Certains contenus de cette application ne sont pas disponibles pour le moment.
Si cette situation persiste, veuillez nous contacter àObservations et contact
1. (WO2017215284) PROCÉDÉ DE TRAITEMENT D'IMAGE HYPERSPECTRALE MICROSCOPIQUE DE TUMEUR GASTRO-INTESTINALE BASÉ SUR UN RÉSEAU NEURONAL À CONVOLUTION
Dernières données bibliographiques dont dispose le Bureau international    Formuler une observation

N° de publication : WO/2017/215284 N° de la demande internationale : PCT/CN2017/074292
Date de publication : 21.12.2017 Date de dépôt international : 21.02.2017
CIB :
G06T 7/00 (2017.01) ,G06T 5/00 (2006.01) ,G06N 3/08 (2006.01)
G PHYSIQUE
06
CALCUL; COMPTAGE
T
TRAITEMENT OU GÉNÉRATION DE DONNÉES D'IMAGE, EN GÉNÉRAL
7
Analyse d'image, p.ex. à partir d'un mappage binaire pour obtenir un mappage non binaire
G PHYSIQUE
06
CALCUL; COMPTAGE
T
TRAITEMENT OU GÉNÉRATION DE DONNÉES D'IMAGE, EN GÉNÉRAL
5
Amélioration ou restauration d'image, p.ex. à partir d'un mappage binaire pour obtenir un mappage binaire afin de créer une image similaire
G PHYSIQUE
06
CALCUL; COMPTAGE
N
SYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3
Systèmes de calculateurs basés sur des modèles biologiques
02
utilisant des modèles de réseaux neuronaux
08
Méthodes d'apprentissage
Déposants :
山东大学 SHANDONG UNIVERSITY [CN/CN]; 中国山东省济南市 历城区山大南路27号 No.27, South Shandong University Road, licheng District Ji'nan, Shandong 250100, CN
Inventeurs :
刘治 LIU, Zhi; CN
邱清晨 QIU, Qingchen; CN
肖晓燕 XIAO, Xiaoyan; CN
曹丽君 CAO, Lijun; CN
曹艳坤 CAO, Yankun; CN
朱耀文 ZHU, Yaowen; CN
Mandataire :
济南圣达知识产权代理有限公司 JINAN SHENGDA INTELLECTUAL PROPERTY AGENCY CO., LTD.; 中国山东省济南市 历下区经十路17703号华特广场B308 Room 308, Block B, Huate Square, No.17703, Jingshi Road, LiXia District Ji'nan, Shandong 250061, CN
Données relatives à la priorité :
201610427555.314.06.2016CN
Titre (EN) GASTROINTESTINAL TUMOR MICROSCOPIC HYPER-SPECTRAL IMAGE PROCESSING METHOD BASED ON CONVOLUTIONAL NEURAL NETWORK
(FR) PROCÉDÉ DE TRAITEMENT D'IMAGE HYPERSPECTRALE MICROSCOPIQUE DE TUMEUR GASTRO-INTESTINALE BASÉ SUR UN RÉSEAU NEURONAL À CONVOLUTION
(ZH) 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
Abrégé :
(EN) The invention discloses a gastrointestinal tumor microscopic hyper-spectral image processing method based on a convolutional neural network, comprising the following steps: performing denoising reduction on a spectral dimension of an acquired gastrointestinal tissue hyper-spectral training image; constructing a convolutional neural network structure; and inputting obtained hyper-spectral data principal components (namely, a plurality of 2D gray images, which are equivalent to a plurality of feature maps of an input layer) as input images into the constructed convolutional neural network structure using a batch processing method, and by taking a cross entropy function as a loss function and using an error back propagation algorithm, training the parameters in the convolutional neural network and the parameters of a logistic regression layer according to the average loss function in a training batch until the network converges. According to the invention, the dimension of a hyper-spectral image is reduced using a principal component analysis method, enough spectral information and spatial texture information are retained, the complexity of the algorithm is reduced greatly, and the efficiency of the algorithm is improved.
(FR) L'invention concerne un procédé de traitement d'image hyperspectrale microscopique de tumeur gastro-intestinale basé sur un réseau neuronal à convolution, consistant : à effectuer une réduction de débruitage sur une dimension spectrale d'une image d'apprentissage hyperspectrale de tissu gastro-intestinal acquise ; à construire une structure de réseau neuronal à convolution ; et à entrer des composantes principales de données hyperspectrales obtenues (à savoir, une pluralité d'images de gris en deux dimensions (2D), qui sont équivalentes à une pluralité de cartes de caractéristiques d'une couche d'entrée) en tant qu'images d'entrée dans la structure de réseau neuronal à convolution construite à l'aide d'un procédé de traitement par lots, et en prenant une fonction d'entropie croisée comme fonction de perte et à l'aide d'un algorithme de rétropropagation d'erreur, à apprendre les paramètres dans le réseau neuronal à convolution et les paramètres d'une couche de régression logistique conformément à la fonction de perte moyenne dans un lot d'apprentissage jusqu'à ce que le réseau converge. Conformément à l'invention, la dimension d'une image hyperspectrale est réduite à l'aide d'un procédé d'analyse de composante principale, suffisamment d'informations spectrales et d'informations de texture spatiale sont conservées, la complexité de l'algorithme est considérablement réduite, et l'efficacité de l'algorithme est améliorée.
(ZH) 本发明公开了基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法,包括以下步骤:对获得的胃肠道组织高光谱训练图像的光谱维进行降维去噪;构造卷积神经网络结构;采用分批处理方法,将得到的高光谱数据主成分,即若干个二维灰度图像作为输入图像输入构造好的卷积神经网络结构,相当于若干张输入层的特征图,采用交叉熵函数作为损失函数,利用误差反向传播算法,根据该训练批次内的平均损失函数训练卷积神经网络中的参数以及逻辑回归层参数至网络收敛。本发明利用主成分分析法对高光谱图像进行降维,既保留了足够的光谱信息和空间纹理信息,又大大降低了算法的复杂性,提高了算法的效率。
front page image
États désignés : AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
Office européen des brevets (OEB (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Langue de publication : chinois (ZH)
Langue de dépôt : chinois (ZH)