-
公开(公告)号：CN109064443B
公开(公告)日：2021-07-16
申请号：CN201810641415.5
申请日：2018-06-22
Applicant: 哈尔滨工业大学
Abstract: 一种基于腹部超声图像的多模型器官分割方法及系统，它解决了传统腹部超声图像器官分割方法准确度不足、实时性差以及通用性差的问题。本发明的步骤为：步骤一：将扫查的超声视频流解码为单帧图像并应用直方图均衡化对图像进行预处理；步骤二：基于改进后的U‑Net分割模型对单帧图像实现腹部器官粗略分割；步骤三：结合GoogleNet腹部器官分类模型对单帧图像的分类结果、医学上的器官结构先验知识以及视频帧间相关性特点等多个模型对粗略分割结果进行修正，实现腹部器官精细分割。本发明利用多模型方法完成基于腹部超声图像的器官精细分割，分割准确度高，实时性和通用性好，为端到端的智能诊断系统提供了实现平台，并可为医疗人员提供有效的诊断辅助。
-
Patent Agency Ranking
公开(公告)号：CN109064443A
公开(公告)日：2018-12-21
申请号：CN201810641415.5
申请日：2018-06-22
Applicant: 哈尔滨工业大学
CPC classification number: G06T7/0012 , G06K9/627 , G06T7/11 , G06T2207/10132 , G06T2207/20081 , G06T2207/20084 , G06T2207/30056 , G06T2207/30084
Abstract: 一种基于腹部超声图像的多模型器官分割方法及系统，它解决了传统腹部超声图像器官分割方法准确度不足、实时性差以及通用性差的问题。本发明的步骤为：步骤一：将扫查的超声视频流解码为单帧图像并应用直方图均衡化对图像进行预处理；步骤二：基于改进后的U‑Net分割模型对单帧图像实现腹部器官粗略分割；步骤三：结合GoogleNet腹部器官分类模型对单帧图像的分类结果、医学上的器官结构先验知识以及视频帧间相关性特点等多个模型对粗略分割结果进行修正，实现腹部器官精细分割。本发明利用多模型方法完成基于腹部超声图像的器官精细分割，分割准确度高，实时性和通用性好，为端到端的智能诊断系统提供了实现平台，并可为医疗人员提供有效的诊断辅助。
-
公开(公告)号：CN105631899B
公开(公告)日：2019-01-04
申请号：CN201511003335.X
申请日：2015-12-28
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于灰度纹理特征的超声图像运动目标跟踪方法，其步骤如下：步骤一、对包括训练集与运动估计序列图像在内的所有图像进行预处理；步骤二、抽取训练集图片模板，划分网格并提取灰度纹理信息作为特征，建立训练数据；步骤三、建立反向传播神经网络结构，利用步骤二得到的训练集训练BP前馈神经网络，建立特征与结果的联系；步骤四、开始跟踪目标，从第一帧起，提取目标区域，对下一帧的搜索区域进行互相关匹配，得到预选坐标并提取灰度纹理特征，输入神经网络，得到目标最佳位置。本发明充分利用已有超声图像的纹理信息训练神经网络，使用已训练的神经网络在线校正模板，改进现有的运动跟踪方法，提高运动目标跟踪的精确度。
-
公开(公告)号：CN109063712B
公开(公告)日：2021-10-15
申请号：CN201810658611.3
申请日：2018-06-22
Applicant: 哈尔滨工业大学
Abstract: 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法及系统，具体涉及利用深度学习算法提取图像特征与图像纹理特征相结合并应用XGBoost算法在超声图像上实现肝脏弥漫性疾病智能诊断的方法，它是人工智能方法在基于超声图像的诊断中的应用，可以为医生的疾病诊断提供辅助建议。本发明的步骤为：一、对肝脏超声图像进行预处理；二、基于卷积神经网络实现肝脏弥漫性疾病的初步分类；三、将卷积神经网络特征和图像纹理特征相结合形成多模型特征，应用XGBoost算法实现肝脏弥漫性疾病的最终分类。本发明结合深度学习算法和传统的特征提取算法，兼顾图像的形状特征与纹理特征，并应用XGBoost算法提高了分类算法的准确度，适用于基于超声图像的肝脏弥漫性疾病辅助诊断。
-
公开(公告)号：CN109063712A
公开(公告)日：2018-12-21
申请号：CN201810658611.3
申请日：2018-06-22
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/4676 , G06K9/6256 , G06K9/6267 , G06N3/0454 , G06N3/08 , G06T7/41 , G06T2207/10132
Abstract: 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法及系统，具体涉及利用深度学习算法提取图像特征与图像纹理特征相结合并应用XGBoost算法在超声图像上实现肝脏弥漫性疾病智能诊断的方法，它是人工智能方法在基于超声图像的诊断中的应用，可以为医生的疾病诊断提供辅助建议。本发明的步骤为：一、对肝脏超声图像进行预处理；二、基于卷积神经网络实现肝脏弥漫性疾病的初步分类；三、将卷积神经网络特征和图像纹理特征相结合形成多模型特征，应用XGBoost算法实现肝脏弥漫性疾病的最终分类。本发明结合深度学习算法和传统的特征提取算法，兼顾图像的形状特征与纹理特征，并应用XGBoost算法提高了分类算法的准确度，适用于基于超声图像的肝脏弥漫性疾病辅助诊断。
-
公开(公告)号：CN105631899A
公开(公告)日：2016-06-01
申请号：CN201511003335.X
申请日：2015-12-28
Applicant: 哈尔滨工业大学
CPC classification number: G06N3/084 , G06T2207/10132 , G06T2207/20032
Abstract: 本发明公开了一种基于灰度纹理特征的超声图像运动目标跟踪方法，其步骤如下：步骤一、对包括训练集与运动估计序列图像在内的所有图像进行预处理；步骤二、抽取训练集图片模板，划分网格并提取灰度纹理信息作为特征，建立训练数据；步骤三、建立反向传播神经网络结构，利用步骤二得到的训练集训练BP前馈神经网络，建立特征与结果的联系；步骤四、开始跟踪目标，从第一帧起，提取目标区域，对下一帧的搜索区域进行互相关匹配，得到预选坐标并提取灰度纹理特征，输入神经网络，得到目标最佳位置。本发明充分利用已有超声图像的纹理信息训练神经网络，使用已训练的神经网络在线校正模板，改进现有的运动跟踪方法，提高运动目标跟踪的精确度。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
