公开(公告)号：CN112084931B

公开(公告)日：2022-04-15

申请号：CN202010923739.5

申请日：2020-09-04

Applicant: 厦门大学

Inventor： 王连生

IPC: G06V20/69 ,  G06V10/56 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于DenseNet的白血病细胞显微图像分类方法及系统，该方法以DenseNet网络为基础，加入了染色反卷积层和离散余弦变换模块，以获得细胞显微图像的在染色剂吸收量在空间域和频率域的特征信息，并通过对这两种信息的融合获得了特征向量，用于判断血细胞是否属于癌细胞。本发明的方法利用染色剂吸收量表示细胞显微图像的特征，解决了在RGB颜色空间下识别困难的问题，其平均准确率以及平均加权F1分数达到89.81％和89.64％，实现了对白血病细胞的自动分类，从而辅助于病理医生诊断白血病，降低漏诊率和误诊率。

公开(公告)号：CN114188020A

公开(公告)日：2022-03-15

申请号：CN202111483944.5

申请日：2021-12-07

Applicant: 厦门大学附属中山医院

Inventor： 丁鑫 ,  廖雪洪 ,  余淑琦 ,  王连生 ,  王志华

IPC: G16H50/20 ,  G16H30/00 ,  G06T7/00 ,  G06T7/11 ,  G06K9/62 ,  G06V10/46 ,  G06V10/762 ,  G06V10/764

Abstract: 本发明公开了一种基于Transformer‑MIL的甲状腺乳头状癌淋巴结转移预测方法，该方法包括以下步骤：S1、利用轻量级ViT网络提取WSI中patch的特征；S2、采用基于聚类的策略选择关键性patches；S3、构建Transformer‑MIL模型，通过多头自注意机制从多个方面学习实例之间的关系，将实例级特征嵌入到包表示中；S4、结合甲状腺乳头状集和淋巴结转移数据集，通过互知识蒸馏帮助Transformer‑MIL模型学习预测淋巴结转移；该发明通过构建Transformer‑MIL模型，更好地将实例级特征嵌入到包表示中，并充分利用了肿瘤细胞和淋巴结转移细胞之间的形态学相似性，以注意力图为媒介传递两个数据集之间的关系知识，从而提高了淋巴结转移组织病理学图像的预测准确性。

公开(公告)号：CN112308833A

公开(公告)日：2021-02-02

申请号：CN202011182378.X

申请日：2020-10-29

Applicant: 厦门大学

Inventor： 王连生

IPC: G06T7/00 ,  G06K9/34 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于循环一致相关性的one‑shot脑图像分割方法，其包括以下步骤：S1、获取脑解剖结构图像并进行分类，得到未标注影像y及图集x，图集x带有标注xs；S2、构建LT‑NET网络模型，LT‑NET网络模型包括生成器GF、生成器GB及两个判别器D；S3、将图集x与未标注影像y输入生成器GF，得到前向映射ΔpF；S4、将前向映射ΔpF分别应用在图集x及标注xs，配合监督损失，得到重建影像及标注 S5、将重建影像 及图集x输入生成器GB，得到后向映射ΔpB；S6、将后向映射ΔpB分别应用在重建影像 及标注 配合监督损失，得到重建影像 及标注 本发明采用构建LT‑NET网络模型，配合监督损失有效提高图像分割的效率，提高了单向相关性学习性能。

公开(公告)号：CN112085742A

公开(公告)日：2020-12-15

申请号：CN202010923741.2

申请日：2020-09-04

Applicant: 厦门大学

Inventor： 王连生

IPC: G06T7/11 ,  G06K9/00 ,  G06N3/04 ,  G06N3/08 ,  G06T3/40

Abstract: 本发明公开了一种基于上下文注意力的NAFLD超声视频诊断方法，其包括以下步骤：S1、获取肝脏超声视频，将肝脏超声视频划分训练集及测试集；S2、将肝脏超声视频进行预处理，以5帧为间距进行稀疏采样，对采集到的图像进行裁剪并缩放，得到分辨率为224×224的图像；S3、构建上下文注意力模型，将步骤S2中的图像输入上下文注意力模型，进行组归一化处理后，提取特征及关键帧图像，配合上下文信息，得到NAFLD超声视频诊断结果；本发明通过自学习提取超声视频的关键帧图像，避免主观因素影响，充分利用超声视频的上下文信息，提高了NAFLD超声视频诊断的准确率。

公开(公告)号：CN112084931A

公开(公告)日：2020-12-15

申请号：CN202010923739.5

申请日：2020-09-04

Applicant: 厦门大学

Inventor： 王连生

IPC: G06K9/00 ,  G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于DenseNet的白血病细胞显微图像分类方法及系统，该方法以DenseNet网络为基础，加入了染色反卷积层和离散余弦变换模块，以获得细胞显微图像的在染色剂吸收量在空间域和频率阈的特征信息，并通过对这两种信息的融合获得了特征向量，用于判断血细胞是否属于癌细胞。本发明的方法利用染色剂吸收量表示细胞显微图像的特征，解决了在RGB颜色空间下识别困难的问题，其平均准确率以及平均加权F1分数达到89.81％和89.64％，实现了对白血病细胞的自动分类，从而辅助于病理医生诊断白血病，降低漏诊率和误诊率。

公开(公告)号：CN106880353B

公开(公告)日：2020-06-23

申请号：CN201510943572.8

申请日：2015-12-16

Applicant: 厦门大学 ,  腾讯科技(深圳)有限公司

Inventor： 王连生 ,  田刚 ,  管刚 ,  刘婷婷

IPC: A61B5/0402

Abstract: 本发明公开了一种心电逆处理方法及装置；方法包括：采集体表电位，使用采集的体表电位构造形成m维的体表电位向量ΦT，其中所述躯干均匀且各向同性，m为大于1的整数；将所述体表电位向量ΦT与心外膜节点对应的n维心外膜电位向量ΦE采用传递系数矩阵A进行关联，n小于m且为大于1的整数；构造平滑函数Fσ(φ)，其中，fσ(φi)用于表示心外膜电位向量ΦE的非零分量、且fσ(φi)为连续的函数；利用平滑函数Fσ(φ)趋近所述心外膜电位向量ΦE的L0范数；以及，基于所述心外膜电位向量ΦE的L0范数的趋近结果得到所述心外膜电位向量ΦE的表示。实施本发明，能够基于体表电位的分布精确构建心外膜电位。

公开(公告)号：CN108304855A

公开(公告)日：2018-07-20

申请号：CN201711267293.X

申请日：2017-12-05

Applicant: 厦门大学

Inventor： 孙海信 ,  王连生 ,  成垦 ,  沈艺珊 ,  蔚然 ,  王远旭 ,  陈海兰 ,  孙伟涛 ,  苗永春

IPC: G06K9/62 ,  G06K9/00

Abstract: 本发明公开了一种海洋环境下多潜水艇特征信号盲源分离方法，包括以下步骤：采集信号样本；在时频域中基于Hermitian角的样本向量和参考向量，采用聚类算法对混合信号样本进行聚类以获得多个聚类簇，将聚类算法中的隶属函数作为掩码；基于估计簇数目进行聚类验证；基于K-均值聚类算法将掩码聚类成Q个掩码聚类簇；通过掩码估计，进行信号分离。本发明能够解决欠定情况下盲源分离问题，在掩码估计中不需要估计任何混合信号矩阵或源位置，简化了信号分离的复杂度，提高了运算效率。

公开(公告)号：CN112085742B

公开(公告)日：2024-04-16

申请号：CN202010923741.2

申请日：2020-09-04

Applicant: 厦门大学

Inventor： 王连生

IPC: G06T7/11 ,  G06V20/40 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/09 ,  G06T3/40

Abstract: 本发明公开了一种基于上下文注意力的NAFLD超声视频诊断方法，其包括以下步骤：S1、获取肝脏超声视频，将肝脏超声视频划分训练集及测试集；S2、将肝脏超声视频进行预处理，以5帧为间距进行稀疏采样，对采集到的图像进行裁剪并缩放，得到分辨率为224×224的图像；S3、构建上下文注意力模型，将步骤S2中的图像输入上下文注意力模型，进行组归一化处理后，提取特征及关键帧图像，配合上下文信息，得到NAFLD超声视频诊断结果；本发明通过自学习提取超声视频的关键帧图像，避免主观因素影响，充分利用超声视频的上下文信息，提高了NAFLD超声视频诊断的准确率。

公开(公告)号：CN112085744B

公开(公告)日：2023-11-24

申请号：CN202010924385.6

申请日：2020-09-04

Applicant: 厦门大学

Inventor： 王连生

IPC: G06T7/11 ,  G06T9/00 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于多尺度特征学习的肾肿瘤分割方法，其包括以下步骤：S1、获取腹部扫描图像，对获取的腹部扫描图像随机划分训练集；S2、对训练集内的腹部扫描图像进行预处理，得到预处理后的图像；S3、构建多尺度特征网络，通过该网络结合金字塔池化模块及特征金字塔融合模块，充分捕捉图像全局结构信息从而进行精准的肾脏分割；S4、通过多尺度特征网络对S2中预处理后的图像进行预测和分割；本发明有效检测体积不同的肾肿瘤，避免产生假阴性结果，得到准确度高的检测结果。

公开(公告)号：CN116092669A

公开(公告)日：2023-05-09

申请号：CN202310058550.8

申请日：2023-01-17

Applicant: 厦门大学

Inventor： 王连生 ,  林成轩

IPC: G16H50/20 ,  G16H50/30 ,  G16B20/30 ,  G06F18/214

Abstract: 本发明公开了一种基于图神经网络和多模态数据的癌症生存预测方法，包括以下步骤：S1、将病理图像数据、基因表达数据和临床数据分别构建成各自的图结构数据；S2、将3个模态的图结构输入到图神经网络，分别使用归纳图卷积来进行模态内的信息交互，并将结点长度都重塑为512维；S3、使用注意力池化分别得到每个模态的长度为512维的全局特征；S4、将得到的3个模态的全局特征输入到混合多层感知机，进行模态间的信息交互及融合；S5、将交互融合后的3个模态的全局特征输入到多层感知机，得到各个模态的预测结果，并将各个模态的预测结果的平均值作为总的预测结果；该方法可有效提高多模态数据下的生存预测效果。