-
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。
-
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：CN116758005A
公开(公告)日：2023-09-15
申请号：CN202310551914.6
申请日：2023-05-16
Applicant: 北方民族大学
IPC: G06T7/00 , G06N3/0455 , G06T7/10
Abstract: 本发明公开了一种面向PET/CT医学图像的检测方法，包括以下步骤：获取目标PET图像、目标CT图像和目标PET/CT图像；基于CL‑YOLOv5模型的主干网络分别对目标PET图像、目标CT图像和目标PET/CT图像进行特征提取，并对提取出的所有特征进行融合处理，获得融合特征；通过CL‑YOLOv5模型的特征增强颈部对融合特征进行特征增强处理，获得增强特征；通过CL‑YOLOv5模型的预测头部对增强特征进行处理，获得分割特征图。该方法通过CL‑YOLOv5模型对多模态PET/CT医学图像中的特征进行充分提取，提高了对多模态的PET/CT图像的检测精度，为理解医学图像提供了重要依据。
-
公开(公告)号：CN111583194A
公开(公告)日：2020-08-25
申请号：CN202010322570.8
申请日：2020-04-22
Applicant: 北方民族大学
Abstract: 本发明公开了一种基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法，包括：获取肺部肿瘤图像，并进行目标轮廓分割，得到分割后的ROI图像；提取分割后的ROI图像的高维度特征分量，并基于特征分量构建包含特征属性的决策信息表；采用BRSGA算法对原始特征空间进行约简，得到最优特征子集，利用CS算法对SVM的惩罚因子和核函数参数进行优化，并将约简后的特征子集输入至优化后的SVM，得到分类识别结果。本发明通过遗传算法和BRS生成最优特征子集，在不降低分类精确度的前提下降低特征维度，摆脱了参数人工设置的束缚，减少了时间消耗。利用CS对SVM参数进行全局寻优，具有更有效的探索搜索空间，丰富了种群的多样性，具有良好的鲁棒性和较强的全局搜索能力。
-
公开(公告)号：CN118429761A
公开(公告)日：2024-08-02
申请号：CN202310552550.3
申请日：2023-05-16
Applicant: 北方民族大学
IPC: G06V10/80 , G06V10/82 , G06T7/00 , G06T3/4038 , G06N3/0464
Abstract: 本发明公开了一种图像识别方法、装置及系统，涉及图像识别领域，该方法基于REC‑ResNet模型对图像进行识别；所述REC‑ResNet以Resnet50作为主干网络，引入残差自适应特征融合模块、高效特征增强模块和跨层注意力增强模块；该方法包括：基于采集的图像信息确定图像信息对应的特征信息；基于归一化指数函数和特征信息，确定融合特征；对融合特征进行卷积，基于卷积结果确定目标参数；基于目标参数进行图像识别。该方法解决了现有技术中需要人工对CXR图像进行检查，耗时繁琐且准确率低的缺陷，能够在无需手动提取图像特征的情况下获得准确的识别结果。
-
公开(公告)号：CN111583194B
公开(公告)日：2022-07-15
申请号：CN202010322570.8
申请日：2020-04-22
Applicant: 北方民族大学
IPC: G06T7/00 , G06T7/12 , G06T7/136 , G06V10/764 , G06V10/771 , G06V10/40 , G06K9/62 , G06N3/00
Abstract: 本发明公开了一种基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法，包括：获取肺部肿瘤图像，并进行目标轮廓分割，得到分割后的ROI图像；提取分割后的ROI图像的高维度特征分量，并基于特征分量构建包含特征属性的决策信息表；采用BRSGA算法对原始特征空间进行约简，得到最优特征子集，利用CS算法对SVM的惩罚因子和核函数参数进行优化，并将约简后的特征子集输入至优化后的SVM，得到分类识别结果。本发明通过遗传算法和BRS生成最优特征子集，在不降低分类精确度的前提下降低特征维度，摆脱了参数人工设置的束缚，减少了时间消耗。利用CS对SVM参数进行全局寻优，具有更有效的探索搜索空间，丰富了种群的多样性，具有良好的鲁棒性和较强的全局搜索能力。
-
公开(公告)号：CN111582330A
公开(公告)日：2020-08-25
申请号：CN202010323907.7
申请日：2020-04-22
Applicant: 北方民族大学
Abstract: 本发明公开了一种基于肺部肿瘤影像划分样本空间下的集成ResNet-NRC方法，包括如下步骤：收集同一肺部肿瘤的三种维度下的医学图像信息，即三模态数据集CT、PET、PET/CT；根据三模态数据集CT、PET、PET/CT划分出三个模态的样本特征空间；根据三个模态的样本特征空间构建三种模态的残差神经网络模型，即基分类器；采用相对多数投票法对三种基分类器进行组合，形成最终分类识别结果。本发明分类精确度优，满足对基分类器的精确度高和差异性大的条件，可有效解决高维数据的优化问题，特异性和灵敏度等各项评价指标也较高，该方法具有较好的鲁棒性和泛化能力。
-
公开(公告)号：CN111582328A
公开(公告)日：2020-08-25
申请号：CN202010322518.2
申请日：2020-04-22
Applicant: 北方民族大学
Abstract: 本发明公开了一种基于肺部CT影像的COVID-19分类识别方法，包括：采集正常肺部CT影像、肺部肿瘤CT影像、COVID肺部CT影像，得到三个样本子集，并构成样本集；采用迁移学习法，分别对AlexNet、GoogleNet、ResNet三个卷积神经网络进行预训练，分别得到三个卷积神经网络的初始化参数；将样本集分别输入至预训练完成的三个卷积神经网络，得到三个个体分类器；采用集成学习法对三个个体分类器进行集成，获得集成分类器模型。本发明的集成模型整体分类性能优于个体分类器，且特异性和灵敏度等评价指标也较高，能较好满足COVID-19肺部CT影像的快速识别要求。
-
公开(公告)号：CN112348800A
公开(公告)日：2021-02-09
申请号：CN202011254411.5
申请日：2020-11-11
Applicant: 北方民族大学
Abstract: 本发明公开了融合多尺度特征的密集神经网络肺部肿瘤图像识别方法，包括：通过收集CT模态医学图像并预处理，提取不同尺度病灶ROI区域，构成多尺度数据集；所述不同尺度病灶ROI区域带有临床标记的良性或恶性肿瘤标签；将所述多尺度数据集在密集神经网络中训练，构建密集神经网络模型，提取全连接层特征向量并进行特征串行融合；在NSCR分类器中得到肺部肿瘤分类结果。本发明构建的密集神经网络模型优于AlexNet模型，可有效地利用高层信息再次发掘底层新特征，增强了特征在网络间的传播，实现和加强了特征重用；网络深度深、网络泛化能力强，肺部肿瘤分类准确度高。
-
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。
