CN110363073B - 舌形识别方法、装置、计算机设备及计算机可读存储介质 - Google Patents
舌形识别方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110363073B CN110363073B CN201910468448.9A CN201910468448A CN110363073B CN 110363073 B CN110363073 B CN 110363073B CN 201910468448 A CN201910468448 A CN 201910468448A CN 110363073 B CN110363073 B CN 110363073B
- Authority
- CN
- China
- Prior art keywords
- tongue
- layer
- convolution layer
- convolution
- upsampling
- 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.)
- Active
Links
Images
Classifications
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种舌形识别方法,包括:获取舌头图像;对舌头图像进行预处理;根据所述舌头图像识别舌形,其中,通过将所述舌头图像输入舌形识别模型以获得舌形,所述舌形识别模型为轻量级卷积神经网络,所述轻量级卷积神经网络采用基于深度卷积神经网络的语义分割方法。本发明还公开了一种舌形识别装置、计算机设备及计算机可读存储介质。采用本发明,用户可随时随地进行舌形识别,流程操作简单,舌形识别识别准确。
Description
技术领域
本发明涉及人工智能舌形识别领域,尤其涉及一种舌形识别方法、装置、计算机设备及计算机可读存储介质。
背景技术
舌诊是中医中非常重要的诊断技术之一,其中对舌形的诊断更尤为重要,可以通过舌形快速的了解身体状况。目前用户如果想要进行舌诊,都需要主动去找医生查看,而无法自己诊断,不利于病人及时了解自身身体状况,也不利于医生跟进病人的病情跟踪。同时社会上亚健康人群非常之多,很多重大疾病其实都是由于平时没有注意亚健康问题而最后引发了重大疾病的。传统的人工舌诊方式受制于地理位置,加上过去人工智能技术尚不发达,无法直接通过技术手段进行诊断识别。还有,传统舌诊仪器,存在重量大、携带不便、单人无法操作、服务单一等问题。
发明内容
本发明所要解决的技术问题在于,提供舌形识别方法、装置、计算机设备及计算机可读存储介质,能够解决传统舌诊仪器所存在的重量大、携带不便、单人无法操作、服务单一等问题,用户通过手机等移动端就能随时随地进行舌形识别。
为了解决上述技术问题,本发明提供了一种一种舌形识别方法,包括:获取舌头图像;对舌头图像进行预处理;根据所述舌头图像识别舌形,其中,通过将所述舌头图像输入舌形识别模型以获得舌形,所述舌形识别模型为轻量级卷积神经网络,所述轻量级卷积神经网络采用基于深度卷积神经网络的语义分割方法。
优选地,所述舌形识别模型的网络架构模型包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第一上采样层、第五卷积层、第一连接层、第六卷积层、第二上采样层、第七卷积层、第二连接层、第八卷积层、第三上采样层、第九卷积层、第三连接层、第十卷积层以及第十一卷积层,所述舌形识别模型采用Adam优化算法进行训练,并结合设计好的双损失函数输出舌形,其中:所述第一上采样层、第二上采样层以及第三上采样层均采用双线性插值,上采样倍率均为2;所述第一卷积层、第九卷积层以及第十卷积层的channel均为64、kernel均为3、stride均为1,所述第二卷积层、第七卷积层以及第八卷积层的channel均为128、kernel均为3、stride均为1,所述第三卷积层、第五卷积层以及第六卷积层的channel均为256、kernel均为3、stride均为1,所述第四卷积层的channel为512、kernel为3、stride为1,所述第十一卷积层的channel为4、kernel为1、stride为1,所有卷积层后均与激活函数连接;所述第一池化层、第二池化层以及第三池化层的kernel和stride均为2;所述第一连接层按通道连接第三卷积层和第五卷积层,所述第二连接层按通道连接第二卷积层和第七卷积层,所述第三连接层按通道连接第一卷积层和第九卷积层。
优选地,所述Adam优化算法的学习率为0.0001,一阶指数矩阵衰减率beta_1=0.9,二阶指数矩阵衰减率beta_2=0.99,共迭代20个epochs。
优选地,所述双损失函数包括交叉熵损失函数和IOU损失函数,其中:所述交叉熵损失函数为:fcross=-sum(y*log(p)),其中,当y为真值时,y=1,否则y=0;所述IOU损失函数为:fiou=1-2*(intersection+smooth)/(union+smooth),其中,intersection为预测的像素区域与真实区域的交集,union为预测的像素区域与真实区域的并集,smooth为平滑因子,取值为1。
优选地,所述交叉熵损失函数和IOU损失函数按0.9和0.1的系数进行加权,即最终损失函数为f=0.9*fcross+0.1*fiou。
优选地,所述对舌头图像进行预处理步骤包括:将舌头图像归一化到256X256尺寸大小,并且将像素值归一化到0~1区间。
相应地,本发明还提供了一种舌形识别装置,包括:获取模块,用于获取舌头图像;预处理模块,用于将舌头图像归一化到256X256尺寸大小,并且将像素值归一化到0~1区间;识别模块,用于根据所述舌头图像输识别舌形,其中,通过将所述舌头图像输入舌形识别模型以获得舌形,所述舌形识别模型为轻量级卷积神经网络,所述轻量级卷积神经网络采用基于深度卷积神经网络的语义分割方法。
优选地,所述舌形识别模块中的舌形识别模型包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第一上采样层、第五卷积层、第一连接层、第六卷积层、第二上采样层、第七卷积层、第二连接层、第八卷积层、第三上采样层、第九卷积层、第三连接层、第十卷积层以及第十一卷积层。
相应地,本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
相应地,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
实施本发明的有益效果在于:
本发明通过人工智能图像识别技术,通过将深度卷积神经网络模型引入舌形识别领域,用户通过移动端只需要拍张舌头照片,就可以知道舌形识别结果,解决了传统舌诊仪器携带困难等难题,用户只需在对应网页或app,就可随时随地进行舌形识别,操作简单,识别准确,为用户提供全方位的健康服务。
附图说明
图1是本发明提供的舌形识别方法流程示意图;
图2是本发明提供的舌形识别模型示意图;
图3是本发明提供的舌形识别装置示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。仅此声明,本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词,仅以本发明的附图为基准,其并不是对本发明的具体限定。
如图1所示,本发明提供了一种舌形识别方法,包括:
S101,获取舌头图像。
需要说明的是,舌头图像可通过移动端(手机端或PC端)上的摄像头实时获取或者通过本地上传,获取舌头图像后,对舌头图像进行归一化处理。
具体地,通过摄像头实时获取舌头图像时,用户只需把舌部放入移动端显示的获取轮廓中,其中,为了更好的获取舌头图像,获取轮廓优先采用类抛物线轮廓。
S102,对舌头图像进行预处理。
获取舌头图像后,需对舌头图像归一化处理,本发明优先选择图像尺寸归一化到256X256,像素值归一化到0~1区间。
S103,根据所述舌头图像识别舌形。
需要说明的是,归一化处理后,通过将所述舌头图像输入舌形识别模型以获得舌形,所述舌形识别模型为轻量级卷积神经网络,所述轻量级卷积神经网络采用基于深度卷积神经网络的语义分割方法。
具体的,所述舌形识别模型采用Adam优化算法进行训练,并结合设计好的双损失函数输出舌形,其中:
所述Adam优化算法的学习率为0.0001,一阶指数矩阵衰减率beta_1=0.9,二阶指数矩阵衰减率beta_2=0.99,共迭代20个epochs;
所述双损失函数包括交叉熵损失函数和IOU损失函数,其中:所述交叉熵损失函数为:fcross=-sum(y*log(p)),其中,当y为真值时,y=1,否则y=0;所述IOU损失函数为:fiou=1-2*(intersection+smooth)/(union+smooth),其中,intersection为预测的像素区域与真实区域的交集,union为预测的像素区域与真实区域的并集,smooth为平滑因子,取值为1;所述交叉熵损失函数和IOU损失函数按0.9和0.1的系数进行加权,即最终损失函数为f=0.9*fcross+0.1*fiou。
如图2所示,所述舌形识别模型的网络架构模型包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第一上采样层、第五卷积层、第一连接层、第六卷积层、第二上采样层、第七卷积层、第二连接层、第八卷积层、第三上采样层、第九卷积层、第三连接层、第十卷积层以及第十一卷积层,其中:所述第一上采样层、第二上采样层以及第三上采样层均采用双线性插值,上采样倍率均为2;所述第一卷积层、第九卷积层以及第十卷积层的channel均为64、kernel均为3、stride均为1,所述第二卷积层、第七卷积层以及第八卷积层的channel均为128、kernel均为3、stride均为1,所述第三卷积层、第五卷积层以及第六卷积层的channel均为256、kernel均为3、stride均为1,所述第四卷积层的channel为512、kernel为3、stride为1,所述第十一卷积层的channel为4、kernel为1、stride为1,所有卷积层后均与激活函数连接。所述第一池化层、第二池化层以及第三池化层的kernel和stride均为2;所述第一连接层按通道连接第三卷积层和第五卷积层,所述第二连接层按通道连接第二卷积层和第七卷积层,所述第三连接层按通道连接第一卷积层和第九卷积层。
需要说明的是,舌形识别流程为:将检测出的舌头图像归一化后,送入设计好的卷积神经网络模型中,输出舌形特征图,通过人工设定的阈值,对舌形特征图进行二值化,即可输出舌形位置信息。基于此二值图像提取轮廓,从而可计算出舌形的数学特征(如裂纹的数量、长度、斑点、齿痕的数量等信息)。
如图3所示,本发明提供了一种舌形识别装置100,包括:
获取模块1,用于获取舌头图像,需要说明的是,舌头图像可通过移动端(手机端或PC端)上的摄像头实时获取或者通过本地上传,获取舌头图像后,对舌头图像进行归一化处理。具体地,通过摄像头实时获取舌头图像时,用户只需把舌部放入移动端显示的获取轮廓中,其中,为了更好的获取舌头图像,获取轮廓优先采用类抛物线轮廓。
预处理模块2,用于将舌头图像归一化到256X256尺寸大小,并且将像素值归一化到0~1区间。
舌形识别模块3,用于根据所述舌头图像输识别舌形,其中,通过将所述舌头图像输入舌形识别模型以获得舌形,所述舌形识别模型为轻量级卷积神经网络,所述轻量级卷积神经网络采用基于深度卷积神经网络的语义分割方法。具体的,所述舌形识别模块中的舌形识别模型包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第一上采样层、第五卷积层、第一连接层、第六卷积层、第二上采样层、第七卷积层、第二连接层、第八卷积层、第三上采样层、第九卷积层、第三连接层、第十卷积层以及第十一卷积层。所述舌形识别模型采用Adam优化算法进行训练,并结合设计好的双损失函数输出舌形。
相应的,本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述舌形识别方法的步骤。同时,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述舌形识别方法的步骤。
由上可知,本发明可用于对舌形的识别处理,本发明通过人工智能图像识别技术,通过将深度卷积神经网络模型引入舌形识别领域,用户通过移动端只需要拍张舌头照片,就可以知道舌形识别结果,解决了传统舌诊仪器携带困难等难题,用户只需在对应网页或app,就可随时随地进行舌形识别,操作简单,识别准确,为用户提供全方位的健康服务。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种舌形识别方法,其特征在于,包括:
获取舌头图像;
对舌头图像进行预处理;
根据所述舌头图像识别舌形,其中,通过将所述舌头图像输入舌形识别模型以获得舌形,所述舌形识别模型为轻量级卷积神经网络,所述轻量级卷积神经网络采用基于深度卷积神经网络的语义分割方法;
所述根据所述舌头图像识别舌形的步骤包括:将预处理后的舌头图像输入所述轻量级卷积神经网络中,输出舌形特征图;通过人工设定的阈值,对舌形特征图进行二值化,以输出舌形位置信息;基于二值图像提取轮廓,计算出舌形的数学特征,所述数学特征包括裂纹的数量、长度、斑点数量及齿痕数量;
所述舌形识别模型的网络架构模型包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第一上采样层、第五卷积层、第一连接层、第六卷积层、第二上采样层、第七卷积层、第二连接层、第八卷积层、第三上采样层、第九卷积层、第三连接层、第十卷积层以及第十一卷积层,所述舌形识别模型采用Adam优化算法进行训练,并结合设计好的双损失函数输出舌形,所述双损失函数包括交叉熵损失函数和IOU损失函数,其中:所述第一上采样层、第二上采样层以及第三上采样层均采用双线性插值;所有卷积层后均与激活函数连接;所述第一连接层按通道连接第三卷积层和第五卷积层,所述第二连接层按通道连接第二卷积层和第七卷积层,所述第三连接层按通道连接第一卷积层和第九卷积层。
2.如权利要求1所述的舌形识别方法,其特征在于,所述第一上采样层、第二上采样层以及第三上采样层的上采样倍率均为2;
所述第一卷积层、第九卷积层以及第十卷积层的channel均为64、kernel均为3、stride均为1,所述第二卷积层、第七卷积层以及第八卷积层的channel均为128、kernel均为3、stride均为1,所述第三卷积层、第五卷积层以及第六卷积层的channel均为256、kernel均为3、stride均为1,所述第四卷积层的channel为512、kernel为3、stride为1,所述第十一卷积层的channel为4、kernel为1、stride为1;
所述第一池化层、第二池化层以及第三池化层的kernel和stride均为2。
3.如权利要求2所述的舌形识别方法,其特征在于,所述Adam优化算法的学习率为0.0001,一阶指数矩阵衰减率beta_1=0.9,二阶指数矩阵衰减率beta_2=0.99,共迭代20个epochs。
4.如权利要求3所述的舌形识别方法,其特征在于,所述双损失函数包括交叉熵损失函数和IOU损失函数,其中:
所述交叉熵损失函数为:
fcross=-sum(y*log(p)),
其中,当y为真值时,y=1,否则y=0;
所述IOU损失函数为:
fiou=1-2*(intersection+smooth)/(union+smooth),
其中,intersection为预测的像素区域与真实区域的交集,union为预测的像素区域与真实区域的并集,smooth为平滑因子,取值为1。
5.如权利要求4所述的舌形识别方法,其特征在于,所述交叉熵损失函数和IOU损失函数按0.9和0.1的系数进行加权,即最终损失函数为f=0.9*fcross+0.1*fiou。
6.如权利要求1所述的舌形识别方法,其特征在于,所述对舌头图像进行预处理步骤包括:将舌头图像归一化到256X256尺寸大小,并且将像素值归一化到0~1区间。
7.一种舌形识别装置,其特征在于,包括:
获取模块,用于获取舌头图像;
预处理模块,用于将舌头图像归一化到256X256尺寸大小,并且将像素值归一化到0~1区间;
识别模块,用于根据所述舌头图像输识别舌形,其中,通过将所述舌头图像输入舌形识别模型以获得舌形,所述舌形识别模型为轻量级卷积神经网络,所述轻量级卷积神经网络采用基于深度卷积神经网络的语义分割方法;
所述根据所述舌头图像识别舌形的步骤包括:将预处理后的舌头图像输入所述轻量级卷积神经网络中,输出舌形特征图;通过人工设定的阈值,对舌形特征图进行二值化,以输出舌形位置信息;基于二值图像提取轮廓,计算出舌形的数学特征,所述数学特征包括裂纹的数量、长度、斑点数量及齿痕数量;
所述舌形识别模型的网络架构模型包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第一上采样层、第五卷积层、第一连接层、第六卷积层、第二上采样层、第七卷积层、第二连接层、第八卷积层、第三上采样层、第九卷积层、第三连接层、第十卷积层以及第十一卷积层,所述舌形识别模型采用Adam优化算法进行训练,并结合设计好的双损失函数输出舌形,所述双损失函数包括交叉熵损失函数和IOU损失函数,其中:所述第一上采样层、第二上采样层以及第三上采样层均采用双线性插值;所有卷积层后均与激活函数连接;所述第一连接层按通道连接第三卷积层和第五卷积层,所述第二连接层按通道连接第二卷积层和第七卷积层,所述第三连接层按通道连接第一卷积层和第九卷积层。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468448.9A CN110363073B (zh) | 2019-05-31 | 2019-05-31 | 舌形识别方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468448.9A CN110363073B (zh) | 2019-05-31 | 2019-05-31 | 舌形识别方法、装置、计算机设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363073A CN110363073A (zh) | 2019-10-22 |
CN110363073B true CN110363073B (zh) | 2023-04-25 |
Family
ID=68215439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910468448.9A Active CN110363073B (zh) | 2019-05-31 | 2019-05-31 | 舌形识别方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363073B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744276A (zh) * | 2020-05-13 | 2021-12-03 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、电子设备和可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105286768A (zh) * | 2015-09-23 | 2016-02-03 | 江苏大学 | 基于手机平台下的人体健康状态的舌苔诊断装置 |
CN109635711A (zh) * | 2018-12-07 | 2019-04-16 | 上海衡道医学病理诊断中心有限公司 | 一种基于深度学习网络的病理图像分割方法 |
-
2019
- 2019-05-31 CN CN201910468448.9A patent/CN110363073B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105286768A (zh) * | 2015-09-23 | 2016-02-03 | 江苏大学 | 基于手机平台下的人体健康状态的舌苔诊断装置 |
CN109635711A (zh) * | 2018-12-07 | 2019-04-16 | 上海衡道医学病理诊断中心有限公司 | 一种基于深度学习网络的病理图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110363073A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363072B (zh) | 舌象识别方法、装置、计算机设备及计算机可读存储介质 | |
WO2022032823A1 (zh) | 图像分割方法、装置、设备及存储介质 | |
CN111984771A (zh) | 一种基于智能对话的自动问诊*** | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能*** | |
CN109785311B (zh) | 一种疾病诊断装置、电子设备及存储介质 | |
CN109840280B (zh) | 一种文本分类方法、装置及计算机可读存储介质 | |
CN110751621B (zh) | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 | |
CN109685765A (zh) | 一种基于卷积神经网络的x光片肺炎结果预测装置 | |
CN111951281A (zh) | 图像分割方法、装置、设备及存储介质 | |
CN116912503B (zh) | 一种基于层级融合策略的多模态mri脑肿瘤语义分割方法 | |
CN115620384B (zh) | 模型训练方法、眼底图像预测方法及装置 | |
CN110363073B (zh) | 舌形识别方法、装置、计算机设备及计算机可读存储介质 | |
CN114219755A (zh) | 基于图像和临床数据的肺结核智能检测方法及*** | |
CN116364292A (zh) | 甲状腺眼病的预后预测方法、装置、设备及存储介质 | |
CN117392119B (zh) | 基于位置先验和特征感知的肿瘤病变区域检测方法及装置 | |
CN115462781A (zh) | 一种伤口智能评估方法、装置、设备及计算机可读存储介质 | |
CN116977338B (zh) | 基于视觉语义联合的染色体病例级异常提示*** | |
CN116913459B (zh) | 基于深度卷积网络控制门模型的用药推荐方法及*** | |
CN113506274A (zh) | 基于视觉显著性差异图的用于人体认知状况的检测*** | |
CN116469534B (zh) | 医院叫号管理***及其方法 | |
CN117576387A (zh) | 多模态脑肿瘤图像分割方法、装置、电子设备和存储介质 | |
CN115953420B (zh) | 深度学习网络模型以及医疗图像分割方法、装置和*** | |
CN112258564B (zh) | 生成融合特征集合的方法及装置 | |
CN115018874A (zh) | 一种基于频域分析的眼底血管分割域泛化方法 | |
CN114565626A (zh) | 基于PSPNet改进的肺部CT图像分割算法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230407 Address after: No. 53 B2, No. 397, Xingang Middle Road, Haizhu District, Guangzhou City, Guangdong Province (office only) Applicant after: Guangdong and state network technology Co.,Ltd. Address before: Room 2801, No. 28-1, Machang Road, Tianhe District, Guangzhou, Guangdong 510000 Applicant before: Zhenghe intelligent network technology (Guangzhou) Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |