基于标签对齐的组织学全切片病理图像分析方法及系统

    公开(公告)号:CN119006838A

    公开(公告)日:2024-11-22

    申请号:CN202411151300.X

    申请日:2024-08-21

    Inventor: 徐奕 宋毅程

    Abstract: 本公开提供一种基于标签对齐的组织学全切片病理图像分析方法及系统,其中,基于标签对齐的组织学全切片病理图像分析方法,包括:获取多个原始组织学全切片病理图像;将原始组织学全切片病理图像进行预处理,确定多个子图;根据子图对应的原始组织学全切片病理图像的bag级别标签,确定子图的分类标签;采用子图和子图的分类标签对预设的SimMIL网络进行训练,确定训练完成的特征提取器;将待测子图输入训练完成的特征提取器,确定待测子图的隐层表征向量。通过本公开,基于标签对齐的弱监督方式,训练特征提取器,增强图像特征,提高提取的图像的隐层表征向量的准确性,提高病理分类的准确性。

    一种基于论文摘要QA的TopK实体抽取方法与系统

    公开(公告)号:CN112651244B

    公开(公告)日:2022-12-09

    申请号:CN202011566711.7

    申请日:2020-12-25

    Abstract: 本发明提供了一种基于论文摘要QA的TopK实体抽取方法与系统,该方法包括数据获取与处理步骤:从数据库中获取相关领域的所有论文,以及从dbpedia官网获取实体库,并整合数据库中的实体,获得dbace实体集;训练相似度模型步骤:进行文本相似度模型训练;构建ES索引步骤:将dbace实体集中的每个实体经过stem处理;检索实体步骤:将论文摘要QA句子送入ES中进行查询;实体特征计算步骤:计算实体列表中的实体与其论文标题、论文摘要和论文摘要QA的相关分数,并计算实体长度和复杂度;训练LTR模型步骤:选取部分文章的实体列表进行人工标注;结果可视化步骤:将单篇论文各个论文摘要QA下的实体列表进行lambdaRank排序。本发明能够使得论文知识图谱构建变得快速、简单、可靠。

    图像的盲增强方法及装置、电子设备、存储介质

    公开(公告)号:CN115409718A

    公开(公告)日:2022-11-29

    申请号:CN202110589470.6

    申请日:2021-05-28

    Abstract: 本申请提供一种图像的盲增强方法及装置、电子设备、计算机可读存储介质,该方法包括:将目标图像输入已训练的残差特征提取网络,获得目标图像的残差特征;将目标图像输入已训练图像修复网络的编码器,获得目标图像的纹理特征和结构特征;通过图像修复网络的多尺度填充模块对纹理特征和结构特征分别进行多尺度填充处理,得到填充后纹理特征和填充后结构特征;将填充后纹理特征、填充后结构特征和残差特征输入已训练图像修复网络的特征均衡模块,获得均衡融合特征;将均衡融合特征、纹理特征和结构特征输入已训练图像修复网络的解码器,获得目标图像的盲增强图像。本申请方案,可以在不确定图像中噪声位置的情况下对图像进行修复。

    基于质量评价的目标识别方法

    公开(公告)号:CN108765394B

    公开(公告)日:2021-02-05

    申请号:CN201810487252.X

    申请日:2018-05-21

    Abstract: 本发明提供了一种基于质量评价的目标识别方法,包括:构建目标识别模型,所述目标识别模型包括:质量评价网络、特征提取网络、特征聚合网络,其中,所述目标识别模型用于从视频中提取出目标特征,以表征目标的整体结构信息和局部信息;对所述目标识别模型进行训练,在训练过程中调整质量评价网络和特征提取网络的参数,以使所述目标识别模型输出符合预设要求的目标特征;通过训练好的目标识别模型对视频进行目标识别。从而解决了视频序列中外观多变及图像质量参差不齐导致的目标识别问题,在质量评价中增加了帧间的关联信息,从而获得更多的有效目标信息,使得目标的表征更加准确,提升了识别精度。

    基于多尺度特征融合的单帧图像去雨方法

    公开(公告)号:CN109360155B

    公开(公告)日:2020-10-13

    申请号:CN201810938303.6

    申请日:2018-08-17

    Abstract: 本发明提供了一种基于多尺度特征融合的单帧图像去雨方法,通过运用不同尺度的感受野进行对有雨图像的特征提取,之后通过反卷积操作通过特征得到去雨结果,运用粗尺度的特征与细尺度特征的结合,促进细尺度生成的无雨图像达到最好去雨的效果。通过在多个尺度上去除雨线,能使用于多种雨水情况,去雨算法更加具有普适性。本发明引用了对抗误差与感知误差构建了新的误差函数,对去雨模型进行训练,不需要任何先验知识,也不需要对图像进行预处理和后处理,保证了整个结构的完整性;在多个测试集上的结果表明本发明同前沿的主流去雨算法结果相比,在亮度信号通道上的峰值信噪比上能够提升2‑5dB。

    多模态超声影像分类方法以及乳腺癌诊断装置

    公开(公告)号:CN110930367A

    公开(公告)日:2020-03-27

    申请号:CN201911052675.X

    申请日:2019-10-31

    Inventor: 徐奕 李佳俊

    Abstract: 本发明提供了一种多模态超声影像分类方法以及乳腺癌诊断装置,包括:S1,从原始灰阶超声-弹性成像图像对中分割出感兴趣区域图像,根据分割出的感兴趣区域图像得到纯粹弹性成像影像;S2,利用DenseNet网络提取灰阶超声影像、弹性成像影像的单模态图像特征;S3,构建对抗性损失函数和正交性约束函数,提取灰阶超声影像与弹性成像影像之间的共享特征;S4,构建多任务学习框架,将S3得到的模态间共享特征与S2得到的单模态特征拼接后,共同输入多个分类器,分别进行良恶性分类。本发明可以同时针对灰阶超声图像、弹性成像图像以及两种模态图像一同进行良恶性分类,具有准确度高,应用范围广的优良性能。

    基于生成对抗网络的超声图像模态迁移、分类方法及终端

    公开(公告)号:CN110910351A

    公开(公告)日:2020-03-24

    申请号:CN201911052663.7

    申请日:2019-10-31

    Inventor: 徐奕 陈坤

    Abstract: 本发明提供了一种基于生成对抗网络的超声图像模态迁移、分类方法及终端,包括:S1,对原始超声图像进行处理得到纯净的弹性超声图像,将所有弹性超声图像标注对应的良恶性类别,得到像素级对齐的多组灰阶-弹性超声图像对;S2,使用深度残差网络的单模态灰阶超声分类网络给定灰阶超声图像一个不准确的良恶性类别;采用条件双循环生成对抗网络作为超声图像模态迁移网络,实现从灰阶超声图像生成弹性超声图像;进一步利用密集卷积网络对灰阶图像和生成的弹性图像分别提取出特征并拼接以用于分类。本发明考虑了良恶性类别对弹性图像的影响,以及弹性图像固有的随机性,能够对每张灰阶图像生成多张同一类别且具有随机性的弹性图像。

    基于跨模态的肺结节检测方法

    公开(公告)号:CN108986067A

    公开(公告)日:2018-12-11

    申请号:CN201810512988.8

    申请日:2018-05-25

    Abstract: 本发明提供了一种基于跨模态的肺结节检测方法,包括:从不同的数据集中获取原始CT图像,分割原始CT图像中的肺腔内部区域,得到肺腔内部区域图像;通过循环一致生成对抗网络CycleGAN对来自不同数据集的肺结节区域图像进行转换处理,得到统一模态的肺结节区域图像;通过经过训练的3D Unet网络对所述候选肺腔内部区域图像进行分割,提取出所述候选肺腔内部区域图像中的候选肺结节块;通过经过训练的3D DenseNet网络对所述候选结节块进行分类处理,删除假阳性的候选肺结节块,得到包含阳性肺结节的目标肺结节块。本发明中的方法检测效率高,误检率低。

    基于逐层网络二值化的压缩方法

    公开(公告)号:CN108765506A

    公开(公告)日:2018-11-06

    申请号:CN201810487253.4

    申请日:2018-05-21

    Abstract: 本发明提供了一种基于逐层网络二值化的压缩方法,包括:构建浮点型的深度卷积神经网络;按照所述深度卷积神经网络的层级深度的相反顺序由深及浅地将网络中的参数逐层二值化,直至所述深度卷积神经网络中的所有层级均被二值化,得到二值化的深度卷积神经网络;通过所述二值化的深度卷积神经网络进行行人检测。从而实现了网络的压缩与加速,又有效地解决了由于网络量化造成的大幅度的精度损失的问题。

    基于分形分析的图像视频超分辨率与增强方法

    公开(公告)号:CN102831583B

    公开(公告)日:2014-12-10

    申请号:CN201210273937.7

    申请日:2012-08-02

    Abstract: 本发明公开一种基于分形分析的图像视频超分辨率与增强方法,步骤:读取一幅图像或视频中的某一帧,记为I,计算I的梯度Gradori;对I进行基于内插的超分辨率处理,得到高分辨率图像的估计值H';计算H'的梯度Gradest;分别通过Gradori和Gradest计算I和H'对应像素的分形维数Dori,Dest和分形长度Lori,Lest;通过分形维数和长度的尺度不变性重新估计出高分辨率图的梯度GradH;以H'和GradH为约束,重新估计出高分辨率图像本发明以图像的像素为分形集,以像素对应的梯度为分形集的测度计算出图像局部分形维数和长度,并根据分形维数的尺度不变性,对超分辨率问题进行约束;通过引入分形长度的尺度不变性这一约束,可以用于图像和视频的画质增强,尤其是纹理增强上。

Patent Agency Ranking