-
公开(公告)号:CN116612131B
公开(公告)日:2024-02-13
申请号:CN202310577145.7
申请日:2023-05-22
Applicant: 山东省人工智能研究院 , 齐鲁工业大学(山东省科学院) , 青岛海信医疗设备股份有限公司
IPC: G06T7/11 , G06T7/00 , G06N3/0464 , G06N3/048
Abstract: 一种基于ADC‑UNet模型的心脏MRI结构分割方法,通过将注意力模块和跳跃连接相结合,在处理输入特征时抑制不相关的区域,同时突出显著特征。可变形卷积融合模块添加到解码器部分,充分利用目标切片融合特征中的有用信息,确保每个分割图的精确连续边界,可以更好地处理图像中不同尺度的特征,从而获得更精确的分割结果。
-
公开(公告)号:CN117409014A
公开(公告)日:2024-01-16
申请号:CN202311298305.0
申请日:2023-10-09
Applicant: 齐鲁工业大学(山东省科学院) , 山东省人工智能研究院
IPC: G06T7/10 , G06T7/00 , G06V10/40 , G06V10/771 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 一种基于特征选择的轻量级心脏MRI分割方法,涉及图像分割技术领域,设计了轻量级模块注意力残差块和非对称卷积块,并构建轻量级心脏MRI分割网络模型,注意力残差块中的Ghost注意力块以GhostNet中的Ghost模块作为基础块,多尺度注意力块以深度可分离卷积作为基础块,并添加注意力机制,不仅可以减少特征的冗余,还能实现对目标区域的精确定位。特征选择模块可以从编码器和解码器自适应选择有效特征,增加边缘的权重,获得心脏结构的更多细节,加强浅层特征和深层特征之间的交互和融合,提高心脏MRI分割的精度。
-
公开(公告)号:CN117338310A
公开(公告)日:2024-01-05
申请号:CN202311523667.5
申请日:2023-11-16
Applicant: 齐鲁工业大学(山东省科学院) , 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心)
IPC: A61B5/346
Abstract: 一种基于对比学习和多尺度特征提取的心电信号分类方法,涉及心电信号分类技术领域,SE‑ResNeXt‑CAN网络模型由浅层特征提取模块、第一SERM模块、第二SERM模块、第一CARM模块、第二CARM模块构成,SE‑ResNeXt‑CAN网络模型通过多个模块的组合和优化,自适应地学习各个通道之间的关联性,扩大感受野,充分捕捉关键特征,提升了心电信号分类任务的性能和泛化能力。
-
公开(公告)号:CN117315798A
公开(公告)日:2023-12-29
申请号:CN202311546911.X
申请日:2023-11-20
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院
IPC: G06V40/40 , G06V40/16 , G06V20/40 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 一种基于身份脸型特征的深度伪造检测方法,涉及深度伪造检测技术领域,引入身份特征与3D人脸形状特征相结合,设计了脸型一致性自注意力模块、身份引导脸型一致性注意力模块,挖掘其中的身份脸型不一致特征,根据不同检测人脸的参考人脸信息,具有更强的针对性。额外利用了待检测人脸的参考人脸辅助检测,具有更强的针对性。利用身份特征和形状特征实现更好的泛化检测性能,提高深度伪造检测性能和精准度。
-
公开(公告)号:CN116919414A
公开(公告)日:2023-10-24
申请号:CN202310822941.2
申请日:2023-07-06
Applicant: 齐鲁工业大学(山东省科学院) , 山东省人工智能研究院
IPC: A61B5/318 , A61B5/346 , A61B5/00 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 一种基于多尺度卷积和密集连接网络的心电信号质量评估方法,涉及心电信号处理技术领域,首先对原始心电信号进行去除基线漂移和电力线干扰预处理;然后根据标签判断结果一致性原则和设置置信度原则,通过训练AlexNet模型对数据集中的错误标签进行相互标签修正,获得最终用于质量分类的心电信号片段。最后将信号片段送入改进的轻量化密集连接质量分类模型,实现心电信号片段的质量分类。满足了便携式或者可穿戴式信号进行实时质量评估的需求。
-
公开(公告)号:CN116612087A
公开(公告)日:2023-08-18
申请号:CN202310577137.2
申请日:2023-05-22
Applicant: 山东省人工智能研究院 , 齐鲁工业大学(山东省科学院) , 青岛海信医疗设备股份有限公司
IPC: G06T7/00 , G06V10/25 , G06V10/44 , G06V10/82 , G06N3/0464
Abstract: 一种基于YOLOv5‑LA的冠脉CTA狭窄检测方法,通过设计更轻量的LA网络来替代YOLOv5的主干特征提取网络。该方法分为两个阶段。第一阶段,通过分离可卷积和残差连接以降低计算复杂度,同时增强模型的感受野。第二阶段,引入轻量级注意力机制ECA,以建模通道之间的关系。然后,通过1×1的卷积进行通道重排,以增加特征之间的交互性,提高网络的表达能力,并减少模型对某些特定通道的依赖,从而防止过拟合。该改进方法可避免由于冠脉CTA图像分辨率较高和YOLOv5参数量较大而导致的低效率问题,在检测医学图像病变部位时更为准确和高效。
-
公开(公告)号:CN119131056A
公开(公告)日:2024-12-13
申请号:CN202411134804.0
申请日:2024-08-19
Applicant: 齐鲁工业大学(山东省科学院) , 山东省人工智能研究院 , 青岛海信医疗设备股份有限公司
IPC: G06T7/11 , G06V10/774 , G06V10/82 , G06V10/80 , G06V10/764 , G06N3/0464 , G06N3/084 , G06N3/0895 , G06N3/094
Abstract: 一种基于全局‑局部信息融合LPV‑Net和3D‑EDA的心脏图像半监督分割方法,涉及医学图像分割技术领域,结合了全局‑局部信息融合LPV‑Net分支和3D‑EDA分支。该框架利用了两种不同的注意力机制来捕获医学图像中的不同依赖关系,以提高模型性能。采用了3D‑EDA的判别器模型,利用对抗学习的思想来增强模型的性能,特别是对无标签数据的处理。整体损失函数由监督损失和无监督损失组成,通过反向传播和优化器进行训练,以逐步调整模型参数以最小化总损失,具有良好的性能,能够实现对左心房的精准分割。提高了心脏图像分割的精准性以及高效性。
-
公开(公告)号:CN119067994A
公开(公告)日:2024-12-03
申请号:CN202411282433.0
申请日:2024-09-13
Applicant: 齐鲁工业大学(山东省科学院) , 山东省人工智能研究院 , 青岛海尔科技有限公司
IPC: G06T7/11 , G06T7/13 , G06T7/00 , G06V10/80 , G06V10/774 , G06V10/764 , G06V10/46 , G06V10/44 , G06N3/084
Abstract: 一种基于多尺度特征融合的细胞核实例分割方法,涉及医学图像处理领域,点特征能够精确定位细胞核的位置,线特征能够描述细胞核的形状和轮廓,而面特征则提供了对细胞核区域的整体描述,综合利用了点、线和面的特征,实现了对细胞核的全面描述,增加了网络的表征能力。首先提出一个掩码优化算法模块有效的合并点特征与边界特征。其次我们引入了一种后处理方法,结合目标信息和细胞核掩码图像生成一个实例分割图像。所提出基于多尺度特征融合的细胞核实例分割方法中每个组件的有效性。
-
公开(公告)号:CN118587754B
公开(公告)日:2024-11-19
申请号:CN202410727373.2
申请日:2024-06-06
Applicant: 齐鲁工业大学(山东省科学院) , 山东省人工智能研究院 , 山东浪潮智慧医疗科技有限公司 , 北京嘉和美康信息技术有限公司
Abstract: 一种基于感知扰动的失真图像生成方法,涉及图像级深度伪造领域,为了解决敌手通过图像重建来消除扰动,在生成扰动图像的过程中,先将原始图像转换到YCbCr颜色空间,在YCbCr颜色空间的Cb和Cr通道上添加扰动,再转换为RGB颜色空间,得到视觉上自然的扰动图像。敌手此时获取扰动图像,将其送至生成模型输出内容失真的图像,达到阻止虚假信息传播目的。
-
公开(公告)号:CN117357129B
公开(公告)日:2024-06-04
申请号:CN202311499058.0
申请日:2023-11-13
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院
Abstract: 一种针对可穿戴式设备的心电图QRS波形检测方法,涉及心电信号处理技术领域,使用了一个新的心电信号波形检测网络S2TE_Net,该网络使用了时空特征提取模块和激励挤压模块相结合,以实现对QRS波形的准确检测。在时空特征提取模块中,使用了卷积神经网络(CNN)和双向长短期记忆网络(Bi‑LSTM)的结合体。CNN可以捕捉时间序列数据中的空间特征,Bi‑LSTM可以捕获ECG信号中存在的时间特征并平滑高频噪声,从而在可穿戴式设备中获得更准确的QRS波形检测结果。
-
-
-
-
-
-
-
-
-