-
公开(公告)号：CN114693689A
公开(公告)日：2022-07-01
申请号：CN202210200307.0
申请日：2022-03-02
Applicant: 西北工业大学
Abstract: 本发明公开了一种用于医学图像的自适应神经网络分割模型构建方法，首先构建金字塔性的基础模型，基础模型中包含多个特征处理单元，特征处理单元之间通过直接连接或跳跃连接实现数据流；特征处理单元的结构相同，由一个卷积模块和一个辅助指示函数构成；采用数据集对基础模型进行训练，输入的数据经过基础模型中的各个特征处理单元，按照辅助指示函数的输出对特征处理单元进行去除或保留，得到最终的分割模型。该模型能够对于不同数据集搜索得到适应于该任务的模型结构，不仅大大降低了模型复杂度，而且显著的提高了分割精度。
-
公开(公告)号：CN114240966A
公开(公告)日：2022-03-25
申请号：CN202111523320.1
申请日：2021-12-13
Applicant: 西北工业大学
Abstract: 本发明公开了一种针对3D医学图像分割训练特征提取器的自监督学习方法，该方法包括数据增广、在线路径和目标路径三个部分；给定一张输入图像，首先从中随机提取两个图像块，两个图像块有一定比例的重叠；接下来对两个图像块分别做不同的数据增广，然后再分别输入到在线路径和目标路径中；由于两个图像块所进行的数据增广是已知的，易得两个图像块在特征空间上像素级别的相对位置对应关系；两个图像块中匹配的每一对像素都表征原始图像中同一个局部区域，模型判定这两个图像块中对应的局部特征保持一致；通过这种局部一致性的约束，模型能够学习到3D医学图像数据中更加细粒度的特征提取能力，并且能够保留图像内部的空间结构关系。
-
公开(公告)号：CN113112454A
公开(公告)日：2021-07-13
申请号：CN202110304416.2
申请日：2021-03-22
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于任务动态学习部分标记的医学图像分割方法，实现多器官和肿瘤的分割。该方法首先采用卷积神经网络搭建一个编码解码模块，以医学图像作为输入，提取图像的高级语义特征。接着通过一个任务编码模块，将不同任务对应的数据集进行编码，生成的one‑hot编码作为其任务先验。然后设计了一个控制器，以one‑hot编码和图像本身的特征为条件，为每一个图像生成特定任务的卷积核。最后，生成的卷积核在解码模块得到的特征图上进行卷积操作，得到对应任务的分割结果。本发明的分割模型可以在一个简单的分割网络下，高效地实现多个器官、多个肿瘤的同时分割并且能够巧妙地整合多个数据集的资源，能够实现更通用、泛化能力更强的多器官和肿瘤分割。
-
公开(公告)号：CN107203783B
公开(公告)日：2020-09-01
申请号：CN201710371308.0
申请日：2017-05-24
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于自适应卷积核卷积神经网络的遥感图像像素级分类方法，用于解决现有遥感图像像素级分类方法自适应性差的技术问题。技术方案是首先计算数据点的密度和距离值，然后自适应选取聚类中心为卷积核，最后将学习到的卷积核加入CNN对网络的softmax层进行训练，对训练好的网络进行遥感图像像素级分类。本发明将改进的基于快速寻找和找到密度峰值的聚类算法MCFSFDP，聚类得到自适应卷积核，代入基于预训练卷积核的CNN结构。相对基于K‑means聚类人工设定聚类类别预学习的卷积核的CNN结构相比，自适应学习到的卷积核能够有效表征数速记据信息特点并且提高了遥感图像像素级分类效果。
-
公开(公告)号：CN107169527B
公开(公告)日：2020-04-03
申请号：CN201710417724.X
申请日：2017-06-06
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于协同深度学习的医学图像分类方法，用于解决现有医学图像分类方法分类准确率差的技术问题。技术方案是采用两个深度卷积神经网络之间协同学习方法，通过成对学习模式进行训练，每次模型接受图像对儿作为输入，一对儿图像分别被输送到对应的深度卷积神经网络中。采用微调预训练模型的方法对这些深度卷积网络进行初始化和训练，设计一个协同学习系统，使两个深度网络进行互助学习。该协同系统用来对图像对儿的异同属性进行监督，即是否属于用一个类别，并且实时地将两个深度卷积网络产生的协同误差进行反向传播、修正网络的权值，从而进一步加强网络学习特征表征的能力，能够更加有效地对易混淆样本作出准确地判别。
-
Patent Agency Ranking
公开(公告)号：CN109190446A
公开(公告)日：2019-01-11
申请号：CN201810738336.6
申请日：2018-07-06
Applicant: 西北工业大学
Abstract: 本发明提供了一种基于三元组聚焦损失函数的行人再识别方法。首先，对输入的图像数据集进行分组，并选择用于特征提取的网络模型，设置其损失函数为三元组聚焦损失函数；然后，利用分组训练数据对网络进行训练，得到训练好的网络模型；最后，利用训练好的网络分别对数据库中的图像和待查询行人图像进行特征提取，计算特征向量间的欧式距离，根据距离大小判断识别结果。利用本发明方法，可以使难样本更聚焦，模型训练收敛性更好，行人识别精确度更高，识别性能更好。
-
公开(公告)号：CN107316004A
公开(公告)日：2017-11-03
申请号：CN201710417736.2
申请日：2017-06-06
Applicant: 西北工业大学
CPC classification number: G06K9/0063 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的空间目标识别方法，用于解决现有空间目标识别方法实用性差的技术问题。技术方案是首先构建一个9层深度卷积网络模型，随后在该网络基础上，找出最优的数据增广方法，并将几种较优的增广方法得到的数据进行组合，将最优的组合数据同时用在模型训练和测试的过程中，完成空间目标识别。深度学习模型自动地从数据中发现分布式的特征表示，得到更利于分类的特征，可以大幅度提高识别准确率。同时，针对空间目标数据集受其成像环境限制，是一个典型的小样本问题这一特点，利用数据增广生成虚拟数据，可以解决深度模型在小样本上容易过拟合的问题，实用性好。
-
公开(公告)号：CN119478427B
公开(公告)日：2025-04-08
申请号：CN202510065280.2
申请日：2025-01-16
Applicant: 西北工业大学
IPC: G06V10/26 , G06N3/0455 , G06T7/00 , G06V10/44 , G06V10/774 , G06V10/82 , G06V20/70
Abstract: 本发明属于医学图像处理技术领域，针对现有技术存在的左心房和左心房瘢痕分割精度不是很高的技术问题，本发明提出了基于心脏医学图像的左心房及左心房瘢痕自动分割方法，包括以下步骤：S1、对训练数据和测试数据进行预处理，得到处理后的训练数据和测试数据；S2、利用处理后的训练数据对Boundary Loss Constrained Mutil‑Attention U‑Net模型进行训练，得到5个训练好的分割模型；S3、利用分割模型对处理后的测试数据进行分割，得到5个分割结果，取分割结果的平均值，作为最终分割结果。本发明能够缓解左心房和瘢痕间类别不平衡的问题，显著提高基线模型的分割能力。
-
公开(公告)号：CN118864634A
公开(公告)日：2024-10-29
申请号：CN202410909562.1
申请日：2024-07-08
Applicant: 西北工业大学
IPC: G06T11/00 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种用于脑肿瘤的从MRI到脑血容量定量图像的图像合成方法，包括1)基于GAN的图像合成算法，该算法主要包括：基于特征一致性的GAN网络和具有平均绝对误差损失的三维编码器‑解码器网络；2)3D可增量的Encoder‑Decoder网络，该网络主要包括对于每一个模态都存在一个编码器和一个面向CBV模态的解码器。本发明通过提出的基于GAN的图像合成算法，可以从易获取的标准MRI序列生成磁共振成像灌注图，从而提高灌注的脑血容量来对肿瘤的进展和放射效应进行区分的方法的可实施性。同时，本发明的3D可增量的Encoder‑Decoder网络可以从许多只有少数有ASL‑CBF配对图像的受试者身上学习，从而在仅有少量ASL‑CBF配对图像的前提下生成CBV图像。
-
公开(公告)号：CN117974735A
公开(公告)日：2024-05-03
申请号：CN202410389652.2
申请日：2024-04-02
Applicant: 西北工业大学
Abstract: 本发明公开了一种面向数字人的跨模态医学影像配准方法、系统和设备，属于图像处理技术领域。针对医学影像配准困难，成本高昂的问题，本发明采用基于形变图优化的配准方法，将CT头骨模型形变以适应MRI面部模型的形状，然后将模板CT图像与多个MRI图像进行配准，以获得内部骨骼与MRI外表面一致的数字人多模态数据集，实现了内部骨骼与MRI外表面的一致性，避免了高辐射风险，减少了数据集构建成本和内外数据不一致以及标注成本的问题，并且有较高的精度，能够更准确地分析患者的医学影像数据，为临床诊断和治疗决策提供更可靠的依据，提升医疗领域的整体质量和效率；而且该方法减少了在医学图像配准和分析过程中的手动干预，有望提高整体自动化水平。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.025 seconds)
