-
公开(公告)号：CN113129310B
公开(公告)日：2023-03-31
申请号：CN202110241276.9
申请日：2021-03-04
Applicant: 同济大学
IPC: G06T7/11 , G06V10/774 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/09
Abstract: 本发明涉及一种基于注意力路由的医学图像分割系统，包括多个相互关联的图像处理层，位于底部的图像处理层仅设有1个解码器，其余每个图像处理层均设有1个解码器和1个编码器，图像处理层包括初始层，初始层的解码器获取待分割的医学初始图像，相邻图像处理层之间的解码器进行下采样，编码器进行上采样，除初始层以外的图像处理层的编码器通过评估支路与注意力路由模块连接，注意力路由模块将评估支路的输出作为输入进行迭代，生成注意力权重图，初始层的编码器根据前一层的上采样图像与注意力权重图输出医学分割图像。与现有技术相比，本发明具有促进多尺度特征的高效融合、提高医学图像分割的精准度等优点。
-
公开(公告)号：CN113129310A
公开(公告)日：2021-07-16
申请号：CN202110241276.9
申请日：2021-03-04
Applicant: 同济大学
Abstract: 本发明涉及一种基于注意力路由的医学图像分割系统，包括多个相互关联的图像处理层，位于底部的图像处理层仅设有1个解码器，其余每个图像处理层均设有1个解码器和1个编码器，图像处理层包括初始层，初始层的解码器获取待分割的医学初始图像，相邻图像处理层之间的解码器进行下采样，编码器进行上采样，除初始层以外的图像处理层的编码器通过评估支路与注意力路由模块连接，注意力路由模块将评估支路的输出作为输入进行迭代，生成注意力权重图，初始层的编码器根据前一层的上采样图像与注意力权重图输出医学分割图像。与现有技术相比，本发明具有促进多尺度特征的高效融合、提高医学图像分割的精准度等优点。
-
Patent Agency Ranking
公开(公告)号：CN110310344A
公开(公告)日：2019-10-08
申请号：CN201910425497.4
申请日：2019-05-21
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 同济大学
Abstract: 本发明提供一种基于虚拟条件生成对抗网络的图像生成方法及系统，该方法包括：构造虚拟条件生成对抗网络模型中的生成器；构造虚拟条件生成对抗网络模型中的判别器；构造虚拟条件生成对抗网络模型中的损失函数；对构造完成的虚拟条件生成对抗网络进行训练和测试。通过模数转换函数实现模拟噪声到数字噪声的跳变，然后利用放大偏移独热码指导解码器生成相应条件(类别)的图像样本，并在多个数据集上训练了不同网络配置的虚拟条件对抗生成网络模型，和基线模型的生成分布质量进行对比，展示了模型性能的提升和模型对超参数选择的鲁棒性。
-
公开(公告)号：CN110310345A
公开(公告)日：2019-10-08
申请号：CN201910502034.3
申请日：2019-06-11
Applicant: 同济大学
Abstract: 本发明涉及一种基于自动分工隐聚类生成对抗网络的图像生成方法，包括以下步骤：S1、构建自动分工隐聚类生成对抗网络，所述自动分工隐聚类生成对抗网络包括生成器和判别器；S2、基于训练数据集，训练自动分工隐聚类生成对抗网络；S3、输入随机噪声，由自动分工隐聚类生成对抗网络中的生成器生成图像。与现有技术相比，本发明采用多分支结构来实现可跳变的生成器，能够捕捉不同数据分布的特点，既增加了生成图像的多样性，也减少了存储空间和训练计算量；此外，通过生成器基于概率权重自动学习不同模式，能有效提高无监督数据生成图像的分布质量。
-
公开(公告)号：CN113129309A
公开(公告)日：2021-07-16
申请号：CN202110241269.9
申请日：2021-03-04
Applicant: 同济大学
Abstract: 本发明涉及一种基于对象上下文一致性约束的医学图像半监督分割系统，包括图像粗加工模块，图像粗加工模块包括多个粗加工层，除底部以外的粗加工层设有编码器和解码器，还包括级联的字符识别模块，顶部的粗加工层的编码器获取未标注的初始医学图像，解码器输出粗分割图到字符识别模块，字符识别模块之间设有卷积层，融合来自粗加工层的低层信息和上一级字符识别模块的输出特征，得到细分割图，字符识别模块生成对象上下文特征向量并拼接计算得到增强特征图，从而设置一致性约束，对粗分割图和细分割图进行半监督训练，得到医学标注图像。与现有技术相比，本发明具有有效提升模型的特征提取能力、从无标注数据中学习更抗扰动的全局特征等优点。
-
公开(公告)号：CN110298450A
公开(公告)日：2019-10-01
申请号：CN201910424679.X
申请日：2019-05-21
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 同济大学
Abstract: 本发明提供一种基于生成式对抗网络的虚拟样本生成方法，包括：基于WGAN-GP改进模型对生成器的输入样本进行SVM分类预训练；根据所述SVM分类得到决策面的位置，并模拟生成位于所述决策面附近的少数类样本；根据生成样本与所述决策面的几何距离，设置生成样本的位置约束，以控制样本生成范围；根据所述位置约束建立PCGAN模型，并进行基于所述PCGAN模型的少数类样本扩充；通过所述PCGAN模型在SVM决策面附近生成符合原始分布的生成样本。本发明能提高生成式对抗网络的稳定性和实用性。
-
公开(公告)号：CN113129309B
公开(公告)日：2023-04-07
申请号：CN202110241269.9
申请日：2021-03-04
Applicant: 同济大学
IPC: G06T7/11 , G06V10/762 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0895 , G06N3/088
Abstract: 本发明涉及一种基于对象上下文一致性约束的医学图像半监督分割系统，包括图像粗加工模块，图像粗加工模块包括多个粗加工层，除底部以外的粗加工层设有编码器和解码器，还包括级联的字符识别模块，顶部的粗加工层的编码器获取未标注的初始医学图像，解码器输出粗分割图到字符识别模块，字符识别模块之间设有卷积层，融合来自粗加工层的低层信息和上一级字符识别模块的输出特征，得到细分割图，字符识别模块生成对象上下文特征向量并拼接计算得到增强特征图，从而设置一致性约束，对粗分割图和细分割图进行半监督训练，得到医学标注图像。与现有技术相比，本发明具有有效提升模型的特征提取能力、从无标注数据中学习更抗扰动的全局特征等优点。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
