-
公开(公告)号：CN115049898A
公开(公告)日：2022-09-13
申请号：CN202210791643.7
申请日：2022-07-05
Applicant: 西安电子科技大学
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06N3/04 , G06N3/08 , G06V20/70
Abstract: 本发明公开了一种基于区域块特征增强与抑制的腰椎间盘退变自动分级方法，主要解决现有方法在提取腰椎间盘影像特征时会遗漏一些表现不显著但仍有区分性的特征，造成分级准确性低的问题。其方案是：获取腰椎核磁共振影像，对其做预处理后生成定位数据集；利用现有DETR网络对定位数据集中的腰椎间盘区域定位生成分级数据集；构建基于区域块特征增强与抑制的腰椎间盘退变自动分级网络；用分级训练集训练该网络并用分级验证集选择效果最好的训练后模型；将分级测试集输入到所选的训练后模型得到分级结果。本发明能使网络挖掘出一些表现不明显但仍有区分性的特征，有效提升腰椎间盘退变分级的效果，可用于对核磁共振影像中病灶的检测和分类。
-
Patent Agency Ranking
公开(公告)号：CN115049898B
公开(公告)日：2025-04-08
申请号：CN202210791643.7
申请日：2022-07-05
Applicant: 西安电子科技大学
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/084 , G06V20/70
Abstract: 本发明公开了一种基于区域块特征增强与抑制的腰椎间盘退变自动分级方法，主要解决现有方法在提取腰椎间盘影像特征时会遗漏一些表现不显著但仍有区分性的特征，造成分级准确性低的问题。其方案是：获取腰椎核磁共振影像，对其做预处理后生成定位数据集；利用现有DETR网络对定位数据集中的腰椎间盘区域定位生成分级数据集；构建基于区域块特征增强与抑制的腰椎间盘退变自动分级网络；用分级训练集训练该网络并用分级验证集选择效果最好的训练后模型；将分级测试集输入到所选的训练后模型得到分级结果。本发明能使网络挖掘出一些表现不明显但仍有区分性的特征，有效提升腰椎间盘退变分级的效果，可用于对核磁共振影像中病灶的检测和分类。
-
公开(公告)号：CN112241766A
公开(公告)日：2021-01-19
申请号：CN202011159865.4
申请日：2020-10-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于样本生成和迁移学习的肝脏CT图像多病变分类方法，主要解决现有方法对肝脏多种病变检测性能不高的问题。其实现方案为：划分数据集；分别构建肝脏器官分割网络和肝脏病变检测网络；基于深度卷积生成式对抗网络，构建肝囊肿样本生成网络和肝血管瘤样本生成网络，分别生成新的肝囊肿和肝血管瘤样本；构建肝脏病变分类网络；对待检测的肝脏CT图像先使用肝脏器官分割网络进行器官分割，再使用肝脏病变检测网络对分割结果进行病变检测，最后使用肝脏病变分类网络对检测到的病变进行分类。本发明缓解了不同类别样本量的不平衡，提高了病变分类性能，可用于对肝脏CT影像中存在的肝癌、肝囊肿、肝血管瘤多种病变的定位和定性。
-
公开(公告)号：CN113706491A
公开(公告)日：2021-11-26
申请号：CN202110958505.9
申请日：2021-08-20
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于混合注意力弱监督迁移学习的半月板损伤分级方法，主要解决现有方法对半月板损伤程度分级难度大且缺乏临床可解释性的问题。其方案是：通过目标检测网络对半月板区域定位生成半月板区域图像数据集；再对上述数据进行二维直方图均衡化增强操作；然后利用迁移学习预训练网络提取增强后图像的显著性特征，生成特征图，同时利用弱监督注意力学习，生成增强后图像的注意力地图；最后通过双线性注意力池化算法，结合特征图和注意地图对半月板损伤等级进行分类，得到可视化的半月板损伤分级结果。本发明实现了临床上对半月损伤分级自动化诊断的需求，提高了深度学习在临床诊断上的可解释性，可用于对核磁共振病灶的图像检测和分类。
-
公开(公告)号：CN113706491B
公开(公告)日：2024-02-13
申请号：CN202110958505.9
申请日：2021-08-20
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06T5/40 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于混合注意力弱监督迁移学习的半月板损伤分级方法，主要解决现有方法对半月板损伤程度分级难度大且缺乏临床可解释性的问题。其方案是：通过目标检测网络对半月板区域定位生成半月板区域图像数据集；再对上述数据进行二维直方图均衡化增强操作；然后利用迁移学习预训练网络提取增强后图像的显著性特征，生成特征图，同时利用弱监督注意力学习，生成增强后图像的注意力地图；最后通过双线性注意力池化算法，结合特征图和注意地图对半月板损伤等级进行分类，得到可视化的半月板损伤分级结果。本发明实现了临床上对半月损伤分级自动化诊断的需求，提高了深度学习在临床诊断上的可解释性，可用于对核磁共振病灶的图像检测和分类。
-
公开(公告)号：CN112241766B
公开(公告)日：2023-04-18
申请号：CN202011159865.4
申请日：2020-10-27
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/0475 , G06N3/094 , G06N3/084
Abstract: 本发明公开了一种基于样本生成和迁移学习的肝脏CT图像多病变分类方法，主要解决现有方法对肝脏多种病变检测性能不高的问题。其实现方案为：划分数据集；分别构建肝脏器官分割网络和肝脏病变检测网络；基于深度卷积生成式对抗网络，构建肝囊肿样本生成网络和肝血管瘤样本生成网络，分别生成新的肝囊肿和肝血管瘤样本；构建肝脏病变分类网络；对待检测的肝脏CT图像先使用肝脏器官分割网络进行器官分割，再使用肝脏病变检测网络对分割结果进行病变检测，最后使用肝脏病变分类网络对检测到的病变进行分类。本发明缓解了不同类别样本量的不平衡，提高了病变分类性能，可用于对肝脏CT影像中存在的肝癌、肝囊肿、肝血管瘤多种病变的定位和定性。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
