-
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
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：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。
-
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
4
records
(took 0.015 seconds)
