CN101799864A - 基于血管内超声波图像的动脉斑块类型自动识别方法 - Google Patents
基于血管内超声波图像的动脉斑块类型自动识别方法 Download PDFInfo
- Publication number
- CN101799864A CN101799864A CN201010034172A CN201010034172A CN101799864A CN 101799864 A CN101799864 A CN 101799864A CN 201010034172 A CN201010034172 A CN 201010034172A CN 201010034172 A CN201010034172 A CN 201010034172A CN 101799864 A CN101799864 A CN 101799864A
- Authority
- CN
- China
- Prior art keywords
- vector
- classification
- image
- patch
- plaque
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
一种基于血管内超声波图像的动脉斑块类型自动识别方法,针对动脉血管内斑块超声波图像的特点,提取其中两块图像,一块是斑块区域,另一块是斑块径向区域作为分类特征,并且通过K-L变换提取图像分类信息,把多个特征映射为少数几个综合特征,降低特征空间维数;采用支持向量机作为分类模型,构造一个适应于斑块图像的分类器,其中支持向量机分类方法包括训练阶段和识别阶段;这一方法提高了斑块识别正确率,为临床诊断动脉血管病变程度提供客观参考依据。
Description
技术领域
本发明涉及计算机医学图像分析领域,特别涉及一种血管内超声波(IVUS)图像的动脉斑块分类方法。通过对动脉斑块超声波图像的特征选择和提取,运用支持向量机方法实现动脉斑块的分类,为临床诊断及治疗提供重要参考依据。
背景技术
血管内超声(intravascular ultrasound,IVUS)不仅能观察到血管壁与血管腔的形态特征、准确地测量血管的狭窄程度,而且可以根据斑块的不同性质指导介入治疗,同时对冠状动脉的介入治疗进行即刻评价,减少冠脉再狭窄的发生。动脉粥样硬化斑块破裂、继发血栓形成是急性冠状动脉综合征发生的主要原因。血管内超声显像技术已经从一种专业研究技术转变成为冠状动脉动脉介入医生的必备手段。早期检测、处理易碎斑块,可有效降低临床冠状动脉事件发生。然而,在临床中对不同斑块的识别主要是医生根据经验来判断,这种主观判断方法易受到个人的诊疗经验、思维方式、技术水平等因素的影响。
IVUS可以提供关于动脉硬化斑块形态的信息,不同的斑块组织成分回声强弱不同,其斑块回声强度变现为软斑块小于纤维斑块小于钙化斑块。一般的方法是利用不同回声产生的灰度值不同区别不同斑块,但是这种方法存在一定的缺陷。致密的纤维斑块回声强度和钙化斑块具有相似性,单纯依靠斑块区域灰度值会出现误分类。
为了用较少数量的特征对样本进行描述以达到降低特征空间维数的目的,采用Karhunen-Loeve展开式,把多个特征映射为少数几个综合特征。K-L变换的主要作用就是保留主要信息,降低数据量,从而达到增强或提取某些有用信息的目的。它可使原图像经变换后提供一组不相关的图像变量,最前面的主分量具有较大的方差,包含了原始影像的主要信息,所以要集中表达信息,突出图像的某些细部特征,可采用该变换来完成。使用K-L方法进行特征提取,这样既可以降维,又尽可能保留全局信息。K-L变换适用于任何概率分布,它是在均方误差最小的意义下获得数据降维的最佳变换。如果采用大本征值对应的本征向量构成变换矩阵,则能对应地保留原样本中方差最大的数据分量,所以K-L变换起了减小相关性、突出差异性的效果。
支持向量机(SVM)是在统计学习理论基础之上发展起来的一种全新的机器学习算法。SVM基于统计学习理论的结构风险最小化原则,它将最大化分类间隔的思想和基于核的方法结合在一起,表现出很好的泛化能力。能较好地解决小样本、非线性、高维数和局部极小点等实际问题,已经成为机器学习界的研究热点之一,并成功应用于分类、函数逼近和时间序列预测等方面。
基于IVUS斑块图像的类型识别方法,以IVUS图像为基础,根据图像特点进行特征选择和提取,然后通过SVM训练并对测试样本分类。这一方法在不增加附加设备的情况下,充分利用现有IVUS设备提供的超声图像信息,以血管内超声图像为依据,进行特征选择和提取,简化计算。构造了SVM分类器,只要保证充足样本条件下,可以得到最佳训练参数用于分类。
发明内容
本发明的目的在于,通过提供一种基于血管内超声波图像的动脉斑块类型自动识别方法,以实现对血管内斑块类型的正确分类。
本发明是采用以下技术手段实现的:
一种基于血管内超声波图像的动脉斑块类型自动识别方法。针对动脉血管内斑块超声波图像的特征,利用支持向量机模型构造分类器识别动脉斑块的类型。根据IVUS斑块图像特点选取斑块及其外围区域图像作为分类特征,并且通过K-L变换提取图像分类信息;采用支持向量机(SVM)作为分类模型,经过样本训练,构造一个适应于斑块图像的最佳分类器。
上述基于IVUS斑块图像,利用SVM进行斑块分类,包括下述步骤:
步骤1、对选取的斑块IVUS图像,提取其中两块图像作为识别特征,一块是斑块区域,另一块是斑块外围区域。
步骤2、对选取的斑块图像进行K-L变换,提取图像特征信息;把多个特征映射为少数几个综合特征,降低特征空间维数;
步骤3、构造SVM分类器;该分类器支持向量机分类方法包括两部分,训练阶段和识别阶段;
其中,步骤2所述的对选取的斑块图像进行K-L变换,包括以下步骤:
步骤21、求解模式总体的均值向量,平移坐标系,将模式总体的均值向量作为新坐标系的原点;
步骤22、求出自相关矩阵R;
步骤25、将n维的原向量变换成m维的新向量y=ATx。
其中,步骤3所述的构造SVM分类器,包括以下步骤:
首先训练SVM以获取最优分类参数,其具体实施步骤为:
步骤31、输入各种斑块类型训练样品向量;
步骤32、指定核函数类型为高斯径向基函数;
步骤33、利用二次规划方法求解目标函数式的最优解,得到最优Lagrange乘子a*;
步骤34、利用样本库中的一个支持向量X,代入判别函数式,左值f(X)为其类别值,可得到偏差值b*。
支持向量机分类的步骤为:
步骤35、输入待测样品X;
步骤36、利用训练好的Lagrange乘子a*、偏差值b*和高斯径向基核函数,根据最优判别函数求解判别函数f(X);
步骤37、根据sgn(f(X))的值,输出类别。根据输出值判定属于哪类。
本发明一种基于血管内超声波图像的动脉斑块类型自动识别方法,与现有技术相比,具有以下明显的优势和有益效果:
本发明一种基于IVUS图像的斑块识别方法,改变了现有斑块分类方法所存在的局限性,可以准确的提取斑块图像的特征,进行正确分类,为临床诊断创造了条件。
附图说明
图1是软斑块特征提取示图;
图2是纤维斑块特征提取示图;
图3是钙化斑块特征提取示图;
图4是软斑块分类结果示图;
图5是纤维斑块分类结果示图;
图6是钙化斑块分类结果示图;
图7是本发明方法中主程序流程图。
具体实施方式
一种基于血管内超声波图像的动脉斑块类型自动识别方法。其基本在于以下几点:
根据IVUS斑块图像特点选取斑块及其外围区域图像作为分类特征,并且通过K-L变换提取图像分类信息;
采用支持向量机作为分类模型,经过样本训练,构造一个适应于斑块图像的最佳分类器。
本发明的技术方案参见图7所示,上述基于IVUS斑块图像,利用SVM进行斑块分类,包括下述步骤:
步骤1、对选取的斑块IVUS图像,提取其中两块图像作为识别特征,一块是斑块区域,另一块是斑块外围区域。
步骤2、对选取的斑块图像进行K-L变换,提取图像特征信息。采用Karhunen-Loeve展开式,把多个特征映射为少数几个综合特征,降低特征空间维数。
x为n维的随机向量,可以用n个正交基向量的加权和来表示:
现在需要从n个本征向量中取出m个组成变换矩阵,使降维的新向量在最小均方误差准则下接近原来的向量x。对于式(2),只取m项,对略去的项用预先选定的常数bj来代替,这时对x的估计值为:
均方误差为:
对于省略掉的那些α中的分量,用它们的期望值来代替。即
bi=E{αj} (5)
如果在K-L变换前,将模式总体的均值向量作为新坐标系的原点,即在新坐标系中E[x]=0,根据式(6)可以得到
这样式(5)变为
式中,λj是x的自相关矩阵R的第j个本征值;是与λj对应的本征向量。显然,所选的λj值越小,均方误差也越小。采用大本征值对应的本征向量构成变换矩阵,这些向量具有较大的方差,包含了原始影像的主要信息。
综上所述,基于K-L变换的特征提取的步骤总结如下:
①求解模式总体的均值向量,平移坐标系,将模式总体的均值向量作为新坐标系的原点;
②求出自相关矩阵R;
⑤将n维的原向量变换成m维的新向量y=ATx。
步骤3、构造SVM分类器。支持向量机分类算法包括两部分,训练阶段和识别阶段。
支持向量机的最优分类函数为:
任选一支持向量Xj,式(11)中b*由下式给出:
选取高斯径向基函数作为训练和分类识别的核函数:
式中,|X-Y|为两个向量之间的距离,σ为常数。
首先训练SVM以获取最优分类参数,其具体实施步骤为:
①输入各种斑块类型训练样品向量;
②指定核函数类型为高斯径向基函数;
③利用二次规划方法求解目标函数式的最优解,得到最优Lagrange乘子a*;
④利用样本库中的一个支持向量X,代入判别函数式,左值f(X)为其类别值,可得到偏差值b*。
支持向量机分类的步骤为:
①输入待测样品X;
②利用训练好的Lagrange乘子a*、偏差值b*和核函数,根据最优判别函数求解判别函数f(X);
③根据sgn(f(X))的值,输出类别。根据输出值判定属于哪类。
实验采用228幅斑块类别已经确定的斑块图像,其中软斑块有67幅,纤维斑块85幅,钙化斑块76幅。图像大小为384×384,特征选择时截取区域不限大小。将样本图像数据转换为程序适用的数据集作为样本。先对斑块图像进行K-L变换提取特征,然后通过特征提取后的数据集训练SVM分类器,寻找最优分类参数,最后对待测的未知样本进行分类识别。在MATLAB 7.0中实现的分类结果如表1所示。
表1:利用本方法进行斑块识别结果
本发明的效果见图4、图5、图6。可以看出采用基于血管内超声波图像,并通过支持向量机分类的方法,可以综合IVUS斑块图像的特征,正确识别斑块的类型,为病变分析创造了条件。
最后应说明的是:以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案;因此,尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但是,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于血管内超声波图像的动脉斑块类型自动识别方法,针对动脉血管内斑块超声波图像的特征,利用支持向量机模型构造分类器识别动脉斑块的类型;其特征在于:根据IVUS斑块图像特点选取斑块及其外围区域图像作为分类特征,并且通过K-L变换提取图像分类信息;采用支持向量机作为分类模型,构造一个适应于斑块图像的分类器;
上述基于IVUS斑块图像,利用SVM进行斑块分类,包括下述步骤:
步骤1、对选取的斑块IVUS图像,提取其中两块图像作为识别特征,一块是斑块区域,另一块是斑块径向区域;
步骤2、对选取的斑块图像进行K-L变换,提取图像特征信息;把多个特征映射为少数几个综合特征,降低特征空间维数;
步骤2.1.求解模式总体的均值向量,平移坐标系,将模式总体的均值向量作为新坐标系的原点;
步骤2.2.求出自相关矩阵R;
步骤2.5.将n维的原向量变换成m维的新向量y=ATx;
步骤3、构造SVM分类器;该分类器支持向量机分类方法包括两部分,训练阶段和识别阶段;
所述的支持向量机的最优分类函数为:
任选一支持向量Xj,式(1)中b*由下式给出:
2.根据权利要求1所述的一种基于血管内超声波图像的动脉斑块类型自动识别方法,其特征在于:步骤3所述的训练阶段和识别阶段,选取高斯径向基函数作为训练和分类识别的核函数:
式中,|X-Y|为两个向量之间的距离,σ为常数;
首先训练SVM以获取最优分类参数,其具体实施步骤为:
输入各种斑块类型训练样品向量;
指定核函数类型为高斯径向基函数;
利用二次规划方法求解目标函数式的最优解,得到最优Lagrange乘子a*;
利用样本库中的一个支持向量X,代入判别函数式,左值f(X)为其类别值,得到偏差值b*。
3.根据权利要求1所述的一种基于血管内超声波图像的动脉斑块分类方法,其特征在于:所述的支持向量机分类的步骤为:
3.1.输入待测样品X;
3.2.利用训练好的Lagrange乘子a*、偏差值b*和高斯径向基核函数,根据最优判别函数求解判别函数f(X);
3.3.根据sgn(f(X))的值,输出类别,输出值判定类别。
4.根据权利要求1所述的一种基于血管内超声波图像的动脉斑块类型自动识别方法,其特征在于:步骤2所述的降低特征空间维数,包括以下步骤:
设x为n维的随机向量,x可以用n个正交基向量的加权和来表示:
对于式(4),只取m项,对略去的项用预先选定的常数bj来代替,对x的估计值为:
由此产生的误差为:
均方误差为:
要使ε2最小,对于bj的选择满足:
bi=E{αj} (10)
在K-L变换前,将模式总体的均值向量作为新坐标系的原点,即在新坐标系中E[x]=0,根据式(10)可以得到
这样式(8)变为
式中,λj是x的自相关矩阵R的第j个本征值;是与λj对应的本征向量;从n个本征向量中取出m个组成变换矩阵,使降维的新向量在最小均方误差准则下接近原来的向量x。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100341722A CN101799864B (zh) | 2010-01-15 | 2010-01-15 | 一种基于血管内超声波图像的动脉斑块类型自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100341722A CN101799864B (zh) | 2010-01-15 | 2010-01-15 | 一种基于血管内超声波图像的动脉斑块类型自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101799864A true CN101799864A (zh) | 2010-08-11 |
CN101799864B CN101799864B (zh) | 2012-05-09 |
Family
ID=42595537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010100341722A Expired - Fee Related CN101799864B (zh) | 2010-01-15 | 2010-01-15 | 一种基于血管内超声波图像的动脉斑块类型自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101799864B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103917166A (zh) * | 2011-08-17 | 2014-07-09 | Vp诊断公司 | 一种表征颈动脉斑块的方法和系统 |
CN104463084A (zh) * | 2013-09-24 | 2015-03-25 | 江南大学 | 一种基于非负矩阵分解的离线手写签名识别 |
CN104463830A (zh) * | 2013-09-18 | 2015-03-25 | 通用电气公司 | 血管内斑块的侦测系统及方法 |
CN104766293A (zh) * | 2014-01-07 | 2015-07-08 | 北京三星通信技术研究有限公司 | 从图像中检测血管的方法和设备 |
CN104794426A (zh) * | 2015-01-13 | 2015-07-22 | 宁夏医科大学 | 基于cad系统提高前列腺肿瘤mri图像识别率的方法 |
CN105701336A (zh) * | 2015-12-31 | 2016-06-22 | 深圳先进技术研究院 | 基于脑电数据的中医辨证分型系统、模型建立的方法和系统 |
JP2016529037A (ja) * | 2013-08-27 | 2016-09-23 | ハートフロー, インコーポレイテッド | 冠動脈病変の部位、発症及び/又は変化を予測するためのシステム及び方法 |
CN106056126A (zh) * | 2015-02-13 | 2016-10-26 | 西门子公司 | 医学成像中的斑块易损性评定 |
CN106940688A (zh) * | 2017-01-08 | 2017-07-11 | 广东工业大学 | 一种emd虚假分量识别的数学模型建模方法 |
CN107730497A (zh) * | 2017-10-27 | 2018-02-23 | 哈尔滨工业大学 | 一种基于深度迁移学习的血管内斑块属性分析方法 |
WO2019140857A1 (zh) * | 2018-01-18 | 2019-07-25 | 平安科技(深圳)有限公司 | 易损斑块识别方法、应用服务器及计算机可读存储介质 |
CN110074756A (zh) * | 2013-12-18 | 2019-08-02 | 哈特弗罗公司 | 用于根据患者特定的解剖图像数据预测冠状动脉斑块易损性的系统和方法 |
CN110110769A (zh) * | 2019-04-24 | 2019-08-09 | 长安大学 | 一种基于宽度径向基函数网络的图像分类方法 |
CN112150425A (zh) * | 2020-09-16 | 2020-12-29 | 北京工业大学 | 一种基于神经网络的无监督血管内超声图像配准方法 |
CN117036302A (zh) * | 2023-08-15 | 2023-11-10 | 西安交通大学医学院第一附属医院 | 主动脉瓣膜钙化程度的确定方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101283929B (zh) * | 2008-06-05 | 2010-06-16 | 华北电力大学 | 一种血管三维模型的重建方法 |
CN101474082B (zh) * | 2009-01-16 | 2011-06-08 | 北京工业大学 | 基于有限元形变理论的血管壁弹性分析方法 |
-
2010
- 2010-01-15 CN CN2010100341722A patent/CN101799864B/zh not_active Expired - Fee Related
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103917166A (zh) * | 2011-08-17 | 2014-07-09 | Vp诊断公司 | 一种表征颈动脉斑块的方法和系统 |
US10096104B2 (en) | 2013-08-27 | 2018-10-09 | Heartflow, Inc. | Systems and methods for predicting location, onset, and/or change of coronary lesions |
JP2016529037A (ja) * | 2013-08-27 | 2016-09-23 | ハートフロー, インコーポレイテッド | 冠動脈病変の部位、発症及び/又は変化を予測するためのシステム及び方法 |
US11663715B2 (en) | 2013-08-27 | 2023-05-30 | Heartflow, Inc. | Systems and methods for predicting location, onset, and/or change of coronary lesions |
US11861831B2 (en) | 2013-08-27 | 2024-01-02 | Heartflow, Inc. | Systems and methods for processing electronic images to predict lesions |
CN104463830A (zh) * | 2013-09-18 | 2015-03-25 | 通用电气公司 | 血管内斑块的侦测系统及方法 |
CN104463830B (zh) * | 2013-09-18 | 2017-09-05 | 通用电气公司 | 血管内斑块的侦测系统及方法 |
CN104463084A (zh) * | 2013-09-24 | 2015-03-25 | 江南大学 | 一种基于非负矩阵分解的离线手写签名识别 |
CN110074756B (zh) * | 2013-12-18 | 2022-11-22 | 哈特弗罗公司 | 用于根据患者特定的解剖图像数据预测冠状动脉斑块易损性的系统和方法 |
CN110074756A (zh) * | 2013-12-18 | 2019-08-02 | 哈特弗罗公司 | 用于根据患者特定的解剖图像数据预测冠状动脉斑块易损性的系统和方法 |
CN104766293A (zh) * | 2014-01-07 | 2015-07-08 | 北京三星通信技术研究有限公司 | 从图像中检测血管的方法和设备 |
CN104794426A (zh) * | 2015-01-13 | 2015-07-22 | 宁夏医科大学 | 基于cad系统提高前列腺肿瘤mri图像识别率的方法 |
CN106056126A (zh) * | 2015-02-13 | 2016-10-26 | 西门子公司 | 医学成像中的斑块易损性评定 |
US11576621B2 (en) | 2015-02-13 | 2023-02-14 | Siemens Healthcare Gmbh | Plaque vulnerability assessment in medical imaging |
US10478130B2 (en) | 2015-02-13 | 2019-11-19 | Siemens Healthcare Gmbh | Plaque vulnerability assessment in medical imaging |
CN105701336A (zh) * | 2015-12-31 | 2016-06-22 | 深圳先进技术研究院 | 基于脑电数据的中医辨证分型系统、模型建立的方法和系统 |
CN106940688A (zh) * | 2017-01-08 | 2017-07-11 | 广东工业大学 | 一种emd虚假分量识别的数学模型建模方法 |
CN106940688B (zh) * | 2017-01-08 | 2019-07-26 | 广东工业大学 | 一种emd虚假分量识别的数学模型建模方法 |
CN107730497B (zh) * | 2017-10-27 | 2021-09-10 | 哈尔滨工业大学 | 一种基于深度迁移学习的血管内斑块属性分析方法 |
CN107730497A (zh) * | 2017-10-27 | 2018-02-23 | 哈尔滨工业大学 | 一种基于深度迁移学习的血管内斑块属性分析方法 |
WO2019140857A1 (zh) * | 2018-01-18 | 2019-07-25 | 平安科技(深圳)有限公司 | 易损斑块识别方法、应用服务器及计算机可读存储介质 |
CN110110769A (zh) * | 2019-04-24 | 2019-08-09 | 长安大学 | 一种基于宽度径向基函数网络的图像分类方法 |
CN112150425A (zh) * | 2020-09-16 | 2020-12-29 | 北京工业大学 | 一种基于神经网络的无监督血管内超声图像配准方法 |
CN112150425B (zh) * | 2020-09-16 | 2024-05-24 | 北京工业大学 | 一种基于神经网络的无监督血管内超声图像配准方法 |
CN117036302A (zh) * | 2023-08-15 | 2023-11-10 | 西安交通大学医学院第一附属医院 | 主动脉瓣膜钙化程度的确定方法和系统 |
CN117036302B (zh) * | 2023-08-15 | 2024-04-02 | 西安交通大学医学院第一附属医院 | 主动脉瓣膜钙化程度的确定方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101799864B (zh) | 2012-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101799864B (zh) | 一种基于血管内超声波图像的动脉斑块类型自动识别方法 | |
Amiri et al. | Two-stage ultrasound image segmentation using U-Net and test time augmentation | |
CN109447940B (zh) | 卷积神经网络训练方法、超声图像识别定位方法及系统 | |
CN110136157A (zh) | 一种基于深度学习的三维颈动脉超声图像血管壁分割方法 | |
CN107220966A (zh) | 一种基于影像组学的脑胶质瘤分级预测方法 | |
CN103337096B (zh) | 一种冠状动脉ct造影图像钙化点检测方法 | |
CN110464380A (zh) | 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法 | |
CN101667289B (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
EP2080154A2 (en) | Systems and methods for producing classifiers with individuality | |
Byra et al. | Breast mass segmentation based on ultrasonic entropy maps and attention gated U-Net | |
Tan et al. | Lightweight pyramid network with spatial attention mechanism for accurate retinal vessel segmentation | |
Sehly et al. | Artificial Intelligence in echocardiography: the time is now | |
Liu et al. | Automated classification of cervical Lymph-Node-Level from ultrasound using depthwise separable convolutional swin transformer | |
Ganitidis et al. | Stratification of carotid atheromatous plaque using interpretable deep learning methods on B-mode ultrasound images | |
CN112862797B (zh) | 一种肝纤维化无损预测方法及系统 | |
Giannoglou et al. | Genetic fuzzy rule-based classification systems for tissue characterization of intravascular ultrasound images | |
Athanasiou et al. | A hybrid plaque characterization method using intravascular ultrasound images | |
Übeyli | Combining eigenvector methods and support vector machines for detecting variability of Doppler ultrasound signals | |
Ding et al. | A novel wavelet-transform-based convolution classification network for cervical lymph node metastasis of papillary thyroid carcinoma in ultrasound images | |
Zhan et al. | Recognition of angiographic atherosclerotic plaque development based on deep learning | |
Zhidong | Noninvasive diagnosis of coronary artery disease based on instantaneous frequency of diastolic murmurs and SVM | |
Ambily et al. | Classification of Brain MRI Images Using Convolution Neural Network and Transfer Learning | |
Liu et al. | A Lightweight Hybrid Model Using Multiscale Markov Transition Field for Real-Time Quality Assessment of Photoplethysmography Signals | |
Oliveira et al. | Which generative adversarial network yields high-quality synthetic medical images: investigation using AMD image datasets | |
Xiao | Numerical simulation and validity of a novel method for the prediction of artery stenosis via input impedance and support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120509 Termination date: 20130115 |