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.

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.

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 классаСм. также карту активации класса. Вот. Карта активации 1-го классаЭто карта характеристик клеток митоза.

Карта активации 1-го классаКогда это будет выпущено, Карта активации 1-го классаВведите выходной слой для выполнения глобального пулирования (максимальное пулирование или среднее пулирование и т. Д.). В данном случае, Карта активации 1-го классаВсемирная организация здравоохранения Карта активации 2-го классаЭто рождается.

Карта активации 2-го классаЕсли это сгенерировано, Карта активации 2-го классаУвеличивает 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 классаТрудно найти, где подобные разделительные ячейки находятся в исходных входных данных. Следовательно, это Карта активации 2-го классаРазмер изображения такой же, как и размер первого изображения. Расширенная карта активации класса карта активации третьего классаЯ позвоню.

карта активации третьего классаЕсли это сгенерировано, карта активации третьего классаНайдите область, которая имеет более чем заданный порог или пиковое значение. Область представлена темными цветами на картине. карта активации третьего классаМожно 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.