# Mejorar el análisis de imagen médica con las CNN: Análisis de patentes de Lunit, Parte 2 El artículo anterior presentó una patente de Lunit para el análisis de imágenes médicas. La patente examinada aquí también utiliza una red neuronal convolucional (CNN) para identificar el número y la ubicación de células en mitosis. Source: https://www.iplexlaw.co.kr/es/blog/850833 INICIO / Noticias y análisis Noticias y análisis Mejorar el análisis de imagen médica con las CNN: Análisis de patentes de Lunit, Parte 2 El artículo anterior presentó una patente de Lunit para el análisis de imágenes médicas. La patente examinada aquí también utiliza una red neuronal convolucional (CNN) para identificar el número y la ubicación de células en mitosis. IA y software Publicado el 2023.05.26 IPLEX 3 min de lectura El artículo anterior presentó una patente de Lunit para el análisis de imágenes médicas. La patente examinada aquí también utiliza una red neuronal convolucional (CNN) para identificar el número y la ubicación de células en mitosis. Sin embargo, si la patente descrita en el post anterior se relacionaba con la forma de formar modelos CNN para mejorar la precisión, La patente de hoy describe cómo se puede determinar el número y la ubicación de la mitosis utilizando el modelo CNN. Lo es. La patente. Si hace clic en la imagen, puede ver la patente de registro. En primer lugar, en la primera capa de convolución, la célula entra en la imagen capturada para extraer el mapa característico. A continuación, introduzca el mapa característico en la segunda capa de convolución. Mapa de activación de 1a clase Vea también el mapa de activación de la clase. Toma. Mapa de activación de 1a clase Es un mapa de las características de las células de la mitosis. Mapa de activación de 1a clase Cuando esto es liberado, Mapa de activación de 1a clase Ingrese la capa de salida para realizar la piscina global (con piscina máxima o media, etc.). En este caso, Mapa de activación de 1a clase Organización Mundial de la Salud Mapa de activación de 2a clase Esto nace. Mapa de activación de 2a clase Si esto se genera, Mapa de activación de 2a clase Aumenta su tamaño. Al pasar por la primera capa de convolución y la segunda capa de convolución, los datos de salida son más pequeños que los datos de entrada iniciales. Cuando pasas las capas primera y segunda de la convolución, la dimensión se encoge. Mapa de activación de 2a clase Es difícil encontrar dónde se encuentran células divisorias similares en los datos de entrada inicial. Por lo tanto, es Mapa de activación de 2a clase El tamaño de la imagen es el mismo que el tamaño de la primera imagen. Este mapa de activación de clase extendida Mapa de activación de tercera clase Lo llamaré. Mapa de activación de tercera clase Si esto se genera, Mapa de activación de tercera clase Encuentra un área que tenga más que un umbral establecido o valor máximo. El área está representada por colores oscuros en la imagen. Mapa de activación de tercera clase Se puede suponer que la región en la primera imagen de entrada que corresponde a un área con un umbral establecido o un valor máximo es la región en la que se ubican las células de la mitosis. Por lo tanto, es posible determinar la ubicación de la región y cuántas regiones hay, determinar dónde están las células pseudo-división dentro de la primera imagen de entrada y cuántas células pseudo-división están presentes. La patente descrita hoy puede ser una descripción general del modelo CNN. Pero... Esta patente especifica cómo se utiliza el modelo CNN para detectar la mitosis. juzgado como es. Leer el original coreano Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso. Consultar sobre este tema ↗ Todos los artículos HABLE CON IPLEX Consulte sus necesidades de propiedad intelectual Analizamos conjuntamente sus necesidades tecnológicas y empresariales. ↗ Contactar Más reciente Análisis de patentes de SUALAB: detección de anomalías ↗ Anterior Mejorar el análisis de imagen médica con las CNN: Análisis de patentes de Lunit, Parte 1 ↗ Artículos relacionados IA y software 2026.10.01 FiX: olvido selectivo por características en la atención softmax Yongduck Kim analiza las compuertas de FiX, su estabilidad numérica y la caché paginada, diferenciando los resultados medidos de las cuestiones aún abiertas. ↗ Lea el artículo IA y software 2026.09.30 MHAR: leer las capas anteriores desde distintos subespacios de características Yongduck Kim analiza Multi-Head Attention Residuals: selección en profundidad, resultados publicados, costes de implementación y relación entre características técnicas y efectos. ↗ Lea el artículo IA y software 2026.09.28 Columna: Claude Computer Use y el aprendizaje de los agentes de IA a través de las patentes Yongduck Kim, socio director de IPLEX, analiza en AI Times los datos y las secuencias de acciones que permiten entrenar a agentes de IA para utilizar software. ↗ Lea el artículo - https://www.iplexlaw.co.kr/es - https://www.iplexlaw.co.kr/es/blog/category/ai - https://drive.google.com/file/d/1_LQhlulQel9EJ4Qa-bWfEisy4xhRYlYt/view - https://www.iplexlaw.co.kr/forum/view/850833 - https://www.iplexlaw.co.kr/es/contact - https://www.iplexlaw.co.kr/es/blog - https://www.iplexlaw.co.kr/es/contact - https://www.iplexlaw.co.kr/es/blog/853581 - https://www.iplexlaw.co.kr/es/blog/850029 - https://www.iplexlaw.co.kr/es/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/es/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/es/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/es/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/es/blog/claude-computer-use-agent-patent - https://www.iplexlaw.co.kr/es/blog/claude-computer-use-agent-patent