-
公开(公告)号：CN114973244A
公开(公告)日：2022-08-30
申请号：CN202210659966.0
申请日：2022-06-12
Applicant: 桂林电子科技大学
IPC: G06V20/69 , G06V10/764 , G06V10/80 , G06T7/00
Abstract: 本发明公开了一种乳腺癌H&E染色病理图像有丝分裂自动识别系统和方法，属于数字图像处理技术技术领域，包括：输入图像预处理模块：对原始图片进行按照预定的patch尺寸切割，并通过图片翻转、旋转等方式进行数据增强；分割模块：通过在训练集中裁剪patches训练一个分割网络，将测试集数据按相应尺寸切割并送入分割网络，得到patch级的分割结果，然后将分割后结果按照其在预处理阶段截取的patch坐标信息来重建出属于原始尺寸的图像。该乳腺癌H&E染色病理图像有丝分裂自动识别系统和方法，对于准确地分割和分类乳腺癌有丝分裂的细胞，特别是样本细胞数量稀少，特征复杂的，具有重要意义。
-
公开(公告)号：CN113408593A
公开(公告)日：2021-09-17
申请号：CN202110613678.7
申请日：2021-06-05
Applicant: 桂林电子科技大学 , 桂林笑微酒店管理有限公司
Abstract: 本发明公开了一种基于改进的ResNeSt卷积神经网络模型的糖尿病性视网膜病变图像分类方法。该方法为：首先从医院获取病变图像；对图像进行预处理，眼科医生手动标注，划分数据集；再搭建实验所需的深度学习服务器平台，然后编写python代码；在ResNeSt卷积神经网络中引入OctConv和SPConv两种轻量且高效的卷积操作，并引入Warm Restart和余弦退火的学习率调解机制；采用ILSVRC2012数据集对改进的ResNeSt网络进行预训练，将得到的模型迁移到预处理后的数据集上进行微调；载入测试集，测试训练好的ResNeSt卷积神经网络分类模型，得出分类的结果，看各分类指标是否符合要求。本发明实现了对糖尿病性视网膜病变图像分类方法，利用改进的ResNeSt模型，有较高的运行效率和分类准确度，应用价值很高。
-
公开(公告)号：CN119600597A
公开(公告)日：2025-03-11
申请号：CN202411638278.1
申请日：2024-11-16
Applicant: 桂林电子科技大学
IPC: G06V20/69 , G06V10/30 , G06V10/422 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于弱监督和半监督的细胞核分割方法，包括以下步骤：S1、选取任意乳腺癌病理图像库中的病理图像及其部分点标签作为待检测图像，使用扩展的高斯滤波算法对标记点进行初始训练；然后采用背景传播的方法进行自训练，通过不断迭代更新，获取较为精准的细胞核检测结果，并利用课程学习策略，先用简单的样本对模型进行训练，然后随着模型的改进逐渐增加样本的难度，以增强模型的学习能力；S2、使用S1得到的完整点标签生成三种弱标签，包括：1)生成Voronoi标签。本发明降低了对模型的要求，能够利用有限的弱标签数据，又能够保持较高分割准确性，同时也提高了分隔的效率，有利于对细胞核的边缘和形状信息的处理。
-
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：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。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN114387264A
公开(公告)日：2022-04-22
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 , G06K9/62 , 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。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.028 seconds)
