公开(公告)号：CN118038171A

公开(公告)日：2024-05-14

申请号：CN202410255908.0

申请日：2024-03-06

Applicant: 中国科学院苏州生物医学工程技术研究所

Inventor： 戴亚康 ,  彭博 ,  程健 ,  刘燕 ,  刘苏锐 ,  钱旭升 ,  乔宝宝

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明提供基于半监督多任务学习的医学图像分类方法、系统及介质，该方法包括步骤：获取多模态磁共振影像数据，并将该影像数据分为训练数据和测试数据；通过训练数据对医学图像分类模型进行第一阶段训练；延用第一阶段编码器和分类器结构搭建半监督学习网络框架，利用双分支网络结构对医学图像分类模型进行第二阶段训练；通过测试数据对训练好的医学图像分类模型进行测试，采用医学图像分类指标评价模型的准确性。本发明采用多任务学习框架，分割模型引导分类模型的特征提取，同时，采用Mean Teacher模型框架，并设计了一致性损失函数，用于学习没有标签数据的图像特征，以充分利用有标签数据和无标签数据，提高分类模型的准确性。

公开(公告)号：CN119810226A

公开(公告)日：2025-04-11

申请号：CN202411771578.7

申请日：2024-12-04

Applicant: 中国科学院苏州生物医学工程技术研究所

Inventor： 戴亚康 ,  彭博 ,  程健 ,  刘苏锐 ,  周志勇 ,  耿辰 ,  陈鸣伸

IPC: G06T11/00 ,  G06T3/4053 ,  G06T3/4046 ,  G06V10/774 ,  G06V10/776 ,  G06V10/44 ,  G06V10/54

Abstract: 本发明提供基于隐表示模型的脑磁共振图像超分辨率重建方法及系统，包括步骤：获取不同层厚的各向异性脑磁共振图像，分为训练数据和测试数据；对脑磁共振图像进行预处理；对预处理后的训练数据进行处理，以生成训练样本；采用训练样本对基于隐表示模型的超分辨率重建模型进行训练；将预处理后的测试数据输入训练好的模型，进行堆叠得到三维图像，再进行平均，最终得到各向同性脑磁共振图像。本发明使用深度学习超分辨率重建方法进行不同层厚各向异性脑磁共振图像的超分辨率重建，通过设计基于隐表示模型的可学习坐标编码模块，充分利用图像特征和坐标信息间的相关性，设计了混合损失函数，提升不同层厚各向异性脑磁共振图像超分辨率重建的准确性。

公开(公告)号：CN118229544A

公开(公告)日：2024-06-21

申请号：CN202410255906.1

申请日：2024-03-06

Applicant: 中国科学院苏州生物医学工程技术研究所

Inventor： 戴亚康 ,  彭博 ,  程健 ,  刘燕 ,  刘苏锐 ,  刘明洋

IPC: G06T5/50 ,  G06T11/00 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094

Abstract: 本发明提供基于特征一致性的多模态医学图像合成方法、系统及介质，该方法包括步骤：获取多样本的同一部位处的多模态医学图像，将多模态医学图像分为输入模态图像和目标模态图像；通过输入模态图像和目标模态图像对多模态医学图像合成模型进行训练，并且在训练阶段通过损失函数计算真实图像和生成图像之间的生成损失，以及计算输出特征、生成图像的特征、目标模态真实图像特征之间的一致性损失和对抗损失；通过测试数据对多模态医学图像合成模型进行测试。本发明通过将特征一致性损失函数引入到判别器网络中，解决模型训练过程中缺乏考虑同一模态内特定的问题，为模型提供模态一致性约束，提升判别器的性能，从而提升多模态医学图像合成的质量。

公开(公告)号：CN118762032A

公开(公告)日：2024-10-11

申请号：CN202410754660.2

申请日：2024-06-12

Applicant: 中国科学院苏州生物医学工程技术研究所

Inventor： 戴亚康 ,  彭博 ,  程健 ,  刘燕 ,  周志勇 ,  耿辰 ,  刘苏锐

IPC: G06T7/10 ,  G06V10/764 ,  G06V10/80 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明提供基于对比学习的多模态医学图像分割方法及设备、介质，在深度学习网络输入部分采用多模态医学图像数据，通过卷积和密集卷积模块分别对两个模态的数据进行特征提取，再进行特征拼接操作，得到融合了多模态信息的高维特征，输入到分割模块得到概率图，另一方面将融合后的高维特征输入到投影头，基于体素嵌入和真实标签中的类别，选择组织边缘的体素作为样本，进行锚点采样，引入了名为记忆存储的队列来存储体素嵌入，通过体素级对比学习来增强对脑组织边缘的识别能力，从而提高脑组织分割的精度和鲁棒性。

公开(公告)号：CN118379309A

公开(公告)日：2024-07-23

申请号：CN202410423207.3

申请日：2024-04-09

Applicant: 中国科学院苏州生物医学工程技术研究所

Inventor： 彭博 ,  戴亚康 ,  程健 ,  刘燕 ,  刘苏锐 ,  何科毅

IPC: G06T7/11 ,  G06T7/136 ,  G06T7/187 ,  G06T5/70 ,  G06T5/80 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供低场婴儿磁共振图像大脑区域提取方法、系统及存储介质，该方法包括步骤：获取低场婴儿磁共振图像，将低场婴儿磁共振图像分为训练数据和测试数据；利用阈值分割生成全脑标签，对全脑标签进行最大连通域处理，通过生成的全脑mask和背景进行矩阵运算，再进行偏置场校正；通过训练数据对基于深度学习的大脑区域提取模型进行训练，并在训练过程中引入错分割损失函数；将测试数据输入训练好的基于深度学习的大脑区域提取模型，输出每个像素对应的掩码，将分割掩码取值为预设值的区域作为婴儿大脑区域。本发明解决了低场图像背景离散点和不均匀场的问题，以及边界收敛性差和区域欠分割的问题，提升了低场婴儿磁共振图像大脑提取的准确性。