-
公开(公告)号：CN116664467B
公开(公告)日：2025-04-29
申请号：CN202310677578.X
申请日：2023-06-09
Applicant: 兰州交通大学
Abstract: 本发明公开了一种基于交叉神经网络和ECA‑S的多模态医学图像融合方法，属于医学图像分析领域，该方法在融合网络模型中以两种单模态医学图像作为输入，通过结构功能模块和功能结构模块交叉提取图像特征信息，能够实现结构信息和功能信息之间的交互，从而很好地提取医学图像的纹理细节信息，将提取的特征信息采用ECA‑S注意力机制通过不断调整结构信息和功能信息权重来融合图像，在分解网络模型中，由残差网络组成的分解网络迫使融合图像包含更丰富的信息。本发明采用交叉网络、改进注意力机制和分解网络的结合实现多模态医学图像融合，融合后的图像纹理细节和对比度处理更为细致，算法复杂度更低，实现了已有方法的优化和已有技术的升级。
-
公开(公告)号：CN119417780A
公开(公告)日：2025-02-11
申请号：CN202411462175.4
申请日：2024-10-18
Applicant: 兰州交通大学
IPC: G06T7/00 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于CF‑HRnet的胰腺病灶CT图像分割方法。本发明使用导入预训练权重的HRNet在NIH Pancreas数据集上进行训练，采用RSTN算法中的由粗到精训练框架进行训练，并在原有RSTN粗分割和精分割步骤基础上，本发明添加了预处理和联合训练两个步骤，通过增加学习层次和训练批次，使得网络性能进一步提升，关键的优化点在于引入模型参数传递功能和对RSTN分割流程再细化，更加精准地引导神经网络对胰腺病灶的位置信息和细节信息进行识别。本发明在提升病灶区域分割精确度的同时，大幅降低模型参数数量，为胰腺疾病的诊断提供了强有力的支持。
-
公开(公告)号：CN109685814B
公开(公告)日：2020-10-23
申请号：CN201910001478.9
申请日：2019-01-02
Applicant: 兰州交通大学
Abstract: 本发明公开了一种基于MSPCNN的胆囊结石超声图像全自动分割方法，包括：采用MSPCNN算法对超声图像进行分割，得到胆囊粗分割二值图像；采用形态学算法对所述胆囊粗分割二值图像进行分割，得到胆囊精确分割二值图像和结石精确分割二值图像；采用局部加权线性回归算法分别对所述胆囊精确分割二值图像和结石精确分割二值图像进行后处理，使胆囊结石边缘轮廓平滑，最终得到胆囊区域分割结果和结石区域分割结果。实现降低计算复杂度、减少分割步骤、提高图像分割速度与精度的优点。
-
公开(公告)号：CN118822867A
公开(公告)日：2024-10-22
申请号：CN202410953796.6
申请日：2024-07-16
Applicant: 兰州交通大学
IPC: G06T5/50 , G06T5/60 , G06T7/30 , G06V10/40 , G06V10/44 , G06N3/0464 , G06N3/048 , G06N3/047 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于对比约束和IDFAM的多分支医学图像融合方法，涉及图像融合技术领域，包括在编码层阶段，将成对的源图像分别送入私有特征提取分支，在私有分支中，设计了多尺度残差模块和梯度密集连接模块，并将其交替利用，以有效提取各个模态的独有特征；同时将源图像放入公有特征提取分支提取互补信息，设计了信息交互的机制，以确保充分提取互补信息；其次，对公有分支和私有分支分别构建了融合深层特征的注意力机制，在融合层，我们将三条路径提取的特征采用Concatenation和卷积策略进行融合。在解码层，我们采用残差的解码器网络，通过解码器前三个卷积层重建公共和私有特征，最终的融合图像通过解码器的最后一层卷积重建。
-
公开(公告)号：CN116523985B
公开(公告)日：2024-01-02
申请号：CN202310501736.6
申请日：2023-05-06
Applicant: 兰州交通大学
IPC: G06T7/40 , G06T5/00 , G06T5/50 , G06V10/80 , G06V10/82 , G06V10/75 , G06V10/54 , G06N3/0455 , G06N3/045
Abstract: 本发明公开了一种结构和纹理特征引导的双编码器图像修复方法，属于图像修复技术领域，本发明提出一种由结构特征和纹理特征引导的双编码器粗修复网络和基于长短期注意力机制、多尺度感受野的细修复网络，实现了对视野缺损图像结构和纹理的联合修复。
-
Patent Agency Ranking
公开(公告)号：CN112819712B
公开(公告)日：2022-03-11
申请号：CN202110093625.7
申请日：2021-01-22
Applicant: 兰州交通大学
Abstract: 本发明提供了一种基于PNA‑MSPCNN模型的低照度彩色图像增强方法。包括：获得原始图像的初始亮度谱；利用PNA‑MSPCNN算法获得突触权重矩阵；在PNA‑MSPCNN算法模式下，根据突触权重矩阵进一步获得梯度亮度谱；根据梯度亮度谱，利用Retinex算法计算得到最终权重矩阵；基于最终权重矩阵，对得到的初始亮度谱进行修正得到最终亮度映射谱；利用Retinex算法并结合最终亮度映射谱对原始图像进行修正得到低照度增强图像。本发明技术方案的关键算法为PNA‑MSPCNN算法，通过PNA‑MSPCNN算法与改进的LIME算法结合应用得以实现低亮度彩色图像增强，神经元点火次数和频率更易于控制，算法复杂度更低，图像增强效果更好。
-
公开(公告)号：CN112819712A
公开(公告)日：2021-05-18
申请号：CN202110093625.7
申请日：2021-01-22
Applicant: 兰州交通大学
Abstract: 本发明提供了一种基于PNA‑MSPCNN模型的低照度彩色图像增强方法。包括：获得原始图像的初始亮度谱；利用PNA‑MSPCNN算法获得突触权重矩阵；在PNA‑MSPCNN算法模式下，根据突触权重矩阵进一步获得梯度亮度谱；根据梯度亮度谱，利用Retinex算法计算得到最终权重矩阵；基于最终权重矩阵，对得到的初始亮度谱进行修正得到最终亮度映射谱；利用Retinex算法并结合最终亮度映射谱对原始图像进行修正得到低照度增强图像。本发明技术方案的关键算法为PNA‑MSPCNN算法，通过PNA‑MSPCNN算法与改进的LIME算法结合应用得以实现低亮度彩色图像增强，神经元点火次数和频率更易于控制，算法复杂度更低，图像增强效果更好。
-
公开(公告)号：CN110889876A
公开(公告)日：2020-03-17
申请号：CN201911257606.2
申请日：2019-12-10
Applicant: 兰州交通大学
Abstract: 本发明提供了一种基于CA-SPCNN算法的的彩色图像量化方法，属于图像处理技术领域，用于解决在量化层数增加，提高图像丰富度的同时，如何降低计算复杂度和信息失真率，处理好视觉效果与数据存储空间平衡的技术问题。本发明包括彩色图像量化预处理、量化处理和量化后处理三个步骤，将原始图像处理成红、绿、蓝三个通道的归一化图像，通过CA-SPCNN算法对图像进行量化处理，通过量化后处理算法得到三个通道的量化图像，合并得到最终量化图像。本发明在CA-SPCNN算法的基础上加以改进，实现彩色图像的量化处理，简化操作步骤，降低计算复杂度，在保证较低失真率和较高量化准确率的前提下，彩色图像视觉效果好，减小了占用数据存储空间。
-
公开(公告)号：CN119180826A
公开(公告)日：2024-12-24
申请号：CN202411203045.9
申请日：2024-08-29
Applicant: 兰州交通大学
IPC: G06T7/10 , G06N3/047 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06T5/70 , G06T5/60 , G06V10/80 , G06V10/44 , G06V10/52
Abstract: 本发明公开了扩散模型、多尺度与注意力模块的医学超声图像分割方法，本发明将其扩散模型为改进的去噪扩散概率模型，多尺度与注意力模块分别为自行设计的多尺度动态条件模块和高斯交叉融合注意力模块。该方法使用去噪扩散概率模型，去除图像噪声和捕获重要细节信息；利用多尺度动态条件模块，提高图像对比度和对不同尺度上下文信息的整合能力；利用高斯交叉融合注意力模块，克服直接合并编码器特征和动态条件模块特征时的不兼容性。
-
公开(公告)号：CN117196981A
公开(公告)日：2023-12-08
申请号：CN202311153943.3
申请日：2023-09-08
Applicant: 兰州交通大学
IPC: G06T5/00 , G06T5/50 , G06T7/40 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种基于纹理和结构调和的双向信息流方法，涉及图像修复技术领域。本发明提出一种基于纹理和结构调和的双向信息流方法，该网络对纹理和结构特征赋予不同的权重，通过调和特征权重避免图像重建过程中对纹理或结构特征的单一依赖，使特征相互感知，相互引导以生成在整体上令人信服的填充内容。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.026 seconds)
