CN109635850A - 一种基于生成对抗网络优化医学图像分类性能的方法 - Google Patents
一种基于生成对抗网络优化医学图像分类性能的方法 Download PDFInfo
- Publication number
- CN109635850A CN109635850A CN201811404314.2A CN201811404314A CN109635850A CN 109635850 A CN109635850 A CN 109635850A CN 201811404314 A CN201811404314 A CN 201811404314A CN 109635850 A CN109635850 A CN 109635850A
- Authority
- CN
- China
- Prior art keywords
- data
- positive sample
- candidate
- training
- classification
- 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种基于生成对抗网络优化医学图像分类性能的方法。它包括构建分类任务数据集;在现有的数据上训练分类算法模型;利用生成对抗网络生成新的正样本候选数据;利用投票机制对生成的正样本数据进行严格筛选;按一定比例将生成的数据融入已有的正样本数据微调分类网络。本发明的技术优点在于解决医疗图像分类中存在的正样本数据量少而导致算法泛化能力差,易过拟合,以及人工积累数据成本高等问题。另外,在提升医疗图像分类算法性能的同时能在一定程度上提升算法的抗攻击能力。
Description
技术领域
本发明涉及图像生成和图像分类方法技术领域,尤其涉及一种基于生成对抗网络优化医学图像分类性能的方法。
背景技术
随着近几年来人工智能技术的发展,先进的技术惠及人们生活中的各个领域。医疗人工智能这一概念也开始被大众熟知。而当前中国的医疗制度体系正处于重要的发展阶段,中国医疗行业仍然面临着包括医疗资源分布不均衡,医疗对象人口基数庞大等问题,另外中国经济的不断发展,即将实现全面小康社会的大背景下,百姓对自身的健康问题也越发的重视。因此更先进的技术,更高效的医疗方式和更合理的解决方案便是当前国内医疗行业发展的重要方向。
由于计算机视觉领域关键技术的进步,结合大量的医疗数据与临床医学,智能医疗这一研究学科孕育而生。任何一个学科的发展往往不会是一帆风顺的,更不可能一蹴而就。开发更快、更准的智能医疗***面临着不少问题,例如高质量的医疗数据获取成本较大,通常需要专家级别的医生,对数据进行标定;同时涉及病人隐私问题,想要获取大量可靠数据也很难实现;另外医疗数据往往存在类别分布极度不平衡问题,有病(正样本)没病(负样本)的数量比往往是几十分之一,甚至更低。因此想要开发某一病种是否患病的智能影像诊断***,往往可供利用的只有几十个或者几百个案例的数据。为了能开发出分类模型,不得不对数据采取大量的数据增广措施;另外,样本类别分布不均衡的情况下,往往需要对稀少类别的样本(通常是包含有病的正样本)进行过度的重采样。如此开发出来的诊断***在开发过程中的验证样本上可能会有较好的表现,但是放到实际临床运用,其准确性就会大大降低。
采用生成对抗网络(GAN)模型生成数据,一方面能够缓解数据量不够的问题,另一方面引入生成样本数据,增加训练数据的多样性,可以使得智能医疗分类模型更具有鲁棒性,让其在实际运用过程中获得更好的表现。而本发明正是利用了这一特点,结合深度学习分类算法,以及科学的生成样本数据筛选方式,形成一套能够提高各类医疗图像分类模型性能的方法流程。
发明内容
本发明的目的在于,提供一种基于生成对抗网络优化医学图像分类性能的方法,旨在解决采用一般分类算法的研发方式,往往容易因为数据不够或正样本数据过度重采样,造成分类模型过拟合,鲁棒性差的问题。本发明提出了利用深度学习卷积网络在已有数据训练得到病灶影像分类模型的基础上,采用生成对抗网络生成候选正样本数据,对所生成的数据进行指定方式的筛选之后,融入训练数据,重新训练,微调分类模型提升病灶影像分类模型的精度,同时提升它在实际运用过程中的鲁棒性以及抗攻击性。
为实现上述目的,本发明所提供的技术方案为:一种基于生成对抗网络优化医学图像分类算法的方法,其主要步骤包括:(1)构建分类任务数据集,包括数据预处理,给定标签等;(2)在已有数据上利用数据增广的方式训练初步的分类算法模型;(3)利用原始的正样本数据,训练生成对抗网络生成新的正样本候选数据;(4)将生成的正样本候选数据进行对应(2)中数据增广方式的图像处理,并对(2)的分类模型进行判别,然后采用投票机制判断生成的候选正样本的有效性;(5)将(4)中筛选出的有效候选正样本按一定比例融入(1)构建的数据集,利用新的数据集在(2)的分类模型上进行微调。
进一步地,所述步骤(1)中,分类任务数据集记标签的方式为正样本(有病灶),负样本(无病灶)。标注结果需要得到多位相关病种资深主治医生的一致认可才能使用,若医生们对某病例存在歧义相对较小,则采用少数服从多数的原则进行标签确认,但是此类样本再训练后期分类任务过程中被选取训练的权重为不存在歧义的0.5倍,若医生们对某病例存在较大歧义,则舍弃该病例。标注完成之后,对数据做归一化预处理,形成初始版本的分类任务数据集。
进一步地,所述步骤(2)中,数据增广的对象主要是正样本,包括放缩、平移、旋转、换轴、高斯滤波、明暗处理等处理。实现用以训练分类模型的数据分布正负样本比例在1:3到1:1之间,增广后形成的数据集中,正样本原始数据与发生变换后的正样本数据的比例控制在1:9到1:3之间。
训练算法分类器,若数据形式为2D图像,则采用2D卷积神经网络进行分类训练;若数据形式为3D图像,则采用3D卷积神经网络进行分类训练;若为二分类问题,则激活函数采用Sigmoid;若为多分类问题,则激活函数采用Softmax。
进一步地,所述步骤(3)中,所需要的训练数据为步骤(1)中预处理之后的全部正样本数据,不做任何数据增广直接训练生成对抗模型。训练收敛后,生成批量数据作为新的正样本候选数据,要求生成的候选正样本的数量为步骤(1)中的正样本总数的10倍。
进一步地,所述步骤(4)中,对步骤(3)生成的正样本候选数据及对应步骤(2)中数据增广的处理方式作为输入传入步骤(2)中训练好的分类模型,采用投票机制进行判定,即单个候选正样本在不同变换形态下作为输入给到训练好的模型,记录输出的分类结果。若某一候选正样本对应的所有形态下的输出结果超过75%为正,则保留此数据;反之则丢弃此数据。对保留的生成数据不同形态下判别为正样本的置信度求平均。最后对所有剩下候选正样本按此置信度从高到底进行排列。
进一步地,所述步骤(5)中,选取步骤(4)中保留的候选正样本数据加入步骤(1)中的数据正样本,选取方式为置信度从高到低选取,选取数量为原正样本总数的25%,形成新的数据集(包含所有原始负样本数据,80%正样本为所有原始正样本数据,20%正样本为通过筛选后的GAN生成的正样本);再利用新的数据集按照步骤(2)的训练方式,并用已有的分类模型做参数初始化,微调步骤(2)的分类模型。
本发明与现有技术相比,具有如下优点:(1)本发明得到的分类模型具有更好的鲁棒性、准确性、抗攻击性;(2)本发明的算法思路适合任意的病灶分类任务,不局限于数据的类型是2D图像还是3D图像。
本发明通过生成候选正样本的形式去扩充分类任务的训练数据集,大大降低了数据集的收集成本;另外在分类模型训练的过程中也更容易避免过拟合的现象。
附图说明
图1所述为一种基于生成对抗网络优化医学图像分类性能的方法的流程图。
图2所述为生成对抗网络结构图。
图3所述为筛选后得到的生成的恶性肺结节实例切片图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如附图1所示,本发明提出的一种基于生成对抗网络优化医学图像分类性能的方法,其主要步骤包括:构建分类任务数据集;在现有的数据上训练分类算法模型;利用生成对抗网络生成新的正样本候选数据;利用投票机制对生成的正样本数据进行严格筛选;按一定比例将生成的数据融入已有的正样本数据微调分类网络。
本发明适用不同医疗图像数据分类模型的开发,为方便理解发明中的各项细节,以肺结节良恶性分类模型的开发为例,进行详细说明。另外,本发明不受以下公开的具体事实的限制。
构建分类任务数据集,包括数据记标签,和数据预处理。分类任务数据集记标签的方式为:恶性结节记为正样本数据,良性结节记为负样本数据。标注结果经过4位拥有十年资历以上的放射科医生认证。若4位医生对某肺结节的良恶性判别一致,则记为正常数据样本;若4位医生对某肺结节存在1对3的良恶性判别歧义,则采取少数服从多数的方式给该肺结节记标签。同时此类样本在训练后期分类任务过程中被选取训练时权重为0.5(正常位1.0);若4位医生对某肺结节存在2对2的良恶性判别歧义,则放弃此数据。标注完成之后,在原始CT肺部影像序列上以肺结节中心为中心点截取32*32*32(顺序x,y,z;单位:像素)的立方体数据块,所有立方体的Hu值截取窗口范围为[-1200,600]并归一化到0-1值域范围。
在现有的数据上训练分类算法模型,包括正样本数据增广和训练分类模型。正样本数据增广采用复制、放缩、平移、旋转、换轴、高斯滤波、明暗处理等常用图像处理方式处理。正常正样本数据增广倍数多余存在歧义的正样本增广倍数。组后实现肺结节良恶性数据正负样本比例为1:3。增广后形成的数据集中,恶性肺结节的数据量(包含复制得到的正样本)与发生变换后恶性肺结节的数据量(除复制操作之外的图像处理得到的正样本数据)比例控制为1:5。
训练算法分类器,在tensorflow深度学习框架上进行肺结节良恶性分类实验。采用3D卷积神经网络,类VGG网络结构。以32*32*32作为输入经过多次3Dconv、BN、Relu、pooling操作进行分类训练,激活函数采用Sigmoid,优化器为ADAM,初始学习率为10-3。
利用原始的正样本数据,训练生成对抗网络生成新的正样本候选数据。将所有不存在歧义的恶性肺结节数据(即正常正样本数据)过训练好的分类网络,选取置信度大于0.9的正样本数据作为生成对抗网络的训练数据。生成对抗网络采用3D-GAN结构。生成网络的输入为随机生成的200维且值域在[0,1]之间的向量,经过一个3D卷积网络输出为32*32*32的立方体数据;对抗网络的输入为上述选取的32*32*32的正样本数据。生成网络和对抗网络交替训练,直至收敛。然后利用生成网络生成大批量的32*32*32的候选恶性肺结节立方体数据。
筛选候选正样本数据。对得到的候选恶性肺结节数据进行放缩、平移、旋转、换轴、高斯滤波、明暗处理六种操作。即一个候选样正样本变为七个候选正样本(其中一个是不做图像变换);将对应候选正样本的7种形态作为输入分别过之前训练好的良恶性分类模型,若输出结果的7个恶性置信度中有5个或5个以上大于0.9,则保留该候选正样本,且将7个置信度的平均值作为该保留恶性肺结节的最终置信度;若输出结果的7个恶性置信度中不超过4个满足大于0.9的条件,则丢弃该候选恶性肺结节数据。最后将筛选后留下来的候选肺结数据按置信度从高到低排列。
更新数据集,微调训练好的分类模型。将筛选得到的候选恶性结节数据按置信度从高到低,选出原数据集正样本总数(包括存在歧义的恶性结节)五分之一的数量,融入其中形成新的肺结节肿瘤良恶性分类数据。然后利用新的数据集,完全按照步骤(2)训练分类模型的步骤,进行数据增广操作,以训练好的分类模型作为模型参数初始化,初始学习率为调整10-5,进行微调训练,得到最终的结节良恶性分类模型。
以上所述实施例子细节只是本发明较佳案例之一,并非以此限制本发明实施范围。因此,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,这些改进和变型也应视为本发明的保护范围。前文所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (6)
1.一种基于生成对抗网络优化医学图像分类性能的方法,其特征在于:(1)构建分类任务数据集,包括数据预处理、给定标签等;(2)在已有数据上利用数据增广的方式训练初步的分类算法模型;(3)利用原始的正样本数据,训练生成对抗网络生成新的正样本候选数据;(4)将生成的正样本候选数据进行对应(2)中数据增广方式的图像处理,并对(2)的分类模型进行判别,然后采用投票机制判断生成的候选正样本的有效性;(5)将(4)中筛选出的有效候选正样本按一定比例融入(1)构建的数据集,利用新的数据集在(2)的分类模型上进行微调;(6)将(4)中筛选出的有效候选正样本按一定比例融入(1)构建的数据集,利用新的数据集在(2)的分类模型上进行微调。
2.根据权利要求1所述的一种基于生成对抗网络优化医学图像分类性能的方法,其特征在于:所述步骤(1)中,分类任务数据集记标签的方式为正样本(有病灶)、负样本(无病灶),其分布比例符合实际医疗环境;同时对数据做归一化预处理。
3.根据权利要求1所述的一种基于生成对抗网络优化医学图像分类性能的方法,其特征在于:所述步骤(2)中,数据增广的对象主要是正样本,包括放缩、平移、旋转、换轴、高斯滤波、明暗处理,实现用以训练分类模型的数据分布正负样本的比例在1:3到1:1之间。训练算法分类器,采用对应数据类型(2D或3D)的卷积神经网络。
4.根据权利要求1所述的一种基于生成对抗网络优化医学图像分类性能的方法,其特征在于:所述步骤(3)中,所需要的训练数据为步骤(1)中预处理之后的正样本数据,不做任何数据增广直接用于训练生成对抗模型。训练完成后,收集生成的数据作为新的正样本候选数据,要求生成的候选正样本的数量大于步骤(1)中的正样本总数。
5.根据权利要求1所述的一种基于生成对抗网络优化医学图像分类性能的方法,其特征在于:所述步骤(4)中,对步骤(3)生成的正样本候选数据及对应步骤(2)中数据增广的处理方式作为输入传入(2)训练好的分类模型,采用投票机制,即单个候选正样本在不同形态下通过已训练好的模型,超过75%输出结果为正,则保留此数据,并按置信度从高到低排列,反之则从候选正样本中剔除。
6.根据权利要求1所述的一种基于生成对抗网络优化医学图像分类性能的方法,其特征在于:所述步骤(5)中,选取步骤(4)中保留的候选正样本数据加入步骤(1)中的数据正样本,选取方式为置信度从高到低选取,选取一定量数据作为正样本,形成新的数据集;再利用新的数据集按照步骤(2)的训练方式,用已有的分类模型做参数初始化,微调步骤(2)的分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811404314.2A CN109635850A (zh) | 2018-11-23 | 2018-11-23 | 一种基于生成对抗网络优化医学图像分类性能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811404314.2A CN109635850A (zh) | 2018-11-23 | 2018-11-23 | 一种基于生成对抗网络优化医学图像分类性能的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635850A true CN109635850A (zh) | 2019-04-16 |
Family
ID=66069106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811404314.2A Pending CN109635850A (zh) | 2018-11-23 | 2018-11-23 | 一种基于生成对抗网络优化医学图像分类性能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635850A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175646A (zh) * | 2019-05-27 | 2019-08-27 | 浙江工业大学 | 基于图像变换的多通道对抗样本检测方法及装置 |
CN110197716A (zh) * | 2019-05-20 | 2019-09-03 | 广东技术师范大学 | 医学影像的处理方法、装置及计算机可读存储介质 |
CN110534192A (zh) * | 2019-07-24 | 2019-12-03 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
CN111126503A (zh) * | 2019-12-27 | 2020-05-08 | 北京同邦卓益科技有限公司 | 一种训练样本的生成方法和装置 |
CN111310791A (zh) * | 2020-01-17 | 2020-06-19 | 电子科技大学 | 一种基于小样本数目集的动态渐进式自动目标识别方法 |
CN111816306A (zh) * | 2020-09-14 | 2020-10-23 | 颐保医疗科技(上海)有限公司 | 一种医学数据处理方法、预测模型的训练方法及装置 |
CN112529114A (zh) * | 2021-01-13 | 2021-03-19 | 北京云真信科技有限公司 | 基于gan的目标信息识别方法、电子设备和介质 |
CN112561060A (zh) * | 2020-12-15 | 2021-03-26 | 北京百度网讯科技有限公司 | 神经网络训练方法及装置、图像识别方法及装置和设备 |
CN114881709A (zh) * | 2022-06-09 | 2022-08-09 | 北京有竹居网络技术有限公司 | 一种数据处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096627A (zh) * | 2016-05-31 | 2016-11-09 | 河海大学 | 顾及特征优化的极化sar图像半监督分类方法 |
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
CN108710576A (zh) * | 2018-05-30 | 2018-10-26 | 浙江工业大学 | 基于异构迁移的数据集扩充方法及软件缺陷预测方法 |
CN108763874A (zh) * | 2018-05-25 | 2018-11-06 | 南京大学 | 一种基于生成对抗网络的染色体分类方法及装置 |
-
2018
- 2018-11-23 CN CN201811404314.2A patent/CN109635850A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096627A (zh) * | 2016-05-31 | 2016-11-09 | 河海大学 | 顾及特征优化的极化sar图像半监督分类方法 |
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
CN108763874A (zh) * | 2018-05-25 | 2018-11-06 | 南京大学 | 一种基于生成对抗网络的染色体分类方法及装置 |
CN108710576A (zh) * | 2018-05-30 | 2018-10-26 | 浙江工业大学 | 基于异构迁移的数据集扩充方法及软件缺陷预测方法 |
Non-Patent Citations (1)
Title |
---|
MAAYAN FRID-ADAR 等: "GAN-based Synthetic Medical Image Augmentation for increased CNN Performance in Liver Lesion Classification", 《NEUROCOMPUTING》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197716A (zh) * | 2019-05-20 | 2019-09-03 | 广东技术师范大学 | 医学影像的处理方法、装置及计算机可读存储介质 |
CN110175646B (zh) * | 2019-05-27 | 2021-05-11 | 浙江工业大学 | 基于图像变换的多通道对抗样本检测方法及装置 |
CN110175646A (zh) * | 2019-05-27 | 2019-08-27 | 浙江工业大学 | 基于图像变换的多通道对抗样本检测方法及装置 |
CN110534192A (zh) * | 2019-07-24 | 2019-12-03 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
CN110534192B (zh) * | 2019-07-24 | 2023-12-26 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
CN111126503A (zh) * | 2019-12-27 | 2020-05-08 | 北京同邦卓益科技有限公司 | 一种训练样本的生成方法和装置 |
CN111126503B (zh) * | 2019-12-27 | 2023-09-26 | 北京同邦卓益科技有限公司 | 一种训练样本的生成方法和装置 |
CN111310791A (zh) * | 2020-01-17 | 2020-06-19 | 电子科技大学 | 一种基于小样本数目集的动态渐进式自动目标识别方法 |
CN111816306B (zh) * | 2020-09-14 | 2020-12-22 | 颐保医疗科技(上海)有限公司 | 一种医学数据处理方法、预测模型的训练方法及装置 |
CN111816306A (zh) * | 2020-09-14 | 2020-10-23 | 颐保医疗科技(上海)有限公司 | 一种医学数据处理方法、预测模型的训练方法及装置 |
CN112561060A (zh) * | 2020-12-15 | 2021-03-26 | 北京百度网讯科技有限公司 | 神经网络训练方法及装置、图像识别方法及装置和设备 |
CN112529114A (zh) * | 2021-01-13 | 2021-03-19 | 北京云真信科技有限公司 | 基于gan的目标信息识别方法、电子设备和介质 |
CN114881709A (zh) * | 2022-06-09 | 2022-08-09 | 北京有竹居网络技术有限公司 | 一种数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635850A (zh) | 一种基于生成对抗网络优化医学图像分类性能的方法 | |
Huang et al. | Convolutional neural network based on complex networks for brain tumor image classification with a modified activation function | |
Sun et al. | Multi-view convolutional neural networks for mammographic image classification | |
Cheng et al. | Transfer learning with convolutional neural networks for classification of abdominal ultrasound images | |
Hassanien et al. | Rough sets and near sets in medical imaging: A review | |
Qadri et al. | CT‐based automatic spine segmentation using patch‐based deep learning | |
Wang et al. | Rib segmentation algorithm for X-ray image based on unpaired sample augmentation and multi-scale network | |
Li et al. | Edge detection algorithm of cancer image based on deep learning | |
Li et al. | Classification of breast mass in two‐view mammograms via deep learning | |
Fan et al. | Evolutionary neural architecture search for retinal vessel segmentation | |
Henry et al. | Vision transformers in medical imaging: A review | |
CN107679368A (zh) | 基于遗传算法和变精度粗糙集的pet/ct高维特征级选择方法 | |
CN108764280A (zh) | 一种基于症状向量的医学数据处理方法和*** | |
Li et al. | Normalization of multicenter CT radiomics by a generative adversarial network method | |
CN116364227A (zh) | 基于记忆能力学习的医学影像报告自动生成方法 | |
Yuan et al. | Pulmonary nodule detection using 3-d residual u-net oriented context-guided attention and multi-branch classification network | |
CN117036386A (zh) | 一种使用扩散模型生成数据的颈椎mri图像自监督分割方法 | |
Xu et al. | Convolution neural network with coordinate attention for the automatic detection of pulmonary tuberculosis images on chest x-rays | |
Sun et al. | Two‐view attention‐guided convolutional neural network for mammographic image classification | |
Yoon et al. | Classification of radiographic lung pattern based on texture analysis and machine learning | |
CN114093507A (zh) | 边缘计算网络中基于对比学习的皮肤病智能分类方法 | |
Chen et al. | An approach based on biclustering and neural network for classification of lesions in breast ultrasound | |
Qiao et al. | Semi-supervised CT lesion segmentation using uncertainty-based data pairing and SwapMix | |
Yu et al. | 3D Medical Image Segmentation based on multi-scale MPU-Net | |
Kumari et al. | Data efficient deep learning for medical image analysis: A survey |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190416 |