CN114141382A - 一种消化内镜视频数据筛选标注方法、系统和应用 - Google Patents

一种消化内镜视频数据筛选标注方法、系统和应用 Download PDF

Info

Publication number
CN114141382A
CN114141382A CN202111505639.1A CN202111505639A CN114141382A CN 114141382 A CN114141382 A CN 114141382A CN 202111505639 A CN202111505639 A CN 202111505639A CN 114141382 A CN114141382 A CN 114141382A
Authority
CN
China
Prior art keywords
labeling
video data
training
recognition model
data
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
CN202111505639.1A
Other languages
English (en)
Inventor
邱祺
胡延兴
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.)
Xiamen Yinnuo Medical Technology Co ltd
Original Assignee
Xiamen Yinnuo Medical 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 Xiamen Yinnuo Medical Technology Co ltd filed Critical Xiamen Yinnuo Medical Technology Co ltd
Priority to CN202111505639.1A priority Critical patent/CN114141382A/zh
Publication of CN114141382A publication Critical patent/CN114141382A/zh
Pending legal-status Critical Current

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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Endoscopes (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明提供一种消化内镜视频数据筛选标注方法、系统和应用，包括：获取初步识别模型、获取待处理消化内镜视频数据、数据处理、根据主动学习策略抽取高价值帧、对所述高价值帧进行标注并补充进入训练样本、通过所述训练样本训练所述初步识别模型、当初步识别模型的识别结果达标时，获得最终识别模型，否则继续补充训练样本，再次训练所述初步识别模型，直到识别结果达标或者训练次数达到预设次数后停止。本发明在整个机器学习建模的过程中设置有人工参与的部分和环节，并且通过机器学习方法筛选出合适的候选集给人工标注的，实现降低人工标注成本。

Description

一种消化内镜视频数据筛选标注方法、系统和应用
技术领域
本发明涉及内镜数据的数据处理技术领域，尤其涉及一种消化内镜视频数据筛选标注方法。
背景技术
基于卷积神经网络的人工智能方法在许多行业都得到了广泛的应用。此类方法是具有监督性的学习方法，即需要先对目标数据进行人工标注，再进行学习得到模型。而数据标注的人工成本，成为了人工智能模型研发的主要成本之一。
在消化内镜领域，数据源主要为内镜检查的视频流，或对内镜检查视频流存储得到的视频文件，根据不同病种的发病率比例以及病变可能散落在视频中的任何时刻，要从中获取对训练模型有效的样本进行标注，需要耗费极大的人力成本，而具备标注资质的专家往往缺少进行数据标注的精力和时间，可见，传统的基于卷积神经网络的人工智能方法在消化内镜领域需要进一步改进。
发明内容
本发明实施例提供一种消化内镜视频数据筛选标注方法和应用，该技术方案能够将人工经验融入机器学习中，且有助于减少人工标注成本。
第一方面，提供一种消化内镜视频数据筛选标注方法，包括：
获取初步识别模型，该模型不一定是最终模型，允许具有较大的判断误差。
获取待处理消化内镜视频数据，该数据可以是实时的内镜检查视频，也可以是历史储存的视频数据。
数据处理，通过所述初步识别模型处理待处理消化内镜视频并存储处理结果。
根据主动学习策略抽取高价值帧。
对所述高价值帧进行标注并补充进入训练样本。
通过所述训练样本训练所述初步识别模型。
当初步识别模型的识别结果达标时，获得最终识别模型，否则继续补充训练样本，再次训练所述初步识别模型，直到识别结果达标或者训练次数达到预设次数后停止。
本发明是基于卷积神经网络对数据进行初步的处理，再通过主动学习策略对处理结果进一步筛选，以筛选出具有高价值的数据，再将标注后的高价值数据补充到训练样本中，对模型再次训练，从而更新和完善模型。
本发明在整个机器学习建模的过程中设置有人工参与的部分和环节，并且通过机器学习方法筛选出合适的候选集给人工标注的，实现降低人工标注成本。
优选的，所述初步识别模型为现有的人工智能模型，或者通过初步的训练样本训练获得的人工智能模型。
优选的，存储处理结果时，采用JSON、xml、、rle或h5等文件存储，内容格式为字符串、RLE图像编码或数据二进制编码。其中，JSON是一种轻量级的数据交换格式，是基于ECMAScript(欧洲计算机协会制定的js规范)的一个子集，采用完全独立于编程语言的文本格式来存储和表示数据。简洁和清晰的层次结构使得JSON成为理想的数据交换语言。易于人阅读和编写，同时也易于机器解析和生成，并有效地提升网络传输效率。
优选的，所述主动学习策略由算法工程师指定并补充。所述对所述高价值帧进行标注是由内镜检查专家完成。
优选的，所述主动学习策略包括：
A、时间窗口内孤立的阳性结果数据。
B、时间窗口内连续阳性结果中的断点数据。
C、包含多个阳性结果的单帧数据。
D、数据集缺少的某类阳性结果数据。
E、其它信息显示不应出现阳性结果处的阳性结果数据。
优选的，所述阳性结果包括图像分类标签、目标检测位置和/或目标边界。
优选的，将手术或者平时内镜检查获取的内镜检查视频进行处理以抽取高价值帧或者直接获取高价值帧，并进行标注，并补充到训练样本内，或者，根据手术或者平时内镜检查结果增加或修改所述主动学习策略，进一步更新所述最终识别模型。
优选的，继续补充训练样本前，重新获取新的待处理消化内镜视频数据，或者对原本的待处理消化内镜视频数据，进行数据处理和高价值帧的抽取。
第二方面，提供一种消化内镜视频数据筛选标注系统，能够实现第一方面所述的方法，包括：
数据模块：获取初步识别模型和待处理消化内镜视频数据。
处理模块：通过所述初步识别模型处理待处理消化内镜视频并存储处理结果。根据主动学习策略抽取高价值帧，并对所述高价值帧进行标注后补充进入训练样本。通过所述训练样本训练所述初步识别模型。当初步识别模型的识别结果达标时，获得最终识别模型，否则继续补充训练样本，再次训练所述初步识别模型，直到识别结果达标或者训练次数达到预设次数后停止。
第三方面，提出一种消化内镜视频数据筛选标注设备，包括：存储器、处理器。所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如第一方面所述的消化内镜视频数据筛选标注方法。
第五方面，发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现第一方面中的消化内镜视频数据筛选标注方法。
在本发明实施例中，给出了一种消化内镜视频数据筛选标注方法、系统和应用，具备以下优点：
1、基于卷积神经网络对数据进行初步的处理，再通过主动学习策略对处理结果进一步筛选，以筛选出具有高价值的数据，再将标注后的高价值数据补充到训练样本中，对模型再次训练，从而更新和完善模型；
2、在整个机器学习建模的过程中设置有人工参与的部分和环节，并且通过机器学习方法筛选出合适的候选集给人工标注的，实现降低人工标注成本；
3、通过设置人工参与的部分和环节，能够将人工经验融入机器学习的模型中，获取正确率更高的模型。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
其中：
图1是一种消化内镜视频数据筛选标注方法步骤简图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在内镜检查过程中，内镜检查医师需要通过记忆记录抵达过的区域，难免会造成遗漏，形成检查盲区，为解决该问题，市面上出现基于卷积神经网络的人工智能系统，通过训练后能够根据内镜检查时获取的数据判断检查位置。这些基于卷积神经网络的人工智能系统在训练时，尤其是为了得到正确率高的系统，需要大量的训练样本，而这些训练样本需要具有资质的内镜专家进行标注，需耗费大量的人力物力财力。
针对上述问题，本发明提出一种消化内镜视频数据筛选标注方法，是基于卷积神经网络，在整个机器学习建模的过程中设置有人工参与的部分和环节，并且通过机器学习方法筛选出合适的候选集给人工标注的，实现降低人工标注成本。
本发明的方法、系统、设备和介质的实现原理相似，此处不再赘述。
在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式，要注意的是，本发明提供的实施例仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何系统。
实施例一：
请参阅图1，一种消化内镜视频数据筛选标注方法，包括：
S10：获取初步识别模型，该模型不一定是最终模型，允许具有较大的判断误差。
本实施例中，所述初步识别模型为现有的人工智能模型，或者在其它实施例中，也可以是通过初步的训练样本训练获得的人工智能模型。这里的初步样本数量少，无需花费大量人力，只是为了能够训练出初步的模型。
S20：获取待处理消化内镜视频数据，该数据可以是实时的内镜检查视频，也可以是历史储存的视频数据。
S30：数据处理，通过所述初步识别模型处理待处理消化内镜视频并存储处理结果。这里所述的处理结果是根据模型类型，如果模型是分类模型，输出结果就是每一帧的类别，如果模型是检测模型，就是每一帧里目标的位置，如果是分割模型，就是输出一张图，当然，结果也可以是这些形式的一种或者多种的组合，根据实际需求灵活使用。
本实施例中，采用JSON文件存储。JSON是一种轻量级的数据交换格式，是基于ECMAScript(欧洲计算机协会制定的js规范)的一个子集，采用完全独立于编程语言的文本格式来存储和表示数据。简洁和清晰的层次结构使得JSON 成为理想的数据交换语言，也易于人阅读和编写，易于机器解析和生成，并有效地提升网络传输效率。
S40：根据主动学习策略抽取高价值帧。
优选的，所述主动学习策略由算法工程师指定并补充，包括：
A、时间窗口内孤立的阳性结果数据。
B、时间窗口内连续阳性结果中的断点数据。
C、包含多个阳性结果的单帧数据。
D、数据集缺少的某类阳性结果数据。
E、其它信息显示不应出现阳性结果处的阳性结果数据。
在这里，所述阳性结果包括图像分类标签、目标检测位置和/或目标边界。
当然，随着技术的进步，或者随着系统在手术或者平时内镜检查的使用，所述主动学习策略可以进行补充或者修改，使之更加满足需求。
S50：对所述高价值帧进行标注并补充进入训练样本，由内镜专家完成。
S60：通过所述训练样本训练所述初步识别模型。
S70：当初步识别模型的识别结果达标时，获得最终识别模型，否则继续补充训练样本，再次训练所述初步识别模型，直到识别结果达标或者训练次数达到预设次数后停止。
本实施例中，继续补充训练样本前，重新获取新的待处理消化内镜视频数据，或者对原本的待处理消化内镜视频数据，进行数据处理和高价值帧的抽取。
在其他实施例中，还包括S80：将手术或者平时内镜检查获取的内镜检查视频进行处理以抽取高价值帧或者直接获取高价值帧，并进行标注，并补充到训练样本内，或者，根据手术或者平时内镜检查结果增加或修改所述主动学习策略，进一步更新所述最终识别模型。上述的更新可以是在一定的周期内进行一次。
本发明是基于卷积神经网络对数据进行初步的处理，再通过主动学习策略对处理结果进一步筛选，以筛选出具有高价值的数据，再将标注后的高价值数据补充到训练样本中，对模型再次训练，从而更新和完善模型，同时降低人工标注成本。
实施例二：
一种消化内镜视频数据筛选标注系统，能够实现实施例一所述的方法。包括：
数据模块：获取初步识别模型和待处理消化内镜视频数据。
处理模块：通过所述初步识别模型处理待处理消化内镜视频并存储处理结果。根据主动学习策略抽取高价值帧，并对所述高价值帧进行标注后补充进入训练样本。通过所述训练样本训练所述初步识别模型。当初步识别模型的识别结果达标时，获得最终识别模型，否则继续补充训练样本，再次训练所述初步识别模型，直到识别结果达标或者训练次数达到预设次数后停止。
实施例三：
一种消化内镜视频数据筛选标注设备，包括：存储器、处理器。所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如实施例一所述的消化内镜视频数据筛选标注方法。
实施例四：
一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现实施例一中的消化内镜视频数据筛选标注方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种消化内镜视频数据筛选标注方法，其特征在于，包括：
获取初步识别模型；
获取待处理消化内镜视频数据；
数据处理，通过所述初步识别模型处理待处理消化内镜视频并存储处理结果；
根据主动学习策略抽取高价值帧；
对所述高价值帧进行标注并补充进入训练样本；
通过所述训练样本训练所述初步识别模型；
当初步识别模型的识别结果达标时，获得最终识别模型，否则继续补充训练样本，再次训练所述初步识别模型，直到识别结果达标或者训练次数达到预设次数后停止。
2.据权利要求1所述的一种消化内镜视频数据筛选标注方法，其特征在于，所述初步识别模型为现有的人工智能模型，或者通过初步的训练样本训练获得的人工智能模型。
3.根据权利要求1所述的一种消化内镜视频数据筛选标注方法，其特征在于，存储处理结果时，采用JSON、xml、rle或h5文件存储，内容格式为字符串、RLE图像编码或数据二进制编码。
4.根据权利要求1所述的一种消化内镜视频数据筛选标注方法，其特征在于，所述主动学习策略由算法工程师指定并补充；所述对所述高价值帧进行标注是由内镜检查专家完成。
5.根据权利要求4所述的一种消化内镜视频数据筛选标注方法，其特征在于，所述主动学习策略包括：
A、时间窗口内孤立的阳性结果数据；
B、时间窗口内连续阳性结果中的断点数据；
C、包含多个阳性结果的单帧数据；
D、数据集缺少的某类阳性结果数据；
E、其它信息显示不应出现阳性结果处的阳性结果数据。
6.根据权利要求5所述的一种消化内镜视频数据筛选标注方法，其特征在于，所述阳性结果包括图像分类标签、目标检测位置和/或目标边界。
7.根据权利要求1所述的一种消化内镜视频数据筛选标注方法，其特征在于，将手术或者平时内镜检查获取的内镜检查视频进行处理以抽取高价值帧或者直接获取高价值帧，并进行标注，并补充到训练样本内，或者，根据手术或者平时内镜检查结果增加或修改所述主动学习策略，进一步更新所述最终识别模型。
8.根据权利要求1所述的一种消化内镜视频数据筛选标注方法，其特征在于，继续补充训练样本前，重新获取新的待处理消化内镜视频数据，或者对原本的待处理消化内镜视频数据，进行数据处理和高价值帧的抽取。
9.一种消化内镜视频数据筛选标注系统，其特征在于，包括：
数据模块：获取初步识别模型和待处理消化内镜视频数据；
处理模块：通过所述初步识别模型处理待处理消化内镜视频并存储处理结果；根据主动学习策略抽取高价值帧，并对所述高价值帧进行标注后补充进入训练样本；通过所述训练样本训练所述初步识别模型；当初步识别模型的识别结果达标时，获得最终识别模型，否则继续补充训练样本，再次训练所述初步识别模型，直到识别结果达标或者训练次数达到预设次数后停止。
10.一种消化内镜视频数据筛选标注设备，其特征在于，包括：存储器、处理器；所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1到8所述的消化内镜视频数据筛选标注方法。
CN202111505639.1A 2021-12-10 2021-12-10 一种消化内镜视频数据筛选标注方法、系统和应用 Pending CN114141382A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111505639.1A CN114141382A (zh) 2021-12-10 2021-12-10 一种消化内镜视频数据筛选标注方法、系统和应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111505639.1A CN114141382A (zh) 2021-12-10 2021-12-10 一种消化内镜视频数据筛选标注方法、系统和应用

Publications (1)

Publication Number Publication Date
CN114141382A true CN114141382A (zh) 2022-03-04

Family

ID=80386133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111505639.1A Pending CN114141382A (zh) 2021-12-10 2021-12-10 一种消化内镜视频数据筛选标注方法、系统和应用

Country Status (1)

Country Link
CN (1) CN114141382A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111048170A (zh) * 2019-12-23 2020-04-21 山东大学齐鲁医院 基于图像识别的消化内镜结构化诊断报告生成方法与系统
CN111126574A (zh) * 2019-12-30 2020-05-08 腾讯科技（深圳）有限公司 基于内镜图像对机器学习模型进行训练的方法、装置和存储介质
CN111310846A (zh) * 2020-02-28 2020-06-19 平安科技（深圳）有限公司 一种选取样本图像的方法、装置、存储介质和服务器
CN111783993A (zh) * 2019-05-23 2020-10-16 北京京东尚科信息技术有限公司 智能标注方法、装置、智能平台及存储介质
CN113012140A (zh) * 2021-03-31 2021-06-22 武汉楚精灵医疗科技有限公司 基于深度学习的消化内镜视频帧有效信息区域提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783993A (zh) * 2019-05-23 2020-10-16 北京京东尚科信息技术有限公司 智能标注方法、装置、智能平台及存储介质
CN111048170A (zh) * 2019-12-23 2020-04-21 山东大学齐鲁医院 基于图像识别的消化内镜结构化诊断报告生成方法与系统
CN111126574A (zh) * 2019-12-30 2020-05-08 腾讯科技（深圳）有限公司 基于内镜图像对机器学习模型进行训练的方法、装置和存储介质
CN111310846A (zh) * 2020-02-28 2020-06-19 平安科技（深圳）有限公司 一种选取样本图像的方法、装置、存储介质和服务器
CN113012140A (zh) * 2021-03-31 2021-06-22 武汉楚精灵医疗科技有限公司 基于深度学习的消化内镜视频帧有效信息区域提取方法

Similar Documents

Publication Publication Date Title
CN109741332B (zh) 一种人机协同的图像分割与标注方法
CN109919928B (zh) 医学影像的检测方法、装置和存储介质
CN105095866B (zh) 一种快速行为识别方法和系统
US11640714B2 (en) Video panoptic segmentation
CN111882560B (zh) 一种基于加权全卷积神经网络的肺实质ct图像分割方法
CN110648310A (zh) 基于注意力机制的弱监督铸件缺陷识别方法
CN111861990B (zh) 一种产品不良外观检测的方法、系统及存储介质
CN112232346A (zh) 语义分割模型训练方法及装置、图像语义分割方法及装置
CN110009038B (zh) 筛查模型的训练方法、装置及存储介质
CN113673482B (zh) 基于动态标签分配的细胞抗核抗体荧光识别方法及系统
CN114882325B (zh) 基于二阶段物体检测器的半监督物检测及训练方法、装置
CN111127400A (zh) 一种乳腺病变检测方法和装置
CN109214247A (zh) 基于视频的人脸标识方法和装置
CN110110622B (zh) 一种基于图像处理的医疗文本检测方法、系统和存储介质
CN113705215A (zh) 一种基于元学习的大规模多标签文本分类方法
CN109492610A (zh) 一种行人重识别方法、装置及可读存储介质
CN116309459A (zh) 基于改进网络的肺结节检测方法、装置、设备和存储介质
CN116071373A (zh) 一种基于融合PCA的U-net模型舌体自动分割方法
CN113177957B (zh) 一种细胞图像的分割方法、装置、电子设备及存储介质
CN110543891A (zh) 数据标注方法、装置、系统及存储介质
CN109271998A (zh) 字符识别方法、装置、设备及存储介质
KR102178238B1 (ko) 회전 커널을 이용한 머신러닝 기반 결함 분류 장치 및 방법
CN114141382A (zh) 一种消化内镜视频数据筛选标注方法、系统和应用
CN116227494A (zh) 一种基于去偏的带噪命名实体识别方法与装置
CN116912187A (zh) 图像生成模型训练及图像生成方法、装置、设备和介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220304