-
公开(公告)号：CN117576460A
公开(公告)日：2024-02-20
申请号：CN202311540007.8
申请日：2023-11-17
Applicant: 吉林大学
IPC: G06V10/764 , G06V10/774 , G06T7/00 , G06V10/42 , G06V10/80
Abstract: 本公开提供了一种基于对比学习的多模态医学图像数据集蒸馏方法及装置，获取医学的多模态图像，并进行预处理；将每种模态视为对应成像区域的一种独特的数据增强方法，使用对比学习方法通过少量的标签对多模态图像进行特征提取并融合；基于提取的多模态特征使用知识蒸馏的方法，将大规模的多模态的数据集的信息压缩合成的小型数据集中。本公开有效解决了医学图像标签获取困难问题以及医学图像多模态数据在医院之间传递的隐私和运输成本问题。
-
公开(公告)号：CN115222749A
公开(公告)日：2022-10-21
申请号：CN202210852414.1
申请日：2022-07-19
Applicant: 吉林大学
Abstract: 本发明公开了一种基于表示学习的医学图像分割方法,包括以下步骤：根据若干医学初始图像进行预处理获取若干组医学图像；基于马尔可夫决策过程为医学图像的像素表示学习过程建模；每个像素为一个智能体，将智能体基于全卷积神经网络构建全卷积A3C神经网络；根据全卷积A3C神经网络学习最优策略，获取最大化所有像素总预期奖励的平均值；训练全卷积A3C神经网络，通过多步解码获得最终的分割图像。本发明采用多步强化学习的方法来执行医学图像块的表示学习，既保证了网络分割模型更加关注感兴趣的区域，并且有效地减少了噪声所带来的干扰，使复杂的医学图像更易于分割与解读。
-
公开(公告)号：CN114549357A
公开(公告)日：2022-05-27
申请号：CN202210172695.6
申请日：2022-02-24
Applicant: 吉林大学
Abstract: 本发明公开一种基于边缘保留分解框架的多聚焦图像融合方法，包括步骤一、获取源图像并编号，步骤二、边缘保留的图像分解框架的构建及源图像的分解，步骤三、平滑子带的融合，步骤四、细节子带的融合，步骤五、融合平滑子带和融合细节子带的图像重构；本发明通过构建边缘保留的图像分解框架，可有效地保留和锐化显著的边缘和脊，同时还可消除平滑子带中不需要的细节信息，并维护细节子带中的详细信息，根据平滑子带和细节子带各自的特点设计融合规则，可充分保留图像的结构和细节信息，使最终融合图像的融合效果更适合于人类的视觉感知。
-
公开(公告)号：CN119624997A
公开(公告)日：2025-03-14
申请号：CN202510163504.3
申请日：2025-02-14
Applicant: 吉林大学
IPC: G06T7/11 , G06N3/096 , G06N3/0895
Abstract: 本发明适用于医学图像分割技术领域，提供了基于多模态师生一致性学习的半监督分割方法，包括以下步骤：构建教师‑双学生模型框架，该框架包括一个多模态教师模型和两个独立的具有不同学习条件的单模态学生模型，这两个学生模型使用相同结构的分割网络，分别处理两种不同模态的图像；在数据输入与训练阶段，有标签的数据通过真实标签训练学生模型，而未标记的数据则通过教师模型生成的伪标签进行训练；训练过程中，确保教师模型和学生模型之间，以及两个学生模型之间的一致性的预测。本发明有效缓解了因标注数据不足而引发的过拟合问题。在标注数据有限的实际医疗场景中，本发明能够仅凭较少的标签就实现可靠的分割结果，以缓解医疗条件压力。
-
公开(公告)号：CN115222637A
公开(公告)日：2022-10-21
申请号：CN202210871344.4
申请日：2022-07-22
Applicant: 吉林大学
Abstract: 本发明公开了一种基于全局优化模型的多模态医学图像融合方法，包括：获取已配准的图像对：解剖医学图像作为灰度图和功能图像作为三通道彩色图；将提取的功能图像的光照分量与单通道的灰度图像分别输入到全局优化分解的图像模块中，获得它们对应的基础层和细节层；将获得的基础层和细节层分别进行融合；将获得的融合的基础层和融合的细节层线性相加，获得融合的光照分量；将新的光照分量与输入的功能图像的颜色分量进行合并，获得最终的融合图像。本发明有效解决了医学图像融合算法中参数选择的不确定性，通过优化函数方法直接获得理想的融合图像。
-
Patent Agency Ranking
公开(公告)号：CN115115895A
公开(公告)日：2022-09-27
申请号：CN202210896302.6
申请日：2022-07-28
Applicant: 吉林大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/04 , G06N3/08 , G06V10/22 , G06V10/26 , G06V10/40
Abstract: 本发明提供了一种基于注意力机制的爆炸性手机X光图像分类方法，包括：获取所述爆炸性手机X光图像的数据集；构建分类模型，其中所述分类模型包括位置信息注意力模块和残差网络，所述位置信息注意力模块用于对所述爆炸性手机X光图像进行信息自适应聚合和重建；改进损失函数，基于改进后的所述损失函数对所述分类模型进行训练，通过训练后的所述分类模型对所述数据集中的图像进行特征提取，获取分类结果。本发明采用位置信息注意力模块引入到残差网络的设计，以及基于样本成本系数的损失函数指导网络学习，使分类模型具有强大的细节特征属性提取能力，能够准确分类带有爆炸物的手机。
-
公开(公告)号：CN118196540A
公开(公告)日：2024-06-14
申请号：CN202410599748.1
申请日：2024-05-15
Applicant: 吉林大学
IPC: G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06V10/82
Abstract: 本发明适用于小样本图像分类技术领域，提供了一种层次结构标签驱动的小样本图像分类方法，包括以下步骤：获取带有层次结构的多标签图像，构建卷积神经网络作为对比学习框架的主干网络，按照标签层次结构构建对比学习数据对；将数据对输入搭建好的网络模型中，获得特征向量并以特征向量为基础计算对比损失，同时将特征向量映射至具有负曲率的双曲空间中计算相似性损失；将对比损失和相似性损失结合成网络总损失，通过最小化损失函数来优化网络参数。本发明通过将双曲空间结合层次标签先验知识的方式缓解了数据集内细粒度数据间难分问题，同时本发明也可应用于带有偏斜、少样本、细粒度等问题的相关领域，具有可观的技术和经济价值。
-
公开(公告)号：CN117173065A
公开(公告)日：2023-12-05
申请号：CN202311071968.9
申请日：2023-08-24
Applicant: 吉林大学
Abstract: 本发明公开了一种基于纹理感知和像素强度相关性的解剖医学图像融合方法，包括：获取脑部疾病的MRI图像和CT图像，并进行配准；构建图像纹理信息能量感知函数，基于图像纹理信息能量感知函数对配准后的MRI图像和CT图像分别进行分解，获得各自对应的基础层和结构层；建立图像融合规则，基于图像融合规则对分解获得的基础层与结构层分别进行处理，获得融合基础层图像与融合结构层图像；基于融合基础层图像与融合结构层图像进行图像重建，获得融合图像，实现解剖医学图像融合。本发明有效解决了融合过程丢失图像对比度信息的问题，缓解图像信息损失现象。
-
公开(公告)号：CN116339548A
公开(公告)日：2023-06-27
申请号：CN202310330690.6
申请日：2023-03-30
Applicant: 吉林大学
IPC: G06F3/043 , G06F3/0354 , G06F3/038 , G06F3/041
Abstract: 本发明涉及一种二维多目标超声定位系统和定位方法，属于超声笔定位领域。发射装置包括红外发射模块和两个可以发出相同频率超声波的超声发射器，接收装置包括多支超声笔，每支超声笔上安装对应的红外接收器和超声接收器。发射端采用时分复用的形式工作，可以容纳多支超声笔同时工作；采用DOA的方式，使用基于同步信号的定位技术，以红外信号为时间基准，得到超声笔接收到红外信号和超声信号的时间值，利用蓝牙通信技术无线传输数据，通过几何方程解算得到接收模块在二维平面的坐标，实现对复数支超声笔的定位。本发明优点是支持多支笔同时工作，超声笔可以随时加入工作，易于实现等优点，适用于平板电视的信息采集的应用。
-
公开(公告)号：CN114549384A
公开(公告)日：2022-05-27
申请号：CN202210172710.7
申请日：2022-02-24
Applicant: 吉林大学
Abstract: 本发明公开一种基于多尺度字典和递归滤波器的图像融合方法，包括步骤一、获取源图像，步骤二、字典训练及稀疏特征的计算，步骤三、基于自适应递归滤波器扩展得到像素级聚焦度量，步骤四、决策图的生成，步骤五、根据决策图及融合规则融合源图像；本发明采用多尺度稀疏特征作为数据驱动的块级聚焦度量，然后将其扩展到像素级，对时间成本和设备要求降低，能有效消除边界歧义，直接用于生成决策图而无需后处理。同时，还考虑了源图像之间的尺度差异和相关性，以构建稳健的聚焦度量，像素级聚焦度量克服了块级和手工聚焦度量的局限性，鲁棒性更强。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.021 seconds)
