-
公开(公告)号：CN112595655A
公开(公告)日：2021-04-02
申请号：CN202011168499.9
申请日：2020-10-28
Applicant: 宁夏医科大学总医院 , 上海交通大学 , 宁夏数据科技股份有限公司
IPC: G01N15/10 , G01N1/28 , G01N1/30 , G06K9/32 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/00 , G06T7/11
Abstract: 基于人工智能的脑脊液细胞自动分析系统，该系统包括脑脊液细胞图像特征库的建立方法、脑脊液细胞图像特征采集方法和装置、脑脊液细胞图像自动化识别和计数方法；本发明克服了现有技术缺陷，提供了脑脊液细胞图像库建立方法、脑脊液细胞图像采集方法和装置以及脑脊液细胞图像自动化识别和计数方法。通过自动化地对脑脊液细胞图像进行特征提取，对脑脊液细胞进行像素级别的分割，对分割后的脑脊液细胞进行分类并且对整张脑脊液细胞图像的细胞进行计数。本发明大大提高了脑细胞检测工作效率，降低了人工劳动强度，对中枢神经系统感染、脑膜白血病、淋巴瘤、脑寄生虫病、脑血管病以及免疫变性等疾病的诊断提供了重要的脑脊液细胞检测手段。
-
公开(公告)号：CN112330616A
公开(公告)日：2021-02-05
申请号：CN202011168485.7
申请日：2020-10-28
Applicant: 上海交通大学 , 宁夏医科大学总医院 , 宁夏数据科技股份有限公司
Abstract: 一种脑脊液细胞图像自动化识别和计数的方法，1:对脑脊液细胞原始图像进行预处理并保存为原始图像集；2:将步骤1中得到的脑脊液细胞原始图像集按标注结果切割单个细胞图像并按细胞类型保存为切分图像集；3:将步骤1中得到的脑脊液细胞原始图像集和步骤2中得到的脑脊液细胞切分图像集对应划分为训练集、验证集和测试集；4:使用Pytorch深度学习框架构建卷积神经网络；5:使用Pytorch深度学习框架构建卷积神经网络；6:将步骤4得到的分割测试集输入步骤5得到的分类网络；7:按单张脑脊液细胞原始图像统计步骤5得到已分割测试集中的细胞位置和分割、分类和计数结果。本发明的方法能在样本数目少的情况下提高细胞识别的准确率，并自动识别和计数。
-
公开(公告)号：CN112595654A
公开(公告)日：2021-04-02
申请号：CN202011168497.X
申请日：2020-10-28
Applicant: 宁夏医科大学总医院 , 宁夏数据科技股份有限公司 , 上海交通大学
Abstract: 脑脊液细胞图像特征库及其建立方法，具体步骤为：步骤1：制备脑脊液细胞玻片；步骤2：运用显微摄影术进行采集，建立图像库；步骤3：观察细胞形态及其特征；步骤4：获取目标细胞特征信息；步骤5：提取脑脊液图像中目标细胞的特征；步骤6：建立了细胞形态、颜色及纹理的图像特征库，基于可靠、独立和可区分的特征提取原则，筛选出细胞形态学表征。本发明的方法能通过自动化地对脑脊液细胞图像进行特征提取，然后对其中的脑脊液细胞进行较为准确的像素级别的分割，能在样本数目少的情况下提高细胞识别的准确率和特征细胞的提取，在自动识别和提取脑细胞图像特征方面获得良好的效果。
-
公开(公告)号：CN112304816A
公开(公告)日：2021-02-02
申请号：CN202011170189.0
申请日：2020-10-28
Applicant: 宁夏医科大学总医院 , 宁夏数据科技股份有限公司 , 上海交通大学
Abstract: 一种脑脊液细胞特征采集方法和装置，采集方法步骤为：1、标本采集；2、常规细胞计数；3、脑脊液标本的收集；4、脑脊液细胞的染色；5、脑脊液细胞观察及分类；6、出具检测报告。本发明装置包括连接架和TDI相机，连接架的顶部开设有两个对称设置的放置槽，连接架的底部开设有两个对称设置的固定槽，安装板的顶部开设有两个对称设置的第一槽，移动板的底部铰接有连接杆的一端，连接杆的另一端铰接在TDI相机上，丝杆上固定套设有旋钮，且旋钮转动安装在第一孔内。本发明采集方法配合采集装置，便于对装置中TDI相机进行固定安装，且便于对TDI相机进行角度调节，灵活性强，使用方便，采集脑脊液细胞效率和准确率高。
-
公开(公告)号：CN119963843A
公开(公告)日：2025-05-09
申请号：CN202510140884.9
申请日：2025-02-08
Applicant: 上海交通大学 , 上海交通大学医学院附属瑞金医院
IPC: G06V10/26 , G06V20/70 , G06V10/82 , G06V10/28 , G06T17/00 , G06N3/0455 , G06N3/0464 , G06N3/0985
Abstract: 本发明提供了一种面向腹部CT图像的语义分割及三维重建系统，包括：步骤S1：对原始腹部CT图像进行预处理，以获取模型训练所需的数据和标注；步骤S2：构建腹腔区域粗分割模块，用于对二维腹部CT图像进行腹腔区域以及脂肪组织的分割；步骤S3：构建三维重建模块，用于将二维腹部CT图像转换为三维数据；步骤S4：构建腹腔内部细分割模块，用于对三维腹部CT图像进行胰腺以及血管组织的分割；步骤S5：对分割结果进行可视化，直观展示腹腔的解剖结构。本发明融合了二维和三维分割网络的优点，通过对于腹腔区域的精细分割，帮助术者理清胰腺上缘区域的解剖结构因素，通用性强、操作便捷。
-
Patent Agency Ranking
公开(公告)号：CN102013103B
公开(公告)日：2013-04-03
申请号：CN201010571128.5
申请日：2010-12-03
Applicant: 上海交通大学
Abstract: 一种图像处理和模式识别技术领域的方法，特别是一种实时动态嘴唇跟踪方法。包括：通过数码摄像机拍摄并获取包含嘴唇区域在内的图像序列；通过基于模糊聚类和卡尔曼预测的连续图像嘴唇分割方法，将图像中所有像素点分为嘴唇像素点或非嘴唇像素点，并输出所有像素点属于嘴唇像素点的概率；通过14点动态形状模型和卡尔曼预测，在步骤二提供的嘴唇概率分布图的基础上，获取嘴唇图像序列中每一帧中的嘴唇轮廓，本发明能够自动跟踪图像序列中嘴唇的运动，具有较高的处理速度(保证实时性)和识别准确率。
-
公开(公告)号：CN101719924A
公开(公告)日：2010-06-02
申请号：CN200910311664.9
申请日：2009-12-17
Applicant: 上海交通大学
Abstract: 一种信息技术领域的基于群件理解的不良彩信过滤方法，包括如下步骤：将每个处理组件分为四组样本，对每个处理组件分别训练形成四个分类器，得到处理组件的离线训练用样本库和决策树训练样本集，进而生成决策树；把彩信拆分成若干个单一媒体文件；进行基于内容理解的过滤处理，得到每个处理组件的反动概率、色情概率、恐怖概率和垃圾概率；将得到的概率组织成一个输入向量，输入到训练所得的决策树，得到彩信的过滤结果。本发明通过把彩信拆分成不同单一媒体文件，有效解决了彩信无法进行内容过滤的困难，提高了不良彩信过滤的实时性和客观性，过滤的效率和准确性明显提高。
-
公开(公告)号：CN1728161A
公开(公告)日：2006-02-01
申请号：CN200510028206.6
申请日：2005-07-28
Applicant: 上海交通大学
IPC: G06K9/46
Abstract: 一种模式识别领域的基于非均匀量化颜色特征矢量的敏感图像过滤方法，首先进行多种图像特征的提取，包括图像基本特征的提取和图像内容特征的提取，图像基本特征是针对敏感图像特点的非均匀量化颜色直方图特征；图像内容特征是基于纹理检测的皮肤区域分布特征；然后采用自适应提升算法，综合分析所提取的特征组合，根据其与图像样本库内敏感图像和正常图像的匹配程度，判别该图像是否为敏感图像。本发明提出了一种新型图像基本颜色特征的表达方式，能够使用尽可能低维的特征向量来描述敏感图像的颜色分布特点。因此，本发明在获得高识别率的同时，保证了较高的处理速度，具有广阔的应用前景。
-
公开(公告)号：CN120070977A
公开(公告)日：2025-05-30
申请号：CN202510140879.8
申请日：2025-02-08
Applicant: 上海交通大学
IPC: G06V10/764 , G06V10/80 , G06N20/00
Abstract: 本发明提供了一种基于证据融合的多源域分布式迁移目标识别方法及系统，包括：初始化模块输入图像数据，并设置最大迭代次数和重要性系数；特征学习模块根据设置分别对图像数据进行域不变特征学习与迁移分类，获得目标域图像的融合软分类结果；权重计算模块估计源域基于准确率的相对权重和基于分布距离的相对权重，计算源域的最终权重；证据融合模块根据源域的最终权重对融合软分类结果进行折扣，并加权证据融合，进行类别决策得到待识别目标图像的类别。本发明解决了多源迁移分类中多域信息挖掘不充分引起分类性能受限的问题，在域间差异比较大情况下依然取得精准的识别结果，提升目标域样本的分类准确率，有效降低信源质量对融合的负面影响。
-
公开(公告)号：CN117558064A
公开(公告)日：2024-02-13
申请号：CN202311629756.8
申请日：2023-11-30
Applicant: 上海交通大学
Abstract: 本发明提供了一种开集场景下防深度伪造的讲话人认证系统及方法，包括：特征提取模块：将讲话人说某个单词的唇部视频进行预处理得到滑动窗口视频组，基于滑动窗口视频组分别进行静态特征提取和动态特征提取，得到每个滑窗的静态特征和动态特征；再将静态特征和动态特征与时序融合得到视频的最终特征；其中，训练时利用静态特征提取模块中的重构损失、动态特征提取模块中的滑窗顺序预测损失和最终特征的认证损失进行监督，得到优化后的网络参数；推理时利用静态特征提取器、动态特征提取器和特征融合模块得到视频的最终特征；特征认证模块：利用用户的原型特征对视频的最终特征进行认证。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.044 seconds)
