CN111584086A - 一种基于bp神经网络的红外热源信息反演方法 - Google Patents

一种基于bp神经网络的红外热源信息反演方法 Download PDF

Info

Publication number
CN111584086A
CN111584086A CN202010300187.2A CN202010300187A CN111584086A CN 111584086 A CN111584086 A CN 111584086A CN 202010300187 A CN202010300187 A CN 202010300187A CN 111584086 A CN111584086 A CN 111584086A
Authority
CN
China
Prior art keywords
heat source
neural network
temperature
inversion
function
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
Application number
CN202010300187.2A
Other languages
English (en)
Inventor
李宏
应梦迪
李博文
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.)
Hangzhou Baiqiao Medical Technology Co ltd
Original Assignee
Hangzhou Baiqiao Medical Technology 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 Hangzhou Baiqiao Medical Technology Co ltd filed Critical Hangzhou Baiqiao Medical Technology Co ltd
Priority to CN202010300187.2A priority Critical patent/CN111584086A/zh
Publication of CN111584086A publication Critical patent/CN111584086A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A61B5/015—By temperature mapping of body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种基于BP神经网络的红外热源信息反演方法，包括获取目标体的红外热图像；根据红外热图像上的温度点进行数据拟合，得到温度分布曲线；取温度分布曲线上的温度数据和环境温度作为样本的输入数据，以归一化后的热源参数作为样本的输出数据，构造训练集和测试集；确定BP神经网络的拓扑结构、基础参数以及神经元的变换函数，构建反演模型；利用训练集优化反演模型；将测试集输入反演模型，判断反演模型输出的误差是否满足标准；利用最优的反演模型根据待测目标体的红外热图像输出归一化后的热源参数；对输出的归一化热源参数进行反归一化处理，得到反演后的热源参数。本发明能够客观全面地反演每个热源参数，且反演准确率高。

Description

一种基于BP神经网络的红外热源信息反演方法
技术领域
本申请属于红外热成像技术领域，具体涉及一种基于BP神经网络的红外热源信息反演方法。
背景技术
目前常用的结构性影像设备包括数字X线摄影(X光)、计算机断层扫描(CT)、核磁共振成像(MRI)和B型超声检查(B超)只能当病变发展到一定程度造成结构变化时才能检测到，但对于很多疾病例如慢性非传染性疾病，由于诊断的不及时将导致后期治疗的无效率和死亡率的大大增高。
红外热成像技术的出现为实现疾病的及时诊断提供了全新的思路，因为区别于结构影像设备，红外热成像技术在组织结构尚未发生改变而仅发生功能性改变时，根据体表温度的微小变化及早发现异常区域，在病症进一步发展之前，对其进行调理和治疗，或者对异常区域跟踪观察，以争取到宝贵的确诊时间，使患者获得生存机会，也可以对疾病的转移和转移趋势进行辅助诊断，所以医用红外热成像技术具有重大的临床价值。
但在实际应用中，仍存在一定的局限性，通过红外热成像技术仅能得到体现在体表的温度分布热图，单纯依靠表面的二维温度分布并不能准确掌握人体内部的温度场，因为体表温度分布是人体内所有的组织和器官经过内部复杂的热传导过程以及与外部环境条件换热过程才呈现的，并且疾病信息会受到更多更强大的非疾病信息的干扰，在体表温度上由疾病信息反映出与正常部位的差距会被其弱化，且人体组织具有异质性和各向异性，其维持体温的机制如血流、代谢热的产生和临床表现关系尚未明确，故目前基于红外热成像技术无法对病灶实现精准定位诊断，但实现精准诊断是医疗发展的重大目标。所以本发明针对红外热成像技术所得的表面温度，基于BP神经网络对内部热源信息进行反演，为医学诊断提供一定的技术基础。
发明内容
本申请的目的在于一种基于BP神经网络的红外热源信息反演方法，该方法能够客观全面地反演每个热源参数，且反演准确率高。
为实现上述目的，本申请所采取的技术方案为：
一种基于BP神经网络的红外热源信息反演方法，所述基于BP神经网络的红外热源信息反演方法，包括：
步骤S1、获取目标体的红外热图像；
步骤S2、根据红外热图像上的温度点进行数据拟合，得到温度分布曲线，所述温度分布曲线上包括温度数据和环境温度；
步骤S3、取温度分布曲线上的温度数据和环境温度作为样本的输入数据，以归一化后的热源参数作为样本的输出数据，构造训练集和测试集，所述热源参数包括热源深度、热源半径和热源温度；
步骤S4、确定BP神经网络的拓扑结构、基础参数以及神经元的变换函数，构建反演模型；
步骤S5、利用所述训练集，通过信号的正向传播和误差的反向传播两种方式交替进行优化所述反演模型；
步骤S6、将所述测试集输入反演模型，判断反演模型输出的误差是否满足标准，若不满足则重新执行步骤S4；否则输出最优的反演模型；
步骤S7、取待测目标体的红外热图像，利用最优的反演模型根据待测目标体的红外热图像输出归一化后的热源参数；
步骤S8、对输出的归一化后的热源参数进行反归一化处理，得到反演后的热源参数。
作为优选，所述归一化所采用的公式如下：
Figure BDA0002453693580000021
其中，xnorm为归一化后的结果，xi为归一化前的值，xmax为最大值，xmin为最小值。
作为优选，所述确定BP神经网络的神经元的拓扑结构，包括：
所述BP神经网络的拓扑结构包括输入层、隐层和输出层三种结构层，其中，所述隐层的层数为一层，且隐层的神经元数目为四个。
作为优选，所述确定BP神经网络的基础参数，包括：
设置BP神经网络的学习率为0.00003，训练显示间隔次数为100，最大训练循环次数为20000，学习目标为0.0001。
作为优选，所述确定BP神经网络的神经元的变换函数，包括：
BP神经网络节点的输入输出激励函数采用sigmoid函数，函数式如下：
Figure BDA0002453693580000031
BP神经网络隐层的传递函数均为tansig函数，函数式如下：
Figure BDA0002453693580000032
并且输出传递函数采用purelin函数，训练函数选择trainlm函数。
作为优选，所述反归一化处理的公式如下：
Figure BDA0002453693580000033
其中，xi为反归一化后的结果，xnorm为反演模型输出的归一化后的热源参数，xmax为最大值，xmin为最小值。
本申请提供的基于BP神经网络的红外热源信息反演方法，通过BP神经网络训练数据，可以减少由不同热源参数经由传热过程后本身造成的差异，更客观和全面地反演每个热源参数，并且反演可达较高的准确率。
附图说明
图1为本申请的基于BP神经网络的红外热源信息反演方法的流程图；
图2为本申请的BP神经网络的一种实施例结构示意图；
图3为实施例1中热源深度的相对误差曲线图；
图4为实施例1中热源半径的相对误差曲线图；
图5为实施例1中热源温度的相对误差曲线图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。
一种基于BP神经网络的红外热源信息反演方法，用于根据获取的目标体表面的红外热图像，反演出目标体内部的热源参数，以便于有效利用红外热图像，解决红外热成像技术不能准确掌握人体内部的温度场，无法对病灶实现精准定位诊断的问题。
如图1所述，本实施例的所述基于BP神经网络的红外热源信息反演方法，包括一下步骤：
步骤S1、获取目标体的红外热图像。
在算法训练阶段，可以利用软件进行仿真热传导过程，得到相应的热图和温度值，也可通过红外热像仪拍摄得到相应的图像。
步骤S2、根据红外热图像上的温度点进行数据拟合，得到温度分布曲线。
本实施例所得到的温度分布曲线为给定时间的目标体内温度随空间位置的变化，并且温度分布曲线上包括温度数据和环境温度，其中温度数据为各空间位置对应的温度，环境温度为生成温度分布曲线时目标体所在环境的温度。
由于仿真或实验拍摄所得的红外热图像上的温度点分布具有局限性和差异性，为了使其数据值统一，从而更好地训练BP神经网络，根据已有的温度点分布曲线左右对称且呈钟型的特点，选择Curve Fitting工具箱对其进行高斯逼近的数据拟合，得到完整统一的温度分布曲线，从而提高数据的有效性。
步骤S3、取温度分布曲线上的温度数据和环境温度作为样本的输入数据，以归一化后的热源参数作为样本的输出数据，构造训练集和测试集，所述热源参数包括热源深度、热源半径和热源温度。
需要说明的是，训练集和测试集可以是针对同一热红外图像对应环境获取，也可以是在不同环境下取得的样本数据。
由于热源参数中的热源温度值在101数量级，而热源深度在10-2数量级，热源半径为10-3数量级。因此热源温度的值相对于其余的值波动较大，成为了奇异样本数据，会导致训练时间增大，也很可能引起无法收敛，所以本实施例对热源参数中的热源深度、热源半径和热源温度分别进行归一化，以加快BP神经网络训练收敛。
在一实施例中，提供的参数归一化方法所采用的公式如下：
Figure BDA0002453693580000041
其中，xnorm为归一化后的结果，xi为归一化前的值，xmax为最大值，xmin为最小值。
步骤S4、确定BP神经网络的拓扑结构、基础参数以及神经元的变换函数，构建反演模型。
在一实施例中，所采用的BP神经网络的拓扑结构如图2所示，主要为输入层、输出层和隐层三层结构，分为信号正向传播和误差反向传播两个过程。
步骤S4.1、具体的，在确定BP神经网络的拓扑结构时，需要确定隐层的层数及隐层神经元的数目。其中隐层优选单层，其适用于在反问题连续空间的函数逼近情况。对于隐层神经元数目的设置，先根据已有文献的经验值选定为3，之后以该数值为中心，利用试凑法不断训练，以达到该数据的最佳神经元数目，本申请中最终选定为4。
步骤S4.2、并且确定BP神经网络的基础参数：其中学习率为0.00003(即3e-5)，训练显示间隔次数为100，最大训练循环次数为20000，学习目标为0.0001等。
步骤S4.3、由于导热反问题是一种对连续空间非线性关系的映射逼近，因此在确定BP神经网络的神经元的变换函数时，需选定合适的节点输入输出激励函数、隐层的传递函数、输出传递函数、训练函数等。在一实施例中，上述函数的具体选取如下：
BP神经网络节点的输入输出激励函数采用sigmoid函数，函数式如下：
Figure BDA0002453693580000051
BP神经网络隐层的传递函数均为tansig函数，函数式如下：
Figure BDA0002453693580000052
并且输出传递函数采用purelin函数，该线性函数的输入输出值可取任意值。训练函数选择trainlm函数，即levenberg-Marquardt算法，因为该函数能有效处理冗余参数问题，寻优速度较快。
步骤S5、利用所述训练集，通过信号的正向传播和误差的反向传播两种方式交替进行优化所述反演模型。
当信号进行正向传播时，输入矢量经过隐含层一层层的处理，通过所有的隐含层之后，最后得到输出矢量，以实现输入数据和输出数据之间的映射关系，如果得到的输出数据不满足给定的误差标准，将进行误差的反向传播过程，将得到的输出值与期望输出值之间的差值从输出端输入传到隐层进行变换，再从隐层传入输入层，不断地按一定标准来反馈调节网络权值，以通过不断的修正权值得到理想的输出值。BP神经网络由这两个过程的交替迭代进行，当满足给定的误差标准后停止训练，使得最终输出数据无限逼近期望的输出数据。
步骤S6、将所述测试集输入反演模型，判断反演模型输出的误差是否满足标准，若不满足则重新执行步骤S4；否则输出最优的反演模型。
步骤S7、取待测目标体的红外热图像，利用最优的反演模型根据待测目标体的红外热图像输出归一化后的热源参数。
由于样本数据(训练集和测试集)以温度分布曲线上的温度数据和环境温度作为输入数据，因此这里利用最优的反演模型根据待测目标体的红外热图像输出归一化后的热源参数应理解为：根据待测目标体的红外热图像上的温度点进行数据拟合，得到温度分布曲线，取温度分布曲线上的温度数据和环境温度输入最优的反演模型，最优的反演模型输出归一化后的热源参数。
步骤S8、对输出的归一化后的热源参数进行反归一化处理，得到反演后的热源参数。
在一实施例中，提供的与归一化相对应的反归一化处理的公式如下：
Figure BDA0002453693580000061
其中，xi为反归一化后的结果，即归一化前的值，xnorm为反演模型输出的归一化后的热源参数，xmax为最大值，xmin为最小值。
为了进一步验证本实施例的基于BP神经网络的红外热源信息反演方法的准确性，以下提供一个实验例。
实施例1：Ansys仿真实验
设置实验环境：以直径为70mm、长度为100mm的圆柱体仿真人体前臂结构，在组织内埋入球热源，分别取热源深度以10～50mm等间距5组深度值，热源半径2～8mm等间距5组，热源温度为41～45℃等间距3组，以及边界条件(环境温度)为15℃、20℃和25℃，组织表面和环境的总换热系数为12.5W/(m2·℃)，组织内的热导率为0.52W/(m·℃)。
过ANSYS有限元仿真，得到225组体表温度分布矩阵和温度分布热图，以获取的225组数据样本作为训练集构建BP神经网络，其中体表温度为体表最高温左侧等间隔选取的25个温度值。
在其余实验条件不变的情况下，取热源深度为15～35mm等间距3组深度值，热源半径分别为3mm、4mm和6mm，热源温度分别为42℃和46℃，以及环境温度为15℃和20℃，得到36组测试样本。输入到训练好的BP神经网络内，可得到各个热源参数的反演值，对其计算相对误差，计算公式如下，其中dr为期望参数值，de为反演所得参数值，ed为相对误差。
Figure BDA0002453693580000071
根据计算的相对误差得到结果曲线如图3～5所示，图3～5依次为热源深度、热源半径、热源温度的相对误差曲线图。由图可知，本申请的基于BP神经网络的红外热源信息反演方法对热源参数反演的相对误差均控制在9％以内，反演效果较好，并且不同热源参数的反演准确率大致在同一范围内，因此能更客观地反演不同热源参数。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于BP神经网络的红外热源信息反演方法，其特征在于，所述基于BP神经网络的红外热源信息反演方法，包括：
步骤S1、获取目标体的红外热图像；
步骤S2、根据红外热图像上的温度点进行数据拟合，得到温度分布曲线，所述温度分布曲线上包括温度数据和环境温度；
步骤S3、取温度分布曲线上的温度数据和环境温度作为样本的输入数据，以归一化后的热源参数作为样本的输出数据，构造训练集和测试集，所述热源参数包括热源深度、热源半径和热源温度；
步骤S4、确定BP神经网络的拓扑结构、基础参数以及神经元的变换函数，构建反演模型；
步骤S5、利用所述训练集，通过信号的正向传播和误差的反向传播两种方式交替进行优化所述反演模型；
步骤S6、将所述测试集输入反演模型，判断反演模型输出的误差是否满足标准，若不满足则重新执行步骤S4；否则输出最优的反演模型；
步骤S7、取待测目标体的红外热图像，利用最优的反演模型根据待测目标体的红外热图像输出归一化后的热源参数；
步骤S8、对输出的归一化后的热源参数进行反归一化处理，得到反演后的热源参数。
2.如权利要求1所述的基于BP神经网络的红外热源信息反演方法，其特征在于，所述归一化所采用的公式如下：
Figure FDA0002453693570000011
其中，xnorm为归一化后的结果，xi为归一化前的值，xmax为最大值，xmin为最小值。
3.如权利要求1所述的基于BP神经网络的红外热源信息反演方法，其特征在于，所述确定BP神经网络的神经元的拓扑结构，包括：
所述BP神经网络的拓扑结构包括输入层、隐层和输出层三种结构层，其中，所述隐层的层数为一层，且隐层的神经元数目为四个。
4.如权利要求1所述的基于BP神经网络的红外热源信息反演方法，其特征在于，所述确定BP神经网络的基础参数，包括：
设置BP神经网络的学习率为0.00003，训练显示间隔次数为100，最大训练循环次数为20000，学习目标为0.0001。
5.如权利要求1所述的基于BP神经网络的红外热源信息反演方法，其特征在于，所述确定BP神经网络的神经元的变换函数，包括：
BP神经网络节点的输入输出激励函数采用sigmoid函数，函数式如下：
Figure FDA0002453693570000021
BP神经网络隐层的传递函数均为tansig函数，函数式如下：
Figure FDA0002453693570000022
并且输出传递函数采用purelin函数，训练函数选择trainlm函数。
6.如权利要求1所述的基于BP神经网络的红外热源信息反演方法，其特征在于，所述反归一化处理的公式如下：
Figure FDA0002453693570000023
其中，xi为反归一化后的结果，xnorm为反演模型输出的归一化后的热源参数，xmax为最大值，xmin为最小值。
CN202010300187.2A 2020-04-16 2020-04-16 一种基于bp神经网络的红外热源信息反演方法 Pending CN111584086A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010300187.2A CN111584086A (zh) 2020-04-16 2020-04-16 一种基于bp神经网络的红外热源信息反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010300187.2A CN111584086A (zh) 2020-04-16 2020-04-16 一种基于bp神经网络的红外热源信息反演方法

Publications (1)

Publication Number Publication Date
CN111584086A true CN111584086A (zh) 2020-08-25

Family

ID=72113057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010300187.2A Pending CN111584086A (zh) 2020-04-16 2020-04-16 一种基于bp神经网络的红外热源信息反演方法

Country Status (1)

Country Link
CN (1) CN111584086A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112268925A (zh) * 2020-10-26 2021-01-26 中国矿业大学 一种用于煤矿井下采空区高温区域热源位置反演的方法
CN114065918A (zh) * 2021-11-12 2022-02-18 福州大学 基于bp曲线反演逆推的高频磁元件绕组实际温升检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110916720A (zh) * 2019-12-05 2020-03-27 清华大学 一种超声聚焦及靶点反演定位系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110916720A (zh) * 2019-12-05 2020-03-27 清华大学 一种超声聚焦及靶点反演定位系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘宏岩: "基于人体红外图像的体外热分析建模方法研究", pages 34 - 55 *
徐玲;徐保国;李海波;: "基于神经网络的轮胎外胎硫化内部温度预测", no. 08, pages 1555 - 1558 *
王科俊 等: "《神经网络建模、预报与控制》", 哈尔滨工程大学出版社, pages: 51 - 53 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112268925A (zh) * 2020-10-26 2021-01-26 中国矿业大学 一种用于煤矿井下采空区高温区域热源位置反演的方法
CN112268925B (zh) * 2020-10-26 2021-07-06 中国矿业大学 一种用于煤矿井下采空区高温区域热源位置反演的方法
CN114065918A (zh) * 2021-11-12 2022-02-18 福州大学 基于bp曲线反演逆推的高频磁元件绕组实际温升检测方法

Similar Documents

Publication Publication Date Title
CN109978778B (zh) 基于残差学习的卷积神经网络医学ct图像去噪方法
Alessandrini et al. Realistic vendor-specific synthetic ultrasound data for quality assurance of 2-d speckle tracking echocardiography: Simulation pipeline and open access database
CN109191564B (zh) 基于深度学习的激发荧光断层成像三维重建方法
CN111340819A (zh) 图像分割方法、装置和存储介质
CN111584086A (zh) 一种基于bp神经网络的红外热源信息反演方法
CN111477337B (zh) 基于个体自适应传播网络的传染病预警方法、系统及介质
Nie et al. Classification of wideband tympanometry by deep transfer learning with data augmentation for automatic diagnosis of otosclerosis
CN107527316B (zh) 二维超声影像序列上的任意点构建点云数据的方法及系统
CN105521562A (zh) 一种肿瘤热疗的温度场预示与控制装置及方法
CN107713995A (zh) 一种基于惩罚算法的生物发光断层成像光源重建方法
Wu et al. Bayesian shape reconstruction using B-spline level set in electrical impedance tomography
EP4023182A1 (en) Generating a mapping function for tracking a position of an electrode
CN107582030A (zh) 基于bp神经网络的人体表面皮肤温度场测量方法
CN116309754A (zh) 一种基于局部-全局信息协作的大脑医学图像配准方法及系统
CN108596900B (zh) 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备
Shaaf et al. A Convolutional Neural Network Model to Segment Myocardial Infarction from MRI Images.
Ahmad et al. A clinical decision support system for the diagnosis of gynecological diseases
CN113989457A (zh) 一种用于三维热断层成像的有限元重建方法
Sadr et al. Comparison of MLP and RBF neural networks for Prediction of ECG Signals
Muller et al. Diagnosis of Gestational Diabetes Mellitus using Radial Basis function
Irimia Electric field and potential calculation for a bioelectric current dipole in an ellipsoid
Yuan et al. Brain CT registration using hybrid supervised convolutional neural network
Esteves et al. Learning a reconnecting regularization term for blood vessel variational segmentation
Polyakov Cluster Analysis of the Results of Numerical Simulation of Thermometric Data
CN109859173B (zh) 一种基于电磁逆散射的早期乳腺癌检测医学成像方法

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