CN112331313B - 一种基于标签编码的糖网影像病变的自动分级方法 - Google Patents
一种基于标签编码的糖网影像病变的自动分级方法 Download PDFInfo
- Publication number
- CN112331313B CN112331313B CN202011342147.0A CN202011342147A CN112331313B CN 112331313 B CN112331313 B CN 112331313B CN 202011342147 A CN202011342147 A CN 202011342147A CN 112331313 B CN112331313 B CN 112331313B
- Authority
- CN
- China
- Prior art keywords
- soft
- label
- offset
- parameter
- hard
- 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.)
- Active
Links
- 230000003902 lesion Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 235000009508 confectionery Nutrition 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 20
- 238000013526 transfer learning Methods 0.000 abstract 2
- 230000006870 function Effects 0.000 description 13
- 206010012689 Diabetic retinopathy Diseases 0.000 description 7
- 208000017442 Retinal disease Diseases 0.000 description 4
- 206010038923 Retinopathy Diseases 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 229920002306 Glycocalyx Polymers 0.000 description 3
- 210000004517 glycocalyx Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于标签编码的糖网影像病变的自动分级方法,其中的标签编码技术不仅可用于糖网影像病变分级问题,还可以运用到其他的有序分类问题。本发明首先针对糖网病变的5种病变等级标签进行软编码来控制模型预测概率分布,以解决各标签之间的类依赖问题;再搭建糖网数据集并通过模型训练,可以得到模型参数和参数软标签中的偏移参数;再利用偏移参数计算5种病变等级的软编码可用于迁移学习;最后通过训练所得到的模型可以准确的进行糖网影像病变分级。该方法能够有效的解决糖网病变分级问题中标签之间的依赖,通过该软编码的方法可以灵活的控制模型的标签预测概率分布,提高糖网病变分级的准确性;同时可以建立硬软标签映射进行迁移学习。
Description
技术领域
本发明涉及图像处理及机器视觉应用领域,特别是糖尿病诱发视网膜病变的严重程度评估与智能分级,该发明中的标签编码技术同时也适用于深度学习中的其他有序分类问题。
背景技术
在糖尿病诱发视网膜病变的严重程度分级中,根据国际临床糖尿病视网膜病变(DR)严重程度量表如表一所示,病变级别可以分为正常、轻度、中度、重度、增值型5类如图一所示。该病变的严重程度分类中有一部分属于有序分类问题,各类别之间存在着依赖关系,对于某一个标签,不同的类别预测概率分布起着不一样的作用。例如对于增值型(DR4)眼底照片的不同预测如图二所示,其中包括比较差的预测、较好的预测、很好的预测以及完美的预测。同时对于有序分类问题来说,对于某一个标签,对于与之更近的标签的预测概率应该比与之更远的标签概率更大,例如对于病变中度(DR2)的眼底照片的不同预测如图三所示,其中包括好的预测和不好的预测。而在传统的分类问题种,一般会对标签转换为onehot编码,而该种编码方式在训练过程中不能生成所需要的预测分布,在糖网病变检测若发生错误的预测极其容易误导医生,比如对病变2级进行预测,结果显示4级概率为0.95,其他级别概率趋近于0。Raúl Díaz等人提出了SORD算法,该算法针对有序分类问题,将硬标签转换为了固定的软标签,将该算法运用于糖网分级,对于病变2级可能得到的结果为1级的概率为0.6,2级的概率为0.3,3级的概率为0.1,即使发生错误预测,但依然表示出病变2级的可能。而该算法的缺点在于只能将硬标签转换为固定的软标签分布,不具有泛化能力。不同的数据集,不同的分类任务应该学到不一样的软标签分布;同时,无论容易分辨的病变等级还是不容易区分的病变等级,使用该算法得到的病变等级概率普遍偏低,即使预测正确,结果也显示该概率为0.6左右,对于容易区分的病变等级比如4级,预测应该得到更高的概率。
发明内容
本发明所要解决的技术问题就是提供一种标签编码的方法,将糖网病变的5个等级标签转化为概率分布标签,既软标签。在糖尿病诱发视网膜病变分级中能使得模型学习到应有的类别预测概率分布,即容易区分的病变等级预测结果为较高的概率,不易区分的病变等级预测结果为较为均匀概率分布,更有助于辅助眼科医生进行糖网病变分级。该软标签的分布不仅满足有序分类任务的要求:离当前标签越远的标签的预测概率越低,离当前标签越近的标签的预测概率越高,还能在不同的数据集或不同的分类任务种学到合适的软标签分布。
为了解决上述技术问题,达到上述目的,本发明所采用的技术方案如下所述。
一种基于标签编码的糖网影像病变的自动分级方法,包括如下步骤:
步骤 1:对糖网病变的5种病变等级标签进行参数软编码,得到5种对应的参数软标签,转入步骤2;
步骤2:将糖网图片以及其病变等级经过步骤1处理得到的参数软标签通过模型进行训练,得到训练好的模型,通过该训练好的模型可以对糖网图片病变分级;
上述技术方案中,步骤2还能得到参数软标签中的偏移参数;
步骤 3:利用步骤2得到的参数软标签中的偏移参数进行步骤1中的参数软编码可以得到各硬标签对应的软标签,进而建立硬软标签映射,转入步骤4;
步骤4:对于同类的新糖网数据集,通过步骤3的硬软标签映射可以将同类的新数据集中的标签转化为软标签,与糖网图片通过模型进行训练可以得到新数据集的模型,进而可以对新数据集的糖网图片进行病变分级。
上述技术方案中,所述步骤1包括如下步骤:
步骤1.1:糖网病变5个等级分别为正常、轻度、中度、重度和增值,对应硬标签i分别设为0、1、2、3、4,对任意硬标签i,构建5个偏移参数,用于给硬标签向量L=[0,1,2,3,4]中的每一元素作偏移,共计25个偏移参数,先利用式(1)将偏移参数的范围转换到(-1,1),得到限制偏移参数,式(1)如下:
其中,,表示当前的硬标签值;,表示当前标签的第j个偏移参数;为硬标签i对应的5个偏移参数,为训练应该得到的参数;如步骤1.1中所示;表示双曲正切函数,任意输入x经过该函数所得到的数都在(-1,1)范围;
其中,表示经过偏移的偏移硬标签向量;L为硬标签向量[0,1,2,3,4],由糖网病变的5个级别0,1,2,3,4构建;为标签偏移参数向量,每一个元素的取值范围为(-c,c),标签偏移参数向量与L相加来控制L中每一个元素的偏移,当c取0时表示L中的元素未发生偏移,当c取0.5时L中的相邻元素可能会近似相等;
其中,表示硬标签i的类间距离向量中的第j个值;为硬标签i对应的软编码向量,也叫做软标签,其由5个概率值组成,分别表示标签i的糖网影像照片为标签0,1,2,3,4的概率值,他们的和概率为1;表示硬标签i所对应软编码向量中得第j个值,由式(5)中的所得到,该式的分子由所得到,越小分子越大,越大分子越小,无论j为何值,分母都为;通过该式形成的软编码具有标签处概率值最大,离标签越远概率值越低。
上述技术方案中,所述步骤2包括如下步骤:
步骤2.1:使用糖网图片以及对应的病变等级经过步骤1处理得到的带有可训练参数的参数软标签构建训练数据集;
其中,表示模型的损失函数,通过更新函数内参数使其到达最小以得到最优模型;表示输入数据集中的眼底图片集X通过模型所得到的预测值集Y,其中m表示模型中可训练的参数;表示输入数据集中的硬标签集y通过参数软编码得到的软标签集,其中b表示可训练的偏移参数;用来衡量模型的预测与真实标签之间的距离,距离越少表示预测越准,由于Y,S中的可训练参数只有m,b,因此该损失函数可表示为,表示损失函数为m,b的函数,进而通过梯度下降和参数更新可以得到m,b两类参数,即通过训练可与得到模型以及参数软标签中的偏移参数;
步骤2.3:通过训练得到的模型可以对其他眼底图片进行糖网病变程度进行评估。
上述技术方案中,所述步骤3包括如下步骤:
上述技术方案中,所述步骤4包括如下步骤:
步骤4.1:对新数据集中的眼底图像标签可以直接通过步骤3.3的硬软便签映射转化为软标签,进而搭建模型,将输入眼底图片以及对应的软标签通过模型进行训练,得到适应于新数据集的模型;
步骤4.2:通过步骤4.1的模型可以对新数据中的验证眼底照片进行预测,即糖网病变分级。
因为本发明采用上述技术方案,因此具备以下有益效果:
1.在糖网病变分级中,采用该标签编码方法对标签进行处理,可以在训练过程中使得深度模型学到应有的预测概率分布,即容易分辨的病变级别会得到准确的预测,不易分辨的病变级别会给出当前级别以及周围级别的概率,便于辅助眼科医生进行医疗诊断。
2. 对于所得到的软硬标签映射对,在同类型的数据集中可以进行迁移学习,从而省略了重新训练偏移参数的时间。
3.同时该标签编码方法具有很强的泛化能力,适用于各种有序分类问题,比如风景图质量检测,道路质量评估,影视质量等,不同数据集能学到适应的软标签,在各种有序分类问题中都能取得更为准确的预测。
4.该标签编码方法针对的是5分类的糖网病变分级问题,针对参数稍微修改,还能适用其他的多分类问题。
附图说明
图1为糖尿病视网膜(DR)病变5种病变等级的眼底图片;
图2为增值型病变眼底图片的可能发生的类别预测概率分布图和完美的预测概率分布图,其中(a)为不好的预测,(b)为较好的预测,(c)为最好的预测,(d)为完美的预测;
图3为中度病变眼底图片坏的类别预测概率分布与好的类别预测概率分布图,其中(a)为坏的类别预测概率分布图,(b)为好的类别预测概率分布图;
图4为整个算法设计方案流程。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
本发明所要解决的技术问题就是提供一种标签编码的方法,在糖尿病诱发视网膜病变分级中能使得深度模型学习到应有的类别预测概率分布,以提高分级的准确度和有效性。整个算法设计方案流程如图4所示,包括步骤:
步骤1.1:糖网病变5个等级分别为正常、轻度、中度、重度和增值,对应硬标签i分别设为0、1、2、3、4。对任意硬标签i,构建5个偏移参数,用于给硬标签向量L=[0,1,2,3,4]中的每一元素作偏移,共计25个偏移参数,该偏移参数不做范围限制,通过网络模型训练可以得到具体的值。先利用式(1)将偏移参数的范围转换到(-1,1),得到限制偏移参数,式(1)如下:
其中,,表示当前的硬标签值;,表示当前标签的第j个偏移参数;为硬标签i对应的5个偏移参数,为训练应该得到的参数;如步骤1.1中所示;表示双曲正切函数,任意输入x经过该函数所得到的数都在(-1,1)范围内。
其中,表示经过偏移的偏移硬标签向量;L为硬标签向量[0,1,2,3,4],由糖网病变的5个级别0,1,2,3,4构建;为标签偏移参数向量,每一个元素的取值范围为(-c,c),标签偏移参数向量与L相加来控制L中每一个元素的偏移,当c取0时表示L中的元素未发生偏移,当c取0.5时L中的相邻元素可能会近似相等。本示例中取c=0.2;
其中,表示经过偏移的偏移硬标签向量;L为硬标签向量[0,1,2,3,4],由糖网病变的5个级别0,1,2,3,4构建;为标签偏移参数向量,每一个元素的取值范围为(-c,c),与L相加来控制L中每一个元素的偏移,当c取0时表示L中的元素未发生偏移,当c取0.5时L中的相邻元素可能会近似相等,建议取值0.2;
其中,i的取值为0,1,2,3,4,表示硬标签值;表示硬标签i对应的偏移硬标签向量;j的取值为1,2,3,4,5,表示向量中的第j个元素;例如若取c=0,i=2,则,[-2,-1,0,1,2],该式表示,标签0,1,2,3,4离标签2的距离分别为-2,-1,0,1,2;
其中,表示硬标签i的类间距离向量中的第j个值;为硬标签i对应的软编码向量,也叫做软标签,其由5个概率值组成,分别表示标签i的糖网影像照片为标签0,1,2,3,4的概率值,他们的和概率为1;表示硬标签i所对应软编码向量中得第j个值,由式(5)中的所得到,该式的分子由所得到,越小分子越大,越大分子越小,无论j为何值,分母都为;通过该式形成的软编码具有标签处概率值最大,离标签越远概率值越低。
步骤2.1:使用糖网图片以及对应的病变等级经过步骤1处理得到的带有可训练参数的参数软标签构建训练数据集;
本示例种,使用了35000张糖网图片作为训练集,该糖网图片来自世界各地,对每一个标签经过步骤1处理,然后构建训练数据集。
步骤2.3:通过训练得到的模型可以对其他眼底图片进行糖网病变程度进行评估。
本示例中建立的硬软标签映射为标签0为[0.7,0.3,0,0,0],标签1为[0.3,0.7,0,0,0],标签2为[0,0,0.7,0.3,0],标签3为[0,0,0.3,0.6,0.1],标签4为[0,0,0,0.1,0.9]。
步骤4.1:对新数据集中的眼底图像标签可以直接通过步骤3.3的硬软便签映射转化为软标签,进而搭建模型,将输入眼底图片以及对应的软标签通过模型进行训练,得到适应于新数据集的模型;
本示例中,新的数据集来自印度一个5000张左右的数据集。由于硬软标签已经建立了映射,能够表示不同标签之间的关系。因而直接使用步骤3.3中的映射对该数据集进行软标签转换,进而训练新的模型。
步骤4.2:通过步骤4.1的模型可以对新数据中的验证眼底照片进行预测,即糖网病变分级。
Claims (3)
1.一种基于标签编码的糖网影像病变的自动分级方法,其特征在于,包括如下步骤:
步骤 1:对糖网病变的5种病变等级标签进行参数软编码,得到5种对应的参数软标签,转入步骤2;
步骤2:将糖网图片以及其病变等级经过步骤1处理得到的参数软标签通过模型进行训练,得到训练好的模型,通过该训练好的模型对糖网图片病变分级;步骤2还能得到参数软标签中的偏移参数;
步骤 3:利用步骤2得到的参数软标签中的偏移参数进行步骤1中的参数软编码得到各硬标签对应的软标签,进而建立硬软标签映射,转入步骤4;
步骤4:对于同类的新糖网数据集,通过步骤3的硬软标签映射将同类的新数据集中的标签转化为软标签,与糖网图片通过模型进行训练得到新数据集的模型,进而对新数据集的糖网图片进行病变分级;所述步骤1包括如下步骤:
步骤1.1:糖网病变5个等级分别为正常、轻度、中度、重度和增值,对应硬标签i分别设为0、1、2、3、4,对任意硬标签i,构建5个偏移参数,用于给硬标签向量L=[0,1,2,3,4]中的每一元素作偏移,共计25个偏移参数,先利用式(1)将偏移参数的范围转换到(-1,1),得到限制偏移参数,式(1)如下:
其中,,表示当前的硬标签值;,表示当前标签的第j个偏移参数;为硬标签i对应的5个偏移参数,为训练应该得到的参数;如步骤1.1中所示;表示双曲正切函数,任意输入x经过该函数所得到的数都在(-1,1)范围;
其中,表示经过偏移的偏移硬标签向量;L为硬标签向量[0,1,2,3,4],由糖网病变的5个级别0,1,2,3,4构建;为标签偏移参数向量,每一个元素的取值范围为(-c,c),标签偏移参数向量与L相加来控制L中每一个元素的偏移,当c取0时表示L中的元素未发生偏移,当c取0.5时L中的相邻元素可能会近似相等;
其中,表示硬标签i的类间距离向量中的第j个值;为硬标签i对应的软编码向量,也叫做软标签,其由5个概率值组成,分别表示标签i的糖网影像照片为标签0,1,2,3,4的概率值,他们的和概率为1;表示硬标签i所对应软编码向量中的第j个值,由式(5)中所得到,该式的分子由所得到,越小分子越大,越大分子越小,无论j为何值,分母都为;通过该式形成的软编码具有标签处概率值最大,离标签越远概率值越低;所述步骤2包括如下步骤:
步骤2.1:使用糖网图片以及对应的病变等级经过步骤1处理得到的带有可训练参数的参数软标签构建训练数据集;
其中,表示模型的损失函数,通过更新函数内参数使其到达最小以得到最优模型;表示输入数据集中的眼底图片集X通过模型所得到的预测值集Y,其中m表示模型中可训练的参数;表示输入数据集中的硬标签集y通过参数软编码得到的软标签集,其中b表示可训练的偏移参数;用来衡量模型的预测与真实标签之间的距离,距离越少表示预测越准,由于Y,S中的可训练参数只有m,b,因此该损失函数可表示为,表示损失函数为m,b的函数,进而通过梯度下降和参数更新得到m,b两类参数,即通过训练得到模型以及参数软标签中的偏移参数;
步骤2.3:通过训练得到的模型对其他眼底图片进行糖网病变程度进行评估。
3.根据权利要求2所述的基于标签编码的糖网影像病变的自动分级方法,其特征在于:所述步骤4包括如下步骤:
步骤4.1:对新数据集中的眼底图像标签直接通过步骤3.3的硬软便签映射转化为软标签,进而搭建模型,将输入眼底图片以及对应的软标签通过模型进行训练,得到适应于新数据集的模型;
步骤4.2:通过步骤4.1的模型对新数据中的验证眼底照片进行预测,即糖网病变分级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342147.0A CN112331313B (zh) | 2020-11-25 | 2020-11-25 | 一种基于标签编码的糖网影像病变的自动分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342147.0A CN112331313B (zh) | 2020-11-25 | 2020-11-25 | 一种基于标签编码的糖网影像病变的自动分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112331313A CN112331313A (zh) | 2021-02-05 |
CN112331313B true CN112331313B (zh) | 2022-07-01 |
Family
ID=74309703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011342147.0A Active CN112331313B (zh) | 2020-11-25 | 2020-11-25 | 一种基于标签编码的糖网影像病变的自动分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112331313B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9462945B1 (en) * | 2013-04-22 | 2016-10-11 | VisionQuest Biomedical LLC | System and methods for automatic processing of digital retinal images in conjunction with an imaging device |
CN108537282A (zh) * | 2018-04-13 | 2018-09-14 | 东北大学 | 一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法 |
CN108960257A (zh) * | 2018-07-06 | 2018-12-07 | 东北大学 | 一种基于深度学习的糖尿病视网膜病变等级分级方法 |
CN109359623A (zh) * | 2018-11-13 | 2019-02-19 | 西北工业大学 | 基于深度联合分布适配网络的高光谱图像迁移分类方法 |
CN109472781A (zh) * | 2018-10-29 | 2019-03-15 | 电子科技大学 | 一种基于串行结构分割的糖尿病视网膜病变检测系统 |
CN109635668A (zh) * | 2018-11-16 | 2019-04-16 | 华中师范大学 | 基于软标签集成卷积神经网络的人脸表情识别方法及系统 |
CN110223281A (zh) * | 2019-06-06 | 2019-09-10 | 东北大学 | 一种数据集中含有不确定数据时的肺结节图像分类方法 |
CN110766643A (zh) * | 2019-10-28 | 2020-02-07 | 电子科技大学 | 一种面向眼底图像的微动脉瘤检测方法 |
CN110929775A (zh) * | 2019-11-18 | 2020-03-27 | 南通大学 | 一种用于视网膜病变分类的卷积神经网络权值优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8380647B2 (en) * | 2009-08-14 | 2013-02-19 | Xerox Corporation | Training a classifier by dimension-wise embedding of training data |
-
2020
- 2020-11-25 CN CN202011342147.0A patent/CN112331313B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9462945B1 (en) * | 2013-04-22 | 2016-10-11 | VisionQuest Biomedical LLC | System and methods for automatic processing of digital retinal images in conjunction with an imaging device |
CN108537282A (zh) * | 2018-04-13 | 2018-09-14 | 东北大学 | 一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法 |
CN108960257A (zh) * | 2018-07-06 | 2018-12-07 | 东北大学 | 一种基于深度学习的糖尿病视网膜病变等级分级方法 |
CN109472781A (zh) * | 2018-10-29 | 2019-03-15 | 电子科技大学 | 一种基于串行结构分割的糖尿病视网膜病变检测系统 |
CN109359623A (zh) * | 2018-11-13 | 2019-02-19 | 西北工业大学 | 基于深度联合分布适配网络的高光谱图像迁移分类方法 |
CN109635668A (zh) * | 2018-11-16 | 2019-04-16 | 华中师范大学 | 基于软标签集成卷积神经网络的人脸表情识别方法及系统 |
CN110223281A (zh) * | 2019-06-06 | 2019-09-10 | 东北大学 | 一种数据集中含有不确定数据时的肺结节图像分类方法 |
CN110766643A (zh) * | 2019-10-28 | 2020-02-07 | 电子科技大学 | 一种面向眼底图像的微动脉瘤检测方法 |
CN110929775A (zh) * | 2019-11-18 | 2020-03-27 | 南通大学 | 一种用于视网膜病变分类的卷积神经网络权值优化方法 |
Non-Patent Citations (3)
Title |
---|
Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs;V Gulshan等;《JAMA The Journal of the American Medical Association》;20161130;第2402-2410页 * |
深度学习在医学图像辅助诊断中的应用研究;曹占涛;《中国博士学位论文全文数据库 (医药卫生科技辑)》;20200715;第E060-1页 * |
眼科人工智能的算法新进展;戈宗元等;《山东大学学报(医学版)》;20201023;第17-21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112331313A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492271B (zh) | 一种融合多尺度信息的自动图像增强系统及方法 | |
Postels et al. | On the practicality of deterministic epistemic uncertainty | |
Choudhuri et al. | Distribution alignment using complement entropy objective and adaptive consensus-based label refinement for partial domain adaptation | |
CN111507993A (zh) | 一种基于生成对抗网络的图像分割方法、装置及存储介质 | |
CN112115967B (zh) | 一种基于数据保护的图像增量学习方法 | |
CN111723780A (zh) | 基于高分辨率遥感图像的跨域数据的定向迁移方法及系统 | |
CN114419323B (zh) | 基于跨模态学习与领域自适应rgbd图像语义分割方法 | |
CN108960270A (zh) | 一种基于流形迁移学习的数据标定方法及系统 | |
CN110910319A (zh) | 一种基于大气散射模型的手术视频实时去雾增强方法 | |
CN114663426A (zh) | 一种基于关键骨区定位的骨龄评估方法 | |
CN114037011A (zh) | 一种中医舌色噪声标注样本的自动识别与清洗方法 | |
CN116229170A (zh) | 基于任务迁移的联邦无监督图像分类模型训练方法、分类方法及设备 | |
CN114137967B (zh) | 基于多网络联合学习的驾驶行为决策方法 | |
CN113780365B (zh) | 样本生成方法和装置 | |
CN116994295B (zh) | 基于灰度样本自适应选择门的野生动物类别识别方法 | |
CN112331313B (zh) | 一种基于标签编码的糖网影像病变的自动分级方法 | |
CN113989256A (zh) | 遥感图像建筑物的检测模型优化方法及检测方法、装置 | |
CN112967227A (zh) | 基于病灶感知建模的糖尿病视网膜病变自动评估系统 | |
CN117115567A (zh) | 基于特征调整的域泛化图像分类方法、系统、终端及介质 | |
CN115331007A (zh) | 基于无监督领域自适应的视盘视杯分割方法及其成像方法 | |
CN112785559B (zh) | 基于深度学习的多个异构模型相互组合的骨龄预测方法 | |
Almero et al. | Particle Swarm Optimization-based Dark Channel Prior Parameters Selection for Single Underwater Image Dehazing | |
CN114170214A (zh) | 基于眼底图像的高度近视检测方法及相关装置 | |
CN114049303A (zh) | 一种基于多粒度特征融合的渐进式骨龄评估方法 | |
CN113657382B (zh) | 一种目标检测任务中最佳检测模型的选取方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |