公开(公告)号：CN113205472A

公开(公告)日：2021-08-03

申请号：CN202110431489.8

申请日：2021-04-21

Applicant: 复旦大学 ,  珠海复旦创新研究院

Inventor： 王润涵 ,  冯瑞

IPC: G06T5/50 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于计算机视觉领域，提供了一种基于循环生成对抗网络CycleGAN模型的跨模态MR影像互生成方法，使用了CycleGAN模型模型，可以生成对目标模态真实影像具有良好近似度的合成影像，而采用了循环的网络结构可以将模型的训练集由两两配对的源模态与目标模态影像的限制弱化为不需要配对的影像，这使得模型的训练难度降低，使用场景更广。同时，本发明能够通过跨模态MR影像互生成模型获得较为真实的不同模态MR影像，相较于简单的数据增强方法，合成影像具有更好的保真度并保留了更多的生物组织结构信息的优势，能够作为MR影像的分割、分类等下游任务的模型的训练数据，起到了扩充训练集和数据增强的作用，能够有效缓解MR影像获取难度大和数据稀缺的问题。

公开(公告)号：CN116823613A

公开(公告)日：2023-09-29

申请号：CN202310795009.5

申请日：2023-06-30

Applicant: 复旦大学

Inventor： 王润涵 ,  冯瑞

IPC: G06T3/40 ,  G06V10/774 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0499 ,  G06N3/042

Abstract: 本发明提供了一种基于梯度增强注意力的多模态MR影像超分辨率方法，具有这样的特征，包括以下步骤：步骤S1，对辅助模态影像和源模态影像分别进行预处理，得到预处理辅助模态影像和预处理源模态影像；步骤S2，构建包括生成器和判别器的生成对抗网络，并将现有的多张多模态的MR影像作为训练数据，再通过训练数据对生成对抗网络进行训练，将训练好的生成器作为多模态MR影像超分辨率模型；步骤S3，将预处理辅助模态影像和预处理源模态影像输入多模态MR影像超分辨率模型，得到目标影像。总之，本方法能够根据高分辨率的辅助模态影像和低分辨率的源模态影像生成更高质量的超分辨率的目标影像。