-
公开(公告)号：CN116051945A
公开(公告)日：2023-05-02
申请号：CN202310041351.6
申请日：2023-01-13
Applicant: 常州大学
IPC: G06V10/80 , G06V10/82 , G06V10/26 , G06N3/0455 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及图像处理技术领域，尤其涉及一种基于CNN‑Transformer并行融合方法，包括：通过PCTNet网络的编码器提取待分割的医学图像特征，PaFusion‑encoder由两个分支组成；CNN分支感受野逐渐增大，特征编码从局部到全局；Transformer分支，采用全局自注意力与CNN分支中同等分辨率大小的特征图组成的并行融合模块，最大限度地保留了局部特征和全局特征。本发明通过充分挖掘CNN和Transformer各自的优点，提出基于医学图像分割的CNN和Transformer并行融合网络，进而整合图像中粗粒度和细粒度信息。
-
公开(公告)号：CN118823352A
公开(公告)日：2024-10-22
申请号：CN202411030316.5
申请日：2024-07-30
Applicant: 常州大学
Abstract: 本发明涉及图像分割技术领域，尤其涉及一种基于深度学习的2D医学图像分割方法，包括采集医学图像数据集；构建CNN分支和Transformer分支，利用CNN分支提取局部特征，利用Transformer分支提取全局特征；构建CAF模块，将局部特征和全局特征输入CAF模块中进行第一特征融合；在残差块中引入深度可分离卷积，将第一特征融合与Hadamard积进行第二特征融合；利用上采样、和跳跃连接融合不同层级的第二特征融合，得到融合后的图像特征；将第一层图像特征与解码第三上采样进行残差连接，再通过上采样得到分割结果。本发明解决现有CNN和Transformer特征融合时存在信息丢失问题。
-
公开(公告)号：CN116188928A
公开(公告)日：2023-05-30
申请号：CN202310102092.3
申请日：2023-02-07
Applicant: 常州大学
IPC: G06V10/80 , G06V10/82 , G06V10/26 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及图像处理技术领域，尤其涉及基于CNN与Transformer的四轴向融合方法，包括将医学图像分割数据集剪裁，并转成RGB格式；通过CNN分支编码器和Transformer分支编码器提取图像特征，并通过四轴向融合模块将CNN分支编码器和Transformer分支编码器的图像特征进行融合并输出特征图；将输出特征图送入解码器进行还原。本发明结合了CNN和Transformer的优势，使用CNN缓解Transformer局部性的不足，使用Transformer缓解CNN全局性的不足；采用四轴融合方法不仅关注更多方向的区域，更有利于病灶边缘的分割，而且大大减少了计算量，从而提高了分割性能。
-
公开(公告)号：CN117764953A
公开(公告)日：2024-03-26
申请号：CN202311792524.4
申请日：2023-12-25
Applicant: 常州大学
Abstract: 本发明涉及图像处理技术领域，尤其涉及一种基于CNN和注意力的MRI脑肿瘤分割方法，包括对MRI图像通过编码器提取图像特征；利用CMT模块依次对每个模态进行图像特征提取，当提取某个模态图像特征时与剩余模态图像特征进行互补信息融合；在瓶颈层利用Ttd模块对每个模态图像进行全局特征提取；在解码路径中利用JGF模块对编码器特征和解码器特征进行融合。本发明解决现有方法未充分考虑模态之间的关联；划分Token不合理以及Self‑Attention存在计算资源的浪费和效率的问题。
-
-
-
Search Results
4
records
(took 0.013 seconds)
