CN113344044B - 一种基于领域自适应的跨物种医疗影像分类方法 - Google Patents
一种基于领域自适应的跨物种医疗影像分类方法 Download PDFInfo
- Publication number
- CN113344044B CN113344044B CN202110557951.9A CN202110557951A CN113344044B CN 113344044 B CN113344044 B CN 113344044B CN 202110557951 A CN202110557951 A CN 202110557951A CN 113344044 B CN113344044 B CN 113344044B
- Authority
- CN
- China
- Prior art keywords
- field
- classifier
- domain
- target
- source
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 208000008338 non-alcoholic fatty liver disease Diseases 0.000 claims abstract description 6
- 230000001575 pathological effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 2
- 230000008451 emotion Effects 0.000 claims 1
- 241000700159 Rattus Species 0.000 abstract description 8
- 210000004185 liver Anatomy 0.000 abstract description 6
- 230000008485 antagonism Effects 0.000 abstract description 4
- 238000013526 transfer learning Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007119 pathological manifestation Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (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)
Abstract
本发明公开了一种基于领域自适应的跨物种医疗影像分类方法,通过领域自适应算法,提取大鼠和人的NAFLD影像数据间的领域不变特征与领域差异特征,并通过特征对齐和领域对抗的方式使无标定的人类肝脏影像数据能够通过有标定的大鼠肝脏影像数据训练的分类器进行类别判别。构建基于源领域和目标领域分布一致性的约束和基于条件对抗学习的领域不变性约束,通过控制分类器预测结果的不确定性以保证分类器的可迁移性的同时,通过计算特征与分类器预测结果之间的互协方差以提升分类器的判别性,从而在源领域和目标领域样本分布差异较大的医疗影像数据上能够获得适用于目标领域的病理分类器,实现跨物种数据的迁移学习。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种基于领域自适应的跨物种医疗影像分类方法。
背景技术
在国家政策支持与驱动下,以智慧医疗为首的智能领域,在近年来逐渐受到社会的关注。而智能医疗也利用先进技术,实现患者与医务人员、医疗机构、医疗设备之间的信息化互动。其中医学影像智能分析技术作为智能医疗中一项不可或缺的技术,在医学影像分类任务中应用广泛,辅助医生诊断决策,进一步提升诊断效率,减轻病人就医压力。然而分析技术依赖于大规模的标准标定数据,而这些数据由于收集时间长、标定过程繁琐且耗时等问题使得数据不充足,从而导致直接训练分类模型存在一定困难。并且由于医疗影像数据涉及到伦理与病人隐私,可能无法获得充足的数据支持模型的训练。
为了解决以上问题,我们选用易通过实验获得的大鼠肝脏影像标准标定数据进行分类模型的训练,由于大鼠和人类的非酒精性脂肪肝(NAFLD)的病理表现相同,故我们通过领域自适应算法,提取大鼠和人的影像数据间的领域不变特征与领域差异特征,并通过特征对齐和领域对抗的方式使无标定的人类肝脏影像数据能够通过有标定的大鼠肝脏影像数据训练的分类器进行类别判别。
目前主流深度领域自适应主要有以下四种方法,其一是基于领域分布差异的方法,领域间差异dHΔH是影响目标领域泛化误差上界的因素之一。基于领域分布差异的法通过减少两个领域间的差异来减少目标领域泛化误差。其二是基于对抗学习的方法,基于对抗学习的领域自适应方法将生成对抗网络(Generative Adversarial Networks GANs)的思想引入到领域自适应问题当中。其三为基于重构的方法,自编码器是实现重构的基本网络结构,是一种可以用来抑制信息损失的无监督学习方法。其四为基于样本生成的方法,使用源领域样本合成带标签的目标领域样本,并使用合成样本训练目标领域网络。
发明内容
本发明的目的在于提供一种基于领域自适应的跨物种医疗影像分类方法,该方法利用减小领域分布差异和对抗学习的思想,构建基于源领域和目标领域分布一致性的约束和基于条件对抗学习的领域不变性约束,通过控制分类器预测结果的不确定性以保证分类器的可迁移性的同时,通过计算特征与分类器预测结果之间的互协方差以提升分类器的判别性,从而在源领域和目标领域样本分布差异较大的医疗影像数据上能够获得适用于目标领域的病理分类器。
为实现上述目的,本发明采用以下技术方案:首先将大鼠与人的数据分别输入基于CNN的多尺度特征提取网络中,从而解决由于大鼠与人影像大小不同导致无法提取有效特征的问题。得到有效的低层特征后,通过高斯核函数将低层特征映射到再生核希尔伯特空间(Reproducing Kernel Hilbert Space,RKHS),并利用多核最大均值差异(MK-MMD)进行约束,从而在源领域和目标领域的公共特征映射空间上进行高层语义特征的对齐,而后将高层特征输入到分类器中计算分类损失,通过减小领域差异保证分类器的判别性。将高层特征与分类器的分类结果结合,采用对抗的思想,利用判别器跟特征提取器做一个极小极大博弈,计算跨领域数据特征与其对应的类别标签之间的结构关系,利用伪标签对抗学习,提取领域不变特征。
一种基于领域自适应的跨物种医疗影像分类方法,包括以下步骤:
步骤1,将源领域数据和目标领域数据扩容并进行数据预处理,与源领域标签一同输入到模型当中。
步骤2,利用多尺度注意力特征提取网络,提取样本的低层特征。
步骤3,构建基于边缘分布对齐的主任务模块。通过高斯核函数将低层特征映射到高维空间,使用多核MMD进行源领域与目标领域的距离度量,对齐高层跨领域特征的全局差异,将输出的高层特征输入到分类器中进行类别判别。
步骤4,构建基于条件对抗机制的辅助任务模块。计算跨领域特征与类别标签的条件分布组合特征,利用目标领域的伪标签进行对抗学习,引入混淆矩阵在训练过程中提升伪标签的准确性,实现类别特征对齐。。
步骤5,将目标领域样本输入已训练好的模型,输出人类NAFLD影像的分类结果。
与现有技术相比,本发明具有以下明显优势:
本发明针对样本大小不同,样本分布存在较大差异的跨物种医学影像数据,通过设计多尺度特征提取器解决样本尺寸与病灶大小不一导致底层特征提取效果差的问题,通过领域分布一致性的约束与条件对抗学习的领域不变性约束,实现跨物种医疗影像分类器的迁移。
附图说明
图1为本发明的模型结构图;
图2为本发明的方法流程图;
图3为多尺度特征提取示例图;
图4为实例批量归一化示例图。
具体实施方式
以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明方法模型结构如图1所示,所述方法的流程图如图2所示,具体包括以下步骤:
步骤1,将数据进行扩容,包括分别顺时针旋转、随机上下翻转、随机左右翻转、对角转置、副对角线转置,提升数据总量,将经过随机过采样与灰度均衡化后的数据存为矩阵形式,作为网络模型的输入。
步骤2,利用多尺度特征提取模块,提取样本的低层特征。
步骤2.1,将源领域和目标领域的样本输入基于通道注意力的卷积神经网络SE-Net当中,通过该特征提取模块提取样本的低层特征,SE的特征提取过程主要包括三个步骤:压缩(Squeeze)、激活(Excitation)、重加权(Reweight)。数学表达式分别如下所示:
xsqueeze=GAP(x)
xexcit=softmax(σ(W×xsqueeze+b))
将样本依次输入不同的多尺度特征学习分支,残差模块的输出的数学表达式如下所示:
F由多条SE模块构成的注意力分支Ft组成,相邻分支的层数t逐层增加,因各分支的层数不同,其特征图的感受野不同,所包含的语义信息也各有差异,层数相对较浅的网络分支提取的是全局特征,而层数相对较深的分支提取的是局部特征,因此不同的分支可以提取到不同尺度下的特征信息。
步骤2.2,构建注意力分支共享的聚合门(Aggregation Gate,AG),将各条分支的多尺度信息进行融合,为不同的尺度特征动态分配不同的权重,计算过程如下所示:
步骤2.3,在每个SE模块中进行实例批量归一化,加强可迁移特征的提取,加速网络训练速度,增强判别器的判别性能。
步骤3,构建主任务模块,提取可进行领域对齐的高层特征。
步骤3.1,通过高斯核函数将低层特征映射到RKHS,在该空间中利用MMD度量源领域和目标领域样本的距离。
该方法使用最大均值差异(Maximum Mean Discrepancy,MMD)作为检验统计量,度量领域间的差异,数学表达式如下所示:
是原始空间中连续函数f的集合,p代表源领域样本服从的特征分布,q代表目标领域样本服从的特征分布,ns为源领域样本的数量,nt为源领域样本的数量。可以通过核嵌入方式表示的样本到再生核希尔伯特空间的映射,并利用高斯核函数计算领域间的MMD距离作为约束值,构建基于源领域和目标领域分布一致性的约束,实现源领域样本到目标领域的迁移。该约束可被表示为下式。
其中MMD的表达式为:
步骤3.2,将源领域高层特征输入类别分类器,计算分类损失。
在特征对齐的基础上,将源领域高层特征输入类别判别器,判断样本所属类别,保证分类器的有效性。其数学描述如下。给定一个有标签的源域和一个无标签的目标域/>假设它们的特征空间相同,即Xs=Xt,它们的标签空间也相同,即Ys=Yt并且条件概率分布也相同,即P(ys|xs)=P(yt|xt)。但是这两个域的边缘分布不同,即P(xs)≠P(xt)。利用有标签的源域数据Ds学习一个分类器f:x→y来预测目标域数据Dt的标签yt∈Yt该分类器在目标领域样本集上的损失函数如下式所示,其中Pr(η(xt)≠y)表示输入xt经分类后结果与其对应的标签y不相等的概率。
步骤4,构建辅助任务模块,将低层特征同时输入辅助任务模块,引入对抗思想,使判别器为源领域和目标领域生成不同的噪声向量,对于源领域特征,判别器旨在使校正后的标签与真实标签之间的差异最小,而对于目标领域特征,判别器将伪标签校正为相反分布进行对抗学习,修正后的目标领域分类损失如下所示:
其中K为目标领域类别数,为分类器预测伪标签,/>为混淆矩阵,提升伪标签的可信度。
总的对抗损失如下:
LAdv(xs,ys,xt)=LAdv(xs,ys)+LAdv(xt)
步骤5,将目标样本即人类肝脏影像数据输入已训练好的模型,输出病理分类的结果。
在训练过程中,通过优化步骤2,3,4中四个损失函数,包括最小化源领域类别分类器的损失函数Ltotal=LCE(Ps,ys),最小化目标领域类别分类的损失函数LT(xt,L),最大化条件对抗的损失函数LAdv(xs,ys,xt),以及最小化领域对齐层的损失函数LAlign,可减小源领域和目标领域样本的差异,整个方法的损失函数如下所示,其中α和λ为超参数,分别决定主任务模块和辅助任务模块占损失函数的影响比重。
Ltotal=LCE(ps,ys)+αLAlign+λLT(xt,L)-λLAdv(xs,ys,xt)) (9)
最后在测试阶段,将目标领域的样本输入已训练好的模型,通过类别分类器输出病理分类的结果。
至此,本发明的具体实施过程描述完毕。
Claims (3)
1.一种基于领域自适应的跨物种医疗影像分类方法,其特征在于:利用减小领域分布差异和对抗学习的思想,构建基于源领域和目标领域分布一致性的约束和基于条件对抗学习的领域不变性约束,通过控制分类器预测结果的不确定性以保证分类器的可迁移性的同时,通过计算特征与分类器预测结果之间的互协方差以提升分类器的判别性,从而在源领域和目标领域样本分布差异较大的医疗影像数据上能够获得适用于目标领域的病理分类器;该方法包括以下步骤:
步骤1,将源领域数据和目标领域数据扩容并进行数据预处理,与源领域标签一同输入到模型当中;
步骤2,利用多尺度注意力特征提取网络,提取样本的低层特征;
步骤3,构建基于边缘分布对齐的主任务模块;通过高斯核函数将低层特征映射到高维空间,使用多核MMD进行源领域与目标领域的距离度量,对齐高层跨领域特征的全局差异,将输出的高层特征输入到分类器中进行类别判别;
步骤4,构建基于条件对抗机制的辅助任务模块;计算跨领域特征与类别标签的条件分布组合特征,利用目标领域的伪标签进行对抗学习,引入混淆矩阵在训练过程中提升伪标签的准确性,实现类别特征对齐;
步骤5,将目标领域样本输入已训练好的模型,输出人类NAFLD影像的分类结果;
步骤2.1,将源领域和目标领域的样本输入基于通道注意力的卷积神经网络SE-Net当中,通过该特征提取模块提取样本的低层特征,SE的特征提取过程包括三个步骤:压缩、激活、重加权;数学表达式分别如下所示:
xsqueeze=GAP(x)
xexcit=softmax(σ(W×xsqueeze+b))
将样本依次输入不同的多尺度特征学习分支,残差模块的输出的数学表达式如下所示:
s.t.xomni=F(x)
F由多条SE模块构成的注意力分支Ft组成,不同的分支提取到不同尺度下的特征信息;
步骤2.2,构建注意力分支共享的聚合门AG,将各条分支的多尺度信息进行融合,为不同的尺度特征动态分配不同的权重,计算过程如下所示:
步骤2.3,在每个SE模块中进行实例批量归一化,加强可迁移特征的提取,加速网络训练速度,增强判别器的判别性能。
2.根据权利要求1所述的一种基于领域自适应的跨物种医疗影像分类方法,所述构建的深度领域自适应网络,具有三部分:基于多尺度注意力的表示学习层、基于源领域和目标领域分布一致性的约束和基于条件对抗学习的领域不变性约束模块;面向类别判别性和分布一致性优化目标,主任务模块提取对标签具有判别性的高层特征为:在样本特征对齐的基础上,将源领域高层特征输入类别分类器,判断样本所属类别,保证分类器的有效性。
3.根据权利要求1所述的方法,面向类别判别性和领域分布一致性、以及领域不变性的优化目标为:在训练过程中,通过优化四个损失函数,包括最小化源领域分类器LCE的损失函数,最大化领域分类器LAdv的损失函数,以及最小化领域对齐层的损失函数LAlign,修正伪标签的目标领域分类器的损失函数LT;减小源领域和目标领域样本的差异,完成基于无监督领域对抗自适应的跨领域情感分类网络的训练,获得适用于目标领域的NAFLD影像分类器,在测试阶段,将目标领域的样本输入已训练好的模型,通过目标领域类别分类器输出样本所属类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557951.9A CN113344044B (zh) | 2021-05-21 | 2021-05-21 | 一种基于领域自适应的跨物种医疗影像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557951.9A CN113344044B (zh) | 2021-05-21 | 2021-05-21 | 一种基于领域自适应的跨物种医疗影像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344044A CN113344044A (zh) | 2021-09-03 |
CN113344044B true CN113344044B (zh) | 2024-05-28 |
Family
ID=77470609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110557951.9A Active CN113344044B (zh) | 2021-05-21 | 2021-05-21 | 一种基于领域自适应的跨物种医疗影像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344044B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387207B (zh) * | 2021-12-02 | 2024-07-12 | 浙江大学 | 基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法及模型 |
CN114511737B (zh) * | 2022-01-24 | 2022-09-09 | 北京建筑大学 | 图像识别域泛化模型的训练方法 |
CN114283287B (zh) * | 2022-03-09 | 2022-05-06 | 南京航空航天大学 | 基于自训练噪声标签纠正的鲁棒领域自适应图像学习方法 |
CN116385808B (zh) * | 2023-06-02 | 2023-08-01 | 合肥城市云数据中心股份有限公司 | 大数据跨域图像分类模型训练方法、图像分类方法和系统 |
CN117131022B (zh) * | 2023-09-25 | 2024-03-29 | 广州东方电力有限公司 | 一种电力信息系统的异构数据迁移方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492099A (zh) * | 2018-10-28 | 2019-03-19 | 北京工业大学 | 一种基于领域对抗自适应的跨领域文本情感分类方法 |
CN109753992A (zh) * | 2018-12-10 | 2019-05-14 | 南京师范大学 | 基于条件生成对抗网络的无监督域适应图像分类方法 |
CN110097131A (zh) * | 2019-05-08 | 2019-08-06 | 南京大学 | 一种基于对抗协同训练的半监督医疗图像分割方法 |
CN110135579A (zh) * | 2019-04-08 | 2019-08-16 | 上海交通大学 | 基于对抗学习的无监督领域适应方法、系统及介质 |
CN111539467A (zh) * | 2020-04-17 | 2020-08-14 | 北京工业大学 | 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
-
2021
- 2021-05-21 CN CN202110557951.9A patent/CN113344044B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492099A (zh) * | 2018-10-28 | 2019-03-19 | 北京工业大学 | 一种基于领域对抗自适应的跨领域文本情感分类方法 |
CN109753992A (zh) * | 2018-12-10 | 2019-05-14 | 南京师范大学 | 基于条件生成对抗网络的无监督域适应图像分类方法 |
CN110135579A (zh) * | 2019-04-08 | 2019-08-16 | 上海交通大学 | 基于对抗学习的无监督领域适应方法、系统及介质 |
CN110097131A (zh) * | 2019-05-08 | 2019-08-06 | 南京大学 | 一种基于对抗协同训练的半监督医疗图像分割方法 |
CN111539467A (zh) * | 2020-04-17 | 2020-08-14 | 北京工业大学 | 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
Non-Patent Citations (2)
Title |
---|
基于深度稀疏辨别的跨领域图像分类;杨涵方;周向东;;计算机工程;20180415(第04期);全文 * |
模态桥传递学习方法在医学图像分类中的应用;杨舜尧;;信息技术与信息化;20180425(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344044A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344044B (zh) | 一种基于领域自适应的跨物种医疗影像分类方法 | |
CN108062753B (zh) | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 | |
CN112906770A (zh) | 一种基于跨模态融合的深度聚类方法及系统 | |
CN110046671A (zh) | 一种基于胶囊网络的文本分类方法 | |
CN112949786A (zh) | 数据分类识别方法、装置、设备及可读存储介质 | |
CN110706793A (zh) | 一种基于注意力机制的甲状腺结节半监督分割方法 | |
Wang et al. | Human peripheral blood leukocyte classification method based on convolutional neural network and data augmentation | |
CN113609773B (zh) | 基于小样本的数据可靠性评估结果预测性能的方法及系统 | |
CN112529063B (zh) | 一种适用于帕金森语音数据集的深度域适应分类方法 | |
Tan | Information Analysis of Advanced Mathematics Education‐Adaptive Algorithm Based on Big Data | |
CN114743037A (zh) | 一种基于多尺度结构学习的深度医学图像聚类方法 | |
Yang et al. | Attention-based dynamic alignment and dynamic distribution adaptation for remote sensing cross-domain scene classification | |
Asare et al. | A semisupervised learning scheme with Self‐paced learning for classifying breast cancer histopathological images | |
Zhou et al. | Semantic adaptation network for unsupervised domain adaptation | |
Rethik et al. | Attention Based Mapping for Plants Leaf to Classify Diseases using Vision Transformer | |
CN112668633B (zh) | 一种基于细粒度领域自适应的图迁移学习方法 | |
Yuan et al. | An improved yolov5 for skull fracture detection | |
US20230031512A1 (en) | Surrogate hierarchical machine-learning model to provide concept explanations for a machine-learning classifier | |
Pu et al. | TA-BiDet: Task-aligned binary object detector | |
Jain et al. | Flynet–neural network model for automatic building detection from satellite images | |
Yuan et al. | R-GNN: recurrent graph neural networks for font classification of oracle bone inscriptions | |
Li et al. | Manifold reconstructed semi-supervised domain adaptation for histopathology images classification | |
Liu et al. | M2N: Mutual constraint network for multi-level unsupervised domain adaptation | |
Shi et al. | J‐Net: Asymmetric Encoder‐Decoder for Medical Semantic Segmentation | |
Li et al. | Distance constraint between features for unsupervised domain adaptive person re-identification |
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 |