公开(公告)号：CN116630706A

公开(公告)日：2023-08-22

申请号：CN202310596126.9

申请日：2023-05-24

Applicant: 哈尔滨理工大学

Inventor： 周文进 ,  苗世迪 ,  王国鹏

IPC: G06V10/764 ,  G06V10/776 ,  G06V10/82 ,  G06V10/774 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/08

Abstract: 本发明公开了一种基于NAS、Lambda层、Resnet集成策略的深度神经网络改进方法，包括以下步骤：首先，对数据集进行数据预处理；其次对CT图像进行十倍的交叉验证分割，并划分训练集和测试集；然后建立基于NAS、Lambda层、Resnet集成策略的深度神经网络模型，进行肺结节良恶性分类，以及评估该模型的效果；最后使用Softmax损失函数来训练整个网络，进行特征判别，并使用使用Davis‑Bouldin指数(DBI)评估Softmax学习到的深度特征的可判别性。本发明基于NAS、Lambda层、Resnet集成策略的深度神经网络改进方法，可以实现较高的准确率来达到肺结节良恶性分类的目的。

公开(公告)号：CN119170283A

公开(公告)日：2024-12-20

申请号：CN202411203066.0

申请日：2024-08-29

Applicant: 哈尔滨理工大学

Inventor： 王国鹏 ,  苗世迪 ,  王瑞涛

IPC: G16H50/50 ,  G16H50/30 ,  G16H50/70 ,  G06T7/11 ,  G06T7/00 ,  G06V10/774 ,  G06V10/82 ,  G06V10/764 ,  G06V10/25 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出了一种结合卷积神经网络(CNN)和Transformer模型的结直肠癌腹膜转移预测模型，旨在提高结直肠癌早期检测和诊断的准确性与效率。通过收集结直肠癌患者的手术前腹部CT图像数据，并对这些数据进行处理，构建基于CNN和Swin‑Transformer的深度学习网络，模型能够自动提取和学习图像中的重要特征。预训练模型后，对其进行进一步训练，以准确预测患者的腹膜转移风险。该模型实现了更高的预测准确性、自动化的特征提取以及更高效的诊断过程，有助于结直肠癌风险预测和防控领域的应用。

公开(公告)号：CN117219277A

公开(公告)日：2023-12-12

申请号：CN202311190857.X

申请日：2023-09-15

Applicant: 哈尔滨理工大学

Inventor： 穆世凯 ,  王国鹏 ,  苗世迪

IPC: G16H50/30 ,  G16H50/70 ,  G06T7/00 ,  G06T7/11 ,  G06T7/136 ,  G06T7/62 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08 ,  G06N20/20

Abstract: 本发明涉及一种多模态后期融合的深度学习放射组学联合诺模图模型，用来探究少肌症对乳腺癌(BC)远处转移的影响。利用单因素Cox回归和多因素Cox回归分析得到BC远处转移的独立预后因素。使用DenseNet161模型、ResNet50模型、Gradient Boosting模型分别对第四胸椎(T4)、第十一胸椎(T11)层图像、临床病理结合身体成分数据进行分类。使用多数投票策略对分类结果进行后期融合，并将得到的后期融合概率联合诺模图预测BC远处转移。我们分析了诺模图的最佳截断点，将BC患者分为高、低转移风险组，并采用Kaplan‑Meier(KM)生存曲线进行生存分析。本发明进一步证实了T4胸肌指数(PMI/T4)对BC远处转移存在显著的影响，提高了BC远处转移的预测精度，为预测BC远处转移探索了一种非入侵性成像标志物。