-
公开(公告)号：CN116385376A
公开(公告)日：2023-07-04
申请号：CN202310265050.1
申请日：2023-03-17
IPC: G06T7/00 , G06T7/11 , G06V10/75 , G06V10/74 , G06V10/762
Abstract: 本发明公开了一种自闭症神经调控的脑区靶点划分方法，其包括步骤获取自闭症患者的静息态功能磁共振成像数据，并对功能磁共振成像数据进行预处理；采用Brodmann模板提取预处理后的数据中的背外侧前额叶皮层ba9和ba46作为目标脑区；将预处理后的图像数据展开为二维的时间序列，并对时间序列进行滑动窗处理，得到若干滑窗时间序列；计算每个滑窗时间序列中目标脑区的体素点与全脑灰质中所有体素点的功能连接矩阵；基于局部相似性对所有的功能连接矩阵进行降维处理，得到降维功能连接矩阵；获取已构建的正常人员的参考聚类模板，根据其聚类簇数，对自闭症患者的功能连接矩阵进行Kmeans聚类，得到目标脑区的子区划分。
-
公开(公告)号：CN109949321B
公开(公告)日：2019-12-10
申请号：CN201910233567.6
申请日：2019-03-26
Applicant: 电子科技大学
Inventor： 高婧婧
Abstract: 本发明公开了一种基于三维Unet网络的脑部核磁共振图像组织分割方法，其包括将脑部核磁共振图像导入训练后的三维Unet网络中，并输出三维Unet网络倒数第二层获得的64个三维特征；采用高维矢量非局部均值注意力模型对64个三维特征的特征值进行重新分布；将重新分布特征值的三维特征输入至三维Unet网络最后一层的softmax层进行图像分割处理，得到脑部三个组织的分割结果。本方案通过三维Unet网络和高维矢量非局部均值注意力模型的相互结合，可以使映射后的组织类别完全不受噪声的干扰，从而获得不受噪声影响的全脑组织分割结果。
-
公开(公告)号：CN108665461B
公开(公告)日：2019-03-12
申请号：CN201810435881.8
申请日：2018-05-09
Applicant: 电子科技大学
Inventor： 高婧婧
IPC: G06T7/10
Abstract: 本发明公开了一种基于FCN和迭代声影校正的乳腺超声图像分割方法，构造了一个全新串联的深度神经网络，该网络以第一个FCN的初步分割结果作为声影校正的初始化分割，可有效地对确定的成本函数进行时初始化，从而获得图像的声影场，进而完成超声图像的声影校正，消除解剖层边缘的模糊和部分解剖层图像质量不佳的问题，提高第二个全卷积连接网络的输入图像的质量，再将校正后灰度均衡的图像输入第二个FCN实现最终的解剖层分割，达到较精确的解剖层分割结果。该乳腺超声分割方法的研究有助于解决超声图像分割的若干科学问题，并对后续计算机辅助病灶检测及诊断有重要帮助，具有重要的科学意义。
-
公开(公告)号：CN109871838B
公开(公告)日：2019-11-05
申请号：CN201910312762.8
申请日：2019-04-18
Applicant: 电子科技大学
Inventor： 高婧婧
Abstract: 本发明公开了一种基于级联深度网络的阿尔茨海默症病灶脑区的提取方法，其包括将三维Unet网络和三维CNN反馈网络级联成一个级联深度网络；输入采用正常人的核磁共振脑部图像与患者的核磁共振脑部图像作为的训练样本对级联深度网络进行训练；获取患者的核磁共振脑部图像，并将其输入已训练的级联深度网络；三维Unet网络提取核磁共振脑部图像中的脑部逐体素概率初图谱，并将其输入三维CNN反馈网络；以及三维CNN反馈网络对脑部逐体素概率初图谱进行分类，并反馈修正脑部逐体素概率初图谱，使得输出校正后概率大于设定阈值的逐体素图谱作为患者脑部的病灶脑区。
-
公开(公告)号：CN102135606A
公开(公告)日：2011-07-27
申请号：CN201010583560.6
申请日：2010-12-13
Applicant: 电子科技大学
IPC: G01R33/565
Abstract: 一种基于KNN分类算法的MR图像灰度不均匀性校正分割方法，属于图像处理领域。本发明首先利用曲面拟合的的知识，用一组正交归一化的基函数构造灰度不均匀场模型，建立能量函数；然后依据能量函数最小化原理求解模型参数，实现灰度不均匀性校正和图像分割。其中解模型参数过程中采用迭代算法，并采用KNN算法求解隶属函数。这样可以在去除灰度不均匀场的同时，大大降低部分容积效应，同时降低了噪声对MR图像灰度不均匀性校正分割的影响。在KNN求解隶属函数时，先用核估计算法得到准确光滑的归一化直方图，然后用最大类间方差法分别求解脑脊液与灰质间的阈值TCG以及灰质与白质间的阈值TGW，利用这两个阈值对算法进行粗分类，最后采用传统的KNN算法对待定点进行精确分类。
-
Patent Agency Ranking
公开(公告)号：CN119295749A
公开(公告)日：2025-01-10
申请号：CN202411360301.5
申请日：2024-09-27
Applicant: 电子科技大学
IPC: G06V10/26 , G06V10/25 , G06V10/44 , G06V10/762 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于多尺度超图的多模态磁共振影像纹状体分割方法及系统，属于医学图像处理和计算机视觉领域。本发明通过结合多个模态的MRI数据和多尺度超图构造，能更全面地捕捉纹状体的复杂结构和功能特征，从而提高分割任务的精度和鲁棒性；利用超图神经网络两种不同的信息传递机制以及利用外部图注意力机制对不同尺度下融合后的超图进行处理，以有效地整合来自不同尺度和模态的信息，提供每个纹状体体素的综合特征描述，有助于更准确地刻画纹状体的细节，为后续的聚类和分割任务提供更丰富的特征支持；采用稀疏表示的超图减少了不必要的计算，而采用自编码器提供的降维操作进一步优化了数据处理的效率。
-
公开(公告)号：CN114757911A
公开(公告)日：2022-07-15
申请号：CN202210390815.X
申请日：2022-04-14
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于图神经网络和对比学习的磁共振影像辅助处理系统，该系统包含依次连接的MRI影像数据预处理模块、图数据增广模块、对比学习模块以及迁移学习模块。本发明提出了一种基于自注意力的长短距离特征融合图神经网络LS‑GNN，综合考虑脑网络结构的长短距离依赖，提取大脑的全局和局部特征，并进行特征融合；在对比学习模型的投影头部分，通过多层感知机实现了特征向量映射与图读出功能的结合；本发明充分利用了大量的无标签和主观标签数据，通过对比学习，既获得了具备通用特征表示能力的模型，又减少了可能错误的主观标签的影响；通过迁移学习，可实现分类、聚类等多个领域的性能提升。
-
公开(公告)号：CN109949321A
公开(公告)日：2019-06-28
申请号：CN201910233567.6
申请日：2019-03-26
Applicant: 电子科技大学
Inventor： 高婧婧
Abstract: 本发明公开了一种基于三维Unet网络的脑部核磁共振图像组织分割方法，其包括将脑部核磁共振图像导入训练后的三维Unet网络中，并输出三维Unet网络倒数第二层获得的64个三维特征；采用高维矢量非局部均值注意力模型对64个三维特征的特征值进行重新分布；将重新分布特征值的三维特征输入至三维Unet网络最后一层的softmax层进行图像分割处理，得到脑部三个组织的分割结果。本方案通过三维Unet网络和高维矢量非局部均值注意力模型的相互结合，可以使映射后的组织类别完全不受噪声的干扰，从而获得不受噪声影响的全脑组织分割结果。
-
公开(公告)号：CN108830282A
公开(公告)日：2018-11-16
申请号：CN201810530455.2
申请日：2018-05-29
Applicant: 电子科技大学
Inventor： 高婧婧
CPC classification number: G06K9/628 , G06K9/4604 , G06K2209/053 , G06N3/0454 , G06N3/0481 , G06N3/08 , G16H30/20 , G16H50/20
Abstract: 本发明公开了一种乳腺X光图像的乳腺肿块信息提取及分类方法，包括以下步骤：S1、将乳腺X光图像输入四个并行卷积神经网络；S2、基于四个并行卷积神经网络提取乳腺X光图像的高层语义特征；S3、对提取的高层语义特征进行多标签多任务学习网络训练，并得到乳腺肿块的分类信息。本发明提供的乳腺X光图像的乳腺肿块信息提取及分类方法，可以有效去除卷积神经网络提取的冗余特征，通过多标签多任务网络可以使得四个分类任务互相纠缠约束并相互促进，为医生提供清楚的乳腺肿块分类信息，提供乳腺肿块相关疾病的辅助诊断。
-
公开(公告)号：CN108665461A
公开(公告)日：2018-10-16
申请号：CN201810435881.8
申请日：2018-05-09
Applicant: 电子科技大学
Inventor： 高婧婧
IPC: G06T7/10
Abstract: 本发明公开了一种基于FCN和迭代声影校正的乳腺超声图像分割方法，构造了一个全新串联的深度神经网络，该网络以第一个FCN的初步分割结果作为声影校正的初始化分割，可有效地对确定的成本函数进行时初始化，从而获得图像的声影场，进而完成超声图像的声影校正，消除解剖层边缘的模糊和部分解剖层图像质量不佳的问题，提高第二个全卷积连接网络的输入图像的质量，再将校正后灰度均衡的图像输入第二个FCN实现最终的解剖层分割，达到较精确的解剖层分割结果。该乳腺超声分割方法的研究有助于解决超声图像分割的若干科学问题，并对后续计算机辅助病灶检测及诊断有重要帮助，具有重要的科学意义。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.021 seconds)
