-
公开(公告)号：CN108961272B
公开(公告)日：2021-10-26
申请号：CN201810708543.7
申请日：2018-07-02
Applicant: 浙江工业大学
IPC: G06T7/11
Abstract: 一种基于深度卷积对抗生成网络的皮肤病图像的生成方法，包括以下步骤：步骤1：对原始训练数据的预处理，对原始训练数据进行分割，得到皮肤病变区域的分割图片；步骤2：深度卷积对抗生成网络结构的建立，使用卷积神经网络来进行分别构建生成器和判别器；步骤3：设定生成网络和分类网络的输入；步骤4：优化目标的设定，对于判别器来说，判别器负责对真假样本进行分类，生成器生成的样本为假，实际输入的真实样本为真，最小化分类误差；对于生成器来说，生成器尽可能的去生成和真实样本一样的假样本；步骤5：网络的训练。本发明利用人工分割出来的皮损样本作为对抗生成网络的训练样本，然后使用对抗生成网络来生成新的皮肤病样本。
-
公开(公告)号：CN113470045A
公开(公告)日：2021-10-01
申请号：CN202110666189.8
申请日：2021-06-16
Applicant: 浙江工业大学
Abstract: 一种基于超像素统计特征和图注意力网络的口腔CBCT图像分割方法，包括以下步骤：步骤一：CT值初始化；步骤二：超像素分割；步骤三：超像素构图与真值标签设定；步骤四：提取超像素统计特征；步骤五：构建图注意力网络模型；步骤六：训练模型；步骤七：CBCT图像分割。本发明提出了一种分割精度高、运行效率高的的口腔CBCT图像分割方法，降低了口腔CBCT图像目标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：CN109472817B
公开(公告)日：2021-08-03
申请号：CN201811128381.6
申请日：2018-09-27
Applicant: 浙江工业大学
Abstract: 一种基于循环生成对抗网络的多序列磁共振图像配准方法，包括以下步骤：1)对输入的序列1和序列2的磁共振原始图像，用CycleGAN进行训练，输出序列1和序列2的磁共振生成图像；2)对同序列的生成图像和原始图像进行单模态配准，计算变换矩阵及同序列两图之间的相似性度量；3)比较两个序列的相似性度量，选择对应策略，输出最终变换矩阵；4)使用最终变换矩阵对浮动图进行变换，获得最终的结果图。本发明对已配准样本的依赖较小，网络可训练性较高，抗干扰能力较强，配准精度较高。
-
公开(公告)号：CN108550133B
公开(公告)日：2021-05-18
申请号：CN201810174376.2
申请日：2018-03-02
Applicant: 浙江工业大学
Abstract: 一种基于Faster R‑CNN的癌细胞检测方法，所述方法包括以下步骤：步骤1，对数据进行预处理，对数据集进行人工标定，将数据集做成pascal_voc数据集格式，人工标定的目的是得到图片标签，标签为每张图片中癌细胞目标所在位置的左上角和右上角坐标和目标的类别；步骤2，对数据进行初步检测，将所述数据集和图片标签作为深度学习Faster R‑CNN神经网络的训练集，结合RPN及Fast R‑CNN卷积神经网络对数据进行训练，得到最终癌细胞的初检测模型；步骤3，对数据进行再检测，结合CSA算法进行癌细胞的再检测，得到的检测结果结合初检测结果，分析得到最终的癌细胞检测结果。本发明整体检测精度较高。
-
公开(公告)号：CN112132189A
公开(公告)日：2020-12-25
申请号：CN202010896063.5
申请日：2020-08-31
Applicant: 浙江工业大学
Abstract: 一种面向CBCT图像的密度峰值超像素预处理方法，将CBCT图像的Hu值转化为像素亮度值，通过计算每个像素的局部密度和距离，得出每个像素的决策值，根据决策值确定出目标数目的聚类中心，然后计算每个像素和聚类中心的加权距离并为像素赋上标签生成超像素，再对不合理的超像素区域进行合并，得到CBCT区域级图像。本发明利用局部密度峰值聚类的超像素分割，提高了CBCT图像预处理的便捷性和有效性，降低了预处理的图像损失率。
-
Patent Agency Ranking
公开(公告)号：CN110189327A
公开(公告)日：2019-08-30
申请号：CN201910297397.8
申请日：2019-04-15
Applicant: 浙江工业大学
Abstract: 一种基于结构化随机森林编码器的眼底视网膜血管分割方法，包括如下步骤：S01：图像采集标注；S02：图像预处理；S03：提取特征：对眼底视网膜图像提取基于像素点的融合特征，特征由邻域信息，纹理和光照不敏感特征组成；S04：构建结构化随机森林编码器：使用结构化标签代替随机森林分类的二值标签，构建结构化随机森林编码器；S05：特征编码重构：通过结构化随机森林编码器对上述提取特征进行编码重构，得到新的特征；S06：随机森林分类模型训练：以新特征作为随机森林分类器输入，训练分类模型；S07：眼底视网膜血管分割：对需要分割的图像提取结构化随机森林编码特征，输入随机森林分类器，得到分割完成的血管图像。
-
公开(公告)号：CN110189295A
公开(公告)日：2019-08-30
申请号：CN201910303510.9
申请日：2019-04-16
Applicant: 浙江工业大学
Abstract: 一种基于随机森林和中心线的眼底视网膜血管分割方法，包括如下步骤：S01：图像采集；S02：图像预处理；S03：提取特征：对眼底视网膜图像提取基于像素点的融合特征，特征以领域信息，纹理和光照不敏感特征组成；S04：随机森林分类模型训练：以新特征作为随机森林分类器输入，训练分类模型，完成粗分割；S05：提取中心线：提取粗分割血管的中心线；S06：连接中断中心线：搜索中心线像素点，判断相近的端点对，对端点对进行曲率计算，差值的绝对值小于阈值则按曲率连接两个端点；S07：血管补全：重新搜索中心线像素点，对中断处血管进行补全。本发明消除血管图像分割中的血管中断现象。
-
-
公开(公告)号：CN109959122A
公开(公告)日：2019-07-02
申请号：CN201910178740.7
申请日：2019-03-11
Applicant: 浙江工业大学
Abstract: 一种基于长短期记忆循环神经网络的空调能耗预测方法，包括以下步骤：步骤1，采集数据，采集大冲能源公司提供的水冷中央空调项目正常运行的水冷中央空调数据、对应的环境数据；步骤2，对得到正常运行的水冷中央空调数据、对应的环境数据进行数据预处理；步骤3、对数据集进行训练，实现空调能耗预测，采用LSTM‑RNN长短期记忆循环神经网络，将预处理后的数据集和对应的功耗作为LSTM‑RNN长短期记忆循环神经网络的输入，进行网络训练后，得到最终的预测模型；步骤4、将测试数据输入预测模型，得到空调当前工况下的能耗值。本发明简化了模型训练过程，提升了预测准确率。
-
公开(公告)号：CN109472817A
公开(公告)日：2019-03-15
申请号：CN201811128381.6
申请日：2018-09-27
Applicant: 浙江工业大学
Abstract: 一种基于循环生成对抗网络的多序列磁共振图像配准方法，包括以下步骤：1)对输入的序列1和序列2的磁共振原始图像，用CycleGAN进行训练，输出序列1和序列2的磁共振生成图像；2)对同序列的生成图像和原始图像进行单模态配准，计算变换矩阵及同序列两图之间的相似性度量；3)比较两个序列的相似性度量，选择对应策略，输出最终变换矩阵；4)使用最终变换矩阵对浮动图进行变换，获得最终的结果图。本发明对已配准样本的依赖较小，网络可训练性较高，抗干扰能力较强，配准精度较高。
-
-
-
-
-
-
-
-
-
Search Results
191
records
(took 0.021 seconds)
