-
公开(公告)号：CN112465813A
公开(公告)日：2021-03-09
申请号：CN202011491465.3
申请日：2020-12-17
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于应力应变的血管内超声弹性分析方法，属于计算机医学图像分析领域，特别涉及一种基于血管内超声图像弹性分析方法。首先在一个深度编解码配准网络模型中，令改进的代价函数最小化来估计血管壁位移，针对位移不平滑问题，引入两个不同权重的正则项来平滑位移，将迭代计算放在模型训练中，提高实际位移估计速度，然后在极坐标下基于应力应变计算位移的径向应变，最后使用彩色编码为径向应变生成应变弹性图，进而直观分析血管壁弹性。
-
公开(公告)号：CN112465813B
公开(公告)日：2024-05-28
申请号：CN202011491465.3
申请日：2020-12-17
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于应力应变的血管内超声弹性分析方法，属于计算机医学图像分析领域，特别涉及一种基于血管内超声图像弹性分析方法。首先在一个深度编解码配准网络模型中，令改进的代价函数最小化来估计血管壁位移，针对位移不平滑问题，引入两个不同权重的正则项来平滑位移，将迭代计算放在模型训练中，提高实际位移估计速度，然后在极坐标下基于应力应变计算位移的径向应变，最后使用彩色编码为径向应变生成应变弹性图，进而直观分析血管壁弹性。
-
公开(公告)号：CN112150425B
公开(公告)日：2024-05-24
申请号：CN202010975102.0
申请日：2020-09-16
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于神经网络的无监督血管内超声图像配准方法，属于医学图像处理技术领域。针对传统配准方法迭代优化配准时间长的缺点，引入深度学习把迭代时间转移到网络模型训练时间中去，本发明使用类U‑net网络结构，用步长卷积代替池化层进行下采样，保留更多配准需要的空间位置特征。针对常见深度学习方法对于IVUS图像配准精度较低问题，本发明继续在网络结构引入注意力机制，这一改进使得配准网络模型在训练过程中能更好聚焦于待配准图像之间形态差异较大的地方，有效提高血管内超声图像配准精度。最终本发明配准精度和最先进传统配准方法不相上下，而配准用时大大减少。
-
公开(公告)号：CN112150425A
公开(公告)日：2020-12-29
申请号：CN202010975102.0
申请日：2020-09-16
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于神经网络的无监督血管内超声图像配准方法，属于医学图像处理技术领域。针对传统配准方法迭代优化配准时间长的缺点，引入深度学习把迭代时间转移到网络模型训练时间中去，本发明使用类U‑net网络结构，用步长卷积代替池化层进行下采样，保留更多配准需要的空间位置特征。针对常见深度学习方法对于IVUS图像配准精度较低问题，本发明继续在网络结构引入注意力机制，这一改进使得配准网络模型在训练过程中能更好聚焦于待配准图像之间形态差异较大的地方，有效提高血管内超声图像配准精度。最终本发明配准精度和最先进传统配准方法不相上下，而配准用时大大减少。
-
-
-
Search Results
4
records
(took 0.012 seconds)
