-
公开(公告)号：CN107665492A
公开(公告)日：2018-02-06
申请号：CN201710516329.7
申请日：2017-06-29
Applicant: 南京信息工程大学
CPC classification number: G06T7/11 , G06K9/6267 , G06N3/0481 , G06N3/08 , G06T3/4038 , G06T2207/10056 , G06T2207/20081 , G06T2207/20084 , G06T2207/30028 , G06T2207/30096
Abstract: 本发明公开一种基于深度网络的结直肠全景数字病理图像组织分割方法，包括以下步骤：（1）获取结直肠全景数字病理图片：（2）将结直肠的全景数字图像分割；（3）训练样本图像的建立；（4）提取不同类别的组织深度特征；（5）利用分类器和提取的组织深度特征对分割图像中的组织进行类别的判别；（6）将步图像分类结果拼接，判别出整张图片的组织分类；（7）按照分块坐标将图像进行拼接在一起；本发明对结直肠全景数字病理图像进行分割，利用滑动窗口和训练的模型对所有分割图像依次标记组织类型，同时，利用分类器和提取的组织深度特征对组织进行类别的判别，得到图像分类结果，分类准确，分类速度快。
-
公开(公告)号：CN109767440A
公开(公告)日：2019-05-17
申请号：CN201910028616.2
申请日：2019-01-11
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种面向深度学习模型训练和学习的影像图像数据扩充方法，属于计算机医学图像计算技术领域。本发明首先判断数据类型，鉴别CT或MRI图像数据；然后对于影像数据，判断是否有划定ROI，并结合肿瘤区域大小，选用相应的方法完成影像数据集的构建；再采用基本的图像变换法对影像数据集进行训练，获得初步训练数据集；最后对初步训练数据集进行数据扩充，再采用网络模型进行深度训练，最后进行概率预测。本发明基于人工智能的深度学习，将一系列数据扩充的方法应用在医学图像处理领域的深度模型训练的学习上，解决由医学图像数据异质性而导致的异常数据的影响，有助于计算机辅助诊断，提高诊断效率和准确率。
-
公开(公告)号：CN109785310B
公开(公告)日：2023-06-06
申请号：CN201910027983.0
申请日：2019-01-11
Applicant: 南京信息工程大学
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06V10/764
Abstract: 本发明公开一种基于乳腺淋巴结全景图像计算的自动分期系统，属于医学图像信息处理技术领域。根据标注的淋巴结癌转移区域，建立深度卷积网络所需两种正负样本，通过训练深度卷积网络，得出分类正负样本所需要的模型，再将图像组织区域内的每个块送入模型得出其所在位置发生癌转移的概率，建立起概率热值图；然后按淋巴结癌转移的分割区域提取病理组学特征，训练随机森林分类器，构建淋巴结转移状态的自动分类模型，综合同一患者多张淋巴结癌转移的状态构建分期系统。可有效解决依靠病理专家凭经验检判断乳腺癌分期时耗时、费力、误差较高等问题。
-
公开(公告)号：CN107239991A
公开(公告)日：2017-10-10
申请号：CN201710336471.3
申请日：2017-05-13
Applicant: 南京信息工程大学
Abstract: 本发明提供了一种基于C2C的房屋装修交易方法及系统，基于C2C的房屋装修交易方法包括如下步骤：提供多个装修风格，每一装修风格与多个装修队、多个设计师对应；根据用户指令选择目标装修队或目标设计师；在用户登录后允许用户与目标装修队或目标设计师进行在线交流；接收用户支付的装修费用，并将所述装修费用分为立即到账金额和延缓金额，所述立即到账金额直接转入目标装修队或目标设计师账户，所述延缓金额在用户确认房屋装修完成后转入目标装修队账户或目标设计师账户。本发明使得用户可以自身的需求自主选择装修队或设计师，免除了中介环节，简化了房屋装修交易步骤，降低了客户的装修成本，提高了房屋装修效率。
-
公开(公告)号：CN105068522A
公开(公告)日：2015-11-18
申请号：CN201510498578.9
申请日：2015-08-14
Applicant: 南京信息工程大学
IPC: G05B19/418 , G05B15/02
CPC classification number: G05B19/418 , G05B15/02 , G05B2219/2642
Abstract: 本发明公开了一种智能家电指令系统及家电控制方法，系统包括一个指令下发端和数个指令接收端，每个指令接收端对应控制一个家电，所述指令下发端包括微处理器以及分别与之连接的图像采集模块、第一无线通信模块、人机交互模块和存储模块，所述指令接收端包括控制器以及与之连接的第二无线通信模块，所述控制器与对应家电的控制芯片连接。家电控制方法是利用前述系统实现各家电的统一控制。本发明只需用户持有一个“遥控器”，便能控制所有家电工作，大大方便了家庭生活，是智能家居理念的充分体现。
-
Patent Agency Ranking
公开(公告)号：CN117911427A
公开(公告)日：2024-04-19
申请号：CN202410079541.1
申请日：2024-01-19
Applicant: 南京信息工程大学
IPC: G06T7/10 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种Transformer医学图像分割方法、系统、计算机设备及存储介质，包括：搭建图像分割模型；采用训练集对搭建的图像分割模型进行训练，得到医学图像分割模型；将待分割的医学图像输入至医学图像分割模型中，得到分割结果；搭建的分割模型包括：卷积层、第一全连接层、编码器、解码器和第二全连接层；在进行图像分割模型时，先将RFF_LSWD模块接入编码器的输出端，采用训练集对已接入RFF_LSWD模块的分割模型进行训练，通过最小化损失函数，得到医学图像分割模型。
-
公开(公告)号：CN109544529A
公开(公告)日：2019-03-29
申请号：CN201811373454.8
申请日：2018-11-19
Applicant: 南京信息工程大学
CPC classification number: G06T7/0012 , G06K9/6256 , G06T7/90 , G06T2207/20081 , G06T2207/20084 , G06T2207/30024
Abstract: 本发明是面向深度学习模型训练和学习的病理图像数据增强方法，包括基于颜色变化对已有的病理图像进行数据扩充；对已有的病理图像进行单一图像变化处理；对已有的病理图像进行两种或两种以上的图像变化处理；对已有的病理图像进行HE染色分离；得到扩充数据，形成训练集；将训练集送入深度学习网络中进行训练，并与原始的数据集训练数据进行对比，能有效提升网络模型的性能。能够解决深度学习数据集不平衡以及数据量不足的难题，使得模型能够提供获得更好的预测能力辅助医生诊断，进一步提高医生的诊断精确度并提高工作效率。
-
公开(公告)号：CN107358611A
公开(公告)日：2017-11-17
申请号：CN201710507862.7
申请日：2017-06-28
Applicant: 南京信息工程大学
CPC classification number: G06T7/11 , G06T7/136 , G06T7/194 , G06T2207/20081 , G06T2207/20084 , G06T2207/30096
Abstract: 本发明公开了一种全景扫描病理图像转移区域的自动分割方法，包括：对全景扫描病理图像进行预处理，提取有组织区域；获取训练样本集，标记转移部分和非转移部分；构建深度卷积网络模型并进行模型训练，采用训练完成的深度卷积网络模型识别全景扫描病理图像中的转移区域和非转移区域；用热值图表示全景扫描病理图像。本发明方法能够为医生提供定量化的诊断信息，减小依靠经验观测切片图像所带来的主观误差，能够缩短病情分析的等待过程，为病人提供宝贵的治疗时间。
-
公开(公告)号：CN107665492B
公开(公告)日：2020-11-10
申请号：CN201710516329.7
申请日：2017-06-29
Applicant: 南京信息工程大学
Abstract: 本发明公开一种基于深度网络的结直肠全景数字病理图像组织分割方法，包括以下步骤：（1）获取结直肠全景数字病理图片：（2）将结直肠的全景数字图像分割；（3）训练样本图像的建立；（4）提取不同类别的组织深度特征；（5）利用分类器和提取的组织深度特征对分割图像中的组织进行类别的判别；（6）将步图像分类结果拼接，判别出整张图片的组织分类；（7）按照分块坐标将图像进行拼接在一起；本发明对结直肠全景数字病理图像进行分割，利用滑动窗口和训练的模型对所有分割图像依次标记组织类型，同时，利用分类器和提取的组织深度特征对组织进行类别的判别，得到图像分类结果，分类准确，分类速度快。
-
公开(公告)号：CN109785310A
公开(公告)日：2019-05-21
申请号：CN201910027983.0
申请日：2019-01-11
Applicant: 南京信息工程大学
Abstract: 本发明公开一种基于乳腺淋巴结全景图像计算的自动分期系统，属于医学图像信息处理技术领域。根据标注的淋巴结癌转移区域，建立深度卷积网络所需两种正负样本，通过训练深度卷积网络，得出分类正负样本所需要的模型，再将图像组织区域内的每个块送入模型得出其所在位置发生癌转移的概率，建立起概率热值图；然后按淋巴结癌转移的分割区域提取病理组学特征，训练随机森林分类器，构建淋巴结转移状态的自动分类模型，综合同一患者多张淋巴结癌转移的状态构建分期系统。可有效解决依靠病理专家凭经验检判断乳腺癌分期时耗时、费力、误差较高等问题。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.023 seconds)
