申请/专利权人:成都成电金盘健康数据技术有限公司;深圳市卫生健康发展研究和数据管理中心;深圳市妇幼保健院
申请日:2024-01-19
公开(公告)日:2024-05-14
公开(公告)号:CN118037644A
主分类号:G06T7/00
分类号:G06T7/00;G06V10/774;G06V10/82;G06N3/0464;G06V10/80;G06V10/25;G06V10/764
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.31#实质审查的生效;2024.05.14#公开
摘要:本发明属于图像处理技术领域,提出了基于卷积网络的乳腺图像中乳腺癌病灶区域的检测方法,包括:训练原始Faster‑RCNN网络,使乳腺图像输入至原始Faster‑RCNN网络后,ROIPooling输出统一候选框尺寸的高阶特征图;构建并训练CDCN网络,将训练的CDCN网络替换掉原始Faster‑RCNN网络中最后分类学习的网络结构的隐藏层和输入层,同时保留ROI分类线性层和ROI目标框回归线性层,训练的CDCN网络用于对高阶特征图的特征融合,并在特征融合后通过ROI分类线性层完成目标类的分类和通过ROI目标框回归线性层完成各目标类候选框的定位;基于目标类的分类结果和目标类候选框的定位结果,选择出乳腺图像中乳腺癌病灶区域,完成乳腺图像中乳腺癌病灶区域的检测。
主权项:1.基于卷积网络的乳腺图像中乳腺癌病灶区域的检测方法,其特征在于,包括如下步骤:下载乳腺图像数据集;通过乳腺图像数据集训练原始Faster-RCNN网络,使乳腺图像输入至原始Faster-RCNN网络后,原始Faster-RCNN网络中的ROIPooling输出统一候选框尺寸的高阶特征图,所述高阶特征图中包含四个目标类的特征信息;构建并训练CDCN网络,将训练的CDCN网络替换掉原始Faster-RCNN网络中最后分类学习的网络结构的隐藏层和输入层,同时保留ROI分类线性层和ROI目标框回归线性层,所述训练的CDCN网络为两个相同的卷积网络,所述训练的CDCN网络用于对高阶特征图的特征融合,并在特征融合后通过ROI分类线性层完成目标类的分类和通过ROI目标框回归线性层完成各目标类候选框的定位;基于目标类的分类结果和目标类候选框的定位结果,选择出乳腺图像中乳腺癌病灶区域,完成乳腺图像中乳腺癌病灶区域的检测。
全文数据:
权利要求:
百度查询: 成都成电金盘健康数据技术有限公司;深圳市卫生健康发展研究和数据管理中心;深圳市妇幼保健院 基于卷积网络的乳腺图像中乳腺癌病灶区域的检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。