-
公开(公告)号：CN119067992A
公开(公告)日：2024-12-03
申请号：CN202411174674.3
申请日：2024-08-26
Applicant: 电子科技大学长三角研究院(衢州) , 衢州学院
IPC: G06T7/11 , G06T5/70 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0895
Abstract: 本发明公开了一种应用深度学习在CT切片图像上分割肝脏肿瘤的方法。该方法引入了一个名为MPVT+的神经网络框架，用于在带有噪声标签的数据集上训练肝脏肿瘤的分割模型。通过使用对噪声具有鲁棒性的适配器模型方法，MPVT+模型能够有效地适配并筛选训练数据集中的噪声标签，从而减少噪声对神经网络的干扰。此外，MPVT+模型还通过半监督学习方法增强其泛化能力，使其能够高效地学习复杂的CT切片图像特征。在测试数据集上，该模型的索伦森‑戴斯系数为80.29％，雅卡尔指数为68.68％，对称体积差为19.71％，体积重叠误差为31.32％。该模型可以无创地使用CT图像分割并定位肝脏内的肿瘤，从而成为帮助医生制定各种肝脏肿瘤治疗策略的潜在工具。
-
公开(公告)号：CN118379208B
公开(公告)日：2024-10-29
申请号：CN202410816691.6
申请日：2024-06-24
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于混合损失函数扩散模型的增强CT图像生成方法及装置，该方法包括：采集CT图像数据及其配对的造影剂增强CT图像数据，并采用数据增强方法和面向数据的正则化方法对其进行预处理，以按比例划分为训练集、测试集和验证集；构建用于生成造影剂增强CT图像的扩散模型；使用训练集对扩散模型进行迭代训练，基于混合损失函数调整扩散模型的参数，以获取训练好的扩散模型；将测试集中的CT图像数据输入至训练好的扩散模型中，得到对应的造影剂增强CT图像数据。本发明能够生成清晰可靠的造影剂增强CT图像，能够更好地捕捉数据分布的特征，提高了对不同特征的感知能力，增强了合成图像的质量，提高了模型的泛化性。
-
公开(公告)号：CN117196987A
公开(公告)日：2023-12-08
申请号：CN202311187498.2
申请日：2023-09-14
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T5/00 , G06T7/00 , G06V10/30 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种低剂量CT图像去噪方法，包括以下步骤：S1：建立数据集，设定带有噪声的LDCT图像集合x，和与LDCT图像集合x对应的高质量的NDCT图像集合y；S2：搭建参数为θ的去噪模型 使用模构建 的映射；S3：使用混合损失训练去噪模型 设置学习率和动量参数，采用误差反向传播训练去噪模型 达到迭代最大次数，生成训练好的去噪模型；S4：图像去噪；将测试集中的LDCT图像预处理后，输入至训练好的去噪模型，得到对应的去噪后图像，本申请提出的去噪方法考虑到了图像不同区域的去噪难度，通过添加权重的方式对其进行自适应平衡，并通过高频信息损失促进图像纹理细节的生成，避免去噪后图像变得过度平滑。
-
公开(公告)号：CN117174301A
公开(公告)日：2023-12-05
申请号：CN202310569396.0
申请日：2023-05-19
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了基于深度学习的术中肺恶性肿瘤热消融疗效预测的方法，其特征在于，包括获得热消融CT图像；在热消融CT图像上感兴趣区域及感兴趣区域图像；将持续获得的热消融CT图像批量转换为jpg格式的图像，将感兴趣区域图像与热消融图像相结合，得到高亮感兴趣区域的CT图像，收集多名患者的热消融CT图像和高亮感兴趣区域的CT图像，进行剪裁得到分割图像；将分割图像输入深度残差网络，得到输出特征；对输出特征使用归一化指数函数后，得到分类概率，根据分类概率得到肺癌热消融的预测结果；在测试平台上进行测试，最终得到训练完成的深度残差神经网络模型。将患者的病灶CT图像输入训练完成的深度残差神经网络模型后，得出肺癌热消融预测效果。
-
公开(公告)号：CN117131879A
公开(公告)日：2023-11-28
申请号：CN202310591677.6
申请日：2023-05-24
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F40/35 , G06N3/0455 , G06N3/08 , G06F40/268 , G06V20/70 , G06V10/82
Abstract: 本发明涉及一种基于双重软约束的视觉对话信息识别方法，包括：采用多层Transformer编码器作为基准模型，并以图像区域特征I、提出的问题qt、图片描述C、历史对话Ht和附加的候选答案作为模型的输入；通过掩码语言模型损失、掩码图像区域损失和下句预测损失对模型进行多任务训练；使用POS标签信息并引入POS标签预损失帮助对话中的代词找到对应的名词作为第一个软约束，采用正弦位置编码并引入句子位置向量作为第二个软约束，通过两个软约束增强模型的表达能力；通过最后得到的模型对视觉对话信息进行解析识别。本发明基于双重软约束的视觉对话算法能够有效地解析代词指代的实体，并提升视觉对话模型答案的准确性。
-
Patent Agency Ranking
公开(公告)号：CN116664523A
公开(公告)日：2023-08-29
申请号：CN202310642810.6
申请日：2023-06-01
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06T7/00 , G06T7/11 , G06V10/774 , G06V10/82 , G06V10/764 , G16H50/20
Abstract: 本发明公开了基于深度学习构建肾透明细胞癌分级模型的方法，包括获取肾透明癌细胞患者的CT图像；CT图像进行切割，获得切割图像；对切割图像进行旋转生成操作并标注，基于RegNetY400MF、RegNetY800MF、SE‑ResNet50和ResNet101四类网络模型，以普通交叉熵为损失函数，使用旋转后的切割图像对四类网络模型进行预训练；在普通的交叉熵中加入噪声修正策略作为损失函数，对经过预训练的四类网络模型进行实际训练；实际训练完成后的四类网络模型基于输出概率最大的CT图像对患者的病理进行诊断，获得四类网络模型的表现AUC；以四类网络模型的表现AUC作为其权重，对患者的最终诊断进行加权计算，得到其最终诊断，本申请实现了更有效的模型集成，达到了更好的最终预测准确度。
-
公开(公告)号：CN116489710A
公开(公告)日：2023-07-25
申请号：CN202310453898.7
申请日：2023-04-25
Applicant: 电子科技大学长三角研究院(衢州)
IPC: H04W28/084 , H04L41/16 , H04L41/0894 , H04L67/12 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/092
Abstract: 本发明公开了一种用于移动边缘云计算中资源分配的方法，该方法基于两级串联队列系统，利用强化学习算法深度确定性策略梯度来学习最优的计算资源分配策略，通过使用门控循环单元来捕捉两个处理队列之间的关联关系，同时考虑了移动边缘云计算网络的复杂动态性，且不限制计算任务迁移请求的到达时间满足特定的分布，因此，本发明提出的移动边缘云计算网络资源分配方法，在强化学习训练完成后，能够自动地根据请求的到达和资源变化来分配合理的计算资源以满足端到端延迟的需求，这对于实现在端设备运行复杂的应用程序并节省计算资源至关重要。
-
公开(公告)号：CN114756651A
公开(公告)日：2022-07-15
申请号：CN202210333887.0
申请日：2022-03-30
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F16/33 , G06F16/36 , G06F40/295
Abstract: 本发明涉及一种基于四元数旋转的时序知识图谱表示学习方法，包括：S1、给定一个四元组(h，r，t，τ)，其中，h表示头实体，r表示关系，t表示尾实体，τ表示时间戳，将实体和时间信息进行融合并进行四元数空间中的旋转，完成模型的构建；S2、为了衡量四元组的有效性以及基于向量之间的夹角来衡量向量之间的相似性，设置评分函数对样本进行评分，并设置损失函数、参数正则化和设置时间平滑约束得到目标函数；S3、通过在时序知识图谱上的链接预测性能评估模型性能。本发明将实体随时间的动态演化特性建模为四元数空间中的旋转变换，能有效表达时序知识图谱中的复杂关系模型，通过添加参数正则化项和时序平滑约束项，可以有效提升原本模型的性能。
-
公开(公告)号：CN114625842A
公开(公告)日：2022-06-14
申请号：CN202210304001.X
申请日：2022-03-25
Applicant: 电子科技大学长三角研究院(衢州) , 衢州海易科技有限公司
IPC: G06F16/33 , G06F16/35 , G06F16/36 , G06F40/211 , G06F40/216 , G06F40/242 , G06F40/289 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于结构注意力增强机制的虚假评论识别模型，它包括层次化语义网络和结构注意力增强机制网络；所述层次化语义网络以预训练的词向量为输入层，通过层次化神经网络学习评论文本词‑句‑段的文本表示，词‑句层利用词嵌入特征学习评论文本的句子表示，完成词语级别的建模，句‑段层通过词‑句层的句子向量生成评论文本的整体段落表示，完成语篇级别的建模；所述结构注意力增强机制网络用于学习上下文的连贯性矩阵和对文本结构单元做非前后文关系的自由语序的增强表示。本发明着重对评论文本的词‑句‑段的层次化结构进行了特征提取，并在层次表示中嵌入结构注意力增强机制，以增强弱结构单元的非线性语义表达。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.046 seconds)
