JP7112519B2 - 画像処理方法、装置、コンピュータプログラム、並びにコンピュータ機器 - Google Patents
画像処理方法、装置、コンピュータプログラム、並びにコンピュータ機器 Download PDFInfo
- Publication number
- JP7112519B2 JP7112519B2 JP2020562214A JP2020562214A JP7112519B2 JP 7112519 B2 JP7112519 B2 JP 7112519B2 JP 2020562214 A JP2020562214 A JP 2020562214A JP 2020562214 A JP2020562214 A JP 2020562214A JP 7112519 B2 JP7112519 B2 JP 7112519B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- neural network
- image processing
- group
- model training
- 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.)
- Active
Links
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Description
本願は、2018年08月23日に中国特許庁に提出された、出願番号が201810967559.Xであり、発明の名称が「画像処理方法、装置、コンピュータ可読記憶媒体並びにコンピュータ機器」である中国特許出願の優先権を主張するものであり、その内容の全てが引用により本願に組み込まれている。
少なくとも2枚の被処理画像を取得するステップであって、前記被処理画像は、同一の目標対象を異なる撮像角度で収集することによってそれぞれ形成される、ステップと、
画像処理モデルにおける、前記被処理画像にそれぞれ対応する特徴抽出ネットワークを介して、前記特徴抽出ネットワークに対応する前記被処理画像のターゲット特徴をそれぞれ抽出するステップであって、前記特徴抽出ネットワークは、各撮像角度に対応する画像の特徴を抽出するために使用される、ステップと、
前記ターゲット特徴に従って、前記目標対象に対応する分類結果を決定するステップと、を含む。
少なくとも2枚の被処理画像を取得するように構成される被処理画像取得モジュールであって、前記被処理画像は、同一の目標対象を異なる撮像角度で収集することによってそれぞれ形成される、被処理画像取得モジュールと、
画像処理モデルにおける、前記被処理画像にそれぞれ対応する特徴抽出ネットワークを介して、前記特徴抽出ネットワークに対応する前記被処理画像のターゲット特徴をそれぞれ抽出するように構成されるターゲット特徴取得モジュールであって、前記特徴抽出ネットワークは、各撮像角度に対応する画像の特徴を抽出するために使用される、ターゲット特徴取得モジュールと、
前記ターゲット特徴に従って、前記目標対象に対応する分類結果を決定するように構成される分類結果決定モジュールと、を備える。
少なくとも2つのグループの全体画像サンプルを取得するステップであって、各グループの全体画像サンプルは、サンプル対象を異なる撮像角度で収集することによってそれぞれ形成される、ステップと、
各グループの全体画像サンプルに従って、第1トレーニングされるべきニューラルネットワークに対してモデルトレーニングをそれぞれ実行して、各グループの全体画像サンプルにそれぞれ対応する中間特徴抽出ネットワークを決定するステップと、
前記中間特徴抽出ネットワークに従って、第2トレーニングされるべきニューラルネットワークを構築するステップと、
各グループの全体画像サンプルに従って、前記第2トレーニングされるべきニューラルネットワークに対してモデルトレーニングを実行して、画像処理モデルを決定するステップと、を含む。
少なくとも2つのグループの全体画像サンプルを取得するように構成される全体サンプル取得モジュールであって、各グループの全体画像サンプルは、サンプル対象を異なる撮像角度で収集することによってそれぞれ形成される、全体サンプル取得モジュールと、
各グループの全体画像サンプルに従って、第1被トレーニングニューラルネットワークに対してモデルトレーニングをそれぞれ実行して、各グループの全体画像サンプルにそれぞれ対応する中間特徴抽出ネットワークを決定するように構成される中間ネットワークトレーニングモジュールと、
前記中間特徴抽出ネットワークに従って、第2被トレーニングニューラルネットワークを構築するように構成されるニューラルネットワーク構築モジュールと、
各グループの全体画像サンプルに従って、前記第2被トレーニングニューラルネットワークに対してモデルトレーニングを実行して、画像処理モデルを決定するように構成される画像処理モデルトレーニングモジュールと、を備える。
Claims (14)
- コンピュータ機器が実行する、画像処理方法であって、
少なくとも2枚の被処理画像を取得するステップであって、前記被処理画像は、同一の目標対象を異なる撮像角度で収集することによってそれぞれ形成される、ステップと、
画像処理モデルにおける、前記被処理画像にそれぞれ対応する特徴抽出ネットワークを介して、前記特徴抽出ネットワークに対応する前記被処理画像のターゲット特徴をそれぞれ抽出するステップであって、前記特徴抽出ネットワークは、各撮像角度に対応する画像の特徴を抽出するために使用される、ステップと、
前記ターゲット特徴に従って、前記目標対象に対応する分類結果を決定するステップと、
を含み、
前記画像処理モデルを決定する方式は、
少なくとも2つのグループの全体画像サンプルを取得するステップであって、各グループの全体画像サンプルは、サンプル対象を異なる撮像角度で収集することによってそれぞれ形成される、ステップと、
各グループの全体画像サンプルに従って、第1被トレーニングニューラルネットワークに対してモデルトレーニングをそれぞれ実行して、各グループの全体画像サンプルにそれぞれ対応する中間特徴抽出ネットワークを決定するステップと、
前記中間特徴抽出ネットワークに従って、第2被トレーニングニューラルネットワークを構築するステップと、
各グループの全体画像サンプルに従って、前記第2被トレーニングニューラルネットワークに対してモデルトレーニングを実行して、前記画像処理モデルを決定するステップと、
を含むことを特徴とする、画像処理方法。 - 前記ターゲット特徴に従って、前記目標対象に対応する分類結果を決定する前記ステップは、
前記ターゲット特徴を、順次に、前記画像処理モデルの畳み込み層で畳み込んで、前記画像処理モデルのプーリング層でプーリングして、中間特徴を取得するステップと、
前記画像処理モデルの全結合層を介して、前記中間特徴に従って、前記目標対象に対応する分類結果を決定するステップと、
を含むことを特徴とする、請求項1に記載の画像処理方法。 - 前記各グループの全体画像サンプルに従って、第1被トレーニングニューラルネットワークに対してモデルトレーニングをそれぞれ実行して、各グループの全体画像サンプルにそれぞれ対応する中間特徴抽出ネットワークを決定する前に、前記方法は、
第1初期ニューラルネットワークに対してパラメータ初期化処理を実行して、第1初期パラメータを取得するステップと、
前記第1初期パラメータに従って、第1被トレーニングニューラルネットワークを決定するステップと、
を更に含むことを特徴とする、請求項1又は2に記載の画像処理方法。 - 前記各グループの全体画像サンプルに従って、第1被トレーニングニューラルネットワークに対してモデルトレーニングをそれぞれ実行して、各グループの全体画像サンプルにそれぞれ対応する中間特徴抽出ネットワークを決定する前に、前記方法は、
サンプル対象を含む目標領域の局部画像サンプルを取得するステップと、
第2初期ニューラルネットワークに対してパラメータ初期化処理を実行して、第2初期パラメータを取得するステップと、
前記局部画像サンプルおよび前記第2初期パラメータに従って、前記第2初期ニューラルネットワークに対してモデルトレーニングを実行して、前記第1被トレーニングニューラルネットワークを取得するステップと、
を更に含むことを特徴とする、請求項1又は2に記載の画像処理方法。 - 前記局部画像サンプルは医用画像サンプルを含み、前記目標領域は病変領域を含む
ことを特徴とする、請求項4に記載の画像処理方法。 - 前記被処理画像は医用画像を含み、
前記少なくとも2枚の被処理画像は、頭尾方向で***を撮ることによって形成されるマンモグラフィ画像、および内外斜位方向で前記***を撮ることによって形成されるマンモグラフィ画像を含む
ことを特徴とする、請求項1ないし5のいずれか一項に記載の画像処理方法。 - コンピュータ機器が実行する、モデルトレーニング方法であって、
少なくとも2つのグループの全体画像サンプルを取得するステップであって、各グループの全体画像サンプルは、サンプル対象を異なる撮像角度で収集することによってそれぞれ形成される、ステップと、
各グループの全体画像サンプルに従って、第1被トレーニングニューラルネットワークに対してモデルトレーニングをそれぞれ実行して、各グループの全体画像サンプルにそれぞれ対応する中間特徴抽出ネットワークを決定するステップと、
前記中間特徴抽出ネットワークに従って、第2被トレーニングニューラルネットワークを構築するステップと、
各グループの全体画像サンプルに従って、前記第2被トレーニングニューラルネットワークに対してモデルトレーニングを実行して、画像処理モデルを決定するステップと、
を含むことを特徴とする、モデルトレーニング方法。 - 前記各グループの全体画像サンプルに従って、第1被トレーニングニューラルネットワークに対してモデルトレーニングをそれぞれ実行して、各グループの全体画像サンプルにそれぞれ対応する中間特徴抽出ネットワークを決定する前に、前記方法は、
第1初期ニューラルネットワークに対してパラメータ初期化処理を実行して、第1初期パラメータを取得し、前記第1初期パラメータに従って、第1被トレーニングニューラルネットワークを決定するステップ、または、
サンプル対象を含む目標領域の局部画像サンプルを取得し、第2初期ニューラルネットワークに対してパラメータ初期化処理を実行して、第2初期パラメータを取得し、前記局部画像サンプルおよび前記第2初期パラメータに従って、前記第2初期ニューラルネットワークに対してモデルトレーニングを実行して、前記第1被トレーニングニューラルネットワークを決定するステップ
を更に含むことを特徴とする、請求項7に記載のモデルトレーニング方法。 - 前記局部画像サンプルは医用画像サンプルを含み、前記目標領域は病変領域を含む
ことを特徴とする、請求項8に記載のモデルトレーニング方法。 - コンピュータ機器に設置される、画像処理装置であって、
少なくとも2枚の被処理画像を取得するように構成される被処理画像取得モジュールであって、前記被処理画像は、同一の目標対象を異なる撮像角度で収集することによってそれぞれ形成される、被処理画像取得モジュールと、
画像処理モデルにおける、前記被処理画像にそれぞれ対応する特徴抽出ネットワークを介して、前記特徴抽出ネットワークに対応する前記被処理画像のターゲット特徴をそれぞれ抽出するように構成されるターゲット特徴取得モジュールであって、前記特徴抽出ネットワークは、各撮像角度に対応する画像の特徴を抽出するために使用される、ターゲット特徴取得モジュールと、
前記ターゲット特徴に従って、前記目標対象に対応する分類結果を決定するように構成される分類結果決定モジュールと、
を備え、
モデルトレーニングモジュールであって、
少なくとも2つのグループの全体画像サンプルを取得し、各グループの全体画像サンプルは、サンプル対象を異なる撮像角度で収集することによってそれぞれ形成され、
各グループの全体画像サンプルに従って、第1被トレーニングニューラルネットワークに対してモデルトレーニングをそれぞれ実行して、各グループの全体画像サンプルにそれぞれ対応する中間特徴抽出ネットワークを決定し、
前記中間特徴抽出ネットワークに従って、第2被トレーニングニューラルネットワークを構築し、
各グループの全体画像サンプルに従って、前記第2被トレーニングニューラルネットワークに対してモデルトレーニングを実行して、前記画像処理モデルを決定する、モデルトレーニングモジュールと、
を含むことを特徴とする、画像処理装置。 - コンピュータ機器に設置される、モデルトレーニング装置であって、
少なくとも2つのグループの全体画像サンプルを取得するように構成される全体サンプル取得モジュールであって、各グループの全体画像サンプルは、サンプル対象を異なる撮像角度で収集することによってそれぞれ形成される、全体サンプル取得モジュールと、
各グループの全体画像サンプルに従って、第1被トレーニングニューラルネットワークに対してモデルトレーニングをそれぞれ実行して、各グループの全体画像サンプルにそれぞれ対応する中間特徴抽出ネットワークを決定するように構成される中間ネットワークトレーニングモジュールと、
前記中間特徴抽出ネットワークに従って、第2被トレーニングニューラルネットワークを構築するように構成されるニューラルネットワーク構築モジュールと、
各グループの全体画像サンプルに従って、前記第2被トレーニングニューラルネットワークに対してモデルトレーニングを実行して、画像処理モデルを決定するように構成される画像処理モデルトレーニングモジュールと、
を備えることを特徴とする、モデルトレーニング装置。 - コンピュータプログラムであって、
コンピュータに、請求項1ないし6のいずれか1項に記載の画像処理方法を実行させる、コンピュータプログラム。 - コンピュータプログラムであって、
コンピュータに、請求項7ないし9のいずれか1項に記載のモデルトレーニング方法を実行させる、コンピュータプログラム。 - コンピュータプログラムが記憶されたメモリと、プロセッサとを備える、コンピュータ機器であって、
前記コンピュータプログラムは、前記プロセッサにより実行されると、前記コンピュータ機器に請求項1ないし9のいずれか1項に記載の方法を実行させる
ことを特徴とする、コンピュータ機器。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967559.X | 2018-08-23 | ||
CN201810967559.XA CN110008971B (zh) | 2018-08-23 | 2018-08-23 | 图像处理方法、装置、计算机可读存储介质及计算机设备 |
PCT/CN2019/099859 WO2020038240A1 (zh) | 2018-08-23 | 2019-08-08 | 图像处理方法、装置、计算机可读存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021524083A JP2021524083A (ja) | 2021-09-09 |
JP7112519B2 true JP7112519B2 (ja) | 2022-08-03 |
Family
ID=67164831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020562214A Active JP7112519B2 (ja) | 2018-08-23 | 2019-08-08 | 画像処理方法、装置、コンピュータプログラム、並びにコンピュータ機器 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11604949B2 (ja) |
JP (1) | JP7112519B2 (ja) |
CN (1) | CN110008971B (ja) |
WO (1) | WO2020038240A1 (ja) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008971B (zh) | 2018-08-23 | 2022-08-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读存储介质及计算机设备 |
CN110570419A (zh) * | 2019-09-12 | 2019-12-13 | 杭州依图医疗技术有限公司 | 特征信息的获取方法、装置和存储介质 |
CN111291825B (zh) * | 2020-02-25 | 2024-05-07 | 平安科技(深圳)有限公司 | 病灶分类模型训练方法、装置、计算机设备和存储介质 |
CN111325830B (zh) * | 2020-02-28 | 2023-01-31 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111401387B (zh) * | 2020-03-10 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 异常样本构建方法、装置、计算机设备和存储介质 |
CN112102230A (zh) * | 2020-07-24 | 2020-12-18 | 湖南大学 | 超声切面识别方法、***、计算机设备和存储介质 |
CN112651960A (zh) * | 2020-12-31 | 2021-04-13 | 上海联影智能医疗科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN116997907A (zh) * | 2021-03-12 | 2023-11-03 | 高通股份有限公司 | 用于个性化神经网络模型的分布外检测 |
CN113034489B (zh) * | 2021-04-16 | 2022-11-01 | 南方医科大学第五附属医院 | 基于深度学习的人工智能鼻窦ct图像处理*** |
US11436438B1 (en) * | 2021-05-07 | 2022-09-06 | Sas Institute Inc. | Tabular data generation for machine learning model training system |
US11531907B2 (en) * | 2021-05-07 | 2022-12-20 | Sas Institute Inc. | Automated control of a manufacturing process |
US20220366233A1 (en) * | 2021-05-11 | 2022-11-17 | Capital One Services, Llc | Systems and methods for generating dynamic conversational responses using deep conditional learning |
CN114283290B (zh) * | 2021-09-27 | 2024-05-03 | 腾讯科技(深圳)有限公司 | 图像处理模型的训练、图像处理方法、装置、设备及介质 |
CN114049937B (zh) * | 2021-11-22 | 2024-07-23 | 上海商汤善萃医疗科技有限公司 | 图像评测方法及相关装置、电子设备和存储介质 |
CN114403925A (zh) * | 2022-01-21 | 2022-04-29 | 山东黄金职业病防治院 | 一种乳腺癌超声检测*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203488A (zh) | 2016-07-01 | 2016-12-07 | 福州大学 | 一种基于受限玻尔兹曼机的乳腺图像特征融合方法 |
CN108229291A (zh) | 2017-07-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 特征点检测、网络训练方法、装置、电子设备和存储介质 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8634622B2 (en) * | 2008-10-16 | 2014-01-21 | Icad, Inc. | Computer-aided detection of regions of interest in tomographic breast imagery |
US10346982B2 (en) * | 2016-08-22 | 2019-07-09 | Koios Medical, Inc. | Method and system of computer-aided detection using multiple images from different views of a region of interest to improve detection accuracy |
CN106682435B (zh) * | 2016-12-31 | 2021-01-29 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的***及方法 |
CN107169527B (zh) * | 2017-06-06 | 2020-04-03 | 西北工业大学 | 基于协同深度学习的医学图像分类方法 |
CN107437245B (zh) * | 2017-06-26 | 2020-10-20 | 西南交通大学 | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 |
WO2019002474A1 (en) * | 2017-06-28 | 2019-01-03 | Deepmind Technologies Limited | GENERALIZED MEDICAL IMAGING ANALYSIS USING NEURONAL SEGMENTATION AND CLASSIFICATION NETWORKS |
CN107492099B (zh) * | 2017-08-28 | 2021-08-20 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析***以及存储介质 |
CN107665352A (zh) * | 2017-09-07 | 2018-02-06 | 浙江工业大学 | 一种基于多通道残差网络的珍珠分类方法 |
CN107748900B (zh) * | 2017-11-08 | 2020-09-25 | 山东财经大学 | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 |
CN107977971A (zh) * | 2017-11-09 | 2018-05-01 | 哈尔滨理工大学 | 基于卷积神经网络的椎骨定位的方法 |
CN108182441B (zh) * | 2017-12-29 | 2020-09-18 | 华中科技大学 | 平行多通道卷积神经网络、构建方法及图像特征提取方法 |
CN108288035A (zh) * | 2018-01-11 | 2018-07-17 | 华南理工大学 | 基于深度学习的多通道图像特征融合的人体动作识别方法 |
CN108304873B (zh) * | 2018-01-30 | 2020-09-11 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其*** |
CN110008971B (zh) * | 2018-08-23 | 2022-08-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读存储介质及计算机设备 |
-
2018
- 2018-08-23 CN CN201810967559.XA patent/CN110008971B/zh active Active
-
2019
- 2019-08-08 WO PCT/CN2019/099859 patent/WO2020038240A1/zh active Application Filing
- 2019-08-08 JP JP2020562214A patent/JP7112519B2/ja active Active
-
2020
- 2020-09-28 US US17/034,486 patent/US11604949B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203488A (zh) | 2016-07-01 | 2016-12-07 | 福州大学 | 一种基于受限玻尔兹曼机的乳腺图像特征融合方法 |
CN108229291A (zh) | 2017-07-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 特征点检测、网络训练方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110008971B (zh) | 2022-08-09 |
JP2021524083A (ja) | 2021-09-09 |
US11604949B2 (en) | 2023-03-14 |
WO2020038240A1 (zh) | 2020-02-27 |
CN110008971A (zh) | 2019-07-12 |
US20210019551A1 (en) | 2021-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7112519B2 (ja) | 画像処理方法、装置、コンピュータプログラム、並びにコンピュータ機器 | |
US10706333B2 (en) | Medical image analysis method, medical image analysis system and storage medium | |
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
Liu et al. | Deep learning in medical ultrasound analysis: a review | |
Labhane et al. | Detection of pediatric pneumonia from chest X-ray images using CNN and transfer learning | |
US11651850B2 (en) | Computer vision technologies for rapid detection | |
Wang et al. | Automated interpretation of congenital heart disease from multi-view echocardiograms | |
CN111368849B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Sharma et al. | Medical image classification techniques and analysis using deep learning networks: a review | |
WO2022028127A1 (zh) | 基于人工智能的病理图像处理方法、装置、电子设备及存储介质 | |
CN111815766B (zh) | 基于2d-dsa图像重建血管三维模型处理方法及*** | |
CN111325266B (zh) | 乳腺钼靶图像中微钙化簇的检测方法、装置和电子设备 | |
WO2023044605A1 (zh) | 极端环境下脑结构的三维重建方法、装置及可读存储介质 | |
US20240185428A1 (en) | Medical Image Analysis Using Neural Networks | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN110827283B (zh) | 基于卷积神经网络的头颈血管分割方法及装置 | |
Zhang et al. | LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis | |
Ilesanmi et al. | Organ segmentation from computed tomography images using the 3D convolutional neural network: a systematic review | |
CN105976321B (zh) | 一种光学相干断层图像超分辨率重建方法和装置 | |
Jiang et al. | A hybrid enhanced attention transformer network for medical ultrasound image segmentation | |
Bondfale et al. | Convolutional neural network for categorization of lung tissue patterns in interstitial lung diseases | |
Türk et al. | Machine learning of kidney tumors and diagnosis and classification by deep learning methods | |
CN114902283A (zh) | 用于光学相干断层扫描分割的深度学习 | |
CN112037237B (zh) | 一种图像处理方法、装置、计算机设备及介质 | |
Dhoundiyal et al. | Harnessing CNNs for Accurate Skin Disease Identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201124 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220104 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220401 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220712 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220722 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7112519 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |