-
公开(公告)号：CN112614108A
公开(公告)日：2021-04-06
申请号：CN202011548496.8
申请日：2020-12-24
Applicant: 中国人民解放军总医院第一医学中心 , 北京邮电大学 , 北京红云智胜科技有限公司
IPC: G06T7/00
Abstract: 本公开提供了基于深度学习检测甲状腺超声图像中结节的方法，对甲状腺超声图像预处理操作；将预处理后的甲状腺超声图像特征提取，获取特征图像；将获取的特征图像分别输入至对应的分类与回归结构，获取针对每张特征图像中甲状腺结节区域的具体位置信息；对输入至对应的分类与回归结构中的特征图像计算所产生的分类损失、中心点距离回归损失以及偏移量损失，通过加权求和计算获取待训练模型的总体损失；对待训练模型进行训练以及测试操作。该方法提供了一种无需设置anchor box、高效的对甲状腺超声图像中结节区域进行检测的方法，避免与anchor box相关的计算与资源浪费、加快训练速度，增强实验结果泛化性能。本公开还提出基于深度学习检测甲状腺超声图像中结节的装置。
-
公开(公告)号：CN109146872A
公开(公告)日：2019-01-04
申请号：CN201811016723.5
申请日：2018-09-03
Applicant: 北京邮电大学
CPC classification number: G06T7/0012 , G06N3/0454 , G06T7/10 , G06T2207/20016 , G06T2207/20081 , G06T2207/20084 , G06T2207/30048
Abstract: 本发明提供了一种基于深度学习和光流法的心脏冠状动脉影像分割识别方法，通过选取分段心脏造影Dicom视频中任意连续两帧图片作为训练样本，将训练样本输入神经网络中；神经网络基于所述训练样本，计算连续两帧图片之间的光流信息作为两帧之间的映射，同时将光流信息输入神经网络中；神经网络通过深度学习的方法对前一帧图片及光流信息得到的第三特征图及当前帧图片得到的第四特征图组合得到的第五特征图输入金字塔模块中，金字塔模块基于第五特征图应用金字塔融合的方法得到不同尺度的心脏血管特征图；反卷积层通过双线性插值的方法将不同尺度的心脏血管特征图沿着一个维度合并到一起，得到心脏冠状动脉影像分割识别血管图，提高了分割精确度。
-
公开(公告)号：CN109146872B
公开(公告)日：2021-12-17
申请号：CN201811016723.5
申请日：2018-09-03
Applicant: 北京邮电大学
Abstract: 本发明提供了一种基于深度学习和光流法的心脏冠状动脉影像分割识别方法，通过选取分段心脏造影Dicom视频中任意连续两帧图片作为训练样本，将训练样本输入神经网络中；神经网络基于所述训练样本，计算连续两帧图片之间的光流信息作为两帧之间的映射，同时将光流信息输入神经网络中；神经网络通过深度学习的方法对前一帧图片及光流信息得到的第三特征图及当前帧图片得到的第四特征图组合得到的第五特征图输入金字塔模块中，金字塔模块基于第五特征图应用金字塔融合的方法得到不同尺度的心脏血管特征图；反卷积层通过双线性插值的方法将不同尺度的心脏血管特征图沿着一个维度合并到一起，得到心脏冠状动脉影像分割识别血管图，提高了分割精确度。
-
公开(公告)号：CN112614108B
公开(公告)日：2024-04-19
申请号：CN202011548496.8
申请日：2020-12-24
Applicant: 中国人民解放军总医院第一医学中心 , 北京邮电大学 , 北京红云智胜科技有限公司
IPC: G06T7/00
Abstract: 本公开提供了基于深度学习检测甲状腺超声图像中结节的方法，对甲状腺超声图像预处理操作；将预处理后的甲状腺超声图像特征提取，获取特征图像；将获取的特征图像分别输入至对应的分类与回归结构，获取针对每张特征图像中甲状腺结节区域的具体位置信息；对输入至对应的分类与回归结构中的特征图像计算所产生的分类损失、中心点距离回归损失以及偏移量损失，通过加权求和计算获取待训练模型的总体损失；对待训练模型进行训练以及测试操作。该方法提供了一种无需设置anchor box、高效的对甲状腺超声图像中结节区域进行检测的方法，避免与anchor box相关的计算与资源浪费、加快训练速度，增强实验结果泛化性能。本公开还提出基于深度学习检测甲状腺超声图像中结节的装置。
-
-
-
Search Results
4
records
(took 0.019 seconds)
