-
公开(公告)号：CN111784628B
公开(公告)日：2024-03-29
申请号：CN202010389773.9
申请日：2020-05-11
Applicant: 北京工业大学
Abstract: 本发明公开了基于有效学习的端到端的结直肠息肉分割方法，该方法利用深度学习技术提出并设计全卷积神经网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割。针对网络训练过程中息肉区域特征训练不足而无关组织学习过度的现象，引入有效学习损失函数，该损失函数借鉴了难例挖掘和边界感知思想。该损失函数借鉴了难例挖掘思想的目标函数，针对结直肠息肉前景区域和背景区域占比的不均匀问题，对样本训练误差加权处理，提升难例的关注程度，同时结合边界因子提升边界像素的关注度来提高轮廓分割的精度。
-
公开(公告)号：CN111832644B
公开(公告)日：2024-07-05
申请号：CN202010651959.7
申请日：2020-07-08
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/09 , G16H15/00 , G16H30/20
Abstract: 本发明实施例提供一种基于序列级别的脑部医疗影像报告生成方法及系统。该方法包括：获取具有预设标准的待判断脑部医疗图像；将所述序列级别待判断脑部医疗图像输入至预先训练好的脑部医疗影像判别模型，得到所述脑部医疗影像判别模型输出的脑部医疗影像报告结果；其中，所述脑部医疗影像判别模型是基于脑部医疗影像的样本集数据，以及按照脑部医疗疾病标准等级进行分类所得的序列级别分类标签进行训练得到的。本发明实施例通过对符合DICOM标准的脑部医疗影像进行模型训练，训练好的模型可以生成辅助医生进行脑部疾病诊断的报告，节约医生诊断的时间和减小工作量，同时减少漏诊、误诊的发生概率。
-
公开(公告)号：CN111832644A
公开(公告)日：2020-10-27
申请号：CN202010651959.7
申请日：2020-07-08
Applicant: 北京工业大学
Abstract: 本发明实施例提供一种基于序列级别的脑部医疗影像报告生成方法及系统。该方法包括：获取具有预设标准的待判断脑部医疗图像；将所述序列级别待判断脑部医疗图像输入至预先训练好的脑部医疗影像判别模型，得到所述脑部医疗影像判别模型输出的脑部医疗影像报告结果；其中，所述脑部医疗影像判别模型是基于脑部医疗影像的样本集数据，以及按照脑部医疗疾病标准等级进行分类所得的序列级别分类标签进行训练得到的。本发明实施例通过对符合DICOM标准的脑部医疗影像进行模型训练，训练好的模型可以生成辅助医生进行脑部疾病诊断的报告，节约医生诊断的时间和减小工作量，同时减少漏诊、误诊的发生概率。
-
公开(公告)号：CN111784628A
公开(公告)日：2020-10-16
申请号：CN202010389773.9
申请日：2020-05-11
Applicant: 北京工业大学
Abstract: 本发明公开了基于有效学习的端到端的结直肠息肉分割方法，该方法利用深度学习技术提出并设计全卷积神经网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割。针对网络训练过程中息肉区域特征训练不足而无关组织学习过度的现象，引入有效学习损失函数，该损失函数借鉴了难例挖掘和边界感知思想。该损失函数借鉴了难例挖掘思想的目标函数，针对结直肠息肉前景区域和背景区域占比的不均匀问题，对样本训练误差加权处理，提升难例的关注程度，同时结合边界因子提升边界像素的关注度来提高轮廓分割的精度。
-
-
-
Search Results
4
records
(took 0.052 seconds)
