-
公开(公告)号：CN116704305A
公开(公告)日：2023-09-05
申请号：CN202310733977.3
申请日：2023-06-20
Applicant: 华中科技大学同济医学院附属协和医院
IPC: G06V10/80 , G06V10/764 , G06V10/774 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/09
Abstract: 本发明提供了一种基于深度学习算法的超声心动图多模态多切面分类方法，包括：采集成人超声心动图视频及图像，对其进行预处理，对预处理后的成人超声心动图视频及图像进行标注，生成成人超声心动图数据集，将成人超声心动图数据集划分为训练集、验证集及测试集。基于ResNet网络构建成人超声心动图切面分类模型，并通过训练集对其进行训练，通过验证集筛选最佳分类模型，基于测试集，对最佳成人超声心动图切面分类模型进行性能评估，将待测图像或视频输入成人超声心动图切面分类模型中，得到分类结果。本发明提供的基于深度学习算法的超声心动图多模态多切面分类方法，能够实现超声心动图多模态多切面的自动分类，分类精度高，省时省力。
-
公开(公告)号：CN119649101A
公开(公告)日：2025-03-18
申请号：CN202411691669.X
申请日：2024-11-22
Applicant: 华中科技大学同济医学院附属协和医院
IPC: G06V10/764 , G06V10/774 , G06V10/44 , G06V10/82 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种医学图像识别模型的训练方法及系统，具体涉及图像处理技术领域，包括以下步骤：特征提取器训练：获取训练集样本图像，并将训练样本图像输入网络模型中；经过网络模型前向传播，计算输出层输出与目标标签之间的误差；判断网络模型是否收敛，若网络模型收敛，则得到特征提取器训练后的网络模型；分类器训练：将训练图像输入特征提取训练完成后的特征提取器中。本发明采用的分类器从概率密度函数出发，利用训练样本直接计算出因变量对自变量的回归值，无需进行迭代操作，耗时较短，且计算效率上较为理想，分类模型的分类处理能力得到保证，切模型训练过程的收敛速度较快，提升识别模型的识别精度，实时性和准确性更加。
-
公开(公告)号：CN119323560B
公开(公告)日：2025-03-07
申请号：CN202411835108.2
申请日：2024-12-13
Applicant: 华中科技大学同济医学院附属协和医院
IPC: G06T7/00 , G06V10/80 , G06T7/13 , G06V10/25 , G06V10/766 , G06V10/82 , G06V10/764
Abstract: 本发明属于医学影像技术领域，提供了一种基于图像和文本特征融合的超声心动图图像质量评估方法，包括：利用目标检测模型进行特征提取和分类、利用视觉‑语言特征对齐模块对图像特征与文本特征进行对齐以及利用大语言模型进行句式模板选定、线性投影、合并。本发明通过图像与文本特征的跨域迁移，生成了准确且全面的超声心动图图像质量评估报告，提升了评估结果的可解释性和细粒度；通过引入目标检测模型，使系统能够识别并理解医学图像中不同解剖结构的位置关系，为后续质量评估提供了丰富的医学领域先验知识，实现了从自然图像到超声心动图的有效跨域迁移；通过引入句式模板保证了质控文本的一致性。
-
公开(公告)号：CN119323560A
公开(公告)日：2025-01-17
申请号：CN202411835108.2
申请日：2024-12-13
Applicant: 华中科技大学同济医学院附属协和医院
IPC: G06T7/00 , G06V10/80 , G06T7/13 , G06V10/25 , G06V10/766 , G06V10/82 , G06V10/764
Abstract: 本发明属于医学影像技术领域，提供了一种基于图像和文本特征融合的超声心动图图像质量评估方法，包括：利用目标检测模型进行特征提取和分类、利用视觉‑语言特征对齐模块对图像特征与文本特征进行对齐以及利用大语言模型进行句式模板选定、线性投影、合并。本发明通过图像与文本特征的跨域迁移，生成了准确且全面的超声心动图图像质量评估报告，提升了评估结果的可解释性和细粒度；通过引入目标检测模型，使系统能够识别并理解医学图像中不同解剖结构的位置关系，为后续质量评估提供了丰富的医学领域先验知识，实现了从自然图像到超声心动图的有效跨域迁移；通过引入句式模板保证了质控文本的一致性。
-
-
-
Search Results
4
records
(took 0.033 seconds)
