-
Patent Agency Ranking
公开(公告)号：CN108022647A
公开(公告)日：2018-05-11
申请号：CN201711233696.2
申请日：2017-11-30
Applicant: 东北大学
Abstract: 本发明提出一种基于ResNet‑Inception模型的肺结节良恶性预测方法，获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行预处理，得到训练图像数据集、验证图像数据集和预测图像数据集；建立基于ResNet‑Inception模型的肺结节图像分类模型；将预测图像数据集输入基于ResNet‑Inception模型的肺结节图像分类模型的最终形式中，得到预测图像数据集中肺结节图像的肺结节良恶性预测结果。本发明方法设计了新的网络结构模型，根据肺结节CT图像即可获得该肺结节的良恶性预测。
-
公开(公告)号：CN108022647B
公开(公告)日：2022-01-25
申请号：CN201711233696.2
申请日：2017-11-30
Applicant: 东北大学
Abstract: 本发明提出一种基于ResNet‑Inception模型的肺结节良恶性预测方法，获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行预处理，得到训练图像数据集、验证图像数据集和预测图像数据集；建立基于ResNet‑Inception模型的肺结节图像分类模型；将预测图像数据集输入基于ResNet‑Inception模型的肺结节图像分类模型的最终形式中，得到预测图像数据集中肺结节图像的肺结节良恶性预测结果。本发明方法设计了新的网络结构模型，根据肺结节CT图像即可获得该肺结节的良恶性预测。
-
公开(公告)号：CN110070612B
公开(公告)日：2023-09-22
申请号：CN201910340691.2
申请日：2019-04-25
Applicant: 东北大学
IPC: G06T17/00 , G06N3/0464
Abstract: 本发明涉及一种基于生成对抗网络的CT图像层间插值方法；包括：S1、针对待处理的CT图像，获取厚层CT图像，并针对所述厚层CT图像进行线性归一化处理；S2、针对归一化处理后厚层CT图像的相邻两层进行组合输入至预先训练的生成对抗网络的生成器；S3、将所述预先训练的生成对抗网络的生成器的输出作为CT层间插值图像；本发明方法利用生成对抗网络能够自动获取CT层间插值图像，该模型结构简单、收敛速度快且精度高、计算量小，图像精确便于后续三维图像的建立。
-
公开(公告)号：CN110070612A
公开(公告)日：2019-07-30
申请号：CN201910340691.2
申请日：2019-04-25
Applicant: 东北大学
Abstract: 本发明涉及一种基于生成对抗网络的CT图像层间插值方法；包括：S1、针对待处理的CT图像，获取厚层CT图像，并针对所述厚层CT图像进行线性归一化处理；S2、针对归一化处理后厚层CT图像的相邻两层进行组合输入至预先训练的生成对抗网络的生成器；S3、将所述预先训练的生成对抗网络的生成器的输出作为CT层间插值图像；本发明方法利用生成对抗网络能够自动获取CT层间插值图像，该模型结构简单、收敛速度快且精度高、计算量小，图像精确便于后续三维图像的建立。
-
公开(公告)号：CN108038844A
公开(公告)日：2018-05-15
申请号：CN201711233699.6
申请日：2017-11-30
Applicant: 东北大学
CPC classification number: G06T7/0012 , G06N3/0454 , G06T7/11 , G06T2207/20081 , G06T2207/30064
Abstract: 本发明提出一种基于轻巧型CNN的肺结节良恶性预测方法，获取已知肺结节区域的具有标签的训练图像数据集、验证图像数据集和预测图像数据集；采用训练图像数据集和验证图像数据集训练轻巧型CNN的肺结节图像分类模型，根据预测图像预测集的预测结果的准确率，选取最优的训练参数，从而得到轻巧型CNN的肺结节图像分类模型的最终形式；获取待预测的肺结节图像，输入轻巧型CNN的肺结节图像分类模型的最终形式中，得到待预测肺结节图像的肺结节良恶性预测结果。本发明设计了新的网络结构模型，输入预处理后的肺结节图像就可以得到该肺结节图像的良恶性预测结果，可以支撑医生进行诊断和决策。
-
-
-
-
Search Results
5
records
(took 0.014 seconds)
