CN110414564A - 一种基于视神经眼底图像的视神经疾病分类装置 - Google Patents
一种基于视神经眼底图像的视神经疾病分类装置 Download PDFInfo
- Publication number
- CN110414564A CN110414564A CN201910568319.7A CN201910568319A CN110414564A CN 110414564 A CN110414564 A CN 110414564A CN 201910568319 A CN201910568319 A CN 201910568319A CN 110414564 A CN110414564 A CN 110414564A
- Authority
- CN
- China
- Prior art keywords
- optic nerve
- nerve disease
- fundus image
- eye fundus
- sorter
- 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.)
- Pending
Links
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于视神经眼底图像的视神经疾病分类装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机存储器中存有视神经疾病分类模型,所述计算机处理器执行所述计算机程序时实现以下步骤:将待分类的眼底图像进行去燥平滑,像素归一化以及统一图像尺寸处理,获得眼底输入图像;将该眼底输入图像输入至视神经疾病分类模型中,经计算,输出眼底输入图像的视神经疾病分类;所述视神经疾病分类模型是以稠密块、过渡块、全局均值池化层以及全连接层构成的视神经疾病分类网络,经训练得到。该视神经疾病分类装置能够对眼底图像进行神经眼科病变的分类。
Description
技术领域
本发明属于图像处理技术领域,一种基于视神经眼底图像的视神经疾病分类装置。
背景技术
视神经炎是视神经任何部位发炎的总称,临床上根据病变损害发病的部位不同,将其分为球内和球后两种,前者指视乳头炎,后者指球后神经炎,视乳头炎大多为单侧性;视盘血管炎是指视盘局部的炎症,多发生在儿童或青壮年,以双眼多见,预后较好。常见于全身性急性或慢性传染病;视乳头水肿是视神经乳头无原发性炎症的被动性充血水肿,表现为视乳头充血、隆起及边缘模糊;视盘血管炎指视盘局部的炎症,以双眼多见;视神经萎缩指视网膜神经节细胞和其轴突发生病变,致使视神经全部变细的一种形态学改变,视力减退甚至消失。
上述视神经疾病在眼底图像上都有一定特征,传统的分类方法依赖医生对眼底图像特征的提取与判别,故分类的准确性依赖于医生的主观经验,对于大量眼底图像数据的分类需要耗费医生大量时间和精力,且分类的准确率不够稳定。深度学习方法能够很好的从眼底图像中学习到最具代表性的特征,对图像数据进行自动判别分类,而不是由医生来指定特征。随着大数据和精准医学时代的到来,基于深度学习能够准确地判别神经眼科疾病的类别。
针对视神经疾病,可以采用基因针对方法,公开号为CN104046687A的专利申请公开的一种Leber遗传性视神经疾病基因诊断试剂盒。该视神经疾病基因诊断试剂盒检测不方便,迫切地需要一种智能的视神经疾病分类检测方法。
发明内容
本发明提供了一种基于视神经眼底图像的视神经疾病分类装置,该视神经疾病分类装置能够对眼底图像进行神经眼科病变的分类。
本发明的技术方案为:
一种基于视神经眼底图像的视神经疾病分类装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机存储器中存有视神经疾病分类模型,所述计算机处理器执行所述计算机程序时实现以下步骤:
将待分类的眼底图像进行去燥平滑,像素归一化以及统一图像尺寸处理,获得眼底输入图像;
将该眼底输入图像输入至视神经疾病分类模型中,经计算,输出眼底输入图像的视神经疾病的分类;
所述视神经疾病分类模型是以稠密块、过渡块、全局均值池化层以及全连接层构成的视神经疾病分类网络,经训练得到。
具体地,所述视神经疾病分类模型的构建方法为:
构建训练样本集,收集并分类眼底图像,并对眼底图像进行去燥平滑,像素归一化、统一图像尺寸以及眼底图像增广处理,获得训练样本集;
构建视神经疾病分类网络,其中,视神经疾病分类网络包括以及连接的至少1个稠密块(Dense Block)、至少1个过渡块(Transition)、至少1个全局均值池化层(GlobalAverage Pooling)以及至少1个全连接层(Linear),其中,每个稠密块由16个稠密层(DenseLayer),每个稠密层依次由批次归一化操作(batch normalization)、修正线性单元(Rectified Linear Units,ReLU)、1*1二维卷积层、批次归一化、ReLU、3*3二维卷积层、抛弃层组成;每个过渡块包括依次由批次归一化、ReLU、1*1二维卷积层以及2*2的均值池化组成,用于提取关键特征,压缩特征维数,并将特征图(feature maps)的尺寸减小一倍;全局均值池化(Global Average Pooling)用于将最后一个稠密块输出的特征图尺寸缩小为1*1,作为全连接层的输入;全连接层(Linear)通过回归的方式将全局池化的输出转化为5维向量,并经过sigmoid函数分别得到四个类别的置信度;
将训练样本输入至视神经疾病分类网络中,采用交叉熵函数(Cross Entropy)为损失函数,并采用随机梯度下降法(Stochastic Gradient Descent,SGD)更新视神经疾病分类网络的网络参数,以确定网络参数,获得视神经疾病分类模型。
在构建训练样本集时,采集的眼底图像包含视乳头炎、视乳头水肿、视盘血管炎、视神经萎缩四类视神经眼底图像的眼底图像,眼底图像分类工作由多名眼科医生,依据临床诊断指南来分类。具体地,专家诊断小组采用盲法对收集的眼底图像进行分类标注,以确定眼底图像对应的视神经疾病类型。
在对所有眼底图像进行分类后,还需要对眼底图像进行预处理,即对眼底图像去燥平滑,像素归一化,统一图像尺寸(512*512)后得到训练样本,此外,为了增加训练样本的多样行,还需要对训练样本进行数据增广,即将眼底图像随机翻转和/或采用添加高斯噪声的方式对眼底图像进行扩充,以获得增广后的训练样本集。
优选地,所述构建视神经疾病分类网络包括1个7*7卷积层,4个稠密块,3个过渡块,1个全局均值池化和1个全连接层。
优选地,待分类的眼底图像及对应的分类标签作为训练样本对视神经疾病分类模型进行优化。
与现有技术相比,本发明具有的有益效果为:
本发明可以运用于数据量相对较小的数据库,数据增广后,通过深度学习实现自动从训练数据库中学习所需特征并进行判别分类,在训练过程中不断修正用于分类判断的数据特征并调整视神经疾病分类网络参数,从而提高临床运用中的敏感性和特异性,随着训练范例眼底图像数量的增加,分类的准确度和可靠性还将进一步提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是利用视神经疾病分类装置对视神经眼底图像进行视神经疾病分类的流程图;
图2是对眼底图像进行预处理的流程图;
图3是视神经疾病分类网络的结构示意图;
图4是稠密块的结构示意图;
图5是过渡块的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
为了实现对眼底图像进行神经眼科病变的分类,本发明提供了一种基于视神经眼底图像的视神经疾病分类装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机存储器中存有视神经疾病分类模型,如图1所示,所述计算机处理器执行所述计算机程序时实现以下步骤:
将待分类的眼底图像进行去燥平滑,像素归一化以及统一图像尺寸处理,获得眼底输入图像;
将该眼底输入图像输入至视神经疾病分类模型中,经计算,输出眼底输入图像的视神经疾病分类。
其中,所述视神经疾病分类模型的构建方法包括训练样本的构建,视神经疾病分类的构建以及训练过程。
针对训练样本的构建,本实施例采集的眼底图像来自浙江大学医学院附属第二医院眼科中心,在2016年07月至2018年10月的28个月内,来自1350位患者的1760眼,年龄在6岁到78岁。由眼科医生进行拍摄,眼底图像分辨率为1924×1556像素。
在采集到眼底图像后,对采集的眼底图像进行预处理。首先使用函数核大小为3*3的高斯滤波器对图像进行降噪,然后增加随机高斯噪声并随机翻转图像,随后对图像进行归一化,抑制网络过拟合,最后统一图像大小为512*512。
针对视神经疾病分类网络的构建,本实施例基于卷积神经网络构建视神经疾病分类网络,如图3所示,本实施例构建的视神经疾病分类网络包括7*7卷积层、稠密块1、过渡块1、稠密块2、过渡块2、稠密块3、过渡块3、稠密块4、全局均值池化层、全连接层。
其中,卷积层(convolution)用于提取图像特征,对模型最终的分类效果起决定性作用。
稠密块的结构如图4,每个稠密块由16个稠密层组成,每个稠密层依次由批次归一化操作(batch normalization)、修正线性单元(Rectified Linear Units,ReLU)、1*1二维卷积层、批次归一化、ReLU、3*3二维卷积层、抛弃层组成。
过渡块的结构如图5,每个过渡块包括依次由批次归一化、ReLU、1*1二维卷积层以及2*2的均值池化组成,用于提取关键特征,压缩特征维数,并将特征图(feature maps)的尺寸减小一倍。
具体地,稠密层包含两个卷积层,使用尺寸依次为1*1、通道数为48的卷积核,及尺寸为3*3、通道数为12的卷积核,由于每一个稠密层的输入为同稠密块内之前所有稠密层的输入拼接组成,卷积核尺寸为1*1的卷积层将输入特征降维至48维,再由卷积核为3*3*12的卷积层进一步提取特征。同时,每个稠密块的输出由其中所有稠密层的输出特征图拼接而成,其特征维度极高,紧随稠密块后的过渡块则通过卷积核为1*1的卷积层将特征降维,避免了参数冗余,同时利用均值池化操作缩小特征图尺寸,及使用批次归一化操作减少梯度消失、加快网络收敛。
丢弃层(dropout)用于在训练过程中暂时随机丢弃一部分隐藏层里的神经单元,防止在训练过程中发生过拟合问题。批次归一化操作(Batch normalization)通过归一化输入分布,达到加速训练并消除梯度消失的效果。ReLU作为激活函数,将显著特征通过模型,过滤无用特征。
全局均值池化层用于对上一次的输出而在固定大小的滑动窗口中取平均值作为输出,从而提取关键特征,并对其进行降维处理,减少后续计算量提高计算速度,同时防止过多的无关信息导致模型过拟合,具体地,将最后一个稠密块的输出特征图尺寸减少至1*1,从而将特征压缩为一维向量,输入全连接层。
全连接层(Linear)为最后一层,通过线性回归得到模型最终输出,再经过sigmoid函数分别得到四个类别的概率。
针对视神经疾病分类网络的训练,采用对应分类训练样本多次训练视神经疾病分类网络,训练时,动量为0.9,初始学习率为0.1,权重衰减为0.0001,训练轮次为500轮,学习率分别在250轮和400轮减半。利用SGD算法优化视神经疾病分类网络参数。
交叉熵代价函数具有非负性,当实际输出值与期望值接近的时候,代价函数接近于0。其表达式为:
其中,yi为第i个神经元的期望输出值,ai为其实际输出值,n为参与计算的神经元总个数;
基于动量的随机梯度下降算法模拟物体运动的惯性,在优化更新时一定程度上保留之前的更新方向,同时也通过本次学习微调最终的更新方向,从而增加学习的稳定性,并且具有一定的摆脱局部最优的能力。其表达式为:
Δxt=m*Δxt-1-α*gt
其中。Δxt和Δxt-1分别为t与t-1时刻的位移更新,m即动量,α为学习率,gt为t时刻的梯度。
上述利用视神经疾病分类模型进行视神经疾病分类的方法并不是以医疗诊断为目的,该方法可用于科研研究,主要是通过眼底图像研究行视神经疾病的分类。
本发明采用多标签分类的方式,可以使用一个视神经疾病分类模型,判断眼底图中是否具有多种疾病。无需针对每一种疾病单独训练模型。此外,本发明可以运用于数据量相对较小的数据集,数据增广后,通过深度学习自动从训练样本集中学习所需特征并进行判别分类,在训练过程中不断修正用于判断的数据特征以及视神经疾病分类参数,从而提高临床运用中的敏感性和特异性,随着训练范例眼底图像数量的增加,分类的准确度和可靠性还将进一步提高。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于视神经眼底图像的视神经疾病分类装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机存储器中存有视神经疾病分类模型,所述计算机处理器执行所述计算机程序时实现以下步骤:
将待分类的眼底图像进行去燥平滑,像素归一化以及统一图像尺寸处理,获得眼底输入图像;
将该眼底输入图像输入至视神经疾病分类模型中,经计算,输出眼底输入图像的视神经疾病的分类;
所述视神经疾病分类模型是以稠密块、过渡块、全局均值池化层以及全连接层构成的视神经疾病分类网络,经训练得到。
2.如权利要求1所述的基于视神经眼底图像的视神经疾病分类装置,其特征在于,所述视神经疾病分类模型的构建方法为:
构建训练样本集,收集并分类眼底图像,并对眼底图像进行去燥平滑,像素归一化、统一图像尺寸以及眼底图像增广处理,获得训练样本集;
构建视神经疾病分类网络,其中,视神经疾病分类网络包括以及连接的至少1个稠密块、至少1个过渡块、至少1个全局均值池化层以及至少1个全连接层,其中,每个稠密块由16个稠密层,每个稠密层依次由批次归一化操作、修正线性单元、1*1二维卷积层、批次归一化、ReLU、3*3二维卷积层、抛弃层组成;每个过渡块包括依次由批次归一化、ReLU、1*1二维卷积层以及2*2的均值池化组成,用于提取关键特征,压缩特征维数,并将特征图的尺寸减小一倍;全局均值池化用于将最后一个稠密块输出的特征图尺寸缩小为1*1,作为全连接层的输入;全连接层通过回归的方式将全局池化的输出转化为5维向量,并经过sigmoid函数分别得到四个类别的置信度;
将训练样本输入至视神经疾病分类网络中,采用交叉熵函数为损失函数,并采用随机梯度下降法更新视神经疾病分类网络的网络参数,以确定网络参数,获得视神经疾病分类模型。
3.如权利要求1所述的基于视神经眼底图像的视神经疾病分类装置,其特征在于,所述构建视神经疾病分类网络包括1个7*7卷积层,4个稠密块,3个过渡块,1个全局均值池化和1个全连接层。
4.如权利要求2所述的基于视神经眼底图像的视神经疾病分类装置,其特征在于,专家诊断小组采用盲法对收集的眼底图像进行分类标注,以确定眼底图像对应的视神经疾病类型。
5.如权利要求1所述的基于视神经眼底图像的视神经疾病分类装置,其特征在于,待分类的眼底图像及对应的分类标签作为训练样本对视神经疾病分类模型进行优化。
6.如权利要求1所述的基于视神经眼底图像的视神经疾病分类装置,其特征在于,训练时,动量为0.9,初始学习率为0.1,权重衰减为0.0001,训练轮次为500轮,学习率分别在250轮和400轮减半。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910568319.7A CN110414564A (zh) | 2019-06-27 | 2019-06-27 | 一种基于视神经眼底图像的视神经疾病分类装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910568319.7A CN110414564A (zh) | 2019-06-27 | 2019-06-27 | 一种基于视神经眼底图像的视神经疾病分类装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414564A true CN110414564A (zh) | 2019-11-05 |
Family
ID=68359904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910568319.7A Pending CN110414564A (zh) | 2019-06-27 | 2019-06-27 | 一种基于视神经眼底图像的视神经疾病分类装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414564A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969191A (zh) * | 2019-11-07 | 2020-04-07 | 吉林大学 | 基于相似性保持度量学习方法的青光眼患病概率预测方法 |
CN111046835A (zh) * | 2019-12-24 | 2020-04-21 | 杭州求是创新健康科技有限公司 | 一种基于区域特征集合神经网络的眼底照多病种检测系统 |
CN111507399A (zh) * | 2020-04-16 | 2020-08-07 | 上海眼控科技股份有限公司 | 基于深度学习的云状识别和模型训练方法、装置、终端及介质 |
CN112054979A (zh) * | 2020-09-14 | 2020-12-08 | 四川大学 | 基于模糊密集卷积网络的无线电自动调制识别方法 |
CN116665110A (zh) * | 2023-07-25 | 2023-08-29 | 上海蜜度信息技术有限公司 | 一种视频动作识别的方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN109785311A (zh) * | 2019-01-14 | 2019-05-21 | 深圳和而泰数据资源与云技术有限公司 | 一种疾病诊断方法及相关设备 |
CN109859172A (zh) * | 2019-01-08 | 2019-06-07 | 浙江大学 | 基于眼底造影图像深度学习的糖网病变无灌注区识别方法 |
-
2019
- 2019-06-27 CN CN201910568319.7A patent/CN110414564A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN109859172A (zh) * | 2019-01-08 | 2019-06-07 | 浙江大学 | 基于眼底造影图像深度学习的糖网病变无灌注区识别方法 |
CN109785311A (zh) * | 2019-01-14 | 2019-05-21 | 深圳和而泰数据资源与云技术有限公司 | 一种疾病诊断方法及相关设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969191A (zh) * | 2019-11-07 | 2020-04-07 | 吉林大学 | 基于相似性保持度量学习方法的青光眼患病概率预测方法 |
CN110969191B (zh) * | 2019-11-07 | 2022-10-25 | 吉林大学 | 基于相似性保持度量学习方法的青光眼患病概率预测方法 |
CN111046835A (zh) * | 2019-12-24 | 2020-04-21 | 杭州求是创新健康科技有限公司 | 一种基于区域特征集合神经网络的眼底照多病种检测系统 |
CN111507399A (zh) * | 2020-04-16 | 2020-08-07 | 上海眼控科技股份有限公司 | 基于深度学习的云状识别和模型训练方法、装置、终端及介质 |
CN112054979A (zh) * | 2020-09-14 | 2020-12-08 | 四川大学 | 基于模糊密集卷积网络的无线电自动调制识别方法 |
CN112054979B (zh) * | 2020-09-14 | 2022-02-25 | 四川大学 | 基于模糊密集卷积网络的无线电自动调制识别方法 |
CN116665110A (zh) * | 2023-07-25 | 2023-08-29 | 上海蜜度信息技术有限公司 | 一种视频动作识别的方法及设备 |
CN116665110B (zh) * | 2023-07-25 | 2023-11-10 | 上海蜜度信息技术有限公司 | 一种视频动作识别的方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414564A (zh) | 一种基于视神经眼底图像的视神经疾病分类装置 | |
CN109117864B (zh) | 基于异构特征融合的冠心病风险预测方法、模型及系统 | |
CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN111259982A (zh) | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 | |
CN110210555A (zh) | 基于深度学习的钢轨鱼鳞伤损检测方法 | |
CN107066559A (zh) | 一种基于深度学习的三维模型检索方法 | |
CN109034045A (zh) | 一种基于卷积神经网络的白细胞自动识别方法 | |
CN109325942A (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
CN109165674A (zh) | 一种基于多标签深度卷积网络的证件照分类方法 | |
CN110309861A (zh) | 一种基于生成对抗网络的多模态人类活动识别方法 | |
CN105005765A (zh) | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 | |
CN111179216B (zh) | 一种基于图像处理与卷积神经网络的作物病害识别方法 | |
CN109859172A (zh) | 基于眼底造影图像深度学习的糖网病变无灌注区识别方法 | |
CN108648191A (zh) | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 | |
CN106485214A (zh) | 一种基于卷积神经网络的眼睛和嘴部状态识别方法 | |
CN104809469A (zh) | 一种面向服务机器人的室内场景图像分类方法 | |
CN108921019A (zh) | 一种基于GEI和TripletLoss-DenseNet的步态识别方法 | |
CN109389171A (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN111079620A (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
CN110781953B (zh) | 基于多尺度金字塔卷积神经网络的肺癌病理切片分类方法 | |
CN107392251B (zh) | 一种使用分类图片提升目标检测网络性能的方法 | |
CN109871905A (zh) | 一种基于注意力机制深度模型的植物叶片识别方法 | |
CN106682653A (zh) | 一种基于knlda的rbf神经网络人脸识别方法 | |
CN113705655A (zh) | 三维点云全自动分类方法及深度神经网络模型 | |
CN112712122A (zh) | 基于神经网络模型的角膜溃疡的分类检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |
|
RJ01 | Rejection of invention patent application after publication |