-
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：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：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。
-
公开(公告)号：CN110223304A
公开(公告)日：2019-09-10
申请号：CN201910419055.9
申请日：2019-05-20
Applicant: 山东大学
IPC: G06T7/11
Abstract: 本发明提出了一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质。首先，采用自底向上的路径聚合编码器结构，利用低层特征中的空间位置信息增强了整个特征层次结构，缩短了低层与顶层特征之间的信息路径，使用了更完整的低层特征。其次，本发明中的增强译码器具有更大的特征容纳能力。再次，为了进一步提高掩蔽(mask)预测的效率，提出了一种高效的特征金字塔方法，利用较少的资源来完成特征金字塔效应。在BraTS2017和BraTS2018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。
-
Patent Agency Ranking
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：CN110223304B
公开(公告)日：2023-01-24
申请号：CN201910419055.9
申请日：2019-05-20
Applicant: 山东大学
IPC: G06T7/11
Abstract: 本发明提出了一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质。首先，采用自底向上的路径聚合编码器结构，利用低层特征中的空间位置信息增强了整个特征层次结构，缩短了低层与顶层特征之间的信息路径，使用了更完整的低层特征。其次，本发明中的增强译码器具有更大的特征容纳能力。再次，为了进一步提高掩蔽(mask)预测的效率，提出了一种高效的特征金字塔方法，利用较少的资源来完成特征金字塔效应。在BraTS2017和BraTS2018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。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.019 seconds)
