-
公开(公告)号：CN107657602A
公开(公告)日：2018-02-02
申请号：CN201710679767.5
申请日：2017-08-09
Applicant: 武汉科技大学
CPC classification number: G06T7/0012 , G06K9/6256 , G06K9/6267 , G06K2209/05 , G06T2207/10116 , G06T2207/20081 , G06T2207/20084
Abstract: 本发明公开了一种基于两次迁移卷积神经网络识别乳腺结构紊乱的方法。发明的方法将在ImageNet数据集上训练的模型参数迁移到目标卷积神经网络以对其模型参数进行初始化(第一次迁移)；然后使用恶性肿块图像和正常乳腺组织图像对目标卷积神经网络模型进行第一次微调训练(第二次迁移)；接下来使用训练集中已知类别信息的结构紊乱图像和正常乳腺组织图像进行第二次微调训练；最后，对未知类别信息的结构紊乱和正常组织进行识别。本方法实现了一种基于卷积神经网络和迁移学习进行识别的方法，与现有的方法相比，得到更好的分类效果和性能。
-
公开(公告)号：CN109272507A
公开(公告)日：2019-01-25
申请号：CN201810757623.1
申请日：2018-07-11
Applicant: 武汉科技大学
Abstract: 本发明公开了一种基于结构随机森林模型的相干光断层图像的层分割方法，包括步骤：S1、图像预处理：对输入图像进行像素值转化和去噪处理；S2、特征提取：先提取手工特征，再训练一个残差网络提取深度特征，然后整合手工特征和深度特征；S3、通过结构随机森林获取层轮廓的概率图：使用训练图像集中数据训练能预测层轮廓的结构随机森林，然后预测测试图像中的层轮廓的概率图；S4、利用最短路径进行层分割：利用最短路径获得具体的层边界位置。该方法结合深度特征和手工特征的优点，手工特征和深度特征的组合可以训练一个更高效的随机结构森林，使得分割性能得到加强；该方法可以分割正常的视网膜图像，也可以分割病变的视网膜图像，具有较高的灵活性和适应性。
-
公开(公告)号：CN109272507B
公开(公告)日：2021-07-13
申请号：CN201810757623.1
申请日：2018-07-11
Applicant: 武汉科技大学
Abstract: 本发明公开了一种基于结构随机森林模型的相干光断层图像的层分割方法，包括步骤：S1、图像预处理：对输入图像进行像素值转化和去噪处理；S2、特征提取：先提取手工特征，再训练一个残差网络提取深度特征，然后整合手工特征和深度特征；S3、通过结构随机森林获取层轮廓的概率图：使用训练图像集中数据训练能预测层轮廓的结构随机森林，然后预测测试图像中的层轮廓的概率图；S4、利用最短路径进行层分割：利用最短路径获得具体的层边界位置。该方法结合深度特征和手工特征的优点，手工特征和深度特征的组合可以训练一个更高效的随机结构森林，使得分割性能得到加强；该方法可以分割正常的视网膜图像，也可以分割病变的视网膜图像，具有较高的灵活性和适应性。
-
-
Search Results
3
records
(took 0.016 seconds)
