CN111274903A - 一种基于图卷积神经网络的宫颈细胞图像分类方法 - Google Patents
一种基于图卷积神经网络的宫颈细胞图像分类方法 Download PDFInfo
- Publication number
- CN111274903A CN111274903A CN202010044739.8A CN202010044739A CN111274903A CN 111274903 A CN111274903 A CN 111274903A CN 202010044739 A CN202010044739 A CN 202010044739A CN 111274903 A CN111274903 A CN 111274903A
- Authority
- CN
- China
- Prior art keywords
- neural network
- graph
- sample
- node
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图卷积神经网络的宫颈细胞图像分类方法。首先准备宫颈细胞图像作为训练样本,之后获取样本的1024维特征表示,并构建样本特征关系图,然后搭建基于图卷积网络的深度网络,并将样本与样本特征关系图送入该深度网络模型中进行训练,迭代到一定次数后停止训练保存网络权重参数。使用时将目标图像分割出带有细胞核的待预测区域,之后加载训练得到的权重参数及网络结构,将待预测区域输入其中计算即可得到分类结果。这种方法提高了宫颈细胞诊断的精确度及效率,优化了病理医生的诊断流程,减轻了医生的工作负担。
Description
技术领域
本发明涉及数字图像处理技术领域,特别涉及数字图像分类技术,尤其涉及一种基于图卷积神经网络的宫颈细胞图像分类的方法。
背景技术
宫颈细胞分类在宫颈癌的初期筛查过程中有着至关重要的临床应用价值。一张宫颈细胞涂片通常包含数以万计的宫颈细胞,其筛查过程为病理医生带来极大负担,阅片疲劳现象时有发生。因此,需要一种数字化的宫颈细胞分类方法,辅助病理医生进行宫颈细胞的分类,减轻病理医生的阅片负担,提高病理医生的诊断精度。
图卷积神经网络(Graph Convolutional Networks,GCN)是一种能够对存在于非欧式空间内数据(如图结构)进行卷积操作的网络结构。其能够有效地在卷积过程中结合节点特征信息与节点结构信息,学习到对节点更加有效的特征表示。使用图卷积神经网络,能够对数据的潜在结构特征进行更有效的学习,提高宫颈细胞分类的精度。
发明内容
本发明目的就是为了弥补已有技术的缺陷,提供一种基于图卷积神经网络的宫颈细胞图像分类的方法。
本发明是通过以下技术方案实现的:
一种基于图卷积神经网络的宫颈细胞图像分类方法,包括以下步骤:
(1)准备训练样本:将由医生标注的宫颈细胞图像分类得到七类样本,所述七类样本包括正常表层细胞、正常中底层细胞、粒细胞、腺细胞(子宫颈管细胞)、非典型鳞状细胞、挖空细胞、高核浆比细胞;
(2)得到训练样本的1024维特征表示:去掉预训练的稠密卷积神经网络的最后一个全连接层得到特征提取器,将每一个训练样本输入所述特征提取器,得到训练样本的1024维的特征向量,以此作为该样本的特征表示;
(3)构建样本特征关系图:将训练样本的每一类作为关系图的一个节点,求得每类样本特征的均值作为该节点的特征,之后计算七个节点特征间的余弦距离,对于每个节点,选取距离最近的5个节点作为其邻接节点,并定义每个节点与自己邻接,由此构造邻接矩阵;
(4)搭建基于图卷积神经网络的深度网络:包括以下子步骤:将所述样本特征关系图输入到图卷积神经网络,经过图卷积操作,得到图卷积神经网络的输出特征,之后在该输出特征的每一维度上取最大值,得到一个7维的特征,同时将带有标注信息的三通道的所述宫颈细胞图像输入到所述去掉最后一层全连接层的预训练稠密卷积神经网络后得到1024维特征向量,最后将所述7维特征拼接在1024维特征后,形成1031维特征表示,经过线性变换输入到Softmax分类器得到一个7维向量;
(5)构建宫颈细胞图像分类器;包括下列子步骤:
将所述多类训练样本以及步骤(3)得到的样本特征关系图输入步骤(4)搭建好的所述基于图卷积神经网络的深度网络进行训练,通过反向传播算法不断优化交叉熵损失函数,调整所述基于图卷积神经网络的深度网络的参数,得到能够识别所述七类样本的分类器;所述交叉熵损失函数如下:
其中,p(xi)表示样本xi的真实类别,q(xi)表示样本xi的预测类别,n为样本总数;
(6)预测目标图像中的宫颈细胞的类别:从目标图像中分割出带有细胞核的图像区域,加载步骤(5)得到的优化后的基于图卷积神经网络的深度网络的网络结构与权重参数,将所述图像区域与步骤(3)得到的样本特征关系图输入所述深度网络计算,得到分类结果。
步骤(4)所述的图卷积神经网络由图卷积层组成,在图上每个节点的邻接节点特征上进行卷积,将节点特征和图的潜在结构信息结合,从而得到对节点信息的特征表示;一个多层的图卷积网络通过以下方式来更新节点特征:
步骤(4)中的线性变换以如下方式将特征从1031维映射到7维:
z=yW+b(z∈R7) (3)
其中W∈R1031×7是权重,b是偏置。y为最后一层图卷积网络的输出与预训练稠密卷积神经网络输出拼接得到的1031维特征。
所述Softmax分类器使用Softmax函数将一个含任意实数的K维向量z压缩到另一个K维实向量σ(z)中,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1;
该函数的形式按下面的式子给出:
其中e为自然常数,zj即为向量z的第j个元素,向量σ(z)的每个值表示就这个样本属于每个类的概率;带有标注信息的三通道宫颈细胞图像以及步骤(3)中构建的样本特征关系图输入到网络后经过一系列卷积操作和线性映射后,经过Softmax分类器输出类别。
步骤(5)中,所述反向传播算法为BP算法。
本发明的优点是:本发明使用图卷积神经网络结构,结合大量标注宫颈细胞图像数据,构建了一个能够对七类宫颈细胞图像进行分类的分类模型。利用本发明方法对宫颈细胞图像进行分类,提高了病理医生诊断效率与精度,同时本发明方法分类精度高,适合在工程实践当中应用,具有广阔的应用价值与市场前景。
附图说明
图1为本发明的工作流程图。
图2为本发明的宫颈细胞图像训练样本。
具体实施方式
如图1所示,步骤1:准备训练样本;将由医生标注的宫颈细胞图像分类得到七类样本,所述七类样本包括正常表层细胞、正常中底层细胞、粒细胞、腺细胞(子宫颈管细胞)、非典型鳞状细胞、挖空细胞、高核浆比细胞;如图2所示;
步骤2:得到训练样本的1024维特征表示;去掉预训练的稠密卷积神经网络的最后一个全连接层得到特征提取器,将每一个训练样本输入该特征提取器,得到一个1024维的特征向量,以此作为该样本的特征表示。
步骤3:构建样本特征关系图;将训练样本的每一类作为关系图的一个节点。求得每类样本特征的均值作为该节点的特征。之后计算七个节点特征间的余弦距离,对于每个节点,选取距离最近的5个节点作为其邻接节点,并定义每个节点与自己邻接,由此构造邻接矩阵。
步骤4:搭建基于图卷积神经网络的深度网络;包括以下子步骤:将所述样本特征关系图输入到图卷积神经网络,经过图卷积操作,得到图卷积神经网络的输出特征,之后在该输出特征的每一维度上取最大值,得到一个7维的特征,同时将带有标注信息的三通道的所述宫颈细胞图像输入到所述去掉最后一层全连接层的预训练稠密卷积神经网络后得到1024维特征向量,最后将所述7维特征拼接在1024维特征后,形成1031维特征表示,经过线性变换输入到Softmax分类器得到一个7维向量。
步骤5:构建宫颈细胞图像分类器;将所述七类样本输入步骤(4)搭建好的所述基于图卷积神经网络的深度网络进行训练,通过反向传播算法不断优化交叉熵损失函数,调整所述基于图卷积神经网络的深度网络的参数,得到能够识别所述七类样本的分类器。
步骤6:预测目标图像中的所述宫颈细胞的类别:从目标图像中分割出带有细胞核的图像区域,加载步骤(5)得到的优化后的基于图卷积神经网络的深度网络的网络结构与权重参数,将所述图像区域与步骤(3)得到的样本特征关系图输入所述深度网络计算,得到分类结果。
本发明的具体实现流程如图1所示,各部分具体实施细节如下:
1.准备训练样本
将由医生标注的宫颈细胞图像分类得到七类样本,所述七类样本包括正常表层细胞、正常中底层细胞、粒细胞、腺细胞(子宫颈管细胞)、非典型鳞状细胞、挖空细胞、高核浆比细胞;
2.得到训练样本的1024维特征表示
去掉预训练的稠密卷积神经网络的最后一个全连接层得到特征提取器,将每一个训练样本输入该特征提取器,得到一个1024维的特征向量,以此作为该样本的特征表示。
3.构建样本特征关系图
将训练样本的每一类作为关系图的一个节点。求得每类样本特征的均值作为该节点的特征。之后计算七个节点特征间的余弦距离,对于每个节点,选取距离最近的5个节点作为其邻接节点,并定义每个节点与自己邻接,由此构造邻接矩阵。
4.搭建基于图卷积神经网络的深度网络
将所述样本特征关系图输入到图卷积神经网络,经过图卷积操作,得到图卷积神经网络的输出特征,之后在该输出特征的每一维度上取最大值,得到一个7维的特征,同时将带有标注信息的三通道的所述宫颈细胞图像输入到所述去掉最后一层全连接层的预训练稠密卷积神经网络后得到1024维特征向量,最后将所述7维特征拼接在1024维特征后,形成1031维特征表示,经过线性变换输入到Softmax分类器得到一个7维向量。
5.构建宫颈细胞图像分类器
将所述七类样本输入步骤(4)搭建好的所述基于图卷积神经网络的深度网络进行训练,通过反向传播算法不断优化交叉熵损失函数,调整所述基于图卷积神经网络的深度网络的参数,得到能够识别所述七类样本的分类器。所述交叉熵损失函数如下:
其中,p(xi)表示样本xi的真实类别,q(xi)表示样本xi的预测类别,n为样本总数。
6.预测目标图像中的所述宫颈细胞的类别
从目标图像中分割出带有细胞核的图像区域,加载步骤(5)得到的优化后的基于图卷积神经网络的深度网络的网络结构与权重参数,将所述图像区域与步骤(3)得到的样本特征关系图输入所述深度网络计算,得到分类结果。
Claims (5)
1.一种基于图卷积神经网络的宫颈细胞图像分类方法,其特征在于:包括以下步骤:
(1)准备训练样本:将宫颈细胞图像分类得到七类样本,所述七类样本包括正常表层细胞、正常中底层细胞、粒细胞、腺细胞、非典型鳞状细胞、挖空细胞、高核浆比细胞;
(2)得到训练样本的1024维特征表示:去掉预训练的稠密卷积神经网络的最后一个全连接层得到特征提取器,将每一个训练样本输入所述特征提取器,得到训练样本的1024维的特征向量,以此作为该样本的特征表示;
(3)构建样本特征关系图:将训练样本的每一类作为关系图的一个节点,求得每类样本特征的均值作为该节点的特征,之后计算七个节点特征间的余弦距离,对于每个节点,选取距离最近的5个节点作为其邻接节点,并定义每个节点与自己邻接,由此构造邻接矩阵;
(4)搭建基于图卷积神经网络的深度网络:包括以下子步骤:将所述样本特征关系图输入到图卷积神经网络,经过图卷积操作,得到图卷积神经网络的输出特征,之后在该输出特征的每一维度上取最大值,得到一个7维的特征,同时将带有标注信息的三通道的所述宫颈细胞图像输入到所述去掉最后一层全连接层的预训练稠密卷积神经网络后得到1024维特征向量,最后将所述7维特征拼接在1024维特征后,形成1031维特征表示,经过线性变换输入到Softmax分类器得到一个7维向量;
(5)构建宫颈细胞图像分类器;包括下列子步骤:
将所述多类训练样本以及步骤(3)得到的样本特征关系图输入步骤(4)搭建好的所述基于图卷积神经网络的深度网络进行训练,通过反向传播算法不断优化交叉熵损失函数,调整所述基于图卷积神经网络的深度网络的参数,得到能够识别所述七类样本的分类器;所述交叉熵损失函数如下:
其中,p(xi)表示样本xi的真实类别,q(xi)表示样本xi的预测类别,n为样本总数;
(6)预测目标图像中的宫颈细胞的类别:从目标图像中分割出带有细胞核的图像区域,加载步骤(5)得到的优化后的基于图卷积神经网络的深度网络的网络结构与权重参数,将所述图像区域与步骤(3)得到的样本特征关系图输入所述深度网络计算,得到分类结果。
3.根据权利要求2所述的一种基于图卷积神经网络的宫颈细胞图像分类方法,其特征在于:步骤(4)中的线性变换以如下方式将特征从1031维映射到7维:
z=yW+b(z∈R7) (3)
其中W∈R1031×7是权重,b是偏置,y为最后一层图卷积网络的输出与预训练稠密卷积神经网络输出拼接得到的1031维特征。
5.根据权利要求1所述的一种基于图卷积神经网络的宫颈细胞图像分类方法,其特征在于:步骤(5)中,所述反向传播算法为BP算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010044739.8A CN111274903B (zh) | 2020-01-15 | 2020-01-15 | 一种基于图卷积神经网络的宫颈细胞图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010044739.8A CN111274903B (zh) | 2020-01-15 | 2020-01-15 | 一种基于图卷积神经网络的宫颈细胞图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111274903A true CN111274903A (zh) | 2020-06-12 |
CN111274903B CN111274903B (zh) | 2022-12-06 |
Family
ID=71001632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010044739.8A Active CN111274903B (zh) | 2020-01-15 | 2020-01-15 | 一种基于图卷积神经网络的宫颈细胞图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274903B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881936A (zh) * | 2020-06-19 | 2020-11-03 | 北京三快在线科技有限公司 | 训练样本筛选方法、装置、电子设备及存储介质 |
CN112365471A (zh) * | 2020-11-12 | 2021-02-12 | 哈尔滨理工大学 | 基于深度学习的宫颈癌细胞智能检测方法 |
CN112651436A (zh) * | 2020-12-23 | 2021-04-13 | 深圳市安软科技股份有限公司 | 一种基于权重不确定的图卷积神经网络的优化方法、装置 |
CN112950585A (zh) * | 2021-03-01 | 2021-06-11 | 中国人民解放军陆军军医大学 | 基于液基薄层细胞检测技术tct的宫颈癌细胞智能检测方法 |
CN113159156A (zh) * | 2021-04-15 | 2021-07-23 | 南通大学 | 一种用于宫颈癌数据分类的粗糙图卷积方法 |
CN113222044A (zh) * | 2021-05-25 | 2021-08-06 | 合肥工业大学 | 一种基于三元注意力和尺度关联融合的宫颈液基细胞分类方法 |
CN113313164A (zh) * | 2021-05-27 | 2021-08-27 | 复旦大学附属肿瘤医院 | 一种基于超像素分割与图卷积的数字病理图像分类方法及系统 |
CN113470828A (zh) * | 2021-06-30 | 2021-10-01 | 上海商汤智能科技有限公司 | 分类方法及装置、电子设备和存储介质 |
CN113469119A (zh) * | 2021-07-20 | 2021-10-01 | 合肥工业大学 | 基于视觉转换器和图卷积网络的宫颈细胞图像分类方法 |
CN113674207A (zh) * | 2021-07-21 | 2021-11-19 | 电子科技大学 | 一种基于图卷积神经网络的pcb元器件自动定位方法 |
WO2022021338A1 (zh) * | 2020-07-31 | 2022-02-03 | 深圳先进技术研究院 | 一种生物样本分选方法、声表面波微流控芯片、系统、终端以及存储介质 |
CN116386857A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市森盈智能科技有限公司 | 一种病理分析系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780466A (zh) * | 2016-12-21 | 2017-05-31 | 广西师范大学 | 一种基于卷积神经网络的宫颈细胞图像识别方法 |
CN109376777A (zh) * | 2018-10-18 | 2019-02-22 | 四川木牛流马智能科技有限公司 | 基于深度学习的宫颈癌组织病理学图像分析方法及设备 |
US20190065817A1 (en) * | 2017-08-29 | 2019-02-28 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
CN110263874A (zh) * | 2019-06-27 | 2019-09-20 | 山东浪潮人工智能研究院有限公司 | 一种基于注意力关系图学习的图像分类方法及装置 |
CN110363188A (zh) * | 2019-04-18 | 2019-10-22 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 基于卷积神经网络的宫颈细胞图像分类方法 |
-
2020
- 2020-01-15 CN CN202010044739.8A patent/CN111274903B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780466A (zh) * | 2016-12-21 | 2017-05-31 | 广西师范大学 | 一种基于卷积神经网络的宫颈细胞图像识别方法 |
US20190065817A1 (en) * | 2017-08-29 | 2019-02-28 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for detection and classification of cells using convolutional neural networks |
CN109376777A (zh) * | 2018-10-18 | 2019-02-22 | 四川木牛流马智能科技有限公司 | 基于深度学习的宫颈癌组织病理学图像分析方法及设备 |
CN110363188A (zh) * | 2019-04-18 | 2019-10-22 | 麦克奥迪(厦门)医疗诊断系统有限公司 | 基于卷积神经网络的宫颈细胞图像分类方法 |
CN110263874A (zh) * | 2019-06-27 | 2019-09-20 | 山东浪潮人工智能研究院有限公司 | 一种基于注意力关系图学习的图像分类方法及装置 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881936A (zh) * | 2020-06-19 | 2020-11-03 | 北京三快在线科技有限公司 | 训练样本筛选方法、装置、电子设备及存储介质 |
WO2022021338A1 (zh) * | 2020-07-31 | 2022-02-03 | 深圳先进技术研究院 | 一种生物样本分选方法、声表面波微流控芯片、系统、终端以及存储介质 |
CN112365471A (zh) * | 2020-11-12 | 2021-02-12 | 哈尔滨理工大学 | 基于深度学习的宫颈癌细胞智能检测方法 |
CN112651436A (zh) * | 2020-12-23 | 2021-04-13 | 深圳市安软科技股份有限公司 | 一种基于权重不确定的图卷积神经网络的优化方法、装置 |
CN112950585A (zh) * | 2021-03-01 | 2021-06-11 | 中国人民解放军陆军军医大学 | 基于液基薄层细胞检测技术tct的宫颈癌细胞智能检测方法 |
CN112950585B (zh) * | 2021-03-01 | 2022-11-29 | 中国人民解放军陆军军医大学 | 基于液基薄层细胞检测技术的宫颈癌细胞智能检测方法 |
CN113159156A (zh) * | 2021-04-15 | 2021-07-23 | 南通大学 | 一种用于宫颈癌数据分类的粗糙图卷积方法 |
CN113222044A (zh) * | 2021-05-25 | 2021-08-06 | 合肥工业大学 | 一种基于三元注意力和尺度关联融合的宫颈液基细胞分类方法 |
CN113313164A (zh) * | 2021-05-27 | 2021-08-27 | 复旦大学附属肿瘤医院 | 一种基于超像素分割与图卷积的数字病理图像分类方法及系统 |
CN113470828A (zh) * | 2021-06-30 | 2021-10-01 | 上海商汤智能科技有限公司 | 分类方法及装置、电子设备和存储介质 |
CN113469119A (zh) * | 2021-07-20 | 2021-10-01 | 合肥工业大学 | 基于视觉转换器和图卷积网络的宫颈细胞图像分类方法 |
CN113469119B (zh) * | 2021-07-20 | 2022-10-04 | 合肥工业大学 | 基于视觉转换器和图卷积网络的宫颈细胞图像分类方法 |
CN113674207A (zh) * | 2021-07-21 | 2021-11-19 | 电子科技大学 | 一种基于图卷积神经网络的pcb元器件自动定位方法 |
CN113674207B (zh) * | 2021-07-21 | 2023-04-07 | 电子科技大学 | 一种基于图卷积神经网络的pcb元器件自动定位方法 |
CN116386857A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市森盈智能科技有限公司 | 一种病理分析系统及方法 |
CN116386857B (zh) * | 2023-06-07 | 2023-11-10 | 深圳市森盈智能科技有限公司 | 一种病理分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111274903B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274903B (zh) | 一种基于图卷积神经网络的宫颈细胞图像分类方法 | |
CN112733659B (zh) | 一种基于自步学习双流多尺度密集连接网络的高光谱图像分类方法 | |
CN112966114B (zh) | 基于对称图卷积神经网络的文献分类方法和装置 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
Bai et al. | Nhl pathological image classification based on hierarchical local information and googlenet-based representations | |
CN113344864A (zh) | 一种基于深度学习的超声甲状腺结节良恶性预测方法 | |
CN113313164A (zh) | 一种基于超像素分割与图卷积的数字病理图像分类方法及系统 | |
CN115062710A (zh) | 基于深度确定性策略梯度的联邦学习分类模型训练方法 | |
CN113743353A (zh) | 空间、通道和尺度注意力融合学习的宫颈细胞分类方法 | |
CN115952424A (zh) | 一种基于多视图结构的图卷积神经网络聚类方法 | |
CN110517272B (zh) | 基于深度学习的血细胞分割方法 | |
CN116741273A (zh) | 一种识别空间转录组空间区域和细胞类型的特征学习方法 | |
CN113378938B (zh) | 一种基于边Transformer图神经网络的小样本图像分类方法及系统 | |
CN114299344A (zh) | 一种针对图像分类的神经网络结构低成本自动搜索方法 | |
CN114004152A (zh) | 基于图卷积和循环神经网络的多风场风速时空预测方法 | |
CN113066528A (zh) | 基于主动半监督图神经网络的蛋白质分类方法 | |
CN115631847B (zh) | 基于多组学特征的早期肺癌诊断系统、存储介质及设备 | |
CN116523877A (zh) | 一种基于卷积神经网络的脑mri图像肿瘤块分割方法 | |
CN116386803A (zh) | 一种基于图的细胞病理报告生成方法 | |
CN115063374A (zh) | 模型训练、人脸图像质量评分方法、电子设备及存储介质 | |
CN114882287A (zh) | 基于语义关系图的图像分类方法 | |
CN108304546B (zh) | 一种基于内容相似度和Softmax分类器的医学图像检索方法 | |
CN112508958B (zh) | 一种轻量多尺度的生物医学图像分割方法 | |
CN117314892B (zh) | 一种基于增量学习的太阳能电池缺陷检测持续优化方法 |
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 |