公开(公告)号：CN115546227A

公开(公告)日：2022-12-30

申请号：CN202211266750.4

申请日：2022-10-17

Applicant: 哈尔滨理工大学

Inventor： 李冰 ,  吴少勇 ,  刘侠 ,  李广庆 ,  宋方影 ,  嫣梦雨

IPC: G06T7/10 ,  G06N3/04 ,  G06N3/08 ,  G06T5/50

Abstract: 基于改进Unet网络的视网膜血管分割网络、分割方法、计算机设备和存储介质，属于图像处理技术领域，解决对视网膜血管OCTA图像分割不准确出现漏检现象问题。本发明的网络：首先，使用不对称卷积边界细化模块(ACBR)从网络的编码器端提取丰富的视网膜血管信息并对其进行细化。其次，通道注意模块用于为那些分辨率较低的血管赋予足够的权重，防止它们在深度卷积和池化操作下权重消失。最后在网络中加入一个残差结构，增加了网络的深度，提高了网络的鲁棒性，防止了网络过拟合。本发明适用于对视网膜血管图像的分割。

公开(公告)号：CN115393584A

公开(公告)日：2022-11-25

申请号：CN202210921524.9

申请日：2022-08-02

Applicant: 哈尔滨理工大学

Inventor： 刘侠 ,  吕志伟 ,  李冰 ,  桂桑榆 ,  宋方影

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08 ,  G06V10/10

Abstract: 基于多任务超声甲状腺结节分割与分类模型的建立方法、分割与分类方法和计算机设备，属于图像处理技术领域，解决甲状腺结节多尺度、结节边缘模糊、良恶分类不平衡以及数据不平衡问题。方法包括：以FCN为主干共享网络，基于UNet解码层为分割分支网络和ResNet34为分类分支网络。主干共享网络对输入超声图像采用参数硬共享的方式进行浅层特征提取，将提取的特征共享给两个分支网络。分割分支网络中，首先在主干共享网络后引入深层卷积块，获取分割分支深层特征，其次对各个特征提取阶段获取到的浅层特征通过带有多尺度卷积注意力模块的跳跃连接操作。在分类分支残差模块前后结合M‑CBAM，通过M‑CBAM和残差模块优化分类性能。本发明适用于超声甲状腺结节的分割与分类。

公开(公告)号：CN115760769A

公开(公告)日：2023-03-07

申请号：CN202211450405.6

申请日：2022-11-19

Applicant: 哈尔滨理工大学

Inventor： 李冰 ,  宋方影

IPC: G06T7/00 ,  G06N3/08 ,  G06V10/764 ,  G06N3/048 ,  G06N3/0464

Abstract: 本发明公开了一种基于改进CNN的乳腺病理图像分类方法，属于医学领域，为了解决目前已有的分类模型分类精度不高的问题，本发明提供了一种乳腺病理图像分类方法。首先对图像数据进行染色标准化、数据增强和图像标准化处理，在ResNet101网络模型基础上，结合注意力机制模块(CBAM)，包括注意通道力机制和注意空间力机制，在网络模型中加入发明的FR模块，此模块能处理空间维度和深度维度的数量，使用交叉熵作为损失函数，最终通过消融实验，得出网络最优模型，将预处理后的测试集中乳腺病理图像输入分类结果，获得图像的预测结果。本发明对乳腺图像的高精度、高准确率的分类，对乳腺疾病的分析、研究、手术方案和治疗方法具有重要意义。

公开(公告)号：CN118657978A

公开(公告)日：2024-09-17

申请号：CN202410668495.9

申请日：2024-05-27

Applicant: 哈尔滨理工大学

Inventor： 李冰 ,  滕玥 ,  宋方影

IPC: G06V10/764 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06T7/00

Abstract: 基于残差注意力区分融合网络的乳腺病理图像分类网络、分类方法、计算机设备和存储介质，属于图像处理技术领域，解决乳腺组织病理图像特征信息表现不明显，乳腺癌细胞与正常细胞组织形态相似，使得网络无法有效识别乳腺病理图像良恶性各类别，各类别区分不明显的问题。本发明的网络：首先使用SE残差融合模块增强通道重要特征，抑制一些无关特征。其次通过双路残差注意力强化模块进一步增强通道和空间重要特征，降低重要特征的损失程度，增加残差结构通道数用于增加每个通道处理的特征信息。最后将类别区分模块分别添加再四个残差结构后面，得到不同层次病理特征，对特征信息进行融合，区分各类别。本发明适用于乳腺病理图像分类。