CN109214408A - 基于生成对抗模型识别肝肿瘤的方法及装置 - Google Patents
基于生成对抗模型识别肝肿瘤的方法及装置 Download PDFInfo
- Publication number
- CN109214408A CN109214408A CN201810749637.9A CN201810749637A CN109214408A CN 109214408 A CN109214408 A CN 109214408A CN 201810749637 A CN201810749637 A CN 201810749637A CN 109214408 A CN109214408 A CN 109214408A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolutional layer
- network
- model
- tumour
- 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
-
- 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
- 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
- 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
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于生成对抗模型识别肝肿瘤的方法,包括如下步骤:S1、建立并训练生成对抗模型;S2、基于所述生成对抗模型,训练分类网络;S3、将待判别图像输入所述分类网络,其输出即为判别结果。本方法与现有的方法相比,得到更好的分类效果和性能。
Description
技术领域
本发明涉及图像识别领域,特别是基于生成对抗模型识别肝肿瘤的方法和装置。
背景技术
肝癌是全世界范围内癌症致死率最高的癌种之一,是我国高发的,危害极大的恶性肿瘤,肝癌的早期诊断可以极大的降低死亡率。
CT已经成为肝癌诊断的重要常规手段。腹部CT增强扫描可清楚地显示肝癌的大小、数目、形态、部位、边界、肿瘤血供丰富程度,以及与肝内管道的关系,对于进一步明确诊断,与其他良性肝脏占位相鉴别,同时明确肝癌的分期分级,对于指导治疗及判断预后有重要意义。
近年来,基于其自身的优良特性,加上计算机性能的提升,深度学习已经成为众多科学领域的研究热点之一,特别是在分类、识别等领域,一些基于深度学习的病变识别方法也被提出。但由于医学图像训练数据样本量小,无法满足深度学习的训练要求,成为阻碍其在医学领域应用的一大问题。
之后,深度学习领域中涌现出许多新的模型,并得到广泛关注,其中就包含变分自编码器和生成对抗网络。变分自编码器是一种有效的生成模型,包含编码器和解码器两个部分,编码器将输入数据转化为高斯分布,再通过解码器还原该输入信息的分布。生成对抗模型由两个部分组成:生成模型和判别模型,均为非线性深度模型,生成模型如同传统生成模型一样,通过建立一个函数,用于处理输入的原始数据或信息到生成信息的映射;而判别模型用来判断其输入是训练数据而非生成数据的概率。以上两种方法常使用于图片修复、数据生成、特征维度压缩等领域。通过该方法,可以使用含有大量数据的数据集进行数据迁移,以增加医学图像训练数据样本量的大小,从而满足深度学习的要求。
发明内容
本发明的目的在于提供一种基于生成对抗模型的肝病理切片中肿瘤识别方法和装置。
本发明解决其技术问题采用的技术方案如下:
一种基于生成对抗模型识别肝肿瘤的方法,包括如下步骤:
S1、建立并训练生成对抗模型;
S2、基于所述生成对抗模型,训练分类网络;
S3、将待判别图像输入所述分类网络,其输出即为判别结果。
进一步的,所述生成对抗模型包括第一变分自编码器模型VAE1、第二变分自编码器模型VAE2、第一判别网络D1和第二判别网络D2,S1具体包括如下步骤:
S11、固定第一变分自编码器模型VAE1的参数,以公共图片数据库中的数据集为输入生成模型输出图片,结合肝肿瘤数据集中的非肿瘤图片,对第一判别网络D1进行训练;
S12、固定第二变分自编码器模型VAE2的参数,以公共图片数据库中的数据集为输入生成模型输出图片,结合肝肿瘤数据集中的肿瘤图片,对第二判别网络D2进行训练;
S13、分别固定所述第一判别网络D1和第二判别网络D2的参数,使用所述公共图片数据库中的数据集,对所述第一变分自编码器模型模型VAE1和第二变分自编码器模型VAE2进行训练;
S14、重复步骤S11、S12、S13,直到所述生成对抗模型训练完成。
进一步的,S2具体包括如下步骤:
S21、将公共图片数据库中的数据集输入第一变分自编码器模型VAE1,获得第一类输出图像并添加非肿瘤标签;将公共图片数据库中的数据集输入第二变分自编码器模型VAE2,获得第二类输出图像并添加肿瘤标签;使用所述第一类输出图像和第二类输出图像对所述分类网络进行训练;
S22、使用肝肿瘤数据集对所述分类网络进行进一步训练,使其能对肝肿瘤进行识别。
进一步的,所述第一变分自编码器模型VAE1和第二变分自编码器模型VAE2分别包括13层的变分自编码器生成模型网络,其中包含6层编码网络和7层解码网络。
进一步的,所述编码网络第一层卷积层为64个大小为11×11的滤波器,第二层和第三层卷积层为256个大小为7×7的滤波器,第四层为滤波器大小为2×2的最大池化层,第五层卷积层为256个大小为5×5的滤波器,第六层卷积层包含两个分支输出OUT1和OUT2,分别包含128个大小为3×3的滤波器,其中卷积层激活函数为relu函数。
进一步的,所述解码网络输入为N(OUT1,OUT2),第一层和第二层卷积层为256个大小为3×3的滤波器,第三层为滤波器大小为2×2的上采样层,第四层和第五层卷积层为256个大小为5×5的滤波器,第六层卷积层为128个大小为7×7的滤波器,第七层卷积层为1个大小为3×3的滤波器,之后对输出图像进行阈值为0.5的二值化,其中卷积层激活函数为relu函数。
进一步的,所述第一判别网络D1和第二判别网络D2分别包括9层网络,其中各层依次为卷积层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层,以及包含1024个节点的全连接层FC1和包含1个节点的全连接层FC2,其中卷积层激活函数为relu函数,全连接层FC1激活函数为tanh函数,全连接层FC2激活函数为sigmoid函数。
进一步的,所述第一判别网络D1和第二判别网络D2,其中第一层卷积层包含64个大小为11×11的滤波器,第二层和第三层卷积层均包含128个大小为7×7的滤波器,第四层为滤波器大小为2×2的最大池化层,第五层、第六层卷积层均包含256个大小为3×3的滤波器,第七层为滤波器大小为2×2的最大池化层,其中卷积层激活函数为relu函数。
进一步的,所述分类网络包括17层的卷积神经网络,其中各层依次为卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层,以及包含1024个节点的全连接层FC1和包含1个节点的全连接层FC2,其中卷积层激活函数为relu函数,全连接层FC1激活函数为tanh函数,全连接层FC2激活函数为sigmoid函数。
进一步的,所述分类网络中第一层和第二层卷积层为64个大小为3×3的滤波器,第四层和第五层卷积层为128个大小为3×3的滤波器,第七层和第八层卷积层为256个大小为3×3的滤波器,第十层和第十一层卷积层为512个大小为3×3的滤波器,第十三层和第十四层卷积层为512个大小为3×3的滤波器;卷积层均使用relu激活函数。
本发明还提供了一种基于生成对抗模型识别肝肿瘤的装置,包括待判别图像输入模块、分类网络和结果输出模块,所述分类网络由如上所述的方法训练得到。
本发明还提供了另一种基于生成对抗模型识别肝肿瘤的装置,包括处理器及连接所述处理器的数据输入设备、存储介质和数据输出设备,所述存储介质中储存有如上所述的方法训练得到的分类网络,所述处理器用于接收数据输入设备输入的待判别图像数据,调用执行所述分类网络对所述待判别图像进行识别处理,并通过数据输出设备输出判别结果。
本发明与背景技术相比,具有的有益效果是:
本发明是结合变分自编码器和生成对抗模型方法进行的,生成对抗模型技术将迁移数据集的生成转化为一个二元极小极大博弈问题,从而更有效地获得迁移数据集,提供给肝肿瘤判别网络进行训练,在更大的训练集下获得更好的结果。
(1)准确性。本方法采用了变分自编码器和生成对抗模型方法获取迁移数据集,首次在肝肿瘤识别领域使用,克服了肝肿瘤数据集不能满足训练要求的问题,与现有的方法相比,得到更好的迁移、识别效果。
(2)客观性。深度学习是使用训练集数据自动学习特征,损失函数也由卷积神经网络判别器担当,迁移规则均源于肝肿瘤训练集图片,特征和损失函数的选取不会因主观因素造成干扰。
具体实施方式
本发明是一种基于变分生成对抗模型识别肝肿瘤的方法,包括如下步骤:
S1、建立并训练生成对抗模型;
S2、基于所述生成对抗模型,训练分类网络;
S3、将待判别图像输入所述分类网络,其输出即为判别结果。
下面说明其具体实施过程。
步骤一、模型构建
按照说明构建两个变分自编码器GVAE1、GVAE2,判别模型D1、D2和肝肿瘤分类网络。
步骤二、判别模型训练
在生成对抗模型中,我们通过判别模型代替损失函数判别生成模型的好坏,所以判别模型对生成模型的训练至关重要。
本发明中通过一个单输出的卷积神经网络作为生成对抗模型中的判别模型,当其输入来源为肝肿瘤数据集时,其期望输出1,当其输入为变分自编码器根据ImageNet数据集生成的肝脏图片时,其期望输出为0。其损失函数可表示为:
其中Xs1为肝肿瘤数据集中标签为非肿瘤的图片,Xs2为肝肿瘤数据集中标签为肿瘤的图片,GVAE1(Xt)为生成模型VAE1根据ImageNet数据集生成的输出图像,GVAE2(Xt)为生成模型VAE2根据ImageNet数据集生成的输出图像,D1、D2为判别模型。
训练时,固定生成对抗模型中的生成模型部分参数,将生成模型VAE1根据ImageNet数据集生成的输出图像和生成模型VAE2根据ImageNet数据集生成的输出图像作为输入,并设置标签为0,将肝肿瘤数据集图像作为输入,并设置标签为1。使用上述两种标签图片对卷积神经网络判别模型进行训练。
步骤三、生成模型训练
生成模型训练时,使用判别模型反向传播梯度作为损失函数的一部分。其损失函数表示为:
除此之外,我们通过KL散度对编码器VAE1、VAE2的输出zmeans(X)和zvar(X)加以约束,其表示为:
其综合损失函数为:
其中D为判别模型,G为生成模型,zmeans为编码器输出的均值部分,zvar为编码器输出的方差部分。
训练时,将判别模型分别和生成模型VAE1、VAE2组成一个网络结构,固定判别模型部分参数,分别使用ImageNet数据集图像作为输入,得到判别模型的输出,通过最小化上述损失函数,学习生成模型VAE1、VAE2中的参数。
步骤四、多次训练
生成对抗模型的学习中由判别模型作为生成模型损失函数的一部分,通过判别模型判别生成模型生成图片的优劣。在学习中优化生成模型使生成数据与标准训练数据更加接近,使判别模型无法判别其来源于生成数据还是标准训练数据,同时,也需要优化判别模型性能,提高判别模型判别其输入是训练数据而非生成数据的概率。我们通过增大log(D(x))+log(1-D(G(z)))来调整判别模型D的参数,通过减小-log(D(G(z)))来调整生成模型G的参数。最终的形成“二元极大极小博弈”:
所以在训练中,将步骤二,和步骤三依次交替进行,达到上述结果。
步骤五、肝肿瘤识别模型初步训练
将ImageNet数据集图像作为输入,通过生成模型VAE1、VAE2获取迁移图像集,其中将从VAE1中获取的图像标签设置为0,VAE2中获取的图像标签设置为1,使用该数据集对肝肿瘤分类网络进行训练。
步骤六、肝肿瘤识别模型再次训练
使用肝肿瘤数据集数据对肝肿瘤分类网络进行进一步训练
步骤七、肝肿瘤识别
对于一张给定肝肿瘤切片图像,将其作为训练好的分类网络的输入,经过分类网络最终得到划分结果,其中,输出大于0.5即图像为肝肿瘤图像。
本发明第一种实施例还提供了一种基于生成对抗模型识别肝肿瘤的装置,包括待判别图像输入模块、分类网络和结果输出模块,所述分类网络由如上所述的方法训练得到。
本发明第二种实施例还提供了另一种基于生成对抗模型识别肝肿瘤的装置,包括处理器及连接所述处理器的数据输入设备、存储介质和数据输出设备,所述存储介质中储存有如上所述的方法训练得到的分类网络,所述处理器用于接收数据输入设备输入的待判别图像数据,调用执行所述分类网络对所述待判别图像进行识别处理,并通过数据输出设备输出判别结果。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于生成对抗模型识别肝肿瘤的方法,其特征在于,包括如下步骤:
S1、建立并训练生成对抗模型;
S2、基于所述生成对抗模型,训练分类网络;
S3、将待判别图像输入所述分类网络,其输出即为判别结果。
2.根据权利要求1所述的基于生成对抗模型识别肝肿瘤的方法,其特征在于,所述生成对抗模型包括第一变分自编码器模型VAE1、第二变分自编码器模型VAE2、第一判别网络D1和第二判别网络D2,S1具体包括如下步骤:
S11、固定第一变分自编码器模型VAE1的参数,以公共图片数据库中的数据集为输入生成模型输出图片,结合肝肿瘤数据集中的非肿瘤图片,对第一判别网络D1进行训练;
S12、固定第二变分自编码器模型VAE2的参数,以公共图片数据库中的数据集为输入生成模型输出图片,结合肝肿瘤数据集中的肿瘤图片,对第二判别网络D2进行训练;
S13、分别固定所述第一判别网络D1和第二判别网络D2的参数,使用所述公共图片数据库中的数据集,对所述第一变分自编码器模型模型VAE1和第二变分自编码器模型VAE2进行训练;
S14、重复步骤S11、S12、S13,直到所述生成对抗模型训练完成。
3.根据权利要求2所述的基于生成对抗模型识别肝肿瘤的方法,其特征在于,S2具体包括如下步骤:
S21、将公共图片数据库中的数据集输入第一变分自编码器模型VAE1,获得第一类输出图像并添加非肿瘤标签;将公共图片数据库中的数据集输入第二变分自编码器模型VAE2,获得第二类输出图像并添加肿瘤标签;使用所述第一类输出图像和第二类输出图像对所述分类网络进行训练;
S22、使用肝肿瘤数据集对所述分类网络进行进一步训练,使其能对肝肿瘤进行识别。
4.根据权利要求2所述的基于变分生成对抗模型识别肝肿瘤的方法,其特征在于:所述第一变分自编码器模型VAE1和第二变分自编码器模型VAE2分别包括13层的变分自编码器生成模型网络,其中包含6层编码网络和7层解码网络。
5.根据权利要求4所述的基于变分生成对抗模型识别肝肿瘤的方法,其特征在于:所述编码网络第一层卷积层为64个大小为11×11的滤波器,第二层和第三层卷积层为256个大小为7×7的滤波器,第四层为滤波器大小为2×2的最大池化层,第五层卷积层为256个大小为5×5的滤波器,第六层卷积层包含两个分支输出OUT1和OUT2,分别包含128个大小为3×3的滤波器,其中卷积层激活函数为relu函数。
6.根据权利要求4所述的基于变分生成对抗模型识别肝肿瘤的方法,其特征在于:所述解码网络输入为N(OUT1,OUT2),第一层和第二层卷积层为256个大小为3×3的滤波器,第三层为滤波器大小为2×2的上采样层,第四层和第五层卷积层为256个大小为5×5的滤波器,第六层卷积层为128个大小为7×7的滤波器,第七层卷积层为1个大小为3×3的滤波器,之后对输出图像进行阈值为0.5的二值化,其中卷积层激活函数为relu函数。
7.根据权利要求2所述的基于变分生成对抗模型识别肝肿瘤的方法,其特征在于:所述第一判别网络D1和第二判别网络D2分别包括9层网络,其中各层依次为卷积层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层,以及包含1024个节点的全连接层FC1和包含1个节点的全连接层FC2,其中卷积层激活函数为relu函数,全连接层FC1激活函数为tanh函数,全连接层FC2激活函数为sigmoid函数。
8.根据权利要求3所述的基于变分生成对抗模型识别肝肿瘤的方法,其特征在于:所述分类网络包括17层的卷积神经网络,其中各层依次为卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层,以及包含1024个节点的全连接层FC1和包含1个节点的全连接层FC2,其中卷积层激活函数为relu函数,全连接层FC1激活函数为tanh函数,全连接层FC2激活函数为sigmoid函数。
9.一种基于生成对抗模型识别肝肿瘤的装置,包括待判别图像输入模块、分类网络和结果输出模块,其特征在于:所述分类网络由如权利要求1-8任一项所述的方法训练得到。
10.一种基于生成对抗模型识别肝肿瘤的装置,包括处理器及连接所述处理器的数据输入设备、存储介质和数据输出设备,其特征在于:所述存储介质中储存有如权利要求1-8任一项所述的方法训练得到的分类网络,所述处理器用于接收数据输入设备输入的待判别图像数据,调用执行所述分类网络对所述待判别图像进行识别处理,并通过数据输出设备输出判别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810749637.9A CN109214408A (zh) | 2018-07-10 | 2018-07-10 | 基于生成对抗模型识别肝肿瘤的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810749637.9A CN109214408A (zh) | 2018-07-10 | 2018-07-10 | 基于生成对抗模型识别肝肿瘤的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214408A true CN109214408A (zh) | 2019-01-15 |
Family
ID=64990373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810749637.9A Pending CN109214408A (zh) | 2018-07-10 | 2018-07-10 | 基于生成对抗模型识别肝肿瘤的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214408A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070125A (zh) * | 2019-04-19 | 2019-07-30 | 四川大学华西医院 | 一种基于大数据分析的肝胆外科治疗方案筛选方法及系统 |
CN110516747A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于对抗生成网络和自编码结合的肺结节良恶性分类方法 |
CN110647927A (zh) * | 2019-09-18 | 2020-01-03 | 长沙理工大学 | 一种基于acgan图像半监督分类算法 |
CN111104982A (zh) * | 2019-12-20 | 2020-05-05 | 电子科技大学 | 一种标签无关的跨任务对抗样本生成方法 |
CN111815631A (zh) * | 2020-09-02 | 2020-10-23 | 北京易真学思教育科技有限公司 | 模型生成方法、装置、设备和可读存储介质 |
CN113544704A (zh) * | 2019-03-26 | 2021-10-22 | 日本电信电话株式会社 | 评价装置、评价方法以及评价程序 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170148226A1 (en) * | 2015-11-19 | 2017-05-25 | Kla-Tencor Corporation | Generating simulated images from design information |
CN107123151A (zh) * | 2017-04-28 | 2017-09-01 | 深圳市唯特视科技有限公司 | 一种基于变分自动编码器和生成对抗网络的图像转化方法 |
CN107527318A (zh) * | 2017-07-17 | 2017-12-29 | 复旦大学 | 一种基于生成对抗式网络模型的发型更换方法 |
CN107608877A (zh) * | 2017-08-11 | 2018-01-19 | 上海巍擎信息技术有限责任公司 | 一种基于机器学习的自动化应用程序界面测试方法和测试系统 |
CN107748900A (zh) * | 2017-11-08 | 2018-03-02 | 山东财经大学 | 基于区分性卷积神经网络的乳腺肿瘤分类方法和装置 |
CN107832353A (zh) * | 2017-10-23 | 2018-03-23 | 同济大学 | 一种社交媒体平台虚假信息识别方法 |
US20180101770A1 (en) * | 2016-10-12 | 2018-04-12 | Ricoh Company, Ltd. | Method and system of generative model learning, and program product |
CN108074244A (zh) * | 2017-09-07 | 2018-05-25 | 汉鼎宇佑互联网股份有限公司 | 一种融合深度学习与背景差法的平安城市车流统计方法 |
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
-
2018
- 2018-07-10 CN CN201810749637.9A patent/CN109214408A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170148226A1 (en) * | 2015-11-19 | 2017-05-25 | Kla-Tencor Corporation | Generating simulated images from design information |
US20180101770A1 (en) * | 2016-10-12 | 2018-04-12 | Ricoh Company, Ltd. | Method and system of generative model learning, and program product |
CN107123151A (zh) * | 2017-04-28 | 2017-09-01 | 深圳市唯特视科技有限公司 | 一种基于变分自动编码器和生成对抗网络的图像转化方法 |
CN107527318A (zh) * | 2017-07-17 | 2017-12-29 | 复旦大学 | 一种基于生成对抗式网络模型的发型更换方法 |
CN107608877A (zh) * | 2017-08-11 | 2018-01-19 | 上海巍擎信息技术有限责任公司 | 一种基于机器学习的自动化应用程序界面测试方法和测试系统 |
CN108074244A (zh) * | 2017-09-07 | 2018-05-25 | 汉鼎宇佑互联网股份有限公司 | 一种融合深度学习与背景差法的平安城市车流统计方法 |
CN107832353A (zh) * | 2017-10-23 | 2018-03-23 | 同济大学 | 一种社交媒体平台虚假信息识别方法 |
CN107748900A (zh) * | 2017-11-08 | 2018-03-02 | 山东财经大学 | 基于区分性卷积神经网络的乳腺肿瘤分类方法和装置 |
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
Non-Patent Citations (2)
Title |
---|
MIHAELA ROSCA等: "Variational Approaches for Auto-Encoding Generative Adversarial Networks", 《ARXIV:1706.04987V2》 * |
刘海东等: "基于生成对抗网络的乳腺癌病理图像可疑区域标记", 《科研信息化技术与应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113544704A (zh) * | 2019-03-26 | 2021-10-22 | 日本电信电话株式会社 | 评价装置、评价方法以及评价程序 |
CN110070125A (zh) * | 2019-04-19 | 2019-07-30 | 四川大学华西医院 | 一种基于大数据分析的肝胆外科治疗方案筛选方法及系统 |
CN110516747A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于对抗生成网络和自编码结合的肺结节良恶性分类方法 |
CN110647927A (zh) * | 2019-09-18 | 2020-01-03 | 长沙理工大学 | 一种基于acgan图像半监督分类算法 |
CN111104982A (zh) * | 2019-12-20 | 2020-05-05 | 电子科技大学 | 一种标签无关的跨任务对抗样本生成方法 |
CN111104982B (zh) * | 2019-12-20 | 2021-09-24 | 电子科技大学 | 一种标签无关的跨任务对抗样本生成方法 |
CN111815631A (zh) * | 2020-09-02 | 2020-10-23 | 北京易真学思教育科技有限公司 | 模型生成方法、装置、设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214408A (zh) | 基于生成对抗模型识别肝肿瘤的方法及装置 | |
CN108596046A (zh) | 一种基于深度学习的细胞检测计数方法及系统 | |
CN110413924A (zh) | 一种半监督多视图学习的网页分类方法 | |
CN109242864A (zh) | 基于多分支网络的图像分割结果质量评价方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN109259784A (zh) | 脑梗塞的ai预测方法、装置、设备及存储介质 | |
Gali et al. | Genetic algorithm for content based image retrieval | |
CN108629772A (zh) | 图像处理方法及装置、计算机设备和计算机存储介质 | |
CN104517120B (zh) | 基于多路分层正交匹配的遥感图像场景分类方法 | |
CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
CN110059656A (zh) | 基于卷积对抗生成神经网络的白细胞分类方法及系统 | |
CN108875912A (zh) | 一种用于图像识别的神经网络模型 | |
CN111932540B (zh) | 一种针对新冠肺炎临床分型的ct影像对比特征学习方法 | |
CN109978074A (zh) | 基于深度多任务学习的图像美感和情感联合分类方法及系统 | |
CN113837959A (zh) | 图像去噪模型训练方法、图像去噪方法及系统 | |
CN114821299B (zh) | 一种遥感图像变化检测方法 | |
Zhu et al. | The phylogenetic tree based deep forest for metagenomic data classification | |
CN115292538A (zh) | 一种基于深度学习的地图线要素提取方法 | |
CN110210562A (zh) | 基于深度网络和稀疏Fisher矢量的图像分类方法 | |
CN109978013A (zh) | 一种用于人物动作识别的深度聚类方法 | |
CN109102496A (zh) | 基于变分生成对抗模型识别乳腺肿瘤区域的方法及装置 | |
CN112785559B (zh) | 基于深度学习的多个异构模型相互组合的骨龄预测方法 | |
CN115471899A (zh) | ResNet18与胶囊网络结合并进行剪枝的人脸表情识别方法 | |
CN115131556A (zh) | 一种基于深度学习的图像实例分割方法 | |
Tang | An optimized digital image processing algorithm for digital oil painting |
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: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |