公开(公告)号：CN110309860A

公开(公告)日：2019-10-08

申请号：CN201910490546.2

申请日：2019-06-06

Applicant: 昆明理工大学

Inventor： 黄青松 ,  段彦隆 ,  赵晓乐 ,  刘利军 ,  冯旭鹏 ,  傅铁威

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06T7/00 ,  G16H50/20

Abstract: 本发明涉及基于卷积神经网络对肺结节的恶性程度进行分类的方法，属于计算机图像处理技术领域。本发明针对不同肺结节预处理出不同尺寸的ROI图像块，在不引入过多的噪音干扰的前提下，对肺结节的多个层面进行基于残差网络的特征提取，通过两个阶段的特征融合获得更精确的特征信息，以此策略来提取出更高质量的特征表达。通过卷积神经网络提取肺结节的细粒度特征表达，综合考虑提取到的多个层面的特征信息，实现对肺结节特征信息的准确提取，最终对肺结节恶性程度进行分类。

公开(公告)号：CN110309860B

公开(公告)日：2022-11-08

申请号：CN201910490546.2

申请日：2019-06-06

Applicant: 昆明理工大学

Inventor： 黄青松 ,  段彦隆 ,  赵晓乐 ,  刘利军 ,  冯旭鹏 ,  傅铁威

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08 ,  G06T7/00 ,  G16H50/20

Abstract: 本发明涉及基于卷积神经网络对肺结节的恶性程度进行分类的方法，属于计算机图像处理技术领域。本发明针对不同肺结节预处理出不同尺寸的ROI图像块，在不引入过多的噪音干扰的前提下，对肺结节的多个层面进行基于残差网络的特征提取，通过两个阶段的特征融合获得更精确的特征信息，以此策略来提取出更高质量的特征表达。通过卷积神经网络提取肺结节的细粒度特征表达，综合考虑提取到的多个层面的特征信息，实现对肺结节特征信息的准确提取，最终对肺结节恶性程度进行分类。

公开(公告)号：CN111127438A

公开(公告)日：2020-05-08

申请号：CN201911354182.1

申请日：2019-12-25

Applicant: 昆明理工大学

Inventor： 黄青松 ,  王波 ,  段彦隆 ,  刘利军 ,  冯旭鹏

IPC: G06T7/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及基于改进YOLO算法的肺部CT图像中结节检测方法，属于计算机医疗图像技术领域。本发明包括步骤：首先对CT图像进行预处理，其次对网格进行划分，再使用K-means算法对数据集进行聚类分析。最后借鉴Darknet-53网络和Densenet网络的思想，构建了一个在多尺度间具有紧密连接的深度卷积神经网络。实验结果表明，新改进的深度卷积神经网络对肺结节检测的准确率及检测效率均有提升；本发明极大提高了肺结节检测的查准率、查全率、效率，为肺部CT图像肺结节实时检测提供了条件。