-
公开(公告)号：CN118469821B
公开(公告)日：2024-09-13
申请号：CN202410939677.5
申请日：2024-07-15
Applicant: 湖南大学
IPC: G06T3/4053 , G06N3/0464 , G06T3/18 , G06T3/4046 , G06V10/40 , G06V10/80
Abstract: 本申请涉及一种基于扩散模型的医学图像体积超分辨率方法，构建基于扩散模型的医学图像体积超分辨率模型；将医学图像输入至形变流特征提取模块，得到医学图像中相邻层之间的运动形变映射；基于医学图像和各层间的运动形变映射，得到形变估计图像；对形变估计图进行预处理，并将预处理后的形变估计图像分别输入至新型UNet网络中编码器的各层，输出多个特征图；每个特征图均经过复合卷积注意力模块，进行特征融合，分别得到对应的融合特征图；对每个融合特征图进行再次融合，分别得到对应的第二融合特征图；将每个第二融合特征图输入至新型UNet网络中的解码器，输出医学图像的超分辨率图像。该方法提升了图像的细节恢复和分辨率增强效果。
-
公开(公告)号：CN118490363A
公开(公告)日：2024-08-16
申请号：CN202410940457.4
申请日：2024-07-15
Applicant: 湖南大学
Abstract: 本申请涉及一种基于自适应神经网络的手术机器人末端力跟踪方法，该方法包括：手术机器人由机械臂和固定在其末端的末端执行器组成；通过机械臂的正逆动力学以及雅克比矩阵，建立末端执行器与机械臂之间的信息转换；建立末端执行器与人体组织交互的动力学模型，基于动力学模型设计末端力控制器；通过径向基函数神经网络确定最终的末端力控制器；基于机械臂上的关节速度、位姿以及最终的末端力控制器，跟踪并控制末端执行器的力。该方法可以提高机器人对手术力的控制精度，从而使得手术更加精确，且手术环境复杂多变；末端力控制器可以实时调整控制参数，适应不同的手术场景和组织特性，保证末端执行器的力跟踪性能。
-
公开(公告)号：CN118485114A
公开(公告)日：2024-08-13
申请号：CN202410940886.1
申请日：2024-07-15
Applicant: 湖南大学
IPC: G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0985 , G06T5/60
Abstract: 本申请涉及一种基于元学习的生成式对抗攻击方法，该方法包括：基于数据库和模型库构建元学习对抗攻击任务，元学习对抗攻击任务包括元训练任务和元测试任务，元训练任务用于训练更新用于元测试任务的生成对抗神经网络中的生成器；元测试任务包括进行目标形态迁移扩散操作、对抗扰动随机擦除操作以及正则化参数混合操作；元学习对抗任务用于训练生成对抗神经网络中的生成器和判别器，重复执行元学习对抗任务，直至达到第一迭代次数；获取目标图像，并将目标图像输入至训练好的生成对抗神经网络，得到目标图像的对抗扰动样本；对对抗扰动样本进行约束，将约束的对抗扰动样本叠加到目标图像得到对抗样本。
-
公开(公告)号：CN118470253A
公开(公告)日：2024-08-09
申请号：CN202410939983.9
申请日：2024-07-15
Applicant: 湖南大学
Abstract: 本申请涉及一种用于医学图像的表面网格重建方法，该方法包括：S1：构建医学图像重建模型，所述医学图像重建模型包括CNN特征提取部分、特征增强与映射部分、GNN形变部分；S2：将获取的3D体素医学图像经过所述CNN特征提取部分，提取目标组织的特征图；S3：通过所述特征增强与映射部分对所述目标组织的特征图进行增强；S4：基于增强的特征图，并通过所述GNN形变部分对模板网格进行变形，得到预测网格。该方法通过构建医学图像重建模型，提取3D体素医学图像的特征用以对模板网格进行变形，最终得到预测网格，有效提高了医学图像表面网格重建的准确性。
-
公开(公告)号：CN118470037A
公开(公告)日：2024-08-09
申请号：CN202410941292.2
申请日：2024-07-15
Applicant: 湖南大学
Abstract: 本申请涉及一种基于深度圆检测的无监督语义分割方法，该方法包括：构建第一阶段的仿射配准网络模型；获取心脏模板图像、目标图像；将心脏模板图像和目标图像输入至仿射配准网络优化训练；将心脏模板图像与目标图像进行特征对齐；将目标图像输入训练完成后的仿射配准网络模型得到仿射配准模板图像；获取目标图像和仿射配准模板图像；将目标图像和仿射配准模板图像输入至第二阶段的变形配准网络模型优化训练，得到变形配准模板图像；基于变形配准模板图像进行标签融合过程，确定目标图像的掩膜分割结果。该方法通过仿射配准模型和变形配准模型可以有效地捕获心脏的解剖结构，两阶段的网络框架能够实现对心脏解剖结构的无监督语义分割。
-
Patent Agency Ranking
公开(公告)号：CN114972756B
公开(公告)日：2024-07-19
申请号：CN202210597474.3
申请日：2022-05-30
Applicant: 湖南大学
Abstract: 本发明涉及计算机视觉领域，具体涉及一种医学图像的语义分割方法及装置，该方法包括S1.构建医学图像语义分割模型；S2.利用编码器对输入图像进行编码，输出不同阶段的编码结果，编码器在各阶段输出的编码结果尺度不同；S3.利用DMC模块分别对各阶段的编码结果以乘法的方式进行特征融合，并输出各阶段的特征图；S4.利用LPA模块处理各阶段的特征图，获得各阶段的注意力图；S5.利用解码器融合LPA模块各阶段输出的注意力图，得到与输入图像尺寸相同的分割结果。本发明能够提高医学图像分割的精度。
-
公开(公告)号：CN116388302B
公开(公告)日：2024-06-04
申请号：CN202310070578.3
申请日：2023-01-17
Applicant: 湖南大学
Abstract: 本发明提供一种协调网侧资源的自储能柔性互联配电网有功‑无功联合优化方法，在日前阶段构建计及有载调压变压器、离散/连续无功补偿装置、重构开关和智能储能软开关的长时间有功‑无功联合优化模型，在日内阶段建立多目标滚动优化模型；基于KL散度确定源荷不确定性模糊集，采用列与约束生成算法求解日前两阶段分布鲁棒优化模型，分布鲁棒优化模型通过求解不确定性变量最恶劣场景概率分布下的运行方案保证了日前调度方案的经济性和鲁棒性；日内多目标滚动优化基于理想点法进行转化，能够兼顾网损和电压优化，且可得到更为精确的日内各快速调控设备运行策略；并利用模型的线性化处理，在尽量减小误差前提下，能够大幅度提升模型的计算效率。
-
公开(公告)号：CN117745745B
公开(公告)日：2024-05-10
申请号：CN202410180218.3
申请日：2024-02-18
Applicant: 湖南大学
IPC: G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于上下文融合感知的CT图像分割方法，构建包含具有编码器和解码器的骨干结构、并行空洞卷积模块PDCM、金字塔融合模块PFM和位置注意力模块PAM的CT图像分割模型，利用交叉熵和骰子损失作为混合损失来优化模型；利用编码器对输入图像进行编码，输出不同阶段的编码结果；利用PFM模块分别对不同阶段的编码结果级联并通过不同速率的可分离空洞卷积进行上下文特征融合，将输出与同阶段解码器跳接；利用PDCM模块对编码器最终输出的特征图通过六个不同的分支增强融合，对高阶特征映射经过改造后送入解码器；利用PAM模块对解码器输出的各阶段特征图通过多层位置注意力定位并分割出目标。提高了目标分割的准确率。
-
公开(公告)号：CN117649398A
公开(公告)日：2024-03-05
申请号：CN202311758620.7
申请日：2023-12-20
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/0464 , G06N3/084 , G06T7/10 , G06T7/13 , G06V10/42 , G06V10/764
Abstract: 本申请涉及一种航空发动机叶片表面缺陷识别方法及系统，方法包括：获取航空发动机涡轮叶片的表面图像以及图像特征映射关系；根据图像特征映射关系生成表面图像的分割伪标签；获取分割伪标签提供的缺陷位置先验；基于缺陷位置先验增强缺陷区域的特征值，得到增强图像；将增强图像与分割网络的输出连接，得到全局特征，并将全局特征输入至分类网络，得到缺陷预测结果。系统包括：获取模块，伪标签生成模块，缺陷先验挖掘模块，缺陷先验挖掘模块，全局信息提取及分类预测模块。该方法实现了对微小以及弱特征缺陷的精确分类，不需要人工检测，省时省力，同时避免漏检、误检以及其它因素造成的检测精度问题，提高了检测精度以及效率。
-
公开(公告)号：CN116912503B
公开(公告)日：2023-12-01
申请号：CN202311181827.2
申请日：2023-09-14
Applicant: 湖南大学
IPC: G06V10/26 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/42 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于层级融合策略的多模态MRI脑肿瘤语义分割方法，包括构建多模态脑肿瘤语义分割模型，模型包括具有多分支编码器与单一分支解码器的骨干结构、多模态融合模块MMF、多分支聚合模块MBA和大核卷积跳跃连接模块LKC；多分支编码器对不同模态输入图像进行编码输出对应的编码结果；MMF模块对编码结果进行拼接并提取多模态特征表示，通过通道注意力和高斯调制函数得到对应模态的特征图；MBA模块聚合最后阶段的对应模态的特征图，对多模态特征图进行处理后送入解码器；LKC模块连接对应阶段的特征图与解码器在对应阶段输出的特征图，由解码器的解码路径生成多模态脑(56)对比文件Hao Du等.SinPA-Net:Swin Transformer-Based Multiscale Feature PyramidAggregation Network for Medical ImageSegmentation.IEEE Transactions on NeuralNetworks and Learning Systems.2022,全文.
-
-
-
-
-
-
-
-
-
Search Results
151
records
(took 0.032 seconds)
