CN107506579B - 基于集成学习的脑出血预测模型建立方法及系统 - Google Patents
基于集成学习的脑出血预测模型建立方法及系统 Download PDFInfo
- Publication number
- CN107506579B CN107506579B CN201710691118.7A CN201710691118A CN107506579B CN 107506579 B CN107506579 B CN 107506579B CN 201710691118 A CN201710691118 A CN 201710691118A CN 107506579 B CN107506579 B CN 107506579B
- Authority
- CN
- China
- Prior art keywords
- cerebral hemorrhage
- test
- data
- sample
- classifiers
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
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
本发明提供了一种基于集成学习的脑出血预测模型建立方法及系统,该方法包括:步骤1、进行样本量计算;步骤2、提取针对可能影响脑出血的CT血管照影图像特征的特征数据;步骤3、对所述特征数据,进行显著性检验,验证所述图像特征在脑出血与非脑出血上是否有显著性差异;步骤4、利用集成学习方法通过训练集数据对有显著性差异的所述图像特征进行训练,建立脑出血预测模型;步骤5、利用测试集数据对模型进行测试,分析脑出血预测模型的效率。本发明的方法有效降预测了脑出血发病,可针对预测结果进行相应的提前预防和治疗。
Description
技术领域
本发明属于系统生物学技术领域,主要涉及生物信息学和生物数据挖掘,具体涉及一种基于集成学习的脑出血预测模型的建立方法及其模型系统。
背景技术
脑出血(intracerebral hemorrhage,ICH)是一种源于脑实质血管的急性、自发性出血。在欧洲国家,脑出血患者占所有脑卒中患者的10%~15%,在亚洲地区,其占所有卒中患者的20%~30%。我国出血性脑卒中占全部卒中患者的21%~48%,发病后一个月内病死率高达30%~50%,存活者中超过30%遗留神经功能障碍。尽管几年来对高血压等脑出血风险因素的药物控制使其发病处于偏低水平,但是脑出血发病所导致的临床后果仍然是非常严重的,脑出血30天内死亡率高达50%。并且脑出血的发病率、死亡率呈逐年上升趋势,发病初始年龄较以往提前,具有死亡率高、致残率高、并发症多等特点。为了能够及早发现疾病并控制疾病,脑出血的预防对于治疗显得非常重要。
脑出血是危害人类健康的主要疾病之一,目前在对脑出血的预测研究中,对脑出血后脑血肿的预测和脑出血预后的研究比较多,但是对非脑出血病人脑出血的预测研究比较少。现有技术中,关于脑出血预测上的信息技术应用的研究主要分为两个方面的研究,分别是对非脑出血者的脑出血概率预测和脑出血后脑血肿扩大进一步恶化的预测。
(1)对非脑出血者的脑出血概率预测
脑出血发生的随机性和其发生预测的不确定性是解决脑出血发生预测的关键问题之一,如Capon、Ciccone等,通过外部因素如外界温度、气压等因素建立脑出血预测模型,进而对群体脑出血概率进行分析和预测。但是该方法预测的对象多是群体,不能有效得出某单一病人脑出血的概率,同时这种预测方法没有应用到能够直接对脑出血预测的特征(如血压、血管粗细等)而是采用预测特征是多变的天气和气压来建立预测模型,这也影响预测的准确性。
(2)脑出血后脑血肿扩大的预测
脑出血后脑血肿扩大的预测大部分都是通过药物控制和预测,信息技术方面一种预测形式是通过CT点征预测,如Wada等,利用CT图像上的血肿异常区域的密度、面积等因素建立预测模型来预测。但是预测模型的训练数据少,而且该预测模型只能够预测脑出血进一步恶化程度,不能够有效估计正常人的脑出血概率。
发明内容
有鉴于此,本发明在总结前人的研究基础上,为了克服之前预测模型的缺点,提出了一种改进的脑出血预测模型建立方法及系统。
具体而言,本发明所提出的技术方案如下:
本发明提供了一种基于集成学习的脑出血预测模型建立方法,该方法包括:
步骤1、基于效能检验,进行样本量计算;
步骤2、提取针对可能影响脑出血的CT血管照影图像特征的特征数据;
步骤3、对所述特征数据,进行显著性检验,验证所述图像特征在脑出血与非脑出血上是否有显著性差异;
步骤4、利用集成学习方法通过训练集数据对有显著性差异的所述图像特征进行训练,建立脑出血预测模型;
步骤5、利用测试集数据对模型进行测试,分析脑出血预测模型的效率。
优选地,所述步骤1中,样本量的计算,通过以下方式:
步骤1.1、基于历史数据,设置可能影响脑出血的图像特征,并计算各图像特征的效应值d;
步骤1.2、利用效应值d对样本量进行估算。
进一步优选地,所述可能影响脑出血的特征包括以下表1所述的至少一种,或其任意的组合。
表1 可能影响脑出血的特征
序号 | 特征 | 简写 |
1 | 中动脉与大脑前动脉夹角 | AMA |
2 | 中动脉与后交通动脉夹角 | AMP |
3 | 中动脉与颞干夹角 | AMT |
4 | 中动脉与上干夹角 | AMS |
5 | 中动脉与下干夹角 | AMI |
6 | 中动脉起始端与颞干距离 | DMT |
7 | 中动脉起始端与上干下干分支距离 | DMS |
8 | 中动脉直径 | DM |
9 | 中动脉处CT值 | CTM |
10 | 豆纹动脉处CT值 | CTL |
优选地,所述步骤2具体包括:
步骤2.1、将已有图像数据分为脑出血数据和非脑出血数据;
步骤2.2、分别对脑出血数据和非脑出血数据提取可能影响脑出血的所述图像特征。
优选地,所述步骤3具体包括:
步骤3.1、作QQ-plot,对待检验样本进行判断;
步骤3.2、如果QQ-plot图接近一条直线该样本符合正态分布,则利用F检验或T检验,并获得检验结果;如果QQ-plot图不趋向一条直线则该样本不符合正态分布,则利用秩和检验,并获得检验结果;
步骤3.3、判断所述检验结果,如果检验结果p大于等于预设阈值,则该特征在脑出血与非脑出血数据上有显著性差异;若p小于预设阈值,则该特征在脑出血与非脑出血数据上差异性不显著。
优选地,所述步骤4具体包括:
步骤4.1、将多个KNN分类器、多个SVM分类器、多个决策树分类器进行同态,集成为三个同态集成分类器;
步骤4.2、将三个同态集成分类器再异态集成为分类预测模型;
步骤4.3、利用训练集对所述预测模型进行训练。
优选地,所述步骤5具体包括:
利用测试集对所述预测模型在四个评价指标进行测试;
所述评价指标采用如下标准:
此外,本发明还提供了一种基于集成学习的脑出血预测模型系统,所述系统包括:
样本建立模块,用于接收输入数据,并对输入数据进行处理,获得系统训练所需要的样本数据;
特征提取模块,用于存储有可能影响脑出血的特征,以及将样本数据进行分类,并提取样本数据的影响脑出血的特征向量;
显著性检验模块,用于对所述特征向量进行显著性检验;
模型建立模块,接收经过显著性检验的特征向量,并基于多个分类器对分类器进行训练,建立分类模型;以及,通过分类模型,对待分类图像进行分类。
优选地,系统还包括模型测试模块,用于测试所述分类模型的有效性;所述测试模块的评价指标采用如下标准:
优选地,所述样本建立模块进一步包括,效能值计算模块,用于获取样本数据中的影响脑出血的特征向量的效能值。
与现有技术相比,本发明技术方案具有以下的有益效果:
(1)进行了样本量估算,使得用估算后足够的样本量建立的模型统计学意义。
(2)对提出的可能影响脑出血的特征在脑出血与非脑出血数据上进行了显著性检验,降低了模型维度并且提高了模型效果。
(3)通过对多个子分类器集成学习的方法,提高了模型的预测效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例的方法流程图;
图2为本发明实施例的显著性检验流程图图;
图3为本发明实施例的集成学习流程图;
图4为本发明实施例的集成学习测试的灵敏度结果示例图;
图5为本发明实施例的集成学习测试的特效度结果示例图;
图6为本发明实施例的集成学习测试的精度结果示例图;
图7为本发明实施例的集成学习测试的正确率结果示例图;
具体实施方式
下面结合附图对本发明实施例进行详细描述。应当明确,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本领域技术人员应当知晓,下述具体实施例或具体实施方式,是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式,而该些设置方式之间均是可以相互结合或者相互关联使用的,除非在本发明明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时,下述的具体实施例或实施方式仅作为最优化的设置方式,而不作为限定本发明的保护范围的理解。
实施例1:
在一个具体的实施例中,本发明可以通过选取能够直接反映脑出血情况的CT 图像作为研究数据,选取豆纹动脉及其附近血管组织特征作为研究特征,然后利用统计学方法计算出在这些特征下要得到好的效果需要的样本量并证明研究特征的显著性差异,最后利用集成学习方法将K近邻、支持向量机、决策树三个方法集成来训练预测模型。图1是本发明的总体流程图,以下结合图1对本发明的模型建立和计算方法进行详细阐述。
(1)样本量计算
样本量计算在医学实验中有重大意义,样本量过少可能会导致实验结果没有统计学意义,样本量过大会导致资源浪费。本发明利用效能检验来估算样本量。首先提出有可能影响脑出血的特征,如表1所示,针对这些特征估算出该特征的效能值d,带入下式中:
其中α为第二类错误的概率,β为第二类错误的概率,μα为第一错误的检验统计量,μβ为第二错误率的检验统计量,在避免出现“假阳性”和“假阴性”的情况下选取合适的α和β,计算出所需要样本量。
(2)特征数据提取
将已有图像数据分为脑出血数据和非脑出血数据,分别对脑出血数据和非脑出血数据在第一步骤中提出的一系列可能影响脑出血的特征(如中动脉直径、与其他动脉夹角等,如表1)利用医学图像软件进行数据提取。
(3)显著性检验
提取特征数据之后,我们通过QQ-plot图来判断这些数据是否符合正态分布,如果QQ-plot图接近一条直线该样本符合正态分布,如果QQ-plot图不趋向一条直线则该样本不符合正态分布,对于是正态分布的特征我们做T检验,对于非正态分布的特征我们做秩和检验,通过利用检验返回的p值来判断,如果检验结果p大于等于预设阈值,则该特征在脑出血与非脑出血数据上有显著性差异;若p小于预设阈值,则该特征在脑出血与非脑出血数据上差异性不显著,流程图如图2所示。
(4)训练模型
集成学习是使用一系列学习器进行学习,并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果的一种机器学习方法。集成学习是在对新的实例进行分类的时候,把若干个单个分类器集成起来,通过对多个分类器的分类结果进行组合来决定最终的分类。
本发明将多个KNN分类器、多个SVM分类器、多个决策树分类器进行同态集成为三个同态集成分类器。再将三个同态集成分类器异态集成为脑出血分类预测模型。流程图如图3所示。
(5)测试模型
本发明通过模型对测试集的四种评价模型好坏的标准(正确率(accuracy)、特效度(specificity)、精度(precision)、正确率(accuracy))的计算来反映模型的效果,四个指标表示的含义如表2所示,测试结果如图4所示。
由结果可以看出我们的集成学习优化模型在脑出血预测中Specificity、Precision、Accuracy指标都是最好的,Specificity指标仅低于KNN方法,则认为本发明提出的预测模型在脑出血预测中总体优于其他三种方法建立的预测模型。
表2 模型评价指数
实施例2:
在又一个具体的实施例中,本发明还提供了一种基于集成学习的脑出血预测模型系统,所述系统包括:
样本建立模块,用于接收输入数据,并对输入数据进行处理,获得系统训练所需要的样本数据;
特征提取模块,用于存储有可能影响脑出血的特征,以及将样本数据进行分类,并提取样本数据的影响脑出血的特征向量;
显著性检验模块,用于对所述特征向量进行显著性检验;
模型建立模块,接收经过显著性检验的特征向量,并基于多个分类器对分类器进行训练,建立分类模型;以及,通过分类模型,对待分类图像进行分类。
在一个具体的实施方式中,系统还包括模型测试模块,用于测试所述分类模型的有效性;所述测试模块的评价指标采用如下标准:
在一个具体的实施方式中,所述样本建立模块进一步包括,效能值计算模块,用于获取样本数据中的影响脑出血的特征向量的效能值。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种基于集成学习的脑出血预测模型系统,其特征在于,所述系统包括:
样本建立模块,用于接收输入数据,并对输入数据进行处理,获得系统训练所需要的样本数据;
特征提取模块,用于存储有可能影响脑出血的特征,以及将样本数据进行分类,并提取样本数据的影响脑出血的特征向量;
显著性检验模块,用于对所述特征向量进行显著性检验;所述显著性检验通过以下方式:判断所述特征根向量是否符合正态分布,若属于,则进行T检验或F检验并获得检验结果,否则进行秩和检验并获得检验结果,再基于所述检验结果,通过假设检验来验证所述特征向量是否有显著性差异;
模型建立模块,接收经过显著性检验的特征向量,并基于多个分类器对分类器进行训练,建立分类模型;以及,通过分类模型,对待分类图像进行分类;
所述样本建立模块进一步包括,效能值计算模块,用于获取样本数据中的影响脑出血的特征向量的效能值,并计算样本量,所述样本量计算通过如下方式进行:
其中,α为第一类错误的概率,β为第二类错误的概率,其中μα为第一错误率的检验统计量,μβ为第二错误率的检验统计量,d为效能值;
所述模型建立模块将多个KNN分类器、多个SVM分类器、多个决策树分类器进行同态集成为三个同态集成分类器,再将三个同态集成分类器异态集成为脑出血分类预测模型;
所述模型建立模块通过以下方式建立所述预测模型:
步骤1、基于效能检验,进行样本量计算;所述样本量计算通过如下方式进行:
其中,α为第一类错误的概率,β为第二类错误的概率,其中μα为第一错误率的检验统计量,μβ为第二错误率的检验统计量,d为效能值;
步骤2、提取CT血管照影图像特征的特征数据;
步骤3、对所述特征数据,进行显著性检验,验证所述图像特征是否有显著性差异;所述步骤3具体包括:
步骤3.1、作QQ-plot,对待检验样本进行判断;
步骤3.2、如果QQ-plot图接近一条直线则该样本符合正态分布,则利用F检验或T检验,并获得检验结果;如果QQ-plot图不趋向一条直线则该样本不符合正态分布,则利用秩和检验,并获得检验结果;
步骤3.3、判断所述检验结果,如果检验结果p大于等于预设阈值,则该图像特征有显著性差异;若p小于预设阈值,则该特征差异性不显著;
步骤4、利用集成学习方法通过训练集数据对有显著性差异的所述图像特征进行训练,建立脑出血预测模型;
所述步骤4具体包括:
步骤4.1、将多个KNN分类器、多个SVM分类器、多个决策树分类器进行同态,集成为三个同态集成分类器;
步骤4.2、将三个同态集成分类器再异态集成为分类预测模型;
步骤4.3、利用训练集对所述预测模型进行训练;
步骤5、利用测试集数据对模型进行测试,分析所述预测模型的效率。
3.根据权利要求1所述的系统,其特征在于,所述步骤1中,样本量的计算,通过以下方式:
步骤1.1、基于历史数据,设置可能的图像特征,并计算各图像特征的效应值d;
步骤1.2、利用效应值d对样本量进行估算。
4.根据权利要求1所述的系统,其特征在于,所述步骤2具体包括:
步骤2.1、将已有图像数据分为脑出血数据和非脑出血数据;
步骤2.2、分别对脑出血数据和非脑出血数据提取可能影响脑出血的所述图像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710691118.7A CN107506579B (zh) | 2017-08-14 | 2017-08-14 | 基于集成学习的脑出血预测模型建立方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710691118.7A CN107506579B (zh) | 2017-08-14 | 2017-08-14 | 基于集成学习的脑出血预测模型建立方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107506579A CN107506579A (zh) | 2017-12-22 |
CN107506579B true CN107506579B (zh) | 2020-03-10 |
Family
ID=60691222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710691118.7A Active CN107506579B (zh) | 2017-08-14 | 2017-08-14 | 基于集成学习的脑出血预测模型建立方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506579B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108091396A (zh) * | 2017-12-25 | 2018-05-29 | 中山大学 | 一种心脏病智能预测和心脏保健信息推荐系统及其方法 |
CN109567799A (zh) * | 2018-12-26 | 2019-04-05 | 杭州电子科技大学 | 基于平滑小波相干性的肌电信号特征提取方法 |
CN110288589B (zh) * | 2019-06-28 | 2021-07-02 | 四川大学 | 血肿扩大预测方法及装置 |
CN111009323B (zh) * | 2019-11-12 | 2023-11-10 | 河北工业大学 | 一种基于knn-ann的硬脑膜下血肿损伤预测方法 |
CN111028944A (zh) * | 2019-12-16 | 2020-04-17 | 南昌大学第二附属医院 | 一种基于核主成分分析和多项式特征的脑血管病神经功能损伤程度预测模型 |
CN111445456B (zh) * | 2020-03-26 | 2023-06-27 | 推想医疗科技股份有限公司 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
CN111710420B (zh) * | 2020-05-15 | 2024-03-19 | 深圳先进技术研究院 | 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质 |
CN115761365B (zh) * | 2022-11-28 | 2023-12-01 | 首都医科大学附属北京友谊医院 | 术中出血状况的确定方法、装置和电子设备 |
CN115985503B (zh) * | 2023-03-20 | 2023-07-21 | 西南石油大学 | 基于集成学习的癌症预测系统 |
CN116525098B (zh) * | 2023-04-06 | 2024-04-05 | 湘南学院 | 一种基于影像特征识别的急性脑出血预测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN102439168A (zh) * | 2008-05-14 | 2012-05-02 | 迪纳公司 | 用以对头颈癌进行识别、监测、以及治疗的生物标记物 |
CN104331642A (zh) * | 2014-10-28 | 2015-02-04 | 山东大学 | 用于识别细胞外基质蛋白的集成学习方法 |
-
2017
- 2017-08-14 CN CN201710691118.7A patent/CN107506579B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102439168A (zh) * | 2008-05-14 | 2012-05-02 | 迪纳公司 | 用以对头颈癌进行识别、监测、以及治疗的生物标记物 |
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN104331642A (zh) * | 2014-10-28 | 2015-02-04 | 山东大学 | 用于识别细胞外基质蛋白的集成学习方法 |
Non-Patent Citations (1)
Title |
---|
A review: Prediction model for the incidence rate of intracerebral hemorrhage;KaiKai Yin 等;《2nd Information Technology and Mechatronics Engineering Conference (ITOEC 2016)》;20170331;第417-421页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107506579A (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506579B (zh) | 基于集成学习的脑出血预测模型建立方法及系统 | |
Emon et al. | Performance analysis of machine learning approaches in stroke prediction | |
JP4273359B2 (ja) | 年齢推定システム及び年齢推定方法 | |
Duggal et al. | Prediction of thyroid disorders using advanced machine learning techniques | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
CN110969626A (zh) | 基于3d神经网络的人脑核磁共振影像的海马体提取方法 | |
CN104615894A (zh) | 一种基于k近邻标签特定权重特征的中医诊断方法及系统 | |
KR20190105180A (ko) | 합성곱 신경망 기반의 병변 진단 장치 및 방법 | |
CN114926477A (zh) | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 | |
Shao et al. | Deep learning and radiomics analysis for prediction of placenta invasion based on T2WI | |
Ananth et al. | An Advanced Low-cost Blood Cancer Detection System. | |
CN110782990A (zh) | 用于基层公卫服务脑卒中风险评估的方法、系统及移动平台 | |
CN114926396A (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
Bhardwaj et al. | Prediction of heart attack using machine learning | |
CN113128654A (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
CN110770848A (zh) | 弥散性血管内凝血的风险评估 | |
US6941288B2 (en) | Online learning method in a decision system | |
Li et al. | Down syndrome prediction using a cascaded machine learning framework designed for imbalanced and feature-correlated data | |
CN110010246A (zh) | 一种基于神经网络和置信区间的疾病智能诊断技术 | |
CN113469954B (zh) | 一种肺结节良恶性评价方法及装置 | |
Adimari et al. | Simple nonparametric confidence regions for the evaluation of continuous-scale diagnostic tests | |
Stallard | Simple tests for the external validation of mortality prediction scores | |
Setyawati et al. | Feature selection for the classification of clinical data of stroke patients | |
CN117315379B (zh) | 面向深度学习的医学影像分类模型公平性评估方法及装置 | |
Uzun et al. | Design and Development of an GUI for Pre-Trained Network-Based Automated Classification of Cervical Cancer Cells |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |