CN109493312B - 一种基于bec预测模型的图像分割方法 - Google Patents

一种基于bec预测模型的图像分割方法 Download PDF

Info

Publication number
CN109493312B
CN109493312B CN201811028708.2A CN201811028708A CN109493312B CN 109493312 B CN109493312 B CN 109493312B CN 201811028708 A CN201811028708 A CN 201811028708A CN 109493312 B CN109493312 B CN 109493312B
Authority
CN
China
Prior art keywords
bec
image segmentation
kernel function
image
prediction model
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
CN201811028708.2A
Other languages
English (en)
Other versions
CN109493312A (zh
Inventor
张天驰
张菁
陈仲怡
李腾飞
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201811028708.2A priority Critical patent/CN109493312B/zh
Publication of CN109493312A publication Critical patent/CN109493312A/zh
Application granted granted Critical
Publication of CN109493312B publication Critical patent/CN109493312B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

本发明提供一种基于BEC预测模型的图像分割方法，通过建立应用于图像分割的SVM模型，然后基于BEC理论引入BEC公式以代替SVM的高斯核函数，简化BEC核函数中常数的值，得到大脑神经胶质瘤图像分割的预测模型，进行实际图像分割。本发明模型新颖，与传统的图像分割方法相比有较低的时间复杂度和更高的效率，BEC核函数基于量子力学中的BEC理论，较高斯核函数更为新颖，更符合自然规律，BEC核函数是n次幂指数的函数，高斯核函数是2n次幂指数的函数，计算上有着先天的低复杂度与高效率的优势。

Description

一种基于BEC预测模型的图像分割方法
技术领域
本发明属于医学图像分割技术领域，具体涉及一种基于BEC预测模型的图像分割方法。
背景技术
玻色-爱因斯坦凝聚(Bose–Einstein Condensate，BEC)是由玻色和爱因斯坦发现的量子 基态，它描述了在冷却到极低温度(量子临界点)时，玻色子原子的统计分布。在主流量子 理论中，BEC被认为是波函数坍塌的实验证明，它证明了叠加态的特征态坍塌成单一物质状 态，而且叠加坍塌的量子主流理论与微观粒子有关。
现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基 于边缘的分割方法以及基于特定理论的分割方法等。在大脑图像分割中，输入的大脑图像是 已知的，例如神经胶质瘤的图像形状特征是一个不清晰的轮廓，最多可见的囊性或环增强， 可以通过人工观察来判断分割目标轮廓的精度。然而，输入和输出阶段之间的分割过程不是 一个固定的过程，而是通过预测或应用从其他研究领域借鉴的理论来实现的。
神经胶质瘤是一种被认为是由刺激性因素引起的肿瘤，如辐射、核、化学和微生物污染 以及电磁辐射。基于发现玻色-爱因斯坦凝聚(Bose–Einstein Condensate，BEC)的进展与胶 质瘤脑肿瘤的形成之间的关系，肿瘤细胞可以用量子力学理论来模拟。
图像评估参数P(Precision，准确率)、R(Recall，召回率)和F(F-measure，正确率和 召回率的调和平均值)用于评估和比较测试结果中的一致性、准确性和灵敏度。一个完美的 图像分割方法应该能产生1的P值，1的R值和1的F值。即所有的前台像素都在测试中被正确地分类，并且这个度量大约是当它们相似的时候的平均值。
发明内容
本发明的目的在于提供了一种基于BEC预测模型的图像分割方法，使图像分割更符合自 然规律，有较低的时间复杂度和更高的效率。
本发明的目的是这样实现的：
一种基于BEC预测模型的图像分割方法，具体的实现步骤如下：
步骤1.建立应用于图像分割的SVM模型；
步骤2.基于BEC理论引入BEC公式以代替SVM的高斯核函数；
步骤3.简化BEC核函数中常数的值，得到大脑神经胶质瘤图像分割的预测模型，进行实 际图像分割。
步骤2所述的BEC公式为量子力学中玻色-爱因斯坦凝聚，Bose–EinsteinCondensate， BEC理论的演变过程与肿瘤神经胶质瘤生成原因的相似性生成的。
步骤2所述的BEC核函数的公式为：
Figure BDA0001789163450000021
其中，x1-x2表示图像中的一个节点像素，KB表示玻耳兹曼常数，KB＝1.3806488×10-23(J/K)， 参数T表示BEC温度，μ表示化学势。
步骤3所述的大脑图像分割预测模型公式为：
Figure BDA0001789163450000022
其中，x1-x2表示一个节点的位置，T表示粒子的温度，μ表示化学势，,参数T和μ是根据 图像的类型而固定。
本发明的有益效果在于：模型新颖，与传统的图像分割方法相比有较低的时间复杂度和 更高的效率，BEC核函数基于量子力学中的BEC理论，较高斯核函数更为新颖，更符合自然 规律，BEC核函数是n次幂指数的函数，高斯核函数是2n次幂指数的函数，计算上有着先天 的低复杂度与高效率的优势。
附图说明
图1为SVM分别使用BEC核函数(左)和使用高斯核函数(右)的随机节点分割图。
图2为胶质瘤图像(左)，BEC图像(中)以及SVM中BEC核函数分割图像(右)。
图3为SVM分别使用BEC核函数(左)和使用高斯核函数(右)的随机节点分割图。
图4为SVM分别使用BEC核函数(左)和高斯核函数(右)的Fisheriris节点分割图。
图5为实际实验测试大脑神经胶质瘤图像分割图。
图6为本发明与其他方法的对比。
图7为本发明的方法流程图。
具体实施方式
下面结合附图对本发明做进一步的描述：
实施例1
步骤1.建立应用于图像分割的SVM模型；
步骤2.基于BEC理论引入BEC公式以代替SVM的高斯核函数；
步骤3.简化BEC核函数中常数的值，得到大脑神经胶质瘤图像分割的预测模型，进行实 际图像分割。
步骤2所述的BEC公式为量子力学中玻色-爱因斯坦凝聚，Bose–EinsteinCondensate，BEC理论的演变过程与肿瘤神经胶质瘤生成原因的相似性生成的。
步骤2所述的BEC核函数的公式为：
Figure BDA0001789163450000031
其中，x1-x2表示图像中的一个节点像素，KB表示玻耳兹曼常数，KB＝1.3806488×10-23(J/K)， 参数T表示BEC温度，μ表示化学势。BEC核函数的具体推导过程为：引入BEC公式，假 设有一个理想气体由N个玻色子组成，在体积V的容器中，当N个玻色子处于平衡状态时， 它们满足了玻色-爱因斯坦统计数据的方程：
Figure BDA0001789163450000032
其中，n(εi)表示在平衡状态下有εi能的粒子数,μ给出了化学势，μ≤0。KB代表玻耳兹曼常数， KB＝1.3806488×10-23(J/K)，T是粒子的温度，Tc是量子临界温度，Tc＝0K or-273.15℃，如果 有T≤Tc,就会出现BEC状态。通常，在图像分割中，分割超平面通常由一个分离的核函数表 示，例如，径向基函数(Gaussian)或S核函数。SVM公式的高斯核函数如下所示：
Figure BDA0001789163450000033
通常，方差σ＝0.125，μ是期望值。使用BEC公式代替SVM公式的高斯核，其中εi粒子可由 神经胶质瘤图像中的x1-x2一个节点像素来表示，将其命名为BEC核函数：
Figure BDA0001789163450000034
有两个参数可能在BEC核函数中产生变化，T和μ。参数T是指BEC温度，而在图像分割中 T的值通过实验得到证实。实际上，T是负的，在0以下，而T的范围是根据BEC的范围产生的，从0到10。T的值越低，BEC现象就越明显。另一个参数μ能由实验决定，根据BEC 的物理特性，它的范围从0到7。
步骤3所述的大脑图像分割预测模型公式为，省略BEC核函数公式中KB1.38×10-23的 值，替换为1.38，得到大脑图像分割的预测模型：
Figure BDA0001789163450000035
其中，x1-x2表示一个节点的位置，T表示粒子的温度，μ表示化学势，,参数T和μ是根据 图像的类型而固定。
实验仿真结果分析：
1.在MATLAB中使用SVM测试BEC核函数集群图像节点的效果以及是否出现类似于神经胶质瘤的自然形状。在图1中，一组随机节点被分为两个维度的两个不同的类。一类节点形成一个中心圆形中心区域，另一类是不同半径的环形区域。
2.从图1和图2中能观察到SVM的BEC核函数的中心圆的形状看起来更像神经胶质瘤的形状，比高斯核函数更能模拟神经胶质瘤。同时在神经胶质瘤图像中，BEC的图像和由BEC核函数的分割图像都具有一个类似于外环区域的中心区域的基本外观。
3.图3显示的的测试结果表明BEC核函数能够将所有红色的节点聚集在一起，而高斯 核函数却遗漏了部分红色节点。
4.图4的测试使用了一个Fisheriris节点集，在所展示的测试结果中证实了BEC核函数 在集群映像中是可行的。BEC核函数函数的集群比高斯核函数函数更精确，因为一些节点没 有被高斯核函数正确地分类。
5.图5展示了本发明在大脑图像分割中的实际应用效果。
6.本发明在图像分割的实际实验测试中的图像评估参数与其他方法的比较如图6所示。
实验结果表明：本发明提出的使用BEC核函数的预测模型的图像分割方法是可行的，而 且从实际的图像分割实验测试中得到的图像评估参数P，R，F与其他实验方法相比较来看， 本发明的图像分割方法是一种更好的图像分割方法。
实施例2
本发明属于医学图像分割领域，具体涉及一种基于BEC理论，使用基于BEC核函数的预 测模型来进行图像分割的方法。
玻色-爱因斯坦凝聚(Bose–Einstein Condensate，BEC)是由玻色和爱因斯坦发现的量 子基态，它描述了在冷却到极低温度(量子临界点)时，玻色子原子的统计分布。在主流量 子理论中，BEC被认为是波函数坍塌的实验证明，它证明了叠加态的特征态坍塌成单一物质 状态，而且叠加坍塌的量子主流理论与微观粒子有关。
现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基 于边缘的分割方法以及基于特定理论的分割方法等。在大脑图像分割中，输入的大脑图像是 已知的，例如神经胶质瘤的图像形状特征是一个不清晰的轮廓，最多可见的囊性或环增强， 可以通过人工观察来判断分割目标轮廓的精度。然而，输入和输出阶段之间的分割过程不是 一个固定的过程，而是通过预测或应用从其他研究领域借鉴的理论来实现的。
神经胶质瘤是一种被认为是由刺激性因素引起的肿瘤，如辐射、核、化学和微生物污染 以及电磁辐射。基于发现玻色-爱因斯坦凝聚(Bose–Einstein Condensate，BEC)的进展与 胶质瘤脑肿瘤的形成之间的关系，肿瘤细胞可以用量子力学理论来模拟。
图像评估参数P(Precision，准确率)、R(Recall，召回率)和F(F-measure，正确率和召回率的调和平均值)用于评估和比较测试结果中的一致性、准确性和灵敏度。一个完美的图像分割方法应该能产生1的P值，1的R值和1的F值。即所有的前台像素都在测试中 被正确地分类，并且这个度量大约是当它们相似的时候的平均值。
本发明目的在于提出一个新的BEC核函数，然后用它提出一个图像分割的预测模型，用 于改进大脑神经胶质瘤的图像分割方法。
本发明的目的是这样实现的：
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术 和过程。MATLAB中的SVM(Support Vector Machine，支持向量机)是常见的一种判别方法， 选择不同的核函数，可以生成不同的SVM。根据BEC理论，引入BEC公式以代替SVM常用的 高斯核函数，从而提出BEC核函数。对BEC核函数进行简化提出大脑图像分割模型，基于此 模型，对医学图像，尤其是大脑神经胶质瘤图像进行分割。经过实验测试，将SVM的BEC核 函数与常用高斯核函数进行比较，图像分割的P，R，F参数与其他模型进行比较，用真实的 实验数据，证明使用基于此发明所提出的模型的图像分割方法是行之有效的，可以用于大脑 神经胶质瘤的图像分割而且比现有的大脑图像分割方法更为准确。
本发明具有模型新颖，与传统的图像分割方法相比有较低的时间复杂度和更高的效率的 优点；是因为本发明所提出的BEC核函数和传统高斯核函数之间的区别有两点：(1)BEC核 函数基于量子力学中的BEC理论，较高斯核函数更为新颖，更符合自然规律(2)BEC核函数 是n次幂指数的函数，高斯核函数是2n次幂指数的函数，计算上有着先天的低复杂度与高效 率的优势。
下面结合附图对本发明做进一步的描述：
1)引入BEC公式，假设有一个理想气体由N个玻色子组成，在体积V的容器中，当N个玻色子处于平衡状态时，它们满足了玻色-爱因斯坦统计数据的方程：
Figure BDA0001789163450000051
n(εi)表示在平衡状态下有εi能的粒子数,μ给出了化学势，μ≤0。KB代表玻耳兹曼常数， KB＝1.3806488×10-23(J/K)，T是粒子的温度，Tc是量子临界温度，Tc＝0K or-273.15℃， 如果有T≤Tc,就会出现BEC状态。
2)通常，在图像分割中，分割超平面通常由一个分离的核函数表示，例如，径向基函数 (Gaussian)或S核函数。SVM公式的高斯核函数如下所示：
Figure BDA0001789163450000061
通常，方差σ＝0.125，μ是期望值。使用BEC公式代替SVM公式的高斯核，其中εi粒子可 由神经胶质瘤图像中的x1-x2一个节点像素来表示，将其命名为BEC核函数：
Figure BDA0001789163450000062
有两个参数可能在BEC核函数中产生变化，T和μ。参数T是指BEC温度，而在图像分割中T的值通过实验得到证实。实际上，T是负的，在0以下，而T的范围是根据BEC的范 围产生的，从0到10。T的值越低，BEC现象就越明显。另一个参数μ能由实验决定，根 据BEC的物理特性，它的范围从0到7。
3)省略BEC核函数公式中KB 1.38×10-23的值，替换为1.38，得到大脑图像分割的预测 模型：
Figure BDA0001789163450000063
x1-x2表示一个节点的位置，T是粒子的温度，μ代表化学势。在图像分割中，参数T和μ是 根据图像的类型固定的。
4)实验测试结果如下：
a.在MATLAB中使用SVM测试BEC核函数集群图像节点的效果以及是否出现类似于神经 胶质瘤的自然形状。在图1中，一组随机节点被分为两个维度的两个不同的类。一类节点形 成一个中心圆形中心区域，另一类是不同半径的环形区域。
b.从图1和图2中能观察到SVM的BEC核函数的中心圆的形状看起来更像神经胶质瘤的 形状，比高斯核函数更能模拟神经胶质瘤。同时在神经胶质瘤图像中，BEC的图像和由BEC核 函数的分割图像都具有一个类似于外环区域的中心区域的基本外观。
c.图3显示的的测试结果表明BEC核函数能够将所有红色的节点聚集在一起，而高斯核 函数却遗漏了部分红色节点。
d.图4的测试使用了一个Fisheriris节点集，在所展示的测试结果中证实了BEC核函 数在集群映像中是可行的。BEC核函数函数的集群比高斯核函数函数更精确，因为一些节点 没有被高斯核函数正确地分类。
e.图5展示了本发明在大脑图像分割中的实际应用效果。
f.本发明在图像分割的实际实验测试中的图像评估参数与其他方法的比较如表1所示。
实验结果表明：本发明提出的使用BEC核函数的预测模型的图像分割方法是可行的，而 且从实际的图像分割实验测试中得到的图像评估参数P，R，F与其他实验方法相比较来看， 本发明的图像分割方法是一种更好的图像分割方法。

Claims (2)

1.一种基于BEC预测模型的图像分割方法，其特征在于，具体的实现步骤如下：
步骤1.建立应用于图像分割的SVM模型；
步骤2.基于BEC理论引入BEC核函数的公式以代替SVM的高斯核函数；
步骤3.简化BEC核函数中常数的值，得到大脑神经胶质瘤图像分割的预测模型，进行实际图像分割；
步骤2所述的BEC公式为量子力学中玻色-爱因斯坦凝聚，Bose–Einstein Condensate，BEC理论的演变过程与肿瘤神经胶质瘤生成原因的相似性生成的；
步骤2所述的BEC核函数的公式为：
Figure FDA0003197462420000011
其中，x1-x2表示图像中的一个节点像素，KB表示玻耳兹曼常数，KB＝1.3806488×10-23(J/K)，参数T表示BEC温度，μ表示化学势。
2.根据权利要求1所述的一种基于BEC预测模型的图像分割方法，其特征在于：步骤3所述的大脑图像分割预测模型公式为：
Figure FDA0003197462420000012
其中，x1-x2表示一个节点的位置，T表示粒子的温度，μ表示化学势，参数T和μ是根据图像的类型而固定。
CN201811028708.2A 2018-09-01 2018-09-01 一种基于bec预测模型的图像分割方法 Active CN109493312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811028708.2A CN109493312B (zh) 2018-09-01 2018-09-01 一种基于bec预测模型的图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811028708.2A CN109493312B (zh) 2018-09-01 2018-09-01 一种基于bec预测模型的图像分割方法

Publications (2)

Publication Number Publication Date
CN109493312A CN109493312A (zh) 2019-03-19
CN109493312B true CN109493312B (zh) 2021-10-26

Family

ID=65690452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811028708.2A Active CN109493312B (zh) 2018-09-01 2018-09-01 一种基于bec预测模型的图像分割方法

Country Status (1)

Country Link
CN (1) CN109493312B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339669A (zh) * 2008-07-29 2009-01-07 上海师范大学 基于正侧面影像的三维人脸建模方法
JP2010253274A (ja) * 2009-04-23 2010-11-11 Lvmh Recherche 皮膚欠陥を特性化する方法及び装置、並びに化粧用薬剤、外皮用薬剤、又は薬剤を使用する皮膚欠陥のための処置の有効性を評価する方法
CN103199928A (zh) * 2013-03-20 2013-07-10 王少夫 一种基于玻色爱因斯坦凝聚体多孤子实现方法
CN105716598A (zh) * 2016-02-03 2016-06-29 中国人民解放军装备学院 一种基于主动控制的bec量子涡旋陀螺实现方法
CN106530283A (zh) * 2016-10-20 2017-03-22 北京工业大学 一种基于svm的医疗图像血管识别方法
CN106871888A (zh) * 2017-01-17 2017-06-20 中国人民解放军装备学院 一种冷原子玻色‑爱因斯坦凝聚涡旋叠加态陀螺的相位检测方法
CN107248162A (zh) * 2017-05-18 2017-10-13 杭州全景医学影像诊断有限公司 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339669A (zh) * 2008-07-29 2009-01-07 上海师范大学 基于正侧面影像的三维人脸建模方法
JP2010253274A (ja) * 2009-04-23 2010-11-11 Lvmh Recherche 皮膚欠陥を特性化する方法及び装置、並びに化粧用薬剤、外皮用薬剤、又は薬剤を使用する皮膚欠陥のための処置の有効性を評価する方法
CN103199928A (zh) * 2013-03-20 2013-07-10 王少夫 一种基于玻色爱因斯坦凝聚体多孤子实现方法
CN105716598A (zh) * 2016-02-03 2016-06-29 中国人民解放军装备学院 一种基于主动控制的bec量子涡旋陀螺实现方法
CN106530283A (zh) * 2016-10-20 2017-03-22 北京工业大学 一种基于svm的医疗图像血管识别方法
CN106871888A (zh) * 2017-01-17 2017-06-20 中国人民解放军装备学院 一种冷原子玻色‑爱因斯坦凝聚涡旋叠加态陀螺的相位检测方法
CN107248162A (zh) * 2017-05-18 2017-10-13 杭州全景医学影像诊断有限公司 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种抗噪的自然场景图片预处理算法模型;袁健等;《小型微型计算机系统》;20160930;第37卷(第9期);全文 *
基于SVM的复杂环境下苹果图像的分割;张云龙等;《智能计算机与应用》;20170228;第7卷(第1期);全文 *

Also Published As

Publication number Publication date
CN109493312A (zh) 2019-03-19

Similar Documents

Publication Publication Date Title
JP7367504B2 (ja) 電磁界のシミュレーション装置及び方法
Ni et al. AI-assisted superresolution cosmological simulations–II. Halo substructures, velocities, and higher order statistics
Redenbach et al. Modeling of ceramic foams for filtration simulation
Alnowami et al. A deep learning model observer for use in alterative forced choice virtual clinical trials
Demidova et al. Improving the Classification Quality of the SVM Classifier for the Imbalanced Datasets on the Base of Ideas the SMOTE Algorithm
Gelli et al. The stellar populations of high-redshift dwarf galaxies
CN107392943B (zh) 基于多尺度权重引导滤波的视差精炼方法
Wu et al. Statistical analysis of helium bubbles in transmission electron microscopy images based on machine learning method
Ali et al. Classification of the Reynolds stress anisotropy tensor in very large thermally stratified wind farms using colormap image segmentation
DK178393B1 (en) PROCEDURE AND ALGORITHM FOR SIMULATING THE IMPACT OF THERMAL COUPLED SURFACE RADIATION IN CASTING PROCESSES
CN109493312B (zh) 一种基于bec预测模型的图像分割方法
Chen et al. ESDDNet: efficient small defect detection network of workpiece surface
Himpel et al. Fast 3D particle reconstruction using a convolutional neural network: application to dusty plasmas
Tang et al. A fuzzy-c-means-clustering approach: Quantifying chromatin pattern of non-neoplastic cervical squamous cells
Shi et al. Integral curve clustering and simplification for flow visualization: A comparative evaluation
Zhou et al. An imbalance aware lithography hotspot detection method based on HDAM and pre-trained GoogLeNet
Zhang et al. Automatic detection and classification of radio galaxy images by deep learning
Akhyar et al. A beneficial dual transformation approach for deep learning networks used in steel surface defect detection
Gonzalez et al. Halo cluster shapes: insights from simulated galaxies and ICL with prospects for weak lensing applications
Rodríguez Medrano et al. Imprints of the cosmic void evolution on the baryon processes inside galaxy haloes
Xiao et al. FastNet: A Lightweight Convolutional Neural Network for Tumors Fast Identification in Mobile Computer-Assisted Devices
Lee et al. Outlier detection for particle image velocimetry data using a locally estimated noise variance
Rustige et al. Morphological classification of radio galaxies with Wasserstein generative adversarial network-supported augmentation
Kim et al. Vortex detection in atomic Bose–Einstein condensates using neural networks trained on synthetic images
Jeulin Analysis and modeling of 3D microstructures

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