-
公开(公告)号：CN119313696A
公开(公告)日：2025-01-14
申请号：CN202411373764.5
申请日：2024-09-29
Applicant: 杭州电子科技大学
IPC: G06T7/136 , G06T7/194 , G06N3/126 , G06V10/44 , G06N3/096 , G06T7/00 , G06V10/774 , G06V10/776 , G06N3/006
Abstract: 本发明公开了一种基于君主策略改进遗传算法的多阈值图像分割方法。本发明方法基于遗传算法的进化原理，通过模拟自然选择和遗传学中的基因交叉与变异过程，确保在图像分割的多阈值选择问题中，能够有效探索解空间并收敛到最优解。利用生物学原理，保证了算法在解决复杂图像分割任务中的高效性与准确性。本发明方法优化了多阈值选择，能够在不同灰度级图像之间实现精确分割，尤其适用于具有多个组织类型或复杂结构的图像，可以有效识别复杂边界和重叠结构，通过自动调整分割参数提高识别准确性。
-
公开(公告)号：CN119672107A
公开(公告)日：2025-03-21
申请号：CN202411725640.9
申请日：2024-11-28
Applicant: 杭州电子科技大学丽水研究院
IPC: G06T7/73 , G06T7/00 , G06T5/30 , G06T7/155 , G06T5/70 , G06T5/60 , G06T7/40 , G06V10/764 , G06V10/82 , G06V10/30
Abstract: 本发明公开了脑动脉栓塞位置的检测方法、装置、电子设备和存储介质，首先获取多组的脑动脉图像针对栓塞的标记位置；对得到特征数据进行预处理，通过特征提取算法，从预处理后的脑动脉栓塞图像中提取影像组学的特征数据；再使用随机森林算法对提取的特征进行重要性筛选，使用多种机器学习模型分别对提取的特征进行分类预测，最后选择性能最优的模型对栓塞位置进行预测。本发明利用了影像组学的纹理特征去预测脑动脉栓塞的位置，可以更好的预测脑动脉栓塞的位置。本发明对提取的特征数据利用了随机森林模型进行重要性筛选，这种筛选方法有助于去掉那些对模型预测影响不大的特征，从而简化模型，从而提高模型的训练效率和泛化能力。
-
公开(公告)号：CN118570121A
公开(公告)日：2024-08-30
申请号：CN202410505389.9
申请日：2024-04-25
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06T7/136 , G06T7/13 , G06T5/00 , G06V10/764
Abstract: 本发明公开了基于乳腺癌病理切片图像的肿瘤细胞提取方法。本发明通过阈值分割，边缘检测、区域生长等算法的结合实现对单个细胞的提取，将颜色空间转换和阈值分割进行结合对图像进行处理，解决图像分割效果不佳的问题，通过边缘检测能够得到清晰的肿瘤边界，并通过区域生长算法能够实现细胞级别的分割，在区域算法之前对图像进行填充处理，对孔洞进行填充，解决区域内有孔洞，对于细胞图像难以有效分割的问题，最后通过形态学处理消除杂质，得到单个细胞，实现肿瘤细胞提取，整个过程快速、准确、简便。
-
公开(公告)号：CN110992373B
公开(公告)日：2022-04-01
申请号：CN201911168632.8
申请日：2019-11-25
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于深度学习的胸腔器官分割方法。本发明改进了U‑Net的结构，得到了一种更优的用于胸腔器官分割的编码解码结构，相较于传统的U‑Net，在特征提取部分具有更好的性能以及更好的效果，而在上采样部分针对各层的不同特点增加了卷积和池化层，有效减少了锯齿现象，使得上采样结果更加精细，本发明也对分割结果中出现的一些脱离主体的分割错误进行了只取最大连通区域的处理。本发明训练速度和计算速度都优于传统的U‑Net网络，本发明方法的网络达到了50层，提取特征的效果更好，并且本发明仅需一个模型就可以用于多器官的图像分割。
-
公开(公告)号：CN111177580A
公开(公告)日：2020-05-19
申请号：CN201911332188.9
申请日：2019-12-21
Applicant: 杭州电子科技大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种利用多重隐式反馈实现个性化推荐的方法。本发明步骤如下：1、定义新的采用方法，将来自于目标反馈的项目定义为正例样本，将仅通过支持反馈与用户进行交互的项目定义为负例样本；2、应用矩阵分解来建模用户和项目之间的线性交互关系，通过将用户和项目之间的交互关系映射到维度为d的潜在共享空间，矩阵分解模型将用户对项目的偏好建模为该空间中相应潜在因子向量的内积；3、应用多层感知机来建模用户和项目之间的非线性交互关系，以及不同类型的隐式反馈之间的相互关系；4、融合矩阵分解模块和多重多层感知机模块的集成网络架构。本发明端到端的推荐模型，系统和全面地模拟用户和项目之间的多个隐式反馈，提高推荐质量。
-
Patent Agency Ranking
公开(公告)号：CN110929748A
公开(公告)日：2020-03-27
申请号：CN201910969152.5
申请日：2019-10-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的运动模糊图像特征匹配方法。本发明步骤：1、利用全卷积网络训练“俄罗斯方块数据集”，得到训练后的MagicPoint网络；2、利用MagicPoint网络训练未加标签的真实图像数据集，再加上同形变换处理，生成伪标签；3、构建图像特征点提取和描述的网络结构SuperPoint，以前面的伪标签为基准，训练SuperPoint网络，最终输出运动模糊图像的描述符；4：利用前面步骤中得到的描述符，实现运动模糊图像的特征匹配。本发明成功将卷积神经网络应用于运动模糊图像的特征匹配工作，并开创性的打破传统先特征点提取后描述的思想，采用提取和描述同步进行的网络架构，并共享了大部分网络参数，降低网络的计算量，达到了特征点提取和描述之间相辅相成、互相促进的效果。
-
公开(公告)号：CN111127490A
公开(公告)日：2020-05-08
申请号：CN201911414686.8
申请日：2019-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明是一种基于循环残差U-Net网络的医学图像分割方法。本发明在深度残差模型、循环卷积网络和U-Net模型基础上，提出了两种分别加入了循环卷积单元的U-Net和循环残差卷积操作的U-Net的分割模型。本发明引入了循环卷积单元和残差卷积单元，较好的解决了分割任务中数据缺乏和分类不平衡的问题。由于循环结构和残差结构只是从结构上改变了网络，并没有增加额外的参数，在分割任务上表现出更好的性能。循环和残差的操作并没有增加网络参数的数量，对训练和测试性能有显著性提高。
-
公开(公告)号：CN118247224A
公开(公告)日：2024-06-25
申请号：CN202410228084.8
申请日：2024-02-29
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的乳腺癌病理图像分析方法。首先构建改进型的EfficientNet‑B0网络模型并通过公开的乳腺癌临床样本数据集进行模型优化，直至损失函数收敛，得到训练好的图像分析模型；利用训练好的图像分析模型对待识别的乳腺癌病理图像进行分析，生成清晰的上皮组织图像和间充质组织图像。本发明方法能够更准确地识别和分类乳腺癌病理图像中的上皮组织和间充质组织，更好地帮助医生理解和解读医学影像，从而提高乳腺癌诊断的准确性，提高工作效率，同时可为预测乳腺癌的发展和愈后提供重要帮助，也为医生制定个性化和高效的治疗方案提供了重要参考。
-
公开(公告)号：CN111121969B
公开(公告)日：2021-12-10
申请号：CN201911414668.X
申请日：2019-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明是一种基于孔径扫描的多光谱叠层成像方法。本发明用孔径扫描替代LED矩阵，采用单束光照射，从样本出射的光波经过孔径，通过孔径循环扫描以及高光谱处理获得来自样本的不同位置的低分辨率图像，通过在傅里叶域内进行处理，最终获得样本的高分辨率图像。在实现叠层成像的前提上，克服了LED矩阵的缺点。还对瞳孔函数和样本光谱进行迭代更新，通过收敛瞳孔函数，使得获得的成像图片的分辨率更高。引入高光谱成像，通过高光谱成像进一步了解样本本质，从而构建出更加清晰的图像，能够对样本分析的更加透彻，为分析样本也提供了条件。
-
公开(公告)号：CN111121969A
公开(公告)日：2020-05-08
申请号：CN201911414668.X
申请日：2019-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明是一种基于孔径扫描的多光谱叠层成像方法。本发明用孔径扫描替代LED矩阵，采用单束光照射，从样本出射的光波经过孔径，通过孔径循环扫描以及高光谱处理获得来自样本的不同位置的低分辨率图像，通过在傅里叶域内进行处理，最终获得样本的高分辨率图像。在实现叠层成像的前提上，克服了LED矩阵的缺点。还对瞳孔函数和样本光谱进行迭代更新，通过收敛瞳孔函数，使得获得的成像图片的分辨率更高。引入高光谱成像，通过高光谱成像进一步了解样本本质，从而构建出更加清晰的图像，能够对样本分析的更加透彻，为分析样本也提供了条件。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.059 seconds)
