[go: up one dir, main page]

CN110619359A - 一种根据人体医学影像确定肺结核分级的方法与装置 - Google Patents

一种根据人体医学影像确定肺结核分级的方法与装置 Download PDF

Info

Publication number
CN110619359A
CN110619359A CN201910843662.8A CN201910843662A CN110619359A CN 110619359 A CN110619359 A CN 110619359A CN 201910843662 A CN201910843662 A CN 201910843662A CN 110619359 A CN110619359 A CN 110619359A
Authority
CN
China
Prior art keywords
tuberculosis
scale
feature vectors
negative
pooling operation
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.)
Granted
Application number
CN201910843662.8A
Other languages
English (en)
Other versions
CN110619359B (zh
Inventor
房劬
刘维平
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.)
Shanghai Xingmai Information Technology Co Ltd
Original Assignee
Shanghai Xingmai Information Technology Co Ltd
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 Shanghai Xingmai Information Technology Co Ltd filed Critical Shanghai Xingmai Information Technology Co Ltd
Priority to CN201910843662.8A priority Critical patent/CN110619359B/zh
Publication of CN110619359A publication Critical patent/CN110619359A/zh
Application granted granted Critical
Publication of CN110619359B publication Critical patent/CN110619359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning
    • 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明的目的是提供一种根据人体医学影像确定肺结核分级的方法。计算设备根据人体胸部医学影像的图像特征图，通过多尺度池化操作，获得不同尺度下的特征向量，其中所述多尺度池化操作包括在不同尺度下进行的池化操作；对所述不同尺度下的特征向量进行连接，从而根据连接后的特征向量确定对应的肺结核分级。与现有技术相比，通过引入“多尺度池化操作”，本发明可更有效表征原始输入图像中不同尺寸子区域内的特征，从而保证肺结核最小征象在特征图上不会因池化操作丢失。

Description

一种根据人体医学影像确定肺结核分级的方法与装置
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种根据人体医学影像确定肺结核分级的技术。
背景技术
胸部X光放射作为肺结核检查的最常见方法，被广泛应用于临床。在进行肺结核诊断时，常需要对疑似病例进行分级/分期。通常的分级结果为肺结核阴性、非活动性肺结核与活动性肺结核(肺结核阳性)。其中，阴性即为无肺结核感染；非活动肺结核为无传染性病例，该类病例通常处于已治愈状态；活动肺结核则为传染性病例，对该类病例需进行特殊的治疗甚至隔离。由于在临床路径上的显著差异，分期是肺结核诊断过程中最重要的问题之一。
通过X光造影，可以对肺结核进行有效的分期。其中，阴性病例无肺结核的典型征象；非活动肺结核的征象往往仅包含纤维灶与钙化灶；活动肺结核则除去纤维灶与钙化灶外，仍存在如渗出等其他征象。
现有技术中，通过X光造影对肺结核的分期仍需依靠人工判断。上述方法对医生的个人经验与能力有较高要求；同时人工阅片也存在成本高、耗时长、易受医生状态等人为因素干扰等问题。
随着人工智能，特别是深度学习领域的快速发展，已有大量研究人员尝试通过该类技术解决医学影像的分类、分期或者分型问题。在肺结核分级这一特定问题下，常规的多分类网络(如Inception、ResNet等)并不能得到理想结果。
上述问题的原因在于：1)较之于活动性肺结核的大面积征象，非活动性肺结核的征象尺寸更小，常规的分类网络并未对尺度差异进行充分的考虑，也会导致精度不佳。2)分类网络的目标函数并不会考虑错误分类的严重性问题。而在肺结核分级这一特定问题上，将活动肺结核错分为阴性显然要比非活动肺结核错分为阴性要严重，因此常规的分类网络在对错误的惩罚是不合适的。
发明内容
本发明的目的是提供一种根据人体医学影像确定肺结核分级的方法、装置以及计算设备、计算机可读存储介质与计算机程序产品。
根据本发明的一个方面，提供了一种用于计算设备中根据医学影像确定肺结核分级的方法，其中，该方法包括以下步骤：
获取人体胸部医学影像的图像特征图；
根据所述图像特征图，通过多尺度池化操作，获得不同尺度下的特征向量，其中所述多尺度池化操作包括在不同尺度下进行的池化操作；
对所述不同尺度下的特征向量进行连接，从而获得连接后的特征向量；
对所述连接后的特征向量执行以下至少一项操作，以确定对应的肺结核分级：
-通过分类器对所述特征向量进行分类，相应的类别包括肺结核阴性、非活动肺结核以及肺结核阳性；
-通过回归器对所述特征向量进行回归，相应的回归结果指示肺结核阴性、非活动肺结核或肺结核阳性，其中肺结核阴性与肺结核阳性之间的距离较肺结核阴性与非活动肺结核之间的距离更远。
根据本发明的一个方面，还提供了一种用于计算设备中根据医学影像确定肺结核分级的装置，其中，该装置包括：
特征获取装置，用于获取人体胸部医学影像的图像特征图；
多尺度池化装置，用于根据所述图像特征图，通过多尺度池化操作，获得不同尺度下的特征向量，其中所述多尺度池化操作包括在不同尺度下进行的池化操作；
特征连接装置，用于对所述不同尺度下的特征向量进行连接，从而获得连接后的特征向量；
分级确定装置，用于对所述连接后的特征向量执行以下至少一项操作，以确定对应的肺结核分级：
-通过分类器对所述特征向量进行分类，相应的类别包括肺结核阴性、非活动肺结核以及肺结核阳性；
-通过回归器对所述特征向量进行回归，相应的回归结果指示肺结核阴性、非活动肺结核或肺结核阳性，其中肺结核阴性与肺结核阳性之间的距离较肺结核阴性与非活动肺结核之间的距离更远。
根据本发明的一个方面，还提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现根据本发明的一个方面的用于计算设备中根据医学影像确定肺结核分级的方法。
根据本发明的一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现根据本发明的一个方面的用于计算设备中根据医学影像确定肺结核分级的方法。
根据本发明的一个方面，还提供了一种计算机程序产品，当所述计算机程序产品被计算设备执行时实现根据本发明的一个方面的用于计算设备中根据医学影像确定肺结核分级的方法。
与现有技术相比，通过引入“多尺度池化操作”，本发明可更有效表征原始输入图像中不同尺寸子区域内的特征，从而保证肺结核最小征象在特征图上不会因池化操作丢失。此外，通过引入“回归函数”，并考虑到错分的严重性问题，将肺结核阴性与肺结核阳性之间的距离设定为较肺结核阴性与非活动肺结核之间的距离更远，这可以降低活动肺结核被误判为阴性的可能性，以保证更高的临床可行性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本发明一个实施例的一种根据人体医学影像确定肺结核分级的方法流程图；
图2示出根据本发明另一个实施例的一种根据人体医学影像确定肺结核分级的装置示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
在更加详细地讨论示例性实施例之前应当提到的是，本发明的一些示例性实施例被描述为由方框图表述的装置和由流程图表述的过程或方法。虽然流程图将本发明的操作过程描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。本发明的过程可在其操作执行完毕时被终止，但也可包括未在所述流程图中示出的额外步骤。本发明的过程可以对应于方法、功能、规程、子例程、子程序等。
以下讨论的由流程图示出的方法和由方框图示出的装置，可以通过硬件、软件、固件、中间件、微代码、硬件描述语言、或其任意组合实现。当以软件、固件、中间件或微代码实现时，执行必要任务的程序代码或代码段可被存储于机器或诸如存储介质的计算机可读介质。(一个或多个)处理器可以执行所述必要任务。
类似地，还将理解任何流程表、流程图、状态转换图，诸如此类，表示各种过程，其可以被充分地描述为存储于计算机可读介质内的程序代码并因此被计算设备或处理器执行，无论这些计算设备或处理器是否被明确示出。
本文中，术语“存储介质”可以表示一个或多个用于存储数据的设备，包括只读存储器(ROM)，随机存取存储器(RAM)，磁性RAM，内核存储器，磁盘存储介质，光存储介质，闪存设备和/或其他用于存储信息的机器可读介质。术语“计算机可读介质”可包括但不限于，便携的或固定的存储设备，光存储设备，及各种其他能够存储和/或包含指令和/或数据的介质。
代码段可表示规程、功能、子程序、程序、例程、子例程、模块、软件包、类，或指令、数据结构或程序描述的任一组合。一个代码段可以通过传递和/或接收信息、数据、自变量、参数或存储内容，与另一个代码段或硬件电路相耦合。信息、自变量、参数、数据等，可以经由包括存储共享、信息传递、令牌传递、网络传输等任一合适方式，被传递、转发或发射。
在上下文中所称“计算设备”，是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的电子设备，其至少可以包括处理器与存储器，其中由处理器执行在存储器中预存的程序指令来执行预定处理过程，或是由ASIC、FPGA、DSP等硬件执行预定处理过程，或是由上述二者组合来实现。
上述“计算设备”通常以通用计算设备的形式表现，其组件可以包括但不限于：一个或者多个处理器或者处理单元、系统存储器。系统存储器可以包括易失性存储器形式的计算机可读介质，例如随机存取存储器(RAM)和/或高速缓存存储器。“计算设备”可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机可读存储介质。存储器可以包括至少一个计算机程序产品，该计算机程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能和/或方法。处理器通过运行存储在存储器中的程序，从而执行各种功能应用以及数据处理。
例如，存储器中存储有用于执行本发明的各项功能和处理的计算机程序，处理器执行相应计算机程序时，本发明中根据人体医学影像确定肺结核分级被实现。
典型地，计算设备例如包括用户设备与网络设备。其中，所述用户设备包括但不限于个人计算机(PC)、笔记本电脑、移动终端等，所述移动终端包括但不限于智能手机、平板电脑等；所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，所述计算设备可单独运行来实现本发明，也可接入网络并通过与网络中的其他计算设备的交互操作来实现本发明。其中，所述计算设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
需要说明的是，所述用户设备、网络设备和网络等仅为举例，其他现有的或今后可能出现的计算设备或网络如可适用于本发明，也应包含在本发明保护范围以内，并以引用方式包含于此。
这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是，在一些替换实现方式中，所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
下面结合附图对本发明作进一步详细描述。
图1示出根据本发明一个实施例的方法流程图，其具体示出一种根据人体医学影像确定肺结核分级的过程。
典型地，本发明由计算设备实现。当一个通用的计算设备被配置有实现本发明的程序模块后，其将成为专用的根据人体医学影像确定肺结核分级的计算设备，而不是任何通用的计算机或处理器。然而，本领域技术人员应能理解，前述说明仅意在表明本发明可以应用于任何通用计算设备，而当本发明被应用于一个通用计算设备之后，该通用计算设备则成为一个专门的实现本发明的根据人体医学影像确定肺结核分级的计算设备。
如图1所示，在步骤S1中，计算设备获取人体胸部医学影像的图像特征图；在步骤S2中，计算设备根据所述图像特征图，通过多尺度池化操作，获得不同尺度下的特征向量，其中所述多尺度池化操作包括在不同尺度下进行的池化操作；在步骤S3中，计算设备对所述不同尺度下的特征向量进行连接，从而获得连接后的特征向量；在步骤S4中，计算设备对所述连接后的特征向量执行以下至少一项操作，以确定对应的肺结核分级：通过分类器对所述特征向量进行分类，相应的类别包括肺结核阴性、非活动肺结核以及肺结核阳性；通过回归器对所述特征向量进行回归，相应的回归结果指示肺结核阴性、非活动肺结核或肺结核阳性，其中肺结核阴性与肺结核阳性之间的距离较肺结核阴性与非活动肺结核之间的距离更远。
具体地，在步骤S1中，计算设备获取人体胸部医学影像的图像特征图。
在此，人体胸部医学影像的图像特征图(feature map)可以通过基于深度学习的分类网络来提取，例如通常为高维特征图。
深度学习是机器学习领域中一系列试图使用多重非线性变换对数据进行多层抽象的算法，不仅学习输入和输出之间的非线性映射，还学习输入数据向量的隐藏结构，以用来对新的样本进行智能识别或预测。
通常的分类网络包括特征提取部分和分类部分，特征提取部分主要由交替出现的卷积层，激活层与池化层组成。其中，卷积层可以通过卷积操作提取一定范围内的图像特征；激活层可对卷积输出进行非线性化操作，使得神经网络可以表征复杂的非线性关系；池化层可以通过平均或求最大值的方法来缩小高维特征图的尺寸。经过多次卷积层、激活层与池化层的循环后，最终会生成一个高维的图像特征图。
可用于本发明的基于深度学习的分类网络诸如CNN(卷积神经网络，Convolutional Neural Networks)、RNN(循环神经网络，Recurrent Neural Networks)、AlexNet卷积神经网络、GoogLeNet(Google Inception Net)卷积神经网络、VGG(VisualGeometry Group)卷积神经网络等。本发明对此不做具体限定。任何现有的或将来的分类网络如果其特征提取功能可以实现本发明所要求的高维图像特征图，即被包含于本发明的保护范围内，并被引用于此。
根据本发明的一个实施例，计算设备可以集成有一分类网络来对输入的人体胸部医学影像提取对应的高维特征图，也可以调用一分类网络并通过该被调用的分类网络来对输入的人体胸部医学影像提取对应的高维特征图。此外，对人体胸部医学影像提取对应的高维特征图也可以由任一第三方设备进行，并由该第三方设备通过任何可用的通信方式将所提取的高维特征图传递给计算设备。
在步骤S2中，计算设备对该高维的图像特征图，通过多尺度池化操作，获得不同尺度下的特征向量，其中，多尺度池化操作包括在不同尺度下进行的池化操作。
在此，多尺度池化操作意在获取不同尺度下的特征向量。根据本发明的一个实施例，计算设备采用多尺度池化操作来获取不同尺度下的特征向量。特征图的多尺度表现，可更有效表征原始输入图像中不同尺寸子区域内的特征。为正确选取不同的尺寸参数，需对肺结核征象的尺寸进行统计，以保证最小征象在特征图上不会因池化操作丢失。较之仅能得到特征图的平均水平的全局平均池化(Global Average Pooling)，多尺度平均池化可在多个不同尺度下进行池化操作，以得到不同尺度下的平均水平。
通过对训练样本的统计，发现肺结核征象在单一维度(长/宽)上多为图像尺寸的0.1到0.5倍。举例而言，以一个1024*1024*1的图像为输入，肺结核征象长宽尺寸通常分布在102到512像素。经过特征抽取后，该1024*1024*1的图像输出一个32*32*2048维的高维特征图，则对应的肺结核征象特征的尺度为3*3*2048到16*16*2048。由此可知，通过2*2的平均操作，可以有效求得肺结核最小征象的平均值。因此，以最小的2*2平均操作为起点，以全局平均(32*32)为终点，并以二次方增长作为单一步长，最终得到多尺度池化操作的窗宽依次为2*2、4*4、8*8、16*16、32*32。
据此，多尺度池化操作的起点尺度根据肺结核征象的尺度确定，如根据最小征象的尺度确定，以保证肺结核的任何征象不会因池化操作而丢失，终点尺度为高维特征图的全局尺度。相邻尺度之间的步长例如为二次方增长。由于各尺度是按照例如单一步长由小至大逐步增长的，从而特征金字塔池化可以获取不同尺度下的特征，以保证本发明的检测算法对各尺度征象的敏感性。
进一步地，为减小计算量，步骤S1中获得的高维特征图可以降维后执行多尺度平均池化操作。例如，计算设备可以通过1*1卷积来对高维特征图进行降维。
仍以一个1024*1024*1的输入图像为例，通过Xception网络对其进行特征提取，获得一个维度为32*32*2048的高维特征图。随后，计算设备通过1*1卷积对该32*32*2048维特征图进行降维，得到降维后的特征图，即一个维度为32*32*3的特征图。进而，计算设备对该32*32*3维的特征图通过多尺度平均池化操作得到不同尺度下的特征向量。对于每一个深度维度上的特征图，计算设备分别提取2*2、4*4、8*8、16*16、32*32(即全局)尺度范围内特征的平均值，从而分别得到各尺度下平均池化的输出：即16*16*3的特征向量、8*8*3的特征向量、4*4*3的特征向量、2*2*3的特征向量、1*1*3的特征向量。
在步骤S3中，计算设备对不同尺度下的特征向量进行连接，从而获得连接后的特征向量。
仍接上例，在连接之前，计算设备例如可以对上述多尺度平均池化操作输出的各特征向量首先执行变形操作，分别获得维度为768(16*16*3)、192(8*8*3)、48(4*4*3)、12(2*2*3)、3(1*1*3)的特征向量，进而将这些特征向量执行连接操作，从而获得一个1023维(768+192+48+12+3)的特征向量。
在步骤S4中，计算设备对连接后的特征向量执行以下至少一项操作，以确定对应的肺结核分级：
1)通过分类器对特征向量进行分类，相应的类别包括肺结核阴性、非活动肺结核以及肺结核阳性；
2)通过回归器对特征向量进行回归，相应的回归结果指示肺结核阴性、非活动肺结核或肺结核阳性，其中肺结核阴性与肺结核阳性之间的距离较肺结核阴性与非活动肺结核之间的距离更远。
在此，计算设备可以预先对分类器进行训练，本发明可适用的分类器包括但不限于支持向量机、决策树、基于深度学习的分类网络等，本发明对此不做限制。
训练样本被分别标记有分类标签，包括肺结核阴性、非活动肺结核以及肺结核阳性。该分类标签可以以独热码形式实现，例如肺结核阴性的标签为[1,0,0]，非活动肺结核的标签为[0,1,0]，活动肺结核的标签为[0,0,1]。据此，标记好分类标签的样本特征向量被输入分类器，以对其训练，从而获得训练好的分类器。
计算设备也可以对回归器进行预先训练，本发明可适用的回归函数包括但不限于逻辑回归、线性回归等，本发明对此不做限制。通过添加回归函数，可以降低活动肺结核被误判为阴性的可能性，以保证更高的临床可行性。
训练样本被分别标记有回归标签，回归标签以【0,1】之间的值分别指示肺结核阴性、非活动肺结核或肺结核阳性。考虑到错分的严重性问题，较肺结核阴性与非活动肺结核之间的距离，肺结核阴性与肺结核阳性之间的距离应更远。例如，回归标签以离散数字形式实现，肺结核阴性的标签为0，非活动结核的标签为0.5，活动肺结核的标签为1。或者，回归标签以【0,1】之间划分的三个区间来分别指示肺结核阴性、非活动肺结核或肺结核阳性，例如，肺结核阴性的标签区间为【0,0.3】，非活动结核的标签区间为【0.4,0.6】，活动肺结核的标签区间为【0.7,1】。
当采用分类器和回归器来确定肺结核分级时，在对分类器和回归器进行训练时，训练目标函数为分类器的分类子目标函数和回归器的回归子目标函数的加权和。在此，例如可以将分类器的输出与回归器的输出调整至同一数量级，并根据实验结果来设置两者各自的权重。其中，前述输出调整可以如通过阈值调整的方式，分类器与回归器的权重可以如均为1。
在获得步骤S3中连接后的特征向量，计算设备将这些特征向量输入训练好的分类器，以获得输出的分类标签。计算设备还可以将这些特征向量输入训练好的回归器，以获得输出的回归结果，例如0、0.5或1，以分别指示肺结核阴性、非活动肺结核或肺结核阳性。
进一步地，计算设备可以对步骤S3中连接后的特征向量降维后确定对应的肺结核分级。例如，计算设备可以通过全连接层的操作，如两次全连接操作，对特征向量进行降维。具体如，步骤S3中获得一个1023维的特征向量，计算设备通过两次全连接操作，获得降维后的一个10维特征向量。因此，对分类器和回归器进行训练时，训练样本也可以采用10维特征向量。
在此，计算设备可以仅使用分类器或回归器之一来对连接后的特征向量确定肺结核分级，也可以结合两者来对连接后的特征向量确定肺结核分级。当结合分类器和回归器两者来做判定时，判定策略例如可以是任何一者确定为肺结核阳性，即判定为肺结核阳性；或者，将分类器与回归器各自的输出作为输入，再训练一个分类器(如随机森林)来做最终的分类。
图2示出根据本发明一个实施例的装置示意图，其具体示出一种根据人体胸部医学影像确定肺结核分级的装置。
典型地，本发明的装置可以作为一个功能模块装置于任何通用的计算设备中。当一个通用的计算设备被配置有本发明的装置后，其将成为专用的根据人体胸部医学影像确定肺结核分级的计算设备，而不是任何通用的计算机或处理器。然而，本领域技术人员应能理解，前述说明仅意在表明本发明的装置可以应用于任何通用计算设备，而当本发明的装置被应用于一个通用计算设备之后，该通用计算设备则成为一个专门的实现本发明的根据人体胸部医学影像确定肺结核分级的计算设备，本发明的装置也可以因此被称为“计算装置”。并且，该“计算装置”可以以计算机程序、硬件或其结合的方式实现。
如图2所示，计算装置20被装置于计算设备200中。计算装置20进一步包括特征获取装置21、多尺度池化装置22、特征连接装置23和分级确定装置24。
其中，特征获取装置21获取人体胸部医学影像的图像特征图；多尺度池化装置22根据所述图像特征图，通过多尺度池化操作，获得不同尺度下的特征向量，其中所述多尺度池化操作包括在不同尺度下进行的池化操作；特征连接装置23对所述不同尺度下的特征向量进行连接，从而获得连接后的特征向量；分级确定装置24对所述连接后的特征向量执行以下至少一项操作，以确定对应的肺结核分级：通过分类器对所述特征向量进行分类，相应的类别包括肺结核阴性、非活动肺结核以及肺结核阳性；通过回归器对所述特征向量进行回归，相应的回归结果指示肺结核阴性、非活动肺结核或肺结核阳性，其中肺结核阴性与肺结核阳性之间的距离较肺结核阴性与非活动肺结核之间的距离更远。
具体地，特征获取装置21获取人体胸部医学影像的图像特征图。
在此，人体胸部医学影像的图像特征图可以通过基于深度学习的分类网络来提取，例如通常为高维特征图。
深度学习是机器学习领域中一系列试图使用多重非线性变换对数据进行多层抽象的算法，不仅学习输入和输出之间的非线性映射，还学习输入数据向量的隐藏结构，以用来对新的样本进行智能识别或预测。
通常的分类网络包括特征提取部分和分类部分，特征提取部分主要由交替出现的卷积层，激活层与池化层组成。其中，卷积层可以通过卷积操作提取一定范围内的图像特征；激活层可对卷积输出进行非线性化操作，使得神经网络可以表征复杂的非线性关系；池化层可以通过平均或求最大值的方法来缩小高维特征图的尺寸。经过多次卷积层、激活层与池化层的循环后，最终会生成一个高维的图像特征图。
可用于本发明的基于深度学习的分类网络诸如CNN(卷积神经网络，Convolutional Neural Networks)、RNN(循环神经网络，Recurrent Neural Networks)、AlexNet卷积神经网络、GoogLeNet(Google Inception Net)卷积神经网络、VGG(VisualGeometry Group)卷积神经网络等。本发明对此不做具体限定。任何现有的或将来的分类网络如果其特征提取功能可以实现本发明所要求的高维图像特征图，即被包含于本发明的保护范围内，并被引用于此。
根据本发明的一个实施例，特征获取装置21可以集成有一分类网络来对输入的人体胸部医学影像提取对应的高维特征图，也可以调用一分类网络并通过该被调用的分类网络来对输入的人体胸部医学影像提取对应的高维特征图。此外，对人体胸部医学影像提取对应的高维特征图也可以由任一第三方设备进行，并由该第三方设备通过任何可用的通信方式将所提取的高维特征图传递给特征获取装置21。
随后，尺度平均装置22对该高维的图像特征图，通过多尺度池化操作，获得不同尺度下的特征向量，其中，多尺度池化操作包括在不同尺度下进行的池化操作。
在此，多尺度池化操作意在获取不同尺度下的特征向量。根据本发明的一个实施例，计算设备采用多尺度池化操作来获取不同尺度下的特征向量。特征图的多尺度表现，可更有效表征原始输入图像中不同尺寸子区域内的特征。为正确选取不同的尺寸参数，需对肺结核征象的尺寸进行统计，以保证最小征象在特征图上不会因池化操作丢失。较之仅能得到特征图的平均水平的全局平均池化(Global Average Pooling)，多尺度平均池化可在多个不同尺度下进行池化操作，以得到不同尺度下的平均水平。
通过对训练样本的统计，发现肺结核征象在单一维度(长/宽)上多为图像尺寸的0.1到0.5倍。举例而言，以一个1024*1024*1的图像为输入，肺结核征象长宽尺寸通常分布在102到512像素。经过特征抽取后，该1024*1024*1的图像输出一个32*32*2048维的高维特征图，则对应的肺结核征象特征的尺度为3*3*2048到16*16*2048。由此可知，通过2*2的平均操作，可以有效求得肺结核最小征象的平均值。因此，以最小的2*2平均操作为起点，以全局平均(32*32)为终点，并以二次方增长作为单一步长，最终得到多尺度池化操作的窗宽依次为2*2、4*4、8*8、16*16、32*32。
据此，多尺度池化操作的起点尺度根据肺结核征象的尺度确定，如根据最小征象的尺度确定，以保证肺结核的任何征象不会因池化操作而丢失，终点尺度为高维特征图的全局尺度。相邻尺度之间的步长例如为二次方增长。由于各尺度是按照例如单一步长由小至大逐步增长的，从而特征金字塔池化可以获取不同尺度下的特征，以保证本发明的检测算法对各尺度征象的敏感性。
进一步地，为减小计算量，特征获取装置21获得的高维特征图例如可以通过第一降维装置(图2未示出)降维后执行多尺度平均池化操作。例如，第一降维装置可以通过1*1卷积来对高维特征图进行降维。第一降维装置可以作为一个独立装置，也可以集成在特征获取装置21或多尺度池化装置22。当第一降维装置集成在特征获取装置21中，特征获取装置21将高维特征图降维后传递给向多尺度池化装置22。
仍以一个1024*1024*1的输入图像为例，通过Xception网络对其进行特征提取，特征获取装置21获得一个维度为32*32*2048的高维特征图。随后，第一降维装置通过1*1卷积对该32*32*2048维特征图进行降维，得到降维后的特征图，即一个维度为32*32*3的特征图。进而，多尺度池化装置22对该32*32*3维的特征图通过多尺度平均池化操作得到不同尺度下的特征向量。对于每一个深度维度上的特征图，多尺度池化装置22分别提取2*2、4*4、8*8、16*16、32*32(即全局)尺度范围内特征的平均值，从而分别得到各尺度下平均池化的输出：即16*16*3的特征向量、8*8*3的特征向量、4*4*3的特征向量、2*2*3的特征向量、1*1*3的特征向量。
随后，特征连接装置23对不同尺度下的特征向量进行连接，从而获得连接后的特征向量。
仍接上例，在连接之前，特征连接装置23例如可以对上述多尺度平均池化操作输出的各特征向量首先执行变形操作，分别获得维度为768(16*16*3)、192(8*8*3)、48(4*4*3)、12(2*2*3)、3(1*1*3)的特征向量，进而将这些特征向量执行连接操作，从而获得一个1023维(768+192+48+12+3)的特征向量。
接着，分级确定装置24对连接后的特征向量执行以下至少一项操作，以确定对应的肺结核分级：
1)通过分类器对特征向量进行分类，相应的类别包括肺结核阴性、非活动肺结核以及肺结核阳性；
2)通过回归器对特征向量进行回归，相应的回归结果指示肺结核阴性、非活动肺结核或肺结核阳性，其中肺结核阴性与肺结核阳性之间的距离较肺结核阴性与非活动肺结核之间的距离更远。
在此，分级确定装置24可以集成有分类器和/或回归器，也可以调用外部的分类器和/或回归器。
分类器预先被训练好，本发明可适用的分类器包括但不限于支持向量机、决策树、基于深度学习的分类网络等，本发明对此不做限制。
训练样本被分别标记有分类标签，包括肺结核阴性、非活动肺结核以及肺结核阳性。该分类标签可以以独热码形式实现，例如肺结核阴性的标签为[1,0,0]，非活动肺结核的标签为[0,1,0]，活动肺结核的标签为[0,0,1]。据此，标记好分类标签的样本特征向量被输入分类器，以对其训练，从而获得训练好的分类器。
回归器分类器和/或回归器，本发明可适用的回归函数包括但不限于逻辑回归、线性回归等，本发明对此不做限制。通过添加回归函数，可以降低活动肺结核被误判为阴性的可能性，以保证更高的临床可行性。
训练样本被分别标记有回归标签，回归标签以【0,1】之间的值分别指示肺结核阴性、非活动肺结核或肺结核阳性。考虑到错分的严重性问题，较肺结核阴性与非活动肺结核之间的距离，肺结核阴性与肺结核阳性之间的距离应更远。例如，回归标签以离散数字形式实现，肺结核阴性的标签为0，非活动结核的标签为0.5，活动肺结核的标签为1。或者，回归标签以【0,1】之间划分的三个区间来分别指示肺结核阴性、非活动肺结核或肺结核阳性，例如，肺结核阴性的标签区间为【0,0.3】，非活动结核的标签区间为【0.4,0.6】，活动肺结核的标签区间为【0.7,1】。
当采用分类器和回归器来确定肺结核分级时，在对分类器和回归器进行训练时，训练目标函数为分类器的分类子目标函数和回归器的回归子目标函数的加权和。在此，例如可以将分类器的输出与回归器的输出调整至同一数量级，并根据实验结果来设置两者各自的权重。其中，前述输出调整可以如通过阈值调整的方式，分类器与回归器的权重可以如均为1。
在获得特征连接装置23连接后的特征向量，分级确定装置24将这些特征向量输入训练好的分类器，以获得输出的分类标签。分级确定装置24还可以将这些特征向量输入训练好的回归器，以获得输出的回归结果，例如0、0.5或1，以分别指示肺结核阴性、非活动肺结核或肺结核阳性。
进一步地，特征连接装置23中连接后的特征向量可以通过第二降维装置(图2未示出)降维后确定对应的肺结核分级。例如，第二降维装置可以通过全连接层的操作，如两次全连接操作，对特征向量进行降维。具体如，特征连接装置23获得一个1023维的特征向量，第二降维装置通过两次全连接操作，获得降维后的一个10维特征向量。因此，对分类器和回归器进行训练时，训练样本也可以采用10维特征向量。
第二降维装置可以作为一个独立装置，也可以集成在特征连接装置23或分级确定装置24。当第二降维装置集成在特征连接装置23中，特征连接装置23将变形连接后的特征向量降维后传递给向分级确定装置24。
在此，分级确定装置24可以仅使用分类器或回归器之一来对连接后的特征向量确定肺结核分级，也可以结合两者来对连接后的特征向量确定肺结核分级。当结合分类器和回归器两者来做判定时，判定策略例如可以是任何一者确定为肺结核阳性，即判定为肺结核阳性；或者，将分类器与回归器各自的输出作为输入，再训练一个分类器(如随机森林)来做最终的分类。
根据以上描述的各种实施例，以下条款被提出：
条款1.一种用于计算设备中根据医学影像确定肺结核分级的方法，其中，该方法包括以下步骤：
获取人体胸部医学影像的图像特征图；
根据所述图像特征图，通过多尺度池化操作，获得不同尺度下的特征向量，其中所述多尺度池化操作包括在不同尺度下进行的池化操作；
对所述不同尺度下的特征向量进行连接，从而获得连接后的特征向量；
对所述连接后的特征向量执行以下至少一项操作，以确定对应的肺结核分级：
-通过分类器对所述特征向量进行分类，相应的类别包括肺结核阴性、非活动肺结核以及肺结核阳性；
-通过回归器对所述特征向量进行回归，相应的回归结果指示肺结核阴性、非活动肺结核或肺结核阳性，其中肺结核阴性与肺结核阳性之间的距离较肺结核阴性与非活动肺结核之间的距离更远。
条款2.根据条款1所述的方法，其中，该方法还包括：
对所述图像特征图降维后执行所述多尺度池化操作。
条款3.根据条款1或2所述的方法，其中，该方法还包括：
对所述连接后的特征向量降维后确定对应的肺结核分级。
条款4.根据条款1至3中任一项所述的方法，其中，
标记好分类标签的样本特征向量被输入所述分类器，以获得经训练的所述分类器，所述分类标签包括肺结核阴性、非活动肺结核以及肺结核阳性。
条款5.根据条款1至4中任一项所述的方法，其中，
标记好回归标签的样本特征向量被输入所述回归器，以获得经训练的所述回归器，所述回归标签以【0,1】之间的区间值分别指示肺结核阴性、非活动肺结核或肺结核阳性，其中肺结核阴性与肺结核阳性之间的距离较肺结核阴性与非活动肺结核之间的距离更远。
条款6.根据条款1至5中任一项所述的方法，其中，所述多尺度池化操作的起点尺度根据肺结核征象的尺度确定，终点尺度为所述图像特征图的全局尺度。
条款7.根据条款1至6中任一项所述的方法，其中，相邻尺度之间的步长为二次方增长。
条款8.根据条款1至7中任一项所述的方法，其中，所述多尺度池化操作包括多尺度平均池化操作。
条款9.根据条款1至8中任一项所述的方法，其中，所述图像特征图通过基于深度学习的分类网络提取。
条款10.根据条款1至9中任一项所述的方法，其中，所述连接操作将所述不同尺度下的特征向量连接为一个1维特征向量。
条款11.一种用于计算设备中根据医学影像确定肺结核分级的装置，其中，该装置包括：
特征获取装置，用于获取人体胸部医学影像的图像特征图；
多尺度池化装置，用于根据所述图像特征图，通过多尺度池化操作，获得不同尺度下的特征向量，其中所述多尺度池化操作包括在不同尺度下进行的池化操作；
特征连接装置，用于对所述不同尺度下的特征向量进行连接，从而获得连接后的特征向量；
分级确定装置，用于对所述连接后的特征向量执行以下至少一项操作，以确定对应的肺结核分级：
-通过分类器对所述特征向量进行分类，相应的类别包括肺结核阴性、非活动肺结核以及肺结核阳性；
-通过回归器对所述特征向量进行回归，相应的回归结果指示肺结核阴性、非活动肺结核或肺结核阳性，其中肺结核阴性与肺结核阳性之间的距离较肺结核阴性与非活动肺结核之间的距离更远。
条款12.根据条款11所述的装置，其中，该装置还包括：
第一降维装置，用于对所述图像特征图降维后执行所述多尺度池化操作。
条款13.根据条款11或12所述的装置，其中，该装置还包括：
第二降维装置，用于对所述连接后的特征向量降维后确定对应的肺结核分级。
条款14.根据条款11至13中任一项所述的装置，其中，
所述分类器通过输入标记好分类标签的样本特征向量获得训练，所述分类标签包括肺结核阴性、非活动肺结核以及肺结核阳性。
条款15.根据条款11至14中任一项所述的装置，其中，
所述回归器通过输入标记好回归标签的样本特征向量获得训练，所述回归标签以【0,1】之间的区间值分别指示肺结核阴性、非活动肺结核或肺结核阳性，其中肺结核阴性与肺结核阳性之间的距离较肺结核阴性与非活动肺结核之间的距离更远。
条款16.根据条款11至15中任一项所述的装置，其中，所述多尺度池化操作的起点尺度根据肺结核征象的尺度确定，终点尺度为所述图像特征图的全局尺度。
条款17.根据条款11至16中任一项所述的装置，其中，相邻尺度之间的步长为二次方增长。
条款18.根据条款11至17中任一项所述的装置，其中，所述多尺度池化操作包括多尺度平均池化操作。
条款19.根据条款11至18中任一项所述的装置，其中，所述图像特征图通过基于深度学习的分类网络提取。
条款20.根据条款11至19中任一项所述的装置，其中，所述连接操作将所述不同尺度下的特征向量连接为一个1维特征向量。
条款21.一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如条款1至10中任一项所述的方法。
条款22.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如条款1至10中任一项所述的方法。
条款23.一种计算机程序产品，当所述计算机程序产品被计算设备执行时实现如条款1至10中任一项所述的方法。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本发明的至少一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算设备执行时，通过该计算设备的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用/提供本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算设备的工作存储器中。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (8)

1.一种用于计算设备中根据医学影像确定肺结核分级的方法，其中，该方法包括以下步骤：
获取人体胸部医学影像的图像特征图；
根据所述图像特征图，通过多尺度池化操作，获得不同尺度下的特征向量，其中所述多尺度池化操作包括在不同尺度下进行的池化操作；
对所述不同尺度下的特征向量进行连接，从而获得连接后的特征向量；
对所述连接后的特征向量执行以下至少一项操作，以确定对应的肺结核分级：
-通过分类器对所述特征向量进行分类，所述类别包括肺结核阴性、非活动肺结核以及肺结核阳性；
-通过回归器对所述特征向量进行回归，相应的回归结果指示肺结核阴性、非活动肺结核或肺结核阳性，其中肺结核阴性与肺结核阳性之间的距离较肺结核阴性与非活动肺结核之间的距离更远。
2.根据权利要求1所述的方法，其中，所述多尺度池化操作的起点尺度根据肺结核征象的尺度确定，终点尺度为所述图像特征图的全局尺度。
3.根据权利要求1或2所述的方法，其中，相邻尺度之间的步长为二次方增长。
4.根据权利要求1至3中任一项所述的方法，其中，所述多尺度池化操作包括多尺度平均池化操作。
5.一种用于计算设备中根据医学影像确定肺结核分级的装置，其中，该装置包括：
特征获取装置，用于获取人体胸部医学影像的图像特征图；
多尺度池化装置，用于根据所述图像特征图，通过多尺度池化操作，获得不同尺度下的特征向量，其中所述多尺度池化操作包括在不同尺度下进行的池化操作；
特征连接装置，用于对所述不同尺度下的特征向量进行连接，从而获得连接后的特征向量；
分级确定装置，用于对所述连接后的特征向量执行以下至少一项操作，以确定对应的肺结核分级：
-通过分类器对所述特征向量进行分类，所述类别包括肺结核阴性、非活动肺结核以及肺结核阳性；
-通过回归器对所述特征向量进行回归，相应的回归结果指示肺结核阴性、非活动肺结核或肺结核阳性，其中肺结核阴性与肺结核阳性之间的距离较肺结核阴性与非活动肺结核之间的距离更远。
6.一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
8.一种计算机程序产品，当所述计算机程序产品被计算设备执行时实现如权利要求1至5中任一项所述的方法。
CN201910843662.8A 2019-09-06 2019-09-06 一种根据人体医学影像确定肺结核分级的方法与装置 Active CN110619359B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910843662.8A CN110619359B (zh) 2019-09-06 2019-09-06 一种根据人体医学影像确定肺结核分级的方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910843662.8A CN110619359B (zh) 2019-09-06 2019-09-06 一种根据人体医学影像确定肺结核分级的方法与装置

Publications (2)

Publication Number Publication Date
CN110619359A true CN110619359A (zh) 2019-12-27
CN110619359B CN110619359B (zh) 2020-11-27

Family

ID=68922670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910843662.8A Active CN110619359B (zh) 2019-09-06 2019-09-06 一种根据人体医学影像确定肺结核分级的方法与装置

Country Status (1)

Country Link
CN (1) CN110619359B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332530A (zh) * 2021-12-22 2022-04-12 腾讯科技（深圳）有限公司 图像分类方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170046616A1 (en) * 2015-08-15 2017-02-16 Salesforce.Com, Inc. Three-dimensional (3d) convolution with 3d batch normalization
WO2018200493A1 (en) * 2017-04-25 2018-11-01 The Board Of Trustees Of The Leland Stanford Junior University Dose reduction for medical imaging using deep convolutional neural networks
CN109063766A (zh) * 2018-07-31 2018-12-21 湘潭大学 一种基于判别性预测稀疏分解模型的图像分类方法
CN110175993A (zh) * 2019-05-27 2019-08-27 西安交通大学医学院第一附属医院 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170046616A1 (en) * 2015-08-15 2017-02-16 Salesforce.Com, Inc. Three-dimensional (3d) convolution with 3d batch normalization
WO2018200493A1 (en) * 2017-04-25 2018-11-01 The Board Of Trustees Of The Leland Stanford Junior University Dose reduction for medical imaging using deep convolutional neural networks
CN109063766A (zh) * 2018-07-31 2018-12-21 湘潭大学 一种基于判别性预测稀疏分解模型的图像分类方法
CN110175993A (zh) * 2019-05-27 2019-08-27 西安交通大学医学院第一附属医院 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332530A (zh) * 2021-12-22 2022-04-12 腾讯科技（深圳）有限公司 图像分类方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN110619359B (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
Alghamdi et al. Deep learning approaches for detecting COVID-19 from chest X-ray images: A survey
Kibriya et al. A novel and effective brain tumor classification model using deep feature fusion and famous machine learning classifiers
Habib et al. Ensemble of CheXNet and VGG-19 feature extractor with random forest classifier for pediatric pneumonia detection
Pustokhin et al. An effective deep residual network based class attention layer with bidirectional LSTM for diagnosis and classification of COVID-19
Shen et al. An interpretable deep hierarchical semantic convolutional neural network for lung nodule malignancy classification
US10482603B1 (en) Medical image segmentation using an integrated edge guidance module and object segmentation network
Roth et al. A new 2.5 D representation for lymph node detection using random sets of deep convolutional neural network observations
CN112598643B (zh) 深度伪造图像检测及模型训练方法、装置、设备、介质
Tang et al. Tuna-net: Task-oriented unsupervised adversarial network for disease recognition in cross-domain chest x-rays
Alahmari et al. A comprehensive review of deep learning-based methods for COVID-19 detection using chest X-ray images
Pham et al. Chest x-ray abnormalities localization via ensemble of deep convolutional neural networks
Skouta et al. Automated binary classification of diabetic retinopathy by convolutional neural networks
CN113222989A (zh) 一种图像分级方法、装置、存储介质及电子设备
Rama et al. Image pre-processing: enhance the performance of medical image classification using various data augmentation technique
Banerjee et al. Deep belief convolutional neural network with artificial image creation by gans based diagnosis of pneumonia in radiological samples of the pectoralis major
Ameen et al. Explainable residual network for tuberculosis classification in the IoT era
CN110610488A (zh) 分类训练和检测的方法与装置
US20220172370A1 (en) Method for detecting white matter lesions based on medical image
Fang et al. Segmentation Technology of Nucleus Image Based on U‐Net Network
CN110619359B (zh) 一种根据人体医学影像确定肺结核分级的方法与装置
Garg et al. State-of-the-art review of deep learning for medical image analysis
Yuan et al. An improved yolov5 for skull fracture detection
Cheng et al. Automatic MR prostate segmentation by deep learning with holistically-nested networks
Zhong et al. Ensemble learning method based on CNN for class imbalanced data
Prabakaran et al. Implementation of ResNet-50 with the Skip Connection Principle in Transfer Learning Models for Lung Disease Prediction

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
GR01 Patent grant
GR01 Patent grant