CN115171888A - 对smplc和im进行分类的方法、系统、电子设备和存储介质 - Google Patents
对smplc和im进行分类的方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115171888A CN115171888A CN202210932049.5A CN202210932049A CN115171888A CN 115171888 A CN115171888 A CN 115171888A CN 202210932049 A CN202210932049 A CN 202210932049A CN 115171888 A CN115171888 A CN 115171888A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction distribution
- distribution matrix
- classification
- classification prediction
- 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了对SMPLC和IM进行分类的方法、系统、电子设备和存储介质,包括:将待分类病例的临床数据预处理为第一数据,并将所述待分类病例的影像数据预处理为第二数据;将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同;通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取同源肺癌SMPLC和肺转移肿瘤IM的分类结果。使得影像分类SMPLC和IM的过程更加准确,快速。
Description
技术领域
本申请属于医疗领域,尤其涉及对SMPLC和IM进行分类的方法、系统、电子设备和存储介质。
背景技术
SMPLC(Synchronous Multiple Primary Lung Cancer,同源肺癌)和肺转移肿瘤IM是临床医学上常见的两种肺癌类型。MPLC(Multiple Primary Lung Cancer,多原发性肺癌)是指在同一患者肺内同时或先后发生两个或两个以上的原发性恶性肿瘤,如果两个肺部恶性肿瘤的诊断间隔时间在6个月之内,则为SMPLC。现有技术在诊断时,主要通过主治医师对CT图像的临床判断,即只通过图像这种单一的判断依据进行临床判断,由于这两种肺癌的临床症状比较相似,因此临床诊断上经常容易混淆这两种肺癌,使得医生常常不能快速、准确的区分两种肺癌,进而影响医生针对不同的肺癌使用不同的治疗方案。
发明内容
本发明实施例的主要目的在于提供对SMPLC和IM进行分类的方法、系统、电子设备和存储介质,使得影像分类SMPLC和IM的过程更加准确,快速。
第一方面,提供了一种对SMPLC和IM进行分类的方法,所述方法包括:
将待分类病例的临床数据预处理为第一数据,并将所述待分类病例的影像数据预处理为第二数据;
将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同,包括:通过噪声稳健辅助分类器生成对抗网络RAC-GAN将所述第一数据处理为第一分类预测分布矩阵;通过VGG模型将所述第二数据处理为第二分类预测分布矩阵;
通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取同源肺癌SMPLC和肺转移肿瘤IM的分类结果,包括:在横向方向上合并所述第一分类预测分布矩阵和第二分类预测分布矩阵;将所述合并后的分类预测分布矩阵通过预设的机器学习网络进行精确分类,所述机器学习包括:随机森林RF网络、支持向量机SVM网络。
在一个可能的实现方式中,所述将待分类病例的临床数据预处理为第一数据,包括:
通过KNN算法对所述临床数据进行数据填补、通过迁移学习对所述临床数据进行扩充;或者,
通过多阶拉格朗日内插法对所述临床数据进行数据填补,所述多阶拉格朗日内插法的公式为:其中,表示对第i个样本点在t时刻所采集到对临床数据的修正值,xi,t-a、xi,t+b分别表示向前和向后所取得样本点,a、b为向前和向后所取得样本数据。
第二方面,提供了一种对SMPLC和IM进行分类的系统,所述系统包括:
预处理模块,用于将待分类病例的临床数据预处理为第一数据,并将所述待分类病例的影像数据预处理为第二数据;
矩阵处理模块,用于将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同,所述矩阵处理模块,包括:第一矩阵处理单元,用于通过噪声稳健辅助分类器生成对抗网络RAC-GAN将所述第一数据处理为第一分类预测分布矩阵;第二矩阵处理单元,用于通过VGG模型将所述第二数据处理为第二分类预测分布矩阵;
分类结果获取模块,用于通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取同源肺癌SMPLC和肺转移肿瘤IM的分类结果,所述分类结果获取模块,包括:合并单元,用于在横向方向上合并所述第一分类预测分布矩阵和第二分类预测分布矩阵;分类单元,用于将所述合并后的分类预测分布矩阵通过预设的机器学习网络进行精确分类,所述机器学习包括:随机森林RF网络、支持向量机SVM网络。
在一个可能的实现方式中,所述将待分类病例的临床数据预处理为第一数据,包括:
通过KNN算法对所述临床数据进行数据填补、通过迁移学习对所述临床数据进行扩充;或者,
通过多阶拉格朗日内插法对所述临床数据进行数据填补,所述多阶拉格朗日内插法的公式为:其中,表示对第i个样本点在t时刻所采集到对临床数据的修正值,xi,t-a、xi,t+b分别表示向前和向后所取得样本点,a、b为向前和向后所取得样本数据。
第三方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如第一方面提供的对SMPLC和IM进行分类的方法。
第四方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如第一方面提供的对SMPLC和IM进行分类的方法。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本发明一个实施例提供的对SMPLC和IM进行分类的方法的流程图;
图2为本发明另一个实施例提供的对SMPLC和IM进行分类的方法的流程图;
图3为本发明再一个实施例提供的对SMPLC和IM进行分类的方法的流程图
图4为本发明一个实施例提供的对SMPLC和IM进行分类的系统的结构图;
图5为本发明另一个实施例提供的对SMPLC和IM进行分类的系统的结构图;
图6为本发明再一个实施例提供的对SMPLC和IM进行分类的系统的结构图;
图7为本发明一种电子设备的实体结构示意图。
具体实现方式
下面详细描述本申请的实施例,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模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、模块和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、模块、组件和/或它们的组。应该理解,当我们称模块被“连接”或“耦接”到另一模块时,它可以直接连接或耦接到其他模块,或者也可以存在中间模块。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一模块和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实现方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如和解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
如图1所示为本发明一个实施例提供的对SMPLC和IM进行分类的方法的流程图,所述方法包括:
步骤101,将待分类病例的临床数据预处理为第一数据,并将所述待分类病例的影像数据预处理为第二数据;
步骤102,将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同;
步骤103,通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取同源肺癌SMPLC和肺转移肿瘤IM的分类结果。
在本发明实施例中,临床数据通常存在数据缺失、数据样本分布不均匀等问题,为了保证临床数据在后续的分类过程中尽可能的准确,需要针对前述问题对临床数据进行预处理,具体为:通过KNN算法对所述临床数据进行数据填补、通过迁移学习对所述临床数据进行扩充;或者,通过多阶拉格朗日内插法对所述临床数据进行数据填补,所述多阶拉格朗日内插法的公式为:其中,表示对第i个样本点在t时刻所采集到对临床数据的修正值,xi,t-a、xi,t+b分别表示向前和向后所取得样本点,a、b为向前和向后所取得样本数据。迁移学习的核心思想是通过迁移相关领域数据集中的信息至目标领域以辅助目标领域学习器的构建,实现提升学习器性能的目标,可以有效解决小样本的建模问题,先用相关领域的数据集学习一部分知识,再将该知识迁移至目标领域,最后用目标领域小数据集对模型进行调整。
本发明实施例,将待分类病例的临床数据预处理为第一数据,并将所述待分类病例的影像数据预处理为第二数据;将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同;通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取同源肺癌SMPLC和肺转移肿瘤IM的分类结果。通过临床数据和影像数据的两种分类,使得影像分类SMPLC和IM的过程更加快速,分类的结果更加准确。
如图2所示为本发明再一个实施例提供的对SMPLC和IM进行分类的方法的流程图,所述将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同,包括:
步骤201,通过噪声稳健辅助分类器生成对抗网络RAC-GAN将所述第一数据处理为第一分类预测分布矩阵;
步骤202,通过VGG模型将所述第二数据处理为第二分类预测分布矩阵。
在本发明实施例中,RAC-GAN(Robust Auxiliary Classifier GenerativeAdversarial Networks,噪声稳健辅助分类器生成对抗网络)通过将噪声过渡模型纳入判别器来提高模型的稳健性。RAC-GAN可以通过在判别器中扩展一个辅助判断层来对样本的类别进行分类。通过RAC-GAN网络对SMPLC和IM临床数据分类能够得到尺寸为(特征维度,2)的分类预测分布矩阵。
VGG模型可在增加网络深度的情况下在一定程度上影响网络最终的性能,VGG有VGG-16和VGG-19两种结构,VGG-19包含了19个隐藏层(16个卷积层和3个全连接层),VGG网络可根据其交强的拓展性用来在特定的图像分类任务中进行再训练(相当于提供了非常好的初始化权重)。通过VGG-19网络对CT图像进行处理,能够得到对应的尺寸为(特征维度,2)的分类预测分布矩阵。
如图3所示为本发明另一个实施例提供的对SMPLC和IM进行分类的方法的流程图,所述通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取SMPLC和IM的分类结果,包括:
步骤301,在横向方向上合并所述第一分类预测分布矩阵和第二分类预测分布矩阵;
步骤302,将所述合并后的分类预测分布矩阵通过预设的机器学习网络进行精确分类,所述机器学习包括:随机森林RF网络、支持向量机SVM网络。
如图4所示为本发明实施例提供的对SMPLC和IM进行分类的系统的结构图,所述系统包括:
预处理模块401,用于将待分类病例的临床数据预处理为第一数据,并将所述待分类病例的影像数据预处理为第二数据;
矩阵处理模块402,用于将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同;
分类结果获取模块403,用于通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取同源肺癌SMPLC和肺转移肿瘤IM的分类结果。
在本发明实施例中,临床数据通常存在数据缺失、数据样本分布不均匀等问题,为了保证临床数据在后续的分类过程中尽可能的准确,需要针对前述问题对临床数据进行预处理,具体为:通过KNN算法对所述临床数据进行数据填补、通过迁移学习对所述临床数据进行扩充;或者,通过多阶拉格朗日内插法对所述临床数据进行数据填补,所述多阶拉格朗日内插法的公式为:其中,表示对第i个样本点在t时刻所采集到对临床数据的修正值,xi,t-a、xi,t+b分别表示向前和向后所取得样本点,a、b为向前和向后所取得样本数据。迁移学习的核心思想是通过迁移相关领域数据集中的信息至目标领域以辅助目标领域学习器的构建,实现提升学习器性能的目标,可以有效解决小样本的建模问题,先用相关领域的数据集学习一部分知识,再将该知识迁移至目标领域,最后用目标领域小数据集对模型进行调整。
本发明实施例,将待分类病例的临床数据预处理为第一数据,并将所述待分类病例的影像数据预处理为第二数据;将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同;通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取同源肺癌SMPLC和肺转移肿瘤IM的分类结果。通过临床数据和影像数据的两种分类,使得影像分类SMPLC和IM的过程更加快速,分类的结果更加准确。
如图5所示为本发明再一个实施例提供的对SMPLC和IM进行分类的系统的结构图,所述矩阵处理模块402,包括:
第一矩阵处理单元4021,用于通过噪声稳健辅助分类器生成对抗网络RAC-GAN将所述第一数据处理为第一分类预测分布矩阵;
第二矩阵处理单元4022,用于通过VGG模型将所述第二数据处理为第二分类预测分布矩阵。
在本发明实施例中,RAC-GAN(Robust Auxiliary Classifier GenerativeAdversarial Networks,噪声稳健辅助分类器生成对抗网络)通过将噪声过渡模型纳入判别器来提高模型的稳健性。RAC-GAN可以通过在判别器中扩展一个辅助判断层来对样本的类别进行分类。通过RAC-GAN网络对SMPLC和IM临床数据分类能够得到尺寸为(特征维度,2)的分类预测分布矩阵。
VGG模型可在增加网络深度的情况下在一定程度上影响网络最终的性能,VGG有VGG-16和VGG-19两种结构,VGG-19包含了19个隐藏层(16个卷积层和3个全连接层),VGG网络可根据其交强的拓展性用来在特定的图像分类任务中进行再训练(相当于提供了非常好的初始化权重)。通过VGG-19网络对CT图像进行处理,能够得到对应的尺寸为(特征维度,2)的分类预测分布矩阵。
如图6所示为本发明另一个实施例提供的对SMPLC和IM进行分类的系统的结构图,所述分类结果获取模块403,包括:
合并单元4031,用于在横向方向上合并所述第一分类预测分布矩阵和第二分类预测分布矩阵;
分类单元4032,用于将所述合并后的分类预测分布矩阵通过预设的机器学习网络进行精确分类,所述机器学习包括:随机森林RF网络、支持向量机SVM网络。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)701、通信接口(Communications Interface)702、存储器(memory)703和通信总线704,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的逻辑指令,以执行对SMPLC和IM进行分类的方法,该方法包括:将待分类病例的临床数据预处理为第一数据,并将所述待分类病例的影像数据预处理为第二数据;将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同;通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取同源肺癌SMPLC和肺转移肿瘤IM的分类结果。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的对SMPLC和IM进行分类的方法,该方法包括:将待分类病例的临床数据预处理为第一数据,并将所述待分类病例的影像数据预处理为第二数据;将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同;通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取同源肺癌SMPLC和肺转移肿瘤IM的分类结果。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的对SMPLC和IM进行分类的方法,该方法包括:将待分类病例的临床数据预处理为第一数据,并将所述待分类病例的影像数据预处理为第二数据;将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同;通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取同源肺癌SMPLC和肺转移肿瘤IM的分类结果。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实现方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种对SMPLC和IM进行分类的方法,其特征在于,所述方法包括:
将待分类病例的临床数据预处理为第一数据,并将所述待分类病例的影像数据预处理为第二数据;
将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同,包括:通过噪声稳健辅助分类器生成对抗网络RAC-GAN将所述第一数据处理为第一分类预测分布矩阵;通过VGG模型将所述第二数据处理为第二分类预测分布矩阵;
通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取同源肺癌SMPLC和肺转移肿瘤IM的分类结果,包括:在横向方向上合并所述第一分类预测分布矩阵和第二分类预测分布矩阵;将所述合并后的分类预测分布矩阵通过预设的机器学习网络进行精确分类,所述机器学习包括:随机森林RF网络、支持向量机SVM网络。
3.一种对SMPLC和IM进行分类的系统,其特征在于,所述系统包括:
预处理模块,用于将待分类病例的临床数据预处理为第一数据,并将所述待分类病例的影像数据预处理为第二数据;
矩阵处理模块,用于将所述第一数据处理为第一分类预测分布矩阵,并将所述第二数据处理为第二分类预测分布矩阵,所述第一分类预测分布矩阵和第二分类预测分布矩阵的尺寸相同,所述矩阵处理模块,包括:第一矩阵处理单元,用于通过噪声稳健辅助分类器生成对抗网络RAC-GAN将所述第一数据处理为第一分类预测分布矩阵;第二矩阵处理单元,用于通过VGG模型将所述第二数据处理为第二分类预测分布矩阵;
分类结果获取模块,用于通过预设的机器学习网络对所述第一分类预测分布矩阵和第二分类预测分布矩阵进行精度处理,获取同源肺癌SMPLC和肺转移肿瘤IM的分类结果,所述分类结果获取模块,包括:合并单元,用于在横向方向上合并所述第一分类预测分布矩阵和第二分类预测分布矩阵;分类单元,用于将所述合并后的分类预测分布矩阵通过预设的机器学习网络进行精确分类,所述机器学习包括:随机森林RF网络、支持向量机SVM网络。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-2任一项所述的对SMPLC和IM进行分类的方法。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-2任一项所述的对SMPLC和IM进行分类的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210932049.5A CN115171888A (zh) | 2022-08-04 | 2022-08-04 | 对smplc和im进行分类的方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210932049.5A CN115171888A (zh) | 2022-08-04 | 2022-08-04 | 对smplc和im进行分类的方法、系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115171888A true CN115171888A (zh) | 2022-10-11 |
Family
ID=83476565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210932049.5A Pending CN115171888A (zh) | 2022-08-04 | 2022-08-04 | 对smplc和im进行分类的方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115171888A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740652A (zh) * | 2018-12-24 | 2019-05-10 | 深圳大学 | 一种病理图像分类方法和计算机设备 |
CN112259221A (zh) * | 2020-10-21 | 2021-01-22 | 北京大学第一医院 | 基于多种机器学习算法的肺癌诊断系统 |
CN113593714A (zh) * | 2021-07-26 | 2021-11-02 | 陕西师范大学 | 一种多分类新冠肺炎病例的检测方法、系统、设备及介质 |
CN114359666A (zh) * | 2021-12-28 | 2022-04-15 | 清华珠三角研究院 | 多模态融合的肺癌患者疗效预测方法、系统、装置及介质 |
CN114511747A (zh) * | 2022-02-28 | 2022-05-17 | 上海电力大学 | 一种基于vae预处理和rp-2dcnn的不平衡负荷数据类型辨识方法 |
-
2022
- 2022-08-04 CN CN202210932049.5A patent/CN115171888A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740652A (zh) * | 2018-12-24 | 2019-05-10 | 深圳大学 | 一种病理图像分类方法和计算机设备 |
CN112259221A (zh) * | 2020-10-21 | 2021-01-22 | 北京大学第一医院 | 基于多种机器学习算法的肺癌诊断系统 |
CN113593714A (zh) * | 2021-07-26 | 2021-11-02 | 陕西师范大学 | 一种多分类新冠肺炎病例的检测方法、系统、设备及介质 |
CN114359666A (zh) * | 2021-12-28 | 2022-04-15 | 清华珠三角研究院 | 多模态融合的肺癌患者疗效预测方法、系统、装置及介质 |
CN114511747A (zh) * | 2022-02-28 | 2022-05-17 | 上海电力大学 | 一种基于vae预处理和rp-2dcnn的不平衡负荷数据类型辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171232B (zh) | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 | |
Zhou et al. | Deep learning of the sectional appearances of 3D CT images for anatomical structure segmentation based on an FCN voting method | |
WO2018098891A1 (zh) | 一种立体匹配方法及系统 | |
CN110751651B (zh) | 基于多尺度迁移学习的mri胰腺图像分割方法 | |
Deng et al. | Dynamic regulation of level set parameters using 3D convolutional neural network for liver tumor segmentation | |
WO2023151237A1 (zh) | 人脸位姿估计方法、装置、电子设备及存储介质 | |
Zhou et al. | Embedding topological features into convolutional neural network salient object detection | |
JP2013536960A (ja) | 写真から肖像スケッチを合成するシステム及び方法 | |
CN110910408A (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
CN112348818B (zh) | 一种图像分割方法、装置、设备以及存储介质 | |
Peng et al. | H-ProSeg: Hybrid ultrasound prostate segmentation based on explainability-guided mathematical model | |
CN113763441A (zh) | 无监督学习的医学图像配准方法及系统 | |
CN112700461A (zh) | 一种肺结节检测和表征类别识别的系统 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN111899168A (zh) | 一种基于特征增强的遥感影像超分辨率重建方法和系统 | |
Zhao et al. | D2a u-net: Automatic segmentation of covid-19 lesions from ct slices with dilated convolution and dual attention mechanism | |
CN114581451A (zh) | 一种基于散射图神经网络的大脑磁共振图像分割方法 | |
Li et al. | Depth image super-resolution using correlation-controlled color guidance and multi-scale symmetric network | |
Ghosal et al. | Lung Nodule Classification Using Convolutional Autoencoder and Clustering Augmented Learning Method (CALM). | |
CN107184224B (zh) | 一种基于双模态极限学习机的肺结节诊断方法 | |
CN113180633A (zh) | 基于深度学习的mr影像肝癌术后复发风险预测方法及系统 | |
CN115171888A (zh) | 对smplc和im进行分类的方法、系统、电子设备和存储介质 | |
KR20220074442A (ko) | 질병을 판정하기 위한 정보를 제공하는 방법 | |
CN111667469A (zh) | 肺部疾病分类方法、装置及设备 | |
CN112734814A (zh) | 三维颅面锥形束ct图像配准方法 |
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 |