-
公开(公告)号：CN114332535A
公开(公告)日：2022-04-12
申请号：CN202111644756.6
申请日：2021-12-30
Applicant: 宁波大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/70 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明涉及一种基于高分辨率的互补注意力UNet分类器的sMRI图像分类方法，其特征在于：获取一定数量的sMRI图像及其标签，对所有的sMRI图像进行预处理，形成样本集；将样本集分成训练集、验证集和测试集；构建网络模型并对其进行训练和验证，其中构建的网络模型是通过在现有Unet网络中插入特征融合网络和分类网络，设计的特征融合网络是为了给Unet网络的编码器补充语义信息并给解码器补充细节信息；分类网络的目的是能有效地融合多语义特征图，从而提高网络的表达能力并实现分类；最后通过将测试集中的待测试图像输入到最优的网络模型中，即得到待测试图像的分类结果。因此该分类方法简单且提高了分类准确率。
-
公开(公告)号：CN117218447A
公开(公告)日：2023-12-12
申请号：CN202311261313.8
申请日：2023-09-27
Applicant: 宁波大学
IPC: G06V10/764 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于生成对抗网络的多中心sMRI图像多分类方法，S1、构建样本集；S2、将样本集分成训练集、验证集和测试集；训练集中的sMRI图像的成像中心至少有四个；S3、构建网络模型；构建的网络模型包括特征提取网络、生成对抗网络、解耦网络和第二分类器；特征提取网络包括用于提取内容特征和中心特征的两个编码器，生成对抗网络包括生成器和鉴别器；解耦网络包括第一分类器；S4、将训练集分批次输入到构建的网络模型中进行训练，并经过多次训练与验证后，筛选出最优的网络模型；S5、将测试集中的待测试图像输入到最优的网络模型中，即得到待测试图像的分类结果。该分类方法简单且提高了分类准确率和模型泛化能力。
-
公开(公告)号：CN114332535B
公开(公告)日：2022-07-15
申请号：CN202111644756.6
申请日：2021-12-30
Applicant: 宁波大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/70 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明涉及一种基于高分辨率的互补注意力UNet分类器的sMRI图像分类方法，其特征在于：获取一定数量的sMRI图像及其标签，对所有的sMRI图像进行预处理，形成样本集；将样本集分成训练集、验证集和测试集；构建网络模型并对其进行训练和验证，其中构建的网络模型是通过在现有Unet网络中插入特征融合网络和分类网络，设计的特征融合网络是为了给Unet网络的编码器补充语义信息并给解码器补充细节信息；分类网络的目的是能有效地融合多语义特征图，从而提高网络的表达能力并实现分类；最后通过将测试集中的待测试图像输入到最优的网络模型中，即得到待测试图像的分类结果。因此该分类方法简单且提高了分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN118154979B
公开(公告)日：2024-11-29
申请号：CN202410389380.6
申请日：2024-04-02
Applicant: 宁波大学
IPC: G06V10/764 , G06T7/00 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于特征分离的sMRI图像分类方法，包括：构建训练集、验证集和测试集；构建分类模型：构建的分类模型包括特征提取模块、双任务预测模块、特征正交模块、分类器和回归器；双任务预测模块包括第一特异性预测模块和第二特异性预测模块；将训练集中所有的训练样本分批次输入到构建的分类模型中进行训练，并使用验证集中所有样本验证训练后的分类模型，经过多次训练与验证后，筛选出最优的分类模型；最后在测试集选取一幅待测试图像，将其依次经过最优分类模型的特征提取模块、第二特异性预测模块和分类器，得到分类结果。优点在于：该方法能区分目标特征中的第一设定特征和第二设定特征。
-
公开(公告)号：CN118154979A
公开(公告)日：2024-06-07
申请号：CN202410389380.6
申请日：2024-04-02
Applicant: 宁波大学
IPC: G06V10/764 , G06T7/00 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于特征分离的sMRI图像分类方法，包括：构建训练集、验证集和测试集；构建分类模型：构建的分类模型包括特征提取模块、双任务预测模块、特征正交模块、分类器和回归器；双任务预测模块包括第一特异性预测模块和第二特异性预测模块；将训练集中所有的训练样本分批次输入到构建的分类模型中进行训练，并使用验证集中所有样本验证训练后的分类模型，经过多次训练与验证后，筛选出最优的分类模型；最后在测试集选取一幅待测试图像，将其依次经过最优分类模型的特征提取模块、第二特异性预测模块和分类器，得到分类结果。优点在于：该方法能区分目标特征中的第一设定特征和第二设定特征。
-
公开(公告)号：CN117218447B
公开(公告)日：2024-08-02
申请号：CN202311261313.8
申请日：2023-09-27
Applicant: 宁波大学
IPC: G06V10/764 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于生成对抗网络的多中心sMRI图像多分类方法，S1、构建样本集；S2、将样本集分成训练集、验证集和测试集；训练集中的sMRI图像的成像中心至少有四个；S3、构建网络模型；构建的网络模型包括特征提取网络、生成对抗网络、解耦网络和第二分类器；特征提取网络包括用于提取内容特征和中心特征的两个编码器，生成对抗网络包括生成器和鉴别器；解耦网络包括第一分类器；S4、将训练集分批次输入到构建的网络模型中进行训练，并经过多次训练与验证后，筛选出最优的网络模型；S5、将测试集中的待测试图像输入到最优的网络模型中，即得到待测试图像的分类结果。该分类方法简单且提高了分类准确率和模型泛化能力。
-
公开(公告)号：CN117173489B
公开(公告)日：2024-08-02
申请号：CN202311261338.8
申请日：2023-09-27
Applicant: 宁波大学
IPC: G06V10/764 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种多中心MRI图像分类方法，包括：S1、构建样本集；S2、依据不同中心，将样本集分成训练集、验证集和测试集；其中训练集中的MRI图像的成像中心至少有四个；S3、构建网络模型；构建的网络模型包括编码器、解码器和分类器，编码器包括第一中心编码器、第二中心编码器和内容编码器；S4、将训练集分批次输入到构建的网络模型中进行训练，并经过多次训练与验证后，筛选出最优的网络模型；S5、将测试集中的待测试MRI图像输入到最优的网络模型中，即得到待测试图像的分类结果。该分类方法中的网络模型能适应不同成像中心的图像分类，并且网络模型的泛化能力强，解决了现有技术中多中心MRI的异质性问题。
-
公开(公告)号：CN117173489A
公开(公告)日：2023-12-05
申请号：CN202311261338.8
申请日：2023-09-27
Applicant: 宁波大学
IPC: G06V10/764 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种多中心MRI图像分类方法，包括：S1、构建样本集；S2、依据不同中心，将样本集分成训练集、验证集和测试集；其中训练集中的MRI图像的成像中心至少有四个；S3、构建网络模型；构建的网络模型包括编码器、解码器和分类器，编码器包括第一中心编码器、第二中心编码器和内容编码器；S4、将训练集分批次输入到构建的网络模型中进行训练，并经过多次训练与验证后，筛选出最优的网络模型；S5、将测试集中的待测试MRI图像输入到最优的网络模型中，即得到待测试图像的分类结果。该分类方法中的网络模型能适应不同成像中心的图像分类，并且网络模型的泛化能力强，解决了现有技术中多中心MRI的异质性问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
