-
公开(公告)号：CN111191684B
公开(公告)日：2023-04-07
申请号：CN201911278422.4
申请日：2019-12-12
Applicant: 中山大学孙逸仙纪念医院 , 华南理工大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/045 , G06N3/084 , G06N3/082 , A61B1/227
Abstract: 本发明公开了一种基于深度学习的具有智能图像分类诊断功能的可视耳内镜，包括镜体、检测笔，所述镜体具有显示屏，所述镜体内置有图像分类诊断器，所述图像分类诊断器与所述检测笔通过数据传输线相连接，所述检测笔用于检测获得患者的耳内镜图像，并且将检测得到的耳内镜图像传输给所述的图像分类诊断器，所述图像分类诊断器包括构建模块、训练模块、验证模块和诊断模块，该可视耳内镜能够实现患者内耳镜的可视化检测以及智能诊断。
-
公开(公告)号：CN111191684A
公开(公告)日：2020-05-22
申请号：CN201911278422.4
申请日：2019-12-12
Applicant: 中山大学孙逸仙纪念医院 , 华南理工大学
Abstract: 本发明公开了一种基于深度学习的具有智能图像分类诊断功能的可视耳内镜，包括镜体、检测笔，所述镜体具有显示屏，所述镜体内置有图像分类诊断器，所述图像分类诊断器与所述检测笔通过数据传输线相连接，所述检测笔用于检测获得患者的耳内镜图像，并且将检测得到的耳内镜图像传输给所述的图像分类诊断器，所述图像分类诊断器包括构建模块、训练模块、验证模块和诊断模块，该可视耳内镜能够实现患者内耳镜的可视化检测以及智能诊断。
-
公开(公告)号：CN110796249B
公开(公告)日：2024-01-05
申请号：CN201910930100.7
申请日：2019-09-29
Applicant: 中山大学孙逸仙纪念医院 , 华南理工大学
IPC: G06N3/084 , G06N3/0464 , G16H40/20 , G16H50/20 , G06V10/774 , G06V10/764 , A61B1/227 , A61B1/04 , A61B1/00 , G06V10/82
Abstract: 本发明公开了一种基于深度学习的耳内镜图像神经网络模型构建方法及智能分类处理方法，该模型构建方法包括步骤A：从医院病例数据库中选取耳内镜图像构建耳内镜数据集，将数据集划分为测试集以及训练集；步骤B：加载预训练的神经网络模型，在所得到的训练集上微调预训练的神经网络模型，获得训练得到的神经网络模型；步骤C：在测试集上验证步骤B训练得到的神经网络模型的性能，筛选出最优神经网络模型。本发明同时公开了一种基于深度学习的耳内镜图像智能分类处理方法，该智能分类处理方法还包括步骤D：通过步骤C获得的最优神经网络模型，对新增的耳内镜图像进行智能分类，输出分类结果。
-
公开(公告)号：CN110796249A
公开(公告)日：2020-02-14
申请号：CN201910930100.7
申请日：2019-09-29
Applicant: 中山大学孙逸仙纪念医院 , 华南理工大学
Abstract: 本发明公开了一种基于深度学习的耳内镜图像神经网络模型构建方法及智能分类处理方法，该模型构建方法包括步骤A：从医院病例数据库中选取耳内镜图像构建耳内镜数据集，将数据集划分为测试集以及训练集；步骤B：加载预训练的神经网络模型，在所得到的训练集上微调预训练的神经网络模型，获得训练得到的神经网络模型；步骤C：在测试集上验证步骤B训练得到的神经网络模型的性能，筛选出最优神经网络模型。本发明同时公开了一种基于深度学习的耳内镜图像智能分类处理方法，该智能分类处理方法还包括步骤D：通过步骤C获得的最优神经网络模型，对新增的耳内镜图像进行智能分类，输出分类结果。
-
公开(公告)号：CN117670895B
公开(公告)日：2024-04-19
申请号：CN202410137259.4
申请日：2024-02-01
Applicant: 华南理工大学
Abstract: 本发明公开一种基于切片重染色技术的免疫组化病理图像细胞分割方法，包括：使用外部数据集对细胞分割模型进行预训练并微调分割大模型；搜集IHC图像进行免疫反应物洗脱和HE重染色，进行图像配准技术并切块得到IHC‑HE图像块对数据集；对HE图像块进行细胞分割同时利用微调好的分割大模型对分割结果进行后处理获取其的精准分割结果；对IHC图像块进行细胞分割并使用HE图像块的精准分割结果更新其的细胞分割伪标签；利用细胞分割伪标签对IHC图像块进行监督训练得到IHC图像块的分割结果，进行免疫反应判别获得IHC图像块的最终分割结果。本发明解决了标注成本高和分割精度差等问题，实现对各种IHC图像的精准分割。
-
Patent Agency Ranking
公开(公告)号：CN116560499A
公开(公告)日：2023-08-08
申请号：CN202310432610.8
申请日：2023-04-21
Applicant: 华南理工大学
IPC: G06F3/01 , G06F3/04842 , G06F3/04845 , G06F3/0487 , G06F18/10 , G06F18/2131 , G06F18/2411 , G06F18/2451 , G06F123/02
Abstract: 本发明公开了一种基于多模态混合脑机接口的视频剪辑系统，包括：信号刺激模块，用于刺激人脑产生P300和SSVEP信号；数据采集模块，用于采集脑电信号和眼电信号；数据处理模块，用于对接收到的数据进行放大和预处理；注意力控制模块，用于检测使用者的注意力；文字编辑模块，使用3×3九键输入法和SSVEP信号确认点击完成文字输入，所有按键按照不同频率闪烁，编辑需要添加的文字并指定显示时长，设置文字的大小和位置；文件添加模块，在其文件添加界面上，选择并添加图片或音乐，设置图片显示时长、大小和位置或设置音乐播放时长。本发明可以供使用者在不使用双手的情况下完成视频剪辑，文字、图片、音乐添加等功能，特别适用于截瘫病人等残障人士。
-
公开(公告)号：CN118918586A
公开(公告)日：2024-11-08
申请号：CN202411411850.0
申请日：2024-10-11
Applicant: 华南理工大学
IPC: G06V20/69 , G16H30/20 , G06N3/0455 , G06N3/0464 , G06V10/26 , G06V10/44
Abstract: 本发明公开了一种乳腺癌HER2的免疫组化图像自动评分方法，首先对图像块集分别使用细胞核实例分割模型和肿瘤组织语义分割模型进行推理输出细胞核分割图和肿瘤区域分割图；然后提取肿瘤区域分割图中的肿瘤区域轮廓并计算凸包比与曲率特征；再通过高斯混合模型及朴素贝叶斯分类器分类得到浸润癌区域和原位癌区域；接着对细胞核分割图进行细胞膜分割得到细胞膜区域并对细胞染色程度进行分类，得到浸润癌区域内不同染色等级的肿瘤细胞；最后进行计数和比例统计并根据临床指南准则完成乳腺癌免疫组化图像的HER2评分。本发明减少人为误差，确保结果的一致性和可靠性，大幅缩短诊断时间，对临床决策提供即时的支持。
-
公开(公告)号：CN114972341B
公开(公告)日：2022-12-16
申请号：CN202210895166.9
申请日：2022-07-28
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于贝叶斯辅助学习的WSI图像分类方法、系统及介质，方法为：获取WSI图像并进行阈值分割，得到病理图像块集；基于贝叶斯决策理论构建WSI分类模型，所述WSI分类模型包括图像块特征提取器、图像块分类器和特征融合及分类模块；初始化WSI分类模型，在病理图像块集上使用EM法迭代训练WSI分类模型，得到训练好的WSI分类模型；将待诊断WSI图像输入训练好的WSI分类模型，输出待诊断WSI图像的类别标签。本发明基于贝叶斯决策理论构建WSI分类模型，通过引入图像块分类器进行辅助学习任务，充分提取WSI图像中的信息，同时使用EM法在迭代训练过程中进行动态学习，提高WSI分类性能及模型鲁棒性。
-
公开(公告)号：CN119206451A
公开(公告)日：2024-12-27
申请号：CN202411147314.4
申请日：2024-08-21
Applicant: 华南理工大学
IPC: G06V10/98 , G06V10/26 , G06V10/44 , G06V10/54 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06T7/00
Abstract: 本发明公开了一种基于影像组学特征的胸部DR影像质量评估方法，首先收集带有质量等级标签和感兴趣区域掩膜标签的胸部DR影像并构建训练数据集；接着进行语义分割获取胸部DR影像的感兴趣区域并进行特征提取得到胸部DR影像的影像组学特征，构建训练数据集的影像组学特征集；随后使用方差分析方法和带交叉验证的递归特征消除方法进行特征选择，得到训练数据集的最优特征子集；最后基于集成学习的梯度提升决策树分类器构建胸部DR影像质量自动评估模型，并使用训练数据集的最优特征子集进行训练，实现对胸部DR影像的质量等级评估。本发明使用影像组学特征进行定量描述专家的主观视觉感知，并通过分割网络提升分割精度，提高评估性能。
-
公开(公告)号：CN117952966B
公开(公告)日：2024-10-22
申请号：CN202410345919.8
申请日：2024-03-26
Applicant: 华南理工大学
IPC: G06T7/00 , G06N3/0895 , G06T7/11 , G06V10/774 , G06V10/80 , G06V10/82 , G16H30/20
Abstract: 本发明公开了一种基于Sinkhorn算法的多模态融合生存预测方法，首先获取癌症患者的病理组织图像及原始基因数据；然后切分patch块提取patch特征及基因特征；再将patch特征和基因特征转换为值特征、键特征及查询特征；基于Sinkhorn算法计算键特征和查询特征的Sinkhorn互注意力矩阵；对Sinkhorn互注意力矩阵进行交替列行归一化，并对值特征加权得到加权特征；最后将加权特征输入patch特征聚合模块，查询特征输入基因特征聚合模块进行特征聚合，拼接为一个特征向量输入全连接层中进行风险预测得到预测结果。本发明减少了计算量，在保证端到端学习的同时提高多模态融合生存预后预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.065 seconds)
