-
公开(公告)号：CN119067992A
公开(公告)日：2024-12-03
申请号：CN202411174674.3
申请日：2024-08-26
Applicant: 电子科技大学长三角研究院(衢州) , 衢州学院
IPC: G06T7/11 , G06T5/70 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0895
Abstract: 本发明公开了一种应用深度学习在CT切片图像上分割肝脏肿瘤的方法。该方法引入了一个名为MPVT+的神经网络框架，用于在带有噪声标签的数据集上训练肝脏肿瘤的分割模型。通过使用对噪声具有鲁棒性的适配器模型方法，MPVT+模型能够有效地适配并筛选训练数据集中的噪声标签，从而减少噪声对神经网络的干扰。此外，MPVT+模型还通过半监督学习方法增强其泛化能力，使其能够高效地学习复杂的CT切片图像特征。在测试数据集上，该模型的索伦森‑戴斯系数为80.29％，雅卡尔指数为68.68％，对称体积差为19.71％，体积重叠误差为31.32％。该模型可以无创地使用CT图像分割并定位肝脏内的肿瘤，从而成为帮助医生制定各种肝脏肿瘤治疗策略的潜在工具。
-
公开(公告)号：CN114972790B
公开(公告)日：2024-12-20
申请号：CN202210625461.2
申请日：2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法、电子设备及存储介质，涉及计算机视觉领域。获取已标注类型标签的多张图像样本。针对每一张图像样本，将图像样本输入至图像分类模型，在图像分类模型中的任意一层卷积层中，从图像样本中提取出多张具有不同通道的特征图像。其中，不同通道表征图像样本不同的图像特征。利用预测得到的图像样本的类型标签和特征图像的类型标签，以及该图像样本已标注的类型标签，计算得到图像分类模型的损失值，基于该损失值调整图像分类模型的参数。重复执行上述步骤，以使可以达到预期训练目标。如此，由于没有增加输入图像分类模型的图像样本的数量，使得每次模型训练耗费的时间更少。
-
公开(公告)号：CN118379208A
公开(公告)日：2024-07-23
申请号：CN202410816691.6
申请日：2024-06-24
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于混合损失函数扩散模型的增强CT图像生成方法及装置，该方法包括：采集CT图像数据及其配对的造影剂增强CT图像数据，并采用数据增强方法和面向数据的正则化方法对其进行预处理，以按比例划分为训练集、测试集和验证集；构建用于生成造影剂增强CT图像的扩散模型；使用训练集对扩散模型进行迭代训练，基于混合损失函数调整扩散模型的参数，以获取训练好的扩散模型；将测试集中的CT图像数据输入至训练好的扩散模型中，得到对应的造影剂增强CT图像数据。本发明能够生成清晰可靠的造影剂增强CT图像，能够更好地捕捉数据分布的特征，提高了对不同特征的感知能力，增强了合成图像的质量，提高了模型的泛化性。
-
公开(公告)号：CN116741380A
公开(公告)日：2023-09-12
申请号：CN202310743593.X
申请日：2023-06-21
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16H50/30 , G06V10/774 , G06V10/80 , G06V10/764 , G06T7/10
Abstract: 本发明公开了肝胆管细胞癌术后的复发情况预测方法，涉及计算机技术领域，包括S1构建复发情况预测模型，复发情况预测模型包括图像分割模块、指标数据分析模块和预测分析模块；S2获取训练数据集，训练数据包括CT图像和病例指标；S3训练数据集导入复发情况预测模型，并对其进行训练优化；S4获取待预测数据；S5利用优化后的复发情况预测模型对待预测数据进行分析得到，肝胆管细胞癌术后的复发情况；除了对CT图像进行充分利用外，本方法还将病例所对应的指标数据与其图像数据进行了融合使用，以补充CT图像无法表达的信息。通过不断地优化训练，最终得到了具有良好性能的术后复发情况预测模型。
-
公开(公告)号：CN116740108A
公开(公告)日：2023-09-12
申请号：CN202310682616.0
申请日：2023-06-09
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T7/13 , G06T7/12 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的单阶段实例分割方法，本申请通过传统的边缘检测算子提取到每个实例的边缘信息，从而让网络在训练学习的过程中显示的监督对实例轮廓的学习，边缘信息的融入不仅提升了实例掩码的分割精度，而且融入边缘信息后的算法在分割掩码边缘处的表现更精细，并且本申请通过原型掩码分组后再融合的方法，将原型掩码的融合过程从一次增加为两次，两次融合的方式不仅提升了实例掩码的分割效果而且增加了整个算法的泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN115937592A
公开(公告)日：2023-04-07
申请号：CN202211599181.5
申请日：2022-12-12
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06T7/00 , G06V10/40 , G06V10/82 , G06N3/088 , G06V10/774 , G16H30/20 , G06N3/0455
Abstract: 本发明涉及一种基于潜层表征的主动学习样本标注方法，述样本标注方法包括：S1、特征提取步骤：通过自动编码器模拟从病理图像中提取潜层的表征；S2、判别步骤：将病理图像作为判别器D的输入，训练一个二分类模型，通过判别器D区分有标签和无标签的样本数据集，得到概率值；S3、样本标注步骤：设置样本选择策略ALHS，根据判别器的输出概率值分布通过样本选择策略ALHS选择未标注的样本进行标注，实现病理数据集的自动标注。本发明能够极大减轻病理学家标注数据集的沉重负担，能够缓解样本冗余问题，提高样本选择的质量；能够极大地节省样本标注成本；通用性强，能适用于类不平衡和噪声样本的场合。
-
公开(公告)号：CN114972568A
公开(公告)日：2022-08-30
申请号：CN202210623258.1
申请日：2022-06-01
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T11/00 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明涉及一种基于生成对抗网络的两阶段图像生成方法，包括：图像特征生成步骤：通过残差网络捕获输入图像的特征，训练一个特征生成网络，使用GAN拟合图像经过捕获网络后的特征进而得到特征生成器，并通过判别器区分图像经过捕获网络的特征和特征生成器生成的特征；图像生成步骤：固定图像特征生成步骤训练得到的特征生成器的参数，加入到新的图像生成网络，让随机噪声先经过特征生成器，然后将输出传入到图像生成器中得到最终生成的图像。本发明在阶段一先通过一个生成网络学习图像的特征，然后在阶段二通过对抗网络生成图像。相比于传统的GAN优化方法，能够降低GAN的训练难度、提高生成模式的多样性、提升图像生成质量。
-
公开(公告)号：CN114972791B
公开(公告)日：2025-04-25
申请号：CN202210626206.X
申请日：2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法及相关装置，涉及图像处理领域。首先，获取原始图像及原始图像的类型标签；将原始图像输入预先构建的图像分类模型，图像分类模型包括特征提取网络和类型预测网络，特征提取网络包括N个依次串联的卷积层；再利用特征提取网络对原始图像进行特征提取，得到第N个所述卷积层输出的第一特征图和第N‑1个卷积层输出的第二特征图；基于第一特征图、类型标签和预设的多个二值掩码，生成第一训练集，基于第二特征图、类型标签和多个二值掩码，生成第二训练集；最后，利用第一训练集和第二训练集对类型预测网络进行训练，得到训练后的图像分类模型，从而减少模型训练过程产生的额外开销。
-
公开(公告)号：CN114626481B
公开(公告)日：2025-04-18
申请号：CN202210314022.X
申请日：2022-03-28
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F18/214 , G06F18/213 , G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F16/2458
Abstract: 本发明涉及一种基于类特征的多尺度度量少样本学习方法，包括：S1、数据预处理步骤；S2、特征嵌入步骤；S3、类特征提取步骤：通过动态路由机制融合支撑集同类的多个样本特征，并通过迭代的方式数输入向量的权重向量进行更新得到类整体特征；S4、多尺度度量步骤：通过融合三种度量准则对支撑集类特征与查询集样本之间进行相似度度量。本发明采用动态路由机制生成类整体特征，相比于直接加权平均的算法，通过该算法得到的类整体特征更具有代表性。在度量模块中，在有参网络的度量方法中引入了注意力机制，另外结合了多种度量方式的优劣，共同决定样本特征间相似度，从而得到了表现力更好的CFMMN网络模型。
-
公开(公告)号：CN116091860A
公开(公告)日：2023-05-09
申请号：CN202211492454.6
申请日：2022-11-25
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/774 , G06V10/20 , G06V10/764 , G06V10/82 , G06T7/11 , G06T3/40
Abstract: 本发明涉及一种丰富数据模式的数据增强方法，包括：将每个样本图像框选一个与样本图像大小一样的图像框，将样本图像朝图像框某一个方向移动，且移动的距离小于移动方向上样本图像的长度；将移出图像框外的图像信息作为填充部分重新填充会完成图像移动步骤后图像框中的空白区域，与图像框内的图像信息构成跟原始样本图像大小相同的新样本图像，实现样本数据的增强。本发明通过简单有效地操作，产生新的训练样本，可以在已有的数据增强方法上无缝叠加，能在已有的数据增强方法产生的样本基础上，生成更多的新的训练样本，而更多的训练样本意味着训练数据集具有更为丰富的数据模式，从而提高网络模型的性能，以及网络模型的鲁棒性和泛化性。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.051 seconds)
