-
公开(公告)号：CN109544511A
公开(公告)日：2019-03-29
申请号：CN201811252918.X
申请日：2018-10-25
Applicant: 广州大学
Abstract: 本发明属于人工智能与医学影像分析相结合的领域，涉及基于粒子群算法优化的卷积神经网络对肺结节识别的方法，包括以下步骤：获取病人肺部的CT切片图像；对CT切片图像进行预处理，将获取的CT切片图像进行标注，形成数据集；构造卷积神经网络；使用粒子群算法优化卷积神经网络的超参数；利用标注好的数据集对优化后的卷积神经网络进行训练；使用训练完成的卷积神经网络提取肺结节特征。本发明通过粒子群算法对卷积神经网络进行优化，解决了卷积神经网络最优超参数的人工选取难的问题，对于肺结节有很好的识别效果。
-
公开(公告)号：CN109544511B
公开(公告)日：2022-01-04
申请号：CN201811252918.X
申请日：2018-10-25
Applicant: 广州大学
Abstract: 本发明属于人工智能与医学影像分析相结合的领域，涉及基于粒子群算法优化的卷积神经网络对肺结节识别的方法，包括以下步骤：获取病人肺部的CT切片图像；对CT切片图像进行预处理，将获取的CT切片图像进行标注，形成数据集；构造卷积神经网络；使用粒子群算法优化卷积神经网络的超参数；利用标注好的数据集对优化后的卷积神经网络进行训练；使用训练完成的卷积神经网络提取肺结节特征。本发明通过粒子群算法对卷积神经网络进行优化，解决了卷积神经网络最优超参数的人工选取难的问题，对于肺结节有很好的识别效果。
-
公开(公告)号：CN109544510B
公开(公告)日：2021-10-26
申请号：CN201811243707.X
申请日：2018-10-24
Applicant: 广州大学
Abstract: 本发明涉及医学图像分析领域和深度学习领域，为基于卷积神经网络的三维肺结节识别方法，包括步骤：肺部三维CT图像数据集预处理，将预处理后的CT图像数据集分成训练数据集和测试数据集；建立DenseNet和SENet相结合的神经网络模型，并设置其超参数；将训练数据集导入神经网络模型中，采用随机梯度下降算法和学习率逐步递减的方式进行训练，待模型充分收敛之后，保存并导出模型结构和权重参数，得到训练好的神经网络模型；用神经网络模型对测试数据集中每组三维CT图像进行测试，得到肺结节识别结果。该方法可分析出三维CT影像中是否含有肺结节及其具体位置，解决了深度卷积神经网络可能出现梯度消失、梯度爆炸或退化问题导致肺结节识别准确率低的问题。
-
公开(公告)号：CN109035272B
公开(公告)日：2021-03-30
申请号：CN201810852164.5
申请日：2018-07-27
Applicant: 广州大学
Abstract: 本发明公开了基于CT图像的肺分割方法、装置及计算机可读存储介质，所述方法包括：输入CT图像，并抽取原始肺部图像；根据设定的灰度阈值，对所述原始肺部图像进行阈值处理，并使用第一滤波器滤除杂点，得到第一二值图像；利用边缘检测法，对第一二值图像进行修正和肺部边界抽取，得到第二二值图像；将第一二值图像和第二二值图像进行重合，并对重合后的图像进行肺部边界修补，进一步使用第二滤波器滤除杂点，得到目标肺部图像；使用第三滤波器滤除杂点，得到精准肺部图像，并输出精准肺部图像。本发明能够自动在CT图像上进行准确的肺分割，确保肺实质区域分割的完整性，避免由于肺区域的边缘缺失及区域的缺失而在后续诊断过程中造成漏诊的问题。
-
公开(公告)号：CN109543684B
公开(公告)日：2020-08-18
申请号：CN201811172150.5
申请日：2018-10-09
Applicant: 广州大学
Abstract: 本发明公开了一种基于全卷积神经网络的即时目标追踪检测方法及系统，方法包括：S1、进行数据增强处理，得到训练样本；S2、将训练样本与第一帧对应的目标分割图以颜色通道维度进行组合；S3、将训练样本第二帧对应的目标分割图与其转置图在颜色通道维度进行组合；S4、构建全卷积对抗神经网络，其由全卷积网络和判别器网络构成；S5、训练判别器判断该分割图是由全卷积网络生成的伪造数据还是真实数据；S6、将分割图与其标签使用交叉熵计算损失值1和损失值2；S7、将步骤S5和S6轮流进行，直到全卷积网络生成尽可能接近真实的人为绘制的目标分割图。本发明依赖的数据少，运算速度快，具有即时性，可以在视频拍摄的同时就对视频中的目标进行追踪。
-
Patent Agency Ranking
公开(公告)号：CN109492690B
公开(公告)日：2021-11-30
申请号：CN201811316415.4
申请日：2018-11-06
Applicant: 广州大学
Abstract: 本发明公开了一种基于卷积神经网络检测CT图像的方法，包括如下步骤：S1、提供病人的CT图像、基因组表达谱、蛋白质表达谱、吸烟情况和工作环境信息，并对CT图像进行标注获得数据集；S2、根据步骤S1所述信息搭建一个主要神经网络和四个次要神经网络，其中，主要神经网络以卷积神经网络为主体，四个次要神经网络分别用于分析基因组表达谱、蛋白质表达谱、吸烟情况和工作环境对病人病情影响的大小并输出相应的权值；S3、用已标注的数据集对所述主要神经网络进行训练，代入所述次要神经网络输出的权值，以判断病人的CT图像是否具有肺癌相应特征。采用本发明的方法检测CT图像，可以辅助医生显著提高肺癌诊断的准确率和效率。
-
公开(公告)号：CN109523525A
公开(公告)日：2019-03-26
申请号：CN201811323026.4
申请日：2018-11-07
Applicant: 广州大学
Abstract: 本发明公开了一种图像融合的恶性肺结节识别方法、装置、设备及存储介质，方法包括：对获取的至少一组肺部CT图像进行预处理；对预处理后的每组肺部CT图像进行融合处理，以获得融合图像；根据每组肺部CT图像的结节位置的标签，对所述融合图像中的结节部分进行标注；以及使用标注后的所述融合图像对构建的卷积神经网络进行训练，以使用训练完成的卷积神经网络识别CT图像中恶性肺结节的位置。使用本发明，能够自动准确的识别出肺部CT图像中的恶性肺结节，降低误诊的概率。
-
公开(公告)号：CN109492690A
公开(公告)日：2019-03-19
申请号：CN201811316415.4
申请日：2018-11-06
Applicant: 广州大学
Abstract: 本发明公开了一种基于卷积神经网络检测CT图像的方法，包括如下步骤：S1、提供病人的CT图像、基因组表达谱、蛋白质表达谱、吸烟情况和工作环境信息，并对CT图像进行标注获得数据集；S2、根据步骤S1所述信息搭建一个主要神经网络和四个次要神经网络，其中，主要神经网络以卷积神经网络为主体，四个次要神经网络分别用于分析基因组表达谱、蛋白质表达谱、吸烟情况和工作环境对病人病情影响的大小并输出相应的权值；S3、用已标注的数据集对所述主要神经网络进行训练，代入所述次要神经网络输出的权值，以判断病人的CT图像是否具有肺癌相应特征。采用本发明的方法检测CT图像，可以辅助医生显著提高肺癌诊断的准确率和效率。
-
公开(公告)号：CN109034249A
公开(公告)日：2018-12-18
申请号：CN201810852407.5
申请日：2018-07-27
Applicant: 广州大学
CPC classification number: G06K9/6268 , G06K9/54
Abstract: 本发明公开了基于分解径向对称卷积核的卷积优化方法、装置、终端设备及计算机可读存储介质，所述方法包括：输入待识别图像，并对所述待识别图像进行预处理；分别利用预先分解m*m径向对称卷积核得到的1个1*1的卷积核和(m‑1)/2个1*m(m＝2k+3,k∈N)的卷积核，对经过预处理的待识别图像进行卷积，得到1个1*1的第一特征图和(m‑1)/2个1*m(m＝2k+3,k∈N)的第二特征图；进一步对第二特征图进行卷积，得到第三特征图；对第一特征图和(第三特征图进行求和，得到目标特征图，并输出所述目标特征图。本发明通过在降低径向对称卷积核计算量的基础上降低参数量，进而达到对卷积进行优化的目的。
-
公开(公告)号：CN109003274A
公开(公告)日：2018-12-14
申请号：CN201810852410.7
申请日：2018-07-27
Applicant: 广州大学
Abstract: 本发明公开了一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质，所述方法包括：采集待识别CT图像，并从所述待识别CT图像中提取可能的肺结核部分和肿瘤部分；根据预设的标注模板，获取所述肺结核部分和所述肿瘤部分的标注说明；对已标注的待识别CT图像进行预处理；将经预处理的待识别CT图像输入已训练好的深度卷积神经网络中进行肺结核和肿瘤区分，输出诊断结果。本发明能够通过CT图像自动精确区分肺结核与肺部肿瘤，辅助医生诊断，提高医生对判断肺结核与肺部肿瘤的准确性，避免造成无法挽回的损失。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.013 seconds)
