CN111784669A - 一种胶囊内镜图像多病灶检测方法 - Google Patents

一种胶囊内镜图像多病灶检测方法 Download PDF

Info

Publication number
CN111784669A
CN111784669A CN202010620368.3A CN202010620368A CN111784669A CN 111784669 A CN111784669 A CN 111784669A CN 202010620368 A CN202010620368 A CN 202010620368A CN 111784669 A CN111784669 A CN 111784669A
Authority
CN
China
Prior art keywords
image
capsule
endoscopic
training
classifiers
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
Application number
CN202010620368.3A
Other languages
English (en)
Other versions
CN111784669B (zh
Inventor
贾智伟
章黎明
谢俊力
田奕宏
赖志强
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202010620368.3A priority Critical patent/CN111784669B/zh
Publication of CN111784669A publication Critical patent/CN111784669A/zh
Application granted granted Critical
Publication of CN111784669B publication Critical patent/CN111784669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/24—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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30028—Colon; Small intestine
    • 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
    • G06T2207/30092—Stomach; Gastric
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种胶囊内镜图像多病灶检测方法，涉及计算机图像处理领域，基于深度特征和人选特征融合与多分类器集成，包括如下步骤：图像预处理，构造颜色、纹理、以及形态的特征向量、采用卷积神经网络获取深度特征、特征融合、多分类器集成、病灶识别重复上述步骤直至所有胶囊内镜图像完成识别。本发明胶囊内镜图像多病灶检测方法，将有效降低临床医生的诊断负担，提高检测的准确性。

Description

一种胶囊内镜图像多病灶检测方法
技术领域
本发明涉及计算机图像处理领域，尤其涉及一种胶囊内镜图像多病灶检测方法。
背景技术
胶囊内镜，英文名称：capsule endoscopy，是一种做成胶囊形状的内窥镜，它是用来检查人体肠道的医疗仪器。胶囊内窥镜能进入人体,用于窥探人体肠胃和食道部位的健康状况。可用来帮助医生对病人进行诊断。胶囊内窥镜实际是把摄像机缩小，植入医用胶囊，帮助医生对病人进行诊断。一粒小胶囊却是探秘人体的摄像工作室，甚至可能成为遨游人体的“飞船”；细小的纤维，可以用来加固人体的心脏动脉。从外表看，它与普通胶囊药区别不大，但它是一台微型摄像机，用于窥探人体肠胃和食道部位的健康状况。患者吞服后，胶囊随胃肠肌肉运动沿消化方向运行，拍摄图像，再把图像传至患者系于腰间的数据传输装置。几小时后，医生把胶囊拍摄的图像下载于电脑，胶囊在24小时内自动排出体外。使用胶囊内窥镜，患者可保持正常活动和生活。
胶囊内镜作为一种吞咽式无创诊断设备，它既能减少患者在检测过程的不适，也能检测到以往插入式内镜的检测盲区，已经广泛运用于胃肠道的其他部位，包括食道、胃、结肠等器官的检查。胶囊内镜在被吞咽后会产生80000多张待诊断图片，给临床医生带来了极大的负担。因此，能够进行智能诊断的计算机辅助诊断系统对减轻医生的诊断负担和提高病灶检测的精度具有重要的意义。
现有的计算机辅助诊断系统的设计方法不能满足实际需求，这些方法存在的缺陷主要为：只针对单一病灶或者少数几种病灶，少数针对多病灶的方法精度不高。用于提取特征的训练集样本数量有限，给特征提取造成了一定的困难。
因此，本领域的技术人员致力于开发一种胶囊内镜图像多病灶检测方法。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是是在小样本的情况下实现胶囊内镜图像多病灶检测，并且提高检测精度。
为实现上述目的，本发明提供了一种胶囊内镜图像多病灶检测方法，其特征在于，包括以下几个步骤：
步骤一：图像预处理，对所述胶囊内镜图像进行预处理；
步骤二：构造胶囊内镜图像样本库；
步骤三：构造胶囊内镜图像特征向量；
步骤四：使用步骤二构建的样本库训练卷积神经网络；
步骤五：使用步骤四中训练完成的卷积神经网络提取深度特征；
步骤六：特征融合，将步骤三与步骤五中提取的特征向量采用多种特征融合方法进行融合；
步骤七：训练多个分类器，以步骤六融合的多种向量为输入，构建多个分类器并训练；
步骤八：将步骤七中的多个分类器结果进行软投票集成，完成胶囊内镜图像识别；
步骤九：重复上述步骤，直至所有胶囊内镜图像完成识别。
进一步地，所述步骤一中的图像预处理方法包括白平衡，归一化。
进一步地，步骤二中，根据胶囊内镜图像中包含的不同病灶构建胶囊内镜图像样本库。
进一步地，所述步骤三中提取的特征向量包括颜色，纹理，形态。
进一步地，所述步骤三中提取胶囊内镜图像的颜色特征采用的方法包括1-3阶颜色矩。
进一步地，所述步骤三中提取胶囊内镜图像的纹理特征采用的方法包括局部二值模式LBP(Local Binary Pattern)。
进一步地，所述步骤三中提取胶囊内镜图像的形态特征采用的方法包括HLAC(Higher-order Local Auto-Correlation)。
进一步地，所述步骤五具体包括配置构建卷积耦合神经网络，采用已标定的图像数据库为训练样本进行预训练，采用迁移学习方法，以初步训练好的网络参数为初始值，对构建的胶囊内镜图像样本库进行训练，获得针对该图像库的分类网络，将训练好的CNN模型输出作为深度特征，并通过全连接层调整输出向量的长度；其中构建建卷积耦合神经网络采用的系统包括为Inception-V3，Inception-V3，ResNet50，ResNeXt50。
进一步地，所述步骤六中进行降维的方法包括主成分分析法，将降维到合适长度的两组向量进行融合的方法包括串联、典型相关分析以及多层感知机。
进一步地，适合图像样本库的融合方式可以通过比较优化，融合后的长度可以调整。
进一步地，所述步骤七中的多种融合向量为输入，构建多个分类器对样本库图像进行分类，所构建的分类器为支持向量机，分类器参数由样本库图像训练获得。
进一步地，所述步骤八中的多个分类器结果的软投票集成方式为加权软投票融合方法。
本发明使用深度特征与传统人选特征融合并且将多个分类器结果的软投票集成的方法用于胶囊内镜图像多病灶检测具有以下技术效果：
1.通过本发明的方法实现胶囊内镜图像病灶检测，极大降低了临床医生的诊断负担。
2.实现特征优势互补，能够同时利用卷积神经网络的高层语义特征抽象信息，以及胶囊内镜图像中丰富的颜色，纹理，形状的局部细节特征，弥补单个特征属性的不足。
3.通过深度特征与人工特征的组合提取，能够减少训练所需卷积神经网络的层数，避免过拟合情况发生，同时还减少网络模型的计算负担，提高检测精度。
4.充分利用了多个分类器结果的每一类病灶正确率的先验知识，检测精度更高。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的检测方法流程图；
图2是本发明的一个较佳实施例的建立和训练单个分类器的流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
实施例一
如图1所示，一种基于视觉特征融合的胶囊内镜图像多病灶检测方法包括以下完整步骤：
胶囊内镜图像数据采集：胶囊内镜图像包括正常图像、出血图像、溃疡图像、息肉图像、糜烂图像、静脉显露图像、水肿图像一共七类，每种类型各取1000张，共7000张图像，将这些图像分别存入带标签的文件夹中。
图像预处理：对获取到的图片进行预处理，去除图像边框，删除无用图像信息，在特征提取之前随机打乱数据集。
颜色特征提取：在HSV颜色空间下提取图像的三阶颜色矩颜色特征，对图像进行HSV颜色空间转换；而后将整张图片均匀分成25个不重叠的子块:
然后每块子块区域上的三阶颜色矩包括：一阶矩(均值)、二阶矩(方差)、三阶矩(斜度)
Figure BDA0002562838780000041
这里的p(i,j)代表图像i颜色通道中出现像素灰度值j的概率，N是图片块像素个数，最后串联25个子区域的颜色矩特征形成图像整体颜色矩特征特征维度为225维。
形状特征提取:在RGB空间转换的灰度图像和HSV压了空间的H(色调，这是因为S、V对光照变化比较敏感)分量中提取图像的高阶局部自相关(HLAC)作为图像的形状特征：高阶局部自相关函数定义为：
Figure BDA0002562838780000042
r表示当前像素点向量，a1,a2,...,aN代表r周边N个不同偏移向量。通过改变N(阶数)以及偏移向量能够获得不同数量的I(r)I(r+a1),...,I(r+aN)，为了平衡性能和计算量，在发明N的取值范围为N∈{0,1,2}，这样一来可以得到35种局部自相关模式，特征维数为1750(35×25×2)。
实施例二
纹理特征提取：
如图1所示在RGB颜色空间下提取图像的LBP纹理直方图纹理特征，LBP计算公式：
Figure BDA0002562838780000043
Figure BDA0002562838780000044
式子中gc代表中心点像素的灰度值；gn表示邻域半径内像素的灰度值，R为邻域半径。图像纹理特征提取是在RGB颜色空间下提取图像的统一局部二进制纹理直方图作为纹理特征，首先将图像分割成100块互补重叠的子块图像，之后分别提取每个子块的纹理直方图，最后按照顺序串联各区域特征形成整张完整图像的纹理特征，总计5900(59×100)维。
提取图像卷积神经网络特征：卷积神经网络的提取的深度特征有两种方法，一是在softmax层前的全连接层神经元个数为512个的全连接层作为融合之后的特征提取器；二是全连接层前的的全局池化层作为融合之后的特征提取器或者说是全连接层的神经元个数为2048的输入层作为特征提取器。先对图像进行归一化处理；将训练集作为输入馈送至建立的Inception-V3，ResNet50，ResNeXt50网络的输入层进行训练，收敛后得到模型权重参数，输入新的数据并以此提取深度特征。这里所提到的三个CNN网络模型结构图如下表：
Figure BDA0002562838780000051
ResNet50网络结构表
Figure BDA0002562838780000052
ResNeXt50网络结构表
Figure BDA0002562838780000061
实施例三
CNN特征及传统特征融合：
如图1所示，本发明采用了四种特征融合方法分别为串联融合，串联融合和PCA降维，典型相关分析融合，多层感知机融合。串联融合指的是将四种特征串接在一起。串联及PCA降维融合指的是将四种特征串接在一起之后经过PCA降维。典型相关分析融合指的是四种特征中的两种特征经过典型相关分析融合为一个特征，之后再将这个特征与剩下的特征中的一种特征继续融合，直至形成最后的融合特征。多层感知机融合指的是建立三层的多层感知机网络，在softmax层前的全连接层神经元个数为512个的全连接层作为融合之后的特征提取器，经过这个提取器提取的特征作为融合特征。
将上述提取的颜色特征，纹理特征，以及形态特征进行归一化，对上述三个卷积神经网络分别提取深度特征，将每一个深度特征分别与三种传统特征进行融合以产生新的特征，融合特征时采用串联融合，串联及PCA降维融合，典型相关分析融合，多层感知机进行融合四种方法。该基于深度的融合步骤如下：
分别提取三种传统特征，颜色矩，LBP，HLAC特征，然后将每种特征进行归一化，以便后面的特征融合。
将训练集的三种传统特征分别与三种卷积神经网络的提取的深度特征采用上述四种特征融合方法进行融合。
实施例四
如图2所示为建立和训练单个分类器的流程图。
分类器设计：采用支持向量机作为分类器，选取的核函数为Sigmoid核函数，并求取训练集中所有图像的每一种融合特征对支持向量机进行训练，得到适合与训练样本的分类器。本发明采用了三种卷积神经网络，每一种卷积神经网络有两种深度特征提取方法，特征融合方法有四种，因此共有24(3×2×4)种融合特征，共训练24个支持向量机。
分类器集成：上述24个分类器的结果会对训练样本库所有图片进行分类，对统计这24个结果中的每一类正确率。选取n个“好而不同”的分类器的每一类分类器正确率作为该分类器集成软投票的权重，将这n分类器输出的分类向量乘上对应分类器的权重并累加作为最终的结果。n个分类器m维的后验概率分布P，ω为n×m维权重矩阵，则软投票可以表示为：
Figure BDA0002562838780000071
其中，Pi代表第i个分类器后验概率分布，ωi为权重矩阵第i行(第i个分类器的每一类分类正确率)，Pf为软投票的结果，
Figure BDA0002562838780000072
为Hadamard乘积。
10折交叉验证：将样本集各类样本按照9:1随机抽取构成训练集与验证集，针对训练集，按照上述获得相应的深度网络，融合特征和分类器，并在验证集上测试分类器效果。重复10次上述随机试验，综合评价算法性能，最终确定各阶段最优参数。
获取胶囊内镜图像，进行图像预处理，提取颜色，纹理，形态特征，并将图像送入构建的深度网络中，获得对应的深度特征，然后进行特征融合，将多个融合后的特征送入多个分类器，获得多个分类结果，选取n个分类器的每一类正确率作为软投票权重，对n个分类器进行软投票集成，完成一张图像的检测。
重复上述步骤，直至所有图像完成检测。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种胶囊内镜图像多病灶检测方法，其特征在于，包括以下几个步骤：
步骤一：图像预处理，对所述胶囊内镜图像进行预处理；
步骤二：构造胶囊内镜图像样本库；
步骤三：构造胶囊内镜图像特征向量；
步骤四：使用步骤二构建的样本库训练卷积神经网络；
步骤五：使用步骤四中训练完成的卷积神经网络提取深度特征；
步骤六：特征融合，将步骤三与步骤五中提取的特征向量采用多种特征融合方法进行融合；
步骤七：训练多个分类器，以步骤六融合的多种向量为输入，构建多个分类器并训练；
步骤八：将步骤七中的多个分类器结果进行软投票集成，完成胶囊内镜图像识别；
步骤九：重复上述步骤，直至所有胶囊内镜图像完成识别。
2.如权利要求1所述的胶囊内镜图像多病灶检测方法，其特征在于，步骤一中所述图像预处理方法包括白平衡、归一化。
3.如权利要求1所述的胶囊内镜图像多病灶检测方法，其特征在于，所述步骤三中提取的特征向量包括颜色、纹理、形态。
4.如权利要求3所述的胶囊内镜图像多病灶检测方法，其特征在于，所述步骤三中提取胶囊内镜图像的颜色特征采用的方法包括1-3阶颜色矩。
5.如权利要求3所述的胶囊内镜图像多病灶检测方法，其特征在于，所述步骤三中提取胶囊内镜图像的纹理特征采用的方法包括局部二值模式LBP(Local Binary Pattern)。
6.如权利要求3所述的胶囊内镜图像多病灶检测方法，其特征在于，所述步骤三中提取胶囊内镜图像的形态特征采用的方法包括HLAC(Higher-order Local Auto-Correlation)。
7.如权利要求1所述的胶囊内镜图像多病灶检测方法，其特征在于，所述步骤五具体包括配置构建卷积耦合神经网络，采用已标定的图像数据库为训练样本进行预训练，采用迁移学习方法，以初步训练好的网络参数为初始值，对构建的胶囊内镜图像样本库进行训练，获得针对该图像库的分类网络，将训练好的CNN模型输出作为深度特征，并通过全连接层调整输出向量的长度；其中构建建卷积耦合神经网络采用的系统包括为Inception-V3，Inception-V3，ResNet50，ResNeXt50。
8.如权利要求1所述的胶囊内镜图像多病灶检测方法，其特征在于，所述步骤六中进行降维的方法包括主成分分析法，将降维到合适长度的两组向量进行融合的方法包括串联、典型相关分析以及多层感知机。
9.如权利要求1所述的胶囊内镜图像多病灶检测方法，其特征在于，所述步骤七中的多种融合向量为输入，构建多个分类器对样本库图像进行分类，所构建的分类器为支持向量机，分类器参数由样本库图像训练获得。
10.如权利要求1所述的胶囊内镜图像多病灶检测方法，其特征在于，所述步骤八中的多个分类器结果的软投票集成方式为加权软投票融合方法。
CN202010620368.3A 2020-06-30 2020-06-30 一种胶囊内镜图像多病灶检测方法 Active CN111784669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010620368.3A CN111784669B (zh) 2020-06-30 2020-06-30 一种胶囊内镜图像多病灶检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010620368.3A CN111784669B (zh) 2020-06-30 2020-06-30 一种胶囊内镜图像多病灶检测方法

Publications (2)

Publication Number Publication Date
CN111784669A true CN111784669A (zh) 2020-10-16
CN111784669B CN111784669B (zh) 2024-04-02

Family

ID=72760898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010620368.3A Active CN111784669B (zh) 2020-06-30 2020-06-30 一种胶囊内镜图像多病灶检测方法

Country Status (1)

Country Link
CN (1) CN111784669B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065430A (zh) * 2021-03-22 2021-07-02 天津大学 基于深度学习特征与人工提取特征融合的白细胞分类方法
CN115393356A (zh) * 2022-10-27 2022-11-25 武汉楚精灵医疗科技有限公司 目标部位异常形态识别方法、装置及计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102214304A (zh) * 2010-04-09 2011-10-12 索尼公司 信息处理设备、信息处理方法、和程序
US20130259445A1 (en) * 2012-03-28 2013-10-03 Sony Corporation Information processing device, information processing method, and program
CN105139039A (zh) * 2015-09-29 2015-12-09 河北工业大学 视频序列中人脸微表情的识别方法
WO2016017533A1 (ja) * 2014-07-29 2016-02-04 国立大学法人浜松医科大学 識別装置および識別方法
CN107657281A (zh) * 2017-09-28 2018-02-02 辽宁工程技术大学 一种基于改进的卷积神经网络的图像识别方法
WO2018055014A1 (en) * 2016-09-23 2018-03-29 Ventana Medical Systems, Inc. Methods and systems for scoring extracellular matrix biomarkers in tumor samples
CN110163442A (zh) * 2019-05-27 2019-08-23 华北理工大学 一种基于集成学习的气井积液预测方法
CN110705440A (zh) * 2019-09-27 2020-01-17 贵州大学 一种基于神经网络特征融合的胶囊内镜图像识别模型

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102214304A (zh) * 2010-04-09 2011-10-12 索尼公司 信息处理设备、信息处理方法、和程序
US20120057775A1 (en) * 2010-04-09 2012-03-08 Hirotaka Suzuki Information processing device, information processing method, and program
US20130259445A1 (en) * 2012-03-28 2013-10-03 Sony Corporation Information processing device, information processing method, and program
WO2016017533A1 (ja) * 2014-07-29 2016-02-04 国立大学法人浜松医科大学 識別装置および識別方法
CN105139039A (zh) * 2015-09-29 2015-12-09 河北工业大学 视频序列中人脸微表情的识别方法
WO2018055014A1 (en) * 2016-09-23 2018-03-29 Ventana Medical Systems, Inc. Methods and systems for scoring extracellular matrix biomarkers in tumor samples
CN107657281A (zh) * 2017-09-28 2018-02-02 辽宁工程技术大学 一种基于改进的卷积神经网络的图像识别方法
CN110163442A (zh) * 2019-05-27 2019-08-23 华北理工大学 一种基于集成学习的气井积液预测方法
CN110705440A (zh) * 2019-09-27 2020-01-17 贵州大学 一种基于神经网络特征融合的胶囊内镜图像识别模型

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065430A (zh) * 2021-03-22 2021-07-02 天津大学 基于深度学习特征与人工提取特征融合的白细胞分类方法
CN115393356A (zh) * 2022-10-27 2022-11-25 武汉楚精灵医疗科技有限公司 目标部位异常形态识别方法、装置及计算机可读存储介质
CN115393356B (zh) * 2022-10-27 2023-02-03 武汉楚精灵医疗科技有限公司 目标部位异常形态识别方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN111784669B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
Li et al. Computer-aided detection of bleeding regions for capsule endoscopy images
CN110600122B (zh) 一种消化道影像的处理方法、装置、以及医疗系统
Li et al. Computer-based detection of bleeding and ulcer in wireless capsule endoscopy images by chromaticity moments
Jain et al. Detection of abnormality in wireless capsule endoscopy images using fractal features
CN113496489B (zh) 内窥镜图像分类模型的训练方法、图像分类方法和装置
CN110705440B (zh) 一种基于神经网络特征融合的胶囊内镜图像识别模型
Ghosh et al. Effective deep learning for semantic segmentation based bleeding zone detection in capsule endoscopy images
CN106934799A (zh) 胶囊内窥镜图像辅助阅片系统及方法
CN107292347A (zh) 一种胶囊内窥镜图像识别方法
Naz et al. Detection and classification of gastrointestinal diseases using machine learning
CN111784669B (zh) 一种胶囊内镜图像多病灶检测方法
CN105023023B (zh) 一种用于计算机辅助诊断的乳腺b超图像特征自学习提取方法
CN112101424A (zh) 一种视网膜病变识别模型的生成方法、识别装置及设备
CN117036905A (zh) 一种基于hsv色彩空间颜色注意力的胶囊内窥镜图像病灶识别方法
CN109310292A (zh) 图像处理装置、学习装置、图像处理方法、识别基准的生成方法、学习方法和程序
Afriyie et al. Exploring optimised capsule network on complex images for medical diagnosis
CN116758042A (zh) 一种基于形变Transformer的肠化生严重程度分级系统
Jain et al. Deep learning models for anomaly detection in wireless capsule endoscopy video frames: The transfer learning approach
Deepa et al. Pre-Trained Convolutional Neural Network for Automated Grading of Diabetic Retinopathy
Li et al. Computer aided detection of bleeding in capsule endoscopy images
Sharmila et al. Detection and classification of GI-tract anomalies from endoscopic images using deep learning
Li et al. Using ensemble classifier for small bowel ulcer detection in wireless capsule endoscopy images
Iyer et al. Deep learning model for disease prediction using gastrointestinal-endoscopic images
Auzine et al. Classification of artefacts in endoscopic images using deep neural network
Li Recognizing polyps in wireless endoscopy images using deep stacked auto encoder with constraint image model in flexible medical sensor platform

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