-
Patent Agency Ranking
公开(公告)号：CN112200809B
公开(公告)日：2022-08-12
申请号：CN202011004014.2
申请日：2020-09-22
Applicant: 浙江大学山东工业技术研究院
Abstract: 本发明属于染色体分析技术领域，尤其是涉及一种基于骨架分割与关键点检测的粘连染色体分离方法及装置。基于骨架分割与关键点检测的粘连染色体分离方法，包括以下步骤：S1、将待分离的粘连染色体图像进行缩放和归一化处理，以获得粘连染色体输入图像；S2、将步骤S1所得的粘连染色体输入图像输入至染色体骨架分割模型中进行分割，以获得染色体骨架图像。本发明提供了一种不依赖于染色体的特定形态模式，具有较高的泛化能力，从粘连染色体之间的黏着点着手，利用黏着点对粘连染色体进行分离，能够有效地解决多条染色体粘连时染色体的分离问题的基于骨架分割与关键点检测的粘连染色体分离方法及装置。
-
公开(公告)号：CN112200809A
公开(公告)日：2021-01-08
申请号：CN202011004014.2
申请日：2020-09-22
Applicant: 浙江大学山东工业技术研究院
Abstract: 本发明属于染色体分析技术领域，尤其是涉及一种基于骨架分割与关键点检测的粘连染色体分离方法及装置。基于骨架分割与关键点检测的粘连染色体分离方法，包括以下步骤：S1、将待分离的粘连染色体图像进行缩放和归一化处理，以获得粘连染色体输入图像；S2、将步骤S1所得的粘连染色体输入图像输入至染色体骨架分割模型中进行分割，以获得染色体骨架图像。本发明提供了一种不依赖于染色体的特定形态模式，具有较高的泛化能力，从粘连染色体之间的黏着点着手，利用黏着点对粘连染色体进行分离，能够有效地解决多条染色体粘连时染色体的分离问题的基于骨架分割与关键点检测的粘连染色体分离方法及装置。
-
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：CN109636806A
公开(公告)日：2019-04-16
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
CPC classification number: G06T7/11 , G06N3/0454 , G06N3/08 , G06T7/13 , G06T7/136 , G06T7/70 , G06T2207/10088 , G06T2207/30096
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：CN112733873A
公开(公告)日：2021-04-30
申请号：CN202011008279.X
申请日：2020-09-23
Applicant: 浙江大学山东工业技术研究院
Abstract: 本发明属于染色体分析技术领域，具体涉及一种基于深度学习的染色体核型图分类方法。其公开了一种基于深度学习的染色体核型图分类方法，包括以下步骤，S1：对待分类的染色体核型图进行缩放或扩大处理、归一化处理，获得染色体核型图的输入图像；S2：将染色体核型图输入图像输入至染色体异常核型图分类模型中，获得染色体核型图的特征图；S3：利用注意力机制处理染色体核型图的特征图，得到染色体异常核型图分类模型对于染色体核型图输入图像的关注点，并将模型关注点的结果同染色体核型图特征图进行融合；S4：将融合后的特征图展开为一维向量，通过全连接层后得到染色体核型图的输入图像在每个分类类别上的得分，取得分最高的那一类为分类结果。
-
-
-
-
Search Results
5
records
(took 0.026 seconds)
