-
公开(公告)号：CN112116605B
公开(公告)日：2022-04-22
申请号：CN202011052799.0
申请日：2020-09-29
Applicant: 西北工业大学深圳研究院 , 西北工业大学
Abstract: 本发明公开了一种基于集成深度卷积神经网络的胰腺CT图像分割方法，采用由粗到细的两阶段分割框架对CT图像中的胰腺进行精确的分割。首先构建了一种引入注意力模块和跨层级密集连接的三维U型编码‑解码结构的CNN网络，即Unet模型作为识别网络应用在胰腺图像分割两阶段；在粗分割阶段，对原图进行降采样归一化预处理，然后随机取若干数据块作为网络的输入进行训练，得到胰腺的粗分割结果；在细分割阶段，用边界框包含胰腺区域，在边界框区域内取图像块进行训练；在识别时，使用粗分割结果确定胰腺所在区域，再用细分割进行预测，得到细分割结果。最终将两阶段的结果进行投票决策得到分割结果。本发明克服了手工标注的问题，得到了较为理想的分割结果。
-
公开(公告)号：CN112116605A
公开(公告)日：2020-12-22
申请号：CN202011052799.0
申请日：2020-09-29
Applicant: 西北工业大学深圳研究院 , 西北工业大学
Abstract: 本发明公开了一种基于集成深度卷积神经网络的胰腺CT图像分割方法，采用由粗到细的两阶段分割框架对CT图像中的胰腺进行精确的分割。首先构建了一种引入注意力模块和跨层级密集连接的三维U型编码‑解码结构的CNN网络，即Unet模型作为识别网络应用在胰腺图像分割两阶段；在粗分割阶段，对原图进行降采样归一化预处理，然后随机取若干数据块作为网络的输入进行训练，得到胰腺的粗分割结果；在细分割阶段，用边界框包含胰腺区域，在边界框区域内取图像块进行训练；在识别时，使用粗分割结果确定胰腺所在区域，再用细分割进行预测，得到细分割结果。最终将两阶段的结果进行投票决策得到分割结果。本发明克服了手工标注的问题，得到了较为理想的分割结果。
-
公开(公告)号：CN112906796B
公开(公告)日：2022-11-29
申请号：CN202110203910.X
申请日：2021-02-23
Applicant: 西北工业大学深圳研究院 , 西北工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种针对不确定性标记数据的医学图像分类方法，展示了一种针对不确定标记数据训练的深度学习模型；对于多个医生标注且标注结果一致的确定标记数据直接用分类网络来提取类别特征信息；对于有多个医生标注且标注不完全相同的不一致标记数据，利用不一致标记数据及其互补标签训练反事实网络，然后构建反注意力机制模块辅助确定分类网络的学习；对于仅有一个医生标注的单标记数据，首先利用单标记数据来训练弱分类网络，然后构建一致性注意力机制模块辅助确定分类网络的学习。本发明中能从不一致标记数据中学习到确定的类别反事实信息，并且能将从单标记数据中学得的信息中有效部分增强、噪声部分减弱，达到较好的分类效果。
-
公开(公告)号：CN112967379B
公开(公告)日：2022-04-22
申请号：CN202110235474.4
申请日：2021-03-03
Applicant: 西北工业大学深圳研究院 , 西北工业大学
Abstract: 本发明公开了一种基于感知一致生成对抗网络的三维医学图像重建方法，提出用二维图像的三视图重建三维图像的方法，融合感知一致约束的感知一致生成对抗网络(Sense‑consistency Generative Adversarial Network,SGAN)去学习潜在的由粗到细的感知信息。首先，沿着投影方向展开一组二维图像三视图中的每一个切片，然后将其连接起来，形成与实际三维图像对应的相同形状的三通道三维图像；然后，采用感知一致性约束提供在训练生成模型时需要的潜在的从粗到细的感知信息，对SGAN模型进行训练；最终训练完成得到最终的SGAN模型，实现将二维图像转换为真实三维图像。本发明能够从一组三视角二维图像重建三维图像，一定程度上解决了UR任务。
-
公开(公告)号：CN112200811A
公开(公告)日：2021-01-08
申请号：CN202011164826.3
申请日：2020-10-27
Applicant: 西北工业大学深圳研究院 , 西北工业大学
Abstract: 本发明提供了一种采用跨序列核磁共振图像生成改进胶质瘤分割方法，该方法构建了一个由编码器模块、分割模块和生成器模块组成的ImgSG模型；在ImgSG模型训练阶段，选择胶质瘤核磁共振图像4个序列中的3个作为网络的输入进行胶质瘤的分割，剩余的一个序列作为生成序列来辅助模型分割，根据生成序列的不同训练出3个相同结构但是参数不同的分割模型；在测试阶段，将待测试胶质瘤核磁共振图像分别输入3个分割模型，将得到的三个分割置信概率结果求均值，经过后处理得到最终的胶质瘤分割结果。该方法能够改变医生通过逐帧阅读核磁共振图像来判断是否有胶质瘤的现状，避免依靠医生经验而带来的主观偏差。
-
Patent Agency Ranking
公开(公告)号：CN112967379A
公开(公告)日：2021-06-15
申请号：CN202110235474.4
申请日：2021-03-03
Applicant: 西北工业大学深圳研究院 , 西北工业大学
Abstract: 本发明公开了一种基于感知一致生成对抗网络的三维医学图像重建方法，提出用二维图像的三视图重建三维图像的方法，融合感知一致约束的感知一致生成对抗网络(Sense‑consistency Generative Adversarial Network,SGAN)去学习潜在的由粗到细的感知信息。首先，沿着投影方向展开一组二维图像三视图中的每一个切片，然后将其连接起来，形成与实际三维图像对应的相同形状的三通道三维图像；然后，采用感知一致性约束提供在训练生成模型时需要的潜在的从粗到细的感知信息，对SGAN模型进行训练；最终训练完成得到最终的SGAN模型，实现将二维图像转换为真实三维图像。本发明能够从一组三视角二维图像重建三维图像，一定程度上解决了UR任务。
-
公开(公告)号：CN112927203A
公开(公告)日：2021-06-08
申请号：CN202110210990.1
申请日：2021-02-25
Applicant: 西北工业大学深圳研究院 , 西北工业大学
Abstract: 本发明提供了一种本发明提供一种基于多序列MRI全局信息的胶质瘤患者术后生存期预测方法，通过对四个模态的影像进行数据预处理操作后，按照T1、FLAIR、T2和T1ce的顺序进行拼接，采用基于3D ResNet 50网络模型进行预测，在预测过程中引入年龄特征对全局特征进行加权。本发明提出的基于全局信息的胶质瘤患者生存期三维回归预测方法，通过对多序列磁共振影像进行裁剪后便于学习肿瘤大小、位置、形状、纹理、异质性等特征。在BraTS 2020验证集上取得了较为理想的预测结果。
-
公开(公告)号：CN112906796A
公开(公告)日：2021-06-04
申请号：CN202110203910.X
申请日：2021-02-23
Applicant: 西北工业大学深圳研究院 , 西北工业大学
Abstract: 本发明公开了一种针对不确定性标记数据的医学图像分类方法，展示了一种针对不确定标记数据训练的深度学习模型；对于多个医生标注且标注结果一致的确定标记数据直接用分类网络来提取类别特征信息；对于有多个医生标注且标注不完全相同的不一致标记数据，利用不一致标记数据及其互补标签训练反事实网络，然后构建反注意力机制模块辅助确定分类网络的学习；对于仅有一个医生标注的单标记数据，首先利用单标记数据来训练弱分类网络，然后构建一致性注意力机制模块辅助确定分类网络的学习。本发明中能从不一致标记数据中学习到确定的类别反事实信息，并且能将从单标记数据中学得的信息中有效部分增强、噪声部分减弱，达到较好的分类效果。
-
公开(公告)号：CN112614093A
公开(公告)日：2021-04-06
申请号：CN202011462321.5
申请日：2020-12-10
Applicant: 西北工业大学深圳研究院 , 西北工业大学
Abstract: 本发明提供了一种基于多尺度空间注意力网络的乳腺病理图像分类方法。首先，将原始的乳腺病理图像缩放到三个不同尺度，并进行图像块切割，通过对图像块进行二值化处理，剔除其中的无效图像块，得到训练数据集图像块；然后，构建空间注意力网络并利用不同尺度图像的训练数据集图像块对网络进行训练，网络的空间注意力模块实现原病理图像块的空间变换，再通过分类模块获得该图像块的分类结果；最后，将不同尺度图像的图像块输入到训练好的网络，得到每个图像块的所属类别，再计算不同尺度下的各个类别的预测概率，原病理图像的最终预测类别利用类别概率均值来确定。本发明方法能够充分利用有限乳腺病理图像中的丰富纹理结构信息，改善分类效果。
-
公开(公告)号：CN119478427A
公开(公告)日：2025-02-18
申请号：CN202510065280.2
申请日：2025-01-16
Applicant: 西北工业大学
IPC: G06V10/26 , G06N3/0455 , G06T7/00 , G06V10/44 , G06V10/774 , G06V10/82 , G06V20/70
Abstract: 本发明属于医学图像处理技术领域，针对现有技术存在的左心房和左心房瘢痕分割精度不是很高的技术问题，本发明提出了基于心脏医学图像的左心房及左心房瘢痕自动分割方法，包括以下步骤：S1、对训练数据和测试数据进行预处理，得到处理后的训练数据和测试数据；S2、利用处理后的训练数据对Boundary Loss Constrained Mutil‑Attention U‑Net模型进行训练，得到5个训练好的分割模型；S3、利用分割模型对处理后的测试数据进行分割，得到5个分割结果，取分割结果的平均值，作为最终分割结果。本发明能够缓解左心房和瘢痕间类别不平衡的问题，显著提高基线模型的分割能力。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.028 seconds)
