CN111860585A - 一种基于超声影像人工智能算法的脂肪肝自动检测方法 - Google Patents
一种基于超声影像人工智能算法的脂肪肝自动检测方法 Download PDFInfo
- Publication number
- CN111860585A CN111860585A CN202010530102.XA CN202010530102A CN111860585A CN 111860585 A CN111860585 A CN 111860585A CN 202010530102 A CN202010530102 A CN 202010530102A CN 111860585 A CN111860585 A CN 111860585A
- Authority
- CN
- China
- Prior art keywords
- fatty liver
- model
- steps
- artificial intelligence
- ultrasonic image
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 208000004930 Fatty Liver Diseases 0.000 title claims abstract description 23
- 206010019708 Hepatic steatosis Diseases 0.000 title claims abstract description 22
- 208000010706 fatty liver disease Diseases 0.000 title claims abstract description 22
- 231100000240 steatosis hepatitis Toxicity 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000011478 gradient descent method Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 210000004185 liver Anatomy 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000002604 ultrasonography Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 4
- 239000000523 sample Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract 1
- 230000007423 decrease Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000002440 hepatic effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000007681 bariatric surgery Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003494 hepatocyte Anatomy 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000005817 liver abnormality Effects 0.000 description 1
- 238000012317 liver biopsy Methods 0.000 description 1
- 210000005228 liver tissue Anatomy 0.000 description 1
- 238000002324 minimally invasive surgery Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000008338 non-alcoholic fatty liver disease Diseases 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于超声影像人工智能算法的脂肪肝自动检测方法，其步骤包括获取数据集、数据集预处理、建立模型、模型连接输出层以及模型训练。其中，本方法基于现有模型Keras参数进行优化，将其卷积神经网络中默认的“adam”替换成随机梯度下降法“SGD”，并对训练过程进行了改变，增加了训练环节：先锁定nceptionResNetV2，并使用支持向量算法训练。本发明，使用了提前终止、降低维度以及正则化避免了过拟合，经过验证，其计算精度有效提高。
Description
技术领域
本发明涉及一种基于超声影像人工智能算法的脂肪肝自动检测方法，属于人工智能算法技术领域。
背景技术
非酒精性脂肪肝是最常见的肝脏异常。到目前为止，肝活检是参考肝组织样品中直接肝脂肪变性定量的标准。经皮肝穿刺是根据负压吸引的原理，采用快速穿刺方法，从肝内抽取少量的肝组织，直接在显微镜下观察其组织形态的改变。可见，病患需要进行微创手术，且检测周期较长。因此，人们提供一系列基于超声影像的图像识别算法，其直接使用convolutional neural network默认的 adam算法进行迭代，其计算精度一般。因此，需要本种基于超声影像人工智能算法的脂肪肝自动检测方法，以提高计算精度。
发明内容
为了解决上述技术问题，本发明提供一种基于超声影像人工智能算法的脂肪肝自动检测方法，包括步骤1：获取数据集：共N个患者，每个患者获取连续十张B超图片，共10*N张图片组成图像数据集；
步骤2：数据集预处理：删除无关数据；
步骤3：建立模型：以ImageNet预训练的Inception-ResNet-v2模型作为基础，通过全局平均池化层提取神经网络特征；
步骤4：模型连接输出层：利用支持向量机算法对图像数据集进行分类；
步骤5：模型训练：使用随机梯度下降法训练模型，并在小批量数据上计算损失函数的梯度而迭代地更新权重与偏置项。
进一步的，所述步骤1获取数据集使用GE Vivid E9超声系统配备的扇形探针在2.5 MHz下操作，操作模式为一般腹部预设与谐波图像-摄取，获取图片的分辨率等于434×636。
进一步的，所述步骤2中的无关数据包括帧数.
进一步的，所述步骤3的锁定卷积神经网络模型的Inception-ResNet-v2为使用用开源人工神经网络库Keras中实现的Inception-ResNet-v2 卷积神经网络模型，用Python进行计算；每张图像作为网络输入，从全局平均池化层提取网络卷积神经特征。
进一步的，获取网络卷积神经特征的步骤包括：第一初始化卷基层，获得A模块；第二：维度削减，获得B模块；第三，维度削减，获得C模块；第四，全局平均池话，获得自然特征；第五，去掉零方差特征。
进一步的，所述步骤4中利用支持向量机算法对图像数据集进行分类包括
首先采用排除离群值方法对网络卷积神经特征进行归一化处理；
其次设定测试集包括来自一名患者的10张图像，训练集包括来自其余患者的9N张图像；
然后每个训练集，应用5-fold交叉验证和网格搜索来表示最佳支持向量机分类器的超参数和最佳内核；在训练集中，每个类的支持向量机超参数与该类频率成反比调整；标签1表示含有脂肪肝的图像，否则为-1；
最后对测试集中的每个图像进行后验概率的计算，并将结果进行平均，得到与被检肝脏相关的最终后验概率。
进一步的，所述随机梯度下降法训练过程中使用提前终止、降低模型复杂度和添加L2正则化以避免出现过拟合。
进一步的，所述提前终止包括设置模型在连续10次迭代没有取得下降后，即时终止训练，并保存最优模型。
进一步的，所述降低模型复杂度包括使用Dropout随机删除网络中一半的隐藏神经元，并保持输入输出神经元保持不变；然后把网络输入图像通过修改后的网络前向传播，把得到的损失结果通过修改的网络反向传播，并不断重复这一过程。
进一步的，添加L2正则化为让权值减小，最够一个所有参数都较小的模型。，其具体技术方案如下：
本发明的有益效果是：本方法可以帮助自动计算出人体患有脂肪肝的概率，并且较之现有技术提高了计算精度。
附图说明
图1为本发明的逻辑顺序结构图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
步骤一：数据集包括55名患者，平均年龄40.1±9.1，平均BMI为45.9±5.6，男性占20%，均为入院接受减肥手术。脂肪肝被定义为肝脏有5%以上的肝细胞伴有脂肪性浸润。55名患 者中，有38人患有脂肪肝。 使用GE Vivid E9超声系统（GE Healthcare INC，Horten，Nor- way）配备的扇形探针在2.5 MHz下操作的超声数据。默认的模式为一般腹部预设与谐波图像-摄取。B模式图像像素大小为0.373毫米×0.373毫米。对于每个患者，获取其收集10个连续的图像， 使得该数据集包含550张B模式图像。
步骤二：对获取的数据集中的肝脏B型图像进行预处理，删除无关数据，如帧数。
步骤三：卷积神经网络的特征提取使用Keras中实现的Inception-ResNet-v2 卷积神经网络。计算是用Python进行的。每张肝脏图像作为网络输入，从全局平均池化层提取相应的神经特征，主要步骤包括：第一初始化卷基层，获得Inception-resnet-A模块，第二维度削减，获得Inception-resnet-B模块，第三再次维度削减，获得Inception-resnet-C模块，第四全局平均池化获得自然特征，最后去掉零方差特征。
步骤四：利用支持向量机算法对脂肪肝图像数据集进行分类。首选采用排除离群值的方法对特征进行归一化处理。设定测试集包括1名患者的10张图像。训练集包括来自其余54名患者的540张图像。对于每个训练集，应用5-fold交 验证和网格搜索来表示最佳支持向量机分类器的超参数和最佳内核。为了解决类不平衡问题，在训练集中，每个类的支持向量机超参数C与该类频率成反比调整。标签1表示含有脂肪肝的 图像，否则为-1。训练阶段结束后，对测试集中的每个图像进行后验概率的计算，并将结果进行平均，得到与被检肝脏相关的最终后验概率。
步骤五：使用随机梯度下降法(SGD Stochastic Gradient Descent)训练模型。由于批梯度 下降每跟新一个参数的时候，要用到所有的样本数，所以训练速度会随着样本数量的增加而变得非 常缓慢。随机梯度下降正是为了解决这个办法而提出的。利用每个样本的损失函数对θ求偏导得到 对应的梯度，来更新θ：
其中，θ是权重矩阵，x是 输入矩阵，y是实际输出值。
针对训练过程中出现的过拟合，使用以下三种方法避免提前终止。
第一：提前终止。大部分情况下，模型会首先学习数据的正确分布，然后在某个时间点上开始对 数据过拟合。通过识别模型是从哪些地方开始发生转变的，那么就可以在过拟合出现之前 停止模型的学习过程。设置模型在validation loss连续10次迭代没有取得下降后，即时终止训练，并保存最优模型，防止模型过拟合。
第二：使用Dropout降低模型复杂度。首先随机（临时）删掉网络中一半的隐藏神经元，输入 输出神经元保持不变。然后把输入矩阵通过修改后的网络前向传播，然后把得到的损失结果通过修改的网络反向传播，并不断重复这一过程。
第三：添加L2 正则化（Regularization）：拟合过程中通常都倾向于让权值尽可能小，最后构造一个所有参数都比较小的模型。因为一般认为参数值小的模型比较简单，能适应不同的数 据集，也在一定程度上避免了过拟合现象。通过添加正则化，增强了模型的抗扰动能力， 避免过拟合。
实施例：
迭代前代码：fatty-liver-test_before.ipynb
迭代后代码：fatty-liver-test_after.ipynb
迭代前结果：
| Fold | Loss | Accuracy |
| Fold 1 | 0.7581310348077254 | 85.45454740524292% |
| Fold 2 | 0.9128700689835982 | 80.90909123420715% |
| Fold 3 | 0.930948036367243 | 79.09091114997864% |
| Fold 4 | 0.7006572008132934 | 90.90909361839294% |
| Fold 5 | 0.6313939235427163 | 92.72727370262146% |
总结：平均精度 - 85.8%， 最高精度 - 92.7%
迭代后结果：
| Fold | Loss | Accuracy |
| Fold 1 | 0.9807793877341531 | 75.45454502105713% |
| Fold 2 | 0.8177721001885154 | 89.99999761581421% |
| Fold 3 | 0.5865283370018005 | 97.27272987365723% |
| Fold 4 | 0.7427744063464078 | 89.09090757369995% |
| Fold 5 | 0.6411464604464444 | 94.54545378684998% |
总结：平均精度 - 89.3%，最高精度 - 97.3%。
由此可见，使用本申请的方法提高了计算精度。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (9)
1.一种基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：
包括步骤1：获取数据集：共N个患者，每个患者获取连续十张B超图片，共10N张图片组成图像数据集；
步骤2：数据集预处理：删除图像数据集中的无关数据；
步骤3：建立模型：以ImageNet预训练的Inception-ResNet-v2模型作为基础，通过全局平均池化层提取神经网络特征；
步骤4：模型连接输出层：利用支持向量机算法对图像数据集进行分类；
步骤5：模型训练：使用随机梯度下降法训练模型，在小批量数据上计算损失函数的梯度并迭代地更新权重与偏置项。
2.根据权利要求1所述的基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：所述步骤1获取数据集使用GE Vivid E9超声系统配备的扇形探针在2.5 MHz下操作，操作模式为一般腹部预设与谐波图像，获取图片的分辨率等于434×636。
3.根据权利要求1所述的基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：所述步骤2中的无关数据包括帧数。
4.根据权利要求1所述的基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：
所述步骤3中使用开源人工神经网络库Keras中实现的Inception-ResNet-v2 卷积神经网络模型，用Python进行计算；每张图像作为网络输入，从全局平均池化层提取网络卷积神经特征。
5.根据权利要求4所述的基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：获取网络卷积神经特征的步骤包括：第一初始化卷基层，获得A模块；第二维度削减，获得B模块；第三再次维度削减，获得C模块；第四全局平均池话，获得自然特征；第五去掉零方差特征。
6.根据权利要求1所述的基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：
所述步骤4中利用支持向量机算法对图像数据集进行分类包括：首先采用排除离群值方法对网络卷积神经特征进行归一化处理；其次设定测试集包括来自一名患者的10张图像，训练集包括来自其余患者的9N张图像；然后每个训练集，应用5-fold交叉验证和网格搜索来表示最佳支持向量机分类器的超参数和最佳内核；在训练集中，每个类的支持向量机超参数与该类频率成反比调整；标签1表示含有脂肪肝的图像，否则为-1；最后对测试集中的每个图像进行后验概率的计算，并将结果进行平均，得到与被检肝脏相关的最终后验概率。
7.根据权利要求1所述的基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：
所述随机梯度下降法训练过程中使用提前终止、降低模型复杂度和添加L2正则化以避免出现过拟合。
8.根据权利要求7所述的基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：所述提前终止包括设置模型在连续10次迭代没有取得下降后，即时终止训练，并保存最优模型。
9.根据权利要求7所述的基于超声影像人工智能算法的脂肪肝自动检测方法，其特征在于：所述降低模型复杂度包括使用Dropout随机删除网络中一半的隐藏神经元，并保持输入输出神经元保持不变；然后把网络输入图像通过修改后的网络前向传播，把得到的损失结果通过修改的网络反向传播，并不断重复这一过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010530102.XA CN111860585A (zh) | 2020-06-11 | 2020-06-11 | 一种基于超声影像人工智能算法的脂肪肝自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010530102.XA CN111860585A (zh) | 2020-06-11 | 2020-06-11 | 一种基于超声影像人工智能算法的脂肪肝自动检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111860585A true CN111860585A (zh) | 2020-10-30 |
Family
ID=72986547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010530102.XA Pending CN111860585A (zh) | 2020-06-11 | 2020-06-11 | 一种基于超声影像人工智能算法的脂肪肝自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860585A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170228645A1 (en) * | 2016-02-05 | 2017-08-10 | Nec Laboratories America, Inc. | Accelerating deep neural network training with inconsistent stochastic gradient descent |
| US20170357879A1 (en) * | 2017-08-01 | 2017-12-14 | Retina-Ai Llc | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
| CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
| CN107909095A (zh) * | 2017-11-07 | 2018-04-13 | 江苏大学 | 一种基于深度学习的图像识别方法 |
| CN109671500A (zh) * | 2019-02-26 | 2019-04-23 | 上海交通大学 | 基于脑电图时域数据的精神分裂症辅助诊断分类方法 |
| US20190220746A1 (en) * | 2017-08-29 | 2019-07-18 | Boe Technology Group Co., Ltd. | Image processing method, image processing device, and training method of neural network |
| US20190286880A1 (en) * | 2018-03-16 | 2019-09-19 | Proscia Inc. | Deep learning automated dermatopathology |
| KR20190118387A (ko) * | 2018-04-10 | 2019-10-18 | 배재대학교 산학협력단 | 합성곱 신경망 기반 이미지 처리 시스템 및 방법 |
| WO2020102988A1 (zh) * | 2018-11-20 | 2020-05-28 | 西安电子科技大学 | 基于特征融合和稠密连接的红外面目标检测方法 |
-
2020
- 2020-06-11 CN CN202010530102.XA patent/CN111860585A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170228645A1 (en) * | 2016-02-05 | 2017-08-10 | Nec Laboratories America, Inc. | Accelerating deep neural network training with inconsistent stochastic gradient descent |
| US20170357879A1 (en) * | 2017-08-01 | 2017-12-14 | Retina-Ai Llc | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
| US20190220746A1 (en) * | 2017-08-29 | 2019-07-18 | Boe Technology Group Co., Ltd. | Image processing method, image processing device, and training method of neural network |
| CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
| CN107909095A (zh) * | 2017-11-07 | 2018-04-13 | 江苏大学 | 一种基于深度学习的图像识别方法 |
| US20190286880A1 (en) * | 2018-03-16 | 2019-09-19 | Proscia Inc. | Deep learning automated dermatopathology |
| KR20190118387A (ko) * | 2018-04-10 | 2019-10-18 | 배재대학교 산학협력단 | 합성곱 신경망 기반 이미지 처리 시스템 및 방법 |
| WO2020102988A1 (zh) * | 2018-11-20 | 2020-05-28 | 西安电子科技大学 | 基于特征融合和稠密连接的红外面目标检测方法 |
| CN109671500A (zh) * | 2019-02-26 | 2019-04-23 | 上海交通大学 | 基于脑电图时域数据的精神分裂症辅助诊断分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| BYRA, M., STYCZYNSKI, G., SZMIGIELSKI, C. ET AL: "Transfer learning with deep convolutional neural network for liver steatosis assessment in ultrasound images", 《INTERNATIONAL JOURNAL OF COMPUTER ASSISTED RADIOLOGY AND SURGERY》, no. 13, pages 1895 - 20 * |
| 刘文如编著: "《零基础入门Python深度学习》", 机械工业出版社, pages: 102 - 105 * |
| 刘梦伦;赵希梅;魏宾;: "基于MobileNet V2-ELM的肝硬化识别", 青岛大学学报(自然科学版), no. 04 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Awais et al. | Classification of sd-oct images using a deep learning approach | |
| US11610310B2 (en) | Method, apparatus, system, and storage medium for recognizing medical image | |
| Mahbod et al. | Automatic brain segmentation using artificial neural networks with shape context | |
| CN112991363A (zh) | 脑肿瘤图像分割方法、装置、电子设备及存储介质 | |
| Payette et al. | Intel and mobileodt cervical cancer screening kaggle competition: cervix type classification using deep learning and image classification | |
| Cazañas-Gordón et al. | Ensemble learning approach to retinal thickness assessment in optical coherence tomography | |
| Kriti et al. | A review of Segmentation Algorithms Applied to B-Mode breast ultrasound images: a characterization Approach | |
| CN113284151A (zh) | 一种基于深度卷积神经网络的胰腺分割方法及系统 | |
| CN111986216B (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
| Saber et al. | Multi-center, multi-vendor, and multi-disease cardiac image segmentation using scale-independent multi-gate UNET | |
| Tong et al. | Automatic lumen border detection in IVUS images using dictionary learning and kernel sparse representation | |
| CN111860585A (zh) | 一种基于超声影像人工智能算法的脂肪肝自动检测方法 | |
| Mathina Kani et al. | Classification of skin lesion images using modified Inception V3 model with transfer learning and augmentation techniques | |
| CN115661185A (zh) | 一种眼底图像血管分割方法及系统 | |
| CN107705308A (zh) | 基于多模态磁共振的脑肿瘤图像分割方法 | |
| Wang et al. | Optical coherence tomography image for automatic classification of diabetic macular edema | |
| CN112258475A (zh) | 一种基于迁移学习的乳腺癌图像检测系统及方法 | |
| Song et al. | Classification of cervical lesion images based on CNN and transfer learning | |
| Randive et al. | A self-adaptive optimisation for diabetic retinopathy detection with neural classification | |
| Van Truong et al. | Brain tumor segmentation based on U-Net with image driven level set loss | |
| Morra et al. | A neural network approach to unsupervised segmentation of single-channel MR images | |
| Cui | Supervised Filter Learning for Coronary Artery Vesselness Enhancement Diffusion in Coronary CT Angiography Images | |
| Pavani et al. | Robust semantic segmentation of retinal fluids from SD-OCT images using FAM-U-Net | |
| Ravindraiah et al. | Survey of image segmentation algorithms based on expectation-maximization | |
| Amina et al. | Convolutional Neural Networks for Segmented Liver Classification |
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 |