-
公开(公告)号：CN117218443B
公开(公告)日：2024-03-05
申请号：CN202311237698.4
申请日：2023-09-22
Applicant: 东北大学 , 辽宁然辉科技有限公司
IPC: G06V10/764 , G06V10/82 , G06V20/69 , G06V10/774 , G06V10/44 , G06V10/80 , G06T3/40 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明提供一种巴氏涂片宫颈细胞图像分类方法及系统。该方法包括：获取宫颈细胞巴氏涂片在显微镜下的图像数据集；对每个宫颈细胞图像进行标记和分类得到n类样本集；按照预设比例将宫颈细胞图像划分为训练集和验证集；对训练集中的每个宫颈细胞图像进行数据增强；构建大卷积核的第一卷积神经网络和小卷积核的第二卷积神经网络；将第一卷积神经网络和第二卷积神经网络作为特征提取器；进行特征融合；将训练集对应的融合后的特征向量输入宫颈细胞图像的分类网络进行训练；将验证集对应的融合后的特征向量输入训练好的宫颈细胞图像的分类网络，并输出分类结果。本发明提供的方法，融合大卷积核和小卷积核的CNN提取的特征，提取到的特征更加全面。
-
公开(公告)号：CN116862869A
公开(公告)日：2023-10-10
申请号：CN202310830048.4
申请日：2023-07-07
Applicant: 东北大学 , 辽宁然辉科技有限公司
IPC: G06T7/00 , G06V10/25 , G06V10/82 , G06V10/774 , G06V10/764
Abstract: 本发明属于自动检测方法技术领域，尤其涉及一种基于标志点检测的下颌骨骨折自动检测方法。基于标志点检测的下颌骨骨折自动检测方法能够降低数据标注难度，其基于对下颌骨医学影像标志点检测、骨折检测算法，实现了下颌骨骨折的自动检测、定位，并提高了检测效率。包括：步骤1、进行下颌骨标志点检测模型学习；步骤2、进行下颌骨骨折检测模型学习；步骤3、进行下颌骨骨折自动检测。
-
公开(公告)号：CN112634338A
公开(公告)日：2021-04-09
申请号：CN202011616259.0
申请日：2020-12-30
Applicant: 东北大学
Abstract: 本发明涉及一种细胞特征提取方法，尤其涉及一种基于灰度共生矩阵的脑脊液细胞特征提取方法。本发明旨在分割并且提取自身免疫性脑炎脑脊液中浆细胞、淋巴细胞、嗜中性粒细胞的纹理特征。包括利用灰度共生矩阵对脑脊液图像中的浆细胞、淋巴细胞、中性粒细胞进行纹理特征的提取。
-
公开(公告)号：CN116883428B
公开(公告)日：2024-05-31
申请号：CN202310830051.6
申请日：2023-07-07
Applicant: 东北大学 , 辽宁然辉科技有限公司
Abstract: 本发明涉及CT影像分区，尤其涉及一种下颌骨螺旋CT影像分区分割方法。其将下颌骨二维分区标准应用到三维HCT数据，结合计算机自动分割算法，实现分区分割，为后续的下颌骨疾病检测提供便利。包括步骤：步骤1、确定下颌骨分区标准；步骤2、建立下颌骨分区分割HCT数据集；步骤3、训练下颌骨分区分割算法；步骤4、分割下颌骨数据。
-
公开(公告)号：CN118098566A
公开(公告)日：2024-05-28
申请号：CN202410227381.0
申请日：2024-02-29
Applicant: 东北大学 , 中国医科大学附属盛京医院
IPC: G16H50/20 , G06N3/0499 , G06N3/084
Abstract: 本发明提供一种基于深度学习的显微取精结果预测方法。该方法包括：获取数据集；数据集为患者的检查信息；对数据集进行预处理；按照预设比例将预处理后的数据集划分为训练集、验证集和测试集；搭建深度学习网络模型；深度学习网络模型由多层感知机组成；多层感知机由输入层、隐藏层和输出层组成；将训练集输入深度学习网络模型进行训练，将验证集输入训练后的深度学习网络模型进行优化，保存最终优化后的深度学习网络模型；将测试集输入最终优化后的深度学习网络模型进行患者的显微取精结果的预测，得到患者显微取精的预测结果。本发明使用深度学习方法并综合患者的各项检查指标去预测显微取精结果，大大地提升了显微取精结果的预测准确度，进而帮助医生更好地为患者制定治疗策略。
-
Patent Agency Ranking
公开(公告)号：CN116912623B
公开(公告)日：2024-04-05
申请号：CN202310894739.0
申请日：2023-07-20
Applicant: 东北大学 , 辽宁然辉科技有限公司
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09 , G16H30/00
Abstract: 本发明提供一种用于医学图像数据集的对比学习方法及系统。该方法包括：获取医学图像数据集；搭建以Swin Transformer为骨干网络的对比学习网络；将Swin Transformer在自然图像数据集ImageNet上进行有监督学习得到的有监督模型作为对比学习网络的预训练模型；基于对比学习数据集和对比学习网络的预训练模型训练对比学习网络；输出对比学习模型，并将对比学习模型作为下游任务网络的预训练模型；基于下游任务训练集和下游任务网络的预训练模型训练下游任务网络；输出下游任务模型。本发明提供的对比学习方法及系统，使用以Swin Transformer为骨干网络的基于预测任务的对比学习网络，并使用迁移学习方法训练网络，实现了即使在小规模的医学图像数据集上也能大幅度提升下游任务网络的训练精度。
-
公开(公告)号：CN116912623A
公开(公告)日：2023-10-20
申请号：CN202310894739.0
申请日：2023-07-20
Applicant: 东北大学 , 辽宁然辉科技有限公司
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09 , G16H30/00
Abstract: 本发明提供一种用于医学图像数据集的对比学习方法及系统。该方法包括：获取医学图像数据集；搭建以Swin Transformer为骨干网络的对比学习网络；将Swin Transformer在自然图像数据集ImageNet上进行有监督学习得到的有监督模型作为对比学习网络的预训练模型；基于对比学习数据集和对比学习网络的预训练模型训练对比学习网络；输出对比学习模型，并将对比学习模型作为下游任务网络的预训练模型；基于下游任务训练集和下游任务网络的预训练模型训练下游任务网络；输出下游任务模型。本发明提供的对比学习方法及系统，使用以Swin Transformer为骨干网络的基于预测任务的对比学习网络，并使用迁移学习方法训练网络，实现了即使在小规模的医学图像数据集上也能大幅度提升下游任务网络的训练精度。
-
公开(公告)号：CN110633676B
公开(公告)日：2023-04-18
申请号：CN201910880218.3
申请日：2019-09-18
Applicant: 东北大学
Abstract: 本发明涉及一种自动识别脑脊液细胞图像信息方法，包括：针对待处理的脑脊液细胞的原始图像，对所述原始图像进行预处理，得到预处理后的图像；采用最小化模型对所述预处理后的图像进行分割，获取分割后的目标细胞图像；其中，最小化模型为对所述预处理后的图像进行分割，使分割后的每一个图像内均只包含一个目标细胞；提取图像中目标细胞的特征；本发明方法可以对获取的脑脊液细胞学检测图像中的脑脊液细胞进行准确的分割处理，并对细胞的特征自动提取，而且提取的结果也会比较客观。
-
公开(公告)号：CN118097662B
公开(公告)日：2024-09-27
申请号：CN202410227380.6
申请日：2024-02-29
Applicant: 东北大学 , 辽宁然辉科技有限公司
IPC: G06V20/69 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/0499 , G06N3/084
Abstract: 本发明提供一种基于CNN‑SPPF和ViT的巴氏涂片宫颈细胞图像分类方法。该分类方法包括：获取宫颈细胞的巴氏涂片在显微镜下被分类为n类样本集的图像数据集；将每类样本集中的细胞图像划分为训练集、验证集和测试集；对训练集进行预处理；构建分类网络模型；该模型包括Focus模块、CNN‑SPPF模块、ViT模块、特征融合模块和分类模块；构造损失函数；将预处理后的训练集输入到该模型，并训练该模型；在训练该模型时，采用基于训练周期的损失，并使用Loss阈值对数据进行选择性增强处理，用于下一个轮次的训练；将验证集输入到训练后的分类网络模型进行优化；将测试集输入最终优化后的分类网络模型，输出分类结果。本发明利用CNN‑SPPF模块和ViT模块同时对无损下采样后的细胞图像进行特征提取，再进行特征融合，最终映射出细胞图像的分类结果，达到大大地提高宫颈细胞图像分类性能的目的。
-
公开(公告)号：CN116862869B
公开(公告)日：2024-04-19
申请号：CN202310830048.4
申请日：2023-07-07
Applicant: 东北大学 , 辽宁然辉科技有限公司
IPC: G06T7/00 , G06V10/25 , G06V10/82 , G06V10/774 , G06V10/764
Abstract: 本发明属于自动检测方法技术领域，尤其涉及一种基于标志点检测的下颌骨骨折自动检测方法。基于标志点检测的下颌骨骨折自动检测方法能够降低数据标注难度，其基于对下颌骨医学影像标志点检测、骨折检测算法，实现了下颌骨骨折的自动检测、定位，并提高了检测效率。包括：步骤1、进行下颌骨标志点检测模型学习；步骤2、进行下颌骨骨折检测模型学习；步骤3、进行下颌骨骨折自动检测。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.016 seconds)
