公开(公告)号：CN117726633B

公开(公告)日：2024-04-19

申请号：CN202410172835.9

申请日：2024-02-07

Applicant: 安徽大学

Inventor： 杜秀全 ,  高伟剑

IPC: G06T7/10 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08 ,  G06T7/00

Abstract: 本发明属于医学图像分析领域，具体涉及一种基于特征融合的双分支冠状动脉图像的分割方法、系统和装置。本发明利用经过训练的多尺度双分支网络根据输入为CTA图像生成对应的分割图像；该网络采用包含编码器和解码器的四层U型网络架构；编码器部分采用包含全局分支和细节分支的双分支结构；细节分支由四层带池化的Res‑Block构成，每一层进行特征提取并为部分子图赋予自适应权重；全局分支的每一层包括一个带池化的Res‑Block和一个多尺度特征融合模块；编码器和解码器的各层之间采用残差反向边缘模块形成跳跃连接。本发明解决了冠心病的早期机器诊断中，因冠状动脉分支的结构差异较大，组织粘连明显而导致的分割困难问题。

公开(公告)号：CN117745650A

公开(公告)日：2024-03-22

申请号：CN202311625213.9

申请日：2023-11-30

Applicant: 安徽大学

Inventor： 杜秀全 ,  裴政 ,  陈子露 ,  刘颖 ,  何嘉棋

IPC: G06T7/00 ,  G06T7/10 ,  G06T7/62 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明涉及一种基于深度多任务回归网络的左心室量化方法，其利用模型对待处理心脏MR图像进行左心室量化，模型包括特征提取模块和分割量化模块。特征提取模块包括特征表示网络、指数估计网络。特征表示网络包括深度卷积编码器‑解码器模块。指数估计网络包含MS‑CNN模块和双向LSTM模块。MS‑CNN模块利用多个独立CNN模型，采用不同核大小和池化大小，从编码器‑解码器模块的高级特征图中提取出更有效的低级特征。双向LSTM模块用于捕捉心脏结构的动态变化。分割量化模块包括对心脏MR图像进行处理的编码器‑解码器结构。编码器‑解码器结构包括通过短程跳跃连接起来的两个子编码器。本发明解决现有技术缺乏分割与量化任务的相互辅助的技术问题。

公开(公告)号：CN117649422B

公开(公告)日：2024-04-12

申请号：CN202410121532.4

申请日：2024-01-30

Applicant: 安徽大学

Inventor： 杜秀全 ,  章旭

IPC: G06T7/11 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/048 ,  G06N3/094 ,  G06V10/26 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82

Abstract: 本申请涉及一种多模态图像分割模型的训练方法和多模态图像分割方法，其中，该训练方法包括：获取训练样本集，训练样本包括源域真实图及其分割标签和、目标域真实图；通过源域真实图和目标域真实图，对图像转换模块进行训练，并通过图像转换模块得到源域生成图及其特征图、目标域生成图及其特征图、源域真实图和目标域真实图的特征图；通过训练样本集、源域生成图及其特征图、目标域生成图及其特征图、源域真实图和目标域真实图的特征图，对图像分割模块进行训练。解决了目前基于半监督学习的多模态图像分割方法中，当目标域的生成图和真实图之间存在较大的数据分布差异时，半监督学习的有效性会受到影响，最终影响图像分割效果的问题。

公开(公告)号：CN115661459A

公开(公告)日：2023-01-31

申请号：CN202211363695.0

申请日：2022-11-02

Applicant: 安徽大学

Inventor： 杜秀全 ,  王召鹤 ,  邹军国 ,  吴昌雨

IPC: G06V10/26 ,  G06V10/776 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0455 ,  G06N3/096 ,  G06N3/0895

Abstract: 本发明涉及一种使用差异信息的2D mean teacher模型，其是在mean teacher框架的基础上改进得到的。mean teacher框架是一个比较流行的半监督学习框架，很多优秀的半监督框架都是对其的改造。本发明在基础的mean teacher基础上，提取出学生模型的预测和教师模型的预测间的差异信息，然后通过约束提取出的差异信息，来保证学生模型和教师模型之间的预测一致性，保证二者可以互相学习。同时，为了进一步保证学生模型和教师模型间的一致性，从而提升模型性能，本发明利用提取的差异信息，对模型间的一致性损失进行了改进，使其能够更加关注图像的具有挑战性的区域。

公开(公告)号：CN119740148A

公开(公告)日：2025-04-01

申请号：CN202510246949.8

申请日：2025-03-04

Applicant: 安徽医科大学第一附属医院 ,  安徽大学

Inventor： 张跃 ,  方明 ,  杜秀全

IPC: G06F18/2431 ,  G06F18/214 ,  G06F18/213 ,  G06N3/0499 ,  G06N3/047 ,  G06F123/02

Abstract: 本发明属于大数据处理技术领域，具体涉及一种适用于不规则时间序列的分类方法、系统和设备。该方法包括先构建一个包括时间感知插补器、前双重自注意力模块、偏移选择模块、后双重自注意力模块和分类器的分类模型。再获取大量带有标签信息的不规则时间序列作为样本数据，对分类模型进行训练、验证和测试，保留性能最优的模型参数，并用于执行不规则时间序列的分类任务。其中，时间感知插补器用于对输入数据进行编码然后结合点积注意力机制完成数据插补；偏移选择模块用于生成偏移量和偏移后的特征，然后通过双线性插值方法生成表征优化后数据的新的特征向量。本发明解决了现有方案精度不足、计算成本高、数据处理方法不够灵活的问题。

公开(公告)号：CN119380134A

公开(公告)日：2025-01-28

申请号：CN202411399750.0

申请日：2024-10-09

Applicant: 安徽大学

Inventor： 杜秀全 ,  吴瀚骋 ,  段志强

IPC: G06V10/774 ,  G06V10/26 ,  G06V10/80 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本申请涉及一种医学图像分割模型的训练方法、医学图像分割方法，其中，该训练方法包括：通过样本医学图像对图像分割模型进行监督训练；其中，医学图像分割模型包括Transformer网络和CNN网络；Transformer网络的编码部分包括粗粒度编码分支、细粒度编码分支和特征信息融合分支，粗粒度编码分支和细粒度编码分支的特征输出通过特征信息融合分支进行特征融合，特征信息融合分支的特征输出作为Transformer网络的解码部分的特征输入；特征信息融合分支的特征输出还作为CNN网络的编码部分的特征输入，CNN网络的解码部分的特征输入包括CNN网络的编码部分的特征输出。将Transformer网络和CNN网络进行有效结合，能够将两个网络所提取的图像特征充分融合，使得两个网络的优劣势互补。

公开(公告)号：CN117726633A

公开(公告)日：2024-03-19

申请号：CN202410172835.9

申请日：2024-02-07

Applicant: 安徽大学

Inventor： 杜秀全 ,  高伟剑

IPC: G06T7/10 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08 ,  G06T7/00

Abstract: 本发明属于医学图像分析领域，具体涉及一种基于特征融合的双分支冠状动脉图像的分割方法、系统和装置。本发明利用经过训练的多尺度双分支网络根据输入为CTA图像生成对应的分割图像；该网络采用包含编码器和解码器的四层U型网络架构；编码器部分采用包含全局分支和细节分支的双分支结构；细节分支由四层带池化的Res‑Block构成，每一层进行特征提取并为部分子图赋予自适应权重；全局分支的每一层包括一个带池化的Res‑Block和一个多尺度特征融合模块；编码器和解码器的各层之间采用残差反向边缘模块形成跳跃连接。本发明解决了冠心病的早期机器诊断中，因冠状动脉分支的结构差异较大，组织粘连明显而导致的分割困难问题。

公开(公告)号：CN115049603A

公开(公告)日：2022-09-13

申请号：CN202210633745.6

申请日：2022-06-07

Applicant: 安徽大学

Inventor： 徐晨初 ,  宋雨荟 ,  张燕平 ,  杜秀全 ,  赵姝

IPC: G06T7/00 ,  G06T7/10 ,  G06V10/40 ,  G06V10/74 ,  G06V10/762 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于小样本学习的肠息肉分割方法及系统，系统包括：收集训练样本，获取测试样本，将训练样本和测试样本分别再次划分为支持集和查询集；构建特征提取模块来提取支持图像和查询图像的特征信息；构建多级原型学习模块来学习支持图像中的多级目标原型并使其引导查询图像来寻找疑似目标区域；构建全局信息交互模块使得支持图像和查询图像进行充分的信息交互，使查询图像与支持图像的特征层次和对比度相似；构建神经网络，利用训练样本训练该神经网络，优化网络参数，得到神经网络模型；将测试样本输入至上述模型中，经计算输出肠息肉分割图像。解决了分割精度低、依赖充分训练及过度依赖用户交互的问题。

公开(公告)号：CN115049603B

公开(公告)日：2024-06-07

申请号：CN202210633745.6

申请日：2022-06-07

Applicant: 安徽大学

Inventor： 徐晨初 ,  宋雨荟 ,  张燕平 ,  杜秀全 ,  赵姝

IPC: G06V10/26 ,  G06V20/70 ,  G06V10/44 ,  G06V10/74 ,  G06V10/762 ,  G06V10/764 ,  G06V10/82 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/09 ,  G06N3/048

Abstract: 本发明提供一种基于小样本学习的肠息肉分割方法及系统，系统包括：收集训练样本，获取测试样本，将训练样本和测试样本分别再次划分为支持集和查询集；构建特征提取模块来提取支持图像和查询图像的特征信息；构建多级原型学习模块来学习支持图像中的多级目标原型并使其引导查询图像来寻找疑似目标区域；构建全局信息交互模块使得支持图像和查询图像进行充分的信息交互，使查询图像与支持图像的特征层次和对比度相似；构建神经网络，利用训练样本训练该神经网络，优化网络参数，得到神经网络模型；将测试样本输入至上述模型中，经计算输出肠息肉分割图像。解决了分割精度低、依赖充分训练及过度依赖用户交互的问题。

公开(公告)号：CN117649422A

公开(公告)日：2024-03-05

申请号：CN202410121532.4

申请日：2024-01-30

Applicant: 安徽大学

Inventor： 杜秀全 ,  章旭

IPC: G06T7/11 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/048 ,  G06N3/094 ,  G06V10/26 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82

Abstract: 本申请涉及一种多模态图像分割模型的训练方法和多模态图像分割方法，其中，该训练方法包括：获取训练样本集，训练样本包括源域真实图及其分割标签和、目标域真实图；通过源域真实图和目标域真实图，对图像转换模块进行训练，并通过图像转换模块得到源域生成图及其特征图、目标域生成图及其特征图、源域真实图和目标域真实图的特征图；通过训练样本集、源域生成图及其特征图、目标域生成图及其特征图、源域真实图和目标域真实图的特征图，对图像分割模块进行训练。解决了目前基于半监督学习的多模态图像分割方法中，当目标域的生成图和真实图之间存在较大的数据分布差异时，半监督学习的有效性会受到影响，最终影响图像分割效果的问题。