CN115984555A - 一种基于深度自编码器构图的冠状动脉狭窄识别方法 - Google Patents
一种基于深度自编码器构图的冠状动脉狭窄识别方法 Download PDFInfo
- Publication number
- CN115984555A CN115984555A CN202211594171.2A CN202211594171A CN115984555A CN 115984555 A CN115984555 A CN 115984555A CN 202211594171 A CN202211594171 A CN 202211594171A CN 115984555 A CN115984555 A CN 115984555A
- Authority
- CN
- China
- Prior art keywords
- coronary artery
- stenosis
- graph
- encoder
- artery stenosis
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度自编码器构图的冠状动脉狭窄识别方法,属于深度学习技术领域。为解决现有的图神经网络在应用于冠状动脉狭窄病理识别时,往往由于影像中的冗余干扰使识别效果不佳,且需要较大量样本构建网络模型,目前对冠状动脉狭窄病理识别仍需过度依赖专家经验的问题。本发明方法通过对冠状动脉整体CTA影像进行超像素分割,对得到的超像素分割图进行粗识别,确定冠状动脉狭窄的可疑位置;再通过基于深度自编码器网络的冠状动脉狭窄识别模型对可疑位置对应的横截面CTA影像进行精识别,得到冠状动脉的狭窄级别结果,所述冠状动脉狭窄识别模型包括超像素分割模块、特征提取模块和分类模块。本发明方法可对冠状动脉狭窄实现较高准确率识别。
Description
技术领域
本发明涉及深度学习技术领域,具体而言,涉及一种基于深度自编码器构图的冠状动脉狭窄识别方法。
背景技术
近些年以来,心脏血管疾病已经成为威胁人类健康的一大因素,冠状动脉粥样硬化心脏病(coronary arteriosclerotic heart disease,CAD)简称冠心病,是由冠状动脉粥样硬化引发管腔狭窄、闭塞,造成心肌缺氧、缺血、坏死而导致的疾病。随着冠状动脉CT血管造影(CTA)技术不断完善,CTA被广泛应用于疑似CAD患者的早期筛查、早期诊断中。近年来,医学人工智能成为了研究热点,为影像医师诊断疾病提供了帮助与便利。目前国内关于人工智能在冠状动脉CTA方面应用较少,主要着眼于去除背景干扰、提高图像的质量,对冠状动脉血管进行图像分割。但在冠状动脉病理诊断方面,仍然过度依赖医生的经验。
最近,以图神经网络为代表的深度学习方法因其在样本相似性关系方面的突出表现,已经在多个领域得到了广泛的应用。但如果将图神经网络应用于冠状动脉病理识别领域,还存在一些问题:一方面由于图神经网络对噪声比较敏感,会影响识别的效果;另一方面由于CTA影像获取成本高,如何利用少量的样本对病理进行准确的识别也亟待解决。
发明内容
本发明要解决的技术问题是:
现有的图神经网络在应用于冠状动脉狭窄病理识别时,往往由于影像中的冗余干扰使识别效果不佳,且需要较大量样本构建网络模型,目前对冠状动脉狭窄病理识别仍需过度依赖专家经验。
本发明为解决上述技术问题所采用的技术方案:
本发明提供了一种基于深度自编码器构图的冠状动脉狭窄识别方法,实质是提供一种图像处理和识别技术,将CTA影像中的冠状动脉狭窄情况进行识别,包括以下步骤:
S1、采集冠状动脉CTA影像,包括冠状动脉整体CTA影像和对应的冠状动脉横截面CTA影像,并将冠状动脉CTA影像随机划分为训练集和测试集,将训练集横截面CTA影像的冠状动脉狭窄等级进行标注;
S2、对测试集冠状动脉整体CTA影像进行超像素分割,对得到的超像素分割图进行粗识别,确定冠状动脉狭窄的可疑位置;
S3、构建基于深度自编码器网络的冠状动脉狭窄识别模型,所述冠状动脉狭窄识别模型包括超像素分割模块、特征提取模块和分类模块;
将S2得到的可疑位置对应的横截面CTA影像与训练集横截面CTA影像合并输入至所述冠状动脉狭窄识别模型中进行学习,得到测试集样本的冠状动脉的狭窄级别,通过专科医生对输出结果的准确性进行分析,得到模型识别的准确率;
S4、将待识别冠状动脉整体CTA影像按S2所述方法确定狭窄可疑位置,将可疑位置对应的冠状动脉横截面CTA影像与训练集横截面CTA影像合并输入至学习好的冠状动脉狭窄识别模型中进行识别,得到冠状动脉狭窄等级结果。
进一步地,S2中所述超像素分割采用基于梯度下降的分水岭算法。
进一步地,S2中所述对得到的超像素分割图进行粗识别,包括如下过程:
首先,根据冠状动脉整体CTA的分割图沿血管的延伸方向计算血管的相对宽度;然后,将血管相对宽度的众数作为该血管的正常宽度;将血管相对宽度的最小值与血管的正常宽度做对比,计算血管宽度最小值处的狭窄程度,确定该位置是否为冠状动脉狭窄的可疑位置。
进一步地,所述超像素分割模块基于以图结构为基础的渐进式超像素分割算法,对动脉横截面影像进行去噪,并使影像的边界明确;
分割图中的每个超像素对应于结构图中的一个唯一节点,通过合并上一级分割图中的一些相邻超像素生成本级分割图,与之对应的,通过合并上一级结构图中的相关节点得到本级结构图;共进行n-1次超像素分割,得到的层级矩阵和邻接矩阵分别用H(l)和A(l)表示,其中,l=2、3、……、n。
进一步地,所述特征提取模块基于深度自编码器网络,采用卷积层对每个结构图进行图卷积操作,为了提高特征对原始图像的表征能力,采用交叉熵损失函数对模型进行优化;
编码过程:在第一级编码器中,设计浅层特征提取机制代替图卷积操作,利用图卷积对第2到第n级自编码器中的超像素图像进行特征学习,学习到的特征用E(l)表示:
E(l)=fG(BN(Pool(H(l-1)),A(l))),2≤l≤n
其中,层级矩阵H(l)用于连接SAE网络中各级的特征;邻接矩阵A(l)所表示的图结构用于构造自编码器,BN(·)表示批归一化函数,Pool(·)表示池化函数,fG(·)表示图卷积过程,定义为:
解码过程:利用图卷积重构特征,并从粗到细将特征融合,特征F(l)的重构过程为:
F(l)=fG(BN(Unpool(F(l+1)),A(l))),2≤l<n
其中,Unpool(·)表示非池化函数;
对应于第一级编码器,设计最后一级解码器的结构,把由图卷积得到的重构特征F(n-1)输入最后一级解码器,从而得到冠状动脉横截面的特征FO=F(n)。
进一步地,所述分类模块基于稀疏表达算法构造图结构并基于稀疏图正则化算法对样本狭窄等级进行分类;
所述稀疏表达算法构造图结构过程为:将所述深度自编码器网络提取的冠状动脉横截面特征Fo分为t个带标记样本的特征Ft和u个未标记样本的特征Fu,带标记样本的病理标签构成标记矩阵Y;所有带标记样本的特征Ft构成一字典D,对于每个未标记样本的特征xu∈Fu都可以表示为字典D的非负线性组合:
其中,β为正则化参数,Z是分数矩阵。
进一步地,所述稀疏图正则化算法对样本进行分类过程中,分数矩阵Z可通过变量***和增广拉格朗日算法求解得到;
相似矩阵W定义为:
W=ZtTΔ-1Zt
通过置零下式的一阶导数,
求解得到类概率:
通过下式得到未标记样本的病理标签:
一种基于深度自编码器构图的冠状动脉狭窄识别***,该***具有与上述技术方案任一项技术方案的步骤对应的程序模块,运行时执行上述的基于深度自编码器构图的冠状动脉狭窄识别方法中的步骤。
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,所述计算机程序配置为由处理器调用时实现上述技术方案中任一项所述的基于深度自编码器构图的冠状动脉狭窄识别方法的步骤。
相较于现有技术,本发明的有益效果是:
本发明一种基于深度自编码器构图的冠状动脉狭窄识别方法,首先对冠状动脉的整体CTA影像进行粗识别,再通过基于深度自编码器网络的冠状动脉狭窄识别模型对横截面CTA影像进行精识别,从这两个不同的角度更加全面地识别冠状动脉狭窄情况。本发明冠状动脉狭窄识别模型结合深度学习理论,利用深度自编码器网络提取冠状动脉特征,可提取到依靠人类观察难以发现的更深层次的病理特征;提出的浅层特征提取机制作为第一级编码器,不但可以去除了原始影像中的冗余干扰,还可以提高病理特征表征该类病理的能力,使得利用少量病理样本进行冠状动脉狭窄病理识别成为可能;采用基于稀疏图正则化算法的病理分类器,充分考虑到病例样本之间的相似性关系,在小样本条件下可以达到较高的准确率。
附图说明
图1为本发明实施例中一种基于深度自编码器构图的冠状动脉狭窄识别方法的结构示意图一;
图2为本发明实施例中用到的冠状动脉CTA影像数据示例图;
图3为本发明实施例中冠状动脉整体CTA影像的二值分割图;
图4为本发明实施例中用渐进式超像素分割技术构造多级图的示意图;
图5为本发明实施例中图卷积操作的示意图;
图6为本发明实施例中第一级编码器的浅层特征提取机制的结构示意图;
图7为本发明实施例中最后一级解码器的卷积网络结构示意图。
具体实施方式
在本发明的描述中,应当说明的是,在本发明的实施例中所提到的术语“第一”、“第二”、“第三”仅用于描述目的,并不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者多个该特征。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
如图1所示,一种基于深度自编码器构图的冠状动脉狭窄识别方法,所述方法采用“两步法”对冠状动脉狭窄进行识别,即首先对冠状动脉中狭窄位置进行粗识别,再对粗识别的狭窄位置进行精识别,确定狭窄结果,包括以下步骤:
S1、采集哈尔滨医科大学附属第一医院心内科的100组冠状动脉整体CTA影像以及对应的冠状动脉横截面CTA影像,将冠状动脉CTA影像划分训练集Xt(10%)和测试集Xu(90%),其中t为训练集样本个数,u为测试集样本个数,且t+u=100,参考冠心病报告和数据***(CAD-RADS),将训练集冠状动脉横截面CTA影像的冠状动脉狭窄等级进行标准,分别为无狭窄(0%的狭窄)、轻微狭窄(1%~24%的狭窄)、轻度狭窄(25%~49%的狭窄)、中度狭窄(50%~74%的狭窄)、重度狭窄(≥75%的狭窄)和闭塞(100%的狭窄)6个等级。
S2、如图2和图3所示,对测试集冠状动脉整体CTA影像进行超像素分割,对得到的超像素分割图进行粗识别,确定冠状动脉狭窄的可疑位置,包括如下步骤:
S21、对测试集冠状动脉整体CTA影像进行超像素分割,包括如下步骤:
S211、采用基于梯度下降的分水岭算法,将每个像素点的灰度值模拟为海拔高度,整幅图被描述成一张地形图;
S212、在地形图中找到局部最小灰度值像素,局部最小灰度值所在的像素及其周围像素形成一个积水洼地,每个积水洼地为一个聚类,洼地的边界就形成了分水岭,以分水岭为界限进行超像素分割;
S213、进行多次超像素分割至血管和背景之间的界限明显,得到如图3所示的冠状动脉整体CTA的二值分割图。
由于本步骤是对狭窄可疑位置进行粗识别,对冠状动脉整体CTA影像的超像素分割要求算法召回率高、简洁、复杂度低,因此选用了经典超像素分割方法中的基于梯度下降的分水岭算法。
S22、根据冠状动脉整体CTA的分割图沿血管的延伸方向计算血管的相对宽度,包括如下步骤:
S221、以冠状动脉整体CTA分割图像为基础构建坐标系;
S222、沿坐标系横轴在冠状动脉血管内(二值图中的白色区域)任意选取一组像素点;对于每个血管像素,根据血管像素坐标找到距离其最近的一个非血管像素点a,在另一侧找到一个距离其最近的非血管像素点b;
S223、计算非血管像素点a、b之间的欧式距离,即该血管像素点所在位置的血管相对宽度;
S23、根据血管宽度确定冠状动脉狭窄可疑位置,包括如下步骤:
S231、将血管相对宽度的众数作为该血管的正常宽度;
S232、将血管相对宽度的最小值与血管的正常宽度做对比,若血管宽度最小值处的狭窄程度大于等于1%(为了计算本发明方法的评价指标,将血管狭窄程度为(1%~49%)的位置确定为非显著性狭窄,将血管狭窄程度为(≥50%)的位置确定为显著性狭窄),则确定该处为冠状动脉狭窄的可疑位置。
S3、构建基于深度自编码器网络的冠状动脉狭窄识别模型,所述冠状动脉狭窄识别模型包括超像素分割模块、特征提取模块和分类模块;
将S2得到的可疑位置对应的横截面CTA影像与训练集Xt横截面CTA影像合并输入至所述冠状动脉狭窄识别模型中进行学习,得到测试集样本的冠状动脉的狭窄级别,通过专科医生对输出结果的准确性进行分析,得到模型识别的准确率。
所述超像素分割模块基于以图结构为基础的渐进式超像素分割算法,对动脉横截面影像进行去噪,并使影像的边界明确;
分割图中的每个超像素对应于结构图中的一个唯一节点,如图4所示,S(l)和G(l)分别表示第l个超像素及其结构图,S(l)中的每个超像素对应于G(l)中的一个唯一节点,通过合并S(l-1)中的一些相邻超像素生成S(l),与之对应的,通过合并G(l-1)中的相关节点得到G(l)。共进行4次超像素分割,得到的层级矩阵和邻接矩阵分别用H(l)和A(l)表示,其中,l=2、3、4、5;
本步骤所采用的超像素分割算法与S2中的基于梯度下降的超像素分割方法略有区别,为了得到编、解码器的节点并方便进行图卷积操作,采用基于图结构的渐进式超像素分割技术,分别对每张横截面影像进行超像素分割,以每个像素作为节点构造图结构。
如图5所示,所述特征提取模块基于深度自编码器网络,所述深度自编码器网络共9层,采用卷积层对每个结构图G(l)进行图卷积操作,为了提高特征对原始图像的表征能力,采用交叉熵损失函数对模型进行优化;
编码过程:如图6所示,为了减小图卷积的计算量,在第一级编码器中,设计浅层特征提取机制代替图卷积操作,利用图卷积对第2到第5级自编码器中的超像素图像进行特征学习,学习到的特征用E(l)表示:
E(l)=fG(BN(Pool(H(l-1)),A(l))),2≤l≤5
其中,层级矩阵H(l)用于连接SAE网络中各级的特征,邻接矩阵A(l)所表示的图结构用于构造自编码器,BN(·)表示批归一化函数,Pool(·)表示池化函数,fG(·)表示图卷积过程,定义为:
解码过程:利用图卷积重构特征,并从粗到细将特征融合,特征F(l)的重构过程如下所示:
F(l)=fG(BN(Unpool(F(l+1)),A(l))),2≤l<5
其中,Unpool(·)表示非池化函数。
对应于第一级编码器,最后一级解码器的结构如图7所示,把由图卷积得到的重构特征F(4)输入最后一级解码器,从而得到冠状动脉横截面的特征FO=F(5)。
所述分类模块基于稀疏表达算法构造图结构并基于稀疏图正则化算法对样本狭窄等级进行分类;
所述稀疏表达算法构造图结构过程为:将所述深度自编码器网络提取的冠状动脉横截面特征Fo分为t个带标记样本的特征Ft和u个未标记样本的特征Fu,带标记样本的病理标签构成标记矩阵Y。所有带标记样本的特征Ft构成一字典D,对于每个未标记样本的特征xu∈Fu都可以表示为字典D的非负线性组合:
其中,β为正则化参数,Z是分数矩阵。
所述稀疏图正则化算法对样本进行分类过程中,分数矩阵Z可通过变量***和增广拉格朗日算法求解得到;
相似矩阵W定义为:
W=ZtTΔ-1Zt
通过置零下式的一阶导数,
求解得到类概率:
通过下式得到未标记样本的病理标签:
S4、将待识别冠状动脉整体CTA影像按S2所述方法确定狭窄可疑位置,将可疑位置对应的冠状动脉横截面CTA影像与训练集Xt横截面CTA影像合并输入至学习好的冠状动脉狭窄识别模型中进行识别,得到冠状动脉狭窄等级结果。
通过专业医师对上述识别结果的准确性进行判断,计算本发明方法的准确率情况,得到本发明方法的评价指标。
为了排除实验随机性的干扰,本发明进行10轮对比实验取平均值,并采用诊断准确率、漏诊率和误诊率来评价诊断效果,表1为本发明方法中对冠状动脉整体CTA影像中狭窄可疑位置进行粗识别的准确率情况。由表1可以看出,使用本发明方法可以较准确的识别出冠状动脉存在狭窄的情况,对于存在狭窄(≥1%)情况的识别准确率可以达到92.20%,对于严重影响病患健康的显著性狭窄(≥50%)情况的诊断准确率可以达到95.24%。表2为对可疑位置对应的冠状动脉横截面CTA影像的狭窄情况进行识别的准确率情况。由表2可以看出,对于横截面CTA影像的精识别,本发明方法的准确率均可到达92%以上,漏诊率和误诊率都可以控制在5%以内,达到了较高的准确率。
表1
表2
虽然本发明公开披露如上,但本发明公开的保护范围并非仅限于此。本发明领域技术人员在不脱离本发明公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (9)
1.一种基于深度自编码器构图的冠状动脉狭窄识别方法,其特征在于包括以下步骤:
S1、采集冠状动脉CTA影像,包括冠状动脉整体CTA影像和对应的冠状动脉横截面CTA影像,并将冠状动脉CTA影像随机划分为训练集和测试集,将训练集横截面CTA影像的冠状动脉狭窄等级进行标注;
S2、对测试集冠状动脉整体CTA影像进行超像素分割,对得到的超像素分割图进行粗识别,确定冠状动脉狭窄的可疑位置;
S3、构建基于深度自编码器网络的冠状动脉狭窄识别模型,所述冠状动脉狭窄识别模型包括超像素分割模块、特征提取模块和分类模块;
将S2得到的可疑位置对应的横截面CTA影像与训练集横截面CTA影像合并输入至所述冠状动脉狭窄识别模型中进行学习,得到测试集样本的冠状动脉的狭窄级别,通过专科医生对输出结果的准确性进行分析,得到模型识别的准确率;
S4、将待识别冠状动脉整体CTA影像按S2所述方法确定狭窄可疑位置,将可疑位置对应的冠状动脉横截面CTA影像与训练集横截面CTA影像合并输入至学习好的冠状动脉狭窄识别模型中进行识别,得到冠状动脉狭窄等级结果。
2.根据权利要求1所述的一种基于深度自编码器构图的冠状动脉狭窄识别方法,其特征在于S2中所述超像素分割采用基于梯度下降的分水岭算法。
3.根据权利要求1所述的一种基于深度自编码器构图的冠状动脉狭窄识别方法,其特征在于S2中所述对得到的超像素分割图进行粗识别,包括如下过程:
首先,根据冠状动脉整体CTA的分割图沿血管的延伸方向计算血管的相对宽度;然后,将血管相对宽度的众数作为该血管的正常宽度;将血管相对宽度的最小值与血管的正常宽度做对比,计算血管宽度最小值处的狭窄程度,确定该位置是否为冠状动脉狭窄的可疑位置。
4.根据权利要求1所述的一种基于深度自编码器构图的冠状动脉狭窄识别方法,其特征在于所述超像素分割模块基于以图结构为基础的渐进式超像素分割算法,对动脉横截面影像进行去噪,并使影像的边界明确;
分割图中的每个超像素对应于结构图中的一个唯一节点,通过合并上一级分割图中的一些相邻超像素生成本级分割图,与之对应的,通过合并上一级结构图中的相关节点得到本级结构图;共进行n-1次超像素分割,得到的层级矩阵和邻接矩阵分别用H(l)和A(l)表示,其中,l=2、3、……、n。
5.根据权利要求1所述的一种基于深度自编码器构图的冠状动脉狭窄识别方法,其特征在于所述特征提取模块基于深度自编码器网络,采用卷积层对每个结构图进行图卷积操作,为了提高特征对原始图像的表征能力,采用交叉熵损失函数对模型进行优化;
编码过程:在第一级编码器中,设计浅层特征提取机制代替图卷积操作,利用图卷积对第2到第n级自编码器中的超像素图像进行特征学习,学习到的特征用E(l)表示:
E(l)=fG(BN(Pool(H(l-1)),A(l))),2≤l≤n
其中,层级矩阵H(l)用于连接SAE网络中各级的特征;邻接矩阵A(l)所表示的图结构用于构造自编码器,BN(·)表示批归一化函数,Pool(·)表示池化函数,fG(·)表示图卷积过程,定义为:
解码过程:利用图卷积重构特征,并从粗到细将特征融合,特征F(l)的重构过程为:
F(l)=fG(BN(Unpool(F(l+1)),A(l))),2≤l<n
其中,Unpool(·)表示非池化函数;
对应于第一级编码器,设计最后一级解码器的结构,把由图卷积得到的重构特征F(n-1)输入最后一级解码器,从而得到冠状动脉横截面的特征FO=F(n)。
8.一种基于深度自编码器构图的冠状动脉狭窄识别***,其特征在于该***具有与上述权利要求1~7任一项权利要求的步骤对应的程序模块,运行时执行上述的基于深度自编码器构图的冠状动脉狭窄识别方法中的步骤。
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,所述计算机程序配置为由处理器调用时实现权利要求1~7中任一项所述的基于深度自编码器构图的冠状动脉狭窄识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211594171.2A CN115984555A (zh) | 2022-12-13 | 2022-12-13 | 一种基于深度自编码器构图的冠状动脉狭窄识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211594171.2A CN115984555A (zh) | 2022-12-13 | 2022-12-13 | 一种基于深度自编码器构图的冠状动脉狭窄识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115984555A true CN115984555A (zh) | 2023-04-18 |
Family
ID=85963914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211594171.2A Pending CN115984555A (zh) | 2022-12-13 | 2022-12-13 | 一种基于深度自编码器构图的冠状动脉狭窄识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984555A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934754A (zh) * | 2023-09-18 | 2023-10-24 | 四川大学华西第二医院 | 基于图神经网络的肝脏影像识别方法及装置 |
CN117078698A (zh) * | 2023-08-22 | 2023-11-17 | 山东第一医科大学第二附属医院 | 一种基于深度学习的外周血管影像辅助分割方法及*** |
-
2022
- 2022-12-13 CN CN202211594171.2A patent/CN115984555A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078698A (zh) * | 2023-08-22 | 2023-11-17 | 山东第一医科大学第二附属医院 | 一种基于深度学习的外周血管影像辅助分割方法及*** |
CN117078698B (zh) * | 2023-08-22 | 2024-03-05 | 山东第一医科大学第二附属医院 | 一种基于深度学习的外周血管影像辅助分割方法及*** |
CN116934754A (zh) * | 2023-09-18 | 2023-10-24 | 四川大学华西第二医院 | 基于图神经网络的肝脏影像识别方法及装置 |
CN116934754B (zh) * | 2023-09-18 | 2023-12-01 | 四川大学华西第二医院 | 基于图神经网络的肝脏影像识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Adegun et al. | Deep learning techniques for skin lesion analysis and melanoma cancer detection: a survey of state-of-the-art | |
CN109409416B (zh) | 特征向量降维方法和医学图像识别方法、装置及存储介质 | |
Ahirwar | Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI | |
WO2019231844A1 (en) | Methods and systems for utilizing quantitative imaging | |
CN111951288B (zh) | 一种基于深度学习的皮肤癌病变分割方法 | |
CN115984555A (zh) | 一种基于深度自编码器构图的冠状动脉狭窄识别方法 | |
Li et al. | Automatic lumbar spinal MRI image segmentation with a multi-scale attention network | |
CN112862830B (zh) | 一种多模态图像分割方法、***、终端及可读存储介质 | |
CN111462116A (zh) | 基于影像组学特征的多模态参数模型优化融合方法 | |
CN112674720B (zh) | 基于3d卷积神经网络的阿尔茨海默症的预判断方法 | |
CN111754472A (zh) | 一种肺结节检测方法与检测*** | |
CN111161287A (zh) | 基于对称双向级联网络深度学习的视网膜血管分割方法 | |
Yamanakkanavar et al. | MF2-Net: A multipath feature fusion network for medical image segmentation | |
CN117152433A (zh) | 一种基于多尺度跨层注意力融合网络的医学图像分割方法 | |
CN116862877A (zh) | 基于卷积神经网络的扫描图像分析***及其方法 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
Kareem et al. | Skin lesions classification using deep learning techniques | |
CN109935321B (zh) | 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测*** | |
CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
CN113592769B (zh) | 异常图像的检测、模型的训练方法、装置、设备及介质 | |
CN117523203B (zh) | 一种基于Transformer半监督算法的蜂窝肺病灶图像分割识别方法 | |
CN113902738A (zh) | 一种心脏mri分割方法及*** | |
CN116740041B (zh) | 基于机器视觉的cta扫描图像分析***及其方法 | |
Yang et al. | Confidence calibration on multiclass classification in medical imaging | |
CN116958705A (zh) | 基于图神经网络的医学影像归类*** |
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 |