公开(公告)号：CN118918363A

公开(公告)日：2024-11-08

申请号：CN202410943009.X

申请日：2024-07-15

Applicant: 杭州电子科技大学

Inventor： 朱晟豪 ,  黄一语 ,  方昭杰 ,  邹槟峰 ,  陈一飞 ,  刘畅 ,  贾帆 ,  冯祥 ,  秦飞巍 ,  樊谨 ,  王昌淼

IPC: G06V10/764 ,  A61B5/00 ,  A61B5/055 ,  G06V10/774 ,  G06T7/00 ,  G16H30/00 ,  G06V10/80 ,  G06N3/0455 ,  G06N3/0464 ,  G06F17/16 ,  G06F17/18 ,  G06N3/08

Abstract: 本发明公开了基于GFE‑Mamba神经网络的可解释阿尔茨海默进展分类方法，包括如下步骤：步骤1、构建GFE‑Manba神经网络模型，步骤2、建立MRI和PET图像数据集并分为训练集和测试集，应用MRI和PET图像训练集和测试集预训练3D GAN‑Vit模块；步骤3、建立MRI和量表数据结合的多模态阿尔茨海默进展分类数据集，并划分为训练集和测试集；步骤4、使用训练集对预训练的GFE‑Mamba神经网络模型进行训练并进行参数调优；步骤5、使用测试集测试评估得到的预训练的GFE‑Mamba神经网络模型，最终实可解释多模态阿尔茨海默进展分类。该方法不仅能够为临床医生诊断和治疗重大危险疾病提供重要参考标准，还进一步增强了临床医生对AD和其他重大脑部疾病的诊断能力，对于临床诊断和AD疾病预防具有重要意义。

公开(公告)号：CN119128643A

公开(公告)日：2024-12-13

申请号：CN202411232840.0

申请日：2024-09-04

Applicant: 杭州电子科技大学

Inventor： 朱晟豪 ,  贾帆 ,  陈一飞 ,  刘畅 ,  黄一语 ,  常铄 ,  王雨荷 ,  方昭杰 ,  秦飞巍 ,  王昌淼

IPC: G06F18/241 ,  G06F18/213 ,  G06N3/0455 ,  G06N3/0464 ,  G06F18/25

Abstract: 本发明公开了一种基于MSTNet神经网络的奥茨海默多模态分类方法，包括如下步骤：步骤1、获取奥茨海默ADMC多维数据集，所述多维数据集包括统一数据来源的脑电图、核磁共振成像和量表数据，并将多维数据集划分为训练集和测试集；步骤2、构建MSTNet多模态神经网络模型，所述MSTNet多模态神经网络模型包括时间特征编码器、跨模态融合注意力模块、特征标记器和表格编码架构；步骤3、使用训练集对MSTNet多模态神经网络模型进行训练，结合多模态数据特点，对MSTNet多模态神经网络模型参数调优；步骤4、使用测试集评估完成训练的MSTNet多模态神经网络模型，最终实现奥茨海默多模态分类功能。该方法能够实现自动、智能的奥茨海默多模态分类功能，具有较高的分类准确率和效率。

公开(公告)号：CN119049042A

公开(公告)日：2024-11-29

申请号：CN202410826656.2

申请日：2024-06-25

Applicant: 杭州电子科技大学

Inventor： 朱晟豪 ,  范振雄 ,  黄一语 ,  贾帆 ,  邹槟峰 ,  陈一飞 ,  朱云鹏 ,  秦飞巍 ,  王昌淼

IPC: G06V20/69 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种基于SCKansformer神经网络的骨髓细胞分类识别方法，包括如下步骤：步骤1、构建SCKansformer神经网络模型，所述SCKansformer神经网络模型包括Kansformer编码器、SCConv编码器和全局‑局部注意力编码器；步骤2、建立骨髓血液细胞数据集并预处理，将数据集划分为训练集和测试集；步骤3、使用训练集对SCKansformer神经网络模型进行训练，结合骨髓血液细胞图像特点，对SCKansformer神经网络模型参数调优；步骤4、使用测试集测试完成训练的评估SCKansformer神经网络模型，进而得到的网络模型，最终实现骨髓血液细胞图像分类识别功能。该方法能够有效应对显微图像中细胞分类的复杂性，实现对四十类骨髓血细胞的准确分类。

公开(公告)号：CN119152057A

公开(公告)日：2024-12-17

申请号：CN202411126455.8

申请日：2024-08-16

Applicant: 杭州电子科技大学

Inventor： 余潇 ,  陈一飞 ,  贾帆 ,  周冠宇 ,  范振雄 ,  朱晟豪 ,  张晨焱 ,  葛瑞泉 ,  王昌淼

IPC: G06T11/00 ,  G06T5/50 ,  G06T5/70 ,  G06T5/60 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明涉及一种基于TC‑KANRecon模型的加速高质量MRI图像重建方法，包括S1、收集图像数据并预处理；S2、搭建基于TC‑KANRecon模型的加速高质量MRI图像重建模型；S3、设计裁剪阈值线性减小的噪声裁剪策略。在采样过程的每一步中，根据采样步骤的当前进度采用线性递减裁剪策略。该策略应用于MF‑UKAN扩散主干产生的噪声估计，以产生具有更好视觉效果的MRI图像；S4、将预处理后的MRI图像和全采样k空间数据作为输入对扩散模型和VAE模块进行反复训练，优化网络参数，不断进行迭代优化；S5、使用欠采样的k空间数据输入至完成训练的基于TC‑KANRecon模型的加速高质量MRI图像重建模型中，并应用配套的裁剪阈值线性减小的噪声裁剪策略最终生成高质量的MRI图像。