CN115564756A - 医学图像病灶定位显示方法与*** - Google Patents
医学图像病灶定位显示方法与*** Download PDFInfo
- Publication number
- CN115564756A CN115564756A CN202211303597.8A CN202211303597A CN115564756A CN 115564756 A CN115564756 A CN 115564756A CN 202211303597 A CN202211303597 A CN 202211303597A CN 115564756 A CN115564756 A CN 115564756A
- Authority
- CN
- China
- Prior art keywords
- medical image
- detected
- image
- model
- discrimination
- 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
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
- 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
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例属于医学智能技术领域,涉及一种医学图像病灶定位显示方法,方法包括:获取预设医学图像,定位预设医学图像中的病灶,并对病灶进行分割,设置分割后的病灶为训练数据;基于深度学习的循环生成对抗网络,训练训练数据并迭代优化生成模型与判别模型;获取待检测医学图像,输入待检测医学图像至优化后的生成模型与判别模型中,得到生成模型处理后的待检测医学图像对应的待检测伪正常图像、判别模型处理后待检测医学图像对应的分类评分与分类特征映射图。本申请还提供一种医学图像病灶定位显示***、设备及其存储介质。此外,本申请还涉及区块链技术,医学图像以及诊断病灶数据可存储于区块链中。
Description
技术领域
本申请涉及医学智能技术领域,尤其涉及一种医学图像病灶定位显示方法、***、设备及其存储介质。
背景技术
医学图像是现代疾病诊断的重要依据,其具有数据量大,标准统一,数字化程度较高等优点。医学图像利用非侵入式手段实现人体内部结构以及微观结构进行显示,作为诊断医生提供重要人体器官、软组织、病变区域的客观可视化呈现,在疾病筛查、诊断、治疗以及预后评估等各个环节起到重要的作用。然而随着现代医学从人口老龄化与各种疾病早筛早诊早治,常规医学图像的诊断与勾画工作异常繁重,仅利用诊断医生实现疾病的早筛诊断,无法实现高效、精确的诊断结果。如何为医学图像工作者(如图像科、放疗科医生)提供有效客观、可控的辅助诊断结果,是研究人员在医学图像辅助诊断相关研究的目标。
随着计算机技术的发展与人工智能技术的快速迭代,对应计算机辅助诊断(Computer Aided Diagnosis,CAD)研究与应用,已经成为跨学科的研究热点。利用CAD技术提供的客观量化、高效可控的医学图像辅助诊断结果,将降低医疗工作的早筛工作压力与诊断的特异性。然而,现有的辅助诊断方法大多依赖于费时费力的金标准标注数据,对于数据量庞大而金标准欠缺的医疗图像,较难实现超大规模的网络模型训练从而获得更优的辅助诊断结果,且目前的CAD技术大多采用轮廓线、定位框等简单定位方式实现病灶的显示,或对疑似病灶整体类型进行分类单一数值显示(如简单的良恶性分类或恶性概率数值),使得现有的显示方式往往受限于算法精确度,且无法判断CAD判别结果成因。
发明内容
本申请实施例的目的在于提出一种医学图像病灶定位显示方法、***、设备及其存储介质,以解决现有技术中医学图像诊断无法应用于临床大规模数据处理中,且标注病灶数据的不精确性,带来计算机辅助诊断检测结果的不稳定的技术问题。
为了解决上述技术问题,本申请实施例提供一种医学图像病灶定位显示方法,采用了如下所述的技术方案:所述方法包括下述步骤:
获取预设医学图像,定位预设医学图像中的病灶,并对病灶进行分割,设置分割后的病灶为训练数据;
基于深度学习的循环生成对抗网络,训练训练数据并迭代优化生成模型与判别模型;
获取待检测医学图像,输入待检测医学图像至优化后的生成模型与判别模型中,得到生成模型处理后的待检测医学图像对应的待检测伪正常图像、判别模型处理后待检测医学图像对应的分类评分与分类特征映射图;
对待检测医学图像与待检测伪正常图像进行图像预处理与邻域差值运算,并基于掩模处理获得候选异常区域定位图;
基于分类评分对分类特征映射图进行幅值变换,并与候选异常区域定位图进行基于空间位置的点乘处理,获得疑似病灶定位图的定位结果并显示于待检测医学图像上。
为了解决上述技术问题,本申请实施例还提供一种医学图像病灶定位显示***,所述***包括:
分割模块,用于获取预设医学图像,定位预设医学图像中的病灶,并对病灶进行分割,设置分割后的病灶为训练数据;
训练模块,用于基于深度学习的循环生成对抗网络,训练训练数据并迭代优化生成模型与判别模型;
优化模块,用于获取待检测医学图像,输入待检测医学图像至优化后的生成模型与判别模型中,得到生成模型处理后的待检测医学图像对应的待检测伪正常图像、判别模型处理后待检测医学图像对应的分类评分与分类特征映射图;
处理模块,用于对待检测医学图像与待检测伪正常图像进行图像预处理与邻域差值运算,并基于掩模处理获得候选异常区域定位图;
结果模块,用于基于分类评分对分类特征映射图进行幅值变换,并与候选异常区域定位图进行基于空间位置的点乘处理,获得疑似病灶定位图的定位结果并显示于待检测医学图像上。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:包括存储器与处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述的医学图像病灶定位显示方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的医学图像病灶定位显示方法的步骤。
与现有技术相比,本申请通过对大量未完全标记和基本诊断信息的数据进行病灶的分割训练,基于深度学习的循环生成对抗网络进行伪正常图像的转换和分类判别,解决常规辅助诊断***受制于医疗图像金标准欠缺且数据量少等问题,增加相似性匹配,增强转换性能;之后,在原图像基础上,结合判别模型的分类评分以及掩模处理的异常区域定位图,获取具有概率信息的疑似病灶定位图并显示于待检测医学图像上,降低错误诊断结果的发生概率。解决了常规医学图像缺乏病灶位置造成的标注困难,以及辅助诊断精确率低等问题,提升医学图像的疑似病灶检测能力以及辅助诊断可靠性,降低错误诊断结果的发生概率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面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的附图。
图1是本申请可以应用于其中的示例性***架构图;
图2是医学图像病灶定位显示方法的一个实施例的流程图;
图3是判别模型与生成模型的图像处理的构建图;
图4是浅层特征提取的构建图;
图5是判别模型的判别构建图;
图6是疑似病灶定位图生成的构建图;
图7是医学图像病灶定位显示***的一个实施例的结构示意图;
图8是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术与科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书与权利要求书及上述附图说明中的术语“包括”与“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书与权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地与隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104与服务器105。网络104用以在终端设备101、102、103与服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态图像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态图像专家压缩标准音频层面4)播放器、膝上型便携计算机与台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的医学图像病灶定位显示方法一般由服务器执行,相应地,医学图像病灶定位显示***一般设置于服务器中。
应该理解,图1中的终端设备、网络与服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络与服务器。
继续参考图2-图6,图2示出了根据本申请的医学图像病灶定位显示方法的一个实施例的流程图。所述的医学图像病灶定位显示方法,包括以下步骤:
步骤S201,获取预设医学图像,定位预设医学图像中的病灶,并对病灶进行分割,设置分割后的病灶为训练数据;
在本实施例中,预设医学图像包括基本诊断信息以及未标注病灶区域,其中,基本诊断信息为预设医学图像的诊断分类及解剖部位等弱监督信息;未标注病灶区域为预设医学图像中无病灶轮廓区域等强监督信息;预设医学图像主要包含对预设区域的人体组织或感兴趣区域的密度或组成成分在二维空间或三维空间的像素值呈现,为临床医生提供有效的辅助诊断信息和定位信息;感兴趣区域为预设区域中存疑的肿块、结节、钙化等病灶,或其他非正常组织。
在本实施例中,在批量获取常规筛查的乳腺钼靶医学图像,按肿瘤的解剖结构粗定位,对上述批量获取的按部位和空间方向位置进行分割(如将MLO位胸大肌、腺体、胸壁等分割),作为本实施例计算机辅助诊断算法的训练数据,其中,乳腺钼靶医学图像为左右乳MLO、CC位等常规***采集的数据,且均已进行良恶性分型和病灶肿瘤的解剖结构部位甄别(乳腺钼靶医学图像的信息可通过阅片***或电子病历等常规***获得)。
步骤S202,基于深度学习的循环生成对抗网络,训练训练数据并迭代优化生成模型与判别模型;
在本实施例中,基于深度学习的循环生成对抗网络,将非配对的训练数据进行分组及训练处理后,输入至生成模型转换为伪正常图像以及输入至判别模型进行多任务判别。生成模型围绕数据集的分布来返回给定示例的概率,判别模型基于条件概率进行预测,用于分类或回归。
在一实施例中,设置生成模型1(g1):可对未标注的医学图像生成伪正常图像,即:将正常图像生成伪正常图像,与原正常图像基本一致,而将异常图像生成伪正常图像,将异常区域像素分布转换为正常分布,其他区域与原正常图像基本一致;设置生成模型2(g2):可对未标注的医学图像生成伪异常图像,即:将异常图像生成伪异常图像,与原异常图像基本一致,而将正常图像生成伪异常图像,随机将局部的正常区域像素分布转换为异常分布,其他区域与原正常图像基本一致;设置判别模型1(d2)和判别模型2(d2):可对输入的医学图像进行真伪图像的判别,即是模型生成医学图像亦或是真实采集的医学图像,可对输入的医学图像进行类型判别,判别输入的医学图像是否为正常亦或是异常的医学图像。
将分割后的乳腺钼靶医学图像按分型为正常训练数据xn和异常训练数据xa,并通过左右镜像等操作扩充训练样本量,对于分组后的训练数据随机组合真伪图像对,分别输入至循环生成对抗网络的生成模型1(g1)和生成模型2(g2)中,实现乳腺钼靶医学图像的真伪转换,及输入至后续的判别模型1(d1)和判别模型2(d2)的训练中,实现乳腺钼靶医学图像的分类。
在另一实施方式中,将非配对训练数据用于输入的图像对,可作为不同患者的在同一解剖结构的正常异常图像对,也可作为通过左右侧同一部位的医学图像等镜像处理获得的正常和/或异常图像对。其中,非配对训练数据无需要求医学图像对在像素上的绝对匹配,即可利用大量非配对分类的训练数据进行输入,提高生成模型的泛化性和可操作性。其中,对医学图像的处理可包括镜像处理和纹理增强等常规图像处理操作,也可增加高斯噪声等处理,实现网络模型的泛化性和性能。
其中,非配对图像为原图像与对应辅助图像,当原图像为异常图像,则对应辅助图像为同一患者或不同患者的正常图像,反之亦然。
在本实施方式中,生成模型采用Res-Unet模型作为生成模型的主要架构,其中内嵌Inception Block增加对不同尺寸病灶的特征提取和生成性能;判别器采用PatchGAN作为判别模型的主要架构,利用多感受野特征综合判别输出,提升判别模型对精细病灶的识别和判别能力(感受野(Receptive Field)是卷积神经网络每一层输出的特征图(featuremap)上的像素点在输入图片上映射的区域大小)。
在本实施例中提出对生成模型的优化迭代方法:由特征提取器提取预设医学图像与预设伪正常图像的浅层特征,基于相似性匹配与量化差距指标,计算浅层特征的特征约束值,并由特征约束值迭代优化生成模型。特征提取器f可为常规的图像纹理特征提取器,也可以为预训练的网络的浅层输出作为特征提取器,浅层特征的提取可增强生成模型对图像纹理特征的生成性能,解决生成图像边缘梯度模糊的问题,进而提高病灶定位的特异性。
具体地,相似性匹配即对生成器输入的原图像及输出的伪正常图像对应的浅层特征进行基于像素差距量化指标计算,以衡量目标医学图像生成相似性;量化差距指标使用欧氏距离函数(如MSE、MAE等常见误差距离,偏差越小,越相似),也可使用余弦相似度(CM)、结构相似度(SSIM)等相似性指标(数值越接近1,越相似)。当生成模型的迭代速度提高,即将量化差距指标作为生成器的损失函数的加权项,在训练过程中,迭代逐步修正与输入的原图像纹理特征差距,以提高生成器生成医学图像的表征特征质量。
优选地,浅层特征的约束值可以用如下公式计算:Vd=ξ(f(x)-f(gi(x))),其中x为原图像,经生成模型gi转换为对应的生成图像gi(x),通过特征提取器f实现生成图像gi(x)的浅层特征的矩阵进行提取,再通过浅层特征差距度量函数ξ,实现浅层特征的矩阵到模型迭代优化的约束值。
优选地,通过灰度共生矩阵特征(GLDM)计算方法fgldm提取原图像x和生成图像gi(x)的纹理浅层特征,以构建基于纹理浅层特征的欧氏距离相似度评价函数,即‖fgldm(x)-fgldm(gi(x))‖,计算得欧氏距离作为通过特征约束值,在训练过程中反馈至生成模型进行纹理特征的约束,可有效增强生成图像的纹理特征。
当采用预训练的Resnet18神经网络的前两层特征输出作为特征提取器fRes,提取原图像x和生成图像gi(x)的浅层特征,并构建基于浅层特征的余弦相似度评价函数,即通过计算得余弦相似度的特征约束值,在训练过程中反馈至生成模型进行浅层特征的约束,特征约束值的引入有效增强生成图像gi(x)的纹理特征,通过采用基于自然图像预训练的Resnet50分类网络,便于直接提取医学图像的共性纹理特征。
在本实施例中提出对判别模型的优化迭代方法:由分类器分析多任务判别,并获得多任务判别的判别约束值;反馈判别约束值至生成模型中进行迭代训练,反馈判别约束值至判别模型进行迭代调整。具体地,多任务判别包括图像分类判别和真伪判别,可为单一分类神经网络多目标分类模型实现,也可由两个分类模型分别实现类型判别和真伪判别。类型判别即分别将生成伪图像与原图像/辅助图像进行相似性数值评估:即若分类器输入图像为正常图像,则分类器取值趋向于1;即若输入图像为异常图像,则分类器取值趋向于0。真伪判别,则通过判别图像的分布特征,识别图像的真伪,输入图像和辅助图像均趋向于真(1),输出的伪图像趋向于伪(0)。多任务判别的约束值,根据分类器的输出结果进行加权求和所得。
在将约束值反馈至生成模型后,迭代训练提高生成模型对异常区域的识别和转换能力,使之生成的伪正常图像更满足正常图像的特征分布,即生成的伪图像更真实;在将约束值反馈至判别模型后,可增加判别模型对正常/异常组织的分布特征的识别能力,提高底层特征层的识别区域与病灶的异常区域的相关性。
在一实施方式中,输入乳腺靶区医学图像为如左乳伪正常图像,对应辅助图像为同一患者同一***右乳的正常图像。考虑人体组织的对称性和相关性,利用相对一侧的医学图像可提高生成模型(判别模型)对正常/异常组织特征分布的转换能力(识别能力),同时符合诊断医生的阅片流程和临床经验的逻辑。
其中,辅助图像即为输入图像的相反类别的图像,可从输入原图像对侧的器官图像镜像获得,也可以为不同患者同一解剖位置的不同类别图像。
具体地,判别模型利用PatchGAN作为基本框架,同时在判别模型的底层特征层利用全连接层(FCN)分别构建2个分类任务分支,通过数层FCN后连接Sigmod层输出,分别输出真伪分类评分c(x)和类型分类评分t(x),判别模型的约束值采用交叉熵损失函数加权求和计算,即C=-α∑iyilog(c(x))-(1-α)∑iyilog(c(x))获得,其中α为超参数,用以调整多任务判别的权重。
步骤S203,获取待检测医学图像,输入待检测医学图像至优化后的生成模型与判别模型中,得到生成模型处理后的待检测医学图像对应的待检测伪正常图像、判别模型处理后待检测医学图像对应的分类评分与分类特征映射图;
具体地,获取待检测医学图像,经生成模型对待检测医学图像进行识别,得到分布异常区域或分布正常区域,当识别后得到为分布异常区域时,提取分布正常区域的正常图像特征,将分布异常区域转换成与正常图像特征一致的灰度分析,得到待检测医学图像对应的待检测伪正常图像;当识别后得到为分布正常区域时,设置分布正常区域转换为正常图像。在识别结果之后,经判别模型识别待检测医学图像并由判别模型的底层特征层处理,输出待检测医学图像对应的分类评分,并计算得到分类特征映射图。
其中,待检测医学图像经过生成模型识别并转换后,将存在分布异常的区域转换成与正常图像特征一致的灰度分布:若输入为异常图像,则经过生成模型识别并转换后生成伪正常图像;若输入为正常图像,则经过生成模型识别并转换后生成正常图像,图像像素基本保持不变。
具体地,分类特征映射图,体现在对判别模型的底层特征层输出加权平均后,经图像后处理获得分类特征映射图。其中,分类特征映射图的像素值的大小反映对图像异常分类识别贡献度,对异常区域所在的数值较大,对于正常区域所在区域的数值较小。分类特征映射图反映判别模型对待检测医学图像的异常区域的特征位置。图像后处理包括但不局限于图像的二次线性插值、阈值处理、平滑滤波等常规图像操作,通过图像后处理获取与原图尺寸一致的分类特征映射图。
在一实施方式中,通过批量诊断分类的乳腺钼靶医学图像训练完毕的生成模型g1和判别模型d1,对待检测医学图像Ii进行图像生成和类型判别:一方面,通过生成模型g1识别待检测医学图像Ii的异常分布区域并进行转换,生成伪正常图像Fi,满足正常图像分布,判别模型d1识别待检测医学图像Ii,经过底层特征识别层和全连接层FCN1处理后,输出图像的类型分类评分s1;另一方面,通过公式计算待检测医学图像特征映射图,通过函数输入待检测医学图像Ii和底层特征识别层求待检测医学图像Ii在底层特征识别层的贡献数值(即计算待检测医学图像Ii正常像素和异常像素在各底层特征识别层的贡献权重。可选地,函数为偏导函数,平均池化操作计算各底层特征识别层通过R函数进行各各底层特征识别层数值的线性组合和插值运算(R包括Relu非负操作和双线性插值),最终获取待检测医学图像Ii在判别模型d1的分类特征权重,即分类特征映射图C。
步骤S204,对待检测医学图像与待检测伪正常图像进行图像预处理与邻域差值运算,并基于掩模处理获得候选异常区域定位图;
具体地,图像预处理包括但不局限于对输入/输出图像进行平滑降噪处理,去除异常噪声信号,提高后续定位图像的精度。对待检测的乳腺钼靶医学图像及其生成的伪正常图像分别进行高斯滤波处理,处理后获得平滑后的原图像和正常图像,降低了生成模型生成的伪正常图像的转换误差。
邻域差值运算主要对输入的待检测医学图像各坐标像素点与输出的伪正常图像对应像素点的邻域均值进行欧氏距离的偏差计算。欧式距离偏差,包括但不限于绝对值误差、均方根误差等常规偏差计算方法。邻域距离,为大于0且小于m的某一整数,m为病灶的常规尺寸,通过设置邻域均值调整候选异常区域定位图的敏感度。掩模处理通过包括但不限于阈值或梯度运算等方式提取候选异常区域定位图的空间分布。候选异常区域定位图,具体为待检测医学图像的正常区域所在像素近似于0,而疑似病灶的异常区域所在像素,则为设定值。
在本实施例中,乳腺肿块的常规直径m为3cm,设定邻域距离为1cm。设定像素点尺寸为1mm,则设定邻域像素范围n为5,通过计算公式
,即可获得候选异常区域定位图Lx,y。
其中,通过计算乳腺钼靶医学图像的异常区域定位图的非零像素直方图,设定掩模提取阈值为直方图小大拐点处,超过阈值的像素设定为设定值,低于阈值的像素设定为0。
在另一实施例中,通过Sobel算子计算乳腺钼靶图像对应候选异常区域定位图的梯度图像,并按梯度图像的数值划分待分割区域的边缘,以此边缘信息对所在连通域进行设定值的填充,在连通域的外区域设定为0时,获得候选异常区域定位图。
步骤S205,基于分类评分对分类特征映射图进行幅值变换,并与候选异常区域定位图进行基于空间位置的点乘处理,获得疑似病灶定位图的定位结果并显示于待检测医学图像上。
具体地,基于分类特征映射图进行归一化处理后,并按分类评分进行数值加权,得到特征定位图,将特征定位图与候选异常区域定位图对应像素点的数值进行相乘处理,输出与待检测医学图像尺寸一致的疑似病灶定位图,并将病灶定位图显示于待检测医学图像上。将疑似病灶定位图叠加显示于待检测医学图像上,并可获得对应位置病灶疑似概率。
幅值变换为对乳腺钼靶医学图像的分类特征映射图C在进行归一化处理后,并按分类评分数值s1进行加权,获得特征定位图S以及特征定位图S中各像素数值反应分类特征权重占比:权重占比数值越趋向于1,表示该位置对病灶检测结果的贡献度越高;权重占比数值越趋向于0,表示该位置对病灶检测结果的贡献度越低,更偏向于正常组织特征。
点乘处理为对乳腺钼靶医学图像的特征定位图S和候选异常区域定位图L对应各像素点的数值进行相乘,输出与待检测医学图像尺寸一致的疑似病灶定位图,疑似病灶定位图中的各像素点数值反映为诊断为病灶疑似概率。
疑似病灶定位图包括但不限于使用伪彩、分段线性变换等非均匀灰度变换等方式,以透明度可调的方式显示于原图像中,当然,疑似病灶定位图还可进行二值化或外扩处理,即输出疑似病灶的检测框位置。
本实施例提供以下有益效果:通过对大量未完全标记和基本诊断信息的数据进行病灶的分割训练,基于深度学习的循环生成对抗网络进行伪正常图像的转换和分类判别,解决常规辅助诊断***受制于医疗图像金标准欠缺且数据量少等问题,增加相似性匹配,增强转换性能;之后,在原图像基础上,结合判别模型的分类评分以及掩模处理的异常区域定位图,获取具有概率信息的疑似病灶定位图并显示于待检测医学图像上,降低错误诊断结果的发生概率。解决了常规医学图像缺乏病灶位置造成的标注困难,以及辅助诊断精确率低等问题,提升医学图像的疑似病灶检测能力以及辅助诊断可靠性,降低错误诊断结果的发生概率。
需要强调的是,为进一步保证上述医学图像以及诊断病灶数据的私密与安全性,上述医学图像以及诊断病灶数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)与生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取与处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸与扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图7,作为对上述图2-6所示方法的实现,本申请提供了一种医学图像病灶定位显示***的一个实施例,该***实施例与图2-6所示的方法实施例相对应,该***具体可以应用于各种电子设备中。
如图7所示,本实施例所述的医学图像病灶定位显示***300包括:分割模块301、训练模块302、优化模块303、处理模块304、结果模块305。其中:
分割模块301,用于获取预设医学图像,定位预设医学图像中的病灶,并对病灶进行分割,设置分割后的病灶为训练数据;
训练模块302,用于基于深度学习的循环生成对抗网络,训练训练数据并迭代优化生成模型与判别模型;
优化模块303,用于获取待检测医学图像,输入待检测医学图像至优化后的生成模型与判别模型中,得到生成模型处理后的待检测医学图像对应的待检测伪正常图像、判别模型处理后待检测医学图像对应的分类评分与分类特征映射图;
处理模块304,用于对待检测医学图像与待检测伪正常图像进行图像预处理与邻域差值运算,并基于掩模处理获得候选异常区域定位图;
结果模块305,用于基于分类评分对分类特征映射图进行幅值变换,并与候选异常区域定位图进行基于空间位置的点乘处理,获得疑似病灶定位图的定位结果并显示于待检测医学图像上。
本实施例通过对大量未完全标记和基本诊断信息的数据进行病灶的分割训练,基于深度学习的循环生成对抗网络进行伪正常图像的转换和分类判别,解决常规辅助诊断***受制于医疗图像金标准欠缺且数据量少等问题,增加相似性匹配,增强转换性能;之后,在原图像基础上,结合判别模型的分类评分以及掩模处理的异常区域定位图,获取具有概率信息的疑似病灶定位图并显示于待检测医学图像上。解决了常规医学图像缺乏病灶位置造成的标注困难,以及辅助诊断精确率低等问题,提升医学图像的疑似病灶检测能力以及辅助诊断可靠性,降低错误诊断结果的发生概率。
在本实施例的一些可选的实现方式中,所述训练模块302包括:
训练单元,用于基于深度学习的循环生成对抗网络,将非配对的训练数据进行分组及训练处理后,输入至生成模型转换为伪正常图像以及输入至判别模型进行多任务判别;
特征提取单元,用于由特征提取器提取预设医学图像与预设伪正常图像的浅层特征;
模型生成单元,用于基于相似性匹配与量化差距指标,计算浅层特征的特征约束值,并由特征约束值迭代优化生成模型;
分析单元,用于由分类器分析多任务判别,并获得多任务判别的判别约束值;
反馈单元,用于反馈判别约束值至生成模型中进行迭代训练,反馈判别约束值至判别模型进行迭代调整。
在本实施例的一些可选的实现方式中,所述优化模块302包括:
获取单元,用于获取待检测医学图像;
识别单元,用于经生成模型对待检测医学图像进行识别,得到分布异常区域或分布正常区域,当识别后得到为分布异常区域时,提取分布正常区域的正常图像特征,将分布异常区域转换成与正常图像特征一致的灰度分析,得到待检测医学图像对应的待检测伪正常图像,当识别后得到为分布正常区域时,设置分布正常区域转换为正常图像;
处理单元,用于经判别模型识别待检测医学图像并由判别模型的底层特征层处理;
计算单元,用于输出待检测医学图像对应的分类评分,并计算得到分类特征映射图。
在本实施例的一些可选的实现方式中,所述结果模块305包括:
加权单元,用于基于分类特征映射图进行归一化处理后,并按分类评分进行数值加权,得到特征定位图;
相乘单元,用于将特征定位图与候选异常区域定位图对应像素点的数值进行相乘处理;
输出单元,用于输出与待检测医学图像尺寸一致的疑似病灶定位图,并将病灶定位图显示于待检测医学图像上。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图8,图8为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图8中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算与/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作***与各类应用软件,例如医学图像病灶定位显示方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述医学图像病灶定位显示方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例通过对大量未完全标记和基本诊断信息的数据进行病灶的分割训练,基于深度学习的循环生成对抗网络进行伪正常图像的转换和分类判别,解决常规辅助诊断***受制于医疗图像金标准欠缺且数据量少等问题,增加相似性匹配,增强转换性能;之后,在原图像基础上,结合判别模型的分类评分以及掩模处理的异常区域定位图,获取具有概率信息的疑似病灶定位图并显示于待检测医学图像上,降低错误诊断结果的发生概率。解决了常规医学图像缺乏病灶位置造成的标注困难,以及辅助诊断精确率低等问题,提升医学图像的疑似病灶检测能力以及辅助诊断可靠性,降低错误诊断结果的发生概率。
本申请还提供了另一种实施方式,即提供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可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的医学图像病灶定位显示方法的步骤。
本实施例通过对大量未完全标记和基本诊断信息的数据进行病灶的分割训练,基于深度学习的循环生成对抗网络进行伪正常图像的转换和分类判别,解决常规辅助诊断***受制于医疗图像金标准欠缺且数据量少等问题,增加相似性匹配,增强转换性能;之后,在原图像基础上,结合判别模型的分类评分以及掩模处理的异常区域定位图,获取具有概率信息的疑似病灶定位图并显示于待检测医学图像上,降低错误诊断结果的发生概率。解决了常规医学图像缺乏病灶位置造成的标注困难,以及辅助诊断精确率低等问题,提升医学图像的疑似病灶检测能力以及辅助诊断可靠性,降低错误诊断结果的发生概率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种医学图像病灶定位显示方法,其特征在于,所述方法包括下述步骤:
获取预设医学图像,定位预设医学图像中的病灶,并对病灶进行分割,设置分割后的病灶为训练数据;
基于深度学习的循环生成对抗网络,训练训练数据并迭代优化生成模型与判别模型;
获取待检测医学图像,输入待检测医学图像至优化后的生成模型与判别模型中,得到生成模型处理后的待检测医学图像对应的待检测伪正常图像、判别模型处理后待检测医学图像对应的分类评分与分类特征映射图;
对待检测医学图像与待检测伪正常图像进行图像预处理与邻域差值运算,并基于掩模处理获得候选异常区域定位图;
基于分类评分对分类特征映射图进行幅值变换,并与候选异常区域定位图进行基于空间位置的点乘处理,获得疑似病灶定位图的定位结果并显示于待检测医学图像上。
2.根据权利要求1所述的医学图像病灶定位显示方法,其特征在于,所述基于深度学习的循环生成对抗网络,训练训练数据并迭代优化生成模型与判别模型的步骤包括:
基于深度学习的循环生成对抗网络,将非配对的训练数据进行分组及训练处理后,输入至生成模型转换为伪正常图像以及输入至判别模型进行多任务判别。
3.根据权利要求2所述的医学图像病灶定位显示方法,其特征在于,所述基于深度学习的循环生成对抗网络,将非配对的训练数据进行分组及训练处理后,输入至生成模型进行转换伪正常图像以及输入至判别模型进行多任务判别的步骤之后,所述方法还包括:
由特征提取器提取预设医学图像与预设伪正常图像的浅层特征;
基于相似性匹配与量化差距指标,计算浅层特征的特征约束值,并由特征约束值迭代优化生成模型。
4.根据权利要求2所述的医学图像病灶定位显示方法,其特征在于,所述基于深度学习的循环生成对抗网络,将非配对的训练数据进行分组及训练处理后,输入至生成模型进行转换伪正常图像以及输入至判别模型进行多任务判别的步骤之后,所述方法还包括:
由分类器分析多任务判别,并获得多任务判别的判别约束值;
反馈判别约束值至生成模型中进行迭代训练,反馈判别约束值至判别模型进行迭代调整。
5.根据权利要求1所述的医学图像病灶定位显示方法,其特征在于,所述获取待检测医学图像,输入待检测医学图像至优化后的生成模型与判别模型中,得到生成模型处理后的待检测医学图像对应的待检测伪正常图像、判别模型处理后待检测医学图像对应的分类评分与分类特征映射图的步骤包括:
获取待检测医学图像;
经生成模型对待检测医学图像进行识别,得到分布异常区域或分布正常区域;
当识别后得到为分布异常区域时,提取分布正常区域的正常图像特征,将分布异常区域转换成与正常图像特征一致的灰度分析,得到待检测医学图像对应的待检测伪正常图像;
当识别后得到为分布正常区域时,设置分布正常区域转换为正常图像。
6.根据权利要求5所述的医学图像病灶定位显示方法,其特征在于,所述获取待检测医学图像步骤之后,所述方法还包括:
经判别模型识别待检测医学图像并由判别模型的底层特征层处理;
输出待检测医学图像对应的分类评分,并计算得到分类特征映射图。
7.根据权利要求1所述的医学图像病灶定位显示方法,其特征在于,所述基于分类评分对分类特征映射图进行幅值变换,并与候选异常区域定位图进行基于空间位置的点乘处理,获得疑似病灶定位图的定位结果并显示于待检测医学图像上的步骤包括:
基于分类特征映射图进行归一化处理后,并按分类评分进行数值加权,得到特征定位图;
将特征定位图与候选异常区域定位图对应像素点的数值进行相乘处理;
输出与待检测医学图像尺寸一致的疑似病灶定位图,并将病灶定位图显示于待检测医学图像上。
8.一种医学图像病灶定位显示***,其特征在于,所述***包括:
分割模块,用于获取预设医学图像,定位预设医学图像中的病灶,并对病灶进行分割,设置分割后的病灶为训练数据;
训练模块,用于基于深度学习的循环生成对抗网络,训练训练数据并迭代优化生成模型与判别模型;
优化模块,用于获取待检测医学图像,输入待检测医学图像至优化后的生成模型与判别模型中,得到生成模型处理后的待检测医学图像对应的待检测伪正常图像、判别模型处理后待检测医学图像对应的分类评分与分类特征映射图;
处理模块,用于对待检测医学图像与待检测伪正常图像进行图像预处理与邻域差值运算,并基于掩模处理获得候选异常区域定位图;
结果模块,用于基于分类评分对分类特征映射图进行幅值变换,并与候选异常区域定位图进行基于空间位置的点乘处理,获得疑似病灶定位图的定位结果并显示于待检测医学图像上。
9.一种计算机设备,其特征在于,包括存储器与处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的医学图像病灶定位显示方法的步骤。
10.一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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的医学图像病灶定位显示方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211303597.8A CN115564756A (zh) | 2022-10-24 | 2022-10-24 | 医学图像病灶定位显示方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211303597.8A CN115564756A (zh) | 2022-10-24 | 2022-10-24 | 医学图像病灶定位显示方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564756A true CN115564756A (zh) | 2023-01-03 |
Family
ID=84746741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211303597.8A Pending CN115564756A (zh) | 2022-10-24 | 2022-10-24 | 医学图像病灶定位显示方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564756A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351294A (zh) * | 2023-12-06 | 2024-01-05 | 武汉大学 | 一种基于双功能鉴别器的图像检测方法及装置 |
CN117542083A (zh) * | 2023-12-01 | 2024-02-09 | 中南大学湘雅医院 | 基于超声波的骨骼图像识别方法及*** |
-
2022
- 2022-10-24 CN CN202211303597.8A patent/CN115564756A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117542083A (zh) * | 2023-12-01 | 2024-02-09 | 中南大学湘雅医院 | 基于超声波的骨骼图像识别方法及*** |
CN117351294A (zh) * | 2023-12-06 | 2024-01-05 | 武汉大学 | 一种基于双功能鉴别器的图像检测方法及装置 |
CN117351294B (zh) * | 2023-12-06 | 2024-02-20 | 武汉大学 | 一种基于双功能鉴别器的图像检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | Inf-net: Automatic covid-19 lung infection segmentation from ct images | |
JP5801379B2 (ja) | 確率密度関数推定器 | |
Xu et al. | Texture-specific bag of visual words model and spatial cone matching-based method for the retrieval of focal liver lesions using multiphase contrast-enhanced CT images | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断*** | |
CN109754007A (zh) | ***手术中外包膜智能检测和预警方法及*** | |
Hussain et al. | Cascaded regression neural nets for kidney localization and segmentation-free volume estimation | |
CN115564756A (zh) | 医学图像病灶定位显示方法与*** | |
Alfifi et al. | Enhanced artificial intelligence system for diagnosing and predicting breast cancer using deep learning | |
CN111724344A (zh) | 一种基于对抗网络生成医学超声影像数据的方法 | |
Bagaria et al. | Bone fractures detection using support vector machine and error backpropagation neural network | |
CN115641957A (zh) | 一种基于影像基因组学的新辅助化疗疗效预测方法及*** | |
Bu et al. | Lung nodule detection based on YOLOv3 deep learning with limited datasets | |
Wang et al. | Automatic measurement of fetal head circumference using a novel GCN-assisted deep convolutional network | |
CN110570425A (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
Malafaia et al. | Robustness analysis of deep learning-based lung cancer classification using explainable methods | |
CN113764101A (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断*** | |
Yu et al. | Convolutional neural network design for breast cancer medical image classification | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans | |
Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant | |
Güldoğan et al. | Transfer learning-based classification of breast cancer using ultrasound images | |
Wang et al. | Controlling false-positives in automatic lung nodule detection by adding 3D cuboid attention to a convolutional neural network | |
Yang et al. | 3D multi‐view squeeze‐and‐excitation convolutional neural network for lung nodule classification | |
de Brito Silva et al. | Classification of breast masses in mammograms using geometric and topological feature maps and shape distribution | |
CN115100155A (zh) | 放射性肺炎预测模型的建立方法与*** |
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 |