公开(公告)号：CN116740463B

公开(公告)日：2024-08-13

申请号：CN202310822010.2

申请日：2023-07-05

Applicant: 宁波大学

Inventor： 王如冰 ,  高琳琳 ,  余明行 ,  林晨阳 ,  禚世豪 ,  陈俊初

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/25 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及一种sMRI图像顺序多分类方法，包括：将一定数量的sMRI图像分成训练集、验证集和测试集；构建网络模型，构建的网络模型包括特征提取和分类模型、排序模型和困难样本识别矫正模型；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，并使用验证集中所有图像验证训练后的网络模型性能；经过多次训练与验证后，筛选出最优的网络模型；最后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。优点在于：通过排序模型使这些不同类别的样本通过模型得到的特征向量之间的距离和在实际病理中的距离保持一致，从而使提取的不同类别的sMRI图像间的特征具有顺序特性，并提升网络分类性能。

公开(公告)号：CN116740463A

公开(公告)日：2023-09-12

申请号：CN202310822010.2

申请日：2023-07-05

Applicant: 宁波大学

Inventor： 王如冰 ,  高琳琳 ,  余明行 ,  林晨阳 ,  禚世豪 ,  陈俊初

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/25 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及一种sMRI图像顺序多分类方法，包括：将一定数量的sMRI图像分成训练集、验证集和测试集；构建网络模型，构建的网络模型包括特征提取和分类模型、排序模型和困难样本识别矫正模型；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，并使用验证集中所有图像验证训练后的网络模型性能；经过多次训练与验证后，筛选出最优的网络模型；最后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。优点在于：通过排序模型使这些不同类别的样本通过模型得到的特征向量之间的距离和在实际病理中的距离保持一致，从而使提取的不同类别的sMRI图像间的特征具有顺序特性，并提升网络分类性能。