-
公开(公告)号：CN111932512B
公开(公告)日：2022-08-05
申请号：CN202010785690.1
申请日：2020-08-06
Applicant: 吉林大学
IPC: G06T7/00 , G06V10/764 , G06K9/62 , G06V10/82 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于CNN和NLSTM神经网络应用于CT影像的颅内出血检测方法，属于智能医学影像处理领域。本发明使用CNN神经网络提取CT影像的图片特征，在提取CNN特征之前，CNN神经网络也是经过训练的，我们这里使用的预训练CNN网络为ResNeXt。提取的图像的embedding和病人的序列信息相结合作为NLSTM神经网络的输入，通过交叉熵损失函数计算损失反向传播网络，最后得到的网络结构去进行测试。这种CNN与RNN神经网络相结合的模式很适合处理CT序列影像，CNN与NLSM是一种新颖的颅内出血检测分类方法。本发明公开了基于CNN和NLSTM相结合的颅内出血检测方法，是一种准确高效的自动出血检测和分类方法，对临床有着极其重要的价值，具有广阔的应用场景。
-
公开(公告)号：CN110659378B
公开(公告)日：2023-02-10
申请号：CN201910844956.2
申请日：2019-09-07
Applicant: 吉林大学
IPC: G06F16/583
Abstract: 本发明公开了一种基于对比相似性损失函数的细粒度图像检索，所述为了挑选出更有价值的样本对，提出了一种新的样本对采样方法，该样本对采样方法利用类间相似性并通过不对称距离选择更多有效样本对用于训练。同时设计了一种新的加权方案对挑选出的有效样本对分配不同的权重实现对样本对的充分利用，不同样本对的权值是由它们违反正负边界的程度决定的。结合样本对采样和加权过程设计出一个新的对比相似性损失函数用以优化网络，通过该网络为每个类学习一个超球面，利用一个固定边界保持类内分布，并以一定的边距分离不同类别以保证它们的稀疏性。本发明的基于对比相似性损失函数的细粒度图像检索方法具有广泛的应用前景。
-
公开(公告)号：CN111932512A
公开(公告)日：2020-11-13
申请号：CN202010785690.1
申请日：2020-08-06
Applicant: 吉林大学
Abstract: 一种基于CNN和NLSTM神经网络应用于CT影像的颅内出血检测算法，属于智能医学影像处理领域。使用CNN神经网络提取CT影像的图片特征。在提取CNN特征之前，CNN神经网络也是经过训练的，我们这里使用的预训练CNN网络为ResNeXt。提取的图像的embedding和病人的序列信息相结合作为NLSTM神经网络的输入，通过交叉熵损失函数计算损失反向传播网络，最后得到的网络结构去进行测试。这种CNN与RNN神经网络相结合的模式很适合处理CT序列影像，CNN与NLSM是一种新颖的颅内出血检测分类方法。本发明基于CNN和NLSTM相结合的颅内出血检测算法，是一种准确高效的自动出血检测和分类算法，对临床有着极其重要的价值，具有广阔的应用场景。
-
公开(公告)号：CN110659378A
公开(公告)日：2020-01-07
申请号：CN201910844956.2
申请日：2019-09-07
Applicant: 吉林大学
IPC: G06F16/583
Abstract: 本发明公开了一种基于对比相似性损失函数的细粒度图像检索，所述为了挑选出更有价值的样本对，提出了一种新的样本对采样方法，该样本对采样方法利用类间相似性并通过不对称距离选择更多有效样本对用于训练。同时设计了一种新的加权方案对挑选出的有效样本对分配不同的权重实现对样本对的充分利用，不同样本对的权值是由它们违反正负边界的程度决定的。结合样本对采样和加权过程设计出一个新的对比相似性损失函数用以优化网络，通过该网络为每个类学习一个超球面，利用一个固定边界保持类内分布，并以一定的边距分离不同类别以保证它们的稀疏性。本发明的基于对比相似性损失函数的细粒度图像检索方法具有广泛的应用前景。
-
-
-
Search Results
4
records
(took 0.016 seconds)
