-
公开(公告)号：CN118015008A
公开(公告)日：2024-05-10
申请号：CN202410151130.9
申请日：2024-02-02
Applicant: 哈尔滨工业大学
IPC: G06T7/10 , G06N3/0455 , G06N3/0464 , G06N3/042 , G06N3/09
Abstract: 一种基于异步增强先验的DCE‑MRI图像分割方法，它属于图像处理技术领域。本发明解决了采用现有方法对DCE‑MRI图像进行分割的效果差的问题。本发明方法采取的主要技术方案为：步骤S1、对目标区域已知的每张三维DCE‑MRI图像分别进行预处理，得到每张图像对应的期相序列P；将目标区域标签y和期相序列P作为训练数据；步骤S2、对每个期相序列P分别做差分计算，得到每个期相序列P对应的差分序列D；步骤S3、构建异步增强先验网络，利用训练数据和训练数据对应的差分序列D来训练异步增强先验网络；步骤S4、对待分割的DCE‑MRI图像进行处理后，将处理结果输入训练好的异步增强先验网络，得到对待分割DCE‑MRI图像的分割结果。本发明方法可以应用于DCE‑MRI图像分割。
-
公开(公告)号：CN117422912A
公开(公告)日：2024-01-19
申请号：CN202311366790.0
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/194 , G06N3/048 , G06N3/042 , G06N3/096
Abstract: 一种基于提示学习的组织病理图像多任务分类系统，它属于医学图像分析技术领域。本发明解决了现有多任务学习模型忽视了各任务间潜在的关联性，导致现有方法对组织病理图像多任务分类的性能差的问题。本发明通过为每个任务设计任务特定的提示，并引入任务相关性学习模块，能够显式地识别和利用各种任务之间的潜在关联性。此外，本发明在训练时对整个神经网络模型进行了全面微调，使各个任务之间相互促进，这一策略不仅显著提高了其相对于训练多个单任务模型的计算效率和性能，还增强了模型对多种不同任务的适应能力，提升了本发明方法在组织病理图像多任务分类上的性能。本发明可以应用于医学图像分析。
-
公开(公告)号：CN117422911A
公开(公告)日：2024-01-19
申请号：CN202311366788.3
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/20 , G06V10/40 , G06V10/774 , G06T7/00 , G06T7/194 , G06N20/00
Abstract: 一种协同学习驱动的多类别全切片数字病理图像分类系统，它属于医学图像分析技术领域。本发明解决了现有方法仅关注二分类且无法捕捉类相关语义信息的问题。本发明首先获取待分类的全切片数字病理图像，再对图像进行预处理，获取前景组织区域图像并将前景组织区域图像分割为子图像补丁；对子图像补丁进行编码，根据编码结果得到补丁特征令牌；设置分类令牌，根据补丁特征令牌和分类令牌进行计算，再根据计算结果生成类激活图，并根据类激活图得到类别的热力图。本发明可以应用于数字病理图像分类。
-
Patent Agency Ranking
公开(公告)号：CN119475243A
公开(公告)日：2025-02-18
申请号：CN202411636139.5
申请日：2024-11-15
Applicant: 哈尔滨工业大学
IPC: G06F18/25 , G06F18/213 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/042 , G06N3/08
Abstract: 一种基于VQ‑GCN的医学多模态隐空间对齐融合方法及系统，它属于医学多模态融合技术领域。本发明解决了传统融合方法难以在同一特征空间内保持语义一致性的问题。本发明方法具体为：步骤S1、分别为每个模态数据分别构建特征提取器；步骤S2、并将各个模态数据分别输入对应的特征提取器，获得各个模态数据的模态特征；步骤S3、对各个模态数据的模态特征进行隐空间对齐，分别获得各个模态的最终语义编码特征以及全部模态的最终共有语义特征；步骤S4、对各个模态的最终语义编码特征和全部模态的最终共有语义特征进行分层跨模态注意力特征融合，获得医学多模态特征融合结果。本发明方法可以应用于医学多模态隐空间对齐融合。
-
公开(公告)号：CN117422912B
公开(公告)日：2024-08-23
申请号：CN202311366790.0
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/194 , G06N3/048 , G06N3/042 , G06N3/096
Abstract: 一种基于提示学习的组织病理图像多任务分类系统，它属于医学图像分析技术领域。本发明解决了现有多任务学习模型忽视了各任务间潜在的关联性，导致现有方法对组织病理图像多任务分类的性能差的问题。本发明通过为每个任务设计任务特定的提示，并引入任务相关性学习模块，能够显式地识别和利用各种任务之间的潜在关联性。此外，本发明在训练时对整个神经网络模型进行了全面微调，使各个任务之间相互促进，这一策略不仅显著提高了其相对于训练多个单任务模型的计算效率和性能，还增强了模型对多种不同任务的适应能力，提升了本发明方法在组织病理图像多任务分类上的性能。本发明可以应用于医学图像分析。
-
公开(公告)号：CN116993770A
公开(公告)日：2023-11-03
申请号：CN202311031721.4
申请日：2023-08-16
Applicant: 哈尔滨工业大学
IPC: G06T7/194 , G06T5/00 , G06N3/0464 , G06N3/09
Abstract: 一种基于残差扩散模型的图像分割方法，它属于图像处理技术领域。本发明解决了现有模糊图像分割算法的分割效果差的问题。本发明的主要方案为：步骤S1、对已知目标区域的三维图像进行预处理，将预处理后的图像作为训练数据；步骤S2、将步骤S1中预处理后图像的目标区域标签转换成体素级的独热编码分割标签向量y0；步骤S3、构建残差扩散模型，所述残差扩散模型包括扩散先验网络和噪声估计网络两个部分；利用训练数据和分割标签向量y0对扩散先验网络和噪声估计网络进行联合训练；步骤S4、对待分割图像进行预处理操作后，利用训练好的残差扩散模型的参数对预处理后的待分割图像进行分割。本发明方法可以应用于图像分割。
-
公开(公告)号：CN117422911B
公开(公告)日：2024-04-30
申请号：CN202311366788.3
申请日：2023-10-20
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/20 , G06V10/40 , G06V10/774 , G06T7/00 , G06T7/194 , G06N20/00
Abstract: 一种协同学习驱动的多类别全切片数字病理图像分类系统，它属于医学图像分析技术领域。本发明解决了现有方法仅关注二分类且无法捕捉类相关语义信息的问题。本发明首先获取待分类的全切片数字病理图像，再对图像进行预处理，获取前景组织区域图像并将前景组织区域图像分割为子图像补丁；对子图像补丁进行编码，根据编码结果得到补丁特征令牌；设置分类令牌，根据补丁特征令牌和分类令牌进行计算，再根据计算结果生成类激活图，并根据类激活图得到类别的热力图。本发明可以应用于数字病理图像分类。
-
公开(公告)号：CN114863104B
公开(公告)日：2023-08-08
申请号：CN202210480964.5
申请日：2022-05-05
Applicant: 哈尔滨工业大学
IPC: G06V10/26 , G06V10/764 , G06V10/80 , G06V10/774 , G06N3/0455 , G06N3/09
Abstract: 一种基于标签分布学习的图像分割方法，它属于图像处理技术领域。本发明解决了现有方法无法充分利用神经网络中捕捉的先验信息导致分割结果的准确率低，且分割结果边界不连续的问题。本发明首先利用语义分割标签生成多分辨率的标签分布，并在分割网络不同的上采样层加入对应分辨率的标签分布监督，利用标签分布学习的方法训练网络，并得到不同细节的预测区域分布，最后基于上述预测区域分布实现逐像素的稠密分布预测。本发明方法能够充分利用分割网络中生成的先验信息，并能够有效的捕捉边界信息进而促进边界的分割，可以准确且高效地实现图像的语义分割任务，保证了图像分割的准确性。本发明方法可以应用于对图像进行分割。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.028 seconds)
