CN109840564B - 一种基于超声造影图像均匀程度的分类系统 - Google Patents
一种基于超声造影图像均匀程度的分类系统 Download PDFInfo
- Publication number
- CN109840564B CN109840564B CN201910093164.6A CN201910093164A CN109840564B CN 109840564 B CN109840564 B CN 109840564B CN 201910093164 A CN201910093164 A CN 201910093164A CN 109840564 B CN109840564 B CN 109840564B
- Authority
- CN
- China
- Prior art keywords
- classification
- feature
- module
- texture
- rectangular
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于超声造影图像均匀程度的分类系统,其包括图像预处理模块、分类标注模块、特征提取模块、特征筛选模块、主成分分析模块、模型训练模块和分类预测模块;其中,离线分类时,通过图像预处理模块、分类标注模块、特征提取模块、特征筛选模块、主成分分析模块和模型训练模块得到相应的多个二分类QDA模型,再由分类预测模块利用得到的模型对未知分类结果的超声造影图像进行分类预测,而在线分类时,分类预测模块直接利用已有的二分类QDA模型,完成对未知分类结果的超声造影图像进行分类预测。因此,本发明不仅能够降低医生的工作量,有效地辅助医生做出准确的诊断结果,还能够降低分类模型的学习难度,提高分类模型的训练效率。
Description
技术领域
本发明涉及超医学图像处理技术领域,特别涉及一种基于超声造影图像均匀程度的分类系统。
背景技术
医学影像在医疗诊断阶段中有重要的作用,但是医生通过医学影像来进行判断,需要大量的专业知识和临床经验,其判断结果容易受到医生的主观因素影响,诊断结果不稳定。
而超声检查作为一种医学影像检测手段,具有无创、无痛、无电离辐射影响的优势,超声图像与CT及MRI相比,其图像的分辨率更高,其实时动态的图像更能显示肿瘤内部的细节。随着超声仪器分辨率的不断提高及超声探头频率的不断改进,超声在器官组织病损的辅助诊疗中具有更加明显的优势。但是超声医师的水平差异及操作规范的不均一性,经常给图像特征的稳定性的判断带来困难。同时,医生的工作量巨大,工作时间长,对大量数据进行判读时,获得结果困难。因此,利用机器学习和图像处理技术辅助医生诊断已经成为医学影像诊断的发展趋势。而为了增强结果判断的稳定性,降低工作量,有必要利用机器学习和图像处理技术对超声造影图像分类,做出准确的判断,以辅助人工诊断及疗效的判定。
目前,灰度共生矩阵是一种常用于超声图像的纹理分析方法,已经广泛地应用在肝脏病变、乳腺肿瘤、甲状腺结节等病症的超声图像分析。但灰度共生矩阵需要的计算开销大,占用更大的存储空间。
发明内容
本发明的目的在于:提供一种基于超声造影图像均匀程度的分类系统,其不仅能够降低医生的工作量,有效地辅助医生做出准确的诊断结果,还能够减小图像处理的计算开销,从而降低分类模型的学习难度,提高分类模型的训练效率。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于超声造影图像均匀程度的分类系统,其包括:
图像预处理模块,用于将未知分类结果的超声造影图像中的矩形感兴趣区域划分为若干个矩形感兴趣子区域;
分类标注模块,用于离线分类时,对所述未知分类结果的超声造影图像的每个矩形感兴趣子区域进行分类标注;
特征提取模块,用于对所述图像预处理模块或所述分类标注模块得到的每个矩形感兴趣子区域进行纹理特征提取,并提取出多组纹理特征;
特征筛选模块,用于离线分类时,将所述特征提取模块提取的所有完成分类标注的矩形感兴趣子区域的纹理特征分别用于训练QDA模型,并筛选出各个矩形感兴趣子区域的每组纹理特征中QDA模型训练错误率较低的多个纹理特征;
主成分分析模块,用于离线分类时,对所述特征筛选模块筛选出的纹理特征的数据进行标准化处理,再利用主成分分析法对标准化处理后的数据进行降维处理,而得到分类训练样本;
模型训练模块,用于离线分类时,将多分类问题分解为多个二分类问题,并利用所述分类训练样本,分别针对每个二分类问题训练得到相应的二分类QDA模型;
分类预测模块,用于在线分类时,根据已有的QDA模型对所述未知分类结果的超声造影图像进行分类预测,以及离线分类时,利用所述模型训练模块得到的二分类QDA模型,对所述未知分类结果的超声造影图像进行分类预测;而且,以投票的方式决定该超声造影图像的分类结果。
根据一种具体的实施方式,本发明基于超声造影图像均匀程度的分类系统中,所述图像预处理模块,用于将一个设定尺寸的矩形窗口在所述矩形感兴趣区域上滑动,每滑动一次则将所述矩形窗口内的图像作为一个矩形感兴趣子区域;其中,所述矩形窗口每次滑动的距离根据矩形感兴趣子区域之间的重叠率而设定。
根据一种具体的实施方式,本发明基于超声造影图像均匀程度的分类系统中,所述特征提取模块,用于将每个矩形感兴趣子区域的灰度级压缩到1~Ng,并在每个矩形感兴趣子区域中的多个不同的方向上提取像素,且在每个方向上依次提取相同个数的像素,计算出每个方向上提取的像素中相对距离为(d1,d2)的两个像素之间的和、差,并统计出相应的和直方图与差直方图,再将和直方图、差直方图归一化,计算出和直方图、差直方图的数据特征,并基于每个方向上提取的像素而计算出的和直方图、差直方图的数据特征,分别计算出一组纹理特征;
其中,设矩形感兴趣子区域D中,相对距离为(d1,d2)的两个像素表示为:
y1=g(m,n);
y2=g(m+d1,n+d2);
设像素y1与y2的和、差分别表示为:
sm,n=y1+y2;
dm,n=y1-y2;
则和直方图与差直方图分别为:
hs(i;d1,d2)=hs(i)=Card{(m,n)∈D|sm,n=i};
hd(j;d1,d2)=hd(j)=Card{(m,n)∈D|dm,n=j};
以及,和直方图与差直方图的数据特征分别为:
进一步地,所述特征提取模块在每个方向上提取像素时,相邻提取的两个像素之间间隔的像素个数逐渐递增。
进一步地,所述特征提取模块计算出的每组纹理特征包括:
根据一种具体的实施方式,本发明基于超声造影图像均匀程度的分类系统中,所述主成分分析模块对选取出的纹理特征的数据进行标准化处理的方式为:
与现有技术相比,本发明的有益效果:
本发明基于超声造影图像均匀程度的分类系统,其包括图像预处理模块、分类标注模块、特征提取模块、特征筛选模块、主成分分析模块、模型训练模块和分类预测模块;其中,离线分类时,通过图像预处理模块、分类标注模块、特征提取模块、特征筛选模块、主成分分析模块和模型训练模块得到相应的多个二分类QDA模型,再由分类预测模块利用得到的模型对未知分类结果的超声造影图像进行分类预测,而在线分类时,分类预测模块直接利用已有的二分类QDA模型,完成对未知分类结果的超声造影图像进行分类预测。因此,本发明不仅能够降低医生的工作量,有效地辅助医生做出准确的诊断结果,还能够降低分类模型的学习难度,提高分类模型的训练效率。
附图说明:
图1为本发明基于超声造影图像均匀程度的分类系统的结构图;
图2为超声造影图像中的矩形感兴趣区域的示意图;
图3为本发明筛选纹理特征的统计表;
图4为本发明分类准确率与纹理特征个数的统计表。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
如图1所示,本发明基于超声造影图像均匀程度的分类系统,其包括图像预处理模块、分类标注模块、特征提取模块、特征筛选模块、主成分分析模块、模型训练模块和分类预测模块。
其中,图像预处理模块用于将未知分类结果的超声造影图像中的矩形感兴趣区域划分为若干个矩形感兴趣子区域。具体的,如图2所示,采用画图工具在超声造影图像上画出一条闭合曲线,该曲线包围的区域为病灶区域,再使用一个以该闭合曲线的最大内接矩形将病灶区域自动分割,得到矩形感兴趣区域。由于不同的超声造影图像其矩形感兴趣区域的大小可能不一,为了方便后续处理,将矩形感兴趣区域划分为若干个大小统一的矩形感兴趣子区域。在实施时,采用一个设定尺寸的矩形窗口在矩形感兴趣区域上滑动,每滑动一次则将该矩形窗口内的图像作为一个矩形感兴趣子区域,每次滑动距离小于矩形窗口在其滑动方向上的长度。其中,矩形窗口每次滑动的距离根据矩形感兴趣子区域之间的重叠率而设定。
这样虽然将矩形感兴趣区域划分成矩形感兴趣子区域的过程中不可避免地损失掉部分图像信息,但样本数量得到了扩展。
分类标注模块,用于离线分类时,对未知分类结果的超声造影图像的每个矩形感兴趣子区域进行分类标注。
特征提取模块,用于对图像预处理模块或分类标注模块得到的每个矩形感兴趣子区域进行纹理特征提取,并提取出多组纹理特征。
具体的,特征提取模块将每个矩形感兴趣子区域的灰度级压缩到1~Ng,并在每个矩形感兴趣子区域中的多个不同的方向上提取像素,且在每个方向上依次提取相同个数的像素,计算出每个方向上提取的像素中相对距离为(d1,d2)的两个像素之间的和、差,并统计出相应的和直方图与差直方图,再将和直方图、差直方图归一化,计算出和直方图、差直方图的数据特征,并基于每个方向上提取的像素而计算出的和直方图、差直方图的数据特征,分别计算出一组纹理特征。
其中,设矩形感兴趣子区域D中,相对距离为(d1,d2)的两个像素表示为:
y1=g(m,n);
y2=g(m+d1,n+d2);
设像素y1与y2的和、差分别表示为:
sm,n=y1+y2;
dm,n=y1-y2;
则和直方图与差直方图分别为:
hs(i;d1,d2)=hs(i)=Card{(m,n)∈D|sm,n=i};
hd(j;d1,d2)=hd(j)=Card{(m,n)∈D|dm,n=j};
以及,和直方图与差直方图的数据特征分别为:
而且,特征提取模块计算出的每组纹理特征包括:
在实施时,Ng取64,特征提取模块对矩形感兴趣子区域进行图像压缩的公式为:其中g(m,n)为图像的像素。特征提取模块分别在每个矩形感兴趣子区域的0°、45°、90°和135°四个方向上取10个像素,而且,在每个方向上提取像素时,相邻提取的两个像素之间间隔的像素个数逐渐递增。这样,特征提取模块对利用每个矩形感兴趣子区域对应计算出40对和直方图、差直方图的数据特征后,将得到40组纹理特征,且每组包括9个纹理特征,即每个矩形感兴趣子区域总共计算出360个纹理特征。
特征筛选模块,用于离线分类时,将特征提取模块提取的所有完成分类标注的矩形感兴趣子区域的纹理特征分别用于训练QDA模型,并筛选出各个矩形感兴趣子区域的每组纹理特征中QDA模型训练错误率较低的多个纹理特征。
具体的,特征筛选模块将通过以下方式对每一组纹理特征进行筛选:
(1)设feature={f1,f2,f3,f4,f5,f6,f7,f8,f9},selectFeature={}。初始化集合,feature表示一组特征,selectFeature表示从feature中选择出的特征。
(2)单独使用feature中的每一个特征训练QDA模型,选择出能够将QDA模型错误率最小的特征,用fk表示该特征。将fk特征添加到集合selectFeature中,从feature中删除该fk。
(3)将feature中剩下的每一个特征,分别和集合selectFeature中的特征进行组合训练QDA模型,选择使模型错误率最小的特征,添加到集合selectFeature中,并从feature中删除该特征。
(4)重复第3步,直到集合selectFeature中的特征数目为5。
通过上述方式,40组纹理特征中,从每一组中选择5个特征,统计所有被选择出来的特征次数,如图3所示,出现次数最多的前5个特征的编号为1、2、7、8和9,分对应mean、variance、homogeneity、cluster shade、cluster prominence。但cluster shade和cluster prominence的计算公式中次数仅仅相差1,两者具有高的相关性,所以我们决定只保留cluster shade,用编号6的特征代替编号9。因此,每一组特征我们只保留上述5个特征,特征总数从360减少到200。
主成分分析模块,用于离线分类时,对所述特征筛选模块筛选出的纹理特征的数据进行标准化处理,再利用主成分分析法对标准化处理后的数据进行降维处理,而得到分类训练样本。
具体的,主成分分析模块对特征进行降维之前,先对数据进行标准化,主成分分析模块对选取出的纹理特征的数据进行标准化处理的方式为:
然后,主成分分析模块利用主成分分析法对标准化处理后的数据进行降维处理,选择能使模型性能最佳的维数。通过比较特征维数对分类准确的影响以及特征选择前后的分类性能,如图4所示,特征选择后的分类准确率高于未进特征选择的分类准确率,并且可以得知使用PCA将数据的维数减少75时,模型的准确率最高,最高准确率为88.1%。因此,最终每一个矩形感兴趣子区域由一个75维的特征向量来表示。
模型训练模块,用于离线分类时,将多分类问题分解为多个二分类问题,并利用所述分类训练样本,分别针对每个二分类问题训练得到相应的二分类QDA模型。具体的,例如,在实施时,将超声造影图像分为4类,对任意两个类别的分类训练样本之间训练一个二分类QDA模型,那么,最终训练得到6个二分类QDA模型。其中,QDA模型假设数据服从多维高斯分布X~N(μ,∑),μ与∑可以通过样本数据得到,再结合贝叶斯后验概率对未知数据的类别进行判断。
分类预测模块,用于在线分类时,根据已有的QDA模型对所述未知分类结果的超声造影图像进行分类预测,以及离线分类时,利用所述模型训练模块得到的二分类QDA模型,对所述未知分类结果的超声造影图像进行分类预测;而且,以投票的方式决定该超声造影图像的分类结果。
本发明基于超声造影图像均匀程度的分类系统为计算机系统,该分类系统中各个模块分别为能够实现其相应步骤和数据处理功能的程序模块,由于计算机系统具有中央处理器和相应存储介质,这些程序模块可完全在一个计算机系统上执行,也可分别在多个互联的计算机系统上执行。比如:一台用于实现图像预处理模块的功能的专用计算机,其需要将超声造影图像的处理结果传输给另一台用于实现分类标注模块的功能的专用计算机,以实现矩形感兴趣子区域的分类标注,还需要将超声造影图像的处理结果传输给另一台用于实现特征提取模块的功能的专用计算机,以实现纹理特征的提取。
因此,本发明基于超声造影图像均匀程度的分类系统不仅能够降低医生的工作量,有效地辅助医生做出准确的诊断结果,还能够降低分类模型的学习难度,提高分类模型的训练效率。
Claims (5)
1.一种基于超声造影图像均匀程度的分类系统,其特征在于,包括:
图像预处理模块,用于将未知分类结果的超声造影图像中的矩形感兴趣区域划分为若干个矩形感兴趣子区域;
分类标注模块,用于离线分类时,对所述未知分类结果的超声造影图像的每个矩形感兴趣子区域进行分类标注;
特征提取模块,用于对所述图像预处理模块或所述分类标注模块得到的每个矩形感兴趣子区域进行纹理特征提取,并提取出多组纹理特征;
特征筛选模块,用于离线分类时,将所述特征提取模块提取的所有完成分类标注的矩形感兴趣子区域的纹理特征分别用于训练QDA模型,并筛选出各个矩形感兴趣子区域的每组纹理特征中QDA模型训练错误率较低的多个纹理特征;
主成分分析模块,用于离线分类时,对所述特征筛选模块筛选出的纹理特征的数据进行标准化处理,再利用主成分分析法对标准化处理后的数据进行降维处理,而得到分类训练样本;
模型训练模块,用于离线分类时,将多分类问题分解为多个二分类问题,并利用所述分类训练样本,分别针对每个二分类问题训练得到相应的二分类QDA模型;
分类预测模块,用于在线分类时,根据已有的QDA模型对所述未知分类结果的超声造影图像进行分类预测,以及离线分类时,利用所述模型训练模块得到的二分类QDA模型,对所述未知分类结果的超声造影图像进行分类预测;而且,以投票的方式决定该超声造影图像的分类结果;
所述特征提取模块,用于将每个矩形感兴趣子区域的灰度级压缩到1~Ng,并在每个矩形感兴趣子区域中的多个不同的方向上提取像素,且在每个方向上依次提取相同个数的像素,计算出每个方向上提取的像素中相对距离为(d1,d2)的两个像素之间的和、差,并统计出相应的和直方图与差直方图,再将和直方图、差直方图归一化,计算出和直方图、差直方图的数据特征,并基于每个方向上提取的像素而计算出的和直方图、差直方图的数据特征,分别计算出一组纹理特征;
其中,设矩形感兴趣子区域D中,相对距离为(d1,d2)的两个像素表示为:
y1=g(m,n);
y2=g(m+d1,n+d2);
设像素y1与y2的和、差分别表示为:
sm,n=y1+y2;
dm,n=y1-y2;
则和直方图与差直方图分别为:
hs(i;d1,d2)=hs(i)=Card{(m,n)∈D|sm,n=i};
hd(j;d1,d2)=hd(j)=Card{(m,n)∈D|dm,n=j};
以及,和直方图与差直方图的数据特征分别为:
所述特征筛选模块对每一组纹理特征进行筛选的方法为:
(1),设feature={f1,f2,f3,f4,f5,f6,f7,f8,f9},selectFeature={},feature表示一组特征,selectFeature表示从feature中选择出的特征;
(2),单独使用feature中的每一个特征训练QDA模型,选择出使QDA模型错误率最小的特征fk,将fk添加到集合selectFeature中,从feature中删除fk;
(3),将feature中剩下的每一个特征,分别和集合selectFeature中的特征进行组合训练QDA模型,选择出使模型错误率最小的特征,添加到集合selectFeature中,并从feature中删除所述使模型错误率最小的特征;
(4),重复步骤(3),直到集合selectFeature中的特征数目为5。
2.如权利要求1所述的基于超声造影图像均匀程度的分类系统,其特征在于,所述图像预处理模块,用于将一个设定尺寸的矩形窗口在所述矩形感兴趣区域上滑动,每滑动一次则将所述矩形窗口内的图像作为一个矩形感兴趣子区域;其中,所述矩形窗口每次滑动的距离根据矩形感兴趣子区域之间的重叠率而设定。
3.如权利要求1所述的基于超声造影图像均匀程度的分类系统,其特征在于,所述特征提取模块在每个方向上提取像素时,相邻提取的两个像素之间间隔的像素个数逐渐递增。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910093164.6A CN109840564B (zh) | 2019-01-30 | 2019-01-30 | 一种基于超声造影图像均匀程度的分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910093164.6A CN109840564B (zh) | 2019-01-30 | 2019-01-30 | 一种基于超声造影图像均匀程度的分类系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840564A CN109840564A (zh) | 2019-06-04 |
CN109840564B true CN109840564B (zh) | 2020-03-17 |
Family
ID=66884403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910093164.6A Active CN109840564B (zh) | 2019-01-30 | 2019-01-30 | 一种基于超声造影图像均匀程度的分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840564B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110613486B (zh) * | 2019-09-30 | 2022-04-22 | 深圳大学总医院 | 一种乳腺超声图像的检测方法及装置 |
CN110772286B (zh) * | 2019-11-05 | 2020-11-17 | 王瑛 | 一种基于超声造影识别肝脏局灶性病变的系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324094A (zh) * | 2011-05-30 | 2012-01-18 | 复旦大学 | 骨骼肌损伤超声图像纹理定量分析的强度界面多级分解法 |
CN108670303A (zh) * | 2018-02-26 | 2018-10-19 | 长庚大学 | 超音波影像均匀度检测方法及其系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040067514A1 (en) * | 2002-07-17 | 2004-04-08 | Tabaska Jack E. | Methods for detecting translation initiation codons in nucleic acid sequences |
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
US20130046168A1 (en) * | 2011-08-17 | 2013-02-21 | Lei Sui | Method and system of characterization of carotid plaque |
US10231704B2 (en) * | 2013-12-20 | 2019-03-19 | Raghu Raghavan | Method for acquiring ultrasonic data |
CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
-
2019
- 2019-01-30 CN CN201910093164.6A patent/CN109840564B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324094A (zh) * | 2011-05-30 | 2012-01-18 | 复旦大学 | 骨骼肌损伤超声图像纹理定量分析的强度界面多级分解法 |
CN108670303A (zh) * | 2018-02-26 | 2018-10-19 | 长庚大学 | 超音波影像均匀度检测方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109840564A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9076197B2 (en) | Probability density function estimation | |
Sridar et al. | Decision fusion-based fetal ultrasound image plane classification using convolutional neural networks | |
CN108648182B (zh) | 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法 | |
CN109671068B (zh) | 一种基于深度学习的腹部肌肉标注方法及装置 | |
CN109036547A (zh) | 一种基于聚类分析的肺部ct图像计算机辅助系统及方法 | |
Kaur et al. | Feature extraction and principal component analysis for lung cancer detection in CT scan images | |
CN110969204B (zh) | 基于磁共振图像与数字病理图像融合的样本分类系统 | |
CN101103924A (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 | |
CN103249358A (zh) | 医用图像处理装置 | |
Hermawati et al. | Combination of aggregated channel features (ACF) detector and faster R-CNN to improve object detection performance in fetal ultrasound images | |
CN109840564B (zh) | 一种基于超声造影图像均匀程度的分类系统 | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
CN109800820B (zh) | 一种基于超声造影图像均匀程度的分类方法 | |
Patel et al. | Medical image enhancement using histogram processing and feature extraction for cancer classification | |
Azli et al. | Ultrasound image segmentation using a combination of edge enhancement and kirsch’s template method for detecting follicles in ovaries | |
CN110837844A (zh) | 基于ct图像不相似性特征的胰腺囊性肿瘤良恶性分类方法 | |
CN111127636B (zh) | 一种智能的复杂关节内骨折桌面级三维诊断系统 | |
CN103886580A (zh) | 肿瘤图像处理方法 | |
Hosaini et al. | Breast Cancer Tumor Diagnosis from Mammography Images Using Wavelet Transform and Hidden Markov Model | |
Malode | New approach of statistical analysis for lung disease diagnosis using microscopy images | |
Adeyemo et al. | Impact of pixel scaling on classification accuracy of dermatological skin disease detection | |
Akbarnejad et al. | Deep Fisher vector coding for whole slide image classification | |
Hasan et al. | MRI Brain Scans Classification Using Bi-directional Modified Gray Level Co-occurrence Matrix and Long Short-Term Memory | |
Chaphekarande et al. | Machine learning based brain mri estimation method | |
Riyono et al. | Enchancing Lung Disease Classification through K-Means Clustering, Chan-Vese Segmentation, and Canny Edge Detection on X-Ray Segmented Images |
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 |