CN113052227A - 一种基于SE-ResNet的肺结核识别方法 - Google Patents

一种基于SE-ResNet的肺结核识别方法 Download PDF

Info

Publication number
CN113052227A
CN113052227A CN202110301567.2A CN202110301567A CN113052227A CN 113052227 A CN113052227 A CN 113052227A CN 202110301567 A CN202110301567 A CN 202110301567A CN 113052227 A CN113052227 A CN 113052227A
Authority
CN
China
Prior art keywords
tuberculosis
network
resnet
data
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
Application number
CN202110301567.2A
Other languages
English (en)
Inventor
潘晓光
焦璐璐
令狐彬
宋晓晨
韩丹
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.)
Shanxi Sanyouhe Smart Information Technology Co Ltd
Original Assignee
Shanxi Sanyouhe Smart Information Technology Co Ltd
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 Shanxi Sanyouhe Smart Information Technology Co Ltd filed Critical Shanxi Sanyouhe Smart Information Technology Co Ltd
Priority to CN202110301567.2A priority Critical patent/CN113052227A/zh
Publication of CN113052227A publication Critical patent/CN113052227A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

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)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于SE‑ResNet的肺结核识别方法，包括：获取真实肺结核图像，采用DCGAN网络生成肺结核图像，并基于真实肺结核图像和生成肺结核图像构建矩阵化的肺结核图像数据集；对肺结核图像数据集进行预处理，预处理包括数据读取和数据归一化处理；将肺结核图像数据集划分为训练集与测试集；基于ResNet50网络和SENet模块构建SE‑ResNet网络，使用ImageNet数据对该网络进行预训练，对网络参数进行初始化，并采用训练集对该网络进行训练；采用训练完成的SE‑ResNet网络对待识别的肺结核图像进行分析识别，得到对应的分析识别结果。该识别方法无需人工干预即可智能的识别肺结核X光胸片，识别速度快，精度高。

Description

一种基于SE-ResNet的肺结核识别方法
技术领域
本发明属于图像信息检测领域，具体涉及一种基于SE-ResNet的肺结核识别方法。
背景技术
目前，专业医师的缺乏导致肺结核病人无法第一时间被确诊并接受治疗，而从原始医学影像输出中诊断病理往往是一个比非医学影像分类所面临的理想问题更复杂的问题，导致现有的肺结核智能诊断***识别准确率较低。
现有技术存在的问题或者缺陷：肺结核病人在诊断过程中常需要较长时间的等待，且在一些医疗条件不足的地区，病人会被误识别为阴性，在自身无法得到治疗的同时，造成肺结核的传播；并且现有的肺结核检测技术效率低、准确率差。
发明内容
针对上述现有的肺结核检测技术效率低、准确率差的技术问题，本发明提供了一种识别速度快、精度高、模型的收敛速度快的基于SE-ResNet的肺结核识别方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于SE-ResNet的肺结核识别方法，包括以下步骤：
S1、获取真实肺结核图像，采用DCGAN网络生成肺结核图像，并基于真实肺结核图像和生成肺结核图像构建矩阵化的肺结核图像数据集；
S2、对肺结核图像数据集进行预处理，预处理包括数据读取和数据归一化处理；将肺结核图像数据集划分为训练集与测试集；
S3、基于ResNet50网络和SENet模块构建SE-ResNet网络，使用ImageNet数据对该网络进行预训练，对网络参数进行初始化，并采用训练集对SE-ResNet网络进行训练，并对SE-ResNet网络的模型效果进行评价；
S4、采用训练完成的SE-ResNet网络对待识别的肺结核图像进行分析识别，得到对应的分析识别结果。
所述S1中采用DCGAN网络生成肺结核图像的方法为：使用DCGAN网络进行肺结核阳性图像与肺结核阴性图像的生成，输出生成图像的分辨率设置为128x128，并从生成图像中筛选符合预设要求的肺结核阳性图像与肺结核阴性图像；
所述S2中对肺结核图像数据集进行数据读取的方法为：读取图片形式的肺结核数据与其对应标签并保存为矩阵形式，用于所述SE-ResNet网络的训练与识别；数据保存形式为(n,x,y)，其中，n为数据编号，x与y为其像素值；标签保存形式为(n,l)，其中，n为对应数据编号，l＝1表示阳性，l＝0表示阴性。
所述S2中行数据归一化处理的方法为：将肺结核图像数据集中的灰度数据的所有像素点除以255，即Xi′＝Xi/255
其中，Xi代表第i条数据，Xi′代表归一化后的第i条数据，将所有数据归一化到[0,1]范围内。
所述S3中ResNet50网络的表示方式为：
yl＝h(xl)+F(xl,Wl)
xl+1＝f(yl)
其中，xl和xl+1表示第l个残差单元的输入和输出，F是残差函数，表示学习到的残差，h(xl)＝xl表示恒等映射，f为ReLU激活函数；基于此，从浅层l到深层L的学习特征为：
Figure BDA0002986471100000021
所述S3中构建SE-ResNet网络的方法为：所述SE-ResNet网络在原始ResNet网络的基础上添加一个Global Average Pooling-FC-ReLU-FC-Sigmoid的组合，第一层的FC会把通道降下来，然后第二层FC再把通道升上去，得到和通道数相同的C个权重，每个权重用于给对应的一个通道进行加权。
所述S3中SE-ResNet网络的训练方法为：使用训练集数据对保存好的预训练参数模型进行训练，采用BGD作为优化器，初始学习率为0.01，每100个epoch学习率衰减50％，batch size大小为64，损失函数使用交叉熵损失函数，设定训练500个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型。
所述S3中对SE-ResNet网络的模型效果进行评价的方法为：采用敏感性、特异性与约登指数对SE-ResNet网络的模型效果进行评价，特异性代表阴性标本被正确分类的比例，敏感性代表阳性标本被正确分类的比例；敏感性TPR、特异性TNR、约登指数YI的计算方式为：
TPR＝TP/(TP+FN)
TNR＝TN/(TN+FP)
YI＝TPR+TNR-1
其中，TP为正类判定为正类数量；FP为负类判定为正类数量；FN为正类判定为负类数量；TN为负类判定为负类数量。
本发明与现有技术相比，具有的有益效果是：
本发明提供了一种基于SE-ResNet的肺结核识别方法，使用生成对抗的方式对肺结核图像数据集进行了扩充，使数据特征更加多样化；将SE模块融入了ResNet-50网络构建了SE-ResNet网络，提升原始网络的识别速度与识别性能，同时利用前移学习的方法对模型参数进行了初始化，加速了模型的收敛。本发明的网络识别无需人工干预即可智能的识别肺结核X光胸片，识别速度快，精度高。
附图说明
图1为本发明实施例中基于SE-ResNet的肺结核识别方法的流程图；
图2为本发明实施例中ResNet50网络的网络构架图；
图3为本发明实施例中SE-ResNet网络的网络构架图。
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。
一种基于SE-ResNet的肺结核识别方法，如图1、图2、图3所示，包括以下步骤：
获取真实肺结核图像，采用DCGAN网络生成肺结核图像，并基于真实肺结核图像和生成肺结核图像构建矩阵化的肺结核图像数据集。
具体地，本发明中所使用胸部x光数据集由2个公开数据组成，一个是由中国广东省深圳市第三医院收集发布的公开数据，包括662张胸部x线片，其中335张为结核病阳性，327张为结核病阴性。此是一个很平衡的数据集，几乎涵盖了每个年龄组(从1个月到75岁)，性别分布也几乎相等(60％的男性)。每张图片都是png格式，分辨率从998x1130到3001x3001不等。另一个是由美国马里兰州蒙哥马利国家卫生和人类服务部提供，包括138张正面x光片，其中58张为结核阳性，80张为结核阴性。数据集中的每一张图像都是png图像格式，图像的分辨率为4020x4892或4892x4020。
同时，由于数据量较少容易导致深度神经网络训练效果不佳，影响识别性能，故使用DC GAN网络进行肺结核阳性与阴性图像的生成，输出生成图像的分辨率设置为128x128。因为随着分辨率的增加，生成的图像很容易失真。由医师对生成图像进行判别，选取高质量阳性肺结核生成图像与阴性图像各500张。将真实数据集数据全部缩放到128x128大小，与DC GAN网络生成的图像进行混合，完成数据集构建，数据集共包含肺结核阳性数据893张，阴性数据907张。
对肺结核图像数据集进行预处理，预处理包括数据读取和数据归一化处理；将肺结核图像数据集划分为训练集与测试集。
具体地，随机取750张阳性图片与750张阴性图片进行混合，作为本方案模型训练集，剩余的143张阳性图片与157张阴性图片作为模型测试集。读取图片形式的肺结核数据与其对应标签保存为矩阵进行，用于网络的训练与识别。数据保存形式为(n,x,y)，其中n为数据编号，x与y为其像素值，标签保存形式为(n,l)，其中n为对应数据编号，l＝1表示阳性，l＝0表示阴性。为了将原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，将肺部X光图像进行归一化处理，防止梯度***的发生，并一定程度的加速网络训练。本方案采用的归一化方法为将灰度数据的所有像素点除以255，即
Xi′＝Xi/255
其中，Xi代表第i条数据，Xi′代表归一化后的第i条数据，将所有数据归一化到[0,1]范围内。
基于ResNet50网络和SENet模块构建SE-ResNet网络，使用ImageNet数据对该网络进行预训练，对网络参数进行初始化，并采用训练集对该网络进行训练。
具体地，ResNet50网络模块的表示方式为：
yl＝h(xl)+F(xl,Wl)
xl+1＝f(yl)
其中，xl和xl+1表示第l个残差单元的输入和输出，F是残差函数，表示学习到的残差，h(xl)＝xl表示恒等映射，f为ReLU激活函数；基于此，从浅层l到深层L的学习特征为：
Figure BDA0002986471100000041
进一步，SE-ResNet网络在原始ResNet网络的基础上添加一个Global AveragePooling-FC-ReLU-FC-Sigmoid的组合，第一层的FC会把通道降下来，然后第二层FC再把通道升上去，得到和通道数相同的C个权重，每个权重用于给对应的一个通道进行加权。
采用训练完成的SE-ResNet网络对待识别的肺结核图像进行分析识别，得到对应的分析识别结果。
上述基于SE-ResNet的肺结核识别方法，提出了一个模型，可以有效地检测结核病。本方案工作流程如下：首先，利用深度生成对抗网络合成结核病阳性胸片。根据主观和客观质量评价指标的得分，从生成的图像中选出一组最佳图像。之后基于SE-ResNet50构建深度学习网络，利用迁移学习的方法对模型参数进行初始化。使用生成对抗的方式对肺结核图像数据集进行了扩充，使数据特征更加多样化；将SE模块融入了ResNet-50网络构建了SE-ResNet网络，提升原始网络的识别速度与识别性能，同时利用前移学习的方法对模型参数进行了初始化，加速了模型的收敛。该网络识别无需人工干预即可智能的识别肺结核X光胸片，识别速度快，精度高。
上述基于SE-ResNet的肺结核识别方法中，所述SE-ResNet网络的训练包括：
使用训练集数据对保存好的预训练参数模型进行训练，采用BGD作为优化器，初始学习率为0.01，每100个epoch学习率衰减50％，batch size大小为64，损失函数使用交叉熵损失函数，设定训练500个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型。
上述基于SE-ResNet的肺结核识别方法中，采用敏感性、特异性与约登指数对SE-ResNet网络的模型效果进行评价，特异性代表阴性标本被正确分类的比例，敏感性代表阳性标本被正确分类的比例。一般来说，我们可以把灵敏度和特异性看作是两种精度，灵敏度与实际阳性样本有关，特异性与实际阴性样本有关。然而，敏感性和特异性都可以用于评估不平衡数据的分类性能。我们用来评价模型性能的另一个参数是约登指数。它可以用来评价测试的判别能力。敏感性TPR、特异性TNR、约登指数YI的计算方式为：
TPR＝TP/(TP+FN)
TNR＝TN/(TN+FP)
YI＝TPR+TNR-1
其中，TP为正类判定为正类数量；FP为负类判定为正类数量；FN为正类判定为负类数量；TN为负类判定为负类数量。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于SE-ResNet的肺结核识别方法，其特征在于：包括以下步骤：
S1、获取真实肺结核图像，采用DCGAN网络生成肺结核图像，并基于真实肺结核图像和生成肺结核图像构建矩阵化的肺结核图像数据集；
S2、对肺结核图像数据集进行预处理，预处理包括数据读取和数据归一化处理；将肺结核图像数据集划分为训练集与测试集；
S3、基于ResNet50网络和SENet模块构建SE-ResNet网络，使用ImageNet数据对该网络进行预训练，对网络参数进行初始化，并采用训练集对SE-ResNet网络进行训练，并对SE-ResNet网络的模型效果进行评价；
S4、采用训练完成的SE-ResNet网络对待识别的肺结核图像进行分析识别，得到对应的分析识别结果。
2.根据权利要求1所述的一种基于SE-ResNet的肺结核识别方法，其特征在于：所述S1中采用DCGAN网络生成肺结核图像的方法为：使用DCGAN网络进行肺结核阳性图像与肺结核阴性图像的生成，输出生成图像的分辨率设置为128x128，并从生成图像中筛选符合预设要求的肺结核阳性图像与肺结核阴性图像；
3.根据权利要求1所述的一种基于SE-ResNet的肺结核识别方法，其特征在于：所述S2中对肺结核图像数据集进行数据读取的方法为：读取图片形式的肺结核数据与其对应标签并保存为矩阵形式，用于所述SE-ResNet网络的训练与识别；数据保存形式为(n,x,y)，其中，n为数据编号，x与y为其像素值；标签保存形式为(n,l)，其中，n为对应数据编号，l＝1表示阳性，l＝0表示阴性。
4.根据权利要求1所述的一种基于SE-ResNet的肺结核识别方法，其特征在于：所述S2中行数据归一化处理的方法为：将肺结核图像数据集中的灰度数据的所有像素点除以255，即X′i＝Xi/255
其中，Xi代表第i条数据，X′i代表归一化后的第i条数据，将所有数据归一化到[0,1]范围内。
5.根据权利要求1所述的一种基于SE-ResNet的肺结核识别方法，其特征在于：所述S3中ResNet50网络的表示方式为：
yl＝h(xl)+F(xl,Wl)
xl+1＝f(yl)
其中，xl和xl+1表示第l个残差单元的输入和输出，F是残差函数，表示学习到的残差，h(xl)＝xl表示恒等映射，f为ReLU激活函数；基于此，从浅层l到深层L的学习特征为：
Figure FDA0002986471090000021
6.根据权利要求5所述的一种基于SE-ResNet的肺结核识别方法，其特征在于：所述S3中构建SE-ResNet网络的方法为：所述SE-ResNet网络在原始ResNet网络的基础上添加一个Global Average Pooling-FC-ReLU-FC-Sigmoid的组合，第一层的FC会把通道降下来，然后第二层FC再把通道升上去，得到和通道数相同的C个权重，每个权重用于给对应的一个通道进行加权。
7.根据权利要求1所述的一种基于SE-ResNet的肺结核识别方法，其特征在于：所述S3中SE-ResNet网络的训练方法为：使用训练集数据对保存好的预训练参数模型进行训练，采用BGD作为优化器，初始学习率为0.01，每100个epoch学习率衰减50％，batch size大小为64，损失函数使用交叉熵损失函数，设定训练500个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型。
8.根据权利要求1所述的一种基于SE-ResNet的肺结核识别方法，其特征在于：所述S3中对SE-ResNet网络的模型效果进行评价的方法为：采用敏感性、特异性与约登指数对SE-ResNet网络的模型效果进行评价，特异性代表阴性标本被正确分类的比例，敏感性代表阳性标本被正确分类的比例；敏感性TPR、特异性TNR、约登指数YI的计算方式为：
TPR＝TP/(TP+FN)
TNR＝TN/(TN+FP)
YI＝TPR+TNR-1
其中，TP为正类判定为正类数量；FP为负类判定为正类数量；FN为正类判定为负类数量；TN为负类判定为负类数量。
CN202110301567.2A 2021-03-22 2021-03-22 一种基于SE-ResNet的肺结核识别方法 Pending CN113052227A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110301567.2A CN113052227A (zh) 2021-03-22 2021-03-22 一种基于SE-ResNet的肺结核识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110301567.2A CN113052227A (zh) 2021-03-22 2021-03-22 一种基于SE-ResNet的肺结核识别方法

Publications (1)

Publication Number Publication Date
CN113052227A true CN113052227A (zh) 2021-06-29

Family

ID=76514233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110301567.2A Pending CN113052227A (zh) 2021-03-22 2021-03-22 一种基于SE-ResNet的肺结核识别方法

Country Status (1)

Country Link
CN (1) CN113052227A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155573A (zh) * 2021-11-05 2022-03-08 上海弘目智能科技有限公司 基于SE-ResNet网络的人种识别方法、装置及计算机存储介质
CN114533264A (zh) * 2022-01-25 2022-05-27 中山大学孙逸仙纪念医院 一种无症状性冠脉疾病的预测模型训练方法、装置及***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190695A (zh) * 2018-08-28 2019-01-11 中国海洋大学 一种基于深度卷积神经网络的鱼类图像分类方法
CN109559297A (zh) * 2018-11-15 2019-04-02 大连大学 一种基于三维区域生成网络的肺结节检测的方法
CN109919230A (zh) * 2019-03-10 2019-06-21 西安电子科技大学 基于循环特征金字塔的医学图像肺结节检测方法
CN111259828A (zh) * 2020-01-20 2020-06-09 河海大学 基于高分辨率遥感图像多特征的识别方法
CN111754453A (zh) * 2020-05-11 2020-10-09 佛山市第四人民医院(佛山市结核病防治所) 基于胸透图像的肺结核检测方法、***和存储介质
CN111915650A (zh) * 2020-07-30 2020-11-10 齐鲁工业大学 基于改进孪生网络的目标跟踪方法及***
CN112052877A (zh) * 2020-08-06 2020-12-08 杭州电子科技大学 一种基于级联增强网络的图片细粒度分类方法
CN112132801A (zh) * 2020-09-18 2020-12-25 上海市肺科医院 一种基于深度学习的肺大泡病灶检测方法及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190695A (zh) * 2018-08-28 2019-01-11 中国海洋大学 一种基于深度卷积神经网络的鱼类图像分类方法
CN109559297A (zh) * 2018-11-15 2019-04-02 大连大学 一种基于三维区域生成网络的肺结节检测的方法
CN109919230A (zh) * 2019-03-10 2019-06-21 西安电子科技大学 基于循环特征金字塔的医学图像肺结节检测方法
CN111259828A (zh) * 2020-01-20 2020-06-09 河海大学 基于高分辨率遥感图像多特征的识别方法
CN111754453A (zh) * 2020-05-11 2020-10-09 佛山市第四人民医院(佛山市结核病防治所) 基于胸透图像的肺结核检测方法、***和存储介质
CN111915650A (zh) * 2020-07-30 2020-11-10 齐鲁工业大学 基于改进孪生网络的目标跟踪方法及***
CN112052877A (zh) * 2020-08-06 2020-12-08 杭州电子科技大学 一种基于级联增强网络的图片细粒度分类方法
CN112132801A (zh) * 2020-09-18 2020-12-25 上海市肺科医院 一种基于深度学习的肺大泡病灶检测方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王德兴等: "基于DCGAN数据增强的水产动物分类方法", 《渔业现代化》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155573A (zh) * 2021-11-05 2022-03-08 上海弘目智能科技有限公司 基于SE-ResNet网络的人种识别方法、装置及计算机存储介质
CN114533264A (zh) * 2022-01-25 2022-05-27 中山大学孙逸仙纪念医院 一种无症状性冠脉疾病的预测模型训练方法、装置及***

Similar Documents

Publication Publication Date Title
US11645748B2 (en) Three-dimensional automatic location system for epileptogenic focus based on deep learning
Yan et al. Modeling annotator expertise: Learning when everybody knows a bit of something
Ran et al. Cataract detection and grading based on combination of deep convolutional neural network and random forests
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断***
CN104680524B (zh) 一种叶类蔬菜病害诊断方法
CN111493935A (zh) 基于人工智能的超声心动图自动预测识别方法及***
CN114549469A (zh) 一种基于置信度校准的深层神经网络医疗图像诊断方法
CN113298780B (zh) 一种基于深度学习的儿童骨龄评估方法及***
CN113052227A (zh) 一种基于SE-ResNet的肺结核识别方法
CN111862075A (zh) 一种基于深度学习的肺部图像分析***及其分析方法
CN112085742B (zh) 一种基于上下文注意力的nafld超声视频诊断方法
CN113052228A (zh) 一种基于SE-Inception的肝癌病理切片分类方法
CN114359629A (zh) 一种基于深度迁移学习的肺炎x胸片分类识别方法
CN113240655A (zh) 一种自动检测眼底图像类型的方法、存储介质及装置
CN117975170B (zh) 基于大数据的医疗信息处理方法及***
Huang et al. TMED 2: a dataset for semi-supervised classification of echocardiograms
CN111833321A (zh) 一种调窗优化增强的颅内出血检测模型及其构建方法
CN114005541A (zh) 一种基于人工智能的动态干眼预警方法与***
CN117010971B (zh) 一种基于人像识别的智能健康险提供方法及***
CN109101883A (zh) 一种抑郁倾向评价装置及***
Tobin et al. Using a patient image archive to diagnose retinopathy
CN116934747A (zh) 眼底图像分割模型训练方法、设备和青光眼辅助诊断***
CN113476065B (zh) 一种多类肺炎诊断***
CN112597842B (zh) 基于人工智能的运动检测面瘫程度评估***
CN113902743A (zh) 一种基于云端计算的糖尿病视网膜病变的识别方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210629