-
Patent Agency Ranking
公开(公告)号：CN112508844A
公开(公告)日：2021-03-16
申请号：CN202011060583.9
申请日：2020-09-30
Applicant: 东南大学
Abstract: 本发明公开了一种基于弱监督的大脑磁共振图像分割方法，包括以下步骤：使用超体素匹配方法实现待分割图像与参考图像之间的匹配，使得待分割图像的超体素获得标签，在待分割图像匹配的超体素中，选择高置信度的超体素组成种子区域；建立一种脑组织分割网络模型BTSNet，以选择的种子区域作为监督标签，指导网络训练，获得图像每个体素的类别概率；采用了深度种子区域增长方法，以当前种子区域为基础，使用卷积网络输出的类别概率，更新种子区域；最后，迭代脑组织分割网络与深度种子区域增长两个步骤，直至种子区域覆盖整个图像，输出分割结果。本发明能够在只使用少量参考图像的超体素级别标签的条件下实现脑MRI图像的准确分割。
-
公开(公告)号：CN110706214A
公开(公告)日：2020-01-17
申请号：CN201910899952.4
申请日：2019-09-23
Applicant: 东南大学
Abstract: 本发明提供了融合条件随机与残差的三维U-Net大脑肿瘤分割方法，包括：对训练集进行三层级联网络架构训练，获得卷积神经网络的模型；通过卷积神经网络模型，对测试集进行测试，获得对应大脑肿瘤每一个分类的概率矩阵；对概率矩阵进行后处理，更新概率，获得最终的大脑肿瘤分割结果。本发明分步简化问题并且获得更好的效果，相较传统方法更有优势，其采用的网络具有更好的学习能力，并且引入残差块来减小网络层数加深带来的梯度爆炸、梯度消失和网络性能退化的影响；在最大程度上使用了三维空间的信息。
-
公开(公告)号：CN112508844B
公开(公告)日：2022-11-18
申请号：CN202011060583.9
申请日：2020-09-30
Applicant: 东南大学
Abstract: 本发明公开了一种基于弱监督的大脑磁共振图像分割方法，包括以下步骤：使用超体素匹配方法实现待分割图像与参考图像之间的匹配，使得待分割图像的超体素获得标签，在待分割图像匹配的超体素中，选择高置信度的超体素组成种子区域；建立一种脑组织分割网络模型BTSNet，以选择的种子区域作为监督标签，指导网络训练，获得图像每个体素的类别概率；采用了深度种子区域增长方法，以当前种子区域为基础，使用卷积网络输出的类别概率，更新种子区域；最后，迭代脑组织分割网络与深度种子区域增长两个步骤，直至种子区域覆盖整个图像，输出分割结果。本发明能够在只使用少量参考图像的超体素级别标签的条件下实现脑MRI图像的准确分割。
-
公开(公告)号：CN110706214B
公开(公告)日：2022-06-17
申请号：CN201910899952.4
申请日：2019-09-23
Applicant: 东南大学
Abstract: 本发明提供了融合条件随机与残差的三维U‑Net大脑肿瘤分割方法，包括：对训练集进行三层级联网络架构训练，获得卷积神经网络的模型；通过卷积神经网络模型，对测试集进行测试，获得对应大脑肿瘤每一个分类的概率矩阵；对概率矩阵进行后处理，更新概率，获得最终的大脑肿瘤分割结果。本发明分步简化问题并且获得更好的效果，相较传统方法更有优势，其采用的网络具有更好的学习能力，并且引入残差块来减小网络层数加深带来的梯度爆炸、梯度消失和网络性能退化的影响；在最大程度上使用了三维空间的信息。
-
公开(公告)号：CN108921816A
公开(公告)日：2018-11-30
申请号：CN201810469865.0
申请日：2018-05-16
Applicant: 东南大学
Abstract: 本发明公开了一种基于超体素和谱聚类方法下的大脑功能分区方法，以实现对大脑的功能分区。该方法首先将静息态功能磁共振成像进行预处理。然后，针对静息态功能磁共振成像特点，设计超体素生成算法，对大脑皮层区域生成超体素。之后，针对多段成像生成的超体素，采用谱聚类的方法，分别得到超体素之间图权重矩阵。最后，对多段成像的权重矩阵求得平均，采用归一化割方法，实现大脑皮层的功能分区。本发明通过对多段大脑的静息态功能磁共振成像进行融合，能减少图像噪声的影响，从而获得较准确、稳定的大脑功能分区。
-
-
-
-
Search Results
5
records
(took 0.014 seconds)
