CN105469100B - 基于深度学习的皮肤活检图像病理特性识别方法 - Google Patents
基于深度学习的皮肤活检图像病理特性识别方法 Download PDFInfo
- Publication number
- CN105469100B CN105469100B CN201510859566.4A CN201510859566A CN105469100B CN 105469100 B CN105469100 B CN 105469100B CN 201510859566 A CN201510859566 A CN 201510859566A CN 105469100 B CN105469100 B CN 105469100B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- convolutional layer
- sample level
- matrix
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30088—Skin; Dermal
Abstract
本发明涉及一种基于深度学习的皮肤活检图像病理特性识别方法,利用多层堆叠自动编码器对活检图像进行特征的重新表达,同时利用一系列的卷积神经网络对图像特征按层进行卷积和采样,得到原始皮肤活检图像的一个抽象特征表达;把由多层堆叠自动编码器和卷积神经网络得到的特征进行拼接,最后由一个多路神经网络完成病理特性的识别。本发明通过深度学习模型提取抽象概念表达,对图像的色差、光照、放大倍数等因素有很强的适应性,从而大幅提升计算机对皮肤活检图像的病理特性识别的准确性。
Description
技术领域
本发明涉及的是一种图像处理技术领域的方法,具体是一种基于深度学习的皮肤活检图像病理特性识别方法。
背景技术
随着信息技术在各个医科中的广泛应用,数字化存储的医学图像的获取和处理变得越来越容易,越来越大量的数字化医学图像被快速生成,这些图像的特点可以归纳为数据量大、分辨率高、当中蕴含的信息量大、增长速度快、非结构化且其特性不能被简单识别。借助各个医科专家的专业知识对数字化医学图像的信息进行提取,需要花费大量的人力成本,同时提取信息的质量受到专家主观因素的影响,其稳定性得不到保证。为了能从海量的医学图像中获取能对疾病诊断有支持作用的信息,需要借助计算机程序的自动分析。各个医科的病理特性差异性较大,它们所对应的图像特征也有十分明显的不同,如何用计算机模型将这些特征进行识别并区分出各种不同的病理特性,是一个具有挑战性的问题。
经对现有技术的文献检索发现,Caicedo,J.C等人在《Artificial Intelligencein Medicine》Vol.5651 of the series Lecture Notes in Computer Science pp.126-135(医学中的人工智能,LNCS系列第5651卷,126-135页)中,阐述了使用词袋的方法提取活检图像的特征,然后使用核分类器进行病理特性的识别,他们把该方法应用在肺癌的病变组织的活检图像识别问题中。近年来在活检图像的计算机辅助分析研究中发现,活检图像所反映出来的病理特性是一种复杂且抽象的概念,通过传统计算机图形学的特征提取方法得到的特征难以表达这些概念,因而在此基础上构建的识别模型其效果也会受到影响。该方法采用基于直方图建立图像特征字典的方法,属于一种浅层的统计特征,难以表达复杂的抽象概念,因此对于复杂的活检图像分析就会存在较大的误差,影响到方法的有效性。
发明内容
本发明的目的在于克服现有技术中的不足,提出一种基于深度学习的皮肤活检图像病理特性识别方法,从而大幅提升计算机对皮肤活检图像的病理特性识别的准确性。
本发明是通过以下技术方案实现的,本发明具体步骤如下:
S1.将原始的皮肤活检图像保存为一个256阶的灰度矩阵,其中矩阵的维数为m×m;
S2.把以m×m灰度矩阵表示的皮肤活检图像按行拉伸成一个一维向量,使用3层的堆叠自动编码器进行重新表达,得到n1维的特征向量f1;
S3.构建一个包括输入层I、卷积层C1、采样层S1、卷积层C2、采样层S2、卷积层C3、采样层S3、卷积层C4、采样层S4的多层卷积神经网络,对输入的图像进行特征提取;
S4.把卷积神经网络的输出与堆叠自动编码器的输出组成的特征向量输入到一个标准的多路输出神经网络中,对活检图像的病理特性做出判断。
其中,步骤S1中对于非正方形的皮肤活检图像,通过先缩放到小于等于 m×m 像素,然后再填充全白到m×m的像素矩阵的方式处理。
进一步地,步骤S2的具体方法为构造隐含层H1具有17×m个节点,隐含层H2具有11×m个节点,隐含层H3具有7×m个节点;输入层-H1、H1-H2、H2-H3之间是全连接,采用标准的自动编码器的训练方法进行逐层训练,所有层的激活函数为sigmoid函数,其表达式为
进一步地,步骤S3实现过程如下:
(1)输入层的维数与图像大小相等,为m×m;在卷积层C1上进行多通道卷积操作,产生特征映射矩阵通过采样层S1进行区域元素求和、加权、加偏移,并通过sigmoid函数进行非线性化;
(2)通过C2卷积层上进行多通道卷积操作,产生特征映射矩阵通过采样层S2进行区域元素求和、加权、加偏移,并通过sigmoid函数进行非线性化;
(3)通过C3卷积层上进行多通道卷积操作,产生特征映射矩阵通过采样层S3进行区域元素求和、加权、加偏移,并通过sigmoid函数进行非线性化;
(4)通过C4卷积层上进行多通道卷积操作,产生特征映射矩阵通过采样层S4进行区域元素求和、加权、加偏移,并通过sigmoid函数进行非线性化,此时得到了原始像素的一个抽象非线性化特征表达向量;
所述卷积层使用公式为:
(Cic)ab=sig(wic×conv(Aab,Kic)+bic) (4.1)
所述采样层使用公式为:
Sis=sig(wis×conv(Bab,ones(|Bab|,|Bab|)/4)+bis) (4.2)
对于公式(4.1),Cic表示第c个卷积层的第i个通道的卷积结果;(Cic)ab表示矩阵Cic的第a行第b列的元素值;sig表示sigmoid函数,其表达式为 wic为输入到第c个卷积层第i个通道的加权值;×为四则运算的乘号;Aab是以卷积核为大小的滑动窗口在原图像矩阵I上的滑动值,其大小与卷积核一样;Kic为第c个卷积层的第i个通道的卷积核;conv为标准的矩阵卷积运算;bic为第c个卷积层的第i个通道的偏移;
对于公式(4.2),Sis表示第c个卷积层的第i个通道的采样结果;sig函数和conv 函数的含义同公式(4.1);wis为上一个卷积层的第i个通道到第s个采样层的加权值;Bab为上一个卷积层的第i个通道结果的不重叠滑动窗口的值;ones(x,y)是一个能够产生x行y列的全1矩阵的函数;/为普通的除法;bis为上一个采样 层的第i 个通道到第s个采样层的偏移。
进一步地,步骤S4是指输出网络为一个标准的BP神经网络,输出向量是一个d维实值向量,每一维的取值范围在[0,1]之间,代表该活检图像具有某一病理特性的概率;该神经网络的输入层维数与卷积神经网络的输出层维度一致,其维数记为v,隐含层采用1/2v个计算节点,其计算函数为输出层有d个计算节点,其计算函数为sig,含义同公式(4.1)。
本发明所产生的有益效果为:
1、本发明方法能够通过对皮肤活检图像的视觉图像特征进行基于深度学习的建模,并以此特征建立识别模型,降低不同皮肤病的病理特性识别的错误率。
2、本发明模型在进行病理特性识别时仅需通过网络进行一次运算,运算的时间复杂度低,提高了模型的实用性,也为病理特性的实时在线检测提供了可能。
3、本发明通过卷积神经网络和堆叠自动编码器结合的深度学习模型提取抽象概念表达,这种概念表达对图像的色差、光照、放大倍数等因素有很强的适应性,从而实现对活检图像所体现的病理特性的本质刻画。
附图说明
图1为实施例中某一病人的皮肤科的皮肤活检图像。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和过程,但本发明的保护范围不限于下述的实施例。
本发明公开了基于深度学习的皮肤活检图像病理特性识别方法,以下根据某医院皮肤科的皮肤活检图像数据库SkinBio作为实施例对本发明技术方案进行详细描述。
SkinBio包含2000个病人的6000幅皮肤活检图像,图像中包含了以下14种病理特性,分别是:hyperkeratosis、parakeratosis、absent granular cell layer、Munromicroabscess、nevocytic nests、hyperpigmentation of Basal cell layer、infiltration of lymphocytes、thin prickle cell layer、basal cell liquefactiondegeneration、horn cyst、 hypergranulosis、follicular plug、papillomatosis、retraction space。每幅图像以jpg 格式保存,图像的大小是1536*1536。图1为其中某一病人的皮肤科的皮肤活检图像。
本发明实施的具体步骤如下:
S1.为了减低训练模型所需要的开销,把1536X1536的原始图像保存为一个 256阶的灰度矩阵,其中矩阵的维数为150X150:即将SkinBio数据库的图像缩小为150*150。
S2.把缩小后的图像(150X150灰底矩阵表示的活检图像)按行拉伸成一个一维向量,使用3层的堆叠自动编码器进行重新表达。本实施例使用层中结点数量依次分别为17*150(隐含层H1)、11*150(隐含层H2)和7*150(隐含层H3)的三个自动编码器堆叠以进行特征表达。输入层-H1、H1-H2、H2-H3之间是全连接,采用标准的自动编码器的训练方法进行逐层训练,所有层的激活函数为sigmoid函数,其表达式为经过特征表达后,每幅图像变为一个7*150维的一维特征向量。
S3.把6000幅皮肤活检图像分为不相交的训练集和测试集,其中训练集占40%,测试集占60%。先把训练集的图像缩小为150*150,建立卷积神经网络模型,卷积层C1采用6通道,卷积层C2采用12通道,卷积层C3采用24通道,卷积层C4采用32通道,卷积核大小为5*5;所有的采样层均采用2行2列元素值为1/4的卷积核;使用标准的反向传播学习算法经过1000次迭代求出各层之间的连接权值和偏移;输出层设置250个结点,每幅图像得到250维实值向量。
具体来说,以150*150的灰度矩阵作为第一个卷积层的输入。对于每个卷积层,经过5*5的卷积核,即以5*5的滑动窗口在输入灰度矩阵上根据公式(4.1) 进行运算,其中第i个通道卷积核参数矩阵Kic的元素值为偏移值bic为权值wic的取值为r为上一层输出的方阵维数(如对于输入层r=146,对于第二个卷积层,r=141);对于每个采样层,把上一个卷积层的输出矩阵中相邻的 4个元素(2行2列)求平均再输入sigmoid函数得到该采样层的输出,采样层的效果把输入的矩阵的行和列数都减半,具体的计算依据公式(4.2),参数wis的取值为其中r为上一个卷积层第i个通道的维数的一半,参数bis的取值为区间中的一个随机数。
S4.把该特征向量与3层的堆叠自动编码器所得到的7*150维特征向量进行拼接,得到一个1300的特征向量,最后通过多路输出神经网络根据该特征向量输出每一个病理特性的判别情况,即完成了病理特性的识别过程。
具体来说,把步骤S2输出的7*150维实值特征向量与步骤S3的250维实值特征向量进行拼接,形成一个7*150+250=1300维的特征向量,记为F,并与训练集中和该图像相关的皮肤病理特性标签组成训练样本(F,Y),其中Y为一布尔向量,每一位代表该图像是否包含相应的皮肤病理特性,其中1代表具有该皮肤病理特性,0代表不具有。采用反向传播学习算法训练标准的多路输出神经网络,其中迭代次数为不多于500次,当误差不大于0.05时停止或达到最大迭代次数时停止训练;多路输出神经网络的隐含层和输出层均采用sigmoid函数。经过训练后的多路输出神经网络作为一个皮肤病理图像的预测器使用。步骤S3中的测试集输出测试图像,当一个测试图像到来时,首先经过深度网络(步骤S2 和S3),得到一个1300维的特征向量,然后把该特征向量输入到多路输出的神经网络,输出一个[0,1]之间的实值向量,某一个输出位越接近1,表明模型认为输入图像具有该位所对应的病理特性的可能性越大。选取0.8作为分界,当某一位输出大于等于0.8时,即认为输入图像具有该病理特性。
图1的图像模型输出向量及病理特征的判断如下表所示:
综上,本发明利用多层堆叠自动编码器对活检图像进行特征的重新表达,同时利用一系列的卷积神经网络对图像特征按层进行卷积和采样,得到原始皮肤活检图像的一个抽象特征表达;把由多层堆叠自动编码器和卷积神经网络得到的特征进行拼接,最后由一个多路神经网络完成病理特性的识别。本发明为病理特性的实时在线检测提供了可能,提升了计算机对皮肤活检图像的病理特性识别的准确性,实用性高。
Claims (4)
1.基于深度学习的皮肤活检图像病理特性识别方法,其特征在于,具体步骤如下:
S1.将原始的皮肤活检图像保存为一个256阶的灰度矩阵,其中矩阵的维数为m×m;
S2.把以m×m灰度矩阵表示的皮肤活检图像按行拉伸成一个一维向量,使用3层的堆叠自动编码器进行重新表达,得到n1维的特征向量f1;
S3.构建一个包括输入层I、卷积层C1、采样层S1、卷积层C2、采样层S2、卷积层C3、采样层S3、卷积层C4、采样层S4的多层卷积神经网络,对输入的图像进行特征提取;步骤S3实现过程如下:
(1)输入层的维数与图像大小相等,为m×m;在卷积层C1上进行多通道卷积操作,产生特征映射矩阵通过采样层S1进行区域元素求和、加权、加偏移,并通过sigmoid函数进行非线性化;
(2)通过C2卷积层上进行多通道卷积操作,产生特征映射矩阵通过采样层S2进行区域元素求和、加权、加偏移,并通过sigmoid函数进行非线性化;
(3)通过C3卷积层上进行多通道卷积操作,产生特征映射矩阵通过采样层S3进行区域元素求和、加权、加偏移,并通过sigmoid函数进行非线性化;
(4)通过C4卷积层上进行多通道卷积操作,产生特征映射矩阵通过采样层S4进行区域元素求和、加权、加偏移,并通过sigmoid函数进行非线性化,此时得到了原始像素的一个抽象非线性化特征表达向量;
所述卷积层使用公式为:
(Cic)ab=sig(ωic×conv(Aab,Kic)+bic) (4.1)
所述采样层使用公式为:
Sis=sig(ωis×conv(Bab,ones(|Bab|,|Bab|)/4)+bis) (4.2)
对于公式(4.1),Cic表示第c个卷积层的第i个通道的卷积结果;(Cic)ab表示矩阵Cic的第a行第b列的元素值;sig表示sigmoid函数,其表达式为ωic为输入到第c个卷积层第i个通道的加权值;×为四则运算的乘号;Aab是以卷积核为大小的滑动窗口在原图像矩阵I上的滑动值,其大小与卷积核一样;Kic为第c个卷积层的第i个通道的卷积核;conv为标准的矩阵卷积运算;bic为第c个卷积层的第i个通道的偏移;
对于公式(4.2),Sis表示第c个卷积层的第i个通道的采样结果;sig函数和conv函数的含义同公式(4.1);ωis为上一个卷积层的第i个通道到第s个采样层的加权值;Bab为上一个卷积层的第i个通道结果的不重叠滑动窗口的值;ones(x,y)是一个能够产生x行y列的全1矩阵的函数;/为普通的除法;bis为上一个采样层的第i个通道到第s个采样层的偏移;
S4.把卷积经网络的输出与堆叠自动编码器的输出组成的特征向量输入到一个标准的多路输出神经网络中,对活检图像的病理特性做出判断。
2.根据权利要求1所述的基于深度学习的皮肤活检图像病理特性识别方法,其特征在于:步骤S1中对于非正方形的皮肤活检图像,通过先缩放到小于等于m×m像素,然后再填充全白到m×m的像素矩阵的方式处理。
3.根据权利要求1或2所述的基于深度学习的皮肤活检图像病理特性识别方法,其特征在于,步骤S2的具体方法为构造隐含层H1具有17×m个节点,隐含层H2具有11×m个节点,隐含层H3具有7×m个节点;输入层-H1、H1-H2、H2-H3之间是全连接,采用标准的自动编码器的训练方法进行逐层训练,所有层的激活函数为sigmoid函数,其表达式为
4.根据权利要求1或2所述的基于深度学习的皮肤活检图像病理特性识别方法,其特征在于,步骤S4是指输出网络为一个标准的BP神经网络,输出向量是一个d维实值向量,每一维的取值范围在[0,1]之间,代表该活检图像具有某一病理特性的概率;该神经网络的输入层维数与卷积神经网络的输出层维度一致,其维数记为v,隐含层采用1/2v个计算节点,其计算函数为输出层有d个计算节点,其计算函数为sig,含义同公式(4.1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510859566.4A CN105469100B (zh) | 2015-11-30 | 2015-11-30 | 基于深度学习的皮肤活检图像病理特性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510859566.4A CN105469100B (zh) | 2015-11-30 | 2015-11-30 | 基于深度学习的皮肤活检图像病理特性识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105469100A CN105469100A (zh) | 2016-04-06 |
CN105469100B true CN105469100B (zh) | 2018-10-12 |
Family
ID=55606771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510859566.4A Expired - Fee Related CN105469100B (zh) | 2015-11-30 | 2015-11-30 | 基于深度学习的皮肤活检图像病理特性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469100B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156793A (zh) * | 2016-06-27 | 2016-11-23 | 西北工业大学 | 结合深层特征提取和浅层特征提取的医学图像分类方法 |
CN106469302B (zh) * | 2016-09-07 | 2019-05-28 | 成都知识视觉科技有限公司 | 一种基于人工神经网络的人脸肤质检测方法 |
CN106910187B (zh) * | 2017-01-13 | 2020-01-07 | 陕西师范大学 | 一种用于桥梁裂缝检测定位的图像数据集人工扩增方法 |
CN107066934A (zh) * | 2017-01-23 | 2017-08-18 | 华东交通大学 | 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备 |
CN107133439A (zh) * | 2017-03-14 | 2017-09-05 | 广东工业大学 | 一种皮肤病理图像镜下所见描述文本的生成方法 |
CN107239827B (zh) * | 2017-06-18 | 2020-06-09 | 北京理工大学 | 一种基于人工神经网络的空间信息学习方法 |
CN107358193A (zh) * | 2017-07-07 | 2017-11-17 | 南京天数信息科技有限公司 | 基于InceptionV3+全连接网络的皮肤真菌识别检测方法 |
CN107480769A (zh) * | 2017-07-26 | 2017-12-15 | 广州慧扬健康科技有限公司 | 基于深度学习的皮肤癌识别系统 |
CN107403194B (zh) * | 2017-07-26 | 2020-12-18 | 广州慧扬健康科技有限公司 | 基于t-SNE的皮肤癌图像识别可视化系统 |
CN107274406A (zh) * | 2017-08-07 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种检测敏感区域的方法及装置 |
TWI670047B (zh) * | 2017-09-18 | 2019-09-01 | Southern Taiwan University Of Science And Technology | 頭皮檢測設備 |
CN107665491B (zh) * | 2017-10-10 | 2021-04-09 | 清华大学 | 病理图像的识别方法及系统 |
CN107958271A (zh) * | 2017-12-06 | 2018-04-24 | 电子科技大学 | 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统 |
CN108304916B (zh) * | 2018-01-10 | 2020-06-09 | 湖北工业大学 | 结合注意机制与深度可分解卷积的卷积神经网络优化方法 |
CN108875811A (zh) * | 2018-06-01 | 2018-11-23 | 平安科技(深圳)有限公司 | 动物种类的分类方法、装置、计算机设备和存储介质 |
CN109447981A (zh) * | 2018-11-12 | 2019-03-08 | 平安科技(深圳)有限公司 | 图像识别方法及相关产品 |
CN111259683A (zh) * | 2018-11-30 | 2020-06-09 | 中光电智能云服股份有限公司 | 皮肤检测方法及图像处理装置 |
CN109363640A (zh) * | 2018-12-04 | 2019-02-22 | 北京贝叶科技有限公司 | 基于皮肤病理图像的识别方法及系统 |
CN109492759B (zh) * | 2018-12-17 | 2022-05-20 | 北京百度网讯科技有限公司 | 神经网络模型预测方法、装置和终端 |
CN110348357B (zh) * | 2019-07-03 | 2022-10-11 | 昆明理工大学 | 一种基于深度卷积神经网络的快速目标检测方法 |
CN111160194B (zh) * | 2019-12-23 | 2022-06-24 | 浙江理工大学 | 一种基于多特征融合的静态手势图像识别方法 |
CN111507944B (zh) * | 2020-03-31 | 2023-07-04 | 北京百度网讯科技有限公司 | 皮肤光滑度的确定方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN104268524A (zh) * | 2014-09-24 | 2015-01-07 | 朱毅 | 一种基于动态调整训练目标的卷积神经网络的图像识别方法 |
CN104809443A (zh) * | 2015-05-05 | 2015-07-29 | 上海交通大学 | 基于卷积神经网络的车牌检测方法及系统 |
CN104992223A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深度学习的密集人数估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7747070B2 (en) * | 2005-08-31 | 2010-06-29 | Microsoft Corporation | Training convolutional neural networks on graphics processing units |
-
2015
- 2015-11-30 CN CN201510859566.4A patent/CN105469100B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN104268524A (zh) * | 2014-09-24 | 2015-01-07 | 朱毅 | 一种基于动态调整训练目标的卷积神经网络的图像识别方法 |
CN104809443A (zh) * | 2015-05-05 | 2015-07-29 | 上海交通大学 | 基于卷积神经网络的车牌检测方法及系统 |
CN104992223A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深度学习的密集人数估计方法 |
Non-Patent Citations (2)
Title |
---|
A Histopathological Image Feature Representation Method based on Deep Learning;Gang Zhang等;《2015 7th International Conference on Information Technology in Medicine and Education》;20151115;第14-15页 * |
基于卷积神经网络的车标识别;孙晔等;《现代计算机(专业版)》;20150415(第11期);第84-86页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105469100A (zh) | 2016-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105469100B (zh) | 基于深度学习的皮肤活检图像病理特性识别方法 | |
WO2020238734A1 (zh) | 图像分割模型的训练方法、装置、计算机设备和存储介质 | |
Kumar et al. | Breast cancer classification of image using convolutional neural network | |
CN108197606A (zh) | 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 | |
CN104346617B (zh) | 一种基于滑动窗口和深度结构提取特征的细胞检测方法 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
CN107492071A (zh) | 医学图像处理方法及设备 | |
CN105931226A (zh) | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 | |
CN101551906B (zh) | 基于三维区域分水岭的腹部ct图像主要血管提取方法 | |
CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 | |
Ye et al. | Glioma grading based on 3D multimodal convolutional neural network and privileged learning | |
CN110648331B (zh) | 用于医学图像分割的检测方法、医学图像分割方法及装置 | |
CN112419320B (zh) | 基于sam与多层uda的跨模态心脏分割方法 | |
Shan et al. | SCA-Net: A spatial and channel attention network for medical image segmentation | |
Arjmand et al. | Deep learning in liver biopsies using convolutional neural networks | |
Chen et al. | Skin lesion segmentation using recurrent attentional convolutional networks | |
CN111986216B (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
CN114820450A (zh) | 适宜李氏人工肝治疗的ct血管造影图像分类方法 | |
CN110136113A (zh) | 一种基于卷积神经网络的阴道病理图像分类方法 | |
Xu et al. | MDFF-Net: A multi-dimensional feature fusion network for breast histopathology image classification | |
CN112634308A (zh) | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 | |
CN107610772A (zh) | 一种甲状腺结节ct图像诊断系统设计方法 | |
Dogra et al. | Novel seed selection techniques for MR brain image segmentation using graph cut | |
Dong et al. | Measurement method of plant phenotypic parameters based on image deep learning | |
Wu et al. | Mscan: Multi-scale channel attention for fundus retinal vessel segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181012 Termination date: 20191130 |
|
CF01 | Termination of patent right due to non-payment of annual fee |