TW202238511A - 影像相關的檢測方法及檢測裝置 - Google Patents
影像相關的檢測方法及檢測裝置 Download PDFInfo
- Publication number
- TW202238511A TW202238511A TW110109981A TW110109981A TW202238511A TW 202238511 A TW202238511 A TW 202238511A TW 110109981 A TW110109981 A TW 110109981A TW 110109981 A TW110109981 A TW 110109981A TW 202238511 A TW202238511 A TW 202238511A
- Authority
- TW
- Taiwan
- Prior art keywords
- layer
- neurons
- classifier
- image
- neural network
- Prior art date
Links
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
-
- 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
- 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
- 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
- G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Ophthalmology & Optometry (AREA)
Abstract
本發明實施例提出一種影像相關的檢測方法及檢測裝置。檢測方法包下列步驟:對待評估影像執行特徵擷取,以取得特徵圖。透過分類器對特徵圖檢測,以取得分類結果。分類器是經深度神經網路架構所訓練。深度神經網路架構包括修改型連接層。修改型連接層的神經元數量由其輸入層至其輸出層連續減少。藉此,可提升準確度及效率。
Description
本發明是有關於一種影像辨識技術,且特別是有關於一種影像相關的檢測方法及檢測裝置。
醫療影像是針對生物體的特定部位拍攝所得的影像,且這些影像可用於評估罹患疾病的風險或疾病的嚴重程度。例如,透過眼底(fundoscopic)攝影檢查,可及早發現諸如視網膜病變、青光眼、黃斑部病或其他病變。一般而言,多數醫生都是透過人工判斷醫療影像上的病灶。雖然現今可透過電腦輔助評估醫療影像,但諸如效率、複雜度及準確度等指標仍有待突破。
有鑑於此,本發明實施例提供一種影像相關的檢測方法及檢測裝置,藉助於神經網路(Neural Network,NN)架構並加以改進,以提升檢測效率及準確度。
本發明實施例的檢測方法適用於醫療影像,且檢測方法包括(但不僅限於)下列步驟:對待評估影像執行特徵擷取,以取得特徵圖(feature map)。透過分類器對特徵圖檢測,以取得分類結果。分類器是經深度神經網路(Deep Neural Network,DNN)架構所訓練。深度神經網路架構包括修改型連接(connected)層。修改型連接層的神經元(Neuron)數量由其輸入層至其輸出層連續減少。
本發明實施例的檢測裝置適用於醫療影像。檢測裝置包括(但不僅限於)儲存器及處理器。儲存器儲存程式碼。處理器耦接儲存器。處理器載入且執行程式碼以經配置用以對待評估影像執行特徵擷取以取得特徵圖,並透過分類器對特徵圖檢測已取得分類結果。分類器是經深度神經網路架構所訓練。深度神經網路架構包括修改型連接層。修改型連接層的神經元數量由其輸入層至其輸出層連續減少。
基於上述,依據本發明實施例的影像相關的檢測方法及檢測裝置,利用連續減少通道式的深度神經網路架構來推論(inference)影像所對應的類別。藉此,可過濾雜訊,提升效率,並改進推論的準確度。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
圖1是依據本發明一實施例的檢測裝置100的元件方塊圖。請參照圖1,檢測裝置100包括(但不僅限於)儲存器110及處理器130。檢測裝置100可以是桌上型電腦、筆記型電腦、智慧型手機、平板電腦、伺服器、醫療檢測儀器或其他運算裝置。
儲存器110可以是任何型態的固定或可移動隨機存取記憶體(Radom Access Memory,RAM)、唯讀記憶體(Read Only Memory,ROM)、快閃記憶體(flash memory)、傳統硬碟(Hard Disk Drive,HDD)、固態硬碟(Solid-State Drive,SSD)或類似元件。在一實施例中,儲存器110用以記錄程式碼、軟體模組、組態配置、資料(例如,影像、特徵圖(feature map)、神經網路參數、神經網路(Neural Network,NN)模組等)或檔案,並待後文詳述其實施例。
處理器130耦接儲存器110,處理器130並可以是中央處理單元(Central Processing Unit,CPU)、圖形處理單元(Graphic Processing unit,GPU),或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位信號處理器(Digital Signal Processor,DSP)、可程式化控制器、現場可程式化邏輯閘陣列(Field Programmable Gate Array,FPGA)、特殊應用積體電路(Application-Specific Integrated Circuit,ASIC)、神經網路加速器或其他類似元件或上述元件的組合。在一實施例中,處理器130用以執行檢測裝置100的所有或部份作業,且可載入並執行儲存器110所儲存的各程式碼、軟體模組、檔案及資料。
下文中,將搭配檢測裝置100中的各項裝置、元件及模組說明本發明實施例所述之方法。本方法的各個流程可依照實施情形而隨之調整,且並不僅限於此。
圖2是依據本發明一實施例的檢測方法的流程圖。請參照圖2,處理器130可對待評估影像執行特徵擷取,以取得一張或更多張特徵圖(feature map)(步驟S210)。具體而言,待評估影像可以是醫療影像、監視畫面、或其他類型的影像。待評估影像是針對一個或多個主體拍攝所得。依據不同設計需求,待評估影像的類型、主體及/或內容可能不同。例如,待評估影像是針對眼底(fundoscopic)攝影的醫療影像(即,眼底圖)。又例如,待評估影像是胸腔超音波影像。再例如,待評估影像是出入口的監視畫面。
另一方面,特徵提取(Feature Extraction)可應用在諸如機器學習(machine learning)、模式辨識、影像處理或其他技術領域。特徵提取是對初始測量測/收集/擷取的資料樣本建構出包括資訊性而且不冗餘的衍生值(或稱為特徵值(feature))。特徵提取可輔助後續的學習及規則歸納過程,且可對初始的資料樣本有更佳的詮釋。換句而言,特徵提取可對輸入資料簡化成特徵集合(可被視為重要或有用資訊),並直接使用特徵集合來執行後續任務(例如,模型訓練、成分分析、物件檢測等)。例如,針對影像的特徵提取,可取得諸如邊緣、角、尺度不變特徵轉換(Scale-Invariant Feature Transform,SIFT)、曲率、形狀等特徵。
在一實施例中,處理器130可透過人工神經網路(Artificial Neural Network,ANN)對待評估影像執行特徵擷取。例如,處理器130可使用啟動(Inception)任一版模型(例如,Inception第四版(v4))、殘差神經網路(Residual Neural Network,ResNet)、GoogLeNet、視覺幾何群組(Visual Geometry Group,VGG)、其變化版本或其他影像相關網路執行特徵擷取。
以Inception v4模型為例,圖3是依據本發明一實施例的Inception v4模型的流程圖。請參照圖3,下文中的各模組可透過處理器130執行。輸入模型310輸入待評估影像。主幹(stem)模組320使用Inception第三版(v3)使用中的並行結構、以及不對稱卷積核(convolution kernel)結構。Inception(起始)-A模組330、Inception-B模組350及Inception-C模組370也是分別透過不同的並行且不對稱卷積核結構擷取特徵。降低(reduction)-A模組340及降低-B模組360可降低特徵圖(feature map)的尺寸。平均池化模組380對特徵圖中的數個區域內的相鄰特徵點平均。丟棄(dropout)模組390在學習階段忽略部分神經元(Neuron)。而激勵模組395使用激勵函數(例如,Softmax、Sigmoid或線性整流函式(ReLU))導入非線性關係。
在其他實施例中,處理器130可使用諸如方向梯度直方圖(Histogram of Oriented Gradient,HOG)、Harr、加速穩健特徵(Speeded Up Robust Features,SURF)或其他特徵擷取演算法對待評估影像執行特徵擷取。
在一實施例中,特徵圖是透過卷積核/過濾器進行卷積求和後的輸出。在另一實施例中,特徵圖是將特徵擷取演算法所得之特徵集合/向量以二維圖片形式記錄所得的。
處理器130可透過分類器對一張或更多張特徵圖檢測,以取得分類結果(步驟S230)。具體而言,分類器是經深度神經網路(Deep Neural Network,DNN)架構所訓練。深度神經網路是以人工神經網路為主要架構。這深度神經網路架構包括修改型連接(connected)層。修改型連接層包括輸入層、隱藏層及輸出層。深度神經網路是由一個多層神經元(Neuron)結構組成,每一層神經元經組態有輸入(例如,前一層神經元的輸出)及輸出。隱藏層的任一層中的神經元是對輸入向量與權重向量內積並經過非線性傳遞函式而輸出純量結果。分類器的學習階段將訓練並決定前述權重向量,而分類器的推論階段使用已決定的權重向量得出分類結果。分類結果相關於待評估影像所屬的一個或更多個類型或標籤。
在本發明實施例中,修改型連接層的神經元數量由其輸入層至其輸出層連續減少(即,連續減少通道)。假設修改型連接層包括M層隱藏層,則第j+1層隱藏層的神經元數量小於第j層的神經元數量,M為大於1的正整數,且j為1至M之間的正整數。換句而言,由輸入層至輸出層,下一層神經元的數量皆小於上一層神經元的數量。
舉例而言,圖4A是依據本發明一實施例的修改型連接層的示意圖。請參照圖4A,此修改型連接層CL1包括三層,其第一層L1-1包括四個神經元,第二層L1-2包括三個神經元,且第三層L1-3包括兩個神經元。
在一實施例中,修改型連接層包括O層隱藏層,第k層隱藏層的神經元數量為第k+1層隱藏層的神經元數量的整數倍,O為大於1的正整數,且k為1至O之間的正整數。整數倍可以是2倍、4倍、8倍、或倍數。
舉例而言,圖4B是依據本發明另一實施例的修改型連接層的示意圖。請參照圖4B,此修改型連接層CL2包括N層,第i層的神經元數量為第i+1層的神經元數量的整數倍,N為大於1的正整數,且i為1至N之間的正整數。例如,作為第一層的輸入層L2-1包括1024個神經元,作為第二層的隱藏層L2-2包括512個神經元。依此類推,作為第N-1層的隱藏層L2-(N-1)包括2個神經元。而作為第N層的輸出層L2-N包括1個神經元。
在另一實施例中,修改型連接層的神經元數量由其輸入層至其輸出層依序遞減。例如,第一層包括8個神經元,第二層包括6個神經元,其餘依此類推。
又一實施例中,神經元的減少數量不固定。例如,第一層包括10個神經元,第二層包括7個神經元,且第三層包括2個神經元。
須說明的是,修改型連接層的層數及各層的神經元數量仍可依據實際需求而變動。
在一實施例中,處理器130對分類器的學習階段及推論階段啟用修改型連接層中的所有神經元。具體而言,如圖3所示,現有Inception v4透過丟棄模組390在學習階段隨機關閉神經元,以降低擬合過度(overfitting)的可能。而本發明實施例可透過連續減少通道的深度神經網路架構(即,修改型連接層)取代丟棄模組390(即,禁能丟棄行為)(也可能一併取消激勵模組395),以達成雜訊過濾並可降低維度。換句而言,分類器的學習階段及推論階段經配置為修改型連接層中的所有神經元皆啟用,而不會隨機關閉神經元。
在一實施例中,修改型連接層的輸出層的神經元數量為一,分類結果包括一個數值,且此數值對應於數個類型(或稱標籤)中的一者。這些類型是分類器可輸出的結果。以老年性黃斑部為例,數值在一個範圍內,此範圍切分成四個區段,且各區段對應到某一級嚴重程度。
在另一實施例中,修改型連接層的輸出層包括多個神經元,且輸出層中的各神經元代表經檢測為對應類型的機率或可能。
在一實施例中,分類器包括數個子分類器,且這些子分類器是使用相同的訓練資料所訓練。各子分類器的架構相同並皆包括前述修改型連接層。即便使用相同的訓練資料,兩相同架構的子分類器仍可能得出不同權重參數。處理器130可依據那些子分類器的輸出決定分類結果。例如,子分類器的分類結果皆為數值,則處理器130可將這些子分類器的分類結果的平均值、最高值、中位數或其他代表值作為分類器的分類結果。
圖5是依據本發明一實施例的總體(emsemble)的示意圖。請參照圖5,兩子分類器SC1、SC2分別對相同特徵圖檢測,並將輸出的兩筆分類結果進行綜合評斷(步驟S501)。綜合評斷例如是算術平均、加權平均或其他數學式。
在一實施例中,處理器130所用的子分類器是事先經過挑選的。這些受選的子分類器在測試資料集與訓練資料集都有較佳或最佳的結果(例如,接近或相同實際結果),且未受選的子分類器在測試資料集與訓練資料集都有較差或最差的結果(例如,遠離實際結果)。
綜上所述,在本發明實施例的影像相關的檢測方法及檢測裝置中,使用通道連續減少的修改型連接層,以過濾雜質並提升效率。此外,可綜合評斷多個子分類器的分類結果,並據以得出最終分類結果。藉此,可提升靈敏度(sensitivity)及特異度(specificity)。若應用於醫療影像檢測,則可助於醫生或民眾快速得出檢測結果,以節省大量檢測時間。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:檢測裝置
110:儲存器
130:處理器
S210~S230、S501:步驟
310:輸入模組
320:主幹模組
330:起始-A模組
340:降低-A模組
350:起始-B模組
360:降低-B模組
370:起始-C模組
380:平均池化模組
390:丟棄模組
395:激勵模組
CL1、CL2:修改型連接層
L1-1:第一層
L1-2:第二層
L1-3:第三層
L2-1:輸入層
L2-2、L2(N-1):隱藏層
L2-N:輸出層
SC1、SC2:子分類器
圖1是依據本發明一實施例的檢測裝置的元件方塊圖。
圖2是依據本發明一實施例的檢測方法的流程圖。
圖3是依據本發明一實施例的起始(Inception)第四版模型的流程圖。
圖4A是依據本發明一實施例的修改型連接層的示意圖。
圖4B是依據本發明另一實施例的修改型連接層的示意圖。
圖5是依據本發明一實施例的總體(emsemble)的示意圖。
S210~S230:步驟
Claims (12)
- 一種檢測方法,適用於一醫療影像,包括: 對一待評估影像執行一特徵擷取,以取得至少一特徵圖(feature map);以及 透過一分類器對該至少一特徵圖檢測,以取得一分類結果,其中該分類器是經一深度神經網路(Deep Neural Network,DNN)架構所訓練,該深度神經網路架構包括一修改型連接(connected)層,且該修改型連接層的神經元(Neuron)數量由其輸入層至其輸出層連續減少。
- 如請求項1所述的檢測方法,其中透過該分類器對該至少一特徵圖檢測的步驟包括: 對該分類器的學習階段及推論(inference)階段啟用該修改型連接層中的所有神經元。
- 如請求項1所述的檢測方法,其中該修改型連接層包括O層隱藏層,一第k層隱藏層的神經元數量為一第k+1層隱藏層的神經元數量的整數倍,O為大於1的正整數,且k為1至O之間的正整數。
- 如請求項1所述的檢測方法,其中透過該分類器對該至少一特徵圖檢測的步驟包括: 將該修改型連接層的輸出層的神經元數量配置為一,該分類結果包括一數值,且該數值對應於多個類型中的一者。
- 如請求項1所述的檢測方法,其中該醫療影像是針對眼底(fundoscopic)攝影,且對該待評估影像執行該特徵擷取的步驟包括: 透過一起始(Inception)模型執行該特徵擷取。
- 如請求項1所述的檢測方法,其中該分類器包括多個子分類器,該些子分類器是使用相同的訓練資料所訓練,且透過該分類器對該至少一特徵圖檢測的步驟包括: 依據該些子分類器的輸出決定該分類結果。
- 一種檢測裝置,適用於一醫療影像,包括: 一儲存器,儲存一程式碼;以及 一處理器,耦接該儲存器,載入且執行該程式碼以經配置用以: 對一待評估影像執行一特徵擷取,以取得至少一特徵圖;以及 透過一分類器對該至少一特徵圖檢測,以取得一分類結果,其中該分類器是經一深度神經網路架構所訓練,該深度神經網路架構包括一修改型連接層,且該修改型連接層的神經元數量由其輸入層至其輸出層連續減少。
- 如請求項7所述的檢測裝置,其中該分類器的學習階段及推論階段經配置為該修改型連接層中的所有神經元皆啟用。
- 如請求項7所述的檢測裝置,其中該修改型連接層包括O層隱藏層,一第k層隱藏層的神經元數量為一第k+1層隱藏層的神經元數量的整數倍,O為大於1的正整數,且k為1至O之間的正整數。
- 如請求項7所述的檢測裝置,其中該修改型連接層的輸出層的神經元數量為一,該分類結果包括一數值,且該數值對應於多個類型中的一者。
- 如請求項7所述的檢測裝置,其中該醫療影像是針對眼底攝影,且該處理器更經配置用以: 透過起始模型執行該特徵擷取。
- 如請求項7所述的檢測裝置,其中該分類器包括多個子分類器,該些子分類器是使用相同的訓練資料所訓練,且該處理器更經配置用以: 依據該些子分類器的輸出決定該分類結果。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110109981A TWI790572B (zh) | 2021-03-19 | 2021-03-19 | 影像相關的檢測方法及檢測裝置 |
CN202110426822.6A CN115115569A (zh) | 2021-03-19 | 2021-04-20 | 图像相关的检测方法及检测装置 |
US17/354,837 US20220301153A1 (en) | 2021-03-19 | 2021-06-22 | Diabetic retinopathy detection using machine learning |
EP21193963.2A EP4060625A1 (en) | 2021-03-19 | 2021-08-31 | Detecting method and detecting apparatus related to image |
JP2021142738A JP2022145429A (ja) | 2021-03-19 | 2021-09-01 | 画像関連の検出方法及び検出装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110109981A TWI790572B (zh) | 2021-03-19 | 2021-03-19 | 影像相關的檢測方法及檢測裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202238511A true TW202238511A (zh) | 2022-10-01 |
TWI790572B TWI790572B (zh) | 2023-01-21 |
Family
ID=77563958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110109981A TWI790572B (zh) | 2021-03-19 | 2021-03-19 | 影像相關的檢測方法及檢測裝置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220301153A1 (zh) |
EP (1) | EP4060625A1 (zh) |
JP (1) | JP2022145429A (zh) |
CN (1) | CN115115569A (zh) |
TW (1) | TWI790572B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102414994B1 (ko) * | 2020-06-05 | 2022-06-30 | 자이메드 주식회사 | 안저영상을 이용한 혈관질환 예측 지원방법 및 지원장치, 이를 포함하는 시스템 |
CN117854139B (zh) * | 2024-03-07 | 2024-05-28 | 中国人民解放军总医院第三医学中心 | 基于稀疏选择的开角型青光眼识别方法、介质及系统 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004535569A (ja) * | 2001-04-09 | 2004-11-25 | ライフスパン バイオサイエンシズ インコーポレイテッド | 有機体物質の画像パターン認識のためのコンピュータ手法 |
BR112019010225A8 (pt) * | 2016-11-22 | 2023-04-04 | Hyperfine Res Inc | Sistemas e métodos para detecção automatizada em imagens de ressonância magnética |
US10963737B2 (en) * | 2017-08-01 | 2021-03-30 | Retina-Al Health, Inc. | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
JP7029981B2 (ja) * | 2018-03-01 | 2022-03-04 | 国立大学法人北海道大学 | 汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置 |
US20210133474A1 (en) * | 2018-05-18 | 2021-05-06 | Nec Corporation | Image processing apparatus, system, method, and non-transitory computer readable medium storing program |
JP2019211913A (ja) * | 2018-06-01 | 2019-12-12 | 日本電信電話株式会社 | 特徴量抽出装置、方法、及びプログラム |
TWI696145B (zh) * | 2018-06-01 | 2020-06-11 | 國立臺灣大學 | 大腸鏡影像電腦輔助辨識系統及方法 |
US20210225511A1 (en) * | 2018-06-18 | 2021-07-22 | Google Llc | Method and system for improving cancer detection using deep learning |
WO2020020809A1 (en) * | 2018-07-26 | 2020-01-30 | Koninklijke Philips N.V. | Ultrasound system with an artificial neural network for guided liver imaging |
JP7341874B2 (ja) * | 2018-12-26 | 2023-09-11 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
FR3104934B1 (fr) * | 2019-12-18 | 2023-04-07 | Quantum Surgical | Méthode de planification automatique d’une trajectoire pour une intervention médicale |
CN111798464A (zh) * | 2020-06-30 | 2020-10-20 | 天津深析智能科技有限公司 | 基于深度学习的淋巴瘤病理图像智能识别方法 |
JP7460851B2 (ja) * | 2020-08-24 | 2024-04-02 | ベンタナ メディカル システムズ, インコーポレイテッド | Few-Shot学習を使用した組織染色パターンおよびアーチファクト分類 |
CN112418329B (zh) * | 2020-11-25 | 2022-08-05 | 武汉大学 | 一种基于多尺度纹理特征融合宫颈oct图像分类方法及系统 |
-
2021
- 2021-03-19 TW TW110109981A patent/TWI790572B/zh active
- 2021-04-20 CN CN202110426822.6A patent/CN115115569A/zh active Pending
- 2021-06-22 US US17/354,837 patent/US20220301153A1/en active Pending
- 2021-08-31 EP EP21193963.2A patent/EP4060625A1/en active Pending
- 2021-09-01 JP JP2021142738A patent/JP2022145429A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2022145429A (ja) | 2022-10-04 |
TWI790572B (zh) | 2023-01-21 |
CN115115569A (zh) | 2022-09-27 |
US20220301153A1 (en) | 2022-09-22 |
EP4060625A1 (en) | 2022-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sethy et al. | Deep feature based rice leaf disease identification using support vector machine | |
Nawaz et al. | A deep feature-based real-time system for Alzheimer disease stage detection | |
Liu et al. | A two-dimensional sparse matrix profile DenseNet for COVID-19 diagnosis using chest CT images | |
Liu et al. | Fine-tuning pre-trained convolutional neural networks for gastric precancerous disease classification on magnification narrow-band imaging images | |
Karasawa et al. | Deep 3d convolutional neural network architectures for alzheimer’s disease diagnosis | |
TWI790572B (zh) | 影像相關的檢測方法及檢測裝置 | |
Elangovan et al. | A novel shallow convnet-18 for malaria parasite detection in thin blood smear images: Cnn based malaria parasite detection | |
Mamun et al. | Deep Learning Based Model for Alzheimer's Disease Detection Using Brain MRI Images | |
Setiawan et al. | Classification of neovascularization using convolutional neural network model | |
Gaikwad et al. | Brain tumor detection: An application based on machine learning | |
Abid et al. | Multi-modal medical image classification using deep residual network and genetic algorithm | |
Guhan et al. | Automated system for classification of COVID-19 infection from lung CT images based on machine learning and deep learning techniques | |
Tavana et al. | Classification of spinal curvature types using radiography images: deep learning versus classical methods | |
Mulani et al. | Deep learning based detection of dermatological diseases using convolutional neural networks and decision trees | |
Lafraxo et al. | Computer-aided system for bleeding detection in wce images based on cnn-gru network | |
Ali et al. | COVID-19 pneumonia level detection using deep learning algorithm and transfer learning | |
Khalaf et al. | Coronavirus Disease (COVID-19) detection using deep features learning | |
Irsyad et al. | Detection of COVID-19 from Chest CT Images Using Deep Transfer Learning | |
Rajendiran et al. | Machine Learning based Detection of Alzheimer’s disease in MRI images | |
Mohammed et al. | The diagnosis of COVID-19 in CT images using hybrid machine learning approaches (CNN & SVM) | |
Yaman et al. | Application of novel DIRF feature selection algorithm for automated brain disease detection | |
Sunyoto et al. | The Performance Evaluation of Transfer Learning VGG16 Algorithm on Various Chest X-ray Imaging Datasets for COVID-19 Classification | |
Janbi et al. | Comparing ML and DL approaches to diagnosis COVID-19 from CCGAN augmented CTX dataset | |
Farahat et al. | CAD system for intelligent grading of COVID-19 severity with green computing and low carbon footprint analysis | |
AV et al. | CNN-MOBILENETV2-DEEP LEARNING-BASED ALZHEIMER’S DISEASE PREDICTION AND CLASSIFICATION |