CN110414607A - 胶囊内窥镜图像的分类方法、装置、设备及介质 - Google Patents

胶囊内窥镜图像的分类方法、装置、设备及介质 Download PDF

Info

Publication number
CN110414607A
CN110414607A CN201910700990.2A CN201910700990A CN110414607A CN 110414607 A CN110414607 A CN 110414607A CN 201910700990 A CN201910700990 A CN 201910700990A CN 110414607 A CN110414607 A CN 110414607A
Authority
CN
China
Prior art keywords
image
lesion
feature
network
capsule endoscope
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
Application number
CN201910700990.2A
Other languages
English (en)
Inventor
张贺晔
李吉平
吴万庆
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.)
Sun Yat Sen University
National Sun Yat Sen University
Original Assignee
National Sun Yat Sen 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 National Sun Yat Sen University filed Critical National Sun Yat Sen University
Priority to CN201910700990.2A priority Critical patent/CN110414607A/zh
Publication of CN110414607A publication Critical patent/CN110414607A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Endoscopes (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种胶囊内窥镜图像的分类方法，所述方法涉及对胶囊内窥镜图像进行病变图像或非病变图像的区分，包括：利用人工神经网络的自学习能力，建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系；获取患者的当前胶囊内窥镜图像的当前图像特征；通过所述对应关系，确定与所述当前图像特征对应的当前病变图像；具体地，确定与所述图像特征对应的当前病变图像，包括：将所述对应关系中与所述当前图像特征相同的图像特征所对应的病变图像，确定为所述当前病变图像。泛化能力强，对胶囊内窥镜图像分类效果好，同时分类时间相比现有的方法更短，当有需要分类其他状况时人工神经网络可以完成多分类情况。

Description

胶囊内窥镜图像的分类方法、装置、设备及介质
技术领域
本申请涉及医学检测领域，特别是胶囊内窥镜图像的分类方法、装置、设备及介质。
背景技术
胶囊内窥镜图像的拍摄受消化道气泡、光照和拍摄角度，到时图像质量参差不齐，给医生判断疾病带来一定的难度。同时，胶囊内窥镜图像数量巨大，医生在判断病人的疾病情况通过人工判读，时间成本和人力成本极高，枯燥疲倦同时还易遗漏有价值的信息，导致误诊漏诊。
内窥镜图像的特征主要包含形状、颜色和纹理等，特征的提取对后续图像分类也产生至关重要的影响。
胶囊内窥镜图像具有丰富的颜色和纹理信息，并且病变区域与非病变区域有着显著的颜色和纹理差异，现有的技术中图像分类方法也有许多研究，包括采用基于高斯过程分类算法完成对胶囊内窥镜图像的分类，但是泛化能力低；也有采用SVM训练器结合图像特征的进行胶囊内窥镜图像的分类，但是分类效果差，分类需要的时间长。
现有技术对胶囊内窥镜图像的特征提取方法都是基于全图或图像低频部分，并未着重考虑含有丰富纹理信息的图像中高频部分。传统的机器学习分类算法在对图像进行分类时预测时间较长，且泛化能力不足，应用场景相对单一。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的胶囊内窥镜图像的分类方法、装置、设备及介质，包括：
一种胶囊内窥镜图像的分类方法，所述方法涉及对胶囊内窥镜图像进行病变图像或非病变图像的区分，包括：
利用人工神经网络的自学习能力，建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系；
获取患者的当前胶囊内窥镜图像的当前图像特征；
通过所述对应关系，确定与所述当前图像特征对应的当前病变图像；具体地，确定与所述图像特征对应的当前病变图像，包括：将所述对应关系中与所述当前图像特征相同的图像特征所对应的病变图像，确定为所述当前病变图像。
进一步地，
所述图像特征，包括：颜色特征和/或纹理特征，和/或由按设定规律自所述颜色特征、所述纹理特征中提取的特征组成的一维或两维以上的数组；其中，
所述颜色特征，包括：将所述胶囊内窥镜图像通过小波变换提取得到的颜色特征向量；
和/或，
所述纹理特征，包括：通过小波变换计算所述胶囊内窥镜图像的共生矩阵特征值，并通过所述共生矩阵特征值构造的纹理特征向量；
和/或，
所述对应关系，包括：函数关系；所述图像特征为所述函数关系的输入参数，所述病变图像为所述函数关系的输出参数；
确定与所述当前图像特征对应的当前病变图像，还包括：
当所述对应关系包括函数关系时，将所述当前图像特征输入所述函数关系中，确定所述函数关系的输出参数为当前病变图像。
进一步地，所述建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系的步骤，包括：
获取用于建立所述图像特征与所述病变图像之间的对应关系的样本数据；
分析所述图像特征的特性及其规律，根据所述特性及其规律，确定所述人工神经网络的网络结构及其网络参数；
使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述图像特征与所述病变图像的所述对应关系。
进一步地，所述获取用于建立所述图像特征与所述病变图像之间的对应关系的样本数据的步骤，包括：
收集不同心脏状况的患者的所述图像特征和所述病变图像；
对所述图像特征进行分析、并结合预存的专家经验信息，选取与所述病变图像相关的数据作为所述图像特征；
将所述病变图像、以及选取的所述图像特征构成的数据对，作为样本数据。
进一步地，
所述网络结构，包括DenseNet网络，SVM训练器，VGG16模型，VGG19模型，以及，InceptionV3模型中的至少之一；
和/或，
所述网络参数，包括：密集块数，输出层数，卷积层数，过度层数，初始权值，以及，偏置值中的至少之一。
进一步地，
对所述网络结构和所述网络参数进行训练，包括：
选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述图像特征输入到所述网络结构，通过所述网络结构的激活函数和所述网络参数进行训练，得到实际训练结果；
确定所述实际训练结果与所述训练样本中的相应病变图像之间的实际训练误差是否满足预设训练误差；
当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络参数的所述训练完成；
和/或，
对所述网络结构和所述网络参数进行测试，包括：
选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述图像特征输入到所述训练完成的所述网络结构中，以所述激活函数和所述训练完成的所述网络参数进行测试，得到实际测试结果；
确定所述实际测试结果与所述测试样本中的相应病变图像之间的实际测试误差是否满足设定测试误差；
当所述实际测试误差满足所述设定测试误差时，确定对所述网络结构和所述网络参数的所述测试完成。
进一步地，
对所述网络结构和所述网络参数进行训练，还包括：
当所述实际训练误差不满足所述设定训练误差时，通过所述网络结构的误差能量函数更新所述网络参数；
通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；
和/或，
对所述网络结构和所述网络参数进行测试，还包括：
当所述实际测试误差不满足所述设定测试误差时，对所述网络结构和所述网络参数进行重新训练，直至所述重新训练后的实际测试误差慢速所述设定测试误差。
一种病变图像的检测装置，所述装置涉及对胶囊内窥镜图像进行病变图像或非病变图像的区分，包括：
建立模块，用于利用人工神经网络的自学习能力，建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系；
获取模块，用于获取患者的当前胶囊内窥镜图像的当前图像特征；
确定模块，用于通过所述对应关系，确定与所述当前图像特征对应的当前病变图像；具体地，确定与所述图像特征对应的当前病变图像，包括：将所述对应关系中与所述当前图像特征相同的图像特征所对应的病变图像，确定为所述当前病变图像。
一种设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的胶囊内窥镜图像的分类方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的胶囊内窥镜图像的分类方法的步骤。
本申请具有以下优点：
在本申请的实施例中，通过利用人工神经网络的自学习能力，建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系；获取患者的当前胶囊内窥镜图像的当前图像特征；通过所述对应关系，确定与所述当前图像特征对应的当前病变图像；具体地，确定与所述图像特征对应的当前病变图像，包括：将所述对应关系中与所述当前图像特征相同的图像特征所对应的病变图像，确定为所述当前病变图像，泛化能力强，对胶囊内窥镜图像分类效果好，同时分类时间相比现有的方法更短，当有需要分类其他状况时人工神经网络可以完成多分类情况。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种胶囊内窥镜图像的分类方法的步骤流程图；
图2是本申请一实施例提供的一种胶囊内窥镜图像的分类方法的人工网络结构示意图；
图3是本申请一实施例提供的一种胶囊内窥镜图像的分类装置的结构框图；
图4是本发明一实施例的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参照图1，示出了本申请一实施例提供的一种胶囊内窥镜图像的分类方法，所述方法涉及对胶囊内窥镜图像进行病变图像或非病变图像的区分，包括：
S110、利用人工神经网络的自学习能力，建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系；
S120、获取患者的当前胶囊内窥镜图像的当前图像特征；
S130、通通过所述对应关系，确定与所述当前图像特征对应的当前病变图像；具体地，确定与所述图像特征对应的当前病变图像，包括：将所述对应关系中与所述当前图像特征相同的图像特征所对应的病变图像，确定为所述当前病变图像。
在本申请的实施例中，通过利用人工神经网络的自学习能力，建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系；获取患者的当前胶囊内窥镜图像的当前图像特征；通过所述对应关系，确定与所述当前图像特征对应的当前病变图像；具体地，确定与所述图像特征对应的当前病变图像，包括：将所述对应关系中与所述当前图像特征相同的图像特征所对应的病变图像，确定为所述当前病变图像，泛化能力强，对胶囊内窥镜图像分类效果好，同时分类时间相比现有的方法更短，当有需要分类其他状况时人工神经网络可以完成多分类情况。
下面，将对本示例性实施例中胶囊内窥镜图像的分类方法作进一步地说明。
如上述步骤S110所述，利用人工神经网络的自学习能力，建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系。
例如：利用人工神经网络算法来分析病变图像对应的胶囊内窥镜图像中的显示状态规律，通过人工神经网络的自学习、自适应特性找到患者胶囊内窥镜图像中的图像特征与病变图像间的映射规律。
例如：可以利用人工神经网络算法，通过对大量不同志愿者(包括但不限于如下的一种或多种：年龄，是否有病情，性别，病况等)的胶囊内窥镜图像中的图像特征汇总收集，选取若干志愿者的胶囊内窥镜图像中的图像特征及病变图像作为样本数据，对神经网络进行学习和训练，通过调整网络结构及网络节点间的权值，使神经网络拟合胶囊内窥镜图像中的图像特征及病变图像之间的关系，最终使神经网络能准确拟合出不同患者的胶囊内窥镜图像中的图像特征及病变图像的对应关系。
在一实施例中，所述图像特征，包括：颜色特征和/或纹理特征，和/或由按设定规律自所述颜色特征、所述纹理特征中提取的特征组成的一维或两维以上的数组；
可选地，所述纹理特征，包括：通过小波变换计算所述胶囊内窥镜图像的共生矩阵特征值，并通过所述共生矩阵特征值构造的纹理特征向量；
具体地，将胶囊内窥镜图像由RGB空间转换到HSV空间，由于传统的颜色直方图较高的特征尺寸不利于分类，因此采用改进的颜色直方图方法提取胶囊内窥镜图像的颜色特征。HSV颜色空间是一种自然表征颜色模型，因此可以更好地反映人眼的生理感知，通过小波变换对所述胶囊内窥镜图像进行去噪声处理，计算颜色矩，根据HSV颜色空间中人的颜色感知特性非均匀地量化H，S和V分量；然后，计算颜色直方图，构造颜色特征向量，在从计算的颜色直方图中选择适当的区间之后构造颜色特征向量。
分别由h，s和v表示的胶囊内窥镜图像的H，S和V分量，通过使用下列公式(1)来量化：
为了减小特征尺寸，将三种颜色分量合成为一维特征向量φ，具体为下列公式(2)：
式中，Qs为S分量的定量水平，Qv为V分量的定量水平。根据公式(1)计算的定量水平，Qs和Qv设定为3，然后公式(2)可以改写为：
式中，
根据公式(3)可以获得具有72个区间的特征直方图。表示具有特征值的像素的数量与量化后的图像矩阵中的所有像素的数量的比率。在本发明中的胶囊内窥镜图像，选择最大的15个值，构造为颜色特征向量作为后续的网络结构的输入。
可选地，所述对应关系，包括：函数关系；所述图像特征为所述函数关系的输入参数，所述病变图像为所述函数关系的输出参数；
具体地，通过小波变换选取中频子频带和高频子频带，在本发明中采用金字塔小波分解图像以提取纹理特征，并选择研究者广泛使用的Daubechies函数作为小波变换的基函数，分解级定为3，对图像进行分解，表示为：
式中，L表示胶囊内窥镜图像的水平和垂直分量的低频部分，H表示相应的中频和高频部分，α表示分解等级，β代表小波频带，i代表颜色通道。
由于纹理和边缘信息主要集中在中频带和高频带上，因此选择中频子频带和高频子频带来重建图像，然后相应地提取纹理信息。让Qi成为重建的胶囊内窥镜图像。对于每个颜色通道：
式中，IDWT表示逆离散小波变换，β表示小波带，i表示颜色通道。
计算其共生矩阵特征值，具体地，首先计算重构胶囊内窥镜图像的R，G和B信道的共生矩阵其中，T属于{R，G，B}，共生矩阵的像素对(m，n)的值表示具有距离d并且在给定方向上具有色阶m和n的两个像素的出现次数。实际上，θ通常设置为0°，45°，90°或135°。θ不仅反映了分布特征亮度，也具有相同或相似亮度的像素的位置分布特征。θ是图像亮度变化的二阶统计特征。人后，归一化处理该共生矩阵，让为像素的值标准化共生矩阵的对(m，n)，其中T∈{R，G，B}，且θ∈{0°，45°，90°，135°}。
本发明从共生矩阵的所有特征中选择四个常用特征，即角二阶矩，对比度，熵和相关性。角二阶矩，对比度，熵和相关性分别代表共生矩阵的同质性，惯性，随机性和方向线性，并分别定义为：
其中，定义如下：
式中：表示各颜色分量共生矩阵θ方向上的能量，表示各颜色分量共生矩阵θ方向上的对比度，表示各颜色分量共生矩阵θ方向上的熵，表示各颜色分量共生矩阵θ方向上的相关性，D为图像的最大色级。在本发明中，假设d＝1。
构造纹理特征向量，具体地，根据上面计算的特征值，可以构造胶囊内窥镜图像的纹理特征向量：
其中，X∈{E,I,Π,A}，T∈{R,G,B}，θ∈{0°，45°,90°,135°}。将上面求得的R，G，B分量的八维纹理特征对应相加，作为最终提取的纹理特征，表达式为：
Ftexture＝ZR+ZG+ZB (16)
在一实施例中，所述对应关系，包括：函数关系。
优选地，所述图像特征为所述函数关系的输入参数，所述病变图像为所述函数关系的输出参数；
由此，通过多种形式的对应关系，可以提升对当前心脏梗死面积确定的灵活性和便捷性。
在一实施例中，可以结合下列描述进一步说明步骤S110中“建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系”的具体过程。
如下列步骤所述：获取用于建立所述图像特征与所述病变图像之间的对应关系的样本数据；
在一进阶实施例中，可以结合下列描述进一步说明“获取用于建立所述图像特征与所述病变图像之间的对应关系的样本数据”的具体过程。
如下列步骤所述：收集不同心脏状况的患者的所述图像特征和所述病变图像；
例如：数据搜集：搜集不同健康状况的患者的图像特征及对应的病变图像；以及，搜集不同年龄的患者的图像特征及对应的病变图像；以及，搜集不同性别的患者的图像特征及对应的病变图像。
由此，通过多种途径收集运行数据，有利于增加运行数据的量，提升人工神经网络的学习能力，进而提升确定的对应关系的精准性和可靠性。
如下列步骤所述：对所述图像特征进行分析、并结合预存的专家经验信息，选取与所述病变图像相关的数据作为所述图像特征(例如：选取对病变图像有影响的图像特征作为输入参数，将指定参数作为输出参数)；
例如：通过将已确诊的志愿者的相关数据中的图像特征作为输入参数，将其相关数据中的病变图像作为输出参数。
如下列步骤所述：将所述病变图像、以及选取的所述图像特征构成的数据对，作为样本数据。
例如：将得到的输入、输出参数对，一部分用作训练本样数据，一部分用作测试样本数据。
由此，通过对收集到的图像特征进行分析及处理，进而得到样本数据，操作过程简单，操作结果可靠性高。
如下列步骤所述：分析所述图像特征的特性及其规律，根据所述特性及其规律，确定所述人工神经网络的网络结构及其网络参数；
例如：根据不同的年龄、病情、性别等对心脏情况具有影响的数据特性及其所蕴含的规律，可初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。
优选地，所述网络结构，包括：DenseNet网络(密集卷积网络，DenseConmolutional Network)，SVM训练器，VGG16模型(视觉几何群网络，Visual GeometryGroup Network)，VGG19模型，以及，InceptionV3模型中的至少之一。
优选地，所述网络参数，包括：密集块数，输出层数，卷积层数，过度层数，初始权值，以及，偏置值中的至少之一。
参照图2，需要说明的是，所述网络结构优选采用DenseNet网络，其中，密集连接，即密集块内的每一层都会接收到前面所有层输出的特征图，也即每一层输出的特征图都会传到后面的所有层。用公式表示即是：
xe＝He([x0,x1,…,xe-1]) (17)
然后层与层之间的连接为了便于实现，将He()的多个输入连接成单个张量。然后送入批量归一化层(BN)进行批正则化操作，然后接一个线性整流单元(ReLu)激活函数进行非线性激活，最后接一个3*3的卷积层。
由于一个密集块内部的特征图尺寸始终是不变的，为了采用下采样层来缩小特征图尺寸，将一个密集型网络划分成了多个连接在一起的密集块，各个密集块之间用过渡层连接。过渡层就是用来缩小特征图尺寸的，通过一个BN层接一个1*1卷积最后接一个2*2平均池化层实现尺寸减半。其中1*1卷积层作为瓶颈层来减少特征图的数量，通过该层进行图像分类最后得到胶囊内窥镜图像的分类结果，网络结构图如下图所示。
如下列步骤所述：使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述图像特征与所述病变图像的所述对应关系。
例如：网络设计完成后，需用训练样本数据对设计完成的神经网络进行训练。训练方法可根据实际的网络结构及训练中发现的问题进行调整。
由此，通过收集图像数据，从中选取样本数据，并基于样本数据进行训练和测试，确定图像特征与病变图像之间的对应关系，有利于提升对指定参数生成的精准性。
可选地，可以结合下列描述进一步说明步骤“使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述图像特征与所述病变图像的所述对应关系”中对所述网络结构和所述网络参数进行训练的具体过程。
如下列步骤所述，选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述图像特征输入到所述网络结构，通过所述网络结构的激活函数和所述网络参数进行训练，得到实际训练结果；确定所述实际训练结果与所述训练样本中的相应病变图像之间的实际训练误差是否满足预设训练误差；当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络参数的所述训练完成；
更可选地，对所述网络结构和所述网络参数进行训练，还包括：
当所述实际训练误差不满足所述设定训练误差时，通过所述网络结构的误差能量函数更新所述网络参数；通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；
例如：若测试误差满足要求，则网络训练测试完成。
由此，通过将测试样本用于训练得到的网络结构和网络参数进行测试，以进一步验证网络结构及网络参数的可靠性。
可选地，可以结合下列描述进一步说明步骤“使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述图像特征与所述病变图像的所述对应关系”中对所述网络结构和所述网络参数进行测试的具体过程。
如下列步骤所述，选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述图像特征输入到所述训练完成的所述网络结构中，以所述激活函数和所述训练完成的所述网络参数进行测试，得到实际测试结果；确定所述实际测试结果与所述测试样本中的相应病变图像之间的实际测试误差是否满足设定测试误差；当所述实际测试误差满足所述设定测试误差时，确定对所述网络结构和所述网络参数的所述测试完成。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图3，示出了本申请一实施例提供的一种病变图像的检测装置，应用于通过无造影剂获取的胶囊内窥镜图像的病变图像检测，包括：
建立模块310，用于利用人工神经网络的自学习能力，建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系；
获取模块320，用于获取患者的当前胶囊内窥镜图像的当前图像特征；
确定模块330，用于通过所述对应关系，确定与所述当前图像特征对应的当前病变图像；具体地，确定与所述图像特征对应的当前病变图像，包括：将所述对应关系中与所述当前图像特征相同的图像特征所对应的病变图像，确定为所述当前病变图像。
在一实施例中，所述图像特征，包括：兴趣区图像序列中按设定规律提取的用于表示每个像素的运动模式；其中，
所述图像特征，包括：颜色特征和/或纹理特征，和/或由按设定规律自所述颜色特征、所述纹理特征中提取的特征组成的一维或两维以上的数组；其中，
所述颜色特征，包括：将所述胶囊内窥镜图像通过小波变换提取得到的颜色特征向量；
和/或，
所述纹理特征，包括：通过小波变换计算所述胶囊内窥镜图像的共生矩阵特征值，并通过所述共生矩阵特征值构造的纹理特征向量；
和/或，
所述对应关系，包括：函数关系；所述图像特征为所述函数关系的输入参数，所述病变图像为所述函数关系的输出参数；
确定与所述当前图像特征对应的当前病变图像，还包括：
当所述对应关系包括函数关系时，将所述当前图像特征输入所述函数关系中，确定所述函数关系的输出参数为当前病变图像。
在一实施例中，所述建立模块310，包括：
获取子模块，用于获取用于建立所述图像特征与所述病变图像之间的对应关系的样本数据；
分析子模块，用于分析所述图像特征的特性及其规律，根据所述特性及其规律，确定所述人工神经网络的网络结构及其网络参数；
训练子模块，用于使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述图像特征与所述病变图像的所述对应关系。
在一实施例中，所述获取子模块，包括：
收集子模块，用于收集不同心脏状况的患者的所述图像特征和所述病变图像；
分析子模块，用于对所述图像特征进行分析、并结合预存的专家经验信息，选取与所述病变图像相关的数据作为所述图像特征；
样本数据生成子模块，用于将所述病变图像、以及选取的所述图像特征构成的数据对，作为样本数据。
在一实施例中，
所述网络结构，包括：DenseNet网络，SVM训练器，VGG16模型，VGG19模型，以及，InceptionV3模型中的至少之一；
和/或，
所述网络参数，包括：密集块数，输出层数，卷积层数，过度层数，初始权值，以及，偏置值中的至少之一。
在一实施例中，
所述训练子模块，包括：
训练结果生成子模块，用于选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述图像特征输入到所述网络结构，通过所述网络结构的激活函数和所述网络参数进行训练，得到实际训练结果；
训练结果误差判断子模块，用于确定所述实际训练结果与所述训练样本中的相应病变图像之间的实际训练误差是否满足预设训练误差；
训练完成判定子模块，用于当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络参数的所述训练完成；
和/或，
测试子模块，用于对所述网络结构和所述网络参数进行测试，所述测试子模块，包括：
测试结果生成子模块，用于选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述图像特征输入到所述训练完成的所述网络结构中，以所述激活函数和所述训练完成的所述网络参数进行测试，得到实际测试结果；
测试结果误差判断子模块，用于确定所述实际测试结果与所述测试样本中的相应病变图像之间的实际测试误差是否满足设定测试误差；
测试完成判定子模块，用于当所述实际测试误差满足所述设定测试误差时，确定对所述网络结构和所述网络参数的所述测试完成。
在一实施例中，
所述训练子模块，还包括：
网络参数更新子模块，用于当所述实际训练误差不满足所述设定训练误差时，通过所述网络结构的误差能量函数更新所述网络参数；
第一重训练子模块，用于通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；
和/或，
所述测试子模块，还包括：
第二重训练子模块，用于当所述实际测试误差不满足所述设定测试误差时，对所述网络结构和所述网络参数进行重新训练，直至所述重新训练后的实际测试误差慢速所述设定测试误差。
参照图4，示出了本发明的一种胶囊内窥镜图像的分类方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图4中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的胶囊内窥镜图像的分类方法。
也即，上述处理单元16执行上述程序时实现：利用人工神经网络的自学习能力，建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系；获取患者的当前胶囊内窥镜图像的当前图像特征；通过所述对应关系，确定与所述当前图像特征对应的当前病变图像；具体地，确定与所述图像特征对应的当前病变图像，包括：将所述对应关系中与所述当前图像特征相同的图像特征所对应的病变图像，确定为所述当前病变图像。
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的胶囊内窥镜图像的分类方法：
也即，给程序被处理器执行时实现：利用人工神经网络的自学习能力，建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系；获取患者的当前胶囊内窥镜图像的当前图像特征；通过所述对应关系，确定与所述当前图像特征对应的当前病变图像；具体地，确定与所述图像特征对应的当前病变图像，包括：将所述对应关系中与所述当前图像特征相同的图像特征所对应的病变图像，确定为所述当前病变图像。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的胶囊内窥镜图像的分类方法、装置、设备及介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种胶囊内窥镜图像的分类方法，所述方法涉及对胶囊内窥镜图像进行病变图像或非病变图像的区分，其特征在于，包括：
利用人工神经网络的自学习能力，建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系；
获取患者的当前胶囊内窥镜图像的当前图像特征；
通过所述对应关系，确定与所述当前图像特征对应的当前病变图像；具体地，确定与所述图像特征对应的当前病变图像，包括：将所述对应关系中与所述当前图像特征相同的图像特征所对应的病变图像，确定为所述当前病变图像。
2.根据权利要求1所述的方法，其特征在于，
所述图像特征，包括：颜色特征和/或纹理特征，和/或由按设定规律自所述颜色特征、所述纹理特征中提取的特征组成的一维或两维以上的数组；其中，
所述颜色特征，包括：将所述胶囊内窥镜图像通过小波变换提取得到的颜色特征向量；
和/或，
所述纹理特征，包括：通过小波变换计算所述胶囊内窥镜图像的共生矩阵特征值，并通过所述共生矩阵特征值构造的纹理特征向量；
和/或，
所述对应关系，包括：函数关系；所述图像特征为所述函数关系的输入参数，所述病变图像为所述函数关系的输出参数；
确定与所述当前图像特征对应的当前病变图像，还包括：
当所述对应关系包括函数关系时，将所述当前图像特征输入所述函数关系中，确定所述函数关系的输出参数为当前病变图像。
3.根据权利要求1所述的方法，其特征在于，所述建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系的步骤，包括：
获取用于建立所述图像特征与所述病变图像之间的对应关系的样本数据；
分析所述图像特征的特性及其规律，根据所述特性及其规律，确定所述人工神经网络的网络结构及其网络参数；
使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述图像特征与所述病变图像的所述对应关系。
4.根据权利要求3所述的方法，其特征在于，所述获取用于建立所述图像特征与所述病变图像之间的对应关系的样本数据的步骤，包括：
收集不同心脏状况的患者的所述图像特征和所述病变图像；
对所述图像特征进行分析、并结合预存的专家经验信息，选取与所述病变图像相关的数据作为所述图像特征；
将所述病变图像、以及选取的所述图像特征构成的数据对，作为样本数据。
5.根据权利要求4所述的方法，其特征在于，
所述网络结构，包括DenseNet网络，SVM训练器，VGG16模型，VGG19模型，以及，InceptionV3模型中的至少之一；
和/或，
所述网络参数，包括：密集块数，输出层数，卷积层数，过度层数，初始权值，以及，偏置值中的至少之一。
6.根据权利要求3-5任一项所述的方法，其特征在于，
对所述网络结构和所述网络参数进行训练，包括：
选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述图像特征输入到所述网络结构，通过所述网络结构的激活函数和所述网络参数进行训练，得到实际训练结果；
确定所述实际训练结果与所述训练样本中的相应病变图像之间的实际训练误差是否满足预设训练误差；
当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络参数的所述训练完成；
和/或，
对所述网络结构和所述网络参数进行测试，包括：
选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述图像特征输入到所述训练完成的所述网络结构中，以所述激活函数和所述训练完成的所述网络参数进行测试，得到实际测试结果；
确定所述实际测试结果与所述测试样本中的相应病变图像之间的实际测试误差是否满足设定测试误差；
当所述实际测试误差满足所述设定测试误差时，确定对所述网络结构和所述网络参数的所述测试完成。
7.根据权利要求6所述的方法，其特征在于，
对所述网络结构和所述网络参数进行训练，还包括：
当所述实际训练误差不满足所述设定训练误差时，通过所述网络结构的误差能量函数更新所述网络参数；
通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；
和/或，
对所述网络结构和所述网络参数进行测试，还包括：
当所述实际测试误差不满足所述设定测试误差时，对所述网络结构和所述网络参数进行重新训练，直至所述重新训练后的实际测试误差慢速所述设定测试误差。
8.一种病变图像的检测装置，所述装置涉及对胶囊内窥镜图像进行病变图像或非病变图像的区分，其特征在于，包括：
建立模块，用于利用人工神经网络的自学习能力，建立胶囊内窥镜图像中的图像特征与病变图像之间的对应关系；
获取模块，用于获取患者的当前胶囊内窥镜图像的当前图像特征；
确定模块，用于通过所述对应关系，确定与所述当前图像特征对应的当前病变图像；具体地，确定与所述图像特征对应的当前病变图像，包括：将所述对应关系中与所述当前图像特征相同的图像特征所对应的病变图像，确定为所述当前病变图像。
9.一种设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
CN201910700990.2A 2019-07-31 2019-07-31 胶囊内窥镜图像的分类方法、装置、设备及介质 Pending CN110414607A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910700990.2A CN110414607A (zh) 2019-07-31 2019-07-31 胶囊内窥镜图像的分类方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910700990.2A CN110414607A (zh) 2019-07-31 2019-07-31 胶囊内窥镜图像的分类方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN110414607A true CN110414607A (zh) 2019-11-05

Family

ID=68364554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910700990.2A Pending CN110414607A (zh) 2019-07-31 2019-07-31 胶囊内窥镜图像的分类方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN110414607A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110786839A (zh) * 2019-11-22 2020-02-14 中山大学 瞬时无波形比值的生成方法、装置、设备及介质
CN111127400A (zh) * 2019-11-29 2020-05-08 深圳蓝韵医学影像有限公司 一种乳腺病变检测方法和装置
CN111275041A (zh) * 2020-01-20 2020-06-12 腾讯科技（深圳）有限公司 内窥镜图像展示方法、装置、计算机设备及存储介质
CN111275686A (zh) * 2020-01-20 2020-06-12 中山大学 用于人工神经网络训练的医学图像数据的生成方法及装置
CN111369501A (zh) * 2020-02-24 2020-07-03 武汉大学 一种基于视觉特征识别口腔鳞状细胞癌的深度学习方法
CN111568412A (zh) * 2020-04-03 2020-08-25 中山大学 一种利用脑电信号重建视觉图像的方法及装置
WO2022120734A1 (zh) * 2020-12-10 2022-06-16 深圳先进技术研究院 一种基于gan的无造影剂医学图像增强方法
WO2024046408A1 (zh) * 2022-09-02 2024-03-07 复旦大学附属中山医院 一种生物组织识别模型构建方法、装置及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097335A (zh) * 2016-06-08 2016-11-09 安翰光电技术（武汉）有限公司 消化道病灶图像识别系统及识别方法
CN106326856A (zh) * 2016-08-18 2017-01-11 厚凯（天津）医疗科技有限公司 一种手术图像处理方法及装置
CN107292347A (zh) * 2017-07-06 2017-10-24 中冶华天南京电气工程技术有限公司 一种胶囊内窥镜图像识别方法
CN107730489A (zh) * 2017-10-09 2018-02-23 杭州电子科技大学 无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法
CN108615051A (zh) * 2018-04-13 2018-10-02 博众精工科技股份有限公司 基于深度学习的糖尿病视网膜图像分类方法及系统
WO2018201647A1 (zh) * 2017-05-05 2018-11-08 平安科技（深圳）有限公司 视网膜病变程度等级检测方法、装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097335A (zh) * 2016-06-08 2016-11-09 安翰光电技术（武汉）有限公司 消化道病灶图像识别系统及识别方法
CN106326856A (zh) * 2016-08-18 2017-01-11 厚凯（天津）医疗科技有限公司 一种手术图像处理方法及装置
WO2018201647A1 (zh) * 2017-05-05 2018-11-08 平安科技（深圳）有限公司 视网膜病变程度等级检测方法、装置及存储介质
CN107292347A (zh) * 2017-07-06 2017-10-24 中冶华天南京电气工程技术有限公司 一种胶囊内窥镜图像识别方法
CN107730489A (zh) * 2017-10-09 2018-02-23 杭州电子科技大学 无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法
CN108615051A (zh) * 2018-04-13 2018-10-02 博众精工科技股份有限公司 基于深度学习的糖尿病视网膜图像分类方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐婷婷等: "基于颜色和纹理特征的胶囊内镜图像分类", 《现代电子技术》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110786839A (zh) * 2019-11-22 2020-02-14 中山大学 瞬时无波形比值的生成方法、装置、设备及介质
CN111127400A (zh) * 2019-11-29 2020-05-08 深圳蓝韵医学影像有限公司 一种乳腺病变检测方法和装置
CN111275041A (zh) * 2020-01-20 2020-06-12 腾讯科技（深圳）有限公司 内窥镜图像展示方法、装置、计算机设备及存储介质
CN111275686A (zh) * 2020-01-20 2020-06-12 中山大学 用于人工神经网络训练的医学图像数据的生成方法及装置
CN111275686B (zh) * 2020-01-20 2023-05-26 中山大学 用于人工神经网络训练的医学图像数据的生成方法及装置
CN111369501A (zh) * 2020-02-24 2020-07-03 武汉大学 一种基于视觉特征识别口腔鳞状细胞癌的深度学习方法
CN111568412A (zh) * 2020-04-03 2020-08-25 中山大学 一种利用脑电信号重建视觉图像的方法及装置
WO2022120734A1 (zh) * 2020-12-10 2022-06-16 深圳先进技术研究院 一种基于gan的无造影剂医学图像增强方法
WO2024046408A1 (zh) * 2022-09-02 2024-03-07 复旦大学附属中山医院 一种生物组织识别模型构建方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN110414607A (zh) 胶囊内窥镜图像的分类方法、装置、设备及介质
Liao et al. Deep facial spatiotemporal network for engagement prediction in online learning
WO2020215984A1 (zh) 基于深度学习的医学图像检测方法及相关设备
WO2021036616A1 (zh) 一种医疗图像处理方法、医疗图像识别方法及装置
WO2021036695A1 (zh) 一种待标注图像确定的方法、模型训练的方法及装置
CN111932529B (zh) 一种图像分类分割方法、装置及系统
Zhao et al. Medical image fusion method based on dense block and deep convolutional generative adversarial network
CN106777953A (zh) 医学影像数据的分析方法及系统
CN111598160B (zh) 图像分类模型的训练方法、装置、计算机设备及存储介质
KR102239163B1 (ko) 인공 신경망을 이용하여 질병 유무를 예측하는 방법 및 장치
CN111598168B (zh) 图像分类方法、装置、计算机设备及介质
CN112419326B (zh) 图像分割数据处理方法、装置、设备及存储介质
CN110517249A (zh) 超声弹性图像的成像方法、装置、设备及介质
CN110400298A (zh) 心脏临床指标的检测方法、装置、设备及介质
CN103984964B (zh) 一种试纸条图像识别方法及系统
WO2023202285A1 (zh) 图像处理方法、装置、计算机设备及存储介质
CN110211205A (zh) 图像处理方法、装置、设备和存储介质
DE102022123434A1 (de) Gemeinsame Schätzung von Herzfrequenz und Atemfrequenz unter Verwendung neuronaler Netze
CN116740435A (zh) 基于多模态深度学习影像组学的乳腺癌超声图像分类方法
CN110473176A (zh) 图像处理方法及装置、眼底图像处理方法、电子设备
CN110097499A (zh) 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法
CN113850796A (zh) 基于ct数据的肺部疾病识别方法及装置、介质和电子设备
CN111612865A (zh) 一种基于条件生成对抗网络的mri成像方法及装置
CN116645346A (zh) 肩袖扫描图像的处理方法、电子设备及存储介质
CN110020597A (zh) 一种用于头晕/眩晕辅诊的眼部视频处理方法及系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191105