CN113222061B - 一种基于双路小样本学习的mri图像分类方法 - Google Patents
一种基于双路小样本学习的mri图像分类方法 Download PDFInfo
- Publication number
- CN113222061B CN113222061B CN202110598699.6A CN202110598699A CN113222061B CN 113222061 B CN113222061 B CN 113222061B CN 202110598699 A CN202110598699 A CN 202110598699A CN 113222061 B CN113222061 B CN 113222061B
- Authority
- CN
- China
- Prior art keywords
- mri
- data
- images
- small sample
- image 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.)
- Active
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
- 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
- G06F18/25—Fusion 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
-
- 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
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种小样本MRI图像分类方法,属于图像识别技术领域。所述方法包括:1)获取待分析的患者MRI图像数据,提取MRI‑T1w和MRI‑T2w时序图像;2)对时序图像进行归一化处理;3)对获取的归一化后数据分成训练集和测试集;4)将训练集的MRI‑T1w和MRI‑T2w时序图像分成两路独立输入到K个卷积层;5)对卷积层数据进行元迁移优化;6)将双路经过元迁移优化K层卷积层的数据进行融合,合成一路数据,输入到全连接层,生成训练好的双路小样本学习MRI图像分类模型,并输出图像分类的结果。本发明提出的双路分析模型能在小样本MRI图像情况下提升图像分类的准确性。
Description
技术领域
本发明涉及一种MRI图像分类方法,尤其涉及一种基于双路小样本学习的MRI图像分类方法,属于图像识别技术领域。
背景技术
在现代医学领域中,通过核磁共振图像(Magnetic Resonance Imaging,MRI)进行疾病诊断是一种常见医疗诊断方式。由于MRI图像中蕴含了大量的信息,同时不同疾病的MRI图像也千差万别。过往的疾病诊断常常需要借助有经验的医生对MRI图像进行分析,但是不同资历的医生对于疾病的诊断就会有一定的差异。因此,人工智能技术的发展,应用深度学习算法对MRI图像中的特征数据进行有效分析,将能够对医生进行疾病诊断提供辅助作用。
传统的特征提取方法往往受先验知识的限制,只能提取与特定应用相关的特征。医生需要用肉眼从多张MRI图像数据中寻找组织的病变情况,这一过程不仅需要消耗大量的时间,而且不同医生的标准不一致,还存在一定的误诊情况。
深度学习是一种有用的病变检测和分类技术,可以从MRI图像中发现大量肉眼难以发现的疾病特征。但是传统的深度学习方法需要数千张图像数据进行模型的预训练。但是往往带有疾病特征的MRI图像都非常的有限(疾病特征MRI图像数量一张到几十张不等),这些数据对于深度学习模型的预训练就显得非常不足,无法完成模型的预训练过程。
目前已有的深度学习技术虽然能够进行MRI图像分类,但是在带有疾病特征MRI图像数量有限的情况下,尤其是只有一张到十张图像的情况下,MRI图像分类的准确性还存在很大提升空间。本发明的目的是致力于解决在疾病特征MRI图像数量有限情况下图像分类准确性不足的问题,提出一种通过提取MRI图像中的MRI-T1w和MRI-T2w时序图像作为输入数据源,使用双路独立通道将MRI-T1w和MRI-T2w时序图像依次送入到卷积层中进行分析,同时结合元迁移的方法对此部分进行优化处理,然后将双路数据在卷积层结尾进行融合,送入到全连接层,进而对患者疾病MRI图像进行分类。
发明内容
本发明的目的在于解决在疾病特征MRI图像数量有限情况下图像分类准确性不足的问题,提出了一种基于双路小样本学习的MRI图像分类方法。
为达到上述目的,本发明采取如下具体技术方案:
所述MRI图像分类方法,包括以下步骤:
步骤1:获取待分析的MRI图像数据,从MRI图像中提取出MRI-T1w和MRI-T2w时序图像;
其中,提取的MRI-T1w和MRI-T2w时序图像,包括每位患者MRI图像数据中的MRI-T1w和MRI-T2w时序图像;
步骤2:对步骤1中获取的所有MRI-T1w和MRI-T2w时序图像进行归一化处理,得到归一化后数据;
其中,归一化处理具体采用公式(1)来实现:
Xnormal=(X-Xmin)/(Xmax-Xmin) (1)
其中,X表示MRI-T1w和MRI-T2w时序图像中的任意一个点,Xnormal是表示该任意点X归一化后的数值;Xmax和Xmin分别是当前MRI-T1w和MRI-T2w时序图像中数据的最大值和最小值;
步骤3:将步骤2中获取的归一化后数据分成训练集和测试集;
其中,训练集和测试集中分别包括归一化后数据的x%和1-x%,且x的范围是60到80;
步骤4:将步骤3中训练集的MRI-T1w和MRI-T2w时序图像分成两路,执行双路独立运行模式输入到K个卷积层;
其中,K的取值范围为8到15层;
其中,输入的MRI-T1w和MRI-T2w时序图像是步骤1中同一患者MRI图像中提取出的时序图像;
步骤5:将步骤4中K个卷积层数据执行双路独立运行模式,进行元迁移优化,输出双路经过元迁移优化后的数据,具体为:将步骤4中K层卷积层的前M层输入数据保持不变,后K-M层替换成某种固定疾病的图像,此处与步骤4相同,也执行双路独立运行模式;
其中,M的范围是5到7;
其中,元迁移优化的参数更新采用公式(2)(3)来实现:
其中,参数是参数梯度更新后的参数值,是梯度算子,表示参数的梯度;LT是损失函数,Str是训练数据集,Ste测试数据集,α是学习率;argmin是目标函数取最小值时的变量值;表示使用训练数据集Str建立参数的损失函数;表示使用测试数据集Ste建立参数的损失函数; 表示使用测试数据集Ste建立参数的损失函数,即参数的损失函数;
步骤6:将步骤5中双路经过元迁移优化的K个卷积层数据进行融合,合成一路数据,再对合成的一路数据进行优化;
其中,优化采用(4)实现:
其中,Θ是特征提取参数,θ是特征分类参数,LT是损失函数;[Θ;θ]表示构建的特征提取和分类参数;[Θ;θ]′表示参数[Θ;θ]梯度更新后的参数值;LT([Θ;θ])表示参数[Θ;θ]的损失函数;
步骤7:将步骤6中优化后的数据输入到N个全连接层,输出结果为MRI图像的分类结果,即输出MRI图像存在的疾病诊断结果;
其中,N的范围是1到3;
至此,从步骤1到步骤7,完成了一种基于双路小样本学习的MRI图像分类方法。
有益效果
本发明提出了一种基于双路小样本学习的MRI图像分类方法,对比现有技术,具备以下有益效果:
1.所述方法传统深度学习模型进行MRI图像疾病诊断需要数千张疾病MRI图像数据,本发明在MRI图像分类中仅需要一张到几十张不等疾病MRI图像数据即可构建稳定模型;
2.所述方法能高效的使用有限MRI图像进行疾病预判,识别率高,可以辅助医生进行疾病诊断。
附图说明
图1是一种基于双路小样本学习的MRI图像分类方法流程图;
图2是双路卷积神经网络模型结构示意图;
图3是基于双路卷积神经网络的元迁移优化部分结构示意图。
具体实施方式
本发明一种基于双路小样本学习的MRI图像分类方法,对于罕见疾病,往往存在较少的MRI图像样本,不同医生的阅历不同,可能对于罕见疾病的诊断存在一定的差异性和误诊率。本发明属于图像识别技术领域,用于辅助医生阅片,按照既往罕见疾病的MRI图像数据诊断结果,给出标准较为统一的参考诊断结果,从而提高诊断结果的统一性、效率和准确性。所述方法包括:1)获取待分析的患者MRI图像数据,提取MRI-T1w和MRI-T2w时序图像;2)对时序图像进行归一化处理;3)对获取的归一化后数据分成训练集和测试集;4)将训练集的MRI-T1w和MRI-T2w时序图像分成两路独立输入到K个卷积层;5)对卷积层数据进行元迁移优化;6)将双路经过元迁移优化K层卷积层的数据进行融合,合成一路数据,输入到全连接层,生成训练好的双路小样本学习MRI图像分类模型,并输出图像分类的结果。本发明提出的双路分析模型能在小样本MRI图像情况下提升图像分类的准确性。
为了更好地说明本发明的技术方案,下面结合附图1、附图2、附图3对本发明一种基于双路小样本学习的MRI图像分类方法做进一步说明和详细描述。
图1为本发明一种基于双路小样本学习的MRI图像分类方法的流程图,包括对患者MRI图像原始数据进行筛选,选择MRI-T1w和MRI-T2w时间序列图像作为数据源,进行数据预处理的过程采用归一化的方法进行处理,使得不同MRI图像间具有统一的分析标准;然后将经过预处理的数据分为训练集和测试集;训练集数据进行双路小样本分析,卷积神经网络模型建立时,需要分两路独立输入MRI-T1w和MRI-T2w时序图像;为了提升图像分析的准确性,在模型建立时,使用了元迁移模型进行优化;使用测试集的数据在经过初始化和参数优化的MRI图像分析模型上验证,可以分析MRI图像中存在的疾病情况。图2是双路卷积神经网络模型结构示意图,MRI-T1w和MRI-T2w时序图像分成两路独立输入到卷积层,两卷积层输出合并后再输入到全连接层。图3是双路卷积神经网络的元迁移优化部分结构示意图,其中每个矩形块代表一层卷积层,该处卷积层数共9层,前六层是正常人群MRI-T1w和MRI-T2w时序图像的输入,后三层则输入具有疾病特征的MRI-T1w和MRI-T2w时序图像。
一种基于双路小样本学习的MRI图像分类方法,包括以下步骤:
步骤1:获取待分析的MRI图像数据,从MRI图像中提取出MRI-T1w和MRI-T2w时序图像;
其中,提取的MRI-T1w和MRI-T2w时序图像,包括每位患者MRI图像数据中的MRI-T1w和MRI-T2w时序图像,此部分准备了正常人的MRI图像3500张和五类疾病的图像各20张;
步骤2:对步骤1中获取的所有MRI-T1w和MRI-T2w时序图像进行归一化处理;
其中,归一化处理采用公式(1)来实现:
Xnormal=(X-Xmin)/(Xmax-Xmin) (1)
其中,X表示MRI-T1w和MRI-T2w时序图像中任意一个点,Xnormal是归一化后的数值;Xmax和Xmin分别是当前MRI-T1w和MRI-T2w图像中数据的最大值和最小值;
步骤3:对步骤2中获取的数据分成训练集和测试集,测试数据和验证数据的比例是4:1;
步骤4:将步骤3中训练集的MRI-T1w和MRI-T2w时序图像分成两路独立输入到卷积神经网络的卷积层,此处设置9层卷积层;
其中,输入的MRI-T1w和MRI-T2w时序图像是步骤1中同一患者MRI图像中提取出的时序图像;
步骤5:将步骤4中卷积层数据进行元迁移优化,提升对特定疾病特征分类的识别率;
其中,将步骤4中9层卷积层的前6层输入数据保持不变,后3层替换成某种固定疾病的图像,此处也是执行双路独立运行的模式;
其中,此处迁移优化的参数更新采用公式(2)(3)来实现:
步骤6:将步骤5中双路经过元迁移优化9层卷积层的数据进行融合,合成一路数据;
其中,步骤4、步骤5和步骤6中采用(4)进行优化:
其中,Θ是特征提取参数,θ是特征分类参数,LT是损失函数;
步骤7:将步骤6中的数据输入到2个全连接层,输出结果为MRI图像的分类结果,即输出MRI图像存在的疾病诊断结果。
为了验证少量疾病特征图像情况下图像分类的准确度,分别采用每种疾病1张图片、每种疾病5张图片、每种疾病10张图片进行图像分类实验,不同方法分类准确率实验结果如表一所示。
表一 不同方法MRI图像识别准确率
以上所述的具体描述,仅为本发明的具体实施例,仅用于解释本发明而非对本发明的限制。凡是不脱离本发明所公开的精神下完成的等效或修改,均应在本发明的保护范围之内。
Claims (7)
1.一种基于双路小样本学习的MRI图像分类方法,其特征在于:包括以下步骤:
步骤1:获取待分析的MRI图像数据,从MRI图像中提取出MRI-T1w和MRI-T2w时序图像;
步骤2:对步骤1中获取的所有MRI-T1w和MRI-T2w时序图像进行归一化处理,得到归一化后数据;
步骤3:将步骤2中获取的归一化后数据分成训练集和测试集;
步骤4:将步骤3中训练集的MRI-T1w和MRI-T2w时序图像分成两路,执行双路独立运行模式输入到K个卷积层;
其中,K的取值范围为8到15层;
步骤5:将步骤4中K个卷积层数据执行双路独立运行模式,进行元迁移优化,输出双路经过元迁移优化后的数据,具体为:将步骤4中K层卷积层的前M层输入数据保持不变,后K-M层替换成某种固定疾病的图像;
其中,M的范围是5到7;
其中,元迁移优化的参数更新采用公式(2)(3)来实现:
其中,参数是参数梯度更新后的参数值,是梯度算子,表示参数的梯度;LT是损失函数,Str是训练数据集,Ste测试数据集,α是学习率;argmin是目标函数取最小值时的变量值;表示使用训练数据集Str建立参数的损失函数;表示使用测试数据集Ste建立参数的损失函数;表示使用测试数据集Ste建立参数的损失函数,即参数的损失函数;
步骤6:将步骤5中双路经过元迁移优化的K个卷积层数据进行融合,合成一路数据,再对合成的一路数据进行优化;
步骤7:将步骤6中优化后的数据输入到N个全连接层,输出结果为MRI图像的分类结果;
其中,N的范围是1到3。
2.根据权利要求1所述的一种基于双路小样本学习的MRI图像分类方法,其特征在于:步骤1中,提取的MRI-T1w和MRI-T2w时序图像,包括每位患者MRI图像数据中的MRI-T1w和MRI-T2w时序图像。
3.根据权利要求2所述的一种基于双路小样本学习的MRI图像分类方法,其特征在于:步骤2中,归一化处理具体采用公式(1)来实现:
Xnormal=(X-Xmin)/(Xmax-Xmin) (1)
其中,X表示MRI-T1w和MRI-T2w时序图像中的任意一个点,Xnormal是表示该任意点X归一化后的数值;Xmax和Xmin分别是当前MRI-T1w和MRI-T2w时序图像中数据的最大值和最小值。
4.根据权利要求3所述的一种基于双路小样本学习的MRI图像分类方法,其特征在于:步骤3中,训练集和测试集中分别包括归一化后数据的x%和1-x%,且x的范围是60到80。
5.根据权利要求4所述的一种基于双路小样本学习的MRI图像分类方法,其特征在于:步骤4中,输入的MRI-T1w和MRI-T2w时序图像是步骤1中同一患者MRI图像中提取出的时序图像。
6.根据权利要求5所述的一种基于双路小样本学习的MRI图像分类方法,其特征在于:步骤5与步骤4相同,也执行双路独立运行模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598699.6A CN113222061B (zh) | 2021-05-31 | 2021-05-31 | 一种基于双路小样本学习的mri图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598699.6A CN113222061B (zh) | 2021-05-31 | 2021-05-31 | 一种基于双路小样本学习的mri图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222061A CN113222061A (zh) | 2021-08-06 |
CN113222061B true CN113222061B (zh) | 2022-12-09 |
Family
ID=77081821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110598699.6A Active CN113222061B (zh) | 2021-05-31 | 2021-05-31 | 一种基于双路小样本学习的mri图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222061B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751651A (zh) * | 2019-09-27 | 2020-02-04 | 西安电子科技大学 | 基于多尺度迁移学习的mri胰腺图像分割方法 |
CN110766053A (zh) * | 2019-09-23 | 2020-02-07 | 中国农业大学 | 基于双路卷积神经网络的玉米制种果穗筛分方法及装置 |
CN111079901A (zh) * | 2019-12-19 | 2020-04-28 | 南开大学 | 基于小样本学习的急性脑卒中病变分割方法 |
CN111563884A (zh) * | 2020-04-26 | 2020-08-21 | 北京小白世纪网络科技有限公司 | 基于神经网络的眼底疾病识别方法、计算机设备及介质 |
CN111709952A (zh) * | 2020-05-21 | 2020-09-25 | 无锡太湖学院 | 一种基于边缘特征优化的双流解码卷积神经网络的mri脑肿瘤自动分割方法 |
CN112861995A (zh) * | 2021-03-15 | 2021-05-28 | 中山大学 | 基于模型无关元学习的无监督少样本图像分类方法、系统及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210110306A1 (en) * | 2019-10-14 | 2021-04-15 | Visa International Service Association | Meta-transfer learning via contextual invariants for cross-domain recommendation |
-
2021
- 2021-05-31 CN CN202110598699.6A patent/CN113222061B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766053A (zh) * | 2019-09-23 | 2020-02-07 | 中国农业大学 | 基于双路卷积神经网络的玉米制种果穗筛分方法及装置 |
CN110751651A (zh) * | 2019-09-27 | 2020-02-04 | 西安电子科技大学 | 基于多尺度迁移学习的mri胰腺图像分割方法 |
CN111079901A (zh) * | 2019-12-19 | 2020-04-28 | 南开大学 | 基于小样本学习的急性脑卒中病变分割方法 |
CN111563884A (zh) * | 2020-04-26 | 2020-08-21 | 北京小白世纪网络科技有限公司 | 基于神经网络的眼底疾病识别方法、计算机设备及介质 |
CN111709952A (zh) * | 2020-05-21 | 2020-09-25 | 无锡太湖学院 | 一种基于边缘特征优化的双流解码卷积神经网络的mri脑肿瘤自动分割方法 |
CN112861995A (zh) * | 2021-03-15 | 2021-05-28 | 中山大学 | 基于模型无关元学习的无监督少样本图像分类方法、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于卷积网络特征迁移的小样本物体图像识别;白洁等;《计算机仿真》;20200515(第05期);全文 * |
基于时空融合卷积神经网络的异常行为识别;王泽伟等;《计算机工程与设计》;20200716(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113222061A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670510B (zh) | 一种基于深度学习的胃镜活检病理数据筛查系统 | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
CN109543719B (zh) | 基于多模态注意力模型的宫颈非典型病变诊断模型和装置 | |
CN111798464A (zh) | 基于深度学习的淋巴瘤病理图像智能识别方法 | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
CN104424386A (zh) | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 | |
WO2023104173A1 (zh) | 基于人脑功能磁共振影像的自闭症分类器构建方法及系统 | |
CN110991536B (zh) | 原发性肝癌的早期预警模型的训练方法 | |
CN111079901A (zh) | 基于小样本学习的急性脑卒中病变分割方法 | |
CN110189293A (zh) | 细胞图像处理方法、装置、存储介质及计算机设备 | |
CN110495888B (zh) | 一种基于中医舌、面图像的标准色卡及其应用 | |
CN112750132A (zh) | 基于双路径网络和通道注意的白细胞图像分割方法 | |
CN113284136A (zh) | 一种双损失函数训练的残差网络和XGBoost的医学图像分类方法 | |
CN113343755A (zh) | 红细胞图像中的红细胞分类系统及方法 | |
CN112348839A (zh) | 一种基于深度学习的图像分割方法及系统 | |
CN113052800B (zh) | 一种阿尔茨海默症影像分析方法与装置 | |
CN113222061B (zh) | 一种基于双路小样本学习的mri图像分类方法 | |
CN112200810A (zh) | 多模态的自动化脑室分割系统及其使用方法 | |
CN113553991A (zh) | 一种基于深度学习的舌象识别方法 | |
Rajakumaran et al. | IMPROVEMENT IN TONGUE COLOR IMAGE ANALYSIS FOR DISEASE IDENTIFICATION USING DEEP LEARNING BASED DEPTHWISE SEPARABLE CONVOLUTION MODEL [J] | |
Cheng et al. | Low rank self-calibrated brain network estimation and autoweighted centralized multi-task learning for early mild cognitive impairment diagnosis | |
CN108764367A (zh) | 一种基于关系正则化的特征图像提取装置及提取方法 | |
CN117058467B (zh) | 一种胃肠道病变类型识别方法及系统 | |
CN112950550B (zh) | 一种基于深度学习的2型糖尿病肾脏病变图像分类方法 | |
Subhija | Detection of Breast Cancer from Histopathological Images |
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 |