-
公开(公告)号：CN113469225B
公开(公告)日：2024-03-22
申请号：CN202110666728.8
申请日：2021-06-16
Applicant: 浙江工业大学
IPC: G06F18/20 , G06F18/213 , G06N3/094 , G06T3/04
Abstract: 一种基于跨域特征相关性分析的图像转换方法，提出了将较易获得的paired但unaligned cross‑domain真实胰腺瘤图像采用为弱标签，并构建了一种基于特征相关性分析的图像转换框架；图像转换模型可将源domain胰腺瘤真实图转换为目标domain合成图，临床表征准确的合成图具有较高的病理诊断价值。在有标签监督的情况下，转换模型的性能通常会被提升；从而，合成图表征更为准确。作为结果，转换前后的真实图/合成图之间的cross‑domain图像特征相关性被该框架分析，并对转换模型的优化提供约束。
-
公开(公告)号：CN113298717B
公开(公告)日：2024-09-27
申请号：CN202110636035.4
申请日：2021-06-08
Applicant: 浙江工业大学
IPC: G06T3/4053 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 一种基于多注意力残差特征融合的医学图像超分辨率重建方法，联合了通道注意力机制和空间注意力机制两个模块，让网络对输入图片的特征进行加权重处理，从而解决输入特征被平等处理而导致网络表征能力不足的问题；提出了残差注意力特征融合模块(RAFF)，将神经网络中局部的特征进行融合，再加上全局的特征融合，可以更充分地利用整个网络中的局部残差特征，从而解决深度神经网络过深而网络学习能力不足的问题。本发明有效地对医学图像进行超分辨率重建，可以提高较深的超分辨率网络的图像超分重建性能。
-
公开(公告)号：CN111179207A
公开(公告)日：2020-05-19
申请号：CN201911232218.9
申请日：2019-12-05
Applicant: 浙江工业大学
Abstract: 一种基于并联生成网络的跨模态医学图像合成方法，通过预处理获得跨模态医学图像的共有组别向量特征空间，并获得多组用于训练合成器的训练集；训练合成器，在每组训练集上，合成器在上述的一对训练集上进行跨模态合成训练；若样本对的特征差值在误差允许范围内，则输出合成图；若其特征差值大于误差允许范围，则将两个正则项与合成器原有的损失函数加权结合，指导该合成器继续训练。本发明提高易形变部位医学图像整图合成的质量。
-
Patent Agency Ranking
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：CN112801863A
公开(公告)日：2021-05-14
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：CN111179207B
公开(公告)日：2022-04-08
申请号：CN201911232218.9
申请日：2019-12-05
Applicant: 浙江工业大学
IPC: G06T5/50 , G06V10/764 , G06K9/62
Abstract: 一种基于并联生成网络的跨模态医学图像合成方法，通过预处理获得跨模态医学图像的共有组别向量特征空间，并获得多组用于训练合成器的训练集；训练合成器，在每组训练集上，合成器在上述的一对训练集上进行跨模态合成训练；若样本对的特征差值在误差允许范围内，则输出合成图；若其特征差值大于误差允许范围，则将两个正则项与合成器原有的损失函数加权结合，指导该合成器继续训练。本发明提高易形变部位医学图像整图合成的质量。
-
公开(公告)号：CN113469225A
公开(公告)日：2021-10-01
申请号：CN202110666728.8
申请日：2021-06-16
Applicant: 浙江工业大学
Abstract: 一种基于跨域特征相关性分析的图像转换方法，提出了将较易获得的paired但unaligned cross‑domain真实胰腺瘤图像采用为弱标签，并构建了一种基于特征相关性分析的图像转换框架；图像转换模型可将源domain胰腺瘤真实图转换为目标domain合成图，临床表征准确的合成图具有较高的病理诊断价值。在有标签监督的情况下，转换模型的性能通常会被提升；从而，合成图表征更为准确。作为结果，转换前后的真实图/合成图之间的cross‑domain图像特征相关性被该框架分析，并对转换模型的优化提供约束。
-
公开(公告)号：CN113298717A
公开(公告)日：2021-08-24
申请号：CN202110636035.4
申请日：2021-06-08
Applicant: 浙江工业大学
Abstract: 一种基于多注意力残差特征融合的医学图像超分辨率重建方法，联合了通道注意力机制和空间注意力机制两个模块，让网络对输入图片的特征进行加权重处理，从而解决输入特征被平等处理而导致网络表征能力不足的问题；提出了残差注意力特征融合模块(RAFF)，将神经网络中局部的特征进行融合，再加上全局的特征融合，可以更充分地利用整个网络中的局部残差特征，从而解决深度神经网络过深而网络学习能力不足的问题。本发明有效地对医学图像进行超分辨率重建，可以提高较深的超分辨率网络的图像超分重建性能。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
