CN110472530B - 基于小波变换和迁移学习的视网膜oct图像分类方法 - Google Patents
基于小波变换和迁移学习的视网膜oct图像分类方法 Download PDFInfo
- Publication number
- CN110472530B CN110472530B CN201910687911.9A CN201910687911A CN110472530B CN 110472530 B CN110472530 B CN 110472530B CN 201910687911 A CN201910687911 A CN 201910687911A CN 110472530 B CN110472530 B CN 110472530B
- Authority
- CN
- China
- Prior art keywords
- detail component
- sub
- training
- oct image
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 210000001525 retina Anatomy 0.000 title claims abstract description 21
- 230000009466 transformation Effects 0.000 title claims abstract description 18
- 230000005012 migration Effects 0.000 title claims description 5
- 238000013508 migration Methods 0.000 title claims description 5
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013526 transfer learning Methods 0.000 claims abstract description 21
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000002207 retinal effect Effects 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012014 optical coherence tomography Methods 0.000 abstract description 28
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 206010064930 age-related macular degeneration Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 206010012688 Diabetic retinal oedema Diseases 0.000 description 2
- 206010025421 Macule Diseases 0.000 description 2
- 201000011190 diabetic macular edema Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 208000002780 macular degeneration Diseases 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Ophthalmology & Optometry (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于计算机视觉、医学图像处理技术领域,为基于小波变换和迁移学习的视网膜OCT图像分类方法,包括步骤:对视网膜OCT图像进行小波变换,得到低频细节分量、水平细节分量、垂直细节分量、对角线细节分量四条子带;对四条子带的图像,基于迁移学习进行子带特征的提取;将所提取的四个子带图像的特征进行级联和特征融合,然后将级联和特征融合后的特征作为训练集输入到随机森林中,进行训练、分类和预测结果。本发明充分利用了视网膜OCT图像原本的信息,在一定程度上能减少训练参数、加速运行,提高最终分类预测的准确率。
Description
技术领域
本发明涉及计算机视觉、医学图像处理技术,具体为基于小波变换和迁移学习的视网膜OCT图像分类方法。
背景技术
黄斑(macula)的中央有一个凹陷的结构,称为中央凹,是视力最敏锐的地方。当黄斑区域发生病变时,常会导致患者中心视力的严重下降,甚至是不可逆性失明。常见的视网膜疾病包括年龄相关性黄斑病变(age-related macular degeneration,AMD)、糖尿病性黄斑水肿(diabetic macular edema,DME)等。
在眼科疾病的临床诊断中,光学相关断层扫描技术(opticalcoherencetomography,OCT),是一种通过测量物体后向散射光的强度对物体进行断层成像的技术,它有着高分辨率、非接触、无创伤等特点,作为一种临床辅助手段被广泛应用。最初的医学图像分类采用人工标注的方法,医生通过观察大量的OCT横向扫描图像进行文本标注并且对其存储以确定患者的疾病类型,这种人工分析的方法耗时而且对医生的专业性有一定的要求,因此需要一种高效准确的视网膜OCT图像自动分类方法来辅助医生诊断。
早期相关研究将传统分类方法应用于视网膜分类,这类使用人工设计的特征描述子提取图像的特征,分类的性能很依赖于描述子的选择。传统的分类方法采取局部二值模式(local binary pattern,LBP)、方向梯度直方图(histogram of oriented gradient,HOG)以及尺度不变特征变换(scale-invariant feature transform,SIFT)等人工设计的描述子对输入图像进行特征提取,然后将这些特征作为支持向量机(support vectormachine,SVM)、随机森林(random forest,RF)等机器学习分类器的训练数据,最后通过分类器输出类别标签。
以上医学图像分类大多基于图像的底层特征,由于其特征表达能力有限,分类预测准确率不高。近年来,随着深度神经网络的出现以及不断改进,无需任何先验知识,直接从图像中学习类别特征并直接输出类别标签,在训练过程中其损失函数的变化将通过反向传播更新网络的权重,其大量的网络权重能很好地从OCT图像中学习特征。基于神经网络的经典分类网络结构主要有:AlexNet、VGG、GoogleNet家族(Inception V1-V4,Xception)、ResNet、DenseNet等。
针对于视网膜OCT图像数据来说,其数据量有限,而用上述的经典卷积神经网络直接去训练视网膜OCT图像,会有以下的缺点:(1)过多的参数容易产生过拟合现象,网络很好地预测出训练数据的预期结果,但对于训练数据外的输入数据,网络的预测会变差;(2)参数的增多使得训练网络的计算复杂度变大,训练时间非常长,难以应用到实际场景中,网络的泛化性能下降;(3)网络层数的增加会容易出现梯度消失问题;(4)网络的层数达到一定数目之后,网络的性能会饱和,当再增加网络层数时,网络的性能可能会出现退化现象。同时在卷积神经网络训练过程中,频谱和细节信息容易丢失,造成图片的特征信息减少,这对最后的分类预测准确率有一定的影响。
总的来说,在基于视网膜OCT图像分类预测的网络训练的过程中,由于卷积和池化等操作,会造成图像高频信息的损失,从而造成网络的泛化能力差。同时,基于深度学习的方法对计算设备要求高,训练时间长,需要大量的图像数据用于训练;由于图像数据少的原因(万级以下称为小数据),基于经典的卷积神经网络分类器的训练,会产生过拟合、分类器准确率不高等问题,训练不容易收敛。
发明内容
为了解决现有技术存在的问题,本发明提供基于小波变换和迁移学习的视网膜OCT图像分类方法,利用现有少量的OCT医学图像进行神经网络训练,对神经网络结构进行合理设置,充分利用了视网膜OCT图像原本的信息,在一定程度上能减少训练参数、加速运行,提高最终分类预测的准确率。
根据本发明的基于小波变换和迁移学习的视网膜OCT图像分类方法,包括步骤:
S1、对视网膜OCT图像进行小波变换,得到低频细节分量、水平细节分量、垂直细节分量、对角线细节分量四条子带;
S2、对四条子带的图像,基于迁移学习进行子带特征的提取;
S3、将所提取的四个子带图像的特征进行级联和特征融合,然后将级联和特征融合后的特征作为训练集输入到随机森林中,进行训练、分类和预测结果。
在优选的实施例中,步骤S2中基于迁移学习进行子带特征的提取时,使用基于ImageNet预训练权重初始化的深度残差网络作为特征提取器。所述深度残差网络设有121层,包括深度块和转移层,深度块采用四层深度块,转移层包括1x1卷积层和2x2平均池化层。
步骤S1还将低频细节分量、水平细节分量、垂直细节分量、对角线细节分量均裁剪成224*224像素大小,然后进行归一化处理。
本发明与现有技术相比,具有如下优点和有益效果:
1、相较于现有基于简单的卷积神经网络的分类预测算法,本发明针对视网膜OCT图像,在经典卷积神经网络之前加入小波变换,获取图片频谱信息,包括低频细节信息、水平细节信息、垂直细节信息及对角线细节信息,在一定程度上获得了图片的更多特征信息,能提升基于视网膜OCT图像的卷积神经网络的分类效果。
2、相较于现有基于小数据从头训练的经典卷积神经网络算法,本发明针对视网膜OCT小数据,利用基于迁移学习的方法,选用目前基于ImageNet数据训练性能最好的经典卷积神经网络Densenet121。基于ImageNet权重初始化该网络,去掉该网络全连接层和softmax层,权重不再更新,加快训练速度、加速收敛和提高分类准确率。
3、相较于单一的深度学习方法和单一的传统机器学习方法,本发明针对视网膜OCT小数据,结合了两者的优点,通过迁移学习,网络训练生成的特征,进行特征融合,再将这些特征作为训练数据输入到传统的机器算法—随机森林当中。随机森林基于分类树对数据进行训练、分类和预测,能充分利用特征,又不容易过拟合,大大提高了最终的分类预测准确率。
附图说明
图1是本发明的分类流程图;
图2是2维离散多贝西小波变换示意图;
图3是基于迁移学习的预训练网络训练分类框架图;
图4是四层深度块的结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
本发明基于小波变换和迁移学习的视网膜OCT图像分类方法,结合了传统图像处理、传统机器学习和迁移学习等的优点,离散小波变换能产生高频和低频信息,能很好的利用图像的频谱信息,能获得图片更多的信息和特征。
而迁移学习方法使用基于ImageNet预训练权重初始化的DenseNet121(DenselyConnected Convolutional Networks,深度残差网络121(层))经典卷积神经网络,作为通过小波变换后级联特征的特征提取器,去掉DenseNet121最后一层全连接层,固定网络权重。迁移学习方法既能加速训练又能提高分类准确率。大量的研究和实践证据一致表明,迁移学习使模型比从头开始的训练更容易训练,并提高了准确性。通过迁移学习方法产生的级联(Concatenation)特征向量,作为随机森林的训练集。随机森林作为一个分类器,其是一种基于分类树的算法,通过对大量分类树的汇总提高预测结果,同时不容易产生过拟合,能高度并行化,提高训练速度,能处理高维度(特征很多)的数据。
如图1所示,在本实施例中,视网膜OCT图像分类方法包括以下步骤:
S1、对视网膜OCT图像进行小波变换和预处理。
获取视网膜OCT图像,首先对其进行小波变换,生成四条子带,即低频细节分量、水平细节分量、垂直细节分量、对角线细节分量:将图像经过2维离散小波变换(Two-dimensional Discrete Wavelet Transform,2-D DWT),如公式(1)和公式(2),选用的小波是多贝西小波,如图2所示。由于Densenet121网络输入图像大小为224x224像素,所以需要对小波变换后的图像进行预处理,具体为将各个细节分量均裁剪成224*224像素大小,然后进行归一化处理。
其中WΨ和Wφ分别是小波系数和尺度系数,Ψ是小波函数,φ是尺度函数,f(m,n)是在m,n位置的特征图,k、l是小波位置,M、N是特征维度,H、V、D分别代表水平细节分量、垂直细节分量、对角线细节分量。j和j0表示阶数。
S2、对四条子带的图像,基于迁移学习进行子带特征的提取。
如图3是基于迁移学习的预训练网络训练分类框架。在迁移学习方法中,使用基于ImageNet预训练权重初始化的深度残差网络作为特征提取器,将预训练网络权重作为目标网络的初始化权重,目标网络的权重不再更新,相当于使用预训练网络作为特征提取器提取图像特征,最后所提取的图像特征用于训练随机森林、支持向量机等机器学习分类器完成分类和预测任务。
在本实施例中,使用ImageNet预训练权重初始化网络,网络的权重在整个算法过程中都不会更新,网络的输出即为输入图像的特征表示;所使用网络模型是基于深度学习经典卷积神经网络模型DenseNet121(Densely Connected Convolutional Networks,深度残差网络),深度残差网络主要包括深度块(Dense Block)和转移层(Transition Layer),转移层主要由1x1卷积层(conv)和2x2平均池化层(The average pooling)组成,卷积步长(stride)=2,四层深度块如图4所示。表1示意了基于ImageNet的DenseNet网络结构组成,去掉了全连接层。该模型能减轻梯度消失问题,加强了图像特征的传递,利于提高分类准确率,同时将DenseNet121网络进行优化,去掉全连接层(fully connected layer)和softmax层。
表1基于ImageNet的Densenet121网络结构
S3、随机森林训练
将上述基于迁移学习所提取的四个子带图像的特征进行级联和特征融合,然后将这些级联和特征融合后的特征作为训练集输入到随机森林中,进行训练、分类和预测结果。随机森林方法最显著的优势是它能获得更多的信息以减少拟合数值和估计分割的偏差;随机森林分类器通过子分类器的数量来提升模型的表现,本实施例采用了1000棵树来保证好的分类效果。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.基于小波变换和迁移学习的视网膜OCT图像分类方法,其特征在于,包括步骤:
S1、对视网膜OCT图像进行小波变换,得到低频细节分量、水平细节分量、垂直细节分量、对角线细节分量四条子带;
S2、对四条子带的图像,基于迁移学习进行子带特征的提取;
基于迁移学习进行子带特征的提取时,使用基于ImageNet数据预训练权重初始化的深度残差网络作为特征提取器,并去掉该网络全连接层和softmax层;
S3、将所提取的四个子带图像的特征进行级联和特征融合,然后将级联和特征融合后的特征作为训练集输入到随机森林中,进行训练、分类和预测结果;
步骤S1将视网膜OCT图像经过2维离散小波变换,选用的小波为多贝西小波;
所述2维离散小波变换的公式为:
其中WΨ和Wφ分别是小波系数和尺度系数,Ψ是小波函数,φ是尺度函数,f(m,n)是在m,n位置的特征图,k、l是小波位置,M、N是特征维度,H、V、D分别代表水平细节分量、垂直细节分量、对角线细节分量,j和j0表示阶数。
2.根据权利要求1所述的视网膜OCT图像分类方法,其特征在于,步骤S2中基于迁移学习进行子带特征的提取时,使用基于ImageNet预训练权重初始化的深度残差网络作为特征提取器。
3.根据权利要求2所述的视网膜OCT图像分类方法,其特征在于,所述深度残差网络设有121层,包括深度块和转移层,深度块采用四层深度块,转移层包括1x1卷积层和2x2平均池化层。
4.根据权利要求3所述的视网膜OCT图像分类方法,其特征在于,对所述深度残差网络进行优化,优化后的深度残差网络结构组成如表1:
表1 基于ImageNet的Densenet121网络结构
去掉全连接层和softmax层。
5.根据权利要求3所述的视网膜OCT图像分类方法,其特征在于,步骤S1还将低频细节分量、水平细节分量、垂直细节分量、对角线细节分量均裁剪成224*224像素大小,然后进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910687911.9A CN110472530B (zh) | 2019-07-29 | 2019-07-29 | 基于小波变换和迁移学习的视网膜oct图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910687911.9A CN110472530B (zh) | 2019-07-29 | 2019-07-29 | 基于小波变换和迁移学习的视网膜oct图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472530A CN110472530A (zh) | 2019-11-19 |
CN110472530B true CN110472530B (zh) | 2023-10-31 |
Family
ID=68509053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910687911.9A Active CN110472530B (zh) | 2019-07-29 | 2019-07-29 | 基于小波变换和迁移学习的视网膜oct图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472530B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111504675B (zh) * | 2020-04-14 | 2021-04-09 | 河海大学 | 一种气体绝缘组合电器机械故障在线诊断方法 |
CN111914703A (zh) * | 2020-07-20 | 2020-11-10 | 哈尔滨工业大学 | 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法 |
CN111920375B (zh) * | 2020-09-30 | 2021-01-15 | 平安科技(深圳)有限公司 | 一种抗血管内皮生长因子vegf疗效预测装置及方法 |
CN113269139B (zh) * | 2021-06-18 | 2023-09-26 | 中电科大数据研究院有限公司 | 一种针对复杂场景的自学习大规模警员图像分类模型 |
CN113643261B (zh) * | 2021-08-13 | 2023-04-18 | 江南大学 | 一种基于频率注意网络的胸肺部疾病诊断方法 |
CN113724236B (zh) * | 2021-09-03 | 2023-06-09 | 深圳技术大学 | 基于注意力机制的oct图像检测方法及相关设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996029818A1 (en) * | 1995-03-17 | 1996-09-26 | Imperial College Of Science, Technology & Medicine | Progressive transmission of images |
CN104778670A (zh) * | 2015-04-17 | 2015-07-15 | 广西科技大学 | 一种基于多元统计模型的分形小波自适应图像去噪方法 |
CN107909566A (zh) * | 2017-10-28 | 2018-04-13 | 杭州电子科技大学 | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 |
CN108805866A (zh) * | 2018-05-23 | 2018-11-13 | 兰州理工大学 | 基于四元数小波变换深度视感知的图像注视点检测方法 |
CN109034206A (zh) * | 2018-06-29 | 2018-12-18 | 泰康保险集团股份有限公司 | 图像分类识别方法、装置、电子设备及计算机可读介质 |
CN109498000A (zh) * | 2018-12-25 | 2019-03-22 | 杭州电子科技大学 | 基于emd与wpd特征融合的癫痫发作前期预测方法 |
CN109522965A (zh) * | 2018-11-27 | 2019-03-26 | 天津工业大学 | 一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL172480A (en) * | 2005-12-08 | 2011-11-30 | Amir Zahavi | Method for automatic detection and classification of objects and patterns in low resolution environments |
WO2009148731A1 (en) * | 2008-06-02 | 2009-12-10 | Massachusetts Institute Of Technology | Fast pattern classification based on a sparse transform |
US8326046B2 (en) * | 2009-02-11 | 2012-12-04 | Ecole De Technologie Superieure | Method and system for determining structural similarity between images |
KR102025756B1 (ko) * | 2013-01-04 | 2019-09-27 | 삼성전자주식회사 | 영상에서 스펙클을 제거하는 방법, 장치 및 시스템. |
-
2019
- 2019-07-29 CN CN201910687911.9A patent/CN110472530B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996029818A1 (en) * | 1995-03-17 | 1996-09-26 | Imperial College Of Science, Technology & Medicine | Progressive transmission of images |
CN104778670A (zh) * | 2015-04-17 | 2015-07-15 | 广西科技大学 | 一种基于多元统计模型的分形小波自适应图像去噪方法 |
CN107909566A (zh) * | 2017-10-28 | 2018-04-13 | 杭州电子科技大学 | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 |
CN108805866A (zh) * | 2018-05-23 | 2018-11-13 | 兰州理工大学 | 基于四元数小波变换深度视感知的图像注视点检测方法 |
CN109034206A (zh) * | 2018-06-29 | 2018-12-18 | 泰康保险集团股份有限公司 | 图像分类识别方法、装置、电子设备及计算机可读介质 |
CN109522965A (zh) * | 2018-11-27 | 2019-03-26 | 天津工业大学 | 一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法 |
CN109498000A (zh) * | 2018-12-25 | 2019-03-22 | 杭州电子科技大学 | 基于emd与wpd特征融合的癫痫发作前期预测方法 |
Non-Patent Citations (2)
Title |
---|
Efficient Deep Learning-Based Automated Pathology Identifcation in Retinal Optical Coherence Tomography Images;Qingge Ji et al.;《Algorithms》;20180620;第11卷(第6期);第88(1-12)页 * |
Optimized Deep Convolutional Neural Networks for Identifiation of Macular Diseases from Optical Coherence Tomography Images;Qingge Ji et al.;《Algorithms》;20190226;第12卷(第3期);第51(1-12)页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110472530A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472530B (zh) | 基于小波变换和迁移学习的视网膜oct图像分类方法 | |
Adegun et al. | Deep learning techniques for skin lesion analysis and melanoma cancer detection: a survey of state-of-the-art | |
Milton | Automated skin lesion classification using ensemble of deep neural networks in isic 2018: Skin lesion analysis towards melanoma detection challenge | |
CN110084318B (zh) | 一种结合卷积神经网络和梯度提升树的图像识别方法 | |
Kumar et al. | Breast cancer classification of image using convolutional neural network | |
Awais et al. | Classification of sd-oct images using a deep learning approach | |
Uysal et al. | Computer-aided retinal vessel segmentation in retinal images: convolutional neural networks | |
CN109598709A (zh) | 基于融合深度特征的乳腺辅助诊断系统及方法 | |
Kaucha et al. | Early detection of lung cancer using SVM classifier in biomedical image processing | |
Casamitjana et al. | 3d convolutional networks for brain tumor segmentation | |
Lameski et al. | Skin lesion segmentation with deep learning | |
Xu et al. | An improved DenseNet method based on transfer learning for fundus medical images | |
Vinayaki et al. | Multithreshold image segmentation technique using remora optimization algorithm for diabetic retinopathy detection from fundus images | |
CN107424145A (zh) | 基于三维全卷积神经网络的核磁共振图像的分割方法 | |
CN108427963B (zh) | 一种基于深度学习的黑色素瘤皮肤病的分类识别方法 | |
Jin et al. | Construction of retinal vessel segmentation models based on convolutional neural network | |
Yang et al. | Down image recognition based on deep convolutional neural network | |
Selvathi et al. | Automatic segmentation and classification of liver tumor in CT images using adaptive hybrid technique and contourlet based ELM classifier | |
CN110428426A (zh) | 一种基于改进随机森林算法的mri图像自动分割方法 | |
CN106952268B (zh) | 一种基于关联矩阵自学习及显式秩约束的医学图像分割方法 | |
Verma et al. | Vision based detection and classification of disease on rice crops using convolutional neural network | |
Guo et al. | CAFR-CNN: coarse-to-fine adaptive faster R-CNN for cross-domain joint optic disc and cup segmentation | |
Dong et al. | Supervised learning-based retinal vascular segmentation by m-unet full convolutional neural network | |
Li et al. | Improved EfficientNet-B4 for melanoma detection | |
Zhang et al. | Classification of benign and malignant pulmonary nodules based on deep learning |
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 |