-
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：CN112949728B
公开(公告)日：2021-09-14
申请号：CN202110266006.3
申请日：2021-03-11
Applicant: 宁波大学
Abstract: 一种基于切片图像筛选和特征聚合的MRI图像分类方法，训练时：获取训练集和验证集中每幅MRI图像的切片图像及每张切片图像对应的切片向量，并对所有切片向量进行聚类，组成切片图像簇；根据切片图像簇对切片图像分类模块进行训练和验证，并提取知识性簇；将知识性簇输入到知识性切片特征提取模块中得到切片特征图集合；根据切片特征图集合对切片特征聚合模块进行训练和验证，并输出切片特征向量；使用切片特征向量对MRI分类网络中进行训练和验证。测试时：按上述方法提取测试集的知识性簇的切片特征图集合，将切片特征图集合输入到训练完成的切片特征融合模块和MRI分类网络中得到图像的分类结果。该分类方法的分类准确率高。
-
公开(公告)号：CN112329867B
公开(公告)日：2021-05-25
申请号：CN202011245707.0
申请日：2020-11-10
Applicant: 宁波大学
Abstract: 本发明涉及一种基于任务驱动的层次注意力网络的MRI图像分类方法，首先，构建训练集、验证集和测试集；其次，利用训练集对构建信息子网络进行训练及通过验证集得到具有最优网络参数的信息子网络；接着利用训练集对构建的层次注意力子网络进行训练及通过验证集得到具有最优网络参数的层次注意力子网络；最后，在测试集中任意选择一张MRI图像，将该图像输入到上述信息子网络中得到信息图，之后将该信息图和待分类MRI图像输入到训练后的层次注意力子网络中得到该待分类MRI图像属于每一类别的概率，将概率最高的值对应的类别作为该待分类MRI图像的类别。该方法不仅可以定位与分类相关的区域，而且拥有优越的分类性能。
-
公开(公告)号：CN119296795A
公开(公告)日：2025-01-10
申请号：CN202411825179.4
申请日：2024-12-12
Applicant: 宁波大学
Abstract: 本发明涉及医疗保健信息处理技术领域，并具体公开了一种慢阻肺患者肺结节风险预测系统及方法，其系统包括：历史检查数据获取模块收集历史慢阻肺患者的多次CT检查数据、肺功能数据及肺部定量数据；生长拐点识别模块识别出患者的肺结节生长拐点；风险预测模型搭建模块搭建出肺结节风险预测模型；当前患者风险预测模块将待测患者的当前CT检查数据、当前肺功能数据以及当前肺部定量数据输入至肺结节风险预测模型，获得待测患者的当前肺结节风险预测结果；复查时间推荐模块基于待测患者的当前肺结节风险预测结果和预设复查时间推荐模型，获得待测患者的复查推荐时间，实现了对慢阻肺患者肺结节风险的有效预测，为早期诊断和治疗提供了重要依据。
-
公开(公告)号：CN114120154B
公开(公告)日：2022-10-28
申请号：CN202111395954.3
申请日：2021-11-23
Applicant: 宁波大学
IPC: G06V20/17 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种高层建筑玻璃幕墙破损的自动检测方法，包括构建检测网络并使用样本集对构建的检测网络进行训练和验证，得到具有最优参数的检测网络，其中，检测网络的构建方法具体为：先构建YOLO v4网络，将YOLO v4网络中的卷积层用依次相连接的扩展卷积、逐通道卷积和逐点卷积进行替换，得到新的卷积层，最后将替换完成的YOLO v4网络作为构建的检测网络；之后根据所有BN层的缩放因子向量对具有最优参数的检测网络进行剪枝；最后利用样本集对剪枝后的具有最优参数的检测网络进行微调，得到最终的检测网络。因此该方法在保证高准确率的前提下进一步降低模型的参数量，实现基于无人机的城市高层建筑玻璃幕墙的全自动化检测。
-
Patent Agency Ranking
公开(公告)号：CN116843629A
公开(公告)日：2023-10-03
申请号：CN202310712321.3
申请日：2023-06-15
Applicant: 宁波大学附属第一医院
IPC: G06T7/00 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种肋骨骨折检测方法，涉及肋骨骨折检测领域，其通过预处理已标记肋骨骨折的CT图像得到样本集，并构建肋骨骨折检测模型，模型包括：利用ResNet50组建的主干网络、与主干网络连接的FPN网络、同时与主干网络、FPN网络连接的压缩激励模块、剔除图像X中负样本的Anchor模块，以及利用Anchor模块的输出获取预测类别与预测偏移量向量的预测模块，其通过模型中的Anchor模块剔除图像X中的负样本解决了训练时会出现严重的正负样本失衡以及学习没有针对性的问题，提高了肋骨骨折检测模型的预测精度。
-
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。
-
公开(公告)号：CN114120154A
公开(公告)日：2022-03-01
申请号：CN202111395954.3
申请日：2021-11-23
Applicant: 宁波大学
Abstract: 本发明涉及一种高层建筑玻璃幕墙破损的自动检测方法，包括构建检测网络并使用样本集对构建的检测网络进行训练和验证，得到具有最优参数的检测网络，其中，检测网络的构建方法具体为：先构建YOLO v4网络，将YOLO v4网络中的卷积层用依次相连接的扩展卷积、逐通道卷积和逐点卷积进行替换，得到新的卷积层，最后将替换完成的YOLO v4网络作为构建的检测网络；之后根据所有BN层的缩放因子向量对具有最优参数的检测网络进行剪枝；最后利用样本集对剪枝后的具有最优参数的检测网络进行微调，得到最终的检测网络。因此该方法在保证高准确率的前提下进一步降低模型的参数量，实现基于无人机的城市高层建筑玻璃幕墙的全自动化检测。
-
公开(公告)号：CN119445304A
公开(公告)日：2025-02-14
申请号：CN202411508812.7
申请日：2024-10-28
Applicant: 宁波大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0895 , G06V10/74 , G06T7/73
Abstract: 本发明涉及基于长短程特征的胸腰椎关键点自动识别及Cobb角计算的方法，包括：形成样本集；构建网络模型，构建的网络模型包括具有d个编码层的编码器、具有d个解码层的解码器、d‑1个椎体位置捕捉模块和处理单元，椎体位置捕捉模块包括短程特征联系模块和长程特征联系模块，处理单元包括中心定位模块、中心对比学习模块、中心偏移模块和角定位模块；将训练集中所有的样本图像分批次输入到构建的网络模型中进行训练，经过多次训练与验证后，筛选出最优的网络模型；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关键点定位结果；该方法减少外来物遮挡对胸腰椎关键点检测的影响，使得胸腰椎关键点的识别更为精准。
-
公开(公告)号：CN118229639A
公开(公告)日：2024-06-21
申请号：CN202410354527.8
申请日：2024-03-27
Applicant: 宁波大学附属第一医院
Abstract: 本发明公开了一种用于腹主动脉钙化的自动评分方法与系统，涉及人工智能技术应用领域，模拟医生的评分过程，首先通过CNN定位并识别第一腰椎至第四腰椎及其相应区域内的主动脉，然后利用改进的回归模型来自动执行评分任务，特别关注样本数据的连续性问题，设计了一个能够捕捉样本间内在有序关系连续性的回归模型，确保更准确地反映钙化程度的变化趋势。本发明取代了传统的依赖医生主观经验的评分方式，降低了评分的主观性，提高了评分的可靠性和一致性，基于样本内在连续性进行回归模型的构建，解决了直接回归忽略数据连续性的问题，使得评分更能反映出钙化病变程度的连续变化。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
