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

Inventor： 朱晟豪 ,  黄一语 ,  方昭杰 ,  邹槟峰 ,  陈一飞 ,  刘畅 ,  贾帆 ,  冯祥 ,  秦飞巍 ,  樊谨 ,  王昌淼

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：CN119049042A

公开(公告)日：2024-11-29

申请号：CN202410826656.2

申请日：2024-06-25

Applicant: 杭州电子科技大学

Inventor： 朱晟豪 ,  范振雄 ,  黄一语 ,  贾帆 ,  邹槟峰 ,  陈一飞 ,  朱云鹏 ,  秦飞巍 ,  王昌淼

IPC: G06V20/69 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种基于SCKansformer神经网络的骨髓细胞分类识别方法，包括如下步骤：步骤1、构建SCKansformer神经网络模型，所述SCKansformer神经网络模型包括Kansformer编码器、SCConv编码器和全局‑局部注意力编码器；步骤2、建立骨髓血液细胞数据集并预处理，将数据集划分为训练集和测试集；步骤3、使用训练集对SCKansformer神经网络模型进行训练，结合骨髓血液细胞图像特点，对SCKansformer神经网络模型参数调优；步骤4、使用测试集测试完成训练的评估SCKansformer神经网络模型，进而得到的网络模型，最终实现骨髓血液细胞图像分类识别功能。该方法能够有效应对显微图像中细胞分类的复杂性，实现对四十类骨髓血细胞的准确分类。

公开(公告)号：CN116580394A

公开(公告)日：2023-08-11

申请号：CN202310570328.6

申请日：2023-05-19

Applicant: 杭州电子科技大学

Inventor： 陈一飞 ,  陈奔 ,  黄凡丁 ,  黄一语 ,  秦飞巍

IPC: G06V20/69 ,  G06V20/70 ,  G06V10/82 ,  G06V10/80 ,  G06V10/74 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于多尺度融合和可变形自注意力的白细胞检测方法，包括如下步骤：S1、获取白细胞目标检测数据集并预处理；S2、构建MFDS‑DETR模型并训练，S3、通过骨干网络提取特征得到特征图；S4、通过高层筛选特征融合金字塔得到多尺度融合特征向量；S5、通过可形变自注意力模块中获得最终的输出向量；S6、将步骤S5输出的最终的输出向量作为输入，通过编码器提取全局特征；S7、将提取的全局特征作为输入，通过解码器得到最终目标检测结果。本发明将高层语义特征作为权重来筛选低层特征，并将筛选后的特征与高层语义特征逐点相加，提高模型的特征提取和表达能力。采用了可变形自注意力来提取白细胞全局特征，模型训练更加轻便。

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

Inventor： 朱晟豪 ,  贾帆 ,  陈一飞 ,  刘畅 ,  黄一语 ,  常铄 ,  王雨荷 ,  方昭杰 ,  秦飞巍 ,  王昌淼

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

Inventor： 张晨焱 ,  陈一飞 ,  葛瑞泉 ,  孙逸飞 ,  黄一语 ,  范振雄 ,  王昌淼

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

Inventor： 陈一飞 ,  张晨焱 ,  黄一语 ,  吴越 ,  秦飞巍

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。