CN112287985A - 一种基于不变特征的脑胶质瘤组织学分类及其可视化方法 - Google Patents

一种基于不变特征的脑胶质瘤组织学分类及其可视化方法 Download PDF

Info

Publication number
CN112287985A
CN112287985A CN202011107532.7A CN202011107532A CN112287985A CN 112287985 A CN112287985 A CN 112287985A CN 202011107532 A CN202011107532 A CN 202011107532A CN 112287985 A CN112287985 A CN 112287985A
Authority
CN
China
Prior art keywords
scattering
glioma
wavelet
classification
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
Application number
CN202011107532.7A
Other languages
English (en)
Inventor
陈祈剑
王丽会
王黎
邓泽宇
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.)
Guizhou University
Original Assignee
Guizhou 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 Guizhou University filed Critical Guizhou University
Priority to CN202011107532.7A priority Critical patent/CN112287985A/zh
Publication of CN112287985A publication Critical patent/CN112287985A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于不变特征的脑胶质瘤组织学分类及其可视化方法，解决了影像组学分析胶质瘤核磁共振图像缺少不变特征的技术问题。所述方法包括如下步骤：步骤一：选定需要进行分类的胶质瘤核磁共振图像，并对其进行N4偏正场矫正，配准等预处理；步骤二：设定散射传播路径，选定小波函数和尺度函数，产生散射传播算子；步骤三：对待分类图像进行小波变换，得到小波散射特征图；步骤四：对特征图进行特征值转换，使用偏最小二乘算法对特征进行降维，将降维后的特征使用随机森林，逻辑回归，支持向量机等预训练分类模型进行预测；步骤五：将肿瘤区域进行滑块操作，不断提取小波散射特征进行可视化，便于观察不同组织学胶质瘤之间的差别。

Description

一种基于不变特征的脑胶质瘤组织学分类及其可视化方法
技术领域
本发明属于医学图像处理技术领域，具体是一种基于不变特征的脑胶质瘤组织学分类及其可视化方法，可应用于计算机对胶质瘤的辅助诊断。
背景技术
神经胶质瘤简称胶质瘤(Glioma)，是一种始于大脑或脊柱的神经胶质细胞的肿瘤，是最常见的原发性颅内肿瘤，约占所有脑肿瘤和中枢神经系统肿瘤的 30％，以及所有恶性脑肿瘤的80％。世界卫生组织基于组织学诊断将胶质瘤分为I，II，III，IV四个等级。I级和II级为低级别胶质瘤(low-grade glioma，LGG)，属于分化良好(恶性度低)的胶质瘤。III级和IV级为高级别胶质瘤(high-grade glioma，HGG)，属于低分化(恶性度高)胶质瘤。不同的组织学分类共同影响着胶质瘤预后和治疗策略。
对于LGG来说，常常采用手术切除治疗或者辅助药物治疗。如毛细胞星形细胞瘤(WHO I级)，是生长缓慢的肿瘤，如果完全切除，则可能治愈。对于HGG 来说，该级别肿瘤的除了手术切除外，手术后还包括辅助治疗，可能包括放射，化疗等。因此，在对胶质瘤患者进行治疗前，准确区分出病理级别对制定合理的治疗方案，预后等具有重要的临床意义。大多数肿瘤类疾病可以通过取样活检的方式在手术前就得到明确的病理学诊断，但胶质瘤因其位置的特殊性，取样活检的难度和风险不亚于手术切除，目前胶质瘤的术前诊断主要依靠的是医学影像。核磁共振图像(Magnetic Resonance Imaging，MRI)作为一种非入侵式的无创检查方法，它可以为医生提供肿瘤位置大小，微结构的病理生理学特征甚至分子水平的特征。但是医学影像诊断的准确率需要影像科或者临床医生几十年的经验积累，如何给出医学影像的一个客观值，让医生更有把握的将其作为诊断依据成为了一个医生所面临的问题。
目前，影像组学是很有前景的能辅助医生治疗肿瘤类疾病的方法，它能从医学图像(CT，MRI等)中定量地提取大量描述肿瘤特性的影像特征，这些特征包含临床专家裸眼所无法发现的疾病特征，用这些特征结合机器学习构建相应的预测模型，可以达到计算机辅助胶质瘤诊断和决策的目的。但传统的影像组学特征(如纹理和小波特征)对噪声、变换(平移和旋转)和小变形非常敏感。例如，如果包含同一类型肿瘤的小区域位于图像的不同位置，则从该区域提取的纹理和小波特征等传统特征会因其位置的不同而有很大的差异，从而影响了放射组学的预测精度。如何提取局部变换不变性和噪声不敏感的特征对于胶质瘤的组织学的预测具有重要意义。
发明内容
针对传统影像组学存在的缺陷，本发明目的在于提出一种基于不变特征的脑胶质瘤组织学分类及其可视化方法的技术方案，既基于小波散射的不变特征提取。该方法提取的不变特征对于图像噪声，图像强度变化和图像变形具有很强的鲁棒性，并且实现了高精度的胶质瘤组织学分类。
本发明是一种基于不变特征的脑胶质瘤组织学分类及其可视化方法，本发明的技术方案为，包括有如下步骤：
1)选定需要分类的胶质瘤核磁共振数据集，大小为[A，B，C]，A和B为切片大小C为切片数量，使用随机抽取将所有数据集划分为互不相关的训练集以及测试集。对所有数据进行预处理，包括：N4偏正场矫正消除核磁共振图像采集时偏置场导致MRI机器的磁场中的不均匀性造成的影响，颅骨剥离去除头壳带来的影响，图像配准到标准空间(分辨率为1mm×1mm×1mm)以及归一化等操作来减少来自不同中心的数据分布不一致带来的影响。
2)选定小波散射的最大尺度为J，最大方向为L，最大散射层数为M，小波函数ψj，r(u)＝2-2jψ(2-jr-1u)，尺度函数φJ(u)＝2-2Jφ(2-Ju)，以及小波散射变换的散射路径为
Figure BDA0002727473430000021
其中牡为输入图像。
Figure BDA0002727473430000022
为高斯函数，小波函数的尺度j满足1≤2j≤2j，小波函数的旋转角度r满足r＝2πl/L。
Figure BDA0002727473430000023
记录小波散射的尺度j，旋转方向r和散射层数m。
Figure BDA0002727473430000024
表示沿着
Figure BDA0002727473430000025
记录的方向，尺度和散射层数的散射路径。 l＝0，1，…，L代表方向，r＝2πl/L为小波函数的旋转角，m＝0，1…M为第m散射层。对于输入为[A，B]的图像，最大尺度为J，最大方向为L，M＝2的散射输出
Figure BDA0002727473430000031
3)对于
Figure BDA0002727473430000032
为散射特征图通道数，散射特征图的大小为
Figure BDA0002727473430000033
对于每一张特征图均使用log运算以及均值运算的到其不变特征值。
4)对训练集所有的不变特征值使用偏最小二乘进行特征降维，得到降维预训练模型。降维后的训练集特征使用逻辑回归，支持向量机，随机森林等三种分类器进行胶质瘤组织学分类，得到分类预训练模型。将测试集特征输入降维预训练模型降维，将测试集降维特征输入到预训练模型进行胶质瘤组织学分类，输出最终的分类结果。
5)所分类的胶质瘤数据，对于其肿瘤区域，设定步长为S，块大小为Size*Size，不断进行步长为S的滑块操作，每一个滑块均重复步骤2)步骤3)的操作，不断提取其不变特征，选定需要可视化的某个不变特征F。每一个滑块对应原图的块中心点的值设定为F的大小，进而进行可视化，并输出可视化结果。
本发明提取的特征在保持平移不变和对形变稳定的同时保留图像中的高频信息，此外这种特征对于噪声不敏感。这种特征保证了本发明对于胶质瘤分类的高精度。
本发明与现有技术相比具有以下优点:
1.本发明采用的特征是一种对变形稳定且保留高频信息的多方向不变图像表示，它由小波函数与非线性模和低通滤波器级联运算得到。由于小波散射提取图像高频中的低频信息，而高频信息中除了包含图像纹理特征外还带有噪声，故得到的小波散射输出对噪声不敏感，并且其输出还具有平移不变以及形变稳定性。这种对噪声不敏感且具有不变特征能弥补传统影像组学的缺陷，进而提高预测精度。
2.本发明采用了一种新颖的可视化方法展示了胶质瘤肿瘤区域在不同特征下的可视化结果，为胶质瘤辅助诊断提供了一种更直观的对比。
本发明使用了一种基于不变特征的脑胶质瘤组织学分类方法，采用了一种基于小波散射的不变特征，这种特征对医学图像中的噪声，形变等有一定的鲁棒性，从而有效提高胶质瘤组织学的预测精度。此外本发明还提出一种新颖的可视化方法，该方法能直观的观察不同组织学胶质瘤之间的区别。
附图说明
图1为本发明的实现流程示意图；
图2为本发明提取的特征与影像组学特征在不同组织学级别胶质瘤上的可视化对比图。
具体实施方式
针对传统的影像组学特征(如纹理和小波特征)对噪声、变换(平移和旋转) 和小变形非常敏感等缺点，本发明展开了研究与讨论，提供了一种基于小波散射不变特征的分类以及可视化方法。
实施例1：由图1所示，一种基于不变特征的脑胶质瘤组织学分类及其可视化方法。本发明方法包括有如下步骤：
1)选定需要分类的胶质瘤T1模态的核磁共振3D图像数据集285例，随机抽取228个样本为训练集，57个样本为测试集，每例数据的大小均为[240，240，155]，代表该图像一共有155张切片，每一张切片的大小为[240，240]。对整个3D数据进行N4偏正场矫正，先一定程度上消除图像采集时MRI机器磁场中的不均匀性造成的影响。之后对N4偏正场矫正的数据进行头骨剥离，去除头壳带来的影响。将数据图像配准到标准空间(分辨率为1mm×1mm×1mm)，配准是为了使待分类数据规格与预训练模型一致。最后将数据减去均值除以标准差来得到数据的标准分数(z-score)，以此来降低来自不同中心的数据大小分布不一致带来的影响。
2)选定小波散射的最大尺度J＝6，最大方向L＝8，最大散射层数M＝2，选定小波散射变换中的小波函数为Morlet小波函数ψj，r(u)＝2-2jψ(2-jr-1u)，选定尺度函数为φJ(u)＝2-2Jφ(2-Ju)，以及小波散射变换的散射路径为
Figure BDA0002727473430000041
其中u为输入图像。
Figure BDA0002727473430000042
为高斯函数，
Figure BDA0002727473430000043
β＜＜1，ξ＝3π/4，σ＝0.85，m＝0，1，2为第m散射层。jm＝0，1，…，6代表为第m层散射尺度为j。l＝0，1，…，L-1为方向，r＝2πl/L为小波函数的旋转角，其取值为 r＝0，π/4，π/2，3π/4，π，5π/4，3π/2，7π/4，
Figure BDA0002727473430000051
记录小波散射的尺度j，旋转方向r和散射层数m。
Figure BDA0002727473430000052
表示沿着
Figure BDA0002727473430000053
记录的方向，尺度和散射层数的散射路径。
3)由散射路径
Figure BDA0002727473430000054
生成散射传播算子
Figure BDA0002727473430000055
再由 Morlet小波函数生成对应的散射滤波器，
Figure BDA0002727473430000056
按照散射路径
Figure BDA0002727473430000057
以及散射传播算了
Figure BDA0002727473430000058
产生散射输出。首先使用尺度函数对输入x进行低通滤波，得到第0层散射输出S0＝x*φJ；使用第0层小波函数
Figure BDA0002727473430000059
对输入图像x进行滤波，取模值，得到散射变换中的第0层散射传播算子
Figure BDA00027274734300000510
再使用尺度函数对散射传播算子进行低通滤波得到第一层散射输凸
Figure BDA00027274734300000511
用第一层的小波函数
Figure BDA00027274734300000512
对第0层散射传播算子滤波，取模值，得到散射变换中的第一层散射传播算子
Figure BDA00027274734300000513
再使用尺度函数对散射传播算子进行低通滤波得到第二层散射输出
Figure BDA00027274734300000514
不断重复上述操作，直至完成整个路径
Figure BDA00027274734300000515
级联所有层的散射输出，作为小波散射的输出特征图。最终可以的到散射传播算子为：
Figure BDA00027274734300000516
散射输出特征图为：
Figure BDA00027274734300000517
对于一张输入大小为[240，240]的图像，J＝6，L＝8，M＝2的散射输出为 (975，4，4)。对于S＝(975，4，4)的散射特征图，每一张(4，4)大小的特征图均使用log运算以及均值运算的到其不变特征值，既总共975个特征值。
5)对于输入大小为[240，240]胶质瘤切片的肿瘤区域，选取块大小为11*11，块滑动步长为1，逐步在肿瘤区域进行滑块，直至选取的块滑完整个肿瘤区域，对每一个滑块均重复2)3)4)的小波散射特征提取方案，选择合适的小波散射特征进行可视化，即让整个滑动块的中心点对应的原图点的值等于所选择的小波散射的特征值，最后将特征可视化图显示出来。
6)对于4)中提取出来的特征，偏最小二乘方法用来对训练集的特征进行降维，得到降维之后训练集特征以及偏最小二乘降维预训练模型。随后使用逻辑回归，支持向量机，随机森林等分类器对降维后的训练集特征进行胶质瘤组织学分类训练。得到逻辑回归，支持向量机，随机森林的分类预训练模型。
将测试集特征用在预训练好的偏最小二乘(partial least square，PLS)模型上进行特征降维，最后使用逻辑回归，随机森林，支持向量机等三种预训练模型对降维后的测试集特征进行胶质瘤组织学分类。
本发明的效果可以通过对比实验来进一步说明：
实施例2：
基于小波散射的脑胶质瘤组织学分类及其可视化方法同影像组学方法对比，其具体步骤如下：
1)对比实验可视化结果：
选择T1模态的高级别胶质瘤(HGG)与低级别胶质瘤(LGG)的切片各一张，如图2 中第一行HGG，LGG所示，其肿瘤区域均在图中画出。分别对其进行实施例1：中步骤5)的操作，选取小波散射特征1(路径为
Figure BDA0002727473430000061
最大尺度J＝6上的输出特征)，特征2(路径为
Figure BDA0002727473430000062
最大尺度J＝6上的输出特征)，特征3(路径为
Figure BDA0002727473430000063
最大尺度J＝6上的输出特征)，特征4进行可视化(路径为
Figure BDA0002727473430000064
最大尺度J＝6 上的输出特征)。然后选取块大小为11*11，块滑动步长为1，逐步在肿瘤区域进行滑块，直至选取的块滑完整个肿瘤区域，对每一个滑块均重复提取影像组学特征，选择影像组学特征1(一阶特征集中的Total Energy特征)，特征2(GLSZM特征集中的Size-Zone Non-Uniformity特征)，特征3(一阶特征集中的Minimum 特征)，特征4(GLRLM特征集中的Run Length Non-Uniformity特征)进行可视化，即为让整个滑动的块中心点的值等于所选择的特征值。如图2中第二，三，四，五行所示，传统影像组学的HGG，LGG的可视化结果表明，两种组织学之间并无明显差异，肿瘤区域的影像组学特征并不能很好的区分两者。而小波散射的可视化结果能发现较大的差别，这表明这种具有不变性的特征更有助于区分胶质瘤组织学类别。
综上所述，本发明提出一种基于不变特征的脑胶质瘤组织学分类及其可视化方法，采用了一种有效的小波散射特征，这种特征具有平移不变以及形变稳定性，特别的对于医学图像中的噪声还有一定的鲁棒性，这种方法能达到很好的预测精度。此外本发明还提出一种新颖的可视化方法，该方法能直观的观察不同组织学胶质瘤之间的区别，本发明可应用到计算机辅助胶质瘤的诊断中。
本发明未详述之处，均为本技术领域技术人员的公知技术。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于不变特征的脑胶质瘤组织学分类及其可视化方法，其特征在于，是基于小波散射变换的不变特征提取，包括有如下步骤：
1)选定胶质瘤核磁共振数据集，将所有数据集划分为互不相关的训练集以及测试集，并对其进行预处理；
2)选定小波散射变换的最大尺度，最大方向，最大散射层数，小波函数，尺度函数以及小波散射变换的散射路径；
3)沿着散射路径生成散射传播算子，散射传播算子结合尺度函数运算得到输入图像的散射输出特征图；
4)计算所有数据集的散射特征输出图的特征值，使用降维算法对训练集的特征进行降维，得到降维预训练模型以及训练集降维特征，将训练集降维后的特征输入到分类器，得到分类预训练模型；最后将训练集特征输入到降维预训练模型和分类预训练进行胶质瘤组织学分类；
5)每一张输入切片，对于其肿瘤区域，进行选定大小的滑块操作，进行胶质瘤肿瘤区域的可视化。
2.根据权利要求1所述的一种基于不变特征的脑胶质瘤组织学分类及其可视化方法，其特征在于：所述步骤1)中选定核磁共振图像大小为[A，B，C]，A和B为切片大小C为切片数量。预处理的步骤包括：N4偏正场矫正，颅骨剥离，图像配准到标准空间以及归一化等操作。
3.根据权利要求1所述的一种基于不变特征的脑胶质瘤组织学分类及其可视化方法，其特征在于：所述步骤2)中选定最大尺度为J，最大方向为L，最大散射层数为M，小波函数ψj，r(u)＝2-2jψ(2-jr-1u)，尺度函数φJ(u)＝2-2Jφ(2-Ju)，以及小波散射变换的散射路径
Figure FDA0002727473420000011
其中u为输入图像，
Figure FDA0002727473420000012
为高斯函数，小波函数的尺度j满足1≤2j≤2j，小波函数的旋转角度r满足r＝2πl/L，
Figure FDA0002727473420000013
记录小波散射的尺度j，旋转方向r和散射层数m，
Figure FDA0002727473420000014
表示沿着
Figure FDA0002727473420000015
记录的方向，尺度和散射层数的散射路径，l＝0，1，…，L代表方向，r＝2πl/L为小波函数的旋转角，m＝0，1…M为第m散射层。
4.根据权利要求1所述的一种基于不变特征的脑胶质瘤组织学分类及其可视化方法，其特征在于：所述步骤3)中由选定的小波函数结合模运算沿着散射路径
Figure FDA0002727473420000021
生成散射传播算子
Figure FDA0002727473420000022
沿着散射路径，级联运算得到散射输出特征图
Figure FDA0002727473420000023
5.根据权利要求1所述的一种基于不变特征的脑胶质瘤组织学分类及其可视化方法，其特征在于：所述步骤4)中，对提取的每一张散射特征图，对其进行log运算以及均值运算，得到核磁共振图像中的不变特征；使用偏最小二乘算法对对训练集得到的不变特征进行降维，得到特征降维的偏最小二乘预训练模型；使用逻辑回归，支持向量机，随机森林等分类器对训练集降维后的特征进行胶质瘤组织学分类训练，得到分类预训练模型；最后使用偏最小二乘预训练模型对测试集特征进行降维，将降维后的测试集特征用在分类预训练模型上进行胶质瘤组织学分类。
6.根据权利要求1所述的一种基于不变特征的脑胶质瘤组织学分类及其可视化方法，其特征在于：所述步骤5)中，对每一个脑胶质瘤核磁共振切片图像(大小为[A，B])中的肿瘤区域，选定滑块大小为Size*Size，对输入切片不断进行滑块操作，对于每个Size*Size大小的滑块，重复进行步骤2)和步骤3)中的特征提取方案，不断提取其不变特征，让所有滑块的值等于所提取的特征值，进而进行可视化。
CN202011107532.7A 2020-10-16 2020-10-16 一种基于不变特征的脑胶质瘤组织学分类及其可视化方法 Pending CN112287985A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011107532.7A CN112287985A (zh) 2020-10-16 2020-10-16 一种基于不变特征的脑胶质瘤组织学分类及其可视化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011107532.7A CN112287985A (zh) 2020-10-16 2020-10-16 一种基于不变特征的脑胶质瘤组织学分类及其可视化方法

Publications (1)

Publication Number Publication Date
CN112287985A true CN112287985A (zh) 2021-01-29

Family

ID=74497281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011107532.7A Pending CN112287985A (zh) 2020-10-16 2020-10-16 一种基于不变特征的脑胶质瘤组织学分类及其可视化方法

Country Status (1)

Country Link
CN (1) CN112287985A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058473A (zh) * 2023-10-12 2023-11-14 深圳易行机器人有限公司 一种基于图像识别的仓储物料管理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069796A (zh) * 2015-08-12 2015-11-18 西安电子科技大学 基于小波散射网络的sar图像分割方法
CN106780515A (zh) * 2017-01-04 2017-05-31 南京审计大学 一种脑部核磁共振图像中脑胶质瘤区域提取方法
CN107220966A (zh) * 2017-05-05 2017-09-29 郑州大学 一种基于影像组学的脑胶质瘤分级预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069796A (zh) * 2015-08-12 2015-11-18 西安电子科技大学 基于小波散射网络的sar图像分割方法
CN106780515A (zh) * 2017-01-04 2017-05-31 南京审计大学 一种脑部核磁共振图像中脑胶质瘤区域提取方法
CN107220966A (zh) * 2017-05-05 2017-09-29 郑州大学 一种基于影像组学的脑胶质瘤分级预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QIJIAN CHEN等: "《Glioma Grade Prediction Using Wavelet Scattering-Based Radiomics》", 《IEEE ACCESS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058473A (zh) * 2023-10-12 2023-11-14 深圳易行机器人有限公司 一种基于图像识别的仓储物料管理方法及系统
CN117058473B (zh) * 2023-10-12 2024-01-16 深圳易行机器人有限公司 一种基于图像识别的仓储物料管理方法及系统

Similar Documents

Publication Publication Date Title
Das et al. Automated classification of childhood brain tumours based on texture feature.
US20230267606A1 (en) Hierarchical deep learning approach for segmentation of glioblastoma tumor niches on digital histopathology
Khademi et al. Whole volume brain extraction for multi-centre, multi-disease FLAIR MRI datasets
Aswathy et al. Performance analysis of segmentation algorithms for the detection of breast cancer
Bansal et al. An improved hybrid classification of brain tumor MRI images based on conglomeration feature extraction techniques
Kushwaha et al. An empirical analysis of machine learning techniques for brain tumor detection
Hu et al. A GLCM embedded CNN strategy for computer-aided diagnosis in intracerebral hemorrhage
Das et al. A study on MANOVA as an effective feature reduction technique in classification of childhood medulloblastoma and its subtypes
CN112287985A (zh) 一种基于不变特征的脑胶质瘤组织学分类及其可视化方法
Yektaei et al. Diagnosis of breast cancer using multiscale convolutional neural network
González et al. Deep convolutional neural network to predict 1p19q co-deletion and IDH1 mutation status from MRI in low grade gliomas
Khoramipour et al. Enhancement of brain tumor classification from MRI images using multi-path convolutional neural network with SVM classifier
Alagarsamy et al. A Convolutional Deep Neural Network Based Brain TumorDiagnoses Using Clustered Image and Feature-Supported Classifier (CIFC) Technique.
Yao et al. Brain hematoma segmentation using active learning and an active contour model
Le Minh et al. Deep feature fusion for breast cancer diagnosis on histopathology images
Mangla et al. Brain tumor detection and classification by MRI images using deep learning techniques
Kaddour et al. Artificial Intelligence Pathologist: The use of Artificial Intelligence in Digital Healthcare
Ali et al. Identification of cancer disease using image processing approahes
Kumar et al. An efficient framework for brain cancer identification using deep learning
Saraswat et al. Identification and classification of brain tumors with optimized neural network and canny edge detection algorithm
Rishika et al. Identification of Colorectal Cancer in pathological images Using CNN Algorithm
Gaonkar et al. Brain Tumour Diagnosis Using Matlab with Edge Detection
Mracko et al. Deep Learning in Breast Calcifications Classification: Analysis of Cross-Database Knowledge Transferability.
Mosa MRI Images Classification Using Support Vector Machine
Tamrakar et al. Brain Tumor Detection Based on Watershed Segmentation and Classification Using Deep Learning

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210129

WD01 Invention patent application deemed withdrawn after publication