-
公开(公告)号：CN116898475A
公开(公告)日：2023-10-20
申请号：CN202310750251.0
申请日：2023-06-21
Applicant: 华南理工大学
IPC: A61B8/00 , G06T5/20 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的超声射频数据滤波成像方法。所述方法首先提出一种全新的面向超声仿真成像的超声射频数据滤波算法——基于散射点的回波信号选择算法，接着提出一个深度神经网络来学习面向超声射频数据的基于散射点的目标回波信号选取过程，训练完成的深度神经网络能够有效抑制射频数据中的干扰信号，从而提高超声成像质量。该数据滤波深度神经网络可融合进延时叠加波束形成成像框架中，形成一种新型的超声成像方法，即基于深度学习的超声射频数据滤波成像方法。本发明相比延时叠加成像方法能提高超声图像的对比度和对比度信噪比，在人体真实成像实例中呈现优秀的成像质量。
-
公开(公告)号：CN110689545B
公开(公告)日：2023-06-16
申请号：CN201910846367.8
申请日：2019-09-09
Applicant: 华南理工大学
Abstract: 本发明公开一种基于主动轮廓和深度学习的模糊边界图像自动分割方法。所述方法首先使用深度卷积神经网络模型分割模糊边界图像，得到初始的分割结果；然后使用深度卷积神经网络模型分割出的图像内部区域轮廓作为主动轮廓模型的初始化轮廓和轮廓约束；主动轮廓模型通过每个轮廓点周围区域的图像特性驱使轮廓向目标边缘移动，在目标区域和其他背景区域之间得出精准的分割线。本发明在深度卷积神经网络模型的基础上引入主动轮廓模型进一步精化模糊边界图像的分割结果，具备分割图像中模糊边界的能力，进一步提高模糊边界图像的分割准确度。
-
公开(公告)号：CN110554393B
公开(公告)日：2023-05-23
申请号：CN201910631984.6
申请日：2019-07-12
Applicant: 华南理工大学
IPC: G01S15/89 , G06N3/08 , G06T7/00 , G06V10/774 , G06V10/82 , G06N3/0499 , G06T5/00
Abstract: 本发明公开了基于深度学习的高对比度最小方差成像方法，该方法使用深度学习技术提高了传统最小方差成像方法的性能。针对传统最小方差成像方法在超声图像对比度上表现不足的问题，深度神经网络被应用来抑制超声换能器接收到的通道数据中的离轴散射信号，与最小方差波束形成方法结合之后能在保持最小方差成像方法的分辨率表现的同时得到具有更高对比度的超声图像。与传统最小方差成像方法相比，本方法在计算变迹权重之后，先使用深度神经网络处理通道数据，接着进行通道数据的加权叠加，从而得到目标成像点的像素值，进而构成完整的超声图像。结合深度神经网络的最小方差成像方法能提高传统最小方差成像方法的图像对比度性能。
-
公开(公告)号：CN112741620A
公开(公告)日：2021-05-04
申请号：CN202011601461.6
申请日：2020-12-30
Applicant: 华南理工大学
IPC: A61B5/11
Abstract: 本发明提供了一种基于肢体动作的颈椎病评估装置，其包括：存储模块，存储有用于评估颈椎病的严重程度的参考数据；视频采集模块，用于采集含有评估目标的肢体动作的视频；信息提取模块，用于将视频拆分为多个单帧图像；数据分析模块，用于根据单帧图像计算测试参数，数据分析模块在单帧图像上设置与评估目标的肢体对应的多个关键点，测试参数包括在预设时间段内评估目标的肢体完成预设动作的次数和/或关键点的运动参数，数据分析模块还用于计算测试参数与参考数据的差值；显示模块，用于显示评估结果，评估结果包括测试参数、差值以及与差值相关的病情程度中的任何一个或多个。用户可以利用颈椎病评估装置自行操作评估颈椎病的严重程度。
-
公开(公告)号：CN108537751A
公开(公告)日：2018-09-14
申请号：CN201810277505.0
申请日：2018-03-31
Applicant: 华南理工大学
Abstract: 本发明公开一种基于径向基神经网络的甲状腺超声图像自动分割方法。该方法包括以下步骤：（1）对原始甲状腺超声图像进行预处理；（2）特征提取；（3）利用步骤（2）中提取到的特征构建径向基神经网络，并利用构建好的神经网络进行图像分割；（4）对分割出来的甲状腺区进行区域恢复。本发明得到的分割结果精确，分割过程无需人工参与，真正实现了甲状腺超声图像自动分割。
-
Patent Agency Ranking
公开(公告)号：CN108354626A
公开(公告)日：2018-08-03
申请号：CN201810278570.5
申请日：2018-03-31
Applicant: 华南理工大学
IPC: A61B8/00
Abstract: 本发明公开基于GPU的多种MV高清算法快速医学超声影像系统。本发明的系统包括初始启动模块、模拟仿真模块、算法成像模块和结果显示模块；其中，初始启动模块完成系统初始化设置后调用算法成像模块进行成像，模拟仿真模块作为一个辅助模块产生模拟数据供其他模块使用，算法成像模块是整个系统的核心模块，接收来自初始启动模块的参数设置与模块仿真模块或数据采集设备的数据进行成像计算，而结果显示模块则对其他模块的结果进行最后的处理与显示，最终实现多种MV算法的快速成像功能。本发明可在极短的时间内完成高清医学超声图像算法的复杂计算，使用的各MV高清算法的GPU编程实现方案可方便地部署于带有GPU的计算机上，可有效满足使用需求，实用性强。
-
公开(公告)号：CN110554393A
公开(公告)日：2019-12-10
申请号：CN201910631984.6
申请日：2019-07-12
Applicant: 华南理工大学
Abstract: 本发明公开了基于深度学习的高对比度最小方差成像方法，该方法使用深度学习技术提高了传统最小方差成像方法的性能。针对传统最小方差成像方法在超声图像对比度上表现不足的问题，深度神经网络被应用来抑制超声换能器接收到的通道数据中的离轴散射信号，与最小方差波束形成方法结合之后能在保持最小方差成像方法的分辨率表现的同时得到具有更高对比度的超声图像。与传统最小方差成像方法相比，本方法在计算变迹权重之后，先使用深度神经网络处理通道数据，接着进行通道数据的加权叠加，从而得到目标成像点的像素值，进而构成完整的超声图像。结合深度神经网络的最小方差成像方法能提高传统最小方差成像方法的图像对比度性能。
-
公开(公告)号：CN108537751B
公开(公告)日：2022-05-24
申请号：CN201810277505.0
申请日：2018-03-31
Applicant: 华南理工大学
Abstract: 本发明公开一种基于径向基神经网络的甲状腺超声图像自动分割方法。该方法包括以下步骤：（1）对原始甲状腺超声图像进行预处理；（2）特征提取；（3）利用步骤（2）中提取到的特征构建径向基神经网络，并利用构建好的神经网络进行图像分割；（4）对分割出来的甲状腺区进行区域恢复。本发明得到的分割结果精确，分割过程无需人工参与，真正实现了甲状腺超声图像自动分割。
-
公开(公告)号：CN110689545A
公开(公告)日：2020-01-14
申请号：CN201910846367.8
申请日：2019-09-09
Applicant: 华南理工大学
Abstract: 本发明公开一种基于主动轮廓和深度学习的模糊边界图像自动分割方法。所述方法首先使用深度卷积神经网络模型分割模糊边界图像，得到初始的分割结果；然后使用深度卷积神经网络模型分割出的图像内部区域轮廓作为主动轮廓模型的初始化轮廓和轮廓约束；主动轮廓模型通过每个轮廓点周围区域的图像特性驱使轮廓向目标边缘移动，在目标区域和其他背景区域之间得出精准的分割线。本发明在深度卷积神经网络模型的基础上引入主动轮廓模型进一步精化模糊边界图像的分割结果，具备分割图像中模糊边界的能力，进一步提高模糊边界图像的分割准确度。
-
公开(公告)号：CN108652661A
公开(公告)日：2018-10-16
申请号：CN201810314063.2
申请日：2018-04-10
Applicant: 华南理工大学
IPC: A61B8/00
Abstract: 本发明提供了使用CAPI加速的FPGA医学超声成像系统。本发明的系统采用使用CAPI加速的FPGA来实现医学超声成像，并且成像算法本身针对FPGA的结构做出了相应的适配和改进，使其计算流程适用于逻辑门电路的执行，从而提高医学超声成像的成像帧率。与传统的基于计算机执行的医学超声成像系统相比，本发明使用CAPI加速的FPGA医学超声成像系统具有极高的并行计算能力，可在极短的时间内完成高清医学超声图像算法的复杂计算，可以实时且高清地呈现医学超声影像。本发明使用的基于CAPI加速的FPGA计算核心可直接在SuperVessel平台免费使用，成本低、实用性强。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.025 seconds)
