-
公开(公告)号：CN114330516B
公开(公告)日：2025-01-14
申请号：CN202111534376.7
申请日：2021-12-15
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/042 , G06N3/04
Abstract: 本发明公开一种基于多图引导神经网络模型的小样本徽景图像分类方法，基于不同层次(view)多图引导神经网络模型的特征，对不同层次的图像特征信息进行建模，同时引入对于不同样本进行关系建模的图卷积神经网络，通过样本间特征传播拉近同类样本远离不同类样本使得样本特征更具有判别力。本发明可以有效地解决小样本复杂的徽景图像分类问题，其模型架构主要包括四个方面：利用深度网络提取徽景图像不同层次view的特征，基于不同层次view的全局特征表示进行图的构建，分别对不同层次view特征进行图的卷积表示，基于多图引导的特征对查询样本进行分类。
-
公开(公告)号：CN117393100B
公开(公告)日：2024-04-05
申请号：CN202311688317.4
申请日：2023-12-11
Applicant: 安徽大学
Abstract: 本发明提供一种诊断报告的生成方法、模型训练方法、系统、设备及介质。训练方法包括：获取含病变标签和诊断报告的第一类医学影像图片、含病变标签标注的第二类医学影像图片、不含病变标签标注的第三类医学影像图片；根据学生模型生成三类医学影像图片对应的第一预测诊断报告、第二预测诊断报告和第三预测诊断报告；根据教师模型生成第三类医学影像图片的第四预测诊断报告；根据文本分类模型生成第一预测诊断报告和第二预测诊断报告的预测病变标签；基于预测病变标签和病变标签、第二预测诊断报告和诊断报告、第三预测诊断报告的第四预测诊断报告，更新学生模型和教师模型的参数，将训练好的学生模型作为诊断报告生成模型。提高了模型的准确率。
-
公开(公告)号：CN117670853A
公开(公告)日：2024-03-08
申请号：CN202311716918.1
申请日：2023-12-14
Applicant: 安徽大学
IPC: G06T7/00 , G06V20/40 , G06V10/80 , G06V10/44 , G06V10/62 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开一种基于领域知识引导的帧质量评估和融合的乳腺超声视频病变检测方法，设计一种基于领域知识引导的评估模块通过充分利用放射科医生的领域知识来学习一个最佳的超声视频帧评估模型，利用超声图像质量评估模块来识别原始视频帧，通过排序后获得高质量的视频帧，以提供超声视频的全局特征；同时本发明提出多级双分支融合模块，用于超声视频病变检测任务，通过将高质量的全局帧与原始视频帧融合，从而结合原始视频帧的局部纹理信息和高质量视频帧的全局语义信息，以提高模型的检测性能。本发明在现有的乳腺超声视频病变检测数据集上取得了较好的效果。
-
公开(公告)号：CN109934298A
公开(公告)日：2019-06-25
申请号：CN201910209027.4
申请日：2019-03-19
Applicant: 安徽大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于聚类的形变图的渐进式图匹配方法及装置，方法包括：1)、获取待匹配图像的图像特征；2)、将差异值小于预设阈值的相邻两个图像特征进行合并为一个图像特征，得到图像特征簇；3)、根据图像特征簇之间的匹配关系，获取候选匹配的相似性值，并根据相似性值的最大值获取候选匹配的指示向量；4)、判断指示向量对应的相似性值是否收敛；5)、若否，根据各个候选匹配的指示向量，获取指示向量的置信度，得到更新后的匹配矩阵；并返回执行步骤3)，直至指示向量对应的相似性值收敛；6)、若是，将匹配矩阵中的各个图像特征的对应关系作为待匹配图像的匹配结果。应用本发明实施例，可以提高图像特征匹配的效率。
-
公开(公告)号：CN118967559A
公开(公告)日：2024-11-15
申请号：CN202410924354.9
申请日：2024-07-11
Applicant: 安徽大学
IPC: G06T7/00 , G06T7/73 , G06V10/25 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/09
Abstract: 本发明公开一种基于SAM和课程学习的太赫兹图像乳腺肿瘤检测方法，为了从太赫兹乳腺图像中准确定位并识别肿瘤，本发明将视觉基础模型SAM应用于肿瘤检测，构建一个双分支的肿瘤检测网络，其中一个分支利用目标检测模型DETR对太赫兹乳腺图像进行粗粒度的肿瘤检测，生成混合提示，包括边界框和类别，其中类别作为一种文本提示，然后将其输入SAM分支进行细粒度肿瘤检测。此外，本发明采用课程学习的思想，将由易到难的太赫兹乳腺肿瘤图像数据集分批次地送入双分支肿瘤检测网络进行训练，以获得较好的检测效果。
-
Patent Agency Ranking
公开(公告)号：CN117649565B
公开(公告)日：2024-05-28
申请号：CN202410122839.6
申请日：2024-01-30
Applicant: 安徽大学
IPC: G06V10/764 , G06N3/0464 , G06N3/084 , G06T7/00 , G06V10/44 , G06V10/774 , G06V10/82
Abstract: 本申请公开一种模型训练方法、训练装置及医学影像分类方法，通过获取医学影像训练集，所述医学影像训练集包括若干医学影像及其对应的疾病标签信息和临床信息；将所述医学影像数据集划分为若干数据块，并基于每个所述数据块中医学影像对应的疾病标签信息和/或临床信息构建每个所述数据块的图像级关系矩阵；采用分批方式依次将所述数据块及对应的图像级关系矩阵输入到预训练影像分类模型进行模型训练，以获取训练好的医学影像分类模型。通过在模型训练阶段，引入图像级关系矩阵，优化视觉特征嵌入，帮助分类模型理解图像，提高医学影像分类模型的分类性能。
-
公开(公告)号：CN118071804A
公开(公告)日：2024-05-24
申请号：CN202410194034.2
申请日：2024-02-21
Applicant: 安徽大学
Abstract: 一种基于混合变形的多模态遥感图像配准方法及存储介质，属于计算机视觉技术领域，解决复杂变形场景下的多模态图像配准问题，获取待配准的不同模态的遥感图像对，利用掩码学习的特征提取器获得图像特征，将图像特征送入刚性配准模型，获取变换参数和粗配准结果，将粗配准结果和目标图像再次经过特征提取器处理，将图像特征送入非刚性配准模型获取变换参数，对原始待配准图像进行处理获得配准结果，计算变换参数误差和重投影误差，根据误差更新模型参数，使用联合配准网络对图像进行处理得到配准的结果，计算图像的角点误差损失；本发明将刚性配准和非刚性配准方法结合在一起对遥感图像进行配准，采用双向配准策略来增加模型的鲁棒性和准确性。
-
公开(公告)号：CN117649565A
公开(公告)日：2024-03-05
申请号：CN202410122839.6
申请日：2024-01-30
Applicant: 安徽大学
IPC: G06V10/764 , G06N3/0464 , G06N3/084 , G06T7/00 , G06V10/44 , G06V10/774 , G06V10/82
Abstract: 本申请公开一种模型训练方法、训练装置及医学影像分类方法，通过获取医学影像训练集，所述医学影像训练集包括若干医学影像及其对应的疾病标签信息和临床信息；将所述医学影像数据集划分为若干数据块，并基于每个所述数据块中医学影像对应的疾病标签信息和/或临床信息构建每个所述数据块的图像级关系矩阵；采用分批方式依次将所述数据块及对应的图像级关系矩阵输入到预训练影像分类模型进行模型训练，以获取训练好的医学影像分类模型。通过在模型训练阶段，引入图像级关系矩阵，优化视觉特征嵌入，帮助分类模型理解图像，提高医学影像分类模型的分类性能。
-
公开(公告)号：CN117496280A
公开(公告)日：2024-02-02
申请号：CN202410004772.6
申请日：2024-01-03
Applicant: 安徽大学 , 安徽中医药大学第一附属医院
IPC: G06V10/764 , G06N3/045 , G06N3/0464 , G06V10/44 , G06V10/82
Abstract: 本发明涉及提供一种基于3D卷积和多标签解码的颅脑CT影像质量控制方法。方法包括：获取待评价的颅脑CT序列图像；将待评价的颅脑CT序列图像输入至训练好的图像质量评价模型的3D卷积网络，提取待评价的颅脑CT序列图像的时空特征；将时空特征输入至图像质量评价模型基于Transformer的多标签解码器，获取查询特征；将查询特征输入至图像质量评价模型的线性分类器，预测待评价的颅脑CT序列图像存在的质量问题。本发明解决了模型效率低、数据不平衡的多标签分类问题，为颅脑CT图像的质量控制提供了新方向。
-
公开(公告)号：CN117114077A
公开(公告)日：2023-11-24
申请号：CN202311144419.X
申请日：2023-09-06
Applicant: 安徽大学
IPC: G06N3/0895 , G06N3/042 , G06N3/082 , G06N3/047
Abstract: 本发明公开一种基于全局图瓶颈表示的图自监督学习方法，通过对图数据进行增强，获得若干个与原始数据不同的图节点特征表示，在图数据增强过程中引入共享可学习cls信息瓶颈节点，cls信息瓶颈节点与图中每个节点均相连，由此来学习全局瓶颈信息，并将学习到的全局瓶颈信息回传到每一个节点；通过多层感知器分类器对每个图中的节点特征学习进行分类，输出多个增强图节点分类的结果；计算cls与节点之间的一致性正则化和监督损失；最后通过多次迭代训练获得最后的节点分类结果。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.022 seconds)
