CN113688931B - 一种基于深度学习的超声图像筛选方法和装置 - Google Patents
一种基于深度学习的超声图像筛选方法和装置 Download PDFInfo
- Publication number
- CN113688931B CN113688931B CN202111019541.5A CN202111019541A CN113688931B CN 113688931 B CN113688931 B CN 113688931B CN 202111019541 A CN202111019541 A CN 202111019541A CN 113688931 B CN113688931 B CN 113688931B
- Authority
- CN
- China
- Prior art keywords
- feature extraction
- layer
- module
- neural network
- convolutional 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.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000012216 screening Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 50
- 238000002604 ultrasonography Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 76
- 230000005284 excitation Effects 0.000 claims description 17
- 230000006835 compression Effects 0.000 claims description 15
- 238000007906 compression Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 230000002779 inactivation Effects 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000000415 inactivating effect Effects 0.000 claims description 4
- 239000008186 active pharmaceutical agent Substances 0.000 claims 3
- 238000010586 diagram Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011981 development test Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 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
- 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
- G06N3/045—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习的超声图像筛选方法，包括：步骤(1)：获取图像数据集，所述图像数据集包括超声图像和非超声图像；步骤(2)：构建卷积神经网络XDNet‑01122；步骤(3)利用所述图像数据集来训练所述卷积神经网络XDNet‑01122，得到训练好的卷积神经网络XDNet‑01122；步骤(4)：通过训练好的卷积神经网络XDNet‑01122来识别输入图像是否为超声图像；本发明还涉及一种基于深度学习的超声图像筛选装置。本发明通过卷积神经网络XDNet‑01122能够有效识别输入图像是否为超声图像。
Description
技术领域
本发明涉及数字图像分类技术领域，特别是涉及一种基于深度学习的超声图像筛选方法和装置。
背景技术
在医疗机构或研发机构的工作人员使用超声辅助诊断软件时，需要用户导入超声图像。然而，如果用户导入其他图像(非超声图像)，软件虽仍可正常工作，但分析结果无意义。因此，为减少分析误差，提升软件效率，提升用户体验，需要在导入图像的同时，鉴别其是否为一张超声图像，并给与用户提示。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习的超声图像筛选方法和装置，通过卷积神经网络XDNet-01122能够有效识别输入图像是否为超声图像。
本发明解决其技术问题所采用的技术方案是：提供一种基于深度学习的超声图像筛选方法，包括：
步骤(1)：获取图像数据集，所述图像数据集包括超声图像和非超声图像；
步骤(2)：构建卷积神经网络XDNet-01122；
步骤(3)利用所述图像数据集来训练所述卷积神经网络XDNet-01122，得到训练好的卷积神经网络XDNet-01122；
步骤(4)：通过训练好的卷积神经网络XDNet-01122来识别输入图像是否为超声图像。
所述步骤(2)中的卷积神经网络XDNet-01122包括输入层、输出层、若干失活跳接模块DA、最终模块F、若干第一特征提取组、若干第二特征提取组；
所述第一特征提取组包括依次连接的特征提取模块EX、下采样模块DS和压缩激发模块SE；
所述第二特征提取组包括依次连接的特征提取模块EX和压缩激发模块SE，并且每个所述第二特征提取组输出端均连接有失活跳接模块DA；
所述第一特征提取组和第二特征提取组依次连接构成第一子网络，并且在所述第一子网络中，第一特征提取组的输出端与失活跳接模块DA连接；
所述第一特征提取组依次连接两个第二特征提取组构成第二子网络，并且在所述第二子网络中，第一特征提取组的输出端与第一个第二特征提取组的失活跳接模块DA连接，第一个第二特征提取组的失活跳接模块DA的输出端与第二个第二特征提取组的失活跳接模块DA连接；
所述输入层依次连接有所述第一特征提取组、两个所述第一子网络、两个所述第二子网络、所述最终模块F和所述输出层。
所述特征提取模块EX包括依次连接的卷积层、批归一化层和ReLU激活层。
所述下采样模块DS包括依次连接的零填充层、卷积层、批归一化层和ReLU激活层。
所述压缩激发模块SE包括依次连接的全局均值池化层、重塑层、两个卷积层和相乘层，所述全局均值池化层的输入端与相乘层连接。
所述失活跳接模块DA包括依次连接的卷积层、批归一化层、失活层和相加层，所述卷积层的输入端与相加层连接。
所述最终模块F包括依次连接的卷积层、批归一化层、全局均值池化层、失活层、全连接层和softmax激活层。
所述卷积层的公式为：h(m,n)＝(f*g)(m,n)＝∑x,yf(x,y)g(m-x,n-y)，其中，h()表示输出特征图函数，f()表示输入特征图函数，g()表示卷积核函数，*表示卷积运算符，(m,n)表示输出像素值对应的坐标，(x,y)表示输入像素值对应的坐标。
所述步骤(4)之后还包括步骤(5)：通过加权分类交叉熵来解决所述图像数据集不平衡的问题，所述加权分类交叉熵公式为：其中，L表示预测损失，N表示样本量，K表示分类数量，wj表示第j类的权重，yij表示第i个样本对应第j类的实际值；/>表示第i个样本对应第j类的预测值。
本发明解决其技术问题所采用的技术方案是：提供一种基于深度学习的超声图像筛选装置，包括：
图像获取模块：用于获取图像数据集，所述图像数据集包括超声图像和非超声图像；
卷积神经网络构建模块：用于构建卷积神经网络XDNet-01122；
卷积神经网络训练模块：用于利用所述图像数据集来训练所述卷积神经网络XDNet-01122，得到训练好的卷积神经网络XDNet-01122；
超声图像识别模块：用于通过训练好的卷积神经网络XDNet-01122来识别输入图像是否为超声图像。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过构建卷积神经网络XDNet-01122能够有效识别输入的图像是否为超声图像，并且本发明构建的卷积神经网络XDNet-01122在速度、准确率、开发维护的效率上都优于现有技术方案；本发明构建的卷积神经网络XDNet-01122在满足能够有效识别超声图像的前提下，网络结构安排合理简单，使得计算量并不复杂；本发明使得医生无需手动对输入图像进行人工判定其是否为超声图像；本发明适用于现有不同品牌、不同型号的超声机器。
附图说明
图1是本发明实施方式的特征提取模块EX结构示意图；
图2是本发明实施方式的下采样模块DS结构示意图；
图3是本发明实施方式的压缩激发模块SE结构示意图；
图4是本发明实施方式的失活跳接模块DA结构示意图；
图5是本发明实施方式的最终模块F结构示意图；
图6是本发明实施方式的卷积神经网络XDNet-01122架构图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于深度学习的超声图像筛选方法，包括：
步骤(1)：获取图像数据集，所述图像数据集包括超声图像和非超声图像；
步骤(2)：构建卷积神经网络XDNet-01122；
步骤(3)利用所述图像数据集来训练所述卷积神经网络XDNet-01122，得到训练好的卷积神经网络XDNet-01122；
步骤(4)：通过训练好的卷积神经网络XDNet-01122来识别输入图像是否为超声图像。
以下对本实施方式进行详细介绍：
1、数据构成
本实施方式用来训练卷积神经网络XDNet-01122的数据主要由两部分构成：超声图像(自行收集数据)和非超声图像(开源数据集)；非超声图像也由两部分构成：普通图像(如人像、动物、飞机、汽车、轮船、风景、影视截图等)，即任何用户可能失误导入的图像)；干扰图像(噪点图、X光、CT、和MRI影像)，即类似的超声图像或其他医学影像。
2、数据预处理(Data Preprocessing)
所有图像在输入卷积神经网络时都会被调整大小到(512，512，3)，此处的3表示通道数，即数据是以彩色图像输入；随后对数据归一化。
3、数据增强(Data Augmentation)
由于图像数据集的数据量有限，因此需要对数据进行增强处理，同时提升鲁棒性。使用的数据增强包括但不限于：随机旋转(random rotation)、随机横向平移(randomwidth shift)、随机纵向平移(random height shift)、随机亮度偏移(random brightnessshift)、随机错切变换(random shear)、随机缩放(random zoom)、随机通道平移(randomchannel shift)、随机横向翻转(random width flip)、随机纵向翻转(random heightflip)。
4、网络结构(Network Architecture)
本实施方式使用的是自主开发的卷积网络结构：XDNet-01122，通过卷积层(convolution layer)和下采样(down sampling)提取特征，结合压缩与激发网络(Squeezeand Excitation Network)的注意力思想，引入失活(dropout)和跳越连接(skipconnection)操作，以下进行详细介绍：
使用的网络层包括：
(A)卷积层(convolution layer)，公式为：
h(m,n)＝(f*g)(m,n)＝∑x,yf(x,y)g(m-x,n-y)
其中，h()表示输出特征图函数，f()表示输入特征图函数，g()表示卷积核函数(也成为过滤器，filter)，*表示卷积运算符，(m,n)表示输出像素值对应的坐标，取值取决于输入特征图的尺寸与卷积步长(stride)；(x,y)表示输入像素值对应的坐标，取值取决于(m,n)和卷积核尺寸。
(B)批归一化层(batch normalization layer)，为现有技术，此处不再赘述。
(C)激活层(activation layer，ReLU和softmax)
ReLU激活层，用于隐层神经元的输出，公式为：
f(r)＝max(0,r)
其中，r表示ReLU激活层的输入。
softmax激活层，用于多分类神经网络的输出，公式为：
其中，σ()为softmax函数；z为输入矩阵；zc、zd分别表示矩阵z中第c和第d个元素；c、d取值范围为[0,K]的整数；K表示矩阵中的元素数量。
(D)零填充层(zeropadding layer)
(E)全局均值池化层(global average pooling layer)，公式为：
其中，yk表示与第k个特征图的全局平均池化输出值；xkpq表示第k个特征图区域R中位于(p,q)处的元素；|R|表示第k个特征图全部元素的个数。
(F)重塑层(reshape layer)
(G)失活层(dropout layer)：用于提高泛化能力，防止过拟合。
(H)相乘(multiply)
(I)相加(add)
(J)全连接层(fully connected layer)
本实施方式通过上述不同网络层组合成不同功能的模块：
(1)特征提取模块EX(feature extraction layer)，详见图1，特征提取模块EX的作用：特征提取；
特征提取模块EX包括依次连接的卷积层、批归一化层和ReLU激活层。
(2)下采样模块DS(down sampling module)，详见图2，下采样模块DS的作用：下采样；
下采样模块DS包括依次连接的零填充层、卷积层、批归一化层和ReLU激活层。
(3)压缩激发模块SE(squeeze and excitation module)，详见图3，压缩激发模块SE的作用：1)特征强化，2)控制网络的注意力机制；
压缩激发模块SE包括依次连接的全局均值池化层、重塑层、卷积层、卷积层和相乘层，所述全局均值池化层的输入端与相乘层连接。
(4)失活跳接模块DA(dropout and skip connection module)，详见图4，失活跳接模块DA的作用：1)特征强化，2)防止过拟合，3)提示网络训练效率；
失活跳接模块DA包括依次连接的卷积层、批归一化层、失活层和相加层，所述卷积层的输入端与相加层连接。
(5)最终模块F(final module)，详见图5。
最终模块F包括依次连接的卷积层、批归一化层、全局均值池化层、失活层、全连接层和softmax激活层。
进一步地，再由上述各个模块组合成整个卷积神经网络XDNet-01122的结构，详见图6，卷积神经网络XDNet-01122的结构具体如下：
卷积神经网络XDNet-01122包括输入层、输出层、若干失活跳接模块DA、最终模块F、若干第一特征提取组、若干第二特征提取组。
第一特征提取组：包括依次连接的特征提取模块EX、下采样模块DS和压缩激发模块SE。
第二特征提取组：包括依次连接的特征提取模块EX和压缩激发模块SE，并且每个所述第二特征提取组输出端均连接有失活跳接模块DA。
第一子网络：第一特征提取组和第二特征提取组依次连接构成第一子网络，并且在所述第一子网络中，第一特征提取组的输出端与失活跳接模块DA连接。图4所示的失活跳接模块DA中的相加层连接有一根引线，该引线就是第一特征提取组的输出端与失活跳接模块DA连接的引线，以下同理。
第二子网络：第一特征提取组依次连接两个第二特征提取组构成第二子网络，并且在所述第二子网络中，第一特征提取组的输出端与第一个第二特征提取组的失活跳接模块DA连接，第一个第二特征提取组的失活跳接模块DA的输出端与第二个第二特征提取组的失活跳接模块DA连接。
请参阅图6，卷积神经网络XDNet-01122整体架构具体为：输入层依次连接有第一特征提取组、两个第一子网络、两个第二子网络、最终模块F和输出层。
5、损失函数
由于判断是否为超声图像是分类问题，且数据集中正反例，即超声图像与非超声图像数量不相等，为解决数据不平衡，本实施方式使用的是加权分类交叉熵，公式如下：
其中，L表示预测损失，N表示样本量，K表示分类数量(本实施方式有两种分类，故取值为2)，wj表示第j类的权重，yij表示第i个样本对应第j类的实际值，取值为1或0，分别表示第i个样本属于第j类或不属于第j类；表示第i个样本对应第j类的预测值，取值范围为[0,1]的实数。
6、开发与应用流程
将标注后的数据结构化(取值1或0，1表示是超声图像，0表示非超声图像)，然后经过预处理和增强后，输入并训练神经网络模型，学习图像特征；应用时，软件会将用户导入的图像预处理后，输入神经网络模型，得到预测结果，若预测其不是一张超声图像，则弹窗提示用户。
本实施方式还提供一种基于深度学习的超声图像筛选装置，包括：
图像获取模块：用于获取图像数据集，所述图像数据集包括超声图像和非超声图像；
卷积神经网络构建模块：用于构建卷积神经网络XDNet-01122；
卷积神经网络训练模块：用于利用所述图像数据集来训练所述卷积神经网络XDNet-01122，得到训练好的卷积神经网络XDNet-01122；
超声图像识别模块：用于通过训练好的卷积神经网络XDNet-01122来识别输入图像是否为超声图像。
实验结果对比：
表1实验结果对比表
| 单张图分析时间 | 准确率 | 开发测试周期 | 维护更新周期 | |
| 传统算法 | 0.5S | 82％ | 约2周 | 1～2周 |
| XDNet-01122 | <0.1S | 100％ | 1周以内 | 1～2天 |
由此可见，本发明通过构建卷积神经网络XDNet-01122能够有效识别输入的图像是否为超声图像，并且本发明构建的卷积神经网络XDNet-01122在速度、准确率、开发维护的效率上都优于现有技术方案。
Claims (9)
1.一种基于深度学习的超声图像筛选方法，其特征在于，包括：
步骤(1)：获取图像数据集，所述图像数据集包括超声图像和非超声图像；
步骤(2)：构建卷积神经网络XDNet-01122；其中，所述卷积神经网络XDNet-01122包括输入层、输出层、若干失活跳接模块DA、最终模块F、若干第一特征提取组、若干第二特征提取组；
所述第一特征提取组包括依次连接的特征提取模块EX、下采样模块DS和压缩激发模块SE；
所述第二特征提取组包括依次连接的特征提取模块EX和压缩激发模块SE，并且每个所述第二特征提取组输出端均连接有失活跳接模块DA；
所述第一特征提取组和第二特征提取组依次连接构成第一子网络，并且在所述第一子网络中，第一特征提取组的输出端与失活跳接模块DA连接；
所述第一特征提取组依次连接两个第二特征提取组构成第二子网络，并且在所述第二子网络中，第一特征提取组的输出端与第一个第二特征提取组的失活跳接模块DA连接，第一个第二特征提取组的失活跳接模块DA的输出端与第二个第二特征提取组的失活跳接模块DA连接；
所述输入层依次连接有所述第一特征提取组、所述两个第一子网络、两个所述第二子网络、所述最终模块F和所述输出层；
步骤(3)利用所述图像数据集来训练所述卷积神经网络XDNet-01122，得到训练好的卷积神经网络XDNet-01122；
步骤(4)：通过训练好的卷积神经网络XDNet-01122来识别输入图像是否为超声图像。
2.根据权利要求1所述的基于深度学习的超声图像筛选方法，其特征在于，所述特征提取模块EX包括依次连接的卷积层、批归一化层和ReLU激活层。
3.根据权利要求1所述的基于深度学习的超声图像筛选方法，其特征在于，所述下采样模块DS包括依次连接的零填充层、卷积层、批归一化层和ReLU激活层。
4.根据权利要求1所述的基于深度学习的超声图像筛选方法，其特征在于，所述压缩激发模块SE包括依次连接的全局均值池化层、重塑层、两个卷积层和相乘层，所述全局均值池化层的输入端与相乘层连接。
5.根据权利要求1所述的基于深度学习的超声图像筛选方法，其特征在于，所述失活跳接模块DA包括依次连接的卷积层、批归一化层、失活层和相加层，所述卷积层的输入端与相加层连接。
6.根据权利要求1所述的基于深度学习的超声图像筛选方法，其特征在于，所述最终模块F包括依次连接的卷积层、批归一化层、全局均值池化层、失活层、全连接层和softmax激活层。
7.根据权利要求2-6任一所述的基于深度学习的超声图像筛选方法，其特征在于，所述卷积层的公式为：h(m,n)＝(f*g)(m,n)＝∑x,yf(x,y)g(m-x,n-y)，其中，h()表示输出特征图函数，f()表示输入特征图函数，g()表示卷积核函数，*表示卷积运算符，(m,n)表示输出像素值对应的坐标，(x,y)表示输入像素值对应的坐标。
8.根据权利要求1所述的基于深度学习的超声图像筛选方法，其特征在于，所述步骤(4)之后还包括步骤(5)：通过加权分类交叉熵来解决所述图像数据集不平衡的问题，所述加权分类交叉熵公式为：其中，L表示预测损失，N表示样本量，K表示分类数量，wj表示第j类的权重，yij表示第i个样本对应第j类的实际值；/>表示第i个样本对应第j类的预测值。
9.一种基于深度学习的超声图像筛选装置，其特征在于，包括：
图像获取模块：用于获取图像数据集，所述图像数据集包括超声图像和非超声图像；
卷积神经网络构建模块：用于构建卷积神经网络XDNet-01122；其中，所述卷积神经网络XDNet-01122包括输入层、输出层、若干失活跳接模块DA、最终模块F、若干第一特征提取组、若干第二特征提取组；
所述第一特征提取组包括依次连接的特征提取模块EX、下采样模块DS和压缩激发模块SE；
所述第二特征提取组包括依次连接的特征提取模块EX和压缩激发模块SE，并且每个所述第二特征提取组输出端均连接有失活跳接模块DA；
所述第一特征提取组和第二特征提取组依次连接构成第一子网络，并且在所述第一子网络中，第一特征提取组的输出端与失活跳接模块DA连接；
所述第一特征提取组依次连接两个第二特征提取组构成第二子网络，并且在所述第二子网络中，第一特征提取组的输出端与第一个第二特征提取组的失活跳接模块DA连接，第一个第二特征提取组的失活跳接模块DA的输出端与第二个第二特征提取组的失活跳接模块DA连接；
所述输入层依次连接有所述第一特征提取组、所述两个第一子网络、两个所述第二子网络、所述最终模块F和所述输出层；
卷积神经网络训练模块：用于利用所述图像数据集来训练所述卷积神经网络XDNet-01122，得到训练好的卷积神经网络XDNet-01122；
超声图像识别模块：用于通过训练好的卷积神经网络XDNet-01122来识别输入图像是否为超声图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111019541.5A CN113688931B (zh) | 2021-09-01 | 2021-09-01 | 一种基于深度学习的超声图像筛选方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111019541.5A CN113688931B (zh) | 2021-09-01 | 2021-09-01 | 一种基于深度学习的超声图像筛选方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113688931A CN113688931A (zh) | 2021-11-23 |
| CN113688931B true CN113688931B (zh) | 2024-03-29 |
Family
ID=78584676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111019541.5A Active CN113688931B (zh) | 2021-09-01 | 2021-09-01 | 一种基于深度学习的超声图像筛选方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113688931B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114155365B (zh) * | 2022-02-07 | 2022-06-14 | 北京航空航天大学杭州创新研究院 | 模型训练方法、图像处理方法及相关装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898157A (zh) * | 2018-05-28 | 2018-11-27 | 浙江理工大学 | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 |
| CN110427990A (zh) * | 2019-07-22 | 2019-11-08 | 浙江理工大学 | 一种基于卷积神经网络的艺术图像分类方法 |
| CN112115973A (zh) * | 2020-08-18 | 2020-12-22 | 吉林建筑大学 | 一种基于卷积神经网络图像识别方法 |
| CN112613581A (zh) * | 2020-12-31 | 2021-04-06 | 广州大学华软软件学院 | 一种图像识别方法、系统、计算机设备和存储介质 |
| CN112668624A (zh) * | 2020-12-21 | 2021-04-16 | 苏州二向箔科技有限公司 | 一种基于注意力神经网络的乳房超声图像肿瘤分类方法 |
| WO2021092796A1 (zh) * | 2019-11-13 | 2021-05-20 | 深圳市大疆创新科技有限公司 | 神经网络模型部署方法、装置及设备 |
| CN112861602A (zh) * | 2020-12-10 | 2021-05-28 | 华南理工大学 | 基于深度可分离卷积的人脸活体识别模型压缩和移植方法 |
| CN112884001A (zh) * | 2021-01-15 | 2021-06-01 | 广东省特种设备检测研究院珠海检测院 | 碳钢石墨化自动评级方法和系统 |
| CN113256641A (zh) * | 2021-07-08 | 2021-08-13 | 湖南大学 | 一种基于深度学习的皮肤病灶图像分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10460440B2 (en) * | 2017-10-24 | 2019-10-29 | General Electric Company | Deep convolutional neural network with self-transfer learning |
-
2021
- 2021-09-01 CN CN202111019541.5A patent/CN113688931B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898157A (zh) * | 2018-05-28 | 2018-11-27 | 浙江理工大学 | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 |
| CN110427990A (zh) * | 2019-07-22 | 2019-11-08 | 浙江理工大学 | 一种基于卷积神经网络的艺术图像分类方法 |
| WO2021092796A1 (zh) * | 2019-11-13 | 2021-05-20 | 深圳市大疆创新科技有限公司 | 神经网络模型部署方法、装置及设备 |
| CN112115973A (zh) * | 2020-08-18 | 2020-12-22 | 吉林建筑大学 | 一种基于卷积神经网络图像识别方法 |
| CN112861602A (zh) * | 2020-12-10 | 2021-05-28 | 华南理工大学 | 基于深度可分离卷积的人脸活体识别模型压缩和移植方法 |
| CN112668624A (zh) * | 2020-12-21 | 2021-04-16 | 苏州二向箔科技有限公司 | 一种基于注意力神经网络的乳房超声图像肿瘤分类方法 |
| CN112613581A (zh) * | 2020-12-31 | 2021-04-06 | 广州大学华软软件学院 | 一种图像识别方法、系统、计算机设备和存储介质 |
| CN112884001A (zh) * | 2021-01-15 | 2021-06-01 | 广东省特种设备检测研究院珠海检测院 | 碳钢石墨化自动评级方法和系统 |
| CN113256641A (zh) * | 2021-07-08 | 2021-08-13 | 湖南大学 | 一种基于深度学习的皮肤病灶图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习算法的图像集识别;张玉冰;于威威;;现代计算机(专业版);20170725(第21期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113688931A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369563B (zh) | 一种基于金字塔空洞卷积网络的语义分割方法 | |
| CN112270347B (zh) | 一种基于改进ssd的医疗废弃物分类检测方法 | |
| Jifara et al. | Medical image denoising using convolutional neural network: a residual learning approach | |
| WO2021196873A1 (zh) | 车牌字符识别方法、装置、电子设备和存储介质 | |
| CN107680082A (zh) | 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法 | |
| CN109493342B (zh) | 一种基于深度学习的皮肤病图片病变类型分类方法 | |
| CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
| CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
| CN110599502B (zh) | 一种基于深度学习的皮肤病变分割方法 | |
| CN111027576A (zh) | 基于协同显著性生成式对抗网络的协同显著性检测方法 | |
| CN111524144A (zh) | 一种基于GAN和Unet网络的肺结节智能诊断方法 | |
| CN113688931B (zh) | 一种基于深度学习的超声图像筛选方法和装置 | |
| CN112597873A (zh) | 一种基于深度学习的双通道人脸表情识别方法 | |
| CN105956570A (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
| CN115410258A (zh) | 基于注意力图像的人脸表情识别方法 | |
| CN111666813A (zh) | 一种基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
| CN110728352A (zh) | 一种基于深度卷积神经网络的大规模图像分类方法 | |
| CN110321936A (zh) | 一种基于vgg16及svm实现图片二分类的方法 | |
| CN110084810A (zh) | 一种肺结节图像检测方法、模型训练方法、装置及存储介质 | |
| CN113469961A (zh) | 一种基于神经网络的腕管图像分割方法及系统 | |
| CN113505640A (zh) | 一种基于多尺度特征融合的小尺度行人检测方法 | |
| CN107122653A (zh) | 一种图片验证码处理方法及装置 | |
| CN115908814A (zh) | 一种点云语义分割方法、计算机设备、可读存储介质及机动车 | |
| CN114723049A (zh) | 一种基于梯度优化的类激活映射方法及装置 | |
| Chen et al. | Bearing fault diagnosis based on pooling weight multi-scale convolutional neural networks |
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 | ||
| CB02 | Change of applicant information |
Address after: 201114 room 101-8, building 3, No. 2388, Chenhang Road, Minhang District, Shanghai Applicant after: Shiwei Xinzhi medical technology (Shanghai) Co.,Ltd. Address before: 1628 suzhao Road, Minhang District, Shanghai 201112 Applicant before: Shiwei Xinzhi medical technology (Shanghai) Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |