CN112381164A - 一种基于多分支注意力机制的超声图像分类方法和装置 - Google Patents

一种基于多分支注意力机制的超声图像分类方法和装置 Download PDF

Info

Publication number
CN112381164A
CN112381164A CN202011309889.3A CN202011309889A CN112381164A CN 112381164 A CN112381164 A CN 112381164A CN 202011309889 A CN202011309889 A CN 202011309889A CN 112381164 A CN112381164 A CN 112381164A
Authority
CN
China
Prior art keywords
network
feature extraction
image classification
sub
ultrasonic
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.)
Granted
Application number
CN202011309889.3A
Other languages
English (en)
Other versions
CN112381164B (zh
Inventor
孟慧
牛建伟
李青锋
谷宁波
陈晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202011309889.3A priority Critical patent/CN112381164B/zh
Publication of CN112381164A publication Critical patent/CN112381164A/zh
Application granted granted Critical
Publication of CN112381164B publication Critical patent/CN112381164B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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)
  • 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)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多分支注意力机制的超声图像分类方法和装置，包括：步骤S100：收集不同角度的超声切面图像和对应的真实标签，构建训练样本集；步骤S200：对步骤S100收集的超声图像进行数据增强和归一化处理操作；步骤S300：搭建多分支超声图像分类网络，所述网络由多个分支网络并联而成，其中添加了多分支注意力模块；步骤S400：利用训练样本集训练步骤S300所搭建的网络；S500：实际的超声图像分类，利用步骤S400训练好的网络进行超声图像的分类。该超声图像分类方法综合学习不同角度超声切面图像中的信息，实现了准确而又快速的超声图像分类。

Description

一种基于多分支注意力机制的超声图像分类方法和装置
技术领域
本发明属于超声切片图像分类技术，具体涉及一种基于多分支注意力机制的超声图像分类方法和装置。
背景技术
超声成像是一种重要的临床成像技术，具有无辐射、无痛苦、经济适用、实时成像等优点，已被广泛应用于肿瘤筛查、产前诊断、手术导航等。但是，超声成像存在成像质量差、差异性大等缺点，导致超声诊断严重依赖于医生的经验。由此，借助计算机辅助诊断技术进行超声切片图像分类，可以辅助医生进行超声诊断，进而提高超声诊断的召回率和准确率。
目前常用的计算机辅助诊断技术包括基于特征工程的方法和基于深度学习的方法。基于特征工程的方法通常提取病灶区域的纹理、形态、基于模型的特征和基于描述子的特征，然后基于提取的特征进行超声切片图像的分类。该类方法利用的影像特征具有良好的医学可解释性，但是特征的计算通常需要人工干预，这在一定程度上影响了图像分析的实时性和客观性。
随着深度学习技术的诞生，基于深度学习的方法利用神经网络自动提取超声切片图像的底层到高层抽象特征，能够实现全自动的图像分类工作。如申请公布号为CN111161273A的专利申请公开了一种基于深度学习的医学超声切片图像分割方法，再如申请公布号为CN110634125A的专利申请公开了一种基于深度学习的胎儿超声切片图像识别方法及***。
发明内容
鉴于上述，本发明的目的是提供一种基于多分支注意力机制的超声图像分类方法和装置，提升图像分类结果的准确性。
为实现上述发明目的，本发明提供以下技术方案：
第一方面，一种基于多分支注意力机制的超声图像分类方法，包括以下步骤：
(1)采集被测生理组织多视角下的超声切片图像，每个被测生理组织的多视角超声切片图像与对应的真实类标组成一个样本，并对样本做预处理和数据增广处理，组成样本集；
(2)构建超声图像分类网络，所述超声图像分类网络包括与视角个数相同的多支特征提取子网络和映射网络，每支特征提取子网络用于提取输入视角超声切片图像的第二特征图，每个特征提取子网络包括特征提取单元和注意力模块，特征提取单元用于提取输入视角超声切片图像的第一特征图，注意力模块用于从特征提取单元提取特征图并计算注意力权重矩阵，该注意力权重矩阵被分为两部分并分别赋予特征提取单元输出的第一特征图和相邻特征提取子网络输出的第二特征图，第一特征图和第二特征图与各自被分的注意力权重矩阵加权求和后作为自身所属特征提取子网络输出的第二特征图，映射网络对输入的第二特征图进行连接映射，输出预测分类结果；
(3)采用样本集对超声图像分类网络进行训练更新网络参数，训练结束后，确定的网络参数与超声图像分类网络组成超声图像分类模型；
(4)采集被分类的多视角超声切片图像，并对多视角超声切片图像进行预处理后输入超声图像分类模型，利用超声图像分类模型对多视角超声切片图像进行预测，得到预测分类结果。
基于深度学***翻转和旋转。同时，还需要样本数据对应的真实类标，该真实类标由医学先验知识确定，因此，通过对数据增广和结合医学先验知识确定的分类标签，能够大大提升深度学习网络的训练速度，提高模型的鲁棒性。
考虑到多角度的超声切面视图可以提供更加丰富的被测生理组织信息，所以将超声图像分类网络的输入设计为多角度的超声切面视图。考虑到多角度的超声切面视图中存在冗余信息，构建了多分支注意力模块，通过逐层级联的方式组合不同网络分支的特征信息，可以减轻不同网络分支的学习负担，从而避免网络出现过拟合的问题。相比于单视图输入的神经网络，基于多视图输入的多分支网络实现了更高的分类准确率。
优选地，第一个特征提取子网络仅包含特征提取单元，特征提取单元输出的第一特征图作为特征提取子网络输出的第二特征图，且第一个特征提取子网络作为第二个特征提取子网络的相邻特征提取子网络。其他特征提取子网络同时包含特征提取单元和注意力模块，第二个特征提取子网络作为第三个特征提取子网络的相邻特征提取子网络，以此类推，通过注意力权重矩阵依次向相邻的特征提取子网络进行级联，最后一个特征提取子网络输出的第二特征图直接输入映射网络，经映射计算输出分类预测结果。
优选地，所述特征提取单元包括卷积层、池化层以及多个残差模块，最后一个残差模块输出的特征图为第一特征图，提取最后一个残差模块的输入特征图作为注意力模块的输入，用于计算注意力权重矩阵。在一些实施方式中，特征提取单元依次包括1个卷积层、1个池化层以及多个相连的残差模块。其中，残差模块由多个卷积层构成，可以以相邻的至少2个卷积层为一组，每组的输入同时为上一组的输出特征图和输入特征图。
优选地，所述注意力模块包括最大池化层、平均池化层以及卷积层，输入特征图并行经过最大池化层和平均池化层处理后的两个池化结果图经过拼接后输入至卷积层，经卷积操作和Sigmoid函数激活后输出注意力权重矩阵。
为了调节特征对最后分类结果的贡献程度，在注意力权重矩阵划分为两部分时，设置划分比例，且自身所属特征提取子网络的划分比例大于相邻特征提取子网络的划分比例，各自划分比例与注意力权重矩阵的乘积作为各自被分的注意力权重矩阵。自身特征提取子网络和相邻特征提取子网络是个相对的概念，当关注某个特征提取子网络时，被关注的特征提取子网络为自身特征提取子网络，其他就为相邻特征提取子网络。每个分支的注意力模块计算得到的注意力权重矩阵被划分时，划分比例可以与其他分支的划分比例相同，也可以不同。
优选地，映射网络采用全连接层。全连接层作为映射网络可以实现多任务分类。
优选地，为了提升训练速率和训练结果，训练超声图像分类网络时，激励函数为Relu函数，优化函数为随机梯度下降方法，损失函数为交叉熵损失函数。
优选地，所述预处理包括计算所有多视角超声切片图像的强度均值和方差；
基于强度均值和方差对每张多视角超声切片图像进行归一化处理；
将归一化处理后的多视角超声切片图像统一到固定尺寸。其中，固定尺寸可以是长宽相等。
一种基于多分支注意力机制的超声图像分类装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器执行所述计算机程序时实现上述基于多分支注意力机制的超声图像分类方法。
与现有技术相比，本发明提供的基于多分支注意力机制的超声图像分类方法和装置具有的有益效果至少包括：
(1)基于深度学习的理论框架，利用神经网络直接学习超声切片图像中的特征，实现了端到端的超声切片图像分类任务；
(2)采用多角度的超声切面图像作为网络输入，避免了单视图输入造成的信息不充分和信息偏差问题；
(3)采用多分支注意力模块学习不同分支网络的特征权重，有效过滤了冗余信息；
(4)利用级联的方式整合不同网络分支的输出，减轻了不同分支网络的学习负担，避免了网络过拟合的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于多分支注意力机制的超声图像分类方法的流程图；
图2是本发明实施例提供的超声图像分类网络的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
为了提升超声图像分类的效率和准确性，本发明实施例提供了一种基于多分支注意力机制的超声图像分类方法。图1是本发明实施例提供的基于多分支注意力机制的超声图像分类方法的流程图。如图1所示，实施例提供的超声图像分类方法包括以下步骤：
S100，采集被测生理组织多视角下的超声切片图像，并构建样本集。
实施例中，采用超声探头对成像器官进行大范围的扫描，寻找可疑的被测生理组织，并采用旋转探头的方式采集被测生理组织在不同角度下的超声切面图像，具体地可以针对被测生理组织按照顺时针方向旋转探头4次，每次旋转的角度为45度，依次采集4个角度下的超声切面图像。
实施例中采用医学先验知识确定样本的真实类标，可以在超声引导下，对被测生理组织进行穿刺活检，基于活检分析结果确定所属类别作为被测生理组织的真实类标，每个被测生理组织的多视角超声切片图像与对应的真实类标组成一个样本。
为了提升样本的质量和数量，需要对样本做预处理和数据增广处理，具体过程为：
首先，计算收集的所有超声切片图像的强度均值和标准差，基于均值和标准差对超声切片图像做归一化处理，具体的计算公式如下：
Figure BDA0002789451970000061
Figure BDA0002789451970000071
Figure BDA0002789451970000072
其中，μ，δ分别为超声切片图像的均值和标准差。i为超声切片图像的编号，Ω为超声切片图像的集合，Hi和Wi分别为超声切片图像i的高和宽，x，y表示像素的索引，vi(x,y)表示超声切片图像i在位置(x,y)处的强度值，v'和v分别表示归一化后的图像强度和原始的图像强度。
然后，将所有超声切片图像的统一为(S，S)。首先采用保持长宽比例的方法将图像的长边缩放到S，然后采用图像边缘均值填充的方法，将图像的短边填充到S。
最后，采用水平翻转和旋转的方式进行样本扩充，每个样本中的超声切片图像采用相同的变换方式。
S200，构建超声图像分类网络。
图2是本发明实施例提供的超声图像分类网络的结构示意图。如图2所示，实施例构建的超声图像分类网络由4支特征提取子网络和全连接层组成。4支特征提取子网络的的输入分别为1个样本的4个视角的超声切片图像，简称视图1～4。与视图1对应的第一支特征提取子网络包含特征提取单元，其他三支特征提取子网络同时包含特征提取单元和注意力模块。征提取单元用于提取输入视角超声切片图像的第一特征图，注意力模块用于从特征提取单元提取特征图并计算注意力权重矩阵。
其中，特征提取单元依次包括1个卷积层、1个池化层以及4个残差模块，最后一个残差模块输出的特征图为第一特征图，提取最后一个残差模块的输入特征图作为注意力模块的输入，用于计算注意力权重矩阵。
注意力模块包括最大池化层、平均池化层以及卷积层，输入特征图并行经过最大池化层和平均池化层处理后的两个池化结果图经过拼接后输入至卷积层，经卷积操作和Sigmoid函数激活后输出注意力权重矩阵。
注意力模块计算得到的注意力权重矩阵被分为两部分并分别赋予特征提取单元输出的第一特征图和相邻特征提取子网络输出的第二特征图，第一特征图和第二特征图与各自被分的注意力权重矩阵加权求和后作为自身所属特征提取子网络输出的第二特征图。在将注意力权重矩阵划分为两部分时，设置划分比例，且自身所属特征提取子网络的划分比例大于相邻特征提取子网络的划分比例，各自划分比例与注意力权重矩阵的乘积作为各自被分的注意力权重矩阵。
如视图2对应的第二支特征提取子网络包含的注意力模块计算得到的注意力权重矩阵会被分为两部分，设置划分比例为α，则注意力权重矩阵与划分比例为α的乘积作为第二支特征提取子网络的注意力权重矩阵A，注意力权重矩阵与划分比例为1-α的乘积作为相邻支特征提取子网络(也就是视图1对应的第一支特征提取子网络)的注意力权重矩阵A’，注意力权重矩阵A和与注意力权重矩阵A’分别与视图2对应的第二支特征提取子网络包含的特征提取单元输出的第一特征图和视图1对应的第一支特征提取子网络输出的第二特征图的加权求和作为第二支特征提取子网络输出的第二特征图。按照此规律，对视图3对应的第三支特征提取子网络和视图4对应的第四支特征提取子网络以此类推，获得第四支特征提取子网络输出的第二特征图，该第二特征图直接输入全连接层，经过映射输出预测分类结果。
本实施例中，划分比例α，β，γ均大于0.5，以保证更关注当前支输入视图的特征信息。残差模块包含多个卷积层，每两个卷积层作为一组，每组的输入为上一组的输入特征图和输出特征图。
S300，采用样本集训练超声图像分类网络，获得超声图像分类模型。
训练时，以输入样本的真实类标与超声图像分类网络的预测分类结果的交叉熵损失函数作为损失函数，并采用Relu函数作为每层网络的激励函数，采用随机梯度下降方法更新网络参数，当训练结束后，确定的网络参数与超声图像分类网络组成超声图像分类模型。
S400，利用超声图像分类模型进行超声图像分类。
实际超声图像分类时，采集被分类的多视角超声切片图像，并对多视角超声切片图像进行预处理后输入超声图像分类模型，利用超声图像分类模型对多视角超声切片图像进行预测，得到预测分类结果。此处的预处理包括采用S100计算的均值和标准差对多视角超声切片图像进行归一化处理和尺寸调整到(S，S)。
实施例还提供了一种基于多分支注意力机制的超声图像分类装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机处理器执行所述计算机程序时实现上述基于多分支注意力机制的超声图像分类方法。
实际应用中，计算机存储器可以为在近端的易失性存储器，如RAM，还可以是非易失性存储器，如ROM，FLASH，软盘，机械硬盘等，还可以是远端的存储云。计算机处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)，即可以通过这些处理器实现基于多分支注意力机制的超声图像分类步骤。
上述实施例提供的基于多分支注意力机制的超声图像分类方法和装置，实际是一种基于数据驱动的超声图像分类方法，该方法不需要手工提取影像特征，利用神经网络直接学习超声图像中的特征，实现了端到端的超声图像分类任务。该方法采用多角度的超声切面图像作为网络输入，避免了单视图输入造成的信息不充分和信息偏差问题；多分支注意力模块可以学习不同分支网络的特征权重，有效过滤了冗余信息，提升了网络的学习性能，进而提高了超声图像分类的准确率。
需要说明的是，单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。
至此，已经结合附图对本公开实施例进行了详细描述。需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员对其进行简单地更改或替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多分支注意力机制的超声图像分类方法，其特征在于，包括以下步骤：
(1)采集被测生理组织多视角下的超声切片图像，每个被测生理组织的多视角超声切片图像与对应的真实类标组成一个样本，并对样本做预处理和数据增广处理，组成样本集；
(2)构建超声图像分类网络，所述超声图像分类网络包括与视角个数相同的多支特征提取子网络和映射网络，每支特征提取子网络用于提取输入视角超声切片图像的第二特征图，每个特征提取子网络包括特征提取单元和注意力模块，特征提取单元用于提取输入视角超声切片图像的第一特征图，注意力模块用于从特征提取单元提取特征图并计算注意力权重矩阵，该注意力权重矩阵被分为两部分并分别赋予特征提取单元输出的第一特征图和相邻特征提取子网络输出的第二特征图，第一特征图和第二特征图与各自被分的注意力权重矩阵加权求和后作为自身所属特征提取子网络输出的第二特征图，映射网络对输入的第二特征图进行连接映射，输出预测分类结果；
(3)采用样本集对超声图像分类网络进行训练更新网络参数，训练结束后，确定的网络参数与超声图像分类网络组成超声图像分类模型；
(4)采集被分类的多视角超声切片图像，并对多视角超声切片图像进行预处理后输入超声图像分类模型，利用超声图像分类模型对多视角超声切片图像进行预测，得到预测分类结果。
2.如权利要求1所述的基于多分支注意力机制的超声图像分类方法，其特征在于，第一个特征提取子网络仅包含特征提取单元，特征提取单元输出的第一特征图作为特征提取子网络输出的第二特征图，且第一个特征提取子网络作为第二个特征提取子网络的相邻特征提取子网络。
3.如权利要求1或2所述的基于多分支注意力机制的超声图像分类方法，其特征在于，所述特征提取单元包括卷积层、池化层以及多个残差模块，最后一个残差模块输出的特征图为第一特征图，提取最后一个残差模块的输入特征图作为注意力模块的输入，用于计算注意力权重矩阵。
4.如权利要求1或3所述的基于多分支注意力机制的超声图像分类方法，其特征在于，所述注意力模块包括最大池化层、平均池化层以及卷积层，输入特征图并行经过最大池化层和平均池化层处理后的两个池化结果图经过拼接后输入至卷积层，经卷积操作和Sigmoid函数激活后输出注意力权重矩阵。
5.如权利要求1所述的基于多分支注意力机制的超声图像分类方法，其特征在于，将注意力权重矩阵划分为两部分时，设置划分比例，且自身所属特征提取子网络的划分比例大于相邻特征提取子网络的划分比例，各自划分比例与注意力权重矩阵的乘积作为各自被分的注意力权重矩阵。
6.如权利要求1所述的基于多分支注意力机制的超声图像分类方法，其特征在于，所述映射网络采用全连接层。
7.如权利要求1所述的基于多分支注意力机制的超声图像分类方法，其特征在于，训练超声图像分类网络时，激励函数为Relu函数，优化函数为随机梯度下降方法，损失函数为交叉熵损失函数。
8.如权利要求1所述的基于多分支注意力机制的超声图像分类方法，其特征在于，所述预处理包括计算所有多视角超声切片图像的强度均值和方差；
基于强度均值和方差对每张多视角超声切片图像进行归一化处理；
将归一化处理后的多视角超声切片图像统一到固定尺寸。
9.如权利要求1所述的基于多分支注意力机制的超声图像分类方法，其特征在于，所述数据增广方式包括水平翻转和旋转。
10.一种基于多分支注意力机制的超声图像分类装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行所述计算机程序时实现权利要求1～9任一项所述的基于多分支注意力机制的超声图像分类方法。
CN202011309889.3A 2020-11-20 2020-11-20 一种基于多分支注意力机制的超声图像分类方法和装置 Active CN112381164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011309889.3A CN112381164B (zh) 2020-11-20 2020-11-20 一种基于多分支注意力机制的超声图像分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011309889.3A CN112381164B (zh) 2020-11-20 2020-11-20 一种基于多分支注意力机制的超声图像分类方法和装置

Publications (2)

Publication Number Publication Date
CN112381164A true CN112381164A (zh) 2021-02-19
CN112381164B CN112381164B (zh) 2022-09-20

Family

ID=74584440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011309889.3A Active CN112381164B (zh) 2020-11-20 2020-11-20 一种基于多分支注意力机制的超声图像分类方法和装置

Country Status (1)

Country Link
CN (1) CN112381164B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861443A (zh) * 2021-03-11 2021-05-28 合肥工业大学 一种融入先验知识的深度学习故障诊断方法
CN113392655A (zh) * 2021-06-08 2021-09-14 沈阳雅译网络技术有限公司 一种基于多分支网络结构加速翻译模型训练速度的方法
CN113642611A (zh) * 2021-07-16 2021-11-12 重庆邮电大学 一种基于多粒度的胎儿心脏超声图像识别方法
CN114283290A (zh) * 2021-09-27 2022-04-05 腾讯科技（深圳）有限公司 图像处理模型的训练、图像处理方法、装置、设备及介质
CN114550313A (zh) * 2022-02-18 2022-05-27 北京百度网讯科技有限公司 图像处理方法、神经网络及其训练方法、设备和介质
CN117392124A (zh) * 2023-12-08 2024-01-12 山东大学 一种医学超声图像分级方法、***、服务器、介质及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110123073A1 (en) * 2009-11-24 2011-05-26 Greg Gustafson Mammography statistical diagnostic profiler and prediction system
CN110164550A (zh) * 2019-05-22 2019-08-23 杭州电子科技大学 一种基于多视角协同关系的先天性心脏病辅助诊断方法
CN110443143A (zh) * 2019-07-09 2019-11-12 武汉科技大学 多分支卷积神经网络融合的遥感图像场景分类方法
CN110992270A (zh) * 2019-12-19 2020-04-10 西南石油大学 基于注意力的多尺度残差注意网络图像超分辨率重建方法
CN111444889A (zh) * 2020-04-30 2020-07-24 南京大学 基于多级条件影响的卷积神经网络的细粒度动作检测方法
CN111598108A (zh) * 2020-04-22 2020-08-28 南开大学 基于立体注意力控制的多尺度神经网络的快速显著性物体检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110123073A1 (en) * 2009-11-24 2011-05-26 Greg Gustafson Mammography statistical diagnostic profiler and prediction system
CN110164550A (zh) * 2019-05-22 2019-08-23 杭州电子科技大学 一种基于多视角协同关系的先天性心脏病辅助诊断方法
CN110443143A (zh) * 2019-07-09 2019-11-12 武汉科技大学 多分支卷积神经网络融合的遥感图像场景分类方法
CN110992270A (zh) * 2019-12-19 2020-04-10 西南石油大学 基于注意力的多尺度残差注意网络图像超分辨率重建方法
CN111598108A (zh) * 2020-04-22 2020-08-28 南开大学 基于立体注意力控制的多尺度神经网络的快速显著性物体检测方法
CN111444889A (zh) * 2020-04-30 2020-07-24 南京大学 基于多级条件影响的卷积神经网络的细粒度动作检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEIJIANG LI等: "Bidirectional LSTM with self-attention mechanism and multi-channel", 《NEUROCOMPUTING》 *
边小勇 等: "基于多分支神经网络模型的弱监督细粒度图像分类方法", 《计算机应用》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861443A (zh) * 2021-03-11 2021-05-28 合肥工业大学 一种融入先验知识的深度学习故障诊断方法
CN112861443B (zh) * 2021-03-11 2022-08-30 合肥工业大学 一种融入先验知识的深度学习故障诊断方法
CN113392655A (zh) * 2021-06-08 2021-09-14 沈阳雅译网络技术有限公司 一种基于多分支网络结构加速翻译模型训练速度的方法
CN113642611A (zh) * 2021-07-16 2021-11-12 重庆邮电大学 一种基于多粒度的胎儿心脏超声图像识别方法
CN113642611B (zh) * 2021-07-16 2024-04-12 重庆邮电大学 一种基于多粒度的胎儿心脏超声图像识别方法
CN114283290A (zh) * 2021-09-27 2022-04-05 腾讯科技（深圳）有限公司 图像处理模型的训练、图像处理方法、装置、设备及介质
CN114283290B (zh) * 2021-09-27 2024-05-03 腾讯科技（深圳）有限公司 图像处理模型的训练、图像处理方法、装置、设备及介质
CN114550313A (zh) * 2022-02-18 2022-05-27 北京百度网讯科技有限公司 图像处理方法、神经网络及其训练方法、设备和介质
CN117392124A (zh) * 2023-12-08 2024-01-12 山东大学 一种医学超声图像分级方法、***、服务器、介质及设备
CN117392124B (zh) * 2023-12-08 2024-02-13 山东大学 一种医学超声图像分级方法、***、服务器、介质及设备

Also Published As

Publication number Publication date
CN112381164B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN112381164B (zh) 一种基于多分支注意力机制的超声图像分类方法和装置
CN106056595B (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断***
CN111985536B (zh) 一种基于弱监督学习的胃镜病理图像分类方法
CN108830326B (zh) 一种mri图像的自动分割方法及装置
CN112529894B (zh) 一种基于深度学习网络的甲状腺结节的诊断方法
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断***
Nurmaini et al. Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation
CN105931226A (zh) 基于深度学习的自适应椭圆拟合细胞自动检测分割方法
Pan et al. Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review
US20220335600A1 (en) Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection
CN111415728A (zh) 基于cnn和gan的ct图像数据自动分类方法及设备
CN112263217B (zh) 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法
CN116681958B (zh) 基于机器学习的胎儿肺脏超声影像成熟度预测方法
CN112734755A (zh) 基于3d全卷积神经网络与多任务学习的肺叶分割方法
CN111275712A (zh) 一种面向大尺度图像数据的残差语义网络训练方法
CN112348059A (zh) 基于深度学习的多种染色病理图像分类方法及***
CN112561863A (zh) 一种基于改进ResNet的医学图像多分类识别***
CN115546605A (zh) 一种基于图像标注和分割模型的训练方法及装置
Cao et al. An automatic breast cancer grading method in histopathological images based on pixel-, object-, and semantic-level features
CN114445356A (zh) 基于多分辨率的全视野病理切片图像肿瘤快速定位方法
CN116740435A (zh) 基于多模态深度学习影像组学的乳腺癌超声图像分类方法
CN112750137A (zh) 基于深度学习的肝脏肿瘤分割方法及***
CN114565601A (zh) 基于DeepLabV3+改进的肝脏CT图像分割算法
US11521323B2 (en) Systems and methods for generating bullseye plots
CN112990367A (zh) 一种图像处理方法、装置、设备以及存储介质

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