-
公开(公告)号：CN111723817B
公开(公告)日：2023-09-29
申请号：CN202010611045.8
申请日：2020-06-30
申请人： 重庆大学
IPC分类号： G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明涉及一种肺结节辅助检测方法，主要步骤包括S100获取数据集，该数据集包括N个患者的胸部扫描CT图像，每个患者有一系列胸部扫描CT图像；S200建立多尺度辅助检测模型，该模型由三个空洞率不同的U‑net网络和一个VGG神经网络组成，采用S100的数据，利用相关多任务联合损失函数对多尺度辅助检测模型的参数进行训练和优化；S300将待预测患者的一系列CT图像输入优化后的多尺度辅助检测模型，输出待预测患者的检测结果、分割结果和分类结果。本方法在肺结节多尺度统一表征的基础上，分析肺结节辅助检测多任务之间的“强相关”作用关系，实现多任务联合训练与优化，对肺结节辅助检测的敏感度和准确率的整体优化。
-
公开(公告)号：CN111768845B
公开(公告)日：2023-08-11
申请号：CN202010608483.9
申请日：2020-06-30
申请人： 重庆大学
摘要： 本发明公开了一种基于最优多尺度感知的肺结节辅助检测方法。包括如下步骤，获取同一病人的多张连续肺部CT图像，将CT图像进行拼接并输入到视觉感受野滤波器进行肺结节尺度特征提取，肺结节区域生成网络根据肺结节尺度特征对不同尺度的肺结节进行框选，最后使用基于定位的soft非极大值抑制方法将置信度最优的肺结节的候选框保留，从而得到一张框选出不同尺度下置信度最优的肺结节的图像。在本发明中，通过设计基于Gabor‑Unet的视觉感受野滤波器，以及设计肺结节区域生成网络，将多个不同尺度的肺结节中置信度最优的肺结节框选出，便于肺结节的检测诊断，补充现有肺结节辅助诊断系统中存在的不足，使得本发明提出的基于多尺度最优化感知肺结节辅助检测方法更加的精准。
-
公开(公告)号：CN111767952B
公开(公告)日：2024-03-29
申请号：CN202010608458.0
申请日：2020-06-30
申请人： 重庆大学
IPC分类号： G06V10/764 , G06V10/44 , G06V10/52 , G06V10/54 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
摘要： 本发明涉及一种可解释的肺结节良恶性分类方法，具体包括：S1、首先将肺结节的各医学征象进行划分，构建医学征象谱；S2、然后利用传统图像特征方法提取肺结节特征集，即图像特征谱；S3、通过对抗学习的医学征象和图像特征谱映射网络，来建立医学征象谱与肺结节图像特征的映射关系；S4、构建可解释的CNN的征象属性学习和分类诊断联合优化网络模型，最终通过设计可解释的卷积神经网络学习获得结节征象属性和良恶性的分类。本发明利用传统图像特征方法提取肺结节特征集，即图像特征谱，并建立医学征象谱与图像特征谱之间的内在关系，然后设计可解释的卷积神经网络进行的结节征象属性学习和良恶性预测，为结节的预测结果提供可解释性。
-
公开(公告)号：CN111767952A
公开(公告)日：2020-10-13
申请号：CN202010608458.0
申请日：2020-06-30
申请人： 重庆大学
摘要： 本发明涉及一种可解释的肺结节良恶性分类方法，具体包括：S1、首先将肺结节的各医学征象进行划分，构建医学征象谱；S2、然后利用传统图像特征方法提取肺结节特征集，即图像特征谱；S3、通过对抗学习的医学征象和图像特征谱映射网络，来建立医学征象谱与肺结节图像特征的映射关系；S4、构建可解释的CNN的征象属性学习和分类诊断联合优化网络模型，最终通过设计可解释的卷积神经网络学习获得结节征象属性和良恶性的分类。本发明利用传统图像特征方法提取肺结节特征集，即图像特征谱，并建立医学征象谱与图像特征谱之间的内在关系，然后设计可解释的卷积神经网络进行的结节征象属性学习和良恶性预测，为结节的预测结果提供可解释性。
-
公开(公告)号：CN111768382B
公开(公告)日：2023-08-15
申请号：CN202010608494.7
申请日：2020-06-30
申请人： 重庆大学
IPC分类号： G06T7/12 , G06T7/136 , G06T7/00 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/084
摘要： 本发明涉及一种基于肺结节生长形态的交互式分割方法，包括S100获取包括N个患者的M个胸部扫描CT图像的数据集；S200将数据集中的所有胸部扫描CT图像输入现有的U‑Net模型进行粗分割得到对应粗分割图像；S300:构建各向异性生长交互式分割网络，将S100数据集中的胸部扫描CT图像和对应的粗分割图像融合后输入该各向异性生长交互式分割网络中，对网络的参数进行训练和参数优化；S400:将待预测患者的CT图像输入U‑Net模型进行粗分割，再将待测患者的粗分割图像、生成的热力图与胸部扫描CT图像一并输入优化后的各向异性生长交互式分割网络，最后输出分割结果。该方法使用深度学习的方法得到的结节粗分割基础上，通过少量交互让模型自动调优，以提高结节分割的准确率。
-
公开(公告)号：CN111768845A
公开(公告)日：2020-10-13
申请号：CN202010608483.9
申请日：2020-06-30
申请人： 重庆大学
摘要： 本发明公开了一种基于最优多尺度感知的肺结节辅助检测方法。包括如下步骤，获取同一病人的多张连续肺部CT图像，将CT图像进行拼接并输入到视觉感受野滤波器进行肺结节尺度特征提取，肺结节区域生成网络根据肺结节尺度特征对不同尺度的肺结节进行框选，最后使用基于定位的soft非极大值抑制方法将置信度最优的肺结节的候选框保留，从而得到一张框选出不同尺度下置信度最优的肺结节的图像。在本发明中，通过设计基于Gabor-Unet的视觉感受野滤波器，以及设计肺结节区域生成网络，将多个不同尺度的肺结节中置信度最优的肺结节框选出，便于肺结节的检测诊断，补充现有肺结节辅助诊断系统中存在的不足，使得本发明提出的基于多尺度最优化感知肺结节辅助检测方法更加的精准。
-
公开(公告)号：CN111768382A
公开(公告)日：2020-10-13
申请号：CN202010608494.7
申请日：2020-06-30
申请人： 重庆大学
摘要： 本发明涉及一种基于肺结节生长形态的交互式分割方法，包括S100获取包括N个患者的M个胸部扫描CT图像的数据集；S200将数据集中的所有胸部扫描CT图像输入现有的U-Net模型进行粗分割得到对应粗分割图像；S300:构建各向异性生长交互式分割网络，将S100数据集中的胸部扫描CT图像和对应的粗分割图像融合后输入该各向异性生长交互式分割网络中，对网络的参数进行训练和参数优化；S400:将待预测患者的CT图像输入U-Net模型进行粗分割，再将待测患者的粗分割图像、生成的热力图与胸部扫描CT图像一并输入优化后的各向异性生长交互式分割网络，最后输出分割结果。该方法使用深度学习的方法得到的结节粗分割基础上，通过少量交互让模型自动调优，以提高结节分割的准确率。
-
公开(公告)号：CN111723817A
公开(公告)日：2020-09-29
申请号：CN202010611045.8
申请日：2020-06-30
申请人： 重庆大学
摘要： 本发明涉及一种肺结节辅助检测方法，主要步骤包括S100获取数据集，该数据集包括N个患者的胸部扫描CT图像，每个患者有一系列胸部扫描CT图像；S200建立多尺度辅助检测模型，该模型由三个空洞率不同的U-net网络和一个VGG神经网络组成，采用S100的数据，利用相关多任务联合损失函数对多尺度辅助检测模型的参数进行训练和优化；S300将待预测患者的一系列CT图像输入优化后的多尺度辅助检测模型，输出待预测患者的检测结果、分割结果和分类结果。本方法在肺结节多尺度统一表征的基础上，分析肺结节辅助检测多任务之间的“强相关”作用关系，实现多任务联合训练与优化，对肺结节辅助检测的敏感度和准确率的整体优化。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.02 秒)
