CN113256593A - 基于任务自适应神经网络架构搜索的肿瘤图像检测方法 - Google Patents

基于任务自适应神经网络架构搜索的肿瘤图像检测方法 Download PDF

Info

Publication number
CN113256593A
CN113256593A CN202110628621.4A CN202110628621A CN113256593A CN 113256593 A CN113256593 A CN 113256593A CN 202110628621 A CN202110628621 A CN 202110628621A CN 113256593 A CN113256593 A CN 113256593A
Authority
CN
China
Prior art keywords
task
neural network
tumor image
detection
adaptive neural
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
CN202110628621.4A
Other languages
English (en)
Other versions
CN113256593B (zh
Inventor
刘进
田龙
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.)
Sichuan Guolu'an Data Technology Co ltd
Original Assignee
Sichuan Guolu'an Data 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 Sichuan Guolu'an Data Technology Co ltd filed Critical Sichuan Guolu'an Data Technology Co ltd
Priority to CN202110628621.4A priority Critical patent/CN113256593B/zh
Publication of CN113256593A publication Critical patent/CN113256593A/zh
Application granted granted Critical
Publication of CN113256593B publication Critical patent/CN113256593B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/30016—Brain

Landscapes

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

Abstract

本申请提供了一种基于任务自适应神经网络架构搜索的肿瘤图像检测方法，在小样本场景下，通过对样本结构参数和网络参数的设计和训练，获得神经网络模块；再利用拟检测肿瘤图像的检测任务信息对该神经网络模块的结构参数进行修正，获得与检测任务适配的任务自适应神经网络。将其用作拟检测肿瘤图像的特征提取网络，用于获得提取的肿瘤图像的目标域，以及提取出上述目标域的多通道特征向量。进而采用级联多目标检测方法对上述多通道特征向量进行处理后，即可获得拟检测肿瘤图像的推荐检测框以及相关的检测任务信息。本申请较之现有预训练卷积神经网络具有更好的鲁棒性，能够高效适配各类肿瘤图像检测场景，实现智能化辅助检测。

Description

基于任务自适应神经网络架构搜索的肿瘤图像检测方法
技术领域
本申请涉及计算机技术领域，尤其是涉及一种基于任务自适应神经网络架构搜索的肿瘤图像检测方法。
背景技术
随着深度学习技术在计算机辅助诊断系统的广泛应用，基于深度卷积神经网络的图像检测技术已经在肿瘤图像检测方法中得到了迅速发展。目前，基于预训练的深度卷积神经网络技术已较为成熟，其被广泛应用于各类目标检测任务中。为保证检测精度，基于预训练的深度卷积神经网络需要大量的专家工作量对深度卷积网络的具体架构进行手工设计；同时，还需要采用大规模的数据集对上述深度卷积网络进行预训练。若将其应用于临床医学的各种图像检测，一方面，由于涉及的图像采集设备差异、患者隐私等因素，难以获得稳定的、大规模数据集，另一方面，临床医学图像的诊疗意义重大，对图像中的特征、指标的评价标准复杂、多样，特征或评价标准的变动都将导致上述深度卷积网络检测精度的急剧降低。因此，基于预训练的深度卷积神经网络方法无法很好地适配目前临床医学图像检测情况，特别是肿瘤图像检测。
发明内容
本申请的目的在于提供一种基于任务自适应神经网络架构搜索的肿瘤图像检测方法，以同类型设备可获取的较少的肿瘤检测信息为基础，通过元学习训练方式构建任务自适应神经网络模块，并由该任务自适应神经网络模块针对拟进行的肿瘤图像检测任务衍生堆叠出结构各异的卷积神经网络，进而获取拟进行的肿瘤图像检测任务信息，配合级联多目标检测网络，对各检测场景进行自动适配，实现智能化辅助检测，以助力专家提高诊断效率。
本申请所提供的基于任务自适应神经网络架构搜索的肿瘤图像检测方法，具体包括以下步骤：
S1.以已有肿瘤图像检测信息设计并训练网络模块的结构参数和网络参数，得到任务自适应神经网络模块；
S2.利用拟检测肿瘤图像的检测任务调整步骤S1得到的任务自适应神经网络模块的结构参数，获得与拟检测肿瘤图像的检测任务相适配的任务自适应神经网络；
S3.采用步骤S2获得的任务自适应神经网络作为特征提取网络，用于处理拟检测肿瘤图像，输出拟检测肿瘤图像目标域的多通道特征向量；
S4.整合步骤S3多通道特征向量后，输入至三层级联的多目标检测网络，得到拟检测肿瘤图像的检测框以及检测任务结果。
本申请步骤S1中使用的肿瘤图像样本量极少，每一类别病灶仅需一张样本即可。通过对样本结构参数和网络参数的设计和训练，在小样本场景下获得神经网络模块；再利用拟检测的肿瘤图像检测任务信息对该神经网络模块的结构参数进行修正，进而不断衍生出对应结构的卷积神经网络。上述卷积神经网络堆叠，从而形成具有任务自适应能力的神经网络模型。将该神经网络模型用作拟检测肿瘤图像的特征提取网络，用于获得提取的肿瘤图像的目标域，以及提取出上述目标域的多通道特征向量。进而采用级联多目标检测方法对上述多通道特征向量进行处理后，即可获得拟检测肿瘤图像的推荐检测框以及相关的检测任务信息。
本申请的一个实施例中，步骤S1具体包括：
S11.定义网络模块内的节点，并设定运算方式和系数；
S12.步骤S11定义的节点间的连接存在综合操作，该综合操作包括若干步骤S11设定的运算方式，将运算方式所对应的系数采用加权平均法进行处理，从而将节点的连接形式转换成连续的参数，得到结构参数；
S13.定义网络模块内各节点中卷积核权重和偏置量模型参数为网络参数；
S14.使用分步更新参数方法、同步更新参数方法中的任意一种或两种，训练结构参数和网络参数；
S15.利用步骤S14训练所得的结构参数解析出最大概率的节点连接形式。
根据已有肿瘤图像实际情况，首先定义出固定数量的节点，并设定一组运算方式（例如卷积的类别、池化的类别、取等以及置零等具体运算方式），以及定义每种运算方式相应的系数。对节点间连接的综合操作，使用对应系数的加权平均来表示，这样就将节点的连接形式转换成连续的参数，用作网络模块的结构参数。同时，定义网络模块内各个节点中卷积核权重和偏置量等模型参数为网络参数。利用分步更新和/或同步更新参数的方式，使用不同病灶类型以及不同样本数量的检测任务对神经网络模块的结构参数和网络参数进行训练，通过训练后的结构参数解析出最大概率的连接形成，从而获得任务自适应神经网络模块。
本申请的一个实施例中，步骤S14中，
分步更新参数方法具体包括：随机初始化结构参数和网络参数，在训练任务下采样出两个子任务，分别训练结构参数和网络参数；
同步更新参数方法具体包括：随机初始化结构参数和网络参数，使用训练任务对结构参数和网络参数进行同步更新。
本申请的一个实施例中，步骤S2具体包括：
S21.将拟检测肿瘤图像的检测任务信息输入步骤S1得到的任务自适应神经网络模块，由任务自适应神经网络模块根据已有肿瘤图像及其检测任务信息调整结构参数；
S22.随机初始化网络参数，获得与步骤S21中的检测任务适配的任务自适应神经网络。
由于肿瘤图像检测任务及其评价体系均具有的较为明确的指向性，因此，在采用拟检测肿瘤图像的检测任务信息对步骤S1已构建得到的任务自适应神经网络模块进行结构参数调整时，多为对节点连接形成权重的修改，其调整幅度不大，通常为微调，可不依赖人工，而由该任务自适应神经网络模块自身完成。
任务自适应神经网络模块在调整完结构参数后，重新随机初始化网络参数，从而获得能与拟检测肿瘤图像检测任务适配的任务自适应神经网络。
采用普通深度卷积神经网络的使用方法，将上述任务自适应神经网络用于处理拟检测肿瘤图像，输出得到该拟检测肿瘤图像的多通道特征向量，用于进行级联多目标检测。
为保证级联多目标检测的顺利实施，在进行多通道特征向量的传输前，须根据多目标检测网络要求，对上述多通道特征向量进行尺寸调整。
本申请的一个实施例中，步骤S4具体包括：
S41.输出的拟检测肿瘤图像目标域的多通道特征向量，并将整理合并的结果输出至区域选取网络（RPN）中进行处理，获得一系列候选框；
S42.选取若干感兴趣区域头部网络（ROI Head）处理步骤S41获得的候选框，输出拟检测肿瘤图像的检测框以及检测任务结果。
其中，
步骤S41具体包括：
S411.整理合并步骤S3中由任务自适应神经网络各层级输出的特征向量，获得一组特征图；
S412.区域选取网络选取步骤S411中特征图之一进行滑动窗口处理，通过全连接得到由表征分数的特征图和表征坐标的特征图组成的候选框。
步骤S42具体包括：
S421.感兴趣区域头部网络对候选框进行随机筛选和剪裁；
S422.通过全连接层对步骤S421中裁剪得到的特征图进行分类和回归，并输出回归结果。
步骤S421中须保证正负样本比例一定和总数一定。
步骤S422中可采用非极大抑制方法（NMS）处理所述回归结果。
本申请通过在小样本场景下获得的任务自适应神经网络对后续肿瘤图像及其检索任务信息进行自动适配，较之现有预训练卷积神经网络具有更好的鲁棒性，结合多目标检测方法构建得到任务自适应神经网络架构搜索模型，能够高效适配各类肿瘤图像检测场景，其检测准确度优于现有自动检测方法，效率优于医疗专家肉眼诊断检测。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请流程示意图。
图2为本申请实施例中所采用的部分确诊尿道内窥镜肿瘤图像。
图3为本申请实施例中任务自适应神经网络模块结构示意图。
图4为本申请实施例中进行级联多目标检测的流程示意图。
图5为本申请实施例中完成级联多目标检测后的部分识别结果示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本申请实施例的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
本申请实施例提供了一种基于任务自适应神经网络架构搜索的肿瘤图像检测方法，用于进行尿道内窥镜图像检测。
如图1所示，本申请实施例具体包括以下步骤：
S1.构建任务自适应神经网络模块：
（1）获取已有确诊尿道内窥镜肿瘤图像（如图2所示）及其诊断信息；
（2）根据上述图像及信息，设计网络模块节点、运算方式、系数、权重、参数等，将节点连接形式转换为参数，用作网络模块的结构参数；将各节点中卷积核权重和偏置量模型参数为网络参数；
（3）利用分步更新和同步更新相结合的方式，训练上述网络模块的结构参数和网络参数，由训练所得结构参数所对应的系数解析出最大概率的节点连接形式，从而构建得到任务自适应神经网络模块（如图3所示）。图中，节点间的连线示出了节点间的连接形式。针对每一网络模块，利用其已设定的运算方式，计算节点间连接形式对应的系数，并将设定好的权重赋予该系数；按照上述方法依次获得各网络模块中、对应节点的连接形式的加权系数。最后，采用加权平均法处理各加权系数，得到反应上述节点间可能存在的各种连接形式的的参数集。将通过训练任务得到的结构参数放入该参数集内进行对比后，获得最为接近的结构参数，并依此为基础，解析出最大概率的节点连接形式。
S2.构建任务自适应神经网络：
（4）将拟检测的肿瘤图像任务信息输入构建得到的任务自适应神经网络模块后，任务自适应神经网络模块微调部分节点连接权重，生成新的结构参数；
（5）以新生成的结构参数为基础，重新随机初始化网络模块的网络参数，获得与拟检测的肿瘤图像任务相适配的任务自适应神经网络。
S3.采用任务自适应神经网络处理拟检测肿瘤图像：
（6）采用普通深度卷积神经网络的使用方法使用上述任务自适应神经网络提取拟检测肿瘤图像的多通道特征向量；
（7）根据后续使用的级联多目标检测网络的要求，对所得多通道特征向量的尺寸进行适配性修改。
S4.级联多目标检测（如图4所示）：
（8）对上述多通道特征向量进行整理合并，获得一组特征图，将该特征图输出至区域选取网络中；
（9）由区域选取网络对一个特征图进行滑动窗口处理，该处理方法与经过卷积操作获取到新特征的方法相类似；
（10）通过全连接得到表征分数的特征图和表征坐标的特征图，即生成了一系列候选框；
（11）选取各类感兴趣区域头部网络对上述候选框进行随机筛选和剪裁，获得所需分类结果和预测框，将裁剪后的特征图通过全连接层进行分类和回归，最终输出拟检测肿瘤图像的检测框以及识别结果（如图4和图5所示）。

Claims (9)

1.基于任务自适应神经网络架构搜索的肿瘤图像检测方法，其特征在于，包括以下步骤：
S1.以已有肿瘤图像检测信息设计并训练网络模块的结构参数和网络参数，得到任务自适应神经网络模块；
S2.利用拟检测肿瘤图像的检测任务调整步骤S1得到的所述任务自适应神经网络模块的结构参数，获得与所述拟检测肿瘤图像的检测任务相适配的任务自适应神经网络；
S3.采用步骤S2获得的所述任务自适应神经网络作为特征提取网络，用于处理所述拟检测肿瘤图像，输出所述拟检测肿瘤图像目标域的多通道特征向量；
S4.整合步骤S3所述多通道特征向量后，输入至三层级联的多目标检测网络，得到所述拟检测肿瘤图像的检测框以及检测任务结果。
2.根据权利要求1所述的基于任务自适应神经网络架构搜索的肿瘤图像检测方法，其特征在于，步骤S1具体包括：
S11.定义网络模块内的节点，并设定运算方式和系数；
S12.步骤S11定义的节点间的连接存在综合操作，该综合操作包括若干步骤S11设定的运算方式，将运算方式所对应的系数采用加权平均法进行处理，从而将所述节点的连接形式转换成连续的参数，得到结构参数；
S13.定义所述网络模块内各节点中卷积核权重和偏置量模型参数为网络参数；
S14.使用分步更新参数方法、同步更新参数方法中的任意一种或两种，训练所述结构参数和所述网络参数；
S15.利用步骤S14训练所得的所述结构参数解析出最大概率的节点连接形式。
3.根据权利要求2所述的基于任务自适应神经网络架构搜索的肿瘤图像检测方法，其特征在于，步骤S14中，
所述分步更新参数方法具体包括：随机初始化结构参数和网络参数，在训练任务下采样出两个子任务，分别训练结构参数和网络参数；
所述同步更新参数方法具体包括：随机初始化结构参数和网络参数，使用训练任务对结构参数和网络参数进行同步更新。
4.根据权利要求2所述的基于任务自适应神经网络架构搜索的肿瘤图像检测方法，其特征在于，步骤S2具体包括：
S21.将所述拟检测肿瘤图像的检测任务信息输入步骤S1得到的所述任务自适应神经网络模块，所述任务自适应神经网络模块根据所述拟检测肿瘤图像的检测任务信息调整所述结构参数；
S22.随机初始化所述网络参数，获得与步骤S21中所述拟检测肿瘤图像的检测任务适配的任务自适应神经网络。
5.根据权利要求1~4中任意一项所述的基于任务自适应神经网络架构搜索的肿瘤图像检测方法，其特征在于，步骤S3中，所述多通道特征向量的尺寸与步骤S4所述多目标检测网络要求相符。
6.根据权利要求5所述的基于任务自适应神经网络架构搜索的肿瘤图像检测方法，其特征在于，步骤S4具体包括：
S41.整理合并步骤S3中输出的拟检测肿瘤图像目标域的多通道特征向量，并将整理合并的结果输出至区域选取网络中进行处理，获得一系列候选框；
S42.选取若干感兴趣区域头部网络处理步骤S41获得的所述候选框，输出所述拟检测肿瘤图像的检测框以及检测任务结果。
7.根据权利要求6所述的基于任务自适应神经网络架构搜索的肿瘤图像检测方法，其特征在于，步骤S41具体包括：
S411.整理合并步骤S3中由所述任务自适应神经网络各层级输出的特征向量，获得一组特征图；
S412.所述区域选取网络选取步骤S411中所述特征图之一进行滑动窗口处理，通过全连接得到由表征分数的特征图和表征坐标的特征图组成的候选框。
8.根据权利要求6所述的基于任务自适应神经网络架构搜索的肿瘤图像检测方法，其特征在于，步骤S42具体包括：
S421.所述感兴趣区域头部网络对所述候选框进行随机筛选和剪裁；
S422.通过全连接层对步骤S421中裁剪得到的特征图进行分类和回归，并输出回归结果。
9.根据权利要求8所述的基于任务自适应神经网络架构搜索的肿瘤图像检测方法，其特征在于，步骤S422中采用非极大抑制方法处理所述回归结果。
CN202110628621.4A 2021-06-07 2021-06-07 基于任务自适应神经网络架构搜索的肿瘤图像检测方法 Active CN113256593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110628621.4A CN113256593B (zh) 2021-06-07 2021-06-07 基于任务自适应神经网络架构搜索的肿瘤图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110628621.4A CN113256593B (zh) 2021-06-07 2021-06-07 基于任务自适应神经网络架构搜索的肿瘤图像检测方法

Publications (2)

Publication Number Publication Date
CN113256593A true CN113256593A (zh) 2021-08-13
CN113256593B CN113256593B (zh) 2021-10-26

Family

ID=77186662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110628621.4A Active CN113256593B (zh) 2021-06-07 2021-06-07 基于任务自适应神经网络架构搜索的肿瘤图像检测方法

Country Status (1)

Country Link
CN (1) CN113256593B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101064649A (zh) * 2007-02-02 2007-10-31 华为技术有限公司 选举超级节点、搜索网络节点或资源的方法、装置及系统
US20100030931A1 (en) * 2008-08-04 2010-02-04 Sridhar Balasubramanian Scheduling proportional storage share for storage systems
CN101972515A (zh) * 2010-11-02 2011-02-16 华中科技大学 图像和呼吸引导的辅助放疗床垫系统
CN102646200A (zh) * 2012-03-08 2012-08-22 武汉大学 多分类器自适应权值融合的影像分类方法及系统
CN106137532A (zh) * 2016-09-19 2016-11-23 清华大学 视皮层假体的图像处理装置及方法
CN108154118A (zh) * 2017-12-25 2018-06-12 北京航空航天大学 一种基于自适应组合滤波与多级检测的目标探测系统及方法
CN109635932A (zh) * 2018-12-16 2019-04-16 北京工业大学 一种部分连接多层感知器的图形化设计与实现方法
CN110503192A (zh) * 2018-05-18 2019-11-26 百度（美国）有限责任公司 资源有效的神经架构
CN110680326A (zh) * 2019-10-11 2020-01-14 北京大学第三医院（北京大学第三临床医学院） 基于深度卷积神经网络的尘肺病鉴别及分级判定方法
CN110751260A (zh) * 2018-07-24 2020-02-04 北京三星通信技术研究有限公司 电子设备、任务处理的方法以及训练神经网络的方法
CN111079900A (zh) * 2019-12-17 2020-04-28 中山大学 一种基于自适应连接神经网络的图像处理方法及装置
CN111738098A (zh) * 2020-05-29 2020-10-02 浪潮(北京)电子信息产业有限公司 一种车辆识别方法、装置、设备及存储介质
CN112633494A (zh) * 2020-12-17 2021-04-09 电子科技大学 一种基于自动机器学习的神经网络结构自动搜索方法
CN113269734A (zh) * 2021-05-14 2021-08-17 成都市第三人民医院 一种基于元学习特征融合策略的肿瘤图像检测方法及装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101064649A (zh) * 2007-02-02 2007-10-31 华为技术有限公司 选举超级节点、搜索网络节点或资源的方法、装置及系统
US20100030931A1 (en) * 2008-08-04 2010-02-04 Sridhar Balasubramanian Scheduling proportional storage share for storage systems
CN101972515A (zh) * 2010-11-02 2011-02-16 华中科技大学 图像和呼吸引导的辅助放疗床垫系统
CN102646200A (zh) * 2012-03-08 2012-08-22 武汉大学 多分类器自适应权值融合的影像分类方法及系统
CN106137532A (zh) * 2016-09-19 2016-11-23 清华大学 视皮层假体的图像处理装置及方法
CN108154118A (zh) * 2017-12-25 2018-06-12 北京航空航天大学 一种基于自适应组合滤波与多级检测的目标探测系统及方法
CN110503192A (zh) * 2018-05-18 2019-11-26 百度（美国）有限责任公司 资源有效的神经架构
CN110751260A (zh) * 2018-07-24 2020-02-04 北京三星通信技术研究有限公司 电子设备、任务处理的方法以及训练神经网络的方法
CN109635932A (zh) * 2018-12-16 2019-04-16 北京工业大学 一种部分连接多层感知器的图形化设计与实现方法
CN110680326A (zh) * 2019-10-11 2020-01-14 北京大学第三医院（北京大学第三临床医学院） 基于深度卷积神经网络的尘肺病鉴别及分级判定方法
CN111079900A (zh) * 2019-12-17 2020-04-28 中山大学 一种基于自适应连接神经网络的图像处理方法及装置
CN111738098A (zh) * 2020-05-29 2020-10-02 浪潮(北京)电子信息产业有限公司 一种车辆识别方法、装置、设备及存储介质
CN112633494A (zh) * 2020-12-17 2021-04-09 电子科技大学 一种基于自动机器学习的神经网络结构自动搜索方法
CN113269734A (zh) * 2021-05-14 2021-08-17 成都市第三人民医院 一种基于元学习特征融合策略的肿瘤图像检测方法及装置

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
MOHAMED S. ABDELFATTAH等: "Best of Both Worlds: AutoML Codesign of a CNN and its Hardware Accelerator", 《2020 57TH ACM/IEEE DESIGN AUTOMATION CONFERENCE (DAC)》 *
WEIXIN_34341117: "机器学习&数据挖掘笔记_24（PGM练习八：结构学习）", 《HTTPS://BLOG.CSDN.NET/WEIXIN_34341117/ARTICLE/DETAILS/94499197》 *
公众号机器学习与生成对抗网络: "图卷积网络GCN的理解与介绍", 《HTTPS://BLOG.CSDN.NET/LGZLGZ3102/ARTICLE/DETAILS/106644149》 *
刘进等: "基于自适应神经网络—小波包熵的轴承故障诊断", 《微特电机》 *
武晨等: "HBF神经网络的一种结构自适应在线学习算法", 《中国电子科学研究院学报》 *
浩瀚之水_CSDN: "CNN目标检测（一）：Faster RCNN详解", 《HTTPS://BLOG.CSDN.NET/A8039974/ARTICLE/DETAILS/77592389》 *
管海涛等: "基于deep CNN的Faster R-CNN在肝脏肿瘤超声图像中的初步应用", 《中国超声医学杂志》 *
翟敏: "极限学习机的自适应网络结构选择方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
褚晶辉等: "基于迁移学习和深度卷积神经网络的乳腺肿瘤诊断系统", 《激光与光电子学进展》 *
遇见AI: "NAS（神经结构搜索）综述", 《HTTPS://JUEJIN.CN/POST/6844903827112460296》 *
阿炜: "分布式深度学习：神经网络的分布式训练", 《HTTPS://BLOG.CSDN.NET/YEWEI11/ARTICLE/DETAILS/53819419》 *

Also Published As

Publication number Publication date
CN113256593B (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
US11551333B2 (en) Image reconstruction method and device
CN110619319A (zh) 一种基于改进的mtcnn模型人脸检测方法和系统
CN110796199B (zh) 一种图像处理方法、装置以及电子医疗设备
CN113688723A (zh) 一种基于改进YOLOv5的红外图像行人目标检测方法
CN112348036A (zh) 基于轻量化残差学习和反卷积级联的自适应目标检测方法
CN112043260B (zh) 基于局部模式变换的心电图分类方法
CN111047543A (zh) 图像增强方法、装置和存储介质
CN104751186A (zh) 一种基于bp网络和小波变换的虹膜图像质量分类方法
CN112131944B (zh) 一种视频行为识别方法及系统
CN114842238A (zh) 一种嵌入式乳腺超声影像的识别方法
CN109034070B (zh) 一种置换混叠图像盲分离方法及装置
CN111860601B (zh) 预测大型真菌种类的方法及装置
CN113256593B (zh) 基于任务自适应神经网络架构搜索的肿瘤图像检测方法
CN112085164A (zh) 一种基于无锚框网络的区域推荐网络提取方法
CN112911171A (zh) 一种基于加速处理的智能光电信息处理系统及方法
JP2018055287A (ja) 統合装置及びプログラム
TWI781000B (zh) 機器學習裝置以及方法
CN111950586B (zh) 一种引入双向注意力的目标检测方法
CN115239943A (zh) 图像矫正模型的训练方法及切片图像的色彩矫正方法
CN115311491A (zh) 一种基于课程学习及空间注意力的骨折假阳性筛除方法
CN115019367A (zh) 遗传病面部识别装置及方法
CN110223295B (zh) 基于深度神经网络色彩感知的显著性预测方法及装置
CN112668443A (zh) 基于双通道卷积神经网络的人体姿态识别方法
Xiang et al. Quality-distinguishing and patch-comparing no-reference image quality assessment
CN111640126A (zh) 基于医学影像的人工智能诊断辅助方法

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