CN109255367A - 一种皮肤病疗效判断方法、装置、计算机设备及存储介质 - Google Patents
一种皮肤病疗效判断方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109255367A CN109255367A CN201810879029.XA CN201810879029A CN109255367A CN 109255367 A CN109255367 A CN 109255367A CN 201810879029 A CN201810879029 A CN 201810879029A CN 109255367 A CN109255367 A CN 109255367A
- Authority
- CN
- China
- Prior art keywords
- pathological
- information
- image
- staging
- curative effect
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 208000017520 skin disease Diseases 0.000 title claims abstract description 63
- 230000000694 effects Effects 0.000 title claims abstract description 54
- 230000001575 pathological effect Effects 0.000 claims abstract description 240
- 238000010827 pathological analysis Methods 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000010200 validation analysis Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 38
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 230000007170 pathology Effects 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 18
- 201000010099 disease Diseases 0.000 claims description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 14
- 230000001225 therapeutic effect Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 abstract description 6
- 206010048768 Dermatosis Diseases 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 58
- 238000010586 diagram Methods 0.000 description 11
- 230000006854 communication Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 5
- 230000005526 G1 to G0 transition Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000004218 nerve net Anatomy 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007630 basic procedure Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012497 inhomogeneous sample Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明实施例公开了一种皮肤病疗效判断方法、装置、计算机设备及存储介质,其中方法包括下述步骤:获取待分析的病理图像,其中,所述病理图像为用户患病体表位置的皮肤图像;将所述病理图像输入到预设的病理分析模型中,并获取所述病理分析模型输出的第一病理分期信息,其中,所述病理分析模型为预先训练至收敛的第一卷积神经网络模型;根据所述第一病理分期信息确认所述用户的病情。将病理分期信息与前一个诊断时间的病理分期信息比对,判断病理分期的变化,从而判断治疗方法是否有效。弥补了医生经验上的差异,提供了快速判断皮肤病患者病情变化的手段。
Description
技术领域
本发明涉及医疗领域。尤其涉及一种皮肤病疗效判断方法、装置、计算机设备及存储介质。
背景技术
在医学上,皮肤病是有关皮肤的疾病,大多数皮肤病虽然并不危及生命,但也严重影响人们的身体健康和生活。皮肤病通常从发病到治愈,从医学上来说,会经历若干分期,例如进行期、稳定期、消退期,针对各分期,治疗的方法、使用的药物剂量应该要有所变化。
对于皮肤病属于哪一分期的判断,通常依赖医生的经验。而且医生也缺乏一种可以快速判断皮肤病患者病情变化的手段,从而判断治疗方法是否有效,是否需要治疗方法做出针对性调整。
发明内容
本发明提供一种皮肤病疗效判断方法、装置、计算机设备及存储介质。
为解决上述技术问题,本发明提出一种皮肤病疗效判断方法。
包括如下步骤:
获取待分析的病理图像,其中,所述病理图像为用户患病体表位置的皮肤图像;
将所述病理图像输入到预设的病理分析模型中,并获取所述病理分析模型输出的第一病理分期信息,其中,所述病理分析模型为预先训练至收敛的第一卷积神经网络模型;
根据所述第一病理分期信息确认所述用户的病情。
可选地,所述病情包括用户疾病的治疗效果,所述根据所述第一病理分期信息确认所述用户的病情的步骤,还包括下述步骤:
获取所述用户预存储的第二病理分期信息,其中,所述预存储的第二病理分期信息为所述用户上一个诊断时间的皮肤图像输入到所述病理分析模型输出的病理分期信息;
将所述第一病理分期信息与所述第二病理分期信息比对;
根据比对结果,输出所述用户疾病的治疗效果。
可选地,所述获取待分析的病理图像,其中,所述病理图像为用户患病体表位置的皮肤图像的步骤之后,还包括:
将所述病理图像输入到预设的病理分类模型中,获取所述病理分类模型输出的病理分类信息,其中,所述病理分类模型为预先训练至收敛的第二卷积神经网络;
根据预设的映射关系确定与所述病理分类信息具有映射关系的所述病理分析模型。
可选地,所述第一卷积神经网络的训练包括下述步骤:
获取标记有病理分期信息的第一训练样本;
将所述第一训练样本输入第一卷积神经网络模型获取所述第一训练样本的病理分期参照信息;
通过损失函数比对所述第一训练样本内不同样本病理分期参照信息与所述病理分期信息是否一致;
当所述病理分期参照信息与所述病理分期信息不一致时,反复循环迭代的更新所述第一卷积神经网络模型中的权重,至所述比对结果与所述病理分期信息一致时结束。
可选地,所述第二卷积神经网络的训练包括下述步骤:
获取标记有病理分类信息的第二训练样本;
将所述第二训练样本输入第二卷积神经网络模型获取所述第二训练样本的病理分类参照信息;
通过损失函数比对所述第二训练样本内不同样本病理分类参照信息与所述病理分类信息是否一致;
当所述病理分类参照信息与所述病理分类信息不一致时,反复循环迭代的更新所述第二卷积神经网络模型中的权重,至所述比对结果与所述病理分类信息一致时结束。
可选地,所述所述损失函数为Triplet损失函数,描述为:
可选地,在所述根据比对结果,输出所述用户疾病的治疗效果的步骤之后,还包括:
当所述第一病理分期信息优于所述第二病理分期信息,确定采用的治疗方法有效。
为解决上述问题,本发明还提供一种皮肤病疗效判断装置,包括:
获取模块,用于获取获取待分析的病理图像,其中,所述病理图像为用户患病体表位置的皮肤图像;
处理模块,用于将所述病理图像输入到预设的病理分析模型中,并获取所述病理分析模型输出的第一病理分期信息,其中,所述病理分析模型为预先训练至收敛的第一卷积神经网络模型;
执行模块,用于根据所述第一病理分期信息确认所述用户的病情。
可选地,所述皮肤病疗效判断装置还包括:
第一获取子模块,用于获取所述用户预存储的第二病理分期信息,其中,所述预存储的第二病理分期信息为所述用户上一个诊断时间的皮肤图像输入到所述病理分析模型输出的病理分期信息;
第一比对子模块,用于将所述第一病理分期信息与所述第二病理分期信息比对;
第一执行子模块,用于根据比对结果,输出所述用户疾病的治疗效果。
可选地,所述皮肤病疗效判断装置还包括:
第一处理子模块,用于将所述病理图像输入到预设的病理分类模型中,获取所述病理分类模型输出的病理分类信息,其中,所述病理分类模型为预先训练至收敛的第二卷积神经网络;
第一确定子模块,用于根据预设的映射关系确定与所述病理分类信息具有映射关系的所述病理分析模型。
可选地,所述皮肤病疗效判断装置还包括:
第二获取子模块,用于获取标记有病理分期信息的第一训练样本;
第二处理子模块,用于将所述第一训练样本输入第一卷积神经网络模型获取所述第一训练样本的病理分期参照信息;
第二比对子模块,用于通过损失函数比对所述第一训练样本内不同样本病理分期参照信息与所述病理分期信息是否一致;
第二执行子模块,当所述病理分期参照信息与所述病理分期信息不一致时,反复循环迭代的更新所述第一卷积神经网络模型中的权重,至所述比对结果与所述病理分期信息一致时结束。
可选地,所述皮肤病疗效判断装置还包括:
第三获取子模块,用于获取标记有病理分类信息的第二训练样本;
第三处理子模块,用于将所述第二训练样本输入第二卷积神经网络模型获取所述第二训练样本的病理分类参照信息;
第三比对子模块,用于通过损失函数比对所述第二训练样本内不同样本病理分类参照信息与所述病理分类信息是否一致;
第三执行子模块,用于当所述病理分类参照信息与所述病理分类信息不一致时,反复循环迭代的更新所述第二卷积神经网络模型中的权重,至所述比对结果与所述病理分类信息一致时结束。
可选地,所述损失函数为Triplet损失函数,描述为:
可选地,所述皮肤病疗效判断装置还包括:
第二确定子模块,用于当所述第一病理分期信息优于所述第二病理分期信息,确定采用的治疗方法有效。
为解决上述技术问题,本发明实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述所述皮肤病疗效判断方法的步骤。
为解决上述技术问题,本发明实施例还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述所述皮肤病疗效判断方法的步骤。
本发明实施例的有益效果为:通过将病理分析图像输入到病理分析模型中,判断皮肤病的病理分期信息,其中病理分析模型是卷积神经网络模型经过图像识别训练至收敛的模型,并将病理分期信息与前一个诊断时间的病理分期信息比对,判断病理分期的变化,从而判断治疗方法是否有效。弥补了医生经验上的差异,提供了快速判断皮肤病患者病情变化的手段。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例皮肤病疗效判断方法基本流程示意图;
图2为本发明实施例判断治疗效果示意图;
图3为本发明实施例确定病理分类映射的病理分析模型流程示意图;
图4为本发明实施例第一卷积神经网络训练流程示意图;
图5为本发明实施例第二卷积神经网络训练流程示意图;
图6为本发明实施例皮肤病疗效判断装置基本结构框图;
图7为本发明实施例计算机设备基本结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
本技术领域技术人员可以理解,这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(Personal Communications Service,个人通信系统),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(Personal Digital Assistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System,全球定位系统)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(Mobile Internet Device,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
本实施方式中的终端即为上述的终端。
具体地,请参阅图1,图1为本实施例皮肤病疗效判断方法的基本流程示意图。
如图1所示,皮肤病疗效判断方法,包括下述步骤:
S1100、获取待分析的病理图像,其中,所述病理图像为用户患病体表位置的皮肤图像;
病理图像即患者患病体表位置的皮肤图像,可以通过带拍照功能的手机、相机、摄像头等终端进行采集。采集了原始图像后,为了保证后续步骤图像识别的精度,可以对原始图像进行去噪、增强等处理。
图像的去噪,图像去噪是指减少数字图像中噪声的过程称为图像去噪。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响,称为含噪图像或噪声图像。
根据噪声和信号的关系可将其分为三种形式:(f(x,y)表示给定原始图象,g(x,y)表示图象信号,n(x,y)表示噪声。
1)加性噪声,此类噪声与输入图象信号无关,含噪图象可表示为f(x,y)=g(x,y)+n(x,y),信道噪声及光导摄像管的摄像机扫描图象时产生的噪声就属这类噪声;
2)乘性噪声,此类噪声与图象信号有关,含噪图象可表示为f(x,y)=g(x,y)+n(x,y)g(x,y),飞点扫描器扫描图象时的噪声,电视图象中的相关噪声,胶片中的颗粒噪声就属于此类噪声;
3)量化噪声,此类噪声与输入图象信号无关,是量化过程存在量化误差,再反映到接收端而产生。
图像去噪,就是去除n(x,y)的过程。常用的去噪方法有均值滤波法、自适应维纳滤波法、中值滤波法等,其中自适应维纳滤波法能根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2=E[(f(x,y)-f^(x,y)2]最小。该方法对具有白噪声的图象滤波效果最佳,对保留图像的边缘和其他高频部分很有用。
S1200、将所述病理图像输入到预设的病理分析模型中,并获取所述病理分析模型输出的第一病理分期信息,其中,所述病理分析模型为预先训练至收敛的第一卷积神经网络模型;
将S1100步骤中获取的待分析病理图像输入到预设的病理分析模型中,病理分析模型输出第一病理分期信息。第一病理分期信息也就是病理分析模型分析当前图像输出的病理分期判断。病理分期是医学领域对疾病严重程度的划分,例如可将皮肤病分为进行期、稳定期、消退期。病理分析模型为预先训练至收敛的第一卷积神经网络。
卷积神经网络模型由:卷积层、池化层、全连接和分类层组成。其中,卷积层被用于对病理图像的局部进行感知,且卷积层通常以级联的方式进行连接,级联中位置越靠后的卷积层能够感知全局化的信息。
全连接层在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话,全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。全连接层连接在卷积层输出位置,能够感知被测病理图像的全具化特征。
第一卷积神经网络模型根据感知的被测病理图像的特征对该病理图像表征的病理分期进行判断。
S1300、根据所述第一病理分期信息确认所述用户的病情。
获得了病理图像的病理分期信息,系统返回与该病理分期信息关联的病情报告。病情报告预先存储在系统中,与病理分期信息有映射关系。
如图2所示,皮肤病疗效判断方法,在步骤S1300之后,还包括下述步骤:
S1301、获取所述用户预存储的第二病理分期信息,其中,所述预存储的第二病理分期信息为所述用户上一个诊断时间的皮肤图像输入到所述病理分析模型输出的病理分期信息;
皮肤的新陈代谢要经历一定的时间周期,皮肤病的治疗通常也要经过一定的时间才能判断治疗的效果,且治疗效果的判断通常通过比较前后两个时间段皮肤的状态。所以要获取上一个诊断时间对应的病理分期信息,也就是第二病理分期信息。第二病理分期信息的获取通过将上一个诊断时间对应的病理图像输入到病理分析模型,得到的病理分期信息即第二病理分期信息。
S1302、将所述第一病理分期信息与所述第二病理分期信息比对;
即将当前病理图像表征的病理分期信息与前一次采集的病理图像表征的病理分期信息进行对比。
S1303、根据比对结果,输出所述用户疾病的治疗效果。
如果当前病理图像表征的病理分期信息优于前一次采集的病理图像表征的病理分期信息,则输出正向的结果,反之则输出负向的结果。
比对结果与系统输出的用户疾病治疗效果之间预设有映射关系,例如,第二病理分期信息为进行期,第一病理分期信息为消退期,输出用户疾病的治疗效果为:疗效显著;第二病理分期信息为进行期,第一病理分期信息为进行期,输出用户疾病的治疗效果为:无疗效。
如图3所示,皮肤病疗效判断方法,在步骤S1100之后,还包括下述步骤:
S1101、将所述病理图像输入到预设的病理分类模型中,获取所述病理分类模型输出的病理分类信息,其中,所述病理分类模型为预先训练至收敛的第二卷积神经网络;
皮肤病的种类很多,我们将皮肤病疗效判断方法扩展为可以判断多种皮肤病疗效的方法。在进行病理分析模型进行病理分期判断之前,先判断皮肤病的分类,再选择与皮肤病类别具有映射关系的病理分析模型进行病理分期的判断。
病理分类模型,根据输入的病理图像判断皮肤病的类别。病理分类模型为预先训练至收敛的第二卷积神经网络。第二卷积神经网络训练时,采用的图像样本为不同类别皮肤病的图像,目的是使第二卷积神经网络能够识别不同类别的皮肤病。
S1102、根据预设的映射关系确定与所述病理分类信息具有映射关系的所述病理分析模型。
预设的每个类别的皮肤病对应一个病理分析模型。根据皮肤病的类别调用对应的病理分析模型。
如图4所示,皮肤病疗效判断方法中的第一卷积神经网络的训练包括下述步骤:
S1201、获取标记有病理分期信息的第一训练样本;
本发明实施例中,病理分析模型为多个,所以对应的第一卷积神经网络模型也为多个,这里“第一”只是为了区别病理分类模型中应用的第二卷积神经网络,不具有其他含义,同样的第一训练样本,指对应第一神经网络模型的的训练样本,训练样本中为标记有病理分期信息的病理图像。第一训练样本同样为多个,同一个样本中的病理图像,病理分类信息一致,病理分期信息不一致。也就是说同一个样本中的病理图像都属于同一类皮肤病,但病理分期不同。每一个样本训练出一个病理分期模型,用于对应类别皮肤病的病理分期判断。
S1202、将所述第一训练样本输入第一卷积神经网络模型获取所述第一训练样本的病理分期参照信息;
将一个第一训练样本输入到第一卷积神经网络模型。输出所述训练样本的病理分期参照信息。
S1203、通过损失函数比对所述第一训练样本内不同样本病理分期参照信息与所述病理分期信息是否一致;
通过损失函数比对病理分期参照信息是否与实际的病理分期信息一致。本发明实施例中,采用的损失函数为Triplet Loss函数,即三元损失函数,通常用于训练差异性较小的样本,具体函数如下:
其中的三元也就是Anchor、Negative、Positive,Triplet Loss的学习后使得Positive元和Anchor元之间的距离最小,而和Negative之间距离最大。其中Anchor为训练数据集中随机选取的一个样本,Positive为和Anchor属于同一类的样本,而Negative则为和Anchor不同类的样本。通过学习后,使得同类样本的positive样本更靠近Anchor,而不同类的样本Negative则远离Anchor。
以上函数,是Positive元和Anchor之间的欧式距离,是是Negative和Anchor之间的欧式距离,α是指x_a与x_n之间的距离和x_a与x_p之间的距离之间有一个最小的间隔。
训练目标为三元损失函数的值收敛。
S1204、当所述病理分期参照信息与所述病理分期信息不一致时,反复循环迭代的更新所述第一卷积神经网络模型中的权重,至所述比对结果与所述病理分期信息一致时结束。
病理分期参照信息与所述病理分期信息不一致时,调整第一卷积神经网络模型中各节点的权重,使损失函数的值尽可能收敛,如果继续调整权重,得到的损失函数的值不再缩小,反而增大时,认为第一卷积神经网络训练可以结束。当损失函数没有收敛时,更新第一卷积神经网络模型中的权重,本发明实施例中采用梯度下降法,梯度下降法是一个最优化算法,用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。
如图5所示,皮肤病疗效判断方法中的第二卷积神经网络的训练包括下述步骤:
S1211、获取标记有病理分类信息的第二训练样本;
第二训练样本为标记有病理分类信息的病理图像,也就是标记有皮肤病类别的病理图像。
S1212、将所述第二训练样本输入第二卷积神经网络模型获取所述第二训练样本的病理分类参照信息;
将第二训练样本输入到第二卷积神经网络模型,输出病理分类参照信息。
S1213、通过损失函数比对所述第二训练样本内不同样本病理分类参照信息与所述病理分类信息是否一致;
通过损失函数比对病理分类参照信息是否与实际的病理分类信息一致。本发明实施例中,采用的损失函数为Triplet Loss函数,即三元损失函数。
S1214、当所述病理分类参照信息与所述病理分类信息不一致时,反复循环迭代的更新所述第二卷积神经网络模型中的权重,至所述比对结果与所述病理分类信息一致时结束。
病理分类参照信息与所述病理分类信息不一致时,调整第二卷积神经网络模型中各节点的权重,使损失函数的值尽可能收敛,如果继续调整权重,得到的损失函数的值不再缩小,反而增大时,认为第二卷积神经网络训练可以结束。当损失函数没有收敛时,更新第二卷积神经网络模型中的权重,本发明实施例中采用梯度下降法,梯度下降法是一个最优化算法,用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。
皮肤病疗效判断方法,在步骤S1303之后还包括下述步骤:
S1313、当所述第一病理分期信息优于所述第二病理分期信息,确定采用的治疗方法有效。
如果当前病理图像表征的病理分期信息优于前一次采集的病理图像表征的病理分期信息,确定采用的治疗方法有效。第一病理分期是否优于第二病理分期信息,根据预设的规则判断,例如,皮肤病的实际判断标准为处于消退期的状态优于处于稳定期的状态,处于稳定期的状态又优于处于进行期的状态。所以将前后两个病理分期信息进行比对,当当前病理分期信息优于第二病理分期信息时,输出治疗方法有效。
为解决上述技术问题本发明实施例还提供一种皮肤病疗效判断方法的装置。具体请参阅图6,图6为本实施例皮肤病疗效判断装置的基本结构框图。
如图6所示,一种皮肤病疗效判断装置,包括:获取模块2100、处理模块2200和执行模块2300。其中,获取模块2100,用于获取待分析的病理图像,其中,所述病理图像为用户患病体表位置的皮肤图像;处理模块2200,用于将所述病理图像输入到预设的病理分析模型中,并获取所述病理分析模型输出的第一病理分期信息,其中,所述病理分析模型为预先训练至收敛的第一卷积神经网络模型;执行模块2300,用于根据所述第一病理分期信息确认所述用户的病情。
本发明实施例皮肤病疗效判断方法的装置,通过将病理分析图像输入到病理分析模型中,判断皮肤病的病理分期信息,其中病理分析模型是卷积神经网络模型经过图像识别训练至收敛的模型,并将病理分期信息与前一个诊断时间的病理分期信息比对,判断病理分期的变化,从而判断治疗方法是否有效。弥补了医生经验上的差异,提供了快速判断皮肤病患者病情变化的手段。
在一些实施方式中,所述的皮肤病疗效判断装置还包括:第一获取子模块、第一比对子模块、第一执行子模块。其第一获取子模块,用于获取所述用户预存储的第二病理分期信息,其中,所述预存储的第二病理分期信息为所述用户上一个诊断时间的皮肤图像输入到所述病理分析模型输出的病理分期信息;第一比对子模块,用于将所述第一病理分期信息与所述第二病理分期信息比对;第一执行子模块,用于根据比对结果,输出所述用户疾病的治疗效果。
在一些实施方式中,所述皮肤病疗效判断装置还包括:第一处理子模块和第一确定子模块。其中,第一处理子模块,用于将所述病理图像输入到预设的病理分类模型中,获取所述病理分类模型输出的病理分类信息,其中,所述病理分类模型为预先训练至收敛的第二卷积神经网络;第一确定子模块,用于根据预设的映射关系确定与所述病理分类信息具有映射关系的所述病理分析模型。
在一些实施方式中,所述皮肤病疗效判断装置还包括:第二获取子模块、第二处理子模块、第二比对子模和第二执行子模块。其中,第二获取子模块,用于获取标记有病理分期信息的第一训练样本;第二处理子模块,用于将所述第一训练样本输入第一卷积神经网络模型获取所述第一训练样本的病理分期参照信息;第二比对子模块,用于通过损失函数比对所述第一训练样本内不同样本病理分期参照信息与所述病理分期信息是否一致;第二执行子模块,当所述病理分期参照信息与所述病理分期信息不一致时,反复循环迭代的更新所述第一卷积神经网络模型中的权重,至所述比对结果与所述病理分期信息一致时结束。
在一些实施方式中,所述皮肤病疗效判断装置还包括:第三获取子模块、第三处理子模块、第三比对子模和第三执行子模块。其中,第三获取子模块,用于获取标记有病理分类信息的第二训练样本;第三处理子模块,用于将所述第二训练样本输入第二卷积神经网络模型获取所述第二训练样本的病理分类参照信息;第三比对子模块,用于通过损失函数比对所述第二训练样本内不同样本病理分类参照信息与所述病理分类信息是否一致;第三执行子模块,用于当所述病理分类参照信息与所述病理分类信息不一致时,反复循环迭代的更新所述第二卷积神经网络模型中的权重,至所述比对结果与所述病理分类信息一致时结束。
在一些实施方式中,所述损失函数为Triplet损失函数,描述为:
在一些实施方式中,所述皮肤病疗效判断装置还包括:
第二确定子模块,用于当所述第一病理分期信息优于所述第二病理分期信息,确定采用的治疗方法有效
为解决上述技术问题,本发明实施例还提供计算机设备。具体请参阅图7,图7为本实施例计算机设备基本结构框图。
如图7所示,计算机设备的内部结构示意图。如图7所示,该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中,该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种皮肤病疗效判断方法的方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种皮肤病疗效判断的方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本实施方式中处理器用于执行图6中获取模块2100、处理模块2200和执行模块2300的具体内容,存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有皮肤病疗效判断方法中执行所有子模块所需的程序代码及数据,服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备通过将病理分析图像输入到病理分析模型中,判断皮肤病的病理分期信息,其中病理分析模型是卷积神经网络模型经过图像识别训练至收敛的模型,并将病理分期信息与前一个诊断时间的病理分期信息比对,判断病理分期的变化,从而判断治疗方法是否有效。弥补了医生经验上的差异,提供了快速判断皮肤病患者病情变化的手段。
本发明还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例所述皮肤病疗效判断方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式,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,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种皮肤病疗效判断方法,其特征在于,包括下述步骤:
获取待分析的病理图像,其中,所述病理图像为用户患病体表位置的皮肤图像;
将所述病理图像输入到预设的病理分析模型中,并获取所述病理分析模型输出的第一病理分期信息,其中,所述病理分析模型为预先训练至收敛的第一卷积神经网络模型;
根据所述第一病理分期信息确认所述用户的病情。
2.根据权利要求1所述的皮肤病疗效判断方法,其特征在于,所述病情包括用户疾病的治疗效果,所述根据所述第一病理分期信息确认所述用户的病情的步骤,还包括下述步骤:
获取所述用户预存储的第二病理分期信息,其中,所述预存储的第二病理分期信息为所述用户上一个诊断时间的皮肤图像输入到所述病理分析模型输出的病理分期信息;
将所述第一病理分期信息与所述第二病理分期信息比对;
根据比对结果,输出所述用户疾病的治疗效果。
3.根据权利要求1所述的皮肤病疗效判断方法,其特征在于,所述获取待分析的病理图像,其中,所述病理图像为用户患病体表位置的皮肤图像的步骤之后,还包括:
将所述病理图像输入到预设的病理分类模型中,获取所述病理分类模型输出的病理分类信息,其中,所述病理分类模型为预先训练至收敛的第二卷积神经网络;
根据预设的映射关系确定与所述病理分类信息具有映射关系的所述病理分析模型。
4.根据权利要求1所述的皮肤病疗效判断方法,其特征在于,所述第一卷积神经网络的训练包括下述步骤:
获取标记有病理分期信息的第一训练样本;
将所述第一训练样本输入第一卷积神经网络模型获取所述第一训练样本的病理分期参照信息;
通过损失函数比对所述第一训练样本内不同样本病理分期参照信息与所述病理分期信息是否一致;
当所述病理分期参照信息与所述病理分期信息不一致时,反复循环迭代的更新所述第一卷积神经网络模型中的权重,至所述比对结果与所述病理分期信息一致时结束。
5.根据权利要求3所述的皮肤病疗效判断方法,其特征在于,所述第二卷积神经网络的训练包括下述步骤:
获取标记有病理分类信息的第二训练样本;
将所述第二训练样本输入第二卷积神经网络模型获取所述第二训练样本的病理分类参照信息;
通过损失函数比对所述第二训练样本内不同样本病理分类参照信息与所述病理分类信息是否一致;
当所述病理分类参照信息与所述病理分类信息不一致时,反复循环迭代的更新所述第二卷积神经网络模型中的权重,至所述比对结果与所述病理分类信息一致时结束。
6.根据权利要求4或5所述的皮肤病疗效判断方法,其特征在于,所述损失函数为Triplet损失函数,描述为:
7.根据权利要求2所述的皮肤病疗效判断方法,其特征在于,在所述根据比对结果,输出所述用户疾病的治疗效果的步骤之后,还包括:
当所述第一病理分期信息优于所述第二病理分期信息,确定采用的治疗方法有效。
8.一种皮肤病疗效判断装置,其特征在于,包括:
获取模块,用于获取待分析的病理图像,其中,所述病理图像为用户患病体表位置的皮肤图像;
处理模块,用于将所述病理图像输入到预设的病理分析模型中,并获取所述病理分析模型输出的第一病理分期信息,其中,所述病理分析模型为预先训练至收敛的第一卷积神经网络模型;
执行模块,用于根据所述第一病理分期信息确认所述用户的病情。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至5、7中任一项权利要求所述皮肤病疗效判断方法的步骤。
10.一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至5、7中任一项权利要求所述皮肤病疗效判断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810879029.XA CN109255367B (zh) | 2018-08-03 | 2018-08-03 | 一种皮肤病疗效判断方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810879029.XA CN109255367B (zh) | 2018-08-03 | 2018-08-03 | 一种皮肤病疗效判断方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109255367A true CN109255367A (zh) | 2019-01-22 |
CN109255367B CN109255367B (zh) | 2024-07-09 |
Family
ID=65049203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810879029.XA Active CN109255367B (zh) | 2018-08-03 | 2018-08-03 | 一种皮肤病疗效判断方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255367B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415779A (zh) * | 2019-08-15 | 2019-11-05 | 平安医疗健康管理股份有限公司 | 保温措施有效性检测方法、装置、设备及存储介质 |
CN110533633A (zh) * | 2019-07-26 | 2019-12-03 | 深圳壹账通智能科技有限公司 | 基于人工智能的信息推荐方法、装置、计算机设备及存储介质 |
CN110533634A (zh) * | 2019-07-26 | 2019-12-03 | 深圳壹账通智能科技有限公司 | 基于人工智能的方案推荐方法、装置、计算机设备及存储介质 |
CN110755045A (zh) * | 2019-10-30 | 2020-02-07 | 湖南财政经济学院 | 一种皮肤病综合数据分析诊断辅助系统及信息处理方法 |
CN111815633A (zh) * | 2020-09-08 | 2020-10-23 | 上海思路迪医学检验所有限公司 | 医用图像诊断装置、图像处理装置和方法、判断单元以及存储介质 |
CN112687385A (zh) * | 2019-10-18 | 2021-04-20 | 医渡云(北京)技术有限公司 | 一种疾病分期识别方法以及装置 |
CN113057593A (zh) * | 2021-03-18 | 2021-07-02 | 杭州睿胜软件有限公司 | 图像识别方法、可读存储介质及电子设备 |
EP3937183A4 (en) * | 2019-03-08 | 2022-05-11 | Tencent Technology (Shenzhen) Company Limited | IMAGE ANALYSIS METHOD, MICROSCOPE VIDEO STREAM PROCESSING METHOD AND ASSOCIATED APPARATUS |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170246473A1 (en) * | 2016-02-25 | 2017-08-31 | Sava Marinkovich | Method and system for managing treatments |
CN107133439A (zh) * | 2017-03-14 | 2017-09-05 | 广东工业大学 | 一种皮肤病理图像镜下所见描述文本的生成方法 |
CN107280697A (zh) * | 2017-05-15 | 2017-10-24 | 北京市计算中心 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
CN107945173A (zh) * | 2017-12-11 | 2018-04-20 | 深圳市宜远智能科技有限公司 | 一种基于深度学习的皮肤疾病检测方法以及系统 |
CN108198620A (zh) * | 2018-01-12 | 2018-06-22 | 洛阳飞来石软件开发有限公司 | 一种基于深度学习的皮肤疾病智能辅助诊断系统 |
-
2018
- 2018-08-03 CN CN201810879029.XA patent/CN109255367B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170246473A1 (en) * | 2016-02-25 | 2017-08-31 | Sava Marinkovich | Method and system for managing treatments |
CN107133439A (zh) * | 2017-03-14 | 2017-09-05 | 广东工业大学 | 一种皮肤病理图像镜下所见描述文本的生成方法 |
CN107280697A (zh) * | 2017-05-15 | 2017-10-24 | 北京市计算中心 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
CN107945173A (zh) * | 2017-12-11 | 2018-04-20 | 深圳市宜远智能科技有限公司 | 一种基于深度学习的皮肤疾病检测方法以及系统 |
CN108198620A (zh) * | 2018-01-12 | 2018-06-22 | 洛阳飞来石软件开发有限公司 | 一种基于深度学习的皮肤疾病智能辅助诊断系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3937183A4 (en) * | 2019-03-08 | 2022-05-11 | Tencent Technology (Shenzhen) Company Limited | IMAGE ANALYSIS METHOD, MICROSCOPE VIDEO STREAM PROCESSING METHOD AND ASSOCIATED APPARATUS |
US11908188B2 (en) | 2019-03-08 | 2024-02-20 | Tencent Technology (Shenzhen) Company Limited | Image analysis method, microscope video stream processing method, and related apparatus |
CN110533633A (zh) * | 2019-07-26 | 2019-12-03 | 深圳壹账通智能科技有限公司 | 基于人工智能的信息推荐方法、装置、计算机设备及存储介质 |
CN110533634A (zh) * | 2019-07-26 | 2019-12-03 | 深圳壹账通智能科技有限公司 | 基于人工智能的方案推荐方法、装置、计算机设备及存储介质 |
CN110415779A (zh) * | 2019-08-15 | 2019-11-05 | 平安医疗健康管理股份有限公司 | 保温措施有效性检测方法、装置、设备及存储介质 |
CN112687385A (zh) * | 2019-10-18 | 2021-04-20 | 医渡云(北京)技术有限公司 | 一种疾病分期识别方法以及装置 |
CN110755045A (zh) * | 2019-10-30 | 2020-02-07 | 湖南财政经济学院 | 一种皮肤病综合数据分析诊断辅助系统及信息处理方法 |
CN110755045B (zh) * | 2019-10-30 | 2022-06-07 | 湖南财政经济学院 | 一种皮肤病综合数据分析诊断辅助系统 |
CN111815633A (zh) * | 2020-09-08 | 2020-10-23 | 上海思路迪医学检验所有限公司 | 医用图像诊断装置、图像处理装置和方法、判断单元以及存储介质 |
CN113057593A (zh) * | 2021-03-18 | 2021-07-02 | 杭州睿胜软件有限公司 | 图像识别方法、可读存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109255367B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255367A (zh) | 一种皮肤病疗效判断方法、装置、计算机设备及存储介质 | |
Park et al. | Arbitrary style transfer with style-attentional networks | |
WO2023092813A1 (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
US10325346B2 (en) | Image processing system for downscaling images using perceptual downscaling method | |
Calhoun et al. | A method for making group inferences from functional MRI data using independent component analysis | |
Rivet et al. | Mixing audiovisual speech processing and blind source separation for the extraction of speech signals from convolutive mixtures | |
Ho-Phuoc et al. | A functional and statistical bottom-up saliency model to reveal the relative contributions of low-level visual guiding factors | |
CN110175595A (zh) | 人体属性识别方法、识别模型训练方法及装置 | |
CN112396115A (zh) | 基于注意力机制的目标检测方法、装置及计算机设备 | |
CN106204482B (zh) | 基于加权稀疏的混合噪声去除方法 | |
CN108230346A (zh) | 用于分割图像语义特征的方法和装置、电子设备 | |
Lu et al. | Rethinking prior-guided face super-resolution: A new paradigm with facial component prior | |
CN114187547A (zh) | 目标视频的输出方法及装置、存储介质及电子装置 | |
CN111724899A (zh) | 一种基于Fbank和MFCC融合特征的帕金森音频智能检测方法及系统 | |
CN108446658A (zh) | 用于识别人脸图像的方法和装置 | |
US20030138161A1 (en) | Method and apparatus for enhancing an image using a wavelet-based retinex algorithm | |
CN106169961A (zh) | 基于人工智能的神经网络的网络参数处理方法及装置 | |
CN109241930A (zh) | 用于处理眉部图像的方法和装置 | |
CN111192204A (zh) | 一种图像增强方法、系统和计算机可读存储介质 | |
De Clercq et al. | Beyond linear neural envelope tracking: a mutual information approach | |
Zervakis et al. | A class of robust entropic functionals for image restoration | |
Karunathilake et al. | Neural tracking measures of speech intelligibility: Manipulating intelligibility while keeping acoustics unchanged | |
CN113538304A (zh) | 图像增强模型的训练方法及装置、图像增强方法及装置 | |
CN113538254A (zh) | 图像恢复方法、装置、电子设备及计算机可读存储介质 | |
CN114742693B (zh) | 基于自适应实例归一化的妆容迁移方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |