-
公开(公告)号：CN111179269B
公开(公告)日：2023-07-11
申请号：CN201911092379.2
申请日：2019-11-11
Applicant: 浙江工业大学
IPC: G06T7/10
Abstract: 一种基于多视图和三维卷积融合策略的PET图像分割方法，包括以下步骤：步骤1，针对三维PET图像的特点修改原始的网络模型,使之适合学习分割三维PET图像；步骤2，将三维PET图像进行预处理,使之符合对应网络需要的形状和尺寸，有助于网络的收敛速度和分割的准确性；步骤3，对应预处理方式的数据输入至对应的卷积神经网络中学习，得到对应的模型；步骤4、将测试数据分别输入到预测模型中，将多个模型的预测结果通过一个简单的三维卷积网络进行融合得到测试数据的最终的预测结果。本发明增加了三维数据的信息利用，并通过三维卷积神经网络自适应的融合了二维模型和三维模型的优点，提高了分割的准确率。
-
公开(公告)号：CN108921817B
公开(公告)日：2021-10-26
申请号：CN201810505282.9
申请日：2018-05-24
Applicant: 浙江工业大学
Abstract: 一种针对皮肤病图像的数据增强方法，包括以下步骤：步骤1：依次随机无放回的从皮肤图像样本集M中选择一个样本mi；步骤2：随机从样本mi上选择一块大小固定的区域进行裁剪，被裁剪后的mi命名为mi1，从mi裁剪出来的图像命名为mi2；步骤3：随机有放回的从皮肤图像样本集B中选择一个宽度和高度都大于裁剪区域宽度和高度的样本bj；步骤4：从样本bj上随机选择一块大小固定的区域进行裁剪，裁剪后的bj命名为bj1，从bj裁剪出来的样本命名为bj2；步骤5：计算出c，对结果中非整像素值进行取整；步骤6:将c和mi1进行融合来组成新的mi。本发明提供一种提升皮肤病分类模型性能的针对皮肤病图像的数据增强方法。
-
公开(公告)号：CN116869470A
公开(公告)日：2023-10-13
申请号：CN202310864384.0
申请日：2023-07-13
Applicant: 浙江工业大学
Abstract: 一种基于眼动异常自动识别的脑卒中初筛分析方法，包括以下步骤：步骤1：录制眼部区域视频；步骤2，部署基于深度学习的瞳孔跟踪模型，使用该模型预测视频中每一帧图像的瞳孔中心位置并记录，同时保存每个预测结果的置信度；步骤3，使用python脚本处理每一帧图像的瞳孔中心坐标数据，绘制相关的曲线图；步骤4，基于上一步骤绘制的曲线图，辅助医生进行HINTS眼动异常检查，其中的检查包括眼震试验和扭转偏斜试验；步骤5，生成脑卒中初期的诊断结果及分析报告，并保存诊断视频以便后续检查。本发明提供一种基于眼动异常自动识别的脑卒中初筛分析方法，自动分析眼动体征来辅助临床医生进行脑卒中初期筛查工作。
-
公开(公告)号：CN116385322A
公开(公告)日：2023-07-04
申请号：CN202211715602.6
申请日：2022-12-29
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于图像融合的黑色素瘤数据增强方法，包括：获取黑色素瘤数据集并将黑色素瘤数据集中的图像统一尺寸；遍历统一尺寸后的图像，对每个图像执行如下操作：将图像对半裁剪，获得两张裁剪后的图像；对两张裁剪后的图像随机翻转其中一张，记随机翻转后的裁剪图像为第一图像，未随机翻转的裁剪图像为第二图像；随机获取一个[0,1]的比例数，按比例数融合第一图像和第二图像形成融合图像；保存全部融合图像，完成黑色素瘤数据集中图像的数据增强。该方法通过对图像自身进行裁剪处理后按比例数融合实现图像数据增强，从而达到数据类别平衡及扩充数据量，提高模型鲁棒性的目的，可精准识别黑色素瘤。
-
公开(公告)号：CN108961272B
公开(公告)日：2021-10-26
申请号：CN201810708543.7
申请日：2018-07-02
Applicant: 浙江工业大学
IPC: G06T7/11
Abstract: 一种基于深度卷积对抗生成网络的皮肤病图像的生成方法，包括以下步骤：步骤1：对原始训练数据的预处理，对原始训练数据进行分割，得到皮肤病变区域的分割图片；步骤2：深度卷积对抗生成网络结构的建立，使用卷积神经网络来进行分别构建生成器和判别器；步骤3：设定生成网络和分类网络的输入；步骤4：优化目标的设定，对于判别器来说，判别器负责对真假样本进行分类，生成器生成的样本为假，实际输入的真实样本为真，最小化分类误差；对于生成器来说，生成器尽可能的去生成和真实样本一样的假样本；步骤5：网络的训练。本发明利用人工分割出来的皮损样本作为对抗生成网络的训练样本，然后使用对抗生成网络来生成新的皮肤病样本。
-
Patent Agency Ranking
公开(公告)号：CN108921092A
公开(公告)日：2018-11-30
申请号：CN201810708545.6
申请日：2018-07-02
Applicant: 浙江工业大学
Abstract: 一种基于卷积神经网络模型二次集成的黑色素瘤分类方法，所述方法包括以下步骤：步骤1.基于随机掩盖来构建多个具有差异性的不同训练集；步骤2.卷积神经网络模型的构建及使用Focal loss作为模型的惩罚函数；步骤3.卷积神经网络模型的集成及二次集成。通过构建多个具有差异的训练集A、B、C等以及使用Resnet的50层卷积神经网络进行训练，最后根据模型的投票结果先进行一次集成，然后在一次集成的基础上再进行二次集成，旨在提高黑色素瘤自动识别分类的性能。
-
公开(公告)号：CN108427963A
公开(公告)日：2018-08-21
申请号：CN201810174573.4
申请日：2018-03-02
Applicant: 浙江工业大学
CPC classification number: G06K9/6268 , G06K9/342 , G06N3/02
Abstract: 一种基于深度学习的黑色素瘤皮肤病的分类识别方法，将原始图像、采用类激活图剪切的图像、医生手工分割的病变区域二值掩膜图像分别进行数据预处理；采用图像分类网络，将它们最后一层进行联合，三种训练集图片分别输入这三个网络，图片正向输入网络，并通过反向传播最小化代价函数更新权值，求出对第一类非增值性损伤皮肤病分类效果最优组合；先采用联合网络1对第一类皮肤病单独分类，再使用联合网络2将剩余数据中的第二类皮肤病分类出来；剩余的就是恶性皮肤病，得到皮肤病分类准确率1；再得到皮肤病分类准确率2；得到皮肤病分类准确率3；将最高的准确率作为最终的结果。本发明有效提高黑色素瘤皮肤病分类识别率。
-
公开(公告)号：CN108427963B
公开(公告)日：2020-10-30
申请号：CN201810174573.4
申请日：2018-03-02
Applicant: 浙江工业大学
Abstract: 一种基于深度学习的黑色素瘤皮肤病的分类识别方法，将原始图像、采用类激活图剪切的图像、医生手工分割的病变区域二值掩膜图像分别进行数据预处理；采用图像分类网络，将它们最后一层进行联合，三种训练集图片分别输入这三个网络，图片正向输入网络，并通过反向传播最小化代价函数更新权值，求出对第一类非增值性损伤皮肤病分类效果最优组合；先采用联合网络1对第一类皮肤病单独分类，再使用联合网络2将剩余数据中的第二类皮肤病分类出来；剩余的就是恶性皮肤病，得到皮肤病分类准确率1；再得到皮肤病分类准确率2；得到皮肤病分类准确率3；将最高的准确率作为最终的结果。本发明有效提高黑色素瘤皮肤病分类识别率。
-
公开(公告)号：CN111724391A
公开(公告)日：2020-09-29
申请号：CN202010425083.4
申请日：2020-05-19
Applicant: 浙江工业大学
Abstract: 一种基于动态阈值的淋巴癌图像精细分割方法，首先使用双预测精度的方法来保证ROI选取的准确性，以及确保选择区域包含整个淋巴癌；其次，对于在优化过程中新出现的单个淋巴癌病灶，视为一个新的ROI区域，并以独立的阈值标准继续优化边缘，以此调整密集区域单个淋巴癌的边缘精细分割。本发明通过采用动态ROI阈值方法对密集区域单个病灶图像的初分割结果进行优化，利用双预测精度信息获取更为准确的淋巴癌图像。
-
公开(公告)号：CN111179269A
公开(公告)日：2020-05-19
申请号：CN201911092379.2
申请日：2019-11-11
Applicant: 浙江工业大学
IPC: G06T7/10
Abstract: 一种基于多视图和3维卷积融合策略的PET图像分割方法，包括以下步骤：步骤1，针对3维PET图像的特点修改原始的网络模型,使之适合学习分割3维的PET数据；步骤2，将3维的PET数据进行预处理,使之符合对应网络需要的形状和尺寸,有助于网络的收敛速度和分割的准确性；步骤3，对应预处理方式的数据输入至对应的卷积神经网络中学习,得到对应的模型；步骤4、将测试数据分别输入到预测模型中，将多个模型的预测结果通过一个简单的3维卷积网络进行融合得到测试数据的最终的预测结果。本发明增加了3维数据的信息利用，并通过3维卷积神经网络自适应的融合了2维模型和3维模型的优点,提高了分割的准确率。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.045 seconds)
