-
公开(公告)号：CN117115182A
公开(公告)日：2023-11-24
申请号：CN202311117841.6
申请日：2023-08-31
IPC: G06T7/11 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/006 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于多智能体深度强化学习的病理图像分割方法，包括步骤：将病理图像中每个像素视为一个智能体，收集各像素的状态数据集和相似度信息；利用深度强化学习的方法对智能体进行估计，预测该智能体对应的像素属于分割目标的概率，并根据估计的概率对该像素进行分类，判断该像素是否属于分割目标；直到图像中所有的像素点都执行了上述操作，最终得到图像的粗分割结果；在粗分割的目标内，利用多智能体深度强化学习算法重新确定两个像素点为新的智能体，这些智能体在已知的粗分割结果上快速寻找需要被细化分类的像素坐标，利用局部细化模型对需要被细化分类的像素进行处理，最终得到精细化的分割目标。本发明提高对病理图像分割的准确性。
-
公开(公告)号：CN117152520A
公开(公告)日：2023-12-01
申请号：CN202311126171.4
申请日：2023-09-04
Applicant: 西南石油大学
IPC: G06V10/764 , G06T7/00 , G06V10/774 , G06V10/42 , G06V10/80
Abstract: 本发明公开了一种基于DenseNet和条件随机场的乳腺病理图像分类方法，包括以下步骤：首先从数字病理扫描仪中获取乳腺病理全切片图像，根据医生的经验在数据上标记病灶区域；采用阈值分割算法和形态学算法去除不含乳腺组织的区域；利用全切片病理图像和人工标注的病灶区域标签，生成乳腺癌病理图像块，制作训练集和验证集；随后构建多尺度特征提取模块和条件随机场分类模块，建立基于DenseNet和条件随机场为基础架构的多尺度图像分类模型；利用不同尺度的图像训练网络模型，通过条件随机场得到概率分布，预测分类结果；最后测试未标注的乳腺病理全切片图像，生成乳腺癌病灶位置，实现乳腺癌区域的自动检测。
-
公开(公告)号：CN116580250A
公开(公告)日：2023-08-11
申请号：CN202310665194.6
申请日：2023-06-07
Applicant: 西南石油大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种基于深度学习的乳腺癌组织病理图像多分类方法；本发明针对乳腺癌组织病理图像在分类过程中准确率低且数量少的特点，首先利用简单线性迭代聚类和单数据变形法进行数据增广，随后并联ResNet‑I‑34、Inception、AlexNet‑S和DenseNet四类神经网络，结合空间变换网络、注意力机制、迁移学习进行分类，最后利用D‑S证据理论进行证据融合，提升决策可信度，降低决策风险；本发明解决了传统乳腺癌组织病理图像多分类技术中特征提取不充分、出错率高、数据集数据不均衡和数据量少的问题。
-
公开(公告)号：CN117274290A
公开(公告)日：2023-12-22
申请号：CN202311285759.4
申请日：2023-10-07
Applicant: 西南石油大学
IPC: G06T7/136 , G06N3/0455 , G06N3/092 , G06T7/13
Abstract: 本发明属于人工智能和数字图像处理方法技术领域，本发明提供了一种基于深度Q学习和LinkNet网络的Hep‑2细胞图像分割方法，首先对Hep‑2数据集进行预处理，用U‑net网络得到Hep‑2细胞图像的神经网络粗分割结果，设置Hep‑2细胞图像的初始分割阈值，并将该阈值下的分割动作作为DQN算法的初始动作，当前状态作为深度Q网络的输入，所有动作对应的Q值作为输出，对Hep‑2细胞进行初步粗定位，并不断对粗分割结果进行优化，得到最佳分割结果，随后输入到LinkNet分割网络中，对Hep‑2细胞进行细分割，得到分割后的图像。本发明通过不断试错，对定位结果进行调整与纠正，使得结果更为准确，有较高的分割准确率，因此本发明具有较好的创新性与推广性，在病理图像分割上具有较高的应用价值。
-
-
-
Search Results
4
records
(took 0.019 seconds)
