CN111242906A - 一种支持向量数据描述的胸部影像异常检测方法 - Google Patents
一种支持向量数据描述的胸部影像异常检测方法 Download PDFInfo
- Publication number
- CN111242906A CN111242906A CN202010011696.3A CN202010011696A CN111242906A CN 111242906 A CN111242906 A CN 111242906A CN 202010011696 A CN202010011696 A CN 202010011696A CN 111242906 A CN111242906 A CN 111242906A
- Authority
- CN
- China
- Prior art keywords
- training
- layer
- data
- support vector
- convolution
- 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
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
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种支持向量数据描述的胸部影像异常检测方法。本发明方法包括训练阶段和测试阶段。在训练阶段,构建并训练深度稀疏变分自编码器,获得训练数据集的隐藏层特征的均值,然后在稀疏变分自编码器基础上构建并训练深度支持向量数据描述网络,将均值作为超球体中心;在测试阶段,将测试数据集输入到训练好的深度支持向量数据描述网络中,计算得到异常分数和对应的ROC曲线并以此得到最佳阈值,当异常分数小于等于阈值则判为正常,否则判为异常。本发明方法采用了变分稀疏自编码器来进行特征学习,通过深度支持向量数据描述网络分离特征数据,具有较高的特征提取能力和较高的检测准确性。
Description
技术领域
本发明属于医疗影像处理技术领域,具体涉及一种支持向量数据描述的胸部影像异常检测方法。
背景技术
伴随着社会的进步,医疗行业有了极大的发展,人们对于医疗的需求也越来越大。然而,目前影像科医生的培养周期长速度慢,跟不上医疗需求的发展速度,因此现在的医学影像自动化判断至关重要。医疗影像的异常检测,如骨骼X光片的异常检测,胸部CT影像的异常检测,肿瘤CT影像的异常检测,腹部彩超影像的异常检测等具有重要的临床应用价值。异常检测模型可以用于降低影像科医生的工作量,提高诊断的效率,通过检测到的异常达到一个预诊断的效果,帮助临床医生给出更好的诊断方向和建议。
传统的计算机辅助诊断通过手工提取的Haar-like和HoG特征以及使用灰度共生矩阵计算得到纹理特征等并结合SVM分类器判断是否存在异常。但是,由于传统方法往往只能提取初级特征,随着样本数量的增大以及样本多样性增强,传统的方法存在表示能力有限、学习能力不强等问题。随着计算机技术的发展,目前提出了基于深度卷积神经网络的分类模型,通过传入标记后的数据进行有监督地学习,并根据学习到的特征进行分类判断。但是这个方法也存在一定不足:胸部影像数据集属于异常数据和正常数据在数量上差别很大的不平衡数据集,因此传统的有监督学习对数据的特征提取能力不够,会丢失一部分特征信息,进而影响识别的准确率。因此,如何在数据集中获得表征能力强,泛化性能好,识别率高的异常检测模型是一个关键问题。
发明内容
本发明的目的就是针对现有胸部CT影像异常检测算法中存在的问题,提供一种支持向量数据描述的胸部影像异常检测方法,能够自动地提取图像深层次抽象特征,提高特征识别能力,以提高对异常数据的检测率。
本发明方法包括训练阶段和测试阶段。
训练阶段具体方法是:
步骤(1).获取训练数据集;训练数据集由正常胸部影像数据构成,对训练数据集进行尺度规范化,并进行灰度归一化处理,将数据灰度值缩小到0到1。
步骤(2).构建和训练深度稀疏变分自编码器。
深度稀疏变分自编码器包括编码网络和解码网络;编码网络对输入数据进行特征提取,并重采样形成新特征;解码网络对编码网络生成的新特征进行解码,解码网络输出的数据和编码网络输入的数据相同。
编码网络依次由卷积模块层、全连接层、采样层模块和隐藏层构成。
卷积模块层由三个卷积模块构成,每个卷积模块依次为多个大小是3×3的卷积核,池化层为核大小是2×2的最大池化层,池化层后接激活层。第一卷积模块卷积核数量为32,第二卷积模块卷积核数量为64,第三卷积模块卷积核数量为128。所有卷积核滑动步长为2,零边缘填充为1,激活层均使用Relu函数作为激活函数。
卷积模块层后连接一个全连接层,全连接层输入维数为2048,输出维数为1024。
隐藏层用于生成隐变量z,采用两个辅助噪声参数ε和η对采样模块层输出进行重新采样得到z:z=(ε⊙σ+μ)⊙(Sigmoid(apex×(η-1+γ)));其中,用于从平板分布中采样;用于尖峰概率γ的采样;apex表示峰值,为10~100的整数,⊙表示矢量之间的对位相乘,函数运算Sigmoid(k)=1/(1+e-k)。
解码网络依次由四个反卷积层和一个激活层构成。
第一反卷积层包含128个大小是3×3的卷积核,第二反卷积层包含64个大小是3×3的卷积核,第三反卷积层包含32个大小是3×3的卷积核,该三个反卷积层卷积核滑动步长均为4;第四反卷积层包含1个大小是3×3的卷积核,卷积核滑动步长为1。
激活层函数使用Sigmoid函数,用于复原输入数据。
使用钉板分布作为先验模拟zi所在空间的稀疏性。钉板分布定义在两个变量上:二元尖峰变量和连续平板变量。连续平板变量为高斯分布。尖峰变量取值为1或0,分别具有定义的概率α和1-α。训练的目标函数如下:
为输入图像数据;为Xi的编码网络的输出隐变量;α为zi中每一维非零的概率;J为zi所在空间的维度,J=1024;L为样本的数量,σ[j]、μ[j]、γ[j]为矢量的第j个元素。训练优化器采用Adam优化器,采用自适应下降的学习率在训练数据集上训练迭代N_1次后结束,批大小为B_1,600≤N_1≤1200,10≤B_1≤20。
步骤(3).构建和训练深度支持向量数据描述网络。
在深度稀疏变分自编码器的基础上构建深度支持向量数据描述网络。深度支持向量数据描述网络由步骤(2)训练得到的编码网络和全连接层组成。将训练数据输入到深度支持向量数据描述网络,以训练阶段结束时得到的均值c作为超球体中心,该模型训练的目标函数为全连接层输出特征到超球体中心的欧氏距离。训练优化器采用Adam优化器,采用自适应下降的学习率在训练数据集上训练迭代M_1次结束,批大小为B_2,80≤M_1≤120,
10≤B_2≤20。
测试阶段具体方法是:
步骤(Ⅱ).将测试数据XTi输入到训练好的深度支持向量数据描述网络中,得到输出zti,由异常分数计算公式计算得到对应的异常分数sti,以及对应的ROC曲线(Receiver Operating Characteristic),sti=||zti-c||2。将ROC曲线上距离坐标图左上方的点(0,1)处最近的点对应的异常分数作为最佳阈值th:若sti≤th,判定为正常;若sti>th,判定为异常。
本发明含有一种高效实用的自编码方法,在特征提取方面,采用了变分稀疏自编码器来进行特征学习,为了增加特征的稀疏性,采用了钉板分布作为先验来模拟潜在空间的稀疏性,得到稀疏特征可以更好地学到输入数据内在的结构和特征,具有较高的特征提取能力和较强的鲁棒性,同时具有较高的检测准确性。本发明使用超球体来分离数据,通过最小化所有数据到中心的平均距离,惩罚所有数据点,将数据点紧密的映射到超球体的中心,进而达到更快的训练速度和效果。
具体实施方式
下面结合实例对本发明加以详细说明。需要特别提醒注意的是,在以下的描述中,当已知的功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
一种支持向量数据描述的胸部影像异常检测方法,该方法包括训练阶段和测试阶段。
训练阶段具体方法是:
步骤(1).获取训练数据集。训练数据集由正常胸部影像数据构成,对训练数据集进行尺度规范化,并进行灰度归一化处理,将数据灰度值从0到255等比例缩小到0到1。
步骤(2).构建和训练深度稀疏变分自编码器。
深度稀疏变分自编码器包括编码网络和解码网络;编码网络对输入数据进行特征提取,并重采样形成新特征;解码网络对编码网络生成的新特征进行解码,解码网络输出的数据和编码网络输入的数据相同。
编码网络依次由卷积模块层、全连接层、采样层模块和隐藏层构成。
卷积模块层由三个卷积模块构成,每个卷积模块依次为多个大小是3×3的卷积核,池化层为核大小是2×2的最大池化层,池化层后接激活层。第一卷积模块卷积核数量为32,第二卷积模块卷积核数量为64,第三卷积模块卷积核数量为128。所有卷积核滑动步长为2,零边缘填充为1,激活层均使用Relu函数作为激活函数。
卷积模块层后连接一个全连接层,全连接层输入维数为2048,输出维数为1024。
隐藏层用于生成隐变量z,采用两个辅助噪声参数ε和η对采样模块层输出进行重新采样得到z:z=(ε⊙σ+μ)⊙(Sigmoid(apex×(η-1+γ)));其中,用于从平板分布中采样;用于尖峰概率γ的采样;apex表示峰值,为10~100的整数,⊙表示矢量之间的对位相乘,函数运算Sigmoid(k)=1/(1+e-k)。
解码网络依次由四个反卷积层和一个激活层构成。
第一反卷积层包含128个大小是3×3的卷积核,第二反卷积层包含64个大小是3×3的卷积核,第三反卷积层包含32个大小是3×3的卷积核,该三个反卷积层卷积核滑动步长均为4;第四反卷积层包含1个大小是3×3的卷积核,卷积核滑动步长为1。
激活层函数使用Sigmoid函数,用于复原输入数据。
使用钉板分布作为先验模拟zi所在空间的稀疏性。钉板分布是一个具有稀疏性的离散混合模型。钉板分布定义在两个变量上:二元尖峰变量和连续平板变量。连续平板变量为高斯分布。尖峰变量取值为1或0,分别具有定义的概率α和1-α。训练的目标函数如下: 为输入图像数据;为Xi的编码网络的输出隐变量;α为zi中每一维非零的概率;J为zi所在空间的维度,J=1024;L为样本的数量,σ[j]、μ[j]、γ[j]为矢量的第j个元素。训练优化器采用Adam优化器,采用自适应下降的学习率在训练数据集上训练迭代N_1次后结束,批大小为B_1,600≤N_1≤1200,10≤B_1≤20。本实施例采用自适应下降的学习率训练迭代1000次后结束,批大小采用20。
步骤(3).构建和训练深度支持向量数据描述网络。
在深度稀疏变分自编码器的基础上构建深度支持向量数据描述网络。深度支持向量数据描述网络由步骤(2)训练得到的编码网络和全连接层组成。将训练数据输入到深度支持向量数据描述网络,以训练阶段结束时得到的均值c作为超球体中心,该模型训练的目标函数为全连接层输出特征到超球体中心的欧氏距离。训练优化器采用Adam优化器,采用自适应下降的学习率在训练数据集上训练迭代M_1次结束,批大小为B_2,80≤M_1≤120,10≤B_2≤20。本实施例采用自适应下降的学习率训练迭代100次结束,批大小采用20。
测试阶段具体方法是:
Claims (4)
1.一种支持向量数据描述的胸部影像异常检测方法,包括训练阶段和测试阶段,其特征在于:
所述的训练阶段具体方法是:
步骤(1).获取训练数据集;
所述的训练数据集由正常胸部影像数据构成,对训练数据集进行尺度规范化,并进行灰度归一化处理,将数据灰度值缩小到0到1;
步骤(2).构建和训练深度稀疏变分自编码器;
所述的深度稀疏变分自编码器包括编码网络和解码网络;编码网络对输入数据进行特征提取,并重采样形成新特征;解码网络对编码网络生成的新特征进行解码,解码网络输出的数据和编码网络输入的数据相同;
所述的编码网络依次由卷积模块层、全连接层、采样层模块和隐藏层构成;
卷积模块层由三个卷积模块构成,每个卷积模块依次为多个大小是3×3的卷积核,池化层为核大小是2×2的最大池化层,池化层后接激活层;第一卷积模块卷积核数量为32,第二卷积模块卷积核数量为64,第三卷积模块卷积核数量为128;所有卷积核滑动步长为2,零边缘填充为1,激活层均使用Relu函数作为激活函数;
卷积模块层后连接一个全连接层,全连接层输入维数为2048,输出维数为1024;
隐藏层用于生成隐变量z,采用两个辅助噪声参数ε和η对采样模块层输出进行重新采样得到z:z=(ε⊙σ+μ)⊙(Sigmoid(apex×(η-1+γ)));其中,用于从平板分布中采样;用于尖峰概率γ的采样;apex表示峰值,为10~100的整数,⊙表示矢量之间的对位相乘;
解码网络依次由四个反卷积层和一个激活层构成;
第一反卷积层包含128个大小是3×3的卷积核,第二反卷积层包含64个大小是3×3的卷积核,第三反卷积层包含32个大小是3×3的卷积核,该三个反卷积层卷积核滑动步长均为4;第四反卷积层包含1个大小是3×3的卷积核,卷积核滑动步长为1;
激活层函数使用Sigmoid函数,用于复原输入数据;
使用钉板分布作为先验模拟zi所在空间的稀疏性,钉板分布定义在两个变量上:二元尖峰变量和连续平板变量;连续平板变量为高斯分布;尖峰变量取值为1或0,分别具有定义的概率α和1-α;训练的目标函数如下:
为输入图像数据;为Xi的编码网络的输出隐变量;α为zi中每一维非零的概率;J为zi所在空间的维度,J=1024;L为样本的数量,σ[j]、μ[j]、γ[j]为矢量的第j个元素;训练优化器采用Adam优化器,采用自适应下降的学习率在训练数据集上训练迭代N_1次后结束,批大小为B_1;
步骤(3).构建和训练深度支持向量数据描述网络;
在深度稀疏变分自编码器的基础上构建深度支持向量数据描述网络;深度支持向量数据描述网络由步骤(2)训练得到的编码网络和全连接层组成;将训练数据输入到深度支持向量数据描述网络,以训练阶段结束时得到的均值c作为超球体中心,该模型训练的目标函数为全连接层输出特征到超球体中心的欧氏距离;训练优化器采用Adam优化器,采用自适应下降的学习率在训练数据集上训练迭代M_1次结束,批大小为B_2;
测试阶段具体方法是:
2.如权利要求1所述的一种支持向量数据描述的胸部影像异常检测方法,其特征在于:所述的函数Sigmoid(k)=1/(1+e-k)。
3.如权利要求1所述的一种支持向量数据描述的胸部影像异常检测方法,其特征在于:600≤N_1≤1200,10≤B_1≤20。
4.如权利要求1所述的一种支持向量数据描述的胸部影像异常检测方法,其特征在于:80≤M_1≤120,10≤B_2≤20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010011696.3A CN111242906B (zh) | 2020-01-06 | 2020-01-06 | 一种支持向量数据描述的胸部影像异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010011696.3A CN111242906B (zh) | 2020-01-06 | 2020-01-06 | 一种支持向量数据描述的胸部影像异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242906A true CN111242906A (zh) | 2020-06-05 |
CN111242906B CN111242906B (zh) | 2022-03-18 |
Family
ID=70879859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010011696.3A Active CN111242906B (zh) | 2020-01-06 | 2020-01-06 | 一种支持向量数据描述的胸部影像异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242906B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784732A (zh) * | 2020-06-28 | 2020-10-16 | 深圳大学 | 训练心脏运动场估计模型、心脏运动场估计的方法及系统 |
CN112541898A (zh) * | 2020-12-14 | 2021-03-23 | 北京医准智能科技有限公司 | 一种基于自编码器的乳腺x线影像异常检测方法 |
CN112767331A (zh) * | 2021-01-08 | 2021-05-07 | 北京航空航天大学 | 基于零样本学习的图像异常检测方法 |
CN112967251A (zh) * | 2021-03-03 | 2021-06-15 | 网易(杭州)网络有限公司 | 图片检测方法、图片检测模型的训练方法及装置 |
CN113033490A (zh) * | 2021-04-23 | 2021-06-25 | 山东省计算中心(国家超级计算济南中心) | 基于声音信号的工业设备通用故障检测方法及系统 |
CN113222926A (zh) * | 2021-05-06 | 2021-08-06 | 西安电子科技大学 | 基于深度支持向量数据描述模型的拉链异常检测方法 |
CN113658119A (zh) * | 2021-08-02 | 2021-11-16 | 上海影谱科技有限公司 | 一种基于vae的人脑损伤检测方法及装置 |
CN116959742A (zh) * | 2023-08-16 | 2023-10-27 | 迈德医疗科技(深圳)有限公司 | 一种基于球坐标核主成分分析的血糖数据处理方法及系统 |
CN117332351A (zh) * | 2023-10-09 | 2024-01-02 | 浙江大学 | 基于无监督深度学习模型dcvae-svdd的结构异常诊断方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180144466A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image acquisition |
CN109690554A (zh) * | 2016-07-21 | 2019-04-26 | 西门子保健有限责任公司 | 用于基于人工智能的医学图像分割的方法和系统 |
-
2020
- 2020-01-06 CN CN202010011696.3A patent/CN111242906B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109690554A (zh) * | 2016-07-21 | 2019-04-26 | 西门子保健有限责任公司 | 用于基于人工智能的医学图像分割的方法和系统 |
US20180144466A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image acquisition |
Non-Patent Citations (2)
Title |
---|
ABDALBASSIR ABOU-ELAILAH等: "Fusion of global and local side information using Support Vector Machine in transform-domain DVC", 《IEEE》 * |
杨州等: "基于多尺度特征融合的遥感图像场景分类", 《光学精密工程》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784732B (zh) * | 2020-06-28 | 2023-07-28 | 深圳大学 | 训练心脏运动场估计模型、心脏运动场估计的方法及系统 |
CN111784732A (zh) * | 2020-06-28 | 2020-10-16 | 深圳大学 | 训练心脏运动场估计模型、心脏运动场估计的方法及系统 |
CN112541898A (zh) * | 2020-12-14 | 2021-03-23 | 北京医准智能科技有限公司 | 一种基于自编码器的乳腺x线影像异常检测方法 |
CN112767331A (zh) * | 2021-01-08 | 2021-05-07 | 北京航空航天大学 | 基于零样本学习的图像异常检测方法 |
CN112967251A (zh) * | 2021-03-03 | 2021-06-15 | 网易(杭州)网络有限公司 | 图片检测方法、图片检测模型的训练方法及装置 |
CN112967251B (zh) * | 2021-03-03 | 2024-06-04 | 网易(杭州)网络有限公司 | 图片检测方法、图片检测模型的训练方法及装置 |
CN113033490B (zh) * | 2021-04-23 | 2023-09-19 | 山东省计算中心(国家超级计算济南中心) | 基于声音信号的工业设备通用故障检测方法及系统 |
CN113033490A (zh) * | 2021-04-23 | 2021-06-25 | 山东省计算中心(国家超级计算济南中心) | 基于声音信号的工业设备通用故障检测方法及系统 |
CN113222926B (zh) * | 2021-05-06 | 2023-04-18 | 西安电子科技大学 | 基于深度支持向量数据描述模型的拉链异常检测方法 |
CN113222926A (zh) * | 2021-05-06 | 2021-08-06 | 西安电子科技大学 | 基于深度支持向量数据描述模型的拉链异常检测方法 |
CN113658119A (zh) * | 2021-08-02 | 2021-11-16 | 上海影谱科技有限公司 | 一种基于vae的人脑损伤检测方法及装置 |
CN116959742A (zh) * | 2023-08-16 | 2023-10-27 | 迈德医疗科技(深圳)有限公司 | 一种基于球坐标核主成分分析的血糖数据处理方法及系统 |
CN116959742B (zh) * | 2023-08-16 | 2024-05-14 | 迈德医疗科技(深圳)有限公司 | 一种基于球坐标核主成分分析的血糖数据处理方法及系统 |
CN117332351A (zh) * | 2023-10-09 | 2024-01-02 | 浙江大学 | 基于无监督深度学习模型dcvae-svdd的结构异常诊断方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111242906B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242906B (zh) | 一种支持向量数据描述的胸部影像异常检测方法 | |
Wang et al. | Chestnet: A deep neural network for classification of thoracic diseases on chest radiography | |
CN108171232B (zh) | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 | |
CN110533683B (zh) | 一种融合传统特征与深度特征的影像组学分析方法 | |
CN115049603B (zh) | 一种基于小样本学习的肠息肉分割方法及系统 | |
Jia et al. | Benign and malignant lung nodule classification based on deep learning feature | |
CN109711442B (zh) | 无监督逐层生成对抗特征表示学习方法 | |
Kollias et al. | Domain Adaptation Explainability & Fairness in AI for Medical Image Analysis: Diagnosis of COVID-19 based on 3-D Chest CT-scans | |
Riesaputri et al. | Classification of breast cancer using PNN classifier based on GLCM feature extraction and GMM segmentation | |
Bose et al. | Detection of microcalcification in mammograms using soft computing techniques | |
CN114998615A (zh) | 一种基于深度学习的协同显著性检测方法 | |
CN114565786A (zh) | 基于通道注意力机制的断层扫描图像分类装置和方法 | |
Yu et al. | Convolutional neural network design for breast cancer medical image classification | |
Yuan et al. | Bearing Fault Diagnosis Based on Improved Locality‐Constrained Linear Coding and Adaptive PSO‐Optimized SVM | |
Cheriguene et al. | New computer aided diagnosis system for glaucoma disease based on twin support vector machine | |
Ellis et al. | Impact of hybrid supervision approaches on the performance of artificial intelligence for the classification of chest radiographs | |
CN116543250A (zh) | 一种基于类注意力传输的模型压缩方法 | |
CN107563287B (zh) | 人脸识别方法和装置 | |
Liu et al. | Semi-supervised Macromolecule Structural Classification in Cellular Electron Cryo-Tomograms using 3D Autoencoding Classifier. | |
Zhang et al. | An automatic detection model of pulmonary nodules based on deep belief network | |
Setiawan | Effect of Chest X-Ray Contrast Image Enhancement on Pneumonia Detection using Convolutional Neural Networks | |
Zhang et al. | Mammogram classification method based on GMM and GLCM-PSO-PNN | |
CN116452910B (zh) | 基于图神经网络的scRNA-seq数据特征表示和细胞类型识别方法 | |
Kumar et al. | Classification of Microcalcification in Digital Mammogram using Stochastic Neighbor Embedding and KNN Classifier | |
Cheng et al. | Image segmentation using histogram fitting and spatial information |
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 |