-
公开(公告)号：CN113159186A
公开(公告)日：2021-07-23
申请号：CN202110441605.4
申请日：2021-04-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于半监督学习的医学图像自动标注方法。首先将训练集输入到一级分类网络中得到一级通用深度卷积特征，然后根据输出结果对数据进行预分类，并得到预分类的混淆矩阵。接着通过谱聚类得到类别训练子集，输入到将其输入到二级分类网络中，得到二级特殊深度卷积特征；将两者融合得到图像的深度卷积特征。将患者的附加信息通过word2vec编码成多源异构特征，与深度卷积特征进行融合并通过SVM分类器得到最后的输出结果。本发明所述的方法只需使用少量有标注的医学数据即可完成对大量医学数据的自动标注。极大了减少了人工标注所耗费的大量的人力物力。相比于现有的自动标注方法，本方法效率更高，标注结果更加准确。
-
公开(公告)号：CN111123197A
公开(公告)日：2020-05-08
申请号：CN201911332190.6
申请日：2019-12-21
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于TDOA的目标辐射源定位方法。本发明定义相应的非视距传感器向量，根据接收到的时差参量对该非视距传感器向量进行初始化，以此对原时差参量进行更正。选取中间变量，构造目标辐射源TDOA伪线性估计模型，运用加权最小二乘估计，得到目标辐射源的位置估计。运用梯度下降算法迭代修正结果。最后，利用中间变量与目标位置估计坐标的关系，再次运用加权最小二乘估计给出最终的目标位置估计。本发明通过引入合适的中间变量，使得不易直接求解的目标辐射源TDOA量测方程转化为伪线性估计模型同时结合梯度下降算法，降低了对可能存在非视距误差对定位性能的影响。最后进一步优化了位置坐标的最终解。
-
Patent Agency Ranking
公开(公告)号：CN113130066A
公开(公告)日：2021-07-16
申请号：CN202110302081.0
申请日：2021-03-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于人工智能的舌诊图像识别方法。通过图像处理方法从舌体图像中提取出舌体的颜色特征、几何特征(形态特征)和纹理特征(如点刺、瘀斑、齿痕与裂纹)等特征参数。接着根据这些特征参数以及流调数据参数来构建超图，最后使用超图卷积神经网络进行辅助中医舌象识别。本发明首次在舌诊图像识别领域使用超图模型，创新性地结合了舌诊图像以及流调数据两个模态的数据对舌诊图像进行识别，提高了舌诊图像识别的准确率及可信度。
-
公开(公告)号：CN113538346A
公开(公告)日：2021-10-22
申请号：CN202110728340.6
申请日：2021-06-29
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于双型U‑Net模型的医学图像分割方法。本发明实现步骤：步骤1、获取图像数据集，并进行图像增强预处理；步骤2、将预处理后的数据集划分为训练集、验证集和测试集；步骤3、搭建双型U‑Net网络模型，使用预训练的VGG19替换模型的第一个编码器，对原U‑Net网络进行改进，加入ASPP获取网络模型的上下文信息；步骤4、设计损失函数，评估指标；步骤5、将待分割图像输入到网络模型中进行训练，得到分割结果：将训练集、验证集和测试集分别输入到网络模型中，得到输出图像以及对应的评估指标结果。本发明提高了模型的分割准确率，并有效改善了模型泛化能力和鲁棒性。使得分割网络获取高分辨率的特征图，进而带来优异的表现。
-
公开(公告)号：CN113139972A
公开(公告)日：2021-07-20
申请号：CN202110302126.4
申请日：2021-03-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于人工智能的脑卒中MRI图像病灶区域分割方法。在Unet++的基础上增加了注意力机制，使得网络能够把注意力集中到对特定任务有用的显著特征，抑制输入图像中的不相关区域。结合了密集连接、深监督和注意力机制，进一步提高算法精度。本发明方法结合了Unet++中的密集连接和深监督的减小语义差异和权衡速度和精度的优点，又增加了注意力机制，可以抑制不相关背景区域的特征响应，不需要裁剪网络间的ROI；整合了不同层次的特征提升了精度，灵活的网络结构配合深监督，让参数量巨大的深度网络在可接受的精度范围内大幅度的缩减参数量。
-
公开(公告)号：CN113139971A
公开(公告)日：2021-07-20
申请号：CN202110301301.8
申请日：2021-03-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于人工智能的舌象识别方法及系统。首先对获取的原始图像进行处理，得到标注图像；然后通过对标注图像进行舌体分割，得到舌体分割图像；对标注图像进行齿痕分割，得到齿痕分割图像；对舌体分割图像以及齿痕分割图像进行二值化处理，得到舌体二值化图像和齿痕二值化图像；再构建舌象识别网络，使用得到的舌体分割图像，齿痕分割图像，舌体二值化图像和齿痕二值化图像训练舌象识别网络，最后通过训练好的舌象识别网络进行舌象识别。本发明充分利用了深度卷积神经网络优越的图像表现能力；解决了中医舌诊对齿痕舌程度难以区分的问题，克服现有技术在中医舌诊运用领域齿痕特征无法有效识别的问题。
-
公开(公告)号：CN112258475A
公开(公告)日：2021-01-22
申请号：CN202011138306.5
申请日：2020-10-22
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于迁移学习的乳腺癌图像检测系统及方法。本发明系统包括数据获取模块、图像处理模块和图像检测模块；通过数据获取模块获取已标记好的乳腺钼靶X射线影像，通过图像处理模块对X射线影像进行预处理，扩增样本量得到数据集；将Inception‑v3模型中的softmax分类器替换成两个支持向量机作为图像检测模块对处理后的X射线影像进行检测。本发明系统对样本进行预处理，增加样本量，降低深度学习过程中的过拟合问题，提升模型的泛化性能，以RAdam优化器替代随机梯度下降，不需要可调参数预热且能保证收敛速度快的同时，不轻易落入局部最优解。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
