-
Patent Agency Ranking
公开(公告)号：CN108846444A
公开(公告)日：2018-11-20
申请号：CN201810655461.0
申请日：2018-06-23
Applicant: 重庆大学
Abstract: 本发明公开了一种面向多源数据挖掘的多阶段深度迁移学习方法，包括以下步骤：S1：根据源数据集与目标数据集的相似性进行排序，与目标数据集相似性更大的排在后面，相似性较小的排在前面。S2：采用卷积神经网络作为预训练模型，并利用排在最前面的目标数据集中的训练样本进行训练，使其满足多分类要求；S3：依次从第一个源数据集进行迁移学习，利用前一个训练好的模型重构下一个源数据集的预训练模型，直到迁移到目标数据集；S4：通过迁移得到目标数据集的重构模型，使用目标数据集对重构模型进行训练，得到最终的分类模型。其效果是：经过多次迁移学习，充分利用多个源样本集，有效增加了模型的学习能力，提升了分类准确率和泛化能力。
-
公开(公告)号：CN104809740B
公开(公告)日：2017-12-08
申请号：CN201510274795.X
申请日：2015-05-26
Applicant: 重庆大学
Abstract: 本发明公开一种基于SVM与弹性区域生长的膝软骨图像自动分割方法，首先采用自适应Canny边缘检测算法提取图像主要边缘；再对边缘提取多个图像特征，结合支持向量机算法对边缘进行分类，完成软骨边缘定位；接着在软骨边缘的基础上进行种子点及软骨像素区域的选择；之后基于选择的结果采用弹性区域生长进行初步软骨分割；最终获得膝软骨分割结果。实验结果表明，该方法能够准确、快速的自动分割出膝关节MRI中不同的膝软骨，其中股软骨、胫软骨、髌软骨平均DSC分别可达0.8543、0.8280、0.8703，与手工分割结果具有较高的一致性，能够有效克服传统分割方法的结果过分割或分割不准确等缺点。
-
公开(公告)号：CN108846444B
公开(公告)日：2022-02-01
申请号：CN201810655461.0
申请日：2018-06-23
Applicant: 重庆大学
Abstract: 本发明公开了一种面向多源数据挖掘的多阶段深度迁移学习方法，包括以下步骤：S1：根据源数据集与目标数据集的相似性进行排序，与目标数据集相似性更大的排在后面，相似性较小的排在前面。S2：采用卷积神经网络作为预训练模型，并利用排在最前面的目标数据集中的训练样本进行训练，使其满足多分类要求；S3：依次从第一个源数据集进行迁移学习，利用前一个训练好的模型重构下一个源数据集的预训练模型，直到迁移到目标数据集；S4：通过迁移得到目标数据集的重构模型，使用目标数据集对重构模型进行训练，得到最终的分类模型。其效果是：经过多次迁移学习，充分利用多个源样本集，有效增加了模型的学习能力，提升了分类准确率和泛化能力。
-
公开(公告)号：CN108550148A
公开(公告)日：2018-09-18
申请号：CN201810330101.3
申请日：2018-04-13
Applicant: 重庆大学
Abstract: 本发明公开一种组织切片显微图像中的细胞核自动分割及分类识别方法，分割阶段采用了全自动分割，通过小波分解和均值漂移的联合算法来确定感兴趣区域，再通过改进的形态学方法分离粘连细胞进行精准分割。在分类识别阶段，提取细胞核区域的形状特征、颜色特征和纹理特征，再通过增强相差性(ERSD)特征选择算法得到最佳特征子集，最后再由SVM分类器进行分类识别。其效果是：能够实现细胞核区域的精准自动分割，避免了灰尘、光照以及细胞粘连等原因对其分割准确率造成的影响，在分类识别时，通过选择最佳特征子集，在确保分类准确率的前提下，缩短了运行时间，满足了临床应用实时性的要求。
-
公开(公告)号：CN104881686B
公开(公告)日：2018-02-02
申请号：CN201510282981.8
申请日：2015-05-28
Applicant: 重庆大学
Abstract: 本发明公开了一种基于脑磁共振影像的Aβ蛋白沉积信息检测系统，设置有MRI图像采集装置、图像预处理装置、特征提取装置以及参数反演装置；所述特征提取装置用于提取最优特征子集；所述参数反演装置用于将所述最优特征子集反演出Aβ蛋白沉积含量；该参数反演装置中固化有训练好的SVM模型，所述SVM模型是通过选择多个训练样本图像的多个特征参数，并以每个样本图像对应PET图像的Aβ蛋白沉积含量为评价标准，最终训练出的最优特征子集与Aβ蛋白沉积含量的映射关系。其显著效果是：不仅具有无创、无辐射、安全、自动化程度高等优点，而且可应用于阿尔茨海默病诊断的临床应用。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
