CN111325236B - 一种基于卷积神经网络的超声图像分类方法 - Google Patents
一种基于卷积神经网络的超声图像分类方法 Download PDFInfo
- Publication number
- CN111325236B CN111325236B CN202010070699.4A CN202010070699A CN111325236B CN 111325236 B CN111325236 B CN 111325236B CN 202010070699 A CN202010070699 A CN 202010070699A CN 111325236 B CN111325236 B CN 111325236B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- generator
- data set
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的超声图像分类方法。包括:从原始图像圈定感兴趣区域并裁剪,获得剪裁后的图像;对所述裁剪后的图像采用添加高斯噪声方法与直方图均衡方法进行数据增广,获得数据增广后的数据集;利用所述增广后的数据集进行生成对抗网络的训练,并验证测试,获得训练好的生成器;加载所述训练好的生成器,通过噪声推理出图像,并对生成的所述图像标定标签;将所述生成器生成的图像扩充到分类数据集中,重新训练卷积神经网络对超声图像进行分类,并输出准确率和召回率,评估网络性能。本发明在对超声图像分类时,解决了神经网络中训练数据集不足的问题,提高了网络的泛化性能。
Description
技术领域
本发明涉及超声图像分析领域,尤其涉及一种基于卷积神经网络的超声图像分类方法。
背景技术
在深度学习的图像分类研究中,通常都依赖于大规模的数据集以避免过拟合问题的发生。当图像数据量不够或者是图像不同类间数量分布不均衡时,通常采用传统图像增广方式进行图像增广,例如多次裁剪、添加高斯噪声、灰度均衡等传统图像增广方法。
虽然这些传统图像增广方法可以对现有数据集实现扩充,但是也会带来网络过拟合的问题,原因是这些传统的图像增广方法只能产生和原始图像极其相似的图像,随着增广数据量的增加,数据集中雷同的数据项越来越多最终导致网络过拟合,泛化性能差,即只能分辨该数据集中的图像,而在新的形态有所差异的图像上的分类效果差。
发明内容
发明目的:在深度学习领域中常常存在着图像数据量不够,或者图像种类不够丰富等情况,使用良好的图像增广方法往往能起到事半功倍甚至是决定性的作用;但与此同时单一的图像增广方式也有可能会导致网络的过拟合,即仅在当前训练集上能够取得不错的分类效果,而网络的泛化性能差。本发明所要解决的技术问题是利用生成对抗网络合成图像,与传统图像增广方式共同扩大分类数据集,从而提高卷积神经网络对于超声图像分类性能。
为了解决上述技术问题,提出一种基于卷积神经网络的超声图像分类方法,包括如下步骤:
步骤1,从原始图像圈定感兴趣区域并裁剪,获得剪裁后的图像;
步骤2,对所述裁剪后的图像采用添加高斯噪声方法与直方图均衡方法进行数据增广,获得数据增广后的数据集;
步骤3,利用所述增广后的数据集进行生成对抗网络的训练,并验证测试,获得训练好的生成器;
步骤4,加载所述训练好的生成器,通过噪声推理出图像,并对生成的所述图像标定标签;
步骤5,将所述生成器生成的图像扩充到分类数据集中,重新训练卷积神经网络对超声图像进行分类,并输出准确率和召回率,评估网络性能。
进一步地,在一种实现方式中,所述步骤1包括:从所述原始图像中选择包含目标区域的图像子块并进行裁剪,获得剪裁后的图像,所述裁剪后的图像的大小为包含目标区域在内的统一尺寸,所述包含目标区域的图像子块即原始图像的感兴趣区域。
进一步地,在一种实现方式中,所述步骤2包括:
对所述裁剪后的图像添加高斯白噪声,使得添加高斯白噪声后的图像的直方图曲线符合一维高斯分布;
对所述裁剪后的图像做直方图均衡,使得映射后的图像的像素值符合均匀分布。
进一步地,在一种实现方式中,所述步骤3包括:
步骤3-1,将通过所述步骤2获得的数据集中的图像添加到真实图像数据集,将所述真实图像数据集中的真实图像输入到生成对抗网络中,和生成器推理出的生成图像一起作为判别器的输入图像,其中,所述真实图像的标签为真,所述生成图像的标签为假;
步骤3-2,在所述生成器后串接判别器,输入随机噪声,经由生成器后,将生成图像输入到判别器中,并且此时所述生成图像的标签设置为真,将损失函数值回传,只更新所述生成器的网络参数而保持判别器的网络参数不变;
步骤3-3,由所述训练好的生成器的网络参数生成生成器权重文件。
进一步地,在一种实现方式中,所述步骤4包括:
步骤4-1,将所述步骤3中生成器的网络参数直接导入生成器权重文件,进行推理;
步骤4-2,通过所述生成器生成图像,并给所述生成器生成的图像标定标签。
进一步地,在一种实现方式中,所述步骤5包括:
步骤5-1,将所述步骤4已标记的生成图像与原数据集合并,作为残差分类网络的训练集;
步骤5-2,所述残差分类网络的训练过程分为训练阶段和验证阶段,数据集完整一次迭代即进行一次验证,并且通过更新参数追踪表现最好的网络模型,所述表现最好的网络模型即验证准确率最高的模型,在训练结束时返回所述验证准确率最高的模型;
在训练结束之后,通过将已做好标签的测试数据集输入到训练好的网络中,计算分类准确的样本数占所述测试数据集样本总数的比例,得到残差分类网络的准确率,所述准确率越高,网络性能越好;同时,输出召回率,即计算训练数据集经过所述残差分类网络后,分类准确的样本数占所述训练数据集样本总数的比例,所述召回率越高,网络性能越好。
由以上技术方案可知,本发明实施例提供一种基于卷积神经网络的超声图像分类方法,包括:步骤1,从原始图像圈定感兴趣区域并裁剪,获得剪裁后的图像;步骤2,对所述裁剪后的图像采用添加高斯噪声方法与直方图均衡方法进行数据增广,获得数据增广后的数据集;步骤3,利用所述增广后的数据集进行生成对抗网络的训练,并验证测试,获得训练好的生成器;步骤4,加载所述训练好的生成器,通过噪声推理出图像,并对生成的所述图像标定标签;步骤5,将所述生成器生成的图像扩充到分类数据集中,重新训练卷积神经网络对超声图像进行分类,并输出准确率和召回率,评估网络性能。
现有技术中,传统图像增广方法可以对现有数据集实现扩充,但是也会带来网络过拟合的问题,导致在新的形态有所差异的图像上的分类效果差。而采用前述方法,运用生成对抗网络生成样本图像,可以获得大量训练样本,从而解决图像训练样本数量不足的问题,同时,扩展了数据增广的方法。
具体的,本发明中,将生成的有效图像扩充进分类数据集中运用残差分类网络重新训练分类模型并验证测试,提高了分类精度和可靠性,因此相对于现有技术,本发明解决了仅利用现有图像样本进行深度学习的训练数据量不足的问题,并且避免了局限于传统增广方式而造成的网络过拟合问题;同时,将生成器生成的有效图像扩充进分类数据集中,运用残差分类网络重新训练分类模型,二者相结合,训练的网络分类精度提高,解决了先前研究仅在现有数据集上分类效果好的问题,提高了网络的泛化性能。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例部分提供的一种基于卷积神经网络的超声图像分类方法中生成对抗网络的工作流程示意图;
图2是本发明实施例部分提供的一种基于卷积神经网络的超声图像分类方法中判别器的神经网络架构示意图;
图3是本发明实施例部分提供的一种基于卷积神经网络的超声图像分类方法中生成器的神经网络架构示意图;
图4a是本发明实施例部分提供的一种基于卷积神经网络的超声图像分类方法中生成对抗网络的生成图像;
图4b是本发明实施例部分提供的一种基于卷积神经网络的超声图像分类方法中生成对抗网络的原始图像;
图5是本发明实施例部分提供的一种基于卷积神经网络的超声图像分类方法中残差分类网络模块示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例公开一种基于卷积神经网络的超声图像分类方法,本方法应用于关节炎超声图像的评级研究,由于该病的患病人群较少,可供研究的样本不足,进而导致对超声图像分类的精度较低。
本实施例所述的一种基于卷积神经网络的超声图像分类方法,包括如下步骤:
步骤1,从原始图像圈定感兴趣区域并裁剪,获得剪裁后的图像;本实施例中,可以采用画图软件从原始图像圈定感兴趣区域并进行确定尺寸裁剪,从而获得剪裁后的图像。
步骤2,对所述裁剪后的图像采用添加高斯噪声方法与直方图均衡方法进行数据增广,获得数据增广后的数据集;
步骤3,利用所述增广后的数据集进行生成对抗网络的训练,并验证测试,获得训练好的生成器;本实施例中,所述生成对抗网络(Generative Adversarial Networks,GAN)指通过生成器和判别器经过级联形成的组合网络。
步骤4,加载所述训练好的生成器,通过噪声推理出图像,并对生成的所述图像标定标签;本步骤中,所述通过噪声推理出图像包括大量图像,通过每次将推理出的图像加入原始数据集,形成新的数据集,从而测试在此训练集上训练的网络的泛化性能,不断增加这个推理的量直到网络性能达到预期。
步骤5,将所述生成器生成的图像扩充到分类数据集中,重新训练卷积神经网络对超声图像进行分类,并输出准确率和召回率评估网络性能。本步骤中,所述分类数据集指通过执行步骤1、步骤2和步骤4获得的总的数据集。本实施例中,所述超声图像通过拥有专业设备的医院获取。
本实施例所述的一种基于卷积神经网络的超声图像分类方法中,所述步骤1包括:从所述原始图像中选择包含目标区域的图像子块并进行裁剪,获得剪裁后的图像,所述裁剪后的图像的大小为包含目标区域在内的统一尺寸,所述包含目标区域的图像子块即原始图像的感兴趣区域。
具体的,本步骤中,裁剪图像大小为包含目标区域在内的统一尺寸,获得裁剪后的图像,所述包含目标区域的图像子块即原始图像的感兴趣区域,后续的处理都针对这个感兴趣区域以减少处理时间、提高精度。本实施例中,使用的原始图像是由医学超声成像设备采集得到的关节炎患病部位图像,图像的成像深度根据采集设备的不同而有所区别。所述原始图像的分辨率为1024*768,为了剔除所述原始图像的无效区域,减少生成对抗网络以及残差分类网络的计算量和计算时间,提高分类的准确度和可靠性,将原始图像裁剪为520*120分辨率的图像作为训练样本,其中目标区域为滑膜所在位置。
本实施例所述的一种基于卷积神经网络的超声图像分类方法中,所述步骤2包括:
对所述裁剪后的图像添加高斯白噪声,使得添加高斯白噪声后的图像的直方图曲线符合一维高斯分布,具体的,本实施例中,添加高斯白噪声的方法为:
其中,x为输入,μ为均值,σ为标准差;
对所述裁剪后的图像做直方图均衡,使得映射后的图像的像素值符合均匀分布,具体的,本实施例中,映射方法为:
其中,sk是累计概率,n为图像中像素的总和,L是图像中可能的灰度级总数,ni是第i个灰度级的像素个数。
具体的,本实施例中,可以先对所述裁剪后的图像添加高斯白噪声再进行直方图均衡,也可以先对所述裁剪后的图像进行直方图均衡再添加高斯白噪声。本实施例中,将通过所述步骤1获得的裁剪后的图像进行直方图均衡和添加高斯白噪声的方式进行增广,使图像样本数量增广为原来的三倍。
本实施例所述的一种基于卷积神经网络的超声图像分类方法中,所述步骤3包括:
步骤3-1,将通过所述步骤2获得的数据集中的图像添加到真实图像数据集,将所述真实图像数据集中的真实图像输入到生成对抗网络中,和生成器推理出的生成图像一起作为判别器的输入图像,其中,所述真实图像的标签为真,所述生成图像的标签为假;本实施例中,所述真实图像数据集为通过步骤1和步骤2获得的数据集,所述真实图像数据集仅对步骤3有效。本实施例中,所述生成对抗网络指通过生成器和判别器经过级联形成的组合网络。此外,本实施例中,真假数据的区分仅仅是在训练生成对抗网络中,而在分类数据集中不区分真假数据,所述步骤3训练好的生成器生成的图像,即标签为假的图像也作为分类数据集的一部分。
步骤3-2,在所述生成器后串接判别器,输入随机噪声,经由生成器后,将生成图像输入到判别器中,并且此时所述生成图像的标签设置为真,将损失函数值回传,只更新所述生成器的网络参数而保持判别器的网络参数不变;
本实施例中,判别器的损失函数包括两个部分,为对真实图像的误差计算结果和对生成图像的误差计算结果之和。其中,在Pytorch下,损失函数的计算方法为BCEloss:
lossreal=criterion(realout,reallabel)
lossfake=criterion(fakeout,fakelabel)
lossd=lossreal+lossfake
其中,lossreal为判别器对真实图像得出的损失函数值,lossfake为判别器对生成图像得出的损失函数值,reallabel为真实图像的标签,realout为真实图像的具体图像;fakeout为生成图像的标签,fakelabel为生成图像的具体图像,lossd是经由生成图像和真实图像的结果汇总之后所得到的判别器的整体损失函数,criterion代表损失函数的计算方法,本质上是一种仿函数。
生成器的损失函数则是以真实标签和生成图像相结合,以BCEloss来计算损失函数,本实施例中,真实标签即在网络中记为1:
lossg=criterion(output,real_label)
其中,lossg是生成器的损失函数,output代表生成图像,real_label代表真实标签,criterion代表损失函数的计算方法,本质上是一种仿函数。
此外,由于卷积神经网络的需要,生成器和判别器均需要选择合适的优化算法,保证损失函数在极大值收敛的同时,防止损失函数值的发散。具体的实现上,生成器和判别器选用了Adam优化器进行参数更新。学习速率Learning Rate=0.0003,防止学习率过大产生震荡现象。
步骤3-3,由所述训练好的生成器的网络参数生成生成器权重文件。
本实施例中,所述步骤3中利用步骤2中增广后的所有样本,通过生成对抗网络进行训练。其中,生成对抗网络的基本流程图如图1所示,判别器的神经网络架构如图2所示,生成器的神经网络架构如图3所示。运用所述生成器的神经网络架构,通过训练所有样本得到一组判别器和生成器,其中判别器网络参数如表1所示,生成器网络参数如表2所示。
表1判别器网络参数
表2生成器网络参数
网络层类型 | 网络输出尺寸 | 参数量 |
Linear-1 | [-1,1,249600] | 25,209,600 |
ReLU with BatchNorm2d-2 | [-1,1,240,1040] | 2 |
Conv2d-3 | [-1,50,240,1040] | 500 |
ReLU with BatchNorm2d-4 | [-1,50,240,1040] | 100 |
Conv2d-5 | [-1,25,240,1040] | 11,725 |
ReLU with BatchNorm2d-6 | [-1,25,240,1040,] | 50 |
Conv2d-7 | [-1,1,120,520] | 226 |
Tanh-8 | [-1,1,120,520] | 0 |
本实施例所述的一种基于卷积神经网络的超声图像分类方法中,所述步骤4包括:
步骤4-1,将所述步骤3中生成器网络架构直接导入生成器权重文件,进行推理;
步骤4-2,通过所述生成器生成图像,并给所述生成器生成的图像标定标签;具体的,本实施例中,可以根据患病的严重程度对生成器生成的图像标定标签。
本实施例中,所述步骤4中利用步骤3得到的生成器模型进行推理,通过加入随机噪声,可循环迭代生成任意数量的关节炎患病部位的伪图像,增广样本数量,其中一组原始图像和生成后的图像如图4a和图4b所示。
本实施例所述的一种基于卷积神经网络的超声图像分类方法中,所述步骤5包括:
步骤5-1,将所述步骤4已标记的生成图像与原数据集合并,作为残差分类网络的训练集;
步骤5-2,所述残差分类网络的训练过程分为训练阶段和验证阶段,数据集完整一次迭代即进行一次验证,并且通过更新参数追踪表现最好的网络模型,所述表现最好的网络模型即验证准确率最高的模型,在训练结束时返回所述验证准确率最高的模型;在训练结束之后,在训练结束之后,通过将已做好标签的测试数据集输入到训练好的网络中,计算分类准确的样本数占所述测试数据集样本总数的比例,得到残差分类网络(ResNet)的准确率,所述准确率越高,网络性能越好;同时,所述输出召回率,即计算训练数据集经过所述残差分类网络后,分类准确的样本数占所述训练数据集样本总数的比例,所述召回率越高,网络性能越好。
本实施例中,所述步骤5中将原始图像、步骤2增广后的图像以及步骤4中通过生成器推理得到的图像作为总样本,并通过患病的严重程度将其分为0、1、2、3四个级别,其中0代表不患病,1代表患病程度轻微,2代表患病程度中等,3代表患病程度严重。运用残差分类网络进行分类训练,得到网络模型,并从医院获取新的关节炎患病部位超声图像,验证网络模型性能。
其中残差分类网络模块如图5所示。残差分类网络的搭建中使用了常规的残差模块和改进之后的瓶颈残差模块,常规残差模块使用两个3×3的卷积模块连续堆叠构成,而经过改进之后的“瓶颈残差模块”由1×1、3×3、1×1的卷积模块依次堆叠构成,瓶颈残差模块中的1×1卷积模块也实现了降维的作用,使得3×3的卷积运算在较低维度进行,从而达到减少计算量、提高计算效率的目的。第一个1×1卷积模块将输入特征图的通道数从256降至64,从而使3×3卷积的运算量大大减小,而在最后添加的1×1卷积模块起到升维作用,将特征图的通道数从64还原为256。现有技术中,传统图像增广方法可以对现有数据集实现扩充,但是也会带来网络过拟合的问题,导致在新的形态有所差异的图像上的分类效果差。而采用前述方法,运用生成对抗网络生成样本图像,可以获得大量训练样本,从而解决图像训练样本数量不足的问题,同时,扩展了数据增广的方法。
具体的,本发明中,将生成的有效图像扩充进分类数据集中运用残差分类网络重新训练分类模型并验证测试,提高了分类精度和可靠性,因此相对于现有技术,本发明解决了仅利用现有图像样本进行深度学习的训练数据量不足的问题,并且避免了局限于传统增广方式而造成的网络过拟合问题;同时,将生成器生成的有效图像扩充进分类数据集中,运用残差分类网络重新训练分类模型,二者相结合,训练的网络分类精度提高,解决了先前研究仅在现有数据集上分类效果好的问题,提高了网络的泛化性能。
本发明提出了一种基于生成对抗网络提高神经网络分类性能的方法,应当指出,所需的超声设备种类不对本专利构成限制;所采集的超声图像分辨率不对本专利构成限制;所采集的图像内容不对本专利构成限制。应当指出,对于本技术领域的普通人员来说,在不脱离发明原理的前提下还可以做出若干改进和润饰,这些也应视为本发明的保护范围。另外,本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (6)
1.一种基于卷积神经网络的超声图像分类方法,其特征在于,包括如下步骤:
步骤1,从原始图像圈定感兴趣区域并裁剪,获得剪裁后的图像;
步骤2,对所述裁剪后的图像采用添加高斯噪声方法与直方图均衡方法进行数据增广,获得数据增广后的数据集;
步骤3,利用所述增广后的数据集进行生成对抗网络的训练,并验证测试,获得训练好的生成器;
步骤4,加载所述训练好的生成器,通过噪声推理出图像,并对生成的所述图像标定标签;
步骤5,将所述生成器生成的图像扩充到分类数据集中,重新训练卷积神经网络对超声图像进行分类,并输出准确率和召回率,评估网络性能;
步骤2中,先对所述裁剪后的图像添加高斯白噪声再进行直方图均衡,或者先对所述裁剪后的图像进行直方图均衡再添加高斯白噪声。
2.根据权利要求1所述的一种基于卷积神经网络的超声图像分类方法,其特征在于,所述步骤1包括:从所述原始图像中选择包含目标区域的图像子块并进行裁剪,获得剪裁后的图像,所述裁剪后的图像的大小为包含目标区域在内的统一尺寸,所述包含目标区域的图像子块即原始图像的感兴趣区域。
3.根据权利要求1所述的一种基于卷积神经网络的超声图像分类方法,其特征在于,所述步骤2包括:
对所述裁剪后的图像添加高斯白噪声,使得添加高斯白噪声后的图像的直方图曲线符合一维高斯分布;
对所述裁剪后的图像做直方图均衡,使得映射后的图像的像素值符合均匀分布。
4.根据权利要求1所述的一种基于卷积神经网络的超声图像分类方法,其特征在于,所述步骤3包括:
步骤3-1,将通过所述步骤2获得的数据集中的图像添加到真实图像数据集,将所述真实图像数据集中的真实图像输入到生成对抗网络中,和生成器推理出的生成图像一起作为判别器的输入图像,其中,所述真实图像的标签为真,所述生成图像的标签为假;
步骤3-2,在所述生成器后串接判别器,输入随机噪声,经由生成器后,将生成图像输入到判别器中,并且此时所述生成图像的标签设置为真,将损失函数值回传,只更新所述生成器的网络参数而保持判别器的网络参数不变;
步骤3-3,由所述训练好的生成器的网络参数生成生成器权重文件。
5.根据权利要求1所述的一种基于卷积神经网络的超声图像分类方法,其特征在于,所述步骤4包括:
步骤4-1,将所述步骤3中生成器的网络参数直接导入生成器权重文件,进行推理;
步骤4-2,通过所述生成器生成图像,并给所述生成器生成的图像标定标签。
6.根据权利要求1所述的一种基于卷积神经网络的超声图像分类方法,其特征在于,所述步骤5包括:
步骤5-1,将所述步骤4已标记的生成图像与原数据集合并,作为残差分类网络的训练集;
步骤5-2,所述残差分类网络的训练过程分为训练阶段和验证阶段,数据集完成一次迭代即进行一次验证,并且通过更新参数追踪表现最好的网络模型,所述表现最好的网络模型即验证准确率最高的模型,在训练结束时返回所述验证准确率最高的模型;
在训练结束之后,通过将已做好标签的测试数据集输入到训练好的网络中,计算分类准确的样本数占所述测试数据集样本总数的比例,得到残差分类网络的准确率,所述准确率越高,网络性能越好;
同时,输出召回率,即计算训练数据集经过所述残差分类网络后,分类准确的样本数占所述训练数据集样本总数的比例,所述召回率越高,网络性能越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010070699.4A CN111325236B (zh) | 2020-01-21 | 2020-01-21 | 一种基于卷积神经网络的超声图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010070699.4A CN111325236B (zh) | 2020-01-21 | 2020-01-21 | 一种基于卷积神经网络的超声图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325236A CN111325236A (zh) | 2020-06-23 |
CN111325236B true CN111325236B (zh) | 2023-04-18 |
Family
ID=71173236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010070699.4A Active CN111325236B (zh) | 2020-01-21 | 2020-01-21 | 一种基于卷积神经网络的超声图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325236B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858351A (zh) * | 2020-07-23 | 2020-10-30 | 深圳慕智科技有限公司 | 一种基于差分评估的深度学习推理引擎测试方法 |
CN111861924B (zh) * | 2020-07-23 | 2023-09-22 | 成都信息工程大学 | 一种基于进化gan的心脏磁共振图像数据增强方法 |
CN111860664B (zh) * | 2020-07-24 | 2024-04-26 | 东软教育科技集团有限公司 | 超声平面波复合成像方法、装置及存储介质 |
CN112336357A (zh) * | 2020-11-06 | 2021-02-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于rnn-cnn的emg信号分类***及方法 |
CN112396110B (zh) * | 2020-11-20 | 2024-02-02 | 南京大学 | 一种基于生成对抗级联网络增广图像的方法 |
CN112507881A (zh) * | 2020-12-09 | 2021-03-16 | 山西三友和智慧信息技术股份有限公司 | 一种基于时间卷积神经网络的sEMG信号分类方法及*** |
CN112699885A (zh) * | 2020-12-21 | 2021-04-23 | 杭州反重力智能科技有限公司 | 一种基于对抗生成网络gan的语义分割训练数据增广方法和*** |
CN113361443A (zh) * | 2021-06-21 | 2021-09-07 | 广东电网有限责任公司 | 一种输电线路图像样本对抗学习增广方法及*** |
CN114201632B (zh) * | 2022-02-18 | 2022-05-06 | 南京航空航天大学 | 一种面向多标记目标检测任务的标签带噪数据集扩增方法 |
CN114529484B (zh) * | 2022-04-25 | 2022-07-12 | 征图新视(江苏)科技股份有限公司 | 针对成像中直流分量变化的深度学习样本增强方法 |
CN115349834A (zh) * | 2022-10-18 | 2022-11-18 | 合肥心之声健康科技有限公司 | 一种无症状冠状动脉重度狭窄的心电图筛查方法和*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516561A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于dcgan和cnn的sar图像目标识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017100903A1 (en) * | 2015-12-14 | 2017-06-22 | Motion Metrics International Corp. | Method and apparatus for identifying fragmented material portions within an image |
US10540578B2 (en) * | 2017-12-21 | 2020-01-21 | International Business Machines Corporation | Adapting a generative adversarial network to new data sources for image classification |
CN109614979B (zh) * | 2018-10-11 | 2023-05-02 | 北京大学 | 一种基于选择与生成的数据增广方法及图像分类方法 |
-
2020
- 2020-01-21 CN CN202010070699.4A patent/CN111325236B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516561A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于dcgan和cnn的sar图像目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111325236A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325236B (zh) | 一种基于卷积神经网络的超声图像分类方法 | |
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
WO2021134871A1 (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
CN112396110B (zh) | 一种基于生成对抗级联网络增广图像的方法 | |
CN109190665B (zh) | 一种基于半监督生成对抗网络的通用图像分类方法和装置 | |
CN109063724B (zh) | 一种增强型生成式对抗网络以及目标样本识别方法 | |
CN111353373B (zh) | 一种相关对齐域适应故障诊断方法 | |
CN113923104B (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
CN113723295A (zh) | 一种基于图像域频域双流网络的人脸伪造检测方法 | |
US20240135145A1 (en) | Generation of Realistic Data for Training Of Artificial Neural Networks | |
CN113628297A (zh) | 一种基于注意力机制和迁移学习的covid-19深度学习诊断*** | |
CN112149526B (zh) | 一种基于长距离信息融合的车道线检测方法及*** | |
CN114240947A (zh) | 声扫图像数据库的构建方法、装置、计算机设备 | |
Luo et al. | SMD anomaly detection: a self-supervised texture–structure anomaly detection framework | |
CN116524356A (zh) | 一种矿石图像小样本目标检测方法及*** | |
CN111915595A (zh) | 图像质量评价方法、图像质量评价模型的训练方法和装置 | |
CN114758272A (zh) | 基于频域自注意力的伪造视频检测方法 | |
CN113592008A (zh) | 一种基于自编码器的图神经网络机制解决小样本图像分类的***、方法、设备及存储介质 | |
CN112686822A (zh) | 一种基于堆叠生成对抗网络的图像补全方法 | |
CN112200182A (zh) | 基于深度学习的晶圆id识别方法和装置 | |
CN117036243A (zh) | 刨花板表面缺陷检测的方法、装置、设备和存储介质 | |
Wan et al. | Depth-wise convolution with attention neural network (DWA) for pneumonia detection | |
CN115861779A (zh) | 一种基于有效特征表示的无偏场景图生成方法 | |
CN115294424A (zh) | 一种基于生成对抗网络的样本数据增强方法 |
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 |