-
公开(公告)号：CN109410219B
公开(公告)日：2021-09-03
申请号：CN201811173959.X
申请日：2018-10-09
Applicant: 山东大学
Abstract: 本发明公开了一种基于特征金字塔融合的图像分割方法，用于对磁共振图像进行分析，将水肿、坏死组织与正常组织进行分割。该方法通过对数据进行预处理去除不包含水肿、坏死组织信息的磁共振层，然后为了防止过拟合进行数据增强，再把数据送入具有特征金字塔融合的深度学习模型中，首先利用下采样过程对数据进行特征提取，然后在上采样过程中逐渐恢复输入数据的分辨率，最后利用金字塔融合的方式把上采样过程中提取的多种尺度的信息进行融合得到分割结果。使用BraTS2015和BraTS2017两个数据集完成了实验，并做了5次交叉验证。与不使用金字塔融合的深度学习模型相比较后，本发明提出的方法分割精度明显提升，表明本发明提出的方法是有效的。
-
公开(公告)号：CN111915612A
公开(公告)日：2020-11-10
申请号：CN202010727353.7
申请日：2020-07-24
Applicant: 山东大学
IPC: G06T7/10
Abstract: 本发明公开了一种基于多编码器卷积神经网络的图像分割方法和系统。基于多编码器卷积神经网络的图像分割方法其特征在于：采用若干个编码器提取特征，通过解码器恢复至原始分辨率，编码器1由若干卷积层和下采样MaxPooling层组成，在编码器1经过三次、两次和一次下采样的卷积层上分别设置一个编码器，得到编码器2、3、4，在最底层将不同编码器提取的特征在通道维度进行融合，然后构建与编码器1对称的解码器结构，通过跨层连接将编码器1和与解码器相邻编码器卷积层中的特征送到对称的解码过程中，直到图像恢复到原始分辨率，进行逐个像素点分类，得到最终的分割结果，在ATLAS Release 1.1数据集上进行了算法验证，本发明提出的方法优于传统方法，分割效果更好。
-
公开(公告)号：CN110458849A
公开(公告)日：2019-11-15
申请号：CN201910684402.0
申请日：2019-07-26
Applicant: 山东大学
Abstract: 本发明提出了一种基于特征修正的图像分割方法。传统深度学习分割算法往往包含编码器和解码器两个部分，注重特征的融合，特征金字塔等方法将来自不同层次的空间与细节等信息全部融合，这使得对分割结果有利和不利的信息都被融合了进来，因此，需要在分割过程中将特征朝有利于分割结果的方向修正。本发明采用了编码器、特征修正解码器与特征金字塔的组合结构，在BraTS2017数据集上进行了算法验证，本发明的方法优于传统的方法，具有更好的分割结果。
-
Patent Agency Ranking
公开(公告)号：CN110599495A
公开(公告)日：2019-12-20
申请号：CN201910684367.2
申请日：2019-07-26
Applicant: 山东大学
Abstract: 本发明提出了一种基于语义信息挖掘的图像分割方法。传统深度学习算法往往包含编码器和解码器两个部分，其中编码器用于提取细节信息，解码器会将这些细节信息融合，进行上采样，得到最终的分割结果。目前大多分割方法在编码器部分只使用一条通路，基于残差网络的分割方法又在编码器的每个下采样区域中增加了一条残差通路，用于补充信息，但是补充的信息来自于之前的卷积层，提取的细节信息不足，因此，需要在分割过程中进行语义信息挖掘。本发明采用了语义信息挖掘编码器、解码器与特征金字塔的组合结构，在BraTS2017数据集上进行了算法验证，我们的方法优于传统的方法，具有更好的分割结果。
-
公开(公告)号：CN110599495B
公开(公告)日：2022-08-16
申请号：CN201910684367.2
申请日：2019-07-26
Applicant: 山东大学
Abstract: 本发明提出了一种基于语义信息挖掘的图像分割方法。传统深度学习算法往往包含编码器和解码器两个部分，其中编码器用于提取细节信息，解码器会将这些细节信息融合，进行上采样，得到最终的分割结果。目前大多分割方法在编码器部分只使用一条通路，基于残差网络的分割方法又在编码器的每个下采样区域中增加了一条残差通路，用于补充信息，但是补充的信息来自于之前的卷积层，提取的细节信息不足，因此，需要在分割过程中进行语义信息挖掘。本发明采用了语义信息挖掘编码器、解码器与特征金字塔的组合结构，在BraTS2017数据集上进行了算法验证，我们的方法优于传统的方法，具有更好的分割结果。
-
公开(公告)号：CN109410219A
公开(公告)日：2019-03-01
申请号：CN201811173959.X
申请日：2018-10-09
Applicant: 山东大学
Abstract: 本发明公开了一种基于特征金字塔融合的图像分割方法，用于对磁共振图像进行分析，将水肿、坏死组织与正常组织进行分割。该方法通过对数据进行预处理去除不包含水肿、坏死组织信息的磁共振层，然后为了防止过拟合进行数据增强，再把数据送入具有特征金字塔融合的深度学习模型中，首先利用下采样过程对数据进行特征提取，然后在上采样过程中逐渐恢复输入数据的分辨率，最后利用金字塔融合的方式把上采样过程中提取的多种尺度的信息进行融合得到分割结果。使用BraTS2015和BraTS2017两个数据集完成了实验，并做了5次交叉验证。与不使用金字塔融合的深度学习模型相比较后，本发明提出的方法分割精度明显提升，表明本发明提出的方法是有效的。
-
公开(公告)号：CN110458849B
公开(公告)日：2023-04-25
申请号：CN201910684402.0
申请日：2019-07-26
Applicant: 山东大学
Abstract: 本发明提出了一种基于特征修正的图像分割方法。传统深度学习分割算法往往包含编码器和解码器两个部分，注重特征的融合，特征金字塔等方法将来自不同层次的空间与细节等信息全部融合，这使得对分割结果有利和不利的信息都被融合了进来，因此，需要在分割过程中将特征朝有利于分割结果的方向修正。本发明采用了编码器、特征修正解码器与特征金字塔的组合结构，在BraTS2017数据集上进行了算法验证，本发明的方法优于传统的方法，具有更好的分割结果。
-
公开(公告)号：CN111915612B
公开(公告)日：2022-10-14
申请号：CN202010727353.7
申请日：2020-07-24
Applicant: 山东大学
IPC: G06T7/10
Abstract: 本发明公开了一种基于多编码器卷积神经网络的图像分割方法和系统。基于多编码器卷积神经网络的图像分割方法其特征在于：采用若干个编码器提取特征，通过解码器恢复至原始分辨率，编码器1由若干卷积层和下采样MaxPooling层组成，在编码器1经过三次、两次和一次下采样的卷积层上分别设置一个编码器，得到编码器2、3、4，在最底层将不同编码器提取的特征在通道维度进行融合，然后构建与编码器1对称的解码器结构，通过跨层连接将编码器1和与解码器相邻编码器卷积层中的特征送到对称的解码过程中，直到图像恢复到原始分辨率，进行逐个像素点分类，得到最终的分割结果，在ATLAS Release 1.1数据集上进行了算法验证，本发明提出的方法优于传统方法，分割效果更好。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
