-
公开(公告)号：CN112102276A
公开(公告)日：2020-12-18
申请号：CN202010947917.8
申请日：2020-09-10
Abstract: 本发明公开了一种基于迁移学习图像增强的低场强MR胃部影像分割方法，主要解决低场强3DMR影像噪声大、伪影多、影像数据较少的问题。其方案包括：获取高、低场强3DMR胃部影像数据集以及相应的标签数据集，并对影像数据进行预处理；将预处理后的数据输入循环生成式对抗网络中，获得增强后的伪低场强3DMR胃部影像集；构建并训练3D Res3‑U‑net分割网络；再将伪低场强3DMR胃部影像集输入分割网络，完成分割网络参数的微调，形成迁移学习后的3D Res3‑U‑net分割网络，将测试数据输入该网络得到分割结果。本发明实现了低场强3DMR胃部影像的分割，有效提高了图像分割精度。
-
公开(公告)号：CN110363802A
公开(公告)日：2019-10-22
申请号：CN201910631224.5
申请日：2019-07-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于自动分割和骨盆对齐的前列腺图像配准系统及方法，主要解决现有技术实现前列腺多模态医学图像配准时模态差异大，配准精度低的问题。其实现方案是：将前列腺CT图像序列与前列腺MRI图像序列分别利用训练好的前列腺多模态图像分割网络U-net进行联合分割，得到前列腺CT图像分割结果图像集C和前列腺MRI图像分割结果图像集M，再对这两个图像集C和M进行两阶段配准，得到最终配准图像集L；最后将最终配准图像集L和前列腺CT图像分割结果图像集C融合并显示。本发明缩小了前列腺多模态图像差异，解决了小形变图像配准问题，提高多模态图像配准效率和配准精度，可用于观察前列腺肿瘤解剖部位的形状和位置变化。
-
公开(公告)号：CN110751651B
公开(公告)日：2022-03-04
申请号：CN201910923449.8
申请日：2019-09-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多尺度迁移学习的MRI胰腺图像分割方法，主要解决现有技术对MRI胰腺图像分割精确低的问题。其方案：从人体胰腺部位获取PET和MRI图像，并对其进行标记，得到对应的胰腺标签图像；对PET和MRI图像扩充并归一化，对胰腺标签图像扩充并转换为浮点型；建立的PET网络并对其训练，得到训练好的PET网络；建立一个包括两条支路的MRI网络，将训练好的PET网络中对应的结构和权重迁移到该网络的第二支路，并训练其第一支路，得到训练好的MRI网络；输入MRI图像到训练好的MRI网络，输出胰腺分割结果。本发明提升了工作效率，提高了MRI图像的胰腺分割准确度，可用于对MRI图像的处理。
-
公开(公告)号：CN112785605A
公开(公告)日：2021-05-11
申请号：CN202110102974.0
申请日：2021-01-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于语义迁移的多时相CT图像肝肿瘤分割方法，主要解决现有技术中肝肿漏检及肝肿瘤分割性能差的问题。其方案是：从所有病例中取按8：2比例分为训练集和测试集；构建多时相肝肿瘤语义分割网络M，使用训练集中门静脉期数据对其进行训练，得到训练好的门静脉期肝肿瘤分割网络V；对训练好的网络进行语义迁移，取训练集中病例的动脉期和延迟期数据分别对语义迁移后的网络进行微调，分别得到动脉期肝肿瘤分割网络A和延迟期肝肿瘤分割网络D的参数；利用各期肝肿瘤分割网络参数，对测试集中各期图像进行肝肿瘤分割。本发明能有效将增强CT多期图像的肝肿瘤分割出来，提高了肿瘤分割性能，可用于增强CT医学图像的肝脏肿瘤分割。
-
公开(公告)号：CN112102276B
公开(公告)日：2023-03-28
申请号：CN202010947917.8
申请日：2020-09-10
Abstract: 本发明公开了基于迁移学习图像增强的低场强MR胃部分割方法，主要解决低场强3DMR影像噪声大、伪影多、影像数据较少的问题。其方案包括：获取高、低场强3DMR胃部影像数据集以及相应的标签数据集，并对影像数据进行预处理；将预处理后的数据输入循环生成式对抗网络中，获得增强后的伪低场强3DMR胃部影像集；构建并训练3D Res3‑U‑net分割网络；再将伪低场强3DMR胃部影像集输入分割网络，完成分割网络参数的微调，形成迁移学习后的3D Res3‑U‑net分割网络，将测试数据输入该网络得到分割结果。本发明实现了低场强3DMR胃部影像的分割，有效提高了图像分割精度。
-
Patent Agency Ranking
公开(公告)号：CN110363802B
公开(公告)日：2022-12-06
申请号：CN201910631224.5
申请日：2019-07-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于自动分割和骨盆对齐的前列腺图像配准系统及方法，主要解决现有技术实现前列腺多模态医学图像配准时模态差异大，配准精度低的问题。其实现方案是：将前列腺CT图像序列与前列腺MRI图像序列分别利用训练好的前列腺多模态图像分割网络U‑net进行联合分割，得到前列腺CT图像分割结果图像集C和前列腺MRI图像分割结果图像集M，再对这两个图像集C和M进行两阶段配准，得到最终配准图像集L；最后将最终配准图像集L和前列腺CT图像分割结果图像集C融合并显示。本发明缩小了前列腺多模态图像差异，解决了小形变图像配准问题，提高多模态图像配准效率和配准精度，可用于观察前列腺肿瘤解剖部位的形状和位置变化。
-
公开(公告)号：CN112241766A
公开(公告)日：2021-01-19
申请号：CN202011159865.4
申请日：2020-10-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于样本生成和迁移学习的肝脏CT图像多病变分类方法，主要解决现有方法对肝脏多种病变检测性能不高的问题。其实现方案为：划分数据集；分别构建肝脏器官分割网络和肝脏病变检测网络；基于深度卷积生成式对抗网络，构建肝囊肿样本生成网络和肝血管瘤样本生成网络，分别生成新的肝囊肿和肝血管瘤样本；构建肝脏病变分类网络；对待检测的肝脏CT图像先使用肝脏器官分割网络进行器官分割，再使用肝脏病变检测网络对分割结果进行病变检测，最后使用肝脏病变分类网络对检测到的病变进行分类。本发明缓解了不同类别样本量的不平衡，提高了病变分类性能，可用于对肝脏CT影像中存在的肝癌、肝囊肿、肝血管瘤多种病变的定位和定性。
-
公开(公告)号：CN110751651A
公开(公告)日：2020-02-04
申请号：CN201910923449.8
申请日：2019-09-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多尺度迁移学习的MRI胰腺图像分割方法，主要解决现有技术对MRI胰腺图像分割精确低的问题。其方案：从人体胰腺部位获取PET和MRI图像，并对其进行标记，得到对应的胰腺标签图像；对PET和MRI图像扩充并归一化，对胰腺标签图像扩充并转换为浮点型；建立的PET网络并对其训练，得到训练好的PET网络；建立一个包括两条支路的MRI网络，将训练好的PET网络中对应的结构和权重迁移到该网络的第二支路，并训练其第一支路，得到训练好的MRI网络；输入MRI图像到训练好的MRI网络，输出胰腺分割结果。本发明提升了工作效率，提高了MRI图像的胰腺分割准确度，可用于对MRI图像的处理。
-
公开(公告)号：CN110599530A
公开(公告)日：2019-12-20
申请号：CN201910826749.4
申请日：2019-09-03
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于双正则约束的MVCT图像纹理增强方法，主要解决现有技术不能进行MVCT图像增强的问题。其方案是：1)从人体同一部位获取多张KVCT和MVCT图像；2)对获得的CT图像数据集进行归一化，再在每对CT图像上进行取块，得到CT图像块数据集；3)建立一个13层的MVCT图像纹理增强网络，使用CT图像块数据集作为训练数据，使用梯度下降算法优化该网络，得到训练好的网络；4)输入一张完整的MVCT图像到该训练好的网络中，即可输出增强后的MVCT图像。本发明能在图像纹理增强的同时，较好地保持图像的边缘和细节，提高图像质量，便于医生对MVCT图像阅片诊断，修正病灶位置误差，保证放疗的准确性。
-
公开(公告)号：CN112785605B
公开(公告)日：2023-07-28
申请号：CN202110102974.0
申请日：2021-01-26
Applicant: 西安电子科技大学
IPC: G06T7/11 , G06T7/00 , G06N3/0464 , G06N3/048 , G06N3/08 , G06N3/0455
Abstract: 本发明公开了一种基于语义迁移的多时相CT图像肝肿瘤分割方法，主要解决现有技术中肝肿漏检及肝肿瘤分割性能差的问题。其方案是：从所有病例中取按8：2比例分为训练集和测试集；构建多时相肝肿瘤语义分割网络M，使用训练集中门静脉期数据对其进行训练，得到训练好的门静脉期肝肿瘤分割网络V；对训练好的网络进行语义迁移，取训练集中病例的动脉期和延迟期数据分别对语义迁移后的网络进行微调，分别得到动脉期肝肿瘤分割网络A和延迟期肝肿瘤分割网络D的参数；利用各期肝肿瘤分割网络参数，对测试集中各期图像进行肝肿瘤分割。本发明能有效将增强CT多期图像的肝肿瘤分割出来，提高了肿瘤分割性能，可用于增强CT医学图像的肝脏肿瘤分割。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.025 seconds)
