-
公开(公告)号：CN119274008B
公开(公告)日：2025-04-11
申请号：CN202411825689.1
申请日：2024-12-12
Applicant: 四川大学
IPC: G06V10/764 , G06T5/70 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/084 , G06V10/80 , G06V10/766 , G16H30/40
Abstract: 本发明公开了一种基于动态权重学习网络的医学图像噪声标签鲁棒处理方法，本发明通过先获取若干待标注的医学图像，并采集其对应的标签，得到含有噪声标签的医学图像数据集；然后，对数据集中的医学图像进行预处理，并获取其深度特征和分类置信度；再根据深度特征和标签信息计算当前第t次训练的动态损失权重；最后，构建基于动态损失权重的自适应鲁棒损失函数，在含噪声标签的医学图像数据集上训练模型，得到噪声标签鲁棒的医学图像分类模型。本发明通过动态权重学习网络融合深度特征和标签信息，自适应学习不同样本上的损失函数权重，动态平衡传统主动损失函数的训练优势和对称被动损失函数的鲁棒性，以减少噪声标签带来的性能下降。
-
公开(公告)号：CN115239688B
公开(公告)日：2024-03-12
申请号：CN202210950084.X
申请日：2022-08-09
Applicant: 四川大学华西医院
IPC: G06T7/00 , G16H30/40 , G16H30/20 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本申请提供了一种基于磁共振对比增强3D‑T1WI图像的脑转移瘤识别方法与系统，识别系统包括数据收集模块、数据预处理模块、深度神经网络模块和数据压缩模块；数据收集模块用于收集符合纳入标准的脑转移瘤患者的颅脑磁共振对比增强3D‑T1WI数据；数据预处理模块将所有DICOM存储格式的原始图像数据转换为NIFTI格式；将所有图像重采样至相同的宽度、相同的高度及相同的体素大小；通过保持高分辨率的特征以保证信息的完整性，从而提高病灶的预测准确度；通过一个基于门控机制的注意力模块融合网络结构中不同层次的信息，使网络在具备分辨背景信息能力的同时对脑转移瘤保持高度的敏感性。
-
公开(公告)号：CN119274008A
公开(公告)日：2025-01-07
申请号：CN202411825689.1
申请日：2024-12-12
Applicant: 四川大学
IPC: G06V10/764 , G06T5/70 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/084 , G06V10/80 , G06V10/766 , G16H30/40
Abstract: 本发明公开了一种基于动态权重学习网络的医学图像噪声标签鲁棒处理方法，本发明通过先获取若干待标注的医学图像，并采集其对应的标签，得到含有噪声标签的医学图像数据集；然后，对数据集中的医学图像进行预处理，并获取其深度特征和分类置信度；再根据深度特征和标签信息计算当前第t次训练的动态损失权重；最后，构建基于动态损失权重的自适应鲁棒损失函数，在含噪声标签的医学图像数据集上训练模型，得到噪声标签鲁棒的医学图像分类模型。本发明通过动态权重学习网络融合深度特征和标签信息，自适应学习不同样本上的损失函数权重，动态平衡传统主动损失函数的训练优势和对称被动损失函数的鲁棒性，以减少噪声标签带来的性能下降。
-
公开(公告)号：CN117333464A
公开(公告)日：2024-01-02
申请号：CN202311332309.6
申请日：2023-10-16
Applicant: 四川大学
IPC: G06T7/00 , G06N3/0455 , G06N3/084 , G06T7/11
Abstract: 本发明公开了一种基于差异性双多边形标注驱动的医学图像分割方法，首先使用腐蚀和膨胀操作对图像真实标签进行处理，对腐蚀和膨胀后的标签进行边缘点稀疏处理得到多边形的扩大和缩小标签，再使用编码器对输入图像进行特征提取获得特征图，使用解码器对获得的特征图进行前向计算获得预测的扩大和缩小标签，再分别用扩大和缩小标签与预测的扩大和缩小标签计算损失，并通过损失的反向传播优化编码器与解码器，再重复此过程得到训练好的神经网络模型，最后输入测试图像到已训练好的模型中，获得预测的扩大标签和缩小标签，并通过平均融合得到模型的最终输出。本发明的方法能够有效的降低临床上标注困难的问题，同时也能够推进大规模数据集的收集。
-
公开(公告)号：CN117830332B
公开(公告)日：2024-07-12
申请号：CN202410032345.9
申请日：2024-01-09
Applicant: 四川大学
IPC: G06T7/11 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0895
Abstract: 本发明提供了一种基于弱监督的医学图像分割方法，属于图像技术领域，该方法包括获取若干待分割的医学图像，并对医学图像中感兴趣区域ROI的不同类别进行涂鸦级别的稀疏标注；对待分割的医学图像和对应的标注图像进行预处理；利用划分后的训练集与验证集对弱监督医学图像分割模型进行训练，并利用划分后的测试集进行测试，其中，通过使用动态混合增广机制、不确定性引导的像素级对比学习以及基于双重一致性约束的正则化策略对弱监督医学图像分割模型进行训练；利用已测试的弱监督医学图像分割模型，对医学图像进行分割。本发明旨在缩小甚至消除基于稀疏标注的方法与基于密集标注的方法之间的差距，有效弥补现有方法的不足。
-
Patent Agency Ranking
公开(公告)号：CN117830332A
公开(公告)日：2024-04-05
申请号：CN202410032345.9
申请日：2024-01-09
Applicant: 四川大学
IPC: G06T7/11 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0895
Abstract: 本发明提供了一种基于弱监督的医学图像分割方法，属于图像技术领域，该方法包括获取若干待分割的医学图像，并对医学图像中感兴趣区域ROI的不同类别进行涂鸦级别的稀疏标注；对待分割的医学图像和对应的标注图像进行预处理；利用划分后的训练集与验证集对弱监督医学图像分割模型进行训练，并利用划分后的测试集进行测试，其中，通过使用动态混合增广机制、不确定性引导的像素级对比学习以及基于双重一致性约束的正则化策略对弱监督医学图像分割模型进行训练；利用已测试的弱监督医学图像分割模型，对医学图像进行分割。本发明旨在缩小甚至消除基于稀疏标注的方法与基于密集标注的方法之间的差距，有效弥补现有方法的不足。
-
公开(公告)号：CN113744271B
公开(公告)日：2022-02-11
申请号：CN202111310100.0
申请日：2021-11-08
Applicant: 四川大学
Abstract: 本发明公开了基于神经网络的视神经自动分割和受压迫程度测算方法，涉及图像数据处理技术领域，解决现有蝶鞍区的核磁断层扫描的分析费时且效率低下的技术问题，包括如下步骤：获取蝶鞍区肿瘤患者的MRI图像文件；建立视交叉分割模型，选择U‑Net分割网络，并加入空间和通道注意力机制，对每例裁切后MRI图像进行视交叉区域的分割；视交叉受压迫程度测算；模型的训练与测试；本发明能在极短时间内快速分析该蝶鞍区肿瘤患者的多张脑部MRI图像，减少了医生大量的重复性工作，达到在临床上，辅助医生进行压迫程度判断，预后预测，为手术提供参考的实际应用目的。
-
公开(公告)号：CN113744271A
公开(公告)日：2021-12-03
申请号：CN202111310100.0
申请日：2021-11-08
Applicant: 四川大学
Abstract: 本发明公开了基于神经网络的视神经自动分割和受压迫程度测算方法，涉及图像数据处理技术领域，解决现有蝶鞍区的核磁断层扫描的分析费时且效率低下的技术问题，包括如下步骤：获取蝶鞍区肿瘤患者的MRI图像文件；建立视交叉分割模型，选择U‑Net分割网络，并加入空间和通道注意力机制，对每例裁切后MRI图像进行视交叉区域的分割；视交叉受压迫程度测算；模型的训练与测试；本发明能在极短时间内快速分析该蝶鞍区肿瘤患者的多张脑部MRI图像，减少了医生大量的重复性工作，达到在临床上，辅助医生进行压迫程度判断，预后预测，为手术提供参考的实际应用目的。
-
公开(公告)号：CN112508953A
公开(公告)日：2021-03-16
申请号：CN202110161083.2
申请日：2021-02-05
Applicant: 四川大学
Abstract: 本发明涉及手术前的脑膜瘤级别判断领域，公开了一种基于深度神经网络的脑膜瘤快速分割定性方法，包括如下步骤：准备磁共振脑部图像；建立脑膜瘤分割模型，并通过脑膜瘤分割模型从磁共振脑部图像中筛选出包含脑膜瘤区域的有效图像；建立脑膜瘤分级模型，并通过脑膜瘤分级模型对有效图像进行分级检测，并输出脑膜瘤分级检测结果。通过本发明提出的上述方法，只需要将某患者扫描后生成的一系列磁共振脑部图像输入进网络，经过对所有磁共振脑部图像的综合分析计算后，迅速地给出该患者脑膜瘤的分级结果，达到辅助医师进行诊断的目的，并且，整个过程自动进行，减少了医师大量的重复性工作，节约了时间，使患者能够更快地接受治疗。
-
公开(公告)号：CN115239688A
公开(公告)日：2022-10-25
申请号：CN202210950084.X
申请日：2022-08-09
Applicant: 四川大学华西医院
Abstract: 本申请提供了一种基于磁共振对比增强3D‑T1WI图像的脑转移瘤识别方法与系统，识别系统包括数据收集模块、数据预处理模块、深度神经网络模块和数据压缩模块；数据收集模块用于收集符合纳入标准的脑转移瘤患者的颅脑磁共振对比增强3D‑T1WI数据；数据预处理模块将所有DICOM存储格式的原始图像数据转换为NIFTI格式；将所有图像重采样至相同的宽度、相同的高度及相同的体素大小；通过保持高分辨率的特征以保证信息的完整性，从而提高病灶的预测准确度；通过一个基于门控机制的注意力模块融合网络结构中不同层次的信息，使网络在具备分辨背景信息能力的同时对脑转移瘤保持高度的敏感性。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.017 seconds)
