-
公开(公告)号：CN116664595A
公开(公告)日：2023-08-29
申请号：CN202310571976.3
申请日：2023-05-15
Applicant: 南京邮电大学
IPC: G06T7/11 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0895 , G06N3/048
Abstract: 本发明提出了一种基于双分支网络小样本学习的脑肿瘤MRI图像分割方法，针对脑肿瘤图像中的特定的三部分肿瘤区域进行分割，包括以下步骤，步骤1：确定脑肿瘤小样本数据集，输入脑肿瘤MRI图像数据，对医学图像进行预处理，将数据集分为训练集，验证集与测试集，这三种数据集又分为支持集与查询集；步骤2：构建双分支网络小样本学习分割模型，加入双分支并发空间和通道挤压与激励交互模块(DSCSE)；步骤3：构建脑肿瘤难样本优化模块加入所述双分支网络小样本学习分割模型中优化网络性能；步骤4：将所获得的双分支网络小样本学习分割模型对测试集数据进行预测得到分割图像。本发明解决了因数据集稀缺造成的分割区域效果差的问题，提高了分割准确率。
-
公开(公告)号：CN114266739B
公开(公告)日：2025-05-02
申请号：CN202111527979.4
申请日：2021-12-14
Applicant: 南京邮电大学
IPC: G06T7/00 , G06T7/187 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于对比学习的半监督卷积神经网络的医学图像分割方法，主要针对医学图像中特定组织结构图像的定位分割，具体包括以下步骤，（1）输入医学图像数据，对医学图像数据进行预处理，提取正负样本，划分数据集，得到训练集数据、验证集数据和测试集数据；（2）构建对比学习卷积神经网络分割模型，（3）构建基于对比学习的半监督医学图像分割网络模型，（4）将所获得的训练模型对测试集数据进行预测，得到最后的分割预测图像。本发明有效地实现了医学图像处理半监督分割，一定程度上解决了医学图像数据集较少时的特定区域分割问题，更好地提高医学图像分割上的准确性。
-
公开(公告)号：CN116740346A
公开(公告)日：2023-09-12
申请号：CN202310620968.3
申请日：2023-05-30
Applicant: 南京邮电大学
IPC: G06V10/26 , G06V10/54 , G06V10/774 , G06T7/00
Abstract: 本发明提供一种医学图像分割中的难样本处理算法，包括以下步骤：对待分割的医学图像进行预处理，通过标签得到前景与背景，将前景作为正样本，背景作为负样本；利用基于对比学习的医学图像分割网络模型以及后处理算法对医学图像数据集进行训练；利用难样本召回损失函数和非侵入目标区域Cutout算法对图像中的难样本进行特殊的处理。难样本召回损失函数能够关注到难样本下的小目标区域并有效定位，非侵入目标区域Cutout算法能够在保证待分割区域不被侵入受损的前提下，减少冗余区域的特征像素，减轻模型对于冗余区域的分割压力，从而提升模型的可靠性，在一定程度上解决了心脏医学图像数据集中难样本的分割问题，更好地提高心脏医学图像分割的准确性。
-
公开(公告)号：CN114266739A
公开(公告)日：2022-04-01
申请号：CN202111527979.4
申请日：2021-12-14
Applicant: 南京邮电大学
Abstract: 本发明提供一种基于对比学习的半监督卷积神经网络的医学图像分割方法，主要针对医学图像中特定组织结构图像的定位分割，具体包括以下步骤，（1）输入医学图像数据，对医学图像数据进行预处理，提取正负样本，划分数据集，得到训练集数据、验证集数据和测试集数据；（2）构建对比学习卷积神经网络分割模型，（3）构建基于对比学习的半监督医学图像分割网络模型，（4）将所获得的训练模型对测试集数据进行预测，得到最后的分割预测图像。本发明有效地实现了医学图像处理半监督分割，一定程度上解决了医学图像数据集较少时的特定区域分割问题，更好地提高医学图像分割上的准确性。
-
-
-
Search Results
4
records
(took 0.015 seconds)
