-
公开(公告)号：CN108447062B
公开(公告)日：2021-04-20
申请号：CN201810102847.9
申请日：2018-02-01
Applicant: 浙江大学
Abstract: 本发明公开一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法，包括：正、负样本分别缩放至低分辨率，中分辨率和高分辨率图像后，采用全卷积网络算法进行训练，得到收敛的低分辨率分割模型、中分辨率分割模型和高分辨率模型；通过模型集成方法进行融合，得到多尺度混合分割模型；将新病理切片的有效判别区域，使用测试时数据增强方法处理后，输入上述多尺度混合分割模型，输出有效分割区域中每个像素的概率，将概率值大于阈值t的像素作为非正常细胞像素，记为1，其余的像素作为正常细胞像素，记为0，得到多尺度混合分割模型预测的二值图像，对该二值图像进行后处理，得到最终分割结果。该分割方法精度高，Dice值达0.869以上。
-
公开(公告)号：CN110852991B
公开(公告)日：2022-08-09
申请号：CN201910959396.5
申请日：2019-10-10
Applicant: 浙江大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于3D结合2D的脊椎骨检测方法，包括以下步骤：(1)获取CT脊椎影像样本并进行预处理，将预处理后的样本进行专家标注，标注出脊椎骨的中心位置和对应的脊椎骨名称，将标注后的样本分为训练集、验证集和测试集；(2)构建脊椎骨检测模型，所述的脊椎骨检测模型包括3D编码‑解码网络和2D编码‑解码网络；(3)将构建的脊椎骨检测模型在训练集和验证集上进行训练，直到模型收敛；(4)将训练完的模型在测试集下进行测试，通过测试后进行脊椎骨检测的应用。利用本发明，可以大大提高脊椎骨检测的速度和准确率，有助于医生做出更精确的判断。
-
公开(公告)号：CN109493346B
公开(公告)日：2021-09-07
申请号：CN201811285894.8
申请日：2018-10-31
Applicant: 浙江大学
Abstract: 本发明公开了一种基于多损失的胃癌病理切片图像分割方法和装置，属于医疗图像处理技术领域，首先由若干张全切片样本获得2048*2048大小的patch病理图和标记图，每张切片大概可以获得200个有效patch，集合成训练和测试样本，传入CLGCN网络进行训练，待模型收敛后，输入测试病理图，预测出对应的概率密度图，若某个像素点的概率值高于一定的水平，则预测为病变点，最后得到分割的patch图并进行全切片的拼接，由此得到一张完整的病理切片分割预测图。由于分割模型训练的过程中，增加了5个分类模块，以及最末端的多个损失的集合，训练的时候需要先对左侧4个分类模块做预训练，得到所有分类模块的初始参数，后在初始参数的基础之上，多个损失进行加权联合训练。
-
公开(公告)号：CN108230339B
公开(公告)日：2021-08-03
申请号：CN201810095649.4
申请日：2018-01-31
Applicant: 浙江大学
Abstract: 本发明公开了一种基于伪标签迭代标注的胃癌病理切片标注补全方法，包括：1)利用胃癌病理切片的原始阳性样本和原始阴性样本制作伪标签样本；2)对伪标签样本进行图像分割，作为训练图像，传入U‑Net训练；3)将原始阳性样本进行数据增广，传入2)中训练后的U‑Net进行测试，并依据增广方式进行还原，最后将全部图像进行加权平均，整合得到胃部病变概率图；4)筛选出胃癌病变概率高于阈值的部位，将其提取出来，拼接到原始阴性样本中，生成下一轮迭代的伪标签样本；将上述过程不断进行迭代，最终获取标注完全的胃癌病理切片。本发明方法大大减少切片标注需要消耗的人力资源，提高了训练数据集的数量与质量，为训练出更精确的深度学习模型提供了可能。
-
公开(公告)号：CN109493346A
公开(公告)日：2019-03-19
申请号：CN201811285894.8
申请日：2018-10-31
Applicant: 浙江大学
Abstract: 本发明公开了一种基于多损失的胃癌病理切片图像分割方法和装置，属于医疗图像处理技术领域，首先由若干张全切片样本获得2048*2048大小的patch病理图和标记图，每张切片大概可以获得200个有效patch，集合成训练和测试样本，传入CLGCN网络进行训练，待模型收敛后，输入测试病理图，预测出对应的概率密度图，若某个像素点的概率值高于一定的水平，则预测为病变点，最后得到分割的patch图并进行全切片的拼接，由此得到一张完整的病理切片分割预测图。由于分割模型训练的过程中，增加了5个分类模块，以及最末端的多个损失的集合，训练的时候需要先对左侧4个分类模块做预训练，得到所有分类模块的初始参数，后在初始参数的基础之上，多个损失进行加权联合训练。
-
Patent Agency Ranking
公开(公告)号：CN110852991A
公开(公告)日：2020-02-28
申请号：CN201910959396.5
申请日：2019-10-10
Applicant: 浙江大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于3D结合2D的脊椎骨检测方法，包括以下步骤：(1)获取CT脊椎影像样本并进行预处理，将预处理后的样本进行专家标注，标注出脊椎骨的中心位置和对应的脊椎骨名称，将标注后的样本分为训练集、验证集和测试集；(2)构建脊椎骨检测模型，所述的脊椎骨检测模型包括3D编码-解码网络和2D编码-解码网络；(3)将构建的脊椎骨检测模型在训练集和验证集上进行训练，直到模型收敛；(4)将训练完的模型在测试集下进行测试，通过测试后进行脊椎骨检测的应用。利用本发明，可以大大提高脊椎骨检测的速度和准确率，有助于医生做出更精确的判断。
-
公开(公告)号：CN109685765A
公开(公告)日：2019-04-26
申请号：CN201811392353.5
申请日：2018-11-21
Applicant: 浙江大学山东工业技术研究院
CPC classification number: G06T7/0012 , G06T2207/10116 , G06T2207/20081 , G06T2207/20084 , G06T2207/30061 , G16H30/20
Abstract: 本发明公开了一种基于卷积神经网络的X光片肺炎结果预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有肺炎结果预测模型，其包括分类模型和检测模型；所述计算机处理器执行所述计算机程序时实现以下步骤：接收X光片，并对X光片进行预处理；将预处理后的X光片输入到分类模型中，输出有肺炎的预测概率；将预测概率值高于阀值的X光片输入到检测模型，输出肺炎预测结果，所述肺炎预测结果包括肺炎区域和与肺炎区域对应的肺炎结果预测概率。本发明提供的预测装置对肺炎结果预测的准确率和精度高，能够大量减轻放射科医生繁重的工作量。
-
公开(公告)号：CN108447062A
公开(公告)日：2018-08-24
申请号：CN201810102847.9
申请日：2018-02-01
Applicant: 浙江大学
Abstract: 本发明公开一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法，包括：正、负样本分别缩放至低分辨率，中分辨率和高分辨率图像后，采用全卷积网络算法进行训练，得到收敛的低分辨率分割模型、中分辨率分割模型和高分辨率模型；通过模型集成方法进行融合，得到多尺度混合分割模型；将新病理切片的有效判别区域，使用测试时数据增强方法处理后，输入上述多尺度混合分割模型，输出有效分割区域中每个像素的概率，将概率值大于阈值t的像素作为非正常细胞像素，记为1，其余的像素作为正常细胞像素，记为0，得到多尺度混合分割模型预测的二值图像，对该二值图像进行后处理，得到最终分割结果。该分割方法精度高，Dice值达0.869以上。
-
公开(公告)号：CN108346145A
公开(公告)日：2018-07-31
申请号：CN201810097641.1
申请日：2018-01-31
Applicant: 浙江大学
Abstract: 本发明公开了一种病理切片中非常规细胞的识别方法，包括：将电子扫描病理切片预处理得到有效判别区域，输入全卷积网络预训练，再使用全连接层代替全卷积网络头部微调网络，使全卷积网络具有提取非常规细胞特征的能力，进而确定非常规细胞位置，更加有效地对有效判别区域进行分类；通过结合多个普通分类网络的预测结果投票，输出更加稳定的分类结果。本发明的识别方法能够自动判别病理切片中每一个20×放大的视野中存在非常规细胞的概率，输出概率值在0.5以上的非常规细胞作为识别结果，大量减轻人工筛查病理切片中非常规细胞的工作量，快速准确的筛选出非常规细胞。
-
公开(公告)号：CN108230339A
公开(公告)日：2018-06-29
申请号：CN201810095649.4
申请日：2018-01-31
Applicant: 浙江大学
Abstract: 本发明公开了一种基于伪标签迭代标注的胃癌病理切片标注补全方法，包括：1)利用胃癌病理切片的原始阳性样本和原始阴性样本制作伪标签样本；2)对伪标签样本进行图像分割，作为训练图像，传入U‑Net训练；3)将原始阳性样本进行数据增广，传入2)中训练后的U‑Net进行测试，并依据增广方式进行还原，最后将全部图像进行加权平均，整合得到胃部病变概率图；4)筛选出胃癌病变概率高于阈值的部位，将其提取出来，拼接到原始阴性样本中，生成下一轮迭代的伪标签样本；将上述过程不断进行迭代，最终获取标注完全的胃癌病理切片。本发明方法大大减少切片标注需要消耗的人力资源，提高了训练数据集的数量与质量，为训练出更精确的深度学习模型提供了可能。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.021 seconds)
