-
公开(公告)号：CN109934278A
公开(公告)日：2019-06-25
申请号：CN201910168981.3
申请日：2019-03-06
Applicant: 宁夏医科大学
Abstract: 本发明公开了一种信息增益混合邻域粗糙集的高维度特征选择方法，具体步骤包括如下：步骤一：数据预处理；步骤二：图像分割；步骤三：特征提取；步骤四：特征归一化；步骤五：基于信息增益的特征选择；步骤六：基于领域粗糙集的特征选择；步骤七：对两次约简结果进行分类识别。本发明公开提供了一种信息增益混合邻域粗糙集的高维度特征选择方法，并从理论层面分析两阶段约简算法的可行性。算法可以提高算法的正确率，有效降低时间复杂度，并且综合对比不同方法构建的高维特征选择算法的性能，确保本文方法的优越性，从模型方法的逐步选择上保证结果的科学性，对肺部肿瘤良恶性的识别具有一定的参考价值。
-
公开(公告)号：CN107680082A
公开(公告)日：2018-02-09
申请号：CN201710811917.3
申请日：2017-09-11
Applicant: 宁夏医科大学
CPC classification number: G06T7/0012 , G06N3/0454 , G06T2207/10081 , G06T2207/20084 , G06T2207/30061 , G06T2207/30096
Abstract: 本发明公开了一种基于深度卷积神经网络和全局特征的肺部肿瘤识别方法，可将其用于肺部肿瘤全局特征计算机辅助诊断。首先，根据肺部CT图像特点和复杂性初始构建深度卷积神经网络；然后探讨不同分辨率和迭代次数对识别结果的影响；接着对卷积核大小、特征维数和网络深度进行改进，探讨不同模型结构对于肺部肿瘤全局特征的影响程度；最后从网络优化维度分析不同采样方法(最大池采样和均值采样)、激活函数(Sigmoid和ReLU)和训练算法(批量梯度下降法和弹性动量下降法)对深度卷积神经网络(DCNN)性能的影响。实验结果验证了DCNN用于肺部肿瘤全局特征计算机辅助诊断的可行性，选择合适的模型参数和模型结构并采用弹性动量训练法可达到良好的识别效果。
-
公开(公告)号：CN116630621A
公开(公告)日：2023-08-22
申请号：CN202310552223.8
申请日：2023-05-16
Applicant: 宁夏医科大学
IPC: G06V10/26 , G06V10/80 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种融合多尺度特征的图像分割方法，包括编码模块、解码模块和瓶颈层，所述编码模块通过所述瓶颈层与所述解码模块连接；所述编码模块对待分割图像进行深层特征提取，产生多尺度特征图；所述瓶颈层对所述多尺度特征图进行特征聚合，得到聚合特征图；所述解码模块对所述聚合特征图进行处理，得到分割图像；本发明通过瓶颈层对编码过程中产生的多个尺度模态下特征聚合后进行解码，保留了多尺度特征下的上下文语义信息，提高了分割精度。
-
公开(公告)号：CN104899847A
公开(公告)日：2015-09-09
申请号：CN201510342192.9
申请日：2015-06-19
Applicant: 宁夏医科大学
Abstract: 本发明涉及一种提高图像评价结果可信度的两模态医学图像融合方法，所述方法包括以下步骤：(1)对已配准的PET和CT图像进行双树复小波变换，得到低频子带和高频子带；(2)根据低频子带的特点，采用自适应组合隶属度函数的融合规则，并利用层次分析法确定各隶属度函数的权重；(3)高频子带系数的选取，采用基于区域能量和加权相结合的融合规则。该方法避免隶属度函数选择上的主观性，以及融合系数的固定性，提高了评价结果的可信度；并且，保持了图像之间的相关性，保留原图的有用信息，使获得的融合图像具有更好的视觉效果。
-
公开(公告)号：CN115619693A
公开(公告)日：2023-01-17
申请号：CN202211305108.2
申请日：2022-10-24
Abstract: 本发明提供了一种基于嵌套多尺度变换的时空融合模型，包括：获取CT和PET影像；对CT和PET影像均进行LATLRR和NSCT嵌套分解：经LATLRR分解得到的低秩部分和显著部分，对低秩部分进行NSCT分解，得到高频子带和低频子带；基于平均梯度自适应加权融合方法对低频子带进行融合，基于区域能量取最大值方法对高频子带进行融合，将融合后的高频子带和低频子带融合获得低秩融合部分；将CT和PET影像的显著部分融合获得显著融合部分；将低秩融合部分和显著融合部分叠加，得到融合图像。本发明融合后的图像对于图像的细节信息能够较好的保留，可以较好地融合PET影像中的信息和CT影像中的信息，图像清晰度高，保留丰富的边缘信息。
-
Patent Agency Ranking
公开(公告)号：CN104794426A
公开(公告)日：2015-07-22
申请号：CN201510015896.5
申请日：2015-01-13
Applicant: 宁夏医科大学
Abstract: 本发明属于前列腺疾病医疗器械领域，具体是一种基于CAD系统提高前列腺肿瘤MRI图像识别率的方法。该方法包括以下步骤：(1)采集前列腺患者的MRI图像；(2)提取MRI前列腺肿瘤ROI区域特征；(3)对ROI区域特征进行特征级融合；(4)利用神经网络作为分类器对融合后的特征进行分类识别。该方法使识别前列腺良、恶性肿瘤的能力至少提高10％以上，对MRI前列腺肿瘤的CAD具有积极的意义。
-
公开(公告)号：CN116580198A
公开(公告)日：2023-08-11
申请号：CN202310552515.1
申请日：2023-05-16
Applicant: 宁夏医科大学
IPC: G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0455
Abstract: 本发明公开了一种基于跨尺度交互式融合Transformer模型的医学图像实例分割方法，属于图像实例分割处理技术领域。包括步骤：将预处理后的PET/CT图像输入主干网络，所述主干网络包括依次连接的多个基础瓶颈残差模块和一个多头自注意模块，所述基础瓶颈残差模块用于获取局部特征图，所述多头自注意模块用于获取非局部特征图；利用跨尺度交互式特征增强模块对相邻基础瓶颈残差模块输出的局部特征图进行聚合，获取增强特征图；利用跨尺度交互式融合FPN网络对所述增强特征图进行特征融合，获取融合特征图；针对融合特征图，利用区域建立网络提取候选框；基于ROIAlign对提取的候选框进行预测，获取PET/CT图像实例分割结果。通过上述方法解决了不同尺度特征提取不充分问题。
-
公开(公告)号：CN109934278B
公开(公告)日：2023-06-27
申请号：CN201910168981.3
申请日：2019-03-06
Applicant: 宁夏医科大学
IPC: G06V10/771 , G06V10/25 , G06V10/26 , G06V10/764
Abstract: 本发明公开了一种信息增益混合邻域粗糙集的高维度特征选择方法，具体步骤包括如下：步骤一：数据预处理；步骤二：图像分割；步骤三：特征提取；步骤四：特征归一化；步骤五：基于信息增益的特征选择；步骤六：基于领域粗糙集的特征选择；步骤七：对两次约简结果进行分类识别。本发明公开提供了一种信息增益混合邻域粗糙集的高维度特征选择方法，并从理论层面分析两阶段约简算法的可行性。算法可以提高算法的正确率，有效降低时间复杂度，并且综合对比不同方法构建的高维特征选择算法的性能，确保本文方法的优越性，从模型方法的逐步选择上保证结果的科学性，对肺部肿瘤良恶性的识别具有一定的参考价值。
-
公开(公告)号：CN115619797A
公开(公告)日：2023-01-17
申请号：CN202211305209.X
申请日：2022-10-24
Abstract: 本发明公开了一种基于注意力机制的并行U‑Net网络的肺部图像分割方法，包括以下步骤：构建并行的U‑NetA网络和U‑NetB网络，其中，U‑NetA网络为双编路径‑单解路径结构，U‑NetB网络为单编码路径‑单解码路径；得到PET/CT图像特征和PET图像特征，对每一层的PET/CT图像特征和PET图像特征使用两模态图像特征提取块，基于注意力门从包含代谢信息的PET图像特征和PTE/CT图像特征中提取信息，得到两模态图像特征；将CT图像输入至U‑NetB网络的编码路径中，得到CT图像特征；将两模态图像特征和CT图像特征通过混合注意力机制进行处理，然后分别输入U‑NetA网络和U‑NetB网络的解码路径，共同参与网络上采样；对U‑NetA网络和U‑NetB网络解码路径得到的不同尺度的特征图输入至多尺度特征聚合模块，得到最终的图像分割结果。
-
公开(公告)号：CN107679368A
公开(公告)日：2018-02-09
申请号：CN201710812435.X
申请日：2017-09-11
Applicant: 宁夏医科大学
Abstract: 本发明公开了基于遗传算法和变精度粗糙集的PET/CT高维特征级选择方法，该方法一方面综合考虑了染色体编码取值、属性的最小约简数目、属性依赖度等构造一个通用的适应度函数框架，通过调节各个因素的权重系数来实现不同的适应度函数；另一方面，针对Pawlak粗糙集模型的局限性，引入了分类错误率β将Pawlak粗糙集模型中下近似的严格包含放宽为部分包含，不但完善了近似空间的概念，而且增强了处理噪声的能力，同时不断改变β的范围来实现不同的适应度函数。实验结果表明，在分类错误率一致的情况下，不同的权重系数对结果影响较大，同理，在权重系数一样的情况下，不断增大分类错误率，实验结果也有较大的差别，可根据本发明数据找到最适合本发明的参数组合。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
