CN113011556B - 基于INC-DenseUnet网络识别模型建立方法 - Google Patents

基于INC-DenseUnet网络识别模型建立方法 Download PDF

Info

Publication number
CN113011556B
CN113011556B CN202110192572.4A CN202110192572A CN113011556B CN 113011556 B CN113011556 B CN 113011556B CN 202110192572 A CN202110192572 A CN 202110192572A CN 113011556 B CN113011556 B CN 113011556B
Authority
CN
China
Prior art keywords
module
layer
convolution
input
connection module
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
Application number
CN202110192572.4A
Other languages
English (en)
Other versions
CN113011556A (zh
Inventor
李正平
左腾
徐超
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.)
Anhui University
Original Assignee
Anhui 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 Anhui University filed Critical Anhui University
Priority to CN202110192572.4A priority Critical patent/CN113011556B/zh
Publication of CN113011556A publication Critical patent/CN113011556A/zh
Application granted granted Critical
Publication of CN113011556B publication Critical patent/CN113011556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于INC‑DenseUnet网络识别模型建立方法，涉及图像处理技术领域。针对现有方案存在的缺陷，如形状特征法受到空间的限制大的问题、纹理特征受到计算量太大的问题和Unet网络提取特征不明显的问题，创新性的提出了一种基于改进Unet网络识别息肉的方法。本发明是对Unet网络进行改进，针对Unet提取特征的问题，加入了提取特征能力比较强的密集连接模块，还为了加深加宽网络，加入了拥有不同卷积大小的Inception模块。相比于现有技术，本发明提取特征的能力更强，提取的特征更为准确。

Description

基于INC-DenseUnet网络识别模型建立方法
技术领域
本发明涉及图像处理技术领域，更具体的说是涉及一种基于INC-DenseUnet网络识别模型建立方法。
背景技术
目前识别息肉的主要方法有：基于几何特征的方法；基于纹理特征的方法；基于深度学习的方法。
1.基于几何特征的方法
基于几何特征的方法就是根据息肉的形状特征判断，由于息肉形状一般会比较突出，与周围的组织表现出来的形状特征差异很大，因而在内窥镜图像中辨识度比较高。有的方法是选取几何特征为结肠壁厚，发现异常结肠厚，测量其壁厚，如果壁厚超出一定范围，则判断此处可能会存在息肉。这种方案比较简单明了，在肠道内形变较小的地方可以适用，但是这种方法受空间影响太大，一旦内部形变较大，该方法便不能够适用。还有的引用三维模型进行息肉判断，这是通过结肠表面的正常区域通常与周围正常的区域相交呈平滑状态，而息肉与周围正常的区域在多个方向存在极大差异，因此可以通过三维特征进行识别，但是由于息肉的形状不完全统一，单一的形状特征不能够判断息肉的准确性。
2.基于纹理特征的方法
基于纹理特征的方法就是利用息肉的纹理特征，比较常见的就是灰度共生矩阵(GLCM)和局部二值模式(LBP)两种特征。
基于深度学习的方法灰度共生矩阵定义为像素对的联合概率分布，是一个对称矩阵，它不仅反映图像灰度在相邻的方向、相邻间隔、变化幅度的综合信息，也反映了相同的灰度级像素之间的位置分布特征，是计算纹理特征的基础。常用的特征量有六种，分别为：对比度(contrast)、相关度(inverse differentmoment)、熵(entropy)和自相关(correlation)。通过计算GLCM纹理特征来判断是否存在息肉，但是此方法计算量非常大。
局部二值模式是一种来描述图像局部纹理特征的算子，具有旋转不变性和灰度不变性等显著优点。具体计算方法是在3*3的窗口中，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，如果周围的像素值大于等于中心像素值，则将该位置的像素点置为1，小于中心像素值则记为0，将其转化为十进制数便得到了LBP编码(256种)。通过计算LBP特征，然后把特征放入分类器进行分类，最终得到结果，此方案正确率相对于GLCM较低，并且由于胃镜内采样点很多，采用LBP采样后数据量较大，同时采用直方图的形式对LBP进行表达，模式种类太多导致直方图过于稀疏。
3.基于深度学习的方法
基于深度学习的方法就是利用CNN神经网络，其中Unet网络被用于医学图像分割并表现很好。Unet是图像分割网络，是基于FCN网络改进而来的，Unet网络包括两部分，第一部分是特征提取，也就是下采样；第二部分是上采样部分，也就是图像还原过程，整个网络呈U型，因此叫Unet网络。Unet网络相比于传统息肉识别来说正确率有所提高，这得益于它的优秀分割能力，该网络运用多尺度特征学习，该网络通过长连接(skip connection)连接下采样和上采样的特征，这就达到了利用底层特征的目的，改善了上采样的信息不足。由于医学图像数据一般较少，因此底层特征很重要，从而分割效果会比较好。但是由于原始的Unet网络卷及策略是valid，所以得到的特征图尺寸会减小，而且Unet网络下采样提取特征仅采用两次3*3卷积，得到的特征并不明显，因此得到的结果还不满足医学所需。
发明内容
针对现有方案存在的缺陷，如形状特征法受到空间的限制大的问题、纹理特征受到计算量太大的问题和Unet网络提取特征不明显的问题，创新性的提出了一种基于改进Unet网络识别息肉的方法。
为了实现上述目的，本发明采用如下技术方案：
一种基于INC-DenseUnet网络识别模型建立方法，
在Unet网络的基础上加入DenseBlock和Inception模块；
所述DenseBlock将Unet网络中所有层进行两两连接，每一层接收该层前面所有层的特征作为输入；
所述Inception模块的输入层后面连接第一1*1卷积层、第二1*1卷积层、第三1*1卷积层和第一2*2池化层；
所述第一1*1卷积层连接1*5卷积，再接5*1卷积输入通道融合模块；
所述第二1*1卷积层连接1*3卷积，再接3*1卷积输入所述通道融合模块；
所述第一2*2池化层后接1*1卷积输入所述通道融合模块；
所述第三1*1卷积层直接输入所述通道融合模块；
在所述通道融合模块中进行通道叠加。
优选地，所述DenseBlock含有多个卷积层，每两个卷积层之间含有BatchNormaliziton层、Relu层和3*3的卷积层，所述Batch Normaliziton层的输出作为所述Relu层的输入，所述Relu层的输出作为所述3*3的卷积层的输入，在所述Relu层和所述3*3的卷积层特征图谱进行融合后加入一层1*1卷积层通道融合方式为concatenation。
优选地，所述DenseBlock的核心为以下公式：
xl＝Hl([x0,x1,…,xl-1])；
其中xl为第l层的输入，Hl为非线性变换。
优选地，所述通道融合模块中的卷积核大小为3*3，步长为1，填充策略为“same”。
经由上述的技术方案可知，本发明公开提供了一种基于INC-DenseUnet网络识别模型建立方法，相比于传统息肉识别方法，本发明所使用的方法没有空间和息肉形状的限制；相比于基础的Unet网络，INC-DenseUnet采用密集连接模块，使得模型提取特征能力更强；并且结合Inception模块，使得模型能够更宽更深，提高模型的分割性能。模型中还多次使用1*1的卷积来降低参数量，使得计算机留出更多的计算力优化模型，得到结果也会更好。
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作简单地介绍，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的前提下，还可以根据提供的附图获得其他的附图。
图1附图为原始DenseBlock示意图；
图2附图为本发明改进后的DenseBlock示意图；
图3附图为本发明的Inception模块示意图；
图4附图为本发明INC-DenseUnet模型示意图；
图5附图为不同模型loss函数曲线对比。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于INC-DenseUnet网络识别模型建立方法，针对现有方案存在的缺陷，如形状特征法受到空间的限制大的问题、纹理特征受到计算量太大的问题和Unet网络提取特征不明显的问题，创新性的提出了一种基于改进Unet网络识别息肉的方法。
本实施例是对Unet网络进行改进，针对Unet提取特征的问题，加入了提取特征能力比较强的密集连接模块，还为了加深加宽网络，加入了拥有不同卷积大小的Inception模块。
神经网络中，深层次的特征对于最终的分割结果有着很大的影响，但是深度的加深同时也会带来梯度消失的问题，解决这个问题可以使用如残差模块和密集连接模块，相比于残差模块，密集连接模块可以与利用更多前面的特征，因此提取特征能力更为出众，该模块的核心理念就是最大化的利用前面的特征，将网络中的所有层都进行两两连接，这样每一层都会接收该层前面所有层的特征作为输入，DenseBlock模块如图2所示，该模块里面包含三个3*3卷积核，第一层的输入就是原始输入，后面两层接收该层前面所有的输入，也就是第二层输入包含原始输入和第一层卷积后的输出，第三层输入包含原始输入、第一层输出和第二层输出。Dense Block结构如图1所示,图1是含有五层卷积层的密集连接模块，每两层之间都包含BatchNormaliziton层、Relu层和3*3的卷积层，每一层的输入都包含前面所有层的输入，通道融合方式是concatenation。
从图1中可以得出如下公式：
xl＝Hl([x0,x1,…,xl-1])
其中xl为第l层的输入，Hl为非线性变换，这个公式便表达出了密集连接模块的核心。
本实施例使用的Dense Block如图2所示，使用包含三层卷积层的密集连接模块，由于通道数融合方法为concatenation操作，通道数会增长的很快，为了减小通道的数量，本实施例中所使用的方法和图1所示的区别是在第二层和第三层特征图谱进行融合后加入了一层1*1的卷积层，这样便使得通道数不变的情况下还进行了特征融合。
Inception模块的作用是增加网络深度和宽度的同时减少参数。本实施例使用的Inceptionmodule结构如图3所示。输入层后面连接三个1*1的卷积层，作用是改变减小通道数，以此来削减参数量，同时也能够使模型在相同尺寸的感受野中叠加更多的卷积，因此能够提取更丰富的特征；输入层后面还连接了一个池化层，通道融合模块中的卷积核大小为3*3，步长为1，填充策略为“same”，池化层被证明有助于提取特征，池化层后面接1*1的卷积，也是为了减小通道数。图3最左方的1*1卷积层后面接1*5的卷积，然后再接5*1的卷积，这两个卷积层结合，作用相当于5*5的卷积，但参数量减少很多，后面3*3卷积同样被替换成1*3和3*1卷积，最后一个1*1卷积直接参与后面通道数叠加，即concatenate操作。这样一些列减小参数的操作，都是为了可以省下计算力来更好的优化网络性能。
本实施例所使用的模型是基于Unet网络，加入了inception和密集连接模块，命名为INC-DenseUnet，其模型图如图4所示。
损失函数DiceLoss是Fausto Milletari等人在V-net中提出的Loss function，该损失函数在语义分割网络表现非常好，公式为：
Figure BDA0002945627200000061
其中TP为实际正类预测为正类的数量；FN为实际正类预测为负类的数量；F P为实际负类预测为正类的数量。最终得到的结果在0到1之间，DissLoss越小说明训练效果越好。
表1为几种模型的指标，从表中可以看出，本发明指标均为最佳。
表1不同模型指标
Figure BDA0002945627200000062
图5是几种不同分割模型的DiceLoss函数训练曲线，从训练曲线中可以看出，本发明所设计的模型效果最佳。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种基于INC-DenseUnet网络识别模型建立方法，特征在于，
在Unet网络的基础上加入DenseBlock和Inception模块；
所述DenseBlock将所有层进行两两连接，每一层接收该层前面所有层的特征作为输入；
所述Inception模块的输入层后面连接第一1*1卷积层、第二1*1卷积层、第三1*1卷积层和第一2*2池化层；
所述第一1*1卷积层连接1*5卷积，再接5*1卷积输入通道融合模块；
所述第二1*1卷积层连接1*3卷积，再接3*1卷积输入所述通道融合模块；
所述第一2*2池化层后接1*1卷积输入所述通道融合模块；
所述第三1*1卷积层直接输入所述通道融合模块；
在所述通道融合模块中进行通道叠加，得到基于INC-DenseUnet网络识别模型；
利用所述基于INC-DenseUnet网络识别模型识别肠道息肉；
所述基于INC-DenseUnet网络识别模型包括：输入端一端连接第一卷积组，在卷积之后与输出端之间跳跃连接，另一端在第一卷积层组后向下依次连接第一密集连接模块、第一INC模块；所述第一INC模块一端向下依次连接第二INC模块以及第二密集连接模块，另一端与第七密集连接模块之间跳跃连接，所述第七密集连接模块向上与输出端第二卷积组连接；所述第二密集连接模块一端向下依次连接第三INC模块以及第三密集连接模块，一端与第六密集连接模块之间跳跃连接，所述第六密集连接模块向上与所述第七密集连接模块连接；所述第三密集连接模块一端向下依次连接第四INC模块以及第四密集连接模块，另一端与第五密集连接模块之间跳跃连接，所述第四密集连接模块向上与第五密集连接模块连接，所述第五密集连接模块向上与所述六密集连接模块连接，其中，第一卷积组、第二卷积组均包括三层卷积，每个DenseBlock模块与Inception模块之间通过卷积1*1连接。
2.根据权利要求1所述的一种基于INC-DenseUnet网络识别模型建立方法，特征在于，所述DenseBlock含有多个卷积层，每两个卷积层之间含有Batch Normaliziton层、Relu层和3*3的卷积层，所述BatchNormaliziton层的输出作为所述Relu层的输入，所述Relu层的输出作为所述3*3的卷积层的输入，在所述Relu层和所述3*3的卷积层特征图谱进行融合后加入一层1*1卷积层通道融合方式为concatenation。
3.根据权利要求2所述的一种基于INC-DenseUnet网络识别模型建立方法，特征在于，所述DenseBlock的核心为以下公式：
xl＝Hl([x0,x1,...,xl-1])；
其中xl为第l层的输入，Hl为非线性变换。
4.根据权利要求1所述的一种基于INC-DenseUnet网络识别模型建立方法，特征在于，所述通道融合模块中的卷积核大小为3*3，步长为1，填充策略为“same”。
CN202110192572.4A 2021-02-20 2021-02-20 基于INC-DenseUnet网络识别模型建立方法 Active CN113011556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110192572.4A CN113011556B (zh) 2021-02-20 2021-02-20 基于INC-DenseUnet网络识别模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110192572.4A CN113011556B (zh) 2021-02-20 2021-02-20 基于INC-DenseUnet网络识别模型建立方法

Publications (2)

Publication Number Publication Date
CN113011556A CN113011556A (zh) 2021-06-22
CN113011556B true CN113011556B (zh) 2022-10-11

Family

ID=76404172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110192572.4A Active CN113011556B (zh) 2021-02-20 2021-02-20 基于INC-DenseUnet网络识别模型建立方法

Country Status (1)

Country Link
CN (1) CN113011556B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920546A (zh) * 2021-12-14 2022-01-11 广州思德医疗科技有限公司 基于三维重建的息肉图像识别方法、装置及电子设备

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529578A (zh) * 2016-10-20 2017-03-22 中山大学 一种基于深度学习的车辆品牌型号精细识别方法与***
CN108509911A (zh) * 2018-04-03 2018-09-07 电子科技大学 基于卷积神经网络的干扰信号识别方法
CN108805345A (zh) * 2018-06-01 2018-11-13 广西师范学院 一种基于深度卷积神经网络模型的犯罪时空风险预测方法
CN108960301A (zh) * 2018-06-20 2018-12-07 西南大学 一种基于卷积神经网络的古彝文识别方法
CN109033950A (zh) * 2018-06-12 2018-12-18 浙江工业大学 基于多特征融合级联深度模型的车辆违停检测方法
CN109063728A (zh) * 2018-06-20 2018-12-21 燕山大学 一种火灾图像深度学习模式识别方法
CN109299733A (zh) * 2018-09-12 2019-02-01 江南大学 利用紧凑型深度卷积神经网络进行图像识别的方法
CN109614985A (zh) * 2018-11-06 2019-04-12 华南理工大学 一种基于密集连接特征金字塔网络的目标检测方法
CN110189330A (zh) * 2019-04-08 2019-08-30 杭州电子科技大学 一种基于深度学习的背景去除的方法
CN110210528A (zh) * 2019-05-15 2019-09-06 太原理工大学 基于DenseNet-II神经网络模型的乳腺X射线图像的良恶性分类方法
CN110264476A (zh) * 2019-06-19 2019-09-20 东北大学 一种多尺度串行的卷积深度学习显微图像分割方法
CN110570431A (zh) * 2019-09-18 2019-12-13 东北大学 一种基于改进的卷积神经网络的医学图像分割方法
CN110942466A (zh) * 2019-11-22 2020-03-31 北京灵医灵科技有限公司 一种基于深度学习技术的脑动脉分割方法及装置
CN111242125A (zh) * 2020-01-14 2020-06-05 深圳大学 一种自然场景图像文本检测方法、存储介质及终端设备
CN111311569A (zh) * 2020-02-12 2020-06-19 江苏方天电力技术有限公司 基于无人机巡检的杆塔缺陷识别方法
US10699129B1 (en) * 2019-11-15 2020-06-30 Fudan University System and method for video captioning
CN111401257A (zh) * 2020-03-17 2020-07-10 天津理工大学 一种基于余弦损失非约束条件人脸识别方法
CN112348800A (zh) * 2020-11-11 2021-02-09 北方民族大学 融合多尺度特征的密集神经网络肺部肿瘤图像识别方法
CN112364979A (zh) * 2020-11-05 2021-02-12 哈尔滨工业大学 一种基于GoogLeNet的红外图像识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020135812A1 (en) * 2018-12-29 2020-07-02 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for ossification center detection and bone age assessment

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529578A (zh) * 2016-10-20 2017-03-22 中山大学 一种基于深度学习的车辆品牌型号精细识别方法与***
CN108509911A (zh) * 2018-04-03 2018-09-07 电子科技大学 基于卷积神经网络的干扰信号识别方法
CN108805345A (zh) * 2018-06-01 2018-11-13 广西师范学院 一种基于深度卷积神经网络模型的犯罪时空风险预测方法
CN109033950A (zh) * 2018-06-12 2018-12-18 浙江工业大学 基于多特征融合级联深度模型的车辆违停检测方法
CN108960301A (zh) * 2018-06-20 2018-12-07 西南大学 一种基于卷积神经网络的古彝文识别方法
CN109063728A (zh) * 2018-06-20 2018-12-21 燕山大学 一种火灾图像深度学习模式识别方法
CN109299733A (zh) * 2018-09-12 2019-02-01 江南大学 利用紧凑型深度卷积神经网络进行图像识别的方法
CN109614985A (zh) * 2018-11-06 2019-04-12 华南理工大学 一种基于密集连接特征金字塔网络的目标检测方法
CN110189330A (zh) * 2019-04-08 2019-08-30 杭州电子科技大学 一种基于深度学习的背景去除的方法
CN110210528A (zh) * 2019-05-15 2019-09-06 太原理工大学 基于DenseNet-II神经网络模型的乳腺X射线图像的良恶性分类方法
CN110264476A (zh) * 2019-06-19 2019-09-20 东北大学 一种多尺度串行的卷积深度学习显微图像分割方法
CN110570431A (zh) * 2019-09-18 2019-12-13 东北大学 一种基于改进的卷积神经网络的医学图像分割方法
US10699129B1 (en) * 2019-11-15 2020-06-30 Fudan University System and method for video captioning
CN110942466A (zh) * 2019-11-22 2020-03-31 北京灵医灵科技有限公司 一种基于深度学习技术的脑动脉分割方法及装置
CN111242125A (zh) * 2020-01-14 2020-06-05 深圳大学 一种自然场景图像文本检测方法、存储介质及终端设备
CN111311569A (zh) * 2020-02-12 2020-06-19 江苏方天电力技术有限公司 基于无人机巡检的杆塔缺陷识别方法
CN111401257A (zh) * 2020-03-17 2020-07-10 天津理工大学 一种基于余弦损失非约束条件人脸识别方法
CN112364979A (zh) * 2020-11-05 2021-02-12 哈尔滨工业大学 一种基于GoogLeNet的红外图像识别方法
CN112348800A (zh) * 2020-11-11 2021-02-09 北方民族大学 融合多尺度特征的密集神经网络肺部肿瘤图像识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Novel Pulmonary Nodule Detection Model Based on Multi-Step Cascaded Networks;Jianning Chi et al;《sensors》;20200801;第1-26页 *
Brain Tissue Segmentation Integrating Multi-level Features;Wu Fei et al;《2019 Seventh International Conference on Advanced Cloud and Big Data》;20191128;第235-239页 *
HHARNet: Taking inspiration from Inception and Dense Networks for Human Activity Recognition using Inertial Sensors;H. A. Imran et al;《HONET》;20210121;第24-27页 *
基于优化YOLOv3神经网络的硅片隐裂检测算法研究;田晓杰;《中国优秀高级论文全文数据库工程科技Ⅱ辑》;20200315;第2020年卷(第3期);C042-1281 *
基于深度学习的心脏核磁共振图像分割方法的研究;刘祥远;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20201215;第2020年卷(第12期);E060-68 *

Also Published As

Publication number Publication date
CN113011556A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN111325751B (zh) 基于注意力卷积神经网络的ct图像分割***
CN110210539B (zh) 多级深度特征融合的rgb-t图像显著性目标检测方法
CN111325165B (zh) 考虑空间关系信息的城市遥感影像场景分类方法
CN110175986B (zh) 一种基于卷积神经网络的立体图像视觉显著性检测方法
CN109858487B (zh) 基于分水岭算法和图像类别标签的弱监督语义分割方法
CN112085741B (zh) 一种基于深度学习的胃癌病理切片分割算法
CN113033570A (zh) 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法
CN111951164B (zh) 一种图像超分辨率重建网络结构及图像重建效果分析方法
CN110738663A (zh) 双域适应模块金字塔型网络及无监督域适应图像分割方法
CN110956119B (zh) 一种图像中目标检测的方法
CN113344933B (zh) 一种基于多层次特征融合网络的腺体细胞分割方法
CN115082675B (zh) 一种透明物体图像分割方法及***
CN115620010A (zh) 一种rgb-t双模态特征融合的语义分割方法
CN113011556B (zh) 基于INC-DenseUnet网络识别模型建立方法
CN111047603A (zh) 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法
CN112580661A (zh) 一种深度监督下的多尺度边缘检测方法
CN116229222A (zh) 一种基于隐式图学习的光场显著性目标检测方法及装置
CN114612709A (zh) 图像金字塔特征指导的多尺度目标检测方法
CN111199255A (zh) 基于darknet53网络的小目标检测网络模型及检测方法
CN112102388B (zh) 基于巡检机器人单目图像获取深度图像的方法及装置
CN117392375A (zh) 一种针对微小物体的目标检测算法
CN110866565B (zh) 一种基于卷积神经网络的多分支图像分类方法
CN110992320A (zh) 一种基于双重交错的医学图像分割网络
CN114494284B (zh) 一种基于显式监督区域关系的场景解析模型及方法
CN112131925B (zh) 一种多通道特征空间金字塔的构造方法

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