CN117456283A - 一种基于深度学习的指甲病图像智能诊断方法 - Google Patents
一种基于深度学习的指甲病图像智能诊断方法 Download PDFInfo
- Publication number
- CN117456283A CN117456283A CN202311741718.1A CN202311741718A CN117456283A CN 117456283 A CN117456283 A CN 117456283A CN 202311741718 A CN202311741718 A CN 202311741718A CN 117456283 A CN117456283 A CN 117456283A
- Authority
- CN
- China
- Prior art keywords
- image
- nail
- deep learning
- model
- nail disease
- 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
- 208000026721 nail disease Diseases 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000003709 image segmentation Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000011161 development Methods 0.000 claims abstract description 5
- 230000018109 developmental process Effects 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 230000006806 disease prevention Effects 0.000 claims 1
- 210000004905 finger nail Anatomy 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 230000007306 turnover Effects 0.000 claims 1
- 201000010099 disease Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 8
- 230000006870 function Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 14
- 230000007246 mechanism Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的指甲病图像智能诊断方法，属于医学图像分类技术领域。包括如下步骤：步骤1：数据集准备；步骤2：数据预处理，包括支持多种Prompt的图像目标分割模型测试与开发、数据集分割、数据增强；步骤3：深度学习图像分类模型训练、选择、融合；步骤4：将步骤3得到的最优指甲病图像分割模型和分类模型集成为API接口，并开发Web系统，实现网页端上传指甲图像即可诊断是否患病、具体疾病名称的功能。本发明已实现通过输入指甲图像，诊断是否患指甲病并预测疾病类别，预测准确度高，泛化能力好。
Description
技术领域
本发明属于医学图像分类技术领域，特别涉及一种基于深度学习的指甲病图像智能诊断方法。
背景技术
随着我国社会经济的发展，人民群众的卫生服务需求也在不断变化升级，各种专科疾病都越来越强烈地要求能得到高质量的专业治疗。其中指（趾）甲功能的独特性和病变部位的特殊性，不同程度地影响着患者的生活质量。研究结果显示，大多数甲病患者认为甲的异常为他们的生活带来了负面的影响。现实中指甲病的诊断通常需要临床医生通过观察和经验进行判断，耗时且可能存在诊断误差。而智能诊断模型可以在短时间内对指甲病进行自动识别和分类，帮助医生快速定位问题，提高医疗效率。
指甲病智能诊断模型可以帮助人们及早发现和诊断指甲疾病，尤其早期阶段症状不明显的疾病。通过提前发现和诊断，可以采取有效的治疗和干预措施，避免疾病的进一步恶化和造成更大的健康损害。同时指甲病识别模型的发展和应用可以促进相关科学研究的进行，并为指甲病的治疗提供更多的数据和案例。有助于研究人员深入了解指甲病的病因、机制和治疗方法，推动医学知识的积累和医学领域的进步。
发明内容
本发明实现一种基于深度学习的指甲病图像智能诊断方法，整体方法流程图如图1所示：
步骤1：指甲病图像数据集准备：
步骤1.1：ImageNet数据库下载和指甲病分类数据库标注。
步骤2：数据预处理，包括支持多种Prompt的图像目标分割模型的测试与开发、数据集分割、统计分析与数据增强：
步骤2.1：图像分割模型SAM（Segment Anything Model）测试与开发，SAM模型是一个基于人工智能的图像分割系统，SAM根据用户的输入提示（如点、框、文本等）生成高质量的对象掩码，实现图像中指甲部分的精准检测与分割，SAM模型结构图如图2所示，具体分割步骤详情如下：
步骤2.1.1：图像编码器：它负责将输入的图像转换为一个向量表示，用于后续的
分割预测。图像编码器使用了卷积神经网络和视觉变换器来提取图像的特征，对于图像I和
卷积核K，M和N是卷积核的尺寸，卷积操作公式如下：
步骤2.1.2：提示编码器：它负责将输入的提示转换为向量表示，用于后续的分割预测。提示编码器使用了多层感知机（MLP）和自注意力机制（Self-Attention）来处理不同类型和数量的提示，自注意力机制输出可表示为以下公式：
其中W q , W k ，和W v 是权重矩阵，d k 是注意力机制的维度。
步骤2.1.3：掩码解码器：将图像编码器和提示编码器的输出结合起来，生成一个分割掩码。掩码解码器使用了卷积神经网络和交叉注意力机制（Cross-Attention）来融合图像和提示的信息，并输出一个与输入图像大小相同的二值掩码。
步骤2.2：指甲病数据集的统计分析，主要用于检测多分类任务中样本数量的分布。依据统计数据集中各指甲图像样本的均衡情况，从而在模型训练过程中有针对性的划分训练、测试数据集，以避免模型出现过拟合及性能不均问题；
步骤2.3：将分割后图像数据集进行水平翻转，即左右翻转图像；垂直翻转，即上下翻转图像；图像的缩放操作，即将所有的图像缩放到同一尺寸大小；灰度处理等。
步骤3：深度学习图像分类模型训练、选择、融合。采用预训练（Pretrain）+精调（Finetune）的训练模式，在ImageNet数据集预训练完成的基础上，通过垂直领域的小样本进行微调，选取效果较好图像分类模型进行融合：
步骤3.1：图像分类模型训练、选择；最终选取计算视觉领域先进的图像分类基准模型EfficientNetV2、MaxViT和Swin Transformer V2：
步骤3.1.1：EfficientNetV2模型训练，EfficientNetV2 是对于原始EfficientNet 模型的进一步改进，通过组合训练感知的神经架构搜索和缩放方法，优化训练速度和参数效率，并融合移动翻转瓶颈卷积网络，有效提升模型的训练速度，降低了模型的参数量，模型结构图如图3所示。其中核心组件MB卷积（MBConv）模块计算过程为以下公式：
其中x为输入特征，Swish是激活函数，BN是批归一化操作，DepthwiseConv 是深度可分离卷积操作。
步骤3.1.2：MaxViT模型训练，MaxViT 模型通过多轴注意力、串行结构、缩放余弦注意力等设计，以及对注意力机制和后置归一化的创新配置，提高在视觉任务中的性能和效率。模型结构图如图4所示，其中MaxViT模块包含局部注意力模块、全局注意力模块、MB卷积模块三大组件，相关计算公式如步骤2.1.2、步骤3.1.1所示；
步骤3.1.3：Swin Transformer V2模型训练，Swin Transformer V2 模型通过层次化结构、跨阶段的注意力机制、窗口化的特征处理等创新设计，有效提高模型的稳定性和精度，非常适用于大规模图像数据和高维度问题的处理，Swin Transformer V2模型采用的注意力机制计算公式如步骤2.1.2所示，模型结构图如图5所示。
步骤3.2：多图像分类模型融合，采用步骤3.1选取、训练的分类基准模型EfficientNetV2、MaxViT和Swin Transformer V2，结合专家融合算法构建最终指甲病图像智能诊断方法：
步骤3.2.1：多个专家模型训练，针对图像分类任务，使用不同的算法训练多个专家模型，记录每个模型的准确性、泛化能力等指标；
步骤3.2.2：专家选择，基于专家模型在验证集上的性能，对专家模型进行性能排序，并分配各模型权重；
步骤3.2.3：专家融合模型预测，选取软投票法模型集成方法将多个分类模型进行融合，适当调整超参优化整体性能，得到最终的融合预测结果，软投票法的计算公式如下所示：
P(y i ) 是最终类别y i 的预测概率，M是模型的数量，P j (y i ) 是第j 个模型对于类别y i 的预测概率。
步骤4：将所述步骤2中得到的最优指甲病图像分割模型和步骤3得到的最优图像分类模型集成为API接口，使用Flask框架开发Web系统。实现网页端上传指甲图像，诊断是否患病及具体疾病名称的功能。
附图说明
图1为本发明中方法流程图。
图2为本发明中SAM模型结构图。
图3为本发明中EfficientNetV2模型结构图。
图4为本发明中MaxViT模型结构图。
图5为本发明中Swin Transformer V2模型结构图。
图6为本发明中SAM模型指甲病图像分割示例图。
图7为本发明中指甲图像增强结果示例图。
图8为本发明中EfficientNetV2模型训练过程图。
图9为本发明中MaxViT模型训练过程图。
图10为本发明中Swin Transformer V2模型训练过程图。
图11为本发明中指甲病智能诊断Web系统示例图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。如图1所示，本发明提供一种基于深度学习指甲病图像智能诊断方法，包括：
步骤1：数据集准备：
步骤1.1：数据集包括ImageNet数据集和标注指甲病数据集。
步骤2：数据预处理，包含以下两个步骤：
步骤2.1：图像分割，在本地完成SAM模型运行环境部署后，导入SAM模型，分别使用单个提示点、多个提示点、方框指定、点与方框结合、多个方框同时输入和文本输入的方式测试目标分割性能，并根据测试结果有针对性的对不同的prompt方式进行微调进一步提高模型的易用性，在完成图像分割任务后，进行一系列数据标准化操作（如将mask扩展放大、固定输出形状为矩形等），保障患病指甲图像分割的准确性和完整性，图像分割结果示例如图6所示；
步骤2.2：图像增强，指甲病数据集的数据增强预处理主要包括水平翻转，即左右翻转图像；垂直翻转，即上下翻转图像；图像的缩放操作，即将所有的图像缩放到同一尺寸大小；灰度处理等。并按照1：1：8的比例随机将样例数据集分为测试集、验证集、训练集，图像增强结果示例如图7所示。
步骤3：图像分类模型EfficientNetV2、MaxViT、Swin Transformer V2训练及专家融合。
步骤3.1：基于ImageNet数据集和图像分割操作后的指甲病训练集和验证集使用EfficientNetV2、MaxViT、Swin Transformer V2模型分别对数据集进行预训练和微调，其中微调部分使用的优化器为Adam，初始的学习率为1e-5，所使用的损失函数为交叉熵损失，并进行了100个epoch的训练，其中使用early stopping以减少模型训练中不必要的时间损耗，一定程度上防止过拟合现象的发生；
步骤3.2：模型融合与集成预测，将数据预处理操作（包括SAM图像分割模型、标准化等）和训练好的EfficientNetV2、MaxViT、Swin Transformer V2图像分类模型，采用专家融合算法进行集成封装，实现指甲病智能诊断功能；并使用指甲病测试集进行集成测试，模型训练过程图如图8-10所示，融合后模型在测试集上分类准确率为85%。
步骤4：使用Flask框架对图像预处理、图像分割、图像分类进行统一集成为API接口，并封装为Web系统，实现网页端上传图像完成结果预测，系统示例图如图11所示。
本行业的技术人员应该了解，本发明不受上述实施例限制，上述实施例和说明书中描述只是说明本发明的原理，在不脱离本发明精神和范围前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于深度学习的指甲病图像智能诊断方法，主要用于医学图像分类技术领域指甲类疾病早期预防和诊断，其特征在于，包括如下步骤：
步骤1：指甲病图像数据集准备；
步骤2：数据预处理，包括支持文本Prompt的图像目标分割模型的测试与开发、数据集分割、统计分析与数据增强；
步骤3：深度学习图像分类模型训练、选择、融合；
步骤4：将所述步骤2中得到的最优指甲病图像分割模型和步骤3得到的最优图像分类模型集成为API接口，并开发Web系统。
2.根据权利要求1所述的一种基于深度学习的指甲病图像智能诊断方法，其特征在于：所述步骤2还包括：基于Segment Anything Model图像分割模型开展支持多种Prompt的图像目标分割模型的测试与开发，通过单个提示点、多个提示点、方框指定、点与方框结合、多个方框同时输入和文本输入的方式，实现图像中指甲部分的精准检测与分割。
3.根据权利要求1所述的一种基于深度学习的指甲病图像智能诊断方法，其特征在于：所述步骤2还包括：对指甲病图像数据集进行统计分析与数据增强，对图像进行旋转、翻转、缩放随机变换，生成更多的训练样本，以提高模型的泛化能力。
4.根据权利要求1所述的一种基于深度学习的指甲病图像智能诊断方法，其特征在于：所述步骤3还包括：集成并融合训练完成的EfficientNetV2、MaxViT和Swin TransformerV2模型，并结合专家融合算法，构建高准确度的深度学习指甲病诊断图像分类模型。
5.根据权利要求1所述的一种基于深度学习的指甲病图像智能诊断方法，其特征在于，所述步骤４还包括：使用Flask框架对图像预处理、图像分割、图像分类进行统一集成为API接口，并封装为Web系统，实现用户上传图像后，实时进行指甲病自动诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311741718.1A CN117456283A (zh) | 2023-12-18 | 2023-12-18 | 一种基于深度学习的指甲病图像智能诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311741718.1A CN117456283A (zh) | 2023-12-18 | 2023-12-18 | 一种基于深度学习的指甲病图像智能诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117456283A true CN117456283A (zh) | 2024-01-26 |
Family
ID=89595160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311741718.1A Pending CN117456283A (zh) | 2023-12-18 | 2023-12-18 | 一种基于深度学习的指甲病图像智能诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117456283A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118553429A (zh) * | 2024-07-29 | 2024-08-27 | 吉林大学 | 一种代谢性疾病的智能预测模型训练及类别预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830853A (zh) * | 2018-07-20 | 2018-11-16 | 东北大学 | 一种基于人工智能的黑色素瘤辅助诊断方法 |
| CN113012138A (zh) * | 2021-03-26 | 2021-06-22 | 华南理工大学 | 一种甲黑线皮肤镜图像分析方法及系统 |
| CN113796850A (zh) * | 2021-09-27 | 2021-12-17 | 四川大学华西医院 | 甲状旁腺mibi图像分析系统、计算机设备及存储介质 |
| CN114224289A (zh) * | 2021-12-16 | 2022-03-25 | 苏州体素信息科技有限公司 | 基于深度学习的银屑病甲图像处理方法及系统 |
| CN117058584A (zh) * | 2023-08-14 | 2023-11-14 | 中科智禾数字科技(北京)有限公司 | 一种基于深度学习的婴儿痉挛症临床发作视频识别方法 |
-
2023
- 2023-12-18 CN CN202311741718.1A patent/CN117456283A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830853A (zh) * | 2018-07-20 | 2018-11-16 | 东北大学 | 一种基于人工智能的黑色素瘤辅助诊断方法 |
| CN113012138A (zh) * | 2021-03-26 | 2021-06-22 | 华南理工大学 | 一种甲黑线皮肤镜图像分析方法及系统 |
| CN113796850A (zh) * | 2021-09-27 | 2021-12-17 | 四川大学华西医院 | 甲状旁腺mibi图像分析系统、计算机设备及存储介质 |
| CN114224289A (zh) * | 2021-12-16 | 2022-03-25 | 苏州体素信息科技有限公司 | 基于深度学习的银屑病甲图像处理方法及系统 |
| CN117058584A (zh) * | 2023-08-14 | 2023-11-14 | 中科智禾数字科技(北京)有限公司 | 一种基于深度学习的婴儿痉挛症临床发作视频识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘浩帆: ""基于深度学习图像分割的甲黑线图像智能分析系统"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 1, 15 January 2023 (2023-01-15), pages 2 - 5 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118553429A (zh) * | 2024-07-29 | 2024-08-27 | 吉林大学 | 一种代谢性疾病的智能预测模型训练及类别预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220277572A1 (en) | Artificial intelligence-based image processing method, apparatus, device, and storage medium | |
| WO2022007823A1 (zh) | 一种文本数据处理方法及装置 | |
| CN110931112B (zh) | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 | |
| Latif et al. | An automatic Arabic sign language recognition system based on deep CNN: an assistive system for the deaf and hard of hearing | |
| Li et al. | A generalized framework of feature learning enhanced convolutional neural network for pathology-image-oriented cancer diagnosis | |
| CN112950643B (zh) | 基于特征融合深监督U-Net的新冠肺炎病灶分割方法 | |
| Fan et al. | Evolutionary neural architecture search for retinal vessel segmentation | |
| CN112530584A (zh) | 一种医疗诊断辅助方法及系统 | |
| Jin et al. | Construction of retinal vessel segmentation models based on convolutional neural network | |
| CN117456283A (zh) | 一种基于深度学习的指甲病图像智能诊断方法 | |
| Puneet et al. | Optical coherence tomography image based eye disease detection using deep convolutional neural network | |
| Liu et al. | Synthesizing new retinal symptom images by multiple generative models | |
| CN116386862A (zh) | 多模态认知障碍的评估方法、装置、设备和存储介质 | |
| CN110443105A (zh) | 自体免疫抗体的免疫荧光影像型态识别方法 | |
| CN112381846A (zh) | 一种基于非对称网络的超声甲状腺结节分割方法 | |
| CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
| He et al. | SAR target recognition and unsupervised detection based on convolutional neural network | |
| Guo | CSGNet: Cascade semantic guided net for retinal vessel segmentation | |
| CN116434976A (zh) | 一种融合多源知识图谱的药物重定位方法和系统 | |
| Anandhakrishnan et al. | Identification of tomato leaf disease detection using pretrained deep convolutional neural network models | |
| Nie et al. | Recent advances in diagnosis of skin lesions using dermoscopic images based on deep learning | |
| US20240005129A1 (en) | Neural architecture and hardware accelerator search | |
| Kovalev et al. | Biomedical image recognition in pulmonology and oncology with the use of deep learning | |
| Quach et al. | Evaluation of the efficiency of the optimization algorithms for transfer learning on the rice leaf disease dataset | |
| Jegan et al. | Voice pathology detection using optimized convolutional neural networks and explainable artificial intelligence-based analysis |
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 |