-
公开(公告)号：CN118799642B
公开(公告)日：2025-03-11
申请号：CN202410994686.4
申请日：2024-07-24
Applicant: 中南大学
IPC: G06V10/764 , G06V10/774
Abstract: 本申请公开了一种图像分类方法、系统、设备及存储介质，图像分类方法包括将图像训练数据集中的图像输入至预设的初始图像分类模型中，得到第一预测值，并根据第一预测值确定第二图像的伪标签；根据第一预测值和伪标签计算第二预测值，对第二图像进行筛选，得到第三图像；根据第三图像和初始图像分类模型计算第一损失值和第二损失值；根据第一预测值和第一图像通过初始图像分类模型计算第三损失值和第四损失值；根据第二图像和第三图像通过初始图像分类模型计算第五损失值；计算总损失值，并根据总损失值更新初始图像分类模型，直至总损失值达到预设值，得到训练好的图像分类模型，提高了图像分类模型的准确性。
-
公开(公告)号：CN114595637B
公开(公告)日：2025-01-03
申请号：CN202210244504.2
申请日：2022-03-14
Applicant: 中南大学
IPC: G06F30/27 , G06N5/04 , G06F119/02
Abstract: 本发明公开了一种用于医学图像分类的证据推理方法，包括获取已有的医学图像并与真实标签一一对应标记得到训练数据集；构建用于医学图像分类的证据推理原始模型；采用训练数据集训练用于医学图像分类的证据推理原始模型得到用于医学图像分类的证据推理模型；采用用于医学图像分类的证据推理模型对实际的医学图像分类并给出对应的分类证据。本发明还公开了一种包括所述用于医学图像分类的证据推理方法的可视化证据标记方法。本发明首次将证据推理集成到深度学习框架中，可用于提高医学图像分类的可解释性和泛化性；同时提出了一种新的显式证据推理范式来计算医学图像的分类结果；因此本发明具有较好的可解释性，而且可靠性高，准确性好。
-
公开(公告)号：CN114691848B
公开(公告)日：2024-12-24
申请号：CN202210301448.1
申请日：2022-03-24
Applicant: 中南大学
IPC: G06F16/332 , G06F16/33 , G06F18/241 , G06F18/25 , G06N3/0455 , G06N5/025
Abstract: 本发明公开了一种关系三元组联合提取方法，包括获取训练数据集并生成输入特征向量；将输入特征向量输入编码器生成上下文语义信息特征向量；解码上下文语义信息特征向量得到句子中所有可能的主体及对应的主体特征向量；将上下文语义信息特征向量和主体特征向量输入到关系注意力模块得到两个分支的注意力特征向量并相加，通过激活函数得到激活向量并进行乘法处理得到加权后的注意力特征向量；解码加权后的注意力特征向量并识别得到每个关系维度的客体；对主体与客体进行关系匹配得到最终的关系三元组。本发明还公开了包括所述关系三元组联合提取方法的自动问答系统构建方法。本发明能够全面提取关系三元组，而且可靠性高，准确性好且实施简单方便。
-
公开(公告)号：CN118135227B
公开(公告)日：2024-07-16
申请号：CN202410493926.2
申请日：2024-04-24
Applicant: 中南大学
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：CN116229148B
公开(公告)日：2023-10-03
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。
-
Patent Agency Ranking
公开(公告)号：CN115331007A
公开(公告)日：2022-11-11
申请号：CN202210987103.6
申请日：2022-08-17
Applicant: 中南大学
Abstract: 本发明公开了一种基于无监督领域自适应的视盘视杯分割方法，包括获取源域眼底图像数据集和目标域眼底图像数据集并处理；构建视盘视杯分割原始模型并训练得到源域视盘视杯分割结果和视盘视杯分割模型；采用视盘视杯分割模型对目标域眼底图像数据集进行视盘视杯分割得到目标域视盘视杯分割结果；构建视盘视杯区域判别器和视盘视杯边界判别器；采用视盘视杯区域判别器和视盘视杯边界判别器对分割结果进行判别；优化和验证视盘视杯分割模型，得到视盘视杯分割应用模型；采用视盘视杯分割应用模型进行实际的视盘视杯分割。本发明还公开了一种包括所述基于无监督领域自适应的视盘视杯分割方法的成像方法。本发明可靠性高、精确性好且适用范围广。
-
公开(公告)号：CN115171838A
公开(公告)日：2022-10-11
申请号：CN202211018319.8
申请日：2022-08-24
Applicant: 中南大学
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：CN114863166A
公开(公告)日：2022-08-05
申请号：CN202210387104.7
申请日：2022-04-13
Applicant: 中南大学
Abstract: 本发明公开了一种基于不确定性度量的图像分类方法，包括获取已有的数据集并标记分类；构建基础分类网络，将数据集输入到基础分类网络中并根据输出进行不确定性信息的度量；对基础分类网络进行优化得到最终的分类模型；采用得到的分类模型进行目标图像的图像分类并输出对应的分类结果的置信度。本发明还公开了一种包括所述基于不确定性度量的图像分类方法的眼底图像分类方法。本发明通过度量模型的不确定性信息的基础上，通过反复训练而不断克服模型的不确定性，使得模型的分类结果更加精确和可靠，因此本发明方法的可靠性高且准确性好。
-
公开(公告)号：CN110378864B
公开(公告)日：2021-07-16
申请号：CN201810316983.8
申请日：2018-04-10
Applicant: 中南大学 , 深圳火眼智能有限公司
Abstract: 本发明公开了一种基于Radon域特征表示的青光眼检测方法，包括如下步骤：步骤1：将彩色眼底图转换为灰度图像，并进行灰度图像预处理；步骤2：在n个投影角度下采用Radon变换将预处理后的灰度图像投影到Radon域得到一维离散信号；步骤3：对一维离散信号进行维度统一，并采用双正交小波分解一维离散信号来提取到近似系数和细节系数；步骤4：将每组一维离散信号的近似系数和细节系数组合成样本的特征输入分类检测模型得到青光眼检测结果；分类检测模型训练时的输入参数为青光眼眼底图像样本和正常眼底图像样本构成特征向量矩阵N以及特征向量矩阵N中每行的样本标签向量。本发明通过上述方法可以精确检测出是否为青光眼。
-
公开(公告)号：CN112560948A
公开(公告)日：2021-03-26
申请号：CN202011476264.6
申请日：2020-12-15
Applicant: 中南大学
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。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.023 seconds)
