-
公开(公告)号:CN118941662A
公开(公告)日:2024-11-12
申请号:CN202410964708.2
申请日:2024-07-18
Applicant: 广东工业大学
Abstract: 本发明公开的属于生物医学图像重建技术领域,具体为基于混合特征哈希表与小波隐式神经表示的稀疏视图SPECT重建方法,包括具体步骤如下:通过射线采样获取三维空间内的采样点;利用具有混合特征哈希表的多分辨率哈希编码器对采样点的坐标进行位置编码;将经过哈希编码的稀疏视图输入到全连接多层感知器中,使用Gabor小波作为激活函数,在低维问题域中学习高频函数;通过最小化真实投影和合成投影之间的误差来训练网络,预测时生成不包含训练视图的密集的视图;将训练时的稀疏视图和生成的密集视图相结合。本发明的有益效果在于实现了稀疏视图SPECT重建的高质量结果,相比于传统的深度学习方法,能够进一步提高断层重建图像的质量。
-
公开(公告)号:CN119006988A
公开(公告)日:2024-11-22
申请号:CN202411103153.9
申请日:2024-08-13
Applicant: 广东工业大学
IPC: G06V10/98 , G06V10/42 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请发明提供了一种真实失真全参考图像质量评价方法、系统和介质。该方法包括:利用失真感知重建网络学习失真残差图,对图像进行显著性检测和加权处理,使用网络交互建模提取图像的局部和全局特征,再通过通道注意力对每个通道分配不同的权重,再通过空间注意力对特征图中的空间位置分配不同权重并与特征处理,再通过全连接层处理获得预测分数,再通过拟合处理将客观质量分数映射到主观分数;从而利用Res2net网络和Swin Transformer网络进行显著性检测、通道和空间双注意力和失真残差图处理,对图像质量做出类似主观感知一致性评价。
-
公开(公告)号:CN119169125A
公开(公告)日:2024-12-20
申请号:CN202411200426.1
申请日:2024-08-29
Applicant: 广东工业大学
IPC: G06T11/00 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开的一种基于SSM多模态医学图像生成方法、系统和可读存储介质,其中方法包括:获取多模态匹配的基础数据,其中,所述基础数据包括核磁共振图像数据;搭建初始模型,其中,所述初始模型包括MambaR‑UNet模型,所述目标模型包括一个嵌入层、一个编码器、一个解码器以及一个卷积网络层;提取所述基础数据中的分组比例因子以得到训练数据与微调测试数据,基于所述训练数据在一个模态转化方向训练模型,基于所述微调测试数据对训练好的模型进行另一个模态方向的微调得到目标模型;基于所述目标模型对输入的测试图像进行处理以完成所述测试图像的模态转换。本发明通过在Mamba模块后增加一个重编辑层,充分利用可用的训练数据,实现高效的多模态MR I转换任务。
-
公开(公告)号:CN118941663A
公开(公告)日:2024-11-12
申请号:CN202410964905.4
申请日:2024-07-18
Applicant: 广东工业大学
IPC: G06T11/00 , G16H30/00 , G06T5/70 , G06V10/764 , G06V10/774
Abstract: 本发明公开的属于生物医学图像重建技术领域,具体为一种基于潜在扩散模型的低剂量spect弦图图像重建方法,包括具体步骤如下:使用生成对抗网络训练autoencoder,将所有的数据划分成训练集和测试集,按照4:1的比例进一步划分,训练的时候仅仅使用正常剂量弦图,而测试的时候只使用低剂量弦图,统称为无标签数据。本发明结合了传统的MLEM迭代重建方法和神经网络,提出了一种基于潜在扩散模型的低剂量spect弦图预处理和图像重建的自监督方法,利用无标签数据,在训练阶段训练好autoencoder和扩散模型,在测试期间使用训练好的扩散模型进行测试,把低剂量的spect弦图进行去噪预处理,得到高质量的spect弦图,进一步用MLEM迭代重建方法,得到高质量的spect图像。
-
公开(公告)号:CN118736280A
公开(公告)日:2024-10-01
申请号:CN202410756944.5
申请日:2024-06-13
Applicant: 广东工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/045 , G06N3/09
Abstract: 本发明公开的属于医学图像分类技术领域,具体为基于广义Nesterov迭代快速梯度符号法与伪标签一致性正则化的单阳性多标签胸部X光图像分类方法,包括具体步骤如下:将单阳性多标签胸部X光图像输入到子模型g'中使用广义Nesterov迭代快速梯度符号法利用累计梯度与优化后的扰动步长以生成对抗性样本作为强增强图像;将单阳性多标签胸部X光图像经过随机水平翻转预处理作为弱增强图像并输入到主模型g,其中在骨干网络中获取图像的高级特征,然后使用分类头根据这些特征得到弱增强图像的模型预测,本发明通过利用弱增强图像生成的伪标签监督同一图像的强增强版本,有利于减少假阴性标签问题带来的影响,增强模型的泛化性能。
-
公开(公告)号:CN119271814A
公开(公告)日:2025-01-07
申请号:CN202410960183.5
申请日:2024-07-17
Applicant: 广东工业大学
IPC: G06F16/353 , G06F18/2431 , G06F18/213 , G06F18/22 , G06N3/09 , G06N3/0464
Abstract: 本发明公开了融合标签混淆和拼音信息的中文文本分类方法,本发明中的方法包括三个主要部分:对样本标签进行标签混淆的操作使其生成标签模拟分布用以替代传统的one‑hot表示、在字符表征中融入样本的拼音信息以及构造对比学习来处理噪音问题;通过计算标签和样本的相似度值从而获得标签混淆分布,学习到的模拟标签分布有助于模型更好地表示具有不同标签的实例;通过对样本拼音进行嵌入表征汉字的读音,并将其融入样本的字符嵌入中,解决了汉语中高度流行的多音字现象;然后构造合适的正负样本数据进行对比学习,在拉远正负样本之间距离的过程中,学到真正划分类别的特征,同时,降低噪音特征的干扰,提升模型的鲁棒性。
-
公开(公告)号:CN118941665A
公开(公告)日:2024-11-12
申请号:CN202410990443.3
申请日:2024-07-23
Applicant: 广东工业大学
IPC: G06T11/00 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开的一种基于双域深度展开网络模型的MRI重建方法、系统及介质,其中方法包括:获取模拟欠采样数据,所述模拟欠采样数据包括K空间数据;基于预设的模型框架构建双域深度展开网络模型,其中,模型框架包括Mamba1和Mamba2;基于预设的压缩感知算法对所述双域深度展开模型进行约束,其中包括构建K空间和图像数据正则化项对MRI进行约束;将所述模拟欠采样数据输入到所述双域深度展开模型得到重建K空间数据,并采用傅里叶逆变换得到重建图像。本发明通过将K空间域正则化项的梯度和图像域正则化梯度采用两个相互独立的网络分支近似替换并分步处理的方法,充分利用K空间域和图像域两部分的信息,从而实现高质量的重建效果。
-
公开(公告)号:CN118864633A
公开(公告)日:2024-10-29
申请号:CN202410908554.5
申请日:2024-07-08
Applicant: 广东工业大学
IPC: G06T11/00 , G06N3/0895 , G06N3/0464
Abstract: 本发明公开的一种基于对比学习的双分支MRI图像重建方法、系统和存储介质,其中方法包括:获取欠采样图像,其中,所述欠采样图像包括MRI图像;基于特征提取网络提取所述欠采样图像得到当前图像对应的第一特征和第二特征;基于预设算法建立双分支MRI重建模型,并利用对比学习结合训练图像的图像特征对所述双分支MRI重建模型进行训练;将所述欠采样图像输入到训练好的所述双分支MRI重建模型中得到重建图像。本发明通过创新性的双分支对比学习方法有效提升了MRI图像重建的精度和质量,使得重建图像时更加高效和准确,具有更强的实用性和更好的应用前景。
-
公开(公告)号:CN118736112A
公开(公告)日:2024-10-01
申请号:CN202410756953.4
申请日:2024-06-13
Applicant: 广东工业大学
IPC: G06T17/00 , G06N3/0455
Abstract: 本发明公开的属于生物医学图像重建技术领域,具体为一种基于多射线自注意力隐式神经表示的稀疏视图断层(CBCT和SPECT)重建方法,包括具体步骤如下:通过射线采样获取三维空间内的采样点;利用多分辨率哈希编码器对采样点的坐标进行位置编码;把相邻射线上的邻近采样点重组到感兴趣窗口内;使用Transformer作为查询网络,并利用其自注意力机制学习感兴趣窗口内采样点的内在联系;消除窗口以恢复采样点的初始顺序;利用投影合成公式合成新视角的投影图像;最小化真实投影和合成投影之间的误差来优化网络;用训练后的Transformer网络重建图像,本发明的有益效果在于实现了稀疏视图断层重建的高质量结果。
-
-
-
-
-
-
-
-