-
公开(公告)号：CN118072019A
公开(公告)日：2024-05-24
申请号：CN202410272372.3
申请日：2024-03-11
IPC: G06V10/26 , G06V10/44 , G06V10/80 , G06V10/82 , G06V10/778 , G06N3/0455 , G06N3/0475 , G06N3/082
Abstract: 本发明的一种无造影剂心肌梗死图像分割方法、系统及装置，包括收集心肌梗死磁共振图像数据，对图像进行特征提取，并通过胶囊网络模块将所得到的特征进行深度融合；利用边缘特征提取模块对其进行充分学习，最终获得心肌梗死区域的边缘信息；通过卷积方法构建解码器，对编码器的特征逐层恢复，并将边缘检测的结果与解码器中恢复的图像特征的结果拼接，得到分割结果；将实时采集到的无钆造影增强的心肌梗死数据送入到保存好的模型中，得出分割结果图。本发明通过卷积结构和Transformer去关注图像的局部和空间信息，提供更为全面具体的图像特征；利用多任务的边缘检测模块去学习心肌梗死区域的边缘信息，显示地修正边缘特征，从而提高整体区域的分割精度。
-
公开(公告)号：CN117036714B
公开(公告)日：2024-02-09
申请号：CN202311294605.1
申请日：2023-10-09
Applicant: 安徽大学
IPC: G06V10/26 , G06N3/0464 , G06N3/0499 , G06N3/08 , G06V10/40 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明的一种融合混合注意力机制的肠息肉分割方法、系统及介质，包括以下内容：对基于内窥镜下的肠息肉图像进行预处理，包括数据增强、自适应阈值对分割目标的区域提取，用于增强分割模型的鲁棒性和挖掘更准确的目标的边界信息；构建特征令牌金字塔模块提高对肠息肉图像的语义信息提取能力，同时采用更少的模块来构建该特征令牌金字塔可以获取具有多尺度感知的语义信息；构建全局特征提取模块利用局部‑全局训练策略降低分割模型对数据样本量的需求并进一步提高分割性能；构建特征融合模块缓解在融合不同尺度特征令牌之间的语义差异；构建多尺度融合模块从元素角度对所有尺度特(56)对比文件Chenchu Xu 等.TransCC: TransformerNetwork for Coronary Artery CCTASegmentation《.arXiv：2310.04779V1》.2023,全文.Jianguo Cui 等.A Multi-Scale Cross-Fusion Medical Image Segmentation NetworkBased on Dual-Attention MechanismTransformer《.MDPI》.2023,全文.刘伟光 等.一种基于 TransUnet 的臂丛神经超声图像分割网络《.无线电通信技术》.2023,全文.
-
公开(公告)号：CN117173165A
公开(公告)日：2023-12-05
申请号：CN202311443056.X
申请日：2023-11-02
Applicant: 安徽大学
Abstract: 本发明的一种基于强化学习的无造影剂肝肿瘤检测方法、系统及介质，方法包括S1、获取批量成对的无造影剂和造影剂增强的肝脏图像并划分为训练集和测试集；S2、构建基于强化学习的教师模型和学生模型，获取肝脏图像的特征；教师模型用于造影剂增强的肝脏图像特征的提取和肝肿瘤位置检测，并指导学生模型，学生模型用于无造影剂肝脏图像的特征提取和肝肿瘤位置检测；S3、将教师模型学习到的造影剂肝脏图像知识迁移到学生模型当中，不断训练优化模型；S4、逐步移除教师模型的指导，让学生模型独立获取无造影剂肝脏图像的肝肿瘤具体位置。通过本发明优化后的模型提取无造影剂肝脏图像的特征并输出肝肿瘤的具体位置。
-
公开(公告)号：CN120032170A
公开(公告)日：2025-05-23
申请号：CN202510117339.8
申请日：2025-01-24
Applicant: 安徽大学 , 安徽医科大学第一附属医院
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06T7/00
Abstract: 本发明的一种基于小样本学习的罕见疾病图像分类方法、设备及介质，通过巧妙地构建特征回溯融合编码器，利用下一层特征为当前层生成注意力掩码，以减少低层特征中无用的噪声信息，从而更好地将低层特征中空间细节信息融合到高层特征中，有效地提高了模型对胃肠道疾病区域的分类性能；其次，多级原型重构网络进一步捕获支持集和查询集样本之间的语义相关性，以增强支持图像表示上的区分区域，为每个查询样本生成适合当前查询样本的校准类中心。基于欧氏距离的分类器输出该查询样本的分类结果，利用交叉熵函数指导模型优化，确保分类结果的精度。最终，基于小样本学习的罕见疾病图像分类模型经过严格的训练和测试，能够输出每个图像的分类结果。
-
公开(公告)号：CN118172562A
公开(公告)日：2024-06-11
申请号：CN202410605818.X
申请日：2024-05-16
Applicant: 安徽大学
IPC: G06V10/26 , G06V10/44 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/084 , G06T7/00 , G06T7/11
Abstract: 本发明的一种无造影剂心肌梗死图像分割方法、设备及介质，包括收集钆造影剂增强前后的心肌梗死核磁共振图像对数据集，并进行数据处理；然后利用时空双流网络分别提取输入图像序列中的时间特征和空间特征，并将提取的特征分别传递给主编码器；其次，使用主编码器将时间特征和空间特征进行有效融合，完成对输入图像序列的特征提取，实现精准的心脏时空表征捕获；最后结合监督训练和鉴别器对抗训练共同训练模型，输出每个输入图像序列的心肌梗死预测分割图。本发明不仅解决了深度学习模型在心肌梗死分割应用中面临的没有充分分析心脏的时空运动问题，还实现了精确的心肌梗死区域分割，为心肌梗死的诊断和治疗提供了有力的技术支持。
-
Patent Agency Ranking
公开(公告)号：CN118154580A
公开(公告)日：2024-06-07
申请号：CN202410444561.4
申请日：2024-04-15
Applicant: 安徽大学
IPC: G06T7/00 , G06T7/10 , G06V10/26 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明的一种内窥镜多部位医学图像分割识别方法、设备及存储介质，包括，使用基本编码器从输入的胃部不同组织内窥镜图像中提取特征信息，并将这些特征信息传递给子路径方向激励模块和交互式特征空间解码器。使用子路径方向激励模块将定向子空间从共享的潜在空间中解纠缠并且解出通道方向特征，再基于空间解码器确保方向相关信息能够有效地融合到每一层的特征映射中。整合得到特征图，基于双边投票通道聚合模块得到最终的分割图。本发明采用新的基于指向性连接的分割网络，能够将定向子空间从共享的潜在空间中解纠缠，并利用提取的方向特征来增强整体数据表示，提高胃部标志物切分的解剖一致性，实现内窥镜对胃部不同组织的疾病切分识别。
-
公开(公告)号：CN118115490A
公开(公告)日：2024-05-31
申请号：CN202410432134.4
申请日：2024-04-11
Applicant: 安徽大学
Abstract: 本发明公开了一种多尺度边界精细化与融合的萎缩性胃炎区域分割方法，包括收集萎缩性胃炎病人的胃镜图像，构建编码器模块，构建边界学习模块，构建基础解码器模块，构造边界增强解码器模块，构建预测图合并模块，利用训练数据集训练所述神经网络等操作步骤。优点在于：发明通过融合多层次的特征信息，使得模型能够综合捕捉从宏观到微观的各个尺度的特征。这种多尺度特征的融合策略极大地提升了模型对复杂萎缩性胃炎图像在分割过程中的全局结构和局部细节的解读能力，显著提高了分割精度和效率。
-
公开(公告)号：CN117036714A
公开(公告)日：2023-11-10
申请号：CN202311294605.1
申请日：2023-10-09
Applicant: 安徽大学
IPC: G06V10/26 , G06N3/0464 , G06N3/0499 , G06N3/08 , G06V10/40 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明的一种融合混合注意力机制的肠息肉分割方法、系统及介质，包括以下内容：对基于内窥镜下的肠息肉图像进行预处理，包括数据增强、自适应阈值对分割目标的区域提取，用于增强分割模型的鲁棒性和挖掘更准确的目标的边界信息；构建特征令牌金字塔模块提高对肠息肉图像的语义信息提取能力，同时采用更少的模块来构建该特征令牌金字塔可以获取具有多尺度感知的语义信息；构建全局特征提取模块利用局部‑全局训练策略降低分割模型对数据样本量的需求并进一步提高分割性能；构建特征注入模块缓解在融合不同尺度特征令牌之间的语义差异；构建多尺度融合模块从元素角度对所有尺度特征令牌进行融合，减少空间信息的损失并增强网络的鲁棒性。
-
公开(公告)号：CN119380030B
公开(公告)日：2025-04-08
申请号：CN202411947420.0
申请日：2024-12-27
Applicant: 安徽大学 , 安徽医科大学第一附属医院
IPC: G06V10/26 , G06V10/82 , G06V10/80 , G06V10/774 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/09 , G06T7/00
Abstract: 本发明的一种面向医疗视频不明显病变区域的分割方法、设备及介质，包括首先对胃肠道视频数据进行采集，并通过预处理步骤确保数据的高质量，采用记忆对齐网络技术，用于捕捉相邻视频帧与当前帧之间的空间特征对应关系，从而增强当前帧的特征表示。增强后的特征被送入主解码器，该解码器通过构建的多级特征融合网络，有效地整合高层语义特征与低层细节特征，深入挖掘不明显病变的空间和结构信息，以生成初步的分割图。应用渐进式分割优化网络进一步细化分割结果，以提高分割的准确性。通过监督学习训练的模型，能够输出每个图像序列中不明显病变的精确预测分割图。本发明有效地解决了胃肠道不明显病变难以发现的问题，显著提升了分割的精确度。
-
公开(公告)号：CN119380030A
公开(公告)日：2025-01-28
申请号：CN202411947420.0
申请日：2024-12-27
Applicant: 安徽大学 , 安徽医科大学第一附属医院
IPC: G06V10/26 , G06V10/82 , G06V10/80 , G06V10/774 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/09 , G06T7/00
Abstract: 本发明的一种面向医疗视频不明显病变区域的分割方法、设备及介质，包括首先对胃肠道视频数据进行采集，并通过预处理步骤确保数据的高质量，采用记忆对齐网络技术，用于捕捉相邻视频帧与当前帧之间的空间特征对应关系，从而增强当前帧的特征表示。增强后的特征被送入主解码器，该解码器通过构建的多级特征融合网络，有效地整合高层语义特征与低层细节特征，深入挖掘不明显病变的空间和结构信息，以生成初步的分割图。应用渐进式分割优化网络进一步细化分割结果，以提高分割的准确性。通过监督学习训练的模型，能够输出每个图像序列中不明显病变的精确预测分割图。本发明有效地解决了胃肠道不明显病变难以发现的问题，显著提升了分割的精确度。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.022 seconds)
