-
公开(公告)号：CN116342922A
公开(公告)日：2023-06-27
申请号：CN202211604295.4
申请日：2022-12-13
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/08 , G06T7/00
Abstract: 本发明公开了一种基于多任务模型的智能肝脏影像征象分析及LI‑RADS分类系统，该系统将多期像二维肝脏肿瘤影像输入到多任务卷积神经网络模型中，在主任务中利用该模型自动提取基于LI‑RADS标准的分类任务时所需潜在特征，同时在子任务中提取LI‑RADS标准定义的主要征象分类所需潜在特征，不仅能够实现更高的LI‑RADS分级精度，而且可为医生在临床诊断等实际应用中提供分类依据参考。本发明使用多任务卷积神经网络、基于图像的肿瘤大小自动分析方法，依靠端到端与监督对比学习相结合的方式训练模型，实现可为医生提供判断依据的肝脏肿瘤LI‑RADS分类系统。
-
公开(公告)号：CN115496955B
公开(公告)日：2023-03-24
申请号：CN202211459133.6
申请日：2022-11-18
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本申请涉及一种图像分类模型训练方法、图像分类方法、设备和介质，通过将有标签样本输入至图像分类模型，得到监督损失；将无标签样本输入至图像分类模型，得到伪标签和半监督损失，无标签样本由无标签数据集进行不同程度的图像增强处理得到；根据无标签样本的伪标签的属性和对应的图像增强处理的程度，筛选相应无标签样本作为图像分类模型中预设分类的正样本、负样本和锚点，将正样本、负样本和锚点输入至损失函数进行计算，得到对比学习损失，负样本携带有不可靠伪标签；根据监督损失、半监督损失和对比学习损失，确定总损失，将总损失输入至图像分类模型进行反向传播以更新图像分类模型的参数，提升了模型的预测精度，加快了模型收敛速度。
-
公开(公告)号：CN116385329A
公开(公告)日：2023-07-04
申请号：CN202310661464.6
申请日：2023-06-06
Applicant: 之江实验室
IPC: G06T5/50 , G06T7/00 , G06N3/0475 , G06N3/0464 , G06N3/094 , G06N3/0455
Abstract: 本发明公开了一种基于特征融合的多层知识蒸馏医学影像生成方法和装置，该方法首先获取MR图像和CT图像并进行预处理，以构建数据集；然后基于特征感知融合构建对抗生成模型，基于多层知识蒸馏使用数据集训练对抗生成模型；再获取训练好的对抗生成模型中训练好的生成器，使用数据集通过评估指标对训练好的生成器的性能进行评估，并根据评估结果进一步调整生成器的参数，以获取最优生成器；最后将源域图像输入最优生成器中以获取生成的目标域图像。本发明能在有限数据的情况下，通过新的数据提取方式可以最大程度上扩充数据库，同时提升图像的生成效果；本发明可以在保留CNN对于局部纹理等信息抓取的优势下，提升对于全局相关性的信息捕获。
-
公开(公告)号：CN116385330B
公开(公告)日：2023-09-15
申请号：CN202310661539.0
申请日：2023-06-06
Applicant: 之江实验室
IPC: G06T5/50 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种利用图知识引导的多模态医学影像生成方法和装置，该方法首先获取MR图像和CT图像并进行预处理，以构建数据集；然后利用图知识引导构建基于对抗生成网络的对抗生成模型，使用训练集训练对抗生成模型；再获取训练好的对抗生成模型中训练好的生成器，使用验证集通过评估指标对训练好的生成器的性能进行评估，并根据评估结果对生成器的参数进行调整，以获取最优生成器；最后将源域图像或测试集中的源域图像输入最优生成器中以获取生成的目标域图像。本发明能够捕获到跨区域和跨图像关系作为上下文和补偿信息，约束对抗的方向，进一步提升多模态生成的结果，有利于提高生成图像的质量。
-
公开(公告)号：CN116385329B
公开(公告)日：2023-08-29
申请号：CN202310661464.6
申请日：2023-06-06
Applicant: 之江实验室
IPC: G06T5/50 , G06T7/00 , G06N3/0475 , G06N3/0464 , G06N3/094 , G06N3/0455
Abstract: 本发明公开了一种基于特征融合的多层知识蒸馏医学影像生成方法和装置，该方法首先获取MR图像和CT图像并进行预处理，以构建数据集；然后基于特征感知融合构建对抗生成模型，基于多层知识蒸馏使用数据集训练对抗生成模型；再获取训练好的对抗生成模型中训练好的生成器，使用数据集通过评估指标对训练好的生成器的性能进行评估，并根据评估结果进一步调整生成器的参数，以获取最优生成器；最后将源域图像输入最优生成器中以获取生成的目标域图像。本发明能在有限数据的情况下，通过新的数据提取方式可以最大程度上扩充数据库，同时提升图像的生成效果；本发明可以在保留CNN对于局部纹理等信息抓取的优势下，提升对于全局相关性的信息捕获。
-
Patent Agency Ranking
公开(公告)号：CN115496955A
公开(公告)日：2022-12-20
申请号：CN202211459133.6
申请日：2022-11-18
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本申请涉及一种图像分类模型训练方法、图像分类方法、设备和介质，通过将有标签样本输入至图像分类模型，得到监督损失；将无标签样本输入至图像分类模型，得到伪标签和半监督损失，无标签样本由无标签数据集进行不同程度的图像增强处理得到；根据无标签样本的伪标签的属性和对应的图像增强处理的程度，筛选相应无标签样本作为图像分类模型中预设分类的正样本、负样本和锚点，将正样本、负样本和锚点输入至损失函数进行计算，得到对比学习损失，负样本携带有不可靠伪标签；根据监督损失、半监督损失和对比学习损失，确定总损失，将总损失输入至图像分类模型进行反向传播以更新图像分类模型的参数，提升了模型的预测精度，加快了模型收敛速度。
-
公开(公告)号：CN117576404A
公开(公告)日：2024-02-20
申请号：CN202410052104.0
申请日：2024-01-15
Applicant: 之江实验室
IPC: G06V10/26 , G06V10/44 , G06V10/82 , G06N3/0464 , G06V10/86
Abstract: 本发明公开了一种基于图像大模型微调策略的语义分割系统、方法及装置，在微调过程中，冻结参数量占比最大的图像大模型特征提取模块，微调分支特征提取模块、特征交互模块以及预测模块。同时在分支特征提取模块中，使用多层卷积神经网络类模型，引入多尺度的卷积特征作为空间先验特征，利用卷积的平移不变性、参数共享性和保持空间相关性的特点，弥补了基于自注力机制的特征提取器缺少针对图像的归纳偏置的缺陷，实现较好的语义预测；同时设计特征交互模块，使得图像大模型的主干特征与含有空间先验信息的分支特征充分交互，在不更新主干特征提取器参数的情况下，使得交互后的新特征更加适合下游任务的数据分布，提高模型的性能表现。
-
公开(公告)号：CN116580067A
公开(公告)日：2023-08-11
申请号：CN202211600322.0
申请日：2022-12-13
Applicant: 之江实验室
IPC: G06T7/30 , G06N3/0464 , G06N3/08 , G06V10/82 , G06V10/80
Abstract: 本发明公开了一种基于三维轻量化卷积神经网络的医学图像配准方法及装置，该方法将待配准的三维医学图像与目标三维医学图像输入到三维轻量化卷积神经网络中，将原图像拆分成尺寸较小的三维图像后，构建基于跨通道低维卷积核的轻量化特征融合模块并将其作为基本处理单元嵌入到基于三维残差密集连接结构的骨干网络中，让该网络学习输入图像之间的变形场实现三维图像配准。本发明使用高精度的三维残差密集网络与高效率的轻量化特征融合模块，依靠少量参数实现快速准确的三维医学图像配准，可有效降低对于医学图像的数据量的需求和实际测试时所需时间成本。
-
公开(公告)号：CN116385330A
公开(公告)日：2023-07-04
申请号：CN202310661539.0
申请日：2023-06-06
Applicant: 之江实验室
IPC: G06T5/50 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种利用图知识引导的多模态医学影像生成方法和装置，该方法首先获取MR图像和CT图像并进行预处理，以构建数据集；然后利用图知识引导构建基于对抗生成网络的对抗生成模型，使用训练集训练对抗生成模型；再获取训练好的对抗生成模型中训练好的生成器，使用验证集通过评估指标对训练好的生成器的性能进行评估，并根据评估结果对生成器的参数进行调整，以获取最优生成器；最后将源域图像或测试集中的源域图像输入最优生成器中以获取生成的目标域图像。本发明能够捕获到跨区域和跨图像关系作为上下文和补偿信息，约束对抗的方向，进一步提升多模态生成的结果，有利于提高生成图像的质量。
-
公开(公告)号：CN118570199B
公开(公告)日：2024-11-29
申请号：CN202411038491.9
申请日：2024-07-31
Applicant: 之江实验室
Abstract: 本发明公开了一种基于多任务协作学习的肝细胞癌早期复发预测系统，包括：预处理模块、模型训练模块和复发预测模块，使用多期相三通道图像集合对多任务协作学习的肝细胞癌早期复发预测模型进行训练，训练过程中，使用随机梯度下降算法更新模型参数，得到训练好的多任务协作学习的肝细胞癌早期复发预测模型并进行早期复发预测。提出基于多层级信息指导的特征融合，通过多层级分割信息的位置指导对早期复发预测网络特征进行优化，提升网络的预测能力；提出基于类激活图的分割结果修正模块，通过该模块可以结合分类相关的类激活注意力特征图对分割特征进行改进，提高病灶分割网络的分割结果性能。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.028 seconds)
