-
公开(公告)号：CN117523194A
公开(公告)日：2024-02-06
申请号：CN202311456077.5
申请日：2023-11-03
Applicant: 电子科技大学
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06V10/74 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及的是一种基于弱监督的图像多类别自动分割方法，属于图像分割技术领域。针对只含稀疏的涂鸦标注的训练图像，本发明提出一个三分支多尺度网络，通过融合来自不同感受野的预测获得鲁棒的软伪标签，并且对融合的软伪标签进行不确定性修正，对三个不同的解码器进行监督以提高分割网络的性能。同时对各解码器分支的预测结果计算类别相似性矩阵并进行一致性约束，以充分利用未标注数据的类间关系信息。在预测阶段通过多个预测结果的加权融合得到鲁棒的分割结果。本发明可极大减少图像分割模型的标注成本，同时能达到基于像素级标注训练的模型相近的性能。
-
公开(公告)号：CN111798462B
公开(公告)日：2022-10-14
申请号：CN202010618225.9
申请日：2020-06-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于CT图像的鼻咽癌放疗靶区自动勾画方法，属于医学图像分割技术领域，特别是针对于三维医学图像分割中鼻咽癌目标靶区的卷积神经网络自动分割方法。针对基于深度学习的医学图像分割方法存在的问题，提出了一种基于2.5维卷积神经网络与注意力机制相结合的多尺度集成模型。使其对目标靶区进行分割时，对大间距图像有更强的特征学习能力，在分割过程中更加关注目标分割区域从而获更好的分割效果，并通过集成多个尺度下的模型提高分割精度，并根据模型集成结果提供分割结果不确定性评估，以更好辅助医生决策。
-
公开(公告)号：CN111798462A
公开(公告)日：2020-10-20
申请号：CN202010618225.9
申请日：2020-06-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于CT图像的鼻咽癌放疗靶区自动勾画方法，属于医学图像分割技术领域，特别是针对于三维医学图像分割中鼻咽癌目标靶区的卷积神经网络自动分割方法。针对基于深度学习的医学图像分割方法存在的问题，提出了一种基于2.5维卷积神经网络与注意力机制相结合的多尺度集成模型。使其对目标靶区进行分割时，对大间距图像有更强的特征学习能力，在分割过程中更加关注目标分割区域从而获更好的分割效果，并通过集成多个尺度下的模型提高分割精度，并根据模型集成结果提供分割结果不确定性评估，以更好辅助医生决策。
-
公开(公告)号：CN119942112A
公开(公告)日：2025-05-06
申请号：CN202510000599.7
申请日：2025-01-02
Applicant: 电子科技大学
IPC: G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06V20/70
Abstract: 本发明公开一种图像分割大模型、预训练方法及相关装置，应用于图像识别技术，针对现有的基于深度学习的图像分割模型对大规模标注数据的依赖性和在小样本分割任务上的性能低的问题；本发明采用一种基于图像融合的伪分割方式，实现从大量无标注图像中的分割模型预训练，是通过以下技术方案来实现的：首先通过卷积和Transformer并行模块建立图像分割网络结构DCT‑Net，然后在无标注数据集中通过双视角数据增广得到待融合的训练图像对，接着对增广后的图像利用分块离散融合系数进行融合，得到融合后的图像。在此基础上将融合后的图像作为模型输入，融合系数图作为分割目标，建立伪分割任务对分割模型进行预训练。经过预训练后的模型在下游分割任务中，利用少量标注图像进行微调。本发明能克服传统基于深度学习的图像分割模型所需的标注成本高昂、小样本训练集上分割性能差的问题，可以有效降低模型所需标注量，并且提高其收敛速度和分割性能。
-
公开(公告)号：CN116524194A
公开(公告)日：2023-08-01
申请号：CN202310591789.1
申请日：2023-05-24
Applicant: 电子科技大学
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06T7/10
Abstract: 该发明公开了一种基于图像级别标签的弱监督图像分割方法，属于图像处理方法。现有的大部分弱监督分割方法都需要额外的任务或者显著图来帮助训练，而额外的任务会增加模型参数和训练时间，不同数据集的显著图的生成效果不一致。本发明提出的弱监督学习方法不需要额外的任务辅助，也不需要显著图，使用一种简单而有效的多层次分类网络产生高质量的类别激活图，而后使用类别概率图融合方法提升伪标签的质量，整个过程更为简洁高效。现有的大部分方法直接使用伪标签训练图像分割网络，忽略了伪标签中的噪声对分割模型性能的限制。利用三个模型相互学习监督，可以有效地降低噪声伪标签带来的影响，得到最终高质量的分割模型。
-
Patent Agency Ranking
公开(公告)号：CN114240955B
公开(公告)日：2023-04-07
申请号：CN202111576690.1
申请日：2021-12-22
Applicant: 电子科技大学
IPC: G06T7/10 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 本发明涉及的是一种半监督的跨领域自适应的图像分割方法，属于图像识别技术领域。本发明对来自不同数据域的图像使用共享的卷积层的方式学习数据域间共有的特征信息，并使用独立的批归一化层处理不同数据域的分布差异，从而让一个模型可以在克服数据域差异的情况下实现跨域的知识迁移。针对目标域数据缺乏标注的情况，本发明的半监督域适应方法使用一个辅助网络，通过辅助网络与主网络针对同一个样本产生的不同噪声图像的预测之间的一致性，充分利用未标注数据进行学习，并进一步利用对比学习策略提高域不变特征的学习。本发明提出的方法可以解决图像分割模型在处理不同中心的数据时遇到的性能不稳定问题，并且在新的中心的数据中仅需少量的标注就可以让模型取得鲁棒的性能。在实际基于深度神经网络的图像分割场景中，可有效提高模型的稳定性和泛化能力。
-
公开(公告)号：CN114240844B
公开(公告)日：2023-03-14
申请号：CN202111391310.7
申请日：2021-11-23
Applicant: 电子科技大学
Abstract: 本发明涉及的是一种三维医学图像中无监督的关键点定位与目标检测方法，属于图像检测技术领域。本发明是通过以下技术方案实现的：首先利用一组未标记的图像，训练一个位移网络来预测同一幅三维图像中任意两个子区域的相对偏移量。得到位移网络的训练结果后，针对一幅新图像，该网络以一个初始位置处的子区域与参考图像中关键点处的子区域作为输入，预测该图像中的初始位置到目标位置的偏移量，从而实现关键点的定位。本发明进一步通过将物体边界框的检测任务转化成六个极端点的定位，实现无监督的目标物体检测。本发明能解决现有的医学图像中的目标检测算法需要大量人工标注的问题，有效降低了标注成本，提高了无监督目标检测算法的性能。
-
公开(公告)号：CN114240950A
公开(公告)日：2022-03-25
申请号：CN202111390503.0
申请日：2021-11-23
Applicant: 电子科技大学
Abstract: 本发明涉及的是一种基于图像生成的肿瘤图像分割方法，属于医学图像分析技术领域。本发明针对多模态医学图像存在模态缺失的场景，采用一个两阶段多任务框架实现缺失模态的生成并完成目标区域的分割，是通过以下技术方案实现的：首先，使用一个多任务生成器同时获得伪目标模态图像和初步分割结果，通过全局判别器和局部判别器提高生成图像的质量，同时提出一种感知损失函数，以减少生成的和真实的目标域图像之间的语义差距。其次，本发明提出了一个多任务精细分割网络，在生成的目标域图像和初步分割结果的基础上，同时预测精细分割结果和初步分割中的错误，并引入这两个预测之间的一致性约束提升分割性能。本发明与从原始的部分模态图像中直接分割相比，大大提高了分割精度，并且优于现有的图像生成与分割的方法。
-
公开(公告)号：CN111798458A
公开(公告)日：2020-10-20
申请号：CN202010541439.0
申请日：2020-06-15
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于不确定性引导的交互式医学图像分割方法，涉及的是图像处理领域，特别是医学图像分割技术领域。本发明首先建立一个包含金标准的训练图像集，然后使用一种分组卷积深度神经网络进行训练，对于一幅三维图像可同时得到初始分割结果及其不确定性估计。在不确定性估计的基础上，算法自动推荐需要操作者修正的切片，即不确定性程度最大的切片。在当前所推荐的切片中，人工提供交互信息后，采用交互式水平集对初始分割结果进行修正。本发明能克服传统的交互式分割方法需要的人工交互多、交互效率低的问题，通过不确定性引导人工交互，在提高人工交互的效率的同时，能够获得精确的分割结果。
-
公开(公告)号：CN119762774A
公开(公告)日：2025-04-04
申请号：CN202411786169.4
申请日：2024-12-06
Applicant: 电子科技大学
IPC: G06V10/26 , G06V10/44 , G06V10/764 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/084 , G06N3/048
Abstract: 本发明公开了一种基于大模型和伪标签学习的无监督病灶分割方法，该方法属于图像识别领域。首先采用“视觉‑语言”大模型(CLIP)生成高质量的分类伪标签，这些伪标签随后用于监督训练一个图像分类网络。在这一过程中，我们进一步提取分类网络的类激活映射图(CAM)，并引入一种基于动态遮挡的数据增强策略，以进一步提升分类网络的性能。随后，我们利用这些精度更高的类激活映射为分割大模型(SAM)生成指导信息，从而获得高质量的分割伪标签。最终，本发明提出了一种自训练策略，通过这些伪标签对分割网络进行训练和持续优化，以达到更高的分割精度和效率。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.024 seconds)
