CN115064263A - 一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法 - Google Patents
一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法 Download PDFInfo
- Publication number
- CN115064263A CN115064263A CN202210642807.XA CN202210642807A CN115064263A CN 115064263 A CN115064263 A CN 115064263A CN 202210642807 A CN202210642807 A CN 202210642807A CN 115064263 A CN115064263 A CN 115064263A
- Authority
- CN
- China
- Prior art keywords
- disease
- time sequence
- relevant
- alzheimer
- brain
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 61
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 26
- 238000013138 pruning Methods 0.000 title claims abstract description 13
- 230000000877 morphologic effect Effects 0.000 claims abstract description 27
- 201000010099 disease Diseases 0.000 claims abstract description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 23
- 238000011161 development Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000010187 selection method Methods 0.000 claims abstract description 6
- 238000007477 logistic regression Methods 0.000 claims abstract description 4
- 230000018109 developmental process Effects 0.000 claims description 18
- 238000013136 deep learning model Methods 0.000 claims description 4
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 3
- 210000004884 grey matter Anatomy 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 210000003625 skull Anatomy 0.000 claims description 3
- 210000004885 white matter Anatomy 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000000306 recurrent effect Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G16H50/20—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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法,包括如下步骤:原始影像首先通过数据预处理,获取各个脑区的医学形态特征,并按时间序列顺序排列,得到形态特征序列;采用随机森林选择方法,对所述形态特征序列按与阿尔兹海默症疾病发展的相关度从高到低进行排序,然后选出排名靠前的形态特征数据,得到最相关特征;将最相关特征的时间序列作为输入,使用递归神经网络抽取时序特征,然后通过逻辑回归算法得到阿尔兹海默症病程发展的最相关特征的预测结果;最后将所述最相关特征的预测结果可视化。本发明提供的方法,不仅解决了阿尔兹海默症的相关特征提取与病程预测的问题,还解决了模型的可解释性问题。
Description
技术领域
本发明涉及与阿尔兹海默症病程预测相关的人工智能模型技术,特别涉及一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法。
背景技术
阿尔兹海默症影响许多老年人以及其家人的生活,它是一种渐进性的神经退化疾病并且无法被治愈。如果可以在早期正确的对病人的病程进行预测,就可以更加适当有效的提供有关的护理与预防。正因如此,阿尔兹海默症的预测是一个重要的问题。
本方法通过对于阿尔兹海默症疾病相关脑区的选择,并基于以上脑区的时间序列预测阿尔兹海默症疾病在未来时间点的发展状态。
发明内容
本发明要解决的技术问题,在于提供一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法,结合随机森林选取方法与递归神经网络实现,解决了阿尔兹海默症的相关特征提取与病程预测的问题。
本发明具体包括如下步骤:
步骤10、对原始影像进行预处理,获取N个脑区医学形态特征然后归一化,按时间序列顺序排列,得到形态特征序列,其中,N为指定的自然数;
步骤20、采用随机森林选择方法,对所述形态特征序列按与阿尔兹海默症疾病发展的相关度从高到低进行排序,然后选出排名前M的形态特征数据,作为最相关特征,其中,M为指定的自然数;
步骤30、将待预测病例多次检查的最相关特征的时间序列作为输入,通过时间序列的深度学习模型进行预测,得到最相关特征的预测结果;
步骤40、将最相关特征的预测结果可视化,使模型具有可解释性。
进一步地,所述步骤10中,对原始影像进行预处理,具体步骤为:头骨剥离、标准化、灰质白质脑脊液分割以及脑区特征提取。
进一步地,所述步骤20具体包括:
步骤21、构造随机森林分类器;
步骤22、计算分类器分类精度,将所有的子树精度相比较获得最大局部精度,然后得出当前精度总和,当前精度最大时保存相关度排名,删除排名最后的形态特征;
步骤23、根据脑区进行循环N脑区数目次,最后保留M个形态特征作为随机森林特征选择的结果,得到最相关特征。
进一步地,所述步骤30具体包括:
步骤31、将待预测病例多次检查的原始影像进行预处理,然后根据最相关特征和检查时间得到对应的脑区医学形态特征时间序列;
步骤32、将时间序列送入全连接层建立疾病发展变化的脑区特征组合,然后送入门控递归单元模块抽取与疾病发展进程相关的脑区组合,然后将组合的脑区送入全连接层进行再次的组合,最终获取与疾病最相关的脑区的时序特征,并通过逻辑回归得到最相关特征的预测结果。
进一步地,所述步骤40具体包括:
步骤41、对所述最相关特征进行可视化;
步骤42、对所述最相关特征的预测结果进行可视化。
本发明具有如下优点:
1、通过建立时间序列预测算法的内核,将最相关特征的时间序列输入时间序列的深度学习模型进行预测,得到最相关特征的预测结果,提升了阿尔兹海默症病程预测算法的疾病发展进程的特征表达能力,能够实现基于时间节点的病程发展的预测;
2、通过随机森林剪枝特征选择算法对相关的脑区进行选择,使得仅有与疾病相关的脑区,参与后期时间序列预测深度学习时序模型,可以极大地提高算法性能,并且脑区的选择能够为医生提供可视化的诊断依据,解决了模型的可解释性问题。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明方法的执行流程图。
具体实施方式
本发明实施例提供一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法,结合随机森林选取方法与递归神经网络实现,解决了阿尔兹海默症的相关特征提取与病程预测的问题。
本发明总体思路如下:
通过随机森林剪枝特征选择算法对相关的脑区进行选择,使得仅有与疾病相关的脑区,参与后期时间序列预测深度学习时序模型,可以极大地提高算法性能,并且脑区的选择能够为医生提供可视化的诊断依据。同时该算法还提升了阿尔兹海默症病程预测算法的疾病发展进程的特征表达能力,能够实现基于时间节点的病程发展的预测。本发明解决了模型的可解释性问题并基于此建立了时间序列预测算法的内核。
本发明实施例提一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法,如图1所示,包括如下步骤:
步骤10、对原始影像进行预处理,获取N个脑区医学形态特征然后归一化,按时间序列顺序排列,得到形态特征序列,其中,N为指定的自然数,在本实施例中,N为100;
具体地,对原始影像进行预处理,依次包括:头骨剥离、标准化、灰质白质脑脊液分割以及脑区特征提取。
步骤20、采用随机森林选择方法,对所述形态特征序列按与阿尔兹海默症疾病发展的相关度从高到低进行排序,然后选出排名前M的形态特征数据,作为最相关特征,其中,M为指定的自然数,在本实施例中,M为7;
较佳地,所述步骤20可以包括如下步骤:
步骤21、构造随机森林分类器;
随机森林剪枝脑区选择算法是一种集成学习方法,通过随机选择样本和特征建立一系列决策树从而实现阿尔兹海默症疾病相关脑区的选择,该方法可以避免过拟合,具有尺度不敏感的特性并对噪声不敏感。因为可能其中的某一棵树对噪声敏感,但是若结果是多棵树的平均,就可以降低噪声的影响。
定义训练集X,对应的类标为Y,循环Q次随机从训练集中选择样本和特征建立决策树,并构成森林,通过多棵决策树的投票结果确定最终选择的特征。
步骤22、计算分类器分类精度,将所有的子树精度相比较获得最大局部精度,然后得出当前精度总和,当前精度最大时保存相关度排名,删除排名最后的形态特征;
步骤23、根据脑区进行循环N脑区数目次,最后保留M个形态特征作为随机森林特征选择的结果,得到最相关特征。
基于步骤10获取的脑区医学形态特征序列,通过构造随机森林分类器计算阿尔兹海默症的预测精度,将所有的子树精度相比较获得最大局部精度,然后得出当前精度总和,当前精度最大时保存脑区医学形态特征与预测结果相关的排名,每次迭代删除排名最后的脑区医学形态,最后输出与阿尔兹海默症发展最相关的脑区医学形态特征。
步骤30、将待预测病例多次检查的最相关特征的时间序列作为输入,通过时间序列的深度学习模型进行预测,得到最相关特征的预测结果;具体可以包括如下步骤:
步骤31、将待预测病例多次检查的原始影像进行预处理,然后根据最相关特征和检查时间得到对应的脑区医学形态特征时间序列;
通过随机森林剪枝的脑区选择算法选择与阿尔兹海默症病程发展最相关的脑区(即最相关特征),将对应脑区在多次检查中获取的医学形态特征的时间序列作为下一阶段的输入。
步骤32、将时间序列送入全连接层建立疾病发展变化的脑区特征组合,然后送入门控递归单元模块(GRU)抽取与疾病发展进程相关的脑区组合,然后将组合的脑区送入全连接层进行再次的组合,最终获取与疾病最相关的脑区的时序特征,并通过逻辑回归得到最相关特征的预测结果。
通过深度学习时序模型,能有效地解决阿尔兹海默症病程预测的问题,提高了模型对病程阶段预测的能力。
步骤40、将最相关特征的预测结果可视化,使模型具有可解释性,具可以包括如下步骤:
步骤41、对所述最相关特征进行可视化;
步骤42、对所述最相关特征的预测结果进行可视化。
通过二维、三维图像可视化技术,实现脑图切片可视化、三维脑图可视化;其中,阿尔兹海默症病理通过二维、三维图像绘图技术实现,通过将深度学习时序模型提取的特征转换成图像格式,用高亮色彩绘制在医疗影像上,能有效的体现出方法的效果与阿尔兹海默症数据病理特征,解决模型的可解释性问题,提供更好的诊断依据。
本发明实施例解决了模型的可解释性问题并基于此建立了时间序列预测算法的内核。通过随机森林剪枝特征选择算法对相关的脑区进行选择,使得仅有与疾病相关的脑区,参与后期时间序列预测深度学习时序模型,可以极大地提高算法性能,并且脑区的选择能够为医生提供可视化的诊断依据。同时该算法还提升了阿尔兹海默症病程预测算法的疾病发展进程的特征表达能力,能够实现基于时间节点的病程发展的预测。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (5)
1.一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法,其特征在于,包括:
步骤10、对原始影像进行预处理,获取N个脑区医学形态特征然后归一化,按时间序列顺序排列,得到形态特征序列,其中,N为指定的自然数;
步骤20、采用随机森林选择方法,对所述形态特征序列按与阿尔兹海默症疾病发展的相关度从高到低进行排序,然后选出排名前M的形态特征数据,作为最相关特征,其中,M为指定的自然数;
步骤30、将待预测病例多次检查的最相关特征的时间序列作为输入,通过时间序列的深度学习模型进行预测,得到最相关特征的预测结果;
步骤40、将最相关特征的预测结果可视化,使模型具有可解释性。
2.根据权利要求1所述的方法,其特征在于:所述步骤10中,对原始影像进行预处理,具体步骤为:头骨剥离、标准化、灰质白质脑脊液分割以及脑区特征提取。
3.根据权利要求1所述的方法,其特征在于:所述步骤20具体包括:
步骤21、构造随机森林分类器;
步骤22、计算分类器分类精度,将所有的子树精度相比较获得最大局部精度,然后得出当前精度总和,当前精度最大时保存相关度排名,删除排名最后的形态特征;
步骤23、根据脑区进行循环N脑区数目次,最后保留M个形态特征作为随机森林特征选择的结果,得到最相关特征。
4.根据权利要求1所述的方法,其特征在于,所述步骤30具体包括:
步骤31、将待预测病例多次检查的原始影像进行预处理,然后根据最相关特征和检查时间得到对应的脑区医学形态特征时间序列;
步骤32、将时间序列送入全连接层建立疾病发展变化的脑区特征组合,然后送入门控递归单元模块抽取与疾病发展进程相关的脑区组合,然后将组合的脑区送入全连接层进行再次的组合,最终获取与疾病最相关的脑区的时序特征,并通过逻辑回归得到最相关特征的预测结果。
5.根据权利要求1所述的方法,其特征在于,所述步骤40具体包括:
步骤41、对所述最相关特征进行可视化;
步骤42、对所述最相关特征的预测结果进行可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210642807.XA CN115064263A (zh) | 2022-06-08 | 2022-06-08 | 一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210642807.XA CN115064263A (zh) | 2022-06-08 | 2022-06-08 | 一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115064263A true CN115064263A (zh) | 2022-09-16 |
Family
ID=83200560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210642807.XA Pending CN115064263A (zh) | 2022-06-08 | 2022-06-08 | 一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115064263A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503187A (zh) * | 2019-07-26 | 2019-11-26 | 江苏大学 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
CN110534195A (zh) * | 2019-09-05 | 2019-12-03 | 深圳龙岗智能视听研究院 | 一种基于数据空间变换的阿尔兹海默症检测方法 |
CN110739070A (zh) * | 2019-09-26 | 2020-01-31 | 南京工业大学 | 一种基于3d卷积神经网络的脑疾病诊断方法 |
AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
CN113096814A (zh) * | 2021-05-28 | 2021-07-09 | 哈尔滨理工大学 | 一种基于多分类器融合的阿尔兹海默症分类预测方法 |
CN113298758A (zh) * | 2021-04-29 | 2021-08-24 | 深圳市铱硙医疗科技有限公司 | 阿尔兹海默症的辅助诊断系统、其数据处理方法及终端 |
CN114048806A (zh) * | 2021-11-09 | 2022-02-15 | 安徽大学 | 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法 |
CN114155952A (zh) * | 2021-11-15 | 2022-03-08 | 常州工学院 | 一种老年人群老年痴呆病患病辅助分析系统 |
-
2022
- 2022-06-08 CN CN202210642807.XA patent/CN115064263A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503187A (zh) * | 2019-07-26 | 2019-11-26 | 江苏大学 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
CN110534195A (zh) * | 2019-09-05 | 2019-12-03 | 深圳龙岗智能视听研究院 | 一种基于数据空间变换的阿尔兹海默症检测方法 |
CN110739070A (zh) * | 2019-09-26 | 2020-01-31 | 南京工业大学 | 一种基于3d卷积神经网络的脑疾病诊断方法 |
AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
CN113298758A (zh) * | 2021-04-29 | 2021-08-24 | 深圳市铱硙医疗科技有限公司 | 阿尔兹海默症的辅助诊断系统、其数据处理方法及终端 |
CN113096814A (zh) * | 2021-05-28 | 2021-07-09 | 哈尔滨理工大学 | 一种基于多分类器融合的阿尔兹海默症分类预测方法 |
CN114048806A (zh) * | 2021-11-09 | 2022-02-15 | 安徽大学 | 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法 |
CN114155952A (zh) * | 2021-11-15 | 2022-03-08 | 常州工学院 | 一种老年人群老年痴呆病患病辅助分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
CN109886273B (zh) | 一种cmr图像分割分类系统 | |
CN110120040B (zh) | 切片图像处理方法、装置、计算机设备和存储介质 | |
WO2023077603A1 (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
Anitha et al. | Brain tumour classification using two‐tier classifier with adaptive segmentation technique | |
CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
CN113034462B (zh) | 基于图卷积的胃癌病理切片图像的处理方法及系统 | |
WO2020154562A1 (en) | Method and system for automatic multiple lesion annotation of medical images | |
CN105139430A (zh) | 一种基于图熵的医学图像聚类方法 | |
CN112819747A (zh) | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 | |
CN112434172A (zh) | 一种病理图像预后特征权重计算方法及系统 | |
CN113706442A (zh) | 基于人工智能的医疗图像处理方法、装置及电子设备 | |
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 | |
CN114155306B (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 | |
Kharrat et al. | Classification of brain tumors using personalized deep belief networks on MRImages: PDBN-MRI | |
Yamuna Devi et al. | Efficient segmentation and classification of the lung carcinoma via deep learning | |
CN115641317B (zh) | 面向病理图像的动态知识回溯多示例学习及图像分类方法 | |
CN115064263A (zh) | 一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法 | |
Abirami et al. | MRI-based Brain Tumour Classification Using EfficientNetB7 model with transfer learning | |
Susomboon et al. | Automatic single-organ segmentation in computed tomography images | |
Macatangay et al. | A primary morphological classifier for skin lesion images | |
Shekerbek et al. | APPLICATION OF MATHEMATICAL METHODS AND MACHINE LEARNING ALGORITHMS FOR CLASSIFICATION OF X-RAY IMAGES. | |
Tuan et al. | Semisupervised fuzzy clustering methods for X-ray image segmentation | |
Nugroho et al. | Image dermoscopy skin lesion classification using deep learning method: systematic literature review | |
Shao et al. | Automatic analysis of a skull fracture based on image content |
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 |