CN113159156A - 一种用于宫颈癌数据分类的粗糙图卷积方法 - Google Patents
一种用于宫颈癌数据分类的粗糙图卷积方法 Download PDFInfo
- Publication number
- CN113159156A CN113159156A CN202110405276.8A CN202110405276A CN113159156A CN 113159156 A CN113159156 A CN 113159156A CN 202110405276 A CN202110405276 A CN 202110405276A CN 113159156 A CN113159156 A CN 113159156A
- Authority
- CN
- China
- Prior art keywords
- cervical cancer
- cancer data
- data
- pathological
- nodes
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于宫颈癌数据分类的粗糙图卷积方法,要从宫颈癌数据中获得宫颈癌病变细胞信息的数据集合及其决策分类;计算宫颈癌数据中决策属性的依赖度,约简子集的属性重要度;按照约简子集的重要度排序选择可以得到宫颈癌数据中病理特征约简子集R;将经过粗糙集处理后的宫颈数据集转换成拓扑图的形式,作为神经网络的输入;利用神经网络采取一阶切比雪夫ChebNet的方法进行图卷积,用半监督方法进行节点分类,所得到的结果经过可视化后可求出宫颈癌数据中数据所属的类。本发明能够有效提高对宫颈癌数据进行分类的效率和精度,对宫颈癌数据计算机智能辅助分类具有较强的应用价值。
Description
技术领域
本发明涉及医学信息智能处理技术领域,尤其涉及一种用于宫颈癌数据分类的粗糙图卷积方法。
背景技术
宫颈癌产生的原因有很多,例如病毒感染、性行为及分娩次数、吸烟、营养不良、卫生条件差等,人类乳头瘤病毒(HPV)感染在宫颈癌病因中具有重要作用。今年来,我国宫颈癌的发病率呈逐年上升趋势近年来其发病有年轻化的趋势。近几十年宫颈细胞学筛查的普遍应用,使宫颈癌和癌前病变得以早期发现和治疗,宫颈癌的发病率和死亡率已有明显下降。判断宫颈癌病变状况的有效办法是通过宫颈癌细胞的病理特征实验,然而实验却需要几十种细胞的病理特征实验结合在一起。
这会导致实验测试数据属性过多和数据量大,也会增加医生对宫颈癌患者的病变情况的判断方面的工作量。如何有效分析患者的宫颈癌病变信息和帮助医生有效地分析患者宫颈癌病变的症状。
如何解决上述技术问题为本发明面临的课题。
发明内容
本发明的目的在于提供一种用于宫颈癌数据分类的粗糙图卷积方法,本发明能有效地减少宫颈癌数据分类信息中冗余的属性,降低宫颈癌数据的检测时间和提高检测效率。
本发明的思想为:首先要从宫颈癌数据中获得宫颈癌病变细胞信息的数据集合及其决策分类;其次计算宫颈癌数据中决策属性的依赖度,约简子集的属性重要度;然后按照约简子集的重要度排序选择可以得到宫颈癌数据中病理特征约简子集R;接着,将经过粗糙集处理后的宫颈数据集转换成拓扑图的形式,作为神经网络的输入;最后,利用神经网络采取一阶切比雪夫ChebNet的方法进行图卷积,用半监督方法进行节点分类,所得到的结果经过可视化后可求出宫颈癌数据中数据所属的类。
本发明是通过如下措施实现的:一种用于宫颈癌数据分类的粗糙图卷积方法,其中,包括以下步骤:
步骤1、从UCI数据库中选取合适的采集宫颈癌数据,将所述宫颈癌数据转换为一个四元组决策信息系统S=<U,C∪D,V,f>,其中U={x1,x2,…,xN}表示宫颈癌数据中宫颈癌患者对象集合,N表示宫颈癌患者的个数,C={a1,a2,…,an}表示宫颈癌患者细胞病理特征的非空有限集合,n表示宫颈癌患者细胞病理特征的个数,D={d1,d2,…,dm}表示宫颈癌患者决策属性的非空有限集合,m表示宫颈癌患者决策属性的个数,且 V=∪a∈C∪ DVa,Va是宫颈癌患者细胞病理特征a的可能情况,f:U×C∪D→V是一个信息函数,它为每个宫颈癌患者细胞病理特征a赋予一个信息值,x∈U, f(x,a)∈Va;
步骤2、对由宫颈癌数据转换成的四元组决策信息系统S=<U,C∪D,V,f>采用启发式搜索计算约简,可以删除冗余属性,得到宫颈癌数据的病理特征约简子集R;
步骤3、构建一个稀疏图G={V,E},V代表图中的节点,E代表图的边,处理好的宫颈癌数据中的每个样本作为图的各个节点,图的边表示节点和节点之间的关联性,即表示宫颈癌例是否有相同的病理特征,可得到N*N的拓扑图的邻接矩阵A,N是图中由处理后的宫颈癌数据组成的节点的个数,N*F是图的特征矩阵X,F是每个由处理后的宫颈癌数据组成的节点的输入特征个数,定义该节点病理特征的个数就是输入特征的个数;
步骤4、采用图卷积神经网络模型GCN,把由约简后的宫颈癌数据转换成的拓扑图作为GCN的输入,用半监督的方法对由宫颈癌数据作为节点的拓扑图进行特征提取,将得到的结果可视化;
步骤5、利用上述训练好的基于粗糙集的图卷积神经网络模型对宫颈癌数据进行特征提取,获得宫颈癌数据的分类。
作为本发明提供的一种用于宫颈癌数据分类的粗糙图卷积方法进一步优化方案,所述步骤2的具体步骤如下:
步骤2.2、计算宫颈癌细胞病理特征集中每个病理特征ak∈C-R(k=1,2,…,n)相对于病理特征约简子集R的重要度,SIG(ak,R,D)=rR(D)-rR-{ak}(D)按照重要度从大到小的顺序得到候选病理特征集{a1′,a2′,…,an′};
计算可得到候选病理特征集为:{a4,a3,a5,a2,a1};
步骤2.3、将候选病理特征集中最大重要度对应的病理特征ak′将入病理特征约简子集 R,并将病理特征ak′从候选病理特征集中移除,直到候选病理特征集中的剩余属性的重要度为0时结束,输出病理特征约简子集R。
计算可得输出病理特征约简子集为:
{a4,a3};
作为本发明提供的一种用于宫颈癌数据分类的粗糙图卷积方法进一步优化方案,所述步骤4的具体步骤如下:
步骤4.1、半监督GCN的框架是由输入层、隐藏层、输出层组成,它的输入是由约简后的宫颈癌数据得到的拓扑图节点I1,I2,…,Iw组成,w代表节点的个数,每个节点都包含C维特征,其中有的节点为带标签节点,剩下的节点为不带标签的节点,设定有三个及以上病理特征的宫颈癌细胞组成的节点为带标签节点,要共同进行训练,经过卷积层的处理,最终输出F个分类对应的预测概率P1,P2,…,Pw;
步骤4.3、用于宫颈癌数据分类的图卷积神经网络模型的快速卷积公式如下:
步骤4.4、输入的A和X先第一层卷积和Relu非线性转换:
其中W(0)是输入层到隐藏层的权重矩阵;
步骤4.5、将经过Relu非线性转换的结果输入给第二层卷积,采用一阶近似ChebNet方法,再经过softmax转换后输出,公式如下:
其中W(1)是隐藏层到输出层的权重矩阵;图卷积神经网络的权重W(0),W(1)是通过梯度下降来进行训练的,softmax用于处理后的宫颈癌数据的分类过程中,它将多个神经元的输出映射到(0,1)区间内,即为概率,定义为
步骤4.6、使用该GCN进行特征提取后,得到由各个约简后的宫颈癌数据组成的节点的嵌入,经过可视化就得到各个由约简后的宫颈癌数据组成的节点所属的类别,即可得到宫颈癌数据的分类结果。
与现有技术相比,本发明的有益效果为:本发明提出一种用于宫颈癌数据分类的粗糙图卷积方法,由于通过宫颈癌数据生成的拓扑图上面每个节点的度不一样,所以没办法用同一尺寸的卷积和进行卷积运算,为了在这种拓扑图上有效提取空间特征,故选择使用 GCN模型,GCN是进行随机初始化的,即使不训练,完全使用随机初始化的参数,提取出来的特征表示效果也是不错的,有区分性,所以利用GCN可以有效地将节点标签信息传播到未标记的节点,能有效提高宫颈癌数据分类到效率和精度,对宫颈癌数据计算机智能辅助分类具有较强的应用价值。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明宫颈癌数据分类的粗糙图卷积方法框架结构图。
图2为本发明宫颈癌数据分类的粗糙图卷积方法流程图。
图3为本发明宫颈癌数据分类的粗糙图卷积方法的GCN神经网络模型图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。当然,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
参见图1至图3,本发明提供其技术方案为,一种用于宫颈癌数据分类的粗糙图卷积方法,其中,包括以下步骤:
以如下决策表为例,表1为原宫颈癌数据集
步骤1、将所述宫颈癌数据转换为一个四元组决策信息系统S=<U,C∪D,V,f>,其中 U={x1,x2,…,xN}表示宫颈癌数据中宫颈癌患者对象集合,N表示宫颈癌患者的个数, C={a1,a2,…,an}表示宫颈癌患者细胞病理特征的非空有限集合,n表示宫颈癌患者细胞病理特征的个数,D={d1,d2,…,dm}表示宫颈癌患者决策属性的非空有限集合,m表示宫颈癌患者决策属性的个数,且V=∪a∈C∪DVa,Va是宫颈癌患者细胞病理特征a的可能情况,f:U×C∪D→V是一个信息函数,它为每个宫颈癌患者细胞病理特征a赋予一个信息值,x∈U,f(x,a)∈Va;
以如下决策表为例,表1为原宫颈癌数据集决策表S:
U | a<sub>1</sub> | a<sub>2</sub> | a<sub>3</sub> | a<sub>4</sub> | a<sub>5</sub> | d |
u<sub>1</sub> | 0 | 1 | 0 | 0 | 0 | 1 |
u<sub>2</sub> | 0 | 0 | 0 | 0 | 1 | 1 |
u<sub>3</sub> | 0 | 1 | 0 | 0 | 0 | 0 |
u<sub>4</sub> | 1 | 0 | 0 | 1 | 0 | 0 |
u<sub>5</sub> | 1 | 0 | 0 | 1 | 0 | 1 |
u<sub>6</sub> | 0 | 0 | 1 | 0 | 0 | 1 |
u<sub>7</sub> | 0 | 0 | 1 | 0 | 0 | 0 |
u<sub>8</sub> | 1 | 0 | 0 | 0 | 1 | 1 |
步骤2、对由宫颈癌数据转换成的四元组决策信息系统S=<U,C∪D,V,f>采用启发式搜索计算约简,可以删除冗余属性,得到宫颈癌数据的病理特征约简子集R;
步骤3、构建一个稀疏图G={V,E},V代表图中的节点,E代表图的边,处理好的宫颈癌数据中的每个样本作为图的各个节点,图的边表示节点和节点之间的关联性,即表示宫颈癌例是否有相同的病理特征,可得到N*N的拓扑图的邻接矩阵A,N是图中由处理后的宫颈癌数据组成的节点的个数,N*F是图的特征矩阵X,F是每个由处理后的宫颈癌数据组成的节点的输入特征个数,定义该节点病理特征的个数就是输入特征的个数;
步骤4、采用图卷积神经网络模型GCN,把由约简后的宫颈癌数据转换成的拓扑图作为GCN的输入,用半监督的方法对由宫颈癌数据作为节点的拓扑图进行特征提取,将得到的结果可视化;
步骤5、利用上述训练好的基于粗糙集的图卷积神经网络模型对宫颈癌数据进行特征提取,获得宫颈癌数据的分类。
优选地,所述步骤2的具体步骤如下:
计算可得到候选病理特征集为:{a4,a3,a5,a2,a1};
步骤2.3、将候选病理特征集中最大重要度对应的病理特征ak′将入病理特征约简子集 R,并将病理特征ak′从候选病理特征集中移除,直到候选病理特征集中的剩余属性的重要度为0时结束,输出病理特征约简子集R。
计算可得输出病理特征约简子集为:
{a4,a3};
优选地,所述步骤4的具体步骤如下:
步骤4.1、半监督GCN的框架是由输入层、隐藏层、输出层组成,它的输入是由约简后的宫颈癌数据得到的拓扑图节点I1,I2,…,Iw组成,w代表节点的个数,每个节点都包含C维特征,其中有的节点为带标签节点,剩下的节点为不带标签的节点,设定有三个及以上病理特征的宫颈癌细胞组成的节点为带标签节点,要共同进行训练,经过卷积层的处理,最终输出F个分类对应的预测概率P1,P2,…,Pw;
步骤4.3、用于宫颈癌数据分类的图卷积神经网络模型的快速卷积公式如下:
步骤4.4、输入的A和X先第一层卷积和Relu非线性转换:
其中W(0)是输入层到隐藏层的权重矩阵;
步骤4.5、将经过Relu非线性转换的结果输入给第二层卷积,采用一阶近似ChebNet方法,再经过softmax转换后输出,公式如下:
其中W(1)是隐藏层到输出层的权重矩阵;图卷积神经网络的权重W(0),W(1)是通过梯度下降来进行训练的,softmax用于处理后的宫颈癌数据的分类过程中,它将多个神经元的输出映射到(0,1)区间内,即为概率,定义为
步骤4.6、使用该GCN进行特征提取后,得到由各个约简后的宫颈癌数据组成的节点的嵌入,经过可视化就得到各个由约简后的宫颈癌数据组成的节点所属的类别,即可得到宫颈癌数据的分类结果。
本发明的工作原理为:首先要从宫颈癌数据中获得宫颈癌病变细胞信息的数据集合及其决策分类;其次计算宫颈癌数据中决策属性的依赖度,约简子集的属性重要度;然后按照约简子集的重要度排序选择可以得到宫颈癌数据中病理特征约简子集R;接着,将经过粗糙集处理后的宫颈数据集转换成拓扑图的形式,作为神经网络的输入;最后,利用神经网络采取一阶切比雪夫ChebNet的方法进行图卷积,用半监督方法进行节点分类,所得到的结果经过可视化后可求出宫颈癌数据中数据所属的类。
本发明提出一种用于宫颈癌数据分类的粗糙图卷积方法,通过使用GCN模型,可以有效地将节点标签信息传播到未标记的节点,能有效提高宫颈癌数据分类到效率和精度,对宫颈癌数据计算机智能辅助分类具有较强的应用价值。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种用于宫颈癌数据分类的粗糙图卷积方法,其特征在于,包括以下步骤:
步骤1、从UCI数据库中选取合适的采集宫颈癌数据,将所述宫颈癌数据转换为一个四元组决策信息系统S=<U,C∪D,V,f>,其中U={x1,x2,…,xN}表示宫颈癌数据中宫颈癌患者对象集合,N表示宫颈癌患者的个数,C={a1,a2,…,an}表示宫颈癌患者细胞病理特征的非空有限集合,n表示宫颈癌患者细胞病理特征的个数,D={d1,d2,…,dm}表示宫颈癌患者决策属性的非空有限集合,m表示宫颈癌患者决策属性的个数,且V=∪a∈C∪DVa,Va是宫颈癌患者细胞病理特征a的可能情况,f:U×C∪D→V是一个信息函数,它为每个宫颈癌患者细胞病理特征a赋予一个信息值,x∈U,f(x,a)∈Va;
步骤2、对由宫颈癌数据转换成的四元组决策信息系统S=<U,C∪D,V,f>采用启发式搜索计算约简,可以删除冗余属性,得到宫颈癌数据的病理特征约简子集R;
步骤3、构建一个稀疏图G={V,E},V代表图中的节点,E代表图的边,处理好的宫颈癌数据中的每个样本作为图的各个节点,图的边表示节点和节点之间的关联性,即表示宫颈癌例是否有相同的病理特征,可得到N*N的拓扑图的邻接矩阵A,N是图中由处理后的宫颈癌数据组成的节点的个数,N*F是图的特征矩阵X,F是每个由处理后的宫颈癌数据组成的节点的输入特征个数,定义该节点病理特征的个数就是输入特征的个数;
步骤4、采用图卷积神经网络模型GCN,把由约简后的宫颈癌数据转换成的拓扑图作为GCN的输入,用半监督的方法对由宫颈癌数据作为节点的拓扑图进行特征提取,将得到的结果可视化;
步骤5、利用上述训练好的基于粗糙集的图卷积神经网络模型对宫颈癌数据进行特征提取,获得宫颈癌数据的分类。
3.根据权利要求1或2所述的用于宫颈癌数据分类的粗糙图卷积方法,其特征在于,所述步骤4的具体步骤如下:
步骤4.1、半监督GCN的框架是由输入层、隐藏层、输出层组成,它的输入是由约简后的宫颈癌数据得到的拓扑图节点I1,I2,…,Iw组成,w代表节点的个数,每个节点都包含C维特征,其中有的节点为带标签节点,剩下的节点为不带标签的节点,设定有三个及以上病理特征的宫颈癌细胞组成的节点为带标签节点,要共同进行训练,经过卷积层的处理,最终输出F个分类对应的预测概率P1,P2,…,Pw;
步骤4.3、用于宫颈癌数据分类的图卷积神经网络模型的快速卷积公式如下:
步骤4.4、输入的A和X先第一层卷积和Relu非线性转换:
其中W(0)是输入层到隐藏层的权重矩阵;
其中W(1)是隐藏层到输出层的权重矩阵;图卷积神经网络的权重W(0),W(1)是通过梯度下降来进行训练的,softmax用于处理后的宫颈癌数据的分类过程中,它将多个神经元的输出映射到(0,1)区间内,即为概率,定义为
步骤4.6、使用该GCN进行特征提取后,得到由各个约简后的宫颈癌数据组成的节点的嵌入,经过可视化就得到各个由约简后的宫颈癌数据组成的节点所属的类别,即可得到宫颈癌数据的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405276.8A CN113159156B (zh) | 2021-04-15 | 2021-04-15 | 一种用于宫颈癌数据分类的粗糙图卷积方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405276.8A CN113159156B (zh) | 2021-04-15 | 2021-04-15 | 一种用于宫颈癌数据分类的粗糙图卷积方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159156A true CN113159156A (zh) | 2021-07-23 |
CN113159156B CN113159156B (zh) | 2023-04-18 |
Family
ID=76867920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110405276.8A Active CN113159156B (zh) | 2021-04-15 | 2021-04-15 | 一种用于宫颈癌数据分类的粗糙图卷积方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159156B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334565A (zh) * | 2019-03-21 | 2019-10-15 | 江苏迪赛特医疗科技有限公司 | 一种显微镜病理照片的宫颈癌病变细胞分类系统 |
CN110674869A (zh) * | 2019-09-23 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 分类处理、图卷积神经网络模型的训练方法和装置 |
CN111274903A (zh) * | 2020-01-15 | 2020-06-12 | 合肥工业大学 | 一种基于图卷积神经网络的宫颈细胞图像分类方法 |
CN112163133A (zh) * | 2020-09-25 | 2021-01-01 | 南通大学 | 一种基于多粒度证据邻域粗糙集的乳腺癌数据分类方法 |
CN112434718A (zh) * | 2020-09-02 | 2021-03-02 | 武汉大学 | 基于深度图的新冠肺炎多模态特征提取融合方法及系统 |
-
2021
- 2021-04-15 CN CN202110405276.8A patent/CN113159156B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334565A (zh) * | 2019-03-21 | 2019-10-15 | 江苏迪赛特医疗科技有限公司 | 一种显微镜病理照片的宫颈癌病变细胞分类系统 |
CN110674869A (zh) * | 2019-09-23 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 分类处理、图卷积神经网络模型的训练方法和装置 |
CN111274903A (zh) * | 2020-01-15 | 2020-06-12 | 合肥工业大学 | 一种基于图卷积神经网络的宫颈细胞图像分类方法 |
CN112434718A (zh) * | 2020-09-02 | 2021-03-02 | 武汉大学 | 基于深度图的新冠肺炎多模态特征提取融合方法及系统 |
CN112163133A (zh) * | 2020-09-25 | 2021-01-01 | 南通大学 | 一种基于多粒度证据邻域粗糙集的乳腺癌数据分类方法 |
Non-Patent Citations (2)
Title |
---|
THOMAS N. KIPF ET AL: ""SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS"", 《ARXIV:1609.02907V4》 * |
胡清华等: ""基于邻域粒化和粗糙逼近的数值属性约简"", 《软件学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113159156B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nithya et al. | Evaluation of machine learning based optimized feature selection approaches and classification methods for cervical cancer prediction | |
Özyurt et al. | A novel liver image classification method using perceptual hash-based convolutional neural network | |
CN112308158B (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
CN108898160B (zh) | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 | |
CN107506761A (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
Zhong et al. | Cancer image classification based on DenseNet model | |
CN111460818B (zh) | 一种基于增强胶囊网络的网页文本分类方法及存储介质 | |
CN114496092B (zh) | 基于图卷积网络的miRNA和疾病关联关系预测方法 | |
Aslan et al. | Multi-classification deep CNN model for diagnosing COVID-19 using iterative neighborhood component analysis and iterative ReliefF feature selection techniques with X-ray images | |
CN113095382B (zh) | 基于ct图像的可解释性肺结核分类网络识别方法 | |
CN112434718B (zh) | 基于深度图的新冠肺炎多模态特征提取融合方法及系统 | |
Zheng et al. | Resnet-based model for cancer detection | |
CN110136113B (zh) | 一种基于卷积神经网络的阴道病理图像分类方法 | |
CN113159156B (zh) | 一种用于宫颈癌数据分类的粗糙图卷积方法 | |
Ripon et al. | Cervical cancer risk factors: classification and mining associations | |
Karani et al. | Comparison of performance of machine learning algorithms for cervical cancer classification | |
CN110210562B (zh) | 基于深度网络和稀疏Fisher矢量的图像分类方法 | |
Gupta et al. | Early detection and prevention of cervical cancer | |
CN112085742A (zh) | 一种基于上下文注意力的nafld超声视频诊断方法 | |
CN116072302A (zh) | 基于有偏随机森林模型的医疗不平衡数据分类方法 | |
Ramalingam et al. | Analysis of oral squamous cell carcinoma into various stages using pre-trained convolutional neural networks | |
CN116797817A (zh) | 基于自监督图卷积模型的自闭症疾病预测技术 | |
Peng et al. | Fully convolutional neural networks for tissue histopathology image classification and segmentation | |
CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 | |
CN115861292A (zh) | 基于ct图像二维投影及深度学习的肺结核传染性判别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |