-
公开(公告)号：CN109637634B
公开(公告)日：2020-10-02
申请号：CN201811510479.8
申请日：2018-12-11
Applicant: 厦门大学
IPC: G16H30/40
Abstract: 一种基于生成对抗网络的医学图像合成方法，涉及图像合成领域。在病灶图像上，通过病灶图像合成健康图像的神经网络生成器支路，对病灶区域进行非病灶化；在健康图像上，通过健康图像合成病灶图像的神经网络生成器支路，对健康图像的某个区域进行病灶化；根据生成对抗网络模型，生成图像与真实图像之间构建生成对抗损失函数；为了稳定神经网络的训练，在病灶图像与经过两个生成器对应生成的病灶图像和健康图像与经过两个生成器对应生成的健康图像之间，构建循环一致性损失函数；为了优化生成的健康图像的结果，在病灶图像与对应生成的健康图像的非病灶区域构建保真项损失函数。
-
Patent Agency Ranking
公开(公告)号：CN109685819A
公开(公告)日：2019-04-26
申请号：CN201811510480.0
申请日：2018-12-11
Applicant: 厦门大学
Abstract: 一种基于特征增强的三维医学图像分割方法，涉及图像处理领域。构造一种U型卷积神经网络，实现端到端的医学图像分割；将医学图像的多个模态的图像分别作为输入送入到并行的U型卷积神经网络中，得到不同的特征图；提取多个并行网络的特征图并融合，再进行卷积，得到不同特征图各自的权重图；将并行网络各自的体素级权重与原先的特征图相乘，完成特征增强过程；将所有并行网络末端的特征图融合，得到多张概率图，从而得到分割结果。能有效地增强特征图中有用的信息，抑制冗余信息。同时，相较于其他注意力加权方式，该加权方法考虑到了图像的多模态信息和三维信息，从而获得更好的分割效果。
-
公开(公告)号：CN109685819B
公开(公告)日：2021-02-26
申请号：CN201811510480.0
申请日：2018-12-11
Applicant: 厦门大学
Abstract: 一种基于特征增强的三维医学图像分割方法，涉及图像处理领域。构造一种U型卷积神经网络，实现端到端的医学图像分割；将医学图像的多个模态的图像分别作为输入送入到并行的U型卷积神经网络中，得到不同的特征图；提取多个并行网络的特征图并融合，再进行卷积，得到不同特征图各自的权重图；将并行网络各自的体素级权重与原先的特征图相乘，完成特征增强过程；将所有并行网络末端的特征图融合，得到多张概率图，从而得到分割结果。能有效地增强特征图中有用的信息，抑制冗余信息。同时，相较于其他注意力加权方式，该加权方法考虑到了图像的多模态信息和三维信息，从而获得更好的分割效果。
-
公开(公告)号：CN109637634A
公开(公告)日：2019-04-16
申请号：CN201811510479.8
申请日：2018-12-11
Applicant: 厦门大学
IPC: G16H30/40
Abstract: 一种基于生成对抗网络的医学图像合成方法，涉及图像合成领域。在病灶图像上，通过病灶图像合成健康图像的神经网络生成器支路，对病灶区域进行非病灶化；在健康图像上，通过健康图像合成病灶图像的神经网络生成器支路，对健康图像的某个区域进行病灶化；根据生成对抗网络模型，生成图像与真实图像之间构建生成对抗损失函数；为了稳定神经网络的训练，在病灶图像与经过两个生成器对应生成的病灶图像和健康图像与经过两个生成器对应生成的健康图像之间，构建循环一致性损失函数；为了优化生成的健康图像的结果，在病灶图像与对应生成的健康图像的非病灶区域构建保真项损失函数。
-
公开(公告)号：CN109598732B
公开(公告)日：2022-06-14
申请号：CN201811510501.9
申请日：2018-12-11
Applicant: 厦门大学
Abstract: 一种基于三维空间加权的医学图像分割方法，涉及图像处理领域。构造一种U型卷积神经网络，实现端到端的医学图像分割；将医学图像的多个模态的图像分别作为输入送入到并行的深度学习网络中，得到不同的特征图；提取多个并行网络的特征图并融合，再进行非线性变换，得到每个并行网络各自的体素级权重；将并行网络各自的体素级权重与原先的特征图相乘，完成特征的重标定；将所有并行网络末端的特征图融合，得到多张概率图，从而得到分割结果。利用变换得到三维空间中权重，再将权重与特征图相乘，以达到特征重标定的目的。相较于传统的深度学习分割模型，该空间加权方式能有效地提高网络中特征图的表征能力，从而取得更好的分割效果。
-
公开(公告)号：CN109598732A
公开(公告)日：2019-04-09
申请号：CN201811510501.9
申请日：2018-12-11
Applicant: 厦门大学
Abstract: 一种基于三维空间加权的医学图像分割方法，涉及图像处理领域。构造一种U型卷积神经网络，实现端到端的医学图像分割；将医学图像的多个模态的图像分别作为输入送入到并行的深度学习网络中，得到不同的特征图；提取多个并行网络的特征图并融合，再进行非线性变换，得到每个并行网络各自的体素级权重；将并行网络各自的体素级权重与原先的特征图相乘，完成特征的重标定；将所有并行网络末端的特征图融合，得到多张概率图，从而得到分割结果。利用变换得到三维空间中权重，再将权重与特征图相乘，以达到特征重标定的目的。相较于传统的深度学习分割模型，该空间加权方式能有效地提高网络中特征图的表征能力，从而取得更好的分割效果。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
