“何鸿奇”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]用于人工神经网络训练的医学图像数据的生成方法及装置-CN202010066618.3有效
发明人：蔡庆玲;孙玮;何鸿奇;林进可;林满盈 -专利权人：中山大学
申请日： 2020-01-20 - 公布日： 2023-05-26 - 主分类号： G06T7/00 文献下载
摘要：本申请提供了一种用于人工神经网络训练的医学图像数据的生成方法及装置，所述方法包括：利用人工神经网络的自学习能力，建立基础医学图像的目标特征与扩展图像的图像特征之间的对应关系；其中，所述图像特征包括纹理特征和内容特征；获取当前基础医学图像的当前目标特征；通过所述对应关系，确定与所述当前目标特征对应的当前扩展图像的图像特征；具体地，确定与所述目标特征对应的当前扩展图像的图像特征，包括：将所述对应关系中与所述当前目标特征相同的目标特征所对应的扩展图像的图像特征，确定为所述当前扩展图像的图像特征，提高了生成的扩展图像的合理性；细节还原更加出色，增加了特征的多样性。
用于人工神经网络训练医学图像数据生成方法装置

[发明专利]肺结节多尺度检测方法、装置、设备及介质-CN201911159661.8有效
发明人：蔡庆玲;何鸿奇;孙玮;林进可;林满盈 -专利权人：中山大学
申请日： 2019-11-22 - 公布日： 2023-04-18 - 主分类号： G16H50/20 文献下载
摘要：本申请提供了一种肺结节多尺度检测方法、装置、设备及介质，所述方法包括：利用设有特征增强层的人工神经网络的自学习能力，建立肺部的CT图像特征与肺结节位置之间的对应关系；获取患者的当前肺部的当前CT图像特征；通过所述对应关系，确定与所述当前CT图像特征对应的当前肺结节位置；具体地，确定与所述CT图像特征对应的当前肺结节位置，包括：将所述对应关系中与所述当前CT图像特征相同的CT图像特征所对应的肺结节位置。确定为所述当前肺结节位置，提升了模型提取有效特征的能力，加强对有用特征的关注，减少对无用特征的关注程度，以提升检测模型的检测精度。
结节尺度检测方法装置设备介质

[发明专利]胎儿目标部位的超声成像方法和超声成像系统-CN202211043592.6在审
发明人：梁天柱;何鸿奇;邹耀贤;刘硕;林穆清 -专利权人：武汉迈瑞医疗技术研究院有限公司;深圳迈瑞生物医疗电子股份有限公司
申请日： 2022-08-29 - 公布日： 2022-11-29 - 主分类号： A61B8/08 文献下载
摘要：一种胎儿目标部位的超声成像方法和超声成像系统，该方法包括：向待检测的胎儿发射超声波，接收超声波的回波，以获得超声波的回波信号；基于回波信号获得胎儿的第一超声图像并在显示区域中显示；识别第一超声图像中与胎儿的目标部位对应的第一目标区域；基于第一目标区域对第一超声图像进行放大处理和平移处理，以得到包含目标部位的局部放大图像，并在显示区域中显示局部放大图像，放大处理用于使目标部位对应的第二目标区域在局部放大图像中所占的第二比例大于第一目标区域在第一超声图像中所占的第一比例，平移处理用于使第二目标区域位于显示区域的居中位置。本发明对胎儿目标部位对应的区域进行自适应放大和居中，提高了医生的产前筛查效率。
胎儿目标部位超声成像方法系统

[发明专利]一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法-CN201911199673.3有效
发明人：蔡庆玲;何鸿奇;孙玮;林进可;林满盈 -专利权人：中山大学
申请日： 2019-11-29 - 公布日： 2022-09-30 - 主分类号： A61B5/369 文献下载
摘要：本发明公开了一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法，在对有限数量的癫痫患者进行癫痫脑电图检查的情况下，能够通过生成适配于目标癫痫发作类型的癫痫脑电片段，使得选取的各种目标癫痫发作类型不再存在训练数据数量不均衡问题；并且，通过改进损失函数的采样方法，使得损失函数的第三项改变为能够克服现有损失函数存在的损失值D非常不稳定的问题，使得损失函数输出损失值D始终随着迭代训练的进行而越来越小，确保生成式对抗网络的训练过程趋于稳定，以保证能够得到最优生成器，利用该最优生成器生成的癫痫脑电片段的质量高，能够适配于目标癫痫发作类型而作为癫痫发作类型自动识别模型建模的训练数据。
一种癫痫电信号训练数据生成方法自动识别模型建模

[发明专利]一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法-CN201910594057.1在审
发明人：蔡庆玲;孙玮;梁伟霞;何鸿奇;林进可 -专利权人：中山大学
申请日： 2019-07-03 - 公布日： 2019-11-22 - 主分类号： G06T7/136 文献下载
摘要：本发明公开了一种基于USFaster R‑CNN的甲状腺超声图像结节自动定位识别方法，属于人工智能和深度学习领域。该方法包括甲状腺超声图像的预处理，深度神经网络模型的搭建，网络模型训练和优化，其中深度神经网络模型包括底层卷积特征提取网络，候选框生成网络，特征图池化层、分类与候选框回归网络。利用深度学习方法，实现甲状腺超声图像特征自动提取，候选框自动生成，筛选，位置修正。实现甲状腺结节的自动定位识别功能。本发明可以有效辅助医生进行甲状腺超声图像诊断，提高诊断的客观性和准确率，有效降低医生的工作量以及小目标结节的漏检率。
甲状腺超声候选框神经网络模型自动定位结节预处理图像甲状腺结节人工智能辅助医生特征提取图像特征图像诊断网络模型位置修正自动生成自动提取网络漏检率特征图小目标准确率池化卷积工作量筛选诊断分类学习回归医生优化

[发明专利]一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法-CN201910006557.9在审
发明人：蔡庆玲;裴海军;何鸿奇;梁伟霞;周毅 -专利权人：中山大学
申请日： 2019-01-04 - 公布日： 2019-06-11 - 主分类号： G06T5/50 文献下载
摘要：本发明公开了一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法，该方法将真实病人的甲状腺超声图像按照良性结节和恶性结节进行分类，然后利用深度卷积生成式对抗网络生成病灶区图像，从中挑出生成比较接近真实病灶的图像，与正常人的甲状腺图像相融合，以达到数据增强的目的，这种病灶区生成图像融合的方法提高了增强数据的质量和多样性，使生成的图像最大程度接近真实图像，更具有可信性。
病灶区图像数据增强生成式卷积甲状腺结节对抗甲状腺甲状腺超声恶性结节良性结节生成图像网络生成增强数据真实图像可信性融合病灶网络多样性分类