CN101968851B - 基于字典学习上采样的医学影像处理方法 - Google Patents
基于字典学习上采样的医学影像处理方法 Download PDFInfo
- Publication number
- CN101968851B CN101968851B CN2010102780531A CN201010278053A CN101968851B CN 101968851 B CN101968851 B CN 101968851B CN 2010102780531 A CN2010102780531 A CN 2010102780531A CN 201010278053 A CN201010278053 A CN 201010278053A CN 101968851 B CN101968851 B CN 101968851B
- Authority
- CN
- China
- Prior art keywords
- sample
- sign
- new
- samples
- weak tendency
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于字典学习上采样的医学影像处理方法,它属于图像处理技术领域。其实现过程是:输入原始医学影像;对原始医学影像进行切割与增强处理;对切割与增强处理后的医学影像提取特征;根据提取的特征得到训练样本集和测试样本集;从训练样本中找出弱势样本的边界点;根据边界点邻域的情况得到需要生成新样本的个数;利用稀疏连线取点方法生成所需的新样本;将新样本增加进训练样本集中组成新的训练样本集;对新的训练样本集进行分类诊断,得到分类器;采用分类器,对测试样本集进行诊断,得到最终诊断结果。本发明具有对医学影像诊断识别率高泛化能力强的优点,可用于医务工作者评价疾病预后和治疗效果。
Description
技术领域
本发明属于图像处理技术领域,特别是涉及医学影像处理,可用于监测疾病分布、研究发病机理及疾病辅助诊断。
背景技术
计算机科学技术的迅猛发展对医学领域产生了巨大的影响,人们试图让计算机逐渐代替人类实现自动诊断疾病等极具挑战性的工作,医学图像在临床诊断中发挥着重要的作用。自1895年伦琴发现X射线以来特别是1979年出现了计算机断层扫描CT技术,极大地推动了影像医学的发展。近三十年以来,新的影像学技术更是层出不穷。
然而,由于来源所需价值高以及个人隐私等问题,使得有病变的医学图像比正常图像较少,引起了数据不平衡问题,最终导致了医学图像识别困难。怎样有效地解决这种困难是医学图像领域中亟待解决的问题。目前,通用的方法就是利用上采样的方法,增加有病变医学图像的数据个数,改变分布,以降低数据的不平衡程度。
最原始的上采样方法是复制稀有类的样本,但是这样做对相同的数据重复学习了,耗费了时间,而且对提高稀有类识别率没有太大帮助。
较高级的上采样方法则采用一些启发式技巧,有选择地复制弱势样本,或者生成新的弱势样本。Chawla等人提出的SMOTE算法是一种简单有效的上采样方法,该方法首先为每个弱势样本随机选出几个邻近样本,并且在该样本与这些邻近的样本的连线上随机取点,生成无重复的新的弱势样本。2008年,Haibo He等人提出的ADASYN方法是对边界上的弱势样本按照自身的权重值利用SMOTE的连线取点的方法随机生成新的弱势样本。然而这些方法过多的学习了弱势样本,容易引起对弱势样本的过学习,使本身泛化能力弱,造成测试样本的总体识别率低。
发明内容
本发明的目的在于克服上述已有技术的不足,针对医学影像数据不平衡、诊断识别率低和泛化能力弱等问题,提出了一种基于字典学习上采样的医学影像处理方法,以提高医学影像诊断识别率和增强泛化能力。
为实现上述目的,本发明提供基于字典学习上采样的医学影像处理方法,包括如下步骤:
(1)输入原始医学影像;
(2)采用直方图均衡化和均方差标准化方法,对原始医学影像进行切割与增强处理;
(3)对切割与增强处理后的医学影像提取其灰度共生矩阵或Hu矩特征;定义有标识的训练样本集合T1和未标识的测试样本集合T2:
T1={(x1,u1)..(xi,ui).,(xl,ul)}
T2={v1,..bi,..vm}
其中,xi表示第i个有标识训练样本的特征,ui表示第i个有标识训练样本的标识,Vi表示第i个未标识的测试样本的特征,l为有标识训练样本的个数;m为未标识的测试样本的个数;
(4)对有标识的训练样本T1进行基于字典学习上采样的分类诊断,得到分类器C:
4a)从有标识的训练样本T1中选取出样本个数最少的一类作为弱势样本T3;
4b)找出弱势样本T3中的边界点集合B={b1,..bi,..bs},计算每个边界点bi需要生成的新样本的个数ni,其中bi表示第i个边界点,s为边界点的数量;
4c)对选取出的弱势样本T3采用KSVD的方法训练生成一个字典D;
4d)将每个边界点bi,通过稀疏连线取点方法得到ni个新样本,用这些新样本组合成新样本集合T4;
4e)将新样本集合T4加入弱势样本T3中组成当前新的弱势样本T3′;
4f)将新的弱势样本T3′与训练集中其他样本共同组成当前新的有标识的训练样本T1′;
4g)用支持向量机方法对新的有标识的训练样本T1′进行分类诊断,得到诊断后的分类器C;
(5)采用诊断后得到的分类器C,对未标识测试样本T2进行诊断,得到对未标识测试样本T2的最终诊断结果。
本发明与现有的技术相比具有以下优点:
1、本发明采用ADASYN算法中的边界点选取和SMOTE算法中的连线取点策略,结合二者的长处,提高了弱势样本的识别率;
2、本发明利用稀疏表示方法产生边界样本的虚拟点作为新增样本,克服了ADASYN算法和SMOTE算法对弱势样本的过学习问题,提高了总体识别率;
3、本发明采用所有的弱势样本进行字典学习,充分考虑了弱势样本的整体性能,增强了对医学影像处理的泛化能力。
附图说明
图1是本发明的流程图;
图2是本发明仿真采用的原始乳腺X影像图;
图3是本发明对图2进行去冗余后的乳腺X影像图;
图4是本发明对图3采用直方图均衡化和均方差标准化方法后的乳腺X影像图。
具体实施方式
参照图1,本发明基于字典学习上采样的医学影像处理方法,包括如下步骤:
步骤1:采用直方图均衡化和均方差标准化方法,对原始医学影像集中的医学影像进行切割与增强处理,得到视觉效果较好的医学影像集。
1a)输入原始医学影像,其大小为M×N,本实例选择如图2所示的原始乳腺X影像集中的一幅影像,其大小1024×1024;
1b)对输入的原始医学影像,采用计算机自动切割方法,切除其图像的背景和图像中存在的人为印记,得到切割后的乳腺X影像,如图3所示;
1c)对切割后的医学影像采用直方图均衡化和均方差标准化方法去除噪声,得到具有较好视觉效果的乳腺X影像,如图4所示。
步骤2:对切割与增强处理后的乳腺X影像进行Hu矩特征提取。
2a)在得到的视觉效果较好的乳腺X影像上,计算点(x,y)处的(p+q)阶矩mpq及(p+q)阶中心矩μpq:
式中,x表示点(x,y)的横坐标值,y表示点(x,y)的横坐标值;
M表示乳腺X影像的行高,N表示乳腺X影像的列高;
p∈{0,1,2,3},q∈{0,1,2,3},xp表示x的p次方,yq表示y的q次方;
f(x,y)表示点(x,y)处的像素值;
(xc,yc)表示视觉效果较好的乳腺X影像的重心坐标,xc为横坐标值,yc为纵坐标值;
(x-xc)p为(x-xc)的p次方,(y-yc)q为(y-yc)的q次方;
2b)根据得到的点(x,y)处的(p+q)阶矩mpq及(p+q)阶中心矩μpq,得到点(x,y)的归一化中心矩的计算公式:
2c)将2a)中p与q的值代入点(x,y)的归一化中心矩的计算公式中,得到点(x,y)的归一化中心矩η02,η03,η11,η12,η20,η21,η30;
2d)利用点(x,y)处的归一化中心矩,提取视觉效果较好的乳腺X影像的七个Hu矩特征,分别定义为φ1,φ2,…,φ7,即:
φ1=η20+η02
φ3=(η30-3η12)2+(3η21-η03)2
φ4=(η30+η12)2+(η21+η03)2
φ5=(η30-3η12)(η30+η12)φx+(η03-3η21)(η21+η03)φy
φ6=(η20-η02)[(η30+η12)2-(η03+η21)2]+4η11(η30+η12)(η03+η21)
φ7=(3η21-η03)(η30+η12)φx+(η30-3η12)(η03+η21)φy,
其中,
φx=(η30+η12)2-3(η03-3η21)2
φy=(η03+η21)2-3(η30-η12)2
步骤3:根据对视觉效果较好的乳腺X影像提取的特征,得到有标识的训练样本集T1和未标识的测试样本集T2:
T1={(xi,ui)|xi∈Rn,ui∈{-1,1},i=1,…,l}
T2={v1,..vi,..vm}
式中,xi表示第i个有标识训练样本的特征,ui表示第i个有标识训练样本的标识,vi表示第i个未标识的测试样本的特征,l为有标识训练样本的个数,m为未标识的测试样本的个数,本发明采用的乳腺X影像的诊断结果包括正常和癌症患者两类,正常的标记为-1,癌症患者标记为1。
步骤4:从有标识的训练样本T1中选取出样本个数相对较少的一类作为弱势样本集T11,另外一类做为强势样本集T12:
T11={(xi,ui)|xi∈Rn,ui∈{1,2},i=1,…l1}
T12={(xi,ui)|xi∈Rn,ui∈{1,2},i=1,…l2}
式中,l1为弱势样本集T11的样本个数,l2为强势样本集T12的样本个数,Rn为n维的实数集合。
步骤5:找出弱势样本T11中的边界点集合B,计算每个边界点B(i)需要生成的新样本的个数ni,其中i为整数,且1≤i≤s,s为边界点的数量,B和ni按如下步骤计算:
5.1)计算弱势样本集T11中所有样本的权重集合w11 w L1 :
wL1={wi|i=1,…l1} w L1 ={w i |i=1,…l 1 }:
式中,wi=numi/K,表示样本(xi,ui)对应的权重,其中,K为样本xi的邻域个数,K=5;numi代表样本xi邻域内强势样本的个数;
5.2)根据权重集合w11从弱势样本集T11中选择出边界点集合B以及它的权重集合wB:
B={(xi,ui)|0<wi<1,wi∈w11}
wB={wi|0<wi<1,wi∈w11}
其中,(xi,ui)为有标识的训练样本集T1中的第i个样本,wi为权重集合w11中的第i个权重;
5.3)将权重集合wB归一化,得到wB′:
式中,l3为边界点集合B的个数,wB为边界点集合B归一化后的权重集合;
5.4)计算每个边界点B(i)需要生成的新样本的个数ni:
ni=wB′(i)*(l2-l1)
其中,wB′(i)为wB′中的第i个元素,l1为弱势样本集T11的样本个数,l2为强势样本集T12的样本个数。
步骤6:对选取出的弱势样本T3采用KSVD的方法训练生成一个字典D。
步骤7:将每个边界点B(i),通过稀疏连线取点方法得到ni个新样本,每个新样本的生成步骤如下:
7.1)利用步骤6得到的字典D对B(i)稀疏表示得到稀疏系数α1;
7.2)随机选取B(i)近邻中的一个弱势样本,利用步骤6得到的字典D对该样本稀疏表示得到稀疏系数α2;
7.3)通过α1和α2计算所要生成新样本的稀疏系数α:
α=α1+(α2-α1)*rand
其中,rand为0到1的一个随机数;
7.4)将字典D与稀疏系数α相乘,得到所要生成的一个新样本Tnew。
步骤8:将步骤7生成的所有新样本加入弱势样本T11中组成当前新的弱势样本T11′。
步骤9:将新的弱势样本T11′与强势样本集T12共同组成当前新的有标识的训练样本T1′。
步骤10:用支持向量机方法对训练样本T1′进行分类诊断,得到诊断后的分类器。
步骤11:采用诊断后得到的分类器,对未标识测试样本T2进行诊断,得到类别标签h1,h2,...,hl(hi∈{-1,1}),若类别标签为1,诊断结果为癌变;若类别标签为-1,诊断结果为正常。
步骤12:输出未标识测试样本T2的最终诊断结果。
本发明的效果可以通过以下对乳腺X影像仿真数据进一步说明:
1.实验条件和内容
实验仿真环境为:windows XP,SPI,CPU Pentium(R)4,基本频率2.4GHZ,软件平台为Matlab7.0.4运行。仿真选用的原始乳腺X影像来源于公共数据集MIAS,共获取322幅原始乳腺X影像。
实验内容包括:分别采用复制样本的上采样方法COPY、SMOTE、ADASYN以及本发明四种方法对原始乳腺X影像进行试实验,检测患有癌症的图像。实验结果的验证中,我们列出了四种评价指标来证明本发明的优越性,分别为样本总识别率T_Ratio,小类样本识别率Recall,总的评价指标F_measure和G_mean。
为了定义这些评价指标,需要用到机器学习方法的基础评价指标——混淆矩阵,如表1所示。其中,用正类表示弱势样本,负类表示强势样本。
表1两类混淆矩阵
预测正类 | 预测反类 | |
实际正类 | TP(true positive) | FN(false negative); |
实际反类 | FP(false positive); | TN(true negative) |
在一个两类混淆矩阵中,实际为正类,预测也为正类的样本数量称为正确正类TP;实际为正类,预测为反类的称为错误反类FN;实际为反类,预测为正类的称为错误正类FP;实际为反类,预测为反类的称为正确反类TN。
利用混淆矩阵定义的四种评价指标如表2所示:
表2四种评价指标的定义
2、仿真结果
在仿真试验中,支持向量机里面的核映射方法选用的是高斯核,核参数取的是0.005。本发明的字典优化所用的是KSVD的方法。KSVD的原子个数取10,迭代次数也是10,稀疏表示误差是0.01。实验保证各种方法在同样的数据下运行。
表3为四种方法对322幅图像整体的诊断结果。其中,有癌变的图像是115副,没有癌变的正常样本是207副,不平衡度为1∶1.8。实验结果为20次实验的平均结果,每次实验都是随机采取70%的样本作为有标记的训练样本,其余的30%作为无标记的测试样本。
表3四种方法对322幅图像整体的诊断结果
Ratio | Recall | F_measure | G_mean | |
COPY | 0.48434 | 0.48727 | 0.46739 | 0.52909 |
SMOTE | 0.49219 | 0.59545 | 0.52316 | 0.55133 |
ADASYN | 0.47656 | 0.51000 | 0.47478 | 0.52506 |
D_SMOTE | 0.52344 | 0.66636 | 0.56835 | 0.59570 |
从表3可以看到,本发明在所有的评价指标中都是最优的,这充分说明本发明在处理医学图像不平衡问题上的优越性。
将处理好的医学图像平行切成4份,将得到1288副图像。根据癌变的位置,对这1288副图像标记类别,1代表有癌变的,-1代表正常的。随机去掉420副正常图像,最终得到有癌变的图像120副,正常图像748副,共968副,不平衡度为1∶6.23。四种方法对968幅图像整体的实验结果如表4所示。实验结果为20次实验的平均结果,每次实验都是随机采取50%的样本作为有标记的训练样本,其余的50%作为无标记的测试样本。
表4四种方法对968幅图像整体的实验结果
Ratio | Recall | F_measure | G_mean | |
COPY | 0.82855 | 0.49764 | 0.49688 | 0.65083 |
SMOTE | 0.81235 | 0.59516 | 0.50001 | 0.70453 |
ADASYN | 0.80210 | 0.60386 | 0.49782 | 0.70336 |
D_SMOTE | 0.90012 | 0.56518 | 0.62115 | 0.73446 |
从表4可以看到,本发明在不平衡度比较高的情况下,对弱势样本的识别率相对较差。这是因为本发明防止对弱势样本足够多的学***衡度较大时,只有对弱势样本足够大的学习与训练才能把弱势样本识别率提高上去,但是这样影响了总的识别率与分类器的泛化能力。本发明在总识别率与泛化能力上就有明显的优势。
Claims (1)
1.一种基于字典学习上采样的医学影像处理方法,包括如下步骤:
(1)输入原始医学影像;
(2)采用直方图均衡化和均方差标准化方法,对原始医学影像进行切割与增强处理;
(3)对切割与增强处理后的医学影像提取其灰度共生矩阵或Hu矩特征;定义有标识的训练样本集合T1和未标识的测试样本集合T2:
T1={(x1,u1)..(xi,ui).,(xl,ul)}
T2={v1,..vi,..vm}
其中,xi表示第i个有标识训练样本的特征,ui表示第i个有标识训练样本的标识,vi表示第i个未标识的测试样本的特征,l为有标识训练样本的个数,m为未标识的测试样本的个数;
(4)对有标识的训练样本T1进行基于字典学习上采样的分类诊断,得到分类器C:
4a)从有标识的训练样本T1中选取出样本个数最少的一类作为弱势样本T3;
4b)找出弱势样本T3中的边界点集合B={b1,..bi,..bs},计算每个边界点bi需要生成的新样本的个数ni,其中bi表示第i个边界点,s为边界点的数量:
4b1)计算弱势样本集T3中所有样本的权重集合wL1:
wL1={wi|i=1,…l1}
式中,l1为弱势样本集T3的个数,wi=numi/K,表示样本(xi,ui)对应的权重,
其中,K为样本(xi,ui)的邻域个数,K=5;numi代表样本(xi,ui)邻域内强势样本的个数;
4b2)根据权重集合wL1从弱势样本集T3中选择出边界点集合B以及边界点的权重集合wB:
B={b1,..bi,..bs}
4b3)将权重集合wB归一化,得到wB′:
其中,wB′为边界点集合B归一化后的权重集合;
4b4)计算每个边界点bi需要生成的新样本的个数:
ni=wB′(i)*(l2-l1)
其中,wB′(i)为wB′中的第i个元素,l2为训练样本集合T1中除弱势样本集T3之外的其他样本的个数;
4c)对选取出的弱势样本T3采用KSVD的方法训练生成一个字典D;
4d)将每个边界点bi,通过稀疏连线取点方法得到ni个新样本,用这些新样本组合成新样本集合T4:
4d1)利用步骤4c)得到的字典D对bi稀疏表示得到稀疏系数α1;
4d2)随机选取bi近邻中的一个弱势样本,利用步骤4c)得到的字典D对该样本稀疏表示得到稀疏系数α2;
4d3)通过α1和α2计算所要生成新样本的稀疏系数α:
α=α1+(α2-α1)*rand
其中,rand为0到1的一个随机数;
4d4)将字典D与稀疏系数α相乘,得到所要生成的一个新样本Tnew;
4e)将新样本集合T4加入弱势样本T3中组成当前新的弱势样本T3′;
4f)将新的弱势样本T3′与训练样本集合T1中除弱势样本集T3之外的其他样本共同组成当前新的有标识的训练样本T1′;
4g)用支持向量机方法对新的有标识的训练样本T1′进行分类诊断,得到诊断后的分类器C;
(5)采用诊断后得到的分类器C,对未标识测试样本T2进行诊断,得到对未标识测试样本T2的最终诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102780531A CN101968851B (zh) | 2010-09-09 | 2010-09-09 | 基于字典学习上采样的医学影像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102780531A CN101968851B (zh) | 2010-09-09 | 2010-09-09 | 基于字典学习上采样的医学影像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101968851A CN101968851A (zh) | 2011-02-09 |
CN101968851B true CN101968851B (zh) | 2012-08-08 |
Family
ID=43548002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102780531A Expired - Fee Related CN101968851B (zh) | 2010-09-09 | 2010-09-09 | 基于字典学习上采样的医学影像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101968851B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632162B (zh) * | 2013-09-06 | 2017-05-03 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种疾病相关的心电图特征选择方法 |
US10291813B2 (en) * | 2015-04-23 | 2019-05-14 | Google Llc | Sheet generator for image processor |
CN104866713B (zh) * | 2015-05-12 | 2018-02-13 | 南京霁云信息科技有限公司 | 基于增量局部鉴别子空间嵌入的川崎病和发烧诊断*** |
CN107133190A (zh) * | 2016-02-29 | 2017-09-05 | 阿里巴巴集团控股有限公司 | 一种机器学习***的训练方法和训练*** |
CN108399378B (zh) * | 2018-02-08 | 2021-08-06 | 北京理工雷科电子信息技术有限公司 | 一种基于vgg深度卷积网络的自然场景图像识别方法 |
CN112101464B (zh) * | 2020-09-17 | 2024-03-15 | 西安锐思数智科技股份有限公司 | 基于深度学习的影像样本数据的获取方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101138007A (zh) * | 2005-01-07 | 2008-03-05 | 索尼株式会社 | 图像处理***、学习设备及方法和程序 |
CN101246596A (zh) * | 2007-01-24 | 2008-08-20 | 三星电子株式会社 | 在文本图像编码和解码***中匹配符号的设备和方法 |
-
2010
- 2010-09-09 CN CN2010102780531A patent/CN101968851B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101138007A (zh) * | 2005-01-07 | 2008-03-05 | 索尼株式会社 | 图像处理***、学习设备及方法和程序 |
CN101246596A (zh) * | 2007-01-24 | 2008-08-20 | 三星电子株式会社 | 在文本图像编码和解码***中匹配符号的设备和方法 |
Non-Patent Citations (1)
Title |
---|
缑水平等.基于免疫克隆与核匹配追踪的快速图像目标识别.《电子与信息学报》.2008,第30卷(第5期),1104-1108. * |
Also Published As
Publication number | Publication date |
---|---|
CN101968851A (zh) | 2011-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Automatically discriminating and localizing COVID-19 from community-acquired pneumonia on chest X-rays | |
CN101968851B (zh) | 基于字典学习上采样的医学影像处理方法 | |
Lu et al. | Hybrid detection of lung nodules on CT scan images | |
CN106056595A (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 | |
CN105760874A (zh) | 面向尘肺的ct图像处理***及其ct图像处理方法 | |
Li et al. | Benign and malignant mammographic image classification based on convolutional neural networks | |
CN111986177A (zh) | 一种基于注意力卷积神经网络的胸部肋骨骨折检测方法 | |
US20210233240A1 (en) | Device and method for detecting clinically important objects in medical images with distance-based decision stratification | |
CN113095382A (zh) | 基于ct图像的可解释性肺结核分类网络识别方法 | |
Li et al. | Automatic quantification of epicardial adipose tissue volume | |
Zhang et al. | CdcSegNet: automatic COVID-19 infection segmentation from CT images | |
Das et al. | Inception-based deep learning architecture for tuberculosis screening using chest X-rays | |
Seibold et al. | Accurate fine-grained segmentation of human anatomy in radiographs via volumetric pseudo-labeling | |
CN107463964A (zh) | 一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置 | |
Xue et al. | Region-of-interest aware 3D ResNet for classification of COVID-19 chest computerised tomography scans | |
CN115330600A (zh) | 一种基于改进srgan的肺部ct图像超分辨率方法 | |
Shi et al. | Darnet: Dual-attention residual network for automatic diagnosis of covid-19 via ct images | |
Wu et al. | Automatic segmentation of ultrasound tomography image | |
Mathina Kani et al. | Classification of skin lesion images using modified Inception V3 model with transfer learning and augmentation techniques | |
CN114649092A (zh) | 基于半监督学习和多尺度特征融合的辅助诊断方法及装置 | |
CN114298957A (zh) | 一种乳腺钼靶图像病灶的分类方法、***及存储介质 | |
Essaf et al. | Review on deep learning methods used for computer-aided lung cancer detection and diagnosis | |
Ren et al. | Feature Patch Based Attention Model for Dental Caries Classification | |
CN111899212A (zh) | 一种肺结节ct图像检测方法和*** | |
Xiong et al. | Deep Ensemble Learning Network for Kidney Lesion Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120808 Termination date: 20180909 |
|
CF01 | Termination of patent right due to non-payment of annual fee |