CN109256207A - 一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法 - Google Patents
一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法 Download PDFInfo
- Publication number
- CN109256207A CN109256207A CN201810992036.0A CN201810992036A CN109256207A CN 109256207 A CN109256207 A CN 109256207A CN 201810992036 A CN201810992036 A CN 201810992036A CN 109256207 A CN109256207 A CN 109256207A
- Authority
- CN
- China
- Prior art keywords
- sample
- keratoconus
- xgboost
- feature
- training
- 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.)
- Pending
Links
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法,包括如下步骤:采集眼科病人的角膜检查数据,由眼科专家为每个角膜样本标注一个类别标签圆锥角膜、疑似圆锥角膜、正常角膜,作为训练样本数据;对角膜样本数据的各类特征分别进行特征值归一化处理,使其映射到区间[0,1]之间;采用XGBoost对样本数据进行特征扩建,将扩建后的特征集作为样本的训练特征;基于样本数据的训练特征,训练构建SVM诊断模型;使用诊断模型对新病例进行诊断预测。试验表明,该方法的诊断效果已满足临床应用。使用该方法对圆锥角膜、尤其是疑似圆锥角膜的筛查,可减少对医学专家诊断的依赖,并基本可以提升诊断效率、准确率。
Description
技术领域
本发明属于眼科医疗诊断领域,涉及机器学习技术,尤其是一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病症的方法。
背景技术
圆锥角膜(keratoconus)是一种以角膜扩张为特征,致角膜中央或旁中央区向前凸出呈圆锥形及产生高度不规则近视散光和不同视力损害的原发性角膜变性疾病,其可以是一种独立的疾病,也可以是多种综合征的组成部分。其多发生于***前后,不伴有炎症。晚期会出现急性角膜水肿,形成瘢痕,视力严重受损。明显的圆锥角膜易于确诊。当外观及裂隙灯所见不典型时,早期诊断较困难。最有效的方法为角膜地形图检查。但即便如此,早期圆锥角膜的诊断标准并未完全统一,对于相对复杂的疑似圆锥角膜病例多需由经验丰富的专家进行详细会诊讨论才能给予相对准确的诊断;同时大量的病例、有限的专家、复杂的角膜参数都给圆锥角膜的早期诊增加了很大的难度。因此圆锥角膜的早期筛查已成为亟待解决的关键问题。
本发明中涉及到的极值梯度提升模型(XGBoost)算法是现今工业上应用最多的机器学习模型之一,其基分类器可以从决策树(gbtree)和线性(gblinear)核函数中任意选择。XGBoost内部包含大量的决策回归树,使用残差来提升模型,并且加入了正则化以防止过拟合,保证模型的鲁棒性。本发明首先使用训练样本训练XGBoost模型来扩充新特征,其方法为:基于XGBoost迭代产生的决策树的结构特征,可以记录每条训练样本数据在各决策树叶子结点中的位置,依此对该训练样本进行One-Hot编码,将其作为该训练数据的新特征,实现对训练数据的特征扩充。由于One-Hot编码产生的新特征能较好的描述众多弱分类器(XGBoost迭代产生的决策树)对该样本的分类决策,因此,这些扩充的新特征将有助于提升样本的类别区分度,即提升训练样本的预测价值,进而提升预测模型的精准度。基于样本扩充后的特征,本发明采用当下流行的支持向量机方法(SVM)训练构建诊断模型,SVM在解决小样本、高维特征模式识别问题中表现出许多特有的优势,其最终的目标函数将由少数的支持向量所决定,并不取决于样本空间的维数,某种程度上避免了维数灾难,而且具有较好的鲁棒性和预测效率。
在诊断临床早期圆锥角膜(疑似圆锥角膜)及圆锥角膜病例的应用上,本发明通过使用极值梯度提升模型(XGBoost)模型对原始样本的特征进行扩充,并结合支持向量机(SVM)预测模型进行筛查诊断,拥有较好的临床效果,能够有效辅助眼科医师,对临床病况做出高效且精准的诊断。
发明内容
本发明提供一种基于机器学习诊断圆锥角膜病例的方法,进行圆锥角膜、疑似圆锥角膜、及正常角膜的判定,为眼科医师临床诊断提供可靠的辅助工具。
实现本发明目的的技术方案为:
步骤1:采集眼科病人的角膜检查数据,由眼科专家为每个角膜样本标注一个类别标签(圆锥角膜、疑似圆锥角膜、正常角膜),作为训练样本数据;
步骤2:对角膜样本数据的各类特征分别进行特征值归一化处理,使其映射到区间[0,1]之间;
步骤3:采用极值梯度提升模型(XGBoost)对样本数据进行特征扩建,将扩建后的特征集作为样本的训练特征,具体步骤如下:
步骤3.1:基于样本数据由XGBoost训练构建N棵梯度提升树,即XGBoost模型迭代次数设置为N;
步骤3.2:将每个训练样本在N棵梯度提升树中的位置分别进行1、0编码(又称One-Hot编码,其中1用于记录样本位置,0用于表示样本缺省位置),并将生成的N组One-Hot编码,作为新特征,并入样本原特征中;
步骤4:基于样本数据的训练特征,训练构建支持向量机(SVM)诊断模型;
步骤5:使用诊断模型对新病例进行诊断预测,将新病例判定为圆锥角膜、疑似圆锥角膜、或正常角膜,具体步骤如下:
步骤5.1:对新病例样本数据的各类特征分别进行特征值归一化处理,使其映射到区间[0,1]之间;
步骤5.2:用已构建的极值梯度提升模型(XGBoost)对归一化的新病例样本进行特征扩建,即将新样本映射(Map)到已构建好的N棵梯度提升树上,记录该样本在N棵梯度提升树上位置,然后采用One-Hot编码,对新病例样本进行特征扩建;
步骤5.3:将新病例样本扩建后的特征输入已构建的SVM诊断模型,判定其标签为圆锥角膜、疑似圆锥角膜、或正常角膜。
优选地,步骤2所述,对角膜样本数据的各类特征分别进行特征值归一化处理,使其映射到区间[0,1]之间,具体公式如下:
其中,x为原始特征值,xmax为该类别特征最大值,xmin为该类别特征最小值,x*为该特征归一化后的取值。
本发明的优点和有益效果
1、本发明提出的一种基于机器学习诊断圆锥角膜病例的方法,通过分析大量已标注的角膜检测病例样本,提出使用XGBoost+SVM混合机器学习预测模型,识别圆锥角膜、疑似圆锥角膜、及正常角膜的方法。
2、本发明采用XGBoost方法对角膜病例样本的原始特征进行扩充,并进行One-Hot编码,获得对样本区分度较高的新特征,提高了样本原始非线性特征的分类性能。
3、试验表明,该方法的诊断效果已满足临床应用。使用该方法对圆锥角膜、尤其是疑似圆锥角膜的筛查,可减少对医学专家诊断的依赖,并基本可以提升诊断效率、准确率。
附图说明
图1为本发明方法的流程图;
图2为极值梯度提升决策树(XGBoost)的One-Hot编码。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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。
该方法包括以下步骤:
步骤1:采集眼科病人的角膜检查数据,由眼科专家为每个角膜样本标注一个类别标签(圆锥角膜、疑似圆锥角膜、正常角膜),作为训练样本数据;
步骤2:对角膜样本数据的各类特征分别进行特征值归一化处理,使其映射到区间[0,1]之间,具体公式如下:
其中,x为原始特征值,xmax为此类特征的最大值,xmin为此类特征的最小值,x*为归一化后的值。
步骤3:采用极值梯度提升模型(XGBoost)对样本数据进行特征扩建,具体步骤如下:
步骤3.1:通过求解极小化的目标函数obj(1),初始化第一棵分类回归树f1(xi):
其中,xi为第i个训练样本,yi为xi对应的标签值,N样本数量,L为损失函数softmax,Ω(f1(xi))为决策树f1(xi)的正则化项。
步骤3.2:通过求解极小化的目标函数obj(t),获得第t棵分类回归树ft(xi):
其中,obj(t)第t轮次的目标函数,Ij表示分类回归树的第j个叶子中的样本集合,表示第i个样本目标函数的一阶导,表示第i个样本目标函数的二阶导;j为分类回归树的叶子节点的索引值,t为所训练回归树的所属轮数,γ、λ为惩罚力度,T为叶子个数。
步骤3.3:迭代执行步骤3.2共200次,依次获得分类回归树ft(xi),t=2,3,4,...,200,并记录各个样本在每棵树中的节点位置。
其中,构建XGBoost分类器涉及到的参数包括:学习率设置为0.1,树的最大深度设置为3,最小叶子节点样本权重和设置为1,节点***所需的最小损失函数下降值设置为0,限制每棵树权重改变的最大步长设置为无约束,随机样本抽样比率设置为1,控制树的每一级的每一次***,每棵随机采样的列数占比设置为1,数据的度量方法设置为AUC,生成伪随机数的种子设置为10。
步骤3.4:将每个训练样本在200棵梯度提升树中的位置分别进行1、0编码(又称One-Hot编码,其中1用于记录样本位置,0用于表示样本缺省位置,见图2示例),并将生成的200组One-Hot编码作为新特征并入样本原特征中;
示例:假设一条数据x在N=3颗树中的位置如图2所示,那么根据x在树叶子结点的位置(图2中黑色结点),它所构造的新特征为100000010010。
步骤4:基于样本数据的训练特征,训练构建支持向量机(SVM)诊断模型,具体步骤如下:
步骤4.1:将原始训练样本划分成3个二分类的训练样本。划分方式以其中一类标签(圆锥角膜、疑似圆锥角膜、正常角膜)为正样本,其他两类为负样本(如:圆锥角膜为正样本,疑似圆锥角膜和正常角膜为负样本);
步骤4.2:以圆锥角膜为正样本,疑似圆锥角膜和正常角膜为负样本训练分类决策函数。求解分离超平面的目标函数:
0≤αi≤C,i=1,2,...,N
其中,x为训练样本特征,y表示正负样本标签,N为样本个数,惩罚参数C=1,i、j为训练样本编号,αi、αj表示拉格朗日乘子,生成伪随机数的种子设置为10。
根据目标函数,求得最优解及选择α*的一个分量计算获得分类决策函数:
F1(x)=ω*·x+b*
步骤4.3:依照步骤4.2,以疑似圆锥角膜为正样本、圆锥角膜和正常角膜为负样本构建决策函数F2(x);
步骤4.4:依照步骤4.2,以正常角膜为正样本、圆锥角膜和疑似圆锥角膜为负样本构建决策函数F3(x);
步骤4.5:输入诊断样本,比较F1(x),F2(x),F3(x)取值大小,将最大取值的类别标签,作为最终预测标签,即F(x)=Max[F1(x),F2(x),F3(x)]。
步骤5:使用诊断模型对新病例进行诊断预测,将新病例判定为圆锥角膜、疑似圆锥角膜、或正常角膜,具体步骤如下:
步骤5.1:对新病例样本数据的各类特征分别进行特征值归一化处理,使其映射到区间[0,1]之间;
步骤5.2:用已构建的极值梯度提升模型(XGBoost)对归一化的新病例样本进行特征扩建,即将新样本映射(Map)到已构建好的200棵梯度提升树上,记录该样本在200棵梯度提升树上位置,然后采用One-Hot编码,对新病例样本进行特征扩建;
步骤5.3:将新病例样本扩建后的特征输入已构建的SVM诊断模型,判定其标签为圆锥角膜、疑似圆锥角膜、或正常角膜。
下面通过三个具体病例来说明通过本发明方法诊断出的病患的正确性。
以上公开的仅为本发明的几个具体实施例,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (4)
1.一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法,其特征在于:包括如下步骤:
步骤1:采集眼科病人的角膜检查数据,由眼科专家为每个角膜样本标注一个类别标签,分别为圆锥角膜、疑似圆锥角膜、正常角膜,作为训练样本数据;
步骤2:对角膜样本数据的各类特征分别进行特征值归一化处理,使其映射到区间[0,1]之间;
步骤3:采用XGBoost对样本数据进行特征扩建,将扩建后的特征集作为样本的训练特征;
步骤4:基于样本数据的训练特征,训练构建SVM诊断模型;
步骤5:使用诊断模型对新病例进行诊断预测,将新病例判定为圆锥角膜、疑似圆锥角膜、或正常角膜。
2.根据权利要求1所述的基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法,其特征在于:步骤2归一化处理的具体公式如下:
其中:x为原始特征值,xmax为该类别特征最大值,xmin为该类别特征最小值,x*为该特征归一化后的取值。
3.根据权利要求1所述的基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法,其特征在于:采用XGBoost对样本数据进行特征扩建的具体步骤如下:
步骤1:基于样本数据由XGBoost训练构建N棵梯度提升树,XGBoost模型迭代次数设置为N;
步骤2:将每个训练样本在N棵梯度提升树中的位置分别进行1、0编码,并将生成的N组One-Hot编码,作为新特征,并入样本原特征中。
4.根据权利要求1所述的基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法,其特征在于:步骤5的具体步骤如下:
步骤1:对新病例样本数据的各类特征分别进行特征值归一化处理,使其映射到区间[0,1]之间;
步骤2:用已构建的XGBoost模型对归一化的新病例样本进行特征扩建,即将新样本映射到已构建好的N棵梯度提升树上,记录该样本在N棵梯度提升树上位置,然后采用One-Hot编码,对新病例样本进行特征扩建;
步骤3:将新病例样本扩建后的特征输入已构建的SVM诊断模型,判定其标签为圆锥角膜、疑似圆锥角膜、或正常角膜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810992036.0A CN109256207A (zh) | 2018-08-29 | 2018-08-29 | 一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810992036.0A CN109256207A (zh) | 2018-08-29 | 2018-08-29 | 一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109256207A true CN109256207A (zh) | 2019-01-22 |
Family
ID=65049474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810992036.0A Pending CN109256207A (zh) | 2018-08-29 | 2018-08-29 | 一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109256207A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109920551A (zh) * | 2019-01-24 | 2019-06-21 | 华东师范大学 | 基于机器学习的自闭症儿童社会行为表现特征分析*** |
CN111984872A (zh) * | 2020-09-09 | 2020-11-24 | 北京中科研究院 | 基于迭代优化策略的多模态信息社交媒体流行度预测方法 |
CN112465657A (zh) * | 2021-02-02 | 2021-03-09 | 北京淇瑀信息科技有限公司 | 一种基于树模型特征衍生的风险评估方法、装置和电子设备 |
CN112700863A (zh) * | 2020-12-28 | 2021-04-23 | 天津市眼科医院 | 一种基于Scheimpflug眼前节形态的屈光度精准评估的方法和应用 |
CN113611404A (zh) * | 2021-07-09 | 2021-11-05 | 哈尔滨智吾康软件开发有限公司 | 一种基于集成学习的血浆样本癌症早筛方法 |
CN114463014A (zh) * | 2022-02-23 | 2022-05-10 | 河南科技大学 | 基于SVM-Xgboost的移动支付风险预警方法 |
CN114548845A (zh) * | 2022-04-27 | 2022-05-27 | 北京智芯微电子科技有限公司 | 一种配网管理方法、装置及*** |
WO2023272876A1 (zh) * | 2021-06-28 | 2023-01-05 | 上海美沃精密仪器股份有限公司 | 一种基于多模态数据的双眼圆锥角膜诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107582037A (zh) * | 2017-09-30 | 2018-01-16 | 深圳前海全民健康科技有限公司 | 基于脉搏波设计医疗产品的方法 |
CN108389626A (zh) * | 2018-02-09 | 2018-08-10 | 上海长江科技发展有限公司 | 基于人工智能的脑卒中筛查方法及*** |
-
2018
- 2018-08-29 CN CN201810992036.0A patent/CN109256207A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107582037A (zh) * | 2017-09-30 | 2018-01-16 | 深圳前海全民健康科技有限公司 | 基于脉搏波设计医疗产品的方法 |
CN108389626A (zh) * | 2018-02-09 | 2018-08-10 | 上海长江科技发展有限公司 | 基于人工智能的脑卒中筛查方法及*** |
Non-Patent Citations (8)
Title |
---|
余锦华等: "正常角膜和圆锥角膜的特征提取", 《光学 精密工程》 * |
俞高: "基于XGBoost算法的病例分型***设计", 《中国数字医学》 * |
刘玉尧: "基于Gradient Boosting算法的海量健康数据挖掘研究与应用", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑(月刊)》 * |
吴良斌: "《SAR图像处理与目标识别》", 31 January 2013, 北京:航空工业出版社 * |
贾文慧等: "基于XGBoost模型的股骨颈骨折手术预后质量评分预测", 《太原理工大学学报》 * |
金升剑: "《深度学习 基于MATLAB的设计实例》", 30 April 2018, 北京航空航天大学出版社 * |
高瑜鸿: "基于学习的圆锥角膜辅助诊断", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
魏勋等: "基于大规模不平衡数据集的糖尿病诊断研究", 《计算机***应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109920551A (zh) * | 2019-01-24 | 2019-06-21 | 华东师范大学 | 基于机器学习的自闭症儿童社会行为表现特征分析*** |
CN111984872A (zh) * | 2020-09-09 | 2020-11-24 | 北京中科研究院 | 基于迭代优化策略的多模态信息社交媒体流行度预测方法 |
CN111984872B (zh) * | 2020-09-09 | 2021-03-16 | 北京中科研究院 | 基于迭代优化策略的多模态信息社交媒体流行度预测方法 |
CN112700863A (zh) * | 2020-12-28 | 2021-04-23 | 天津市眼科医院 | 一种基于Scheimpflug眼前节形态的屈光度精准评估的方法和应用 |
CN112465657A (zh) * | 2021-02-02 | 2021-03-09 | 北京淇瑀信息科技有限公司 | 一种基于树模型特征衍生的风险评估方法、装置和电子设备 |
WO2023272876A1 (zh) * | 2021-06-28 | 2023-01-05 | 上海美沃精密仪器股份有限公司 | 一种基于多模态数据的双眼圆锥角膜诊断方法 |
US11717151B2 (en) | 2021-06-28 | 2023-08-08 | Shanghai MediWorks Precision Instruments Co., Ltd. | Method for early diagnosis of keratoconus based on multi-modal data |
JP7454679B2 (ja) | 2021-06-28 | 2024-03-22 | 上海美沃精密儀器股▲フン▼有限公司 | マルチモーダルデータに基づく両眼円錐角膜の評価システム |
CN113611404A (zh) * | 2021-07-09 | 2021-11-05 | 哈尔滨智吾康软件开发有限公司 | 一种基于集成学习的血浆样本癌症早筛方法 |
CN114463014A (zh) * | 2022-02-23 | 2022-05-10 | 河南科技大学 | 基于SVM-Xgboost的移动支付风险预警方法 |
CN114548845A (zh) * | 2022-04-27 | 2022-05-27 | 北京智芯微电子科技有限公司 | 一种配网管理方法、装置及*** |
CN114548845B (zh) * | 2022-04-27 | 2022-07-12 | 北京智芯微电子科技有限公司 | 一种配网管理方法、装置及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109256207A (zh) | 一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法 | |
Lavric et al. | KeratoDetect: keratoconus detection algorithm using convolutional neural networks | |
CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
Ran et al. | Cataract detection and grading based on combination of deep convolutional neural network and random forests | |
CN109345538A (zh) | 一种基于卷积神经网络的视网膜血管分割方法 | |
CN109325942A (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
CN104809480A (zh) | 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 | |
Paul et al. | Octx: Ensembled deep learning model to detect retinal disorders | |
CN106709421A (zh) | 一种基于变换域特征和cnn的细胞图像识别分类方法 | |
Firke et al. | Convolutional neural network for diabetic retinopathy detection | |
CN104978569A (zh) | 一种基于稀疏表示的增量人脸识别方法 | |
CN111028230A (zh) | 一种基于yolo-v3的眼底图像视盘及黄斑定位检测算法 | |
Sharma et al. | Harnessing the Strength of ResNet50 to Improve the Ocular Disease Recognition | |
Tasnim et al. | Comparisonal study of deep learning approaches on retinal OCT image | |
Sharma et al. | A suitable approach for classifying skin disease using deep convolutional neural network | |
Choudhary et al. | ANN glaucoma detection using cup-to-disk ratio and neuroretinal rim | |
Krishnamoorthi et al. | Hybrid feature vector based detection of Glaucoma | |
US11017323B2 (en) | Method and apparatus for improving a profile analysis of an interpretive framework based on digital measurement of the production of and responses to visual stimuli | |
CN111598866A (zh) | 一种基于眼部b超图像的晶状体关键特征定位方法 | |
CN110507288A (zh) | 基于一维卷积神经网络的视觉诱导晕动症检测方法 | |
Karthik et al. | Design and Implementation of Multi-Retinal Disease Classification Using Deep Neural Network | |
Guo et al. | DSLN: Dual-tutor student learning network for multiracial glaucoma detection | |
Sangamesh et al. | A New Approach to Recognize a Patient with Diabetic Retinopathy using Pre-trained Deep Neural Network EfficientNetB0 | |
George et al. | Convolutional Neural Network for automatic segmentation of EDI OCT images | |
Jose | Classification of EYE Diseases Using Multi-Model CNN |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190122 |