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

Inventor： 骆功宁 ,  蒋杰 ,  李向宇 ,  刘一凡 ,  董庆 ,  李钦策 ,  袁永峰 ,  王宽全 ,  王玮

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：CN119475243A

公开(公告)日：2025-02-18

申请号：CN202411636139.5

申请日：2024-11-15

Applicant: 哈尔滨工业大学

Inventor： 李向宇 ,  蒋杰 ,  骆功宁 ,  王玮 ,  李钦策 ,  袁永峰 ,  王宽全

IPC: G06F18/25 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0442 ,  G06N3/042 ,  G06N3/08

Abstract: 一种基于VQ‑GCN的医学多模态隐空间对齐融合方法及系统，它属于医学多模态融合技术领域。本发明解决了传统融合方法难以在同一特征空间内保持语义一致性的问题。本发明方法具体为：步骤S1、分别为每个模态数据分别构建特征提取器；步骤S2、并将各个模态数据分别输入对应的特征提取器，获得各个模态数据的模态特征；步骤S3、对各个模态数据的模态特征进行隐空间对齐，分别获得各个模态的最终语义编码特征以及全部模态的最终共有语义特征；步骤S4、对各个模态的最终语义编码特征和全部模态的最终共有语义特征进行分层跨模态注意力特征融合，获得医学多模态特征融合结果。本发明方法可以应用于医学多模态隐空间对齐融合。

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

Inventor： 骆功宁 ,  蒋杰 ,  李向宇 ,  刘一凡 ,  董庆 ,  李钦策 ,  袁永峰 ,  王宽全 ,  王玮

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。