导读:本文包含了肿块检测论文开题报告文献综述及选题提纲参考文献，主要关键词:tensorflow,卷积神经网络,深度学习,乳腺肿块
肿块检测论文文献综述
徐一舫,卓一瑶,孙海洋,杨冠男[1]（2019）在《基于Faster R-CNN的乳腺肿块辅助检测》一文中研究指出乳腺钼靶X线图像与多数医学图像相比,肿块边沿模糊、特征区域过小、良性肿块与恶性肿块构成相似。为了解决传统计算机辅助检测乳腺肿块技术效果差的问题,对基于深度学习的乳腺肿块检测模型进行了研究,分析了R-CNN、SPPNet、Fast R-CNN、Faster R-CNN算法的原理。收集并增强了相关数据集。在Ubuntu系统下采用Tensorflow实现了四种算法。对比R-CNN系列算法的检测精度与单张图像检测耗时,验证了Faster R-CNN乳腺肿块算法的检测能力。研究结果表明,Faster R-CNN算法正确率为82.2%且单张图像检测耗时为57ms,具有良好的泛化能力与鲁棒性,适用于医学中有关乳腺肿块的检测任务。(本文来源于《电脑知识与技术》期刊2019年18期）
曾庆功[2]（2019）在《基于深度学习的乳腺肿块检测及分类算法研究》一文中研究指出根据Global Caner发布的最新数据:乳腺癌是全球女性中最常见的恶性肿瘤之一,2012年,全世界女性新发乳腺癌病例约为167.1万,在女性恶性肿瘤发病率中排名第一。据估计,截止到2021年,中国乳腺癌患者人数将高达250万,且呈上升趋势。早期筛查,准确诊断以及积极精准的治疗可以显着降低乳腺癌死亡率。因此,早期筛查乳腺癌的研究具有非常重要的现实意义。乳腺癌的早期X线征象主要包括肿块和钙化,通常肿块边缘是模糊的,形状和大小是不同的,特征是多样的。此外,乳腺中存在大量致密组织,这使得乳房肿块的检测更加困难,目前的检测普遍存在假阳性率高的问题。此外,在乳腺肿块的良恶性分类方面,目前的大量的文献的主要的研究仍是简单的良恶性二分类,这在实际临床中存在很大的弊端,并不能满足医生的实际需求。近些年来随着以深度学习为基础的人工智能技术的日趋成熟完善,如何利用深度学习技术结合医学成像辅助阅读医生已成为医学图像处理领域的热点问题。因此,本文将重点研究利用区域卷积神经网络技术来实现放射科阅片医生的肿块检测以及基于BI-RADS金标准对乳腺肿块性分期评估分类。这样就可以大大减轻阅读医生的工作量,帮助临床医生可靠,稳定,准确地进行乳腺癌早期筛查。本文的主要的研究内容是基于区域卷积神经网络的乳腺肿块的检测以及分期评估分类。本文首先回顾了深度学习在图像目标检测领域的现状以及发展方向,然后通过对经典目标检测网络Faster R-CNN网络的改进,实现了乳腺肿块的检测,最后基于BI-RADS标准初步实现了乳腺肿块恶性度的评估分类。本文的主要工作如下:1.基于Faster R-CNN的改进网络模型实现乳腺肿块的检测为了实现快速准确地将乳腺肿块从钼靶图像中检测出来,我们提出了一种基于改进Faster R-CNN网络的乳腺肿块检测方法。首先,利用数据增强技术对实验训练的数据进行扩充,然后按照数据库提供的专家标注的信息进行图像数据标注,即将乳腺的位置信息在图像上进行标记。然后将标注好的数据送入到改进的Faster R-CNN网络中进行训练。在该改进网络中,我们重新设定了anchor的尺寸大小,以使之更加符合乳腺肿块的尺寸大小,另外我们在共享卷积层的最后两层中间加入多层特征融合技术,然后将融合后的卷积特征图送入到RPN网络中,生成候选区域。实验结果表明:改进后的网络模型比原模型在检测敏感性方面提高了8.5个百分点,在单张假阳性个数方面,降低了18.5%。2.基于BI–RADS标准的乳腺肿块分期评估分类乳腺肿块的准确定性分析,有利于医生及时准确的制定下一步的诊疗方案。目前,大量的文献的做法仅对乳腺肿块进行简单的良恶性分类,这样分类比较粗糙,并不能完全满足实际临床的需要,很容易对患者的病情进行误诊。并且在实际临床中,肿块的恶性定性是依据病理分析进行最终的确定,而不是仅依靠钼靶影像就可以进行确诊的。阅读医生的通常做法是根据抗癌协会乳腺癌专家委员会发布的乳腺癌诊断和治疗指南和规范来执行肿块(BI–RADS 0、1、2、3、4、5)进行分类,而不是进行简单的良恶性分类处理。我们在之前改进网络模型的基础上面重新对共享卷积层进行了设计,最后确定了7个卷积层和2个池化层的共享卷积部分。实验结果表明:我们的模型对BI–RADS 0、1、2、3、4、5的检测分类精度分别达到39.5%、91.3.4%、64.3%、73.6%、73.9%、79.3%,平均精度达到70.3%。尽管评估分类的精度还有待提高,但该模型基本实现了基于BI–RADS的乳腺肿块恶性度评估分类,相比于以往仅对乳腺肿块进行良恶性分类,更具有临床现实意义。(本文来源于《郑州大学》期刊2019-05-01）
李远哲[3]（2019）在《基于深度学习的数字乳腺叁维断层影像肿块自动检测算法研究》一文中研究指出乳腺癌是危害女性健康最常见的疾病,因为它高程度的发病概率而引起了其广泛的关注和恐慌。有专家提出,降低乳腺癌死亡概率的最为重要途径之一就是乳腺癌的早期诊断和乳腺癌的早期治疗,然而乳腺癌患者在被确诊为罹患乳腺癌的时候绝大多数的病例已经发展到了乳腺癌中期或者乳腺癌晚期,不仅饱受病痛折磨,还耽误了治疗的最佳时期。乳腺癌早期诊断技术中,X射线全数字化乳腺摄影(fUll-field digital mammography，FFDM)技术被认为是首选之一,但这种二维影像依然存在致密的乳腺组织与病灶重迭而导致漏诊的问题。数字乳腺叁维断层影像(Digital breast tomosynthesis,DBT)成像技术的开发,让X线乳腺病变象征显示清晰度有了明显的提高。这种叁维成像的方法,能减少或消除组织重迭,对病灶周围组织结构特征的显示更加清晰,所以DBT成像技术提高了病变检出率和降低了漏诊率。由于DBT影像是叁维断层影像,一个影像序列通常包含数十张断层影像。相较FFDM只有一张影像而言,影像科医生在阅片诊断过程中的工作量增加了几十倍,所以亟需开发开面向DBT影像的智能辅助诊断系统来帮助医生减轻工作量,提高诊断效率,而肿块的自动检测系统便是智能辅助诊断系统中的关键的环节之一。本文主要研究的是基于深度学习的DBT影像肿块自动检测系统。在以往的研究中,大多数研究者关注于设计手动提取特征的传统机器学习算法。因为近年来深度学习算法在图像识别和机器视觉中有着出色的表现,也有不少学者将深度学习算法利用到DBT影像肿块自动检测当中,获得了不少不错的成果。但是这些研究中并未将深度学习算法应用至整个DBT肿块自动检测系统当中,系统中的肿块可疑区域预选步骤仍然是基于手动特征提取的传统算法设计的,存在着系统结构不够整体和运算效率不够高等问题。本文的研究中设计了两种基于深度学习的乳腺DBT影像肿块自动检测算法。第一种是基于深度卷积神经网络(deep convolutional network,DCNN)的DBT肿块自动检测系统。第二种是基于 Faster RCNN(Faster Region based Convolutional Neural Networks,Faster RCNN)的肿块检测系统。并在完全相同的数据集上对两种算法进行性能评估和比较。具体内容包括:(1)影像预处理:对乳腺DBT影像进行图像对比度增强,乳房区域检测以及乳房皮肤分割等步骤。(2)基于DCNN的DBT肿块自动检测系统:首先使用叁维径向梯度分析对DBT叁维断层影像进行计算,得到叁维断层影像的叁维径向梯度特征图。接着对叁维径向特征图进行叁维自适应阈值分割,将其分割成叁个等级,并保留最高等级区域作为肿块可疑区域。然后使用25.6×25.6mm的方框以肿块可疑区域中心为中点截取上下连续五层的ROI(region of interest)区域输入深度学习卷积神经网络模型获得肿块可疑区域的肿块似然得分(以五层中最高得分作为该区域的最终肿块似然得分)。最后以最终肿块似然得分进行肿块可疑区域的假阳性筛选,实现肿块的自动检测。(3)基于Faster RCNN的肿块自动检测系统:搭建用于肿块自动检测的Faster RCNN深度学习目标检测框架。其中包括:共享卷积网络,区域候选网络(region proposal network,RPN),假阳性分类网络。在检测的过程中,首先将连续的DBT叁维断层影像层层输入训练过后的Faster RCNN模型,经过五层共享卷积网络之后,RPN基于共享卷积网络自动提取的特征将肿块可疑区域以边界框的形式传递给假阳性筛选网络,由其进行肿块似然得分计算。接着基于断层间边界框的重迭率,进行断层间边界框的融合,以最高得分作为该区域的最终肿块似然得分,实现肿块的自动检测。(4)性能评估方法和性能对比:使用完全相同的数据集对两种系统进行十折交叉验证,并使用自由响应受试者工作特征曲线(free-response receiver operating characteristic curve,FROC)进行性能评估。基于DCNN的DBT肿块自动检测系统达到灵敏度为90%时每个乳房平均有2.25个假阳性，而基于Faster RCNN的DBT肿块自动检测系统达到灵敏度为90%时每个乳房平均有0.76个假阳性。使用重采样非参数方法检验两个算法的FROC,发现两者统计学上有显着性差异(P值<0.05)。基于Faster RCNN的DBT肿块自动检测系统表现更出色。本研究的主要贡献在于首次在DBT影像的肿块自动检测中使用Faster RCNN框架,并达到了不错的效果。同时也是首次将基于深度卷积神经网络的DBT肿块自动检测系统与基于Faster RCNN的DBT肿块自动检测系统进行性能对比。在DBT影像的肿块自动检测研究中提供了一个新的思路。(本文来源于《杭州电子科技大学》期刊2019-03-05）
罗铃[4]（2019）在《基于目标识别技术的双边融合钼钯肿块检测框架的研究与实现》一文中研究指出乳腺癌是妇女最常见的恶性肿瘤之一,而钼钯影像是当前最有效的乳腺癌早期检测的手段之一。通过潜在异常的早期检出,医生可以建议患者做进一步检查从而规避恶化风险。当前的研究进展显示计算机辅助检出(CAD)可以帮助医生在早期阶段从数字钼钯影像中发现乳腺肿块,从而大大提升医生的工作效率。然而由于肿块大小、形状、密度差异较大,肿块检出仍是个巨大挑战。传统方法往往依赖于特征描述和阈值,泛化性较差,而随着深度学习在图像领域的发展,基于深度学习的肿块检出只利用了单侧影像,假阳性较多。根据医生临床经验,结合双侧图像能有效提高识别准确率,许多研究成果也表明双侧信息融合有望改进CAD系统的识别效果。因此,本文提出了基于目标识别技术的双侧特征融合的钼钯肿块检测算法。该算法首先进行图像预处理,对双侧乳腺的相同机位图像提取感兴趣区域,将匹配好的一对图像作为目标检测网络的输入。通过在Mask R-CNN网络中加入特征融合模块生成双侧对比特征图,从而建立融合的特征模型,并同时实现目标检测和语义分割。在两个公开数据集DDSM和INbreast上的对比实验结果表明,与传统的基于单侧的乳腺肿块检测算法相比,在平均每张图1个假阳性时,文中算法在DDSM上提升了6.95%的召回率,在INbreast上提高了4.79%的召回率。(本文来源于《北京邮电大学》期刊2019-02-25）
陈珊,卜巍,邬向前[5]（2019）在《基于多尺度特征的乳腺肿块检测方法研究》一文中研究指出提升乳腺肿块病变检测的准确率,从而提升乳腺钼靶X光检查的效率对乳腺癌的及早防治有重要意义。针对乳腺钼靶图像中形态大小不一的肿块病变,本文提出了一种基于多尺度特征的乳腺肿块病变检测方法,将在自然图像检测领域取得优秀性能的SSD网络应用到乳腺肿块病变检测中。首先利用特征提取网络对输入的乳腺钼靶图像进行特征提取,特征提取网络的每个特征层中的特征图的尺度随着层次加深而减小,再在不同尺度的特征图上对肿块目标进行预测,最后将各个特征层的结果综合起来作为最后的检测结果。通过FROC曲线进行性能分析,并在相同Sensitivity值下的FPI值大小这一评测指标上与其它目前性能较佳的乳腺肿块检测方法进行比较,本文方法的有效性得以证实。(本文来源于《智能计算机与应用》期刊2019年01期）
张瑛苹,廖成容,殷柳,张海霞[6]（2018）在《SMI对肝郁痰凝型乳腺癌实性肿块的检测价值》一文中研究指出目的分析肝郁痰凝型乳腺癌肿块的血流情况,探讨超微细血流成像技术(superb microvascular imaging,SMI)对实性肿块的检测意义与价值。方法对60名经病理检查证实为肝郁痰凝型乳腺癌的患者总计68个结节分别进行彩色多谱勒(CDI)扫描、多谱勒能量(PDI)扫描和SMI技术扫描,对同一结节的血流丰富程度进行观察,计算并比较3种方法对恶性肿瘤最佳诊断阈值、敏感性以及特异度等指标的差异。结果 SMI在全部肿瘤血流丰富程度的检测上与CDI、PDI比较差异有统计学意义(P<0.05)。SMI与CDI、PDI3种方法对恶性肿物最佳诊断阈值、敏感度以及特异性分别为:血管条数≥3 vs血管条数≥2 vs血管条数≥2;92.11%vs72.20%vs72.28%;62.48%vs62.60%vs62.73%。在SMI-CDI、SMI-PDI方面分别为:血管条数差值≥3、血管条数差值≥3;85.21%、85.51%;84.00%、84.18%。结论超微细血流成像技术在肝郁痰凝型乳腺癌实性肿块的检测中具有重要的临床应用价值,可以提高肝郁痰凝型恶性肿瘤诊断的准确率。(本文来源于《湖南中医药大学学报》期刊2018年11期）
曹霖,陈后金,李居朋,李艳凤,程琳[7]（2018）在《对比双侧视图信息的致密型乳腺X线图像肿块检测》一文中研究指出针对现有双视图肿块检测方法存在的问题,提出一种适用于致密型乳腺X线图像的直接对比双侧视图信息的计算机辅助肿块检测方法.为提高双侧图像对称区域的匹配精度,分割图像中的胸肌区域及腋窝区域,建立仅包含乳房区域的生理坐标系;综合乳腺生理特征及肿块病理性质提取感兴趣区域,以梯度图像的局部叁元模式特征距离作为尺度测量对称像素的相似度,有效地降低了肿块检测假阳性率.采用北京大学人民医院乳腺中心提供的临床图像进行算法性能实验,结果表明,生理坐标系在定位与匹配对称区域方面具有良好的性能;与现有双视图肿块检测方法相比,在相同的肿块检测正确率下,文中方法获得更低的检测假阳性率.(本文来源于《计算机辅助设计与图形学学报》期刊2018年10期）
熊佳佳,于韬[8]（2018）在《超声MicroPure成像技术与X线摄影对乳腺肿块微钙化的检测对照研究》一文中研究指出目的探讨超声MicroPure成像技术对乳腺肿块内微钙化的检出能力。方法对X线摄影发现微钙化,相应部位常规超声检查发现肿块的90个病变进行MicroPure成像技术检查。以X线显示微钙化为对照,比较超声MicroPure成像技术对微钙化的检出率,分析微钙化数量、形态和分布特点。以病理结果为金标准,比较超声MicroPure成像技术相比于X线摄影对伴微钙化乳腺肿块的良恶(本文来源于《中国超声医学工程学会第十二届全国腹部超声医学学术大会论文汇编》期刊2018-10-12）
晨溪[9]（2018）在《发现乳房有肿块早期自我检测手法》一文中研究指出了解自己的身体乳房位于体表,正常的乳房抚触时不会有压痛或是不适感,且手感适中、柔软。而乳房组织的致密度和触感则因人而异,也跟年龄和生理周期有关。在乳房的不同部位,组织也略有不同。外侧上半部分,通常摸起来不太平整,有索状和结节感,而内侧下半部分则柔软一些。一般随着年龄增加,乳房中脂肪组织的比例也增加,乳房的触感就不像年轻时那么紧致。(本文来源于《益寿宝典》期刊2018年18期）
朱婷[10]（2018）在《钼靶X线乳腺图像中的肿块检测与识别》一文中研究指出乳腺癌是全世界女性最常见的恶性肿瘤之一,且其发病率和死亡率在近年呈现迅速增长的趋势,早期的发现与确诊是降低乳腺癌死亡率的关键,也是早期诊断的关键。其中,肿块是乳腺疾病X线摄影诊断中最常见的直接征象之一,在此背景下,本文主要研究肿块的检测与良恶性识别。本文主要分为两个部分:肿块的检测和良恶性识别。检测部分使用的是一种分析双视图乳腺图像的方法。在现有的肿块检测方法中,只使用单个视图的乳腺信息,会产生较多的假阳性。本文首先使用多同心层(Multiple Concentric Layers,MCL)初始检测方法检测出单侧乳腺的可疑区域;然后利用基于圆弧的方法,在乳腺的头足轴(CC)视图和侧斜(MLO)视图上对相应区域进行匹配。除了提取几何特征和纹理特征之外,在匹配后的一对可疑区域中提取了相似特征,有效的利用了两个视图上的信息;接着使用双支持向量机递归特征消除(MTWSVM-RFE)进行特征选择,双支持向量机(TWSVM)进行分类,有效的减少了假阳性。肿块良恶性识别部分主要提出一个非平行的双支持向量机联合L21范数(TWSVML21)的特征选择方法,新加入的L21正则项具有组稀疏性,能从正负样本中选出重要的特征。由于新加入了L21正则项,会导致目标函数求解困难。本文提出了一种迭代的算法来求解目标函数。在实验部分,将提出的TWSVML21应用到了肿块的良恶性识别问题上,在其他的叁个基准数据集上也进行了试验。结果表明,本文提出的TWSVML21具有可行性和有效性。DDSM数据集上的测试结果表明,双视图的肿块检测能有效的减少假阳性,基于TWSVML21的肿块良恶性识别也能达到预期的效果。(本文来源于《武汉科技大学》期刊2018-05-01）
肿块检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
根据Global Caner发布的最新数据:乳腺癌是全球女性中最常见的恶性肿瘤之一,2012年,全世界女性新发乳腺癌病例约为167.1万,在女性恶性肿瘤发病率中排名第一。据估计,截止到2021年,中国乳腺癌患者人数将高达250万,且呈上升趋势。早期筛查,准确诊断以及积极精准的治疗可以显着降低乳腺癌死亡率。因此,早期筛查乳腺癌的研究具有非常重要的现实意义。乳腺癌的早期X线征象主要包括肿块和钙化,通常肿块边缘是模糊的,形状和大小是不同的,特征是多样的。此外,乳腺中存在大量致密组织,这使得乳房肿块的检测更加困难,目前的检测普遍存在假阳性率高的问题。此外,在乳腺肿块的良恶性分类方面,目前的大量的文献的主要的研究仍是简单的良恶性二分类,这在实际临床中存在很大的弊端,并不能满足医生的实际需求。近些年来随着以深度学习为基础的人工智能技术的日趋成熟完善,如何利用深度学习技术结合医学成像辅助阅读医生已成为医学图像处理领域的热点问题。因此,本文将重点研究利用区域卷积神经网络技术来实现放射科阅片医生的肿块检测以及基于BI-RADS金标准对乳腺肿块性分期评估分类。这样就可以大大减轻阅读医生的工作量,帮助临床医生可靠,稳定,准确地进行乳腺癌早期筛查。本文的主要的研究内容是基于区域卷积神经网络的乳腺肿块的检测以及分期评估分类。本文首先回顾了深度学习在图像目标检测领域的现状以及发展方向,然后通过对经典目标检测网络Faster R-CNN网络的改进,实现了乳腺肿块的检测,最后基于BI-RADS标准初步实现了乳腺肿块恶性度的评估分类。本文的主要工作如下:1.基于Faster R-CNN的改进网络模型实现乳腺肿块的检测为了实现快速准确地将乳腺肿块从钼靶图像中检测出来,我们提出了一种基于改进Faster R-CNN网络的乳腺肿块检测方法。首先,利用数据增强技术对实验训练的数据进行扩充,然后按照数据库提供的专家标注的信息进行图像数据标注,即将乳腺的位置信息在图像上进行标记。然后将标注好的数据送入到改进的Faster R-CNN网络中进行训练。在该改进网络中,我们重新设定了anchor的尺寸大小,以使之更加符合乳腺肿块的尺寸大小,另外我们在共享卷积层的最后两层中间加入多层特征融合技术,然后将融合后的卷积特征图送入到RPN网络中,生成候选区域。实验结果表明:改进后的网络模型比原模型在检测敏感性方面提高了8.5个百分点,在单张假阳性个数方面,降低了18.5%。2.基于BI–RADS标准的乳腺肿块分期评估分类乳腺肿块的准确定性分析,有利于医生及时准确的制定下一步的诊疗方案。目前,大量的文献的做法仅对乳腺肿块进行简单的良恶性分类,这样分类比较粗糙,并不能完全满足实际临床的需要,很容易对患者的病情进行误诊。并且在实际临床中,肿块的恶性定性是依据病理分析进行最终的确定,而不是仅依靠钼靶影像就可以进行确诊的。阅读医生的通常做法是根据抗癌协会乳腺癌专家委员会发布的乳腺癌诊断和治疗指南和规范来执行肿块(BI–RADS 0、1、2、3、4、5)进行分类,而不是进行简单的良恶性分类处理。我们在之前改进网络模型的基础上面重新对共享卷积层进行了设计,最后确定了7个卷积层和2个池化层的共享卷积部分。实验结果表明:我们的模型对BI–RADS 0、1、2、3、4、5的检测分类精度分别达到39.5%、91.3.4%、64.3%、73.6%、73.9%、79.3%,平均精度达到70.3%。尽管评估分类的精度还有待提高,但该模型基本实现了基于BI–RADS的乳腺肿块恶性度评估分类,相比于以往仅对乳腺肿块进行良恶性分类,更具有临床现实意义。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
肿块检测论文参考文献
[1].徐一舫,卓一瑶,孙海洋,杨冠男.基于FasterR-CNN的乳腺肿块辅助检测[J].电脑知识与技术.2019
[2].曾庆功.基于深度学习的乳腺肿块检测及分类算法研究[D].郑州大学.2019
[3].李远哲.基于深度学习的数字乳腺叁维断层影像肿块自动检测算法研究[D].杭州电子科技大学.2019
[4].罗铃.基于目标识别技术的双边融合钼钯肿块检测框架的研究与实现[D].北京邮电大学.2019
[5].陈珊,卜巍,邬向前.基于多尺度特征的乳腺肿块检测方法研究[J].智能计算机与应用.2019
[6].张瑛苹,廖成容,殷柳,张海霞.SMI对肝郁痰凝型乳腺癌实性肿块的检测价值[J].湖南中医药大学学报.2018
[7].曹霖,陈后金,李居朋,李艳凤,程琳.对比双侧视图信息的致密型乳腺X线图像肿块检测[J].计算机辅助设计与图形学学报.2018
[8].熊佳佳,于韬.超声MicroPure成像技术与X线摄影对乳腺肿块微钙化的检测对照研究[C].中国超声医学工程学会第十二届全国腹部超声医学学术大会论文汇编.2018
[9].晨溪.发现乳房有肿块早期自我检测手法[J].益寿宝典.2018
[10].朱婷.钼靶X线乳腺图像中的肿块检测与识别[D].武汉科技大学.2018
标签：tensorflow; 卷积神经网络; 深度学习; 乳腺肿块;