CN105023023B - 一种用于计算机辅助诊断的乳腺b超图像特征自学习提取方法 - Google Patents
一种用于计算机辅助诊断的乳腺b超图像特征自学习提取方法 Download PDFInfo
- Publication number
- CN105023023B CN105023023B CN201510413836.9A CN201510413836A CN105023023B CN 105023023 B CN105023023 B CN 105023023B CN 201510413836 A CN201510413836 A CN 201510413836A CN 105023023 B CN105023023 B CN 105023023B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- breast sonography
- breast
- convolution
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法,首先基于中等规模以上的乳腺B超病灶区域图像集无监督训练出一个卷积受限玻尔兹曼机(CRBM),对于任意给定的一幅B超病灶区域图像,首先将其输入训练好的CRBM,由CRBM提取得到乳腺B超图像的初始特征;随后,利用主成分分析法(PCA)对初始特征进行降维,得到可用于计算机辅助诊断的低维乳腺B超图像特征,完成乳腺B超图像浅层特征的自学习提取。本发明采用完全无监督的形式,从已有的乳腺B超图像数据中去自学习特征,减少工作量,避免了人工干涉,该方法实现灵活,具有较强的实用性。
Description
技术领域
本发明涉及医学图像处理技术领域,特别是一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法。
背景技术
乳腺癌是发生在妇女群体中最普遍的恶性肿瘤之一。近年来,我国反癌协会调查研究显示,乳腺癌的发生比率在逐年递增。因此提高乳腺癌的早期诊断精度变得越来越有意义。
目前,乳腺癌诊断采用的主要方法是通过乳腺x射线、B超图像等影像检查,诊断者通过钙化或肿块等影像特征来对病情进行分析。但由于乳腺组织中的腺体、血管、脂肪等软组织的密度与病灶区的密度都很接近,加上诊断者视觉疲劳等因素,使得早期乳腺癌的误诊和漏诊仍时常发生。随着医学影像技术和计算机辅助技术的不断发展,利用计算机进行辅助诊断成为可能;比如利用数字图像处理技术,提取乳腺B超图像中病理相关的特征,运用SVM等机器学习方法根据这些特征对乳腺肿块良恶性进行分类识别等。
从计算机辅助诊断乳腺癌的应用现状来看,计算机辅助诊断的准确度很大程度取决于提取到B超图像病理相关特征是否有效。目前,用于计算机辅助诊断的医学图像特征提取基本上采用手工定位病灶感兴趣区域,并通过基本图像处理的方法提取的一些基础的常规特征,如:灰度直方图特征、形状特征、灰度共生矩阵特征、小波特征等。但上述方法有以下几个方面的不足:第一、上述基础常规特征的逐一提取耗时费力;第二、上述单个基础常规特征本身并非领域相关,和乳腺癌的特定应用关联度不大;第三、设计有效的可用于计算机辅助诊断乳腺癌的基础常规特征组合具有严重的不确定性。因此,最好的解决机制是提供一种可以根据以往乳腺癌B超图像自动学习出与病理有关且可用于辅助诊断的图像特征的方法。
在Honglak Lee等人发表的“Convolutional Deep Belief Networks forScalable Unsupervised Learning of Hierarchical Representations”文章中,作者利用卷积深信网对人脸图像进行特征学习,通过学习得到的特征对人脸进行识别。该实验结果表明卷积深信网可用于特征的自学习。
由此,本专利提出利用卷积受限玻尔兹曼机(CRBM)完成乳腺B超图像的特征自学习提取。
发明内容
有鉴于此,本发明的目的是提出一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法,减少工作量,避免了人工干涉,且有助于特征的病理相关性。
本发明的采用以下方案实现:一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法,具体包括以下步骤:
步骤S1:给定一个中等规模以上的乳腺B超病灶区域图像集,所述中等规模表示该图像集至少含有200幅以上的乳腺B超诊断图像;
步骤S2:手动提取步骤S1中图像集离每一张乳腺B超诊断图像的乳腺B超病灶区域图像ROI,并将全部的乳腺B超病灶区域图像ROI作为训练集的样本;其中所述乳腺B超病灶区域图像ROI的大小为150×150;
步骤S3:将训练集用于面向初始特征提取的卷积受限玻尔兹曼机CRBM的训练;
步骤S4:采用CD算法训练面向初始特征提取的卷积受限玻尔兹曼机CRBM,得到面向初始特征提取的卷积受限玻尔兹曼机CRBM的具体设置;
步骤S5:给定一幅乳腺B超病灶区域图像,将其作为面向初始特征提取的卷积受限玻尔兹曼机CRBM的输入,并从所述卷积受限玻尔兹曼机CRBM的输出层输出提取得到维度为117600维的初始特征;
步骤S6:利用主成分分析法PCA对步骤S5得到的维度为117600维的初始特征进行降维处理,得到低维的乳腺B超图像特征,其中低维表示维度为100维,该100维的乳腺B超图像特征可应用于后续计算机辅助诊断中。
进一步的,所述步骤S3中的卷积受限玻尔兹曼机CRBM包含输入层、隐层和pooling层,其中输入层为乳腺B超病灶区域图像,输出层为pooling层,pooling层每个单元的概率值表示乳腺B超病灶区域图像的初始浅层特征。
进一步的,步骤S4中所述面向初始特征提取的卷积受限玻尔兹曼机CRBM的具体设置如下:输入层大小设置为150×150,即Nv取150,输入层偏置c设为0;滤波器大小设置为10×10,即NW取10,滤波器组个数取24个,即K设置为24,卷积层特征图被分割为多个无重叠的2×2的待汇聚Bα小块,汇聚比例C取2;
给定输入层v,则卷积层,即隐层单元的条件概率为:
给定输入层v,则pooling层单元的条件概率为:
给定卷积层,即隐层h,则输入层单元的条件概率为:
其中表示由可见层传输到卷积层的信号,bk表示第k个滤波器对应的卷积层特征图偏置,该特征图上所有单元共享同一个偏置bk,Wk表示第k个滤波器的系数矩阵(卷积核),表示Wk矩阵同时纵向横向翻转,Bα表示2×2的待汇聚的小块,i,j在Bα中取值,代表行和列索引,1≤i,j≤2,hk i,j表示卷积层中第k个特征图上任意Bα小块中第i行j列的单元,1≤i,j≤2,*表示卷积操作,σ表示sigmoid函数。
较佳地,所述的CD算法训练过程具体如下:
S41:对于任意给定的一幅B超病灶区域图像(ROI),大小为150×150,首先将图像转化为灰度图像,然后图像矩阵除以255,即将图像矩阵数据范围转化为[0,1],假设处理后的图像为v;
S43:将第k个特征图各个概率单元转化为二进制形式,得到state_hk,具体如下:对于任意Bα小块,按列优先存储为一个(1,4)的向量vec,任意给定一个随机数rnd=rand(1),若则vec中第一个元素为1,其余三个元素均为0;若且(其中2≤s≤4),则vec中第s个元素为1,其余元素为0;然后将vec向量重新映射回2×2矩阵,给Bα赋值;
S45:类似步骤S42中的操作,可得到采样后的卷积层中第k个特征图neg_hk,1≤k≤24;
S46:计算梯度:
S47:更新滤波器系数和偏置:
Wk=Wk+α×dWk;
bk=bk+α×dbk;
其中α为学习率,本发明中设置为0.01,dWk表示第k个滤波器的梯度矩阵,大小为10×10,dbk表示第k个滤波器的偏置,为一个标量;size(hk,1)表示特征图hk的行数,size(hk,2)表示特征图hk的列数,*表示卷积操作,×表示普通标量乘法。hk ts表示特征图hk中第t行第j列的元素,neg_hk ts类似。
与现有技术相比,本发明采用完全无监督的形式,从已有的乳腺B超图像数据中去自学习特征,减少工作量,避免了人工干涉,该方法实现灵活,具有较强的实用性。
附图说明
图1为本发明中面向乳腺B超图像初始特征提取的卷积受限玻尔兹曼机(CRBM)结构示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,本实施例提供了一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法,具体包括以下步骤:
步骤S1:给定一个中等规模以上的乳腺B超病灶区域图像集,所述中等规模表示该图像集至少含有200幅以上的乳腺B超诊断图像;
步骤S2:手动提取步骤S1中图像集离每一张乳腺B超诊断图像的乳腺B超病灶区域图像ROI,并将全部的乳腺B超病灶区域图像ROI作为训练集的样本;其中所述乳腺B超病灶区域图像ROI的大小为150×150;
步骤S3:将训练集用于面向初始特征提取的卷积受限玻尔兹曼机CRBM的训练;
步骤S4:采用CD算法训练面向初始特征提取的卷积受限玻尔兹曼机CRBM,得到面向初始特征提取的卷积受限玻尔兹曼机CRBM的具体设置;
步骤S5:给定一幅乳腺B超病灶区域图像,将其作为面向初始特征提取的卷积受限玻尔兹曼机CRBM的输入,并从所述卷积受限玻尔兹曼机CRBM的输出层输出提取得到维度为117600维的初始特征;
步骤S6:利用主成分分析法PCA对步骤S5得到的维度为117600维的初始特征进行降维处理,得到低维的乳腺B超图像特征,其中低维表示维度为100维,该100维的乳腺B超图像特征可应用于后续计算机辅助诊断中。
在本实施例中,所述步骤S3中的卷积受限玻尔兹曼机CRBM包含输入层、隐层和pooling层,其中输入层为乳腺B超病灶区域图像,输出层为pooling层,pooling层每个单元的概率值表示乳腺B超病灶区域图像的初始浅层特征。
在本实施例中,步骤S4中所述面向初始特征提取的卷积受限玻尔兹曼机CRBM的具体设置如下:输入层大小设置为150×150,即Nv取150,输入层偏置c设为0;滤波器大小设置为10×10,即NW取10,滤波器组个数取24个,即K设置为24,卷积层特征图被分割为多个无重叠的2×2的待汇聚Bα小块,汇聚比例C取2;
给定输入层v,则卷积层,即隐层单元的条件概率为:
给定输入层v,则pooling层单元的条件概率为:
给定卷积层,即隐层h,则输入层单元的条件概率为:
其中表示由可见层传输到卷积层的信号,bk表示第k个滤波器对应的卷积层特征图偏置,该特征图上所有单元共享同一个偏置bk,Wk表示第k个滤波器的系数矩阵(卷积核),表示Wk矩阵同时纵向横向翻转,Bα表示2×2的待汇聚的小块,i,j在Bα中取值,代表行和列索引,1≤i,j≤2,hk i,j表示卷积层中第k个特征图上任意Bα小块中第i行j列的单元,1≤i,j≤2,*表示卷积操作,σ表示sigmoid函数。
较佳地,在本实施例中,所述的CD算法训练过程具体如下:
S41:对于任意给定的一幅B超病灶区域图像(ROI),大小为150×150,首先将图像转化为灰度图像,然后图像矩阵除以255,即将图像矩阵数据范围转化为[0,1],假设处理后的图像为v;
S43:将第k个特征图各个概率单元转化为二进制形式,得到state_hk,具体如下:对于任意Bα小块,按列优先存储为一个(1,4)的向量vec,任意给定一个随机数rnd=rand(1),若则vec中第一个元素为1,其余三个元素均为0;若且(其中2≤s≤4),则vec中第s个元素为1,其余元素为0;然后将vec向量重新映射回2×2矩阵,给Bα赋值;
S45:类似步骤S42中的操作,可得到采样后的卷积层中第k个特征图neg_hk,1≤k≤24;
S46:计算梯度:
S47:更新滤波器系数和偏置:
Wk=Wk+α×dWk;
bk=bk+α×dbk;
其中α为学习率,本发明中设置为0.01,dWk表示第k个滤波器的梯度矩阵,大小为10×10,dbk表示第k个滤波器的偏置,为一个标量;size(hk,1)表示特征图hk的行数,size(hk,2)表示特征图hk的列数,*表示卷积操作,×表示普通标量乘法。hk ts表示特征图hk中第t行第j列的元素,neg_hk ts类似。
以上所述仅为本发明的较佳实施例,本专利提出的特征自学习提取方法并不局限于乳腺B超图像本身,亦可扩展至其它医学图像中病理相关特征的自学习提取,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (2)
1.一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法,其特征在于包括以下步骤:
步骤S1:给定一个中等规模以上的乳腺B超病灶区域图像集,所述中等规模表示该图像集至少含有200幅以上的乳腺B超诊断图像;
步骤S2:手动提取步骤S1中图像集离每一张乳腺B超诊断图像的乳腺B超病灶区域图像ROI,并将全部的乳腺B超病灶区域图像ROI作为训练集的样本;其中所述乳腺B超病灶区域图像ROI的大小为150×150;
步骤S3:将训练集用于面向初始特征提取的卷积受限玻尔兹曼机CRBM的训练;
步骤S4:采用CD算法训练面向初始特征提取的卷积受限玻尔兹曼机CRBM,得到面向初始特征提取的卷积受限玻尔兹曼机CRBM的具体设置;
步骤S5:给定一幅乳腺B超病灶区域图像,将其作为面向初始特征提取的卷积受限玻尔兹曼机CRBM的输入,并从所述卷积受限玻尔兹曼机CRBM的输出层输出提取得到维度为117600维的初始特征;
步骤S6:利用主成分分析法PCA对步骤S5得到的维度为117600维的初始特征进行降维处理,得到低维的乳腺B超图像特征,其中低维表示维度为100维,该100维的乳腺B超图像特征可应用于后续计算机辅助诊断中;
步骤S4中所述面向初始特征提取的卷积受限玻尔兹曼机CRBM的具体设置如下:输入层大小设置为150×150,即Nv取150,输入层偏置c设为0;滤波器大小设置为10×10,即NW取10,滤波器组个数取24个,即K设置为24,卷积层特征图被分割为多个无重叠的2×2的待汇聚Bα小块,汇聚比例C取2;给定输入层v,则卷积层,即隐层单元的条件概率为:
给定输入层v,则pooling层单元的条件概率为:
给定卷积层,即隐层h,则输入层单元的条件概率为:
输入层偏置c取0;
其中表示由可见层传输到卷积层的信号,bk表示第k个滤波器对应的卷积层特征图偏置,该特征图上所有单元共享同一个偏置bk,Wk表示第k个滤波器的系数矩阵,即卷积核,表示Wk矩阵同时纵向横向翻转,Bα表示2×2的待汇聚的小块,i,j在Bα中取值,代表行和列索引,1≤i,j≤2,表示卷积层中第k个特征图上任意Bα小块中第i行j列的单元,1≤i,j≤2,*表示卷积操作,σ表示sigmoid函数,hk表示特征图。
2.根据权利要求1所述的一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法,其特征在于:所述步骤S3中的卷积受限玻尔兹曼机CRBM包含输入层、隐层和pooling层,其中输入层为乳腺B超病灶区域图像,输出层为pooling层,pooling层每个单元的概率值表示乳腺B超病灶区域图像的初始浅层特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510413836.9A CN105023023B (zh) | 2015-07-15 | 2015-07-15 | 一种用于计算机辅助诊断的乳腺b超图像特征自学习提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510413836.9A CN105023023B (zh) | 2015-07-15 | 2015-07-15 | 一种用于计算机辅助诊断的乳腺b超图像特征自学习提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105023023A CN105023023A (zh) | 2015-11-04 |
CN105023023B true CN105023023B (zh) | 2018-08-17 |
Family
ID=54412977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510413836.9A Expired - Fee Related CN105023023B (zh) | 2015-07-15 | 2015-07-15 | 一种用于计算机辅助诊断的乳腺b超图像特征自学习提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105023023B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203488B (zh) * | 2016-07-01 | 2019-09-13 | 福州大学 | 一种基于受限玻尔兹曼机的乳腺图像特征融合方法 |
CN106407992B (zh) * | 2016-09-20 | 2019-04-02 | 福建省妇幼保健院 | 一种基于堆叠降噪自编码器的乳腺超声图像特征自学习提取方法及*** |
CN106778773B (zh) * | 2016-11-23 | 2020-06-02 | 北京小米移动软件有限公司 | 图片中目标物的定位方法及装置 |
CN107133496B (zh) * | 2017-05-19 | 2020-08-25 | 浙江工业大学 | 基于流形学习与闭环深度卷积双网络模型的基因特征提取方法 |
CN109447065B (zh) * | 2018-10-16 | 2020-10-16 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
CN110555847B (zh) * | 2019-07-31 | 2021-04-02 | 瀚博半导体(上海)有限公司 | 一种基于卷积神经网络的图像处理方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136072A (zh) * | 2010-01-21 | 2011-07-27 | 索尼公司 | 学习设备、学习方法和程序 |
CN103454285A (zh) * | 2013-08-28 | 2013-12-18 | 南京师范大学 | 基于机器视觉的传动链条质量检测*** |
CN104182755A (zh) * | 2014-08-30 | 2014-12-03 | 西安电子科技大学 | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4703605B2 (ja) * | 2007-05-31 | 2011-06-15 | アイシン・エィ・ダブリュ株式会社 | 地物抽出方法、並びにそれを用いた画像認識方法及び地物データベース作成方法 |
-
2015
- 2015-07-15 CN CN201510413836.9A patent/CN105023023B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136072A (zh) * | 2010-01-21 | 2011-07-27 | 索尼公司 | 学习设备、学习方法和程序 |
CN103454285A (zh) * | 2013-08-28 | 2013-12-18 | 南京师范大学 | 基于机器视觉的传动链条质量检测*** |
CN104182755A (zh) * | 2014-08-30 | 2014-12-03 | 西安电子科技大学 | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 |
Non-Patent Citations (1)
Title |
---|
基于自学习的图像分类算法研究;贾广象;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150315(第03期);I138-2615 * |
Also Published As
Publication number | Publication date |
---|---|
CN105023023A (zh) | 2015-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105023023B (zh) | 一种用于计算机辅助诊断的乳腺b超图像特征自学习提取方法 | |
Kooi et al. | Large scale deep learning for computer aided detection of mammographic lesions | |
Guan et al. | Breast cancer detection using transfer learning in convolutional neural networks | |
Meng et al. | Liver fibrosis classification based on transfer learning and FCNet for ultrasound images | |
CN110930367B (zh) | 多模态超声影像分类方法以及乳腺癌诊断装置 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断*** | |
US20210279868A1 (en) | Medical imaging based on calibrated post contrast timing | |
WO2010117575A2 (en) | Accurate pelvic fracture detection for x-ray and ct images | |
Bhanumathi et al. | CNN based training and classification of MRI brain images | |
Aburaed et al. | Deep convolutional neural network (DCNN) for skin cancer classification | |
Sannasi Chakravarthy et al. | Multi-deep CNN based experimentations for early diagnosis of breast cancer | |
Patel | Predicting invasive ductal carcinoma using a reinforcement sample learning strategy using deep learning | |
Chen et al. | A novel convolutional neural network for kidney ultrasound images segmentation | |
Du et al. | Parameter-free similarity-aware attention module for medical image classification and segmentation | |
Ouchtati et al. | Novel method for brain tumor classification based on use of image entropy and seven Hu’s invariant moments | |
CN105957092B (zh) | 用于计算机辅助诊断的乳腺钼靶图像特征自学习提取方法 | |
WO2012130251A1 (en) | Image understanding based on fuzzy pulse - coupled neural networks | |
Dhivya et al. | GAN based data augmentation for enhanced tumor classification | |
Nedra et al. | Detection and classification of the breast abnormalities in Digital Mammograms via Linear Support Vector Machine | |
Wu et al. | Enhancement of ARFI-VTI elastography images in order to preliminary rapid screening of benign and malignant breast tumors using multilayer fractional-order machine vision classifier | |
Nayan et al. | A deep learning approach for brain tumor detection using magnetic resonance imaging | |
de Miranda Almeida et al. | Machine Learning Algorithms for Breast Cancer Detection in Mammography Images: A Comparative Study. | |
Agalya et al. | Cpro: competitive poor and rich optimizer-enabled deep learning model and holoentropy weighted-power k-means clustering for brain tumor classification using mri | |
Kouser et al. | Deep Learning-Based Segmentation Of Brain Tumor | |
Bhattacharya et al. | PY-Net: rethinking segmentation frameworks with dense pyramidal operations for optic disc and cup segmentation from retinal fundus images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180817 Termination date: 20210715 |