CN114494196A - 基于遗传模糊树的视网膜糖尿病变深度网络检测方法 - Google Patents

基于遗传模糊树的视网膜糖尿病变深度网络检测方法 Download PDF

Info

Publication number
CN114494196A
CN114494196A CN202210094089.7A CN202210094089A CN114494196A CN 114494196 A CN114494196 A CN 114494196A CN 202210094089 A CN202210094089 A CN 202210094089A CN 114494196 A CN114494196 A CN 114494196A
Authority
CN
China
Prior art keywords
fuzzy
node
image
tree
fitness
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.)
Granted
Application number
CN202210094089.7A
Other languages
English (en)
Other versions
CN114494196B (zh
Inventor
丁卫平
王海鹏
鞠恒荣
刘传升
耿宇
黄嘉爽
程纯
曹金鑫
秦廷桢
沈鑫杰
潘柏儒
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.)
Nantong University
Original Assignee
Nantong University
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 Nantong University filed Critical Nantong University
Priority to CN202210094089.7A priority Critical patent/CN114494196B/zh
Publication of CN114494196A publication Critical patent/CN114494196A/zh
Priority to PCT/CN2023/077768 priority patent/WO2023143628A1/zh
Application granted granted Critical
Publication of CN114494196B publication Critical patent/CN114494196B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Radiology & Medical Imaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及医学信息智能处理技术领域，具体涉及基于遗传模糊树的视网膜糖尿病变深度网络检测方法。首先对视网膜图像进行增强处理，将病变区域展宽，对正常区域进行压缩；然后搭建网络模型U‑net，准确分割出视网膜血管以及血管末梢图像；接着将模型分割出的血管图像与真实诊断结果进行训练，构建出可解释的模糊决策树；其次对决策树权值编码并且构造适应度函数，基于遗传算法对多棵决策树进行组合优化；最后引入准确率指标动态调整损失函数中的惩罚项。本发明的有益效果是可精确地识别出视网膜糖尿病变血管末梢，提高检测分类准确度，更有效地帮助医生诊断视网膜糖尿病变，让患者获得最佳治疗时期。

Description

基于遗传模糊树的视网膜糖尿病变深度网络检测方法
技术领域
本发明涉及医学信息智能处理技术领域，尤其涉及基于遗传模糊树的视网膜糖尿病变深度网络检测方法。
背景技术
视网膜图像中保存着和眼科致盲疾病有重要联系的血管信息，视网膜血管的健康状况对于医生及早诊断糖尿病心脑血管疾病及多种眼科疾病具有重要意义。但是由于视网膜血管自身结构复杂，同时易受采集环境中光照因素的影响，使得临床上手动分割视网膜血管不仅工作量巨大而且对医疗人员的经验和技能要求颇高。另外不同的医疗人员对同一幅视网膜图像的分割结果可能存在差异，手动分割已不能满足临床的需要。
随着计算机技术的不断发展，利用人工智能技术对视网膜电子病历血管图像进行自动分割，以对眼科疾病进行辅助诊断和决策，成为了国内外学者关注的研究热点。深度学习凭借其在识别应用中超高的预测准确率，在图像处理领域获得了极大关注，深度学习中的卷积神经网络模型凭借其局部感知、参数共享的特殊结构在图像处理方面有着独特的优越性。本专利从深度学习、模糊决策树两个角度对视网膜图像数据进行分析和处理，对视网膜病变图像进行分割和预测。
发明内容
本发明的目的是解决上述问题，提出了基于遗传模糊树的视网膜糖尿病变深度网络检测方法。
为了实现上述目的，本发明采用了如下技术方案：
基于遗传模糊树的视网膜糖尿病变深度网络检测方法，包括以下步骤：
S1：将视网膜图像进行增强处理，视网膜图像的病变区域与周围正常区域会呈现出视觉上较为明显的不同特征，形成为不同图像区域，采用图像增强Gamma校正方法，对感兴趣的图像病变区域进行展宽，对不感兴趣的背景区域进行压缩；
S2：搭建网络模型U-net，该网络模型U-net分为压缩路径和扩展路径，共有4次下采样和4次上采样，每次采样前进行两次卷积和一次最大池化，压缩路径中用4次下采样对视网膜图像进行特征压缩，扩展路径对最后一次下采样得到的有效特征层进行4次上采样，同时把下采样中对应的特征层进行连接，最后使用1*1卷积将视网膜特征图Feature Map进行归一化，用增强后的图像数据对构建的模型进行训练，得到图像分割模型；
S3：将模型分割出来的血管图像进行模糊化处理，计算图像中属性的隶属度以及模糊信息增益，与真实诊断结果进行训练，得到模糊决策树分支节点的决策规则和叶子结点的结果集合，进行分类预测；
S4：对决策树各个节点进行编码，同时构造适应度函数，从准确度和复杂度两个方面来衡量模糊树模型的优劣，用准确函数E来表示模型的精度，E越小则精度越高，用树的叶节点个数M来反映复杂度，M越小则模型的复杂度越低，适应度函数s(T)定义如下：
Figure BDA0003490398870000021
其中：WE、WM分别为精度E和叶节点个数M的权值，且WE+WM＝1，s(T)表示树T的适应度，
基于遗传算法对多棵决策树进行组合优化；
S5：最后引入准确率指标，根据样本类别与真实值的距离，动态调整损失函数中的惩罚项，进一步提升分类准确率。
作为本发明的优选技术方案：所述步骤S2的具体步骤如下：
步骤S2.1：将视网膜病变数据集按9∶1划分为训练集和验证集输入到训练网络中；
步骤S2.2：搭建网络模型U-net的压缩路径，压缩路径对视网膜图像进行4次下采样，得到5个初步有效特征层，每个初步有效特征层为卷积和最大池化的堆叠，使用3*3的卷积核对输入大小为565*584的视网膜图像进行两次卷积操作，每次卷积舍弃图像的边缘信息，将卷积得到的561*580视网膜图像进行2*2最大池化，每次下采样将视网膜特征图Feature Map的通道数增加为原来的两倍；
步骤S2.3：搭建网络模型U-net的扩展路径，扩展路径中包含4次上采样，每次上采样通过2*2反卷积将上一层中视网膜特征图Feature Map通道数缩小为一半，图像的长宽翻倍，同时上采样时会将下采样中对应的特征层进行连接，由于卷积时丢失图像边缘信息，因此连接时采用适当的裁剪来保证连接后图像大小一致，U-net网络最后使用1*1卷积来将视网膜特征图Feature Map进行归一化；
步骤S2.4：损失函数使用交叉熵和SoftMax，对于视网膜病变图像每个像素点的类别，预测其属于病变区域和正常区域的概率分别为p和1-p，像素点形式SoftMax函数为：
Figure BDA0003490398870000031
其中：ak(x)表示像素点x在特征图中的第k层的激活值，K是类的数量，pk(x)是类k对像素点x的分类结果，
交叉熵损失函数E定义为：
Figure BDA0003490398870000032
其中：Ω＝{1,...,K}，l(x)是每个像素点x的真实标签，pl(x)(x)是真实标签的分类结果，w(x)是像素点x的权重图，区分每个像素点的权重，其权重计算公式如下：
Figure BDA0003490398870000033
其中：wc是用来平衡某一类频率的权重图，根据像素点x到视网膜病变边界距离由近到远进行排序，d1(x)表示排序第一的距离，d2(x)表示排序第二的距离，w0为权重初始值，其值为10，标准差σ设置为5；
步骤S2.5：用卷积神经网络框架Caffe的随机梯度下降对网络进行训练优化，以最小化损失函数和最大化预测准确率为目标，训练所搭建的模型。
作为本发明的优选技术方案：所述步骤S3的具体步骤如下：
步骤S3.1：对视网膜血管的病变区域进行模糊化，尤其针对病变边缘区域，得到图像连续值属性的隶属度，模糊化后属性值是一个[0,1]区间的隶属度，更自然、合理的描述病变区域边缘的不精确信息；
步骤S3.2：计算视网膜病变区域属性的模糊信息增益，设A＝{(u,μA(u)),u∈U}是属性集U上隶属函数为μA(u)的模糊属性集合，高斯隶属函数μA(u)计算方式如式5，U＝{u1,u2,...,um}是属性的离散集合，m为属性的个数，且第i个属性的模糊度μi＝μA(ui)，则模糊集合A的模糊性度量E(A)为：
Figure BDA0003490398870000034
Figure BDA0003490398870000041
其中：c为正态分布的均值，σ为正态分布的标准差，
选取具有最高模糊信息增益的属性作为根节点的属性；
步骤S3.3：根据父节点的属性和父节点所对应的训练集，以及该节点在父节点属性上的属性值，构造该节点所对应的模糊子类集Am，在模糊子类集Am上，依据要划分的目标类C＝{c1,c2,...,cm}，计算每个模糊子集的模糊信息增益；
步骤S3.4：计算节点Node中某目标类ci的置信度
Figure BDA0003490398870000042
根据规定的最大置信水平β和最小置信水平α，判断是否生成叶子结点：
Figure BDA0003490398870000043
其中：An是模糊子类集Am中未使用过的属性集合，且n＜m，aj是属性集An中的第j个属性，j＝1,2,...,n，LeafNode表示叶子结点；
步骤S3.5：根据该节点扩展属性的属性值构造子节点，递归处理各个子节点。
作为本发明的优选技术方案：所述步骤S4的具体步骤如下：
步骤S4.1：对上一步骤中训练的模糊决策树进行编码，转化为遗传算法可解的个体形式：规定根节点编号N0为1，当非根节点为左子节点时编号Nl＝2×Np，其中Np为父节点的编号，当非根节点为右子节点时编号Nr＝2×Np+1，得到各节点编号后，以节点自身的编号、左右子节点以及父节点的编号按顺序构造出一个四元组，作为该节点的编码Ncode，若无父节点或者无子节点则对应位置上码值为0，将树中各节点的编码进行连接，得到整棵树的矩阵编码；
步骤S4.2：从预测视网膜病变准确度和复杂度两个方面来衡量模糊树模型的优劣，用准确函数E来表示模型的精度，E越小则精度越高，即预测视网膜病变的准确率越高，复杂度由树的叶节点个数M来反映，M越小则模型的复杂度越低，因此适应度函数s(T)为：
Figure BDA0003490398870000044
其中：WE、WM分别为精度E和叶节点个数M的权值，且WE+WM＝1，s(T)表示树T的适应度，
根据构造的适应度函数，求出每个视网膜病变模糊树的适应度，即初始化种群群体；
步骤S4.3：根据每棵模糊树的适应度，利用轮盘赌方法，选出一对父代个体，每棵模糊树被选中的概率与其适应度值成比例，设个体总数为N，某一个体xi的适应度值表示为f(xi)，该个体被选中的概率为p(xi)，累积概率为q(xi)，对应的计算公式如下：
Figure BDA0003490398870000051
Figure BDA0003490398870000052
累积概率q(xi)表示个体之前所有个体的选择概率之和，它相当于轮盘上转过的范围，范围越大越容易选到；
步骤S4.4：对父代个体随机选择一个交叉点k，以概率Pc进行交叉操作，生成新的个体，对新个体的每个基因，随机在[0,1]上产生一个变异概率Pm，进行变异；
步骤S4.5：重新计算新个体在环境中的适应度，与最优值进行比较，更新种群，当最大进化代数T＝150或者最优个体的适应度和群体适应度连续10代不再上升时，得到适应度最高的一代个体，即得到了最优的模糊决策树。
本发明有益效果：
1、本发明考虑了医学图像的特征，在深度学习网络中融合了遗传模糊树，更自然、合理的描述视网膜血管病变区域边缘的不精确信息，使得模型结果的精确性和可解释性得到加强，在数据规模有限的情况下也能收获较好的效果，引入准确率指标，根据样本类别与真实值的距离，动态调整损失函数中的惩罚项，进一步提升分类准确率。
2、本发明的一种基于遗传模糊树的视网膜糖尿病变深度网络检测方法，可以准确分割出视网膜中的血管图像，更精确地识别出血管末梢，通过模糊决策树对提取的视网膜特征进行分析分类，能够提高检测的准确度，并且能够使诊断结果的可解释性得到加强，有效提高了诊断结果的可靠性，使用遗传算法优化模糊树的结构，更进一步提高了检测的准确度，能够有效的帮助医生诊断视网膜糖尿病变，让患者获得最佳的治疗时期。
附图说明
下面结合附图，通过对本发明的具体实施方式详细描述，使本发明的技术方案及其有益效果显而易见。
图1所示为本发明一种基于遗传模糊树的视网膜糖尿病变深度网络检测方法的流程图；
图2所示为本发明预测分割后视网膜图像存在病变生成模糊决策树的流程图；
图3所示为本发明图像预处理时Gamma图像增强对比图，左图为原始图像的黑白图，右图为gamma＝1.2时的增强效果图；
图4所示为本发明网络模型U-net分割出的视网膜血管图，左图为原始图像，中间为标签mask，右图为分割后图像；
图5所示为本发明建立模糊决策树的其中一段分支；
图6所示为本发明对生成的模糊决策树使用遗传算法进行优化的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。当然，通过参考附图描述的示例仅用于解释本发明，而不能解释为对本发明的限制。
如图1所示，本发明公开了基于遗传模糊树的视网膜糖尿病变深度网络检测方法，属于医学信息智能处理领域。本发明包括以下步骤：
S1：将视网膜图像进行增强处理，视网膜图像的病变区域与周围正常区域会呈现出视觉上较为明显的不同特征，形成为不同图像区域，采用图像增强Gamma校正方法，对感兴趣的图像病变区域进行展宽，对不感兴趣的背景区域进行压缩；
S2：搭建网络模型U-net，该网络模型U-net分为压缩路径和扩展路径，共有4次下采样和4次上采样，每次采样前进行两次卷积和一次最大池化，压缩路径中用4次下采样对视网膜图像进行特征压缩，扩展路径对最后一次下采样得到的有效特征层进行4次上采样，同时把下采样中对应的特征层进行连接，最后使用1*1卷积将视网膜特征图Feature Map进行归一化，用增强后的图像数据对构建的模型进行训练，得到图像分割模型；
S3：将模型分割出来的血管图像进行模糊化处理，计算图像中属性的隶属度以及模糊信息增益，与真实诊断结果进行训练，得到模糊决策树分支节点的决策规则和叶子结点的结果集合，进行分类预测；
S4：对决策树各个节点进行编码，同时构造适应度函数，从准确度和复杂度两个方面来衡量模糊树模型的优劣，用准确函数E来表示模型的精度，E越小则精度越高，用树的叶节点个数M来反映复杂度，M越小则模型的复杂度越低，适应度函数s(T)定义如下：
Figure BDA0003490398870000071
其中：WE、WM分别为精度E和叶节点个数M的权值，且WE+WM＝1，s(T)表示树T的适应度，
基于遗传算法对多棵决策树进行组合优化；
S5：最后引入准确率指标，根据样本类别与真实值的距离，动态调整损失函数中的惩罚项，进一步提升分类准确率。
步骤S2的具体步骤如下：
步骤S2.1：将视网膜病变数据集按9∶1划分为训练集和验证集输入到训练网络中；
步骤S2.2：搭建网络模型U-net的压缩路径，压缩路径对视网膜图像进行4次下采样，得到5个初步有效特征层，每个初步有效特征层为卷积和最大池化的堆叠，使用3*3的卷积核对输入大小为565*584的视网膜图像进行两次卷积操作，每次卷积舍弃图像的边缘信息，将卷积得到的561*580视网膜图像进行2*2最大池化，每次下采样将视网膜特征图Feature Map的通道数增加为原来的两倍；
步骤S2.3：搭建网络模型U-net的扩展路径，扩展路径中包含4次上采样，每次上采样通过2*2反卷积将上一层中视网膜特征图Feature Map通道数缩小为一半，图像的长宽翻倍，同时上采样时会将下采样中对应的特征层进行连接，由于卷积时丢失图像边缘信息，因此连接时采用适当的裁剪来保证连接后图像大小一致，U-net网络最后使用1*1卷积来将视网膜特征图Feature Map进行归一化；
步骤S2.4：损失函数使用交叉熵和SoftMax，对于视网膜病变图像每个像素点的类别，预测其属于病变区域和正常区域的概率分别为p和1-p，像素点形式SoftMax函数为：
Figure BDA0003490398870000072
其中：ak(x)表示像素点x在特征图中的第k层的激活值，K是类的数量，pk(x)是类k对像素点x的分类结果，
交叉熵损失函数E定义为：
Figure BDA0003490398870000081
其中：Ω＝{1,...,K}，l(x)是每个像素点x的真实标签，pl(x)(x)是真实标签的分类结果，w(x)是像素点x的权重图，区分每个像素点的权重，其权重计算公式如下：
Figure BDA0003490398870000082
其中：wc是用来平衡某一类频率的权重图，根据像素点x到视网膜病变边界距离由近到远进行排序，d1(x)表示排序第一的距离，d2(x)表示排序第二的距离，w0为权重初始值，其值为10，标准差σ设置为5；
步骤S2.5：用卷积神经网络框架Caffe的随机梯度下降对网络进行训练优化，以最小化损失函数和最大化预测准确率为目标，训练所搭建的模型。
步骤S3的具体步骤如下：
步骤S3.1：对视网膜血管的病变区域进行模糊化，尤其针对病变边缘区域，得到图像连续值属性的隶属度，模糊化后属性值是一个[0,1]区间的隶属度，更自然、合理的描述病变区域边缘的不精确信息；
步骤S3.2：计算视网膜病变区域属性的模糊信息增益，设A＝{(u,μA(u)),u∈U}是属性集U上隶属函数为μA(u)的模糊属性集合，高斯隶属函数μA(u)计算方式如式5，U＝{u1,u2,...,um}是属性的离散集合，m为属性的个数，且第i个属性的模糊度μi＝μA(ui)，则模糊集合A的模糊性度量E(A)为：
Figure BDA0003490398870000083
Figure BDA0003490398870000084
其中：c为正态分布的均值，σ为正态分布的标准差，
选取具有最高模糊信息增益的属性作为根节点的属性；
步骤S3.3：根据父节点的属性和父节点所对应的训练集，以及该节点在父节点属性上的属性值，构造该节点所对应的模糊子类集Am，在模糊子类集Am上，依据要划分的目标类C＝{c1,c2,...,cm}，计算每个模糊子集的模糊信息增益；
步骤S3.4：计算节点Node中某目标类ci的置信度
Figure BDA0003490398870000091
根据规定的最大置信水平β和最小置信水平α，判断是否生成叶子结点：
Figure BDA0003490398870000092
其中：An是模糊子类集Am中未使用过的属性集合，且n＜m，aj是属性集An中的第j个属性，j＝1,2,...,n，LeafNode表示叶子结点；
步骤S3.5：根据该节点扩展属性的属性值构造子节点，递归处理各个子节点。
步骤S4的具体步骤如下：
步骤S4.1：对上一步骤中训练的模糊决策树进行编码，转化为遗传算法可解的个体形式：规定根节点编号N0为1，当非根节点为左子节点时编号Nl＝2×Np，其中Np为父节点的编号，当非根节点为右子节点时编号Nr＝2×Np+1，得到各节点编号后，以节点自身的编号、左右子节点以及父节点的编号按顺序构造出一个四元组，作为该节点的编码Ncode，若无父节点或者无子节点则对应位置上码值为0，将树中各节点的编码进行连接，得到整棵树的矩阵编码；
步骤S4.2：从预测视网膜病变准确度和复杂度两个方面来衡量模糊树模型的优劣，用准确函数E来表示模型的精度，E越小则精度越高，即预测视网膜病变的准确率越高，复杂度由树的叶节点个数M来反映，M越小则模型的复杂度越低，因此适应度函数s(T)为：
Figure BDA0003490398870000093
其中：WE、WM分别为精度E和叶节点个数M的权值，且WE+WM＝1，s(T)表示树T的适应度，
根据构造的适应度函数，求出每个视网膜病变模糊树的适应度，即初始化种群群体；
步骤S4.3：根据每棵模糊树的适应度，利用轮盘赌方法，选出一对父代个体，每棵模糊树被选中的概率与其适应度值成比例，设个体总数为N，某一个体xi的适应度值表示为f(xi)，该个体被选中的概率为p(xi)，累积概率为q(xi)，对应的计算公式如下：
Figure BDA0003490398870000101
Figure BDA0003490398870000102
累积概率q(xi)表示个体之前所有个体的选择概率之和，它相当于轮盘上转过的范围，范围越大越容易选到；
步骤S4.4：对父代个体随机选择一个交叉点k，以概率Pc进行交叉操作，生成新的个体，对新个体的每个基因，随机在[0,1]上产生一个变异概率Pm，进行变异；
步骤S4.5：重新计算新个体在环境中的适应度，与最优值进行比较，更新种群，当最大进化代数T＝150或者最优个体的适应度和群体适应度连续10代不再上升时，得到适应度最高的一代个体，即得到了最优的模糊决策树。
本发明用图像增强Gamma方法对视网膜图像数据集进行预处理，如图3所示，左边为原始图像，右边为Gamma＝1.2时的增强效果图；然后将数据集划按9:1划分为训练集与验证集，训练分割网络U-net，当损失函数达到最小时，分割结果如图4所示，左图为原始图像，中间是标签mask，右图为U-net分割结果；选择视网膜血管图像中血管宽度、血管弯曲度、分形维度等特征作为决策属性，按照图2所示方法建立模糊决策树，图5为模糊树的部分分支；将生成的模糊决策树进行矩阵编码，使用图6所示遗传算法来优化模糊决策树；最后计算预测的准确率，根据样本类别与真实值的距离，评价模型的准确率。
本发明考虑了医学图像的特征，在深度学习网络中融合了遗传模糊树，更自然、合理的描述视网膜血管病变区域边缘的不精确信息，使得模型结果的精确性和可解释性得到加强，在数据规模有限的情况下也能收获较好的效果，引入准确率指标，根据样本类别与真实值的距离，动态调整损失函数中的惩罚项，进一步提升分类准确率。
本发明的一种基于遗传模糊树的视网膜糖尿病变深度网络检测方法，可以准确分割出视网膜中的血管图像，更精确地识别出血管末梢，通过模糊决策树对提取的视网膜特征进行分析分类，能够提高检测的准确度，并且能够使诊断结果的可解释性得到加强，有效提高了诊断结果的可靠性，使用遗传算法优化模糊树的结构，更进一步提高了检测的准确度，能够有效的帮助医生诊断视网膜糖尿病变，让患者获得最佳的治疗时期。
以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。

Claims (4)

1.基于遗传模糊树的视网膜糖尿病变深度网络检测方法，其特征在于，包括以下步骤：
S1：将视网膜图像进行增强处理，视网膜图像的病变区域与周围正常区域会呈现出视觉上较为明显的不同特征，形成为不同图像区域，采用图像增强Gamma校正方法，对感兴趣的图像病变区域进行展宽，对不感兴趣的背景区域进行压缩；
S2：搭建网络模型U-net，该网络模型U-net分为压缩路径和扩展路径，共有4次下采样和4次上采样，每次采样前进行两次卷积和一次最大池化，压缩路径中用4次下采样对视网膜图像进行特征压缩，扩展路径对最后一次下采样得到的有效特征层进行4次上采样，同时把下采样中对应的特征层进行连接，最后使用1*1卷积将视网膜特征图Feature Map进行归一化，用增强后的图像数据对构建的模型进行训练，得到图像分割模型；
S3：将模型分割出来的血管图像进行模糊化处理，计算图像中属性的隶属度以及模糊信息增益，与真实诊断结果进行训练，得到模糊决策树分支节点的决策规则和叶子结点的结果集合，进行分类预测；
S4：对决策树各个节点进行编码，同时构造适应度函数，从准确度和复杂度两个方面来衡量模糊树模型的优劣，用准确函数E来表示模型的精度，E越小则精度越高，用树的叶节点个数M来反映复杂度，M越小则模型的复杂度越低，适应度函数s(T)定义如下：
Figure FDA0003490398860000011
其中：WE、WM分别为精度E和叶节点个数M的权值，且WE+WM＝1，s(T)表示树T的适应度，
基于遗传算法对多棵决策树进行组合优化；
S5：最后引入准确率指标，根据样本类别与真实值的距离，动态调整损失函数中的惩罚项，进一步提升分类准确率。
2.根据权利要求1所述的基于遗传模糊树的视网膜糖尿病变深度网络检测方法，其特征在于，所述步骤S2的具体步骤如下：
步骤S2.1：将视网膜病变数据集按9∶1划分为训练集和验证集输入到训练网络中；
步骤S2.2：搭建网络模型U-net的压缩路径，压缩路径对视网膜图像进行4次下采样，得到5个初步有效特征层，每个初步有效特征层为卷积和最大池化的堆叠，使用3*3的卷积核对输入大小为565*584的视网膜图像进行两次卷积操作，每次卷积舍弃图像的边缘信息，将卷积得到的561*580视网膜图像进行2*2最大池化，每次下采样将视网膜特征图FeatureMap的通道数增加为原来的两倍；
步骤S2.3：搭建网络模型U-net的扩展路径，扩展路径中包含4次上采样，每次上采样通过2*2反卷积将上一层中视网膜特征图Feature Map通道数缩小为一半，图像的长宽翻倍，同时上采样时会将下采样中对应的特征层进行连接，由于卷积时丢失图像边缘信息，因此连接时采用适当的裁剪来保证连接后图像大小一致，U-net网络最后使用1*1卷积来将视网膜特征图Feature Map进行归一化；
步骤S2.4：损失函数使用交叉熵和SoftMax，对于视网膜病变图像每个像素点的类别，预测其属于病变区域和正常区域的概率分别为p和1-p，像素点形式SoftMax函数为：
Figure FDA0003490398860000021
其中：ak(x)表示像素点x在特征图中的第k层的激活值，K是类的数量，pk(x)是类k对像素点x的分类结果，
交叉熵损失函数E定义为：
Figure FDA0003490398860000022
其中：Ω＝{1,...,K}，l(x)是每个像素点x的真实标签，pl(x)(x)是真实标签的分类结果，w(x)是像素点x的权重图，区分每个像素点的权重，其权重计算公式如下：
Figure FDA0003490398860000023
其中：wc是用来平衡某一类频率的权重图，根据像素点x到视网膜病变边界距离由近到远进行排序，d1(x)表示排序第一的距离，d2(x)表示排序第二的距离，w0为权重初始值，其值为10，标准差σ设置为5；
步骤S2.5：用卷积神经网络框架Caffe的随机梯度下降对网络进行训练优化，以最小化损失函数和最大化预测准确率为目标，训练所搭建的模型。
3.根据权利要求1所述的基于遗传模糊树的视网膜糖尿病变深度网络检测方法，其特征在于，所述步骤S3的具体步骤如下：
步骤S3.1：对视网膜血管的病变区域进行模糊化，尤其针对病变边缘区域，得到图像连续值属性的隶属度，模糊化后属性值是一个[0,1]区间的隶属度，更自然、合理的描述病变区域边缘的不精确信息；
步骤S3.2：计算视网膜病变区域属性的模糊信息增益，设A＝{(u,μA(u)),u∈U}是属性集U上隶属函数为μA(u)的模糊属性集合，高斯隶属函数μA(u)计算方式如式5，U＝{u1,u2,...,um}是属性的离散集合，m为属性的个数，且第i个属性的模糊度μi＝μA(ui)，则模糊集合A的模糊性度量E(A)为：
Figure FDA0003490398860000031
Figure FDA0003490398860000032
其中：c为正态分布的均值，σ为正态分布的标准差，
选取具有最高模糊信息增益的属性作为根节点的属性；
步骤S3.3：根据父节点的属性和父节点所对应的训练集，以及该节点在父节点属性上的属性值，构造该节点所对应的模糊子类集Am，在模糊子类集Am上，依据要划分的目标类C＝{c1,c2,...,cm}，计算每个模糊子集的模糊信息增益；
步骤S3.4：计算节点Node中某目标类ci的置信度
Figure FDA0003490398860000033
根据规定的最大置信水平β和最小置信水平α，判断是否生成叶子结点：
Figure FDA0003490398860000034
其中：An是模糊子类集Am中未使用过的属性集合，且n＜m，aj是属性集An中的第j个属性，j＝1,2,...,n，LeafNode表示叶子结点；
步骤S3.5：根据该节点扩展属性的属性值构造子节点，递归处理各个子节点。
4.根据权利要求1所述的基于遗传模糊树的视网膜糖尿病变深度网络检测方法，其特征在于，所述步骤S4的具体步骤如下：
步骤S4.1：对上一步骤中训练的模糊决策树进行编码，转化为遗传算法可解的个体形式：规定根节点编号N0为1，当非根节点为左子节点时编号Nl＝2×Np，其中Np为父节点的编号，当非根节点为右子节点时编号Nr＝2×Np+1，得到各节点编号后，以节点自身的编号、左右子节点以及父节点的编号按顺序构造出一个四元组，作为该节点的编码Ncode，若无父节点或者无子节点则对应位置上码值为0，将树中各节点的编码进行连接，得到整棵树的矩阵编码；
步骤S4.2：从预测视网膜病变准确度和复杂度两个方面来衡量模糊树模型的优劣，用准确函数E来表示模型的精度，E越小则精度越高，即预测视网膜病变的准确率越高，复杂度由树的叶节点个数M来反映，M越小则模型的复杂度越低，因此适应度函数s(T)为：
Figure FDA0003490398860000041
其中：WE、WM分别为精度E和叶节点个数M的权值，且WE+WM＝1，s(T)表示树T的适应度，
根据构造的适应度函数，求出每个视网膜病变模糊树的适应度，即初始化种群群体；
步骤S4.3：根据每棵模糊树的适应度，利用轮盘赌方法，选出一对父代个体，每棵模糊树被选中的概率与其适应度值成比例，设个体总数为N，某一个体xi的适应度值表示为f(xi)，该个体被选中的概率为p(xi)，累积概率为q(xi)，对应的计算公式如下：
Figure FDA0003490398860000042
Figure FDA0003490398860000043
累积概率q(xi)表示个体之前所有个体的选择概率之和，它相当于轮盘上转过的范围，范围越大越容易选到；
步骤S4.4：对父代个体随机选择一个交叉点k，以概率Pc进行交叉操作，生成新的个体，对新个体的每个基因，随机在[0,1]上产生一个变异概率Pm，进行变异；
步骤S4.5：重新计算新个体在环境中的适应度，与最优值进行比较，更新种群，当最大进化代数T＝150或者最优个体的适应度和群体适应度连续10代不再上升时，得到适应度最高的一代个体，即得到了最优的模糊决策树。
CN202210094089.7A 2022-01-26 2022-01-26 基于遗传模糊树的视网膜糖尿病变深度网络检测方法 Active CN114494196B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210094089.7A CN114494196B (zh) 2022-01-26 2022-01-26 基于遗传模糊树的视网膜糖尿病变深度网络检测方法
PCT/CN2023/077768 WO2023143628A1 (zh) 2022-01-26 2023-02-23 基于遗传模糊树的视网膜糖尿病变深度网络检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210094089.7A CN114494196B (zh) 2022-01-26 2022-01-26 基于遗传模糊树的视网膜糖尿病变深度网络检测方法

Publications (2)

Publication Number Publication Date
CN114494196A true CN114494196A (zh) 2022-05-13
CN114494196B CN114494196B (zh) 2023-11-17

Family

ID=81476976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210094089.7A Active CN114494196B (zh) 2022-01-26 2022-01-26 基于遗传模糊树的视网膜糖尿病变深度网络检测方法

Country Status (2)

Country Link
CN (1) CN114494196B (zh)
WO (1) WO2023143628A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023143628A1 (zh) * 2022-01-26 2023-08-03 南通大学 基于遗传模糊树的视网膜糖尿病变深度网络检测方法
WO2023236773A1 (zh) * 2022-06-06 2023-12-14 南通大学 用于视网膜血管不确定边界精准分割的三支U-Net方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117871792B (zh) * 2024-03-13 2024-05-14 河北省建筑科学研究院有限公司 用于对园区绿植碳汇的动态监测方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015028559A1 (en) * 2013-08-29 2015-03-05 Carl Zeiss Meditec Ag Evaluation of optical coherence tomographic data prior to segmentation
CN104463215A (zh) * 2014-12-10 2015-03-25 东北大学 基于视网膜图像处理的微小动脉瘤发生风险预测系统
CN109523524A (zh) * 2018-11-07 2019-03-26 电子科技大学 一种基于集成学习的眼底图像硬性渗出检测方法
CN109635862A (zh) * 2018-12-05 2019-04-16 合肥奥比斯科技有限公司 早产儿视网膜病plus病变分类方法
CN111240353A (zh) * 2020-01-07 2020-06-05 南京航空航天大学 基于遗传模糊树的无人机协同空战决策方法
CN111325725A (zh) * 2020-02-19 2020-06-23 京东方科技集团股份有限公司 视网膜图像识别方法及装置、电子设备、存储介质
CN111815574A (zh) * 2020-06-18 2020-10-23 南通大学 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法
CN112185523A (zh) * 2020-09-30 2021-01-05 南京大学 基于多尺度卷积神经网络的糖尿病视网膜病变分类方法
CN112258486A (zh) * 2020-10-28 2021-01-22 汕头大学 基于进化神经架构搜索的眼底图像视网膜血管分割方法
WO2021027295A1 (zh) * 2019-08-12 2021-02-18 岭南师范学院 一种基于改进自适应遗传算法的人体体成分预测方法
CN113012163A (zh) * 2021-03-11 2021-06-22 山东大学 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质
CN113160119A (zh) * 2021-02-04 2021-07-23 广州中医药大学第一附属医院 一种基于深度学习的糖尿病视网膜病变图像分类方法
US20220012859A1 (en) * 2020-07-09 2022-01-13 Henan University Of Technology Method and device for parallel processing of retinal images

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615051B (zh) * 2018-04-13 2020-09-15 博众精工科技股份有限公司 基于深度学习的糖尿病视网膜图像分类方法及系统
CN112883962B (zh) * 2021-01-29 2023-07-18 北京百度网讯科技有限公司 眼底图像识别方法、装置、设备、存储介质以及程序产品
CN112950555A (zh) * 2021-02-05 2021-06-11 广州中医药大学第一附属医院 一种基于深度学习的2型糖尿病心血管病变图像分类方法
CN114494196B (zh) * 2022-01-26 2023-11-17 南通大学 基于遗传模糊树的视网膜糖尿病变深度网络检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015028559A1 (en) * 2013-08-29 2015-03-05 Carl Zeiss Meditec Ag Evaluation of optical coherence tomographic data prior to segmentation
CN104463215A (zh) * 2014-12-10 2015-03-25 东北大学 基于视网膜图像处理的微小动脉瘤发生风险预测系统
CN109523524A (zh) * 2018-11-07 2019-03-26 电子科技大学 一种基于集成学习的眼底图像硬性渗出检测方法
CN109635862A (zh) * 2018-12-05 2019-04-16 合肥奥比斯科技有限公司 早产儿视网膜病plus病变分类方法
WO2021027295A1 (zh) * 2019-08-12 2021-02-18 岭南师范学院 一种基于改进自适应遗传算法的人体体成分预测方法
CN111240353A (zh) * 2020-01-07 2020-06-05 南京航空航天大学 基于遗传模糊树的无人机协同空战决策方法
CN111325725A (zh) * 2020-02-19 2020-06-23 京东方科技集团股份有限公司 视网膜图像识别方法及装置、电子设备、存储介质
CN111815574A (zh) * 2020-06-18 2020-10-23 南通大学 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法
WO2021253939A1 (zh) * 2020-06-18 2021-12-23 南通大学 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法
US20220012859A1 (en) * 2020-07-09 2022-01-13 Henan University Of Technology Method and device for parallel processing of retinal images
CN112185523A (zh) * 2020-09-30 2021-01-05 南京大学 基于多尺度卷积神经网络的糖尿病视网膜病变分类方法
CN112258486A (zh) * 2020-10-28 2021-01-22 汕头大学 基于进化神经架构搜索的眼底图像视网膜血管分割方法
CN113160119A (zh) * 2021-02-04 2021-07-23 广州中医药大学第一附属医院 一种基于深度学习的糖尿病视网膜病变图像分类方法
CN113012163A (zh) * 2021-03-11 2021-06-22 山东大学 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
EMAN ABDELMAKSOUD等: "Automatic Diabetic Retinopathy Grading System Based on Detecting Multiple Retinal Lesions", 《DIGITAL OBJECT IDENTIFIER》, vol. 9, pages 15939 - 15960, XP011834272, DOI: 10.1109/ACCESS.2021.3052870 *
OLAF RONNEBERGER等: "U-Net: Convolutional Networks for Biomedical Image Segmentation", 《ARXIV》, pages 1 - 8 *
司明明 等: "融合Resnet50和U-Net的眼底彩色血管图像分割", 《电子科技》, vol. 34, no. 8, pages 19 - 24 *
周万里 等: "基于遗传算法的多属性模糊决策树的优化", 《计算机工程与应用》, vol. 45, no. 3, pages 148 - 151 *
熊荔: "基于彩色眼底图的图像分析与疾病自动诊断算法研究", 《中国博士学位论文全文数据库 医药卫生科技辑》, no. 9, pages 073 - 6 *
赵明华 等: "基于遗传算法的模糊决策树的参数优化", 《计算机工程与应用》, no. 25, pages 88 - 91 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023143628A1 (zh) * 2022-01-26 2023-08-03 南通大学 基于遗传模糊树的视网膜糖尿病变深度网络检测方法
WO2023236773A1 (zh) * 2022-06-06 2023-12-14 南通大学 用于视网膜血管不确定边界精准分割的三支U-Net方法

Also Published As

Publication number Publication date
CN114494196B (zh) 2023-11-17
WO2023143628A1 (zh) 2023-08-03

Similar Documents

Publication Publication Date Title
CN114494196B (zh) 基于遗传模糊树的视网膜糖尿病变深度网络检测方法
US20220319706A1 (en) A drgs automatic grouping method based on a convolutional neural network
CN112270666A (zh) 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法
CN117253614B (zh) 基于大数据分析的糖尿病风险预警方法
CN113113130A (zh) 一种肿瘤个体化诊疗方案推荐方法
Nikbakhsh et al. A novel approach for unsupervised image segmentation fusion of plant leaves based on G-mutual information
CN116884623B (zh) 基于激光扫描成像的医疗康复预测系统
CN115965807A (zh) 基于超参数优化的TransCNN医学眼底图像分类算法
CN115345246A (zh) 一种基于t-s模糊语义智能肝癌分期方法及系统
CN112434718A (zh) 基于深度图的新冠肺炎多模态特征提取融合方法及系统
Gugulothu et al. An early prediction and classification of lung nodule diagnosis on CT images based on hybrid deep learning techniques
CN114155306A (zh) 一种计算机视觉和深度学习的眼底疾病可视化分析方法
CN111583194B (zh) 基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法
CN117195027A (zh) 基于成员选择的簇加权聚类集成方法
Ahmed et al. Improving prediction of plant disease using k-efficient clustering and classification algorithms
Abdulrahman et al. Classification of retina diseases from OCT using genetic programming
CN116797817A (zh) 基于自监督图卷积模型的自闭症疾病预测技术
CN115310491A (zh) 一种基于深度学习的类不平衡磁共振全脑数据分类方法
CN114970684A (zh) 一种结合vae的提取网络核心结构的社区检测方法
CN114613497A (zh) 基于gbdt样例级的病患样本的智能医学辅助诊断方法
Mondal et al. An Efficient Computational Risk Prediction Model of Heart Diseases Based on Dual-Stage Stacked Machine Learning Approaches
Chang et al. An Efficient Hybrid Classifier for Cancer Detection.
Kapila et al. Brain Tumor Classification by Convolutional Neural Network
Lafta et al. Breast cancer diagnosis using genetic fuzzy rule based system
CN112419256A (zh) 基于模糊图神经网络的糖网病眼底图像分级方法

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
GR01 Patent grant
GR01 Patent grant