公开(公告)号：CN118674750A

公开(公告)日：2024-09-20

申请号：CN202410821760.2

申请日：2024-06-24

Applicant: 长春理工大学

Inventor： 许红梅 ,  李雨晴 ,  欧阳成星 ,  汪俊文 ,  窦学威 ,  高奥博 ,  王作斌 ,  宋正勋

IPC: G06T7/246 ,  G06T7/10 ,  G06T7/62 ,  G06T7/66 ,  G06V10/44 ,  G06V10/80 ,  G06V10/26 ,  G06V10/22 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明属于细胞跟踪技术领域，尤其为提出一种基于GNN帧内关系建模的细胞跟踪方法，首先将细胞数据集应用Mask R‑CNN进行检测并在原始数据上注释，根据注释的边界框将细胞的质心、区域面积等特征进行提取；通过图神经网络的帧内关系建模获取细胞跟踪的局部跟踪特征；应用度量学习训练模型使其不仅可以区分不同细胞的实例也可以组装相同细胞的实例；应用图注意力机制将局部跟踪特征和度量学习训练后的模型通过特征融合模块进行节点和边缘特征的更新，最后根据全面特征提取的分割标号建立链接对细胞进行谱系跟踪。该方法成功实现了对细胞轨迹的精准构建和追踪，极大地推动了细胞谱系分析的研究进程，也为相关领域的科学研究提供了强有力的技术支持。

公开(公告)号：CN118537853A

公开(公告)日：2024-08-23

申请号：CN202410452341.6

申请日：2024-04-16

Applicant: 长春理工大学

Inventor： 许红梅 ,  窦学威 ,  高奥博 ,  欧阳成星 ,  汪俊文 ,  李雨晴

IPC: G06V20/69 ,  G06V10/40 ,  G06V10/82 ,  G06N3/084 ,  G06N3/0464

Abstract: 本发明属于医学显微图像分类技术领域，尤其为提出一种基于改进的YOLOv7的白细胞五分类方法，通过深度学习技术实现对血液细胞图像的识别。本发明以YOLOv7网络作为主要结构，将Backbone部分中第一个和第四个ELAN‑1模块的四个并行卷积层替换为GhostV2模块，减少参数量的同时生成更多的特征图，结合SimAM注意力机制和MHSA改进Head部分中得ELAN‑2模块，在不增加参数量的情况下生成更多的特征图，使得算法更加关注对白细胞表面的粒度特征，针对网络中不同位置的ELAN模块采用不同的改进方法达到对YOLOv7网络特征提取能力的优化。本发明采用改进后的Focal Loss替换原始的网络结构中的分类损失,增加了难分样本在损失函数中的权重，使得损失函数倾向于难分的样本，同时解决了白细胞图像类别不平衡问题，提高了白细胞分类的准确率。

公开(公告)号：CN118823460A

公开(公告)日：2024-10-22

申请号：CN202410873443.5

申请日：2024-07-01

Applicant: 长春理工大学

Inventor： 许红梅 ,  高奥博 ,  窦学威 ,  王作斌 ,  李雨晴

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明属于深度学习和图像分类技术的技术领域，更具体地，设计一种基于改进Inception v4的乳腺组织病理图图像分类方法。所述方法包括：S1.搜集乳腺组织病理图像构建数据集；S2.改进Inception v4网络结构；S3.定义损失函数；S4.训练乳腺组织病理图像数据集；S5.运用改进的Inception v4网络模型对乳腺组织进行分类。S6.利用准确率、精确率、召回率，F1得分四个参数进行评价。本发明在提高分类准确率和特征提取性能的基础上，能够实现乳腺组织图像的快速、准确分类。

公开(公告)号：CN118898840A

公开(公告)日：2024-11-05

申请号：CN202410896420.6

申请日：2024-07-05

Applicant: 长春理工大学

Inventor： 许红梅 ,  欧阳成星 ,  窦学威 ,  汪俊文 ,  王作斌 ,  宋正勋 ,  田立国 ,  董莉彤 ,  曲凯歌

IPC: G06V20/69 ,  G06V10/26 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明属于医学图像识别领域。本发明提供了一种基于测试时间增强和结合了OutLooker注意力机制与空洞空间金字塔池化(ASPP)以及多尺度输入融合的新型Unet网络，并使用一种利用同方差不确定性对权重自动求值的加权损失函数来对骨髓瘤细胞进行语义分割。通过测试时间增强使得模型对小样本数据具有较好的分割能力，引入注意力机制，可以增强网络的特征表示能力。空洞空间金字塔池化模块可以有效地捕获不同尺度的特征信息。同时，还采用了多尺度特征输入的方法，将来自不同尺度的特征图输入到模型中。而加权损失函数则可以在训练过程中平衡不同类别的样本，而权重的自动求解免去了人工调参的过程。本发明利用语义分割网络模型实现了对不同形态和大小的骨髓瘤细胞进行准确地分割。

公开(公告)号：CN118735783A

公开(公告)日：2024-10-01

申请号：CN202410896425.9

申请日：2024-07-05

Applicant: 长春理工大学

Inventor： 许红梅 ,  汪俊文 ,  李雨晴 ,  王作斌 ,  窦学威 ,  欧阳成星 ,  田立国 ,  宋正勋

IPC: G06T3/4053 ,  G06T3/4046 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于图像处理和生物技术领域，公开了一种基于频率分离对抗网络的细胞图像超分辨率重建技术。使用培养皿对细胞进行培养，当培养皿中的细胞开始不断增值，直至铺满培养皿底部面积的70％‑80％时进行传代，将传代的细胞继续在二氧化碳培养箱中进行培养，如此操作传代三次之后，使用AFM对培养的细胞进行拍照，得到细胞的参数和不同分辨率的图像。将得到的图像制作成每对有高低分辨率的原子力数据集，利用超分辨率算法对低分辨率细胞图像进行超分辨率重建。使用生成频率对抗超分网络，整体采用VGG16网络框架，在VGG16框架下，加入频率分离、残差等模块优化超分辨率网络性能。进而达到降低对活细胞AFM观察拍照成本，减少AFM实验时间，降低AFM探针损耗。