CN113707312A - 一种基于深度学习的血管定量识别的方法及装置 - Google Patents
一种基于深度学习的血管定量识别的方法及装置 Download PDFInfo
- Publication number
- CN113707312A CN113707312A CN202111089382.6A CN202111089382A CN113707312A CN 113707312 A CN113707312 A CN 113707312A CN 202111089382 A CN202111089382 A CN 202111089382A CN 113707312 A CN113707312 A CN 113707312A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- network
- image data
- data
- perfusion
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 230000010412 perfusion Effects 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000013526 transfer learning Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000002372 labelling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 abstract description 2
- 230000002107 myocardial effect Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 230000003788 cerebral perfusion Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种基于深度学习的血管定量识别的方法及装置,其方法包括:构建迁移学习网络,将自然图像数据对输入迁移学习网络,进行网络预训练,得到预训练后的识别网络;用多模态数据对对预训练后的识别网络进行迁移学习训练,得到血管定量识别网络;使用灌注CT图像数据对对血管定量识别网络进行优化,得到血管定量识别神经网络;将采集的目标灌注CT图像输入血管定量识别神经网络,得到血管定量识别结果;用户将采集的灌注CT图像输入血管定量识别神经网络,即可得到血管定量识别结果,相较于传统的处理方法,效率更高,鲁棒性更好。
Description
技术领域
本发明涉及医学图像处理技术领域,特别涉及一种基于深度学习的血管定量识别的方法及装置。
背景技术
临床日常CT诊断通常会产生大量的CT图像数据,因此影像医师阅片工作量十分巨大,而人工阅片,通常伴随着主观因素,会因为医师在长时间阅片后的情绪和状态不同,或者临床经验的不同,而导致得到不同的结果,而且,利用传统的方法对图像进行特征提取、分割和去噪等处理,也需要依靠复杂的数学模型和大量临床病灶识别经验,处理过程缺乏统一的标准,得到的结果鲁棒性较差,而且效率较低。
因此,如何提供一种自动识别图像中病变区域的方法,提高医疗图像处理结果的鲁棒性和速度,是本领域技术人员亟待解决的问题。
发明内容
本申请实施例提供了一种基于深度学习的血管定量识别的方法及装置,旨在解决现有技术对医疗图像处理鲁棒性差、效率低的问题。
第一方面,本申请提供了一种基于深度学习的血管定量识别的方法,该方法包括:
构建迁移学习网络,将自然图像数据对输入迁移学习网络,进行网络预训练,得到预训练后的识别网络;
用多模态数据对对预训练后的识别网络进行迁移学习训练,得到血管定量识别网络;
使用灌注CT图像数据对对血管定量识别网络进行优化,得到血管定量识别神经网络;
将采集的目标灌注CT图像输入血管定量识别神经网络,得到血管定量识别结果。
一种实施方式中,自然图像数据对包括自然图像数据和场景辨识结果。
一种实施方式中,多模态数据对包括多模态图像数据和血管区域标识数据。
一种实施方式中,血管区域标识数据为:将专家或医生进行血管区域标注后的多模态图像数据,输入预训练后的识别网络进行训练得到的数据。
一种实施方式中,灌注CT图像数据对包括:灌注CT图像数据和血管区域标注数据。
一种实施方式中,血管区域标注数据为:将专家或医生进行血管区域标注后的灌注CT图像数据,输入预训练后的识别网络进行训练得到的数据。
第二方面,本申请还提供了一种基于深度学习的血管定量识别的装置,该装置包括:
预训练单元,用于构建多模态迁移学习网络,将自然图像数据对输入迁移学习网络,进行网络预训练,得到预训练后的识别网络;
迁移学习训练单元,用于通过多模态数据对对预训练后的识别网络进行迁移学习训练,得到血管定量识别网络;
优化单元,用于通过灌注CT图像数据对对血管定量识别网络进行优化,得到血管定量识别神经网络;
结果输出单元,用于将采集的目标灌注CT图像输入血管定量识别神经网络,得到血管定量识别结果。
第三方面,本申请还提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现上述第一方面所述的基于深度学习的血管定量识别的方法。
第四方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行上述第一方面所述的基于深度学习的血管定量识别的方法。
本申请提出的一种基于深度学习的血管定量识别的方法,通过构建迁移学习网络,将自然图像数据对输入迁移学习网络,进行网络预训练,得到预训练后的识别网络;用多模态数据对对预训练后的识别网络进行迁移学习训练,得到血管定量识别网络;使用灌注CT图像数据对对血管定量识别网络进行优化,得到血管定量识别神经网络;将采集的目标灌注CT图像输入血管定量识别神经网络,得到血管定量识别结果;用户将采集的灌注CT图像输入血管定量识别神经网络,即可得到血管定量识别结果,相较于传统的处理方法,效率更高,鲁棒性更好。
附图说明
为了更清楚的说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见的,下面的描述中的附图是本申请的一些实施例,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附图。
图1为本申请实施例提供的一种基于深度学习的血管定量识别的方法流程图;
图2为本申请实施例提供的一种用于CT心肌血管定量识别的方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参见图1实施例所示一种基于深度学习的血管定量识别的方法流程图,包括:
S101、构建迁移学习网络,将自然图像数据对输入迁移学习网络,进行网络预训练,得到预训练后的识别网络。
在一实施例中,自然图像数据对包括自然图像数据和场景辨识结果。
S102、用多模态数据对对预训练后的识别网络进行迁移学习训练,得到血管定量识别网络。
在一实施例中,多模态数据对包括多模态图像数据和血管区域标识数据。
在一实施例中,血管区域标识数据为:将专家或医生进行血管区域标注后的多模态图像数据,输入预训练后的识别网络进行训练得到的数据。
S103、使用灌注CT图像数据对对血管定量识别网络进行优化,得到血管定量识别神经网络。
在一实施例中,灌注CT图像数据对包括:灌注CT图像数据和血管区域标注数据。
在一实施例中,血管区域标注数据为:将专家或医生进行血管区域标注后的灌注CT图像数据,输入预训练后的识别网络进行训练得到的数据。
S104、将采集的目标灌注CT图像输入血管定量识别神经网络,得到血管定量识别结果。
在一实施例中,自然图像数据对为“自然图像数据-图像标签”数据集,包括自然图像数据和场景辨识结果;
多模态数据对为“具有解剖结构相关性的医学图像数据-血管区域标注”数据集,“具有解剖结构相关性的医学图像数据”可以为与CT灌注图像相同扫描区域的MRI图像和/或PET图像;包括多模态图像数据和血管区域标识数据,其中,多模态图像数据包括PET心脑血管灌注图像数据和MRI心脑血管灌注图像数据,。
在一实施例中,将自然图像数据对输入识别网络,进行网络预训练,包括:
用灌注CT数据先对灌注CT投影数据进行重建,再对血管定量识别网络进行迁移学习,训练得到可以进行定量灌注CT图像脑梗死区域的识别网络。
在一实施例中,在进行迁移学习训练之前,还包括迁移学习策略的制定,具体为:
根据灌注CT数据集的大小及参数个数,可选择两种学习策略进行迁移学习:(1)对前n层参数冻结(frozen)起来,即在训练灌注CT血管区域定量评估网络的时候,不改变这n层的值;(2)不冻结这前n层参数,而是不断调整网络参数的值,称为微调(fine-tune)。
在迁移学习策略制定中,训练网络实现了融合扫描区域PET,MRI,CT图像内在解剖结构相关性以及不同模态影像信息多样性,并优化了血管区域定量评估网络参数。
在一实施例中,血管定量识别网络的构建方法具体为:
首先定义训练集为S={(Xi,Yi),i=1,2,3,...,n},其中Xi为第i幅输入图像,Yi∈{0,1}为第i幅输入图像的标签,其中Yi=1定义为异常图像,Yi=0定义为非异常图像。同时定义为第i幅输入图像的第k个像素的概率,其中k={1,2,3,...,|Xi|},|Xi|表示为Xi总的像素个数。为图像水平预测的概率图(probability map),可以通过像素水平的所有计算得到,其代价函数为:
与传统的信息处理***不同,深度学习技术可以通过构建网络模型,输入数据直接进行训练,然后做出预测,可以避免手动提取特征和图像处理技术设计,本发明通过利用训练血管定量识别神经网络,用户通过输入相应的数据,就可以自动获得血管定量识别结果,从而提升医生诊断效率。
不同医学成像模态(比如CT,MRI,PET等)能提供不同的医疗影像信息,与此同时,他们共享着相似的解剖结构特征信息,因此多模态特征信息能够实现内部共享,提升诊断效果,因此,上述方案还可以用于CT心肌血管定量识别,
参见图2实施例所示的一种用于CT心肌血管定量识别的方法流程图,包括:
S201、将自然图像数据对输入构建的多模态迁移学习网络。
在一实施例中,自然图像数据对包括自然图像数据和场景辨识结果。
S202、将心肌灌注PET数据对对经过自然图像数据对训练后的迁移学习网络进行迁移学习训练,得到血管区域定量评估识别网络。
在一实施例中,心肌灌注PET数据对包括心肌灌注PET图像数据和心肌灌注PET图像血管区域标注。
S203、制定迁移学习策略,用心肌灌注CT数据对先对心肌灌注CT投影数据进行重建,再对血管定量识别网络进行迁移学习,优化血管区域定量识别网络参数。
在一实施例中,心肌灌注CT数据对包括心肌灌注CT投影数据和心肌灌注CT图像血管区域标注。
在一实施例中,心肌灌注PET图像血管区域标注和心肌灌注CT图像血管区域标注为专家或医生进行血管区域标注后的心肌灌注PET图像数据和心肌灌注CT图像数据。
其中,心肌灌注CT数据对,即肌灌注CT投影数据和心肌灌注CT图像血管区域标注的大小及参数个数,可选择:(1)对前n层参数冻结(frozen)起来,即在训练心肌灌注CT血管区域定量评估识别网络(203)的时候,不改变这n层的值;(2)不冻结这前n层参数,而是不断调整网络参数的值,称为微调(fine-tune)两种策略进行迁移学习。最终,我们得到可以实现定量心肌灌注CT图像脑卒中区域的识别网络(104)。
S204、采集待识别的心肌灌注CT投影数据,将采集到的待识别灌注CT投影数据输入训练后的定量脑灌注CT图像心梗区域的识别网络,输出为心肌灌注CT图像梗死区的病灶辨识结果。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (9)
1.一种基于深度学习的血管定量识别的方法,其特征在于,包括:
构建迁移学习网络,将自然图像数据对输入迁移学习网络,进行网络预训练,得到预训练后的识别网络;
用多模态数据对对预训练后的识别网络进行迁移学习训练,得到血管定量识别网络;
使用灌注CT图像数据对对血管定量识别网络进行优化,得到血管定量识别神经网络;
将采集的目标灌注CT图像输入血管定量识别神经网络,得到血管定量识别结果。
2.如权利要求1所述的一种基于深度学习的血管定量识别的方法,其特征在于,所述自然图像数据对包括自然图像数据和场景辨识结果。
3.如权利要求1所述的一种基于深度学习的血管定量识别的方法,其特征在于,所述多模态数据对包括多模态图像数据和血管区域标识数据。
4.如权利要求3所述的一种基于深度学习的血管定量识别的方法,其特征在于,所述血管区域标识数据为:将专家或医生进行血管区域标注后的多模态图像数据,输入预训练后的识别网络进行训练得到的数据。
5.如权利要求1所述的一种基于深度学习的血管定量识别的方法,其特征在于,所述灌注CT图像数据对包括:灌注CT图像数据和血管区域标注数据。
6.如权利要求5所述的一种基于深度学习的血管定量识别的方法,其特征在于,所述血管区域标注数据为:将专家或医生进行血管区域标注后的灌注CT图像数据,输入预训练后的识别网络进行训练得到的数据。
7.一种基于深度学习的血管定量识别的装置,其特征在于,包括:
预训练单元,用于构建多模态迁移学习网络,将自然图像数据对输入迁移学习网络,进行网络预训练,得到预训练后的识别网络;
迁移学习训练单元,用于通过多模态数据对对预训练后的识别网络进行迁移学习训练,得到血管定量识别网络;
优化单元,用于通过灌注CT图像数据对对血管定量识别网络进行优化,得到血管定量识别神经网络;
结果输出单元,用于将采集的灌注CT图像输入血管定量识别神经网络,得到血管定量识别结果。
8.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1-6中任一项所述的基于深度学习的血管定量识别的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行如权利要求1-6中任一项所述的基于深度学习的血管定量识别的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089382.6A CN113707312A (zh) | 2021-09-16 | 2021-09-16 | 一种基于深度学习的血管定量识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089382.6A CN113707312A (zh) | 2021-09-16 | 2021-09-16 | 一种基于深度学习的血管定量识别的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113707312A true CN113707312A (zh) | 2021-11-26 |
Family
ID=78661210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111089382.6A Pending CN113707312A (zh) | 2021-09-16 | 2021-09-16 | 一种基于深度学习的血管定量识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113707312A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863146A (zh) * | 2023-06-09 | 2023-10-10 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909566A (zh) * | 2017-10-28 | 2018-04-13 | 杭州电子科技大学 | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 |
CN109886986A (zh) * | 2019-01-23 | 2019-06-14 | 北京航空航天大学 | 一种基于多分支卷积神经网络的皮肤镜图像分割方法 |
CN110459303A (zh) * | 2019-06-27 | 2019-11-15 | 浙江工业大学 | 基于深度迁移的医疗影像异常检测装置 |
CN111316290A (zh) * | 2017-11-03 | 2020-06-19 | 通用电气公司 | 用于通过对特征本体的深度学习来进行交互式表示学习迁移的***和方法 |
CN111402260A (zh) * | 2020-02-17 | 2020-07-10 | 北京深睿博联科技有限责任公司 | 一种基于深度学习的医学影像分割方法、***、终端及存储介质 |
CN111444960A (zh) * | 2020-03-26 | 2020-07-24 | 上海交通大学 | 基于多模态数据输入的皮肤病图像分类*** |
CN111798464A (zh) * | 2020-06-30 | 2020-10-20 | 天津深析智能科技有限公司 | 基于深度学习的淋巴瘤病理图像智能识别方法 |
CN111968108A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | 基于智能扫描协议的ct智能成像方法、装置及*** |
CN112991346A (zh) * | 2021-05-13 | 2021-06-18 | 深圳科亚医疗科技有限公司 | 用于医学图像分析的学习网络的训练方法和训练*** |
CN113255794A (zh) * | 2021-06-01 | 2021-08-13 | 闽南师范大学 | 一种基于GoogLeNet网络的医学图像分类方法 |
-
2021
- 2021-09-16 CN CN202111089382.6A patent/CN113707312A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909566A (zh) * | 2017-10-28 | 2018-04-13 | 杭州电子科技大学 | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 |
CN111316290A (zh) * | 2017-11-03 | 2020-06-19 | 通用电气公司 | 用于通过对特征本体的深度学习来进行交互式表示学习迁移的***和方法 |
CN109886986A (zh) * | 2019-01-23 | 2019-06-14 | 北京航空航天大学 | 一种基于多分支卷积神经网络的皮肤镜图像分割方法 |
CN110459303A (zh) * | 2019-06-27 | 2019-11-15 | 浙江工业大学 | 基于深度迁移的医疗影像异常检测装置 |
CN111402260A (zh) * | 2020-02-17 | 2020-07-10 | 北京深睿博联科技有限责任公司 | 一种基于深度学习的医学影像分割方法、***、终端及存储介质 |
CN111444960A (zh) * | 2020-03-26 | 2020-07-24 | 上海交通大学 | 基于多模态数据输入的皮肤病图像分类*** |
CN111798464A (zh) * | 2020-06-30 | 2020-10-20 | 天津深析智能科技有限公司 | 基于深度学习的淋巴瘤病理图像智能识别方法 |
CN111968108A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | 基于智能扫描协议的ct智能成像方法、装置及*** |
CN112991346A (zh) * | 2021-05-13 | 2021-06-18 | 深圳科亚医疗科技有限公司 | 用于医学图像分析的学习网络的训练方法和训练*** |
CN113255794A (zh) * | 2021-06-01 | 2021-08-13 | 闽南师范大学 | 一种基于GoogLeNet网络的医学图像分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863146A (zh) * | 2023-06-09 | 2023-10-10 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
CN116863146B (zh) * | 2023-06-09 | 2024-03-08 | 强联智创(北京)科技有限公司 | 用于对血管瘤特征进行提取的方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别*** | |
Moradi et al. | MFP-Unet: A novel deep learning based approach for left ventricle segmentation in echocardiography | |
CN112102266B (zh) | 基于注意力机制的脑梗死医学影像分类模型的训练方法 | |
CN110689025B (zh) | 图像识别方法、装置、***及内窥镜图像识别方法、装置 | |
Cui et al. | Multiscale attention guided U-Net architecture for cardiac segmentation in short-axis MRI images | |
Li et al. | MV-RAN: Multiview recurrent aggregation network for echocardiographic sequences segmentation and full cardiac cycle analysis | |
CN110475505A (zh) | 利用全卷积网络的自动分割 | |
An et al. | Medical image segmentation algorithm based on multilayer boundary perception-self attention deep learning model | |
CN114581662A (zh) | 一种脑肿瘤图像的分割方法、***、装置及存储介质 | |
CN113205524B (zh) | 基于U-Net的血管图像分割方法、装置和设备 | |
Yan et al. | Cine MRI analysis by deep learning of optical flow: Adding the temporal dimension | |
Kumar et al. | Two-stage framework for optic disc segmentation and estimation of cup-to-disc ratio using deep learning technique | |
Yu et al. | Multi-level multi-type self-generated knowledge fusion for cardiac ultrasound segmentation | |
Corbat et al. | Fusion of multiple segmentations of medical images using OV2ASSION and Deep Learning methods: Application to CT-Scans for tumoral kidney | |
CN113707312A (zh) | 一种基于深度学习的血管定量识别的方法及装置 | |
Yu et al. | Dual attention u-net for multi-sequence cardiac MR images segmentation | |
Wang et al. | RFPNet: Reorganizing feature pyramid networks for medical image segmentation | |
Cao et al. | A novel method for image segmentation: two-stage decoding network with boundary attention | |
CN116703837B (zh) | 一种基于mri图像的肩袖损伤智能识别方法及装置 | |
CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
CN116228690A (zh) | 基于pet-ct的胰腺癌与自身性免疫性胰腺炎自动辅助诊断方法 | |
CN112634255B (zh) | 脑部病灶检测模型的建立方法、装置以及计算机设备 | |
CN111598870B (zh) | 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法 | |
Dong et al. | Transformer-based multi-attention hybrid networks for skin lesion segmentation | |
Huang et al. | Source-free domain adaptive segmentation with class-balanced complementary self-training |
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 |