CN111476267A - 根据细胞影像进行药物疗效分类的方法与电子设备 - Google Patents
根据细胞影像进行药物疗效分类的方法与电子设备 Download PDFInfo
- Publication number
- CN111476267A CN111476267A CN202010130277.1A CN202010130277A CN111476267A CN 111476267 A CN111476267 A CN 111476267A CN 202010130277 A CN202010130277 A CN 202010130277A CN 111476267 A CN111476267 A CN 111476267A
- Authority
- CN
- China
- Prior art keywords
- layers
- classification
- convolutional
- layer
- image
- 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
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种根据细胞影像进行药物疗效分类的方法及电子设备,其中,该方法包括:对在不同药物刺激下的细胞影像数据进行预处理,形成增强的细胞影像图像;由多尺度分类网络输入所述增强的细胞影像图像,输出细胞影像图像对应药物的疗效的分类结果,所述多尺度分类网络包括特征提取模块、上采样模块和分类模块。本公开通过设置多尺度分类网络进行特征提取、采样和分类,可以自动确定特定药物疗效的分类。
Description
技术领域
本公开涉及深度学习及药物疗效分类领域,尤其涉及一种根据细胞影 像进行药物疗效分类的方法,以及实施该方法的电子设备。
背景技术
新型药物的发现及根据疗效进行药物分类一直是一个难点问题。企业 以及政府机构在寻找新型药物或对未知药物根据疗效进行分类的过程中 往往需要投入大量的人力物力。而随着技术的不断进步,如何更好地解决 这个问题就成为了科研人员的热点研究方向。如果能够较好的解决这个问 题,那么也势必会为人们的身体健康、企业的经济效益、社会的繁荣发展 均带来有益效果。
近几年来,随着硬件设备的发展及大数据时代的到来,以人工智能为 代表的新一代信息技术得到了大力的发展。同时,人工智能技术在很多领 域已经取得了远远好于传统算法的精度,并已经较好的应用于智能安防、 人脸识别、目标追踪与检测等实际场景中。深度学习作为人工智能技术的 一种,也和越来越多的行业进行了紧密的结合。在计算机视觉与模式识别 领域,基于深度学习的识别算法取得了远远优于传统算法的成绩。此外, 在自然语言处理领域,基于深度学习的算法也可以使得模型预测效果更加 的准确。
目前,由BROAD研究所承担的LINCS(Library of Integrated Network-basedCellular Signatures)数据是在药物分类领域涵盖最全,数据 量最大的。该数据集获得了77种典型细胞系中4000余个基因沉默剂和 7000余种化学小分子刺激下的130余万个全基因组表达谱及细胞影像。
本公开人发现,现有的对疗效的分析方式主要依赖人工方式,对于大 量的数据会存在判断误差且耗费大量人力。
发明内容
(一)要解决的技术问题
本公开提供了一种根据细胞影像进行药物疗效分类的方法与电子设 备,以至少部分解决以上所提出的技术问题。
(二)技术方案
根据本公开的一个方面,提供了一种根据细胞影像进行药物疗效分类 的方法,其中,包括:
对在不同药物刺激下的细胞影像数据进行预处理,形成增强的细胞影 像图像;
由多尺度分类网络输入所述增强的细胞影像图像,输出细胞影像图像 对应药物的疗效的分类结果,所述多尺度分类网络包括特征提取模块、上 采样模块和分类模块,所述特征提取模块用于采用深度卷积神经网络提取 细胞影像图像的特征,上采样模块对提取的特征行上采样,输出融合的多 尺度的图像特征,分类模块用于对融合后的多尺度的图像特征进行分类, 从而确定该药物的疗效类别。
在进一步的实施方案中,所述对在不同药物刺激下的细胞影像数据进 行预处理,包括以下至少一种:调节图像亮度/对比度,对图像进行随机裁 剪或对图像进行随机旋转。
在进一步的实施方案中,所述不同药物刺激下的细胞影像数据所述不 同药物刺激下的细胞影像数据为任何可能含有干预或治疗手段信息的细 胞影像数据;可选的,为LINCS数据集的数据。
在进一步的实施方案中,所述特征提取模块包含深度卷积神经网络, 该深度卷积神经网络包括多层卷积层,包括至少一第一卷积层和至少一第 二卷积层,所述第一卷积层位于第二卷积层之前,且卷积核大小大于所述 第二卷积层的卷积核大小。
在进一步的实施方案中,所述深度卷积神经网络多层卷积层的至少部 分卷积层后端至少连接有平均池化层。
在进一步的实施方案中,所述深度卷积神经网络包括至少十四层,包 括前两层卷积层,所述前两层卷积层的卷积核大于后续卷积层的卷积核, 所述深度卷积神经网络的第二层,第六层,第十层后分别加入平均池化层, 所述深度卷积神经网络的卷积层后端都连接有ReLu激活函数,用来提高 网络的学习能力。
在进一步的实施方案中,所述上采样模块包括多层采样层,上采样用 于对特征提取模块的输出进行上采样,且各采样层用于与所述特征提取模 块的若干卷积层分别拼接,输出多个拼接后的多尺度的图像特征。
在进一步的实施方案中,所述分类模块包括与上采样层相同数量的线 性全连接层、线性相加层和分类全连接层,所述线性全连接层的输入分别 与连接各采用层,输出与所述线性相加层连接,所述分类全连接层的输入 连接所述线性相加层的输出。
在进一步的实施方案中,上述方法还包括:对所述多尺度分类网络进 行训练,训练过程中,误差函数选择交叉熵损失函数,优化器采用带有 动量的SGD优化器,初始学习率设置为0.001。
在进一步的实施方案中,所述多尺度分类网络为经训练后的神经网 络。
在进一步的实施方案中,所述训练过程中引入L2正则化以及Dropout 来防止过拟合。
根据本公开的另一方面,提供一种电子设备,包括:处理器和计算机 可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在 于,所述程序被处理器执行时实现如以上任一种的根据细胞影像进行药物 疗效分类的方法。
本公开中通过对细胞影像图像数据进行预处理,以提升分类网络对于 各类情况的鲁棒性,使得多尺度分类神经网络能够更好的适用于不同的情 形;
本公开通过设置多尺度分类网络进行特征提取、采样和分类,可以自 动确定特定药物疗效的分类。
附图说明
图1为本公开实施例提出的根据细胞影像进行药物疗效分类的方法的 流程图。
图2为本公开实施例提出的多尺度分类网络中特征提取模块结构图。
图3为本公开实施例提出的多尺度分类网络中上采样模块结构图。
图4为本公开实施例提出的多尺度分类网络中分类模块结构图。
图5是本公开实施例的电子设备方框图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实 施例,并参照附图,对本公开作进一步的详细说明。
根据本公开的基本构思,针对现有技术对于药物疗效分类方式精确度 低且主要依赖人工,提供了一种根据细胞影像进行药物疗效分类的方法, 通过建立多尺度分类网络进行特征提取、采样和分类,可以自动确定特定 药物疗效的分类。
图1为本公开实施例的一种根据细胞影像进行药物疗效分类的方法流 程图,其中,包括步骤:
S1:对在不同药物刺激下的细胞影像数据进行预处理,形成增强的细 胞影像图像;
对于步骤S1,这里的不同药物是待进行疗效分类的药物,可以针对某 种疾病(例如心血管疾病、新冠肺炎COVID-19疾病等)的治疗药物,也 可以是提高身体机能的保健药物。一些实施例中,上述的细胞为动物体(例 如人体)的细胞,包括但不限于神经细胞、红细胞、白细胞和/或血小板。 通过对经不同种类药物刺激下的细胞的影像数据进行处理,可以反映细胞 的客观状况,从而映射出相应的药物的治疗效果。
在一些实施例中,预处理可以是调节图像亮度/对比度,对图像进行随 机裁剪或对图像进行随机旋转,但本公开并不以此为限,只要能够对图像 有所增强,即目的在于提升分类网络对于各类情况的鲁棒性,使得多尺度 分类网络能够更好的适用于不同的情形,均可应用于本公开。
S2:由多尺度分类网络输入所述增强的细胞影像图像,输出细胞影像 图像对应药物的疗效的分类结果,所述多尺度分类网络包括特征提取模 块、上采样模块和分类模块,所述特征提取模块用于采用深度卷积神经网 络提取细胞影像图像的特征,上采样模块对提取的特征行上采样,输出融 合的多尺度的图像特征,分类模块用于对融合后的多尺度的图像特征进行 分类,从而确定该药物的疗效类别。
一些实施例中,为提高数据选择的全面性和准确性,不同药物刺激下 的细胞影像数据为LINCS(library of integrated network-based cellular signatures)数据集的数据。
一些实施例中,特征提取模块包括征提取模块采用深度卷积神经网 络,包括多层卷积层,包括至少一第一卷积层和至少一第二卷积层,所述 第一卷积层位于第二卷积层之前,且卷积核大于所述第二卷积层的卷积 核。前端的卷积层采用较大卷积核的原因在于可以让卷积核在图像上获得 更大的视野范围,提取到更多的信息。后端采用较小卷积核的原因在于可 以大大降低计算量。
一些实施例中,所述深度卷积神经网络多层卷积层的至少部分卷积层 后端至少连接有平均池化层,池化层可以用来聚合特征信息,提高鲁棒性; 可选的,深度卷积神经网络包括至少十四层,包括前两层卷积层,所述前 两层卷积层的卷积核大于后续卷积层的卷积核,所述深度卷积神经网络的 第二层,第六层,第十层后分别加入平均池化层。
一些实施例中,上述的每一个卷积层后面均加入非线性ReLu激活函 数,用来提高网络的学习能力。
一些实施例中,上采样模块包括多层采样层,上采样用于对特征提取 模块的输出进行上采样,且各采样层用于与所述特征提取模块的若干卷积 层分别拼接,输出多个拼接后的多尺度的图像特征。通过设定多层采样层, 可以使反卷积后的特征具备更多卷积前的细节信息。
一些实施例中,分类模块包括与上采样层相同数量的线性全连接层、 线性相加层和分类全连接层,所述线性全连接层的输入分别与连接各采用 层,输出与所述线性相加层连接,所述分类全连接层的输入连接所述线性 相加层的输出。对三个全连接层进行相加求和的原因在于使网络在分类的 过程中既可以获得高层的语义特征又可以获得低层的细节特征。
在一些实施例中,本公开实施例的根据细胞影像进行药物疗效分类的 方法,还可以包括:
S3,对多尺度分类网络进行训练优化。具体的说,将多尺度分类网络 预测输出与真实值进行误差计算并采用带有动量的SGD优化函数来对多 尺度分类网络的参数进行学习优化。对于训练中的误差函数、优化器、初 始学习率,以及防止过拟合等手段,按照如下思路选取:误差函数为交叉 熵损失函数,选取原则在于该损失函数是专门针对于分类网络的损失函 数,它通过计算网络输出与真实类别之间的概率分布,可以更有效的反应 网络分类的误差。SGD优化器相比于其它优化器可以更好地优化网络参 数,避免进入局部最小值。初始学习率是凭经验选择的,一般都会取0.001。 防止过拟合的手段是神经网络通用的,被大量实验验证过的;一些实施例 中,多尺度分类网络为经训练后的神经网络。
以下例举一具体实例,以细胞影像数据为LINCS数据集中的图像, 对具体的分类方法进行例示性说明,但应理解的是,以下实例仅用于更清 楚的阐述本公开,而不应理解为对本公开的限定。
步骤一,对LINCS数据集中在药物刺激下的细胞影像图像进行数据 增强。数据增强的方法包括:调节图像亮度/对比度,对图像进行随机裁剪, 对图像进行随机旋转。
步骤二,将步骤一中进行过数据增强的细胞影像图像输入到多尺度分 类网络中。其中,多尺度分类网络包括特征提取模块、上采样模块、分类 模块三部分,输入图像将依次通过这三个模块来获得最终的输出。详细的 设计如下:
特征提取模块:其采用的是深度卷积神经网络。卷积神经网络通过 对输入图像进行卷积计算来提取图像中的有效特征。通过采用多个小卷积 核进行卷积的方式,使得卷积神经网络在不损失图像特征的前提下还可以 大大降低计算量。在特征提取模块中,设计的深度卷积神经网络共包括14 层卷积层。其中前两层采用的是卷积核大小为7*7的卷积层,剩下的层均 采用卷积核大小为3*3的卷积层。前两层采用较大卷积核的原因在于可以 让卷积核在图像上获得更大的视野范围,提取到更多的信息。后面采用较 小卷积核的原因在于可以大大降低计算量。除此之外,在第二层,第六层, 第十层后分别加入平均池化层,来聚合特征信息,提高鲁棒性。特征提取 模块如图2所示,特征提取模块的输出设定为F。此外,可选的,在每一 个卷积层后面均加入非线性ReLu激活函数,用来提高网络的学习能力。
上采样模块,其包括3层上采样层,上采样层采用双线性内插法来对 特征提取模块的输出F进行上采样。经过上采样层后,输出图像的大小将 变为原来的2倍。则3层上采样层的输出大小分别为F的2倍,4倍,8倍, 分别记做U1,U2,U3。之后,将U1,U2,U3分别与特征提取模块的 Conv10,Conv6,Conv2层进行拼接,目的是为了使反卷积后的特征具备更多 卷积前的细节信息。拼接后的输出设定为Out1,Out2,Out3,反卷积模块的 示意图如图3所示。
分类模块,其将上采样模块输出的Out1,Out2,Out3分别接入全连接层。 其中,全连接层的输出均是固定的维度。设定三个全连接层的输出分别为 L1,L2,L3.对三个全连接层的输出进行相加求和,得到L_in,如下所示:
L_in=L1+L2+L3
对三个全连接层进行相加求和的原因在于使网络在分类的过程中既 可以获得高层的语义特征又可以获得低层的细节特征。最后,在L_in后 接入一个分类全连接层,该全连接层的输出维度为数据库中可以识别的药 物类别L_class.分类模块的示意图如图4所示。
步骤三,在多尺度分类网络的训练过程中,误差函数选择交叉熵损失(CrossEntropy Loss)函数,优化器采用带有动量的SGD(随机梯度下降) 优化器,初始学习率设置为0.001。同时,训练过程中还引入了L2正则化 以及Dropout来防止过拟合。在实验中Dropout的概率选取为0.5.
本公开的实施例示出了一种电子设备,如图5所示,电子设备500包 括处理器510、计算机可读存储介质520。该电子设备500可以执行上面 参考图1的方法,以进行根据细胞影像进行药物疗效分类。
具体地,处理器510例如可以包括通用微处理器、指令集处理器和/ 或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等 等。处理器510还可以包括用于缓存用途的板载存储器。处理器510可以 是用于执行参考图1描述的根据本公开实施例的方法流程的不同步骤的单 一处理单元或者是多个处理单元。
计算机可读存储介质520,例如可以是能够包含、存储、传送、传播 或传输指令的任意介质。例如,可读存储介质可以包括但不限于电、磁、 光、电磁、红外或半导体***、装置、器件或传播介质。可读存储介质的 具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光 盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有 线/无线通信链路。
计算机可读存储介质520可以包括计算机程序521,该计算机程序521 可以包括代码/计算机可执行指令,其在由处理器510执行时使得处理器 510执行例如上面结合图1所描述的方法流程及其任何变形。
计算机程序521可被配置为具有例如包括计算机程序模块的计算机程 序代码。例如,在示例实施例中,计算机程序521中的代码可以包括一个 或多个程序模块,例如包括521A、模块521B、……。应当注意,模块的 划分方式和个数并不是固定的,本领域技术人员可以根据实际情况使用合 适的程序模块或程序模块组合,当这些程序模块组合被处理器510执行时, 使得处理器510可以执行例如上面结合图1所描述的方法流程及其任何变 形。
以上所述的具体实施例,对本公开的目的、技术方案和有益效果进行 了进一步详细说明,应理解的是,以上所述仅为本公开的具体实施例而已, 并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、 等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (12)
1.一种根据细胞影像进行药物疗效分类的方法,其中,包括:
对在不同药物刺激下的细胞影像数据进行预处理,形成增强的细胞影像图像;
由多尺度分类网络输入所述增强的细胞影像图像,输出细胞影像图像对应药物的疗效的分类结果,所述多尺度分类网络包括特征提取模块、上采样模块和分类模块,所述特征提取模块用于采用深度卷积神经网络提取细胞影像图像的特征,上采样模块对提取的特征行上采样,输出融合的多尺度的图像特征,分类模块用于对融合后的多尺度的图像特征进行分类,从而确定该药物的疗效类别。
2.根据权利要求1所述的方法,其特征在于,所述对在不同药物刺激下的细胞影像数据进行预处理,包括以下至少一种:
调节图像亮度/对比度,对图像进行随机裁剪或对图像进行随机旋转。
3.根据权利要求1所述的方法,其特征在于,所述不同药物刺激下的细胞影像数据为任何可能含有干预或治疗手段信息的细胞影像数据。
4.根据权利要求1所述的方法,其特征在于,所述特征提取模块包含深度卷积神经网络,该深度卷积神经网络包括多层卷积层,包括至少一第一卷积层和至少一第二卷积层,所述第一卷积层位于第二卷积层之前,且卷积核大小大于所述第二卷积层的卷积核大小。
5.根据权利要求4所述的方法,其特征在于,所述深度卷积神经网络多层卷积层的至少部分卷积层后端至少连接有平均池化层。
6.根据权利要求4所述的方法,其特征在于,所述深度卷积神经网络包括至少十四层,包括前两层卷积层,所述前两层卷积层的卷积核大于后续卷积层的卷积核,所述深度卷积神经网络的第二层,第六层,第十层后分别加入平均池化层,所述深度卷积神经网络的每一个卷积层后端都连接有ReLu激活函数,用来提高网络的学习能力。
7.根据权利要求1所述的方法,其特征在于,所述上采样模块包括多层采样层,上采样用于对特征提取模块的输出进行上采样,且各采样层用于与所述特征提取模块的若干卷积层分别拼接,输出多个拼接后的多尺度的图像特征。
8.根据权利要求7所述的方法,其特征在于,所述分类模块包括与上采样层相同数量的线性全连接层、线性相加层和分类全连接层,所述线性全连接层的输入分别与连接各采用层,输出与所述线性相加层连接,所述分类全连接层的输入连接所述线性相加层的输出。
9.根据权利要求1所述的方法,其特征在于,还包括:对所述多尺度分类网络进行训练,训练过程中,误差函数选择交叉熵损失函数,优化器采用带有动量的SGD优化器,初始学习率设置为0.001。
10.根据权利要求1所述的方法,其特征在于,所述多尺度分类网络为经训练后的神经网络。
11.根据权利要求1所述的方法,其特征在于,所述训练过程中引入L2正则化以及Dropout来防止过拟合。
12.一种电子设备,包括:处理器和计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-11中任一项所述的根据细胞影像进行药物疗效分类的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010130277.1A CN111476267A (zh) | 2020-02-28 | 2020-02-28 | 根据细胞影像进行药物疗效分类的方法与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010130277.1A CN111476267A (zh) | 2020-02-28 | 2020-02-28 | 根据细胞影像进行药物疗效分类的方法与电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476267A true CN111476267A (zh) | 2020-07-31 |
Family
ID=71748052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010130277.1A Pending CN111476267A (zh) | 2020-02-28 | 2020-02-28 | 根据细胞影像进行药物疗效分类的方法与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476267A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508951A (zh) * | 2021-02-03 | 2021-03-16 | 中国科学院自动化研究所 | 用于确定内质网表型的方法及产品和用于药物筛选的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015164541A1 (en) * | 2014-04-22 | 2015-10-29 | Presage Biosciences, Inc. | Methods and devices for evaluating drug candidates |
CN108764072A (zh) * | 2018-05-14 | 2018-11-06 | 浙江工业大学 | 一种基于多尺度融合的血细胞亚型图像分类方法 |
CN110033440A (zh) * | 2019-03-21 | 2019-07-19 | 中南大学 | 基于卷积神经网络与特征融合的生物细胞计数方法 |
-
2020
- 2020-02-28 CN CN202010130277.1A patent/CN111476267A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015164541A1 (en) * | 2014-04-22 | 2015-10-29 | Presage Biosciences, Inc. | Methods and devices for evaluating drug candidates |
CN108764072A (zh) * | 2018-05-14 | 2018-11-06 | 浙江工业大学 | 一种基于多尺度融合的血细胞亚型图像分类方法 |
CN110033440A (zh) * | 2019-03-21 | 2019-07-19 | 中南大学 | 基于卷积神经网络与特征融合的生物细胞计数方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508951A (zh) * | 2021-02-03 | 2021-03-16 | 中国科学院自动化研究所 | 用于确定内质网表型的方法及产品和用于药物筛选的方法 |
CN112508951B (zh) * | 2021-02-03 | 2021-06-22 | 中国科学院自动化研究所 | 用于确定内质网表型的方法及产品和用于药物筛选的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Overfitting remedy by sparsifying regularization on fully-connected layers of CNNs | |
Rao et al. | Research on a handwritten character recognition algorithm based on an extended nonlinear kernel residual network | |
WO2022068314A1 (zh) | 神经网络训练的方法、神经网络的压缩方法以及相关设备 | |
CN114066902A (zh) | 一种基于卷积和transformer融合的医学图像分割方法、***、装置 | |
Peng et al. | Research on image feature extraction and retrieval algorithms based on convolutional neural network | |
CN111352965B (zh) | 序列挖掘模型的训练方法、序列数据的处理方法及设备 | |
CN108427921A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN111612008A (zh) | 基于卷积网络的图像分割方法 | |
CN111898703B (zh) | 多标签视频分类方法、模型训练方法、装置及介质 | |
CN112418059B (zh) | 一种情绪识别的方法、装置、计算机设备及存储介质 | |
CN112560710B (zh) | 一种用于构建指静脉识别***的方法及指静脉识别*** | |
Gao et al. | Natural scene recognition based on convolutional neural networks and deep Boltzmannn machines | |
CN114282059A (zh) | 视频检索的方法、装置、设备及存储介质 | |
Perveen et al. | [Retracted] Multidimensional Attention‐Based CNN Model for Identifying Apple Leaf Disease | |
Huang et al. | Lightweight adversarial network for salient object detection | |
Liu et al. | Student behavior recognition from heterogeneous view perception in class based on 3-D multiscale residual dense network for the analysis of case teaching | |
Yuan et al. | Low-res MobileNet: An efficient lightweight network for low-resolution image classification in resource-constrained scenarios | |
Chen et al. | Research on object detection algorithm based on multilayer information fusion | |
Liang et al. | A lightweight method for face expression recognition based on improved MobileNetV3 | |
Huang et al. | Dynamic sign language recognition based on CBAM with autoencoder time series neural network | |
CN111476267A (zh) | 根据细胞影像进行药物疗效分类的方法与电子设备 | |
Zhang et al. | The Role of Knowledge Creation‐Oriented Convolutional Neural Network in Learning Interaction | |
Feng et al. | Study on the optimization of CNN based on image identification | |
Sarwinda et al. | Automatic multi-class classification of indonesian traditional food using convolutional neural networks | |
Shi et al. | J‐Net: Asymmetric Encoder‐Decoder for Medical Semantic Segmentation |
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 |