-
公开(公告)号：CN119152499A
公开(公告)日：2024-12-17
申请号：CN202411175455.7
申请日：2024-08-26
Applicant: 华南理工大学
IPC: G06V20/69 , G06V10/26 , G06N3/045 , G06N3/0495 , G06N3/082 , G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于有效知识获取的轻量级细胞核分割系统与方法；先用细胞核分割数据集的标签监督教师模型的训练；将训练好的教师模型通过获取有效知识的知识蒸馏方法，将图像信息捕获能力教授给学生模型；在此过程中，数据集的标签也参与学生模型训练时的监督；得到的学生模型具备了在病理图像上对细胞核准确分割和分类。细胞核分割时把要处理的病理图像放在同一个文件夹内，同批送入模型即得到对应的细胞核分割结果。本发明能在计算能力较低的设备上也能运行，且在同等硬件条件下时，运行时间相比其他细胞核分割模型大大减少，同时保持了优秀的分割、分类效果。因此，本发明具有实际应用价值以及推广的前景。
-
公开(公告)号：CN118134859A
公开(公告)日：2024-06-04
申请号：CN202410216377.4
申请日：2024-02-27
Applicant: 华南理工大学
IPC: G06T7/00 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了基于染色相似性重建的双任务循环自监督细胞核分割方法，包括以下步骤：建立先验知识引导的自监督学习框架，通过对染色先验知识和图像先验知识的自监督学习，生成可靠的初始伪标签；先验知识引导的自监督学习框架包括对比学习模型和染色重建模型，以帮助框架学习图像和染色先验知识；训练下游双任务核分割模型，利用任务间一致性和任务内自细化两个策略来提高对比学习和染色重建的性能，实现核分割。本发明通过对组织病理学图像的先验知识进行自监督学习和染色重建，实现伪标签的初始化；训练双任务模型实现核分割，使用任务间一致性和任务内自细化策略弥补信息差距，并保持两个任务的迭代细化。
-
公开(公告)号：CN110853006A
公开(公告)日：2020-02-28
申请号：CN201911078748.2
申请日：2019-11-05
Applicant: 华南理工大学
Abstract: 本发明提供一种使用扫描仪获取的数字病理图像质量评价的方法，根据数字病理图像实际存在的问题提供检测流程，按照此流程可以有效地实现图像可用与不可用的分类。相较于之前的工作，本发明的优点在于不需要提供标准图像作为对照，解决了除了模糊问题比例过大问题之外的严重影响数字病理图像可用性的问题的检测方式，可以以高准确率，快速的执行速度处理批量的数字病理图像数据，具有更好的通用性。
-
公开(公告)号：CN119418044A
公开(公告)日：2025-02-11
申请号：CN202411340841.7
申请日：2024-09-25
Applicant: 华南理工大学
IPC: G06V10/26 , G06V10/30 , G06V10/764 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06N3/084
Abstract: 本发明公开了一种基于原型引导的自优化弱监督病理组织图像分割模型，包括分类阶段和分割阶段；在分类阶段，训练一个分类模型，为分割阶段的伪监督分割生成伪标注；分别在BCSS‑WSSS和LUAD‑HistoSeg数据集上用CAMs对测试集的分割性能进行了评估；然后选择在测试集上表现最好的检查点作为最终权值，生成cam、相似图、融合cam和细化伪掩码；在分割阶段，通过伪掩码训练一个分割模型；在测试集和验证集上评估模型的性能。本发明以更加有效的方式弥补弱监督带来的信息差，从而解决欠激活问题，并引入基于多层特征亲和关系的自优化方法来去噪，同时采用可靠区域学习的策略降低噪声影响。
-
公开(公告)号：CN113674288A
公开(公告)日：2021-11-19
申请号：CN202110754856.8
申请日：2021-07-05
Applicant: 华南理工大学
Abstract: 本发明公开了一种非小细胞肺癌数字病理图像组织自动分割方法，该方法包括下述步骤：对非小细胞肺癌数字病理图像划分为多个图像块，将像素值归一化；采用图像级标注对图像块标注组织标注向量；监督训练多标签分类CNN网络生成虚拟掩膜；构建CAMD模块，在多标签分类CNN网络每次迭代过程中以设定的概率给特征图加attention，或置零特征图响应值高的区域；将图像块输入训练好的多标签分类CNN网络，生成多组虚拟掩膜；基于多组虚拟掩膜训练全监督分割网络，将图像块输入训练好的全监督分割网络得到分割结果；拼接每一张图像块的分割结果得到整张图像的分割结果。本发明在非小细胞肺癌数字病理图像的分割处理上具有更高的精确度。
-
Patent Agency Ranking
公开(公告)号：CN113313680A
公开(公告)日：2021-08-27
申请号：CN202110563360.2
申请日：2021-05-24
Applicant: 华南理工大学
Abstract: 本发明公开了一种结直肠癌病理图像预后辅助预测方法及系统，该方法包括以下步骤：背景分离步骤：划分为背景区域和组织区域；图像小块分割步骤：根据预设像素大小对组织区域进行分割图像小块；深度特征提取步骤：基于结直肠癌存活时间预测模型的卷积层和池化层对分割后的图像小块进行特征的提取得到图像小块特征，经过卷积层处理后对图像小块编码成一维数组形式；聚类步骤：基于K‑means聚类对图像小块特征进行聚类，划分肿瘤上皮组织、间质、粘液、正常组织和坏死部分；风险划分步骤：划分风险范围。本发明通过K‑means聚类对整张病理图像的图像小块进行自动分类后再选择不同类型的图像小块共同训练，使得对结直肠癌病人预后的患者存活时间预测更精确。
-
公开(公告)号：CN119169347A
公开(公告)日：2024-12-20
申请号：CN202411175456.1
申请日：2024-08-26
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/44 , G06N3/0499 , G06N3/08 , G06V10/762 , G06V10/82
Abstract: 本发明公开了一种基于扰动的主动学习医学图像分类方法与系统；本发明根据特征扰动对模型决策的影响和扰动程度来评估样本。首先为每个类别分配强制性标签来指导扰动并获得样本的新预测。如果样本的模型预测发生变化，将其视为不确定的。然后将特征扰动器获得的扰动距离视为多样性向量，可用于通过聚类选择有价值的样本。最后，在聚类空间中选择数量和聚类中心相同的最接近每个聚类中心的数据点。本发明为医学图像分类研究提供了一种高效的数据利用方案，有助于加速科研成果的产出，推动医学影像分析领域的技术创新和临床应用，减轻医生的工作负担。
-
公开(公告)号：CN113674288B
公开(公告)日：2024-02-02
申请号：CN202110754856.8
申请日：2021-07-05
Applicant: 华南理工大学
IPC: G06T7/11 , G06T3/4038 , G06N3/0464 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种非小细胞肺癌数字病理图像组织自动分割方法，该方法包括下述步骤：对非小细胞肺癌数字病理图像划分为多个图像块，将像素值归一化；采用图像级标注对图像块标注组织标注向量；监督训练多标签分类CNN网络生成虚拟掩膜；构建CAMD模块，在多标签分类CNN网络每次迭代过程中以设定的概率给特征图加attention，或置零特征图响应值高的区域；将图像块输入训练好的多标签分类CNN网络，生成多组虚拟掩膜；基于多组虚拟掩膜训练全监督分割网络，将图像块输入训练好的全监督分割网络得到分割结果；拼接每一张图像块的分割结果得到整张图像的分割结果。本发明在非小细胞肺癌数字病理图像的分割处理上具有更高的精确度。
-
公开(公告)号：CN113393443B
公开(公告)日：2023-02-14
申请号：CN202110670248.9
申请日：2021-06-17
Applicant: 华南理工大学
Abstract: 本发明公开了一种HE病理图像细胞核分割方法及系统，该方法的步骤包括：将HE病理图像划分标签类别；对病理图像进行颜色归一化，并按照预设的像素尺寸切分为统一大小的图像块；构建采用双U型网络的结构的细胞核分割模型，将切分后的图像块输入细胞核分割模型中进行细胞核分割训练，将标签类别输入细胞核分割模型作为拟合对象；第一U型网络和第二U型网络之间设有信息融合模块，将两个U型网络在相邻尺度的特征进行信息融合；基于模型不变元学习的机制训练细胞核分割模型；将预测结果按照切分时的顺序重新拼接，得到最终的病理图像多组织细胞核分割的结果图。本发明提高了检测细胞核边界的精确度，解决了对细胞核边界难以检测的问题。
-
公开(公告)号：CN113313680B
公开(公告)日：2023-06-23
申请号：CN202110563360.2
申请日：2021-05-24
Applicant: 华南理工大学
IPC: G06T7/00 , G06T7/10 , G06V10/762 , G16H50/20 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种结直肠癌病理图像预后辅助预测方法及系统，该方法包括以下步骤：背景分离步骤：划分为背景区域和组织区域；图像小块分割步骤：根据预设像素大小对组织区域进行分割图像小块；深度特征提取步骤：基于结直肠癌存活时间预测模型的卷积层和池化层对分割后的图像小块进行特征的提取得到图像小块特征，经过卷积层处理后对图像小块编码成一维数组形式；聚类步骤：基于K‑means聚类对图像小块特征进行聚类，划分肿瘤上皮组织、间质、粘液、正常组织和坏死部分；风险划分步骤：划分风险范围。本发明通过K‑means聚类对整张病理图像的图像小块进行自动分类后再选择不同类型的图像小块共同训练，使得对结直肠癌病人预后的患者存活时间预测更精确。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.021 seconds)
