电子科学与技术学报20（2022）100170用于宫颈癌细胞分类的基于共生直方图的分类器集合Rajesh Yakkundimatha，d，*，Varsha Jadhava，b，d，Basavaraj Anamia，d，Naveen Malvadec，da卡纳塔克邦林加亚特教育技术学院计算机科学与工程系，Hubballi，580027，印度b Shri Dharmasthala Manjunatheshwara工程技术学院信息科学与工程系，Dharwad，580008，印度c信息科学与工程系，SMT。卡玛拉&·斯里文卡帕湾Agadi工程技术学院，Lakshmeshwar，582116，印度dVisvesvaraya技术大学，Belagavi，590018，印度A R T I C L EI N FO出版编辑：何索引术语：宫颈癌共现直方图增强分类k-均值聚类A B S T R A C T为了探索传统图像处理技术在宫颈癌细胞分类中的潜力，在这项工作中，采用共生直方图方法进行图像特征提取，并通过结合基本分类器，即人工神经网络（ANN），随机森林（RF）和支持向量机（SVM），开发了一个集成分类器，用于图像分类。分割的乳头涂片细胞图像数据集通过k均值聚类技术构建，并用于评估由上述考虑的基础分类器组合形成的集成分类器的性能。结果还与单个基础分类器以及使用颜色，纹理和形状特征训练的结果进行了当使用共生直方图特征应用和训练集成分类器时，获得了93.44%的最大平均分类准确率，这表明使用共生直方图特征训练的集成分类器更适合于宫颈癌细胞的分类1. 介绍子宫颈抹片检查是一种用于诊断子宫颈癌前细胞的方法 从子宫颈取少量细胞学样本，用特殊的细胞刷涂抹在载玻片上。细胞技术人员可以通过用显微镜观察载玻片上的细胞的特征（例如形状、颜色和纹理）来诊断载玻片上的细胞，从而识别癌前子宫颈细胞然而，癌前细胞的手动显微镜分类是一个繁琐的过程，因为每个载玻片可以包含多达30万个细胞[1]。它需要熟练的细胞技术人员来区分各种细胞，这通常会导致不一致和主观的结果。图图1示出了在背景上包含被细胞质包围的细胞核的单个细胞的图像样本。巴氏涂片细胞的分类主要涉及将单个细胞分类为正常细胞和异常但非恶性细胞的目标[2]。癌前细胞的自动分类将绝对有助于细胞技术人员和医生* 通讯作者。卡纳塔克邦林加亚特教育技术学院计算机科学与工程系，印度，胡巴利，580027。电子邮件地址：rajeshymath@gmail.com（R. Yakkundimath），varshasv. gmail.com（V. Jadhav），anami_basu@hotmail.com（B.Anami），naveen. gmail.com（N. Malvade）。https://doi.org/10.1016/j.jnlest.2022.100170接收日期：2021年9月30日;接收日期：2022年8月1日;接受日期：2022年2022年8月23日在线提供1674- 862 X/© 2022电子科技大学。Elsevier B. V.代表KeAi Communications Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表电子科学与技术学报期刊主页：www.keaipublishing.com/en/journals/journal-of-electronic-science-and-technologyR. Yakkundimath等人电子科学与技术学报20（2022）1001702Fig. 1. 一张子宫颈抹片的图片。图二. 拟议方法的流程示意图。来区分不同的细胞类型。 自诞生以来，巴氏涂片已经经历了70多年的发展，人们为实现自动化分析进行了各种尝试。为了展示基于宫颈涂片图像的宫颈细胞识别和分类的最新技术，第1节主要概述了用于在涂片细胞或单细胞水平下识别和分类宫颈细胞的成像技术[3]。宫颈涂片图像的颜色、纹理和形状特征可以作为描述符来自动分类宫颈不典型增生[4]，其中通过使用集成分类器（如下平方支持向量机（LSSVM）、随机森林（RF）和多层感知器（MLP））的5倍交叉验证方法实现了98.11%的总体分类准确率。见参考文件 [5]，使用支持向量机（SVM）分类器进行识别，并研究了宫颈细胞的特征选择，包括互反信息，顺序前向搜索，滚动前向搜索和随机子集，其中使用顺序滚动前向选择获得了高达98.5%的整体分类准确率。见参考文件[6]提出了一种基于凹点的重叠细胞核分割算法，将细胞核和细胞质从细胞结构中分离出来通过使用色调饱和度值（HSV）颜色来增强细胞核和细胞质之间的对比度，从而获得颜色估计见参考文件[7]，确定了宫颈细胞的分割和分类，结果表明，采用多尺度分层分割算法结合二值分类器，总体分类准确率达到96.71%。见参考文件[8]，提出了一种基于迭代阈值分析的方法，以基于核面积参数将宫颈细胞分类为正常或异常。报告的总体分类准确度为100% 采用模糊C-均值（FCM）算法，对模糊C-均值聚类算法进行了改进. [9]中，对乳头涂片图像的每个区域进行分割。 为了帮助聚类，利用两个随机数来生成每个pi X el的隶属矩阵。采用piX el级分割，取得了令人满意的结果从重叠的宫颈细胞团块中分离出的细胞核和细胞质见参考文献。[10 ]第10段。该方法联合优化了各层次的集合函数，克服了重叠定义细胞的问题，可在定量评估的基础上有效分割细胞见参考文件[11]，FCM聚类方法用于宫颈癌细胞的自动分割采用人工神经网络（ANN）对7类和2类问题的平均分类精度分别为93.78%和99.27%见参考文件[12]，作者提出了一种自动特征选择算法，其中采用了来自显微活检图像的生物学可解释特征 使用k-最近邻（KNN）分类器获得了92%的整体分类准确度。KNN方法也被用于参考文献。[13]从子宫颈抹片检查中对子宫颈癌细胞进行R. Yakkundimath等人电子科学与技术学报20（2022）1001703表1宫颈细胞的分布类别宫颈细胞类别图像数量图像示例正常细胞浅表鳞状细胞74中间鳞状细胞70柱状上皮98异常但非恶性细胞轻度鳞状细胞182中度鳞状146重度鳞状197原位癌图片总数图像，有助于82.9%的整体分类准确性与5倍交叉验证方法。见参考文件 [14]，提出了一种两级级联分类器，用于从宫颈涂片图像中自动识别宫颈癌细胞，实现了95.6%的总体分类准确率。文献[1]提出了一种基于像素相似性度量的图像分割方法。[15]并应用于从总细胞图片中提取细胞核区域通过使用来自细胞核分割区域的12个形状特征进行特征提取，并使用SVMLinear（SVM-L）分类器进行分类。 通过使用FCM方法的判别特征集，实现了97.65%的总体分类准确率。在参考文献中使用了可训练的Weka分割分类器。[16]用于基于宫颈涂片图像的宫颈癌细胞的自动诊断和分类 结合包装过滤器，使用模拟环化来选择特征，并使用FCM算法进行分类，导致整体分类准确率为98.88%。如上所述，已经有一些使用宫颈涂片图像识别宫颈癌细胞的自动化技术。然而，在许多发展中国家，由于缺乏训练有素和熟练的卫生工作者以及维持筛查计划的医疗资源，传统筛查技术仍然是主流。因此，非常需要设计和实现低成本、高效率的筛选系统。本文在总结近年来宫颈涂片图像分析中常用的图像处理方法（包括图像分割、特征选择和分类）的基础上，提出了一种可用于开发可靠的宫颈癌细胞自动检测系统的这种自动化技术可以帮助病理学家早期检测宫颈癌细胞。其余部分分类如下。第2节提出了拟议的方法。第3节描述了实验结果和讨论。最后，第四部分得出结论。2. 方法所采用的方法的示意框图如图所示。 2，包括四个不同的阶段。 在阶段1中，收集图像数据集，并且在阶段2中，通过使用分割技术分离感兴趣区域。在阶段3中，设计了从分割图像中提取识别特征的方法，在阶段4中，使用集成分类器执行分类任务。2.1. 图像数据集这些图像直接从Herlev宫颈涂片图像数据集收集，可从https：//mde-lab公开访问。 aegean.gr/downloads。该图像数据集包括七个类别的917个单个细胞图像，如表1所示[2]。为了验证该算法的有效性，保留了巴氏涂片图像数据集的原始属性R. Yakkundimath等人电子科学与技术学报20（2022）1001704¼图3.第三章。巴氏涂片图像：（a）原始图像和（b）分割图像。见图4。 提出了一种基于分割图像及其互补图像的特征计算方法。2.2. 分割采用分割阶段将具有某些属性的像素分组到不同的区域中，这些区域对应于单个表面或组件。一个区域中的每个像素在某些特性方面是相似的，例如颜色、形状或纹理。 采用基于颜色和纹理特征的k -均值聚类方法对图像进行分割，与其他分割方法相比，该方法对目标区域的聚类分割效果更好。本研究中的图像具有三个不同的聚类，即k3用于图像分割[17]。目标是关注区域的边界，即，在每个数据集图像中，细胞的细胞质和细胞核的面积通过对输入彩色图像执行k均值聚类算法来获得细胞图像的分割彩色图像，如图所示。3.第三章。2.3. 特征提取对分割图像的每个区域进行特征提取，过程如图所示。 四、分割后的图像表现出不同颜色和纹理的细胞的细胞质和细胞核，通过使用合适的特征提取方法将其转换为定量值。因此，考虑到待分类的不同类别的宫颈细胞显示不同的颜色和表面图案，因此在这项工作中开发了一种鲁棒的特征提取技术，该技术整合了颜色和纹理。颜色和纹理特征提取的描述可在参考文献中获得。[18所提出的方法是共生直方图方法的增强，该方法已应用于多光谱图像[17]，即，通过使用N个通道来表示图像 对于声道间信息（R，G）、（G，B）和（B，R）以及声道内信息（R，R）、（G，G）和（B，B）生成同现直方图。在RGB空间中，彩色图像的补色I/4（R，G，B）R. Yakkundimath等人电子科学与技术学报20（2022）1001705¼¼图五、（ a）r在R平面上和（b）g在G平面上的8个最近邻。表2算法描述1.表3算法描述2.见图6。 基于直方图的特征计算示意图。定义为I0（R0，G0，B0），其中R、G和B分别描绘输入图像的红色、绿色和蓝色通道，并且R0、G0和B0描绘补充图像的对应通道。在RGB空间中，通过使用包括（R，G）、（R0，G0）、（G，B）、（G0，B0）、（B，R）、（B0，R0）、（R，R0）、（G，G0）和（B，B0）的组合来表示图像[2 2]。平移向量表示为t1/4[d，θ]，其中d是距离，θ表示方向。同时，八个角度（θ1/40 °、45°、90°、135°、180°、225°、270°、315°）和在这项工作中考虑了一个距离（d1/ 4）图图5（a）和（b）分别示出了R平面中的对应位置处的pi X el“r”和G平面中的对应位置处的pi xel“g”，以及针对对（R，G）计算的它们的直接八个邻居。对于一个角度（θ 0θ），用于计算同现的“r”和“g”的相邻像素被圈出。直方图的计算过程以算法步骤的形式在表2中给出。R. Yakkundimath等人电子科学与技术学报20（2022）1001706× ×¼不不¼×t t;j¼ ×：第1页t t;j不表4算法描述3.最大最小合成算法用于为每个通道对和每个角度创建两个共现直方图每对总计16个直方图对于每个直方图，获得归一化的累积直方图，其通过回归线拟合然后计算拟合线的斜率以及箱的平均高度和平均偏差，这形成了每个直方图的特征因此，对于图像中的每个区域，特征集合包括总共9对16个直方图3个特征432个特征表3中给出了算法步骤形式的特征计算过程。相应地，该过程的示意图如图所示。 六、2.4. 分类包围学习（EL）是一种机器学习技术，其中多个解决方案被组合以解决特定问题。 以前的研究表明，集成分类器可以应用于图像处理和模式识别[23，24]。这促使我们在这项工作中采用集成分类技术，其中通过特征提取算法提取的特征对于这种集成方法，加权多数投票技术被应用于加权每个分类器的决定。每个分类器的权重Wt被分配用于估计性能，并通过以下公式计算：W ¼log1（一）βt其中，βt <$$>γt = β 1-γt <$1是每个分类器的偏差，γt是每个分类器的加权训练误差。第t个分类器的判定为αt，j2（0，1），其中t<$1，2，k，T;j<$1，2，k，C;T是分类器的数量;C是类的数量每个阶段所选的分类器是使该阶段的加权训练误差（γt）最小化的分类器如果一个点在之前的迭代中被错误分类的次数越多，它的权重（W t）就越高。最大误差最小化是通过尝试正确预测在早期迭代中被错误分类的点应用于分类器的权重（Wt）基于准确度，由分类器的加权误差确定。如果第t个分类器选择了类wj，则αt，j<$$>1，否则αt，j<$0。性能可以通过[4]来估计。XWα½mCaxXWα：（2）t1/2t1/2图像数据集被平均分为两个子数据集：一个子数据集用于训练，另一个子数据集用于测试。所提出的分类方法的效率（η）被定义为正确识别的样本图像与样本图像总数的比率，如（3）中所给出的。平均准确度（AA）计算为所有样本图像的识别准确度之和与样本图像总数的比值，如（4），[17]所示表4中给出了分类程序所涉及的步骤。η正确识别的样本图像总数100%（3）样本图像AA所有样本图像的识别准确率之和100%（4）样本图像3. 结果和讨论实验在Intel Core i3- 7100 U处理器上进行，配备4 GB RAM和Nvidia GeForce RTX 2070 GPU，使用MATLAB 2020 a。在这项研究中开发的算法进行了优化，使它们与图像数据集兼容，并提高性能。使用开发的集成分类器对宫颈细胞的图像数据集进行训练和测试，R. Yakkundimath等人电子科学与技术学报20（2022）1001707见图7。 分类结果与所提出的方法。见图8。 与现有的特征提取方法的性能比较。见图9。 集成分类器与现有分类器的性能比较。共现直方图特征提取方法（在这项工作中提出）。图像数据集还分别用SVM、ANN和RF进行训练和测试以进行比较。此外，标准特征，如颜色，纹理和形状，用于评估所有分类器的分类性能。将集成分类器与建议的特征提取方法相结合，获得不同宫颈细胞的分类结果，如图所示。7.第一次会议。结果表明，宫颈轻度鳞状细胞的分类效率最高，为97.25%，宫颈柱状上皮细胞的分类效率最低，为88.70%。将该特征提取方法与传统特征提取方法的分类结果进行了比较。 如图所示。 8，分类效率最高为93.44%，最低为86.90%。图图9比较了集成分类器获得的分类结果与SVM、ANN和RF获得的分类结果，其中应用了相同的特征提取方法。显然，当应用集成分类器时，分类效率最高（93.44%），RF分类器实现了最低的分类效率（83.50%）。利用测试图像数据集对算法的性能进行了评估，并对测试结果绘制了混淆矩阵 基于不同分类器对宫颈细胞的最佳分类的混淆矩阵（参见补充资料中的表S1-S4），使用建议的特征提取方法计算每个分类器的性能指标，例如精确度，召回率和F1分数。结果列于表5中，其中分别使用（5）、（6）和（7）计算精确度、召回率和F1分数精确度是真阳性（TP）与TP和假阳性（FP）总数之间的比值召回率是TP与TP和假阴性（FN）总数之间的比率F1-score是精确度和召回率之间的加权R. Yakkundimath等人电子科学与技术学报20（2022）1001708¼¼¼1表5性能指标来自相应的混淆矩阵。号分类器宫颈细胞精密度（%）召回率（%）F1-评分（%）1SVM浅表鳞状87.3494.5290.79中层鳞状88.5788.5788.57柱状上皮89.5887.7688.66轻度鳞状91.0084.5192.72中度鳞状93.6691.1092.36重度鳞状94.5095.9495.21原位癌92.9187.3390.002安浅表鳞状80.0091.8985.53中层鳞状78.5778.5778.57柱状上皮82.6582.6582.65轻度鳞状93.2691.2192.20中度鳞状88.8987.6788.28重度鳞状91.3791.3791.37原位癌88.9786.0087.463RF浅表鳞状78.3187.8482.80中层鳞状72.6075.7174.13柱状上皮80.6180.6180.61轻度鳞状87.0088.4687.74中度鳞状88.5784.9386.71重度鳞状89.8089.3489.57原位癌86.3084.0085.144合奏浅表鳞状91.0395.0393.42中层鳞状94.1291.4392.75柱状上皮90.6388.7889.69轻度鳞状91.7197.2594.40中度鳞状95.1493.8494.48重度鳞状97.4596.9597.20原位癌95.0090.0092.47表6分类结果的比较号分类器特征提取方法准确度（%）1SVM颜色78.50纹理81.20形状75.90提出91.802安颜色76.70纹理79.50形状71.40提出88.503RF颜色72.50纹理76.90形状69.30提出83.504合奏颜色89.40纹理91.60形状86.90提出93.44精密TPTP精密 FP召回TPTPFNF-评分2×精确度×召回率精确度和召回率（五）（六）（七）表6总结了分类结果。显然，与传统特征提取方法以及传统分类器相比，采用所提出的共生直方图特征提取方法的集成分类器在分R. Yakkundimath等人电子科学与技术学报20（2022）1001709类宫颈细胞方面表现出更好的性能，实现了93.44%的最大平均分类准确率R. Yakkundimath等人电子科学与技术学报20（2022）100170104. 结论本文提出了一种集成分类模型，并探讨了其在宫颈癌细胞分类中的可行性。集合分类模型，即，ANN、RF和SVM分类器的组合，通过使用公开可用的Herlev宫颈涂片细胞图像数据集，将宫颈癌细胞分类为七个不同的类别。利用KNN分割技术对图像数据集进行预处理，以改善细胞图像中的目标区域，如细胞质和细胞核。采用共生直方图方法对分割后的图像进行特征提取使用共现直方图特征训练的集成分类模型产生了最大平均分类准确率为93.44%的有希望的结果所提出的方法可以扩展到识别和分类其他类别的癌症。其分类准确性也可以通过将其他基本分类器与现有的集成模型相结合，并通过使用k-fold交叉验证技术来评估分类性能来提高。此外，还可以部署深度学习模型，如ResNet、GoogLeNet、Inception-v3、LeNet、DenseNet和MobileNet，并通过使用增强图像数据集来评估模型的性能。竞合利益通讯作者代表所有作者声明，未报告利益冲突，研究未获得资助。确认我们要感谢肿瘤学家，博士。 Vishwas Pai，与外科肿瘤科，Shri Dharmasthala Manjunatheshwara医学科学学院和医院，Dharwad，他的宝贵建议。附录A. 补充数据本文的补充数据可在https://doi.org/10.1016/j.jnlest.2022.100170上找到。引用[1] Y. Marinakis，M.马里纳基湾Douniasc，粒子群优化用于宫颈涂片诊断，EX pert Syst.Appl. 35（4）（2008）1645- 1656，11月。[2] J. Jantzen，G.诺鲁普湾杜尼亚斯湾Bjerregaard，用于模式分类的巴氏涂片基准数据，载于：Proc. of NiSIS：Nature Inspired Smart InformationSystems，EU Co-Ordination Action，Albufeira，2005年，pp. 一比九[3] W. William，A.Ware，A.H.Basaza-Ejiri，J.Obungoloch，图像分析和机器学习技术的审查，用于从宫颈涂片图像自动筛查宫颈癌，计算机。方法进展BioMed. 164（10月）2018）15- 22.[4] K. 博拉湾Chowdhury，L.B.Mahanta，M.K.昆杜，A.K.Das，巴氏涂片图像自动分类检测宫颈发育不良，计算。方法进展BioMed. 138（2017年1月）31- 47。[5] B. Ashok，P. Aruna，使用SVM分类器诊断宫颈癌的特征选择方法的比较，Intl. J. Eng. Res. Appl. 6（1）（2016年1月）94- 99。[6] L. 张丽卢岛，智-地Nogues，R.M.萨默斯，S.X. 刘杰-H. Yao，DeepPap：用于宫颈细胞分类的深度卷积网络，IEEE J。BioMed. 痊愈的告知。21（6）（2017）1633-1643，11月[7] A. Gençtav，S. Aksoy，S. O€nder，宫颈细胞图像的无监督分割和分类，模式识别。 45（12）（2012）4151- 4168，Dec.[8] M.T. Sreedevi，B.S.乌沙，S。Sandya，基于宫颈涂片图像的宫颈癌检测，Intl.J. Comput. Appl. 45（20）（2012年5月）35- 40.[9] J. Talukdar，C.K. Nath，P.H. Talukdar，基于FCM算法的宫颈癌细胞巴氏涂片图像的模糊聚类图像分割，Int. J. Eng. 创新Technol. 3（1）（Jul.2013）460- 462。[10] Z. Lu，G. A.P. Bradley，重叠宫颈细胞的自动核和细胞质分割，在：第16届国际会议论文集。医学图像计算和计算机辅助干预会议，名古屋，2013年，pp。 452- 460[11] T. Chankong，N. Theera-Umpon，S. Auephanwiriyakul，巴氏涂片中的宫颈细胞自动分割和分类，Comput.方法进展BioMed. 113（2）（2014年2月）539[12] R.库马尔河，巴西-地斯里瓦斯塔瓦河Srivastava，使用临床显著和生物学可解释特征从显微镜活检图像中检测和分类癌症，J。Med. Eng. 2005年（8月）2005），457906，1-14。[13] M. 夏尔马辛格山口阿格拉瓦尔湾Madaan，使用KNN对宫颈癌临床数据集进行分类，Indian J. Sci. Technol. 9（28）（7月）2016）1- 5.[14] J. Su，X.徐玉- J.他，J. - M.宋，通过两级级联分类系统自动检测宫颈癌细胞，分析。细胞病理学2016（2016年5月），9535027，1-11。[15] M.K. Bhowmik，S.D.罗伊，N.Nath，A.Datta，Nucleus region segmentation towards cervical cancer screening using AGMC-TU pap-smear dataset，in：Proc.关于Intl. Conf. 模式识别和人工智能，2018年，pp。 44比53 联盟[16] W. William，A. Ware，A.H. Basaza-Ejiri，J. Obungoloch，一种用于从宫颈涂片图像检测宫颈癌的宫颈涂片分析工具（PAT），Biomed。Eng. 在线18（16）（2019年2月）1[17] R. Yakkundimath，G. Saunshi，S. Palaiah，植物中基于视觉的病毒和细菌疾病症状分类的自动方法，Int. J. Inform。Technol.14（Feb.2022）287- 299.[18] J.D. 普哈里河Yakkundimath，A.S.Byadgi，使用颜色纹理特征对谷物上受影响的真菌病症状进行分类，Intl. J. 信号处理。 图像处理。模式识别6（6）（Dec.2013）321- 330。[19] J.D.普哈里河Yakkundimath，A.S. Byadgi，Radon变换和支持向量机对谷物真菌病害的检测和分类，Int. J. Comput. 视觉机器人第4（4）（10月2014）261- 280。[20] J.D.普哈里河Yakkundimath，A.S. Byadgi，基于减少的颜色和纹理特征的受影响和正常水果图像的识别和分类，国际J。农业。食品科学。 3（3）（2013）119- 127。[21] J.D.普哈里河Yakkundimath，A.S. Byadgi，使用减少的颜色和纹理特征识别和分类正常和受影响的农产品，国际。J. Comput. Appl. 93（11）（2014年5月）17- 24。R. Yakkundimath等人电子科学与技术学报20（2022）10017011[22] P.S. Hiremath，J. Pujari，基于颜色、纹理和形状特征的图像检索，Int. J. Comput. Sci.安全性1（4）（2007年12月）25- 34。[23] A. Ozcift，A. Gulten，使用旋转森林进行分类器集成构建，以提高机器学习算法的医疗诊断性能，Comput。 方法进展BioMed. 104（3）（Dec.2011）443- 451。[24] J. - J. Yang，J.- Q.利河，巴西-地F. Shen等人，集成学习在白内障自动检测和分级中的应用。方法进展BioMed. 124（2月2016）45- 57.[25] L. 布莱曼，随机森林，马赫。学习. 45（10月）2001）5- 32。Rajesh Yakkundimath获得了学士学位，麻省理工学院，和博士分别于2004年、2007年和2016年获得Belagavi Visvesvaraya技术大学计算机和信息科学学院的学位。目前，他是Hubballi卡纳塔克邦Lingayat教育技术学院计算机科学与工程系的副教授，隶属于Belagavi Visvesvaraya技术大学他的研究兴趣包括图像处理和模式识别。Varsha Jadhav获得了学士学位。和M.Tech分别于2005年和2010她目前正在攻读博士学位。 获得Hubballi卡纳塔克邦Lingayat教育技术学院计算机科 学 与 工 程 系 学 位 。 彼 为 Dharwad Shri Dharmasthala Manjunatheshwara College of Engineering and Technology （ 隶 属 于 BelagaviVisvesvaraya Technological University之自治机构）资讯科学及工程学系助理教授。她的研究兴趣包括医学图像处理和机器学习。Basavaraj Anami获得了他的学士学位。1981年获卡纳塔克邦大学电气工程学位，工学硕士。1986年获得马德拉斯印度理工学院计算机科学学位，2003 年 获 得 迈 索 尔 大 学 计 算 机 科 学 学 位 。 目 前 ， 彼 为 KarnatakaLingayatEducationInstituteofTechnology ， Hubballi （ 附 属 于VisvesvarayaTechno-logicalUniversity，Belagavi）之校长。他的研究兴趣包括基于知识的系统的设计和开发，智能计算机辅助指令，自然语言处理，以及农业，园艺和食品加工中的图像处理。纳文·马尔瓦德获得了学士学位麻省理工学院，和博士分别于2004年、2006年和2019年获得Visvesvaraya技术大学计算机和信息科学学院的学位。现为上海交通大学信息科学与工程系副教授。卡玛拉&·斯里文卡帕湾Lakshmeshwar的Agadi工程与技术学院隶属于Belagavi的Vis- vesvaraya技术大学。他的研究兴趣包括计算机视觉、模式识别和深度学习。
我的内容管理
展开
