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：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

Inventor： 蓝姝洁 ,  高琳琳 ,  张哲昊 ,  寿亿锒 ,  禚世豪

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：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。

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

Inventor： 蓝姝洁 ,  高琳琳 ,  张哲昊 ,  寿亿锒 ,  禚世豪

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：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

Inventor： 禚世豪 ,  高琳琳 ,  蓝姝洁 ,  林晨阳 ,  寿亿锒 ,  崔智英

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

Inventor： 禚世豪 ,  高琳琳 ,  蓝姝洁 ,  林晨阳 ,  寿亿锒 ,  崔智英

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。