-
公开(公告)号：CN117292124A
公开(公告)日：2023-12-26
申请号：CN202311169954.0
申请日：2023-09-12
Applicant: 同济大学
IPC: G06V10/26 , G06V10/82 , G06N3/0464 , G06V10/774 , G06V10/80 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于动态概率权重的医学图像分割方法、设备、存储介质，利用预训练好的基于Swin‑Unet的图像分割模型对获取到的医学图像进行分隔，其中，所述图像分割模型的训练过程包括如下步骤：获取标注后的医学图像数据集；基于所述医学图像数据集，利用损失函数对基于Swin‑Unet的图像分割模型进行训练，得到预训练好的图像分割模型，其中，所述损失函数包括动态概率权重函数。与现有技术相比，本发明根据像素点的分类的置信程度来动态决定来调整训练权重，可以指导提升网络的学习能力，提高网络训练的性能。
-
公开(公告)号：CN117315244A
公开(公告)日：2023-12-29
申请号：CN202311169956.X
申请日：2023-09-12
Applicant: 同济大学
IPC: G06V10/26 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/047 , G06N3/084
Abstract: 本发明涉及一种融合多尺度特征的医学图像分割方法、设备、存储介质，方法利用预训练好的医学图像分割模型进行分割，其中，医学图像分割模型包括：编码器模块，包括基于transformer和基于卷积神经网络的两组不同编码块，用于从待分割图像中提取多尺度特征；特征融合模块，分别与各个编码块连接，用于基于交叉注意力机制，对多尺度特征进行编码和融合；解码器模块，分别于编码器模块和特征融合模块连接，包括多个解码块，用于基于融合后的特征输出最终的分割图。本发明将transformer作为主干网络，同时借助于CNN提取低尺度特征，再对特征进行融合，使得模型具有更强的特征提取和特征融合能力，实现更准确的分割。
-
公开(公告)号：CN118521595A
公开(公告)日：2024-08-20
申请号：CN202410554350.6
申请日：2024-05-07
Applicant: 同济大学
IPC: G06T7/11 , G06V10/80 , G06V10/42 , G06T3/4038 , G06T3/4046 , G06V10/44 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于提示学习的自适应医学图像分割方法、设备、介质，基于SAM网络医学图像分割模型的训练过程包括：获取待分割图像以及对应的分割任务类型，分别通过图像编码器和文本编码器得到全局图像特征和提示嵌入；将待分割图像和提示嵌入进行拼接，提取在提示嵌入的指导下的待分割图像的细粒度图像特征；基于全局图像特征和细粒度图像特征，实现缩放自适应的特征融合，得到融合特征，对图像编码器进行微调；基于微调后的图像编码器所生成的图像特征，生成预测分割图，基于预测分割图和预先获取的标准分割图，计算损失函数的值并更新医学图像分割模型的参数。本发明具有图像局部知识提取能力强、SAM网络中对图像分割能力强等优点。
-
公开(公告)号：CN117292125A
公开(公告)日：2023-12-26
申请号：CN202311170039.3
申请日：2023-09-12
Applicant: 同济大学
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06V10/774 , G06N3/08
Abstract: 本发明涉及一种融合结构先验知识的医学图像分割方法、设备、存储介质，方法利用预训练好的基于Swin‑Unet的图像分割模型对获取到的医学图像进行分隔，其中，所述图像分割模型的训练过程包括如下步骤：获取标注后的医学图像数据集；基于所述医学图像数据集，利用损失函数对基于Swin‑Unet的图像分割模型进行训练，得到预训练好的图像分割模型，其中，所述损失函数包括概率先验损失函数。与现有技术相比，本发明具有提高模型学习效果、应用场景广泛等优点。
-
-
-
Search Results
4
records
(took 0.018 seconds)
