CN111951283A - 一种基于深度学习的医学图像识别方法及系统 - Google Patents
一种基于深度学习的医学图像识别方法及系统 Download PDFInfo
- Publication number
- CN111951283A CN111951283A CN202010807556.7A CN202010807556A CN111951283A CN 111951283 A CN111951283 A CN 111951283A CN 202010807556 A CN202010807556 A CN 202010807556A CN 111951283 A CN111951283 A CN 111951283A
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- algorithm
- information
- deep learning
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 32
- 210000000056 organ Anatomy 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 61
- 230000008569 process Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000001965 increasing effect Effects 0.000 description 13
- 238000005457 optimization Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000512668 Eunectes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G06T5/70—
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
Abstract
本发明涉及一种图像识别的技术领域,揭露了一种基于深度学习的医学图像识别方法,包括:获取待识别的医学图像,利用基于阈值的二值化方法对图像进行二值化处理;利用中值滤波方法对二值化图像进行降噪处理;利用伽马矫正算法对降噪图像进行图像增强;利用图像参数检测算法对增强后的医学图像进行有效信息的定位,所述医学图像中的有效信息包括细胞图像信息和器官图像信息;利用基于启发式算法对多阈值分割目标函数进行求解,并根据求解结果对检测定位到的医学图像进行图像分割;将分割后的医学图像输入到预训练的FT‑Densent模型中,进行医学图像的识别。本发明还提供了一种基于深度学习的医学图像识别系统。本发明实现了医学图像的识别。
Description
技术领域
本发明涉及图像识别的技术领域,尤其涉及一种基于深度学习的医学图像识别方法及系统。
背景技术
随着互联网的快速发展和计算机技术的不断成熟和进步,计算机技术中的图像处理技术得到了广泛的应用。随着在机器学习方面的进一步研宄,其在生物医学工程领域的医学图像中的应用显得越来越重要。现如今,各种疾病的发病率持续上升,如何对患者的医学图像进行识别,根据识别结果提出可行诊断意见成为当前研究的热门话题。
现有医学图像识别技术主要通过对医学图像进行阈值分割,得到医学图像的细胞区域,从而进行识别。阈值分割可以认为包括目标函数计算与最优值求解方法这两个维度,阈值分割的关键可以认为是目标函数的确定及计算方法与最优解的求解方法这两个方面,当阈值数量增加和阈值表示的维数增加,也就是目标函数优化的决策空间维数增加时,和很多优化问题一样,计算复杂度会急剧增加,现有的基于穷举法以及经典的数学模型方法的求解需要的计算时间往往无法满足图像阈值分割的实时性与实用性要求。
随着网络深度的增加,现有医学图像识别模型训练时梯度的传播变得更加困难。由于梯度传播采用连乘的方式进行计算,当模型变得过深时,连乘次数变得越来越多,就会出现梯度消失和梯度爆炸的问题,其中乘积过小时就导致梯度消失,乘积过大时就导致梯度爆炸。并且随着模型深度的增加,模型精度变得饱和,不再增长,随后迅速下降,造成模型性能退化。
鉴于此,如何对图像的进行有效分割,并对现有医学图像识别模型进行改进,从而实现对医学图像的识别,成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种基于深度学习的医学图像识别方法,利用一种图像参数检测算法进行医学图像中有效信息的定位,并对现有阈值分割算法进行改进,利用所改进的算法进行医学图像的分割,同时利用改进的医学图像识别模型实现对医学图像的识别。
为实现上述目的,本发明提供的一种基于深度学习的医学图像识别方法,包括:
获取待识别医学图像,利用基于阈值的二值化方法对医学图像进行二值化处理,得到医学图像的二值化图像;
利用中值滤波方法对二值化图像进行降噪处理,得到降噪图像;
利用伽马矫正算法对降噪图像进行图像增强,得到增强后的医学图像;
利用图像参数检测算法对所述增强后的医学图像进行有效信息的定位,所述增强后的医学图像中的有效信息包括细胞图像信息和器官图像信息;
设定多阈值分割目标函数,利用基于启发式算法对多阈值分割目标函数进行求解,并根据求解结果对检测定位到的医学图像进行图像分割;
将分割后的医学图像输入到预训练的FT(Feature Transform,特征变换)-Densent模型中,进行医学图像的识别。
可选地,所述基于阈值的二值化方法为:
其中:
g(x,y)为二值化后二值图中坐标为(x,y)处像素点的灰度值;
f(x,y)为原图像中坐标为(x,y)处像素点的灰度值;
T为二值化阈值,本发明将其设为130。
可选地,所述利用中值滤波方法对二值化图像进行降噪处理,包括:
将数字图像中任一像素点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点,方法是用圆形的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升的二维数据序列;
所述二维中值滤波输出为:
g(x,y)=med{f(x-k,y-l),k,l∈W}
其中:
f(x,y),g(x,y)分别为原始图像和处理后图像;
W为二维模板,本发明选用圆形作为模板;
并对处理后的图像进行裁剪,得到最长边为256个像素的图像。
可选地,所述利用伽马矫正算法对降噪图像进行图像增强,包括:
利用伽马矫正算法对经处理的医学图像进行图像增强,其中伽马矫正的公式为:
Vout=Vin γ,V:R,G,B
其中:
V为处理后的医学图像;
Vin是矫正前图像,Vout是矫正后的图像;
γ为小于1的伽马系数,本发明将其设为0.8对医学图像的各通道进行伽马矫正,以对细胞图像进行增强处理,以达到各个细胞将更加分明,使很多初始不清晰可见的细胞团变得清晰可见,更利于对细胞是否为异常细胞做诊断。
可选地,利用图像参数检测算法对所述增强后的医学图像进行有效信息的定位,包括:
1)选择初始化高斯模糊半径r,在该半径下,大部分的空白区域的边缘信息均被抹去,不会被检测,若此时检测到细胞或器官的边缘信息,则说明在该半径下,canny算子可以检测到细胞或器官边缘,而不会检测到噪声,直接进入步骤3);若此时canny算子不能检测到细胞或器官的边缘,此时进入步骤2);
2)对高斯模糊半径r减2,缩小模糊半径然后回到步骤1),当canny算子无法检测到医学图像中有效信息的边缘信息时,便一直重复步骤1)和步骤2),进行图像参数的循环检测;由于在所获取的医学图像中,细胞以及器官的边缘信息幅值最大,连续性最高,因此在循环检测过程中,可以保证最先被检测到医学图像的边缘信息一定位于细胞或器官的边缘处;
3)经过以上两个步骤,得到可以准确检测到细胞或器官边缘信息的高斯模糊半径参数r′,在此半径下利用canny算子实现边缘检测,得到仅包含医学图像中细胞或器官边缘信息的黑白图像,每一个像素点的取值为0或255,0为黑色表示背景,255为白色表示物体边缘;
4)对黑白图像进行遍历,可得到其边缘信息在x轴和y轴上的上下限坐标,从而得到医学图像中有效信息的主体区域,设x1为最左侧白色像素点的x轴坐标,x2为最右侧白色像素点的x轴坐标,y1为最上侧白色像素点的y轴坐标,y2为最下侧白色像素点的y轴坐标,则可得到轮廓信息的边缘坐标区域为x轴的x1到x2之间,y轴的y1到y2之间;
5)采用正方形的图片作为数据的标准形式,将截取区域向四周外扩30个像素点,即以(x1-30,y1-30)左上角坐标,以S=max(x2-x1,y2-y1)+60为边长来确定最终的截取区域,以这种方式截取的图片将使得被检测到的细胞或器官位于图片中心,并且占据图片的主体部分。
可选地,所述利用基于启发式算法对多阈值分割目标函数进行求解,包括:
1)将要分割的灰度解空间范围划分为不同的几个子区域,并初始化粒子个体,使其均匀分布在这几个子区域中,对于在n维解空间中,使用N个粒子进行最优点搜索时,粒子i的位置Xi和速度分别为:
Xi=(Xi1,Xi2,...,Xin)
Vi=(Vi1,Vi2,...,Vin)
粒子的当前最优位置为:
Pi=(Pi1,Pi2,…,Pin)
所有粒子当前搜索到的最优位置为:
G=(G1,G2,...,Gn)
2)利用粒子群搜索算法进行搜索,粒子在寻优中不单以全局最好粒子作为寻优引导方向,而能够以一定概率分别向多个方向引导,同时不以某一个或几个确定的方向来引导粒子寻优路径,而是以一定概率在某些较好方向进行随机引导,其中粒子i在j维上速度和位置的更新公式为:
Vij(t+1)=wVij(t)+cr(t)(Gj(t)-Xij(t))
Xij(t+1)=Xij(t)+Vij(t+1)
其中:
w为惯性权重,起到平衡粒子局部权重和全局搜索能力的作用;
Vij(t)和Xij(t)为粒子i在j维上的速度和位置分量,在t时刻(第t次迭代)的值;
Gj(t)为整个群体迄今为止经历过的最佳位置在j维上的分量;
r(t)为[0,1]独立均匀分布的随机数;
c为群体加速系数;
3)经过几轮迭代后,在每个子群中按照位置的目标函数值选出精英粒子,合并这些精英粒子构成新的粒子群进行搜寻,随着分割迭代过程,被分割区间会不断收窄,使用的粒子数不断减小,从而实现医学图像的阈值分割;
4)引入个体自主决策的过程,在进行迭代搜索时,根据当前位置状态和目标位置状态的情况进行一个随机决策,所述随机决策为:如果按照位置更新算法计算的迭代之后的位置状态Xij(t+1)优于当前状态,则完成本次算法的更新迭代;否则,按照由当前状态与目标状态的距离范数决定是否进行本次迭代,若两者之间的距离范数大于L,则进行本次迭代,其中L为所设定的距离阈值,本发明将其设为10,所述计算当前状态与目标状态的距离范数的公式为:
l=||Xij(t)-X(t)||2
其中:
Xij(t)为粒子i在j维上的位置分量,即粒子的当前位置状态;
X(t)为粒子的目标状态,此时目标函数达到最优解;
l为粒子当前状态与目标状态之间的距离范数。
可选地,所述FT-Densent模型为:
将Densenet中的普通卷积模块用深度可分离卷积进行替换,由于可分离卷积本身具有较高的参数效率和较少的计算量,因此在进行Depth-wise conv前无需对bottleneck层进行压缩,而是直接对输入层的所有特征图进行Depth-wise conv;
采用Point-wise conv层加强通道间的信息流通;同时FT-Densenet保留Densenet中增长率k的设计,若输入通道数为xin,特征图尺寸为H*W像素,则FT-Densenet的卷积模块参数数量如下式:
PDW_conv=9×xin+k×xin
其中:
k为模型增长率;
PDW_conv为模型的可分离卷积层;
xin为卷积层的输入值。
此外,为实现上述目的,本发明还提供一种基于深度学习的医学图像识别系统,所述系统包括:
医学图像获取装置,用于接收待识别的医学图像;
图像处理器,利用基于阈值的二值化方法对图像进行二值化处理,并利用中值滤波方法对图像进行降噪处理,同时利用伽马矫正算法对经处理的医学图像进行图像增强,并利用图像参数检测算法进行医学图像中有效信息的定位;通过设定多阈值分割目标函数,利用基于启发式算法对多阈值分割目标函数进行求解,并根据求解结果对检测定位到的医学图像进行图像分割;
图像识别装置,用于利用预训练的FT-Densent模型中,进行医学图像的识别。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有医学图像识别程序指令,所述医学图像识别程序指令可被一个或者多个处理器执行,以实现如上所述的基于深度学习的医学图像识别的实现方法的步骤。
相对于现有技术,本发明提出一种基于深度学习的医学图像识别方法,该技术具有以下优势:
首先,现有图像检测算法是根据预设的检测半径对图像进行遍历,然而对于医学图像,图像中的空白信息相对于都是相对细微的,过大的平滑半径可能导致医学图像中细胞或器官本身的边缘信息被过度平滑,不易被检测,而过小的半径也会导致检测到过多无关信息。因此本申请提出一种图像参数检测算法,通过对检测半径参数进行循环判断,若在当前半径下,大部分的空白区域的边缘信息均被抹去,不会被检测,若此时可以检测细胞或器官的边缘信息,则说明在该半径下,canny算子可以检测到细胞或器官边缘,而不会检测到噪声,反之,则对当前高斯模糊半径进行修改,直到利用该半径能准确检测到细胞或器官边缘,并根据图像的边缘信息,设x1为最左侧白色像素点的x轴坐标,x2为最右侧白色像素点的x轴坐标,y1为最上侧白色像素点的y轴坐标,y2为最下侧白色像素点的y轴坐标,以(x1-30,y1-30)左上角坐标,以S=max(x2-x1,y2-y1)+60为边长来确定最终的截取区域,以这种方式截取的图片将使得被检测到的细胞或器官位于图片中心,并且占据图片的主体部分。
其次,对于传统阈值分割算法,当阈值数量增加和阈值表示的维数增加,也就是目标函数优化的决策空间维数增加时,和很多优化问题一样,计算复杂度会急剧增加,现有的基于穷举法以及经典的数学模型方法的求解需要的计算时间往往无法满足图像阈值分割的实时性与实用性要求。因此本发明提出一种基于启发式算法的多阈值分割算法,通过设定多阈值分割目标函数,利用改进后的粒子群算法进行目标函数的迭代,解的结果即为阈值分割的阈值,从而利用该阈值进行医学图像的分割,经典的粒子群算法存在容易陷入局部最优以及收敛慢的缺点,因此本发明所述算法一个方面引入多种群协作和动态种群,这样可以使得粒子在寻优中不单以全局最好粒子作为寻优引导方向,而能够以一定概率分别向多个方向引导,搜寻方向的多样性就可以增加路径的多样性;另一方面是不以某一个或几个确定的方向来引导粒子寻优路径,而是以一定概率在某些较好方向进行随机引导,通过增加寻优路径的随机性增强解的多样性。同时本发明引入一个个体自主决策的过程,在进行迭代搜索时,根据当前位置状态和目标位置状态的情况对是否进行这次飞行进行一个随机决策;如果按照位置更新算法计算的迭代之后的位置状态优于当前状态,则完成这次移动飞行;否则,按照由当前状态与目标状态的一个距离范数决定的概率决定是否进行本次迭代,相较于传统粒子群算法,本发明所述改进算法能有效避免算法陷入局部最优,得到更为准确的医学图像阈值分割结果。
同时本发明提供一种FT-Densent网络模型进行医学图像识别,深度可分离卷积虽然在复合卷积部分可以大幅降低模型参数数量和计算量,但是Densenet的concatenation结构会将每一层提取的特征进行完全级联,使得模型通道数随着层数的加深而线性增长,从而增加计算时的内存需求和计算量,网络层数越深,通道数越多,从而导致计算量极速增长。因此本发明所述模型提出一种基于dropout原理的concatenation结构用以解决通道数线性增长的问题,通过将过去所有层提取的特征图进行随机丢弃,concatenation就是Densenet中层与层之间的稠密连接,该连接将上一层输出的特征图随机选取k个进行丢弃,然后将剩下的特征图再与该层产生的k个特征图进行级联,因此级联之后的特征图数量保持不变,从而避免concatenation带来的通道数线性增长问题。
附图说明
图1为本发明一实施例提供的一种基于深度学习的医学图像识别方法的流程示意图;
图2为本发明一实施例提供的一种基于深度学习的医学图像识别系统的结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
通过利用一种图像参数检测算法进行医学图像中有效信息的定位,并对现有阈值分割算法进行改进,利用所改进的算法进行医学图像的分割,同时利用改进的医学图像识别模型实现对医学图像的识别。参照图1所示,为本发明一实施例提供的基于深度学习的医学图像识别方法示意图。
在本实施例中,基于深度学习的医学图像识别方法包括:
S1、获取待识别图像,利用基于阈值的二值化方法对图像进行二值化处理,并利用中值滤波方法对二值化图像进行降噪处理,得到降噪后的图像。
首先,本发明获取待描述图像,并利用基于阈值的二值化方法对图像进行二值化处理,所述基于阈值的二值化方法为:
其中:
g(x,y)为二值化后二值图中坐标为(x,y)处像素点的灰度值;
f(x,y)为原图像中坐标为(x,y)处像素点的灰度值;
T为二值化阈值,本发明将其设为130;
进一步地,本发明利用中值滤波方法对图像进行降噪处理,得到降噪后的图像,所述中值滤波方法的过程为:
将数字图像中任一像素点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点,方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升的二维数据序列;
所述二维中值滤波输出为:
g(x,y)=med{f(x-k,y-l),k,l∈W}
其中:
f(x,y),g(x,y)分别为原始图像和处理后图像;
W为二维模板,本发明选用圆形作为模板;
并对处理后的图像进行裁剪,得到最长边为256个像素的图像。
S2、利用伽马矫正算法对降噪图像进行图像增强,并利用图像参数检测算法对增强后的医学图像进行有效信息的定位,所述增强后的医学图像中的有效信息包括细胞图像信息和器官图像信息。
进一步地,本发明利用伽马矫正算法对上述经处理的医学图像进行图像,即对医学图像的伽玛曲线进行编辑,以对图像进行非线性色调编辑的方法,检出图像信号中的深色部分和浅色部分,并使两者比例增大,从而提高图像对比度效果;其中伽马矫正的公式为:
Vo岨t=Vin γ,V:R,G,B
其中:
V为处理后的医学图像;
Vin是矫正前图像,Vo岨t是矫正后的图像;
γ为小于1的伽马系数,本发明将其设为0.8;
本发明对医学图像的各通道进行伽马矫正,以对细胞图像进行增强处理,以达到各个细胞将更加分明,使很多初始不清晰可见的细胞团变得清晰可见,更利于对细胞是否为异常细胞做诊断;
进一步地,本发明利用图像参数检测算法进行医学图像中有效信息的定位,所述医学图像中的有效信息包括细胞有效信息和器官有效信息,所述利用图像参数检测算法进行医学图像中有效信息的定位的过程为:
1)选择初始化高斯模糊半径r,在该半径下,大部分的空白区域的边缘信息均被抹去,不会被检测,若此时可以检测细胞或器官的边缘信息,则说明在该半径下,canny算子可以检测到细胞或器官边缘,而不会检测到噪声,直接进入步骤3);此时r较大,对于医学图像中部分有效信息,若其本身的边缘信息也被平滑掉,导致canny算子不能检测到细胞或器官的边缘,此时进入步骤2);
2)对高斯模糊半径r减2,缩小模糊半径然后回到步骤1),当canny算子无法检测到医学图像中有效信息的边缘信息时,便一直重复步骤1)和步骤2),进行图像参数的循环检测;由于在所获取的医学图像中,细胞以及器官的边缘信息幅值最大,连续性最高,因此在循环检测过程中,可以保证最先被检测到医学图像的边缘信息一定位于细胞或器官的边缘处;
3)经过以上两个步骤,得到可以准确检测到细胞或器官边缘信息的高斯模糊半径参数r′,在此半径下利用canny算子实现边缘检测,得到仅包含医学图像中细胞或器官边缘信息的黑白图像,每一个像素点的取值为0或255,0为黑色表示背景,255为白色表示物体边缘;
4)对黑白图像进行遍历,可得到其边缘信息在x轴和y轴上的上下限坐标,从而得到医学图像中有效信息的主体区域,设x1为最左侧白色像素点的x轴坐标,x2为最右侧白色像素点的x轴坐标,y1为最上侧白色像素点的y轴坐标,y2为最下侧白色像素点的y轴坐标,则可得到轮廓信息的边缘坐标区域为x轴的x1到x2之间,y轴的y1到y2之间;
5)采用正方形的图片作为数据的标准形式,将截取区域向四周外扩30个像素点,即以(x1-30,y1-30)左上角坐标,以S=max(x2-x1,y2-y1)+60为边长来确定最终的截取区域,以这种方式截取的图片将使得被检测到的细胞或器官位于图片中心,并且占据图片的主体部分。
S3、设定多阈值分割目标函数,利用基于启发式算法对多阈值分割目标函数进行求解,并根据求解结果对检测定位到的医学图像进行图像分割。
进一步地,本发明基于Otsu准则确定多阈值分割目标函数,所述多阈值分割目标函数为:
其中:
K为分割阈值;
q-1为医学图像灰度解的空间维度;
进一步地,对于所述多阈值分割目标函数,本发明对粒子群优化算法进行改进,并利用改进后的算法对多阈值分割目标函数进行求解,所述目标函数的求解过程为:
1)将要分割的灰度解空间范围划分为不同的几个子区域,并初始化粒子个体,使其均匀分布在这几个子区域中,对于在n维解空间中,使用N个粒子进行最优点搜索时,粒子i的位置Xi和速度分别为:
Xi=(Xi1,Xi2,...,Xin)
Vi=(Vi1,Vi2,...,Vin)
粒子的当前最优位置为:
Pi=(Pi1,Pi2,...,Pin)
所有粒子当前搜索到的最优位置为:
G=(G1,G2,...,Gn)
2)利用粒子群搜索算法进行搜索,粒子在寻优中不单以全局最好粒子作为寻优引导方向,而能够以一定概率分别向多个方向引导,同时不以某一个或几个确定的方向来引导粒子寻优路径,而是以一定概率在某些较好方向进行随机引导,其中粒子i在j维上速度和位置的更新公式为:
Vij(t+1)=wVij(t)+cr(t)(Gj(t)-Xij(t))
Xij(t+1)=Xij(t)+Vij(t+1)
其中:
w为惯性权重,起到平衡粒子局部权重和全局搜索能力的作用;
Vij(t)和Xij(t)为粒子i在j维上的速度和位置分量,在t时刻(第t次迭代)的值;
Gj(t)为整个群体迄今为止经历过的最佳位置在j维上的分量;
r(t)为[0,1]独立均匀分布的随机数;
c为群体加速系数;
3)经过几轮迭代后,在每个子群中按照位置的目标函数值选出精英粒子,合并这些精英粒子构成新的粒子群进行搜寻,随着分割迭代过程,被分割区间会不断收窄,使用的粒子数不断减小,从而实现医学图像的阈值分割;
4)通过引入个体自主决策的过程,在进行迭代搜索时,根据当前位置状态和目标位置状态的情况进行一个随机决策,所述随机决策为:如果按照位置更新算法计算的迭代之后的位置状态Xij(t+1)优于当前状态,则完成本次算法的更新迭代;否则,按照由当前状态与目标状态的距离范数决定是否进行本次迭代,若两者之间的距离范数大于L,则进行本次迭代,其中L为所设定的距离阈值,本发明将其设为10,所述计算当前状态与目标状态的距离范数的公式为:
l=||Xij(t)-X(t)||2
其中:
Xij(t)为粒子i在j维上的位置分量,即粒子的当前位置状态;
X(t)为粒子的目标状态,此时目标函数达到最优解;
l为粒子当前状态与目标状态之间的距离范数。
S4、将分割后的医学图像输入到预训练的FT-Densent模型中,进行医学图像的识别。
进一步地,本发明将分割后的医学图像输入到预训练的FT-Densent模型中,所述FT-Densent模型中的可分离卷积层对医学图像进行卷积运算,得到医学图像的特征图谱,通过将过去所有层提取的特征图进行随机丢弃,concatenation将上一层输出的特征图随机选取k个进行丢弃,然后将剩下的特征图再与该层产生的k个特征图进行级联,得到最终的医学图像特征图谱,并根据所得特征图谱进行图像匹配,所述匹配结果即为医学图像识别的结果;
所述FT-Densent模型是本发明基于可分离卷积运算对传统Densent模型的改进,相较于传统Densent模型,FT-Densenet保留了Densenet层与层之间稠密连接的特性,但是摒弃了其层与层之间直接相连的concatenation,而是通过对过去所有层产生的特征图进行随机dropout,再与当前层进行级联的方式来控制整个模型每一层的通道数,并且对于每一层的卷积,放弃bottleneck+普通卷积的复合结构,直接改为参数数量更少,计算次数也更少的可分离卷积结构,以使模型更加轻量化;
FT-Densenet将Densenet中的普通卷积模块用深度可分离卷积进行替换,由于可分离卷积本身具有较高的参数效率和较少的计算量,因此在Depth-wise conv前无需对bottleneck层进行压缩,而是直接对输入层的所有特征图进行Depth-wise conv;并采用Point-wise conv层加强通道间的信息流通;同时FT-Densenet保留Densenet中增长率k的设计,若输入通道数为xin,特征图尺寸为H*W像素,则FT-Densenet的卷积模块参数数量如下式:
PDW_conv=9×xin+k×xin
其中:
k为模型增长率;
PDW_conv为模型的可分离卷积层;
xin为卷积层的输入值;
深度可分离卷积虽然在复合卷积部分可以大幅降低模型参数数量和计算量,但是Densenet的concatenation结构会将每一层提取的特征进行完全级联,使得模型通道数随着层数的加深而线性增长,从而增加计算时的内存需求和计算量。网络层数越深,通道数越多,从而导致计算量极速增长。因此本发明所述模型提出一种基于dropout原理的concatenation结构用以解决通道数线性增长的问题。
通过将过去所有层提取的特征图进行随机丢弃,concatenation就是Densenet中层与层之间的稠密连接。concatenation将上一层输出的特征图随机选取k个进行丢弃,然后将剩下的特征图再与该层产生的k个特征图进行级联,因此级联之后的特征图数量保持不变,从而避免concatenation带来的通道数线性增长问题。
下面通过一个算法实验来说明本发明的具体实施方式,并对发明的处理方法进行测试。本发明算法的硬件测试环境部署在tensorflow深度学习框架中,处理器为Intel(R)Core(TM)i5-8700 CPU 8核,显卡为GeForce GTX1060,显存8G,开发环境为python3.7,开发工具为Anaconda科学计算库;对比算法模型为SqueezeNet和MobileNet。
在本发明所述算法实验中,数据集为所搜集的大量医学图像。实验中使用8万组训练数据作为训练集用于训练模型,从验证集样本中随机选取1000张作为测试集用于评价模型效果。
Squeeze Net中每个Fire Module包含squeeze和expand两层结构,其层数与一个深度可分离卷积层相同,因此本发明设置8个Fire Module叠加而成,其中在第4个和第5个模块之间加入transitionlayer进行降采样和通道升维;MobileNet采用8个深度可分离卷积层叠加组成,同样在第4和第5个卷积层之间加入transitionlayer进行降采样和通道升维。本发明将搭建好的Squeeze Net、MobileNet以及本发明所提出的模型中,在所采集的数据集上进行实验。
根据实验结果,SqueezeNet模型的医学图像识别正确率为73.93%,Mobile Net模型的医学图像识别正确率为72.15%,本发明所述算法的医学图像识别正确率为85.11%,相较于对比算法,本发明所提出的基于深度学习的医学图像识别方法具有更高的医学图像识别正确率。
发明还提供一种基于深度学习的医学图像识别系统。参照图2所示,为本发明一实施例提供的基于深度学习的医学图像识别系统的内部结构示意图。
在本实施例中,所述基于深度学习的医学图像识别系统1至少包括医学图像获取装置11、图像处理器12、图像识别装置13,通信总线14,以及网络接口15。
其中,医学图像获取装置11可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。
图像处理器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。图像处理器12在一些实施例中可以是基于深度学习的医学图像识别系统1的内部存储单元,例如该基于深度学习的医学图像识别系统1的硬盘。图像处理器12在另一些实施例中也可以是基于深度学习的医学图像识别系统1的外部存储设备,例如基于深度学习的医学图像识别系统1上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,图像处理器12还可以既包括基于深度学习的医学图像识别系统1的内部存储单元也包括外部存储设备。图像处理器12不仅可以用于存储安装于基于深度学习的医学图像识别系统1的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
图像识别装置13在一些实施例中可以是一中央处理器(CentralProcessingUnit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行图像处理器12中存储的程序代码或处理数据,例如医学图像识别程序指令等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该系统1与其他电子设备之间建立通信连接。
可选地,该系统1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在基于深度学习的医学图像识别系统1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-15以及基于深度学习的医学图像识别系统1,本领域技术人员可以理解的是,图1示出的结构并不构成对基于深度学习的医学图像识别系统1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,图像处理器12中存储有基于深度学习的医学图像识别程序指令;图像识别装置13执行图像处理器12中存储的医学图像识别程序指令的步骤,与基于深度学习的医学图像识别方法的实现方法相同,在此不作类述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有医学图像识别程序指令,所述医学图像识别程序指令可被一个或多个处理器执行,以实现如下操作:
获取待识别的医学图像,利用基于阈值的二值化方法对医学图像进行二值化处理,得到医学图像的二值化图像;
利用中值滤波方法对二值化图像进行降噪处理,得到降噪图像;
利用伽马矫正算法对经降噪的医学图像进行图像增强,得到增强后的医学图像;
利用图像参数检测算法对所述图像增强后的医学图像进行有效信息的定位,所述医学图像中的有效信息包括细胞图像信息和器官图像信息;
设定多阈值分割目标函数,利用基于启发式算法对多阈值分割目标函数进行求解,并根据求解结果对检测定位到的医学图像进行图像分割;
将分割后的医学图像输入到预训练的FT-Densent模型中,进行医学图像的识别。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于深度学习的医学图像识别方法,其特征在于,所述方法包括:
获取待识别的医学图像,利用基于阈值的二值化方法对医学图像进行二值化处理,得到医学图像的二值化图像;
利用中值滤波方法对二值化图像进行降噪处理,得到降噪图像;
利用伽马矫正算法对降噪图像进行图像增强,得到增强后的医学图像;
利用图像参数检测算法对所述增强后的医学图像进行有效信息的定位,所述增强后的医学图像中的有效信息包括细胞图像信息和器官图像信息;
设定多阈值分割目标函数,利用基于启发式算法对多阈值分割目标函数进行求解,并根据求解结果对定位到的医学图像进行图像分割;
将分割后的医学图像输入到预训练的FT-Densent模型中,进行医学图像的识别。
3.如权利要求2所述的一种基于深度学习的医学图像识别方法,其特征在于,所述利用中值滤波方法对二值化图像进行降噪处理,包括:
将数字图像中任一像素点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点,方法是用圆形的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升的二维数据序列;
所述二维中值滤波输出为:
g(x,y)=med{f(x-k,y-l),k,l∈W}
其中:
f(x,y),g(x,y)分别为原始图像和处理后图像;
W为二维模板,本发明选用圆形作为模板;
并对处理后的图像进行裁剪,得到最长边为256个像素的图像。
4.如权利要求3所述的一种基于深度学习的医学图像识别方法,其特征在于,所述利用伽马矫正算法对降噪图像进行图像增强,包括:
利用伽马矫正算法对降噪图像进行图像增强,其中伽马矫正的公式为:
Vout=Vin γ,V:R,G,B
其中:
V为增强后的医学图像;
Vin是矫正前图像,Vout是矫正后的图像;
γ为小于1的伽马系数,本发明将其设为0.8。
5.如权利要求4所述的一种基于深度学习的医学图像识别方法,其特征在于,所述利用图像参数检测算法对所述增强后的医学图像进行有效信息的定位,包括:
1)选择初始化高斯模糊半径r,在该半径下,大部分的空白区域的边缘信息均被抹去,不会被检测,若此时检测到细胞或器官的边缘信息,则说明在该半径下,canny算子可以检测到细胞或器官边缘,而不会检测到噪声,直接进入步骤3);若此时canny算子不能检测到细胞或器官的边缘,此时进入步骤2);
2)对高斯模糊半径r减2,缩小模糊半径然后回到步骤1),当canny算子无法检测到医学图像中有效信息的边缘信息时,便一直重复步骤1)和步骤2),进行图像参数的循环检测;
3)经过以上两个步骤,得到准确检测到细胞或器官边缘信息的高斯模糊半径参数r′,在此半径下利用canny算子实现边缘检测,得到仅包含医学图像中细胞或器官边缘信息的黑白图像,每一个像素点的取值为0或255,0为黑色表示背景,255为白色表示物体边缘;
4)对黑白图像进行遍历,得到其边缘信息在x轴和y轴上的上下限坐标,从而得到医学图像中有效信息的主体区域,设x1为最左侧白色像素点的x轴坐标,x2为最右侧白色像素点的x轴坐标,y1为最上侧白色像素点的y轴坐标,y2为最下侧白色像素点的y轴坐标,则得到轮廓信息的边缘坐标区域为x轴的x1到x2之间,y轴的y1到y2之间;
5)采用正方形的图片作为数据的标准形式,将截取区域向四周外扩30个像素点,即以(x1-30,y1-30)左上角坐标,以S=max(x2-x1,y2-y1)+60为边长来确定最终的截取区域。
6.如权利要求5所述的一种基于深度学习的医学图像识别方法,其特征在于,所述利用基于启发式算法对多阈值分割目标函数进行求解,包括:
1)将要分割的灰度解空间范围划分为不同的几个子区域,并初始化粒子个体,使其均匀分布在这几个子区域中,对于在n维解空间中,使用N个粒子进行最优点搜索时,粒子i的位置Xi和速度分别为:
Xi=(Xi1,Xi2,...,Xin)
Vi=(Vi1,Vi2,...,Vin)
粒子的当前最优位置为:
Pi=(Pi1,Pi2,...,Pin)
所有粒子当前搜索到的最优位置为:
G=(G1,G2,...,Gn)
2)利用粒子群搜索算法进行搜索,其中粒子i在j维上速度和位置的更新公式为:
Vij(t+1)=wVij(t)+cr(t)(Gj(t)-Xij(t))
Xij(t+1)=Xij(t)+Vij(t+1)
其中:
w为惯性权重,起到平衡粒子局部权重和全局搜索能力的作用;
Vij(t)和Xij(t)为粒子i在j维上的速度和位置分量,在t时刻(第t次迭代)的值;
Gj(t)为整个群体迄今为止经历过的最佳位置在j维上的分量;
r(t)为[0,1]独立均匀分布的随机数;
c为群体加速系数;
3)经过几轮迭代后,在每个子群中按照位置的目标函数值选出精英粒子,合并这些精英粒子构成新的粒子群进行搜寻,随着分割迭代过程,被分割区间会不断收窄,使用的粒子数不断减小,从而实现医学图像的阈值分割;
4)引入个体自主决策的过程,在进行迭代搜索时,根据当前位置状态和目标位置状态的情况进行一个随机决策,所述随机决策为:如果按照位置更新算法计算的迭代之后的位置状态Xij(t+1)优于当前状态,则完成本次算法的更新迭代;否则,按照由当前状态与目标状态的距离范数决定是否进行本次迭代,若两者之间的距离范数大于L,则进行本次迭代,其中L为所设定的距离阈值,本发明将其设为10,所述计算当前状态与目标状态的距离范数的公式为:
l=||Xij(t)-X(t)||2
其中:
Xij(t)为粒子i在j维上的位置分量,即粒子的当前位置状态;
X(t)为粒子的目标状态,此时目标函数达到最优解;
l为粒子当前状态与目标状态之间的距离范数。
7.如权利要求6所述的一种基于深度学习的医学图像识别方法,其特征在于,所述FT-Densent模型为:
将Densenet中的普通卷积模块用深度可分离卷积进行替换,由于可分离卷积本身具有较高的参数效率和较少的计算量,因此在进行Depth-wise conv前无需对bottleneck层进行压缩,而是直接对输入层的所有特征图进行Depth-wise conv;
采用Point-wise conv层加强通道间的信息流通;同时FT-Densenet保留Densenet中增长率k的设计,若输入通道数为xin,特征图尺寸为H*W像素,则FT-Densenet的卷积模块参数数量如下式:
PDW_conv=9×xin+k×xin
其中:
k为模型增长率;
PDW_conv为模型的可分离卷积层;
xin为卷积层的输入值。
8.一种基于深度学习的医学图像识别系统,其特征在于,所述系统包括:
医学图像获取装置,用于接收待识别的医学图像;
图像处理器,利用基于阈值的二值化方法对图像进行二值化处理,并利用中值滤波方法对图像进行降噪处理,同时利用伽马矫正算法对经处理的医学图像进行图像增强,并利用图像参数检测算法进行医学图像中有效信息的定位;通过设定多阈值分割目标函数,利用基于启发式算法对多阈值分割目标函数进行求解,并根据求解结果对检测定位到的医学图像进行图像分割;
图像识别装置,用于利用预训练的FT-Densent模型中,进行医学图像的识别。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有医学图像识别程序指令,所述医学图像识别程序指令可被一个或者多个处理器执行,以实现如权利要求1至7中任一项所述的一种基于深度学习的医学图像识别的实现方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807556.7A CN111951283A (zh) | 2020-08-12 | 2020-08-12 | 一种基于深度学习的医学图像识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807556.7A CN111951283A (zh) | 2020-08-12 | 2020-08-12 | 一种基于深度学习的医学图像识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111951283A true CN111951283A (zh) | 2020-11-17 |
Family
ID=73333249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010807556.7A Withdrawn CN111951283A (zh) | 2020-08-12 | 2020-08-12 | 一种基于深度学习的医学图像识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951283A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077464A (zh) * | 2021-05-06 | 2021-07-06 | 吴国军 | 一种医学图像处理方法、医学图像识别方法及装置 |
CN113538416A (zh) * | 2021-08-19 | 2021-10-22 | 合肥工业大学智能制造技术研究院 | 一种基于深度学习的医学图像处理方法 |
CN113567310A (zh) * | 2021-07-30 | 2021-10-29 | 重庆大学 | 一种包覆颗粒的检测方法及其装置 |
CN114596896A (zh) * | 2022-03-15 | 2022-06-07 | 雷麟半导体科技(苏州)有限公司 | 一种基于忆阻器的图像降噪实现方法 |
-
2020
- 2020-08-12 CN CN202010807556.7A patent/CN111951283A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077464A (zh) * | 2021-05-06 | 2021-07-06 | 吴国军 | 一种医学图像处理方法、医学图像识别方法及装置 |
CN113567310A (zh) * | 2021-07-30 | 2021-10-29 | 重庆大学 | 一种包覆颗粒的检测方法及其装置 |
CN113538416A (zh) * | 2021-08-19 | 2021-10-22 | 合肥工业大学智能制造技术研究院 | 一种基于深度学习的医学图像处理方法 |
CN114596896A (zh) * | 2022-03-15 | 2022-06-07 | 雷麟半导体科技(苏州)有限公司 | 一种基于忆阻器的图像降噪实现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084173B (zh) | 人头检测方法及装置 | |
CN110738207B (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN109002766B (zh) | 一种表情识别方法及装置 | |
CN104834922B (zh) | 基于混合神经网络的手势识别方法 | |
CN112750140B (zh) | 基于信息挖掘的伪装目标图像分割方法 | |
CN111951283A (zh) | 一种基于深度学习的医学图像识别方法及系统 | |
WO2021139324A1 (zh) | 图像识别方法、装置、计算机可读存储介质及电子设备 | |
CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
CN104866868A (zh) | 基于深度神经网络的金属币识别方法和装置 | |
CN104751147A (zh) | 一种图像识别方法 | |
Mai et al. | Comparing salient object detection results without ground truth | |
CN109948533B (zh) | 一种文本检测方法、装置、设备及可读存储介质 | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN110991444A (zh) | 面向复杂场景的车牌识别方法及装置 | |
CN111860309A (zh) | 一种人脸识别方法及系统 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
US20190332858A1 (en) | Method and device for identifying wrist, method for identifying gesture, electronic equipment and computer-readable storage medium | |
Ofir et al. | Fast detection of curved edges at low SNR | |
CN114266894A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN108876776B (zh) | 一种分类模型生成方法、眼底图像分类方法及装置 | |
CN112749576B (zh) | 图像识别方法和装置、计算设备以及计算机存储介质 | |
CN111666813B (zh) | 基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
CN111582057B (zh) | 一种基于局部感受野的人脸验证方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201117 |