CN112863650A - 一种基于卷积与长短期记忆神经网络的心肌病识别系统 - Google Patents
一种基于卷积与长短期记忆神经网络的心肌病识别系统 Download PDFInfo
- Publication number
- CN112863650A CN112863650A CN202110014310.9A CN202110014310A CN112863650A CN 112863650 A CN112863650 A CN 112863650A CN 202110014310 A CN202110014310 A CN 202110014310A CN 112863650 A CN112863650 A CN 112863650A
- Authority
- CN
- China
- Prior art keywords
- neural network
- module
- model
- convolution
- classification
- 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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Heart & Thoracic Surgery (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于卷积与长短期记忆神经网络的心肌病识别系统,属于医学图像分析技术领域。该系统包括以下模块:1:心脏核磁图片预处理模块;2:神经网络架构模块;3;移动端模型MobileNet模块;4:含先验信息的分类损失函数模块。该系统主要将深度卷积神经网络与卷积长短期记忆神经网络的变体相结合,无需人工分割左心室心肌内外膜等解剖结构,基于一定的先验知识,通过给定足够的数据集进行分类训练,最后实现模型参数的拟合确定,提高心脏核磁数据完成肥心病、扩心病、正常心肌的诊断准确性,该技术的突破可缩短临床心脏磁共振图像的处理诊断时间。
Description
技术领域
本发明属于医学图像分析技术领域,涉及一种基于卷积与长短期记忆神经网络的心肌病识别系统。
背景技术
早期进行心房磁共振分析诊断时,临床医生主要依赖主观经验利用手动分割软件(例如:3D slicer,ITK-SNAP等)对心脏各部分进行划分后进行相应的诊断。随着机器学习的普及,许多机器学习的方案也开始被运用于心脏诊断领域。譬如Khened等人除了病人的身高体重之外,还使用了从分割图中提取出来的9个特征,根据这些特征,他们训练了100棵树的随机森林分类器进行预测。Wolterink等人则提取了14个特征(包括12个从分割图中提取的和病人的身高体重)并使用了一个包含1000棵决策树的五级随机森林分类器进行分类。以上主要都是采用随机森林分类器的方法,但因为数据噪声比较大,模型泛化能力较弱,且对不同类型的图像数据,可能有不同的取值的属性的数据,而取值属性划分较多的属性会对该森林造成很大的影响。Cetin等人进而采用SVM进行分类,先采用半自动分割方法手动提取心脏结构轮廓并计算了567个特征,然后根据这些生理特征的形状特征,强度大小以及各种纹理性质选择其中最具鉴别性的特征,使用SVM进行分类。但不可否认的是,该算法针对大规模的训练样本难以实施,且仍然需要对图像进行分割进而进行信息特征的提取,并且心房手动分割耗时长、容易受主观因素影响。
发明内容
有鉴于此,本发明的目的在于提供一种基于卷积与长短期记忆神经网络的心肌病识别系统。要克服病理分类中特有的难点,需要充分利用图像数据量足够的一大优势,由于心脏核磁图像多为四维图像,包含图像的结构,层面的信息,时间的序列,故想到构建三维神经网络与二维神经网络结合的架构以充分利用图像信息和模型优势,即固定一维,以另外三维作为模型的输入,中间层可以变更网络的维度以进一步提取图像层面的信息,并设计结构化风险最小的损失函数,进而搭建出合适的网络架构,通过训练集得到对病理分类的概率矩阵,将其与真实值计算损失函数并进而通过梯度下降对模型参数进行修正,不断地优化模型,使模型的准确率不断上升以适应实际应用。这样可以充分发挥深度神经网络的优势。
为达到上述目的,本发明提供如下技术方案:
一种基于卷积与长短期记忆神经网络的心肌病识别系统,包括心脏核磁图片预处理模块、神经网络架构模块、移动端模型MobileNet模块和含先验信息的分类损失函数模块;
心脏核磁图片预处理模块与神经网络架构模块信号连接,神经网络架构模块一端与心脏核磁图片预处理模块信号连接,另一端与移动端模型MobileNet模块信号连接,分类损失函数模块与移动端模型MobileNet模块信号连接。
可选地,心脏核磁图片预处理模块具体为:首先将心脏核磁图片导入网络框架,用shuffle函数将图片的样本顺序打乱,然后给定batch_size进行批处理数据用以训练,对于每一个batch_size,都会创建一个线程进行处理;对于病理分类的诊断依据来源于中间层面的图像信息,所以对图像数据进行压缩与重组后,通过固定中间层面这一维度的信息,提取每一4D图像的中间层面的特征,并将帧数的数目进行放缩使之与接下来网络输入层的通道数相匹配,以便提取出与网络结构相匹配的图像关键信息,在所有线程均结束后,就代表一个batch_size的数据已经处理完毕,即将其放入网络进行训练。
可选地,神经网络架构模块具体为:在进行心脏病理分类训练任务时,神经网络架构模块包括两个部分:
第一部分是三维卷积神经网络3DCNN模型模块;
第二部分是卷积长短期记忆神经网络ConvLSTM变体模型模块,ConvLSTM变体模型与3DCNN模型信号连接;
第一部分的三维卷积神经网络3DCNN模型模块针对局部短期时空特征进行学习,根据网络的结构对输入的维度进行调整,然后代入神经网络模型进行运算,得到每个疾病的概率预测;
第二部分的卷积长短期记忆神经网络ConvLSTM变体模块针对长期的时空特征进行学习,根据训练集中给定的分类结果对概率预测进行评估,将评估的结果用以调整模型的参数;
第二部分卷积长短期记忆神经网络ConvLSTM变体模型内卷积层采用二维卷积,针对该网络模型,采用一种变体,即在输入特征和隐藏状态上执行全局平均池GlobalAveragePooling以替代卷积公式(1)和(2),神经网络层间逻辑函数如下:
其中,σ是sigmoid function,Wx~和Wh~是二维卷积核,Qt是输入,Ct代表cellstate,用于存储时间跨度较长的远期记忆;Ht代表hidden state,与cell state相对,用于存储近期的记忆;Gt代表candidate memory候选记忆;it,ft,ot都是一维向量,分别代表LSTM单元的输入门,遗忘门,输出门;b代表偏置项,bi代表输入门的偏置项,bf代表遗忘门的偏置项,bo代表输出门的偏置项,针对每个门设置不同的偏置项,使网络的分类效果更显著;
输入到状态转换的卷积结构公式(6)用于时空特征融合,设输入Qt具有匹配通道Cin的W×H的空间尺寸,ConvLSTM具有匹配通道Cout的P×P的卷积内核尺寸,那么模型的参数大小表示为
SizeParamConvLSTM”=(P×P+Cout×4)×(Cin+Cout),其中P为卷积核的尺寸;
假设不对ConvLSTM进行变体,模型的参数大小为:
SizeParamConvLSTM=P×P×(Cin+Cout)×Cout×4。
可选地,移动端模型MobileNet由二维CNN组成,通过移动端模型MobileNet用于了解神经网络的特征特性。
可选地,含先验信息的分类损失函数是用来评价网络模型,分析网络参数对网络性能的影响,含先验信息的分类损失函数模型由两部分组成:
心脏病理分类的损失函数:
和L2约束正则项:
其中,M代表分类的个数,N代表样本的个数,yic代表第i个变量对应第c个分类的指示变量,若i等于c,则该指示值为1,反之为0;pic代表第c个分类在第i个样本中的概率,λ代表weight decay即抑制参数,为所有参数的平方和。
本发明的有益效果在于:
针对心脏磁共振图像的病理分类(肥心病、扩心病、正常心肌)问题,本发明提出了基于卷积长短期记忆神经网络(ConvLSTM)的变体,通过调整训练过程的输入维度,经过训练得到合适的模型以运用于心脏的自动诊断。该项技术的突破可提高心房磁共振图像诊断的效率,降低主观因素导致的误差。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为心肌病识别系统结构图;
图2为以三维卷积神经网络(3DCNN)与长短期记忆神经网络(LSTM)变体相结合的网络结构;
图3为神经网络训练流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图3,为一种基于卷积与长短期记忆神经网络的心肌病识别方法。
第一步:构建以Res3D与ConvLSTM为主的神经网络架构,如图1所示,并确定相应的输入层等的维度,以及最后分类的数目,以图1为例,输入层为L*112*112*3的输入,中间的维度信息也进而可得,如附图1所示。
第二步:针对特定图像进行病理分类训练时,将其分解为两部分,一部分是数据的预处理,如附图2所示,首先将所有数据打乱顺序,保证取数据时的随机性。根据batch_size的大小创建相应数目的线程对每一个batch的数据进行处理,包括对数据帧数的重排;根据先验知识,提取出图像的中间几层,一般即取层面的中位值与其上下共三层;对图像进行resize并减去平均值。等待所有线程结束代表这一个batch的数据已经预处理完毕,可以进入训练。一部分为预处理完毕后的训练,将数据放入训练模型进行训练即可。
第三步:评估分类的结果并通过反向传播机制对分支模型的参数进行进一步的优化,算法利用L2约束正则项和交叉熵联合计算训练过程中的loss评估分类效果。
最后,发明将评估病理分类结果与给定数据分类的一致性,并通过验证集的测试,最后在准确度得到足够的保证后,代入测试集或者投入实际的应用。
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 (5)
1.一种基于卷积与长短期记忆神经网络的心肌病识别系统,其特征在于:所述系统包括心脏核磁图片预处理模块、神经网络架构模块、移动端模型MobileNet模块和含先验信息的分类损失函数模块;
心脏核磁图片预处理模块与神经网络架构模块信号连接,神经网络架构模块一端与心脏核磁图片预处理模块信号连接,另一端与移动端模型MobileNet模块信号连接,分类损失函数模块与移动端模型MobileNet模块信号连接。
2.根据权利要求1所述的一种基于卷积与长短期记忆神经网络的心肌病识别系统,其特征在于:
所述心脏核磁图片预处理模块具体为:首先将心脏核磁图片导入网络框架,用shuffle函数将图片的样本顺序打乱,然后给定batch_size进行批处理数据用以训练,对于每一个batch_size,都会创建一个线程进行处理;对于病理分类的诊断依据来源于中间层面的图像信息,所以对图像数据进行压缩与重组后,通过固定中间层面这一维度的信息,提取每一4D图像的中间层面的特征,并将帧数的数目进行放缩使之与接下来网络输入层的通道数相匹配,以便提取出与网络结构相匹配的图像关键信息,在所有线程均结束后,就代表一个batch_size的数据已经处理完毕,即将其放入网络进行训练。
3.根据权利要求1所述的一种基于卷积与长短期记忆神经网络的心肌病识别系统,其特征在于:
所述神经网络架构模块具体为:在进行心脏病理分类训练任务时,神经网络架构模块包括两个部分:
第一部分是三维卷积神经网络3DCNN模型模块;
第二部分是卷积长短期记忆神经网络ConvLSTM变体模型模块,ConvLSTM变体模型与3DCNN模型信号连接;
第一部分的三维卷积神经网络3DCNN模型模块针对局部短期时空特征进行学习,根据网络的结构对输入的维度进行调整,然后代入神经网络模型进行运算,得到每个疾病的概率预测;
第二部分的卷积长短期记忆神经网络ConvLSTM变体模块针对长期的时空特征进行学习,根据训练集中给定的分类结果对概率预测进行评估,将评估的结果用以调整模型的参数;
第二部分卷积长短期记忆神经网络ConvLSTM变体模型内卷积层采用二维卷积,针对该网络模型,采用一种变体,即在输入特征和隐藏状态上执行全局平均池GlobalAveragePooling以替代卷积公式(1)和(2),神经网络层间逻辑函数如下:
Ht=ototanh(Ct) (8)
其中,σ是sigmoid function,Wx~和Wh~是二维卷积核,Qt是输入,Ct代表cell state,用于存储时间跨度较长的远期记忆;Ht代表hidden state,与cell state相对,用于存储近期的记忆;Gt代表candidate memory候选记忆;it,ft,ot都是一维向量,分别代表LSTM单元的输入门,遗忘门,输出门;b代表偏置项,bi代表输入门的偏置项,bf代表遗忘门的偏置项,bo代表输出门的偏置项,针对每个门设置不同的偏置项,使网络的分类效果更显著;
输入到状态转换的卷积结构公式(6)用于时空特征融合,设输入Qt具有匹配通道Cin的W×H的空间尺寸,ConvLSTM具有匹配通道Cout的P×P的卷积内核尺寸,那么模型的参数大小表示为
SizeParamConvLSTM”=(P×P+Cout×4)×(Cin+Cout),其中P为卷积核的尺寸;
假设不对ConvLSTM进行变体,模型的参数大小为:
SizeParamConvLSTM=P×P×(Cin+Cout)×Cout×4。
4.根据权利要求1所述的一种基于卷积与长短期记忆神经网络的心肌病识别系统,其特征在于:
所述移动端模型MobileNet由二维CNN组成,通过移动端模型MobileNet用于了解神经网络的特征特性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110014310.9A CN112863650A (zh) | 2021-01-06 | 2021-01-06 | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110014310.9A CN112863650A (zh) | 2021-01-06 | 2021-01-06 | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112863650A true CN112863650A (zh) | 2021-05-28 |
Family
ID=76004353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110014310.9A Pending CN112863650A (zh) | 2021-01-06 | 2021-01-06 | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112863650A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116013449A (zh) * | 2023-03-21 | 2023-04-25 | 成都信息工程大学 | 融合临床信息与磁共振图像的心肌病预后辅助预测方法 |
CN116824631A (zh) * | 2023-06-14 | 2023-09-29 | 西南交通大学 | 一种姿态估计方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785334A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
CN109978139A (zh) * | 2019-03-20 | 2019-07-05 | 深圳大学 | 图片自动生成描述的方法、系统、电子装置及存储介质 |
CN110347873A (zh) * | 2019-06-26 | 2019-10-18 | Oppo广东移动通信有限公司 | 视频分类方法、装置、电子设备及存储介质 |
WO2020163970A1 (en) * | 2019-02-15 | 2020-08-20 | Surgical Safety Technologies Inc. | System and method for adverse event detection or severity estimation from surgical data |
-
2021
- 2021-01-06 CN CN202110014310.9A patent/CN112863650A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785334A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 心脏磁共振图像分割方法、装置、终端设备及存储介质 |
WO2020163970A1 (en) * | 2019-02-15 | 2020-08-20 | Surgical Safety Technologies Inc. | System and method for adverse event detection or severity estimation from surgical data |
CN109978139A (zh) * | 2019-03-20 | 2019-07-05 | 深圳大学 | 图片自动生成描述的方法、系统、电子装置及存储介质 |
CN110347873A (zh) * | 2019-06-26 | 2019-10-18 | Oppo广东移动通信有限公司 | 视频分类方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
LIANG ZHANG 等: "Attention in Convolutional LSTM for Gesture Recognition", 《32ND CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 * |
杨路飞 等: "基于批标准化深度网络模型的水中目标分类研究", 《2020中国西部声学学术交流会论文集》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116013449A (zh) * | 2023-03-21 | 2023-04-25 | 成都信息工程大学 | 融合临床信息与磁共振图像的心肌病预后辅助预测方法 |
CN116013449B (zh) * | 2023-03-21 | 2023-07-07 | 成都信息工程大学 | 融合临床信息与磁共振图像的心肌病预后辅助预测方法 |
CN116824631A (zh) * | 2023-06-14 | 2023-09-29 | 西南交通大学 | 一种姿态估计方法及系统 |
CN116824631B (zh) * | 2023-06-14 | 2024-02-27 | 西南交通大学 | 一种姿态估计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584254B (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
Wu et al. | Cascaded fully convolutional networks for automatic prenatal ultrasound image segmentation | |
CN110969626B (zh) | 基于3d神经网络的人脑核磁共振影像的海马体提取方法 | |
CN110503187B (zh) | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 | |
CN111488914B (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN111259982A (zh) | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN111444960A (zh) | 基于多模态数据输入的皮肤病图像分类系统 | |
CN112446891B (zh) | 基于U-Net网络脑胶质瘤的医学图像分割方法 | |
CN111090764B (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
CN110993094A (zh) | 一种基于医学图像的智能辅助诊断方法及终端 | |
WO2022127500A1 (zh) | 基于多个神经网络的mri图像分割方法、装置及设备 | |
CN111009324A (zh) | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 | |
Mahapatra et al. | Visual saliency based active learning for prostate mri segmentation | |
CN111540467B (zh) | 精神分裂症分类识别方法、运行控制装置及医疗设备 | |
CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
CN112863650A (zh) | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 | |
CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
Wang | OCT image recognition of cardiovascular vulnerable plaque based on CNN | |
CN115761216A (zh) | 一种孤独症脑部核磁共振图像识别方法 | |
Suganyadevi et al. | Alzheimer’s Disease Diagnosis using Deep Learning Approach | |
CN117036793B (zh) | 一种基于pet影像多尺度特征的脑龄评估方法及装置 | |
CN112562819B (zh) | 一种针对先心病的超声多切面数据的报告生成方法 | |
CN111178174B (zh) | 基于深度卷积神经网络的尿液有形成分图像识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |
|
RJ01 | Rejection of invention patent application after publication |