公开(公告)号：CN116597218A

公开(公告)日：2023-08-15

申请号：CN202310578843.9

申请日：2023-05-22

Applicant: 哈尔滨工业大学

Inventor： 张淼 ,  邹春柳 ,  蒋萍 ,  赵虹博 ,  王艳 ,  沈毅

IPC: G06V10/764 ,  G06V10/82 ,  G06V20/70 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种病理切片图像病变分级分类检测方法，所述方法包括如下步骤：步骤一：利用基于归一化互信息配准的自动化标签标注方法对裁剪后的图像标注标签，生成数据集；步骤二：对DenseNet121网络进行改进，引入焦点损失函数平衡多个组织样本之间的权重；步骤三：在改进后的DenseNet121中的每一个稠密块和转换层中间加入混合注意力模块，并将局部监督函数加入到修改后网络的损失函数中；步骤四：将步骤二和步骤三中的两个改进网络系统结合，形成针对病变的分级分类检测方案。本发明能够提高病变图像的检出速度和准确率，从而降低人工识别成本，扩展医学图像分类领域应用前景。

公开(公告)号：CN116091832A

公开(公告)日：2023-05-09

申请号：CN202310124577.2

申请日：2023-02-16

Applicant: 哈尔滨工业大学

Inventor： 张淼 ,  赵虹博 ,  邹春柳 ,  梁瑞东 ,  王艳 ,  沈毅

IPC: G06V10/764 ,  G06V10/82 ,  G06T7/00 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了一种基于自编码器网络的肿瘤细胞切片高光谱图像分类方法，所述方法包括如下步骤：步骤一：通过显微镜和高光谱成像仪得到肿瘤细胞切片的高光谱图像；步骤二：基于高光谱图像数据，分别进行基于线性回归的最小二乘拟合估计和基于非线性回归的高斯拟合估计，通过滑动窗口设置和三次样条插值法，将混合像元按线性和非线性混合程度进行区域划分；步骤三：基于变精度粗糙集方法处理高光谱图像解混数据，构建稀疏自编码器网络进行解混；步骤四：基于优化的卷积神经网络，对解混得到的端元及丰度结果进行分类，实现肿瘤细胞切片高光谱图像分类。本发明可以降低图像在空间分辨率上的精度要求，提高切片扫描效率，进一步缩短分析诊断时间。

公开(公告)号：CN116091832B

公开(公告)日：2023-10-20

申请号：CN202310124577.2

申请日：2023-02-16

Applicant: 哈尔滨工业大学

Inventor： 张淼 ,  赵虹博 ,  邹春柳 ,  梁瑞东 ,  王艳 ,  沈毅

IPC: G06V10/764 ,  G06V10/82 ,  G06T7/00 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了一种基于自编码器网络的肿瘤细胞切片高光谱图像分类方法，所述方法包括如下步骤：步骤一：通过显微镜和高光谱成像仪得到肿瘤细胞切片的高光谱图像；步骤二：基于高光谱图像数据，分别进行基于线性回归的最小二乘拟合估计和基于非线性回归的高斯拟合估计，通过滑动窗口设置和三次样条插值法，将混合像元按线性和非线性混合程度进行区域划分；步骤三：基于变精度粗糙集方法处理高光谱图像解混数据，构建稀疏自编码器网络进行解混；步骤四：基于优化的卷积神经网络，对解混得到的端元及丰度结果进行分类，实现肿瘤细胞切片高光谱图像分类。本发明可以降低图像在空间分辨率上的精度要求，提高切片扫描效率，进一步缩短分析诊断时间。

公开(公告)号：CN116188423B

公开(公告)日：2023-08-08

申请号：CN202310151695.2

申请日：2023-02-22

Applicant: 哈尔滨工业大学

Inventor： 张淼 ,  陈子昂 ,  梁瑞东 ,  邹春柳 ,  王艳 ,  沈毅

IPC: G06T7/00 ,  G06T7/11 ,  G06V10/762 ,  G06N3/126

Abstract: 本发明公开了一种基于病理切片高光谱图像的超像素稀疏解混检测方法，所述方法包括如下步骤：步骤一：利用基于差分方程的超像素分割算法对高光谱图像进行聚类；步骤二：从检测端元库A中选择端元矩阵M，采用基于精英解选择的改进的多目标并行优化稀疏解混算法对分割后的图像进行解混，得到多个候选端元解集；步骤三：引入效用函数法用于多目标优化问题Pareto前沿拐点的判定，获取最优解，再利用全约束最小二乘法计算出相应的丰度矩阵S；步骤四：结合超像素分割子块及其丰度值较大的几个端元收集各类组织特征的模板，并对待检测切片进行逐分割子块的匹配检测。该方法具有解混速度快、鲁棒性强、检测精度高的特点。

公开(公告)号：CN116188423A

公开(公告)日：2023-05-30

申请号：CN202310151695.2

申请日：2023-02-22

Applicant: 哈尔滨工业大学

Inventor： 张淼 ,  陈子昂 ,  梁瑞东 ,  邹春柳 ,  王艳 ,  沈毅

IPC: G06T7/00 ,  G06T7/11 ,  G06V10/762 ,  G06N3/126

Abstract: 本发明公开了一种基于病理切片高光谱图像的超像素稀疏解混检测方法，所述方法包括如下步骤：步骤一：利用基于差分方程的超像素分割算法对高光谱图像进行聚类；步骤二：从检测端元库A中选择端元矩阵M，采用基于精英解选择的改进的多目标并行优化稀疏解混算法对分割后的图像进行解混，得到多个候选端元解集；步骤三：引入效用函数法用于多目标优化问题Pareto前沿拐点的判定，获取最优解，再利用全约束最小二乘法计算出相应的丰度矩阵S；步骤四：结合超像素分割子块及其丰度值较大的几个端元收集各类组织特征的模板，并对待检测切片进行逐分割子块的匹配检测。该方法具有解混速度快、鲁棒性强、检测精度高的特点。