公开(公告)号：CN118096528A

公开(公告)日：2024-05-28

申请号：CN202311224598.8

申请日：2023-09-21

Applicant: 南京理工大学

Inventor： 左超 ,  周杰 ,  李加基 ,  孙佳嵩 ,  金彦伯 ,  卢林芃 ,  周顺

IPC: G06T3/4053 ,  G06T3/4046 ,  G06T5/90 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于深度学习的单帧超分辨率端到端定量相位成像方法，可在传统明场显微镜中实现超分辨率定量相位显微成像，而不需使用复杂装置。该方法首先沿光轴采集两幅强度图像；其次利用反卷积求解光强传输方程得到定量相位图，作为网络训练真值数据集；而后通过数值方法获取低分辨率强度图像，作为网络训练输入数据集；随后利用训练数据集训练深度神经网络，使其掌握低分辨率强度图像和高分辨率相位图像之间的映射关系；最后向网络输入全新的单帧低分辨率强度图像，即可获得超分辨率定量相位图像。本发明可在无需额外硬件或光学设计的前提下，通过深度学习算法赋予明场显微系统以定量、高速、成本低、结构简单、超分辨、高精度、大视场的优势实现超分辨率定量相位成像的能力。

公开(公告)号：CN116912240B

公开(公告)日：2023-12-08

申请号：CN202311163393.3

申请日：2023-09-11

Applicant: 南京理工大学

Inventor： 左超 ,  金彦伯 ,  李加基 ,  陈钱 ,  孙佳嵩 ,  卢林芃 ,  周杰

IPC: G06T7/00 ,  G06T7/11 ,  G06T7/33 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0895 ,  G06N3/084 ,  G16H70/60

Abstract: 本发明公开了一种基于半监督学习的突变TP53免疫学检测方法，包括在每个胃腺体切片上获取H&E染色切片全片图像与p53染色切片全片图像；将H&E染色与p53染色切片的全片图像裁剪为相同大小并进行配准与角度校正，得到H&E染色与p53染色切片训练数据集；构建两个相同架构的基于移位窗视觉自注意力模型的深度神经网络；根据交叉伪标签监督的原理对两个深度神经网络进行训练，采用反向传播算法与优化算法对两个网络进行更新；将实时采集的H&E染色图像输入训练好的加入具体参数丢弃模块的深度神经网络进行获取突变TP53的区域掩膜。(56)对比文件Andrew Su 等.A deep learning modelfor molecular label transfer that enablescancer cell identification fromhistopathology images《.https://www.nature.com/articles/s41698-022-00252-0》.2022,全文.

公开(公告)号：CN118351533A

公开(公告)日：2024-07-16

申请号：CN202410444537.0

申请日：2024-04-15

Applicant: 南京理工大学

Inventor： 左超 ,  顾豪杰 ,  孙佳嵩 ,  李卓识 ,  沈茜 ,  金彦伯

IPC: G06V20/69 ,  G06V10/26 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明公开了一种基于物理框架下的深度学习高精度细胞分割方法，主要采用了两个深度学习模型，分别为前景分割模型和质心检测模型。前景分割模型的输入为细胞相位图，经过训练该模型用于输出细胞的前景分割结果。质心检测模型的输入为同一组细胞相位图，经过训练该模型用于生成细胞的质心检测结果。最终将得到的前景分割结果和质心检测结果通过分水岭算法实现高精度细胞分割。本发明与传统的细胞分割算法相比，所提出的方法对于细胞粘连情况在内的多种复杂情况下的细胞分割准确度更高，且无需参数调整，避免了使用者的经验依赖，具有较好的泛化性能可应对复杂的细胞生长状态。与深度学习方法相比，本发明提出的方法在数据驱动的细胞分割方法中引入物理框架，可以有效降低学习成本和学习难度，在使用更少数据集的情况下提升了粘连细胞的分割准确性，并且有效减少噪声对于细胞分割结果的影响。

公开(公告)号：CN116912240A

公开(公告)日：2023-10-20

申请号：CN202311163393.3

申请日：2023-09-11

Applicant: 南京理工大学

Inventor： 左超 ,  金彦伯 ,  李加基 ,  陈钱 ,  孙佳嵩 ,  卢林芃 ,  周杰

IPC: G06T7/00 ,  G06T7/11 ,  G06T7/33 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0895 ,  G06N3/084 ,  G16H70/60

Abstract: 本发明公开了一种基于半监督学习的突变TP53免疫学检测方法，包括在每个胃腺体切片上获取H&E染色切片全片图像与p53染色切片全片图像；将H&E染色与p53染色切片的全片图像裁剪为相同大小并进行配准与角度校正，得到H&E染色与p53染色切片训练数据集；构建两个相同架构的基于移位窗视觉自注意力模型的深度神经网络；根据交叉伪标签监督的原理对两个深度神经网络进行训练，采用反向传播算法与优化算法对两个网络进行更新；将实时采集的H&E染色图像输入训练好的加入具体参数丢弃模块的深度神经网络进行获取突变TP53的区域掩膜。