CN106127783A - 一种基于深度学习的医疗影像识别系统 - Google Patents
一种基于深度学习的医疗影像识别系统 Download PDFInfo
- Publication number
- CN106127783A CN106127783A CN201610510583.1A CN201610510583A CN106127783A CN 106127783 A CN106127783 A CN 106127783A CN 201610510583 A CN201610510583 A CN 201610510583A CN 106127783 A CN106127783 A CN 106127783A
- Authority
- CN
- China
- Prior art keywords
- layer
- characteristic pattern
- degree
- network
- depth
- 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.)
- Pending
Links
Classifications
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的医疗影像识别系统,包括:模型建立单元,用于建立基于深度学习的医疗影像识别模型;包括:初始化子单元,用于建立初始卷积网络CNN1;通过500个样本对初始卷积网络CNN1进行训练,初始权重均匀分布在‑0.04‑0.04中随机参数,网络迭代次数为36次;第一进化子单元,用于根据网络生长队长对初始卷积网络CNN1进行一次生长得到深度网络CNN2;网络迭代次数为36次;第二进化子单元,用于再次对深度网络CNN2进行生长得到深度网络CNN3,对CNN3进行训练使得评价误差达到预设指标,且误差收敛速度小于设置阈值;从而得到基于深度学习的医疗影像识别模型;输入待识别的医疗影像,并根据基于深度学习的医疗影像识别模型对待识别的医疗影像进行识别,并输出识别结果。
Description
技术领域
本发明涉及大数据云计算技术领域,特别涉及一种基于深度学习的医疗影像识别系统。
背景技术
随着医学影像技术的快速发展,医院信息系统应用范围的不断扩大,存储在医院数据库中的影像数据呈几何级增长。这些数量庞大的医学影像数据来源于各种医学成像设备,如超声、X射线计算机断层摄影(CT)、核磁共振(MRI)、数字血管剪影(DSA)、正电子断层摄影(PET)等,而且对应了不同的人体组织器官,如颅脑、胸、肺、肝等,同时每个组织器官所患的病症也存在很多种可能,如肝部可能有肝硬化、肝瘤、肝内胆管结石等。庞大的数据量、种类繁多的成像设备,再加上不同的患病部位以及不同的疾病种类,给医学影像数据的高效组织管理和精确识别带来了极大的挑战。
深度学习技术正在渗透向各行各业,包括一直被认为专业度、复杂度最高的医疗行业。有在医疗服务当中着眼于辅助诊断的尝试,比如半个医生、医渡云;也有在医学影像当中尝试人工智能,比如雅森科技等。DeepCare同样是尝试在医学影像当中引入人工智能,通过深度学习技术,来实现对医学影像的智能分析判断。
发明内容
因此,有必要提供一种能够精确识别医疗影像中病灶的基于深度学习的医疗影像识别系统。
一种基于深度学习的医疗影像识别系统,其包括如下单元:
模型建立单元,用于建立基于深度学习的医疗影像识别模型;包括:
初始化子单元,用于建立初始卷积网络CNN1;通过500个样本对初始卷积网络CNN1进行训练,初始权重均匀分布在-0.04-0.04中随机参数,网络迭代次数为36次;
第一进化子单元,用于根据网络生长队长对初始卷积网络CNN1进行一次生长得到深度网络CNN2;网络迭代次数为36次;
第二进化子单元,用于再次对深度网络CNN2进行生长得到深度网络CNN3,对CNN3进行训练使得评价误差达到预设指标,且误差收敛速度小于设置阈值;从而得到基于深度学习的医疗影像识别模型;
识别单元,用于输入待识别的医疗影像,并根据基于深度学习的医疗影像识别模型对待识别的医疗影像进行识别,并输出识别结果。
在本发明所述的基于深度学习的医疗影像识别系统中,模型建立单元中建立初始卷积网络CNN1包括:
建立初始卷积网络CNN1;CNN1包括1个输入层,2级卷积,1个全连接层,1个RBF层和1个输出层,各隐层的空间分辨率逐层递增,特征平面的数量逐层递增,共4级8层结构;
C1层是一个由2个特征图构成的卷积层,是2个大小为5×5的卷积核对输入图像进行卷积获得;特征图的大小为28×28,特征图中每个神经元与输入层中5×5的邻域相连;同一特征图的上的所有神经元共享权值,每个滤波器25个连接权值参数和1个偏置参数,一共2个滤波器,C1层共需训练的参数52个;
S2层是一个由2个14×14的特征图组成的降采样层;S2层特征图中的每个神经元与C1层中相对神经元的2×2并不重叠,因此,S2中每个特征图的大小是C1中特征图大小的1/4;S2层需要训练参数一共有4个;
C3层是一个卷积层,通过3种不同的5×5卷积核去卷积层S2,由3张10×10特征图组成,即每张含10×10个神经元;C3中的每个特征图连接到S2中的所有1个或者2个特征图,表示本层的特征图是上一层提取到的特征图的不同组合,需要训练的权重为103个;
S4层是一个由3张5×5大小的特征图构成的降采样层;特征图中的每个单元与C3中相应特征图的2×2邻域相连接,与C1和S2之间的连接和抽样过程相同;每个特征图1个权值系数和1个偏置,S4层需训练参数为6个;
C5层是一个卷积层,根据输出层和RBF层的神经元数量决定C5层含32个神经元,抽取前一层32个隐性特征;每个神经元与S4层的全部单元的5×5邻域相连。由于S4层特征图的大小与卷积核的大小相同,都为5x5,所以C5特征图的大小为1×1,即每个特征图只含有1个神经元:因此S4和C5之间是全连接;
RBF层由欧式径向基函数单元组成,有16个神经单元,由输出层的设计决定,与C5层全相连;每个输出RBF单元计算输入向量和参数向量之间的欧式距离,采用高斯函数作为基函数;
输出层由6个独立的神经元组成,对应医疗影像中需要辨识出的病灶类型。
在本发明所述的基于深度学习的医疗影像识别系统中,根据网络生长队长对初始卷积网络CNN1进行一次生长得到深度网络CNN2;网络迭代次数为36次后训练收敛误差大于16%。
在本发明所述的基于深度学习的医疗影像识别系统中,对深度网络CNN2进行生长得到深度网络CNN3,其中C1层、S2层特征图数量生长为6,C3层、S4层特征图数量匹配生长为16。
在本发明所述的基于深度学习的医疗影像识别系统中,
模型建立单元中深度网络CNN3包括:
C1卷积层,由6个特征图构成,每个特征图含有28×28个神经元,每个神经元分别与输入层即原始图像中对应的5×5邻域相连;Cl共有6个卷积核,每个卷积核有25个连接权值参数和一个偏置参数,一共6个卷积核,共计156个可训练参数;
S2降采样层,有6个特征图,每个特征图含有14×14个神经元,每个单元与C1中相对应特征图的2×2邻域相连接,S2中每个特征图缩小到C1层特征图的1/4大小;S2层一共有12个可训练参数;
C3卷积层,通过16种不同的5×5的卷积核去卷积S2层得到的16个特征图,每个特征图含10×10个神经元;C3层与S2层之间的连接采取不全连接方式;C3层共16个特征图,其中6个特征图抽取S2层中3个相邻的特征图子集信息;6个特征图抽取S2中4个相邻特征图子集信息;3个抽取不相邻的4个特征图子集信息,1个抽取S2中所有特征图组合信息;C3层一共有1516个可训练参数;
S4降采样层,由16个特征图构成,每个特征图有5×5个神经单元,每个单元与C3中相应特征图的2×2邻域相连接,与C1和S2之间的连接和抽样过程相同;每个特征图有1个权值系数和1个偏置参数,S4层有32个可训练参数;
C5层、RBF层及输出层的结构和神经元数量与CNN1相同。
实施本发明提供的基于深度学习的医疗影像识别系统与现有技术相比具有以下有益效果:通过建立基于深度学习的医疗影像识别模型,在深度学习模型中特征抽取层和降采样层的监督训练实现方法,及通过多层映射单元提取医疗影像中病灶的主要本质信息,具有较高的病灶识别准确率。
附图说明
图1是本发明实施例的基于深度学习的医疗影像识别系统结构框图。
具体实施方式
如图1所示,一种基于深度学习的医疗影像识别系统,其包括如下单元:
模型建立单元,用于建立基于深度学习的医疗影像识别模型;包括:
初始化子单元,用于建立初始卷积网络CNN1;通过500个样本对初始卷积网络CNN1进行训练,初始权重均匀分布在-0.04-0.04中随机参数,网络迭代次数为36次。
第一进化子单元,用于根据网络生长队长对初始卷积网络CNN1进行一次生长得到深度网络CNN2;网络迭代次数为36次。
第二进化子单元,用于再次对深度网络CNN2进行生长得到深度网络CNN3,对CNN3进行训练使得评价误差达到预设指标,且误差收敛速度小于设置阈值;从而得到基于深度学习的医疗影像识别模型。
识别单元,用于输入待识别的医疗影像,并根据基于深度学习的医疗影像识别模型对待识别的医疗影像进行识别,并输出识别结果。
可选地,在本发明实施例所述的基于深度学习的医疗影像识别系统中,模型建立单元中建立初始卷积网络CNN1包括:
建立初始卷积网络CNN1;CNN1包括1个输入层,2级卷积,1个全连接层,1个RBF层和1个输出层,各隐层的空间分辨率逐层递增,特征平面的数量逐层递增,共4级8层结构。
C1层是一个由2个特征图构成的卷积层,是2个大小为5×5的卷积核对输入图像进行卷积获得;特征图的大小为28×28,特征图中每个神经元与输入层中5×5的邻域相连;同一特征图的上的所有神经元共享权值,每个滤波器25个连接权值参数和1个偏置参数,一共2个滤波器,C1层共需训练的参数52个。
S2层是一个由2个14×14的特征图组成的降采样层;S2层特征图中的每个神经元与C1层中相对神经元的2×2并不重叠,因此,S2中每个特征图的大小是C1中特征图大小的1/4;S2层需要训练参数一共有4个。
C3层是一个卷积层,通过3种不同的5×5卷积核去卷积层S2,由3张10×10特征图组成,即每张含10×10个神经元;C3中的每个特征图连接到S2中的所有1个或者2个特征图,表示本层的特征图是上一层提取到的特征图的不同组合,需要训练的权重为103个。
S4层是一个由3张5×5大小的特征图构成的降采样层;特征图中的每个单元与C3中相应特征图的2×2邻域相连接,与C1和S2之间的连接和抽样过程相同;每个特征图1个权值系数和1个偏置,S4层需训练参数为6个。
C5层是一个卷积层,根据输出层和RBF层的神经元数量决定C5层含32个神经元,抽取前一层32个隐性特征;每个神经元与S4层的全部单元的5×5邻域相连。由于S4层特征图的大小与卷积核的大小相同,都为5x5,所以C5特征图的大小为1×1,即每个特征图只含有1个神经元:因此S4和C5之间是全连接。
RBF层由欧式径向基函数单元组成,有16个神经单元,由输出层的设计决定,与C5层全相连;每个输出RBF单元计算输入向量和参数向量之间的欧式距离,采用高斯函数作为基函数。
输出层由6个独立的神经元组成,对应医疗影像中需要辨识出的病灶类型。
可选地,在本发明实施例所述的基于深度学习的医疗影像识别系统中,根据网络生长队长对初始卷积网络CNN1进行一次生长得到深度网络CNN2;网络迭代次数为36次后训练收敛误差大于16%。
可选地,在本发明实施例所述的基于深度学习的医疗影像识别系统中,对深度网络CNN2进行生长得到深度网络CNN3,其中C1层、S2层特征图数量生长为6,C3层、S4层特征图数量匹配生长为16。
可选地,在本发明实施例所述的基于深度学习的医疗影像识别系统中,模型建立单元中深度网络CNN3包括:
C1卷积层,由6个特征图构成,每个特征图含有28×28个神经元,每个神经元分别与输入层即原始图像中对应的5×5邻域相连;Cl共有6个卷积核,每个卷积核有25个连接权值参数和一个偏置参数,一共6个卷积核,共计156个可训练参数;
S2降采样层,有6个特征图,每个特征图含有14×14个神经元,每个单元与C1中相对应特征图的2×2邻域相连接,S2中每个特征图缩小到C1层特征图的1/4大小;S2层一共有12个可训练参数;
C3卷积层,通过16种不同的5×5的卷积核去卷积S2层得到的16个特征图,每个特征图含10×10个神经元;C3层与S2层之间的连接采取不全连接方式;C3层共16个特征图,其中6个特征图抽取S2层中3个相邻的特征图子集信息;6个特征图抽取S2中4个相邻特征图子集信息;3个抽取不相邻的4个特征图子集信息,1个抽取S2中所有特征图组合信息;C3层一共有1516个可训练参数;
S4降采样层,由16个特征图构成,每个特征图有5×5个神经单元,每个单元与C3中相应特征图的2×2邻域相连接,与C1和S2之间的连接和抽样过程相同;每个特征图有1个权值系数和1个偏置参数,S4层有32个可训练参数;
C5层、RBF层及输出层的结构和神经元数量与CNN1相同。
实施本发明提供的基于深度学习的医疗影像识别系统与现有技术相比具有以下有益效果:通过建立基于深度学习的医疗影像识别模型,在深度学习模型中特征抽取层和降采样层的监督训练实现方法,及通过多层映射单元提取医疗影像中病灶的主要本质信息,具有较高的病灶识别准确率。
可以理解的是,对于本领域的普通技术人员来说,可以根据本发明的技术构思做出其它各种相应的改变与变形,而所有这些改变与变形都应属于本发明权利要求的保护范围。
Claims (5)
1.一种基于深度学习的医疗影像识别系统,其特征在于,其包括如下单元:
模型建立单元,用于建立基于深度学习的医疗影像识别模型;包括:
初始化子单元,用于建立初始卷积网络CNN1;通过500个样本对初始卷积网络CNN1进行训练,初始权重均匀分布在-0.04-0.04中随机参数,网络迭代次数为36次;
第一进化子单元,用于根据网络生长队长对初始卷积网络CNN1进行一次生长得到深度网络CNN2;网络迭代次数为36次;
第二进化子单元,用于再次对深度网络CNN2进行生长得到深度网络CNN3,对CNN3进行训练使得评价误差达到预设指标,且误差收敛速度小于设置阈值;从而得到基于深度学习的医疗影像识别模型;
识别单元,用于输入待识别的医疗影像,并根据基于深度学习的医疗影像识别模型对待识别的医疗影像进行识别,并输出识别结果。
2.如权利要求1所述的基于深度学习的医疗影像识别系统,其特征在于,模型建立单元中建立初始卷积网络CNN1包括:
建立初始卷积网络CNN1;CNN1包括1个输入层,2级卷积,1个全连接层,1个RBF层和1个输出层,各隐层的空间分辨率逐层递增,特征平面的数量逐层递增,共4级8层结构;
C1层是一个由2个特征图构成的卷积层,是2个大小为5×5的卷积核对输入图像进行卷积获得;特征图的大小为28×28,特征图中每个神经元与输入层中5×5的邻域相连;同一特征图的上的所有神经元共享权值,每个滤波器25个连接权值参数和1个偏置参数,一共2个滤波器,C1层共需训练的参数52个;
S2层是一个由2个14×14的特征图组成的降采样层;S2层特征图中的每个神经元与C1层中相对神经元的2×2并不重叠,因此,S2中每个特征图的大小是C1中特征图大小的1/4;S2层需要训练参数一共有4个;
C3层是一个卷积层,通过3种不同的5×5卷积核去卷积层S2,由3张10×10特征图组成,即每张含10×10个神经元;C3中的每个特征图连接到S2中的所有1个或者2个特征图,表示本层的特征图是上一层提取到的特征图的不同组合,需要训练的权重为103个;
S4层是一个由3张5×5大小的特征图构成的降采样层;特征图中的每个单元与C3中相应特征图的2×2邻域相连接,与C1和S2之间的连接和抽样过程相同;每个特征图1个权值系数和1个偏置,S4层需训练参数为6个;
C5层是一个卷积层,根据输出层和RBF层的神经元数量决定C5层含32个神经元,抽取前一层32个隐性特征;每个神经元与S4层的全部单元的5×5邻域相连。由于S4层特征图的大小与卷积核的大小相同,都为5x5,所以C5特征图的大小为1×1,即每个特征图只含有1个神经元:因此S4和C5之间是全连接;
RBF层由欧式径向基函数单元组成,有16个神经单元,由输出层的设计决定,与C5层全相连;每个输出RBF单元计算输入向量和参数向量之间的欧式距离,采用高斯函数作为基函数;
输出层由6个独立的神经元组成,对应医疗影像中需要辨识出的病灶类型。
3.如权利要求2所述的基于深度学习的医疗影像识别系统,其特征在于,根据网络生长队长对初始卷积网络CNN1进行一次生长得到深度网络CNN2;网络迭代次数为36次后训练收敛误差大于16%。
4.如权利要求3所述的基于深度学习的医疗影像识别系统,其特征在于,对深度网络CNN2进行生长得到深度网络CNN3,其中C1层、S2层特征图数量生长为6,C3层、S4层特征图数量匹配生长为16。
5.如权利要求4所述的基于深度学习的医疗影像识别系统,其特征在于,
模型建立单元中深度网络CNN3包括:
C1卷积层,由6个特征图构成,每个特征图含有28×28个神经元,每个神经元分别与输入层即原始图像中对应的5×5邻域相连;Cl共有6个卷积核,每个卷积核有25个连接权值参数和一个偏置参数,一共6个卷积核,共计156个可训练参数;
S2降采样层,有6个特征图,每个特征图含有14×14个神经元,每个单元与C1中相对应特征图的2×2邻域相连接,S2中每个特征图缩小到C1层特征图的1/4大小;S2层一共有12个可训练参数;
C3卷积层,通过16种不同的5×5的卷积核去卷积S2层得到的16个特征图,每个特征图含10×10个神经元;C3层与S2层之间的连接采取不全连接方式;C3层共16个特征图,其中6个特征图抽取S2层中3个相邻的特征图子集信息;6个特征图抽取S2中4个相邻特征图子集信息;3个抽取不相邻的4个特征图子集信息,1个抽取S2中所有特征图组合信息;C3层一共有1516个可训练参数;
S4降采样层,由16个特征图构成,每个特征图有5×5个神经单元,每个单元与C3中相应特征图的2×2邻域相连接,与C1和S2之间的连接和抽样过程相同;每个特征图有1个权值系数和1个偏置参数,S4层有32个可训练参数;
C5层、RBF层及输出层的结构和神经元数量与CNN1相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610510583.1A CN106127783A (zh) | 2016-07-01 | 2016-07-01 | 一种基于深度学习的医疗影像识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610510583.1A CN106127783A (zh) | 2016-07-01 | 2016-07-01 | 一种基于深度学习的医疗影像识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127783A true CN106127783A (zh) | 2016-11-16 |
Family
ID=57468012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610510583.1A Pending CN106127783A (zh) | 2016-07-01 | 2016-07-01 | 一种基于深度学习的医疗影像识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127783A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085733A (zh) * | 2017-05-15 | 2017-08-22 | 山东工商学院 | 基于cnn深度学习的近岸红外舰船识别方法 |
CN108010581A (zh) * | 2017-12-01 | 2018-05-08 | 中南大学 | 一种脂溢性角化和扁平疣病种分类方法 |
CN109544544A (zh) * | 2018-11-30 | 2019-03-29 | 长讯通信服务有限公司 | 一种基于深度学习与无人机的移动通信维护对象状态识别方法 |
CN109800865A (zh) * | 2019-01-24 | 2019-05-24 | 北京市商汤科技开发有限公司 | 神经网络生成及图像处理方法和装置、平台、电子设备 |
CN109817310A (zh) * | 2018-12-19 | 2019-05-28 | 中国石油大学(华东) | 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法 |
TWI735187B (zh) * | 2020-03-22 | 2021-08-01 | 萬里雲互聯網路有限公司 | 影像識別方法及其系統 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143102A (zh) * | 2014-08-05 | 2014-11-12 | 四川九成信息技术有限公司 | 在线图像数据处理方法 |
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 |
CN105096279A (zh) * | 2015-09-23 | 2015-11-25 | 成都融创智谷科技有限公司 | 一种基于卷积神经网络的数字图像处理方法 |
CN105117611A (zh) * | 2015-09-23 | 2015-12-02 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及系统 |
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
-
2016
- 2016-07-01 CN CN201610510583.1A patent/CN106127783A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143102A (zh) * | 2014-08-05 | 2014-11-12 | 四川九成信息技术有限公司 | 在线图像数据处理方法 |
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 |
CN105096279A (zh) * | 2015-09-23 | 2015-11-25 | 成都融创智谷科技有限公司 | 一种基于卷积神经网络的数字图像处理方法 |
CN105117611A (zh) * | 2015-09-23 | 2015-12-02 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及系统 |
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
张雯等: "基于局部二值模式和深度学习的人脸识别", 《计算机应用》 * |
王一丁等: "基于深度学习和多尺度编码组合的手背静脉识别", 《北方工业大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085733A (zh) * | 2017-05-15 | 2017-08-22 | 山东工商学院 | 基于cnn深度学习的近岸红外舰船识别方法 |
CN108010581A (zh) * | 2017-12-01 | 2018-05-08 | 中南大学 | 一种脂溢性角化和扁平疣病种分类方法 |
CN108010581B (zh) * | 2017-12-01 | 2021-12-10 | 中南大学 | 一种脂溢性角化和扁平疣病种分类方法 |
CN109544544A (zh) * | 2018-11-30 | 2019-03-29 | 长讯通信服务有限公司 | 一种基于深度学习与无人机的移动通信维护对象状态识别方法 |
CN109817310A (zh) * | 2018-12-19 | 2019-05-28 | 中国石油大学(华东) | 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法 |
CN109800865A (zh) * | 2019-01-24 | 2019-05-24 | 北京市商汤科技开发有限公司 | 神经网络生成及图像处理方法和装置、平台、电子设备 |
CN109800865B (zh) * | 2019-01-24 | 2021-03-23 | 北京市商汤科技开发有限公司 | 神经网络生成及图像处理方法和装置、平台、电子设备 |
TWI735187B (zh) * | 2020-03-22 | 2021-08-01 | 萬里雲互聯網路有限公司 | 影像識別方法及其系統 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | A transfer learning method with deep residual network for pediatric pneumonia diagnosis | |
Prajapati et al. | Classification of dental diseases using CNN and transfer learning | |
AU2017292642B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
CN106127783A (zh) | 一种基于深度学习的医疗影像识别系统 | |
Chen et al. | Standard plane localization in fetal ultrasound via domain transferred deep neural networks | |
US20220028085A1 (en) | Method and system for providing an at least 3-dimensional medical image segmentation of a structure of an internal organ | |
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 | |
Antczak et al. | Stenosis detection with deep convolutional neural networks | |
CN107563434A (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
Bhanumathi et al. | CNN based training and classification of MRI brain images | |
CN113096137B (zh) | 一种oct视网膜图像领域适应分割方法及系统 | |
CN105023023B (zh) | 一种用于计算机辅助诊断的乳腺b超图像特征自学习提取方法 | |
Feng et al. | Convolutional neural network‐based pelvic floor structure segmentation using magnetic resonance imaging in pelvic organ prolapse | |
Lu et al. | Breast cancer detection based on merging four modes MRI using convolutional neural networks | |
Patel | An overview and application of deep convolutional neural networks for medical image segmentation | |
KR102545906B1 (ko) | 학습 모델을 이용한 데이터 처리 방법 | |
Chen et al. | Automatic 3D mitral valve leaflet segmentation and validation of quantitative measurement | |
Mostafa et al. | Artificial Bee colony based segmentation for CT liver images | |
Amrehn et al. | Interactive neural network robot user investigation for medical image segmentation | |
Marone et al. | Learning the lumen border using a convolutional neural networks classifier | |
Wu et al. | Heart motion tracking on cine MRI based on a deep Boltzmann machine-driven level set method | |
CN109247914A (zh) | 病症数据获取方法和装置 | |
Lasek | The impact of data preprocessing on the accuracy of CNN-based heart segmentation | |
Zhuang et al. | WSAN: An Effective Model of Weakly Supervised Similarity Analysis Network for the Lung CT Images | |
Bennström et al. | Automated 3d bone segmentation using deep learning in scoliosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161116 |