公开(公告)号：CN114663696B

公开(公告)日：2025-04-25

申请号：CN202210149567.X

申请日：2022-02-18

Applicant: 南京大学

Inventor： 叶翰嘉 ,  詹德川 ,  周大蔚 ,  余果 ,  姜远

IPC: G06V10/764 ,  G06V10/774 ,  G06N20/00

Abstract: 本发明公开一种适用于小样本医疗图像分类的类别增量学习方法和系统，首先基于已有医疗图像样本训练基础分类模型，然后采集不同类别的医疗图像样本，包括病理图片和对应的疾病类别，并基于图片特征计算新增类别代表性特征，并替换作为分类器模型的全连接层；然后在已有的医疗图像数据集上构造类别增量学习任务，学习特征调整模块；最后在医疗图像测试过程中利用特征调整模块对模型预测进行校准。本发明可以解决医疗图片因隐私问题无法同时获得，以及只能利用已有模型和新的医疗图片建立一个新模型的难点，并且本发明实施过程中占用资源少，适用性强。

公开(公告)号：CN113989556B

公开(公告)日：2024-04-09

申请号：CN202111253761.4

申请日：2021-10-27

Applicant: 南京大学

Inventor： 叶翰嘉 ,  韩路 ,  詹德川 ,  余果 ,  姜远

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/088 ,  G06N3/0464

Abstract: 本发明公开一种小样本医学影像分类方法和系统，该方法包括图像收集、无监督特征训练、基于小样本的模型生成；首先从网络或者其他渠道，收集多种医学影像数据；然后利用采集的图像，使用基于混合困难近邻的无监督特征方法得到一个具有泛化性的预训练模型；在小样本场景下，使用预训练模型提取不同类的样本特征，根据特征计算类原型，在后续分类任务中，选取相似性最高的原型所处的类，作为新样本的预测类别。本发明不依赖于样本标记，使用无监督学习方法迁移知识，在保证准确率的前提下，大大减少样本获取成本和标注成本。

公开(公告)号：CN114663696A

公开(公告)日：2022-06-24

申请号：CN202210149567.X

申请日：2022-02-18

Applicant: 南京大学

Inventor： 叶翰嘉 ,  詹德川 ,  周大蔚 ,  余果 ,  姜远

IPC: G06V10/764 ,  G06V10/774 ,  G06K9/62 ,  G06N20/00

Abstract: 本发明公开一种适用于小样本医疗图像分类的类别增量学习方法和系统，首先基于已有医疗图像样本训练基础分类模型，然后采集不同类别的医疗图像样本，包括病理图片和对应的疾病类别，并基于图片特征计算新增类别代表性特征，并替换作为分类器模型的全连接层；然后在已有的医疗图像数据集上构造类别增量学习任务，学习特征调整模块；最后在医疗图像测试过程中利用特征调整模块对模型预测进行校准。本发明可以解决医疗图片因隐私问题无法同时获得，以及只能利用已有模型和新的医疗图片建立一个新模型的难点，并且本发明实施过程中占用资源少，适用性强。

公开(公告)号：CN113989556A

公开(公告)日：2022-01-28

申请号：CN202111253761.4

申请日：2021-10-27

Applicant: 南京大学

Inventor： 叶翰嘉 ,  韩路 ,  詹德川 ,  余果 ,  姜远

IPC: G06V10/764 ,  G06V10/774 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种小样本医学影像分类方法和系统，该方法包括图像收集、无监督特征训练、基于小样本的模型生成；首先从网络或者其他渠道，收集多种医学影像数据；然后利用采集的图像，使用基于混合困难近邻的无监督特征方法得到一个具有泛化性的预训练模型；在小样本场景下，使用预训练模型提取不同类的样本特征，根据特征计算类原型，在后续分类任务中，选取相似性最高的原型所处的类，作为新样本的预测类别。本发明不依赖于样本标记，使用无监督学习方法迁移知识，在保证准确率的前提下，大大减少样本获取成本和标注成本。