-
公开(公告)号：CN108564592A
公开(公告)日：2018-09-21
申请号：CN201810178714.X
申请日：2018-03-05
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司
Abstract: 本发明公开了一种基于动态多种群集成差分进化算法的图像分割方法，在种群结构规划方面采用原始种群进行划分和重新分配子种群机制，保证种群进化过程的多样性和避免出现局部最优现象；在变异策略上采用局部搜索变异和全局搜索变异相结合，以此来达到种群勘测最优阈值和加快收敛的平衡；还通过交叉概率因子的抛物线式的动态递增变化，有效地针对了标准差分进化算法固定参数带来的不足。通过与其他进化算法在基准测试集上的比较结果可以明显看出改进后算法寻优和收敛速度的显著性，并将改进后的差分进化算法应用于图像的分割，无论在准确度还是速度都有效果显著。
-
公开(公告)号：CN119741308A
公开(公告)日：2025-04-01
申请号：CN202510244875.4
申请日：2025-03-04
Applicant: 华侨大学
IPC: G06T7/10 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06T7/00
Abstract: 本发明公开了基于多尺度Transmission双重卷积的病理细胞分割方法及装置，涉及图像分割技术领域，方法包括以下步骤：构建病理细胞分割模型，并利用数据集进行训练；利用训练好的病理细胞分割模型实现病理细胞分割；病理细胞分割模型包括依次连接的特征编码部分、中间连接部分和特征解码部分；特征编码部分采用密集双重卷积操作对输入病理细胞分割模型的病理细胞图像依次进行多尺度特征提取；中间连接层利用多个跳跃连接分别接收多尺度特征，并利用LSTM编码进行特征融合，输出融合特征；特征解码部分接收融合特征并进行解码，输出病理细胞分割结果。本发明能够解决病理细胞图像边界模糊、背景复杂和密集等因素导致的分割精度低的问题，提高了分割准确率。
-
公开(公告)号：CN118379285A
公开(公告)日：2024-07-23
申请号：CN202410807398.3
申请日：2024-06-21
Applicant: 华侨大学
IPC: G06T7/00
Abstract: 本发明公开了基于特征差分动态融合的乳腺肿瘤病变区检测方法及系统，涉及图像处理技术领域，方法包括以下步骤：获取灰度图像数据集和吸收度图像数据集；构建基于特征差分动态融合的乳腺肿瘤病变区检测模型；利用灰度图像数据集和吸收度图像数据集训练所述乳腺肿瘤病变区检测模型；利用训练好的所述乳腺肿瘤病变区检测模型实现乳腺肿瘤病变区检测；所述乳腺肿瘤病变区检测模型包括第一图像特征提取模块、第二图像特征提取模块、特征差分动态融合模块和融合预测模块。本发明在超声吸收度图像与灰度图像的特征中融入互补视图的特征，充分挖掘双视图之间的差异信息，相比单视图病变区域检测具有更强的鲁棒性和可靠性，强化有用信息的同时抑制噪声。
-
公开(公告)号：CN118196102A
公开(公告)日：2024-06-14
申请号：CN202410617091.7
申请日：2024-05-17
Applicant: 华侨大学
Abstract: 本发明公开了一种基于双网络去影的乳腺超声肿瘤病变区域检测方法及装置，涉及目标检测领域，包括：构建清晰超声模型、存影超声模型和若干个注意力特征融合模块，清晰超声模型和存影超声模型分别包括依次连接的若干个第一特征提取单元以及若干个特征适应模块，分别将经过预处理后的画面清晰的乳腺超声图像和画面存影的乳腺超声图像分别输入清晰超声模型和存影超声模型中，第一特征提取单元输出的第一特征和特征适应模块输出的第二特征输入到对应的注意力特征融合模块中，得到融合特征，最后一个阶段的融合特征、第二特征、第一特征相加得到乳腺超声肿瘤病变区域检测结果。本发明解决了噪声和伪影导致肿瘤病变区域检测的准确率低的问题。
-
公开(公告)号：CN117912015A
公开(公告)日：2024-04-19
申请号：CN202410070932.7
申请日：2024-01-18
Applicant: 华侨大学
IPC: G06V20/70 , G06V10/22 , G06V10/762 , G06V10/764 , G06V10/771
Abstract: 本发明公开了一种利用局部判别模型和标记相关性选择多标记图像数据方法及装置，包括：基于每张图像数据及其邻近的图像数据构造邻近局部团，并定义邻近局部团的类间离散矩阵和局部离散矩阵以及聚类分配矩阵，以定义得到每张图像数据的局部判别模型以及多标记图像数据对应的局部判别模型；将标记空间和特征空间之间的关系投影到特征选择矩阵中，得到损失模型，将特征选择矩阵和聚类分配矩阵之间的关系投影到标记相关矩阵中，得到相关性模型，并在特征选择矩阵上施加l2,1范数，得到特征选择模型，构建目标函数，采用交替迭代优化算法对目标函数进行求解，得到最终的特征选择矩阵，基于最终的特征选择矩阵确定特征子集，以提高多标记图像数据的分类性能。
-
Patent Agency Ranking
公开(公告)号：CN117422715B
公开(公告)日：2024-03-12
申请号：CN202311740818.2
申请日：2023-12-18
Applicant: 华侨大学
Abstract: 本发明提供一种基于全局信息的乳腺超声肿瘤病变区域检测方法，属于医学图像领域，包括：步骤S1、获取标注图像数据集；步骤S2、构建作为目标检测模型的卷积神经网络：backbone部分采用由上至下依次布置的特征提取模块和坐标注意力模块，特征提取模块包括CBS模块以及交替模块，交替模块输出高维特征图，坐标注意力模块对该高维特征图的进行全局编码，得到全局信息特征图；neck部分采用相互融合的FPN网络和PANET网络，得到多个维度特征图；head部分采用TSCODE模块，CBS模块输出的低维特征图和多个维度特征图作为TSCODE模块的多层输入特征图，输出基于全局信息预测的图像。本发明实现对乳腺超声肿瘤图像中存在误检漏检问题的优化，提高检测的识别率和准确性。
-
公开(公告)号：CN117392119A
公开(公告)日：2024-01-12
申请号：CN202311666194.4
申请日：2023-12-07
Applicant: 华侨大学
IPC: G06T7/00 , G06N3/0464 , G06T7/73 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于位置先验和特征感知的肿瘤病变区域检测方法及装置，涉及医学图像处理领域，包括：获取乳腺超声图像并预处理，得到预处理后的乳腺超声图像；构建基于改进的YOLOv5网络的乳腺肿瘤病变区域检测模型并训练，得到经训练的乳腺肿瘤病变区域检测模型，该模型包括骨干网络、颈部结构和头部结构，将YOLOv5网络中的骨干网络和颈部结构中的CBS模块改为DBS模块，将C3模块中的CBS模块改为DBS模块，CBM模块改为DBM模块，在SPPF模块后面增加一个位置注意力模块，将头部结构中检测模块改为特征感知模块；将预处理后的乳腺超声图像输入经训练的乳腺肿瘤病变区域检测模型，得到病变区域、对应的肿瘤良恶性类别及置信度，解决易受散斑噪声影响导致准确低的问题。
-
公开(公告)号：CN116721078A
公开(公告)日：2023-09-08
申请号：CN202310678776.8
申请日：2023-06-09
Applicant: 华侨大学 , 福建众益太阳能科技股份公司
IPC: G06T7/00 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的带钢表面缺陷检测方法及装置，方法包括：在带钢生产流水线上采集带钢表面的原始图像；对采集的原始图像进行缺陷类别的标注，将原始图像与标注数据整合成带钢表面缺陷数据集；对带钢表面缺陷数据集进行一定比例的划分，得到训练集、验证集和测试集；构建带钢表面缺陷检测模型，模型包括主干网络、聚焦型特征金字塔网络和检测头；使用带钢表面缺陷数据集对网络进行训练获得训练好的模型，保存训练过程中的权值文件；使用训练好的模型对带钢表面缺陷图像进行检测，获得图像中缺陷的类型与位置信息。本发明有效提升了带钢表面缺陷检测的精度和速度。
-
公开(公告)号：CN116342432B
公开(公告)日：2023-08-01
申请号：CN202310576207.2
申请日：2023-05-22
Applicant: 华侨大学
Abstract: 本发明公开了一种非标记细胞显微图像增强方法及系统，属于图像处理技术领域，包括如下步骤：S1、输入非标记细胞显微图像；S2、利用滑动窗口中心灰度增强算法，对非标记细胞显微图像位于滑动窗口中心的像素进行灰度值预增强；S3、重复滑动窗口，使得滑动窗口中心遍历非标记细胞显微图像，对每一个像素进行灰度值预增强，获得预增强的非标记细胞显微图像；S5、利用预增强的非标记细胞显微图像与经自适应权值约束的高斯多尺度加权图像作差分运算，得到增强后的非标记细胞显微图像。本发明具有较好的鲁棒性及普适性，且运算速度更快；本发明对特征图像的提取更精确，且能进一步提高非标记细胞显微图像的对比度。
-
公开(公告)号：CN111695644B
公开(公告)日：2023-04-18
申请号：CN202010794509.3
申请日：2020-08-10
Applicant: 华侨大学 , 泉州市华工智能技术有限公司 , 福建医科大学附属第二医院
IPC: G06V10/764 , G06V10/80 , G06V10/44 , G06V10/77 , G06V10/774 , G06V10/25 , G06V10/54
Abstract: 本发明实施例公开了一种基于光密度变换的肿瘤超声图像分类方法、装置及介质，包括：步骤10、对带有分类标签的原始肿瘤超声图像进行预处理，得到预处理图像；步骤20、获取预处理图像中的感兴趣区域；步骤30、对所述感兴趣区域做两种处理分别得到纹理特征向量和形态特征向量；步骤40、将纹理特征向量进行降维处理，然后分别和对应的形态特征向量进行特征融合，得到融合向量数据；步骤50、利用分类器对一定数量的融合向量数据进行学习，得到肿瘤分类模型；步骤60、将待分类肿瘤超声图像输入肿瘤分类模型，得到分类结果。本发明公开的方法能够有效提升超声图像肿瘤良恶性预测的准确性和鲁棒性，为医生对肿瘤进行诊断提供参考，提升了医生的诊断效率。
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.026 seconds)
