CN110443799A - 病灶检测识别模型的建立系统 - Google Patents
病灶检测识别模型的建立系统 Download PDFInfo
- Publication number
- CN110443799A CN110443799A CN201910755962.0A CN201910755962A CN110443799A CN 110443799 A CN110443799 A CN 110443799A CN 201910755962 A CN201910755962 A CN 201910755962A CN 110443799 A CN110443799 A CN 110443799A
- Authority
- CN
- China
- Prior art keywords
- lesion
- output
- picture
- file
- identification model
- 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
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种病灶检测识别模型的建立系统,包括:第一接收模块,用于接收由多张病灶图片构成的文件夹,文件夹中各病灶图片只具有一个类别相同的病灶,且文件夹中的部分病灶图片已经标注好;信号连接于第一接收模块的构建模型模块,用于利用文件夹中已经标注好的病灶图片训练并构建病灶检测识别模型;信号连接于构建模型模块的优化与输出模块,用于利用文件夹中未被标注的剩余病灶图片训练以优化病灶检测识别模型,输出经优化后的病灶检测识别模型。该系统可以得到能够准确识别病灶的病灶检测识别模型,提供自动化识别并标注相应类别的病灶的工具,有利于提高病灶的标注效率,降低医生的劳动强度。
Description
技术领域
本发明涉及医疗设备技术领域,特别涉及一种病灶检测识别模型的建立系统。
背景技术
目前,临床诊断中,病灶图片通常是通过医生肉眼识别与定位病灶,需要投入大量的人力资源来标注病灶图,标注的效率较低。
因此,如何提高标注效率,是本领域技术人员目前需要解决的技术问题。
发明内容
有鉴于此,本发明的目的是提供一种病灶检测识别模型的建立系统,通过提供一种精度较高的模型以实现自动化标注,从而提高病灶标注效率。
为实现上述目的,本发明提供如下技术方案:
一种病灶检测识别模型的建立系统,包括:
第一接收模块,用于接收由多张病灶图片构成的文件夹,所述文件夹中各病灶图片只具有一个类别相同的病灶,且所述文件夹中的部分病灶图片已经标注好;
信号连接于所述第一接收模块的构建模型模块,用于利用所述文件夹中已经标注好的病灶图片训练并构建病灶检测识别模型;
信号连接于所述构建模型模块的优化与输出模块,用于利用所述文件夹中未被标注的剩余病灶图片训练以优化所述病灶检测识别模型,输出经优化后的病灶检测识别模型。
优选地,所述优化与输出模块具体包括:
信号连接于所述构建模型模块的标注单元,用于利用当前所述病灶检测识别模型标注当前所述文件夹中所有还未被标注的病灶图片,新标注出的病灶图片构成训练集,在构成所述训练集后驱动优化单元;
信号连接于所述标注单元的所述优化单元,用于利用最新构成的所述训练集训练以优化所述病灶检测识别模型,得到优化后的病灶检测识别模型,之后驱动判断与输出单元;
信号连接于所述标注单元的所述判断与输出单元,用于判断所述文件夹中是否还有未被标注的病灶图片,若否,输出当前的所述病灶检测识别模型。
优选地,所述判断与输出单元中,若所述文件夹中还有未被标注的病灶图片,驱动第二判断单元;
所述优化与输出模块还包括信号连接于所述判断与输出单元和所述标注单元的所述第二判断单元,用于判断所述文件夹中还未被标注的病灶图片数量是否不小于第一设定数量,若是,驱动所述标注单元。
优选地,所述第二判断单元中,若所述文件夹中还未被标注的病灶图片数量小于所述第一设定数量,驱动输出单元;
所述优化与输出模块还包括信号连接于所述第二判断单元的所述输出单元,用于输出所述文件夹中所有还未标注的病灶图片以供人工标注;
所述优化与输出模块还包括信号连接于所述优化单元的接收单元,用于接收人工标注后的病灶图片,在接收到与所述输出单元最新输出的病灶图片等量的病灶图片时,本次接收到的所有病灶图片构成训练集并驱动所述优化单元。
优选地,还包括:
信号连接于所述标注单元输入端和所述优化与输出模块输出端的第二接收模块,用于接收由多张病灶图片构成的优化用的文件夹和所述优化与输出模块输出的病灶检测识别模型,在接收完成后驱动所述标注单元,其中,所述优化用的文件夹中,各病灶图片均未标注且只具有一个与所述第二接收模块同时接收的病灶检测识别模型的类别相同的病灶。
优选地,还包括:
信号连接于所述优化与输出模块的第三接收模块,用于接收至少两张验证用病灶图片和所述优化与输出模块输出的病灶检测识别模型,其中,所述验证用病灶图片未标注且只具有一个与所述第三接收模块同时接收的病灶检测识别模型的类别相同的病灶;
信号连接于所述第三接收模块的验证模块,用于利用所述第三接收模块接收的所述病灶检测识别模型对所述验证用病灶图片进行标注,判断是否所有所述验证用病灶图片均被标注,若是,则输出模型合格的信息,否则,输出模型不合格的信息。
优选地,所述病灶检测识别模型为采用CNN算法建立的DCNN模型。
本发明提供的病灶检测识别模型的建立系统,包括:第一接收模块,用于接收由多张病灶图片构成的文件夹,文件夹中各病灶图片只具有一个类别相同的病灶,且文件夹中的部分病灶图片已经标注好;信号连接于第一接收模块的构建模型模块,用于利用文件夹中已经标注好的病灶图片训练并构建病灶检测识别模型;信号连接于构建模型模块的优化与输出模块,用于利用文件夹中未被标注的剩余病灶图片训练以优化病灶检测识别模型,输出经优化后的病灶检测识别模型。
该系统可以利用一个文件夹下类别相同的病灶图片可以构建以及优化病灶检测识别模型,通过优化可以保证该模型的识别精度,从而得到能够准确识别病灶的病灶检测识别模型,提供自动化识别并标注相应类别的病灶的工具,有利于提高病灶的标注效率,降低医生的劳动强度。
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作简单地介绍,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的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明所提供系统的示意图。
图1中,1-第一接收模块,2-构建模型模块,3-优化与输出模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的核心是提供一种病灶检测识别模型的建立系统,通过提供一种精度较高的模型以实现自动化标注,从而提高病灶标注效率。
本发明所提供病灶检测识别模型的建立系统的一种具体实施例中,请参考图1,包括:
第一接收模块,用于接收由多张病灶图片构成的文件夹,文件夹中各病灶图片只具有一个类别相同的病灶,且文件夹中的部分病灶图片已经标注好;
信号连接于第一接收模块的构建模型模块,用于利用文件夹中已经标注好的病灶图片训练并构建病灶检测识别模型;
信号连接于构建模型模块的优化与输出模块,用于利用文件夹中未被标注的剩余病灶图片训练以优化病灶检测识别模型,输出经优化后的病灶检测识别模型。
其中,在构建病灶检测识别模型之前,需要对病灶图片进行人工筛选、分类以及部分标注。从收集到的所有病灶图片中,筛选各个病灶类型的部分图片,筛选出的图片应是清晰、特征准确的。对筛选出来病灶图片根据病灶类型进行分类,不同类别的病灶可以分别设置相应标签,然后放置到相应的文件夹下,具有相同类别病灶的病灶图片放在一个文件夹中,以通过各文件夹中的病灶图片作为样本数据训练出与病灶对应的病灶检测识别模型,病灶的类别指的是病灶属于那种病,例如,胃炎文件夹中的图片用于训练出胃炎病灶检测识别模型,肠息肉文件夹中的图片用于训练出肠息肉病灶检测识别模型。然后,对每个文件夹中的部分病灶图片进行人工标注,以作为构建病灶检测识别模型的基础,而文件夹中未被标注的病灶图片用于构建后的病灶检测识别模型的优化。
其中,一个文件夹下,所有病灶图片中只具有一个类别相同的病灶,以便人工智能网络能够更好地从中归纳、总结出该文件夹对应病灶的区域轮廓等图像特征,从而准确建模。
其中,对病灶图片进行标注时,具体可以采用打框的方式,将病灶圈在框中以实现标注。在人工进行标注时,具体可以先将病灶图片导入系统中,在操作界面显示病灶图片,由医生采用框选功能对病灶图片中的病灶进行打框。在优化与输出模块利用当前的病灶检测识别模型对病灶图片进行标注时,具体可以通过系统中的图片识别软件实现。又或者,对病灶图片进行标注时可以采用在病灶处高亮显示的方式。
本实施例中,在人工辅助下,利用一个文件夹下类别相同的病灶图片可以构建以及优化病灶检测识别模型,通过优化可以保证该模型的识别精度,从而得到能够准确识别病灶的病灶检测识别模型,提供自动化识别并标注相应类别的病灶的工具,有利于提高病灶的标注效率,降低医生的劳动强度。
进一步地,优化与输出模块具体包括:
信号连接于构建模型模块的标注单元,用于利用当前病灶检测识别模型标注当前文件夹中所有还未被标注的病灶图片,新标注出的病灶图片构成训练集,在构成训练集后驱动优化单元;
信号连接于标注单元的优化单元,用于利用最新构成的训练集训练以优化病灶检测识别模型,得到优化后的病灶检测识别模型,之后驱动判断与输出单元;
信号连接于标注单元的判断与输出单元,用于判断文件夹中是否还有未被标注的病灶图片,若否,输出当前的病灶检测识别模型。
其中,在每次对文件夹中所有剩余病灶图片进行标注时,由于病灶检测识别模型的精度可能还不足以识别出所有的病灶图片,故可能存在被成功标注的病灶图片和未被成功标注的病灶图片。若在一次对文件夹中所有剩余病灶图片进行标注时,所有病灶图片中的病灶均被成功标注出,则可以直接输出此时最新的病灶检测识别模型以投入后期使用。
其中,对病灶检测识别模型进行优化的过程即是对病灶检测识别模型更新的过程,优化后的病灶检测识别模型会替代优化前的病灶检测识别模型,以逐步提高模型的精度,故最终输出的为精度最高的病灶检测识别模型。另外,在标注单元每次进行标注操作时,均会生成一个训练集,而优化单元所利用以优化病灶检测识别模型的是最新一次构成的训练集。
其中,判断与输出单元可以根据每次被成功标记出的图片数量以及病灶图片的总量计算文件夹中当前剩余的未被标注图片的数量。
本实施例中,利用标注后的病灶图片对病灶检测识别模型进行更新,在病灶检测识别模型被优化后,最新优化后的病灶检测识别模型作为当前的病灶检测识别模型。另外,各病灶图片仅用于一次病灶检测识别模型的优化,而不再反复使用,以保证优化效率。只有当文件夹中的所有病灶图片都被应用于优化病灶检测识别模型以得到最优效果后的病灶检测识别模型,才进行输出操作,能够实现对图片利用率的最大化,保证最终生成模型的精度。
进一步地,判断与输出单元中,若文件夹中还有未被标注的病灶图片,驱动第二判断单元,否则,驱动输出单元。
所述优化与输出模块还包括:
信号连接于所述判断与输出单元和所述标注单元的所述第二判断单元,用于判断所述文件夹中还未被标注的病灶图片数量是否不小于第一设定数量,若是,驱动所述标注单元;
信号连接于所述第二判断单元的所述输出单元,用于输出所述文件夹中所有还未标注的病灶图片以供人工标注;
信号连接于所述优化单元的接收单元,用于接收人工标注后的病灶图片,在接收到与所述输出单元最新输出的病灶图片等量的病灶图片时,本次接收到的所有病灶图片构成训练集并驱动所述优化单元。
其中,本申请中,第一、第二、第三仅用于描述目的,而不能理解为指示或暗示相对重要性。
其中,第一设定数量可以根据实际需要进行设置,例如,文件夹中病灶图片总量为500张,第一设定数量可以为20张或50张,不做具体限定。
本实施例中,根据文件夹中剩余未标注的病灶图片数量确定进一步的图片标注方式,有利于提高建模效率。当前剩余未标注的所有病灶图片的数量如果大于或等于第一设定数量,说明剩余图片数量较多,仍然采用模型标注的方式进行标注。
但是,如果小于第一设定数量,则可能存在图片难以识别等原因导致目前仍未被标注,采用人工手动标注的方式能够提高建模效率,在手动标注这些剩余图片后,经接收单元接收并投入到模型的优化中。另外,当输出单元输出的病灶图片中存在因清晰度等原因难以识别的病灶图片时,可以将对应的病灶图片更换为可以使用的病灶图片再由接收单元接收,有利于排除文件夹中病灶图片自身缺陷对模型的影响。
当然,在其他实施例中,判断与输出单元中,若文件夹中还有未被标注的病灶图片,也可以不在优化模型的过程中采用人机结合的方式,而是直接重复驱动标注单元,直至所有病灶图片均被当前对应的病灶检测识别模型标注。
在上述任一实施例的基础上,该建立系统还包括:
信号连接于标注单元输入端和优化与输出模块输出端的第二接收模块,用于接收由多张病灶图片构成的优化用的文件夹和优化与输出模块输出的病灶检测识别模型,在接收完成后驱动标注单元,其中,优化用的文件夹中,各病灶图片均未标注且只具有一个与第二接收模块同时接收的病灶检测识别模型的类别相同的病灶。
由于在第一接收模块中,文件夹中的病灶图片数量可能并不足够,或者工作人员因其他原因想增添更多病灶图片作为样本进行模型的优化,具体可以通过第二接收模块实现。标注单元利用第二接收模块提供的文件夹以及病灶检测识别模型进行病灶图片的标注,并利用优化单元、判断与输出单元进一步进行第二接收模块接收到的病灶检测识别模块的优化,从而进一步提高模型精度。
在上述任一实施例的基础上,该建立系统还包括:
信号连接于优化与输出模块的第三接收模块,用于接收至少两张验证用病灶图片和优化与输出模块输出的病灶检测识别模型,其中,验证用病灶图片未标注且只具有一个与第三接收模块同时接收的病灶检测识别模型的类别相同的病灶;
信号连接于第三接收模块的验证模块,用于利用第三接收模块接收的病灶检测识别模型对验证用病灶图片进行标注,判断是否所有验证用病灶图片均被标注,若是,则输出模型合格的信息,否则,输出模型不合格的信息。
其中,第三接收模块可以采用人工输入模型与验证用病灶图片,以对优化与输出模块输出的病灶检测识别模型进行精度验证。
本实施例中,通过第三接收模块与验证模块的设置,可以对病灶检测识别模型的精度进行进一步验证,以更加准确地判断输出的病灶检测识别模型是否可以被利用。
在上述任一实施例的基础上,病灶检测识别模型为采用CNN算法建立的DCNN(深度卷积神经网络)模型,建立模型精度较高,相应地,为形成DCNN模型,在构建病灶检测识别模型与各个优化病灶检测识别模型的过程中,也均采用相应的CNN(卷积神经网络,Convolutional Neural Networks)算法,从而得到CNN算法建立的病灶检测识别模型。
基于CNN算法,在系统中,具体通过以下步骤进行模型的确定:
1)系统中的图像标注软件对文件夹中标注好的病灶图片运用CNN算法进行训练,以构建对应的病灶检测识别模型,进入步骤2);
2)调用构建后的病灶检测识别模型、采用CNN算法对剩余所有未标注的病灶图片中的病灶进行识别和打框,进入步骤3);
3)利用上一步中新打好框的病灶图片对病灶检测识别模型继续训练,获得新的优化后的病灶检测识别模型;
4)判断是否该文件夹中的病灶图片均已经被打框标注,若是,则进入步骤5),否则,进入步骤6);
5)输出目前得到的最新病灶检测识别模型;
6)判断是否剩余未被打框标注的病灶图片的数量不小于第一设定数量,若是,进入步骤2),否则,进入步骤7);
7)在剩余未被打框标注的病灶图片被手动标注后,接收这些图片,进入步骤3)。
进一步地,若在该文件夹中继续增加病灶图片,也可以参考以上步骤2)至7)对目前输出的病灶检测识别模型进行进一步优化。
当然,在其他实施例中,病灶检测识别模型也可以为采用其他方式建立的模型,例如,病灶检测识别模型也可以为基于RCNN架构的模型。
本说明书中各个实施例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部分互相参见即可。
以上对本发明所提供的病灶检测识别模型的建立系统进行了详细介绍。本文中应用了具体个例对本发明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发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (7)
1.一种病灶检测识别模型的建立系统,其特征在于,包括:
第一接收模块,用于接收由多张病灶图片构成的文件夹,所述文件夹中各病灶图片只具有一个类别相同的病灶,且所述文件夹中的部分病灶图片已经标注好;
信号连接于所述第一接收模块的构建模型模块,用于利用所述文件夹中已经标注好的病灶图片训练并构建病灶检测识别模型;
信号连接于所述构建模型模块的优化与输出模块,用于利用所述文件夹中未被标注的剩余病灶图片训练以优化所述病灶检测识别模型,输出经优化后的病灶检测识别模型。
2.根据权利要求1所述的建立系统,其特征在于,所述优化与输出模块具体包括:
信号连接于所述构建模型模块的标注单元,用于利用当前所述病灶检测识别模型标注当前所述文件夹中所有还未被标注的病灶图片,新标注出的病灶图片构成训练集,在构成所述训练集后驱动优化单元;
信号连接于所述标注单元的所述优化单元,用于利用最新构成的所述训练集训练以优化所述病灶检测识别模型,得到优化后的病灶检测识别模型,之后驱动判断与输出单元;
信号连接于所述标注单元的所述判断与输出单元,用于判断所述文件夹中是否还有未被标注的病灶图片,若否,输出当前的所述病灶检测识别模型。
3.根据权利要求2所述的建立系统,其特征在于,所述判断与输出单元中,若所述文件夹中还有未被标注的病灶图片,驱动第二判断单元;
所述优化与输出模块还包括信号连接于所述判断与输出单元和所述标注单元的所述第二判断单元,用于判断所述文件夹中还未被标注的病灶图片数量是否不小于第一设定数量,若是,驱动所述标注单元。
4.根据权利要求3所述的建立系统,其特征在于,所述第二判断单元中,若所述文件夹中还未被标注的病灶图片数量小于所述第一设定数量,驱动输出单元;
所述优化与输出模块还包括信号连接于所述第二判断单元的所述输出单元,用于输出所述文件夹中所有还未标注的病灶图片以供人工标注;
所述优化与输出模块还包括信号连接于所述优化单元的接收单元,用于接收人工标注后的病灶图片,在接收到与所述输出单元最新输出的病灶图片等量的病灶图片时,本次接收到的所有病灶图片构成训练集并驱动所述优化单元。
5.根据权利要求4所述的建立系统,其特征在于,还包括:
信号连接于所述标注单元输入端和所述优化与输出模块输出端的第二接收模块,用于接收由多张病灶图片构成的优化用的文件夹和所述优化与输出模块输出的病灶检测识别模型,在接收完成后驱动所述标注单元,其中,所述优化用的文件夹中,各病灶图片均未标注且只具有一个与所述第二接收模块同时接收的病灶检测识别模型的类别相同的病灶。
6.根据权利要求1所述的建立系统,其特征在于,还包括:
信号连接于所述优化与输出模块的第三接收模块,用于接收至少两张验证用病灶图片和所述优化与输出模块输出的病灶检测识别模型,其中,所述验证用病灶图片未标注且只具有一个与所述第三接收模块同时接收的病灶检测识别模型的类别相同的病灶;
信号连接于所述第三接收模块的验证模块,用于利用所述第三接收模块接收的所述病灶检测识别模型对所述验证用病灶图片进行标注,判断是否所有所述验证用病灶图片均被标注,若是,则输出模型合格的信息,否则,输出模型不合格的信息。
7.根据权利要求1至6任一项所述的建立系统,其特征在于,所述病灶检测识别模型为采用CNN算法建立的DCNN模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910755962.0A CN110443799A (zh) | 2019-08-15 | 2019-08-15 | 病灶检测识别模型的建立系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910755962.0A CN110443799A (zh) | 2019-08-15 | 2019-08-15 | 病灶检测识别模型的建立系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110443799A true CN110443799A (zh) | 2019-11-12 |
Family
ID=68435858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910755962.0A Pending CN110443799A (zh) | 2019-08-15 | 2019-08-15 | 病灶检测识别模型的建立系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443799A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808137A (zh) * | 2021-11-19 | 2021-12-17 | 武汉楚精灵医疗科技有限公司 | 上消化道内镜影像图的筛选方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992184A (zh) * | 2015-07-02 | 2015-10-21 | 东南大学 | 一种基于半监督极限学习机的多类图像分类方法 |
CN108009589A (zh) * | 2017-12-12 | 2018-05-08 | 腾讯科技(深圳)有限公司 | 样本数据处理方法、装置和计算机可读存储介质 |
US20180260621A1 (en) * | 2017-03-10 | 2018-09-13 | Baidu Online Network Technology (Beijing) Co., Ltd. | Picture recognition method and apparatus, computer device and computer- readable medium |
CN109284313A (zh) * | 2018-08-10 | 2019-01-29 | 深圳前海微众银行股份有限公司 | 基于半监督学习的联邦建模方法、设备及可读存储介质 |
-
2019
- 2019-08-15 CN CN201910755962.0A patent/CN110443799A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992184A (zh) * | 2015-07-02 | 2015-10-21 | 东南大学 | 一种基于半监督极限学习机的多类图像分类方法 |
US20180260621A1 (en) * | 2017-03-10 | 2018-09-13 | Baidu Online Network Technology (Beijing) Co., Ltd. | Picture recognition method and apparatus, computer device and computer- readable medium |
CN108009589A (zh) * | 2017-12-12 | 2018-05-08 | 腾讯科技(深圳)有限公司 | 样本数据处理方法、装置和计算机可读存储介质 |
CN109284313A (zh) * | 2018-08-10 | 2019-01-29 | 深圳前海微众银行股份有限公司 | 基于半监督学习的联邦建模方法、设备及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808137A (zh) * | 2021-11-19 | 2021-12-17 | 武汉楚精灵医疗科技有限公司 | 上消化道内镜影像图的筛选方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107564580B (zh) | 基于集成学习的胃镜图像辅助处理系统及方法 | |
CN110472494A (zh) | 脸部特征提取模型训练方法、脸部特征提取方法、装置、设备及存储介质 | |
CN108664878A (zh) | 基于卷积神经网络的猪只身份识别方法 | |
CN109948719A (zh) | 一种基于残差密集模块网络结构的眼底图像质量自动分类方法 | |
CN106898178B (zh) | 一种基于可穿戴设备的考试综合分析系统 | |
CN113283352B (zh) | 一种基于显微图像的类器官活力评价方法及系统 | |
CN110367969A (zh) | 一种改进的心电信号快速聚类分析方法 | |
CN110188613A (zh) | 图像分类方法及设备 | |
CN108717789A (zh) | 一种车辆样本的采集标注方法及装置 | |
CN110443799A (zh) | 病灶检测识别模型的建立系统 | |
CN108764640A (zh) | 一种基于大数据的个性化的动态教学诊断与改进系统 | |
CN107895368A (zh) | Shg/tpef图像中的参数作为成人或儿童的肝纤维化的分期特征参数的应用 | |
CN110415818A (zh) | 一种基于可观察病症的智能儿科疾病问诊系统及方法 | |
CN109273084A (zh) | 基于多模态超声组学特征建模的方法及系统 | |
CN117322865B (zh) | 基于深度学习的颞下颌关节盘移位mri检查诊断系统 | |
CN112465329A (zh) | 一种基于电力知识点的资质考试智能组卷系统 | |
CN110327034A (zh) | 一种基于深度特征融合网络的心动过速心电图的筛查方法 | |
CN117524441A (zh) | 一种手术质量的检测方法、装置 | |
CN108876679A (zh) | 一种智能化英语教学系统 | |
CN115424296A (zh) | 基于目标检测的人体扁桃体区域检测系统及边侧部署方法 | |
US20240249142A1 (en) | Methods and systems for embryo classificiation | |
CN110443797A (zh) | 病灶辅助判定装置 | |
CN109376635B (zh) | 一种护理质量考核系统及安全事件上报方法 | |
CN110598561A (zh) | 基于机器学习的细胞玻片分析方法、装置及存储介质 | |
EP2607898B1 (en) | Method for evaluating graft |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |