-
公开(公告)号：CN113408505A
公开(公告)日：2021-09-17
申请号：CN202110957126.8
申请日：2021-08-19
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 中国科学院计算技术研究所
Abstract: 本发明提供了一种基于深度学习的染色体极性识别方法，所述方法包括（1）收集数据集，（2）构建训练集和测试集，（3）基于训练集对染色体极性识别模型进行学习训练，（4）将测试集输入到染色体极性识别模型进行测试，输出待预测染色体的极性结果。本发明还提供了一种基于深度学习的染色体极性识别系统。本发明提供的方法和系统基于深度学习分类算法，能够准确地判断当前染色体极性类别，并据此完成染色体极性调整，使得染色体均保持短臂朝上的状态。所述方法和系统染色体极性识别准确率达96.36%，而且数据来源简单，染色体分析自动化程度高，流程更加简洁，具有广泛的工业实用性。
-
公开(公告)号：CN113393461B
公开(公告)日：2021-12-07
申请号：CN202110939852.7
申请日：2021-08-16
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 中国科学院计算技术研究所
Abstract: 本发明公开了一种基于深度学习的分裂中期染色体图像质量筛选方法和系统，所述方法和系统使用附带标注的分裂中期细胞染色体图像构建训练集和测试集，并进行模型的构建和训练。模型完成训练后，可以对输入的一个病例的每一张染色体图像进行质量评估，输出每一张染色体图像的质量评估结果，然后将所有的染色体图像按照质量评估结果的高低进行降序排序，即模型认为排序靠前的染色体图像质量更高，然后在排序后的染色体图像中靠前选取足够进行诊断的染色体图像即可完成染色体图像质量筛选过程。所述方法和系统数据来源简单，能够准确评价染色体图像质量的高低，AUC值为0.927，模型检测速度快，检测速度大大快于人工速度。
-
公开(公告)号：CN113393461A
公开(公告)日：2021-09-14
申请号：CN202110939852.7
申请日：2021-08-16
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 中国科学院计算技术研究所
Abstract: 本发明公开了一种基于深度学习的分裂中期染色体图像质量筛选方法和系统，所述方法和系统使用附带标注的分裂中期细胞染色体图像构建训练集和测试集，并进行模型的构建和训练。模型完成训练后，可以对输入的一个病例的每一张染色体图像进行质量评估，输出每一张染色体图像的质量评估结果，然后将所有的染色体图像按照质量评估结果的高低进行降序排序，即模型认为排序靠前的染色体图像质量更高，然后在排序后的染色体图像中靠前选取足够进行诊断的染色体图像即可完成染色体图像质量筛选过程。所述方法和系统数据来源简单，能够准确评价染色体图像质量的高低，AUC值为0.927，模型检测速度快，检测速度大大快于人工速度。
-
公开(公告)号：CN113408505B
公开(公告)日：2022-06-14
申请号：CN202110957126.8
申请日：2021-08-19
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 中国科学院计算技术研究所
Abstract: 本发明提供了一种基于深度学习的染色体极性识别方法，所述方法包括（1）收集数据集，（2）构建训练集和测试集，（3）基于训练集对染色体极性识别模型进行学习训练，（4）将测试集输入到染色体极性识别模型进行测试，输出待预测染色体的极性结果。本发明还提供了一种基于深度学习的染色体极性识别系统。本发明提供的方法和系统基于深度学习分类算法，能够准确地判断当前染色体极性类别，并据此完成染色体极性调整，使得染色体均保持短臂朝上的状态。所述方法和系统染色体极性识别准确率达96.36%，而且数据来源简单，染色体分析自动化程度高，流程更加简洁，具有广泛的工业实用性。
-
Patent Agency Ranking
公开(公告)号：CN114612738A
公开(公告)日：2022-06-10
申请号：CN202210141093.4
申请日：2022-02-16
Applicant: 中国科学院生物物理研究所 , 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种细胞电镜图像分割模型的训练方法，包括：采集细胞电镜图像并对细胞电镜图像进行专家标注和预处理，将预处理后的细胞电镜图像划分为训练集和测试集；构建细胞电镜图像分割模型并利用训练集训练细胞电镜图像分割模型；利用训练生成的细胞电镜图像分割模型分割细胞电镜图像测试集，获取分割图；对分割图进行筛选获得筛选结果；采集新的细胞电镜图像并与筛选结果合并成新的训练集，利用测试集继续优化细胞电镜图像分割模型；迭代执行分割操作、筛选操作、采集合并操作以及优化操作，直到细胞电镜图像分割模型能够识别测试集上所有的细胞器，获得训练完成的细胞电镜图像分割模型。本发明同时还公开了一种细胞器互作分析方法及系统。
-
公开(公告)号：CN109523520A
公开(公告)日：2019-03-26
申请号：CN201811250267.0
申请日：2018-10-25
Applicant: 北京大学第三医院 , 中国科学院计算技术研究所
CPC classification number: G06T7/0012 , G06K9/0014 , G06K9/00147 , G06N3/0454 , G06T2207/10056 , G06T2207/20081 , G06T2207/30004 , G06T2207/30242
Abstract: 本发明公开了一种基于深度学习的染色体自动计数方法，包括以下步骤：(1)图像收集和预处理步骤；(2)图像分类和回归步骤；(3)模型训练步骤；(4)测试计数步骤，其中，在步骤(2)中采用新的抽样策略，并对Faster R-CNN模型损失函数进行了改进。本发明所需的数据来源于真实显微镜视野下的G显带染色体，所述方法无需复杂实验过程，成本低廉，耗时更短，能够自动准确完成目标染色体计数。本发明使用1000例标注的染色体图训练模型，随后用175例标注的染色体图做测试，统计显示175例共包含8023条染色体，测试的准确率为98.95％，召回率为98.67％。测试结果显示用机器计数后人工校正的方法完成一份报告的染色体计数所需时间短于目前的1/3。
-
公开(公告)号：CN114612738B
公开(公告)日：2022-11-11
申请号：CN202210141093.4
申请日：2022-02-16
Applicant: 中国科学院生物物理研究所 , 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种细胞电镜图像分割模型的训练方法，包括：采集细胞电镜图像并对细胞电镜图像进行专家标注和预处理，将预处理后的细胞电镜图像划分为训练集和测试集；构建细胞电镜图像分割模型并利用训练集训练细胞电镜图像分割模型；利用训练生成的细胞电镜图像分割模型分割细胞电镜图像测试集，获取分割图；对分割图进行筛选获得筛选结果；采集新的细胞电镜图像并与筛选结果合并成新的训练集，利用测试集继续优化细胞电镜图像分割模型；迭代执行分割操作、筛选操作、采集合并操作以及优化操作，直到细胞电镜图像分割模型能够识别测试集上所有的细胞器，获得训练完成的细胞电镜图像分割模型。本发明同时还公开了一种细胞器互作分析方法及系统。
-
公开(公告)号：CN113312978A
公开(公告)日：2021-08-27
申请号：CN202110482525.3
申请日：2021-04-30
Applicant: 中国科学院计算技术研究所
Inventor： 肖立
Abstract: 本发明公开了一种显微影像下目标精确识别和分割的方法及其系统，该方法包括：步骤一，基于Focal loss目标检测算法对一显微影像中的目标进行识别，获取目标物质；步骤二，基于语义分割算法对所述目标物质进行语义分割，从所述显微影像中获取仅包含所述目标物质的图像区域；及步骤三，对所述图像区域进行可视化。本发明基于深度学习目标检测和语义分割进行显微影像中单个目标识别和高质量再现，解决人工进行显微影像目标识别和精细判断费时费力的难题。
-
公开(公告)号：CN109523520B
公开(公告)日：2020-12-18
申请号：CN201811250267.0
申请日：2018-10-25
Applicant: 北京大学第三医院 , 中国科学院计算技术研究所
Abstract: 本发明公开了一种基于深度学习的染色体自动计数方法，包括以下步骤：(1)图像收集和预处理步骤；(2)图像分类和回归步骤；(3)模型训练步骤；(4)测试计数步骤，其中，在步骤(2)中采用新的抽样策略，并对Faster R‑CNN模型损失函数进行了改进。本发明所需的数据来源于真实显微镜视野下的G显带染色体，所述方法无需复杂实验过程，成本低廉，耗时更短，能够自动准确完成目标染色体计数。本发明使用1000例标注的染色体图训练模型，随后用175例标注的染色体图做测试，统计显示175例共包含8023条染色体，测试的准确率为98.95％，召回率为98.67％。测试结果显示用机器计数后人工校正的方法完成一份报告的染色体计数所需时间短于目前的1/3。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.059 seconds)
