-
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：CN114723842A
公开(公告)日：2022-07-08
申请号：CN202210569044.0
申请日：2022-05-24
Applicant: 之江实验室
Abstract: 本发明公开了一种基于深度融合神经网络的稀疏视角CT成像方法和设备。该方法通过获取稀疏视角的投影测量数据来降低单次CT扫描照射剂量，并使用滤波反投影法得到初始CT图像；构建由初始CT图像编码器、投影测量数据编码器、深层特征融合模块、融合特征解码器和全局信息补充模块构成的深度融合神经网络，训练深度融合神经网络，在训练过程中使用模拟退火进行人工衰减，损失函数由平均绝对误差和结构相似性误差组合而成，最终获得高质量CT重建图像。本发明与其他计算量相当的CT重建方法如滤波反投影法相比，能够更有效地去除稀疏视角CT图像中的重建伪影，并能够显著提升经典的图像度量指标如均方根误差、峰值信噪比、结构相似性指标等。
-
公开(公告)号：CN119599094B
公开(公告)日：2025-05-02
申请号：CN202510151576.6
申请日：2025-02-11
Applicant: 之江实验室
IPC: G06N3/096 , G06N3/0464
Abstract: 本说明书提供一种模型训练方法、装置、电子设备和存储介质，所述方法包括：将训练数据分别输入至教师模型、辅助模型和学生模型，所述教师模型是已训练的。教师模型对训练数据进行特征提取，并将提取的教师中间特征传递至所述辅助模型。所述辅助模型对所述训练数据进行特征提取，并将提取的辅助中间特征传递至所述学生模型；以及，基于第一损失函数训练所述辅助模型，所述第一损失函数包括所述辅助中间特征与所述教师中间特征之间的第一特征蒸馏损失。所述学生模型对所述训练数据进行特征提取，得到学生中间特征；以及，基于第二损失函数训练所述学生模型，所述第二损失函数包括所述学生中间特征与所述辅助中间特征之间的第二特征蒸馏损失。
-
公开(公告)号：CN117558414B
公开(公告)日：2024-05-24
申请号：CN202311568414.X
申请日：2023-11-23
Applicant: 之江实验室
IPC: G16H30/20 , G16H30/40 , G06T11/00 , G06T7/11 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种多任务肝细胞癌早期复发预测系统、电子设备、介质，包括：预处理模块、数据增强模块、模型训练模块和复发预测模块，选取训练图像对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肝细胞癌早期复发预测模型；所述早期复发预测模型包括早期复发预测分支模型和肿瘤分割分支模型；所述早期复发预测分支模型包括分类网络、分类适应器、全连接层和投影头；所述肿瘤分割分支模型包括编码器、分割适应器和解码器。本发明中适应器充分利用了关联任务的信息，提高了复发预测的精度；本发明提出的适应器即插即用，不会影响模型原有结构。
-
Patent Agency Ranking
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：CN115274099B
公开(公告)日：2022-12-30
申请号：CN202211171869.3
申请日：2022-09-26
Applicant: 之江实验室
Abstract: 本发明公开了一种人与智能交互的计算机辅助诊断系统与方法，根据神经网络类型选择数据集；调用数据集对深度学习网络模型进行训练；完成深度学习网络模型的量化；对量化后的深度学习网络模型进行编译；并将编译后的深度学习网络模型传输至边缘端计算机辅助诊断设备；边缘端计算机辅助诊断设备接收待诊断图像，结合用户在待诊断图像标记的可疑病灶，进行预处理；将预处理后的待诊断图像输入至编译后的深度学习网络模型中进行处理，得到图像处理结果；本发明在计算机辅助系统中以人工标注的方式引入反馈机制，提高了诊断的准确性；可以确定可疑病灶区域的长轴和短轴，进而确定包含病灶区域的最小矩形作为感兴趣区域，降低了数据处理量。
-
公开(公告)号：CN115274099A
公开(公告)日：2022-11-01
申请号：CN202211171869.3
申请日：2022-09-26
Applicant: 之江实验室
Abstract: 本发明公开了一种人与智能交互的计算机辅助诊断系统与方法，根据神经网络类型选择数据集；调用数据集对深度学习网络模型进行训练；完成深度学习网络模型的量化；对量化后的深度学习网络模型进行编译；并将编译后的深度学习网络模型传输至边缘端计算机辅助诊断设备；边缘端计算机辅助诊断设备接收待诊断图像，结合用户在待诊断图像标记的可疑病灶，进行预处理；将预处理后的待诊断图像输入至编译后的深度学习网络模型中进行处理，得到图像处理结果；本发明在计算机辅助系统中以人工标注的方式引入反馈机制，提高了诊断的准确性；可以确定可疑病灶区域的长轴和短轴，进而确定包含病灶区域的最小矩形作为感兴趣区域，降低了数据处理量。
-
公开(公告)号：CN117558414A
公开(公告)日：2024-02-13
申请号：CN202311568414.X
申请日：2023-11-23
Applicant: 之江实验室
IPC: G16H30/20 , G16H30/40 , G06T11/00 , G06T7/11 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种多任务肝细胞癌早期复发预测系统、电子设备、介质，包括：预处理模块、数据增强模块、模型训练模块和复发预测模块，选取训练图像对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肝细胞癌早期复发预测模型；所述早期复发预测模型包括早期复发预测分支模型和肿瘤分割分支模型；所述早期复发预测分支模型包括分类网络、分类适应器、全连接层和投影头；所述肿瘤分割分支模型包括编码器、分割适应器和解码器。本发明中适应器充分利用了关联任务的信息，提高了复发预测的精度；本发明提出的适应器即插即用，不会影响模型原有结构。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.044 seconds)
