CN112419396B - 一种甲状腺超声视频自动分析方法与*** - Google Patents
一种甲状腺超声视频自动分析方法与*** Download PDFInfo
- Publication number
- CN112419396B CN112419396B CN202011395921.4A CN202011395921A CN112419396B CN 112419396 B CN112419396 B CN 112419396B CN 202011395921 A CN202011395921 A CN 202011395921A CN 112419396 B CN112419396 B CN 112419396B
- Authority
- CN
- China
- Prior art keywords
- picture
- pictures
- nodule
- thyroid
- model
- 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.)
- Active
Links
- 210000001685 thyroid gland Anatomy 0.000 title claims abstract description 116
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000013136 deep learning model Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 29
- 208000009453 Thyroid Nodule Diseases 0.000 claims abstract description 27
- 208000024770 Thyroid neoplasm Diseases 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 19
- 238000002604 ultrasonography Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000005065 mining Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 10
- 208000013076 thyroid tumor Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 201000002510 thyroid cancer Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000014829 head and neck neoplasm Diseases 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种甲状腺超声视频自动分析方法及***,标注出甲状腺超声视频中结节出现帧段,取出对应帧段后的图片,进行处理,计算相似度,筛除相似度过高的图片,得到数据集E;利用数据集E训练深度学习模型,得到判断甲状腺图像的分类模型,记作模型E;若甲状腺超声视频中所有图片均无甲状腺结节,则甲状腺超声视频的分类结果为无甲状腺结节,置信度为100%;若甲状腺超声视频中检测到含有甲状腺结节的图片,则分类结果为通过模型E计算得到的第一类结节图片置信度的大小。本发明采用深度学习的方法,具有从甲状腺视频数据中自我学习有效信息的能力,从而在数据中挖掘复杂的关联模式。实现更高效的波形特征提取和更好的分类结果。
Description
技术领域
本发明涉及一种分析方法,具体涉及一种甲状腺超声视频自动分析方法与***。
背景技术
甲状腺肿瘤是一种常见的肿瘤,近些年来甲状腺癌的发病率逐年高升,甲状腺恶性肿瘤占收治恶性肿瘤的百分之十以上,远高于其他头颈部肿瘤,甲状腺肿瘤受到了临床人员和研究人员的广泛关注。
患者通常需要在医院或者体检中心进行甲状腺超声数据采集和分类,存在检测不方便、检测频率低等缺点,近些年,随着网络、智能设备的发展,使得基层诊所、甚至家用个人超声视频检测仪的推出成为了可能;甲状腺癌具有巨大危害性、常见性等特点;甲状腺肿瘤在诊断过程中主要依靠超声视频以及病理穿刺检查,而超声视频适合计算机分析、处理,作为最贴近临床诊断的数据,超声视频中包含了甲状腺病理情况的大量特征信息,比如结节的边缘轮廓、大小,以及形态变化等,利用这些信息,可以分析出很多甲状腺的信息,故甲状腺超声视频自动分析方法作为一种视频分析方法具有较高的实用意义。
发明内容
为克服现有技术中的问题,本发明的目的是提供一种甲状腺超声视频自动分析方法与***,根据甲状腺超声视频数据,从多尺度出发,使用神经网络对甲状腺视频进行分类并给出置信度,对甲状腺结节进行细粒度分割,以及对结节纵横比等做出判断。
为实现上述目的,本发明采用如下的技术方案:
一种甲状腺超声视频自动分析方法,包括以下步骤:
采集甲状腺超声视频以及相应的甲状腺的穿刺检查结果,并从甲状腺视频中提取出图片的位置信息;
标注出甲状腺超声视频中结节出现帧段,取出对应帧段后的图片,并进行处理得到超声图片,计算超声图片之间的相似度,筛除相似度过高的图片,得到集合P;集合P中图片和每张图片对应的结节标注区域图片构成数据集,根据数据集中的每张图片对应的结节标注区域图片的结节标注区域像素数量将数据集分为数据集A、数据集B与数据集C;
利用数据集A、数据集B与数据集C分别训练深度学习模型,得到模型A、模型B与模型C;
将数据集A、数据集B与数据集C中的超声图片标注的结节区域位置信息图片灰度化,作为数据集A,数据集B,数据集C中图片的第四个通道,得到数据集NA、数据集NB与数据集NC,将数据集NA、数据集NB与数据集NC合在一起,记作数据集N,将数据集N按照穿刺检查结果将对应数据集中的数据打上两类标签,得到数据集E;
按照Efficient-net b7结构,构建深度学习模型,利用数据集E训练深度学习模型,得到判断甲状腺图像的分类模型,记作模型E;
若甲状腺超声视频中所有图片均无甲状腺结节,则甲状腺超声视频的分类结果为无甲状腺结节,置信度为100%;若甲状腺超声视频中检测到含有甲状腺结节的图片,则分类结果为通过模型E计算得到的第一类结节图片置信度的大小。
本发明进一步的改进在于,将取出的对应帧段后的图片记作图片1,对图片1先使用Canny算子提取图像边框信息,然后使用闭操作,再使用开操作,最后计算每一个封闭边框的面积,面积最大的边框记作边框1,边框1在图片1中对应的部分是超声图片。
本发明进一步的改进在于,集合P中图片和每张图片对应的结节标注区域图片构成的数据集中的每张图片对应的结节标注区域图片的结节标注区域像素大小记为J,J<J1的结节定义为小结节,J1≤J≤J2的结节定义为中等结节,J>J3的结节定义为大结节,所有小结节超声图片和小结节超声图片对应的位置信息图片形成数据集A,中等结节超声图片和小结节超声图片对应的位置信息图片形成数据集B,大结节超声图片和小结节超声图片对应的位置信息图片形成数据集C。
本发明进一步的改进在于,相似度通过下式计算:
其中,T(x′,y′)为模板图片(x′,y′)处的值,I′(x+x′,y+y′)是待比较图片(x+x′,y+y′)处的值,R(x,y)是模板图片和待比较图片的相似度矩阵R在(x,y)处的值,相似度矩阵R中每一个位置(x,y)的值表示以(x,y)这个点为左上角顶点截取的图像与模板像素计算后的计算结果。
本发明进一步的改进在于,筛除相似度过高的图片的具体过程如下:
a.对于一个甲状腺超声视频数据,将甲状腺超声视频数据的关键帧提取出来放入集合P,再从起始帧每隔三帧取一张图片放入到集合Q;
b.设置相似度阈值DY;
c.从集合Q中取出一张图片L,并在集合Q中删除图片L,计算图片L与集合P中任意一张图片的相似度,若相似度小于相似度阈值DY,则将图片L放入集合P中,若相似度大于相似度阈值DY,则结束处理;
d.重复步骤c,直至集合Q为;
e.集合P即为通过相似度筛选的图片结果。
本发明进一步的改进在于,模型A、模型B与模型C具体通过如下过程得到:
步骤a:构建以Efficient-b5为编码器的U-net的深度学习模型;
步骤b:将数据集A分为训练集A、验证集A和测试集A,将数据集B分为训练集B、验证集B和测试集B,将数据集C分为训练集C、验证集C和测试集C;
将训练集A、训练集B与训练集C的数据统一转化为大小为256*256的图片,然后将256*256的向量数值映射至到[0,1],再批量放入所构建的深度学习模型中进行训练,采用反向传播算法和随机梯度下降法不断更新迭代,更新迭代至深度学习模型收敛,并保存此时的深度学习模型;
步骤c:调整步骤b得到的深度学习模型的超参数,重复多次步骤b,得到多个模型,选取在验证集A和测试集A上分类效果最好的模型,记作模型A;选取在验证集B和测试集B上分类效果最好的模型,记作模型B;选取在验证集C和测试集C上分类效果最好的模型,记作模型C。
本发明进一步的改进在于,模型E具体通过如下得到:
a.按照Efficient-net b7结构,构建深度学习模型,深度学习模型的输入为步骤4得到的数据集E,深度学习模型的输出层为全卷积层;
b.将数据集E划分为训练集E、验证集E与测试集E;将步骤4得到的训练集E的数据放入步骤a所构建的深度学习模型中进行训练,不断更新迭代,至深度学习模型收敛,得到训练好的深度学习模型;
c.调整步骤b得到的深度学习模型的超参数,重复多次步骤b,得到多个模型,选取在验证集E和测试集E上分类效果最好的模型作为判断甲状腺图像的分类模型,记作模型E。
本发明进一步的改进在于,第一类结节图片置信度的大小具体通过以下过程计算:
a.将甲状腺超声视频总帧数记作N,每隔10帧取一张图片,图片名称按帧数记为P1,P11,P21,......,Pn,其中Pn的n取值为n=N-(N%10),按每隔10帧取一张图片,取出的图片组成集合P;
b.令参数i=1;
c.从集合P中取出一张图片,取出的图片记作Pi,i即为从集合P取出的图片序号,创建一个集合Zi,将图片Pi放入集合Zi,令Pi-j距Pi的帧数距离=1,Pi+k距Pi的帧数距离k=1;
d.依次计算图片Pi-j与图片Pi的相似度,Pi-j即图片Pi的前j帧图片,j表示Pi-j距Pi的帧数距离,若图片Pi-j与图片Pi的相似度大于或者等于固定阈值,则将图片Pi-j加到集合Zi中,并执行j=j+1,若i-j<1或者j>10,或者图片Pi-j与图片Pi的相似度小于固定阈值,则结束;
e.用步骤2中方法依次计算图片Pi+k与图片Pi的相似度,Pi+k即图片Pi的后k帧图片,k表示Pi+k距Pi的帧数距离,若图片Pi+k与图片的相似度大于或者等于固定阈值,则将Pi+k加到集合Zi中,并执行k=k+1,若i+k>n或者k>10,或者Pi+k与Pi相似度小于固定阈值,则结束;
f.集合Zi为图片Pi对应的高相似度帧段图片集合,利用模型E对集合Zi中数据进行分类,集合Zi中分类结果为第一类结节图片数量记作EZi,集合Zi中图片总数记作TZi;
g.计算其中,Gi为集合Zi中分类结果为第一类结节图片数量占集合Zi中总图片的比例;
h i=i+10,i≤n;
i.重复c-h步骤,直至i>n时结束,此时本发明得到了G1,G11,......,Gn,将G1,G11,......,Gn组合形成一个集合G,去掉G中为0的元素,最后计算集合G中元素的平均值,记作AG,则AG为第一类结节图片的置信度大小。
本发明进一步的改进在于,该方法还包括以下过程:将采集的甲状腺超声视频中的每一张待预测结节位置图片分别输入到模型A、模型B和模型C中,分别得到预测区域A、预测区域B与预测区域C;计算预测区域A、预测区域B与预测区域C的平均像素AJ,如果平均像素AJ<J1,那么取预测区域A为预测结节位置,如果平均像素大小AJ>J2,取预测区域C为预测结节位置,否则取预测区域B为预测结节位置;从结节预测位置中选出预测面积最大的结果,作为最大结节预测结果;将所有甲状腺视频对应的最大结节预测结果和对应的甲状腺视频中的待预测结节位置图片作为数据集D;根据模型D对结节的位置信息预测结果计算结节的纵横比。
一种甲状腺超声视频自动分析***,包括:
采集模块,用于采集甲状腺超声视频以及相应的甲状腺的穿刺检查结果,并从甲状腺视频中提取出图片的位置信息;
计算模块,用于标注出甲状腺超声视频中结节出现帧段,取出对应帧段后的图片,并进行处理得到超声图片,计算超声图片之间的相似度,筛除相似度过高的图片,得到集合P;集合P中图片和每张图片对应的结节标注区域图片构成数据集,根据数据集中的每张图片对应的结节标注区域图片的结节标注区域像素大小将数据集分为数据集A、数据集B与数据集C;
训练模块,用于利用数据集A、数据集B与数据集C分别训练深度学习模型,得到模型A、模型B与模型C;
合并模块,用于将数据集A、数据集B与数据集C中的超声图片标注的结节区域位置信息图片灰度化,作为数据集A,数据集B,数据集C中图片的第四个通道,得到数据集NA、数据集NB与数据集NC,将数据集NA、数据集NB与数据集NC合并在一起,记作数据集N,将数据集N按照穿刺检查结果将对应数据集中的数据打上两类标签,得到数据集E;
构建模块,用于按照Efficient-net b7结构,构建深度学习模型,利用数据集E训练深度学习模型,得到判断甲状腺图像的分类模型,记作模型E;
判断模块,用于若甲状腺超声视频中所有图片均无甲状腺结节,则甲状腺超声视频的分类结果为无甲状腺结节,置信度为100%;若甲状腺超声视频中检测到含有甲状腺结节的图片,则分类结果为通过模型E计算得到的第一类结节图片置信度的大小。
与现有技术相比,本发明具有的有益效果:
本发明采用深度学习的方法,具有从甲状腺视频数据中自我学习有效信息的能力,从而在数据中挖掘复杂的关联模式。在不使用任何硬编码特征的情况下,实现更高效的波形特征提取和更好的分类结果。本发明使用的深度学习方法,可扩展性强,不需要根据专业医学知识及设计针对心电图的复杂特征。只需要提供标注好的大量数据输入卷积神经网络,随着数据量的增加,网络分类的准确度越高。本发明甲状腺图片分割所使用的深度学习模型以U-net网络为基础,选择Efficient-net b5作为编码部分网络,对于分割问题有良好的解决效果,分类问题采用了Efficient-net b7。本发明中的深度学习模型通过二维卷积提取低层次的结构特征,并将较浅和较深的层聚合起来,获取甲状腺图片的空间及语义特征,既完成了形态分析,又得到了形态间的相互关联。本方法对不同的甲状腺超声采集设备有良好的兼容性。
附图说明
图1为本发明的流程图。
图2为训练模型的过程示意图。
图3为处理视频数据得到数据集A,数据集B与数据集C的流程图。
图4为使用多尺度方法来预测甲状腺结节位置的图解。
具体实施方式
下面结合附图对本发明进行详细说明。
本发明使用甲状腺超声视频数据,应用U-net网络来预测结节区域信息,也就是甲状腺结节分割的工具,来进行深度学习模型的训练;应用Efficient-b7网络作为甲状腺视频的分类工具,进行关于结节的二分类,最后利用视频帧之间的相似度和各帧的分类结果计算超声视频的分类结果以及置信度。将深度学习模型作为一个黑盒,由网络自行学习、自行提取数据特征,然后根据提取的特征进行分类,减少了信息的损失。
Iouscore是一个常用于分割任务的评价指标,对于两幅相同尺寸的黑白图片,计算方式为两幅图像交集为非空的像素个数,除以两张图片并集的像素个数。U-net网络是常用的处理分割任务的网络,U-net编码部分本发明采用了Efficient-b5网络,分割任务的iouscore较使用xception为编码网络提高了3%。
参见图1,本发明的一种甲状腺超声视频自动分析方法,可以根据训练所用甲状腺视频数据,根据甲状腺结节尺度大小,来自动判断甲状腺结节位置信息、甲状腺分类信息以及结节纵横比等信息。具体包括以下步骤:
步骤1,数据获取:采集甲状腺超声视频以及相应的甲状腺的穿刺检查结果,并从甲状腺视频中提取出图片的位置信息。
由于甲状腺横切视频与甲状腺纵切视频差异较大,横切,纵切都有大量的对于辅助诊断有益的数据,本发明考虑将横切视频与纵切视频分开进行处理,使用同一个模型,训练两组不同的参数。甲状腺超声视频数据是由医院方面采集得到,超声视频对应的分类标记为医院方面对于病人甲状腺的穿刺检查结果。结节的位置信息,即视频中提取出图片的mask信息,为医生手动标注得到的。
步骤2,参见图2和图3,甲状腺超声视频中有大量帧无结节出现,先由医生标注出结节出现帧段,取出对应帧段后的图片,将该图片记作图片1,对图片1先使用Canny算子提取图像边框信息,再使用闭操作,再使用开操作,最后计算每一个封闭边框的面积,面积最大的边框记作边框1,边框1在图片1中对应的部分就是超声图片,将超声图片记作图片2。
由于甲状腺超声视频里有很多相似度很高的图片,之后本发明采用模板匹配来计算从超声视频里每帧提取出的图片2之间的相似度,使用的算法是标准相关匹配算法,用下式进行计算:
其中,T(x′,y′)为模板图片(x′,y′)处的值,I′(x+x′,y+y′)是待比较图片(x+x′,y+y′)处的值,R(x,y)是模板图片和待比较图片的相似度矩阵R在(x,y)处的值,如果值越接近0,说明匹配程度越高,相似度矩阵R中每一个位置(x,y)的值都表示以(x,y)这个点为左上角顶点截取的图像与模板像素计算后的计算结果。
筛除相似度过高图片具体流程如下:
a.对于一个甲状腺超声视频数据,将甲状腺超声视频数据的关键帧提取出来放入集合T,再从起始帧每隔三帧取一张图片放入到集合Q;
b.设置相似度阈值DY;DY取80%;
c.从集合Q中取出一张图片L,并在集合Q中删除图片L,计算图片L与集合T中图片的相似度,若与集合T中任意一张图片相似度都小于相似度阈值DY,则将图片L放入集合T中,若图片L与集合T中任意一张图片相似度大于相似度阈值DY,则结束对这张图片的处理。
d.重复步骤c,直至集合Q为空。
e.集合T即为通过相似度筛选的图片结果。
集合T中图片和每张图片对应的结节标注区域图片构成数据集,对数据集中的每张图片对应的结节标注区域图片的结节标注区域像素数量记为J,J<J1的结节定义为小结节,例如J1取100,J1≤J≤J2的结节定义为中等结节,例如J2=500,J>J2的结节定义为大结节,所有小结节超声图片和小结节超声图片对应的位置信息图片形成数据集A,中等结节超声图片和小结节超声图片对应的位置信息图片形成数据集B,大结节超声图片和小结节超声图片对应的位置信息图片形成数据集C,将数据集A分为训练集A、验证集A和测试集A,将数据集B分为训练集B、验证集B和测试集B,将数据集C分为训练集C、验证集C和测试集C,上述数据集A、数据集B、数据集C中的训练集、验证集、测试集划分数据量比例为8∶1∶1
步骤3:
步骤a:构建以Efficient-b5为编码器的U-net的深度学习模型并进行训练。
unet利用了一个对称的encoder-decoder结构,这个结构更方便进行相同分辨率的特征融合。之所以要融合,是因为语义分割,所以要融合高层的语义信息和低层的边缘信息。在这里,本发明将U-net编码部分改为了Efficient-b5网络。损失函数相较于之前常用的Cross-entropy loss,本发明使用lovaszSoftmax Loss,lovaszSoftmax Loss对于分割任务的适应性更好,使iouscore提高了2%。
步骤b:将步骤2处理得到的训练集A的数据统一转化为大小为256*256的图片,然后对其进行归一化处理,归一化处理的具体过程为:将256*256的向量数值映射至到[0,1],之后批量放入所构建的深度学习模型中进行训练。采用反向传播算法和随机梯度下降法不断更新迭代,更新迭代至深度学习模型收敛,并保存此时的深度学习模型。
步骤c:调整步骤b得到的深度学习模型的超参数,重复多次步骤b,得到多个模型,选取在步骤2中验证集A和测试集A上分类效果最好的模型,记作模型A。
按照步骤3在步骤2得到的数据集B,数据集C上分别训练,得到模型B和模型C。
步骤4,对于步骤1中采集的甲状腺超声视频中的每一张待预测结节位置图片,进行以下过程:
参见图4,对于一张待预测结节位置图片,本发明现在有三个模型,即模型A、模型B和模型C,将待分割图片分别输入到模型A、模型B和模型C中,分别得到预测区域A、预测区域B与预测区域C。计算预测区域A、预测区域B与预测区域C的平均像素AJ大小,如果平均像素AJ<J1,那么取预测区域A为预测结节位置,如果平均像素大小AJ>J2,取预测区域C为预测结节位置,否则取预测区域B为预测结节位置。
从所有的结节预测位置中选出预测面积最大的结果,作为最大结节预测结果;将所有甲状腺视频对应的最大结节预测结果和对应的甲状腺视频中的待预测结节位置图片作为数据集D,将数据集划分为训练集D,验证集D,测试集D。
在新得到的数据集D上,按照步骤3的流程(即以Efficient-b5为编码器的U-net的深度学习模型并进行训练)得到一个新的训练好的深度学习模型,记作模型D。
作为结节细粒度分割模型,并根据模型D对结节的位置信息预测结果做结节各项指标计算,比如结节的纵横比等,结节的纵向长度和结节的横向长度可以通过对结节位置预测结果来测量得到。
步骤5,数据集A、数据集B与数据集C中图片有红绿蓝三通道,现在将其标注的结节区域图片灰度化,作为数据集A,数据集B,数据集C中图片的第四个通道,对应得到数据集NA、数据集NB与数据集NC,将数据集NA、数据集NB与数据集NC合在一起,记作数据集N,因为这次数据已经有了结节区域信息,所以不需要再把大小不同的结节分开处理,本发明将图片数据和结节位置信息数据融合在一起,得到的数据集N,按照穿刺检查结果将对应数据集中的数据打上标签,根据实际情况可以打上多类标签,由于本发明研究为二分类,所以给数据打上两类标签,分别为第一类标签(良性)与第二类标签(恶性),得到数据集E,将数据集E划分为训练集E,验证集E,测试集E。
步骤6,模型训练:
a.按照Efficient-net b7结构,构建深度学习模型,深度学习模型的输入为步骤5得到的数据集E,深度学习模型的输出层为全卷积层;
b.将步骤5得到的训练集E的数据放入步骤a所构建的深度学习模型中进行训练,不断更新迭代,至深度学习模型收敛,得到训练好的深度学习模型;
c.调整步骤b得到的深度学习模型的超参数,重复多次(可以为10-30次)步骤b,得到多个模型,选取在验证集E和测试集E上分类效果最好的模型作为判断甲状腺图像的分类模型,记作模型E;
步骤7,视频分类:
本发明的***输出结果为对甲状腺视频的分类结果以及该结果的置信度。
本发明对视频中所有图片进行结节位置预测,结节位置预测为空的图片即分类为无结节图片,若甲状腺超声视频中所有图片均无甲状腺结节,那么得到甲状腺超声视频的分类结果为无甲状腺结节,置信度为100%。若甲状腺超声视频中检测到含有甲状腺结节的图片,则分类结果为第一类结节图片置信度的大小,具体通过以下过程计算:
a.对于甲状腺超声视频,总帧数记作N,每隔10帧取一张图片,图片名称按帧数记为P1,P11,P21,......,Pn,其中Pn的n取值为n=N-(N%10),即总帧数减去总帧数除10的余数,也就是按每隔10帧取一张图片,取的最后一张图片的帧数,取出的图片组成集合P;
b.令参数i=1;
c.从集合P中取出一张图片,取出的图片记作Pi,i即为从集合P取出的图片序号,Pi就是从集合P取出的第i张图片,创建一个集合Zi,将图片Pi放入集合Zi,令Pi-j距Pi的帧数距离=1,Pi+k距Pi的帧数距离k=1。
d.用步骤2中的方法依次计算Pi-j与Pi的相似度,Pi-j即图片Pi的前j帧图片,j表示Pi-j距Pi的帧数距离,若Pi-j与Pi相似度大于或者等于固定阈值PF,例如90%,则将Pi-j加到集合Zi中,并执行j=j+1,若i-j<1或者j>10,或者Pi-j与Pi相似度小于固定阈值PF,则结束。
e.用步骤2中方法依次计算Pi+k与Pi的相似度,Pi+k即图片Pi的后k帧图片,k表示Pi+k距Pi的帧数距离,若Pi+k与Pi相似度大于或者等于固定阈值PF,则将Pi+k加到集合Zi中,并执行k=k+1,若i+k>n或者k>10,或者Pi+k与Pi相似度小于固定阈值PF,则结束。
f.此刻集合Zi即为图片Pi对应的高相似度帧段图片集合,利用模型E对集合Zi中数据进行分类,对分类结果进行统计,集合Zi中分类结果为第一类结节图片数量记作EZi,集合Zi中图片总数记作TZi。
g.计算Gi的含义为集合Zi中分类结果为第一类结节图片数量占集合Zi中总图片的比例。
h i=i+10,i≤n
i.重复c,d,e,f,g,h步骤,直至i>n时结束,此时本发明得到了G1,G11,......,Gn,G1,将G1,G11,......,Gn组合形成一个集合G,去掉G中为0的元素,最后计算集合G中元素的平均值,记作AG,则AG为分类结果,即为第一类结节图片的置信度大小。
一种甲状腺超声视频自动分析***,包括:
采集模块,用于采集甲状腺超声视频以及相应的甲状腺的穿刺检查结果,并从甲状腺视频中提取出图片的位置信息;
计算模块,用于标注出甲状腺超声视频中结节出现帧段,取出对应帧段后的图片,并进行处理得到超声图片,计算超声图片之间的相似度,筛除相似度过高的图片,得到集合P;集合P中图片和每张图片对应的结节标注区域图片构成数据集,根据数据集中的每张图片对应的结节标注区域图片的结节标注区域像素大小将数据集分为数据集A、数据集B与数据集C;
训练模块,用于利用数据集A、数据集B与数据集C分别训练深度学习模型,得到模型A、模型B与模型C;
合并模块,用于将数据集A、数据集B与数据集C中的超声图片标注的结节区域位置信息图片灰度化,作为数据集A,数据集B,数据集C中图片的第四个通道,得到数据集NA、数据集NB与数据集NC,将数据集NA、数据集NB与数据集NC合并在一起,记作数据集N,将数据集N按照穿刺检查结果将对应数据集中的数据打上两类标签,得到数据集E;
构建模块,用于按照Efficient-net b7结构,构建深度学习模型,利用数据集E训练深度学习模型,得到判断甲状腺图像的分类模型,记作模型E;
判断模块,用于若甲状腺超声视频中所有图片均无甲状腺结节,则甲状腺超声视频的分类结果为无甲状腺结节,置信度为100%;若甲状腺超声视频中检测到含有甲状腺结节的图片,则分类结果为通过模型E计算得到的第一类结节图片置信度的大小。
Claims (8)
1.一种甲状腺超声视频自动分析方法,其特征在于,包括以下步骤:
采集甲状腺超声视频以及相应的甲状腺的穿刺检查结果,并从甲状腺视频中提取出图片的位置信息;
标注出甲状腺超声视频中结节出现帧段,取出对应帧段后的图片,并进行处理得到超声图片,计算超声图片之间的相似度,筛除相似度过高的图片,得到集合P;集合P中图片和每张图片对应的结节标注区域图片构成数据集,根据数据集中的每张图片对应的结节标注区域图片的结节标注区域像素数量将数据集分为数据集A、数据集B与数据集C;
利用数据集A、数据集B与数据集C分别训练深度学习模型,得到模型A、模型B与模型C;
将数据集A、数据集B与数据集C中的超声图片标注的结节区域位置信息图片灰度化,作为数据集A,数据集B,数据集C中图片的第四个通道,得到数据集NA、数据集NB与数据集NC,将数据集NA、数据集NB与数据集NC合在一起,记作数据集N,将数据集N按照穿刺检查结果将对应数据集中的数据打上两类标签,得到数据集E;
按照Efficient-net b7结构,构建深度学习模型,利用数据集E训练深度学习模型,得到判断甲状腺图像的分类模型,记作模型E;
若甲状腺超声视频中所有图片均无甲状腺结节,则甲状腺超声视频的分类结果为无甲状腺结节,置信度为100%;若甲状腺超声视频中检测到含有甲状腺结节的图片,则分类结果为通过模型E计算得到的第一类结节图片置信度的大小;
筛除相似度过高的图片的具体过程如下:
a.对于一个甲状腺超声视频数据,将甲状腺超声视频数据的关键帧提取出来放入集合P,再从起始帧每隔三帧取一张图片放入到集合Q;
b.设置相似度阈值DY;
c.从集合Q中取出一张图片L,并在集合Q中删除图片L,计算图片L与集合P中任意一张图片的相似度,若相似度小于相似度阈值DY,则将图片L放入集合P中,若相似度大于相似度阈值DY,则结束处理;
d.重复步骤c,直至集合Q为空;
e.集合P即为通过相似度筛选的图片结果;
第一类结节图片置信度的大小具体通过以下过程计算:
1)将甲状腺超声视频总帧数记作N,每隔10帧取一张图片,图片名称按帧数记为P1,P11,P21,……,Pn,其中Pn的n取值为n=N-(N%10),按每隔10帧取一张图片,取出的图片组成集合P;
2)令参数i=1;
3)从集合P中取出一张图片,取出的图片记作Pi,i即为从集合P取出的图片序号,创建一个集合Zi,将图片Pi放入集合Zi,令Pi-j距Pi的帧数距离j=1,Pi+k距Pi的帧数距离k=1;
4)依次计算图片Pi-j与图片Pi的相似度,Pi-j即图片Pi的前j帧图片,j表示Pi-j距Pi的帧数距离,若图片Pi-j与图片Pi的相似度大于或者等于固定阈值,则将图片Pi-j加到集合Zi中,并执行j=j+1,若i-j<1或者j>10,或者图片Pi-j与图片Pi的相似度小于固定阈值,则结束;
5)用步骤4)中方法依次计算图片Pi+k与图片Pi的相似度,Pi+k即图片Pi的后k帧图片,k表示Pi+k距Pi的帧数距离,若图片Pi+k与图片的相似度大于或者等于固定阈值,则将Pi+k加到集合Zi中,并执行k=k+1,若i+k>n或者k>10,或者Pi+k与Pi相似度小于固定阈值,则结束;
6)集合Zi为图片Pi对应的高相似度帧段图片集合,利用模型E对集合Zi中数据进行分类,集合Zi中分类结果为第一类结节图片数量记作EZi,集合Zi中图片总数记作TZi;
7)计算其中,Gi为集合Zi中分类结果为第一类结节图片数量占集合Zi中总图片的比例;
8)i=i+10,i≤n;
9)重复步骤3)-8),直至i>n时结束,此时本发明得到了G1,G11,……,Gn,将G1,G11,……,Gn组合形成一个集合G,去掉G中为0的元素,最后计算集合G中元素的平均值,记作AG,则AG为第一类结节图片的置信度大小。
2.根据权利要求1所述的一种甲状腺超声视频自动分析方法,其特征在于,将取出的对应帧段后的图片记作图片1,对图片1先使用Canny算子提取图像边框信息,然后使用闭操作,再使用开操作,最后计算每一个封闭边框的面积,面积最大的边框记作边框1,边框1在图片1中对应的部分是超声图片。
3.根据权利要求1所述的一种甲状腺超声视频自动分析方法,其特征在于,集合P中图片和每张图片对应的结节标注区域图片构成的数据集中的每张图片对应的结节标注区域图片的结节标注区域像素大小记为J,J<J1的结节定义为小结节,J1≤J≤J2的结节定义为中等结节,J>J3的结节定义为大结节,所有小结节超声图片和小结节超声图片对应的位置信息图片形成数据集A,中等结节超声图片和小结节超声图片对应的位置信息图片形成数据集B,大结节超声图片和小结节超声图片对应的位置信息图片形成数据集C。
4.根据权利要求1所述的一种甲状腺超声视频自动分析方法,其特征在于,相似度通过下式计算:
其中,T(x′,y′)为模板图片(x′,y′)处的值,I′(x+x′,y+y′)是待比较图片(x+x′,y+y′)处的值,R(x,y)是模板图片和待比较图片的相似度矩阵R在(x,y)处的值,相似度矩阵R中每一个位置(x,y)的值表示以(x,y)这个点为左上角顶点截取的图像与模板像素计算后的计算结果。
5.根据权利要求1所述的一种甲状腺超声视频自动分析方法,其特征在于,模型A、模型B与模型C具体通过如下过程得到:
步骤①:构建以Efficient-net b5为编码器的U-net的深度学习模型;
步骤②:将数据集A分为训练集A、验证集A和测试集A,将数据集B分为训练集B、验证集B和测试集B,将数据集C分为训练集C、验证集C和测试集C;
将训练集A、训练集B与训练集C的数据统一转化为大小为256*256的图片,然后将256*256的向量数值映射至到[0,1],再批量放入所构建的深度学习模型中进行训练,采用反向传播算法和随机梯度下降法不断更新迭代,更新迭代至深度学习模型收敛,并保存此时的深度学习模型;
步骤③:调整步骤②得到的深度学习模型的超参数,重复多次步骤②,得到多个模型,选取在验证集A和测试集A上分类效果最好的模型,记作模型A;选取在验证集B和测试集B上分类效果最好的模型,记作模型B;选取在验证集C和测试集C上分类效果最好的模型,记作模型C。
6.根据权利要求1所述的一种甲状腺超声视频自动分析方法,其特征在于,模型E具体通过如下得到:
6.1)按照Efficient-net b7结构,构建深度学习模型,深度学习模型的输入为数据集E,深度学习模型的输出层为全卷积层;
6.2)将数据集E划分为训练集E、验证集E与测试集E;将训练集E的数据放入步骤6.1)所构建的深度学习模型中进行训练,不断更新迭代,至深度学习模型收敛,得到训练好的深度学习模型;
6.3)调整步骤6.2)得到的深度学习模型的超参数,重复多次步骤6.2),得到多个模型,选取在验证集E和测试集E上分类效果最好的模型作为判断甲状腺图像的分类模型,记作模型E。
7.根据权利要求1所述的一种甲状腺超声视频自动分析方法,其特征在于,该方法还包括以下过程:将采集的甲状腺超声视频中的每一张待预测结节位置图片分别输入到模型A、模型B和模型C中,分别得到预测区域A、预测区域B与预测区域C;计算预测区域A、预测区域B与预测区域C的平均像素AJ,如果平均像素AJ<J1,那么取预测区域A为预测结节位置,如果平均像素大小AJ>J2,取预测区域C为预测结节位置,否则取预测区域B为预测结节位置;从结节预测位置中选出预测面积最大的结果,作为最大结节预测结果;将所有甲状腺视频对应的最大结节预测结果和对应的甲状腺视频中的待预测结节位置图片作为数据集D;根据模型D对结节的位置信息预测结果计算结节的纵横比。
8.一种甲状腺超声视频自动分析***,其特征在于,包括:
采集模块,用于采集甲状腺超声视频以及相应的甲状腺的穿刺检查结果,并从甲状腺视频中提取出图片的位置信息;
计算模块,用于标注出甲状腺超声视频中结节出现帧段,取出对应帧段后的图片,并进行处理得到超声图片,计算超声图片之间的相似度,筛除相似度过高的图片,得到集合P;集合P中图片和每张图片对应的结节标注区域图片构成数据集,根据数据集中的每张图片对应的结节标注区域图片的结节标注区域像素大小将数据集分为数据集A、数据集B与数据集C;
训练模块,用于利用数据集A、数据集B与数据集C分别训练深度学习模型,得到模型A、模型B与模型C;
合并模块,用于将数据集A、数据集B与数据集C中的超声图片标注的结节区域位置信息图片灰度化,作为数据集A,数据集B,数据集C中图片的第四个通道,得到数据集NA、数据集NB与数据集NC,将数据集NA、数据集NB与数据集NC合并在一起,记作数据集N,将数据集N按照穿刺检查结果将对应数据集中的数据打上两类标签,得到数据集E;
构建模块,用于按照Efficient-net b7结构,构建深度学习模型,利用数据集E训练深度学习模型,得到判断甲状腺图像的分类模型,记作模型E;
判断模块,用于若甲状腺超声视频中所有图片均无甲状腺结节,则甲状腺超声视频的分类结果为无甲状腺结节,置信度为100%;若甲状腺超声视频中检测到含有甲状腺结节的图片,则分类结果为通过模型E计算得到的第一类结节图片置信度的大小;
筛除相似度过高的图片的具体过程如下:
a.对于一个甲状腺超声视频数据,将甲状腺超声视频数据的关键帧提取出来放入集合P,再从起始帧每隔三帧取一张图片放入到集合Q;
b.设置相似度阈值DY;
c.从集合Q中取出一张图片L,并在集合Q中删除图片L,计算图片L与集合P中任意一张图片的相似度,若相似度小于相似度阈值DY,则将图片L放入集合P中,若相似度大于相似度阈值DY,则结束处理;
d.重复步骤c,直至集合Q为;
e.集合P即为通过相似度筛选的图片结果;
第一类结节图片置信度的大小具体通过以下过程计算:
1)将甲状腺超声视频总帧数记作N,每隔10帧取一张图片,图片名称按帧数记为P1,P11,P21,……,Pn,其中Pn的n取值为n=N-(N%10),按每隔10帧取一张图片,取出的图片组成集合P;
2)令参数i=1;
3)从集合P中取出一张图片,取出的图片记作Pi,i即为从集合P取出的图片序号,创建一个集合Zi,将图片Pi放入集合Zi,令Pi-j距Pi的帧数距离=1,Pi+k距Pi的帧数距离k=1;
4)依次计算图片Pi-j与图片Pi的相似度,Pi-j即图片Pi的前j帧图片,j表示Pi-j距Pi的帧数距离,若图片Pi-j与图片Pi的相似度大于或者等于固定阈值,则将图片Pi-j加到集合Zi中,并执行j=j+1,若i-j<1或者j>10,或者图片Pi-j与图片Pi的相似度小于固定阈值,则结束;
5)用步骤4)中方法依次计算图片Pi+k与图片Pi的相似度,Pi+k即图片Pi的后k帧图片,k表示Pi+k距Pi的帧数距离,若图片Pi+k与图片的相似度大于或者等于固定阈值,则将Pi+k加到集合Zi中,并执行k=k+1,若i+k>n或者k>10,或者Pi+k与Pi相似度小于固定阈值,则结束;
6)集合Zi为图片Pi对应的高相似度帧段图片集合,利用模型E对集合Zi中数据进行分类,集合Zi中分类结果为第一类结节图片数量记作EZi,集合Zi中图片总数记作TZi;
7)计算其中,Gi为集合Zi中分类结果为第一类结节图片数量占集合Zi中总图片的比例;
8)i=i+10,i≤n;
9)重复步骤3)-8),直至i>n时结束,此时本发明得到了G1,G11,……,Gn,将G1,G11,……,Gn组合形成一个集合G,去掉G中为0的元素,最后计算集合G中元素的平均值,记作AG,则AG为第一类结节图片的置信度大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395921.4A CN112419396B (zh) | 2020-12-03 | 2020-12-03 | 一种甲状腺超声视频自动分析方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395921.4A CN112419396B (zh) | 2020-12-03 | 2020-12-03 | 一种甲状腺超声视频自动分析方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419396A CN112419396A (zh) | 2021-02-26 |
CN112419396B true CN112419396B (zh) | 2024-04-26 |
Family
ID=74829955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011395921.4A Active CN112419396B (zh) | 2020-12-03 | 2020-12-03 | 一种甲状腺超声视频自动分析方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419396B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222009A (zh) * | 2021-05-10 | 2021-08-06 | 天津大学 | 一种基于甲状腺超声视频估算结节纵横比的方法 |
CN113392917B (zh) * | 2021-06-23 | 2022-06-07 | 山东科技大学 | 一种基于改进EfficientDet网络的海面军事目标检测与分类方法 |
CN116797879A (zh) * | 2023-06-28 | 2023-09-22 | 脉得智能科技(无锡)有限公司 | 一种甲状腺癌转移***预测模型构建方法、***、设备及介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160099964A (ko) * | 2015-02-13 | 2016-08-23 | 한국외국어대학교 연구산학협력단 | 영상 처리 장치 및 영상 처리 방법 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 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 |
CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术(武汉)有限公司 | 消化道病灶图像识别***及识别方法 |
CN107220373A (zh) * | 2017-06-19 | 2017-09-29 | 太原理工大学 | 一种基于医学征象和卷积神经网络的肺结节ct图像哈希检索方法 |
CN108364293A (zh) * | 2018-04-10 | 2018-08-03 | 复旦大学附属肿瘤医院 | 一种在线训练甲状腺肿瘤超声图像识别方法及其装置 |
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 |
CN108717554A (zh) * | 2018-05-22 | 2018-10-30 | 复旦大学附属肿瘤医院 | 一种甲状腺肿瘤病理组织切片图像分类方法及其装置 |
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 |
CN110210483A (zh) * | 2019-06-13 | 2019-09-06 | 上海鹰瞳医疗科技有限公司 | 医疗图像病变区域分割方法、模型训练方法和设备 |
CN110490892A (zh) * | 2019-07-03 | 2019-11-22 | 中山大学 | 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 |
CN110599447A (zh) * | 2019-07-29 | 2019-12-20 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 一种肝癌病灶数据的处理方法、***和存储介质 |
CN110705615A (zh) * | 2019-09-23 | 2020-01-17 | 温州大学 | 一种基于TV模型与GoogLeNet模型的甲状腺结节检测和分类方法 |
CN111243042A (zh) * | 2020-02-28 | 2020-06-05 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 |
CN111341443A (zh) * | 2020-03-09 | 2020-06-26 | 西安中科长青医疗科技研究院有限公司 | 一种基于深度学习的超声甲状腺结节智能评估方法 |
CN111462049A (zh) * | 2020-03-09 | 2020-07-28 | 西南交通大学 | 一种乳腺超声造影视频中病灶区形态自动标注方法 |
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 |
CN111539930A (zh) * | 2020-04-21 | 2020-08-14 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 |
CN111932538A (zh) * | 2020-10-10 | 2020-11-13 | 平安科技(深圳)有限公司 | 分析甲状腺图谱的方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003070102A2 (en) * | 2002-02-15 | 2003-08-28 | The Regents Of The University Of Michigan | Lung nodule detection and classification |
-
2020
- 2020-12-03 CN CN202011395921.4A patent/CN112419396B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160099964A (ko) * | 2015-02-13 | 2016-08-23 | 한국외국어대학교 연구산학협력단 | 영상 처리 장치 및 영상 처리 방법 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 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 |
CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术(武汉)有限公司 | 消化道病灶图像识别***及识别方法 |
CN107220373A (zh) * | 2017-06-19 | 2017-09-29 | 太原理工大学 | 一种基于医学征象和卷积神经网络的肺结节ct图像哈希检索方法 |
CN108364293A (zh) * | 2018-04-10 | 2018-08-03 | 复旦大学附属肿瘤医院 | 一种在线训练甲状腺肿瘤超声图像识别方法及其装置 |
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 |
CN108717554A (zh) * | 2018-05-22 | 2018-10-30 | 复旦大学附属肿瘤医院 | 一种甲状腺肿瘤病理组织切片图像分类方法及其装置 |
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 |
CN110210483A (zh) * | 2019-06-13 | 2019-09-06 | 上海鹰瞳医疗科技有限公司 | 医疗图像病变区域分割方法、模型训练方法和设备 |
CN110490892A (zh) * | 2019-07-03 | 2019-11-22 | 中山大学 | 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 |
CN110599447A (zh) * | 2019-07-29 | 2019-12-20 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 一种肝癌病灶数据的处理方法、***和存储介质 |
CN110705615A (zh) * | 2019-09-23 | 2020-01-17 | 温州大学 | 一种基于TV模型与GoogLeNet模型的甲状腺结节检测和分类方法 |
CN111243042A (zh) * | 2020-02-28 | 2020-06-05 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 |
CN111341443A (zh) * | 2020-03-09 | 2020-06-26 | 西安中科长青医疗科技研究院有限公司 | 一种基于深度学习的超声甲状腺结节智能评估方法 |
CN111462049A (zh) * | 2020-03-09 | 2020-07-28 | 西南交通大学 | 一种乳腺超声造影视频中病灶区形态自动标注方法 |
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 |
CN111539930A (zh) * | 2020-04-21 | 2020-08-14 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 |
CN111932538A (zh) * | 2020-10-10 | 2020-11-13 | 平安科技(深圳)有限公司 | 分析甲状腺图谱的方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断;迟剑宁;于晓升;张艺菲;;中国图象图形学报(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112419396A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419396B (zh) | 一种甲状腺超声视频自动分析方法与*** | |
CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
CN108573490B (zh) | 一种针对肿瘤影像数据的智能读片*** | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及*** | |
CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及*** | |
CN109087703B (zh) | 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法 | |
CN106682435A (zh) | 一种多模型融合自动检测医学图像中病变的***及方法 | |
CN110335665A (zh) | 一种应用于医学图像辅助诊断分析的以图搜图方法及*** | |
CN111476754B (zh) | 一种骨髓细胞影像人工智能辅助分级诊断***及方法 | |
CN109003269A (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
Yao et al. | Pneumonia Detection Using an Improved Algorithm Based on Faster R‐CNN | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能*** | |
CN113269799A (zh) | 一种基于深度学习的宫颈细胞分割方法 | |
CN111738997A (zh) | 一种基于深度学习的计算新冠肺炎病变区域占比的方法 | |
CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
CN113706434A (zh) | 基于深度学习对胸部增强ct图像的后处理方法 | |
CN114565572A (zh) | 一种基于图像序列分析的脑出血ct图像分类方法 | |
KR20230157276A (ko) | 분류 및 분할을 이용한 근골격계 의료 영상 분석 방법, 장치 및 컴퓨터 프로그램 | |
Tian et al. | Radiomics and Its Clinical Application: Artificial Intelligence and Medical Big Data | |
CN116228759B (zh) | 肾细胞癌类型的计算机辅助诊断***及设备 | |
CN112116559A (zh) | 一种基于深度学习的数字病理图像智能分析方法 | |
CN116580198A (zh) | 基于跨尺度交互式融合Transformer模型的医学图像实例分割方法 | |
CN116862836A (zh) | 一种泛器官***转移癌检测***及计算机设备 | |
Sharma et al. | Lung cancer detection using convolutional neural network | |
CN116958128B (zh) | 基于深度学习的医学图像自动定位方法 |
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 |