一种基于ICU‑Net的高倍欠采样的磁共振图像重建方法，包括如下步骤：步骤1，输入u倍欠采样的磁共振图像 步骤2，由ICU‑Net fICU(·；Θ)，得到重构后的磁共振图像 图1给出了ICU‑Net的一个范例。本发明所提出的ICU‑Net将稠密连接、残差连接、特征图拼接、数据一致性原理等与U‑Net网络结构相结合，能够大幅度节省U‑Net的参数规模，使其适用于规模较小的磁共振图像训练样本，更有效地重建高倍欠采样磁共振图像中丢失的细节信息，提升磁共振图像的重构质量。
📄 2021103773533
📂 G06T11_00
👤 浙江工业大学
📅 2021-04-08
一种基于双分支融合网络的病理图像伪影细粒度分类方法，包括以下步骤：步骤1：首先获取带有伪影的组织病理图像全切片WSI，并由病理医生对伪影区域进行专业标注，得到伪影区域的标注数据；步骤2：对WSI进行OTSU阈值分割操作，以区分图像中的前景和背景，并将标注区域中的前景图像分割成N×N像素的小图；步骤3：利用基于HSV的边缘检测模块对图像块中的裂缝特征进行强化，以突出伪影中裂缝特征；步骤4：对图像块进行数据增强；步骤5：进行初步特征提取和调整数据维度；步骤6：将数据输入到双分支网络中，通过分类处理得到最终的伪影细粒度分类结果。本发明实现对病理图像上的相似伪影进行细粒度分类，提高伪影识别精度。
📄 2024111290321
📂 G06V10_764
👤 浙江工业大学
📅 2024-08-16
一种基于深度学习的蛋白质残基接触预测方法，包括以下步骤：首先从PDB库中下载蛋白质氨基酸的序列和结构信息，构建残基对接触矩阵；使用HHblits对UniClust30数据库进行搜索，生成多序列比对文件；其次，对每个蛋白质序列通过多序列比对提取序列特征；再次，将序列特征互信息与协方差合并为一个442维L*L大小的输入特征，构建全卷积残差网络，并在所述输入特征和标签接触矩阵上进行训练。本发明提供了一种预测效率与准确性较高的基于深度学习的蛋白质残基接触预测方法。
📄 2020107095385
📂 G06Q10_04
👤 浙江工业大学
📅 2020-07-22
一种基于深度特征融合网络的心动过速心电图的筛查方法，包括以下步骤：步骤一，数据处理，对原始心电图图像进行预处理，除去心电图中基线漂移和电力线干扰；步骤二，数据重构，将预处理过后的心电图图像中的十二导联分别进行框选分离，重新组织构建数据集；步骤三，模型构建，构建深度神经网络；步骤四，模型训练，输入处理以及重构后的数据到网络中进行参数调整，训练模型；步骤五，模型输出，利用训练过后的模型筛查心动过速心电图。本发明可以根据心电图筛查是否为心动过速。
📄 2019102976548
📂 A61B5_0402
👤 浙江工业大学
📅 2019-04-15
一种用于深度学习评定血管网络发育水平的数据集增强方法，包括以下步骤：a对原始图像进行预处理；b对预处理之后的图像进行数据扩增；c在原始图像空间范围中划分等面积的N个矩形区域；d在每个区域中随机选取相同比例数量的图片生成数据集。本发明提供了一种数据集分布更加全面、均衡、增强模型鲁棒性的用于深度学习评定血管网络发育水平的数据集增强方法。
📄 2018102614720
📂 G06T5_00
👤 浙江工业大学
📅 2018-03-28
一种基于深度网络的三叉神经自动分割方法，网络将T1、DEC和FOD图像的单独模态进行模态融合，由两个独立的分析路径和一个共享的合成路径组成实现多模态融合；多模态数据的融合可以为模型预测提供更多的信息，从而提高了三叉神经预测结果的准确率。本发明有效融合多模态数据的深度信息，实现了三叉神经的全自动精确分割，极大减少了专家标注识别的工作量，同时也为除三叉神经以外其他颅神经的分割研究提供稳定、高效、可重复的分析方法。
📄 2022103799966
📂 G06V10_26
👤 浙江工业大学
📅 2022-04-06
一种基于深度网络特征融合的抑郁症识别模型的建构方法和装置，其方法包括：采集数据；构建含视频区域性级别的标签的视频数据集；分别采用C3D神经网络和通道注意力网络对整个视频流进行强化特征提取；将强化特征使用RPN进行生成区域提案并产生区域开始标记和结束标记及区域表情类别；对全部视频帧进行包含局部偏心率特征和全局特征的多尺度特征提取；将多尺度特征进行弱监督分类；将视频流级别特征与图片级别特征的运算结果进行神经网络分类，获得抑郁症识别模型。本发明有效利用视频标签、兼顾全局和局部信息，并结合较高的准确率和减少标签工作量的优势，能够成为一种有潜力的抑郁症识别辅助手段，可广泛应用于精神疾病的自动化处理领域中。
📄 202310870998X
📂 G06V40_16
👤 浙江工业大学
📅 2023-07-17
本发明涉及一种基于深度学习的多层次生物分子网络构建与优化方法，属于人工智能领域，包括步骤一：搭建软硬件环境；步骤二：多层次生物分子网络数据收集及预处理，初步建立多层次生物分子网络；步骤三：收集生物各层次生物分子特征数据并进行相应特征编码，分为训练集和测试集；步骤四：根据网络优化目标及现有特征，构建网络优化模型；步骤五：使用多层次生物分子网络数据以及处理好的各层次生物分子特征数据进行训练，求解模型中各层的参数，达到预期效果停止训练并保存各层参数；步骤六：将训练好的神经网络模型进行部署，用于多层次生物分子网络优化。本发明解决了现有生物分子网络可拓展性不强，对复杂生物系统的描述不够深入的问题。
📄 2020100139359
📂 G16B5_00
👤 西南大学
📅 2020-01-07
本发明属于医学图像处理领域，具体涉及一种基于深度学习的皮肤病变分割方法。第一步，将数据集分为训练样本和验证样本，对数据集中图片进行预处理，得到处理后的图片。第二步，构建五层神经网络，将第一步中处理得到的训练样本和验证样本依批次输入该网络，使用具有动量的梯度下降法进行网络优化，得到训练完成的分类器网络。第三步，对测试样本图片进行预处理，得到处理后的测试样本图片。第四步，预测图片。本发明所提的方法它是以整张图片来进行分类分割的，所以相比起来计算量就小一些，同时考虑了细节信息。实验表明，基于注意力机制的深度学习方法的分割精度比U‑Net的分割精度更高。
📄 2019108395986
📂 G06T7_11
👤 江南大学
📅 2019-09-06
本发明提出了基于深度学习的地表覆盖图片自动识别方法及系统，首先，对地表覆盖图片进行预处理，利用重采样的方法，得到像素为224*224*3的地表覆盖图片；其次，利用卷积神经网络，构建地表覆盖图片自动识别模型，并利用反向传播算法和训练数据，对卷积神经网络的参数进行修正；最后，通过输入验证数据，对地表覆盖图片自动识别结果进行精度验证。本发明具有自动识别速度快和识别精度高的优点。
📄 2017105385803
📂 G06K9_00
👤 山东师范大学
📅 2017-07-04
本发明公开了一种深度网络堆栈模型自适应加权特征融合的癫痫检测方法。本发明步骤如下：1：原始脑电信号经过预处理后，对脑电信号每个通道的数据进行离散傅里叶变换，并获得其平均振幅谱；将取得的平均振幅谱特征随机划分为几部分，以适用于自适应加权特征融合的深度网络堆栈模型；2：使用不同结构的卷积神经网络对步骤1中得到的数据集进行第二次特征提取；3：将不同的卷积神经网络提取的特征进行自适应加权特征融合，最后由基于支持向量机的纠错输出编码模型预测样本所属类别。本发明通过堆栈集成方法和自适应加权特征融合算法，使系统可以融合每种不同结构深度网络提取的特征，提高了癫痫预测效果。
📄 201910398578X
📂 G16H30_20
👤 杭州电子科技大学
📅 2019-05-14
本发明提供一种基于深度学习的胸腔器官分割方法。本发明改进了U‑Net的结构，得到了一种更优的用于胸腔器官分割的编码解码结构，相较于传统的U‑Net，在特征提取部分具有更好的性能以及更好的效果，而在上采样部分针对各层的不同特点增加了卷积和池化层，有效减少了锯齿现象，使得上采样结果更加精细，本发明也对分割结果中出现的一些脱离主体的分割错误进行了只取最大连通区域的处理。本发明训练速度和计算速度都优于传统的U‑Net网络，本发明方法的网络达到了50层，提取特征的效果更好，并且本发明仅需一个模型就可以用于多器官的图像分割。
📄 2019111686328
📂 G06T7_11
👤 杭州电子科技大学
📅 2019-11-25
柿子坊 · 知识产权运营
柿子坊知识产权运营平台