CN110599502B - 一种基于深度学习的皮肤病变分割方法 - Google Patents

一种基于深度学习的皮肤病变分割方法 Download PDF

Info

Publication number
CN110599502B
CN110599502B CN201910839598.6A CN201910839598A CN110599502B CN 110599502 B CN110599502 B CN 110599502B CN 201910839598 A CN201910839598 A CN 201910839598A CN 110599502 B CN110599502 B CN 110599502B
Authority
CN
China
Prior art keywords
conv
samples
result
sample
block
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
Application number
CN201910839598.6A
Other languages
English (en)
Other versions
CN110599502A (zh
Inventor
肖志勇
刘一鸣
杜年茂
张立
刘辰
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN201910839598.6A priority Critical patent/CN110599502B/zh
Publication of CN110599502A publication Critical patent/CN110599502A/zh
Application granted granted Critical
Publication of CN110599502B publication Critical patent/CN110599502B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/30088—Skin; Dermal
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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

Abstract

本发明属于医学图像处理领域，具体涉及一种基于深度学习的皮肤病变分割方法。第一步，将数据集分为训练样本和验证样本，对数据集中图片进行预处理，得到处理后的图片。第二步，构建五层神经网络，将第一步中处理得到的训练样本和验证样本依批次输入该网络，使用具有动量的梯度下降法进行网络优化，得到训练完成的分类器网络。第三步，对测试样本图片进行预处理，得到处理后的测试样本图片。第四步，预测图片。本发明所提的方法它是以整张图片来进行分类分割的，所以相比起来计算量就小一些，同时考虑了细节信息。实验表明，基于注意力机制的深度学习方法的分割精度比U‑Net的分割精度更高。

Description

一种基于深度学习的皮肤病变分割方法
技术领域
本发明属于医学图像处理领域，具体涉及一种基于深度学习的皮肤病变分割方法。
背景技术
近年来，图像处理摆脱了原来的设备和技术的限制，渐渐成为了一门新型的、前景广阔的学科。国内外大量的学者和研究人员都在大力探索和研究图像理解和机器视觉，并取得了不少重要成果。图像分割是图像处理的关键技术之一，随着近几年深度学习的高速发展，将深度学习方法应用到图像分割中取得了目前最高效的结果。
图像处理领域的大多记录在加入了深度学习方法后都被刷新，这证明了深度学习在图像处理方面的优越性。分割任务最初流行的深度学习方法是图像块分类(patchclassification)，即利用像素周围的图像块对每一个像素进行独立的分类。使用图像块分类的主要原因是分类网络通常是全连接层(full connected layer)，且要求固定尺寸的图像。2014年，加州大学伯克利分校的Long等人提出了全卷积网络(FCN)，使用这种方法可生成任意大小的图像分割图，且该方法比图像块分类法要快上许多。之后，分割领域几乎所有先进方法都采用了该模型。但是该方法在进行在上采样中丢失了很多细节信息，这对于医学图像这种数据集较少的分割效果不理想。2015年，Olaf Ronneberger等人提出了U-net的编码器-解码器结构的深度卷积网络，这在医学图像分割取得了巨大成功。
目前传统的黑色素瘤疾病的检测的主要方法有ABCD法则、模式分析法、孟氏法以及CASH法等，这些方法都是利用颜色、纹理和外部结构特征来进行识别的，它们只能看到一些浅显的信息，不能学习到内部潜在的规律，这容易受皮肤毛发、斑点、纹理等因素的影响造成定位的困难，给相关疾病的检测、确诊造成很大影响。本发明是在U-net基础上加入了注意力机制提出来的一种基于深度学习的皮肤病变分割方法，在一定程度上克服了上述问题。
发明内容
本发明是针对由于黑色素瘤皮肤病变分割的难度大，传统的先提取特征再分类的方法耗时耗力，缺少简单有效的分割方法的现状。因此提出了一种基于深度学习的皮肤病变分割方法，实现对黑素瘤图像的自动分割。提高了分割效率和分割准确率。
为实现上述目的，本发明采用的技术方案是：
一种基于深度学习的皮肤病变分割方法，步骤包括：
第一步，将数据集分为训练样本和验证样本，对数据集中图片进行预处理，得到处理后的图片。
第二步，构建五层神经网络，将第一步中处理得到的训练样本和验证样本依批次输入该网络，使用具有动量的梯度下降法进行网络优化，得到训练完成的分类器网络。
第三步，对测试样本图片进行预处理，得到处理后的测试样本图片。
第四步，将第三步中处理后得到的测试图片输入到训练好的分类器网络中，得到预测图片。
所述第二步中五层神经网络构建步骤如下:
2.1所述的五层神经网络包括conv_block、up_conv以及attention_block三个模块。其中，conv_block是网络进行特征提取的模块，它包含了卷积(convolution)、归一化层(BatchNorm2d)、修正线性单元(rectified liner unit)和池化层(pooling)。模块所用的卷积核大小均为3×3，填充(padding)为1，池化层都是采用2×2的卷积池，步长为2，其他为默认值。up_conv是对经过conv_block处理后的图片进行上采样，它包含了上采样层(upsample)、卷积、归一化层(BatchNorm2d)和修正线性单元(rectified liner unit)。采样因子为2，卷积核大小为3×3。attention_block就是在Unet网络上增加的注意力机制模块，在decoder部分使用Attention Gates，Attention Gates包含了卷积(convolution)、归一化层(BatchNorm2d)、修正线性单元(rectified liner unit)和sigmoid函数。其卷积核大小为1×1，填充(padding)为0，步长为1。首先将步骤一中得到的训练样本依次通过5个conv_block模块进行采样。
2.2将步骤2.1中通过encoder得到每个分辨率上的特征图与decoder中对应特征进行拼接(concat)之前，使用Attention Gates；
具体是将经过了5次conv_block得到的结果通过up_conv进行2倍的上采样后得到的结果g和上一层encoder(即conv_block_4得到的结果x)直接对应像素相加后通过激活函数Relu，之后再用卷积核大小为1×1，步长为1，填充为0，通道数为1对其进行处理。得到的结果再用激活函数sigmoid得到了一张原图权重分布的概率图，将其与x相乘后再与g进行拼接(concat)后通过conv_block将所得结果通道数由1024变为512。
2.3将步骤2.2中得到的结果进行重复计算；
先通过Attention Gates得到概率图后在与上一层结果(即通过conv_block_3)相乘后进行拼接(concat)。经过conv_block得到通道数为256的结果。一直进行相同的步骤直到与conv_block_1后结果进行拼接(concat)后终止这一步，然后对其进行conv_block操作将结果通道数由128改为64。之后通过卷积核大小为1×1，步长为1，无填充。得到与标签样本一样大小的分割概率图。
2.4将2.3得到的分割概率图，使用softmax函数将概率图的值归一化到0到1；
2.5然后使用交叉熵代价函数将2.4中得到的归一化的图和标签图进行对比；
2.6得到2.5中代价函数值后，根据Adam算法进行反向传播，更新网络中参数的值。
2.7将验证样本按同样的方式输入网络，使用交叉熵代价函数得到结果值，但是不进行反向传播进行网络权重参数的更新。
2.8将2.7中得到的结果值进行对比。
所述第一步中预处理步骤如下：
1.1对得到的数据样本分成比例为60％,20％和20％的训练样本、验证样本和测试样本。接下来对训练样本和验证样本数据增强，将每个样本进行旋转、翻转、形变以及改变对比度和光照，得到数据增强后的训练样本和验证样本。
1.2对1.1中获取的训练样本和验证样本图片对应的标签与其对应的样本图片进行相同处理，保证训练样本和验证样本没有因数据增强而与标签样本产生不一致。
1.3接下来对1.1中数据增强后得到训练样本和验证样本归一化以此加快梯度下降速度。
所述步骤三中对测试样本的预处理的具体步骤如下：
3.1将每个测试样本进行旋转、翻转、形变以及改变对比度和光照，得到数据增强后的测试样本。
3.2对3.1中得到测试样本归一化，将3.1中大批量样本减去样本本身的均值，实现归一化，得到归一化后的样本。
本发明与现有技术的优点在于：
本发明提出的一种基于深度学习的皮肤病变分割方法与根据像素点周围的像素来对该像素进行分类相比，它考虑到了像素周围的像素提供的信息。周围的像素信息总体来说分为两大类，一个是环境信息，一个是细节信息。以像素为单位的方法对于窗体的选择具有非常大的不确定性。选择size过大，不仅需要更多的池化层使得环境信息显现，而且失去了局地细节信息。这种网络要对每个patch各训练一次，计算量太大，冗余性太高。我们提出的加入注意力机制的方法考虑到这个问题同时采用了encoder-decoder模型进行网络的训练。其中，encoder作为特征提取模块，它展现了环境信息。decoder作为解码部分，结合下采样各层信息和上采样的输入信息来还原细节信息，并且逐步还原图像精度，大大减少了图片在训练过程中细节信息的损失。同时它是以整张图片来进行分类分割的，所以相比起来计算量就小一些。
同时，与级联神经网络需要明确外部组织/器官的位置信息不同，加入了注意力机制以后，网络就把注意力集中在对特定任务有用的显著特征，抑制了输入图像的不相关区域，从而不需要明确外部组织/器官的位置信息，减少了实验的工作量。以U-net为基础进行集成，在decoder部分使用了Attention Gates。实验表明，基于注意力机制的深度学习方法的分割精度比U-Net的分割精度更高。
附图说明
图1为本发明的神经网络结构图。
图2为神经网络内部模块结构图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的详细说明。
本发明构造了一种基于深度学习的皮肤病变分割方法，具体步骤如下：
第一步，将数据集分为训练样本和验证样本。对数据集中图片进行预处理，得到处理后的图片。
第二步，构建五层神经网络，将第一步中处理得到的训练样本和验证样本依批次输入该网络，使用具有动量的梯度下降法进行网络优化，得到训练完成的分类器网络。
第三步，对测试样本图片进行预处理，得到处理后的测试样本图片。
第四步，将第三步中处理后得到的测试图片输入到训练好的分类器网络中，得到预测图片。
所述第一步中预处理步骤如下：
1.1对得到的数据样本分成比例为60％,20％和20％的训练样本、验证样本和测试样本。接下来对训练样本和验证样本数据增强，将每个样本进行旋转、翻转、形变以及改变对比度和光照，得到数据增强后的训练样本和验证样本。
1.2对1.1中获取的训练样本和验证样本图片对应的标签与其对应的样本图片进行相同处理，保证训练样本和验证样本没有因数据增强而与标签样本产生不一致。
1.3接下来对1.1中数据增强后得到训练样本和验证样本归一化以此加快梯度下降速度。
所述第二步中网络构建步骤如下:
2.1所述的五层神经网络如图1所示，由conv_block、up_conv以及attention_block三个主要模块构成。其中，conv_block是网络进行特征提取的模块，它包含了卷积(convolution)，归一化层(BatchNorm2d)，修正线性单元(rectified liner unit)和池化层(pooling)。模块所用的卷积核大小均为3×3，填充(padding)为1，池化层都是采用2×2的卷积池，步长为2，其他为默认值。up_conv是对经过conv_block处理后的图片进行上采样，它包含了上采样层(upsample)、卷积、归一化层(BatchNorm2d)和修正线性单元(rectified liner unit)。采样因子为2，卷积核大小为3×3。attention_block就是在原来的Unet网络上加的一个注意力机制模块，如图1中attention_block所示在decoder部分使用了Attention Gates，它包含了卷积(convolution)、归一化层(BatchNorm2d)、修正线性单元(rectified liner unit)和sigmoid函数。它的卷积核大小为1×1，填充(padding)为0，步长为1。首先将步骤1.3中得到的训练样本依次通过5个conv_block模块进行下采样。每层卷积的通道数分别为64、128、256、512和1024。
2.2将2.1中通过encoder得到每个分辨率上的特征图与decoder中对应特征进行拼接(concat)之前，使用了一个Attention Gates，具体是将经过了5次conv_block得到的结果通过up_conv进行2倍的上采样后得到的结果g(如图1所示)和上一层encoder(即conv_block_4得到的结果x(如图1所示))直接对应像素相加后通过激活函数Relu，之后再用卷积核大小为1×1，步长为1，填充为0，通道数为1对其进行处理。得到的结果再用激活函数sigmoid得到了一张原图权重分布的概率图，将其与x相乘后再与g进行拼接(concat)后通过conv_block将所得结果通道数由1024变为512。
2.3将2.1中得到的结果使用与2.1相同的方法，先通过Attention Gates得到概率图后在与上一层结果(即通过conv_block_3)相乘后进行同样的拼接(concat)。经过conv_block得到通道数为256的结果。一直进行相同的步骤直到与conv_block_1后结果进行拼接(concat)后终止这一步，然后对其进行conv_block操作将结果通道数由128改为64。之后通过卷积核大小为1×1，步长为1，无填充。得到与标签样本一样大小的分割概率图。
2.4将2.3得到的分割概率图，使用softmax函数将概率图的值归一化到0到1，softmax函数如下：
Figure SMS_1
2.5然后使用交叉熵代价函数(cross-entropy loss)将2.4中得到的归一化的图和标签图进行对比，交叉熵代价函数如下：
Figure SMS_2
2.6得到2.5中代价函数值后，根据Adam算法进行反向传播，更新网络中参数的值。
2.7将验证样本按同样的方式输入网络，使用交叉熵代价函数得到结果值，但是不进行反向传播进行网络权重参数的更新。
2.8将2.7中得到的结果值进行对比。令当前验证样本交叉熵代价函数得到的结果作为最优值，对它继续训练得到的交叉熵代价函数与先前进行对比，如果结果值大于当前最优值则继续下一轮训练验证，否则保存这次模型，并把这次的结果当作最优值继续验证训练，直到结果值在20个epoch内不下降反而上升，此时停止训练。得到验证样本交叉熵代价函数的结果值最小的模型。
所述步骤三中对测试样本的预处理的具体步骤如下：
3.1将每个测试样本进行旋转、翻转、形变以及改变对比度和光照，得到数据增强后的测试样本。
3.2对3.1中得到测试样本归一化，将3.1中大批量样本减去样本本身的均值，实现归一化，得到归一化后的样本。
所述第四步中对具体步骤如下：
将第三步中得到的测试样本输入到已经在2.8中训练好的模型得到预测概率图，得到最终分割结果。

Claims (3)

1.一种基于深度学习的皮肤病变分割方法，其特征在于，步骤包括：
第一步，将数据集分为训练样本和验证样本，对数据集中图片进行预处理，得到处理后的图片；
第二步，构建五层神经网络，将第一步中处理得到的训练样本和验证样本依批次输入该网络，使用具有动量的梯度下降法进行网络优化，得到训练完成的分类器网络；
第三步，对测试样本图片进行预处理，得到处理后的测试样本图片；
第四步，将第三步中处理后得到的测试图片输入到训练好的分类器网络中，得到预测图片；
所述第二步中五层神经网络构建步骤如下:
2.1 所述的五层神经网络包括conv_block、up_conv以及attention_block三个模块；其中，conv_block是网络进行特征提取的模块，它包含了卷积(convolution)、归一化层(BatchNorm2d)、修正线性单元(rectified liner unit)和池化层(pooling)；模块所用的卷积核大小均为3×3，填充(padding)为1，池化层都是采用2×2的卷积池，步长为2，其他为默认值；up_conv是对经过conv_block处理后的图片进行上采样，它包含了上采样层(upsample)、卷积、归一化层(BatchNorm2d)和修正线性单元(rectified liner unit)；采样因子为2，卷积核大小为3×3；attention_block就是在Unet网络上增加的注意力机制模块，在decoder部分使用Attention Gates，Attention Gates包含了卷积(convolution)、归一化层(BatchNorm2d)、修正线性单元(rectifiedliner unit)和sigmoid函数；其卷积核大小为1×1，填充(padding)为0，步长为1；首先将步骤一中得到的训练样本依次通过5个conv_block模块进行采样；
2.2 将步骤2.1中经过了5次conv_block得到的结果通过up_conv进行2倍的上采样后得到的结果g和上一层encoder得到的结果x直接对应像素相加后通过激活函数Relu，之后再用卷积核大小为1×1，步长为1，填充为0，通道数为1对其进行处理；得到的结果再用激活函数sigmoid得到了一张原图权重分布的概率图，将其与x相乘后再与g进行拼接后通过conv_block将所得结果通道数由1024变为512；
2.3 将步骤2.2中得到的结果进行重复计算；
先通过Attention Gates得到概率图后在与上一层结果(即通过conv_block_3)相乘后进行拼接；经过conv_block得到通道数为256的结果；一直进行相同的步骤直到与conv_block_1后结果进行拼接后终止这一步，然后对其进行conv_block操作将结果通道数由128改为64；之后通过卷积核大小为1×1，步长为1，无填充；得到与标签样本一样大小的分割概率图；
2.4 将2.3得到的分割概率图，使用softmax函数将概率图的值归一化到0到1；
2.5 然后使用交叉熵代价函数将2.4中得到的归一化的图和标签图进行对比；
2.6 得到2.5中代价函数值后，根据Adam算法进行反向传播，更新网络中参数的值；
2.7 将验证样本按同样的方式输入网络，使用交叉熵代价函数得到结果值，但是不进行反向传播进行网络权重参数的更新；
2.8 将2.7中得到的结果值进行对比。
2.如权利要求1所述的一种基于深度学习的皮肤病变分割方法，其特征在于，所述第一步中预处理步骤如下：
1.1 对得到的数据样本分成比例为60％,20％和20％的训练样本、验证样本和测试样本；接下来对训练样本和验证样本数据增强，将每个样本进行旋转、翻转、形变以及改变对比度和光照，得到数据增强后的训练样本和验证样本；
1.2 对1.1中获取的训练样本和验证样本图片对应的标签与其对应的样本图片进行相同处理，保证训练样本和验证样本没有因数据增强而与标签样本产生不一致；
1.3 接下来对1.1中数据增强后得到训练样本和验证样本归一化以此加快梯度下降速度。
3.如权利要求1或2所述的一种基于深度学习的皮肤病变分割方法，其特征在于，所述步骤三中对测试样本的预处理的具体步骤如下：
3.1 将每个测试样本进行旋转、翻转、形变以及改变对比度和光照，得到数据增强后的测试样本；
3.2 对3.1中得到测试样本归一化，将3.1中大批量样本减去样本本身的均值，实现归一化，得到归一化后的样本。
CN201910839598.6A 2019-09-06 2019-09-06 一种基于深度学习的皮肤病变分割方法 Active CN110599502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910839598.6A CN110599502B (zh) 2019-09-06 2019-09-06 一种基于深度学习的皮肤病变分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910839598.6A CN110599502B (zh) 2019-09-06 2019-09-06 一种基于深度学习的皮肤病变分割方法

Publications (2)

Publication Number Publication Date
CN110599502A CN110599502A (zh) 2019-12-20
CN110599502B true CN110599502B (zh) 2023-07-11

Family

ID=68857741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910839598.6A Active CN110599502B (zh) 2019-09-06 2019-09-06 一种基于深度学习的皮肤病变分割方法

Country Status (1)

Country Link
CN (1) CN110599502B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021128230A1 (zh) * 2019-12-27 2021-07-01 上海昕健医疗技术有限公司 基于深度学习的医学图像处理方法、系统以及计算机设备
CN111951235A (zh) * 2020-07-31 2020-11-17 湘潭大学 基于深度学习的皮肤图像处理方法
CN112132833B (zh) * 2020-08-25 2024-03-26 沈阳工业大学 一种基于深度卷积神经网络的皮肤病图像病灶分割方法
CN112329647A (zh) * 2020-11-09 2021-02-05 西南交通大学 基于U-Net神经网络的土地利用类型识别方法
CN112489001B (zh) * 2020-11-23 2023-07-25 石家庄铁路职业技术学院 基于改进的深度学习的隧道渗水检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958271A (zh) * 2017-12-06 2018-04-24 电子科技大学 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统
CN108765369A (zh) * 2018-04-20 2018-11-06 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
CN109801294A (zh) * 2018-12-14 2019-05-24 深圳先进技术研究院 三维左心房分割方法、装置、终端设备及存储介质
CN109903292A (zh) * 2019-01-24 2019-06-18 西安交通大学 一种基于全卷积神经网络的三维图像分割方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958271A (zh) * 2017-12-06 2018-04-24 电子科技大学 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统
CN108765369A (zh) * 2018-04-20 2018-11-06 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
CN109801294A (zh) * 2018-12-14 2019-05-24 深圳先进技术研究院 三维左心房分割方法、装置、终端设备及存储介质
CN109903292A (zh) * 2019-01-24 2019-06-18 西安交通大学 一种基于全卷积神经网络的三维图像分割方法及系统

Also Published As

Publication number Publication date
CN110599502A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110599502B (zh) 一种基于深度学习的皮肤病变分割方法
CN108596248B (zh) 一种基于改进深度卷积神经网络的遥感影像分类方法
Zhang et al. Remote sensing image spatiotemporal fusion using a generative adversarial network
CN112966684B (zh) 一种注意力机制下的协同学习文字识别方法
CN109165660B (zh) 一种基于卷积神经网络的显著物体检测方法
CN110956126B (zh) 一种联合超分辨率重建的小目标检测方法
CN104462494B (zh) 一种基于无监督特征学习的遥感图像检索方法及系统
CN112070158B (zh) 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法
CN111353544B (zh) 一种基于改进的Mixed Pooling-YOLOV3目标检测方法
CN111626994B (zh) 基于改进U-Net神经网络的设备故障缺陷诊断方法
CN114283120B (zh) 一种基于领域自适应的端到端多源异质遥感影像变化检测方法
CN114724155A (zh) 基于深度卷积神经网络的场景文本检测方法、系统及设备
CN114022408A (zh) 基于多尺度卷积神经网络的遥感图像云检测方法
CN107506792A (zh) 一种半监督的显著对象检测方法
CN113298817A (zh) 一种准确率高的遥感图像语义分割方法
CN113870160A (zh) 一种基于变换器神经网络的点云数据处理方法
CN116740527A (zh) U型网络与自注意力机制结合的遥感图像变化检测方法
CN114511785A (zh) 基于瓶颈注意力模块的遥感图像云检测方法及系统
CN116740362A (zh) 一种基于注意力的轻量化非对称场景语义分割方法及系统
CN115222998B (zh) 一种图像分类方法
CN113192018B (zh) 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法
CN113591614A (zh) 一种基于紧邻空间特征学习的遥感影像道路提取方法
CN113192076A (zh) 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法
CN115909045B (zh) 一种基于对比学习的two-stage滑坡图谱特征智能识别方法
CN117392392B (zh) 一种割胶线识别与生成方法

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