CN114324124A - 一种基于概率密度估计的散点样本数据扩充方法 - Google Patents
一种基于概率密度估计的散点样本数据扩充方法 Download PDFInfo
- Publication number
- CN114324124A CN114324124A CN202111569653.8A CN202111569653A CN114324124A CN 114324124 A CN114324124 A CN 114324124A CN 202111569653 A CN202111569653 A CN 202111569653A CN 114324124 A CN114324124 A CN 114324124A
- Authority
- CN
- China
- Prior art keywords
- models
- probability
- scatter
- data
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 61
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 19
- 210000004369 blood Anatomy 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 238000007635 classification algorithm Methods 0.000 description 5
- 210000002700 urine Anatomy 0.000 description 4
- 210000000601 blood cell Anatomy 0.000 description 3
- 210000001124 body fluid Anatomy 0.000 description 2
- 239000010839 body fluid Substances 0.000 description 2
- 238000000684 flow cytometry Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 201000004792 malaria Diseases 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000002151 Pleural effusion Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 210000003979 eosinophil Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000001616 monocyte Anatomy 0.000 description 1
- 210000000440 neutrophil Anatomy 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及医疗技术领域，具体涉及一种基于概率密度估计的散点样本数据扩充方法，包括提取样本的生成模板中的散点组，并对散点组进行标注后分类，得到多个类型数据；为多个类型数据分别建立概率分布模型；基于多个概率分布模型的概率分别建立多个概率方程，并基于多个概率方程将对应的概率分布模型进行初始化，得到多个初始化模型，设置多个初始化模型的迭代次数；根据迭代次数加1后的奇偶，计算多个初始化模型的后验概率；更新多个初始化模型中的参数，并对多个初始化模型的后验概率进行统计；直至相邻两个后验概率之差的绝对值小于预设阈值，或迭代次数达到上限阈值，得到最终分布模型；基于最终分布模型，生成多个散点数据。
Description
技术领域
本发明涉及医疗技术领域，尤其涉及一种基于概率密度估计的散点样本数据扩充方法。
背景技术
流式细胞分析仪是分析人体生理情况的一种重要仪器，它通过分析血液、尿液的散点图，计算出被测标本内各类细胞的数量以及占比，提示人体是否存在可能的病变，给医生的诊断提供依据。流式细胞仪运行过程中会使体液(血液、尿液、胸腹水等)中的物质依次通过激光器照射，然后接收并记录物质通过激光器时前向、10°侧向、90°侧向等方向上散射出的激光强度，得到该细胞体积、内部复杂度、核酸含量等特征的相对值。当流式细胞仪采集到到几百或几千个细胞特征后，则可以汇总形成该组被测标本的细胞散点图，散点图中同类细胞由于具有相同的特征，因而会聚集成团。依据该理论，流式细胞仪可以通过一定的细胞分类算法，对散点图上的细胞进行分类。由于人与人之间细胞形态、大小都不会完全相同，因此开发细胞分类算法时需要在大量的标本上进行性能验证，以保证分类算法具有较强的鲁棒性。为收集到足够数量的标本散点图，目前主流的方法是大量收集血液、尿液标本进行测试，每一份标本重复测试数次后存储其散点图数据存入样本库。
该方法面临着诸多问题，首先，每收集一份样本数据，都要流式细胞仪进行一次测试，因此需要消耗大量时间、大量试剂来收集到足量的样本。其次，某些特定的标本常常难以大量收集，例如疟疾血样常见于热带国家，且疟疾标本无法运回总部实验室进行分析。再次，每份标本的体积有限，只能测试一定的次数，若需要大量收集某个标本的样本数据，则需要长期对该标本的主人跟踪，定期采集其体液标本送入流式细胞仪采集数据，成本高昂。
发明内容
本发明的目的在于提供一种基于概率密度估计的散点样本数据扩充方法，旨在解决现有的细胞分类算法需要通过对大量样本进行分析，耗时长成本高，的问题。
为实现上述目的，本发明提供了一种基于概率密度估计的散点样本数据扩充方法，包括以下步骤：
S1提取样本的生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据；
S2分别为多个所述类型数据建立概率分布模型；
S3基于多个所述概率分布模型的概率分别建立多个概率方程，并基于多个所述概率方程将对应的所述概率分布模型进行初始化，得到多个初始化模型，设置多个所述初始化模型的迭代次数；
S4根据所述迭代次数加1后的奇偶情况，计算多个所述初始化模型的后验概率；
S5更新多个所述初始化模型中的参数，并对多个所述初始化模型的所述后验概率进行统计；
S6重复步骤S4和S5，直至相邻两个所述后验概率之差的绝对值小于预设阈值，或迭代次数达到上限阈值，得到最终分布模型；
S7基于所述最终分布模型，生成多个散点数据。
其中，所述S1提取样本的生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据的具体方式为：
S11通过所述流式细胞仪对所述样本进行采集，得到散点图测试结果样本；
S12将所述散点图测试结果样本作为散点数据生成模板，得到生成模板；
S13提取所述生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据。
其中，所述S1提取样本的生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据的具体方式为：
S11通过所述流式细胞仪对所述样本进行采集，得到散点图测试结果样本；
S12将所述散点图测试结果样本作为散点数据生成模板，得到生成模板；
S13提取所述生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据。
其中，所述S4根据所述迭代次数加1后的奇偶情况，计算多个所述初始化模型的后验概率的具体方式为：
S41判断多个所述初始化模型中的其中一个所述迭代次数加1后的奇偶，当为奇数时执行S42，当为偶数时执行S43；
S42计算所述散点组中的对应一个的所述散点对应的所述概率分布模型的所述后验概率；
S43计算多个所述类型数据中的对应一类所述类型数据的所述后验概率；
S44重复步骤S41至S43，直至得出多个所述初始化模型的所述后验概率。
其中，所述S5更新多个所述初始化模型中的参数，并对多个所述初始化模型的所述后验概率进行统计的具体方式为：
更新多个所述初始化模型中的所述协方差矩阵和所述概率分布模型的参数，并对多个所述初始化模型的所述后验概率进行统计。
其中，所述S7基于所述最终分布模型，生成多个散点数据的具体方式为：
S71随机生成坐标和整数；
S72将所述坐标和所述整数带入所述最终分布模型中，得到散点概率；
S73生成随机小数，若所述小数大于等于所述散点概率，则将所述坐标作为散点数据保存；
S74重复步骤S71至S74，得到多个所述散点数据。
本发明的一种基于概率密度估计的散点样本数据扩充方法，通过提取样本的生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据；分别为多个所述类型数据建立概率分布模型；基于多个所述概率分布模型的概率分别建立多个概率方程，并基于多个所述概率方程将对应的所述概率分布模型进行初始化，得到多个初始化模型，设置多个所述初始化模型的迭代次数；根据所述迭代次数加1后的奇偶情况，计算多个所述初始化模型的后验概率；更新多个所述初始化模型中的参数，并对多个所述初始化模型的所述后验概率进行统计；重复前两个步骤，直至相邻两个所述后验概率之差的绝对值小于预设阈值，或迭代次数达到上限阈值，得到最终分布模型，可通过一次标本测试获得多份散点图数据，解决了现有的细胞分类算法需要通过对大量样本进行分析，耗时长成本高，的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于概率密度估计的散点样本数据扩充方法的流程图。
图2是提取样本的生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据的流程图。
图3是分别为多个所述类型数据建立概率分布模型的流程图。
图4是根据所述迭代次数加1后的奇偶情况，计算多个所述初始化模型的后验概率的流程图。
图5是基于所述最终分布模型，生成多个散点数据流程图。
图6是血细胞的散点图测试结果样本图。
图7是血细胞的概率函数分布图。
图8是散点数据为100个坐标的样本图。
图9是散点数据为1000个坐标的样本图。
图10是散点数据为10000个坐标的样本图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1至图5，本发明提供一种基于概率密度估计的散点样本数据扩充方法，包括以下步骤：
S1提取样本的生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据；
具体方式为：S11通过所述流式细胞仪对所述样本进行采集，得到散点图测试结果样本；
S12将所述散点图测试结果样本作为散点数据生成模板，得到生成模板；
具体的，所述模板样本包含N个散点(N>1000)。
S13提取所述生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据。
具体的，将N个散点标注并分为了M类型数据。
S2分别为多个所述类型数据建立概率分布模型；
具体方式为：S21计算所述散点组的平均值和协方差矩阵；
所述散点组的平均值也就是重心点
S22基于所述平均值和所述协方差矩阵分别为多个所述类型数据建立概率分布模型。
具体的，为M类型数据建立M个概率分布模型，由于细胞分布近似于二维高斯分布，于是此处使用二维高斯函数建立模型fi(x，y)。
其中，式中i表示M类型数据的第i类数据，Σi为模型的协方差矩阵；pi是第i类数据x轴与y轴之间的相关系数；
分别为第i类数据x轴、y轴标准差；
为第i类散点数据的重心坐标，T是数学的上矩阵的转置标志。
S3基于多个所述概率分布模型的概率分别建立多个概率方程，并基于多个所述概率方程将对应的所述概率分布模型进行初始化，得到多个初始化模型，设置多个所述初始化模型的迭代次数；
具体的，所述概率方程G(x,y)，表示坐标(x,y)处散点的出现总概率。
其中，式中Pi为模型fi(x,y)的概率。
随后开始初始化模型，得到多个所述初始化模型，所有Pi的初始值均设为
所有pi的初始值均设为0，各
以0到1之间的随机值初始化，迭代次数K设为0。
S4根据所述迭代次数加1后的奇偶情况，计算多个所述初始化模型的后验概率；
具体方式为：S41判断多个所述初始化模型中的其中一个所述迭代次数加1后的奇偶，当为奇数时执行S42，当为偶数时执行S43；
S42计算所述散点组中的对应一个的所述散点对应的所述概率分布模型的所述后验概率；
具体的，当迭代次数是奇数时，直接计算各个散点j相对概率分布模型i的后验概率ψij。
S43计算多个所述类型数据中的对应一类所述类型数据的所述后验概率；
具体的，当迭代次数是偶数时，则仅计算类型为i的散点的后验概率ψij。
S44重复步骤S41至S43，直至得出多个所述初始化模型的所述后验概率ψij；
其中，式中i表示第i类数据，j表示模板样本中N个散点中的第j个散点。
假设有N个高斯模型所述二维高斯函数建立模型(N个散点团)，奇数时把所有散点数据分别带入1、2、3...i个高斯模型的公式，以更新各个模型，偶数时，把第1类散点数据(也就是只要第1个高斯模型对应的散点团的散点)带入第1个高斯模型，第2类散点带入第2个模型...，第i类散点带入第i个模型，以更新各个模型，这样做的目的是加速模型的收敛速度、提高模型鲁棒性。实际上若一直执行奇数的步骤，模型同样也可以收敛。迭代过程中所有散点数据全部计算与每个分类数据单独计算间隔进行，以加速模型参数的收敛。
S5更新多个所述初始化模型中的参数，并对多个所述初始化模型的所述后验概率进行统计；
具体的，更新多个所述初始化模型中的所述协方差矩阵和所述概率分布模型的参数，并对多个所述初始化模型的所述后验概率进行统计。
根据下式更新所述初始化模型对应的所述概率方程中的参数Σi、Pi，式中Ni为本次迭代中fi(x,y)所用的数据点总数。当K为奇数时，Ni＝N；当K为偶数时，Ni的值等于类型为i的散点的个数。同时当K为偶数时，不更新Pi。完成参数更新后，统计本次迭代完成后全部点的概率和，该和用GK表示。
S6重复步骤S4和S5，直至相邻两个所述后验概率之差的绝对值小于预设阈值，或迭代次数达到上限阈值，得到最终分布模型；
具体的，直至前后两次循环的GK、GK-1之差的绝对值小于阈值或迭代次数达到上限，此时取当前各Σi、Pi作为最终值，得到第i类数据的分布模型fi(x,y)即所述最终分布模型。
S7基于所述最终分布模型，生成多个散点数据。
具体方式为：S71随机生成坐标和整数；
具体的，随机生成坐标(xn,yn)与整数a，其中a∈[1，M]。
S72将所述坐标和所述整数带入所述最终分布模型中，得到散点概率；
具体的，将坐标(xn,yn)带入fa(x,y)得到概率pn。
其中，定义了a∈[1,M]，因此fa(x,y)就是fi(x,y)中的某一个。例如:
a＝1时，fa(x,y)＝f1(x,y)；
a＝2时，fa(x,y)＝f2(x,y)；
S73生成随机小数，若所述小数大于等于所述散点概率，则将所述坐标作为散点数据保存；
具体的，生成一个随机小数b，且令
若b大于设定的阈值且pn≥b，则保留点(xn,yn)。
S74重复步骤S71至S74，得到多个所述散点数据。
以流式细胞仪的血细胞计数样本数据扩充为例加以说明：
步骤1：取一人血标本，通过流式细胞仪计数细胞数量，得到一份血细胞散点图样本作为散点数据生成模板，该样本图形与直方图分布如图6所示，图中每个点表示一个细胞，不同类型的细胞已完成分类并使用不同的形状表示，其中星形为淋巴细胞，倒三角为单核细胞，菱形为中性粒细胞，圆形为嗜酸性粒细胞。步骤2：上图已将散点图中细胞散点分为四类，根据标签可计算出各类细胞的重心点μi。
步骤3：将P1、P2、P3、P4初始值设为0.25，将各pi初始值设为0，以随机值初始化各
此时：
将各点坐标代入概率分布方程G(x,y)可得到初始条件下各坐标的分布概率，本实施中初始条件下G(0.5,0.5)＝0.1333524。本实施中初始条件下的概率函数分布如图7所示，图中四个圆圈表示四个fi(x,y)：
步骤4：迭代次数K加一。当迭代次数是奇数时，将所有散点数据依次代入各个ψij，得到各点j相对概率分布模型i的后验概率ψij。当迭代次数是偶数时，仅将类型为i的散点带入类型i数据的分布fi(x,y)，得到ψij。
式中i表示第i类数据，j表示模板样本N个散点中的第j个散点。
步骤5：根据下式更新参数Σi、Pi，式中Ni为本次迭代中fi(x,y)所用的数据点总数，当K为奇数时，Ni＝N，当K为偶数时，Ni的值等于模板样本N个散点中类型为i的散点的个数。同时当K为偶数时，不更新Pi。完成参数更新后，统计本次迭代完成后全部点的概率加权和GK。
步骤6：本次实施中设置迭代次数上限为2000，重复步骤4、步骤5，直至|GK-GK-1|<0.1或K>2000。当迭代停止后，取当前的各Σi、Pi作为最终值，得到各高斯分布模型的最终估计结果fi(x,y)。本次实施完成迭代后，得到各参数如下：
P1＝0.09620503；
P2＝0.57764903；
P3＝0.26663166；
P4＝0.05951428；
步骤7：随机生成坐标(xn,yn)与整数a，其中a∈[1，M]，将坐标(xn,yn带入fa(x,y)得到概率pn。再生成一个随机小数b，且令
若b大于设定的阈值且pn≥b，则保留点(xn,yn)。
步骤8：重复步骤7直至生成足够的散点数据，即可获得一份扩充数据。至此本实施根据所选的模板样本完成了散点概率分布估计，建立了散点分布模型，此后便可以根据模型扩充出任意数量符合模板样本分布的新数据，散点数据为100个坐标时如图8所示，散点数据为1000个坐标时如图9所示，散点数据为1000个坐标时如图10所示。
有益效果，本发明改变了过去测一次血液、尿液标本才能获取到一份散点图数据的模式，可通过一次标本测试获得多份散点图数据。具体来说以高斯概率公式作为基础，计算现有散点图数据的分布概率，将多个高斯分布叠加建立了输入流式细胞仪细胞散点图的数学模型。通过整合随机生成符合该模型分布的散点，生成与输入流式细胞仪细胞散点图分布相似的新散点图，将新散点图用于流式细胞仪性能测试，大幅度降低研发成本投入，解决了现有的细胞分类算法需要通过对大量样本进行分析，耗时长成本高，的问题。
以上所揭露的仅为本发明一种基于概率密度估计的散点样本数据扩充方法较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (6)
1.一种基于概率密度估计的散点样本数据扩充方法，其特征在于，包括以下步骤：
S1提取样本的生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据；
S2分别为多个所述类型数据建立概率分布模型；
S3基于多个所述概率分布模型的概率分别建立多个概率方程，并基于多个所述概率方程将对应的所述概率分布模型进行初始化，得到多个初始化模型，设置多个所述初始化模型的迭代次数；
S4根据所述迭代次数加1后的奇偶情况，计算多个所述初始化模型的后验概率；
S5更新多个所述初始化模型中的参数，并对多个所述初始化模型的所述后验概率进行统计；
S6重复步骤S4和S5，直至相邻两个所述后验概率之差的绝对值小于预设阈值，或迭代次数达到上限阈值，得到最终分布模型；
S7基于所述最终分布模型，生成多个散点数据。
2.如权利要求1所述的基于概率密度估计的散点样本数据扩充方法，其特征在于，
所述S1提取样本的生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据的具体方式为：
S11通过所述流式细胞仪对所述样本进行采集，得到散点图测试结果样本；
S12将所述散点图测试结果样本作为散点数据生成模板，得到生成模板；
S13提取所述生成模板中的散点组，并对所述散点组进行标注后分类，得到多个类型数据。
3.如权利要求2所述的基于概率密度估计的散点样本数据扩充方法，其特征在于，
所述S2分别为多个所述类型数据建立概率分布模型的具体方式为：
S21计算所述散点组的平均值和协方差矩阵；
S22基于所述平均值和所述协方差矩阵分别为多个所述类型数据建立概率分布模型。
4.如权利要求1所述的基于概率密度估计的散点样本数据扩充方法，其特征在于，
所述S4根据所述迭代次数加1后的奇偶情况，计算多个所述初始化模型的后验概率的具体方式为：
S41判断多个所述初始化模型中的其中一个所述迭代次数加1后的奇偶，当为奇数时执行S42，当为偶数时执行S43；
S42计算所述散点组中的对应一个的所述散点对应的所述概率分布模型的所述后验概率；
S43计算多个所述类型数据中的对应一类所述类型数据的所述后验概率；
S44重复步骤S41至S43，直至得出多个所述初始化模型的所述后验概率。
5.如权利要求3所述的基于概率密度估计的散点样本数据扩充方法，其特征在于，
所述S5更新多个所述初始化模型中的参数，并对多个所述初始化模型的所述后验概率进行统计的具体方式为：
更新多个所述初始化模型中的所述协方差矩阵和所述概率分布模型的参数，并对多个所述初始化模型的所述后验概率进行统计。
6.如权利要求1所述的基于概率密度估计的散点样本数据扩充方法，其特征在于，
所述S7基于所述最终分布模型，生成多个散点数据的具体方式为：
S71随机生成坐标和整数；
S72将所述坐标和所述整数带入所述最终分布模型中，得到散点概率；
S73生成随机小数，若所述小数大于等于所述散点概率，则将所述坐标作为散点数据保存；
S74重复步骤S71至S74，得到多个所述散点数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111569653.8A CN114324124A (zh) | 2021-12-21 | 2021-12-21 | 一种基于概率密度估计的散点样本数据扩充方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111569653.8A CN114324124A (zh) | 2021-12-21 | 2021-12-21 | 一种基于概率密度估计的散点样本数据扩充方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114324124A true CN114324124A (zh) | 2022-04-12 |
Family
ID=81055582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111569653.8A Pending CN114324124A (zh) | 2021-12-21 | 2021-12-21 | 一种基于概率密度估计的散点样本数据扩充方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114324124A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105203446A (zh) * | 2015-09-14 | 2015-12-30 | 广州埃克森生物科技有限公司 | 基于概率分布细胞分类统计方法 |
| CN109146295A (zh) * | 2018-08-28 | 2019-01-04 | 国网湖南省电力有限公司 | 电网山火灾害故障的后验概率分布计算方法及系统 |
| CN109142374A (zh) * | 2018-08-15 | 2019-01-04 | 广州市心鉴智控科技有限公司 | 基于超小样本训练高效质检模型的方法及系统 |
| CN109190674A (zh) * | 2018-08-03 | 2019-01-11 | 百度在线网络技术（北京）有限公司 | 训练数据的生成方法及装置 |
| CN109784409A (zh) * | 2019-01-18 | 2019-05-21 | 莆田学院 | 一种核整体学习划分的优化神经网络分类器的方法 |
| US20200265259A1 (en) * | 2019-02-16 | 2020-08-20 | Wipro Limited | Method and system for synthesizing three-dimensional data |
| CN112215339A (zh) * | 2020-10-13 | 2021-01-12 | 北京理工大学 | 基于生成对抗网络的医疗数据扩充方法 |
| US20210056456A1 (en) * | 2019-08-19 | 2021-02-25 | International Business Machines Corporation | Tree-based associative data augmentation |
| CN113052273A (zh) * | 2021-06-01 | 2021-06-29 | 之江实验室 | 基于像素组合约束和采样校正的gan图像生成方法 |
| CN113139405A (zh) * | 2020-01-19 | 2021-07-20 | 桂林优利特医疗电子有限公司 | 一种基于多峰拟合解析的细胞分类结果校正方法 |
-
2021
- 2021-12-21 CN CN202111569653.8A patent/CN114324124A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105203446A (zh) * | 2015-09-14 | 2015-12-30 | 广州埃克森生物科技有限公司 | 基于概率分布细胞分类统计方法 |
| CN109190674A (zh) * | 2018-08-03 | 2019-01-11 | 百度在线网络技术（北京）有限公司 | 训练数据的生成方法及装置 |
| CN109142374A (zh) * | 2018-08-15 | 2019-01-04 | 广州市心鉴智控科技有限公司 | 基于超小样本训练高效质检模型的方法及系统 |
| CN109146295A (zh) * | 2018-08-28 | 2019-01-04 | 国网湖南省电力有限公司 | 电网山火灾害故障的后验概率分布计算方法及系统 |
| CN109784409A (zh) * | 2019-01-18 | 2019-05-21 | 莆田学院 | 一种核整体学习划分的优化神经网络分类器的方法 |
| US20200265259A1 (en) * | 2019-02-16 | 2020-08-20 | Wipro Limited | Method and system for synthesizing three-dimensional data |
| US20210056456A1 (en) * | 2019-08-19 | 2021-02-25 | International Business Machines Corporation | Tree-based associative data augmentation |
| CN113139405A (zh) * | 2020-01-19 | 2021-07-20 | 桂林优利特医疗电子有限公司 | 一种基于多峰拟合解析的细胞分类结果校正方法 |
| CN112215339A (zh) * | 2020-10-13 | 2021-01-12 | 北京理工大学 | 基于生成对抗网络的医疗数据扩充方法 |
| CN113052273A (zh) * | 2021-06-01 | 2021-06-29 | 之江实验室 | 基于像素组合约束和采样校正的gan图像生成方法 |
Non-Patent Citations (1)
| Title |
|---|
| 申彦斌: "基于深度学习的轴承故障诊断与寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016665B (zh) | 一种基于深度卷积神经网络的ct肺结节检测方法 | |
| Warren et al. | Do different methods for modeling age-graded trajectories yield consistent and valid results? | |
| Zou et al. | Identifying complex periodic windows in continuous-time dynamical systems using recurrence-based methods | |
| CN112001218B (zh) | 一种基于卷积神经网络的三维颗粒类别检测方法及系统 | |
| CN106248559A (zh) | 一种基于深度学习的白细胞五分类方法 | |
| Wang et al. | Shape detection from raw lidar data with subspace modeling | |
| CN111914902B (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
| US10133962B2 (en) | Method of digital information classification | |
| CN110457471A (zh) | 基于A-BiLSTM神经网络的文本分类方法和装置 | |
| Carissimo et al. | Validation of community robustness | |
| Zamani Dadaneh et al. | Bayesian module identification from multiple noisy networks | |
| Johnsson | Structures in high-dimensional data: Intrinsic dimension and cluster analysis | |
| Fuda et al. | Artificial intelligence in clinical multiparameter flow cytometry and mass cytometry–key tools and progress | |
| Zhu et al. | A multiscale neural network model for the prediction on the equivalent permeability of discrete fracture network | |
| CN114324124A (zh) | 一种基于概率密度估计的散点样本数据扩充方法 | |
| bin Othman et al. | Neuro fuzzy classification and detection technique for bioinformatics problems | |
| CN112801163B (zh) | 基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法 | |
| de Langlard et al. | A 3D stochastic model for geometrical characterization of particles in two-phase flow applications | |
| Stoica et al. | Spatial patterns analysis in cosmology based on marked point processes | |
| Malepathirana et al. | Robustness of visualization methods in preserving the continuous and discrete latent structures of high-dimensional single-cell data | |
| Cipriani et al. | Topology-based goodness-of-fit tests for sliced spatial data | |
| Josien et al. | An evaluation of sampling methods for data mining with fuzzy C-means | |
| Al-Mhairat et al. | Performance Evaluation of clustering Algorthims | |
| CN113032776B (zh) | 面向特征嵌入中毒攻击的检测方法、装置和系统 | |
| WO2024104510A1 (zh) | 一种分析组织细胞成分的方法、装置及存储介质 |
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: 20220412 |