-
公开(公告)号：CN103345643B
公开(公告)日：2016-08-24
申请号：CN201310234905.0
申请日：2013-06-13
Applicant: 南京信息工程大学
IPC: G06K9/66
Abstract: 本发明公开了一种遥感图像分类方法，属于图像信息处理技术领域。本发明方法包括以下步骤：遥感图像的分块；初始样本的选择；分类器模型训练；矛盾样本池的构造；信息量最大样本的选取;训练样本集及分类器模型更新；分类过程迭代；遥感图像的分类。本发明利用图像块分类模型和图像像素点分类模型来构造一个测试委员会，以此筛选出信息量较大的样本。和随机采样以及经典的边缘采样主动学习方法相比，在相同的实验条件下，本发明方法的图像分类结果更加准确，给人更好的视觉效果。
-
公开(公告)号：CN105869169A
公开(公告)日：2016-08-17
申请号：CN201610222421.8
申请日：2016-04-11
Applicant: 南京信息工程大学
CPC classification number: G06T2207/30096
Abstract: 本发明公开了一种肿瘤组织微排列图像的自动分割方法，提取病理图像中某数据位的图像，对该图像经过一系列图像处理后，利用Delaunay三角剖分法按顺序找到每张数据缩略图中各个肿瘤组织坐标，依次提取出单个肿瘤组织图像，并获取每个肿瘤组织的相关信息。本发明能够快速提取不同数据位的数据，比手动分割方案更加准确，便于准确快速开展后续癌症等级分析工作，减少了人工提取的工作量和计算机的计算量及存储量。
-
公开(公告)号：CN103258214B
公开(公告)日：2016-03-23
申请号：CN201310150058.X
申请日：2013-04-26
Applicant: 南京信息工程大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于图像块主动学习的遥感图像分类方法，属于图像信息处理技术领域。本发明方法包括以下步骤：遥感图像的分块；初始样本的选择；分类器模型训练；主动学习样本选择；训练样本集及分类器模型更新；分类过程迭代；图像块分类预测；块分类结果到像素分类结果的转化。本发明以图像块为研究对象，和传统的基于像素点的主动学习的遥感图像分类方法相比，在相同的实验条件下，图像的分类结果更加准确，主动学习筛选出的块样本能够更加快速准确的进行人工标注，并且分类图的结构性更强，大大降低了直接由像素点分类所带来的“斑点”，给人更好的视觉效果。
-
公开(公告)号：CN105068522A
公开(公告)日：2015-11-18
申请号：CN201510498578.9
申请日：2015-08-14
Applicant: 南京信息工程大学
IPC: G05B19/418 , G05B15/02
CPC classification number: G05B19/418 , G05B15/02 , G05B2219/2642
Abstract: 本发明公开了一种智能家电指令系统及家电控制方法，系统包括一个指令下发端和数个指令接收端，每个指令接收端对应控制一个家电，所述指令下发端包括微处理器以及分别与之连接的图像采集模块、第一无线通信模块、人机交互模块和存储模块，所述指令接收端包括控制器以及与之连接的第二无线通信模块，所述控制器与对应家电的控制芯片连接。家电控制方法是利用前述系统实现各家电的统一控制。本发明只需用户持有一个“遥控器”，便能控制所有家电工作，大大方便了家庭生活，是智能家居理念的充分体现。
-
公开(公告)号：CN104346617A
公开(公告)日：2015-02-11
申请号：CN201410155802.X
申请日：2014-04-18
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于滑动窗口和深度结构提取特征的细胞检测方法，首先运用深度模型提取特征，然后运用滑动窗口技术作用于病理切片图像中细胞自动检测的方法。具体步骤包括：对切片图像取块，特征提取模型堆叠稀疏自编码的训练，检测器训练，滑动窗口扫描大图像，标注细胞位置。本发明以大幅切片图为研究对象，采用检测器加滑动窗口的新方法，更能准确找到图像中细胞的位置，且更加快速和全面，对图像中一些不是很明显的细胞也能起到很好的检测效果。本发明提出的细胞自动检测方法能辅助临床医生对数字病理学切片进行量化评估，准确快速的进行临床诊断，减少不同的观察者或者同一个观察者在不同时间段之间的诊断差异性。
-
Patent Agency Ranking
公开(公告)号：CN116978563A
公开(公告)日：2023-10-31
申请号：CN202310913284.2
申请日：2023-07-25
Applicant: 南京信息工程大学
IPC: G16H50/30 , G16H10/40 , G06T7/00 , G06T7/10 , G06T7/40 , G06T7/62 , G06T5/30 , G06T3/40 , G06V10/764 , G06V10/82 , G06N3/08
Abstract: 本发明公开了一种儿童急性淋巴细胞白血病预后复发风险预测装置、方法、系统及存储介质，属于图像处理技术领域，装置包括：自动分割模块：用于利用预构建的分割模型对待预测的骨髓涂片进行自动分割，获取白细胞涂片；特征提取模块：用于对白细胞涂片进行特征提取，获取形态特征和纹理特征；特征筛选模块：用于根据形态特征和纹理特征，筛选出70维预后复发风险预测参考特征；风险预测模块：用于将70维预后复发风险预测参考特征输入至预获取的分类器进行预测，获取待预测的骨髓涂片对应的预测结果。该装置能够利用筛选出的70维预后复发风险预测参考特征预测骨髓涂片所对应的复发风险。
-
公开(公告)号：CN108648182B
公开(公告)日：2022-02-11
申请号：CN201810393335.2
申请日：2018-04-27
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法，属于图像信息处理技术领域。动态选择乳腺癌核磁共振图像1％‑99％范围的CT值进行归一化预处理后输入YOLO_v2检测模型，验证集的损失及分类准确率、获得深度检测网络模型，并将图片送入该模型得到检测框；然后采用k‑mean算法聚类出乳腺癌核磁共振图片医生标记区域中心点取出144*144像素点的块，送入SegNet分割模型进行训练，得出肿瘤区域分割模型，根据之前获得的检测框选择144*144像素块送入该区域分割模型得到分割概率图，再将该图根据之前获得的置信度最大框中心点映射到原图，即得最终肿瘤分割图。具有分割效率、准确率高等优点。
-
公开(公告)号：CN112396616A
公开(公告)日：2021-02-23
申请号：CN202011464130.2
申请日：2020-12-14
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于组织形态分析的骨肉瘤复发风险预测模型。属于机器学习和图像处理领域；具体步骤：1、多类组织分割以及肿瘤区域内细胞核分割；2、特征提取和特征选择；3、分类器构建。本发明提出了一种使用肿瘤区域内细胞核特征来建立定量化的计算机辅助骨肉瘤复发风险预测模型；通过实验结果表明，源自肿瘤细胞核的图像特征可以作为独立于传统标准临床诊断特征的新标志物来进行预后分析，从而有助于帮助患者进行个性化治疗，并推动精准肿瘤学的发展。
-
公开(公告)号：CN110619641A
公开(公告)日：2019-12-27
申请号：CN201910822722.8
申请日：2019-09-02
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，涉及图像信息处理技术领域，其包括如下步骤：对原始的核磁共振图像进项预处理；采用基于空洞卷积和U-Net的三维分割模型，以4层U-Net作为基础模型，在编码阶段使用空洞卷积替换原来的传统卷积，在编码器的最后一层使用三维的ASPP模块；解码器阶段，在每次反卷积后都跟随一个的卷积层来组合全部特征，然后再与编码器对应的特征图级联；最后通过训练逐步得到网络模型的各种参数；将测试图像做相同的预处理，然后送入模型测试，得到相应的概率图；从分割概率图映射到原图，得到最终的分割图。达到了利用深度学习的方法自动分割三维乳腺癌核磁共振图像中肿瘤区域的效果。
-
公开(公告)号：CN107665492A
公开(公告)日：2018-02-06
申请号：CN201710516329.7
申请日：2017-06-29
Applicant: 南京信息工程大学
CPC classification number: G06T7/11 , G06K9/6267 , G06N3/0481 , G06N3/08 , G06T3/4038 , G06T2207/10056 , G06T2207/20081 , G06T2207/20084 , G06T2207/30028 , G06T2207/30096
Abstract: 本发明公开一种基于深度网络的结直肠全景数字病理图像组织分割方法，包括以下步骤：（1）获取结直肠全景数字病理图片：（2）将结直肠的全景数字图像分割；（3）训练样本图像的建立；（4）提取不同类别的组织深度特征；（5）利用分类器和提取的组织深度特征对分割图像中的组织进行类别的判别；（6）将步图像分类结果拼接，判别出整张图片的组织分类；（7）按照分块坐标将图像进行拼接在一起；本发明对结直肠全景数字病理图像进行分割，利用滑动窗口和训练的模型对所有分割图像依次标记组织类型，同时，利用分类器和提取的组织深度特征对组织进行类别的判别，得到图像分类结果，分类准确，分类速度快。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.041 seconds)
