二维和三维卷积神经网络相结合的CT图像肺结节检测方法

基于纹理分析的二维CT图像的缺陷分割方法,丁飞,康克军,本文利用模式识别的方法来处理缺陷检测问题,提出了一种基于纹理分析的缺陷分割方法。在提取图像的纹理相关特征后,该方法在特征

深度学习之卷积神经网络；从字符到句子的卷积神经网络。

快速自适应FCM与分类相结合的肺结节分割方法研究

包含多波长信息的低分辨(LR)灰度图难以被完全解复用,根据LR图像信息重建出的彩色高分辨(HR)图像容易出现通道串扰的现象。为重建不受通道串扰干扰的彩色HR图像,提出一种基于三维卷积神经网络(CNN)

首次在图像识别和文本分类中用到如此深度的卷积神经网络。

肺结节的早期发现对于成功诊断和治疗肺癌至关重要。 许多研究人员尝试了多种方法，例如阈值化，计算机辅助诊断系统，模式识别技术，反向传播算法等。最近，卷积神经网络（CNN）在许多领域中都有着广阔的应用前景

该软件可以迅速实现三维重建，操作方便，简单容易，但精度有待提高

先对线数据集进行拓扑预处理，再对数据集进行拓扑构网。

传统的高光谱图像分类大多只考虑地物的光谱信息,而忽略了空间信息,现有的空谱联合分类方法难以有效提取空间邻域信息。针对上述问题,提出了一种卷积神经网络和稀疏字典联合学习的算法。现有稀疏编码方法大多仅考虑

三维图像重建的简介，以及在复原图像时的两个主要问题。