-
公开(公告)号：CN111784652A
公开(公告)日：2020-10-16
申请号：CN202010591088.4
申请日：2020-06-24
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于强化学习多尺度神经网络的MRI分割方法，解决了现有方法对多尺度、模糊和弥散MRI炎症区域易错分割和漏分割的问题。本发明采用根据体素值修改炎症区域标签值的体素约束策略，提升分割模型对体素值差异大炎症区域的分割效果；本发明针对形状尺寸差异大的炎症区域设计多尺度卷积模块GMS，提升分割模型对多尺度炎症区域的分割效果；针对分割模型对弥散模糊炎症区域难以识别的问题，本发明利用强化学习网络进行数据增强，提升分割模型对弥散模糊炎症区域的判别性能。本发明减小对多尺度、模糊弥散的炎症区域的错分割和漏分割，提升对MRI炎症区域的分割效果。可用于MRI炎症区域分割和定量分析自动化处理。
-
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：CN111784652B
公开(公告)日：2024-02-06
申请号：CN202010591088.4
申请日：2020-06-24
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于强化学习多尺度神经网络的MRI分割方法，解决了现有方法对多尺度、模糊和弥散MRI炎症区域易错分割和漏分割的问题。本发明采用根据体素值修改炎症区域标签值的体素约束策略，提升分割模型对体素值差异大炎症区域的分割效果；本发明针对形状尺寸差异大的炎症区域设计多尺度卷积模块GMS，提升分割模型对多尺度炎症区域的分割效果；针对分割模型对弥散模糊炎症区域难以识别的问题，本发明利用强化学习网络进行数据增强，提升分割模型对弥散模糊炎症区域的判别性能。本发明减小对多尺度、模糊弥散的炎症区域的错分割和漏分割，提升对MRI炎症区域的分割效果。可用于MRI炎症区域分割和定量分析自动化处理。
-
公开(公告)号：CN110688968A
公开(公告)日：2020-01-14
申请号：CN201910943765.1
申请日：2019-09-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多示例深度卷积记忆网络的高光谱目标检测方法，主要解决现有技术对复杂场景下不精确标记的高光谱目标检测效果差的问题。其实现步骤为：1.对输入图像进行划分，得到训练集和测试集；2.搭建依次包括一个输入层，中间三个重复的结构单元和一个输出层共11层结构的多示例深度卷积记忆网络N；3.设置训练参数，用训练集对多示例深度卷积记忆网络N进行迭代训练，当网络性能不再提升或达到最大训练次数时，停止训练，得到最终训练好的网络N′；4.将测试样本集输入到最终训练好的网络N′进行检测，得到检测结果。本发明提高了不精确标记的高光谱目标的检测结果，减小了过拟合现象，可用于爆炸物检测、农作物精细分类。
-
公开(公告)号：CN113706487B
公开(公告)日：2024-09-06
申请号：CN202110944404.6
申请日：2021-08-17
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06T7/11 , G06V10/28 , G06V10/44 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于自监督特征小样本学习的多器官分割方法，主要解决现有技术使用小样本学习分割法进行多器官分割效果差的问题。其方案是：使用超像素分割法从初始数据集中生成大量包含伪标签的数据，并从中选择图像和伪标签作为支持集；采用数据增强法生成查询集；使用自监督特征学习通过预训练的编码器提取支持集和查询集的图像特征，再计算两者的相似度获得前景信息和先验概率辅助信息特征图；构建分割网络对前景信息进行特征精炼得到支持集原型；根据支持集原型与先验概率辅助信息特征图计算分类概率，获得分割结果。本发明减少了大目标器官的过分割和欠分割现象，提升了小目标器官的识别，可用于医学图像的多器官分割，协助医生诊断疾病。
-
Patent Agency Ranking
公开(公告)号：CN112950631B
公开(公告)日：2023-06-30
申请号：CN202110410483.2
申请日：2021-04-13
Applicant: 西安交通大学口腔医院 , 西安电子科技大学
IPC: G06T7/00 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于显著图约束的头颅定位侧位片年龄估计方法，首次将显著图约束技术和X光头颅定位侧位片应用于年龄估计，解决了现有方法进行年龄估计准确性低并且不稳定的问题。其实现方案为：获取训练样本集、验证样本集和测试样本集；对图像进行填充、缩放和归一化处理；对自适应缩放卷积神经网络进行迭代训练；构建显著图约束训练样本集、显著图约束验证样本集和显著图约束测试样本集；获取自复制样本集和混合训练样本集；构建基于显著图约束的自适应缩放卷积神经网络；对基于显著图约束的自适应缩放卷积神经网络进行迭代训练；获取年龄估计结果；本发明提升了使用X光影像进行年龄估计的准确性和稳定性。
-
公开(公告)号：CN110688968B
公开(公告)日：2022-12-02
申请号：CN201910943765.1
申请日：2019-09-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多示例深度卷积记忆网络的高光谱目标检测方法，主要解决现有技术对复杂场景下不精确标记的高光谱目标检测效果差的问题。其实现步骤为：1.对输入图像进行划分，得到训练集和测试集；2.搭建依次包括一个输入层，中间三个重复的结构单元和一个输出层共11层结构的多示例深度卷积记忆网络N；3.设置训练参数，用训练集对多示例深度卷积记忆网络N进行迭代训练，当网络性能不再提升或达到最大训练次数时，停止训练，得到最终训练好的网络N′；4.将测试样本集输入到最终训练好的网络N′进行检测，得到检测结果。本发明提高了不精确标记的高光谱目标的检测结果，减小了过拟合现象，可用于爆炸物检测、农作物精细分类。
-
公开(公告)号：CN113706487A
公开(公告)日：2021-11-26
申请号：CN202110944404.6
申请日：2021-08-17
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于自监督特征小样本学习的多器官分割方法，主要解决现有技术使用小样本学习分割法进行多器官分割效果差的问题。其方案是：使用超像素分割法从初始数据集中生成大量包含伪标签的数据，并从中选择图像和伪标签作为支持集；采用数据增强法生成查询集；使用自监督特征学习通过预训练的编码器提取支持集和查询集的图像特征，再计算两者的相似度获得前景信息和先验概率辅助信息特征图；构建分割网络对前景信息进行特征精炼得到支持集原型；根据支持集原型与先验概率辅助信息特征图计算分类概率，获得分割结果。本发明减少了大目标器官的过分割和欠分割现象，提升了小目标器官的识别，可用于医学图像的多器官分割，协助医生诊断疾病。
-
公开(公告)号：CN113610807B
公开(公告)日：2024-02-09
申请号：CN202110907227.4
申请日：2021-08-09
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06T7/11 , G06F18/2415 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种基于弱监督多任务学习的新冠肺炎病灶分割方法，主要解决现有方法对不同临床等级患者的影像差异大、分割结果差的问题。其方案是：获取新冠肺炎患者的CT影像数据进行重采样和直方图匹配，划分出训练集、验证集、测试集；设计多尺度卷积模块HMS，以替代现有3D ResUNet分割网络最后两层编码层中的卷积层，并在该网络中增加分类网络，构建基于弱监督多任务学习的新冠肺炎病灶分割网络；用训练集训练该网络并用验证集选择效果最好的训练后模型；将测试集输入到最终训练后模型得到分割结果。本发明能使网络学习到更鲁棒的病灶特征，有效提升不同临床等级患者的病灶分割(56)对比文件卢云飞.基于强化学习多尺度和多任务的病灶分割与few-shot自适应多器官分割研究.中国优秀硕士学位论文全文数据库 基础科学辑.2023,全文.Hongying Liu，Shuiping Gou .FastClassification for Large Polarimetric SARData Based on Refined Spatial-AnchorGraph.IEEE GEOSCIENCE AND REMOTE SENSINGLETTERS.2017,第14卷(第9期),全文.Shuiping Gou, and Shuyuan Yang.Shapeconstrained fully convolutional DenseNetwith adversarial training for multiorgansegmentation on head and neck CT and low-field MR images.Medical Physics.2019,全文.
-
公开(公告)号：CN110599530B
公开(公告)日：2022-03-04
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。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.029 seconds)
