-
公开(公告)号：CN109492668A
公开(公告)日：2019-03-19
申请号：CN201811177810.9
申请日：2018-10-10
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于多通道卷积神经网络的MRI不同期多模图像表征方法，包括以下步骤：(1)采集一系列已配准的MRI不同期图像；(2)对这些图像进行标准化处理；(3)构建多通道卷积神经网络，并对其进行训练；(4)将待表征的某一期MRI图像经标准化处理后输入到多通道卷积神经网络中，从而输出得到表征结果。本发明将卷积神经网络引入到图像表征中，通过网络自主学习不同模态间的相似特征，由此可解决现有表征方法相似度低、鲁棒性差的技术问题，输出的表征图像既忠实于原始输入图像又使得多通道输出的不同期表征图像尽可能相似，同时满足了很多应用实时性的要求。
-
公开(公告)号：CN109492668B
公开(公告)日：2021-08-03
申请号：CN201811177810.9
申请日：2018-10-10
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于多通道卷积神经网络的MRI不同期多模图像表征方法，包括以下步骤：(1)采集一系列已配准的MRI不同期图像；(2)对这些图像进行标准化处理；(3)构建多通道卷积神经网络，并对其进行训练；(4)将待表征的某一期MRI图像经标准化处理后输入到多通道卷积神经网络中，从而输出得到表征结果。本发明将卷积神经网络引入到图像表征中，通过网络自主学习不同模态间的相似特征，由此可解决现有表征方法相似度低、鲁棒性差的技术问题，输出的表征图像既忠实于原始输入图像又使得多通道输出的不同期表征图像尽可能相似，同时满足了很多应用实时性的要求。
-
公开(公告)号：CN109584164B
公开(公告)日：2023-05-26
申请号：CN201811549593.1
申请日：2018-12-18
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于二维影像迁移学习的医学图像超分辨率三维重建方法，包括以下步骤：(1)采集一系列二维医学影像数据作为训练数据；(2)对每张二维医学图像按隔(s‑1)列进行采样得到s个子图像矩阵，重复操作得到多组子图像矩阵；(3)设计三维重建用卷积神经网络，并利用多级图像矩阵进行训练；(4)利用训练后的卷积神经网络对待重建的初始图像序列进行三维重建。本发明将卷积神经网络引入到三维重建中，通过网络自主学习二维影像列之间的位置关系，随后将切片序列转换成二维图像，可将切片序列的层间关系转换为二维影像列之间的位置关系，使得三维重建问题转换成为二维问题，鲁棒性强，重建结果精度高。
-
公开(公告)号：CN106600553B
公开(公告)日：2019-12-17
申请号：CN201611159517.0
申请日：2016-12-15
Applicant: 华中科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于卷积神经网络的DEM超分辨率方法，包括以下步骤：(1)根据预先相互对应的低分辨率图像数据、以及高分辨率图像数据，训练得到的超分辨率用卷积神经网络；(2)利用插值方法将待处理的低分辨率DEM数据扩充，得到与期望的高分辨率DEM数据同一尺度大小的准高分辨率DEM数据；(3)利用边缘提取算子得到准高分辨率DEM数据的梯度图；(4)将梯度图输入到超分辨率用卷积神经网络中，得到高分辨率DEM数据的估计梯度图；(5)基于估计梯度图和待处理的低分辨率DEM数据的约束，重建出高分辨率DEM的高度图。本发明中的超分辨率方法鲁棒性强，重建结果精度高。
-
公开(公告)号：CN109584164A
公开(公告)日：2019-04-05
申请号：CN201811549593.1
申请日：2018-12-18
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于二维影像迁移学习的医学图像超分辨率三维重建方法，包括以下步骤：(1)采集一系列二维医学影像数据作为训练数据；(2)对每张二维医学图像按隔(s-1)列进行采样得到s个子图像矩阵，重复操作得到多组子图像矩阵；(3)设计三维重建用卷积神经网络，并利用多级图像矩阵进行训练；(4)利用训练后的卷积神经网络对待重建的初始图像序列进行三维重建。本发明将卷积神经网络引入到三维重建中，通过网络自主学习二维影像列之间的位置关系，随后将切片序列转换成二维图像，可将切片序列的层间关系转换为二维影像列之间的位置关系，使得三维重建问题转换成为二维问题，鲁棒性强，重建结果精度高。
-
Patent Agency Ranking
公开(公告)号：CN108289221A
公开(公告)日：2018-07-17
申请号：CN201810044673.5
申请日：2018-01-17
Applicant: 华中科技大学
IPC: H04N17/00 , H04N19/154
Abstract: 本发明公开了一种异常值检测的无参考图像质量评价模型及构建方法。该模型的构建包括以下步骤：(1)利用图像数据库中的图像和其主观分数值进行卷积神经网络训练，得到图像质量评价模型；(2)运用该模型对图像数据库中的图像进行质量分数测试；(3)将测试分数与主观分数值进行线性回归分析，将异常图像样本从图像数据库中剔除，得到更新的数据库；(4)将更新数据库中的图像样本进行步骤(1)操作后进行测试，达到预期效果的即为最终的质量评价模型；若没有达到预期效果，那么重复步骤(2)-(3)，直至达到预期效果。本发明提供的图像质量评价方法，适用的图像范围广、主观一致性好，且评价所需的时间少。
-
公开(公告)号：CN108289221B
公开(公告)日：2019-08-30
申请号：CN201810044673.5
申请日：2018-01-17
Applicant: 华中科技大学
IPC: H04N17/00 , H04N19/154
Abstract: 本发明公开了一种异常值检测的无参考图像质量评价模型及构建方法。该模型的构建包括以下步骤：(1)利用图像数据库中的图像和其主观分数值进行卷积神经网络训练，得到图像质量评价模型；(2)运用该模型对图像数据库中的图像进行质量分数测试；(3)将测试分数与主观分数值进行线性回归分析，将异常图像样本从图像数据库中剔除，得到更新的数据库；(4)将更新数据库中的图像样本进行步骤(1)操作后进行测试，达到预期效果的即为最终的质量评价模型；若没有达到预期效果，那么重复步骤(2)‑(3)，直至达到预期效果。本发明提供的图像质量评价方法，适用的图像范围广、主观一致性好，且评价所需的时间少。
-
公开(公告)号：CN106846445B
公开(公告)日：2019-08-27
申请号：CN201611120924.0
申请日：2016-12-08
Applicant: 华中科技大学
IPC: G06T15/00
Abstract: 本发明公开了一种基于CPU的三维超声图像体绘制方法，以下步骤：(1)读取原始超声三维数据；(2)对原始超声三维数据进行插值，得到放大的体数据；(3)以正对投影面为观测方向，获取体绘制旋转矩阵；(4)从放大的体数据中得到旋转后体素点的灰度值，并将旋转后的体数据填补成与原始体数据一样大小；(5)对步骤(4)所获得的体数据直接进行平行投影叠加；(6)根据投影叠加得到的图像数据进行成像；本发明提供的三维超声图像体绘制方法，算法简洁，容易实现，能够有效减少传统光线投射算法在投射采样过程中的时间消耗，对于深度方向数据量较少的三维超声数据成像速度快，并更容易进行并行计算的优化操作。
-
公开(公告)号：CN106846445A
公开(公告)日：2017-06-13
申请号：CN201611120924.0
申请日：2016-12-08
Applicant: 华中科技大学
IPC: G06T15/00
Abstract: 本发明公开了一种基于CPU的三维超声图像体绘制方法，以下步骤：(1)读取原始超声三维数据；(2)对原始超声三维数据进行插值，得到放大的体数据；(3)以正对投影面为观测方向，获取体绘制旋转矩阵；(4)从放大的体数据中得到旋转后体素点的灰度值，并将旋转后的体数据填补成与原始体数据一样大小；(5)对步骤(4)所获得的体数据直接进行平行投影叠加；(6)根据投影叠加得到的图像数据进行成像；本发明提供的三维超声图像体绘制方法，算法简洁，容易实现，能够有效减少传统光线投射算法在投射采样过程中的时间消耗，对于深度方向数据量较少的三维超声数据成像速度快，并更容易进行并行计算的优化操作。
-
公开(公告)号：CN106600553A
公开(公告)日：2017-04-26
申请号：CN201611159517.0
申请日：2016-12-15
Applicant: 华中科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于卷积神经网络的DEM超分辨率方法，包括以下步骤：(1)根据预先相互对应的低分辨率图像数据、以及高分辨率图像数据，训练得到的超分辨率用卷积神经网络；(2)利用插值方法将待处理的低分辨率DEM数据扩充，得到与期望的高分辨率DEM数据同一尺度大小的准高分辨率DEM数据；(3)利用边缘提取算子得到准高分辨率DEM数据的梯度图；(4)将梯度图输入到超分辨率用卷积神经网络中，得到高分辨率DEM数据的估计梯度图；(5)基于估计梯度图和待处理的低分辨率DEM数据的约束，重建出高分辨率DEM的高度图。本发明中的超分辨率方法鲁棒性强，重建结果精度高。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.029 seconds)
