-
公开(公告)号：CN114627202B
公开(公告)日：2025-05-16
申请号：CN202210212867.8
申请日：2022-03-04
Applicant: 哈尔滨工业大学(深圳)
IPC: G06T11/00 , G06N20/00 , H04L67/1097
Abstract: 本申请提供了一种基于特异性联邦学习的模型训练方法及装置，方法包括：在每一轮通信中，服务器端将全局共享模型发送至每个客户端，每个客户端根据服务器端当前传输的全局共享模型进行局部梯度更新，本地更新完成后，客户端参与服务器端的全局梯度更新，并将更新结果返回至服务器端，服务器端根据客户端返回的更新结果确定下一轮的全局共享模型，并且从第二轮起引入加权对比正则化对客户端的局部梯度更新进行校正；经过多轮通信后，客户端逐渐具有全局共享模型的特征。本申请可以在满足隐私保护机制的同时缓解客户端在训练过程中的域漂移，促进收敛。
-
公开(公告)号：CN113592972B
公开(公告)日：2023-11-14
申请号：CN202110873802.3
申请日：2021-07-30
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本申请提供一种基于多模态聚合的磁共振图像重建方法及装置。方法包括：获取样本图像和图像处理网络；样本图像包括全采样第一样本图像，全采样第二样本图像和欠采样第二样本图像；图像处理网络包括频域处理网络和图像域处理网络；将样本图像输入频域处理网络，依据频域重建结果生成频域损失函数；将频域重建结果输入图像域处理网络，依据图像域重建结果生成图像域损失函数；依据频域损失函数和图像域损失函数对图像处理网络进行训练，生成混合域学习网络；获取全采样第一目标图像和欠采样第二目标图像并输入混合域学习网络，生成无伪影第二目标图像。本申请能够从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像。
-
Patent Agency Ranking
公开(公告)号：CN113592973A
公开(公告)日：2021-11-02
申请号：CN202110873838.1
申请日：2021-07-30
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本申请提供了一种基于多频复数卷积的磁共振图像重建方法及装置。方法包括：获得图像样本和图像处理网络；图像样本包括样本组织的多个不同的欠采样样本图像以及全采样样本图像；图像处理网络包括级联的多个多频复数卷积块以及连接在每个多频复数卷积块后的数据保真项；使用多频复数卷积块和数据保真项对欠采样样本图像进行处理，获得卷积处理结果；依据卷积处理结果和全采样样本图像确定对应于图像处理网络的损失函数；依据损失函数对图像处理网络进行训练，生成多频复数网络；获取目标组织的多个不同的欠采样目标图像；使用多频复数网络对欠采样目标图像进行处理，生成无伪影目标图像。本申请能够从多个欠采样的图像中重建出无混叠伪影的图像。
-
公开(公告)号：CN114049408B
公开(公告)日：2024-07-12
申请号：CN202111348120.7
申请日：2021-11-15
Applicant: 哈尔滨工业大学(深圳)
IPC: G06T11/00 , G06T3/4053 , G06T3/4046 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明的提出了一种用于加速多模态MR成像的深度网络方法以及基于该方法的多模态MR成像方法。所述用于加速多模态MR成像的深度网络方法融合不同模态磁共振图像特征。该方法利用双支路Transformer产生的多尺度patch来表示不同的模态，并将它们进行合并，使之相互补充。本发明通过多模态交叉注意力机制实现基于Transformer的多模态MR成像的特征融合策略，每个分支都将另一个分支的特征作为键和值，然后使用它们进行有效查询，来从另一种模态中获得有用的信息。此外，两个分支的多尺度patch不仅可以捕获不同的结构信息，还可以捕获细微的像素级信息。结果表明，对于图像重建和超分这两个加速MR成像任务，该方法在定性和定量评价两个方面均优于其他多模态MR成像方法。
-
公开(公告)号：CN114627202A
公开(公告)日：2022-06-14
申请号：CN202210212867.8
申请日：2022-03-04
Applicant: 哈尔滨工业大学(深圳)
IPC: G06T11/00 , G06N20/00 , H04L67/1097
Abstract: 本申请提供了一种基于特异性联邦学习的模型训练方法及装置，方法包括：在每一轮通信中，服务器端将全局共享模型发送至每个客户端，每个客户端根据服务器端当前传输的全局共享模型进行局部梯度更新，本地更新完成后，客户端参与服务器端的全局梯度更新，并将更新结果返回至服务器端，服务器端根据客户端返回的更新结果确定下一轮的全局共享模型，并且从第二轮起引入加权对比正则化对客户端的局部梯度更新进行校正；经过多轮通信后，客户端逐渐具有全局共享模型的特征。本申请可以在满足隐私保护机制的同时缓解客户端在训练过程中的域漂移，促进收敛。
-
公开(公告)号：CN114049408A
公开(公告)日：2022-02-15
申请号：CN202111348120.7
申请日：2021-11-15
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明提供了一种本发明的提出了一种用于加速多模态MR成像的深度网络模型以及基于该模型的多模态MR成像方法。所述用于加速多模态MR成像的深度网络模型融合不同模态磁共振图像特征。该模型利用双支路Transformer产生的多尺度patch来表示不同的模态，并将它们进行合并，使之相互补充。本发明通过多模态交叉注意力机制实现基于Transformer的多模态MR成像的特征融合策略，每个分支都将另一个分支的特征作为键和值，然后使用它们进行有效查询，来从另一种模态中获得有用的信息。此外，两个分支的多尺度patch不仅可以捕获不同的结构信息，还可以捕获细微的像素级信息。结果表明，对于图像重建和超分这两个加速MR成像任务，该方法在定性和定量评价两个方面均优于其他多模态MR成像方法。
-
公开(公告)号：CN113592972A
公开(公告)日：2021-11-02
申请号：CN202110873802.3
申请日：2021-07-30
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本申请提供一种基于多模态聚合的磁共振图像重建方法及装置。方法包括：获取样本图像和图像处理网络；样本图像包括全采样第一样本图像，全采样第二样本图像和欠采样第二样本图像；图像处理网络包括频域处理网络和图像域处理网络；将样本图像输入频域处理网络，依据频域重建结果生成频域损失函数；将频域重建结果输入图像域处理网络，依据图像域重建结果生成图像域损失函数；依据频域损失函数和图像域损失函数对图像处理网络进行训练，生成混合域学习网络；获取全采样第一目标图像和欠采样第二目标图像并输入混合域学习网络，生成无伪影第二目标图像。本申请能够从全采样的辅助模态图像和欠采样的目标模态图像中重建出无混叠伪影的目标模态图像。
-
-
-
-
-
-
Search Results
7
records
(took 0.024 seconds)
