CN114445339A - 基于改进Faster RCNN算法的泌尿系结石检测分类方法 - Google Patents

基于改进Faster RCNN算法的泌尿系结石检测分类方法 Download PDF

Info

Publication number
CN114445339A
CN114445339A CN202111603192.1A CN202111603192A CN114445339A CN 114445339 A CN114445339 A CN 114445339A CN 202111603192 A CN202111603192 A CN 202111603192A CN 114445339 A CN114445339 A CN 114445339A
Authority
CN
China
Prior art keywords
stage
feature map
network
calculus
urinary
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
Application number
CN202111603192.1A
Other languages
English (en)
Inventor
刘琨
王向辉
杨昆
薛林雁
刘爽
张明洋
赵磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University
Original Assignee
Hebei University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University filed Critical Hebei University
Priority to CN202111603192.1A priority Critical patent/CN114445339A/zh
Publication of CN114445339A publication Critical patent/CN114445339A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于改进Faster RCNN算法的泌尿系结石检测分类方法。该方法包括以下步骤：①输入泌尿系结石患者的CT图像；②通过ResNet网络进行特征提取；③将ResNet网络不同阶段提取出的特征进行融合；④利用卷积注意力机制对融合后的特征进行权重分配形成新特征图；⑤新特征图通过RPN网络产生候选框；⑥新特征图和候选框通过ROI网络得到固定大小的特征图；⑦通过预测模块进行结石分类和定位。本发明融合了图像的浅层特征和深层特征，降低了结石漏诊率，提高了基于Faster RCNN算法的泌尿系结石检测分类模型的检测性能，实现了在术前预测结石成分，辅助医生选择合适治疗方案，减轻了患者痛苦和负担，具有临床应用价值。

Description

基于改进Faster RCNN算法的泌尿系结石检测分类方法
技术领域
本发明涉及医学图像处理和疾病诊断技术领域，具体地说是一种基于改进FasterRCNN算法的泌尿系结石检测分类方法。
背景技术
泌尿系结石病，是最常见的泌尿外科疾病之一，发病率较高，并呈逐年升高的趋势。根据其化学成分是否含有无机盐可分为：草酸钙结石、磷酸钙结石、磷酸镁铵结石、胱氨酸结石、尿酸结石。
不同成分的结石病采用的治疗方式不同。尿酸和胱氨酸结石首先碱化尿液；含钙结石因其硬度较大，体外冲击波碎石术(ESWL)治疗效果差，常采用经皮肾镜技术(PCNL)；而磷酸镁铵结石需抗感染治疗后，采用ESWL治疗效果较好。
因此治疗前分析结石成分不仅能指导治疗方案的选择，而且也可以为预防结石复发提供依据，具有重要的临床价值。传统分析结石成分的方法包括化学定性或定量分析、光谱分析、X线衍射分析等，这些方法操作复杂，耗时长，费用昂贵。随着人工智能技术的兴起，出现了通过机器学习对泌尿系结石进行分类的方法，但该方法局限于体外。迄今临床上还没有一种可靠的检测手段能在具体治疗方案实施之前准确判断体内结石的成分。
发明内容
本发明的目的就是提供一种基于改进Faster RCNN算法的泌尿系结石检测分类方法，该方法可在术前根据泌尿系结石患者的CT图像对结石进行检测分类，可准确测出结石的化学成分，以便辅助医生寻找病因并根据病因选择合适的治疗方案。
本发明是这样实现的：一种基于改进Faster RCNN算法的泌尿系结石检测分类方法，包括如下步骤：
S1、输入泌尿系结石患者的CT图像；
S2、通过ResNet网络进行特征提取；
S3、将ResNet网络的第一阶段、第二阶段、第三阶段、第四阶段提取出的特征进行多尺度特征融合；
S4、利用卷积注意力机制对步骤S3中得到的融合后的特征进行权重分配形成新特征图；
S5、使新特征图通过RPN网络产生候选框；
S6、使新特征图和候选框通过ROI网络得到预设大小的特征图；
S7、通过预测模块进行结石分类和定位。
优选的，步骤S2中，ResNet网络为ResNet101，本发明利用ResNet101进行结石特征提取，从而提取出结石CT图像的更深层特征，增加判断准确度。
优选的，步骤S3中，将第四阶段的输出作为基础特征图，将第一阶段、第二阶段、第三阶段的输出经过1×1卷积、下采样后变换为与基础特征图等大的特征图，之后将四个阶段的特征图进行通道叠加，实现多尺度特征融合。
优选的，步骤S3对结石的浅层特征和深层特征进行了融合，融合方式与FPN网络不同，而是将resnet101各阶段提取出的特征图统一成相同尺寸，然后利用cancat操作在通道维度进行拼接融合，具体是：
①将第四阶段的输出作为基础特征图，其大小为1024*32*32；
②第一阶段的输出大小为64*128*128，使其经过1×1的卷积层进行两次下采样变换为64*32*32；
③第二阶段的输出大小为256*128*128，使其经过1×1的卷积层进行两次下采样变换为256*32*32；
④第三阶段的输出大小为512*64*64，使其经过1×1的卷积层进行一次下采样变换为512*32*32；
⑤将第四阶段的输出与变换后的第一阶段、第二阶段、第三阶段的输出进行通道叠加，融合多尺度特征，融合后的特征图大小为1856*32*32；
⑥使步骤⑤中融合后的特征图经过1×1的卷积层进行通道压缩，最终得到融合后的特征图大小为1024*32*32。
优选的，步骤S4中卷积注意力机制包括通道注意力机制和空间注意力机制；步骤S3融合后的特征不直接输入RPN网络，而是通过CBAM注意力机制进行权重分配，使特征图中的重要特征具有更高的权重。
优选的，步骤S5具体是：首先将步骤S4产生的新特征图作为RPN网络的输入，然后经过滑动窗口即3*3的卷积层，在滑动窗口的每个像素点对应的原图图片上设置9个矩形窗口得到锚框，将锚框输入到两个1*1的卷积层中进行分类和回归，最后经过后处理NMS得到候选框。
优选的，步骤S6中，ROI网络为Roi Align。步骤S6具体是：将RPN网络输出的候选框映射到步骤S4所形成的新特征图中得到感兴趣区域，之后将感兴趣区域池化为预设大小和长度的特征图输出。
优选的，步骤S7中，所述预测模块包括两个分支网络，其中一个分支网络为分类网络，进行分类预测，输出结石的类别；另一个分支网络为边界回归网络，进行回归预测，输出结石的位置。步骤S7具体是：预测模块首先将ROI网络输出的特征图经过ResNet101的第五阶段，然后进行全连接操作，之后利用Softmax函数进行分类，同时完成边界框回归操作进行定位。
与现有技术相比，本发明的技术方案所带来的有益效果是：
1、本发明能够在泌尿系结石患者进行手术前，在不取出结石的情况下，准确的对其CT图像进行结石检测和分类，预测其化学成分，有助于辅助医生寻找病因并根据病因选择合适的治疗方案以及预防复发，减轻患者二次手术的痛苦。
2、本发明对Faster RCNN算法进行改进，Faster RCNN的特征提取网络采用ResNet101，此特征提取网络采用跳跃连接方式，解决了深层网络面临的梯度消失和***问题，实现了提取图像更深层的特征，提高了网络分类准确度。
3、本发明Faster RCNN融合了图像的浅层和深层特征，并利用卷积注意力机制对融合后的特征进行权重分配形成新特征图，作为RPN网络的输入，解决了深层特征位置信息少，定位不准确的问题，从而提高了网络定位准确度。
附图说明
图1是本发明方法的网络框架结构示意图。
图2是本发明中RseNet101网络的框架结构示意图。
图3是本发明中CBAM注意力机制的框架结构示意图。
图4是本发明实施例中泌尿系结石患者原始CT图像。
图5是本发明方法对图4中泌尿系结石患者原始CT图像进行检测分类后的结果图。
具体实施方式
经典的Faster RCNN算法使用VGG16作为特征提取网络，且只利用了最后一层的输出作为特征图进行检测分类。在本发明中，对Faster RCNN算法进行改进，使用ResNet101作为特征提取网络，来提取更深层的特征，同时将浅层特征和深层特征进行融合，并使用注意力机制分配权重，从而提高检测性能。
本发明的网络框架如图1所示，涉及ResNet网络、特征融合模块、CBAM注意力机制模块、RPN网络、ROI网络和预测模块，其中各个模块的功能如下：
ResNet网络采用跳跃连接网络，解决了深层网络面临的梯度消失和***问题，实现了提取图像更深层的特征。
本发明中ResNet网络采用ResNet101，其结构如图2所示。ResNet101可分为五个阶段，分别为第一阶段(Stage0)、第二阶段(Stage1)、第三阶段(Stage2)、第四阶段(Stage3)、第五阶段(Stage4)。第一阶段主要由7*7的卷积层和最大池化层构成，其他四个阶段主要由残差块堆叠构成，而残差块是由1*1卷积层、3*3卷积层和跳跃连接组成。在本发明方法中，对第一阶段、第二阶段、第三阶段和第四阶段提取出的特征进行融合，第五阶段用于预测模块中，对ROI网络的输出作进一步的特征提取。
特征融合模块首先分别对第一阶段、第二阶段、第三阶段输出的特征图进行1*1卷积和下采样，将特征图大小统一变换为与第四阶段特征图同等尺寸，并在通道维度进行叠加融合，再经过一个1*1卷积压缩通道数，输出作为初步融合后的特征图。
如图3所示，CBAM注意力机制模块包括通道注意力机制模块和空间注意力机制模块。CBAM注意力机制模块将特征融合模块输出的特征图作为输入，对初步融合后的特征图进行权重分配形成最终融合后的新特征图，从而将前四个阶段提取出的特征完美融合在一起。
RPN网络是用来产生候选框的。首先将经CBAM注意力机制模块输出的最终融合后的新特征图作为RPN网络的输入，然后经过滑动窗口(其本质是3*3的卷积层)，在滑动窗口的每个像素点对应的原图图片上设置9个矩形窗口得到锚框，将锚框输入到两个1*1的卷积层中进行分类和回归，判断锚框中是否包含结石，最后经过后处理NMS得到候选框。
ROI网络采用RoiAlign方法，主要作用是将RPN网络输出的候选框映射到特征图得到感兴趣区域，然后将感兴趣区域池化为固定大小和固定长度的特征图输出。
预测模块首先将ROI网络输出的特征图经过ResNet101的第五阶段，然后进行全连接操作，之后利用Softmax函数进行分类，同时完成边界框回归操作进行准确定位。
本发明整个网络的结构如图1所示，主要包括以下几个步骤：
步骤1、输入泌尿系结石患者的CT图像。
步骤2、通过ResNet网络进行特征提取；具体地，ResNet网络为ResNet101。
步骤3、将ResNet网络不同阶段提取出的特征进行多尺度特征融合。
结合图1，将ResNet网络第四个阶段(Stage3)的输出作为基础特征图，其大小为1024*32*32，将第一阶段、第二阶段和第三阶段的输出大小变为32*32像素。
第一阶段(Stage0)的输出大小为64*128*128，使第一阶段的输出经过1×1的卷积层，步长为2，进行两次下采样变为64*32*32。
第二阶段(Stage1)的输出大小为256*128*128，使第二阶段的输出经过1×1的卷积层，步长为2，进行两次下采样变为256*32*32。
第三阶段(Stage2)的输出大小为512*64*64，使第三阶段的输出经过1×1的卷积层，步长为2，进行一次下采样变为512*32*32。
将第四阶段(Stage3)的输出以及下采样后的第一阶段、第二阶段、第三阶段的输出进行通道叠加(即concat操作)，融合多尺度特征，融合后的特征图大小为1856*32*32。
最后通过1×1的卷积层进行通道压缩，使通道压缩后的特征图大小变为1024*32*32。
步骤4、利用卷积注意力机制对上一步得到的融合后的特征进行权重分配形成新特征图。
本步骤中卷积注意力机制(CBAM)包括通道注意力机制和空间注意力机制。
步骤5、使新特征图通过RPN网络产生候选框。
本步骤利用RPN网络产生候选框的过程如下：首先将步骤4产生的新特征图作为RPN网络的输入，然后经过滑动窗口即3*3的卷积层，在滑动窗口的每个像素点对应的原图图片上设置9个矩形窗口得到锚框，将锚框输入到两个1*1的卷积层中进行分类和回归，最后经过后处理NMS得到候选框。
步骤6、使新特征图和候选框通过ROI网络得到固定大小的特征图。优选的，所述ROI网络为RoiAlign。
步骤7、通过预测模块进行结石分类和定位。
本步骤中所述预测模块包括两个分支网络，其中一个分支网络为分类网络，进行分类预测，输出结石具体的类别；另一个分支网络为边界回归网络，进行回归预测，输出结石精确的位置。
本步骤首先将ROI网络输出的特征图经过ResNet101的第五阶段，然后进行全连接操作，之后利用Softmax函数进行分类，同时完成边界框回归操作进行准确定位。
对本发明中基于改进Faster RCNN算法的泌尿系结石检测分类方法进行以下实验和评价分析。
首先建立数据集，收集泌尿系结石患者的CT图像以及每位患者对应的检测报告，由专业泌尿系医生对CT图像进行结石位置标注并根据检测报告进行分类标注，本实验主要包含两种结石类型，草酸钙结石和尿酸结石，然后将标注好的数据按照8:1:1的比例随机划分为训练集、验证集、测试集，之后设置网络训练过程中需要的参数，如训练batch大小，epoch数量，初始化学习率，所采用的优化方法等，再利用训练集和验证集用于训练结石检测分类模型，利用测试集测试该模型的性能。
实验采用召回率(Recall)、平均精度(AP)、平均精度均值(MAP)对实验结果进行衡量：
Figure BDA0003432723890000061
Figure BDA0003432723890000062
Figure BDA0003432723890000063
Figure BDA0003432723890000064
N：类别数目；
M：全部样本中的正例数量；
P：不同Recall下的最大Precision；
True negative(TN)：实际是负样本预测成负样本的样本数；
False positive(FP)：实际是负样本预测成正样本的样本数；
False Negative(FN)：实际是正样本预测成负样本的样本数；
True positive(TP)：实际是正样本预测成正样本的样本数；
表1
Figure BDA0003432723890000065
由实验结果可看出，本发明方法在区别草酸钙结石和尿酸结石上表现良好，能够满足对草酸钙结石和尿酸结石的区分。
如图4和图5所示，图4是泌尿系结石患者原始CT图像，图5是采用本发明方法对泌尿系结石患者原始CT图像进行检测分类后的结果图。由图可以看出，本发明准确地检测出结石所在位置以及结石成分(含钙结石)。
本发明并不限于上面描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (10)

1.一种基于改进Faster RCNN算法的泌尿系结石检测分类方法，其特征是，包括如下步骤：
S1、输入泌尿系结石患者的CT图像；
S2、通过ResNet网络进行特征提取；
S3、将ResNet网络的第一阶段、第二阶段、第三阶段、第四阶段提取出的特征进行多尺度特征融合；
S4、利用卷积注意力机制对步骤S3中得到的融合后的特征进行权重分配形成新特征图；
S5、使新特征图通过RPN网络产生候选框；
S6、使新特征图和候选框通过ROI网络得到预设大小的特征图；
S7、通过预测模块进行结石分类和定位。
2.根据权利要求1所述的基于改进Faster RCNN算法的泌尿系结石检测分类方法，其特征是，步骤S2中，ResNet网络为ResNet101。
3.根据权利要求2所述的基于改进Faster RCNN算法的泌尿系结石检测分类方法，其特征是，步骤S3中，将第四阶段的输出作为基础特征图，将第一阶段、第二阶段、第三阶段的输出经过1×1卷积、下采样后变换为与基础特征图等大的特征图，之后将四个阶段的特征图进行通道叠加，实现多尺度特征融合。
4.根据权利要求3所述的基于改进Faster RCNN算法的泌尿系结石检测分类方法，其特征是，步骤S3具体是：
①将第四阶段的输出作为基础特征图，其大小为1024*32*32；
②第一阶段的输出大小为64*128*128，使其经过1×1的卷积层进行两次下采样变换为64*32*32；
③第二阶段的输出大小为256*128*128，使其经过1×1的卷积层进行两次下采样变换为256*32*32；
④第三阶段的输出大小为512*64*64，使其经过1×1的卷积层进行一次下采样变换为512*32*32；
⑤将第四阶段的输出与变换后的第一阶段、第二阶段、第三阶段的输出进行通道叠加，融合多尺度特征，融合后的特征图大小为1856*32*32；
⑥使步骤⑤中融合后的特征图经过1×1的卷积层进行通道压缩，最终得到融合后的特征图大小为1024*32*32。
5.根据权利要求1所述的基于改进Faster RCNN算法的泌尿系结石检测分类方法，其特征是，步骤S4中卷积注意力机制包括通道注意力机制和空间注意力机制。
6.根据权利要求1所述的基于改进Faster RCNN算法的泌尿系结石检测分类方法，其特征是，步骤S5具体是：首先将步骤S4产生的新特征图作为RPN网络的输入，然后经过滑动窗口即3*3的卷积层，在滑动窗口的每个像素点对应的原图图片上设置9个矩形窗口得到锚框，将锚框输入到两个1*1的卷积层中进行分类和回归，最后经过后处理NMS得到候选框。
7.根据权利要求1所述的基于改进Faster RCNN算法的泌尿系结石检测分类方法，其特征是，步骤S6中，ROI网络为RoiAlign。
8.根据权利要求7所述的基于改进Faster RCNN算法的泌尿系结石检测分类方法，其特征是，步骤S6具体是：将RPN网络输出的候选框映射到步骤S4所形成的新特征图中得到感兴趣区域，之后将感兴趣区域池化为预设大小和长度的特征图输出。
9.根据权利要求1所述的基于改进Faster RCNN算法的泌尿系结石检测分类方法，其特征是，步骤S7中，所述预测模块包括两个分支网络，其中一个分支网络为分类网络，进行分类预测，输出结石的类别；另一个分支网络为边界回归网络，进行回归预测，输出结石的位置。
10.根据权利要求9所述的基于改进Faster RCNN算法的泌尿系结石检测分类方法，其特征是，步骤S7具体是：预测模块首先将ROI网络输出的特征图经过ResNet101的第五阶段，然后进行全连接操作，之后利用Softmax函数进行分类，同时完成边界框回归操作进行定位。
CN202111603192.1A 2021-12-24 2021-12-24 基于改进Faster RCNN算法的泌尿系结石检测分类方法 Pending CN114445339A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111603192.1A CN114445339A (zh) 2021-12-24 2021-12-24 基于改进Faster RCNN算法的泌尿系结石检测分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111603192.1A CN114445339A (zh) 2021-12-24 2021-12-24 基于改进Faster RCNN算法的泌尿系结石检测分类方法

Publications (1)

Publication Number Publication Date
CN114445339A true CN114445339A (zh) 2022-05-06

Family

ID=81363446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111603192.1A Pending CN114445339A (zh) 2021-12-24 2021-12-24 基于改进Faster RCNN算法的泌尿系结石检测分类方法

Country Status (1)

Country Link
CN (1) CN114445339A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063795A (zh) * 2022-08-17 2022-09-16 西南民族大学 一种尿沉渣分类检测方法、装置、电子设备及存储介质
CN115240172A (zh) * 2022-07-12 2022-10-25 哈尔滨市科佳通用机电股份有限公司 基于深度学习的缓解阀丢失检测方法
CN117788474A (zh) * 2024-02-27 2024-03-29 陕西省人民医院(陕西省临床医学研究院) 一种基于机器视觉的泌尿结石图像识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240172A (zh) * 2022-07-12 2022-10-25 哈尔滨市科佳通用机电股份有限公司 基于深度学习的缓解阀丢失检测方法
CN115063795A (zh) * 2022-08-17 2022-09-16 西南民族大学 一种尿沉渣分类检测方法、装置、电子设备及存储介质
CN115063795B (zh) * 2022-08-17 2023-01-24 西南民族大学 一种尿沉渣分类检测方法、装置、电子设备及存储介质
CN117788474A (zh) * 2024-02-27 2024-03-29 陕西省人民医院(陕西省临床医学研究院) 一种基于机器视觉的泌尿结石图像识别方法
CN117788474B (zh) * 2024-02-27 2024-05-03 陕西省人民医院(陕西省临床医学研究院) 一种基于机器视觉的泌尿结石图像识别方法

Similar Documents

Publication Publication Date Title
CN114445339A (zh) 基于改进Faster RCNN算法的泌尿系结石检测分类方法
Ukwuoma et al. A hybrid explainable ensemble transformer encoder for pneumonia identification from chest X-ray images
CN109447940B (zh) 卷积神经网络训练方法、超声图像识别定位方法及***
CN109543719B (zh) 基于多模态注意力模型的宫颈非典型病变诊断模型和装置
TWI684997B (zh) 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法
CN110543912B (zh) 自动获取胎儿关键切面超声视频中心动周期视频的方法
CN106096571B (zh) 一种基于emd特征提取和稀疏表示的细胞分类方法
CN111079901A (zh) 基于小样本学习的急性脑卒中病变分割方法
CN116579982A (zh) 一种肺炎ct图像分割方法、装置及设备
CN114332572B (zh) 基于显著图引导分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数方法
CN113743463B (zh) 一种基于影像数据和深度学习的肿瘤良恶性识别方法和***
Ozdemir et al. Age Estimation from Left-Hand Radiographs with Deep Learning Methods.
CN114565572A (zh) 一种基于图像序列分析的脑出血ct图像分类方法
CN112767374A (zh) 基于mri的阿尔茨海默症病灶区域语义分割算法
Wang et al. A ResNet‐based approach for accurate radiographic diagnosis of knee osteoarthritis
CN117350979A (zh) 一种基于医疗超声影像的任意病灶分割和追踪***
CN114140437A (zh) 一种基于深度学习的眼底硬渗出物分割方法
CN111528918A (zh) 消融术后肿瘤体积变化趋势图生成装置、设备及存储介质
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
CN116486068A (zh) 一种基于嵌套u型网络的covid-19病灶分割方法
CN116504399A (zh) 一种基于纵向DCE-MRI的乳腺癌新辅助化疗pCR预测方法
Li et al. A recognition method of urine cast based on deep learning
CN113469942B (zh) 一种ct图像病变检测方法
Jing et al. Optimization of Deep-learning network using Resnet50 based model for corona virus disease (COVID-19) histopathological image classification
Guo et al. LesionTalk: Core data extraction and multi-class lesion detection in IoT-based intelligent healthcare

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