CN108985372A - 一种基于capsule理论和PLSA路由的医学影像分类方法 - Google Patents
一种基于capsule理论和PLSA路由的医学影像分类方法 Download PDFInfo
- Publication number
- CN108985372A CN108985372A CN201810758184.6A CN201810758184A CN108985372A CN 108985372 A CN108985372 A CN 108985372A CN 201810758184 A CN201810758184 A CN 201810758184A CN 108985372 A CN108985372 A CN 108985372A
- Authority
- CN
- China
- Prior art keywords
- capsule
- layer
- plsa
- image
- medical 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
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Abstract
本发明公开了一种基于capsule理论和PLSA路由的医学影像分类方法,本发明通过引入PLSA概率模型,设计新的capsule路由方法,相比一致性路由,该方法采用更合理的软聚类方法度量capsule之间的一致性,在此基础上设计一种融合capsule理论和PLSA路由的医学影像分类模型,更好地处理医学影像分类任务。该模型框架由基于capsule的卷积神经网络和图像重构全连接网络构成。基于capsule的卷积神经网络采用PLSA路由传递capsule之间的信息,不仅能够自动学习医学影像特征,还能更好地发现特征之间的大小、位置与方向等信息,提升分类准确率。图像重构全连接网络使用类别capsule恢复原始医学影像,旨在提高基于capsule的卷积神经网络的泛化能力。
Description
技术领域
本发明涉及医学影像分析领域,更具体地,涉及一种基于capsule理论和PLSA路由的医学影像分类方法。
背景技术
医学影像是医疗数据的重要组成部分,已成为临床医生诊断的重要依据。临床医生需要对医学影像进行各种定量分析以完成诊断。医生查看医学影像既耗时又依赖个人经验,分析效率和准确率均被限制。利用计算机技术辅助医学影像分析可有效缓解临床医生的工作压力,同时为患者提供更好的医疗服务。
医学影像分析包括影像分类、目标检测、图像分割和检索等,分类任务最为基础,能为疾病筛查提供有价值的判断依据。计算机技术在医学影像分类任务上得到广泛应用。早期方法主要是运用计算机视觉技术,提取图像的纹理特征和灰度特征等,作为传统机器学习模型的输入,完成分类任务。由于特征选择依赖人工经验,无法自动发现抽象语义特征信息,且模型需要设置过多的阈值以控制训练过程,导致模型难以泛化,实际应用价值不高。
相比传统的机器学习,深度学习是一种完备的端对端模型,无需人工参与,可自动学习语义特征。深度学习,特别是卷积神经网络(Convolutional Neural Networks,CNN),已在图像分类任务中取得巨大成功。深度学习特别适合处理医学影像大数据场景。近年来,基于深度学习的医学影像分类成为研究。以CNN为代表的医学影像分类方法首先选择感兴趣区域,然后进行对图像进行预处理,作为网络输入,再经过一系列卷积、池化和激活操作后,自动学习高维特征,其中浅层网络将学习检测诸如边缘和颜色渐变之类的简单特征,而深层网络元则将简单特征组合成复杂的高维特征,后续的全连接网络对特征进一步组合并输出分类预测。
尽管CNN能够自动学习特征,但它无法识别特征之间的空间关系。原因在于,CNN的深层高维特征只是浅层简单特征的加权组合,导致深层特征与浅层特征之间并不存在位姿(平移和旋转)关系。CNN试图采用池化或卷积层来增加深层网络神经元的视野,以检测输入图像较大区域的高维特征,但未能从本质上解决不同网络层特征之间的空间关系。为了更好地建模网络中内部知识表示的分层关系(包括大小、位置和方向等),Hinton提出了capsule理论,并在此基础上设计了CapsNet模型,在公开实验数据集取得了优于CNN的图像分类效果。本质上,capsule为一组神经元,学习辨识一个有限的观察条件和变形范围内隐式定义的视觉实体(可能是整体也可能是部分),并输出实体在有限范围内存在的概率及一组实例参数(包括实体位姿、照明条件和变形信息等)。当capsule激活时,视觉实体存在的概率具有局部不变性,即概率不会改变;而实例参数随观察条件变化,反映实体位姿、照明条件和变形信息等。目前,利用capsule理论处理医学影像分类问题的相关研究几乎没有。另外,CapsNet模型采用一致性路由来更新高层级capsule,即低层级的激活capsule通过矩阵变换对实体做出预测,预测结果为高层级的capsule提供实例参数。当多个预测值达成一致时,一个高层级的capsule就会被激活。一致性路由简单地利用capsule向量之间内积(即余弦相似度)作为低层级capsule的预测结果对高层级capsule的贡献权重,迭代次数设置依赖经验,过多的迭代容易导致过拟合,而过少的迭代会导致欠拟合。
综上,如何设计有效的capsule路由方法,在此基础上构建基于capsule理论的医学影像分类网络,进一步提升分类准确率,是目前亟待解决的问题。
发明内容
本发明的目的是解决上述一个或多个缺陷,提出一种基于capsule理论和PLSA路由的医学影像分类方法。
为实现以上发明目的,采用的技术方案是:
一种基于capsule理论和PLSA路由的医学影像分类方法,包括以下步骤:
S1:输入原始的医学影像;
S2:构建基于capsule的卷积神经网络并进行分类预测,其中网络capsule层之间的路由利用概率潜在语义分析模型PLSA进行信息传递;
S3:构建图像重构全连接网络;
S4:输出生成的医学影像。
优选的是,步骤S2所述的基于capsule的卷积神经网络包括第一层卷积层ReLUConv1、第二层PrimaryCaps层和第三层ClassCaps层;
其中第一层是卷积层ReLU Conv1,为普通的卷积层,输入图像尺寸为4×28×28,即合并原始图像的3个RGB通道信息,以及视盘和视杯分割图的单通道标注信息,该层共有256个9×9的卷积核,步长取1,激活函数为ReLU,实现局部特征提取,融合原始图像信息,以及视盘和视杯标注信息,并作为下一层的输入;
第二层PrimaryCaps层,为capsule层;输入图像尺寸为256×20×20,该层capsule向量维度设为8,共有32个9×9的卷积核,步长取2,激活函数为ReLU,输出为32个通道,每个通道数据尺寸为6×6;
第三层是ClassCaps层,为capsule层;输入数据为256×6×6×8,该层capsule向量维度设为16,输出为2个类别capsule,分别对应青光眼识别结果,即正常和青光眼。
优选的是,步骤S2中所述概率潜在语义分析模型PLSA联合分布P(di,wj)如下:
P(di,wj)=P(di)P(wj|di),
其中d代表文档,z代表隐含主题,w为词项,M是文档数量,N是文档d的词项数量,P(di)是文档di出现概率,P(zk|di)表示文档di属于主题zk的概率,P(wj|zk)为给定主题zk出现词项wj的概率;PrimaryCaps层的capsule对应PLSA中的文档,而ClassCaps层的capsule即是隐含主题,capsule向量的每个维度为词项出现的概率;
本模型共有NK+MK个未知参数,考虑EM算法求解,在E步骤,随机给定参数条件P(zk|di)和P(wj|zk),计算隐含变量的后验概率:
在M步骤中,利用E步骤得到的隐含变量的后验概率,最大化对数似然函数的期望,更新参数估计:
其中,n(di,wj)为文档di出现词项wj的频率,通过不断迭代,直到收敛,得到capsule之间的路由权重P(zk|di)。
优选的是,所述基于capsule的卷积神经网络采用后向传播技术,通过参数更新使得损失函数L最小化;
其中整个网络的损失函数L:
L=αLc+βLr
Lc为边际损失函数,利用向量的长度来表示capsule实体存在的概率;Lr为重构损失;α和β分别表示边际损失和重构损失的权重;
其中
Lc=Tc·max(0,m+-||Vc||)2+λ·(1-Tc)·max(0,||Vc||-m-)2;
Vc是青光眼图像类别c的capsule向量,||Vc||表示该向量的长度,Tc=1当且仅当青光眼图像类别c存在,m+=0.9,m-=0.1,λ表示已存在类别的权重衰减系数;
Lr=‖x-x′‖2;
x为原始图像(包括视盘和视杯分割图的标注信息),x′为重构图像;‖x-x′‖2表示两幅图像之间的差距,具体计算方法如下:首先将两幅图像相同位置的像素点对求灰度值的差,再对差值取平方,最后求和得到结果。
优选的是,步骤S3所述的图像重构全连接网络使用类别capsule恢复原始图像;其中第一层为ClassCaps,Representation of the reconstruction target表示选中capsule,Masked标记未选中capsule;第二层为全连接层,共有2048个神经元,激活函数为ReLU,;第三层为全连接层,神经元增加到4096个,激活函数为ReLU;最后输出层为全连接层,神经元为3136个,对应3×28×28的原始图像,以及1×28×28的视盘和视杯分割图像。
优选的是,所述图像重构全连接网络通过网络输出和原始图像输入之间的平方损失Lr计算得出。采用后向传播技术更新网络参数,使得Lr最小化。
与现有技术相比,本发明的有益效果是:
相对于现有技术,本发明有效融合capsule理论和PLSA路由方法,能够更好地处理医学影像分类任务。
附图说明
图1为本发明的流程图;
图2为基于capsule的卷积神经网络结构图;
图3为图像重构全连接网络结构图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
一种基于capsule理论和PLSA路由的医学影像分类方法,请参考图1,包括以下步骤:
S1:输入原始的医学影像;
S2:构建基于capsule的卷积神经网络并进行分类预测,其中网络capsule层之间的路由利用概率潜在语义分析模型PLSA进行信息传递;
S3:构建图像重构全连接网络;
S4:输出生成的医学影像。
本实施例中,步骤S2所述的基于capsule的卷积神经网络包括第一层卷积层ReLUConv1、第二层PrimaryCaps层和第三层ClassCaps层,请参考图2;
其中第一层是卷积层ReLU Conv1,为普通的卷积层,输入图像尺寸为4×28×28,即合并原始图像的3个RGB通道信息,以及视盘和视杯分割图的单通道标注信息,该层共有256个9×9的卷积核,步长取1,激活函数为ReLU,实现局部特征提取,融合原始图像信息,以及视盘和视杯标注信息,并作为下一层的输入;
第二层PrimaryCaps层,为capsule层;输入图像尺寸为256×20×20,该层capsule向量维度设为8,共有32个9×9的卷积核,步长取2,激活函数为ReLU,输出为32个通道,每个通道数据尺寸为6×6;
第三层是ClassCaps层,为capsule层;输入数据为256×6×6×8,该层capsule向量维度设为16,输出为2个类别capsule,分别对应青光眼识别结果,即正常和青光眼。
本实施例中,步骤S2中所述概率潜在语义分析模型PLSA联合分布P(di,wj)如下:
P(di,wj)=P(di)P(wj|di),
其中d代表文档,z代表隐含主题,w为词项,M是文档数量,N是文档d的词项数量,P(di)是文档di出现概率,P(zk|di)表示文档di属于主题zk的概率,P(wj|zk)为给定主题zk出现词项wj的概率;PrimaryCaps层的capsule对应PLSA中的文档,而ClassCaps层的capsule即是隐含主题,capsule向量的每个维度为词项出现的概率;
本模型共有NK+MK个未知参数,考虑EM算法求解,在E步骤,随机给定参数条件P(zk|di)和P(wj|zk),计算隐含变量的后验概率:
在M步骤中,利用E步骤得到的隐含变量的后验概率,最大化对数似然函数的期望,更新参数估计:
其中,n(di,wj)为文档di出现词项wj的频率,通过不断迭代,直到收敛,得到capsule之间的路由权重P(zk|di)。
本实施例中,所述基于capsule的卷积神经网络采用后向传播技术,通过参数更新使得损失函数L最小化;
其中整个网络的损失函数L:
L=αLc+βLr
Lc为边际损失函数,利用向量的长度来表示capsule实体存在的概率;Lr为重构损失;α和β分别表示边际损失和重构损失的权重;
其中
Lc=Tc·max(0,m+-||Vc||)2+λ·(1-Tc)·max(0,||Vc||-m-)2;
Vc是青光眼图像类别c的capsule向量,||Vc||表示该向量的长度,Tc=1当且仅当青光眼图像类别c存在,m+=0.9,m-=0.1,λ表示已存在类别的权重衰减系数;
Lr=‖x-x′‖2;
x为原始图像(包括视盘和视杯分割图的标注信息),x′为重构图像;‖x-x′‖2表示两幅图像之间的差距,具体计算方法如下:首先将两幅图像相同位置的像素点对求灰度值的差,再对差值取平方,最后求和得到结果。
本实施例中,步骤S3所述的图像重构全连接网络使用类别capsule恢复原始图像,如图3所示;其中第一层为ClassCaps,Representation of the reconstruction target表示选中capsule,Masked标记未选中capsule;第二层为全连接层,共有2048个神经元,激活函数为ReLU,;第三层为全连接层,神经元增加到4096个,激活函数为ReLU;最后输出层为全连接层,神经元为3136个,对应3×28×28的原始图像,以及1×28×28的视盘和视杯分割图像。
本实施例中,所述图像重构全连接网络通过网络输出和原始图像输入之间的平方损失Lr计算得出。采用后向传播技术更新网络参数,使得Lr最小化。
实施例2
给定一张青光眼医学影像,经过预处理后,作为已训练好的基于PLSA路由的CapsNet网络的输入,经过运算输出青光眼分类概率。
S1:使用iMED-Origa650数据集,训练好基于PLSA路由的CapsNet分类网络;
S2:读取待分类的青光眼医学影像;
S3:综合采用图像预处理技术,比如CLAHE处理感兴趣区域,增强图像整体或局部对比度;
S4:将预处理后的图像,作为已训练网络的输入;
S5:网络输出分类概率值,以此判定原始图像是否为青光眼。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于capsule理论和PLSA路由的医学影像分类方法,其特征在于,包括以下步骤:
S1:输入原始的医学影像;
S2:构建基于capsule的卷积神经网络并进行分类预测,其中网络capsule层之间的路由利用概率潜在语义分析模型PLSA进行信息传递;
S3:构建图像重构全连接网络;
S4:输出生成的医学影像。
2.根据权利要求1所述的一种基于capsule理论和PLSA路由的医学影像分类方法,其特征在于,步骤S2所述的基于capsule的卷积神经网络包括第一层卷积层ReLU Conv1、第二层Primary Caps层和第三层ClassCaps层;
其中第一层是卷积层ReLU Conv1,为普通的卷积层,输入图像尺寸为4×28×28,即合并原始图像的3个RGB通道信息,以及视盘和视杯分割图的单通道标注信息,该层共有256个9×9的卷积核,步长取1,激活函数为ReLU,实现局部特征提取,融合原始图像信息,以及视盘和视杯标注信息,并作为下一层的输入;
第二层PrimaryCaps层,为capsule层;输入图像尺寸为256×20×20,该层capsule向量维度设为8,共有32个9×9的卷积核,步长取2,激活函数为ReLU,输出为32个通道,每个通道数据尺寸为6×6;
第三层是ClassCaps层,为capsule层;输入数据为256×6×6×8,该层capsule向量维度设为16,输出为2个类别capsule,分别对应青光眼识别结果,即正常和青光眼。
3.根据权利要求1-2所述的一种基于capsule理论和PLSA路由的医学影像分类方法,其特征在于,步骤S2中所述概率潜在语义分析模型PLSA联合分布P(di,wj)如下:
P(di,wj)=P(di)P(wj|di),
其中d代表文档,z代表隐含主题,w为词项,M是文档数量,N是文档d的词项数量,P(di)是文档di出现概率,P(zk|di)表示文档di属于主题zk的概率,P(wj|zk)为给定主题zk出现词项wj的概率;PrimaryCaps层的capsule对应PLSA中的文档,而ClassCaps层的capsule即是隐含主题,capsule向量的每个维度为词项出现的概率;
本模型共有NK+MK个未知参数,考虑EM算法求解,在E步骤,随机给定参数条件P(zk|di)和P(wj|zk),计算隐含变量的后验概率:
在M步骤中,利用E步骤得到的隐含变量的后验概率,最大化对数似然函数的期望,更新参数估计:
其中,n(di,wj)为文档di出现词项wj的频率,通过不断迭代,直到收敛,得到capsule之间的路由权重P(zk|di)。
4.根据权利要求1-2所述的一种基于capsule理论和PLSA路由的医学影像分类方法,其特征在于,所述基于capsule的卷积神经网络采用后向传播技术,通过参数更新使得损失函数L最小化;
其中整个网络的损失函数L:
L=αLc+βLr
Lc为边际损失函数,利用向量的长度来表示capsule实体存在的概率;Lr为重构损失;α和β分别表示边际损失和重构损失的权重;
其中
Lc=Tc·max(0,m+-||Vc||)2+λ·(1-Tc)·max(0,||Vc||-m-)2;
Vc是青光眼图像类别c的capsule向量,||Vc||表示该向量的长度,Tc=1当且仅当青光眼图像类别c存在,m+=0.9,m-=0.1,λ表示已存在类别的权重衰减系数;
Lr=‖x-x′‖2;
x为原始图像(包括视盘和视杯分割图的标注信息),x′为重构图像;‖x-x′‖2表示两幅图像之间的差距,具体计算方法如下:首先将两幅图像相同位置的像素点对求灰度值的差,再对差值取平方,最后求和得到结果。
5.根据权利要求1所述的一种基于capsule理论和PLSA路由的医学影像分类方法,其特征在于,步骤S3所述的图像重构全连接网络使用类别capsule恢复原始图像;其中第一层为ClassCaps,Representation of the reconstruction target表示选中capsule,Masked标记未选中capsule;第二层为全连接层,共有2048个神经元,激活函数为ReLU,;第三层为全连接层,神经元增加到4096个,激活函数为ReLU;最后输出层为全连接层,神经元为3136个,对应3×28×28的原始图像,以及1×28×28的视盘和视杯分割图像。
6.根据权利要求5所述的一种基于capsule理论和PLSA路由的医学影像分类方法,其特征在于,所述图像重构全连接网络通过网络输出和原始图像输入之间的平方损失Lr计算得出。采用后向传播技术更新网络参数,使得Lr最小化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810758184.6A CN108985372A (zh) | 2018-07-11 | 2018-07-11 | 一种基于capsule理论和PLSA路由的医学影像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810758184.6A CN108985372A (zh) | 2018-07-11 | 2018-07-11 | 一种基于capsule理论和PLSA路由的医学影像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108985372A true CN108985372A (zh) | 2018-12-11 |
Family
ID=64536877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810758184.6A Pending CN108985372A (zh) | 2018-07-11 | 2018-07-11 | 一种基于capsule理论和PLSA路由的医学影像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985372A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741733A (zh) * | 2019-01-15 | 2019-05-10 | 河海大学常州校区 | 基于一致性路由网络的语音音素识别方法 |
CN110991563A (zh) * | 2019-12-23 | 2020-04-10 | 青岛大学 | 一种基于特征融合的胶囊网络随机路由算法 |
CN111488893A (zh) * | 2019-01-25 | 2020-08-04 | 银河水滴科技(北京)有限公司 | 一种图像分类方法及装置 |
US11828598B1 (en) | 2019-08-28 | 2023-11-28 | Ball Aerospace & Technologies Corp. | Systems and methods for the efficient detection and tracking of objects from a moving platform |
US11851217B1 (en) * | 2019-01-23 | 2023-12-26 | Ball Aerospace & Technologies Corp. | Star tracker using vector-based deep learning for enhanced performance |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069136A (zh) * | 2015-08-18 | 2015-11-18 | 成都鼎智汇科技有限公司 | 一种大数据环境下的图像识别方法 |
CN106910495A (zh) * | 2017-04-26 | 2017-06-30 | 中国科学院微电子研究所 | 一种应用于异常声音检测的音频分类系统和方法 |
-
2018
- 2018-07-11 CN CN201810758184.6A patent/CN108985372A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069136A (zh) * | 2015-08-18 | 2015-11-18 | 成都鼎智汇科技有限公司 | 一种大数据环境下的图像识别方法 |
CN106910495A (zh) * | 2017-04-26 | 2017-06-30 | 中国科学院微电子研究所 | 一种应用于异常声音检测的音频分类系统和方法 |
Non-Patent Citations (2)
Title |
---|
TOMAS IESMANTAS等: "Convolutional capsule network for classification of breast cancer histology images", 《INTERNATIONAL CONFERENCE ON IMAGE ANALYSIS AND RECOGNITION 2018》 * |
冯文刚等: "无监督学习的无线胶囊内诊镜视频分类方法", 《中国图象图形学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741733A (zh) * | 2019-01-15 | 2019-05-10 | 河海大学常州校区 | 基于一致性路由网络的语音音素识别方法 |
CN109741733B (zh) * | 2019-01-15 | 2023-01-31 | 河海大学常州校区 | 基于一致性路由网络的语音音素识别方法 |
US11851217B1 (en) * | 2019-01-23 | 2023-12-26 | Ball Aerospace & Technologies Corp. | Star tracker using vector-based deep learning for enhanced performance |
CN111488893A (zh) * | 2019-01-25 | 2020-08-04 | 银河水滴科技(北京)有限公司 | 一种图像分类方法及装置 |
CN111488893B (zh) * | 2019-01-25 | 2023-05-30 | 银河水滴科技(北京)有限公司 | 一种图像分类方法及装置 |
US11828598B1 (en) | 2019-08-28 | 2023-11-28 | Ball Aerospace & Technologies Corp. | Systems and methods for the efficient detection and tracking of objects from a moving platform |
CN110991563A (zh) * | 2019-12-23 | 2020-04-10 | 青岛大学 | 一种基于特征融合的胶囊网络随机路由算法 |
CN110991563B (zh) * | 2019-12-23 | 2023-04-18 | 青岛大学 | 一种基于特征融合的胶囊网络随机路由方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | CNNs-based RGB-D saliency detection via cross-view transfer and multiview fusion | |
Xiancheng et al. | Retina blood vessel segmentation using a U-net based Convolutional neural network | |
CN108985372A (zh) | 一种基于capsule理论和PLSA路由的医学影像分类方法 | |
Liang et al. | Combining convolutional neural network with recursive neural network for blood cell image classification | |
Jiménez-Sánchez et al. | Capsule networks against medical imaging data challenges | |
Zhuang et al. | Multi-label learning based deep transfer neural network for facial attribute classification | |
Bayramoglu et al. | Transfer learning for cell nuclei classification in histopathology images | |
Ajitha et al. | Identification of glaucoma from fundus images using deep learning techniques | |
Wen et al. | Improving face recognition with domain adaptation | |
Karthikeyan et al. | Feature selection and parameters optimization of support vector machines based on hybrid glowworm swarm optimization for classification of diabetic retinopathy | |
Dayana et al. | An enhanced swarm optimization-based deep neural network for diabetic retinopathy classification in fundus images | |
Chen et al. | Cell nuclei detection and segmentation for computational pathology using deep learning | |
Geng et al. | Hatching eggs classification based on deep learning | |
Ning et al. | Conditional generative adversarial networks based on the principle of homologycontinuity for face aging | |
CN111626969B (zh) | 一种基于注意力机制的玉米病害图像处理方法 | |
Shekar et al. | Review on diabetic retinopathy with deep learning methods | |
Ahmad et al. | Eye diseases classification using hierarchical MultiLabel artificial neural network | |
Xu et al. | Weakly supervised facial expression recognition via transferred DAL-CNN and active incremental learning | |
Wu et al. | Automatic cataract detection with multi-task learning | |
Su et al. | A CNN-LSVM model for imbalanced images identification of wheat leaf | |
CN114399018A (zh) | 一种基于轮转操控策略麻雀优化的EfficientNet陶瓷碎片分类方法 | |
Balaha et al. | An aseptic approach towards skin lesion localization and grading using deep learning and harris hawks optimization | |
Pradhan et al. | Diabetic retinopathy detection on retinal fundus images using convolutional neural network | |
CN116311387B (zh) | 一种基于特征交集的跨模态行人重识别方法 | |
CN109241321A (zh) | 基于深度领域适应的图像和模型联合分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |