-
公开(公告)号：CN118411443A
公开(公告)日：2024-07-30
申请号：CN202410873821.X
申请日：2024-07-02
Applicant: 烟台大学
IPC: G06T11/00 , G06T5/70 , G06T7/33 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明属于医学图像生成技术领域，具体涉及基于DR图像的CT图像生成方法、系统、装置、介质，使用CT图像数据合成DR图像数据，将合成的DR图像数据与DR图像数据进行配准，使用配准的DR图像数据与CT图像数据进行模型训练，以提高训练精度；采用跨维度注意力增强处理、多模态特征融合处理、非平衡多模态注意力增强处理，充分利用DR图像的浅层与深层特征，以合成高精度CT图像。
-
公开(公告)号：CN118298069A
公开(公告)日：2024-07-05
申请号：CN202410725853.5
申请日：2024-06-06
Applicant: 烟台大学
Abstract: 本申请涉及图像数据处理技术领域，具体为一种PET合成图的获取方法、系统、设备和存储介质，首先将CT图进行多次下采样和全局特征提取处理，提取CT图中的全局细节特征；然后通过将CT全局特征图与配准PET图的全局相似度与第一相似度阈值进行对比，根据对比结果，对CT全局特征图执行不同的特征增强处理；随后，获取CT图的局部特征，并将全局特征和局部特征进行融合和上采样处理，得到初始合成图；最后，提取初始合成图或CT全局特征图、和配准PET图的病灶特征表达能力后，基于交叉熵损失，控制初始合成图或CT全局特征图的病灶特征表达能力更接近配准PET特征图，从而满足合成要求，得到PET合成图；该方法合成结果质量高，合成稳定性好。
-
公开(公告)号：CN117934977B
公开(公告)日：2024-05-31
申请号：CN202410330368.8
申请日：2024-03-22
Applicant: 烟台大学
IPC: G06V10/764 , G06V10/44 , G06V10/80 , G06T7/00
Abstract: 本发明涉及医学影像处理分析技术领域，具体为基于图连接和图节点的脑网络分类方法、系统和设备；该脑网络分类方法首先基于脑区影像组学特征矩阵，获取脑区间连接性矩阵；然后，将图连接处理脑区间连接性矩阵后得到的脑区间图连接性矩阵，与脑区图节点特征矩阵进行融合，得到融合特征脑网络；接着，将融合特征脑网络进行全连接处理、非线性处理和加权处理，得到脑网络注意力特征；接着，将脑网络注意力特征进行脑区间维度的池化聚合处理和脑区维度的池化聚合处理，得到表达能力强且还能提高计算效率的脑网络节点池化特征；最后，脑网络节点池化特征经分类处理，得到脑网络分类结果；该分类方法具有较高的准确率、敏感性和特异性。
-
公开(公告)号：CN117292232B
公开(公告)日：2024-02-06
申请号：CN202311575553.5
申请日：2023-11-24
Applicant: 烟台大学
Abstract: 息。本发明涉及图像数据处理技术领域，具体为T1加权成像的多维空间特征获取方法、系统和设备，通过将T1加权成像的灰质图像进行局部特征聚合、全局特征聚合和局部特征降维处理，得到欧式空间特征向量；接着，将T1加权成像的形态学脑网络，与经过节点和边信息聚合处理和相关图空间矩阵运算的形态学脑网络，进行对应位置的矩阵图元素相加后，得到第一图空间特征向量；随后，将形态学脑网络的一维向量，进行矩阵图相关标准处理和简化处理，得到第二图空间特
-
公开(公告)号：CN117172294A
公开(公告)日：2023-12-05
申请号：CN202311443805.9
申请日：2023-11-02
Applicant: 烟台大学
Abstract: 本发明涉及图像数据处理技术领域，具体为一种稀疏脑网络的构建方法、系统、设备和存储介质，该构建方法让由待检者和辅助受试者集的T1加权成像集获得的形态学脑网络集去学习拓扑结构表现形式，并通过组稀疏表示方法，关注不同组之间的差异性，得到脑区域间联合约束组矩阵图，经目标函数最小化处理，减小脑区域间联合约束组矩阵图中待检者与其他受试者的脑区域连接关系的差异性，增强待检者脑区域内的神经纤维束生物学表达强度，提高稀疏脑网络的特征表达效果，便于提取与阿尔茨海默病相关的神经纤维束生物学表达，从而达到提高阿尔茨海默病神经影像研究结果准确度的目的。
-
Patent Agency Ranking
公开(公告)号：CN115294548B
公开(公告)日：2023-05-02
申请号：CN202210897544.7
申请日：2022-07-28
Applicant: 烟台大学
IPC: G06V20/58 , G06V20/56 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于行方向上位置选择和分类方法的车道线检测方法，该方法能够采用基于ResNet的特征提取模块提取车道线浅层的特征，并结合CBAM注意力机制使模型关注重要特征，采用辅助分割模块，在训练过程增加分割任务，增强视觉特征，最后采用基于行锚点的分类模块将车道图像分为一个个特征块，并检测特征块是否包含车道线，实现了车道线的检测，本发明涉及智能交通技术领域。
-
公开(公告)号：CN119091322B
公开(公告)日：2025-05-16
申请号：CN202411328327.1
申请日：2024-09-24
Applicant: 烟台大学
IPC: G06V20/13 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于遥感图像处理技术领域，具体涉及基于深度学习的遥感图像目标检测方法、系统、装置，对待处理的遥感图像数据进行多个不同尺度大小卷积核的深度可分离卷积，以捕捉到不同尺度的信息并有效扩大感受野；采用条状卷积注意力机制，其中的条状卷积组合不仅可以帮助理解上下文信息，还可以增强对条状物体的敏感度；所得到的特征有效地缓解了在目标检测任务中存在的目标尺度差异和复杂背景信息问题，既实现了高检测精度，又保持了高推理速度。
-
公开(公告)号：CN119992502A
公开(公告)日：2025-05-13
申请号：CN202510465508.7
申请日：2025-04-15
Applicant: 烟台大学
IPC: G06V20/56 , G06V10/52 , G06V10/80 , G06V10/82 , G06V10/77 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明涉及3D图像生成技术领域，具体为基于频率感知特征融合的3D车道线生成方法和系统；通过设计包括用于提取图像不同深度尺度特征的多尺度特征提取网络，用于从高分辨率特征中提取高频信息、并与低分辨率特征进行融合以增强低分辨率特征的表达能力的频率金字塔网络，用于提取更稳健、更高级的BEV特征的空间转化融合网络，用于生成3D车道线的车道线提取网络的3D车道线生成模型，来提高了3D车道线生成的准确性和鲁棒性，能够更好地应对复杂环境中的变化，同时保持良好的实时性，适用于自动驾驶和辅助驾驶系统，展现出广阔的应用前景。
-
公开(公告)号：CN119228853B
公开(公告)日：2025-04-15
申请号：CN202411764387.8
申请日：2024-12-04
Applicant: 烟台大学
IPC: G06T7/246
Abstract: 本发明属于图像处理技术领域，具体涉及基于选择性状态空间的目标跟踪方法、系统、装置、介质，该方法先引入代理令牌，对待处理特征进行交互，来捕捉上下文信息，更好地聚焦于当前帧目标相关的特征，提升目标辨识能力；然后构建选择性状态空间，对当前帧的状态进行动态更新，有效地将历史信息与当前帧特征相结合，并动态调整当前状态的表达；最后当前帧的状态通过自注意力机制和线性变换，预测边界框，进行目标跟踪，提高了对视频序列中特定目标的跟踪精度和连续性，增强了在复杂场景中的适应能力。
-
公开(公告)号：CN118799206B
公开(公告)日：2024-12-27
申请号：CN202411281160.8
申请日：2024-09-13
Applicant: 烟台大学
Abstract: 本发明涉及图像合成技术领域，具体为CT图与MRI图的相互合成方法、系统和相关装置；为解决现有技术中医学图像合成质量低和适应性差的问题，本申请根据材料完整程度提供不同的图像合成方法，当有CT图也有MRI图时，从CT数据中生成具有MRI特征的图像以及从MRI数据中生成具有CT特征的图像，并进行对抗性区分，且基于峰值信噪比、均方误差和结构相似度控制合成质量，实现CT图与MRI图的相互合成；当缺少CT图或MRI图时，基于条件语义生成器、去噪、鉴别器，峰值信噪比和特征相似度，得到MRI合成图或CT合成图；本申请方法应用在医学图像合成领域，适应性强，图像合成的质量高、效率也高。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.063 seconds)
