CN113096080B - 图像分析方法及系统 - Google Patents

图像分析方法及系统 Download PDF

Info

Publication number
CN113096080B
CN113096080B CN202110338191.2A CN202110338191A CN113096080B CN 113096080 B CN113096080 B CN 113096080B CN 202110338191 A CN202110338191 A CN 202110338191A CN 113096080 B CN113096080 B CN 113096080B
Authority
CN
China
Prior art keywords
image
block
image block
feature extraction
feature
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
Application number
CN202110338191.2A
Other languages
English (en)
Other versions
CN113096080A (zh
Inventor
廖欣
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.)
West China Second University Hospital of Sichuan University
Original Assignee
West China Second University Hospital of Sichuan 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 West China Second University Hospital of Sichuan University filed Critical West China Second University Hospital of Sichuan University
Priority to CN202110338191.2A priority Critical patent/CN113096080B/zh
Publication of CN113096080A publication Critical patent/CN113096080A/zh
Application granted granted Critical
Publication of CN113096080B publication Critical patent/CN113096080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/21—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30096—Tumor; Lesion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种图像分析方法及系统。该方法包括以下步骤：A、获得原始图像并对原始图像中的不同图像结构进行标注，对已标注图像数据进行分类、整理，划分出训练集、校验集、测试集；B、构建图像异常检测模型，并对其进行训练；B3：保存训练后的特征提取网络权重fθ以及训练图像集对应的特征集S；C、将待分析图像输入训练后的图像异常检测模型中，对待分析图像中特定图像结构进行智能化、定量化分析。本图像分析方法具体准确率高、耗时短的特点。

Description

图像分析方法及系统
技术领域
本发明涉及图像分析领域，具体涉及一种图像分析方法及系统。
背景技术
目前，随着人工智能技术研究和进步，人工智能技术正在应用于各种不同的领域，人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习(Machine Learning)/深度学习(DeepLearning)等几大方向。
机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。目前，各种形式的机器学习模型已经彻底改变了人工智能的许多领域，特别是在对图像的智能分析识别上，应用比较广泛。
发明内容
为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种图像分析方法及系统。
为了实现本发明的上述目的，本发明提供了一种图像分析方法，包括以下步骤：
A、获得原始图像并对原始图像中的不同图像结构进行标注，对已标注图像数据进行分类、整理，划分出训练集、校验集、测试集；
B、构建图像异常检测模型，并对其进行训练，训练流程为：
B1：采用训练集中的图像，训练图像异常检测模型的特征提取网络；
B2：使用训练完成的特征提取网络，获取并保存训练集对应的特征集S，S←S∪{fθ(p)},即：针对训练集中每张图像，随机抽取一个图像块,该图像块与特征提取网络接受野相同，再通过训练得到的特征提取网络获取该图像块的特征向量fθ(p)，上述特征向量整体构成特征向量集S；
B3：保存训练后的特征提取网络权重fθ以及训练集对应的特征向量集S；
C、将待分析图像输入训练后的图像异常检测模型中，对待分析图像中特定图像结构进行智能化、定量化分析。
本发明的图像分析方法具有准确率高、耗时短，能够获取特定图像结构面积占比量化结果的特点。
该方法的优选方案为：所述步骤B1包括以下步骤：
B11：对训练集中的每一张图像，在其3×3网格的八邻域中任意选取一个图像块p,p的尺度与特征提取网络的接受野相同，然后针对图像块p的中心进行随机抖动，获取图像块p1，计算图像块p与p1交叉熵，作为子项损失函数Loss_1，其中，图像块p1相对p的真实相对位置为y{0,1,…,7}，yi指训练集中，类别i在y{0,1,…,7}这8个相对位置的图像块的数量；分类器Cφ被训练成正确地预测图像块p1与图像块p的相对位置，即y＝Cφ(fθ(p),fθ(p1))，ai是分类器计算出的类别i的置信度，N是训练集中的样本总数；
针对图像块p，在其5×5网格的四邻域的中，随机选择一个与图像块p同行或同列但不相邻的图像块p2,p2尺度与特征提取网络的接受野相同，计算图像块p与p2交叉熵，作为子项损失函数Loss_2，其中图像块p2相对p的真实相对位置为y{0,1,2,3},yi指训练集中，类别i在y{0,1,2,3}这4个相对位置的图像块的数量；分类器Cφ被训练成正确地预测图像块p2与图像块p的相对位置，即y＝Cφ(fθ(p),fθ(p2))，bi是分类器计算出的类别i的置信度；
针对图像块p，对p的四个相邻交叉区域，获取图像块p3、p4、p5、p6中的2～4个，计算p与p3、p4、p5、p6中选定图像块的L2范数距离，并求均值，作为子项损失函数Loss_3，||fθ(p)-fθ(p2+i)||2指p与p3、p4、p5、p6中选定图像块的L2范数距离；
B12：计算网络模型的损失函数Loss＝λ1*Loss_1+λ2*Loss_2+Loss_3，λ1、λ2为损失函数中的权重值，均大于0，并利用Adam优化器，进行反向传播，实现特征提取网络模型的网络权重迭代、寻优；
B13：重复执行步骤B11～步骤B12直至指定轮数，再根据每轮训练的损失函数选择、保存特征提取网络和分类网络的最优权重。该方法的优选方案为：所述步骤B1包括以下步骤：
步骤1：对训练集中的每一张图像，任取一个图像块p，在图像块p的3×3网格的八邻域中,随机选取一个图像块p7,计算图像块p与p7交叉熵，作为子项损失函数Loss_4，其中，图像块p7相对p的真实相对位置为y{0,1,…,7}；分类器Cφ被训练成正确地预测图像块p7与图像块p的相对位置/>ci是分类器计算出的类别i的概率值，N是训练集中的样本总数；
针对图像块p，在其5X5网络的四邻域中，随机取一个与图像块p同行或同列但不相邻的图像块p8，计算p与p8的交叉熵，作为子项损失函数Loss_5，其中，图像块p8相对p的真实相对位置为y{0,1,2,3}；分类器Cφ被训练成正确地预测图像块p8与图像块p的相对位置/>di是分类器计算出的类别i的概率值；
步骤2：计算网络模型的损失函数Loss＝λ*Loss_4+Loss_5，λ为损失函数中的权重值，大于0，并利用Adam优化器，进行反向传播，实现特征提取网络模型的网络权重迭代、寻优；
步骤3：重复执行步骤1～步骤2指定轮数，再根据每轮训练的损失函数选择、保存特征提取网络和分类网络的最优权重。
本发明的训练过程解决了复杂图像的特征中心的数量不确定，并且为不同特征中心分配对应图像块的工作量极大的问题。直接从训练图像中随机挑选的图像块具有较大的类内方差变化，因为部分图像块对应背景，部分包含目标，也可能存在同时包含背景与目标的情况。因此，将不同图像块的所有特征映射到一个中心，进行单峰聚类，将削弱特征与内容之间的联系。为解决这一问题，本方案没有明确定义中心，也没有划分对应图像块，相反，通过对空间相邻图像块进行采样，获得语义相似图像块，然后训练特征提取网络自动收集特征语义相似的图像块，当训练出的特征提取网络能够很好地解决预先任务时，则认为该网络能提取出有效特征。
由于本发明深度异常检测网络结构的设计，以及对损失函数的构造中所引入的自监督学习技术，使得本发明能够在小样本数据集的情况下完成模型训练，进而实现对目标图像结构的分析工作。
该方法的优选方案为：所述步骤C包括以下步骤：
C1：对待分析图像Itest进行滑窗分块，按滑动步长S像素划分与特征提取网络接收野相同大小的图像块，获得图像块序列，其中，分块后图像尺寸为W×W像素，且1≤S≤W；
C2：将滑窗分块后的图像块进行自适应分割，区分图像块中的目标和空白背景；即分割前景和背景，丢弃目标组织占比小于阈值T1的图像块，不进入后续处理；保留占比大于阈值T1的图像块，构成图像块序列{BLOCKi,j}，所述i、j分别是图像块在x、y坐标上的计数，共同构成了图像块的编号；
C3：将图像块序列{BLOCKi,j}中的图像块输入特征提取网络，获得图像Itest的异常特征图M；
C4：对异常特征图M进行阈值分割，利用分割后二值图像，计算特定图像结构类型在待分析图像Itest中的面积百分比。
该方法的优选方案为：所述步骤C3具体为：将图像块序列{BLOCKi,j}通过特征提取网络，计算其异常值得分abnormali,j，并将图像块BLOCKi,j的异常值得分abnormali,j作为该图像块中每个像素的初始异常值得分，其中异常值得分abnormali,j＝minh∈S||f(p)-h||2，其中，图像块序列{BLOCKi,j}输入特征提取网络获取的特征向量为f(BLOCKi,j)，h为特征向量集S中的任一特征向量，||·||2代表L2范数距离，则minh∈S||f(p)-h||2则代表图像块BLOCKi,j的特征向量与特征向量集S中任意特征向量的最小L2范数距离；
计算待分析图像Itest通过特征提取网络后的异常特征图M：
计算测试图像Itest中每一个像素的异常得分值pi,j,待分析图像Itest中所有像素的异常得分值pi,j构成对应的异常特征图M，M、N分别指代图像块在x、y方向上的总数量。
该方法的优选方案为：所述步骤C4具体为：
对异常特征图M根据阈值T2进行阈值分割，并计算特定图像结构的面积百分比其中，AREAGCT是待分析图像中的区域面积，对应序列{BLOCKi,j}中每个图像块的前景面积之和，AREASTRUCT是待分析图像中特定图像结构的面积，对应异常特征图M阈值分割后的前景面积减去序列{BLOCKi,j}中每个图像块的背景面积之和。
本发明的分析方法将图像进行区域滑窗，分块成与特征提取网络接受野大小相同的图像块，然后使用特征提取网络对每个图像块进行检测，而不是整幅图像，这样的逐图像块检测有以下两个优点：细粒度检测提升了检测性能，且所有位置都有检测结果，可定位特定图像结构位置；图像块间的检测可以高度并行化，使得检测速度在多块GPU的并行计算环境下下得到显著提升，能够实现并行计算、分析。
本申请还提出了一种图像分析系统，包括处理器和存储器，所述处理器和存储器之间通过通信总线连接，相互通信，所述存储器存放至少一可执行指令，所述可执行指令使所述处理器执行如上述图像分析方法对应的操作。
本发明的有益效果是：本发明具有准确率高、耗时短且工作持续时间长的优点，适用范围广，可广泛应用于医疗、交通安全等领域，特别是在医疗领域，有助于解决医疗资源分配不均匀，可实现远程优质医疗等，为广大患者提供更便捷、更准确的病理诊断服务。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是图像块p的3×3网格的八邻域示意图；
图2是图像块p的5×5网格的四邻域示意图；
图3是图像块p的四个相邻交叉区域示意图；
图4是分析流程示意图；
图5是图像分析系统的模型示意图；
图6是第一种卷积神经网络构造单元网络结构示意图；
图7是卷积模块BLOCK-A网络结构示意图；
图8是卷积模块BLOCK-B网络结构示意图；
图9是卷积模块BLOCK-C网络结构示意图；
图10是第三种卷积神经网络构造单元网络结构示意图；
图11是卷积模块BLOCK-D网络结构示意图；
图12是卷积模块BLOCK-F网络结构示意图；
图13是第二种卷积神经网络构造单元网络结构示意图；
图14是卷积模块BLOCK-G网络结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，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。
如图1所示，本发明提供了一种图像分析方法，包括以下步骤：
A、获得原始图像并对原始图像中的不同图像结构进行标注，对已标注图像数据进行分类、整理，划分出训练集、校验集、测试集。
B、构建图像异常检测模型，并对其进行训练，训练流程为：
B1：采用训练集中的图像，训练图像异常检测模型的特征提取网络。
本实施例中提供如下两种上训练流程：
第一种：
B11：对训练集中的每一张图像，如图1所示，在其3×3网格的八邻域中任意选取一个图像块p,p的尺度与特征提取网络的接受野相同，然后针对图像块p的中心进行随机抖动，获取图像块p1，计算图像块p与p1交叉熵，作为子项损失函数Loss_1，其中，图像块p1相对p的真实相对位置为y{0,1,…,7}，yi指训练集中，类别i在y{0,1,…,7}这8个相对位置的图像块的数量；分类器/>被训练成正确地预测图像块p1与图像块p的相对位置，即/>表示用分类器预测图像块p1与图像块p的相对位置，ai是分类器计算出的类别i的置信度，N是训练集中的样本总数。
针对图像块p，如图2所示，在其5×5网格的四邻域中，随机选择一个与图像块p同行或同列但不相邻的图像块p2,p2尺度与特征提取网络的接受野相同，计算图像块p与p2交叉熵，作为子项损失函数Loss_2，其中图像块p2相对p的真实相对位置为y{0,1,2,3},yi指训练集中，类别i在y{0,1,2,3}这4个相对位置的图像块的数量；分类器Cφ被训练成正确地预测图像块p2与图像块p的相对位置，即y＝Cφ(fθ(p),fθ(p2))表示用分类器预测图像块p2与图像块p的相对位置，bi是分类器计算出的类别i的置信度。
针对图像块p，如图3所示，对p的四个相邻交叉区域，获取图像块p3、p4、p5、p6中的2～4个，即针对图像块p的四个边缘点(左上角、右上角、左下角、右下角)作为新的图像块中心，可以获得四个新的、与图像块p相同尺度的图像块p3、p4、p5、p6，计算p与p3、p4、p5、p6中选定图像块的L2范数距离，并求均值，作为子项损失函数Loss_3，||fθ(p)-fθ(p2+i)||2指图像块p与p3、p4、p5、p6中选定图像块的L2范数距离，1<N<5,且N为正整数,0<i<N，i为正整数。
B12：计算网络模型的损失函数Loss＝λ1*Loss_1+λ2*Loss_2+Loss_3，λ1、λ2为损失函数中的权重值，均大于0，并利用Adam优化器，进行反向传播，实现特征提取网络模型的网络权重迭代、寻优。
B13：重复执行步骤B11～步骤B12直至指定轮数，再根据每轮训练的损失函数选择、保存特征提取网络和分类网络的最优权重。
第二种：
步骤1：对训练集中的每一张图像，任取一个图像块p，在图像块p的3×3网格的八邻域中,随机选取一个图像块p7,计算图像块p与p7交叉熵，作为子项损失函数Loss_4，其中，图像块p7相对p的真实相对位置为y{0,1,…,7},yi指训练集中，类别i在y{0,1,…,7}这8个相对位置的图像块的数量；分类器Cφ被训练成正确地预测图像块p7与图像块p的相对位置，即/>表示用分类器预测图像块p7与图像块p的相对位置，ci是分类器计算出的类别i的置信度，N是训练集中的样本总数。
针对图像块p，在其5X5网络的四邻域的隔一步距离，随机取一个与图像块p同行或同列但不相邻的图像块p8，计算p与p8的交叉熵，作为子项损失函数Loss_5，其中，图像块p8相对p的真实相对位置为y{0,1,2,3}，yi指训练集中，类别i在y{0,1,2,3}这4个相对位置的图像块的数量；分类器Cφ被训练成正确地预测图像块p8与图像块p的相对位置，/>表示用分类器预测图像块p8与图像块p的相对位置，di是分类器计算出的类别i的置信度。
步骤2：计算网络模型的损失函数Loss＝λ*Loss_4+Loss_5，λ为损失函数中的权重值，大于0，并利用Adam优化器，进行反向传播，实现特征提取网络模型的网络权重迭代、寻优。
步骤3：重复执行步骤1～步骤2指定轮数，再根据每轮训练的损失函数选择、保存特征提取网络和分类网络的最优权重。
需要说明的是，若训练集内的图像数据数目太少，可以针对网络结构在可配置范围内，设置最少的网络层数，避免训练数据不足时出现过拟合；若在现有卷积神经网络模型上训练，模型准确率无法上升，可以针对该网络结构，在可配置范围内，设置更多的网络层数，即通过增加卷积模型深度来提升模型拟合能力。
然后再执行下一步：
B2：使用训练完成的特征提取网络，获取并保存训练集对应的特征集S，S←S∪{fθ(p)},即：针对训练集中每张图像，随机抽取一个图像块,该图像块与特征提取网络接受野相同，再通过训练得到的特征提取网络获取该图像块的特征向量fθ(p)，上述特征向量整体构成特征向量集S。
B3：保存训练后的特征提取网络权重fθ以及训练图像集对应的特征集S。
在对图像异常检测模型训练完后，得到理想的图像异常检测模型，可采用校验集对理想的图像异常检测模型进行校验，检测其准确率；采用测试集对理想的图像异常检测模型进行测试，检测其鲁棒性；若图像异常检测模型在测试集上的准确率与校验集训练中的准确率相差超过预设值，则说明模型过拟合，则调节网络结构或参数进行再次训练，以获得在测试集上的准确率与校验集训练中的准确率相差在预设值内的图像异常检测模型，此时该图像异常检测模型的鲁棒性高。这里的准确率为：将校验集或测试集中图像按步长像素进行滑窗分块，获得图像块序列(与特征提取网络接受野相同)，然后通过特征提取网络获得该图像的异常特征图，再对该异常特征图进行阈值分割，利用分割后二值图像，计算特定图像结构类型在该图像中的面积百分比，并将该百分比与人工标注结果进行对比得到准确率。若校验集中图像的准确率在可接受范围内，则认为训练获得的图像异常检测模型为理想的模型。
然后执行步骤C,对待分析图像进行分析：
C、将待分析图像输入训练后的图像异常检测模型中，对待分析图像中特定图像结构进行智能化、定量化分析。
如图4所示，步骤C包括以下步骤：
C1：对待分析图像Itest进行滑窗分块，按滑动步长S像素划分与特征提取网络接收野相同大小的图像块，获得图像块序列，其中，分块后图像尺寸为W×W像素，1≤S≤W。
C2：将滑窗分块后的图像块进行自适应分割，区分图像块中的目标和空白背景；即分割前景和背景，丢弃目标占比小于阈值T1的图像块，不进入后续处理；保留占比大于阈值T1的图像块，构成图像块序列{BLOCKi,j}，i、j分别是图像块在x、y坐标上的计数，共同构成了图像块的编号。
C3：将图像块序列{BLOCKi,j}中的图像块输入特征提取网络，获得图像Itest的异常特征图M。具体为：将图像块序列{BLOCKi,j}通过特征提取网络，计算其异常值得分abnormali,j，并将图像块BLOCKi,j的异常值得分abnormali,j作为该图像块中每个像素的初始异常值得分，异常值得分abnormali,j＝minh∈S||f(p)-h||2，其中，图像块序列{BLOCKi,j}输入特征提取网络获取的特征向量为f(BLOCKi,j)，h为特征向量集S中的任一特征向量，||·||2代表L2范数距离，则minh∈S||f(p)-h||2则代表图像块BLOCKi,j的特征向量与特征向量集S中任意特征向量的最小L2范数距离。
然后计算待分析图像Itest通过特征提取网络后的异常特征图M：
计算待分析图像Itest中每一个像素的异常得分值pi,j,待分析图像Itest中所有像素的异常得分值pi,j构成对应的异常特征图M，M、N分别指代图像块在x、y方向上的总数量。
C4：对异常特征图M进行阈值分割，利用分割后二值图像，计算特定图像结构类型在待分析图像Itest中的面积百分比。具体为：
对异常特征图M根据阈值T2进行阈值分割，并计算特定图像结构的面积百分比其中，AREAGCT是待分析图像Itest中的区域面积，对应序列{BLOCKi,j}中每个图像块的前景面积之和，AREASTRUCT是待分析图像Itest中特定图像结构的面积，对应异常特征图M阈值分割后的前景面积减去序列{BLOCKi,j}中每个图像块的背景面积之和。
本申请还提供了一种图像分析系统，包括处理器和存储器，所述处理器和存储器之间通过通信总线连接，相互通信，所述存储器存放至少一可执行指令，所述可执行指令使所述处理器执行上述图像分析方法对应的操作。
优选的，处理器可构建图像分析系统的模型,如图5所示，该模型包括图像数据库构建单元、卷积神经网络单元和分析单元。
图像数据库构建单元包括图像数据获取单元、图像数据标注单元和图像数据库构建单元。其中，图像数据获取单元用于获得输入图像数据，图像数据标注单元用于对每个输入图像数据中的不同图像结构进行标注，图像数据库构建单元用于对图像数据标注单元提供的已标注图像数据进行分类、整理，划分出训练集、校验集、测试集，构建图像数据库。
卷积神经网络单元包括卷积神经网络模型构造单元和卷积神经网络模型训练单元。卷积神经网络模型构造单元用于构造图像异常检测模型；卷积神经网络模型训练单元对所述图像异常检测模型进行训练，以获得理想的图像异常检测模型，其输入包括训练图像集、损失函数权重参数，特征提取网络，分类网络，输出包括训练集的特征集S、训练完成的特征提取网络及其权重fθ。
所述分析单元利用训练后的图像异常检测模型，对待分析病理图像中特定图像结构进行智能化、定量化分析。
此外，输入终端用于将现有的图像输入图像数据获得单元，并且，这些输入的数据最后将由图像数据库构建单元分类收集，用于支持后续的图像分析工作。输出终端用于将由卷积神经网络模型训练单元获得的鲁棒、理想特征提取网络模型对输入图像的分析结果(图像中特定图像结构及其相应面积占比)呈现给医生作为临床诊断参考，以提高工作人员的准确率、工作效率及工作持续状态。
本实施例中，卷积神经网络构造单元包括特征提取网络和分类网络，特征提取网络提取图像块的特征信息，以便后续分类网络能够正确预测图像块的相对位置。本实施例中，分类网络由全连接层以及LeakyReLU()激活函数构成，一旦训练完成，分类网络就被丢弃。
特征提取网络本实施例提供三种模型：
第一种，如图6所示，特征提取网络利用模块化拼接思想构成，使网络宽度、深度都可根据需要进行扩增，其低层由M个卷积模块BLOCK-A构成，这里采用常规卷积层即可，高层则引入N个残差卷积模块BLOCK-B以及P个残差卷积模块BLOCK-C，后续跟高层连接的一个卷积层及tanh()激活函数，这里选用常规卷积层即可。M可配置，取值范围为3-6之间的整数，默认值为4，N可配置，取值范围为1-3之间的整数，默认值为2；P可配置，取值范围为1-3之间的正整数，默认值为2。
其中，卷积模块BLOCK-A由卷积层以及LeakyReLU()激活函数组成，这里采用常规卷积层即可，如图7所示；残差卷积模块BLOCK-B通过叠加1x1、3x3的卷积核以及跳层构成，如图8所示；残差卷积模块BLOCK-C通过叠加1x1、1x3、3x1的卷积核以及跳层构成，如图9所示。由于同一层有各种不同尺度的卷积核，能够同时学习到稀疏、不稀疏特征，而跳层(shortcuts)则保证网络能够同时考虑深层与浅层网络特征。网络结构设计中的上述两个特性，增加了网络的特征表达能力。
第二种，如图10所示，特征提取网络利用模块化拼接思想构成，使网络宽度、深度都可根据需要进行扩增，其低层由K个卷积模块BLOCK-D构成，高层则引入Q个自监督卷积模块BLOCK-F，后续跟高层连接一个卷积层及tanh()激活函数，这里采用常规卷积层即可；K可配置，取值范围为4-6之间的整数，默认值为5，Q可配置，取值范围为1-3之间的整数，默认值为1。
其中，卷积模块BLOCK-D由卷积层以及LeakyReLU()激活函数组成，这里采用常规卷积层即可，如图11所示；自监督卷积模块BLOCK-F通过相互叠加的多个1x1、3x3的卷积核以及均值池化层，使得同一层有各种不同尺度的卷积核，能够同时学习到稀疏、不稀疏特征，增加了网络的特征表达能力，如图12所示。
第三种，如图13所示，特征提取网络包括多个常规卷积层，在所述多个常规卷积层的中间位置引入一个BLOCK-G模块。特征提取网络提取图像块的特征信息，以便后续分类网络能够正确预测图像块的相对位置。
BLOCK-G模块包括通过叠加1x1、3x3、5x5的卷积核以及最大池化层，使得同一层有各种不同尺度的卷积核，增加了网络的特征表达能力，如图14所示。
为提高图像异常检测模型的准确率以及鲁棒性，卷积神经网络单元还包括卷积神经网络模型检验单元；卷积神经网络模型检验单元包括模型校验单元和模型测试单元，所述模型校验单元用于检测训练得到的卷积网络模型的准确率；所述模型测试单元用于检测训练得到的卷积网络模型是否过拟合，以筛选出鲁棒性高的网络模型。
本申请所提供方案可用于但不限于对病理图像的分析，以对病理图像中肿瘤细胞图像结构：滤泡结构、岛状结构、梁索状结构、缎带结构、弥漫结构等的智能化、高效、定量分析为例，选取8名具有5年以上卵巢粒层细胞瘤诊断经验的病理医生，分别每人提供30张卵巢粒层细胞瘤的病理切片图像，分析其中的肿瘤细胞图像结构，然后计算准确率和平均时间，统计医生诊断状态，与采用本发明所提供方案相比较，其结果如下表1所示。
表1卵巢粒层细胞瘤病理切片图像分析结果的比较
从表1可知，采用本发明所提供方案进行病理切片中的肿瘤细胞图像结构(滤泡结构、岛状结构、梁索状结构、缎带结构、弥漫结构等)分析，其准确率高于专业病理医生，且能够获取量化结论(病理医生肉眼分析，仅能获得主观定性或半定量结论)。此外，本发明的方法的分析耗时更短，工作持续时间长。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种图像分析方法，其特征在于，包括以下步骤：
A、获得原始图像并对原始图像中的不同图像结构进行标注，对已标注图像数据进行分类、整理，划分出训练集、校验集、测试集；
B、构建图像异常检测模型，并对其进行训练，训练流程为：
B1：采用训练集中的图像，训练图像异常检测模型的特征提取网络；
所述步骤B1包括以下步骤：
B11：对训练集中的每一张图像，在其3×3网格的八邻域中任意选取一个图像块p,p的尺度与特征提取网络的接受野相同，然后针对图像块p的中心进行随机抖动，获取图像块p1，计算图像块p与p1交叉熵，作为子项损失函数Loss_1，其中，图像块p1相对p的真实相对位置为y{0,1,…,7}，yi指训练集中，类别i在y{0,1,…,7}这8个相对位置的图像块的数量；分类器Cφ被训练成正确地预测图像块p1与图像块p的相对位置，即y＝Cφ(fθ(p),fθ(p1))；ai是分类器计算出的类别i的置信度，N是训练集中的样本总数；
针对图像块p，在其5×5网格的四邻域的中，随机选择一个与图像块p同行或同列但不相邻的图像块p2,p2尺度与特征提取网络的接受野相同，计算图像块p与p2交叉熵，作为子项损失函数Loss_2，其中图像块p2相对p的真实相对位置为y{0,1,2,3},yi指训练集中，类别i在y{0,1,2,3}这4个相对位置的图像块的数量；分类器Cφ被训练成正确地预测图像块p2与图像块p的相对位置,即y＝Cφ(fθ(p),fθ(p2))，bi是分类器计算出的类别i的置信度；
针对图像块p，对p的四个相邻交叉区域，获取图像块p3、p4、p5、p6中的2～4个，计算p与p3、p4、p5、p6中选定图像块的L2范数距离，并求均值，作为子项损失函数Loss_3，||fθ(p)-fθ(p2+i)||2指图像块p与p3、p4、p5、p6中选定图像块的L2范数距离；
B12：计算网络模型的损失函数Loss＝λ1*Loss_1+λ2*Loss_2+Loss_3，λ1、λ2为损失函数中的权重值，均大于0，并利用Adam优化器，进行反向传播，实现特征提取网络模型的网络权重迭代、寻优；
B13：重复执行步骤B11～步骤B12直至指定轮数，再根据每轮训练的损失函数选择、保存特征提取网络和分类网络的最优权重；
B2：使用训练完成的特征提取网络，获取并保存训练集对应的特征集S，S←S∪{fθ(p)},即：针对训练集中每张图像，随机抽取一个图像块p,该图像块p与特征提取网络接受野相同，再通过训练得到的特征提取网络获取该图像块p的特征向量fθ(p)，图像块p上述特征向量整体构成特征向量集S；
B3：保存训练后的特征提取网络权重fθ以及训练集对应的特征向量集S；
C、将待分析图像输入训练后的图像异常检测模型中，对待分析图像中特定图像结构进行智能化、定量化分析。
2.根据权利要求1所述的图像分析方法，其特征在于，所述步骤B11包括以下步骤：
步骤1：对训练集中的每一张图像，任取一个图像块p，在图像块p的3×3网格的八邻域中,随机选取一个图像块p7,计算图像块p与p7交叉熵，作为子项损失函数Loss_4，其中，图像块p7相对p的真实相对位置为y{0,1,…,7}，yi指训练集中，类别i在y{0,1,…,7}这8个相对位置的图像块的数量；分类器Cφ被训练成正确地预测图像块p7与图像块p的相对位置，即/>ci是分类器计算出的类别i的概率值，N是训练集中的样本总数；
针对图像块p，在其5X5网络的四邻域的中，随机取一个与图像块p同行或同列但不相邻的图像块p8，计算p与p8的交叉熵，作为子项损失函数Loss_5，其中，图像块p8相对p的真实相对位置为y{0,1,2,3},yi指训练集中，类别i在y{0,1,2,3}这4个相对位置的图像块的数量；分类器Cφ被训练成正确地预测图像块p8与图像块p的相对位置，即/>di是分类器计算出的类别i的概率值；
步骤2：计算网络模型的损失函数Loss＝λ*Loss_4+Loss_5，λ为损失函数中的权重值，大于0，并利用Adam优化器，进行反向传播，实现特征提取网络模型的网络权重迭代、寻优；
步骤3：重复执行步骤1～步骤2指定轮数，再根据每轮训练的损失函数选择、保存特征提取网络和分类网络的最优权重。
3.根据权利要求1所述的图像分析方法，其特征在于，所述步骤C包括以下步骤：
C1：对待分析图像Itest进行滑窗分块，按滑动步长S像素划分与特征提取网络接收野相同大小的图像块，获得图像块序列，其中，分块后图像尺寸为W×W像素，且1≤S≤W；
C2：将滑窗分块后的图像块进行自适应分割，区分图像块中的目标和空白背景；即分割前景和背景，丢弃目标组织占比小于阈值T1的图像块，不进入后续处理；保留占比大于阈值T1的图像块，构成图像块序列{BLOCKi,j}，所述i、j分别是图像块在x、y坐标上的计数，共同构成了图像块的编号；
C3：将图像块序列{BLOCKi,j}中的图像块输入特征提取网络，获得图像Itest的异常特征图M；
C4：对异常特征图M进行阈值分割，利用分割后二值图像，计算特定图像结构类型在待分析图像Itest中的面积百分比。
4.根据权利要求3所述的图像分析方法，其特征在于，所述步骤C3具体为：将图像块序列{BLOCKi,j}通过特征提取网络，计算其异常值得分abnormali,j，并将图像块BLOCKi,j的异常值得分abnormali,j作为该图像块中每个像素的初始异常值得分，其中异常值得分abnormali,j＝minh∈S||f(p)-h||2，其中，图像块序列{BLOCKi,j}输入特征提取网络获取的特征向量为f(BLOCKi,j)，h为特征向量集S中的任一特征向量，||·||2代表L2范数距离，则minh∈S||f(p)-h||2则代表图像块BLOCKi,j的特征向量与特征向量集S中任意特征向量的最小L2范数距离；
计算待分析图像Itest通过特征提取网络后的异常特征图M：
计算测试图像Itest中每一个像素的异常得分值pi，j，待分析图像Itest中所有像素的异常得分值pi,j构成对应的异常特征图M，M、N分别指代图像块在x、y方向上的总数量。
5.根据权利要求3所述的图像分析方法，其特征在于，所述步骤C4具体为：
对异常特征图M根据阈值T2进行阈值分割，并计算特定图像结构的面积百分比其中，AREAGCT是待分析图像中的区域面积，对应序列{BLOCKi,j}中每个图像块的前景面积之和，AREASTRUCT是待分析图像中特定图像结构的面积，对应异常特征图M阈值分割后的前景面积减去序列{BLOCKi,j}中每个图像块的背景面积之和。
6.一种图像分析系统，其特征在于，包括处理器和存储器，所述处理器和存储器之间通过通信总线连接，相互通信，所述存储器存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-5任一项所述图像分析方法对应的操作。
CN202110338191.2A 2021-03-30 2021-03-30 图像分析方法及系统 Active CN113096080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110338191.2A CN113096080B (zh) 2021-03-30 2021-03-30 图像分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110338191.2A CN113096080B (zh) 2021-03-30 2021-03-30 图像分析方法及系统

Publications (2)

Publication Number Publication Date
CN113096080A CN113096080A (zh) 2021-07-09
CN113096080B true CN113096080B (zh) 2024-01-16

Family

ID=76671039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110338191.2A Active CN113096080B (zh) 2021-03-30 2021-03-30 图像分析方法及系统

Country Status (1)

Country Link
CN (1) CN113096080B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240968A (zh) * 2021-12-17 2022-03-25 联通(上海)产业互联网有限公司 一种分割图像中异常区域的自监督深度学习算法
CN116071318B (zh) * 2023-01-10 2024-01-16 四川文理学院 一种图像筛选方法及系统

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6625303B1 (en) * 1999-02-01 2003-09-23 Eastman Kodak Company Method for automatically locating an image pattern in digital images using eigenvector analysis
CN107292314A (zh) * 2016-03-30 2017-10-24 浙江工商大学 一种基于cnn的鳞翅目昆虫种类自动鉴别方法
CN108109152A (zh) * 2018-01-03 2018-06-01 深圳北航新兴产业技术研究院 医学图像分类和分割方法和装置
US10025950B1 (en) * 2017-09-17 2018-07-17 Everalbum, Inc Systems and methods for image recognition
CN109948693A (zh) * 2019-03-18 2019-06-28 西安电子科技大学 基于超像素样本扩充和生成对抗网络高光谱图像分类方法
CN109961051A (zh) * 2019-03-28 2019-07-02 湖北工业大学 一种基于聚类和分块特征提取的行人重识别方法
CN110378931A (zh) * 2019-07-10 2019-10-25 成都数之联科技有限公司 一种基于多摄像头的行人目标移动轨迹获取方法及系统
CN110516098A (zh) * 2019-08-26 2019-11-29 苏州大学 基于卷积神经网络及二进制编码特征的图像标注方法
WO2019232831A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 机场异物识别方法、装置、计算机设备及存储介质
CN110942012A (zh) * 2019-11-22 2020-03-31 上海眼控科技股份有限公司 图像特征提取方法、行人重识别方法、装置和计算机设备
CN111144454A (zh) * 2019-12-11 2020-05-12 北京工业大学 一种基于图像标记特定特征的延迟多标记学习方法
CN111242174A (zh) * 2019-12-31 2020-06-05 浙江大学 一种基于影像组学的肝癌图像特征提取与病理分类方法和装置
CN111368886A (zh) * 2020-02-25 2020-07-03 华南理工大学 一种基于样本筛选的无标注车辆图片分类方法
CN111428785A (zh) * 2020-03-23 2020-07-17 厦门大学 基于深度学习的河豚鱼个体识别方法
CN111476292A (zh) * 2020-04-03 2020-07-31 北京全景德康医学影像诊断中心有限公司 医学图像分类处理人工智能的小样本元学习训练方法
CN111985572A (zh) * 2020-08-27 2020-11-24 中国科学院自动化研究所 基于特征比较的通道注意力机制的细粒度图像识别方法
CN112016392A (zh) * 2020-07-17 2020-12-01 浙江理工大学 一种基于高光谱图像的大豆虫害程度的小样本检测方法
CN112446388A (zh) * 2020-12-05 2021-03-05 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统
WO2021043168A1 (zh) * 2019-09-05 2021-03-11 华为技术有限公司 行人再识别网络的训练方法、行人再识别方法和装置

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6625303B1 (en) * 1999-02-01 2003-09-23 Eastman Kodak Company Method for automatically locating an image pattern in digital images using eigenvector analysis
CN107292314A (zh) * 2016-03-30 2017-10-24 浙江工商大学 一种基于cnn的鳞翅目昆虫种类自动鉴别方法
US10025950B1 (en) * 2017-09-17 2018-07-17 Everalbum, Inc Systems and methods for image recognition
CN108109152A (zh) * 2018-01-03 2018-06-01 深圳北航新兴产业技术研究院 医学图像分类和分割方法和装置
WO2019232831A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 机场异物识别方法、装置、计算机设备及存储介质
CN109948693A (zh) * 2019-03-18 2019-06-28 西安电子科技大学 基于超像素样本扩充和生成对抗网络高光谱图像分类方法
CN109961051A (zh) * 2019-03-28 2019-07-02 湖北工业大学 一种基于聚类和分块特征提取的行人重识别方法
CN110378931A (zh) * 2019-07-10 2019-10-25 成都数之联科技有限公司 一种基于多摄像头的行人目标移动轨迹获取方法及系统
CN110516098A (zh) * 2019-08-26 2019-11-29 苏州大学 基于卷积神经网络及二进制编码特征的图像标注方法
WO2021043168A1 (zh) * 2019-09-05 2021-03-11 华为技术有限公司 行人再识别网络的训练方法、行人再识别方法和装置
CN110942012A (zh) * 2019-11-22 2020-03-31 上海眼控科技股份有限公司 图像特征提取方法、行人重识别方法、装置和计算机设备
CN111144454A (zh) * 2019-12-11 2020-05-12 北京工业大学 一种基于图像标记特定特征的延迟多标记学习方法
CN111242174A (zh) * 2019-12-31 2020-06-05 浙江大学 一种基于影像组学的肝癌图像特征提取与病理分类方法和装置
CN111368886A (zh) * 2020-02-25 2020-07-03 华南理工大学 一种基于样本筛选的无标注车辆图片分类方法
CN111428785A (zh) * 2020-03-23 2020-07-17 厦门大学 基于深度学习的河豚鱼个体识别方法
CN111476292A (zh) * 2020-04-03 2020-07-31 北京全景德康医学影像诊断中心有限公司 医学图像分类处理人工智能的小样本元学习训练方法
CN112016392A (zh) * 2020-07-17 2020-12-01 浙江理工大学 一种基于高光谱图像的大豆虫害程度的小样本检测方法
CN111985572A (zh) * 2020-08-27 2020-11-24 中国科学院自动化研究所 基于特征比较的通道注意力机制的细粒度图像识别方法
CN112446388A (zh) * 2020-12-05 2021-03-05 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于Faster R-CNN的铁路扣件状态检测研究;刘玉婷;张涛;王鑫;金映谷;;大连民族大学学报(第03期);全文 *
基于深度卷积神经网络的宫颈细胞病理智能辅助诊断方法;廖欣;郑欣;邹娟;冯敏;孙亮;杨开选;;液晶与显示(第06期);全文 *

Also Published As

Publication number Publication date
CN113096080A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
Gecer et al. Detection and classification of cancer in whole slide breast histopathology images using deep convolutional networks
US10846566B2 (en) Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
CN110659692B (zh) 基于强化学习和深度神经网络的病理图像自动标注方法
CN105427296B (zh) 一种基于超声图像低秩分析的甲状腺病灶图像识别方法
CN110287932B (zh) 基于深度学习图像语义分割的道路阻断信息提取方法
CN110853022B (zh) 病理切片图像的处理方法、装置、系统及存储介质
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
dos Santos et al. A relevance feedback method based on genetic programming for classification of remote sensing images
Rahaman et al. An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm
Morris A pyramid CNN for dense-leaves segmentation
CN109389129A (zh) 一种图像处理方法、电子设备及存储介质
Pan et al. Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks
KR101618996B1 (ko) 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치
CN113096080B (zh) 图像分析方法及系统
CN110008853B (zh) 行人检测网络及模型训练方法、检测方法、介质、设备
CN109685045A (zh) 一种运动目标视频跟踪方法及系统
CN114463637B (zh) 一种基于深度学习的冬小麦遥感识别分析方法和系统
CN108664986B (zh) 基于lp范数正则化的多任务学习图像分类方法及系统
CN113269257A (zh) 一种图像分类方法、装置、终端设备及存储介质
CN109191434A (zh) 一种细胞分化中的图像检测系统及检测方法
CN112215217B (zh) 模拟医师阅片的数字图像识别方法及装置
CN112102230A (zh) 超声切面识别方法、系统、计算机设备和存储介质
US11804029B2 (en) Hierarchical constraint (HC)-based method and system for classifying fine-grained graptolite images
Devisurya et al. Early detection of major diseases in turmeric plant using improved deep learning algorithm
CN113096079B (zh) 图像分析系统及其构建方法

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
GR01 Patent grant
GR01 Patent grant