-
公开(公告)号：CN115063435A
公开(公告)日：2022-09-16
申请号：CN202210579200.1
申请日：2022-05-26
Applicant: 复旦大学附属中山医院
Abstract: 本发明涉及一种基于多尺度类间的肿瘤及周围器官的分割方法，MRI图像送入预处理，对图像进行强度归一化以及直方图均衡化，把整个图像分成数量的小块像素进行非线性拉伸，使局部的灰度直方图均匀分布；将预处理过后的图像作为输入图像缩放输入至定位网络，定位出目标区域，然后在输入图像中裁剪出以目标为中心的图像，增大前景像素的占比，之后将所裁剪出的目标区域输入分割网络模型中进一步分割获得完整分割结果。本发明方法可以更好地定位感兴趣区域；有效地融合局部上下文和全局上下文信息；损失函数中融入了类间关系，更好地利用推理时标签的概率向量；提升了体素占比较少的肿瘤类别的精度。
-
公开(公告)号：CN111968138A
公开(公告)日：2020-11-20
申请号：CN202010682603.X
申请日：2020-07-15
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于3D动态边缘不敏感性损失函数的医学图像分割方法。本发明模型采用动态边缘不敏感性损失函数，该损失函数的设计原则为：在每次迭代训练过程中，距离边缘越远的预测错误的像素点，网络对其越敏感，惩罚权重越大。这样可以降低不可信的边缘敏感度，降低不同专家标注数据的边缘不确定性对模型的影响，提高模型对于医学图像分割的泛化性能。同时采用基于注意力机制的U-net架构，通过融合注意力模块自适应特征图的权重分布，使网络模型的偏差较小，从而减少标注噪声对模型学习的影响，提高医学图像分割模型泛化性与精确度。
-
公开(公告)号：CN115393289A
公开(公告)日：2022-11-25
申请号：CN202210940799.7
申请日：2022-08-06
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于集成交叉伪标签的肿瘤图像半监督分割方法。本发明方法通过训练差异较大的三个分割模型：基于Transformer架构的UNETR模型，基于CNN的注意力U‑Net，基于CNN的多尺度特征信息的注意力分割网络模型CSA‑U‑Net，来生成无标注数据的伪标签；然后使用带伪标签的无标注数据扩展训练数据，通过伪标签数据交替监督约束输出结果的一致性。最后集成多个模型的输出结果，以提升分割模型的精度。本发明方法可以更好地通过结合无标注数据和有标注数据的信息直接提升模型分割性能。
-
公开(公告)号：CN111968138B
公开(公告)日：2022-03-18
申请号：CN202010682603.X
申请日：2020-07-15
Applicant: 复旦大学
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于3D动态边缘不敏感性损失函数的医学图像分割方法。本发明模型采用动态边缘不敏感性损失函数，该损失函数的设计原则为：在每次迭代训练过程中，距离边缘越远的预测错误的像素点，网络对其越敏感，惩罚权重越大。这样可以降低不可信的边缘敏感度，降低不同专家标注数据的边缘不确定性对模型的影响，提高模型对于医学图像分割的泛化性能。同时采用基于注意力机制的U‑net架构，通过融合注意力模块自适应特征图的权重分布，使网络模型的偏差较小，从而减少标注噪声对模型学习的影响，提高医学图像分割模型泛化性与精确度。
-
-
-
Search Results
4
records
(took 0.011 seconds)
