-
公开(公告)号：CN112488234B
公开(公告)日：2022-04-29
申请号：CN202011454778.1
申请日：2020-12-10
Applicant: 武汉大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/26 , G06V20/69 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于注意力池化的端到端组织病理图像分类方法，该方法的具体步骤包括：S1：将组织病理图像切分成指定大小的切片，去除背景区域过多的切片，剩余的切片组成一个包。S2：将S1中得到的包作为输入，利用标准的多示例学习的方法训练一个深度神经网络。S3：使用训练后的深度神经网络对所有的切片打分，取每张全玻片图像得分最高和最低的m张切片，集合为一个新的包。S4：搭建一个包含注意力模块的深度神经网络，使用步骤S3得到的新包训练该网络。S5：将待分类的组织病理图像经S1和S3处理后，使用S4得到的模型进行分类。本发明可以在当前只有少量样本的情形下得到较好的分类效果，为医生提供辅助诊断机制，缓解医疗资源紧张的问题。
-
公开(公告)号：CN111476266B
公开(公告)日：2022-04-12
申请号：CN202010125024.5
申请日：2020-02-27
Applicant: 武汉大学
Abstract: 本发明公开了一种基于迁移学习的非平衡类别白细胞分类方法，首先对数据集进行再划分，并进行数据增强和数据预处理，得到类别平衡的数据集。然后，采用迁移学习的技术，基于Resnet 50的深度学习模型，对网络参数进行调整，使用卷积，全局池化，dropout等操作代替全连接层，自定义网络的损失函数，进行迁移训练，实现白细胞分类的功能。本发明的方法相较于其他算法对数量较少的白细胞类别的关注度更高，模型的泛化能力更强。实验表明，本发明一种基于迁移学习的非平衡类别白细胞分类方法能够达到较高的精度和准确率，具有较高的实用价值。
-
公开(公告)号：CN114118258B
公开(公告)日：2024-11-19
申请号：CN202111398932.2
申请日：2021-11-19
Applicant: 武汉大学
IPC: G06V10/764 , G16H30/20 , G06V10/80
Abstract: 本发明提供了一种基于背景指导注意力机制的病理切片特征融合方法，该方法包括：S1：使用预训练的深度神经网络提取病理图像切片的特征，并使用线性变换将其转换为d维的特征；S2：根据d维的正态分布随机生成一个d维的初始背景向量；S3：从步骤2生成的初始背景向量出发，经过一个循环模块，得到该病理图像的背景向量；S4：利用步骤3得到的背景向量，计算每个切片特征的注意力权重；S5：将特征按它们的注意力权重加权求和，得到融合后的病理图像特征。本发明使用基于背景指导的注意力机制，构建了充分反映病理图像中切片所处环境信息的背景向量，可以在更短的时间内使用更小的内存计算切片的权重，得到质量更高的融合特征。
-
Patent Agency Ranking
公开(公告)号：CN114118258A
公开(公告)日：2022-03-01
申请号：CN202111398932.2
申请日：2021-11-19
Applicant: 武汉大学
IPC: G06K9/62 , G16H30/20 , G06V10/764 , G06V10/80
Abstract: 本发明提供了一种基于背景指导注意力机制的病理切片特征融合方法，该方法包括：S1：使用预训练的深度神经网络提取病理图像切片的特征，并使用线性变换将其转换为d维的特征；S2：根据d维的正态分布随机生成一个d维的初始背景向量；S3：从步骤2生成的初始背景向量出发，经过一个循环模块，得到该病理图像的背景向量；S4：利用步骤3得到的背景向量，计算每个切片特征的注意力权重；S5：将特征按它们的注意力权重加权求和，得到融合后的病理图像特征。本发明使用基于背景指导的注意力机制，构建了充分反映病理图像中切片所处环境信息的背景向量，可以在更短的时间内使用更小的内存计算切片的权重，得到质量更高的融合特征。
-
公开(公告)号：CN111476266A
公开(公告)日：2020-07-31
申请号：CN202010125024.5
申请日：2020-02-27
Applicant: 武汉大学
Abstract: 本发明公开了一种基于迁移学习的非平衡类别白细胞分类方法，首先对数据集进行再划分，并进行数据增强和数据预处理，得到类别平衡的数据集。然后，采用迁移学习的技术，基于Resnet 50的深度学习模型，对网络参数进行调整，使用卷积，全局池化，dropout等操作代替全连接层，自定义网络的损失函数，进行迁移训练，实现白细胞分类的功能。本发明的方法相较于其他算法对数量较少的白细胞类别的关注度更高，模型的泛化能力更强。实验表明，本发明一种基于迁移学习的非平衡类别白细胞分类方法能够达到较高的精度和准确率，具有较高的实用价值。
-
公开(公告)号：CN111242242A
公开(公告)日：2020-06-05
申请号：CN202010125696.6
申请日：2020-02-27
Applicant: 武汉大学
Abstract: 本发明公开了一种基于置信度选择的宫颈组织病理全玻片图像自动分类方法包括：S1：将宫颈组织病理全玻片图像切分为设定大小的小块，每张全玻片图像生成的小块集合为一个包，去除包中空白块。S2：搭建CNN模型。S3：训练CNN指定轮数。S4：依次排列连接作为全玻片图像的特征向量。S5：对支持向量机分类器进行训练。S6:将需要进行分类的宫颈组织病理全玻片图像经S1及S4处理，得到该图像的特征向量，输入训练好的支持向量机分类器，实现分类。本发明使用基于置信度选择的宫颈组织病理全玻片图像自动分类方法，辅助给医生提供参考，减低误诊、漏诊率，减少人工诊断所需的工作量，提高诊断效率。
-
公开(公告)号：CN111242242B
公开(公告)日：2022-04-12
申请号：CN202010125696.6
申请日：2020-02-27
Applicant: 武汉大学
IPC: G06K9/62 , G06N3/04 , G06V10/774 , G06V10/764
Abstract: 本发明公开了一种基于置信度选择的宫颈组织病理全玻片图像自动分类方法包括：S1：将宫颈组织病理全玻片图像切分为设定大小的小块，每张全玻片图像生成的小块集合为一个包，去除包中空白块。S2：搭建CNN模型。S3：训练CNN指定轮数。S4：依次排列连接作为全玻片图像的特征向量。S5：对支持向量机分类器进行训练。S6:将需要进行分类的宫颈组织病理全玻片图像经S1及S4处理，得到该图像的特征向量，输入训练好的支持向量机分类器，实现分类。本发明使用基于置信度选择的宫颈组织病理全玻片图像自动分类方法，辅助给医生提供参考，减低误诊、漏诊率，减少人工诊断所需的工作量，提高诊断效率。
-
公开(公告)号：CN112488234A
公开(公告)日：2021-03-12
申请号：CN202011454778.1
申请日：2020-12-10
Applicant: 武汉大学
Abstract: 本发明公开了一种基于注意力池化的端到端组织病理图像分类方法，该方法的具体步骤包括：S1：将组织病理图像切分成指定大小的切片，去除背景区域过多的切片，剩余的切片组成一个包。S2：将S1中得到的包作为输入，利用标准的多示例学习的方法训练一个深度神经网络。S3：使用训练后的深度神经网络对所有的切片打分，取每张全玻片图像得分最高和最低的m张切片，集合为一个新的包。S4：搭建一个包含注意力模块的深度神经网络，使用步骤S3得到的新包训练该网络。S5：将待分类的组织病理图像经S1和S3处理后，使用S4得到的模型进行分类。本发明可以在当前只有少量样本的情形下得到较好的分类效果，为医生提供辅助诊断机制，缓解医疗资源紧张的问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
