-
公开(公告)号：CN116485791B
公开(公告)日：2023-09-29
申请号：CN202310715680.4
申请日：2023-06-16
Applicant: 华侨大学
Abstract: 本发明公开了基于吸收度的双视图乳腺肿瘤病变区自动检测方法及系统，涉及医学图像处理领域，步骤如下：S1，获取乳腺超声肿瘤灰度图像数据集，标注数据并作图像预处理；S2，将预处理图像进行吸收度变换，得到超声吸收度图像；S3，将乳腺超声肿瘤灰度图像和对应的超声吸收度图像作为双视图，输入双视图检测模型；S4，双视图检测模型分别对双视图进行特征提取，有效反映双视图中肿瘤感兴趣区域；所述S4包括：将双视图不同尺度的特征图嵌入DFT单元进行特征融合。本发明结合乳腺超声肿瘤灰度图和吸收度图，弥补乳腺超声肿瘤灰度图像信息不足的缺陷；利用DFT单元动态学习灰度图像和吸收度图像的二元关系，对二者进行融合与交互，增强关联性和互补性。
-
公开(公告)号：CN116485791A
公开(公告)日：2023-07-25
申请号：CN202310715680.4
申请日：2023-06-16
Applicant: 华侨大学
Abstract: 本发明公开了基于吸收度的双视图乳腺肿瘤病变区自动检测方法及系统，涉及医学图像处理领域，步骤如下：S1，获取乳腺超声肿瘤灰度图像数据集，标注数据并作图像预处理；S2，将预处理图像进行吸收度变换，得到超声吸收度图像；S3，将乳腺超声肿瘤灰度图像和对应的超声吸收度图像作为双视图，输入双视图检测模型；S4，双视图检测模型分别对双视图进行特征提取，有效反映双视图中肿瘤感兴趣区域；所述S4包括：将双视图不同尺度的特征图嵌入DFT单元进行特征融合。本发明结合乳腺超声肿瘤灰度图和吸收度图，弥补乳腺超声肿瘤灰度图像信息不足的缺陷；利用DFT单元动态学习灰度图像和吸收度图像的二元关系，对二者进行融合与交互，增强关联性和互补性。
-
公开(公告)号：CN117372308A
公开(公告)日：2024-01-09
申请号：CN202311645210.1
申请日：2023-12-04
Applicant: 华侨大学
Abstract: 本发明公开了一种相衬细胞显微图像清晰度增强方法及系统，涉及图像处理领域，方法包括如下步骤：利用非对称滑动窗口图像预增强算法对相衬细胞显微图像进行灰度值预增强，得到预增强的相衬细胞显微图像；利用弱结构特征提取算法对预增强的相衬细胞显微图像进行计算处理，得到弱结构特征图像；利用预增强的相衬细胞显微图像与弱结构特征图像作差分融合，得到增强相衬细胞显微图像。本发明采用多尺度导向滤波提取相衬显微图像的背景与边缘图像；采用多尺度差分运算进一步增强弱结构特征的清晰度；通过差分运算进一步解决弱边缘的问题，输出细节突出、结构完整、背景均匀的增强相衬细胞显微图像。
-
公开(公告)号：CN116342432A
公开(公告)日：2023-06-27
申请号：CN202310576207.2
申请日：2023-05-22
Applicant: 华侨大学
Abstract: 本发明公开了一种非标记细胞显微图像增强方法及系统，属于图像处理技术领域，包括如下步骤：S1、输入非标记细胞显微图像；S2、利用滑动窗口中心灰度增强算法，对非标记细胞显微图像位于滑动窗口中心的像素进行灰度值预增强；S3、重复滑动窗口，使得滑动窗口中心遍历非标记细胞显微图像，对每一个像素进行灰度值预增强，获得预增强的非标记细胞显微图像；S5、利用预增强的非标记细胞显微图像与经自适应权值约束的高斯多尺度加权图像作差分运算，得到增强后的非标记细胞显微图像。本发明具有较好的鲁棒性及普适性，且运算速度更快；本发明对特征图像的提取更精确，且能进一步提高非标记细胞显微图像的对比度。
-
公开(公告)号：CN117392119B
公开(公告)日：2024-03-12
申请号：CN202311666194.4
申请日：2023-12-07
Applicant: 华侨大学
IPC: G06T7/00 , G06N3/0464 , G06T7/73 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于位置先验和特征感知的肿瘤病变区域检测方法及装置，涉及医学图像处理领域，包括：获取乳腺超声图像并预处理，得到预处理后的乳腺超声图像；构建基于改进的YOLOv5网络的乳腺肿瘤病变区域检测模型并训练，得到经训练的乳腺肿瘤病变区域检测模型，该模型包括骨干网络、颈部结构和头部结构，将YOLOv5网络中的骨干网络和颈部结构中的CBS模块改为DBS模块，将C3模块中的CBS模块改为DBS模块，CBM模块改为DBM模块，在SPPF模块后面增加一个位置注意力模块，将头部结构中检测模块改为特征感知模块；将预处理后的乳腺超声图像输入经训练的乳腺肿瘤病变区域检测模型，得到病变区域、对应的肿瘤良恶性类别及置信度，解决易受散斑噪声影响导致准确低的问题。
-
Patent Agency Ranking
公开(公告)号：CN117372308B
公开(公告)日：2024-03-12
申请号：CN202311645210.1
申请日：2023-12-04
Applicant: 华侨大学
Abstract: 本发明公开了一种相衬细胞显微图像清晰度增强方法及系统，涉及图像处理领域，方法包括如下步骤：利用非对称滑动窗口图像预增强算法对相衬细胞显微图像进行灰度值预增强，得到预增强的相衬细胞显微图像；利用弱结构特征提取算法对预增强的相衬细胞显微图像进行计算处理，得到弱结构特征图像；利用预增强的相衬细胞显微图像与弱结构特征图像作差分融合，得到增强相衬细胞显微图像。本发明采用多尺度导向滤波提取相衬显微图像的背景与边缘图像；采用多尺度差分运算进一步增强弱结构特征的清晰度；通过差分运算进一步解决弱边缘的问题，输出细节突出、结构完整、背景均匀的增强相衬细胞显微图像。
-
公开(公告)号：CN117422715A
公开(公告)日：2024-01-19
申请号：CN202311740818.2
申请日：2023-12-18
Applicant: 华侨大学
Abstract: 本发明提供一种基于全局信息的乳腺超声肿瘤病变区域检测方法，属于医学图像领域，包括：步骤S1、获取标注图像数据集；步骤S2、构建作为目标检测模型的卷积神经网络：backbone部分采用由上至下依次布置的特征提取模块和坐标注意力模块，特征提取模块包括CBS模块以及交替模块，交替模块输出高维特征图，坐标注意力模块对该高维特征图的进行全局编码，得到全局信息特征图；neck部分采用相互融合的FPN网络和PANET网络，得到多个维度特征图；head部分采用TSCODE模块，CBS模块输出的低维特征图和多个维度特征图作为TSCODE模块的多层输入特征图，输出基于全局信息预测的图像。本发明实现对乳腺超声肿瘤图像中存在误检漏检问题的优化，提高检测的识别率和准确性。
-
公开(公告)号：CN115511812A
公开(公告)日：2022-12-23
申请号：CN202211138132.1
申请日：2022-09-19
Applicant: 华侨大学 , 福建众益太阳能科技股份公司
Abstract: 本发明一种基于深度学习的工业产品表面缺陷检测方法，在工业流水线上拍摄，采集得到工业产品表面缺陷数据集；使用优化后的YOLOX深度学习网络模型构建工业产品表面缺陷检测模型，通过主干特征提取网络CSPDarknet提取不同尺度特征；通过颈部网络对特征进行深度融合特征提取，增强不同尺度特征的表达；通过基于无锚框检测器的YOLOXHead作为检测头生成工业产品表面缺陷检测模型；训练网络模型；载入权值文件，并使用网络模型对工业产品图像进行表面缺陷检测，生成预测结果并显示缺陷类型和缺陷位置。本发明不仅提升了网络模型对特征空间位置信息和不规则分布的缺陷的捕获能力，并且在提升精度的同时降低模型的参数量，使本发明能够移植应用于移动端或嵌入式设备。
-
公开(公告)号：CN117422715B
公开(公告)日：2024-03-12
申请号：CN202311740818.2
申请日：2023-12-18
Applicant: 华侨大学
Abstract: 本发明提供一种基于全局信息的乳腺超声肿瘤病变区域检测方法，属于医学图像领域，包括：步骤S1、获取标注图像数据集；步骤S2、构建作为目标检测模型的卷积神经网络：backbone部分采用由上至下依次布置的特征提取模块和坐标注意力模块，特征提取模块包括CBS模块以及交替模块，交替模块输出高维特征图，坐标注意力模块对该高维特征图的进行全局编码，得到全局信息特征图；neck部分采用相互融合的FPN网络和PANET网络，得到多个维度特征图；head部分采用TSCODE模块，CBS模块输出的低维特征图和多个维度特征图作为TSCODE模块的多层输入特征图，输出基于全局信息预测的图像。本发明实现对乳腺超声肿瘤图像中存在误检漏检问题的优化，提高检测的识别率和准确性。
-
公开(公告)号：CN117392119A
公开(公告)日：2024-01-12
申请号：CN202311666194.4
申请日：2023-12-07
Applicant: 华侨大学
IPC: G06T7/00 , G06N3/0464 , G06T7/73 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于位置先验和特征感知的肿瘤病变区域检测方法及装置，涉及医学图像处理领域，包括：获取乳腺超声图像并预处理，得到预处理后的乳腺超声图像；构建基于改进的YOLOv5网络的乳腺肿瘤病变区域检测模型并训练，得到经训练的乳腺肿瘤病变区域检测模型，该模型包括骨干网络、颈部结构和头部结构，将YOLOv5网络中的骨干网络和颈部结构中的CBS模块改为DBS模块，将C3模块中的CBS模块改为DBS模块，CBM模块改为DBM模块，在SPPF模块后面增加一个位置注意力模块，将头部结构中检测模块改为特征感知模块；将预处理后的乳腺超声图像输入经训练的乳腺肿瘤病变区域检测模型，得到病变区域、对应的肿瘤良恶性类别及置信度，解决易受散斑噪声影响导致准确低的问题。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
