-
公开(公告)号：CN113011514B
公开(公告)日：2022-01-14
申请号：CN202110336566.1
申请日：2021-03-29
Applicant: 吉林大学
IPC: G16H30/20 , G06K9/62 , G06N3/04 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于双线性池化应用于CT影像的颅内出血亚类型分类算法，所述算法创新性地以细粒度分类的角度去解决颅内出血亚类型分类这个问题，在CNN部分使用了紧凑双线性池化的网络架构，提高了神经网络的特征表达能力，提升了分类性能。双线性池化已经被证明是解决细粒度分类问题的有效方法。它通过对高阶统计信息进行建模，将来自两个不同源的CNN或者同源的CNN的特征看作是两种不同的特征。并对两个特征进行外积计算，然后通过池化操作进行特征融合以捕获不同特征之间的关系，进而得到更强的全局特征表示。该方法用图像平移不变的方法，对局部的成对特征进行交互式建模。
-
公开(公告)号：CN113160232A
公开(公告)日：2021-07-23
申请号：CN202110336555.3
申请日：2021-03-29
Applicant: 吉林大学
Abstract: 本发明公开了一种基于MU‑Net应用于CT影像的颅内出血病灶分割算法，所述颅内出血病灶分割算法在基于U‑Net的基础上提出了一个新的分割结构MU‑Net，并将其应用到颅内出血分割任务中。在编码器模块，引入了Res2Net的网络模块。这样的设计可以提取更精细的多尺度特征，并增加特征图的感受野。为了减少编码层和解码层对应层次之间存在的语义鸿沟，提出了多编码信息融合模块(MIF)，通过对特征进行信息融合有效地弥补解码器丢失的全局信息。除此之外，为了进一步减小编码器解码器之间的语义鸿沟并且聚集多尺度信息，本发明提出了新的解码器模块(MDB)。
-
公开(公告)号：CN113011514A
公开(公告)日：2021-06-22
申请号：CN202110336566.1
申请日：2021-03-29
Applicant: 吉林大学
Abstract: 本发明公开了一种基于双线性池化应用于CT影像的颅内出血亚类型分类算法，所述算法创新性地以细粒度分类的角度去解决颅内出血亚类型分类这个问题，在CNN部分使用了紧凑双线性池化的网络架构，提高了神经网络的特征表达能力，提升了分类性能。双线性池化已经被证明是解决细粒度分类问题的有效方法。它通过对高阶统计信息进行建模，将来自两个不同源的CNN或者同源的CNN的特征看作是两种不同的特征。并对两个特征进行外积计算，然后通过池化操作进行特征融合以捕获不同特征之间的关系，进而得到更强的全局特征表示。该方法用图像平移不变的方法，对局部的成对特征进行交互式建模。
-
Patent Agency Ranking
公开(公告)号：CN116402838B
公开(公告)日：2023-09-15
申请号：CN202310671020.0
申请日：2023-06-08
Applicant: 吉林大学
IPC: G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/26 , G06V10/44 , G06V10/764 , G06V10/82
Abstract: 本发明提出了一种用于颅内出血的半监督图像分割方法及系统，属于医学图像分割技术领域，从数据集中筛选样本，划分训练集和测试集；将训练集送入一个由CNN和Transformer作为骨干网络的双架构分割框架中，在训练过程中，分别处理已标注和未标注的图像；计算CNN与Transformer总协同训练损失；训练过程结束后，仅使用训练好的CNN网络进行测试，将测试集输入至训练好的CNN网络提取特征，进行分割，并评估分割结果的正确性；本发明提出的半监督分割框架的性能有了巨大的提升，具有更好的分割性能，相比其他半监督分割算法有明显优势。
-
公开(公告)号：CN116503428B
公开(公告)日：2023-09-08
申请号：CN202310759859.X
申请日：2023-06-27
Applicant: 吉林大学
Abstract: 基于精细化全局注意力机制图像特征提取方法和分割方法，属于图像分割技术领域，解决图像分割的神经网络中注意力机制对于特征的提取不充分以及参数量过多问题。本发明的方法包括：在计算精细化通道注意力时，在进行特征浓缩时引入了具有不同空洞大小的空洞卷积；将不同空洞大小的空洞卷积共享权重；将深度可分离卷积中的逐通道卷积与空洞卷积结合，使得每一次卷积操作只需要在一个通道上进行计算；在计算精细化空间注意力时，将特征图进行了分组，每一组分别计算注意力权重，最后每一组都能得到一个注意力图。每一组生成的注意力图只对各自组进行权重赋予。本发明适用于医学图像的特征提取和分割。
-
公开(公告)号：CN113160232B
公开(公告)日：2022-01-28
申请号：CN202110336555.3
申请日：2021-03-29
Applicant: 吉林大学
Abstract: 本发明公开了一种基于MU‑Net应用于CT影像的颅内出血病灶分割算法，所述颅内出血病灶分割算法在基于U‑Net的基础上提出了一个新的分割结构MU‑Net，并将其应用到颅内出血分割任务中。在编码器模块，引入了Res2Net的网络模块。这样的设计可以提取更精细的多尺度特征，并增加特征图的感受野。为了减少编码层和解码层对应层次之间存在的语义鸿沟，提出了多编码信息融合模块(MIF)，通过对特征进行信息融合有效地弥补解码器丢失的全局信息。除此之外，为了进一步减小编码器解码器之间的语义鸿沟并且聚集多尺度信息，本发明提出了新的解码器模块(MDB)。
-
公开(公告)号：CN116503428A
公开(公告)日：2023-07-28
申请号：CN202310759859.X
申请日：2023-06-27
Applicant: 吉林大学
Abstract: 基于精细化全局注意力机制图像特征提取方法和分割方法，属于图像分割技术领域，解决图像分割的神经网络中注意力机制对于特征的提取不充分以及参数量过多问题。本发明的方法包括：在计算精细化通道注意力时，在进行特征浓缩时引入了具有不同空洞大小的空洞卷积；将不同空洞大小的空洞卷积共享权重；将深度可分离卷积中的逐通道卷积与空洞卷积结合，使得每一次卷积操作只需要在一个通道上进行计算；在计算精细化空间注意力时，将特征图进行了分组，每一组分别计算注意力权重，最后每一组都能得到一个注意力图。每一组生成的注意力图只对各自组进行权重赋予。本发明适用于医学图像的特征提取和分割。
-
公开(公告)号：CN116402838A
公开(公告)日：2023-07-07
申请号：CN202310671020.0
申请日：2023-06-08
Applicant: 吉林大学
IPC: G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/26 , G06V10/44 , G06V10/764 , G06V10/82
Abstract: 本发明提出了一种用于颅内出血的半监督图像分割方法及系统，属于医学图像分割技术领域，从数据集中筛选样本，划分训练集和测试集；将训练集送入一个由CNN和Transformer作为骨干网络的双架构分割框架中，在训练过程中，分别处理已标注和未标注的图像；计算CNN与Transformer总协同训练损失；训练过程结束后，仅使用训练好的CNN网络进行测试，将测试集输入至训练好的CNN网络提取特征，进行分割，并评估分割结果的正确性；本发明提出的半监督分割框架的性能有了巨大的提升，具有更好的分割性能，相比其他半监督分割算法有明显优势。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
