CN107564580A - 基于集成学习的胃镜图像辅助处理***及方法 - Google Patents
基于集成学习的胃镜图像辅助处理***及方法 Download PDFInfo
- Publication number
- CN107564580A CN107564580A CN201710811399.5A CN201710811399A CN107564580A CN 107564580 A CN107564580 A CN 107564580A CN 201710811399 A CN201710811399 A CN 201710811399A CN 107564580 A CN107564580 A CN 107564580A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- module
- image
- view data
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于集成学习的胃镜图像辅助处理***及方法,所述***包括图像采集模块、数据预处理模块、神经网络训练模块以及集成学习模块,通过数据预处理模块对图像数据实现筛选、数据分类、扩充等过程的优化,神经网络训练模块实现对所采用的卷积神经网络模型的扩充,同时通过集成学习模块提供一种将所产生的不同分类器进行整合的方法,旨在得到最终决策分类器,以提高分类器的整体性能,从而在敏感性、特异性、漏诊率、误诊率四个指标上到达临床辅助诊疗的要求,所述方法有效提高识别效率及准确度,真正起到辅助诊疗的作用。
Description
技术领域
本发明涉及内窥镜图像识别领域,具体涉及一种基于集成学习的胃镜图像辅助处理***及方法。
背景技术
随着内窥镜技术的进步,近年来开发出了多种图像诊断***或方法,它们作为对瘤的筛选、质变诊断方法在临床上具有重要意义,很多医生曾实施过消化道内窥镜检查,但是多数诊断会受到观察者的感性、经验的影响,于是,就需要一种对症状进行定量性评价以作为“二次诊断”来辅助医生进行诊断。比如,申请公布号为【CN105979847A】的发明专利公开一种内窥镜图像诊断辅助***,以辅助识别内窥镜图像中的识别对象区域中的病理类型;申请公布号为【CN104463182A】的发明专利公开一种基于关键点检测的NBI胃镜图像处理方法,在保证灵敏度(真阳性检出率)的同时,具有较低的假阳性检出率,由此来辅助医生进行胃镜诊断,以提高辅助诊疗识别的目的。
总之,从现有技术可以了解到,现有的胃镜或内窥镜图像辅助诊断方法大都是简单的利用卷积神经网络训练模型,经过验证后将符合标准的训练结果用于辅助诊断。由于以下原因,其实际应用过程并不理想:1)在训练过程中,仅仅是将数据集随机的分为训练集、验证集、测试集进行训练,而没有考虑到训练集对结果的影响,因为不同的训练集对神经网络的训练结果有着决定性的影响,并且没有对数据进行二次处理,也会导致训练结果存在局限性;2)采用单个CNN分类器,由于CNN(卷积神经网络)有多种网络结构,若仅仅采用其中的一种训练,则单个CNN分类器势必会在敏感性、特异性、漏诊率、误诊率等指标上难以到达临床辅助诊疗的要求,进而诊断辅助***的实际应用效果也会降低,难以给医生提供准确的病灶信息。
考虑到相同的训练集在不同的网络结构下会产生不同的结果,亟待提出一种新的解决方案,以提高分类器的整体表现。
发明内容
本发明所要解决的技术问题在于针对现有胃镜图像辅助诊断***多采用单个CNN分类器、没有考虑训练集对结果的影响,导致敏感性、特异性、漏诊率、误诊率等指标难以达到临床辅助诊疗的要求等缺陷,提出一种基于集成学习的胃镜图像辅助处理***及方法。
本发明是采用以下的技术方案实现的:基于集成学习的胃镜图像辅助处理***,包括图像采集模块、数据预处理模块、神经网络训练模块,以及集成学习模块;所述图像采集模块用以采集胃镜图像,并将采集的图像数据传输至数据预处理模块;所述数据预处理模块包括原始数据准备模块和训练数据准备模块:所述原始数据准备模块用以实现图像数据到训练数据的整理,包括对原始图像数据的筛选及扩充,并对图像数据根据有病、无病设置不同的标签,以在CNN中进一步调用;所述训练数据准备模块将整理好的数据进一步分为训练集、测试集和验证集,且训练集、测试集和验证集所占比重为3:1:1,最终将图像数据转换成caffe环境下可识别的格式,比如lmdb或leveldb格式,并传输至神经网络训练模块;
所述神经网络训练模块包括多个不同类型和结构,且相对独立的卷积神经网络,分别对预处理后的图像数据进行训练,当在敏感性、特异性、漏诊率和误诊率上的表现达到要求时训练和验证结束,以得到训练结果并传输至集成学习模块;
根据神经网络训练模块的训练结果,所述集成学习模块采用Adaboost算法对同一个训练集训练不同的分类器,即弱分类器,然后将各弱分类器进行集成,形成最终决策分类器。
进一步的,为充分说明当前模型在数据集变化的过程中具有一定的稳定性,所述数据预处理模块还包括采用交叉验证的方式对图像数据进行二次处理的过程:将整个图像数据集分成5等份,从中抽出3份作为交叉验证的训练集,记为E,则神经网络都将在训练集E下训练出一个网络模型并记为{μj|j∈E},根据每个神经网络对应的分类精度Cj得到当前神经网络的分类可信度K。
进一步的,鉴于胃镜图像形态各异,对图像数据进行扩充时,分别以图像的四个顶点为基准,对数据集中的影像截取原始长、宽的80%,即将1张原始图像扩充出4张扩充图。
进一步的,鉴于卷积神经网络需要大量的计算资源,并且集成学习特性要求子学习器分类性能上需要逐步递增,所述神经网络训练模块采用在网络深度上递增的AlexNet,GoogLeNet,VGGNet和ResNet四种卷积神经网络,便于在逐步增加网络深度的同时,能以更低的功耗全面的发现图像上的信息,通过这样的设计,可以在每个神经网络训练完成后得到图像在当前神经网络下的训练结果。
本发明另外还提出一种基于集成学习的胃镜图像辅助处理方法,包括以下步骤:
步骤A、图像数据采集:通过电子胃镜获取胃镜图像数据;
步骤B、图像数据预处理:
原始数据准备:对采集的图像数据进行筛选和扩充,完成图像数据到训练数据的整理;筛选出无效数据,避免错误知识对神经网络训练产生不利影响,同时对数据集扩充,以避免过拟合的问题,并根据有病、无病对图像设置成不同的标签,以在CNN中进一步调用;
训练数据准备:原始数据经分类后,尚不能直接进行网络训练,需要将准备好的数据进一步分为训练集、测试集和验证集,且所述训练集、测试集和验证集所占比重为3:1:1;
数据格式转换:为在神经网络训练中提高训练效率,最终将图像数据转换成caffe环境可识别的lmdb或leveldb格式,以便于在caffe环境下用来存放训练、测试数据;
步骤C、神经网络训练:选定多个不同类型和结构,且相互独立的卷积神经网络分别进行迭代训练,以得到当前神经网络下的训练结果,当达到最大迭代次数或满足误差要求时,训练和验证结束;否则通过反向传播算法重新调整神经网络参数,直至满足要求;
步骤D、集成学习训练:根据神经网络训练结果,采用Adaboost算法对同一个训练集训练不同的分类器,即弱分类器,然后将所有的弱分类器进行集合,得到最终决策分类器。
进一步的,所述步骤B中,对采集的图像数据进行筛选是指筛选出病灶明显的图片,以筛选出无效数据,避免错误知识对神经网络训练产生的不利影响,由于医学图片尤其是胃镜图片差异性很大,所述病灶明显是指病灶在图片中相对于周围正常区域来说在形状、颜色上有差异,人的肉眼能较易观察出并且不能位于图片的边缘。
进一步的,所述步骤B中,鉴于胃镜图像形态各异,对采集的图像数据进行扩充时采用以图像的四个顶点为基准,并对图像中的影像截取原始长、宽的80%的方式,即将1张原始图像扩充出4张扩充图。
进一步的,所述步骤B中,训练数据准备好后,为充分说明当前模型在数据集变化的过程中具有一定的稳定性,还包括采用交叉验证的方式对图像数据进行了二次处理的步骤,具体包括:
将整个数据集分为5等份,每次从中抽出3份作为交叉验证的训练集,则共有共个训练集,记为E;则神经网络都将在训练集E下训练出一个网络模型,并记为{μj|j∈E},j={1,2,3,4,5,6};
在神经网络的结果中,记当前神经网络的分类个数为C,每个分类下的精确度记为则每个神经网络对应的分类精度Cj采用以下的公式进行计算:
定义当前神经网络的分类可信度K记为: 为均值减标准差。
进一步的,所述步骤C中,鉴于卷积神经网络需要大量的计算资源,并且集成学习特性要求子学习器分类性能上需要逐步递增,所述卷积神经网络采用在网络深度上递增的AlexNet,GoogLeNet,VGGNet和ResNet四种卷积神经网络,便于在逐步增加网络深度的同时,能以更低的功耗全面的发现图像上的信息,通过这样的设计,可以在每个神经网络训练完成后得到图像在当前神经网络下的训练结果。
进一步的,所述步骤D中对所有的弱分类器进行集合采用以下方式实现:
步骤D1、每个分类器t的分类结果记为ht(xi),其中正确的目标分类是yi,则将当前分类器的误差εt记为:εt=P[ht(xi)≠yi];
步骤D2、如果当前分类器的误差εt>0.5,则说明当前分类器不足以进行分类,则舍弃;否则利用当前分类器的误差εt计算当前分类器在最终的分类器的权重at为:即当前分类器在最终整合分类器中所占的比重;
步骤D3、为了在接下来的分类器中更好的分类出错误的图片,更新分类错误的元素在整体数据集中的权重:设分类错误的元素在上一个分类器中的权重为Dt(i),则根据上一个模型的误差重新调整分类错误的数据,即yi≠ht(xi)的权重,记为D(t+1)(i),分类正确的数据权重不变:
经过在所有的分类器分类完毕后,每个分类器都将有一个新的权重;
步骤D4、利用数据在每个模型下表现出的结果ht(x)与对应分类器的权重at乘积之和,计算出最终所属分类:其中,T为弱分类器的个数。
与现有技术相比,本发明的优点和积极效果在于:
本发明所提出的基于集成学***;同时,本发明所提出的方案还可以有效提高医务工作人员的诊疗效率,降低漏诊误诊的可能,可以构建更为强大和优秀的分类器,从而给医生提供更为准确的病灶信息。
附图说明
图1为本发明实施例1所述***原理框图;
图2为本发明实施例2所述方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1,参考图1,本实施例提出一种基于集成学习的胃镜图像辅助处理***,包括图像采集模块、数据预处理模块、神经网络训练模块,以及集成学习模块。所述图像采集模块用以采集胃镜图像,并将采集的图像数据传输至数据预处理模块;所述数据预处理模块包括原始数据准备模块和训练数据准备模块,原始数据准备模块用以实现图像数据到训练数据的整理,包括对原始图像数据的筛选及扩充,并对图像数据根据有病、无病设置不同的标签,以在CNN中进一步调用;训练数据准备模块将整理好的数据进一步分为训练集、测试集和验证集,且训练集、测试集和验证集所占比重为3:1:1,最终将图像数据转换成caffa环境下可识别的格式,比如lmdb或leveldb格式,并传输至神经网络训练模块。
神经网络训练模块包括多个不同类型和结构,且相对独立的卷积神经网络,分别对预处理后的图像数据进行训练,当在敏感性、特异性、漏诊率和误诊率上的表现达到要求时训练和验证结束,以得到训练结果并传输至集成学习模块;根据神经网络训练模块的训练结果,所述集成学习模块采用Adaboost算法对同一个训练集训练不同的分类器,即弱分类器,然后将各弱分类器进行集成,形成最终决策分类器。
为充分说明当前模型在数据集变化的过程中具有一定的稳定性,所述数据预处理模块还包括采用交叉验证的方式对图像数据进行二次处理的过程:将整个数据集分为5等份,每次从这5份数据中抽出3份作为交叉验证的训练集,则共有个训练集记为E(当然可以根据实际情况增加或者减少分成等价份的数量,在此不作限制),神经网络都将在E下训练出一个网络模型并记为{μj|j∈E},而在神经网络的结果中,存在着当前神经网络分类记为C,每个分类下的精确度记为则每个网络对应的分类精度Cj可以用以下的公式进行计算:并由此定义当前网络的分类可信度K记为:
鉴于胃镜图像形态各异,对图像数据进行扩充时,分别以图像的四个顶点为基准,对数据集中的影像截取原始长、宽的80%,即将1张原始图像扩充出4张扩充图。另外,由于卷积神经网络需要大量的计算资源,并且集成学习特性要求子学习器分类性能上需要逐步递增,本实施例中神经网络训练模块采用在网络深度上递增的AlexNet,GoogLeNet,VGGNet和ResNet四种卷积神经网络,便于在逐步增加网络深度的同时,能以更低的功耗全面的发现图像上的信息,通过这样的设计,可以在每个神经网络训练完成后得到图像在当前神经网络下的训练结果。
对于集成学习模块,选取Adaboost算法针对同一个训练集训练不同的分类器,即弱分类器,然后把这些弱分类器集合起来,构造一个更强的最终分类器,具体实现方式是根据每次训练集之中的每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改权值的新数据送给下层分类器进行训练,然后将每次训练得到的分类器融合起来,作为最后的决策分类器,从而在实际应用过程中得到具有置信度的处理结果。
实施例2,基于实施例1所提出的***,本实施例提出一种基于辅助诊断处理***的方法,参考图2,包括:
步骤201、图像数据采集:通过电子胃镜获取胃镜图像数据;
步骤202、图像数据预处理:
原始数据准备:对采集的图像数据进行筛选和扩充,完成图像数据到训练数据的整理;筛选出无效数据,避免错误知识对神经网络训练产生不利影响,同时对数据集扩充,以避免过拟合的问题,并根据有病、无病对图像设置成不同的标签,以在CNN中进一步调用;
训练数据准备:原始数据经分类后,尚不能直接进行网络训练,需要将准备好的数据进一步分为训练集、测试集和验证集,且所述训练集、测试集和验证集所占比重为3:1:1;
数据格式转换:为在神经网络训练中提高训练效率,最终将图像数据转换成lmdb或leveldb格式,以便于在caffe环境下用来存放训练、测试数据;
步骤203、神经网络训练:选定多个不同类型和结构,且相互独立的卷积神经网络分别进行迭代训练,以得到当前神经网络下的训练结果,当达到最大迭代次数或满足误差要求时,训练和验证结束;否则通过反向传播算法重新调整神经网络参数,直至满足要求;
步骤204、采用Adaboost算法对同一个训练集训练不同的分类器,即弱分类器,然后将所有的弱分类器进行集合,得到最终决策分类器。
步骤202中,对采集的图像数据进行筛选是指在医生的协助下筛选出病灶明显的图片,以筛选出无效数据,避免错误知识对神经网络训练产生的不利影响,由于医学图片尤其是胃镜图片差异性很大,所述病灶明显是指病灶在图片中相对于周围正常区域来说在形状、颜色上有差异,人的肉眼能较易观察出并且不能位于图片的边缘。另外,鉴于胃镜图像形态各异,对采集的图像数据进行扩充时采用以图像的四个顶点为基准,并对图像中的影像截取原始长、宽的80%的方式,即1张原始图像可以扩充出4张扩充图。
并且,在步骤202中,训练数据准备好后,为充分说明当前模型在数据集变化的过程中具有一定的稳定性,还包括采用交叉验证的方式对图像数据进行了二次处理的步骤,具体包括:
将整个数据集分为5等份,每次从这5份数据中抽出3份作为交叉验证的训练集,则共有个训练集记为E;
则神经网络都将在E下训练出一个网络模型并记为{μj|j∈E},j={1,2,3,4,5,6},而在神经网络的结果中,当前神经网络分类个数记为C,比如说本实施例分为有病、无病两类,因此此处C=2,每个分类下的精确度记为则每个网络对应的分类精度Cj可以用以下的公式进行计算:并由此定义当前网络的分类可信度K记为:
步骤203中,鉴于卷积神经网络需要大量的计算资源,并且集成学习特性要求子学习器分类性能上需要逐步递增,所述卷积神经网络采用在网络深度上递增的AlexNet,GoogLeNet,VGGNet和ResNet四种卷积神经网络,便于在逐步增加网络深度的同时,能以更低的功耗全面的发现图像上的信息,通过这样的设计,可以在每个神经网络训练完成后得到图像在当前神经网络下的训练结果。
所述步骤204中,对弱分类的的集合采用以下方式:
1、每个分类器t的分类结果记为ht(xi),其中正确的目标分类是yi,则将当前分类器的误差εt记为:εt=P[ht(xi)≠yi];
2、如果当前分类器的误差εt>0.5,则说明当前分类器不足以进行分类,则舍弃;否则利用当前分类器的误差εt计算当前分类器在最终的分类器的权重at为:即为当前分类器在最终整合分类器中所占的比重;
3、为了在接下来的分类器中更好的分类出错误的图片,更新分类错误的元素在整体数据集中的权重:设分类错误的元素在上一个分类器中的权重为Dt(i),则根据上一个模型的误差重新调整分类错误的数据(yi≠ht(xi))的权重,记为D(t+1)(i),分类正确的数据权重不变:
经过在所有的分类器分类完毕后,每个分类器都将有一个新的权重;
4、利用数据在每个模型下表现出的结果ht(x)与对应分类器的权重at乘积之和,计算出最终所属分类:其中,T为分类器的个数,至此,每个神经网络分类器都将有一个新的权重,其中优秀的分类器在混合分类器中所占权值较高,而较差的分类器在混合分类器中所占权值较低,这样可以通过组合弱分类器形成强分类器,最终作为决策分类器从而在实际应用过程中得到具有置信度的处理结果。
通过实验验证,本实施例所提出的方法在敏感性和特异性指标能达到75%左右,也就是说可以把有病图片中75%的都筛选出来,并且筛选过程是全自动的,能提高医务工作人员的诊疗效率,降低漏诊误诊的可能。同时在胃镜检查中会对病灶区域重点拍摄,变换角度和分辨率拍摄,因此会产生多角度的许多张图片,而本方案通过将多个图片结合在一起大大降低漏诊率,进而本方案有非常高的可实施性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于集成学习的胃镜图像辅助处理***,其特征在于,包括:
图像采集模块:用以采集胃镜图像,并将采集的图像数据传输至数据预处理模块;
数据预处理模块:包括原始数据准备模块和训练数据准备模块;
所述原始数据准备模块用以实现图像数据到训练数据的整理,包括对原始图像数据的筛选及扩充;
所述训练数据准备模块将整理好的数据进一步分为训练集、测试集和验证集,且训练集、测试集和验证集所占比重为3:1:1,最终将图像数据转换成caffe环境下可读的格式,并传输至神经网络训练模块;
神经网络训练模块:包括多个不同类型和结构、且相对独立的卷积神经网络,以分别对预处理后的图像数据进行迭代训练,分别得到当前神经网络下的训练结果并传输至集成学习模块;
集成学习模块:采用Adaboost算法对同一个训练集训练不同的分类器,即弱分类器,然后将各弱分类器进行集合,得到最终决策分类器用于辅助诊断。
2.根据权利要求1所述的处理***,其特征在于:所述数据预处理模块还包括采用交叉验证的方式对图像数据进行二次处理的过程:将整个图像数据集分成5等份,从中抽出3份作为交叉验证的训练集,记为E,则神经网络都将在训练集E下训练出一个网络模型并记为{μj|j∈E},根据每个神经网络对应的分类精度Cj得到当前神经网络的分类可信度K。
3.根据权利要求1或2所述的处理***,其特征在于:所述原始数据准备模块对原始图像数据进行扩充时,分别以图像的四个顶点为基准,对图像数据中的影像截取原始长、宽的80%,即将1张原始图像扩充出4张扩充图。
4.根据权利要求1所述的处理***,其特征在于:所述神经网络训练模块采用在网络深度上递增的AlexNet,GoogLeNet,VGGNet和ResNet四种卷积神经网络。
5.一种基于集成学习的胃镜图像辅助处理方法,其特征在于,包括以下步骤:
步骤A、图像数据采集:通过电子胃镜获取胃镜图像数据;
步骤B、图像数据预处理:
原始数据准备:对采集的图像数据进行筛选和扩充,完成图像数据到训练数据的整理;
训练数据准备:将准备好的数据进一步分为训练集、测试集和验证集,且所述训练集、测试集和验证集所占比重为3:1:1;
数据格式转换:最终将图像数据转换成caffe环境下可读的格式;
步骤C、神经网络训练:选定多个不同类型和结构、且相互独立的卷积神经网络分别进行迭代训练,以得到当前神经网络下的训练结果,当达到最大迭代次数或满足误差要求时,训练和验证结束;否则通过反向传播算法重新调整各卷积神经网络参数,直至满足要求;
步骤D、集成学习训练:根据神经网络训练结果,采用Adaboost算法对同一个训练集训练不同的分类器,即弱分类器,然后将所有的弱分类器进行集合,得到最终决策分类器用于辅助诊断。
6.根据权利要求5所述的分析方法,其特征在于:所述步骤B中,对采集的图像数据进行筛选是指筛选出病灶明显的图片,所述病灶明显是指病灶在图片中相对于周围正常区域来说在形状、颜色上有差异,人的肉眼能较易观察出并且不位于图片的边缘。
7.根据权利要求5所述的分析方法,其特征在于:所述步骤B中,对采集的图像数据进行扩充时采用以图像的四个顶点为基准,并对图像中的影像截取原始长、宽的80%的方式,即将1张原始图像扩充出4张扩充图。
8.根据权利要求5所述的分析方法,其特征在于:所述步骤B中,训练数据准备好后,还包括采用交叉验证的方式对图像数据进行了二次处理的步骤,具体包括:
将整个数据集分为5等份,每次从中抽出3份作为交叉验证的训练集,则共有共个训练集,记为E;则神经网络都将在训练集E下训练出一个网络模型,并记为{μj|j∈E},j={1,2,3,4,5,6};
记当前神经网络的分类个数为C,每个分类下的精确度为则每个神经网络对应的分类精度Cj为:定义当前神经网络的分类可信度K记为:
9.根据权利要求5所述的分析方法,其特征在于:所述步骤C中,所述卷积神经网络采用在网络深度上递增的AlexNet,GoogLeNet,VGGNet和ResNet四种卷积神经网络。
10.根据权利要求5所述的分析方法,其特征在于:所述步骤D中对所有的弱分类器进行集合采用以下方式实现:
步骤D1、设每个分类器t的分类结果记为ht(xi),其中正确的目标分类为yi,则将当前分类器的误差εt记为:εt=P[ht(xi)≠yi];
步骤D2、如果当前分类器的误差εt>0.5,则当前分类器不足以进行分类,舍弃;否则利用当前分类器的误差εt计算当前分类器在最终的分类器的权重at:
步骤D3、更新分类错误的元素在整体数据集中的权重:设分类错误的元素在上一个分类器中的权重为Dt(i),则根据上一个模型的误差重新调整分类错误的数据,即yi≠ht(xi)的权重,记为D(t+1)(i),分类正确的数据权重不变,则得到:
经过在所有的分类器分类完毕后,每个分类器都将有一个新的权重;
步骤D4、利用图像数据在每个模型下表现出的结果ht(x)与对应分类器的权重at乘积之和,计算出最终决策分类器:其中,T为弱分类器的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811399.5A CN107564580B (zh) | 2017-09-11 | 2017-09-11 | 基于集成学习的胃镜图像辅助处理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811399.5A CN107564580B (zh) | 2017-09-11 | 2017-09-11 | 基于集成学习的胃镜图像辅助处理***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107564580A true CN107564580A (zh) | 2018-01-09 |
CN107564580B CN107564580B (zh) | 2019-02-12 |
Family
ID=60979881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710811399.5A Active CN107564580B (zh) | 2017-09-11 | 2017-09-11 | 基于集成学习的胃镜图像辅助处理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107564580B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108364025A (zh) * | 2018-02-11 | 2018-08-03 | 广州市碳码科技有限责任公司 | 基于深度学习的胃镜图像识别方法、装置、设备及介质 |
CN108710915A (zh) * | 2018-05-22 | 2018-10-26 | 合肥工业大学 | 基于多核学习的多特征融合胃镜图像处理方法 |
CN108717869A (zh) * | 2018-05-03 | 2018-10-30 | 中国石油大学(华东) | 基于卷积神经网络的糖尿病视网膜并发症诊断辅助*** |
CN108877923A (zh) * | 2018-05-03 | 2018-11-23 | 华南理工大学 | 一种基于深度学习的舌苔生成中药处方的方法 |
CN108852268A (zh) * | 2018-04-23 | 2018-11-23 | 浙江大学 | 一种消化内镜图像异常特征实时标记***及方法 |
CN109065171A (zh) * | 2018-11-05 | 2018-12-21 | 苏州贝斯派生物科技有限公司 | 基于集成学习的川崎病风险评估模型的构建方法及*** |
CN109300530A (zh) * | 2018-08-08 | 2019-02-01 | 北京肿瘤医院 | 病理图片的识别方法及装置 |
CN109448855A (zh) * | 2018-09-17 | 2019-03-08 | 大连大学 | 一种基于cnn和模型融合的糖尿病血糖预测方法 |
CN109446627A (zh) * | 2018-10-22 | 2019-03-08 | 青岛美迪康数字工程有限公司 | 内窥镜图像识别方法及装置 |
CN109740697A (zh) * | 2019-03-05 | 2019-05-10 | 重庆大学 | 基于深度学习的尿沉渣显微图像有形成分识别方法 |
CN110097083A (zh) * | 2019-03-29 | 2019-08-06 | 广州思德医疗科技有限公司 | 一种确定分类标签的方法及装置 |
CN110706200A (zh) * | 2019-09-02 | 2020-01-17 | 杭州深睿博联科技有限公司 | 数据预测的方法及装置 |
CN110955756A (zh) * | 2019-12-04 | 2020-04-03 | 中电福富信息科技有限公司 | 基于深度学习的特定领域不良信息检测方法 |
CN111476110A (zh) * | 2020-03-18 | 2020-07-31 | 深圳中兴网信科技有限公司 | 基于批改痕迹识别的集成学习方法、装置和可读存储介质 |
CN111582328A (zh) * | 2020-04-22 | 2020-08-25 | 北方民族大学 | 一种基于肺部ct影像的covid-19分类识别方法 |
CN111798439A (zh) * | 2020-07-11 | 2020-10-20 | 大连东软教育科技集团有限公司 | 线上线下融合的医疗影像质量判读方法、***及存储介质 |
CN111815557A (zh) * | 2020-06-04 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 图像分析方法、装置、设备及存储介质 |
CN112567398A (zh) * | 2018-08-10 | 2021-03-26 | 维萨国际服务协会 | 用于匹配不同输入数据的技术 |
US10970604B2 (en) | 2018-09-27 | 2021-04-06 | Industrial Technology Research Institute | Fusion-based classifier, classification method, and classification system |
CN112823396A (zh) * | 2018-10-02 | 2021-05-18 | 翰林大学产学合作团 | 基于实时获得的胃内窥镜图像诊断胃病变的内窥镜装置及方法 |
CN112966759A (zh) * | 2021-03-15 | 2021-06-15 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度学习的眼底图像识别分类方法 |
CN113496481A (zh) * | 2021-05-20 | 2021-10-12 | 北京交通大学 | 一种少样本胸部X-Ray图像的辅助检测方法 |
CN113962329A (zh) * | 2021-11-15 | 2022-01-21 | 长沙理工大学 | 一种新的基于深度集成学习的图像识别算法 |
CN114549939A (zh) * | 2022-04-26 | 2022-05-27 | 汉谷云智(武汉)科技有限公司 | 一种基于图像特征提取的树木病虫害图片分类方法 |
US11969145B2 (en) | 2019-05-06 | 2024-04-30 | Tencent Technology (Shenzhen) Company Limited | Medical endoscope image recognition method and system, and endoscopic imaging system |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346622A (zh) * | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
CN104462409A (zh) * | 2014-12-12 | 2015-03-25 | 重庆理工大学 | 基于AdaBoost的跨语言情感资源数据识别方法 |
CN105117611A (zh) * | 2015-09-23 | 2015-12-02 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及*** |
CN105304078A (zh) * | 2015-10-28 | 2016-02-03 | 中国电子科技集团公司第三研究所 | 目标声数据训练装置和目标声数据训练方法 |
CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术(武汉)有限公司 | 消化道病灶图像识别***及识别方法 |
CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务*** |
CN106355188A (zh) * | 2015-07-13 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 图像检测方法及装置 |
CN106600046A (zh) * | 2016-12-09 | 2017-04-26 | 东南大学 | 基于多分类器融合的土地闲置预测方法及装置 |
CN106682697A (zh) * | 2016-12-29 | 2017-05-17 | 华中科技大学 | 一种基于卷积神经网络的端到端物体检测方法 |
CN106910184A (zh) * | 2017-01-12 | 2017-06-30 | 杭州电子科技大学 | 基于深度卷积神经网络的内窥镜图像肠道出血检测方法 |
CN107025452A (zh) * | 2016-01-29 | 2017-08-08 | 富士通株式会社 | 图像识别方法和图像识别设备 |
-
2017
- 2017-09-11 CN CN201710811399.5A patent/CN107564580B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346622A (zh) * | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
CN104462409A (zh) * | 2014-12-12 | 2015-03-25 | 重庆理工大学 | 基于AdaBoost的跨语言情感资源数据识别方法 |
CN106355188A (zh) * | 2015-07-13 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 图像检测方法及装置 |
CN105117611A (zh) * | 2015-09-23 | 2015-12-02 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及*** |
CN105304078A (zh) * | 2015-10-28 | 2016-02-03 | 中国电子科技集团公司第三研究所 | 目标声数据训练装置和目标声数据训练方法 |
CN107025452A (zh) * | 2016-01-29 | 2017-08-08 | 富士通株式会社 | 图像识别方法和图像识别设备 |
CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术(武汉)有限公司 | 消化道病灶图像识别***及识别方法 |
CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务*** |
CN106600046A (zh) * | 2016-12-09 | 2017-04-26 | 东南大学 | 基于多分类器融合的土地闲置预测方法及装置 |
CN106682697A (zh) * | 2016-12-29 | 2017-05-17 | 华中科技大学 | 一种基于卷积神经网络的端到端物体检测方法 |
CN106910184A (zh) * | 2017-01-12 | 2017-06-30 | 杭州电子科技大学 | 基于深度卷积神经网络的内窥镜图像肠道出血检测方法 |
Non-Patent Citations (1)
Title |
---|
魏伟: ""人工神经网络计算精度的研究"", 《电气电子教学学报》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288506A (zh) * | 2018-01-23 | 2018-07-17 | 雨声智能科技(上海)有限公司 | 一种基于人工智能技术的癌症病理辅助诊断方法 |
CN108364025A (zh) * | 2018-02-11 | 2018-08-03 | 广州市碳码科技有限责任公司 | 基于深度学习的胃镜图像识别方法、装置、设备及介质 |
CN108852268A (zh) * | 2018-04-23 | 2018-11-23 | 浙江大学 | 一种消化内镜图像异常特征实时标记***及方法 |
CN108717869A (zh) * | 2018-05-03 | 2018-10-30 | 中国石油大学(华东) | 基于卷积神经网络的糖尿病视网膜并发症诊断辅助*** |
CN108877923A (zh) * | 2018-05-03 | 2018-11-23 | 华南理工大学 | 一种基于深度学习的舌苔生成中药处方的方法 |
CN108717869B (zh) * | 2018-05-03 | 2021-08-13 | 中国石油大学(华东) | 基于卷积神经网络的糖尿病视网膜并发症诊断辅助*** |
CN108710915B (zh) * | 2018-05-22 | 2020-09-18 | 合肥工业大学 | 基于多核学习的多特征融合胃镜图像处理方法 |
CN108710915A (zh) * | 2018-05-22 | 2018-10-26 | 合肥工业大学 | 基于多核学习的多特征融合胃镜图像处理方法 |
CN109300530A (zh) * | 2018-08-08 | 2019-02-01 | 北京肿瘤医院 | 病理图片的识别方法及装置 |
CN112567398A (zh) * | 2018-08-10 | 2021-03-26 | 维萨国际服务协会 | 用于匹配不同输入数据的技术 |
CN109448855A (zh) * | 2018-09-17 | 2019-03-08 | 大连大学 | 一种基于cnn和模型融合的糖尿病血糖预测方法 |
US10970604B2 (en) | 2018-09-27 | 2021-04-06 | Industrial Technology Research Institute | Fusion-based classifier, classification method, and classification system |
CN112823396A (zh) * | 2018-10-02 | 2021-05-18 | 翰林大学产学合作团 | 基于实时获得的胃内窥镜图像诊断胃病变的内窥镜装置及方法 |
CN109446627A (zh) * | 2018-10-22 | 2019-03-08 | 青岛美迪康数字工程有限公司 | 内窥镜图像识别方法及装置 |
CN109065171A (zh) * | 2018-11-05 | 2018-12-21 | 苏州贝斯派生物科技有限公司 | 基于集成学习的川崎病风险评估模型的构建方法及*** |
CN109740697A (zh) * | 2019-03-05 | 2019-05-10 | 重庆大学 | 基于深度学习的尿沉渣显微图像有形成分识别方法 |
CN109740697B (zh) * | 2019-03-05 | 2023-04-14 | 重庆大学 | 基于深度学习的尿沉渣显微图像有形成分识别方法 |
CN110097083A (zh) * | 2019-03-29 | 2019-08-06 | 广州思德医疗科技有限公司 | 一种确定分类标签的方法及装置 |
US11969145B2 (en) | 2019-05-06 | 2024-04-30 | Tencent Technology (Shenzhen) Company Limited | Medical endoscope image recognition method and system, and endoscopic imaging system |
CN110706200A (zh) * | 2019-09-02 | 2020-01-17 | 杭州深睿博联科技有限公司 | 数据预测的方法及装置 |
CN110955756A (zh) * | 2019-12-04 | 2020-04-03 | 中电福富信息科技有限公司 | 基于深度学习的特定领域不良信息检测方法 |
CN111476110A (zh) * | 2020-03-18 | 2020-07-31 | 深圳中兴网信科技有限公司 | 基于批改痕迹识别的集成学习方法、装置和可读存储介质 |
CN111582328A (zh) * | 2020-04-22 | 2020-08-25 | 北方民族大学 | 一种基于肺部ct影像的covid-19分类识别方法 |
CN111815557A (zh) * | 2020-06-04 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 图像分析方法、装置、设备及存储介质 |
CN111798439A (zh) * | 2020-07-11 | 2020-10-20 | 大连东软教育科技集团有限公司 | 线上线下融合的医疗影像质量判读方法、***及存储介质 |
CN112966759A (zh) * | 2021-03-15 | 2021-06-15 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度学习的眼底图像识别分类方法 |
CN112966759B (zh) * | 2021-03-15 | 2022-05-10 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度学习的眼底图像识别分类方法 |
CN113496481A (zh) * | 2021-05-20 | 2021-10-12 | 北京交通大学 | 一种少样本胸部X-Ray图像的辅助检测方法 |
CN113496481B (zh) * | 2021-05-20 | 2023-11-07 | 北京交通大学 | 一种少样本胸部X-Ray图像的辅助检测方法 |
CN113962329A (zh) * | 2021-11-15 | 2022-01-21 | 长沙理工大学 | 一种新的基于深度集成学习的图像识别算法 |
CN113962329B (zh) * | 2021-11-15 | 2024-07-23 | 长沙理工大学 | 一种新的基于深度集成学习的图像分类方法 |
CN114549939B (zh) * | 2022-04-26 | 2022-09-23 | 汉谷云智(武汉)科技有限公司 | 一种基于图像特征提取的树木病虫害图片分类方法 |
CN114549939A (zh) * | 2022-04-26 | 2022-05-27 | 汉谷云智(武汉)科技有限公司 | 一种基于图像特征提取的树木病虫害图片分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107564580B (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107564580B (zh) | 基于集成学习的胃镜图像辅助处理***及方法 | |
Ren et al. | Automatic recognition of laryngoscopic images using a deep‐learning technique | |
WO2019140957A1 (zh) | 一种骨折识别模型的构建方法及应用 | |
JP6999812B2 (ja) | 骨年齢評価と身長予測モデルの確立方法、そのシステム及びその予測方法 | |
CN109102491B (zh) | 一种胃镜图像自动采集***及方法 | |
CN105513077B (zh) | 一种用于糖尿病性视网膜病变筛查的*** | |
CN109146884A (zh) | 内窥镜检查监控方法及装置 | |
CN111310851A (zh) | 一种人工智能超声辅助***及其应用 | |
CN105069304A (zh) | 一种基于机器学习的评估预测asd的方法 | |
CN109858540A (zh) | 一种基于多模态融合的医学图像识别***及方法 | |
CN108388841A (zh) | 基于多特征深度神经网络的宫颈活检区域识别方法及装置 | |
CN101900737A (zh) | 基于支持向量机的尿沉渣有形成分自动识别*** | |
Liu et al. | Computer-aided diagnostic system based on deep learning for classifying colposcopy images | |
CN113129287A (zh) | 一种针对上消化道内镜影像的病灶自动留图方法 | |
CN108319977A (zh) | 基于通道信息多模态网络的宫颈活检区域识别方法及装置 | |
CN109460717A (zh) | 消化道共聚焦激光显微内镜病变图像识别方法及装置 | |
CN111462082A (zh) | 一种病灶图片识别装置、方法、设备及可读存储介质 | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
CN112767374A (zh) | 基于mri的阿尔茨海默症病灶区域语义分割算法 | |
CN112419246B (zh) | 量化食管粘膜IPCLs血管形态分布的深度检测网络 | |
Alam et al. | Benchmarking deep learning frameworks for automated diagnosis of OCULAR TOXOPLASMOSIS: A comprehensive approach to classification and segmentation | |
US11361441B2 (en) | Method for determining whether examinee is infected by microoganism and apparatus using the same | |
CN114372985A (zh) | 适应多中心图像的糖尿病视网膜病变病灶分割方法及*** | |
CN109493340A (zh) | 一种胃镜下食管胃底静脉曲张辅助诊断***及方法 | |
CN106778830A (zh) | 基于双聚类挖掘及AdaBoost的肿瘤分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |