-
公开(公告)号：CN112419335B
公开(公告)日：2022-07-22
申请号：CN202011303854.9
申请日：2020-11-19
Applicant: 哈尔滨理工大学
Abstract: 一种细胞核分割网络的形状损失计算方法，本发明涉及智能病理诊断技术中，细胞核分割网络损失计算问题。智能病理诊断通过深度学习技术分割并识别细胞图像中的异常细胞。然而在细胞核分割网络中没有考虑细胞核的先验知识，导致部分细胞核轮廓不光滑、存在异形，影响后续分类的结果。为此，我们提出一种细胞核分割网络的形状损失计算方法。其主要思想是估计预测细胞核边缘区域对核形状特征影响的权重。通过最小化这个权重，使分割后的细胞核与实际细胞核形状上保持一致。实验表明：我们的损失计算方法可以有效解决细胞核轮廓不光滑、异形等问题。本发明应用于智能病理诊断中的细胞核分割网络损失计算。
-
公开(公告)号：CN107330869B
公开(公告)日：2021-04-23
申请号：CN201710504878.2
申请日：2017-06-28
Applicant: 哈尔滨理工大学
Abstract: 重叠细胞分割后的异常像素点重构，本发明涉及DNA倍体分析技术中，重叠细胞分割后出现的像素点异常的问题。DNA倍体分析技术通过图像处理技术测量细胞DNA的相对含量，在癌症诊断方面有着广泛的应用。然而重叠细胞的分割后的像素点异常，导致细胞的纹理、灰度以及最重要的光密度等特征出现异常，在诊断中极易出现误诊。为改善这一问题，本发明提出了一种基于GMM‑UBM模型的细胞重叠区域像素重构方法。实验表明，该方法能有效地调整细胞的纹理、灰度、光密度等特征值，减少DNA含量测量的误差，降低异常像素点对分类器识别率的影响。本发明应用于重叠细胞分割后的异常像素点重构。
-
公开(公告)号：CN105652429B
公开(公告)日：2018-07-17
申请号：CN201610165283.4
申请日：2016-03-22
Applicant: 哈尔滨理工大学
IPC: G02B21/24
Abstract: 一种基于机器学习的显微镜细胞载玻片扫描自动聚焦方法，本发明涉及基于机器学习的显微镜细胞载玻片扫描自动聚焦方法。本发明的目的是为了解决现有聚焦速度慢、计算量大、计算速度慢的问题。具体过程为：一、开始；二、根据载玻片情况选择螺旋扫描、蛇形扫描或随机蛇形扫描以及待扫描区域的数量；三、计算出低灰度值统计法的阈值、门限和三个步长大小；四、按照选择扫描方式控制载物平台沿XY轴移动到下一个待采集图像区域；五、控制载物平台到达焦点；摄像头采集当前区域图像；六、判断采集当前区域图像数量是否满足步骤二中待扫描区域的数量，若满足，则执行七，若没满足，则执行四；七、结束。本发明应用于显微镜聚焦领域。
-
公开(公告)号：CN113885328A
公开(公告)日：2022-01-04
申请号：CN202111212559.7
申请日：2021-10-18
Applicant: 哈尔滨理工大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于积分强化学习的核电功率跟踪控制方法，包括：初始策略选取，相关参数初始化，初始功率点与期望功率点选取；开启全局迭代，开启局部迭代，利用策略迭代积分强化学习算法训练评价网络，修正网络权值，其中评价网络用来近似跟踪误差性能指标函数，并利用该评价网络权值评测当前跟踪误差控制系统的性能，通过执行流程选择最优控制策略，最小化一次全局迭代的总成本；判断当前局部迭代是否完成，若否，则返回局部迭代，否则更新迭代性能指标函数和跟踪控制律，以获得最优跟踪控制策略；全局策略迭代完成，得到最优跟踪控制策略，跟踪到期望功率点，计算总成本。由此，本发明可以不断地学习、调整当前策略跟踪到期望功率点。
-
公开(公告)号：CN107330869A
公开(公告)日：2017-11-07
申请号：CN201710504878.2
申请日：2017-06-28
Applicant: 哈尔滨理工大学
CPC classification number: G06T5/001 , G06T7/11 , G06T2207/30096
Abstract: 重叠细胞分割后的异常像素点重构，本发明涉及DNA倍体分析技术中，重叠细胞分割后出现的像素点异常的问题。DNA倍体分析技术通过图像处理技术测量细胞DNA的相对含量，在癌症诊断方面有着广泛的应用。然而重叠细胞的分割后的像素点异常，导致细胞的纹理、灰度以及最重要的光密度等特征出现异常，在诊断中极易出现误诊。为改善这一问题，本发明提出了一种基于GMM-UBM模型的细胞重叠区域像素重构方法。实验表明，该方法能有效地调整细胞的纹理、灰度、光密度等特征值，减少DNA含量测量的误差，降低异常像素点对分类器识别率的影响。本发明应用于重叠细胞分割后的异常像素点重构。
-
Patent Agency Ranking
公开(公告)号：CN114820510A
公开(公告)日：2022-07-29
申请号：CN202210437761.8
申请日：2022-04-25
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06T7/10 , G06T7/62 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/82 , G06V10/762 , G06V10/764
Abstract: 细胞病理图像质量评价方法，本发明涉及自动化病理诊断技术中，缺乏细胞病理图像质量评价方法的问题。病理切片数字化积累了大量的数据，是自动化病理诊断的重要前提。然而扫描产生的质量不合格的细胞病理图像严重影响了自动化病理诊断的效率，甚至导致误诊和漏诊。现在存在的很多图像质量评价方法都没有考虑到细胞病理医生对于样本图像的评价标准，不适用于自动化病理诊断领域。为改善这一问题，本发明提出了一种基于《宫颈液基细胞学的数字病理图像采集与图像质量控制中国专家共识》和TBS(The Bethesda system)诊断标准的细胞病理图像质量评价方法。实验表明，该方法能有效地评价细胞病理图像的质量，提高自动病理诊断的效率。本发明应用于细胞病理图像的质量评价。
-
公开(公告)号：CN105652429A
公开(公告)日：2016-06-08
申请号：CN201610165283.4
申请日：2016-03-22
Applicant: 哈尔滨理工大学
IPC: G02B21/24
CPC classification number: G02B21/244
Abstract: 一种基于机器学习的显微镜细胞载玻片扫描自动聚焦方法，本发明涉及基于机器学习的显微镜细胞载玻片扫描自动聚焦方法。本发明的目的是为了解决现有聚焦速度慢、计算量大、计算速度慢的问题。具体过程为：一、开始；二、根据载玻片情况选择螺旋扫描、蛇形扫描或随机蛇形扫描以及待扫描区域的数量；三、计算出低灰度值统计法的阈值、门限和三个步长大小；四、按照选择扫描方式控制载物平台沿XY轴移动到下一个待采集图像区域；五、控制载物平台到达焦点；摄像头采集当前区域图像；六、判断采集当前区域图像数量是否满足步骤二中待扫描区域的数量，若满足，则执行七，若没满足，则执行四；七、结束。本发明应用于显微镜聚焦领域。
-
公开(公告)号：CN113222847A
公开(公告)日：2021-08-06
申请号：CN202110542673.X
申请日：2021-05-18
Applicant: 哈尔滨理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于生成对抗网络的图像去雾方法，涉及图像去雾技术领域；它的方法如下：步骤一、研究暗通道去雾，从雾图成像的背景模型出发研究去雾；步骤二、学习卷积神经网络的来进行图像去雾；步骤三、改进CycleGAN网络；步骤四、对去雾后的清晰图像通过实验来验证其去雾效果，进行定性和定量的评价，分析对比结果，来比较改进后的基于生成对抗网络的算法与暗通道先验算法在主观评价和客观评价两方面的指标是否都有提升；本发明能够实现图像的去雾，且能够保证图像的清晰度，使用方便，稳定性高；针对雾天的特性，使用生成对抗网络来对图像的去雾效果实现进一步优化。
-
公开(公告)号：CN112419335A
公开(公告)日：2021-02-26
申请号：CN202011303854.9
申请日：2020-11-19
Applicant: 哈尔滨理工大学
Abstract: 一种细胞核分割网络的形状损失计算方法，本发明涉及智能病理诊断技术中，细胞核分割网络损失计算问题。智能病理诊断通过深度学习技术分割并识别细胞图像中的异常细胞。然而在细胞核分割网络中没有考虑细胞核的先验知识，导致部分细胞核轮廓不光滑、存在异形，影响后续分类的结果。为此，我们提出一种细胞核分割网络的形状损失计算方法。其主要思想是估计预测细胞核边缘区域对核形状特征影响的权重。通过最小化这个权重，使分割后的细胞核与实际细胞核形状上保持一致。实验表明：我们的损失计算方法可以有效解决细胞核轮廓不光滑、异形等问题。本发明应用于智能病理诊断中的细胞核分割网络损失计算。
-
公开(公告)号：CN115082420A
公开(公告)日：2022-09-20
申请号：CN202210832755.2
申请日：2022-07-15
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06N3/04 , G06N3/08 , G06T7/11 , G06T7/187 , G06V10/77 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 一种基于深度学习的组织病理细胞核的实例分割方法，本发明涉及组织病理图像分析中，组织病理细胞核实例的精准分割问题。组织病理细胞核的实例分割不仅要将细胞核与图片的背景区分开，还要精准的分割出每一个单独的细胞核轮廓。由于图像背景复杂、核之间缺乏清晰的边界、以及较大的核大小和形态变化，这都为组织病理细胞核实例的精准分割提出了挑战。本发明提出一种基于CondInst模型的组织病理细胞核实例分割方法。实验表明，该方法有效的解决了组织病理细胞核漏分割或者是误分割的情况，并且细胞核的轮廓更加贴合真实细胞核轮廓。本发明应用于组织病理细胞核实例的精准分割。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.023 seconds)
