-
公开(公告)号：CN118351467A
公开(公告)日：2024-07-16
申请号：CN202410594858.9
申请日：2024-05-14
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06V20/17 , G06V10/82 , G06V10/80 , G06N3/0464
Abstract: 本发明涉及人工智能技术领域，提供的一种基于强特征提取和批处理维度的航空图像小目标检测方法，通过在ResNet50网络模型中的C1和C2层依次连接可变形多尺度通道注意力网络中的第1层、第2层和注意力机制层，将图像数据输入第一检测模型，不同层的输出数据通过第一卷积过程得到特征图。将注意力机制层的输出分别通过第一卷积过程和第二卷积过程，得到不同特征图。将不同层的特征图构成多尺度特征图等操作。本发明还公开了一种系统，该方法和系统能够将可变形卷积的自适应采样与关注机制的重点放在针对小目标的重要特征上，添加偏移量来调整空间样本，更好地适应小目标，混合增强了图像中小目标的特征提取能力，使其更加高效和精确。
-
公开(公告)号：CN116485811A
公开(公告)日：2023-07-25
申请号：CN202310314667.8
申请日：2023-03-29
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06T7/11 , G06V10/774 , G06V10/82 , G06V10/26 , G06N3/0464 , G06N3/0455 , G06N3/098 , G06N3/045
Abstract: 一种基于Swin‑Unet模型的胃部病理切片腺体分割方法，属于图像处理技术领域，通过一种新型的编解码器之间的连接模块，提高了模型分割的准确率。并且在连接模块中应用了空洞卷积，通过注意力机制来调节不同空洞的权重，从而更加精细地控制模型的感知范围。通过设计预后处理模块，使得模型在预测结果的边界处更加清晰。
-
公开(公告)号：CN114093505B
公开(公告)日：2022-06-17
申请号：CN202111361578.6
申请日：2021-11-17
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明涉及一种基于云边端架构的病理检测系统及方法，包括云平台层、通信网络层、边缘层；云平台层包括云计算服务器中心、数据库、云端文件存储系统以及一个MQTT服务器；网络通信层包括多种网络通信方式；边缘层就是集成在医疗机构内的各个设备组件，包括边缘设备、本地文件存储系统以及病理切片扫描仪；本发明提供了基于Kubeedge管理平台的云边端架构的病理检测方法，实现边缘设备物模型创建、病理图像模型训练、镜像下发、病理图像检测推理、边缘数据上传等，可有效节省医院病理科的人力、时间成本，提高病理诊断的质量和效率。
-
公开(公告)号：CN113642518A
公开(公告)日：2021-11-12
申请号：CN202111014501.1
申请日：2021-08-31
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明的基于迁移学习的her2病理图像细胞膜着色完整性判别方法，首先经图像筛选、染色分离和膜着色区域划分，由专家人工划分出包裹完整和包裹不完整膜染色的图像数据集，作为Inception‑V3模型训练的输入数据集；在特征提取步骤中，首先训练出Inception‑V3模型，再通过迁移学习对Inception‑V3模型进一步训练，得到神经网络的新分类模型。本发明的her2病理图像细胞膜着色完整性判别方法，通过迁移学习，可以在短时间内使用少量训练数据训练出效果较好的神经网络模型，针对不同个体可达到92%以上的正确率，为医生进行乳腺癌her2阳性状态判断提供了有效帮助。
-
公开(公告)号：CN109410194A
公开(公告)日：2019-03-01
申请号：CN201811222572.9
申请日：2018-10-19
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明的基于深度学习的食管癌病理图像处理方法，包括：a).病理切片扫描；b).圈注上皮区类型，将上皮区的正常区域、低级别和高级别癌前病变区域圈注出来；c).图像预处理，获取上皮小图像；d).卷积神经网络将每个上皮小图像沿其纵向均分为n个图像块，对每个图像块进行特征提取；e).长短期记忆网络LSTM，获取上皮小图像的特征向量；f).分类器分类；g).模型建立和调优，h).准确率计算。本发明的食管癌病理图像处理方法，经CNN、LSTM网络和分类器的处理后，获取每个上皮小图像为正常、低级别和高级别癌前病变类型的概率，为病理科食管癌全切片的科学利用提供了一种行之有效的数字图像处理方法，有益效果显著，适于应用推广。
-
Patent Agency Ranking
公开(公告)号：CN119723266A
公开(公告)日：2025-03-28
申请号：CN202411785568.9
申请日：2024-12-06
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06V10/80 , G06V10/82 , G06V10/764 , G06F40/126 , G06F18/25 , G06F18/241 , G06N3/045 , G06N3/08
Abstract: 本发明涉及人工智能技术领域，提供一种基于多模态特征融合的医学影像与文本联合分析模型，采用文本编码器将输入的医学文本数据进行编码，采用图像编码器将输入的医学影像数据进行编码，再通过矩阵乘法进行特征融合得到第一数据，采用多头注意力机制模块将第一数据输入至多头注意力层和前馈神经网络层处理。采用特征选择模块将第二数据与转置后的图像特征向量进行运算，采用分类器将第三数据通过全连接层，生成诊断结果的交叉熵损失函数的概率值。本发明还公开了一种构建方法快速建立模型，该模型的结构使其能够适应不同类型的医学影像和文本数据，能够整合医学图像和文本报告中的关键信息且融合深层次交互信息，提高整个诊断模型的准确性。
-
公开(公告)号：CN118864916A
公开(公告)日：2024-10-29
申请号：CN202410238974.7
申请日：2024-08-05
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东大学齐鲁医院
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明的基于卷积神经网络的肺部CT影像衰老评估方法，包括模型构建与训练部分、分类器部分和模型评估部分，模型构建与训练部分首先以健康人群的肺部CT影像建立数据集，并根据健康人群的年龄段对CT影像进行分类，然后对图像进行增强处理和对类别标签进行编码处理，最后建立卷积神经网络模型；分类器部分采用Softmax函数，经过分类器分类，得到输入图像判别为各个衰老程度的概率，并以最高概率对应的年龄段作为CT影像的衰老结果。本发明的基于卷积神经网络的肺部CT影像衰老评估方法，以一种更加客观与快速的方式，实现有效的肺部CT影像评估，在减少人工评估工作量的同时，也减轻人工评估的主观意向对最终诊断结果的影响。
-
公开(公告)号：CN118519752A
公开(公告)日：2024-08-20
申请号：CN202410971556.9
申请日：2024-07-19
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明涉及基于深度强化学习的两阶段工作流调度方法和系统，属于深度强化学习技术领域。包括：1）根据用户提供的工作流和数据传输信息，构建工作流池，并初始化每个工作流的状态和任务数量；2）利用TD2QN算法循环遍历每个工作流，并将入口任务加入到就绪队列中；将进入到就绪任务队列中的任务，利用TD2QN算法进行动态地选择，并为任务分配适当的计算资源，从而最大化整个工作流的效率和性能；3）当工作流成功完成时，生成并返回有关已完成工作流的详细信息，为用户提供全面的调度结果和性能评估。本发明综合考虑成本和通信时间，提高了系统效率和性能。
-
公开(公告)号：CN111000553B
公开(公告)日：2022-09-27
申请号：CN201911395467.X
申请日：2019-12-30
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: A61B5/346
Abstract: 本发明的基于投票集成学习的心电数据智能分类方法，其特征在于，通过以下步骤来实现：a).数据预处理；b).建立logistic回归模型；c).建立决策树模型；d).建立一个支持向量机；e).建立朴素贝叶斯模型；f).建立神经元模型；g).建立k邻近模型；h).模型集成，最终获得一个正确率不低于80%的模型，效果优于步骤b)至步骤g)中建立的单个模型。本发明的心电数据智能分类方法，首先从ccdd中获取足够数量的数据，将其分为训练集和测试集，然后建立各类模型，最后，获得一个正确率不低于80%的模型，可实现对“正常、房颤、房性早搏、偶发房性早搏、频发房性早搏、房性心动过速、房颤伴快速心室率”进行智能识别分类，实现心血管疾病的早发现、早治疗。
-
公开(公告)号：CN114937032A
公开(公告)日：2022-08-23
申请号：CN202210740555.4
申请日：2022-06-28
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06T7/00 , G06V10/22 , G06V10/40 , G06V10/56 , G06V10/764 , G06V10/774 , G06N20/20
Abstract: 本发明的基于染色分离的病理切片颜色相关质量评估方法，包括图像预处理步骤、特征提取步骤和分类步骤，图像预处理步骤包括：首先将病理切片图像中的组织区域提取出来，然后去除组织区域中影响颜色质量的红细胞区域和无组织区域，只保留经过H&E染色后着色的组织区域；特征提取步骤为对经过预处理之后的组织区域进行特征提取。本发明评估方法，首先对图像进行去除中心的空白区域、去除周边的空白区域以及去除组织区域图像中红细胞区域的处理；然后通过获取13个特征向量，然后输入机器学习模型进行分类，所获取的机器学习模型能够有效从客观条件对切片的颜色质量进行评估分类，降低人工评估的主观意向，并减少人工评估的工作量。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.037 seconds)
