CN111104961A - 基于改进的MobileNet网络对乳腺癌进行分类的方法 - Google Patents
基于改进的MobileNet网络对乳腺癌进行分类的方法 Download PDFInfo
- Publication number
- CN111104961A CN111104961A CN201911054175.XA CN201911054175A CN111104961A CN 111104961 A CN111104961 A CN 111104961A CN 201911054175 A CN201911054175 A CN 201911054175A CN 111104961 A CN111104961 A CN 111104961A
- Authority
- CN
- China
- Prior art keywords
- convolution
- breast cancer
- training
- mobilenet network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 31
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 230000004913 activation Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 8
- 230000003211 malignant effect Effects 0.000 claims description 6
- 210000001519 tissue Anatomy 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 210000005075 mammary gland Anatomy 0.000 claims description 2
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000009607 mammography Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 208000030270 breast disease Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于改进的MobileNet网络对乳腺癌进行分类的方法,包括以下步骤:构建改进的MobileNet网络模型;利用改进后的MobileNet 进行分类:1)将数据样本分为测试集和训练集;2)对数据样本进行预处理;3)将预处理好的训练集,训练已经构建好的MobileNet网络模型;4)将经过步骤3)训练后的网络模型当做测试模型,将测试集中的样本用于测试网络中,最终通过softmax激活函数输出分类结果,该方法能对乳腺癌X线图像进行自动分类、灵敏度高,既可以加快医生的诊断效率,又可以提高医生的诊断准确率。
Description
技术领域
本发明基于改进的MobileNet网络对乳腺癌进行分类的方法,属于乳腺医学图片的自动分类方法技术领域。
背景技术
全球女性疾病中中,乳腺癌(Breast Cancer)是全球女性中常见的恶性肿瘤,严重影响女性的身心健康,甚至威胁生命。从20世纪70年代末开始,全球乳腺癌的发病率一直处于上升趋势,乳腺癌的防治形势愈加严峻。乳腺癌的早期发现、诊断和治疗,是提高疗效的关键,可以大大的减少乳腺癌的死亡率。
乳腺的X线摄影在乳腺影像学检查中是最传统的方法,主要用作乳腺癌的筛查和诊断,也是检查乳腺疾病最基本和首选的方法。在乳腺癌图像中,肿块是一种常见的特征,密度比周围的其他组织高,所以表现在图像中是一块比较亮的区域,但是在乳腺癌早期,肿块较小和周围组织的对比不明显,是医生诊断早期乳腺癌的重点和难点。传统的诊断乳腺癌的方法是通过放射科医生手动描绘可疑的乳腺癌区域,但是这种方法更多的会依赖于医生的临床经验,也很难通过肉眼发现是否存在乳腺癌的早期症状,不仅有很高的误诊率和漏诊率,而且也需要医生花费大量的时间和精力,这对乳腺癌的早期确诊影响很大。
近些年来,随着人工智能技术的不断发展,人工智能被更多的用在医学领域。将人工智能技术应用在计算机辅助诊断中,既可以加快医生的诊断效率,又可以提高医生的诊断准确率,对医生和患者都有很大的帮助。卷积神经网络在图像方面有着很好的效果,本文使用卷积神经网络对乳腺癌X线图像进行自动分类。
发明内容
为克服现有技术的不足,本发明提供了基于改进的MobileNet网络对乳腺癌进行分类的方法,该方法能对乳腺癌X线图像进行自动分类、灵敏度高。
本发明通过以下技术方案实现:
基于改进的MobileNet网络对乳腺癌进行分类的方法,包括以下步骤:
步骤一、构建改进的MobileNet网络;
步骤二、利用改进后的MobileNet 进行分类:
1)将公共数据库DDSM数据样本划分为训练集和测试集,训练集数据样本量大于测试集;
2)分别对训练集和测试集的数据样本进行预处理;
3)使用预处理好的训练集,训练已经构建好的MobileNet网络模型;
4)使用测试集的数据样本对经过步骤3)训练后的MobileNet网络模型进行测试,最终通过softmax激活函数输出分类结果。如果最终的输出结果为0,则该样本图片为良性,如果最终的输出结果为1,则该样本图片为恶性。
优选的,将所述公共数据库DDSM数据样本中良恶性图片等比例划分,划分比例为:70-90%的数据样本用作训练集,10-30%的数据样本用作测试集。优选80%的数据样本用作训练集,20%的数据样本用作测试集。
优选的,所述对数据样本进行预处理的方法为:训练集的数据样本的预处理方法为图像分割和数据增强;测试集的数据样本的预处理方法为图像分割。
优选的,所述图像分割方法是指:按照适于训练的图像块尺寸作为标准,对原始乳腺X线图片进行裁剪,裁剪为适于训练的图像块,所述图像块中包含被标记出来的异常组织区域。
原始乳腺X线图片像素一般为5000×2000,尺寸较大,优选的,所述适于训练的图像块尺寸为像素为224×224的图像块。所以将乳腺X线照片裁剪为尺寸较小的适于训练的像素224×224的图像块。
优选的,所述数据增强方法包括:翻转、旋转、缩放、裁剪和平移。
本方案中使用旋转和翻转的来进行数据增强,我们把提取出来的特征图像块分别旋转90°、180°、270°,每个旋转后的图像块都进行垂直翻转,从而得到八个不同的图像块,旋转过后的图像块能提供各个方向的特征以增强训练数据的分类准确性。
优选的,所述改进的MobileNet网络包括:
1)深度可分离卷积:
深度可分离卷积层将传统的卷积分解为深度卷积和点乘点卷积,深度卷积将输入图片分为三组,对每一组分别执行3×3卷积,这相当于收集了每个通道的空间特征;点乘点卷积对输入图片执行1×1卷积,这相当于收集了每个点的特征;深度可分离卷积结合点乘点卷积的最终输出和普通卷积过程一样;
2)激活函数:
输出层用softmax激活函数:
式中,z定义输出层输入的向量,j为输出层的固定神经元,即待计算的神经元,K为神经元的个数;
除输出层外的其余所有卷积层都使用ReLU激活函数:
式中,x为函数在x轴上的值;
3)残差模型;
4)网络结构:
使用MobileNet的深度可分离卷积层结合残差结构,构建改进的MobileNet网络模型。
与现有技术相比,本发明具有如下有益效果:
MobileNet属于轻量级网络,占用内存小且计算速度快,本发明在MobileNet的基础上进行改进,进一步提高了网络的准确率。
相关研究表明,由于医生的主观经验和视疲劳等原因的限制,医生在乳腺癌诊断方面的准确率大约为80%左右,而人工智能的识别率能够达到90%以上,本发明使用卷积神经网络对乳腺癌X线图像进行自动分类,既可以加快医生的诊断效率,又可以提高医生的诊断准确率,对医生和患者都有很大的帮助。
附图说明
图1为传统卷积和本发明深度可分离卷积的结构对比图;图中,1为传统卷积结构图,2为深度可分离卷积结构图;
图2为本发明普通卷积、深度卷积和点乘点卷积示意图;
图3为本发明ReLU激活函数曲线图;
图4为本发明残差模型示意图;
图5为本发明改进后的MobileNet网络模型的整体结构图;
图6为本发明方法进行分类的具体流程图。
具体实施方式
下面结合具体实施例对本发明做进一步的详细说明,但是本发明的保护范围并不限于这些实施例,凡是不背离本发明构思的改变或等同替代均包括在本发明的保护范围之内。
基于改进的MobileNet网络对乳腺癌进行分类的方法,包括以下步骤:
步骤一、构建改进的MobileNet网络;
步骤二、利用改进后的MobileNet 进行分类:
1)将公共数据库DDSM数据样本分为80%和20%,80%的数据样本用作训练集,20%的数据样本用作测试集;
2)对数据样本进行预处理;
3)将处理好的80%的样本图像设为训练集,训练已经构建好的MobileNet网络模型;
4)使用剩余20%的数据样本对经过步骤3)训练后的网络模型进行测试,最终通过softmax激活函数输出分类结果。如果最终的输出结果为0,则该样本图片为良性,如果最终的输出结果为1,则该样本图片为恶性。
1、对图像预处理方法的说明:
(1)图像分割
原始的图像尺寸较大,为了处理整个图像,需要耗费大量的计算工作和时间,将乳腺X线照片中被标记出来的异常组织的感兴趣部分(ROI:region of interest)提取为易于训练尺寸较小的图像块。
(2)数据增强
数据增强一般用于生成更大的数据集,以防止过拟合发生的可能性,可以通过增加更多的特征信息来提高分类的性能。
深度学习需要运用大量的参数,而使得这些参数可以正确工作则需要大量的数据来进行训练,而实际情况中数据并没有我们想象中的那么多,我们一般使用数据增强的方式来增加数据集。
常用的数据增强技术有以下几种:翻转、旋转、缩放、裁剪和平移,本方案中使用旋转和翻转的来进行数据增强,我们把提取出来的特征图像分别旋转90°、180°、270°,每个旋转后的图像快都进行垂直翻转,从而得到八个不同的图像块,旋转过后的图像块能提供各个方向的特征以增强训练数据的分类准确性。
2、改进的MobileNet网络结构包括:
1)深度可分离卷积:
深度可分离卷积层将传统的卷积分解为深度卷积和点乘点卷积,通过深度可分离卷积可以进一步减少计算量,深度可分离卷的是传统卷积计算量的1/9,图1是传统卷积(左)和深度可分离卷积(右)的结构对比图。深度卷积结合点乘点的卷积方式代替传统卷积不仅在理论上会更高效,而且由于大量使用点乘点卷积,可以直接使用高度优化的矩阵相乘来完成,并且点乘点卷积不需要预处理操作,可以大大提升运算效率。
深度可分离卷积将输入图片分为三组,对每一组分别执行3×3卷积,这相当于收集了每个通道的空间特征;点乘点卷积对输入图片执行1×1卷积,这相当于收集了每个点的特征;深度可分离卷积结合点乘点卷积的最终输出和普通卷积过程一样。图2为普通卷积(上)、深度卷积(中)和点乘点卷积(下)示意图。
(2)激活函数
在神经网络中给定一组输入,神经元的激活函数定义了一组输出,本发明所提出的改进MobileNet在输出层选用softmax激活函数,其中 z 定义输出层输入的向量。输出层用softmax激活函数表示为:
式中,z定义输出层输入的向量,j为输出层的固定神经元,即待计算的神经元,K为神经元的个数;
除输出层外的其余所有卷积层都使用ReLU激活函数:
式中,x为函数在x轴上的值;
所述ReLU激活函数,具体形式如图3所示。
(3)残差模型
在卷积神经网络中,层数越深意味着可以提取到更多有效地特征,但是传统的神经网络随着层数加深,训练集的准确率会出现下降的趋势。因为单纯地加深网络可能会出现梯度消失或者梯度爆炸地问题。虽然初始正则化和中间层正则化能在一定程度上解决梯度消失或者梯度爆炸的问题,但是出现学习效率退化的问题。残差模型的提出能够有效地解决以上问题。具体的残差结构如图4所示。
(4)网络结构
使用MobileNet的深度可分离卷积层结合残差结构,构建改进的MobileNet网络模型。
输入层一般不算在网络的层数里,输入层图片像素为224×224,第1层使用步长为2的卷积层代替池化层的下采样功能,第2-3层是上文提到深度可分离卷积层,第4-19加入四个残差结构,第20-21层是深度可分离卷积层,之后第22层为平均池化层,第23层为全连接层构成的输出层,如果最终的输出结果为0,则该样本图片为良性,如果最终的输出结果为1,则该样本图片为恶性。
表1是改进后MobileNet的整体框架
表1
注:其中conv表示卷积层,DW表示深度可分离卷积层,bootleneck表示残差模型,avepool表示平均池化层,FC表示全连接层。
3、利用改进后的MobileNet 进行分类
具体步骤:
(1)将得到的样本数据分为80%和20%,分别用作训练集合测试集;
(2)样本预处理,包括图像分割,排除图像块中含有黑色背景的部分;
(3)将处理好的样本图像中的80%设为训练集,用于训练已经搭建好的网络模型中;
(4)将训练好的网络模型当作测试模型,将剩下的20%样本用于测试网络中,最终通过softmax函数输出分类结果,如果最终的输出结果为0,则该样本图片为良性,如果最终的输出结果为1,则该样本图片为恶性。
本发明不会限制于本文所示的实施例,而是要符合与本文所公开的原理和新颖性特点相一致的最宽范围。
Claims (7)
1.基于改进的MobileNet网络对乳腺癌进行分类的方法,其特征在于,包括以下步骤:
步骤一、构建改进的MobileNet网络;
步骤二、利用改进后的MobileNet 进行分类:
1)将公共数据库DDSM数据样本划分为训练集和测试集,训练集数据样本量大于测试集;
2)分别对训练集和测试集的数据样本进行预处理;
3)使用预处理好的训练集,训练已经构建好的MobileNet网络模型;
4)使用测试集的数据样本对经过步骤3)训练后的MobileNet网络模型进行测试,最终通过softmax激活函数输出分类结果。
2.根据权利要求1所述的基于改进的MobileNet网络对乳腺癌进行分类的方法,其特征在于,将所述公共数据库DDSM数据样本中良恶性图片等比例划分,划分比例为:70-90%的数据样本用作训练集,10-30%的数据样本用作测试集。
3.根据权利要求1所述的基于改进的MobileNet网络对乳腺癌进行分类的方法,其特征在于,所述对数据样本进行预处理的方法为:训练集的数据样本的预处理方法为图像分割和数据增强;测试集的数据样本的预处理方法为图像分割。
4.根据权利要求3所述的基于改进的MobileNet网络对乳腺癌进行分类的方法,其特征在于,所述图像分割方法是指:按照适于训练的图像块尺寸作为标准,对原始乳腺X线图片进行裁剪,裁剪为适于训练的图像块,所述图像块中包含被标记出来的异常组织区域。
5.根据权利要求3所述的基于改进的MobileNet网络对乳腺癌进行分类的方法,其特征在于,所述适于训练的图像块尺寸为像素为224×224的图像块。
6.根据权利要求3所述的基于改进的MobileNet网络对乳腺癌进行分类的方法,其特征在于,所述数据增强方法包括:翻转、旋转、缩放、裁剪和平移。
7.根据权利要求1所述的基于改进的MobileNet网络对乳腺癌进行分类的方法,其特征在于,所述改进的MobileNet网络包括:
1)深度可分离卷积:
深度可分离卷积将传统的卷积分解为深度卷积和点乘点卷积,深度卷积将输入图片分为三组,对每一组分别执行3×3卷积,收集每个通道的空间特征;点乘点卷积对输入图片执行1×1卷积,收集每个点的特征;
2)激活函数:
输出层用softmax激活函数表示:
式中,z定义输出层输入的向量,j为输出层的固定神经元,即待计算的神经元,K为神经元的个数;
除输出层外的其余所有卷积层都使用ReLU激活函数:
式中,x为函数在x轴上的值;
3)残差模型;
4)网络结构:
使用MobileNet的深度可分离卷积结合残差结构,构建改进的MobileNet网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054175.XA CN111104961A (zh) | 2019-10-31 | 2019-10-31 | 基于改进的MobileNet网络对乳腺癌进行分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054175.XA CN111104961A (zh) | 2019-10-31 | 2019-10-31 | 基于改进的MobileNet网络对乳腺癌进行分类的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111104961A true CN111104961A (zh) | 2020-05-05 |
Family
ID=70420455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911054175.XA Pending CN111104961A (zh) | 2019-10-31 | 2019-10-31 | 基于改进的MobileNet网络对乳腺癌进行分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111104961A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709477A (zh) * | 2020-06-16 | 2020-09-25 | 浪潮集团有限公司 | 一种基于改进MobileNet网络进行垃圾分类的方法及工具 |
CN111751371A (zh) * | 2020-06-24 | 2020-10-09 | 武汉中纪生物科技有限公司 | 一种免疫组化数字玻片阅片系统及方法 |
CN112883992A (zh) * | 2020-12-11 | 2021-06-01 | 太原理工大学 | 基于注意力的ResNet模型的乳腺癌肿块的分类方法 |
CN113255794A (zh) * | 2021-06-01 | 2021-08-13 | 闽南师范大学 | 一种基于GoogLeNet网络的医学图像分类方法 |
CN114037930A (zh) * | 2021-10-18 | 2022-02-11 | 苏州大学 | 基于时空增强网络的视频动作识别方法 |
CN114821176A (zh) * | 2022-04-28 | 2022-07-29 | 浙江大学 | 一种儿童脑部mr图像病毒性脑炎分类系统 |
CN116310483A (zh) * | 2022-12-06 | 2023-06-23 | 河北玖嘉医药科技有限公司 | 基于MobileNetV2网络的肺癌病理识别分类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108806792A (zh) * | 2017-05-03 | 2018-11-13 | 金波 | 深度学习面诊系统 |
CN108898112A (zh) * | 2018-07-03 | 2018-11-27 | 东北大学 | 一种近红外人脸活体检测方法及系统 |
CN109214406A (zh) * | 2018-05-16 | 2019-01-15 | 长沙理工大学 | 基于D-MobileNet神经网络图像分类方法 |
US20190220704A1 (en) * | 2018-01-15 | 2019-07-18 | Illumina, Inc. | Deep Learning-Based Variant Classifier |
CN110147794A (zh) * | 2019-05-21 | 2019-08-20 | 东北大学 | 一种基于深度学习的无人车室外场景实时分割方法 |
CN110263819A (zh) * | 2019-05-28 | 2019-09-20 | 中国农业大学 | 一种用于贝类图像的目标检测方法及装置 |
US20190311479A1 (en) * | 2018-04-10 | 2019-10-10 | Sun Yat-Sen University Cancer Center | Method and device for identifying pathological picture |
-
2019
- 2019-10-31 CN CN201911054175.XA patent/CN111104961A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108806792A (zh) * | 2017-05-03 | 2018-11-13 | 金波 | 深度学习面诊系统 |
US20190220704A1 (en) * | 2018-01-15 | 2019-07-18 | Illumina, Inc. | Deep Learning-Based Variant Classifier |
US20190311479A1 (en) * | 2018-04-10 | 2019-10-10 | Sun Yat-Sen University Cancer Center | Method and device for identifying pathological picture |
CN109214406A (zh) * | 2018-05-16 | 2019-01-15 | 长沙理工大学 | 基于D-MobileNet神经网络图像分类方法 |
CN108898112A (zh) * | 2018-07-03 | 2018-11-27 | 东北大学 | 一种近红外人脸活体检测方法及系统 |
CN110147794A (zh) * | 2019-05-21 | 2019-08-20 | 东北大学 | 一种基于深度学习的无人车室外场景实时分割方法 |
CN110263819A (zh) * | 2019-05-28 | 2019-09-20 | 中国农业大学 | 一种用于贝类图像的目标检测方法及装置 |
Non-Patent Citations (5)
Title |
---|
孔英会等: "复杂背景下基于MobileNets的花卉识别与模型剪枝", 《科学技术与工程》 * |
孔英会等: "复杂背景下基于MobileNets的花卉识别与模型剪枝", 《科学技术与工程》, no. 19, 8 July 2018 (2018-07-08), pages 89 - 93 * |
胡貌男: "基于深度学习的图像分类方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, no. 2019, 15 September 2019 (2019-09-15), pages 138 - 715 * |
陈鹏飞: "面向手写汉字识别的残差深度可分离卷积算法", 《软件导刊》 * |
陈鹏飞: "面向手写汉字识别的残差深度可分离卷积算法", 《软件导刊》, vol. 17, no. 10, 15 November 2018 (2018-11-15), pages 68 - 76 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709477A (zh) * | 2020-06-16 | 2020-09-25 | 浪潮集团有限公司 | 一种基于改进MobileNet网络进行垃圾分类的方法及工具 |
CN111751371A (zh) * | 2020-06-24 | 2020-10-09 | 武汉中纪生物科技有限公司 | 一种免疫组化数字玻片阅片系统及方法 |
CN111751371B (zh) * | 2020-06-24 | 2021-01-08 | 武汉中纪生物科技有限公司 | 一种免疫组化数字玻片阅片系统及方法 |
CN112883992A (zh) * | 2020-12-11 | 2021-06-01 | 太原理工大学 | 基于注意力的ResNet模型的乳腺癌肿块的分类方法 |
CN113255794A (zh) * | 2021-06-01 | 2021-08-13 | 闽南师范大学 | 一种基于GoogLeNet网络的医学图像分类方法 |
CN114037930A (zh) * | 2021-10-18 | 2022-02-11 | 苏州大学 | 基于时空增强网络的视频动作识别方法 |
CN114821176A (zh) * | 2022-04-28 | 2022-07-29 | 浙江大学 | 一种儿童脑部mr图像病毒性脑炎分类系统 |
CN114821176B (zh) * | 2022-04-28 | 2022-11-01 | 浙江大学 | 一种儿童脑部mr图像病毒性脑炎分类系统 |
CN116310483A (zh) * | 2022-12-06 | 2023-06-23 | 河北玖嘉医药科技有限公司 | 基于MobileNetV2网络的肺癌病理识别分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104961A (zh) | 基于改进的MobileNet网络对乳腺癌进行分类的方法 | |
El-Shafai et al. | Efficient Deep-Learning-Based Autoencoder Denoising Approach for Medical Image Diagnosis. | |
Chan et al. | Texture-map-based branch-collaborative network for oral cancer detection | |
Yu et al. | A systematic survey of deep learning in breast cancer | |
US20170249739A1 (en) | Computer analysis of mammograms | |
Lei et al. | Automated detection of retinopathy of prematurity by deep attention network | |
CN114398979A (zh) | 一种基于特征解耦的超声图像甲状腺结节分类方法 | |
Yu et al. | Intelligent diagnosis algorithm for thyroid nodules based on deep learning and statistical features | |
Shi et al. | Automatic detection of pulmonary nodules in CT images based on 3D Res-I network | |
CN114066883A (zh) | 一种基于特征选择与残差融合的肝肿瘤分割方法 | |
Chen et al. | Dual-path and multi-scale enhanced attention network for retinal diseases classification using ultra-wide-field images | |
Ning et al. | Multiscale context-cascaded ensemble framework (MsC 2 EF): application to breast histopathological image | |
Pavithra et al. | An Overview of Convolutional Neural Network Architecture and Its Variants in Medical Diagnostics of Cancer and Covid-19 | |
Iqbal et al. | Ldmres-Net: a lightweight neural network for efficient medical image segmentation on iot and edge devices | |
CN112508943A (zh) | 基于超声影像的乳腺肿瘤识别方法 | |
Iqbal et al. | LDMRes-Net: Enabling real-time disease monitoring through efficient image segmentation | |
Merati et al. | A New Triplet Convolutional Neural Network for Classification of Lesions on Mammograms. | |
Azam et al. | Efficient-Net ASPP Deep Network for Malignant Ultrasound Breast Cancer Segmentation | |
CN116091449A (zh) | 一种基于无监督异构蒸馏框架的视网膜oct图像病变分类方法 | |
Xiao et al. | Csablock-based cascade rcnn for breast mass detection in mammogram | |
Song et al. | Deep Representation for the Classification of Ultrasound Breast Tumors. | |
Cao et al. | EFAG-CNN: Effectively fused attention guided convolutional neural network for WCE image classification | |
Jayandhi et al. | Mammogram image classification system using deep learning for breast cancer diagnosis | |
Bhardwaj et al. | Detection And Classification of Lung Cancer CT Images Using Mask R-CNN Based Generated Mask Method | |
Yin et al. | Hybrid regional feature cutting network for thyroid ultrasound images classification |
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 |
Application publication date: 20200505 |
|
RJ01 | Rejection of invention patent application after publication |