-
公开(公告)号：CN111126424B
公开(公告)日：2023-06-23
申请号：CN201811315959.9
申请日：2018-11-01
Applicant: 南京大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06T5/40 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种基于卷积神经网络的超声图像分类方法。包括以下步骤：使用多次裁剪、添加高斯噪声、对图像进行直方图均衡的方法对数据集进行增广；利用交叉训练策略进行目标检测神经网络的训练，并验证测试；利用加载预训练模型和微调的迁移学习方法进行卷积神经网络的调优，并验证测试；利用目标检测神经网络进行超声图像中目标区域的定位，并利用卷积神经网络进行超声图像的分类评估。
-
公开(公告)号：CN112396110B
公开(公告)日：2024-02-02
申请号：CN202011307427.8
申请日：2020-11-20
Applicant: 南京大学
IPC: G06V10/774 , G06V10/82 , G06V10/25 , G06V10/26 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 像差异性小和分辨率低的问题，在增广图像的同本发明公开了一种基于生成对抗级联网络 时提高了网络的泛化性能。增广图像的方法。包括：从原始图像Iori圈定感兴趣区域并裁剪，获得裁剪后的图像Icut；对Icut通过预处理获得增广后的数据集Scut；利用数据集Scut进行Ⅰ级生成对抗网络的训练；加载训练好的级生成器，输入随机噪声推理出图像，并对生成的图像通过上采样处理后，制作成新的数据集SⅠ；利用数据集SⅠ与Icut作为Ⅱ级生成对抗网络的训练数据集，进行Ⅱ级生成对抗网络的训练；(56)对比文件Pandey Siddharth 等.An imageaugmentation approach using two-stagegenerative adversarial network for nucleiimage segmentation《.Biomedical SignalProcessing and Control》.2019,第57卷1-10.Gao Yuqing 等.Deep leaf‐bootstrappinggenerative adversarial network forstructural image data augmentation.《Computer‐Aided Civil and InfrastructureEngineering》.2019,第34卷(第09期),755-773.Calimeri F 等.Biomedical dataaugmentation using generative adversarialneural networks《.International conferenceon artificial neural networks》.2017,626-634.Zhang H 等.Stackgan: Text to photo-realistic image synthesis with stackedgenerative adversarial networks.《Proceedings of the IEEE internationalconference on computer vision》.2017,5907-5915.
-
公开(公告)号：CN116158780A
公开(公告)日：2023-05-26
申请号：CN202310204973.6
申请日：2023-03-06
IPC: A61B8/00
Abstract: 本发明公开了一种对大尺寸目标进行多模态超声成像的方法，包括如下步骤：步骤1，在超声传感器上固定标定板，安装相机；步骤2，选择标定板，对超声传感器进行定位：利用标定板上的ArUco码选择超声传感器在当前位置下选定的标定板，并设置标定板的参数，对标定板进行自适应检测；步骤3，结合相机拍摄图像的初始帧和中间帧，检测并记录超声传感器的位置变化，并追踪超声传感器的移动；步骤4，通过坐标变换将超声传感器采集到的超声断层成像结果和超声多普勒成像结果映射到三维空间中，完成对大尺寸目标进行多模态超声成像，本发明通过对采集到的图像数据进行三维重建，实现目标的多模态成像。
-
公开(公告)号：CN111126424A
公开(公告)日：2020-05-08
申请号：CN201811315959.9
申请日：2018-11-01
Applicant: 南京大学
Abstract: 本发明公开了一种基于卷积神经网络的超声图像分类方法。包括以下步骤：使用多次裁剪、添加高斯噪声、对图像进行直方图均衡的方法对数据集进行增广；利用交叉训练策略进行目标检测神经网络的训练，并验证测试；利用加载预训练模型和微调的迁移学习方法进行卷积神经网络的调优，并验证测试；利用目标检测神经网络进行超声图像中目标区域的定位，并利用卷积神经网络进行超声图像的分类评估。
-
Patent Agency Ranking
公开(公告)号：CN119867808A
公开(公告)日：2025-04-25
申请号：CN202510071624.0
申请日：2025-01-16
IPC: A61B8/00
Abstract: 本发明提供一种实时标记超声传感器空间位姿的方法，涉及超声临床诊断和超声图像体表标记技术领域。本发明提出实时标记超声传感器空间位姿的方法，首先基于预先搭建的光学定位系统，建立超声图像坐标系在相机坐标系下的相对位置关系，同时获取目标对象的光学图像；然后基于光学图像获取目标对象中关键点的位置特征图；最后基于上述光学图像和位置特征图获取目标对象的标记图。本申请提出的实时标记超声传感器空间位姿的技术，可以更加高效、准确标记超声图像，方便了后期的分析与研究。
-
公开(公告)号：CN118397180A
公开(公告)日：2024-07-26
申请号：CN202410489771.5
申请日：2024-04-23
Abstract: 本发明提出了一种使用深度学习网络的无追踪三维超声成像方法，包括：使用光学定位超声系统收集训练数据；遍历所述二维超声图像序列，提取出相邻帧的二维超声图像，利用图像的旋转矩阵和平移矩阵计算这两张二维超声图像对应的空间变换关系；使用该空间变换关系作为标签，训练无追踪深度学习网络；规划扫描轨迹并设置校准点，使用立体摄像机捕捉所述扫描轨迹的三维空间信息；沿规划的扫描轨迹采集二维超声图像序列，使用训练好的无追踪深度学习网络进行预测，并重建三维超声图像；利用规划的扫描轨迹的三维信息校正重建的三维超声图像，生成最终的三维超声图像。
-
公开(公告)号：CN111325236B
公开(公告)日：2023-04-18
申请号：CN202010070699.4
申请日：2020-01-21
Applicant: 南京大学
IPC: G06V10/764 , G06V10/25 , G06V10/26 , G06V10/50 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/084
Abstract: 本发明公开了一种基于卷积神经网络的超声图像分类方法。包括：从原始图像圈定感兴趣区域并裁剪，获得剪裁后的图像；对所述裁剪后的图像采用添加高斯噪声方法与直方图均衡方法进行数据增广，获得数据增广后的数据集；利用所述增广后的数据集进行生成对抗网络的训练，并验证测试，获得训练好的生成器；加载所述训练好的生成器，通过噪声推理出图像，并对生成的所述图像标定标签；将所述生成器生成的图像扩充到分类数据集中，重新训练卷积神经网络对超声图像进行分类，并输出准确率和召回率，评估网络性能。本发明在对超声图像分类时，解决了神经网络中训练数据集不足的问题，提高了网络的泛化性能。
-
公开(公告)号：CN112396110A
公开(公告)日：2021-02-23
申请号：CN202011307427.8
申请日：2020-11-20
Applicant: 南京大学
Abstract: 本发明公开了一种基于生成对抗级联网络增广图像的方法。包括：从原始图像Iori圈定感兴趣区域并裁剪，获得裁剪后的图像Icut；对Icut通过预处理获得增广后的数据集Scut；利用数据集Scut进行Ⅰ级生成对抗网络的训练；加载训练好的Ⅰ级生成器，输入随机噪声推理出图像，并对生成的图像通过上采样处理后，制作成新的数据集SⅠ；利用数据集SⅠ与Icut作为Ⅱ级生成对抗网络的训练数据集，进行Ⅱ级生成对抗网络的训练；加载训练好的Ⅱ级生成器，将数据集SⅠ输入Ⅱ级生成器，推理出所需的增广图像Ides。本发明在对图像增广时，解决了Ⅰ级生成对抗网络中生成图像差异性小和分辨率低的问题，在增广图像的同时提高了网络的泛化性能。
-
公开(公告)号：CN111325236A
公开(公告)日：2020-06-23
申请号：CN202010070699.4
申请日：2020-01-21
Applicant: 南京大学
Abstract: 本发明公开了一种基于卷积神经网络的超声图像分类方法。包括：从原始图像圈定感兴趣区域并裁剪，获得剪裁后的图像；对所述裁剪后的图像采用添加高斯噪声方法与直方图均衡方法进行数据增广，获得数据增广后的数据集；利用所述增广后的数据集进行生成对抗网络的训练，并验证测试，获得训练好的生成器；加载所述训练好的生成器，通过噪声推理出图像，并对生成的所述图像标定标签；将所述生成器生成的图像扩充到分类数据集中，重新训练卷积神经网络对超声图像进行分类，并输出准确率和召回率，评估网络性能。本发明在对超声图像分类时，解决了神经网络中训练数据集不足的问题，提高了网络的泛化性能。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
