CN108846327B - 一种色素痣与黑素瘤的智能判别系统及方法 - Google Patents

一种色素痣与黑素瘤的智能判别系统及方法 Download PDF

Info

Publication number
CN108846327B
CN108846327B CN201810527492.8A CN201810527492A CN108846327B CN 108846327 B CN108846327 B CN 108846327B CN 201810527492 A CN201810527492 A CN 201810527492A CN 108846327 B CN108846327 B CN 108846327B
Authority
CN
China
Prior art keywords
melanoma
training
under different
different multiples
pigmented nevus
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
CN201810527492.8A
Other languages
English (en)
Other versions
CN108846327A (zh
Inventor
李承新
王睿
巴伟
徐健伟
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.)
Chinese PLA General Hospital
Original Assignee
Chinese PLA General Hospital
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 Chinese PLA General Hospital filed Critical Chinese PLA General Hospital
Priority to CN201810527492.8A priority Critical patent/CN108846327B/zh
Publication of CN108846327A publication Critical patent/CN108846327A/zh
Application granted granted Critical
Publication of CN108846327B publication Critical patent/CN108846327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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
    • G06T2207/30088—Skin; Dermal
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种色素痣与黑素瘤的智能判别系统及方法：首先，将样本库中待训练色素痣与黑素瘤的病理照片在不同倍数下进行提取、分类，并处理为标准化像素矩阵作为训练样本；其次，分别搭建不同倍数下的多层网络化训练模型针对不同类别、不同倍数下的色素痣与黑素瘤训练样本进行在线智能学习及对多层网络化训练模型的优化，以达到预期的训练精度；最后，将多个训练好的网络化训练模型与不同倍数下的色素痣与黑素瘤训练样本权重进行融合，构建不同倍数下色素痣与黑素瘤的智能判别方法；本发明具有智能性强、精确度高的特点，提高了色素痣与黑素瘤的自主判别效率及精度，大大节省了人工成本。

Description

一种色素痣与黑素瘤的智能判别系统及方法
技术领域
本发明涉及人工智能领域，尤其涉及一种色素痣与黑素瘤的智能判别系统及方法。
背景技术
近年来，黑素瘤的发病率愈发增高，而色素痣与黑素瘤在外表上的相似性特征给皮肤科医师在临床诊断中带来了一定困难。传统的判别方法是根据经验医师通过对病理切片进行观察得到诊断结果，此方法虽然能够有效地解决临床的诊断问题，但是随着病人的增多，病理切片的数量也随之增多，有限的人力已经无法满足现在的就医问题。高强度的工作会给医生的临床诊断精度带来巨大影响，如何在现有的基础上，结合医师的经验并大大解放亲力亲为的状态，是亟需解决的一个关键问题。伴随着计算机技术的飞速发展，人工智能领域正处在蓬勃发展的时期。借助人工智能技术的自主性高、智能性强的优点，人脸检测、车牌识别、无人机等系统已经成为炙手可热的研究领域。现有文献所采用的技术大多通过化学实验与人工阅片的方式对病理图像进行处理与判别，近年来有相关研究利用计算机技术进行疾病的判别，如发表于《甘肃科技》杂志的“判别分析方法在疾病诊断中的应用”，其中采用Bayes判别法和马氏距离对疾病进行分类，但是对于黑素痣与黑素瘤的判别不仅不具有针对性，而且缺乏对数据样本的在线学习能力，在判别效率上存在极大的提升空间。亟需找到一个高效、准确的黑素痣与黑素瘤判别方法。
发明内容
本发明的技术解决问题是：针对色素痣与黑素瘤的判别，提供一种智能自主判别方法，在保证判别准确度前提下，提升了判别的自主性，大大节省了人工成本。
本发明的技术解决方案为：
本发明的一种色素痣与黑素瘤的智能判别系统，包括：
输入模块，接收病理图像，发送至判别模块；
判别模块，接收所述病理图像，分类为色素痣或黑素瘤，将分类结果发送至输出模块；
输出模块，输出所述病理图像的所述分类结果；
所述判别模块，包括：
样本收集与预处理模块，收集若干色素痣与黑素瘤的病理图像，在不同倍数下进行提取、分类，处理标准化像素矩阵作为不同倍数下的色素痣与黑素瘤训练样本；
模型训练模块，针对不同倍数下的色素痣与黑素瘤训练样本分别搭建不同倍数下的多层网络化训练模型，通过对样本图像数据的进行在线实时学习；根据输入样本图像的特征以及网络化模型的输出值迭代更新训练模型多层结构的连接权重，得到多个不同倍数下训练好的网络化训练模型；
模型融合模块，为多个不同倍数下训练好的网络化训练模型设定不同的可信度比重权重；将所述不同倍数下的色素痣与黑素瘤训练样本，利用不同倍数下训练好的网络化训练模型进行分类，得到不同的色素痣与黑素瘤分类概率结果；将不同的所述可信度比重权重与所述色素痣与黑素瘤分类概率结果进行融合，得到不同倍数下色素痣与黑素瘤的判别模型。
所述样本收集与预处理模块中所述不同倍数为20倍、100倍和400倍。此三个倍数是经过反复试验得出的判别倍数。在临床样本图像检测的过程中，色素痣与黑素瘤在这三个倍数下的性状特征具有比较明显的特征区别。
所述样本收集与预处理模块中所述标准化像素矩阵为标准化n*n像素的0～255灰度图像矩阵，n代表标准化图像的行或列像素个数。
所述模型训练模块中所述多层网络化训练模型为α层网络化训练模型，其中α≥3，包括输入层、输出层与至少一个中间层；所述输入层、所述中间层与所述输出层各层由n1,n2,n3个神经元组成，所述神经元包含赋权函数，每个所述神经元接收上一层所述神经元的输出值、通过所述神经元的赋权函数计算输出值、传递输出值到下一层的神经元中。
所述模型训练模块中所述训练模型为BP神经网络、卷积神经网络或径向基神经网络。
所述模型融合模块中20倍数下所述训练好的网络化训练模型的所述设定权重为0.3，100倍数下所述训练好的网络化训练模型的所述设定权重为0.3，400倍数下所述训练好的网络化训练模型的所述设定权重为0.4。
本发明的一种色素痣与黑素瘤的智能判别方法，包括以下步骤：
(1)收集若干色素痣与黑素瘤的病理图像，在不同倍数下进行提取、分类，处理标准化像素矩阵作为得到不同倍数下的色素痣与黑素瘤训练样本；
(2)针对不同倍数下的色素痣与黑素瘤训练样本分别搭建不同倍数下的多层网络化训练模型进行在线实时学习；根据输入样本图像的特征以及网络化模型的输出值迭代更新训练模型多层结构的连接权重，得到多个不同倍数下训练好的网络化训练模型；
(3)为多个不同倍数下训练好的网络化训练模型设定不同的可信度比重权重；将所述不同倍数下的色素痣与黑素瘤训练样本，利用不同倍数下训练好的网络化训练模型进行分类，得到不同的色素痣与黑素瘤分类概率结果；将不同的所述可信度比重权重与所述色素痣与黑素瘤分类概率结果进行融合，得到不同倍数下色素痣与黑素瘤的判别模型，用于色素痣与黑素瘤的智能判别。
本发明与现有技术相比的优点在于：
(1)本发明色素痣与黑素瘤的智能判别方法针对色素痣与黑素瘤的判别问题，对不同倍数下的样本照片进行标准化，进而通过搭建智能在线学习分层网络，利用训练样本对网络进行优化；基于病理样本在不同放大倍数下特征不同的特质，利用不同放大倍数下的判别概率与可信程度相融合，将人工经验与电脑计算相结合，从而保证色素痣与黑素瘤的判别准确度；
(2)网络化训练模型通过对样本图像进行在线学习，自主调整模型连接权值以及结构，优化网络化模型配置，实现对学习样本特征智能化、自主化学习，同时结合新样本数据，更新已有的网络化训练模型。
(3)传统基于皮肤病诊断专家经验的人工阅片方式虽然也能取得较高的判别精度，但是不仅需要耗费大量的时间，在病理图片数据量快速增长的情况下，人工成本也极具增加。本方法通过人工智能方法，利用算法程序模拟疾病判别流程，为高效病理诊断分类提供了一条解决途径，大大降低了人工成本，并节省了时间。
附图说明
图1为本发明一种色素痣与黑素瘤的智能判别系统及方法流程图；
图2为色素痣与黑素瘤的智能判别方法多层网络模型图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图1所示，本发明一种具有智能性强、精确度高的色素痣与黑素瘤的智能判别方法，包括以下步骤：首先，将样本库中待训练色素痣与黑素瘤的病理照片在不同倍数下进行提取、分类，并处理为标准化像素矩阵作为训练样本；其次，分别搭建不同倍数下的多层网络化训练模型针对不同类别、不同倍数下的色素痣与黑素瘤训练样本进行在线智能学习及对多层网络化训练模型的优化，以达到预期的训练精度；最后，将多个训练好的网络化训练模型与不同倍数下的色素痣与黑素瘤训练样本权重进行融合，构建不同倍数下色素痣与黑素瘤的智能判别系统以及判别方法。
具体实现步骤如下：
第一步，将色素痣与黑素瘤的病理照片在不同倍数下进行提取、分类，并处理为标准化50*50像素的0～255灰度图像矩阵作为训练样本；将每个灰度图像矩阵转化为250*1的列向量，并将对应的训练样本类别设置为0或1，与像素列向量进行配对。
第二步，根据临床样本图像检测的过程中，色素痣与黑素瘤在x20、x100、x400这三个倍数下的性状特征具有比较明显的特征区别。如x20倍数下，色素痣与黑素瘤的宏观形状与颜色比较明显，可以作为区分色素痣与黑素瘤的依据之一；x100倍数下，色素痣细胞、黑素瘤细胞与周围细胞的分布情况比较明显，可以作为区分色素痣与黑素瘤的依据之一；x400倍数下，色素痣细胞与黑素瘤细胞被放大程度较大，质壁状态区别比较明显，可以作为区分色素痣与黑素瘤的依据之一。
分别搭建x20、x100、x400倍数下的3层网络化训练模型，其中包括输入层、中间层和输出层，如图2中依次由从左至右第一个虚线框、第二个虚线框、第三个虚线框表示；训练模型可以由卷积神经网络、径向基神经网络与BP神经网络等构成，这里主要以BP神经网络构成为例。训练模型中每层网络由n1、n2、n3个神经元组成，如图2中第一个虚线框内为n1个、第二个虚线框内为n2个、第三个虚线框内为n3个(考虑硬件性能以及计算复杂度，这里取n1＝5，n2＝10，n1＝3)每个神经元包含有三个部分功能：接收上一层神经元的输出信号、通过神经元所赋权函数计算输出值、输出计算值到下一层的神经元中。针对在第一步标准化的x20、x100、x400倍数下的色素痣与黑素瘤训练样本分别设计BP神经网络Σ1、Σ2、Σ3。利用Σ1对x20倍数下色素痣和黑素瘤的训练样本和进行在线智能学习及训练，取输入层到中间层的权重为ωij 1,中间层到输出层的权重为ωjk 1，权函数为Sigmoid函数
Figure GDA0003132533380000041
其中x为图2中的输入变量xi，i＝1,2,...,n。那么，中间层的输出为Hj 1，
Figure GDA0003132533380000042
输出层的输出为Ok 1，
Figure GDA0003132533380000043
其中Ok 1为图2中的输出变量Oj，j＝1,2,...n。通过Ok 1与期望输出间的误差调整中间层与输出层的权重，使得误差降低到指定精度下。精度的设置需要考虑到解算时间与精度两个方面，精度太高，会导致解算时间过长，精度过低会导致样本匹配精度过低，无法满足预期要求，根据大量反复试验取10-4；同样地，利用Σ2对x100倍数下色素痣和黑素瘤的训练样本和进行在线智能学习及训练，取输入层到中间层的权重为ωij 2,中间层到输出层的权重为ωjk 2，权函数为Sigmoid函数
Figure GDA0003132533380000051
那么，中间层的输出为Hj 2，
Figure GDA0003132533380000052
输出层的输出为Ok 2，
Figure GDA0003132533380000053
通过Ok 2与期望输出间的误差调整中间层与输出层的权重，使得误差降低到指定精度下。精度的设置需要考虑到解算时间与精度两个方面，精度太高，会导致解算时间过长，精度过低会导致样本匹配精度过低，无法满足预期要求，根据经验这里取10-4；利用Σ3对x400倍数下色素痣和黑素瘤的训练样本和进行在线智能学习及训练，取输入层到中间层的权重为ωij 3,中间层到输出层的权重为ωjk 3，权函数为Sigmoid函数
Figure GDA0003132533380000054
那么，中间层的输出为Hj 3，
Figure GDA0003132533380000055
输出层的输出为Ok 3，
Figure GDA0003132533380000056
通过Ok 3与期望输出间的误差调整中间层与输出层的权重，使得误差降低到指定精度下。精度设置需要考虑到解算时间与精度两个方面，精度太高，会导致解算时间过长，精度过低会导致样本匹配精度过低，无法满足预期要求，根据经验这里取10-4。最终实现对学习样本特征智能化、自主化学习，同时结合新样本数据，更新已有的网络化训练模型。
第三步，根据临床经验，为x20、x100、x400倍数下放大得到的样本图像设定不同的可信度比重0.3、0.3、0.4，可信度比重可以根据具体情况实时调整，因为表示概率，所以只要三者加和为1即可；在不同放大倍数下，利用多层网络化训练模型对测试样本进行分类，得到分属色素痣与黑素瘤的概率结果p1、p2、p3；最终将不同倍数下的可信度比重与概率结果进行融合，构建色素痣与黑素瘤的智能判别方法，得到分类概率p＝0.3p1+0.3p2+0.4p3，最终判断检测图像与色素痣或黑素瘤的相近程度，具体的，在x20倍数下放大的样本图像属于色素痣的概率p1＝0.6，在x100倍数下放大的样本图像属于色素痣的概率p2＝0.8，在x400倍数下放大的样本图像属于色素痣的概率p3＝0.8，那么该样本属于色素痣的概率为p＝0.3*0.6+0.3*0.8+0.4*0.8＝0.74，属于黑素瘤的概率为0.26，则判定该样本为色素痣的样本。通过人工智能方法，利用算法程序模拟疾病判别流程，为高效病理诊断分类提供了一条解决途径，大大降低了人工成本，并节省了时间。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (7)

1.一种色素痣与黑素瘤的智能判别系统，其特征在于，包括：
输入模块，接收病理图像，发送至判别模块；
判别模块，接收所述病理图像，分类为色素痣或黑素瘤，将分类结果发送至输出模块；
输出模块，输出所述病理图像的所述分类结果；
所述判别模块，包括：
样本收集与预处理模块，收集若干色素痣与黑素瘤的病理图像，在不同倍数下进行提取、分类，处理标准化像素矩阵作为不同倍数下的色素痣与黑素瘤训练样本；
模型训练模块，针对不同倍数下的色素痣与黑素瘤训练样本分别搭建不同倍数下的多层网络化训练模型，通过对样本图像数据进行在线实时学习；根据输入样本图像的特征以及网络化模型的输出值迭代更新训练模型多层结构的连接权重，得到多个不同倍数下训练好的网络化训练模型；
模型融合模块，为多个不同倍数下训练好的网络化训练模型设定不同的可信度比重权重；将所述不同倍数下的色素痣与黑素瘤训练样本，利用不同倍数下训练好的网络化训练模型进行分类，得到不同的色素痣与黑素瘤分类概率结果；将不同的所述可信度比重权重与所述色素痣与黑素瘤分类概率结果进行融合，得到不同倍数下色素痣与黑素瘤的判别模型。
2.根据权利要求1所述的色素痣与黑素瘤的智能判别系统，其特征在于：所述样本收集与预处理模块中所述不同倍数为20倍、100倍和400倍。
3.根据权利要求1所述的色素痣与黑素瘤的智能判别系统，其特征在于：所述样本收集与预处理模块中所述标准化像素矩阵为标准化n*n像素的0～255灰度图像矩阵，n代表标准化图像的行或列像素个数。
4.根据权利要求1所述的色素痣与黑素瘤的智能判别系统，其特征在于：所述模型训练模块中所述多层网络化训练模型为α层网络化训练模型，其中α≥3，包括输入层、输出层与至少一个中间层；所述输入层、所述中间层与所述输出层各层由n1,n2,n3个神经元组成，所述神经元包含赋权函数，每个所述神经元接收上一层所述神经元的输出值、通过所述神经元的赋权函数计算输出值、传递输出值到下一层的神经元中。
5.根据权利要求1或3所述的色素痣与黑素瘤的智能判别系统，其特征在于：所述模型训练模块中所述训练模型为BP神经网络、卷积神经网络或径向基神经网络。
6.根据权利要求2所述的色素痣与黑素瘤的智能判别系统，其特征在于：所述模型融合模块中20倍数下所述训练好的网络化训练模型的所述设定权重为0.3，100倍数下所述训练好的网络化训练模型的所述设定权重为0.3，400倍数下所述训练好的网络化训练模型的所述设定权重为0.4。
7.一种色素痣与黑素瘤的智能判别方法，其特征在于，包括以下步骤：
(1)收集若干色素痣与黑素瘤的病理图像，在不同倍数下进行提取、分类，处理标准化像素矩阵作为得到不同倍数下的色素痣与黑素瘤训练样本；
(2)针对不同倍数下的色素痣与黑素瘤训练样本分别搭建不同倍数下的多层网络化训练模型进行在线实时学习；根据输入样本图像的特征以及网络化模型的输出值迭代更新训练模型多层结构的连接权重，得到多个不同倍数下训练好的网络化训练模型；
(3)为多个不同倍数下训练好的网络化训练模型设定不同的可信度比重权重；将所述不同倍数下的色素痣与黑素瘤训练样本，利用不同倍数下训练好的网络化训练模型进行分类，得到不同的色素痣与黑素瘤分类概率结果；将不同的所述可信度比重权重与所述色素痣与黑素瘤分类概率结果进行融合，得到不同倍数下色素痣与黑素瘤的判别模型，用于色素痣与黑素瘤的智能判别。
CN201810527492.8A 2018-05-29 2018-05-29 一种色素痣与黑素瘤的智能判别系统及方法 Active CN108846327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810527492.8A CN108846327B (zh) 2018-05-29 2018-05-29 一种色素痣与黑素瘤的智能判别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810527492.8A CN108846327B (zh) 2018-05-29 2018-05-29 一种色素痣与黑素瘤的智能判别系统及方法

Publications (2)

Publication Number Publication Date
CN108846327A CN108846327A (zh) 2018-11-20
CN108846327B true CN108846327B (zh) 2021-10-01

Family

ID=64207905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810527492.8A Active CN108846327B (zh) 2018-05-29 2018-05-29 一种色素痣与黑素瘤的智能判别系统及方法

Country Status (1)

Country Link
CN (1) CN108846327B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110763677A (zh) * 2019-09-12 2020-02-07 杭州迪英加科技有限公司 甲状腺冰冻切片诊断方法及系统
CN114121269B (zh) * 2022-01-26 2022-07-15 北京鹰之眼智能健康科技有限公司 一种基于人脸特征检测的中医面诊辅助诊断方法、装置和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426858A (zh) * 2015-11-26 2016-03-23 哈尔滨工业大学 一种基于视觉和振动信息融合的地面类型辨识方法
EP3413790A4 (en) * 2016-02-10 2019-10-16 Balter, Inc. SYSTEMS AND METHOD FOR EVALUATING LESIONS OF PIGMENTED TISSUE
CN107133638B (zh) * 2017-04-01 2020-01-14 中南民族大学 基于两分类器的多参数mri前列腺癌cad方法及系统
CN107665491B (zh) * 2017-10-10 2021-04-09 清华大学 病理图像的识别方法及系统
CN107909566A (zh) * 2017-10-28 2018-04-13 杭州电子科技大学 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法
CN107958217A (zh) * 2017-11-28 2018-04-24 广州麦仑信息科技有限公司 一种基于深度学习的指纹分类识别系统及方法
CN107977926B (zh) * 2017-12-01 2021-05-18 新乡医学院 一种改进神经网络的pet/mri异机脑部影像信息融合方法

Also Published As

Publication number Publication date
CN108846327A (zh) 2018-11-20

Similar Documents

Publication Publication Date Title
Demir DeepCoroNet: A deep LSTM approach for automated detection of COVID-19 cases from chest X-ray images
Shamsi et al. An uncertainty-aware transfer learning-based framework for COVID-19 diagnosis
Chouhan et al. Soft computing approaches for image segmentation: a survey
Wang et al. Automatic image-based plant disease severity estimation using deep learning
CN114926746B (zh) 基于多尺度差分特征注意力机制的sar图像变化检测方法
CN111444960A (zh) 基于多模态数据输入的皮肤病图像分类系统
CN113693563B (zh) 一种基于超图注意力网络的脑功能网络分类方法
CN111090764B (zh) 基于多任务学习和图卷积神经网络的影像分类方法及装置
CN106295124A (zh) 利用多种图像检测技术综合分析基因子图相似概率量的方法
CN110660478A (zh) 一种基于迁移学习的癌症图像预测判别方法和系统
CN112529042A (zh) 一种基于双重注意力多示例深度学习的医学图像分类方法
CN111291809A (zh) 一种处理装置、方法及存储介质
Abugabah et al. Data mining techniques for analyzing healthcare conditions of urban space-person lung using meta-heuristic optimized neural networks
CN113378792B (zh) 融合全局和局部信息的弱监督宫颈细胞图像分析方法
CN112233798B (zh) 基于病理模式与注意力机制的可解释疾病风险分析系统
CN111860106B (zh) 一种无监督的桥梁裂缝识别方法
CN113344864A (zh) 一种基于深度学习的超声甲状腺结节良恶性预测方法
CN108846327B (zh) 一种色素痣与黑素瘤的智能判别系统及方法
CN115130651A (zh) 一种记忆环路多层异构机制启发的脉冲神经网络
CN107437091A (zh) 多层限制玻尔兹曼机的sar图像正负类变化检测方法
CN116994295A (zh) 基于灰度样本自适应选择门的野生动物类别识别方法
CN111382807A (zh) 图像处理方法、装置、计算机设备和存储介质
CN115482230A (zh) 基于深度卷积脉冲神经网络的肺结核辅助决策系统
JPH08305855A (ja) 画像のパターン認識方法及び装置
CN111860258A (zh) 基于三维卷积神经网络的考场全局事件检测方法及系统

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