-
公开(公告)号：CN117333750A
公开(公告)日：2024-01-02
申请号：CN202311513745.3
申请日：2023-11-14
Applicant: 中北大学
Abstract: 本发明属于医学图像融合领域，具体涉及空间配准与局部全局多尺度的多模态医学图像融合方法。本发明主要利用空间配准网络对图像进行配准处理，同时消除图像分布差异对配准结果的影响，之后使用多尺度减法CNN分支与MPViT分支对图像进行局部与全局多尺度特征提取，并利用提取到的局部与全局多尺度特征进行自适应图像融合。结果表明空间配准网络在配准过程中取得了良好的效果，有效的消除了图像分布差异对配准结果的影响；多尺度减法CNN提供的局部多尺度特征很好的保留了图像的亮度与细节信息，MPViT提供的全局多尺度特征很好的保留了图像的边缘信息，两者的结合使融合图像结构清晰且纹理细节丰富。
-
公开(公告)号：CN111882514B
公开(公告)日：2023-05-19
申请号：CN202010734334.7
申请日：2020-07-27
Applicant: 中北大学
IPC: G06T5/50 , G06V10/44 , G06N3/0464 , G06N3/08 , G06T7/00
Abstract: 本发明公开了一种基于双残差超密集网络的多模态医学图像融合方法，包括：通过在双残差超密集网络中的第一Conv层卷积和PReLU层激活，提取第一模态医学图像和第二模态医学图像的浅层特征；通过残差学习和超密集连接，提取深层特征；对深层特征依次进行双残差超密集网络中的Concat层通道维度上拼接、最后Conv层卷积、PReLU层激活，获得第一模态医学图像和第二模态医学图像的融合图像。本发明通过将残差密集块与超密集连接结合提出的双残差超密集块不仅将密集连接应用到同一路径的层之间，还运用到跨不同路径的层之间，在提取不同模态图像特征的两个路径间进行信息传递，使得提取到的深层特征更详细丰富，减少了网络中间层有用信息的丢失。
-
公开(公告)号：CN111696168B
公开(公告)日：2022-08-23
申请号：CN202010538650.7
申请日：2020-06-13
Applicant: 中北大学
Abstract: 本发明涉及MRI加速采集方法，具体为基于残差自注意力图像增强的高倍速采MRI重建方法。本方法采用生成对抗网络构建本发明的网络结构，将基于残差自注意力的特征增强模块内嵌至U‑NET收缩路径底部；将高倍欠采样图像输入生成器，经U‑NET收缩路径提取高级特征图后输入特征增强模块得到特征增强图，再经U‑NET扩展路径解码，并与收缩路径对应的特征图合并，融合扩展时对应级别收缩层的特征，补充缺失的边界信息，准确预测边缘信息，得到重建图像。本方法可以捕获图像更抽象、更丰富的纹理细节特征，融合局部信息和非局部信息以增强全局信息量，整个过程由网络自动选择有效特征，能实现关键区域纹理细节的自适应提取与重构，可以很好地重建高倍速采MR图像。
-
公开(公告)号：CN107194912B
公开(公告)日：2020-12-29
申请号：CN201710259812.1
申请日：2017-04-20
Applicant: 中北大学
Abstract: 本发明公开了基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法，涉及图像处理技术领域，能分别对正常脑部、脑萎缩和脑肿瘤三组脑部医学图像进行融合，多次实验结果表明本发明提出的ICDL方法与基于多尺度变换的方法、传统稀疏表示的方法、基于K‑SVD字典学习的方法以及多尺度字典学习的方法相比，不仅提高了脑部医学图像融合的质量，而且有效降低了字典训练的时间，能为临床医疗诊断提供有效帮助。
-
公开(公告)号：CN107025650B
公开(公告)日：2019-10-29
申请号：CN201710259589.0
申请日：2017-04-20
Applicant: 中北大学
Abstract: 本发明公开了一种基于多层P样条和稀疏编码的医学图像配准方法，涉及图像处理技术领域，在P样条的基础上让网格控制节点由少变多，直至在某个网格密度下配准的误差最小，并使用基于图像块稀疏编码的相似性测度，不仅考虑了医学图像中存在灰度不均匀性造成的灰度偏移场，也考虑了像素之间的空间依赖性，同时使用K‑SVD算法，相比确定的字典，适用范围更广。
-
Patent Agency Ranking
公开(公告)号：CN107194912A
公开(公告)日：2017-09-22
申请号：CN201710259812.1
申请日：2017-04-20
Applicant: 中北大学
Abstract: 本发明公开了基于稀疏表示的改进耦合字典学习的脑部CT/MR图像融合方法，涉及图像处理技术领域，能分别对正常脑部、脑萎缩和脑肿瘤三组脑部医学图像进行融合，多次实验结果表明本发明提出的ICDL方法与基于多尺度变换的方法、传统稀疏表示的方法、基于K‑SVD字典学习的方法以及多尺度字典学习的方法相比，不仅提高了脑部医学图像融合的质量，而且有效降低了字典训练的时间，能为临床医疗诊断提供有效帮助。
-
公开(公告)号：CN115880554A
公开(公告)日：2023-03-31
申请号：CN202211321366.X
申请日：2022-10-26
Applicant: 中北大学
IPC: G06V10/80 , G06V10/82 , G06V10/77 , G06V10/764 , G16H50/20 , G06N3/045 , G06N3/0455 , G06N3/0475 , G06N3/0464 , G06N3/096
Abstract: 本申请属于医学图像融合技术领域，公开了一种基于知识蒸馏与可解释的多模态医学图像融合模型及方法。基于知识蒸馏与可解释的多模态医学图像融合模型，包括一个生成器G和两个鉴别器Dc和Dm，生成器负责生成融合图像，鉴别器用来判别真实图像和融合图像，该模型解决了因可用于融合的成对图像数据集有限，导致多模态医学图像的融合图像清晰度下降的问题。从实验结果可知，本发明模型在主观视觉观察和客观指标评价方面都有较好的表现，将其应用于多模态医学图像融合，可以辅助医生对病灶部位做出准确地诊断与治疗。
-
公开(公告)号：CN119623564A
公开(公告)日：2025-03-14
申请号：CN202411694561.6
申请日：2024-11-25
Applicant: 中北大学
IPC: G06N3/092 , G06N3/0464 , G06N3/0455 , G06N3/0499 , G06F18/15 , G06F18/25 , G06F18/27 , G06N3/048 , G06F123/02
Abstract: 本发明属于离线强化学习，具体涉及结合广义优势估计和模态分解交互的离线强化学习方法。为解决基于TransFormer的离线强化学习方法中轨迹拼接能力不足，以及轨迹中多模态信息的模态内交互和模态间交互的问题，本发明采用广义优势估计改善模型在离线数据集中的轨迹拼接能力，模态分解交互模块利用编码器‑解码器结构，编码器利用基于ConvFormer的模态内部交互，有效处理单一模态中的时序信息。与此相对，基于TransFormer的模态间交互则捕捉状态与动作之间的相关性，增强了模型对状态和动作序列的表征能力。解码器进一步使用卷积和交叉注意机制融合多模态信息，从而实现更准确的动作预测。
-
公开(公告)号：CN115689961A
公开(公告)日：2023-02-03
申请号：CN202211370369.2
申请日：2022-11-03
Applicant: 中北大学
IPC: G06T5/50 , G06T5/00 , G06T7/90 , G06N3/0455 , G06N3/0464 , G06N3/088
Abstract: 本发明属于医学图像融合技术领域，公开了一种用于胶质瘤SPECT‑MRI图像融合的网络模型及方法。所述网络模型简称为DEFSD，通过分解专属特征和显著性掩膜来促进图像融合。具体为：先将RGB空间的源SPECT图像转换为YCbCr空间，再将Y通道的SPECT图像和MRI图像输入DEFSD，DEFSD结合属性向量和物体特征图，分别重建两幅源图像，并确定源图像的专属特征，同时，利用显著性掩码突出区域的特征；然后将经过训练的DEFSD输出的图像与Cb和Cr通道的SPECT图像一起被转换到RGB空间，获得最终的输出融合图像。在哈佛大学医学院公开的医学图像数据集上进行训练，实验结果表明，DEFSD可以产生包含大量各模态独有信息的融合图像，并且在病变区域具有明显的沟线特征，有利于早期胶质瘤诊断。
-
公开(公告)号：CN111915545B
公开(公告)日：2022-07-05
申请号：CN202010784272.0
申请日：2020-08-06
Applicant: 中北大学
Abstract: 本发明涉及多波段图像融合方法，具体为基于多判别器生成对抗网络的多波段图像自监督融合方法，本方法按如下步骤进行：设计并构建生成对抗网络，网络由一个生成器和多个判别器组成，且标签图像为多波段源图像自身；生成器网络结构采用构思的特征增强模块、特征融合模块两部分组成，通过生成器和判别器的动态平衡训练得到一个生成模型并得到多波段图像融合结果。本发明实现了多波段图像端到端自监督融合的神经网络，结果具有更好的清晰度、信息量，细节信息更丰富，更符合人眼视觉特性。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.023 seconds)
