CN112085704A - 医学图像分类方法、装置、终端设备及存储介质 - Google Patents
医学图像分类方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112085704A CN112085704A CN202010788278.5A CN202010788278A CN112085704A CN 112085704 A CN112085704 A CN 112085704A CN 202010788278 A CN202010788278 A CN 202010788278A CN 112085704 A CN112085704 A CN 112085704A
- Authority
- CN
- China
- Prior art keywords
- tensor
- order
- sample image
- sample
- image set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 110
- 239000013598 vector Substances 0.000 claims description 73
- 239000011159 matrix material Substances 0.000 claims description 44
- 239000006185 dispersion Substances 0.000 claims description 28
- 230000009977 dual effect Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 17
- 238000009792 diffusion process Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 11
- 210000004556 brain Anatomy 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 208000024827 Alzheimer disease Diseases 0.000 description 9
- 208000010877 cognitive disease Diseases 0.000 description 6
- 208000027061 mild cognitive impairment Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000013256 coordination polymer Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06T7/0002—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于图像处理技术领域,提供了一种医学图像分类方法、装置、终端设备及存储介质,包括:获取待分类医学图像;获取所述待分类医学图像的张量;对所述待分类医学图像的张量进行张量秩一分解,得到所述待分类医学图像的张量在N阶的分量,其中,N是指所述待分类医学图像的张量的阶数;将所述待分类医学图像的张量在N阶的分量输入至预先构建的决策函数,通过所述决策函数对所述待分类医学图像进行分类,并输出所述待分类医学图像的分类结果。通过本申请可提高医学图像的分类准确率。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种医学图像分类方法、装置、终端设备及存储介质。
背景技术
图像分类已经成为图像处理领域的重要研究内容,例如医学图像的分类。现有医学图像分类算法需要将医学图像向量化,向量化的过程容易导致医学图像空间信息的丢失,医学图像空间信息的丢失降低了分类准确率。
发明内容
本申请提供了一种医学图像分类方法、装置、终端设备及存储介质,以提高医学图像的分类准确率。
第一方面,本申请实施例提供了一种医学图像分类方法,所述医学图像分类方法包括:
获取待分类医学图像;
获取所述待分类医学图像的张量;
对所述待分类医学图像的张量进行张量秩一分解,得到所述待分类医学图像的张量在N阶的分量,其中,N是指所述待分类医学图像的张量的阶数;
将所述待分类医学图像的张量在N阶的分量输入至预先构建的决策函数,通过所述决策函数对所述待分类医学图像进行分类,并输出所述待分类医学图像的分类结果。
第二方面,本申请实施例提供了一种医学图像分类装置,所述医学图像分类装置包括:
图像获取模块,用于获取待分类医学图像;
张量获取模块,用于获取所述待分类医学图像的张量;
张量分解模块,用于对所述待分类医学图像的张量进行张量秩一分解,得到所述待分类医学图像的张量在N阶的分量,其中,N为所述待分类医学图像的张量的阶数;
分量处理模块,用于将所述待分类医学图像的张量在N阶的分量输入至预先构建的决策函数,通过所述决策函数对所述待分类医学图像进行分类,并输出所述待分类医学图像的分类结果。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述医学图像分类方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述医学图像分类方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,当所述计算机程序产品在终端设备上运行时,使得所述终端设备执行如上述第一方面所述医学图像分类方法的步骤。
由上可见,本申请通过使用张量表示待分类医学图像,能够有效保留待分类医学图像的空间信息,且对待分类医学图像的张量进行张量秩一分解后输入决策函数进行分类,能够充分利用待分类医学图像的张量的结构信息及相关性,提取出待分类医学图像的张量中潜藏的判别信息,从而提高待分类医学图像的分类准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的医学图像分类方法的实现流程示意图;
图2是本申请实施例二提供的医学图像分类方法的实现流程示意图;
图3是本申请实施例三提供的医学图像分类装置的结构示意图;
图4是本申请实施例四提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
具体实现中,本申请实施例中描述的终端设备包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端设备。然而,应当理解的是,终端设备可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端设备支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端设备上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
应理解,本实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
参见图1,是本申请实施例一提供的医学图像分类方法的实现流程示意图,该医学图像分类方法应用于终端设备,如图所示该医学图像分类方法可以包括以下步骤:
步骤101,获取待分类医学图像。
待分类医学图像可以是指待进行分类的医学图像,待分类医学图像的维度为至少二维,例如待分类医学图像为灰度医学图像,那么待分类医学图像的维度为二维;待分类医学图像为彩色医学图像,那么待分类医学图像的维度为三维。
需要说明的是,在本实施例中的待分类医学图像可以是通过终端设备中的图像采集装置获取到的,也可以是服务器或其他设备获取到后,发送给终端设备的,在本实施例中不对待分类医学图像的获取方式进行限定。
步骤102,获取待分类医学图像的张量。
张量是向量的高阶扩展,可以认为是图像的自然表达。维度不同的图像可以使用不同的张量表示,图像的张量的阶数与图像的维度有关,如果图像的维度为N维,那么图像的张量的阶数为N,例如二维医学图像可以用二阶张量表示,三维医学图像可以使用三阶张量表示,四维医学图像可以使用四阶张量表示,以三阶张量为例,第一阶表示医学图像的横坐标(即图像的宽度)、第二阶表示医学图像的纵坐标(即图像的长度),第三阶表示医学图像的矢量维数,其中,第一阶和第二阶共同描述医学图像的空间,包含了医学图像的空间信息,第三阶说明了医学图像的矢量维度,包含了矢面空间结构,故通过张量表示待分类医学图像,能够有效地保留待分类医学图像的空间信息,减少待分类医学图像的空间信息的损失。
步骤103,对待分类医学图像的张量进行张量秩一分解,得到待分类医学图像的张量在N阶的分量。
其中,N是指待分类医学图像的张量的阶数。
对待分类医学图像的张量进行张量秩一分解可以是指对待分类医学图像的张量进行长度为1的张量秩一分解,对待分类医学图像的张量进行长度为1的张量秩一分解可以是指将待分类医学图像的张量分解为在N阶的分量的外积,例如,待分类医学图像的张量为X,对X进行长度为1的张量秩一分解后,X可以表示为x(1)为X在第一阶的分量,x(2)为X在第二阶的分量,x(N)为X在第N阶的分量,(x(1),x(2),…,x(N))为X在N阶的分量,表示外积运算符。
步骤104,将待分类医学图像的张量在N阶的分量输入至预先构建的决策函数,通过决策函数对待分类医学图像进行分类,并输出待分类医学图像的分类结果。
在本实施例中,在对待分类医学图像进行分类之前,可以先基于大量的图像训练集构建决策函数,使得构建好的决策函数能够较为准确地对待分类医学图像进行分类,预测出待分类医学图像的类别,并输出决策函数预测的待分类医学图像的类别,以提示用户待分类医学图像的类别。
其中,决策函数能够预测的类别数量为至少两种,例如决策函数能够预测的类别数量为两种,两种类别分别为目标类别和非目标类别,那么在通过该决策函数对待分类医学图像进行分类时,得到的待分类医学图像的分类结果为待分类医学图像的类别是目标类别或者待分类医学图像的类别不是目标类别。
在一应用场景中,将用户的脑部磁共振成像(Magnetic Resonance Imaging,MRI)图像作为待分类医学图像,该脑部MRI图像的维度为三维,可以先对脑部MRI图像的张量进行张量秩一分解,得到脑部MRI图像的张量在三阶的分量,将脑部MRI图像的张量在三阶的分量输入至预先构建的决策函数,通过决策函数可以判定上述脑部MRI图像的分类结果,该分类结果包括但不限于轻度认知障碍、阿尔茨海默症、正常老年人等,若分类结果为轻度认知障碍,则确定用户处于轻度认知障碍阶段,若分类结果为阿尔茨海默症,则确定用户患有阿尔茨海默症,若分类结果为正常老年人,则确定用户正常,未患有阿尔茨海默症,也不处于轻度认知障碍阶段。
可选地,输出待分类医学图像的分类结果包括:
以预设方式输出待分类医学图像的分类结果。
其中,预设方式可以是指预先设置的对分类结果的输出方式,该预设方式可以是在终端设备的屏幕显示、语音播报、短信等多种输出方式中的至少一种。
本申请实施例通过使用张量表示待分类医学图像,能够有效保留待分类医学图像的空间信息,且对待分类医学图像的张量进行张量秩一分解后输入决策函数进行分类,能够充分利用待分类医学图像的张量的结构信息及相关性,提取出待分类医学图像的张量中潜藏的判别信息,从而提高待分类医学图像的分类准确性,例如提高阿尔茨海默症的识别准确率。
参见图2,是本申请实施例二提供的医学图像分类方法的实现流程示意图,该医学图像分类方法应用于终端设备,如图所示该医学图像分类方法可以包括以下步骤:
步骤201,获取样本训练集。
在本实施例中,样本训练集用于构建决策函数,使得构建好的决策函数能够较为准确地对待分类医学图像进行分类(即对待分类医学图像进行类别预测)。样本训练集包括样本图像集的张量和样本图像集的类别标签,样本图像集包括M个样本图像,样本图像集的张量包括M个样本图像各自的张量,样本图像集的类别标签包括M个样本图像各自的类别标签,样本图像集的张量的阶数为N,M为大于1的整数,M个样本图像属于医学图像。其中,一个样本图像的类别标签是该样本图像的真实类别,样本图像集的张量的阶数为N是指M个样本图像各自的张量的阶数均为N。
在一应用场景中,可以将阿尔茨海默症的神经影像数据库中的MRI图像作为样本图像集,样本图像集的类别包括轻度认知障碍、阿尔茨海默症、正常老年人等三种类别,可以预先标注好样本图像集中每个样本图像的类别(即每个样本图像的类别标签),根据每个样本图像的张量及其类别标签,构建决策函数,使得构建好的决策函数能够识别出轻度认知障碍、阿尔茨海默症、正常老年人等三种类别。
为了减少待分类医学图像的空间信息的丢失,本实施例可以以张量的形式对M个样本图像进行数据存储,例如以张量的形式表示三维的脑部MRI图像,有利于保留脑部MRI图像的空间信息。M个样本图像各自的张量和M个样本图像各自的类别标签均以列向量形式组成样本训练集,且在样本训练集中每个样本图像的张量与其自身的类别标签一一对应。例如图像训练集为{Xm,ym|m=1,2,…,M},其中,Xm表示第m个样本图像的张量,ym表示第m个样本图像的类别标签,m的取值范围为1至M。
在本实施例中,在构建决策函数时,需要先获取决策函数中的参数(即目标偏移标量和样本图像集的张量在N阶的目标投影向量,样本图像集的张量在N阶的目标投影向量也可以称之为N阶权重向量,用于构建决策函数),在获取决策函数中的参数时,将样本图像集的张量作为输入,能够使得终端设备在张量领域处理数据,在张量领域处理数据,无需降维或向量化处理,从而可以降低数据处理时的计算复杂度和存储代价。
步骤202,获取样本图像集的张量在每一阶的类内散布矩阵。
样本图像集的张量在每一阶的类内散布矩阵可以是指样本图像集的张量沿每一阶展开后估计的类内散布矩阵。
由于样本图像集的张量包括M个样本图像各自的张量,一个样本图像对应一个张量,那么样本图像集的张量共包括M个张量,通过步骤202可以得到M个张量在每一阶的类内散布矩阵,从而得到M个张量在N阶的类内散布矩阵,即可以得到N个类内散布矩阵。其中,M个张量在每一阶的类内散布矩阵可以是指M个张量沿每一阶展开后估计的类内散布矩阵,例如M个张量在第n阶的类内散布矩阵是指M个张量沿第n阶展开后估计的类内散布矩阵。
类内散布矩阵表示样本图像集的张量围绕均值的散布情况,以样本图像集的张量在第n阶的类内散布矩阵为例,说明类内散布矩阵的获取方式,样本图像集的张量在第n阶的类内散布矩阵Sw表示类内散布矩阵,表示第m个样本图像的张量在第n阶的展开矩阵,表示样本图像集的张量在第n阶的展开矩阵的均值,其中,第m个样本图像的张量在第n阶的展开矩阵是指将第m个样本图像的张量中的元素重新排列,得到的矩阵。
步骤203,根据样本训练集和样本图像集的张量在每一阶的类内散布矩阵,构建样本图像集的张量在每一阶的二次规划问题。
其中,样本图像集的张量的阶数为N,每一阶均对应一个二次规划问题,那么N阶对应N个二次规划问题。
在本实施例中,可以根据样本图像集的张量在每一阶的类内散布矩阵,构建样本图像集的张量在每一阶的二次规划问题中的第一目标函数;根据样本训练集构建样本图像集的张量在每一阶的二次规划问题中的第一约束条件,样本图像集的张量在每一阶的二次规划问题中的第一目标函数和第一约束条件组成样本图像集的张量在每一阶的二次规划问题。其中,通过将样本图像集的张量在每一阶的类内散布矩阵引入样本图像集的张量在每一阶的二次规划问题中的第一目标函数,能够使得第一目标函数体现Fisher准则,从而实现在最小化类内散布的同时,最大化类间散布,实现较优的分类性能,从而提高图像的分类准确率。
其中,对于第n个二次规划问题,第n个二次规划问题是样本图像集的张量在第n阶的二次规划问题,第n阶是N阶中的任一阶,第n个二次规划问题中的第一目标函数为:
表示样本图像集的张量在第n阶的类内散布矩阵,表示样本图像集的张量在第i阶的类内散布矩阵,w(n)表示样本图像集的张量在第n阶的目标投影向量,w(i)表示样本图像集的张量在第i阶的目标投影向量,E表示与w(n)和w(i)同阶的单位向量,ε表示平衡因子,用于平衡[w(n)]Tw(n)与0<ε<1,表示与w(n)对应的的松弛变量,用于衡量第m个样本图像被错分的程度或者第m样本图像相对于w(n)的误差,C表示惩罚因子,b(n)表示所述样本图像集的张量在第n阶的偏移标量;
第n个二次规划问题中的第一约束条件为:
Xm表示第m个样本图像的张量,ym表示第m个样本图像的类别标签。
需要说明的是,上述二次规划问题中的第一目标函数和第一约束条件均为线性的最优问题,故上述二次规划问题也可以称之为二次线性规划问题。
步骤204,求解N个二次规划问题,得到目标偏移标量和样本图像集的张量在N阶的目标投影向量。
其中,目标偏移标量是指解出N个二次规划问题时所得的偏移标量。样本图像集的张量在N阶的目标投影向量包括w(1),…,w(N),例如N为三,那么样本图像集的张量在三阶的目标投影向量包括样本图像集的张量在第一阶的目标投影向量(即w(1))、在第二阶的目标投影向量(即w(2))以及在第三阶的目标投影向量(即w(3))。
可选地,求解N个二次规划问题,得到目标偏移标量和样本图像集的张量在N阶的目标投影向量包括:
令将N个二次规划问题转化为单个N重二次规划问题,单个N重二次规划问题包括第二目标函数和第二约束条件,表示样本图像集的张量在第n阶的初始投影向量,×i表示i-模积运算符,Λ(n)和Λ(i)表示对角矩阵,p(n)和p(i)表示正交矩阵,Λ(n)和p(n)满足Λ(i)和p(i)满足N阶对应N个初始投影向量;
第二约束条件为:ym(<W*,Vm>+b)≥1-ξm;
求解单个N重二次规划问题,得到目标偏移标量和样本图像集的张量在N阶的目标投影向量。
在本实施例中,由于为对称矩阵,故存在正交矩阵p(n),满足W*是N个初始投影向量的外积,具体是指表示样本图像集的张量在第一阶的初始投影向量,表示样本图像集的张量在第二阶的初始投影向量,表示样本图像集的张量在第N阶的初始投影向量。例如,N为4(即样本图像集的张量的阶数为四),那么
需要说明的是,上述单个N重二次规划问题也可以称之为在张量模式下的单个N重二次规划问题,且属于凸优化问题,进而可避免耗时的交替迭代过程,加快对图像的分类(例如加快对阿尔兹海默症的识别进程)。
可选地,求解单个N重二次规划问题,得到目标偏移标量和样本图像集的张量在N阶的目标投影向量包括:
根据单个N重二次规划问题,构建拉格朗日函数:
其中,α表示第一拉格朗日乘子,αm表示第m个样本图像对应的第一拉格朗日乘子,β表示第二拉格朗日乘子,βm表示第m个样本图像对应的第二拉格朗日乘子;
根据拉格朗日乘子法,获得拉格朗日函数的对偶问题,拉格朗日函数的对偶问题包括第三目标函数和第三约束条件;
求解拉格朗日函数的对偶问题,得到目标偏移标量和样本图像集的张量在N阶的目标投影向量。
在本实施例中,根据拉格朗日乘子法,可以对拉格朗日函数中的变量W*和b求偏导,从而获得拉格朗日函数的对偶问题。
可选地,求解拉格朗日函数的对偶问题,得到目标偏移标量和样本图像集的张量在N阶的目标投影向量包括:
将Vd分解为R个第一秩一张量的和,每个第一秩一张量表示为在N阶的分量的外积;
将Ve分解为R个第二秩一张量的和,每个第二秩一张量表示为在N阶的分量的外积;
根据每个第一秩一张量在N阶的分量和每个第二秩一张量在N阶的分量,修改第三目标函数,并确定修改后的第三目标函数为第四目标函数,第四目标函数和第三约束条件构成修改后的对偶问题;
其中,第四目标函数为:
采用序列最小最优化算法,求解修改后的对偶问题,得到目标偏移标量和M个样本图像各自对应的目标拉格朗日乘子,M个样本图像各自对应的目标拉格朗日乘子是指解出修改后的对偶问题时所得的M个样本图像各自对应的第一拉格朗日乘子;
对样本图像集的投影张量进行张量秩一分解,得到样本图像集的张量在N阶的初始投影向量;
对样本图像集在N阶的初始投影向量进行逆投影,得到样本图像集在N阶的目标投影向量。
在本实施例中,可以通过对Vd进行CP分解,从而将Vd分解为R个第一秩一张量的和,每个第一秩一张量表示为在N阶的分量的外积,即其中,Vdk表示第k个第一秩一张量,表示第k个第一秩一张量在第一阶的分量,表示第k个第一秩一张量在第二阶的分量,表示第k个第一秩一张量在第N阶的分量;可以通过对Ve进行CP分解,将Ve分解为R个第二秩一张量的和,每个第二秩一张量表示为在N阶的分量的外积,即其中,Veq表示第q个第二秩一张量,表示第q个第二秩一张量在第一阶的分量,表示第q个第二秩一张量在第二阶的分量,表示第q个第二秩一张量在第N阶的分量。通过对Vd和Ve进行CP分解,能够获得张量更加紧凑有意义的表达,从而有效地获取样本图像集的完整信息,且无需将所有张量存储在内存空间,节省内存空间的同时可避免决策函数过拟合,增强决策函数的泛化能力,且本申请更加适合小样本学习,在样本图像的数量较少时,也能够得到准确率较高的决策函数,缩减了图像的分类时间,提升了图像的分类效率。
在本实施例中,通过对样本图像集的投影张量W*进行张量秩一分解,可以将W*表示为样本图像集的张量在N阶的初始投影向量的外积,即该表达式中的即为样本图像集在N阶的初始投影向量。将样本图像集在N阶的初始投影向量通过公式进行逆投影,可以得到样本图像集在N阶的目标投影向量。其中,n的取值范围为1至N。
序列最小优化算法(Sequential Minimal Optimization,SMO)是一种用于解决支持张量机训练过程中所产生优化问题的算法。本申请通过SMO可以对修改后的对偶问题进行求解,解出目标偏移标量和M个样本图像各自对应的目标拉格朗日乘子。
需要说明的是,本实施例在基于样本图像集的张量学习决策函数中的参数,能够减少样本图像集的输入参数,从而可有效地解决信息丢失、过拟合、维度灾难、小样本等问题。
步骤205,根据目标偏移标量和样本图像集的张量在N阶的目标投影向量,构建决策函数。
在本实施例中,目标偏移标量可以称之为最优偏移标量,样本图像集的张量在N阶的目标投影向量可以称之为样本图像集的张量在N阶的最优投影向量,那么根据目标偏移标量和样本图像集的张量在N阶的目标投影向量,构建的决策函数也可以称之为最优投影高阶张量机(Optimized Projection based High-order Support Tensor Machine,OPHSTM)。
步骤206,获取待分类医学图像。
该步骤与步骤101相同,具体可参见步骤101的相关描述,在此不再赘述。
需要说明的是,样本图像集中的M个样本图像与待分类医学图像属于同一种图像,例如待分类医学图像为脑部MRI图像,那么也需要M个样本图像为脑部MRI图像,从而确保基于M个样本图像构建的决策函数能够对待分类医学图像进行准确分类。
可选地,本申请也可以不限定待分类图像和M个样本图像为医学图像,即本申请也可以对不属于医学图像的图像进行分类。
步骤207,获取待分类医学图像的张量。
该步骤与步骤102相同,具体可参见步骤102的相关描述,在此不再赘述。
步骤208,对待分类医学图像的张量进行张量秩一分解,得到待分类医学图像的张量在N阶的分量。
该步骤与步骤103相同,具体可参见步骤103的相关描述,在此不再赘述。
步骤209,将待分类医学图像的张量在N阶的分量输入至构建的决策函数,通过决策函数对所述待分类医学图像进行分类,并输出待分类医学图像的分类结果。
该步骤与步骤104相同,具体可参见步骤104的相关描述,在此不再赘述。
本申请实施例通过构建二次规划问题获取决策函数的参数,能够减少参数获取过程中的参数交替迭代的耗时,在保证高效处理能力的同时,凸显较优的分类效果,提高医学图像分类的准确性,具有较强的实用性和推广性。
参见图3,是本申请实施例三提供的医学图像分类装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
医学图像分类装置包括:
图像获取模块31,用于获取待分类医学图像;
张量获取模块32,用于获取待分类医学图像的张量;
张量分解模块33,用于对待分类医学图像的张量进行张量秩一分解,得到待分类医学图像的张量在N阶的分量,其中,N为待分类医学图像的张量的阶数;
分量处理模块34,用于将待分类医学图像的张量在N阶的分量输入至预先构建的决策函数,通过决策函数对待分类医学图像进行分类,并输出待分类医学图像的分类结果。
可选地,医学图像分类装置还包括:
训练集获取模块,用于获取样本训练集,样本训练集包括样本图像集的张量和样本图像集的类别标签,样本图像集包括M个样本图像,样本图像集的张量包括M个样本图像各自的张量,样本图像集的类别标签包括M个样本图像各自的类别标签,样本图像集的张量的阶数为N,M为大于1的整数,M个样本图像属于医学图像;
矩阵获取模块,用于获取样本图像集的张量在每一阶的类内散布矩阵;
问题构建模块,用于根据样本训练集和样本图像集的张量在每一阶的类内散布矩阵,构建样本图像集的张量在每一阶的二次规划问题,样本图像集的张量在每一阶的二次规划问题包括第一目标函数和第一约束条件,样本图像集的张量在每一阶的二次规划问题中的第一目标函数最小化类内散布以及最大化类间散布,N阶对应N个二次规划问题;
其中,对于第n个二次规划问题,第n个二次规划问题是样本图像集的张量在第n阶的二次规划问题,第n阶是N阶中的任一阶,第n个二次规划问题中的第一目标函数为:
表示样本图像集的张量在第n阶的类内散布矩阵,表示样本图像集的张量在第i阶的类内散布矩阵,w(n)表示样本图像集的张量在第n阶的目标投影向量,w(i)表示样本图像集的张量在第i阶的目标投影向量,E表示与w(n)和w(i)同阶的单位向量,ε表示平衡因子,表示与w(n)对应的松弛变量,C表示惩罚因子,b(n)表示样本图像集的张量在第n阶的偏移标量;
第n个二次规划问题中的第一约束条件为:
Xm表示第m个样本图像的张量,ym表示第m个样本图像的类别标签;
问题求解模块,用于求解N个二次规划问题,得到目标偏移标量和样本图像集的张量在N阶的目标投影向量,目标偏移标量是指解出N个二次规划问题时所得的偏移标量;
函数构建模块,用于根据目标偏移标量和样本图像集的张量在N阶的目标投影向量,构建决策函数X表示待分类医学图像的张量,x(n)表示待分类医学图像的张量在第n阶的分量,b*表示目标偏移标量,<·>表示内积运算符,sign表示符号函数。
可选地,问题求解模块包括:
问题转化子模块,用于令×i表示i-模积运算符,将N个二次规划问题转化为单个N重二次规划问题,单个N重二次规划问题包括第二目标函数和第二约束条件,表示样本图像集的张量在第n阶的初始投影向量,Λ(n)和Λ(i)表示对角矩阵,p(n)和p(i)表示正交矩阵,Λ(n)和p(n)满足Λ(i)和p(i)满足N阶对应N个初始投影向量;
第二约束条件为:ym(<W*,Vm>+b)≥1-ξm;
问题求解子模块,用于求解单个N重二次规划问题,得到目标偏移标量和样本图像集的张量在N阶的目标投影向量。
可选地,问题求解子模块包括:
函数构建单元,用于根据单个N重二次规划问题,构建拉格朗日函数:
其中,α表示第一拉格朗日乘子,αm表示第m个样本图像对应的第一拉格朗日乘子,β表示第二拉格朗日乘子,βm表示第m个样本图像对应的第二拉格朗日乘子;
问题获得单元,用于根据拉格朗日乘子法,获得拉格朗日函数的对偶问题,拉格朗日函数的对偶问题包括第三目标函数和第三约束条件;
问题求解单元,用于求解拉格朗日函数的对偶问题,得到目标偏移标量和样本图像集的张量在N阶的目标投影向量。
可选地,问题求解单元具体用于:
将Vd分解为R个第一秩一张量的和,每个第一秩一张量表示为在N阶的分量的外积;
将Ve分解为R个第二秩一张量的和,每个第二秩一张量表示为在N阶的分量的外积;
根据每个第一秩一张量在N阶的分量和每个第二秩一张量在N阶的分量,修改第三目标函数,并确定修改后的第三目标函数为第四目标函数,第四目标函数和第三约束条件构成修改后的对偶问题;
其中,第四目标函数为:
采用序列最小最优化算法,求解修改后的对偶问题,得到目标偏移标量和M个样本图像各自对应的目标拉格朗日乘子,M个样本图像各自对应的目标拉格朗日乘子是指解出修改后的对偶问题时所得的M个样本图像各自对应的第一拉格朗日乘子;
对样本图像集的投影张量进行张量秩一分解,得到样本图像集的张量在N阶的初始投影向量;
对样本图像集在N阶的初始投影向量进行逆投影,得到样本图像集在N阶的目标投影向量。
可选地,分量处理模块34具体用于:
以预设方式输出待分类医学图像的分类结果。
本申请实施例提供的医学图像分类装置可以应用在前述方法实施例一和实施例二中,详情参见上述方法实施例一和实施例二的描述,在此不再赘述。
图4是本申请实施例四提供的终端设备的结构示意图。如图4所示,该实施例的终端设备4包括:一个或多个处理器40(图中仅示出一个)、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个医学图像分类方法实施例中的步骤。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端设备4的示例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元,例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备,例如所述终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当所述计算机程序产品在终端设备上运行时,使得所述终端设备执行时实现可实现上述各个方法实施例中的步骤。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种医学图像分类方法,其特征在于,所述医学图像分类方法包括:
获取待分类医学图像;
获取所述待分类医学图像的张量;
对所述待分类医学图像的张量进行张量秩一分解,得到所述待分类医学图像的张量在N阶的分量,其中,N是指所述待分类医学图像的张量的阶数;
将所述待分类医学图像的张量在N阶的分量输入至预先构建的决策函数,通过所述决策函数对所述待分类医学图像进行分类,并输出所述待分类医学图像的分类结果。
2.如权利要求1所述的医学图像分类方法,其特征在于,在获取待分类医学图像之前,还包括:
获取样本训练集,所述样本训练集包括样本图像集的张量和所述样本图像集的类别标签,所述样本图像集包括M个样本图像,所述样本图像集的张量包括M个样本图像各自的张量,所述样本图像集的类别标签包括所述M个样本图像各自的类别标签,所述样本图像集的张量的阶数为N,M为大于1的整数,所述M个样本图像属于医学图像;
获取所述样本图像集的张量在每一阶的类内散布矩阵;
根据所述样本训练集和所述样本图像集的张量在每一阶的类内散布矩阵,构建所述样本图像集的张量在每一阶的二次规划问题,所述样本图像集的张量在每一阶的二次规划问题包括第一目标函数和第一约束条件,所述样本图像集的张量在每一阶的二次规划问题中的第一目标函数最小化类内散布以及最大化类间散布,N阶对应N个二次规划问题;
其中,对于第n个二次规划问题,第n个二次规划问题是所述样本图像集的张量在第n阶的二次规划问题,所述第n阶是所述N阶中的任一阶,所述第n个二次规划问题中的第一目标函数为:
表示所述样本图像集的张量在第n阶的类内散布矩阵,表示所述样本图像集的张量在第i阶的类内散布矩阵,w(n)表示所述样本图像集的张量在第n阶的目标投影向量,w(i)表示所述样本图像集的张量在第i阶的目标投影向量,E表示与w(n)和w(i)同阶的单位向量,ε表示平衡因子,表示与w(n)对应的松弛变量,C表示惩罚因子,b(n)表示所述样本图像集的张量在第n阶的偏移标量;
所述第n个二次规划问题中的第一约束条件为:
Xm表示第m个样本图像的张量,ym表示第m个样本图像的类别标签;
求解所述N个二次规划问题,得到目标偏移标量和所述样本图像集的张量在N阶的目标投影向量,所述目标偏移标量是指解出所述N个二次规划问题时所得的偏移标量;
3.如权利要求2所述的医学图像分类方法,其特征在于,所述求解所述N个二次规划问题,得到目标偏移标量和所述样本图像集的张量在N阶的目标投影向量包括:
令将所述N个二次规划问题转化为单个N重二次规划问题,所述单个N重二次规划问题包括第二目标函数和第二约束条件,表示所述样本图像集的张量在第n阶的初始投影向量,×i表示i-模积运算符,Λ(n)和Λ(i)表示对角矩阵,p(n)和p(i)表示正交矩阵,Λ(n)和p(n)满足Λ(i)和p(i)满足N阶对应N个初始投影向量;
所述第二约束条件为:ym(<W*,Vm>+b)≥1-ξm;
求解所述单个N重二次规划问题,得到所述目标偏移标量和所述样本图像集的张量在N阶的目标投影向量。
4.如权利要求3所述的医学图像分类方法,其特征在于,所述求解所述单个N重二次规划问题,得到所述目标偏移标量和所述样本图像集的张量在N阶的目标投影向量包括:
根据所述单个N重二次规划问题,构建拉格朗日函数:
其中,α表示第一拉格朗日乘子,αm表示第m个样本图像对应的第一拉格朗日乘子,β表示第二拉格朗日乘子,βm表示第m个样本图像对应的第二拉格朗日乘子;
根据拉格朗日乘子法,获得所述拉格朗日函数的对偶问题,所述拉格朗日函数的对偶问题包括第三目标函数和第三约束条件;
求解所述拉格朗日函数的对偶问题,得到所述目标偏移标量和所述样本图像集的张量在N阶的目标投影向量。
5.如权利要求4所述的医学图像分类方法,其特征在于,所述求解所述拉格朗日函数的对偶问题,得到所述目标偏移标量和所述样本图像集的张量在N阶的目标投影向量包括:
将Vd分解为R个第一秩一张量的和,每个第一秩一张量表示为在N阶的分量的外积;
将Ve分解为R个第二秩一张量的和,每个第二秩一张量表示为在N阶的分量的外积;
根据所述每个第一秩一张量在N阶的分量和所述每个第二秩一张量在N阶的分量,修改所述第三目标函数,并确定修改后的所述第三目标函数为第四目标函数,所述第四目标函数和所述第三约束条件构成修改后的对偶问题;
其中,所述第四目标函数为:
采用序列最小最优化算法,求解所述修改后的对偶问题,得到所述目标偏移标量和M个样本图像各自对应的目标拉格朗日乘子,所述M个样本图像各自对应的目标拉格朗日乘子是指解出所述修改后的对偶问题时所得的所述M个样本图像各自对应的第一拉格朗日乘子;
对所述样本图像集的投影张量进行张量秩一分解,得到所述样本图像集的张量在N阶的初始投影向量;
对所述样本图像集在N阶的初始投影向量进行逆投影,得到所述样本图像集在N阶的目标投影向量。
6.如权利要求1至5任一项所述的医学图像分类方法,其特征在于,所述输出所述待分类医学图像的分类结果包括:
以预设方式输出所述待分类医学图像的分类结果。
7.一种医学图像分类装置,其特征在于,所述医学图像分类装置包括:
图像获取模块,用于获取待分类医学图像;
张量获取模块,用于获取所述待分类医学图像的张量;
张量分解模块,用于对所述待分类医学图像的张量进行张量秩一分解,得到所述待分类医学图像的张量在N阶的分量,其中,N为所述待分类医学图像的张量的阶数;
分量处理模块,用于将所述待分类医学图像的张量在N阶的分量输入至预先构建的决策函数,通过所述决策函数对所述待分类医学图像进行分类,并输出所述待分类医学图像的分类结果。
8.如权利要求7所述的医学图像分类装置,其特征在于,所述医学图像分类装置还包括:
训练集获取模块,用于获取样本训练集,所述样本训练集包括样本图像集的张量和所述样本图像集的类别标签,所述样本图像集包括M个样本图像,所述样本图像集的张量包括M个样本图像各自的张量,所述样本图像集的类别标签包括所述M个样本图像各自的类别标签,所述样本图像集的张量的阶数为N,M为大于1的整数,所述M个样本图像属于医学图像;
矩阵获取模块,用于获取所述样本图像集的张量在每一阶的类内散布矩阵;
问题构建模块,用于根据所述样本训练集和所述样本图像集的张量在每一阶的类内散布矩阵,构建所述样本图像集的张量在每一阶的二次规划问题,所述样本图像集的张量在每一阶的二次规划问题包括第一目标函数和第一约束条件,所述样本图像集的张量在每一阶的二次规划问题中的第一目标函数最小化类内散布以及最大化类间散布,N阶对应N个二次规划问题;
其中,对于第n个二次规划问题,第n个二次规划问题是所述样本图像集的张量在第n阶的二次规划问题,所述第n阶是所述N阶中的任一阶,所述第n个二次规划问题中的第一目标函数为:
表示所述样本图像集的张量在第n阶的类内散布矩阵,表示所述样本图像集的张量在第i阶的类内散布矩阵,w(n)表示所述样本图像集的张量在第n阶的目标投影向量,w(i)表示所述样本图像集的张量在第i阶的目标投影向量,E表示与w(n)和w(i)同阶的单位向量,ε表示平衡因子,表示与w(n)对应的松弛变量,C表示惩罚因子,b(n)表示所述样本图像集的张量在第n阶的偏移标量;
所述第n个二次规划问题中的第一约束条件为:
Xm表示第m个样本图像的张量,ym表示第m个样本图像的类别标签;
问题求解模块,用于求解所述N个二次规划问题,得到目标偏移标量和所述样本图像集的张量在N阶的目标投影向量,所述目标偏移标量是指解出所述N个二次规划问题时所得的偏移标量;
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述医学图像分类方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述医学图像分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010788278.5A CN112085704A (zh) | 2020-08-07 | 2020-08-07 | 医学图像分类方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010788278.5A CN112085704A (zh) | 2020-08-07 | 2020-08-07 | 医学图像分类方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085704A true CN112085704A (zh) | 2020-12-15 |
Family
ID=73734825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010788278.5A Pending CN112085704A (zh) | 2020-08-07 | 2020-08-07 | 医学图像分类方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085704A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022177034A1 (ja) * | 2021-02-19 | 2022-08-25 | 国立大学法人東京大学 | 情報処理装置、情報処理方法、プログラム、及び情報処理システム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654110A (zh) * | 2015-12-04 | 2016-06-08 | 深圳先进技术研究院 | 一种张量模式下的有监督学习优化方法及系统 |
CN105913085A (zh) * | 2016-04-12 | 2016-08-31 | 中国科学院深圳先进技术研究院 | 一种基于张量模式的多源数据分类优化方法及系统 |
CN108805054A (zh) * | 2018-05-29 | 2018-11-13 | 苏州大学 | 一种人脸图像分类方法、系统、设备及计算机存储介质 |
CN110222213A (zh) * | 2019-05-28 | 2019-09-10 | 天津大学 | 一种基于异构张量分解的图像分类方法 |
-
2020
- 2020-08-07 CN CN202010788278.5A patent/CN112085704A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654110A (zh) * | 2015-12-04 | 2016-06-08 | 深圳先进技术研究院 | 一种张量模式下的有监督学习优化方法及系统 |
CN105913085A (zh) * | 2016-04-12 | 2016-08-31 | 中国科学院深圳先进技术研究院 | 一种基于张量模式的多源数据分类优化方法及系统 |
CN108805054A (zh) * | 2018-05-29 | 2018-11-13 | 苏州大学 | 一种人脸图像分类方法、系统、设备及计算机存储介质 |
CN110222213A (zh) * | 2019-05-28 | 2019-09-10 | 天津大学 | 一种基于异构张量分解的图像分类方法 |
Non-Patent Citations (1)
Title |
---|
杨宁;徐盼盼;刘佩嘉;李淑龙;: "基于张量法的阿尔兹海默症脑图像分类", 中山大学学报(自然科学版), no. 02, 15 March 2017 (2017-03-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022177034A1 (ja) * | 2021-02-19 | 2022-08-25 | 国立大学法人東京大学 | 情報処理装置、情報処理方法、プログラム、及び情報処理システム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102342604B1 (ko) | 뉴럴 네트워크 생성 방법 및 장치 | |
Ratul et al. | Skin lesions classification using deep learning based on dilated convolution | |
Bronstein et al. | Generalized multidimensional scaling: a framework for isometry-invariant partial surface matching | |
Su et al. | An improved novel quantum image representation and its experimental test on IBM quantum experience | |
Agarwal et al. | Mass detection in mammograms using pre-trained deep learning models | |
CN113192639B (zh) | 信息预测模型的训练方法、装置、设备及存储介质 | |
CN112990318A (zh) | 持续学习方法、装置、终端及存储介质 | |
CN110211205A (zh) | 图像处理方法、装置、设备和存储介质 | |
Iraji et al. | Ultra-high-order ICA: an exploration of highly resolved data-driven representation of intrinsic connectivity networks (sparse ICNs) | |
He et al. | Automatic microscopic cell counting by use of deeply-supervised density regression model | |
CN112085704A (zh) | 医学图像分类方法、装置、终端设备及存储介质 | |
CN114765062A (zh) | 基因数据处理方法、装置、计算机设备及存储介质 | |
Lai et al. | 3D deformable convolution for action classification in videos | |
Ye et al. | A multi-attribute controllable generative model for histopathology image synthesis | |
Jiang et al. | A deep learning framework for mesh relaxation in arbitrary Lagrangian-Eulerian simulations | |
Fan et al. | Application of DatasetGAN in medical imaging: preliminary studies | |
Nakao et al. | Evaluation of XcalableACC with tightly coupled accelerators/InfiniBand hybrid communication on accelerated cluster | |
Saha et al. | A newly proposed object detection method using faster R-CNN inception with ResNet based on Tensorflow | |
Li et al. | Research and implementation of a fabric printing detection system based on a field programmable gate array and deep neural network | |
Ishikawa et al. | Principal component analysis for accelerating color bilateral filtering | |
Gao et al. | Spatially-weighted nonnegative matrix factorization with application to temporal psychovisual modulation | |
Elżanowski et al. | Connection and curvature in crystals with non-constant dislocation density | |
Gomez et al. | Computing and evaluating saliency maps for image classification: a tutorial | |
Wang et al. | DA-ResUNet: a novel method for brain tumor segmentation based on U-Net with residual block and CBAM | |
CN116501993B (zh) | 房源数据推荐方法及装置 |
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 |