-
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：CN114595637A
公开(公告)日：2022-06-07
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：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：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
4
records
(took 0.014 seconds)
