-
公开(公告)号：CN109919938A
公开(公告)日：2019-06-21
申请号：CN201910228336.6
申请日：2019-03-25
Applicant: 中南大学
Abstract: 本发明公开了一种青光眼的视盘分割图谱获取方法，包括获取已知彩色眼底图像和眼底图数据集并分类；构造视盘初步分割深度学习网络，利用分类数据对网络进行训练、测试和修正，得到视盘分割模型；对测试数据集和训练数据集进行分割并截图；处理截图；构建可解释的青光眼初步辅助网络；利用截图对解释的青光眼初步辅助网络进行训练和修正得到可解释的青光眼辅助网络；利用视盘分割模型对待分析的彩色眼底图像数据分割并得到视盘截图；利用可解释的青光眼辅助网络处理视盘截图得到灰度热力图；对灰度热力图进行处理得到最终的视盘分割图谱。本发明方法能够快速的为医生提供辅助诊断的视盘分割图谱，而且方法可靠性高，效果较好。
-
公开(公告)号：CN109767459A
公开(公告)日：2019-05-17
申请号：CN201910044689.0
申请日：2019-01-17
Applicant: 中南大学
Abstract: 本发明公开了一种新型眼底图配准方法，包括对输入图像处理；将处理后的输入图像对输送到深度回归网络得到相应的变形场；对输入图像进行增强得到辅助图像；采用空间变换器对辅助图像进行扭曲得到变形图像；构建损失函数；对深度回归网络进行反复学习和训练得到最优配准模型；利用最优配准模型对待配准的眼底图像进行配准。本发明利用无监督的卷积神经网络，以一种端到端的方式执行眼底图配准，因此本发明极大地提高了眼底配准结果的准确性和鲁棒性，而且可靠性高、计算效率较高且配准结果准确。
-
公开(公告)号：CN118135227A
公开(公告)日：2024-06-04
申请号：CN202410493926.2
申请日：2024-04-24
Applicant: 中南大学
IPC: G06V10/26 , G06T7/00 , G06V10/25 , G06F18/25 , G06V10/44 , G06V10/82 , G06N3/0455 , G06N3/0464 , G16H20/40
Abstract: 本发明公开了一种放射诱导淋巴细胞减少的预测方法，包括获取已有的CT图像信息、放射剂量分布信息和临床信息；将CT图像信息进行数据引导得到掩模引导CT图像；将掩模引导CT图像和放射剂量分布信息进行降采样、3D残差特征提取和融合得到第一多模态融合特征；将临床信息扩充并与第一多模态融合特征拼接和融合得到第二多模态融合特征；将第一、第二多模态融合特征拼接再通过全连接层处理得到预测值；训练得到最终的放射诱导淋巴细胞减少的预测模型并进行实际的放射诱导淋巴细胞减少的预测。本发明还公开了一种包括所述放射诱导淋巴细胞减少的预测方法的成像方法。本发明的可靠性更高，精确性更好。
-
公开(公告)号：CN112560948B
公开(公告)日：2024-04-26
申请号：CN202011476264.6
申请日：2020-12-15
Applicant: 中南大学
IPC: G06V10/764 , G06V10/82 , G06N3/045 , G06N3/082 , G06N3/094
Abstract: 本发明公开了一种数据偏差下的眼底图分类方法，包括获取历史的眼底图像数据、标记并分类；构建目标网络和在线网络的基础模型；共享目标网络和在线网络的参数权重；为目标网络提供课程模块；为在线网络构建监督对抗损失函数；进行第一阶段学习和进行第二阶段学习，得到最终的网络模型；采用最终的网络模型对实时获取的眼底图像数据进行分类。本发明还公开了一种包括所述数据偏差下的眼底图分类方法的成像方法。本发明能够较好地处理样本中存在的偏差问题；同时在线网络和目标网络的网络参数相互自适应调整，动态引导模型对样本进行学习，从而使得模型的预测从有偏转向无偏，提升了模型的敏感度，而且可靠性高，敏感性好，分类准确性高。
-
公开(公告)号：CN116485792A
公开(公告)日：2023-07-25
申请号：CN202310717200.8
申请日：2023-06-16
Applicant: 中南大学
IPC: G06T7/00 , G16H50/20 , G06N3/0455 , G06N3/08 , G06V10/44 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种组织病理学亚型预测方法，包括获取现有的源组织病理亚型图像数据集并处理得到组织病理亚型示例嵌入数据集；构建组织病理学亚型预测初始模型并训练得到组织病理学亚型预测模型；采用组织病理学亚型预测模型进行实际的组织病理学亚型的预测。本发明还公开了一种包括所述组织病理学亚型预测方法的成像方法。本发明将组织病理学亚型预测制定为细粒度表示学习，通过选择具有自注意力学习范式的代表性示例设计以学习组织病理学亚型预测中的示例级细粒度表示，再基于多示例特征解耦实现模型的精确训练；因此本发明不仅能够实现组织病理学亚型的预测，而且可靠性高，精确性好。
-
Patent Agency Ranking
公开(公告)号：CN116229148A
公开(公告)日：2023-06-06
申请号：CN202310003513.7
申请日：2023-01-03
Applicant: 中南大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/75 , G06N3/04 , G06N3/0895 , G06N3/084
Abstract: 本发明公开一种基于自监督对比学习的屏幕翻拍翻录鲁棒检测方法，本方法设计了自监督标注机制，首先对屏幕翻拍翻录图像数据集进行增广，在完成图像增广后，以自监督标注的方式构建正例样本对集合和负例样本对集合，用来基于对比学习的特征编码器训练。其中正常图像和屏幕翻拍翻录图像标注为负例对，通过拉大负例对的特征距离来确保屏幕翻拍翻录图像和正常图像的可辨识性；同一屏幕翻拍翻录图像在不同攻击后得到图像之间标注为正例对，不同原图之间标注为正例对，通过缩小正例对的特征距离来确保屏幕翻拍翻录图像在不同攻击后检测的鲁棒性。最终构建一个端对端网络用于判断图像是否为屏幕翻拍翻录图像。本方法可有效鉴别是否发生数据泄漏。
-
公开(公告)号：CN115171838B
公开(公告)日：2023-04-07
申请号：CN202211018319.8
申请日：2022-08-24
Applicant: 中南大学
IPC: G16H15/00 , G06N3/0464 , G06F40/126 , G06F40/30 , G06T7/00 , G06V10/44 , G06V10/80 , G06V10/82
Abstract: 本发明实施例中提供了一种基于跨模态融合的医学报告生成模型的训练方法，属于数据处理技术领域，具体包括：得到第一图像特征；关联细粒度异常区域，得到第二图像特征，以及，提取粗粒度疾病语义信息，得到第三图像特征；将第二图像特征和第三图像特征输入交叉注意力模块建模多尺度关联，得到第四图像特征；将第四图像特征和t‑1轮的第一文本特征输入文本生成模块，得到模态不变性特征；根据模态不变性特征得到第t轮医学文本预测结果，直到完成文本序列每一轮的预测，并结合源图像对应的文本标签计算文本生成损失；根据文本生成损失迭代训练得到训练好的医学报告生成模型。通过本发明的方案，实现跨模态识别，且提高了模型识别精度和鲁棒性。
-
公开(公告)号：CN109919938B
公开(公告)日：2022-12-09
申请号：CN201910228336.6
申请日：2019-03-25
Applicant: 中南大学
Abstract: 本发明公开了一种青光眼的视盘分割图谱获取方法，包括获取已知彩色眼底图像和眼底图数据集并分类；构造视盘初步分割深度学习网络，利用分类数据对网络进行训练、测试和修正，得到视盘分割模型；对测试数据集和训练数据集进行分割并截图；处理截图；构建可解释的青光眼初步辅助网络；利用截图对解释的青光眼初步辅助网络进行训练和修正得到可解释的青光眼辅助网络；利用视盘分割模型对待分析的彩色眼底图像数据分割并得到视盘截图；利用可解释的青光眼辅助网络处理视盘截图得到灰度热力图；对灰度热力图进行处理得到最终的视盘分割图谱。本发明方法能够快速的为医生提供辅助诊断的视盘分割图谱，而且方法可靠性高，效果较好。
-
公开(公告)号：CN110889798A
公开(公告)日：2020-03-17
申请号：CN201911262915.9
申请日：2019-12-11
Applicant: 中南大学
IPC: G06T1/00
Abstract: 本发明公开了一种基于DIBR的三维视频中二维视频帧和深度图版权保护的鲁棒性零水印方法，在该方法中，首先从二维视频帧和深度图的TIRI中提取特征，生成主共享。然后，生成表示版权信息与主共享关系的从共享，并存储起来进行版权识别。此外，本方案是第一次根据版权保护需求的不同对二维视频帧和深度图像分开提取特征，也是第一次对二维视频帧和深度图各自使用两种求特征的方法进行特征融合，这两种方法的融合保证了同时对几何攻击、信号攻击以及DIBR攻击的鲁棒性。该零水印方案不会引起合成三维视频的失真，显示出对各类视频攻击足够的鲁棒性，并且能够对三维视频的二维视频帧和深度图像同时并且独立地进行版权保护。
-
公开(公告)号：CN119919745A
公开(公告)日：2025-05-02
申请号：CN202510413258.2
申请日：2025-04-03
Applicant: 中南大学
IPC: G06V10/764 , G06V10/25 , G06V10/40 , G06V10/77 , G06V10/80
Abstract: 本申请公开了一种基于特征重构的红外船舶图像分类方法、系统及设备，该方法通过对特征矩阵进行第一次特征重构和第二次特征重构；基于第一特征重要性分数和第二特征重要性分数，对特征矩阵中的特征进行筛选，得到新特征矩阵；将提取的视觉特征与新特征矩阵进行融合，得到融合特征矩阵；将融合特征矩阵输入第一分类网络进行分类评估；根据分类评估结果和样本的类别标签，对样本特征进行不确定性评估，得到不确定性评估结果；根据不确定性评估结果筛选目标特征集，采用目标特征集训练第二分类网络，以便通过训练好的第二分类网络对红外船舶图像进行分类。本申请能够得到稳定性和鲁棒性较高的特征集，从而提高红外船舶图像分类准确度。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.023 seconds)
