-
公开(公告)号：CN111598893B
公开(公告)日：2021-02-09
申请号：CN202010307115.0
申请日：2020-04-17
Applicant: 哈尔滨工业大学
Abstract: 基于多类型图像融合神经网络地方性氟骨病分级诊断系统，涉及图像处理技术领域，针对现有技术中针对氟骨病的诊断效率低的问题，包括：预处理模块、病变区域图像粗分割模块、多类型图像融合模块和疾病分级诊断模块，本发明基于粗分割特征图与原始图像融合的多分类模型充分利用了病变区域信息，在保证信息完整性的基础上强化了神经网络对敏感区域的认知能力。本发明设计的代价函数强调特征图病变概率高的位置并削弱无关背景的影响，解决了病变区域占总图像面积比例较小的问题，提高了模型的训练和分类效率。本发明为氟骨病检测提供了辅助手段，填补了氟骨病智能诊断的空白，提高了针对氟骨病的诊断效率。
-
公开(公告)号：CN111488912B
公开(公告)日：2020-12-11
申请号：CN202010183501.3
申请日：2020-03-16
Applicant: 哈尔滨工业大学
Abstract: 一种基于深度学习神经网络的喉部疾病诊断系统，它属于人工智能与医疗诊断相结合的学科交叉领域。本发明解决了传统方法对喉镜图像的诊断效率以及诊断准确率低的问题。本发明搭建了喉部疾病诊断网络模型，搭建的喉部疾病诊断网络模型可以用于喉部疾病诊断的智能系统，从而更好地对喉镜图像进行诊断，帮助医生提升疾病的诊断效率和诊断准确率，降低漏诊和误诊率。本发明可以应用于喉镜图像的智能化检测。
-
公开(公告)号：CN111598893A
公开(公告)日：2020-08-28
申请号：CN202010307115.0
申请日：2020-04-17
Applicant: 哈尔滨工业大学
Abstract: 基于多类型图像融合神经网络地方性氟骨病分级诊断系统，涉及图像处理技术领域，针对现有技术中针对氟骨病的诊断效率低的问题，包括：预处理模块、病变区域图像粗分割模块、多类型图像融合模块和疾病分级诊断模块，本发明基于粗分割特征图与原始图像融合的多分类模型充分利用了病变区域信息，在保证信息完整性的基础上强化了神经网络对敏感区域的认知能力。本发明设计的代价函数强调特征图病变概率高的位置并削弱无关背景的影响，解决了病变区域占总图像面积比例较小的问题，提高了模型的训练和分类效率。本发明为氟骨病检测提供了辅助手段，填补了氟骨病智能诊断的空白，提高了针对氟骨病的诊断效率。
-
公开(公告)号：CN111488912A
公开(公告)日：2020-08-04
申请号：CN202010183501.3
申请日：2020-03-16
Applicant: 哈尔滨工业大学
Abstract: 一种基于深度学习神经网络的喉部疾病诊断系统，它属于人工智能与医疗诊断相结合的学科交叉领域。本发明解决了传统方法对喉镜图像的诊断效率以及诊断准确率低的问题。本发明搭建了喉部疾病诊断网络模型，搭建的喉部疾病诊断网络模型可以用于喉部疾病诊断的智能系统，从而更好地对喉镜图像进行诊断，帮助医生提升疾病的诊断效率和诊断准确率，降低漏诊和误诊率。本发明可以应用于喉镜图像的智能化检测。
-
-
-
Search Results
4
records
(took 0.023 seconds)
