-
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：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
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：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：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
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。
-
-
-
Search Results
4
records
(took 0.017 seconds)
