CN108281183A - 基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统 - Google Patents

基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统 Download PDF

Info

Publication number
CN108281183A
CN108281183A CN201810090071.3A CN201810090071A CN108281183A CN 108281183 A CN108281183 A CN 108281183A CN 201810090071 A CN201810090071 A CN 201810090071A CN 108281183 A CN108281183 A CN 108281183A
Authority
CN
China
Prior art keywords
layer
neural networks
model
image
convolutional neural
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
CN201810090071.3A
Other languages
English (en)
Inventor
王品
王力锐
李勇明
宋琪
颜芳
谭晓衡
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN201810090071.3A priority Critical patent/CN108281183A/zh
Publication of CN108281183A publication Critical patent/CN108281183A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统，包括：样本数据库，用于存储训练样本；预训练模型，该模型采用卷积神经网络模型，包括卷积层、池化层和全连接层，并利用所述样本数据库中的训练样本进行训练，使其满足多分类要求；重构模型，该模型通过迁移预训练模型中卷积层、池化层的网络结构和参数，通过修改全连接层架构，使其满足宫颈涂片图像分类任务；待测样本获取模块，用于获取待测的宫颈涂片图像样本，通过输入所述重构模型得到对应的分类结果。其效果是：系统能够允许不同大小的图像输入，具有高性能的分类效果，对宫颈癌的早期筛查和诊断具有较好的辅助效果。

Description

基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统
技术领域
本发明涉及生物医疗信息处理中的智能诊断技术，具体涉及到一种基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统。
背景技术
宫颈癌是女性癌症死亡的第四大原因，前期发现可以治疗。因此，宫颈癌的筛查对宫颈癌的治疗非常重要。子宫颈抹片检查是一种体检技术，广泛用于预防宫颈癌和发现具有潜在癌症的细胞。然而，诊断过程在很大程度上依赖于医生的经验，一方面非常耗时，另一方面，非常容易出现人为误判。由于计算机技术的最新发展，计算机辅助诊断系统正在成为病理学家检测和诊断宫颈癌的重要工具，它可以克服主观的解释，减少工作量。
目前，用于宫颈癌筛查的计算机辅助诊断方法大多是基于图像特征的方法。这些方法首先通过图像分割将细胞核，细胞质和背景分开，然后提取感兴趣区域的特征并执行特征选择，最后基于图像特征进行分类判别。尽管近期研究在细胞分割算法方面取得了进展，但由于显微图像中细胞的不规则，重叠以及染色不均等问题，准确的分割仍然是一个挑战。此外，各种算法的性能还受到特征设计和选择的限制，各种表现欠佳。
发明内容
为了解决上述问题，本发明提供一种基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统，与传统的特征提取方法相反，卷积神经网络(CNN)能自动从原始数据中学习和发现复杂的判别信息。大数据集对卷积神经网络的高性能至关重要。但是，宫颈细胞图像的数量是有限的。对于宫颈细胞图像分类，如何使用有限数量的标记样本来训练复杂的卷积神经网络结构，区分细微差别是一个关键问题。鉴于迁移学习能够利用缺乏标记数据来训练卷积神经网络模型。因此，卷积神经网络模型可以通过使用大规模的自然图像数据集预训练多层，然后将网络中的一些参数转移到任务分类网络，这样可以减少小数据集的过拟合，并通过微调来提高分类性能。
为实现上述目的，本发明所采用的具体技术方案如下：
一种基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统，其关键在于包括：
样本数据库，用于存储训练样本；
预训练模型，该模型采用卷积神经网络模型，包括卷积层、池化层和全连接层，并利用所述样本数据库中的训练样本进行训练，使其满足多分类要求；
重构模型，该模型通过迁移预训练模型中卷积层、池化层的网络结构和参数，通过修改全连接层架构，使其满足宫颈涂片图像分类任务；
待测样本获取模块，用于获取待测的宫颈涂片图像样本，通过输入所述重构模型得到对应的分类结果。
进一步地，所述待测样本获取模块获取的待测图像分为正常图像、初期癌变图像和癌变图像三种类别构成。
进一步地，所述待测样本获取模块获取的待测图像为JPEG格式的RGB彩色图像。
进一步地，所述预训练模型由两层卷积层、两层池化层和三层全连接层组成；
所述卷积层的每个输出特征图是由多个输入特征图和内核进行卷积而来；
所述池化层是通过核函数对前一层的输出进行池化处理；
全连接层是通过权重连接所有神经元。
进一步地，所述重构模型的全连接层中加入了批量规范化层和舍弃层；
所述批量规范化层用于实现批量规范，使其输出均值为0，方差为1；
所述舍弃层用于减少神经元个数以防止过拟合。
进一步地，所述重构模型输出的分类结果输出为正常细胞图像标签或情况异常图像标签两种情况。
进一步地，所述待测样本获取模块获取的待测图像可以接受不同的分辨率。
本发明的显著效果是：
本系统通过构建卷积神经网络并利用大量样本数据进行模型训练，然后将训练好的网络架构和参数迁移至新的网络模型中，通过改变全连接层的网络架构，使其满足宫颈涂片图像二分类要求，系统能够允许不同大小的图像输入，具有高性能的分类效果，对宫颈癌的早期筛查和诊断具有一定的辅助效果。
附图说明
图1为本发明的系统原理框图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本实施例提供一种基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统，包括：
样本数据库，用于存储训练样本，本实施例采用大规模标记的自然图像数据集ImageNet作为样本数据库，ImageNet在1000个类别下拥有超过120万张图片。它是目前视觉识别标准数据集中使用最广泛和最大的图像数据集，ImageNet数据集对所有研究人员开放。
预训练模型，该模型采用卷积神经网络模型，包括常见的VGG模型、GoogleNet模型、ResNet模型，本实施例中的预训练模型定义为CNN6，由两层卷积层、两层池化层和三层全连接层组成，并利用所述样本数据库中的训练样本进行训练，使其满足多分类要求，这里的卷积层的每个输出特征图是由多个输入特征图和内核进行卷积；池化层是通过核函数对前一层的输出进行池化处理；全连接层是通过权重来连接所有神经元。
具体而言，在卷积层，先前的特征映射层和训练的内核被卷积，然后输出特征由激活函数形成。每个输出映射由多个输入映射和内核进行卷积。一般来说，它被描述为：
其中：Mj代表着对输入特征图进行选择，代表第l-1层的第i个特征图，对应为第l层中的第i个输入，代表着第l层输出的第j个特征图，代表着第l层中第i个输入对应第j个输出的核函数，代表第l层对应第j个输出的初始偏置；
在池化层中，用核函数对前一层的输出特征图进行池化，可以表示为：
pool是一个用来求领域平均值或最大值的函数，通过使用样本数据库中大量样本来训练预训练模型，我们可以得到参数k和b。
对于CNN应用来说，要得到一个完美的分类器，不仅要设计一个好的网络结构，还需要有足够的标签样本。但现实情况是标签样本的数量是有限的。迁移学习是解决这个问题的好办法。它是指在其他大型图像数据集上预先训练好的深度学习模型的微调。在这项研究中，CNN模型是在ImageNet上预先训练的。然后将全连接层的结构替换为新的结构，只保留未完全连接的层和参数。为了加速收敛和减少过拟合，在预先训练的模型之后添加批量标准化层和压差层。最后，将重建模型应用于宫颈涂片图像的训练和分类。
重构模型，该模型通过迁移预训练模型中卷积层、池化层的网络结构和参数，通过修改全连接层架构，使其满足宫颈涂片图像分类任务；
通过迁移学习，预先训练的网络被获得并加载到重构模型相应的卷积层中。因此，可以得到新结构中的非全连接层的输出特征图，将其定义为：
H′＝(h′1,h′2,h′3···h′n-1,h′n)
减少可训练参数的数量，我们对所有的特征图进行全局池化处理：
xj＝average(h′j)
可以得到第一全连接层的输出为：
Fc1＝(x1,x2,x3···xn-1,xn)
如果简单的对图层进行归一化会影响分类器的性能，为了解决这个问题，所述重构模型的全连接层中加入了批量规范化层，在批量规范化层中通过加入了β和γ两个训练参数实现批量规范，使其输出均值为0，方差为1；
具体过程为：
通过批量规范化层可以得到输出B＝(y1,y2,y3···yn-1,yn)。
所述舍弃层用于减少神经元个数，具体可以表示为：
rj～Bernoulli(p)；
r是满足伯努利分布的独立随机变量，每一个都成为1的概率为p，w和b分别是权重值和偏置，f是激活函数，通过这一层我们可以得到输出特征图：D＝(z1,z2,z3···zn-1,zn)；
最后，可以得到模型的预测分布
通过最小化预测分布和真实分布之间的交叉熵可以定义目标损失函数为：
真实分布函数为：
最后我们通过：a∈classes可以得到每一张宫颈图片图像的预测类别，重构模型输出的分类结果为正常细胞图像标签或情况异常图像标签两种情况。
具体实施时，待测样本获取模块，用于获取待测的宫颈涂片图像样本，通过输入所述重构模型得到对应的分类结果。本实施例为了检测系统的可靠性，其待测样本获取模块获取的待测图像均由显微镜上的数码相机拍摄，捕获的图像被存储为JPEG格式的RGB彩色图像，图像分辨率为1388×1040像素，具有24位彩色深度。共有389例宫颈细胞图像，它被归类为120例正常患者正常细胞图像，206例异常患者的正常细胞图像以及63例异常患者的异常细胞图像。异常的患者包括低度鳞状上皮内病变(LSIL)、高度鳞状上皮内病变(HSIL)和鳞状细胞癌(SCC)，当然，样本数据库中存储的训练样本也可以用不同的分辨率。
综上所述，本发明提出的一种基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统，该系统中将ImageNet的图像数据集用来进行网络模型训练，获得预先训练的网络模型，然后将全连接层的结构替换为新的结构，只保留非完连接层的网络结构和参数，通过迁移学习，预先训练的网络被获得并加载到新结构的相应卷积层中，最后实现宫颈涂片图像的诊断。该系统通过对389个宫颈涂片图像进行测试，取得了显著的成绩(超过97％的准确性)，使其在临床环境下对宫颈癌的早期诊断提供了有效的帮助。
最后需要说明的是，本实施例描述仅为本发明的优选实施例，本领域的普通技术人员在本发明的启示下，在不违背本发明宗旨及权利要求的前提下，可以做出多种类似的表示，这样的变换均落入本发明的保护范围之内。

Claims (7)

1.一种基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统，其特征在于包括：
样本数据库，用于存储训练样本；
预训练模型，该模型采用卷积神经网络模型，包括卷积层、池化层和全连接层，并利用所述样本数据库中的训练样本进行训练，使其满足多分类要求；
重构模型，该模型通过迁移预训练模型中卷积层、池化层的网络结构和参数，通过修改全连接层架构，使其满足宫颈涂片图像分类任务；
待测样本获取模块，用于获取待测的宫颈涂片图像样本，通过输入所述重构模型得到对应的分类结果。
2.根据权利要求1所述的基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统，其特征在于：所述待测样本获取模块获取的待测图像分为正常图像、初期癌变图像和癌变图像三种类别。
3.根据权利要求2所述的基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统，其特征在于：待测样本获取模块获取的待测图像为JPEG格式的RGB彩色图像。
4.根据权利要求1-3任一所述的基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统，其特征在于：所述预训练模型由两层卷积层、两层池化层和三层全连接层组成；
所述卷积层的每个输出特征图是由多个输入特征图和内核进行卷积而获得；
所述池化层是通过核函数对前一层的输出进行全局池化或者平均池化处理；
全连接层是通过权重连接所有神经元。
5.根据权利要求4所述的基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统，其特征在于：所述重构模型的全连接层中加入了批量规范化层和舍弃层；
所述批量规范化层用于实现批量规范，使其输出均值为0，方差为1；
所述舍弃层用于减少神经元个数，防止过拟合。
6.根据权利要求1所述的基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统，其特征在于：所述重构模型输出的分类结果为正常细胞图像标签或情况异常图像标签两种情况。
7.根据权利要求1所述的基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统，其特征在于：所述待测样本获取模块获取的待测图像具有不同的分辨率。
CN201810090071.3A 2018-01-30 2018-01-30 基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统 Pending CN108281183A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810090071.3A CN108281183A (zh) 2018-01-30 2018-01-30 基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810090071.3A CN108281183A (zh) 2018-01-30 2018-01-30 基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统

Publications (1)

Publication Number Publication Date
CN108281183A true CN108281183A (zh) 2018-07-13

Family

ID=62806989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810090071.3A Pending CN108281183A (zh) 2018-01-30 2018-01-30 基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统

Country Status (1)

Country Link
CN (1) CN108281183A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190641A (zh) * 2018-08-29 2019-01-11 哈尔滨理工大学 一种基于lda和迁移学习的宫颈细胞特征提取方法
CN110021425A (zh) * 2019-01-31 2019-07-16 湖南品信生物工程有限公司 一种比较检测器及其构建方法与宫颈癌细胞检测方法
CN110210538A (zh) * 2019-05-22 2019-09-06 雷恩友力数据科技南京有限公司 一种家居图像多目标识别方法及装置
CN110246579A (zh) * 2019-06-13 2019-09-17 西安九清生物科技有限公司 一种病理诊断方法及装置
CN110599448A (zh) * 2019-07-31 2019-12-20 浙江工业大学 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统
CN110660478A (zh) * 2019-09-18 2020-01-07 西安交通大学 一种基于迁移学习的癌症图像预测判别方法和系统
CN111160238A (zh) * 2019-12-27 2020-05-15 上海杏脉信息科技有限公司 显微图像质量分析方法、训练方法、系统、设备及介质
CN111261299A (zh) * 2020-01-14 2020-06-09 之江实验室 基于多源迁移学习的多中心协同癌症预后预测系统
CN111489324A (zh) * 2020-06-05 2020-08-04 华侨大学 一种融合多模态先验病理深度特征的宫颈癌病变诊断方法
CN112334990A (zh) * 2019-06-04 2021-02-05 艾多特公司 自动宫颈癌诊断系统
WO2021068142A1 (zh) * 2019-10-09 2021-04-15 深圳大学 自动识别原始文档的翻拍图像的训练方法和检测方法
CN112712875A (zh) * 2019-10-25 2021-04-27 中国医药大学附设医院 迁移学习辅助预测系统、方法及电脑程式产品
CN113256627A (zh) * 2021-07-05 2021-08-13 深圳科亚医疗科技有限公司 用于宫颈图像的分析管理的装置和方法、设备及存储介质
WO2021227366A1 (zh) * 2020-05-14 2021-11-18 华南理工大学 一种多个小目标的自动准确检测方法
CN114266717A (zh) * 2020-09-25 2022-04-01 天津科技大学 一种基于Inception模块的并行胶囊网络宫颈癌细胞检测方法
CN114503213A (zh) * 2019-10-11 2022-05-13 国际商业机器公司 使用卷积长短期记忆从弱注释的卷式医学图像检测疾病
CN114974300A (zh) * 2022-04-07 2022-08-30 贝壳找房网(北京)信息技术有限公司 一种基于神经网络的语音鉴伪的方法、装置及存储介质
CN117218443A (zh) * 2023-09-22 2023-12-12 东北大学 巴氏涂片宫颈细胞图像分类方法及系统
CN117218602A (zh) * 2023-10-20 2023-12-12 青岛理工大学 一种结构健康监测数据异常诊断方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030194124A1 (en) * 2002-04-12 2003-10-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
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
CN106485251A (zh) * 2016-10-08 2017-03-08 天津工业大学 基于深度学习的鸡蛋胚胎分类
CN106780466A (zh) * 2016-12-21 2017-05-31 广西师范大学 一种基于卷积神经网络的宫颈细胞图像识别方法
CN107506740A (zh) * 2017-09-04 2017-12-22 北京航空航天大学 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030194124A1 (en) * 2002-04-12 2003-10-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
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
CN106485251A (zh) * 2016-10-08 2017-03-08 天津工业大学 基于深度学习的鸡蛋胚胎分类
CN106780466A (zh) * 2016-12-21 2017-05-31 广西师范大学 一种基于卷积神经网络的宫颈细胞图像识别方法
CN107506740A (zh) * 2017-09-04 2017-12-22 北京航空航天大学 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段萌等: "基于卷积神经网络的小样本图像识别方法", 《计算机工程与设计》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190641A (zh) * 2018-08-29 2019-01-11 哈尔滨理工大学 一种基于lda和迁移学习的宫颈细胞特征提取方法
CN110021425A (zh) * 2019-01-31 2019-07-16 湖南品信生物工程有限公司 一种比较检测器及其构建方法与宫颈癌细胞检测方法
CN110021425B (zh) * 2019-01-31 2022-12-09 湖南品信生物工程有限公司 一种比较检测器及其构建方法与宫颈癌细胞检测方法
CN110210538A (zh) * 2019-05-22 2019-09-06 雷恩友力数据科技南京有限公司 一种家居图像多目标识别方法及装置
CN110210538B (zh) * 2019-05-22 2021-10-19 雷恩友力数据科技南京有限公司 一种家居图像多目标识别方法及装置
CN112334990A (zh) * 2019-06-04 2021-02-05 艾多特公司 自动宫颈癌诊断系统
CN110246579A (zh) * 2019-06-13 2019-09-17 西安九清生物科技有限公司 一种病理诊断方法及装置
CN110246579B (zh) * 2019-06-13 2023-06-09 西安九清生物科技有限公司 一种病理诊断方法及装置
CN110599448A (zh) * 2019-07-31 2019-12-20 浙江工业大学 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统
CN110599448B (zh) * 2019-07-31 2022-03-15 浙江工业大学 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统
CN110660478A (zh) * 2019-09-18 2020-01-07 西安交通大学 一种基于迁移学习的癌症图像预测判别方法和系统
WO2021068142A1 (zh) * 2019-10-09 2021-04-15 深圳大学 自动识别原始文档的翻拍图像的训练方法和检测方法
CN114503213B (zh) * 2019-10-11 2024-03-08 玛雷迪夫美国公司 使用卷积长短期记忆从弱注释的卷式医学图像检测疾病
CN114503213A (zh) * 2019-10-11 2022-05-13 国际商业机器公司 使用卷积长短期记忆从弱注释的卷式医学图像检测疾病
CN112712875A (zh) * 2019-10-25 2021-04-27 中国医药大学附设医院 迁移学习辅助预测系统、方法及电脑程式产品
CN112712875B (zh) * 2019-10-25 2022-12-02 台湾中国医药大学附设医院 迁移学习辅助预测系统及方法
CN111160238A (zh) * 2019-12-27 2020-05-15 上海杏脉信息科技有限公司 显微图像质量分析方法、训练方法、系统、设备及介质
CN111261299A (zh) * 2020-01-14 2020-06-09 之江实验室 基于多源迁移学习的多中心协同癌症预后预测系统
WO2021227366A1 (zh) * 2020-05-14 2021-11-18 华南理工大学 一种多个小目标的自动准确检测方法
CN111489324B (zh) * 2020-06-05 2023-03-03 华侨大学 一种融合多模态先验病理深度特征的宫颈图像分类方法
CN111489324A (zh) * 2020-06-05 2020-08-04 华侨大学 一种融合多模态先验病理深度特征的宫颈癌病变诊断方法
CN114266717A (zh) * 2020-09-25 2022-04-01 天津科技大学 一种基于Inception模块的并行胶囊网络宫颈癌细胞检测方法
CN114266717B (zh) * 2020-09-25 2024-08-27 天津科技大学 一种基于Inception模块的并行胶囊网络宫颈癌细胞检测方法
CN113256627B (zh) * 2021-07-05 2022-06-07 深圳科亚医疗科技有限公司 用于宫颈图像的分析管理的装置和方法、设备及存储介质
CN113256627A (zh) * 2021-07-05 2021-08-13 深圳科亚医疗科技有限公司 用于宫颈图像的分析管理的装置和方法、设备及存储介质
CN114974300A (zh) * 2022-04-07 2022-08-30 贝壳找房网(北京)信息技术有限公司 一种基于神经网络的语音鉴伪的方法、装置及存储介质
CN117218443A (zh) * 2023-09-22 2023-12-12 东北大学 巴氏涂片宫颈细胞图像分类方法及系统
CN117218443B (zh) * 2023-09-22 2024-03-05 东北大学 巴氏涂片宫颈细胞图像分类方法及系统
CN117218602A (zh) * 2023-10-20 2023-12-12 青岛理工大学 一种结构健康监测数据异常诊断方法及系统

Similar Documents

Publication Publication Date Title
CN108281183A (zh) 基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统
WO2020151536A1 (zh) 一种脑部图像分割方法、装置、网络设备和存储介质
Gour et al. Residual learning based CNN for breast cancer histopathological image classification
Beevi et al. Automatic mitosis detection in breast histopathology images using convolutional neural network based deep transfer learning
Kim et al. Comparison of shallow and deep learning methods on classifying the regional pattern of diffuse lung disease
Omonigho et al. Breast cancer: tumor detection in mammogram images using modified alexnet deep convolution neural network
Tian et al. Multi-path convolutional neural network in fundus segmentation of blood vessels
Cheng et al. Mass lesion detection with a fuzzy neural network
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
WO2020087960A1 (zh) 一种影像识别的方法、装置、终端设备和医疗系统
Bengani Automatic segmentation of optic disc in retinal fundus images using semi-supervised deep learning
CN109635846A (zh) 一种多类医学图像判断方法和系统
Hattikatti Texture based interstitial lung disease detection using convolutional neural network
Asadi et al. Efficient breast cancer detection via cascade deep learning network
Yonekura et al. Improving the generalization of disease stage classification with deep CNN for glioma histopathological images
US20220198650A1 (en) Method and apparatus for efficient multi-resolution image processing for object identification and classification
Sadek et al. Automatic classification of bright retinal lesions via deep network features
Jaffar et al. Ensemble classification of pulmonary nodules using gradient intensity feature descriptor and differential evolution
Guangyu et al. Tongue color classification based on convolutional neural network
Anand et al. Transformer-based Multiclass Classification of Cervicogram Images for Improved Cervical Cancer Detection
Kim et al. Nucleus segmentation and recognition of uterine cervical pap-smears
Sivasankaran et al. Lung Cancer Detection Using Image Processing Technique Through Deep Learning Algorithm.
Kumar et al. Improved neurological diagnoses and treatment strategies via automated human brain tissue segmentation from clinical magnetic resonance imaging
CN113191413B (zh) 基于中央凹残差网络的前列腺多模mr图像分类方法和系统
Prajna et al. A survey of semantic segmentation on biomedical images using deep learning

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: 20180713

RJ01 Rejection of invention patent application after publication