CN112885464A - 一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统 - Google Patents
一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统 Download PDFInfo
- Publication number
- CN112885464A CN112885464A CN202110269464.2A CN202110269464A CN112885464A CN 112885464 A CN112885464 A CN 112885464A CN 202110269464 A CN202110269464 A CN 202110269464A CN 112885464 A CN112885464 A CN 112885464A
- Authority
- CN
- China
- Prior art keywords
- net
- network
- disease
- holes
- convolution
- 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.)
- Granted
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
- 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于Att‑Res2‑CE‑Net的鼻内部疾病实时辅助诊疗系统,基于Att‑Res2‑CE‑Net,使用Res2Net50特征提取主干网络,将密集空洞卷积块DAC模块和残差多核池化RMP模块嵌入Attention U‑Net网络,系统包括视频采集处理端、云平台、服务器端,所述视频采集处理端包括数个鼻内窥镜视频采集设备,并与云平台无线连接,所述云平台与服务器无线连接,该系统设计巧妙,结构合理,综合了各个网络的劣势与优势分析,扬长避短,通过软硬件结合,可在服务器上搭建目标分割和目标跟踪网络,对视频采集处理端提供的实时手术视频进行鼻息肉、真菌性鼻窦炎和鼻腔肿瘤的精确识别定位,本发明成本低,使用灵活方便,可帮助医生辅助诊断,提高诊断效率。
Description
技术领域
本发明涉及医学辅助诊疗技术领域,具体涉及一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统。
背景技术
鼻腔、鼻窦疾患临床发病率高,形式多样化,特别是鼻窦炎、鼻息肉等疾病较为多见。虽然此类疾病病患范围小,但因为部位特殊,且与人们生活息息相关,依然是当下困扰不少人的一大类健康疾病。然而,鼻腔、鼻窦以及邻近结构的复杂性和深藏性的特点,给医生的诊断造成很大的麻烦。
一方面,现有传统诊断手段误诊率高,据调查数据显示,鼻腔疾病与其他类型疾病相比,位列首诊误诊率榜首之一,平均首诊误诊率高达10%;另一方面,虽然目前基于深度学习的目标检测和跟踪算法发展已经成熟,但人工智能医学影像辅助诊疗在判别鼻腔疾病的应用上依然是一个较空白的领域,亟需技术加持,以提高鼻腔疾病诊断准确性。
Att-Res2-CE-Net是在U-Net网络框架的基础上使用Res2Net50作为特征提取主干网络,在网络中增加Attention机制、DAC和RMP模块的改进分割算法。
其中,CE-Net:Context Encoder Network for 2D Medical ImageSegmentation,译为用于二维医学图像分割的编码网络,是一种用于医学图像分割的网络结构,在传统的encoder-decoder结构中间加入了特征编码器(Feature Encoder)、上下文提取器(Context Extractor)、特征解码器(Feature Decoder)。其中,上下文提取器(Context Extractor)通过空洞卷积(atrous convolution)以及并行结构的方式减少由于池化和卷积导致的信息损失。
Attention U-Net网络框架模型是以Unet模型为基础的,U-net是典型的编码-解码模型(encode-decode),Attention U-Net网络框架模型在解码时从编码部分提取的部分利用Attention Gate(注意力门模型)再进行解码。该模型能够有效抑制模型学习与任务无关的部分,同时加重学习与任务有关的特征,从而提高整个模型的精度。
Res2Net50是一种新的多尺度骨干网络结构,通过在原有的残差单元结构中添加不同的小残差块,从而增加每层的感受野大小。
发明内容
本发明的目的在于提供一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统,以解决上述背景技术中提出的问题,能够实现对鼻内复杂组织与病灶部位的精准定位,确保鼻部疾病种类的判定结果具有较高的准确性。
为实现上述目的,本发明提供如下技术方案:
一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统,基于Att-Res2-CE-Net,使用Res2Net50特征提取主干网络,将密集空洞卷积块DAC模块和残差多核池化RMP模块嵌入Attention U-Net网络,实时辅助诊疗系统包括视频采集处理端、云平台、服务器端,所述视频采集处理端包括数个鼻内窥镜视频采集设备,并与云平台无线连接,所述云平台与服务器无线连接,在服务器上配置目标分割网络及跟踪网络,对视频流中截取出的图像实时分割和跟踪。
在上述技术方案中,基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统的使用方法,包括以下具体步骤:
步骤1:建立包含鼻息肉、真菌性鼻窦炎和鼻腔肿瘤的鼻部疾病数据集;
步骤2:使用Res2Net50作为特征提取主干网络,将密集空洞卷积块DAC模块和残差多核池化RMP模块嵌入到Attention U-Net网络框架中,构建基于Att-Res2-CE-Net的鼻内部疾病目标分割网络;
步骤3:设置视频帧数计数器i为1;
步骤4:Att-Res2-CE-Net对所述视频采集处理端提供的视频流第i帧进行分割,得到鼻部疾病的轮廓;使用Att-Res2-CE-Net中的opencv中提供的findContours函数来寻找图像中疾病轮廓,并使用Att-Res2-CE-Net中的boundingRect函数生成最小外接矩形,比较所有外接矩形的面积,将最大面积的矩形和其疾病名称输入到目标跟踪网络;
步骤5:帧数计数器i加1,目标跟踪网络对所述视频采集处理端提供的视频第i帧进行目标跟踪和目标分割。如果目标跟踪失败,跳转回步骤3。否则生成疾病区域的掩膜和最小外接矩形,并显示疾病名称;
步骤6:判断帧数计数器i是否小于2倍的视频帧率,如果小于跳转到步骤5,否则跳转到步骤3。
作为本发明进一步的方案,所述步骤2的具体过程为:
使用Res2net50作为所述目标分割网络的特征提取主干网络,将提取的特征输出到DAC模块;
设置DAC四个级联分支,第一个分支是扩张速率为1的3*3空洞卷积,第二个分支是扩张速率为1的1*1空洞卷积,扩张速率为3的3*3空洞卷积,第三个分支是扩张速率为1的1*1空洞卷积,扩张速率为3的3*3空洞卷积,扩张速率为1的3*3空洞卷积,第四个分支是扩张速率为1的1*1空洞卷积,扩张速率为5的3*3空洞卷积,扩张速率为3的3*3空洞卷积,扩张速率为1的3*3空洞卷积;
按元素相加DAC4个分支结果输出到RAM模块;
设置RAM四个级联分支分别是2*2,3*3,5*5和6*6池化层,按照通道数拼接4个分支输出结果与输入特征图。
作为本发明进一步的方案,所述步骤5的具体过程为:
帧数计数器i加1,目标跟踪网络对所述视频采集处理端提供的视频流第i帧进行预测,得到掩膜分支和分类分支,用于精确追踪鼻内部病变区域轮廓和范围;
根据分类分支的预测得分,将最高得分对应的掩膜作为输出,根据掩膜的最小最大x、y坐标值生成坐标轴对齐的矩形框;
如果目标跟踪失败,跳转回步骤3,否则输出疾病区域的掩膜和最小矩形框,并显示疾病名称。
与现有技术相比,本发明的有益效果是:
本发明提供的一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统,该系统设计巧妙,结构合理,综合了各个网络的劣势与优势分析,扬长避短,Att-Res2-CE-Net使用Attention机制,DAC模块,RMP模块,Res2Net50作为特征提取主干网络,且整体依然保持U-Net的网络框架,通过软硬件结合,可在服务器上搭建目标分割和目标跟踪网络,对视频采集处理端提供的实时手术视频进行鼻息肉、真菌性鼻窦炎和鼻腔肿瘤的精确识别定位,本发明成本低,使用灵活方便,可帮助医生辅助诊断,提高诊断效率。
附图说明
图1为本发明系统结构框图;
图2为本发明实施例的鼻内部疾病实时辅助诊疗方法的整体流程图;
图3为本发明实例采用的Att-Res2-CE-Net目标分割网络结构图;
图4为本发明实例采用的DAC模块结构图;
图5为本发明实例采用的RAM模块结构图;
其中:1-视频采集处理端,2-云平台,3-服务器端,11-可变换视角的鼻内窥镜,12-视频输入输出DP接口模块,13-显示器。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
Att-Res2-CE-Net是在U-Net网络框架的基础上使用Res2Net作为特征提取主干网络,在网络中增加Attention机制、DAC和RMP模块的改进分割算法。经对比发现,改进的分割算法Att-Res2-CE-Net相比于实例分割Deep Snake网络和医学图像分割常用的单独U-Net网络,可取得更高准确率的识别结果。故基于Att-Res2-CE-Net来做鼻内部疾病诊疗系统,该技术优点主要体现在以下两个层面:一是图像识别,应用于感知环节来获取患者鼻内部病灶区域精准信息,完成对病灶区域的定位、疾病的分类以及分割工作,并将可疑位置进行实时标注,为医生去除干扰项,从而提高医生判别疾病类别的效率;二是深度学习,基于鼻内部疾病数据集进行特定的多层神经网络训练,定量分析预测,降低临床漏诊误诊的概率。
参阅图1,本实施例系统包括视频采集处理端1、云平台2、服务器端3,视频采集端1与云平台2无线连接,云平台2与服务器端3无线连接;
所述视频采集处理端1包括数个可变换视角的鼻内窥镜11、数个显示器13,数个视频输入输出DP接口模块12。所述鼻内窥镜11通过DP接口模块12有线连接显示器13,并无线连接云平台2;云平台2有线连接服务器端3;所述服务器端3上配置有目标分割网络与跟踪网络算法。
参阅图2,采用所述基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统实现鼻内部疾病实时辅助诊疗的方法,具体包括以下步骤:
(1)建立包含鼻息肉、真菌性鼻窦炎和鼻腔肿瘤的鼻部疾病数据集;
该步骤具体过程为:
收集针对鼻息肉、真菌性鼻窦炎和鼻腔肿瘤的鼻部手术视频,获取大量病患样本;
将获取的手术视频按帧数截取成为高分辨率图片。使用标注工具Labelme读入从鼻内镜手术关键视频中精确截取的鼻部疾病图片,由富有经验的医生辅助标注判断,用多边形工具圈出病变区域,完成包含鼻部疾病区域的图片标注工作;
分析鼻内部疾病数据集的完备性,通过几何变换和颜色变换对数据增强,包括对图片进行裁剪、翻转、旋转、调整缩放比例、移位,以及调整图像的亮度、饱和度和对比度,提高鼻内部疾病图片质量,扩充数据集;
(2)参阅图3,使用Res2Net50作为特征提取主干网络,将密集空洞卷积块(DAC)模块和残差多核池化(RMP)模块嵌入到Attention U-Net网络框架中,构建基于Att-Res2-CE-Net的鼻内部疾病目标分割网络
该步骤具体过程为:
使用Res2net50作为所述目标分割网络的特征提取主干网络,将提取的特征输出到DAC模块;
参阅图4,设置DAC四个级联分支,第一个分支是扩张速率为1的3*3空洞卷积,第二个分支是扩张速率为1的1*1空洞卷积,扩张速率为3的3*3空洞卷积,第三个分支是扩张速率为1的1*1空洞卷积,扩张速率为3的3*3空洞卷积,扩张速率为1的3*3空洞卷积,第四个分支是扩张速率为1的1*1空洞卷积,扩张速率为5的3*3空洞卷积,扩张速率为3的3*3空洞卷积,扩张速率为1的3*3空洞卷积;
按元素相加DAC4个分支结果输出到RAM模块;
参阅图5,设置RAM四个级联分支分别是2*2,3*3,5*5和6*6池化层,按照通道数拼接4个分支输出结果与输入特征图,将拼接结果输出到特征解码模块。
(3)设置视频帧数计数器i为1;
(4)Att-Res2-CE-Net对所述视频采集处理端提供的视频流第i帧进行分割,得到鼻部疾病的轮廓,使用opencv中提供的findContours函数来寻找图像中疾病的轮廓,并使用boundingRect函数生成最小外接矩形,比较所有外接矩形的面积,将最大面积的矩形和其疾病名称输入到目标跟踪网络;
(5)帧数计数器i加1,目标跟踪网络对所述视频采集处理端提供的视频流第i帧进行目标跟踪和目标分割。如果目标跟踪失败,跳转回(3)。否则输出疾病区域的掩膜和最小矩形框,并显示疾病名称;
该步骤具体过程为:
帧数计数器i加1,SiamMask对所述视频采集处理端提供的视频流第i帧进行预测,得到掩膜分支和分类分支,用于精确追踪鼻内部病变区域轮廓和范围;
根据分类分支的预测得分,将最高得分对应的掩膜作为输出,根据掩膜的最小最大x、y坐标值生成坐标轴对齐的矩形框;
如果目标跟踪失败,跳转回(3)。否则输出疾病区域的掩膜和最小矩形框,并显示疾病名称。
步骤6:判断帧数计数器i是否小于2倍的视频流帧率,如果小于跳转到(5),否则跳转到(3)。
综上所述,在分割技术中,我们在U-Net的框架基础上采取Res2net作为特征提取网络,减小池化过程中特征的损耗;增加CE-Net中的DAC和RMP模块,捕获更多抽象特征;在扩展路径中增加Attention机制,使网络集中于感兴趣区域。最终对比发现,改进的分割算法Att-Res2-CE-Net相比于医学图像分割常用的U-Net网络,取得了准确率99.7%、精确率88%和召回率99.6%的识别结果。
上面对本专利的较佳实施方式作了详细说明,但是本专利并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下做出各种变化。
Claims (4)
1.一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统,其特征在于,基于Att-Res2-CE-Net,使用Res2Net50特征提取主干网络,将密集空洞卷积块DAC模块和残差多核池化RMP模块嵌入Attention U-Net网络,实时辅助诊疗系统包括视频采集处理端、云平台、服务器端,所述视频采集处理端包括数个鼻内窥镜视频采集设备,并与云平台无线连接,所述云平台与服务器无线连接,在服务器上配置目标分割网络及跟踪网络,对视频流中截取出的图像实时分割和跟踪。
2.根据权利要求1所述的一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统,其特征在于,系统的使用方法包括以下具体步骤:
步骤1:建立包含鼻息肉、真菌性鼻窦炎和鼻腔肿瘤的鼻部疾病数据集;
步骤2:使用Res2Net50作为特征提取主干网络,将密集空洞卷积块DAC模块和残差多核池化RMP模块嵌入到Attention U-Net网络框架中,构建基于Att-Res2-CE-Net的鼻内部疾病目标分割网络;
步骤3:设置视频帧数计数器i为1;
步骤4:Att-Res2-CE-Net对所述视频采集处理端提供的视频流第i帧进行分割,得到鼻部疾病的轮廓。使用opencv中提供的findContours函数来寻找图像中疾病轮廓,并使用boundingRect函数生成最小外接矩形,比较所有外接矩形的面积,将最大面积的矩形和其疾病名称输入到目标跟踪网络;
步骤5:帧数计数器i加1,目标跟踪网络对所述视频采集处理端提供的视频第i帧进行目标跟踪和目标分割。如果目标跟踪失败,跳转回步骤3,否则生成疾病区域的掩膜和最小外接矩形,并显示疾病名称;
步骤6:判断帧数计数器i是否小于2倍的视频帧率,如果小于跳转到步骤5,否则跳转到步骤3。
3.根据权利要求2所述的一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统,其特征在于,所述步骤2的具体过程为:
使用Res2net50作为所述目标分割网络的特征提取主干网络,将提取的特征输出到DAC模块;
设置DAC四个级联分支,第一个分支是扩张速率为1的3*3空洞卷积,第二个分支是扩张速率为1的1*1空洞卷积,扩张速率为3的3*3空洞卷积,第三个分支是扩张速率为1的1*1空洞卷积,扩张速率为3的3*3空洞卷积,扩张速率为1的3*3空洞卷积,第四个分支是扩张速率为1的1*1空洞卷积,扩张速率为5的3*3空洞卷积,扩张速率为3的3*3空洞卷积,扩张速率为1的3*3空洞卷积;
按元素相加DAC4个分支结果输出到RAM模块;
设置RAM四个级联分支分别是2*2,3*3,5*5和6*6池化层,按照通道数拼接4个分支输出结果与输入特征图。
4.根据权利要求2所述的一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统,其特征在于,所述步骤5的具体过程为:
帧数计数器i加1,目标跟踪网络对所述视频采集处理端提供的视频流第i帧进行预测,得到掩膜分支和分类分支,用于精确追踪鼻内部病变区域轮廓和范围;
根据分类分支的预测得分,将最高得分对应的掩膜作为输出,根据掩膜的最小最大x、y坐标值生成坐标轴对齐的矩形框;
如果目标跟踪失败,跳转回步骤3,否则输出疾病区域的掩膜和最小矩形框,并显示疾病名称。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110269464.2A CN112885464B (zh) | 2021-03-12 | 2021-03-12 | 一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110269464.2A CN112885464B (zh) | 2021-03-12 | 2021-03-12 | 一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112885464A true CN112885464A (zh) | 2021-06-01 |
CN112885464B CN112885464B (zh) | 2022-10-04 |
Family
ID=76041133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110269464.2A Active CN112885464B (zh) | 2021-03-12 | 2021-03-12 | 一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112885464B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155210A (zh) * | 2021-11-17 | 2022-03-08 | 大连民族大学 | 基于注意力机制与标准化密集空洞空间多尺度融合网络的人群计数方法 |
CN116580027A (zh) * | 2023-07-12 | 2023-08-11 | 中国科学技术大学 | 一种结直肠内窥镜视频的实时息肉检测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109616195A (zh) * | 2018-11-28 | 2019-04-12 | 武汉大学人民医院(湖北省人民医院) | 基于深度学习的纵隔超声内镜图像实时辅助诊断系统及方法 |
US20190252073A1 (en) * | 2018-02-12 | 2019-08-15 | Ai.Skopy, Inc. | System and method for diagnosing gastrointestinal neoplasm |
CN111598892A (zh) * | 2020-04-16 | 2020-08-28 | 浙江工业大学 | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 |
CN111653365A (zh) * | 2020-07-23 | 2020-09-11 | 中山大学附属第一医院 | 一种鼻咽癌辅助诊断模型构建和辅助诊断方法及系统 |
-
2021
- 2021-03-12 CN CN202110269464.2A patent/CN112885464B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190252073A1 (en) * | 2018-02-12 | 2019-08-15 | Ai.Skopy, Inc. | System and method for diagnosing gastrointestinal neoplasm |
CN109616195A (zh) * | 2018-11-28 | 2019-04-12 | 武汉大学人民医院(湖北省人民医院) | 基于深度学习的纵隔超声内镜图像实时辅助诊断系统及方法 |
CN111598892A (zh) * | 2020-04-16 | 2020-08-28 | 浙江工业大学 | 一种基于Res2-UNeXt网络结构的细胞图像分割方法 |
CN111653365A (zh) * | 2020-07-23 | 2020-09-11 | 中山大学附属第一医院 | 一种鼻咽癌辅助诊断模型构建和辅助诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
CHAO YANG,ZHONGWEN GUO, YUAN LIU: ""Fast and Precise Energy Consumption Prediction Based on Fully Convolutional Attention Res2Net"", 《ACM TURC’20:PROCEEDINGS OF THE ACM TURING CELEBRATION CONFERENCE-CHINA》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155210A (zh) * | 2021-11-17 | 2022-03-08 | 大连民族大学 | 基于注意力机制与标准化密集空洞空间多尺度融合网络的人群计数方法 |
CN114155210B (zh) * | 2021-11-17 | 2024-04-26 | 大连民族大学 | 基于注意力机制与标准化密集空洞空间多尺度融合网络的人群计数方法 |
CN116580027A (zh) * | 2023-07-12 | 2023-08-11 | 中国科学技术大学 | 一种结直肠内窥镜视频的实时息肉检测系统及方法 |
CN116580027B (zh) * | 2023-07-12 | 2023-11-28 | 中国科学技术大学 | 一种结直肠内窥镜视频的实时息肉检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112885464B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Colorectal polyp segmentation by U-Net with dilation convolution | |
CN111383214B (zh) | 实时内窥镜肠镜息肉检测系统 | |
US20220172828A1 (en) | Endoscopic image display method, apparatus, computer device, and storage medium | |
CN112885464B (zh) | 一种基于Att-Res2-CE-Net的鼻内部疾病实时辅助诊疗系统 | |
CN106096547B (zh) | 一种面向识别的低分辨率人脸图像特征超分辨率重建方法 | |
CN111091559A (zh) | 基于深度学习的小肠镜下淋巴瘤辅助诊断系统 | |
CN111369565A (zh) | 一种基于图卷积网络的数字病理图像的分割与分类方法 | |
CN113159227A (zh) | 一种基于神经网络的痤疮图像识别方法、系统和装置 | |
Wang et al. | Convolutional‐capsule network for gastrointestinal endoscopy image classification | |
CN113888518A (zh) | 一种基于深度学习分割、分类多任务的喉咽内镜肿瘤检测及良恶性分类方法 | |
CN117274270B (zh) | 基于人工智能的消化内镜实时辅助系统及方法 | |
CN115410046A (zh) | 基于深度学习的皮肤病舌象分类模型、建立方法及应用 | |
CN111986189A (zh) | 一种基于ct影像的多类别肺炎筛查深度学习装置 | |
CN113012140A (zh) | 基于深度学习的消化内镜视频帧有效信息区域提取方法 | |
CN115018809A (zh) | Ct图像的靶区分割识别方法及系统 | |
CN113781489A (zh) | 一种息肉影像语义分割方法及装置 | |
Li et al. | Sign language letters recognition model based on improved YOLOv5 | |
CN114372962A (zh) | 基于双粒度时间卷积的腹腔镜手术阶段识别方法与系统 | |
Dehkordi et al. | Lightweight local transformer for COVID-19 detection using chest CT scans | |
Xia et al. | A nested u-structure for instrument segmentation in robotic surgery | |
Xu et al. | 6d-diff: A keypoint diffusion framework for 6d object pose estimation | |
CN115661193A (zh) | 基于时间上下文和信息瓶颈的超声运动跟踪方法及系统 | |
CN113796850A (zh) | 甲状旁腺mibi图像分析系统、计算机设备及存储介质 | |
JPH10149447A (ja) | ジェスチャー認識方法および装置 | |
CN117952995B (zh) | 一种可聚焦提示调优的心脏图像分割系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230423 Address after: Floor 11-356, Building 15, International Car City, No. 309 Green Valley Avenue, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323010 Patentee after: Lishui Ruilian Medical Technology Co.,Ltd. Address before: No. 3663, Zhongshan North Road, Minhang District, Shanghai 200065 Patentee before: EAST CHINA NORMAL University |
|
TR01 | Transfer of patent right |