医学图像分类模型基于敌对的病变增强

文摘

随着人工智能技术的发展,基于深度学习的辅助诊断模型在一定程度上可以帮助医生。然而,在医学图像的信息,如病变特征,忽略在大多数传统的方法。提取这些信息被认为是一个学习任务在网络在最近的一些研究,但它需要大量的fine-labeled数据,这无疑是昂贵的。针对上述问题,本文提出了一种敌对的病变增强神经网络的医学图像分类(ALENN),用于定位和提高医学图像中病变信息只有在弱带注释的数据,提高辅助诊断模型的准确性。这个方法是一个两阶段的框架,包括基于结构损伤敌对的修复模块和病变增强分类模块。第一阶段是用来修复病变区域的图像,第二阶段是用来定位病变区域和建模过程中使用病变增强数据。最后,我们验证了我们的方法的有效性的色差数据集,肌肉骨骼x射线数据集发布的斯坦福大学。实验结果表明,我们的方法不仅可以定位病变区域也提高辅助诊断模型的有效性。

1。介绍

2012年12月,一项研究[1)表明,肌肉骨骼疾病,如关节炎和背部疼痛,是成为造成残疾以及至今的因素对世界人口的健康,影响全世界超过17亿人。根据世界卫生组织的数据(2),有超过150种疾病引起的肌肉骨骼系统(运动)。虽然不同的原因所产生的疾病(例如,运动、遗传学或贫穷的生活方式)几乎没有视觉感知差,疾病类型之间存在很大的差异,因此需要不同的诊断和治疗方法。因此,肌肉骨骼异常的检测显得尤为重要。肌肉骨骼的异常主要是反映在骨骼的基础疾病,关节和软组织(3,4]。骨骼疾病,基本包括骨质疏松、骨软化、骨质破坏,骨硬化,骨膜增生,关节软骨钙化,骨坏死,骨骼畸形,等基本的关节疾病包括肿胀关节,破坏关节退化的关节,关节僵硬的关节脱位的关节,等基本的软组织疾病包括软组织肿胀、软组织质量,myophagism等等。

骨头是人类最高的组织密度结构,与周围组织有一个明确的对比。与此同时,也存在一个明显的对比的皮层和松质骨骨本身,这样传统的x光检查可用于一般骨骼疾病的诊断。此外,由于成像技术的进步和成像设备的升级,各种医院产生了大量的医学影像数据,这些宝贵的数据为许多研究是有帮助的。因此,它具有重要的研究意义使用计算机辅助诊断技术快速、准确地分类肌肉骨骼疾病基础上大量的现有的医学图像。

许多机器学习方法应用到医学图像数据分类任务,包括k - means聚类(5,6),决策树(7),支持向量机(8),和随机森林9]。然而,传统机器算法提取特征的数量是有限的,且仅可分为人为预设功能。因此,传统的机器学习算法在医学图像分类表现不佳。深度学习技术的不断发展,深入学习算法,包括CNN(卷积神经网络)10和氮化镓(生成对抗网络)11),广泛应用于分类任务。通过大量的细粒度的注释专业医生,CNN模型可以自动提取功能,可以提取更多的特征信息通过更深入和更广泛的网络体系结构。但医学图像注释使它更昂贵的难度提高CNN模型性能。此外,大多数现有的CNN模型使用良性和恶性标签信息的最后一层监督信息在网络上,他们不能挖出更多的隐藏功能通过粗粒度的良性和恶性复用和合并关键特性标识。

基于上述问题,本文提出了一种敌对的病灶增强神经网络的医学图像分类(ALENN),自动识别病变区域的图像只有通过分类注释的监督,增强和优化辅助诊断模型的预测精度。这个方法是一个两阶段模型。第一阶段是一个基于结构损伤敌对的修复模块,用于修复损伤区域形象;第二阶段是一个病灶增强分类模块,用于识别病变区域和应用数据增强后病灶的协助诊断模型的建模过程。第一阶段的核心是结构信息,代表人体的相对固定的语义结构在医学图像。我们相信更好的恢复结果可以通过把图像恢复过程分解为结构语义恢复和修复纹理细节。第二阶段的核心是滑动窗口。通过滑动闭塞的地区,最重要的图像可以发现异常区域。最后,我们验证了这个方法的有效性的色差数据集(12),肌肉骨骼x射线胶片数据集发布的斯坦福大学。

传统和最新的辅助诊断的相关工作以及相关的研究介绍了色差数据集在本文的第二部分。本文介绍的方法在第三部分。实验结果和分析第四部分所示。工作的总结和前景给出了在第五部分。

2。相关工作

CNN-based医学图像分析方法已经显示出优良的性能在许多富有挑战性的任务(疾病分类(13),病变检测(14],细粒度的病灶分割[15]),其中最深和最广泛应用于疾病分类研究。x射线检查是最常见的一种放射学检查在胸部疾病的临床诊断。如何结合大量的现有的医学图像与临床经验丰富的专业训练有素的放射科医生对胸部疾病的诊断具有重要意义。王等人。16)提出了一个新颖的text-image嵌入网络(TieNet)提取图像和相应的文本表示。它雇佣了一个端到端可训练的CNN-RNN架构嵌入一个多级的注意模型强调重要的图像区域和相应的文本单词,然后用图像特征和文本嵌入提取相关报告分类胸部x射线。冠状动脉造影的黄金标准是计算机辅助诊断(CAD),所以有必要详细描述的位置和程度stenosistext通过冠状动脉造影为CAD的严重程度分类。王等人。17)使用递归胶囊网络(RCN)提取临床命名实体之间的语义关系在冠状动脉造影的文本,以便自动发现的最大每个腔狭窄程度,最后推断出冠状动脉严重程度根据Gensini改善方法。

色差数据集是最大的公共肌肉骨骼图像数据集目前可用。许多学者对此进行了大量的实验研究数据集,包括使用传统的机器学习方法和深度学习算法。其中,一生et al。18]使用支持向量机(SVM),线性支持向量机、逻辑回归、决策树算法来检测肌肉骨骼异常,并介绍了应用灰度共生矩阵建立()的一个灰度共生矩阵法预处理的原始肌肉骨骼图像,比较五个评价指标的敏感性,特异性,精度、准确性,F1-score。Pranav et al。19169 -层)设计了一个基准模型DenseNet解决肌肉骨骼异常检测。上面的色差数据和,DenseNet的表现低于5的7最严重的放射学家基本研究和整体性能的模型也低于最好的放射科医师。随后,丹尼斯et al。2整体学习]提出的想法整合DenseNet201训练有素的分类模型,MobileNet NASNet-Mobile, ensemble200模型而设计的。最后,它的科恩Kappa评分是0.66,低于DenseNet169-layer模型。但F1-score ensemble200优于DenseNet模型,和科恩Kappa评分方差不同地区甚至更低。由于CNN提取特征的敏感性,当图像进行变换,如旋转和失调,CNN识别的性能将大大降低。为了解决这个问题,赛义夫et al。20.]介绍了胶囊网络体系结构。通过其强大的动态路由机制,一个输出向量包含许多功能信息(包括空间方向,矢量幅值)可以获得实现异常检测肌肉骨骼x线电影,这方法只适用于少量的网络层使用169人口cnn Kappa系数模型的连接。虽然CNN模型已经显示出良好的性能在许多数据集,它在一些表现不佳的子集。卢克等人分析原因是模型不能完全描述完整的数据集的变化,他将这个问题定义为隐藏的分层。因此,《路加福音》等。21)评估几种可能的技术测量的影响隐藏分层和发现隐藏的分层可以发生在识别低流行率,低质量标签,微妙的特点,它会导致20%以上的相对性能差异模型。

3所示。方法

由于病变信息的不充分利用目前的深度学习模型基于医学图像的数据集(例如,色差)和费解的深度学习本身,还有很多辅助诊断的可靠性和可信性空间模型来改进。针对上述问题,本文提出了一种敌对的病变增强神经网络的医学图像分类(ALENN)。方法包括两个主要模块:基于结构损伤敌对的修复模块,基于损伤信息融合分类模块。整个二级结构图如图1。勒代表病变增强。

3.1。基于结构损伤敌对的修复模块

弯头的x射线图像反映了弯头的不同组织之间的密度差,和负面数据的密度分布明显不同,在积极的数据,如图2。分布的差异反映在积极的病变区域的数据。本文假定,在积极的数据,病变区域外的组织密度分布类似于负面数据。因此,该分布差异可以充分利用图像中发现病灶的位置,从而提供额外的信息融合的病变区域。如果有一台发电机,只有使用负面数据进行训练,也就是说,它适合的负面数据分布在理想条件下,理论上它能恢复病变区域积极数据正常组织的数据分布。换句话说,恢复图像可以被视为一块pseudo-negative数据分布类似于负面数据。因此,这个模块是基于生成对抗的概念网络产生积极的数据转化为消极的数据,并把数据作为重要的信息之间的相对误差为后续的增强病变区域。

同时,为了更好地恢复原始图像的语义信息,考虑到医学图像通常包含人类features-bones和肌肉结构相对固定,这个模块提取数据的结构信息,使模型更关注相对固定的结构,不限于易感纹理信息。因此,灵感来自于研究[22],本文增加了模型生成和学习过程的结构信息的基础上生成对抗的网络。

3.1.1。结构信息

结构信息的提取,我们假设图像是由结构和纹理和使用相对总变异(RTV) (23)来区分图像的结构和纹理。输入图像的定义是,图像中的像素指数被定义为p图像中,结构被定义为s .因此,使用第二个点球的过程加强结构相似性TV-L2-based模型中的输入和输出可以表示为 在哪里代表了一阶差分操作,用于维护结构和输入图像之间的相似度,然后呢可以分为两个方向:方向和方向:

然而,作者的23]发现总波动调整有限区分能力强结构性的边缘和纹理。因此,为了不针对某一类型的纹理结构的图像,整个任务可以写成 在哪里是重量和是一个小的正数,应该避免被除以零。代表一个通用pixel-wise窗口的总测量和变化代表一个新窗口的内在变化,可以表示为 在哪里所有像素的指数在一个正方形区域集中在意义和根据空间关联是一个加权函数定义。然而,由于目标函数是无法直接获取非凸及其解决方案,数值稳定近似解的需要分解得到的非线性部分和二次部分。

3.1.2。氮化镓

在本文的结构,生成对抗网络的作用是提供病变区域肘x射线图像的最终的分类模型。我们另外假设的色差数据:分布差异的积极和消极的数据图像病变的结果。如果正面形象完全闭塞病变区域,图像的一部分,这一次不阻挡在负面数据分布相似。节中获得的结构信息3.1。1发挥了重要作用,氮化镓,这迫使发电机忽略当地干扰引起的纹理信息,然后重建图像内部的生理结构信息。填充和维修的详细结构的基础上,重建结构信息。更具体地说,图像结构作为监督信息首先,氮化镓是训练通过负面形象修复任务阻挡随机掩码,首先,发电机的结构分布的骨骼和肌肉的负面数据。在此基础上,原始图像作为训练GAN监管信息,这样发电机逐步填写详细的纹理信息的基础上的结构。培训过程中发电机,鉴别器同时也训练判断的真实性形象和对抗生成器生成的。最后,积极的数据作为测试数据,和损伤特征在图像修复保护正常组织的前提下,然后恢复pseudo-negative数据。

本节的定义和节3.1。1并添加其他定义:发电机 ,鉴频器 ,和关键矩阵面具 。此外,我进一步表示为的形象 ,在哪里代表的正样本图像中病变,和代表一个负样本。同样的, 。在此基础上,氮化镓的输出用来修复图像结构信息可以表示为在第一步 在哪里 代表了阻塞操作;也就是说,区域的值为0米阻挡在相应的输入数据吗 。 表示element-wise产品。同时,鉴别器需要判断图像的真实性和发电机进行对抗训练,和它的输出可以表示为 和 。

除了培训发生器使整个模型能够重建结构信息,它也需要训练发电机,这样整体模型逐渐有能力修复纹理信息通过结构性信息。因为本文假设“图像=结构+纹理,纹理信息后补充和完善的基础上结构信息,它可以被视为整体的恢复图像。因此,发电机的输出可以表示为

一样的修复结构阶段,鉴别器仍然需要预测发电机输出图像的真实性,和输出表示为 和 。

3.1.3。损失函数

摘要甘需要两步训练。换句话说,训练模型首先修理图片删除了复杂结构的语义结构。修复过程平滑后,训练模型将基于结构修复结构的详细信息。在培训的第一步,为了适应图像的真实分布结构 ,我们对抗的想法应用到生成的框架模型。发电机的对抗性的损失和鉴频器可以写成

类似于第一个培训过程中,培训的修复过程的损失函数GAN纹理细节如下:

敌对的两阶段损失通过hyper-parameters相结合和 ,分别通过最后的优化过程:

我们设置 和 在这篇文章中。

3.2。病变融合分类模块

本节将介绍ALENN的第二阶段,即医疗image-assisted诊断模块基于损伤信息增强。如果有辅助诊断模型仅基于原始数据建模,这个模型可以完成辅助诊断任务。然而,由于深度学习本身的费解,模型容易陷入局部最优值。此外,还存在某些限制模型的收敛速度,这取决于模型的初始化参数和优化策略。因此,积极的数据和消极的数据之间的相对误差和积极的数据之间的相似性是用来在这个阶段人为地放大这种分布差异。更具体地说,积极的数据恢复后在第一阶段,对应的pseudo-negative数据获得,而真正的负面数据仍然可以被视为负面数据后修复。在此基础上,我们可以提高病变区域的数据,然后使用它作为建模数据辅助诊断模型,使模型的敏感差异分布。

病变融合辅助诊断提出了一个总体框架,和具体的网络结构的优化是超出了本文的范围。换句话说,本文提出的方法适用于大多数分类网络。因此,我们选择最基本的模型VGG-19这个框架的支柱。接下来,我们将逐步介绍损伤信息融合的整个过程在第二阶段。为了方便演示,我们定义随后的变量。输入图像 ,在哪里和分别代表图像的宽度和高度。设置滑动窗口设置 对每个输入样本;滑动窗口的窗口大小和 ,这是一个根据先验hyper-parameter组。同样,滑动窗口的步长hyper-parameter。一般来说,我们 这样输入样本中每个像素可以尽可能多的修复结果来减少生成错误的影响。由此,我们可以得出结论,滑动窗口输入样本的数量大约是 。病变位置算法基于滑动窗口算法1所示。

因此,分类标签的监督下,我们已经完成了病变信息的提取医学图像基于条件概率分布的差异和 。自然,这些信息的人工增强使最终的辅助诊断模型更敏感正面和负面数据之间的差异分布。从另一个角度来看,这种病变的增强信息可以被视为一种先天的关注在一定程度上损伤区域。这“之前”不是监督,更不用说人为,但计算条件概率分布的差异映像级别注释。

4所示。实验结果

4.1。数据集和训练环境

肌肉骨骼的色差数据集是最大的公共数据集图像目前,共同发布的计算机科学、医学和斯坦福大学的放射学。它总共包含了X训练集和X验证集。所选择的数据集40561多视点的x射线图像斯坦福医院从2001年到2012年的12173例患者作为样本数据,并标记为正常或异常由专业放射科医生。结果表明,62%的图像是正常的数据,38%是不正常的。研究的数据集包含类型的手指,肘、手,肱骨,前臂的肩膀和手腕。本文只使用肘部实验验证数据。为了显示实验结果比较,本文采用统一优化器亚当和初始化学习速率为0.0001批大小设置为16。

4.2。评价指标

为了更好地评估方法在本文中,我们使用峰值信噪比(PSNR)系数和结构相似度(SSIM)修复模块的性能进行评估。较大的两个指标的值,这两个图像越相似。敏感性、特异性和准确性,,记得,F1-score, Kappa评分应用于评估分类模块的性能。

PSNR值系数和SSIM是最广泛使用的客观测量方法评估修复图像。计算公式如下:

在这个公式,是平均的和是平均的 。 的方差 , 的方差 ,和的方差和 。 和 用于维持稳定。是像素值的动态范围。 和 。结构相似的范围是0到1。当这两个图片是完全相同的,SSIM的价值等于1。

此外,如果FP、FN、TP、TN代表的假阳性,假阴性率,真正积极的速度,和真正的负率,分别计算公式的准确性,记得,精度,F1-score,和Kappa评分如下:

在这个公式,是样本正确分类的数量的总和在每个类别除以总数量的样品,这是总体分类精度。假设在每个类别的样本数量 ,分别预测每个类别的样本数量 ,分别和样品的总数 ,然后 。

4.3。病变增强的结果

为了验证的有效性的第一阶段两级病变增强本文提出的分类方法,首先需要定性分析生成的对抗性的网络的修复效果。本节将执行视觉分析在肘部的消极和积极的数据数据不均匀。自甘本文基于负面数据建模,在理论上,甘将近似负的分布数据。相反,当氮化镓的积极数据作为输入,甘将在积极修复“异常”区域数据根据负面数据。修复的结果和可视化的正面和负面的数据如图3,差异显示原始图像之间的差异和恢复的LE代表不同区域的增强和热量地图的形式显示。最后一列结合勒与原图像更直观的观察到这一方法的有效性。

定量定性分析后,我们将分析两种数据类型之间的差异,如表所示1。可以清楚地看到,氮化镓的修复效果是不同的两个分布图像。然而,这种差异在分布直接反映在形象和增强本文的辅助诊断提供明确的指导下一阶段的两种类型的数据。

4.4。分类的结果

为了证明该方法的有效性和良好的适应性提出了本文本节这个方法适用于每个分类网络。VGG-19、ResNet-50 densenet - 121和Inception-v3是用来进行相关实验和分析结果。实验结果如表所示2。

相比可以看出,结果是令人不满意的方法只使用分类网络和LE信息。对于每个骨干,这个方法可以提高精度平均约1.67%。此外,本文的方法是最好的解除VGG-19。ResNet ROC曲线和VGG可以从另一个方面解释这个问题,如图4。这可能是由于VGG本身的网络结构。VGG相比,换句话说,用一个简单的直线连接,ResNet和其他网络有一个更复杂的网络结构,如短连接。它可能帮助建模过程在一定程度上更好的找到病变区域。然而,需要更深入的理论证明和相关实验来证明这一点。

5。结论

深层神经网络技术的逐步改善,最近有更多的方法重点研究探索中的隐藏信息数据。以计算机视觉为例,许多研究已经绑定的任务探索图像内部的语义信息的优化神经网络结构。其中,医学影像已成为一种重要的图像语义挖掘由于其高的对象语义一致性。然而,深度学习本身的可解释性一直是话题仍在学习;神经网络学习的特点,不能直观地解释道。换句话说,之间的关系的优化神经网络的结构和语义信息挖掘的有效性还有待验证。因此,本文提出了一个敌对的病灶增强神经网络的医学图像分类,将这个隐藏的语义的提取作为一个单独的阶段,与辅助诊断模型。的目的是(1)清楚地表明语义信息提取的有效性,(2)使用这个方法作为一个便携式辅助诊断模块与高适应性,和(3)完成病变定位只有粗粒度的标签。最后,本文证明了第一阶段的有效性基于结构损伤敌对的修复模块公共数据集不均匀。与此同时,在此基础上,证明了两级模块的组合使用可以提高辅助诊断模型。 However, there is also a shortcoming in this method, that is, the relatively high time complexity of the sliding window, which is also one of the optimization directions of this research in the future.

数据可用性

x射线图像用于支持这项研究的结果已经存入色差库。

的利益冲突

作者宣称没有利益冲突。

引用

1. 斯图尔特,e·h·y Weinstein,西尔维娅,“肌肉骨骼的研究,”2014年,http://www.boneandjointburden.org/2014-report。视图:谷歌学术搜索
2. d . Banga和w·彼得,”在肌肉骨骼异常检测射线照片与卷积神经网络(集合体)和性能优化,“相关系数,217卷,2019年。视图:谷歌学术搜索
3. Macias-Velasquez和a·尤兰达,“工作时间,倦怠和肌肉骨骼不适在中级和高级管理层的墨西哥工业部门,“IEEE访问,8卷,第48619 - 48607页,2020年。视图:谷歌学术搜索
4. z l . k . Wang Wang邓、江,w .妞妞和m .张“被动元素的影响预测intradiscal压力和肌肉活动在腰椎肌肉骨骼模型中,“Biomedicine-Update计算机方法和程序卷。177年,39-46,2019页。视图:谷歌学术搜索
5. t . Tien-Loc Le Lo-Yi林,C.-M。林,曹国伟,“k - means区间二型模糊神经网络用于医学诊断,”国际期刊的模糊系统,21卷,不。7,2258 - 2269年,2019页。视图:谷歌学术搜索
6. s . Raouafi s Achiche m . Begon a . Sarcher和m .存在“上肢残疾分类水平的痉挛性单边脑瘫患儿使用k - means算法,”医学和生物工程和计算卷,56号1,49-59,2018页。视图:谷歌学术搜索
7. m . Al-Maitah”使用多媒体处理技术分析遗传疾病关联决策树学习,从医学图像hopfield神经网络动态,“神经计算和应用,32卷,不。3、791 - 803年,2020页。视图:谷歌学术搜索
8. h·法里斯·m·哈比卜·m·法里斯·m·Alomari和a . Alomari“医学专业分类系统的基于二进制粒子群和合奏和支持向量机,”生物医学信息学杂志文章ID 103525卷,109年,2020年。视图:谷歌学术搜索
9. c .郭j . Zhang y . Liu谢y, z .汉,和j . Yu”递归增强随机森林与心脏病的一种改进的线性模型(RERF-ILM)检测在物联网的医疗平台上,“IEEE访问,8卷,第59256 - 59247页,2020年。视图:谷歌学术搜索
10. m . Gadermayr b·马拉Klinkhammer b .彼得,和d . Merhof“CNN进行稀疏目标分割的瀑布在单张幻灯片图片,”计算机医学影像和图形卷。71年,40-48,2019页。视图:谷歌学术搜索
11. x曹、刘m . f .翟et al .,“不同的注册方法的比较和地标图像引导放射治疗肺肿瘤,”BMC医学成像,19卷,不。1,1-46,2019页。视图:谷歌学术搜索
12. p . Rajpurkar j·欧文,a Bagul et al .,“色差:大数据集在胸部肌肉骨骼异常检测”学报第一医学影像会议与深度学习(MIDL 2018),阿姆斯特丹,荷兰,2018年。视图:谷歌学术搜索
13. A . Amirkhani m . r . Mosavi k .穆罕默迪依Papageorgiou,“一种新的混合方法基于模糊认知地图分级乳糜泻和模糊聚类算法,”神经计算和应用,30卷,不。5,1573 - 1588年,2018页。视图:谷歌学术搜索
14. j·s·b·吉尔·李,唱h . Kim h·荣格和s . Yoon“肝脏病变检测从weakly-labeled多阶段的ct卷分组单发射击multibox探测器,”《医学影像计算和计算机辅助介入的国际会议2018年,格拉纳达,西班牙。视图:谷歌学术搜索
15. l . n .东李Wang,周,e·埃德里和d .沈,“Difficulty-aware注意网络有信心学习医学图像分割”诉讼的Thirty-Third AAAI会议上人工智能,AAAI 2019AAAI出版社,页1085 - 1092年,檀香山,夏威夷,美国,2019年。视图:谷歌学术搜索
16. Le, x, y, z, m·罗纳德·萨默斯,“Tienet: text-image嵌入网络常见的胸腔疾病分类和报告在胸部x光检查,”学报2018年IEEE计算机视觉与模式识别会议,CVPR 2018,页9049 - 9058,IEEE计算机协会,盐湖城犹他,美国,2018年。视图:谷歌学术搜索
17. 齐王j .秋y, r·通d高,居高,“自动通过反复冠状动脉疾病的严重程度分类胶囊网络”《IEEE国际会议上生物信息学和生物医药、BIBM 2018,页1587 - 1594,IEEE计算机协会,2018年马德里,西班牙。视图:谷歌学术搜索
18. p·库马尔商场、p·k·辛格和d Yadav,“基于Glcm的特征提取和医用x射线图像分类使用机器学习技术,”学报2019年IEEE会议信息和通信技术(CICT),阿拉哈巴德,印度,2019。视图:谷歌学术搜索
19. p . Rajpurkar j·欧文,朱k . et al .,“Chexnet: radiologist-level肺炎检测与深度学习在胸部x光检查,”相关系数,225卷,2017年。视图:谷歌学术搜索
20. a·f·m·赛义夫c . Shahnaz W.-P。朱,m . Omair Ahmad“复康片使用胶囊网络异常检测。”IEEE访问7卷,第81503 - 81494页,2019年。视图:谷歌学术搜索
21. l . Oakden-Rayner j . Dunnmon g . Carneiro和r e克里斯托弗,“隐性分层导致临床上有意义的失败在机器学习医学成像,”诉讼的ACM孩子20:ACM会议上健康、推理和学习,页151 - 159年,多伦多,加拿大,2020。视图:谷歌学术搜索
22. 柳明桓x, y任r·张t·h·李,刘,和李通用电气、“Structureflow:通过支持结构外观流图像修复,”学报2019年IEEE / CVF计算机视觉国际会议上,ICCV 2019IEEE,页181 - 190年,汉城,韩国,2019。视图:谷歌学术搜索
23. 李,问:严、y .夏和j .贾”结构提取通过相对全变差,从纹理”ACM交易图片没有,卷。31日。6,139年,页2012。视图:谷歌学术搜索

版权

版权©2021张Bing和徐胡。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。