CN111160413A - 一种基于多尺度特征融合的甲状腺结节分类方法 - Google Patents
一种基于多尺度特征融合的甲状腺结节分类方法 Download PDFInfo
- Publication number
- CN111160413A CN111160413A CN201911271119.1A CN201911271119A CN111160413A CN 111160413 A CN111160413 A CN 111160413A CN 201911271119 A CN201911271119 A CN 201911271119A CN 111160413 A CN111160413 A CN 111160413A
- Authority
- CN
- China
- Prior art keywords
- thyroid nodule
- network
- residual error
- scale
- data 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 39
- 208000009453 Thyroid Nodule Diseases 0.000 title claims abstract description 37
- 208000024770 Thyroid neoplasm Diseases 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000002604 ultrasonography Methods 0.000 claims abstract description 17
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 210000001685 thyroid gland Anatomy 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 5
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000017531 blood circulation Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000003211 malignant effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 201000002510 thyroid cancer Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000000750 endocrine system Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T7/0002—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
- G06T2207/30—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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多尺度特征融合的甲状腺结节分类方法,其特征在于:所述方法的步骤为:1)获取原始甲状腺超声影像数据集,并对每一张超声影像进行处理;2)清洗原始超声影像数据集,去除不符合要求的影像,得到一个含有2000张高质量甲状腺结节超声影像的数据集;3)基于残差网络的甲状腺结节超声影像分类网络构建;4)将残差模块替换为多尺度融合模块;5)在残差网络的基础上,添加一个高分辨率通道;6)对基于多尺度特征融合与高分辨率通道的网络模型的分类效果进行分析。本发明设计科学合理,设计了多尺度特征和高分辨率通道相结合机制,提升网络性能。
Description
技术领域
本发明属于深度学习和医疗影像处理领域,涉及甲状腺结节超声影像数据集的数据清洗技术、卷积神经网络技术,尤其涉及一种基于多尺度特征融合的甲状腺结节分类方法。
背景技术
甲状腺结节是内分泌***常见的疾病,18%的成年人身上携带甲状腺结节。尽管绝大多数的甲状腺结节都是良性的,但10%的病人长有恶性甲状腺结节,主要是甲状腺癌。近年来,甲状腺癌发病率快速上涨,目前位居全国癌症发病率的第七位。超声诊断是检查甲状腺结节良恶性的常见手段。但是,由于医生一般依赖于主观判断,缺乏客观标准,容易出现错误。
深度学习,特别是卷积神经网络,在医疗影像上取得的突破证明了它在解决实际影像学问题上的有效性。一方面,卷积神经网络可以通过多层网络能够从医学影像提取特征,并利用这些特征在相关医学问题上得到远超其他方法的准确率;另一方面,基于医疗影像的深度学习方法可以高效地辅助影像科医生,大幅减轻医生的工作负担。
前人的工作大多是利用卷积神经网络进行特征提取或者是在ImageNet上对进行微调。以上这些方法忽视了端到端训练的重要性,且没有针对甲状腺结节超声影像的特点设计网络结构。另外,受于数据保密的问题,大部分研究人员的超声影像是非公开的,急需要公开的大型甲状腺结节超声影像数据集共研究人员使用。
通过对公开专利文献的检索,并未发现与本专利申请相似的公开专利文献。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于多尺度特征融合的甲状腺结节分类方法,该方法设计了多尺度特征和高分辨率通道相结合机制,提升网络性能。
本发明解决其技术问题是通过以下技术方案实现的:
一种基于多尺度特征融合的甲状腺结节分类方法,其特征在于:所述方法的步骤为:
1)获取原始甲状腺超声影像数据集,并对每一张超声影像进行处理;
2)清洗原始超声影像数据集,去除不符合要求的影像,得到一个含有2000张高质量甲状腺结节超声影像的数据集;
3)基于残差网络的甲状腺结节超声影像分类网络构建;
4)将残差模块替换为多尺度融合模块;
5)在残差网络的基础上,添加一个高分辨率通道;
6)对基于多尺度特征融合与高分辨率通道的网络模型的分类效果进行分析。
而且,所述步骤1)中原始超声影像中的四周边界区域中包含隐私信息,裁剪掉边界区域。
而且,所述步骤1)中原始超声影像中的四周边界区域中包含隐私信息,裁剪掉边界区所述步骤2)中原始超声影像数据集中存在彩色多普勒血流影像,需要使用彩色算子将彩色多普勒血流影像筛选出来并将数据集划分为训练集和测试集。
而且,所述步骤1)中原始超声影像中的四周边界区域中包含隐私信息,裁剪掉边界区所述步骤3)使用步骤2)的数据集,端到端的训练基于残差网络的网络模型。
而且,所述步骤1)中原始超声影像中的四周边界区域中包含隐私信息,裁剪掉边界区所述步骤4)在步骤3)的残差网络中,将残差模块替换为多尺度信息融合模块,该模块使用空洞卷积和实例正则化进行信息融合。
而且,所述步骤1)中原始超声影像中的四周边界区域中包含隐私信息,裁剪掉边界区所述步骤5)在步骤3)的残差网络基础上,添加一个高分辨率通道,该高分辨率通道内部由多尺度信息融合模块构成。
本发明的优点和有益效果为:
1、本发明一种基于多尺度特征融合的甲状腺结节分类方法,提出一个全新的高分辨率甲状腺结节超声影像数据集,能够极大程度上帮助研究人员进行网络模型的搭建,有利于研究人员对于工作有一个直观的评价。
2、本发明一种基于多尺度特征融合的甲状腺结节分类方法,通过端到端的训练方法,无须特征提取或者特征工程,极大降低了训练的难度;本发明提出多尺度信息融合模块,不仅能用于提取网络浅层中与影像风格和外形无关的全局性特征。对网络的域适应性和鲁棒性有着一定的提高;同时,结合批正则化共同提取特征,提高了网络的分类性能。
3、本发明一种基于多尺度特征融合的甲状腺结节分类方法,在模块中并行使用多个不同空洞率的空洞卷积,在提升网络感受野的同时,捕获更多的多尺度上下文信息,通过信息融合机制,融合多种多尺度信息,在不大幅提高网络参数的基础上,提高了网络新能。
4、本发明一种基于多尺度特征融合的甲状腺结节分类方法,在残差网络的基础上设计了一种高分辨率通道来保持高分辨率信息,同时结合多尺度特征融合模块,可以获得更加丰富的多尺度特征信息,大幅高网络的性能。
附图说明
图1为本发明分类方法的流程图;
图2为本发明多尺度特征融合模块图;
图3为本发明高分辨率通道示意图。
具体实施方式
下面通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种基于多尺度特征融合的甲状腺结节分类方法,其特征在于:所述方法的步骤为:
1)获取原始甲状腺超声影像数据集,并对每一张超声影像进行处理;
2)去除甲状腺超声图像边界的额外标记,例如机器型号、诊断时间、超声探头发射频率、医院名称等额外的与结节诊断无关的标记与结节诊断无关,避免超声影像周边信息对甲状腺结节的良恶性判别造成影响;
3)清洗原始超声影像数据集,去除不符合要求的影像,得到一个含有2000张高质量甲状腺结节超声影像的数据集;
为了进一步求出彩色算子C,根据方差σ2取值的大小设定阈值η,依据以下公式来对像素点P(i,j)进行二值化处理;
4)在彩色算子C中,像素值为255的点是感兴趣的区域。一般而言,一张图中的255的点的总数越多,它含有彩色多普勒血流成像的概率就越高。假设一张二值彩色算子图中的像素点总数为N,像素值为255的点的总数为K,那么当N/K≥0.01时就认为这张图中包含彩色多普勒血流成像。
5)人工筛选出其余无关影像,然后构成数据集;
6)构建基于残差网络的甲状腺结节超声影像分类模型:残差网络总共包含50层,其中第一次是卷积核大小7×7,步长为2的卷积;紧接着是一个2×2的最大池化层;然后网络由4个残差组组成,分别含有3、4、6、3个残差模块,每个残差模块由1×1、3×3、1×1的卷积层组成,同时每个残差模块都含有恒等变换,最后一个全连接层输出预测结果。
7)多尺度特征融合模块如图2所示。假设在特征映射经过第一层1×1的卷积层后得到输出特征映射为X,将X分别进行批正则化和实例正则化。以下为批正则化及实例正则化的公式:
XBN=BN(X)
XIN=IN(X)
8)XBN与XIN均并行进行3×3的普通卷积计算公式为:
XBN1=Fr=1(XBN)
XIN1=Fr=1(XIN)
9)将XBN与XIN同XBN1与XIN1特征融合后,进行空洞率为2的3×3空洞卷积,计算公式为:
10)将得到的四个特征映射加和得到具有丰富多尺度信息的输出Y,计算公式为:
Y=XBN1+XBN2+XIN1+XIN2
11)假设有输入特征映射分别传递给高分辨率通道,于普通分辨率通道,高分辨率通道保持分辨率与通道数不变,得到输出特征映射而普通分辨率通道在第一个卷积层进行步长为2的卷积操作,将特征映射的宽与高降为1/2,同时通道数变为原来的2倍;在经过普通分辨率通道后面得到特征输出对特征映射Y进行池化操作,得到最后将Y′和Z进行拼接操作,通过以下公式计算得到输出H,其中表示特征拼接。
12)对基于多尺度特征融合与高分辨率通道的网络模型的分类效果进行分析:将训练好的网络用于测试集的分析,评价的主要指标有准确率(Accuracy)、敏感性(Sensitivity)、灵敏度(Specificity)和F1分数,其计算方式分别为:
其中TP表示真阳性、FN表示假阴性、FP表示假阳性、TN表示真阴性。
表1显示了网络的实验结果,从中可以看到,本发明提出的网络模型均取得了最好的效果,是最优的。
表1网络实验结果表
本发明针对当前甲状腺结节超声图像诊断领域缺乏可用的公开数据集供研究人员使用的问题,介绍了收集、清洗、筛选高质量甲状腺结节图像的方法。收集了一个高质量的甲状腺结节超声影像数据集供研究人员使用。同时,探讨了多尺度特征融合在甲状腺超声图像分类领域可能的应用。基于残差网络的残差模块设计了一种多尺度特征融合模块,达成出色的多尺度特征融合效果。此外,在残差网络结构的基础上设计了一个高分辨率通道与低分辨率通道融合的机制提高了网络模型的分类性能。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (6)
1.一种基于多尺度特征融合的甲状腺结节分类方法,其特征在于:所述方法的步骤为:
1)获取原始甲状腺超声影像数据集,并对每一张超声影像进行处理;
2)清洗原始超声影像数据集,去除不符合要求的影像,得到一个含有2000张高质量甲状腺结节超声影像的数据集;
3)基于残差网络的甲状腺结节超声影像分类网络构建;
4)将残差模块替换为多尺度融合模块;
5)在残差网络的基础上,添加一个高分辨率通道;
6)对基于多尺度特征融合与高分辨率通道的网络模型的分类效果进行分析。
2.根据权利要求1所述的基于多尺度特征融合的甲状腺结节分类方法,其特征在于:所述步骤1)中原始超声影像中的四周边界区域中包含隐私信息,裁剪掉边界区域。
3.根据权利要求1所述的基于多尺度特征融合的甲状腺结节分类方法,其特征在于:所述步骤2)中原始超声影像数据集中存在彩色多普勒血流影像,需要使用彩色算子将彩色多普勒血流影像筛选出来并将数据集划分为训练集和测试集。
4.根据权利要求1所述的基于多尺度特征融合的甲状腺结节分类方法,其特征在于:所述步骤3)使用步骤2)的数据集,端到端的训练基于残差网络的网络模型。
5.根据权利要求1所述的基于多尺度特征融合的甲状腺结节分类方法,其特征在于:所述步骤4)在步骤3)的残差网络中,将残差模块替换为多尺度信息融合模块,该模块使用空洞卷积和实例正则化进行信息融合。
6.根据权利要求1所述的基于多尺度特征融合的甲状腺结节分类方法,其特征在于:所述步骤5)在步骤3)的残差网络基础上,添加一个高分辨率通道,该高分辨率通道内部由多尺度信息融合模块构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271119.1A CN111160413B (zh) | 2019-12-12 | 2019-12-12 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271119.1A CN111160413B (zh) | 2019-12-12 | 2019-12-12 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160413A true CN111160413A (zh) | 2020-05-15 |
CN111160413B CN111160413B (zh) | 2023-11-17 |
Family
ID=70557076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911271119.1A Active CN111160413B (zh) | 2019-12-12 | 2019-12-12 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160413B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724343A (zh) * | 2020-05-18 | 2020-09-29 | 天津大学 | 一种基于对抗式学习的甲状腺结节超声影像数据集增强方法 |
CN112785586A (zh) * | 2021-02-04 | 2021-05-11 | 天津大学 | 一种多尺度自注意力无监督域自适应算法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610194A (zh) * | 2017-08-14 | 2018-01-19 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
CN107680678A (zh) * | 2017-10-18 | 2018-02-09 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断*** |
CN108010013A (zh) * | 2017-11-03 | 2018-05-08 | 天津大学 | 一种肺ct图像肺结节检测方法 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN108537731A (zh) * | 2017-12-29 | 2018-09-14 | 西安电子科技大学 | 基于压缩多尺度特征融合网络的图像超分辨率重建方法 |
CN108734659A (zh) * | 2018-05-17 | 2018-11-02 | 华中科技大学 | 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法 |
CN108734660A (zh) * | 2018-05-25 | 2018-11-02 | 上海通途半导体科技有限公司 | 一种基于深度学习的图像超分辨率重建方法及装置 |
CN109064405A (zh) * | 2018-08-23 | 2018-12-21 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于双路径网络的多尺度图像超分辨率方法 |
CN109165667A (zh) * | 2018-07-06 | 2019-01-08 | 中国科学院自动化研究所 | 基于自注意力机制的脑疾病分类*** |
CN109242839A (zh) * | 2018-08-29 | 2019-01-18 | 上海市肺科医院 | 一种基于新型神经网络模型的ct影像肺结节良恶性分类方法 |
CN109389556A (zh) * | 2018-09-21 | 2019-02-26 | 五邑大学 | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 |
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 |
CN109598269A (zh) * | 2018-11-14 | 2019-04-09 | 天津大学 | 一种基于多分辨率输入与金字塔膨胀卷积的语义分割方法 |
CN110020606A (zh) * | 2019-03-13 | 2019-07-16 | 北京工业大学 | 一种基于多尺度卷积神经网络的人群密度估计方法 |
CN110047069A (zh) * | 2019-04-22 | 2019-07-23 | 北京青燕祥云科技有限公司 | 一种图像检测装置 |
CN110059730A (zh) * | 2019-03-27 | 2019-07-26 | 天津大学 | 一种基于胶囊网络的甲状腺结节超声图像分类方法 |
CN110197468A (zh) * | 2019-06-06 | 2019-09-03 | 天津工业大学 | 一种基于多尺度残差学习网络的单图像超分辨重建算法 |
CN110276721A (zh) * | 2019-04-28 | 2019-09-24 | 天津大学 | 基于级联残差卷积神经网络的图像超分辨率重建方法 |
CN110309880A (zh) * | 2019-07-01 | 2019-10-08 | 天津工业大学 | 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法 |
KR20190119261A (ko) * | 2018-04-12 | 2019-10-22 | 가천대학교 산학협력단 | 멀티 스케일 이미지와 멀티 스케일 확장된 컨볼루션 기반의 완전 컨볼루션 뉴럴 네트워크를 이용한 시맨틱 이미지 세그먼테이션 장치 및 그 방법 |
CN110363134A (zh) * | 2019-07-10 | 2019-10-22 | 电子科技大学 | 一种基于语义分割的人脸遮挡区定位方法 |
CN110415170A (zh) * | 2019-06-24 | 2019-11-05 | 武汉大学 | 一种基于多尺度注意力卷积神经网络的图像超分辨率方法 |
-
2019
- 2019-12-12 CN CN201911271119.1A patent/CN111160413B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610194A (zh) * | 2017-08-14 | 2018-01-19 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
CN107680678A (zh) * | 2017-10-18 | 2018-02-09 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断*** |
CN108010013A (zh) * | 2017-11-03 | 2018-05-08 | 天津大学 | 一种肺ct图像肺结节检测方法 |
CN108537731A (zh) * | 2017-12-29 | 2018-09-14 | 西安电子科技大学 | 基于压缩多尺度特征融合网络的图像超分辨率重建方法 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
KR20190119261A (ko) * | 2018-04-12 | 2019-10-22 | 가천대학교 산학협력단 | 멀티 스케일 이미지와 멀티 스케일 확장된 컨볼루션 기반의 완전 컨볼루션 뉴럴 네트워크를 이용한 시맨틱 이미지 세그먼테이션 장치 및 그 방법 |
CN108734659A (zh) * | 2018-05-17 | 2018-11-02 | 华中科技大学 | 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法 |
CN108734660A (zh) * | 2018-05-25 | 2018-11-02 | 上海通途半导体科技有限公司 | 一种基于深度学习的图像超分辨率重建方法及装置 |
CN109165667A (zh) * | 2018-07-06 | 2019-01-08 | 中国科学院自动化研究所 | 基于自注意力机制的脑疾病分类*** |
CN109064405A (zh) * | 2018-08-23 | 2018-12-21 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于双路径网络的多尺度图像超分辨率方法 |
CN109242839A (zh) * | 2018-08-29 | 2019-01-18 | 上海市肺科医院 | 一种基于新型神经网络模型的ct影像肺结节良恶性分类方法 |
CN109389556A (zh) * | 2018-09-21 | 2019-02-26 | 五邑大学 | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 |
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 |
CN109598269A (zh) * | 2018-11-14 | 2019-04-09 | 天津大学 | 一种基于多分辨率输入与金字塔膨胀卷积的语义分割方法 |
CN110020606A (zh) * | 2019-03-13 | 2019-07-16 | 北京工业大学 | 一种基于多尺度卷积神经网络的人群密度估计方法 |
CN110059730A (zh) * | 2019-03-27 | 2019-07-26 | 天津大学 | 一种基于胶囊网络的甲状腺结节超声图像分类方法 |
CN110047069A (zh) * | 2019-04-22 | 2019-07-23 | 北京青燕祥云科技有限公司 | 一种图像检测装置 |
CN110276721A (zh) * | 2019-04-28 | 2019-09-24 | 天津大学 | 基于级联残差卷积神经网络的图像超分辨率重建方法 |
CN110197468A (zh) * | 2019-06-06 | 2019-09-03 | 天津工业大学 | 一种基于多尺度残差学习网络的单图像超分辨重建算法 |
CN110415170A (zh) * | 2019-06-24 | 2019-11-05 | 武汉大学 | 一种基于多尺度注意力卷积神经网络的图像超分辨率方法 |
CN110309880A (zh) * | 2019-07-01 | 2019-10-08 | 天津工业大学 | 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法 |
CN110363134A (zh) * | 2019-07-10 | 2019-10-22 | 电子科技大学 | 一种基于语义分割的人脸遮挡区定位方法 |
Non-Patent Citations (2)
Title |
---|
LI XUEWEI: "Fully Convolutional Networks for Ultrasound Image Segmentation of Thyroid Nodules" * |
王昊;彭博;陈琴;杨燕;: "基于多尺度融合的甲状腺结节图像特征提取", 数据采集与处理, no. 05 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724343A (zh) * | 2020-05-18 | 2020-09-29 | 天津大学 | 一种基于对抗式学习的甲状腺结节超声影像数据集增强方法 |
CN112785586A (zh) * | 2021-02-04 | 2021-05-11 | 天津大学 | 一种多尺度自注意力无监督域自适应算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111160413B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886273B (zh) | 一种cmr图像分割分类*** | |
Chen et al. | Transattunet: Multi-level attention-guided u-net with transformer for medical image segmentation | |
CN109241967B (zh) | 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 | |
CN108629768B (zh) | 一种食管病理图像中上皮组织的分割方法 | |
CN101403743B (zh) | 一种x型交叠、粘连染色体自动分割方法 | |
CN108305253B (zh) | 一种基于多倍率深度学习的病理图像分类方法 | |
CN111951246B (zh) | 一种基于深度学习的多方位x光胸片肺炎诊断方法 | |
CN109528230B (zh) | 一种基于多级变换网络的乳腺肿瘤分割方法及装置 | |
CN112508850A (zh) | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 | |
CN108305241B (zh) | 基于深度投票模型的sd-oct图像ga病变分割方法 | |
Ding et al. | A lightweight U-Net architecture multi-scale convolutional network for pediatric hand bone segmentation in X-ray image | |
CN113538435B (zh) | 一种基于深度学习的胰腺癌病理图像分类方法及*** | |
CN109949297B (zh) | 基于Reception和Faster R-CNN的肺结节检测方法 | |
CN111160413A (zh) | 一种基于多尺度特征融合的甲状腺结节分类方法 | |
CN112820399A (zh) | 自动诊断甲状腺结节良恶性的方法及装置 | |
CN111815592A (zh) | 一种肺结节检测模型的训练方法 | |
Fang et al. | A deep neural network for cervical cell classification based on cytology images | |
CN116030306A (zh) | 基于多层感知机的肺部组织病理图像类型辅助分类方法 | |
Yue et al. | Adaptive context exploration network for polyp segmentation in colonoscopy images | |
CN114372962A (zh) | 基于双粒度时间卷积的腹腔镜手术阶段识别方法与*** | |
CN110992309A (zh) | 基于深层信息传递网络的眼底图像分割方法 | |
Hsu et al. | Spatiotemporal feature learning based on two-step lstm and transformer for ct scans | |
Sharma et al. | Keyframe selection from colonoscopy videos to enhance visualization for polyp detection | |
Verma et al. | Classifying breast density in mammographic images using wavelet-based and fine-tuned sensory neural networks | |
CN112966774B (zh) | 一种基于图片Bert的组织病理图片分类方法 |
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 |