一种基于对抗机制的半监督式零件缺陷检测方法

    公开(公告)号:CN115830397A

    公开(公告)日:2023-03-21

    申请号:CN202211676922.5

    申请日:2022-12-26

    Abstract: 本发明公开了一种基于对抗机制的半监督式零件缺陷检测方法,包括:S1、建立对比分类网络,对比分类网络包括初始化参数为θ的分类器Cθ和初始化参数为的判别器S2、利用带标签零件图片数据集Sl训练分类器Cθ;S3、利用带标签零件图片数据集Sl和无标签零件图片数据集Su训练判别器S4、利用训练好的分类器Cθ对待测试零件图片进行预测,获得待测试零件的最终检测结果。该方法以半监督学习的方式,利用对抗机制训练出具有高精度与高鲁棒性的分类器,摒弃了传统深度学习分类任务中预测单张图片的类别标签的概念,致力于判断两张图片是否相似,以此来间接预测类别标签,在小批量带标签数据集上有良好的表现力与鲁棒性。

    一种相差显微镜细胞图像的检测和分割方法

    公开(公告)号:CN109118492B

    公开(公告)日:2022-04-05

    申请号:CN201710168276.4

    申请日:2017-03-21

    Abstract: 一种相差显微镜细胞图像的检测和分割方法,包括以下步骤:1)基于对相差显微镜细胞图像特性的分析,构建图像中的层次信息之后,定义细胞图像中的主要信息;2)传播前一帧的主要信息,检测当前帧中的主要信息,并提供是否存在目标主要信息粘连情况;3)如若当前帧中存在主要信息粘连情况,利用主要信息粘连分离算法对粘连细胞的主要信息进行分离,并且将分离后的局部区域块合理地合并到细胞主要信息集合中去;4)帧间主要信息传播时存在主要信息衰减问题,通过细胞主要信息修复策略修复当前帧细胞的主要信息;5)基于提取和检测到的主要信息,通过两种区域近似估计策略,得到细胞分割和检测结果。本发明有效处理相差显微镜细胞图像检测和分割。

    一种中文医学实体关系联合抽取方法和系统

    公开(公告)号:CN114036934A

    公开(公告)日:2022-02-11

    申请号:CN202111203313.3

    申请日:2021-10-15

    Abstract: 一种中文医学实体关系联合抽取方法,包括:医疗关系嵌入表示模块、医疗文本中头实体和尾实体的头尾位置获取模块、医疗文本字词向量及其相对距离计算模块、词汇增强后的字向量输出模块、医疗文本的关系预测模块、医疗文本的字符对向量生成模块、主谓宾三元组输出模块、联合抽取模型训练模块、联合抽取模型的F1分数计算模块、循环训练联合抽取模型模块、医疗文本实体关系获取模块。本发明还包括一种中文医学实体关系联合抽取系统。本发明解决了中文医疗文本中复杂语句的实体嵌套和关系重叠问题,缓解了TPLinker解码矩阵的稀疏,提升了联合抽取模型的收敛速度,通过词汇增强编码单元缓解了中文医疗文本中存在许多专业词汇即使结合上下文也无法准确识别的难题。

    基于局部背景增广和多通道迁移学习的胰腺肿瘤分类方法

    公开(公告)号:CN113052824A

    公开(公告)日:2021-06-29

    申请号:CN202110333579.3

    申请日:2021-03-29

    Abstract: 一种基于局部背景增广和多通道迁移学习的胰腺肿瘤分类方法,首先采用较先进的病理分类模型在胰腺囊性肿瘤ROI进行良/恶性分类预训练,以筛选易混淆的肿瘤图像;接着,对该类图像进行基于GAN的数据增广,以提高易混淆图像的训练集样本量;最后,预训练的分类器在增广后的训练集进行多通道、多阶段的迁移学习,以逐步提高分类器对良/恶性胰腺囊性肿瘤ROI图像的分类准确性。在来自合作医院的胰腺囊性肿瘤CT数据集上的实验证明,本发明的方法的良/恶肿瘤分类性能优于现有的分类方法。

    基于图像转换和域泛化的无监督多模态医学图像配准方法

    公开(公告)号:CN112801863A

    公开(公告)日:2021-05-14

    申请号:CN202110208063.6

    申请日:2021-02-25

    Abstract: 一种基于图像转换和域泛化的无监督多模态医学图像配准方法,首先,两个单模态配准网络在各自模态域的真实图像上进行预训练,直到配准网络可胜任单模态配准任务。接着,转换网络和配准网络进行联合训练。转换网络所得合成图与目标模态真实图之间的形变场被预训练好的配准网络所计算,此时,转换网络的训练被本文所提的形变场对抗损失和形变循环一致性损失所约束;当合成图的定量评价指标优于所设定阈值时,配准网络后端网络层的参数可根据对应配准过程的损失项进行微调,使配准网络的有效应用范围逐步泛化至合成图所在的模态域。本发明配准性能胜过了现有的基于无监督学习的多模态医学图像配准方法,且可与基于监督学习的配准方法进行竞争。

    一种基于虚拟子阵交织的声阵列空间滤波方法及系统

    公开(公告)号:CN112731282A

    公开(公告)日:2021-04-30

    申请号:CN202011430717.1

    申请日:2020-12-09

    Abstract: 一种基于虚拟子阵交织的声阵列空间滤波方法,所述方法包括波束成形方法和波达方向估计方法。一种基于虚拟子阵交织的声阵列空间滤波系统,所述系统包括:超密集微声虚拟阵列,用于设置阵列框架,模拟声波的多径现象;声阵列空间滤波模块,用于将输入声源进行白噪声削弱进行波束成形和波达方向计算。本发明利用超密集微声阵列的冗余特性,构建出多种不同的虚拟子阵,利用子阵间不同的阵列流行对同一目标形成多种不同的测量结果,以加权平均的方式滤除结果中的随机噪声及干扰,可以提高阵列波束成形的指向性及波达方向估计的精度。

    一种基于聚类生成候选锚框的细胞图像检测与分割方法

    公开(公告)号:CN111666850A

    公开(公告)日:2020-09-15

    申请号:CN202010465810.X

    申请日:2020-05-28

    Abstract: 一种基于聚类生成候选锚框的细胞图像检测与分割方法,包括以下步骤:步骤1,制作数据集;步骤2,数据集样本维度特征统计,设置ISODATA聚类算法初始参数,通过聚类算法统计样本维度信息,生成样本维度比例;步骤3,细胞的特征提取与融合,包括以下步骤:3.1、特征提取网络的搭建;3.2、特征多尺度融合;步骤4,癌细胞目标区域候选框的生成,将融合后的特征与目标样本维度比例送入RPN网络中进行目标区域生成;步骤5,癌细胞图像的检测目标结果精炼;步骤6,癌细胞图像的分割Mask生成。本发明使生成的候选锚框更加贴合真实样本维度规律,降低了候选框回归的难度,提升了算法回归速度,提升了检测和分割的性能。

    一种基于深度学习的淋巴癌图像分割的数据增强方法

    公开(公告)号:CN111047557A

    公开(公告)日:2020-04-21

    申请号:CN201911138590.3

    申请日:2019-11-20

    Abstract: 一种基于深度学习的淋巴癌图像分割的数据增强方法,所述方法包括以下步骤:步骤1.数据准备阶段:1.1)对于每个训练的病人,首先根据其医生的标注信息,获取其淋巴癌的位置信息;1.2)对于一个小区域内,不相连的局部独立病灶视为一个整体;1.3)对于每个独立的病灶,计算能包裹病灶的长方体空间;1.4)每个矩形,记录其在患者身体中的具体位置(x1,y1,z1)(x2,y2,z2);5)对所有训练集患者重复1.1)~1.4),截取所有的病灶以及保存所有的位置信息,形成一个完整的淋巴癌数据库;步骤2.训练数据阶段。本发明对使用深度学习进行淋巴癌分割的性能提升明显,在各种神经网络结构中结果稳定。

    一种基于ResUnet的3视图PET图像分割方法

    公开(公告)号:CN110942465A

    公开(公告)日:2020-03-31

    申请号:CN201911085032.5

    申请日:2019-11-08

    Abstract: 一种基于ResUnet的3视图PET图像分割方法,包括以下步骤:步骤1,针对淋巴瘤病灶特点设计或修改网络模型,使之适合淋巴瘤的分割;步骤2,将3维的训练数据沿3个视图方向(俯视,正视,左视)进行切片,得到3个视图方向的2维数据;步骤3,将3个视图方向的2维数据分别输入到网络中进行训练,得到3个分割模型,分别对应3个视图方向的数据;步骤4、将测试数据分别输入到3个预测模型,将3个预测结果进行加权求和得到测试数据的最终的预测结果。本发明增加了2维模型对3维数据的空间信息利用,提高了分割的准确率。

Patent Agency Ranking