CN113781465A - 基于Grad-CAM的医学图像分割模型可视化方法 - Google Patents

基于Grad-CAM的医学图像分割模型可视化方法 Download PDF

Info

Publication number
CN113781465A
CN113781465A CN202111096769.4A CN202111096769A CN113781465A CN 113781465 A CN113781465 A CN 113781465A CN 202111096769 A CN202111096769 A CN 202111096769A CN 113781465 A CN113781465 A CN 113781465A
Authority
CN
China
Prior art keywords
medical image
segmentation model
image segmentation
grad
cam
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
Application number
CN202111096769.4A
Other languages
English (en)
Inventor
蒋振刚
张丽媛
师为礼
李岩芳
苗语
何巍
何飞
赵家石
张科
曲峰
秦俊
冯冠元
肖梦莹
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.)
Chongqing Research Institute Of Changchun University Of Technology
Changchun University of Science and Technology
Original Assignee
Chongqing Research Institute Of Changchun University Of Technology
Changchun University of Science and Technology
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 Chongqing Research Institute Of Changchun University Of Technology, Changchun University of Science and Technology filed Critical Chongqing Research Institute Of Changchun University Of Technology
Priority to CN202111096769.4A priority Critical patent/CN113781465A/zh
Publication of CN113781465A publication Critical patent/CN113781465A/zh
Pending legal-status Critical Current

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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

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

Abstract

基于Grad‑CAM的医学图像分割模型可视化方法属于卷积神经网络可视化技术领域，目的在于解决现有技术存在的无法为医学影像分割模型产生准确的可视化结构的问题。本发明在Grad‑CAM的基础上进行了改进，提出了一个应用于医学影像分割模型的可视化方法，通过设定阈值获取分割出来的感兴趣区域，并将感兴趣区域的像素值加和后反向传播求梯度，进而得出编码器最后一层卷积层中特征图的神经元重要性权重，利用特征图与对应权重的加权和得出粗略热图。最终热图与原图叠加后生成的可视化结果表明了各像素对分割结果的重要程度，该方法避免了直接对分割模型结构进行更改，解决了Grad‑CAM方法无法直接用于可视化医学影像分割模型的问题。

Description

基于Grad-CAM的医学图像分割模型可视化方法
技术领域
本发明属于卷积神经网络可视化技术领域，具体涉及一种基于Grad-CAM的医学图像分割模型可视化方法。
背景技术
随着深度卷积神经网络在各个领域取得了卓越的性能，以深度学习为基础的计算机辅助方法被应用到各种目标病灶的分割、分类、定位和检测等任务中。尽管深度学习在医学领域取得了显著的成果，但基于人工智能的方法的深度神经网络的“黑盒性”极大地制约了深度学习在医疗等公共安全领域的应用与发展。由于深度神经网络不能清楚的表示其内部学习到的特征，导致缺乏透明性。因此，对基于深度学习的医学影像分割模型做出解释有重大意义。
目前已经有一些方法应用于解释和分析基于深度神经网络的模型的“黑盒性”。其中，基于梯度的敏感性分析法只需将网络通过一次前向和后向传播来计算输入像素的重要程度，在深度神经网络上的表现更好。显著图(Saliency map)方法通过对像素进行扰动，记录模型预测结果的变化，并反向传播计算每个像素的梯度，从而得出各个像素对模型的重要程度。为了抑制无用特征，导向反向传播(Guided Back Propagation,GBP)方法通过反向传播计算特征值相对于该输入图片的梯度，限制了小于零的梯度的回传，抑制了无用特征，相比反卷积(Deconvnet)产生了更清晰的可视化视图。为了进一步理解深度神经网络的内部机制，Bach等人提出了LRP(Layer-wise relevance propagation)方法，从模型预测结果开始，逐层反向传播至输入，并逐步调整相关得分，最终得出每个像素的贡献值。为了解决梯度饱和的问题，Shrikumar等人提出了DeepLIFT方法，它是一种改进的基于反向传播梯度生成热图的算法，在LRP方法的基础上引入了放缩规则和RevealCancel规则分别处理神经元的正负贡献。Grad-CAM(Gradient-weighted Class Activation Mapping)[15]广泛应用于为分类任务产生解释性热图，与CAM基本思路相同，都是通过计算最后卷积层中特征图与对应权重的加权和得出最后的热图，但克服了CAM方法需要对分类网络结构进行修改的弊端，使用梯度的全局平均来计算权重。Grad-CAM只需对训练好的模型进行一次前向传播和反向传播，且能产生准确的可视化结果。
目前已有的基于梯度的敏感性分析法大多数被应用于解释病灶分类和检测结果等任务进行解释，例如，Grad-CAM能为分类模型产生准确的可视化结果，但对于医学影像分割模型的解释方法还有待探索。由于分类模型和分割模型这样的结构差异，使得Grad-CAM方法不能直接应用于分割医学影像分割模型。
发明内容
本发明的目的在于提出一种基于Grad-CAM的医学图像分割模型可视化方法，解决现有技术存在的无法为医学影像分割模型产生准确的可视化结构的问题。
为实现上述目的，本发明的基于Grad-CAM的医学图像分割模型可视化方法包括以下步骤：
步骤一：将三个医学影像数据集的图像通过数据增强技术后获取到增强后的图像(三个医学影像数据集分别为CVC-Clinic结直肠息肉数据集、3Dircadb肾脏分割数据集和Lesion Boundary Segmentation dataset from ISIC-2018病灶边界分割数据集)，将增强后的图像作为输入图像X，所述输入图像X的尺寸为H×W；
步骤二：将步骤一中获得的输入图像输入至预训练好的医学影像分割模型进行前向传播，通过医学影像分割模型输出尺寸为H×W的二值图像；
步骤三：将步骤二中输出的尺寸为H×W的二值图像转换为形状为1×M的向量P，其中M＝H×W，并将向量P经过softmax激活操作归一化后生成S；
步骤四：根据公式(一)对步骤三中获得的S计算感兴趣区域T1，其中分位数α决定了需要通过反向传播的感兴趣区域，α设定为0.5；
T1＝{si∈S|si＞α} (一)
步骤五：根据公式(二)将步骤四中获得的感兴趣区域T1的像素值加和得到分割感兴趣区域的得分
Figure BDA0003269310190000021
根据公式(三)获得步骤三中获得的S中其他区域的得分
Figure BDA0003269310190000022
Figure BDA0003269310190000031
Figure BDA0003269310190000032
步骤六：由
Figure BDA0003269310190000033
对预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图反向求梯度后，经过宽和高维度的全局平均池化，根据公式(四)计算获得所述特征图的神经元重要性权重
Figure BDA0003269310190000034
Figure BDA0003269310190000035
其中：AK为预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图的激活值；
Figure BDA0003269310190000036
为预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图中索引值为i，j的像素；
Z为所述特征图中像素的个数；
步骤七：将步骤六中获得的
Figure BDA0003269310190000037
作为权重与所述特征图加权求和得到粗略热图Rc；
步骤八：使用ReLU激活函数将步骤七中获得的粗略热图Rc突出对分割结构有积极影响的区域Lc，Lc＝ReLU(Rc)；
步骤九：将步骤八获得的Lc放大至输入图像X大小得到最终热图Hc，将放大后的最终热图Hc和输入图像X叠加后获得的图像作为可视化结果。
步骤二中所述的预训练好的医学影像分割模型具体为Double U-Net，R2U-Net以及MCGU-Net三医学影像分割模型。
步骤三所述的将步骤二中输出的尺寸为H×W的二值图像转换为形状为1×M的向量P具体为：
P＝(a1,a2,a3,..,ai)，i∈[1，H×W]，其中ai为输出的尺寸为H×W的二值图像中的像素值。
步骤三中所述的将向量P经过softmax激活操作归一化后生成S具体为S＝Softmax(P)。
步骤六中所述的预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图一般取预训练好的医学影像分割模型中编码器中最后一层卷积层输出的特征图。
步骤八所述的使用ReLU激活函数将步骤七中获得的粗略热图Lc突出对分割结构有积极影响的区域具体Lc为
Figure BDA0003269310190000041
本发明的有益效果为：本发明的目的是为医学影像分割模型产生可视化结果，由于分类模型与分割模型存在较大的差异。从模型输出结果来看，分类模型的输出是在最后的卷积层之后经过一次或者多次全连接操作，最终经过Softmax运算得出一个C维向量，其中向量中的元素为对应类别c的分类得分。而分割模型输出的是与模型输入大小相同的分割后的图片。分割结果反应每个输入空间像素的分类情况，以及为每个输入像素输出一个新的像素值，其中新的像素值c表示像素的所属类别。由于对二维医学影像的分割一般是为了区分病灶区域和其他背景区域，每个区域是包含同一语义信息的像素的集合。所以我们将Grad-CAM方法进行了改进，改进的Grad-CAM方法用于为医学影像分割任务产生的分割结果做出可视化解释。由于分类模型和分割模型的结构差异，使得Grad-CAM不能直接用于医学影像分割的深度神经网络产生可解释性热图。本发明在Grad-CAM的基础上进行了改进，提出了一个应用于医学影像分割模型的可视化方法，通过设定阈值获取分割出来的感兴趣区域，并将感兴趣区域的像素值加和后反向传播求梯度，进而得出编码器最后一层卷积层中特征图的神经元重要性权重，利用特征图与对应权重的加权和得出粗略热图。最终热图与原图叠加后生成的可视化结果表明了各像素对分割结果的重要程度，该方法避免了直接对分割模型结构进行更改，解决了Grad-CAM方法无法直接用于可视化医学影像分割模型的问题。
附图说明
图1为本发明的基于Grad-CAM的医学图像分割模型可视化方法原理图。
具体实施方式
下面结合附图对本发明的实施方式作进一步说明。
参见附图1，本发明的基于Grad-CAM的医学图像分割模型可视化方法包括以下步骤：
步骤一：将三个医学影像数据集的图像通过数据增强技术后获取到增强后的图像(三个医学影像数据集分别为CVC-Clinic结直肠息肉数据集、3Dircadb肾脏分割数据集和Lesion Boundary Segmentation dataset from ISIC-2018病灶边界分割数据集)，将增强后的图像作为输入图像X，所述输入图像X的尺寸为H×W；
步骤二：将步骤一中获得的输入图像输入至预训练好的医学影像分割模型进行前向传播，通过医学影像分割模型输出尺寸为H×W的二值图像；
步骤三：将步骤二中输出的尺寸为H×W的二值图像转换为形状为1×M的向量P，其中M＝H×W，并将向量P经过softmax激活操作归一化后生成S；
步骤四：根据公式(一)对步骤三中获得的S计算感兴趣区域T1，其中分位数α决定了需要通过反向传播的感兴趣区域，α设定为0.5；
T1＝{si∈S|si＞α} (一)
步骤五：根据公式(二)将步骤四中获得的感兴趣区域T1的像素值加和得到分割感兴趣区域的得分
Figure BDA0003269310190000051
根据公式(三)获得步骤三中获得的S中其他区域的得分
Figure BDA0003269310190000059
Figure BDA0003269310190000053
Figure BDA0003269310190000054
步骤六：由
Figure BDA0003269310190000055
对预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图反向求梯度后，经过宽和高维度的全局平均池化，根据公式(四)计算获得所述特征图的神经元重要性权重
Figure BDA0003269310190000056
Figure BDA0003269310190000057
其中：AK为预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图的激活值；
Figure BDA0003269310190000058
为预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图中索引值为i，j的像素；
Z为所述特征图中像素的个数；
反向求梯度利用TensorFlow里的tf.GradientType()可以自动求取；
反向梯度
Figure BDA0003269310190000061
之后，得到的是一个与
Figure BDA0003269310190000062
具有相同高、宽和通道数的一个Tensor.
平均池化就是公式中两个维度加和再求平均的操作
Figure BDA0003269310190000063
对梯度值
Figure BDA0003269310190000064
进行全局平均池化
Figure BDA0003269310190000065
操作之后得到的就是
Figure BDA0003269310190000066
步骤七：将步骤六中获得的
Figure BDA0003269310190000067
作为权重与所述特征图加权求和得到粗略热图Rc；
步骤八：使用ReLU激活函数将步骤七中获得的粗略热图Rc突出对分割结构有积极影响的区域Lc，Lc＝ReLU(Rc)；
步骤九：将步骤八获得的Lc放大至输入图像X大小得到最终热图Hc，将放大后的最终热图Hc和输入图像X叠加后获得的图像作为可视化结果。
步骤二中所述的预训练好的医学影像分割模型具体为Double U-Net，R2U-Net以及MCGU-Net三医学影像分割模型。
步骤三所述的将步骤二中输出的尺寸为H×W的二值图像转换为形状为1×M的向量P具体为：
P＝(a1,a2,a3,..,ai)，i∈[1，H×W]，其中ai为输出的尺寸为H×W的二值图像中的像素值。
步骤三中所述的将向量经过softmax激活操作归一化后生成S具体为S＝Softmax(P)。
本实施例中步骤六中所述的预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图选取预训练好的医学影像分割模型中编码器中最后一层卷积层输出的特征图。
步骤八所述的使用ReLU激活函数将步骤七中获得的粗略热图Lc突出对分割结构有积极影响的区域具体Lc为
Figure BDA0003269310190000068

Claims (6)

1.基于Grad-CAM的医学图像分割模型可视化方法，其特征在于，包括以下步骤：
步骤一：将三个医学影像数据集的图像通过数据增强技术后获取到增强后的图像，将增强后的图像作为输入图像X，所述输入图像X的尺寸为H×W；三个医学影像数据集分别为CVC-Clinic、3Dircadb和Lesion Boundary Segmentation dataset from ISIC-2018；
步骤二：将步骤一中获得的输入图像输入至预训练好的医学影像分割模型进行前向传播，通过医学影像分割模型输出尺寸为H×W的二值图像；
步骤三：将步骤二中输出的尺寸为H×W的二值图像转换为形状为1×M的向量P，其中M＝H×W，并将向量P经过softmax激活操作归一化后生成S；
步骤四：根据公式(一)对步骤三中获得的S计算感兴趣区域T1，其中分位数α决定了需要通过反向传播的感兴趣区域，α设定为0.5；
T1＝{si∈S|si＞α} (一)
步骤五：根据公式(二)将步骤四中获得的感兴趣区域T1的像素值加和得到分割感兴趣区域的得分
Figure FDA0003269310180000011
根据公式(三)获得步骤三中获得的S中其他区域的得分
Figure FDA0003269310180000012
Figure FDA0003269310180000013
Figure FDA0003269310180000014
步骤六：由
Figure FDA0003269310180000015
对预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图反向求梯度后，经过宽和高维度的全局平均池化，根据公式(四)计算获得所述特征图的神经元重要性权重
Figure FDA0003269310180000016
Figure FDA0003269310180000017
其中：AK为预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图的激活值；
Figure FDA0003269310180000018
为预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图中索引值为i，j的像素；
Z为所述特征图中像素的个数；
步骤七：将步骤六中获得的
Figure FDA0003269310180000021
作为权重与所述特征图加权求和得到粗略热图Rc；
步骤八：使用ReLU激活函数将步骤七中获得的粗略热图Rc突出对分割结构有积极影响的区域Lc，Lc＝ReLU(Rc)；
步骤九：将步骤八获得的Lc放大至输入图像X大小得到最终热图Hc，将放大后的最终热图Hc和输入图像X叠加后获得的图像作为可视化结果。
2.根据权利要求1所述的基于Grad-CAM的医学图像分割模型可视化方法，其特征在于，步骤二中所述的预训练好的医学影像分割模型具体为Double U-Net，R2U-Net以及MCGU-Net三医学影像分割模型。
3.根据权利要求1所述的基于Grad-CAM的医学图像分割模型可视化方法，其特征在于，步骤三所述的将步骤二中输出的尺寸为H×W的二值图像转换为形状为1×M的向量P具体为：
P＝(a1,a2,a3,..,ai)，i∈[1，H×W]，其中ai为输出的尺寸为H×W的二值图像中的像素值。
4.根据权利要求1所述的基于Grad-CAM的医学图像分割模型可视化方法，其特征在于，步骤三中所述的将向量P经过softmax激活操作归一化后生成S具体为S＝Softmax(P)。
5.根据权利要求1所述的基于Grad-CAM的医学图像分割模型可视化方法，其特征在于，步骤六中所述的预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图选取预训练好的医学影像分割模型中编码器中最后一层卷积层输出的特征图。
6.根据权利要求1-5中任意一项所述的基于Grad-CAM的医学图像分割模型可视化方法，其特征在于，步骤八所述的使用ReLU激活函数将步骤七中获得的粗略热图Lc突出对分割结构有积极影响的区域具体Lc为
Figure FDA0003269310180000022
CN202111096769.4A 2021-09-18 2021-09-18 基于Grad-CAM的医学图像分割模型可视化方法 Pending CN113781465A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111096769.4A CN113781465A (zh) 2021-09-18 2021-09-18 基于Grad-CAM的医学图像分割模型可视化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111096769.4A CN113781465A (zh) 2021-09-18 2021-09-18 基于Grad-CAM的医学图像分割模型可视化方法

Publications (1)

Publication Number Publication Date
CN113781465A true CN113781465A (zh) 2021-12-10

Family

ID=78852032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111096769.4A Pending CN113781465A (zh) 2021-09-18 2021-09-18 基于Grad-CAM的医学图像分割模型可视化方法

Country Status (1)

Country Link
CN (1) CN113781465A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023108968A1 (zh) * 2021-12-14 2023-06-22 北京邮电大学 基于知识驱动的深度学习图像分类方法和系统
CN116309431A (zh) * 2023-03-14 2023-06-23 中国人民解放军空军军医大学 一种基于医学影像的视觉解释方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311592A (zh) * 2020-03-13 2020-06-19 中南大学 一种基于深度学习的三维医学图像自动分割方法
CN112614119A (zh) * 2020-12-28 2021-04-06 上海市精神卫生中心（上海市心理咨询培训中心） 医学图像感兴趣区域可视化方法、装置、存储介质和设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311592A (zh) * 2020-03-13 2020-06-19 中南大学 一种基于深度学习的三维医学图像自动分割方法
CN112614119A (zh) * 2020-12-28 2021-04-06 上海市精神卫生中心（上海市心理咨询培训中心） 医学图像感兴趣区域可视化方法、装置、存储介质和设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MENGYING XIAO等: "A visualization method based on the Grad-CAM for medical image segmentation model" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023108968A1 (zh) * 2021-12-14 2023-06-22 北京邮电大学 基于知识驱动的深度学习图像分类方法和系统
CN116309431A (zh) * 2023-03-14 2023-06-23 中国人民解放军空军军医大学 一种基于医学影像的视觉解释方法
CN116309431B (zh) * 2023-03-14 2023-10-27 中国人民解放军空军军医大学 一种基于医学影像的视觉解释方法

Similar Documents

Publication Publication Date Title
CN111738363B (zh) 基于改进的3d cnn网络的阿尔茨海默病分类方法
CN112150425A (zh) 一种基于神经网络的无监督血管内超声图像配准方法
CN111627019A (zh) 一种基于卷积神经网络的肝脏肿瘤分割方法及系统
CN111968138B (zh) 基于3d动态边缘不敏感性损失函数的医学图像分割方法
Peng et al. Segmentation of dermoscopy image using adversarial networks
CN113781465A (zh) 基于Grad-CAM的医学图像分割模型可视化方法
Xiao et al. A visualization method based on the Grad-CAM for medical image segmentation model
CN114612660A (zh) 一种基于多特征融合点云分割的三维建模方法
CN107301643A (zh) 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法
Rehman et al. Automatic melanoma detection and segmentation in dermoscopy images using deep RetinaNet and conditional random fields
Wu Research on deep learning image processing technology of second-order partial differential equations
CN116310693A (zh) 基于边缘特征融合和高阶空间交互的伪装目标检测方法
CN115496720A (zh) 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备
CN116310396A (zh) 一种基于深度质量加权的rgb-d显著性目标检测方法
Jia et al. Nonlocal regularized CNN for image segmentation
Samsi et al. Colorization of H&E stained tissue using Deep Learning
Wu et al. Fish Target Detection in Underwater Blurred Scenes Based on Improved YOLOv5
Wang et al. Air pollution measurement based on hybrid convolutional neural network with spatial-and-channel attention mechanism
Zhang et al. Multi-scale aggregation networks with flexible receptive fields for melanoma segmentation
Huang Image super-resolution reconstruction based on generative adversarial network model with double discriminators
Huang et al. DeeptransMap: a considerably deep transmission estimation network for single image dehazing
Cao et al. Ancient mural segmentation based on a deep separable convolution network
Li et al. A review of advances in image inpainting research
CN114863132A (zh) 图像空域信息的建模与捕捉方法、系统、设备及存储介质
CN110827238B (zh) 一种改进的全卷积神经网络的侧扫声纳图像特征提取方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211210

WD01 Invention patent application deemed withdrawn after publication