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

Inventor： 徐晨初 ,  齐荣晖 ,  夏志强 ,  陈玉 ,  胡宗飞 ,  张燕平 ,  赵姝

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。

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

Applicant: 山南市人民医院 ,  安徽大学

Inventor： 夏志强 ,  徐辉 ,  余小华 ,  徐晨初

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：CN118154940A

公开(公告)日：2024-06-07

申请号：CN202410148882.X

申请日：2024-02-02

Applicant: 安徽大学

Inventor： 徐晨初 ,  朱行来 ,  刘金豪 ,  齐荣辉 ,  陈洁 ,  赵姝 ,  夏志强

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084 ,  G06T7/00

Abstract: 本发明涉及医学图像、深度学习和计算机视觉领域，公开了一种基于商空间理论的多模态内窥镜多组织病灶识别方法，包括如下步骤：步骤S1，收集消化道的内窥镜图像数据集，这些数据集包含了消化道不同组织的内窥镜图像以及相应的组织和病变概念标注，将数据集划分成训练集和测试集，并对训练数据进行数据处理；步骤S2，构建基础Transformer编码器和详细CNN编码器从输入的消化道内窥镜图像中提取到不同粒度的有用视觉特征。本发明通过构建基本Transformer编码器和详细CNN编码器模块，使用分类器将商空间编码器的输出激活映射到最终的概念标签上，输出每个概念在图像病变中的位置可视化的特征图和病变区域概念。

公开(公告)号：CN118172562B

公开(公告)日：2024-08-27

申请号：CN202410605818.X

申请日：2024-05-16

Applicant: 安徽大学

Inventor： 徐晨初 ,  齐荣晖 ,  夏志强 ,  陈玉 ,  胡宗飞 ,  张燕平 ,  赵姝

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。

公开(公告)号：CN115965630A

公开(公告)日：2023-04-14

申请号：CN202211464842.3

申请日：2022-11-22

Applicant: 安徽大学

Inventor： 徐晨初 ,  李萌 ,  夏志强 ,  周鹏 ,  张贺晔 ,  赵姝 ,  张燕平 ,  韩龙飞 ,  韩军伟

IPC: G06T7/10 ,  G06T7/136 ,  G06T5/50 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了一种基于内窥镜图像的深度融合的肠息肉分割方法及装置，所述方法包括：采集内窥镜下肠息肉图像并进行预处理得到训练集和测试集；利用门控轴向注意力机制模块和滑动窗口注意力机制模块构建深度特征融合模块；利用门控轴向注意力机制模块、深度特征融合模块以及注意力门控模块构建肠息肉图像分割模型；利用训练集训练肠息肉图像分割模型得到最优的肠息肉图像分割模型；将实时采集的内窥镜下肠息肉图像输入最优的肠息肉图像分割模型得到预测分割图像；本发明的优点在于：解决了由于缺乏大量带有标签数据的问题，训练成本和训练难度较低。