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 PDF

Info

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
Application number
CN202110598699.6A
Other languages
English (en)
Other versions
CN113222061A (zh
Inventor
李佳奇
廖乐健
宋丹丹
贾美惠子
陈震东
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110598699.6A priority Critical patent/CN113222061B/zh
Publication of CN113222061A publication Critical patent/CN113222061A/zh
Application granted granted Critical
Publication of CN113222061B publication Critical patent/CN113222061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于双路小样本学习的MRI图像分类方法
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：
Figure BDA0003092131580000021
Figure BDA0003092131580000022
其中，参数
Figure BDA0003092131580000023
是参数
Figure BDA0003092131580000024
梯度更新后的参数值，
Figure BDA0003092131580000025
是梯度算子，
Figure BDA0003092131580000026
表示参数
Figure BDA0003092131580000027
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；
Figure BDA0003092131580000028
表示使用训练数据集Str建立参数
Figure BDA0003092131580000029
的损失函数；
Figure BDA0003092131580000031
表示使用测试数据集Ste建立参数
Figure BDA0003092131580000032
的损失函数；
Figure BDA0003092131580000033
Figure BDA0003092131580000034
表示使用测试数据集Ste建立参数
Figure BDA0003092131580000035
的损失函数，即参数
Figure BDA0003092131580000036
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：
Figure BDA0003092131580000037
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：
Figure BDA0003092131580000051
Figure BDA0003092131580000052
其中，参数
Figure BDA0003092131580000053
是参数
Figure BDA0003092131580000054
梯度更新后的参数值，LT是损失函数，Str是训练数据集，Ste测试数据集，α是学习率，此处设置默认值1e-4。
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：
Figure BDA0003092131580000055
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
Figure BDA0003092131580000061
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：
Figure FDA0003899439270000011
Figure FDA0003899439270000012
其中，参数
Figure FDA0003899439270000017
是参数
Figure FDA0003899439270000018
梯度更新后的参数值，
Figure FDA0003899439270000019
是梯度算子，
Figure FDA00038994392700000110
表示参数
Figure FDA00038994392700000111
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；
Figure FDA0003899439270000013
表示使用训练数据集Str建立参数
Figure FDA00038994392700000112
的损失函数；
Figure FDA0003899439270000014
表示使用测试数据集Ste建立参数
Figure FDA00038994392700000113
的损失函数；
Figure FDA0003899439270000015
表示使用测试数据集Ste建立参数
Figure FDA0003899439270000016
的损失函数，即参数
Figure FDA00038994392700000114
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。
7.根据权利要求6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6中，优化采用(4)实现：
Figure FDA0003899439270000021
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。
CN202110598699.6A 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 Active CN113222061B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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