公开(公告)号：CN116487027A

公开(公告)日：2023-07-25

申请号：CN202310363907.3

申请日：2023-04-06

Applicant: 北京邮电大学 ,  北京大学第三医院(北京大学第三临床医学院)

Inventor： 孟竹 ,  郭丽梅 ,  赵志诚

IPC: G16H50/20 ,  G16H70/60 ,  G06F18/214 ,  G06F18/241

Abstract: 本发明提供了一种软组织肿瘤病理自动评分方法及系统。所述方法包括：准备有特征代表性的软组织肿瘤的良恶性病例，构建模型训练所需的数据集；基于数据集及对应的良恶性信息训练深度学习模型；准备目标测试的软组织肿瘤病例，并计算其前景图谱；计算目标病例的滑窗图像块的前景占比，并基于深度学习模型计算图像块的恶性概率；计算不同模式(大肿瘤良恶性对比评分/小肿瘤恶性评分)下的病理数字全切片的恶性评分并输出结果。本发明的方案在训练评分系统的核心模型时不需要采集软组织肿瘤的所有组织学类型，所构建的自动评分方法及系统可在不参考免疫组化结果的情况下，仅依靠苏木精伊红染色的病理切片智能评价软组织肿瘤的良恶程度，在病理医生诊断过程中起到快速、便捷、精确的智能辅助效果。

公开(公告)号：CN116452867A

公开(公告)日：2023-07-18

申请号：CN202310362823.8

申请日：2023-04-06

Applicant: 北京邮电大学 ,  北京大学第三医院(北京大学第三临床医学院)

Inventor： 孟竹 ,  郭丽梅 ,  赵志诚

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/774 ,  G06T7/155

Abstract: 本发明提供了一种数字图像中细胞的半自动智能标定方法。所述方法包括：准备包含目标类别细胞的待标注图像数据集；对待标注数据集中的目标细胞进行人工椭圆标记；以椭圆标记为参照，根据目标细胞的形状先验知识，设计合适的掩模生成函数；以椭圆标记为参照，选择合适的聚类方法对待标注图像进行聚类；取包含生成掩模和聚类结果的交集为细胞标注初级伪标签；依托椭圆标记构建损失函数，以伪标签训练深度学习分割网络，剔除椭圆标记外的假阳性连通域，剩余结果作为新的细胞标注伪标签；专家校正深度学习生成的伪标签，剔除明显假阳性并补充明显漏检连通域的标注，得到更精确的伪标签；多次重复前两个步骤，直至达到专家满意的标签生成效果，保存智能标定模型和标定结果。本发明的方案结合目标细胞的形状先验，只需要人工对细胞进行椭圆标记，在保证标注生成精度的前提下大幅度削减人工标注成本，可以适用于多种模态下的多种形态的细胞的标定任务，在细胞标注领域具有便捷高效、精度高、适用范围广、泛化性好等优点。

公开(公告)号：CN119942538A

公开(公告)日：2025-05-06

申请号：CN202510013231.4

申请日：2025-01-06

Applicant: 北京邮电大学

Inventor： 赵志诚 ,  孟竹 ,  李泓源

IPC: G06V20/69 ,  G06V10/764 ,  G06V10/762 ,  G06V10/82 ,  G06N3/084 ,  G06N3/0895

Abstract: 本发明提供了基于多点标注的病理图像弱监督细胞核分割方法。所述方法包括：准备待标注病理图像数据集；邀请专家标注所有细胞核的中心点、细胞核边界上距离中心点距离的最近点和最远点；根据专家的标注和病理图像细胞核的形状和颜色等先验知识自动生成不同类型的标签(包括但不限于置信度高但不完全标注的标签、完全标注但包含噪声的标签、超像素标签)；利用局部一致性和全局一致性的策略训练模型；对待诊断的图像进行预测及后处理获得细胞核分割的结果。该发明适用于多种器官下的多种形态的细胞核分割任务，在细胞核分割领域具有便捷高效、精度高、适用范围广等优点。

公开(公告)号：CN117312921A

公开(公告)日：2023-12-29

申请号：CN202311323384.6

申请日：2023-10-12

Applicant: 北京邮电大学

Inventor： 孟竹 ,  赵志诚 ,  刘德龙

IPC: G06F18/24 ,  A61B5/318 ,  G06F18/213 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于特征距离分布差异损失的心电信号个体体征识别方法。所述方法包括：待训练心电信号片段的数值归一化处理；将心电信号片段与所属用户编号进行关联；在处理完成的心电信号片段中随机选出一组心电信号并记录编号，同时第二组心电信号需要选取与第一组对应位置所属用户相同且不为同一条的信号；利用同一骨干网络对两组信号进行特征提取；计算两组特征间的基于特征距离的分布差异损失，并利用损失不断地优化骨干网络参数；应用时利用训练好的骨干网络分别提取待测心电样本与用户模板样本库中的特征；计算待测心电样本特征与每条用户模板样本特征的特征距离表示；根据计算所得的特征距离预测出待测心电样本所属的用户。