-
公开(公告)号：CN109685765B
公开(公告)日：2023-03-14
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
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：CN109994201B
公开(公告)日：2021-06-11
申请号：CN201910202701.6
申请日：2019-03-18
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度学习的糖尿病与高血压概率计算方法，包括：(1)采集用户体检数据后进行数据清洗和预处理，再对数据中的数字数据和文本数据分别进行编码操作，得到训练数据；(2)建立糖尿病与高血压多任务概率计算模型；(3)使用训练数据对上述多任务概率计算模型进行训练，根据模型计算的结果与糖尿病、高血压标签的重合情况对网络参数进行优化，直到模型收敛；(4)将需要计算糖尿病与高血压概率的体检数据进行清洗、预处理和编码操作后输入上述训练完的模型，计算得到糖尿病概率与高血压概率。利用本发明，可同时计算糖尿病与高血压疾病的概率，辅助医生进行更好的判断。
-
公开(公告)号：CN109859159B
公开(公告)日：2020-10-13
申请号：CN201811469200.6
申请日：2018-11-28
Applicant: 浙江大学
Abstract: 本发明公开了一种基于多模态分割网络的宫颈病变区域分割方法和装置，属于医疗图像处理技术领域，在醋酸图像和碘图像的特征提取过程中采取交叉连接的方式来融合两种图像的特征。为了融合两种图像的特征，将前一个卷积块的醋酸图像特征与下一个卷积块的碘图像进行通道层次的拼接操作，然后碘图像分支再进行后续的特征学习；同理，将前一个卷积块的碘图像特征与下一个卷积块的醋酸图像特征进行拼接操作，然后醋酸图像分支在进行后续的特征学习。这样的交叉连接方式一直持续到第五卷积块，从第五卷积块输出的醋酸图像和碘图像特征基本保持了两种图像的特征。然后，将醋酸图像分支和碘图像分支学习到的特征分别进入FCN模型的分割部分，进行分割预测。
-
公开(公告)号：CN108346145B
公开(公告)日：2020-08-04
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：CN109214375A
公开(公告)日：2019-01-15
申请号：CN201811319271.8
申请日：2018-11-07
Applicant: 浙江大学
Abstract: 本发明公开了一种基于分段采样的视频特征的胚胎妊娠结果预测装置，包括存储器、处理器以及计算机程序，存储器中存有包括n个特征提取模块和融合分类模块的胚胎妊娠结果预测模型，处理器执行所述计算机程序时实现以下步骤：接收胚胎发育视频，并对帧图像进行去噪剔除后，将剩余帧图像分成n段，并在每段中等时间间隔抽取m帧图像；以每个特征提取模块输入m帧图像的方式，将抽取的n*m帧图像分别输入到n个特征提取模块，经特征提取后，提取的n类特征图合并后输入到融合分类模块中，经计算输出胚胎妊娠结果预测概率；其中，n为大于等于4的自然数，m为小于20的自然数。该装置能够根据胚胎发育视频准确地输出胚胎妊娠结果的预测概率。
-
Patent Agency Ranking
公开(公告)号：CN108197606A
公开(公告)日：2018-06-22
申请号：CN201810096849.1
申请日：2018-01-31
Applicant: 浙江大学
Abstract: 本发明公开了一种基于多尺度膨胀卷积的病理切片中异常细胞识别方法，包括：(1)对电子扫描病理切片进行预处理，得到训练数据；(2)搭建多尺度膨胀卷积分割模型：所述模型以ResNeXt网络为基本骨架，以ASPP和DUC为基本模块；所述的ASPP模块的个数为1～5；(3)采用步骤(1)得到的训练数据对步骤(2)所述的多尺度膨胀卷积分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，使模型收敛，得到所述病理切片中异常细胞的识别。本发明提供的识别方法筛查异常细胞的准确率和精度高，以F1值的衡量算法的指标，本算法的F1值能够达到98％以上。
-
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。
-
公开(公告)号：CN109636806B
公开(公告)日：2022-12-27
申请号：CN201811399318.6
申请日：2018-11-22
Applicant: 浙江大学山东工业技术研究院
Abstract: 本发明公开了一种基于多步学习的三维核磁共振胰腺图像分割方法，包括：(1)归一化预处理三维核磁共振图像；(2)随机将预处理后的图像分为训练集、验证集和测试集；(3)利用分割标注将训练集中包含胰腺的块和对应的标注切出备用；(4)压缩原始图像训练一个Q‑net模型计算胰腺大致位置；(5)使用步骤3中的配对数据预训练另一个P‑net模型；(6)使用预训练的Q‑net产生胰腺的3D位置预测图，选取概率高的图块，映射回原图，分块输入预训练的P‑net中合并训练预测胰腺位置；(7)使用训练好的分割模型在测试集上进行预测检测效果。利用本发明，能够精确地从三维的核磁共振图像中分割出胰腺，可为胰腺的放射治疗提供依据和指导。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.023 seconds)
