-
公开(公告)号：CN109636805A
公开(公告)日：2019-04-16
申请号：CN201811377068.6
申请日：2018-11-19
Applicant: 浙江大学山东工业技术研究院
CPC classification number: G06T7/11 , A61B1/00009 , A61B1/303 , G06K9/6218 , G06K9/6256 , G06K9/6267 , G06T2207/20081 , G06T2207/30096
Abstract: 本发明公开了一种基于分类先验的宫颈图像病变区域分割装置和方法，其中装置包括：图像采集装置，用于采集经3％‑5％醋酸溶液处理后的宫颈图像；处理器，包括宫颈图像预处理模块和处理模块，所述处理模块包括由基于残差连接的U型网络、图像层面分类器以及像素层面分类器组成的分割网络模型，用于输出预测宫颈图像上的病变区域位置；存储器，用于存储处理器中分割网络模型的参数；显示装置，用于显示处理器输出的预测的病变区域位置。利用本发明，可以为医生提供高准确率的活检病灶位置候选区域，提高活检阳性的检出率。
-
公开(公告)号：CN111340776A
公开(公告)日：2020-06-26
申请号：CN202010116463.X
申请日：2020-02-25
Applicant: 浙江大学
Abstract: 本发明公开了一种基于多维特征自适应融合的圆锥角膜识别方法和系统，其中方法包括：(1)利用Pentacam眼前节成像系统获得多个独立样本的原始角膜地形图数据；(2)对上述每个独立样本的5个维度进行圆锥角膜情况综合判断标注；(3)统计5个维度原始角膜地形图数据的正常尺寸、均值、方差、最值信息；(4)划分训练集和验证集；(5)对训练集和验证集中的地形图数据进行处理；(6)构造五维特征自适应融合的残差卷积神经网络并训练；(7)利用Grad-CAM可视化方式，得到三类测试样本的平均可视化信息；(8)利用训练好的模型进行预测，再将最大预测分数进行反向传播得到可视化效果图。利用本发明，可以解决实际应用中圆锥角膜识别效果不佳的问题。
-
公开(公告)号：CN109658419B
公开(公告)日：2020-06-19
申请号：CN201811359760.6
申请日：2018-11-15
Applicant: 浙江大学
Abstract: 一种医学图像中小器官的分割方法，包括以下步骤：(1)获取包含小器官的医学图像数据作为样本数据，经过预处理后标注标签，将标注后的样本数据分成训练集和测试集；(2)搭建分割模型，所述分割模型包括DRD模块和ESF模块，所述的DRD模块用于实现小器官的目标检测和动态区域选择，所述ESF模块用于实现对动态区域的精细分割和三维特征融合；(3)使用训练集对分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，直至模型收敛；(4)将需要分割的医学图像输入训练好的模型中，输出最终的分割结果。利用本发明的模型，可以准确分割出小器官，且该模型具有较高的计算效率。
-
公开(公告)号：CN111161814A
公开(公告)日：2020-05-15
申请号：CN201911310269.9
申请日：2019-12-18
Applicant: 浙江大学
Abstract: 本发明公开了一种基于卷积神经网络的DRGs自动分组方法，包括：收集并根据主要诊断大类和核心疾病诊断相关分组的方式分组；对数据进行数字化编码；构建浅层的卷积神经网络模型，使用k-means聚类方法对卷积网络提取的特征向量进行聚类得到k个类别标签，结合类别标签和分类器监督网络进行迭代训练；模型训练完毕，进行数据分组应用。利用本发明的方法，避免了人工特征选取和新增分组类别进行额外标注数据的缺点，对于分组模糊、困难的数据可以进行自动学习分组。
-
公开(公告)号：CN111062443A
公开(公告)日：2020-04-24
申请号：CN201911329175.6
申请日：2019-12-20
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度学习的泪膜破裂时间检测系统，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机存储器中存有训练好的分类模型和干燥斑分割模型，计算机处理器执行计算机程序时实现以下步骤：将拍摄的泪膜破裂时间检查视频提取出所有帧后输入分类模型，输出每帧图像的分类标签，形成一个0/1序列；提取序列中3～5段睁眼段作为检测段；将每个检测段分别输入干燥斑分割模型进行分割预测，记录每个检查段中首次出现干燥斑的帧的位置，计算出每个检测段的泪膜破裂时间，最后取平均值作为待测者的整体泪膜破裂时间。利用本发明，可以提高计算机辅助诊断干眼症的适应性和准确率。
-
Patent Agency Ranking
公开(公告)号：CN109685765A
公开(公告)日：2019-04-26
申请号：CN201811392353.5
申请日：2018-11-21
Applicant: 浙江大学山东工业技术研究院
CPC classification number: G06T7/0012 , G06T2207/10116 , G06T2207/20081 , G06T2207/20084 , G06T2207/30061 , G16H30/20
Abstract: 本发明公开了一种基于卷积神经网络的X光片肺炎结果预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有肺炎结果预测模型，其包括分类模型和检测模型；所述计算机处理器执行所述计算机程序时实现以下步骤：接收X光片，并对X光片进行预处理；将预处理后的X光片输入到分类模型中，输出有肺炎的预测概率；将预测概率值高于阀值的X光片输入到检测模型，输出肺炎预测结果，所述肺炎预测结果包括肺炎区域和与肺炎区域对应的肺炎结果预测概率。本发明提供的预测装置对肺炎结果预测的准确率和精度高，能够大量减轻放射科医生繁重的工作量。
-
公开(公告)号：CN111145912B
公开(公告)日：2023-04-18
申请号：CN201911337735.2
申请日：2019-12-23
Applicant: 浙江大学
Abstract: 本发明公开了一种基于机器学习的个性化超促排卵方案的预测装置，包括计算机存储器、计算机处理器，计算机存储器中存有超促排卵方案预测模型，所述的超促排卵方案预测模型包括训练好的初级学习器和次级学习器；其中，初级学习器由SVM模型、ExtraTrees模型、RandomForest模型、LightGBM模型和XGboost模型组成，次级学习器采用Catboost模型；所述计算机处理器执行所述计算机程序时实现以下步骤：将待测的临床特征数据进行特征工程处理，将处理后的特征数据输入初级学习器进行计算，获得五个模型的预测值；采用训练好的次级学习器对5个预测值进行计算，获得最终预测结果。利用本发明，可以提高了超促排卵方案的预测准确性。
-
公开(公告)号：CN109636805B
公开(公告)日：2022-04-01
申请号：CN201811377068.6
申请日：2018-11-19
Applicant: 浙江大学山东工业技术研究院
IPC: G06T7/11 , G06V10/764 , G06V10/762 , G06V10/774 , G06K9/62 , A61B1/303 , A61B1/00
Abstract: 本发明公开了一种基于分类先验的宫颈图像病变区域分割装置和方法，其中装置包括：图像采集装置，用于采集经3％‑5％醋酸溶液处理后的宫颈图像；处理器，包括宫颈图像预处理模块和处理模块，所述处理模块包括由基于残差连接的U型网络、图像层面分类器以及像素层面分类器组成的分割网络模型，用于输出预测宫颈图像上的病变区域位置；存储器，用于存储处理器中分割网络模型的参数；显示装置，用于显示处理器输出的预测的病变区域位置。利用本发明，可以为医生提供高准确率的活检病灶位置候选区域，提高活检阳性的检出率。
-
公开(公告)号：CN110874842A
公开(公告)日：2020-03-10
申请号：CN201910959385.7
申请日：2019-10-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于级联残差全卷积网络的胸腔多器官分割方法，先用粗分割模型对各个器官进行一个粗略的分割，作用是定位各个器官的范围，然后，利用各个器官的单独细分割模型，对粗分割定位的区域，进行精细化的分割，得到各个器官的精细化分割结果，最后将结果合并，得到最终的多器官分割结果，分割结果保留了更多的细节。本发明在u-net的基础上进行改进，将残差连接以及特征维度的注意力机制引入u-net中的下采样模块，使得网络更易训练，且具有自动特征选择的能力。另外，我们引入了级联的策略，使用分阶段的分割网络，从而得到实现对胸腔CT多器官的快速，精准分割。
-
公开(公告)号：CN109658996A
公开(公告)日：2019-04-19
申请号：CN201811416427.4
申请日：2018-11-26
Applicant: 浙江大学山东工业技术研究院
IPC: G16H10/60
Abstract: 本发明公开了一种基于边信息的体检数据补全方法，包括(1)构建和根据边信息补全体检-疾病矩阵、致病因子-疾病矩阵、致病因子-体检矩阵；(2)分别在任意两个矩阵之间建立编码解码网络D2F Net，D2C Net以及F2C Net；(3)联合训练D2F Net，D2C Net以及F2C Net，训练结束，致病因子-疾病矩阵和致病因子-体检矩阵已经被补全；(4)将待补全的体检-疾病矩阵输入到D2F Net，D2C Net中，利用补全的致病因子-疾病矩阵、致病因子-体检矩阵和F2C Net，经计算补全体检-疾病矩阵。还公开了一种基于边信息的体检数据补全装置，能够根据已有信息来补全体检数据和疾病结果。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.019 seconds)
