公开(公告)号：CN116843697A

公开(公告)日：2023-10-03

申请号：CN202310639973.9

申请日：2023-05-31

Applicant: 广东工业大学

Inventor： 曾安 ,  何诗婷 ,  潘丹 ,  姬玉柱 ,  杨宝瑶 ,  赵靖亮

IPC: G06T7/10 ,  G06T7/00 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08 ,  G06T17/00

Abstract: 本发明提供一种二阶段的3D冠状动脉分割重构方法和系统，方法包括获取冠状动脉的真实标签并利用膨胀算子进行膨胀，获取冠状动脉的膨胀标签；以冠状动脉的膨胀标签作为监督信息，获取3D心血管图像并输入训练好的粗分割模型中进行粗分割，获取冠状动脉的位置特征图并与3D心血管图像进行特征融合；将融合后的3D心血管图像进行分割切片和切片组合，获取若干张2D心血管图像组合切片并输入训练好的精分割模型中进行精分割处理；最后将所有精分割后的2D心血管图像切片进行堆叠，获取重构的3D冠状动脉图像，完成3D冠状动脉的分割和重构；本发明从粗到细进行冠状动脉的二阶段分割和重构，能够有效提高冠状动脉重构的精度。

公开(公告)号：CN116486087A

公开(公告)日：2023-07-25

申请号：CN202310500954.8

申请日：2023-05-05

Applicant: 广东工业大学

Inventor： 杨宝瑶 ,  詹伟德 ,  王健豪

IPC: G06V10/26 ,  G06V10/774 ,  G06V10/94 ,  G06N20/00 ,  G06F21/62

Abstract: 本发明公开了一种基于联邦学习的医学图像分割模型构建方法及系统，方法包括以下步骤：S1，在客户端中设置个性化分割模型和通用性分割模型并初始化；S2，采用本地数据学习个性化编码器的逆网络作为重构器；S3，重构出带有全局信息的本土化重构数据，并利用该数据更新上述两个模型；S4，将各个客户端的通用性编码器和本地分割器上传服务器，在服务器中聚合得到全局编码器和全局分割器；S5，服务器广播全局编码器和全局分割器到各个客户端，并将全局编码器和全局分割器的参数赋值给通用性编码器以及本地分割器；S6，重复步骤S2到S5，直到上述两个模型性能稳定。本发明方法在获得与个性化联邦学习方法相当的个性化性能的同时，大大提升了泛化性能。

公开(公告)号：CN114792372B

公开(公告)日：2022-11-04

申请号：CN202210709918.8

申请日：2022-06-22

Applicant: 广东工业大学

Inventor： 潘丹 ,  罗琳 ,  曾安 ,  廖清青 ,  杨宝瑶 ,  张逸群

IPC: G06V10/26 ,  G06V10/30 ,  G06V10/80 ,  G06V10/776 ,  G06V10/82 ,  G06K9/62 ,  G06T17/00 ,  G06N3/04

Abstract: 本发明提出了一种基于多头两级注意力的三维点云语义分割方法及系统，包括：获取植株2D序列图像并进行三维重建，获得植株的3D点云；对植株的3D点云数据进行预处理和手工标注；此外，考虑到植物结构形态的复杂性，基于注意力机制构建了一个多头两级注意力语义分割网络，用于分层地获取点云的几何特征并直接从完整标注的点云数据中预测每点的语义标签，最终得到植株器官的分割结果。本发明提出的一种基于多头两级注意力的三维点云语义分割方法及系统，通过构建语义分割网络，从而在农业领域提出了一种基于数据驱动的端到端，直接处理无序3D点云的深度学习模型，能自动高效地对植物三维点云进行器官级分割。

公开(公告)号：CN115063419A

公开(公告)日：2022-09-16

申请号：CN202210978102.5

申请日：2022-08-16

Applicant: 广东工业大学

Inventor： 潘丹 ,  曾安 ,  杨宝瑶

IPC: G06T7/00 ,  G06V10/82 ,  G06V10/764 ,  G06V10/774 ,  G06N3/04 ,  G06N3/08 ,  G06N20/20 ,  A61B5/055

Abstract: 本发明针对现有技术的局限性，提出了一种基于可解释集成3DCNN（三维卷积神经网络）的神经影像学生物标志物的提取方法。本发明从集成三维卷积神经网络模型获得的预测结果，衍生出一个新的神经影像学生物标志物P‑score。该方案可以帮助科研人员进行对阿尔茨海默病进展过程中结构性磁共振成像(sMRI)的纵向轨迹变化的研究，分析该纵向轨迹变化与阿尔茨海默病受试者神经退行性变化的联系，提取到的神经影像学生物标志物能够为预测阿尔茨海默病患者的神经退行性变化中脑部区域的介入顺序和即将出现的临床症状提供依据。

公开(公告)号：CN119991687A

公开(公告)日：2025-05-13

申请号：CN202510117218.3

申请日：2025-01-24

Applicant: 广东工业大学

Inventor： 曾安 ,  程贤航 ,  潘丹 ,  杨宝瑶

IPC: G06T7/10 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06T7/00 ,  G06V10/80 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明涉及图像分割技术领域，公开了一种三维多尺度图像分割模型和基于其的图像分割方法、应用、系统，其中所述模型包括Swin Transformer编码器、大核三维卷积编码器、2个基于空间转换器的解码器；所述的Swin Transformer编码器、大核三维卷积编码器分别与2个基于空间转换器的解码器对应连接；Swin Transformer编码器的编码层与大核三维卷积编码器的编码层一一对应连接；Swin Transformer编码器对应的解码器的输出与大核三维卷积编码器的输入连接；所述的基于空间转换器的解码器的每个解码层均设有1个空间转换器块。本发明解决了现有技术不适用于对个体差异性大的三维图像的分割的问题，且具有适用于大规模和前景‑背景比例不平衡的图像的特点。

公开(公告)号：CN119336923A

公开(公告)日：2025-01-21

申请号：CN202411271756.X

申请日：2024-09-11

Applicant: 广东工业大学

Inventor： 杨宝瑶 ,  陈俊祥 ,  黄彦浩 ,  姚文彬

IPC: G06F16/43 ,  G06F16/45 ,  G06F16/483 ,  G06F18/25 ,  G06F18/2431 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0895 ,  G06N3/084

Abstract: 本发明公开了一种基于多模态大模型的视频‑文本检索方法。包括以下步骤：获取原始文本‑原始视频对数据集；利用预设方法为原始视频生成补充文本和增强视频；计算原始文本和补充文本的融合文本特征，并利用交叉注意力编码分别提取原始视频与增强视频的视频全局特征；利用文本特征和视频全局特征，计算对比学习约束；利用对比学习约束促进模型实现信息对齐；利用训练好的模型生成待检索视频的特征信息并将其保存，检索时通过计算输入视频或文本的特征与已保存特征信息之间的相似度，从而获得检索结果。本发明通过基于多模态大模型的数据增强以及四元组视频‑文本对比学习，使视频和文本得到了充分的对齐，获得了视频‑文本检索的高召回精度。

公开(公告)号：CN118587499A

公开(公告)日：2024-09-03

申请号：CN202410739087.8

申请日：2024-06-07

Applicant: 广东工业大学

Inventor： 曾安 ,  谢建萍 ,  潘丹 ,  杨宝瑶 ,  吴菊华 ,  陈文戈

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/74 ,  G06V10/80 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/045

Abstract: 本发明提供一种基于融合超图和超图神经网络的阿尔茨海默症分类方法，包括：对由fMRI影像构成的数据集进行预处理；根据每张fMRI影像的时间序列，采用滑动窗口的方式，对预处理后的每张fMRI影像构造时间上连续的若干张初始超图；对每张fMRI影像的初始超图进行融合，获取融合超图；对预处理后的每张fMRI影像及其对应的融合超图添加随机均匀噪声，整合为训练元数据；利用训练元数据训练阿尔茨海默症分类模型；利用训练好的阿尔茨海默症分类模型进行分类；本发明构造的融合超图能够更好地记录多个脑区之间的非线性多元相关关系，具有更多的局部特性和细节，结合超图神经网络模型，能够有效提高阿尔茨海默症分类的精准度。

公开(公告)号：CN117875454A

公开(公告)日：2024-04-12

申请号：CN202410159303.1

申请日：2024-02-04

Applicant: 广东工业大学

Inventor： 詹伟德 ,  杨宝瑶 ,  方志祥 ,  李东哲 ,  胡子逸 ,  吴恺盈

IPC: G06N20/00 ,  G06F18/214 ,  G06F18/23213

Abstract: 本发明提供一种基于多级智联的数据异构性联邦学习方法及存储介质，该方法的核心步骤包括动态聚类和级联优化过程，一方面，各客户端根据模型最新的梯度更新信息实时动态聚类，通过簇内模型整合减少在整合过程中模型性能过度波动；各客户端将模型最新的梯度更新信息传递给服务器后，服务器根据梯度更新信息进行实时动态聚类划分，实现逻辑分组，可有效避免因客户端模型更新而导致聚类效果不佳的问题；另一方面，结合动态聚类划分的结果，使客户端进行组内串行训练、组间并行训练，最后通过分组的代理客户端将模型上传至服务器进行全局聚合；该级联优化方式能够实现在数据异构情形下模型精度和训练时间的权衡。

公开(公告)号：CN116958157A

公开(公告)日：2023-10-27

申请号：CN202310778789.2

申请日：2023-06-28

Applicant: 广东工业大学

Inventor： 曾安 ,  林先扬 ,  赵靖亮 ,  潘丹 ,  杨宝瑶 ,  赵屾

IPC: G06T7/10 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/09 ,  G06N3/092

Abstract: 本发明提供一种基于深度强化学习的主动脉夹层分割方法和系统，方法包括获取主动脉夹层切片数据，并利用特征提取网络中进行特征提取；将每个主动脉夹层切片数据与其对应的主动脉夹层切片特征拼接，获得多维图像数据集；利用深度强化学习智能体和多维图像数据集构建主动脉夹层定位任务；设置视野窗口的扩张策略、定位窗口的动作和奖励函数，利用DQN算法训练主动脉夹层定位任务；最后利用最优的深度强化学习智能体对待分割的主动脉夹层切片数据进行主动脉夹层定位，根据定位结果对主动脉夹层进行分割；本发明能够减少切片的冗余信息占比，有效提高分割结果的精度，同时提高定位窗口的准确性和稳定性。

公开(公告)号：CN117671269B

公开(公告)日：2025-02-11

申请号：CN202311792631.7

申请日：2023-12-22

Applicant: 广东工业大学

Inventor： 杨宝瑶 ,  郑晓琦

IPC: G06V10/26 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06T7/00

Abstract: 本发明公开了一种噪声标注的血管图像分割方法，所述方法包括：获取视网膜血管数据集；将视网膜血管数据集中的噪声标签和对应的血管图像输入到预训练的噪声标签补全单元中，通过特征提取操作及特征融合进行标签补全处理，得到补全标签；将所述补全标签和对应的血管图像输入到双流特征提取网络进行特征提取操作及特征融合，得到最终的图像分割结果。本发明实现了精度较高的视网膜血管图像分割。