-
公开(公告)号：CN111428734B
公开(公告)日：2022-08-09
申请号：CN202010186583.7
申请日：2020-03-17
Applicant: 山东大学
Abstract: 本发明公开了一种基于残差对抗推理学习网络的图像特征提取方法，用于对磁共振图像进行分析，利用提取到的特征对每个对象的磁共振影像进行长期、中期、短期的分类。该方法首先，对磁共振影像数据进行预处理，提取具有目标对象的大部分区域即感兴趣区域，如肿瘤所在的大部分区域；其次，对预处理好的数据进行训练集、验证集的划分；再次，利用训练集数据训练残差对抗推理学习模型并将其中的编码器部分参数保存下来，提取验证集数据的深层特征；最后，将提取到的特征送入SVM里进行分类，获取最终结果。我们利用BraTS2019数据集进行验证，与传统的特征提取方法相比，基于残差对抗推理学习的具有相对较好的结果。
-
公开(公告)号：CN111738317A
公开(公告)日：2020-10-02
申请号：CN202010530319.0
申请日：2020-06-11
Applicant: 山东大学
Abstract: 本发明公开了一种基于图卷积神经网络的特征选择与分类方法，用于对磁共振图像进行分析，利用提取到的特征对每个对象的磁共振影像进行分子标记物的五分类。该方法首先，对磁共振影像数据进行预处理，提取具有目标对象的区域即感兴趣区域，如肿瘤所在区域；其次，对感兴趣区域进行非纹理特征、纹理特征、小波变换后纹理特征提取并进行特征归一化处理；再次，对归一化后的特征进行8近邻图构造；最后，将特征放入图卷积神经网络进行分类，获取最终结果。我们利用BraTS2017数据集进行验证，与传统的特征提取方法及分类方法相比，基于图卷积神经网络的特征选择与分类方法具有相对较好的结果。
-
公开(公告)号：CN111428734A
公开(公告)日：2020-07-17
申请号：CN202010186583.7
申请日：2020-03-17
Applicant: 山东大学
Abstract: 本发明公开了一种基于残差对抗推理学习网络的图像特征提取方法，用于对磁共振图像进行分析，利用提取到的特征对每个对象的磁共振影像进行长期、中期、短期的分类。该方法首先，对磁共振影像数据进行预处理，提取具有目标对象的大部分区域即感兴趣区域，如肿瘤所在的大部分区域；其次，对预处理好的数据进行训练集、验证集的划分；再次，利用训练集数据训练残差对抗推理学习模型并将其中的编码器部分参数保存下来，提取验证集数据的深层特征；最后，将提取到的特征送入SVM里进行分类，获取最终结果。我们利用BraTS2019数据集进行验证，与传统的特征提取方法相比，基于残差对抗推理学习的具有相对较好的结果。
-
公开(公告)号：CN111428803A
公开(公告)日：2020-07-17
申请号：CN202010243147.9
申请日：2020-03-31
Applicant: 山东大学
Abstract: 本发明提出了一种基于Wasserstein距离的深度域适应图像分类方法、装置和计算机可读存储介质。首先，利用卷积结构提取特征。其次，采用全连接层逐层映射减少特征数量。再次，对源域特征进行类别判别的同时，利用Wasserstein距离度量源域与目标域特征之间的距离，从而促使本发明中的模型从源域任务逐步迁移到目标域任务。最后，本发明中的模型在保证准确率和稳定性的基础上完成在目标域上的分类任务。本发明在ADNI和OASIS数据集上进行了算法验证，我们的方法优于传统的方法，具有更好的分类效果。
-
-
-
Search Results
4
records
(took 0.023 seconds)
