公开(公告)号：CN118072921A

公开(公告)日：2024-05-24

申请号：CN202410350815.6

申请日：2024-03-26

Applicant: 杭州电子科技大学

Inventor： 余潇 ,  方昭杰 ,  葛瑞泉 ,  吴卿 ,  贾刚勇 ,  王昌淼 ,  陈章昊 ,  樊谨

IPC: G16H30/40 ,  G06T11/00 ,  G06T7/00 ,  G06N3/0464

Abstract: 本发明公开了一种基于条件扩散模型的动态超广角荧光素造影合成方法，包括S1、采集图像数据并预处理；S2、搭建基于条件扩散模型的动态超广角荧光素造影合成网络模型；S3、对条件扩散模型和两个条件变分自编码器模块进行反复训练，优化网络参数，不断进行迭代优化以最小化真实值图像的与模型输出图像间的差异；S4、通过对经过预处理的超广角眼底彩照输入到经过训练的基于条件扩散模型的动态超广角荧光素造影合成网络模型中，最终生成了早晚期超广角荧光素血管造影图像。本发明属于图像转换与生成技术领域，这种方法基于输入的超广角眼底彩照，自动产生具有高分辨率、高清晰度以及包含空间特征和纹理细节的早晚期超广角荧光素血管造影图像。

公开(公告)号：CN118982599A

公开(公告)日：2024-11-19

申请号：CN202411146497.8

申请日：2024-08-20

Applicant: 杭州电子科技大学

Inventor： 余潇 ,  方昭杰 ,  庄柯 ,  周冠宇 ,  葛瑞泉 ,  王昌淼 ,  张爽 ,  樊谨

IPC: G06T11/00 ,  G06T3/4053 ,  G06T7/10 ,  G06T3/60 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/08 ,  G06T5/70 ,  G06V10/774 ,  G06V10/764 ,  G06N3/0985

Abstract: 本发明公开了一种基于LPUWF‑LDM模型的精确晚期UWF‑FA图像生成方法，包括S1、收集图像数据并预处理；S2、搭建基于LPUWF‑LDM模型的精确晚期UWF‑FA图像生成网络模型，所述基于LPUWF‑LDM模型的精确晚期UWF‑FA图像生成网络模型的总体框架主要由三部分组成：一个带有门控卷积编码器的VAE模块，一个利用低频增强噪声的噪声添加模块，以及一个通过CTRD Loss训练的噪声预测主干。S3、对网络模型进行反复训练，优化网络参数，不断进行迭代优化；S4、将UWF‑SLO图像经预处理后输入至完成训练的基于LPUWF‑LDM模型的精确晚期UWF‑FA图像生成网络模型中，最终生成高质量的晚期UWF‑FA图像。

公开(公告)号：CN119904683A

公开(公告)日：2025-04-29

申请号：CN202411964812.8

申请日：2024-12-30

Applicant: 杭州电子科技大学 ,  杭州中科先进技术发展有限公司

Inventor： 葛瑞泉 ,  沈寅 ,  方昭杰 ,  余潇 ,  庄柯 ,  周冠宇 ,  赵渝程 ,  王昌淼 ,  贾刚勇 ,  范小朋

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/20 ,  G06V10/25 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于跨模态时空融合网络的肺结节良恶性分类方法，首先，获取CT图像数据并进行预处理得到ROI图像；然后，通过一个空间特征提取模块提取ROI图像中的空间特征，并获得文本特征；通过时间残差融合模块得到融合后的CT图像时空特征与临床文本特征；将通过时间残差融合模块的输出输入到跨模态注意力融合网络中，进行初步融合得到最终的跨模态注意力图；应用多头自注意力融合块对跨模态注意力图进行进一步融合处理，得到基于最终的融合时空数据与临床数据的特征表示；最后通过一个FC层输出良恶性分类结果。首先在随访的CT图像数据中提取特征，进行时空融合，然后与文本临床数据相结合，有效提升分类的准确性和鲁棒性。

公开(公告)号：CN119152057A

公开(公告)日：2024-12-17

申请号：CN202411126455.8

申请日：2024-08-16

Applicant: 杭州电子科技大学

Inventor： 余潇 ,  陈一飞 ,  贾帆 ,  周冠宇 ,  范振雄 ,  朱晟豪 ,  张晨焱 ,  葛瑞泉 ,  王昌淼

IPC: G06T11/00 ,  G06T5/50 ,  G06T5/70 ,  G06T5/60 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明涉及一种基于TC‑KANRecon模型的加速高质量MRI图像重建方法，包括S1、收集图像数据并预处理；S2、搭建基于TC‑KANRecon模型的加速高质量MRI图像重建模型；S3、设计裁剪阈值线性减小的噪声裁剪策略。在采样过程的每一步中，根据采样步骤的当前进度采用线性递减裁剪策略。该策略应用于MF‑UKAN扩散主干产生的噪声估计，以产生具有更好视觉效果的MRI图像；S4、将预处理后的MRI图像和全采样k空间数据作为输入对扩散模型和VAE模块进行反复训练，优化网络参数，不断进行迭代优化；S5、使用欠采样的k空间数据输入至完成训练的基于TC‑KANRecon模型的加速高质量MRI图像重建模型中，并应用配套的裁剪阈值线性减小的噪声裁剪策略最终生成高质量的MRI图像。