-
公开(公告)号：CN114723698B
公开(公告)日：2025-01-17
申请号：CN202210331209.0
申请日：2022-03-30
Applicant: 浙江工业大学
IPC: G06T7/00 , G06T7/12 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/44 , G06V10/82
Abstract: 一种基于多尺度注意力网络的脑血管医学图像分割方法，首先将原始的脑血管MRA图像进行预处理，随后训练一个多尺度注意力UNet网络；网络模型上编码部分通过多尺度注意力模块提取脑血管图像的特征，提升有效特征的学习能力；解码部分通过跳级连接融合多尺度特征，提高模型分割的精准度；最后将待分割的测试数据输入训练好的模型得到分割结果并进行三维重建。本发明考虑脑血管在脑部影像中的复杂特点，针对性地提出网络模型进行脑血管影像的分割与三维重建，解决了脑部血管高度复杂、位置形态不一等带来的分割难题，提高MRI脑血管影像的分割精度。
-
公开(公告)号：CN113052171B
公开(公告)日：2024-09-24
申请号：CN202110314935.7
申请日：2021-03-24
Applicant: 浙江工业大学
IPC: G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 一种基于渐进式生成网络的医学图像增广方法，提出了一种基于纹理连续性辨别和图像重构约束的渐进式生成网络，并构建了新颖的增广方法。该方法可依据无病灶感兴趣区域(ROI)图像的纹理信息和带病灶ROI图像的病灶信息生成带病灶的ROI合成图。所得ROI合成图被无缝blending入无病灶真实图的对应位置以增广病灶检测器的训练样本。为保证ROI合成图的临床表征和纹理连续性满足检测训练的要求，“先降后升”的渐进式生成策略被提出。此外，病灶周边区域的纹理连续性辨别方法被设计，重构损失对生成网络的约束被利用。
-
公开(公告)号：CN118587470A
公开(公告)日：2024-09-03
申请号：CN202410548215.0
申请日：2024-05-06
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/70 , G06N3/0455 , G06N3/09 , G06T7/11
Abstract: 一种双分支证据动态融合伪标签的简笔监督医学图像分割方法，双分支特征器训练单元通过上下分支特征提取网络，获得输入医学图像各像素点的有差异的两个特征结果，上下分支共享解码器参数，不需要额外训练两个不同的特征提取网络；证据获取单元将上下分支提取到的像素点特征结果进行重新建模，获取上下分支的Dirichlet分布；联合训练单元同时利用上下分支Dirichlet分布，使用证据融合，通过一致性损失以监督没有标签的证据，使用部分证据优化损失优化有标签的证据。以及提供一种简笔监督医学图像分割系统。本发明在保证分割性能的同时提高了模型的泛化能力和鲁棒性。
-
公开(公告)号：CN118115552A
公开(公告)日：2024-05-31
申请号：CN202410119189.X
申请日：2024-01-29
Applicant: 浙江工业大学
IPC: G06T7/33 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 一种基于深度交叉注意力机制的三维脑部图像可形变配准方法，包括以下步骤：步骤1：获取三维脑部图像数据集并进行预处理；步骤2：从三维脑部图像数据集中挑选成对训练图像，输入到配准模型中；步骤3：训练配准模型；步骤4：计算配准模型损失函数，将配准模型最优化；步骤5：用评价指标对配准模型进行评估；步骤6：保存配准模型。本发明提供了一种提升配准精度和训练时间的基于深度交叉注意力机制的三维脑部图像可形变配准方法。
-
公开(公告)号：CN118096812A
公开(公告)日：2024-05-28
申请号：CN202311229571.8
申请日：2023-09-22
Applicant: 浙江工业大学
IPC: G06T7/194 , G06T7/11 , G06V10/26 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 基于超像素和双分支图卷积网络的涂鸦监督上颌窦分割方法和装置，其方法包括：对口腔CBCT冠状图上颌窦区域进行涂鸦标注；划分数据集并生成超像素集；使用超像素集训练改进的特征提取网络；提取训练图像的超像素特征并构建超像素图；训练双分支超像素分类网络；提取超像素特征；构建超像素图；分割上颌窦。将口腔CBCT图像输入线性谱聚类得到对应图像的超像素块；运用改进的Unet提取其各超像素块的特征，并依据超像素块之间的空间关系构建各图像的超像素图；使用上下分支图卷积神经网络，将改进的图卷积神经网络IGCN作为主要的超像素分类网络；同时上下分支网络共享图卷积层参数。本发明解决了涂鸦标注监督信息不足导致分割性能不佳的问题。
-
Patent Agency Ranking
公开(公告)号：CN113470046B
公开(公告)日：2024-04-16
申请号：CN202110667134.9
申请日：2021-06-16
Applicant: 浙江工业大学
Abstract: 一种面向医学图像超像素灰度纹理采样特征的图注意力网络分割方法，包括以下步骤：步骤一：超像素分割；步骤二：提取超像素灰度纹理采样特征；步骤三：超像素构图；步骤四：超像素真值标签设定；步骤五：训练多头注意力网络模型；步骤六：超像素分类与图像分割。本发明提出了一种分割精度高、运行效率高的医学图像图注意力网络分割方法，降低了医学图像分割任务的数据处理规模，提高了其分割模型的训练速度。
-
公开(公告)号：CN113469225B
公开(公告)日：2024-03-22
申请号：CN202110666728.8
申请日：2021-06-16
Applicant: 浙江工业大学
IPC: G06F18/20 , G06F18/213 , G06N3/094 , G06T3/04
Abstract: 一种基于跨域特征相关性分析的图像转换方法，提出了将较易获得的paired但unaligned cross‑domain真实胰腺瘤图像采用为弱标签，并构建了一种基于特征相关性分析的图像转换框架；图像转换模型可将源domain胰腺瘤真实图转换为目标domain合成图，临床表征准确的合成图具有较高的病理诊断价值。在有标签监督的情况下，转换模型的性能通常会被提升；从而，合成图表征更为准确。作为结果，转换前后的真实图/合成图之间的cross‑domain图像特征相关性被该框架分析，并对转换模型的优化提供约束。
-
公开(公告)号：CN112731282B
公开(公告)日：2023-12-26
申请号：CN202011430717.1
申请日：2020-12-09
Applicant: 浙江工业大学
IPC: G01S3/802
Abstract: 一种基于虚拟子阵交织的声阵列空间滤波方法，所述方法包括波束成形方法和波达方向估计方法。一种基于虚拟子阵交织的声阵列空间滤波系统，所述系统包括：超密集微声虚拟阵列，用于设置阵列框架，模拟声波的多径现象；声阵列空间滤波模块，用于将输入声源进行白噪声削弱进行波束成形和波达方向计算。本发明利用超密集微声阵列的冗余特性，构建出多种不同的虚拟子阵，利用子阵间不同的阵列流行对同一目标形成多种不同的测量结果，以加权平均的方式滤除结果中的随机噪声及干扰，可以提高阵列波束成形的指向性及波达方向估计的精度。
-
公开(公告)号：CN116385322A
公开(公告)日：2023-07-04
申请号：CN202211715602.6
申请日：2022-12-29
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于图像融合的黑色素瘤数据增强方法，包括：获取黑色素瘤数据集并将黑色素瘤数据集中的图像统一尺寸；遍历统一尺寸后的图像，对每个图像执行如下操作：将图像对半裁剪，获得两张裁剪后的图像；对两张裁剪后的图像随机翻转其中一张，记随机翻转后的裁剪图像为第一图像，未随机翻转的裁剪图像为第二图像；随机获取一个[0,1]的比例数，按比例数融合第一图像和第二图像形成融合图像；保存全部融合图像，完成黑色素瘤数据集中图像的数据增强。该方法通过对图像自身进行裁剪处理后按比例数融合实现图像数据增强，从而达到数据类别平衡及扩充数据量，提高模型鲁棒性的目的，可精准识别黑色素瘤。
-
公开(公告)号：CN115602294A
公开(公告)日：2023-01-13
申请号：CN202211175481.0
申请日：2022-09-26
Applicant: 浙江工业大学(CN)
IPC: G16H30/20 , G16H30/40 , G06V10/80 , G06V10/774 , G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于双通道条件融合的医学图像因果合理性检测方法，包括：获取医学图像数据集并从中选取一张医学图像记为原始医学图像；利用医学图像扰动器获取正样对和负样对；建立双通道条件融合模型，采用双通道分别对正样对和负样对中两张医学图像融合提取其因果特征，根据两次医学图像的时间间隔，有区别的比较与融合来自两张医学图像的抽象特征，并且能抑制因为病人姿态和设备参数不同带来的差异，使得提取的抽象特征对时间高度敏感，增加时间感知能力，可更好的获得因果特征，克服现有技术因果关系提取方法中时间跨度不可调，对因病人姿态、成像参数不同带来的干扰过于敏感的问题，且能够获得更加准确的检测结果。
-
-
-
-
-
-
-
-
-
Search Results
191
records
(took 0.03 seconds)
