-
公开(公告)号：CN117745655A
公开(公告)日：2024-03-22
申请号：CN202311657847.2
申请日：2023-12-04
Applicant: 湖北工业大学
IPC: G06T7/00 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于灵活映射的自适应监督特征选择方法及系统，包括：从医学图像数据中提取图像特征从而获得样本矩阵；建立目标函数，根据目标函数采用灵活映射的方式将样本数据投影至低维的数据空间；对目标函数进行优化，得到最佳的投影矩阵W；从W中筛选出富有信息的特征；将筛选出的特征分别输入到样本分类模型、样本临床得分预测模型进行训练，得到训练后的样本分类模型、样本临床得分预测模型；将待分类与预测临床得分的医学图像数据重复步骤1‑4的操作得到筛选出的特征，将筛选出的特征分别输入到训练完成的模型中进行预测，分别得到医学图像的分类和临床得分。本发明引入灵活映射的方法解决了线性映射条件过于严格的问题。
-
公开(公告)号：CN115795344A
公开(公告)日：2023-03-14
申请号：CN202211525235.3
申请日：2022-11-30
Applicant: 湖北工业大学
IPC: G06F18/24 , G06F18/214 , G06F18/22 , G06F17/16 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于混合扩散的图卷积网络的文献分类方法及系统，包括：获取包含文献数据的训练数据集；通过特征相似性扩散模型对节点进行特征空间邻域节点间信息扩散,得到经过节点特征空间信息扩散的数据集；对经过特征空间信息扩散的数据集,通过图卷积模型利用邻接矩阵进行邻接节点间的信息扩散；对经过混合扩散后的数据集进行半监督的图卷积网络训练，并使用节点间的扩散距离对最终的预测标签进行约束；采用训练后得到的基于混合扩散的图卷积网络进行文献分类。本发明利用了节点特征的混合扩散，来对每个节点信息进行在特征空间中的相近节点的信息扩散和邻接节点间的信息扩散，使得节点特征包含更多信息，可显著提升文献分类准确率。
-
公开(公告)号：CN109543728A
公开(公告)日：2019-03-29
申请号：CN201811318375.7
申请日：2018-11-07
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于迁移学习的甲状腺相关性眼病检测方法，首先对眼部区域进行医学扫描，获得3种位图样本，对获得的位图样本进行预处理，得到位图样本中的病症区域和左右眼位位置；然后对预处理后的位图样本进行旋转、平移、缩放操作，然后将所有位图样本依比例划分为训练集、测试集和验证集；接着针对每种位图样本，分别设计一个对应的迁移网络，使用对应类别的训练集来训练3个迁移网络，并用验证集来调试网络参数；最后用投票法来整合3个迁移网络的输出，得到最后系统的诊断输出。本发明在深度学习模型中特征抽取层可以有效提取出病症特征，以及多层映射单元进行病症特征信息分类，具有接近人工效率的病症识别准确率。
-
公开(公告)号：CN113822342B
公开(公告)日：2023-05-30
申请号：CN202111028155.2
申请日：2021-09-02
Applicant: 湖北工业大学
IPC: G06F18/241 , G06N3/0464 , G06N3/08
-
公开(公告)号：CN115601342A
公开(公告)日：2023-01-13
申请号：CN202211324277.0
申请日：2022-10-27
Applicant: 湖北工业大学(CN)
Abstract: 针对医学影像数据含有噪音，包含冗余特征，并存在类别不平衡的问题，本发明提供了一种基于混合稀疏的样本和特征选择方法、装置，来选择富含信息的样本和特征，具体而言，利用嵌入学习和l0范数来选择合适的正负样本数量，以此缓解类别不平衡问题，本发明利用l2，p范数来进行自适应稀疏以选择有判别力的特征。最后本发明利用选择出的样本和特征来进行医学影像数据的自动化分类和预测，从而辅助医生进行疾病的诊断，提升医疗工作者的工作效率。
-
Patent Agency Ranking
公开(公告)号：CN113192062A
公开(公告)日：2021-07-30
申请号：CN202110573463.7
申请日：2021-05-25
Applicant: 湖北工业大学
Abstract: 本发明提供了一种基于图像复原的动脉斑块超声图像自监督分割方法，包括以下步骤：(1)动脉超声图像训练数据集预处理，(2)训练基于图像复原的自监督辅助任务网络，(3)将(2)获得的辅助任务模型迁移至动脉斑块超声图像分割任务，(4)训练动脉斑块超声图像分割卷积神经网络，(5)利用(4)得到的模型分割动脉斑块超声测试图像，并输出结果。本发明首次公开了基于图像复原的动脉斑块超声图像自监督分割方法，实现在少量标签样本情况下动脉斑块超声图像分割，提升动脉斑块自动测量的准确性。可应用于动脉超声图像辅助诊断系统，监测斑块的生长和消退情况，对心脑血管发生预警有重要意义。
-
公开(公告)号：CN113159223A
公开(公告)日：2021-07-23
申请号：CN202110532794.6
申请日：2021-05-17
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于自监督学习的颈动脉超声图像识别方法。所述方法包括以下步骤：(1)采集颈动脉超声图像并预处理；(2)根据预处理后所得的超声图像数据集使用自监督学习的辅助任务函数扩充数据集和生成对应的伪标签；(3)将从步骤(2)所得的新的超声图像数据集载入神经网络中训练，保存学习到的最优网络权重参数；(4)将网络权重参数迁移到目标神经网络中，对步骤(1)所得的预处理后的超声图像数据集进行学习，得到目标神经网络的最优网络模型，再对测试集进行测试获得最终测试精度。本方法将自监督学习方法应用于颈动脉超声图像提取特征的表面变化和内部特性，为病变区域的预测提供了一种定量的分析方法。
-
公开(公告)号：CN111105420A
公开(公告)日：2020-05-05
申请号：CN201911006733.5
申请日：2019-10-22
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于图谱组合信息稀疏表示的多图谱标签融合方法，包括：步骤1，将N个图谱配准到待分割脑MR图像T所在的空间；步骤2，提取图谱体素的组合信息；步骤3，提取待标记体素的组合信息；步骤4，将从各图谱提取的体素组合信息，以列为单位，构成数据字典，利用该数据字典对待标记体素的组合信息进行稀疏表示，并获取相应的稀疏系数；步骤5，利用所获得的稀疏系数对图谱标签进行加权融合，获得待标记体素的标签信息，从而获得脑MR图像最终的分割结果。本发明通过将图谱图像信息与图谱标签信息进行有效结合，提高了对图谱所提供先验信息的利用率，尤其是图谱所提供的目标脑组织的边界信息。
-
公开(公告)号：CN116664504A
公开(公告)日：2023-08-29
申请号：CN202310584634.5
申请日：2023-05-23
Applicant: 湖北工业大学
IPC: G06T7/00 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于深度不平衡回归的胎儿大脑脑龄估计方法及装置，该方法包括：将标签引入到胎儿大脑磁共振图像训练集中，使用标签分布平滑策略获取有效标签密度分布；建立多尺度分层分割胎儿大脑特征提取回归网络；构建回归焦点均方误差损失函数，采用有效标签密度对回归焦点均方误差损失函数重新加权；构建等级排序相似度正则化器；以重新加权后的焦点均方误差回归损失函数作为主函数，等级排序相似度正则化器作为平衡正则化项，构造胎儿大脑特征提取回归网络的总损失函数。该方法可以显著地提升回归模型的性能，可以让模型更好地学习回归年龄标签的连续信息，获得更低的平均绝对误差，有助于识别大脑发育的异常以及降低不良发育的风险。
-
公开(公告)号：CN115861713A
公开(公告)日：2023-03-28
申请号：CN202211718722.1
申请日：2022-12-29
Applicant: 湖北工业大学
IPC: G06V10/764 , G06V10/26 , G06V10/774 , G06V10/776 , G06V10/82 , G06V10/74 , G06N3/0455 , G06N3/0464 , G06N3/082
Abstract: 本发明涉及一种基于多任务学习的颈动脉斑块超声图像处理方法，包括以下步骤：引入颈动脉斑块超声图像数据集，并进行预处理，得到训练数据集；构建多任务网络框架；添加区域权重模块；添加样本权重模块；将训练数据集作为训练样本输入多任务网络进行训练，在测试集上判定斑块类别和预测斑块分割图像。该基于多任务学习的颈动脉斑块超声图像处理方法，通过对多个任务同时进行训练、共享所学习的特征达到输入一次训练样本解决多个问题的目的，如此，提升了深度学习模型泛化能力，使得任务之间互相联动，促进训练效果，提升分割与分类任务的准确度，解决了在颈动脉斑块超声图像领域深度学习模型泛化能力差，学习特征有限的问题。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.026 seconds)
