CN110046707A - 一种神经网络模型的评估优化方法和系统 - Google Patents
一种神经网络模型的评估优化方法和系统 Download PDFInfo
- Publication number
- CN110046707A CN110046707A CN201910298072.1A CN201910298072A CN110046707A CN 110046707 A CN110046707 A CN 110046707A CN 201910298072 A CN201910298072 A CN 201910298072A CN 110046707 A CN110046707 A CN 110046707A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- data
- model
- index
- 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
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明提供一种神经网络模型的评估优化方法和系统。该方法包括:通过主动学习基于不确定性指标选取有训练价值的数据,其中所述不确定性指标用于反映经训练的神经网络模型对数据的分类能力;基于所选取的数据构建测试集并利用所述测试集获得所述神经网络模型的有效性评估结果;根据所述有效性评估结果,优化所述神经网络模型的训练样本集并更新所述神经网络模型,直到获得期望的神经网络模型。采用本发明的方法和系统能够能神经网络模型适应个性化要求并更易于监管。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种神经网络模型的评估优化方法和系统。
背景技术
近年来,人工智能(AI)由于其出色的算法性能获得快速发展,然而这种算法还大多停留在科研阶段,实际应用还存在一定的限制。例如,在医疗领域,目前还没有一个通用的神经网络模型能够适用于所有的医院,究其原因,其一是政府监管难,其二是每家医院的数据具有特异性。AI的快速发展依赖于卷积神经网络的高效性能,相比很多传统算法的效果要好很多,而且可以应用到很多领域。但卷积神经网络需要大量有标注的数据,而且具有一定的特异性,即需要尽可能保持神经网络模型的训练数据和测试数据的分布一致,如果测试集和训练集的分布不一致,那么测试集的效果就很难得到保证。
将模型应用于医院的常规方法是,使用已标记的数据集训练模型,然后将经训练的模型应用于医院。在进行审查时,使用指定的数据集进行测试。这样做不利于政府审查,并且也不利于模型适应新的数据和不同的医院。在现有技术中,对神经网络模型有效性的评估方法不能满足不同医院的个性化要求,这些方法不能使原有的模型适用于不同的医院,也不能使原有的模型适应新的数据,同时政府对神经网络模型的有效性也不容易监管。
因此,需要对现有技术进行改进,以提供改进的神经网络模型评估优化方法,使其能满足个性化应用要求并能够有效监管其有效性。
发明内容
本发明的目的在于克服上述现有技术的缺陷,提供一种神经网络模型的评估优化方法和系统。
根据本发明的第一方面,提供了一种神经网络模型的评估优化方法,该方法包括以下步骤:
步骤S1:通过主动学习基于不确定性指标选取有训练价值的数据,其中所述不确定性指标用于反映经训练的神经网络模型对数据的分类能力;
步骤S2:基于所选取的数据构建测试集并利用所述测试集获得所述神经网络模型的有效性评估结果;
步骤S3:根据所述有效性评估结果,优化所述神经网络模型的训练样本集并更新所述神经网络模型,直到获得期望的神经网络模型。
在一个实施例中,步骤S1包括:选择未标注的数据进行预标注;评估所述神经网络模型对该预标注数据的分类能力,获得该预标注数据的不确定性指标。
在一个实施例中,基于所述神经网络模型对所述预标注数据的第一预测类别概率和第二预测类别概率来计算所述不确定性指标。
在一个实施例中,所述神经网络模型是图像分类模型。
在一个实施例中,所述不确定性指标表示为:
其中,xi指输入图像的第i个像素,p(yBest|xi),p(ySecond-Best|xi)分别表示神经网络模型对第i个像素预测的最大概率和次大概率,n表示输入图像包含的像素数。
根据本发明的第二方面,提供了一种神经网络模型的评估优化系统。
该系统包括:
数据选取模块:用于通过主动学习基于不确定性指标选取有训练价值的数据,其中所述不确定性指标用于反映经训练的神经网络模型对数据的分类能力;
评估模块:用于基于所选取的数据构建测试集并利用所述测试集获得所述神经网络模型的有效性评估结果;
模型更新模块:用于根据所述有效性评估结果,优化所述神经网络模型的训练样本集并更新所述神经网络模型,直到获得期望的神经网络模型。
在一个实施例中,所述评估模块用于执行:选择未标注的数据进行预标注;评估所述神经网络模型对该预标注数据的分类能力,获得该预标注数据的不确定性指标。
在一个实施例中,基于所述神经网络模型对所述预标注数据的第一预测类别概率和第二预测类别概率来计算所述不确定性指标。
与现有技术相比,本发明的优点在于:通过不断地优化神经网络模型的训练集,能够监督神经网络模型的有效性,并且能够使神经网络模型适用于个性化的应用;此外,本发明利用主动学习找到最有价值的数据进行标注,解决了标注工作量大的问题。
附图说明
以下附图仅对本发明作示意性的说明和解释,并不用于限定本发明的范围,其中:
图1示出了根据本发明一个实施例的神经网络模型的评估优化方法的流程图;
图2是现有技术和本发明实施例的对比示意图;
图3示出了根据本发明一个实施例的主动学习方法的流程图。
具体实施方式
为了使本发明的目的、技术方案、设计方法及优点更加清楚明了,以下结合附图通过具体实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
在本文示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
步骤S110,基于经训练的初始神经网络模型使用主动学习方法挑选最有训练价值的数据。
初始神经网络模型是指通过常规方法使用训练样本集通过训练获得的神经网络模型,即通过训练已获得神经网络各层的权重。在本发明中,神经网络模型可包括多种类型的神经网络模型,例如,马尔可夫链、径向基神经网络、神经网络分类模型等,本发明对神经网络模型的具体类型不作限制。
以医疗领域为例,利用神经网络模型可进行医学图像的识别、医学电生理信号的分析和处理,利用医疗影像神经网络模型,可对病例、影像、基因进行分析和验证,建立可重复的医疗标准,用于临床参考。
在本发明实施例中,为了对初始神经网络模型进行个性化应用,例如,适用于不同的医院,在得到初始模型之后,通过主动学习,使用初始模型筛选对该医院最有价值的数据。
在一个实施例中,基于不确定性指标,挑选出最有训练价值或最具代表性的数据,其中,不确定性指标用于反映初始神经网络模型对数据的分类能力(或称为预测能力),最有训练价值的数据是指包含信息量较丰富,对神经网络模型贡献较大的数据。
例如,以采用神经网络模型用于图像分类为例,不确定性指标Average BvSB可采用下式表示:
其中,xi指输入图片的第i个像素;p(yBest|xi),p(ySecond-Best|xi)分别表示初始神经网络模型对第i个像素预测的最大概率和次大概率;n表示输入图片有n个像素,即输入图片包含的像素数。
由公式(1)可知,不确定指标反映初始神经网络模型对测试样例的第一预测类别和第二预测类别的差值。根据公式(1)可选择出一定数量的数据作为最有代表性的样本。
步骤S120,基于所选择的数据构建测试集来评估初始神经网络模型的有效性。
在获得最有价值数据之后,将这些最有价值数据作为测试集,并基于该测试集评估初始神经网络模型的有效性,即采用初始神经网络模型对测试集中的数据进行预测,生成测试结果,以便后续进行审核。
步骤S130,根据评估结果对所选择的数据进行标注,产生有标注的数据。
此步骤S130属于动态监督过程,例如,使用某医院最具代表性的数据审查初始神经网络模型,如果审查通过,则模型可以应用于该医院,如果审查不通过,在这个测试结果的基础上,让专家进行修改,得到这些数据的标签,加入该医院的数据库。
需要说明的是,在本文中,对神经网络模型有效性的审查、修改数据标签、标注数据等,可以由医学专家执行,也可以由经过训练能够精确回答标注数据是否有效的机器执行。此外,本文涉及的神经网络模型不限于医疗领域,也可以在其他领域应用,例如,用于图像识别、模式识别、文本多分类的神经网络模型等。
步骤S140,将所标注的数据加入到训练样本集并更新初始神经网络模型。
基于初始神经网络模型,使用步骤S130中该医院专家勾画好的数据进行训练,更新模型。
然后,使用更新的模型作为初始模型,再次通过主动学习挑选剩下临床数据中最有价值的数据,再以所挑选出的最有价值的数据测试更新后的模型,看审查结果是否合格。重复循环上述过程,直到用最有价值的数据测试模型时,输出的结果通过专家审核。
综上,本发明在获得一个初始神经网络模型后,为了使模型适用于不同的医院,首先通过主动学习,根据不确定性指标,使用初始模型筛选该医院最有价值的数据,从而减少了专家工作量,然后使用这些最有价值(最具代表性)的数据测试该初始神经网络模型,最后审查测试结果并根据测试结果修改数据标签,将得到的数据标签构成新的训练集,以更新神经网络模型。
通过这种方式,专家只需要在测试结果上进行修改,而不需要从零开始修改,减少了专家工作量。并且,由于不同医院使用的是自己的临床数据,所以该方法具有适用性,符合个性化应用要求。此外,当模型应用于各家医院后,随着时间的推移,旧的模型不一定完全适用于新的患者数据,利用本发明的方法能够跟踪患者数据的更新,以使用新数据对旧模型进行审查。
图2示出了现有技术和本发明实施例的对比图,其中,在现有技术中,将模型应用于医院的方法是,使用已标记的数据集训练模型,然后应用于医院,在进行审查时使用指定的数据集进行测试。而本发明实施例根据不确定性指标,使用初始模型筛选该医院最有价值的数据(减少专家工作量);然后,使用这些最有价值(最具代表性)的数据测试该模型;最后,让专家进行审查,这步属于动态监督,即使用该医院最具代表性的数据审查模型,如果审查通过,则模型可以应用于该医院。
图3示出了根据本发明一个实施例的主动学习方法的具体流程,简言之,该方法包括:
第一步、基于训练样本集获得经训练的初始神经网络模型。
在此实施例中,训练样本集包括两部分数据,即已标注的小样本数据和对未标注数据进行预标注之后的数据,对该两部分数据以分割方式进行训练,示意为分割网络,各分割网络之间进行权重共享。
第二步、选择最不确定的数据进行预标注并基于初始神经网络模型进行标注。
在此步骤是,根据不确定性指标选择最具代表性的未标注数据进行预标注,并进一步利用经训练的神经网络网络模型调整/修改数据标注。
第三步、将新的标注增加到训练样本集并更新初始神经网络模型。
将获得的新的标注增加到小样本数据中,重新进行训练,直到获得符合要求(例如,符合临床应用)的模型。
本发明还相应地提供一种神经网络模型的评估优化系统。该系统包括:
数据选取模块:其用于通过主动学习基于不确定性指标选取有训练价值的数据,其中,所述不确定性指标用于反映经训练的神经网络模型对数据的分类能力;
评估模块:其用于基于所选取的数据构建测试集并利用所述测试集获得所述神经网络模型的有效性评估结果;
模型更新模块:其用于根据所述有效性评估结果,优化所述神经网络模型的训练样本集并更新所述神经网络模型,直到获得期望的神经网络模型。
综上所述,本发明基于深度学习模型,提出一整套流程,使得政府能够有效地监督模型的有效性,也能使得模型可以适用于不同的医院,进行个性化的应用。而且本发明从两方面解决了标注工作量大的问题,其一利用主动学习找到最有价值的标注数据,而不是需要医生标注所有的数据;其二是医生只需要在模型结果的基础上进行改动,而不需要从零开始标注。
需要说明的是,虽然上文按照特定顺序描述了各个步骤,但是并不意味着必须按照上述特定顺序来执行各个步骤,实际上,这些步骤中的一些可以并发执行,甚至改变顺序,只要能够实现所需要的功能即可。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种神经网络模型的评估优化方法,包括以下步骤:
步骤S1:通过主动学习基于不确定性指标选取有训练价值的数据,其中所述不确定性指标用于反映经训练的神经网络模型对数据的分类能力;
步骤S2:基于所选取的数据构建测试集并利用所述测试集获得所述神经网络模型的有效性评估结果;
步骤S3:根据所述有效性评估结果,优化所述神经网络模型的训练样本集并更新所述神经网络模型,直到获得期望的神经网络模型。
2.根据权利要求1所述的方法,其特征在于,步骤S1包括:
选择未标注的数据进行预标注;
评估所述神经网络模型对该预标注数据的分类能力,获得该预标注数据的不确定性指标。
3.根据权利要求2所述的方法,其特征在于,基于所述神经网络模型对所述预标注数据的第一预测类别概率和第二预测类别概率来计算所述不确定性指标。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述神经网络模型是图像分类模型。
5.根据权利要求4所述的方法,其特征在于,所述不确定性指标表示为:
其中,xi指输入图像的第i个像素,p(yBest|xi),p(ySecond-Best|xi)分别表示神经网络模型对第i个像素预测的最大概率和次大概率,n表示输入图像包含的像素数。
6.一种神经网络模型的评估优化系统,包括:
数据选取模块:用于通过主动学习基于不确定性指标选取有训练价值的数据,其中所述不确定性指标用于反映经训练的神经网络模型对数据的分类能力;
评估模块:用于基于所选取的数据构建测试集并利用所述测试集获得所述神经网络模型的有效性评估结果;
模型更新模块:用于根据所述有效性评估结果,优化所述神经网络模型的训练样本集并更新所述神经网络模型,直到获得期望的神经网络模型。
7.根据权利要求6所述的系统,其特征在于,所述评估模块用于执行以下过程:
选择未标注的数据进行预标注;
评估所述神经网络模型对该预标注数据的分类能力,获得该预标注数据的不确定性指标。
8.根据权利要求7所述的系统,其特征在于,基于所述神经网络模型对所述预标注数据的第一预测类别概率和第二预测类别概率来计算所述不确定性指标。
9.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现根据权利要求1至5中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,在所述存储器上存储有能够在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298072.1A CN110046707B (zh) | 2019-04-15 | 2019-04-15 | 一种神经网络模型的评估优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298072.1A CN110046707B (zh) | 2019-04-15 | 2019-04-15 | 一种神经网络模型的评估优化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110046707A true CN110046707A (zh) | 2019-07-23 |
CN110046707B CN110046707B (zh) | 2021-08-06 |
Family
ID=67276997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910298072.1A Active CN110046707B (zh) | 2019-04-15 | 2019-04-15 | 一种神经网络模型的评估优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046707B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738305A (zh) * | 2019-08-27 | 2020-01-31 | 深圳市跨越新科技有限公司 | 一种物流运单地址解析的方法和系统 |
CN110956543A (zh) * | 2019-11-06 | 2020-04-03 | 上海应用技术大学 | 异常交易检测的方法 |
CN115018472A (zh) * | 2022-08-03 | 2022-09-06 | 中国电子科技集团公司第五十四研究所 | 一种基于可解释机制的交互式增量化情报分析系统 |
CN116630812A (zh) * | 2023-07-21 | 2023-08-22 | 四川发展环境科学技术研究院有限公司 | 基于可见光图像分析的水体特征检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
WO2017004803A1 (en) * | 2015-07-08 | 2017-01-12 | Xiaoou Tang | An apparatus and a method for semantic image labeling |
CN107506740A (zh) * | 2017-09-04 | 2017-12-22 | 北京航空航天大学 | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 |
CN108038853A (zh) * | 2017-12-18 | 2018-05-15 | 浙江工业大学 | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 |
CN108090499A (zh) * | 2017-11-13 | 2018-05-29 | 中国科学院自动化研究所 | 基于最大信息三元组筛选网络的数据主动标注方法和系统 |
KR20190013011A (ko) * | 2017-07-31 | 2019-02-11 | 삼성전자주식회사 | 교사 모델로부터 학생 모델을 트레이닝하는데 사용되는 학습 데이터를 생성하는 장치 및 방법 |
-
2019
- 2019-04-15 CN CN201910298072.1A patent/CN110046707B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
WO2017004803A1 (en) * | 2015-07-08 | 2017-01-12 | Xiaoou Tang | An apparatus and a method for semantic image labeling |
KR20190013011A (ko) * | 2017-07-31 | 2019-02-11 | 삼성전자주식회사 | 교사 모델로부터 학생 모델을 트레이닝하는데 사용되는 학습 데이터를 생성하는 장치 및 방법 |
CN107506740A (zh) * | 2017-09-04 | 2017-12-22 | 北京航空航天大学 | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 |
CN108090499A (zh) * | 2017-11-13 | 2018-05-29 | 中国科学院自动化研究所 | 基于最大信息三元组筛选网络的数据主动标注方法和系统 |
CN108038853A (zh) * | 2017-12-18 | 2018-05-15 | 浙江工业大学 | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 |
Non-Patent Citations (1)
Title |
---|
YANG DENG等: "Efforts estimation of doctors annotating medical image", 《ARXIV:1901.02355V1 [CS.LG]》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738305A (zh) * | 2019-08-27 | 2020-01-31 | 深圳市跨越新科技有限公司 | 一种物流运单地址解析的方法和系统 |
CN110956543A (zh) * | 2019-11-06 | 2020-04-03 | 上海应用技术大学 | 异常交易检测的方法 |
CN115018472A (zh) * | 2022-08-03 | 2022-09-06 | 中国电子科技集团公司第五十四研究所 | 一种基于可解释机制的交互式增量化情报分析系统 |
CN115018472B (zh) * | 2022-08-03 | 2022-11-11 | 中国电子科技集团公司第五十四研究所 | 一种基于可解释机制的交互式增量化情报分析系统 |
CN116630812A (zh) * | 2023-07-21 | 2023-08-22 | 四川发展环境科学技术研究院有限公司 | 基于可见光图像分析的水体特征检测方法及系统 |
CN116630812B (zh) * | 2023-07-21 | 2023-09-26 | 四川发展环境科学技术研究院有限公司 | 基于可见光图像分析的水体特征检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110046707B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046707A (zh) | 一种神经网络模型的评估优化方法和系统 | |
US11200483B2 (en) | Machine learning method and apparatus based on weakly supervised learning | |
CN107273925B (zh) | 基于局部感受野和半监督深度自编码的肺实质ct影像处理装置 | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
CN112163634A (zh) | 实例分割模型样本筛选方法、装置、计算机设备及介质 | |
CN111967495A (zh) | 一种分类识别模型构建方法 | |
CN110490850A (zh) | 一种肿块区域检测方法、装置和医学图像处理设备 | |
JP2022551683A (ja) | 人工知能(ai)モデルを使用した非侵襲的遺伝子検査を行う方法及びシステム | |
Phankokkruad | COVID-19 pneumonia detection in chest X-ray images using transfer learning of convolutional neural networks | |
CN108459955A (zh) | 基于深度自编码网络的软件缺陷预测方法 | |
CN112132776A (zh) | 基于联邦学习的视觉检测方法及系统、存储介质、设备 | |
CN116089883B (zh) | 用于提高已有类别增量学习新旧类别区分度的训练方法 | |
CN115359873B (zh) | 用于手术质量的控制方法 | |
Bansal et al. | An improved hybrid classification of brain tumor MRI images based on conglomeration feature extraction techniques | |
Ganesh et al. | Multi class Alzheimer disease detection using deep learning techniques | |
Purandhar et al. | Clustering healthcare big data using advanced and enhanced fuzzy C‐means algorithm | |
Raja et al. | A Novel Fuzzy-Based Modified GAN and Faster RCNN for Classification of Banana Leaf Disease | |
Zhou et al. | Shoulder implant x-ray manufacturer classification: Exploring with vision transformer | |
CN107679174A (zh) | 知识组织系统的构建方法、装置及服务器 | |
Termritthikun et al. | Neural architecture search and multi-objective evolutionary algorithms for anomaly detection | |
CN108304546B (zh) | 一种基于内容相似度和Softmax分类器的医学图像检索方法 | |
CN113705215A (zh) | 一种基于元学习的大规模多标签文本分类方法 | |
CN113902672A (zh) | 基于空间转换优化元学习的罕见皮肤病变分类系统 | |
Dipto et al. | Quantifying the effect of image similarity on diabetic foot ulcer classification | |
Abbas et al. | Transfer learning-based computer-aided diagnosis system for predicting grades of diabetic retinopathy |
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 |