CN112084930A - 一种全视野数字病理切片的病灶区域分类方法及其系统 - Google Patents
一种全视野数字病理切片的病灶区域分类方法及其系统 Download PDFInfo
- Publication number
- CN112084930A CN112084930A CN202010923734.2A CN202010923734A CN112084930A CN 112084930 A CN112084930 A CN 112084930A CN 202010923734 A CN202010923734 A CN 202010923734A CN 112084930 A CN112084930 A CN 112084930A
- Authority
- CN
- China
- Prior art keywords
- image
- pathological section
- full
- screening
- csresnet
- 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
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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种全视野数字病理切片的病灶区域分类方法及其系统,构建了CSResNet系统,并对其进行学习训练,从而实现对全视野数字病理切片中病灶区域的自动分割,并对分割出的病灶区域进行进一步分类,判断病灶区域的类别。本发明的CSResNet系统中的残差注意力模块同时结合通道和空间两个方向注意力机制,使网络能够将学习重心转移到特征图中能够决定输入图像类别的关键区域,具有较高的计算效率、分类精度和识别能力。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种全视野数字病理切片的病灶区域分类方法及其系统。
背景技术
全视野数字病理切片是利用全自动显微镜扫描仪以及计算机技术,将病理切片可视化为高分辨率的数字图像,一般是上亿像素的数字图像,信息量大。而面对如此复杂的图像,病理医生要从中寻找病灶区域并判断其类别,需要耗费较长时间进行分析,效率较低。因此,我们迫切需要实现全视野数字病理切片的自动分析,从而提高病灶区域的分类效率。
发明内容
为解决上述问题,本发明提供了一种全视野数字病理切片的病灶区域分类方法及其系统。
本发明采用以下技术方案:
该方法包括如下步骤:
S1、对病理切片图像进行标注,得到标注后的切片图像;
优选地,所述病理切片图像是由全视野数字病理切片切成较小的病理切片图像获得;所述标注是用阈值分割的方法分割出所述病理切片图像中的病理组织区域,然后使用滑动窗口滑过所述病理切片图像,根据设定的阈值,将病理组织区域占比超过阈值的所述病理切片图像筛选出来,并标注出病灶区域。
优选地,所述阈值分割的方法包括大津阈值分割法。
S2、对所述标注后的切片图像进行两次筛选后得到的图像块作为训练集;
优选地,所述两次筛选由一次筛选和二次筛选组成,所述一次筛选具体为:使用滑动窗口滑过所述标注后的切片图像,将背景区域与正常组织区域占比大于阈值的图像块筛掉,将筛选后的图像块用于二次筛选;所述二次筛选具体为:从一次筛选后的图像块中再筛选掉同时包含多种不同疾病病灶的图像块,筛选方法与一次筛选相同,将剩余的只包含单一类别病灶区域的图像块作为训练集。
S3、将所述训练集输入CSResNet系统进行分类学习训练,所述CSResNet系统包括卷积模块、残差注意力模块和全局平均池化层;
优选地,所述分类学习训练具体为:将训练集的图像块输入CSResNet系统后,由卷积模块处理后,输入到残差注意力模块进行处理,再由全局平均池化层压缩1×1×c的特征向量,最后由所述特征向量判断输入图像块的病灶区域的类别。
优选地,所述卷积模块由卷积层和池化层组成;
优选地,所述残差注意力模块由通道注意力分支、空间注意力分支和恒等映射分支组成。
优选地,所述通道注意力分支先由压缩操作Fsq(·)将特征图像U压缩为1×1×c的特征向量,然后经过激发操作Fex(·,W),由1×1的卷积层学习特征向量中对应特征图像U每一个通道的权重,最后将特征向量逐通道的和特征图像U相乘;
优选地,所述空间注意力分支将特征图U先编码器压缩特征图U,再由解码器恢复被压缩特征图U的空间结构,然后经过卷积操作及Sigmoid函数激活生成单通道的权值掩码,最后将权值掩码在空间维度上逐元素的和输入特征图U相乘;
优选地,所述恒等映射分支将输入的特征图U直接传递到后续网络,残差注意力模块末端,将三个分支生成的特征图逐像素相加,输出最终的特征图。
S4、将拟被分类的全视野数字病理切片按所述步骤S1、S2进行预处理,然后输入所述CSResNet系统进行分类,得到分类结果。
采用上述技术方案后,本发明与背景技术相比,具有如下优点:
本发明通过对标注后的切片图像进行两次筛选,将同时包含多类病灶区域的图像块去除,并通过设置较大尺寸的图像块作为训练模型的数据集,使模型能够关注到更多标注正确的区域,减小误差;本发明的CSResNet系统中的残差注意力模块同时结合通道和空间两个方向注意力机制,通过注意力机制,使网络能够将学习重心转移到特征图中能够决定输入图像类别的关键区域,忽略次要区域,从而提高模型的计算效率与分类精度,增强模型的识别能力。
附图说明
图1为本发明CSResNet系统结构示意图;
图2为本发明残差注意力模块结构示意图;
图3为本发明通道注意力分支的结构示意图;
图4为本发明空间注意力分支的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
实施例一
本发明公开了一种全视野数字病理切片的病灶区域分类方法及其系统,该方法包括如下步骤:
S1、对病理切片图像进行标注,得到标注后的切片图像;
首先将获取的原始全视野数字病理切片切成较小的病理切片图像;采用大津阈值分割的方法分割出病理切片图像中的病理组织区域,然后使用4096×4096大小的滑动窗口滑过病理切片图像,并设定阈值为0.7,将病理组织区域占比超过阈值的所述病理切片图像筛选出来,并标注出病灶区域。
S2、对标注后的切片图像进行两次筛选后得到的图像块作为训练集,本实施例选取116张含有胃癌区域或普通胃病区域的胃部切片图像作为训练数据集。
这里的两次筛选由一次筛选和二次筛选组成,
其中,一次筛选具体为:使用大小为256×256滑动窗口滑过标注后的切片图像,将背景区域与正常组织区域占比大于阈值0.5的图像块筛掉,将筛选后的图像块用于二次筛选;
其中,二次筛选具体为:从一次筛选后的图像块中再筛选掉同时包含多种不同疾病病灶的图像块,筛选方法与一次筛选相同,将剩余的只包含单一类别病灶区域的图像块作为训练集。
S3、将上述训练集输入CSResNet系统进行分类学习训练,其中,如图1所示,CSResNet系统包括卷积模块、残差注意力模块和全局平均池化层;在分类学习训练时,将训练集的图像块输入CSResNet系统后,由卷积模块处理后,输入到残差注意力模块进行处理,再由全局平均池化层压缩1×1×c的特征向量,最后由所述特征向量判断输入图像块的病灶区域的类别。
其中,卷积模块由卷积层和池化层组成;如图2所示,残差注意力模块由通道注意力分支、空间注意力分支和恒等映射分支组成。
具体的,如图3所示,通道注意力分支先由压缩操作Fsq(·)将特征图像U压缩为1×1×c的特征向量,然后经过激发操作Fex(·,W),由1×1的卷积层学习特征向量中对应特征图像U每一个通道的权重,最后将特征向量逐通道的和特征图像U相乘;
如图4所示,空间注意力分支将特征图U先编码器压缩特征图U,再由解码器恢复被压缩特征图U的空间结构,然后经过卷积操作及Sigmoid函数激活生成单通道的权值掩码,最后将权值掩码在空间维度上逐元素的和输入特征图U相乘;
恒等映射分支将输入的特征图U直接传递到后续网络,残差注意力模块末端,将三个分支生成的特征图逐像素相加,输出最终的特征图。
S4、将拟被分类的31张胃部全视野数字病理切片按所述步骤S1、S2进行预处理,然后输入所述CSResNet系统进行分类,得到分类结果。
本实施例代码基于Keras深度学习框架,后端基于TensorFlow。所有操作均在Linux Ubuntu 16.04LTS平台上进行。分割任务使用两块NVIDIA GeForce GTX 1080Ti的图形处理器(GPU)进行训练和预测。分类任务则使用一块同型号的GPU进行实验。两个任务所设置的模型初始学习率都为0.0001,共训练20轮。都选取二分类交叉熵损失函数作为模型的损失函数。选择自适应矩估计优化器优化模型。受GPU内存限制,分割任务每一批的图像块尺寸设置为20,分类任务图像块尺寸设置为32。
本实施例采用准确率、精确率、召回率、F1分数以及ROC曲线作为模型评价指标。
准确率是指模型预测结果中,预测正确的结果样本数占总样本数的百分比。准确率的计算公式如下所示:
精确率表示模型预测为正类的样本中,真实标签也为正类的样本所占的比例。精确率的计算公式如下所示:
召回率表示在真实标签为正类的所有样本中,被模型正确预测出是正类的样本所占的比例。召回率的计算公式如下所示:
F1分数同时结合了模型的精确率和召回率,是精确率和召回率的调和平均数。F1分数的计算公式如下所示:
在上式中,TP为预测结果中真正例的数量,即数据中标签为正类预测结果也为正类的样本数量;FP为预测结果中假正例的数量,即预测数据中标签为负类预测结果却为正类的样本数量;TN为预测结果中真负例的数量,即预测数据中标签为负类预测结果也为负类的样本数量;FN为预测结果中假负例的数量,即预测数据中标签为正类预测结果却为负类的样本数量。
在本实施例中,选择ResNet18为基础网络,并以癌症组织为正类,普通胃病组织为负类,得到的评价结果如下表1所示:
表1 CSResNet18与其他方法的比较
方法 | 准确率(%) | 精确率(%) | 召回率(%) | F1分数(%) |
ResNet18 | 81.05 | 86.75 | 83.35 | 85.01 |
ResNet18(通道注意力) | 85.06 | 91.02 | 85.17 | 88.00 |
ResNet18(空间注意力) | 83.97 | 88.53 | 86.31 | 87.41 |
CSResNet18 | 86.39 | 91.52 | 86.96 | 89.18 |
从上表1可以看出,在ResNet18的通道维度或空间维度添加注意力机制后,准确率、精确率、召回率、F1分数四个分类评价指标都有显著提升,由此证明了注意力机制的有效性。
CSResNet在空间和通道两个方向同时加入注意力机制,从表1中可以看出,相比ResNet18,CSResNet的准确率提高了1.33%,精确率由91.02%提高到91.52%,召回率提高了1.79%,F1分数提高了1.18%;相比ResNet18(通道注意力)和ResNet18(空间注意力),准确率、精确率、召回率和F1分数都有不同程度的提高。由此可知,CSResNet相比其他模型,在四个评价指标中结果都达到了最高,证明了在空间和通道两个方向同时加入注意力机制的有效性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种全视野数字病理切片的病灶区域分类方法,其特征在于:该方法包括如下步骤:
S1、对病理切片图像进行标注,得到标注后的切片图像;
S2、对所述标注后的切片图像进行两次筛选后得到的图像块作为训练集;
S3、将所述训练集输入CSResNet系统进行分类学习训练;
S4、将拟被分类的全视野数字病理切片按所述步骤S1、S2进行预处理,然后输入所述CSResNet系统进行分类,得到分类结果。
2.如权利要求1所述的一种全视野数字病理切片的病灶区域分类方法,其特征在于:所述病理切片图像是由全视野数字病理切片切成较小的病理切片图像获得;所述标注是用阈值分割的方法分割出所述病理切片图像中的病理组织区域,然后使用滑动窗口滑过所述病理切片图像,根据设定的阈值,将病理组织区域占比超过阈值的所述病理切片图像筛选出来,并标注出病灶区域。
3.如权利要求2所述的一种全视野数字病理切片的病灶区域分类方法,其特征在于:所述阈值分割的方法包括大津阈值分割法。
4.如权利要求1所述的一种全视野数字病理切片的病灶区域分类方法,其特征在于:所述两次筛选由一次筛选和二次筛选组成,所述一次筛选具体为:使用滑动窗口滑过所述标注后的切片图像,将背景区域与正常组织区域占比大于阈值的图像块筛掉,将筛选后的图像块用于二次筛选;所述二次筛选具体为:从一次筛选后的图像块中再筛选掉同时包含多种不同疾病病灶的图像块,筛选方法与一次筛选相同,将剩余的只包含单一类别病灶区域的图像块作为训练集。
5.如权利要1所述的一种全视野数字病理切片的病灶区域分类方法,其特征在于:所述分类学习训练具体为:将训练集的图像块输入CSResNet系统后,由卷积模块处理后,输入到残差注意力模块进行处理,再由全局平均池化层压缩1×1×c的特征向量,最后由所述特征向量判断输入图像块的病灶区域的类别。
6.一种全视野数字病理切片的病灶区域分类系统,其特征在于:所述CSResNet系统包括卷积模块、残差注意力模块和全局平均池化层;所述卷积模块由卷积层和池化层组成;所述残差注意力模块由通道注意力分支、空间注意力分支和恒等映射分支组成。
7.如权利要6所述的一种全视野数字病理切片的病灶区域分类系统,其特征在于:
所述通道注意力分支先由压缩操作Fsq(·)将特征图像U压缩为1×1×c的特征向量,然后经过激发操作Fex(·,W),由1×1的卷积层学习特征向量中对应特征图像U每一个通道的权重,最后将特征向量逐通道的和特征图像U相乘;
所述空间注意力分支将特征图U先编码器压缩特征图U,再由解码器恢复被压缩特征图U的空间结构,然后经过卷积操作及Sigmoid函数激活生成单通道的权值掩码,最后将权值掩码在空间维度上逐元素的和输入特征图U相乘;
所述恒等映射分支将输入的特征图U直接传递到后续网络,在残差注意力模块末端,将三个分支生成的特征图逐像素相加,输出最终的特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010923734.2A CN112084930A (zh) | 2020-09-04 | 2020-09-04 | 一种全视野数字病理切片的病灶区域分类方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010923734.2A CN112084930A (zh) | 2020-09-04 | 2020-09-04 | 一种全视野数字病理切片的病灶区域分类方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112084930A true CN112084930A (zh) | 2020-12-15 |
Family
ID=73732031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010923734.2A Pending CN112084930A (zh) | 2020-09-04 | 2020-09-04 | 一种全视野数字病理切片的病灶区域分类方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084930A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633348A (zh) * | 2020-12-17 | 2021-04-09 | 首都医科大学附属北京天坛医院 | 一种检测脑动静脉畸形并判断其弥散性的方法和装置 |
CN112967287A (zh) * | 2021-01-29 | 2021-06-15 | 平安科技(深圳)有限公司 | 基于图像处理的胃癌病灶识别方法、装置、设备和存储介质 |
CN113033428A (zh) * | 2021-03-30 | 2021-06-25 | 电子科技大学 | 一种基于实例分割的行人属性识别方法 |
CN113192633A (zh) * | 2021-05-24 | 2021-07-30 | 山西大学 | 基于注意力机制的胃癌细粒度分类方法 |
CN113420630A (zh) * | 2021-06-17 | 2021-09-21 | 中国人民解放军海军航空大学航空作战勤务学院 | 一种基于从头训练的sar图像舰船目标检测方法和系统 |
CN113506287A (zh) * | 2021-07-27 | 2021-10-15 | 陕西师范大学 | 全视野病理切片图像分类方法、装置、设备及存储介质 |
CN113592780A (zh) * | 2021-07-06 | 2021-11-02 | 南方科技大学 | 一种眼底图像分类方法、装置、设备及存储介质 |
WO2022141882A1 (zh) * | 2020-12-30 | 2022-07-07 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及系统 |
CN115083574A (zh) * | 2022-08-22 | 2022-09-20 | 四川大学华西医院 | 癌症预后生存预测方法、系统、计算机设备及存储介质 |
CN115082743A (zh) * | 2022-08-16 | 2022-09-20 | 之江实验室 | 考虑肿瘤微环境的全视野数字病理图像分类系统及构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259771A (zh) * | 2020-01-13 | 2020-06-09 | 成都理工大学 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
CN111310841A (zh) * | 2020-02-24 | 2020-06-19 | 中南大学湘雅医院 | 医学图像分类方法、装置、设备、计算机设备和存储介质 |
CN111599438A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种基于多模态数据的面向糖尿病患者的实时饮食健康监控方法 |
-
2020
- 2020-09-04 CN CN202010923734.2A patent/CN112084930A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259771A (zh) * | 2020-01-13 | 2020-06-09 | 成都理工大学 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
CN111310841A (zh) * | 2020-02-24 | 2020-06-19 | 中南大学湘雅医院 | 医学图像分类方法、装置、设备、计算机设备和存储介质 |
CN111599438A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种基于多模态数据的面向糖尿病患者的实时饮食健康监控方法 |
Non-Patent Citations (2)
Title |
---|
王阳等: "面向细粒度图像分类的双线性残差注意力网络", 《激光与光电子学进展》, pages 1 - 15 * |
褚晶辉等: "一种基于注意力模型的面部表情识别算法", 《激光与光电子学进展》, vol. 57, no. 12, pages 1 - 8 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633348A (zh) * | 2020-12-17 | 2021-04-09 | 首都医科大学附属北京天坛医院 | 一种检测脑动静脉畸形并判断其弥散性的方法和装置 |
WO2022141882A1 (zh) * | 2020-12-30 | 2022-07-07 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及系统 |
CN112967287A (zh) * | 2021-01-29 | 2021-06-15 | 平安科技(深圳)有限公司 | 基于图像处理的胃癌病灶识别方法、装置、设备和存储介质 |
CN113033428A (zh) * | 2021-03-30 | 2021-06-25 | 电子科技大学 | 一种基于实例分割的行人属性识别方法 |
CN113192633B (zh) * | 2021-05-24 | 2022-05-31 | 山西大学 | 基于注意力机制的胃癌细粒度分类方法 |
CN113192633A (zh) * | 2021-05-24 | 2021-07-30 | 山西大学 | 基于注意力机制的胃癌细粒度分类方法 |
CN113420630A (zh) * | 2021-06-17 | 2021-09-21 | 中国人民解放军海军航空大学航空作战勤务学院 | 一种基于从头训练的sar图像舰船目标检测方法和系统 |
CN113592780A (zh) * | 2021-07-06 | 2021-11-02 | 南方科技大学 | 一种眼底图像分类方法、装置、设备及存储介质 |
CN113506287A (zh) * | 2021-07-27 | 2021-10-15 | 陕西师范大学 | 全视野病理切片图像分类方法、装置、设备及存储介质 |
CN115082743A (zh) * | 2022-08-16 | 2022-09-20 | 之江实验室 | 考虑肿瘤微环境的全视野数字病理图像分类系统及构建方法 |
CN115082743B (zh) * | 2022-08-16 | 2022-12-06 | 之江实验室 | 考虑肿瘤微环境的全视野数字病理图像分类系统及构建方法 |
CN115083574A (zh) * | 2022-08-22 | 2022-09-20 | 四川大学华西医院 | 癌症预后生存预测方法、系统、计算机设备及存储介质 |
CN115083574B (zh) * | 2022-08-22 | 2022-12-06 | 四川大学华西医院 | 癌症预后生存预测方法、系统、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084930A (zh) | 一种全视野数字病理切片的病灶区域分类方法及其系统 | |
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 | |
CN112116605B (zh) | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 | |
CN110175613A (zh) | 基于多尺度特征和编解码器模型的街景图像语义分割方法 | |
CN114495029B (zh) | 一种基于改进YOLOv4的交通目标检测方法及系统 | |
CN113688836A (zh) | 一种基于深度学习的实时性道路图像语义分割方法及系统 | |
CN112017192B (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及系统 | |
CN110826609B (zh) | 一种基于强化学习的双流特征融合图像识别方法 | |
CN115035295B (zh) | 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法 | |
CN112861970B (zh) | 一种基于特征融合的细粒度图像分类方法 | |
CN112464701A (zh) | 基于轻量化特征融合ssd的人员是否佩戴口罩检测方法 | |
CN113516116B (zh) | 一种适用于复杂自然场景的文本检测方法、系统和介质 | |
CN111340785A (zh) | 模型训练方法、产品表面缺陷检测方法和存储介质 | |
CN111833353B (zh) | 一种基于图像分割的高光谱目标检测方法 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
CN115880529A (zh) | 基于注意力和解耦知识蒸馏的鸟类细粒度分类方法及系统 | |
CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN116844143A (zh) | 基于边缘增强的胚胎发育阶段预测与质量评估系统 | |
CN109583584B (zh) | 可使具有全连接层的cnn接受不定形状输入的方法及系统 | |
CN116958113A (zh) | 一种产品检测方法、装置、设备及存储介质 | |
CN114998756A (zh) | 一种基于yolov5的遥感图像检测方法、装置及存储介质 | |
CN112989919B (zh) | 一种从影像中提取目标对象的方法及系统 |
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 |