公开(公告)号：CN119090762A

公开(公告)日：2024-12-06

申请号：CN202411067089.3

申请日：2024-08-06

Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)

Inventor： 张阳 ,  李森 ,  孟翔杰

IPC: G06T5/70 ,  G06T5/60 ,  G06N3/094 ,  G06F17/16

Abstract: 本申请公开了一种显微图像生成模型的训练方法、应用方法及相关系统，涉及显微图像生成技术领域，该方法包括获取原始显微图像；对原始显微图像进行添加高斯噪声处理，得到第一显微图像；根据第一显微图像，利用显微图像生成模型中的生成器，生成第二显微图像；对第二显微图像进行添加高斯噪声处理，得到第三显微图像；根据第三显微图像和第一显微图像，利用显微图像生成模型中的鉴别器，计算第三显微图像作为第一显微图像的合理去噪分布的概率；根据第三显微图像作为第一显微图像的合理去噪分布的概率和对抗损失函数，对显微图像生成模型进行训练，得到训练好的显微图像生成模型。本申请可提升生成显微图像的质量和效率。

公开(公告)号：CN110032973B

公开(公告)日：2021-01-19

申请号：CN201910292967.4

申请日：2019-04-12

Applicant: 哈尔滨工业大学(深圳)

Inventor： 张阳 ,  李森 ,  李爱佳

IPC: G06K9/00 ,  G06K9/62 ,  G06K9/66 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于人工智能的无监督寄生虫分类方法及系统。所述分类方法包括：获取待检测样本的训练数据集；利用深度卷积神经网络VGG网络提取所述训练数据集的特征信息；利用模糊C均值聚类FCM算法对所述特征信息进行分类，确定每个类别的聚类中心矩阵；根据所述聚类中心矩阵确定每个类别的聚类中心向量；根据所述聚类中心向量确定隶属度矩阵；根据所述聚类中心矩阵以及所述隶属度矩阵确定FCM损失函数；利用FCM损失函数对所述VGG网络进行训练，确定训练后的VGG网络；根据所述训练后的VGG网络和FCM算法对所述训练数据集内的细胞和寄生虫进行分类。采用本发明所提供的分类方法及系统能够准确对寄生虫细胞与宿主健康细胞进行识别分类，提高分类准确率。

公开(公告)号：CN110415194B

公开(公告)日：2022-07-05

申请号：CN201910725715.6

申请日：2019-08-07

Applicant: 哈尔滨工业大学(深圳)

Inventor： 张阳 ,  李森 ,  苗乔伟

IPC: G06T5/00

Abstract: 本发明公开一种弓形虫高倍显微图像生成方法及系统，方法包括：通过VGG网络提取低倍数显微图像的第一鉴别特征信息；将低倍数显微图像的鉴别特征信息作为输入采用循环对抗生成网络Cycle GAN生成对应的高倍数显微图像；通过VGG网络提取高倍数显微图像中的第二鉴别特征信息；基于第一鉴别特征信息和所述第二鉴别特征信息计算二者的欧氏距离；基于欧式距离对所述Cycle GAN进行训练，得到训练后的Cycle GAN；采用训练后的Cycle GAN将所述低倍数显微图像转换为高倍数显微图像。本发明中的上述方法利用低倍图像对高倍图像进行自动生成，同时在生成过程中能够保留自身鉴别信息，最大程度上重建低倍镜下的弓形虫细节，并应用于弓形虫体外观察和诊断。

公开(公告)号：CN110415194A

公开(公告)日：2019-11-05

申请号：CN201910725715.6

申请日：2019-08-07

Applicant: 哈尔滨工业大学(深圳)

Inventor： 张阳 ,  李森 ,  苗乔伟

IPC: G06T5/00

Abstract: 本发明公开一种弓形虫高倍显微图像生成方法及系统，方法包括：通过VGG网络提取低倍数显微图像的第一鉴别特征信息；将低倍数显微图像的鉴别特征信息作为输入采用循环对抗生成网络Cycle GAN生成对应的高倍数显微图像；通过VGG网络提取高倍数显微图像中的第二鉴别特征信息；基于第一鉴别特征信息和所述第二鉴别特征信息计算二者的欧氏距离；基于欧式距离对所述Cycle GAN进行训练，得到训练后的Cycle GAN；采用训练后的Cycle GAN将所述低倍数显微图像转换为高倍数显微图像。本发明中的上述方法利用低倍图像对高倍图像进行自动生成，同时在生成过程中能够保留自身鉴别信息，最大程度上重建低倍镜下的弓形虫细节，并应用于弓形虫体外观察和诊断。

公开(公告)号：CN110032973A

公开(公告)日：2019-07-19

申请号：CN201910292967.4

申请日：2019-04-12

Applicant: 哈尔滨工业大学(深圳)

Inventor： 张阳 ,  李森 ,  李爱佳

IPC: G06K9/00 ,  G06K9/62 ,  G06K9/66 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于人工智能的无监督寄生虫分类方法及系统。所述分类方法包括：获取待检测样本的训练数据集；利用深度卷积神经网络VGG网络提取所述训练数据集的特征信息；利用模糊C均值聚类FCM算法对所述特征信息进行分类，确定每个类别的聚类中心矩阵；根据所述聚类中心矩阵确定每个类别的聚类中心向量；根据所述聚类中心向量确定隶属度矩阵；根据所述聚类中心矩阵以及所述隶属度矩阵确定FCM损失函数；利用FCM损失函数对所述VGG网络进行训练，确定训练后的VGG网络；根据所述训练后的VGG网络和FCM算法对所述训练数据集内的细胞和寄生虫进行分类。采用本发明所提供的分类方法及系统能够准确对寄生虫细胞与宿主健康细胞进行识别分类，提高分类准确率。