-
公开(公告)号：CN116596952B
公开(公告)日：2025-04-01
申请号：CN202310578840.5
申请日：2023-05-22
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了多层级病灶检出优化的病理切片图像分割检测方法，所述方法构建了一个多级特征提取结构，使用轻量级网络进行图像特征初步提取，基于空洞空间金字塔池化模块进行多尺度特征提取，将多尺度特征与特征初步提取网络中的浅层特征图进行叠加融合，实现了充分的病灶特征提取，提高了算法对病灶的识别精度，并降低了网络层数，避免了过深网络结构导致的特征信息损失。基于多层注意力机制，对病灶特征进行了权重增强，提高了算法对病灶的检出能力。在初步特征提取网络后并行加入一个训练好的基于Sobel算子的多成分分割算法模块，用于辅助优化损失函数。通过多层级的病灶特征提取、增强、优化训练，可以有效提高检测算法的病灶检测效果。
-
Patent Agency Ranking
公开(公告)号：CN116596952A
公开(公告)日：2023-08-15
申请号：CN202310578840.5
申请日：2023-05-22
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了多层级病灶检出优化的病理切片图像分割检测方法，所述方法构建了一个多级特征提取结构，使用轻量级网络进行图像特征初步提取，基于空洞空间金字塔池化模块进行多尺度特征提取，将多尺度特征与特征初步提取网络中的浅层特征图进行叠加融合，实现了充分的病灶特征提取，提高了算法对病灶的识别精度，并降低了网络层数，避免了过深网络结构导致的特征信息损失。基于多层注意力机制，对病灶特征进行了权重增强，提高了算法对病灶的检出能力。在初步特征提取网络后并行加入一个训练好的基于Sobel算子的多成分分割算法模块，用于辅助优化损失函数。通过多层级的病灶特征提取、增强、优化训练，可以有效提高检测算法的病灶检测效果。
-
公开(公告)号：CN116091832A
公开(公告)日：2023-05-09
申请号：CN202310124577.2
申请日：2023-02-16
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06T7/00 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于自编码器网络的肿瘤细胞切片高光谱图像分类方法，所述方法包括如下步骤：步骤一：通过显微镜和高光谱成像仪得到肿瘤细胞切片的高光谱图像；步骤二：基于高光谱图像数据，分别进行基于线性回归的最小二乘拟合估计和基于非线性回归的高斯拟合估计，通过滑动窗口设置和三次样条插值法，将混合像元按线性和非线性混合程度进行区域划分；步骤三：基于变精度粗糙集方法处理高光谱图像解混数据，构建稀疏自编码器网络进行解混；步骤四：基于优化的卷积神经网络，对解混得到的端元及丰度结果进行分类，实现肿瘤细胞切片高光谱图像分类。本发明可以降低图像在空间分辨率上的精度要求，提高切片扫描效率，进一步缩短分析诊断时间。
-
公开(公告)号：CN116091832B
公开(公告)日：2023-10-20
申请号：CN202310124577.2
申请日：2023-02-16
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06T7/00 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于自编码器网络的肿瘤细胞切片高光谱图像分类方法，所述方法包括如下步骤：步骤一：通过显微镜和高光谱成像仪得到肿瘤细胞切片的高光谱图像；步骤二：基于高光谱图像数据，分别进行基于线性回归的最小二乘拟合估计和基于非线性回归的高斯拟合估计，通过滑动窗口设置和三次样条插值法，将混合像元按线性和非线性混合程度进行区域划分；步骤三：基于变精度粗糙集方法处理高光谱图像解混数据，构建稀疏自编码器网络进行解混；步骤四：基于优化的卷积神经网络，对解混得到的端元及丰度结果进行分类，实现肿瘤细胞切片高光谱图像分类。本发明可以降低图像在空间分辨率上的精度要求，提高切片扫描效率，进一步缩短分析诊断时间。
-
公开(公告)号：CN116188423B
公开(公告)日：2023-08-08
申请号：CN202310151695.2
申请日：2023-02-22
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06T7/11 , G06V10/762 , G06N3/126
Abstract: 本发明公开了一种基于病理切片高光谱图像的超像素稀疏解混检测方法，所述方法包括如下步骤：步骤一：利用基于差分方程的超像素分割算法对高光谱图像进行聚类；步骤二：从检测端元库A中选择端元矩阵M，采用基于精英解选择的改进的多目标并行优化稀疏解混算法对分割后的图像进行解混，得到多个候选端元解集；步骤三：引入效用函数法用于多目标优化问题Pareto前沿拐点的判定，获取最优解，再利用全约束最小二乘法计算出相应的丰度矩阵S；步骤四：结合超像素分割子块及其丰度值较大的几个端元收集各类组织特征的模板，并对待检测切片进行逐分割子块的匹配检测。该方法具有解混速度快、鲁棒性强、检测精度高的特点。
-
公开(公告)号：CN116188423A
公开(公告)日：2023-05-30
申请号：CN202310151695.2
申请日：2023-02-22
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06T7/11 , G06V10/762 , G06N3/126
Abstract: 本发明公开了一种基于病理切片高光谱图像的超像素稀疏解混检测方法，所述方法包括如下步骤：步骤一：利用基于差分方程的超像素分割算法对高光谱图像进行聚类；步骤二：从检测端元库A中选择端元矩阵M，采用基于精英解选择的改进的多目标并行优化稀疏解混算法对分割后的图像进行解混，得到多个候选端元解集；步骤三：引入效用函数法用于多目标优化问题Pareto前沿拐点的判定，获取最优解，再利用全约束最小二乘法计算出相应的丰度矩阵S；步骤四：结合超像素分割子块及其丰度值较大的几个端元收集各类组织特征的模板，并对待检测切片进行逐分割子块的匹配检测。该方法具有解混速度快、鲁棒性强、检测精度高的特点。
-
-
-
-
-
Search Results
6
records
(took 0.028 seconds)
