-
公开(公告)号：CN119478530A
公开(公告)日：2025-02-18
申请号：CN202411631288.2
申请日：2024-11-15
Applicant: 浙江玉铉科技有限公司 , 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06N3/0455 , G06N3/0464 , G06N3/0895 , G06V10/82
Abstract: 本发明涉及一种基于迭代学习的肝肿瘤局灶性病变预测方法，属于计算机模型领域，包括：首先对部分医学影像数据中的病灶区域进行人工标注，得到ROI训练数据，并使用这些数据构建基于YOLOv8的自动化病灶检测模型。在ViT分类模型中，裁剪后的图像被划分为固定大小的图像块，并嵌入到高维空间中。随后，利用位置编码为每个图像块添加位置信息，以保留其空间关系。将嵌入序列输入到Transformer模块，并经过全连接层进行分类处理，最终输出预测的类别。本发明引入了动态学习策略，在不同的训练阶段动态调整损失函数中的样本权重，能够减轻模型的累积误差，同时有效地处理不确定样本。
-
公开(公告)号：CN118736461A
公开(公告)日：2024-10-01
申请号：CN202410817051.7
申请日：2024-06-24
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V20/40 , G06V10/82 , G06V10/764 , G06N3/0455 , G06N3/092 , G06N3/096 , G06N3/048 , G06N3/082
Abstract: 本发明公开了一种基于Vision‑Transformer和强化学习的PTFE乳液石蜡分离自动检测方法及装置，该方法包括：从不同视角采集图像并进行预处理，构建训练集和测试集；基于Vision‑Transformer和强化学习构建用于PTFE乳液石蜡分离检测的PatchRLNet模型；使用训练集对PatchRLNet模型进行迭代训练，基于交叉熵损失函数调整模型参数，以获取训练好的PatchRLNet模型；将测试集中的图像输入至训练好的PatchRLNet模型中，得到预测的图像类别。本发明能够自动化且智能化的进行PTFE乳液石蜡分离检测，有效提高了检测的准确性，减轻了工作人员的操作负担。
-
公开(公告)号：CN118657791A
公开(公告)日：2024-09-17
申请号：CN202410967844.7
申请日：2024-07-18
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明涉及一种基于深度学习的疾病图像分割方法，包括：模型编码器的Stem部分对输入图像进行处理，在Stem后串联四个Mixed Layer，四个Mixed Layer依次对图像进行处理，且每个Mixed Layer将处理后的数据输入到下一个Mixed Layer；模型解码器通过五个Decoder Block串联组成，每个Decoder Block通过一个双线性上采样层和两个卷积层组成，前四个Decoder Block在通道维度连接来自跳跃连接的编码器潜层细节特征，并通过最后一个Decoder Block输出最终分割结果。本发明兼顾低计算成本、提取CT数据z轴特征的能力以及优越的分割性能。
-
公开(公告)号：CN118644711A
公开(公告)日：2024-09-13
申请号：CN202410688383.X
申请日：2024-05-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G16H30/00 , G06T7/00 , G06V10/80 , G16H50/20 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种适用于对肝内胆管癌分化程度进行预测的方法，通过引入了一种名为SiameseNet的双分支深度神经网络，采用多实例学习来减轻肿瘤异质性导致的性能下降。本发明所提出的方法通过交叉注意力机制整合来自两种不同模态的图像信息，最终实现高性能的预测网络，曲线下面积和受试者工作特征曲线用于评估模型性能。本发明所提出的网络在测试队列中的准确度为86.0％，曲线下面积为86.2％，敏感性为84.6％，特异性为86.7％。该模型可帮助医生及时评估患者肿瘤分化程度，制定个性化诊疗方案。
-
公开(公告)号：CN118644710A
公开(公告)日：2024-09-13
申请号：CN202410688376.X
申请日：2024-05-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06T7/00 , G06T3/4038 , G06F17/11 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种应用深度学习预测肝内胆管细胞癌分化程度的方法，引入一个将细粒度图像分类方法与课程学习方法相结合的预测肝内胆管癌分化程度的框架，名为FGCNet模型；该模型通过细粒度图像分类方法有效识别CT图像上肝内胆管癌分化程度的细微差异，通过课程学习方法加快训练速度并增强模型泛化能力。本发明提供的模型在测试数据集上的准确度为80.49％，灵敏度为81.25％，特异性为80％，曲线下面积为78.25％；该模型可以无创地评估肝内胆管癌细胞的分化程度，从而成为帮助医生制定肝内胆管癌治疗策略的潜在工具。
-
Patent Agency Ranking
公开(公告)号：CN116798628A
公开(公告)日：2023-09-22
申请号：CN202310794200.8
申请日：2023-06-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16H50/30 , G06T7/00 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了基于深度学习方法的ICC病理分化程度预测方法，涉及计算机技术领域，包括S1获取训练数据集；S2训练数据集导入ResNet‑50网络，训练优化获得病理分化程度预测模型；S3获取待预测患者的待预测数据集；S5病理分化程度预测模型对待预测数据集进行预测分析，得到分析结果；S6根据所有的分析结果输出预测结果；通过对患者的CT图像进行分析，得到最后的预测结果作为预测患者的病理分化程度，区别于传统的组织学活检当时，本方法无需侵入患者身体，避免给患者带来生理上的痛苦，而且本方法可以获取病灶情况的时效性强，以便于指导术前治疗方案的制定，选择最佳的治疗方案，以达到最好的治疗效果；亦可以用于患者的预后，了解治疗的效果。
-
公开(公告)号：CN114972791B
公开(公告)日：2025-04-25
申请号：CN202210626206.X
申请日：2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法及相关装置，涉及图像处理领域。首先，获取原始图像及原始图像的类型标签；将原始图像输入预先构建的图像分类模型，图像分类模型包括特征提取网络和类型预测网络，特征提取网络包括N个依次串联的卷积层；再利用特征提取网络对原始图像进行特征提取，得到第N个所述卷积层输出的第一特征图和第N‑1个卷积层输出的第二特征图；基于第一特征图、类型标签和预设的多个二值掩码，生成第一训练集，基于第二特征图、类型标签和多个二值掩码，生成第二训练集；最后，利用第一训练集和第二训练集对类型预测网络进行训练，得到训练后的图像分类模型，从而减少模型训练过程产生的额外开销。
-
公开(公告)号：CN117278106A
公开(公告)日：2023-12-22
申请号：CN202311293311.7
申请日：2023-10-08
Applicant: 电子科技大学长三角研究院(衢州)
IPC: H04B7/185 , G06N3/092 , G06N3/042 , G06N3/045 , G06N3/047 , G06N3/048 , G06N5/01 , G16Y20/00 , G16Y30/00 , G16Y40/10 , G16Y40/35 , G16Y40/60 , H04L67/12
Abstract: 本发明涉及一种基于深度强化学习的无人机数据按需收集方法，包括Sink模式和Carrier模式；在Sink模式下，具有卫星链接的无人机充当移动接收器，通过深度强化学习规划最优无人机的飞行路径，飞向各种传感器收集数据并上传到卫星网络；在Carrier模式下，无人机作为设备载体携带独立的卫星链路设备，通过深度强化学习规划最优无人机的飞行路径将卫星链路设备投放到传感器上，对传感器上的设备进行采集，并在数据采集完成后回收卫星链路设备。本发明为端设备计算迁移的端到端延迟提供了统计性保证，同时使用尽可能少的资源；提出一种Carrier模式，用于无人机高效共享卫星链路，在长时间感知方面表现出优异的性能。
-
公开(公告)号：CN116091860A
公开(公告)日：2023-05-09
申请号：CN202211492454.6
申请日：2022-11-25
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/774 , G06V10/20 , G06V10/764 , G06V10/82 , G06T7/11 , G06T3/40
Abstract: 本发明涉及一种丰富数据模式的数据增强方法，包括：将每个样本图像框选一个与样本图像大小一样的图像框，将样本图像朝图像框某一个方向移动，且移动的距离小于移动方向上样本图像的长度；将移出图像框外的图像信息作为填充部分重新填充会完成图像移动步骤后图像框中的空白区域，与图像框内的图像信息构成跟原始样本图像大小相同的新样本图像，实现样本数据的增强。本发明通过简单有效地操作，产生新的训练样本，可以在已有的数据增强方法上无缝叠加，能在已有的数据增强方法产生的样本基础上，生成更多的新的训练样本，而更多的训练样本意味着训练数据集具有更为丰富的数据模式，从而提高网络模型的性能，以及网络模型的鲁棒性和泛化性。
-
公开(公告)号：CN114972791A
公开(公告)日：2022-08-30
申请号：CN202210626206.X
申请日：2022-06-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明的实施例提供了一种图像分类模型训练方法、图像分类方法及相关装置，涉及图像处理领域。首先，获取原始图像及原始图像的类型标签；将原始图像输入预先构建的图像分类模型，图像分类模型包括特征提取网络和类型预测网络，特征提取网络包括N个依次串联的卷积层；再利用特征提取网络对原始图像进行特征提取，得到第N个所述卷积层输出的第一特征图和第N‑1个卷积层输出的第二特征图；基于第一特征图、类型标签和预设的多个二值掩码，生成第一训练集，基于第二特征图、类型标签和多个二值掩码，生成第二训练集；最后，利用第一训练集和第二训练集对类型预测网络进行训练，得到训练后的图像分类模型，从而减少模型训练过程产生的额外开销。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.04 seconds)
