CN113362325A - 一种核医学多模态病灶图像检测方法及*** - Google Patents
一种核医学多模态病灶图像检测方法及*** Download PDFInfo
- Publication number
- CN113362325A CN113362325A CN202110845223.8A CN202110845223A CN113362325A CN 113362325 A CN113362325 A CN 113362325A CN 202110845223 A CN202110845223 A CN 202110845223A CN 113362325 A CN113362325 A CN 113362325A
- Authority
- CN
- China
- Prior art keywords
- network
- spp
- nuclear medicine
- feature
- focus
- 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
- 238000009206 nuclear medicine Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims description 28
- 230000003902 lesion Effects 0.000 claims description 21
- 238000003384 imaging method Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 5
- 238000012805 post-processing Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012549 training 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种核医学多模态病灶图像检测方法及***，所述核医学多模态病灶图像检测方法和***可以有效的利用不同的模态的信息进行病灶目标图像的检测和整合处理，不需要额外的多模态预处理工作，可以较为全面完整的保留各个模态的信息。选择在多尺度特征融合后，让不同模态的信息整合在一起，能够有效的保留不同模态的细节信息，更有助于后续利用不同模态的信息进行目标检测。目标检测head的原理部分采用了现有技术中centernet的设计理念，将病灶目标描述成一个中心点，目标的其他特性，如尺寸等则通过在特征图中直接回归得到方法原理简单，兼容性强，且无需复杂的后处理，实现端到端检测。
Description
技术领域
本发明涉及医学图像处理领域，特别是一种核医学多模态病灶图像检测方法及***。
背景技术
目前的医学病灶检测方法大多局限在一种模态,比如单独的CT、PET、MRI、SPECT等。单一模态受其成像原理的制约，往往不足以进行病灶图像的精准处理和后续人员对病灶的判定。整合不同的医学成像设备如CT、PET、MRI、SPECT或者不同的分子探针等，整合多种分子影像技术优势，发展出的多模态融合的分子影像技术能够同时提供生物过程的解剖结构水平、功能代谢水平、生理病理水平和分子细胞水平的信息的不同模态信息的组合，更有利用病灶图像目标位置的精确识别。但是不同设备、模态的成像特点和数据尺寸往往是不一致的，常规方法通常依赖于模态的预处理比如尺度变化，配准等方式将模态数据统一，操作方法过于复杂。
发明内容
针对上述缺陷，本发明的目的在于提出一种核医学多模态病灶图像检测方法，可以有效的利用不同的模态的信息进行病灶目标图像的检测和整合处理，且可以简化在数据输入阶段的操作。
本发明的另一目的在于提出一种核医学多模态病灶图像检测***，其应用上述所述核医学多模态病灶图像检测方法。
为达此目的，本发明采用以下技术方案：
一种核医学多模态病灶图像检测方法，应用于以核医学为主的影像设备，其包括以下步骤：
不同模态的图像分别进行提取特征，得到特征图。
特征图进入SPP网络，SPP网络对特征图进行池化，产生固定长度输出，即featuremap，不同模态的featuremap链接在一起。
采样子网络将不同模态的featuremap整合生成目标中心点的heatmap，以第一子网络基于链接的featuremap预测病灶目标框的宽和高，以第二子网络基于链接的featuremap预测中心点偏移量。
输出heatmap、病灶目标框和中心点偏移量，得到病灶目标位置的矩形框位置信息。
更优的，在所述不同模态的图像分别进行提取特征，得到特征图的步骤中还包括如下内容：每个模态对应一个backbonenet特征提取网络，每个backbonenet特征提取网络输出的特征图分别进入SPP网络；所述backbonenet特征提取网络为resnet、desnet或VGG。
更优的，所述SPP网络由分别是kernel size为5×5，9×9，13×13，n*n的最大池化和一个跳跃连接，然后concate一起，进行多尺度融合的。
更优的，所述将不同模态的SPP网络的输出链接，即将特征图按照指定维度堆叠在一起，使得不同模态的尺度大小一样的featurmap按照channel维度拼接在一起。
一种核医学多模态病灶图像检测***，其应用于以核医学为主的影像设备中，所述核医学为主的多模态影像设备中嵌入多模态病灶图像整合软件，并包括如下模块：
图像特征提取模块，用于对不同模态的图像分别进行提取特征，得到特征图。
SPP模块，用于利用SPP网络对特征图进行池化，产生固定长度输出，即featuremap，不同模态的featuremap链接在一起。
采样子网络模块，用于利用采样子网络将不同模态的featuremap整合生成目标中心点的heatmap，以第一子网络基于链接的featuremap预测病灶目标框的宽和高，以第二子网络基于链接的featuremap预测中心点偏移量。
输出模块，用于输出heatmap、病灶目标框和中心点偏移量，得到病灶目标位置的矩形框位置信息。
更优的，所述以核医学为主的影像设备为SPECT***、SPECT/CT***、PET/CT***、PET/MRI***或SPECT/MRI***。
更优的，每个模态对应一个backbonenet特征提取网络，每个backbonenet特征提取网络输出的特征图分别进入SPP网络；所述backbonenet特征提取网络为resnet、desnet或VGG。
更优的，所述SPP网络由分别是kernel size为5×5，9×9，13×13，n*n的最大池化和一个跳跃连接，然后concate一起，进行多尺度融合的；所述将不同模态的SPP网络的输出链接，即将特征图按照指定维度堆叠在一起，使得不同模态的尺度大小一样的featurmap按照channel维度拼接在一起。
本发明的实施例的有益效果：
所述核医学多模态病灶图像检测方法和***可以有效的利用不同的模态的信息进行病灶目标图像的检测和整合处理，不需要额外的多模态预处理工作，例如不同模态的图像尺寸的统一和配准，融合等，可以较为全面完整的保留各个模态的信息。选择在多尺度特征融合后，让不同模态的信息整合在一起，能够有效的保留不同模态的细节信息，更有助于后续利用不同模态的信息进行目标检测。
目标检测head的原理部分采用了现有技术中centernet的设计理念，将病灶目标描述成一个中心点，目标的其他特性，如尺寸等则通过在特征图中直接回归得到方法原理简单，兼容性强，且无需复杂的后处理，实现真正的端到端检测；针对医学图像的特点，不需要考虑病灶目标的重叠，不需要进行1/4的降采样，可以重采样到原模态图像大小进行heatmap生成。
附图说明
图1是本发明的一个实施例中所述核医学多模态病灶图像检测方法的流程示意框图；
图2是本发明的一个实施例中所述SPP网络的架构示意图；
图3是本发明的一个实施例中所述核医学多模态病灶图像检测方法采用的深度网络的架构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
本申请的一个实施例，如图1所示，一种核医学多模态病灶图像检测方法，应用于以核医学为主的影像设备，所述一核医学为主的影像设备可以是多模态影像设备，也可以是不同种类的单模态影像机器，其包括以下步骤：
不同模态的图像分别进行提取特征，得到特征图。
特征图进入SPP网络，SPP网络对特征图进行池化，产生固定长度输出，即featuremap，不同模态的featuremap链接在一起。
采样子网络将不同模态的featuremap整合生成目标中心点的heatmap，以第一子网络基于链接的featuremap预测病灶目标框的宽和高，以第二子网络基于链接的featuremap预测中心点偏移量。
输出heatmap、病灶目标框和中心点偏移量，得到病灶目标位置的矩形框位置信息，具体输出可以是病灶目标的矩形框位置的坐标。
如图2所示，所述SPP网络对特征图池化即为空间金字塔池化(spatial pyramidpooling，简称SPP)，本实施例中采用空间金字塔池化层即SPP层以适应不同模态数据尺寸不同对网络固定尺寸的限制。
SPP网络的显著特点有：(1)不管输入尺寸是怎样，SPP可以产生固定大小的输出；(2)使用多个窗口(pooling window)；(3)SPP网络可以使用不同模态图像不同尺寸(scale)作为输入，得到同样长度的池化特征。
本实施例中提出的病灶图像检测方法，可以免去图像的归一化过程，原始图像什么size都可以，对于特征图进行不同尺度的pooling，随后将各个尺度得到的pooling组合在一起成为一个特征图，再进行全连接层。
因此使用这种方法，可以取代连接层之前的pool层。
举例说明，如上所述，假设之前卷积层最后得到的特征图size为13*13(a*a)，然后我们想要得到三种不同pool来得到3*3(n*n)、2*2(n*n)、1*1(n*n)的特征图然后使用的pool的参数计算公式如下：
其中a为输入特征图size大小，n为要得到的特征图大小；
输入为256个13*13的特征图，使用这种方法得到了256个3*3、256个2*2、256个1*1的特征图，随后把这三个特征图进行全连接层连接，也就是不管图像尺寸是多大，经过这这个金字塔pool层出来的特征图都是256个3*3、256个256个2*2、256个1*1。
在上述不同模态的图像分别进行提取特征，得到特征图的步骤中还包括如下内容：每个模态对应一个backbonenet特征提取网络，每个backbonenet特征提取网络输出的特征图分别进入SPP网络；所述backbonenet特征提取网络为resnet、desnet或VGG。
优选地，所述SPP网络由分别是kernel size为5×5，9×9，13×13，n*n的最大池化和一个跳跃连接，然后concate一起，进行多尺度融合的。
优选地，所述将不同模态的SPP网络的输出链接，即将特征图按照指定维度堆叠在一起，使得不同模态的尺度大小一样的featurmap按照channel维度拼接在一起。这样我们在融合了多尺度的特征后进行不同模态特征的统一融合，更好的利用多个模态的细节信息，也有利于后续综合利用多模态的数据特征。
优选地，所述在SPP网络的卷积层和全连接层之间进行特征信息融合；所述采样子网络由两个卷积层构成，第一卷积层附加BN层和激活函数Relu，第二卷积层用于输出预设的结果形式。
具体的，将SPP层放在不同模态的backbone最后一个卷积层之后，SPP层对特征图进行池化，并产生固定长度的输出，这个输出再传输给全连接层(或其他分类器)可以避免在最开始的时候就进行裁剪crop或变形warp，使得任意大小的特征图都能够转换成固定大小的特征向量。
进行特征信息的汇总的具体是指的将不同模态，不同尺度提取的特征放在一起，可以是堆叠的，也可以是直接链接在一起。比如本实施例中，可以将两个[m*n]大小的特征放在一起，变成[m*n*2].其实就是featuremap统一成一个张量。
上述采集子网络的具体代码可以为：
y2＝Conv2D(64,3,padding＝'same',use_bias＝False,
kernel_initializer＝'he_normal',kernel_regularizer＝l2(5e-4))(x)
y2＝BatchNormalization()(y2)
y2＝ReLU()(y2)
y2＝Conv2D(2,1,kernel_initializer＝'he_normal',kernel_regularizer＝l2(5e-4))(y2)
比如本实施例中预设希望输出病灶目标框宽高，或者病灶目标框与中心点的偏差预测值(x，y)等，即与现有技术中公开的centernet网络的作用类似。
所述核医学多模态病灶图像检测方法采用的深度网络应用再两个模态的场景中时，其网络结构如图3所示，其主要流程特点是：
(1)组建用于多个特征提取的骨干网络，即每种模态对应一个专用的特征提取网络-backbonenet用于不同模态的特征提取。特别的是该流程中不同模态的特征提取网络是可以针对单独的模态场景成像特点单独选择的，而不要求每个模态的特征提取网络必须是一致的。需要说明的是，其中，特征提取网络有比较成熟的现有技术方案，比如resnet，desnet，VGG等等。特征提取网络的多样性有助于根据不同模态的成像特点选择专用的特征提取网络，以提高网络的性能。
(2)每个模态的数据在提取特征图后，分别进入SPP网络，此处的SPP网络由分别是kernel size为5×5，9×9，13×13，n*n的最大池化和一个跳跃连接，然后concate一起，进行多尺度融合的。不同池化尺度的组合就是提取了不同尺度的特征，借鉴了空间金字塔的思想，通过SPP网络不同的池化层(降采样)实现了局部特征和全局特征相融合，丰富了特征图的表达能力。
3)将不同模态的SPP网络的输出链接在一起，将不同模态的尺度大小一样的featurmap按照channel维度拼接在一起。在融合了多尺度的特征后进行不同模态特征的统一融合，更好的利用多个模态的细节信息，也有利于后续综合利用多模态的数据特征。
(4)目标提取网络部分，采用了centernet类似的思想。通过上采样子网络将featuremap的尺度整合到某一模态数据作为目标检测中心点的判别依据(比如训练标注病灶的依据)相同的尺度大小，来生成目标中心点的heatmap，其中采用无anchor的设计，摆脱了基于IOU的NMS及其他的后处理和anchor设计中小病灶难以检测的问题。另外两个采用子网络分别用于预测病灶目标框的宽和高，以及中心点偏移量。
(5)所述核医学多模态病灶图像检测方法和***中，模态的具体应用场景可以是：SPECT、CT、PET、MRI等医学成像模式。
一种核医学多模态病灶图像检测***，其应用于以核医学为主的多模态影像设备中，所述核医学为主的多模态影像设备中嵌入多模态病灶图像整合软件，并包括如下模块：
图像特征提取模块，用于对不同模态的图像分别进行提取特征，得到特征图。
SPP模块，用于利用SPP网络对特征图进行池化，产生固定长度输出，即featuremap，不同模态的featuremap链接在一起。
采样子网络模块，用于利用采样子网络将不同模态的featuremap整合生成目标中心点的heatmap，以第一子网络基于链接的featuremap预测病灶目标框的宽和高，以第二子网络基于链接的featuremap预测中心点偏移量。
输出模块，用于输出heatmap、病灶目标框和中心点偏移量，得到病灶目标位置的矩形框位置信息，具体输出可以是病灶目标的矩形框位置的坐标。
具体的，所述以核医学为主的多模态影像设备为SPECT***、SPECT/CT***、PET/CT***、PET/MRI***或SPECT/MRI***。
优选地，每个模态对应一个backbonenet特征提取网络，每个backbonenet特征提取网络输出的特征图分别进入SPP网络；所述backbonenet特征提取网络为resnet、desnet或VGG。
优选地，所述SPP网络由分别是kernel size为5×5，9×9，13×13，n*n的最大池化和一个跳跃连接，然后concate一起，进行多尺度融合的；所述将不同模态的SPP网络的输出链接，即将特征图按照指定维度堆叠在一起，使得不同模态的尺度大小一样的featurmap按照channel维度拼接在一起。
优选地，所述在SPP网络的卷积层和全连接层之间进行特征信息融合；所述采样子网络由两个卷积层构成，第一卷积层附加BN层和激活函数Relu，第二卷积层用于输出预设的结果形式。
所述核医学多模态病灶图像检测方法和***可以有效的利用不同的模态的信息进行病灶目标图像的检测和整合处理，不需要额外的多模态预处理工作，例如不同模态的图像尺寸的统一和配准，融合等，特别是不必在数据输入阶段将输入数据大小resize到一个固定的尺寸，可以较为全面完整的保留各个模态的信息。比如一个断层的SPECT数据的分辨率往往比较低，为128*128或256*256但是CT数据的分辨率往往很高，为512*512或1024*1024。我们的方法有效的避免了在数据输入阶段就将CT数据由高分辨率缩放至低分辨率的过程中损失细节特征信息。而是选择在多尺度特征融合后，让不同模态的信息整合在一起，能够有效的保留不同模态的细节信息，更有助于后续利用不同模态的信息进行目标检测，所述核医学多模态病灶图像检测方法从图像处理的技术层面对病灶图像进行识别处理，将病灶图像上可疑的区域进行标出，得到病灶目标位置的矩形框位置信息，为后续医疗诊断提供工业上技术辅助，为后续医生的医疗和诊断工作提供了技术层面的准备和辅助工作。
目标检测head的原理部分采用了现有技术中centernet的设计理念，将病灶目标描述成一个中心点，目标的其他特性，如尺寸等则通过在特征图中直接回归得到方法原理简单，兼容性强，且无需复杂的后处理，实现真正的端到端检测；针对医学图像的特点，不需要考虑病灶目标的重叠，不需要进行1/4的降采样，可以重采样到原模态图像大小进行heatmap生成。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
Claims (8)
1.一种核医学多模态病灶图像检测方法，应用于以核医学为主的影像设备，其特征在于，包括以下步骤：
不同模态的图像分别进行提取特征，得到特征图；
特征图进入SPP网络，SPP网络对特征图进行池化，产生固定长度输出，即featuremap，不同模态的featuremap链接在一起；
采样子网络将不同模态的featuremap整合生成目标中心点的heatmap，以第一子网络基于链接的featuremap预测病灶目标框的宽和高，以第二子网络基于链接的featuremap预测中心点偏移量；
输出heatmap、病灶目标框和中心点偏移量，得到病灶目标位置的矩形框位置信息。
2.根据权利要求1所述的一种核医学多模态病灶图像检测方法，其特征在于，在所述不同模态的图像分别进行提取特征，得到特征图的步骤中还包括如下内容：
每个模态对应一个backbonenet特征提取网络，每个backbonenet特征提取网络输出的特征图分别进入SPP网络；
所述backbonenet特征提取网络为resnet、desnet或VGG。
3.根据权利要求2所述的一种核医学多模态病灶图像检测方法，其特征在于，所述SPP网络由分别是kernel size为5×5，9×9，13×13，n*n的最大池化和一个跳跃连接，然后concate一起，进行多尺度融合。
4.根据权利要求3所述的一种核医学多模态病灶图像检测方法，其特征在于，所述将不同模态的SPP网络的输出链接，即将特征图按照指定维度堆叠在一起，使得不同模态的尺度大小一样的featurmap按照channel维度拼接在一起。
5.一种核医学多模态病灶图像检测***，其应用于以核医学为主的影像设备中，其特征在于，所述核医学为主的多模态影像设备中嵌入多模态病灶图像整合软件，并包括如下模块：
图像特征提取模块，用于对不同模态的图像分别进行提取特征，得到特征图；
SPP模块，用于利用SPP网络对特征图进行池化，产生固定长度输出，即featuremap，不同模态的featuremap链接在一起；
采样子网络模块，用于利用采样子网络将不同模态的featuremap整合生成目标中心点的heatmap，以第一子网络基于链接的featuremap预测病灶目标框的宽和高，以第二子网络基于链接的featuremap预测中心点偏移量；
输出模块，用于输出heatmap、病灶目标框和中心点偏移量，得到病灶目标位置的矩形框位置信息。
6.根据权利要求5所述的一种核医学多模态病灶图像检测***，其特征在于，所述以核医学为主的影像设备为SPECT***、SPECT/CT***、PET/CT***、PET/MRI***或SPECT/MRI***。
7.根据权利要求6所述的一种核医学多模态病灶图像检测***，其特征在于，每个模态对应一个backbonenet特征提取网络，每个backbonenet特征提取网络输出的特征图分别进入SPP网络；
所述backbonenet特征提取网络为resnet、desnet或VGG。
8.根据权利要求6所述的一种核医学多模态病灶图像检测***，其特征在于，所述SPP网络由分别是kernel size为5×5，9×9，13×13，n*n的最大池化和一个跳跃连接，然后concate一起，进行多尺度融合的；所述将不同模态的SPP网络的输出链接，即将特征图按照指定维度堆叠在一起，使得不同模态的尺度大小一样的featurmap按照channel维度拼接在一起。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110845223.8A CN113362325A (zh) | 2021-07-26 | 2021-07-26 | 一种核医学多模态病灶图像检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110845223.8A CN113362325A (zh) | 2021-07-26 | 2021-07-26 | 一种核医学多模态病灶图像检测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113362325A true CN113362325A (zh) | 2021-09-07 |
Family
ID=77540637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110845223.8A Pending CN113362325A (zh) | 2021-07-26 | 2021-07-26 | 一种核医学多模态病灶图像检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362325A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024040576A1 (zh) * | 2022-08-26 | 2024-02-29 | 京东方科技集团股份有限公司 | 目标检测方法、深度学习的训练方法、电子设备以及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583192A (zh) * | 2020-04-21 | 2020-08-25 | 天津大学 | Mri图像与深度学习乳腺癌图像处理方法及早筛*** |
| CN112131982A (zh) * | 2020-09-10 | 2020-12-25 | 安徽农业大学 | 一种基于卷积神经网络的茶树嫩芽识别方法 |
-
2021
- 2021-07-26 CN CN202110845223.8A patent/CN113362325A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583192A (zh) * | 2020-04-21 | 2020-08-25 | 天津大学 | Mri图像与深度学习乳腺癌图像处理方法及早筛*** |
| CN112131982A (zh) * | 2020-09-10 | 2020-12-25 | 安徽农业大学 | 一种基于卷积神经网络的茶树嫩芽识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| LING CHEN ET AL.: "Multi-Modality Attention-Guided Three-Dimensional Detection of Non-Small Cell Lung Cancer in 18F-FDG PET/CT Images", 《IEEE TRANSACTION ON RADIATION AND PLASMA MEDICINE SCIENCES》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024040576A1 (zh) * | 2022-08-26 | 2024-02-29 | 京东方科技集团股份有限公司 | 目标检测方法、深度学习的训练方法、电子设备以及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276316B (zh) | 一种基于深度学习的人体关键点检测方法 | |
| Zhang et al. | Combining fully convolutional networks and graph-based approach for automated segmentation of cervical cell nuclei | |
| WO2020259481A1 (zh) | 定位方法及装置、电子设备、可读存储介质 | |
| CN102859535B (zh) | 从预先计算的尺度空间产生Daisy描述符 | |
| CN107767419A (zh) | 一种人体骨骼关键点检测方法及装置 | |
| CN113221869B (zh) | 医疗***结构化信息提取方法、装置设备及存储介质 | |
| CN113378675A (zh) | 一种同时检测和特征提取的人脸识别方法 | |
| CN111242959A (zh) | 基于卷积神经网络的多模态医学图像的目标区域提取方法 | |
| CN111612024A (zh) | 特征提取方法、装置、电子设备及计算机可读存储介质 | |
| CN113362325A (zh) | 一种核医学多模态病灶图像检测方法及*** | |
| CN112037212A (zh) | 一种基于深度学习的肺结核dr影像识别方法 | |
| CN111783751A (zh) | 基于枪球联动与bim的养殖舍仔猪异常预警方法 | |
| CN109583341B (zh) | 对包含人像的图像的多人骨骼关键点检测方法及装置 | |
| Tian et al. | Automatic feature type selection in digital photogrammetry of piping | |
| CN111767839B (zh) | 一种车辆行驶轨迹确定方法、装置、设备及介质 | |
| CN111369564B (zh) | 一种图像处理的方法、模型训练的方法及装置 | |
| CN113298922A (zh) | 人体姿态估计方法、装置及终端设备 | |
| CN113096132B (zh) | 图像处理的方法、装置、存储介质和电子设备 | |
| CN117094895A (zh) | 图像全景拼接方法及其*** | |
| CN115690488A (zh) | 基于卷积神经网络模型的图像识别方法、装置及终端设备 | |
| CN114693951A (zh) | 一种基于全局上下文信息探索的rgb-d显著性目标检测方法 | |
| Yan et al. | Pig face detection method based on improved CenterNet algorithm | |
| CN114627292A (zh) | 工业遮挡目标检测方法 | |
| CN113792660A (zh) | 基于改进YOLOv3网络的行人检测方法、***、介质、设备 | |
| CN111753766A (zh) | 一种图像处理方法、装置、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |