-
公开(公告)号：CN116541704A
公开(公告)日：2023-08-04
申请号：CN202310474434.4
申请日：2023-04-27
Applicant: 桂林电子科技大学
IPC: G06F18/214 , G06F18/2413 , G06F17/16 , G06N3/0895
Abstract: 本发明公开一种多类噪声分离的偏标记分类方法，所述方法包括：首先通过迭代传播技术得到最初的正确标签，然后充分识别现实中的不同噪声(脉冲噪声和高斯噪声)，由此建立不同噪声分类器，并在最后分离出所对应的噪声，保有真实标签分类器完成真值标签的识别。本发明中构建的多类噪声分离框架，解决目前偏标记学习中多类噪声的问题，提高了偏标记学习在分类精度上的性能，同时还提高了偏标记学习算法的泛化性能。
-
公开(公告)号：CN114387264B
公开(公告)日：2023-04-18
申请号：CN202210054661.7
申请日：2022-01-18
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T5/00 , G06N20/00 , G06V10/774
Abstract: 本发明属于医学图像技术领域，具体涉及一种HE染色病理图像数据扩充与增强的方法；所述方法包括模型训练和模型推理两个阶段：在模型训练阶段，对病理图像数据集进行划分，得到训练集、验证集及测试集；构建基于生成对抗网络的深度学习模型；将上述训练集和验证集送入网络模型进行训练，获得网络模型参数；网络模型训练完成后，对源病理图像数据集以外的随机生成图像进行推理，获得合成的病理图像分割掩码和病理图像。本方法通过构建用于病理图像数据扩充的模型，合成更多符合该数据特征分布的病理图像及其对应的分割掩码，从而扩充原本有限数量的病理图像数据集，可有效帮助现有病理图像分割方法提升分割性能。
-
公开(公告)号：CN115880262A
公开(公告)日：2023-03-31
申请号：CN202211643031.X
申请日：2022-12-20
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06N3/047 , G06N3/0464 , G06N3/0895 , G06N3/084 , G06V10/26 , G06V10/82 , G06V10/764
Abstract: 本发明涉及基于在线噪声抑制策略的弱监督病理图像组织分割方法，包括：获取H&E染色图，对所述H&E染色图进行处理，获得数据集，对所述数据集进行划分，基于划分后的所述数据集训练分类网络，生成伪标签；基于在线噪声抑制策略抑制所述伪标签中存在的噪声，通过抑制噪声后的所述伪标签以及所述伪标签对应的训练集训练语义分割网络，获得训练后的所述语义分割网络的预测结果，将所述预测结果作为最终分割结果。本发明利用数字病理学和深度学习的分类算法及分割算法，可实现仅使用patch级标签实现肺癌/乳腺癌H&E染色图像的组织分割，生成像素级分割结果，直观地展示肿瘤内部组织结构的空间分布情况。
-
公开(公告)号：CN109859839B
公开(公告)日：2022-05-03
申请号：CN201910065074.6
申请日：2019-01-23
Applicant: 桂林电子科技大学
IPC: G16H50/20 , G06V10/764 , G06V10/774 , G06K9/62
Abstract: 本发明公开了一种基于分层集成学习的阿尔茨海默症分类方法，步骤为：S1、获取阿尔茨海默症的核磁共振图像；S2、对步骤S1获得的核磁共振图像进行预处理；S3、将预处理之后的图像，以切片为单位输入基于分层集成学习的模型中，采用预先训练好的深层神经网络（DNN）提取特征矩阵，将提取的特征矩阵输入到分类器中进行分类，得到切片级别的粗预测结果；S4、将步骤S3得到的粗预测结果进行集成，再次经分类器分类，得到切片的细分类预测结果；S5、将步骤S4得到的细分类预测结果进行集成，再次进行经分类器进行分类预测，得到病人级别的阿尔茨海默症的最终分类结果。该方法分类稳定，分类效率高，分类方法通用性和灵活性好。
-
公开(公告)号：CN114387264A
公开(公告)日：2022-04-22
申请号：CN202210054661.7
申请日：2022-01-18
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T5/00 , G06K9/62 , G06N20/00 , G06V10/774
Abstract: 本发明属于医学图像技术领域，具体涉及一种HE染色病理图像数据扩充与增强的方法；所述方法包括模型训练和模型推理两个阶段：在模型训练阶段，对病理图像数据集进行划分，得到训练集、验证集及测试集；构建基于生成对抗网络的深度学习模型；将上述训练集和验证集送入网络模型进行训练，获得网络模型参数；网络模型训练完成后，对源病理图像数据集以外的随机生成图像进行推理，获得合成的病理图像分割掩码和病理图像。本方法通过构建用于病理图像数据扩充的模型，合成更多符合该数据特征分布的病理图像及其对应的分割掩码，从而扩充原本有限数量的病理图像数据集，可有效帮助现有病理图像分割方法提升分割性能。
-
Patent Agency Ranking
-
公开(公告)号：CN113420793A
公开(公告)日：2021-09-21
申请号：CN202110622393.X
申请日：2021-06-05
Applicant: 桂林电子科技大学 , 桂林笑微酒店管理有限公司
Abstract: 本发明涉及了一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌图像分类方法，包括：首先从医院获取原始数据；再进行数据预处理和数据增强；预训练ResNeSt50模型并改进其结构；将改进的模型与其他state‑of‑the‑art模型进行公平的比较；制作概率热力图，训练随机森林分类器。最后进行病理图像级别的分类，得出分类结果。本发明提出的方法不仅在切片级别的分类上取得了很好的效果，同时在病理图像级别的分类上取得了不错的结果，病变区域可视化效果也优于现有的方法。
-
公开(公告)号：CN110866913A
公开(公告)日：2020-03-06
申请号：CN201911148160.X
申请日：2019-11-21
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种深度递归心血管图像显示方法，包括以下操作步骤：S1：获取医学心血管图像的初始数据，并在二维坐标系中建立初始图像；S2：运行凸包曲线的逐点递推形式推导公式得出图像坐标点数据，并根据所得坐标点数据进行描点；S3：运行RNN神经网络对坐标点进行多层递归计算，并重新描点，进行误差分析；S4：多层感知器进行模型效果分析；S5：运行CNN网络进行模型重构，并显示识别结果。本方法将对医学心血管图像运用n次凸包曲线的逐点推导公式，结合递归神经网络进行神经网络学习的模型搭建，使这种深度递归心血管图像显示方法达到实用性与学术性效果，图像采集的集成度高，可使用同一方法对不同图像库的图像进行采集。
-
公开(公告)号：CN109859839A
公开(公告)日：2019-06-07
申请号：CN201910065074.6
申请日：2019-01-23
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于分层集成学习的阿尔茨海默症分类方法，步骤为：S1、获取阿尔茨海默症的核磁共振图像；S2、对步骤S1获得的核磁共振图像进行预处理；S3、将预处理之后的图像，以切片为单位输入基于分层集成学习的模型中，采用预先训练好的深层神经网络（DNN）提取特征矩阵，将提取的特征矩阵输入到分类器中进行分类，得到切片级别的粗预测结果；S4、将步骤S3得到的粗预测结果进行集成，再次经分类器分类，得到切片的细分类预测结果；S5、将步骤S4得到的细分类预测结果进行集成，再次进行经分类器进行分类预测，得到病人级别的阿尔茨海默症的最终分类结果。该方法分类稳定，分类效率高，分类方法通用性和灵活性好。
-
公开(公告)号：CN107485783A
公开(公告)日：2017-12-19
申请号：CN201710870096.0
申请日：2017-09-22
Applicant: 桂林电子科技大学
CPC classification number: A61N1/36014 , A61H39/002 , A61H2201/0157 , A61H2201/1635 , A61H2201/165 , A61H2201/50 , A61H2205/065
Abstract: 本发明涉及一种针灸理疗手环及系统，属于电子技术领域。该针灸理疗手环，应用于针灸理疗系统，所述针灸理疗系统包括：服务器。所述针灸理疗手环包括：检测模块、控制模块、通信模块、脉冲输出模块和电源模块。所述检测模块用于采集用于表征人体健康状态的信号，并将其传输给所述控制模块。所述控制模块用于将所述信号经所述通信模块发送给所述服务器，以及接收所述服务器经所述通信模块发送的信号，以便基于所述信号控制所述脉冲输出模块。所述脉冲输出模块用于根据所述控制模块的控制信号进行针灸理疗。该针灸理疗手环能够根据服务器发送的控制信号输出不同的脉冲，以实现有针对性的理疗，从而提高了理疗效果。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.043 seconds)
