CN111860129A - 基于bp神经网络和细胞力学特性参数的癌细胞分类方法 - Google Patents

基于bp神经网络和细胞力学特性参数的癌细胞分类方法 Download PDF

Info

Publication number
CN111860129A
CN111860129A CN202010505655.XA CN202010505655A CN111860129A CN 111860129 A CN111860129 A CN 111860129A CN 202010505655 A CN202010505655 A CN 202010505655A CN 111860129 A CN111860129 A CN 111860129A
Authority
CN
China
Prior art keywords
neural network
cell
cancer cells
data
cancer cell
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
CN202010505655.XA
Other languages
English (en)
Inventor
田延岭
林旺江
朱鑫垚
王伟杰
刘柱
张伟
吕荣宇
卢康康
王福军
张大卫
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202010505655.XA priority Critical patent/CN111860129A/zh
Publication of CN111860129A publication Critical patent/CN111860129A/zh
Pending legal-status Critical Current

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
    • G06V20/698—Matching; Classification
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06V20/693—Acquisition
    • 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)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

一种基于BP神经网络和细胞力学特性参数的癌细胞分类方法，以肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的细胞力学参数作为输入数据，以细胞的种类分类作为输出数据，建立BP神经网络，来识别细胞的类型。本发明具有速度快、自动化、准确率高的优点，为癌细胞的识别分类节省了大量的人力成本、物力成本、时间成本，有助于人们从细胞力学角度来看待癌细胞的识别分类，为癌细胞识别分类提供一个新的视角，同时减少了传统方法中人为主管因素所带来的癌细胞识别分类误差。本发明的方法，细胞识别准确率为100％，即误差为0，准确率高，且是由程序自动化识别，为癌症的识别分类提供了一种有效的补充方法。

Description

基于BP神经网络和细胞力学特性参数的癌细胞分类方法
技术领域
本发明涉及一种癌细胞识别分类方法。特别是涉及一种基于BP神经网络和细胞力学特性参数的癌细胞分类方法。
背景技术
21世纪以来癌症发病率越发走高，己经成为危害人类生命的一种严重疾病。
目前常用的癌症分类识别方法为CT、核磁共振等，主要是从细胞的形态学表征作为出发点，通过各种影像技术，结合医生的临床经验来识别。不过由于一些癌症(包括同器官的不同癌细胞，还是不同器官的癌细胞)具有相类似的组织病理学、形态学，因此将会消耗大量的时间精力来识别，且识别的成功率取决于医生的主观因素，因此非常有必要研发一种速度快、自动化、准确率高的癌症识别分类方法。
细胞的力学性能分析具有非常重大的意义，为人类疾病研究和诊断方面提供了重要科学数据，随着生命科学和纳米技术的不断发展，人们认识到细胞的病变会导致细胞骨架构型发生变化，而在后者中细胞的力学特性扮演着决定性作用，细胞力学影响到生物信号在细胞内的传递，且不同类型的癌细胞力学性能往往也大不相同，因此细胞的力学特性已经成为研究癌细胞的重要方式，因而利用细胞的力学特性来识别癌细胞类型成为一种新的癌细胞识别分类方法。
发明内容
本发明所要解决的技术问题是，提供一种具有速度快、自动化、准确率高的基于BP神经网络和细胞力学特性参数的癌细胞分类方法。
本发明所采用的技术方案是：一种基于BP神经网络和细胞力学特性参数的癌细胞分类方法，以肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的细胞力学参数作为输入数据，以细胞的种类分类作为输出数据，建立BP神经网络，来识别细胞的类型；具体包括如下步骤：
1)分别获取肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的杨氏模量、黏附功、粘附力、细胞高度、表面粗糙度的数据作为输入数据；
2)将输入的数据随机打乱，重新排序，且按照4：1：5的比率，将输入数据分成训练数据、验证数据、测试数据，并进行归一化操作；
3)创建BP神经网络，其中输入层节点为5；隐含层为6层，每层的节点为10；输出层的节点为4；
4)确定BP神经网络的参数，包括：设置激活函数为Softmax函数，学习率为0.1，采用Batch Normalizarion来避免梯度消失，优化方法采用Adam，目标函数采用CrossEntropy；
5)将训练数据送入设置好参数的BP神经网络，进行BP神经网络的前向计算，得到相应的权值参数W、b和实际输出y；
6)将得到的实际输出y与期望输出计算误差，然后根据目标函数以及误差进行BP神经网络的反向传播计算，来更新BP神经网络的权值参数W和b，得到训练好的BP神经网络；
7)将验证数据输入训练好的BP神经网络，获得BP神经网络的预测输出，将所述的预测输出与期望输出做误差运算，得到BP神经网络的误差，并计算正确率，所述的正确率为95％；
8)重复步骤5)～步骤7)，直到正确率达到设定值，得到最终的BP神经网络；
9)将测试数据代入最终的BP神经网络，来测试最终的BP神经网络的实际效果；
10)重新通过原子力显微镜分别对肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC进行纳米压痕实验，再获取肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的杨氏模量、黏附功、粘附力、细胞高度、表面粗糙度的数据，放入最终的BP神经网络中，来快速识别细胞的类型。
本发明的基于BP神经网络和细胞力学特性参数的癌细胞分类方法，相比较于传统的方法，该方法具有速度快、自动化、准确率高的优点，为癌细胞的识别分类节省了大量的人力成本、物力成本、时间成本，有助于人们从细胞力学角度来看待癌细胞的识别分类，为癌细胞识别分类提供一个新的视角，同时减少了传统方法中人为主管因素所带来的癌细胞识别分类误差。本发明的方法，细胞识别准确率为100％，即误差为0，准确率高，且是由程序自动化识别，为癌症的识别分类提供了一种有效的补充方法。
附图说明
图1是本发明基于BP神经网络和细胞力学特性参数的癌细胞分类方法的流程图；
图2是本发明方法对相关细胞的力学特性数据使用后的误差图像；
图3是本发明方法对相关细胞的力学特性数据使用后的Accuracy图像。
具体实施方式
下面结合实施例和附图对本发明的基于BP神经网络和细胞力学特性参数的癌细胞分类方法做出详细说明。
本发明的基于BP神经网络和细胞力学特性参数的癌细胞分类方法，以肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的细胞力学参数作为输入数据，以细胞的种类分类作为输出数据，建立BP神经网络，来识别细胞的类型；如图1所示，具体包括如下步骤：
1)分别获取肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的杨氏模量、黏附功、粘附力、细胞高度、表面粗糙度的数据作为输入数据；
是通过原子力显微镜分别对肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC进行纳米压痕实验，获取肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的杨氏模量、黏附功、粘附力、细胞高度、表面粗糙度的数据。
2)将输入的数据随机打乱，重新排序，且按照4：1：5的比率，将输入数据分成训练数据、验证数据、测试数据，并进行归一化操作；
所述的归一化操作，是数据减去对应维度的最小值除以维度最大值减去维度最小值，这样做可以将数值压缩到[0,1]的区间；
3)创建BP神经网络，其中输入层节点为5；隐含层为6层，每层的节点为10；输出层的节点为4；
4)确定BP神经网络的参数，包括：设置激活函数为Softmax函数，学习率为0.1，采用Batch Normalizarion来避免梯度消失，优化方法采用Adam，目标函数采用CrossEntropy；
5)将训练数据送入设置好参数的BP神经网络，进行BP神经网络的前向计算，得到相应的权值参数W、b和实际输出y；
6)将得到的实际输出y与期望输出计算误差，然后根据目标函数以及误差进行BP神经网络的反向传播计算，来更新BP神经网络的权值参数W和b，得到训练好的BP神经网络；
7)将验证数据输入训练好的BP神经网络，获得BP神经网络的预测输出，将所述的预测输出与期望输出做误差运算，得到BP神经网络的误差(Cost)，并计算正确率(Accuracy)；
8)重复步骤5)～步骤7)，直到正确率达到设定值，所述正确率的设定值为95％，得到最终的BP神经网络；
9)将测试数据代入最终的BP神经网络，来测试最终的BP神经网络的实际效果；
10)重新通过原子力显微镜分别对肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC进行纳米压痕实验，再获取肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的杨氏模量、黏附功、粘附力、细胞高度、表面粗糙度的数据，放入最终的BP神经网络中，来快速识别细胞的类型。
本发明的基于BP神经网络和细胞力学特性参数的癌细胞分类方法，旨在克服传统癌症识别方法中存在的耗时长、人工成本高、准确率无法保证的问题。根据图3可以看出，本发明的方法的细胞识别准确率为100％，图2可看出本发明的方法的误差为0，准确率高，且是由程序自动化识别，节省了大量的人力与时间，为癌症的识别分类提供了一种有效的补充方法。
本发明的基于BP神经网络和细胞力学特性参数的癌细胞分类方法，也可以针对不同类型的细胞力学数据重新训练BP神经网络，以此识别不同类型的细胞种类。
下面结合实例详细说明本发明的基于BP神经网络和细胞力学特性参数的癌细胞分类方法。
(1)先利用细胞生物学以及细胞力学相关的知识获取相关癌细胞力学特性参数数据，其数据分别1000组，每组有5个特征，以此作为BP神经网络的输入数据；
(2)利用matlab的自带函数randperm函数对步骤(1)的输入数据进行随机排序；然后根据4：1：5的比率将步骤(1)的输入数据进行分类，分别为训练数据、验证数据、测试数据，其中训练数据用于BP神经网络的训练，验证数据通过交叉验证的方式对所训练的BP神经网络进行筛选来获得效果良好的模型，测试数据用于最后模型正确性以及实用性的测试证明；
(3)创建BP神经网络，其中根据训练数据的特征为5，所以设置输入层的节点为5；隐藏层设置6层，每层的节点为10；因为该方法的主要目标是实现6类癌细胞的识别分类，因此输出节点设置为6；
(4)设置BP神经网络的训练参数及其所应用的函数，激活函数使用“Softmax”；学习率为0.1；通过Batch Normalization来避免梯度消失问题；通过“Adam”优化方法来解决各方向梯度不一致以及梯度随机性问题，以此更新权值参数W和b；目标函数用“CrossEntropy”，结合激活函数“Softmax”,可以很好地避免梯度弥散，最重要的是其计算只有减法，非常方便和高效；
(5)随机初始化权值参数W和b，将步骤(2)的训练数据进行分批处理，即分成若干份mini-batch，每份100个数据，然后送入步骤(4)设置好的BP神经网络，进行BP神经网络的前向计算，得到权值参数W和b以及模型的实际输出y；
(6)将步骤(5)的得到实际输出与训练数据的期望输出计算误差，然后根据“CrossEntropy”目标函数以及误差进行BP神经网络的反向传播计算，计算时采用链式法则、求偏导的方式来计算误差给权值参数W和b带来变化，以此来更新BP神经网络的权值参数W和b，直到
Figure BDA0002526441290000041
(7)将验证数据输入步骤(6)中更新权值参数W和b后的BP神经网络即训练好的BP神经网络模型，获得BP神经网络的预测输出，将预测输出与验证数据的期望输出计算，得到BP神经网络的误差和Accuracy；
(8)重复步骤(5)到(7)，直到误差足够小(满足要求)和正确率足够高，保存下此时的BP神经网络模型以及相关设置和权值参数；
(9)将测试数据代入步骤(8)，来测试训练好的BP神经网络模型的实际效果，如果效果、效率皆达到理想状态，则结束模型训练，意味着已经达到癌细胞分类诊断的目的，若未达到理想状态，则返回步骤(5)；
(10)重新通过细胞力学实验获取相关癌细胞的力学特性参数，放入BP神经网络模型中，来快速识别细胞的类型；也可以利用该方法来针对不同类型的细胞力学数据重新训练BP神经网络，以此来增加该方法能识别的癌细胞类型。
尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以作出很多形式，这些均属于本发明的保护范围之内。

Claims (5)

1.一种基于BP神经网络和细胞力学特性参数的癌细胞分类方法，其特征在于，以肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的细胞力学参数作为输入数据，以细胞的种类分类作为输出数据，建立BP神经网络，来识别细胞的类型；具体包括如下步骤：
1)分别获取肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的杨氏模量、黏附功、粘附力、细胞高度、表面粗糙度的数据作为输入数据；
2)将输入的数据随机打乱，重新排序，且按照4：1：5的比率，将输入数据分成训练数据、验证数据、测试数据，并进行归一化操作；
3)创建BP神经网络，其中输入层节点为5；隐含层为6层，每层的节点为10；输出层的节点为4；
4)确定BP神经网络的参数，包括：设置激活函数为Softmax函数，学习率为0.1，采用Batch Normalizarion来避免梯度消失，优化方法采用Adam，目标函数采用Cross Entropy；
5)将训练数据送入设置好参数的BP神经网络，进行BP神经网络的前向计算，得到相应的权值参数W、b和实际输出y；
6)将得到的实际输出y与期望输出计算误差，然后根据目标函数以及误差进行BP神经网络的反向传播计算，来更新BP神经网络的权值参数W和b，得到训练好的BP神经网络；
7)将验证数据输入训练好的BP神经网络，获得BP神经网络的预测输出，将所述的预测输出与期望输出做误差运算，得到BP神经网络的误差，并计算正确率，所述的正确率为95％；
8)重复步骤5)～步骤7)，直到正确率达到设定值，得到最终的BP神经网络；
9)将测试数据代入最终的BP神经网络，来测试最终的BP神经网络的实际效果；
10)重新通过原子力显微镜分别对肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC进行纳米压痕实验，再获取肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的杨氏模量、黏附功、粘附力、细胞高度、表面粗糙度的数据，放入最终的BP神经网络中，来快速识别细胞的类型。
2.根据权利要求1所述的基于BP神经网络和细胞力学特性参数的癌细胞分类方法，其特征在于，步骤1)是通过原子力显微镜分别对肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC进行纳米压痕实验，获取肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的杨氏模量、黏附功、粘附力、细胞高度、表面粗糙度的数据。
3.根据权利要求1所述的基于BP神经网络和细胞力学特性参数的癌细胞分类方法，其特征在于，步骤2)所述的归一化操作，是将输入数据减去对应维度的最小值，再除以维度最大值减去维度最小值，将数值压缩到[0,1]的区间。
4.根据权利要求1所述的基于BP神经网络和细胞力学特性参数的癌细胞分类方法，其特征在于，步骤8)所述正确率的设定值为95％。
5.根据权利要求1所述的基于BP神经网络和细胞力学特性参数的癌细胞分类方法，其特征在于，针对不同类型的细胞力学数据重新训练BP神经网络，以此识别不同类型的细胞种类。
CN202010505655.XA 2020-06-05 2020-06-05 基于bp神经网络和细胞力学特性参数的癌细胞分类方法 Pending CN111860129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010505655.XA CN111860129A (zh) 2020-06-05 2020-06-05 基于bp神经网络和细胞力学特性参数的癌细胞分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010505655.XA CN111860129A (zh) 2020-06-05 2020-06-05 基于bp神经网络和细胞力学特性参数的癌细胞分类方法

Publications (1)

Publication Number Publication Date
CN111860129A true CN111860129A (zh) 2020-10-30

Family

ID=72986052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010505655.XA Pending CN111860129A (zh) 2020-06-05 2020-06-05 基于bp神经网络和细胞力学特性参数的癌细胞分类方法

Country Status (1)

Country Link
CN (1) CN111860129A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364032A (zh) * 2018-03-27 2018-08-03 哈尔滨理工大学 一种基于卷积神经网络的宫颈癌细胞图片识别算法
CN109711549A (zh) * 2018-12-27 2019-05-03 中国农业大学 一种基于遗传算法优化bp神经网络的奶牛乳房炎检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364032A (zh) * 2018-03-27 2018-08-03 哈尔滨理工大学 一种基于卷积神经网络的宫颈癌细胞图片识别算法
CN109711549A (zh) * 2018-12-27 2019-05-03 中国农业大学 一种基于遗传算法优化bp神经网络的奶牛乳房炎检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李博: "基于BP神经网络的肺癌细胞图像处理系统的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *
滕艳群: "基于原子力显微镜的乳腺癌细胞的弹性研究", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 *

Similar Documents

Publication Publication Date Title
CN111783854B (zh) 胚胎妊娠状态智能预测方法及系统
CN109584254A (zh) 一种基于深层全卷积神经网络的心脏左心室分割方法
CN106096654A (zh) 一种基于深度学习和结合策略的细胞异型性自动分级方法
Zemouri et al. Breast cancer diagnosis based on joint variable selection and constructive deep neural network
CN110111895A (zh) 一种鼻咽癌远端转移预测模型的建立方法
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
CN112381178B (zh) 一种基于多损失特征学习的医学影像分类方法
CN111785375B (zh) 胚胎分裂过程分析及妊娠率智能预测方法及系统
CN112784879A (zh) 一种基于小样本域自适应的医学影像分割或分类方法
CN115393269A (zh) 一种基于多模态影像数据的可扩展多层级图神经网络模型
CN110543916B (zh) 一种缺失多视图数据的分类方法及系统
Ye et al. Cervical cancer metastasis and recurrence risk prediction based on deep convolutional neural network
WO2021243783A1 (zh) 一种提取b超图像显著纹理特征的方法及其应用
CN112446891A (zh) 基于U-Net网络脑胶质瘤的医学图像分割方法
CN110910377B (zh) 一种基于神经网络的脑梗死mri图像识别方法
CN115050477B (zh) 一种贝叶斯优化的RF与LightGBM疾病预测方法
CN111899869A (zh) 一种抑郁症患者识别系统及其识别方法
CN113011306A (zh) 连续成熟阶段骨髓细胞图像自动识别方法、系统及介质
CN113274031B (zh) 一种基于深度卷积残差网络的心律失常分类方法
CN105719293A (zh) 一种脑部mri图像分割方法
CN110827922A (zh) 基于循环神经网络的羊水蛋白质的预测方法
Wang et al. Metastatic cancer image binary classification based on resnet model
Li et al. A deep learning method for material performance recognition in laser additive manufacturing
Kumar et al. Colon cancer classification of histopathological images using data augmentation
CN111462082A (zh) 一种病灶图片识别装置、方法、设备及可读存储介质

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