-
公开(公告)号：CN118212249A
公开(公告)日：2024-06-18
申请号：CN202410299170.8
申请日：2024-03-15
Applicant: 南京邮电大学
IPC: G06T7/11 , G06T7/187 , G06V10/26 , G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于像素级对比学习的小样本医学图像分割方法及系统，方法包括：获取并处理不同器官的MRI图像数据，将非心脏器官的MRI图像数据作为训练集和验证集，将心脏MRI图像数据作为测试集；将非心脏器官的MRI图像数据输入至双分支网络小样本学习分割模型进行训练与验证；利用像素级对比学习方法优化双分支网络小样本学习分割模型；使用训练好的双分支网络小样本学习分割模型对测试集数据进行预测，获取分割预测结果。本发明提出的基于坐标划分正负样本的像素级对比学习方法，不仅降低了医学图像标注成本，提升了双分支网络小样本学习分割模型的泛化能力，还通过优化正负样本划分提高了分割精度，增强了像素间的语义相关性。
-
公开(公告)号：CN116664595A
公开(公告)日：2023-08-29
申请号：CN202310571976.3
申请日：2023-05-15
Applicant: 南京邮电大学
IPC: G06T7/11 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0895 , G06N3/048
Abstract: 本发明提出了一种基于双分支网络小样本学习的脑肿瘤MRI图像分割方法，针对脑肿瘤图像中的特定的三部分肿瘤区域进行分割，包括以下步骤，步骤1：确定脑肿瘤小样本数据集，输入脑肿瘤MRI图像数据，对医学图像进行预处理，将数据集分为训练集，验证集与测试集，这三种数据集又分为支持集与查询集；步骤2：构建双分支网络小样本学习分割模型，加入双分支并发空间和通道挤压与激励交互模块(DSCSE)；步骤3：构建脑肿瘤难样本优化模块加入所述双分支网络小样本学习分割模型中优化网络性能；步骤4：将所获得的双分支网络小样本学习分割模型对测试集数据进行预测得到分割图像。本发明解决了因数据集稀缺造成的分割区域效果差的问题，提高了分割准确率。
-
公开(公告)号：CN119048525A
公开(公告)日：2024-11-29
申请号：CN202410806496.5
申请日：2024-06-21
Applicant: 南京邮电大学
IPC: G06T7/10 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于多尺度跳跃连接和对比学习的小样本医学图像分割方法，包括：1)获取并处理不同器官的MRI图像数据，将非心脏器官的MRI图像数据作为训练集和验证集，将心脏MRI图像数据作为测试集；将非心脏器官的MRI图像数据输入至双分支网络小样本学习分割模型进行训练与验证；2)构建双分支网络小样本学习分割模型，加入空间激励和通道压缩交互模块(sSE)；3)使用顺序拼接方式获取不同层次的特征图，使来自编码器的不同尺度的特征图传递给相应的解码器。4)利用模型的双分支结构，引入基于多尺度特征的对比学习模块。5)将测试集数据输入到训练以后的模型实现图像分割的功能。本发明实现医学图像的跨域数据分割，提高了模型分割准确率。
-
公开(公告)号：CN116740346A
公开(公告)日：2023-09-12
申请号：CN202310620968.3
申请日：2023-05-30
Applicant: 南京邮电大学
IPC: G06V10/26 , G06V10/54 , G06V10/774 , G06T7/00
Abstract: 本发明提供一种医学图像分割中的难样本处理算法，包括以下步骤：对待分割的医学图像进行预处理，通过标签得到前景与背景，将前景作为正样本，背景作为负样本；利用基于对比学习的医学图像分割网络模型以及后处理算法对医学图像数据集进行训练；利用难样本召回损失函数和非侵入目标区域Cutout算法对图像中的难样本进行特殊的处理。难样本召回损失函数能够关注到难样本下的小目标区域并有效定位，非侵入目标区域Cutout算法能够在保证待分割区域不被侵入受损的前提下，减少冗余区域的特征像素，减轻模型对于冗余区域的分割压力，从而提升模型的可靠性，在一定程度上解决了心脏医学图像数据集中难样本的分割问题，更好地提高心脏医学图像分割的准确性。
-
-
-
Search Results
4
records
(took 0.019 seconds)
