-
公开(公告)号：CN113012133A
公开(公告)日：2021-06-22
申请号：CN202110302718.6
申请日：2021-03-22
Applicant: 华南理工大学 , 佛山市顺德致可智能科技有限公司
Abstract: 本发明公开了一种新冠肺炎诊断系统，包括图像输入模块、特征提取模块、专家诊断模块、综合评估模块和诊断结果输出模块，图像输入模块用于输入X光正位胸片图像；特征提取模块用于构建并预训练ResNet深度网络模型，预训练完毕后去除末端全连接层，其剩余部分作为图像特征提取器，采用图像特征提取器提取X光正位胸片图像的特征形成样本；专家诊断模块用于构建多个动态学习网络分类器；综合评估模块用于针对各个动态学习网络分类器，构建集成动态学习网络模型来对图像进行诊断，得到诊断预测结果；诊断结果输出模块用于输出最终诊断结果。还提供了相应的介质及设备。集成动态深度学习网络模型大大提高了模型训练效率。
-
公开(公告)号：CN116597189A
公开(公告)日：2023-08-15
申请号：CN202211600358.9
申请日：2022-12-13
Applicant: 华南理工大学 , 佛山市顺德致可智能科技有限公司
IPC: G06V10/764 , G06V10/77 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于CT图像的COVID‑19诊断方法、系统、装置及介质，该方法包括下述步骤：输入就诊人员的肺部CT图像；基于Xception将CT图像转换为纯数据样本；利用主成分分析法进行数据降维处理；基于支持向量机模型建立相关数据的分类模型的标准矩阵型凸二次规划问题；根据递归神经动力学理论设计用于求解标准矩阵型凸二次规划问题的变参递归神经网络求解器；利用所设计的求解器对分类模型进行求解以得到分类决策函数；输出基于该分类决策函数的预测结果。本发明采用基于Xception的集成支持向量机和变参递归神经网络的方法对肺部CT图像进行识别分类，能够快速准确地识别诊断出就诊人员是否患有COVID‑19，有效地提高了对COVID‑19诊断的速度和准确率。
-
公开(公告)号：CN113673566A
公开(公告)日：2021-11-19
申请号：CN202110815853.0
申请日：2021-07-19
Applicant: 华南理工大学
Abstract: 本发明公开的一种基于CT图像的新冠肺炎诊断系统，包括视图传输模块、特征获取模块、训练学习模块、诊断模块和结果输出模块，视图传输模块用于在计算机上输入肺部CT图像；特征获取模块用于将CT图像预处理后通过基于Xception深度网络模型的特征提取器，得到图像特征；训练学习模块用于得到权重更新完毕的动态学习网络分类器；诊断模块用于将获得的动态学习网络分类器，通过投票规则构建新的集成动态学习网络分类器，应用于被提取图像特征后的肺部CT图像的新冠肺炎诊断；结果输出模块用于输出最终诊断结果，将所获得的诊断结果通过计算机屏幕界面进行输出展示。本发明还提供了相应的介质及设备。本发明具有更高的准确率与计算效率，体现出更优良的性能。
-
公开(公告)号：CN112164462A
公开(公告)日：2021-01-01
申请号：CN202011030248.4
申请日：2020-09-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种乳腺癌风险评估方法、系统、介质及设备，该方法包括下述步骤：输入身体指标测量数据样本；构建S型动态收敛差分神经网络，设定S型动态收敛差分神经网络输入层与隐含层之间各个连接权重分量随机初始化且保持不变，隐含层与输出层之间各个连接权重分量随机初始化并进行训练；采用多种不同类型的变换函数训练出对应多种不同的S型动态收敛差分神经网络模型；完成训练的S型动态收敛差分神经网络模型对输入的身体指标测量数据样本进行预判，得到预判结果；采用基于少数服从多数的投票原则对预判结果进行评估，得出最终的乳腺癌风险评估结果。本发明提高了模型训练效率，同时运用综合评估机制能有效保证风险评估结果的可靠性。
-
公开(公告)号：CN113887567B
公开(公告)日：2024-06-18
申请号：CN202111052465.8
申请日：2021-09-08
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/56 , G06N3/0464 , G06N3/047 , G06N3/08 , G06N3/045
Abstract: 本发明公开了一种蔬菜质量检测系统，包括读取模块、特征标记模块、训练学习检测模块、分级模块和结果输出模块。该诊断系统存储在计算机的硬盘上。读取模块用于在计算机的硬盘上存储有蔬菜质量检测系统，通过视图传输设备在计算机上输入蔬菜图像；特征标记模块用于标记蔬菜图像的各个特征形成样本；训练学习检测模块用于构建并训练YOLO深度神经网络，并对蔬菜图像进行检测；分级模块用于根据蔬菜各预测框的坐标信息获取其长度比例及面积比例，最后与定好的标准进行比较，得到分级结果。本发明还提供了相应的介质及设备，减少了系统所需存储硬盘的空间，该系统所使用的深度学习网络模型大大提高了训练速度和分级效率。
-
Patent Agency Ranking
公开(公告)号：CN115762767A
公开(公告)日：2023-03-07
申请号：CN202211600356.X
申请日：2022-12-13
Applicant: 华南理工大学 , 佛山市顺德致可智能科技有限公司
IPC: G16H50/20 , G06F18/241 , G06F18/2411 , G06N3/044 , G06N3/08 , G06N20/10
Abstract: 本发明公开了一种乳腺癌诊断系统，该系统包括如下模块：1)数据采集模块，用于获取就诊人员的乳腺癌病理数据；2)特征提取模块，用于选择合适的乳腺癌病理特征数据；3)数据预处理模块，用于对乳腺癌病理特征数据进行预处理操作，包括：数据清洗、数据标准化、数据标注和数据划分处理；4)专家诊断模块，用于构建集成支持向量机与变参递归神经网络学习模型，以实现对乳腺癌病理分类的快速学习与预测；5)诊断结果输出模块，用于输出显示经网络模型分析计算得到的乳腺癌诊断结果。本发明基于集成支持向量机与变参递归神经网络的方法，建立了一种乳腺诊断系统，实现了对乳腺癌的快速诊断，有效地提高了对乳腺癌诊断的准确率。
-
公开(公告)号：CN112164462B
公开(公告)日：2022-05-24
申请号：CN202011030248.4
申请日：2020-09-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种乳腺癌风险评估方法、系统、介质及设备，该方法包括下述步骤：输入身体指标测量数据样本；构建S型动态收敛差分神经网络，设定S型动态收敛差分神经网络输入层与隐含层之间各个连接权重分量随机初始化且保持不变，隐含层与输出层之间各个连接权重分量随机初始化并进行训练；采用多种不同类型的变换函数训练出对应多种不同的S型动态收敛差分神经网络模型；完成训练的S型动态收敛差分神经网络模型对输入的身体指标测量数据样本进行预判，得到预判结果；采用基于少数服从多数的投票原则对预判结果进行评估，得出最终的乳腺癌风险评估结果。本发明提高了模型训练效率，同时运用综合评估机制能有效保证风险评估结果的可靠性。
-
公开(公告)号：CN113476065B
公开(公告)日：2022-04-22
申请号：CN202111039147.8
申请日：2021-09-06
Applicant: 华南理工大学
Abstract: 本发明公开了一种多类肺炎诊断系统，包括读片模块、特征获取模块、训练学习模块、诊断模块和结果输出模块。读片模块用于在计算机的硬盘上存储有诊断系统，通过视图传输设备输入体检者X光正位胸片图像；特征获取模块用于构建并预训练深度卷积块网络模型作为图像特征提取器，采用图像特征提取器提取X光正位胸片图像的特征形成样本；训练学习模块用于构建并训练多个动态学习网络分类器；诊断模块用于针对各个动态学习网络分类器，构建双阶段集成动态学习网络模型来对图像进行诊断，得到诊断预测结果；结果输出模块用于输出最终诊断结果。该系统通过双阶段集成动态学习网络模型大大提高了训练速度和诊断效率。
-
公开(公告)号：CN109993255B
公开(公告)日：2021-10-26
申请号：CN201910199784.8
申请日：2019-03-15
Applicant: 华南理工大学
IPC: G06K19/06
Abstract: 本发明公开了一种图像编码与解码的方法，包括以下步骤：将用于识别的图像表示成半径为R的圆并且16等份，每条等分线半径代表一个十六进制数，按顺时针方向将等分线半径按照十六进制数从0编到F；编码过程是将数字字符串从左到右逐个字节按顺时针方向画出半径为Ri画圆弧，圆弧依次由内向外布置，圆弧起点和终点的等分线分别代表一个十六进制数，结束符的圆弧半径等于R。解码过程是从圆心出发，由内向外对每一条圆弧的起点和终点进行识别读取，将所对应的十六进制数依次排列，生成数据字符串供机器内部处理。本发明方便机器检测识别，可用于动态拍照，模糊处理。图像与其数据字节串一一对应，使得两个过程的结果更为准确，效率较高。
-
公开(公告)号：CN113476065A
公开(公告)日：2021-10-08
申请号：CN202111039147.8
申请日：2021-09-06
Applicant: 华南理工大学
Abstract: 本发明公开了一种多类肺炎诊断系统，包括读片模块、特征获取模块、训练学习模块、诊断模块和结果输出模块。读片模块用于在计算机的硬盘上存储有诊断系统，通过视图传输设备输入体检者X光正位胸片图像；特征获取模块用于构建并预训练深度卷积块网络模型作为图像特征提取器，采用图像特征提取器提取X光正位胸片图像的特征形成样本；训练学习模块用于构建并训练多个动态学习网络分类器；诊断模块用于针对各个动态学习网络分类器，构建双阶段集成动态学习网络模型来对图像进行诊断，得到诊断预测结果；结果输出模块用于输出最终诊断结果。该系统通过双阶段集成动态学习网络模型大大提高了训练速度和诊断效率。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.021 seconds)
