-
公开(公告)号：CN112365464B
公开(公告)日：2021-08-10
申请号：CN202011242653.2
申请日：2020-11-09
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于GAN的医学图像病变区域弱监督定位方法。该方法具体包括以下步骤：收集数据并制作数据集，将每一次CT扫描的成像文件重采样成固定分辨率并保存为NPY格式并保存对应的标签信息；构建基于卷积神经网络的分类器，使用上述的数据集对分类器进行预训练，学习高级语义特征；构建基于生成对抗网络的框架，使用生成器学习正常人与病人的检查结果的影像学差异，使用判别器和预训练的分类器来强化生成器的学习效果并使生成器能够捕捉到病人的病变区域；本发明可以自动学习病人与正常人之间的差别，实现了无需对病变区域进行标注而能有效的对病变的区域进行定位，提供辅助诊断信息。
-
公开(公告)号：CN112365464A
公开(公告)日：2021-02-12
申请号：CN202011242653.2
申请日：2020-11-09
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于GAN的医学图像病变区域弱监督定位方法。该方法具体包括以下步骤：收集数据并制作数据集，将每一次CT扫描的成像文件重采样成固定分辨率并保存为NPY格式并保存对应的标签信息；构建基于卷积神经网络的分类器，使用上述的数据集对分类器进行预训练，学习高级语义特征；构建基于生成对抗网络的框架，使用生成器学习正常人与病人的检查结果的影像学差异，使用判别器和预训练的分类器来强化生成器的学习效果并使生成器能够捕捉到病人的病变区域；本发明可以自动学习病人与正常人之间的差别，实现了无需对病变区域进行标注而能有效的对病变的区域进行定位，提供辅助诊断信息。
-
公开(公告)号：CN109389584A
公开(公告)日：2019-02-26
申请号：CN201811083803.2
申请日：2018-09-17
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于CNN的多尺度鼻咽肿瘤分割方法。包括以下步骤：收集若干例患鼻咽肿瘤的病例，采集其鼻咽部位MRI图像数据；对上一步骤收集的MRI图像数据的病变区域逐层进行人工边缘标注，作为标签数据；对上一步骤得到的标签数据进行标准化预处理并转成二维数据集；构建基于CNN的多层二维卷积神经网络，使用上一步骤中的二维数据集进行训练；对于待分割的鼻咽部位MRI图像数据，采集同部位同样模态的医学图像，对采集的图像进行标准化处理；通过训练得到的网络模型，对待分割的鼻咽部位MRI图像数据进行自动分割。本发明可以实现对于鼻咽肿瘤的自动分割，且与主流网络对比能取得较高的精度。
-
公开(公告)号：CN109063710B
公开(公告)日：2022-08-16
申请号：CN201810907208.X
申请日：2018-08-09
Applicant: 成都信息工程大学
Abstract: 本发明涉及图像分割领域中的鼻咽部肿瘤图像分割技术，具体的说是一种基于多尺度特征金字塔的3D CNN鼻咽癌分割方法。针对训练样本，需要由有经验的放射科肿瘤医师对若干鼻咽癌病例进行标注，使用整个三维MRI图像建立数据集，并对数据集进行一定的预处理，然后用网络对训练数据集进行训练，取得高精度的分割模型。对于新的病例，可以用该分割模型分割其MRI图像。相对传统的方法，除了训练阶段需要人工标注外，其余部分均可实现自动处理，大大降低对于有经验医师的需求，且与五种主流网络对比能取得较高的精度。
-
公开(公告)号：CN109993735A
公开(公告)日：2019-07-09
申请号：CN201910248901.5
申请日：2019-03-29
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于级联卷积的图像分割方法，涉及图像分割技术领域。该基于级联卷积的图像分割方法包括以下步骤：步骤S1、采集多张病变区域的医学图像信息；步骤S2、将采集到的医学图像信息的病变区域逐层进行人工边缘标注，以得到标签信息；步骤S3、将标签信息进行标准化预处理，以得到二维数据集；步骤S4、建立基于级联卷积的多层二维卷积神经网络，并利用二维数据集对多层二维卷积神经网络进行训练，以得到神经网络模型；步骤S5、输入待分割病人的医学图像信息并进行标准化预处理，以得到待处理二维数据集；步骤S6、将待处理二维数据集输入至所述神经网络模型，将所述待分割病人的医学图像信息进行自动分割，以得到该病人的病变区域。
-
Patent Agency Ranking
公开(公告)号：CN109993109A
公开(公告)日：2019-07-09
申请号：CN201910248870.3
申请日：2019-03-29
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种图像文字识别方法，涉及图像识别技术领域。该图像文字识别方法包括以下步骤：步骤S1、采集多张带有文字的自然场景图像信息；步骤S2、将采集到的自然场景图像信息的文字区域进行人工标注，以得到标签数据，并将标签数据进行预处理得到图像数据；步骤S3、建立基于卷积的多层多尺度神经网络，将所述图像数据输入至所述多层多尺度神经网络进行训练；步骤S4、采集待识别的自然场景图像信息并进行预处理得到待处理图像数据，将待处理图像数据输入至训练后的所述多层多尺度神经网络中，通过所述多层多尺度神经网络自动识别并输出所述待识别的自然场景图像信息中的文字信息。本发明可以实现自动快速的识别自然场景图像中的文字。
-
公开(公告)号：CN109191378A
公开(公告)日：2019-01-11
申请号：CN201810830164.5
申请日：2018-07-25
Applicant: 成都信息工程大学
IPC: G06T3/40
Abstract: 本发明涉及一种基于ERGAN网络单幅图像超分辨重建方法。本发明包括以下步骤：输入待重建图像I；将待重建图像I分为大小为m*m的图像块集合，每一个图像块用 表示，i＝1，2，...，s；将 处理成n*n大小的低分辨率图像 将低分辨率图像 输入到生成器G中进行训练；将生成器G输出的结果G(z)和 一同输入到鉴别器D中；将需要重建的图像再经过生成器G网络超分辨重建。本发明提出了基于生成对抗网络，增强对称残差单位的单图像超分辨率(ERGAN)，在训练的过程中保留了高频特征，减轻深层网络训练的难度。
-
公开(公告)号：CN109614991A
公开(公告)日：2019-04-12
申请号：CN201811388028.1
申请日：2018-11-19
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于Attention的多尺度扩张性心肌的分割分类方法。包括以下步骤：收集若干例患扩张性心肌病的病例，采集其心肌部位MRI图像数据；对上一步骤收集的MRI图像数据的病变区域逐层进行人工边缘标注，作为标签数据；对上一步骤得到的标签数据进行标准化预处理并转成二维数据集；构建基于Attention的多层二维卷积神经网络，使用上一步骤中的二维数据集进行训练；对于待分割分类的心肌部位MRI图像数据，采集同部位同样模态的医学图像，对采集的图像进行标准化处理；通过训练得到的网络模型，对待分割分类的心肌部位MRI图像数据进行自动分割分类。本发明可以实现对于扩张性心肌区域的自动分割和分类，且与主流网络对比能取得较高的精度。
-
公开(公告)号：CN109409508A
公开(公告)日：2019-03-01
申请号：CN201811310962.1
申请日：2018-11-06
Applicant: 成都信息工程大学
Abstract: 本发明属于图像重建技术领域，公开了一种基于生成对抗网络使用感知损失解决模型崩塌的方法，利用随机向量z生成与实际数据分布相似的图像，在训练的过程中采用感知损失将z和真实数据映射到特征空间中来提取更高层次的特征，并结合对抗损失来鼓励生成网络产生与实际图像相似的图像样本；最后，使得鉴别器不能判断这是一个虚假图像。本发明针对已有网络采用较小的数据集解决了模型崩塌问题，VGG-GAN在两个小场景数据集上进行评价；实验结果表明，用VGG-GAN方法生成的图像质量优于现有方法。
-
公开(公告)号：CN113936318A
公开(公告)日：2022-01-14
申请号：CN202111218941.9
申请日：2021-10-20
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于GAN人脸先验信息预测和融合的人脸图像修复方法，本发明方法的神经网络以VAE结构为主干网络，包括两个阶段，首先经过stage‑I阶段的粗修神经网络生成具有人脸结构内容信息的粗糙图像，同时通过融合人脸轮廓，区域和关键点中间特征得到人脸生成指导信息，然后为了更好的考虑人脸结构信息，通过stage‑II阶段的精修神经网络对stage‑I的结果进行精修，在第二生成器中间引入指导信息以实现人脸细节、结构精细化，最终生成自然和谐，结构对称的人脸图像，本发明采用全局和局部两种判别器来做监督，以保证生成更高质量的人脸图像。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.021 seconds)
