CN110738649A - 一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法 - Google Patents
一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法 Download PDFInfo
- Publication number
- CN110738649A CN110738649A CN201910972378.0A CN201910972378A CN110738649A CN 110738649 A CN110738649 A CN 110738649A CN 201910972378 A CN201910972378 A CN 201910972378A CN 110738649 A CN110738649 A CN 110738649A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- images
- gastric cancer
- training set
- 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
- 208000005718 Stomach Neoplasms Diseases 0.000 title claims abstract description 63
- 206010017758 gastric cancer Diseases 0.000 title claims abstract description 62
- 201000011549 stomach cancer Diseases 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 33
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 210000004881 tumor cell Anatomy 0.000 claims description 12
- 230000008595 infiltration Effects 0.000 claims description 10
- 238000001764 infiltration Methods 0.000 claims description 10
- 210000002784 stomach Anatomy 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010202 multivariate logistic regression analysis Methods 0.000 claims description 3
- 210000001015 abdomen Anatomy 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 abstract description 27
- 238000010586 diagram Methods 0.000 description 10
- 239000012528 membrane Substances 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 7
- 230000001575 pathological effect Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009558 endoscopic ultrasound Methods 0.000 description 2
- 230000002496 gastric effect Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating thereof
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06T2207/30092—Stomach; Gastric
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Software Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出了一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法,包括以下步骤:获得进展期胃癌图像;人工对所述图像进行标识;利用Faster RCNN网络提取所述图像上的感兴趣区域;对数据集中的图像进行预处理;对预处理后的图像进行标准化处理;将标准化处理后的图像划分为训练集及测试集;将训练集图像输入网络;通过测试集对训练集进行验证;当训练集的预测有效性达到预设值,则训练结束;当训练集的预测有效性低于预设值,重新构建训练集进行训练。通过本发明的方法训练后的Faster RCNN网络能够对增强CT图像进展期胃癌肿瘤进行识别,可以对进展期胃癌肿瘤进行T分期处理。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法。
背景技术
胃癌目前在全球癌症发病率排名第五,死亡率排名第三,已成为威胁世界人民健康的第三大杀手。准确的术前胃癌分期对治疗计划的选取以及对患者术后疗效的预测都至关重要。
目前,应用于胃癌术前分期的检查有内窥镜超声(EUS)、多排探测器计算机断层扫描(CT)、磁共振成像(MRI)和组合正电子发射断层扫描(PET-CT)等相关检查。MRI因为对检查者的要求较高及长时间扫描的局限性,所以并不是胃癌的常规检查;PET-CT检查因为费用及辐射损害等原因通常不用于常规检查。EUS因为是一项侵入性检查所以并不为患者接受,并且不能用于检查转移性疾病的检查。CT检查由于具有非侵入性、实用性、便利性及稳定性等优点,是用于胃癌术前分期的常规检查。CT图像的纹理分析可用于检测人眼无法识别的细微差异,并且可以通过分析图像中的像素强度的分布及强弱来获取肿瘤异质性的定量信息,从而来提高CT的诊断价值。特别是增强CT检查的应用大大提高了胃癌分期的准确性,其术前T分期及N分期的准确性分别为62-75%和75-80%。T1期胃癌肿瘤细胞局限于胃壁粘膜下层,T2期胃癌肿瘤细胞局限于胃壁固有肌层,T3期表示肿瘤穿透浆膜下***但未能穿透浆膜及内脏腹膜,T4期胃癌表示肿瘤细胞侵入浆膜或浸透内脏腹膜或胃累及胃临近结构。
胃癌肿瘤细胞浸润深度对筛查胃癌疾病及制定治疗方案有重要的指导作用,因此,如何基于胃癌增强CT图像准确预测肿瘤细胞浸润胃壁深度,是目前亟待解决的问题。
目前,肿瘤细胞浸润胃壁深度需要专业医师人工辨别标识,一方面,对医师的专业素养要求较高,另一方面,医师的工作量非常大,诊断过程耗时长。
Faster RCNN网络是一类人工神经网络,在各种深度学习模型中,Faster RCNN网络是比较成熟的算法,在图像处理及识别方面的强大能力。如何训练Faster RCNN网络,使其能够预测肿瘤细胞浸润胃壁深度,是目前亟待解决的问题。
发明内容
本发明提出一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法,解决了现有技术中需要人工基于胃癌增强CT图像预测肿瘤细胞浸润胃壁深度的问题。
本发明的技术方案是这样实现的:
一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法,包括以下步骤:
步骤一,获得进展期胃癌图像,构成数据集;
步骤二,人工利用labelImg软件对所述图像进行标识,标识所述图像中胃癌肿瘤细胞浸润最深的位置;
步骤三,利用Faster RCNN网络提取所述图像上的感兴趣区域;
步骤四,对数据集中的图像进行预处理,应用图像强度范围归一化和直方图均衡化方法来处理图像;
步骤五,对预处理后的图像进行标准化处理;
步骤六,随机抽样按比例将标准化处理后的图像划分为训练集及测试集;
步骤七,将训练集图像输入Faster RCNN网络,进行多变量Logistic回归分析,首先确定胃的位置和形状,检测出胃癌肿瘤的位置后,标识所述图像中胃癌肿瘤细胞浸润最深的位置,得出分割肿瘤结果;
步骤八,通过测试集对训练集进行验证;
步骤九,当训练集的预测有效性达到预设值,则训练结束;当训练集的预测有效性低于预设值,重新构建训练集进行训练。
可选地,所述步骤二中,人工利用labelImg软件对所述图像进行标识,肿瘤标识框架距正常胃壁距离在0.5cm之内。
可选地,所述步骤三中,利用Faster RCNN网络提取所述图像上的感兴趣区域之后,还包括:使用数据增强算法获得更多图像,增加数据集。
可选地,所述增强算法包括裁剪或者翻转。
可选地,所述步骤六中,随机抽样按4:1比例将标准化处理后的图像划分为训练集及测试集。
可选地,所述步骤一中,选取上腹部增强CT静脉期图像作为数据集。
可选地,所述步骤五中,对经过预处理的图像进行z-Score标准化处理。
本发明的有益效果是:
(1)通过本发明的方法训练后的Faster RCNN网络能够对增强CT图像进展期胃癌肿瘤进行识别,可以精确识别胃癌肿瘤部位;
(2)可以对进展期胃癌肿瘤进行T分期处理,其中对T3与T4期胃癌具有较高的准确性。
附图说明
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法的流程图;
图2a为Faster RCNN网络对进展期胃癌识别的ROC曲线示意图;
图2b为Faster RCNN网络对T2期胃癌识别的ROC曲线示意图;
图2c为Faster RCNN网络对T3期胃癌识别的ROC曲线示意图;
图2d为Faster RCNN网络对T4期胃癌识别的ROC曲线示意图;
图3a为影像科医师根据病理结果手工标识图像中T2肿瘤位置示意图;
图3b为Faster RCNN网络对肿瘤的分割及T分期的识别示意图;
图3c为影像科医师根据病理结果手工标识图像中T3期肿瘤位置示意图;
图3d为Faster RCNN网络对肿瘤的分割及T分期的识别示意图;
图3e为影像科医师根据病理结果手工标识图像中T4期肿瘤位置示意图;
图3f为Faster RCNN网络对肿瘤的分割及T分期的识别示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出了一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法,构建训练集对Faster RCNN网络进行训练,并通过测试集对训练集的训练效果进行检验。
如图1所示,本发明的用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法,包括以下步骤:
步骤一,获得进展期胃癌图像,构成数据集;
步骤二,人工利用labelImg软件对所述图像进行标识,标识所述图像中胃癌肿瘤细胞浸润最深的位置;
步骤三,利用Faster RCNN网络提取所述图像上的感兴趣区域;
步骤四,对数据集中的图像进行预处理,应用图像强度范围归一化和直方图均衡化方法来处理图像;
步骤五,对预处理后的图像进行标准化处理;
步骤六,随机抽样按4:1比例将标准化处理后的图像划分为训练集及测试集;
步骤七,将训练集图像输入Faster RCNN网络,进行多变量Logistic回归分析,首先确定胃的位置和形状,检测出胃癌肿瘤的位置后,标识所述图像中胃癌肿瘤细胞浸润最深的位置,得出分割肿瘤结果;
步骤八,通过测试集对训练集进行验证;
步骤九,当训练集的预测有效性达到预设值,则训练结束;当训练集的预测有效性低于预设值,重新构建训练集进行训练。
Faster RCNN网络可以采用现有的网络架构,例如,Faster RCNN网络是一个具有101层的深度卷积神经网络,包括特征提取网络、区域生成网络和感兴趣区域特征向量网络,对每个层面的模型都分别经过了100个epoch的训练,可以对图像特征进行提取。
上腹部增强CT静脉期图像的诊断性能优于动脉期图像,可选地,上述步骤一中,选取上腹部增强CT静脉期图像作为上述数据集,例如,获得进展期胃癌增强图像的数量为2122张,图像基本信息如下表1所示。
表1
上述步骤二中,由两名放射科医师(分别具有8年及10年胃肠病学成像经验)在对临床信息(包括姓名、性别、患者年龄)不知情的情况下解释CT图像及独立标记肿瘤病变,采用肿瘤分割方法利用labelImg软件对图像进行标识,两名影像科医师仅标识图像中可以分辨胃癌肿瘤细胞浸润最深的位置,肿瘤标识框架距正常胃壁距离在0.5cm之内。根据术后病理结果,由第三位放射科医师检查增强CT图像上肿瘤标识部位,以保证两个增强CT图像中病变部位的准确性及一致性。
可选地,上述步骤三中,感兴趣区域至少包括图像中胃癌肿瘤细胞浸润最深的位置。
可选地,上述步骤三利用Faster RCNN网络提取上述图像上的感兴趣区域(ROI)之后,还包括:使用数据增强算法获得更多图像,增加数据集,以减轻模型处理数据集时产生的过度拟合问题。可选地,上述增强算法包括裁剪、翻转或者其他数据增强算法。例如,对上述2122张上腹部增强CT静脉期图像进行图像增强后,共获得进展期胃癌图像5855张。
在训练Faster RCNN网络前需对上述图像进行预处理,在预处理步骤中,应用图像强度范围归一化和直方图均衡化方法来处理图像,以减少计算时间并提高图像的对比度。后对经过预处理的图像进行标准化处理,使得每个通道的像素值呈现以0为均值,1为方差的标准正态分布。可选地,对经过预处理的图像进行z-Score标准化处理。
为了研究上述Faster RCNN网络的识别性能,绘制了Faster RCNN网络的ROC曲线并计算了曲线下面积(AUC),计算了该Faster RCNN网络的准确率、召回率、F1-score及整体的微平均值、宏平均值及加权平均值,如下表2所示。
表2
表2示出了Faster RCNN网络学***均值、宏平均值和加权平均值。实验结果为Faster RCNN网络将胃癌肿瘤识别出的接受者操作特征曲线的曲线下面积为0.93(95%的置信区间为0.90-0.97),与人类影像科医师相比具有较高的准确性,可以得出该Faster RCNN网络对胃癌增强CT图像T分期的识别具有较高的准确性。测试完成后得出结果AUC值为0.93,其中准确性为0.93,特异性为0.95。其中对T2期胃癌识别准确率:90%,T3期胃癌识别准确率:93%,T4期胃癌识别准确率:95%,可以得出该Faster RCNN网络对胃癌肿瘤具有较高的识别性能。
图2a为Faster RCNN网络对进展期胃癌识别的ROC曲线,曲线下面积(AUC)=0.93;图2b为Faster RCNN网络对T2期胃癌识别的ROC曲线,曲线下面积(AUC)=0.90;图2c为Faster RCNN网络对T3期胃癌识别的ROC曲线,曲线下面积(AUC)=0.93;图2d为FasterRCNN网络对T4期胃癌识别的ROC曲线,曲线下面积(AUC)=0.95。
图3a所示为影像科医师根据病理结果手工标识图像中T2肿瘤位置,用于FasterRCNN网络的训练及测试,图3b所示为Faster RCNN网络对肿瘤的分割及T分期的识别;图3c所示为影像科医师根据病理结果手工标识图像中T3期肿瘤位置,用于Faster RCNN网络的训练及测试,图3d所示为Faster RCNN网络对肿瘤的分割及T分期的识别;图3e所示为影像科医师根据病理结果手工标识图像中T4期肿瘤位置,用于Faster RCNN网络的训练及测试,图3f所示为Faster RCNN网络对肿瘤的分割及T分期的识别。由图3a-图3f中结果可以看出Faster RCNN网络对T3期及T4期肿瘤具有较高的识别性能。
本发明提出了一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法,训练后的Faster RCNN网络能够对增强CT图像进展期胃癌肿瘤进行识别,可以精确识别胃癌肿瘤部位,并且可以对进展期胃癌肿瘤进行T分期处理,其中对T3与T4期胃癌具有较高的准确性。
以上所述仅为本发明的较佳实施例而已,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 (7)
1.一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法,其特征在于,包括以下步骤:
步骤一,获得进展期胃癌图像,构成数据集;
步骤二,人工利用labelImg软件对所述图像进行标识,标识所述图像中胃癌肿瘤细胞浸润最深的位置;
步骤三,利用Faster RCNN网络提取所述图像上的感兴趣区域;
步骤四,对数据集中的图像进行预处理,应用图像强度范围归一化和直方图均衡化方法来处理图像;
步骤五,对预处理后的图像进行标准化处理;
步骤六,随机抽样按比例将标准化处理后的图像划分为训练集及测试集;
步骤七,将训练集图像输入Faster RCNN网络,进行多变量Logistic回归分析,首先确定胃的位置和形状,检测出胃癌肿瘤的位置后,标识所述图像中胃癌肿瘤细胞浸润最深的位置,得出分割肿瘤结果;
步骤八,通过测试集对训练集进行验证;
步骤九,当训练集的预测有效性达到预设值,则训练结束;当训练集的预测有效性低于预设值,重新构建训练集进行训练。
2.如权利要求1所述的方法,其特征在于,
所述步骤二中,人工利用labelImg软件对所述图像进行标识,肿瘤标识框架距正常胃壁距离在0.5cm之内。
3.如权利要求1所述的方法,其特征在于,
所述步骤三中,利用Faster RCNN网络提取所述图像上的感兴趣区域之后,还包括:使用数据增强算法获得更多图像,增加数据集。
4.如权利要求3所述的方法,其特征在于,
所述增强算法包括裁剪或者翻转。
5.如权利要求1所述的方法,其特征在于,
所述步骤六中,随机抽样按4:1比例将标准化处理后的图像划分为训练集及测试集。
6.如权利要求1所述的方法,其特征在于,
所述步骤一中,选取上腹部增强CT静脉期图像作为数据集。
7.如权利要求1所述的方法,其特征在于,
所述步骤五中,对经过预处理的图像进行z-Score标准化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910972378.0A CN110738649A (zh) | 2019-10-14 | 2019-10-14 | 一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910972378.0A CN110738649A (zh) | 2019-10-14 | 2019-10-14 | 一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110738649A true CN110738649A (zh) | 2020-01-31 |
Family
ID=69270032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910972378.0A Pending CN110738649A (zh) | 2019-10-14 | 2019-10-14 | 一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738649A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112164028A (zh) * | 2020-09-02 | 2021-01-01 | 陈燕铭 | 基于人工智能的垂体腺瘤磁共振图像定位诊断方法和装置 |
CN112419452A (zh) * | 2020-12-24 | 2021-02-26 | 福州大学 | 一种胃癌pd-l1数字病理切片图像快速合并***及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368671A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的良性胃炎病理诊断支持***和方法 |
CN109124660A (zh) * | 2018-06-25 | 2019-01-04 | 南方医科大学南方医院 | 基于深度学习的胃肠间质瘤术后风险检测方法和*** |
-
2019
- 2019-10-14 CN CN201910972378.0A patent/CN110738649A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368671A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的良性胃炎病理诊断支持***和方法 |
CN109124660A (zh) * | 2018-06-25 | 2019-01-04 | 南方医科大学南方医院 | 基于深度学习的胃肠间质瘤术后风险检测方法和*** |
Non-Patent Citations (2)
Title |
---|
冯琦等: "多层螺旋CT判断胃癌胃壁浸润深度的价值", 《中国医学影像技术》 * |
吴智德等: "基于MRI图像纹理特征的***浸润深度检测", 《中国生物医学工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112164028A (zh) * | 2020-09-02 | 2021-01-01 | 陈燕铭 | 基于人工智能的垂体腺瘤磁共振图像定位诊断方法和装置 |
CN112419452A (zh) * | 2020-12-24 | 2021-02-26 | 福州大学 | 一种胃癌pd-l1数字病理切片图像快速合并***及方法 |
CN112419452B (zh) * | 2020-12-24 | 2022-08-23 | 福州大学 | 一种胃癌pd-l1数字病理切片图像快速合并***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3432784B1 (en) | Deep-learning-based cancer classification using a hierarchical classification framework | |
CN110728239B (zh) | 一种利用深度学习的胃癌增强ct图像自动识别*** | |
US7646902B2 (en) | Computerized detection of breast cancer on digital tomosynthesis mammograms | |
US8634610B2 (en) | System and method for assessing cancer risk | |
EP2070045B1 (en) | Advanced computer-aided diagnosis of lung nodules | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及*** | |
CN110472629B (zh) | 一种基于深度学习的病理图像自动识别***及其训练方法 | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断*** | |
US20180053297A1 (en) | Methods and Apparatuses for Detection of Abnormalities in Low-Contrast Images | |
CN112071418B (zh) | 基于增强ct影像组学的胃癌腹膜转移的预测***及方法 | |
CN113345576A (zh) | 一种基于深度学习多模态ct的直肠癌***转移诊断方法 | |
Ghantasala et al. | Texture recognization and image smoothing for microcalcification and mass detection in abnormal region | |
Kumar et al. | Mammogram image segmentation using SUSAN corner detection | |
Songsaeng et al. | Multi-scale convolutional neural networks for classification of digital mammograms with breast calcifications | |
Kaur et al. | Computer-aided diagnosis of renal lesions in CT images: a comprehensive survey and future prospects | |
CN114758175A (zh) | 一种食管胃结合部肿瘤图像分类方法、***、设备及存储介质 | |
CN110738649A (zh) | 一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法 | |
Mastouri et al. | A morphological operation-based approach for Sub-pleural lung nodule detection from CT images | |
CN113838020B (zh) | 一种基于钼靶影像的病变区域量化方法 | |
CN116630680A (zh) | 一种x线摄影联合超声的双模态影像分类方法及*** | |
Liu et al. | Application of deep learning-based CT texture analysis in TNM staging of gastric cancer | |
CN114783517A (zh) | 基于影像组学及语义特征预测crlm患者的ras基因状态 | |
CN113822873A (zh) | 一种用于肺结节分类的双模态影像组学图像分析方法 | |
WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
Cristian et al. | Lung Cancer Diagnosis based on Ultrasound image processing |
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: 20200131 |
|
RJ01 | Rejection of invention patent application after publication |