CN108573491A - 一种基于机器学习的三维超声图像分割方法 - Google Patents
一种基于机器学习的三维超声图像分割方法 Download PDFInfo
- Publication number
- CN108573491A CN108573491A CN201710155261.4A CN201710155261A CN108573491A CN 108573491 A CN108573491 A CN 108573491A CN 201710155261 A CN201710155261 A CN 201710155261A CN 108573491 A CN108573491 A CN 108573491A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- grader
- machine learning
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000013507 mapping Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G06N3/08—Learning methods
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器学习的三维超声图像分割方法,包括以下步骤:在标注好的多组二维图像中对不同区域分别采样,取以某个像素点为中心的图像片段和像素点实际代表的类别作为一组样本,以此建立大量数据样本,并把样本分为训练集和测试集;构建卷积神经网络作为分类器,以图像片段作为输入、像素点类别作为标签训练卷积神经网络;使用训练好的分类器处理测试集数据并计算正确率,评估分类器的性能;调整卷积神经网络的参数,多次重复训练和评估和过程,最终取最优的结果作为分类器的参数;使用训练好的分类器处理整幅图片,将图像中每个像素点分为不同类别,以此实现图像的分割。
Description
技术领域
本发明属于超声图像处理领域,特别是一种针对三维超声图像分割的优化方法。
背景技术
超声图像分割是超声图像处理中的一个重要领域,即在超声图像中分割出感兴趣的区域。在传统的超声图像处理中,大多是基于一些传统的图像处理技术,超声图像中信息复杂,灰度分布不均匀,噪声较大,而且器官组织易发生形变,这些因素加大了特征选取和图像分割的难度,几乎不可能地使用一个通用的方法对所有超声图像实现分割。深度学习具有多个隐层以及自主学习的能力,广泛地应用在图像处理领域。卷积神经网络作为深度学习最成功的一个模型,在超声图像分割领域同样可以取得优秀的效果。
发明内容
发明目的:本发明所要解决的技术问题主要是针对现有的超声图像分割主要使用传统的图像处理技术实现,需要人工干预,效率较低而且通用性较差的问题,提供了一种基于机器学习的方法,提高了分割效率,并保证了方法的通用性。
为了解决上述技术问题,本发明公开了一种借助机器学习中的卷积神经网络进行三维超声图像分割的方法,包括如下步骤:
步骤一,将标注好M种类别的二维超声图像作为机器学习的初始样本,在多组二维图像中分别对不同类别的区域进行采样,选取以某个特征像素点为中心的图像片段和像素点实际代表的类别作为一组样本,以此建立大量数据样本,并把样本分为训练集和测试集;
步骤二,构建卷积神经网络作为分类器,以训练集中每组样本的图像片段作为输入,像素点实际代表的类别作为标签,训练卷积神经网络;
步骤三,使用步骤二中训练好的分类器处理测试集数据并计算正确率,评估分类器的性能;
步骤四,调整卷积神经网络的参数,多次重复步骤二到三,最终选取生成最优的结果一组参数作为分类器的参数;
步骤五,将待处理的三维超声图像,切分为相互平行等间距的N组二维切面图像;
步骤六,使用训练好的分类器,处理步骤五中切分好的N组图像,将图像中每个像素点分割为不同类别,以此实现对三维超声图像的分割;
本发明中,优选地,步骤一中采样选取以特征像素点为中心的图像片段,超出原图像范围的坐标点以像素值0代替。
本发明中,优选地,步骤二中的特征像素点的实际类别可用数字表示,设需要分割的组织或区域有M种类别,则可以分别用0到M-1的数字分别表示,然后将数字m表示成一个只有在第m维度(从0开始)数字为1的M维向量。
本发明中,优选地,步骤一建立的样本数据分为训练集和测试集,选取80%的样本作为训练集,20%作为测试集。
本发明中,优选地,步骤二中的卷积神经网络包括输入层、三层卷积和池化层、全连接层和输出层。
本发明中,优选地,步骤二的卷积神经网络模型在权重的初始化时加入少量的噪声来打破对称性以及避免0梯度的问题,使用正态分布的数据进行初始化;偏置项使用一个较小的正数进行初始化,以避免神经元节点输出恒为0的问题。
本发明中,优选地,步骤二中的卷积神经网络中的卷积层和全连接层使用ReLU(Rectified Linear Unit,修正线性单元)作为激活函数为模型添加非线性因素,ReLU函数形式如下:
本发明中,优选地,步骤二的卷积神经网络在训练过程中在全连接层和输出层之间使用Dropout方法减少全连接层会出现的过拟合问题,按照一定的概率将部分神经元暂时从网络中丢弃,以此提高模型的鲁棒性,在测试过程中将Dropout关闭。
本发明中,优选地,步骤二中的卷积神经网络中的输出层使用Softmax作为回归模型进行分配概率,将M维的任意实数向量映射成另一个M维的实数向量,其中向量中的每个元素取值都介于(0,1)之间:
其函数的输入z是M维的实数向量,神经网络的输出层经过Softmax处理后得到的M维向量中的每个数值即代表对应类别的概率值。
本发明中,优选地,步骤二卷积神经网络使用交叉熵作为卷积神经网络的成本函数:
其中y是我们预测的概率分布,y′是实际的分布,log是对数函数,卷积神经网络的目的是最小化成本函数。
本发明中,优选地,步骤二中的卷积神经网络用来最小化成本函数的反向传播算法使用Adam(Adaptive Moment Estimation)方法,这是一种基于一阶梯度来优化随机目标函数的算法,优点主要在于经过偏置校正后,每一次迭代学习率都有个确定范围,使得参数比较平稳。
本发明中,优选地,步骤三中的性能评估需要在测试集上进行,神经网络最终输出的结果是由一组介于0和1之间数值表示的向量形式,取最大概率值所在的索引位置即为计算出的类别,将计算出的类别与实际类别相比较,计算两者一致的比例即为正确率,以此评估分类器的性能。
本发明中,优选地,步骤四中可调整的神经网络参数包括样本数量、卷积层的通道数量和窗口大小、池化层窗口大小和全连接层神经元数量。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的有关叙述和其他方面的优点将会变得更加清楚。
图1为本发明流程图。
图2为本发明中的数据采样示意图。
具体实施方式
如图1所示,本发明公开了一种基于机器学习的三维超声图像分割方法,包括以下步骤:
步骤一,将标注好M种类别的二维超声图像作为机器学习的初始样本,在多组二维图像中分别对不同类别的区域进行采样,选取以某个特征像素点为中心的图像片段和像素点实际代表的类别作为一组样本,以此建立大量数据样本,并把样本分为训练集和测试集;
步骤二,构建卷积神经网络作为分类器,以训练集中每组样本的图像片段作为输入,像素点实际代表的类别作为标签,训练卷积神经网络;
步骤三,使用步骤二中训练好的分类器处理测试集数据并计算正确率,评估分类器的性能;
步骤四,调整卷积神经网络的参数,多次重复步骤二到三,最终选取生成最优的结果一组参数作为分类器的参数;
步骤五,将待处理的三维超声图像,切分为相互平行等间距的N组二维切面图像;
步骤六,使用训练好的分类器,处理步骤五中切分好的N组图像,将图像中每个像素点分割为不同类别,以此实现对三维超声图像的分割;
本实例中,步骤一中的M种类别,比如皮肤、脂肪、腺体、肿瘤等,分别以不同颜色在与原图像对应的新的图层中标注,在采样过程中,读取图像的标注层中每个点的色值,以此区分原图像中对应像素点所属的类别。
本实例中,步骤一中采样需要在原图像中选取以特征像素点为中心的图像片段,如图2所示,设特征像素点坐标为(a,b),则取样的图像片段四个顶点坐标为(a-Δa,b-Δb),(a+Δa,b-Δb),(a-Δa,b+Δb),(a+Δa,b+Δb),取得的图像片段宽高分别为2Δa+1和2Δb+1,超出原图像范围的坐标点以像素值0代替,然后取图像片段包含的像素集合xi;本实例中选取的Δa和Δb均为63,因此图像片段宽高均为127。
本实例中,步骤一中的特征像素点的实际类别可用数字表示,设需要分割的组织或区域有M种类别,则可以用0到M-1的数字分别表示,然后将数字m表示成一个只有在第m维度(从0开始)数字为1的M维向量,比如,将脂肪用数字2表示,表示为向量形式是[0,0,1,0,0,……]。
本实例中,步骤一中的采样在标注好的50幅二维灰度图像中进行,以此消除一些特例的影响。
本实例中,步骤一建立的样本数据需分为训练集和测试集,在50幅图像中采集到的样本数量为250000组,选取其中80%的样本作为训练集,20%作为测试集。
本实例中,步骤二中的卷积神经网络包括输入层、三层卷积和池化层、全连接层和输出层。
本实例中,步骤二中的卷积神经网络对每组样本中图像片段包含的像素集合xi做归一化处理,以此作为神经网络的输入,因为图像片段为灰度图像且宽高均为127,则卷积神经网络每组的输入为127*127的矩阵。
本实例中,步骤二的卷积神经网络使用特征像素点对应的实际类别yi′作为比对的标签,神经网络计算出的结果用yi表示,其中下标i表示第i组样本,yi′和yi均为M维向量。
本实例中,步骤二的卷积神经网络模型中需要大量的权重和偏置项,在权重的初始化时需要加入少量的噪声来打破对称性以及避免0梯度的问题,可使用正态分布的数据进行初始化;偏置项使用一个较小的正数进行初始化,以避免神经元节点输出恒为0的问题;本实例中具体使用均值为0、标准差为0.1的截断正态分布的数据初始化权重,使用数值0.1初始化偏置项。
本实例中,步骤二的卷积神经网络中,卷积层使用不同的卷积核对前一层做卷积并将对应元素累加后加上偏置项,再使用激活函数得到多个特征映射层,卷积操作的公式如下:
其中,y0和y1分别是特征映射的输入和输出,卷积核大小为Sx*Sy,wl,m是卷积核对每个相应像素值的权重,下标l和m是卷积核中每个权重的横纵坐标,y0的下标j+l和k+m是对应像素值在图像中的横纵坐标,b是偏置项,f是卷积层使用的激活函数。
本实例中,步骤二的卷积神经网络中的池化层是对卷积层生成的特征映射层做采样处理,将卷积生成的结果分割成不重叠的矩形,对每个矩形取最大值以代替矩形中的全部数值,把多个神经元压缩为一个神经元,用以简化卷积层的输出结果。
本实例中,步骤二的卷积神经网络实际选取的第一层卷积卷积核大小为6*6,卷积核数量为36,提取出36个特征映射层,每层的大小为122*122(127-6+1),第一层池化窗口大小为2*2,池化处理后每层大小变为61*61(122/2);第二层卷积卷积核大小为6*6,卷积核数量为36,提取出36个特征映射层,每层的大小为56*56(61-6+1),第二层池化窗口大小为2*2,池化处理后每层大小变为28*28(56/2);第三层卷积卷积核大小为5*5,卷积核数量为64,提取出64个特征映射层,每层大小为24*24(28-5+1),第三层池化窗口大小为3*3,池化处理后每层大小变为8*8(24/3),因此,经过三层卷积和池化后,神经网络提取出64个8*8的特征映射层,然后将其展开为8*8*64维向量作为全连接层的输入。
本实例中,步骤二的卷积神经网络实际选取的全连接层神经元数量为128个。
本实例中,步骤二的卷积神经网络中的激活函数是用来加入非线性因素的,因为线性模型的表达能力不够,卷积层和全连接层使用ReLU作为激活函数:
本实例中,步骤二的卷积神经网络在训练过程中需要在全连接层和输出层之间使用Dropout方法减少全连接层会出现的过拟合问题,本实例中将Dropout的比率设置为0.5,则全连接层的神经元将以0.5的概率停止工作,也即使全连接层的激活值以0.5的概率变为0,以此提高模型的鲁棒性,在测试过程中需要关闭Dropout,可直接设置Dropout的比率为0,使全连接层的所有神经元都正常工作。
本实例中,步骤二的卷积神经网络中对输出层计算出的结果使用Softmax作为回归模型进行概率分配,Softmax函数的实质将M维的任意实数向量映射成另一个M维的实数向量,其中向量中的每个元素取值都介于(0,1)之间:
其函数的输入z是M维的实数向量,神经网络的输出层经过Softmax处理后得到的M维向量中的每个数值即代表对应类别的概率值。
本实例中,步骤二卷积神经网络使用交叉熵作为卷积神经网络的成本函数:
其中y是我们预测的概率分布,y′是实际的分布,log是对数函数,卷积神经网络的目的是最小化成本函数。
本实例中,步骤二中的卷积神经网络用来最小化成本函数的反向传播算法可以使用Adam算法,该算法对不同参数自适应不同的学习速率,比一般的梯度下降算法有更好的性能,且经过偏置校正后每一次迭代学习率都有个确定范围,使得参数比较平稳。
本实例中,步骤三中的性能评估需要在测试集上进行,每组测试样本经过神经网络的处理,最终输出的结果是由一组介于0和1之间数值表示的向量形式,每个数值表示对应类别的概率,取最大概率值所在的索引位置即为计算出的类别,将计算出的类别与实际类别相比较,计算两者一致的比例即为正确率,以此评估分类器的性能。
本实例中,步骤四中可调整的神经网络参数包括样本数量、卷积层的通道数量和窗口大小、池化层窗口大小和全连接层神经元数量。
本实例中,步骤六中使用分类器处理N组二维切面图像时,需要对图像中的所有像素点分别取以它为中心的图像片段作为分类器的输入,对分类器输出结果取最大值1所在的索引位置即为对应的像素点所属的类别。
本实例流程图参照图1。
本发明提出了一种基于机器学习的三维超声图像分割方法,应当指出,步骤一中涉及的图像标注方式不对本专利构成限制;样本获取可以是对每幅图像逐个像素点采样也可以是随机采样,具体使用何种方式不对本专利构成限制;卷积神经网络中卷积和池化的层数等非关键参数,不对本专利构成限制。应当指出,对于本技术领域的普通人员来说,在不脱离发明原理的前提下还可以做出若干改进和润饰,这些也应视为本发明的保护范围。另外,本实例中未明确的各组成部分均可用现有技术加以实现。
Claims (8)
1.一种基于机器学习的三维超声图像分割方法,其特征在于,包括如下步骤:
步骤一,将标注好M种类别的二维超声图像作为机器学习的初始样本,在多组二维图像中分别对不同类别的区域进行采样,选取以某个特征像素点为中心的图像片段和像素点实际代表的类别作为一组样本,以此建立大量数据样本,并把样本分为训练集和测试集;
步骤二,构建卷积神经网络作为分类器,以训练集中每组样本的图像片段作为输入,像素点实际代表的类别作为标签,训练卷积神经网络;
步骤三,使用步骤二中训练好的分类器处理测试集数据并计算正确率,评估分类器的性能;
步骤四,调整卷积神经网络的参数,多次重复步骤二到三,最终选取生成最优的结果一组参数作为分类器的参数;
步骤五,将待处理的三维超声图像,切分为相互平行等间距的N组二维切面图像;
步骤六,使用训练好的分类器,处理步骤五中切分好的N组图像,将图像中每个像素点分割为不同类别,以此实现对三维超声图像的分割。
2.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法,其特征在于,步骤一中的特征像素点的实际类别可用数字表示,设需要分割的区域有M种类别,则可以用0到M-1的数字分别表示,然后将数字m表示成一个只有在第m维度(从0开始)数字为1的M维向量。
3.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法,其特征在于,步骤二中的卷积神经网络包括输入层、三层卷积和池化层、全连接层和输出层。
4.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法,其特征在于,步骤二中的卷积神经网络中的卷积层和全连接层使用ReLU作为激活函数,输出层使用Softmax作为回归模型进行分配概率。
5.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法,其特征在于,步骤三中使用交叉熵作为卷积神经网络的成本函数:
其中y是我们预测的概率分布,y′是实际的分布,log是对数函数。
6.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法,其特征在于,步骤二中的卷积神经网络用来最小化成本函数的反向传播算法使用Adam算法,这是一种基于一阶梯度来优化随机目标函数的算法。
7.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法,其特征在于,步骤三中的性能评估需要在测试集上进行,神经网络最终输出结果是M维向量形式,最大值所在的索引位置即为类别标签,将计算出的类别与实际类别相比较,计算两者一致的比例即为正确率,以此评估分类器的性能。
8.根据权利要求1所述的一种基于机器学习的三维超声图像分割方法,其特征在于,步骤四中可调整的神经网络参数包括样本数量、卷积层的通道数量和窗口大小、池化层窗口大小和全连接层神经元数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710155261.4A CN108573491A (zh) | 2017-03-10 | 2017-03-10 | 一种基于机器学习的三维超声图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710155261.4A CN108573491A (zh) | 2017-03-10 | 2017-03-10 | 一种基于机器学习的三维超声图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108573491A true CN108573491A (zh) | 2018-09-25 |
Family
ID=63575835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710155261.4A Pending CN108573491A (zh) | 2017-03-10 | 2017-03-10 | 一种基于机器学习的三维超声图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573491A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410204A (zh) * | 2018-10-31 | 2019-03-01 | 电子科技大学 | 一种基于cam的皮质白内障图像处理及增强方法 |
CN109462231A (zh) * | 2018-11-15 | 2019-03-12 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
CN109472360A (zh) * | 2018-10-30 | 2019-03-15 | 北京地平线机器人技术研发有限公司 | 神经网络的更新方法、更新装置和电子设备 |
CN109567872A (zh) * | 2018-11-05 | 2019-04-05 | 清华大学 | 基于机器学习的血管导波弹性成像方法及系统 |
CN109978888A (zh) * | 2019-02-18 | 2019-07-05 | 平安科技(深圳)有限公司 | 一种图像分割方法、装置及计算机可读存储介质 |
CN110533029A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 确定影像中目标区域的方法及装置 |
CN110652317A (zh) * | 2019-09-24 | 2020-01-07 | 深圳度影医疗科技有限公司 | 一种产前胎儿超声容积图像中标准切面的自动定位方法 |
CN110766713A (zh) * | 2019-10-30 | 2020-02-07 | 上海微创医疗器械(集团)有限公司 | 肺部图像分割方法、装置和肺部病变区域识别设备 |
CN110929779A (zh) * | 2019-11-19 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 重建神经元质量检测方法、有序点云分类方法及装置 |
CN111078984A (zh) * | 2019-11-05 | 2020-04-28 | 深圳奇迹智慧网络有限公司 | 网络模型发布方法、装置、计算机设备和存储介质 |
CN111161273A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种基于深度学习的医学超声图像分割方法 |
CN111210909A (zh) * | 2020-01-13 | 2020-05-29 | 青岛大学附属医院 | 一种基于深度神经网络的直肠癌t分期自动诊断系统及其构建方法 |
CN111326256A (zh) * | 2020-02-28 | 2020-06-23 | 李胜利 | 胎儿超声标准切面图像智能识别自我训练学习系统及考试方法 |
CN112489026A (zh) * | 2020-12-08 | 2021-03-12 | 甘肃智通科技工程检测咨询有限公司 | 基于多分支并行卷积神经网络的沥青路面病害检测方法 |
CN113313164A (zh) * | 2021-05-27 | 2021-08-27 | 复旦大学附属肿瘤医院 | 一种基于超像素分割与图卷积的数字病理图像分类方法及系统 |
CN116757534A (zh) * | 2023-06-15 | 2023-09-15 | 中国标准化研究院 | 一种基于神经训练网络的智能冰箱可靠性分析方法 |
US11763428B2 (en) | 2021-06-22 | 2023-09-19 | Saudi Arabian Oil Company | System and method for de-noising an ultrasonic scan image using a convolutional neural network |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
CN105005714A (zh) * | 2015-06-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
CN105232081A (zh) * | 2014-07-09 | 2016-01-13 | 无锡祥生医学影像有限责任公司 | 医学超声辅助自动诊断装置及方法 |
CN105825509A (zh) * | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统 |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
CN106408017A (zh) * | 2016-09-13 | 2017-02-15 | 天津大学 | 基于深度学习的超生颈动脉内中膜厚度测量装置和方法 |
-
2017
- 2017-03-10 CN CN201710155261.4A patent/CN108573491A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
CN105232081A (zh) * | 2014-07-09 | 2016-01-13 | 无锡祥生医学影像有限责任公司 | 医学超声辅助自动诊断装置及方法 |
CN105005714A (zh) * | 2015-06-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN105825509A (zh) * | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统 |
CN106408017A (zh) * | 2016-09-13 | 2017-02-15 | 天津大学 | 基于深度学习的超生颈动脉内中膜厚度测量装置和方法 |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472360A (zh) * | 2018-10-30 | 2019-03-15 | 北京地平线机器人技术研发有限公司 | 神经网络的更新方法、更新装置和电子设备 |
US11328180B2 (en) | 2018-10-30 | 2022-05-10 | Beijing Horizon Robotics Technology Research And Development Co., Ltd. | Method for updating neural network and electronic device |
CN109472360B (zh) * | 2018-10-30 | 2020-09-04 | 北京地平线机器人技术研发有限公司 | 神经网络的更新方法、更新装置和电子设备 |
CN109410204A (zh) * | 2018-10-31 | 2019-03-01 | 电子科技大学 | 一种基于cam的皮质白内障图像处理及增强方法 |
CN109410204B (zh) * | 2018-10-31 | 2022-04-15 | 电子科技大学 | 一种基于cam的皮质白内障图像处理及增强方法 |
CN109567872A (zh) * | 2018-11-05 | 2019-04-05 | 清华大学 | 基于机器学习的血管导波弹性成像方法及系统 |
CN109462231B (zh) * | 2018-11-15 | 2020-09-01 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
CN109462231A (zh) * | 2018-11-15 | 2019-03-12 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
CN109978888B (zh) * | 2019-02-18 | 2023-07-28 | 平安科技(深圳)有限公司 | 一种图像分割方法、装置及计算机可读存储介质 |
CN109978888A (zh) * | 2019-02-18 | 2019-07-05 | 平安科技(深圳)有限公司 | 一种图像分割方法、装置及计算机可读存储介质 |
CN110533029A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 确定影像中目标区域的方法及装置 |
CN110652317A (zh) * | 2019-09-24 | 2020-01-07 | 深圳度影医疗科技有限公司 | 一种产前胎儿超声容积图像中标准切面的自动定位方法 |
CN110652317B (zh) * | 2019-09-24 | 2020-12-29 | 深圳度影医疗科技有限公司 | 一种产前胎儿超声容积图像中标准切面的自动定位方法 |
CN110766713A (zh) * | 2019-10-30 | 2020-02-07 | 上海微创医疗器械(集团)有限公司 | 肺部图像分割方法、装置和肺部病变区域识别设备 |
CN111078984B (zh) * | 2019-11-05 | 2024-02-06 | 深圳奇迹智慧网络有限公司 | 网络模型发布方法、装置、计算机设备和存储介质 |
CN111078984A (zh) * | 2019-11-05 | 2020-04-28 | 深圳奇迹智慧网络有限公司 | 网络模型发布方法、装置、计算机设备和存储介质 |
CN110929779A (zh) * | 2019-11-19 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 重建神经元质量检测方法、有序点云分类方法及装置 |
CN110929779B (zh) * | 2019-11-19 | 2023-05-02 | 腾讯科技(深圳)有限公司 | 重建神经元质量检测方法、有序点云分类方法及装置 |
CN111161273A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种基于深度学习的医学超声图像分割方法 |
CN111210909A (zh) * | 2020-01-13 | 2020-05-29 | 青岛大学附属医院 | 一种基于深度神经网络的直肠癌t分期自动诊断系统及其构建方法 |
CN111326256A (zh) * | 2020-02-28 | 2020-06-23 | 李胜利 | 胎儿超声标准切面图像智能识别自我训练学习系统及考试方法 |
CN111326256B (zh) * | 2020-02-28 | 2023-12-29 | 李胜利 | 胎儿超声标准切面图像智能识别自我训练学习系统及考试方法 |
CN112489026A (zh) * | 2020-12-08 | 2021-03-12 | 甘肃智通科技工程检测咨询有限公司 | 基于多分支并行卷积神经网络的沥青路面病害检测方法 |
CN112489026B (zh) * | 2020-12-08 | 2023-08-18 | 甘肃智通科技工程检测咨询有限公司 | 基于多分支并行卷积神经网络的沥青路面病害检测方法 |
CN113313164A (zh) * | 2021-05-27 | 2021-08-27 | 复旦大学附属肿瘤医院 | 一种基于超像素分割与图卷积的数字病理图像分类方法及系统 |
US11763428B2 (en) | 2021-06-22 | 2023-09-19 | Saudi Arabian Oil Company | System and method for de-noising an ultrasonic scan image using a convolutional neural network |
CN116757534A (zh) * | 2023-06-15 | 2023-09-15 | 中国标准化研究院 | 一种基于神经训练网络的智能冰箱可靠性分析方法 |
CN116757534B (zh) * | 2023-06-15 | 2024-03-15 | 中国标准化研究院 | 一种基于神经训练网络的智能冰箱可靠性分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573491A (zh) | 一种基于机器学习的三维超声图像分割方法 | |
CN108717568A (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
CN104102919B (zh) | 一种有效防止卷积神经网络过拟合的图像分类方法 | |
CN102567731B (zh) | 一种感兴趣区域提取方法 | |
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
CN106650830A (zh) | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 | |
CN104463209B (zh) | 一种基于bp神经网络的pcb板上数字代码识别方法 | |
CN107633513A (zh) | 基于深度学习的3d图像质量的度量方法 | |
CN109118467A (zh) | 基于生成对抗网络的红外与可见光图像融合方法 | |
CN107358293A (zh) | 一种神经网络训练方法及装置 | |
CN110119687A (zh) | 基于图像处理和卷积神经网络相结合的道路表面裂痕缺陷的检测方法 | |
CN107610123A (zh) | 一种基于深度卷积神经网络的图像美学质量评价方法 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
CN104346617B (zh) | 一种基于滑动窗口和深度结构提取特征的细胞检测方法 | |
CN107729819A (zh) | 一种基于稀疏全卷积神经网络的人脸标注方法 | |
CN106529574A (zh) | 基于稀疏自动编码器和支持向量机的图像分类方法 | |
CN107145903A (zh) | 一种基于卷积神经网络图片特征提取的船舶类型识别方法 | |
CN106503654A (zh) | 一种基于深度稀疏自编码网络的人脸情感识别方法 | |
CN108596915A (zh) | 一种基于无标注数据的医疗图像分割方法 | |
CN107016409A (zh) | 一种基于图像显著区域的图像分类方法和系统 | |
CN106447658A (zh) | 基于全局和局部卷积网络的显著性目标检测方法 | |
CN108491849A (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
CN108647583A (zh) | 一种基于多目标学习的人脸识别算法训练方法 | |
CN106600595A (zh) | 一种基于人工智能算法的人体特征尺寸自动测量方法 | |
CN106203444B (zh) | 基于条带波与卷积神经网络的极化sar图像分类方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180925 |