CN116188294B - 用于医学图像的数据增强方法、系统、智能终端及介质 - Google Patents

用于医学图像的数据增强方法、系统、智能终端及介质 Download PDF

Info

Publication number
CN116188294B
CN116188294B CN202211656698.3A CN202211656698A CN116188294B CN 116188294 B CN116188294 B CN 116188294B CN 202211656698 A CN202211656698 A CN 202211656698A CN 116188294 B CN116188294 B CN 116188294B
Authority
CN
China
Prior art keywords
enhancement data
enhancement
data
group
network model
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.)
Active
Application number
CN202211656698.3A
Other languages
English (en)
Other versions
CN116188294A (zh
Inventor
李宽
陈浩源
伍欣
敖斌
文青
徐聘
李言一
殷建平
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.)
Dongguan University of Technology
Original Assignee
Dongguan University of Technology
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 Dongguan University of Technology filed Critical Dongguan University of Technology
Priority to CN202211656698.3A priority Critical patent/CN116188294B/zh
Publication of CN116188294A publication Critical patent/CN116188294A/zh
Application granted granted Critical
Publication of CN116188294B publication Critical patent/CN116188294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种用于医学图像的数据增强方法、系统、智能终端及介质，首先对医学图像进行若干变换操作组成第一增强数据池，将变换操作获得的增强数据的预测结果与医学图像的预测结果进行比较，将丢弃组(即预测结果变差)中的增强数据丢弃，获得第二增强数据池，然后采用轮流剔除延迟组(即预测效果需要再次确认)中的增强数据，比较剔除前的预测结果与剔除后的预测结果的优劣，对延迟组中的增强数据再次进行筛选以保留预测结果好的增强数据，获得图像变换操作集。然后采用图像变换操作集中的图像变换操作对医学图像进行数据增强，保证获得的医学图像增强数据的质量和预测结果，根据增强数据训练后的神经网络模型效果好，精度高。

Description

用于医学图像的数据增强方法、系统、智能终端及介质
技术领域
本发明涉及医学图像数据增强技术领域，尤其涉及的是一种用于医学图像的数据增强方法、系统、智能终端及介质。
背景技术
糖尿病足溃疡(DFU)是糖尿病并发症的一种，使用神经网络模型对DFU图片的研究过程中，与其他医学图像相类似，都存在有标签的图片很少，不能获得充足的训练样本对神经网络模型进行训练的问题。
针对标签图像数据少的问题，通常会采用各种图像转换方法(如过滤、剪裁等)对标签图像进行数据增强来解决该问题。然而，目前常用的图像转换方法均依赖于自然图像数据集开发而成，对DFU医学图像进行数据增强时存在特征信息丢失，获得的医学图像增强数据质量不高、预测不准确，导致根据增强数据训练后的神经网络模型效果不好，精度不高。
因此，现有技术有待改进和提高。
发明内容
本发明的主要目的在于提供一种用于医学图像的数据增强方法、系统、智能终端及计算机可读存储介质，旨在解决对医学图像数据增强时，获得的医学图像增强数据质量不高、预测不准确，导致根据增强数据训练后的神经网络模型效果不好，精度不高的问题。
为了实现上述目的，本发明提供了一种用于医学图像的数据增强方法，所述方法包括：
获取医学图像并对所述医学图像进行若干图像变换操作，获得每种图像变换操作分别对应的增强数据，所有的增强数据构成增强数据池；
将所述医学图像输入网络模型，根据网络模型预测结果获得第一基准；
将所述增强数据分别输入所述网络模型，比较网络模型的预测结果与所述第一基准的优劣，将所述增强数据池中的增强数据划分为保留组、延迟组和丢弃组；
从所述增强数据池中剔除属于丢弃组的增强数据，获得第二增强数据池；
将所述第二增强数据池和所述医学图像输入所述网络模型，根据网络模型的预测结果获得第二基准；
从所述第二增强数据池中轮流剔除属于延迟组的增强数据，将更新后的第二增强数据池和所述医学图像输入所述网络模型，比较网络模型的预测结果与所述第二基准的优劣，对延迟组中的增强数据进行筛选以使得在所述延迟组中保留预测结果好的增强数据；
根据筛选后的第二增强数据池中的增强数据对应的图像变换操作，获得图像变换操作集；
采用所述图像变换操作集中的图像变换操作对医学图像进行数据增强。
可选的，所述第一基准为根据网络模型预测结果获得的分类精度，所述将所述增强数据分别输入所述网络模型，比较网络模型的预测结果与所述第一基准的优劣，将所述增强数据池中的增强数据划分为保留组、延迟组和丢弃组，包括：
将所述增强数据输入所述网络模型，根据网络模型预测结果，获得增强数据的分类精度；
计算增强数据的分类精度与所述第一基准之间的差值；
计算所述差值与所述第一基准的比值，根据所述比值将所述增强数据划分为保留组、延迟组和丢弃组中的一种。
可选的，所述根据所述比值将所述增强数据划分为保留组、延迟组和丢弃组中的一种，包括：
根据图像变换操作的应用场景，预先确定分组阈值段；
基于所述分组阈值段，根据所述比值将所述增强数据划分为保留组、延迟组和丢弃组中的一种。
可选的，所述第二基准为根据网络模型预测结果获得的分类精度，所述从所述第二增强数据池中轮流剔除属于延迟组的增强数据，将更新后的第二增强数据池和所述医学图像输入所述网络模型，比较网络模型的预测结果与所述第二基准的优劣，对延迟组中的增强数据进行筛选，包括：
从所述延迟组中剔除一个增强数据；
将更新后的第二增强数据池和所述医学图像输入所述网络模型，根据网络模型的预测结果，获得分类精度；
对所述分类精度和所述第二基准进行比较；
当所述分类精度低于所述第二基准时，将被剔除的增强数据恢复至所述第二增强数据池；
从所述延迟组中剔除下一个增强数据并重新进行筛选，直至完成对延迟组中每个增强数据的筛选。
可选的，所述医学图像为糖尿病足溃疡图像，所述图像变换操作包括用于皮肤病变图像、CT图像、MRI图像以及糖尿病足溃疡图像的图像变换操作；所述图像变换操作集中的图像变换操作为适合糖尿病足溃疡图像的图像变换操作。
为了实现上述目的，本发明还提供了一种用于医学图像的数据增强系统，所述系统包括：
增强数据池模块，用于获取医学图像并对所述医学图像进行若干图像变换操作，获得每种图像变换操作分别对应的增强数据，所有的增强数据构成增强数据池；
第一基准模块，用于将所述医学图像输入网络模型，根据网络模型预测结果获得第一基准；
第二增强数据池模块，用于将所述增强数据分别输入所述网络模型，比较网络模型的预测结果与所述第一基准的优劣，将所述增强数据池中的增强数据划分为保留组、延迟组和丢弃组；从所述增强数据池中剔除属于丢弃组的增强数据，获得第二增强数据池；
第二基准模块，用于将所述第二增强数据池和所述医学图像输入所述网络模型，根据网络模型的预测结果获得第二基准；
筛选模块，用于从所述第二增强数据池中轮流剔除属于延迟组的增强数据，将更新后的第二增强数据池和所述医学图像输入所述网络模型，比较网络模型的预测结果与所述第二基准的优劣，对延迟组中的增强数据进行筛选以使得在所述延迟组中保留预测结果好的增强数据；根据筛选后的第二增强数据池中的增强数据对应的图像变换操作，获得图像变换操作集；
数据增强模块，用于采用所述图像变换操作集中的图像变换操作对医学图像进行增强。
可选的，所述筛选模块还包括分类精度比较单元，所述分类精度比较单元用于根据网络模型对更新后的第二增强数据池和所述医学图像的预测结果，获得分类精度；比较所述分类精度与所述第二基准；当所述分类精度低于所述第二基准时，将被剔除的增强数据恢复至所述第二增强数据池。
可选的，所述医学图像为糖尿病足溃疡图像，所述图像变换操作包括用于皮肤病变图像、CT图像、MRI图像以及糖尿病足溃疡图像的图像变换操作；所述图像变换操作集中的图像变换操作为适合糖尿病足溃疡图像的图像变换操作。
为了实现上述目的，本发明还提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的用于医学图像的数据增强程序，上述用于医学图像的数据增强程序被上述处理器执行时实现任意一项上述用于医学图像的数据增强方法的步骤。
为了实现上述目的，本发明还提供了一种计算机可读存储介质，上述计算机可读存储介质上存储有用于医学图像的数据增强程序，上述用于医学图像的数据增强程序被处理器执行时实现任意一项上述用于医学图像的数据增强方法的步骤。
由上述可见，本发明首先对医学图像进行若干变换操作组成第一增强数据池，将变换操作获得的增强数据的预测结果与医学图像的预测结果进行比较，将丢弃组(即预测结果变差)中的增强数据丢弃，获得第二增强数据池，然后采用轮流剔除延迟组(即预测效果需要再次确认)中的增强数据，比较剔除前的预测结果与剔除后的预测结果的优劣，对延迟组中的增强数据再次进行筛选以保留预测结果好的增强数据，获得图像变换操作集。然后采用图像变换操作集中的图像变换操作对医学图像进行数据增强，保证获得的医学图像增强数据的质量和预测结果，根据增强数据训练后的神经网络模型效果好，精度高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明提供的用于医学图像的数据增强方法实施例的流程示意图；
图2是图1实施例中的各种图像转换操作的效果示意图；
图3是图1实施例中步骤S300的流程示意图；
图4是图1实施例中的七种变换操作中确定适合DFU图像的变换操作示意图；
图5是图1实施例中步骤S600的流程示意图；
图6是图1实施例中采用增强数据池进行半监督学习的效果示意图；
图7是本发明实施例提供的用于医学图像的数据增强系统的结构示意图；
图8是本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
糖尿病足溃疡(DFU)是糖尿病并发症的一种，使用神经网络模型对DFU图片的研究过程中，与其他医学图像相类似，都存在有标签的图片很少，不能获得充足的训练样本对神经网络模型进行训练。
通常采用数据增强方法来解决标签图像数据少的问题，如被广泛使用FixMatch技术，其通过RandAugment生成的强增强图片和弱增强图片之间的一致性损失来学习未标记图片的信息。然而，RandAugment的形成取决于自然图像数据集，RandAugment中的图像转换操作并不一定适用于DFU医学图像或者其它医学图像。因此，使用目前的数据增强方法获得的医学图像增强数据质量不高、预测不准确，导致神经网络模型使用增强数据训练后效果不好，精度不高。
针对目前的数据增强方法获得的医学图像数据质量不高的问题，本发明基于用于皮肤病变、CT图像、MRI图像以及DFU图像等各种医学图像的常用图像变换操作，提供了一种用于医学图像的数据增强方法，能够筛选出适用于DFU图像的图像变换操作，从而能够保证这些图像变换操作获得的医学图像增强数据的质量和预测效果，使得神经网络模型的训练效果好，精度高。
示例性方法
本发明实施例提供一种用于医学图像的数据增强方法，部署于移动终端、电脑、服务器等电子设备上，实现对DFU图像的数据增强。需要说明的是，虽然本实施例以DFU图像的数据增强为例进行说明，但是本发明的用于医学图像的数据增强方法也可以用于对其他类型的医学图像进行数据增强。
具体的，如图1所示，上述数据增强方法包括如下步骤：
步骤S100：获取医学图像并对医学图像进行若干图像变换操作，获得每种图像变换操作分别对应的增强数据，所有的增强数据构成增强数据池；
具体地，医学图像为糖尿病足溃疡图像，可以为单张图像样本也可以为多张图像样本组成的样本集。图像变换操作包括用于皮肤病变图像、CT图像、MRI图像以及糖尿病足溃疡图像的图像变换操作，本实施例中采用了图2所示的19种图像变换操作对DFU图像进行图像变换操作，每种图像变换操作输出一种增强数据，共获得19种增强数据，这些增强数据一起组成增强数据池。
步骤S200：将医学图像输入网络模型，根据网络模型预测结果获得第一基准；
具体地，将原始的未经变换操作的医学图像输入网络模型，根据网络模型输出的预测结果获得第一基准。网络模型的架构不作限制，第一基准的参考指标依据网络模型而定。例如：可以采用任何可对医学图像进行分类、分割处理的神经网络，并计算神经网络预测结果的分类精度、分割精度，获得第一基准。
本实施例中使用Efficientent-B3作为骨干网络，第一基准采用了对预测结果的分类性能进行评价的Macro F1-Score指标，指标值具体为60.43％。
步骤S300：将增强数据分别输入网络模型，比较网络模型的预测结果与第一基准的优劣，将增强数据池中的增强数据划分为保留组、延迟组和丢弃组；
步骤S400：从增强数据池中剔除属于丢弃组的增强数据，获得第二增强数据池；
具体地，将每种图像变换操作后获得的增强数据分别输入网络模型，根据与第一基准相同的参考指标计算网络模型的预测结果的指标值，比较该指标值与第一基准的优劣，将预测结果优(指标值超过第一基准)的增强数据划分为保留组，将预测结果中等(指标值比第一基准稍差)的增强数据划分为延迟组，将预测结果差(指标值比第一基准差很多)的增强数据划分为丢弃组；直接将属于丢弃组的增强数据从增强数据池中剔除，获得第二增强数据池。
本实施例中，第一基准为Macro F1-Score指标值，比较增强数据预测结果的MacroF1-Score指标与第一基准的优劣以对增强数据进行分组，具体步骤如图3所示，包括：
步骤S310：将增强数据输入网络模型，根据网络模型预测结果，获得增强数据的分类精度；
步骤S320：计算增强数据的分类精度与第一基准之间的差值；
步骤S330：计算差值与第一基准的比值，根据比值将增强数据划分为保留组、延迟组和丢弃组中的一种。
图4示例性地展示了如何在七种变换操作中确定适合DFU图像的变换操作。首先，对DFU图像进行七种变换操作，获得七种变换后的增强数据，分别输入网络模型中，获得七种增强数据预测结果分类精度，即Macro F1-Score指标值r1、r2...r7。第一基准为未经过变换操作的DFU医学图像的Macro F1-Score指标值rfir。将每个指标值与第一基准相减并除以第一基准，获得分类性能比值ρ。确定分类性能比值ρ所属的阈值段，例如：ρ∈{0％、0.5％、1％、2％}(分组阈值段根据图像变换操作的具体应用场景确定)，ρ＝0％意味着图像变换后预测结果的分类精度优于原始医学图像的分类精度rfir；而ρ＝0.5％意味着图像变换后预测结果的分类精度稍差于原始医学图像的分类精度rfir，位于[(rfir-0.5％)，rfir]之间；ρ＝1％意味着图像变换后预测结果的分类精度比原始医学图像的分类精度rfir稍差，位于[(rfir-1％)，rfir]之间。
然后基于设定的规则，根据比值ρ所属的阈值段将增强数据分类为：保留组、延迟组和丢弃组。其中保留组中的增强数据意味着根据该增强数据获得的分类精度高于未经图像变换操作获得的分类精度rfir，因此可以将其保存在增强数据池中；延迟组中的增强数据表示根据增强数据获得的分类精度比未经图像变换操作获得的分类精度rfir稍差，因此需要在后续阶段进行检查以进一步决定在增强数据池中的去留；丢弃组中的增强数据意味着根据增强数据获得的分类精度与未经图像变换操作获得的分类精度rfir差距较大，可以直接从增强数据池中丢弃。
例如：本实施例中，将比值ρ在1％以外(ρ小于或等于rfir-1％)的增强数据标注为丢弃组，直接从增强数据池中丢弃该增强数据；将比值ρ在0.5％与1％之间(即ρ小于rfir-0.5％且ρ大于等于rfir-1％)对应的增强数据标注为延迟组，以做进一步的判断；将ρ大于或等于rfir-0.5％对应的增强数据标注为保留组。参考图2，在与第一基准进行比较后，可以看到各种转换操作，如Equalize、AutoContrast和Solarize等会对网络模型学习产生很大的不利影响。因此，需要将前三种图像转换方法“丢弃”。
步骤S500：将第二增强数据池和医学图像输入网络模型，根据网络模型的预测结果获得第二基准；
具体地，第二增强数据池中只保留了保留组和延迟组中的增强数据。然后将第二增强池中的增强数据和原始的医学图像整体作为数据集输入至网络模型，采用与第一基准相同的参考指标根据网络模型的预测结果获得第二基准。
本实施例中，第二基准rsec仍为根据网络模型预测结果获得的Macro F1-Score指标值。
步骤S600：从第二增强数据池中轮流剔除属于延迟组的增强数据，将更新后的第二增强数据池和医学图像输入网络模型，比较网络模型的预测结果与第二基准的优劣，对延迟组中的增强数据进行筛选以使得在延迟组中保留预测结果好的增强数据；
具体地，延迟组的增强数据对应的图像转换操作可能对网络模型学习产生负面影响，需要通过逐次消除来对其进行评估。首先从第二增强数据池中每次剔除一个属于延迟组的增强数据，然后比较剔除前的预测结果与剔除后的预测结果的优劣，对延迟组中的增强数据进行筛选以保留预测结果好的增强数据。
本实施例中，具体步骤如图5所示，包括：
步骤S610：从延迟组中剔除一个增强数据；
步骤S620：将更新后的第二增强数据池和医学图像输入网络模型，根据网络模型的预测结果，获得分类精度；
步骤S630：对分类精度和第二基准进行比较；
步骤S640：当分类精度低于第二基准时，将被剔除的增强数据恢复至第二增强数据池；
步骤S650：从延迟组中剔除下一个增强数据并重新进行筛选，直至完成对延迟组中每个增强数据的筛选。
具体地，从第二增强数据池的延迟组中删除一种增强操作对应的增强数据，将更新后的第二增强数据池和原始的医学图像整体作为数据集输入至网络模型，根据网络模型预测结果获得分类精度，即Macro F1-Score指标值。将该分类精度与第二基准rsec进行比较，当分类精度比第二基准rsec高时，说明删除该增强操作对应的增强数据能够增强整体数据集的分类性能，因此，可以确认将该增强操作对应的增强数据剔除；若分类精度比第二基准rsec低时，意味着不应该删除该增强操作对应的增强数据，将删除的增强操作对应的增强数据恢复回第二增强数据池。然后选取延迟组中下一个增强数据进行剔除，重复进行上述的筛选过程，直至对延迟组中每一个增强数据都进行了筛选处理。
步骤S700：根据筛选后的第二增强数据池中的增强数据对应的图像变换操作，获得图像变换操作集；
具体地，最终获得能够对医学图像处理模型起正向变换操作作用的筛选后的第二增强数据池。筛选后的第二增强数据池中的增强数据的数据质量高，分类精度高，能够对医学图像处理任务起到更强的优化作用。基于增强数据与图像变换操作的对应关系，根据筛选后的第二增强数据池中的每个增强数据对应的图像变换操作，获得图像变换操作集。
本实施例中，获得的图像变换操作集中的图像变换操作均为适合糖尿病足溃疡图像的图像变换操作。对于DFU图像处理有正向作用DFU增强数据池包含Contrast,Sharpness,Brightness,Flip,Rotate,CLAHE,Color,Shear-X,Shear-Y,Translate-X,Translate-Y,Cutout,Downsample,和ColorJitter等图像转换操作。并且使用该增强数据池进行了半监督学习，结果如图6所示。
步骤S800：采用图像变换操作集中的图像变换操作对医学图像进行数据增强。
具体地，对医学图像进行数据增强时，可以采用图像变换操作集中的一种图像变换操作或组合多种图像变换操作进行数据增强，并能够保证增强数据的质量和预测效果。
由上所述，本实施例的DFU用于医学图像的数据增强方法能够构建用于训练DFU医学图像处理模型的增强数据池，使得DFU医学图像处理模型使用该增强数据训练，相比单纯地使用现有的自然图像增强方法，使得DFU医学图像处理模型能够学习到更为有效的医学图像特征，更加符合医学图像处理任务的需求，使DFU医学图像处理模型的数据结果更具有说服力。
示例性设备
如图7所示，对应于用于医学图像的数据增强方法，本发明实施例还提供一种用于医学图像的数据增强系统，具体的，所述系统包括：
增强数据池模块600，用于获取医学图像并对所述医学图像进行若干图像变换操作，获得每种图像变换操作分别对应的增强数据，所有的增强数据构成增强数据池；
第一基准模块610，用于将所述医学图像输入网络模型，根据网络模型预测结果获得第一基准；
第二增强数据池模块620，用于将所述增强数据分别输入所述网络模型，比较网络模型的预测结果与所述第一基准的优劣，将所述增强数据池中的增强数据划分为保留组、延迟组和丢弃组；从所述增强数据池中剔除属于丢弃组的增强数据，获得第二增强数据池；
第二基准模块630，用于将所述第二增强数据池和所述医学图像输入所述网络模型，根据网络模型的预测结果获得第二基准；
筛选模块640，用于从所述第二增强数据池中轮流剔除属于延迟组的增强数据，将更新后的第二增强数据池和所述医学图像输入所述网络模型，比较网络模型的预测结果与所述第二基准的优劣，对延迟组中的增强数据进行筛选以使得在所述延迟组中保留预测效果好的增强数据；根据筛选后的第二增强数据池中的增强数据对应的图像变换操作，获得图像变换操作集；
数据增强模块650，用于采用所述图像变换操作集中的图像变换操作对医学图像进行增强。
可选的，所述筛选模块还包括分类精度比较单元，所述分类精度比较单元用于根据网络模型对更新后的第二增强数据池和所述医学图像的预测结果，获得分类精度；比较所述分类精度与所述第二基准；当所述分类精度低于所述第二基准时，将被剔除的增强数据恢复至所述第二增强数据池。
可选的，所述医学图像为糖尿病足溃疡图像，所述图像变换操作包括用于皮肤病变图像、CT图像、MRI图像以及糖尿病足溃疡图像的图像变换操作；所述图像变换操作集中的图像变换操作为适合糖尿病足溃疡图像的图像变换操作。
本实施例中，上述用于医学图像的数据增强系统可以参照上述用于医学图像的数据增强方法中的对应描述，在此不再赘述。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图8所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和用于医学图像的数据增强程序。该内存储器为非易失性存储介质中的操作系统和用于医学图像的数据增强程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该用于医学图像的数据增强程序被处理器执行时实现上述任意一种用于医学图像的数据增强方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图8中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的用于医学图像的数据增强程序，上述用于医学图像的数据增强程序被上述处理器执行时进行以下操作指令：
获取医学图像并对所述医学图像进行若干图像变换操作，获得每种图像变换操作分别对应的增强数据，所有的增强数据构成增强数据池；
将所述医学图像输入网络模型，根据网络模型预测结果获得第一基准；
将所述增强数据分别输入所述网络模型，比较网络模型的预测结果与所述第一基准的优劣，将所述增强数据池中的增强数据划分为保留组、延迟组和丢弃组；
从所述增强数据池中剔除属于丢弃组的增强数据，获得第二增强数据池；
将所述第二增强数据池和所述医学图像输入所述网络模型，根据网络模型的预测结果获得第二基准；
从所述第二增强数据池中轮流剔除属于延迟组的增强数据，将更新后的第二增强数据池和所述医学图像输入所述网络模型，比较网络模型的预测结果与所述第二基准的优劣，对延迟组中的增强数据进行筛选以使得在所述延迟组中保留预测结果好的增强数据；
根据筛选后的第二增强数据池中的增强数据对应的图像变换操作，获得图像变换操作集；
采用所述图像变换操作集中的图像变换操作对医学图像进行数据增强。
可选的，所述第一基准为根据网络模型预测结果获得的分类精度，所述将所述增强数据分别输入所述网络模型，比较网络模型的预测结果与所述第一基准的优劣，将所述增强数据池中的增强数据划分为保留组、延迟组和丢弃组，包括：
将所述增强数据输入所述网络模型，根据网络模型预测结果，获得增强数据的分类精度；
计算增强数据的分类精度与所述第一基准之间的差值；
计算所述差值与所述第一基准的比值，根据所述比值将所述增强数据划分为保留组、延迟组和丢弃组中的一种。
可选的，所述根据所述比值将所述增强数据划分为保留组、延迟组和丢弃组中的一种，包括：
根据图像变换操作的应用场景，预先确定分组阈值段；
基于所述分组阈值段，根据所述比值将所述增强数据划分为保留组、延迟组和丢弃组中的一种。
可选的，所述第二基准为根据网络模型预测结果获得的分类精度，所述从所述第二增强数据池中轮流剔除属于延迟组的增强数据，将更新后的第二增强数据池和所述医学图像输入所述网络模型，比较网络模型的预测结果与所述第二基准的优劣，对延迟组中的增强数据进行筛选，包括：
从所述延迟组中剔除一个增强数据；
将更新后的第二增强数据池和所述医学图像输入所述网络模型，根据网络模型的预测结果，获得分类精度；
对所述分类精度和所述第二基准进行比较；
当所述分类精度低于所述第二基准时，将被剔除的增强数据恢复至所述第二增强数据池；
从所述延迟组中剔除下一个增强数据并重新进行筛选，直至完成对延迟组中每个增强数据的筛选。
可选的，所述医学图像为糖尿病足溃疡图像，所述图像变换操作包括用于皮肤病变图像、CT图像、MRI图像以及糖尿病足溃疡图像的图像变换操作；所述图像变换操作集中的图像变换操作为适合糖尿病足溃疡图像的图像变换操作。
本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有用于医学图像的数据增强程序，上述用于医学图像的数据增强程序被处理器执行时实现本发明实施例提供的任意一种用于医学图像的数据增强方法的步骤。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
上述集成的模块/单元如果以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存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述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，并不是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，均应包含在本发明的保护范围之内。

Claims (6)

1.用于医学图像的数据增强方法，其特征在于，所述方法包括：
获取医学图像并对所述医学图像进行若干图像变换操作，获得每种图像变换操作分别对应的增强数据，所有的增强数据构成增强数据池；
将所述医学图像输入网络模型，根据网络模型预测结果获得第一基准；
将所述增强数据分别输入所述网络模型，比较网络模型的预测结果与所述第一基准的优劣，将所述增强数据池中的增强数据划分为保留组、延迟组和丢弃组；
从所述增强数据池中剔除属于丢弃组的增强数据，获得第二增强数据池；
将所述第二增强数据池和所述医学图像输入所述网络模型，根据网络模型的预测结果获得第二基准；
从所述第二增强数据池中轮流剔除属于延迟组的增强数据，将更新后的第二增强数据池和所述医学图像输入所述网络模型，比较网络模型的预测结果与所述第二基准的优劣，对延迟组中的增强数据进行筛选以使得在所述延迟组中保留预测结果好的增强数据；
根据筛选后的第二增强数据池中的增强数据对应的图像变换操作，获得图像变换操作集；
采用所述图像变换操作集中的图像变换操作对医学图像进行数据增强；
所述第一基准为根据网络模型预测结果获得的分类精度，所述将所述增强数据分别输入所述网络模型，比较网络模型的预测结果与所述第一基准的优劣，将所述增强数据池中的增强数据划分为保留组、延迟组和丢弃组，包括：
将所述增强数据输入所述网络模型，根据网络模型预测结果，获得增强数据的分类精度；
计算增强数据的分类精度与所述第一基准之间的差值；
计算所述差值与所述第一基准的比值，根据所述比值将所述增强数据划分为保留组、延迟组和丢弃组中的一种；
所述根据所述比值将所述增强数据划分为保留组、延迟组和丢弃组中的一种，包括：
根据图像变换操作的应用场景，预先确定分组阈值段；
基于所述分组阈值段，根据所述比值将所述增强数据划分为保留组、延迟组和丢弃组中的一种；
所述第二基准为根据网络模型预测结果获得的分类精度，所述从所述第二增强数据池中轮流剔除属于延迟组的增强数据，将更新后的第二增强数据池和所述医学图像输入所述网络模型，比较网络模型的预测结果与所述第二基准的优劣，对延迟组中的增强数据进行筛选，包括：
从所述延迟组中剔除一个增强数据；
将更新后的第二增强数据池和所述医学图像输入所述网络模型，根据网络模型的预测结果，获得分类精度；
对所述分类精度和所述第二基准进行比较；
当所述分类精度低于所述第二基准时，将被剔除的增强数据恢复至所述第二增强数据池；
从所述延迟组中剔除下一个增强数据并重新进行筛选，直至完成对延迟组中每个增强数据的筛选。
2.如权利要求1所述的用于医学图像的数据增强方法，其特征在于，所述医学图像为糖尿病足溃疡图像，所述图像变换操作包括用于皮肤病变图像、CT图像、MRI图像以及糖尿病足溃疡图像的图像变换操作；所述图像变换操作集中的图像变换操作为适合糖尿病足溃疡图像的图像变换操作。
3.用于医学图像的数据增强系统，其特征在于，所述系统包括：
增强数据池模块，用于获取医学图像并对所述医学图像进行若干图像变换操作，获得每种图像变换操作分别对应的增强数据，所有的增强数据构成增强数据池；
第一基准模块，用于将所述医学图像输入网络模型，根据网络模型预测结果获得第一基准；
第二增强数据池模块，用于将所述增强数据分别输入所述网络模型，比较网络模型的预测结果与所述第一基准的优劣，将所述增强数据池中的增强数据划分为保留组、延迟组和丢弃组；从所述增强数据池中剔除属于丢弃组的增强数据，获得第二增强数据池；
第二基准模块，用于将所述第二增强数据池和所述医学图像输入所述网络模型，根据网络模型的预测结果获得第二基准；
筛选模块，用于从所述第二增强数据池中轮流剔除属于延迟组的增强数据，将更新后的第二增强数据池和所述医学图像输入所述网络模型，比较网络模型的预测结果与所述第二基准的优劣，对延迟组中的增强数据进行筛选以使得在所述延迟组中保留预测结果好的增强数据；根据筛选后的第二增强数据池中的增强数据对应的图像变换操作，获得图像变换操作集；
数据增强模块，用于采用所述图像变换操作集中的图像变换操作对医学图像进行增强；
所述第一基准为根据网络模型预测结果获得的分类精度，所述将所述增强数据分别输入所述网络模型，比较网络模型的预测结果与所述第一基准的优劣，将所述增强数据池中的增强数据划分为保留组、延迟组和丢弃组，包括：
将所述增强数据输入所述网络模型，根据网络模型预测结果，获得增强数据的分类精度；
计算增强数据的分类精度与所述第一基准之间的差值；
计算所述差值与所述第一基准的比值，根据所述比值将所述增强数据划分为保留组、延迟组和丢弃组中的一种；
所述根据所述比值将所述增强数据划分为保留组、延迟组和丢弃组中的一种，包括：
根据图像变换操作的应用场景，预先确定分组阈值段；
基于所述分组阈值段，根据所述比值将所述增强数据划分为保留组、延迟组和丢弃组中的一种；
所述第二基准为根据网络模型预测结果获得的分类精度，所述从所述第二增强数据池中轮流剔除属于延迟组的增强数据，将更新后的第二增强数据池和所述医学图像输入所述网络模型，比较网络模型的预测结果与所述第二基准的优劣，对延迟组中的增强数据进行筛选，包括：
从所述延迟组中剔除一个增强数据；
将更新后的第二增强数据池和所述医学图像输入所述网络模型，根据网络模型的预测结果，获得分类精度；
对所述分类精度和所述第二基准进行比较；
当所述分类精度低于所述第二基准时，将被剔除的增强数据恢复至所述第二增强数据池；
从所述延迟组中剔除下一个增强数据并重新进行筛选，直至完成对延迟组中每个增强数据的筛选。
4.如权利要求3所述的用于医学图像的数据增强系统，其特征在于，所述医学图像为糖尿病足溃疡图像，所述图像变换操作包括用于皮肤病变图像、CT图像、MRI图像以及糖尿病足溃疡图像的图像变换操作；所述图像变换操作集中的图像变换操作为适合糖尿病足溃疡图像的图像变换操作。
5.智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的用于医学图像的数据增强程序，所述用于医学图像的数据增强程序被所述处理器执行时实现如权利要求1-2任意一项所述用于医学图像的数据增强方法的步骤。
6.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有用于医学图像的数据增强程序，所述用于医学图像的数据增强程序被处理器执行时实现如权利要求1-2任意一项所述用于医学图像的数据增强方法的步骤。
CN202211656698.3A 2022-12-22 2022-12-22 用于医学图像的数据增强方法、系统、智能终端及介质 Active CN116188294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211656698.3A CN116188294B (zh) 2022-12-22 2022-12-22 用于医学图像的数据增强方法、系统、智能终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211656698.3A CN116188294B (zh) 2022-12-22 2022-12-22 用于医学图像的数据增强方法、系统、智能终端及介质

Publications (2)

Publication Number Publication Date
CN116188294A CN116188294A (zh) 2023-05-30
CN116188294B true CN116188294B (zh) 2023-09-19

Family

ID=86439421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211656698.3A Active CN116188294B (zh) 2022-12-22 2022-12-22 用于医学图像的数据增强方法、系统、智能终端及介质

Country Status (1)

Country Link
CN (1) CN116188294B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408998B (zh) * 2023-12-13 2024-03-12 真健康(广东横琴)医疗科技有限公司 一种体表定位标记物的分割方法及设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740657A (zh) * 2018-12-27 2019-05-10 郑州云海信息技术有限公司 一种用于图像数据分类的神经网络模型的训练方法与设备
CN110189324A (zh) * 2019-06-05 2019-08-30 桂林电子科技大学 一种医学图像处理方法及处理装置
CN110276802A (zh) * 2019-06-26 2019-09-24 湖南大学 医学图像中病症组织定位方法、装置与设备
CN110807109A (zh) * 2019-11-08 2020-02-18 北京金山云网络技术有限公司 数据增强策略的生成方法、数据增强方法和装置
CN111798440A (zh) * 2020-07-11 2020-10-20 大连东软教育科技集团有限公司 医学图像伪影自动识别方法、系统及存储介质
CN112163549A (zh) * 2020-10-14 2021-01-01 中南大学 一种基于自动机器学习的遥感影像场景分类方法
CN112580580A (zh) * 2020-12-28 2021-03-30 厦门理工学院 一种基于数据增强与模型融合的病理性近视识别方法
CN112613543A (zh) * 2020-12-15 2021-04-06 重庆紫光华山智安科技有限公司 增强策略验证方法、装置、电子设备及存储介质
CN114140645A (zh) * 2021-11-23 2022-03-04 杭州电子科技大学 基于改进自监督特征学习的摄影图像美学风格分类方法
CN114998362A (zh) * 2022-06-15 2022-09-02 西安电子科技大学 基于双分割模型的医学图像分割方法
CN115496954A (zh) * 2022-11-03 2022-12-20 中国医学科学院阜外医院 眼底图像分类模型构建方法、设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5720661B2 (ja) * 2012-11-30 2015-05-20 コニカミノルタ株式会社 携帯端末装置、画像処理連携システム、画面データの表示方法及び表示プログラム
CN111612792B (zh) * 2019-02-22 2024-03-08 曹生 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740657A (zh) * 2018-12-27 2019-05-10 郑州云海信息技术有限公司 一种用于图像数据分类的神经网络模型的训练方法与设备
CN110189324A (zh) * 2019-06-05 2019-08-30 桂林电子科技大学 一种医学图像处理方法及处理装置
CN110276802A (zh) * 2019-06-26 2019-09-24 湖南大学 医学图像中病症组织定位方法、装置与设备
CN110807109A (zh) * 2019-11-08 2020-02-18 北京金山云网络技术有限公司 数据增强策略的生成方法、数据增强方法和装置
CN111798440A (zh) * 2020-07-11 2020-10-20 大连东软教育科技集团有限公司 医学图像伪影自动识别方法、系统及存储介质
CN112163549A (zh) * 2020-10-14 2021-01-01 中南大学 一种基于自动机器学习的遥感影像场景分类方法
CN112613543A (zh) * 2020-12-15 2021-04-06 重庆紫光华山智安科技有限公司 增强策略验证方法、装置、电子设备及存储介质
CN112580580A (zh) * 2020-12-28 2021-03-30 厦门理工学院 一种基于数据增强与模型融合的病理性近视识别方法
CN114140645A (zh) * 2021-11-23 2022-03-04 杭州电子科技大学 基于改进自监督特征学习的摄影图像美学风格分类方法
CN114998362A (zh) * 2022-06-15 2022-09-02 西安电子科技大学 基于双分割模型的医学图像分割方法
CN115496954A (zh) * 2022-11-03 2022-12-20 中国医学科学院阜外医院 眼底图像分类模型构建方法、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
用于乳腺癌诊断的图像局部信息增强技术;付其林;邓安生;曲衍鹏;;小型微型计算机系统(第04期);正文第820-824页 *

Also Published As

Publication number Publication date
CN116188294A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN108229526B (zh) 网络训练、图像处理方法、装置、存储介质和电子设备
CN111145209B (zh) 一种医学图像分割方法、装置、设备及存储介质
US11127117B2 (en) Information processing method, information processing apparatus, and recording medium
Liu et al. Exposing splicing forgery in realistic scenes using deep fusion network
CN110782399A (zh) 一种基于多任务cnn的图像去模糊方法
CN110991310B (zh) 人像检测方法、装置、电子设备及计算机可读介质
CN116188294B (zh) 用于医学图像的数据增强方法、系统、智能终端及介质
WO2023082453A1 (zh) 一种图像处理方法及装置
Yuan et al. Single image dehazing via NIN-DehazeNet
CN113010736B (zh) 一种视频分类方法、装置、电子设备及存储介质
CN114419091A (zh) 一种前景抠图方法、装置及电子设备
CN114339306B (zh) 直播视频图像处理方法、装置及服务器
CN111882565A (zh) 一种图像二值化方法、装置、设备及存储介质
CN112348103B (zh) 图像块分类方法和装置及其超分辨重建方法和装置
Chanu et al. A new algorithm for removing salt and pepper noise from color medical images
CN110852250A (zh) 一种基于最大面积法的车辆排重方法、装置及存储介质
CN111754412A (zh) 构建数据对的方法、装置及终端设备
CN116246298A (zh) 一种空间占用人数统计方法、终端设备及存储介质
CN115760660A (zh) 基于多帧融合的二维码成像及识别方法、电子设备、介质
CN114494833A (zh) 光缆交接箱的端口的状态识别方法及装置
CN114445873B (zh) 人脸识别模型的训练、人脸识别方法及电子设备
CN116128756B (zh) 体育运动视频去除拖影的方法及装置、存储介质、设备
Chopra et al. Low light GAN-based photo enhancement
CN115880340B (zh) 小鼠行为分析方法、装置及电子设备
CN117333690A (zh) 图像分类模型的训练方法、图像分类方法及计算设备集群

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