CN117152106A - 基于深度学习的生物活性检测方法及装置 - Google Patents
基于深度学习的生物活性检测方法及装置 Download PDFInfo
- Publication number
- CN117152106A CN117152106A CN202311178200.1A CN202311178200A CN117152106A CN 117152106 A CN117152106 A CN 117152106A CN 202311178200 A CN202311178200 A CN 202311178200A CN 117152106 A CN117152106 A CN 117152106A
- Authority
- CN
- China
- Prior art keywords
- image
- initial
- classification model
- target
- frequency
- 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
- 230000004071 biological effect Effects 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 94
- 238000001914 filtration Methods 0.000 claims abstract description 45
- 230000009467 reduction Effects 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000003708 edge detection Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000003556 assay Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 210000002700 urine Anatomy 0.000 description 8
- 206010027525 Microalbuminuria Diseases 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 230000009977 dual effect Effects 0.000 description 6
- 102000009027 Albumins Human genes 0.000 description 3
- 108010088751 Albumins Proteins 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 208000017520 skin disease Diseases 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010029164 Nephrotic syndrome Diseases 0.000 description 1
- 206010061481 Renal injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000024924 glomerular filtration Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 208000037806 kidney injury Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,揭露了一种基于深度学习的生物活性检测方法和装置,该方法包括:对获取的目标组织的组织图像进行双重滤波处理,得到滤波图像;根据预设的边缘检测算法对滤波图像进行初级特征提取,得到初级图像特征;构建初始图像分类模型,利用初始图像分类模型对初级图像特征进行特征降维,得到降维特征;根据降维特征生成初始图像分类模型的初始输出值,根据初始输出值对初始图像分类模型进行权值矩阵调整,得到目标分类模型;利用目标图像和预设的程度区间对获取的目标组织的目标图像进行程度划分,得到目标图像的区间值,根据区间值确定目标组织的生物活性。本发明可以提高生物活性检测的效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于深度学习的生物活性检测方法及装置。
背景技术
随着生活水平的提高,人们越来越重视自身健康。通过对身体状况的自检可以及时发现身体的异常。例如,糖尿病患者通过日常监测自己的血糖值,用于日常饮食的参考,皮肤病患者也可以通过皮肤状况变化情况,确定自身皮肤病的治愈程度,也可以通过对微量白蛋白尿确定人体肾脏的损伤程度,肾脏是我们身体中的重要器官之一,能够过滤血液中的废物和多余水分,维持体内的平衡,其中,微量白蛋白尿是一项非常重要的肾脏功能检查项目,能够帮助医生及时发现和处理早期的肾脏疾病,预防肾脏受到更严重的损伤。
现如今,疾病的预防和诊断主要依靠医院的医生,由于物理距离和其他一些因素导致疾病的诊断的便利性大打折扣,数据的可记录性也不强,因此如何提升生物活性检测时效率,成为了亟待解决的问题。
发明内容
本发明提供一种基于深度学习的生物活性检测方法及装置,其主要目的在于解决生物活性检测时效率较低的问题。
为实现上述目的,本发明提供的一种基于深度学习的生物活性检测方法,包括:
获取目标组织的组织图像,对所述组织图像进行双重滤波处理,得到所述组织图像的滤波图像;
根据预设的边缘检测算法生成所述滤波图像的邻域灰度算子,其中,所述预设的边缘检测算法为:
其中,f2(x,y)是所述滤波图像中像素坐标为(x,y)的邻域灰度算子,(x,y)是所述滤波图像中像素坐标,k'是邻域宽度,f1(x+m,y+l)是所述滤波图像中像素坐标(x+m,y+l)的灰度值,(x+m,y+l)是所述滤波图像中像素坐标,m是所述像素坐标的坐标标识,k'是,是取整函数,l是所述像素坐标的坐标标识;
根据所述邻域灰度算子对所述滤波图像进行初级特征提取,得到所述滤波图像的初级图像特征;
构建所述目标组织的初始图像分类模型,利用所述初始图像分类模型对所述初级图像特征进行特征降维,得到所述初级图像特征的降维特征;
根据所述降维特征生成所述初始图像分类模型的初始输出值,根据所述初始输出值对所述初始图像分类模型进行权值矩阵调整,得到所述初始图像分类模型的目标分类模型;
获取所述目标组织的目标图像,利用所述目标图像和预设的程度区间对所述目标图像进行程度划分,得到所述目标图像的区间值,根据所述区间值确定所述目标组织的生物活性。
可选地,所述对所述组织图像进行双重滤波处理,得到所述组织图像的滤波图像,包括:
对所述组织图像进行频域分解,得到所述组织图像的分解图像,其中,所述分解图像为高频图像和低频图像;
利用预设的中值滤波算法对所述高频图像进行高频滤波,得到所述高频图像的高频滤波图像,其中,所述预设的中值滤波算法为:
y(n)=med[x(n-N)…x(n)…x(n+N)]
其中,y(n)是所述高频图像中图像窗口内的输出像素值,med(*)是表示将窗口内所有数值按单调顺序排列后取中间值,x(n-N)…x(n)…x(n+N)是所述高频图像中需要操作的像素点,n是所述像素点的标识,N是所述像素点的间隔的标识;
对所述低频图像进行低频滤波,得到所述低频图像的低频滤波图像;
根据所述高频滤波图像和所述低频滤波图像生成所述组织图像的滤波图像。
可选地,所述对所述低频图像进行低频滤波,得到所述低频图像的低频滤波图像,包括:
选取所述低频图像的相似度窗口,根据所述相似度窗口和预设的距离公式生成所述低频图像的相邻像素点的像素相似度;
根据所述像素相似度生成所述低频图像的像素点权值,根据所述像素点权值生成所述低频图像中像素点的加权平均值;
利用所述加权平均值对所述低频图像进行滤波处理,得到所述低频图像的低频滤波图像。
可选地,所述根据所述邻域灰度算子对所述滤波图像进行初级特征提取,得到所述滤波图像的初级图像特征,包括:
获取所述滤波图像的像素灰度值,根据所述像素灰度值和所述邻域灰度算子生成所述滤波图像的二维直方图;
根据所述二维直方图生成所述滤波图像的特征提取阈值,根据所述特征提取阈值生成所述滤波图像的初级图像特征。
可选地,所述根据所述二维直方图生成所述滤波图像的特征提取阈值,包括:
对所述二维直方图的最大峰值点和所述二维直方图的首位零点进行连接,得到所述二维直方图的连接线;
确定所述连接线的直线距离,根据所述直线距离确定所述滤波图像的初始阈值,根据所述初始阈值的阈值频数生成所述初始阈值的阈值权重;
根据所述阈值权重和所述初始阈值的阈值灰度生成所述滤波图像的特征提取阈值。
可选地,所述构建所述目标组织的初始图像分类模型,包括:
对预设的神经网络结构进行卷积层配置,得到所述预设的的神经网络结构的卷积结构;
对所述卷积结构进行池化层配置,得到所述卷积结构的池化结构;
对所述池化结构进行全连接层配置,得到所述池化结构的全连接结构;
对所述全连接结构进行结构参数初始化,得到所述全连接结构的初始化结构,确定所述初始化结构为所述目标组织的初始图像分类模型。
可选地,所述利用所述初始图像分类模型对所述初级图像特征进行特征降维,得到所述初级图像特征的降维特征,包括:
利用所述初始图像分类模型的池化层对所述初级图像特征进行均值池化,得到所述初级图像特征的一级池化特征;
利用所述初始图像分类模型的卷积层对所述一级池化特征进行卷积处理,得到所述一级池化特征的一级卷积特征;
利用所述初始图像分类模型的池化层对所述一级卷积特征进行最大值池化,得到所述一级卷积特征的二级池化特征,确定所述一级卷积特征的二级池化特征为所述初级图像特征的降维特征。
可选地,所述根据所述初始输出值对所述初始图像分类模型进行权值矩阵调整,得到所述初始图像分类模型的目标分类模型,包括:
获取所述组织图像的期望输出,根据所述期望输出和所述初始输出值生成所述初始图像分类模型的输出误差;
根据所述输出误差对所述初始图像分类模型进行权值更新,得到所述初始图像分类模型的目标分类模型。
可选地,所述利用所述目标图像和预设的程度区间对所述目标图像进行程度划分,得到所述目标图像的区间值,包括:
对所述目标图像进行区块划分,得到所述目标图像的区块图像;
利用所述目标分类模型对所述区块图像进行图像分类,得到所述区块图像的分类图像;
利用所述分类图像和预设的程度区间对所述分类图像进行程度划分,得到所述分类图像的程度值;
对所述程度值进行区间融合,得到所述程度值的融合值,根据所述融合值生成所述目标图像的区间值。
为了解决上述问题,本发明还提供一种基于深度学习的生物活性检测装置,所述装置包括:
双重滤波模块,用于获取目标组织的组织图像,对所述组织图像进行双重滤波处理,得到所述组织图像的滤波图像;
边缘检测模块,用于根据预设的边缘检测算法生成所述滤波图像的邻域灰度算子,其中,所述预设的边缘检测算法为:
其中,f2(x,y)是所述滤波图像中像素坐标为(x,y)的邻域灰度算子,(x,y)是所述滤波图像中像素坐标,k'是邻域宽度,f1(x+m,y+l)是所述滤波图像中像素坐标(x+m,y+l)的灰度值,(x+m,y+l)是所述滤波图像中像素坐标,m是所述像素坐标的坐标标识,k'是,是取整函数,l是所述像素坐标的坐标标识;
特征提取模块,用于根据所述邻域灰度算子对所述滤波图像进行初级特征提取,得到所述滤波图像的初级图像特征;
特征降维模块,用于构建所述目标组织的初始图像分类模型,利用所述初始图像分类模型对所述初级图像特征进行特征降维,得到所述初级图像特征的降维特征;
权值调整模块,用于根据所述降维特征生成所述初始图像分类模型的初始输出值,根据所述初始输出值对所述初始图像分类模型进行权值矩阵调整,得到所述初始图像分类模型的目标分类模型;
活性检测模块,用于获取所述目标组织的目标图像,利用所述目标图像和预设的程度区间对所述目标图像进行程度划分,得到所述目标图像的区间值,根据所述区间值确定所述目标组织的生物活性。
本发明实施例通过对获取的目标组织的组织图像进行双重滤波处理,降低了图像噪声的影响,减小了因为摄像头不灵敏导致的测量误差,通过预设的边缘检测算法生成滤波图像的初级图像特征,实现了图像到数据的转化,便于数据处理,通过对构建的初始图像分类模型进行参数调整,提高了模型识别率,在保障了分类速率的同时,也保障了准确度,对目标图像进行程度划分,使得所述目标组织的生物活性清洗明了,因此本发明提出基于深度学习的生物活性检测方法及装置,可以解决生物活性检测效率较低的问题。
附图说明
图1为本发明一实施例提供的基于深度学习的生物活性检测方法的流程示意图;
图2为本发明一实施例提供的图像低频滤波的流程示意图;
图3为本发明一实施例提供的图像的程度划分的流程示意图;
图4为本发明一实施例提供的基于深度学习的生物活性检测装置的功能模块图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于深度学习的生物活性检测方法。所述基于深度学习的生物活性检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于深度学习的生物活性检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于深度学习的生物活性检测方法的流程示意图。在本实施例中,所述基于深度学习的生物活性检测方法包括:
S1、获取目标组织的组织图像,对所述组织图像进行双重滤波处理,得到所述组织图像的滤波图像。
在本发明实施例中,所述获取目标组织的组织图像可以是先将目标组织滴加在试剂卡上,静候几分钟,再将试剂卡插入检测仪中,利用检测仪的摄像头获取目标组织的组织图像。
在本发明实施例中,所述目标组织可以是人体的血液、人体的汗液、人体的尿液以及人体的皮肤组织;所述组织图像可以利用检测仪的摄像头获取,可以利用专业的仪器设备的摄像头获取,可以利用X-射线等获取。
详细地,所述对所述组织图像进行双重滤波处理是为了去除噪声的干扰恢复所述组织图像的清晰度。
在本发明实施例中,所述对所述组织图像进行双重滤波处理,得到所述组织图像的滤波图像,包括:
对所述组织图像进行频域分解,得到所述组织图像的分解图像,其中,所述分解图像为高频图像和低频图像;
利用预设的中值滤波算法对所述高频图像进行高频滤波,得到所述高频图像的高频滤波图像,其中,所述预设的中值滤波算法为:
y(n)=med[x(n-N)…x(n)…x(n+N)]
其中,y(n)是所述高频图像中图像窗口内的输出像素值,med(*)是表示将窗口内所有数值按单调顺序排列后取中间值,x(n-N)…x(n)…x(n+N)是所述高频图像中需要操作的像素点,n是所述像素点的标识,N是所述像素点的间隔的标识;
对所述低频图像进行低频滤波,得到所述低频图像的低频滤波图像;
根据所述高频滤波图像和所述低频滤波图像生成所述组织图像的滤波图像。
详细地,所述对所述组织图像进行频域分解是利用非下采样轮廓波变换进行的,所述非下采样轮廓波变换具有良好的时频特性,可以对图像进行多尺度及多方向的分解,变换后的能量更加集中,能够更好地捕捉和跟踪图像中重要的几何特征。同时,由于取消了采样,各级子带图像与原图像具有尺寸大小相同的特性,使图像的分解和重构过程中不具有频率混叠,经过所述非下采样轮廓波变换分类后的图像由与所述组织图像大小相同的一个低频近似部分和各层高频部分组成,亦即,所述低频近似部分组成低频图像,所述高频部分组成高频图像。
详细地,相较于传统的均值滤波,所述预设的中值滤波算法提高了滤波的鲁棒性,因为所述均值滤波在一定程度上利用了像素间得差异性,但这种差异性在有噪声干扰的情况下常常是突变的,这就导致了权系数对噪声十分敏感。
详细地,所述根据所述高频滤波图像和所述低频滤波图像生成所述组织图像的滤波图像是指通过非下采样轮廓波变换对高频滤波图像和所述低频滤波图像进行图像细节恢复和重构,得到所述组织图像的滤波图像。
详细地,参图2所示,所述对所述低频图像进行低频滤波,得到所述低频图像的低频滤波图像,包括:
S21、选取所述低频图像的相似度窗口,根据所述相似度窗口和预设的距离公式生成所述低频图像的相邻像素点的像素相似度;
S22、根据所述像素相似度生成所述低频图像的像素点权值,根据所述像素点权值生成所述低频图像中像素点的加权平均值;
S23、利用所述加权平均值对所述低频图像进行滤波处理,得到所述低频图像的低频滤波图像。
详细地,所述组织图像中的任何一处结构都不是由单一的一个像素构成的,而是由某一像素与其邻域众多像素共同构成不同的图像几何结构。如果将图像中每一个像素点都作为一次中心像素,并以相同比例选择邻域构建图像块,这些图像块共同组成的集合成为图像的一个过完备表示。同时,一幅图像中有很多几何结构是相似的,则针相似处的像素点取相同大小的邻域,相应的像素邻域窗口就会有很强的相关性,这些相似的部分也可称为图像的冗余信息,需要进行滤波处理。
详细地,选取所述低频图像的相似度窗口是指以所述低频图像中某一像素点的为重心的邻域窗口,所述邻域窗口表现出图像复杂的空间交互关系。
详细地,所述预设的距离公式可以利用欧几里得距离公式计算,所述根据所述相似度窗口和预设的距离公式生成所述低频图像的相邻像素点的像素相似度是指根据预设的距离公式计算所述两个相似度窗口的相似程度,所述相似度窗口表征着所述低频图像的相邻像素点的灰度值向量,根据所述灰度值向量的距离表征所述相邻像素点的相似性。
详细地,所述根据所述像素相似度生成所述低频图像的像素点权值是指根据滤波参数、所述像素点权值的归一化因子和所述像素相似度生成所述低频图像的像素点权值;所述根据所述像素点权值生成所述低频图像中像素点的加权平均值是利用归一化公式计算的。
S2、根据预设的边缘检测算法生成所述滤波图像的邻域灰度算子。
在本发明实施例中,所述根据预设的边缘检测算法生成所述滤波图像的邻域灰度算子是为了对所述滤波图像进行边缘检测;所述邻域灰度算子体现了所述滤波图像的图像灰度信息的分布特点。
详细地,所述预设的边缘检测算法为:
其中,f2(x,y)是所述滤波图像中像素坐标为(x,y)的邻域灰度算子,(x,y)是所述滤波图像中像素坐标,k'是邻域宽度,f1(x+m,y+l)是所述滤波图像中像素坐标(x+m,y+l)的灰度值,(x+m,y+l)是所述滤波图像中像素坐标,m是所述像素坐标的坐标标识,k'是,是取整函数,l是所述像素坐标的坐标标识。
S3、根据所述邻域灰度算子对所述滤波图像进行初级特征提取,得到所述滤波图像的初级图像特征。
在本发明实施例中,所述根据所述邻域灰度算子对所述滤波图像进行初级特征提取是因为所述滤波图像通常会或多或少受到噪声影响使得图像的灰度直方图不能准确反应图像特征,因此需要从更加全面的角度来衡量。
在本发明实施例中,所述根据所述邻域灰度算子对所述滤波图像进行初级特征提取,得到所述滤波图像的初级图像特征,包括:
获取所述滤波图像的像素灰度值,根据所述像素灰度值和所述邻域灰度算子生成所述滤波图像的二维直方图;
根据所述二维直方图生成所述滤波图像的特征提取阈值,根据所述特征提取阈值生成所述滤波图像的初级图像特征。
详细地,在考虑单个像素灰度值的基础上,联合每个像素的邻域灰度算子,共同建立二维的图像灰度特性直方图。相比于一维直方图,所述直方图能够考虑到噪声对每个像素灰度的影响,每个像素邻域均值的加入成为了对所述滤波图像的像素灰度分布的修正。
详细地,所述滤波图像的像素灰度值是指所述滤波图像的原始灰度值,是指未经过邻域灰度算子整合的灰度值。
详细地,所述根据所述像素灰度值和所述邻域灰度算子生成所述滤波图像的二维直方图是指将所述像素灰度值作为横轴,所述邻域灰度算子作为纵轴以及所述灰度值出现次数作为竖轴,形成的坐标图。
详细地,所述特征提取阈值决定了所述滤波图像的边缘检测的效果;所述根据所述特征提取阈值生成所述滤波图像的初级图像特征是指通过所述特征提取阈值过滤掉所述滤波图像中不重要的特征,从而生成所述滤波图像的初级图像特征。
详细地,所述根据所述二维直方图生成所述滤波图像的特征提取阈值,包括:
对所述二维直方图的最大峰值点和所述二维直方图的首位零点进行连接,得到所述二维直方图的连接线;
确定所述连接线的直线距离,根据所述直线距离确定所述滤波图像的初始阈值,根据所述初始阈值的阈值频数生成所述初始阈值的阈值权重;
根据所述阈值权重和所述初始阈值的阈值灰度生成所述滤波图像的特征提取阈值。
详细地,所述首位零点是指所述二维直方图上的末端的第一个零点;所述根据所述直线距离确定所述滤波图像的初始阈值是指所诉和二维直方图上到直线距离对应的点对应的灰度值即为所述滤波图像的初始阈值。
详细地,所述根据所述初始阈值的阈值频数生成所述初始阈值的阈值权重是指当所述初始阈值的阈值频数越大,所述初始阈值的阈值权重越大,并且所有所述初始阈值的总和为1。
详细地,所述根据所述阈值权重和所述初始阈值的阈值灰度生成所述滤波图像的特征提取阈值是指对所述阈值权重和所述阈值灰度进行加权求和,得到的加权值为所述滤波图像的特征提取阈值。
S4、构建所述目标组织的初始图像分类模型,利用所述初始图像分类模型对所述初级图像特征进行特征降维,得到所述初级图像特征的降维特征。
在本发明实施例中,所述初始图像分类模型是根据卷积层、池化层、激活函数和全连接层生成,所述卷积层、所述池化层和所述全连接层的数目是可以设置的;所述池化层的数目为2层,所述卷积层的数目为1层,所述全连接层的数目为1层。
在本发明实施例中,所述构建所述目标组织的初始图像分类模型,包括:
对预设的神经网络结构进行卷积层配置,得到所述预设的的神经网络结构的卷积结构;
对所述卷积结构进行池化层配置,得到所述卷积结构的池化结构;
对所述池化结构进行全连接层配置,得到所述池化结构的全连接结构;
对所述全连接结构进行结构参数初始化,得到所述全连接结构的初始化结构,确定所述初始化结构为所述目标组织的初始图像分类模型。
详细地,所述池化层用于筛选提取的特征,压缩数据、减少参数数量,简化数据的复杂度,实现特征降维,提高计算速度,在一定程度上防止过拟合,提高鲁棒性。通常在一个或者几个卷积层后面会有一个池化层。池化没有需要学习的参数,仅计算神经网络某一层的静态属性。
详细地,所述卷积层根据卷积核的大小确定,所述卷积核可以是5*5,也可以是1*1的,所述卷积核可以看作对图像的某个局部的加权求和,它是对应局部感知,它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体,而是先从局部开始认识,这就对应了卷积。
详细地,所述全连接层在所述初始图像分类模型中起到“分类器”的作用,如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话,全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。
详细地,所述结构参数初始化是指通道数、核大小以及步长等参数的初始化。
在本发明实施例中,所述利用所述初始图像分类模型对所述初级图像特征进行特征降维,得到所述初级图像特征的降维特征,包括:
利用所述初始图像分类模型的池化层对所述初级图像特征进行均值池化,得到所述初级图像特征的一级池化特征;
利用所述初始图像分类模型的卷积层对所述一级池化特征进行卷积处理,得到所述一级池化特征的一级卷积特征;
利用所述初始图像分类模型的池化层对所述一级卷积特征进行最大值池化,得到所述一级卷积特征的二级池化特征,确定所述一级卷积特征的二级池化特征为所述初级图像特征的降维特征。
详细地,所述均值池化是指对所述初级图像特征进行池化区域选定,确定选定区域的平均值构成所述初级图像特征的一级池化特征;所述最大值池化是指对所述一级卷积特征进行池化区域选定,确定选定区域的最大值构成所述一级卷积特征的二级池化特征。
详细地,所述卷积处理是指根据卷积核对所述一级池化特征进行点乘,得到所述一级池化特征的一级卷积特征。
S5、根据所述降维特征生成所述初始图像分类模型的初始输出值,根据所述初始输出值对所述初始图像分类模型进行权值矩阵调整,得到所述初始图像分类模型的目标分类模型。
在本发明实施例中,所述根据所述降维特征生成所述初始图像分类模型的初始输出值是指利用所述初始图像分类模型中的全连接层对所述降维特征进行处理,得到所述初始图像分类模型的模型输出。
在本发明实施例中,所述根据所述初始输出值对所述初始图像分类模型进行权值矩阵调整,得到所述初始图像分类模型的目标分类模型,包括:
获取所述组织图像的期望输出,根据所述期望输出和所述初始输出值生成所述初始图像分类模型的输出误差;
根据所述输出误差对所述初始图像分类模型进行权值更新,得到所述初始图像分类模型的目标分类模型。
详细地,所述根据所述输出误差对所述初始图像分类模型进行权值更新可以利用Adam优化算法,所述Adam优化算法相较于传统的梯度下降算法计算更加高效,因为传统的梯度下降算法对所有的权重更新使用单一的学习速率,且很难选择出合适的学习率。
详细地,所述根据所述期望输出和所述初始输出值生成所述初始图像分类模型的输出误差是指将所述期望输出减去所述初始输出值得到的差就是所述初始图像分类模型的输出误差。
S6、获取所述目标组织的目标图像,利用所述目标图像和预设的程度区间对所述目标图像进行程度划分,得到所述目标图像的区间值,根据所述区间值确定所述目标组织的生物活性。
在本发明实施例中,所述目标图像的获取可以利用检测仪的摄像功能获取;所述目标图像可以是人体血液样本的图像,也可以是人体尿液样本的图像;假设所述目标组织是人体血液,那么所述生物活性可以是血液中的血细胞的含量,假设所述目标组织是人体尿液,那么所述生物活性可以是尿液中的尿微量白蛋白的含量,其中,微量白蛋白尿(MAU)通常被认为是肾脏早期或轻度损伤的敏感指标,衡量肾小球滤过膜对白蛋白的选择性通透性。一般情况下,正常人在24小时内尿液中的白蛋白输出量少于30mg/24小时,但当达到30mg/24小时到300mg/24小时之间时,就会被诊断为MAU状态,超出300mg/24小时的输出量被称为肾病综合征。
进一步地,可以根据所述目标图像的区间值确定所述区间值确定所述目标组织的生物活性,例如:假定所述目标图像是关于尿液样本的,并用于确定所述尿液样本中的白蛋白输出量时,当所述区间值少于30mg/24小时,可以确定所述目标组织的生物活性为正常活性,当所述区间值达到30mg/24小时到300mg/24小时之间时,可以确定所述目标组织的生物活性为轻微异常活性,当所述区间值超出300mg/24小时时,可以确定所述目标组织的生物活性为严重异常活性。
详细地,所述目标组织的生物活性可以通过手机进行显示。
在本发明实施例中,参图3所示,所述利用所述目标图像和预设的程度区间对所述目标图像进行程度划分,得到所述目标图像的区间值,包括:
S31、对所述目标图像进行区块划分,得到所述目标图像的区块图像;
S32、利用所述目标分类模型对所述区块图像进行图像分类,得到所述区块图像的分类图像;
S33、利用所述分类图像和预设的程度区间对所述分类图像进行程度划分,得到所述分类图像的程度值;
S34、对所述程度值进行区间融合,得到所述程度值的融合值,根据所述融合值生成所述目标图像的区间值。
详细地,所述对所述目标图像进行区块划分是为了对所述目标图像进行区块划分,对所述目标图像分块处理,可以加快所述目标图像的处理效率,所述利用所述目标分类模型对所述区块图像进行图像分类是为了确定所述区块图像的图像类别,因为不同的类别代表不同的生物活性;所述对所述程度值进行区间融合相当于对所述目标图像的区块图像的程度值进行加权处理,得到所述程度值的融合值,所述融合值也是指所述程度值的加权值。
详细地,所述预设的程度区间是人为设定的,是根据经验主义确定的;不同的区间范围代表不同的生物活性值,例如:所述预设的程度区间分为三部分,程度范围所代表的值越大,说明生物活性越大,生物活性可以用不同的颜色或者刻度进行表示,所述预设的程度区间分为三部分,那么就利用三种颜色代表所述目标组织的生物活性。
本发明实施例通过对获取的目标组织的组织图像进行双重滤波处理,降低了图像噪声的影响,减小了因为摄像头不灵敏导致的测量误差,通过预设的边缘检测算法生成滤波图像的初级图像特征,实现了图像到数据的转化,便于数据处理,通过对构建的初始图像分类模型进行参数调整,提高了模型识别率,在保障了分类速率的同时,也保障了准确度,对目标图像进行程度划分,使得所述目标组织的生物活性清洗明了,因此本发明提出基于深度学习的生物活性检测方法,可以解决生物活性检测效率较低的问题。
如图4所示,是本发明一实施例提供的基于深度学习的生物活性检测装置的功能模块图。
本发明所述基于深度学习的生物活性检测装置100可以安装于电子设备中。根据实现的功能,所述基于深度学习的生物活性检测装置100可以包括双重滤波模块101、边缘检测模块102、特征提取模块103、特征降维模块104、权值调整模块105及活性检测模块106。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述双重滤波模块101,用于获取目标组织的组织图像,对所述组织图像进行双重滤波处理,得到所述组织图像的滤波图像;
所述边缘检测模块102,用于根据预设的边缘检测算法生成所述滤波图像的邻域灰度算子,其中,所述预设的边缘检测算法为:
其中,f2(x,y)是所述滤波图像中像素坐标为(x,y)的邻域灰度算子,(x,y)是所述滤波图像中像素坐标,k'是邻域宽度,f1(x+m,y+l)是所述滤波图像中像素坐标(x+m,y+l)的灰度值,(x+m,y+l)是所述滤波图像中像素坐标,m是所述像素坐标的坐标标识,k'是,是取整函数,l是所述像素坐标的坐标标识;
所述特征提取模块103,用于根据所述邻域灰度算子对所述滤波图像进行初级特征提取,得到所述滤波图像的初级图像特征;
所述特征降维模块104,用于构建所述目标组织的初始图像分类模型,利用所述初始图像分类模型对所述初级图像特征进行特征降维,得到所述初级图像特征的降维特征;
所述权值调整模块105,用于根据所述降维特征生成所述初始图像分类模型的初始输出值,根据所述初始输出值对所述初始图像分类模型进行权值矩阵调整,得到所述初始图像分类模型的目标分类模型;
所述活性检测模块106,用于获取所述目标组织的目标图像,利用所述目标图像和预设的程度区间对所述目标图像进行程度划分,得到所述目标图像的区间值,根据所述区间值确定所述目标组织的生物活性。
在本发明所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于深度学习的生物活性检测方法,其特征在于,所述方法包括:
获取目标组织的组织图像,对所述组织图像进行双重滤波处理,得到所述组织图像的滤波图像;
根据预设的边缘检测算法生成所述滤波图像的邻域灰度算子,其中,所述预设的边缘检测算法为:
其中,f2(x,y)是所述滤波图像中像素坐标为(x,y)的邻域灰度算子,(x,y)是所述滤波图像中像素坐标,k'是邻域宽度,f1(x+m,y+l)是所述滤波图像中像素坐标(x+m,y+l)的灰度值,(x+m,y+l)是所述滤波图像中像素坐标,m是所述像素坐标的坐标标识,k'是,是取整函数,l是所述像素坐标的坐标标识;
根据所述邻域灰度算子对所述滤波图像进行初级特征提取,得到所述滤波图像的初级图像特征;
构建所述目标组织的初始图像分类模型,利用所述初始图像分类模型对所述初级图像特征进行特征降维,得到所述初级图像特征的降维特征;
根据所述降维特征生成所述初始图像分类模型的初始输出值,根据所述初始输出值对所述初始图像分类模型进行权值矩阵调整,得到所述初始图像分类模型的目标分类模型;
获取所述目标组织的目标图像,利用所述目标图像和预设的程度区间对所述目标图像进行程度划分,得到所述目标图像的区间值,根据所述区间值确定所述目标组织的生物活性。
2.如权利要求1所述的基于深度学习的生物活性检测方法,其特征在于,所述对所述组织图像进行双重滤波处理,得到所述组织图像的滤波图像,包括:
对所述组织图像进行频域分解,得到所述组织图像的分解图像,其中,所述分解图像为高频图像和低频图像;
利用预设的中值滤波算法对所述高频图像进行高频滤波,得到所述高频图像的高频滤波图像,其中,所述预设的中值滤波算法为:
y(n)=med[x(n-N)…x(n)…x(n+N)]
其中,y(n)是所述高频图像中图像窗口内的输出像素值,med(*)是表示将窗口内所有数值按单调顺序排列后取中间值,x(n-N)…x(n)…x(n+N)是所述高频图像中需要操作的像素点,n是所述像素点的标识,N是所述像素点的间隔的标识;
对所述低频图像进行低频滤波,得到所述低频图像的低频滤波图像;
根据所述高频滤波图像和所述低频滤波图像生成所述组织图像的滤波图像。
3.如权利要求2所述的基于深度学习的生物活性检测方法,其特征在于,所述对所述低频图像进行低频滤波,得到所述低频图像的低频滤波图像,包括:
选取所述低频图像的相似度窗口,根据所述相似度窗口和预设的距离公式生成所述低频图像的相邻像素点的像素相似度;
根据所述像素相似度生成所述低频图像的像素点权值,根据所述像素点权值生成所述低频图像中像素点的加权平均值;
利用所述加权平均值对所述低频图像进行滤波处理,得到所述低频图像的低频滤波图像。
4.如权利要求1所述的基于深度学习的生物活性检测方法,其特征在于,所述根据所述邻域灰度算子对所述滤波图像进行初级特征提取,得到所述滤波图像的初级图像特征,包括:
获取所述滤波图像的像素灰度值,根据所述像素灰度值和所述邻域灰度算子生成所述滤波图像的二维直方图;
根据所述二维直方图生成所述滤波图像的特征提取阈值,根据所述特征提取阈值生成所述滤波图像的初级图像特征。
5.如权利要求4所述的基于深度学习的生物活性检测方法,其特征在于,所述根据所述二维直方图生成所述滤波图像的特征提取阈值,包括:
对所述二维直方图的最大峰值点和所述二维直方图的首位零点进行连接,得到所述二维直方图的连接线;
确定所述连接线的直线距离,根据所述直线距离确定所述滤波图像的初始阈值,根据所述初始阈值的阈值频数生成所述初始阈值的阈值权重;
根据所述阈值权重和所述初始阈值的阈值灰度生成所述滤波图像的特征提取阈值。
6.如权利要求1所述的基于深度学习的生物活性检测方法,其特征在于,所述构建所述目标组织的初始图像分类模型,包括:
对预设的神经网络结构进行卷积层配置,得到所述预设的的神经网络结构的卷积结构;
对所述卷积结构进行池化层配置,得到所述卷积结构的池化结构;
对所述池化结构进行全连接层配置,得到所述池化结构的全连接结构;
对所述全连接结构进行结构参数初始化,得到所述全连接结构的初始化结构,确定所述初始化结构为所述目标组织的初始图像分类模型。
7.如权利要求1所述的基于深度学习的生物活性检测方法,其特征在于,所述利用所述初始图像分类模型对所述初级图像特征进行特征降维,得到所述初级图像特征的降维特征,包括:
利用所述初始图像分类模型的池化层对所述初级图像特征进行均值池化,得到所述初级图像特征的一级池化特征;
利用所述初始图像分类模型的卷积层对所述一级池化特征进行卷积处理,得到所述一级池化特征的一级卷积特征;
利用所述初始图像分类模型的池化层对所述一级卷积特征进行最大值池化,得到所述一级卷积特征的二级池化特征,确定所述一级卷积特征的二级池化特征为所述初级图像特征的降维特征。
8.如权利要求1所述的基于深度学习的生物活性检测方法,其特征在于,所述根据所述初始输出值对所述初始图像分类模型进行权值矩阵调整,得到所述初始图像分类模型的目标分类模型,包括:
获取所述组织图像的期望输出,根据所述期望输出和所述初始输出值生成所述初始图像分类模型的输出误差;
根据所述输出误差对所述初始图像分类模型进行权值更新,得到所述初始图像分类模型的目标分类模型。
9.如权利要求1至8中任一项所述的基于深度学习的生物活性检测方法,其特征在于,所述利用所述目标图像和预设的程度区间对所述目标图像进行程度划分,得到所述目标图像的区间值,包括:
对所述目标图像进行区块划分,得到所述目标图像的区块图像;
利用所述目标分类模型对所述区块图像进行图像分类,得到所述区块图像的分类图像;
利用所述分类图像和预设的程度区间对所述分类图像进行程度划分,得到所述分类图像的程度值;
对所述程度值进行区间融合,得到所述程度值的融合值,根据所述融合值生成所述目标图像的区间值。
10.一种基于深度学习的生物活性检测装置,其特征在于,所述装置包括:
双重滤波模块,用于获取目标组织的组织图像,对所述组织图像进行双重滤波处理,得到所述组织图像的滤波图像;
边缘检测模块,用于根据预设的边缘检测算法生成所述滤波图像的邻域灰度算子,其中,所述预设的边缘检测算法为:
其中,f2(x,y)是所述滤波图像中像素坐标为(x,y)的邻域灰度算子,(x,y)是所述滤波图像中像素坐标,k'是邻域宽度,f1(x+m,y+l)是所述滤波图像中像素坐标(x+m,y+l)的灰度值,(x+m,y+l)是所述滤波图像中像素坐标,m是所述像素坐标的坐标标识,k'是,是取整函数,l是所述像素坐标的坐标标识;
特征提取模块,用于根据所述邻域灰度算子对所述滤波图像进行初级特征提取,得到所述滤波图像的初级图像特征;
特征降维模块,用于构建所述目标组织的初始图像分类模型,利用所述初始图像分类模型对所述初级图像特征进行特征降维,得到所述初级图像特征的降维特征;
权值调整模块,用于根据所述降维特征生成所述初始图像分类模型的初始输出值,根据所述初始输出值对所述初始图像分类模型进行权值矩阵调整,得到所述初始图像分类模型的目标分类模型;
活性检测模块,用于获取所述目标组织的目标图像,利用所述目标图像和预设的程度区间对所述目标图像进行程度划分,得到所述目标图像的区间值,根据所述区间值确定所述目标组织的生物活性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311178200.1A CN117152106A (zh) | 2023-09-13 | 2023-09-13 | 基于深度学习的生物活性检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311178200.1A CN117152106A (zh) | 2023-09-13 | 2023-09-13 | 基于深度学习的生物活性检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117152106A true CN117152106A (zh) | 2023-12-01 |
Family
ID=88911838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311178200.1A Pending CN117152106A (zh) | 2023-09-13 | 2023-09-13 | 基于深度学习的生物活性检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152106A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999009887A1 (en) * | 1997-08-28 | 1999-03-04 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
US20150213302A1 (en) * | 2014-01-30 | 2015-07-30 | Case Western Reserve University | Automatic Detection Of Mitosis Using Handcrafted And Convolutional Neural Network Features |
CN112132808A (zh) * | 2020-09-23 | 2020-12-25 | 沈阳建筑大学 | 基于常态模型学习的乳腺x线图像病变检测方法和装置 |
CN112419235A (zh) * | 2020-10-22 | 2021-02-26 | 南京大学 | 一种精子活性检测系统及方法 |
CN112767325A (zh) * | 2021-01-05 | 2021-05-07 | 清华大学 | 一种癌症病理图像自动检测方法及系统 |
US20210200988A1 (en) * | 2019-12-31 | 2021-07-01 | Zhejiang University | Method and equipment for classifying hepatocellular carcinoma images by combining computer vision features and radiomics features |
CN114209284A (zh) * | 2021-12-30 | 2022-03-22 | 山东大学 | 烧伤创面表层组织活性检测系统 |
CN114730463A (zh) * | 2019-11-22 | 2022-07-08 | 豪夫迈·罗氏有限公司 | 用于组织图像分类的多实例学习器 |
US20230117179A1 (en) * | 2020-03-24 | 2023-04-20 | Biocellvia | System and method for generating an indicator from an image of a histological section |
CN116313028A (zh) * | 2022-09-06 | 2023-06-23 | 上海联影智能医疗科技有限公司 | 医疗辅助设备、方法及计算机可读存储介质 |
-
2023
- 2023-09-13 CN CN202311178200.1A patent/CN117152106A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999009887A1 (en) * | 1997-08-28 | 1999-03-04 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
US20150213302A1 (en) * | 2014-01-30 | 2015-07-30 | Case Western Reserve University | Automatic Detection Of Mitosis Using Handcrafted And Convolutional Neural Network Features |
CN114730463A (zh) * | 2019-11-22 | 2022-07-08 | 豪夫迈·罗氏有限公司 | 用于组织图像分类的多实例学习器 |
US20210200988A1 (en) * | 2019-12-31 | 2021-07-01 | Zhejiang University | Method and equipment for classifying hepatocellular carcinoma images by combining computer vision features and radiomics features |
US20230117179A1 (en) * | 2020-03-24 | 2023-04-20 | Biocellvia | System and method for generating an indicator from an image of a histological section |
CN112132808A (zh) * | 2020-09-23 | 2020-12-25 | 沈阳建筑大学 | 基于常态模型学习的乳腺x线图像病变检测方法和装置 |
CN112419235A (zh) * | 2020-10-22 | 2021-02-26 | 南京大学 | 一种精子活性检测系统及方法 |
CN112767325A (zh) * | 2021-01-05 | 2021-05-07 | 清华大学 | 一种癌症病理图像自动检测方法及系统 |
CN114209284A (zh) * | 2021-12-30 | 2022-03-22 | 山东大学 | 烧伤创面表层组织活性检测系统 |
CN116313028A (zh) * | 2022-09-06 | 2023-06-23 | 上海联影智能医疗科技有限公司 | 医疗辅助设备、方法及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
XINYUE ZHANG, ET.AL: "Segmentation method for breast tumor diagnosis based on Artificial Neural Network algorithm applied to dynamic 18F-FDG PET images", 《IEEE NUCLEAR SCIENCE SYMPOSIUM AND MEDICAL IMAGING CONFERENCE (NSS/MIC)》, 6 October 2016 (2016-10-06), pages 1 - 4 * |
郁志宏: "基于机器视觉的种蛋筛选及孵化成活性检测研究", 《中国博士学位论文全文数据库 (农业科技辑)》, no. 3, 15 March 2008 (2008-03-15), pages 050 - 3 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111417980B (zh) | 用于椎骨骨折的识别的三维医学图像分析方法和系统 | |
CN103249358B (zh) | 医用图像处理装置 | |
Yang | Multimodal medical image fusion through a new DWT based technique | |
KR20170016778A (ko) | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 | |
US9811904B2 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
WO2021114623A1 (zh) | 脊柱变形人群识别方法、装置、计算机设备及存储介质 | |
CN109009052A (zh) | 基于视觉的嵌入式心率测量系统及其测量方法 | |
CN115311309A (zh) | 一种用于核磁共振图像的病灶识别提取方法与系统 | |
CN111863232A (zh) | 基于区块链和医学影像的远程疾病智能诊断系统 | |
CN112184684A (zh) | 一种改进的YOLO-v3算法及其在肺结节检测中的应用 | |
CN114693561A (zh) | 一种基于卷积神经网络的核磁共振图像处理方法与系统 | |
CN110706225A (zh) | 基于人工智能的肿瘤识别系统 | |
CN114359629A (zh) | 一种基于深度迁移学习的肺炎x胸片分类识别方法 | |
CN110348326A (zh) | 基于身份证识别和多设备访问的家庭健康信息处理方法 | |
CN114511898A (zh) | 疼痛识别方法、装置、存储介质及电子设备 | |
CN110427987A (zh) | 一种关节炎患者的足底压力特征识别方法和系统 | |
CN110826633A (zh) | 一种人脑mri数据的持久图像分类处理方法及其实现系统与应用 | |
CN117152106A (zh) | 基于深度学习的生物活性检测方法及装置 | |
CN116030063A (zh) | Mri图像的分类诊断系统、方法、电子设备及介质 | |
CN115601535A (zh) | 联合Wasserstein距离与差异度量的胸片异常识别域自适应方法及系统 | |
CN111462067B (zh) | 图像分割方法及装置 | |
CN110570417B (zh) | 肺结节分类装置及图像处理设备 | |
Nagarhalli et al. | Evaluating the Effectiveness of the Convolution Neural Network in Detecting Brain Tumors | |
Hilal et al. | Design of Intelligent Alzheimer Disease Diagnosis Model on CIoT Environment | |
CN116958132B (zh) | 基于视觉分析的手术导航系统 |
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 |