-
公开(公告)号：CN115641317B
公开(公告)日：2024-06-25
申请号：CN202211335548.2
申请日：2022-10-28
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08 , G06T5/70 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 面向病理图像的动态知识回溯多示例学习及图像分类方法，属于医学图像处理技术和深度学习技术领域。本发明为了解决目前全切片组织病理图像分析中使用单个模型持续学习多个任务时会产生灾难性遗忘的问题。本发明的多示例学习方法，首先针对一个任务获取全切片组织病理图像数据，然后训练基础分类模型，其中特征映射层、特征权重计算层的参数用于后续任务共享；然后在原有模型的基础上新增新任务Tt对应的任务分类层，从记忆存储模块读取各个旧任务核心子图像特征集中的特征产生各个旧任务伪切片级特征，继续训练分类模型；每次得到训练好的模型后进行测试对所有核心子图像进行聚类并剔除异常特征，并存储至记忆存储模块用于后续任务记忆回放。
-
Patent Agency Ranking
公开(公告)号：CN117422912B
公开(公告)日：2024-08-23
申请号：CN202311366790.0
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/194 , G06N3/048 , G06N3/042 , G06N3/096
Abstract: 一种基于提示学习的组织病理图像多任务分类系统，它属于医学图像分析技术领域。本发明解决了现有多任务学习模型忽视了各任务间潜在的关联性，导致现有方法对组织病理图像多任务分类的性能差的问题。本发明通过为每个任务设计任务特定的提示，并引入任务相关性学习模块，能够显式地识别和利用各种任务之间的潜在关联性。此外，本发明在训练时对整个神经网络模型进行了全面微调，使各个任务之间相互促进，这一策略不仅显著提高了其相对于训练多个单任务模型的计算效率和性能，还增强了模型对多种不同任务的适应能力，提升了本发明方法在组织病理图像多任务分类上的性能。本发明可以应用于医学图像分析。
-
公开(公告)号：CN117422911B
公开(公告)日：2024-04-30
申请号：CN202311366788.3
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/20 , G06V10/40 , G06V10/774 , G06T7/00 , G06T7/194 , G06N20/00
Abstract: 一种协同学习驱动的多类别全切片数字病理图像分类系统，它属于医学图像分析技术领域。本发明解决了现有方法仅关注二分类且无法捕捉类相关语义信息的问题。本发明首先获取待分类的全切片数字病理图像，再对图像进行预处理，获取前景组织区域图像并将前景组织区域图像分割为子图像补丁；对子图像补丁进行编码，根据编码结果得到补丁特征令牌；设置分类令牌，根据补丁特征令牌和分类令牌进行计算，再根据计算结果生成类激活图，并根据类激活图得到类别的热力图。本发明可以应用于数字病理图像分类。
-
公开(公告)号：CN117422912A
公开(公告)日：2024-01-19
申请号：CN202311366790.0
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/194 , G06N3/048 , G06N3/042 , G06N3/096
Abstract: 一种基于提示学习的组织病理图像多任务分类系统，它属于医学图像分析技术领域。本发明解决了现有多任务学习模型忽视了各任务间潜在的关联性，导致现有方法对组织病理图像多任务分类的性能差的问题。本发明通过为每个任务设计任务特定的提示，并引入任务相关性学习模块，能够显式地识别和利用各种任务之间的潜在关联性。此外，本发明在训练时对整个神经网络模型进行了全面微调，使各个任务之间相互促进，这一策略不仅显著提高了其相对于训练多个单任务模型的计算效率和性能，还增强了模型对多种不同任务的适应能力，提升了本发明方法在组织病理图像多任务分类上的性能。本发明可以应用于医学图像分析。
-
公开(公告)号：CN117422911A
公开(公告)日：2024-01-19
申请号：CN202311366788.3
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/20 , G06V10/40 , G06V10/774 , G06T7/00 , G06T7/194 , G06N20/00
Abstract: 一种协同学习驱动的多类别全切片数字病理图像分类系统，它属于医学图像分析技术领域。本发明解决了现有方法仅关注二分类且无法捕捉类相关语义信息的问题。本发明首先获取待分类的全切片数字病理图像，再对图像进行预处理，获取前景组织区域图像并将前景组织区域图像分割为子图像补丁；对子图像补丁进行编码，根据编码结果得到补丁特征令牌；设置分类令牌，根据补丁特征令牌和分类令牌进行计算，再根据计算结果生成类激活图，并根据类激活图得到类别的热力图。本发明可以应用于数字病理图像分类。
-
公开(公告)号：CN115641317A
公开(公告)日：2023-01-24
申请号：CN202211335548.2
申请日：2022-10-28
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08 , G06T5/00 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 面向病理图像的动态知识回溯多示例学习及图像分类方法，属于医学图像处理技术和深度学习技术领域。本发明为了解决目前全切片组织病理图像分析中使用单个模型持续学习多个任务时会产生灾难性遗忘的问题。本发明的多示例学习方法，首先针对一个任务获取全切片组织病理图像数据，然后训练基础分类模型，其中特征映射层、特征权重计算层的参数用于后续任务共享；然后在原有模型的基础上新增新任务Tt对应的任务分类层，从记忆存储模块读取各个旧任务核心子图像特征集中的特征产生各个旧任务伪切片级特征，继续训练分类模型；每次得到训练好的模型后进行测试对所有核心子图像进行聚类并剔除异常特征，并存储至记忆存储模块用于后续任务记忆回放。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
