CN111652927B - 一种基于cnn的癌细胞多尺度缩放定位检测方法 - Google Patents
一种基于cnn的癌细胞多尺度缩放定位检测方法 Download PDFInfo
- Publication number
- CN111652927B CN111652927B CN202010390335.4A CN202010390335A CN111652927B CN 111652927 B CN111652927 B CN 111652927B CN 202010390335 A CN202010390335 A CN 202010390335A CN 111652927 B CN111652927 B CN 111652927B
- Authority
- CN
- China
- Prior art keywords
- image
- cancer cell
- cancer cells
- images
- dimensional matrix
- 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.)
- Active
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 59
- 201000011510 cancer Diseases 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 18
- 238000013507 mapping Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 abstract 1
- 230000001464 adherent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000021164 cell adhesion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4046—Scaling the whole image or part thereof using neural networks
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于CNN的癌细胞多尺度缩放定位检测方法,采用多尺度缩放比例,通过卷积神经网络的训练过程进行卷积计算,结合结果映射得出相应的二维矩阵,根据二维矩阵的信息,在阈值的标注下进行检测,有限的选取目标区域,实现癌细胞的精确定位,最后通过网络进行信息传输,将癌细胞的位置信息返回至总成上。本发明通过采用多尺度缩放得到多张图像,从而避免了在判断癌细胞面积时因粘连癌细胞面积过大而造成的漏判,提高了检测精度,通过CNN处理后生成二维矩阵,既能反映各区域存在癌细胞的概率又能直接通过网络推断出癌细胞的位置信息,使本发明具有操作便捷,定位精确以及运行效率高的特点。
Description
技术领域
本发明涉及细胞检测技术领域,更具体的说是涉及一种基于CNN的癌细胞多尺度缩放定位检测方法。
背景技术
癌细胞检测技术作为一种防控癌症的重要手段,无论是在预防癌症还是癌症治疗方面都有很多的应用。目前的癌细胞图像检测技术主要依托经典图像处理方法和深度神经网络进行判断处理,已经取得了不错的成效。出现了诸如利用阈值分割、灰度共生矩阵、K均值聚类、卷积神经网络等各式各样的检测方法,但是这些方法均存在操作复杂、精确度低极易产生误判现象、效率慢、成本高以及无法精确定位癌细胞位置的问题。
因此,如何提供一种操作便捷,而且能够精确定位癌细胞的一种癌细胞定位检测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种操作便捷,而且能够精确定位癌细胞的一种基于CNN的癌细胞多尺度缩放定位检测方法。
为实现上述目的,本发明提供如下技术方案,所述方法包括以下步骤:
步骤1:通过采样针获取符合要求的癌细胞图像,以一定的比例对图像进行多次缩放,将粘连细胞的图像缩放至正常单个细胞大小的图像,以此来适应卷积核,保证卷积核的卷积窗口能够有效的覆盖整个黏连细胞区域,此时得到4副不同尺度的图像;
步骤2:利用人工标记的癌细胞图像建立一个数据集,数据集标签为“是否为癌细胞”,“是”为“Ture”,“不是”为“False”,其中数据集的图像大小统一为卷积核的卷积窗口大小;
步骤3:对得到的几幅不同尺度的图像利用训练好的卷积神经网络进行卷积滑动操作,卷积神经网络的训练过程中,通过将步骤2得到的数据集加入至训练过程中,通过将数据集进行旋转、翻折、镜像等方式进行扩充,并将扩充后的数据集以一定的比例进行划分为“训练集”和“测试集”,将训练集的数据进行多次迭代训练,从而不断更新网络参数,每隔一定的训练周期后,在测试集上检验网路偶读判断准确率直至完成训练,每次检验后都会将模型参数以“.ckpt”文件格式保存下来;
步骤4:在进行卷积滑动操作时,重新加载保存在指定路径的模型文件进行卷积计算,得到不同尺度图像对应的二维概率矩阵;
步骤5:通过二维概率矩阵上的信息,即可设置一个阈值的坐标点进行验证、检测,从微微矩阵恢复出各个区域的位置信息,根据卷积是对图像进行了多大窗口、多少步长的操作,得到相应的映射关系,利用映射关系在根据二维矩阵中点的坐标推算出各个区域在图像中的具体位置,实现癌细胞的准确定位;
步骤6:最后直接通过网络可以返回癌细胞的位置信息,并快速标记。
优选的,在上述一种基于CNN的癌细胞多尺度缩放定位检测方法中,所述卷积窗口的大小为40*40。
优选的,在上述一种基于CNN的癌细胞多尺度缩放定位检测方法中,所述数据集的划分比例为0.2或者0.3。
优选的,在上述一种基于CNN的癌细胞多尺度缩放定位检测方法中,所述阈值设置在0.7-0.8之间。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于CNN的癌细胞多尺度缩放定位检测方法,通过采用多尺度缩放得到多张图像,从而避免了在判断癌细胞面积时因粘连癌细胞面积过大而造成的漏判,提高了检测精度,通过CNN处理后生成二维矩阵,既能反映各区域存在癌细胞的概率又能直接通过网络推断出癌细胞的位置信息,使本发明具有操作便捷,定位精确以及运行效率高的特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明的多尺度缩放示意图。
图2附图为本发明的原图、二维矩阵坐标对应关系示意图。
图3附图为本发明的设计总体流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参阅附图1-3,为本发明公开的一种基于CNN的癌细胞多尺度缩放定位检测方法
本发明,所述方法包括以下步骤:
步骤1:通过采样针获取符合要求的癌细胞图像,以一定的比例对图像进行多次缩放,将粘连细胞的图像缩放至正常单个细胞大小的图像,以此来适应卷积核,保证卷积核的卷积窗口能够有效的覆盖整个黏连细胞区域,此时得到4副不同尺度的图像;
步骤2:利用人工标记的癌细胞图像建立一个数据集,数据集标签为“是否为癌细胞”,“是”为“Ture”,“不是”为“False”,其中数据集的图像大小统一为卷积核的卷积窗口大小;
步骤3:对得到的几幅不同尺度的图像利用训练好的卷积神经网络进行卷积滑动操作,卷积神经网络的训练过程中,通过将步骤2得到的数据集加入至训练过程中,通过将数据集进行旋转、翻折、镜像等方式进行扩充,并将扩充后的数据集以一定的比例进行划分为“训练集”和“测试集”,将训练集的数据进行多次迭代训练,从而不断更新网络参数,每隔一定的训练周期后,在测试集上检验网路偶读判断准确率直至完成训练,每次检验后都会将模型参数以“.ckpt”文件格式保存下来;
步骤4:在进行卷积滑动操作时,重新加载保存在指定路径的模型文件进行卷积计算,得到不同尺度图像对应的二维概率矩阵;
步骤5:通过二维概率矩阵上的信息,即可设置一个阈值的坐标点进行验证、检测,从微微矩阵恢复出各个区域的位置信息,根据卷积是对图像进行了多大窗口、多少步长的操作,得到相应的映射关系,利用映射关系在根据二维矩阵中点的坐标推算出各个区域在图像中的具体位置,实现癌细胞的准确定位;
步骤6:最后直接通过网络可以返回癌细胞的位置信息,并快速标记。
为了进一步优化上述技术方案,卷积窗口的大小为40*40。
为了进一步优化上述技术方案,数据集的划分比例为0.2或者0.3。
为了进一步优化上述技术方案,阈值设置在0.7-0.8之间,若阈值小于0.7会导致候选区域较多,会出现误判,导致检测效率降低;若阈值大于0.8则不能有效地选取出所有目标区域,出现漏检。
为了进一步优化上述技术方案,在进行卷积滑动操作时,重新加载保存在指定路径下的模型文件进行卷积计算,可以得到不同尺度图像对应的二维概率矩阵,矩阵生成过程中每个卷积窗口对应二维矩阵中的一个点,每个窗口的卷积结果表示了窗口中区域为癌细胞的概率,在二维矩阵上表现为每一个点的值,同时二维矩阵中每一点的坐标通过卷积的映射关系可以表示窗口在图像中的位置,因此,二维概率矩阵可以表示相应区域为癌细胞的概率及其位置信息,二维矩阵和原图的对应关系如图3所示。
为了进一步优化上述技术方案,采样针获取符合要求的癌细胞图像,先以一定的比例对图像进行多次缩放。多尺度缩放效果如图1所示,此步可以将粘连细胞缩放到正常单个细胞大小,以此来适应卷积核,保证卷积核能覆盖整个粘连细胞区域,这样就解决了对粘连细胞的分割问题,避免了因为细胞粘连面积过大造成的漏判,提高了算法的运行效率。
具体实施例如下:
1、首先,获取提供的采样针采集到的癌细胞图像,作为需要的测试样本;
2、癌细胞图像缩放:分别对原始图像以0.707为缩放比例进行3次缩放,得到加上原图的一共4幅图像,缩放次数与原图大小以及粘连癌细胞大小有关,需要保证40×40的卷积窗口在缩放后的图像上能有效覆盖粘连区域;
3、利用已知人工标记的癌细胞图像建立一个数据集,数据集标签为是否为癌细胞,是为True,不是为False,数据集图像大小统一为卷积窗口大小(40×40),将数据集进行扩充并以0.2为比例划分为训练和测试集,进行1000次迭代训练,每间隔50次训练在测试集上检验一次网络性能,每次检验后都会将更新的模型参数以.ckpt文件的形式保存在指定路径下,训练完成后可以生成一个用于癌细胞判断的成熟的卷积神经网络;
4、加载.ckpt文件中的模型参数,对这4幅图像分别用训练好的40×40的卷积网络窗口以步长为2进行滑动,每滑动一次将窗口转化为二维矩阵中的一个点,直至遍历整幅图像,对应每幅图像可以得到一个二维概率矩阵;
5、每个二维矩阵和图像中坐标的对应关系为:设二维矩阵点坐标为(x,y),对应到图像中癌细胞区域的左上角坐标为(2x,2y),右下角坐标为(2x+40,2y+40);
6、由于另外3幅图像是经过缩放得到的,所以要想还原所有的原始图像中的坐标,还要再对得到的坐标除以缩放比;
7、经过卷积网络处理之后,将概率阈值设置为0.7,对于二维矩阵中概率高于0.7的坐标点全部利用以上映射关系还原出对应区域在原始图像中的位置信息;
8、汇总所有的位置信息,利用网络可以直接返回这些信息,最终就可以利用标选框实现癌细胞图像的精准定位。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种基于CNN的癌细胞多尺度缩放定位检测方法,其特征在于,所述方法包括以下步骤:
(1)首先,获取提供的采样针采集到的癌细胞图像,作为需要的测试样本;
(2)癌细胞图像缩放:分别对原始图像以0.707为缩放比例进行3次缩放,得到加上原始图像的一共4幅图像,缩放次数与原始图像大小以及粘连癌细胞大小有关,使40×40的卷积窗口在缩放后的图像上能有效覆盖粘连区域;
(3)利用已知人工标记的癌细胞图像建立一个数据集,数据集标签为是否为癌细胞,是为True,不是为False,数据集图像大小统一为卷积窗口大小40×40,将数据集进行扩充并以0.2为比例划分为训练和测试集,进行1000次迭代训练,每间隔50次训练在测试集上检验一次网络性能,每次检验后都会将更新的模型参数以.ckpt文件的形式保存在指定路径下,训练完成后生成一个用于癌细胞判断的成熟的卷积神经网络;
(4)加载.ckpt文件中的模型参数,对这4幅图像分别用训练好的40×40的卷积窗口以步长为2进行滑动,每滑动一次将窗口转化为二维矩阵中的一个点,直至遍历整幅图像,对应每幅图像得到一个二维概率矩阵;
(5)每个二维矩阵和图像中坐标的对应关系为:设二维矩阵点坐标为(x,y),对应到图像中癌细胞区域的左上角坐标为(2x,2y),右下角坐标为(2x+40,2y+40);
(6)由于另外3幅图像是经过缩放得到的,所以要想还原所有的原始图像中的坐标,还要再对得到的坐标除以缩放比;
(7)经过卷积神经网络处理之后,将概率阈值设置为0.7,对于二维矩阵中概率高于0.7的坐标点全部利用步骤(5)所述对应关系还原出对应区域在原始图像中的位置信息;
(8)汇总所有的位置信息,利用网络直接返回这些信息,最终就利用标选框实现癌细胞图像的精准定位。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010390335.4A CN111652927B (zh) | 2020-05-11 | 2020-05-11 | 一种基于cnn的癌细胞多尺度缩放定位检测方法 |
PCT/CN2020/110812 WO2021227295A1 (zh) | 2020-05-11 | 2020-08-24 | 一种基于cnn的癌细胞多尺度缩放定位检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010390335.4A CN111652927B (zh) | 2020-05-11 | 2020-05-11 | 一种基于cnn的癌细胞多尺度缩放定位检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652927A CN111652927A (zh) | 2020-09-11 |
CN111652927B true CN111652927B (zh) | 2023-12-19 |
Family
ID=72347839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010390335.4A Active CN111652927B (zh) | 2020-05-11 | 2020-05-11 | 一种基于cnn的癌细胞多尺度缩放定位检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111652927B (zh) |
WO (1) | WO2021227295A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985156A (zh) * | 2021-09-07 | 2022-01-28 | 绍兴电力局柯桥供电分局 | 一种基于变压器声纹大数据的智能故障识别方法 |
CN115424093A (zh) * | 2022-09-01 | 2022-12-02 | 南京博视医疗科技有限公司 | 一种识别眼底图像中细胞的方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512683A (zh) * | 2015-12-08 | 2016-04-20 | 浙江宇视科技有限公司 | 基于卷积神经网络的目标定位方法及装置 |
CN105931226A (zh) * | 2016-04-14 | 2016-09-07 | 南京信息工程大学 | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 |
CN108537775A (zh) * | 2018-03-02 | 2018-09-14 | 浙江工业大学 | 一种基于深度学习检测的癌细胞跟踪方法 |
CN108550133A (zh) * | 2018-03-02 | 2018-09-18 | 浙江工业大学 | 一种基于Faster R-CNN的癌细胞检测方法 |
CN109242844A (zh) * | 2018-09-04 | 2019-01-18 | 青岛大学附属医院 | 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质 |
US10354122B1 (en) * | 2018-03-02 | 2019-07-16 | Hong Kong Applied Science and Technology Research Institute Company Limited | Using masks to improve classification performance of convolutional neural networks with applications to cancer-cell screening |
WO2019169895A1 (zh) * | 2018-03-09 | 2019-09-12 | 华南理工大学 | 抗侧脸干扰的人脸快速检测方法 |
CN110580699A (zh) * | 2019-05-15 | 2019-12-17 | 徐州医科大学 | 基于改进Faster RCNN算法的病理图像细胞核检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364288B (zh) * | 2018-03-01 | 2022-04-05 | 北京航空航天大学 | 用于乳腺癌病理图像的分割方法和装置 |
CN109145941B (zh) * | 2018-07-03 | 2021-03-09 | 怀光智能科技(武汉)有限公司 | 一种非规则宫颈细胞团图像分类方法及系统 |
US10504005B1 (en) * | 2019-05-10 | 2019-12-10 | Capital One Services, Llc | Techniques to embed a data object into a multidimensional frame |
CN110276745B (zh) * | 2019-05-22 | 2023-04-07 | 南京航空航天大学 | 一种基于生成对抗网络的病理图像检测算法 |
CN110781953B (zh) * | 2019-10-24 | 2023-03-31 | 广州乐智医疗科技有限公司 | 基于多尺度金字塔卷积神经网络的肺癌病理切片分类方法 |
-
2020
- 2020-05-11 CN CN202010390335.4A patent/CN111652927B/zh active Active
- 2020-08-24 WO PCT/CN2020/110812 patent/WO2021227295A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512683A (zh) * | 2015-12-08 | 2016-04-20 | 浙江宇视科技有限公司 | 基于卷积神经网络的目标定位方法及装置 |
CN105931226A (zh) * | 2016-04-14 | 2016-09-07 | 南京信息工程大学 | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 |
CN108537775A (zh) * | 2018-03-02 | 2018-09-14 | 浙江工业大学 | 一种基于深度学习检测的癌细胞跟踪方法 |
CN108550133A (zh) * | 2018-03-02 | 2018-09-18 | 浙江工业大学 | 一种基于Faster R-CNN的癌细胞检测方法 |
US10354122B1 (en) * | 2018-03-02 | 2019-07-16 | Hong Kong Applied Science and Technology Research Institute Company Limited | Using masks to improve classification performance of convolutional neural networks with applications to cancer-cell screening |
WO2019169895A1 (zh) * | 2018-03-09 | 2019-09-12 | 华南理工大学 | 抗侧脸干扰的人脸快速检测方法 |
CN109242844A (zh) * | 2018-09-04 | 2019-01-18 | 青岛大学附属医院 | 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质 |
CN110580699A (zh) * | 2019-05-15 | 2019-12-17 | 徐州医科大学 | 基于改进Faster RCNN算法的病理图像细胞核检测方法 |
Non-Patent Citations (1)
Title |
---|
Automated Diagnosis of Prostate Cancer in Multi-Parametric MRI Based on Multimodal Convolutional Neural Networks;Le M H et al;《Phys Med Biol》;20171231;第62卷(第16期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111652927A (zh) | 2020-09-11 |
WO2021227295A1 (zh) | 2021-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
CN110032998B (zh) | 自然场景图片的文字检测方法、系统、装置和存储介质 | |
CN112232391B (zh) | 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法 | |
CN111191649A (zh) | 一种识别弯曲多行文本图像的方法与设备 | |
CN111652927B (zh) | 一种基于cnn的癌细胞多尺度缩放定位检测方法 | |
CN109165309B (zh) | 负例训练样本采集方法、装置及模型训练方法、装置 | |
CN113762269A (zh) | 基于神经网络的中文字符ocr识别方法、系统、介质及应用 | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
CN112580668A (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
CN113837275A (zh) | 基于扩张坐标注意力的改进YOLOv3目标检测方法 | |
CN113221855B (zh) | 基于尺度敏感损失与特征融合的小目标检测方法和系统 | |
CN113780357B (zh) | 一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法 | |
Xu et al. | A new object detection algorithm based on yolov3 for lung nodules | |
CN110007764A (zh) | 一种手势骨架识别方法、装置、系统及存储介质 | |
CN110909804B (zh) | 基站异常数据的检测方法、装置、服务器和存储介质 | |
CN110084810B (zh) | 一种肺结节图像检测方法、模型训练方法、装置及存储介质 | |
CN114973300B (zh) | 一种构件类别识别方法、装置、电子设备及存储介质 | |
CN115527050A (zh) | 图像特征匹配方法、计算机设备和可读存储介质 | |
CN114913541A (zh) | 基于正交匹配追踪的人体关键点检测方法、装置及介质 | |
CN111354019B (zh) | 一种基于神经网络的视觉跟踪失效检测系统及其训练方法 | |
CN113012189A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN110826488A (zh) | 一种针对电子文档的图像识别方法、装置及存储设备 | |
CN110765918A (zh) | 基于MFANet的vSLAM快速回环检测方法和装置 | |
CN116612474B (zh) | 对象检测方法、装置、计算机设备及计算机可读存储介质 | |
CN116434221B (zh) | 工件形状识别方法、装置、终端设备以及计算机存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |