-
公开(公告)号：CN115880262B
公开(公告)日：2023-09-05
申请号：CN202211643031.X
申请日：2022-12-20
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06N3/047 , G06N3/0464 , G06N3/0895 , G06N3/084 , G06V10/26 , G06V10/82 , G06V10/764
Abstract: 本发明涉及基于在线噪声抑制策略的弱监督病理图像组织分割方法，包括：获取H&E染色图，对所述H&E染色图进行处理，获得数据集，对所述数据集进行划分，基于划分后的所述数据集训练分类网络，生成伪标签；基于在线噪声抑制策略抑制所述伪标签中存在的噪声，通过抑制噪声后的所述伪标签以及所述伪标签对应的训练集训练语义分割网络，获得训练后的所述语义分割网络的预测结果，将所述预测结果作为最终分割结果。本发明利用数字病理学和深度学习的分类算法及分割算法，可实现仅使用patch级标签实现肺癌/乳腺癌H&E染色图像的组织分割，生成像素级分割结果，直观地展示肿瘤内部组织结构的空间分布情况。
-
公开(公告)号：CN120088234A
公开(公告)日：2025-06-03
申请号：CN202510246979.9
申请日：2025-03-04
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T7/12 , G06T7/13 , G06V10/774 , G06V10/762 , G06V20/69 , G06N3/0895
Abstract: 本发明公开了一种基于部分点标签的弱监督细胞核检测与分割方法，包括：获取H&E染色图得到数据集，对数据集进行划分，生成部分点标签继而生成高斯掩膜扩展后的伪标签，分别进行第一阶段的粗略细胞核检测和第二阶段的细胞核检测的自监督训练获得最终的细胞核检测结果；基于染色分离技术生成H单分量图像作为分割网络的输入图像；基于点标签生成分割阶段的伪标签，通过分割阶段的伪标签进行分割训练；基于边缘检测策略生成细胞核图像边缘信息伪标签；基于边缘信息伪标签进行细胞核分割训练，获得训练后的分割网络的预测结果。本发明可实现仅使用弱监督级别的部分点标签实现H&E染色图像的细胞核的检测与分割。
-
公开(公告)号：CN117746201A
公开(公告)日：2024-03-22
申请号：CN202311850353.6
申请日：2023-12-29
Applicant: 桂林电子科技大学
IPC: G06V10/80 , G06V10/766 , G06V10/25 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于交叉Transformer和MLIF的多模态融合生存预后方法，所述方法包括以下步骤：获取影像和病理切片数据集；对数据集进行预处理并标注感兴趣区域；对其进行手工特征提取；划分训练集和测试集；将所述影像组学特征和病理特征输入至预设的多模态融合模块进行二阶段的训练；其中，第一阶段的训练是采用交叉Transformer增强不同特征间的交互，利用多模态低秩交互融合模块(MLIF)将不同特征进行全面高效整合，生成多模态融合特征；第二阶段的训练是根据多模态融合特征，训练一个用于生存预后的回归网络，该网络的预测结果为最终结果。本发明通过端到端整合多模态数据揭示了不同模态数据之间的关联和互补性，提高了患者的治疗效果和生存率。
-
公开(公告)号：CN117594225A
公开(公告)日：2024-02-23
申请号：CN202311651602.9
申请日：2023-12-05
Applicant: 桂林电子科技大学
IPC: G16H50/20 , G16B20/00 , G16B40/20 , G06T7/11 , G06F18/25 , G06N3/0499 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于病理和基因的多模态融合生存预后方法及装置，方法包括：对病理组织学图像和基因数据进行预处理，获得病理切片和基因数据集；构建多模态融合模型，然后训练模型：利用病理预后模块提取病理切片的病理深度学习特征，然后进行生成预后；利用利用基因预后模块提取基因数据的基因组学特征，然后进行生成预后；利用多模态低秩交互融合模块将病理深度学习特征和基因组学特征多模态融合，生成多模态融合特征；利用多模态融合特征对患者进行生存预后分析，然后经过迭代计算损失后，获取预后预测结果。本发明，全面地将多模态数据进行整合，增强了特征融合模型的鲁棒性，提高了病患生存预后的准确性。
-
公开(公告)号：CN117522892A
公开(公告)日：2024-02-06
申请号：CN202311524395.0
申请日：2023-11-15
Applicant: 桂林电子科技大学
IPC: G06T7/11 , G06T7/13 , G06V10/25 , G06V10/28 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及基于空间通道注意力增强的肺腺癌CT影像病灶分割方法，包括：获取待检测肺部CT影像；将所述待检测肺部CT影像输入预设的分割模型中，获取病灶分割掩膜图；基于所述病灶分割掩膜图提取影响特征并进行量化，获取所述待检测肺部CT影像中的肿瘤影像特征信息，其中，所述分割模型基于训练集训练获得，所述训练集包括若干患者肺部CT影像，所述分割模型采用scSE空间通道注意力增强的分割网络EfficientUNet++构建。本发明能够减少早期肺腺癌CT影像病灶分割任务中存在的时间成本、人力成本，提高分割精度。
-
Patent Agency Ranking
公开(公告)号：CN117611596A
公开(公告)日：2024-02-27
申请号：CN202311651600.X
申请日：2023-12-05
Applicant: 桂林电子科技大学
IPC: G06T7/10 , G06T5/50 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于LesionMix和熵最小化的半监督肺癌医学影像分割方法及装置，方法包括：对CT图像进行预处理，形成数据集；利用所述数据集对预先设立的影像分割模型进行二阶段的训练；第一阶段训练：利用LesionMix特征增强算法生成病灶混合增强数据，然后将病灶混合增强数据作为影像分割模型的训练数据，第一阶段训练完成后保存模型参数；第二阶段训练：将第一阶段训练保存的模型参数作为第二阶段的初始模型参数，然后计算总损失来训练影像分割模型；利用训练好的影像分割模型对待预测的CT图像进行预测，得到预测分割结果。本发明实现肺癌CT影像的病灶分割的同时降低对标签的质量要求，不但提高了数据增强的质量，而且大大节约了图像标注成本。
-
公开(公告)号：CN117576131A
公开(公告)日：2024-02-20
申请号：CN202311651607.1
申请日：2023-12-05
Applicant: 桂林电子科技大学
IPC: G06T7/12 , G06T5/70 , G06V10/774 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于边缘优化和特征去噪的弱监督细胞核分割方法及装置，方法包括：对组织病理图像进行预处理，获取病理切片数据集；将病理切片数据集标注，生成弱标签；对病理切片数据集划分形成训练集、验证集和测试集；构建细胞核分割模型，利用病理切片数据集进行两个阶段的训练，第一阶段：在改进的U‑Net中利用带弱标签的训练集对模型进行粗分割训练，第二阶段，利用边缘优化策对模型进行精细分割训练，包括修正伪标签和边缘优化。本发明不但能够适应绝大多数与的细胞核类别，还大大降低了病理医生手动标注的工作量。
-
公开(公告)号：CN117576117A
公开(公告)日：2024-02-20
申请号：CN202311583373.1
申请日：2023-11-24
Applicant: 桂林电子科技大学
IPC: G06T7/11 , G06V10/774 , G06V10/25 , G06T5/70 , G06T5/80
Abstract: 本发明公开了一种肝脏肿瘤CT影像分割与可视化方法及系统，具体包括以下步骤：获取预处理后的肝脏肿瘤切片；将预处理后的肝脏肿瘤切片输入训练后的网络模型，获取肝脏肿瘤区域分割掩膜图；对肝脏肿瘤区域分割掩膜图进行可视化处理，获取可视化结果；基于可视化结果对肿瘤特征进行量化，获取影像特征信息。本发明在获得精确的肝脏肿瘤分割结果的基础上，采用了多种创新性的可视化处理方法，为医生提供了丰富多样的途径来深入观察和分析这些关键的医学影像数据。这些可视化方法旨在让医生更全面地了解肝脏肿瘤的位置、形态、大小以及与周围组织的关系，从而提供更准确的诊断和治疗决策支持，减小误诊率，提高工作效率。
-
公开(公告)号：CN114387264B
公开(公告)日：2023-04-18
申请号：CN202210054661.7
申请日：2022-01-18
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T5/00 , G06N20/00 , G06V10/774
Abstract: 本发明属于医学图像技术领域，具体涉及一种HE染色病理图像数据扩充与增强的方法；所述方法包括模型训练和模型推理两个阶段：在模型训练阶段，对病理图像数据集进行划分，得到训练集、验证集及测试集；构建基于生成对抗网络的深度学习模型；将上述训练集和验证集送入网络模型进行训练，获得网络模型参数；网络模型训练完成后，对源病理图像数据集以外的随机生成图像进行推理，获得合成的病理图像分割掩码和病理图像。本方法通过构建用于病理图像数据扩充的模型，合成更多符合该数据特征分布的病理图像及其对应的分割掩码，从而扩充原本有限数量的病理图像数据集，可有效帮助现有病理图像分割方法提升分割性能。
-
公开(公告)号：CN115880262A
公开(公告)日：2023-03-31
申请号：CN202211643031.X
申请日：2022-12-20
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06N3/047 , G06N3/0464 , G06N3/0895 , G06N3/084 , G06V10/26 , G06V10/82 , G06V10/764
Abstract: 本发明涉及基于在线噪声抑制策略的弱监督病理图像组织分割方法，包括：获取H&E染色图，对所述H&E染色图进行处理，获得数据集，对所述数据集进行划分，基于划分后的所述数据集训练分类网络，生成伪标签；基于在线噪声抑制策略抑制所述伪标签中存在的噪声，通过抑制噪声后的所述伪标签以及所述伪标签对应的训练集训练语义分割网络，获得训练后的所述语义分割网络的预测结果，将所述预测结果作为最终分割结果。本发明利用数字病理学和深度学习的分类算法及分割算法，可实现仅使用patch级标签实现肺癌/乳腺癌H&E染色图像的组织分割，生成像素级分割结果，直观地展示肿瘤内部组织结构的空间分布情况。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.031 seconds)
