CN106203432B - 一种基于卷积神经网显著性图谱的感兴趣区域的定位系统 - Google Patents
一种基于卷积神经网显著性图谱的感兴趣区域的定位系统 Download PDFInfo
- Publication number
- CN106203432B CN106203432B CN201610561426.3A CN201610561426A CN106203432B CN 106203432 B CN106203432 B CN 106203432B CN 201610561426 A CN201610561426 A CN 201610561426A CN 106203432 B CN106203432 B CN 106203432B
- Authority
- CN
- China
- Prior art keywords
- layer
- map
- output
- neural network
- expression
- 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.)
- Active
Links
Images
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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网显著性图谱的感兴趣区域的定位系统,包括标注样本模块、用于提取显著性图谱的深度卷积神经网络、显著性图谱提取模块、定位图谱生成模块、病灶定位模块。该发明系统采用定性级标定样本、收敛的深度卷积神经网络模型和显著性图谱的结合,能实现基于医疗影像大数据情况下的智能学习分析,来定位医学影像中具有特定属性的感兴趣区域。该发明系统降低了标定样本工作量及成本,并且能高效精准的定位病灶位置,来协助医生作出医学影像的诊疗评估。
Description
技术领域
本发明属于医学影像智能分析领域,主要涉及一种基于卷积神经网显著性图谱的感兴趣区域的定位系统。
背景技术
随着医学成像技术和计算机技术的飞速发展,越来越多的人体生理、结构、功能等信息被以医学影像的方式呈现给医生,帮助医生进行疾病的分析和诊断。将日益增长的医学影像数据加以合理的利用,并结合最尖端的人工智能技术,为医生提供更快速,精准的计算机辅助诊断,是现阶段需要实现的首要目标。
现有计算机辅助诊断中的智能算法,依赖于传统的机器学习分类模型以及用于数据降维而巧妙设计的特征提取工程。然而在日益增长的大数据面前以及实际的应用场景下,传统的算法,愈发无法满足实际的诊断需求。
最近,以深度学习为代表的一类人工智能算法,在计算机视觉任务上,取得了突破性的进展。深度卷积神经网络模型(CNN),作为深度学习最为成功的模型之一,其集特征提取与分类模型为一体,在有监督的机器学习任务上,具有良好的表现。
然而,在已有的监督学习框架下,训练一个感兴趣区域(ROI)的检测器,用于ROI的定位,是需要大量定位级的人工标定样本,这样的标定工作耗时,费力,成本巨大。
因此,本发明方法提出了基于卷积神经网显著性图谱的感兴趣区域的定位系统来定位医学影像中具有特定属性的感兴趣区域。该属性包含但不限于受试者的疾病,生理部位,自我感官上的语言描述,以及影像上的纹理、形状、分布、区域等。该方法能实现基于医疗影像大数据情况下的智能学习分析,并提供具有特定属性的感兴趣区域的精准定性和定位预测;同时,该方法不需要提供定位级的样本标定,降低成本,可以更快地协助医生定位感兴趣区域,对医学影像做出诊疗评估。
发明内容
本发明提供一种基于卷积神经网显著性图谱的感兴趣区域的定位系统,旨在解决传统的ROI定位级标定样本的工作量大、成本高、定位病灶精确度低的问题。
本发明仅通过ROI定性级标定的样本库,训练可用于ROI定性分类的卷积神经网络模型,根据网络模型中训练出来的权重参数,提取视觉显著性图谱,进而用于ROI的定位。该发明方法标定样本工作耗时少、成本低、能够高效精准的寻找病灶位置。
本发明通过以下技术方案实施:一种基于卷积神经网显著性图谱的感兴趣区域的定位系统,包括以下内容:
包括:标注样本模块、用于提取显著性图谱的深度卷积神经网络、显著性图谱提取模块、定位图谱生成模块、病灶定位模块;
所述标注样本模块对医学影像按其感兴趣区域ROI所代表的的属性进行分类标注,得到病灶属性类别训练集;
所述用于提取显著性图谱的深度卷积神经网络采用Y=F(x)=F(n)°F(n-1)°…°F(1)(X)的深度卷积神经网络为初始模型,将样本数据输入初始模型,得到输出值,然后将输出值通过损失函数计算误差、反传计算梯度、更新权重的训练,通过对样本数据的反复迭代训练,寻求全局最小误差,得到最终的收敛的模型y=f(x);
所述显著性图谱提取模块用于将受试者样本(x0,y0),输入到训练完毕的CNN模型y=f(x)中,前传得到每个类的预测值,再将预测值经过保留最大值,其他值赋予零Max-left处理后,反传计算得到梯度图,然后根据梯度图在每个通道上的最大绝对值,提取视觉显著性图谱;所述定位图谱生成模块通过选择阈值,对显著性图谱二值化,得到病灶的定位图谱;
所述病灶定位模块根据定位图谱与原始图像,定位医学影像中病灶所在位置。
所述ROI所代表的属性包括但不限于影像上的纹理、形状、分布、区域,受试者的疾病、受试者的生命体征、受试者的生理部位。
所述深度卷积神经网络Y=F(x)=F(n)°F(n-1)°…°F(1)(X)的模型,其中的F(1),F(2),...,F(n)是对应多层神经网络模型中第n层网络的变换函数,而网络的第k层的变换函数可以属于如下之一:卷积层,激活层,池化层,归一化层,全连层和输出层。
上文所述卷积层、激活层、池化层、归一化层、全连层、输出层的表达式可以根据具体视觉任务进行筛选组合,架构合适的网络模型,各层表达式分别为:
A、卷积层的表达式:
y=fReLU(x)=max(x,0)
y=fsoftplus(x)=log(1+ex)
式中,x和y分别是输入和输出数据;
B、池化层的表达式:
C、归一化层的表达式:
D、全连层的表达式:
式中,xi是输入向量中的第i个神经元,yj是一个输出向量中的第j个神经元,w是一个全连层中的权重参数,b是偏置参数;
E、输出层的表达式:
式中,xi是输入的第i个神经元,K是总类数,pi是第i类的输出得分。
所述的损失函数计算误差的表达式为:Yloss=L(Y),其中的L(Y)有三种方案进行选择,如下(a)、(b)、(c)三个公式所示:
式中,Yj和分别是实际输出和真实标签的第j个神经元的值,K是输出神经元的总个数(分类的类数);
式中,Yj和分别是实际输出和真实标签的第j个神经元的值,K是输出神经元的总个数(分类的类数)。
所述的更新权重的训练方法包括但不限于随机梯度下降法、最速梯度下降法、牛顿法、拟牛顿法、共轭梯度法、动量法、自适应梯度法等。
当第k层f(k)为激活层时,其表达式:
当第k层f(k)为最大值池化层时,其表达式:gs(k)=f(k)=maxt∈φs gt(k-1),其中,gs(k)为g(k)的第s个元素,gt(k-1)为g(k-1)中第t个元素,φs为s在池化前所对应的空间的相邻元素的位置集,h为gt∈φs(k-1)中最大值在φs空间中的位置,那么
所述的梯度图在每个通道上的最大绝对值的表达式为:M0=Max|w0|。
与现有技术相比,本发明具有以下有益效果:
1、在不需要ROI定位级标定的样本库的情况下,只用ROI定性级标定的样本库,训练可用于ROI定性分类的卷积神经网络模型,根据网络模型中训练出来的权重参数,提取视觉显著性图谱,进而用于ROI的定位;
2、本发明方法采用ROI定性级标定样本,能够降低标定样本的工作量;收敛的深度卷积神经网络模型和显著性图谱的结合,能够扩大寻找感兴趣区域的范围,实现了在实际应用场景下的大规模数据分析、快速准确的寻找医学影像的病灶,更好更快的协助医生做出医学诊断。
附图说明
图1本发明方法的流程图。
图2为本发明方法的体统整体流程图。
图3为本发明方法的实施例图:其中,3a.气胸切片;3b.图2a所对应的显著性图谱;3c.显著性图谱二值化后用于ROI分割;3d.ROI的边界图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实例,并参照详细附图,对本发明进一步详细说明。但所描述的实施例子仅旨在便于对本发明的理解,而对其不起任何限定作用。
以下以肺部CT图像上低密度灶的自动定位作为实施例,本实施例的基于卷积神经网显著性图谱的感兴趣区域的定位系统,包括:
标注样本模块:对尺寸为512*512的低剂量肺部CT图像进行筛选,分为有低密度灶和无低密度灶的图像,分别建立样本库。
用于提取显著性图谱的深度神经网络:训练一个深度卷积神经网络模型直至收敛,方法如下:
(1)构建一个深度卷积神经网络模型,对两个样本库分别进行训练。
模型的参数选择如下表所示:
(2)深度卷积神经网络模型的训练。
为寻求全局最小误差,得到一个最优的深度卷积神经网络模型,本实施例的深度卷积神经网络模型的训练网络选用交叉熵误差作为损失函数,并使用梯度下降法。将两个肺部CT图像样本库在本实施例的模型中进行迭代训练。
学习速率初始化为0.001,若连续两次发生验证集错误率上升的情况,则把模型参数还原到2个循环之前,并把学习速度除以2,然后继续训练。当学习速率下降7次之后,停止训练。
显著性图谱提取模块:对于一个测试样本,输入到网络中,最后网络会给出2个输出值,如果第一个输出值大于第二个输出值,则该样本为有低密度灶;反之,则该样本无低密度灶。
如图3所示,这是一张气胸病人的CT切片(3a),上面有明显的大片区域的低密度灶,输入神经网络之后,输出层给出的输出分别为0.9992和0.0008。把输出层前一层,即全连层最后一层的输出[7.37,0.08],取最大值留下,其他则赋零,即为[7.37,0]。把这个组值作为误差,利用误差反向传播算法回传,则输入层的梯度图即是输入图像所对应的显著性图谱(3b)。
定位图谱生成模块,包括:定位病灶:取梯度图中最大值的0.8倍作为阈值,把梯度图二值化,就得到ROI区域的分割图(3c),最后根据分割图,把原图中的ROI的边界画出来(3d)。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于卷积神经网显著性图谱的感兴趣区域的定位系统,其特征在于,包括:标注样本模块、用于提取显著性图谱的深度卷积神经网络、显著性图谱提取模块、定位图谱生成模块、病灶定位模块;
所述标注样本模块对医学影像按其感兴趣区域ROI所代表的的属性进行分类标注,得到病灶属性类别训练集;
所述用于提取显著性图谱的深度卷积神经网络采用Y=F(x)=F(n)°F(n-1)°…°F(1)(X)的深度卷积神经网络为初始模型,其中的F(1),F(2),...,F(n)是对应多层神经网络模型中第n层网络的变换函数,将样本数据输入模型,得到输出值,然后将输出值通过损失函数计算误差、反传计算梯度、更新权重的训练,通过对样本数据的反复迭代训练,寻求全局最小误差,得到最终的收敛的模型y=f(x);
所述梯度图函数在卷积层、激活层、最大值池化层中,其表达式为:
当第k层f(k)为最大值池化层时,其表达式:gs(k)=f(k)=maxt∈φsgt(k-1),式中,gs(k)为g(k)中第s个元素,gt(k-1)为g(k-1)中第t个元素,φs为s在池化前所对应的空间的相邻元素的位置集,h为gt∈φs(k-1)中最大值在φs空间中的位置,那么
所述梯度图在每个通道上的最大绝对值的表达式为:M0=Max|w0|;
所述显著性图谱提取模块用于将受试者样本(x0,y0),输入到训练完毕的CNN模型y=f(x)中,前传得到每个类的预测值,再将预测值经过保留最大值,其他值赋予零Max-left处理后,反传计算得到梯度图,然后根据梯度图在每个通道上的最大绝对值,提取视觉显著性图谱;
所述定位图谱生成模块通过选择阈值,对显著性图谱二值化,得到病灶的定位图谱;
所述病灶定位模块根据定位图谱与原始图像,定位医学影像中病灶所在位置。
2.根据权利要求1所述的一种基于卷积神经网显著性图谱的感兴趣区域的定位系统,其特征在于,所述ROI所代表的属性包括但不限于影像上的纹理、形状、分布、区域,受试者的疾病、受试者的生命体征、受试者的生理部位。
3.根据权利要求1所述的一种基于卷积神经网显著性图谱的感兴趣区域的定位系统,其特征在于,所述深度卷积神经网络Y=F(x)=F(n)°F(n-1)°…°F(1)(X)的初始模型,网络的第k层的变换函数可以属于如下之一:卷积层,激活层,池化层,归一化层,全连层和输出层。
4.根据权利要求3所述的一种基于卷积神经网显著性图谱的感兴趣区域的定位系统,其特征在于,所述卷积层、激活层、池化层、归一化层、全连层、输出层的表达式可以根据具体视觉任务进行筛选组合,架构合适的网络模型,各层表达式分别为:
卷积层的表达式:
y=fReLU(x)=max(x,0)
y=fsoftplus(x)=log(1+ex)
式中,x和y分别是输入和输出数据;
B、池化层的表达式:
C、归一化层的表达式:
D、全连层的表达式:
式中,xi是输入向量中的第i个神经元,yj是一个输出向量中的第j个神经元,w是一个全连层中的权重参数,b是偏置参数;
E、输出层的表达式:
式中,xi是输入的第i个神经元,K是总类数,pi是第i类的输出得分。
6.根据权利要求1所述的一种基于卷积神经网显著性图谱的感兴趣区域的定位系统,其特征在于,所述更新权重的训练系统包括随机梯度下降法、最速下降法、牛顿法、拟牛顿法、共轭梯度法、动量法、自适应梯度法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610561426.3A CN106203432B (zh) | 2016-07-14 | 2016-07-14 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610561426.3A CN106203432B (zh) | 2016-07-14 | 2016-07-14 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106203432A CN106203432A (zh) | 2016-12-07 |
CN106203432B true CN106203432B (zh) | 2020-01-17 |
Family
ID=57475623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610561426.3A Active CN106203432B (zh) | 2016-07-14 | 2016-07-14 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203432B (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780460B (zh) * | 2016-12-13 | 2019-11-08 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107103590B (zh) * | 2017-03-22 | 2019-10-18 | 华南理工大学 | 一种基于深度卷积对抗生成网络的图像反射去除方法 |
CN107871136A (zh) * | 2017-03-22 | 2018-04-03 | 中山大学 | 基于稀疏性随机池化的卷积神经网络的图像识别方法 |
CN107170011B (zh) * | 2017-04-24 | 2019-12-17 | 杭州艾芯智能科技有限公司 | 一种机器人视觉跟踪方法及系统 |
CN107239666B (zh) * | 2017-06-09 | 2020-10-09 | 孟群 | 一种对医疗影像数据进行脱敏处理的方法及系统 |
CN107292257A (zh) * | 2017-06-14 | 2017-10-24 | 深圳先进技术研究院 | 基于深度学习的身体部位自动识别磁共振扫描方法与装置 |
CN107346436B (zh) * | 2017-06-29 | 2020-03-24 | 北京以萨技术股份有限公司 | 一种融合图像分类的视觉显著性检测方法 |
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 |
CN107516317B (zh) * | 2017-08-18 | 2021-04-27 | 上海海洋大学 | 一种基于深度卷积神经网络的sar影像海冰分类方法 |
CN107464230B (zh) * | 2017-08-23 | 2020-05-08 | 京东方科技集团股份有限公司 | 图像处理方法及装置 |
CN117115548A (zh) * | 2017-09-12 | 2023-11-24 | 南托米克斯有限责任公司 | 组织级别的全视野数字切片的基于小样品学习的图像识别 |
CN107607554A (zh) * | 2017-09-26 | 2018-01-19 | 天津工业大学 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
CN107977628B (zh) * | 2017-12-01 | 2020-01-14 | 北京旷视科技有限公司 | 神经网络训练方法、人脸检测方法及人脸检测装置 |
CN107967946B (zh) * | 2017-12-21 | 2021-05-11 | 武汉楚精灵医疗科技有限公司 | 基于深度学习的胃镜操作实时辅助系统及方法 |
CN108446741B (zh) * | 2018-03-29 | 2020-01-07 | 中国石油大学(华东) | 机器学习超参数重要性评估方法、系统及存储介质 |
CN109189915B (zh) * | 2018-09-17 | 2021-10-15 | 重庆理工大学 | 一种基于深度相关匹配模型的信息检索方法 |
WO2020073310A1 (en) * | 2018-10-12 | 2020-04-16 | Nokia Technologies Oy | Method and apparatus for context-embedding and region-based object detection |
CN109544510B (zh) * | 2018-10-24 | 2021-10-26 | 广州大学 | 一种基于卷积神经网络的三维肺结节识别方法 |
CN109492580B (zh) * | 2018-11-08 | 2020-08-07 | 北方工业大学 | 一种基于全卷积网络的邻域显著性参照的多尺寸航拍图像定位方法 |
CN109460756B (zh) * | 2018-11-09 | 2021-08-13 | 天津新开心生活科技有限公司 | 医学影像处理方法、装置、电子设备及计算机可读介质 |
EP3654248A1 (en) * | 2018-11-19 | 2020-05-20 | Siemens Aktiengesellschaft | Verification of classification decisions in convolutional neural networks |
CN109919912A (zh) * | 2019-01-28 | 2019-06-21 | 平安科技(深圳)有限公司 | 一种医学影像的质量评价方法和装置 |
CN110136103B (zh) * | 2019-04-24 | 2024-05-28 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN110264465A (zh) * | 2019-06-25 | 2019-09-20 | 中南林业科技大学 | 一种基于形态学和深度学习的主动脉夹层动态检测方法 |
CN110298366B (zh) * | 2019-07-05 | 2021-05-04 | 北华航天工业学院 | 农作物分布提取方法及装置 |
CN112489769B (zh) * | 2019-08-22 | 2024-05-17 | 浙江远图技术股份有限公司 | 基于深度神经网络的慢性病智慧中医诊断与药物推荐系统 |
CN111383328B (zh) * | 2020-02-27 | 2022-05-20 | 西安交通大学 | 一种面向乳腺癌病灶的3d可视化方法及系统 |
US11610316B2 (en) * | 2020-03-06 | 2023-03-21 | Siemens Healthcare Gmbh | Method of computing a boundary |
CN112634206A (zh) * | 2020-12-09 | 2021-04-09 | 上海健康医学院 | 一种pet图像的病灶检测方法、系统、装置及存储介质 |
CN114974522A (zh) * | 2022-07-27 | 2022-08-30 | 中国医学科学院北京协和医院 | 医学影像处理方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010027476A1 (en) * | 2008-09-03 | 2010-03-11 | Rutgers, The State University Of New Jersey | System and method for accurate and rapid identification of diseased regions on biological images with applications to disease diagnosis and prognosis |
CN102567731A (zh) * | 2011-12-06 | 2012-07-11 | 北京航空航天大学 | 一种感兴趣区域提取方法 |
CN105243398A (zh) * | 2015-09-08 | 2016-01-13 | 西安交通大学 | 基于线性判别分析准则的改进卷积神经网络性能的方法 |
CN105930841A (zh) * | 2016-05-13 | 2016-09-07 | 百度在线网络技术(北京)有限公司 | 对图像进行自动语义标注的方法、装置与计算机设备 |
-
2016
- 2016-07-14 CN CN201610561426.3A patent/CN106203432B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010027476A1 (en) * | 2008-09-03 | 2010-03-11 | Rutgers, The State University Of New Jersey | System and method for accurate and rapid identification of diseased regions on biological images with applications to disease diagnosis and prognosis |
CN102567731A (zh) * | 2011-12-06 | 2012-07-11 | 北京航空航天大学 | 一种感兴趣区域提取方法 |
CN105243398A (zh) * | 2015-09-08 | 2016-01-13 | 西安交通大学 | 基于线性判别分析准则的改进卷积神经网络性能的方法 |
CN105930841A (zh) * | 2016-05-13 | 2016-09-07 | 百度在线网络技术(北京)有限公司 | 对图像进行自动语义标注的方法、装置与计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106203432A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203432B (zh) | 一种基于卷积神经网显著性图谱的感兴趣区域的定位系统 | |
CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
WO2020215984A1 (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
Jin et al. | A deep 3D residual CNN for false‐positive reduction in pulmonary nodule detection | |
JP7208408B2 (ja) | 検出モデルのトレーニング方法、装置、コンピュータデバイス及びコンピュータプログラム | |
WO2018010434A1 (zh) | 一种图像分类方法及装置 | |
WO2019200747A1 (zh) | 分割股骨近端的方法、装置、计算机设备和存储介质 | |
Solovyev et al. | 3D convolutional neural networks for stalled brain capillary detection | |
CN111242208A (zh) | 一种点云分类方法、分割方法及相关设备 | |
CN106408610A (zh) | 用边缘空间深度神经网络进行解剖对象检测的方法和系统 | |
Li et al. | A deep learning-based computer-aided diagnosis method of X-ray images for bone age assessment | |
Li et al. | Attention, suggestion and annotation: a deep active learning framework for biomedical image segmentation | |
CN106599549A (zh) | 一种计算机辅助诊断系统、方法及其医疗系统 | |
CN106296734B (zh) | 基于极限学习机和boosting多核学习的目标跟踪方法 | |
CN115359074B (zh) | 基于超体素聚类及原型优化的图像分割、训练方法及装置 | |
Shetty et al. | Deep learning algorithms and applications in computer vision | |
Shu et al. | LVC-Net: Medical image segmentation with noisy label based on local visual cues | |
CN116129141A (zh) | 医学数据处理方法、装置、设备、介质和计算机程序产品 | |
CN115760874A (zh) | 一种基于联合空间域的多尺度U-Net医学图像分割方法 | |
Xiao et al. | Boosting and rectifying few-shot learning prototype network for skin lesion classification based on the internet of medical things | |
WO2023108873A1 (zh) | 一种脑网络和脑成瘾连接计算方法及装置 | |
CN117788810A (zh) | 一种无监督语义分割的学习系统 | |
Zhang et al. | A method of deep belief network image classification based on probability measure rough set theory | |
Sujatha et al. | Enhancing Object Detection with Mask R-CNN: A Deep Learning Perspective | |
Lin et al. | LA-Net: LSTM and attention based point cloud down-sampling and its application |
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 | ||
CP02 | Change in the address of a patent holder |
Address after: 311200 floor 4-6, East Building e, Hangzhou Bay Information Port, Xiaoshan District, Hangzhou City, Zhejiang Province Patentee after: HANGZHOU JIANPEI TECHNOLOGY Co.,Ltd. Address before: 310018, No. 3, No. 3, No. 4, Hangzhou economic and Technological Development Zone, Zhejiang, Hangzhou Patentee before: HANGZHOU JIANPEI TECHNOLOGY Co.,Ltd. |
|
CP02 | Change in the address of a patent holder |