-
公开(公告)号：CN118247374B
公开(公告)日：2025-05-16
申请号：CN202410414616.7
申请日：2024-04-08
Applicant: 哈尔滨工业大学
IPC: G06T11/00 , G06T7/00 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/047 , G06N3/094 , G06N3/084 , G16H30/20
Abstract: 一种基于对抗概率扩散模型的医学图像生成方法，它属于图像生成技术领域。本发明解决了现有医学图像生成方法存在的生成图像效率低、清晰度低以及无法确保真实性的问题。本发明具体为：步骤S1、分别统计每张患病医学图像中病灶区域所占的像素数量；步骤S2、分别为每张患病医学图像生成病灶区域所占像素数量的变化序列；步骤S3、构建医学图像生成模型，利用各张患病医学图像以及为各张患病医学图像生成的病灶区域所占像素数量变化序列对医学图像生成模型进行训练；步骤S4、将健康医学图像作为训练好的医学图像生成模型的对抗概率扩散模块的输入，生成患病医学图像。本发明可以应用于图像生成技术领域。
-
公开(公告)号：CN119887792A
公开(公告)日：2025-04-25
申请号：CN202510069480.5
申请日：2025-01-16
Applicant: 哈尔滨工业大学
IPC: G06T7/10 , G06T5/70 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/0895 , G06N5/04
Abstract: 一种基于先验引导扩散模型的不确定性医学图像分割系统及方法，它属于医学图像分割技术领域。本发明解决了现有扩散模型的推理过程慢的问题。本发明在先验阶段生成距离目标分布更近的中间分布，后续在全部预测结果的推理过程中均共享先验阶段生成的中间分布，使全部预测结果的推理过程都从相同的中间分布开始，不但避免了冗余的推理过程，并且先验阶段中先验网络的推理速度还显著快于扩散模型的推理过程，从而大幅实现推理过程的加速。而后使用带有额外分割监督的流匹配扩散模型进行多预测结果生成，流匹配的扩散路径在隐空间中是一条直线，这使得流匹配能够使用更少的推理步数就能达到良好的推理效果。本发明方法可以应用于医学图像分割。
-
公开(公告)号：CN118447994A
公开(公告)日：2024-08-06
申请号：CN202410654310.9
申请日：2024-05-24
Applicant: 哈尔滨工业大学
IPC: G16H15/00 , G06T9/00 , G06F40/126 , G06F40/30 , G06V10/74
Abstract: 一种基于医学图像和疾病属性描述对的诊断报告生成系统，它属于医学图像处理领域。本发明解决了通过医务人员对图像进行分析来获得诊断报告的方式存在准确率和效率低的问题。本发明采用先进的大语言模型对诊断报告进行深度疾病信息提取，并通过注入医学领域的知识，进一步增强模型对不同疾病类别视觉属性的理解能力，将这些知识成功应用于未知类别的学习中。通过构建描述图像与疾病之间相关性的语义相似度矩阵，以实现更精准的对比学习，作为一种高效且精确的医学视觉‑语言预训练方法，本发明通过利用自然配对的医学图像和诊断报告数据，显著地提升了医学图像分析任务的效率和准确性。本发明方法可以应用于医学图像诊断报告生成。
-
公开(公告)号：CN120032000A
公开(公告)日：2025-05-23
申请号：CN202510119074.5
申请日：2025-01-24
Applicant: 哈尔滨工业大学
Abstract: 一种基于扩散模型的3D MRI偏置场校正方法及系统，它属于医学图像分析技术领域。本发明解决了现有3D MRI偏置场校正方法的效率低、精度低以及需要的计算资源大的问题。本发明方法为：获取各张无偏置场的3D MRI医学影像，根据获取的3D MRI医学影像得到3D MRI医学影像数据集；获取用于生成3D偏置场标签的基集；利用得到的3D MRI医学影像数据集和基集对偏置场校正模型进行训练，获得训练好的偏置场校正模型；对带偏置场的3D MRI影像的体素进行均匀抽取，利用均匀抽取出的体素组成训练好的偏置场校正模型的输入图像，利用训练好的偏置场校正模型对输入图像进行T步偏置场校正，根据偏置场校正模型的输出得到校正后3D MRI影像。本发明方法可以应用于3D MRI偏置场校正。
-
公开(公告)号：CN118447994B
公开(公告)日：2025-05-16
申请号：CN202410654310.9
申请日：2024-05-24
Applicant: 哈尔滨工业大学
IPC: G16H15/00 , G06T9/00 , G06F40/126 , G06F40/30 , G06V10/74
Abstract: 一种基于医学图像和疾病属性描述对的诊断报告生成系统，它属于医学图像处理领域。本发明解决了通过医务人员对图像进行分析来获得诊断报告的方式存在准确率和效率低的问题。本发明采用先进的大语言模型对诊断报告进行深度疾病信息提取，并通过注入医学领域的知识，进一步增强模型对不同疾病类别视觉属性的理解能力，将这些知识成功应用于未知类别的学习中。通过构建描述图像与疾病之间相关性的语义相似度矩阵，以实现更精准的对比学习，作为一种高效且精确的医学视觉‑语言预训练方法，本发明通过利用自然配对的医学图像和诊断报告数据，显著地提升了医学图像分析任务的效率和准确性。本发明方法可以应用于医学图像诊断报告生成。
-
Patent Agency Ranking
公开(公告)号：CN118247374A
公开(公告)日：2024-06-25
申请号：CN202410414616.7
申请日：2024-04-08
Applicant: 哈尔滨工业大学
IPC: G06T11/00 , G06T7/00 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/047 , G06N3/094 , G06N3/084 , G16H30/20
Abstract: 一种基于对抗概率扩散模型的医学图像生成方法，它属于图像生成技术领域。本发明解决了现有医学图像生成方法存在的生成图像效率低、清晰度低以及无法确保真实性的问题。本发明具体为：步骤S1、分别统计每张患病医学图像中病灶区域所占的像素数量；步骤S2、分别为每张患病医学图像生成病灶区域所占像素数量的变化序列；步骤S3、构建医学图像生成模型，利用各张患病医学图像以及为各张患病医学图像生成的病灶区域所占像素数量变化序列对医学图像生成模型进行训练；步骤S4、将健康医学图像作为训练好的医学图像生成模型的对抗概率扩散模块的输入，生成患病医学图像。本发明可以应用于图像生成技术领域。
-
公开(公告)号：CN114863104A
公开(公告)日：2022-08-05
申请号：CN202210480964.5
申请日：2022-05-05
Applicant: 哈尔滨工业大学
Abstract: 一种基于标签分布学习的图像分割方法，它属于图像处理技术领域。本发明解决了现有方法无法充分利用神经网络中捕捉的先验信息导致分割结果的准确率低，且分割结果边界不连续的问题。本发明首先利用语义分割标签生成多分辨率的标签分布，并在分割网络不同的上采样层加入对应分辨率的标签分布监督，利用标签分布学习的方法训练网络，并得到不同细节的预测区域分布，最后基于上述预测区域分布实现逐像素的稠密分布预测。本发明方法能够充分利用分割网络中生成的先验信息，并能够有效的捕捉边界信息进而促进边界的分割，可以准确且高效地实现图像的语义分割任务，保证了图像分割的准确性。本发明方法可以应用于对图像进行分割。
-
公开(公告)号：CN119672049A
公开(公告)日：2025-03-21
申请号：CN202411808821.8
申请日：2024-12-10
Applicant: 哈尔滨工业大学
IPC: G06T7/11 , G06T7/00 , G06T5/70 , G06T5/50 , G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F17/18
Abstract: 一种医学图像分割不确定性估计系统，它属于医学图像分割技术领域。本发明解决了现有医学图像分割不确定性估计技术的准确性、通用性和灵活性差的问题。本发明通过数据的逻辑映射建立数据的概率空间分布，对于分割结果中语义的合理性和所存在的模型不确定性及任意不确定性都能够实现更好的建模，提高了不确定性估计技术的准确性。而且本发明的不确定性感知模块M2能够灵活集成到现有的分割框架中，即能够连接到任意确定性医学图像分割骨干网络M1之后，将二者连接在一起进行使用，形成不确定性感知的医学图像分割模型，实现了对于确定性医学图像分割算法的通用改进。本发明方法可以应用于医学图像分割。
-
公开(公告)号：CN118447305A
公开(公告)日：2024-08-06
申请号：CN202410547826.3
申请日：2024-05-06
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/20 , G06V10/40 , G06F18/22 , G06V10/774 , G06N3/0455 , G06N3/048 , G06N3/084 , G06N3/098
Abstract: 一种基于多任务学习的痤疮严重程度自动分级系统，它属于医学图像处理领域。本发明解决了现有痤疮严重程度分级方法的准确率且效率低的问题。本发明通过设计序列树构建方法可以构建合适的序列树，并大幅度降低了寻找合适序列树的时间成本，提升了分级的效率。通过引入标签分布学习，并将标签分布学习与序列树进行结合，可以更好地区分相邻的痤疮严重程度，解决了相邻痤疮严重程度难以区分的问题，显著提升了痤疮严重程度整体分级的效果，保证了痤疮严重程度分级的准确率。本发明方法可以应用于痤疮严重程度分级。
-
公开(公告)号：CN116993770B
公开(公告)日：2024-05-28
申请号：CN202311031721.4
申请日：2023-08-16
Applicant: 哈尔滨工业大学
IPC: G06T7/194 , G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/09
Abstract: 一种基于残差扩散模型的图像分割方法，它属于图像处理技术领域。本发明解决了现有模糊图像分割算法的分割效果差的问题。本发明的主要方案为：步骤S1、对已知目标区域的三维图像进行预处理，将预处理后的图像作为训练数据；步骤S2、将步骤S1中预处理后图像的目标区域标签转换成体素级的独热编码分割标签向量y0；步骤S3、构建残差扩散模型，所述残差扩散模型包括扩散先验网络和噪声估计网络两个部分；利用训练数据和分割标签向量y0对扩散先验网络和噪声估计网络进行联合训练；步骤S4、对待分割图像进行预处理操作后，利用训练好的残差扩散模型的参数对预处理后的待分割图像进行分割。本发明方法可以应用于图像分割。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.027 seconds)
