CN107506796A - 一种基于深度森林的阿尔兹海默病分类方法 - Google Patents
一种基于深度森林的阿尔兹海默病分类方法 Download PDFInfo
- Publication number
- CN107506796A CN107506796A CN201710739100.XA CN201710739100A CN107506796A CN 107506796 A CN107506796 A CN 107506796A CN 201710739100 A CN201710739100 A CN 201710739100A CN 107506796 A CN107506796 A CN 107506796A
- Authority
- CN
- China
- Prior art keywords
- mri image
- forest
- mri
- image
- alzheimer disease
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
Abstract
本发明公开了一种基于深度森林的阿尔兹海默病分类方法,属于医学图像分类预测领域,将检测阿尔兹海默病的MRI图像作为多粒度扫描的输入,所述多粒度扫描的输出连接级联森林,所述级联森林输出MRI图像的一个类向量,完成深度森林模型的构建;对若干已知类别的MRI图像进行预处理;所述深度森林模型扩展一级,则利用预处理后的MRI图像进行训练和测试,当测试结果没有显著提高,则完成训练,否则扩展下一级继续训练;将预处理后待分类的MRI图像输入到训练完成的深度森林,输出得到该MRI图像的分类结果;该方法大大提高了阿尔兹海默病的识别率。
Description
技术领域
本发明涉及医学图像分类和模式识别与机器学习领域,特别涉及一种基于深度森林的阿尔兹海默病分类方法,用于对阿尔兹海默病进行分类判断。
背景技术
在图像处理技术和模式识别与机器学习理论和方法蓬勃发展的今天,医学图像处理作为与人类生活最密切的领域之一,跟随人工智能的脚步越来越受到人们关注。阿尔兹海默病的分类是医学图像分类领域的一个重要分支,在阿尔兹海默病的计算机辅助诊断中具有重要意义,特别是在病情的前期诊断及病情恶化的及时控制中尤为重要。
MRI(Magnetic Resonance Imaging)图像能够提供丰富的脑组织形态特征,特别是与阿尔兹海默病相关的海马体、颞叶、额叶等部位的特征,同时阿尔兹海默病患者脑部会出现大量的萎缩,这主要体现在灰质上。
近些年来,机器学习被广泛用于脑部疾病诊断,采用了各种不同的方式从神经影像的模式来提取特征。但是传统的机器学习方法已经满足不了医学疾病的处理及分类,所以深度学习的引入,为医学领域带来了一丝希望,但是深度学习的学习模型容量很大,同时必须要有大数据、大计算力,而医学图像的样本相对较少,因此该方法具有很大的局限性。
其余传统的特征提取算法如:PCA,ICA等,都是首先将图像向量化得到特征再进行特征提取,这样就会破坏了图像特征之间的联系。特别是阿尔兹海默病和大脑中绝大多数脑区都有很大的相关性,直接向量化会破坏特征之间的联系,导致特征信息的丢失。
传统的机器学习分类算法如SVM、随机森林,通过对阿尔兹海默病的MRI图像特征及进行分类得到的分类结果分别为83%、85.6%,分类的准确率低。
发明内容
本发明的目的在于:提供了一种基于深度森林的阿尔兹海默病分类方法,解决了传统机器学习算法提取阿尔兹海默病的MRI图像的特征困难,从而使阿尔兹海默病的分类精度低的技术问题。
本发明采用的技术方案如下:
一种基于深度森林的阿尔兹海默病分类方法,包括以下步骤:
步骤1:将检测阿尔兹海默病的MRI图像作为多粒度扫描的输入,所述多粒度扫描的输出连接级联森林,所述级联森林输出MRI图像的一个类向量,完成深度森林模型的构建;
步骤2:对若干已知类别的MRI图像进行预处理;
步骤3:所述深度森林模型扩展一级,则利用预处理后的MRI图像进行训练和测试,当测试结果没有显著提高,则完成训练,否则扩展下一级继续训练;
步骤4:将预处理后待分类的MRI图像输入到训练完成的深度森林,输出得到该MRI图像的分类结果。
进一步的,所述预处理的具体步骤如下:
S201:对MRI图像进行AC-PC原点矫正;
S202:将每个矫正后的MRI图像进行分割,得到MRI灰质图像;
S203:将所述MRI灰质图像标准化到统一的MNI模板,使每个MRI灰质图像的大小统一;
S204:对标准化后的MRI灰质图像进行平滑和下采样处理,并将处理后的图像进行切片,得到预处理后的MRI图像,所述MRI图像分为训练样本和测试样本。
进一步的,步骤3中,训练和测试的具体步骤为:
S301:将所述训练样本作为多粒度扫描的输入,所述多粒度扫描的滑动窗口在所述训练样本上滑动扫描特征,从而生成一个变换特征向量;
S302:改变N次所述滑动窗口大小,重复步骤S301,得到N个变换特征向量;
S303:将所述N个变换特征向量作为级联森林的输入,所述级联森林扩展一级,则训练一次;
S304:将所述测试样本输入到训练后的深度森林进行测试,输出测试结果,当测试结果没有显著提高,则完成训练,否则更换下一个训练样本,跳转至步骤S301。
进一步的,所述深度森林输出一个类向量,所述类向量为不同类别的MRI图像概率向量的最大值,所述MRI图像的分类结果包括阿尔兹海默病(AD)、轻度认知障碍(MCI)和正常人(NC)。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.为了更好的提取阿尔兹海默病患者脑部特征信息,本发明采用多粒度扫描来扫描MRI图像原始特征,不仅提取了MRI图像中像素点本身的特征,还提取了像素点之间的空间关系特征。通过使用多个尺寸的滑动窗口,最终的变换特征向量包括了更多的特征,从而可以更好的描述样本。
2.级联森林的级联数量能够根据实际情况进行调节,即使在只有小数据的情况下也能表现出优异的性能,从而更适用于小样本的医学研究。在级联森林扩展一个新的级后,整个级联的性能将在验证集上进行估计,如果没有显著的性能提高,训练过程将终止,因此,级联中级的数量是自动确定的。
3.本发明构建的深度树模型可以实现对AD、MCI和NC之间更加准确的分类,有利于阿尔兹海默病的前期诊断。
4.传统的机器学习分类算法如SVM、随机森林,通过对MRI图像特征及进行分类得到的分类结果分别为83%、85.6%,而使用本发明的深度森林算法得到的分类结果为92%,该方法大大提高了阿尔兹海默病的识别率。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明中基于深度森林的阿尔兹海默病分类方法的基本流程图;
图2是本发明所构建的当输入为图像形式数据时的多粒度扫描流程图;
图3是本发明中构建的级联森林结构图;
图4是本发明所构建的用于阿尔兹海默病分类算法的整体流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
下面结合图1-4对本发明作详细说明。
具体实施例1
一种基于深度森林的阿尔兹海默病分类方法,包括以下步骤:
步骤1:将检测阿尔兹海默病的MRI图像作为多粒度扫描的输入,所述多粒度扫描的输出连接级联森林,所述级联森林输出MRI图像的一个类向量,完成深度森林模型的构建,所述MRI图像的分类结果包括阿尔兹海默病(AD)、轻度认知障碍(MCI)和正常人(NC),所述类向量为MRI图像类别中的最大概率值。
步骤2:对若干已知类别的MRI图像进行预处理,即对MRI图像进行AC-PC原点矫正;将每个矫正后的MRI图像进行分割,得到MRI灰质图像;将所述MRI灰质图像标准化到统一的MNI模板,使每个MRI灰质图像的大小统一;对标准化后的MRI灰质图像进行平滑和下采样处理,并将处理后的图像进行切片,得到预处理后的MRI图像,所述MRI图像分为训练样本和测试样本。
步骤3:所述深度森林模型扩展一级,则利用预处理后的MRI图像进行训练和测试,当测试结果没有显著提高,则完成训练,否则扩展下一级继续训练;具体为:将所述训练样本作为多粒度扫描的输入,所述多粒度扫描的滑动窗口在所述训练样本上滑动扫描特征,从而生成一个变换特征向量;改变N次所述滑动窗口大小,得到N个变换特征向量;将所述N个变换特征向量作为级联森林的输入,所述级联森林扩展一级,则训练一次;将所述测试样本输入到训练后的深度森林进行测试,输出测试结果,当测试结果没有显著提高,则完成训练,否则更换下一个训练样本重复上述过程。
步骤4:将预处理后待分类的MRI图像输入到训练完成的深度森林,输出得到该MRI图像的分类结果。
具体实施例2
步骤1:将检测阿尔兹海默病的MRI图像作为多粒度扫描的输入,所述多粒度扫描的输出连接级联森林,所述级联森林输出MRI图像的一个类向量,完成深度森林模型的构建,所述MRI图像的类别包括阿尔兹海默病(AD)、轻度认知障碍(MCI)和正常人(HC),所述类向量为MRI图像类别中的最大概率值。
步骤2:对若干已知类别的MRI图像进行预处理,即对MRI图像进行AC-PC原点矫正;将每个矫正后的MRI图像进行分割,得到MRI灰质图像;将所述MRI灰质图像标准化到统一的MNI模板,使每个MRI灰质图像的大小统一;对标准化后的MRI灰质图像进行平滑和下采样处理,并将处理后的图像进行切片,得到预处理后的MRI图像,所述MRI图像分为训练样本和测试样本。
步骤3:所述深度森林模型扩展一级,则利用预处理后的MRI图像进行训练和测试,当测试结果没有显著提高,则完成训练,否则扩展下一级继续训练。
具体为:首先利用多粒度扫描进行处理,多粒度扫描的滑动窗口用于扫描图像的特征,所述滑动窗口在图像上滑动产生多个特征,该窗口可以根据实际情况进行修改。所述多粒度扫描的输入包括原始MRI图像的序列数据和预处理后的MRI样本图像。
如图2所示,当输入为预处理后的MRI样本图像时,所述MRI样本图像为40×40大小图像,选择滑动窗口的大小为10×10,所述滑动窗口滑动产生961个10×10的特征,经过完全随机树森林和随机森林处理后各产生961个三维类向量,则完全随机树森林和随机森林共输出一个5766维的变换特征向量,改变2次所述多粒度扫描的滑动窗口大小,即选择大小为20×20和30×30的滑动窗口再次进行多粒度扫描,分别产生2646维和242维的变换特征向量,将3个变换特征向量通过串级的方式形成8654维的特征向量输入到级联森林中进行训练。
如图3所示,级联森林的构建方法为:级联的每个级别包括两个完全随机树森林和两个随机森林。每个完全随机的树森林包含1000个完全随机树,通过随机选择一个特征在树的每个节点进行分割实现生长,树一直生长,直到每个叶节点只包含相同类别的样本或不超过10个样本。类似地,每个随机森林也包含1000棵树,通过随机选择个数量的特征作为候选(d为输入特征的数量),然后选择具有最佳gini值的特征作为分割,每个森林中的树的数值是一个超参数。每个森林通过计算在相关样本落入的节点处的不同类别的训练样本的百分比,然后计算森林中的所有树平均值,以生成类别估计,被估计的类别分别形成类向量,该类向量接着与输入到级联的下一级的原始特征向量相连接。本发明中对三个类别进行分类,则四个森林分别产生一个三维的类向量,因此,级联的下一级将接收12个增强特征。为了降低过拟合风险,每个森林产生的类向量由K折交叉验证产生。即每个样本都将被用作K-1次训练数据,产生K-1个类向量,然后取其平均值作为级联中下一级的增强特征。在扩展一个新的级后,整个级联的性能将在验证集上进行估计,如果没有显著的性能提高,训练过程将终止,因此,级联中级的数量是自动确定的。
所述级联森林产生4个3维的类向量,取所述4个类向量的平均值,得到该MRI样本图像的训练结果。
步骤4:将所述训练结果与该MRI样本图像的已知类别进行匹配,若匹配成功,则该MRI样本图像分类正确;否则分类错误,并对深度森林中的参数进行调整,重复步骤3;所述深度森林模型将所有预处理后的MRI样本图像均分类正确,则完成训练。
该方法还包括,选取除步骤2外已知类别的MRI样本图像对训练后的深度森林模型进行测试,得到各个MRI样本图像的类别结果,将所述类别结果与MRI样本图像已知的类别进行匹配,若匹配成功,则该MRI样本图像分类正确,否则分类错误;计算得到该深度森林模型分类的正确率。
本发明的原理为:将已知类别预处理后的MRI图像作为深度森林的输入,输出该MRI图像的类别,若该类别与已知的类别不同,则调整该深度森林的参数直到分类正确,以此完成对深度森林的训练;训练完成的深度森林经过测试后可作为判断该疾病的参考。
以上所述的具体实施仅为本发明的一种最佳实现方式,并不用于限制本发明的专利范围,凡是利用本发明精神和原则及附图内容所作的等效结构或等效流程变换,均应包括在本发明的专利保护范围内。
Claims (4)
1.一种基于深度森林的阿尔兹海默病分类方法,其特征在于:包括以下步骤:
步骤1:将检测阿尔兹海默病的MRI图像作为多粒度扫描的输入,所述多粒度扫描的输出连接级联森林,所述级联森林输出MRI图像的一个类向量,完成深度森林模型的构建;
步骤2:对若干已知类别的MRI图像进行预处理;
步骤3:所述深度森林模型扩展一级,则利用预处理后的MRI图像进行训练和测试,当测试结果没有显著提高,则完成训练,否则扩展下一级继续训练;
步骤4:将预处理后待分类的MRI图像输入到训练完成的深度森林,输出得到该MRI图像的分类结果。
2.根据权利要求1所述的一种基于深度森林的阿尔兹海默病分类方法,其特征在于:步骤2中,所述预处理的具体步骤如下:
S201:对MRI图像进行AC-PC原点矫正;
S202:将每个矫正后的MRI图像进行分割,得到MRI灰质图像;
S203:将所述MRI灰质图像标准化到统一的MNI模板,使每个MRI灰质图像的大小统一;
S204:对标准化后的MRI灰质图像进行平滑和下采样处理,并将处理后的图像进行切片,得到预处理后的MRI图像,所述MRI图像分为训练样本和测试样本。
3.根据权利要求1和2所述的一种基于深度森林的阿尔兹海默病分类方法,其特征在于:步骤3中,训练和测试的具体步骤为:
S301:将所述训练样本作为多粒度扫描的输入,所述多粒度扫描的滑动窗口在所述训练样本上滑动扫描特征,从而生成一个变换特征向量;
S302:改变N次所述滑动窗口大小,重复步骤S301,得到N个变换特征向量;
S303:将所述N个变换特征向量作为级联森林的输入,所述级联森林扩展一级,则训练一次;
S304:将所述测试样本输入到训练后的深度森林进行测试,输出测试结果,当测试结果没有显著提高,则完成训练,否则更换下一个训练样本,跳转至步骤S301。
4.根据权利要求1所述的一种基于深度森林的阿尔兹海默病分类方法,其特征在于:所述步骤4中,所述深度森林输出一个类向量,所述类向量为不同类别的MRI图像概率向量的最大值,所述MRI图像的分类结果包括阿尔兹海默病(AD)、轻度认知障碍(MCI)和正常人(NC)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710739100.XA CN107506796A (zh) | 2017-08-25 | 2017-08-25 | 一种基于深度森林的阿尔兹海默病分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710739100.XA CN107506796A (zh) | 2017-08-25 | 2017-08-25 | 一种基于深度森林的阿尔兹海默病分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107506796A true CN107506796A (zh) | 2017-12-22 |
Family
ID=60692950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710739100.XA Pending CN107506796A (zh) | 2017-08-25 | 2017-08-25 | 一种基于深度森林的阿尔兹海默病分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506796A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108343599A (zh) * | 2018-01-10 | 2018-07-31 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
CN108614992A (zh) * | 2018-03-19 | 2018-10-02 | 中国地质大学(武汉) | 一种高光谱遥感图像的分类方法、设备及存储设备 |
CN108776968A (zh) * | 2018-06-22 | 2018-11-09 | 西安电子科技大学 | 基于深度森林的sar图像变化检测方法 |
CN108937934A (zh) * | 2018-05-07 | 2018-12-07 | 武汉科技大学 | 一种基于深度学习的人脑mri海马体检测与分割方法 |
CN109344618A (zh) * | 2018-02-08 | 2019-02-15 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于深度森林的恶意代码分类方法 |
CN109685823A (zh) * | 2018-12-24 | 2019-04-26 | 南京理工大学 | 一种基于深度森林的目标跟踪方法 |
CN110070133A (zh) * | 2019-04-24 | 2019-07-30 | 北京工业大学 | 一种基于深度森林的脑功能网络分类方法 |
CN110175700A (zh) * | 2019-04-28 | 2019-08-27 | 南京邮电大学 | 基于加权深度森林的成人学位英语等级预测方法 |
CN110309840A (zh) * | 2018-03-27 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 风险交易识别方法、装置、服务器及存储介质 |
CN110310114A (zh) * | 2018-03-27 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 对象分类方法、装置、服务器及存储介质 |
CN110375987A (zh) * | 2019-06-24 | 2019-10-25 | 昆明理工大学 | 一种基于深度森林机械轴承故障检测方法 |
CN110808070A (zh) * | 2019-11-14 | 2020-02-18 | 福州大学 | 音频监控中基于深度随机森林的声音事件分类方法 |
CN111242891A (zh) * | 2019-12-27 | 2020-06-05 | 北京交通大学 | 一种钢轨表面缺陷识别分类方法 |
CN112001423A (zh) * | 2020-07-29 | 2020-11-27 | 暨南大学 | Apt恶意软件组织的开集识别方法、装置、设备和介质 |
CN113539480A (zh) * | 2021-07-20 | 2021-10-22 | 武汉情智感知科技有限公司 | 一种新型的精神健康干预交互系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
CN107067396A (zh) * | 2017-04-26 | 2017-08-18 | 中国人民解放军总医院 | 一种基于自编码器的核磁共振图像处理装置与方法 |
-
2017
- 2017-08-25 CN CN201710739100.XA patent/CN107506796A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
CN107067396A (zh) * | 2017-04-26 | 2017-08-18 | 中国人民解放军总医院 | 一种基于自编码器的核磁共振图像处理装置与方法 |
Non-Patent Citations (1)
Title |
---|
开开_王子: "《Deep Forest: Towards an Alternative to Deep Neural Networks》理解", 《HTTPS://BLOG.CSDN.NET/KAN2281123066/ARTICLE/DETAILS/73196563》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108343599B (zh) * | 2018-01-10 | 2019-04-23 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
CN108343599A (zh) * | 2018-01-10 | 2018-07-31 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
CN109344618B (zh) * | 2018-02-08 | 2021-10-08 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于深度森林的恶意代码分类方法 |
CN109344618A (zh) * | 2018-02-08 | 2019-02-15 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于深度森林的恶意代码分类方法 |
CN108614992A (zh) * | 2018-03-19 | 2018-10-02 | 中国地质大学(武汉) | 一种高光谱遥感图像的分类方法、设备及存储设备 |
CN110309840A (zh) * | 2018-03-27 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 风险交易识别方法、装置、服务器及存储介质 |
CN110309840B (zh) * | 2018-03-27 | 2023-08-11 | 创新先进技术有限公司 | 风险交易识别方法、装置、服务器及存储介质 |
US10692089B2 (en) | 2018-03-27 | 2020-06-23 | Alibaba Group Holding Limited | User classification using a deep forest network |
CN110310114A (zh) * | 2018-03-27 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 对象分类方法、装置、服务器及存储介质 |
US11087180B2 (en) | 2018-03-27 | 2021-08-10 | Advanced New Technologies Co., Ltd. | Risky transaction identification method and apparatus |
CN110310114B (zh) * | 2018-03-27 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 对象分类方法、装置、服务器及存储介质 |
CN108937934A (zh) * | 2018-05-07 | 2018-12-07 | 武汉科技大学 | 一种基于深度学习的人脑mri海马体检测与分割方法 |
CN108776968A (zh) * | 2018-06-22 | 2018-11-09 | 西安电子科技大学 | 基于深度森林的sar图像变化检测方法 |
CN109685823A (zh) * | 2018-12-24 | 2019-04-26 | 南京理工大学 | 一种基于深度森林的目标跟踪方法 |
CN109685823B (zh) * | 2018-12-24 | 2022-10-28 | 南京理工大学 | 一种基于深度森林的目标跟踪方法 |
CN110070133A (zh) * | 2019-04-24 | 2019-07-30 | 北京工业大学 | 一种基于深度森林的脑功能网络分类方法 |
CN110175700A (zh) * | 2019-04-28 | 2019-08-27 | 南京邮电大学 | 基于加权深度森林的成人学位英语等级预测方法 |
CN110175700B (zh) * | 2019-04-28 | 2022-08-12 | 南京邮电大学 | 基于加权深度森林的成人学位英语等级预测方法 |
CN110375987A (zh) * | 2019-06-24 | 2019-10-25 | 昆明理工大学 | 一种基于深度森林机械轴承故障检测方法 |
CN110375987B (zh) * | 2019-06-24 | 2021-10-22 | 昆明理工大学 | 一种基于深度森林机械轴承故障检测方法 |
CN110808070A (zh) * | 2019-11-14 | 2020-02-18 | 福州大学 | 音频监控中基于深度随机森林的声音事件分类方法 |
CN110808070B (zh) * | 2019-11-14 | 2022-05-06 | 福州大学 | 音频监控中基于深度随机森林的声音事件分类方法 |
CN111242891A (zh) * | 2019-12-27 | 2020-06-05 | 北京交通大学 | 一种钢轨表面缺陷识别分类方法 |
CN112001423A (zh) * | 2020-07-29 | 2020-11-27 | 暨南大学 | Apt恶意软件组织的开集识别方法、装置、设备和介质 |
CN112001423B (zh) * | 2020-07-29 | 2023-11-07 | 暨南大学 | Apt恶意软件组织的开集识别方法、装置、设备和介质 |
CN113539480A (zh) * | 2021-07-20 | 2021-10-22 | 武汉情智感知科技有限公司 | 一种新型的精神健康干预交互系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506796A (zh) | 一种基于深度森林的阿尔兹海默病分类方法 | |
US10482603B1 (en) | Medical image segmentation using an integrated edge guidance module and object segmentation network | |
US11823046B2 (en) | Identifying subject matter of a digital image | |
JP6843086B2 (ja) | 画像処理システム、画像においてマルチラベル意味エッジ検出を行う方法、および、非一時的コンピューター可読記憶媒体 | |
US10282589B2 (en) | Method and system for detection and classification of cells using convolutional neural networks | |
CN110705555B (zh) | 基于fcn的腹部多器官核磁共振图像分割方法、系统及介质 | |
CN106529605B (zh) | 基于免疫理论的卷积神经网络模型的图像识别方法 | |
CN111597946B (zh) | 图像生成器的处理方法、图像生成方法及装置 | |
US20230368505A1 (en) | Model training method, image retrieval method, and apparatus | |
Wang et al. | Learning deep conditional neural network for image segmentation | |
Xiang et al. | Towards interpretable skin lesion classification with deep learning models | |
Jakimovski et al. | Lung cancer medical image recognition using Deep Neural Networks | |
Popescu et al. | Retinal blood vessel segmentation using pix2pix gan | |
Viet et al. | Parasite worm egg automatic detection in microscopy stool image based on Faster R-CNN | |
Tripathy et al. | Brain MRI segmentation techniques based on CNN and its variants | |
CN112836755B (zh) | 基于深度学习的样本图像生成方法及其系统 | |
Singamshetty et al. | Brain Tumor Detection Using the Inception Deep Learning Technique | |
CN112991281A (zh) | 视觉检测方法、系统、电子设备及介质 | |
KR102475004B1 (ko) | 그림 상 객체 분석을 기반으로 한 심리 분석 방법 및 이러한 방법을 수행하는 장치 | |
Wang et al. | Optic disc detection based on fully convolutional neural network and structured matrix decomposition | |
Diqi et al. | Implementation of CNN for plant leaf classification | |
Yasmin et al. | Impact of fuzziness for skin lesion classification with transformer-based model | |
Sai et al. | Flower Identification and Classification applying CNN through Deep Learning Methodologies | |
CN113705480A (zh) | 基于姿态识别神经网络的姿态识别方法、设备和介质 | |
Ahmad Effendi et al. | Image Processing for Paddy Disease Detection Using K-Means Clustering and GLCM Algorithm. |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |
|
RJ01 | Rejection of invention patent application after publication |