-
公开(公告)号：CN117437152B
公开(公告)日：2024-04-02
申请号：CN202311764922.5
申请日：2023-12-21
Applicant: 之江实验室
Abstract: 本发明涉及一种基于扩散模型的PET迭代重建方法及系统，主要解决现有PET重建系统中噪声干扰大、成像质量低的问题。本发明将扩散模型引入到迭代重建的过程中，在每次迭代重建时，将输入图像和对应的正投图像拼接输入至训练好的扩散模型进行逐步去噪，得到去噪后的输入图像；基于去噪后的输入图像重建获得输出图像；本发明通过利用扩散模型对PET弦图数据进行降噪，降低了原始信号中的噪声干扰，提高了数据质量；通过在原有的迭代重建步骤中引入扩散模型降噪单元来优化重建过程，进一步提高了重建图像的成像质量。与现有技术相比，本发明采用了基于扩散模型的迭代重建方法，能够有效地降低噪声干扰，提高图像成像质量，具有广泛的应用前景。
-
公开(公告)号：CN117011673B
公开(公告)日：2024-03-26
申请号：CN202311284723.4
申请日：2023-10-07
Applicant: 之江实验室
IPC: G06V10/84 , G06V10/30 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于噪声扩散学习的电阻抗层析成像图像重建方法和装置，适用于工业过程成像、地质勘探和医学成像等技术领域。本发明通过获取含有电阻抗层析成像边界测量复电压序列信息的初始反投影图像对，再将初始反投影图像对输入至预先训练好的基于噪声扩散学习的电阻抗层析成像图像重建网络模型，可快速获取低噪、超高分辨率的电阻抗层析重建图像。其中基于噪声扩散学习的EIT图像重建网络模型训练的核心思想为先向电阻抗图像逐步添加概率分布已知的噪声，直至将其转换为正态分布的噪声图像，再在约束条件引导下，利用深度神经网络预测每一个时间节点处上一步添加的噪声来对噪声图像进行逐步去噪和更新估计，直至将其恢复为高精度重构图像。
-
公开(公告)号：CN117194921A
公开(公告)日：2023-12-08
申请号：CN202311154997.1
申请日：2023-09-07
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于流形优化算法的动态脑功能网络学习及展示方法及装置，可以获取一段时间内的血氧信号，并通过滑动窗口的方式对所述血氧信号进行预处理，得到预处理后的信号数据，该预处理后的信号数据包括每个时间窗口下各脑节点的BOLD信号，而后构建目标函数，该目标函数用于表征脑节点之间的信号距离和功能连接权重之间的积以及用于表示相邻时间窗口之间的动态图嵌入在格拉斯曼流形上的距离，最后，根据预处理后的信号数据，以最小化该目标函数为优化目标，确定出动态脑功能连接网络以及动态脑功能连接网络对应的动态图嵌入并展示，从而能够有效地确定出反映大脑真实的功能连接情况的动态脑功能连接网络及动态图嵌入。
-
公开(公告)号：CN117036727A
公开(公告)日：2023-11-10
申请号：CN202311294411.1
申请日：2023-10-09
Applicant: 之江实验室
IPC: G06V10/40 , G06V10/80 , G06V10/764
Abstract: 本发明公开了一种脑网络数据多层嵌入向量特征提取方法及装置，该方法对多层网络的嵌入学习和流形优化得到的多层网络节点信息的层内层间网络一致性嵌入表示F和层内节点嵌入表示Fi，再分别对每一层的层内节点嵌入表示Fi和层内层间网络一致性嵌入表示F进行相干性计算获得每层层内的相干特征，再计算每层层内的相干特征的熵获得相干熵特征，即为脑网络数据的多层嵌入向量特征。本发明通过对复杂的多层网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层网络特征信息，有效的提高多层网络数据信息的利用率，利用较少的数据量实现较高准确率的分析与分类。
-
公开(公告)号：CN117011617A
公开(公告)日：2023-11-07
申请号：CN202311285221.3
申请日：2023-10-07
Applicant: 之江实验室
IPC: G06V10/766 , G06V10/774 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/088 , G06N3/0895
Abstract: 本发明公开一种基于二阶段教师‑学生框架的肺结节检测装置及构建方法，包括构建训练集，构建教师网络，利用强标注数据集和弱标注数据集，预训练教师‑学生框架中的教师网络，获取一个鲁棒的第一训练好的教师网络；再利用强弱标注数据集及在教师网络中得到的伪标签，构建并训练教师‑学生框架中的学生网络，获得肺结节检测装置本发明在混合监督的设置下，采用二阶段教师‑学生框架，仅利用少量的强标注数据，及一定量的弱标注数据，便可以有效地检测出形态、大小和位置不一的肺结节。相比于传统的完全监督学习方法，本发明能够较大地降低数据标注的成本和负担，并取得良好的检测性能。
-
Patent Agency Ranking
公开(公告)号：CN116206164B
公开(公告)日：2023-08-18
申请号：CN202310500515.7
申请日：2023-05-06
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于半监督对比学习的多相期CT分类系统及构建方法，本发明通过有监督的学习，对图像进行特征提取，得到各个相期CT图像的特征向量，并完成分类，用于后续对无标签数据生成伪标签，随后通过半监督对比学习，利用无标签数据扩大训练集，继续加强对各相期图像的特征表达，扩大不同相之间、不同类之间图像特征表达差异，提升分类精度。本发明采用了对比学习机制，分离了不同相期、不同类别图像间的特征表示差异，提升了对图像的特征表达，同时采用半监督学习机制，利用无标签的数据扩大训练数据集，进一步加强了对图像的特征表达，提升了模型的分类精度，对于通过多相期CT图像进行分类的医学诊断非常具有适应性与实用性。
-
公开(公告)号：CN116051849B
公开(公告)日：2023-07-07
申请号：CN202310342278.6
申请日：2023-04-03
Applicant: 之江实验室
IPC: G06V10/40 , G06V10/778
Abstract: 本发明公开了一种脑网络数据特征提取方法及装置，该方法基于嵌入（Embedding）和格拉斯曼流形（Grassmannian Manifold）优化得到多层脑网络节点信息低维表示，通过使用嵌入的方法将多层脑网络节点信息进行低维表示，并将嵌入表示基于格拉斯曼流形进行优化，得到更加有代表性、有意义的低维节点特征信息并可以通过重建低维表示获得低维脑部功能连接网络。本发明通过对复杂的多层脑网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层脑网络节点低维表示信息，有效的提高多层脑网络数据信息的利用率，利用较少的数据量实现较高准确率的疾病诊断、节点检测等脑部研究。
-
公开(公告)号：CN116167431A
公开(公告)日：2023-05-26
申请号：CN202310454434.8
申请日：2023-04-25
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于混合精度模型加速的业务处理方法及装置。首先，获取样本数据以及预先训练的业务模型。其次，将样本数据输入到业务模型中，得到标准结果。而后，对所述业务模型进行模型框架转换，得到待调整模型。然后，依次针对待调整模型的每个网络层，以调整该网络层对应的参数精度后得到的模型针对样本数据所输出的结果与标准结果之间的偏差满足预设条件为约束，对该网络层对应的参数精度进行调整。接着，得到目标模型，并部署。最后，在接收到业务数据后，将业务数据输入到目标模型，得到针对业务数据的输出结果，执行业务处理。本方法可以在保证深度学习模型的输出结果的准确性的情况下，提高深度学习模型的推理效率。
-
公开(公告)号：CN116051849A
公开(公告)日：2023-05-02
申请号：CN202310342278.6
申请日：2023-04-03
Applicant: 之江实验室
IPC: G06V10/40 , G06V10/778
Abstract: 本发明公开了一种脑网络数据特征提取方法及装置，该方法基于嵌入（Embedding）和格拉斯曼流形（Grassmannian Manifold）优化得到多层脑网络节点信息低维表示，通过使用嵌入的方法将多层脑网络节点信息进行低维表示，并将嵌入表示基于格拉斯曼流形进行优化，得到更加有代表性、有意义的低维节点特征信息并可以通过重建低维表示获得低维脑部功能连接网络。本发明通过对复杂的多层脑网络信息进行降维与关键提取，得到更加具有代表性、更加有效的多层脑网络节点低维表示信息，有效的提高多层脑网络数据信息的利用率，利用较少的数据量实现较高准确率的疾病诊断、节点检测等脑部研究。
-
公开(公告)号：CN115761379A
公开(公告)日：2023-03-07
申请号：CN202211578025.0
申请日：2022-12-06
Applicant: 之江实验室
IPC: G06V10/764 , G06N3/08 , G06N3/0464
Abstract: 本申请涉及一种用于病理图像的分类方法、装置、设备和存储介质。方法包括：对待检测的全视野数字病理图像进行处理，得到降采样图像块；构建蒸馏与对抗网络，对蒸馏与对抗网络进行训练，从训练后的蒸馏与对抗网络中提取到分类子网络；将降采样图像块导入分类子网络中进行分类，得到初始分类结果；基于初始分类结果得到对应待检测的全视野数字病理图像的分类结果。采用本方法能够通过将小数据量的降采样图像块输入轻量的分类子网络对相应的病理图像进行快速、高效的分类。
-
-
-
-
-
-
-
-
-
Search Results
92
records
(took 0.026 seconds)
