-
公开(公告)号：CN108346154B
公开(公告)日：2021-09-07
申请号：CN201810091696.1
申请日：2018-01-30
Applicant: 浙江大学
Abstract: 本发明公开了一种基于Mask‑RCNN神经网络的肺结节分割装置的建立方法，包括：建立训练样本：对采集的三维肺部CT图像依次进行裁剪、数据增强以及难分负样本挖掘处理，获得训练样本集；建立肺结节分割网络：网络包括依次连接的输入层、第一最大池化层、64*64*64卷积层、第二最大池化层、32*32*32稠密块层、第三最大池化层、16*16*16稠密块层，16*16*16稠密块层输出的特征图经过上采样与32*32*32稠密块层输出的特征图进行特征融合，特征融合后的特征图经POL池化层后，输入到RPN网络；训练肺结节分割网络：利用训练样本对肺结节分割网络进行训练，获得肺结节分割装置。
-
公开(公告)号：CN109636806A
公开(公告)日：2019-04-16
申请号：CN201811399318.6
申请日：2018-11-22
Applicant: 浙江大学山东工业技术研究院
CPC classification number: G06T7/11 , G06N3/0454 , G06N3/08 , G06T7/13 , G06T7/136 , G06T7/70 , G06T2207/10088 , G06T2207/30096
Abstract: 本发明公开了一种基于多步学习的三维核磁共振胰腺图像分割方法，包括：(1)归一化预处理三维核磁共振图像；(2)随机将预处理后的图像分为训练集、验证集和测试集；(3)利用分割标注将训练集中包含胰腺的块和对应的标注切出备用；(4)压缩原始图像训练一个Q‑net模型计算胰腺大致位置；(5)使用步骤3中的配对数据预训练另一个P‑net模型；(6)使用预训练的Q‑net产生胰腺的3D位置预测图，选取概率高的图块，映射回原图，分块输入预训练的P‑net中合并训练预测胰腺位置；(7)使用训练好的分割模型在测试集上进行预测检测效果。利用本发明，能够精确地从三维的核磁共振图像中分割出胰腺，可为胰腺的放射治疗提供依据和指导。
-
公开(公告)号：CN108334899A
公开(公告)日：2018-07-27
申请号：CN201810080541.8
申请日：2018-01-28
Applicant: 浙江大学
Abstract: 本发明公开了一种基于手骨X光片骨骼和关节量化信息集成的骨龄评估方法，包括以下步骤：步骤1，收集手骨X光片的图片样本，并按照性别、年龄段对样本进行分类，得到分组信息；步骤2，对样本的骨骼和关节位置进行标注与分割；步骤3，将样本图像预处理后与真实位置信息输入到卷积神经网络中，进行迭代训练，得到骨骼和关节的位置信息和特征图；步骤4，计算样本中骨骼和关节的形态学特征参数；步骤5，将骨骼和关节的特征图以及形态学特征融合为混合特征信息，与分组信息一起输入到卷积神经网络模型中进行迭代训练；步骤6，模型训练完毕，进行骨龄评估应用。利用本发明，能在降低人为因素干扰的前提下更加简便、快捷的评估骨龄。
-
Patent Agency Ranking
公开(公告)号：CN112733873A
公开(公告)日：2021-04-30
申请号：CN202011008279.X
申请日：2020-09-23
Applicant: 浙江大学山东工业技术研究院
Abstract: 本发明属于染色体分析技术领域，具体涉及一种基于深度学习的染色体核型图分类方法。其公开了一种基于深度学习的染色体核型图分类方法，包括以下步骤，S1：对待分类的染色体核型图进行缩放或扩大处理、归一化处理，获得染色体核型图的输入图像；S2：将染色体核型图输入图像输入至染色体异常核型图分类模型中，获得染色体核型图的特征图；S3：利用注意力机制处理染色体核型图的特征图，得到染色体异常核型图分类模型对于染色体核型图输入图像的关注点，并将模型关注点的结果同染色体核型图特征图进行融合；S4：将融合后的特征图展开为一维向量，通过全连接层后得到染色体核型图的输入图像在每个分类类别上的得分，取得分最高的那一类为分类结果。
-
公开(公告)号：CN108335303B
公开(公告)日：2021-01-08
申请号：CN201810080537.1
申请日：2018-01-28
Applicant: 浙江大学
Abstract: 本发明公开了一种应用于手掌X光片的多尺度手掌骨骼分割方法，包括以下步骤：步骤1，收集不同年龄段的手掌X光片图像，标注每个像素点的类别；步骤2，对原始图像进行预处理，增加图片对比度；步骤3，对进行过预处理的图像进行尺度变换处理；步骤4，设计卷积神经网络结构；步骤5，将标注类别的图像和原始图像一起输入到卷积神经网络，对不同尺度的原始图像进行卷积特征提取，将提取的不同尺度的特征信息进行融合后进行卷积处理，进行模型训练直至模型收敛；步骤6，训练完成，进行分割应用。利用本发明，加强了对不同大小手掌骨骼的适应性，减弱了因灰度不均带来的不利影响，具有更好的适应性和鲁棒性。
-
公开(公告)号：CN110852991A
公开(公告)日：2020-02-28
申请号：CN201910959396.5
申请日：2019-10-10
Applicant: 浙江大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于3D结合2D的脊椎骨检测方法，包括以下步骤：(1)获取CT脊椎影像样本并进行预处理，将预处理后的样本进行专家标注，标注出脊椎骨的中心位置和对应的脊椎骨名称，将标注后的样本分为训练集、验证集和测试集；(2)构建脊椎骨检测模型，所述的脊椎骨检测模型包括3D编码-解码网络和2D编码-解码网络；(3)将构建的脊椎骨检测模型在训练集和验证集上进行训练，直到模型收敛；(4)将训练完的模型在测试集下进行测试，通过测试后进行脊椎骨检测的应用。利用本发明，可以大大提高脊椎骨检测的速度和准确率，有助于医生做出更精确的判断。
-
公开(公告)号：CN110415250A
公开(公告)日：2019-11-05
申请号：CN201910538061.6
申请日：2019-06-20
Applicant: 浙江大学
IPC: G06T7/10
Abstract: 本发明公开了一种基于深度学习的重叠染色体分割方法及装置，包括：(1)对待分割的重叠染色体图像进行预处理，获得重叠染色体输入图像；(2)将重叠染色体输入图像输入至染色体重叠区域分割模型中，得到染色体非重叠区域的mask以及重叠区域的mask；(3)对非重叠区域的mask进行处理，获取多个染色体联通区域的mask，对多个染色体联通区域的mask与重叠区域的mask进行组合，得到待判别的染色体候选样本；(4)将染色体候选样本输入至染色体判别模型中，获得置信度最高的染色体候选样本记为真实样本，并且与该染色体候选样对应的另一条染色体样本记为真实样本；(5)根据判别结果，获得重叠染色体分割结果。
-
公开(公告)号：CN108335303A
公开(公告)日：2018-07-27
申请号：CN201810080537.1
申请日：2018-01-28
Applicant: 浙江大学
Abstract: 本发明公开了一种应用于手掌X光片的多尺度手掌骨骼分割方法，包括以下步骤：步骤1，收集不同年龄段的手掌X光片图像，标注每个像素点的类别；步骤2，对原始图像进行预处理，增加图片对比度；步骤3，对进行过预处理的图像进行尺度变换处理；步骤4，设计卷积神经网络结构；步骤5，将标注类别的图像和原始图像一起输入到卷积神经网络，对不同尺度的原始图像进行卷积特征提取，将提取的不同尺度的特征信息进行融合后进行卷积处理，进行模型训练直至模型收敛；步骤6，训练完成，进行分割应用。利用本发明，加强了对不同大小手掌骨骼的适应性，减弱了因灰度不均带来的不利影响，具有更好的适应性和鲁棒性。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.016 seconds)
