CN106326931A - 基于深度学习的乳腺钼靶图像自动分类方法 - Google Patents

基于深度学习的乳腺钼靶图像自动分类方法 Download PDF

Info

Publication number
CN106326931A
CN106326931A CN201610726100.1A CN201610726100A CN106326931A CN 106326931 A CN106326931 A CN 106326931A CN 201610726100 A CN201610726100 A CN 201610726100A CN 106326931 A CN106326931 A CN 106326931A
Authority
CN
China
Prior art keywords
size
convolutional neural
neural network
network model
classification
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
Application number
CN201610726100.1A
Other languages
English (en)
Inventor
徐军
季卫萍
郎彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201610726100.1A priority Critical patent/CN106326931A/zh
Publication of CN106326931A publication Critical patent/CN106326931A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于深度学习的乳腺钼靶图像自动分类方法，包括以下步骤：一，利用不同尺寸滑动窗口在乳腺钼靶图像中癌变区域和正常区域中选取正方形图像块，针对不同尺寸的图像块构建对应于每个尺寸的训练样本集和测试样本集；二，建立对应每个尺寸的卷积神经网络模型，利用各尺寸的训练样本集对模型进行训练；三，利用各尺寸的测试样本集测试对应卷积神经网络模型的准确率，选取准确率最高对应尺寸的卷积神经网络模型；四，利用选取的卷积神经网络模型提取全连接层特征；五，将提取的特征输入线性SVM分类器进行分类，得到图像块的分类类别。本发明提取卷积神经网络模型中全连接层特征作为图像块的分类特征，提高分类的速度和准确度。

Description

基于深度学习的乳腺钼靶图像自动分类方法
技术领域
本发明涉及一种基于深度学习和线性分类器的乳腺钼靶图像自动分类方法，属于图像信息处理技术领域。
背景技术
目前，钼靶图像在乳腺肿瘤的初期筛查中具有很大的作用。在钼靶图像中，肿瘤区域的形状并不相同，有不规则的圆形，也有辐射形形状。区分正常区域和肿瘤区域是肿瘤诊断的关键，传统的方法是依靠病理医生人工筛查，不仅工作量大，而且每个医生的评价标准存在较大的不一致性。如何寻找一个有效的描述子(特征)去描述属于正常区域和肿瘤区域之间的差别，是肿瘤诊断领域急需要解决的问题。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种基于深度学习的乳腺钼靶图像自动分类方法，解决了现有技术中人工分类效率低、精度差的技术问题。
为解决上述技术问题，本发明提供了一种基于深度学习的乳腺钼靶图像自动分类方法，其特征是，包括以下步骤：
步骤一，利用不同尺寸滑动窗口在乳腺钼靶图像中癌变区域和正常区域中选取正方形图像块，针对不同尺寸的图像块构建对应于每个尺寸的训练样本集和测试样本集；
步骤二，建立对应每个尺寸的卷积神经网络模型，利用各尺寸的训练样本集对模型进行训练；
步骤三，利用各尺寸的测试样本集测试对应卷积神经网络模型的准确率，选取准确率最高对应尺寸的卷积神经网络模型；
步骤四，利用选取的卷积神经网络模型提取全连接层特征；
步骤五，将提取的特征输入线性SVM分类器进行分类，得到图像块的分类类别。
进一步的，步骤一中，滑动窗口的尺寸边长分别为300像素、200像素和100像素。
进一步的，卷积神经网络模型包括5层卷积层和3层池化层。
进一步的，卷积神经网络模型中激活函数采用ReLU函数。
进一步的，特征包括LBP特征、GIST特征及两者分别与全连接层提取的特征的融合特征。
与现有技术相比，本发明所达到的有益效果是：本发明方法采取滑动窗口取图像块来归一化尺寸大小，提取卷积神经网络模型中全连接层特征作为图像块的分类特征，提高分类的速度和准确度，并且分类的输出值直接对应于类别，这样的点对点，端对端的网络模型极大地提高识别的精度。
附图说明
图1是本发明方法的流程示意图。
图2是本发明方法中乳腺钼靶图像取图像块示意图。
图3是本发明实施例中卷积神经网络的训练结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1至图3所示，本发明的一种基于深度学习的乳腺钼靶图像自动分类方法，其特征是，包括以下步骤：
步骤一，利用不同尺寸滑动窗口在乳腺钼靶图像中癌变区域和正常区域中选取正方形图像块，针对不同尺寸的图像块构建对应于每个尺寸的训练样本集和测试样本集；
本实施例中选取包含多种癌症类型数据的乳腺钼靶图像库(DDSM)作为历史数据。这些数据都是由经验丰富的病理医生标注。乳腺钼靶图像中标记的癌变区域包含了肿块、钙化点以及少部分的结构扭曲的数据，每个病例图像都包含四张图像，不同病例中图像的尺寸不尽相同，并且同种类的癌症类型在尺寸纹理上具有很大的差异性。根据这些标记在乳腺钼靶图像中规则选取正方形的图像块，如图2所示，采用滑动窗口的尺寸边长分别为300像素、200像素和100像素，根据不同尺寸图像块的数量分别构建对应于每个尺寸的训练样本集和测试样本集，本实施例中建立三个尺寸的数据集如表1所示：同一尺寸的测试样本集中癌变区域和正常区域中图像块数相同。
表1：三个尺寸的训练样本集和测试样本集
步骤二，建立对应每个尺寸的卷积神经网络模型，利用各尺寸的训练样本集对模型进行训练；
卷积神经网络模型结构框图如图1和图3所示，现有技术中卷积神经网络模型包括输入层、多层卷积层与池化层、全连层和输出层。
此实施例中卷积神经网络模型的训练过程中，包括5层卷积层、3层池化层来提取特征，输入层为图像块的像素，输出层为图像块的分类结果，即癌变或者正常。激活函数采用ReLU函数，其优点在于在训练梯度下降时，ReLU比传统激活函数(如sigmoid、tanh以及softsign激活函数)具备更快的收敛速度，进而减少了训练时间。
本实施例中分别用三个尺寸的训练样本集对卷积神经网络模型进行训练，训练模型中包括5层卷积层和3层池化层，每层卷积层及池化层的通道数、尺寸、步长的参数见表2。
表2：训练的参数
层数 操作 通道数 尺寸 步长 激活函数
1 输入层 单通道 - - -
2 卷积层 96 11 4 ReLU
3 池化层 96 3 2 -
4 卷积层 256 5 1 ReLU
5 池化层 256 3 2 -
6 卷积层 384 3 1 ReLU
7 卷积层 384 3 1 ReLU
8 卷积层 256 3 2 ReLU
9 池化层 256 3 2 -
10 全连接层 3072 - - ReLU
11 全连接层 2048 - - ReLU
12 输出层 2 - - -
步骤三，利用各尺寸的测试样本集测试对应卷积神经网络模型的准确率，选取准确率最高对应尺寸的卷积神经网络模型；
本实施例中利用三个尺寸的测试样本集测试上一步骤中训练好的模型，经测试，200*200像素对应的卷积神经网络模型的准确率最高，因此选取200*200像素对应的此卷积神经网络模型作为分类目标。
步骤四，利用选取的卷积神经网络模型提取全连接层特征；
将200*200像素对应的卷积神经网络模型提取200*200图像块的全连接层的特征。
步骤五，将提取的特征输入线性SVM分类器进行分类，得到图像块的分类类别。
利用线性SVM分类器对全连接层提取的特征进行分类，最终得到每个图像块的分类结果，即分类类别包括癌变和正常，输出值为0代表此图像块为正常，输出值为1代表此图像块为癌变。
本实施例中将现有技术中常用的低维特征LBP(局部二值模式)、GIST(纹理特征)与本发明中全连接层提取的特征的分类的结果进行对比，如表3所示，其中低维特征LBP、GIST的获取参见现有技术，高维特征L5、L6、L7是指上述模型中的三层全连接层(表2中卷积层的最后一层和两层全连接层)提取的特征。分类结果以准确率和AUC(Area under Curve)为衡量标准。AUC：介于0.1和1之间，AUC作为数值可以直观的评价分类器的好坏，值越大越好。根据不同的特征使用相同分类器的分类结果如表3。由表3中可知，利用高维特征来进行分类，分类的准确率和AUC值明显高于现有技术中的低维特征。
进一步的，可采用低维特征和高维特征融合得到的新特征来进行分类，如表3所示，融合特征包括GIST与L5(L6、L7)的融合、LBP与L5(L6、L7)的融合以及GIST、LBP与L5(L6、L7)的融合，由表3中可知，利用高、低维特征的融合特征来进行分类，分类的准确率和AUC值明显高于现有技术中的低维特征。
表3：分类器的准确率及AUC值
综上所述，本发明方法采取滑动窗口取图像块来归一化尺寸大小，提取卷积神经网络模型中全连接层特征作为图像块的分类特征，提高分类的速度和准确度，并且分类的输出值直接对应于类别，这样的点对点，端对端的网络模型极大地提高识别的精度。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (5)

1.基于深度学习的乳腺钼靶图像自动分类方法，其特征是，包括以下步骤：
步骤一，利用不同尺寸滑动窗口在乳腺钼靶图像中癌变区域和正常区域中选取正方形图像块，针对不同尺寸的图像块构建对应于每个尺寸的训练样本集和测试样本集；
步骤二，建立对应每个尺寸的卷积神经网络模型，利用各尺寸的训练样本集对模型进行训练；
步骤三，利用各尺寸的测试样本集测试对应卷积神经网络模型的准确率，选取准确率最高对应尺寸的卷积神经网络模型；
步骤四，利用选取的卷积神经网络模型提取全连接层特征；
步骤五，将提取的特征输入线性SVM分类器进行分类，得到图像块的分类类别。
2.根据权利要求1所述的基于深度学习的乳腺钼靶图像自动分类方法，其特征是，步骤一中，滑动窗口的尺寸边长分别为300像素、200像素和100像素。
3.根据权利要求1所述的基于深度学习的乳腺钼靶图像自动分类方法，其特征是，卷积神经网络模型包括5层卷积层和3层池化层。
4.根据权利要求3所述的基于深度学习的乳腺钼靶图像自动分类方法，其特征是，卷积神经网络模型中激活函数采用ReLU函数。
5.根据权利要求1所述的基于深度学习的乳腺钼靶图像自动分类方法，其特征是，步骤五中特征包括LBP特征、GIST特征及两者分别与全连接层提取的特征的融合特征。
CN201610726100.1A 2016-08-25 2016-08-25 基于深度学习的乳腺钼靶图像自动分类方法 Pending CN106326931A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610726100.1A CN106326931A (zh) 2016-08-25 2016-08-25 基于深度学习的乳腺钼靶图像自动分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610726100.1A CN106326931A (zh) 2016-08-25 2016-08-25 基于深度学习的乳腺钼靶图像自动分类方法

Publications (1)

Publication Number Publication Date
CN106326931A true CN106326931A (zh) 2017-01-11

Family

ID=57790953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610726100.1A Pending CN106326931A (zh) 2016-08-25 2016-08-25 基于深度学习的乳腺钼靶图像自动分类方法

Country Status (1)

Country Link
CN (1) CN106326931A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874687A (zh) * 2017-03-03 2017-06-20 深圳大学 病理切片图像智能分类方法及装置
CN106951928A (zh) * 2017-04-05 2017-07-14 广东工业大学 一种甲状腺乳头状癌的超声图像识别方法及装置
CN107239759A (zh) * 2017-05-27 2017-10-10 中国科学院遥感与数字地球研究所 一种基于深度特征的高空间分辨率遥感图像迁移学习方法
CN107358611A (zh) * 2017-06-28 2017-11-17 南京信息工程大学 一种全景扫描病理图像转移区域的自动分割方法
CN107507286A (zh) * 2017-08-02 2017-12-22 五邑大学 一种基于人脸和手写签名的双模态生物特征签到系统
CN107516317A (zh) * 2017-08-18 2017-12-26 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
CN108021936A (zh) * 2017-11-28 2018-05-11 天津大学 一种基于卷积神经网络vgg16的乳腺肿瘤分类算法
CN108416360A (zh) * 2018-01-16 2018-08-17 华南理工大学 基于乳腺钼靶钙化特征的癌症诊断系统及方法
WO2018157381A1 (zh) * 2017-03-03 2018-09-07 深圳大学 病理切片图像智能分类方法及装置
CN108830282A (zh) * 2018-05-29 2018-11-16 电子科技大学 一种乳腺x光图像的乳腺肿块信息提取及分类方法
CN108898160A (zh) * 2018-06-01 2018-11-27 中国人民解放军战略支援部队信息工程大学 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法
CN109214433A (zh) * 2018-08-20 2019-01-15 福建师范大学 一种卷积神经网络区分肝癌分化等级的方法
CN109285147A (zh) * 2018-08-30 2019-01-29 北京深睿博联科技有限责任公司 用于乳腺钼靶钙化检测的图像处理方法及装置、服务器
CN109363697A (zh) * 2018-10-16 2019-02-22 杭州依图医疗技术有限公司 一种乳腺影像病灶识别的方法及装置
CN109589127A (zh) * 2018-10-29 2019-04-09 深圳先进技术研究院 电子计算机断层扫描前端设备、系统、方法及存储介质
CN109635835A (zh) * 2018-11-08 2019-04-16 深圳蓝韵医学影像有限公司 一种基于深度学习与迁移学习的乳腺病变区域检测方法
CN109785320A (zh) * 2019-01-28 2019-05-21 太原理工大学 一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法
CN111598862A (zh) * 2020-05-13 2020-08-28 北京推想科技有限公司 一种乳腺钼靶图像的分割方法、装置、终端及存储介质
CN111814893A (zh) * 2020-07-17 2020-10-23 首都医科大学附属北京胸科医院 基于深度学习的肺部全扫描图像egfr突变预测方法和系统
CN112132808A (zh) * 2020-09-23 2020-12-25 沈阳建筑大学 基于常态模型学习的乳腺x线图像病变检测方法和装置
CN112614096A (zh) * 2020-12-17 2021-04-06 北京医准智能科技有限公司 一种基于序数回归的乳腺钼靶病灶良恶性分析方法
CN112614093A (zh) * 2020-12-10 2021-04-06 西北工业大学深圳研究院 基于多尺度空间注意力网络的乳腺病理图像分类方法
CN113096130A (zh) * 2021-06-09 2021-07-09 常州微亿智造科技有限公司 物件缺陷的检测方法、装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984959A (zh) * 2014-05-26 2014-08-13 中国科学院自动化研究所 一种基于数据与任务驱动的图像分类方法
CN104700118A (zh) * 2015-03-18 2015-06-10 中国科学院自动化研究所 基于卷积神经网络的肺结节良恶性预测方法
CN104899610A (zh) * 2015-06-26 2015-09-09 小米科技有限责任公司 图片分类方法及装置
CN105320961A (zh) * 2015-10-16 2016-02-10 重庆邮电大学 基于卷积神经网络和支持向量机的手写数字识别方法
CN105512683A (zh) * 2015-12-08 2016-04-20 浙江宇视科技有限公司 基于卷积神经网络的目标定位方法及装置
CN105809090A (zh) * 2014-12-30 2016-07-27 中国科学院深圳先进技术研究院 一种人脸性别特征提取的方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984959A (zh) * 2014-05-26 2014-08-13 中国科学院自动化研究所 一种基于数据与任务驱动的图像分类方法
CN103984959B (zh) * 2014-05-26 2017-07-21 中国科学院自动化研究所 一种基于数据与任务驱动的图像分类方法
CN105809090A (zh) * 2014-12-30 2016-07-27 中国科学院深圳先进技术研究院 一种人脸性别特征提取的方法及系统
CN104700118A (zh) * 2015-03-18 2015-06-10 中国科学院自动化研究所 基于卷积神经网络的肺结节良恶性预测方法
CN104899610A (zh) * 2015-06-26 2015-09-09 小米科技有限责任公司 图片分类方法及装置
CN105320961A (zh) * 2015-10-16 2016-02-10 重庆邮电大学 基于卷积神经网络和支持向量机的手写数字识别方法
CN105512683A (zh) * 2015-12-08 2016-04-20 浙江宇视科技有限公司 基于卷积神经网络的目标定位方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JUN XU 等: "A Deep Convolutional Neural Network for segmenting and classifying epithelial and stromal regions in histopathological images", 《NEUROCOMPUTING》 *
YANIV BAR 等: "CHEST PATHOLOGY DETECTION USING DEEP LEARNING WITH NON-MEDICAL TRAINING", 《ISBI 2015》 *
张文达 等: "基于多尺度分块卷积神经网络的图像目标识别算法", 《计算机应用》 *
王光磊 等: "OCT 影像下纤维斑块的自动识别算法", 《激光杂志》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018157381A1 (zh) * 2017-03-03 2018-09-07 深圳大学 病理切片图像智能分类方法及装置
CN106874687A (zh) * 2017-03-03 2017-06-20 深圳大学 病理切片图像智能分类方法及装置
CN106951928A (zh) * 2017-04-05 2017-07-14 广东工业大学 一种甲状腺乳头状癌的超声图像识别方法及装置
CN107239759A (zh) * 2017-05-27 2017-10-10 中国科学院遥感与数字地球研究所 一种基于深度特征的高空间分辨率遥感图像迁移学习方法
CN107358611A (zh) * 2017-06-28 2017-11-17 南京信息工程大学 一种全景扫描病理图像转移区域的自动分割方法
CN107507286A (zh) * 2017-08-02 2017-12-22 五邑大学 一种基于人脸和手写签名的双模态生物特征签到系统
CN107516317A (zh) * 2017-08-18 2017-12-26 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
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
CN108021936A (zh) * 2017-11-28 2018-05-11 天津大学 一种基于卷积神经网络vgg16的乳腺肿瘤分类算法
CN108416360A (zh) * 2018-01-16 2018-08-17 华南理工大学 基于乳腺钼靶钙化特征的癌症诊断系统及方法
CN108416360B (zh) * 2018-01-16 2022-03-29 华南理工大学 基于乳腺钼靶钙化特征的癌症诊断系统及方法
CN108830282A (zh) * 2018-05-29 2018-11-16 电子科技大学 一种乳腺x光图像的乳腺肿块信息提取及分类方法
CN108898160B (zh) * 2018-06-01 2022-04-08 中国人民解放军战略支援部队信息工程大学 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法
CN108898160A (zh) * 2018-06-01 2018-11-27 中国人民解放军战略支援部队信息工程大学 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法
CN109214433A (zh) * 2018-08-20 2019-01-15 福建师范大学 一种卷积神经网络区分肝癌分化等级的方法
CN109285147A (zh) * 2018-08-30 2019-01-29 北京深睿博联科技有限责任公司 用于乳腺钼靶钙化检测的图像处理方法及装置、服务器
CN109363697A (zh) * 2018-10-16 2019-02-22 杭州依图医疗技术有限公司 一种乳腺影像病灶识别的方法及装置
CN109363697B (zh) * 2018-10-16 2020-10-16 杭州依图医疗技术有限公司 一种乳腺影像病灶识别的方法及装置
WO2020077961A1 (zh) * 2018-10-16 2020-04-23 杭州依图医疗技术有限公司 一种乳腺影像病灶识别的方法及装置
CN109589127A (zh) * 2018-10-29 2019-04-09 深圳先进技术研究院 电子计算机断层扫描前端设备、系统、方法及存储介质
CN109635835A (zh) * 2018-11-08 2019-04-16 深圳蓝韵医学影像有限公司 一种基于深度学习与迁移学习的乳腺病变区域检测方法
CN109785320A (zh) * 2019-01-28 2019-05-21 太原理工大学 一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法
CN111598862A (zh) * 2020-05-13 2020-08-28 北京推想科技有限公司 一种乳腺钼靶图像的分割方法、装置、终端及存储介质
CN111814893A (zh) * 2020-07-17 2020-10-23 首都医科大学附属北京胸科医院 基于深度学习的肺部全扫描图像egfr突变预测方法和系统
CN112132808A (zh) * 2020-09-23 2020-12-25 沈阳建筑大学 基于常态模型学习的乳腺x线图像病变检测方法和装置
CN112132808B (zh) * 2020-09-23 2023-11-07 沈阳建筑大学 基于常态模型学习的乳腺x线图像病变检测方法和装置
CN112614093A (zh) * 2020-12-10 2021-04-06 西北工业大学深圳研究院 基于多尺度空间注意力网络的乳腺病理图像分类方法
CN112614096A (zh) * 2020-12-17 2021-04-06 北京医准智能科技有限公司 一种基于序数回归的乳腺钼靶病灶良恶性分析方法
CN113096130A (zh) * 2021-06-09 2021-07-09 常州微亿智造科技有限公司 物件缺陷的检测方法、装置

Similar Documents

Publication Publication Date Title
CN106326931A (zh) 基于深度学习的乳腺钼靶图像自动分类方法
CN107665492B (zh) 基于深度网络的结直肠全景数字病理图像组织分割方法
CN109035269B (zh) 一种宫颈细胞病理切片病变细胞分割方法及系统
CN105957066B (zh) 基于自动上下文模型的ct图像肝脏分割方法及系统
CN104933711B (zh) 一种肿瘤病理图像自动快速分割方法
CN108334909A (zh) 基于ResNet的宫颈癌TCT数字切片数据分析方法
CN107609503A (zh) 智能癌变细胞识别系统及方法、云平台、服务器、计算机
CN107330889A (zh) 一种基于卷积神经网络的中医舌色苔色自动分析方法
CN112101451A (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
CN106096654A (zh) 一种基于深度学习和结合策略的细胞异型性自动分级方法
CN101976438B (zh) 基于空间邻域信息的fcm纹理图像分割方法
CN107451615A (zh) 基于Faster RCNN的甲状腺乳头状癌超声图像识别方法及系统
CN108960245A (zh) 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN111161278B (zh) 一种基于深层网络聚合的眼底图像病灶分割方法
CN103473739A (zh) 一种基于支持向量机的白细胞图像精确分割方法与系统
CN107784319A (zh) 一种基于增强卷积神经网络的病理图像分类方法
CN104636757A (zh) 一种基于深度学习的食物图像识别方法
CN107368671A (zh) 基于大数据深度学习的良性胃炎病理诊断支持系统和方法
CN107945200A (zh) 图像二值化分割方法
CN104636755A (zh) 一种基于深度学习的人脸美丽评价方法
CN103440488A (zh) 一种虫害识别的方法
CN110827260A (zh) 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法
CN108596247A (zh) 一种融合放射组学和深度卷积特征进行图像分类的方法
CN106934418A (zh) 一种基于卷积递归网络的绝缘子红外诊断方法
CN104537379A (zh) 一种高精度的舌体自动分割方法

Legal Events

Date Code Title Description
PB01 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: 20170111