CN117455890B - 一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置 - Google Patents
一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置 Download PDFInfo
- Publication number
- CN117455890B CN117455890B CN202311544713.XA CN202311544713A CN117455890B CN 117455890 B CN117455890 B CN 117455890B CN 202311544713 A CN202311544713 A CN 202311544713A CN 117455890 B CN117455890 B CN 117455890B
- Authority
- CN
- China
- Prior art keywords
- learner
- result
- prediction
- base
- air enema
- 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
Links
- 208000005168 Intussusception Diseases 0.000 title claims abstract description 35
- 241000792859 Enema Species 0.000 title claims abstract description 30
- 239000007920 enema Substances 0.000 title claims abstract description 30
- 229940095399 enema Drugs 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims abstract description 7
- 238000012546 transfer Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 19
- 239000006185 dispersion Substances 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 230000035945 sensitivity Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 5
- 235000004257 Cordia myxa Nutrition 0.000 claims description 4
- 244000157795 Cordia myxa Species 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009131 signaling function Effects 0.000 claims description 3
- 238000001994 activation Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000968 intestinal effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010017982 Gastrointestinal necrosis Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000001883 cholelithiasis Diseases 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明公开了一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，所述的计算机存储器中存储有训练好的儿童肠套叠空气灌肠结果预测模型；预测模型包含三个不同的基学习器和一个二级学习器；其中，每个基学习器之间采用动态信息传递机制；二级学习器用于整合三个基学习器的输出，并产生最终的预测结果；所述计算机处理器执行所述计算机程序时实现以下步骤：将待预测的透视图像输入训练好的儿童肠套叠空气灌肠结果预测模型，得到二分类预测结果。利用本发明，可以实现对空气灌肠结果更稳定、更平衡、更准确的预测。
Description
技术领域
本发明属于医学人工智能领域，尤其是涉及一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置。
背景技术
肠套叠在儿童中是一个常见的紧急外科病症，以2岁以下小儿为主要患病人群。肠套叠主要是指相连两段肠管间彼此相套的现象，早期及时诊断并积极进行正确治疗可防止肠管发生坏死，减轻患儿受到的痛苦。
尽管超声波检查能够实现100％的检测准确性，但如何选择治疗手段仍然至关重要。通常，医生们首先考虑非手术方法进行治疗，但如果治疗不及时，患者可能面临心循环系统损害、肠道坏死等严重健康风险。在日常临床实践中，医生常常依赖个人经验来评估治疗的效果，这不但可能浪费时间，还有可能产生误判。
随着深度学习技术的发展，以往依赖医生人工读片的传统阅片模式被打破，以数据驱动为基础的深度学习技术，让计算机通过影像学、医学图像处理技术结合计算机的分析计算，辅助发现病灶，提高判断的准确率。如公开号为CN107133942A的中国专利文献公开了一种基于深度学习的医疗图像处理方法。公开号为CN109215021A的中国专利文献公开了一种基于深度学习的胆石病CT医疗图像快速识别方法。
然而，目前通过医学图像对儿童肠套叠空气灌肠结果进行评估预测的方法还比较少，采用现有的模型存在预测精度不高的问题。
发明内容
本发明提供了一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置，通过不同基学习器的互动，以及引入能够适应不平衡样本的损失函数，从而实现更稳定、更平衡、更准确的预测。
一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，所述的计算机存储器中存储有训练好的儿童肠套叠空气灌肠结果预测模型；
所述的儿童肠套叠空气灌肠结果预测模型包含三个不同的基学习器和一个二级学习器；其中，每个基学习器之间采用动态信息传递机制，当一个基学习器在某个输入上的预测置信度量低于预定阈值时，从其他两个基学习器学习得到特征信息，并据此调整自己的预测输出；所述的二级学习器用于整合三个基学习器的输出，并产生最终的预测结果；
所述的儿童肠套叠空气灌肠结果预测模型在训练过程中，采用复合损失函数，结合了Focal Loss、动态样本权重以及门控特征注意力机制；
所述计算机处理器执行所述计算机程序时实现以下步骤：
将待预测的肠套叠透视图像输入训练好的儿童肠套叠空气灌肠结果预测模型，得到二分类预测结果。
进一步地，每个基学习器之间采用动态信息传递机制具体为：
对于一个基学习器的预测分布，计算预测分布的熵；
根据三个基学习器的输出概率，计算离散度；
结合熵和离散度为每个基学习器的输出定义一个置信度量；
对于每一个基学习器，当其置信度量低于预定阈值时，从其他两个基学习器学习得到特征信息，并据此调整自己的预测输出。
计算预测分布的熵，公式为：
H(p)＝-∑ipilog pi
其中，pi是预测为第i类的概率；
计算离散度的公式为：
式中，Discrepancy表示离散度，pR、pG和pS分别为三个基学习器的输出概率；DKL(p||q)为KL散度，公式如下：
结合熵和离散度为每个基学习器定义一个置信度量：
C(f(x))＝αH(p)+(1-α)Discrepancy
其中，α是一个权重参数，用于控制熵和离散度之间的权重平衡。
本发明中，三个不同的基学习器分别为RepVGG、GoogleNet和ShuffleNet；其中，RepVGG选择倒数第二个残差块获取特征图，GoogleNet选择最后一个Inception模块获取特征图，ShuffleNet选择倒数第二个Shuffle模块获取特征图；
当其中一个基学习器的置信度量低于预定阈值时，其他两个基学习器的特征图通过一个瓶颈层和Batch Normalization层调整与该基学习器相应的特征图在通道数上进行concat融合。
所述的二级学习器是一个多层前馈神经网络，具体结构包括三个深度可分离的卷积层，每个卷积层后都跟随SELU激活；
在每个卷积层后都加入一个Batch Normalization层和一个Adaptive Dropout层；并采用He初始化方法，基于输入单元的数量来调整权重的初始分布范围；
最后，二级学习器的输出层采用sigmoid激活函数，将其输出映射到(0,1)范围，从而实现二分类任务。
复合损失函数的公式如下：
式中，xi是输入样本，yi为输出结果，α和γ是Focal Loss的标准参数，pi是模型预测的概率，是一个正则化参数，用于控制注意力机制对损失的贡献，||·||2表示平方欧几里得距离；S(xi)为样本敏感性分数，用于赋予每个样本一个动态权重；Fatt(xi)是经过门控注意力机制调整后的特征表示；F(xi；θF)为原始特征的表示，θF是二级学习器最后一层全连接层的参数。
样本敏感性分数S(xi)的公式为：
式中，xi是输入样本，c是当前批次中所有样本的中心，σ是控制敏感性急剧下降的速率的超参数，L(xi,yi)是样本的原始损失值。
经过门控注意力机制调整后的特征表示Fatt(xi)的公式为：
Fatt(xi)＝ρ(G(xi；θG)⊙F(xi；θF))
式中，ρ是激活函数，确保门控信号在[0,1]之间，G(xi；θG)是门控信号函数，它是输入样本xi的非线性变换，并由参数θG控制；F(xi；θF)是原始特征的表示，θF是二级学习器最后一层全连接层的参数；⊙代表逐元素相乘。
与现有技术相比，本发明具有以下有益效果：
本发明提出了一种先进的混合集成模型(儿童肠套叠空气灌肠结果预测模型)，在该模型中考虑了基学习器的互动，以及引入能够适应不平衡样本的损失函数，从而实现更稳定、更平衡的预测。
附图说明
图1为本发明中三个基学习器之间进行动态信息传递的原理图；
图2为本发明中儿童肠套叠空气灌肠结果预测模型的整体框架图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
本发明实施例提供了一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机存储器中存储有训练好的儿童肠套叠空气灌肠结果预测模型。儿童肠套叠空气灌肠结果预测模型包含三个不同的基学习器和一个二级学习器。
本发明使用集成深度学习技术，在透视图像中区分儿童肠套叠手术结果，通过加权融合和优化技术来强化。如图1所示，本发明采用了堆叠集成学习(SEL)的原则，作为一种强大的集成学习技术，它可以基本上将多种预测模型提供的预测作为输入。在基学习器中，采用了三种主要的深度学习架构：RepVGG、GoogleNet、ShuffleNet。每个模型都独立地在透视图像上捕获大量的图像特征，增强了总体的预测精度。
为了进一步促进基学习器之间的协作和信息共享，本发明采用一种新颖的策略，动态信息传递机制。动态信息传递机制的基本思想是，当一个基学习器在某个输入上的预测置信度较低时，它可以请求其他基学习器提供关于该输入的信息，并据此调整自己的预测。
具体的，本发明通过量化模型输出的不确定性是通过计算其预测的概率分布的熵。对于一个模型的预测分布p，其熵定义为：
H(p)＝-∑ipilogpi
其中，pi是预测为第i类的概率。熵越高，不确定性越大，模型的置信度越低。
其次考虑有三个基学习器的输出概率：pRepVGG，pGoogleNet和pShuffleNet，可以定义集成的离散度为这三个概率分布之间的平均Kullback-Leibler(KL)散度：
然后，可以计算：
离散度越大，模型之间的不同意度越高，置信越低。结合熵和离散度来为每个模型定义一个置信度量：
C(fi(x))＝αH(pi)+(1-α)Discrepancy
其中，α是一个权重参数，用于控制熵和离散度之间的权重平衡。
通过这种方式，为每个基学习器的输出定义了一个置信度量。当C(fi(x))越低，模型i对其预测的置信度越高。
这种置信度量为本发明提供了一种方法，来决定在集成决策中各个模型的权重，以及当某个模型的置信度量较低时，如何调整其预测。
对于每一个基学习器，当其置信度量C(fi(x))低于一个预定阈值时，它会通过从其他两个基学习器学习得到特征信息。
具体得，单个批次数据训练完后，对于RepVGG，选择倒数第二个残差块；对于GoogleNet，选择最后一个Inception模块；对于ShuffleNet，选择倒数第二个Shuffle模块获取特征图。
当其中一个基学习器的置信度量低于设定阈值时，通过其他两个基学习器的特征图通过一个瓶颈层(1*1Conv)和Batch Normalization层调整与基学习器的相应的特征图在通道数上进行concat融合。
为了进一步提高本发明的预测准确性，集成了一个次级模型作为二级学习器，它是一个多层前馈神经网络，并通过整合基础模型的输出来精化这些预测。这个二级学习器为每个基学习器的预测分配特定的权重，包括权重衰减和稀疏正则化，以避免过拟合，并确保权重分布平衡。这种集成策略充分利用了每个模型的独特优势，增强了整体预测精度。
三个经过训练的基学习器可以独立地学习训练数据的某些潜在表示，并输出不同的预测。为了结合不同网络的优势，使用堆栈集成学习(Stacked Ensemble Learning,SEL)并利用二级学习器整合这三个基学习器的输出，然后产生最终的预测结果。
如图2所示，具体而言，对于二级学习器，使用一个基于自标准化神经网络的模型精化了三个基学习器的概率输出为精确预测。二级学习器采用缩放指数线性单元(SELU)作为其主要激活函数，这有助于网络自动调整其激活输出，以保持接近零的均值和单位方差，从而使得网络在深层传播时维持良好的自标准化特性。模型结构中包括三个深度可分离的卷积层，每个层后都跟随SELU激活。为了进一步提高模型的泛化能力并减少过拟合，在每个卷积层后都加入了一个Batch Normalization层和一个Adaptive Dropout层。这种Dropout策略可以根据输入数据的复杂性动态调整丢弃率。在权重初始化方面，为了更好地与深度可分离的卷积结合，采用了He初始化方法，它基于输入单元的数量来调整权重的初始分布范围。最后，模型的输出层采用sigmoid激活函数，将其输出映射到(0,1)范围，从而实现二分类任务。
本发明在模型的训练任务中，训练集中的数据分布是不平衡的，导致在模型训练过程中的偏见，从而导致性能不佳。这种现象在肠套叠的数据集中尤为明显。对于基学习器，在处理极端不平衡的数据集时，标准的损失函数可能无法提供充分的梯度更新，特别是对于那些类别较少的样本。为了解决这个问题，本发明引入了动态样本权重赋值，特征融合和样本关注机制，以下是核心组成部分：
动态样本权重赋值:
本发明提出了一种新型的动态权重分配机制，该机制考虑了每个样本的损失以及其在决策边界附近的位置。这是通过引入一个新的样本敏感性分数S(xi)来实现的，该分数考虑了样本xi相对于决策边界的位置以及它的损失贡献。具体来说，计算每个样本的敏感性分数如下：
其中，xi是输入样本，c是当前批次中所有样本的中心，σ是控制敏感性急剧下降的速率的超参数，L(xi,yi)是样本的原始损失值。
动态样本权重赋值是为了解决样本不均衡问题，特别是当一些样本位于决策边界附近时。这些样本的信息对模型是至关重要的，因为它们处在分类决策的临界区域。
本发明提出的方法通过计算样本敏感性分数S(xi)来赋予每个样本一个动态权重。这个敏感性分数结合了两方面的信息：
1.样本相对于其它样本中心的距离：||xi-c||。如果一个样本距离中心更远，它可能更具有代表性，因为它反映了数据分布的特定区域。这种距离信息通过一个指数衰减函数与损失相结合，使得那些距离中心较远且损失较高的样本获得更高的权重。
2.样本的原始损失值：L(xi,yi)。这是模型对该样本预测准确性的直接度量。较高的损失意味着模型在该样本上的预测存在问题，因此应该给予它更多的注意。通过结合这两个方面，可以得到一个权衡了样本的位置和模型预测错误的动态权重。
在深度学习模型中，特征的不同层次包含了不同的信息。高层特征通常包含了更多的抽象信息，而低层特征则与输入数据更为接近。为了提高肠套叠手术失败类别的识别率(少类别)，引入了一个门控特征注意力机制。
这个机制的核心思想是自适应地放大或压缩特定的特征，使得模型能够更好地关注那些与少类别相关的信息。不同于标准的注意力机制，通过在特征级别上引入一个门控信号G(xi；θG)来实现这一点。这个门控信号是原始特征的非线性变换，它的范围在[0,1]之间，可以看作是对原始特征重要性的估计。通过与原始特征进行逐元素乘法，可以得到一个经过注意力调整后的特征表示。
Fatt(xi)＝ρ(G(xi；θG)⊙F(xi；θF))
Fatt(xi)是经过门控注意力机制调整后的特征表示，ρ是激活函数，确保门控信号在[0,1]之间，G(xi；θG)是门控信号函数，它是输入样本xi的非线性变换，并由参数θG控制，这个函数的输出描述了原始特征的重要性。F(xi；θF)是原始特征的表示，θF是二级学习器最后一层全连接层的参数。⊙代表逐元素相乘。
通过这两种方法，能够提高模型在样本不平衡数据集上的性能，特别是在识别少量类别上。这些方法为模型提供了额外的上下文信息和灵活性，使其能够更好地适应不同的数据分布。
综合以上内容，提出了一个复合损失函数，该函数结合了Focal Loss、动态样本权重以及门控特征注意力机制。这个损失函数的目的是强化模型对于少数类样本的关注，同时保持对多数类样本的适当关注。损失函数定义如下：
其中，α和γ是Focal Loss的标准参数，pi是模型预测的概率，是一个正则化参数，用于控制注意力机制对损失的贡献，||·||2表示平方欧几里得距离。
实验数据共2238张透视图像，按照7：2：1划分训练集、验证集、测试集。实验框架使用Pytorch 2.0，实验设备在Ubuntu系统，3090显卡。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，其特征在于，所述的计算机存储器中存储有训练好的儿童肠套叠空气灌肠结果预测模型；
所述的儿童肠套叠空气灌肠结果预测模型包含三个不同的基学习器和一个二级学习器；其中，每个基学习器之间采用动态信息传递机制，当一个基学习器在某个输入上的预测置信度量低于预定阈值时，从其他两个基学习器学习得到特征信息，并据此调整自己的预测输出；所述的二级学习器用于整合三个基学习器的输出，并产生最终的预测结果；
所述的二级学习器是一个多层前馈神经网络，具体结构包括三个深度可分离的卷积层，每个卷积层后都跟随SELU激活；在每个卷积层后都加入一个Batch Normalization层和一个Adaptive Dropout层；并采用He初始化方法，基于输入单元的数量来调整权重的初始分布范围；最后，二级学习器的输出层采用sigmoid激活函数，将其输出映射到(0,1)范围，从而实现二分类任务；
所述的儿童肠套叠空气灌肠结果预测模型在训练过程中，采用复合损失函数，结合了FocalLoss、动态样本权重以及门控特征注意力机制；
所述计算机处理器执行所述计算机程序时实现以下步骤：
将待预测的透视图像输入训练好的儿童肠套叠空气灌肠结果预测模型，得到二分类预测结果。
2.根据权利要求1所述的基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置，其特征在于，每个基学习器之间采用动态信息传递机制具体为：
对于一个基学习器的预测分布，计算预测分布的熵H(p)；
根据三个基学习器的输出概率，计算离散度；
结合熵和离散度为每个基学习器的输出定义一个置信度量；
对于每一个基学习器，当其置信度量低于预定阈值时，从其他两个基学习器学习得到特征信息，并据此调整自己的预测输出。
3.根据权利要求2所述的基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置，计算预测分布的熵，公式为：
H(p)＝-∑ipilog pi
其中，pi是预测为第i类的概率；
计算离散度的公式为：
式中，Discrepancy表示离散度，pR、pG和pS分别为三个基学习器的输出概率；DKL(p||q)为KL散度，公式如下：
结合熵和离散度为每个基学习器定义一个置信度量：
C(f(x))＝αH(p)+(1-α)Discrepancy
其中，α是一个权重参数，用于控制熵和离散度之间的权重平衡。
4.根据权利要求2所述的基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置，其特征在于，三个不同的基学习器分别为RepVGG、GoogleNet和ShuffleNet；其中，RepVGG选择倒数第二个残差块获取特征图，GoogleNet选择最后一个Inception模块获取特征图，ShuffleNet选择倒数第二个Shuffle模块获取特征图；
当其中一个基学习器的置信度量低于预定阈值时，其他两个基学习器的特征图通过一个瓶颈层和Batch Normalization层调整与该基学习器相应的特征图在通道数上进行concat融合。
5.根据权利要求1所述的基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置，其特征在于，复合损失函数的公式如下：
式中，xi是输入样本，yi为输出结果，α和γ是Focal Loss的标准参数，pi是模型预测的概率，是一个正则化参数，用于控制注意力机制对损失的贡献，||·||2表示平方欧几里得距离；S(xi)为样本敏感性分数，用于赋予每个样本一个动态权重；Fatt(xi)是经过门控注意力机制调整后的特征表示；F(xi；θF)为原始特征的表示，θF是二级学习器最后一层全连接层的参数。
6.根据权利要求5所述的基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置，其特征在于，样本敏感性分数S(xi)的公式为：
式中，xi是输入样本，c是当前批次中所有样本的中心，σ是控制敏感性急剧下降的速率的超参数，L(xi,yi)是样本的原始损失值。
7.根据权利要求5所述的基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置，其特征在于，其特征在于，经过门控注意力机制调整后的特征表示Fatt(xi)的公式为：
Fatt(xi)＝ρ(G(xi；θG)⊙F(xi；θF))
式中，ρ是激活函数，确保门控信号在[0,1]之间，G(xi；θG)是门控信号函数，它是输入样本xi的非线性变换，并由参数θG控制；F(xi；λF)是原始特征的表示，θF是二级学习器最后一层全连接层的参数；⊙代表逐元素相乘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311544713.XA CN117455890B (zh) | 2023-11-20 | 一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311544713.XA CN117455890B (zh) | 2023-11-20 | 一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117455890A CN117455890A (zh) | 2024-01-26 |
| CN117455890B true CN117455890B (zh) | 2024-05-31 |
Family
ID=
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596329A (zh) * | 2018-05-11 | 2018-09-28 | 北方民族大学 | 基于端到端深度集成学习网络的三维模型分类方法 |
| CN109918708A (zh) * | 2019-01-21 | 2019-06-21 | 昆明理工大学 | 一种基于异质集成学习的材料性能预测模型构建方法 |
| CN109979599A (zh) * | 2017-12-27 | 2019-07-05 | 中国科学院沈阳自动化研究所 | 一种基于机器学习的糖尿病智能预测模型的建立方法 |
| CN111062510A (zh) * | 2019-11-13 | 2020-04-24 | 南京航空航天大学 | 一种基于迁移学习的民航发动机叶片裂纹预测方法 |
| CN111506760A (zh) * | 2020-03-30 | 2020-08-07 | 杭州电子科技大学 | 一种基于困难感知的深度集成度量图像检索方法 |
| CN111738309A (zh) * | 2020-06-03 | 2020-10-02 | 哈尔滨工业大学 | 多尺度分析和集成学习的气敏传感器故障模式识别方法 |
| CN112288191A (zh) * | 2020-11-19 | 2021-01-29 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
| CN113643758A (zh) * | 2021-09-22 | 2021-11-12 | 华南农业大学 | 面向肠杆科细菌获得抗β-内酰胺类耐药性基因的预测方法 |
| CN113869098A (zh) * | 2021-06-02 | 2021-12-31 | 甘肃农业大学 | 植物病害识别方法、装置、电子设备及存储介质 |
| CN114188021A (zh) * | 2021-12-13 | 2022-03-15 | 浙江大学 | 一种基于多模态融合的儿童肠套叠诊断智能分析系统 |
| CN115100491A (zh) * | 2022-08-25 | 2022-09-23 | 山东省凯麟环保设备股份有限公司 | 一种面向复杂自动驾驶场景的异常鲁棒分割方法与系统 |
| CN115310348A (zh) * | 2022-07-08 | 2022-11-08 | 天津大学 | 基于Stacking的灌浆量集成代理预测模型及预测方法 |
| CN116665907A (zh) * | 2023-06-29 | 2023-08-29 | 绍兴市人民医院 | 基于深度学习的adpkd患者进入esrd的风险预测方法 |
| CN116961926A (zh) * | 2022-04-12 | 2023-10-27 | 中国移动通信集团河南有限公司 | 异常流量攻击识别方法、装置、电子设备及存储介质 |
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109979599A (zh) * | 2017-12-27 | 2019-07-05 | 中国科学院沈阳自动化研究所 | 一种基于机器学习的糖尿病智能预测模型的建立方法 |
| CN108596329A (zh) * | 2018-05-11 | 2018-09-28 | 北方民族大学 | 基于端到端深度集成学习网络的三维模型分类方法 |
| CN109918708A (zh) * | 2019-01-21 | 2019-06-21 | 昆明理工大学 | 一种基于异质集成学习的材料性能预测模型构建方法 |
| CN111062510A (zh) * | 2019-11-13 | 2020-04-24 | 南京航空航天大学 | 一种基于迁移学习的民航发动机叶片裂纹预测方法 |
| CN111506760A (zh) * | 2020-03-30 | 2020-08-07 | 杭州电子科技大学 | 一种基于困难感知的深度集成度量图像检索方法 |
| CN111738309A (zh) * | 2020-06-03 | 2020-10-02 | 哈尔滨工业大学 | 多尺度分析和集成学习的气敏传感器故障模式识别方法 |
| CN112288191A (zh) * | 2020-11-19 | 2021-01-29 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
| CN113869098A (zh) * | 2021-06-02 | 2021-12-31 | 甘肃农业大学 | 植物病害识别方法、装置、电子设备及存储介质 |
| CN113643758A (zh) * | 2021-09-22 | 2021-11-12 | 华南农业大学 | 面向肠杆科细菌获得抗β-内酰胺类耐药性基因的预测方法 |
| CN114188021A (zh) * | 2021-12-13 | 2022-03-15 | 浙江大学 | 一种基于多模态融合的儿童肠套叠诊断智能分析系统 |
| CN116961926A (zh) * | 2022-04-12 | 2023-10-27 | 中国移动通信集团河南有限公司 | 异常流量攻击识别方法、装置、电子设备及存储介质 |
| CN115310348A (zh) * | 2022-07-08 | 2022-11-08 | 天津大学 | 基于Stacking的灌浆量集成代理预测模型及预测方法 |
| CN115100491A (zh) * | 2022-08-25 | 2022-09-23 | 山东省凯麟环保设备股份有限公司 | 一种面向复杂自动驾驶场景的异常鲁棒分割方法与系统 |
| CN116665907A (zh) * | 2023-06-29 | 2023-08-29 | 绍兴市人民医院 | 基于深度学习的adpkd患者进入esrd的风险预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于时空数据挖掘的城市路网交通态势分析及应用研究;杨森炎;《全国优秀博硕士学位论文全文库(博士) 工程科技II辑》;20210215;全文 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kogilavani et al. | COVID-19 detection based on lung CT scan using deep learning techniques | |
| CN110516161B (zh) | 一种推荐方法及装置 | |
| US20220148191A1 (en) | Image segmentation method and apparatus and storage medium | |
| CN109919928B (zh) | 医学影像的检测方法、装置和存储介质 | |
| WO2022242459A1 (zh) | 数据分类识别方法、装置、设备、介质及程序产品 | |
| CN109346159B (zh) | 病例图像分类方法、装置、计算机设备及存储介质 | |
| CN110490242B (zh) | 图像分类网络的训练方法、眼底图像分类方法及相关设备 | |
| WO2020224433A1 (zh) | 基于机器学习的目标对象属性预测方法及相关设备 | |
| KR20200062589A (ko) | 뇌 mri 영상의 뇌 영역별 분할을 통한 치매 예측 장치 및 방법 | |
| CN112308131B (zh) | 样本拒识方法、装置、设备及存储介质 | |
| Gu et al. | Classification of diabetic retinopathy severity in fundus images using the vision transformer and residual attention | |
| CN115147376A (zh) | 一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法 | |
| CN115579141A (zh) | 一种可解释疾病风险预测模型构建方法以及疾病风险预测装置 | |
| Wang et al. | Semantic-powered explainable model-free few-shot learning scheme of diagnosing COVID-19 on chest x-ray | |
| CN117455890B (zh) | 一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置 | |
| Luo et al. | Knowledge grounded conversational symptom detection with graph memory networks | |
| Zhang et al. | Robust brain age estimation based on smri via nonlinear age-adaptive ensemble learning | |
| CN115424108B (zh) | 一种基于视听融合感知的认知功能障碍评测方法 | |
| CN116994695A (zh) | 报告生成模型的训练方法、装置、设备及存储介质 | |
| CN117455890A (zh) | 一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置 | |
| CN112102285B (zh) | 一种基于多模态对抗训练的骨龄检测方法 | |
| CN115862837A (zh) | 一种基于类型推理与语义约束的医学视觉问答方法 | |
| Qiu et al. | The Diagnosis of Alzheimer's Disease: An Ensemble Approach. | |
| Zhang et al. | Human-like explanation for text classification with limited attention supervision | |
| Cahyani et al. | COVID-19 classification using CNN-BiLSTM based on chest X-ray images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |