-
公开(公告)号：CN111882522A
公开(公告)日：2020-11-03
申请号：CN202010584207.3
申请日：2020-06-23
Applicant: 浙江大学山东工业技术研究院
Abstract: 一种细胞涂片的图像处理方法，执行以下操作：收集宫颈液基细胞的尺寸固定的视野图片，构建清晰度图像数据集，清晰度图像数据集包括标记清晰的图像和标记模糊的图像，每一张图像标记其视野尺寸；本发明的优点在于：对于图像模糊的问题，本发明首先判断视野图像的清晰情况，在发现图像模糊但可修复时，启动清晰度修复神经网络对图像进行复原。使用清晰度分类神经网络筛选模糊图像，一方面选择有修复价值的图像，提升复原的成功率，另一方面对清晰的图像，避免重复运行清晰度修复神经网络，节省运行时间，提高运行效率，同时清晰度修复神经网络方法从大量实际图像中迭代方式学习通用特征，抛弃了传统的方法先估计模糊核再估计清晰图像的较多依赖人工特征的策略，相比较传统方法有更好的适应性。
-
公开(公告)号：CN112835893A
公开(公告)日：2021-05-25
申请号：CN202110063078.8
申请日：2021-01-18
Applicant: 浙江大学山东工业技术研究院
IPC: G06F16/22 , G06F16/2458 , G06K9/62 , G06Q40/08
Abstract: 本发明属于医疗保险数据处理技术领域，尤其是涉及一种基于聚类的医保欺诈行为的检测方法及系统。一种基于聚类的医保欺诈行为的检测方法，包括以下步骤：S1、数据提取；S2、归一化处理；S3、数据聚类；S4、得出结果，重复步骤S3直至聚类收敛，得到可疑异常行为的机构信息。本发明提供了一种解决实际场景中推拿项目异常的问题、检测出有疑似医保欺诈异常行为的医疗机构的基于聚类的医保欺诈行为的检测方法及系统。
-
公开(公告)号：CN112835893B
公开(公告)日：2023-03-21
申请号：CN202110063078.8
申请日：2021-01-18
Applicant: 浙江大学山东工业技术研究院
IPC: G06F16/22 , G06F16/2458 , G06F18/23213 , G06Q40/08
Abstract: 本发明属于医疗保险数据处理技术领域，尤其是涉及一种基于聚类的医保欺诈行为的检测方法及系统。一种基于聚类的医保欺诈行为的检测方法，包括以下步骤：S1、数据提取；S2、归一化处理；S3、数据聚类；S4、得出结果，重复步骤S3直至聚类收敛，得到可疑异常行为的机构信息。本发明提供了一种解决实际场景中推拿项目异常的问题、检测出有疑似医保欺诈异常行为的医疗机构的基于聚类的医保欺诈行为的检测方法及系统。
-
公开(公告)号：CN111882521A
公开(公告)日：2020-11-03
申请号：CN202010582778.3
申请日：2020-06-23
Applicant: 浙江大学山东工业技术研究院
Abstract: 一种细胞涂片的图像处理方法，执行以下操作：获取病理图片的电子图像集，构建图像训练集，图像训练集包括细胞图像集和染色图像集，细胞图像集中包括标注有细胞的切片图像和标注无细胞的切片图像，染色图像集包括标注染色不理想的切片图像和标注染色正常的切片图像；本发明的优点在于：能够针对高分辨率的整张图像进行有细胞区域的自动化染色修复。细胞涂片的扫描图像分辨率极高，可以通过在不同放大倍率下进行图像切片，构建数据集，提高有细胞区域的识别精度。染色不理想的图像数据集包括小样本的实际染色不理想图像和通过仿真扩增出来的染色不理想图像，增大样本量，提高对染色不理想图像的识别率。
-
公开(公告)号：CN109684922B
公开(公告)日：2023-04-07
申请号：CN201811384497.6
申请日：2018-11-20
Applicant: 浙江大学山东工业技术研究院
IPC: G06V20/68 , G06V10/764 , G06V10/82 , G06V10/50 , G06V10/774 , G06N3/047 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络的多模型对成品菜的识别方法，包括：收集成品菜的图像，根据菜品种类进行标签标注；对图像进行白平衡和均衡化处理，得到训练数据集；构建至少两个不同的卷积神经网络模型，用训练数据集分别进行迭代训练，得到训练完成后的卷积神经网络模型；将待测图像分别输入训练完成后的卷积神经网络模型进行识别，每个卷积神经网络模型输出菜品种类中每个类别对应的概率值；用投票算法计算不同卷积神经网络模型输出的同一类别对应的概率值的平均值，选取平均值中的最高值所对应的类别作为识别结果。该识别方法避免了人工选取特征和传统特征度量方法适应性不强的缺点，剔除特征中的冗余信息，利于提升识别的准确性。
-
Patent Agency Ranking
公开(公告)号：CN108334899A
公开(公告)日：2018-07-27
申请号：CN201810080541.8
申请日：2018-01-28
Applicant: 浙江大学
Abstract: 本发明公开了一种基于手骨X光片骨骼和关节量化信息集成的骨龄评估方法，包括以下步骤：步骤1，收集手骨X光片的图片样本，并按照性别、年龄段对样本进行分类，得到分组信息；步骤2，对样本的骨骼和关节位置进行标注与分割；步骤3，将样本图像预处理后与真实位置信息输入到卷积神经网络中，进行迭代训练，得到骨骼和关节的位置信息和特征图；步骤4，计算样本中骨骼和关节的形态学特征参数；步骤5，将骨骼和关节的特征图以及形态学特征融合为混合特征信息，与分组信息一起输入到卷积神经网络模型中进行迭代训练；步骤6，模型训练完毕，进行骨龄评估应用。利用本发明，能在降低人为因素干扰的前提下更加简便、快捷的评估骨龄。
-
公开(公告)号：CN108335303B
公开(公告)日：2021-01-08
申请号：CN201810080537.1
申请日：2018-01-28
Applicant: 浙江大学
Abstract: 本发明公开了一种应用于手掌X光片的多尺度手掌骨骼分割方法，包括以下步骤：步骤1，收集不同年龄段的手掌X光片图像，标注每个像素点的类别；步骤2，对原始图像进行预处理，增加图片对比度；步骤3，对进行过预处理的图像进行尺度变换处理；步骤4，设计卷积神经网络结构；步骤5，将标注类别的图像和原始图像一起输入到卷积神经网络，对不同尺度的原始图像进行卷积特征提取，将提取的不同尺度的特征信息进行融合后进行卷积处理，进行模型训练直至模型收敛；步骤6，训练完成，进行分割应用。利用本发明，加强了对不同大小手掌骨骼的适应性，减弱了因灰度不均带来的不利影响，具有更好的适应性和鲁棒性。
-
公开(公告)号：CN111161814A
公开(公告)日：2020-05-15
申请号：CN201911310269.9
申请日：2019-12-18
Applicant: 浙江大学
Abstract: 本发明公开了一种基于卷积神经网络的DRGs自动分组方法，包括：收集并根据主要诊断大类和核心疾病诊断相关分组的方式分组；对数据进行数字化编码；构建浅层的卷积神经网络模型，使用k-means聚类方法对卷积网络提取的特征向量进行聚类得到k个类别标签，结合类别标签和分类器监督网络进行迭代训练；模型训练完毕，进行数据分组应用。利用本发明的方法，避免了人工特征选取和新增分组类别进行额外标注数据的缺点，对于分组模糊、困难的数据可以进行自动学习分组。
-
公开(公告)号：CN109684922A
公开(公告)日：2019-04-26
申请号：CN201811384497.6
申请日：2018-11-20
Applicant: 浙江大学山东工业技术研究院
CPC classification number: G06K9/00671 , G06K9/6292
Abstract: 本发明公开了一种基于卷积神经网络的多模型对成品菜的识别方法，包括：收集成品菜的图像，根据菜品种类进行标签标注；对图像进行白平衡和均衡化处理，得到训练数据集；构建至少两个不同的卷积神经网络模型，用训练数据集分别进行迭代训练，得到训练完成后的卷积神经网络模型；将待测图像分别输入训练完成后的卷积神经网络模型进行识别，每个卷积神经网络模型输出菜品种类中每个类别对应的概率值；用投票算法计算不同卷积神经网络模型输出的同一类别对应的概率值的平均值，选取平均值中的最高值所对应的类别作为识别结果。该识别方法避免了人工选取特征和传统特征度量方法适应性不强的缺点，剔除特征中的冗余信息，利于提升识别的准确性。
-
公开(公告)号：CN108335303A
公开(公告)日：2018-07-27
申请号：CN201810080537.1
申请日：2018-01-28
Applicant: 浙江大学
Abstract: 本发明公开了一种应用于手掌X光片的多尺度手掌骨骼分割方法，包括以下步骤：步骤1，收集不同年龄段的手掌X光片图像，标注每个像素点的类别；步骤2，对原始图像进行预处理，增加图片对比度；步骤3，对进行过预处理的图像进行尺度变换处理；步骤4，设计卷积神经网络结构；步骤5，将标注类别的图像和原始图像一起输入到卷积神经网络，对不同尺度的原始图像进行卷积特征提取，将提取的不同尺度的特征信息进行融合后进行卷积处理，进行模型训练直至模型收敛；步骤6，训练完成，进行分割应用。利用本发明，加强了对不同大小手掌骨骼的适应性，减弱了因灰度不均带来的不利影响，具有更好的适应性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
