-
公开(公告)号：CN109767440A
公开(公告)日：2019-05-17
申请号：CN201910028616.2
申请日：2019-01-11
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种面向深度学习模型训练和学习的影像图像数据扩充方法，属于计算机医学图像计算技术领域。本发明首先判断数据类型，鉴别CT或MRI图像数据；然后对于影像数据，判断是否有划定ROI，并结合肿瘤区域大小，选用相应的方法完成影像数据集的构建；再采用基本的图像变换法对影像数据集进行训练，获得初步训练数据集；最后对初步训练数据集进行数据扩充，再采用网络模型进行深度训练，最后进行概率预测。本发明基于人工智能的深度学习，将一系列数据扩充的方法应用在医学图像处理领域的深度模型训练的学习上，解决由医学图像数据异质性而导致的异常数据的影响，有助于计算机辅助诊断，提高诊断效率和准确率。
-
公开(公告)号：CN112990214A
公开(公告)日：2021-06-18
申请号：CN202110195183.7
申请日：2021-02-20
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种医学图像特征识别预测模型，步骤如下：构建基于深度卷积神经网络的多组织分割模型，从样本库中获取数据并提取图像特征，通过基于金字塔上采样获得图像分割结果，将不同组织区域之间分割开；构建基于深度卷积神经网络的细胞检测模型，首先放大倍数进行取块，然后对取出来的小块的图像进行标准化；送入到回归检测模块中去对每一个小块中的图像进行检测，然后对检测出来的细胞级联深度分类网络来得到感兴趣目标；构建可视化亚视觉模块，使用特征选择方法与交叉验证结合的方法对所有不同组织区域与感兴趣对象中的特征进行选择最具有预测能力的特征。本发明对病理图像进行多组织分割并对细胞精确识别，通过亚视觉特征辅助医生阅片。
-
公开(公告)号：CN109544529A
公开(公告)日：2019-03-29
申请号：CN201811373454.8
申请日：2018-11-19
Applicant: 南京信息工程大学
CPC classification number: G06T7/0012 , G06K9/6256 , G06T7/90 , G06T2207/20081 , G06T2207/20084 , G06T2207/30024
Abstract: 本发明是面向深度学习模型训练和学习的病理图像数据增强方法，包括基于颜色变化对已有的病理图像进行数据扩充；对已有的病理图像进行单一图像变化处理；对已有的病理图像进行两种或两种以上的图像变化处理；对已有的病理图像进行HE染色分离；得到扩充数据，形成训练集；将训练集送入深度学习网络中进行训练，并与原始的数据集训练数据进行对比，能有效提升网络模型的性能。能够解决深度学习数据集不平衡以及数据量不足的难题，使得模型能够提供获得更好的预测能力辅助医生诊断，进一步提高医生的诊断精确度并提高工作效率。
-
-
Search Results
3
records
(took 0.027 seconds)
