-
公开(公告)号：CN111415352B
公开(公告)日：2023-07-28
申请号：CN202010257244.3
申请日：2020-04-03
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于深度级联网络的癌转移全景病理切片分析方法，其特征在于，利用由粗分割神经网络和精分割神经网络组成的级联网络完成对癌转移全景病理切片的分析，获得切片阳性类的概率热值图。本发明方法，可完成对癌转移区域的精确检测和定位，辅助医生综合患者所有淋巴结的恶性程度进行定量评估，为诊断的一致性提供支持依据，目标是减少漏诊、误诊，并降低过度治疗和治疗不当的发生概率，最终辅助医生制定最优的临床治疗方案，对于临床医生和患者均具有重要的意义。
-
公开(公告)号：CN107665492B
公开(公告)日：2020-11-10
申请号：CN201710516329.7
申请日：2017-06-29
Applicant: 南京信息工程大学
Abstract: 本发明公开一种基于深度网络的结直肠全景数字病理图像组织分割方法，包括以下步骤：（1）获取结直肠全景数字病理图片：（2）将结直肠的全景数字图像分割；（3）训练样本图像的建立；（4）提取不同类别的组织深度特征；（5）利用分类器和提取的组织深度特征对分割图像中的组织进行类别的判别；（6）将步图像分类结果拼接，判别出整张图片的组织分类；（7）按照分块坐标将图像进行拼接在一起；本发明对结直肠全景数字病理图像进行分割，利用滑动窗口和训练的模型对所有分割图像依次标记组织类型，同时，利用分类器和提取的组织深度特征对组织进行类别的判别，得到图像分类结果，分类准确，分类速度快。
-
公开(公告)号：CN109785310A
公开(公告)日：2019-05-21
申请号：CN201910027983.0
申请日：2019-01-11
Applicant: 南京信息工程大学
Abstract: 本发明公开一种基于乳腺淋巴结全景图像计算的自动分期系统，属于医学图像信息处理技术领域。根据标注的淋巴结癌转移区域，建立深度卷积网络所需两种正负样本，通过训练深度卷积网络，得出分类正负样本所需要的模型，再将图像组织区域内的每个块送入模型得出其所在位置发生癌转移的概率，建立起概率热值图；然后按淋巴结癌转移的分割区域提取病理组学特征，训练随机森林分类器，构建淋巴结转移状态的自动分类模型，综合同一患者多张淋巴结癌转移的状态构建分期系统。可有效解决依靠病理专家凭经验检判断乳腺癌分期时耗时、费力、误差较高等问题。
-
公开(公告)号：CN107169028A
公开(公告)日：2017-09-15
申请号：CN201710239183.6
申请日：2017-04-13
Applicant: 南京信息工程大学
IPC: G06F17/30
CPC classification number: G06F16/951 , G06F16/583
Abstract: 本发明涉及通信技术领域，尤其涉及一种海报搜索方法及用户终端。所述海报搜索方法，包括如下步骤：通过用户终端获取海报图像；使用深度卷积神经网络算法对所述海报图像进行特征提取；将提取的特征上传至网络服务器；从所述网络服务器中选择与所述特征匹配的目标信息，并将所述目标信息传输至所述用户终端；于所述用户终端的显示界面显示所述目标信息。本发明提供的海报搜索方法及用户终端，通过获取海报图像信息，即可将与该海报对应的电影相关信息反馈给用户，极大的简化了用户查询海报相关信息的操作，提高了用户体验。
-
公开(公告)号：CN109785310B
公开(公告)日：2023-06-06
申请号：CN201910027983.0
申请日：2019-01-11
Applicant: 南京信息工程大学
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06V10/764
Abstract: 本发明公开一种基于乳腺淋巴结全景图像计算的自动分期系统，属于医学图像信息处理技术领域。根据标注的淋巴结癌转移区域，建立深度卷积网络所需两种正负样本，通过训练深度卷积网络，得出分类正负样本所需要的模型，再将图像组织区域内的每个块送入模型得出其所在位置发生癌转移的概率，建立起概率热值图；然后按淋巴结癌转移的分割区域提取病理组学特征，训练随机森林分类器，构建淋巴结转移状态的自动分类模型，综合同一患者多张淋巴结癌转移的状态构建分期系统。可有效解决依靠病理专家凭经验检判断乳腺癌分期时耗时、费力、误差较高等问题。
-
Patent Agency Ranking
公开(公告)号：CN111415352A
公开(公告)日：2020-07-14
申请号：CN202010257244.3
申请日：2020-04-03
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于深度级联网络的癌转移全景病理切片分析方法，其特征在于，利用由粗分割神经网络和精分割神经网络组成的级联网络完成对癌转移全景病理切片的分析，获得切片阳性类的概率热值图。本发明方法，可完成对癌转移区域的精确检测和定位，辅助医生综合患者所有淋巴结的恶性程度进行定量评估，为诊断的一致性提供支持依据，目标是减少漏诊、误诊，并降低过度治疗和治疗不当的发生概率，最终辅助医生制定最优的临床治疗方案，对于临床医生和患者均具有重要的意义。
-
公开(公告)号：CN108648182A
公开(公告)日：2018-10-12
申请号：CN201810393335.2
申请日：2018-04-27
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法，属于图像信息处理技术领域。动态选择乳腺癌核磁共振图像1％-99％范围的CT值进行归一化预处理后输入YOLO_v2检测模型，验证集的损失及分类准确率、获得深度检测网络模型，并将图片送入该模型得到检测框；然后采用k-mean算法聚类出乳腺癌核磁共振图片医生标记区域中心点取出144*144像素点的块，送入SegNet分割模型进行训练，得出肿瘤区域分割模型，根据之前获得的检测框选择144*144像素块送入该区域分割模型得到分割概率图，再将该图根据之前获得的置信度最大框中心点映射到原图，即得最终肿瘤分割图。具有分割效率、准确率高等优点。
-
公开(公告)号：CN107358611A
公开(公告)日：2017-11-17
申请号：CN201710507862.7
申请日：2017-06-28
Applicant: 南京信息工程大学
CPC classification number: G06T7/11 , G06T7/136 , G06T7/194 , G06T2207/20081 , G06T2207/20084 , G06T2207/30096
Abstract: 本发明公开了一种全景扫描病理图像转移区域的自动分割方法，包括：对全景扫描病理图像进行预处理，提取有组织区域；获取训练样本集，标记转移部分和非转移部分；构建深度卷积网络模型并进行模型训练，采用训练完成的深度卷积网络模型识别全景扫描病理图像中的转移区域和非转移区域；用热值图表示全景扫描病理图像。本发明方法能够为医生提供定量化的诊断信息，减小依靠经验观测切片图像所带来的主观误差，能够缩短病情分析的等待过程，为病人提供宝贵的治疗时间。
-
公开(公告)号：CN108648182B
公开(公告)日：2022-02-11
申请号：CN201810393335.2
申请日：2018-04-27
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法，属于图像信息处理技术领域。动态选择乳腺癌核磁共振图像1％‑99％范围的CT值进行归一化预处理后输入YOLO_v2检测模型，验证集的损失及分类准确率、获得深度检测网络模型，并将图片送入该模型得到检测框；然后采用k‑mean算法聚类出乳腺癌核磁共振图片医生标记区域中心点取出144*144像素点的块，送入SegNet分割模型进行训练，得出肿瘤区域分割模型，根据之前获得的检测框选择144*144像素块送入该区域分割模型得到分割概率图，再将该图根据之前获得的置信度最大框中心点映射到原图，即得最终肿瘤分割图。具有分割效率、准确率高等优点。
-
公开(公告)号：CN107665492A
公开(公告)日：2018-02-06
申请号：CN201710516329.7
申请日：2017-06-29
Applicant: 南京信息工程大学
CPC classification number: G06T7/11 , G06K9/6267 , G06N3/0481 , G06N3/08 , G06T3/4038 , G06T2207/10056 , G06T2207/20081 , G06T2207/20084 , G06T2207/30028 , G06T2207/30096
Abstract: 本发明公开一种基于深度网络的结直肠全景数字病理图像组织分割方法，包括以下步骤：（1）获取结直肠全景数字病理图片：（2）将结直肠的全景数字图像分割；（3）训练样本图像的建立；（4）提取不同类别的组织深度特征；（5）利用分类器和提取的组织深度特征对分割图像中的组织进行类别的判别；（6）将步图像分类结果拼接，判别出整张图片的组织分类；（7）按照分块坐标将图像进行拼接在一起；本发明对结直肠全景数字病理图像进行分割，利用滑动窗口和训练的模型对所有分割图像依次标记组织类型，同时，利用分类器和提取的组织深度特征对组织进行类别的判别，得到图像分类结果，分类准确，分类速度快。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
