以卷积神经网络改进医学影像分析：Lunit专利分析（下）

前文介绍了Lunit与医学影像分析相关的专利。本文继续分析CNN模型如何在包含细胞的图像中识别目标细胞的数量与位置。

但是,如果前篇文章中描述的专利与如何训练CNN模型以提高准确性有关, 今日的专利描述了如何使用CNN模型来确定线粒体硬化的编号和位置.没错

点击图像即可看到注册专利.

首先,在第一个演化层中,细胞进入被捕获的图像以提取特征图. 

然后在第二演化层输入特征图. 第1类激活地图另见类激活地图. 这里。 第1类激活地图它是弥陀菌细胞特征的地图.

第1类激活地图当这个发布后, 第1类激活地图输入输出层来进行全局集合(最大集合或平均集合等). 在这种情况下, 第1类激活地图世界卫生组织 第二类激活地图此是众生.

第二类激活地图如果这个是产生的, 第二类激活地图增其体积. 在穿过第一个演化层和第二个演化层时,输出数据比初始输入数据要小. 当你通过第一个和第二个演化层时,维度会收缩. 第二类激活地图在初始输入数据中,很难找到相似的分隔单元格。 因此,这是 第二类激活地图画面的大小与第一幅画面的大小相同. 此扩展类激活映射 第三类激活地图我会叫它。

第三类激活地图如果这个是产生的, 第三类激活地图查找一个超过设定阈值或峰值的区域。 该区以画面中的暗色为代表. 第三类激活地图可以假定,第一个输入图像中对应一个设定阈值或峰值的区域,就是弥陀基团所在的区域. 因此,可以确定区域的位置和有多少区域,确定第一个输入图像中伪分区细胞的位置以及存在多少伪分区细胞.  

今天描述的专利可能是CNN模型的一般描述. 不过... 这项专利具体规定了CNN模型如何用于检测线粒体硬化症.被评为原样。