 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 |
| CN108564123A (zh) * | 2018-04-10 | 2018-09-21 | 复旦大学附属肿瘤医院 | 一种甲状腺肿瘤细胞学涂片图像分类方法及其装置 |
| CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
| CN108875592A (zh) * | 2018-04-13 | 2018-11-23 | 哈尔滨工程大学 | 一种基于注意力的卷积神经网络优化方法 |
| CN109036467A (zh) * | 2018-10-26 | 2018-12-18 | 南京邮电大学 | 基于tf-lstm的cffd提取方法、语音情感识别方法及*** |
| CN109086678A (zh) * | 2018-07-09 | 2018-12-25 | 天津大学 | 一种基于深度监督学习提取图像多级特征的行人检测方法 |
| CN109117894A (zh) * | 2018-08-29 | 2019-01-01 | 汕头大学 | 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法 |
| CN109242844A (zh) * | 2018-09-04 | 2019-01-18 | 青岛大学附属医院 | 基于深度学习的胰腺癌肿瘤自动识别***、计算机设备、存储介质 |
| CN109241967A (zh) * | 2018-09-04 | 2019-01-18 | 青岛大学附属医院 | 基于深度神经网络的甲状腺超声图像自动识别***、计算机设备、存储介质 |
| CN109447940A (zh) * | 2018-08-28 | 2019-03-08 | 天津医科大学肿瘤医院 | 卷积神经网络训练方法、超声图像识别定位方法及*** |
| CN109493333A (zh) * | 2018-11-08 | 2019-03-19 | 四川大学 | 基于卷积神经网络的超声甲状腺结节钙化点提取算法 |
| CN109543623A (zh) * | 2018-11-26 | 2019-03-29 | 微医云(杭州)控股有限公司 | 一种基于核磁共振成像的胎儿发育状况预测装置 |
| CN109635882A (zh) * | 2019-01-23 | 2019-04-16 | 福州大学 | 一种基于多尺度卷积特征提取和融合的显著物体检测方法 |
| CN109872296A (zh) * | 2019-01-04 | 2019-06-11 | 中山大学 | 一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法 |
| CN109886160A (zh) * | 2019-01-30 | 2019-06-14 | 浙江工商大学 | 一种非限定条件下的人脸识别方法 |
-
2019
- 2019-07-03 CN CN201910594057.1A patent/CN110490892A/zh active Pending
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780448A (zh) * | 2016-12-05 | 2017-05-31 | 清华大学 | 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法 |
| CN107239802A (zh) * | 2017-06-28 | 2017-10-10 | 广东工业大学 | 一种图像分类方法及装置 |
| CN107527065A (zh) * | 2017-07-25 | 2017-12-29 | 北京联合大学 | 一种基于卷积神经网络的花卉品种识别模型建立方法 |
| CN107451615A (zh) * | 2017-08-01 | 2017-12-08 | 广东工业大学 | 基于Faster RCNN的甲状腺***状癌超声图像识别方法及*** |
| CN108108677A (zh) * | 2017-12-12 | 2018-06-01 | 重庆邮电大学 | 一种基于改进的cnn人脸表情识别方法 |
| CN108509839A (zh) * | 2018-02-02 | 2018-09-07 | 东华大学 | 一种基于区域卷积神经网络高效的手势检测识别方法 |
| 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 |
| CN108564123A (zh) * | 2018-04-10 | 2018-09-21 | 复旦大学附属肿瘤医院 | 一种甲状腺肿瘤细胞学涂片图像分类方法及其装置 |
| CN108875592A (zh) * | 2018-04-13 | 2018-11-23 | 哈尔滨工程大学 | 一种基于注意力的卷积神经网络优化方法 |
| CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
| CN109086678A (zh) * | 2018-07-09 | 2018-12-25 | 天津大学 | 一种基于深度监督学习提取图像多级特征的行人检测方法 |
| CN109447940A (zh) * | 2018-08-28 | 2019-03-08 | 天津医科大学肿瘤医院 | 卷积神经网络训练方法、超声图像识别定位方法及*** |
| CN109117894A (zh) * | 2018-08-29 | 2019-01-01 | 汕头大学 | 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法 |
| CN109242844A (zh) * | 2018-09-04 | 2019-01-18 | 青岛大学附属医院 | 基于深度学习的胰腺癌肿瘤自动识别***、计算机设备、存储介质 |
| CN109241967A (zh) * | 2018-09-04 | 2019-01-18 | 青岛大学附属医院 | 基于深度神经网络的甲状腺超声图像自动识别***、计算机设备、存储介质 |
| CN109036467A (zh) * | 2018-10-26 | 2018-12-18 | 南京邮电大学 | 基于tf-lstm的cffd提取方法、语音情感识别方法及*** |
| CN109493333A (zh) * | 2018-11-08 | 2019-03-19 | 四川大学 | 基于卷积神经网络的超声甲状腺结节钙化点提取算法 |
| CN109543623A (zh) * | 2018-11-26 | 2019-03-29 | 微医云(杭州)控股有限公司 | 一种基于核磁共振成像的胎儿发育状况预测装置 |
| CN109872296A (zh) * | 2019-01-04 | 2019-06-11 | 中山大学 | 一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法 |
| CN109635882A (zh) * | 2019-01-23 | 2019-04-16 | 福州大学 | 一种基于多尺度卷积特征提取和融合的显著物体检测方法 |
| CN109886160A (zh) * | 2019-01-30 | 2019-06-14 | 浙江工商大学 | 一种非限定条件下的人脸识别方法 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160441B (zh) * | 2019-12-24 | 2024-03-26 | 上海联影智能医疗科技有限公司 | 分类方法、计算机设备和存储介质 |
| CN111160441A (zh) * | 2019-12-24 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 分类方法、计算机设备和存储介质 |
| CN111461202A (zh) * | 2020-03-30 | 2020-07-28 | 上海尽星生物科技有限责任公司 | 甲状腺结节超声图像实时识别方法及装置 |
| CN111461202B (zh) * | 2020-03-30 | 2023-12-05 | 上海深至信息科技有限公司 | 甲状腺结节超声图像实时识别方法及装置 |
| CN111652838A (zh) * | 2020-04-16 | 2020-09-11 | 上海长征医院 | 基于目标检测网络的甲状腺结节定位与超声报告纠错方法 |
| CN111652838B (zh) * | 2020-04-16 | 2022-09-09 | 上海长征医院 | 基于目标检测网络的甲状腺结节定位与超声报告纠错方法 |
| CN111612752A (zh) * | 2020-05-15 | 2020-09-01 | 江苏省人民医院（南京医科大学第一附属医院） | 基于Faster-RCNN的超声图像甲状腺结节智能检测*** |
| CN112001877A (zh) * | 2020-05-18 | 2020-11-27 | 天津大学 | 一种基于深度学习的甲状腺恶性结节检测方法 |
| CN111820950A (zh) * | 2020-06-23 | 2020-10-27 | 无锡祥生医疗科技股份有限公司 | 个性化信息确定装置和超声训练方法 |
| CN112036400A (zh) * | 2020-07-09 | 2020-12-04 | 北京航空航天大学 | 构建用于目标检测的网络的方法和目标检测方法及*** |
| CN112036400B (zh) * | 2020-07-09 | 2022-04-05 | 北京航空航天大学 | 构建用于目标检测的网络的方法和目标检测方法及*** |
| CN111862044A (zh) * | 2020-07-21 | 2020-10-30 | 长沙大端信息科技有限公司 | 超声图像处理方法、装置、计算机设备和存储介质 |
| CN112419396A (zh) * | 2020-12-03 | 2021-02-26 | 前线智能科技(南京)有限公司 | 一种甲状腺超声视频自动分析方法与*** |
| CN112419396B (zh) * | 2020-12-03 | 2024-04-26 | 前线智能科技(南京)有限公司 | 一种甲状腺超声视频自动分析方法与*** |
| CN112614108A (zh) * | 2020-12-24 | 2021-04-06 | 中国人民解放军总医院第一医学中心 | 基于深度学习检测甲状腺超声图像中结节的方法和装置 |
| CN112614108B (zh) * | 2020-12-24 | 2024-04-19 | 中国人民解放军总医院第一医学中心 | 基于深度学习检测甲状腺超声图像中结节的方法和装置 |
| CN112754530A (zh) * | 2021-01-18 | 2021-05-07 | 居天智慧(深圳)有限公司 | 甲状腺识别无线超声仪 |
| CN112927217B (zh) * | 2021-03-23 | 2022-05-03 | 内蒙古大学 | 一种基于目标检测的甲状腺结节侵袭性预测方法 |
| CN112927217A (zh) * | 2021-03-23 | 2021-06-08 | 内蒙古大学 | 一种基于目标检测的甲状腺结节侵袭性预测方法 |
| CN113610859A (zh) * | 2021-06-07 | 2021-11-05 | 东北大学 | 一种基于超声图像的甲状腺结节自动分割方法 |
| CN113610859B (zh) * | 2021-06-07 | 2023-10-31 | 东北大学 | 一种基于超声图像的甲状腺结节自动分割方法 |
| CN113555087A (zh) * | 2021-07-19 | 2021-10-26 | 吉林大学第一医院 | 一种基于卷积神经网络算法的人工智能阅片方法 |
| CN115294401B (zh) * | 2022-08-23 | 2023-04-14 | 北京医准智能科技有限公司 | 一种基于ct图像的分类方法、装置、设备及存储介质 |
| CN115294401A (zh) * | 2022-08-23 | 2022-11-04 | 北京医准智能科技有限公司 | 一种基于ct图像的分类方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490892A (zh) | 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及*** | |
| CN111223553A (zh) | 一种两阶段深度迁移学习中医舌诊模型 | |
| CN106056595A (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 | |
| Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
| CN109063712A (zh) | 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法及*** | |
| CN111951221A (zh) | 一种基于深度神经网络的肾小球细胞图像识别方法 | |
| CN101103924A (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其*** | |
| CN112085113B (zh) | 一种重症肿瘤影像识别***及方法 | |
| CN108549912A (zh) | 一种基于机器学习的医学图像肺结节检测方法 | |
| Wang et al. | A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network | |
| CN113744183A (zh) | 肺结节检测方法及*** | |
| CN115115841B (zh) | 一种阴影斑点图像处理分析方法及*** | |
| Wang et al. | Cataract detection based on ocular B-ultrasound images by collaborative monitoring deep learning | |
| CN115880266B (zh) | 一种基于深度学习的肠道息肉检测***和方法 | |
| CN109087310A (zh) | 睑板腺纹理区域的分割方法、***、存储介质及智能终端 | |
| Yao et al. | Texture synthesis based thyroid nodule detection from medical ultrasound images: interpreting and suppressing the adversarial effect of in-place manual annotation | |
| Teng | Brief review of medical image segmentation based on deep learning | |
| CN110288577A (zh) | 一种3d实现多器官病灶整合的控制方法及控制装置 | |
| CN112419246B (zh) | 量化食管粘膜IPCLs血管形态分布的深度检测网络 | |
| Wang et al. | Optic disc detection based on fully convolutional neural network and structured matrix decomposition | |
| Perumal et al. | Microaneurysms detection in fundus images using local fourier transform and neighbourhood analysis | |
| CN109816665A (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
| Liu et al. | One-stage attention-based network for image classification and segmentation on optical coherence tomography image | |
| Xie et al. | Automatic lung nodule classification in CT images using Two-stage CNNs and Soft-voting of Multi-scale 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 |
Application publication date: 20191122 |
|
| RJ01 | Rejection of invention patent application after publication |