# Улучшение анализа медицинских изображений с помощью CNN: анализ патентов Lunit, часть 2

В предыдущей статье рассматривался патент Lunit на анализ медицинских изображений. Здесь анализируется другой патент, связанный с моделью CNN, определяющей количество и расположение клеток в состоянии митоза на изображениях.

Source: https://www.iplexlaw.co.kr/ru/blog/850833

ГЛАВНАЯ / Новости и аналитика Новости и аналитика Улучшение анализа медицинских изображений с помощью CNN: анализ патентов Lunit, часть 2 В предыдущей статье рассматривался патент Lunit на анализ медицинских изображений. Здесь анализируется другой патент, связанный с моделью CNN, определяющей количество и расположение клеток в состоянии митоза на изображениях. ИИ и программное обеспечение Опубликовано: 2023.05.26 IPLEX Время чтения: 3 мин. В предыдущей статье рассматривался патент Lunit на анализ медицинских изображений. Здесь анализируется другой патент, связанный с моделью CNN, определяющей количество и расположение клеток в состоянии митоза на изображениях. Однако, если патент, описанный в предыдущем посте, был связан с тем, как обучать модели CNN для повышения точности, В патенте описывается, как количество и местоположение митоза может быть определено с помощью модели CNN. Так и есть. Патент. Если нажать на изображение, то можно увидеть регистрационный патент. Во-первых, в первом слое свертки ячейка входит в захваченное изображение, чтобы извлечь характеристическую карту. Затем введите характеристическую карту на втором свёрточном слое. Карта активации 1-го класса См. также карту активации класса. Вот. Карта активации 1-го класса Это карта характеристик клеток митоза. Карта активации 1-го класса Когда это будет выпущено, Карта активации 1-го класса Введите выходной слой для выполнения глобального пулирования (максимальное пулирование или среднее пулирование и т. Д.). В данном случае, Карта активации 1-го класса Всемирная организация здравоохранения Карта активации 2-го класса Это рождается. Карта активации 2-го класса Если это сгенерировано, Карта активации 2-го класса Увеличивает свой размер. При прохождении через первый слой свертки и второй слой свертки выходные данные меньше исходных входных данных. Когда вы проходите первый и второй слои свертки, размерность уменьшается. Карта активации 2-го класса Трудно найти, где подобные разделительные ячейки находятся в исходных входных данных. Следовательно, это Карта активации 2-го класса Размер изображения такой же, как и размер первого изображения. Расширенная карта активации класса карта активации третьего класса Я позвоню. карта активации третьего класса Если это сгенерировано, карта активации третьего класса Найдите область, которая имеет более чем заданный порог или пиковое значение. Область представлена темными цветами на картине. карта активации третьего класса Можно предположить, что область на первом входном изображении, которая соответствует области с заданным порогом или пиковым значением, является областью, в которой расположены клетки митоза. Таким образом, можно определить местоположение области и количество областей, определить, где находятся ячейки псевдораздела в пределах первого входного изображения и сколько ячеек псевдораздела присутствует. Патент, описанный сегодня, может быть общим описанием модели CNN. Но... Этот патент определяет, как модель CNN используется для обнаружения митоза. Судят как есть. Прочитать корейский оригинал Материал отражает ситуацию на дату публикации. Обратитесь в IPLEX, чтобы обсудить обстоятельства вашего дела. Обсудить этот вопрос ↗ Все статьи ОБРАТИТЕСЬ В IPLEX Обсудите с нами вопросы интеллектуальной собственности Мы рассматриваем ваши технологические и бизнес-потребности вместе. ↗ Связаться с нами Новее Патентный анализ SUALAB: обнаружение аномалий ↗ Ранее Улучшение анализа медицинских изображений с помощью CNN: анализ патентов Lunit, часть 1 ↗ Материалы по теме ИИ и программное обеспечение 2026.10.01 FiX: избирательное забывание признаков в softmax-внимании Патентный поверенный Ким Ёндок рассматривает векторные затворы FiX, устойчивость вычислений и страничный кэш, отделяя результаты экспериментов от открытых вопросов. ↗ Читать статью ИИ и программное обеспечение 2026.09.30 MHAR: выбор информации из предыдущих слоёв по подпространствам признаков Корейский патентный поверенный Ким Ёндок разбирает Multi-Head Attention Residuals: маршрутизацию по глубине, результаты экспериментов, затраты реализации и технические эффекты. ↗ Читать статью ИИ и программное обеспечение 2026.09.28 Колонка в AI Times: как ИИ учится работать с компьютером — анализ патента на обучение агентов В новой колонке для AI Times управляющий партнёр IPLEX Ким Ёндок рассматривает Claude Computer Use и обучение ИИ-агентов на примере патента США № 12 585 862. ↗ Читать статью

- https://www.iplexlaw.co.kr/ru
- https://www.iplexlaw.co.kr/ru/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/ru/contact
- https://www.iplexlaw.co.kr/ru/blog
- https://www.iplexlaw.co.kr/ru/contact
- https://www.iplexlaw.co.kr/ru/blog/853581
- https://www.iplexlaw.co.kr/ru/blog/850029
- https://www.iplexlaw.co.kr/ru/blog/fix-fine-grained-forgetting-attention
- https://www.iplexlaw.co.kr/ru/blog/fix-fine-grained-forgetting-attention
- https://www.iplexlaw.co.kr/ru/blog/mhar-multi-head-attention-residuals
- https://www.iplexlaw.co.kr/ru/blog/mhar-multi-head-attention-residuals
- https://www.iplexlaw.co.kr/ru/blog/claude-computer-use-agent-patent
- https://www.iplexlaw.co.kr/ru/blog/claude-computer-use-agent-patent