CN117576492A - 胃间质瘤在胃超声内镜下的病灶自动标注识别装置 - Google Patents
胃间质瘤在胃超声内镜下的病灶自动标注识别装置 Download PDFInfo
- Publication number
- CN117576492A CN117576492A CN202410072482.5A CN202410072482A CN117576492A CN 117576492 A CN117576492 A CN 117576492A CN 202410072482 A CN202410072482 A CN 202410072482A CN 117576492 A CN117576492 A CN 117576492A
- Authority
- CN
- China
- Prior art keywords
- preset
- ultrasonic
- gastric
- gastroscope image
- 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.)
- Granted
Links
- 230000002496 gastric effect Effects 0.000 title claims abstract description 52
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000002372 labelling Methods 0.000 claims abstract description 16
- 230000004913 activation Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 abstract description 5
- 238000002604 ultrasonography Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 238000000034 method Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 206010061968 Gastric neoplasm Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 206010000269 abscess Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置,涉及超声图像分析技术领域,包括:第一训练模块,用于基于预设超声胃镜图像集对第一预设卷积神经网络进行训练,得到训练好的二分类器;处理模块,用于对预设超声胃镜图像集中的每个超声胃镜图像进行滑块遮挡处理,同时基于训练好的二分类器进行二分类识别,得到每个超声胃镜图像对应的感兴趣区域图;第二训练模块,用于以预设超声胃镜图像集和预设超声胃镜图像集中每个超声胃镜图像对应的感兴趣区域图对第二预设卷积神经网络进行训练,得到训练好的识别模型;识别模块,用于基于训练好的识别模型,对待标注超声胃镜图像进行关于胃间质瘤的感兴趣区域标注识别。
Description
技术领域
本发明涉及超声图像分析技术领域,具体为一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置。
背景技术
现有技术中对于胃间质瘤在胃超声内镜下的病灶标注大致分为两类,第一类是器官层级的,也就是对胃肿物超声学的分析;另一种是细胞层级的,也就是对胃肿物进行采样而后进一步染色从而进行组织学的分析。其中涉及到的计算机视觉或者机器学习模型大致都是卷积神经网络类的模型,即通过较成熟的卷积类算法进行肿物良性或者恶性的分类,从大方向归类属于监督学习,即以肿物的诊断结果为标签,通过卷积类算法特征提取的特点完成胃超声影像或者胃细胞学影像的分类研究。
基于胃超声影像的现有技术有两个缺点,精度低是一方面,更主要的是没有对于胃超声影像的疑似病灶区(region of interests, ROI)的自动标记方法。基于胃肿物的组织学方法配合人工智能算法,虽然能够达到较高的准确度,但流程复杂,且进行的是细胞级别的分析,缺乏对病灶整体的认识。
发明内容
本发明的目的就在于为了解决上述至少一个技术问题而提供一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置。
第一方面,本发明实施例提供了一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置,包括:第一训练模块,处理模块,第二训练模块和识别模块;其中,所述第一训练模块,用于基于预设超声胃镜图像集对第一预设卷积神经网络进行训练,得到训练好的二分类器;所述预设超声胃镜图像集为包括胃间质瘤特征的超声胃镜图像的集合;所述处理模块,用于对所述预设超声胃镜图像集中的每个超声胃镜图像进行滑块遮挡处理,同时基于所述训练好的二分类器进行二分类识别,得到每个超声胃镜图像对应的感兴趣区域图;所述第二训练模块,用于以所述预设超声胃镜图像集和所述预设超声胃镜图像集中每个超声胃镜图像对应的感兴趣区域图作为映射,构建目标训练集,并基于所述目标训练集对第二预设卷积神经网络进行训练,得到训练好的识别模型;所述识别模块,用于基于所述训练好的识别模型,对待标注超声胃镜图像进行关于胃间质瘤的感兴趣区域标注识别。
进一步地,所述第一预设卷积神经网络包括输入层、多个组合层和多个全连接层;所述组合层为卷积层、激活层、删除层和平均池化层的组合层。
进一步地,所述处理模块,还用于:基于预设滑块和预设滑动间隔,对目标超声胃镜图像从左上向右下滑动;所述目标超声胃镜图像为所述预设超声胃镜图像集中的一个超声胃镜图像;基于所述训练好的二分类器,对于所述预设滑块在每个滑动位置所遮挡的图块进行二分类识别,得到每个滑动位置对应的胃间质瘤概率值;对所述目标超声胃镜图像对应的所有胃间质瘤概率值进行归一化处理,得到归一化概率值;基于所述归一化概率值,生成所述目标超声胃镜图像对应的感兴趣区域图。
进一步地,所述第二预设卷积神经网络包括基于自动编码器架构的卷积神经网络。
进一步地,所述基于自动编码器架构的卷积神经网络包括编码器和解码器;所述编码器包括多个序列化组合层,所述序列化组合层为卷积层、批标准化层、激活层和最大池化层组成的组合层;所述解码器包括多个由转置卷积层、批标准化层和激活层组成的组合层。
本发明提供了一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置,通过深度学习方法,搭建基于自动编码器的卷积神经网络,能够精确标注和识别胃超声图像中的胃间质瘤关键区域,实现了高度自动化的图像分析,减少了对人工干预的依赖,提供了更细致和准确的感兴趣区域的识别。
附图说明
为了更清楚地说明本申请实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本申请的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置的示意图;
图2为本发明实施例提供的一种预设超声胃镜图像集的具体形态示意图;
图3为本发明实施例提供的一种第一预设卷积神经网络的架构示意图;
图4为本发明实施例提供的一种超声胃镜感兴趣区域的示意图;
图5为本发明实施例提供的一种基于自动编码器结构的卷积神经网络示意图。
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、完整的描述,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。
图1是根据本发明实施例提供的一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置的示意图。如图1所示,该装置包括:第一训练模块10,处理模块20,第二训练模块30和识别模块40。
具体的,第一训练模块10,用于基于预设超声胃镜图像集对第一预设卷积神经网络进行训练,得到训练好的二分类器;预设超声胃镜图像集为包括胃间质瘤特征的超声胃镜图像的集合。
处理模块20,用于对预设超声胃镜图像集中的每个超声胃镜图像进行滑块遮挡处理,同时基于训练好的二分类器进行二分类识别,得到每个超声胃镜图像对应的感兴趣区域图。
第二训练模块30,用于以预设超声胃镜图像集和预设超声胃镜图像集中每个超声胃镜图像对应的感兴趣区域图作为映射,构建目标训练集,并基于目标训练集对第二预设卷积神经网络进行训练,得到训练好的识别模型。
识别模块40,用于基于训练好的识别模型,对待标注超声胃镜图像进行关于胃间质瘤的感兴趣区域标注识别。
图2是根据本发明实施例提供的一种预设超声胃镜图像集的具体形态示意图。如图2所示,亮色为高回声区域,暗色为低回声区域,回声区域的形貌对于把握病灶范围至关重要。另外,图像另配有组织学标签,即每一个张图像的胃超声结果均有对应的组织学诊断,也就是有确定的分类标签。其中较为危险的叫做胃间质瘤(GIST),有恶化的可能性。
图3是根据本发明实施例提供的一种第一预设卷积神经网络的架构示意图。如图3所示,第一预设卷积神经网络包括输入层、多个组合层和多个全连接层;其中,组合层为卷积层、激活层、删除层和平均池化层的组合层。
优选地,在本发明实施例中,第一预设卷积神经网络包括输入层和输出层共计32层。其中,在输入层后面紧跟7组“卷积-激活-删除-平均池化”组合,共计28层。最后有3层全连接层收尾。得到两个预测值,而后进行归一化处理,得到胃间质瘤概率值p。此时若以0.5为界,小于0.5为GIST,反之则为良性。其中卷积神经网络并未进行任何组织学影像处理。
优选地,第一预设卷积神经网络的原始输入图像为1通道360*360尺寸的灰度图。
具体的,处理模块20,还用于:
基于预设滑块和预设滑动间隔,对目标超声胃镜图像从左上向右下滑动;目标超声胃镜图像为预设超声胃镜图像集中的一个超声胃镜图像;
基于训练好的二分类器,对于预设滑块在每个滑动位置所遮挡的图块进行二分类识别,得到每个滑动位置对应的胃间质瘤概率值;
对目标超声胃镜图像对应的所有胃间质瘤概率值进行归一化处理,得到归一化概率值;
基于归一化概率值,生成目标超声胃镜图像对应的感兴趣区域图。
具体的,图4是根据本发明实施例提供的一种超声胃镜感兴趣区域的示意图。如图4所示,在本发明实施例中,对全部训练集GIST图片(即预设超声胃镜图像集)进行滑块遮挡(occlusion),得到遮挡的概率图。其中occlusion算法设定一个10*10的滑块(即上述预设滑块),此滑块从图片左上向右下滑动,每滑到一个位置,进行一次图像识别,得到一个新的概率pocc(即上述胃间质瘤概率值)。当滑块滑遍整个图像时候,得到一个pocc的图像,长和宽分别为360-10+1,即351*351。这里而后除以概率p对图像进行归一化,得到occlusion数据集datasetocc。其中每一个图片大小为351*351,值域大约为0到1。该数据集图像反应原本图像中每一个块大小的重要成度,滑块遮住的部分能够导致识别概率大幅度提升的是重要区域,即感兴趣区域(Region of Internet,ROI)。
具体的,在本发明实施例中,第二预设卷积神经网络包括基于自动编码器架构的卷积神经网络。
图5是根据本发明实施例提供的一种基于自动编码器结构的卷积神经网络示意图。如图5所示,基于自动编码器架构的卷积神经网络包括编码器和解码器。
具体的,编码器包括多个序列化组合层,序列化组合层为卷积层、批标准化层、激活层和最大池化层组成的组合层;
解码器包括多个由转置卷积层、批标准化层和激活层组成的组合层。
具体的,在本发明实施例中,将预设超声胃镜图像集和对应的感兴趣区域图作为映射,作为数据集进行新的神经网络标记算法,训练所得的模型能够实现对胃超声图像进行ROI标记的功能。该模型是基于自动编码器架构的卷积神经网络。输入为单通道360x360尺寸的原始胃超声图像,而输出是与之对应的351x351尺寸的ROI标注图像。
具体的,如图5所示,在本发明实施例提供的一些可选实施方式中,编码器部分由七层序列化的“卷积-批标准化-激活-最大池化“组成,逐步提取原始图像中的重要特征,并将其转换为压缩的特征表示。解码器部分包含六层,每层由“转置卷积-批标准化-激活”组成,负责将压缩的特征映射空间逐步放大,并给出ROI标注图像。
在训练过程中,模型展现出显著的学***均像素重构误差低于5%。这一低损失率表明模型能够以高精度重构ROI标记,确保了对原始图像中关键区域的准确识别和精确标注。经过充分训练后,模型能够在新的胃超声图像上自动识别和标记ROI,为医生提供有价值的诊断辅助信息。这种自动化标记方法不仅提高了图像分析的效率,在加快诊断过程和提高诊断准确性方面展现出巨大潜力。
由以上描述可知,本发明实施例提供了一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置,与现有技术相比,具有如下技术效果:
(1)提高精度:本发明实施例通过先进的深度学习方法,搭建基于自动编码器的卷积神经网络,能够精确标记胃超声图像中的关键区域;与传统的图像处理方法相比,这种方法能够提供更细致和准确的感兴趣区域(ROI)的识别。
(2)自动化处理:本发明实施例实现了高度自动化的图像分析,减少了对人工干预的依赖;这不仅加速了分析过程,还降低了因人为错误而导致的诊断不准确的风险。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种胃间质瘤在胃超声内镜下的病灶自动标注识别装置,其特征在于,包括:第一训练模块,处理模块,第二训练模块和识别模块;其中,
所述第一训练模块,用于基于预设超声胃镜图像集对第一预设卷积神经网络进行训练,得到训练好的二分类器;所述预设超声胃镜图像集为包括胃间质瘤特征的超声胃镜图像的集合;
所述处理模块,用于对所述预设超声胃镜图像集中的每个超声胃镜图像进行滑块遮挡处理,同时基于所述训练好的二分类器进行二分类识别,得到每个超声胃镜图像对应的感兴趣区域图;
所述第二训练模块,用于以所述预设超声胃镜图像集和所述预设超声胃镜图像集中每个超声胃镜图像对应的感兴趣区域图作为映射,构建目标训练集,并基于所述目标训练集对第二预设卷积神经网络进行训练,得到训练好的识别模型;
所述识别模块,用于基于所述训练好的识别模型,对待标注超声胃镜图像进行关于胃间质瘤的感兴趣区域标注识别。
2.根据权利要求1所述的装置,其特征在于:所述第一预设卷积神经网络包括输入层、多个组合层和多个全连接层;所述组合层为卷积层、激活层、删除层和平均池化层的组合层。
3.根据权利要求1所述的装置,其特征在于:所述处理模块,还用于:
基于预设滑块和预设滑动间隔,对目标超声胃镜图像从左上向右下滑动;所述目标超声胃镜图像为所述预设超声胃镜图像集中的一个超声胃镜图像;
基于所述训练好的二分类器,对于所述预设滑块在每个滑动位置所遮挡的图块进行二分类识别,得到每个滑动位置对应的胃间质瘤概率值;
对所述目标超声胃镜图像对应的所有胃间质瘤概率值进行归一化处理,得到归一化概率值;
基于所述归一化概率值,生成所述目标超声胃镜图像对应的感兴趣区域图。
4.根据权利要求1所述的装置,其特征在于:所述第二预设卷积神经网络包括基于自动编码器架构的卷积神经网络。
5.根据权利要求4所述的装置,其特征在于:所述基于自动编码器架构的卷积神经网络包括编码器和解码器;
所述编码器包括多个序列化组合层,所述序列化组合层为卷积层、批标准化层、激活层和最大池化层组成的组合层;
所述解码器包括多个由转置卷积层、批标准化层和激活层组成的组合层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410072482.5A CN117576492B (zh) | 2024-01-18 | 2024-01-18 | 胃间质瘤在胃超声内镜下的病灶自动标注识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410072482.5A CN117576492B (zh) | 2024-01-18 | 2024-01-18 | 胃间质瘤在胃超声内镜下的病灶自动标注识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576492A true CN117576492A (zh) | 2024-02-20 |
CN117576492B CN117576492B (zh) | 2024-03-29 |
Family
ID=89886788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410072482.5A Active CN117576492B (zh) | 2024-01-18 | 2024-01-18 | 胃间质瘤在胃超声内镜下的病灶自动标注识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576492B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122776A (zh) * | 2017-04-14 | 2017-09-01 | 重庆邮电大学 | 一种基于卷积神经网络的交通标志检测与识别方法 |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN114255493A (zh) * | 2020-09-23 | 2022-03-29 | 深圳绿米联创科技有限公司 | 图像检测方法、人脸检测方法及装置、设备及存储介质 |
CN116797612A (zh) * | 2023-08-24 | 2023-09-22 | 天津医科大学第二医院 | 基于弱监督深度活动轮廓模型的超声图像分割方法及装置 |
CN117237761A (zh) * | 2023-10-31 | 2023-12-15 | 北京京东远升科技有限公司 | 对象重识别模型的训练方法、对象重识别方法和装置 |
-
2024
- 2024-01-18 CN CN202410072482.5A patent/CN117576492B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122776A (zh) * | 2017-04-14 | 2017-09-01 | 重庆邮电大学 | 一种基于卷积神经网络的交通标志检测与识别方法 |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN114255493A (zh) * | 2020-09-23 | 2022-03-29 | 深圳绿米联创科技有限公司 | 图像检测方法、人脸检测方法及装置、设备及存储介质 |
CN116797612A (zh) * | 2023-08-24 | 2023-09-22 | 天津医科大学第二医院 | 基于弱监督深度活动轮廓模型的超声图像分割方法及装置 |
CN117237761A (zh) * | 2023-10-31 | 2023-12-15 | 北京京东远升科技有限公司 | 对象重识别模型的训练方法、对象重识别方法和装置 |
Non-Patent Citations (3)
Title |
---|
丁松涛;曲仕茹;: "基于深度学习的交通目标感兴趣区域检测", 中国公路学报, no. 09, 15 September 2018 (2018-09-15) * |
李娟;强赞霞;杨关;崔春生;: "基于区域推荐和深度卷积网络的交通目标检测", 数学的实践与认识, no. 16, 23 August 2018 (2018-08-23) * |
王婷婷;潘祥;: "基于卷积神经网络的目标检测算法研究", 长春师范大学学报, no. 06, 20 June 2020 (2020-06-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN117576492B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665456B (zh) | 基于人工智能的乳腺超声病灶区域实时标注的方法及*** | |
CN112150428A (zh) | 一种基于深度学习的医学图像分割方法 | |
CN110929789A (zh) | 基于多期ct影像分析的肝肿瘤自动分类方法及装置 | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能*** | |
WO2023045231A1 (zh) | 一种解耦分治的面神经分割方法和装置 | |
CN110472629B (zh) | 一种基于深度学习的病理图像自动识别***及其训练方法 | |
CN109528230B (zh) | 一种基于多级变换网络的乳腺肿瘤分割方法及装置 | |
WO2024104035A1 (zh) | 基于长短期记忆自注意力模型的三维医学图像分割方法及*** | |
CN112614128A (zh) | 一种基于机器学习的内镜下辅助活检的***及方法 | |
CN110390678B (zh) | 一种结直肠癌ihc染色图像的组织类型分割方法 | |
CN112884788B (zh) | 基于丰富上下文网络的视杯视盘分割方法及成像方法 | |
CN113139977B (zh) | 一种基于YOLO和U-Net的口腔曲断影像智齿分割方法 | |
CN110766670A (zh) | 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法 | |
CN110910371A (zh) | 基于生理指标和影像融合的肝肿瘤自动分类方法及装置 | |
CN114399465B (zh) | 良恶性溃疡识别方法及*** | |
CN114972362A (zh) | 一种基于RMAU-Net网络的医学图像自动分割方法与*** | |
CN113269799A (zh) | 一种基于深度学习的宫颈细胞分割方法 | |
CN112308835A (zh) | 一种融合密集连接与注意力机制的颅内出血分割方法 | |
CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
CN116309651A (zh) | 一种基于单图深度学习的内窥镜图像分割方法 | |
CN114581474A (zh) | 一种基于***ct影像的临床靶区自动勾画方法 | |
CN110992309A (zh) | 基于深层信息传递网络的眼底图像分割方法 | |
CN117876690A (zh) | 一种基于异构UNet的超声影像多组织分割方法和*** | |
CN113538363A (zh) | 一种基于改进U-Net的肺部医学影像分割方法及装置 | |
CN117576492B (zh) | 胃间质瘤在胃超声内镜下的病灶自动标注识别装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |