-
公开(公告)号：CN115115598B
公开(公告)日：2024-09-17
申请号：CN202210765034.4
申请日：2022-06-30
申请人： 南通大学
IPC分类号： G06T7/00 , G06V10/44 , G06V10/50 , G06V10/764 , G06N20/10
摘要： 本发明提供一种基于全局Gabor滤波和局部LBP特征喉癌细胞图像分类方法，包括如下步骤：S1、获取喉癌细胞图像数据集，进行数据预处理；S2、提取图像全局特征信息；S3、提取图像局部特征信息；S4、图像分类器训练；S5、测试图像标签预测，得到测试结果。本发明采用Gabor滤波方法和LBP方法，能够准确高效地对喉癌细胞图像进行分类，兼具更优的分类准确率和kappa系数。
-
公开(公告)号：CN111816270B
公开(公告)日：2022-12-09
申请号：CN202010558462.0
申请日：2020-06-18
申请人： 南通大学
IPC分类号： G16H10/60 , G16H50/70 , G06F16/35 , G06F16/182
摘要： 本发明提供了大规模肝脏电子病历病变分类的属性并行约简Spark方法，包括如下步骤：S10读取肝脏电子病历的数据集合并划分成多个肝脏病历数据子集发送到相应从节点上；S20对所述肝脏病历数据子集进行不一致处理，约简肝脏病历数据中不一致的数据，然后计算肝脏病历数据属性的等价类划分值；S30根据肝脏病历数据子集中数据对象计算属性重要度；S40计算出所述从节点中肝脏病历数据子集的属性重要度集合，进行聚合操作，得到肝脏病历数据的属性重要度集合；S50计算肝脏病历数据集的属性约简集合，并判断其是否满足约简要求。本发明的大规模肝脏电子病历病变分类的属性并行约简Spark方法，有效提高大规模肝脏电子病历属性并行约简的效率和精度。
-
公开(公告)号：CN111816270A
公开(公告)日：2020-10-23
申请号：CN202010558462.0
申请日：2020-06-18
申请人： 南通大学
IPC分类号： G16H10/60 , G16H50/70 , G06F16/35 , G06F16/182
摘要： 本发明提供了大规模肝脏电子病历病变分类的属性并行约简Spark方法，包括如下步骤：S10读取肝脏电子病历的数据集合并划分成多个肝脏病历数据子集发送到相应从节点上；S20对所述肝脏病历数据子集进行不一致处理，约简肝脏病历数据中不一致的数据，然后计算肝脏病历数据属性的等价类划分值；S30根据肝脏病历数据子集中数据对象计算属性重要度；S40计算出所述从节点中肝脏病历数据子集的属性重要度集合，进行聚合操作，得到肝脏病历数据的属性重要度集合；S50计算肝脏病历数据集的属性约简集合，并判断其是否满足约简要求。本发明的大规模肝脏电子病历病变分类的属性并行约简Spark方法，有效提高大规模肝脏电子病历属性并行约简的效率和精度。
-
公开(公告)号：CN110929775A
公开(公告)日：2020-03-27
申请号：CN201911127264.2
申请日：2019-11-18
申请人： 南通大学
摘要： 本发明涉及到医学信息智能处理领域，具体来说涉及一种用于视网膜病变分类的卷积神经网络权值优化方法。该方法首先获取眼底图像训练集、及其对应的多病变标签；通过单种群蛙跳算法寻找最优初始权值，然后构建卷积神经网络中的卷积层、池化层和全连接层，将最优初始权值作为第一次前向传播计算的参数；将视网膜中四种病变的四个预测值分别与真实值进行交叉熵损失计算并求和得到损失值，判断损失值是否异常，如果异常则围绕前一次前向传播的权值生成蛙群，寻找最优蛙更新网络权值；否则采用梯度下降算法更新网络权值；最后对最终权值进行优化。本发明能有效提高眼底图像多病变检测的准确率，对视网膜疾病和辅助治疗具有较强应用价值。
-
公开(公告)号：CN113902006B
公开(公告)日：2024-09-24
申请号：CN202111163979.0
申请日：2021-09-30
申请人： 南通大学
IPC分类号： G06V10/764 , G06V10/82 , G06V10/771 , G06V10/774
摘要： 本发明提供一种基于粒度优化特征的宫颈细胞图像半监督分类方法，包括如下步骤：(1)利用有限的标记训练样本和类别隶属模糊方法，得到训练和测试样本的粒度特征；(2)使用近邻粗糙集方法去除冗余特征，对粒度特征进行优化，以降低样本粒度特征规模；(3)利用标记样本训练BP神经网络得到基分类器；(4)从未标记样本数据中不断选取候选样本进行标记，将新标记的候选样本扩充到原始训练样本中对BP网络进行再次训练，重复扩充和再训练过程，直到标记样本数目达到相应标准。本发明能够准确高效地对宫颈细胞图像进行分类，兼具更优的分类准确率和kappa系数。
-
公开(公告)号：CN115115598A
公开(公告)日：2022-09-27
申请号：CN202210765034.4
申请日：2022-06-30
申请人： 南通大学
IPC分类号： G06T7/00 , G06V10/44 , G06V10/50 , G06V10/764 , G06N20/10
摘要： 本发明提供一种基于全局Gabor滤波和局部LBP特征喉癌细胞图像分类方法，包括如下步骤：S1、获取喉癌细胞图像数据集，进行数据预处理；S2、提取图像全局特征信息；S3、提取图像局部特征信息；S4、图像分类器训练；S5、测试图像标签预测，得到测试结果。本发明采用Gabor滤波方法和LBP方法，能够准确高效地对喉癌细胞图像进行分类，兼具更优的分类准确率和kappa系数。
-
公开(公告)号：CN114781542A
公开(公告)日：2022-07-22
申请号：CN202210501969.1
申请日：2022-05-09
申请人： 南通大学
摘要： 本发明提供一种基于动态特征引导实例选择的跨项目缺陷预测方法，包括如下步骤：S1、构建项目实例向量集CPIVS；S2、构建预训练动态特征PREDF；S3、计算预训练动态特征与实例特征之间距离；S4、构建引导实例选择索引集GISI；S5、构建基于动态特征引导实例选择的训练集DFD；S6、构建基于动态特征引导实例选择的跨项目缺陷预测方法DFGIS。本发明通过动态调整实例集特征实现更加准确的源实例选择，使用该方法构建的训练集有利于建立精确的跨项目缺陷预测模型，进一步提高跨项目缺陷预测效果。
-
公开(公告)号：CN112233085A
公开(公告)日：2021-01-15
申请号：CN202011095289.1
申请日：2020-10-14
申请人： 南通大学
摘要： 本发明提供一种基于像素预测增强的宫颈细胞图像分割方法，包括如下步骤：(1)输入单个宫颈细胞原始图像；(2)将宫颈细胞原始图像转换到CIELAB空间，再抽取L*通道，得到灰度细胞图像；(3)使用自适应形态学滤波法对图像进行降噪处理；(4)采用U‑net网络对去噪后的图像分别进行细胞核和细胞质的区域分割；(5)利用算子提取图像边缘，再根据细胞边缘线，确定边缘搜索区；(6)对边缘搜索区像素再采用DenseNet网络进行判别，得到更为准确的细胞核和细胞质分割结果。本发明能够准确高效地对单细胞彩色宫颈图像进行分割，具有更高的分割准确率。
-
公开(公告)号：CN111860591A
公开(公告)日：2020-10-30
申请号：CN202010546079.3
申请日：2020-06-16
申请人： 南通大学
摘要： 本发明提供一种基于间隔自适应特征选择融合的宫颈细胞图像分类方法，包括如下步骤：(1)针对原始宫颈细胞图像中检测到的每个单细胞图像，进行去噪预处理后，采用分水岭分割算法提取出细胞核、细胞质区域；(2)提取宫颈细胞图像的纹理、形状、颜色特征；(3)基于间隔自适应方法进行细胞特征优化；(4)训练双层多示例超限学习机，确定训练误差最小化的MI-ELM模型参数；(5)基于已训练的超限学习机模型，对检测到的未知单细胞图像进行分类识别。本发明利用先验概率信息增强新特征判别性，联合优化特征子类和分类策略的多示例超限学习模型，提高特征利用率进而提升对象分类准确率和效率，又可以优化组合不同特征子类再进行高效地细胞二分类。
-
公开(公告)号：CN113887725B
公开(公告)日：2024-09-20
申请号：CN202111247110.4
申请日：2021-10-26
申请人： 南通大学
IPC分类号： G06V10/82 , G06V10/764 , G06N3/0475 , G06N3/045 , G06N3/0895 , G06N3/084 , G06N3/094
摘要： 本发明提供一种基于生成对抗网络的宫颈细胞图像半监督学习方法，包括如下步骤：(1)训练生成对抗网络，生成负样本分布；(2)训练分类器，学习正样本和负样本的判别边界；(3)基于已训练的分类器模型，对检测到的未知单细胞图像进行分类。本发明的模型学习过程不需要任何负样本先验知识，能够联合优化生成式和判别式模型，同时利用少量有标记数据和大量未标记数据进行宫颈细胞图像半监督学习，能有效提升未标记数据利用率，进而提升宫颈细胞图像分类准确率和效率。
-
-
-
-
-
-
-
-
-
搜索结果
28 条记录 (耗时 0.025 秒)
