公开(公告)号：CN119672479A

公开(公告)日：2025-03-21

申请号：CN202411481273.2

申请日：2024-10-22

Applicant: 武汉科技大学

Inventor： 张永 ,  刘亦凡 ,  兰儒恺 ,  吴兆龙 ,  程骋 ,  郑秀娟

IPC: G06V10/80 ,  G06T7/80 ,  G06T3/06 ,  G06T7/50 ,  G06T7/269 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464

Abstract: 本发明公开了一种基于深度特征细化的多模态三维目标检测方法、系统及存储介质，采用相机和激光雷达两种传感器作为数据来源，建立起点云与图像之间的对应关系，以深度信息作为纽带，深度特征与图像语义特征进行结合，并与雷达特征融合获得多模态融合特征；实现了图像与激光雷达特征的精准融合与对齐，并将时域信息进行融合，显著提升了系统的感知精度和鲁棒性。

公开(公告)号：CN114549452A

公开(公告)日：2022-05-27

申请号：CN202210151409.8

申请日：2022-02-18

Applicant: 武汉科技大学

Inventor： 张永 ,  苏立 ,  朱文鹏 ,  程骋 ,  刘振兴

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供基于半监督深度学习的新冠肺炎CT图像分析方法，包括步骤：基于残差神经网络建立分类模型并加入注意力模块；对每张无标签训练样本进行两次不同的数据增强得到两张新的图像；对这两张图像进行分类并进行最小化熵处理，处理后结果看作图像的伪标签；将得到伪标签的数据增强后的无标签训练样本和数据增强后的有标签训练样本进行Mixup，得到新的训练样本；将新的训练样本和对应的标签代入分类模型中进行训练并逐渐去除有标签训练样本；对分类模型中的全连通层和特征图的权重进行加权求和，生成关注图；用训练好的分类模型对测试集中的样本图像进行诊断，并对诊断结果生成可视化图。这在实际的医学应用中具有实用的价值。

公开(公告)号：CN114649092B

公开(公告)日：2025-04-25

申请号：CN202210233284.3

申请日：2022-03-10

Applicant: 武汉科技大学

Inventor： 张永 ,  苏立 ,  郭峰 ,  程骋 ,  冉少林

IPC: G16H50/20 ,  G06T7/00 ,  G06N3/0895 ,  G06N3/0464 ,  G06V10/82 ,  G06V10/44 ,  G06V10/774 ,  G06V10/764

Abstract: 本发明提供一种基于半监督学习和多尺度特征融合的辅助诊断方法及装置，该方法包括：将待诊断CT图像输入分类模型的多尺度特征融合模块中，得到所述待诊断CT图像的多尺度融合特征；将所述多尺度融合特征输入所述分类模型的分类模块，得到所述待诊断CT图像的辅助医疗诊断结果；其中，所述分类模型是基于第一训练数据集，进行半监督学习训练得到的；所述第一训练数据集包括有标签的第一样本CT图像和无标签的第二样本CT图像。本发明实现在有效标注数据量较少时，可获得具有更高的泛化性与准确性的分类模型，进而可快速准确地获取辅助医疗诊断结果。

公开(公告)号：CN114549452B

公开(公告)日：2025-05-09

申请号：CN202210151409.8

申请日：2022-02-18

Applicant: 武汉科技大学

Inventor： 张永 ,  苏立 ,  朱文鹏 ,  程骋 ,  刘振兴

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/09 ,  G06N3/0895

Abstract: 本发明提供基于半监督深度学习的新冠肺炎CT图像分析方法，包括步骤：基于残差神经网络建立分类模型并加入注意力模块；对每张无标签训练样本进行两次不同的数据增强得到两张新的图像；对这两张图像进行分类并进行最小化熵处理，处理后结果看作图像的伪标签；将得到伪标签的数据增强后的无标签训练样本和数据增强后的有标签训练样本进行Mixup，得到新的训练样本；将新的训练样本和对应的标签代入分类模型中进行训练并逐渐去除有标签训练样本；对分类模型中的全连通层和特征图的权重进行加权求和，生成关注图；用训练好的分类模型对测试集中的样本图像进行诊断，并对诊断结果生成可视化图。这在实际的医学应用中具有实用的价值。

公开(公告)号：CN114649092A

公开(公告)日：2022-06-21

申请号：CN202210233284.3

申请日：2022-03-10

Applicant: 武汉科技大学

Inventor： 张永 ,  苏立 ,  郭峰 ,  程骋 ,  冉少林

IPC: G16H50/20 ,  G06T7/00 ,  G06N3/08 ,  G06N3/04 ,  G06K9/62 ,  G06V10/82 ,  G06V10/44 ,  G06V10/774 ,  G06V10/764

Abstract: 本发明提供一种基于半监督学习和多尺度特征融合的辅助诊断方法及装置，该方法包括：将待诊断CT图像输入分类模型的多尺度特征融合模块中，得到所述待诊断CT图像的多尺度融合特征；将所述多尺度融合特征输入所述分类模型的分类模块，得到所述待诊断CT图像的辅助医疗诊断结果；其中，所述分类模型是基于第一训练数据集，进行半监督学习训练得到的；所述第一训练数据集包括有标签的第一样本CT图像和无标签的第二样本CT图像。本发明实现在有效标注数据量较少时，可获得具有更高的泛化性与准确性的分类模型，进而可快速准确地获取辅助医疗诊断结果。