CN103593674A - 一种颈部淋巴结超声图像特征选择方法 - Google Patents
一种颈部淋巴结超声图像特征选择方法 Download PDFInfo
- Publication number
- CN103593674A CN103593674A CN201310585163.6A CN201310585163A CN103593674A CN 103593674 A CN103593674 A CN 103593674A CN 201310585163 A CN201310585163 A CN 201310585163A CN 103593674 A CN103593674 A CN 103593674A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- individual
- msubsup
- mtd
- 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
- 210000001165 lymph node Anatomy 0.000 title claims abstract description 49
- 238000010187 selection method Methods 0.000 title claims abstract description 7
- 230000006870 function Effects 0.000 claims abstract description 29
- 238000002604 ultrasonography Methods 0.000 claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims abstract description 12
- 238000013139 quantization Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 31
- 108090000623 proteins and genes Proteins 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 239000002245 particle Substances 0.000 abstract description 5
- 230000002068 genetic effect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000001099 axilla Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 201000009058 cervical adenitis Diseases 0.000 description 1
- 208000012751 cervical lymphadenitis Diseases 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004013 groin Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000010949 lymph node disease Diseases 0.000 description 1
- 208000022766 lymph node neoplasm Diseases 0.000 description 1
- 201000007227 lymph node tuberculosis Diseases 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000002956 necrotizing effect Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于万有引力搜索算法和波尔兹曼函数的淋巴结超声图像特征选择方法。
背景技术
淋巴结分布在整个人体的颈部,腋窝,腹股沟等各个部位,人体免疫系统能否正常运作其中淋巴结扮演着重要的作用。临床上,淋巴结的病理变化是恶性肿瘤的一个重要标准,大多数临床医生利用颈部淋巴结超声图像诊断和检查淋巴结疾病,颈部淋巴结超声图像具有很多淋巴结特征,但这些特征中有些特征数据是冗余的,或者是含有噪声的,因此,选择对医生有价值的特征是临床医生和研究者关注的焦点之一。特征选择就是选择对分类有价值的特征,去除冗余和噪声,提高分类的精确度。目前淋巴结超声图像特征选择方法有基于全局最优搜索策略的互信息法和线性判别法。但是这两种方法的缺点是不能有效结合分类结果来指导特征值的选择。基于随机搜索策略的遗传算法和离散粒子群算法属于群集智能的方法,它们能够通过种群的优化取得较好的最优解,但是它们容易陷入局部极值的问题。
发明内容
本发明克服现有技术存在的不足,所要解决的技术问题为提供一种用于颈部淋巴结超声图像的特征选择方法,避免了利用遗传算法和离散粒子群算法进行颈部淋巴结超声图像特征选择容易陷入局部极值的问题。
为了解决上述技术问题,本发明采用的技术方案为:一种颈部淋巴结超声图像特征选择方法,包括以下步骤:
第一步、采集颈部淋巴结灰阶多普勒超声图像并提取颈部淋巴结图像的量化特征;
第二步、基于第一步给出的量化特征,使用二进制编码标记特征组合并随机初始化多个个体的位置及速度,形成样本集;
第三步、根据所述样本集设计极限学习机分类器;
第四步、对所述样本集进行学习和训练,测试并记录分类精度,采用分类精度和所选特征数目两个标准设计每个个体的适应度函数fiti;
第六步、根据第五步中每个个体的加速度更新各自的速度
第九步、若符合终止条件,则结束并输出最优位置即最优特征子集,否则迭代次数加1,并返回第三步继续进化种群直到满足特征选择终止条件,所述终止条件为:达到最大迭代次数。
所述第一步中,提取颈部淋巴结超声图像的量化特征,具体方法如下:
通过超声仪器采集颈部淋巴结灰阶多普勒超声图像,给出淋巴结超声图像的量化特征,这里用Fi来表示第i个量化特征,具体定义如下:
(1)外形特征F1-F11:包括使用致密度F1;实占率F2;凸包深度F3;傅里叶形状因子F4;4个矩形状因子特征F5-F8;3个基于归一化径向长度特征F9-F11;
(2)边界特征F12-F14:包括采用锐度F12;边缘亮度变化比F13;边界平均最大下降梯度F14;
(3)形态特征F15:长/短径的比率F15;
(4)纹理特征,包括灰度共生矩阵、Laws能量模板、灰度游程长度和小波纹理,它们分别为:
1)灰度共生矩阵F16-F29:包括角二阶矩F16;对比度F17;相关F18;熵F19;方差F20;均值和F21;逆差矩F22;方差和F23;差的方差F24;和熵F25;差熵F26;聚类阴影F27;显著聚类F28;最大概率F29;
2)Laws能量模板F30-F39:包括L5E5模板卷积后的均值F30;L5S5模板卷积后的均值F31;E5L5模板卷积后的均值F32;S5L5模板卷积后的均值F33;E5E5模板卷积后的均值F34;L5E5模板卷积后的方差F35;E5L5模板卷积后的方差F36;S5L5模板卷积后的方差F37;E5E5模板卷积后的方差F38;L5S5模板卷积后的方差F39;
3)灰度游程长度F40-F44:包括短游程优势F40;长游程优势F41;灰度不均匀性度量F42;游程长度不均性度量F43;游程比率F44;
4)小波纹理特征F45-F56:包括低低频均值F45;低低频方差F46;低低频和Laws能量模板卷积后得到的各自的均值和方差F47-F56。
所述第二步中,基于第一步给出的量化特征F1-F56,使用二进制编码标记特征组合并随机初始化多个个体的位置及速度,具体方法如下:
个体编码采用二进制,原始量化特征有56个,即个体的长度L=56,个体的每一个基因对应相应次序的特征,即当个体中的某一个基因为“1”时,表示该基因对应的特征项被选用;反之,为“0”时,表示该特征项未被选用。个体第i个基因值随机产生的公式为:
式中,rand()为[0,1]区间独立同分布的随机数。
所述第四步中,适应度函数计算过程如下:
其中,
式中,ωA式表示分类准确权值,ωF表示特征选择数权值,fj表示基因的特征值(0或1),acci表示分类准确率,cc表示正确分类数,uc表示不正确分类数。
所述第五步中,
质量Mi(t)的计算按下公式:
其中, fiti为个体i的适应度函数;fitj为个体j的适应度函数;
作用力Fi d(t)的计算按如下公式:
其中, G0是初始万有引力常数,t是当前的迭代,T是总的迭代次数,Rij(t)表示在t时刻个体i和个体j之间的汉明距离;rand为[0,1]区间独立同分布的随机数;
其中Fi d(t)为个体的作用力,Mi(t)为个体的质量。
所述第六步中,更新速度按如下方法:
所述第七步中,个体的波尔兹曼函数按如下方法实现:
所述第二步中,基于第一步给出的量化特征F1-F56,使用二进制编码标记特征组合并随机初始化的个体的数量为100个。
所述第九步中,最大迭代次数为200,或为300,或为400,或为500。
本发明与现有技术相比具有以下有益效果。
本发明方法利用万有引力搜索算法和波尔兹曼函数求得最优颈部淋巴结超声图像特征,万有引力搜索算法是一种源于对物理学中的万有引力进行模拟的新的优化搜索技术,其通过群体中各粒子之间的万有引力相互作用产生的群体智能指导优化搜索,收敛性明显优于粒子群优化和遗传算法等其他仿生智能优化算法,解决了利用这两种算法进行颈部淋巴结超声图像特征选择容易陷入局部极值的问题。
本发明方法实现了对颈部淋巴结超声图像高维特征的优化选择,有效降低特征维数,提高分类识别的准确度,并且适应极限学习机分类器的要求,进一步提高分类性能。本发明方法特征选择效果好,效率高,能够有效提高颈部淋巴结超声图像的分类精度。
波尔兹曼函数(Boltzmann function)来自波尔兹曼机,它是一种监督学习神经网络和Hopfield神经网络的衍生物,本发明利用波尔兹曼函数评估特征的重要性。
附图说明
下面结合附图对本发明做进一步详细的说明。
图1为本发明中某个个体的基因编码。
图2为本发明的流程图。
具体实施方式
如图1、图2所示,本实施例通过临床医用ATL HDI-5000Sono CT型超声仪器采集颈部淋巴结灰阶多普勒超声图像进行基于万有引力搜索算法和波尔兹曼函数的颈部淋巴结超声图像特征选择。颈部淋巴结超声图像特征选择的具体步骤如下:
第一步、通过临床医用ATL HDI-5000Sono CT型超声仪器采集到的颈部淋巴结超声图像。这些医学超声图像按照疾病分为颈部淋巴结肿瘤(J1)、颈部坏死性淋巴结炎(J2)和颈部淋巴结核(J3)等共计40个病例150幅颈部淋巴结超声图片。上述150幅图像经过图像分割得到了150个颈部淋巴结区域的超声图像,表1为数据集构成表。
表1淋巴结区域数据统计表
J1 | J2 | J3 | 总数 | |
淋巴结区域个数 | 56 | 48 | 46 | 150 |
结合临床和当前的研究给出上述150个颈部淋巴结区域的超声图像的量化特征,量化特征分为四类,共56个特征。
这里用Fi来表示第i个特征,具体定义如下:
(1)外形特征F1-F11:包括使用致密度F1;实占率F2;凸包深度F3;傅里叶形状因子F4;4个矩形状因子特征F5-F8;3个基于归一化径向长度特征F9-F11。
(2)边界特征F12-F14:包括采用锐度F12;边缘亮度变化比F13;边界平均最大下降梯度F14。
(3)形态特征F15:长/短径的比率F15。
(4)纹理特征包括灰度共生矩阵、Laws能量模板、灰度游程长度和小波纹理等。它们分别为
1)灰度共生矩阵F16-F29:包括角二阶矩F16;对比度F17;相关F18;熵F19;方差F20;均值和F21;逆差矩F22;方差和F23;差的方差F24;和熵F25;差熵F26;聚类阴影F27;显著聚类F28;最大概率F29。
2)Laws能量模板F30-F39:包括L5E5模板卷积后的均值F30;L5S5模板卷积后的均值F31;E5L5模板卷积后的均值F32;S5L5模板卷积后的均值F33;E5E5模板卷积后的均值F34;L5E5模板卷积后的方差F35;E5L5模板卷积后的方差F36;S5L5模板卷积后的方差F37;E5E5模板卷积后的方差F38;L5S5模板卷积后的方差F39。
3)灰度游程长度F40-F44:包括短游程优势F40;长游程优势F41;灰度不均匀性度量F42;游程长度不均性度量F43;游程比率F44。
4)小波纹理特征F45-F56:包括低低频均值F45;低低频方差F46;低低频和Laws能量模板卷积后得到的各自的均值和方差F47-F56。
第二步、基于第一步给出的量化特征F1-F56,使用二进制编码标记特征组合并随机初始化100个个体的位置及速度,形成样本集;初始化采用随机数生成方法。
具体如下:
个体编码采用二进制,原始特征有56个,即个体的长度L=56,个体的每一个基因对应相应次序的特征,即当个体中的某一个基因为“1”时,表示该基因对应的特征项被选用;反之,为“0”时,表示该特征项未被选用。例如,个体010101000001110….表示第2、第4、第6、第12个、第13个、第14个特征项被选用。这56个特征按照F1-F56依次排列构成个体的编码X,如图1所示。
图1中每个位置都代表了一个特征,初始个体的产生是按照图1的编码方式随机在各个位置生成0或者1而产生,个体第i个基因值随机产生的公式为:
式中,rand()为[0,1]区间独立同分布的随机数。
第三步、根据所述样本集设计极限学习机分类器;
第四步、对所述样本集进行学习和训练,测试并记录分类精度,采用分类精度和所选特征数目两个标准设计个体适应度函数fiti。适应度函数计算过程如下:
其中,
式中,ωA式表示分类准确权值,ωF表示特征选择数权值,fj表示基因的特征值(0或1),acci表示分类准确率,cc表示正确分类数,uc表示不正确分类数。
质量Mi(t)的计算按下公式:
其中, fiti为个体i的适应度函数;fitj为个体j的适应度函数;
作用力Fi d(t)的计算按如下公式:
其中, G0是初始万有引力常数,G0=100,t是当前的迭代,T是总的迭代次数,T=200,Rij(t)表示在t时刻个体i和个体j之间的汉明距离。rand为[0,1]区间独立同分布的随机数。
加速度的计算按下公式:
其中Fi d(t)为个体的作用力,Mi(t)为个体的质量。
个体的波尔兹曼函数按如下方法实现:
第九步、当迭代次数达到200时,则结束,将具有最高适应度值的个体解码得到最优特征子集,否则迭代次数加1,并返回步骤三继续进化种群直到满足特征选择终止条件。
得到最优特征子集后,医生可以将从新的淋巴结超声图像中提取的特征与最优特征子集比较,去掉最优特征子集中没有的特征,即冗余的,或含有噪声的特征,剩下的就是对医生有价值的特征,可以帮助医生准确快速的作出诊断。
本发明方法不仅限于超声图像处理,可以广泛应用于各种高维度和复杂类型数据集(如文本、图像,医学诊断和基因数据等)的模式分类,数据挖掘和可视化等问题。
Claims (10)
1.一种颈部淋巴结超声图像特征选择方法,其特征在于,包括以下步骤:
第一步、采集颈部淋巴结灰阶多普勒超声图像并提取颈部淋巴结图像的量化特征;
第二步、基于第一步给出的量化特征,使用二进制编码标记特征组合并随机初始化多个个体的位置及速度,形成样本集;
第三步、根据所述样本集设计极限学习机分类器;
第四步、对所述样本集进行学习和训练,测试并记录分类精度,采用分类精度和所选特征数目两个标准设计每个个体的适应度函数fiti;
第九步、若符合终止条件,则结束并输出最优位置即最优特征子集,否则迭代次数加1,并返回第三步继续进化种群直到满足特征选择终止条件,所述终止条件为:达到最大迭代次数。
2.根据权利要求1所述的一种颈部淋巴结超声图像特征选择方法,其特征在于,所述第一步中,提取颈部淋巴结超声图像的量化特征,具体方法如下:
通过超声仪器采集颈部淋巴结灰阶多普勒超声图像,给出淋巴结超声图像的量化特征,这里用Fi来表示第i个量化特征,具体定义如下:
(1)外形特征F1-F11:包括使用致密度F1;实占率F2;凸包深度F3;傅里叶形状因子F4;4个矩形状因子特征F5-F8;3个基于归一化径向长度特征F9-F11;
(2)边界特征F12-F14:包括采用锐度F12;边缘亮度变化比F13;边界平均最大下降梯度F14;
(3)形态特征F15:长/短径的比率F15;
(4)纹理特征,包括灰度共生矩阵、Laws能量模板、灰度游程长度和小波纹理,它们分别为:
1)灰度共生矩阵F16-F29:包括角二阶矩F16;对比度F17;相关F18;熵F19;方差F20;均值和F21;逆差矩F22;方差和F23;差的方差F24;和熵F25;差熵F26;聚类阴影F27;显著聚类F28;最大概率F29;
2)Laws能量模板F30-F39:包括L5E5模板卷积后的均值F30;L5S5模板卷积后的均值F31;E5L5模板卷积后的均值F32;S5L5模板卷积后的均值F33;E5E5模板卷积后的均值F34;L5E5模板卷积后的方差F35;E5L5模板卷积后的方差F36;S5L5模板卷积后的方差F37;E5E5模板卷积后的方差F38;L5S5模板卷积后的方差F39;
3)灰度游程长度F40-F44:包括短游程优势F40;长游程优势F41;灰度不均匀性度量F42;游程长度不均性度量F43;游程比率F44;
4)小波纹理特征F45-F56:包括低低频均值F45;低低频方差F46;低低频和Laws能量模板卷积后得到的各自的均值和方差F47-F56。
3.根据权利要求2所述的一种颈部淋巴结超声图像特征选择方法,其特征在于,所述第二步中,基于第一步给出的量化特征F1-F56,使用二进制编码标记特征组合并随机初始化多个个体的位置及速度,具体方法如下:
个体编码采用二进制,原始量化特征有56个,即个体的长度L=56,个体的每一个基因对应相应次序的特征,即当个体中的某一个基因为“1”时,表示该基因对应的特征项被选用;反之,为“0”时,表示该特征项未被选用。个体第i个基因值随机产生的公式为:
式中,rand()为[0,1]区间独立同分布的随机数。
4.根据权利要求3所述的一种颈部淋巴结超声图像特征选择方法,其特征在于,所述第四步中,适应度函数计算过程如下:
其中,
式中,ωA式表示分类准确权值,ωF表示特征选择数权值,fj表示基因的特征值(0或1),acci表示分类准确率,cc表示正确分类数,uc表示不正确分类数。
8.根据权利要求7所述的一种颈部淋巴结超声图像特征选择方法,其特征在于,所述第八步中,新个体的位置按如下方法实现:
9.根据权利要求1或3所述的一种颈部淋巴结超声图像特征选择方法,其特征在于,所述第二步中,基于第一步给出的量化特征F1-F56,使用二进制编码标记特征组合并随机初始化的个体的数量为100个。
10.根据权利要求1所述的一种颈部淋巴结超声图像特征选择方法,其特征在于,所述第九步中,最大迭代次数为200,或为300,或为400,或为500。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310585163.6A CN103593674B (zh) | 2013-11-19 | 2013-11-19 | 一种颈部淋巴结超声图像特征选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310585163.6A CN103593674B (zh) | 2013-11-19 | 2013-11-19 | 一种颈部淋巴结超声图像特征选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103593674A true CN103593674A (zh) | 2014-02-19 |
CN103593674B CN103593674B (zh) | 2016-09-21 |
Family
ID=50083806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310585163.6A Expired - Fee Related CN103593674B (zh) | 2013-11-19 | 2013-11-19 | 一种颈部淋巴结超声图像特征选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103593674B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927560A (zh) * | 2014-04-29 | 2014-07-16 | 苏州大学 | 一种特征选择方法及装置 |
CN103942770A (zh) * | 2014-03-12 | 2014-07-23 | 西安电子科技大学 | 基于极限学习机的压缩感知重构方法 |
CN104257402A (zh) * | 2014-10-22 | 2015-01-07 | 中国人民解放军总医院第一附属医院 | 一种用于查找淋巴结的定位标记系统 |
CN105303548A (zh) * | 2015-06-02 | 2016-02-03 | 杭州电子科技大学 | 基于混合智能优化算法的sar图像特征选择方法 |
CN105631031A (zh) * | 2015-12-30 | 2016-06-01 | 北京牡丹电子集团有限责任公司数字电视技术中心 | 一种宫廷服饰特征选择方法及装置 |
CN106462775A (zh) * | 2014-05-09 | 2017-02-22 | Fio公司 | 离散边缘分组模板匹配系统、方法和计算机可读媒体 |
CN106845546A (zh) * | 2017-01-20 | 2017-06-13 | 太原理工大学 | 一种基于bfba和elm的乳腺x射线图像特征选择方法 |
CN108921821A (zh) * | 2018-06-01 | 2018-11-30 | 中国人民解放军战略支援部队信息工程大学 | 基于lasso回归的乳腺癌腋窝淋巴结转移状态的判别方法 |
CN110335259A (zh) * | 2019-06-25 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 一种医学影像识别方法、装置和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102506863A (zh) * | 2011-11-07 | 2012-06-20 | 北京航空航天大学 | 一种基于万有引力搜索的无人机航路规划方法 |
-
2013
- 2013-11-19 CN CN201310585163.6A patent/CN103593674B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102506863A (zh) * | 2011-11-07 | 2012-06-20 | 北京航空航天大学 | 一种基于万有引力搜索的无人机航路规划方法 |
Non-Patent Citations (2)
Title |
---|
ZHIFENG GUO: "A Hybrid Optimization Algorithm Based on Artificial Bee Colony and Gravitational Search Algorithm", 《INTERNATIONAL JOURNAL OF DIGITAL CONTENT TECHNOLOGY AND ITS APPLICATION(JDCTA)》 * |
陈洁等: "用遗传算法优化Boltzmann机", 《计算机工程与应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942770A (zh) * | 2014-03-12 | 2014-07-23 | 西安电子科技大学 | 基于极限学习机的压缩感知重构方法 |
CN103942770B (zh) * | 2014-03-12 | 2016-08-24 | 西安电子科技大学 | 基于极限学习机的压缩感知重构方法 |
CN103927560A (zh) * | 2014-04-29 | 2014-07-16 | 苏州大学 | 一种特征选择方法及装置 |
CN103927560B (zh) * | 2014-04-29 | 2017-03-29 | 苏州大学 | 一种特征选择方法及装置 |
CN106462775A (zh) * | 2014-05-09 | 2017-02-22 | Fio公司 | 离散边缘分组模板匹配系统、方法和计算机可读媒体 |
CN104257402A (zh) * | 2014-10-22 | 2015-01-07 | 中国人民解放军总医院第一附属医院 | 一种用于查找淋巴结的定位标记系统 |
CN105303548A (zh) * | 2015-06-02 | 2016-02-03 | 杭州电子科技大学 | 基于混合智能优化算法的sar图像特征选择方法 |
CN105303548B (zh) * | 2015-06-02 | 2017-12-22 | 杭州电子科技大学 | 基于混合智能优化算法的sar图像特征选择方法 |
CN105631031A (zh) * | 2015-12-30 | 2016-06-01 | 北京牡丹电子集团有限责任公司数字电视技术中心 | 一种宫廷服饰特征选择方法及装置 |
CN105631031B (zh) * | 2015-12-30 | 2018-09-18 | 北京牡丹电子集团有限责任公司数字电视技术中心 | 一种宫廷服饰特征选择方法及装置 |
CN106845546A (zh) * | 2017-01-20 | 2017-06-13 | 太原理工大学 | 一种基于bfba和elm的乳腺x射线图像特征选择方法 |
CN108921821A (zh) * | 2018-06-01 | 2018-11-30 | 中国人民解放军战略支援部队信息工程大学 | 基于lasso回归的乳腺癌腋窝淋巴结转移状态的判别方法 |
CN110335259A (zh) * | 2019-06-25 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 一种医学影像识别方法、装置和存储介质 |
CN110335259B (zh) * | 2019-06-25 | 2021-08-31 | 腾讯科技(深圳)有限公司 | 一种医学影像识别方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103593674B (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103593674B (zh) | 一种颈部淋巴结超声图像特征选择方法 | |
CN109523521B (zh) | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 | |
SR et al. | Lung cancer detection using probabilistic neural network with modified crow-search algorithm | |
CN107169504B (zh) | 一种基于扩展非线性核残差网络的手写字符识别方法 | |
CN111242906B (zh) | 一种支持向量数据描述的胸部影像异常检测方法 | |
Lameski et al. | Skin lesion segmentation with deep learning | |
Venmathi et al. | An automatic brain tumors detection and classification using deep convolutional neural network with VGG-19 | |
Ali et al. | Efficient intelligent system for diagnosis pneumonia (SARSCOVID19) in X-ray images empowered with initial clustering | |
Tan et al. | GLCM-CNN: gray level co-occurrence matrix based CNN model for polyp diagnosis | |
Trang et al. | Development of an artificial intelligence-based breast cancer detection model by combining mammograms and medical health records | |
CN103020979A (zh) | 基于稀疏遗传聚类的图像分割方法 | |
Rasaee et al. | Explainable AI and susceptibility to adversarial attacks: a case study in classification of breast ultrasound images | |
CN109740669B (zh) | 一种基于深度特征聚合的乳腺癌病理图像分类方法 | |
Rajathi | Optimized radial basis neural network for classification of breast cancer images | |
Rani et al. | Automatic detection of brain tumor from CT and MRI images using wireframe model and 3D Alex-Net | |
CN106601271B (zh) | 一种语音异常信号检测系统 | |
CN113362927A (zh) | 一种基于深度学习的鳞状食道癌放化疗效果预测方法 | |
CN116228759B (zh) | 肾细胞癌类型的计算机辅助诊断系统及设备 | |
Wang et al. | Deep learning based nodule detection from pulmonary CT images | |
Otoom et al. | Breast cancer classification: comparative performance analysis of image shape-based features and microarray gene expression data | |
Rehman et al. | Diverse and discrimintative features based breast cancer detection using digital mammography | |
Biju et al. | A genetic algorithm based fuzzy C mean clustering model for segmenting microarray images | |
Mohapatra et al. | Automated invasive cervical cancer disease detection at early stage through deep learning | |
CN113284512B (zh) | 一种基于深度稀疏迁移学习的帕金森语音分类方法 | |
Syafiandini et al. | Multimodal deep boltzmann machines for feature selection on gene expression data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 |
Granted publication date: 20160921 |
|
CF01 | Termination of patent right due to non-payment of annual fee |