-
公开(公告)号：CN117115619A
公开(公告)日：2023-11-24
申请号：CN202311092031.X
申请日：2023-08-29
Applicant: 华中科技大学
IPC: G06V10/82 , G06V10/94 , G06V10/96 , G06V10/80 , G06V10/44 , G06V10/26 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/098
Abstract: 本发明公开了一种面向医疗图像的联邦学习公平性提升方法，包括：K个客户端中的第k个客户端获取正电子发射型计算机断层显像PET图像及其对应的计算机断层扫描CT图像所组成的PET‑CT图像对，对该PET‑CT图像对进行预处理，以得到预处理后的PET‑CT图像对，将PET‑CT图像对输入到多模态神经图像肿瘤分割模型Wk中进行训练，通过计算损失函数获取多模态神经图像肿瘤分割模型Wk的梯度gk，使用梯度gk对多模态神经图像肿瘤分割模型Wk进行参数更新，以得到第k个客户端初步训练好的多模态神经图像肿瘤分割模型Wk。本发明能够解决现有qFedAvg聚合方法由于量化会影响模型参数的精度，导致客户端之间的性能差异变大，从而降低联邦学习公平性的技术问题。
-
公开(公告)号：CN117372687A
公开(公告)日：2024-01-09
申请号：CN202311092626.5
申请日：2023-08-29
Applicant: 华中科技大学
IPC: G06V10/26 , G06V20/70 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的多模态神经图像肿瘤分割方法，包括：获取正电子发射型计算机断层显像PET图像及其对应的计算机断层扫描CT图像所组成的PET‑CT图像对，对该PET‑CT图像对进行预处理，以得到预处理后的PET‑CT图像对，将预处理后的PET‑CT图像对输入到训练好的多模态神经图像肿瘤分割模型中，以得到最终的病灶分割预测结果。本发明能够解决现有按位加融合后进行分割的方法由于忽略了不同模态之间的权重和特征差异，这会导致某些模态的信息被过度强调，而其他模态的信息被忽略，进而造成分割结果不准确的技术问题。
-
公开(公告)号：CN106950744B
公开(公告)日：2019-07-19
申请号：CN201710282368.5
申请日：2017-04-26
Applicant: 华中科技大学
IPC: G02F1/1334 , G02B5/18
Abstract: 本发明公开了一种全息聚合物分散液晶光栅及其制备方法，其中，全息聚合物分散液晶光栅是由包括复配液晶、以及可光聚合单体在内的混合物经全息记录处理后得到的；复配液晶包括第一类液晶化合物、以及第二类液晶化合物；其中，第一类液晶化合物为联苯氰类液晶化合物；复配液晶中，第一类液晶化合物与第二类液晶化合物两者的质量比为3/26～15/10；复配液晶与可光聚合单体两者的质量比为25/50～50/30。通过对关键全息聚合物分散液晶光栅的结构、组成以及相应制备方法进行改进，提供了一种改善全息聚合物分散液晶光栅衍射效率、以及驱动电压要求的新途径。
-
公开(公告)号：CN106950744A
公开(公告)日：2017-07-14
申请号：CN201710282368.5
申请日：2017-04-26
Applicant: 华中科技大学
IPC: G02F1/1334 , G02B5/18
CPC classification number: G02F1/13342 , G02B5/1857
Abstract: 本发明公开了一种全息聚合物分散液晶光栅及其制备方法，其中，全息聚合物分散液晶光栅是由包括复配液晶、以及可光聚合单体在内的混合物经全息记录处理后得到的；复配液晶包括第一类液晶化合物、以及第二类液晶化合物；其中，第一类液晶化合物为联苯氰类液晶化合物；复配液晶中，第一类液晶化合物与第二类液晶化合物两者的质量比为3/26～15/10；复配液晶与可光聚合单体两者的质量比为25/50～50/30。通过对关键全息聚合物分散液晶光栅的结构、组成以及相应制备方法进行改进，提供了一种改善全息聚合物分散液晶光栅衍射效率、以及驱动电压要求的新途径。
-
-
-
Search Results
4
records
(took 0.019 seconds)
