-
公开(公告)号：CN113052826B
公开(公告)日：2025-03-28
申请号：CN202110350769.6
申请日：2021-03-31
Applicant: 浙江工业大学
IPC: G06T7/00 , G06T7/11 , G06V10/25 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种多尺度特征选择性融合的胰腺图像分割方法，构建一个两阶段的由粗到细的胰腺分割框架，首先在预处理后的整图上进行粗分割和分割优化得到粗分割结果，确定胰腺分割区域的边界框，对预处理后的图像进行裁剪，再在裁剪图像上进行细分割和分割优化得到胰腺图像的细分割结果；将SE机制和Inception思想引入不同层次的特征融合中，构建了多尺度特征选择性融合模块MSSFM；在Unet模型基础上，编码部分利用残差卷积块使网络更深并防止模型退化，提升有效特征的学习；解码部分利用多尺度特征的选择性融合模块自下而上的融合多尺度特征，增加网络对多尺度目标的适应性并聚焦目标区域，提高模型分割的精准度。
-
公开(公告)号：CN119251079A
公开(公告)日：2025-01-03
申请号：CN202411230267.X
申请日：2024-09-04
Applicant: 浙江工业大学
Abstract: 一种面向工业缺陷检测的随机区域马赛克数据增强方法，首先定义用于控制马赛克块大小的参数列表Patch‑List，在每次数据增强时随机选择不同大小的马赛克块；其次根据选定的马赛克块大小，将图像划分为若干网格，并通过概率参数Pm决定是否对每个网格执行马赛克模糊处理；通过引入Miou与Mp两个阈值参数来对目标区域的马赛克覆盖程度进行判断。若某目标区域的马赛克覆盖超出阈值，则自动移除其标签信息；模型在每轮的训练过程中以Pt的概率进行开启该数据增强，直至模型训练结束。以及提供一种随机区域马赛克数据增强系统。本发明能够实现提高检测模型分类精度与定位精度，同时部署简单，易于使用。
-
公开(公告)号：CN112801863B
公开(公告)日：2024-10-29
申请号：CN202110208063.6
申请日：2021-02-25
Applicant: 浙江工业大学
Abstract: 一种基于图像转换和域泛化的无监督多模态医学图像配准方法，首先，两个单模态配准网络在各自模态域的真实图像上进行预训练，直到配准网络可胜任单模态配准任务。接着，转换网络和配准网络进行联合训练。转换网络所得合成图与目标模态真实图之间的形变场被预训练好的配准网络所计算，此时，转换网络的训练被本文所提的形变场对抗损失和形变循环一致性损失所约束；当合成图的定量评价指标优于所设定阈值时，配准网络后端网络层的参数可根据对应配准过程的损失项进行微调，使配准网络的有效应用范围逐步泛化至合成图所在的模态域。本发明配准性能胜过了现有的基于无监督学习的多模态医学图像配准方法，且可与基于监督学习的配准方法进行竞争。
-
公开(公告)号：CN118035439A
公开(公告)日：2024-05-14
申请号：CN202410080696.7
申请日：2024-01-19
Applicant: 浙江工业大学
IPC: G06F16/35 , G06F40/295 , G06F16/33 , G06F16/36 , G06N5/022 , G06N3/0455 , G16H40/20
Abstract: 一种中文医学药品说明书实体关系联合抽取方法，针对中文医疗文本，以关系抽取为主任务以减少关系冗余，通过用共享参数的联合抽取方式以实现浅层的信息交互，重构基于关系的实体抽取任务，将其扩展为更加细粒度的子任务：基于关系的主语识别、基于关系的宾语识别和基于关系的主宾对齐，同时将多任务交互的特征分区与过滤作为细粒度子任务的编码器以实现深层的信息交互；对于主宾对齐中数据不平衡引起的矩阵稀疏的问题，引入Dice损失来解决。以及提供一种中文医学药品说明书实体关系联合抽取系统。本发明更加细粒度的子任务设计与MPF特征提取编码器使得中文医疗文本中实体识别和关系抽取的性能得到稳定的提升。
-
公开(公告)号：CN117975196A
公开(公告)日：2024-05-03
申请号：CN202410098786.9
申请日：2024-01-24
Applicant: 浙江工业大学
IPC: G06V10/774 , G06V10/764 , G06V10/762 , G06T7/00 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 一种面向肿瘤小生境成像辅助诊断的医学影像数据增广方法，包括以下步骤：步骤S1:截取患者的医学影像中的病灶部位作为肿瘤病灶医学影像；步骤S2:根据小生境成像方法对肿瘤病灶医学影像中的病灶部位细分；步骤S3:采样一组肿瘤病灶医学影像并对其进行预处理；步骤S4:利用处理好的肿瘤病灶医学影像训练生成模型；步骤S5:利用训练好的生成模型生成病灶医学影像以达到增广的目的。本发明有利于提高医学下游任务的性能，有效提升病灶的早筛任务，间接提高医生的工作效率。
-
Patent Agency Ranking
公开(公告)号：CN112132189B
公开(公告)日：2024-03-22
申请号：CN202010896063.5
申请日：2020-08-31
Applicant: 浙江工业大学
IPC: G06V10/762 , G06T7/00 , G06T7/11
Abstract: 一种面向CBCT图像的密度峰值超像素预处理方法，将CBCT图像的Hu值转化为像素亮度值，通过计算每个像素的局部密度和距离，得出每个像素的决策值，根据决策值确定出目标数目的聚类中心，然后计算每个像素和聚类中心的加权距离并为像素赋上标签生成超像素，再对不合理的超像素区域进行合并，得到CBCT区域级图像。本发明利用局部密度峰值聚类的超像素分割，提高了CBCT图像预处理的便捷性和有效性，降低了预处理的图像损失率。
-
公开(公告)号：CN117611808A
公开(公告)日：2024-02-27
申请号：CN202311366170.7
申请日：2023-10-19
Applicant: 浙江工业大学
IPC: G06V10/26 , G06V20/70 , G06V10/40 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 一种基于交叉注意力自引导的小样本语义分割方法，包括以下步骤：步骤1.将支持图片和查询图片经过特征提取网络，转换为具有语义信息的支持特征图和查询特征图；步骤2.基于查询图片的亲和力矩阵和支持图片的标签图片，将查询特征分成易分辨的前景、易分辨的背景和难区分区域，将支持特征分为前景特征、背景特征；步骤3.利用支持前景、背景特征增强查询特征的易区分部分的区分性；步骤4.将查询特征的易区分部分与难区分部分进行交叉注意力的操作；步骤5.基于卷积网络设计的简单分类器实现对查询特征的分类；步骤6.构建分类及三元组损失函数，对网络进行监督训练。本发明利用图像内部的易分割区域辅助难分割区域的分割。
-
公开(公告)号：CN117522899A
公开(公告)日：2024-02-06
申请号：CN202311681219.8
申请日：2023-12-08
Applicant: 浙江工业大学
IPC: G06T7/11 , G06T7/00 , G06V10/764 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于小目标位置概率的淋巴瘤PET‑CT融合分割方法，预热CT图像的器官分割网络，预热结束后冻结该网络；生成随机可学习参数作为通用淋巴瘤位置原型，将该位置原型和冻结部分的预测的器官mask结合，生成强调小目标淋巴瘤的位置原型和约束干扰目标的位置原型；初始化一个新的nn‑UNet卷积网络用于分割全身淋巴瘤，将小目标淋巴瘤位置原型和干扰目标位置原型辅助3D的PET输入图像进行全身淋巴瘤分割；nn‑UNet卷积神经网络使用Dice loss和Cross‑Entropy Loss组成的联合损失进行分割。本发明提高了全身淋巴瘤自动分割的性能。
-
公开(公告)号：CN117422723A
公开(公告)日：2024-01-19
申请号：CN202311250932.7
申请日：2023-09-26
Applicant: 浙江工业大学
IPC: G06T7/10 , G06T7/00 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 一种融合正态分布和器官先验的卷积神经网络医学影像分割方法，包括以下步骤：步骤1：根据人体器官的先验信息，使用正态分布初始化医学影像的先验掩码；步骤2：双分支卷积神经网络模型的构建，使用卷积神经网络分别构建模型的基线以及先验掩码生成模块；步骤3：设定网络的输入；步骤4：融合双分支输出，将生成的先验掩码与基线生成的特征图进行融合并分割；步骤5：网络的训练。本发明利用人体器官的先验位置信息和先验形状信息以及正态分布生成先验掩码，然后使用先验掩码来引导医学影像的进一步分割。
-
公开(公告)号：CN117078690A
公开(公告)日：2023-11-17
申请号：CN202310875522.5
申请日：2023-07-17
Applicant: 浙江工业大学
IPC: G06T7/10 , G06N3/096 , G06N3/0985 , G06N3/084
Abstract: 一种面向少样本稀土晶体分割任务的迁移学习方法，包括以下步骤：步骤1：准备大量易获取的微观结构数据集，以及少量样本的稀土晶体结构数据集；步骤2，在大规模微观结构数据集上对图像分割模型进行预训练；步骤3，将预训练结束的图像分割模型迁移到稀土晶体结构数据集上进行微调训练；步骤4，使用贝叶斯优化方法优化每一次微调训练过程，搜索最优的迁移学习超参数配置，并保存每一次完整微调训练结束后的模型；步骤5，输出最优超参数配置及其对应的最优分割模型。本发明将模型在大量易获取的微观结构数据集上学习到的知识迁移到下游少量样本的稀土晶体分割任务上，改善了因稀土晶体结构数据量不足而导致深度学习模型难以训练的问题。
-
-
-
-
-
-
-
-
-
Search Results
191
records
(took 0.028 seconds)
