-
公开(公告)号：CN117575998A
公开(公告)日：2024-02-20
申请号：CN202311419080.X
申请日：2023-10-30
Applicant: 浙江工业大学
IPC: G06T7/00 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于重参数化大卷积核的胰腺肿瘤高精度检测方法，包括以下步骤：步骤S1:获取胰腺CT图像数据集并做划分；步骤S2:设计RepDW结构；步骤S3:将数据集在线增强；步骤S4:训练基于重参数化大卷积核RepDW结构的YOLO算法；步骤S5:验证评估模型性能；步骤S6:保存最佳训练模型。本发明提提出可以无损提升肿瘤检出性能的YOLO新架构，设计了一种RepDW的卷积结构，通过使用重参数化深度可分离卷积，不仅提升了网络的感受野，增强了网络的全局信息提升能力，同时保证了实时性，最终本方法可以同时有效提升胰腺大肿瘤和小病症的检出能力，并且保证了较快的推理速度，达到了临床实时性的要求。
-
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。
-
公开(公告)号：CN113052824A
公开(公告)日：2021-06-29
申请号：CN202110333579.3
申请日：2021-03-29
Applicant: 浙江工业大学
Abstract: 一种基于局部背景增广和多通道迁移学习的胰腺肿瘤分类方法，首先采用较先进的病理分类模型在胰腺囊性肿瘤ROI进行良/恶性分类预训练，以筛选易混淆的肿瘤图像；接着，对该类图像进行基于GAN的数据增广，以提高易混淆图像的训练集样本量；最后，预训练的分类器在增广后的训练集进行多通道、多阶段的迁移学习，以逐步提高分类器对良/恶性胰腺囊性肿瘤ROI图像的分类准确性。在来自合作医院的胰腺囊性肿瘤CT数据集上的实验证明，本发明的方法的良/恶肿瘤分类性能优于现有的分类方法。
-
公开(公告)号：CN113052171B
公开(公告)日：2024-09-24
申请号：CN202110314935.7
申请日：2021-03-24
Applicant: 浙江工业大学
IPC: G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 一种基于渐进式生成网络的医学图像增广方法，提出了一种基于纹理连续性辨别和图像重构约束的渐进式生成网络，并构建了新颖的增广方法。该方法可依据无病灶感兴趣区域(ROI)图像的纹理信息和带病灶ROI图像的病灶信息生成带病灶的ROI合成图。所得ROI合成图被无缝blending入无病灶真实图的对应位置以增广病灶检测器的训练样本。为保证ROI合成图的临床表征和纹理连续性满足检测训练的要求，“先降后升”的渐进式生成策略被提出。此外，病灶周边区域的纹理连续性辨别方法被设计，重构损失对生成网络的约束被利用。
-
公开(公告)号：CN118115552A
公开(公告)日：2024-05-31
申请号：CN202410119189.X
申请日：2024-01-29
Applicant: 浙江工业大学
IPC: G06T7/33 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 一种基于深度交叉注意力机制的三维脑部图像可形变配准方法，包括以下步骤：步骤1：获取三维脑部图像数据集并进行预处理；步骤2：从三维脑部图像数据集中挑选成对训练图像，输入到配准模型中；步骤3：训练配准模型；步骤4：计算配准模型损失函数，将配准模型最优化；步骤5：用评价指标对配准模型进行评估；步骤6：保存配准模型。本发明提供了一种提升配准精度和训练时间的基于深度交叉注意力机制的三维脑部图像可形变配准方法。
-
Patent Agency Ranking
公开(公告)号：CN117372484A
公开(公告)日：2024-01-09
申请号：CN202311262362.3
申请日：2023-09-27
Applicant: 浙江工业大学
IPC: G06T7/33 , G06N3/0455 , G06N3/0464
Abstract: 一种基于深度自注意力网络的脑部核磁共振图像配准方法和装置，其方法包括：首先，对获取的脑部核磁共振图像数据集进行预处理，包括运动校正、颅骨去除、图像裁剪和仿射对齐，以实现脑部核磁共振图像的粗配准；然后，构建脑部核磁共振配准模型，利用编码器‑解码器结构的深度学习网络实现对脑部核磁共振图像的多尺度特征提取；在编码器‑解码器中多次嵌入深层自注意力机制，以获取脑部核磁共振图像不同区域之间的相关性和关键特征点位置，并捕捉全局上下文信息，实现准确的特征表示、对齐和形变场生成，从而提高图像配准的质量和效率。本发明采用神经网络自动学习的配准方法，能够快速而准确地完成配准，解决了医生手动配准过程缓慢且繁琐的问题。
-
公开(公告)号：CN113052171A
公开(公告)日：2021-06-29
申请号：CN202110314935.7
申请日：2021-03-24
Applicant: 浙江工业大学
Abstract: 一种基于渐进式生成网络的医学图像增广方法，提出了一种基于纹理连续性辨别和图像重构约束的渐进式生成网络，并构建了新颖的增广方法。该方法可依据无病灶感兴趣区域(ROI)图像的纹理信息和带病灶ROI图像的病灶信息生成带病灶的ROI合成图。所得ROI合成图被无缝blending入无病灶真实图的对应位置以增广病灶检测器的训练样本。为保证ROI合成图的临床表征和纹理连续性满足检测训练的要求，“先降后升”的渐进式生成策略被提出。此外，病灶周边区域的纹理连续性辨别方法被设计，重构损失对生成网络的约束被利用。
-
公开(公告)号：CN119478389A
公开(公告)日：2025-02-18
申请号：CN202411402269.2
申请日：2024-10-09
Applicant: 浙江工业大学
IPC: G06V10/26 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0455 , G06V10/44
Abstract: 一种基于mamba的胰腺CT图像分割方法和装置，其方法包括以下步骤：步骤S1:获取NIH、MSD、临床数据集图像；步骤S2:进行数据预处理和数据增强；步骤S3:设计多尺度mamba UNet分割模型；步骤S4:训练模型，将经过数据增强处理后的图片加载进模型开始训练；步骤S5:验证模型性能。本发明在模型中引入了边缘增强路径，使得模型对胰腺轮廓的分割效果提升。
-
公开(公告)号：CN113052824B
公开(公告)日：2024-10-29
申请号：CN202110333579.3
申请日：2021-03-29
Applicant: 浙江工业大学
IPC: G06T7/00 , G06T7/13 , G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种基于局部背景增广和多通道迁移学习的胰腺肿瘤分类方法，首先采用较先进的病理分类模型在胰腺囊性肿瘤ROI进行良/恶性分类预训练，以筛选易混淆的肿瘤图像；接着，对该类图像进行基于GAN的数据增广，以提高易混淆图像的训练集样本量；最后，预训练的分类器在增广后的训练集进行多通道、多阶段的迁移学习，以逐步提高分类器对良/恶性胰腺囊性肿瘤ROI图像的分类准确性。在来自合作医院的胰腺囊性肿瘤CT数据集上的实验证明，本发明的方法的良/恶肿瘤分类性能优于现有的分类方法。
-
公开(公告)号：CN117576502A
公开(公告)日：2024-02-20
申请号：CN202311470403.8
申请日：2023-11-07
Applicant: 浙江工业大学
IPC: G06V10/774 , G06V10/776 , G06V10/25 , G06V10/24 , G06N3/0464
Abstract: 一种基于标签丰富度的图像动态增强方法，包括以下步骤：步骤S1:获取COCO数据集图像；步骤S2:进行马赛克和随机仿射变换数据增强；步骤S3:进行基于标签丰富度的动态mixup方法；步骤S4:训练基准模型，将经过数据增强处理后的图片加载进模型开始训练；步骤S5:验证模型性能。本发明使用了缓存队列的技巧进一步改善数据增强的强度，并使得整个过程更为合理；本方法可以在提升数据增强强度的同时有效地提高小模型的性能，与此同时，该方法可以即插即用地用在目标检测领域。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
