-
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：CN114049935A
公开(公告)日：2022-02-15
申请号：CN202111395913.4
申请日：2021-11-23
Applicant: 齐鲁工业大学 , 山东省计算中心(国家超级计算济南中心)
IPC: G16H30/20 , G16H30/40 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多卷积神经网络的HER2图像分类系统，包括：图像获取模块，其被配置为：获取待分类HER2图像；预处理模块，其被配置为：对待分类HER2图像进行预处理；图像特征提取模块，其被配置为：将预处理后的待分类HER2图像输入多卷积神经网络，得到HER2图像的融合特征；分类模块，其被配置为：基于融合特征，采用分类器得到HER2图像所属类别；其中，多卷积神经网络包括特征提取器和特征融合器，所述特征提取器采用至少两种不同的卷积神经网络同时对待分类HER2图像进行特征提取，所述特征融合器利用线性加权融合方法对不同卷积神经网络提取的特征进行融合，得到融合特征，提高了HER2图像分类的准确性。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN109712142A
公开(公告)日：2019-05-03
申请号：CN201910025249.0
申请日：2019-01-11
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明的基于染色分离的乳腺癌Ki67/ER/PR核染色细胞计数方法，首先对乳腺癌病理切片图像进行染色分离，获取基于H染色剂的图像IH和基于DAB显色剂的图像IDAB，然后经滤波消除细胞间质的影响，获得图像IH，filterd和IDAB，filterd；然后根据IH，filterd统计阴性细胞，根据IDAB，filterd及其亮度图VDAB统计强阳、中阳、弱阳细胞，最终获取阴性细胞、阳性（分强阳、中阳和弱阳）细胞的数量和所占细胞总数的概率。本发明设计基于染色分离的乳腺癌核染色细胞计数方法，能够快速有效地实现细胞计数，协助医生工作，降低医生工作量的同时保证计算准确度。
-
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。
-
公开(公告)号：CN109410115A
公开(公告)日：2019-03-01
申请号：CN201811284175.4
申请日：2018-10-31
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SIFT特征点的自适应容量图像盲水印嵌入与提取方法，在水印嵌入过程中，利用两个二值伪随机序列k1、k2，在不含有SIFT特征点的图像子块的离散余弦变换系数中嵌入水印；在水印的提取过程中，计算不含有SIFT特征点的图像子块的离散余弦变换系数与序列k1、k2的相关系数，并根据相关系数的大小确定出水印相应位的值，以提取水印。本发明的水印嵌入与提取方法，具有较强的鲁棒性，即使图像在遭受诸如中值滤波、维纳滤波、高斯滤波、剪切或压缩等攻击后，仍旧可以提取出与原始水印相似度极高的水印，使其可应用在数字媒体发布、数字信息版权认证、数字司法取证等场景。
-
公开(公告)号：CN119739879A
公开(公告)日：2025-04-01
申请号：CN202411953364.1
申请日：2024-12-27
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F16/532 , G06F16/538 , G06V10/44 , G06V10/42 , G06V10/46 , G06V10/80 , G06V10/774 , G06V10/82
Abstract: 本发明提出了一种医学图像检索方法及系统，涉及医学图像处理领域，针对的问题是：现有技术无法深度理解医学图像内在内容，针对医学图像检索面临的高分辨率、多模态数据和背景噪声干扰等问题，无法准确、有效检索出对应的医学图像，检索鲁棒性和准确性差。方法包括：获取医学图像数据集，对医学图像数据集进行预处理；利用训练好的特征提取模型，进行特征提取，得到图像的融合特征；基于图像的融合特征，构建图像特征库；利用训练好的特征提取模型，对待检索医学图片进行特征提取，得到待检索医学图片的融合特征；将其与图像特征库进行匹配，检索出对应的图像。本发明显著提升了医学图像检索的准确性和效率。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.123 seconds)
