一种基于虚拟条件生成对抗网络的图像生成方法及系统

    公开(公告)号:CN110310344A

    公开(公告)日:2019-10-08

    申请号:CN201910425497.4

    申请日:2019-05-21

    Abstract: 本发明提供一种基于虚拟条件生成对抗网络的图像生成方法及系统,该方法包括:构造虚拟条件生成对抗网络模型中的生成器;构造虚拟条件生成对抗网络模型中的判别器;构造虚拟条件生成对抗网络模型中的损失函数;对构造完成的虚拟条件生成对抗网络进行训练和测试。通过模数转换函数实现模拟噪声到数字噪声的跳变,然后利用放大偏移独热码指导解码器生成相应条件(类别)的图像样本,并在多个数据集上训练了不同网络配置的虚拟条件对抗生成网络模型,和基线模型的生成分布质量进行对比,展示了模型性能的提升和模型对超参数选择的鲁棒性。

    一种基于生成式对抗网络的虚拟样本生成方法

    公开(公告)号:CN110298450A

    公开(公告)日:2019-10-01

    申请号:CN201910424679.X

    申请日:2019-05-21

    Abstract: 本发明提供一种基于生成式对抗网络的虚拟样本生成方法,包括:基于WGAN-GP改进模型对生成器的输入样本进行SVM分类预训练;根据所述SVM分类得到决策面的位置,并模拟生成位于所述决策面附近的少数类样本;根据生成样本与所述决策面的几何距离,设置生成样本的位置约束,以控制样本生成范围;根据所述位置约束建立PCGAN模型,并进行基于所述PCGAN模型的少数类样本扩充;通过所述PCGAN模型在SVM决策面附近生成符合原始分布的生成样本。本发明能提高生成式对抗网络的稳定性和实用性。

    一种基于医疗风险的医学图像分割控制方法

    公开(公告)号:CN113763394B

    公开(公告)日:2024-03-29

    申请号:CN202110973635.X

    申请日:2021-08-24

    Applicant: 同济大学

    Abstract: 本发明涉及一种基于医疗风险的医学图像分割控制方法,具体包括以下步骤:S1、获取待分割的医学图像集,对医学图像集中的目标区域进行标注;S2、对医学图像集中的原始数据进行预处理;S3、按照预设比例将医学图像集划分为训练集和测试集;S4、生成医学图像分割模型,将训练集输入医学图像分割模型,对医学图像分割模型进行训练;S5、将测试集输入训练好的图像分割模型,得到目标区域的分割图像。与现有技术相比,本发明具有使得模型始终受到医疗风险的约束、提高医学图像分割结果的准确性、实现既准确又安全的分割等优点。

    基于弱监督学习的医学图像分割方法及其模型的训练方法

    公开(公告)号:CN114445423A

    公开(公告)日:2022-05-06

    申请号:CN202210041649.2

    申请日:2022-01-14

    Abstract: 本发明提供基于弱监督学习的医学图像分割方法及其模型的训练方法。其中,训练方法包括:获取若干待分割的医学图像,并对其中的病灶区域进行标注;对各所述待分割的医学图像进行预处理,并按照预设比例将所述预处理后的图像数据划分为训练集和测试集;利用所述训练集来训练一弱监督种子线索提取模型,并利用所述训练集和所述弱监督种子线索提取模型生成的伪标签训练一弱监督图像分割模型;在训练结束后,利用所述测试集对所述训练的弱监督图像分割模型进行测试。本发明训练得到的模型能按照病灶风险程度对医学图像进行相应程度的分割,从而满足实际医学分割场景的需求。

    一种基于医疗风险的医学图像分割控制方法

    公开(公告)号:CN113763394A

    公开(公告)日:2021-12-07

    申请号:CN202110973635.X

    申请日:2021-08-24

    Applicant: 同济大学

    Abstract: 本发明涉及一种基于医疗风险的医学图像分割控制方法,具体包括以下步骤:S1、获取待分割的医学图像集,对医学图像集中的目标区域进行标注;S2、对医学图像集中的原始数据进行预处理;S3、按照预设比例将医学图像集划分为训练集和测试集;S4、生成医学图像分割模型,将训练集输入医学图像分割模型,对医学图像分割模型进行训练;S5、将测试集输入训练好的图像分割模型,得到目标区域的分割图像。与现有技术相比,本发明具有使得模型始终受到医疗风险的约束、提高医学图像分割结果的准确性、实现既准确又安全的分割等优点。

    一种基于泌尿系统的多器官三维重建控制方法

    公开(公告)号:CN113160417A

    公开(公告)日:2021-07-23

    申请号:CN202110392993.1

    申请日:2021-04-13

    Applicant: 同济大学

    Inventor: 徐振豪 何良华

    Abstract: 本发明涉及一种基于泌尿系统的多器官三维重建控制方法,具体包括以下步骤:S1、获取泌尿系统医学影像,经分割处理后得到标注数据文件;S2、根据标注数据文件,通过基于深度优先遍历和轮廓线插值的面绘制算法,生成泌尿系统医学影像的三角面片网格模型;S3、通过基于距离加权和线性插值的拉普拉斯网格平滑算法,对三角面片网格模型进行多次迭代优化;S4、根据优化后的三角面片网格模型,通过纹理映射算法渲染出泌尿系统医学影像的三维重建模型。与现有技术相比,本发明具有有效解决泌尿系统中精囊和肿瘤器官不规则形状及多区域而无法插值的问题、更好地消除三维重建模型表面的鳞状效应等优点。

    基于正则化的解决对抗残差变换网络梯度消失问题的方法

    公开(公告)号:CN111191793A

    公开(公告)日:2020-05-22

    申请号:CN201911312025.4

    申请日:2019-12-18

    Applicant: 同济大学

    Inventor: 何良华 蔡冠羽

    Abstract: 本发明涉及一种基于对抗残差变换网络的无监督领域自适应方法,包括以下步骤:步骤S1:特征提取器提取源域的源数据和目标域的目标数据的特征分布;步骤S2:转换网络将源数据的特征分布映射到目标域,生成伪造目标数据;步骤S3:伪造目标数据通过训练建立标签分类器,通过标签分类器预测目标数据的标签值;步骤S4:域分类器对比伪造目标数据与目标数据,将结果反馈给特征提取器,特征提取器根据结果对提取过程进行改进,转换网络优化源数据到目标域的映射;步骤S5:循环执行步骤S1-S4,直至对抗残差变换网络模型的损失函数的值收敛,损失函数中设有正则化项。与现有技术相比,本发明具有减少梯度消失对模型参数优化的影响、提高模型的稳定性等优点。

    一种基于卷积神经网络的脑纹识别方法

    公开(公告)号:CN110543831A

    公开(公告)日:2019-12-06

    申请号:CN201910745377.2

    申请日:2019-08-13

    Applicant: 同济大学

    Inventor: 何良华 任强

    Abstract: 本发明涉及一种基于卷积神经网络的脑纹识别方法,包括:S1、采集原始时序脑电数据,并得到去除伪迹的原始频域脑电数据;S2、将去除伪迹的原始频域脑电数据划分为第一数据集和第二数据集,通过第一数据集对卷积神经网络进行训练和测试,以得到训练好的卷积神经网络;S3、对第一数据集和第二数据集分别进行特征提取,并将提取的所有特征集合存储为特征集;S4、从第二数据集中提取第一特征,比较第一特征与存储的特征集内各特征之间的欧式距离,以得到脑纹识别结果。与现有技术相比,本发明通过训练卷积神经网络,以提取个体的脑电编码向量,只需比较个体与样本之间的欧式距离,即可实现对个体的脑纹识别,避免了重新训练模型的问题。

    一种基于静息态脑电数据的性别分类方法

    公开(公告)号:CN110477909A

    公开(公告)日:2019-11-22

    申请号:CN201910701025.7

    申请日:2019-07-31

    Applicant: 同济大学

    Inventor: 何良华 任强

    Abstract: 本发明涉及一种基于静息态脑电数据的性别分类方法,包括以下步骤:S1、采集各性别对应的原始静息态脑电数据;S2、对原始静息态脑电数据进行预处理,得到去除伪迹的静息态脑电数据;S3、重新组合去伪迹的静息态脑电数据;S4、构建卷积神经网络,并将去除伪迹的重组静息态脑电数据输入给卷积神经网络,对卷积神经网络进行训练和测试,得到训练好的卷积神经网络;S5、由训练好的卷积神经网络对实际静息态脑电数据进行分类。与现有技术相比,本发明将静息态脑电数据进行去伪迹和重组,基于大脑功能性连接的特征,通过卷积神经网络进行特征提取及分析,不仅降低了脑电数据预处理的复杂性,也解决了针对脑电数据无法选择合适模型的问题。

Patent Agency Ranking