CN113160166A - 通过卷积神经网络模型进行医学影像数据挖掘工作方法 - Google Patents

通过卷积神经网络模型进行医学影像数据挖掘工作方法 Download PDF

Info

Publication number
CN113160166A
CN113160166A CN202110409181.3A CN202110409181A CN113160166A CN 113160166 A CN113160166 A CN 113160166A CN 202110409181 A CN202110409181 A CN 202110409181A CN 113160166 A CN113160166 A CN 113160166A
Authority
CN
China
Prior art keywords
medical image
value
gray
abnormal
point
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
Application number
CN202110409181.3A
Other languages
English (en)
Other versions
CN113160166B (zh
Inventor
杨晓凡
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.)
Ningbo All Net Cloud Medical Technology Co ltd
Original Assignee
Chongqing Feitang Netscape Technology Co ltd
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 Chongqing Feitang Netscape Technology Co ltd filed Critical Chongqing Feitang Netscape Technology Co ltd
Priority to CN202110409181.3A priority Critical patent/CN113160166B/zh
Publication of CN113160166A publication Critical patent/CN113160166A/zh
Application granted granted Critical
Publication of CN113160166B publication Critical patent/CN113160166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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]

Landscapes

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

Abstract

本发明提出了一种通过卷积神经网络模型进行医学影像数据挖掘工作方法，包括：S1，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选模型形成医学图像异常特征候选特征库；S2，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。

Description

通过卷积神经网络模型进行医学影像数据挖掘工作方法
技术领域
本发明涉及图像识别领域，尤其涉及一种通过卷积神经网络模型进行医学影像数据挖掘工作方法。
背景技术
由于进行医疗检测过程中，需要收集海量的医疗图像进行比对和分析，采用传统的图像识别方法效率较低，随着神经网络学习的引入，进行有针对性的提取海量数据成为图像筛选分析的必然趋势，但是现有技术中图像数据是多元的，杂乱的，无序的状态，这就需要更加具体化的模型进行归类和提取，对图像轮廓信息筛选的更加准确，并且能够精准归类，这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种通过卷积神经网络模型进行医学影像数据挖掘工作方法。
为了实现本发明的上述目的，本发明提供了一种通过卷积神经网络模型进行医学影像数据挖掘工作方法，包括如下步骤：
S1，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选模型形成医学图像异常特征候选特征库；
S2，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。
优选的，所述S1包括：
S1-1，经过降噪之后的医学图像将图像进行异常特征提取，每张医学图像划分为N个区域，3≤N≤9，获取N个区域中每个区域的颜色变化值Change，对每张医学图像的N个区域在Lab空间下求均值M，
Figure BDA0003023489620000021
Figure BDA0003023489620000022
设置判断阈值S，通过均值求解之后的数值与判断阈值S进行比较，当均值超过阈值S则进行删除操作，当均值未超过阈值S则保存在医学图像候选数据集；
其中，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，d()为医学图像中对比度和灰度的量化函数，σ为量化调节因子，k为医学图像缩放比例的输出值，l为医学图像的属性权重，
Figure BDA0003023489620000023
为卷积计算；
优选的，所述S1还包括：
S1-2，进行卷积神经网络模型运算，对候选数据集中医学图像进行训练学习
Figure BDA0003023489620000024
ux为医学图像中某一区域坐标x的对比度幅值，uy为医学图像中某一区域坐标y的对比度幅值，vx为医学图像中某一区域坐标x的像素灰度幅值，uy为医学图像中某一区域坐标y的像素灰度幅值，ψ为图像幅值调节系数。
优选的，所述S1还包括：
S1-3，经过异常特征学习之后，由于医学图像的像素灰度幅值取值范围[0，255]，进行二进制比特流替换；
Figure BDA0003023489620000025
其中，
Figure BDA0003023489620000026
表示c位二进制值的指数函数，w为选取的像素点个数，将4×4的医学图像对应的第c位二进制设置为某一区域，在某一区域中对于异常颜色进行筛选，筛选模型表示为
Figure BDA0003023489620000031
其中，η为正的常数，P为某一区域的像素值，IP表示在医学图像某一区域中的饱和度，Io表示在医学图像某一区域中的灰度，灰度阈值函数
Figure BDA0003023489620000032
J(x)表示医学图像中像素的灰度值，图像最小灰度值
Figure BDA0003023489620000033
图像最大灰度值ε用于调节灰度值；Q(x)表示医学图像的某一区域内边缘探测函数，用于获取异常颜色区域；然后通过筛选模型形成医学图像异常特征候选特征库。
优选的，所述S2包括：
S2-1，以医学图像像素点为中心，对其半径为R＝1的圆上6-9个邻域点进行逐点采样，得到邻域点的基本序列，对于取得的每个采样点，将医学图像中某一区域相邻点的贡献度之和与该采样点灰度值进行平均，得到加权后的采样点灰度值；根据形成异常特征的，比较采样点与中心对称采样点灰度值的大小并进行二值化，对异常特征描述子的编码值为：
Figure BDA0003023489620000034
Figure BDA0003023489620000035
f表示逐点扫描医学图像像素点、qf和qf+1为医学图像中设置半径的圆上的逐点分布的采样点，φ两个采样点的灰度值的影响权值，p()为采样点特征函数，由于每个邻点均对医学图像中心的贡献影响两个采样点取值，且影响程度相等，因此两个采样点均分该邻点的贡献度，K取值范围为[0，1]的阈值，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，CS(u,v)为医学图像局部二值模式，t()为纹理直方图生成函数，
S2-2，以医学图像采样点划定8×8像素的邻域范围，对邻域中的每个像素点计算其异常特征梯度的模，然后用直方图来统计医学图像的不同等级编码值的梯度方向，梯度直方图的范围是0～360度，每个医学图像所划分的等级对直方图的贡献由编码值加权确定，然后按照从低到高的级别划分具有异常特征的医学图像。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
通过对图像进行Lab转换之后，把医学图像进行图像集合划分，能够并行进行图像噪声处理，对高斯滤波模型引入特征权重计算，从而完成降噪操作，获取异常颜色区域；然后通过筛选模型形成医学图像异常特征候选特征库；对每个医学图像所划分的等级对直方图的贡献由编码值加权确定，然后按照从低到高的级别划分具有异常特征的医学图像。
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是本发明总体示意图。
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。
如图1所示，本发明公开一种通过卷积神经网络模型进行医学影像数据挖掘工作方法，包括如下步骤：
S1，获取医学图像数据，对医学图像进行预处理，转换为Lab颜色空间图像；通过高斯滤波进行降噪；
S2，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选(边缘检测)模型形成医学图像异常特征候选特征库；
S3，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。
所述S1包括：
S1-1，根据医学图像的内容，进行预处理RGB医学图像，例如：RGB和Lab之间需要通过转换公式，将RGB颜色空间图像转换为XYZ空间，然后在通过XYZ空间获得L、a和b通道图像IL(x)，Ia(x)和Ib(x)
其中，
Figure BDA0003023489620000051
通过判断条件，当c＞0.3618时，校正函数
Figure BDA0003023489620000052
当c取其它数值时，
Figure BDA0003023489620000053
其中r,g,b分别为RGB图像R、G、B的通道值；
Figure BDA0003023489620000054
XYZ转Lab，
IL＝110h(Y/Yn)-10；
Ia＝255[h(X/Xn)-h(Y/Yn)]+255；
Ib＝300[h(Y/Yn)-h(Z/Zn)]+255；
当
Figure BDA0003023489620000055
判断颜色校正函数h(s)为
Figure BDA0003023489620000056
当s取其它赋值状态下，h(s)为其它状态下，
Figure BDA0003023489620000057
其中Xn＝96.051，Yn＝96.56和Zn＝101.99。
S1-2，删除进行Lab转换后无法展示对比度深浅的医学图像，对剩余医学图像通过降噪处理，将医学图像划分为i个图像集合，每个图像集合中包含j个图像样本，将医学图像的特征权值利用高斯滤波模型进行训练筛选，
所述特征权值计算过程为
Figure BDA0003023489620000061
其中，
Figure BDA0003023489620000062
为采集第i个图像集合中第j个图像样本的s个特征的特征权重，m为正整数，ci为第i个图像集合中的图像噪声提取值，μi为第i个图像集合中的图像提取因子，μj为第j个图像样本中的图像噪声调节因子，αj为第j个图像样本中测量的噪声值，β为图像噪声匹配参数；
对特征权重构建完成之后，根据特征权重
Figure BDA0003023489620000063
的提取的医学图像样本数构建状态均值向量
Figure BDA0003023489620000064
其中Ck为医学图像在k时刻特征变换值，
Figure BDA0003023489620000065
为医学图像在k+1时刻特征变换均值，上标T为转置，λ为噪声滤波因子，Mk为训练在k时刻医学图像的模型参数，Nk为训练在k时刻医学图像的异常特征参数，
通过对图像进行Lab转换之后，把医学图像进行图像集合划分，能够并行进行图像噪声处理，对高斯滤波模型引入特征权重计算，从而完成降噪操作，
所述S2包括：
S2-1，经过降噪之后的医学图像将图像进行异常特征提取，每张医学图像划分为N个区域，3≤N≤9，优选为3、6或9，获取N个区域中每个区域的颜色变化值Change，对每张医学图像的N个区域在Lab空间下求均值M，
Figure BDA0003023489620000071
Figure BDA0003023489620000072
设置判断阈值S，通过均值求解之后的数值与判断阈值S进行比较，当均值超过阈值S则进行删除操作，当均值未超过阈值S则保存在医学图像候选数据集；
其中，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，d()为医学图像中对比度和灰度的量化函数，σ为量化调节因子，k为医学图像缩放比例的输出值，l为医学图像的属性权重，
Figure BDA0003023489620000073
为卷积计算；
S2-2，进行卷积神经网络模型运算，对候选数据集中医学图像进行训练学习
Figure BDA0003023489620000074
ux为医学图像中某一区域坐标x的对比度幅值，uy为医学图像中某一区域坐标y的对比度幅值，vx为医学图像中某一区域坐标x的像素灰度幅值，uy为医学图像中某一区域坐标y的像素灰度幅值，ψ为图像幅值调节系数；
S2-3，经过异常特征学习之后，由于医学图像的像素灰度幅值取值范围[0，255]，进行二进制比特流替换；
Figure BDA0003023489620000075
其中，
Figure BDA0003023489620000076
表示c位二进制值的指数函数，w为选取的像素点个数，将4×4的医学图像对应的第c位二进制设置为某一区域，在某一区域中对于异常颜色进行筛选，筛选模型表示为
Figure BDA0003023489620000077
其中，η为正的常数，P为某一区域的像素值，IP表示在医学图像某一区域中的饱和度，Io表示在医学图像某一区域中的灰度，灰度阈值函数
Figure BDA0003023489620000078
J(x)表示医学图像中像素的灰度值，图像最小灰度值
Figure BDA0003023489620000083
图像最大灰度值ε用于调节灰度值；Q(x)表示医学图像的某一区域内边缘探测函数，用于获取异常颜色区域；然后通过筛选模型形成医学图像异常特征候选特征库；
所述S3包括：
S3-1，以医学图像像素点为中心，对其半径为R＝1的圆上6-9个邻域点进行逐点采样，得到邻域点的基本序列，对于取得的每个采样点，将医学图像中某一区域相邻点的贡献度之和与该采样点灰度值进行平均，得到加权后的采样点灰度值；根据形成异常特征的，比较采样点与中心对称采样点灰度值的大小并进行二值化，对异常特征描述子的编码值为：
Figure BDA0003023489620000081
Figure BDA0003023489620000082
f表示逐点扫描医学图像像素点、qf和qf+1为医学图像中设置半径的圆上的逐点分布的采样点，φ两个采样点的灰度值的影响权值，p()为采样点特征函数，由于每个邻点均对医学图像中心的贡献影响两个采样点取值，且影响程度相等，因此两个采样点均分该邻点的贡献度，K取值范围为[0，1]的阈值，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，CS(u,v)为医学图像局部二值模式，t()为纹理直方图生成函数，
S3-2，以医学图像采样点划定8×8像素的邻域范围，对邻域中的每个像素点计算其异常特征梯度的模，然后用直方图来统计医学图像的不同等级编码值的梯度方向，梯度直方图的范围是0～360度，每个医学图像所划分的等级对直方图的贡献由编码值加权确定，然后按照从低到高的级别划分具有异常特征的医学图像。
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 (5)

1.一种通过卷积神经网络模型进行医学影像数据挖掘工作方法，其特征在于，包括：
S1，通过卷积神经网络对医学图像中的异常特征进行训练学习，通过异常颜色筛选模型形成医学图像异常特征候选特征库；
S2，根据候选特征库建立特征点加权局部二值描述模型，将异常特征通过划分分别形成不同等级的的医学图像划分类别。
2.根据权利要求1所述的通过卷积神经网络模型进行医学影像数据挖掘工作方法，其特征在于，所述S1包括：
S1-1，经过降噪之后的医学图像将图像进行异常特征提取，每张医学图像划分为N个区域，3≤N≤9，获取N个区域中每个区域的颜色变化值Change，对每张医学图像的N个区域在Lab空间下求均值M，
Figure FDA0003023489610000011
Figure FDA0003023489610000012
设置判断阈值S，通过均值求解之后的数值与判断阈值S进行比较，当均值超过阈值S则进行删除操作，当均值未超过阈值S则保存在医学图像候选数据集；
其中，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，d()为医学图像中对比度和灰度的量化函数，σ为量化调节因子，k为医学图像缩放比例的输出值，l为医学图像的属性权重，
Figure FDA0003023489610000013
为卷积计算。
3.根据权利要求2所述的通过卷积神经网络模型进行医学影像数据挖掘工作方法，其特征在于，所述S1还包括：
S1-2，进行卷积神经网络模型运算，对候选数据集中医学图像进行训练学习
Figure FDA0003023489610000021
ux为医学图像中某一区域坐标x的对比度幅值，uy为医学图像中某一区域坐标y的对比度幅值，vx为医学图像中某一区域坐标x的像素灰度幅值，uy为医学图像中某一区域坐标y的像素灰度幅值，ψ为图像幅值调节系数。
4.根据权利要求2所述的通过卷积神经网络模型进行医学影像数据挖掘工作方法，其特征在于，所述S1还包括：
S1-3，经过异常特征学习之后，由于医学图像的像素灰度幅值取值范围[0，255]，进行二进制比特流替换；
Figure FDA0003023489610000022
其中，
Figure FDA0003023489610000023
表示c位二进制值的指数函数，w为选取的像素点个数，将4×4的医学图像对应的第c位二进制设置为某一区域，在某一区域中对于异常颜色进行筛选，筛选模型表示为
Figure FDA0003023489610000024
其中，η为正的常数，P为某一区域的像素值，IP表示在医学图像某一区域中的饱和度，Io表示在医学图像某一区域中的灰度，灰度阈值函数
Figure FDA0003023489610000025
J(x)表示医学图像中像素的灰度值，图像最小灰度值
Figure FDA0003023489610000026
图像最大灰度值ε用于调节灰度值；Q(x)表示医学图像的某一区域内边缘探测函数，用于获取异常颜色区域；然后通过筛选模型形成医学图像异常特征候选特征库。
5.根据权利要求1所述的通过卷积神经网络模型进行医学影像数据挖掘工作方法，其特征在于，所述S2包括：
S2-1，以医学图像像素点为中心，对其半径为R＝1的圆上6-9个邻域点进行逐点采样，得到邻域点的基本序列，对于取得的每个采样点，将医学图像中某一区域相邻点的贡献度之和与该采样点灰度值进行平均，得到加权后的采样点灰度值；根据形成异常特征的，比较采样点与中心对称采样点灰度值的大小并进行二值化，对异常特征描述子的编码值为：
Figure FDA0003023489610000031
Figure FDA0003023489610000032
f表示逐点扫描医学图像像素点、qf和qf+1为医学图像中设置半径的圆上的逐点分布的采样点，φ两个采样点的灰度值的影响权值，p()为采样点特征函数，由于每个邻点均对医学图像中心的贡献影响两个采样点取值，且影响程度相等，因此两个采样点均分该邻点的贡献度，K取值范围为[0，1]的阈值，u为每个医学图像中某一区域的对比度级别，v为每个医学图像中某一区域的灰度级别，CS(u,v)为医学图像局部二值模式，t()为纹理直方图生成函数，
S2-2，以医学图像采样点划定8×8像素的邻域范围，对邻域中的每个像素点计算其异常特征梯度的模，然后用直方图来统计医学图像的不同等级编码值的梯度方向，梯度直方图的范围是0～360度，每个医学图像所划分的等级对直方图的贡献由编码值加权确定，然后按照从低到高的级别划分具有异常特征的医学图像。
CN202110409181.3A 2021-04-16 2021-04-16 通过卷积神经网络模型进行医学影像数据挖掘工作方法 Active CN113160166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110409181.3A CN113160166B (zh) 2021-04-16 2021-04-16 通过卷积神经网络模型进行医学影像数据挖掘工作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110409181.3A CN113160166B (zh) 2021-04-16 2021-04-16 通过卷积神经网络模型进行医学影像数据挖掘工作方法

Publications (2)

Publication Number Publication Date
CN113160166A true CN113160166A (zh) 2021-07-23
CN113160166B CN113160166B (zh) 2022-02-15

Family

ID=76867991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110409181.3A Active CN113160166B (zh) 2021-04-16 2021-04-16 通过卷积神经网络模型进行医学影像数据挖掘工作方法

Country Status (1)

Country Link
CN (1) CN113160166B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160167A (zh) * 2021-04-16 2021-07-23 重庆飞唐网景科技有限公司 通过深度学习网络模型进行医学影像数据提取工作方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104658014A (zh) * 2015-02-10 2015-05-27 重庆金山科技（集团）有限公司 一种检测活体内色度异常的方法
CN106898007A (zh) * 2017-01-16 2017-06-27 南京邮电大学 一种基于稀疏表示的自适应加权双字典异常检测方法
CN107833631A (zh) * 2017-11-20 2018-03-23 新乡医学院 一种医学影像计算机辅助分析方法
US20180137321A1 (en) * 2015-07-23 2018-05-17 Fujian Landi Commercial Equipment Co., Ltd. Method and system for decoding two-dimensional code using weighted average gray-scale algorithm
CN108389187A (zh) * 2018-01-30 2018-08-10 李家菊 基于卷积神经网络法和支持向量机法的影像科图像识别方法
CN109740665A (zh) * 2018-12-29 2019-05-10 珠海大横琴科技发展有限公司 基于专家知识约束的遮挡图像船只目标检测方法及系统
CN109816641A (zh) * 2019-01-08 2019-05-28 西安电子科技大学 基于多尺度形态学融合的加权局部熵红外小目标检测方法
CN109993736A (zh) * 2019-03-29 2019-07-09 浙江大学 一种基于改进加权otsu算法的电气设备热成像分割查异方法
CN110428475A (zh) * 2019-06-21 2019-11-08 腾讯科技（深圳）有限公司 一种医学图像的分类方法、模型训练方法和服务器
CN110880177A (zh) * 2019-11-26 2020-03-13 北京推想科技有限公司 一种图像识别方法及装置
CN111489364A (zh) * 2020-04-08 2020-08-04 重庆邮电大学 基于轻量级全卷积神经网络的医学图像分割方法
US20200303062A1 (en) * 2017-09-28 2020-09-24 Beijing Sigma Liedun Information Technology Co., Ltd. Medical image aided diagnosis method and system combining image recognition and report editing
CN111950389A (zh) * 2020-07-22 2020-11-17 重庆邮电大学 一种基于轻量级网络的深度二值特征人脸表情识别方法
CN112132831A (zh) * 2020-11-26 2020-12-25 北京小蝇科技有限责任公司 一种白细胞散点图异常联合检测方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104658014A (zh) * 2015-02-10 2015-05-27 重庆金山科技（集团）有限公司 一种检测活体内色度异常的方法
US20180137321A1 (en) * 2015-07-23 2018-05-17 Fujian Landi Commercial Equipment Co., Ltd. Method and system for decoding two-dimensional code using weighted average gray-scale algorithm
CN106898007A (zh) * 2017-01-16 2017-06-27 南京邮电大学 一种基于稀疏表示的自适应加权双字典异常检测方法
US20200303062A1 (en) * 2017-09-28 2020-09-24 Beijing Sigma Liedun Information Technology Co., Ltd. Medical image aided diagnosis method and system combining image recognition and report editing
CN107833631A (zh) * 2017-11-20 2018-03-23 新乡医学院 一种医学影像计算机辅助分析方法
CN108389187A (zh) * 2018-01-30 2018-08-10 李家菊 基于卷积神经网络法和支持向量机法的影像科图像识别方法
CN109740665A (zh) * 2018-12-29 2019-05-10 珠海大横琴科技发展有限公司 基于专家知识约束的遮挡图像船只目标检测方法及系统
CN109816641A (zh) * 2019-01-08 2019-05-28 西安电子科技大学 基于多尺度形态学融合的加权局部熵红外小目标检测方法
CN109993736A (zh) * 2019-03-29 2019-07-09 浙江大学 一种基于改进加权otsu算法的电气设备热成像分割查异方法
CN110428475A (zh) * 2019-06-21 2019-11-08 腾讯科技（深圳）有限公司 一种医学图像的分类方法、模型训练方法和服务器
CN110880177A (zh) * 2019-11-26 2020-03-13 北京推想科技有限公司 一种图像识别方法及装置
CN111489364A (zh) * 2020-04-08 2020-08-04 重庆邮电大学 基于轻量级全卷积神经网络的医学图像分割方法
CN111950389A (zh) * 2020-07-22 2020-11-17 重庆邮电大学 一种基于轻量级网络的深度二值特征人脸表情识别方法
CN112132831A (zh) * 2020-11-26 2020-12-25 北京小蝇科技有限责任公司 一种白细胞散点图异常联合检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160167A (zh) * 2021-04-16 2021-07-23 重庆飞唐网景科技有限公司 通过深度学习网络模型进行医学影像数据提取工作方法
CN113160167B (zh) * 2021-04-16 2022-01-14 深圳市铱硙医疗科技有限公司 通过深度学习网络模型进行医学影像数据提取工作方法

Also Published As

Publication number Publication date
CN113160166B (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN110443128B (zh) 一种基于surf特征点精确匹配的指静脉识别方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN110428450B (zh) 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法
CN110472479B (zh) 一种基于surf特征点提取和局部lbp编码的指静脉识别方法
CN113554629A (zh) 基于人工智能的带钢红锈缺陷检测方法
CN105809121A (zh) 多特征协同的交通标志检测与识别方法
CN116385450B (zh) 基于图像处理的ps片材抗耐磨性检测方法
CN117253024B (zh) 一种基于机器视觉的工业盐质检管控方法及系统
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN116246174B (zh) 基于图像处理的甘薯种类识别方法
CN117994154B (zh) 一种基于传感器的图像智能去噪方法
CN113160166B (zh) 通过卷积神经网络模型进行医学影像数据挖掘工作方法
CN113034403B (zh) 医学影像数据通过高斯滤波进行降噪的工作方法
CN116703251A (zh) 基于人工智能的胶圈生产质量检测方法
CN112419278A (zh) 一种基于深度学习的实木地板分类方法
CN112509026A (zh) 一种绝缘子裂缝长度识别方法
CN116823725A (zh) 一种基于支持向量机的航空发动机叶片表面缺陷检测方法
CN115272225A (zh) 一种基于对抗学习网络的带钢表面缺陷检测方法及系统
CN112784922A (zh) 智能云端医疗影像的提取和分类方法
CN113160167B (zh) 通过深度学习网络模型进行医学影像数据提取工作方法
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
CN114065798A (zh) 基于机器识别的视觉识别方法及装置
CN116958126A (zh) 基于计算机视觉的模具注塑检测方法及系统
CN115063679B (zh) 一种基于深度学习的路面质量评估方法
CN110349119A (zh) 基于边缘检测神经网络的路面病害检测方法和装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220117

Address after: 13-4-c, Huashang building, No. 100, Xinghai South Road, hi tech Zone, Ningbo, Zhejiang 315000

Applicant after: Ningbo All Net Cloud Medical Technology Co.,Ltd.

Address before: 401120 6-2, unit 1, building 14, Xiangzhi Tinglan, no.6, langui Avenue, shuanglonghu street, Yubei District, Chongqing

Applicant before: Chongqing feitang Netscape Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant