-
公开(公告)号：CN114782355B
公开(公告)日：2024-05-14
申请号：CN202210401780.5
申请日：2022-04-18
申请人： 华南理工大学
IPC分类号： G06T7/00 , G06V10/25 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于改进VGG16网络的胃癌数字病理切片检测方法，该方法包括下述步骤：基于快速Otsu算法提取ROI区域，基于xml标注文件生成初始标注掩码图；基于VGG16网络搭建模型，保留VGG16网络的卷积层和池化层，组合VGG16网络的全连接层中尺寸相同的两幅特征图谱得到新图谱，将组合后的新图谱输入分类函数Softmax对每个像素分类，得到输出；基于迁移学习训练模型，基于图像块的信息重建预测结果，本发明在维持预测效果的前提下，从数据处理、模型训练、图像预测等方面极大程度地减少参数量和计算量，使用较少的资源，完成胃癌病灶区域的勾画。
-
公开(公告)号：CN114897782B
公开(公告)日：2024-04-23
申请号：CN202210382596.0
申请日：2022-04-13
申请人： 华南理工大学
IPC分类号： G06T7/10 , G06T5/40 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094
摘要： 本发明公开了一种基于生成式对抗网络的胃癌病理切片图像分割预测方法，该方法包括下述步骤：基于图像增强技术提取图像的形态特征和感兴趣的区域；基于多尺度全卷积网络的分割模型M‑FCN对图像进行分割，在单个全卷积网络设置卷积层、池化层和反卷积层，池化层操作和卷积层操作交替组合进行，通过卷积池化操作，提取不同尺度细胞组织特征，通过反卷积层恢复图像大小；基于空洞卷积原理得到优化的分割模型M‑DFCN；基于生成式对抗网络的博弈思想，通过对抗训练对分割模型M‑DFCN做更高阶的约束与判断，进行对抗训练；基于动态交替训练的对抗训练进行结果预测，区分分割图和分割标签图。本发明提高分割模型的性能，使得分割图更真实。
-
公开(公告)号：CN114862770B
公开(公告)日：2024-05-14
申请号：CN202210401793.2
申请日：2022-04-18
申请人： 华南理工大学
IPC分类号： G06T7/00 , G06T7/194 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于SENet的胃癌病理切片图像分割预测方法，该方法的步骤包括：基于大津算法与密铺算法生成图像块和对应真实标签；基于SENet模块组成多路卷积单元；基于多路卷积单元和跨层跳跃连接搭建网络模型；基于随机抽样方法训练网络模型；基于密铺算法重建预测结果。本发明可以将特征图谱进行组合，获取更丰富、维度更高的特征信息来表征图像，防止遗漏较小的特征区域，同时由于SENet模块的引入，可使网络学习利用全局信息执行特征重新校准，从而增强整个网络的表答能力，有效避免在训练过程中模型易忽略较小特征区域的情况，提高整体预测的正确率。
-
公开(公告)号：CN114862763B
公开(公告)日：2024-06-21
申请号：CN202210382588.6
申请日：2022-04-13
申请人： 华南理工大学
IPC分类号： G06T7/00 , G06N3/0464 , G06N3/0455 , G06N3/08 , G06V10/764 , G06V10/26 , G06V10/82
摘要： 本发明公开了一种基于EfficientNet的胃癌病理切片图像分割预测方法，包括下述步骤：基于贝叶斯概率方法加强CNN模型提取特征能力，采取重参化完成训练参数的重构，使用蒙特卡洛采样完成梯度求解，获得CNN模型的不确定性；基于EfficientNet搭建UNet++的编码器，把EfficientNet网络输出的特征映射作为输入，放入卷积层并加入激活函数Relu和Sigmoid；利用最大池化层去除冗余的信息，通过长跳跃连接的方式实现UNet++的解码器搭建；基于重复学习策略训练UNet++神经网络，基于区域重叠预测算法将预测结果进行整合与优化。本发明可以对胃癌全视野病理切片图像实现精准分割。
-
公开(公告)号：CN114782355A
公开(公告)日：2022-07-22
申请号：CN202210401780.5
申请日：2022-04-18
申请人： 华南理工大学
摘要： 本发明公开了一种基于改进VGG16网络的胃癌数字病理切片检测方法，该方法包括下述步骤：基于快速Otsu算法提取ROI区域，基于xml标注文件生成初始标注掩码图；基于VGG16网络搭建模型，保留VGG16网络的卷积层和池化层，组合VGG16网络的全连接层中尺寸相同的两幅特征图谱得到新图谱，将组合后的新图谱输入分类函数Softmax对每个像素分类，得到输出；基于迁移学习训练模型，基于图像块的信息重建预测结果，本发明在维持预测效果的前提下，从数据处理、模型训练、图像预测等方面极大程度地减少参数量和计算量，使用较少的资源，完成胃癌病灶区域的勾画。
-
公开(公告)号：CN114897782A
公开(公告)日：2022-08-12
申请号：CN202210382596.0
申请日：2022-04-13
申请人： 华南理工大学
摘要： 本发明公开了一种基于生成式对抗网络的胃癌病理切片图像分割预测方法，该方法包括下述步骤：基于图像增强技术提取图像的形态特征和感兴趣的区域；基于多尺度全卷积网络的分割模型M‑FCN对图像进行分割，在单个全卷积网络设置卷积层、池化层和反卷积层，池化层操作和卷积层操作交替组合进行，通过卷积池化操作，提取不同尺度细胞组织特征，通过反卷积层恢复图像大小；基于空洞卷积原理得到优化的分割模型M‑DFCN；基于生成式对抗网络的博弈思想，通过对抗训练对分割模型M‑DFCN做更高阶的约束与判断，进行对抗训练；基于动态交替训练的对抗训练进行结果预测，区分分割图和分割标签图。本发明提高分割模型的性能，使得分割图更真实。
-
公开(公告)号：CN114862770A
公开(公告)日：2022-08-05
申请号：CN202210401793.2
申请日：2022-04-18
申请人： 华南理工大学
摘要： 本发明公开了一种基于SENet的胃癌病理切片图像分割预测方法，该方法的步骤包括：基于大津算法与密铺算法生成图像块和对应真实标签；基于SENet模块组成多路卷积单元；基于多路卷积单元和跨层跳跃连接搭建网络模型；基于随机抽样方法训练网络模型；基于密铺算法重建预测结果。本发明可以将特征图谱进行组合，获取更丰富、维度更高的特征信息来表征图像，防止遗漏较小的特征区域，同时由于SENet模块的引入，可使网络学习利用全局信息执行特征重新校准，从而增强整个网络的表答能力，有效避免在训练过程中模型易忽略较小特征区域的情况，提高整体预测的正确率。
-
公开(公告)号：CN114862763A
公开(公告)日：2022-08-05
申请号：CN202210382588.6
申请日：2022-04-13
申请人： 华南理工大学
摘要： 本发明公开了一种基于EfficientNet的胃癌病理切片图像分割预测方法，包括下述步骤：基于贝叶斯概率方法加强CNN模型提取特征能力，采取重参化完成训练参数的重构，使用蒙特卡洛采样完成梯度求解，获得CNN模型的不确定性；基于EfficientNet搭建UNet++的编码器，把EfficientNet网络输出的特征映射作为输入，放入卷积层并加入激活函数Relu和Sigmoid；利用最大池化层去除冗余的信息，通过长跳跃连接的方式实现UNet++的解码器搭建；基于重复学习策略训练UNet++神经网络，基于区域重叠预测算法将预测结果进行整合与优化。本发明可以对胃癌全视野病理切片图像实现精准分割。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.021 秒)
