-
公开(公告)号:CN119477941A
公开(公告)日:2025-02-18
申请号:CN202411573718.X
申请日:2024-11-06
Applicant: 杭州电子科技大学
IPC: G06T7/11 , G06N3/045 , G06N3/0442 , G06T7/00
Abstract: 本发明公开了一种基于XLSTM‑HVED神经网络的脑部神经胶质瘤缺失模态分割方法,包括如下步骤:步骤1、获取神经胶质瘤数据集,并将数据集划分为训练集和测试集;步骤2、构建用于神经胶质瘤分割的XLSTM‑HVED神经网络模型,所述XLSTM‑HVED神经网络模型包括SAVE编码器、Vision XLSTM注意力模块、分割解码器、重建解码器和DuSFE模块;步骤3、使用训练集对XLSTM‑HVED神经网络模型进行训练,结合神经胶质瘤图像特点,对XLSTM‑HVED神经网络模型参数调优;步骤4、使用测试集测试评估得到的XLSTM‑HVED网络模型,最终实现脑部神经胶质瘤缺失模态分割。
-
公开(公告)号:CN119152057A
公开(公告)日:2024-12-17
申请号:CN202411126455.8
申请日:2024-08-16
Applicant: 杭州电子科技大学
IPC: G06T11/00 , G06T5/50 , G06T5/70 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明涉及一种基于TC‑KANRecon模型的加速高质量MRI图像重建方法,包括S1、收集图像数据并预处理;S2、搭建基于TC‑KANRecon模型的加速高质量MRI图像重建模型;S3、设计裁剪阈值线性减小的噪声裁剪策略。在采样过程的每一步中,根据采样步骤的当前进度采用线性递减裁剪策略。该策略应用于MF‑UKAN扩散主干产生的噪声估计,以产生具有更好视觉效果的MRI图像;S4、将预处理后的MRI图像和全采样k空间数据作为输入对扩散模型和VAE模块进行反复训练,优化网络参数,不断进行迭代优化;S5、使用欠采样的k空间数据输入至完成训练的基于TC‑KANRecon模型的加速高质量MRI图像重建模型中,并应用配套的裁剪阈值线性减小的噪声裁剪策略最终生成高质量的MRI图像。
-
公开(公告)号:CN119128643A
公开(公告)日:2024-12-13
申请号:CN202411232840.0
申请日:2024-09-04
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06F18/25
Abstract: 本发明公开了一种基于MSTNet神经网络的奥茨海默多模态分类方法,包括如下步骤:步骤1、获取奥茨海默ADMC多维数据集,所述多维数据集包括统一数据来源的脑电图、核磁共振成像和量表数据,并将多维数据集划分为训练集和测试集;步骤2、构建MSTNet多模态神经网络模型,所述MSTNet多模态神经网络模型包括时间特征编码器、跨模态融合注意力模块、特征标记器和表格编码架构;步骤3、使用训练集对MSTNet多模态神经网络模型进行训练,结合多模态数据特点,对MSTNet多模态神经网络模型参数调优;步骤4、使用测试集评估完成训练的MSTNet多模态神经网络模型,最终实现奥茨海默多模态分类功能。该方法能够实现自动、智能的奥茨海默多模态分类功能,具有较高的分类准确率和效率。
-
公开(公告)号:CN117689750A
公开(公告)日:2024-03-12
申请号:CN202311680300.4
申请日:2023-12-08
Applicant: 杭州电子科技大学
IPC: G06T11/00
Abstract: 本发明公开了一种基于TC‑DiffRecon模型的纹理协调的MRI图像重建方法,包括如下步骤:步骤1、获取数据集并将数据集划分为训练集和验证集;步骤2、构建并训练TC‑Diffuserecon网络模型;步骤3、将数据集中图像数据输入到MF‑UNet网络中输出预测噪声;步骤4、MF‑UNet网络输出的预测噪声以及数据集中欠采样的k空间图像作为输入通过TCKG模块得到初步预测结果;步骤5、将多组数据图像通过步骤3和步骤4得到多个初步预测结果,将多个初步预测结果通过从粗到细采样模块得到采样结果;步骤6、将步骤5的输出采样结果作为输入重复步骤3和步骤4,一共重复K次,输出MRI重建结果,该方法实现了较高质量的纹理协调的MRI重建结果。
-
公开(公告)号:CN117423105A
公开(公告)日:2024-01-19
申请号:CN202311219112.1
申请日:2023-09-21
Applicant: 杭州电子科技大学
IPC: G06V20/69 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/774 , G06V10/776 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于SE‑WBC40Net的白细胞显微图像自动分类方法,包括以下步骤:构建白细胞显微图像分类神经网络,所述白细胞显微图像分类神经网络包括网络分类器和添加在网络分类器上的SE块,所述SE块融入有三个残差块,每个所述残差块由两个卷积层和一个残差层组成,以便于提取突出的特征,并逐层生成特征表示;构建了自己的白细胞显微图像数据集,并划分为训练集和测试集;在训练集上通过一些训练策略来优化网络分类器,并对网络模型参数调优,使网络达到最优效果;使用测试集测试评估得到的网络模型,最终实现自动、智能的白细胞显微图像分类功能。从而实现自动、智能的白细胞显微图像分类功能,同时具有较高的分类准确率和效率。
-
公开(公告)号:CN116797605A
公开(公告)日:2023-09-22
申请号:CN202310380776.X
申请日:2023-04-11
Applicant: 杭州电子科技大学
IPC: G06T7/10 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于SCUnet++神经网络的肺栓塞CT图像识别分割方法,包括如下步骤:S1、构建用于识别分割肺栓塞CT图像的SCUnet++神经网络模型;S2、建立肺栓塞CT图像数据集,并划分为训练集和测试集;S3、使用训练集对SCUnet++神经网络模型进行训练,结合肺栓塞CT图像特点,对SCUnet++神经网络模型参数调优,得到最终分割网络模型;S4、使用测试集测试评估得到的最终分割网络模型,通过最终分割网络模型实现自动、智能的肺栓塞CT图像识别分割功能。该方法能够实现自动、智能的肺栓塞CT图像识别分割功能,具有较高的分割准确率和效率。
-
公开(公告)号:CN116630299A
公开(公告)日:2023-08-22
申请号:CN202310714829.7
申请日:2023-06-16
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06T7/11 , G16H30/20
Abstract: 本发明公开了一种基于半监督神经网络的医学影像处理方法,S1、获取图片数据集;S2、构建DFCPS模型并训练,所述DFCPS模型包括数据增强策略和神经网络,所述神经网络包括主干网络、ASPP模块、上采样模块和Softmax函数;所述主干网络采用ResNet‑50,并引入残差连接构建深层网络,所述ASPP模块包括四个卷积层,四个所述卷积层的空洞卷积率分别为1、12、24、36;S3、使用训练好的神经网络进行图像分割。该方法通过合理地利用未标记数据和少量标记数据,以及强增强和弱增强的数据增强技术,对模型进行训练并取得理想的结果。
-
公开(公告)号:CN116187200A
公开(公告)日:2023-05-30
申请号:CN202310265514.9
申请日:2023-03-20
Applicant: 杭州电子科技大学
IPC: G06F30/27 , G06F16/51 , G06F16/55 , G06F16/583 , G06N3/0464 , G06N3/08 , G06F119/18
Abstract: 本发明公开了一种基于图卷积网络的轻量化三维CAD模型分类与检索的方法,S1、构建一个三维CAD模型数据集;S2、对三维CAD模型数据集进行数据预处理与特征抽取,进而得到几何信息和拓扑信息,并将抽取的几何信息和拓扑信息转换为以图结构表示的三维模型描述符;S3、构建图卷积网络FuS‑GCN,根据图卷积网络FuS‑GCN,以三维模型描述符为输入指导三维CAD模型分类与检索,得到全局特征向量,S4、全局特征向量作为输入通过一个全连接层获得分类结果;S5、将由图卷积网络FuS‑GCN和全连接层组成的分类检索模型运用于数据集进行训练测试。该方法基于B‑rep图设计了名为FuS‑GCN的轻量化融合自注意力GCNs框架,用以聚合拓扑几何特征,实现了CAD模型的分类与检索。
-
公开(公告)号:CN118918363A
公开(公告)日:2024-11-08
申请号:CN202410943009.X
申请日:2024-07-15
Applicant: 杭州电子科技大学
IPC: G06V10/764 , A61B5/00 , A61B5/055 , G06V10/774 , G06T7/00 , G16H30/00 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06F17/16 , G06F17/18 , G06N3/08
Abstract: 本发明公开了基于GFE‑Mamba神经网络的可解释阿尔茨海默进展分类方法,包括如下步骤:步骤1、构建GFE‑Manba神经网络模型,步骤2、建立MRI和PET图像数据集并分为训练集和测试集,应用MRI和PET图像训练集和测试集预训练3D GAN‑Vit模块;步骤3、建立MRI和量表数据结合的多模态阿尔茨海默进展分类数据集,并划分为训练集和测试集;步骤4、使用训练集对预训练的GFE‑Mamba神经网络模型进行训练并进行参数调优;步骤5、使用测试集测试评估得到的预训练的GFE‑Mamba神经网络模型,最终实可解释多模态阿尔茨海默进展分类。该方法不仅能够为临床医生诊断和治疗重大危险疾病提供重要参考标准,还进一步增强了临床医生对AD和其他重大脑部疾病的诊断能力,对于临床诊断和AD疾病预防具有重要意义。
-
公开(公告)号:CN116450308A
公开(公告)日:2023-07-18
申请号:CN202211596732.2
申请日:2022-12-12
Applicant: 杭州电子科技大学
IPC: G06F9/48
Abstract: 本发明主要是为了解决现有的任务调度算法搜索效率低的问题,公开了一种基于多策略学习的自适应DAG任务调度方法,包括:状态更新阶段;奖励更新阶段;动作选择阶段;模拟阶段;重复模拟阶段,直到满足迭代次数限制或时间限制,最终返回一个最小的makespan值。本发明有效平衡了探索与利用的关系,从而加速寻找到较优的makespan值,降低了搜索时间开销,提高了算法搜索效率;具有通用性,适用于新应用和新硬件系统,提升了系统效率。
-
-
-
-
-
-
-
-
-