公开(公告)号：CN114359293B

公开(公告)日：2025-05-16

申请号：CN202111516472.9

申请日：2021-12-10

Applicant: 南昌大学

Inventor： 邹艳妮 ,  王泽坤 ,  刘小平 ,  刘捷

IPC: G06T7/10 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/09 ,  G06N3/048

Abstract: 本发明公开了一种基于深度学习的三维MRI脑肿瘤分割方法，包括以下步骤：S1：对三维MRI脑部数据进行预处理并划分数据集，使其满足模型的输入条件。S2：构建并训练深度卷积神经网络，网络框架采用编码器和解码器的形式，并加入了多尺度卷积联合模块和全局上下文聚合模块。S3：对得到的预测数据后处理，进一步提高分割效果。本发明提出的分割方法结合了分割对象的低级特征和高级特征，有效融合了多尺度信息和全局上下文信息并减少了学习到的冗余特征的影响，从而改善了脑肿瘤的分割结果。

公开(公告)号：CN117557694A

公开(公告)日：2024-02-13

申请号：CN202311479745.6

申请日：2023-11-08

Applicant: 南昌大学

Inventor： 李渭 ,  谢小龙 ,  刘捷 ,  饶泓

IPC: G06T13/40 ,  G06T15/08 ,  G06T15/20 ,  G06N3/0455 ,  G06N3/047 ,  G06N3/0475 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0985

Abstract: 本发明提供了一种基于条件变分自动编码器和神经混合权重场的动态人体建模方法，将条件变分自动编码(CVAE)与神经混合权重场融合，以纠正从观察空间到规范空间的翻译偏差。首先，设计了时变残差向量回归模块，将时间戳和观测空间采样点作为编码器的输入，将转换后的残差通过解码器输出，对规范空间中的点进行校正。其次，为了重建高质量的人体，基于适合渲染纹理的体积密度构建神经辐射场。第三，与NeuMan直接利用MLP网络优化不同，我们使用一个轻量级MLP来实现条件变分自编码器的编码器和解码器作为辅助网络。本发明能够准确地纠正标准空间采样点的位置，使得变形场转换具有较高准确性和鲁棒性。

公开(公告)号：CN114359293A

公开(公告)日：2022-04-15

申请号：CN202111516472.9

申请日：2021-12-10

Applicant: 南昌大学

Inventor： 邹艳妮 ,  王泽坤 ,  刘小平 ,  刘捷

IPC: G06T7/10 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的三维MRI脑肿瘤分割方法，包括以下步骤：S1：对三维MRI脑部数据进行预处理并划分数据集，使其满足模型的输入条件。S2：构建并训练深度卷积神经网络，网络框架采用编码器和解码器的形式，并加入了多尺度卷积联合模块和全局上下文聚合模块。S3：对得到的预测数据后处理，进一步提高分割效果。本发明提出的分割方法结合了分割对象的低级特征和高级特征，有效融合了多尺度信息和全局上下文信息并减少了学习到的冗余特征的影响，从而改善了脑肿瘤的分割结果。

公开(公告)号：CN114359510B

公开(公告)日：2025-02-18

申请号：CN202111504436.0

申请日：2021-12-10

Applicant: 南昌大学

Inventor： 邹艳妮 ,  张怡睿 ,  徐嘉伯 ,  刘小平 ,  刘捷

IPC: G06T17/20 ,  G06V10/46 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明属于点云补全技术领域，涉及一种基于锚点检测的点云补全方法，该方法首先使用局部删除操作对数据集做预处理，从而模拟不完整的点云；然后将点云所在空间划分为多个锚点，训练神经网络判断锚点的正负性，得到密度均匀，形状规整的正样本锚点；最后在正样本锚点的邻域内通过神经网络生成密集点云，实现由单一锚点向局部的扩散，完成点云的补全。为实现该方法，我们训练了与之适配的GCNet模型，该神经网络模型能够判断锚点的正负性以及生成锚点扩散的三维坐标信息，实现了端到端的点云补全，并解决了现有方法只依靠神经网络回归生成点云坐标而导致的补全效果不佳的问题，提高了点云补全的效果。

公开(公告)号：CN114359510A

公开(公告)日：2022-04-15

申请号：CN202111504436.0

申请日：2021-12-10

Applicant: 南昌大学

Inventor： 邹艳妮 ,  张怡睿 ,  徐嘉伯 ,  刘小平 ,  刘捷

IPC: G06T17/20 ,  G06V10/46 ,  G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于点云补全技术领域，涉及一种基于锚点检测的点云补全方法，该方法首先使用局部删除操作对数据集做预处理，从而模拟不完整的点云；然后将点云所在空间划分为多个锚点，训练神经网络判断锚点的正负性，得到密度均匀，形状规整的正样本锚点；最后在正样本锚点的邻域内通过神经网络生成密集点云，实现由单一锚点向局部的扩散，完成点云的补全。为实现该方法，我们训练了与之适配的GCNet模型，该神经网络模型能够判断锚点的正负性以及生成锚点扩散的三维坐标信息，实现了端到端的点云补全，并解决了现有方法只依靠神经网络回归生成点云坐标而导致的补全效果不佳的问题，提高了点云补全的效果。

公开(公告)号：CN113256543A

公开(公告)日：2021-08-13

申请号：CN202110410965.8

申请日：2021-04-16

Applicant: 南昌大学

Inventor： 邹艳妮 ,  张怡睿 ,  徐嘉伯 ,  刘小平 ,  刘捷

IPC: G06T5/50 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明属于点云补全技术领域，涉及一种基于图卷积神经网络模型的点云补全方法，该方法首先使用视点删除操作对数据集做预处理；然后提出局部特征融合操作，通过神经网络中可学习的矩阵寻找局部中点之间的对应关系，从而实现点云局部特征的聚合，使得特征提取的过程中既考虑了点自身的信息也结合了邻近点的信息；最后设计了与局部特征融合操作所适配的G‑Net结构，该结构由包含局部特征融合操作的编码器和多阶段预测的解码器两部分组成。该点云补全新方法解决了现有方法中局部特征提取不充分的问题，使编码器提取出了更全面的语义信息并以此促进解码器更好的关注局部细节，进而提高了点云补全的精准度，实现了高细节的点云补全。