CN113593714A - 一种多分类新冠肺炎病例的检测方法、系统、设备及介质 - Google Patents
一种多分类新冠肺炎病例的检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN113593714A CN113593714A CN202110846727.1A CN202110846727A CN113593714A CN 113593714 A CN113593714 A CN 113593714A CN 202110846727 A CN202110846727 A CN 202110846727A CN 113593714 A CN113593714 A CN 113593714A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- classification
- vgg
- cases
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G06F18/24—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明一种多分类新冠肺炎病例的检测方法、系统、设备及介质,通过深度学习网络VGG‑19模型的卷积层结合注意力机制和长短期记忆人工神经网络技术用于处理疾病诊断的分类问题,将两种技术用于现有的神经网络中去以提高网络预测的准确性。将原始的X射线图像经过大小调整,变换和归一化的数据预处理之后,将数据划分为训练集和测试集。胸部X光图像进行数据预处理之后,以224×224的像素值输入网络,本发明的基础网络结构使用的是预训练的VGG‑19模型的卷积层,同时将注意力机制中的CBAM模块加入到网络中,增强学习能力,之后将特征图通过长短期记忆人工神经网络收集时间信息,最后将特征图输入全连接层进行决策。
Description
技术领域
本发明涉及医学影像领域,具体为一种多分类新冠肺炎病例的检测方法、系统、设备及介质。
背景技术
新型冠状病毒肺炎以发热、干咳、乏力为主要表现,少数患者伴有鼻塞、流涕、咽痛、肌肉酸痛、感冒、发烧,呼吸急促、急性呼吸综合征和腹泻等症状。 COVID-19的传播方式有很多种,例如个体之间的密切接触,通过咳嗽,打喷嚏以及交谈时产生的呼吸道飞沫等方式都可以进行传播。
由于新冠肺炎病毒的高传播性,在早期实现的新冠肺炎的检测具有重要的意义,目前医疗机构采取的比较准确的诊断措施是使用聚合酶链式反应 (RT-PCR)。但是由于该方法存在很多的缺点,这对新冠肺炎的检测是十分不利的。开发能够在早期进行合理并且具有成本效益的诊断对于检测病毒的传播是至关重要的。
由于新冠肺炎病毒的高传播性,在早期实现的新冠肺炎的检测具有重要的意义。目前的检测形式,主要是聚合酶链式反应(RT-PCR)病毒核酸检测,它是能够对新冠肺炎进行检测的一种可应用形式,但是RT-PCR任然存在很多的缺点比如操作要求较高、耗时长、阳性率较低等。同时,RT-PCR 检测试剂盒同样也是十分的短缺。《新型冠状病毒肺炎诊疗方案(试行第八版)》向我们介绍了可以通过核酸检测或者特异性抗体检测技术去对新冠肺炎患者进行诊断。因此,这种情况下,我们开发能够在早期进行合理并且具有成本效益的诊断对于检测病毒的传播是至关重要的。
发明内容
针对现有技术中聚合酶链式反应病毒核酸检测存在操作要求较高、耗时长、阳性率较低的问题,本发明提供一种多分类新冠肺炎病例的检测方法、系统、设备及介质,操作简单,可有效地提高了对多类肺炎病例检测结构的准确性。
本发明是通过以下技术方案来实现:
一种多分类新冠肺炎病例的检测方法,包括如下步骤:
在kaggle数据库中获取数据集,作为样本集;
将所获取的样本集进行样本病例的分类处理,得到多个样本病例文件;
将每个样本病例文件分别进行预处理,得到数据集;
将数据集输入至VGG-19模型的卷积层中进行训练学习得到数据特征图;
将VGG-19模型的卷积层中训练学习得到的特征图进行加强学习能力;
将获取的特征图进行序列特征的提取;
将数据特征图进行检测并得到最终病例分类决策。
优选的,多个样本病例文件包括normal正常病例样本病例文件、 pneumonia肺炎病例样本病例文件和covid-19新冠病例样本病例文件。
优选的,将样本病例文件分别进行预处理的方法为将样本病例文件中数据样本随机置乱,分别生成测试集,验证集和训练集,并将置乱后的数据分别放置在测试集,验证集和训练集中得到数据集。
优选的,数据集输入至经过预训练微调过的VGG-19模型的卷积层之前对数据集的像素值修改调整至满足VGG-19模型的卷积层条件的像素值。
优选的,数据特征图像输入至全连接神经网络中,在进行学习后通过 softmax层检测做出最终的病例分类决策。
一种多分类肺炎病例的检测系统,包括
数据采集模块,用于在kaggle数据库中获取数据集,作为样本集;
分类模块,用于将所获取的样本集进行样本病例的分类处理,得到多个样本病例文件;
数据预处理模块,用于将每个样本病例文件分别进行预处理,得到数据集;
数据输入模块,用于将数据集输入至VGG-19模型的卷积层中进行训练学习得到数据特征图;
CBAM卷积块注意模块,用于将VGG-19模型的卷积层中训练学习得到的特征图进行加强学习能力;
LSTM长短期记忆人工神经网络模块,用于将获取的特征图进行序列特征的提取;
检测模块,用于将数据特征图进行检测并得到最终病例分类决策。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述所述多分类肺炎病例的检测方法的步骤。
一种计算机存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述所述多分类肺炎病例的检测方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种多分类新冠肺炎病例的检测方法,通过深度学习网络VGG- 19模型的卷积层结合注意力机制(CBAM)和长短期记忆人工神经网络 (LSTM)技术用于处理疾病诊断的分类问题,将两种技术用于现有的神经网络中去以提高网络预测的准确性。将原始的X射线图像经过大小调整,变换和归一化的数据预处理之后,将数据划分为训练集和测试集。胸部X 光图像进行数据预处理之后,以224×224的像素值输入网络,本发明的基础网络结构使用的是预训练的VGG-19模型的卷积层,同时将注意力机制中的CBAM模块加入到网络中,增强学习能力,之后将特征图通过长短期记忆人工神经网络收集时间信息,最后将特征图输入全连接层进行决策。同时,使用5折交叉验证,每隔一定的时间对训练的精度和损失进行测定,对整个体系的准确性和损失进行验证。该模型将图像分为COVID-19,其他肺炎和正常三类。CBAM卷积块注意模块与LSTM长短期记忆人工神经网络模块的加入,整个网络的精确度得到了大幅度的上升。
附图说明
图1为本发明方法实施例中的流程示意图;
图2为本发明中VGG-19的卷积模块图;
图3为本发明中系统实施例中的VGG-19结合CBAM和LSTM示意图;
图4为本发明实施例中的精度随迭代次数变化图;
图5为本发明实施例中的loss随迭代次数变化图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明一个实施例中,提供了一种多分类新冠肺炎病例的检测方法,使用结合注意力机制和LSTM的深度学习技术,并将预训练VGG- 19模型的卷积层加入到结构体系当中,本发明结合了注意力机制和LSTM 增强提取特征能力的功能,提高了网络在具体分类问题上的准确性。
具体的,该多分类肺炎病例的检测方法包括如下步骤:
在kaggle数据库中获取6939张数据集,作为样本图片集;
将所获取的样本集进行样本病例的分类处理,得到3个样本病例文件;
具体的,3个样本病例文件包括多个样本病例文件包括normal正常病例样本病例文件、pneumonia肺炎病例样本病例文件和covid-19新冠病例样本病例文件。
将每个样本病例文件分别进行预处理,得到数据集;
具体的,将样本病例文件分别进行预处理的方法为将样本病例文件中数据样本随机置乱,分别生成测试集,验证集和训练集,并将置乱后的数据分别放置在测试集,验证集和训练集中得到数据集。
将数据集输入至VGG-19模型的卷积层中进行训练学习得到数据特征图;
具体的,将数据集进行训练学习的方法如下:
将数据集输入至经过预训练微调过的VGG-19模型的卷积层中,进行训练学习;
其中数据集输入至经过预训练微调过的VGG-19模型的卷积层之前对数据集的像素值修改调整至满足VGG-19模型的卷积层条件的像素值,数据集的像素值修改为224×224像素值。
将从VGG-19模型的卷积层中学习到的特征数据输入到CBAM卷积块注意模块和LSTM长短期记忆人工神经网络模块中加强网络的学习能力以及提取相应的时序特征;
数据特征图像输入至全连接神经网络中,在进行学习后通过softmax层检测做出最终的病例分类决策。
其中,VGG-19模型的卷积层的模块图如图2所示。
根据图4所示设置的整个的迭代次数为100,横坐标为迭代次数,纵坐标为精度变化。可以看到本发明的精度随着迭代次数的增加逐步提高,最终在训练集和验证集上的准确度达到了95%以上,具有较高的准确度。
根据图5所示,本发明的交叉熵随着迭代次数的逐步减小,并且最终训练集和验证集最终达到了几乎拟合的状态,说明本发明具有比较好的可扩展性和稳定性,最终的交叉熵维持在了0.01左右。
综上所述,本发明一种多分类新冠肺炎病例的检测方法,通过深度学习网络VGG-19结合注意力机制(CBAM)和长短期记忆人工神经网络(LSTM) 技术用于处理疾病诊断的分类问题,将两种技术用于现有的神经网络中去以提高网络预测的准确性。将原始的X射线图像经过大小调整,变换和归一化的数据预处理之后,将数据划分为训练集和测试集。胸部X光图像进行数据预处理之后,以224×224的像素值输入网络,本发明的基础网络结构使用的是预训练的VGG-19,同时我们将注意力机制中的CBAM模块加入到网络中,增强学习能力,之后将特征图通过长短期记忆人工神经网络收集时间信息,最后将特征图输入全连接层进行决策。同时,使用5折交叉验证,每隔一定的时间对训练的精度和损失进行测定,对整个体系的准确性和损失进行验证。该模型将图像分为COVID-19,其他肺炎和正常三类。注意力机制与LSTM的加入,整个网络的精确度得到了大幅度的上升。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节,请参照本发明方法实施例。
本发明在一个实施例中,提供了一种多分类肺炎病例的检测系统,用于实现上述所述的多分类肺炎病例的检测方法;
具体的,该多分类肺炎病例的检测系统包括:
数据采集模块,用于在kaggle数据库中获取数据集,作为样本集;分类模块,用于将所获取的样本集进行样本病例的分类处理,得到多个样本病例文件;数据预处理模块,用于将每个样本病例文件分别进行预处理,得到数据集;数据输入模块,用于将数据集输入至VGG-19模型的卷积层中进行训练学习得到数据特征图;CBAM卷积块注意模块,用于将VGG-19模型的卷积层中训练学习得到的特征图进行加强学习能力;LSTM长短期记忆人工神经网络模块,用于将获取的特征图进行序列特征的提取;检测模块,用于将数据特征图进行检测并得到最终病例分类决策。
在CBAM注意力模块包括通道注意力模块和空间注意力模块;LSTM 长短期记忆人工神经网络模块,它引入了cell机制,使网络具备了记忆功能,能够记忆更加远的信息。
其中,如图3所示,获取数据库图像进行预处理中,分别对3类文件夹中的数据分别随机置乱,将数据像素设置为224,并将预处理的数据进行划分在测试集,验证集和训练集得到数据集。并将所获取的特征图谱输入值 VGG-19模型的卷积层中,在VGG-19模型的卷积层中分别经过通道注意力模块和空间注意力模块以及LSTM长短期记忆人工神经网络模块,在全连接层和softmax层决策对病例做出最终能分类。
本发明再一个实施例中,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元 (Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray, FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于多分类肺炎病例的检测方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速 RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中多分类肺炎病例的检测方法的相应步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种多分类新冠肺炎病例的检测方法,其特征在于,包括如下步骤:
在kaggle数据库中获取数据集,作为样本集;
将所获取的样本集进行样本病例的分类处理,得到多个样本病例文件;
将每个样本病例文件分别进行预处理,得到数据集;
将数据集输入至VGG-19模型的卷积层中进行训练学习得到数据特征图;
将VGG-19模型的卷积层中训练学习得到的特征图进行加强学习能力;
将获取的特征图进行序列特征的提取;
将数据特征图进行检测并得到最终病例分类决策。
2.根据权利要求1所述的一种多分类新冠肺炎病例的检测方法,其特征在于,多个样本病例文件包括normal正常病例样本病例文件、pneumonia肺炎病例样本病例文件和covid-19新冠病例样本病例文件。
3.根据权利要求1所述的一种多分类新冠肺炎病例的检测方法,其特征在于:将样本病例文件分别进行预处理的方法为将样本病例文件中数据样本随机置乱,分别生成测试集,验证集和训练集,并将置乱后的数据分别放置在测试集,验证集和训练集中得到数据集。
4.根据权利要求1所述的一种多分类新冠肺炎病例的检测方法,其特征在于,数据集输入至经过预训练微调过的VGG-19模型的卷积层之前对数据集的像素值修改调整至满足VGG-19模型的卷积层条件的像素值。
5.根据权利要求1所述的一种多分类新冠肺炎病例的检测方法,其特征在于,数据特征图像输入至全连接神经网络中,在进行学习后通过softmax层检测做出最终的病例分类决策。
6.一种多分类新冠肺炎病例的检测系统,其特征在于,包括
数据采集模块,用于在kaggle数据库中获取数据集,作为样本集;
分类模块,用于将所获取的样本集进行样本病例的分类处理,得到多个样本病例文件;
数据预处理模块,用于将每个样本病例文件分别进行预处理,得到数据集;
数据输入模块,用于将数据集输入至VGG-19模型的卷积层中进行训练学习得到数据特征图;
CBAM卷积块注意模块,用于将VGG-19模型的卷积层中训练学习得到的特征图进行加强学习能力;
LSTM长短期记忆人工神经网络模块,用于将获取的特征图进行序列特征的提取;
检测模块,用于将数据特征图进行检测并得到最终病例分类决策。
7.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述多分类肺炎病例的检测方法的步骤。
8.一种计算机存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述多分类肺炎病例的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110846727.1A CN113593714A (zh) | 2021-07-26 | 2021-07-26 | 一种多分类新冠肺炎病例的检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110846727.1A CN113593714A (zh) | 2021-07-26 | 2021-07-26 | 一种多分类新冠肺炎病例的检测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113593714A true CN113593714A (zh) | 2021-11-02 |
Family
ID=78250147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110846727.1A Pending CN113593714A (zh) | 2021-07-26 | 2021-07-26 | 一种多分类新冠肺炎病例的检测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113593714A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419330A (zh) * | 2022-01-24 | 2022-04-29 | 西北大学 | 一种二维深度假图泛化检测方法、系统、设备及存储介质 |
CN114782739A (zh) * | 2022-03-31 | 2022-07-22 | 电子科技大学 | 基于双向长短期记忆层和全连接层的多模态分类模型 |
CN115171888A (zh) * | 2022-08-04 | 2022-10-11 | 云南师范大学 | 对smplc和im进行分类的方法、系统、电子设备和存储介质 |
CN115497502A (zh) * | 2022-11-07 | 2022-12-20 | 图灵人工智能研究院(南京)有限公司 | 基于人体表征判别新冠感染的方法、系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116009A (zh) * | 2020-09-21 | 2020-12-22 | 长沙理工大学 | 基于卷积神经网络的新冠肺炎x射线图像识别方法及系统 |
CN112233117A (zh) * | 2020-12-14 | 2021-01-15 | 浙江卡易智慧医疗科技有限公司 | 一种新冠肺炎ct检测识别定位系统及计算设备 |
CN112419321A (zh) * | 2021-01-25 | 2021-02-26 | 长沙理工大学 | X射线图像识别方法、装置、计算机设备及存储介质 |
-
2021
- 2021-07-26 CN CN202110846727.1A patent/CN113593714A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116009A (zh) * | 2020-09-21 | 2020-12-22 | 长沙理工大学 | 基于卷积神经网络的新冠肺炎x射线图像识别方法及系统 |
CN112233117A (zh) * | 2020-12-14 | 2021-01-15 | 浙江卡易智慧医疗科技有限公司 | 一种新冠肺炎ct检测识别定位系统及计算设备 |
CN112419321A (zh) * | 2021-01-25 | 2021-02-26 | 长沙理工大学 | X射线图像识别方法、装置、计算机设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419330A (zh) * | 2022-01-24 | 2022-04-29 | 西北大学 | 一种二维深度假图泛化检测方法、系统、设备及存储介质 |
CN114419330B (zh) * | 2022-01-24 | 2024-02-09 | 西北大学 | 一种二维深度假图泛化检测方法、系统、设备及存储介质 |
CN114782739A (zh) * | 2022-03-31 | 2022-07-22 | 电子科技大学 | 基于双向长短期记忆层和全连接层的多模态分类模型 |
CN114782739B (zh) * | 2022-03-31 | 2023-07-14 | 电子科技大学 | 基于双向长短期记忆层和全连接层的多模态分类方法 |
CN115171888A (zh) * | 2022-08-04 | 2022-10-11 | 云南师范大学 | 对smplc和im进行分类的方法、系统、电子设备和存储介质 |
CN115497502A (zh) * | 2022-11-07 | 2022-12-20 | 图灵人工智能研究院(南京)有限公司 | 基于人体表征判别新冠感染的方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113593714A (zh) | 一种多分类新冠肺炎病例的检测方法、系统、设备及介质 | |
CN109785976B (zh) | 一种基于Soft-Voting的痛风病分期预测系统 | |
CN110503161B (zh) | 一种基于弱监督yolo模型的矿石泥团目标检测方法和系统 | |
CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
Uddin et al. | Machine learning based diabetes detection model for false negative reduction | |
CN110826624A (zh) | 一种基于深度强化学习的时间序列分类方法 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN114913923A (zh) | 针对单细胞染色质开放性测序数据的细胞类型识别方法 | |
Soltani et al. | Improved algorithm for multiple sclerosis diagnosis in MRI using convolutional neural network | |
Said et al. | Skin Cancer Detection and Classification Based on Deep Learning | |
Kumar et al. | LiteCovidNet: A lightweight deep neural network model for detection of COVID‐19 using X‐ray images | |
CN111368648A (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
BAKIR et al. | Detection of pneumonia from x-ray images using deep learning techniques | |
Yaşar et al. | A novel study for automatic two-class COVID-19 diagnosis (between COVID-19 and Healthy, Pneumonia) on X-ray images using texture analysis and 2-D/3-D convolutional neural networks | |
CN112733724A (zh) | 基于判别样本元挖掘器的亲属关系验证方法和装置 | |
CN112818774A (zh) | 一种活体检测方法及装置 | |
CN109326324B (zh) | 一种抗原表位的检测方法、系统及终端设备 | |
CN108345943B (zh) | 一种基于嵌入编码与对比学习的机器学习识别方法 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
CN110765908A (zh) | 基于深度学习的级联式癌细胞检测系统 | |
CN113724779B (zh) | 基于机器学习技术的SNAREs蛋白识别方法、系统、存储介质及设备 | |
CN111383716B (zh) | 基因对的筛选方法、装置、计算机设备和存储介质 | |
CN114444687A (zh) | 一种基于伪标签噪声过滤的小样本半监督学习方法和装置 | |
CN114819099A (zh) | 一种基于智能ai提高图像识别准确率的系统 | |
CN113476065A (zh) | 一种多类肺炎诊断系统 |
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 |