CN110647939A - 一种半监督智能分类方法、装置、存储介质及终端设备 - Google Patents
一种半监督智能分类方法、装置、存储介质及终端设备 Download PDFInfo
- Publication number
- CN110647939A CN110647939A CN201910906337.1A CN201910906337A CN110647939A CN 110647939 A CN110647939 A CN 110647939A CN 201910906337 A CN201910906337 A CN 201910906337A CN 110647939 A CN110647939 A CN 110647939A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- tumor
- algorithm
- semi
- 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.)
- Granted
Links
Images
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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种半监督智能分类方法,包括:从影像数据库中获取肿瘤影像图像并进行预处理;通过多通道图像重现技术对进行预处理后的肿瘤影像图像进行检测,提取肿瘤图像;通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;并采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果;本发明通过引入半监督智能分类学习理论,充分利用标记和非标记的肿瘤数据,提升肿瘤形状识别的效率及精准度,从而尽量降低依赖人工分析病灶影像,使得自动化肿瘤类型分析和鉴别成为可能。
Description
技术领域
本发明涉及医学图像数据领域,尤其涉及一种半监督智能分类方法、装置、存储介质及终端设备。
背景技术
乳腺肿瘤,尤其是恶性肿瘤的征象通常是边缘模糊、毛刺状、分叶状、边界不规则、密度不均匀等形态和纹理多变的特点,极大地增加了诊断的难度,影响诊断结果的准确性。传统基于癌症分类方法通常只考虑全局的形状、纹理特征,不仅对癌症影像的表现形式处理不够精细,也无法得到具有可解释性的分析结果。
发明内容
本发明提供了一种半监督智能分类方法,通过引入半监督智能分类学习理论,充分利用标记和非标记的肿瘤数据,提升肿瘤形状识别的效率及精准度,从而尽量降低依赖人工分析病灶影像,使得自动化肿瘤类型分析和鉴别成为可能。
为了解决上述技术问题,本发明实施例提供了一种半监督智能分类方法,包括:
从影像数据库中获取肿瘤影像图像并进行预处理;
通过多通道图像重现技术对进行预处理后的肿瘤影像图像进行检测,提取肿瘤图像;
通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;
通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;并采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果。
作为优选方案,所述预处理包括对所述肿瘤影像图像进行归一化处理。
作为优选方案,所述通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像,具体包括:
通过SLIC算法对所述肿瘤图像中的空间-时间影像进行分割,得到第一预分割图像;
通过LCCP算法对所述肿瘤图像中的单纯空间影像进行过度分割,得到第二预分割图像。
作为优选方案,所述密度聚类算法包括DBSCAN算法;所述监督学习机制包括CNN深度学习算法或DNN深度学习算法。
本发明实施例还提供了一种半监督智能分类装置,包括:
预处理模块,用于从影像数据库中获取肿瘤影像图像并进行预处理;
图像检测模块,用于通过多通道图像重现技术对进行预处理后的肿瘤影像图像进行检测,提取肿瘤图像;
预分割模块,用于通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;
聚类分析模块,用于通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;并采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果。
作为优选方案,所述预处理包括对所述肿瘤影像图像进行归一化处理。
作为优选方案,所述预分割模块包括:第一预分割单元和第二第一预分割单元;
所述第一预分割单元用于通过SLIC算法对所述肿瘤图像中的空间-时间影像进行分割,得到第一预分割图像;
所述第二预分割单元用于通过LCCP算法对所述肿瘤图像中的单纯空间影像进行过度分割,得到第二预分割图像。
作为优选方案,所述密度聚类算法包括DBSCAN算法;所述监督学习机制包括CNN深度学习算法或DNN深度学习算法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的半监督智能分类方法。
本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上述任一项所述的半监督智能分类方法。
相比于现有技术,本发明实施例具有如下有益效果:
本发明通过引入半监督智能分类学习理论,充分利用标记和非标记的肿瘤数据,提升肿瘤形状识别的效率及精准度,从而尽量降低依赖人工分析病灶影像,使得自动化肿瘤类型分析和鉴别成为可能。
附图说明
图1:为本发明实施例中的半监督智能分类方法步骤流程图;
图2:为本发明实施例中的半监督智能分类装置结构示意图。
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,都属于本发明保护的范围。
请参照图1,本发明优选实施例提供了一种半监督智能分类方法,包括:
S1,从影像数据库中获取肿瘤影像图像并进行预处理;在本实施例中,所述预处理包括对所述肿瘤影像图像进行归一化处理。
S2,通过多通道图像重现技术对进行预处理后的肿瘤影像图像进行检测,提取肿瘤图像;
S3,通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;
超体素分割的策略允许先将医学图像细分为若干图像子区域。我们将研究20-40个纹理和强度的特征,位置相邻且图像强度、纹理等特征相似的像素点组成小区域即超体素。本项目主要使用PCL点云超体素图像分割算法,通过区域生长将具有相似性的像素集合起来构成区域。
S4,通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;并采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果。在本实施例中,所述密度聚类算法包括DBSCAN算法;所述监督学习机制包括CNN深度学习算法或DNN深度学习算法。
为了进一步计算相邻超体素单元之间的联系,降低计算复杂性,使用密度聚类算法,例如DBSCAN,来分析样本分布的紧密程度。显然,同一类别的样本,他们之间联系是紧密的。然后采用监督学习的机制,例如CNN、DNN等深度学习的算法,对于预分割的图像做疾病预测,使用K/N投票表决机制,得到最终更为优化的超像(体)素分类结果,对应于不同种类的癌症病灶。
在另一实施例中,所述步骤S3具体包括:S31,通过SLIC算法对所述肿瘤图像中的空间-时间影像进行分割,得到第一预分割图像;S32,通过LCCP算法对所述肿瘤图像中的单纯空间影像进行过度分割,得到第二预分割图像。
针对三维影像具体内容的不同,采纳两种不同的图像过度分割(over-segmentation)生成超体素的基本方法:简单线性迭代聚类(SLIC)和LCCP(Locally ConvexConnected Patches)。考虑到SLIC算法可以更好地检测图形边界,同时,它具有更快的速度,更高的内存效率,并且能提高分割性能,也可以从超像素直接扩展到超体元生成。我们用该算法来分割空间-时间影像,目的在于挖掘注射对比剂后,不同的肿瘤对比增强影像随时间逐渐变化的图样。对于单纯的空间影像,将采用LCCP过度分割的策略,用以计算肿瘤内部块与块之间凹凸关系。
本技术方案的研究对象:乳腺癌症分为肿块和非肿块型乳腺癌,是乳腺疾病最重要的临床表现,是具有三维结构的占位性病变。乳腺癌症影像具有多变的形状和纹理、样本类别分布不均衡,以及很高的影像数据维数等特点,极大地增加了检测和诊断的难度,影响诊断结果准确性。癌症形状的多变体现在不同类型的病灶上:良性病灶是边缘光滑的圆形或卵圆形;体现分叶征多被认为是乳腺恶性征象之一,边界不清的毛刺征被认为是恶性肿瘤典型象征,以浸润性癌多见。
拟采用的研究方案:实现基于超像/体素空间域影像及空间影像信号聚类基础上的深度分类系统。从全局角度看,乳腺肿瘤的影像表现形式是多形状的综合,表现出不同的边缘,纹理,以及尺寸和位置。为了减少对昂贵的标注数据的依赖,有效利用已有的影像标注数据,我们首先采纳了基于超像素/超体素半监督学习不同类型肿瘤的策略,充分利用数据的类别信息和内部结构信息。不同于传统的监督学习,我们的方法将需要相对少量的标签数据对不同的癌症形状,纹理,边缘类型进行划分。
超像素/超体素分析(superpixel/supervoxel)是将感知上相似的像素集群聚类到多个空间立体区域,使其分割结果在外观达到三维影像空间或空间和时间的一致性。相对于图像,磁共振影像像素更多,通过提取其显著的特征,将其分解成更易处理的集合。这些基于磁共振影像的超像/体素,有着比原始像素更为丰富的信息,把计算从上百万的像素级转变成只有几百个的超体素。这种方式允许大大降低处理对象的规模,减小后续癌症影像处理的复杂度,使得肿瘤影像局部特征的提取更便利,更有利于表达影像的结构信息。
相应地,请参照图2,本发明实施例还提供了一种半监督智能分类装置,包括:
预处理模块,用于从影像数据库中获取肿瘤影像图像并进行预处理;在本实施例中,所述预处理包括对所述肿瘤影像图像进行归一化处理。
图像检测模块,用于通过多通道图像重现技术对进行预处理后的肿瘤影像图像进行检测,提取肿瘤图像;
预分割模块,用于通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;
聚类分析模块,用于通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;并采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果。在本实施例中,所述密度聚类算法包括DBSCAN算法;所述监督学习机制包括CNN深度学习算法或DNN深度学习算法。
在另一实施例中,所述预分割模块包括:第一预分割单元和第二第一预分割单元;所述第一预分割单元用于通过SLIC算法对所述肿瘤图像中的空间-时间影像进行分割,得到第一预分割图像;所述第二预分割单元用于通过LCCP算法对所述肿瘤图像中的单纯空间影像进行过度分割,得到第二预分割图像。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的半监督智能分类方法。
本发明实施例还提供了一种终端设备,所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现上述任一实施例所述的半监督智能分类方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种半监督智能分类方法,其特征在于,包括:
从影像数据库中获取肿瘤影像图像并进行预处理;
通过多通道图像重现技术对进行预处理后的肿瘤影像图像进行检测,提取肿瘤图像;
通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;
通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;并采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果。
2.如权利要求1所述的半监督智能分类方法,其特征在于,所述预处理包括对所述肿瘤影像图像进行归一化处理。
3.如权利要求1所述的半监督智能分类方法,其特征在于,所述通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像,具体包括:
通过SLIC算法对所述肿瘤图像中的空间-时间影像进行分割,得到第一预分割图像;
通过LCCP算法对所述肿瘤图像中的单纯空间影像进行过度分割,得到第二预分割图像。
4.如权利要求1所述的半监督智能分类方法,其特征在于,所述密度聚类算法包括DBSCAN算法;所述监督学习机制包括CNN深度学习算法或DNN深度学习算法。
5.一种半监督智能分类装置,其特征在于,包括:
预处理模块,用于从影像数据库中获取肿瘤影像图像并进行预处理;
图像检测模块,用于通过多通道图像重现技术对进行预处理后的肿瘤影像图像进行检测,提取肿瘤图像;
预分割模块,用于通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;
聚类分析模块,用于通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;并采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果。
6.如权利要求5所述的半监督智能分类装置,其特征在于,所述预处理包括对所述肿瘤影像图像进行归一化处理。
7.如权利要求5所述的半监督智能分类装置,其特征在于,所述预分割模块包括:第一预分割单元和第二第一预分割单元;
所述第一预分割单元用于通过SLIC算法对所述肿瘤图像中的空间-时间影像进行分割,得到第一预分割图像;
所述第二预分割单元用于通过LCCP算法对所述肿瘤图像中的单纯空间影像进行过度分割,得到第二预分割图像。
8.如权利要求5所述的半监督智能分类装置,其特征在于,所述密度聚类算法包括DBSCAN算法;所述监督学习机制包括CNN深度学习算法或DNN深度学习算法。
9.一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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1~4任一项所述的半监督智能分类方法。
10.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1~4任一项所述的半监督智能分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906337.1A CN110647939B (zh) | 2019-09-24 | 2019-09-24 | 一种半监督智能分类方法、装置、存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906337.1A CN110647939B (zh) | 2019-09-24 | 2019-09-24 | 一种半监督智能分类方法、装置、存储介质及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647939A true CN110647939A (zh) | 2020-01-03 |
CN110647939B CN110647939B (zh) | 2022-05-24 |
Family
ID=69011333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910906337.1A Active CN110647939B (zh) | 2019-09-24 | 2019-09-24 | 一种半监督智能分类方法、装置、存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647939B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382374A (zh) * | 2020-11-25 | 2021-02-19 | 华南理工大学 | 一种肿瘤分割装置和分割方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130097103A1 (en) * | 2011-10-14 | 2013-04-18 | International Business Machines Corporation | Techniques for Generating Balanced and Class-Independent Training Data From Unlabeled Data Set |
CN106228183A (zh) * | 2016-07-18 | 2016-12-14 | 北京邮电大学 | 一种半监督学习分类方法与装置 |
CN106296653A (zh) * | 2016-07-25 | 2017-01-04 | 浙江大学 | 基于半监督学习的脑部ct图像出血区域分割方法及系统 |
CN107341812A (zh) * | 2017-07-04 | 2017-11-10 | 太原理工大学 | 一种基于超像素和密度聚类的序列肺结节图像分割方法 |
CN107392925A (zh) * | 2017-08-01 | 2017-11-24 | 西安电子科技大学 | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 |
CN107563422A (zh) * | 2017-08-23 | 2018-01-09 | 西安电子科技大学 | 一种基于半监督卷积神经网络的极化sar分类方法 |
CN109522908A (zh) * | 2018-11-16 | 2019-03-26 | 董静 | 基于区域标签融合的图像显著性检测方法 |
CN109598709A (zh) * | 2018-11-29 | 2019-04-09 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
CN109657697A (zh) * | 2018-11-16 | 2019-04-19 | 中山大学 | 基于半监督学习和细粒度特征学习的分类优化方法 |
CN109753997A (zh) * | 2018-12-19 | 2019-05-14 | 湖南科技大学 | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 |
CN109785334A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
CN109816682A (zh) * | 2019-01-22 | 2019-05-28 | 西南交通大学 | 一种基于凹凸性的腕臂系统分割与参数检测方法 |
CN109859208A (zh) * | 2019-01-03 | 2019-06-07 | 北京化工大学 | 基于凹凸性和rsd特征的场景分割与目标建模方法 |
CN110009015A (zh) * | 2019-03-25 | 2019-07-12 | 西北工业大学 | 基于轻量化网络和半监督聚类的高光谱小样本分类方法 |
-
2019
- 2019-09-24 CN CN201910906337.1A patent/CN110647939B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130097103A1 (en) * | 2011-10-14 | 2013-04-18 | International Business Machines Corporation | Techniques for Generating Balanced and Class-Independent Training Data From Unlabeled Data Set |
CN106228183A (zh) * | 2016-07-18 | 2016-12-14 | 北京邮电大学 | 一种半监督学习分类方法与装置 |
CN106296653A (zh) * | 2016-07-25 | 2017-01-04 | 浙江大学 | 基于半监督学习的脑部ct图像出血区域分割方法及系统 |
CN107341812A (zh) * | 2017-07-04 | 2017-11-10 | 太原理工大学 | 一种基于超像素和密度聚类的序列肺结节图像分割方法 |
CN107392925A (zh) * | 2017-08-01 | 2017-11-24 | 西安电子科技大学 | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 |
CN107563422A (zh) * | 2017-08-23 | 2018-01-09 | 西安电子科技大学 | 一种基于半监督卷积神经网络的极化sar分类方法 |
CN109522908A (zh) * | 2018-11-16 | 2019-03-26 | 董静 | 基于区域标签融合的图像显著性检测方法 |
CN109657697A (zh) * | 2018-11-16 | 2019-04-19 | 中山大学 | 基于半监督学习和细粒度特征学习的分类优化方法 |
CN109598709A (zh) * | 2018-11-29 | 2019-04-09 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
CN109785334A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
CN109753997A (zh) * | 2018-12-19 | 2019-05-14 | 湖南科技大学 | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 |
CN109859208A (zh) * | 2019-01-03 | 2019-06-07 | 北京化工大学 | 基于凹凸性和rsd特征的场景分割与目标建模方法 |
CN109816682A (zh) * | 2019-01-22 | 2019-05-28 | 西南交通大学 | 一种基于凹凸性的腕臂系统分割与参数检测方法 |
CN110009015A (zh) * | 2019-03-25 | 2019-07-12 | 西北工业大学 | 基于轻量化网络和半监督聚类的高光谱小样本分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382374A (zh) * | 2020-11-25 | 2021-02-19 | 华南理工大学 | 一种肿瘤分割装置和分割方法 |
CN112382374B (zh) * | 2020-11-25 | 2024-04-12 | 华南理工大学 | 一种肿瘤分割装置和分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110647939B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
Bali et al. | A review on the strategies and techniques of image segmentation | |
Zaitoun et al. | Survey on image segmentation techniques | |
O'Callaghan et al. | Combined morphological-spectral unsupervised image segmentation | |
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
Ahmad et al. | Endoscopic image classification and retrieval using clustered convolutional features | |
Atupelage et al. | Computational grading of hepatocellular carcinoma using multifractal feature description | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
Gadermayr et al. | CNN cascades for segmenting whole slide images of the kidney | |
Keskin et al. | Image classification of human carcinoma cells using complex wavelet-based covariance descriptors | |
Unni et al. | Tumour detection in double threshold segmented mammograms using optimized GLCM features fed SVM | |
Sravanthi et al. | Brain tumor detection using image processing | |
CN110647939B (zh) | 一种半监督智能分类方法、装置、存储介质及终端设备 | |
Mesquita et al. | Object recognition using saliency guided searching | |
Gani et al. | Copy move forgery detection using DCT, PatchMatch and cellular automata | |
CN110363762B (zh) | 细胞检测方法、装置、智能显微镜系统和可读存储介质 | |
Jian et al. | Tumor detection in MRI brain images based on saliency computational modeling | |
Sengar et al. | Analysis of 2D-gel images for detection of protein spots using a novel non-separable wavelet based method | |
Zhang et al. | Saliency detection via image sparse representation and color features combination | |
Dixit et al. | Adaptive clustering-based approach for forgery detection in images containing similar appearing but authentic objects | |
CN111127407A (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
Cobb et al. | Multi-image texton selection for sonar image seabed co-segmentation | |
Kazmi et al. | A comparison of interest point and region detectors on structured, range and texture images | |
Shariatmadar et al. | Sal-HMAX: An Enhanced HMAX Model in Conjunction with a Visual Attention Mechanism to Improve Object Recognition Task | |
CN113450355A (zh) | 一种基于多膜态ct图像和3dcnn网络提取图像特征的方法 |
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 |