公开(公告)号：CN116188456A

公开(公告)日：2023-05-30

申请号：CN202310375318.7

申请日：2023-04-10

Applicant: 哈尔滨理工大学

Inventor： 康兰兰 ,  丁博 ,  梁義钦

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/774 ,  G06T7/62 ,  G06N3/08 ,  G06V10/44 ,  G06V10/82 ,  G06N3/0464

Abstract: 一种融合病理知识的多尺度双流宫颈异常细胞检测方法，本发明涉及宫颈细胞病理全景图像异常细胞检测技术中，特征稀疏，不同大小异常细胞检测难度大的问题。在宫颈癌筛查中及早发现异常宫颈细胞可增加及时治疗的机会，但人工检测需要经验丰富的病理学家，耗时且容易出错，宫颈细胞病理全景图像异常细胞检测技术中，存在全景图像异常细胞特征稀疏，不同大小异常细胞检测难度大的问题。为了改善这一问题，本发明提出一种融合病理知识的多尺度双流宫颈异常细胞检测方法。实验表明，该方法能够有效融合病理知识，显著提高多尺度检测区域建议的质量，稳健检测出不同大小的细胞，提高了宫颈细胞检测的准确率、敏感度和特异度，为宫颈癌筛查和改善病理工作流程提供有效且高效的技术支持，帮助病理学家做出更准确的诊断。本发明主要应用于宫颈细胞病理全景图像异常细胞检测。

公开(公告)号：CN115760764A

公开(公告)日：2023-03-07

申请号：CN202211444831.9

申请日：2022-11-18

Applicant: 哈尔滨理工大学

Inventor： 朱素霞 ,  梁義钦 ,  李超炜 ,  康兰兰 ,  丁博

IPC: G06T7/00 ,  G06T7/11 ,  G06V10/26 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 一种融合样本内对照信息的宫颈异常细胞识别方法，本发明涉及细胞病理检测中，样本间的差异性导致宫颈异常细胞识别精确率低、假阳性率高的问题。由于不同生理状态、不同年龄段的宫颈病理状态具有天然差异，宫颈细胞的形态、大小并不相同，而深度学习方法主要使用来自不同样本的宫颈异常细胞标注数据训练模型，极少考虑到宫颈细胞病理样本间的差异性，导致了宫颈异常细胞识别标准模糊，精确率低，假阳性率高等问题。为改善这一问题，本发明提出了一种融合样本内对照信息的宫颈异常细胞识别方法。实验表明，该方法能够有效对比样本内正常细胞的形态特征识别异常细胞，降低了宫颈异常细胞识别的假阳性率，提高了样本检测准确率、敏感度和特异度。本发明主要应用于宫颈细胞病理检测中异常细胞识别。

公开(公告)号：CN116108166A

公开(公告)日：2023-05-12

申请号：CN202211239444.1

申请日：2022-10-11

Applicant: 哈尔滨理工大学

Inventor： 康兰兰 ,  王健 ,  刘皓晨

IPC: G06F16/35 ,  G06F40/30 ,  G06N3/045 ,  G06N3/048 ,  G06N3/08

Abstract: 一种基于问答式的双重注意力机制情感原因提取方法，本发明涉及文本分类技术。用于解决面向文本情感分析任务中无法准确提取文本中情感产生的潜在原因的问题。情感原因提取能够用于舆情分析和顾客评价分析，对于政府服务社会和企业改进产品都具有重要意义。然而，由于网络短文本缺乏规范性，且其中的情感信息受人物所处场景影响较大，使得准确提取情感背后的原因变得十分困难。本发明提出了基于问答式的双重注意力机制情感原因提取方法。实验表明，该方法可以有效地提升情感原因提取准确率，准确提取出冗余短文本中的产生情感背后的原因。本发明主要应用于灵活、缺乏规范性的网络短文本的情感原因提取。

公开(公告)号：CN116309525A

公开(公告)日：2023-06-23

申请号：CN202310375319.1

申请日：2023-04-10

Applicant: 哈尔滨理工大学

Inventor： 秦健 ,  丁博 ,  康兰兰

IPC: G06T7/00 ,  G06T7/136 ,  G06V10/774 ,  G06V10/82 ,  G06N3/08

Abstract: 本发明涉及一种基于语义对齐的零样本宫颈细胞检测方法，旨在提供一种有效的零样本细胞检测方法。采用视觉和文本语义对齐的模型学习方案，利用其他病理图像数据集构建零样本目标检测模型，将文本语义与目标特征对齐，在宫颈细胞语义描述的指导下扩展目标检测模型的检测类别，实现宫颈细胞的零样本检测。此外，利用部分标注的目标检测模型训练方法，降低零样本目标检测漏识别情况，提高细胞检测的准确性和可靠性。实验表明，本发明能够有效地实现各种类型宫颈细胞的零样本目标检测，并具有很强的鲁棒性和泛化能力。本发明涉及生物医学图像处理领域，具体涉及宫颈细胞的目标检测任务。

公开(公告)号：CN113628197A

公开(公告)日：2021-11-09

申请号：CN202110948082.2

申请日：2021-08-18

Applicant: 哈尔滨理工大学

Inventor： 谢怡宁 ,  侯建新 ,  康兰兰

IPC: G06T7/00 ,  G06T7/11 ,  G06T7/136 ,  G06T7/155 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于对比学习的弱监督全切片组织病理图像分类方法，本发明涉及对比学习技术和弱监督分类技术。为了解决在仅有图像级标注的情况下对全切片组织病理图像分类准确率低的问题。全切片组织图像尺寸十分巨大，基于深度神经网络的全切片病理图像分类方法效果显著。但此类方法需要专业病理医生手动标注近10亿像素的全切片图像，获取精确标注数据的成本十分高昂。因此，本发明提出了一种基于对比学习的弱监督全切片图像分类方法，用于在仅有图像级标注的情况下对全切片组织病理图像分类。实验表明，在标注不足的情况下，该方法能够对全切片组织病理图像有效分类。本发明主要应用于弱监督情况下的全切片组织病理图像分类。