CN108573485A - 识别装置、识别方法以及程序存储介质 - Google Patents

识别装置、识别方法以及程序存储介质 Download PDF

Info

Publication number
CN108573485A
CN108573485A CN201810133933.6A CN201810133933A CN108573485A CN 108573485 A CN108573485 A CN 108573485A CN 201810133933 A CN201810133933 A CN 201810133933A CN 108573485 A CN108573485 A CN 108573485A
Authority
CN
China
Prior art keywords
pair
identification
class
identifiers
recognition result
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
Application number
CN201810133933.6A
Other languages
English (en)
Other versions
CN108573485B (zh
Inventor
松永和久
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Casio Computer Co Ltd
Original Assignee
Casio Computer Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Casio Computer Co Ltd filed Critical Casio Computer Co Ltd
Publication of CN108573485A publication Critical patent/CN108573485A/zh
Application granted granted Critical
Publication of CN108573485B publication Critical patent/CN108573485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30088—Skin; Dermal
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Human Computer Interaction (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种识别装置、识别方法以及存储介质，其目的在于比现有的识别装置进一步提高识别的精度。识别装置(100)具备第1一对其他识别器(13)、第2一对其他识别器(14)以及校正部(15)。第1一对其他识别器(13)识别出第1类与其他类。第2一对其他识别器(14)识别出与第1类不同的第2类和其他类。校正部(15)使用第2一对其他识别器的识别结果来校正第1一对其他识别器的识别结果。

Description

识别装置、识别方法以及程序存储介质
本发明要求2017年3月8日申请的日本专利申请第2017-44353号的优先权，该优先权的全部内容以援引的方式包含在本申请中。
技术领域
本发明涉及识别装置、识别方法以及程序。
背景技术
已经开发了识别皮肤病变的图像的装置。例如，在日本特开2017－45341号公报中，公开了一种实现了提高通过集成识别器进行识别的精度的诊断装置等。
发明内容
在日本特开2017－45341号公报中公开的诊断装置与现有技术相比可以进行高精度的识别。但是，还是存在错误识别的可能性，要求进一步提高识别精度。
本发明是为了解决上述问题而完成的，其目的在于提供一种比现有的识别装置进一步提高了识别精度的识别装置、识别方法以及程序。
为了达到上述目的，本发明的识别装置具备：
第1一对其他识别器，其识别出第1类与其他类；
第2一对其他识别器，其识别出与所述第1类不同的第2类和其他类；以及
校正部，其使用所述第2一对其他识别器的识别结果，来校正所述第1一对其他识别器的识别结果。
根据本发明，可以比现有的识别装置进一步提高识别的精度。
附图说明
图1是表示本发明的实施方式所涉及的识别装置的功能结构的图。
图2是表示图像数据的一个例子的图。
图3是表示标准化的图像数据的一个例子的图。
图4是说明实施方式所涉及的基础识别器的图。
图5是说明实施方式所涉及的识别装置的整体处理内容的图。
图6是实施方式所涉及的识别装置的识别处理的流程图。
具体实施方式
以下，参照图表对本发明的实施方式所涉及的识别装置、识别方法以及程序进行说明。此外，对于图中相同或者相应的部分赋予相同符号。
本发明的实施方式所涉及的识别装置100针对多个类的数据来识别是特定类还是其他类(该特定类以外的类)。进行像这样的识别的识别器被称为“一对其他识别器”、“一对其他分类器”、“1类vs其他类识别器”等。在这里，称为一对其他识别器。
如图1所示，实施方式所涉及的识别装置100具备控制部10、存储部20、图像输入部31以及识别结果输出部32。
控制部10由CPU(Central Processing Unit：中央处理器)等构成，通过执行存储在存储部20中的程序，来实现后述的各部(标准化部11、肤色减法部12、第1一对其他识别器13、第2一对其他识别器14、校正部15)的功能。
存储部20由ROM(Read Only Memory：只读存储器)、RAM(Random Access Memory：随机存取存储器)等构成，并存储控制部10的CPU要执行的程序以及必要的数据。
图像输入部31是用于向控制部10输入成为识别装置100的识别对象的图像数据的设备。控制部10经由图像输入部31获取图像数据。如果控制部10可以获取图像数据，则图像输入部31可以使用任意的设备。例如，在存储部20中预先存储图像数据，并且控制部10通过读出存储部20来获取图像数据时，存储部20兼作图像输入部31。
此外，对于通过图像输入部31输入的图像数据，通过表示作为光的三原色的红、绿、蓝的各成分的强度的RGB值来表示各像素。
识别结果输出部32是用于输出控制部10识别出从图像输入部31输入的图像的结果的设备。如果控制部10可以输出识别结果，则识别结果输出部32可以使用任意的设备。例如，当控制部10向存储部20输出识别结果时，存储部20兼作识别结果输出部32。
接下来，针对控制部10的功能进行说明。控制部10实现标准化部11、肤色减法部12、第1一对其他识别器13、第2一对其他识别器14以及校正部15的功能。
标准化部11将从图像输入部31输入的图像数据的颜色以及亮度的成分进行标准化。图2以及图3表示标准化前后的图像数据的具体例。但是，它们实际上是彩色图像(识别装置100处理的图像是彩色图像)，但是为了形成申请文件而被转换为黑白图像。图2是标准化前的图像，被转换为黑白图像之前是浅蓝色的图像。图3是标准化后的图像，被转换为黑白图像之前是浅紫色的图像。
肤色减法部12是从在标准化部11进行了标准化的图像数据的RGB值减去肤色成分(肤色的RGB值)。通过该肤色减法的处理，可以使人的皮肤的图像的RGB均匀正负地分布，并可以提高识别器进行识别的精度。
第1一对其他识别器13和第2一对其他识别器14是针对多个类的数据，来识别是特定类还是其他类(该特定类以外的类)的识别器。识别装置100作为基础识别器，使用像这样的两个一对其他识别器，来提高识别精度。作为该基础识别器。例如可以使用神经网络、SVM(Support Vector Machine：支持向量机)等任意的识别器。在本实施例中，使用图4所示的基础识别器。图4所示的识别器将输入的图像本身和对该图像实施了几何变换处理(旋转、反转、移动、缩放等)的图像分别并行输入到卷积神经网络(Convolutional NeuralNetork：CNN)，对所获得的各输出进行相加平均，并输出识别结果(预测值)。
将识别装置100希望识别的类(在这里设为第1类)与其他类识别出的基础识别器设为第1一对其他识别器13。然后，第2一对其他识别器14是识别出第1类以外的某类(在这里设为第2类)和其他类(也包括第1类)的基础识别器。在这里，第2一对其他识别器14的识别精度在一定条件下需要高于第1一对其他识别器13的识别精度。此外，该识别精度例如可以使用作为ROC(Receiver Operating Characteristic：受试者工作特征)曲线下的面积的AUC(Area Under the receiver operator Curve：受试者工作特征曲线面积)的值来进行表示(认为AUC越接近1精度越高)。理想的是，作为第2一对其他识别器14，AUC非常接近1。例如，理想的是，第2一对其他识别器14的AUC比第1一对其他识别器13的AUC更大。但是，除此以外，还存在对第2一对其他识别器14的选择条件。例如，对于本实施方式，对于第2一对其他识别器14的第2类的识别精度(灵敏度)高于对于第1一对其他识别器13的第2类(对于第1一对其他识别器13也包括其他类的类)的识别精度(特异性)的情况也是理想的。
校正部15根据第2一对其他识别器14的识别结果来校正第1一对其他识别器13的识别结果。具体而言，根据以下的数学式来进行校正。
数学式1
在数学式(1)中，F(x)表示识别器针对输入图像的输出，C表示各识别器成为等价错误率(Equal Error Rate:EER)的判定阈值，波浪线表示基础识别器。另外，α是用于使第1一对其他识别器13与第2一对其他识别器14的输出标度匹配的系数，也是用于调整第2一对其他识别器14的输出对识别装置100的识别结果产生多大影响的系数。例如，可以设α＝1，也可以作为以下数学式：
数学式2
此外，作为数学式(1)的应用条件，设第2一对其他识别器14的输出(FSK(x)超过判定阈值CSK，但是这是由于仅在第2一对其他识别器14的输出具有高可靠性的条件下应用校正。
以上，针对识别装置100的功能结构进行了说明。接下来，针对识别装置100的整体处理的内容，参照图5进行说明。首先，在对图像进行了标准化以及肤色减法之后，分别输入至第1基础识别器(第1一对其他识别器)以及第2基础识别器(第2一对其他识别器)。具体而言，第1基础识别器识别皮肤病变是黑素瘤(恶性黑素瘤(Malignant Melanoma:MM))还是其他疾病，第2基础识别器识别是脂溢性角化症(Seborrheic Keratosis:SK)还是其他疾病。一般来说，年轻人的脂溢性角化症很少，因此对第2基础识别器的识别结果进行基于年龄信息以及性别信息的校正(因此，在成为识别对象的各图像数据中，附加年龄信息以及性别信息)。例如，如果年龄未满30岁，则即使第2基础识别器的识别结果是脂溢性角化症，也将该识别结果校正为“非脂溢性角化症”。然后，如果该校正后的第2基础识别器的识别结果是脂溢性角化症，则即使第1基础识别器的识别结果是黑素瘤，也将识别装置100的识别结果校正为“非黑素瘤”。(更准确地说，根据上述的数学式(1)来计算识别结果。)
接下来，针对识别装置100的识别处理，参照图6进行说明。该处理は、用户如果对识别装置100指示识别处理的开始，则开始该处理。首先，识别装置100的标准化部11对通过图像输入部31输入的图像进行标准化(步骤S101)。步骤S101也被称为标准化步骤。接下来，肤色减法部12从被标准化的图像的RGB值中减去肤色的RGB值(步骤S102)。步骤S102也被称为肤色减法步骤。
然后，通过第1一对其他识别器13来识别减去了肤色的图像(步骤S103)。步骤S103也被称为第1一对其他识别步骤。还通过第2一对其他识别器14来识别减去了该肤色的图像(步骤S104)。步骤S104也被称为第2一对其他识别步骤。
然后，校正部15根据上述数学式(1)，使用由第2一对其他识别器14识别出的结果，来校正由第1一对其他识别器13识别出的结果(步骤S105)。步骤S105也被称为校正步骤。然后，控制部10经由识别结果输出部32输出由校正部15校正的识别结果(步骤S106)，并结束识别处理。步骤S106也被称为识别结果输出步骤。
如上，识别装置100使用第2一对其他识别器14的识别结果来校正第1一对其他识别器13的识别结果，因此可以获得更高精度的识别结果。
以下表示评估识别装置100的精度的结果。这是使用给予ISBI(InternationalSymposium on Biomedical Imagine：国际生物医学成像研讨会)挑战2017的参加者的验证数据(全部150个样本)，评估出的结果。表1是识别装置100具备的基础识别器的AUC的比较结果。中间一列是没有使用外部训练数据的情况。另外，右边一列是没有使用年龄/性别信息的情况。通过使用年龄/性别信息，在SK识别器(第2一对其他识别器)的学习数据的交差验证评估中AUC从0.957上升至0.960，但是在测试数据中由于样本数量较少，并未看出差别。
表1
识别装置100 无外部训练数据 无年龄/性别
MM识别器AUC 0.899 0.896 0.899
SK识别器AUC 0.992 0.981 0.992
平均值 0.945 0.939 0.945
ISIC-ISBI挑战2017第三部分的验证集评分(暂时)
表2总结了针对判别病变图像是恶性还是良性的两项识别的ISBI挑战2016第三部分3的结果。针对该识别进行识别装置100的再训练。之后，在2016年公开的基于科代拉(Codella)等(后述的参考文献1)的方法中，使用基于多层结构的神经网络进行的自动病变分割进程。此外，在识别装置100中不使用该进程。
表2
ISIC-ISBI挑战赛2016第三部分测试集评分(暂时)
尽管没有进行病变图像的分割(或者裁剪)，识别装置100也示出了明显优于作为当前最新的数据的去年的结果(表2)的结果(在表2中，从左起第二列是后述的参考文献2中记载的2016年的最高值)。如参考文献1所述，如果使用具有可靠性的分割法，则可以期望能够进一步提高识别装置100的结果。另外，通过使用年龄/性别信息来校正脂溢性角化症的一对其他的别器的识别结果，观察到微小的效果。
(参考文献)
1.N.Codella,Q.B.Nguyen,S.Pankanti,D.Gutman,B.Helba,A.Halpern andJ.R.Smith,"Deep Learning Ensembles for Melanoma Recognition in DermoscopyImages,"arXiv:1610.04662,2016.
2.D.Gutman,N.C.F.Codella,E.Celebi,B.Helba,M.Marchetti,N.Mishra andA.Halpern,"Skin Lesion Analysis towards Melanoma Detection:A Challenge at theInternational Symposium on Biomedical Imaging(ISBI)2016,hosted by theInternational Skin Imaging Collaboration(ISIC),"arXiv:1605.01397,2016.
此外，也可以通过普通PC(Personal Computer：个人计算机)等计算机来实现识别装置100的各功能。具体而言，在上述实施方式中，将识别装置100进行的识别处理的程序作为预先存储在存储部20的ROM中的程序来进行了说明。但是，可以通过在软盘、CD-ROM(Compact Disc Read Only Memory：光盘只读存储器)、DVD(Digital Versatile Disc：数字多功能光盘)以及MO(Magneto-Optical Disc：磁光盘)等计算机可读取的存储介质中存储来发布程序，并将该程序读入并安装在计算机中，来构成可以实现上述各功能的计算机。
以上，针对本发明的优选的实施方式进行了说明，但是本发明并不限定于所涉及的特定的实施方式，在本发明中包括专利请求的范围中所记载的发明以及与其等效的范围。

Claims (12)

1.一种识别装置，其特征在于，具备：
第1一对其他识别器，其识别出第1类和其他类；
第2一对其他识别器，其识别出与所述第1类不同的第2类识别和其他类；以及
校正部，其使用所述第2一对其他识别器的识别结果，来校正所述第1一对其他识别器的识别结果。
2.根据权利要求1所述的识别装置，其特征在于，
所述第2一对其他识别器识别所述第2类的精度高于所述第1一对其他识别器识别所述第1类的精度。
3.根据权利要求1所述的识别装置，其特征在于，
如果所述第2一对其他识别器识别出是所述第2类，则即使所述第1一对其他识别器识别出是所述第1类，所述校正部也将识别结果校正为是所述第1类以外的类。
4.根据权利要求1所述的识别装置，其特征在于，
该识别装置具备：
图像输入部，其输入图像数据；
标准化部，其将所述图像输入部输入的图像数据进行标准化，
所述第1一对其他识别器以及所述第2一对其他识别器识别由所述标准化部进行了标准化的图像数据。
5.根据权利4所述的识别装置，其特征在于，
该识别装置具备：
肤色减法部，其从所述标准化部进行了标准化的图像数据中减去肤色成分，
所述第1一对其他识别器以及所述第2一对其他识别器识别由所述肤色减法部减去了肤色成分的图像数据。
6.根据权利要求1所述的识别装置，其特征在于，
在识别对象的数据中包括年龄信息，
所述校正部在校正所述第1一对其他识别器的识别结果之前，使用所述年龄信息来校正所述第2一对其他识别器的识别结果。
7.根据权利要求1所述的识别装置，其特征在于，
在识别对象的数据中包括性别信息，
所述校正部在校正所述第1一对其他识别器的识别结果之前，使用所述性别信息来校正所述第2一对其他识别器的识别结果。
8.一种识别方法，其特征在于，包括以下步骤：
第1一对其他识别步骤，识别出第1类与其他类；
第2一对其他识别步骤，识别出与所述第1类不同的第2类识别和其他类；以及
校正步骤，使用所述第2一对其他识别步骤中的识别结果，来校正所述第1一对其他识别步骤中的识别结果。
9.根据权利要求8所述的识别方法，其特征在于，
在所述第2一对其他识别步骤中识别所述第2类的精度高于在所述第1一对其他识别步骤中识别所述第1类的精度。
10.根据权利要求8所述的识别方法，其特征在于，
如果在所述第2一对其他识别步骤中识别出是所述第2类，则即使在所述第1一对其他识别步骤中识别出是所述第1类，所述校正步骤也将识别结果校正为是所述第1类以外的类。
11.根据权利要求8所述的识别方法，其特征在于，
该识别方法包括以下步骤：
图像输入步骤，输入图像数据；以及
标准化步骤，将在所述图像输入步骤中输入的图像数据进行标准化，
在所述第1一对其他识别步骤以及所述第2一对其他识别步骤中，识别在所述标准化步骤中进行了标准化的图像数据。
12.一种计算机可读取的存储介质，其特征在于，
记录了用于使计算机执行以下步骤的程序：
第1一对其他识别步骤，识别出第1类与其他类；
第2一对其他识别步骤，识别出与所述第1类不同的第2类和其他类；以及
校正步骤，使用在所述第2一对其他识别步骤中的识别结果，来校正在所述第1一对其他识别步骤中的识别结果。
CN201810133933.6A 2017-03-08 2018-02-09 识别装置、识别方法以及程序存储介质 Active CN108573485B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017044353A JP6583316B2 (ja) 2017-03-08 2017-03-08 識別装置、識別方法及びプログラム
JP2017-044353 2017-03-08

Publications (2)

Publication Number Publication Date
CN108573485A true CN108573485A (zh) 2018-09-25
CN108573485B CN108573485B (zh) 2022-10-14

Family

ID=61192715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810133933.6A Active CN108573485B (zh) 2017-03-08 2018-02-09 识别装置、识别方法以及程序存储介质

Country Status (6)

Country Link
US (1) US11004227B2 (zh)
EP (1) EP3373204A1 (zh)
JP (1) JP6583316B2 (zh)
CN (1) CN108573485B (zh)
AU (1) AU2018200322B2 (zh)
CA (1) CA2994129C (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6677830B1 (ja) * 2019-01-18 2020-04-08 ソフトバンク株式会社 情報処理装置の制御プログラム、情報処理装置の制御方法、及び、情報処理装置
EP3951794A1 (en) * 2019-03-29 2022-02-09 University of Tsukuba Skin disease analyzing program, skin disease analyzing method, skin disease analyzing device, and skin disease analyzing system
CN113837236B (zh) * 2021-08-31 2022-11-15 广东智媒云图科技股份有限公司 图像中目标对象的识别方法、装置、终端设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077399A (zh) * 2012-11-29 2013-05-01 西交利物浦大学 基于集成级联架构的生物显微图像分类方法
CN103345638A (zh) * 2013-06-24 2013-10-09 清华大学深圳研究生院 基于医学影像的腔体病灶计算机辅助检测方法
CN104102898A (zh) * 2013-04-15 2014-10-15 欧姆龙株式会社 识别器更新装置、信息处理装置及识别器更新方法
CN104182984A (zh) * 2014-09-01 2014-12-03 云南大学 动态超声影像中的血管边缘形态快速自动采集方法及***
WO2016032398A2 (en) * 2014-08-25 2016-03-03 Singapore University Of Technology And Design Method and device for analysing an image
CN105404848A (zh) * 2014-09-05 2016-03-16 欧姆龙株式会社 识别装置以及识别装置的控制方法
CN105740875A (zh) * 2016-03-17 2016-07-06 电子科技大学 一种基于多尺度三维块特征提取的肺结节多轮分类方法
US20160253466A1 (en) * 2013-10-10 2016-09-01 Board Of Regents, The University Of Texas System Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5016173A (en) * 1989-04-13 1991-05-14 Vanguard Imaging Ltd. Apparatus and method for monitoring visually accessible surfaces of the body
US6801645B1 (en) * 1999-06-23 2004-10-05 Icad, Inc. Computer aided detection of masses and clustered microcalcifications with single and multiple input image context classification strategies
US6993167B1 (en) * 1999-11-12 2006-01-31 Polartechnics Limited System and method for examining, recording and analyzing dermatological conditions
US7689016B2 (en) * 2005-05-27 2010-03-30 Stoecker & Associates, A Subsidiary Of The Dermatology Center, Llc Automatic detection of critical dermoscopy features for malignant melanoma diagnosis
JP2008234627A (ja) * 2007-02-19 2008-10-02 Seiko Epson Corp カテゴリー識別装置、及び、カテゴリー識別方法
US9572494B2 (en) * 2008-08-12 2017-02-21 New Jersy Institute of Technology Method and apparatus for multi-spectral imaging and analysis of skin lesions and biological tissues
US20100158332A1 (en) * 2008-12-22 2010-06-24 Dan Rico Method and system of automated detection of lesions in medical images
JP5728534B2 (ja) * 2013-07-02 2015-06-03 日本電信電話株式会社 統合識別器学習装置、統合識別器学習方法、及び統合識別器学習プログラム
JP6528608B2 (ja) 2015-08-28 2019-06-12 カシオ計算機株式会社 診断装置、及び診断装置における学習処理方法、並びにプログラム
US9886758B2 (en) * 2016-03-31 2018-02-06 International Business Machines Corporation Annotation of skin image using learned feature representation
US10242442B2 (en) * 2016-10-27 2019-03-26 International Business Machines Corporation Detection of outlier lesions based on extracted features from skin images

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077399A (zh) * 2012-11-29 2013-05-01 西交利物浦大学 基于集成级联架构的生物显微图像分类方法
CN104102898A (zh) * 2013-04-15 2014-10-15 欧姆龙株式会社 识别器更新装置、信息处理装置及识别器更新方法
CN103345638A (zh) * 2013-06-24 2013-10-09 清华大学深圳研究生院 基于医学影像的腔体病灶计算机辅助检测方法
US20160253466A1 (en) * 2013-10-10 2016-09-01 Board Of Regents, The University Of Texas System Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes
WO2016032398A2 (en) * 2014-08-25 2016-03-03 Singapore University Of Technology And Design Method and device for analysing an image
CN104182984A (zh) * 2014-09-01 2014-12-03 云南大学 动态超声影像中的血管边缘形态快速自动采集方法及***
CN105404848A (zh) * 2014-09-05 2016-03-16 欧姆龙株式会社 识别装置以及识别装置的控制方法
CN105740875A (zh) * 2016-03-17 2016-07-06 电子科技大学 一种基于多尺度三维块特征提取的肺结节多轮分类方法

Also Published As

Publication number Publication date
US20180260970A1 (en) 2018-09-13
US11004227B2 (en) 2021-05-11
AU2018200322A1 (en) 2018-09-27
CA2994129A1 (en) 2018-09-08
AU2018200322B2 (en) 2019-10-31
JP2018147405A (ja) 2018-09-20
CA2994129C (en) 2022-10-18
JP6583316B2 (ja) 2019-10-02
EP3373204A1 (en) 2018-09-12
CN108573485B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN108615051B (zh) 基于深度学习的糖尿病视网膜图像分类方法及***
Tofighi et al. Prior information guided regularized deep learning for cell nucleus detection
CN108573485A (zh) 识别装置、识别方法以及程序存储介质
Mungle et al. MRF‐ANN: a machine learning approach for automated ER scoring of breast cancer immunohistochemical images
US10467748B2 (en) Tissue sample analysis technique
WO2022247573A1 (zh) 模型训练方法、图像处理方法、装置、设备及存储介质
WO2020143165A1 (zh) 一种翻拍图像的识别方法、***及终端设备
Zheng et al. Integrating semi-supervised and supervised learning methods for label fusion in multi-atlas based image segmentation
Huang et al. A dataset auditing method for collaboratively trained machine learning models
CN111724269A (zh) 一种基于机器学习的结算数据处理方法及装置
Ramamurthy et al. A novel two‐staged network for skin disease detection using atrous residual convolutional networks
CN112884725A (zh) 针对用于细胞判别的神经网络模型输出结果的修正方法
CN111242168A (zh) 一种基于多尺度注意力特征的人体皮肤图像病变分类方法
CN114648509B (zh) 一种基于多分类任务的甲状腺癌检出***
Kye et al. Skin color classification of Koreans using clustering
CN116091453B (zh) 一种乳腺癌的病灶检测方法
Nunnari et al. The effects of masking in melanoma image classification with CNNs towards international standards for image preprocessing
valli Gogula et al. A diabetic retinopathy detection method using an improved pillar K-means algorithm
Maletti et al. A combined alignment and registration scheme of lesions with psoriasis
Charak et al. Novel approach for quantification for severity estimation of blight diseases on leaves of tomato plant
CN110135221A (zh) 一种利用标准细胞库图像识别样本细胞的方法
WO2024095319A1 (ja) 情報処理装置、情報処理方法、および記録媒体
US20230346276A1 (en) System and method for detecting a health condition using eye images
Durán-Díaz et al. A Robust Method for the Unsupervised Scoring of Immunohistochemical Staining
Gryska et al. Increasing trust through the design of algorithm-based lesion segmentation support systems

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