-
公开(公告)号：CN114926382B
公开(公告)日：2025-05-02
申请号：CN202210539173.5
申请日：2022-05-18
Applicant: 深圳大学
IPC: G06T5/50
Abstract: 本发明公开了用于融合图像的生成对抗网络、图像融合方法及终端设备，生成对抗网络包括生成器、边缘感知模块、第一边缘检测单元、第一判别器、第二判别器以及第三判别器。本发明在生成器的设计中，构造分层多模态小波融合模块，并对不同的特征属性自适应的进行融合处理，实现对不同层级不同频率的特征信息的融合，从而避免不同模态中间层信息的丢失；通过构建边缘感知模块实现对不同模态数据的边缘信息的集成，增加纹理细节信息表示能力，通过联合融合图像与两个原始输入图像以及融合边缘图像与原始边缘图像之间的对抗学习关系，促使最终的融合图像不仅包含原始图像的强度信息，同时避免边缘纹理细节信息的丢失，得到更高质量的融合图像。
-
公开(公告)号：CN117409021A
公开(公告)日：2024-01-16
申请号：CN202311309501.3
申请日：2023-10-10
Applicant: 深圳大学
IPC: G06T7/11 , G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/098
Abstract: 本发明公开了一种基于多重注意力引导的超声图像分割系统及分割方法，超声图像分割系统以UNet网络为骨干网络，通过金字塔挤压注意力模块提取不同尺度的空间信息，并将不同尺度的空间信息和跨通道的注意力特征进行集成，能够在更细致的级别上提取多尺度的空间信息；通过在跳跃链接中加入双重注意力模块，能够将通道特征信息和空间特征信息进一步传递到解码器中，促进编码器和解码器之间的信息交流和融合，得到更加精细的分割结果，提高分割精度。
-
公开(公告)号：CN119919938A
公开(公告)日：2025-05-02
申请号：CN202510423505.7
申请日：2025-04-07
Applicant: 深圳大学
IPC: G06V20/69 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种切片图像分类方法、系统、终端及存储介质，所述方法包括：对待处理切片图像进行预处理，得到目标切片图像；构建切片图像分类模型，对切片图像分类模型进行训练得到目标模型，将目标切片图像输入到目标模型的实例特征提取模块进行特征提取，得到第一实例特征，将第一实例特征输入到目标模型的实例特征学习模块进特征的重组和学习，得到第二实例特征；将第二实例特征输入到目标模型的实例特征聚合模块进行升维和聚合，得到包级特征，将包级特征输入到目标模型的包预测模块进行分类，得到待处理切片图像的分类结果。本发明应用多种扫描方式进行特征互补，并通过全局上下文注意力有效地凸显出关键实例，实现对切片图像的准确分类。
-
公开(公告)号：CN116012763A
公开(公告)日：2023-04-25
申请号：CN202310085042.9
申请日：2023-01-16
Applicant: 深圳大学
Abstract: 本发明涉及图像处理技术领域，具体涉及一种消融图像的处理方法、设备及存储介质。本发明对原始视频应用Yolov5‑SFT算法，定位原始视频所包含的消融图像初始序列，然后依据消融图像初始序列所对应的帧长以及消融图像初始序列所包含的相邻帧图像之间的相似性，从消融图像初始序列中筛选出消融图像目标序列，最后对消融图像目标序列应用EfficientTet‑SK算法以得到评估结果。由于本发明的Yolov5‑SFT添加了SE注意力机制和Transformer模块，因此准确定位出原始视频中的消融图像初始序列，而EfficientTet‑SK又添加了SK和时间移动模块TSM，因此得到针对消融区域的准确评估结果。
-
Patent Agency Ranking
公开(公告)号：CN118396936A
公开(公告)日：2024-07-26
申请号：CN202410416246.0
申请日：2024-04-08
Applicant: 深圳大学
Abstract: 本发明公开了一种超声心动图分析方法、系统、终端及计算机可读存储介质，所述方法包括：获取目标灰阶图像和目标多普勒图像；构建目标模型，目标模型包括：频率分解模块、交叉Transformer融合模块和交叉卷积融合模块；根据目标灰阶图像和目标多普勒图像得到灰阶高频特征、灰阶低频特征、彩色高频特征和彩色低频特征；将灰阶低频特征和彩色低频特征输入到交叉Transformer融合模块进行融合，得到融合后的低频信息，将灰阶高频特征和彩色高频特征输入到交叉卷积融合模块进行特征提取和融合，得到融合后的高频信息；将低频信息与高频信息输入到分类器中得到目标超声心动图的分类结果。本发明克服了人工分析效率慢、易出错的缺陷，能高效且准确地对超声心动图进行分析。
-
公开(公告)号：CN117876293A
公开(公告)日：2024-04-12
申请号：CN202311626279.X
申请日：2023-11-28
Applicant: 深圳大学
Abstract: 本发明公开了基于多尺度频率特征融合Transformer模型的图像处理方法，所述方法包括：获取原始超声心动图，将所述原始超声心动图输入到多尺度频率特征融合Transformer模型，所述输入到多尺度频率特征融合Transformer模型包括多层编码器和多层解码器，每层编码器和解码器均包括多尺度块嵌入单元和分组频率特征融合Transformer块；所述编码器用于对图像进行编码处理得到原始数据的上下文语义特征；所述解码器用于对包含不同频率信息的语义特征进行解码处理得到解码特征；级联所有解码特征，得到所述原始超声心动图中解剖结构的分割预测掩码。本发明可以在减少信息冗余的情况下同步提取图像的局部与全局特征，可以避免全局范围内图像细节信息丢失，提高了图像分析的准确度。
-
公开(公告)号：CN114926382A
公开(公告)日：2022-08-19
申请号：CN202210539173.5
申请日：2022-05-18
Applicant: 深圳大学
IPC: G06T5/50
Abstract: 本发明公开了用于融合图像的生成对抗网络、图像融合方法及终端设备，生成对抗网络包括生成器、边缘感知模块、第一边缘检测单元、第一判别器、第二判别器以及第三判别器。本发明在生成器的设计中，构造分层多模态小波融合模块，并对不同的特征属性自适应的进行融合处理，实现对不同层级不同频率的特征信息的融合，从而避免不同模态中间层信息的丢失；通过构建边缘感知模块实现对不同模态数据的边缘信息的集成，增加纹理细节信息表示能力，通过联合融合图像与两个原始输入图像以及融合边缘图像与原始边缘图像之间的对抗学习关系，促使最终的融合图像不仅包含原始图像的强度信息，同时避免边缘纹理细节信息的丢失，得到更高质量的融合图像。
-
公开(公告)号：CN119887621A
公开(公告)日：2025-04-25
申请号：CN202411723380.1
申请日：2024-11-28
Applicant: 深圳大学
IPC: G06T7/00 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多特征融合的浅表淋巴结分类方法、系统及终端，所述方法包括：构建多模态融合网络模型，对多模态融合网络模型进行训练，得到浅表淋巴结分类模型；获取待预测目标的US图像和CDFI图像，对US图像和CDFI图像进行预处理，得到目标US图像和目标CDFI图像；将目标US图像和目标CDFI图像输入到浅表淋巴结分类模型进行特征的提取和融合，输出目标浅表淋巴结分类结果；本发明将多特征多模式融合网络应用于浅表淋巴结分类，该网络集成了卷积神经网络分支和视觉分支，从US和CDFI图像中提取多尺度特征，并通过CBA特征融合模块和CMA特征融合模块促进了跨尺度的特征交互和融合，利用血流信息增强边缘区域检测，提高了浅表淋巴结分类的准确性。
-
公开(公告)号：CN114863111A
公开(公告)日：2022-08-05
申请号：CN202210586184.9
申请日：2022-05-27
Applicant: 深圳大学
Abstract: 本发明公开了交互融合Transformer的超声图像量化方法，所述方法包括：将所述真实图像输入至已训练的图像分割模型，通过所述图像量化分析模型输出图像分割预测掩码；其中，所述图像分割模型包括若干U型编码/解码模块(包括卷积神经网络、用于提取空间特征和通道特征的双注意力降维Transformer网络和双向交互融合单元)，基于预设的定位方法，对所述图像分割预测掩码进行定位和量化分析，得到量化分析结果。本发明通过双注意力降维Transformer网络提取空间特征和通道特征增强全局上下文信息的学习能力，卷积神经网络和Transformer网络分支之间交互学习，实现局部特征与全局上下文信息之间的双向融合。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.021 seconds)
