CN108648187B - 一种基于深度特征袋的分类方法 - Google Patents

一种基于深度特征袋的分类方法 Download PDF

Info

Publication number
CN108648187B
CN108648187B CN201810455859.XA CN201810455859A CN108648187B CN 108648187 B CN108648187 B CN 108648187B CN 201810455859 A CN201810455859 A CN 201810455859A CN 108648187 B CN108648187 B CN 108648187B
Authority
CN
China
Prior art keywords
features
depth
feature
dimensional
kernel
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
Application number
CN201810455859.XA
Other languages
English (en)
Other versions
CN108648187A (zh
Inventor
张煜
罗嘉秀
宁振源
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.)
Southern Medical University
Original Assignee
Southern Medical 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 Southern Medical University filed Critical Southern Medical University
Priority to CN201810455859.XA priority Critical patent/CN108648187B/zh
Publication of CN108648187A publication Critical patent/CN108648187A/zh
Application granted granted Critical
Publication of CN108648187B publication Critical patent/CN108648187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/20081—Training; 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30081—Prostate

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于深度特征袋的分类方法，其通过提取二维正交平面的代表性图像的深度特征，然后采用特征袋模型对所提取的深度特征进行重新编码，最后通过核融合方法结合了三个二维正交平面的特征，求得分类函数对图像进行分类标签。该分类方法大大减少了训练和测试过程的计算量，节省了数据空间，也缩短了整个计算过程的时间，利用“码本”对图像特征进行编码实现了高维度稀疏表示，使特征更具辨别性、更紧凑，能够缓解因数据量不充足带来的过拟合问题。三个二维正交平面在计算核函数时分别乘以不同的权重系数，可以更好地利用三个不同断面包含的不同空间信息，构建的分类函数更具辨别性。

Description

一种基于深度特征袋的分类方法
技术领域
本发明涉及医学图像分类预测技术领域，尤其涉及一种基于深度特征袋的分类方法。
背景技术
近年来，随着图像处理技术和机器学习方法的迅速发展，医学图像处理越来越受到人们的关注。许多研究表明，根据病人的医学影像包括MRI(磁共振)图像、CT(计算机断层扫描)图像和PET(正电子发射型计算机断层摄影)图像等，可以利用模式识别和机器学习等方法实现肿瘤良恶性分类、术前预测、预后分析，为临床决策提供有力的帮助。
深度学习方法具有强大的学习能力，在图像处理、目标检测和其他领域获得了巨大的成功，而卷积神经网络(CNN)是近年来发展最快、最具突破性的一种架构；相较于传统手工特征提取方法，卷积神经网络直接对图像进行卷积并提取特征，并通过反向传播方法和损失函数来更新和优化参数；许多研究表明卷积神经网络是一种具有代表性的深度学习架构并成功应用于医学图像分类和预测任务，如乳腺X射线摄影乳腺肿块的分类、CT肺结节的识别和MRI前列腺癌的自动检测等。
目前，大多数研究都采用三维医学图像作为输入，使用三维卷积神经网络达到分类效果，但相较于二维图像，三维图像通常会使训练和测试过程的计算量增加、时间延长、数据空间增大；三维卷积神经网络提取大量的深度特征也需要较大的训练数据以避免过拟合问题，然而对于特定的医学图像分类任务，很难获取大量的训练数据。
因此，针对上述现有技术不足，提供一种基于深度特征袋的分类方法以克服现有技术的不足甚为必要。
发明内容
本发明提供了一种基于深度特征袋的分类方法，通过该方法改善了三维卷积神经网络计算量大、耗时长等问题，避免了因医学图像训练数据较少带来的过拟合问题，并提高了支持向量机的分类性能。
本发明的上述目的通过如下技术手段实现。
提供一种基于深度特征袋的分类方法，依次包括如下步骤：
S1、采集目标对象的三维图像，勾画并分割出感兴趣区域；
S2、将步骤S1获得的感兴趣区域的三维图像均分解为三个二维正交平面的二维图像，得到三组二维图像组，从每一组二维图像组中选取一张像素点最多的二维图像分别作为三个二维正交平面的输入图像；
S3、利用卷积神经网络对步骤S2获得的三个二维正交平面的输入图像进行特征提取，得到三个二维正交平面的深度特征，三个二维正交平面的深度特征包括训练样本深度特征和测试样本深度特征；
S4、利用特征袋模型分别对步骤S3获得的训练样本深度特征和测试样本深度特征进行重新编码，得到训练样本编码特征和测试样本编码特征；
S5、采用核融合方法将步骤S4获得的训练样本编码特征和测试样本编码特征融合到支持向量机的核函数中，通过训练求得截距项b和权重系数α；
S6、根据步骤S5所得的截距项b和权重系数α代入分类函数中对图像进行分类标签。
进一步的，步骤S2中，三个二维正交平面分别为横断面、冠状面和矢状面。
进一步的，步骤S3中，卷积神经网络依次包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和输出层；
输入层为三个二维正交平面中任意一个的输入图像；
第一卷积层、第二卷积层和第三卷积层的卷积核大小均为2、卷积步长均为1；
第一池化层和第二池化层的池化核大小均为2、步长均为2；
输出层为三个二维正交平面的深度特征。
进一步的，步骤S4中，利用特征袋模型对训练样本深度特征进行重新编码，具体包括如下步骤：
A、将训练样本深度特征连接组合后用K-均值算法进行聚类，聚成K类后生成K个类的类心；
B、将步骤A中形成的K个类心组成码本；
C、将训练样本深度特征映射到码本中与被映射的训练样本深度特征距离最近的类心；
D、利用直方图统计K个类心被所述训练样本深度特征映射的频数，并将其编码成K维特征向量，得到训练样本编码特征。
进一步的，利用特征袋模型对测试样本深度特征进行重新编码，具体为将测试样本深度特征映射到码本中与被映射的测试样本深度特征距离最近的类心，利用直方图统计K个类心被所述测试样本深度特征映射的频数，并将其编码成K维特征向量，得到测试样本编码特征。
进一步的，步骤C中，被映射的训练样本深度特征与K个类心中任意一个之间的距离以及被映射的测试样本深度特征与K个类心中任意一个之间的距离均采用欧式距离计算。
进一步的，步骤S5中，核函数为线性核、多项式核、高斯核、Sigmoid核中的任意一个。
优选的，步骤S5中，核函数为高斯核，高斯核表达式为：
Figure BDA0001659644300000041
其中DRBF(xi,xj)为高斯距离，
Figure BDA0001659644300000042
V＝1或2或3，分别代表横断面、冠状面和矢状面，即ω1、ω2、ω3分别表示横断面、冠状面和矢状面的权重系数，
Figure BDA0001659644300000043
分别表示横断面、冠状面和矢状面的高斯距离；Xi,Xj表示训练样本特征中的第i个和第j个样本；σ为超参数，在训练过程中确定；k表示特征向量中的第k个特征；N是训练样本总数。
进一步的，步骤S6中，分类函数表达式为：
Figure BDA0001659644300000051
其中αi表示测试样本中第i个样本的权重系数，Kv(x)T为测试样本中三个二维正交平面的核函数，Kv(x)T＝(Kv(I0,Ix),Kv(I1,Ix))T；I0,I1分别表示二分类中标签为阴性和阳性的训练样本的特征；Ix表示测试样本的特征；f(x)为测试图像的分类标签。
本发明提取深度特征的对象为二维正交平面的代表性图像，而非三维图像，大大减少了训练和测试过程的计算量，节省了数据空间，也缩短了整个计算过程的时间。采用特征袋模型对所提取的深度特征进行重新编码，使特征维度大大降低，利用“码本”对图像特征进行编码实现了高维度稀疏表示，使特征更具辨别性、更紧凑，图像可表示为更具有代表性的特征，特别是对于医学图像而言，能够缓解因数据量不充足带来的过拟合问题。通过核融合方法结合了三个二维正交平面的特征，相较于传统的将三个特征简单相连后用支持向量机进行分类的方法，三个二维正交平面在计算核函数时分别乘以不同的权重系数，可以更好地利用三个不同断面包含的不同空间信息，构建一个更具辨别性的分类器。
附图说明
利用附图对本发明做进一步说明，但附图中的内容不构成对本发明的任何限制。
图1是本发明的具体实施流程图；
图2是本发明的卷积神经网络的示意图；
图3是本发明的使用特征袋模型对深度特征进行编码的过程框架示意图。
具体实施方式
结合以下实施例对本发明作进一步的描述。
实施例1。
如图1-3所示，一种基于深度特征袋的分类方法，依次包括如下步骤：
S1、采集目标对象的三维图像，勾画并分割出感兴趣区域；
S2、将步骤S1获得的感兴趣区域的三维图像均分解为三个二维正交平面的二维图像，得到三组二维图像组，从每一组二维图像组中选取一张像素点最多的二维图像分别作为三个二维正交平面的输入图像；
S3、利用卷积神经网络对步骤S2获得的三个二维正交平面的输入图像进行特征提取，得到三个二维正交平面的深度特征，三个二维正交平面的深度特征包括训练样本深度特征和测试样本深度特征；
S4、利用特征袋模型分别对步骤S3获得的训练样本深度特征和测试样本深度特征进行重新编码，得到训练样本编码特征和测试样本编码特征；
S5、采用核融合方法将步骤S4获得的训练样本编码特征和测试样本编码特征融合到支持向量机的核函数中，通过训练求得截距项b和权重系数α；
S6、根据步骤S5所得的截距项b和权重系数α代入分类函数中对图像进行分类标签。
步骤S2中，三个二维正交平面分别为横断面、冠状面和矢状面。
步骤S3中，卷积神经网络依次包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和输出层；输入层为三个二维正交平面中任意一个的输入图像；第一卷积层、第二卷积层和第三卷积层的卷积核大小均为2、卷积步长均为1；第一池化层和第二池化层的池化核大小均为2、步长均为2；输出层为三个二维正交平面的深度特征。
步骤S4中，利用特征袋模型对训练样本深度特征进行重新编码，具体包括如下步骤：
A、将训练样本深度特征连接组合后用K-均值算法进行聚类，聚成K类后生成K个类的类心；
B、将步骤A中形成的K个类心组成码本；
C、将训练样本深度特征映射到码本中与被映射的训练样本深度特征距离最近的类心；
D、利用直方图统计K个类心被所述训练样本深度特征映射的频数，并将其编码成K维特征向量，得到训练样本编码特征。
利用特征袋模型对测试样本深度特征进行重新编码，具体为将测试样本深度特征映射到所述码本中与被映射的测试样本深度特征距离最近的类心，利用直方图统计K个类心被所述测试样本深度特征映射的频数，并将其编码成K维特征向量，得到测试样本编码特征。
步骤C中，被映射的训练样本深度特征与K个类心中任意一个之间的距离以及被映射的测试样本深度特征与K个类心中任意一个之间的距离均采用欧式距离计算。
步骤S5中，核函数为线性核、多项式核、高斯核、Sigmoid核中的任意一个。
本实施例中提取深度特征的对象为二维正交平面的代表性图像，而非三维图像，大大减少了训练和测试过程的计算量，节省了数据空间，也缩短了整个计算过程的时间。采用特征袋模型对所提取的深度特征进行重新编码，使特征维度大大降低，利用“码本”对图像特征进行编码实现了高维度稀疏表示，使特征更具辨别性、更紧凑，图像可表示为更具有代表性的特征，特别是对于医学图像而言，能够缓解因数据量不充足带来的过拟合问题。
实施例2。
一种基于深度特征袋的分类方法，其他特征与实施例1相同，不同之处在于，步骤S5中，核函数为高斯核，高斯核表达式为：
Figure BDA0001659644300000081
其中DRBF(xi,xj)为高斯距离，
Figure BDA0001659644300000082
V＝1或2或3，分别代表横断面、冠状面和矢状面，即ω1、ω2、ω3分别表示横断面、冠状面和矢状面的权重系数，
Figure BDA0001659644300000083
分别表示横断面、冠状面和矢状面的高斯距离；Xi,Xj表示训练样本特征中的第i个和第j个样本；σ为超参数，在训练过程中确定；k表示特征向量中的第k个特征；N是训练样本总数。
步骤S6中，分类函数表达式为：
Figure BDA0001659644300000091
其中αi表示测试样本中第i个样本的权重系数，Kv(x)T为测试样本中三个二维正交平面的核函数，Kv(x)T＝(Kv(I0,Ix),Kv(I1,Ix))T；I0,I1分别表示二分类中标签为阴性和阳性的训练样本的特征；Ix表示测试样本的特征；f(x)为测试图像的分类标签。
本实施例通过核融合方法结合了三个二维正交平面的特征，相较于传统的将三个特征简单相连后用支持向量机进行分类的方法，三个二维正交平面在计算核函数时分别乘以不同的权重系数，可以更好地利用三个不同断面包含的不同空间信息，构建一个更具辨别性的分类器。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (9)

1.一种基于深度特征袋的分类方法，其特征在于，依次包括如下步骤：
S1、采集目标对象的三维图像，勾画并分割出感兴趣区域；
S2、将步骤S1获得的感兴趣区域的三维图像均分解为三个二维正交平面的二维图像，得到三组二维图像组，从每一组二维图像组中选取一张像素点最多的二维图像分别作为三个二维正交平面的输入图像；
S3、利用卷积神经网络对步骤S2获得的三个二维正交平面的输入图像进行特征提取，得到三个二维正交平面的深度特征，三个二维正交平面的深度特征包括训练样本深度特征和测试样本深度特征；
S4、利用特征袋模型分别对步骤S3获得的训练样本深度特征和测试样本深度特征进行重新编码，得到训练样本编码特征和测试样本编码特征；
S5、采用核融合方法将步骤S4获得的训练样本编码特征和测试样本编码特征融合到支持向量机的核函数中，通过训练求得截距项b和权重系数α；
S6、将步骤S5所得的截距项b和权重系数α代入分类函数中对图像进行分类。
2.根据权利要求1所述的基于深度特征袋的分类方法，其特征在于，步骤S2中，所述三个二维正交平面分别为横断面、冠状面和矢状面。
3.根据权利要求2所述的基于深度特征袋的分类方法，其特征在于，步骤S3中，所述卷积神经网络依次包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和输出层；
所述输入层为三个二维正交平面中任意一个的输入图像；
所述第一卷积层、第二卷积层和第三卷积层的卷积核大小均为2、卷积步长均为1；
所述第一池化层和第二池化层的池化核大小均为2、步长均为2；
所述输出层为三个二维正交平面的深度特征。
4.根据权利要求3所述的基于深度特征袋的分类方法，其特征在于，步骤S4中，所述利用特征袋模型对训练样本深度特征进行重新编码，具体包括如下步骤：
A、将训练样本深度特征连接组合后用K-均值算法进行聚类，聚成K类后生成K个类的类心；
B、将步骤A中形成的K个类心组成码本；
C、将训练样本深度特征映射到码本中与被映射的训练样本深度特征距离最近的类心；
D、利用直方图统计K个类心被所述训练样本深度特征映射的频数，并将其编码成K维特征向量，得到训练样本编码特征。
5.根据权利要求4所述的基于深度特征袋的分类方法，其特征在于，所述利用特征袋模型对测试样本深度特征进行重新编码，具体为：将测试样本深度特征映射到所述码本中与被映射的测试样本深度特征距离最近的类心，利用直方图统计K个类心被所述测试样本深度特征映射的频数，并将其编码成K维特征向量，得到测试样本编码特征。
6.根据权利要求5所述的基于深度特征袋的分类方法，其特征在于，步骤C中，所述被映射的训练样本深度特征与K个类心中任意一个之间的距离以及被映射的测试样本深度特征与K个类心中任意一个之间的距离均采用欧式距离计算。
7.根据权利要求6所述的基于深度特征袋的分类方法，其特征在于，步骤S5中，所述核函数为线性核、多项式核、高斯核、Sigmoid核中的任意一个。
8.根据权利要求6所述的基于深度特征袋的分类方法，其特征在于，步骤S5中，所述核函数为高斯核，高斯核表达式为：
Figure FDA0003000371930000031
其中DRBF(xi,xj)为高斯距离，
Figure FDA0003000371930000032
V＝1或2或3，分别代表横断面、冠状面和矢状面，即
Figure FDA0003000371930000033
Figure FDA0003000371930000034
分别表示横断面、冠状面和矢状面的高斯距离，ω1、ω2、ω3分别表示横断面、冠状面和矢状面的权重系数，Xi,Xj表示训练样本特征中的第i个和第j个样本；k表示特征向量中的第k个特征；N是训练样本总数，σ为超参数，在训练过程中确定。
9.根据权利要求8所述的基于深度特征袋的分类方法，其特征在于，步骤S6中，所述分类函数表达式为：
Figure FDA0003000371930000041
其中αi表示测试样本中第i个样本的权重系数，Kv(x)T为测试样本中三个二维正交平面的核函数，Kv(x)T＝(Kv(I0,Ix),Kv(I1,Ix))T；I0,I1分别表示二分类中标签为阴性和阳性的训练样本的特征；Ix表示测试样本的特征；f(x)为测试图像的分类标签。
CN201810455859.XA 2018-05-14 2018-05-14 一种基于深度特征袋的分类方法 Active CN108648187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810455859.XA CN108648187B (zh) 2018-05-14 2018-05-14 一种基于深度特征袋的分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810455859.XA CN108648187B (zh) 2018-05-14 2018-05-14 一种基于深度特征袋的分类方法

Publications (2)

Publication Number Publication Date
CN108648187A CN108648187A (zh) 2018-10-12
CN108648187B true CN108648187B (zh) 2021-06-15

Family

ID=63755020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810455859.XA Active CN108648187B (zh) 2018-05-14 2018-05-14 一种基于深度特征袋的分类方法

Country Status (1)

Country Link
CN (1) CN108648187B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109600600B (zh) * 2018-10-31 2020-11-03 万维科研有限公司 涉及深度图转换的编码器、编码方法以及三层表达式的存储方法和格式

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463182A (zh) * 2014-11-28 2015-03-25 深圳先进技术研究院 基于关键点检测的nbi胃镜图像处理方法
WO2017158058A1 (en) * 2016-03-15 2017-09-21 Imra Europe Sas Method for classification of unique/rare cases by reinforcement learning in neural networks
CN107545216A (zh) * 2016-06-29 2018-01-05 深圳市格视智能科技有限公司 一种可用于电力巡线的车辆识别方法
CN107665325A (zh) * 2016-07-28 2018-02-06 上海交通大学 基于原子特征袋模型的视频异常事件检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140378810A1 (en) * 2013-04-18 2014-12-25 Digimarc Corporation Physiologic data acquisition and analysis

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463182A (zh) * 2014-11-28 2015-03-25 深圳先进技术研究院 基于关键点检测的nbi胃镜图像处理方法
WO2017158058A1 (en) * 2016-03-15 2017-09-21 Imra Europe Sas Method for classification of unique/rare cases by reinforcement learning in neural networks
CN107545216A (zh) * 2016-06-29 2018-01-05 深圳市格视智能科技有限公司 一种可用于电力巡线的车辆识别方法
CN107665325A (zh) * 2016-07-28 2018-02-06 上海交通大学 基于原子特征袋模型的视频异常事件检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Generalized symmetric pair model for action classification in still images;Zhichen Zhao et al.;《Pattern Recognition》;20170430;1-33 *
基于图像分类的谷物识别系统;钱德强;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160715;I138-1041 *

Also Published As

Publication number Publication date
CN108648187A (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
CN108171232B (zh) 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法
Chato et al. Machine learning and deep learning techniques to predict overall survival of brain tumor patients using MRI images
Shin et al. Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning
CN112150428B (zh) 一种基于深度学习的医学图像分割方法
Kooi et al. Classifying symmetrical differences and temporal change for the detection of malignant masses in mammography using deep neural networks
Poudel et al. Evaluation of commonly used algorithms for thyroid ultrasound images segmentation and improvement using machine learning approaches
CN107506761A (zh) 基于显著性学习卷积神经网络的脑部图像分割方法及系统
Chandra et al. Context aware 3D CNNs for brain tumor segmentation
Balamurugan et al. Brain tumor segmentation and classification using hybrid deep CNN with LuNetClassifier
Mahapatra et al. Active learning based segmentation of Crohns disease from abdominal MRI
Niyaz et al. Advances in deep learning techniques for medical image analysis
CN111476796A (zh) 一种结合多种网络的半监督冠状动脉分割系统及分割方法
Reda et al. A new NMF-autoencoder based CAD system for early diagnosis of prostate cancer
CN112364920B (zh) 基于深度学习的甲状腺癌病理图像分类方法
CN114693933A (zh) 基于生成对抗网络和多尺度特征融合的医学影像分割装置
Mienye et al. Improved predictive sparse decomposition method with densenet for prediction of lung cancer
Gao et al. Multi-label deep regression and unordered pooling for holistic interstitial lung disease pattern detection
Anji Reddy et al. Breast cancer identification and diagnosis techniques
Mehedi et al. Kidney tumor segmentation and classification using deep neural network on ct images
Malibari et al. Artificial intelligence based prostate cancer classification model using biomedical images
Chatterjee et al. A survey on techniques used in medical imaging processing
Sangeetha et al. Diagnosis of pneumonia using image recognition techniques
CN108648187B (zh) 一种基于深度特征袋的分类方法
Cetindag et al. Transfer Learning Methods for Using Textural Features in Histopathological Image Classification
CN111583192A (zh) Mri图像与深度学习乳腺癌图像处理方法及早筛系统

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