CN111062928A - 一种医学ct图像中病变的识别方法 - Google Patents

一种医学ct图像中病变的识别方法 Download PDF

Info

Publication number
CN111062928A
CN111062928A CN201911320457.XA CN201911320457A CN111062928A CN 111062928 A CN111062928 A CN 111062928A CN 201911320457 A CN201911320457 A CN 201911320457A CN 111062928 A CN111062928 A CN 111062928A
Authority
CN
China
Prior art keywords
matrix
medical
image
diagonal
lesion
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.)
Withdrawn
Application number
CN201911320457.XA
Other languages
English (en)
Inventor
不公告发明人
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.)
Anhui Weiaoman Robot Co ltd
Original Assignee
Anhui Weiaoman Robot Co ltd
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 Anhui Weiaoman Robot Co ltd filed Critical Anhui Weiaoman Robot Co ltd
Priority to CN201911320457.XA priority Critical patent/CN111062928A/zh
Publication of CN111062928A publication Critical patent/CN111062928A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Image Analysis (AREA)

Abstract

本发明涉及一种医学CT图像中病变的识别方法，包括以下步骤：1)采集、分割图像、提取特征、初始化；2)随机生成隐藏层映射函数的输入权重向量与输入偏置；3)生成隐藏层输出函数；4)生成隐藏层输出矩阵；5)构造超图拉普拉斯矩阵；6)训练预测模型；7)使用训练完成的预测模型识别医学CT图像中的病变。该发明具有以下优点：1)仅仅需要专家为医疗影像进行少量的标注；2)能够充分利用数据分布与先验连接信息，以实现少量数据下的高准确性分类；3)模型训练高效，无需借助大量昂贵的高速计算机；4)能够一定程度上提升分类精度的下界。

Description

一种医学CT图像中病变的识别方法
技术领域
本发明属于医学技术领域，特别是涉及一种医学CT图像中病变的识别方法。
背景技术
近年来，随着深度学习的发展，人工智能越来越成熟，AI+是利用人工智能技术以及互联网平台，让人工智能与传统行业、新型行业进行深度融合，创造新的发展生态。如今AI+已经成为一种趋势，而在所有领域当中，医疗是被认为可以最早开始现实应用的领域。
医学CT图像是用以发现病变的主要手段之一，因此其智能识别方法也受到了广泛的关注。在专利《病变识别模型的训练方法、验证方法和病变图像识别装置/CN201710584595.3》中，公开了一种病变识别模型的训练方法，包括：利用获取的病变图像样本对Faster RCNN网络进行训练，得到病变识别模型。还相应提供了基于该病变识别模型的病变图像识别装置和病变识别模型的验证方法。该发明提供的病变识别模型的训练方法，基于深度学习理念设计，在使用该模型进行病变识别时，可以较为准确地判断病灶的位置和类型。专利《基于深度学习和数据融合的肺结节分级判定方法和系统/CN201710340309.9》公开了一种基于深度学习和数据融合的肺结节分级判定方法和系统，该发明采用深度学习中的卷积神经网络模型，并结合多源数据整合技术，通过验证与测试得出专门针对CT肺结节进行分级判定的方法，且判定过程全面且可靠，有效提高了判定结果的准确性，进而能够有效地辅助医生进行疾病诊断工作。类似的技术可见于CN201611042753.4、WOUS16025266、US15225597、WOUS17024071专利。这些技术的共同特点是采用了深度学习模型，需要大量的运算资源与有标注样本，因此存在一定的局限性。
发明内容
本发明克服现有技术的不足，提出一种医学CT图像中病变的识别方法，其过程如下：
步骤1、采集大量医学CT图像，对于每张图像，采用一种或几种固定大小的窗口对其进行随机分割，以得到一系列子图
Figure BDA0002327003510000011
对
Figure BDA0002327003510000012
进行特征提取得到
Figure BDA0002327003510000013
的特征向量集合，即样本集合
Figure BDA0002327003510000014
对
Figure BDA0002327003510000015
进行标记，得到对应的类别标签
Figure BDA0002327003510000016
其中，xk，
Figure BDA0002327003510000017
为d维列向量，
Figure BDA0002327003510000021
为No维向量，No为病变类型的数量加1，因此类别集合为y＝{1，2，...，No+1}，如果样本xi的类别为y中的第c类，则yi的第c个元素为1，其余为0；l为有标签样本数量、n为所有样本数量，u＝n-l为无标签样本数量，
Figure BDA00023270035100000213
表示实数域；
初始化：人工设定以下参数：平滑系数λ1＞0，风险系数λ2＞0，损失系数C0＞0，隐藏层节点数N＞0，风险阈值
Figure BDA0002327003510000022
步骤2、随机生成隐藏层映射函数的输入权重向量
Figure BDA0002327003510000023
与输入偏置
Figure BDA0002327003510000024
如下：
随机生成N个w，得到w1，...，wN；随机生成N个b，得到b1，...，bN；
步骤3、生成隐藏层输出函数：
h(x)＝[G(w1，b1，x)，...，G(WN，bN，x)]T
其中，G(w，b，x)为激活函数，x表示样本，上标T表示矩阵的转置；
步骤4、生成隐藏层输出矩阵：
H＝[h(x1)，...，h(xn)]T
步骤5、构造超图拉普拉斯矩阵：
Figure BDA0002327003510000025
其中，Dv为顶点度的对角矩阵，De为超边度的对角矩阵，Q为边权的对角矩阵，P为事件矩阵，I为单位阵；这些矩阵的计算方式如下：
定义V为顶点集合，v∈V表示一个顶点，E为V子集的一个族且满足Ue∈Ee＝V，e为超边，每个超边e的权值表示为q(e)，每个顶点v的度定义为d(v)＝∑e∈E|v∈Eq(e)，每个超边e的度定义为δ(e)＝|e|；用一个|V|×|E|矩阵表示事件矩阵P，如果v∈e，则P的第v行第e列元素p(v，e)＝1，否则p(v，e)＝0，d(v)＝∑e∈Eq(e)p(v，e)，δ(e)＝∑v∈Vp(v，e)，d(v)为Dv对角线上的第v个元素，δ(e)为De对角线上的第e个元素，q(e)为Q的对角线上的第e个元素；
步骤6、训练预测模型：
步骤601：令
Figure BDA0002327003510000026
为n×n的对角阵，其前l个对角元素为0，后u个对角元素为sl+1，...，sn，令sl+1，...，sn＝0；
步骤602：得到预测模型如下：
Figure BDA0002327003510000027
其中，In为n维单位阵，C为n×n的对角阵，其前l个对角元素为
Figure BDA0002327003510000028
后u个对角元素为0，
Figure BDA0002327003510000029
其中C0为人工定义的参数，Nyi为类别yi在有标注样本中的样本数量，
Figure BDA00023270035100000210
的
Figure BDA00023270035100000211
为u×No的零矩阵，
Figure BDA00023270035100000212
Figure BDA0002327003510000031
步骤603：令
Figure BDA0002327003510000032
将所有
Figure BDA0002327003510000033
输入到f(x)与g(x)中，得到
Figure BDA0002327003510000034
与
Figure BDA0002327003510000035
如果
Figure BDA0002327003510000036
则sj＝1，否则sj＝0；
步骤604：计算
Figure BDA0002327003510000037
如果
Figure BDA0002327003510000038
则跳至步骤7，否则跳至步骤602；
步骤7：将新的医学CT图像按照一种或几种固定大小的窗口对其进行随机分割，得到一系列子图，提取特征后得到每个子图的特征向量x并带入模型f(x)进行预测。
其中，所涉及的激活函数G(w，b，x)为：
Figure BDA0002327003510000039
或：
Figure BDA00023270035100000310
其中，医学CT图像子图的特征提取方法采用自动编码器、或视觉词典。
其中，所述自动编码器包括至少一个卷积层和一个池化层。
该发明具有以下优点：1)仅仅需要专家为医疗影像进行少量的标注；2)能够充分利用数据分布与先验连接信息，以实现少量数据下的高准确性分类；3)模型训练高效，无需借助大量昂贵的高速计算机；4)能够一定程度上提升分类精度的下界。
附图说明
图1为本发明方法流程图；
图2为本发明图像分割示意图；
具体实施方式
下面结合实例对本发明作进一步描述，但本发明的保护范围并不限于此。
如图1所示，本发明包括以下步骤：
步骤1、采集大量医学CT图像，对于每张图像，采用一种或几种固定大小的窗口对其进行随机分割，以得到一系列子图
Figure BDA00023270035100000311
对
Figure BDA00023270035100000312
进行特征提取得到
Figure BDA00023270035100000313
的特征向量集合，即样本集合
Figure BDA00023270035100000314
对
Figure BDA00023270035100000315
进行标记，得到对应的类别标签
Figure BDA00023270035100000316
其中，xk，
Figure BDA00023270035100000317
为d维列向量，
Figure BDA00023270035100000318
为No维向量，No为病变类型的数量加1，因此类别集合为y＝{1，2，...，No+1}，如果样本xi的类别为y中的第c类，则yi的第c个元素为1，其余为0；l为有标签样本数量、n为所有样本数量，u＝n-l为无标签样本数量，
Figure BDA0002327003510000041
表示实数域；
初始化：人工设定以下参数：平滑系数λ1＞0，风险系数λ2＞0，损失系数C0＞0，隐藏层节点数N＞0，风险阈值
Figure BDA00023270035100000414
步骤2、随机生成隐藏层映射函数的输入权重向量
Figure BDA00023270035100000415
与输入偏置
Figure BDA00023270035100000416
如下：
随机生成N个w，得到w1，...，wN；随机生成N个b，得到b1，...，bN；
步骤3、生成隐藏层输出函数：
h(x)＝[G(w1，b1，x)，...，G(WN，bN，x)]T
其中，G(w，b，x)为激活函数，x表示样本，上标T表示矩阵的转置；
步骤4、生成隐藏层输出矩阵：
H＝[h(x1)，...，h(xn)]T
步骤5、构造超图拉普拉斯矩阵：
Figure BDA0002327003510000042
其中，Dv为顶点度的对角矩阵，De为超边度的对角矩阵，Q为边权的对角矩阵，P为事件矩阵，I为单位阵；这些矩阵的计算方式如下：
定义V为顶点集合，v∈V表示一个顶点，E为V子集的一个族且满足Ue∈Ee＝V，e为超边，每个超边e的权值表示为q(e)，每个顶点v的度定义为d(v)＝∑e∈E|v∈Eq(e)，每个超边e的度定义为δ(e)＝|e|；用一个|V|×|E|矩阵表示事件矩阵P，如果v∈e，则P的第v行第e列元素p(v，e)＝1，否则p(v，e)＝0，d(v)＝∑e∈Eq(e)p(v，e)，δ(e)＝∑v∈Vp(v，e)，d(v)为Dv对角线上的第v个元素，δ(e)为De对角线上的第e个元素，q(e)为Q的对角线上的第e个元素；
步骤6、训练预测模型：
步骤601：令
Figure BDA0002327003510000043
为n×n的对角阵，其前l个对角元素为0，后u个对角元素为sl+1，...，sn，令sl+1，...，sn＝0；
步骤602：得到预测模型如下：
Figure BDA0002327003510000044
其中，In为n维单位阵，C为n×n的对角阵，其前l个对角元素为
Figure BDA0002327003510000045
后u个对角元素为0，
Figure BDA0002327003510000046
其中C0为人工定义的参数，
Figure BDA00023270035100000417
为类别yi在有标注样本中的样本数量，
Figure BDA0002327003510000047
的
Figure BDA0002327003510000048
为u×No的零矩阵，
Figure BDA0002327003510000049
Figure BDA00023270035100000410
步骤603：令
Figure BDA00023270035100000411
将所有
Figure BDA00023270035100000412
输入到f(x)与g(x)中，得到
Figure BDA00023270035100000413
与
Figure BDA0002327003510000051
如果
Figure BDA0002327003510000052
则sj＝1，否则sj＝0；
步骤604：计算
Figure BDA0002327003510000053
如果
Figure BDA0002327003510000054
则跳至步骤7，否则跳至步骤602；
步骤7：将新的医学CT图像按照一种或几种固定大小的窗口对其进行随机分割，得到一系列子图，提取特征后得到每个子图的特征向量x并带入模型f(x)进行预测。
优选地，所涉及的激活函数G(w，b，x)为：
Figure BDA0002327003510000055
优选地，所涉及的激活函数G(w，b，x)为：
Figure BDA0002327003510000056
优选地，医学CT图像子图的特征提取方法采用自动编码器。
优选地，医学CT图像子图的特征提取方法采用视觉词典。
优选地，所述自动编码器包括至少一个卷积层和一个池化层。
图2展示了从原图中分割出子图的方式，首先我们先确定窗口的尺寸，然后将随机选择窗口的左上角点的位置，进而从原图中分割出一张张子图。
在构造超图时，超图的一个顶点对应到一个样本，某个样本x与距离x最近的K个样本共同构成一个超边。
对于采集到的医学影像，一般需要做一些图像预处理工作，对待识别的所述医学CT图像进行转正、缩放、滤波、分辨率调整处理。
No为病变类型的数量加1是因为：对于每个子图，要求将其分类到规定的病变类型或者无病变。
以下是一组推荐的初始化方式：
平滑系数λ1＝0.1，风险系数λ2＝0.01，损失系数C0＝0.3，隐藏层节点数N＝40，风险阈值
Figure BDA0002327003510000057
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (6)

1.一种医学CT图像中病变的识别方法，其特征在于，包括以下步骤：
步骤1、采集大量医学CT图像，对于每张图像，采用一种或几种固定大小的窗口对其进行随机分割，以得到一系列子图
Figure FDA0002327003500000011
对
Figure FDA0002327003500000012
进行特征提取得到
Figure FDA0002327003500000013
的特征向量集合，即样本集合
Figure FDA0002327003500000014
对
Figure FDA0002327003500000015
进行标记，得到对应的类别标签
Figure FDA0002327003500000016
其中，
Figure FDA0002327003500000017
为d维列向量，
Figure FDA0002327003500000018
为No维向量，No为病变类型的数量加1，因此类别集合为
Figure FDA0002327003500000019
如果样本xi的类别为
Figure FDA00023270035000000110
中的第c类，则yi的第c个元素为1，其余为0；l为有标签样本数量、n为所有样本数量，u＝n-l为无标签样本数量，
Figure FDA00023270035000000111
表示实数域；
初始化：人工设定以下参数：平滑系数λ1>0，风险系数λ2>0，损失系数C0>0，隐藏层节点数N>0，风险阈值
Figure FDA00023270035000000112
步骤2、随机生成隐藏层映射函数的输入权重向量
Figure FDA00023270035000000113
与输入偏置
Figure FDA00023270035000000114
如下：
随机生成N个w，得到w1,...,wN；随机生成N个b，得到b1,...,bN；
步骤3、生成隐藏层输出函数：
h(x)＝[G(w1,b1,x),…,G(WN,bN,x)]T
其中，G(w,b,x)为激活函数，x表示样本，上标T表示矩阵的转置；
步骤4、生成隐藏层输出矩阵：
H＝[h(x1),…,h(xn)]T
步骤5、构造超图拉普拉斯矩阵：
Figure FDA00023270035000000115
其中，Dv为顶点度的对角矩阵，De为超边度的对角矩阵，Q为边权的对角矩阵，P为事件矩阵，I为单位阵；这些矩阵的计算方式如下：
定义V为顶点集合，v∈V表示一个顶点，E为V子集的一个族且满足∪e∈Ee＝V，e为超边，每个超边e的权值表示为q(e)，每个顶点v的度定义为d(v)＝∑e∈E|v∈Eq(e),每个超边e的度定义为δ(e)＝|e|；用一个|V|×|E|矩阵表示事件矩阵P，如果v∈e，则P的第v行第e列元素p(v,e)＝1，否则p(v,e)＝0，d(v)＝∑e∈Eq(e)p(v,e)，δ(e)＝∑v∈Vp(v,e)，d(v)为Dv对角线上的第v个元素，δ(e)为De对角线上的第e个元素，q(e)为Q的对角线上的第e个元素；
步骤6、训练预测模型：
步骤601：令
Figure FDA00023270035000000116
为n×n的对角阵，其前l个对角元素为0，后u个对角元素为sl+1,…,sn，令sl+1,…,sn＝0；
步骤602：得到预测模型如下：
Figure FDA0002327003500000021
其中，In为n维单位阵，C为n×n的对角阵，其前l个对角元素为
Figure FDA0002327003500000022
后u个对角元素为0，
Figure FDA0002327003500000023
其中C0为人工定义的参数，
Figure FDA0002327003500000024
为类别yi在有标注样本中的样本数量，
Figure FDA0002327003500000025
的
Figure FDA0002327003500000026
为u×No的零矩阵，
Figure FDA0002327003500000027
Figure FDA0002327003500000028
步骤603：令
Figure FDA0002327003500000029
将所有
Figure FDA00023270035000000210
输入到f(x)与g(x)中，得到
Figure FDA00023270035000000211
与
Figure FDA00023270035000000212
如果
Figure FDA00023270035000000213
则sj＝1，否则sj＝0；
步骤604：计算
Figure FDA00023270035000000214
如果
Figure FDA00023270035000000215
则跳至步骤7，否则跳至步骤602；
步骤7：将新的医学CT图像按照一种或几种固定大小的窗口对其进行随机分割，得到一系列子图，提取特征后得到每个子图的特征向量x并带入模型f(x)进行预测。
2.如权利要求1所述的一种医学CT图像中病变的识别方法，其特征在于，所涉及的激活函数G(w,b,x)为：
Figure FDA00023270035000000216
3.如权利要求1所述的一种医学CT图像中病变的识别方法，其特征在于，所涉及的激活函数G(w,b,x)为：
Figure FDA00023270035000000217
4.如权利要求1、2、3所述的任意一种医学CT图像中病变的识别方法，其特征在于，
医学CT图像子图的特征提取方法采用自动编码器。
5.如权利要求1、2、3所述的任意一种医学CT图像中病变的识别方法，其特征在于，
医学CT图像子图的特征提取方法采用视觉词典。
6.如权利要求4所述的任意一种医学CT图像中病变的识别方法，其特征在于，
所述自动编码器包括至少一个卷积层和一个池化层。
CN201911320457.XA 2019-12-19 2019-12-19 一种医学ct图像中病变的识别方法 Withdrawn CN111062928A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911320457.XA CN111062928A (zh) 2019-12-19 2019-12-19 一种医学ct图像中病变的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911320457.XA CN111062928A (zh) 2019-12-19 2019-12-19 一种医学ct图像中病变的识别方法

Publications (1)

Publication Number Publication Date
CN111062928A true CN111062928A (zh) 2020-04-24

Family

ID=70302457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911320457.XA Withdrawn CN111062928A (zh) 2019-12-19 2019-12-19 一种医学ct图像中病变的识别方法

Country Status (1)

Country Link
CN (1) CN111062928A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001222A (zh) * 2020-07-01 2020-11-27 安徽新知数媒信息科技有限公司 一种基于半监督学习的学生表情预测方法
CN112365433A (zh) * 2020-10-30 2021-02-12 沈阳东软智能医疗科技研究院有限公司 Ct图像处理方法、装置、存储介质及电子设备
CN112668501A (zh) * 2020-12-30 2021-04-16 杭州趣链科技有限公司 基于区块链激励的自动编码器特征提取方法与装置
CN113129267A (zh) * 2021-03-22 2021-07-16 杭州电子科技大学 一种基于视网膜分层数据的oct图像检测方法及系统
CN113837635A (zh) * 2021-09-29 2021-12-24 支付宝(杭州)信息技术有限公司 风险检测处理方法、装置及设备
CN115506783A (zh) * 2021-06-21 2022-12-23 中国石油化工股份有限公司 一种岩性识别方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001222A (zh) * 2020-07-01 2020-11-27 安徽新知数媒信息科技有限公司 一种基于半监督学习的学生表情预测方法
CN112001222B (zh) * 2020-07-01 2023-11-24 安徽新知数字科技有限公司 一种基于半监督学习的学生表情预测方法
CN112365433A (zh) * 2020-10-30 2021-02-12 沈阳东软智能医疗科技研究院有限公司 Ct图像处理方法、装置、存储介质及电子设备
CN112365433B (zh) * 2020-10-30 2024-01-30 沈阳东软智能医疗科技研究院有限公司 Ct图像处理方法、装置、存储介质及电子设备
CN112668501A (zh) * 2020-12-30 2021-04-16 杭州趣链科技有限公司 基于区块链激励的自动编码器特征提取方法与装置
CN113129267A (zh) * 2021-03-22 2021-07-16 杭州电子科技大学 一种基于视网膜分层数据的oct图像检测方法及系统
CN115506783A (zh) * 2021-06-21 2022-12-23 中国石油化工股份有限公司 一种岩性识别方法
CN113837635A (zh) * 2021-09-29 2021-12-24 支付宝(杭州)信息技术有限公司 风险检测处理方法、装置及设备

Similar Documents

Publication Publication Date Title
CN111062928A (zh) 一种医学ct图像中病变的识别方法
CN111476292B (zh) 医学图像分类处理人工智能的小样本元学习训练方法
CN107977671B (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN108428229B (zh) 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法
US8452108B2 (en) Systems and methods for image recognition using graph-based pattern matching
CN107657279B (zh) 一种基于少量样本的遥感目标检测方法
Sclaroff et al. Deformable shape detection and description via model-based region grouping
WO2018107760A1 (zh) 一种用于行人检测的协同式深度网络模型方法
CN108520226B (zh) 一种基于躯体分解和显著性检测的行人重识别方法
CN109002834B (zh) 基于多模态表征的细粒度图像分类方法
CN110033007B (zh) 基于深度姿态预估和多特征融合的行人衣着属性识别方法
CN106529499A (zh) 基于傅里叶描述子和步态能量图融合特征的步态识别方法
Pan et al. Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks
WO2020164278A1 (zh) 一种图像处理方法、装置、电子设备和可读存储介质
CN106485253B (zh) 一种最大粒度结构描述符的行人再辨识方法
CN110543906B (zh) 基于Mask R-CNN模型的肤质自动识别方法
CN108230330B (zh) 一种快速的高速公路路面分割和摄像机定位的方法
CN110598030A (zh) 一种基于局部cnn框架的甲骨拓片分类方法
CN114999637B (zh) 多角度编码与嵌入式互学习的病理图像诊断方法与系统
CN115880704A (zh) 一种病例的自动编目方法、系统、设备及存储介质
CN116525075A (zh) 基于少样本学习的甲状腺结节计算机辅助诊断方法及系统
CN111639562A (zh) 一种手掌感兴趣区域的智能定位方法
CN106778579B (zh) 一种基于累计属性的头部姿态估计方法
CN110363240B (zh) 一种医学影像分类方法与系统
CN108985294B (zh) 一种轮胎模具图片的定位方法、装置、设备及存储介质

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200424

WW01 Invention patent application withdrawn after publication