公开(公告)号：CN118334337A

公开(公告)日：2024-07-12

申请号：CN202410479526.6

申请日：2024-04-22

Applicant: 杭州电子科技大学

Inventor： 章国道 ,  陈钊民 ,  葛一粟 ,  刘子强 ,  乔通 ,  周晓飞 ,  章哈琪

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0475 ,  G06N3/084 ,  G06N3/088 ,  G06N3/0464

Abstract: 本发明公开了一种基于风格提取和对齐的无监督域自适应医学语义分割方法，包括如下步骤：步骤1、获取医学图像数据集；步骤2、构建风格提取和对齐网络模型；步骤3、对风格提取和对齐网络模型进行训练；步骤4、读取风格提取和对齐网络模型中训练好的特征编码器S、分类器C1和分类器C2构成生成器G，读入单张医疗图像I，并将单张医疗图像I输入生成器G中进行前向推理，得医学图像I得语义分割结果P。该方法无需额外参数及额外的标签，并能有效泛化语义分割模型的分割能力，从而克服了现有医学语义分割处理方法标注成本高昂及泛化能力不足的问题。

公开(公告)号：CN118551115A

公开(公告)日：2024-08-27

申请号：CN202410741760.1

申请日：2024-06-11

Applicant: 杭州电子科技大学

Inventor： 章国道 ,  高霄云 ,  叶海洋 ,  王超超 ,  葛一粟 ,  陆炎杰 ,  章哈琪

IPC: G06F16/9535 ,  G06F18/213 ,  G06F18/22 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于图卷积网络和学习风格的课程推荐方法，包括如下步骤：步骤1、预测评分，将来自学习者相连的课程嵌入信息编码为学习者的一阶嵌入信息，并通过一阶嵌入信息得到高阶嵌入信息；将高阶嵌入信息中的每一阶嵌入信息通过聚合函数聚合到单个向量中得到聚合嵌入表示；对学习者和课程的聚合嵌入表示进行内积运算，得到学习者对该课程的预测评分；步骤2、分别定义学习者概要和课程概要，计算学习风格向量，根据学习者学习风格向量和课程学习风格向量，得到课程学习风格相似度评分；步骤3、通过学习风格相似度评分对预测评分列表进行优化，得到协同预测评分，该方法解决基于图卷积网络推荐算法忽略学习者自身学习模式的问题。

公开(公告)号：CN119763119A

公开(公告)日：2025-04-04

申请号：CN202411819630.1

申请日：2024-12-11

Applicant: 杭州电子科技大学

Inventor： 叶铭滔 ,  徐慧婷 ,  章哈琪 ,  李圣杰 ,  李春亭 ,  陈一鸣 ,  蔡显乐 ,  周毅 ,  章国道 ,  王毅刚

IPC: G06V20/70 ,  G06V10/25 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/09 ,  G06N3/0895 ,  G06N3/096

Abstract: 本发明请求保护一种人机协同的双重标注方法，包括：利用ABUS采集影像，并将其划分为未标注数据集N和标注数据集M。该方法采用图像增广处理和归一化，使用基于对比学习的自监督框架增强图像特征。接着利用深度学习架构U‑Net和ResNet50构建视觉模型，自动标注图像中的感兴趣区域，并提供初步估计。此后，对自动标注过的乳腺影像进行人工标注，实现人机双重标注，提供更准确的估计。最后，使用对比学习算法从未标注数据集N学习图像表示，并结合标注数据集M中的监督信号更新视觉模型。本发明通过综合利用人工智能和专业医生的标注结果，同时引入标注质量评估机制，提高了图像的可识别性能，强化了图像特征的表现力，进一步增强了视觉模型的泛化能力。

公开(公告)号：CN119166817A

公开(公告)日：2024-12-20

申请号：CN202411291411.0

申请日：2024-09-14

Applicant: 杭州电子科技大学 ,  先进计算与关键软件(信创)海河实验室

Inventor： 林璐凝 ,  朱悠悠 ,  徐慧婷 ,  章哈琪 ,  张雯丽 ,  叶铭滔 ,  陆炎杰 ,  傅攀 ,  章国道 ,  陈小雕

IPC: G06F16/35 ,  G06F40/279 ,  G06F16/33 ,  G06F40/166 ,  G06F40/103 ,  G16H15/00 ,  G16H10/60 ,  G16H30/20 ,  G16H50/20 ,  G06N3/0895 ,  G06N3/04

Abstract: 本发明公开了一种基于BioClinicalBERT模型的乳腺疾病语料库构建方法，通过乳腺MRI语料库构建方法，结合人机协同标注和先进的自监督学习技术，从乳腺MRI图像中提取出具有判别性的特征，并通过计算多级相似性，有效提升了乳腺MRI诊断的精确度和效率。不仅为乳腺疾病的早期诊断和治疗提供了有力支持，同时也因其通用性而展现出在其他医学图像分析和诊断领域的广泛应用潜力。并且应用在病例文本标准化方法中，还能够让这些病历文本不仅包含了准确的结构化标签和医学图像信息，还具有高度的可读性和可理解性。医生可以快速地浏览病历文本，准确地获取关键信息，从而更高效地做出诊断和治疗决策。