CN109559358B - 一种基于卷积自编码的图像样本升采样方法 - Google Patents

一种基于卷积自编码的图像样本升采样方法 Download PDF

Info

Publication number
CN109559358B
CN109559358B CN201811229759.1A CN201811229759A CN109559358B CN 109559358 B CN109559358 B CN 109559358B CN 201811229759 A CN201811229759 A CN 201811229759A CN 109559358 B CN109559358 B CN 109559358B
Authority
CN
China
Prior art keywords
image
layer
features
decoder
feature extraction
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
CN201811229759.1A
Other languages
English (en)
Other versions
CN109559358A (zh
Inventor
褚晶辉
李晓川
吕卫
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN201811229759.1A priority Critical patent/CN109559358B/zh
Publication of CN109559358A publication Critical patent/CN109559358A/zh
Application granted granted Critical
Publication of CN109559358B publication Critical patent/CN109559358B/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
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积自编码的图像样本升采样方法，包括：对每例三维磁共振成像样本进行裁剪，裁剪出肿瘤所在区域的二维图像，并将所有二维图像进行尺度归一化；采用编码器与解码器级联的形式搭建网络结构，并作为模型；通过学习率、及损失函数的设置对模型进行训练；采用自适应矩估计优化器对训练后的模型进行优化处理；输入任意张随机正样本至训练好的网络，获得编码器提取的低维特征，计算8组特征的欧式距离中心点，并在8组特征中随机选择1组特征，获取新特征；将新特征输入到解码器中进行图像重建，输出正样本图像。本方法通过编码器进行特征提取，在特征层面对样本进行样本增强，通过解码器进行图像重建，获得少数类样本的升采样，可用于分类问题的平衡预处理。

Description

一种基于卷积自编码的图像样本升采样方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于卷积自编码的图像样本升采样方法。
背景技术
不平衡数据分类是指数据集中某一类样本数量远小于其余类数量的分类。拥有大量样本数量的类称为多数类，拥有少量样本数量的类称为少数类[1]，通常情况下，多数类的分类准确性远高于少数类。但在现实生活中，少数类往往对准确性要求更高，例如：医疗图像中疾病样本类、互联网中的非法侵入样本类、网络游戏中的违规作弊样本类。数据的平衡处理技术是指通过升降采样等预处理手段，将不同类的数据量归一化为相同的规模。因此，不平衡图像的分类问题，常在特征提取模块、分类模块的基础上加入平衡处理模块。
现有图像数据平衡处理从采样的角度可分为两类处理方法：降采样、升采样。降采样指在分类前将多数类进行欠抽样，这样可以解决分类的不平衡性，但会造成样本的浪费，影响分类整体精度；升采样指通过差值等方法对少数类进行过采样，一般情况下效果较好，但对图像数据来说，直接从图像层面对样本进行升采样会导致两个问题：
第一、创造的新图像不一定符合人眼的视觉感官，例如：合成少数过采样技术(synthetic minority over-sampling technique，Smote算法)[2]；
第二、创造的新图像容易引入大量噪声，如基于生成对抗网络的升采样算法。
针对上述问题，部分方法从特征层面进行升采样，但仅由特征进行升采样不具备图像学的物理意义，且对于深度学习等学习型算法来说，特征提取模块的相关参数仅能通过升采样前的样本进行学习。
发明内容
本发明提供了一种基于卷积自编码的图像样本升采样方法，本发明可用于但不限于不平衡分类问题中少数类图像样本的升采样，本方法基于卷积自编码网络，通过编码器进行特征提取，并在特征层面对样本进行样本增强，并通过解码器进行图像重建，获得少数类样本的升采样，可用于分类问题的平衡预处理，详见下文描述：
一种基于卷积自编码的图像样本升采样方法，所述方法包括：
对每例三维磁共振成像样本进行裁剪，裁剪出肿瘤所在区域的二维图像，并将所有二维图像进行尺度归一化；采用编码器与解码器级联的形式搭建网络结构，并作为模型；
通过学习率、及损失函数的设置对模型进行训练；采用自适应矩估计优化器对训练后的模型进行优化处理；
输入任意张随机正样本至训练好的网络，获得编码器提取的低维特征，计算8组特征的欧式距离中心点，并在8组特征中随机选择1组特征，获取新特征；
将新特征输入到解码器中进行图像重建，输出正样本图像。
其中，所述采用编码器与解码器级联的形式搭建网络结构具体为：
所述卷积编码器由多个级联的特征提取模块与一个池化层级联组成，特征提取模块由多个特征提取层的首尾级联组成：每个特征提取层包括：若干个批归一化层，3×3卷积层，一个非线性激活函数层和一个跳层连接；
将第一步输出的特征图输入到卷积解码器中用来图像重建，卷积解码器由反卷积层与多个级联的特征提取模块组成；
采用一个1×1卷积层将特征图限定为若干通道。
进一步地，所述跳层连接将当前特征提取层的输入及非线性激活函数层的输出进行相加，获得当前特征提取层的输出特征图。
其中，所述非线性激活函数层中的激活函数采用参数线性整流单元。
进一步地，学习率的设置具体为：
学习率设置为10-3，并且每训练过一个训练集周期学习率减小为之前的一半，100个训练周期后，训练停止。
其中，损失函数设置具体为：
采用输入图像与重建图像的L2范数作为模型的损失函数，表示为：
Figure BDA0001836851810000021
其中，I为图向量，
Figure BDA0001836851810000022
为输入图像，/>
Figure BDA0001836851810000023
为重建图像，H和W分别表示图像的高与宽。
具体实现时，所述获取新特征具体为：
Fg＝Fc+α(Fi-Fc)
其中，Fc为欧式距离中心点，Fi为在8组特征中随机选择的1组特征，α∈(0,1)。
进一步地，所述特征层面的数据增强扩展为图像层面的数据升采样。
本发明提供的技术方案的有益效果是：
1、本发明采用编码器与解码器级联的形式，将特征层面的数据增强扩展为图像层面的数据升采样，提高了图像升采样的可视性，且避免了大量的噪声；
2、本发明亦可用作各种图像分类问题的数据增强方式，可实现一套端到端的图像增采样系统，且训练过程简单、网络规模较简易。
附图说明
图1为所提出的卷积自编码网络的整体结构图；
其中，虚线左边表示编码器网络，右边表示解码器网络。
图2为一种基于卷积自编码的图像样本升采样方法的流程图；
图3为图1中卷积提取块的内部结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
本发明实施例提出了一种基于卷积自编码的图像升采样方法，参见图1、图2，该方法包括下列步骤：
101：对每例三维磁共振成像样本进行裁剪，裁剪出肿瘤所在区域的二维图像，并将所有二维图像进行尺度归一化；采用编码器与解码器级联的形式搭建网络结构，并作为模型；
102：通过学习率、及损失函数的设置对模型进行训练；采用自适应矩估计优化器对训练后的模型进行优化处理；
103：输入任意张随机正样本至训练好的网络，获得编码器提取的低维特征，计算8组特征的欧式距离中心点，并在8组特征中随机选择1组特征，获取新特征；
104：将新特征输入到解码器中进行图像重建，输出正样本图像。
其中，步骤101中的采用编码器与解码器级联的形式搭建网络结构具体为：
卷积编码器由多个级联的特征提取模块与一个池化层级联组成，特征提取模块由多个特征提取层的首尾级联组成：每个特征提取层包括：若干个批归一化层，3×3卷积层，一个非线性激活函数层和一个跳层连接；
将第一步输出的特征图输入到卷积解码器中用来图像重建，卷积解码器由反卷积层与多个级联的特征提取模块组成；
采用一个1×1卷积层将特征图限定为若干通道。
进一步地，所述跳层连接将当前特征提取层的输入及非线性激活函数层的输出进行相加，获得当前特征提取层的输出特征图。
本方法的改进点如下：
由于图像层面的数据升采样易导致生成图像扭曲过于严重，且噪声过大，本方法采用特征层面的数据增强以扩充样本数量；
由于特征层面的数据升采样无法完成图像的可视化，且生成的新数据无法作为分类问题中特征提取模块的训练样本，本方法采用解码器网络对数据增强后的特征进行图像重建；本方法可对任意大小的图进行数据增强。
实施例2
下面结合具体的实例、图3对实施例1中的方案进行进一步地介绍，详见下文描述：
(1)少数类样本划分，方法如下：
第一步：将少数类样本按类分为不同集合。
第二步：在正样本中随机选择若干例，在负样本中随机选择若干例作为验证集；其余数据作为训练集。
第三步：对每例三维MRI(磁共振成像)样本进行裁剪，裁剪出肿瘤所在区域的二维图像，并将所有二维图像进行尺度归一化，归一化为224×224。
(2)网络结构搭建，方法如下：
第一步：将224×224大小的少数类样本(即正样本)输入到卷积编码器中，卷积编码器由多个级联的特征提取模块与池化层组成。特征提取模块由多个特征提取层的首尾级联组成：每个特征提取层包括一个一个BN(批归一化)层，3×3卷积层，一个非线性激活函数层和一个跳层连接组成，本发明实施例的激活函数采用PReLU(参数线性整流单元)；跳层连接将该特征提取层的输入及非线性激活函数层的输出进行相加，获得该特征提取层的输出特征图。
第二步：将第一步输出的特征图输入到卷积解码器中用来图像重建，卷积解码器由反卷积层与多个级联的特征提取模块组成。特征提取模块由多个特征提取层的首尾级联组成：每个特征提取层包括一个一个BN层，3×3卷积层，一个非线性激活函数层和一个跳层连接组成，激活函数同编码器一样采用PReLU；跳层连接将该特征提取层的输入及非线性激活函数层的输出进行相加，获得该特征提取层的输出特征图。
第三步：采用一个1×1卷积层将特征图限定为若干通道，由于本发明实施例采用医学图像为单通道灰度图像，因此将输出限定为1，输出层采用Tanh激活函数。
(3)模型(即上述搭建的网络结构)训练，方法如下：
第一步：学习率设置。
学习率设置为10-3，并且每训练过一个训练集周期学习率减小为之前的一半，100个训练周期后，训练停止。
第二步：损失函数设置。
采用输入图像与重建图像的L2范数作为模型的损失函数，可表示为：
Figure BDA0001836851810000051
其中，I为图向量，
Figure BDA0001836851810000052
为输入图像，/>
Figure BDA0001836851810000053
为重建图像，H和W分别表示图像的高与宽。
第三步：优化器设置。
采用ADAM(自适应矩估计，Adaptive Moment Estimation)优化器以进行快速收敛，若采用PyTorch框架(本领域技术人员所公知)，则框架中的参数为α1＝0.1,α2＝0.001。
(4)图像升采样，方法如下：
第一步：输入任意张(本发明实施例设置为8)随机正样本进入训练好的网络，获得编码器提取的低维特征，计算8组特征的欧式距离中心点Fc，并在8组特征中随机选择1组特征Fi，获取新特征Fg＝Fc+α(Fi-Fc)，其中α∈(0,1)，作为新图像的特征。
第二步：将新特征Fg输入到解码器中进行图像重建，即可重建出224×224大小的正样本图像。
综上问题，本发明实施例提出了一种基于卷积自编码的升采样方法，此方法基于特征层面对少数类进行特征增强并通过解码器重建可视化图像，解决了上述问题，基本解决了样本不平衡造成的分类差异。
实施例3
下面结合具体的实例对实施例1和2中的方案进行进一步地介绍，详见下文描述：
(1)数据准备：
(a)划分数据集
将样本按类分为不同集合，数据来源为96例未公开乳腺肿瘤MRI，其中，包括：27例恶性肿瘤样本，69例良性肿瘤样本。
在恶性肿瘤样本(正样本)中随机选择5例，在良性肿瘤样本(负样本)中随机选择10例作为验证集；其余数据作为训练集。
(b)数据预处理
对每例三维MRI样本进行裁剪，裁剪出肿瘤所在区域的二维图像，并将所有二维图像尺度归一化为224×224的统一大小。
最终获得1847张训练集数据(包括387张正样本与1460张负样本)，365张验证集数据(包括133张正样本与232张负样本)。
(2)网络结构搭建：本发明实施例的网络结构可分为：卷积编码器模块，卷积解码器模块。
(a)将224×224大小的少数类样本(即正样本)输入到卷积编码器中。训练阶段采用批迭代调优方式，批大小设置为8，则数据输入为8×1×224×224的四维数据。
如图1所示，本发明实施例中，卷积编码器由4个级联的特征提取模块与3个池化层交替级联组成。卷积提取模块由多个特征提取层的首尾级联组成：每个特征提取层包括：一个一个BN层，3×3卷积层，一个非线性激活函数层和一个跳层连接组成，本实施例中激活函数采用PReLU；特征提取层中的跳层连接将该特征提取层的输入及非线性激活函数层的输出进行相加，获得该特征提取层的输出。本发明实施例中，编码器网络的输出为8×128×28×28的四维数据。
(b)将步骤(a)的输出数据输入到网络的解码器部分用于生成图像。在本发明实施例中，卷积解码器由3个反卷积层与4个级联的特征提取模块交替级联组成。本步骤中的特征提取模块与步骤(a)中的特征提取模块结构相同，经过解码器，可重新生成8×32×224×224的四维数据。
(c)将步骤(b)的输出数据输入到一个1×1卷积层将特征图限定为单通道四维数据，输出层采用Tanh激活函数。本层输出数据为8×1×224×224的灰度图像。
(2)模型训练
(a)本发明实施例的学习率设为10-3，每经过一次完整训练周期，学习率减半，100个周期后，停止训练。
(b)训练过程中，采用L2范数作为模型损失函数，可表示为：
Figure BDA0001836851810000071
其中，I为图向量，
Figure BDA0001836851810000072
为编码器的输入图像，/>
Figure BDA0001836851810000073
为解码器的重建图像。
(c)采用ADAM优化方法，若采用PyTorch框架，则α1＝0.1,α2＝0.001。
(3)图像重建
(a)采用批处理的方式，将随机8张正样本图像输入解码器中，输入大小为8×1×224×224，解码器所提特征Fi,i∈[0,8)的大小为128×28×28。
(b)根据步骤(a)的输出结果，计算Fi,i∈[0,8)的欧氏距离中心Fc，Fc的大小为128×28×28，在8组特征中随机选择1组特征Fi，获取新特征Fg＝Fc+α(Fi-Fc)，其中α∈(0,1)，作为新图像的特征。
(c)将步骤(b)的结果输入至解码网络中，生成1×32×224×224的四维数据。
(d)将步骤(c)输出四维数据输入到一个1×1卷积层将特征图限定为单通道四维数据，输出层采用Tanh激活函数。本层输出数据为1×1×224×224的数据，即一张224×224大小的灰度图。
(e)重复步骤(a)～步骤(d)，直至正样本数量与负样本数量相同。
(4)评价指标：准确率(accuracy)、召回率(recall)、精确度(precision)
三者均为分类问题中的评价指标，表达式如下：
Figure BDA0001836851810000074
Figure BDA0001836851810000075
Figure BDA0001836851810000076
上述公式中，tp表示正确预测的正样本，fp为错误预测的假阳性，tn为正确预测的负样本，fn为错误预测的假阴性，
在不平衡分类问题中，常伴随recall或precision极低的情况，由表1可见，通过本发明实施例所阐述的升采样方法，可将accuracy、recall、以及precision保持在相同水平线上，基本上可解决样本不平衡问题。
表1验证集分类效果
Figure BDA0001836851810000081
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
参考文献
[1]Liu X Y,Wu J,Zhou Z H.Exploratory undersampling for class-imbalance learning[J].IEEE Transactions on Systems,Man,and Cybernetics,Part B(Cybernetics),2009,39(2):539-550.
[2]Chawla N V,Bowyer K W,Hall L O,et al.SMOTE:synthetic minorityover-sampling technique[J].Journal ofArtificial Intelligence Research,2002,16(1):321-357.

Claims (6)

1.一种基于卷积自编码的图像样本升采样方法，其特征在于，所述方法包括：
对每例三维磁共振成像样本进行裁剪，裁剪出肿瘤所在区域的二维图像，并将所有二维图像进行尺度归一化；采用编码器与解码器级联的形式搭建网络结构，并作为模型；
通过学习率、及损失函数的设置对模型进行训练；采用自适应矩估计优化器对训练后的模型进行优化处理；
输入任意张随机正样本至训练好的网络，获得编码器提取的低维特征，计算8组特征的欧式距离中心点，并在8组特征中随机选择1组特征，获取新特征；
将新特征输入到解码器中进行图像重建，输出正样本图像；
所述采用编码器与解码器级联的形式搭建网络结构具体为：
所述卷积编码器由多个级联的特征提取模块与一个池化层级联组成，特征提取模块由多个特征提取层的首尾级联组成：每个特征提取层包括：若干个批归一化层，3×3卷积层，一个非线性激活函数层和一个跳层连接；
将第一步输出的特征图输入到卷积解码器中用来图像重建，卷积解码器由反卷积层与多个级联的特征提取模块组成；
采用一个1×1卷积层将特征图限定为若干通道；
所述获取新特征具体为：
Fg＝Fc+α(Fi-Fc)
其中，Fc为欧式距离中心点，Fi为在8组特征中随机选择的1组特征，α∈(0,1)。
2.根据权利要求1所述的一种基于卷积自编码的图像样本升采样方法，其特征在于，所述跳层连接将当前特征提取层的输入及非线性激活函数层的输出进行相加，获得当前特征提取层的输出特征图。
3.根据权利要求1所述的一种基于卷积自编码的图像样本升采样方法，其特征在于，所述非线性激活函数层中的激活函数采用参数线性整流单元。
4.根据权利要求1所述的一种基于卷积自编码的图像样本升采样方法，其特征在于，学习率的设置具体为：
学习率设置为10-3，并且每训练过一个训练集周期学习率减小为之前的一半，100个训练周期后，训练停止。
5.根据权利要求1所述的一种基于卷积自编码的图像样本升采样方法，其特征在于，损失函数设置具体为：
采用输入图像与重建图像的L2范数作为模型的损失函数，表示为：
Figure FDA0004100755880000021
其中，I为图向量，
Figure FDA0004100755880000022
为输入图像，/>
Figure FDA0004100755880000023
为重建图像，H和W分别表示图像的高与宽。
6.根据权利要求1-5中任一权利要求所述的一种基于卷积自编码的图像样本升采样方法，其特征在于，所述特征层面的数据增强扩展为图像层面的数据升采样。
CN201811229759.1A 2018-10-22 2018-10-22 一种基于卷积自编码的图像样本升采样方法 Active CN109559358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811229759.1A CN109559358B (zh) 2018-10-22 2018-10-22 一种基于卷积自编码的图像样本升采样方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811229759.1A CN109559358B (zh) 2018-10-22 2018-10-22 一种基于卷积自编码的图像样本升采样方法

Publications (2)

Publication Number Publication Date
CN109559358A CN109559358A (zh) 2019-04-02
CN109559358B true CN109559358B (zh) 2023-07-04

Family

ID=65864964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811229759.1A Active CN109559358B (zh) 2018-10-22 2018-10-22 一种基于卷积自编码的图像样本升采样方法

Country Status (1)

Country Link
CN (1) CN109559358B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245677A (zh) * 2019-04-24 2019-09-17 广东工业大学 一种基于卷积自编码器的图像描述符降维方法
CN110390336B (zh) * 2019-06-05 2023-05-23 广东工业大学 一种提高特征点匹配精度的方法
CN110348569B (zh) * 2019-07-18 2021-10-08 华中科技大学 基于卷积神经网络的实时光学层析方法和系统
CN110827238B (zh) * 2019-09-29 2023-07-21 哈尔滨工程大学 一种改进的全卷积神经网络的侧扫声纳图像特征提取方法
CN110658156B (zh) * 2019-10-12 2022-03-11 安徽大学 一种近红外光谱特征提取方法及装置
CN110974217B (zh) * 2020-01-03 2022-08-09 苏州大学 基于卷积自编码器的双阶段心电信号降噪方法
WO2021184195A1 (zh) * 2020-03-17 2021-09-23 中国科学院深圳先进技术研究院 医学图像重建方法、医学图像重建网络训练方法和装置
CN112132225A (zh) * 2020-09-28 2020-12-25 天津天地伟业智能安全防范科技有限公司 一种基于深度学习的数据增强方法
CN112152633B (zh) * 2020-09-30 2023-05-16 石家庄铁道大学 振动信号压缩的改进卷积自编码器方法及装置
CN112183561B (zh) * 2020-11-09 2024-04-30 山东中医药大学 一种用于图像特征提取的联合融减自动编码器算法
CN112434878B (zh) * 2020-12-09 2022-09-20 同济大学 一种基于Cascade样本均衡的地震流体预测方法
CN115190217B (zh) * 2022-07-07 2024-03-26 国家计算机网络与信息安全管理中心 一种融合自编码网络的数据安全加密方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407992A (zh) * 2016-09-20 2017-02-15 福建省妇幼保健院 一种基于堆叠降噪自编码器的乳腺超声图像特征自学习提取方法及系统
CN107145836A (zh) * 2017-04-13 2017-09-08 西安电子科技大学 基于栈式边界辨别自编码器的高光谱图像分类方法
CN108399649A (zh) * 2018-03-05 2018-08-14 中科视拓（北京）科技有限公司 一种基于级联回归网络的单张图片三维人脸重建方法
CN108460809A (zh) * 2017-02-22 2018-08-28 西门子保健有限责任公司 用于前列腺癌检测和分类的深度卷积编码器-解码器
CN108596958A (zh) * 2018-05-10 2018-09-28 安徽大学 一种基于困难正样本生成的目标跟踪方法
CN109074650A (zh) * 2016-05-25 2018-12-21 科磊股份有限公司 针对半导体应用从输入图像产生经模拟图像

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10636141B2 (en) * 2017-02-09 2020-04-28 Siemens Healthcare Gmbh Adversarial and dual inverse deep learning networks for medical image analysis

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109074650A (zh) * 2016-05-25 2018-12-21 科磊股份有限公司 针对半导体应用从输入图像产生经模拟图像
CN106407992A (zh) * 2016-09-20 2017-02-15 福建省妇幼保健院 一种基于堆叠降噪自编码器的乳腺超声图像特征自学习提取方法及系统
CN108460809A (zh) * 2017-02-22 2018-08-28 西门子保健有限责任公司 用于前列腺癌检测和分类的深度卷积编码器-解码器
CN107145836A (zh) * 2017-04-13 2017-09-08 西安电子科技大学 基于栈式边界辨别自编码器的高光谱图像分类方法
CN108399649A (zh) * 2018-03-05 2018-08-14 中科视拓（北京）科技有限公司 一种基于级联回归网络的单张图片三维人脸重建方法
CN108596958A (zh) * 2018-05-10 2018-09-28 安徽大学 一种基于困难正样本生成的目标跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Low-Dose CT With a Residual Encoder-Decoder Convolutional Neural Network;Hu Chen et al.;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20171231;第36卷(第12期);全文 *
基于深度自编码器的单样本人脸识别;张彦等;《模式识别与人工智能》;20170430;第30卷(第4期);全文 *

Also Published As

Publication number Publication date
CN109559358A (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
CN109559358B (zh) 一种基于卷积自编码的图像样本升采样方法
CN113724880A (zh) 一种异常脑连接预测系统、方法、装置及可读存储介质
Chen et al. 3D intracranial artery segmentation using a convolutional autoencoder
CN110889852A (zh) 基于残差-注意力深度神经网络的肝脏分割方法
CN110036409B (zh) 使用联合深度学习模型进行图像分割的系统和方法
CN110782427B (zh) 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法
CN111932529B (zh) 一种图像分类分割方法、装置及系统
CN111179187B (zh) 基于循环生成对抗网络的单幅图像去雨方法
CN108122221A (zh) 弥散加权成像图像中脑缺血区域的分割方法及装置
CN109214989A (zh) 基于多方向特征预测先验的单幅图像超分辨率重建方法
CN108509843A (zh) 一种基于加权的Huber约束稀疏编码的人脸识别方法
CN112465905A (zh) 基于深度学习的磁共振成像数据的特征脑区定位方法
Benou et al. De-noising of contrast-enhanced MRI sequences by an ensemble of expert deep neural networks
CN108460400A (zh) 一种结合多种特征信息的高光谱图像分类方法
CN114913262B (zh) 采样模式与重建算法联合优化的核磁共振成像方法及系统
CN115661459A (zh) 一种使用差异信息的2D mean teacher模型
Chato et al. Wavelet transform to improve accuracy of a prediction model for overall survival time of brain tumor patients based on MRI images
Mehta et al. MRI image denoising using U-Net and Image Processing Techniques
CN114283058A (zh) 基于对抗网络和最大互信息优化的图像超分辨率重建方法
CN108573512B (zh) 一种基于深度编解码对偶模型的复杂视觉图像重构方法
CN112785540B (zh) 一种扩散加权图像的生成系统及方法
CN112541566B (zh) 一种基于重构损失的图像翻译方法
Yang et al. 3D spatially-adaptive canonical correlation analysis: Local and global methods
AlZubi 3D multiresolution statistical approaches for accelerated medical image and volume segmentation
CN110930349A (zh) 一种利用卷积神经网络的医学图像处理装置与方法

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