-
公开(公告)号：CN115496955A
公开(公告)日：2022-12-20
申请号：CN202211459133.6
申请日：2022-11-18
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本申请涉及一种图像分类模型训练方法、图像分类方法、设备和介质，通过将有标签样本输入至图像分类模型，得到监督损失；将无标签样本输入至图像分类模型，得到伪标签和半监督损失，无标签样本由无标签数据集进行不同程度的图像增强处理得到；根据无标签样本的伪标签的属性和对应的图像增强处理的程度，筛选相应无标签样本作为图像分类模型中预设分类的正样本、负样本和锚点，将正样本、负样本和锚点输入至损失函数进行计算，得到对比学习损失，负样本携带有不可靠伪标签；根据监督损失、半监督损失和对比学习损失，确定总损失，将总损失输入至图像分类模型进行反向传播以更新图像分类模型的参数，提升了模型的预测精度，加快了模型收敛速度。
-
公开(公告)号：CN115830163A
公开(公告)日：2023-03-21
申请号：CN202211468324.9
申请日：2022-11-22
Applicant: 之江实验室
IPC: G06T11/00 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于深度学习的确定性引导的渐进式医学图像跨模态生成方法和装置，包括：获取对同一部位拍摄的真实CT图像和真实MR图像并构建样本数据，以CycleGAN为基准，通过增加多尺度MR器官区域判别器和/或多尺度MR病灶区域判别器，形成跨模态生成框架；构建损失函数时，增加基于MR器官区域的对抗损失函数和/或基于MR病灶区域的对抗损失函数，形成跨模态生成框架的总损失函数；利用总损失函数对跨模态生成框架进行参数优化，这样采用由单一判别器到多个不同复杂度的判别器的渐进式对抗生成网络，以确定性引导为目的，专注于器官区域和/或病灶区域等目标区域，生成更高质量的图像。
-
Patent Agency Ranking
公开(公告)号：CN116402865A
公开(公告)日：2023-07-07
申请号：CN202310661495.1
申请日：2023-06-06
Applicant: 之江实验室
Abstract: 本发明公开了一种利用扩散模型的多模态影像配准方法、装置和介质，该方法首先获取MR图像和CT图像并进行预处理，以构建数据集；然后构建跨模态的生成网络和可变形配准网络，进一步构建跨模态配准网络模型，并基于数据集对该模型进行训练；再使用数据集通过评估指标对训练好的跨模态配准网络模型的性能进行评估，并根据评估结果进一步调整模型参数，以获取最优跨模态配准网络模型；最后获取最优跨模态配准网络模型中的最优可变形配准网络，将待配准图像输入最优可变形配准网络中以获取配准后的图像。本发明包含了利用扩散思想的无判别器的生成模型，有助于减少生成图像的不一致性和伪影，提高多模态配准的结果，提高生成图像的质量。
-
公开(公告)号：CN116342922A
公开(公告)日：2023-06-27
申请号：CN202211604295.4
申请日：2022-12-13
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/08 , G06T7/00
Abstract: 本发明公开了一种基于多任务模型的智能肝脏影像征象分析及LI‑RADS分类系统，该系统将多期像二维肝脏肿瘤影像输入到多任务卷积神经网络模型中，在主任务中利用该模型自动提取基于LI‑RADS标准的分类任务时所需潜在特征，同时在子任务中提取LI‑RADS标准定义的主要征象分类所需潜在特征，不仅能够实现更高的LI‑RADS分级精度，而且可为医生在临床诊断等实际应用中提供分类依据参考。本发明使用多任务卷积神经网络、基于图像的肿瘤大小自动分析方法，依靠端到端与监督对比学习相结合的方式训练模型，实现可为医生提供判断依据的肝脏肿瘤LI‑RADS分类系统。
-
公开(公告)号：CN115496955B
公开(公告)日：2023-03-24
申请号：CN202211459133.6
申请日：2022-11-18
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本申请涉及一种图像分类模型训练方法、图像分类方法、设备和介质，通过将有标签样本输入至图像分类模型，得到监督损失；将无标签样本输入至图像分类模型，得到伪标签和半监督损失，无标签样本由无标签数据集进行不同程度的图像增强处理得到；根据无标签样本的伪标签的属性和对应的图像增强处理的程度，筛选相应无标签样本作为图像分类模型中预设分类的正样本、负样本和锚点，将正样本、负样本和锚点输入至损失函数进行计算，得到对比学习损失，负样本携带有不可靠伪标签；根据监督损失、半监督损失和对比学习损失，确定总损失，将总损失输入至图像分类模型进行反向传播以更新图像分类模型的参数，提升了模型的预测精度，加快了模型收敛速度。
-
公开(公告)号：CN116402865B
公开(公告)日：2023-09-15
申请号：CN202310661495.1
申请日：2023-06-06
Applicant: 之江实验室
Abstract: 本发明公开了一种利用扩散模型的多模态影像配准方法、装置和介质，该方法首先获取MR图像和CT图像并进行预处理，以构建数据集；然后构建跨模态的生成网络和可变形配准网络，进一步构建跨模态配准网络模型，并基于数据集对该模型进行训练；再使用数据集通过评估指标对训练好的跨模态配准网络模型的性能进行评估，并根据评估结果进一步调整模型参数，以获取最优跨模态配准网络模型；最后获取最优跨模态配准网络模型中的最优可变形配准网络，将待配准图像输入最优可变形配准网络中以获取配准后的图像。本发明包含了利用扩散思想的无判别器的生成模型，有助于减少生成图像的不一致性和伪影，提高多模态配准的结果，提高生成图像的质量。
-
公开(公告)号：CN116580067A
公开(公告)日：2023-08-11
申请号：CN202211600322.0
申请日：2022-12-13
Applicant: 之江实验室
IPC: G06T7/30 , G06N3/0464 , G06N3/08 , G06V10/82 , G06V10/80
Abstract: 本发明公开了一种基于三维轻量化卷积神经网络的医学图像配准方法及装置，该方法将待配准的三维医学图像与目标三维医学图像输入到三维轻量化卷积神经网络中，将原图像拆分成尺寸较小的三维图像后，构建基于跨通道低维卷积核的轻量化特征融合模块并将其作为基本处理单元嵌入到基于三维残差密集连接结构的骨干网络中，让该网络学习输入图像之间的变形场实现三维图像配准。本发明使用高精度的三维残差密集网络与高效率的轻量化特征融合模块，依靠少量参数实现快速准确的三维医学图像配准，可有效降低对于医学图像的数据量的需求和实际测试时所需时间成本。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
